| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 本课题研究背景 | 第12-13页 |
| 1.2 深度学习研究现状分析 | 第13-14页 |
| 1.3 本文的主要工作及创新点 | 第14-15页 |
| 1.4 本文各章内容安排 | 第15-16页 |
| 第二章 深度学习及极限学习机概述 | 第16-30页 |
| 2.1 什么是深度学习 | 第16页 |
| 2.2 浅层学习和深度学习 | 第16-17页 |
| 2.3 深度学习的常用方法 | 第17-25页 |
| 2.3.1 深度信念网络 | 第17-19页 |
| 2.3.2 栈式自编码器 | 第19-20页 |
| 2.3.3 卷积神经网络 | 第20-25页 |
| 2.4 极限学习机 | 第25-30页 |
| 第三章 基于mlpconv层有监督预训练的NIN模型 | 第30-49页 |
| 3.1 引言 | 第30页 |
| 3.2 基于mlpconv层的有监督预训练的NIN模型 | 第30-38页 |
| 3.2.1 Network In Network模型 | 第32-34页 |
| 3.2.2 Batch Normalization技术 | 第34页 |
| 3.2.3 适用于NIN模型的有监督预训练算法 | 第34-38页 |
| 3.3 实验及分析 | 第38-48页 |
| 3.3.1 数据预处理 | 第39-40页 |
| 3.3.2 MNIST | 第40-41页 |
| 3.3.3 CIFAR-10 | 第41-44页 |
| 3.3.4 CIFAR-100 | 第44-45页 |
| 3.3.5 SVHN | 第45-47页 |
| 3.3.6 与其他监督（预）训练模型的比较 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于递归视觉特征表示学习的深度ELM模型 | 第49-70页 |
| 4.1 引言 | 第49-50页 |
| 4.2 R2SVM模型 | 第50-52页 |
| 4.3 融合Stacking和CELM的算法 | 第52-56页 |
| 4.3.1 CELM | 第53-54页 |
| 4.3.2 R2CELM | 第54-56页 |
| 4.4 融合Stacking和ELM-LRF的算法 | 第56-62页 |
| 4.4.1 ELM-LRF | 第57-59页 |
| 4.4.2 R2ELM-LRF | 第59-62页 |
| 4.5 实验与分析 | 第62-68页 |
| 4.5.1 Spiral | 第62-63页 |
| 4.5.2 MNIST | 第63-65页 |
| 4.5.3 CIFAR-10 | 第65-66页 |
| 4.5.4 NORB | 第66-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 全文工作总结 | 第70页 |
| 5.2 未来工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 硕士研究生期间完成的学术论文 | 第77页 |
