| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 本研究课题的背景和意义 | 第11-12页 |
| 1.2 深度神经网络研究现状 | 第12-15页 |
| 1.2.1 图像识别 | 第12-13页 |
| 1.2.2 图像标注 | 第13-14页 |
| 1.2.3 预测学习 | 第14-15页 |
| 1.3 增量学习与聚类技术整体现状 | 第15-18页 |
| 1.3.1 增量学习 | 第15-16页 |
| 1.3.2 聚类技术 | 第16-18页 |
| 1.4 本文创新点 | 第18-19页 |
| 1.4.1 结构可塑性创新点 | 第18-19页 |
| 1.4.2 增量特性创新点 | 第19页 |
| 1.4.3 噪声抑制性创新点 | 第19页 |
| 1.5 本文主要研究内容和结构安排 | 第19-21页 |
| 第二章 机器学习相关技术 | 第21-31页 |
| 2.1 深度结构特点 | 第21-22页 |
| 2.2 深度学习的相关网络 | 第22-26页 |
| 2.2.1 受限玻尔兹曼机 | 第22-23页 |
| 2.2.2 卷积网络 | 第23-26页 |
| 2.3 实验结果与分析 | 第26-30页 |
| 2.3.1 实验1:CRBM学习IMM Face库特征 | 第26-27页 |
| 2.3.2 实验2:不同预处理方式对CRBM学习特征的影响 | 第27-28页 |
| 2.3.3 实验3:CRBM学习Caltech-101库特征 | 第28-29页 |
| 2.3.4 结果分析 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于密度的启发式算法CFSFDP | 第31-42页 |
| 3.1 引言 | 第31页 |
| 3.2 算法中的重要参数 | 第31-32页 |
| 3.3 快速密度峰值搜索算法 | 第32-35页 |
| 3.3.1 CFSFDP算法思想 | 第32-33页 |
| 3.3.2 CFSFDP伪代码与时间复杂度 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-41页 |
| 3.4.1 实验1:非球形分布聚类及噪声抑制 | 第35-36页 |
| 3.4.2 实验2:参数敏感性测试 | 第36-37页 |
| 3.4.3 实验3:人脸图像像素级聚类 | 第37-41页 |
| 3.5 CFSFDP的优缺点分析 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于神经节分化的增量式目标识别系统 | 第42-53页 |
| 4.1 增量学习意义与研究目标 | 第42-43页 |
| 4.2 信息熵理论基础 | 第43-44页 |
| 4.3 结构描述 | 第44-47页 |
| 4.3.1 网络结构的可塑性 | 第45-46页 |
| 4.3.2 网络的增量特性 | 第46页 |
| 4.3.3 网络对噪声的抑制 | 第46-47页 |
| 4.4 基于神经节分化的网络算法 | 第47-52页 |
| 4.4.1 算法流程 | 第47-48页 |
| 4.4.2 神经节层 | 第48-49页 |
| 4.4.3 预处理算法 | 第49-51页 |
| 4.4.4 基于CRBM的局部特征学习 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实验结果与分析 | 第53-67页 |
| 5.1 实验评价标准 | 第53-55页 |
| 5.1.1 混淆矩阵(Confusion Matrix) | 第53-54页 |
| 5.1.2 正确率(Acc) | 第54页 |
| 5.1.3 接受者操作特性曲线(ROC曲线) | 第54页 |
| 5.1.4 调整兰德系数(ARI) | 第54-55页 |
| 5.2 多类目标增量式识别 | 第55-60页 |
| 5.2.1 模拟增量环境 | 第55-57页 |
| 5.2.2 增量能力测试 | 第57-58页 |
| 5.2.3 识别能力测试 | 第58-60页 |
| 5.3 细粒度目标增量式识别 | 第60-64页 |
| 5.3.1 模拟增量环境 | 第61-62页 |
| 5.3.2 增量能力测试 | 第62-64页 |
| 5.3.3 识别能力测试 | 第64页 |
| 5.4 实验算法临界分析 | 第64-67页 |
| 5.4.1 上界情况 | 第64-65页 |
| 5.4.2 下界情况 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 附录A:攻读硕士学位期间成果清单 | 第75-76页 |
