| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-12页 |
| 1.3 研究现状及分析 | 第12-13页 |
| 1.4 本文组织与结构 | 第13-15页 |
| 第二章 相关算法介绍 | 第15-26页 |
| 2.1 支持向量数据描述（SVDD） | 第15-18页 |
| 2.1.1 SVDD模型 | 第15-17页 |
| 2.1.2 研究现状 | 第17-18页 |
| 2.2 深度学习算法概述 | 第18-23页 |
| 2.2.1 深度学习基本思想 | 第19-20页 |
| 2.2.2 自动编码器 | 第20-21页 |
| 2.2.3 受限玻尔兹曼机 | 第21-22页 |
| 2.2.4 稀疏自动编码器 | 第22-23页 |
| 2.3 聚类算法和优化算法 | 第23-25页 |
| 2.3.1 AP算法 | 第23-25页 |
| 2.3.2 PSO算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于深度学习的单分类算法SAE_SVDD | 第26-36页 |
| 3.1 自适应的支持向量数据描述算法 | 第26-27页 |
| 3.2 参数自适应优化 | 第27-33页 |
| 3.3 SA_SVDD与深度学习结合的算法 | 第33-35页 |
| 3.3.1 深度学习模型 | 第33-34页 |
| 3.3.2 SAE_SVDD | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习的分类算法的实验及应用 | 第36-47页 |
| 4.1 评估方法 | 第36-38页 |
| 4.2 对比算法介绍 | 第38-39页 |
| 4.3 SA_SVDD算法基于UCI数据集的测试 | 第39-42页 |
| 4.3.1 实验数据设置 | 第39页 |
| 4.3.2 实验结果 | 第39-42页 |
| 4.4 SAE_SVDD算法基于UCI数据集的测试 | 第42-43页 |
| 4.4.1 实验数据设置 | 第42页 |
| 4.4.2 实验结果 | 第42-43页 |
| 4.5 基于深度学习的分类算法在孕妇产前抑郁症问题中的应用 | 第43-46页 |
| 4.5.1 孕妇产前抑郁症的应用背景 | 第43页 |
| 4.5.2 孕妇产前抑郁症的分析流程 | 第43-45页 |
| 4.5.3 应用结果及分析 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-48页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 作者简介 | 第51-52页 |
| 致谢 | 第52页 |