全文总字数：4057字
文献综述
文 献 综 述1.研究背景 人工智能这一领域正在飞速发展，其中机器学习（Machine Learning）更是一个热门的研究方向。
机器学习可以通过给定的数据和其对应的输入结果并分析输入和输出之间的规律来实现对神经网络模型的训练和纠错[1]。
其中，深度学习（Deep Learning）作为机器学习中的一类分支，是一种以人工神经网络为主要架构，对数据进行表征学习（Feature Learning）的算法[2]。
深度学习结构多种多样，其中深度神经网络凭借其运用统计学方法从原始数据中提取高层特征，并在大量的数据中获得输入空间的特点，已逐渐成为许多人工智能应用的基础[1]。
深度神经网络经过多年的发展，已经逐渐在图像识别、语音识别、自动驾驶、癌症检测等应用方面取得了的突破。
由于深度学习在检测等方面得天独厚的速度优势，如果准确率进一步提升，未来势必会大规模替代人力，拥有极大的发展前景[1]。
2.关键技术2.1 神经元 神经元是组成神经网络的基本单元。
在生物体中，外部刺激通过神经末梢转化为电信号，传导到神经细胞；无数的神经细胞构成神经中枢；神经中枢综合多种细胞并进行判断；人体根据神经中枢的指令，对外部刺激做出反应[3]。
1943年，McCulloch和Pitts提出了人工神经元模型（Artificial Neuron），即M-P神经元模型[4]，如下图所示： 由上图可以看出，神经元的输出y=f(∑_(i=1)^nω_ix_i-θ) 其中θ为神经元的激活阈值，函数f()为激活函数。
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。
