| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 传统的特征提取方法 | 第16-17页 |
| 1.2.2 机器学习方法在特征提取中的一些应用 | 第17-18页 |
| 1.2.3 概率论在深度特征提取中的一些应用 | 第18-19页 |
| 1.3 本文的内容安排 | 第19-21页 |
| 第二章 概率统计与深度学习 | 第21-39页 |
| 2.0 引言 | 第21页 |
| 2.1 概率估计 | 第21-30页 |
| 2.1.1 贝叶斯公式 | 第21-22页 |
| 2.1.2 几种常用的参数估计方法 | 第22-30页 |
| 2.2 一些常用的神经网络及优化介绍 | 第30-37页 |
| 2.2.1 MLP | 第31-32页 |
| 2.2.2 CNN | 第32-34页 |
| 2.2.3 模型优化的一些技巧 | 第34-37页 |
| 2.3 概率统计模型与神经网络的比较 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 变分自编码模型——深度概率统计生成模型 | 第39-51页 |
| 3.0 引言 | 第39页 |
| 3.1 VAE模型 | 第39-41页 |
| 3.2 模型求解 | 第41-44页 |
| 3.3 VAE模型与AE模型的比较 | 第44-48页 |
| 3.3.1 自动编码器AE及其变种 | 第44-46页 |
| 3.3.2 VAE模型的特点 | 第46-47页 |
| 3.3.3 VAE模型与AE模型的异同点 | 第47-48页 |
| 3.4 本章小结 | 第48-51页 |
| 第四章 基于VAE模型的应用 | 第51-67页 |
| 4.0 引言 | 第51页 |
| 4.1 基于VAE模型的数据仿真 | 第51-57页 |
| 4.1.1 VAE模型对mnist数据的仿真。 | 第52-53页 |
| 4.1.2 VAE模型对cifar-10 数据的仿真 | 第53-54页 |
| 4.1.3 VAE模型对SAR数据的仿真 | 第54-57页 |
| 4.2 基于VAE模型的在高维数据可视化的应用 | 第57-60页 |
| 4.2.1 VAE模型对mnist数据的可视化 | 第57-59页 |
| 4.2.2 VAE模型对MSTAR数据的可视化研究 | 第59-60页 |
| 4.3 基于VAE方法的图像超分辨模型 | 第60-66页 |
| 4.3.1 基于VAE的图像超分辨模型结构 | 第61页 |
| 4.3.2 模型的训练过程 | 第61-63页 |
| 4.3.3 图像超分辨结果 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |