| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外研究现状及研究意义 | 第10-11页 |
| 1.3 本论文的内容及安排 | 第11-13页 |
| 2 稀疏表征基本算法 | 第13-23页 |
| 2.1 稀疏编码的基本算法 | 第13-20页 |
| 2.1.1 贪婪算法 | 第13-16页 |
| 2.1.2 凸优化算法 | 第16-20页 |
| 2.2 字典学习的基本算法 | 第20-22页 |
| 2.2.1 MOD字典学习算法 | 第21页 |
| 2.2.2 K-SVD字典学习算法 | 第21页 |
| 2.2.3 在线字典学习算法 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 快速类稀疏编码器 | 第23-49页 |
| 3.1 K-SVD算法 | 第23-27页 |
| 3.1.1 K-Means算法 | 第23-25页 |
| 3.1.2 SVD分解 | 第25-26页 |
| 3.1.3 稀疏编码 | 第26-27页 |
| 3.2 BP神经网络 | 第27-32页 |
| 3.2.1 神经网络 | 第27-31页 |
| 3.2.2 BP神经网络算法(Back Propagation) | 第31-32页 |
| 3.3 快速的类稀疏编码器 | 第32-39页 |
| 3.3.1 类稀疏编码器的框架结构 | 第32-34页 |
| 3.3.2 类稀疏编码器的结构分析 | 第34-39页 |
| 3.4 快速的稀疏编码器在图像去噪中的应用 | 第39-48页 |
| 3.4.1 图像去噪模型 | 第39-41页 |
| 3.4.2 实验结果及分析 | 第41-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 深度稀疏编码器 | 第49-78页 |
| 4.1 基于前向网络结构的稀疏编码算法 | 第49-52页 |
| 4.1.1 迭代收缩阀值算法 | 第49-50页 |
| 4.1.2 坐标下降算法 | 第50-51页 |
| 4.1.3 多层稀疏编码结构 | 第51-52页 |
| 4.2 深度稀疏编码器 | 第52-59页 |
| 4.2.1 深度学习 | 第52-55页 |
| 4.2.2 深度稀疏编码器的分析 | 第55-59页 |
| 4.3 实验及结果分析 | 第59-77页 |
| 4.3.1 手写体识别的应用 | 第59-62页 |
| 4.3.2 深度稀疏编码器在CT图像去噪中的应用 | 第62-69页 |
| 4.3.3 深度稀疏编码器在自然图像去噪中的应用 | 第69-77页 |
| 4.4 本章小结 | 第77-78页 |
| 结论 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间发表学术论文情况 | 第85-86页 |
| 致谢 | 第86-87页 |