使用自组织增量神经网络实现单层非监督特征学习
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩略语对照表 | 第13-14页 |
| 第一章 绪言 | 第14-17页 |
| 1.1 研究背景 | 第14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 本文工作 | 第15-16页 |
| 1.4 本文组织 | 第16-17页 |
| 第二章 相关工作 | 第17-24页 |
| 2.1 非监督学习算法简介 | 第17-19页 |
| 2.2 非监督学习算法之间的关系 | 第19-21页 |
| 2.3 非监督学习算法的应用 | 第21-24页 |
| 2.3.1 径向基函数神经网络 | 第21-22页 |
| 2.3.2 图像分类和场景识别 | 第22-24页 |
| 第三章 非监督特征学习应用于径向基函数神经网络 | 第24-37页 |
| 3.1 SOINN训练径向基函数神经网络 | 第24-27页 |
| 3.1.1 SOINN-RBF算法 | 第24页 |
| 3.1.2 算法流程解释 | 第24-26页 |
| 3.1.3 特征向量的稀疏性 | 第26-27页 |
| 3.2 在线学习径向基函数神经网络 | 第27-31页 |
| 3.2.1 节点重要性计算 | 第28-29页 |
| 3.2.2 增加隐藏层节点 | 第29-30页 |
| 3.2.3 拓展的卡尔曼滤波算法 | 第30-31页 |
| 3.2.4 删除隐藏层节点 | 第31页 |
| 3.2.5 在线的SOINN-RBF算法 | 第31页 |
| 3.3 实验与分析 | 第31-37页 |
| 3.3.1 实验一：Thyroid | 第33页 |
| 3.3.2 实验二:Insurance | 第33-34页 |
| 3.3.3 分析与总结 | 第34-37页 |
| 第四章 使用SOINN训练单层卷积神经网络 | 第37-53页 |
| 4.1 非监督特征学习框架 | 第37-38页 |
| 4.2 数据预处理 | 第38-40页 |
| 4.3 非监督学习数据分布 | 第40-41页 |
| 4.4 特征提取和分类 | 第41-45页 |
| 4.4.1 卷积 | 第42-43页 |
| 4.4.2 激活 | 第43-44页 |
| 4.4.3 池化 | 第44-45页 |
| 4.4.4 分类 | 第45页 |
| 4.5 算法伪代码 | 第45页 |
| 4.6 实验与分析 | 第45-52页 |
| 4.6.1 白化效果 | 第46-47页 |
| 4.6.2 词典大小 | 第47-49页 |
| 4.6.3 感受野大小 | 第49-50页 |
| 4.6.4 卷积与激活方法 | 第50页 |
| 4.6.5 实验结果与分析 | 第50-52页 |
| 4.7 本章小节 | 第52-53页 |
| 第五章 总结 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 简历与科研成果 | 第58-59页 |
