- 文献综述（或调研报告）：
1.深度学习
1.1深度学习的介绍
深度学习在早期被称为神经网络，神经网络是一种特殊的学习方式，在这个领域中，人们将学习定义为“基于经验数据的函数估计问题”，深度学习本质上是一个复杂的机器学习算法，指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程。
深度学习是机器学习领域一个新的研究方向，近年来在语音识别、计算机视觉等多类应用中取得突破性的进展，在多个领域取得的效果，远远超过先前相关技术。它在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其它相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步，但是深度学习仍然存在需要进一步探索的问题。
1.2深度学习的发展历史
神经网络经历了三次发展的高潮：
20 世纪 40 年代到 20 世纪 60 年代，神经网络最初起源于人工神经网络，早期的神经网络无法解决非线性的问题，神经网络第一个成熟算法是线性感知器算法，而线性感知器算法连非线性问题中最简单的 “异或问题” 都解决不了[16]，这导致了神经网络热潮的第一次大衰退。
在 20 世纪 80 年代，这时候神经网络有很大的改变，取得了很大的进展，训练时间长，一般为三层：输入层、隐层、输出层。在神经网络采用的学习定义下，神经网络的万有逼近定理证明了神经网络的万能性，但受限于计算机的硬件水平，研究人员建立的模型对于大量数据的处理效果不理想，并且1995 年支持向量机 (SVM) 横空出世，该算法比神经网络算法解释性好，性能比当时的三层神经好。导致了神经网络的第二次衰退。
2006年后，Hinton等人提出了一种无监督学习模型[4]：深度置信网络，该模型解决了深度神经网络训练的难题，掀起了深度学习的热潮，随后迎来大数据时代，而SVM主要是处理小数据的，而且电脑的计算能力也大幅度地提高了，解决了神经网络突破三层的问题，从而神经网络在多方面得以突破，深度学习迎来了蓬勃发展。
1.3深度学习的研究现状
以上是毕业论文开题文献，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。
