基于深度学习的手写体数字序列的识别研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 手写体数字识别研究现状 | 第10-12页 |
| 1.2.2 机器学习算法研究现状 | 第12-14页 |
| 1.3 课题主要工作 | 第14-17页 |
| 1.3.1 课题研究内容 | 第14页 |
| 1.3.2 论文章节安排 | 第14-17页 |
| 第2章 手写体数字序列识别常用方法及模型 | 第17-31页 |
| 2.1 BP神经网络 | 第17-18页 |
| 2.2 支持向量机 | 第18-19页 |
| 2.3 深度学习 | 第19-21页 |
| 2.3.1 深度学习基本思想 | 第19-20页 |
| 2.3.2 深度学习训练过程 | 第20-21页 |
| 2.4 卷积神经网络 | 第21-28页 |
| 2.4.1 神经网络 | 第21-22页 |
| 2.4.2 卷积神经网络结构 | 第22-24页 |
| 2.4.3 卷积神经网络的训练 | 第24-28页 |
| 2.5 本章小结 | 第28-31页 |
| 第3章 改进的深度学习模型 | 第31-45页 |
| 3.1 深度学习框架Caffe | 第32-36页 |
| 3.1.1 Caffe的优势 | 第32-33页 |
| 3.1.2 Caffe三大模块 | 第33-34页 |
| 3.1.3 Caffe的基本层级 | 第34-36页 |
| 3.2 lenet模型 | 第36-40页 |
| 3.2.1 Lenet-5模型 | 第36-39页 |
| 3.2.2 Lenet-5训练过程 | 第39-40页 |
| 3.3 lenet模型的改进 | 第40-43页 |
| 3.3.1 Lenet-improve模型的搭建 | 第40-41页 |
| 3.3.2 测试结果对比 | 第41-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 Caffe在Linux下的安装配置 | 第45-55页 |
| 4.1 Linux的安装 | 第45-48页 |
| 4.1.1 Linux的优势 | 第45-46页 |
| 4.1.2 Linux的安装过程 | 第46-48页 |
| 4.2 Caffe在Linux下的安装与配置 | 第48-53页 |
| 4.2.1 cuda的安装及准备工作 | 第48-50页 |
| 4.2.2 Caffe和Opencv的安装 | 第50-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第5章 手写体数字序列识别系统实现 | 第55-69页 |
| 5.1 图像预处理过程 | 第56-60页 |
| 5.1.1 图像二值化 | 第56-57页 |
| 5.1.2 数字分割 | 第57-58页 |
| 5.1.3 图像透视变换 | 第58-60页 |
| 5.2 数字识别 | 第60-65页 |
| 5.2.1 mnist数据集 | 第60-62页 |
| 5.2.2 mnist数据集测试 | 第62-64页 |
| 5.2.3 利用mnist模型测试九宫格数字序列 | 第64-65页 |
| 5.3 实验测试及结论分析 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80页 |
