原创文档范文 → 计算机专业原创文档范文 软件技术专业原创文档范文 现成文档范文 → 计算机文档范文

基于卷积神经网络的图像识别方法研究_开题报告

Ktbg20484 基于卷积神经网络的图像识别方法研究_开题报告人工神经网络是一种尝试模拟人脑的功能而产生的人工智能方法，在上个世纪末期经历了一段时间的蓬勃发展之后，再次陷入低潮。深度学习技术是受到生物学和神经学领域在动物和人脑视觉神经领域的新发现的启发，模拟视觉系统的层次化的工作模式，在人工神经网络的基础..

基于卷积神经网络的图像识别方法研究_开题报告 Ktbg20484 基于卷积神经网络的图像识别方法研究_开题报告

人工神经网络是一种尝试模拟人脑的功能而产生的人工智能方法，在上个世纪末期经历了一段时间的蓬勃发展之后，再次陷入低潮。深度学习技术是受到生物学和神经学领域在动物和人脑视觉神经领域的新发现的启发，模拟视觉系统的层次化的工作模式，在人工神经网络的基础上构建具有层次化结构的深度网络模型，给人工神经网络带来了新的发展方向。卷积神经网络是将人工神经网络和深度学习技术结合而产生的一个新型人工神经网络方法，具有局部感知区域、层次结构化、特征抽取和分类过程结合的全局训练等特点，在图像识别领域获得了广泛的应用。

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在图像识别领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。

一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

卷积神经网络进行图像识别是深度学习关于图像处理的一个应用,卷积神经网络的优点是能够直接与图像像素进行卷积,从图像像素中提取图像特征,这种处理方式更加接近人类大脑视觉系统的处理方式。另外,卷积神经网络的权值共享属性和pooling层使网络需要训练的参数大大减小,简化了网络模型,提高了训练的效率。本^范文计划围绕卷积神经网络的网络设计和参数优化两个方面进行深入的研究。卷积神经网络分类性能的好坏很大程度决取于网络层数和网络参数,如何合理地设计卷积神经网络的卷积层,隐含层的数目和优化卷积神经网络的参数是卷积神经网络关于图像分类应用研究中非常重要的环节。本^范文将主要在TensorFlow框架平台上进行卷积神经网络的网络结构设计和参数优化。本^范文将通过对网络结构和参数优化的研究及在不同数据库上的测试,分析总结深度学习关于图像识别的一些实践性的规律。

二、^范文提纲

1 绪论

1.1 卷积神经网络的发展和现状

1.2 国内外研究现状

1.2.1 国内研究现状

1.2.2 国外研究现状

1.3 存在的问题

1.4 本文主要内容

2 卷积神经网络的结构和算法

2.1 人工神经网络

2.1.1 单个神经元

2.1.2 神经网络