| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 表格索引 | 第10-11页 |
| 插图索引 | 第11-12页 |
| 第一章 引言 | 第12-18页 |
| ·本章小结 | 第16-18页 |
| 第二章 背景知识 | 第18-24页 |
| ·深度学习与多层人工神经网络 | 第18-20页 |
| ·无监督预训练 | 第20-21页 |
| ·自动编码机 | 第21页 |
| ·深度网络用于分类和特征抽取 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第三章 相关工作 | 第24-30页 |
| ·原型分类与学习 | 第24页 |
| ·深度信念网络与叠层自动编码机 | 第24-26页 |
| ·降噪自动编码机 | 第26-27页 |
| ·深度网络中的半监督映射 | 第27页 |
| ·本章小结 | 第27-30页 |
| 第四章 原型自动编码机 | 第30-40页 |
| ·自动编码机 | 第30-31页 |
| ·降噪自动编码机 | 第31-32页 |
| ·原型自动编码机 | 第32-34页 |
| ·问题描述 | 第32-33页 |
| ·基本结构 | 第33-34页 |
| ·在分类任务中使用原型自动编码机 | 第34-38页 |
| ·原型自动编码机 | 第34-36页 |
| ·重构原型自动编码机 | 第36-37页 |
| ·多任务原型自动编码机 | 第37-38页 |
| ·原型自动编码机分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 深度原型网络 | 第40-46页 |
| ·利用特征再学习 | 第40-41页 |
| ·深度原型网络 | 第41-42页 |
| ·在分类任务中使用深度原型网络 | 第42页 |
| ·本章小结 | 第42-46页 |
| 第六章 原型学习实验 | 第46-58页 |
| ·实验数据集 | 第46-48页 |
| ·实验设置 | 第48-49页 |
| ·背景噪声对分类效果的影响 | 第49-50页 |
| ·实验方法 | 第49页 |
| ·结果与分析 | 第49-50页 |
| ·原型自动编码机用于分类 | 第50-51页 |
| ·实验方法 | 第50页 |
| ·结果与分析 | 第50-51页 |
| ·深度原型网络用于分类 | 第51-52页 |
| ·实验方法 | 第51页 |
| ·结果与分析 | 第51-52页 |
| ·原型网络在矩形数据集合上的分类效果 | 第52-54页 |
| ·实验方法 | 第52页 |
| ·结果与分析 | 第52-54页 |
| ·原型网络的特征抽取 | 第54-56页 |
| ·实验方法 | 第54页 |
| ·结果与分析 | 第54-56页 |
| ·原型网络的原型重构效果 | 第56-57页 |
| ·实验方法 | 第56页 |
| ·结果与分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 全文总结 | 第58-60页 |
| 附录A 采用交叉熵作为输出的网络权值推导 | 第60-62页 |
| 附录B 采用Softmax 作为输出的网络权值推导 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文目录 | 第72-74页 |