神经网络降维算法研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 本文符号约定 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 背景 | 第10-11页 |
| 1.1.2 意义 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.3 本文主要工作 | 第16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 神经网络降维基础研究 | 第17-30页 |
| 2.1 稀疏编码理论 | 第17-20页 |
| 2.2 神经网络降维 | 第20-29页 |
| 2.2.1 神经网络模型 | 第20-23页 |
| 2.2.2 自编码器 | 第23-24页 |
| 2.2.3 稀疏自编码器 | 第24-26页 |
| 2.2.4 深度神经网络 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于神经网络降维的两步式最近邻搜索 | 第30-46页 |
| 3.1 算法框架 | 第31-33页 |
| 3.2 算法细节 | 第33-42页 |
| 3.2.1 局部流形编码 | 第33-38页 |
| 3.2.2 神经网络哈希 | 第38-40页 |
| 3.2.3 逆向特征搜索 | 第40-42页 |
| 3.3 实验与分析 | 第42-45页 |
| 3.3.1 实验数据集 | 第42-43页 |
| 3.3.2 评判基准 | 第43-44页 |
| 3.3.3 性能 | 第44-45页 |
| 3.3.4 验证：逆向特征搜索 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于神经网络的虹膜数据降维 | 第46-67页 |
| 4.1 算法框架 | 第47-50页 |
| 4.2 算法细节 | 第50-57页 |
| 4.2.1 降维思路 | 第50-52页 |
| 4.2.2 判别参数化t-sne | 第52-55页 |
| 4.2.3 双重编码 | 第55-57页 |
| 4.3 实验与分析 | 第57-62页 |
| 4.3.1 实验数据集 | 第58-59页 |
| 4.3.2 性能 | 第59-60页 |
| 4.3.3 与其他降维算法对比 | 第60-62页 |
| 4.4 进一步讨论 | 第62-66页 |
| 4.4.1 神经网络复杂性对性能的影响 | 第62-63页 |
| 4.4.2 超参数对性能的影响 | 第63-64页 |
| 4.4.3 增量性讨论 | 第64-65页 |
| 4.4.4 其他虹膜识别算法对比 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |
