| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-18页 |
| ·课题研究背景和意义 | 第10-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·深度学习在语音识别领域研究现状 | 第13-14页 |
| ·深度学习在图像识别领域研究现状 | 第14-15页 |
| ·深度学习在自然语言处理领域研究现状 | 第15-16页 |
| ·存在的问题 | 第16-17页 |
| ·本文主要内容 | 第17-18页 |
| 第二章 人工神经网络和卷积神经网络的结构及算法 | 第18-32页 |
| ·人工神经网络 | 第18-26页 |
| ·单个神经元 | 第18-19页 |
| ·神经网络 | 第19-21页 |
| ·多层感知器(MLP) | 第21-22页 |
| ·反向传导算法 | 第22-26页 |
| ·卷积神经网络 | 第26-32页 |
| ·稀疏连接 | 第26-27页 |
| ·权重共享 | 第27页 |
| ·最大池采样 | 第27-28页 |
| ·Softmax回归 | 第28-31页 |
| ·卷积神经网络整体架构 | 第31-32页 |
| 第三章 基于手写数字识别的卷积神经网络性能研究 | 第32-43页 |
| ·MNIST手写数字识别库简介 | 第32页 |
| ·卷积神经网络构造和改进方法 | 第32-36页 |
| ·卷积神经网络模型一(Conv Net-1) | 第34页 |
| ·卷积神经网络模型二(Conv Net-2) | 第34-35页 |
| ·卷积神经网络模型三(Conv Net-3) | 第35-36页 |
| ·实验结果 | 第36-41页 |
| ·LeNet-5网络模型的实验结果 | 第36-38页 |
| ·Conv Net-1网络模型的实验结果 | 第38-39页 |
| ·Conv Net-2网络模型的实验结果 | 第39-40页 |
| ·Conv Net-3网络模型的实验结果 | 第40-41页 |
| ·实验结果对比分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 卷积神经网络在交通标示识别中的应用 | 第43-58页 |
| ·卷积神经网络和多层感知器相结合的交通标示识别系统 | 第43-49页 |
| ·卷积层的构建 | 第43-44页 |
| ·采样层的构造方法 | 第44页 |
| ·分类层的构建 | 第44页 |
| ·图像预处理 | 第44-45页 |
| ·卷积神经网络实验结果 | 第45-48页 |
| ·卷积神经网络和多层感知器结合的实验结果 | 第48-49页 |
| ·基于多列深度卷积神经网络的交通标示识别系统 | 第49-56页 |
| ·单个深度卷积神经网络的构建 | 第50-51页 |
| ·单个深度卷积神经网络的训练过程 | 第51-53页 |
| ·构建多列深度卷积神经网络 | 第53-54页 |
| ·多列深度卷积神经网络实验结果 | 第54-56页 |
| ·实验结果对比分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结和展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 本文作者硕士期间的科研成果 | 第64-65页 |
| 致谢 | 第65-66页 |