| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 引言 | 第8-10页 |
| 第1章 文献综述 | 第10-17页 |
| 1.1 多标签学习概述 | 第10-12页 |
| 1.2 多任务学习概述 | 第12-13页 |
| 1.3 递归神经网络学习概述 | 第13-15页 |
| 1.3.1 递归神经网络 | 第13-14页 |
| 1.3.2 Encoder-Decoder结构 | 第14-15页 |
| 1.4 卡尔曼滤波器学习概述 | 第15-16页 |
| 1.5 小结 | 第16-17页 |
| 第2章 基于注意力机制的RNN多标签分类器 | 第17-52页 |
| 2.1 基于RNN的Encoder-Decoder结构 | 第17-20页 |
| 2.1.1 基于LSTM的RNN | 第17-20页 |
| 2.1.2 基于RNN的Encoder-Decoder结构 | 第20页 |
| 2.2 基于LSTM的RNN多标签分类器 | 第20-26页 |
| 2.2.1 模型假设及学习 | 第21-26页 |
| 2.3 基于注意力机制的RNN多标签分类器 | 第26-40页 |
| 2.3.1 模型假设 | 第27-29页 |
| 2.3.2 模型前向传播过程 | 第29-32页 |
| 2.3.3 模型反向传播过程 | 第32-40页 |
| 2.4 实验结果 | 第40-50页 |
| 2.4.1 数据介绍及预处理 | 第40-41页 |
| 2.4.2 评价标准 | 第41-43页 |
| 2.4.3 实验结果及分析 | 第43-50页 |
| 2.5 小结 | 第50-52页 |
| 第3章 基于公有特征和私有特征的RNN多任务学习 | 第52-74页 |
| 3.1 模型定义 | 第52-53页 |
| 3.2 基于Encoder-Decoder结构的RNN多任务学习 | 第53-63页 |
| 3.2.1 模型假设 | 第53-55页 |
| 3.2.2 模型前向学习过程 | 第55-58页 |
| 3.2.3 模型反向学习过程 | 第58-63页 |
| 3.3 基于公有特征补偿的RNN多任务学习 | 第63-69页 |
| 3.3.1 模型假设 | 第63-64页 |
| 3.3.2 模型学习过程 | 第64-69页 |
| 3.4 实验结果 | 第69-72页 |
| 3.4.1 人工产生数据实验 | 第69-70页 |
| 3.4.2 真实数据实验 | 第70-72页 |
| 3.5 小结 | 第72-74页 |
| 第4章 基于卡尔曼滤波器的RNN学习算法 | 第74-92页 |
| 4.1 卡尔曼滤波理论基础 | 第74-76页 |
| 4.2 基于卡尔曼滤波器的RNN学习算法 | 第76-86页 |
| 4.2.1 一步更新卡尔曼滤波RNN学习算法 | 第77-84页 |
| 4.2.2 稳态卡尔曼滤波RNN学习算法 | 第84-86页 |
| 4.3 实验结果 | 第86-90页 |
| 4.4 小结 | 第90-92页 |
| 第5章 结论 | 第92-94页 |
| 参考文献 | 第94-99页 |
| 附录A 在校期间研究成果 | 第99-100页 |
| 致谢 | 第100页 |
