人工神经网络毕业论文外文翻译

人工神经网络

英文翻译如下：

artificial neural network

双语例句：

1、This paper discussed the application of artificial neural network at the resistance spot welding of aluminum alloy.

针对铝合金的电阻点焊，研究了人工神经网络在点焊质量估测中的应用。

2、In the paper, data preparative and Artificial Neural Network parameter in DM is discussed mainly.

在论文中，着重考虑了人工神经网在数据挖掘中的数据准备问题、网络参数的选取问题等等。

3、Artificial neural network and its application in near infrared spectroscopy are presented in brief.

简要介绍了人工神经网络及其在近红外光谱分析中的应用。

推荐到OA图书馆查询。中英文都有。英文文献，输入英文关键词即可

你好，请下载附件，你需要的文献已上传，希望对你的学习研究有所帮助，还望及时采纳答案哦

外文翻译-基于arm的生物发酵智能控制系统的设计，英语原文文献请下载附件，建议，自给自足，多学习，我们毕竟在大学中是以学习为本职的。

作者：Shi Y, Gai G, Zhao X.

文题：Influence and Simulation Model of Operational Parameters on Hydrogen Bio-production Through Anaerobic Microorganism Fermentation Using Two Kinds of Wastes

来源：Proceedings of the World Congress on Engineering and Computer Science. 2009, 2.

已经发到你邮箱了，收到了吗？

问题一：软件工程用英语怎么说？ Software engineering 问题二：软件开发用英语怎么说软件开发（software development）软件工程（software engineering）问题三：我毕业于xx学校软件工程专业英语怎么说 I graduated from XX �niversity and my major is software engineering. 问题四：软件工程硕士的英文怎么说软件工程硕士 [网络] MSE; Master of Software Engineering; software engineering; MSc Software Engineering; [例句]第一个软件工程硕士学位设立了西雅图大学于1979年。 The first software engineering Master's degree was established at Seattle University in1979. 问题五：请问“信息学院”和“软件学院”的用英语怎么说？信息学院：Information Institute 软件学院：Software Institute 如果是厂信息系：Information Department 软件系：Software Department 希望对您有帮助问题六：软件工程专业用英语吗可以不用。但是用和不用差别很大，从学校到工作岗位，它都会限制你的发展。学校里，软工的一般都要大量刷编程题，一些是英文的题。还有计算机相关的高新技术、论文，英文的比较多，尤其是前沿技术。工作后，当你写出来的东西没有英文，全是拼音时，管理会认为你的水平不高，只能被淘汰到小公司去上班。问题七：我来自软件工程1班。英语怎么翻译 I am from class one of Software Engineering. 问题八：软件工程中二次开发专业术语用英文怎么说？ redevelope/reexploit

