| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 前言 | 第11-16页 |
| 1.1 机器学习分类算法发展背景和研究意义 | 第11-13页 |
| 1.1.1 有监督学习算法发展 | 第12-13页 |
| 1.1.2 大数据处理中的无监督学习 | 第13页 |
| 1.2 深度学习分类算法发展和缺点 | 第13页 |
| 1.3 本文主要贡献 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 机器学习算法研究现状和发展趋势 | 第16-25页 |
| 2.1 有监督分类学习算法分析与研究 | 第16-19页 |
| 2.1.1 K 邻近算法分析 | 第16-17页 |
| 2.1.2 Logistic 回归分析 | 第17-18页 |
| 2.1.3 有监督学习算法思想归纳 | 第18-19页 |
| 2.2 无监督分类学习算法分析与研究 | 第19-21页 |
| 2.2.1 K-means 聚类算法分析 | 第19-20页 |
| 2.2.2 无监督分类算法总结 | 第20-21页 |
| 2.3 深度学习算法 | 第21-24页 |
| 2.3.1 用于降维的 PCA（主成分分析法）方法研究与分析 | 第21-23页 |
| 2.3.2 深度学习 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 DBN 网络模型结构 | 第25-35页 |
| 3.1 RBM 原理及分析 | 第25-30页 |
| 3.1.1 前验估计和后验估计 | 第25-27页 |
| 3.1.2 RBM 结构模型 | 第27-30页 |
| 3.2 通过重构调整权值 | 第30-33页 |
| 3.2.1 重构的过程 | 第30-31页 |
| 3.2.2 重构的思想 | 第31-32页 |
| 3.2.3 归一化常数 Z 的计算 | 第32-33页 |
| 3.3 通过层叠 RBM 构成 DBN 网络 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于 T-RBM 算法的 DBN 分类网络 | 第35-42页 |
| 4.1 T-RBM 结构原理 | 第35-36页 |
| 4.2 通过计算信息熵确定隐含层单元总数 | 第36-39页 |
| 4.3 使用 T-RBM 进行降噪 | 第39-40页 |
| 4.4 算法实现过程 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 T-RBM 算法的 DBN 分类网络实现及结果分析 | 第42-52页 |
| 5.1 DBN 分类算法参数及性能指标 | 第42-43页 |
| 5.1.1 DBN 分类算法参数 | 第42页 |
| 5.1.2 DBN 算法性能指标 | 第42-43页 |
| 5.2 实验数据集及实验环境 | 第43-44页 |
| 5.2.1 实验数据集 | 第43-44页 |
| 5.2.2 实验环境 | 第44页 |
| 5.3 实验结果分析 | 第44-51页 |
| 5.3.1 利用重构错误证明 Alpha 的最佳值 | 第45-48页 |
| 5.3.2 权值训练结果 | 第48-49页 |
| 5.3.3 训练误差率实验结果分析 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 作者简介及在硕士期间取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
