本文为德国慕尼黑工业大学（作者：Pooyan Safari）的硕士论文，共113页。
近年来，深度学习在模式识别中开辟了一条新的研究方向。有人假设这种学习会捕获隐藏在数据中的更抽象的模式，这是由大脑生物学方面的新发现和使并行处理成为可能的硬件开发所推动的。深度学习方法与传统的优化和训练算法相结合，使其在信号处理和模式识别中的各种应用都很有效。本文研究了这些新技术及其相关算法，阐述并比较了这些方法的不同属性，并概述了它们可能的优缺点。
In recent years, deep learning has opened a new research line in pattern recognition tasks. It has been hypothesized that this kind of learning would capture more abstract patterns concealed in data. It is motivated by the new findings both in biological aspects of the brain and hardware developments which have made the parallel processing possible. Deep learning methods come along with the conventional algorithms for optimization and training make them efficient for variety of applications in signal processing and pattern recognition. This thesis explores these novel techniques and their related algorithms. It addresses and compares different attributes of these methods, sketches in their possible advantages and disadvantages.
1 引言
1.1 本文组织结构
2 模式识别
2.1 模式识别的主要元素
2.2 序列模式识别
3 神经网络简介
3.1 神经网络基础
3.2 模式识别中的神经网络
3.3 基于能量的神经网络
4 深度学习
4.1 深度学习的哲学思想
4.2 深度学习架构
5 序列模式的深度架构
5.1 DBN-HMM（混合的方法）
5.2 条件DBNs
5.3 时域受限玻尔兹曼机
5.4 深度空时推断网络DeSTIN
5.5 序列DBNs
5.6 递归神经网络
5.7 深度长-短期记忆的递归神经网络
5.8 HMM-LSTM
5.9 分级暂存记忆
5.10 结论
下载英文原文地址：
http://page2.dfpan.com/fs/blbc1j32128132e9166/
更多精彩文章请关注微信号：