基于深度卷积网络学习算法及其应用研究

摘要

深度学习是机器学习研究过程中一个全新的领域，是一种目的在于建立和模拟人脑方式进行学习的神经网络，并且能够模仿人脑的运行来处理相关数据，使机器可以像人类一样，具有很强的分析学习能力，这便是深度学习的目标。通过深度学习，机器可以对声音、图像以及文字等数据进行有效识别。而深度学习的本质，则是通过构建其具有很多的隐含层的机器学习模型和大量的训练数据，来学习更为有用的特征，从而使之能够提升分类或预测的准确性。
　　卷积神经网络(Convolutional Neural Network，CNN)作为深度的监督学习下的机器学习模型，由于具有较高的学习效率等特点，已经成为众多科学领域的研究热点之一，特别是模式分类领域取得了不菲的成绩。本文通过学习及梳理了国内外卷积神经网络的进程及最新研究成果，将详细的介绍卷积神经网络模型的结构和特点，并根据卷积神经网络多适用于大型数据集，从而提出一种针对小样本的改进算法，引入随机退出(dropout)，并且在手写汉字图像方面进行应用，取得了较好的效果;如此之外，还将卷积神经网络算法应用在生物DNA图谱识别当中，通过改进的生物DNA图谱识别方法，从而提高生物DNA图谱识别的准确性。

目录

声明

摘要

第一章 绪论

1．1 课题研究的背景及意义

1．2 国内外研究现状

1．2．1 深度学习在自然语言处理领域的应用

1．2．2 深度学习在图像识别领域的应用

1．2．3 深度学习在语音识别领域的应用

1．2．4 卷积神经网络的发展

1．3 本文的内容及工作安排

第二章 卷积神经网络

2．1 人工神经网络

2．1．1 人工神经元

2．1．2 人工神经网络

2．1．3 反向传播算法

2．2 卷积神经网络

2．2．1 卷积

2．2．2 池化

2．2．3 卷积神经网络的结构

2．2．4 卷积神经网络的训练过程

2．2．5 卷积神经网络的优点

2．3 本章小结

第三章 基于深度卷积神经网络算法改进(dropout)的识别研究

3．1 基于卷积神经网络手写字符识别

3．1．1 MNIST手写字符库简介及手写字符识别的一般方法

3．1．2 基于卷积神经网络手写字符识别

3．1．3 实验结果和分析

3．2 基于深度卷积神经网络算法改进(dropout)的识别研究

3．2．1 dropout的主要思想

3．2．2 dropout应用于卷积神经网络

3．2．3 实验结果和分析

3．3 本章小结

第四章 卷积神经网络在生物DNA图谱的应用研究

4．1 生物DNA图谱识别概述

4．2 生物DNA图谱识别技术

4．3 基于卷积神经网络的生物DNA图谱识别技术

4．3．1 卷积神经网络的生物DNA图谱识别技术

4．3．2 实验结果和分析

4．4 本章小结

第五章 总结与展望

5．1 工作总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介