基于深度玻尔兹曼机的特征学习算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 目的与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 机器学习概述 | 第14-15页 |
| 1.2.2 深度学习最新进展 | 第15页 |
| 1.3 论文组织结构 | 第15-18页 |
| 1.3.1 本文主要贡献 | 第15-17页 |
| 1.3.2 组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 受限玻尔兹曼机模型及学习算法 | 第19-29页 |
| 2.1 RBM模型 | 第19-22页 |
| 2.2 RBM模型训练算法 | 第22-27页 |
| 2.2.1 对比散度算法 | 第22-25页 |
| 2.2.2 RBM的训练算法 | 第25-27页 |
| 2.3 RBM模型学习评估 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 DBN网络模型与迭代策略 | 第29-35页 |
| 3.1 DBN网络模型介绍 | 第29-30页 |
| 3.2 网络模型训练过程与流程 | 第30-32页 |
| 3.3 网络模型的特征学习算法 | 第32-33页 |
| 3.4 学习迭代策略 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 DBN学习算法改进及分析 | 第35-45页 |
| 4.1 基于T-RBM的DBN学习算法改进 | 第35-38页 |
| 4.1.1 改进学习算法动机 | 第36页 |
| 4.1.2 改进学习算法描述 | 第36-38页 |
| 4.2 基于BP算法DBN模型迭代策略 | 第38-40页 |
| 4.2.1 改进算法分析 | 第38-39页 |
| 4.2.2 改进算法描述 | 第39-40页 |
| 4.3 实验结果 | 第40-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 半监督DBN深度网络学习算法 | 第45-57页 |
| 5.1 半监督学习算法 | 第45-49页 |
| 5.1.1 半监督支持向量机 | 第46-48页 |
| 5.1.2 pHash算法 | 第48页 |
| 5.1.3 k-近邻(KNN)算法 | 第48-49页 |
| 5.2 引入半监督学习方式的DBN网络模型 | 第49-52页 |
| 5.2.1 前提条件 | 第49页 |
| 5.2.2 半监督的DBN网络模型 | 第49-52页 |
| 5.3 实验结果 | 第52-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 结束语 | 第57-59页 |
| 6.1 本文主要贡献 | 第57-58页 |
| 6.2 进一步研究工作 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 研究成果及发表的论文 | 第65-67页 |
| 作者与导师简介 | 第67-69页 |
| 附件 | 第69-70页 |