DARPA ：国防高级研究计划局 ARPARNET(Internet) ：阿帕网 ICCC ：国际计算机通信会议 CCITT ：国际电报电话咨询委员会 SNA ：系统网络体系结构(IBM) DNA ：数字网络体系结构(DEC) CSMA/CD ：载波监听多路访问/冲突检测(Xerox) NGI ：下一代INTERNET Internet2 ：第二代INTERNET TCP/IP SNA SPX/IPX AppleTalk ：网络协议 NII ：国家信息基础设施(信息高速公路) GII ：全球信息基础设施 MIPS ：PC的处理能力 Petabit ：10^15BIT/S Cu芯片: ：铜 OC48 ：光缆通信 SDH ：同步数字复用 WDH ：波分复用 ADSL ：不对称数字用户服务线 HFE/HFC：结构和Cable-modem 机顶盒 PCS ：便携式智能终端 CODEC ：编码解码器 ASK(amplitude shift keying) ：幅移键控法 FSK(frequency shift keying) ：频移键控法 PSK(phase shift keying) ：相移键控法 NRZ (Non return to zero) ：不归零制 PCM(pulse code modulation) ：脉冲代码调制 nonlinear encoding ：非线性编程 FDM ：频分多路复用 TDM ：时分多路复用 STDM ：统计时分多路复 DS0 ：64kb/s DS1 ：24DS0 DS1C ：48DS0 DS2 ：96DS0 DS3 ：762DS0 DS4 ：4032DS0 CSU(channel service unit) ：信道服务部件 SONET/SDH ：同步光纤网络接口 LRC ：纵向冗余校验 CRC ：循环冗余校验 ARQ ：自动重发请求 ACK ：确认 NAK ：不确认 preamble ：前文 postamble ：后文 ITU ：国际电信联合会 character-oriented ：面向字符 bit-oriented ：面向位 SYNC ：同步字符 HDLC ：面向位的方案 SDLC ：面向位的方案 bit-stuffing ：位插入 STP ：屏蔽双绞线 UTP ：非屏蔽双绞线 RG-58A/U ：标准 RG-11 ：用于10BASE5 RG-59U ：75欧 CATV RG-62U ：9欧 ARCnet 10BASE5 ： RG-59U ： CATV RG-62U ： ARCnet LED(light emitting diobe) ：发光二级管 ILD(injection laster diobe) ：注入型激光二级管 PIN ：检波器 APD ：检波器 intensity modulation ：亮度调制 line of sight ：可视通路 CCITT (EIA RS232C) ：非平衡型 CCITT (EIA RS423A) ：新的非平衡型 CCITT (EIA RS422A) ：新的平衡型 TD ：发送数据 RD ：接收数据 XON/XOFF ：流控制 Automatic Repeat Request Protocol ：自动重发请求 Send and wait ARQ:continuous ：ARQ停等ARQ Ward Christensen ：人名 Kermit ：协议 circuit switching ：线路交换 packet switching ：分组交换 virtual circuit ：虚电路 ATM(asynchronous transfer mode) ：异步传输模式 ATDM ：异步时分多路复用 packetizer ：打包器 VPI(vritual path identifier) ：虚路径标识 VCI(virtual channel identifier) ：虚通道标识 syntax ：语法 semantics ：语义 timing ：定时 OSI(open system interconnection) ：开放系统 session ：会话 synchronization ：同步 activity management ：活动管理 AE ：应用实体 UE ：用户元素 CASE ：公共应用服务元素 SASE ：特定应用服务元素 VT ：虚拟终端 JIM ：作业传送和操作 reverved ：保留 echo ：回送 discard ：丢弃 active users ：活动用户 daytime ：白天 netstat(who is up of NETSTAT) qotd(quote of the day) 日期引用 chargen(character generator) 字符发送器 nameserver(domani name server) 域名服务器 bootps(bootstrap protocol server/client) 引导协议服务器/客户机 tftp(trivial file transfer) 简单文件传送 sunrpc(sun microsystems RPC) SUN公司 NTP:network time protocol 网络时间协议 SNMP(SNMP net monitor) SNMP网络监控器 SNMP traps 陷井 biff unix comsat daemon timed daemon syslog system log URG 紧急字段可用 ACK 确认字段可用 PSH 请求急迫操作 RST 连接复位 SYN 同步序号 FIN 发送方字节流结束 Manchester 曼彻斯特编码 FDDI(fiber distributed data interface) 光纤分布数据接口 TTRT 目标标记循环时间 aggregation of multiple link segments 多重链接分段聚合协议 MAN(metropolitan area network plus) 城域网 CSMA/CD(carrier sense multiple access/collision detection) 载波监听 Token bus 令牌总线 T oken ring 令牌环 SAP 服务访问点 request indictaion response confirmation LLC PDU LLC协议数据单元 DSAP address 目地服务访问点地址字段 SSAP address 源服务访问点地址字段 XID 交换标识 SABME 置扩充的异步平衡方式 DISC 断开连接 DM 断开 FRMR 帧拒收 solt time 时间片 AUI 连接单元接口 MAU 介质连接接口 MDI 介质相关接口 PMA 物理介质接口 SFD 起始定界符 PAD 填充字段 FCS 帧校验序列 PLS 物理层收发信号 slot time 时间 Inter Frame Gap 帧 attempt limit 最大重传次数 back off limit 避免算法参数 Jam size 阻塞参数 max frame size 最大帧 address size 地址 collaspsed backone 折叠式主干网 BSS 基本服务集 ESS 扩展服务集 DFW-MAC 分布式基础无线MAC IFS 帧间空隙 SIFS: 短 PIFS 点协调 DIFS 分布协调 CTS 发送清除 DQDB() 分布式队列双总线 TDM 时分复用 TMS 多时分交换 TSI 时间片互换 TST 网络机构 TSSST STS SSTSS TSTST 网络机构 PSTN 公用交换电话网 public switched telephone network 详细 PBX:private branch exchange 专用交换网 PABX;private automatic branch exchange 自动交换机 CBX:computerized branch exchange 程控交换 SLIP:serial line IP 串行IP LCP(link control protocol) 链路控制协议 NCP:network control protocol 网络控制协议 BRI 基本速率接口 PRI 群速率接口 LAPB:line access protocol balanced 链路访问协议平衡 registration 登录 interrupt 中断 LAP F link access procedure for frame-mode bearer serives 太长了 rotate 不知道 recovery 恢复 discard 丢弃 retransmission 重传 switched access 交换访问 intergated access 集成访问 alerting 警告 progress 进展 AAL ATM适配层 GFC 总流控 cell rate decoupling 信元率去耦 SDH 同步数字级 PDH 准国步数字级 GSM:group special mobile 移动通讯 NSS 网络子系统 OMC-R 操作维护中心 BSS 基站子系统 BSC 基站控制器 BTS 基站收发信机 MS 移动站 SIM:subscriber identity module 标识模块 MSC 移动交换机 HLR 归属位置寄存器 VLR 访问位置寄存器 AUC 鉴权中心 EIR 设备识别寄存器 OMC-S 操作维护中心 SC 短消息中心 WAP 无线应用协议 WAE 无线应用层 WSP 会话层 WTP 事务层 WTLS 安全层 WDP 传输层 MAP 移动应用部分 WML无线标记语言 SSL:secure sockets layer 安全套接层 PCS 个人通信业务 PCN 个人通信网 GEO 对地静止轨道 NON-GE0(MEO,LEO) 不清楚 ITU 国际电信联盟 VSAT:very small aperture -terminal 甚小天线终端 LEOS 低轨道卫星通信系统 repeater 中继器 bridge 网桥 router 路由器 gateway 网关 ONsemble stackable 10BASE 可叠加组合型集线器 transparent bridge 传输桥 source routing bridge 源路径桥 broadcast storm 广播风暴 encapsulation 封装 translation bridging 转换桥接方式 SRT 源地址选择透明桥 offset 偏移 more flag 标识 ICMP INTERNET控制报文协议 SPF:shortest path first 最短路径 IGP:interior gateway protocol 核心网关协议 EGP:exterior gateway protocol 扩展网关协议 RIP:routing information protocol 路由信息协议 OSPF 开放最短径优先协议 acquisition request 获取请求 acquisition confirm 获取确认 cease 中止 poll 轮询 IPX/SPX internetwork packet exchange/sequented packet exchange NOVELL interpreter 解释器 redirector 重定向器 SFT system fault tolerant 系统容错 ELS entry level solution 不认识 ODI 开放数据链路接口 NDIS network device interface specification 网络设备接口... DDCS 数据库管理和分布数据库连接服务 DCE:distributed computing environment 分布计算环境 OSF:open software foundation 开放软件基金 PWS:peer web service WEB服务器 OEM 原始设备制造商 RAS 远程访问服务 IIS:Internet Information server INTERNET信息服务 WINS:windows internet name system WINDOWS命名服务 NTDS:windows NT directory server NT目录服务 TDI 传输驱动程序接口 schedule++ 应用程序,预约本 COSE:common open software environment 普通开放软件环境 RPC 远程过程调用 SNMP:simple network management protocol 简单网管协议 SMI:structer of management information 管理信息结构 SMT:station management 管理站 SMTP:simple mail transfer protocol 简单邮件传输协议 SNA:system network architecture IBM网络 SNR:signal noise ratio 信噪比 SONENT:synchronous optical network 同步光纤网络 SPE:synchronous payload envelope 同步PAYLOAD信 CMIS/CMIP 公共管理信息服务/协议 CMISE 公共管理信息服务 agent 代理 IMT:inductive modeling technology 不知道 plaintext 明文 ciphertext 脱密 encryption 加密 decryption 解密 symmetric key cryptography 对称加密 asymmetric key cryptography 不对称加密 public key 公钥 private key 私钥 DES:data encryption standard 数据加密标准 IDEA:international data encryption algorithm 国际加密算法 PIN:personal identification number 个人标识符 session key 会话层密钥 KDC:key distribuetion center 密钥分发中心 sign 签名 seal 封装 certificate 证书 certificate authority CA 证书权威机构 OSF 开放软件中心 AFS:andrew file system 分布式文件系统 ticket 凭证 authenticatior 身份认证 timestamp 时间标记 reply attack 检测重放攻击 realm 域 PKI 公钥基础设施 certificate hierarchy 证书层次结构 across certificate 交叉证书 security domain 安全领域 cerfificate revoke list(CRL) 证书层次结构 LDAP:light weight directory access protocol 协议 access matrix 访问矩阵 ACL:access control list 访问列表 reference monitor 引用监控器 course grained 粗粒度访问控制 medium grained 中粒度访问控制 fine grained 细粒度访问控制 CORBA 面向对象的分布系统应用 MQ 报文队列 VPN 虚拟专网 IPSEC:IP security 安全IP SA:security association 安全?? encopulation security payload 封装安全负载 AH:authentication header 鉴别报头 IKE:Internet key exchange 交换 rogue programs 捣乱程序 IPSP:IP security protocol 安全 IKMP:internet key managemetn protocol 协议 IESG Internet工程领导小组 SHA 安全散列算法 MAC:message authentication code 代码 CBC 密码块链接 SSL 安全套接层协议 cerfificate verify 证书检验报文 PEM 私用强化邮件 PGP:pretty good privacy 好的 private 保密 authenticated 已认证 SEPP 安全电子付费协议 SET 安全电子交易 middleware 中间件 GSS-API 通用安全服务 SNP 安全网络编程 BWD:browser web database 浏览WEB plugin 插入件 basic authentication scheme 不知道 digest authentication scheme 摘要认证方法 open group:the open group research institute 研究所 DCE:distributed computing environment 分布式计算机环境 SLP:secure local proxy 安全局部代理 SDG:secure domain proxy 安全域代理 OMG:object management group 目标管理组 CORBS:common object request broker architecture 不清楚 authentication 鉴别 access control 访问控制 data confidnetiality 保密 data integrity 数据完整性 non-reputation 防止否认 enciphermant 加密机制 digital signature mechanisms 数据完整性 authentication mechanisms 路由控制机制 notarization mechanisms 公证 trusted function 可信 security labels 安全标记 event dectection 事件检测 security audit trail 安全审计跟踪 security recovery 安全恢复 TCSEC:trusted computer system evaluation criteria 标准 TCSEC TNI:trusted network interpretation of the TCSEC 标准 TCSEC TDI:trusted database interpretation of the TCSEC 标准 ITSEC:information technology security evaluation 标准 CC:command criteria for IT security evaluation 安全 classified criteria for secruity protection 中国安全 of computer information system 中国安全 GB17859-1999 国标 TCB:trusted computing base SNMP:simple network management protocol 网管 ICMP:internet control message protocol 互联网控制信息协议 ARP:address resolution protocol 地址解析协议 TCP:transmission control protocol 传输控制协议 UDP:user datagram protocol 用户数据报协议 SMTP:simple mail transfer protocol 简单邮件传输 DNS:domain name service 服务器 NSP:name service protocol 服务器 TElnet:telcommunication network TEL EGP:exterior gateway protocol 外部网关连接器协议 IGP:inter gateway protocol 内部网关连接器协议 SLIP 串行接口协议 PPP 点对点协议 UNICAST 单播地址 cluster 群集地址 multicast 组播地址 scable model 可伸缩模型 integrated model 集成模型 OLAP 联机分析工具 NAS:network applications support DEC公司的工具 NWC:newwave computing HP工具 OCCA:open cooperative computing architecture 开放合作计算体系结构 DAA:distributed application architecture DG的分布应用体系结构 COSE:common opensystem enviroment 通用开放系统环境 CDE:common desktop enviroment 通用桌面环境 DCE 分布式计算环境 RPC 远程过程调用 DME 分布管理环境 OSE/APP 开放系统环境应用可移植框架 ODA 开放文件体系结构 ODL 开放文件语言

