基于免疫卷积神经网络的深度学习研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究目的与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 深度学习在图像处理领域研究现状 | 第12-14页 |
| 1.2.2 深度学习在语音识别领域研究现状 | 第14页 |
| 1.2.3 深度学习在自然语言处理领域研究现状 | 第14-15页 |
| 1.3 主要研究内容和创新点 | 第15-16页 |
| 1.4 论文的章节安排 | 第16-17页 |
| 第二章 深度学习理论研究 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 深度学习原理 | 第17-22页 |
| 2.2.1 卷积神经网络 | 第17-18页 |
| 2.2.2 稀疏编码器模型 | 第18-20页 |
| 2.2.3 分类器 | 第20-21页 |
| 2.2.4 深度网络训练 | 第21-22页 |
| 2.3 数据增强 | 第22-25页 |
| 2.3.1 基于空间位置的仿射变换 | 第22-23页 |
| 2.3.2 基于像素值的仿射变换 | 第23页 |
| 2.3.3 在CIFAR-10数据集上的实验结果 | 第23-25页 |
| 2.4 深度神经网络的可视化技术 | 第25-28页 |
| 2.4.1 卷积神经网络可视化技术 | 第25-27页 |
| 2.4.2 降维可视化技术 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 第三章 基于迁移学习的深度表征适配方法 | 第29-35页 |
| 3.1 引言 | 第29页 |
| 3.2 迁移理论 | 第29-30页 |
| 3.3 不变去噪编码器 | 第30-31页 |
| 3.4 深度适配方法在图像分类上的应用 | 第31-34页 |
| 3.4.1 NORB和MNIST图像数据集 | 第32页 |
| 3.4.2 实验结果及分析 | 第32-34页 |
| 3.5 小结 | 第34-35页 |
| 第四章 基于多标签卷积神经网络的深度学习模型 | 第35-43页 |
| 4.1 引言 | 第35页 |
| 4.2 多标签卷积神经网络模型 | 第35-38页 |
| 4.2.1 模型建模 | 第36页 |
| 4.2.2 标签语义 | 第36-38页 |
| 4.3 多标签数据集CIFAR-100 | 第38-39页 |
| 4.4 实验结果及分析 | 第39-41页 |
| 4.4.1 对比实验 | 第40-41页 |
| 4.4.2 结果分析 | 第41页 |
| 4.5 小结 | 第41-43页 |
| 第五章 基于免疫理论的卷积神经网络模型 | 第43-56页 |
| 5.1 引言 | 第43页 |
| 5.2 人工免疫记忆模型 | 第43-44页 |
| 5.3 基于免疫理论的卷积神经网络模型 | 第44-50页 |
| 5.3.1 数据集 | 第45-46页 |
| 5.3.2 模型建模 | 第46-47页 |
| 5.3.3 亲和力函数 | 第47-49页 |
| 5.3.4 模型训练 | 第49-50页 |
| 5.4 实验结果与分析 | 第50-54页 |
| 5.4.1 对比实验 | 第50-51页 |
| 5.4.2 实验分析 | 第51-54页 |
| 5.5 小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 附录：攻读硕士期间参加的项目及成果 | 第64页 |
