| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 选题依据、研究背景及意义 | 第11-12页 |
| 1.1.1 选题依据 | 第11页 |
| 1.1.2 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 情感分类研究现状 | 第12-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.3 本文主要研究内容及安排 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 2 图像情感分类及深度学习的相关研究 | 第18-23页 |
| 2.1 图像情感分类基本流程 | 第18-19页 |
| 2.2 人工神经网络及深度学习相关算法 | 第19-22页 |
| 2.2.1 人工神经网络模型 | 第19-21页 |
| 2.2.2 受限玻尔兹曼机（Restricted Boltzmann Machine, RBM） | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 基于多新息理论的深度信念网络改进算法 | 第23-37页 |
| 3.1 深度信念网络模型 | 第23-25页 |
| 3.1.1 DBN网络预训练过程 | 第24页 |
| 3.1.2 DBN网络微调过程 | 第24-25页 |
| 3.1.3 DBN网络测试过程 | 第25页 |
| 3.2 多新息辨识理论 | 第25-26页 |
| 3.3 基于多新息理论的深度信念网络改进算法 | 第26-31页 |
| 3.4 实验结果分类 | 第31-36页 |
| 3.4.1 实验环境 | 第31页 |
| 3.4.2 基于MNIST数据集的仿真 | 第31-33页 |
| 3.4.3 基于Blog数据集的仿真 | 第33-34页 |
| 3.4.4 基于Caltech101数据集的仿真 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于卷积神经网络的图像情感分类改进算法 | 第37-52页 |
| 4.1 卷积神经网络算法 | 第37-40页 |
| 4.1.1 CNN网络前向传播过程 | 第38-40页 |
| 4.1.2 CNN网络反向传播过程 | 第40页 |
| 4.2 基于多新息理论的卷积神经网络改进算法 | 第40-45页 |
| 4.2.1 网络结构 | 第40-42页 |
| 4.2.2 卷积层 | 第42-43页 |
| 4.2.3 下采样层 | 第43-44页 |
| 4.2.4 全连接层 | 第44-45页 |
| 4.3 仿真结果与分析 | 第45-50页 |
| 4.3.1 实验环境 | 第46页 |
| 4.3.2 数据收集 | 第46页 |
| 4.3.3 Art Photo数据集 | 第46-47页 |
| 4.3.4 FlickrEmotion数据集 | 第47-48页 |
| 4.3.5 Emotion数据集 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第61-62页 |
| 致谢 | 第62-64页 |