基于L-GEM的深度学习特征提取
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景和意义 | 第9-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文主要研究内容 | 第14页 |
| ·本文的组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 深度学习相关技术背景介绍 | 第16-27页 |
| ·关于深度学习 | 第16-18页 |
| ·深度学习的动机 | 第18页 |
| ·深层架构的训练 | 第18-20页 |
| ·自动编码器 | 第20-23页 |
| ·稀疏自动编码器 | 第23-25页 |
| ·去噪自动编码器 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于 RBFNN 的局部泛化误差模型 | 第27-33页 |
| ·径向基神经网络 | 第27-29页 |
| ·基于 RBFNN 的局部泛化误差模型 | 第29-32页 |
| ·局部泛化误差模型的特点及应用 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于 L-GEM 的浅层架构特征选择 | 第33-43页 |
| ·特征选择 | 第33页 |
| ·特征选择方法的分类及研究现状 | 第33-36页 |
| ·基于局部泛化误差模型的特征选择 | 第36页 |
| ·基于局部泛化误差的特征选择算法 | 第36-38页 |
| ·启发式前向搜索算法 | 第37-38页 |
| ·启发式后向搜索算法 | 第38页 |
| ·搜索策略实验结果与分析 | 第38-41页 |
| ·实验结论 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于 L-GEM 的深层架构特征选择 | 第43-57页 |
| ·实验数据及实验环境 | 第43-44页 |
| ·数据预处理 | 第44-46页 |
| ·深层架构特征选择 | 第46-48页 |
| ·实验结果与分析 | 第48-56页 |
| ·实验一 | 第48-51页 |
| ·实验二 | 第51-54页 |
| ·实验三 | 第54-55页 |
| ·实验四 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |
| 附件 | 第64-65页 |
