摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 绪论 | 第8-16页 |
1.1 课题背景及意义 | 第8-10页 |
1.2 国内外研究现状 | 第10-11页 |
1.2.1 深度信念网络的国内外研究现状 | 第10-11页 |
1.2.2 自动编码机的国内外研究现状 | 第11页 |
1.2.3 卷积神经网络的国内外研究现状 | 第11页 |
1.3 深度神经网络的应用 | 第11-12页 |
1.4 存在的问题 | 第12-14页 |
1.4.1 微调阶段 | 第12-13页 |
1.4.2 预训练阶段 | 第13页 |
1.4.3 激活函数问题 | 第13-14页 |
1.5 本文主要研究内容及组织结构 | 第14-16页 |
第二章 深度神经网络及其相关模型 | 第16-27页 |
2.1 特征的提取 | 第16-17页 |
2.2 深度神经网络 | 第17-18页 |
2.2.1 深度神经网络介绍 | 第17-18页 |
2.2.2 深度神经网络基本模块 | 第18页 |
2.3 自动编码器 | 第18-23页 |
2.3.1 人工神经网络模型 | 第18-20页 |
2.3.2 激活函数 | 第20-22页 |
2.3.3 自动编码器模型 | 第22-23页 |
2.4 深度信念网络模型 | 第23-26页 |
2.4.1 受限玻尔兹曼机 | 第23-25页 |
2.4.2 Gibbs采样法 | 第25页 |
2.4.3 深度信念网络 | 第25-26页 |
2.5 本章小结 | 第26-27页 |
第三章 基于批量正则化的深度信念网络 | 第27-46页 |
3.1 RBM算法理解 | 第27-30页 |
3.2 基于批量正则化的深度信念网络分类方法 | 第30-35页 |
3.2.1 批量正则化算法 | 第30页 |
3.2.2 MSGD优化算法 | 第30页 |
3.2.3 批量正则化DBN结构 | 第30-32页 |
3.2.4 算法流程 | 第32-35页 |
3.3 实验结果及分析 | 第35-45页 |
3.3.1 实验环境与参数设置 | 第35页 |
3.3.2 实验数据集 | 第35-36页 |
3.3.3 参数分析 | 第36-44页 |
3.3.4 不同算法分类准确率对比 | 第44页 |
3.3.5 训练时间对比分析 | 第44-45页 |
3.4 本章小结 | 第45-46页 |
第四章 基于Laplace函数的稀疏深度置信网络分类方法 | 第46-63页 |
4.1 基于稀疏DBN模型的理论基础 | 第46-47页 |
4.1.1 特征同质化现象 | 第46-47页 |
4.1.2 稀疏表示 | 第47页 |
4.2 稀疏RBM | 第47-48页 |
4.3 改进的稀疏DBN模型 | 第48-54页 |
4.3.1 模型求解 | 第48-52页 |
4.3.2 模型分析 | 第52-53页 |
4.3.3 LS-DBN模型 | 第53页 |
4.3.4 算法流程 | 第53-54页 |
4.4 实验结果及分析 | 第54-62页 |
4.4.1 实验环境与参数设置 | 第54页 |
4.4.2 实验数据集 | 第54-55页 |
4.4.3 MNIST数据集 | 第55-58页 |
4.4.4 Pendigits数据集 | 第58-61页 |
4.4.5 训练时间对比分析 | 第61-62页 |
4.5 本章小结 | 第62-63页 |
第五章 非线性修正的深度信念网络分类方法 | 第63-74页 |
5.1 基于修正Elliott函数的深度信念网络模型 | 第63-66页 |
5.2 人脸识别应用研究 | 第66-68页 |
5.2.1 人脸识别分析 | 第66页 |
5.2.2 局部二值模式 | 第66-67页 |
5.2.3 基于MEDBN算法的人脸识别框架 | 第67-68页 |
5.3 实验结果及分析 | 第68-73页 |
5.3.1 实验环境 | 第68-69页 |
5.3.2 ORL人脸识别库上的实验结果及分析 | 第69-72页 |
5.3.3 MNIST和USPS数据库上的实验结果 | 第72页 |
5.3.4 训练时间对比分析 | 第72-73页 |
5.4 本章小结 | 第73-74页 |
主要结论与展望 | 第74-76页 |
主要结论 | 第74-75页 |
展望 | 第75-76页 |
致谢 | 第76-77页 |
参考文献 | 第77-81页 |
附录:作者在攻读硕士学位期间发表的论文 | 第81页 |