基于深度学习的图像分类的研究
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 符号说明 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 课题背景 | 第15-16页 |
| 1.2 深度学习的发展 | 第16-19页 |
| 1.2.1 人工神经网络的发展 | 第16-18页 |
| 1.2.2 深度学习的发展 | 第18-19页 |
| 1.3 机器学习算法 | 第19-22页 |
| 1.3.1 有监督学习 | 第19-21页 |
| 1.3.2 无监督学习 | 第21-22页 |
| 1.4 机器学习分类器 | 第22-27页 |
| 1.4.1 Logistic回归分类器 | 第22-24页 |
| 1.4.2 Softmax分类器 | 第24-25页 |
| 1.4.3 支持向量机 | 第25-27页 |
| 1.5 论文的内容安排 | 第27-29页 |
| 第二章 深度学习 | 第29-41页 |
| 2.1 深度学习的研究现状 | 第29页 |
| 2.2 卷积神经网络 | 第29-31页 |
| 2.3 堆叠自动编码器 | 第31-32页 |
| 2.4 深度置信网络 | 第32-40页 |
| 2.4.1 受限玻尔兹曼机 | 第32-35页 |
| 2.4.2 深度置信网络 | 第35-37页 |
| 2.4.3 高斯伯努利深度置信网络 | 第37-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 基于相似度的深度置信网络结点选择改进算法 | 第41-53页 |
| 3.1 研究背景 | 第41页 |
| 3.2 传统网络结点选择算法 | 第41-44页 |
| 3.2.1 经验公式法 | 第41-42页 |
| 3.2.2 调整法 | 第42-43页 |
| 3.2.3 结合法 | 第43-44页 |
| 3.3 基于相似度的结点选择改进算法 | 第44-46页 |
| 3.3.1 稀疏编码 | 第44页 |
| 3.3.2 基于相似度的改进算法 | 第44-46页 |
| 3.4 实验验证 | 第46-51页 |
| 3.4.1 实验一 | 第46-47页 |
| 3.4.2 实验二 | 第47-49页 |
| 3.4.3 实验三 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于人工蜂群算法的改进深度置信网络 | 第53-65页 |
| 4.1 BP算法 | 第53-55页 |
| 4.1.1 BP算法基本原理 | 第53页 |
| 4.1.2 BP算法的算法表达 | 第53-55页 |
| 4.1.3 BP算法不足 | 第55页 |
| 4.2 人工蜂群算法 | 第55-59页 |
| 4.2.1 人工蜂群算法基本原理 | 第55-57页 |
| 4.2.2 人工蜂群算法流程 | 第57-59页 |
| 4.3 基于人工蜂群算法的改进深度置信网络 | 第59-61页 |
| 4.4 实验验证 | 第61-64页 |
| 4.4.1 小样本集实验 | 第61-63页 |
| 4.4.2 大样本集实验 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 基于局部二值模式和深度置信网络的人脸识别 | 第65-71页 |
| 5.1 局部二值模式 | 第65-67页 |
| 5.1.1 局部二值模式特征表述 | 第65-66页 |
| 5.1.2 局部二值模式检测原理 | 第66-67页 |
| 5.2 基于局部二值模式与深度置信网络的人脸识别 | 第67-70页 |
| 5.2.1 方案设计 | 第67-68页 |
| 5.2.2 实验验证 | 第68-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 论文工作总结 | 第71-72页 |
| 6.2 未来研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士期间的研究成果 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |
