基于Qt的卷积神经网络辅助设计系统.docx

文档介绍：摘要
基于Qt的卷积神经网络辅助设计系统
以卷积神经网络为代表的神经网络方法近年来在图像识别等领域取得了传统方法难以企及的优秀成绩。神经网络的构成，本身具有模块化的特点，因此已经有数款可以用来搭建神经网络的深度学习框架问世。然而 1
研究背景和研究意义 1
研究背景 1
研究意义 5
国内外研究现状分析 6
深度学习框架的研究现状 6
深度学习相关的可视化工具 7
图像化编程框架 10
总结 12
主要研究内容 13
技术路线及方案 14
研究过程和技术路线 14
重点和难点以及解决方案 15
论文的整体结构安排 17
第2章　相关工作 18
技术分析 18
Caffe工程源码结构分析 18
Qt分析 22
第3章 系统实现 25
技术方案 25
需求分析 25
需求描述 25
系统边界 26
系统设计 27
输入和输出 27
运行环境 28
处理流程 29
功能与模块划分 30
接口设计 30
人工处理过程 31
系统实现 31
31
具体实现 32
第4章　测试和评价 37
测试要点 37
模块功能测试 37
编辑器模块 37
特征导出模块 37
数据转换模块 38
数据集浏览模块 38
首选项管理模块 38
测试模块 39
训练模块 39
部署测试 40
第5章 总结与展望 41
总结 41
展望和预测 41
参考文献 42
致 谢 45
吉林大学 软件学院 毕业论文
2
第1章　绪论
研究背景和研究意义
本文描述了一种基于Qt的卷积神经网络辅助设计系统。在系统的开发过程中，涉及到了机器学习、神经网络、可视化编程以及神经网络的设计与调试等问题，因此，深入了解相关的背景以及研究现状对于毕业设计的完成具有实际意义。
研究背景
机器学习
机器学习是一项致力于研究如何通过计算的手段，利用数据来增强系统自身性能的学科，机器学习研究的，是关于在计算机上从数据中产生“模型”的算法，即“学习算法”（Learning Algorithm）。有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型，在面对新情况的时候，模型会给我们提供相应的判断。机器学习，研究的是关于“学习算法”的学问。
经过多年的发展，已经诞生了多种机器学习方法，例如支持向量机（Support Vector Machine，SVM）、提升方法（Boosting）、最大熵方法等。而与这些方法不同的是，以“神经网络”为代表的深度学习方法所获得的模型中，非线性操作的层级数[1]更多，凭借精度、处理速度等多方面的优势，近年来神经网络方法在语音识别、图像处理等多类应用中取得了突破性进展[2-9]。
卷积神经网络
卷积神经网络的简介
神经网络方法处理问题的思路主要来源于对生物神经系统结构的研究。以图像数据为例，有研究表明，动物的的神经系统在处理视觉信号时，首先对初级特征和形状进行识别，然后组合成成更复杂的图像语义[10]。同样地，深度学习通过将原始图像分解为低层次的特征，把数据用分层的特征表示出来，进而通过特征对原始输入数据进行识别和分类。
前馈神经网络是最初的人工神经网络模型之一。这种系统的网络结构是一个有向无环图，在网络中没有封闭环路，信息从输入层通过一个或多个层到达输出层，完成原始信号到高级语义的映射。典型的前馈神经网络有多层感知机
吉林大学 软件学院 毕业论文
2
[11]和卷积神经网络[12]等。
卷积神经网络通常可以看做是由很多结构类似的“网络模块”首尾相连形成的，每个“网络模块”由卷积阶段、激活阶段和下采样阶段等组成：
卷积阶段。需要注意的是，这里的“卷积”与传统图像处理意义上的卷积稍有不同。在卷积神经网络中，“卷积”指的是一种“加权求和”操作，而这里的“权值”就是所谓的卷积核。在网络中，每次卷积操作就是通过将一定数量的卷积核作用于输入向量，在整个输入向量中寻找特定的一种特征。由于卷积神经网络对于图像的处理是像素级别的，为了防止出现网络参数过多以至于无法进行有效的训练的情况发生，在网络的设计上采用了权值共享规则[13]。
激活阶段。生物