| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第16-25页 |
| 1.1 研究背景及意义 | 第16-20页 |
| 1.2 面临的挑战 | 第20-21页 |
| 1.3 本文的研究内容、目标、及创新点 | 第21-22页 |
| 1.4 本文的内容安排 | 第22-25页 |
| 第二章 神经网络并行化和集成及深度化技术综述 | 第25-46页 |
| 2.1 并行计算 | 第25-30页 |
| 2.1.1 神经网络的并行化模式 | 第25-27页 |
| 2.1.2 学习机制 | 第27-28页 |
| 2.1.3 训练机制 | 第28-30页 |
| 2.2 云计算技术 | 第30-31页 |
| 2.3 相关分类器的分类 | 第31-34页 |
| 2.3.1 单个分类器 | 第31-32页 |
| 2.3.2 层次分类器 | 第32-33页 |
| 2.3.3 集成分类器 | 第33-34页 |
| 2.4 深度学习 | 第34-36页 |
| 2.5 特征的降维算法 | 第36-38页 |
| 2.5.1 维数约减算法 | 第36-37页 |
| 2.5.2 特征选择算法 | 第37-38页 |
| 2.6 相关技术简述 | 第38-45页 |
| 2.6.1 基于MFCC的特征提取 | 第38页 |
| 2.6.2 主成分分析 | 第38-39页 |
| 2.6.3 线性判别分析 | 第39页 |
| 2.6.4 径向基函数 | 第39-41页 |
| 2.6.5 多分类决策化融合分类器——混合HBPNNs-HRBFNNs-SVM分类器 | 第41-42页 |
| 2.6.6 隐马尔科夫模型 | 第42页 |
| 2.6.7 支持向量机 | 第42-44页 |
| 2.6.8 Softmax回归 | 第44-45页 |
| 2.6.9 视觉注意机制 | 第45页 |
| 2.7 本章小结 | 第45-46页 |
| 第三章 在云计算集群上基于Map-Reduce的多层神经网络并行实现 | 第46-69页 |
| 3.1 引言 | 第46-48页 |
| 3.2 多层神经网络 | 第48-53页 |
| 3.2.1 串行BP算法和时间复杂度分析 | 第49-51页 |
| 3.2.2 时间复杂度分析 | 第51-53页 |
| 3.3 分布式并行算法 | 第53-59页 |
| 3.3.1 关于Hadoop | 第53-55页 |
| 3.3.2 基于Map-Reduce的BP算法 | 第55-59页 |
| 3.4 并行算法时间复杂度分析 | 第59-61页 |
| 3.4.1 Hadoop的硬件环境 | 第59页 |
| 3.4.2 时间复杂度分析 | 第59-61页 |
| 3.5. 性能分析和比较 | 第61-62页 |
| 3.5.1 加速比分析 | 第61-62页 |
| 3.5.2 最优数据节点数 | 第62页 |
| 3.5.3 最小数据节点数 | 第62页 |
| 3.6 实验结果与分析 | 第62-68页 |
| 3.6.1 实验环境 | 第62-63页 |
| 3.6.2 测试算法的收敛速度和精度 | 第63-68页 |
| 3.6.3 实验结果 | 第68页 |
| 3.7 本章小结 | 第68-69页 |
| 第四章 在云计算集群上基于Map-Reduce的多层神经网络应用研究 | 第69-94页 |
| 4.1 引言 | 第69-70页 |
| 4.2 理论基础 | 第70-80页 |
| 4.2.1 径向基函数 | 第70-73页 |
| 4.2.2 径向基函数神经网络算法实现 | 第73-75页 |
| 4.2.3 基于Map-Reduce并行化RBF网络算法 | 第75-80页 |
| 4.3 实验结果与分析 | 第80-93页 |
| 4.3.1 测试函数逼近能力和加速比实验 | 第80-82页 |
| 4.3.2 基于Map-Reduce并行化RBF人脸识别 | 第82-84页 |
| 4.3.3 基于Map-Reduce并行化RBF网络语音情感识别 | 第84-89页 |
| 4.3.4 基于Map-Reduce在云计算集群上的情感计算 | 第89-93页 |
| 4.4 本章小结 | 第93-94页 |
| 第五章 使用内嵌Softmax回归的深度信念网络和多种神经网络用于人脸识别学习的分层表示 | 第94-125页 |
| 5.1 引言 | 第94-95页 |
| 5.2 图像预处理 | 第95-97页 |
| 5.2.1 人脸图像滤波 | 第96页 |
| 5.2.2 直方图均衡化 | 第96-97页 |
| 5.2.3 图像压缩（或维度约减） | 第97页 |
| 5.3 特征提取 | 第97-99页 |
| 5.3.1 用PCA提取特征 | 第97-98页 |
| 5.3.2 用 2D-PCA提取特征 | 第98-99页 |
| 5.4 设计监督学习分类器 | 第99-107页 |
| 5.4.1 单一BP神经网络 | 第99-100页 |
| 5.4.2 集成BP神经网络 | 第100-102页 |
| 5.4.3 单一的RBF神经网络 | 第102-103页 |
| 5.4.4 集成RBF神经网络 | 第103-104页 |
| 5.4.5 支持向量机 | 第104-106页 |
| 5.4.6 多分类决策融合分类器——混合HBPNNs-HRBFNNs-SVM分类器 | 第106-107页 |
| 5.5 设计半监督学习分类器 | 第107-113页 |
| 5.5.1 问题公式化 | 第108页 |
| 5.5.2 Softmax回归 | 第108-109页 |
| 5.5.3 嵌入Softmax回归的深度信念网络 | 第109-113页 |
| 5.6 实验 | 第113-123页 |
| 5.6.1 人脸识别数据库 | 第113页 |
| 5.6.2 相关的实验 | 第113-123页 |
| 5.7 总结 | 第123-125页 |
| 第六章 总结与展望 | 第125-129页 |
| 参考文献 | 第129-143页 |
| 攻读博士学位期间取得的研究成果 | 第143-145页 |
| 致谢 | 第145-147页 |
| 附件 | 第147页 |