弹性分组环（ RPR ），也称为的IEEE ，是一个标准的设计，优化运输的数据流量超过光纤环。它的设计是要提供的应变能力，发现在SONET / SDH的网络（ 50ms保护），而是设立面向电路连接，提供一个基于包的传输。这是为了提高工作效率的以太网和IP服务。RPR的工程，一个概念，双反旋转环所谓的几厘米。这些从几厘米到成立，创造了RPR站节点的交通是要下降，每流（流是侵入和出口的数据流量）。 RPR的用途MAC （媒体访问控制协议）的讯息，以直接的交通，这两个方向的导线周围的冷力。该节点也进行谈判，为它们之间的带宽使用的公平算法，避免交通挤塞及未能跨越。避免失败的跨越是通过使用其中的两种技术被称为“督导”和“包装” 。督导下，如果一个节点或跨度是打破所有节点通知拓扑的变化和他们重新路由他们的交通。在包装的交通是环回在最后的节点前休息和路由到目的地站。所有的交通环是分配一类的服务（部门主管），并且该标准规定在3班。 A级（或高）的交通是一个纯粹的税务局局长（承诺信息速率）和旨在支持应用需要低延迟和抖动，如语音和视频。 B级（或中等）的交通是一个混合既是一个税务局局长和审查机构（过剩的信息率-这是符合公平排队）。 C级（或低）是最好的努力，交通，利用带宽，无论是可用的。这主要是用来支持互联网接入的交通。另一个概念RPR的是什么是被称为 “空间再利用” 。由于RPR的“带”的信号，一旦到达目的地（不同的SONET / SDH upsr环，在该带宽是消耗左右整个环），它可以重复使用获释空间进行额外的交通。该RPR的标准还支持使用学习桥梁协会（ IEEE ），以进一步提高效率，在点，以点对多点的应用和VLAN标记协会（ IEEE ）。有一个缺点， RPR技术是它并没有提供空间复用的框架传输到/从MAC地址不在场，在环形拓扑结构。这是正在处理的第1项修正案在IEEE 。在空间上知道子层（ SAS ）的是一个可选层被界定的IEEE 。这使得空间重用框架传输到/从MAC地址不在场，在环形拓扑结构。这是一个延伸到弹性分组环标准。

论文肯定是从网上抄了很多，呵呵，如果是硕士论文修改的话应该不难，我去年11月份的时候在不凡网络策划修改过一篇，服务倒还不错，当时重复率没有你那么高是40%多，他们修改完重复率是7%，收了我800，不知道现在价格涨了没，不过他们好像只修改工程硕士论文，其他类的似乎不修改，我也不是很确定，你自己去问问吧。不要轻信广告，这可是毕业大事，呵呵

人工智能神经网络论文

人工智能哪一个方向比较好写的话，我觉得应该是说它的应用方面比较好写吧，因为对于专业知识可能不太了解，但是它的使用的话应该比较简单。

工智能论文要抓住现在智能的特点。例如是语音操控还是是手机操控。现在比较流行懒人模式，都是语音操控的比较多。

导语

从感知机模型，到深度神经网络的发明，都受到了生物神经系统的启发。在本周Science的一篇评论文章中，研究者认为，将深度学习与类似人脑的先天结构相结合，能够让神经网络模型更接近人类学习模型。

1950年，数学家艾伦图灵在他的论文开头提出了一个重要的问题：机器能思考吗？就此，人类展开了对人工智能的探索。

而目前唯一已知的、能进行复杂计算的系统就是生物神经系统，这也就不奇怪——为什么人工智能领域的科学家们会将大脑神经回路视作灵感的来源。

在人工智能领域发展的早期，科学家就研究过使用类似大脑结构的电路进行智能计算。近些年，这一研究方法诞生的最伟大成果就是一个高度精简的大脑皮层回路模型：神经网络。

这个模型受到了大脑神经网络模型的启发。神经网络模型由多层神经元构成，可以通过调节参数权重的大小来调节这些神经元之间连接的强弱，这种结构与神经科学中的突触相对应。

深度神经网络以及相关的方法在人工智能系统的应用中已经带来了深远的变革。在计算机视觉、语音识别以及游戏博弈等人工智能的核心领域，神经网络都有着举足轻重的影响力，相较其它模型更甚。在应用领域，语音文本翻译以及计算机视觉这些问题中都广泛应用神经网络方法。

本文我们将会讨论，大脑神经元回路如何为神经网络方法提供新的指引和洞见，使得神经网络能够成为一种强人工智能方法。

从深度学习到强化学习

深度神经网络

深度神经网络的关键问题就是学习问题：如何通过调整神经元之间连接的权重，使得输入的数据能够得到期望的输出，方法是通过对样本的训练自动调整权重。训练样本提供了一套输入数据以及与之所对应的输出数据。深度神经网络通过调整神经元之间的权重，使得输入数据能够产生与期望相对应的输出。

一个好的学习过程，不仅仅是记住了输入样本，同时能够泛化模型，使得模型在遇到没有学习过的样本数据时，也能够得到正确的输出结果。

我们将深度神经网络模型与核磁共振成像以及生物行为数据等实证生理学方法提供的结果相比较，会发现大脑与深度神经网络模型的异同之处。与灵长类生物的视觉系统相比，这两种神经模型的早期神经反应阶段比后期阶段更为接近。这表明我们人造的深度神经网络，能够更好的处理早期神经反应阶段，后期认知过程的处理能力还比较差。

强化学习

除了深度神经网络以外，人工智能模型近期还增添了一员“大将”：强化学习 ——大脑收到了奖励信号就能够改变行为的机制。强化学习能够表征人或者动物在全世界范围内的行为，并且接收奖励信号。研究者们已经广泛地研究了这种学习模型的大脑反应机制，并且应用到人工智能领域，特别是机器人领域。

强化学习的目标是学习一个最优策略，构建一种从状态到行动的映射，以此来优化所有时间内能获得的收益。近期的人工智能研究中已经将强化学习与深度学习相结合，特别是在诸如视频游戏、棋类游戏（国际象棋、围棋和日本将棋）等复杂的游戏活动中。

深度神经网络和强化学习相结合的模型产生了应为惊讶的结果：人工智能已经击败了国际围棋大师，并且仅需要4小时的训练就能够达到大师级的水平，而且并没有依赖于人类的棋谱，而是通过自我博弈达到这样的结果。

大脑神经回路（左）与深度神经网络（右）

神经网络：人工 VS. 生物

一个悬而未决的问题是：与大脑神经回路相比，当前我们所使用的深度神经网络模型结构极其简单，这样的简化是否能够捕捉到人类学习与认知的全部能力？

从神经科学引领人工智能的视角来看，我们必须承认目前取得的结果令人惊讶。与大脑皮层的神经回路相比，神经网络模型做了许多简化，同时也加入了另外一些受到脑神经科学启发的结构，比如归一化处理以及注意力模型。但是一般来说，我们所熟知的关于神经元的所有东西（结构、类型以及关联性等等特征）都被排除在了神经网络模型之外。

目前科学家们并不清楚，对于神经网络这个人工智能模型而言，哪些生物神经结构是必不可少且能发挥作用的。但是生物神经结构和深度神经网络结构的差异已经非常明显了，比如说生物神经元在形态结构、生理特征以及神经化学方面千差万别且结构复杂。典型的例子有，兴奋性椎体神经元的输入分布在复杂树突的顶部和底部；抑制性皮质神经元具有多种不同的形态，且能执行不同的功能。

神经网络模型不仅没有包含这种异质性以及其它复杂的特征，相反，人工神经网络使用了高度精简且一致统一的数学函数作为神经元。就神经元之间的连接方式而言，生物神经元也比神经网络要复杂许多，同层神经元之间的连接，局部连接与远程连接，以及皮层区不同层级之间自上而下的连接，以及可能存在局部的“规范电路”。

深度神经网络主要的成绩还是在处理现实世界中诸如语音信息和视觉信息等感知数据上。在图像视觉领域，神经网络模型最初是用来处理感知问题，例如对图像进行分割以及分类。

在这些工作的基础上加上一些扩展，我们就能够让神经网络模型处理更加复杂的问题。

例如为图像提供说明文字，利用一段简短的语言描述图片的内容，或者识别图片的内容并回答人类的提问。

非视觉问题，比如理解图片的潜在含义：幽默还是讽刺？或者通过图片理解其中的物理结构以及社会现象等。不仅如此，科学家们也在努力让这样的神经网络应用在自动翻译、个人辅助、医疗诊断、高级机器人以及自动驾驶等其它领域。

人们在人工智能领域的研发投入以及资金投入都与日俱增，但这同时也带来了一些的疑难问题——人工智能到底能否带来真实？能否产生和人类类似的理解能力？甚至人工智能是否会和人类智能走向完全不同的方向？这些问题都是未知的，并且人类在该领域的科学研究以及商业实践上都下了重注。

倘若当前的神经网络模型在认知能力方面被证明是有限的，那么自然研究者还需要到神经科学中去寻找启示。目前被人们所忽略的大脑神经中的种种细节是否能为构建强人工智能提供一把钥匙？我们人类大脑中哪些结构是特别重要的，这一点并没有定论。

认知能力取决于

先天结构还是后天学习？

虽然我们人类对自己大脑神经回路的理解还很有限，但我们仍然可以正视一个常见的问题——人脑神经和深度神经网络模型有着根本的不同，这种不同可能在寻找类似人类的强人工智能的道路上起到至关重要的作用。

