| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题背景与意义 | 第15-18页 |
| 1.1.1 演化计算 | 第15-17页 |
| 1.1.2 无监督特征学习 | 第17-18页 |
| 1.2 演化计算所面临的挑战 | 第18-19页 |
| 1.3 国内外研究现状 | 第19-20页 |
| 1.4 本论文的主要研究内容和创新之处 | 第20-21页 |
| 1.5 本论文的组织安排 | 第21-22页 |
| 1.6 本章小结 | 第22-23页 |
| 第二章 基于自组织映射的演化数据预处理 | 第23-43页 |
| 2.1 演化计算行为数据生成 | 第23-27页 |
| 2.1.1 演化算法概述 | 第23-26页 |
| 2.1.2 测试函数概述 | 第26-27页 |
| 2.1.3 演化计算行为数据定义与生成 | 第27页 |
| 2.2 自组织映射(SOM)概述 | 第27-31页 |
| 2.2.1 SOM神经网络基础 | 第27-28页 |
| 2.2.2 SOM神经网络拓扑结构 | 第28-29页 |
| 2.2.3 SOM学习算法 | 第29-31页 |
| 2.3 演化计算行为数据的自组织映射(SOM)网络训练 | 第31-41页 |
| 2.3.1 训练数据生成与SOM网络初始化 | 第31-33页 |
| 2.3.2 基于t-SNE的SOM网络预训练 | 第33-37页 |
| 2.3.3 SOM网络的粗训练与微调 | 第37页 |
| 2.3.4 SOM网络训练结果 | 第37-41页 |
| 2.4 演化计算行为数据预处理结果 | 第41页 |
| 2.5 本章小结 | 第41-43页 |
| 第三章 基于慢特征分析的演化计算行为分析 | 第43-59页 |
| 3.1 慢特征分析(SFA)算法概述 | 第43-48页 |
| 3.1.1 慢原则 | 第43-44页 |
| 3.1.2 SFA优化目标 | 第44-46页 |
| 3.1.3 线性SFA与非线性扩展SFA | 第46-48页 |
| 3.2 慢特征分析算法学习流程 | 第48-51页 |
| 3.2.1 PCA白化 | 第48-49页 |
| 3.2.2 非线性扩展 | 第49-50页 |
| 3.2.3 扩展后数据的归一化调整 | 第50页 |
| 3.2.4 慢特征提取 | 第50-51页 |
| 3.3 慢特征分析时间序列结构调整 | 第51-52页 |
| 3.4 慢特征维数选择 | 第52页 |
| 3.5 实验设计与结果分析 | 第52-57页 |
| 3.5.1 实验方案设计 | 第52-54页 |
| 3.5.2 实验结果与分析 | 第54-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 基于深度信念网络的演化计算行为分析 | 第59-73页 |
| 4.1 受限玻尔兹曼机 | 第59-65页 |
| 4.1.1 RBM模型 | 第59-62页 |
| 4.1.2 RBM学习目标 | 第62-63页 |
| 4.1.3 吉布斯采样 | 第63-65页 |
| 4.1.4 基于对比散度(CD)的RBM快速学习算法 | 第65页 |
| 4.2 深度信念网络 | 第65-67页 |
| 4.2.1 深度信念网络模型 | 第65-67页 |
| 4.2.2 DBN训练方法 | 第67页 |
| 4.3 实验方案 | 第67-69页 |
| 4.3.1 实验数据准备 | 第67-68页 |
| 4.3.2 DBN网络结构设计 | 第68-69页 |
| 4.4 实验结果与分析 | 第69-71页 |
| 4.4.1 DBN特征提取结果与分析 | 第69-70页 |
| 4.4.2 DBN提取特征的优缺点 | 第70-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 全文总结 | 第73页 |
| 5.2 未来展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与参与的科研项目 | 第81页 |