| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 深度学习的研究现状 | 第10-12页 |
| 1.2.2 图像分类技术的研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的组织与结构 | 第15-17页 |
| 第二章 深度学习的相关技术 | 第17-33页 |
| 2.1 深度学习的产生 | 第17-19页 |
| 2.2 受限玻尔兹曼机 | 第19-24页 |
| 2.2.1 RBM能量模型 | 第19-20页 |
| 2.2.2 RBM可调参数 | 第20-22页 |
| 2.2.3 RBM训练算法 | 第22-24页 |
| 2.3 典型的深度学习模型 | 第24-29页 |
| 2.3.1 卷积神经网络模型 | 第24-26页 |
| 2.3.2 深度信念网络模型 | 第26-27页 |
| 2.3.3 堆栈自编码网络模型 | 第27-29页 |
| 2.4 深度学习在图像分类上的应用 | 第29-32页 |
| 2.4.1 基于卷积神经网络的图像分类方法 | 第29-30页 |
| 2.4.2 基于深度信念网络的图像分类方法 | 第30-31页 |
| 2.4.3 深度学习的图像分类方法存在的问题 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于Kaiser窗的RBM自适应学习率调整算法 | 第33-47页 |
| 3.1 引言 | 第33-34页 |
| 3.2 相关工作 | 第34-36页 |
| 3.3 凯瑟（Kaiser）窗 | 第36-37页 |
| 3.4 基于Kaiser窗的RBM自适应学习率调整算法 | 第37-41页 |
| 3.4.1 自适应学习率调整规则 | 第37-39页 |
| 3.4.2 误差控制因子与惯性因子 | 第39-40页 |
| 3.4.3 基于Kaiser窗的RBM自适应学习率调整算法 | 第40-41页 |
| 3.5 仿真及结果分析 | 第41-46页 |
| 3.5.1 RBM重构误差 | 第42-43页 |
| 3.5.2 IRIS的分类问题 | 第43-44页 |
| 3.5.3 三维奇偶问题 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于交替迭代的改进RBM训练算法 | 第47-59页 |
| 4.1 引言 | 第47-49页 |
| 4.2 RBM模型以及问题分析 | 第49页 |
| 4.3 基于交替迭代算法的RBM改进算法 | 第49-53页 |
| 4.3.1 交替迭代计算 | 第50-52页 |
| 4.3.2 设置收敛阈值和终止阈值 | 第52页 |
| 4.3.3 基于交替迭代算法的RBM改进算法 | 第52-53页 |
| 4.4 仿真及结果分析 | 第53-58页 |
| 4.4.1 MNIST和toy数据集下的重构误差比较 | 第54-55页 |
| 4.4.2 小规模实验下log似然度比较 | 第55-57页 |
| 4.4.3 大规模实验下log似然度比较 | 第57-58页 |
| 4.4.4 算法耗时比较 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于多层RBM网络的图像分类方法 | 第59-75页 |
| 5.1 引言 | 第59-60页 |
| 5.2 人脑视觉机理及图像语义分层模型 | 第60-62页 |
| 5.3 基于多层RBM网络的图像分类识别方法 | 第62-68页 |
| 5.3.1 多层RBM网络的网络结构 | 第62-63页 |
| 5.3.2 对训练数据加入噪声 | 第63-65页 |
| 5.3.3 图像特征处理 | 第65-66页 |
| 5.3.4 基于多层RBM网络的图像分类识别方法 | 第66-68页 |
| 5.4 仿真及结果分析 | 第68-74页 |
| 5.4.1 中间隐含层单元个数确定 | 第69-70页 |
| 5.4.2 鲁棒性实验 | 第70-71页 |
| 5.4.3 CIFAR-10数据集上分类实验 | 第71-73页 |
| 5.4.4 STL-10数据集上分类实验 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 工作总结 | 第75-76页 |
| 6.2 工作展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第81-82页 |
| 致谢 | 第82页 |
