1. 研究目的与意义（文献综述）

以rumelhard、mccelland为代表的一些科学家，1986年研究出了bp（backpropagation）神经网络模型，多层网络学习算法，是一种误差逆传播训练算法的多层前馈网络模型。神经网络模型在数据压缩、函数逼近和分类识别等领域的研究中应用比较广泛。

bp神经网络模型由信息的正向和误差的反向两个传播过程组成，并按照误差反向传播的运算规律完成学习的过程。样本的数据信息由输入层中的各个神经元负责接收输入，然后传递到中间隐含层的每个神经元；中间层的功能是处理内部信息，完成信息的变换工作，中间层部分包括单隐层或多隐层两种结构，可以根据信息处理过程中的需求而进行具体设计；隐含层最后把数据信息传递到输出层的各个神经元，经输出层神经元的处理之后，一次正向传播的学习处理过程就完成了，输出层的神经元负责把信息处理的结果输出。当实际输出值和期望输出值之间存在误差的时候，网络就会把这个误差送入反向传播进行调节。误差的反向传播开始于网络的输出层，与第一阶段相反，经过隐含层，向着输入层依次传递。这一过程是对各层之间权值进行调整的过程，表现为以梯度下降算法的方式完成各权值的修正。信息正向与误差反向这两个传递是反复不断地进行的，也是神经网络学习训练过程的特点所在。在此过程中各层之间的权值不断地调整，当网络输出的误差到可以达到训练效果的要求，或者已经达到预先设定的学习最大次数，网络的训练学习就会停止。结构模型如图5.3

2. 研究的基本内容与方案

研究背景

在人工神经网络模型研究的发展历程中，对隐层的连接权值调整问题一直没能找到一个有效的算法来解决。直到神经网络模型误差反向传播算法的提出，对求解非线性连续函数的多层前馈神经网络权重调整问题才得以有效地解决。就目前国内外的研究现状来看，神经网络模型的理论研究和应用主要表现在：生物原始模型研究。在神经网络原始提出的模型的基础上，从侧面研究神经网络的最原始的结构和工作原理；网络模型与算法研究。从网络自身的理论研究出发，找出更加适合的模型的建立和训练的方式，解决现有网络模型的不足之处；理论模型的建立。根据从人体神经网络模型方面研究出来的结果，结合数学理论、生物学和其他科学，构造出更加适合具体问题的神经网络模型；建立神经网络应用系统。即在现有的网络模型的理论研究的基础上，将神经网络与实际问题相结合构造出神经网络的最佳应用模型用于问题的解决。

研究（设计）的基本内容、目标、拟采用的技术方案及措施

1. 研究内容

   剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

   3. 研究计划与安排

   4.进度安排

   2018年2月，资料和文献搜集、阅读和整理，完成开题报告；

   2018年3月，完成中英文翻译，完成毕业设计内容的初步设计和详细设计大纲；

   2018年4月，毕业课题内容设计，完成核心内容的归纳整理、问题解决和关键技术实现；

   剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

   4. 参考文献（12篇以上）

   1. 朱凯，王正林精通matlab神经网络.电子工业出版社2010.1.

   2. 黎奎，宋宇基于特征脸和bp神经网络的人脸识别计算机应用研究.2005,6:236-238.

   3. 江飞虹，吴文贤，石岩机载红外图像特征的提取与分析烟台大学学报（自然科学版）.2007,4:295-298.

      剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付