基于深度学习的手写字符串识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 目的、背景和意义 | 第10-11页 |
| 1.2 面临的问题和挑战 | 第11-12页 |
| 1.3 研究进展 | 第12-20页 |
| 1.3.1 特征表示—由浅层至深层 | 第12-16页 |
| 1.3.2 字符识别 | 第16-17页 |
| 1.3.3 降噪和复原 | 第17-18页 |
| 1.3.4 优化技术 | 第18-20页 |
| 1.4 论文的主要工作 | 第20-21页 |
| 1.5 论文的章节安排 | 第21-22页 |
| 第2章 深度学习 | 第22-44页 |
| 2.1 深度学习的定义和结构 | 第22-24页 |
| 2.1.1 深度学习的概念 | 第22-23页 |
| 2.1.2 主要结构 | 第23-24页 |
| 2.2 自编码机和多层前馈神经网络 | 第24-28页 |
| 2.2.1 BP直接训练MFNNs | 第24-25页 |
| 2.2.2 自编码机 | 第25-28页 |
| 2.3 受限玻尔兹曼机和深度信念网络 | 第28-36页 |
| 2.3.1 伯努利分布的受限玻尔兹曼机 | 第28-30页 |
| 2.3.2 高斯分布的受限玻尔兹曼机 | 第30-32页 |
| 2.3.3 训练RBMs | 第32-33页 |
| 2.3.4 深度信念网络 | 第33-36页 |
| 2.4 卷积神经网络 | 第36-42页 |
| 2.4.1 采用BP算法训练CNNs | 第38-42页 |
| 2.5 递归神经网络 | 第42页 |
| 2.6 本章小结 | 第42-44页 |
| 第3章 基于能量模型的图像降噪和复原 | 第44-55页 |
| 3.1 图像的退化和复原 | 第44-47页 |
| 3.1.1 噪声类型和滤波器 | 第44-47页 |
| 3.2 用于降噪和复原的受限玻尔兹曼机 | 第47-50页 |
| 3.2.1 训练该模型 | 第48页 |
| 3.2.2 应用该模型对图像复原 | 第48-50页 |
| 3.3 实验结果 | 第50-51页 |
| 3.3.1 训练数据 | 第50页 |
| 3.3.2 参数的设定和结果 | 第50-51页 |
| 3.4 卷积模型 | 第51-52页 |
| 3.4.1 对实数的建模 | 第52页 |
| 3.5 本章小结 | 第52-55页 |
| 第4章 单个字符识别 | 第55-62页 |
| 4.1 数据集 | 第55-56页 |
| 4.1.1 基本数据集 | 第55页 |
| 4.1.2 获得更多训练数据 | 第55-56页 |
| 4.2 单层结构的识别 | 第56页 |
| 4.3 多层全连接网络的识别 | 第56-58页 |
| 4.3.1 不进行预训练 | 第56-57页 |
| 4.3.2 有监督预训练 | 第57页 |
| 4.3.3 无监督预训练 | 第57-58页 |
| 4.4 卷积神经网络 | 第58-60页 |
| 4.4.1 直接运用BP算法训练 | 第58-59页 |
| 4.4.2 无监督学习算法 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 字符串识别 | 第62-69页 |
| 5.1 数据的获取 | 第62页 |
| 5.2 识别框架 | 第62-65页 |
| 5.3 字符串的分割 | 第65-67页 |
| 5.4 整体训练 | 第67页 |
| 5.5 实验 | 第67页 |
| 5.6 本章小结 | 第67-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第76-77页 |
| 致谢 | 第77-78页 |
