声明
致谢
目 录
1 绪论
1.1 课题来源
1.2 背景与意义
1.3 国内外研究现状
1.3.1 传统的受限玻尔兹曼机的模型概述
1.3.2 受限玻尔兹曼机在特征学习中的研究
1.3.3 受限玻尔兹曼机在深度学习中的研究
1.3.4 国内外研究中存在的不足
1.4 本文的主要研究内容和组织结构
1.4.1 主要研究内容
1.4.2 论文组织结构
2 基础理论
2.1 RBM 基础理论
2.1.1 玻尔兹曼机与 RBM
2.1.2 RBM 常用的训练算法
2.1.3 实值 RBM 模型
2.2 RBM与神经网络
2.2.1 DBN 和 DBM
2.2.2 基于变分自编码和 RBM 的混合模型
2.2.3 卷积深度置信网
2.3 其他相关理论
2.3.1 生成对抗网络
2.3.2 流模型
2.4 小结
3 关于 RBM特征表达的研究
3.1 引言
3.2 基于附加单元的高斯 RBM 模型
3.2.1 ARBM 模型简介
3.2.2 实验
3.3 基于隐式梯度的对抗 RBM模型
3.3.1 AIRBM 模型简介
3.3.2 实验
3.4 小结
4 基于不确定性权值的 RBM模型
4.1 引言
4.2 基于权值不确定性方法的 RBM 及其深度拓展模型
4.2.1 权值不确定性方法
4.2.2 Boosted CD 算法
4.3 实验
4.4 小结
5 基于深度特征嵌入的深度判别模型
5.1 引言
5.2 小波核极限学习机
5.2.1 ELM 与核函数简介
5.2.2 小波 KELM 模型
5.2.3 Weighted WKELM 模型的实验分析
5.2.4 DBN-Weighted WKELM 模型及其实验分析
5.3 基于深度特征嵌入的增量型极限学习机
5.3.1 IELM-DFE 模型简介
5.3.2 实验验证
5.4 小结
6 RBM在生成模型中的应用与拓展
6.1 引言
6.2 基于对抗损失的 DBM 模型
6.2.1 模型结构与算法
6.2.2 实验分析
6.3 基 于 对 抗 损 失 的 卷 积 混 合 生 成 模 型
6.3.1 模型结构与算法
6.3.2 实验分析
6.4 具有 Boltzmann 先验的对抗的非体积保持流模型
6.4.1 ANVPB 模型结构和学习算法
6.4.2 实验
6.5 小结
7 总结与展望
7.1 总结
7.2 展望
参考文献
作者简历
中国矿业大学中国矿业大学(江苏);