1. 毕业设计（论文）的内容和要求

真实世界中存在大量非常复杂的事物和现象，通常我们希望能够以一种更加简洁且完整的方式去表示一个事物或现象，这就需要去揭示隐藏在复杂表象卜的事物或现象的客观规律。从某个事物或现象(例如天气状况)中抽象出一些数据，通过多个变量来表示或描述一个现象，这个多维变量叫做特征。 特征作为机器学习系统的原材料，对于最终模型的影响毋庸置疑。机器学习算法的性能在很大程度上取决于数据表达或特征表达的选择，当数据能够被很好地表达为特征时，即便使用简单的模型也可达到满意的精度。故在实际应用机器学习算法时，很重要的一个步骤是怎样预处理数据以得到一个好的特征表达。

深度学习方法中的两种”构造模块”，包括自编码器和限制玻尔兹曼机，方法中的两种”构造模块”，它们都可用作表达转换的途径，也可看作相对较新的非线性降维方法。对于视觉特征的理解，自编码器是否是一个好的表达转换途径。主要评估了单层自编码器的表达能力，并与传统的PCA进行比较。基于原始像素和局部描述子的实验验证了自编码器的降维作用、自编码器表达能力的稳定性以及基于自编码器的转换策略的有效性。

2. 参考文献

[1]huang h, zeng x. super-resolution method for multi-view face recognition from a single image per person using nonlinear map-pings on coherent features [j]. ieee signal processing letters, 2012,19(4):195-198

[2]zou w, yuen p. very low resolution face recognition problem [c]ieee transactions on image processing,2012

[3]zhang x, gao y. face recognition across pose. a review [j].pattern recognition,2009,42(11):2876-2896

3. 毕业设计（论文）进程安排