| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第二章 目前的深度学习算法分析 | 第14-22页 |
| 2.1 机器学习算法的分析 | 第14-17页 |
| 2.1.1 有监督学习算法的分析 | 第15-16页 |
| 2.1.2 无监督学习算法的分析 | 第16页 |
| 2.1.3 浅层学习和深度学习的对比的分析 | 第16-17页 |
| 2.2 深度学习算法的分析 | 第17-18页 |
| 2.2.1 深度学习思想的分析 | 第17-18页 |
| 2.2.2 深度学习训练过程的分析 | 第18页 |
| 2.3 深度学习常用模型的分析 | 第18-20页 |
| 2.3.1 深度信念网络 | 第19页 |
| 2.3.2 卷积神经网络 | 第19-20页 |
| 2.3.3 其他网络结构模型 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 深度信念网络DBN的分析 | 第22-30页 |
| 3.1 受限玻尔兹曼机原理的分析 | 第22-27页 |
| 3.1.1 前验概率和后验概率 | 第22-23页 |
| 3.1.2 RBM结构模型 | 第23-25页 |
| 3.1.3 RBM的训练 | 第25-27页 |
| 3.2 基于RBM的DBN算法分析 | 第27-28页 |
| 3.2.1 经典的DBN算法分析 | 第27页 |
| 3.2.2 Sparse-DBN算法分析 | 第27页 |
| 3.2.3 去噪DBN算法分析 | 第27-28页 |
| 3.3 Softmax分类器分析 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 改进的S-DBN分类网络 | 第30-38页 |
| 4.1 池化层分析 | 第30-31页 |
| 4.2 数据预处理 | 第31-32页 |
| 4.2.1 数据归一化 | 第31-32页 |
| 4.2.2 数据模块化 | 第32页 |
| 4.3 S-DBN与Sparse-DBN的结构原理对比研究 | 第32-34页 |
| 4.3.1 Sparse-DBN的结构原理 | 第32-33页 |
| 4.3.2 S-DBN的结构原理 | 第33-34页 |
| 4.4 算法实现过程 | 第34-36页 |
| 4.5 本章小结 | 第36-38页 |
| 第五章 S-DBN与Sparse-DBN分类网络对比实验分析 | 第38-48页 |
| 5.1 S-DBN和Sparse-DBN分类算法参数及性能指标 | 第38-39页 |
| 5.1.1 S-DBN分类算法参数 | 第38-39页 |
| 5.1.2 Sparse-DBN分类算法参数 | 第39页 |
| 5.1.3 S-DBN和Sparse-DBN分类算法性能指标 | 第39页 |
| 5.2 实验数据集及实验环境 | 第39-41页 |
| 5.2.1 实验数据集 | 第39-40页 |
| 5.2.2 实验环境 | 第40-41页 |
| 5.3 S-DBN与Sparse-DBN对比实验结果分析 | 第41-46页 |
| 5.3.1 Sparse-DBN实验结果分析 | 第41-43页 |
| 5.3.2 S-DBN实验结果分析 | 第43-46页 |
| 5.3.3 S-DBN和Sparse-DBN实验结果对比分析 | 第46页 |
| 5.4 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 工作总结 | 第48页 |
| 6.2 工作展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间所取得的相关科研成果 | 第54-56页 |
| 致谢 | 第56-57页 |
