| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 公共数据的认识及发展现状 | 第9-10页 |
| 1.2.2 公共数据特点 | 第10页 |
| 1.2.3 公共数据分析方法发展现状 | 第10-12页 |
| 1.2.4 公共数据分析存在的问题 | 第12页 |
| 1.3 本文研究内容和章节安排 | 第12-15页 |
| 第二章 深度学习和聚类的理论 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 深度学习模型 | 第15-16页 |
| 2.3 深度学习模型用于特征提取 | 第16-26页 |
| 2.3.1 PCA与t-SNE相关介绍 | 第16-20页 |
| 2.3.2 RBM原理介绍 | 第20-26页 |
| 2.3.3 多层RBM的联合 | 第26页 |
| 2.4 聚类算法 | 第26-29页 |
| 2.4.1 常用的聚类算法研究 | 第27-28页 |
| 2.4.2 k-means聚类的优缺点及适应的数据类型 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于深度学习的公共数据分析方法 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 公共数据集的构造及介绍 | 第31-33页 |
| 3.2.1 公共数据集的构造 | 第32-33页 |
| 3.2.2 公共数据集的介绍 | 第33页 |
| 3.3 公共数据分析方法 | 第33-35页 |
| 3.3.1 公共数据分析一般方法 | 第34-35页 |
| 3.3.2 结果评价指标 | 第35页 |
| 3.4 基于深度学习的公共数据分析 | 第35-39页 |
| 3.4.1 RBM特征提取 | 第36-37页 |
| 3.4.2 聚类的实现过程 | 第37-38页 |
| 3.4.3 聚类结果的可视化 | 第38-39页 |
| 3.5 实验结果及分析 | 第39-45页 |
| 3.5.1 实验结果 | 第39-42页 |
| 3.5.2 结果的分析及对比 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于深度学习的公共数据分析的优化方法 | 第47-52页 |
| 4.1 引言 | 第47页 |
| 4.2 改进的k-means聚类方法的研究 | 第47-49页 |
| 4.2.1 不同距离度量对k-means聚类结果的影响 | 第47-48页 |
| 4.2.2 改进聚类算法的原理 | 第48-49页 |
| 4.3 基于深度学习的公共数据分析的优化方法 | 第49页 |
| 4.3.1 特征的提取 | 第49页 |
| 4.3.2 聚类的优化 | 第49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.4.1 实验参数的设置 | 第49-50页 |
| 4.4.2 实验结果 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 工作总结 | 第52-53页 |
| 研究展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间取得的科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |