| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 国内外深度学习神经网络的研究现状 | 第7-8页 |
| 1.2 深度学习的概念 | 第8-10页 |
| 1.3 手写体识别研究的目的意义 | 第10页 |
| 1.4 本论文的亮点 | 第10-11页 |
| 1.5 本文章节安排 | 第11-13页 |
| 第2章 深度学习神经网络的主要方法 | 第13-19页 |
| 2.1 深度信念网络(DBN,DeepBeliefNetworks) | 第14-15页 |
| 2.2 堆叠自编码器(StackAuto-Encoder,SAE) | 第15-16页 |
| 2.3 卷积神经网络(CNN) | 第16-17页 |
| 2.4 不同深度学习神经网络的比较 | 第17-19页 |
| 第3章 基于堆叠去燥自动编码器的深度学习算法设计 | 第19-29页 |
| 3.1 手写体识别的实验数据 | 第19-20页 |
| 3.2 浅层和深层神经网络的结构和学习算法 | 第20-29页 |
| 第4章 基于堆叠去噪自编码器的深度学习算法实验与分析 | 第29-71页 |
| 4.1 堆叠去噪自编码器网络的层数对手写体识别训练时间和测试集精确度的影响 | 第29-41页 |
| 4.2 单层去噪自编码器网络的隐层节点数对手写体识别训练时间和测试集精确度的影响 | 第41-56页 |
| 4.3 噪声参数inputZeroFrac对手写体识别误差和误分类率的影响 | 第56-61页 |
| 4.4 过拟合参数dropoutFrac对手写体识别误差和误分类率的影响 | 第61-64页 |
| 4.5 权值衰减项weightPenalty对手写体识别的影响 | 第64-71页 |
| 第5章 结论与展望 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 发表论文和参加科研情况说明 | 第75-77页 |
| 致谢 | 第77页 |
