卷积神经网络算法分析及图像处理示例.docxVIP

卷积神经网络算法分析及图像处理示例 　　摘要：卷积神经网络具有局部结合、权值共享及下采样等特征，可有效地降低网络的复杂度减少训练参数的数目。基于这些优越特性，它在各种信息处理中的性能优于传统的神经网络。本文首先介绍神经网络，进而详细的分析了卷积神经网络的原理及结构，包括卷积层、池化层、全连接层，并利用tensorflow简单的展示卷积神经网络用于图像处理。 　　关键词：神经网络;卷积神经网络;tensorflow 　　中图分类号：tp391文献标识码：a 　　文章编号：1009-3044（2019）34-0176-02 　　1概述 　　神经网络最早始于1943年的神经生理学家沃伦·麦克洛克和数学家沃尔特·皮茨，他们在根据人脑神经结构提出了感知机神经元模型。1958年rosenblatt提出了由两层神经元组成的神经网络并实现用单个感知机的训练。该模型数学表示为y=f（∑w*x），f（x）为激活函数，w为权值向量，x表示模型输入，y表示模型输出。神经网络实质是一个多层的复合函数。在神经网络中每一层神经元仅仅与下一层的神经元全连接，而在同一层或跨层的神经元彼此都不连接。这种简单的神经网络结构，被称为多层前馈神经网络。1986年杰弗里·辛顿和大卫·鲁梅尔哈特等人提出了反向传播（bp）算法系统简洁地阐述反向传播算法（bp）在神经网络模型上的应用