| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 基于几何特征的方法 | 第9-10页 |
| 1.2.2 特征脸方法 | 第10页 |
| 1.3 深度学习综述 | 第10-11页 |
| 1.4 主要内容及章节安排 | 第11-13页 |
| 2 深度学习的理论研究 | 第13-27页 |
| 2.1 深度学习的工作原理 | 第13-15页 |
| 2.2 前馈神经网络(FNN) | 第15-17页 |
| 2.2.1 前馈神经网络结构 | 第15-16页 |
| 2.2.2 权值共享 | 第16页 |
| 2.2.3 激活函数 | 第16-17页 |
| 2.3 卷积神经网络(CNN) | 第17-26页 |
| 2.3.1 卷积神经网络模型及结构 | 第17-22页 |
| 2.3.2 反向传播 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 改进LeNet-5 的卷积神经网络 | 第27-43页 |
| 3.1 LeNet-5 网络模型结构 | 第27-29页 |
| 3.2 三种激活函数 | 第29-31页 |
| 3.3 基于LeNet-5的7 层卷积神经网络 | 第31-37页 |
| 3.3.1 7层网络模型结构 | 第32页 |
| 3.3.2 7层网络模型结构解析 | 第32-33页 |
| 3.3.3 7层网络模型训练 | 第33-37页 |
| 3.4 基于LeNet-5的14 层卷积神经网络 | 第37-42页 |
| 3.4.1 14层网络模型结构 | 第37-38页 |
| 3.4.2 14层网络模型结构解析 | 第38-39页 |
| 3.4.3 14层网络模型训练 | 第39-42页 |
| 3.5 7层和14 层网络模型的比对 | 第42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 Dropout与改进的网络模型的融合 | 第43-51页 |
| 4.1 过拟合现象 | 第43页 |
| 4.2 Dropout技术 | 第43-45页 |
| 4.2.1 Dropout网络模型 | 第43-45页 |
| 4.3 融合Dropout的网络模型 | 第45-50页 |
| 4.3.1 网络模型结构 | 第45-47页 |
| 4.3.2 网络模型训练 | 第47-49页 |
| 4.3.3 测试结果与分析 | 第49-50页 |
| 4.4 14层和融合Dropout后的网络模型比对 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 本文总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间发表的论文与研究成果清单 | 第57-58页 |
| 致谢 | 第58页 |