深度学习是一类方法的统称，就具体研究内容而言，主要涉及三类方法： [2]
(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。

[2]
(2)基于多层神经元的自编码，包括自编码( Auto encoder)以及近年来受到广泛关注的两类( Sparse Coding)。

[2]
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。

[2]
通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。

由此可将深度学习理解为进行“特征学习”（feature learning）或“表示学习”（representation learning）。

[3]
以往在机器学习用于现实任务时，描述样本的特征通常需由人类专家来设计，这成为“特征工程”（feature engineering）。

众所周知，特征的好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习（）则通过机器学习技术自身来产生好特征，这使机器学习向“全自动数据分析”又前进了一步。

[3]
近年来，研究人员也逐渐将这几类方法结合起来，如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的深度置信网络。

与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律知道，模型参数越多，需要参与训练的数据量也越大。

[2]
20世纪八九十年代由于计算机计算能力有限和相关技术的限制，可用于分析的数据量太小，深度学习在模式分析中并没有表现出优异的识别性能。

自从2006年， Hinton等提出快速计算受限玻耳兹曼机(RBM)网络权值及偏差的CD-K算法以后，RBM就成了增加神经网络深度的有力工具，导致后面使用广泛的DBN(由 Hinton等开发并已被微软等公司用于语音识别中)等深度网络的出现。

与此同时，稀疏编码等由于能自动从数据中提取特征也被应用于深度学习中。

基于局部数据区域的卷积神经网络方法今年来也被大量研究。

[2]
深度学习、人工智能和机器人等高科技技术及应用的发展引起了社会各界人士的广泛关注各种科技技术的迅速发展也为智能机器人的发展提供了充足的动力使其智能化程度不断提高.智能机器人是人工智能、神经学、机械学等众多学科的融合其中深度学习的运用也使得机器人的处理和分析能力更加高效特别是深度学习在智能机器人的图像识别和语音识别方面起到了重大的作用.深度学习使机器人在工业服务、家庭服务等方面的能力都得到了提高同时也使得机器人在具体工作过程中的动作准确度、指令执行能力以及多机器人的协调配合能力得到了提高。

[3]
卷积神经网络结构包括:多个卷积层、池化层、全连接层深度网络对新目标抓取判别的鲁棒性能和机器人抓取判别的
最后得到的数据集在这个部分进行处理.精确性得到了有效提高. 在建立深度网络模型时把测试特
为了方便使用时在不同数集上实现算法的研究与结果分征分布偏离训练特征视为一类噪化通过引入降噪自动编码
析设计一个系统原型软件主要包括模型训练模块、模型测和稀疏约束条件实现网络权值的学习;在网络学习中先对训
试模块和识别结果显示模块.练数据进行噪化再对其进行降噪编码.在实际运用过程中
在实际应用中机器人在文字位置检测时需机器人在拥有场景图的情况下首先要对目标
要提取文字进行分割提取
信息很多时候会碰到文字粘连的情况这时就需要使用残缺有效的初始特征然后才能得出抓取的最优位姿.
粘连的文字区域图片来训练神经网络这样不仅可以得到文在解决该问题时可以在特定时刻t将机器人获取到抓
字位置还可以避免漏检问题.在物体识别[２０]以及大尺寸自取目标的n 维特征序列假设为X(t);接着会得到多个可能的
然场景图像的处理过程中可以使卷积神经网络和超像素分抓取位姿也就有对应关系“位姿特征”这时就可以将抓取
别与深度玻尔兹曼机[２１]相结合其中利
用卷积神经网络对大Ｇ
判别问题转化为求概率模型的最大化问题其
中初始特征集
尺寸场景图像进行预处理得到卷积特征后将结果作为深度X(t)使用它的深层抽象表达;然后采用L层深度学习网络构。