基于深度学习的多模态数据特征提取与选择方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容及主要成果 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第2章 相关工作综述 | 第14-25页 |
| 2.1 单模态环境中的特征提取方法 | 第14-17页 |
| 2.1.1 手工提取规则设计用于特征提取 | 第14-15页 |
| 2.1.2 线性映射方法用于低维特征提取 | 第15-16页 |
| 2.1.3 非线性映射方法用于低维特征提取 | 第16-17页 |
| 2.2 深度神经网络在特征学习中的应用 | 第17-22页 |
| 2.2.1 深度学习的方法 | 第17-18页 |
| 2.2.2 深度置信网络 | 第18-20页 |
| 2.2.3 深度卷积神经网络 | 第20-21页 |
| 2.2.4 深度自动编码机 | 第21-22页 |
| 2.3 深度神经网络在多模态特征提取中的应用 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于半监督多模态神经网络的特征提取方法 | 第25-38页 |
| 3.1 多模态融合特征提取的应用背景 | 第25-26页 |
| 3.2 多模态共享融合特征提取方法 | 第26-27页 |
| 3.3 基于深度学习的多模态融合特征提取 | 第27-32页 |
| 3.3.1 模型结构设计 | 第28-29页 |
| 3.3.2 根部神经网络的同构特征提取 | 第29-31页 |
| 3.3.3 基于自编码机的半监督融合特征学习 | 第31-32页 |
| 3.4 实验设计 | 第32-34页 |
| 3.4.1 实验数据集描述 | 第33-34页 |
| 3.4.2 实验设置 | 第34页 |
| 3.5 实验结果分析 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第4章 结合深度学习与结构化稀疏的特征选择方法 | 第38-56页 |
| 4.1 多模态特征选择的应用背景 | 第38-40页 |
| 4.2 多模态环境下特征选择常见算法 | 第40-41页 |
| 4.3 结合深度学习与结构化稀疏的特征选择模型 | 第41-48页 |
| 4.3.1 模型总体结构 | 第41-43页 |
| 4.3.2 多模态深度降噪自动编码机 | 第43-46页 |
| 4.3.3 同构多模态特征的评价与选择 | 第46-48页 |
| 4.4 实验设计 | 第48-51页 |
| 4.4.1 实验数据集描述 | 第48-49页 |
| 4.4.2 实验设置 | 第49-51页 |
| 4.5 实验结果分析 | 第51-53页 |
| 4.6 本章小结 | 第53-56页 |
| 第5章 总结与展望 | 第56-57页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63-64页 |
