| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文研究目的和研究内容 | 第12-13页 |
| 1.3.1 研究目的 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.4 论文的结构安排 | 第13-15页 |
| 2 自动编码器及逻辑回归 | 第15-23页 |
| 2.1 自动编码器（Auto-Encoder） | 第15-18页 |
| 2.2 稀疏自动编码器（Sparse Auto-Encoder） | 第18-20页 |
| 2.2.1 稀疏性定义 | 第18页 |
| 2.2.2 稀疏编码过程 | 第18-19页 |
| 2.2.3 稀疏自动编码器 | 第19-20页 |
| 2.3 逻辑回归分类器（LR） | 第20-22页 |
| 2.3.1 相关概念介绍 | 第20-21页 |
| 2.3.2 逻辑回归分类模型 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于自动编码器的两阶段分离学习 | 第23-32页 |
| 3.1 学习模式介绍 | 第23-25页 |
| 3.1.1 监督学习 | 第23页 |
| 3.1.2 非监督学习 | 第23-24页 |
| 3.1.3 半监督学习 | 第24-25页 |
| 3.1.4 分类器 | 第25页 |
| 3.2 两阶段分离学习框架 | 第25-27页 |
| 3.3 非监督特征表示学习 | 第27-29页 |
| 3.4 有监督分类学习 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 4 半监督自动编码器联合学习模型 | 第32-41页 |
| 4.1 分离学习和联合学习的实例 | 第32-33页 |
| 4.2 自动编码器和逻辑回归的联合学习 | 第33-35页 |
| 4.3 半监督的自动编码器（Semi-Supervised Auto-Encoder，SSA） | 第35-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 算法实验的设计思路以及实验结论 | 第41-49页 |
| 5.1 实验环境 | 第41页 |
| 5.2 实验数据来源 | 第41-42页 |
| 5.3 实验准备 | 第42-43页 |
| 5.3.1 对比基准方法 | 第42-43页 |
| 5.3.2 模型初始化 | 第43页 |
| 5.3.3 模型参数 | 第43页 |
| 5.4 实验性能指标 | 第43-44页 |
| 5.5 实验结果 | 第44-48页 |
| 5.5.1 输出误差比较 | 第44-45页 |
| 5.5.2 隐层神经元数量对分类效果影响研究 | 第45-46页 |
| 5.5.3 迭代次数和训练数据比例 | 第46-48页 |
| 5.6 本章小结 | 第48-49页 |
| 6 总结及展望 | 第49-51页 |
| 6.1 本文总结 | 第49-50页 |
| 6.2 本文展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 作者在硕士学位期间发表的学术论文 | 第56页 |