基于卷积神经网络的深度学习算法与应用研究

摘要

深度学习是近几年提出的一种具有多个隐含层的深度神经网络来完成学习任务的机器学习方法，它是机器学习一个新的发展阶段。深度学习主要通过搭建含有多个隐含层的神经网络模型，同时利用大量的训练样本来学习得到更有利用价值的特征，进而提升网络模型的预测，分类的准确性。卷积神经网络作为深度学习一个重要的网络模型，其具有结构层次化、权值共享、区域局部感知、特征抽取和分类过程结合的全局训练等特点，在图像识别领域获得了广泛的应用，特别是深度卷积神经网络是目前的研究热点，对其本身及在不同样本的识别上的应用进行研究具有重要的应用价值。
　　本文在整理和总结了国内外相关深度学习和卷积神经网络的发展经过和研究成果，并对深度学习特别是卷积神经网络的基本概念和算法进行了总结和介绍。以经典的卷积神经网络模型为基础，以手写数字作为实验样本，通过多样本和少样本两种实验找出网络深度、卷积核大小和数量对系统性能的影响。针对实际应用过程中样本数量少的问题，通过修正网络激活函数，改变传统网络只利用样本最后一级的特征进行目标识别，将网络得到的各级样本特征全部送到全连接层进行目标识别，进而构建新的卷积神经网络模型，并将其应用到人脸识别和遮挡目标识别等任务当中，实验表明该模型具有较好的识别能力。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

缩略语对照表

目录

第一章 绪论

1.1 选题背景和意义

1.2 国内外研究现状

1.3 深度学习研究存在的问题

1.4 本文的主要内容

第二章 深度学习基础理论介绍

2.1 人脑视觉原理

2.2 物体的特征

2.3 深度学习的基本思想

2.4 深度学习的训练过程

2.5 深度学习常用模型（方法）

2.6 卷积神经网络（CNN）

2.7 本章小结

第三章 基于MNIST数据库卷积神经网络性能分析

3.1 MNIST数据库介绍

3.2 LeNet-5卷积神经网络模型介绍

3.3实验网络模型构造方法

3.4实验结果

3.5实验结果对比分析

3.6本章小结

第四章 基于多级卷积神经网络的目标识别研究

4.1 多级卷积神经网络（MS-CNN）

4.2 ORL人脸数据实验

4.3 其它样本实验

4.4 本章小结

第五章 结论和展望

5.1 研究结论

5.2研究展望

参考文献

致谢

作者简介