目录
摘 要 5
第一章 绪论 7
1 卷积神经网络 7
1.1 概念 7
1.2 性质 7
1.3 网络结构 8
1.4 卷积 8
1.5 池化 9
1.6 激活函数 9
2 课题研究意义 10
3 研究现状 11
3.1 国内研究现状 11
3.2 国外研究现状 12
3.3 树种识别研究现状 13
第二章 本文主要工作 17
第三章 图像采集与预处理 19
1 图像数据采集 19
2 图像数据处理 19
第四章 卷积神经网络结构及训练 21
1 CNNs结构设计 21
2 优化模型 22
2.1 优化原因 22
2.2 优化策略 22
3 CNNs实验参数与训练 24
4 训练结果 25
第五章 结论 26
参考文献 27
致谢 29
基于卷积神经网络的森林树种识别研究
摘 要
由于森林资源的重要性和不可替代性，准确识别树种是研究和保护森林资源的基础。 本研究采用ROI(感兴趣区域)截取及直方图均衡化的图像增强方法对原始数据集进行预处理ꎬ基于调整和优化的Lenet5卷积神经网络模型结构，对无干扰背景下的水曲柳、家榆和白桦等５种典型东北林木的树皮纹理RGB图像自动提取特征，进行分类识别。结果表明ꎬ该卷 积神经网络对５种树种的识别正确率达到95.8%。为林业资源管理节约人工定义树皮纹理特征的成本，为计算机自动识别树种提供更高效、更准确和鲁棒性更强的方法。
引言
第一章 绪论
卷积神经网络
概念
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，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神 *51今日免费论文网|www.51jrft.com +Q: ^351916072^ 
经网络”。
对卷积神经网络的研究始于二十世纪8O至9O年代，时间延迟网络和LeNet5是最早出现的卷积神经网络；在二十一世纪后，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，并被应用于计算机视觉、自然语言处理等领域。
卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
性质
1.连接性
卷积神经网络中卷积层间的连接被称为稀疏连接，即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第I层特征图中的任意一个像素（神经元〉都仅是11层中卷积核所定义的感受野内的像素的线性组合1。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销1。
卷积神经网络中特征图同一通道内的所有像素共享一组卷积核权重系数，该性质被称为权重共享。权重共享将卷积神经网络和其它包含局部连接结构的神经网络相区分，后者虽然使用了稀疏连接，但不同连接的权重是不同的1。权重共享和稀疏连接一样，减少了卷积神经网络的参数总量，并具有正则化的效果1。
在全连接网络视角下，卷积神经网络的稀疏连接和权重共享可以被视为两个无限强的先验，即一个隐含层神经元在其感受野之外的所有权重系数恒为O（但感受野可以在空间移动)；且在一个通道内，所有神经元的权重系数相同。
2.表征学习
作为深度学习的代表算法，卷积神经网络具有表征学习能力，即能够从输入信息中提取高阶特征。具体地，卷积神经网络中的卷积层和池化层能够响应输入特征的平移不变性，即能够识别位于空间不同位置的相近特征。能够提取平移不变特征是卷积神经网络在计算机视觉问题中得到应用的原因之一。
平移不变特征在卷积神经网络内部的传递具有一般性的规律。在图像处理问题中，卷积神经网络前部的特征图通常会提取图像中有代表性的高频和低频特征;随后经过池化的特征图会显示出输入图像的边缘特征；当信号进入更深的隐含层后，其更一般、更完整的特征会被提取。反卷积和反池化可以对卷积神经网络的隐含层特征进行可视化。一个成功的卷积神经网络中，传递至全连接层的特征图会包含与学习目标相同的特征，例如图像分类中各个类别的完整图像。
3.生物学相似性
卷积神经网络中基于感受野设定的稀疏连接有明确对应的神经科学过程——视觉神经系统中视觉皮层对视觉空间的组织。视觉皮层细胞从视网膜上的光感受器接收信号，但单个视觉皮层细胞不会接收光感受器的所有信号，而是只接受其所支配的刺激区域，即感受野内的信号。只有感受野内的刺激才能够激活该神经元。多个视觉皮层细胞通过系统地将感受野叠加完整接收视网膜传递的信号并建立视觉空间。事实上机器学习的“感受野"一词即来自其对应的生物学研究。卷积神经网络中的权重共享的性质在生物学中没有明确证据，但在对与大脑学习密切相关的目标传播和反馈调整机制的研究中，权重共享提升了学习效果。

原文链接：http://www.jxszl.com/dzxx/dzdq/609043.html