全文总字数：4133字
1. 研究目的与意义（文献综述）
1、背景及意义
深度学习[1]是机器学习研究中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，是机器学习中一种基于对数据进行表征学习的方法。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
2012年，Hinton课题组为了证明深度学习的实力，首次参加ImageNet图像识别比赛，通过其构建的卷积神经网络AlexNet[2]一举夺得冠军，远远超过第二名（SVM方法）的分类性能。也正由于该比赛，CNN吸引到了众多研究者的注意。目前，卷积神经网络已成为当前语音分析和图像识别领域的研究热点[3]，它是第一个真正意义上的成功训练多层神经网络的学习算法模型，对于网络的输入十多位信号时具有更明显的优势。随着深度学习掀起的新的机器学习热潮，卷积神经网络已经应用于语义识别图像识别和自然语言处理等不同的大规模机器学习问题中。
2. 研究的基本内容与方案
1、基本内容及目标
使用基于分布式下卷积神经网络的方法进行字符数据识别，将训练集样本进行处理，训练出的网络模型并进行测试。将其与集中式下基于卷积神经网路的字符数据识别方法作对比，对识别结果进行性能比较分析。
2、技术方案及措施
3. 研究计划与安排
(1)2019/1/3——2019/2/28：确定选题，阅读文献，分析总结并确定技术路线，完成并提交开题报告；完成外文翻译。
(2)2019/3/1——2019/3/31：进行需求分析，完成算法或系统架构设计，
(3)2019/4/1——2019/4/30：进行编码、系统测试与完善等。
4. 参考文献（12篇以上）
[1] 孙志军, 薛磊, 许阳明, 王正. 深度学习研究综述[J]. 计算机应用研究, 2012,29(08):2806-2810.
[2] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNetclassification with deep convolutional neural networks[c]// proceedings ofAdvances in Neural Information Processing Systems. Cambridge, MA:MIT Press, 2012:1106-1114.
[3] 李彦东，郝宗波，雷航. 卷积神经网络研究综述[J]. 计算机应用，2016，36(9) :2508-2515，2565.
以上是毕业论文开题报告，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。
