| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景 | 第10-16页 |
| ·第一代神经网络 | 第10-11页 |
| ·第二代神经网络 | 第11-13页 |
| ·深度神经网络 | 第13-16页 |
| ·RBM 及其学习算法 | 第16-18页 |
| ·论文的研究内容与贡献 | 第18-19页 |
| ·论文组织结构 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第二章 马尔可夫链蒙特卡罗方法 | 第20-33页 |
| ·马尔可夫链 | 第21-22页 |
| ·正则分布 | 第22-23页 |
| ·Metropolis-Hastings 采样 | 第23-25页 |
| ·Gibbs 采样 | 第25-26页 |
| ·MCMC 可能面临的问题 | 第26-27页 |
| ·基于回火的MCMC 算法 | 第27-30页 |
| ·Simulated Tempering 算法 | 第27-29页 |
| ·Tempered Transition 算法 | 第29-30页 |
| ·Parallel Tempering 算法 | 第30页 |
| ·模式跳转MCMC 算法 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 RBM 及其学习和评估算法 | 第33-41页 |
| ·RBM 模型定义 | 第33-35页 |
| ·RBM 的学习算法 | 第35-38页 |
| ·Contrastive Divergence | 第35-36页 |
| ·Stochastic Maximum Likelihood | 第36页 |
| ·Persistent Contrastive Divergence with Fast Weight | 第36-37页 |
| ·Tempered Stochastic Maximum Likelihood | 第37-38页 |
| ·RBM 的评估算法 | 第38-40页 |
| ·重构误差 | 第38-39页 |
| ·Annealed Importance Sampling | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于自适应模式跳转MCMC 的RBM 学习算法 | 第41-52页 |
| ·AMH 算法的基本思想 | 第41-42页 |
| ·准备工作 | 第42-43页 |
| ·模式状态的定义 | 第42页 |
| ·模式状态的有限性 | 第42-43页 |
| ·模式集定义 | 第43页 |
| ·模式跳转提议 | 第43-46页 |
| ·维护模式集 | 第46-50页 |
| ·固定分布 | 第46-48页 |
| ·变化分布 | 第48-50页 |
| ·AMH 在学习RBM 上的具体应用 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 实验与分析 | 第52-63页 |
| ·数据集 | 第52-53页 |
| ·实验设置和符号定义 | 第53页 |
| ·小规模实验结果 | 第53-55页 |
| ·跳转成功率实验 | 第55-57页 |
| ·常规似然度实验 | 第57-58页 |
| ·模式集内容实验 | 第58-60页 |
| ·收敛性分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 附录A 参考文献 | 第65-71页 |
| 附录B 致谢 | 第71-72页 |
| 附录C 攻读学位期间发表的学术论文目录 | 第72-75页 |
| 附件 | 第75页 |
