| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 深度学习研究现状 | 第12-13页 |
| 1.2.2 深度学习在论文预测应用上的研究现状 | 第13页 |
| 1.3 本文的研究目的与意义 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 深度学习的相关概念 | 第15-22页 |
| 2.1 深度学习与传统机器学习 | 第15-16页 |
| 2.2 深度学习与传统人工神经网络 | 第16-17页 |
| 2.3 特征的提取 | 第17页 |
| 2.4 输入数据的归一化 | 第17-18页 |
| 2.5 数据维数 | 第18页 |
| 2.6 深度学习模型的学习曲线和拟合情况 | 第18-21页 |
| 2.7 本章小结 | 第21-22页 |
| 第三章 深度学习的原理及栈式降噪编码器 | 第22-37页 |
| 3.1 人工神经元简介 | 第22-25页 |
| 3.2 深度学习的三层架构 | 第25-26页 |
| 3.3 深度学习模型的选择 | 第26页 |
| 3.4 栈式降噪自动编码器 | 第26-36页 |
| 3.4.1 自动编码器 | 第26-28页 |
| 3.4.2 降噪自动编码器 | 第28-30页 |
| 3.4.3 降噪编码器的鲁棒性 | 第30页 |
| 3.4.4 栈式降噪编码器的无监督工作过程 | 第30-31页 |
| 3.4.5 栈式降噪编码器的有监督工作过程 | 第31-33页 |
| 3.4.6 反向传播算法原理与梯度下降 | 第33-34页 |
| 3.4.7 栈式降噪自动编码器使用无监督预训练的优势 | 第34-35页 |
| 3.4.8 栈式降噪自动编码器的无监督与有监督 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 深度学习算法的设计与实现 | 第37-45页 |
| 4.1 实现平台的选择 | 第37页 |
| 4.2 实现目的 | 第37页 |
| 4.3 栈式降噪编码器的构成与组件功能 | 第37页 |
| 4.4 数据流图 | 第37-39页 |
| 4.5 基本流程图与算法 | 第39-41页 |
| 4.5.1 降噪编码器 | 第39-40页 |
| 4.5.2 SdAE无监督学习 | 第40页 |
| 4.5.3 SdAE有监督学习 | 第40-41页 |
| 4.5.4 SdAE进行分类预测 | 第41页 |
| 4.6 深度学习应用的实验结果与分析和优越性 | 第41-44页 |
| 4.6.1 分类效果的评价指标 | 第42-43页 |
| 4.6.2 BP算法与特征学习 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 深度学习应用的样本来源 | 第45-52页 |
| 5.1 数据清理 | 第45-47页 |
| 5.2 数据选择 | 第47-50页 |
| 5.2.1 硕士信息的摈弃 | 第47-48页 |
| 5.2.2 部分优秀论文信息的摈弃 | 第48页 |
| 5.2.3 非标准博士信息的摈弃 | 第48页 |
| 5.2.4 过时信息的摈弃 | 第48页 |
| 5.2.5 无关联信息的摈弃 | 第48-49页 |
| 5.2.6 数据集样本数量与维度 | 第49-50页 |
| 5.3 数据归一化 | 第50-51页 |
| 5.4 划分数据集 | 第51页 |
| 5.5 数据预处理的实体关系图 | 第51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 深度学习在分类预测应用上的研究 | 第52-82页 |
| 6.1 研究目的 | 第52页 |
| 6.2 学生信息与答辩成绩的假设 | 第52-54页 |
| 6.2.1 假设提出的依据与考虑 | 第52-53页 |
| 6.2.2 验证方法 | 第53页 |
| 6.2.3 假设的验证结果 | 第53-54页 |
| 6.3 深度学习在学生信息上的分类预测研究 | 第54-55页 |
| 6.3.1 分类预测结果的评价标准 | 第54-55页 |
| 6.3.2 初步的预测结果 | 第55页 |
| 6.4 优化目的 | 第55页 |
| 6.5 深度学习用于分类预测的不足 | 第55-57页 |
| 6.5.1 栈式降噪自动编码器本身的不足 | 第55-56页 |
| 6.5.2 正负样本不平衡引发的准确性问题 | 第56页 |
| 6.5.3 样本归一化引发的问题 | 第56-57页 |
| 6.5.4 样本数量和样本维度不足引发的问题 | 第57页 |
| 6.5.5 算法计算速度的不足 | 第57页 |
| 6.6 提高深度学习算法准确度的优化思路 | 第57-73页 |
| 6.6.1 隐藏层层数 | 第58-59页 |
| 6.6.2 隐藏层神经元数量 | 第59-61页 |
| 6.6.3 corruption比率 | 第61-62页 |
| 6.6.4 学习率与迭代次数 | 第62-66页 |
| 6.6.5 梯度下降方式 | 第66-68页 |
| 6.6.6 惩罚项 | 第68-70页 |
| 6.6.7 momentum动量 | 第70-73页 |
| 6.7 对数据样本的调整 | 第73-77页 |
| 6.7.1 冗余数据与属性重复 | 第73-76页 |
| 6.7.2 训练数据与未知数据的比例对准确率的影响 | 第76-77页 |
| 6.8 探索进一步优化的空间 | 第77-79页 |
| 6.9 分类结果排序 | 第79页 |
| 6.10 与其它分类方法的比较 | 第79-80页 |
| 6.11 本章小结 | 第80-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 总结 | 第82-83页 |
| 7.2 展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 论文发表情况 | 第88页 |