这涉及到了一个古老的认知问题，是经验主义还是先天主义？换句话说就是：先天的认知结构和一般的学习机制二者的相互作用问题。

婴儿期视觉学习带来的启示

目前的智能模型倾向于经验主义，使用相对简单统一的网络结构，主要依靠学习过程以及大量的训练数据来提高认知能力。相比而言，生物体往往是在经过很有限的训练就能够完成复杂的任务，许多的学习任务是由先天的神经结构来完成的。换句话说，生物的学习是举一反三，而神经网络是举三反一。

比如说许多物种，诸如昆虫、鱼类、鸟类都有着一套复杂且独特的机制来执行导航任务。就人类而言，人类的婴儿出生几个月就能够进行复杂的认知工作，而这时的人类并不能接受具体的训练，相反婴儿能够本能的去识别物体，抓握物体。在视觉上，婴儿能够识别一个动画角色是否友善，这些任务显示出了一个婴儿对这个物理世界以及人类社会的初步理解。

大量的研究表明，快速的非监督学习是可行的，因为人类的认知系统中已经先天地具备了基本结构，这些结构有助于人类获得有意义的概念，并且增进认知技能。

与现有的深度神经网络模型相比，人类认知学习和理解能力所具有的优越性很可能是因为人类认知系统中包含着大量的先天结构。通过对婴儿期视觉学习过程的建模，体现出了先天的结构以及后天学习过程的有效结合，并且人们发现那些含义复杂的概念，既不是先天存在的也不是后天学会的。

在这个“中间路线”中，先天概念并不是被开发出来的，而是通过一些简单的原型概念随着人类的学习过程一步一步演化成复杂概念的，这个模式很难说存在明确的学习训练过程。

比如说婴儿能够注意到人的视线以及人的动作之间的关联，当人的视线以及动作朝向相反方向的时候，能够察觉到其中的错误。大脑皮层先天的特定结构能够实现这一功能，并且能对输入的信息输出报错反馈。

“中间路线”助力人工智能

我们也可以把这种先天的结构构建于人工神经网络中，使得人工神经网络的学习过程更加类似于人类。人们可以通过理解并模仿大脑的相关机制来完成这样的一个研究任务，或者从零开始开发一个全新的高效的计算学习方法。

科学家已经在这个方向上做了一些尝试。但总的来说，学习一个先天的结构与当前的学习任务并不相同，在这个问题上人类还是知之甚少。把先天结构与后天学习结合在一起，可能给神经科学和通用人工智能这两个学科都带来好处，并且能将二者结合为智能处理理论。

