| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 非监督深度学习与优化算法背景及意义 | 第10-13页 |
| 1.1.1 非监督深度学习研究背景 | 第10-11页 |
| 1.1.2 优化算法研究背景 | 第11-12页 |
| 1.1.3 研究的意义和目的 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 非监督深度学习的国内外研究现状 | 第13页 |
| 1.2.2 优化算法的国内外研究现状 | 第13-14页 |
| 1.3 本文的研究内容及结构安排 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 结构安排 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 非监督深度学习与优化算法相关理论 | 第17-25页 |
| 2.1 深度学习 | 第17-18页 |
| 2.1.1 深度学习优势 | 第17-18页 |
| 2.1.2 深度学习结构 | 第18页 |
| 2.2 非监督深度学习 | 第18-21页 |
| 2.2.1 自动编码器 | 第18-19页 |
| 2.2.2 深度信念网络 | 第19-20页 |
| 2.2.3 深度玻尔兹曼机 | 第20-21页 |
| 2.3 优化理论基本概念 | 第21-22页 |
| 2.3.1 优化问题数学建模 | 第21页 |
| 2.3.2 优化算法搜索目标 | 第21-22页 |
| 2.4 优化算法 | 第22-24页 |
| 2.4.1 遗传算法 | 第22页 |
| 2.4.2 差分进化算法 | 第22-23页 |
| 2.4.3 粒子群优化算法 | 第23页 |
| 2.4.4 蝙蝠算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 改进的蝙蝠算法 | 第25-40页 |
| 3.1 蝙蝠算法描述 | 第25-26页 |
| 3.1.1 蝙蝠算法全局寻优 | 第25页 |
| 3.1.2 蝙蝠算法局部寻优 | 第25-26页 |
| 3.2 蝙蝠算法实现步骤 | 第26页 |
| 3.3 蝙蝠算法存在的问题 | 第26-27页 |
| 3.4 IDBA算法 | 第27-31页 |
| 3.4.1 IDBA算法全局寻优策略 | 第27-28页 |
| 3.4.2 IDBA算法指引方向分析 | 第28-29页 |
| 3.4.3 IDBA算法局部寻优策略 | 第29-30页 |
| 3.4.4 IDBA算法响度和脉冲率更新 | 第30-31页 |
| 3.4.5 IDBA算法优胜劣汰策略 | 第31页 |
| 3.5 IDBA算法聚类应用实现步骤 | 第31-32页 |
| 3.6 实验及结果分析 | 第32-39页 |
| 3.6.1 数据集 | 第32-33页 |
| 3.6.2 聚类准则及聚类评价指标 | 第33页 |
| 3.6.3 算法参数设置 | 第33-34页 |
| 3.6.4 实验1 | 第34-36页 |
| 3.6.5 实验2 | 第36-38页 |
| 3.6.6 实验分析 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 基于蝙蝠算法的DBN网络结构确定方法研究 | 第40-54页 |
| 4.1 受限玻尔兹曼机(RBM) | 第40-44页 |
| 4.1.1 受限玻尔兹曼机结构 | 第40-41页 |
| 4.1.2 RBM无监督训练 | 第41-44页 |
| 4.2 深度信念网络(DBN) | 第44-45页 |
| 4.2.1 深度信念网络结构 | 第44页 |
| 4.2.2 深度信念网络训练 | 第44-45页 |
| 4.3 基于蝙蝠算法的DBN网络结构确定算法 | 第45-48页 |
| 4.3.1 DBN网络结构模型评价标准 | 第45页 |
| 4.3.2 DBN结构确定与优化一体化算法 | 第45-47页 |
| 4.3.3 DBN结构确定与优化一体化算法流程图 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-53页 |
| 4.4.1 数据集 | 第48页 |
| 4.4.2 相关参数 | 第48页 |
| 4.4.3 极大值标准化处理原始数据聚类 | 第48页 |
| 4.4.4 DBN结构确定与IDBA一体化算法中的聚类 | 第48-52页 |
| 4.4.5 实验分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于DBNSD算法的DBN网络结构确定方法研究 | 第54-71页 |
| 5.1 Lipschitz连续条件下的收敛 | 第54-55页 |
| 5.2 DBNSD算法增加隐含层神经元 | 第55-59页 |
| 5.2.1 随机设定的隐含层神经元个数 | 第56页 |
| 5.2.2 单个样本角度增加隐含层神经元 | 第56页 |
| 5.2.3 所有样本角度增加隐含层神经元 | 第56-58页 |
| 5.2.4 DBNSD算法中层数增加方法 | 第58-59页 |
| 5.3 一体化算法中优化算法的聚类应用 | 第59页 |
| 5.4 DBN结构确定与优化一体化算法流程图 | 第59-60页 |
| 5.5 实验及结果分析 | 第60-70页 |
| 5.5.1 数据集 | 第60页 |
| 5.5.2 相关参数 | 第60-61页 |
| 5.5.3 对归一化的数据聚类测试 | 第61页 |
| 5.5.4 文献[70]方法提取的特征对应的聚类测试 | 第61-62页 |
| 5.5.5 一体化算法中的聚类测试 | 第62-69页 |
| 5.5.6 实验分析 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 主要结论 | 第71-72页 |
| 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第77页 |
