原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第4O卷第6期计算机学报Vo1．40No．6
2017年6月CHINESEJOuRNALOFCOMPUTERSJune2017
卷积神经网络研究综述
周飞燕”金林鹏”董军”
l(中国科学院苏州纳米技术与纳米仿生研究所江苏苏州215123)
(中国科学院大学北京100049)
摘要作为一个十余年来快速发展的崭新领域，深度学习受到了越来越多研究者的关注，它在特征提取和建模
上都有着相较于浅层模型显然的优势．深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示
具有良好的泛化能力．它克服了过去人工智能中被认为难以解决的一些问题．且随着训练数据集数量的显著增长
以及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因
此也促进了人工智能的发展．深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要
形式，其神经元问的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构．
卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，减少训练参数的数目，
使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化．基于这些优
越的特性，它在各种信号和信息处理任务中的性能优于标准的全连接神经网络．该文首先概述了卷积神经网络的
发展历史，然后分别描述了神经元模型、多层感知器的结构．接着，详细分析了卷积神经网络的结构，包括卷积层、
池化层、全连接层，它们发挥着不同的作用．然后，讨论了网中网模型、空间变换网络等改进的卷积神经网络．同时，
还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具．此外，该文以图像分类、
人脸识别、音频检索、心电图分类及目标检测等为例，对卷积神经网络的应用作了归纳．卷积神经网络与递归神经
网络的集成是一个途径．为了给读者以尽可能多的借鉴，该文还设计并试验了不同参数及不同深度的卷积神经网
络来分析各参数间的相互关系及不同参数设置对结果的影响．最后，给出了卷积神经网络及其应用中待解决的若
干问题．
关键词卷积神经网络；深度学习；网络结构；训练方法；领域数据
中图法分类号TP18DOI号10．11897／SP．J．1016．2017．01229
ReviewofConvolutionalNeuralNetwork
ZHOUFei—Yan，JINLin—PengDONGJun
’(SuzhouInstituteofNano—TechandNano—Bionics，ChineseAcademyofSciences，Suzhou，Jiangsu215123)
(UniversityofChineseAcademyofSciences，Beijing100049)
AbstractAsanewandrapidlygrowingfieldformorethantenyears，deeplearninghasgained
moreandmoreattentionfromdifferentresearchers．Comparedwithshallowarchitectures，ithas
greatadvantagesinbothfeatureextractingandmodelfitting．Anditisverygoodatdiscovering
increasinglyabstractfeaturerepresentationswhosegeneralizationabilityisstrongf
文档评论（0）