人工神经网络研究论文

神经网络的是我的毕业论文的一部分4．人工神经网络人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络学习的原理人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。人工神经网络的优缺点人工神经网络由于模拟了大脑神经元的组织方式而具有了人脑功能的一些基本特征，为人工智能的研究开辟了新的途径，神经网络具有的优点在于:（1）并行分布性处理因为人工神经网络中的神经元排列并不是杂乱无章的，往往是分层或以一种有规律的序列排列，信号可以同时到达一批神经元的输入端，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元，则整个系统可以是一个分布式计算系统，这样就避免了以往的“匹配冲突”，“组合爆炸”和“无穷递归”等题，推理速度快。（2）可学习性一个相对很小的人工神经网络可存储大量的专家知识，并且能根据学习算法，或者利用样本指导系统来模拟现实环境(称为有教师学习)，或者对输入进行自适应学习(称为无教师学习)，不断地自动学习，完善知识的存储。（3）鲁棒性和容错性由于采用大量的神经元及其相互连接，具有联想记忆与联想映射能力，可以增强专家系统的容错能力，人工神经网络中少量的神经元发生失效或错误，不会对系统整体功能带来严重的影响。而且克服了传统专家系统中存在的“知识窄台阶”问题。（4）泛化能力人工神经网络是一类大规模的非线形系统，这就提供了系统自组织和协同的潜力。它能充分逼近复杂的非线形关系。当输入发生较小变化，其输出能够与原输入产生的输出保持相当小的差距。（5）具有统一的内部知识表示形式，任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，便于知识库的组织管理，通用性强。虽然人工神经网络有很多优点，但基于其固有的内在机理，人工神经网络也不可避免的存在自己的弱点:（1）最严重的问题是没能力来解释自己的推理过程和推理依据。（2）神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）神经网络把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）神经网络的理论和学习算法还有待于进一步完善和提高。神经网络的发展趋势及在柴油机故障诊断中的可行性神经网络为现代复杂大系统的状态监测和故障诊断提供了全新的理论方法和技术实现手段。神经网络专家系统是一类新的知识表达体系，与传统专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量的简单处理元件(结点) 之间的相互作用而进行的。由于它的分布式信息保持方式，为专家系统知识的获取与表达以及推理提供了全新的方式。它将逻辑推理与数值运算相结合，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能，解决诊断系统中的不确定性知识表示、获取和并行推理等问题。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂的计算的推理过程。但是，该技术是一个多学科知识交叉应用的领域，是一个不十分成熟的学科。一方面，装备的故障相当复杂;另一方面，人工神经网络本身尚有诸多不足之处:（1）受限于脑科学的已有研究成果。由于生理实验的困难性，目前对于人脑思维与记忆机制的认识还很肤浅。（2）尚未建立起完整成熟的理论体系。目前已提出了众多的人工神经网络模型，归纳起来，这些模型一般都是一个由结点及其互连构成的有向拓扑网，结点间互连强度所构成的矩阵，可通过某种学习策略建立起来。但仅这一共性，不足以构成一个完整的体系。这些学习策略大多是各行其是而无法统一于一个完整的框架之中。（3）带有浓厚的策略色彩。这是在没有统一的基础理论支持下，为解决某些应用，而诱发出的自然结果。（4）与传统计算技术的接口不成熟。人工神经网络技术决不能全面替代传统计算技术，而只能在某些方面与之互补，从而需要进一步解决与传统计算技术的接口问题，才能获得自身的发展。虽然人工神经网络目前存在诸多不足，但是神经网络和传统专家系统相结合的智能故障诊断技术仍将是以后研究与应用的热点。它最大限度地发挥两者的优势。神经网络擅长数值计算，适合进行浅层次的经验推理;专家系统的特点是符号推理，适合进行深层次的逻辑推理。智能系统以并行工作方式运行，既扩大了状态监测和故障诊断的范围，又可满足状态监测和故障诊断的实时性要求。既强调符号推理，又注重数值计算，因此能适应当前故障诊断系统的基本特征和发展趋势。随着人工神经网络的不断发展与完善，它将在智能故障诊断中得到广泛的应用。根据神经网络上述的各类优缺点，目前有将神经网络与传统的专家系统结合起来的研究倾向，建造所谓的神经网络专家系统。理论分析与使用实践表明，神经网络专家系统较好地结合了两者的优点而得到更广泛的研究和应用。离心式制冷压缩机的构造和工作原理与离心式鼓风机极为相似。但它的工作原理与活塞式压缩机有根本的区别，它不是利用汽缸容积减小的方式来提高汽体的压力，而是依靠动能的变化来提高汽体压力。离心式压缩机具有带叶片的工作轮，当工作轮转动时，叶片就带动汽体运动或者使汽体得到动能，然后使部分动能转化为压力能从而提高汽体的压力。这种压缩机由于它工作时不断地将制冷剂蒸汽吸入，又不断地沿半径方向被甩出去，所以称这种型式的压缩机为离心式压缩机。其中根据压缩机中安装的工作轮数量的多少，分为单级式和多级式。如果只有一个工作轮，就称为单级离心式压缩机，如果是由几个工作轮串联而组成，就称为多级离心式压缩机。在空调中，由于压力增高较少，所以一般都是采用单级，其它方面所用的离心式制冷压缩机大都是多级的。单级离心式制冷压缩机的构造主要由工作轮、扩压器和蜗壳等所组成。压缩机工作时制冷剂蒸汽由吸汽口轴向进入吸汽室，并在吸汽室的导流作用引导由蒸发器(或中间冷却器)来的制冷剂蒸汽均匀地进入高速旋转的工作轮3(工作轮也称叶轮，它是离心式制冷压缩机的重要部件，因为只有通过工作轮才能将能量传给汽体)。汽体在叶片作用下，一边跟着工作轮作高速旋转，一边由于受离心力的作用，在叶片槽道中作扩压流动，从而使汽体的压力和速度都得到提高。由工作轮出来的汽体再进入截面积逐渐扩大的扩压器4(因为汽体从工作轮流出时具有较高的流速，扩压器便把动能部分地转化为压力能，从而提高汽体的压力)。汽体流过扩压器时速度减小，而压力则进一步提高。经扩压器后汽体汇集到蜗壳中，再经排气口引导至中间冷却器或冷凝器中。二、离心式制冷压缩机的特点与特性离心式制冷压缩机与活塞式制冷压缩机相比较，具有下列优点： (1)单机制冷量大，在制冷量相同时它的体积小，占地面积少，重量较活塞式轻5～8倍。 (2)由于它没有汽阀活塞环等易损部件，又没有曲柄连杆机构，因而工作可靠、运转平稳、噪音小、操作简单、维护费用低。 (3)工作轮和机壳之间没有摩擦，无需润滑。故制冷剂蒸汽与润滑油不接触，从而提高了蒸发器和冷凝器的传热性能。 (4)能经济方便的调节制冷量且调节的范围较大。 (5)对制冷剂的适应性差，一台结构一定的离心式制冷压缩机只能适应一种制冷剂。 (6)由于适宜采用分子量比较大的制冷剂，故只适用于大制冷量，一般都在25～30万大卡／时以上。如制冷量太少，则要求流量小，流道窄，从而使流动阻力大，效率低。但近年来经过不断改进，用于空调的离心式制冷压缩机，单机制冷量可以小到10万大卡／时左右。制冷与冷凝温度、蒸发温度的关系。由物理学可知，回转体的动量矩的变化等于外力矩，则 T=m(C2UR2-C1UR1) 两边都乘以角速度ω，得 Tω=m(C2UωR2-C1UωR1) 也就是说主轴上的外加功率N为： N=m(U2C2U-U1C1U) 上式两边同除以m则得叶轮给予单位质量制冷剂蒸汽的功即叶轮的理论能量头。 U2 C2 ω2 C2U R1 R2 ω1 C1 U1 C2r β 离心式制冷压缩机的特性是指理论能量头与流量之间变化关系，也可以表示成制冷 W=U2C2U-U1C1U≈U2C2U （因为进口C1U≈0）又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2) 故有 W= U22(1- Vυ1 ctgβ) A2υ2U2 式中：V—叶轮吸入蒸汽的容积流量（m3/s） υ1υ2 ——分别为叶轮入口和出口处的蒸汽比容（m3/kg） A2、U2—叶轮外缘出口面积(m2)与圆周速度(m/s) β—叶片安装角由上式可见，理论能量头W与压缩机结构、转速、冷凝温度、蒸发温度及叶轮吸入蒸汽容积流量有关。对于结构一定、转速一定的压缩机来说，U2、A2、β皆为常量，则理论能量头W仅与流量V、蒸发温度、冷凝温度有关。按照离心式制冷压缩机的特性，宜采用分子量比较大的制冷剂，目前离心式制冷机所用的制冷剂有F—11、F—12、F—22、F—113和F—114等。我国目前在空调用离心式压缩机中应用得最广泛的是F—11和F—12，且通常是在蒸发温度不太低和大制冷量的情况下，选用离心式制冷压缩机。此外，在石油化学工业中离心式的制冷压缩机则采用丙烯、乙烯作为制冷剂，只有制冷量特别大的离心式压缩机才用氨作为制冷剂。三、离心式制冷压缩机的调节离心式制冷压缩机和其它制冷设备共同构成一个能量供给与消耗的统一系统。制冷机组在运行时，只有当通过压缩机的制冷剂的流量与通过设备的流量相等时，以及压缩机所产生的能量头与制冷设备的阻力相适应时，制冷系统的工况才能保持稳定。但是制冷机的负荷总是随外界条件与用户对冷量的使用情况而变化的，因此为了适应用户对冷负荷变化的需要和安全经济运行，就需要根据外界的变化对制冷机组进行调节，离心式制冷机组制冷量的调节有：1°改变压缩机的转速；2°采用可转动的进口导叶；3°改变冷凝器的进水量；4°进汽节流等几种方式，其中最常用的是转动进口导叶调节和进汽节流两种调节方法。所谓转动进口导叶调节，就是转动压缩机进口处的导流叶片以使进入到叶轮去的汽体产生旋绕，从而使工作轮加给汽体的动能发生变化来调节制冷量。所谓进汽节流调节，就是在压缩机前的进汽管道上安装一个调节阀，如要改变压缩机的工况时，就调节阀门的大小，通过节流使压缩机进口的压力降低，从而实现调节制冷量。离心式压缩机制冷量的调节最经济有效的方法就是改变进口导叶角度，以改变蒸汽进入叶轮的速度方向(C1U)和流量V。但流量V必须控制在稳定工作范围内，以免效率下降。

duda的那本模式分类专门有一章讲神经网络。然后就是Simon Haykin的那本神经网络与机器学习，应该是比较经典的。几乎所有的模式识别或者人工智能的书上都会有专门的一章讲神经网络。我觉得就是按照书上那种结构写就行了。先写BP，然后是径向基函数，然后是Hopfield等等。

