2 卷积神经网络的相关介绍

2。1 人工神经网络的基本结构

尽管神经网络在不断地发展当中，但是不管是深度神经网络、卷积神经网络还是深度信 念网络，都包含正向传播和反向传播两个过程。正向传播时，输入信号从输入层输入，之后 经过隐层逐层处理，最终由输出层输出。由于输出层的输出信号与期望输出信号存在差异， 接下来进入误差信号的反向传播阶段。这一过程就是将输出误差信号由隐层向输入层反传， 根据误差对各个权值参数的偏导数来逐层调整各层单元，以此为依据修正各单元权值，达到 减小误差信号的目的。输入信号不断地正向传播、误差信号不断反向传播。这个过程是周而 复始不断进行的。而权值的不断地调整过程，事实上就是网络的学习和训练过程。直到网络 的输出误差信号在可以接受的合理范围内，神经网络的学习过程才会停止。

2。1。1 基本人工神经元及信号的正向传播

神经元是脑细胞的基本组成单元，是神经系统结构功能的基本单位，我们的大脑处理信 息的结构，实际上就是由神经元对信息产生的反馈的整体效果决定的。由于人工神经网络就 是模拟人脑某些特性的计算结构，因此人工神经元的模型与生物神经元也大体相似。来,自,优.尔:论;文*网www.youerw.com +QQ752018766-

我们通过一个数学表达式将生物神经元进行抽象与概括，这实际上就是人工神经元的基 本结构。设 xi (t) 为 t 时刻神经元 j 接收的来自神经元 i 的输入信号，oj (t) 表示 t 时刻时神经元

j 的输出信号，那么神经元 j 的状态输出情况如式 2。1。神经元之间的关联，并不是简单的互 相连接，而是首先加入偏值后进行加权，最后还要通过一个激活函数进行映射。

上式中，ij -输入到输出之间的时延；

b -施加在神经元 j 上的偏置；

wij -神经元 i 到神经元 j 之间的连接系数，也就是权重值；

f () 神经元激活函数[7]。 但是在卷积神经神经网络中，通常每层网络的参数以矩阵形式给出，那么神经网络的每个单元也可以简化