| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 图像分类方法 | 第10-11页 |
| 1.2.2 深度学习 | 第11-12页 |
| 1.2.3 图像分类领域中的深度学习 | 第12-13页 |
| 1.3 本文的主要内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关理论基础 | 第16-32页 |
| 2.1 深度学习相关理论 | 第16-18页 |
| 2.1.1 深度学习的基本思想 | 第16-17页 |
| 2.1.2 浅层学习和深度学习 | 第17-18页 |
| 2.2 深度学习常用模型 | 第18-25页 |
| 2.2.1 受限玻尔兹曼机 | 第18-22页 |
| 2.2.2 深度信念网络 | 第22-23页 |
| 2.2.3 自动编码器 | 第23-24页 |
| 2.2.4 卷积神经网络 | 第24-25页 |
| 2.3 分类器 | 第25-31页 |
| 2.3.1 数据集的线性可分性 | 第25-26页 |
| 2.3.2 支持向量机 | 第26-30页 |
| 2.3.3 Softmax分类器 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于深度信念网络的图像分类方法 | 第32-45页 |
| 3.1 问题描述和研究思路 | 第32-33页 |
| 3.1.1 问题描述 | 第32页 |
| 3.1.2 研究思路 | 第32-33页 |
| 3.2 基于改进的深度信念网络的图像分类方法 | 第33-38页 |
| 3.2.1 改进的RBM训练算法 | 第33-35页 |
| 3.2.2 改进的DBN训练算法 | 第35-37页 |
| 3.2.3 基于DBN-SVM的图像分类方法 | 第37-38页 |
| 3.3 仿真实验及结果分析 | 第38-44页 |
| 3.3.1 实验数据集 | 第38-39页 |
| 3.3.2 仿真实验结果评估方法 | 第39-40页 |
| 3.3.3 输入层、输出层和隐含层的随机单元数设置 | 第40-41页 |
| 3.3.4 隐含层层数和迭代次数对分类性能的影响分析 | 第41-43页 |
| 3.3.5 与其他分类方法的比较 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 在线社交网络图像分类研究 | 第45-60页 |
| 4.1 新浪微博开放平台 | 第45-46页 |
| 4.2 新浪微博数据获取 | 第46-50页 |
| 4.2.1 获取授权 | 第47-48页 |
| 4.2.2 基于API的新浪微博数据获取 | 第48-50页 |
| 4.3 在线社交网络图像分类方法改进 | 第50-53页 |
| 4.3.1 问题描述和研究思路 | 第50-52页 |
| 4.3.2 在线社交网络图像分类方法改进 | 第52-53页 |
| 4.4 在线社交网络图像分类方法的仿真实验 | 第53-59页 |
| 4.4.1 实验数据集获取 | 第53-56页 |
| 4.4.2 仿真实验结果分析 | 第56-57页 |
| 4.4.3 仿真实验结果对比分析 | 第57-58页 |
| 4.4.4 图像分类方法的实际应用 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 结论与未来工作展望 | 第60-62页 |
| 5.1 结论 | 第60页 |
| 5.2 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第68页 |