1. 研究目的与意义（文献综述）

随着因特网的迅速发展，在事物分类方面，现有的技术已无法满足人们高效工作的需求。在受到生物自然视觉认知机制的启发，人们可以以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等，卷积神经网络随即应运而生。

卷积神经网络 (convolutional neuralnetworks, cnn) 是一种带有卷积结构的神经网络, 卷积结构采用权值共享的方式减少了深层网络占用的内存量, 也减少了网络的参数个数, 缓解模型的过拟合问题。为了保证一定程度的平移、 尺度、 畸变不变性, cnn 设计了局部感受野、共享权重和空间或时间下采样, 提出用于字符识别的卷积神经网络lenet-5。lenet-5 由卷积层、下采样层、全连接层构成, 该系统在小规模手写数字识别中取得了较好的结果。2012 年, krizhevsky等采用称为alexnet 的卷积网络在 imagenet 竞赛图像分类任务中取得了最好的成绩, 是cnn 在大规模图像分类中的巨大成功。alexnet 网络具有更深层的结构, 并设计了relu(rectified linear unit) 作为非线性激活函数以及 dropout 来避免过拟合。在 alexnet 之后, 研究者由提出了网络层数更深的神经网络，例如google设计的googlenet和msra设计的152层的深度残差网络等。

cnn主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

2. 研究的基本内容与方案

2.1设计的基本内容

卷积神经网络已在图像分类领域取得了很好的效果，但其网络结构及参数的选择对图像分类的效果和效率有较大的影响。为改善卷积网络的图像分类性能，此次设计对卷积神经网络模型进行了详细的理论分析，并通过大量的对比实验，得出了影响卷积网络性能的因素。结合理论分析及对比实验，设计一个卷积神经网络，并结合恰当的方法，在cifar-10数据集上取得分类精度结果，以此来提高卷积神经网络的分类效果。

3. 研究计划与安排

第1-3周：查阅相关文献资料，明确研究内容，了解研究所需基础资料。确定方案，完成开题报告；

第4-6周：翻译英文资料，完成理论相关技术理论研究，即对卷积神经网络性能的影响因素进行分析；

第7-10周：完成本课题的理论与技术研究内容，即通过数据集的采集，分析不同条件下对代价函数的影响；

4. 参考文献（12篇以上）

[1]李晓普. 基于卷积神经网络的图像分类[d].大连理工大学,2015.

[2]楚敏南. 基于卷积神经网络的图像分类技术研究[d].湘潭大学,2015.

[3]张弛. 基于卷积神经网络的鞋印图像分类算法研究[d].大连海事大学,2016.