卷积神经网络的发展与应用综述
摘 要：随着深度学习的大火，助推人工智能研究领域快速前进，颠覆了人们对机器冰冷笨拙的传统印象，轰动全球的AlphaGo就是使用深度学习算法训练的，而卷积神经网络是深度学习算法中一种比较有代表性的模型。本文在广泛阅读有关卷积神经网络（Convolutional Neural Networks, CNN）文献的前提下，简要介绍卷积神经网络的演变历史和意义，并细谈了卷积神经网络的主要应用领域及实现，最后概括了一部分提升卷积神经网络的主流方法和未来发展的导向性说明。
关键词：卷积神经网络；CNN；特征提取；卷积层；池化层；全连接层；
一、简述卷积神经网络
（一）研究历程
20世纪40年代提出的M-P模型，人工神经网络的研究因此拉开序幕。
[1]1962年，生物学家Hubel和Wiesel提出感受野的概念，通过对猫视觉皮层细胞的研究，发现视觉信息从视网膜传递到大脑是通过多个层次的感受野激发完成的。[2]1986年，人工智能领域学者Rumelhart成功实现反向传播算法（即BP算法），并引发神经网络研究热潮。[3]1987年第一个卷积神经网络诞生，是由Alexander Waibel等提出的时间延迟网络（Time Delay Neural Network, TDNN），并应用于语音识别问题。[4]1989年，以LeCun为代表的将卷积层和下采样层结合形成CNN的主要结构，并用于数字识别的LeNet5模型。[5]2006年深度学习理论被提出后，卷积神经网络的学习能力广受关注；加上硬件设备、GPU等运算能力的发展，2012年复杂卷积神经网络多次在ImageNet大规模视角识别竞赛上夺冠，更多更优秀的卷积神经网络模型被提出。
（二）研究意义
人类在卷积神经网络领域以及取得了不容小觑的成就，但随着社会需求的不断增多也迎来了更多的挑战。其研究的意义体现在三个方面：理论研究、特征表达和实用价值。
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。