模式识别中一个方法是聚类，而神经网络中，如感知机、BP算法、RBF算法、Hopfield算法等都可以做聚类，这可以是一个思路。

卷积神经网络人脸毕业论文

对工程研究，原理（How）往往来自于别的领域，CNN的图像识别是启发自视觉神经（一种被研究的最透彻的神经结构）研究的发现，人民发现人的视觉就是这么工作的，然后试着用它在机器上实现，当有足够快的电脑和多的数据时，人们兴奋的发现可以做高质量的图像识别。原理的解释通常要晚一些。但是抽象的解释并不难：把信息一层层的抽象，最底下是像素，中间是各种特征，越往上越抽象（边，圆，胡子，高鼻梁...)。研究科学不光是看论文：你拿一副照片贴着眼睛看，慢慢拿远大概可以帮助理解。

本质上是模式识别，把现实的东西抽象成计算机能够理解的数字。如果一个图片是256色的，那么图像的每一个像素点，都是0到255中间的一个值，这样你可以把一个图像转换成一个矩阵。如何去识别这个矩阵中的模式？用一个相对来讲很小的矩阵在这个大的矩阵中从左到右，从上到下扫一遍，每一个小矩阵区块内，你可以统计0到255每种颜色出现的次数，以此来表达这一个区块的特征。这样通过这一次“扫描”，你得到了另一个由很多小矩阵区块特征组成的矩阵。这一个矩阵比原始的矩阵要小吧？那就对了！然后对这个小一点的矩阵，再进行一次上面的步骤，进行一次特征“浓缩”，用另一个意思来讲，就是把它抽象化。最后经过很多次的抽象化，你会将原始的矩阵变成一个 1 维乘 1 维的矩阵，这就是一个数字。而不同的图片，比如一个猫，或者一个狗，一个熊，它们最后得到的这个数字会不同。于是你把一个猫，一个狗，一个熊都抽象成了一个数字，比如，，，这就达到让计算机来直接辨别的目的了。人脸，表情，年龄，这些原理都是类似的，只是初始的样本数量会很大，最终都是通过矩阵将具体的图像抽象成了数字，因为计算机只认识数字。但是抽象的函数，会有所不同，达到的效果也会不同。

这两天在公司做PM实习，主要是自学一些CV的知识，以了解产品在解决一些在图像识别、图像搜索方面的问题，学习的主要方式是在知网检索了篇国内近3年计算机视觉和物体识别的硕博士论文。由于时间关系，后面还会继续更新图片相似度计算（以图搜图）等方面的学习成果将这两天的学习成果在这里总结一下。你将会看到计算机视觉在解决特定物体识别问题（主要是卷积神经网络CNNs）的基础过程和原理，但这里不会深入到技术的实现层面。

计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。 ————维基百科通常而言，计算机视觉的研究包括三个层次：（1）底层特征的研究：这一层次的研究主要聚焦如何高效提取出图像对象具有判别性能的特征，具体的研究内容通常包括：物体识别、字符识别等（2）中层语义特征的研究：该层次的研究在于在识别出对象的基础上，对其位置、边缘等信息能够准确区分。现在比较热门的：图像分割；语义分割；场景标注等，都属于该领域的范畴（3）高层语义理解：这一层次建立在前两层的基础上，其核心在于“理解”一词。目标在于对复杂图像中的各个对象完成语义级别的理解。这一层次的研究常常应用于：场景识别、图像摘要生成及图像语义回答等。而我研究的问题主要隶属于底层特征和中层语义特征研究中的物体识别和场景标注问题。

人类的视觉工作模式是这样的：首先，我们大脑中的神经元接收到大量的信息微粒，但我们的大脑还并不能处理它们。于是接着神经元与神经元之间交互将大量的微粒信息整合成一条又一条的线。接着，无数条线又整合成一个个轮廓。最后多个轮廓累加终于聚合我们现在眼前看到的样子。计算机科学受到神经科学的启发，也采用了类似的工作方式。具体而言，图像识别问题一般都遵循下面几个流程

（1）获取底层信息。获取充分且清洁的高质量数据往往是图像识别工作能否成功的关键所在（2）数据预处理工作，在图像识别领域主要包括四个方面的技术：去噪处理（提升信噪比）、图像增强和图像修复（主要针对不够清晰或有破损缺失的图像）；归一化处理（一方面是为了减少开销、提高算法的性能，另一方面则是为了能成功使用深度学习等算法，这类算法必须使用归一化数据）。（3）特征提取，这一点是该领域的核心，也是本文的核心。图像识别的基础是能够提取出足够高质量，能体现图像独特性和区分度的特征。过去在10年代之前我们主要还是更多的使用传统的人工特征提取方法，如PCA\LCA等来提取一些人工设计的特征，主要的方法有（HOG、LBP以及十分著名的SIFT算法）。但是这些方法普遍存在（a）一般基于图像的一些提层特征信息（如色彩、纹理等）难以表达复杂的图像高层语义，故泛化能力普遍比较弱。（b）这些方法一般都针对特定领域的特定应用设计，泛化能力和迁移的能力大多比较弱。另外一种思路是使用BP方法，但是毕竟BP方法是一个全连接的神经网络。这以为这我们非常容易发生过拟合问题（每个元素都要负责底层的所有参数），另外也不能根据样本对训练过程进行优化，实在是费时又费力。因此，一些研究者开始尝试把诸如神经网络、深度学习等方法运用到特征提取的过程中，以十几年前深度学习方法在业界最重要的比赛ImageNet中第一次战胜了SIFT算法为分界线，由于其使用权重共享和特征降采样，充分利用了数据的特征。几乎每次比赛的冠军和主流都被深度学习算法及其各自改进型所占领。其中，目前使用较多又最为主流的是CNN算法，在第四部分主要也研究CNN方法的机理。

上图是一个简易的神经网络，只有一层隐含层，而且是全连接的（如图，上一层的每个节点都要对下一层的每个节点负责。）具体神经元与神经元的作用过程可见下图。

在诸多传统的神经网络中，BP算法可能是性能最好、应用最广泛的算法之一了。其核心思想是：导入训练样本、计算期望值和实际值之间的差值，不断地调整权重，使得误差减少的规定值的范围内。其具体过程如下图：

