| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 相关知识 | 第15-23页 |
| 2.1 神经网络算法 | 第15-20页 |
| 2.1.1 神经网络算法概述 | 第15-17页 |
| 2.1.2 误差反向传播算法 | 第17-19页 |
| 2.1.3 训练算法优化 | 第19-20页 |
| 2.2 分类器集成方法 | 第20-22页 |
| 2.2.1 分类器集成模型 | 第20-21页 |
| 2.2.2 基于模糊积分的集成方法 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 深度学习 | 第23-37页 |
| 3.1 深层神经网络 | 第23-24页 |
| 3.2 受限玻尔兹曼机 | 第24-30页 |
| 3.2.1 Gibbs采样 | 第25-26页 |
| 3.2.2 RBM的训练方法 | 第26-30页 |
| 3.3 深层置信网络 | 第30-32页 |
| 3.4 基于广义逆的改进方法 | 第32-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 深层随机赋权网络集成方法 | 第37-47页 |
| 4.1 极速学习机 | 第37-38页 |
| 4.2 多层随机赋权网络 | 第38-42页 |
| 4.2.1 自动编码器 | 第38-40页 |
| 4.2.2 基于ELM的自动编码器 | 第40-41页 |
| 4.2.3 基于ELM-Autoencoder的多层随机赋权神经网络 | 第41-42页 |
| 4.3 分类器的集成方法 | 第42-46页 |
| 4.3.1 C-ML-RWN算法介绍 | 第42-44页 |
| 4.3.2 C-ML-RWN算法实现 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验结果及分析 | 第47-56页 |
| 5.1 实验数据集 | 第47-49页 |
| 5.2 实验设计与实验结果 | 第49-53页 |
| 5.3 实验分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-57页 |
| 6.1 本文总结 | 第56页 |
| 6.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间取得的科研成果 | 第62页 |