1. 研究目的与意义（文献综述）

1.1 背景资料

卷积神经网络(convolutional neural network, cnn)是近年来在机器视觉领域中最具影响力的人工神经网络，是经典的深度网络之一。卷积神经网络的连接方式启发于动物视觉皮层组织，其中的卷积和池化操作都直接受到了视觉细胞中简单细胞和复杂细胞的功能启发^[1]。卷积神经网络采用了权值共享，局部连接以及池化等技术，在降低了网络训练难度的同时，又提高了网络的泛化能力。近年来，卷积神经网络在计算机视觉领域成效卓越，不断的在imagenet挑战赛中表现出色，因此也促成了人工智能的发展^[2]。

卷积神经网络演示系统可以动态的演示卷积、池化、relu和全连接及误差反向传播的计算过程。通过演示系统的可视化展示，可以降低初学者对于卷积神经网络的理解难度，从而更容易的了解卷积神经网络的有关概念。对于已经了解过卷积神经网络的研究人员，通过此系统的展示也可以加深相关概念的理解。

2. 研究的基本内容与方案

2.1 目标（开发的系统概况描述）

本课题拟采用mnist数据集作为训练数据，采用经典卷积神经网络lenet作为主体，以手写数字识别作为目标，重点对卷积神经网络的卷积、池化、relu和全连接以及误差反向传播的计算过程进行动态的演示。最终将创建一个基于web技术的卷积神经网络演示系统。

2.2 基本内容

3. 研究计划与安排

(1)1-2周：理解毕业设计要求，收集、查阅相关资料。

(2)3-5周：根据软件工程学的方法，进行系统分析和设计,提交系统总体设计方案。

(3)6-13周：熟悉开发环境和开发工具，实现系统功能设计，完成程序编码并上机调试通过。

4. 参考文献（12篇以上）

[1] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[j]. 计算机学报, 2017, 40(6):1229-1251.

[2] 李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[j]. 计算机应用, 2016, 36(9):2508-2515.

[3] lecun,yann, yoshua bengio, and geoffrey hinton. deep learning [j]. nature 521.7553,2015: 436-444