|
|
|
|
面向长尾分布分类任务的结构化深度学习模型与算法 |
| |
| 论文目录 |
| |
| 摘要 | 第3-5页 | | ABSTRACT | 第5-6页 | | 第一章 绪论 | 第11-25页 | | 1.1 研究背景和意义 | 第11-12页 | | 1.2 建模挑战 | 第12-14页 | | 1.3 研究现状 | 第14-19页 | | 1.3.1 长尾分布分类 | 第14-15页 | | 1.3.2 结构化分类器 | 第15-17页 | | 1.3.3 深度神经网络 | 第17-18页 | | 1.3.4 标记结构学习 | 第18-19页 | | 1.4 主要研究内容与贡献 | 第19-22页 | | 1.5 组织结构 | 第22-25页 | | 第二章 研究基础 | 第25-35页 | | 2.1 引言 | 第25页 | | 2.2 不均衡分类与标记结构 | 第25-29页 | | 2.2.1 不均衡分类 | 第25-27页 | | 2.2.2 标记结构 | 第27-29页 | | 2.3 标记结构建模 | 第29-33页 | | 2.3.1 概率图模型 | 第29-30页 | | 2.3.2 分层分类算法 | 第30-31页 | | 2.3.3 标记结构学习 | 第31-33页 | | 2.4 小结 | 第33-35页 | | 第三章 基于标记一阶线性关联关系的深度学习算法 | 第35-53页 | | 3.1 引言 | 第35-36页 | | 3.2 多模态深度神经网络与条件随机场联合建模 | 第36-44页 | | 3.2.1 言语行为识别及问题的符号描述 | 第36-37页 | | 3.2.2 模型结构 | 第37-40页 | | 3.2.3 多模态深度神经网络 | 第40-42页 | | 3.2.4 条件随机场 | 第42-43页 | | 3.2.5 参数估计和模型预测 | 第43-44页 | | 3.3 实验分析 | 第44-50页 | | 3.3.1 数据集 | 第44-45页 | | 3.3.2 评价指标 | 第45页 | | 3.3.3 特征评价 | 第45-47页 | | 3.3.4 超参数讨论 | 第47-48页 | | 3.3.5 实验结果及分析 | 第48-50页 | | 3.4 小结 | 第50-53页 | | 第四章 基于标记高阶分层结构的多任务协同学习网络 | 第53-69页 | | 4.1 引言 | 第53-57页 | | 4.2 多任务协同学习的深度神经网络建模 | 第57-61页 | | 4.2.1 模型结构 | 第58-60页 | | 4.2.2 多任务协同学习融合函数 | 第60-61页 | | 4.2.3 模型训练及预测 | 第61页 | | 4.3 实验分析 | 第61-67页 | | 4.3.1 数据集 | 第62-63页 | | 4.3.2 对比算法和评价指标 | 第63页 | | 4.3.3 实验结果 | 第63-66页 | | 4.3.4 参数敏感性分析 | 第66-67页 | | 4.4 小结 | 第67-69页 | | 第五章 基于深度神经网络的标记结构优化学习 | 第69-85页 | | 5.1 引言 | 第69-70页 | | 5.2 基于分块稀疏约束的深度标记结构学习模型 | 第70-75页 | | 5.2.1 模型结构 | 第71-72页 | | 5.2.2 分块稀疏约束的深度神经网络 | 第72-73页 | | 5.2.3 参数优化学习 | 第73-74页 | | 5.2.4 标记结构构建 | 第74-75页 | | 5.3 实验分析 | 第75-83页 | | 5.3.1 数据集 | 第75-76页 | | 5.3.2 对比算法与评价指标 | 第76-77页 | | 5.3.3 实验结果与分析 | 第77-80页 | | 5.3.4 参数敏感性分析 | 第80-82页 | | 5.3.5 模型扩展实验 | 第82-83页 | | 5.4 小结 | 第83-85页 | | 第六章 总结与展望 | 第85-89页 | | 6.1 总结 | 第85-86页 | | 6.2 展望 | 第86-89页 | | 参考文献 | 第89-99页 | | 发表论文和参加科研情况说明 | 第99-103页 | | 致谢 | 第103页 |
|
|
|
|
论文编号BS4522075，这篇论文共103页
会员购买按0.35元/页下载，共需支付36.05元。 直接购买按0.5元/页下载，共需要支付51.5元 。 |
 |
 |
我还不是会员，注册会员！
会员下载更优惠!充值送钱！ |
我只需要这篇，无需注册！
直接网上支付，方便快捷！ |
|
|
|
版权申明：本目录由www.jylw.com网站制作，本站并未收录原文，如果您是作者，需要删除本篇论文目录请通过QQ或其它联系方式告知我们，我们承诺24小时内删除。 |
|
|
广告服务