| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景与意义 | 第11-13页 |
| 1.3 国内外研究现状分析 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 1.4.1 论文的研究内容 | 第15页 |
| 1.4.2 论文的章节安排 | 第15-17页 |
| 第二章 图像识别与深度学习综述 | 第17-33页 |
| 2.1 图像识别基础理论 | 第17-20页 |
| 2.1.1 图像的特征提取 | 第18-19页 |
| 2.1.2 图像的识别方法 | 第19-20页 |
| 2.2 深度学习基础理论 | 第20-26页 |
| 2.2.1 传统神经网络 | 第20-23页 |
| 2.2.2 深度学习的概念 | 第23页 |
| 2.2.3 浅层学习和深度学习 | 第23-26页 |
| 2.3 深度学习常用模型 | 第26-32页 |
| 2.3.1 自动编码器(AE) | 第26-27页 |
| 2.3.2 稀疏自编码器(SAE) | 第27-28页 |
| 2.3.3 深度信念网络(DBN) | 第28-30页 |
| 2.3.4 卷积神经网络(CNN) | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度神经网络的图像识别研究 | 第33-43页 |
| 3.1 基于深度神经网络的图像识别 | 第33-35页 |
| 3.1.1 模型结构描述 | 第33-34页 |
| 3.1.2 MNIST数据集 | 第34-35页 |
| 3.2 深度神经网络中初始化权重方法的研究 | 第35-40页 |
| 3.2.1 初始化权重方法及存在的问题 | 第35-37页 |
| 3.2.2 改进后的初始化权重方法 | 第37-39页 |
| 3.2.3 实验结果与分析 | 第39-40页 |
| 3.3 深度神经网络中节点数、层数对识别率影响的研究 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 一种基于深度信念网络的图像识别算法 | 第43-52页 |
| 4.1 深度信念网络图像识别算法的改进 | 第43-47页 |
| 4.1.1 栈式去噪自编码器 | 第43-44页 |
| 4.1.2 限制玻尔兹曼机 | 第44-45页 |
| 4.1.3 模型描述 | 第45-47页 |
| 4.2 实验分析与比较 | 第47-50页 |
| 4.2.1 CIFAR-10数据集简介 | 第47-48页 |
| 4.2.2 实验结果 | 第48-50页 |
| 4.3 本章小结 | 第50-52页 |
| 第五章 一种基于卷积神经网络的图像识别算法 | 第52-67页 |
| 5.1 卷积神经网络图像识别算法的改进 | 第52-61页 |
| 5.1.1 卷积层 | 第52-53页 |
| 5.1.2 池化层及存在的问题 | 第53-55页 |
| 5.1.3 激活函数 | 第55-58页 |
| 5.1.4 Dropout | 第58-59页 |
| 5.1.5 模型描述 | 第59-61页 |
| 5.2 实验分析与比较 | 第61-66页 |
| 5.2.1 改进的激活函数实验分析 | 第62-63页 |
| 5.2.2 改进的卷积神经网络模型实验分析 | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文研究工作总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士期间研究成果 | 第74-75页 |
| 致谢 | 第75页 |