基于深度学习的聚类关键技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 本研究课题的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习研究现状 | 第13-15页 |
| 1.2.2 聚类技术整体现状 | 第15-16页 |
| 1.3 本文主要研究内容和结构安排 | 第16-18页 |
| 第2章 深度学习和聚类技术 | 第18-28页 |
| 2.1 深度学习的概念和理论 | 第18-22页 |
| 2.1.1 人工神经网络 | 第18-20页 |
| 2.1.2 深度结构的优点和训练方法 | 第20-22页 |
| 2.1.3 深度结构分类 | 第22页 |
| 2.2 深度学习的应用 | 第22-24页 |
| 2.3 聚类技术分析 | 第24-26页 |
| 2.3.1 聚类的定义 | 第24-25页 |
| 2.3.2 聚类的分类 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于深度学习的聚类模型 | 第28-41页 |
| 3.1 深度学习的基本结构 | 第28-33页 |
| 3.1.1 玻尔兹曼机 | 第28-29页 |
| 3.1.2 受限玻尔兹曼机 | 第29-32页 |
| 3.1.3 自动编码机 | 第32-33页 |
| 3.2 基于深度学习的聚类模型结构 | 第33-36页 |
| 3.3 基于深度学习的聚类模型的特点和目标公式 | 第36-38页 |
| 3.4 基于RBM编码的聚类方法 | 第38-40页 |
| 3.4.1 RBM编码 | 第38-39页 |
| 3.4.2 RBM中的Gibbs采样 | 第39页 |
| 3.4.3 基于RBM编码的聚类 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于DBN和FCM的聚类算法 | 第41-49页 |
| 4.1 DBN和FCM算法 | 第41-44页 |
| 4.1.1 DBN算法 | 第41-42页 |
| 4.1.2 FCM算法 | 第42-44页 |
| 4.2 算法思想 | 第44页 |
| 4.3 基于DBN和FCM的聚类算法 | 第44-47页 |
| 4.3.1 算法描述 | 第44-46页 |
| 4.3.2 算法流程 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 实验结果与分析 | 第49-63页 |
| 5.1 实验评价标准 | 第49页 |
| 5.2 基于RBM编码聚类实验参数 | 第49-50页 |
| 5.2.1 实验参数 | 第49-50页 |
| 5.3 基于RBM编码聚类实验结果分析 | 第50-53页 |
| 5.3.1 实验数据集 | 第50-51页 |
| 5.3.2 结果分析 | 第51-53页 |
| 5.4 DBNOC算法实验结果与分析 | 第53-62页 |
| 5.4.1 实验数据集 | 第53-54页 |
| 5.4.2 实算法中网络节点设置 | 第54-55页 |
| 5.4.3 聚类结果分析 | 第55-57页 |
| 5.4.4 实验算法微调部分收敛性分析 | 第57-62页 |
| 5.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文 | 第71页 |
