基于特征提取和特征选择的级联深度学习模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及研究的目的和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 深度学习模型 | 第11-12页 |
| 1.2.2 特征提取 | 第12页 |
| 1.2.3 特征选择 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 基础算法介绍 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 主成分分析 | 第15-16页 |
| 2.3 消失成分分析 | 第16-18页 |
| 2.3.1 模型描述 | 第16页 |
| 2.3.2 算法求解 | 第16-18页 |
| 2.4 Boosting分类算法 | 第18-20页 |
| 2.5 小结 | 第20-21页 |
| 第3章 基于自表示的非监督特征选择 | 第21-29页 |
| 3.1 引言 | 第21页 |
| 3.2 问题描述 | 第21-22页 |
| 3.3 损失项和正则化项 | 第22-23页 |
| 3.4 迭代再加权最小二乘算法 | 第23-25页 |
| 3.5 实验结果 | 第25-28页 |
| 3.5.1 分类准确率比较 | 第27-28页 |
| 3.5.2 聚类效果比较 | 第28页 |
| 3.6 小结 | 第28-29页 |
| 第4章 级联深度学习模型 | 第29-46页 |
| 4.1 引言 | 第29页 |
| 4.2 模型框架 | 第29-30页 |
| 4.3 特征学习 | 第30-36页 |
| 4.3.1 PCA降维阶段 | 第31页 |
| 4.3.2 VCA特征变换阶段 | 第31-34页 |
| 4.3.3 L2, p -RSR特征选择阶段 | 第34页 |
| 4.3.4 Boosting分类与特征选择 | 第34-36页 |
| 4.4 特征组合 | 第36-38页 |
| 4.5 基于二值分类器的多分类问题 | 第38-39页 |
| 4.6 实验结果及分析 | 第39-44页 |
| 4.6.1 实验数据 | 第39-40页 |
| 4.6.2 参数设置 | 第40-41页 |
| 4.6.3 实验结果 | 第41-44页 |
| 4.7 小结 | 第44-46页 |
| 第5章 扩展数据对模型的影响 | 第46-55页 |
| 5.1 引言 | 第46页 |
| 5.2 基于切向量的图像数据扩展方法简介 | 第46-47页 |
| 5.3 手写体图像数据直接扩展法 | 第47-51页 |
| 5.4 扩展数据集对模型性能的影响 | 第51-54页 |
| 5.4.1 扩展参数对模型性能的影响 | 第51-53页 |
| 5.4.2 扩展样本量对模型性能的影响 | 第53-54页 |
| 5.5 小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |
