声明
第1章 绪论
1.1 研究背景及研究意义
1.2 国内外研究现状
1.2.1 基于自编码器的特征表示国内外研究现状
1.2.2 基于卷积神经网络的特征表示国内外研究现状
1.2.3 基于递归神经网络的特征表示国内外研究现状
1.3 本文的研究内容和组织结构
第2章 预备知识
2.1 引言
2.2 基于深度学习的特征表示方法
2.2.1 基本框架
2.2.2 超参数选择
2.2.3 网络构建
2.2.4 训练方法与技巧
2.3 常用的深度学习特征表示模型
2.3.1 自编码器
2.3.2 卷积神经网络
2.3.3 递归神经网络
2.4 本章小结
第3章 双降噪自编码器
3.1 引言
3.2 相关工作
3.2.1 降噪自编码器
3.2.2 收缩自编码器
3.3 基于自编码器的输入层重构误差下界
3.3.1 误差下界与必要条件
3.3.2 噪声条件下的误差下界
3.4 隐含层重构的鲁棒性
3.5 双降噪自编码器
3.5.1 网络结构
3.5.2 训练方法
3.6 实验分析
3.6.1 数据集
3.6.2 鲁棒性的实验验证
3.6.3 超参数选择
3.6.4 分类结果比较
3.7 本章小结
第4章 跨层神经元网络
4.1 引言
4.2 相关工作
4.3 跨层神经元网络
4.3.1 研究动机
4.3.2 跨层神经元
4.3.3 连接层与连接方式
4.3.4 跨层神经元网络的构建
4.4 实验分析
4.4.1 数据集
4.4.2 跨层神经元的性能
4.4.3 跨层神经元网络超参数的性能评估
4.4.4 分类结果比较
4.5 本章小结
第5章 基于多视图的监控视频行人重识别特征表示方法
5.1 引言
5.2 相关工作
5.3 多视图特征表示方法
5.3.1 多视图的产生
5.3.2 多视图特征的空间融合
5.3.3 基于多尺度与上采样的多视图特征表示网络
5.3.4 基于注意力机制的时空融合网络
5.4 实验分析
5.4.1 数据集
5.4.2 多视图特征表示网络的性能
5.4.3 分类结果比较
5.5 本章小结
第6章 双降噪自编码器在基因表达缺失数据分类中的应用
6.1 引言
6.2 相关工作
6.3 缺失值填补与分类方法
6.3.1 基本框架
6.3.2 评价函数
6.4 迭代的局部自加权最小二乘填补方法
6.4.1 问题描述
6.4.2 局部自加权最小二乘填补方法
6.4.3 迭代的局部自加权最小二乘填补方法
6.5 实验分析
6.5.1 数据集
6.5.2 填补算法的性能
6.5.3 局部自加权策略的鲁棒性
6.5.4 收敛性分析
6.5.5 超参数选择
6.5.6 分类结果对比
6.6 本章小结
第7章 总结与展望
7.1 本文工作总结
7.2 未来工作展望
致谢
参考文献
攻读博士学位期间的研究成果
