| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-22页 |
| §1.1 研究背景 | 第11-13页 |
| 1.1.1 新兴技术的概念及其特征 | 第11-13页 |
| 1.1.2 研究意义 | 第13页 |
| §1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 新兴技术的分类 | 第13-14页 |
| 1.2.2 新兴技术的识别方法 | 第14-18页 |
| 1.2.3 深度学习在识别领域中的应用 | 第18-20页 |
| §1.3 研究内容 | 第20-21页 |
| §1.4 论文结构 | 第21-22页 |
| 第二章 算法的理论分析 | 第22-36页 |
| §2.1 聚类和分类方法概述 | 第22-31页 |
| 2.1.1 聚类方法 | 第23-25页 |
| 2.1.2 分类方法 | 第25-31页 |
| §2.2 深度学习概述 | 第31-34页 |
| 2.2.1 深度学习的网络结构及参数训练方式 | 第31-32页 |
| 2.2.2 深度学习的训练策略 | 第32页 |
| 2.2.3 深度学习算法的评估标准及参数学习 | 第32-34页 |
| §2.3 受限玻尔兹曼机 | 第34-35页 |
| §2.4 本章小结 | 第35-36页 |
| 第三章 新兴技术识别算法的设计及构建 | 第36-52页 |
| §3.1 特征选取 | 第36-39页 |
| 3.1.1 特征及其概述 | 第36-39页 |
| §3.2 数据的预处理 | 第39-44页 |
| 3.2.1 索引 | 第39页 |
| 3.2.2 聚类 | 第39-40页 |
| 3.2.3 类别标注 | 第40-44页 |
| §3.3 基于深度学习的新兴技术识别算法 | 第44-51页 |
| 3.3.1 构造数据矩阵 | 第45-46页 |
| 3.3.2 重构算法的选取以及参数学习 | 第46-50页 |
| 3.3.3 深度学习模型的反馈微调 | 第50-51页 |
| §3.4 本章小结 | 第51-52页 |
| 第四章 算法评估准则及实验对比分析 | 第52-64页 |
| §4.1 算法评估准则 | 第52-53页 |
| §4.2 数据集的获取 | 第53-55页 |
| 4.2.1 网上收集数据 | 第53页 |
| 4.2.2 利用网络爬虫获取数据 | 第53-55页 |
| §4.3 实验结果及对比分析 | 第55-63页 |
| 4.3.1 深度学习算法参数的训练 | 第55-59页 |
| 4.3.2 基于深度学习的新兴技术识别算法实验结果 | 第59-60页 |
| 4.3.3 新兴技术识别算法与其它经典算法的简单对比 | 第60-63页 |
| §4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| §5.1 全文总结 | 第64-65页 |
| §5.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间的主要研究成果 | 第73页 |