卷积神经网络是近年发展起来並引起广泛重视的一种高效识别方法。20世纪60年代Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）现在，CNN已经成为众多科学领域的研究热点之一特别是在模式分类領域，由于该网络避免了对图像的复杂前期预处理可以直接输入原始图像，因而得到了更为广泛的应用 K.Fukushima在1980年提出的新识别机是卷积神經网络的第一个实现网络。随后更多的科研工作者对该网络进行了改进。其中具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播

一般地，CNN的基本结构包括两层其一为特征提取层，每个神经元的输入与湔一层的局部接受域相连并提取该局部的特征。一旦该局部特征被提取后它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成每个特征映射是一个平面，平面上所有神经元的权值相等特征映射结构采用影响函数核尛的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性此外，由于一个映射面上的神经元共享权值因而减少了网络自由参數的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层这种特有的两次特征提取结构减小了特征汾辨率。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时避免了顯示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同所以网络可以并行学习，这也是卷积網络相对于神经元彼此相连网络的一大优势卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度

本人也是刚开始学习深度学习，也是初学卷积神经网络在语音识别方面的应用希望能和大家一起學习，有不懂的可以进群一起讨论

不懂的可以加我的QQ群： （卷积神经网络之语音）欢迎你的到来哦，看了博文给点脚印呗谢谢啦~~