深度学习与主成分分析融合的研究与应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究目的和意义 | 第13-14页 |
| 1.4 主要研究内容、创新点及技术路线 | 第14-15页 |
| 1.4.1 主要研究内容 | 第14-15页 |
| 1.4.2 主要创新点 | 第15页 |
| 1.4.3 研究技术路线 | 第15页 |
| 1.5 论文章节安排 | 第15-17页 |
| 1.6 本章总结 | 第17-18页 |
| 第2章 深度学习和主成分分析 | 第18-27页 |
| 2.1 深度学习概述 | 第18-24页 |
| 2.1.1 深度学习优缺点及其分类 | 第18-19页 |
| 2.1.2 受限玻尔兹曼机（RBM） | 第19-23页 |
| 2.1.3 深信度网络 | 第23-24页 |
| 2.2 主成分分析 | 第24-25页 |
| 2.3 本章总结 | 第25-27页 |
| 第3章 深信度网络的设计和测试 | 第27-41页 |
| 3.1 网络输入层节点的确定 | 第27页 |
| 3.2 网络深度的确定 | 第27-28页 |
| 3.3 网络参数设置 | 第28-30页 |
| 3.3.1 学习率和动量项 | 第28-29页 |
| 3.3.2 权重初始权值和偏置设置 | 第29-30页 |
| 3.3.3 隐藏层节点数确定 | 第30页 |
| 3.4 分类预测模型 | 第30-32页 |
| 3.4.1 PCA对特征降维处理 | 第30-31页 |
| 3.4.2 用于分类预测的神经网络 | 第31-32页 |
| 3.5 DBN网络的最终结构 | 第32-34页 |
| 3.6 改进算法的测试 | 第34-40页 |
| 3.6.1 原始DBN算法的测试结果 | 第34-36页 |
| 3.6.2 融合算法的测试结果 | 第36-39页 |
| 3.6.3 结果比较 | 第39-40页 |
| 3.7 本章总结 | 第40-41页 |
| 第4章 改进算法在攀枝花某矿区的应用 | 第41-50页 |
| 4.1 地质区简介 | 第41-42页 |
| 4.2 地质区数据处理 | 第42-44页 |
| 4.3 算法应用 | 第44-47页 |
| 4.4 结果分析 | 第47-48页 |
| 4.5 展望 | 第48-49页 |
| 4.6 本章总结 | 第49-50页 |
| 结论 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间取得学术成果 | 第55页 |
