| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.1.1 深度学习的研究背景与研究意义 | 第8-10页 |
| 1.1.2 温度推测的研究背景与研究意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 深度学习的研究现状 | 第10-12页 |
| 1.2.2 温度推测的研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-15页 |
| 2 无监督学习模型 | 第15-23页 |
| 2.1 RBM | 第15-17页 |
| 2.2 DBN | 第17-18页 |
| 2.3 DBM | 第18-19页 |
| 2.4 AE | 第19-20页 |
| 2.5 SAE | 第20-21页 |
| 2.6 DAE | 第21页 |
| 2.7 SDAE | 第21-23页 |
| 3 监督学习模型 | 第23-29页 |
| 3.1 CNN | 第23-26页 |
| 3.2 RNN | 第26-27页 |
| 3.3 DSN | 第27-29页 |
| 4 深度学习典型模型对比及在MNIST数据集上的实验 | 第29-32页 |
| 4.1 深度学习典型模型对比 | 第29-30页 |
| 4.2 MNIST数据集与实验参数设计 | 第30页 |
| 4.3 实验结果分析 | 第30-32页 |
| 4.3.1 不同策略下的NN | 第30页 |
| 4.3.2 学习率和epoch对DBN的影响 | 第30-31页 |
| 4.3.3 学习率和epoch对CNN的影响 | 第31-32页 |
| 5 NN模型在温度推测中的应用 | 第32-43页 |
| 5.1 数据准备 | 第32-34页 |
| 5.2 性能评价指标 | 第34-35页 |
| 5.3 不同参数及策略下的温度推测 | 第35-43页 |
| 5.3.1 隐层神经元个数对NN模型的性能影响 | 第35-38页 |
| 5.3.2 隐层层数对NN模型的性能影响 | 第38-39页 |
| 5.3.3 权重衰减策略对NN模型的性能影响 | 第39-40页 |
| 5.3.4 dropout技术对NN模型的性能影响 | 第40-43页 |
| 6 DBN、SDAE和CNN模型在温度推测中的应用 | 第43-53页 |
| 6.1 DBN模型在温度推测中的应用 | 第43-46页 |
| 6.1.1 隐层神经元个数对DBN模型的性能影响 | 第43-45页 |
| 6.1.2 隐层层数对DBN模型的性能影响 | 第45-46页 |
| 6.2 SDAE模型在温度推测中的应用 | 第46-49页 |
| 6.2.1 隐层神经元个数对SDAE模型的性能影响 | 第46-48页 |
| 6.2.2 隐层层数对SDAE模型的性能影响 | 第48-49页 |
| 6.3 CNN模型在温度推测中的应用 | 第49-51页 |
| 6.4 典型模型在温度推测中的结果对比 | 第51-53页 |
| 7 总结与展望 | 第53-54页 |
| 7.1 总结 | 第53页 |
| 7.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-63页 |
| 攻读硕士期间发表的学术论文及成果 | 第63页 |
