| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10页 |
| 1.1.2 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-16页 |
| 1.2.1 神经网络发展现状及分析 | 第11-13页 |
| 1.2.2 模糊神经网络发展现状及分析 | 第13-14页 |
| 1.2.3 深度学习算法的发展现状及分析 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 第2章 限制玻尔兹曼机和深度信念网络 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 限制玻尔兹曼机 | 第17-20页 |
| 2.2.1 模型的构造 | 第17-18页 |
| 2.2.2 模型参数的理论分析 | 第18-20页 |
| 2.3 深度信念网络 | 第20-22页 |
| 2.3.1 网络的基本组成 | 第20-21页 |
| 2.3.2 两层 RBM 的处理算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 深度信念网络算法的研究 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 马尔可夫链 | 第23-25页 |
| 3.3 GIBBS 采样 | 第25-27页 |
| 3.4 对比散度算法的研究 | 第27-28页 |
| 3.4.1 Contrastive Divergence 算法 | 第27页 |
| 3.4.2 Stochastic Maximum Likelihood 算法 | 第27-28页 |
| 3.5 基于回火的 MCMC 算法 | 第28-32页 |
| 3.5.1 Simulated Tempering 算法 | 第29-30页 |
| 3.5.2 Tempered Transition 算法 | 第30-32页 |
| 3.5.3 Parallel Tempering 算法 | 第32页 |
| 3.6 RBM 的评估算法 | 第32-33页 |
| 3.6.1 重构误差算法 | 第32-33页 |
| 3.6.2 Annealed Importance Sampling 算法 | 第33页 |
| 3.7 本章小结 | 第33-35页 |
| 第4章 基于模式集的模式跳转 MCMC 算法 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 模式集的提出 | 第35-40页 |
| 4.2.1 基本思想 | 第35-38页 |
| 4.2.2 改进的算法和具体步骤 | 第38-40页 |
| 4.3 模式集对于改进算法的实验结果比较 | 第40-42页 |
| 4.4 改进算法与 PL 算法、SML 算法的比较 | 第42-44页 |
| 4.4.1 最大似然度的实验结果比较 | 第42-44页 |
| 4.4.2 使用 AIS 算法对实验结果评估的比较 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-53页 |
| 致谢 | 第53页 |
