首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于Auto-Encoder的图像识别算法研究

摘要第4-5页
Abstract第5-6页
第1章 引言第10-23页
    1.1 研究背景及意义第10页
    1.2 人工神经网络发展历程第10-21页
        1.2.1 早期人工神经网络第10-11页
        1.2.2 现代人工神经网络第11-12页
        1.2.3 深度神经网络第12-15页
        1.2.4 限制玻尔兹曼机与深度置信网络第15-17页
        1.2.5 训练深度模型第17-18页
        1.2.6 自编码器的提出第18-21页
    1.3 本文工作及结构安排第21-23页
第2章 相关概念及理论第23-54页
    2.1 优化方法第23-32页
        2.1.1 牛顿法第23-26页
        2.1.2 拟牛顿法第26-27页
        2.1.3 DFP算法第27-28页
        2.1.4 BFGS算法第28-30页
        2.1.5 L-BFGS算法第30-32页
    2.2 分类算法第32-39页
        2.2.1 Logistic回归第32-34页
        2.2.2 广义线性模型第34-35页
        2.2.3 构建广义线性模型第35-36页
        2.2.4 Softmax回归第36-39页
    2.3 流形学习第39-43页
        2.3.1 等距映射(Isomap)第39-40页
        2.3.2 局部线性嵌入(LLE)第40-41页
        2.3.3 拉普拉斯特征映射(LE)第41页
        2.3.4 Hessian特征映射(HLLE)第41-43页
    2.4 稀疏编码第43-46页
        2.4.1 稀疏编码与稀疏性第43-44页
        2.4.2 稀疏编码的概率解释第44-46页
    2.5 Autoencoder算法第46-53页
        2.5.1 预训Autoencoder第46-49页
        2.5.2 训练softmax分类器第49页
        2.5.3 对自编码神经网络进行微调第49-50页
        2.5.4 改进的自编码算法第50-53页
    2.6 本章小结第53-54页
第3章 基于Hessian正则化的稀疏Autoencoder算法第54-63页
    3.1 HSAE相关基础知识第54-55页
        3.1.1 Autoencoder第54-55页
        3.1.2 稀疏Autoencoder第55页
        3.1.3 Laplacian正则化Autoencoder第55页
    3.2 HSAE算法与优化第55-59页
        3.2.1 HSAE算法第55-57页
        3.2.2 HSAE优化方法第57-58页
        3.2.3 HSAE相关复杂度第58-59页
    3.3 HSAE算法相关实验第59-62页
        3.3.1 手写数字识别实验第59-60页
        3.3.2 物体识别实验第60-62页
    3.4 本章小结第62-63页
第4章 Large-Margin Autoencoder算法第63-73页
    4.1 LMAE相关基础知识第63-65页
        4.1.1 Autoencoder第64页
        4.1.2 增强辨别Autoencoder第64-65页
        4.1.3 Large-Margin最近邻分类第65页
    4.2 LMAE算法与优化第65-69页
        4.2.1 LMAE算法第65-67页
        4.2.2 LMAE优化方法第67-68页
        4.2.3 LMAE相关复杂度第68-69页
    4.3 LMAE相关实验第69-72页
        4.3.1 手写数字识别实验第69-70页
        4.3.2 物体识别实验第70-72页
    4.4 本章小结第72-73页
总结与展望第73-74页
参考文献第74-80页
攻读硕士学位期间取得的学术成果第80-81页
致谢第81页

论文共81页,点击 下载论文
上一篇:基于调节阀粘滞特性的回路振荡检测与诊断方法
下一篇:基于SVM的多示例多标签网页分类