基于相关性分析的自动编码器结构优化研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景介绍 | 第8-10页 |
| 1.1.1 人工神经网络 | 第8-9页 |
| 1.1.2 深度学习概念的提出 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 本文提出的优化算法 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第二章 深度学习常用模型及其应用 | 第13-21页 |
| 2.1 深度学习常用模型 | 第13-18页 |
| 2.1.1 自动编码器 | 第13-14页 |
| 2.1.2 卷积神经网络 | 第14-15页 |
| 2.1.3 递归神经网络与LSTM | 第15-18页 |
| 2.2 深度学习的应用 | 第18-21页 |
| 2.2.1 语音识别 | 第18-19页 |
| 2.2.2 图像识别 | 第19页 |
| 2.2.3 自然语言处理 | 第19-20页 |
| 2.2.4 生物信息学及其他 | 第20-21页 |
| 第三章 自动编码器模型介绍 | 第21-31页 |
| 3.1 网络参数初始化 | 第21-27页 |
| 3.1.1 受限玻尔兹曼机 | 第22-23页 |
| 3.1.2 RBM的快速学习算法 | 第23-26页 |
| 3.1.3 RBM在自动编码器中的运用 | 第26-27页 |
| 3.2 网络参数调节 | 第27-31页 |
| 3.2.1 BP算法 | 第27-29页 |
| 3.2.2 BP算法训练步骤 | 第29-31页 |
| 第四章 网络结构优化算法 | 第31-40页 |
| 4.1 早期神经网络结构优化技术 | 第31-34页 |
| 4.1.1 暴力法 | 第31页 |
| 4.1.2 修剪法 | 第31-32页 |
| 4.1.3 网络构建技术 | 第32-33页 |
| 4.1.4 其他技术 | 第33-34页 |
| 4.2 基于权重相关性分析的结构优化算法 | 第34-40页 |
| 4.2.1 相关系数的定义 | 第35-37页 |
| 4.2.2 相关系数的计算 | 第37-38页 |
| 4.2.3 结构调整 | 第38-40页 |
| 第五章 实验结果与分析 | 第40-50页 |
| 5.1 参数选择 | 第41-44页 |
| 5.1.1 RBM训练次数选择 | 第41-42页 |
| 5.1.2 相关系数阈值选择 | 第42-44页 |
| 5.2 结果评估 | 第44-50页 |
| 5.2.1 重构误差评估 | 第44-47页 |
| 5.2.2 距离矩阵相关系数评估 | 第47-50页 |
| 第六章 总结和展望 | 第50-51页 |
| 6.1 本文总结 | 第50页 |
| 6.2 研究展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 在校期间研究成果 | 第54-55页 |
| 致谢 | 第55页 |
