| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.1.1 特征及特征表达 | 第10页 |
| 1.1.2 高维数据及数据降维 | 第10-11页 |
| 1.1.3 人工神经网络及深度学习 | 第11-12页 |
| 1.2 数据降维发展概况 | 第12-15页 |
| 1.2.1 线性数据降维方法 | 第13-14页 |
| 1.2.2 非线性数据降维方法 | 第14-15页 |
| 1.3 特征表达及深度学习 | 第15-17页 |
| 1.3.1 特征表达 | 第15-16页 |
| 1.3.2 深度学习 | 第16-17页 |
| 1.4 本文的主要研究内容及内容组织 | 第17-21页 |
| 第2章 深度学习方法基础研究 | 第21-31页 |
| 2.1 表达转换 | 第21-22页 |
| 2.2 线性降维主成分分析法 | 第22-24页 |
| 2.3 非线性降维深度学习构造模块之自编码器 | 第24页 |
| 2.4 非线性降维深度学习构造模块之限制玻尔兹曼机 | 第24-30页 |
| 2.4.1 玻尔兹曼机 | 第24-25页 |
| 2.4.2 限制玻尔兹曼机 | 第25-26页 |
| 2.4.3 从能量模型到概率 | 第26-28页 |
| 2.4.4 CD-k 算法 | 第28-30页 |
| 2.4.5 限制玻尔兹曼机小结 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 自编码器基于原始像素的降维作用及表达能力的稳定性 | 第31-44页 |
| 3.1 引言 | 第31页 |
| 3.2 深度学习的构造模块之自编码器 | 第31-36页 |
| 3.2.1 人工神经网络 | 第31-32页 |
| 3.2.2 自编码器 | 第32-33页 |
| 3.2.3 稀疏自编码器 | 第33-35页 |
| 3.2.4 自编码器小结 | 第35-36页 |
| 3.3 自编码器基于原始像素的降维作用及表达能力的稳定性 | 第36-39页 |
| 3.3.1 MNIST 数据集 | 第36页 |
| 3.3.2 自编码器基于原始像素的降维作用及表达能力的稳定性 | 第36-38页 |
| 3.3.3 特征选择 | 第38页 |
| 3.3.4 特征抽取 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.4.1 特征选择部分的实验结果与分析 | 第39-41页 |
| 3.4.2 特征抽取部分的实验结果与分析 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 自编码器基于局部描述子的降维作用及表达能力的稳定性 | 第44-53页 |
| 4.1 引言 | 第44页 |
| 4.2 自编码器基于局部描述子的降维作用及表达能力的稳定性 | 第44-49页 |
| 4.2.1 自编码器基于局部描述子的降维作用及表达能力的稳定性 | 第44-45页 |
| 4.2.2 基于单幅图像的 SIFT 匹配 | 第45-47页 |
| 4.2.3 基于多幅图像的 SIFT 匹配 | 第47-49页 |
| 4.3 实验结果与分析 | 第49-51页 |
| 4.3.1 基于单幅图像的实验结果与分析 | 第49-50页 |
| 4.3.2 基于多幅图像的实验结果与分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |
