本科畢業(yè)設(shè)計(論文)格式范例(工科、理科類專業(yè))

1、 本科畢業(yè)設(shè)計（論文）基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字及寫字人識別（題目：二號，黑體，加粗，居中） 學(xué)院專業(yè)學(xué)生姓名學(xué)生學(xué)號指導(dǎo)教師提交日期 年 月 日印刷封面紙用210g的橙色卡紙III摘 要（標題：小二號，黑體，居中，單倍行距，段前、段后各0.5行，兩字中間空2字符）（摘要正文共400600個字；小四號，宋體，1.5倍行距，段首行空兩個漢字）炔烴和疊氮化合物的點擊化學(xué)反應(yīng)，有著快速、百分百原子利用率、產(chǎn)物高選擇性等眾多優(yōu)點，被譽為點擊化學(xué)中的精華?；诖朔磻?yīng)拓展而來的點擊聚合反應(yīng)，迅速在高分子材料領(lǐng)域獲得了了廣泛關(guān)注和應(yīng)用。我們還嘗試了采用不同單體，在最優(yōu)條件下進行反應(yīng)，均獲得了高分子產(chǎn)物。表明

2、了該反應(yīng)體系的普適性。（此處隔一行）關(guān)鍵詞：多變量系統(tǒng)；預(yù)測控制；環(huán)境試驗設(shè)備（“關(guān)鍵詞”：小四號，黑體；關(guān)鍵詞35個：小四號，宋體；關(guān)鍵詞之間用分號隔開；最后一個關(guān)鍵詞不打標點符號）（另起頁：外文摘要范例；英文摘要和關(guān)鍵詞應(yīng)該是中文摘要和關(guān)鍵詞的翻譯）Abstract（標題：小二號，Times New Roman字體，居中，單倍行距，段前、段后各0.5行）（正文：小四號，Times New Roman字體，1.5倍行距，兩端對齊）Artificial Neuron Network (ANN) simulates human beings brain function and build th

3、e network structure. Convolutional Neural Network (CNN) have many advantage, such as (2) This paper introduces the common pretreatment method of image, such as collecting image, normalization, graying and binarization. And apply these to the handwritten numeral recognition experiment and handwritten

4、 numerals writer recognition experiments.Keywords: Writer recognition；Convolutional Neural Network；Handwritten character recognition(“Keywords”：Times New Roman字體，小四號，加粗，居左）（關(guān)鍵詞：Times New Roman字體，小四號）（另起頁：目錄范例）目 錄（標題：小二號，黑體，居中，兩字之間空2字符，目錄為電腦自動生成）（各章標題、結(jié)論、參考文獻、致謝：黑體，四號；其余：宋體，小四號，行距1.5倍）摘要IAbstractII目錄

5、III第一章緒論11.1引言11.2研究背景11.3研究現(xiàn)狀11.4論文結(jié)構(gòu)2第二章卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識32.1卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)32.1.1輸入層32.1.2輸出32.2卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)律32.2.1前向傳播42.2.2反向傳播42.2.3學(xué)習(xí)特征圖的組合52.3本章小結(jié)5第三章基于卷積神經(jīng)的手寫數(shù)字及寫字人識別算法設(shè)計63.1輸入輸出層的設(shè)計63.2隱藏層的設(shè)計63.3本章小結(jié)6第四章手寫數(shù)字及寫字人識別實驗過程及其結(jié)果74.1手寫數(shù)字識別實驗74.1.1樣本簡介74.1.2Writer Depend類數(shù)字識別實驗74.1.3Writer Depend類數(shù)字識別實驗結(jié)果分析84.

6、1.4Writer Independ類數(shù)字識別實驗114.2寫字人識別實驗114.2.1樣本簡介114.2.2兩位寫字人識別實驗124.3本章小結(jié)14結(jié)論151.論文工作總結(jié)152.工作展望15參考文獻16致謝18第一章 緒論第一章 緒論（各章標題：黑體，小二號，居中，單倍行距，段前、段后各0.5行；章節(jié)序號與標題之間空一字符）1.1 引言（各節(jié)一級標題：黑體，小三號，居左，單倍行距，段前、段后各0.5行） （正文：1.5倍行距；中文：宋體，小四號，每段首行空2個漢字；字母和阿拉伯數(shù)字：Times New Roman字體，小四號） 當今社會，科技的飛速發(fā)展為大家提供了快捷與舒適，但與此同時也增

