基于卷积神经网络的深度学习算法与应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 选题背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 语音识别领域 | 第14页 |
| 1.2.2 图像识别领域 | 第14-15页 |
| 1.2.3 自然语言处理领域 | 第15页 |
| 1.3 深度学习研究存在的问题 | 第15-16页 |
| 1.3.1 理论研究方面 | 第15页 |
| 1.3.2 建模研究方面 | 第15-16页 |
| 1.3.3 工程应用方面 | 第16页 |
| 1.4 本文的主要内容 | 第16-19页 |
| 第二章 深度学习基础理论介绍 | 第19-35页 |
| 2.1 人脑视觉原理 | 第19-20页 |
| 2.2 物体的特征 | 第20-22页 |
| 2.2.1 特征表示的粒度 | 第20页 |
| 2.2.2 初级特征表示 | 第20-21页 |
| 2.2.3 高级特征表示 | 第21-22页 |
| 2.3 深度学习的基本思想 | 第22页 |
| 2.4 深度学习的训练过程 | 第22-23页 |
| 2.4.1 BP算法的局限性 | 第22页 |
| 2.4.2 深度学习的训练过程 | 第22-23页 |
| 2.5 深度学习常用模型（方法） | 第23-28页 |
| 2.5.1 AutoEncoder自动编码器 | 第23-25页 |
| 2.5.2 Sparse Coding稀疏编码 | 第25-26页 |
| 2.5.3 限制波尔兹曼机(RBM) | 第26-28页 |
| 2.6 卷积神经网络（CNN） | 第28-34页 |
| 2.6.1 卷积神经网络的网络结构 | 第28-29页 |
| 2.6.2 卷积神经网络的初始化 | 第29-30页 |
| 2.6.3 前向传播计算 | 第30页 |
| 2.6.4 反向调整权重 | 第30-33页 |
| 2.6.5 卷积神经网络的优点 | 第33-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第三章 基于MNIST数据库卷积神经网络性能分析 | 第35-53页 |
| 3.1 MNIST数据库介绍 | 第35-36页 |
| 3.2 LeNet-5 卷积神经网络模型介绍 | 第36-37页 |
| 3.3 实验网络模型构造方法 | 第37-38页 |
| 3.3.1 卷积神经网络模型一 | 第37-38页 |
| 3.3.2 卷积神经网络模型二 | 第38页 |
| 3.3.3 卷积神经网络模型三 | 第38页 |
| 3.4 实验结果 | 第38-50页 |
| 3.4.1 模型一实验结果 | 第39-42页 |
| 3.4.2 模型二实验结果 | 第42-46页 |
| 3.4.3 模型三实验结果 | 第46-50页 |
| 3.5 实验结果对比分析 | 第50-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 基于多级卷积神经网络的目标识别研究 | 第53-63页 |
| 4.1 多级卷积神经网络（MS-CNN） | 第53-57页 |
| 4.1.1 MS-CNN的特点 | 第53-55页 |
| 4.1.2 MS-CNN的网络结构 | 第55-57页 |
| 4.2 ORL人脸数据实验 | 第57-59页 |
| 4.2.1 ORL人脸数据集介绍 | 第57页 |
| 4.2.2 ORL人脸数据实验 | 第57-59页 |
| 4.3 其它样本实验 | 第59-62页 |
| 4.3.1 多姿态样本实验 | 第59-61页 |
| 4.3.2 遮挡目标样本实验 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 结论和展望 | 第63-65页 |
| 5.1 研究结论 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
