| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 引言 | 第8-17页 |
| 1.1 传统神经网络的发展以及现状 | 第8-10页 |
| 1.2 深度学习的产生及其影响 | 第10-13页 |
| 1.2.1 深度信念（置信）网络 | 第10-12页 |
| 1.2.2 深度卷积神经网络 | 第12-13页 |
| 1.3 云模型及主成分分析的发展 | 第13-15页 |
| 1.3.1 云模型 | 第13-14页 |
| 1.3.2 主成分分析 | 第14-15页 |
| 1.4 本文的主要工作和内容安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 卷积神经网络相关理论 | 第17-26页 |
| 2.1 卷积神经网络结构介绍 | 第17-19页 |
| 2.1.1 局部感知 | 第17-18页 |
| 2.1.2 参数共享 | 第18-19页 |
| 2.1.3 Down-pooling下采样操作 | 第19页 |
| 2.2 ImageNet-2010 网络结构 | 第19-20页 |
| 2.3 卷积神经网络理论介绍 | 第20-25页 |
| 2.3.1 全连接的反向传播算法 | 第20-21页 |
| 2.3.2 反向传播Backpropagation Pass | 第21-22页 |
| 2.3.3 Convolutional Neural Networks卷积神经网络 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于主成分确定核的卷积框架设计 | 第26-45页 |
| 3.1 主成分与卷积核分析 | 第27-31页 |
| 3.2 主成分确定核实验 | 第31-34页 |
| 3.2.1 常见抽样算法 | 第31-33页 |
| 3.2.2 实验伪代码 | 第33-34页 |
| 3.3 实验 | 第34-44页 |
| 3.3.1 mnist数据集 | 第34-37页 |
| 3.3.2 CIFAR-10 数据集 | 第37-38页 |
| 3.3.3 TensorFlow框架 | 第38-39页 |
| 3.3.4 实验一 | 第39-41页 |
| 3.3.5 实验二 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于独立主成分的卷积神经网络结构 | 第45-58页 |
| 4.1 独立主成分原理以及可行性分析 | 第45-49页 |
| 4.2 独立主成分分析的卷积神经网络 | 第49-53页 |
| 4.2.1 卷积特征漂白过程 | 第49-51页 |
| 4.2.2 分离卷积过程 | 第51-53页 |
| 4.2.3 估计卷积核ICA的基础向量 | 第53页 |
| 4.3 基于独立主成分的卷积神经网络思想和伪代码 | 第53-55页 |
| 4.4 实验 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 基于云模型的卷积神经网络结构 | 第58-67页 |
| 5.1 卷积神经网络 | 第58-59页 |
| 5.2 隶属云和逆向云模型 | 第59-60页 |
| 5.2.1 云的定义 | 第59页 |
| 5.2.2 云的数字特征 | 第59-60页 |
| 5.2.3 云发生器 | 第60页 |
| 5.3 云连接卷积神经网络模型 | 第60-62页 |
| 5.4 卷积重构逆向云发生器伪代码 | 第62-63页 |
| 5.5 卷积采样正向云发生器 | 第63页 |
| 5.6 X条件云选择器 | 第63-64页 |
| 5.7 实验 | 第64-66页 |
| 5.8 本章小结 | 第66-67页 |
| 第6章 结论与展望 | 第67-70页 |
| 6.1 结论 | 第67-68页 |
| 6.2 进一步工作的方向 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录A | 第76-81页 |