更新时间：07-25 （小山神）提供原创文章
摘要: 近年来，深度学习技术由于其优良的性能受到了各个领域人们的广泛关注，深度学习引爆的科技革命，将会催生出多个领域的变革和跨越式发展。深度学习作为核心信息技术，将本质上提升各类信息服务的质量。因此，对深度学习技术研究非常有必要。虽然深度学习技术在图像分类、文本分析和语音识别等非结构化数据领域取得了显着的成功，但深度学习在结构化数据方面成果却很少。而结构化数据在研究领域却非常常见，因此本文研究将性能优良的深度学习技术应用于结构化数据。而深度卷积神经网络是深度学习技术现在表现较好的一门技术，因此本文主要研究深度卷积神经网络在多个结构化数据集上的性能提升，主要研究内容如下：
(1) 基于Keras深度学习框架，实现一种面向分类问题的深度卷积神经网络；
(2) 在5个UCI数据集上分析所建立的深度卷积神经网络的性能；
(3) 根据实验结果对深度卷积神经网络的卷积的定义以及网络结构进行改进，使其可以在多个UCI数据集上取得较好的性能。
本文算法在Wine数据集的准确率达到91.67；HTRU2数据集准确率达到97.37% ；seeds Datase的准确率为44.05%；ILPD Dataset的准确率为75.64%；Blood Transfusion Dataset 的准确率为79.33%。在五个数据集的分类准确率均比支持向量机的高。
关键词：结构化数据；深度学习技术；卷积神经网络
目录
摘要
Abstract
1 绪论-1
1.1 本课题的背景及意义-1
1.2国内外研究历史和现状-1
1.3本文研究内容-1
1.4 本文组织结构-2
2 相关技术-3
2.1 深度学习-3
2.2 分类器-5
2.2.1 支持向量机分类器（SVM）-6
2.2.2 决策树分类器-6
2.2.3 k近邻分类器-7
2.3 Keras深度学习库-8
3 算法-9
3.1 数据库的建立-9
3.1.1 UCI数据集收集-9
3.1.2 训练集和测试集的构建-10
3.2 卷积神经网络及分类-11
3.2.1 卷积神经网络的层级结构-11
3.2.2 卷积神经网络的构造-12
4 仿真实验-14
结 论-19
参 考 文 献-20
致 谢-21