| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 深度学习的发展和理论基础 | 第12-16页 |
| 1.2.1 深度学习的由来 | 第12-13页 |
| 1.2.2 从浅层学习到深度学习 | 第13-16页 |
| 1.2.3 深度学习的训练算法 | 第16页 |
| 1.3 国内外研究现状 | 第16-19页 |
| 1.4 本论文研究内容 | 第19-21页 |
| 第2章 基于递归神经网络-受限玻尔兹曼机模型的医院门诊量预测 | 第21-35页 |
| 2.1 引言 | 第21-23页 |
| 2.2 门诊量预测模型 | 第23-29页 |
| 2.2.1 构建受限玻尔兹曼机 | 第23-25页 |
| 2.2.2 构建递归神经网络 | 第25-28页 |
| 2.2.3 递归神经网络-受限玻尔兹曼机模型 | 第28-29页 |
| 2.3 仿真实验和结果分析 | 第29-34页 |
| 2.3.1 评价指标 | 第30页 |
| 2.3.2 模型架构 | 第30-31页 |
| 2.3.3 结果分析 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 基于深度自编码网络的社团划分方法 | 第35-45页 |
| 3.1 引言 | 第35-36页 |
| 3.2 基于模块密度的社团检测 | 第36-38页 |
| 3.3 基于深度神经网络的社团划分方法设计 | 第38-41页 |
| 3.3.1 自编码网络的重构 | 第38-40页 |
| 3.3.2 深度堆栈自编码网络 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-44页 |
| 3.4.1 人造网络结果与分析 | 第42-43页 |
| 3.4.2 现实网络结果与分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于深度信念网络的社团演化预测 | 第45-55页 |
| 4.1 引言 | 第45-46页 |
| 4.2 特征提取 | 第46-50页 |
| 4.2.1 社团结构特征提取 | 第47-48页 |
| 4.2.2 网络整体特征提取 | 第48-50页 |
| 4.3 社团合并预测模型 | 第50-53页 |
| 4.3.1 特征向量的合成 | 第50-51页 |
| 4.3.2 构建深度信念网络 | 第51-52页 |
| 4.3.3 预测模型的训练算法 | 第52-53页 |
| 4.4 实验结果和分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间参加的科研项目和成果 | 第64页 |