面向深度网络的自编码器研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 深度学习研究进展 | 第10-16页 |
| 1.2.1 深度学习提出的背景 | 第10-11页 |
| 1.2.2 深度学习的提出及其机理 | 第11-13页 |
| 1.2.3 深度学习中常用的模型 | 第13-16页 |
| 1.3 问题提出与内容安排 | 第16-17页 |
| 第二章 相关基础理论 | 第17-29页 |
| 2.1 自编码器学习算法 | 第17-25页 |
| 2.1.1 神经网络 | 第17-21页 |
| 2.1.2 反向传播算法 | 第21-22页 |
| 2.1.3 自编码器 | 第22-25页 |
| 2.2 Softmax分类器 | 第25-26页 |
| 2.3 深度学习算法 | 第26-28页 |
| 2.3.1 预训练 | 第27-28页 |
| 2.3.2 微调 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于平滑l_1范数的稀疏自编码器 | 第29-45页 |
| 3.1 稀疏表示 | 第29-33页 |
| 3.2 基于平滑l_1范数的稀疏自编码器 | 第33-35页 |
| 3.3 实验比较 | 第35-44页 |
| 3.3.1 自然图像 | 第36-38页 |
| 3.3.2 MNIST和COIL数据集 | 第38-42页 |
| 3.3.3 深度网络的训练 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于稀疏自编码器的特征集成学习 | 第45-55页 |
| 4.1 集成学习 | 第45-47页 |
| 4.2 基于稀疏自编码器的特征集成学习 | 第47-50页 |
| 4.3 实验比较 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 攻读硕士学位期间主要研究成果 | 第64-66页 |
| 科研情况 | 第64页 |
| 论文发表 | 第64页 |
| 专利申请 | 第64-66页 |
| 致谢 | 第66-67页 |
