毕业论文网
关于免费神经网络论文范文在这里免费下载与阅读,为您的神经网络相关论文写作提供资料。
卷积神经网络算法
【摘 要】随着人工智能的不断发展,神经网络作为人工智能的重点算法,是当下的研究热点和重点.本文首先明确了神经网络的定义,介绍了BP神经网络的算法,在传统网络的基础上研讨了卷积神经网络的网络结构,而且总结了卷积神经网络在图像识别中的运用.笔者通过对神经网络的系统研究,加深了对神经网络的理解,支持神经网络算法的后续研究.
【关键词】人工智能；神经网络；卷积神经网络
一、神经网络定义
人工神经网络(Artificial Neural Network,ANN),从80年代后逐渐流行至今,一直是机器学习的研究热潮.神经网络是通过对人脑神经结构和刺激机制的数学抽象得到的数学模型.神经网络模型结构灵活,使用与处理大规模数据,具有自学习的能力,能够自主的从数据中学习到有效的特征,解决不同场景下的实际问题.
神经网络结构很复杂也很庞大,能够根据不同的输入数据计算出合理的对外界的反应.由于网络中的每一个基础单元都增加了非线性函数,所以能够进行复杂的逻辑运算和操作.
神经网络虽然具有很多参数,给我们根据已有的数据寻找最优模型造成了一定的困难,然而经过梯度反向传播算法,通过不断的迭代,就可以根据已有数据不断减小误差,与实际相匹配,寻找合理的参数.
二、BP神经网络
BP(Back Propagation)~F经网络,利用激活函数,解决了感知机(Multilayer Perceptron,MLP)只能完成线性可分问题的缺陷.BP神经网络算法简单、成熟.其在输入层与输出层之间增加了隐层,而层与层之间的神经元两两连接,层内的神经元相互独立.这样就将非线性的原始数据映射到一个线性可分的高维空间中.
BP神经网络中的信息传递分为两个过程,一个是正向的传播,另一个是误差的反向传播.
其中1等于2,3,…,L.
神经网络的反向传播就是通过计算损失函数的梯度,将网络中的参数沿负梯度方向更新,不断迭代找到最优参数的过程.
三、卷积神经网络
由于传统BP神经网络的全连接模式,层与层之间的每个神经元都需要进行输入与输出运算,使得参数过多,运算繁琐,易发生过拟合、训练时间长等神经网络学习困难.而卷积神经网络利用权值共享和局部感知的网络结构,减少了参数的数量,筒化了运算.
典型的卷积神经网络主要由输入层、卷积层、下采样层（池化层）组成.其多由多个卷积层和池化层交替传递,在接近输出层时采用全连接.
在卷积层,以滑动窗口的方式将输入特征图划分为等大小的小方块,对每个图像块作卷积.然后将对应结果求和加上对应偏置,最后用激活函数作用得到特征图.卷积过程中,体现了卷积神经网络的局部感知和参数共享的特征.
池化能对输入的特征图进行降维处理,既能减少输入特征,同时能保证特征的局部不变.常用的池化方法有最大池化和平均池化等,即分别对输入特征图的小区域内像素取最大值、平均值.经过池化,每张特征图在每个维度上都缩小了,因而大大降低了全连接的难度.
在卷积神经网络运算中,由于我们对图像的考察特征不同,同一张图片,不同的权重和偏置参数,会对应多个特征输出图.这样将特征分类化,方便综合各个特征,更加精确地解读图片信息.
四、卷积神经网络应用
由于图像是网格型数据,数据的信息还和位置有非常重要的相关性.而一般的算法都是基于特征提取,忽略位置信息的,所以卷积神经网络在处理图像数据任务中有非常突出的表现.
闰鹏运用神经网络中的级联结构,提高了车牌检测的效率和准确性.在人脸检测方面,卷积种经网络可以直接对图片的像素进行建模,不用进行大量的特征工程等工作.Sun等设计的三层CNN利用脸部不同位置的纹理不同,来确定脸部关键点的位置,从而克服人脸识别过程中因光线暗,受遮挡等问题.
五、结语
本文从深度学习的BP神经网络谈起,介绍了神经网络的基本概念、结构和算法,并结合神经网络的发展历程,剖析了BP神经网络算法原理,在传统的神经网络基础上进一步研究了卷积神经网络的网络结构和特征,其中包括卷积、池化等网络结构,并讨论了当下的应用和未来的发展方向.虽然卷积神经网络还存在训练困难、系统复杂等缺陷,但其强大的学习能力表明,在不断的改进优化中,一定有更广阔的研究前景.
【参考文献】
[1]张海燕,冯天瑾．新的组合激活函数BP网络模型研究Ⅱ]．中国海洋大学学报（自然科学版）自然科学版,2002.32 (4):621-626
[2]丛爽,赵何．反向传播网络的不足与改进J].自动化博览,1999(1):25-26
[3]闰鹏．基于级联卷积网络的自然场景下的车牌检测D]．郑州大学,2015
神经网络论文范文结:
适合神经网络论文写作的大学硕士及相关本科毕业论文，相关神经网络开题报告范文和学术职称论文参考文献下载。
2、网络安全论文
3、网络营销论文
5、网络营销相关论文
6、网络论文