| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| Contents | 第10-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景与意义 | 第12-14页 |
| 1.2 课题的国内外研究现状 | 第14-16页 |
| 1.3 课题研究的主要内容及创新点 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-18页 |
| 第二章 稀疏表示及神经网络相关的基础理论 | 第18-38页 |
| 2.1 稀疏表示的基本概念 | 第18-19页 |
| 2.2 稀疏表示问题求解的优化理论 | 第19-25页 |
| 2.2.1 L_2范数优化模型 | 第19-20页 |
| 2.2.2 L_0范数优化模型 | 第20-21页 |
| 2.2.3 L_1范数优化模型 | 第21-22页 |
| 2.2.4 约束等距性条件 | 第22-24页 |
| 2.2.5 L_p范数优化模型的构建 | 第24-25页 |
| 2.3 稀疏编码 | 第25-26页 |
| 2.4 人工神经网络 | 第26-37页 |
| 2.4.1 神经元 | 第26-27页 |
| 2.4.2 神经网络 | 第27-29页 |
| 2.4.3 BP算法 | 第29-31页 |
| 2.4.4 稀疏自编码神经网络 | 第31-34页 |
| 2.4.5 softmax分类器 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于L_p范数的稀疏分解算法 | 第38-57页 |
| 3.1 L_p范数优化模型 | 第38-44页 |
| 3.1.1 SLO优化模型 | 第39页 |
| 3.1.2 加权L1范数和L2范数的联合优化模型 | 第39-41页 |
| 3.1.3 加权L_p范数和L2范数的联合优化模型 | 第41-44页 |
| 3.2 数值仿真结果 | 第44-56页 |
| 3.2.1 高维稀疏信号的恢复 | 第45-50页 |
| 3.2.2 图像的去模糊 | 第50-56页 |
| 3.3 本章小结 | 第56-57页 |
| 第四章 零范数稀疏编码在手写数字识别中的应用 | 第57-65页 |
| 4.1 稀疏自编码神经网络 | 第57-59页 |
| 4.2 基于零范数模型的稀疏自动编码器 | 第59-62页 |
| 4.3 数值仿真实验 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 总结 | 第65-66页 |
| 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表学术论文 | 第71-73页 |
| 致谢 | 第73页 |