| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 表格目录 | 第11-12页 |
| 插图目录 | 第12-14页 |
| List of Algorithms | 第14-15页 |
| 英文缩略词 | 第15-16页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 引言 | 第16页 |
| 1.2 背景和相关工作 | 第16-19页 |
| 1.2.1 机器学习方法的类型 | 第16-17页 |
| 1.2.1.1 有监督学习（Supervised Learning） | 第16-17页 |
| 1.2.1.2 无监督学习（Unsupervised Learning） | 第17页 |
| 1.2.1.3 半监督学习（Semi-Supervised Learning） | 第17页 |
| 1.2.2 无监督特征学习 | 第17-19页 |
| 1.2.2.1 产生的动机 | 第17-18页 |
| 1.2.2.2 与深度学习的关系 | 第18页 |
| 1.2.2.3 在实际中的应用 | 第18-19页 |
| 1.3 主要工作及本文安排 | 第19-21页 |
| 1.3.1 主要工作 | 第19页 |
| 1.3.2 本文安排 | 第19-21页 |
| 第二章 神经网络 | 第21-34页 |
| 2.1 概述 | 第21页 |
| 2.2 感知机 | 第21-22页 |
| 2.3 多层感知机 | 第22-24页 |
| 2.4 神经网络的训练 | 第24-27页 |
| 2.4.1 误差的反向传递原理 | 第24-26页 |
| 2.4.2 反向传播算法 | 第26-27页 |
| 2.5 卷积神经网络 | 第27-34页 |
| 2.5.1 引言 | 第27-28页 |
| 2.5.2 CNN 概述 | 第28页 |
| 2.5.3 CNN 结构 | 第28-31页 |
| 2.5.3.1 卷积层 | 第29页 |
| 2.5.3.2 采样层 | 第29-30页 |
| 2.5.3.3 全连接层 | 第30-31页 |
| 2.5.4 CNN 训练方法 | 第31-32页 |
| 2.5.5 一个卷积神经网络例子——LeNet5 | 第32-33页 |
| 2.5.6 本节小结 | 第33-34页 |
| 第三章 无监督特征学习的模型 | 第34-43页 |
| 3.1 无监督特征学习概述 | 第34-35页 |
| 3.2 自编码器 | 第35-38页 |
| 3.2.1 概述 | 第35-36页 |
| 3.2.2 自编码器的结构 | 第36-37页 |
| 3.2.3 稀疏参数 | 第37-38页 |
| 3.3 受限玻尔兹曼机 | 第38-43页 |
| 3.3.1 模型描述 | 第38-40页 |
| 3.3.2 RBM 的训练方法 | 第40-41页 |
| 3.3.3 Gibss 采样与对比散列度学习算法 | 第41-43页 |
| 第四章 数据预处理和分类方法 | 第43-50页 |
| 4.1 数据预处理 | 第43-46页 |
| 4.1.1 数据标准化 | 第43-44页 |
| 4.1.2 主成分分析 | 第44-46页 |
| 4.1.2.1 概述 | 第44页 |
| 4.1.2.2 PCA 数学定义 | 第44-45页 |
| 4.1.2.3 分量数目的选择 | 第45-46页 |
| 4.1.3 ZCA 白化 | 第46页 |
| 4.2 分类方法 | 第46-50页 |
| 4.2.1 概述 | 第46-48页 |
| 4.2.2 逻辑回归 | 第48页 |
| 4.2.3 多项逻辑回归 | 第48-50页 |
| 第五章 UFL 与深度神经网络的结合 | 第50-60页 |
| 5.1 稀疏自编码器的训练 | 第50-51页 |
| 5.2 深度神经网络的构建和训练 | 第51-54页 |
| 5.2.1 深度神经网络的构建 | 第51-52页 |
| 5.2.2 DNN 的自适应无监督训练 | 第52-54页 |
| 5.3 图像识别实验 | 第54-60页 |
| 5.3.1 MNIST 数据集 | 第54-55页 |
| 5.3.2 实验参数设置 | 第55页 |
| 5.3.3 实验结果和分析 | 第55-58页 |
| 5.3.4 讨论：为什么无监督预训练对训练深度神经网络有帮助 | 第58-60页 |
| 第六章 UFL 与卷积神经网络的结合 | 第60-75页 |
| 6.1 UFL-CNN 的实现 | 第60-63页 |
| 6.1.1 无监督特征提取 | 第60页 |
| 6.1.2 特征卷积 | 第60-61页 |
| 6.1.3 特征采样 | 第61-62页 |
| 6.1.4 特征分类 | 第62-63页 |
| 6.2 自然图像识别实验 | 第63-69页 |
| 6.2.1 CIFAR-10 数据集 | 第63页 |
| 6.2.2 参数设置 | 第63-64页 |
| 6.2.3 实验结果和讨论 | 第64-69页 |
| 6.3 3D 物体识别实验 | 第69-72页 |
| 6.3.1 NORB 数据集 | 第69-70页 |
| 6.3.2 参数设置 | 第70页 |
| 6.3.3 实验结果和讨论 | 第70-72页 |
| 6.4 手写数字识别实验 | 第72-75页 |
| 6.4.1 参数设置 | 第72-73页 |
| 6.4.2 实验结果和讨论 | 第73-75页 |
| 结论 | 第75-77页 |
| 研究总结 | 第75-76页 |
| 未来工作 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 附录 | 第81-82页 |
| 最小平方问题（Least Square Problem） | 第81页 |
| 梯度下降法（Gradient Descent） | 第81-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |
