1. 研究目的与意义（文献综述）

通过对人工神经网络的深入研究产生了深度学习的概念，动机在于建立模拟人脑进行分析学习的神经网络。深度学习是经过观察组合低层特征来得到抽象的高层表示属性类别或特征，包含多隐层的多层感知器就是其中一种结构，用发现数据的分布式特征来表示。

深度学习在诸多领域的应用都取得了十分巨大的成就，例如自然语言处理、计算机视觉、图像、语音、自然语言处理等，是近十年来在人工智能领域取得的重要突破。已有的深度学习模型都是属于神经网络范畴的。通常用到的神经网络包含大量的参数，常常发生过拟合问题，所以神经网络有着很大的缺点，在训练集上神经网络的识别结果准确率很高，但是运用在测试集上时效果却很差。

20世纪50年代初期计算机科学之父、人工智能之父图灵就已经提出了隔墙对话的概念：通过计算机模拟人的大脑来与人就行交流，让第三者无法辨别人类与电脑对话的差别。但是随着人们对人工智能领域的深入研究，在短时间内却远没有人们想要的结果，发展十分缓慢。

2. 研究的基本内容与方案

了解深度学习的发展和研究现状，学习图像识别技术的基本原理和步棸。

研究深度学习的概念和结构，学习深度学习常用的方法，着重研究深度学习最常用的两种方法：1.卷及神经网络（cnn），卷积神经网络是一种特殊的深层神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的（即相同的）。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量；2.深度信念网络（dbn），深度信念网络（dbn）由多层神经元构成，这些神经元又分为显性神经元和隐性神经元。显性神经元用于接受输入，隐性神经元用于提取特征。因此隐性神经元也有个别名，叫特征检测器。最顶上的两层间的连接是无向的，组成联合内存。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量，每一个神经元代表数据向量的一维。 学习关于比较新的两种理念的结合：卷积深度信念网络（cdbn），知道不同方法的优点和在不同方面的应用。

了解深度学习在图像识别上的一些应用。主要为了研究基于深度信念网络的人脸识别比较新的技术lbp-dbn，学习lbp（局部二值模式）原理和作为实现特征提取的原因与优点。最后学习编写人脸识别算法，选取一些人脸图片放入大量其他图片数据库中，应用matlab实现图像识别分类，并对实验结果进行分析，深入了解算法，与其他人脸识别结果相比较得出结果分析。

3. 研究计划与安排

1. 查阅相关文献资料，明确研究内容，了解图像识别问题中的相关算法。确定方案，完开题报告；3月25号之前完成外文翻译工作。
2. 研究深度学习技术在图像识别问题中的应用；到4月初完成对基本内容的学习，掌握深度学习相关算法应用。
3. 采用MATLAB对图像识别问题进行数值仿真；到4月中旬完成对人脸识别最初实验，并开始着手论文的编写。
4. 完成并修改毕业论文。

4. 参考文献（12篇以上）

1. 周凯龙. 基于深度学习的图像识别应用研究[D]. 北京工业大学,2016.
2. 李卫. 深度学习在图像识别中的研究及应用[D]. 武汉理工大学,2014.
3. 许可.卷积神经网络在图像识别上的应用的研究[D]. 浙江大学,2012.
4. Geoffrey E. Hinton,Simon Osindero,Yee-Whye Teh. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation . 2006 (7).
5. 丰晓霞. 基于深度学习的图像识别算法研究[D]. 太原理工大学, 2015.
6. 刘建伟;刘媛;罗雄麟;;深度学习研究进展[J];计算机应用研究;2014年07期.
7. 徐吟琼;人脸图像主流代数鉴别特征提取与融合方法研究[D];苏州大学;2010年.
8. 朱常宝;程勇;高强;;基于半监督深度信念网络的图像分类算法研究[J];计算机科学;2016年S1期.
9. 尹宝才;王文通;王立春;;深度学习研究综述[J];北京工业大学学报;2015年01期.
10. 刘天宇. 基于深度信念网络的人脸识别[D]. 大连海事大学, 2017.
    
11. 毛艺. 基于深度神经网络的人脸识别算法研究[D]. 浙江大学, 2017.
    
12. Hua Y, Guo J, Zhao H. Deep Belief Networks and deep learning[C]// International Conference on Intelligent Computing and Internet of Things. IEEE, 2015:1-4.
    
13. Ankita Mazumder, Arnab Rakshit, and D. N Tibarewala. A back propagation through time
    based recurrent neural network approach for classification of cognitive EEG states.
    Engineering and Technology(ICETECH), 2015
14. Wang S, Manning C. Fast dropout training. In: Proceedings of the 30th International Conference on Machine Learning (ICML-13), 2013. 118-126 .
15. Wang W, Yang J, Xiao J, et al. Face Recognition Based on Deep Learning[M]// Human Centered Computing. Springer International Publishing, 2014:812-820.