| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景以及意义 | 第13-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.3 论文安排及主要研究成果 | 第18-21页 |
| 第二章 基础知识 | 第21-37页 |
| 2.1 概率图模型 | 第21-24页 |
| 2.1.1 无向图与马尔可夫随机场 | 第21-23页 |
| 2.1.2 无监督马尔可夫随机场学习 | 第23页 |
| 2.1.3 隐变量 | 第23-24页 |
| 2.1.4 带隐变量马尔可夫随机场的对数似然梯度 | 第24页 |
| 2.2 受限玻尔兹曼机 | 第24-29页 |
| 2.2.1 二元-二元受限玻尔兹曼机 | 第25-26页 |
| 2.2.2 高斯-二元受限玻尔兹曼机 | 第26-28页 |
| 2.2.3 受限玻尔兹曼机的表征能力 | 第28-29页 |
| 2.3 Gibbs抽样 | 第29-32页 |
| 2.3.1 马尔可夫链 | 第29-30页 |
| 2.3.2 蒙特卡洛积分 | 第30-31页 |
| 2.3.3 马尔可夫链蒙特卡洛方法 | 第31页 |
| 2.3.4 Gibbs抽样 | 第31-32页 |
| 2.3.5 Gibbs链收敛性 | 第32页 |
| 2.4 深度学习结构 | 第32-37页 |
| 2.4.1 多层神经网络 | 第32-33页 |
| 2.4.2 深层生成网络 | 第33-34页 |
| 2.4.3 深层信念网络 | 第34-35页 |
| 2.4.4 深层玻尔兹曼机 | 第35-37页 |
| 第三章 对比散度算法近似对数似然梯度误差分析 | 第37-47页 |
| 3.1 受限玻尔兹曼机的对数似然梯度 | 第37-38页 |
| 3.2 对比散度近似对数似然梯度的误差 | 第38-44页 |
| 3.2.1 马尔可夫随机场对比散度近似对数似然梯度的误差 | 第38-41页 |
| 3.2.2 受限玻尔兹曼机对比散度近似对数似然梯度的误差 | 第41-44页 |
| 3.3 持续对比散度近似对数似然梯度的误差 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 带混合误差的梯度学习算法 | 第47-61页 |
| 4.1 引言 | 第47-48页 |
| 4.2 带混合误差的梯度算法及其收敛性 | 第48-57页 |
| 4.3 带期望不为零的随机误差的梯度算法及收敛性 | 第57-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 对比散度学习算法的收敛性 | 第61-73页 |
| 5.1 引言 | 第61-62页 |
| 5.2 对比散度学习算法回顾 | 第62-63页 |
| 5.3 马尔可夫随机场对比散度算法收敛性 | 第63-66页 |
| 5.3.1 带混合误差梯度方法的收敛条件 | 第63页 |
| 5.3.2 马尔可夫随机场对比散度算法的收敛条件 | 第63-66页 |
| 5.3.3 学习率与收敛条件 | 第66页 |
| 5.4 受限玻尔兹曼机对比散度算法收敛性 | 第66-70页 |
| 5.5 实验 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 平均对比散度学习算法 | 第73-93页 |
| 6.1 引言 | 第73-75页 |
| 6.2 马尔可夫随机场平均对比散度算法 | 第75-80页 |
| 6.3 受限玻尔兹曼机平均对比散度算法 | 第80-81页 |
| 6.4 实验 | 第81-91页 |
| 6.4.1 实验设计 | 第81-82页 |
| 6.4.2 简单受限玻尔兹曼机模拟数据任务 | 第82-87页 |
| 6.4.3 复杂受限玻尔兹曼机模拟数据任务 | 第87-89页 |
| 6.4.4 MNIST数据任务 | 第89-91页 |
| 6.5 本章小结 | 第91-93页 |
| 第七章 全文总结与展望 | 第93-95页 |
| 7.1 全文总结 | 第93-94页 |
| 7.2 展望 | 第94-95页 |
| 附录 缩略语表 | 第95-97页 |
| 参考文献 | 第97-107页 |
| 致谢 | 第107-109页 |
| 攻读博士学位期间发表的学术论文目录 | 第109页 |