第一次和老师对概念
1什么是深度学习？它和神经网络有什么关系？
让神经网络自己学习如何抓取数据的特征，这种学习的方式，效果更佳。于是兴起了特征表示学习（feature representation learning）的风潮。这种学习方式，对数据的拟合也更加的灵活好用。于是，人们终于从自寻“特征”的苦逼生活中解脱出来。
但是，机器自己学习出来的特征，不如人类自己人工选取的特征那么容易理解，甚至完全超出了人类可以理解的范畴，于是，为了让机器自己学习的性能更好，人类就依据自己的经验，进行大量重复的网络参数调整。
所以，网络逐层深入，就有了深度学习啦。再后来，网络进一步加深，出现了多层次的“表示学习”，它把学习的性能提升到另一个高度。这种学习的层次多了，其实也就是套路“深了”。于是，人们就给它取了个特别的名称——Deep Learning（深度学习）。
“机器学习”的核心要素，那就是通过对数据运用，依据统计或推理的方法，让计算机系统的性能得到提升。而深度学习，则是把由人工选取对象特征，变更为通过神经网络自己选取特征，为了提升学习的性能，神经网络的表示学习的层次较多（较深）。
2深度学习能够解决什么问题？
在技术层面上，深度模型解决了高维空间的推理和学习问题。
3.深度学习的实验平台，或者工具包有哪些？
4.深度学习应用到行为意图识别，或者态势评估方面，目前的研究现状如何。
（引用自《基于深度学习的战场态势评估综述与研究展望_朱丰》）
深度学习技术也被应用于态势评估等方面的研究中。在国外，Google公司Deep Mind团队利用基于深度学习技术的电脑来下围棋，可通过对棋局态势的理解来完成每步决策，对于围棋的发展具有显著的指导意义。Shoko等人利用深度学习模型来感知真实的声音环境，理解其中的态势，完成有用声音与噪音的有效分离。Yoshioka T等人运用声学深度学习模型研究了有用声音中夹杂噪音中的鲁棒性问题。在国内，isheng Lv等人利用深度学习方法来感知交通环境并处理相关大数据，以有效进行交通流量的预测。Gao Tian等人研究了基于深度学习的语音分离与增强系统。牛杰等人针对室内环境中场景识别问题展开研究，基于深度学习技术提出了一种融合全局及显著性区域特征的室内场景识别方法。与传统方法相比，该方法可以有效提高识别准确率10%以上。陈珍等人针对大数据时代网络态势感知问题展开研究，提出了基于进化深度学习的特征提取算法，解决了网络态势感知中的若干关键问题。
从国内外公开发表的文献可以看出，利用深度学习来研究解决大数据战场态势评估问题还处于初步阶段，具有很大的探索空间。
