基于字符级卷积神经网络的数学运算符识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状概述 | 第11-12页 |
| 1.3 研究问题及意义 | 第12-13页 |
| 1.4 研究目标与内容 | 第13页 |
| 1.5 研究框架 | 第13-15页 |
| 第二章 字符级卷积神经网络 | 第15-24页 |
| 2.1 深度网络 | 第15页 |
| 2.1.1 机器学习 | 第15页 |
| 2.1.2 深度学习 | 第15页 |
| 2.2 卷积神经网络 | 第15-23页 |
| 2.2.1 卷积 | 第16-17页 |
| 2.2.2 池化 | 第17-19页 |
| 2.2.3 Dropout | 第19页 |
| 2.2.4 Momentum | 第19-20页 |
| 2.2.5 Channel | 第20页 |
| 2.2.6 超参数设置 | 第20-22页 |
| 2.2.7 激活函数 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 编码与算法架构设计 | 第24-41页 |
| 3.1 编码 | 第24-32页 |
| 3.1.1 One-hot编码 | 第24-30页 |
| 3.1.2 字符量化 | 第30-32页 |
| 3.2 算法架构设计 | 第32-40页 |
| 3.2.1 传统神经网络架构 | 第32-37页 |
| 3.2.2 深度卷积神经网络架构 | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 实验和结果 | 第41-49页 |
| 4.1 生成实验数据 | 第41-46页 |
| 4.1.1 生成加法运算的数据 | 第42-46页 |
| 4.1.2 生成减法运算的数据 | 第46页 |
| 4.1.3 生成乘法运算的数据 | 第46页 |
| 4.1.4 生成除法运算的数据 | 第46页 |
| 4.2 训练 | 第46-48页 |
| 4.3 预测 | 第48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 结论和展望 | 第49-51页 |
| 5.1 研究成果 | 第49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士期间发表的论文 | 第55-56页 |
| 致谢 | 第56页 |
