文献综述
深度学习（DeepLearning）尤其是卷积神经网络(Convolutional Neural Network,CNN)作为近几年来模式识别中的研究重点，受到人们越来越多的关注，相关的参考文献也是层出不穷。今天，得益于GPU硬件加速和大数据技术，CNN已从学术界走向工程界，大量应用在图像分类、物体检测、图像分割、图像标注、图像生成等实际工程领域。
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层和池层。CNN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。但是卷积神经网络存在训练时间过长的缺点。分数阶神经网络是将分数阶理论与人工神经网络的思想相结合而形成的一种新型神经网络。分数阶的优点是具有记忆性和遗传性，相比整数阶来说分数阶的描述精度也比较高。采用分数阶方法可以优化卷积神经网络中的节点数，有效的缩短训练时间。
本研究能拓展卷积神经网络的建模方法，提高图像识别的准度和训练效率。
参考文献：
[1]M．D．Ortigueira．Fractional Calculus for Scientists and Engineers[M]．NewYork：Springer，2011．
[2] J．H．Wang，Y．Q．Ye，X．Pan，et al．Parallel-type fractional zero-phase filtering for ECG signal denoising[J]．Biomedical Signal Processing and Control，2015，18:36-41．
[3] J．H．Wang，Y．Q．Ye，X．D．Gao．Fractional 90-degree phase-shift filtering based on the double-sided Grunwald-Letnikov differintegrator[J]．IET Signal Processing，2015，9(4):328-334．
[4] B．Barshan，B．Ayrulu．Fractional Fourier transform pre-processing for neural networks and its application to object recognition[J]．Neural Networks，2002，15:131-140．
[5] M．A．Ponce，A．Arguelles，I．Chairez．Pattern recognition for electroencephalographic signals based on continuous neural networks[J]．Neural Networks，2016，79:88-96．
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。