7、添了在信息安全上的危險。在過去的二十幾年來，我們通過數(shù)字密碼來鑒別身份，但是隨著科技的發(fā)展，不法分子借用高科技犯罪的案例年年增高，密碼被盜的情況時常發(fā)生。因此，怎樣科學(xué)準確的辨別每一個人的身份則成為當今社會的重要問題。1.2 研究背景 隨著科技的日益發(fā)展，傳統(tǒng)的密碼因為記憶的繁瑣以及容易被盜，似乎已經(jīng)不再能滿足這個通信發(fā)達的社會的需求。人們急需一種更便捷而且辨識度更高的方式來辨識身份。循著便捷與辨識度高這兩個約束條件Error! Reference source not found.（正文中引用文獻序號用小4號Times New Roman體、以上角標形式置于方括號中），我們聯(lián)想到的便是存在于

8、每個人身上的生物特征，所以基于每個人身上不同的生物特征而研究的鑒別技術(shù)現(xiàn)在成為了身份辨別技術(shù)上的主流。1.3 研究現(xiàn)狀 筆跡獲取的方式有兩種，所以鑒別方式也分為離線鑒別和在線鑒別1 （此處引用連續(xù)多篇文獻，序號用逗號隔開）。在線鑒別是采用專用的數(shù)字板來實時收集書寫信號。由文獻4-7 （此處參考文獻為文中直接說明，其序號應(yīng)該與正文排齊）可知，因為信號是實時采集的，所以能采集的數(shù)據(jù)不僅包括筆跡序列，而且可以采集到書寫時的加速度、壓力、速度等豐富有用的動態(tài)信息。1.4 論文結(jié)構(gòu)本文分為四章。其中第一章簡述了筆跡識別的研究背景和意義以及筆跡識別的基礎(chǔ)知識等。第二章節(jié)從卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史、網(wǎng)絡(luò)結(jié)構(gòu)、

9、學(xué)習(xí)規(guī)律三方面詳細的講述了卷積網(wǎng)絡(luò)的基礎(chǔ)知識。第三章針對本文中的手寫數(shù)字及寫字人實驗具體設(shè)計卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練過程。第五章節(jié)是手寫數(shù)字識別及寫字人識別實驗的結(jié)果與分析。1第二章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識第二章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識（各章標題：黑體，小二號，居中，單倍行距，段前、段后各0.5行；章節(jié)序號與標題之間空一字符）2.1 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)（各節(jié)一級標題：黑體，小三號，居左，單倍行距，段前、段后各0.5行）（正文：1.5倍行距；中文：宋體，小四號，每段首行空2個漢字；字母和阿拉伯數(shù)字：Times New Roman字體，小四號）卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個分支，在網(wǎng)絡(luò)結(jié)

10、構(gòu)上同樣含有深度學(xué)習(xí)的“深度”性。網(wǎng)絡(luò)拓撲結(jié)構(gòu)是一個多層的神經(jīng)網(wǎng)絡(luò)7，網(wǎng)絡(luò)的每一層由多個獨立的神經(jīng)元組成的二維平面組成。網(wǎng)絡(luò)一般分為輸入層、卷積層、池化層、全連接層、輸出層等。2.1.1 輸入層（各節(jié)二級標題：黑體，四號，居左，單倍行距，段前、段后各0.5行）因為卷積神經(jīng)網(wǎng)絡(luò)可以直接的接受二維的視覺模式8，所以我們可以直接把簡單預(yù)處理后的二維圖像輸入到輸入層中。2.1.2 輸出 2.2 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)律2.2.1 前向傳播 如果用l來表示當前的網(wǎng)絡(luò)層，那么當前網(wǎng)絡(luò)層的輸出如公式（2-1）所示： （2-1）（公式：公式一般居中書寫；序號按章編排，如本公式為第二章第一個公式，則序號為（2-1

