卷积神经网络的参数优化方法研究开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述1. 前言卷积神经网络（convolutionalneural networks，cnn）是一类包含卷积计算且具有深度结构的前馈神经网络（feedforward neural networks），是深度学习（deep learning）的代表算法之一。

卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络（shift-invariant artificial neural networks，siann）。

　　对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和lenet-5[1]是最早出现的卷积神经网络。

2. 研究的基本内容、问题解决措施及方案

在实际的手写体识别应用上，输入数字图像的无连贯性、手写变形严重和低分辨率等恶劣因素都增加了分类识别的难度，所以必须通过构建一个拥有强大识别能力的网络模型来适应如此复杂又庞大的数据环境。

随着卷积神经网络对图像分类的研究兴起，给手写体识别带来了更多的解决方案。

卷积神经网络独特的局部感知和参数共享特点，可以提高手写体数字识别的泛化能力和准确度，使得它可以更好地处理图像数据。