| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 神经网络与深度学习 | 第10-16页 |
| 1.1.1 自编码 | 第11-13页 |
| 1.1.2 受限波尔兹曼机 | 第13-15页 |
| 1.1.3 稀疏编码 | 第15-16页 |
| 1.2 文章结构 | 第16-17页 |
| 1.3 本章小结 | 第17-18页 |
| 第二章 稀疏编码综述 | 第18-22页 |
| 2.1 标准的稀疏编码 | 第18页 |
| 2.2 稀疏编码的常见算法 | 第18-20页 |
| 2.2.1 Matching Pursuit 和 Orthogonal Matching Pursuit | 第18-19页 |
| 2.2.2 特征符号搜索 | 第19页 |
| 2.2.3 K-SVD | 第19-20页 |
| 2.2.4 Spike-and-Slab Sparse Coding | 第20页 |
| 2.3 可预测稀疏分解算法 (PSD) | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 降噪可预测稀疏分解算法 | 第22-34页 |
| 3.1 降噪可预测稀疏分解算法 (DPSD) | 第22-25页 |
| 3.1.1 模型 | 第22-24页 |
| 3.1.2 学习 | 第24-25页 |
| 3.1.3 推断 | 第25页 |
| 3.2 实验 | 第25-32页 |
| 3.2.1 数据集和评估方案 | 第25-26页 |
| 3.2.2 SNR 比较 | 第26-28页 |
| 3.2.3 Caltech-101 数据集上的识别正确率 | 第28-31页 |
| 3.2.4 MNIST 上的识别正确率 | 第31-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 深度降噪可预测稀疏分解 | 第34-44页 |
| 4.1 模型 | 第34-36页 |
| 4.1.1 图像块 (patches) | 第34页 |
| 4.1.2 卷积 (convolution) | 第34页 |
| 4.1.3 池化 (pooling) | 第34-35页 |
| 4.1.4 结构 | 第35-36页 |
| 4.2 实验 | 第36-42页 |
| 4.2.1 数据预处理 | 第36-37页 |
| 4.2.2 实验处理步骤 | 第37-38页 |
| 4.2.3 实验设定 | 第38页 |
| 4.2.4 Caltech 101 实验步骤 | 第38-40页 |
| 4.2.5 MNIST 实验步骤 | 第40-42页 |
| 4.3 本章小结 | 第42-44页 |
| 第五章 深度多路径降噪可预测稀疏分解 | 第44-50页 |
| 5.1 模型 | 第44页 |
| 5.2 实验 | 第44-49页 |
| 5.2.1 路径 1 | 第44-46页 |
| 5.2.2 路径 2 | 第46-47页 |
| 5.2.3 路径 3 | 第47-48页 |
| 5.2.4 各路径参数表 | 第48页 |
| 5.2.5 实验结果 | 第48-49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 全文总结 | 第50-52页 |
| 附录 A 连接表 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文目录 | 第62-64页 |
| 攻读学位期间参与的项目 | 第64-66页 |
