1. 研究目的与意义（文献综述）

前几年，深度学习在解决诸如图像目标识别、语音识别和自然语言处理等很多方面都表现出色。在各种类型的神经网络当中，卷积神经网络的研究最为深入。早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练出高性能卷积神经网络是很困难的。imagenet这样的大规模标记数据的出现和gpu计算性能的快速提高，使得对卷积神经网络的研究迅速井喷。

20世纪 90年代，lecun等人发表论文，确立了cnn的现代结构，后来又对其进行完善。然而，由于当时缺乏大规模训练数据，计算机的计算能力也跟不上，lenet-5对于复杂问题的处理结果并不理想。之后，人们设计了很多方法，想要克服难以深度训练cnn的困难。其中，最著名的是krizhevsky等人提出了一个经典的cnn结构，并在图像识别任务上取得了重大突破。从结构看，cnn发展的一个方向就是层数变得更多，通过增加深度，网络便能够利用增加的非线性得出目标函数的近似结构，同时得出更好的特性表征。但是，这样做同时也增加了网络的整体复杂程度，使网络变得难以优化，很容易过拟合。研究人员提出了很多方法来解决这一问题。

三大改进型cnn：

2. 研究的基本内容与方案

卷积神经网络（convolutional neural 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（deeplearning）的代表算法之一。由于卷积神经网络能够进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（shift-invariant artificial neural networks, siann）” 。主要研究卷积神经网络在产品缺陷识别中的应用，主要通过图像识别技术，实现对产品缺陷的识别。

首先，设计卷积神经网络的总体框架，运用python或者matlab编写卷积神经网络的程序。

其次，实现基于卷积神经网络的图像识别算法。主要通过输入样本进行训练，正向传播、反向传播后，逐渐提升准确率，实现较为准确的图像识别算法。

3. 研究计划与安排

2019.3.15 完成文献综述和英文翻译

2019.3.30 完成选题报告

2019.4.20 完成方案设计

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, 第40卷(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, 第36卷(9):2508-2515，2565.

3吕国豪, 罗四维, 黄雅平等. 基于卷积神经网络的正则化方法[j]. 计算机研究与发展, 2014, (9):1891-1900.