| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状及分析 | 第13-15页 |
| 1.3 本文的主要工作与内容安排 | 第15-17页 |
| 1.3.1 本文的主要内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16-17页 |
| 第二章 背景知识 | 第17-38页 |
| 2.1 传统分类算法 | 第17-24页 |
| 2.2 受限玻尔兹曼机 | 第24-31页 |
| 2.2.1 基本模型结构 | 第24-28页 |
| 2.2.2 模型学习算法 | 第28-31页 |
| 2.3 受限玻尔兹曼机分类模型 | 第31-37页 |
| 2.3.1 模型结构 | 第31-32页 |
| 2.3.2 生成式训练方法(GenF) | 第32-34页 |
| 2.3.3 判别式训练方法(DisF) | 第34-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 ClassRBM的交替训练算法 | 第38-50页 |
| 3.1 ANGD算法 | 第38-41页 |
| 3.2 实验方案与参数设置 | 第41-43页 |
| 3.2.1 实验数据说明 | 第41-42页 |
| 3.2.2 实验方案与参数设置 | 第42-43页 |
| 3.3 实验结果与分析 | 第43-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 基于ClassRBM概率输出的多分类器集成算法 | 第50-57页 |
| 4.1 ClassRBM-MCI算法 | 第50-52页 |
| 4.2 实验方案与参数设置 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64-65页 |
| 致谢 | 第65-66页 |