| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 图像分类及手写数字识别问题概论及意义 | 第16-18页 |
| 1.2 神经网络技术的发展和国内外研究现状 | 第18-19页 |
| 1.3 本文工作与安排 | 第19-22页 |
| 第二章 神经网络相关技术概述 | 第22-38页 |
| 2.1 感知器模型 | 第22-24页 |
| 2.2 多层感知器，单隐层神经网络和反向传播算法 | 第24-27页 |
| 2.3 卷积神经网络 | 第27-29页 |
| 2.3.1 卷积操作 | 第27-28页 |
| 2.3.2 池化操作 | 第28-29页 |
| 2.3.3 卷积神经网络 | 第29页 |
| 2.4 卷积神经网络中其他常用技术介绍 | 第29-36页 |
| 2.4.1 数据增强 | 第30页 |
| 2.4.2 线性整流单元函数Re LU | 第30-31页 |
| 2.4.3 最优化算法 | 第31-34页 |
| 2.4.4 弃权技术 | 第34页 |
| 2.4.5 Bottleneck特征技术 | 第34-35页 |
| 2.4.6 批规范化（Batch Normalization，BN）算法 | 第35-36页 |
| 2.5 代价函数 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 快速准确的单隐层神经网络算法 | 第38-54页 |
| 3.1 引言 | 第38页 |
| 3.2 有监督学习和无监督学习 | 第38-39页 |
| 3.3 MNIST手写数字数据集 | 第39页 |
| 3.4 受限玻尔兹曼机 | 第39-44页 |
| 3.5 一种受限玻尔兹曼机预训练的单隐层神经网络 | 第44-46页 |
| 3.6 一种跨层连接的RBP算法 | 第46-47页 |
| 3.7 仿真实验及结果分析 | 第47-53页 |
| 3.7.1 实验一：不同数量有标签样本的情况下的算法测试 | 第50-52页 |
| 3.7.2 实验二：引入一定数量的无标签样本 | 第52-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第四章 一种畸变手写数字识别问题的改进方法 | 第54-76页 |
| 4.1 引言 | 第54-55页 |
| 4.2 仿射变换 | 第55-58页 |
| 4.2.1 平移变换 | 第55页 |
| 4.2.2 缩放变换 | 第55-56页 |
| 4.2.3 旋转变换 | 第56-57页 |
| 4.2.4 错切变换 | 第57-58页 |
| 4.3 双线性插值 | 第58-59页 |
| 4.4 空间变换网络及仿真实验 | 第59-63页 |
| 4.5 稠密连接 | 第63-64页 |
| 4.6 畸变手写数字识别问题和CMNIST数据集 | 第64-65页 |
| 4.7 一种基于空间变换网络和稠密连接的神经网络算法 | 第65-70页 |
| 4.8 仿真实验及结果分析 | 第70-74页 |
| 4.9 本章小结 | 第74-76页 |
| 第五章 基于神经网络算法的手写数字识别系统介绍 | 第76-88页 |
| 5.1 引言 | 第76页 |
| 5.2 Flask框架介绍 | 第76-77页 |
| 5.3 Keras神经网络框架 | 第77-78页 |
| 5.4 手写数字识别系统模块介绍 | 第78-84页 |
| 5.4.1 输入部分 | 第80-81页 |
| 5.4.2 预处理部分 | 第81-82页 |
| 5.4.3 神经网络识别部分 | 第82-83页 |
| 5.4.4 结果输出部分 | 第83-84页 |
| 5.5 系统权值微调 | 第84-85页 |
| 5.6 系统整体操作展示 | 第85-87页 |
| 5.7 本章小结 | 第87-88页 |
| 第六章 总结与展望 | 第88-90页 |
| 6.1 工作总结 | 第88-89页 |
| 6.2 展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-96页 |
| 作者简介 | 第96-97页 |
