| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第18-39页 |
| 1.1 问题提出与研究意义 | 第18-21页 |
| 1.2 国内外相关研究进展 | 第21-35页 |
| 1.2.1 深度学习概述 | 第21-23页 |
| 1.2.2 典型的深度学习模型 | 第23-31页 |
| 1.2.3 深度学习模型在大数据特征学习方面的研究进展 | 第31-35页 |
| 1.3 本文主要内容 | 第35-37页 |
| 1.4 论文的组织安排 | 第37-39页 |
| 2 基于张量数据表示的基本深度计算模型 | 第39-58页 |
| 2.1 引言 | 第39-40页 |
| 2.2 问题描述 | 第40-41页 |
| 2.3 基于张量的数据表示 | 第41-43页 |
| 2.4 高阶自动编码机模型 | 第43-45页 |
| 2.5 高阶反向传播算法 | 第45-49页 |
| 2.6 基本深度计算模型 | 第49-51页 |
| 2.7 实验结果与分析 | 第51-56页 |
| 2.7.1 CUAVE数据集 | 第51-54页 |
| 2.7.2 MIR Flickr数据集 | 第54-56页 |
| 2.8 本章小结 | 第56-58页 |
| 3 增量式深度计算模型 | 第58-74页 |
| 3.1 引言 | 第58-59页 |
| 3.2 问题描述 | 第59-60页 |
| 3.3 基于参数更新的增量式高阶自动编码模型 | 第60-62页 |
| 3.4 基于结构更新的增量式高阶自动编码模型 | 第62-65页 |
| 3.5 支持增量更新的深度计算模型 | 第65页 |
| 3.6 实验结果与分析 | 第65-72页 |
| 3.6.1 STL-10数据集 | 第66-70页 |
| 3.6.2 CUAVE数据集 | 第70-72页 |
| 3.7 本章小结 | 第72-74页 |
| 4 支持隐私保护的云端安全深度计算模型 | 第74-91页 |
| 4.1 引言 | 第74-76页 |
| 4.2 问题描述 | 第76-77页 |
| 4.3 同态加密方法 | 第77-80页 |
| 4.3.1 同态加密概念 | 第77-78页 |
| 4.3.2 BGV同态加密算法 | 第78-80页 |
| 4.4 基于BGV全同态加密的安全高阶反向传播算法 | 第80-84页 |
| 4.5 实验结果与分析 | 第84-89页 |
| 4.5.1 数值分析 | 第84-86页 |
| 4.5.2 实验结果与分析 | 第86-89页 |
| 4.6 本章小结 | 第89-91页 |
| 5 基于深度计算模型的可能性聚类算法 | 第91-109页 |
| 5.1 引言 | 第91-93页 |
| 5.2 问题描述 | 第93-94页 |
| 5.3 可能性聚类算法相关工作 | 第94-96页 |
| 5.4 基于深度学习的可能性聚类算法整体框架 | 第96-97页 |
| 5.5 面向不完全数据特征学习的高阶自动编码模型 | 第97-98页 |
| 5.6 基于张量外积的特征融合 | 第98-99页 |
| 5.7 高阶可能性聚类算法 | 第99-100页 |
| 5.8 实验结果与分析 | 第100-108页 |
| 5.8.1 评估指标 | 第100-101页 |
| 5.8.2 NUS-WIDE数据集的聚类结果 | 第101-103页 |
| 5.8.3 CUAVE数据集的聚类结果 | 第103-108页 |
| 5.9 本章小结 | 第108-109页 |
| 6 结论与展望 | 第109-113页 |
| 6.1 全文工作总结 | 第109-111页 |
| 6.2 创新点总结 | 第111页 |
| 6.3 未来工作展望 | 第111-113页 |
| 参考文献 | 第113-121页 |
| 攻读博士学位期间科研项目及科研成果 | 第121-123页 |
| 致谢 | 第123-124页 |
| 作者简介 | 第124-125页 |