基于递归神经网络的深度学习模型及其应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及研究现状 | 第9-12页 |
| 1.2 主要研究内容 | 第12-13页 |
| 1.3 章节安排 | 第13-15页 |
| 第二章 相关知识介绍 | 第15-27页 |
| 2.1 Sigmoid函数 | 第15页 |
| 2.2 梯度下降算法 | 第15-17页 |
| 2.2.1 批量梯度下降算法 | 第16页 |
| 2.2.2 随机梯度下降算法 | 第16-17页 |
| 2.2.3 小批量梯度下降算法 | 第17页 |
| 2.3 BP神经网络 | 第17-20页 |
| 2.4 递归神经网络 | 第20-23页 |
| 2.5 受限玻尔兹曼机 | 第23-25页 |
| 2.6 本章总结 | 第25-27页 |
| 第三章 结合递归神经网络的受限玻尔兹曼机模型 | 第27-32页 |
| 3.1 网络模型结构 | 第27-29页 |
| 3.2 学习算法 | 第29-31页 |
| 3.3 本章总结 | 第31-32页 |
| 第四章 基于R-RBM的短期电力负荷预测 | 第32-38页 |
| 4.1 训练样本的选取 | 第32页 |
| 4.2 网络的输入输出 | 第32-33页 |
| 4.3 隐含层节点及上下层节点数 | 第33-34页 |
| 4.4 负荷预测步骤 | 第34页 |
| 4.5 实验设计 | 第34-37页 |
| 4.6 本章总结 | 第37-38页 |
| 第五章 实验结果分析 | 第38-44页 |
| 5.1 学习速率和训练次数的选择 | 第38-39页 |
| 5.2 实验结果 | 第39-40页 |
| 5.3 实验结果对比与分析 | 第40-43页 |
| 5.4 本章总结 | 第43-44页 |
| 第六章 总结和展望 | 第44-46页 |
| 6.1 文章总结 | 第44-45页 |
| 6.2 展望和未来工作 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及参加科研情况 | 第49-50页 |
| 致谢 | 第50页 |
