| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 机器学习发展简介 | 第10-12页 |
| 1.2.2 深度学习简述 | 第12-13页 |
| 1.2.3 网络结构选择与调优的研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关技术背景介绍 | 第18-28页 |
| 2.1 深度学习 | 第18-23页 |
| 2.1.1 卷积神经网络 | 第18-21页 |
| 2.1.2 栈式自编码神经网络 | 第21-23页 |
| 2.2 数据复杂度 | 第23-27页 |
| 2.2.1 特征值重叠性度量方法 | 第23-25页 |
| 2.2.2 类可分性度量方法 | 第25-26页 |
| 2.2.3 流形几何、拓扑、密度性度量方法 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于数据复杂度的特征研究 | 第28-37页 |
| 3.1 基本概述 | 第28-29页 |
| 3.2 基于置信度的行为识别算法 | 第29-33页 |
| 3.2.1 传统统计特征 | 第29-31页 |
| 3.2.2 基于姿态估计的高级特征 | 第31页 |
| 3.2.3 基于数据复杂度的特征置信度 | 第31-33页 |
| 3.3 实验验证 | 第33-36页 |
| 3.3.1 实验设置 | 第33-34页 |
| 3.3.2 结果分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于数据复杂度的SAE网络结构选择 | 第37-46页 |
| 4.1 基本概述 | 第37-38页 |
| 4.2 算法设计 | 第38-40页 |
| 4.2.1 量化特征的数据复杂度 | 第38-40页 |
| 4.2.2 SAE网络结构选择方法 | 第40页 |
| 4.3 实验验证 | 第40-45页 |
| 4.3.1 实验设置 | 第40-42页 |
| 4.3.2 SAE无监督预训练阶段结构选择 | 第42-44页 |
| 4.3.3 SAE有监督微调阶段模型优化 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于数据复杂度的FCN与CNN网络结构调优 | 第46-66页 |
| 5.1 基本概述 | 第46-47页 |
| 5.2 基于数据复杂度的FCN网络结构调优方法 | 第47-52页 |
| 5.2.1 验证数据复杂度的有效性 | 第48-50页 |
| 5.2.2 网络结构调优规则 | 第50-52页 |
| 5.3 基于数据复杂度的CNN网络结构调优方法 | 第52-58页 |
| 5.3.1 分析嵌入特征序对模型的影响 | 第53-55页 |
| 5.3.2 基于数据复杂度的特征序生成算法 | 第55-56页 |
| 5.3.3 基于多特征序的CNN模型 | 第56-58页 |
| 5.4 实验验证 | 第58-65页 |
| 5.4.1 实验设置 | 第58-59页 |
| 5.4.2 FCN网络结构调优 | 第59-61页 |
| 5.4.3 CNN网络结构调优 | 第61-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论与展望 | 第66-67页 |
| 参考文献 | 第67-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |