1. 毕业设计（论文）的内容和要求
一、研究的意义深度自编码器是深度学习（deep learning）的代表算法之一，它通过重构原始输入来进行特征学习，通过预训练和微调解决了深度网络的训练问题，使其拥有较好的泛化能力，已经被广泛应用于图像识别、自然语言处理、计算机视觉等众多领域。
深度自编码器作为一种典型的无监督学习方法，经常被当作预训练的模型，从而为多层感知器的训练找到了一个较好的初值。
图像作为人类感知外界事物的视觉基础，是人类从外界获取信息的重要依据，所以使用深度自编码器自动完成图像的识别和分类具有重大意义。
2. 参考文献
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 512(7553): 436-444.[2] 刘建伟, 刘媛, 罗雄麟．玻尔兹曼机研究进展[J]. 计算机研究与发展，2014, 51(1): 1-16.[3] 张建明, 詹智财, 成科扬等. 深度学习的研究与发展[J]. 江苏大学学报: 自然科学版, 2015, 36(2): 191-200.[4] 孙志远, 鲁成祥, 史忠植等. 深度学习研究与进展[J]. 计算机科学, 2016, 43(2): 1-8.[5] Schmidhuber J. Deep learning in neural network: an overview[J]. Neural networks, 2015: 358-363.[6] 何明. 一种深度自编码器面部表情识别新方法. 西南师范大学学报 (自然科学版), 2019, 44(07): 81-86.[7] Zeng N Y, Zhang H, Song B Y, et al. Facial expression recognition via learning deep sparse autoencoders [J]. Neuro computing, 2018, 273:643-649.[8] 张赛, 芮挺, 任桐炜等. 基于监督学习深度自编码器的图像重构. 计算机科学, 2018, 45(11): 267-271 297. [9] 黄健航, 雷迎科. 基于边际Fisher深度自编码器的电台指纹特征提取. 模式识别与人工智能, 2017, 30(11): 1030-1038. [10] 张彦, 彭华. 基于深度自编码器的单样本人脸识别. 模式识别与人工智能, 2017, 30(4): 343-352. [11]孙志军, 薛磊, 许阳明. 基于深度学习的边际Fisher分析特征提取算法. 电子与信息学报, 2013, 35(4) : 805-811.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
