基于随机森林的深度网络模型及其在图像分类上的应用
| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第14-24页 |
| 1.1 课题来源 | 第14页 |
| 1.2 研究背景及意义 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-22页 |
| 1.4 主要研究内容 | 第22页 |
| 1.5 论文组织结构 | 第22-24页 |
| 2 基础理论 | 第24-39页 |
| 2.1 神经网络模型 | 第24-27页 |
| 2.2 自动编码器 | 第27-30页 |
| 2.3 深度置信网 | 第30-32页 |
| 2.4 卷积神经网络 | 第32-38页 |
| 2.5 本章小结 | 第38-39页 |
| 3 CNN结合RF的混合模型研究 | 第39-49页 |
| 3.1 从决策树到随机森林 | 第40-41页 |
| 3.2 混合深度学习模型C-RF | 第41-43页 |
| 3.3 实验及其结果分析 | 第43-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于KPCANet的图像分类方法研究 | 第49-66页 |
| 4.1 极速学习机 | 第50-51页 |
| 4.2 主成分分析网络 | 第51-54页 |
| 4.3 混合模型 | 第54-57页 |
| 4.4 实验及其结果分析 | 第57-61页 |
| 4.5 更多在图像分类上的应用 | 第61-64页 |
| 4.6 本章小结 | 第64-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 作者简历 | 第74-76页 |
| 学位论文数据集 | 第76页 |