11、） 其中為網(wǎng)絡(luò)的輸出激活函數(shù)。在本文實驗中，網(wǎng)絡(luò)的輸出激活函數(shù)選用sigmoid函數(shù)，因此網(wǎng)絡(luò)的輸出均值一般來說趨于0。2.2.2 反向傳播2.2.3 學(xué)習(xí)特征圖的組合2.3 本章小結(jié)3第三章 基于卷積神經(jīng)的手寫數(shù)字及寫字人識別算法設(shè)計第三章 基于卷積神經(jīng)的手寫數(shù)字及寫字人識別算法設(shè)計3.1 輸入輸出層的設(shè)計 3.2 隱藏層的設(shè)計 3.3 本章小結(jié) 5第四章 手寫數(shù)字及寫字人識別實驗過程及其結(jié)果第四章 手寫數(shù)字及寫字人識別實驗過程及其結(jié)果（各章標題：黑體，小二號，居中，單倍行距，段前、段后各0.5行；章節(jié)序號與標題之間空一字符）4.1 手寫數(shù)字識別實驗（各節(jié)一級標題：黑體，小三號，居左，單倍行

12、距，段前、段后各0.5行）4.1.1 樣本簡介（各節(jié)二級標題：黑體，四號，居左，單倍行距，段前、段后各0.5行）（正文：1.5倍行距；中文：宋體，小四號，每段首行空2個漢字；字母和阿拉伯數(shù)字：Times New Roman字體，小四號）本論文的手寫數(shù)字識別實驗當中所用的樣本分為兩類，一類是訓(xùn)練樣本集，另一類是測試樣本集。 實驗當中的訓(xùn)練樣本集采用的是手寫數(shù)字MNIST數(shù)據(jù)庫。這個數(shù)據(jù)庫當中包含訓(xùn)練集樣本60000個樣例和測試集樣本10000個樣例。MNIST數(shù)據(jù)庫當中的數(shù)字樣本已經(jīng)全部大小歸一化灰度化并且集中到同一個固定大小的圖像當中。該數(shù)據(jù)庫包括MST的SD-1和SD-3數(shù)據(jù)庫，當中包含一系

13、列的二級制的手寫數(shù)字圖像。其中SD-1的收集者來源是某高中的在校學(xué)生，而SD-3是由人口調(diào)查局員工收集的。則我們的訓(xùn)練樣本集也就是MNIST當中的訓(xùn)練樣本集有30000個樣本來自SD-3，而另外30000個樣本來自SD-1。這60000個訓(xùn)練樣本分別來自約250個采集者。4.1.2 Writer Depend類數(shù)字識別實驗4.1.2.1 ABCvsA數(shù)字識別實驗（各節(jié)三級標題：黑體，小四號，居左，單倍行距，段前、段后各0.5行）實驗內(nèi)容：以A寫字人、B寫字人和C寫字人，合計3000個數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為訓(xùn)練樣本集。A寫字人的1000個數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為測試樣本集。學(xué)習(xí)率為1，單次

14、訓(xùn)練樣本數(shù)為10個，共訓(xùn)練40次。若識別所得數(shù)字與給定的標簽匹配，則視為正確；不匹配則視為錯誤。表4-1 ABCvsA數(shù)字識別實驗結(jié)果（表的標題：位于表的上方，一般居中，宋體，五號；表的序號：按章編排，如此表為第四章第一個表，則序號為“表4-1”，序號與文字描述之間空一格）（表格不加左、右列線；表內(nèi)數(shù)字空缺的格內(nèi)加“”字線）（表中文字：宋體，五號）訓(xùn)練樣本ABC樣本個數(shù)3000測試樣本A樣本個數(shù)1000訓(xùn)練次數(shù)單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率1正確率99.50%4.1.2.2 ABCvsABC數(shù)字識別實驗 實驗內(nèi)容：以A寫字人、B寫字人和C寫字人，合計3000個數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為總樣本集。在總

15、樣本集當中隨機抽取2400個為訓(xùn)練樣本集，余下的600個為測試樣本集。學(xué)習(xí)率為1，單次訓(xùn)練樣本數(shù)為10個，共訓(xùn)練40次。若識別所得數(shù)字與給定的標簽匹配，則視為正確；不匹配則視為錯誤。表4-2 ABCvsABC數(shù)字識別實驗結(jié)果訓(xùn)練樣本ABC樣本個數(shù)2400測試樣本ABC樣本個數(shù)600訓(xùn)練次數(shù)40單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率1正確率92.00%4.1.3 Writer Depend類數(shù)字識別實驗結(jié)果分析 下面我們選取Writer Depend類數(shù)字識別實驗當中的兩個典型的例子ABCvsA數(shù)字識別實驗以及MNIST&ABCvsA數(shù)字識別實驗的結(jié)果做詳細分析。我們從ABCvsA數(shù)字識別實驗中的訓(xùn)練樣本集和

