基于深度神经网络的图像分类算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外在该方向的研究现状及分析 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 深度学习算法及其他分类算法 | 第16-25页 |
| 2.1 深度学习算法简介 | 第16-19页 |
| 2.1.1 底层特征与深度特征 | 第16-17页 |
| 2.1.2 深度学习的算法优势 | 第17-18页 |
| 2.1.3 监督或半监督深度学习算法 | 第18-19页 |
| 2.2 罗杰斯特回归法 | 第19-20页 |
| 2.3 多层感知机 | 第20-21页 |
| 2.4 受限波兹曼机 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 对称深度神经网络 | 第25-32页 |
| 3.1 对称深度神经网络模型 | 第25-27页 |
| 3.2 模型差异 | 第27-30页 |
| 3.2.1 网络差异分析与验证 | 第28-29页 |
| 3.2.2 差异来源分析 | 第29-30页 |
| 3.3 对称网络建模 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于对称深度神经网络的图像分类 | 第32-48页 |
| 4.1 对称深度置信网模型 | 第32-39页 |
| 4.1.1 深度置信网构建 | 第32-37页 |
| 4.1.2 基于对称深度置信网的图像分类模型 | 第37-39页 |
| 4.2 对称深度卷积神经网络模型 | 第39-47页 |
| 4.2.1 深度卷积网络模型 | 第39-40页 |
| 4.2.2 卷积与池化计算 | 第40-43页 |
| 4.2.3 卷积操作的反向传播 | 第43-44页 |
| 4.2.4 下采样层的反向传播 | 第44-45页 |
| 4.2.5 基于对称卷积神经网络的图像分类模型 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 实验结果与分析 | 第48-56页 |
| 5.1 深度置信网络分类实验与分析 | 第48-51页 |
| 5.1.1 受限波兹曼机的训练过程 | 第48-49页 |
| 5.1.2 基于深度置信网的图像分类 | 第49-51页 |
| 5.2 卷积神经网络分类实验与分析 | 第51-52页 |
| 5.3 对称神经网络分类实验与分析 | 第52-55页 |
| 5.3.1 对称深度神经网络子网络差异验证 | 第52-53页 |
| 5.3.2 MNIST数字集实验与分析 | 第53-54页 |
| 5.3.3 CIFAR-10数据集实验与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第62页 |
