1. 毕业设计（论文）的内容和要求
一、研究的意义卷积神经网络（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（deep learning）的代表算法之一。
随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，已经被广泛应用于图像识别、自然语言处理、计算机视觉等众多领域。
相较于全连接的深度学习网络，卷积神经网络具有局部感知和参数共享两个优点，使得它可以更好地处理图像数据。
2. 参考文献
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 512(7553): 436-444.[2] 刘建伟, 刘媛, 罗雄麟．玻尔兹曼机研究进展[J]. 计算机研究与发展，2014, 51(1): 1-16.[3] 张建明, 詹智财, 成科扬等. 深度学习的研究与发展[J]. 江苏大学学报: 自然科学版, 2015, 36(2): 191-200.[4] 孙志远, 鲁成祥, 史忠植等. 深度学习研究与进展[J]. 计算机科学, 2016, 43(2): 1-8.[5] Schmidhuber J. Deep learning in neural network: an overview[J]. Neural networks, 2015: 358-363.[6] Zheng K, Yang Z, Zhang K, et al. Big data-driven optimization for mobile networks toward 5G. IEEE network[J]. 2016, 30(1): 44-51.[7] Jiang C,Zhang H, Ren Y. Machine learning paradigms for next-generation wireless networks. IEEE Wireless Communications[J]. 2017, 24(2): 98-105.[8] Alsheikh M A, Niyato D, Lin S, et al. Mobile big data analytics using deep learning and apache spark. IEEE network[J]. 2016, 30(3): 22-29.[9] 唐舟进, 彭涛, 王文博. 一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法. 物理学报[J]. 2014, 63(13): 130504-130504.[10] 赖锦辉, 梁松. 一种新的基于GCS-SVM的网络流量预测模型. 计算机工程与应用[J]. 2013, 49(21): 75-78.[11] Goodfellow I J, Pouget-Abadie J, Mirza M. Generative Adversarial Networks. Advances in Neural Information Processing Systems[J]. 2014, 3: 2672-2680.[12] 李捷, 刘先省, 韩志杰. 基于ARMA的无线传感器网络流量预测模型的研究. 电子与信息学报[J]. 2007, 29(5): 1224-1227.[13] 高波, 张钦宇, 梁永生. 基于EMD及ARMA的自相似网络流量预测. 通信学报[J]. 2011, 32(4): 47-56.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
