声明
第一章 绪论
1.1 研究背景介绍
1.1.1 人工神经网络
1.1.2 深度学习
1.2 研究现状
1.3 研究的意义
1.4 本文所提到的优化方法
1.5 本论文的组织结构
第二章 深度学习常见的模型及其应用
2.1 深度学习常见的模型
2.1.1 卷积神经网络
2.1.2 自动编码器
2.1.3 循环神经网络和长短期记忆模型LSTM
2.2 深度学习的应用领域
2.2.1 图像识别
2.2.2 语音识别
2.2.3 自然语言处理
2.2.4 其他的应用领域
第三章 卷积神经网络介绍
3.1 CNN的研究发展
3.2 CNN的局部感知与权值共享
3.3 CNN中的激活函数以及反向传播算法
3.3.1 激活函数
3.3.2 CNN的反向传播算法
第四章 网络结构优化算法
4.1 已经提出的网络结构优化算法
4.1.1 蛮力算法
4.1.2 剪枝算法
4.1.3 卷积神经网络的修剪过滤器算法
4.2 基于网络权值修正幅度的结构优化分析
4.2.1 相同数目的卷积核剪枝对比
4.2.2 不同阈值判定条件下的剪枝对比
4.3 基于卷积核权值相关性的网络结构优化分析
4.3.1 PCA特征提取
4.3.2 卷积核权值之间的相关性计算分析
4.3.4 两个卷积层的神经网络结构模型实验
4.3.5 单个卷积层的神经网络结构模型实验
4.3.6 CNN的模型优化调整
第五章 实验结果和分析
5.1 实验中的数据集以及数据集预处理
5.2 实验模型结构、实验环境以及参数设定
5.3 基于网络权值修正幅度的结构优化分析方法的实验结果和分析
5.3.1 相同数目卷积核的剪枝方法实验结果和分析
5.3.2 不同阈值判定条件下的剪枝方法实验结果和分析
5.4 基于卷积核权值相关性的网络结构优化方法的实验结果和分析
5.4.1 两个卷积层的网络模型的实验结果和分析
5.4.2 单个卷积层的网络模型的实验结果和分析
第六章 总结和展望
6.1 本文总结
6.2 研究展望
参考文献
在校期间研究成果
致谢
