基于Theano深度学习框架的图像识别算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 深度学习的发展和研究现状 | 第12-14页 |
| 1.2.1 深度学习的发展历程 | 第12-13页 |
| 1.2.2 深度学习的研究现状 | 第13-14页 |
| 1.3 主要研究工作 | 第14-16页 |
| 第2章 深度学习经典算法模型 | 第16-32页 |
| 2.1 多层感知机(MLP) | 第16-19页 |
| 2.2 受限玻尔兹曼机(RBM) | 第19页 |
| 2.3 深信度网络(DBN) | 第19-20页 |
| 2.4 传统卷积神经网络(CNN) | 第20-25页 |
| 2.4.1 卷积神经网络发展历史 | 第21页 |
| 2.4.2 卷积神经网络结构 | 第21-25页 |
| 2.5 模型实验结果 | 第25-32页 |
| 2.5.1 实验环境 | 第25-27页 |
| 2.5.2 多层感知机训练结果 | 第27页 |
| 2.5.3 玻尔兹曼机训练过程及结果 | 第27-29页 |
| 2.5.4 卷积神经网络训练过程及结果 | 第29-30页 |
| 2.5.5 算法识别率结果对比 | 第30-32页 |
| 第3章 改进的卷积神经网络研究 | 第32-42页 |
| 3.1 主成分分析算法 | 第32-37页 |
| 3.1.1 主成分分析运行实例 | 第32-36页 |
| 3.1.2 应用主成分分析算法需求 | 第36-37页 |
| 3.2 传统卷积神经网络(CNN)的求解 | 第37-39页 |
| 3.3 改进的卷积神经网络 | 第39-42页 |
| 第4章 改进的受限玻尔兹曼机研究 | 第42-49页 |
| 4.1 受限玻尔兹曼机(RBM)概述 | 第42-44页 |
| 4.2 交替迭代算法 | 第44-45页 |
| 4.3 训练改进的受限玻尔兹曼机 | 第45-49页 |
| 4.3.1 创建训练样本 | 第45-46页 |
| 4.3.2 重构的过程 | 第46-47页 |
| 4.3.3 训练结果 | 第47-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 全文总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
