毕业论文课题相关文献综述
文 献 综 述1. 前言卷积神经网络（ConvolutionalNeural Networks，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络（Shift-Invariant Artificial Neural Networks，SIANN）。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5[1]是最早出现的卷积神经网络。
近年来卷积神经网络算法得到快速发展，并引起了广泛的重视，成为了一种高效机器学习方法，卷积神经网络在计算机视觉领域取得了巨大成功[2]。
最近的研究表明，它也可以被用作通用方法来处理一些图像处理问题，例如图像修复、去噪、分类和检测[3]等。
2. 选题的背景在全球信息化全面发展和自动化程度提升的背景下，对手写体识别的需求变得十分急迫，研究出精准且高效率的识别方式有重要的意义和价值。
卷积神经网络在使用过程中需要通过大量实验确定卷积核数量、卷积核和池化核的尺寸、训练的最大迭代次数及正则化因子等参数的数值。
针对卷积神经网络的卷积核数量、卷积核和池化核的尺寸、训练的最大迭代次数等参数要用人工确定，耗时费力且依赖历史经验等问题，提出了卷积神经网络参数优化方法[4]。
3. 选题的理论基础3.1 CNN结构CNN的基本结构由输入层、卷积层、池化层（也称为下采样层）、全连接层及输出层构成[5,6]。
一个经典的卷积神经网络模型如图1所示。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
