| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 支持向量机方法的研究现状 | 第8-9页 |
| 1.2.2 深度学习的研究现状 | 第9-10页 |
| 1.2.3 基于支持向量机与概率输出网络的深度学习研究现状 | 第10-11页 |
| 1.3 本文主要工作和研究内容 | 第11-13页 |
| 2 基于支持向量机与分类概率输出网络的深度学习 | 第13-39页 |
| 2.1 引言 | 第13页 |
| 2.2 支持向量机分类方法与分类概率输出网络 | 第13-30页 |
| 2.2.1 统计学习理论 | 第13-15页 |
| 2.2.2 支持向量机分类原理 | 第15-19页 |
| 2.2.3 支持向量机分类仿真 | 第19-22页 |
| 2.2.4 统计方法基础 | 第22-24页 |
| 2.2.5 分类概率输出网络 | 第24-26页 |
| 2.2.6 基于支持向量机与概率输出网络的分类模型 | 第26-28页 |
| 2.2.7 基于支持向量机与概率输出网络的分类模型仿真 | 第28-30页 |
| 2.3 基于支持向量机与分类概率输出网络的深度学习 | 第30-33页 |
| 2.3.1 模型介绍 | 第30-31页 |
| 2.3.2 模型仿真 | 第31-33页 |
| 2.4 实验对比 | 第33-37页 |
| 2.4.1 BP神经网络 | 第33-35页 |
| 2.4.2 深度学习 | 第35-36页 |
| 2.4.3 实验对比 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 3 基于支持向量机与回归概率输出网络的深度学习 | 第39-59页 |
| 3.1 引言 | 第39页 |
| 3.2 支持向量机回归方法与回归概率输出网络 | 第39-48页 |
| 3.2.1 支持向量机回归原理 | 第39-41页 |
| 3.2.2 支持向量机回归仿真 | 第41-45页 |
| 3.2.3 回归概率输出网络 | 第45-46页 |
| 3.2.4 基于支持向量机与概率输出网络的回归模型 | 第46-47页 |
| 3.2.5 基于支持向量机与概率输出网络的回归模型仿真 | 第47-48页 |
| 3.3 基于支持向量机与回归概率输出网络的深度学习 | 第48-53页 |
| 3.3.1 模型介绍 | 第48-49页 |
| 3.3.2 模型仿真 | 第49-53页 |
| 3.4 实验对比 | 第53-57页 |
| 3.4.1 BP神经网络 | 第53页 |
| 3.4.2 深度学习 | 第53-54页 |
| 3.4.3 多元线性回归 | 第54-55页 |
| 3.4.4 实验对比 | 第55-57页 |
| 3.5 本章小结 | 第57-59页 |
| 4 总结与展望 | 第59-61页 |
| 4.1 研究总结 | 第59页 |
| 4.2 研究展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |
