基于聚类算法的深度学习训练改进研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 聚类算法研究现状 | 第16-17页 |
| 1.2.2 深度学习研究现状 | 第17-18页 |
| 1.3 本文主要研究内容及章节安排 | 第18-21页 |
| 第二章 基于叠加信息熵值场的游走数据聚类算法 | 第21-31页 |
| 2.1 经典聚类算法分析 | 第21页 |
| 2.2 信息熵值场聚类方法 | 第21-26页 |
| 2.2.1 信息熵计算 | 第21-22页 |
| 2.2.2 数据游走 | 第22-23页 |
| 2.2.3 基于信息熵场场强的样本聚类 | 第23-25页 |
| 2.2.4 基于叠加信息熵场的样本聚类 | 第25-26页 |
| 2.3 实验结果对比 | 第26-29页 |
| 2.4 小结 | 第29-31页 |
| 第三章 聚类算法的特征表达分析 | 第31-41页 |
| 3.1 k-means矩阵分解的证明 | 第31-32页 |
| 3.2 特征表达学习 | 第32-35页 |
| 3.3 聚类算法的特征表达学习 | 第35-39页 |
| 3.3.1 k-means算法 | 第35-36页 |
| 3.3.2 K近邻算法 | 第36页 |
| 3.3.3 GMM算法 | 第36-37页 |
| 3.3.4 熵聚类算法 | 第37页 |
| 3.3.5 实验结果分析 | 第37-39页 |
| 3.4 小结 | 第39-41页 |
| 第四章 基于聚类的深度网络改进 | 第41-61页 |
| 4.1 卷积的特征表达学习 | 第41-43页 |
| 4.1.1 卷积简介 | 第42页 |
| 4.1.2 特征表达学习与卷积的关系 | 第42-43页 |
| 4.2 CNN网络卷积核参数分析 | 第43-44页 |
| 4.3 深度网络改进 | 第44-46页 |
| 4.3.1 深度学习优化原理及梯度下降 | 第44-45页 |
| 4.3.2 深度学习改进思路 | 第45-46页 |
| 4.4 实验对比 | 第46-59页 |
| 4.4.1 钼靶标记乳腺图像实验对比 | 第47-55页 |
| 4.4.2 核磁扫描脑部图像实验对比 | 第55-59页 |
| 4.5 小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