16、測試樣本集的手寫數(shù)字圖像樣本集當中分別隨機抽取一幅圖像如圖4-1所示。 a) 實驗訓(xùn)練集 b)實驗測試集圖4-1 ABCvsA數(shù)字識別實驗集（圖的標題：位于圖的下方，一般居中，宋體，五號；圖的序號：按章編排，如此表為第四章第一個圖，則序號為“圖4-1”，序號與文字描述之間空一格）（圖中若有分圖時，分圖號用a)、b)等置于分圖之下）下面我們對上述的訓(xùn)練集和測試集進行40次學(xué)習(xí)率為2，單次訓(xùn)練樣本為10的迭代，得到錯誤率為0.50%，而其中每次訓(xùn)練時的誤差值組成的歷史誤差值畫圖分析如下：4.1.4 Writer Independ類數(shù)字識別實驗實驗內(nèi)容：以MNIST數(shù)據(jù)庫為訓(xùn)練樣本集，共計60000

17、個訓(xùn)練樣本。以A寫字人合計1000個數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為測試樣本集寫字人識別實驗4.1.5 樣本簡介 4.1.6 兩位寫字人識別實驗4.1.6.1 單個數(shù)字的寫字人識別實驗 實驗內(nèi)容：以A寫字人，合計800個數(shù)字5的數(shù)字圖像數(shù)據(jù)加上B寫字人，合計800個數(shù)字5的數(shù)字圖像數(shù)據(jù)，共計1600個樣本為總樣本集。隨機選取其中的1200個樣本為訓(xùn)練樣本集，其余的400個樣本為測試樣本集。學(xué)習(xí)率為2，單次訓(xùn)練樣本數(shù)為10個，共訓(xùn)練30次。若識別所得寫字人與給定的標簽匹配，則視為正確；不匹配則視為錯誤。表4-3 單個數(shù)字寫字人識別實驗結(jié)果訓(xùn)練樣本A5&B5樣本個數(shù)1200測試樣本A5&B5樣本個數(shù)40

18、0訓(xùn)練次數(shù)30單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率2正確率99.75%4.1.6.2 單個數(shù)字的寫字人識別實驗結(jié)果分析4.2 本章小結(jié)。9結(jié)論結(jié)論（總結(jié)標題：黑體，小二號，居中，單倍行距，段前、段后各0.5行）1. 論文工作總結(jié)（各節(jié)一級標題：黑體，小三號，居左，單倍行距，段前、段后各0.5行）2. 工作展望11參考文獻參考文獻（參考文獻標題：黑體，小二號，居中，單倍行距，段前、段后各0.5行） 1 LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognitionJ. Proc. IEEE

19、, 1998, 86(11): 2278-2324.期刊文獻序號作者文獻題名J刊名,出版年份,卷號(期號)：起-止頁碼.2 劉國鈞，陳紹業(yè)，王鳳翥.圖書館目錄M.北京:高等教育出版社，1957.15-18. 學(xué)術(shù)著作序號作者書名M.出版地:出版社, 出版年: 起-止頁碼 . 3 Ngiam J, Chen Z, Chia D, et al. Tiled convolutional neural networksC, Advances in Neural Information Processing Systems. 2010: 1279-1287. 有ISBN號的論文集序號作者題名A.主編論文

20、集名C出版地：出版社,出版年：起-止頁碼. 4 田露. 基于多特征數(shù)據(jù)融合的離線中文筆跡鑒別研究D. 河南大學(xué), 2011.5 張慧檔. 筆跡鑒別方法研究D. 鄭州大學(xué), 2002.6 梁亮. 圖像處理技術(shù)在筆跡鑒定系統(tǒng)開發(fā)過程中的應(yīng)用與研究D. 沈陽工業(yè)大學(xué), 2007.7 陳先昌. 基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究D. 浙江工商大學(xué), 2014.8 王強. 基于CNN的字符識別方法研究D. 天津師范大學(xué), 2014.學(xué)位論文序號作者題名D保存地：保存單位,年份.9 姜錫洲.一種溫?zé)嵬夥笏幹苽浞桨窹.中國專利:881056073，1989-07-26.專利文獻序號專利所有者專利題名P專利國別：專利號,發(fā)布日期.10 GB/T 16159-1996，漢語拼音正詞法基本規(guī)則S.技術(shù)標準序號 標準