| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第15-23页 |
| 1.1 课题来源 | 第15页 |
| 1.2 研究背景及意义 | 第15-16页 |
| 1.3 图像识别概述 | 第16-18页 |
| 1.4 深度学习研究现状 | 第18-21页 |
| 1.5 本文主要工作 | 第21页 |
| 1.6 论文组织结构 | 第21-23页 |
| 2 人工神经网络和深度学习 | 第23-39页 |
| 2.1 人工神经网络 | 第23-26页 |
| 2.2 深度学习的发展背景 | 第26-27页 |
| 2.3 自动编码器 | 第27-32页 |
| 2.4 深度置信网 | 第32-34页 |
| 2.5 卷积神经网络 | 第34-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 CNN结合ELM的混合模型研究 | 第39-48页 |
| 3.1 极速学习机 | 第39-42页 |
| 3.2 混合深度学习模型CNN-ELM | 第42-43页 |
| 3.3 实验及其结果分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于核极速学习机的随机参数深度模型研究 | 第48-60页 |
| 4.1 核极速学习机 | 第48-49页 |
| 4.2 卷积核极速学习机 | 第49-52页 |
| 4.3 实验及其结果分析 | 第52-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 基于DropConnect的深度自动编码器算法研究 | 第60-69页 |
| 5.1 DropConnect理论 | 第61-62页 |
| 5.2 基于DropConnect的深度自动编码器模型 | 第62-65页 |
| 5.3 实验及其结果分析 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-79页 |
| 作者简历 | 第79-83页 |
| 学位论文数据集 | 第83页 |