文献综述（或调研报告）：
光学神经网络研究综述
06015209 周雨晴
摘 要：大数据的发展、计算能力的飞速提升极大促进了神经网络的发展，使得数字计算机可以执行许多高级任务，如图像分类、语音识别、翻译等等。但利用传统计算机实现神经网络，既有能耗因素的影响，还受限于电路逻辑门相应的限制。全光神经网络就克服了这些不便之处。全光神经网络利用光学衍射代替了电信号的传导，无需额外的电能供应，且传播过程是以光速进行的，因而相比于传统神经网络具有高效节能的优点。
1 引言
20世纪50年代，人工智能学科兴起，人们相信10年内就可以利用数字计算机实现人类级别的智能。当时，人们认为赋予机器逻辑推理能力，就可以实现这一目标。然而，在这一想法的带领下，研究进展迟滞不前。人们逐渐意识到这一想法实现不了人工智能。20世纪70年代，人们开始试图使机器掌握知识，以此达到智能化的目标。这一时期，许多专家系统面世，并在各自领域取得了不少成果。但是由人将知识传授给机器极其困难，于是有学者希望能够让机器自主学习知识。
图灵在关于图灵测试的文章中提到了机器学习的可能；五十年代中后期，基于神经网络的“连接主义”开始出现。神经元和神经元之间的连接构成了人脑，使人类具有智能。人们借鉴生物学神经元和神经系统的概念，提出了神经元的M-P数学模型，在该模型中，对输入神经元的信号进行加权求和，通过阈值控制，来决定神经元输出与否。20世纪40年代末，Hebb在《The Organization of Behavior》中分析了神经元之间连接强度的变化，提出了一种称为Hebb学习规则的调整权值的方法，该规则属于无监督学习算法。在这种学习中，对神经元重复刺激可以加强神经元之间的突触强度，其主要思想是根据两个神经元的激发状态来调整连接关系，以模拟简单的神经活动。此后，有监督的Delta学习规则被提出，用于解决在输入输出已知的情况下神经元权值的学习问题。此算法不断调整连接权值，使神经元的实际输出趋近期望输出。1958年，感知器被提出，它是一种简单的前馈神经网络，是一种二元线性分类器。人工神经网络开始进入应用阶段。【1】
单层、浅层神经网络在解决实际问题中存在很大的局限性，难以处理庞大的数据和比较复杂的任务。通过增加网络层数产生的深层神经网络则可以模拟人脑的认知规律，实现无监督学习。误差反向传播算法的引入使得多层神经网络得以实现。2006年，Hinton提出深层神经网络中大量的隐藏层具有优异的特征学习能力，训练网络时可以逐层初始化，并且通过误差反向传播来微调网络参数。【1】深度学习逐渐兴起，已成为当今发展最快的机器学习方法之一【2】。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
