| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-21页 |
| 1.1 课题研究背景 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 国内外人脸识别研究现状 | 第13-15页 |
| 1.2.2 国内外深度学习方法研究现状 | 第15-16页 |
| 1.2.3 基于深度学习方法的生物特征识别应用的研究现状 | 第16-18页 |
| 1.3 课题研究主要内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 2 深度学习模型进展研究 | 第21-40页 |
| 2.1 人工神经网络(ANN) | 第21-25页 |
| 2.1.1 单个神经元 | 第21-22页 |
| 2.1.2 神经网络模型 | 第22-24页 |
| 2.1.3 前馈反向传播算法 | 第24-25页 |
| 2.2 常见深度学习模型 | 第25-30页 |
| 2.2.1 卷积神经网络(CNNs) | 第27-28页 |
| 2.2.2 玻尔兹曼机(BM) | 第28-30页 |
| 2.3 玻尔兹曼机衍生模型 | 第30-39页 |
| 2.3.1 限制玻尔兹曼机(RBM) | 第30-34页 |
| 2.3.2 深度信念网络(DBN) | 第34-35页 |
| 2.3.3 卷积限制玻尔兹曼机(Convolutional RBM) | 第35-37页 |
| 2.3.4 高斯玻尔兹曼机(Gaussian-RBM) | 第37-38页 |
| 2.3.5 单一门限的玻尔兹曼机(Gated-RBM) | 第38-39页 |
| 2.4 本章小结 | 第39-40页 |
| 3 卷积门限玻尔兹曼机 | 第40-45页 |
| 3.1 门限玻尔兹曼机结构 | 第40-43页 |
| 3.1.1 玻尔兹曼机模型总结 | 第40-41页 |
| 3.1.2 门限玻尔兹曼机模型结构 | 第41-42页 |
| 3.1.3 卷积门限玻尔兹曼机模型结构 | 第42-43页 |
| 3.2 门限玻尔兹曼机模型参数调整 | 第43-44页 |
| 3.3 本章小结 | 第44-45页 |
| 4 实验仿真及结果分析 | 第45-55页 |
| 4.1 实验仿真 | 第45-49页 |
| 4.1.1 训练效果 | 第45-47页 |
| 4.1.2 去噪实验效果 | 第47-49页 |
| 4.2 识别实验 | 第49-53页 |
| 4.2.1 Yale人脸数据库 | 第49-51页 |
| 4.2.2 AR人脸数据库 | 第51-52页 |
| 4.2.3 Yale Extended B人脸数据库 | 第52-53页 |
| 4.3 调节参数总结 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
