| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 深度学习的发展和研究现状 | 第11-14页 |
| 1.2.1 神经网络的发展历史 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.3 特征提取 | 第14-15页 |
| 1.4 主要研究工作和论文章节安排 | 第15-17页 |
| 1.4.1 主要研究工作 | 第15-16页 |
| 1.4.2 论文章节安排 | 第16-17页 |
| 第二章 深度学习的理论和算法基础 | 第17-30页 |
| 2.1 深度学习概述 | 第17-19页 |
| 2.1.1 深度神经网络的基本模型 | 第17-18页 |
| 2.1.2 深度神经网络的网络结构 | 第18-19页 |
| 2.2 深度学习的参数训练策略 | 第19-21页 |
| 2.2.1 贪婪逐层无监督预训练策略 | 第19-20页 |
| 2.2.2 单层网络的参数训练策略 | 第20-21页 |
| 2.3 几种常见的深度学习基本模型 | 第21-23页 |
| 2.3.1 深度信念网络 | 第21-22页 |
| 2.3.2 堆栈式自编码器 | 第22-23页 |
| 2.3.3 卷积神经网络 | 第23页 |
| 2.4 受限玻尔兹曼机RBM | 第23-29页 |
| 2.4.1 RBM的网络结构 | 第23-24页 |
| 2.4.2 RBM的算法公式 | 第24-26页 |
| 2.4.3 对比散度算法 | 第26-27页 |
| 2.4.4 RBM训练算法和重构误差 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于RBMs的模块化深度学习模型 | 第30-39页 |
| 3.1 基于RBMs的模块化深度学习模型的描述 | 第30-31页 |
| 3.2 Softmax分类器 | 第31-32页 |
| 3.3 深度学习模型的训练过程 | 第32-37页 |
| 3.3.1 模型的正向传播过程 | 第32-34页 |
| 3.3.2 模型的求解方法 | 第34-35页 |
| 3.3.3 模型的监督学习算法 | 第35-37页 |
| 3.4 算法具体实现步骤 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于RBMs模块化深度学习的高校绩效评价模型 | 第39-52页 |
| 4.1 高校绩效评价数据简介 | 第39页 |
| 4.2 数据预处理 | 第39-41页 |
| 4.3 特征提取实验结果分析 | 第41-44页 |
| 4.3.1 特征提取的对比实验 | 第41-42页 |
| 4.3.2 网络模型参数初始化设定 | 第42-43页 |
| 4.3.3 隐层层数和节点数影响 | 第43-44页 |
| 4.4 实验结果与分析 | 第44-51页 |
| 4.4.1 深度学习模型有效性分析 | 第44-46页 |
| 4.4.2 深度学习模型收敛性分析 | 第46页 |
| 4.4.3 深度学习模型输出结果分析 | 第46-51页 |
| 4.5 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附件 | 第63页 |