毕业论文课题相关文献综述
1. 前言机器学习的最终目标就是能够让机器像人一样感知与识别环境中的声音与图像等信息，其中深度学习[1,2]是机器学习领域一种先进而又复杂的方向。
近年来，深度学习在计算机视觉、语音识别、自然语言处理等领域均得到广泛应用。
2. 选题的背景目前，深度学习已成为图像处理领域的研究热点和有效方法。
高维数据可以通过一个多层神经网络把它编码成一个低维数据，从而重建这个高维数据，该神经网络称为自动编码网络或自编码器(Autoencoder, AE)。
自编码器是深度学习的经典模型之一，它采用无监督学习完成训练，不仅可以通过自学习的方式抽取自身低维的数据结构和特征，还可以通过精简的表达重构出数据信息[3]。
自编码器虽然只是要保证输出端与输入端尽量接近，但是随着自编码器堆叠深度的加深，就会出现类似梯度扩散与梯度爆炸等问题。
2006年，Hinton对原型自编码器结构进行改进，进而产生了深度自编码器[4]。
Hinton首先使用了类似受限制玻尔兹曼机(Restricted Boltzmann Machine, RBM)的训练方法[5,6]对自编码器进行逐层训练，使模型得到很好的初始化，然后用基于优先权的反向传播(Back Propagation, BP)算法对整个神经网络进行系统性参数优化调整，有效改善了BP算法易陷入局部最小的不良状况。
深度自编码器相对于原始的自编码器加大了深度，提高学习能力，更利于预训练。
因此，本课题主要利用深度自编码器对手写字图像数据进行降维，提取数据结构和特征，研究深度自编码器在手写字识别中的应用。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
