| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题概述 | 第9-10页 |
| 1.2 研究背景 | 第10-11页 |
| 1.3 研究意义 | 第11-12页 |
| 1.4 国内外研究现状 | 第12-13页 |
| 1.4.1 图像识别研究现状 | 第12页 |
| 1.4.2 神经网络在图像识别应用现状 | 第12-13页 |
| 1.5 主要工作内容 | 第13页 |
| 1.6 论文章节安排 | 第13-15页 |
| 第二章 技术背景 | 第15-25页 |
| 2.1 图像识别技术 | 第15-17页 |
| 2.2 神经网络 | 第17-19页 |
| 2.3 卷积神经网络简介 | 第19-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 卷积神经网络LeNet5模型简要分析 | 第25-35页 |
| 3.1 卷积神经网络LeNet5整体结构 | 第26-27页 |
| 3.2 卷积神经网络LeNet5层级模型 | 第27-29页 |
| 3.2.1 输入层 | 第27页 |
| 3.2.2 卷积计算层 | 第27-28页 |
| 3.2.3 激励层 | 第28页 |
| 3.2.4 池化层 | 第28-29页 |
| 3.2.5 全连接层 | 第29页 |
| 3.3 卷积神经网络LeNet5核心算法 | 第29-33页 |
| 3.3.1 网络结构 | 第30-32页 |
| 3.3.2 卷积算法 | 第32页 |
| 3.3.3 训练算法 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 卷积神经网络LeNet5策略优化 | 第35-47页 |
| 4.1 激活函数选取优化方案 | 第35-36页 |
| 4.2 层级结构选取优化方案 | 第36-38页 |
| 4.2.1 选取方案 | 第36页 |
| 4.2.2 对比实验分析 | 第36-38页 |
| 4.3 分类器选取 | 第38-39页 |
| 4.4 LeNet5的GPU并行优化方案 | 第39-43页 |
| 4.4.1 LeNet5的GPU并行化加速方法 | 第40-41页 |
| 4.4.2 训练时间对比分析 | 第41-42页 |
| 4.4.3 识别误差对比分析 | 第42页 |
| 4.4.4 运算能力对比分析 | 第42-43页 |
| 4.4.5 运行效率对比分析 | 第43页 |
| 4.5 整体优化方案性能评估与分析 | 第43-45页 |
| 4.6 本章小结 | 第45-47页 |
| 第五章 基于卷积神经网络LeNet5的数字识别系统设计与实现 | 第47-57页 |
| 5.1 系统实现目标 | 第47页 |
| 5.2 系统设计概述 | 第47-48页 |
| 5.3 整体系统结构 | 第48-53页 |
| 5.3.1 数据输入层 | 第50-51页 |
| 5.3.2 识别分析模块 | 第51-53页 |
| 5.4 系统环境及GUI界面 | 第53-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |