1、“.....万方数据免疫卷积神经网络并行优化及其嵌入式系统应用万方数据免疫卷积神经网络并行优化及其嵌入式系统应用摘要第章绪论课题研究背景和意义国内外研究现状卷积神经网络研究现状人工免疫系统研究现状嵌入式图像处理系统发展及现状加速并行计算研究现状论文的创新本文的主要工作第二章免疫卷积神经网络结构与算法人工免疫网络概述免疫系统模式识别免疫分类算法研究人工神经网络神经网络模型反向传导算法卷积神经网络卷积神经网络的架构径向基网络卷积网络的训练过程卷积神经网络研究方向免疫卷积神经网络结构设计加速实现免疫卷积神经网络并行优化本章小结第三章免疫卷积神经网络性能研究基于手写体识别的免疫卷积神经网络性能研究手写数字库简介人工神经网络设计与实现免疫卷积神经网络设计与实现基于小图像识别免疫卷积神经网络性......”。

2、“.....但是由于径向基函数的平滑因子是固定的,通常模式识别的误差比较难以降低。人工免疫网络的提出被学术界归为是种智能算法，具有分布式，自组织，鲁棒性，记忆与学习等特点,。对于传统的免疫系统和神经网络，网架结构的组成都是通过种群之间的相互连接完成的。采用人工免疫算法来改进卷积神经网络输出层......”。

3、“.....还可以进步动态调整网络的结构参数,得到组最优的加权系数。基于此,文中提出种免疫卷积神经网络算法。免疫分类算法研究基于免疫系统开发的模式识别分类技术研究方面，和最早证实了分类器和独特型免疫网络模型之间是具有相似性的,。这个发现促使认知科学像人工免疫学方向的发展。和最早将独特性免疫网络思想应用到机器学习问题。分类算法，本文提出的免疫卷积神经网络算法，从机器学习的角度来说，也是是属于监督型学习算法。在年提出了个监督学习模型。这个监督学习算法基于免疫系统机制，实现模式识别和分类。免疫算法进化模糊规则的提出是采用种免疫启发的模式分类集成系统，这种系统用于克隆选择和免疫网络。采用免疫算法来找到问题的多个良好解......”。

4、“.....多样化的模糊识别系统。通过将免疫算法改进的最近邻混合分类系统算法在癌症诊断上面取得了的准确率。自主导航的免疫分类器网络能够根据环境变化调解网络属性，在机器人自主导航中验证了算法的有效性。文献提出加权人工免疫系统，主要基于形态空间欧几里得距离加权计算来进行分类，算法在实际心脏病等疾病上实验，与传统算法有可比性。文献作者将产生的记忆细胞作为分类器，与最近邻结合，得到了基于人工免疫网络分类器，与传统算法比较性能更好。提出了基于资源有限人工免疫系统的免疫分类器,。这种方法的提出是受到早起提出的方法的启发，尤其是中概念的影响。该方法是对方法的改进，是目前人工免疫学中较为成功的万方数据免疫卷积神经网络并行优化及其嵌入式系统应用种分类器......”。

5、“.....这里我们通过监督算法来分析神经网络模型。假设我们将,作为神经网络输入训练样本集是通过神经网络算法提出的种假设模型，具有复杂且非线性的特点。它可以通过参数,来拟合我们的数据。首先，我们对单个神经元被激活的网络模型进行分析。这个“神经元”是个运算单元，它是以及截距为输入，输出是,。下面是在神经网络中常用的非线性激活函数。型函数双曲正切函数反向传导算法对于个带标签的样本集，这个样本集有个样本，我们可以用批量梯度下降法来求解。单个样例其代价函数为,公式是个方差代价函数，前面二分之是为了使我们的计算更加方便。下面，假设有个包含个样例的数据集......”。

6、“.....是均方差项，第二项是为了减小权重幅度从而防止过度拟合问题的个权重衰减项。权重衰减参数是用来控制这两项的重要性的。,是对个样本的方差代价函数,是整体样本的代价函数，后面还包含权重衰减项。上面的代价函数常被用于处理分类和回归方面的问题。对于分类问题，如果使用激活函数，那么其标签为和。如果使用激活函数，那么应该其标签为和。为了获得准确的分类结果，需要调节参数和来求函数,的最小值。首先需要将和初始化为个无限接近的随机值。目标函数需要通过批量梯度下降法来优化。由于,是个非凸的函数，梯度下降法很可能会出现局部最优解收敛在实际应用中，梯度下降法能够取得很高的准确率。需要注意的是，我们要对参数不是全部置为......”。

7、“.....在梯度下降法中，每次的迭代都应该按照公式和来对参数和进行微调,,其中是学习速率。其中关键步骤是计算偏导数。对于偏导数计算的问题，通常采用反向传播算法，能够取得很好的效果。,和,是个样本所对应的代价函数的偏导数。整体样本代价函数,的偏导数为万方数据免疫卷积神经网络并行优化及其嵌入式系统应用公式和公式中，我们可以看出多出来个权重衰减，这是由于权重衰减是作用于而不是。反向传播算法的设计如下给定个单样本首先进行“前向传导”运算，把网络中所有的激活值和输出值都计算出来。然后，计层的每个节点，我们计算出第层的每个节点的“残差”。该残差可以看成是种影响最终输出的影响因子。对于输出节点......”。

8、“.....通过节点残差的加权平均值来计算，是这些节点的输入。采用前面描述的前向传导算法公式来推导出,得到输出层的激活值。对于输出层第层的每个输出单元，我们公式来计算残差,对的各层，我们采用的公式来计算第层的第个节点的残差偏导数计算公式如下,,通过上面对于反向传导算法的描述，我们可以将反向传播算法总结如下第步，采用前向传导算法推导出各层的激活值和节点输出值。第二步，对神经网络的最后层输出层，采用公式计算出输出层和样本标签的残差万方数据免疫卷积神经网络并行优化及其嵌入式系统应用第三步，对于隐含层的各层，采用公式计算各个节点的残差第四步，最终偏导数采用下面的公式计算......”。

9、“.....卷积神经网络卷积神经网络作为人工神经网络衍生的种用于深度学习的网络架构。已经成功应用于手写体识别语音识别，人眼检测，人脸识别，行人检测，机器人导航。卷积神经网络有点类似于生物神经网络，具有权值共享的特点，这特点不仅使得网络模型的复杂度降低，权值的数量也减少了。所以卷积神经网络多被用于处理多维输入图像问题，避免了传统识别算法中复杂的特征提取和数据重建的过程。卷积网络是个多层感知器，这种网络结构能够对平移和比例缩放等变形具有高度不变性。卷积神经网络的架构卷积神经网络是个多层监督学习神经网络，隐含层中的卷积层和下采样层是实现卷积神经网络特征提取的核心模块。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节......”。