- 文献综述（或调研报告）：
1.深度学习
深度学习（Deep Learning）是机器学习的分支，是一类以人工神经网络为架构，对数据进行表征学习的算法[1][2][3]。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征[4]。
表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法。表示方法来自神经科学，并松散地创建在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系[5]。
至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
2.GAN
生成对抗网络（GAN, Generative Adversarial Networks）由伊恩·古德费洛等人于2014年提出[6]，是近年来提出的一种深度学习模型，是复杂分布上无监督学习最具前景的方法之一。模型通过框架中至少两个模型：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。最原始的GAN并不限制G和D必须是神经网络。具体来说：
- 生成模型G：负责生成样本，它接收一个随机的噪声z，通过该噪声生成样本，将生成的样本记为G(z)。
- 判别模型D：负责判别样本是不是“真实的”，即判断这个样本来自数据集或是由G生成。它的输入x，代表一个样本；输出D(x)，表示x为真实图片的概率。如果D(x)为1，代表是真实样本的概率为100%，而如果D(x)为0，代表不可能是真实的样本。
在训练过程中，生成模型G尽量生成“真实的”样本欺骗判别网络D，而判别模型D尽可能地把G生成样本和真实样本判别开。理想状态下，G生成样本G(z)，使D难以判断真假，D(G(z))=0.5。此时，生成模型G，可以用来生成样本。
用数学化的语言来描述这一过程，即为：设样本为x，样本x分布为Pdata(x)；设噪声为z，噪声z的分布为Pz(z)。对于G来说，Pz(z)是已知的，而Pdata(x)是未知的。在训练过程中，G可以学习到真实的样本分布Pdata(x)，即G(z)的分布应该尽可能接近Pdata(x)，这样G能够将已知分布的z变量映射到了未知分布x变量上。
整个的优化目标函数如下：
对目标函数说明如下：
以上是毕业论文文献综述，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。
