| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-13页 |
| 1.3 主要研究内容与组织 | 第13-15页 |
| 2 神经自回归密度估计相关理论概述 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 受限玻尔兹曼机 | 第15-19页 |
| 2.2.1 RBM模型 | 第15-16页 |
| 2.2.2 模型求解 | 第16-17页 |
| 2.2.3 RBM模型的算法 | 第17-18页 |
| 2.2.4 RBM模型的参数设置 | 第18-19页 |
| 2.3 神经自回归密度估计 | 第19-22页 |
| 2.3.1 NADE模型 | 第19-20页 |
| 2.3.2 NADE模型与RBM模型的关系 | 第20-21页 |
| 2.3.3 NADE模型的算法 | 第21-22页 |
| 2.4 监督文档神经自回归密度估计 | 第22-28页 |
| 2.4.1 DocNADE模型 | 第22-24页 |
| 2.4.2 SupDocNADE模型 | 第24-27页 |
| 2.4.3 Deep-SupDocNADE模型 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于L_1范数改进的自回归算法 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 参数范数惩罚 | 第29-32页 |
| 3.2.1 L_2范数正则化 | 第29-30页 |
| 3.2.2 L_1范数正则化 | 第30-31页 |
| 3.2.3 L_1正则化与L_2正则化的比较 | 第31-32页 |
| 3.3 波利亚科夫平均思想 | 第32页 |
| 3.4 基于L_1范数改进的自回归算法 | 第32-35页 |
| 3.4.1 改进模型思想 | 第32-33页 |
| 3.4.2 改进的算法 | 第33-34页 |
| 3.4.3 数值实验测试 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 4 基于PAS的学习模型的图片分类 | 第37-43页 |
| 4.1 引言 | 第37-38页 |
| 4.2 基于PAS的SupDocNADE模型的图片分类 | 第38-40页 |
| 4.2.1 模型构建 | 第38-39页 |
| 4.2.2 数据集描述 | 第39页 |
| 4.2.3 试验设置 | 第39-40页 |
| 4.2.4 试验结果 | 第40页 |
| 4.3 基于PAS的Deep-SupDocNADE模型的图片分类 | 第40-42页 |
| 4.3.1 试验设置 | 第40-41页 |
| 4.3.2 深度网络学习过程 | 第41页 |
| 4.3.3 试验结果 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 总结与展望 | 第43-45页 |
| 5.1 总结 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-51页 |
| 作者攻读学位期间发表学术论文及参与项目情况 | 第51页 |
| 基金项目 | 第51-53页 |
| 致谢 | 第53页 |