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] 杨金鑫, 杨辉华, 李灵巧等. 结合卷积神经网络和超像素聚类的细胞图像分割方法[J]. 计算机应用研究, 2018, 35 (5): 1569-1572 1577.[7] 陈国平, 程秋菊, 黄超意等. 采用深度卷积神经网络方法的毫米波图像目标检测. 电讯技术, 2019, 59(10): 1121-1126. [8] 李慧, 万晓霞. 深度卷积神经网络下的图像风格迁移算法. 计算机工程与应用, 2019: 1-10. [9] 任克强, 胡慧. 深度卷积神经网络的判别性人脸识别算法. 华中科技大学学报(自然科学版), 2019, 10: 127-132.[10] 吴进钱, 雪忠. 紧凑型深度卷积神经网络在图像识别中的应用. 计算机科学与探索, 2019, 2: 275-284.
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。
