| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 表格目录 | 第12-14页 |
| 插图目录 | 第14-16页 |
| 主要符号表 | 第16-18页 |
| 第一章 绪论 | 第18-30页 |
| 1.1 研究意义 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-27页 |
| 1.2.1 多层神经网络训练 | 第19-23页 |
| 1.2.2 相似度哈希 | 第23-27页 |
| 1.3 论文的主要贡献 | 第27-29页 |
| 1.4 论文的组织结构 | 第29-30页 |
| 第二章 多目标优化训练误差和随机敏感度的多层神经网络训练方法 | 第30-55页 |
| 2.1 引言 | 第30-31页 |
| 2.2 相关工作 | 第31-34页 |
| 2.2.1 MLPNN 结构选择方法 | 第31-32页 |
| 2.2.2 连接权重的优化方法 | 第32-33页 |
| 2.2.3 基于多目标的 MLPNN 优化方法 | 第33-34页 |
| 2.3 多层神经网络的随机敏感度度量（ST-SM） | 第34-38页 |
| 2.3.1 MLPNN 的随机敏感度度量（ST-SM）的推导 | 第34-37页 |
| 2.3.2 讨论 MLPNN 的 L-GEM 模型 | 第37-38页 |
| 2.4 基于 Pareto 最优理论的 2 阶段 MLPNN 训练算法 | 第38-43页 |
| 2.4.1 MO-RSM 算法 | 第39-40页 |
| 2.4.2 MO-RSM 算法的全局搜索阶段 | 第40-41页 |
| 2.4.3 MO-RSM 算法的局部搜索阶段 | 第41-42页 |
| 2.4.4 最终解的选择 | 第42-43页 |
| 2.5 实验 | 第43-53页 |
| 2.5.1 决策边界比较 | 第44-47页 |
| 2.5.2 MO-RSM 和 SO-RSM 之间的比较 | 第47-48页 |
| 2.5.3 在 20 个 UCI 数据集上的实验结果 | 第48-51页 |
| 2.5.4 有偏数据集上的实验结果 | 第51-53页 |
| 2.5.5 时间复杂度比较 | 第53页 |
| 2.6 本章小结 | 第53-55页 |
| 第三章 双向发射激活函数深层神经网络 | 第55-71页 |
| 3.1 引言 | 第55-56页 |
| 3.2 文献综述 | 第56-58页 |
| 3.2.1 DNN 和它的训练方法 | 第56-57页 |
| 3.2.2 DNN 的激活函数 | 第57-58页 |
| 3.3 双向发射深层神经网络 | 第58-62页 |
| 3.3.1 双向发射激活函数（Bi-firing） | 第58-59页 |
| 3.3.2 Bi-firing 深层网络的训练 | 第59-61页 |
| 3.3.3 不同激活函数的饱和问题 | 第61-62页 |
| 3.4 实验结果 | 第62-70页 |
| 3.4.1 Bi-firing 激活函数的效率 | 第62-67页 |
| 3.4.2 在 7 个图像数据集上的实验结果 | 第67-69页 |
| 3.4.3 使用不同的数据规范化的实验结果 | 第69-70页 |
| 3.5 本章小结 | 第70-71页 |
| 第四章 基于敏感度随机特征删除的神经网络训练方法 | 第71-95页 |
| 4.1 引言 | 第71-73页 |
| 4.2 相关工作 | 第73-75页 |
| 4.3 基于敏感度随机特征删除的局部泛化误差模型（L-GEM-RFD） | 第75-78页 |
| 4.3.1 L-GEM-RFD | 第75-77页 |
| 4.3.2 L-GEM-RFD 与其他方法的联系与不同 | 第77-78页 |
| 4.4 随机梯度下降最小化 L-GEM-RFD | 第78-80页 |
| 4.4.1 使用 SGD 优化 L-GEM-RFD | 第78-80页 |
| 4.4.2 L-GEM-RFD 的时间复杂度 | 第80页 |
| 4.5 实验 | 第80-94页 |
| 4.5.1 基于像素的灰度图像分类 | 第81-87页 |
| 4.5.2 基于 BoW 特征的自然图像分类 | 第87-90页 |
| 4.5.3 人脸识别 | 第90-94页 |
| 4.6 本章小结 | 第94-95页 |
| 第五章 多哈希表搜索中基于敏感度的图像过滤方法 | 第95-125页 |
| 5.1 引言 | 第95-97页 |
| 5.2 相关工作 | 第97-101页 |
| 5.2.1 使用哈希方法进行大规模相似度搜索 | 第97-99页 |
| 5.2.2 多哈希方法和图像过滤 | 第99-101页 |
| 5.3 基于敏感度的图像过滤方法 | 第101-109页 |
| 5.3.1 对多哈希方法返回图像的分析 | 第101-103页 |
| 5.3.2 位置敏感度度量描述子（Location Sensitivity Measure, LSM） | 第103-105页 |
| 5.3.3 哈希桶敏感度度量描述子（Bucket Sensitivity Measure, BSM） | 第105页 |
| 5.3.4 RBFNN 的训练算法 | 第105-108页 |
| 5.3.5 SIF 的时间复杂度 | 第108-109页 |
| 5.4 实验 | 第109-123页 |
| 5.4.1 数据库描述和实验设置 | 第110-112页 |
| 5.4.2 实验结果 | 第112-123页 |
| 5.5 本章小结 | 第123-125页 |
| 结论与展望 | 第125-127页 |
| 参考文献 | 第127-138页 |
| 攻读博士学位期间取得的研究成果 | 第138-140页 |
| 致谢 | 第140-141页 |
| 附件 | 第141页 |
