| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略名词索引 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 深度学习简介 | 第10-11页 |
| 1.2 深度学习的模型 | 第11-13页 |
| 1.3 基于受限玻尔兹曼机的深度学习的发展 | 第13-14页 |
| 1.4 本文研究内容与章节安排 | 第14-16页 |
| 第二章 受限玻尔兹曼机模型 | 第16-33页 |
| 2.1 受限玻尔兹曼机的基本模型 | 第16-20页 |
| 2.1.1 基于能量的模型 | 第16-17页 |
| 2.1.2 玻尔兹曼机 | 第17页 |
| 2.1.3 受限玻尔兹曼机模型 | 第17-20页 |
| 2.1.4 受限玻尔兹曼机模型的用途 | 第20页 |
| 2.2 受限玻尔兹曼机模型的求解 | 第20-24页 |
| 2.2.1 基本公式推导 | 第20-21页 |
| 2.2.2 模型的求解 | 第21-24页 |
| 2.3 受限玻尔兹曼机模型的算法 | 第24-28页 |
| 2.3.1 Gibbs采样 | 第24-25页 |
| 2.3.2 对比散度算法 | 第25-27页 |
| 2.3.3 RBM训练算法 | 第27-28页 |
| 2.4 受限玻尔兹曼机的参数设置 | 第28-30页 |
| 2.5 受限玻尔兹曼机的收敛性分析 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 稀疏受限玻尔兹曼机模型 | 第33-41页 |
| 3.1 第一种稀疏受限玻尔兹曼机模型 | 第33-34页 |
| 3.2 第二种稀疏受限玻尔兹曼机 | 第34-35页 |
| 3.3 稀疏RBM算法的改进 | 第35-36页 |
| 3.4 两种稀疏受限玻尔兹曼机模型的对比 | 第36-39页 |
| 3.5 其他稀疏受限玻尔兹曼机模型 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 模型的评估 | 第41-48页 |
| 4.1 重构误差 | 第41页 |
| 4.2 重要性采样 | 第41-44页 |
| 4.2.1 退火式重要性采样 | 第42-43页 |
| 4.2.2 两个RBM配分函数比率的计算 | 第43页 |
| 4.2.3 “基率”模型 | 第43-44页 |
| 4.3 评估实验 | 第44-47页 |
| 4.3.1 重构误差评估RBM、Sp RBM和Log Sum RBM模型 | 第44-45页 |
| 4.3.2 退火式重要性采样评估RBM、Sp RBM和Log Sum RBM模型 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于RBM的深度学习模型的应用 | 第48-61页 |
| 5.1 BP神经网络 | 第48-49页 |
| 5.2 深度置信网络 | 第49-53页 |
| 5.2.1 DBN网络模型 | 第49-50页 |
| 5.2.2 DBN训练过程 | 第50-51页 |
| 5.2.3 实验 | 第51-53页 |
| 5.3 不同深度的DBN模型进行分类 | 第53-55页 |
| 5.3.1 模型的构建 | 第53页 |
| 5.3.2 实验 | 第53-55页 |
| 5.4 不同深度的DBN模型进行预训练 | 第55-58页 |
| 5.4.1 模型的构建 | 第55-56页 |
| 5.4.2 实验 | 第56-58页 |
| 5.5 Log Sum DBN模型在UCI数据集上的分类 | 第58-60页 |
| 5.5.1 模型的构建 | 第58-59页 |
| 5.5.2 实验 | 第59-60页 |
| 5.6 本章小结 | 第60-61页 |
| 第六章 工作总结与展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间取得的成果 | 第68-69页 |
