基于全噪声自动编码器的深度神经网络优化算法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 深度学习基本模型概述 | 第14-23页 |
| 2.1 人工神经网络与深度学习 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-17页 |
| 2.3 受限玻尔兹曼机 | 第17-18页 |
| 2.4 自动编码器及其改进 | 第18-22页 |
| 2.4.1 自动编码器 | 第19-20页 |
| 2.4.2 稀疏自动编码器 | 第20-21页 |
| 2.4.3 降噪自动编码器 | 第21-22页 |
| 2.4.4 收缩自动编码器 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 堆栈式自动编码神经网络 | 第23-35页 |
| 3.1 深度学习与特征提取 | 第23页 |
| 3.2 堆栈式自编码神经网络的训练算法 | 第23-29页 |
| 3.2.1 反向传导算法 | 第25-27页 |
| 3.2.2 逐层贪婪预训练 | 第27-28页 |
| 3.2.3 模型微调 | 第28-29页 |
| 3.3 基于自动编码器的深度神经网络改进 | 第29-34页 |
| 3.3.1 全噪声自动编码器 | 第30-31页 |
| 3.3.2 堆栈式全噪声自动编码器 | 第31-32页 |
| 3.3.3 模型训练过程 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 实验结果和分析 | 第35-43页 |
| 4.1 实验环境与实验数据集 | 第35-38页 |
| 4.2 模型参数与实验过程 | 第38-40页 |
| 4.3 实验结果与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 总结与展望 | 第43-45页 |
| 5.1 工作总结 | 第43页 |
| 5.2 工作展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 附录1 攻读学位期间发表的论文 | 第50-51页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第51-52页 |
| 详细摘要 | 第52-56页 |
