文献综述（或调研报告）：
此处容分为“卷积神经网络的推导和实现”与“卷积神经网络在声呐图像处理技术中的应用”两部分。
1.卷积神经网络（Convolutional Neural Network，CNN）的推导和实现
CNN架构的连接比权值要多很多，这实际上就隐含着实现了某种形式的规则化。这种特别的网络假定了我们希望通过数据驱动的方式学习到一些滤波器，作为提取输入的特征的一种方法[1]。
在典型的卷积神经网络中，初始的若干层均是卷积和下采样的交替，然后在靠近输出层的层级部署一维全连接网络。此时我们已将所有二维的特征图转化为全连接的一维网络的输入。当你将最终的二维特征图输入到一维网络中时，较为便捷的方法是把所有输出的特征图连接成一个较长的输入向量。[2,3]
构建卷积神经网络，涉及到的主要过程有前向传播（Feedforward Pass）与反向传播（Backpropagation Pass）。核心的网络架构包括卷积层（Convolution Layers）、子采样层（Sub-sampling Layers）以及全连接层（connection layer）[8]
1.1全连接层中的前向及反向传播算法
1.1.1前向传播算法（Feedforward Pass）
前向传播的过程中我们使用平方误差代价函数（Square error cost function），设我们的训练样本数为N，分类数为C，则代价函数为
= 1/2
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
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。
