深度学习在手写数字识别中的应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 研究背景 | 第9-17页 |
| 1.1.1 手写数字识别概述 | 第9-10页 |
| 1.1.2 手写数字识别的难点 | 第10-11页 |
| 1.1.3 手写数字识别的研究现状 | 第11-16页 |
| 1.1.4 手写数字识别的典型应用 | 第16-17页 |
| 1.2 论文研究的目的、内容和结构框架 | 第17-22页 |
| 1.2.1 论文研究的目的和内容 | 第17-20页 |
| 1.2.2 论文的结构框架 | 第20-22页 |
| 第2章 深度学习动机、来源与应用 | 第22-29页 |
| 2.1 深度学习动机 | 第22-25页 |
| 2.1.1 浅层学习步骤 | 第22页 |
| 2.1.2 从浅层学习到深度学习动机 | 第22-25页 |
| 2.2 深度学习的来源与应用 | 第25-29页 |
| 2.2.1 深度学习的来源 | 第25页 |
| 2.2.2 深度学习的应用 | 第25-29页 |
| 第3章 深度学习理论框架 | 第29-42页 |
| 3.1 深度学习的基本思想 | 第29-30页 |
| 3.2 深度学习与神经网络 | 第30-33页 |
| 3.3 深度学习的训练过程 | 第33-34页 |
| 3.3.1 自下而上的非监督学习 | 第33-34页 |
| 3.3.2 自上而下的有监督学习 | 第34页 |
| 3.4 常用的深度学习模型 | 第34-42页 |
| 3.4.1 自动编码器 | 第34-37页 |
| 3.4.2 受限玻尔兹曼机 | 第37-39页 |
| 3.4.3 深信度网络 | 第39-42页 |
| 第4章 特征提取和分类决策 | 第42-56页 |
| 4.1 特征提取方法 | 第42-54页 |
| 4.1.1 典型特征 | 第42-44页 |
| 4.1.2 尺度不变特征变换 | 第44-50页 |
| 4.1.3 主成分分析 | 第50-52页 |
| 4.1.4 方向梯度直方图 | 第52-54页 |
| 4.2 稀疏自编码网络 | 第54-56页 |
| 4.2.1 自编码网络 | 第54-55页 |
| 4.2.2 稀疏性抑制 | 第55页 |
| 4.2.3 栈式自编码 | 第55-56页 |
| 第5章 深度学习在手写数字识别中的应用 | 第56-74页 |
| 5.1 性能评价标准 | 第56-57页 |
| 5.2 实验准备 | 第57页 |
| 5.3 实验过程 | 第57-62页 |
| 5.3.1 实验步骤 | 第57-58页 |
| 5.3.2 分组实验设计 | 第58-62页 |
| 5.4 手写数字识别分类实验结果 | 第62-74页 |
| 5.4.1 单特征分类结果 | 第62-65页 |
| 5.4.2 特征拼接 | 第65-68页 |
| 5.4.3 二次提取 | 第68-71页 |
| 5.4.4 特征拼接+二次提取 | 第71-74页 |
| 第6章 总结与展望 | 第74-75页 |
| 6.1 工作总结 | 第74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