一般来说，机器学习又分成浅层学习和深度学习。传统的机器学习算法，如SVM、贝叶斯、神经网络等都属于浅层模型，其特点是只有一个隐含层。逻辑简单易懂、但是其存在理论上缺乏深度、训练时间较长、参数很大程度上依赖经验和运气等问题。如果是有多个隐含层的多层神经网络（一般定义为大于5层），那么我们将把这个模型称为深度学习，其往往也和分层训练配套使用。这也是目前AI最火的领域之一了。如果是浅层模型的问题在于对一个复杂函数的表示能力不够，特别是在复杂问题分类情况上容易出现分类不足的弊端，深度网络的优势则在于其多层的架构可以分层表示逻辑，这样就可以用简单的方法表示出复杂的问题，一个简单的例子是：如果我们想计算sin(cos(log(exp(x))))，那么深度学习则可分层表示为exp(x)—>log(x)—>cos(x)—>sin(x)

图像识别问题是物体识别的一个子问题，其鲁棒性往往是解决该类问题一个非常重要的指标，该指标是指分类结果对于传入数据中的一些转化和扭曲具有保持不变的特性。这些转化和扭曲具体主要包括了：（1）噪音（2）尺度变化（3）旋转（4）光线变化（5）位移

该部分具体的内容，想要快速理解原理的话推荐看[知乎相关文章] ( )，特别是其中有些高赞回答中都有很多动图和动画，非常有助于理解。但核心而言，CNN的核心优势在于共享权重以及感受野，减少了网络的参数，实现了更快的训练速度和同样预测结果下更少的训练样本，而且相对于人工方法，一般使用深度学习实现的CNN算法使用无监督学习，其也不需要手工提取特征。

CNN算法的过程给我的感觉，个人很像一个“擦玻璃”的过程。其技术主要包括了三个特性：局部感知、权重共享和池化。

CNN中的神经元主要分成了两种：（a）用于特征提取的S元，它们一起组成了卷积层，用于对于图片中的每一个特征首先局部感知。其又包含很关键的阈值参数（控制输出对输入的反映敏感度）和感受野参数（决定了从输入层中提取多大的空间进行输入，可以简单理解为擦玻璃的抹布有多大）（b）抗形变的C元，它们一起组成了池化层，也被称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。（c*）激活函数，及卷积层输出的结果要经过一次激励函数才会映射到池化层中，主要的激活函数有Sigmoid函数、Tanh函数、ReLU、Leaky ReLU、ELU、Maxout等。

也许你会抱有疑问，CNN算法和传统的BP算法等究竟有什么区别呢。这就会引出区域感受野的概念。在前面我们提到，一个全连接中，较高一层的每个神经元要对低层的每一个神经元负责，从而导致了过拟合和维度灾难的问题。但是有了区域感受野和，每个神经元只需要记录一个小区域，而高层会把这些信息综合起来，从而解决了全连接的问题。

了解区域感受野后，你也许会想，区域感受野的底层神经元具体是怎么聚合信息映射到上一层的神经元呢，这就要提到重要的卷积核的概念。这个过程非常像上面曾提到的“神经元与神经元的联系”一图，下面给大家一个很直观的理解。

上面的这个过程就被称为一个卷积核。在实际应用中，单特征不足以被系统学习分类，因此我们往往会使用多个滤波器，每个滤波器对应1个卷积核，也对应了一个不同的特征。比如：我们现在有一个人脸识别应用，我们使用一个卷积核提取出眼睛的特征，然后使用另一个卷积核提取出鼻子的特征，再用一个卷积核提取出嘴巴的特征，最后高层把这些信息聚合起来，就形成了分辨一个人与另一个人不同的判断特征。

现在我们已经有了区域感受野，也已经了解了卷积核的概念。但你会发现在实际应用中还是有问题：给一个100 100的参数空间，假设我们的感受野大小是10 10，那么一共有squar（1000-10+1）个，即10的六次方个感受野。每个感受野中就有100个参数特征，及时每个感受野只对应一个卷积核，那么空间内也会有10的八次方个次数，，更何况我们常常使用很多个卷积核。巨大的参数要求我们还需要进一步减少权重参数，这就引出了权重共享的概念。用一句话概括就是，对同一个特征图，每个感受野的卷积核是一样的，如这样操作后上例只需要100个参数。

池化是CNN技术的最后一个特性，其基本思想是：一块区域有用的图像特征，在另一块相似的区域中很可能仍然有用。即我们通过卷积得到了大量的边缘EDGE数据，但往往相邻的边缘具有相似的特性，就好像我们已经得到了一个强边缘，再拥有大量相似的次边缘特征其实是没有太大增量价值的，因为这样会使得系统里充斥大量冗余信息消耗计算资源。具体而言，池化层把语义上相似的特征合并起来，通过池化操作减少卷积层输出的特征向量，减少了参数，缓解了过拟合问题。常见的池化操作主要包括3种：分别是最大值池化（保留了图像的纹理特征）、均值池化（保留了图像的整体特征）和随机值池化。该技术的弊端是容易过快减小数据尺寸，目前趋势是用其他方法代替池化的作用,比如胶囊网络推荐采用动态路由来代替传统池化方法，原因是池化会带来一定程度上表征的位移不变性，传统观点认为这是一个优势，但是胶囊网络的作者Hinton et al.认为图像中位置信息是应该保留的有价值信息，利用特别的聚类评分算法和动态路由的方式可以学习到更高级且灵活的表征，有望冲破目前卷积网络构架的瓶颈。

CNN总体来说是一种结构，其包含了多种网络模型结构，数目繁多的的网络模型结构决定了数据拟合能力和泛化能力的差异。其中的复杂性对用户的技术能力有较高的要求。此外，CNN仍然没有很好的解决过拟合问题和计算速度较慢的问题。

该部分的核心参考文献：《深度学习在图像识别中的应用研究综述》郑远攀,李广阳,李晔.[J].计算机工程与应用,2019,55(12):20-36. 深度学习技术在计算机图像识别方面的领域应用研究是目前以及可预见的未来的主流趋势，在这里首先对深度学习的基本概念作一简介，其次对深度学习常用的结构模型进行概述说明，主要简述了深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、生成式对抗网络（GAN）、胶囊网络（CapsNet）以及对各个深度模型的改进模型做一对比分析。

深度学习按照学习架构可分为生成架构、判别架构及混合架构。其生成架构模型主要包括：受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括：深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明，监督学习与非监督学习之间无明确的界限，如：深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。

[1]周彬. 多视图视觉检测关键技术及其应用研究[D].浙江大学,2019. [2]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. [3]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D].吉林大学,2017. [4]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017. [5]李彦冬. 基于卷积神经网络的计算机视觉关键技术研究[D].电子科技大学,2017. [6]李卫. 深度学习在图像识别中的研究及应用[D].武汉理工大学,2014. [7]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012. [8]CSDN、知乎、机器之心、维基百科

首页

> 学术期刊知识库

人工神经网络毕业论文外文翻译