| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第13-17页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 相关领域研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文纲要 | 第16-17页 |
| 第二章 相关工作介绍 | 第17-24页 |
| 2.1 主成分分析(Principal Component Analysis) | 第17-18页 |
| 2.2 自编码器(AutoEncoder) | 第18-19页 |
| 2.3 栈式自编码器(Stacked AutoEncoder) | 第19-21页 |
| 2.4 卷积神经网络(Convolutional Neural Networks) | 第21页 |
| 2.5 特征选择方法 | 第21-23页 |
| 2.5.1 过滤法 | 第22页 |
| 2.5.2 包装法 | 第22页 |
| 2.5.3 嵌入法 | 第22-23页 |
| 2.6 总结 | 第23-24页 |
| 第三章 基于SOINN神经网络的时间序列Shapelet特征学习方法 | 第24-44页 |
| 3.1 背景简介 | 第24-25页 |
| 3.2 时间序列相关概念以及Shapelet特征的定义 | 第25-26页 |
| 3.3 原始Shapelet特征学习算法 | 第26-28页 |
| 3.4 提出的方法 | 第28-34页 |
| 3.4.1 方法动机 | 第28-29页 |
| 3.4.2 候选Shapelet学习 | 第29-31页 |
| 3.4.3 特征转化 | 第31-33页 |
| 3.4.4 特征选择与模型训练 | 第33-34页 |
| 3.5 方法分析 | 第34-35页 |
| 3.5.1 更好的候选集合 | 第34页 |
| 3.5.2 时间复杂度分析 | 第34页 |
| 3.5.3 更优的Shapelet组合 | 第34-35页 |
| 3.5.4 缺陷 | 第35页 |
| 3.6 Shapelet与卷积神经网络的对比 | 第35-36页 |
| 3.7 实验结果对比 | 第36-41页 |
| 3.7.1 候选集有效性验证 | 第36-39页 |
| 3.7.2 特征选择及分类模型有效性验证 | 第39-41页 |
| 3.7.3 对比卷积神经网络 | 第41页 |
| 3.8 本章小结 | 第41-44页 |
| 第四章 操作敏感型离散特征嵌入表示学习方法 | 第44-61页 |
| 4.1 背景简介 | 第44-47页 |
| 4.1.1 嵌入表示 | 第44-45页 |
| 4.1.2 组合特征自动构建 | 第45-47页 |
| 4.2 操作敏感型嵌入表示 | 第47-48页 |
| 4.3 操作敏感型神经网络 | 第48-52页 |
| 4.3.1 特征嵌入层 | 第49页 |
| 4.3.2 中间特征提取层 | 第49-50页 |
| 4.3.3 全连接层 | 第50-51页 |
| 4.3.4 模型的训练 | 第51-52页 |
| 4.4 模型讨论 | 第52页 |
| 4.5 相关模型比较 | 第52-55页 |
| 4.6 实现技巧 | 第55页 |
| 4.7 实验对比 | 第55-60页 |
| 4.7.1 数据集 | 第55-56页 |
| 4.7.2 对比方法 | 第56-57页 |
| 4.7.3 离线训练环境下结果对比 | 第57-58页 |
| 4.7.4 在线训练环境下结果对比 | 第58-60页 |
| 4.8 本章小结 | 第60-61页 |
| 第五章 总结与未来展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 未来工作 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 简历与科研成果 | 第68-70页 |
| 致谢 | 第70-71页 |
