| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 字符识别的研究背景及意义 | 第10页 |
| 1.2 人工神经网络的发展 | 第10-11页 |
| 1.3 深度学习的发展和其对人工神经网络的影响 | 第11-14页 |
| 1.4 CNN的发展 | 第14-15页 |
| 1.5 本文的主要工作和内容安排 | 第15-17页 |
| 第二章 CNN | 第17-32页 |
| 2.1 人工神经网络 | 第17-21页 |
| 2.1.1 人工神经网络的基本原理 | 第17页 |
| 2.1.2 人工神经网络的基础理论 | 第17-21页 |
| 2.2 CNN | 第21-30页 |
| 2.2.1 CNN的基础理论 | 第21-22页 |
| 2.2.2 CNN的结构 | 第22-23页 |
| 2.2.3 典型的CNN——LeNet-5 | 第23-26页 |
| 2.2.4 CNN的训练过程 | 第26-30页 |
| 2.2.5 CNN的优点 | 第30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 基于PCA和CNN的字符识别方法 | 第32-42页 |
| 3.1 PCA | 第32-34页 |
| 3.1.1 PCA的基本原理 | 第32-33页 |
| 3.1.2 PCA的几何解释 | 第33页 |
| 3.1.3 快速PCA | 第33-34页 |
| 3.2 EBLearn | 第34-41页 |
| 3.2.1 EBLearn原理简介 | 第35-37页 |
| 3.2.2 libidx——张量的表示及其操作 | 第37-39页 |
| 3.2.3 libeblearn——基于能量的学习方法 | 第39-40页 |
| 3.2.4 EBLearn提供的其他工具 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于CNN的数字门牌号识别应用 | 第42-51页 |
| 4.1 SVHN数据集 | 第42-43页 |
| 4.2 基于快速PCA对SVHN数据集进行重建 | 第43-44页 |
| 4.3 通过EBLearn构建CNN并进行训练、识别 | 第44-49页 |
| 4.3.1 构建CNN模型 | 第44-48页 |
| 4.3.2 训练CNN模型 | 第48页 |
| 4.3.3 测试CNN模型 | 第48-49页 |
| 4.4 实验结果及分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 全文总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表学术论文及参与项目情况 | 第56-57页 |
| 致谢 | 第57页 |