| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 基于RBM的深度学习理论基础 | 第16-30页 |
| 2.1 深度学习概述 | 第16-20页 |
| 2.1.1 深度学习的基本概念 | 第16-17页 |
| 2.1.2 深度学习的优势 | 第17-19页 |
| 2.1.3 深度学习主要基础算法模型 | 第19-20页 |
| 2.2 RBM相关技术 | 第20-24页 |
| 2.2.1 受限波尔兹曼机(RBM)的基本模型 | 第20-23页 |
| 2.2.2 RBM中的Gibbs采样 | 第23页 |
| 2.2.3 高斯伯努利受限玻尔兹曼机(GBRBM) | 第23-24页 |
| 2.3 CRBM相关技术 | 第24-26页 |
| 2.4 基于RBM的深度学习结构 | 第26-30页 |
| 2.4.1 基于RBM的多层堆叠模型 | 第26-28页 |
| 2.4.2 基于RBM变体的多层堆叠模型 | 第28-30页 |
| 第三章 基于RBM的深度DBN时序模型 | 第30-40页 |
| 3.1 基于RBM的深度DBN模型算法描述 | 第30-34页 |
| 3.1.1 基于RBM的深度DBN模型架构 | 第30-31页 |
| 3.1.2 基于RBM的深度DBN模型训练阶段 | 第31-32页 |
| 3.1.3 基于RBM的深度DBN模型预测阶段 | 第32页 |
| 3.1.4 基于RBM的深度DBN模型误差校正阶段 | 第32-34页 |
| 3.2 实验性能仿真分析 | 第34-40页 |
| 3.2.1 实验环境 | 第34页 |
| 3.2.2 实验性能结果 | 第34-40页 |
| 第四章 基于CRBM的深度DBN时序模型 | 第40-47页 |
| 4.1 基于CRBM的深度DBN模型算法描述 | 第40-43页 |
| 4.1.1 基于CRBM的深度DBN时间序列预测模型整体结构 | 第40-41页 |
| 4.1.2 新颖输入表达模块和输出线性加权模块 | 第41-43页 |
| 4.1.3 基于CRBM的深度DBN模型训练和预测阶段 | 第43页 |
| 4.2 实验性能仿真分析 | 第43-47页 |
| 4.2.1 实验环境以及仿真参数设置 | 第44页 |
| 4.2.2 实验性能结果对比及分析 | 第44-47页 |
| 第五章 基于RBM的移动业务建模与实现 | 第47-55页 |
| 5.1 移动业务预测相关理论 | 第47-48页 |
| 5.2 业务预测方案模型 | 第48-51页 |
| 5.2.1 业务预测原理 | 第48-49页 |
| 5.2.2 基于RBM的DBN业务预测方案 | 第49-50页 |
| 5.2.3 基于CRBM的DBN业务预测方案 | 第50-51页 |
| 5.3 仿真结果与性能分析 | 第51-55页 |
| 5.3.1 测试环境 | 第51-52页 |
| 5.3.2 测试结果与分析 | 第52-55页 |
| 第六章 总结与展望 | 第55-58页 |
| 6.1 全文总结 | 第55-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |
