声明
摘要
表格索引
插图索引
算法索引
第一章 绪论
1.1 课题背景与意义
1.1.1 演化计算
1.1.2 无监督特征学习
1.2 演化计算所面临的挑战
1.3 国内外研究现状
1.4 本论文的主要研究内容和创新之处
1.5 本论文的组织安排
1.6 本章小结
第二章 基于自组织映射的演化数据预处理
2.1 演化计算行为数据生成
2.1.1 演化算法概述
2.1.2 测试函数概述
2.1.3 演化计算行为数据定义与生成
2.2 自组织映射(SOM)概述
2.2.1 SOM神经网络基础
2.2.2 SOM神经网络拓扑结构
2.2.3 SOM学习算法
2.3 演化计算行为数据的自组织映射(SOM)网络训练
2.3.1 训练数据生成与SOM网络初始化
2.3.2 基于t-SNE的SOM网络预训练
2.3.3 SOM网络的粗训练与微调
2.3.4 SOM网络训练结果
2.4 演化计算行为数据预处理结果
2.5 本章小结
第三章 基于慢特征分析的演化计算行为分析
3.1 慢特征分析(SFA)算法概述
3.1.1 慢原则
3.1.2 SFA优化目标
3.1.3 线性SFA与非线性扩展SFA
3.2 慢特征分析算法学习流程
3.2.1 PCA白化
3.2.2 非线性扩展
3.2.3 扩展后数据的归一化调整
3.2.4 慢特征提取
3.3 慢特征分析时间序列结构调整
3.4 慢特征维数选择
3.5 实验设计与结果分析
3.5.1 实验方案设计
3.5.2 实验结果与分析
3.6 本章小结
第四章 基于深度信念网络的演化计算行为分析
4.1 受限玻尔兹曼机
4.1.1 RBM模型
4.1.2 RBM学习目标
4.1.3 吉布斯采样
4.1.4 基于对比散度(CD)的RBM快速学习算法
4.2 深度信念网络
4.2.1 深度信念网络模型
4.2.2 DBN训练方法
4.3 实验方案
4.3.1 实验数据准备
4.3.2 DBN网络结构设计
4.4 实验结果与分析
4.4.1 DBN特征提取结果与分析
4.4.2 DBN提取特征的优缺点
4.5 本章小结
5.1 全文总结
5.2 未来展望
参考文献
致谢
在读期间发表的学术论文与参与的科研项目