声明
摘要
1 绪论
1.1研究背景与意义
1.2国内外相关工作研究进展
1.2.1深度学习概述
1.2.2深度学习典型计算架构
1.2.3面向异构数据特征学习的深度学习相关工作
1.2.4面向海量数据特征学习的深度学习相关工作
1.2.5面向增量数据特征学习的深度学习相关工作
1.3本文主要研究内容
1.4论文组织结构
2深度卷积计算模型
2.1 引言
2.2问题描述
2.3张量数据模型
2.4张量非线性计算层
2.4.1张量卷积层
2.4.2张量抽样层
2.4.3张量全连接层
2.5高阶反向传播算法
2.5.1 张量全连接层反向计算
2.5.2张量抽样层反向计算
2.5.3张量卷积层反向计算
2.6基本深度卷积计算模型
2.7实验验证与分析
2.7.1实验对比模型
2.7.2验证评价指标
2.7.3数据划分策略
2.7.4 CUAVE数据集实验结果
2.7.5 STL-10数据集实验结果
2.8本章小结
3 CP分解深度卷积计算模型
3.1 引言
3.2问题描述
3.3 CP张量分解
3.4 CP分解张量计算层
3.4.1 CP分解张量全连接层
3.4.2 CP分解张量卷积层
3.5 CP高阶反向传播过程
3.5.1 CP分解张量全连接层反向计算
3.5.2 CP张量卷积层反向计算
3.6基本CP分解的深度卷积计算模型
3.7实验验证与分析
3.7.1实验对比模型
3.7.2验证评价指标
3.7.3数据划分策略
3.7.4 CUAVE数据集实验结果
3.7.5 STL-10数据集实验结果
3.8本章小结
4增量深度卷积计算模型
4.1 引言
4.2问题描述
4.3 dropout正则化方法
4.4增量学习算法
4.4.1 参数增量学习算法
4.4.2结构增量学习算法
4.5实验验证与分析
4.5.1 CIFAR数据集
4.5.2 CUAvE数据集
4.6本章小结
5基于深度计算的模糊聚类
5.1 引言
5.2问题描述
5.3模糊聚类算法
5.3.1模糊聚类定义
5.3.2模糊聚类研究进展
5.4基于深度卷积计算的模糊聚类框架
5.4.1 私有模态降噪自动编码模块
5.4.2深度卷积计算特征融合模块
5.4.3高阶模糊聚类模块
5.5实验验证分析
5.5.1实验对比模型
5.5.2验证评价指标
5.5.3数据划分策略
5.5.4 MIR Flickr数据集实验结果
5.5.5 CUAVE数据集实验结果
5.6本章小结
6结论与展望
6.1 结论
6.2创新点
6.3展望
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介
大连理工大学;