1. 研究目的与意义（文献综述）

1. 目的及意义

（1）深度学习简介

深度学习是近年来计算机科学领域比较热门的研究方向，是机器学习的一个分支。

机器学习指机器能够利用大数据集进行自主学习，而不是通过硬性编码规则，这种学习类型基于现代计算机强大的处理能力，能够在短时间内处理大数据集；并且由于大数据时代的到来，人们收集信息的速度和规模变得很大，从而为机器学习提供了海量数据集。机器学习是人工智能的核心，是使计算机具有智能的根本有效途径。

深度学习的概念源于人工神经网络的研究。神经网络是构成深度学习系统的框架，它由大量彼此相连、概念化的人造神经元组成，分为输入层、隐藏层和输出层。普通神经网络只有一个隐藏层，含有多个隐藏层的人工神经网络便称为深度学习系统。

2. 研究的基本内容与方案

2. 研究（设计）的基本内容、目标、拟采用的技术方案及措施

（1）设计内容及目标

1）内容

基于深度学习技术，运用深度信念网络、卷积神经网络、深度玻尔兹曼机等相关知识方法，在tensorflow通用深度学习框架下，运用python等编程工具，构造一个深度学习系统。并且利用标准数据库及自己添加的数据库相结合，形成合适的识别样本库，训练构造完成的深度学习系统，使其具备行人检测分类及道路环境检测等能力，并使用测试样本库对其进行检验。

2）目标

设计并训练完成的系统，应该具备行人检测分类，分割，融合等功能，并且根据输入的图片，能够进行识别后输出路况为良好、一般、较差的判断，从而实现对输入图片的标签化分类。

（2）技术方案及措施

首先，基于深度学习技术，运用深度信念网络、卷积神经网络、玻尔兹曼机等相关知识，通过python编程，构建一个深度学习系统。然后，用笔者所构建的合适的数据库对整个系统进行迭代训练，更新其系统参数，使其成为一个能够进行行人识别检测，并且对道路环境作出评价的系统。具体的流程是：得到样本数据库，调整cnn网络结构，调整cnn训练参数，分组训练生成模型，判别模型是否收敛（如不收敛，回到第一步），使用模型进行测试，判断是否满足需要（如不满足，回到第一步），判断是否稳定（如不稳定，回到第一步），得到最佳模型。最后，使用检测样本对系统的性能进行检测并与其他传统方法进行对比，评价系统的优劣及改进发展的方向。

3. 研究计划与安排

3. 进度安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）

4. 参考文献

[1] d silver, a huang, cj maddison, a guez, l sifre, mastering the game of go with deep neural networks and tree search, nature, vol.529, pp. 484–489, 2016.

[2] y lecun, y bengio, g hinton, deep learning, nature, pp.436–444, 201.

[3] g hinton, s osindero, yw teh, a fast learning algorithm for deep belief nets, neural computation, vol.18, pp.1527–1554, 2006.