| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 引言 | 第9页 |
| 1.2 深度学习 | 第9-12页 |
| 1.2.1 研究背景 | 第9-11页 |
| 1.2.2 学习方法 | 第11-12页 |
| 1.3 极限学习机 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-15页 |
| 第2章 算法基础理论 | 第15-31页 |
| 2.1 稀疏自编码器 | 第15-21页 |
| 2.1.1 人工神经网络 | 第15-16页 |
| 2.1.2 梯度下降和后向传播 | 第16-18页 |
| 2.1.3 自动编码器 | 第18-19页 |
| 2.1.4 稀疏自编码器 | 第19-21页 |
| 2.2 支持向量机 | 第21-22页 |
| 2.3 极限学习机 | 第22-26页 |
| 2.3.1 极限学习机 | 第22-24页 |
| 2.3.2 核极限学习机 | 第24-26页 |
| 2.5 深度学习算法模型介绍 | 第26-30页 |
| 2.5.1 栈式自动编码器 | 第26-27页 |
| 2.5.2 栈式去噪自动编码器 | 第27页 |
| 2.5.3 深度置信网络 | 第27-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于无监督特征学习的极限学习机算法改进 | 第31-35页 |
| 3.1 栈式稀疏自动编码器-极限学习机 | 第32-33页 |
| 3.2 栈式稀疏自动编码器-核极限学习机 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 实验介绍与结果分析 | 第35-49页 |
| 4.1 实验数据集 | 第35-37页 |
| 4.2 实验说明和参数选取 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-48页 |
| 4.3.1 ELM和SSAE-ELM的实验结果和分析 | 第38-43页 |
| 4.3.2 KELM和SSAE-KELM的实验结果和分析 | 第43-44页 |
| 4.3.3 SSAE-ELM和SSAE-KELM的结果比较 | 第44-46页 |
| 4.3.4 不同算法模型之间的结果比较 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 研究总结 | 第49页 |
| 5.2 未来工作 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54页 |
