导读:本文包含了多神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,图像,动态,证据,模型,年龄,兴趣。
多神经网络论文文献综述
崔江[1]（2019）在《基于多神经网络的人脸年龄估计算法研究及实现》一文中研究指出随着智能设备的飞速发展,人脸年龄估计技术对安全监控、产品推荐、人机交互、商业营销等多个方面有重要意义。但是人脸的老化是一种肉眼无法发现其过程的缓慢变化,相比其他人类生物特征,更容易受到人体内外的不定因素干扰。正是这些因素给研究人脸年龄估计带来了巨大的困难和挑战。年龄作为一种特殊的生物特征,若简单地将年龄估计问题看作分类问题或回归问题会忽略年龄的有序信息;若将年龄按固定区间长度划分为多个不重迭的年龄组,就会造成年龄组之间的界限模糊性问题,这都影响年龄估计模型的精度。本文基于对现有的人脸年龄算法的研究,提出了多卷积神经网络方法和逐级分类网络方法,由此实现两个年龄估计模型。对于年龄的有序性问题,本文使用多个卷积神经网络将人脸年龄估计问题转化为多个二分类子问题来解决。子问题是对输入的人脸图像进行判断是否大于预设年龄,最后把所有子问题的结果融合后得到年龄预测值。每个基础卷积神经网络利用有序年龄标签在整个训练数据集上学习相应的年龄特征,该方法变相地扩大了训练集,防止模型过拟合。所有基础卷积神经网络参数都由一个预训练后的卷积神经网络进行初始化,有效减少模型训练的时间。实验表明,基于多卷积神经网络的人脸年龄估计模型的结果优于常用人脸年龄估计模型,说明考虑年龄有序性对年龄估计模型的性能有一定帮助。同时,基础卷积神经网络学习到的年龄特征能更有效地表达人脸年龄信息。针对年龄分组的界限模糊性问题,本文提出逐级分类网络的人脸年龄估计模型。根据输入图像来动态地移动或缩放年龄分组的范围可以有效地解决界限模糊性问题,同时也考虑到年龄的连续性。逐级分类网络方法采用从粗到细的分类策略对人脸图像进行年龄分组,每一级网络都是对上一级年龄范围的进一步分类。逐级分类策略使神经网络模型只需要少量的参数,减少模型的规模,大大缩短训练时间。实验表明,逐级分类网络的人脸年龄估计模型与复杂的模型相比,精度虽有所下降但内存消耗很低;与其他紧凑的模型相比,模型规模更小,精度明显提升,更适合移动平台和嵌入式平台使用。(本文来源于《电子科技大学》期刊2019-03-27）
卢满怀,宇文旋[2]（2018）在《多神经网络图像分割算法》一文中研究指出为了提高机器视觉系统的图像分割精度,提出了一种以小波变换为分类特征的多神经网络(Multi-Neural Network,MNN)图像分割算法,该算法包括小波特征提取、MNN区域划分和MNN分类3个阶段。其中,小波特征提取根据小波变换的各层图像扩展得到分类特征;MNN区域划分将初分割边界附近区域分为训练样本区域和待分类区域(待分区域),并用多边形拟合算法将待分区域划分为多个局部待分区域;MNN分类将每个局部待分区域的像素用区域内的神经网络分类器进行分类,确定目标像素和背景像素,将目标像素合并后再进行一定的后处理即可得到分割结果。以轴承表面缺陷检测系统采集的轴承缺陷图像为对象,对MNN算法和阈值分割算法进行了对比试验,结果显示MNN算法的像素数量误差(Pixel Error,PE)相比阈值分割算法降低了75%,分割精度显着提高。(本文来源于《现代制造工程》期刊2018年12期）
张文元,赵卫国,晋涛,俞华,王伟[3]（2018）在《多神经网络与证据理论的变压器故障诊断方法》一文中研究指出针对电力变压器故障难以快速、准确定位和辨识的问题,提出一种基于多神经网络与证据理论相融合的变压器故障诊断方法。该方法将神经网络强非线性拟合的能力与证据理论在不确定性推理问题中能折衷处理主、客观矛盾的优势相结合。利用神经网络的学习、记忆、识别功能,对油中溶解气体数据与常规电气试验数据进行初步处理,再应用数据融合原理,对神经网络处理的初步结果进行证据理论融合,实现对变压器故障的精准诊断。实例分析结果表明,该方法对于变压器故障诊断准确率达73%。(本文来源于《高压电器》期刊2018年08期）
冯永,张备,强保华,张逸扬,尚家兴[4]（2019）在《MN-HDRM:长短兴趣多神经网络混合动态推荐模型》一文中研究指出动态推荐系统通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素,实现推荐任务随着时间变化而实时更新.该文提出一种携带历史元素的循环神经网络(Recurrent Neural Networks,简称RNN)推荐模型负责用户短期动态兴趣建模,而利用基于前馈神经网络(Feedforward Neural Networks,简称FNN)的推荐模型对用户长期兴趣建模.通过两种神经网络的融合,该文构建了一个兼顾用户短期动态兴趣和稳定长期兴趣的多神经网络混合动态推荐模型(Hybrid Dynamic Recommendation Model based on Multiple Neural Networks,简称MN-HDRM).实验结果表明相对于目前比较流行的多种动态推荐算法:TimeSVD++、基于HMM(Hidden Markov Model)的推荐模型、基于RNN(Recurrent Neural Networks)的推荐模型、基于LSTM(Long Short-Term Memory)的推荐模型和STG(Session-based Temporal Graph)推荐模型,MN-HDRM在精确率、召回率和平均倒数排名等多项评价指标上展现出更加优越的性能.(本文来源于《计算机学报》期刊2019年01期）
周南,罗林根,高兆丽,沈大千,盛戈皞[5]（2018）在《基于多神经网络的局部放电特高频时延定位误差修正算法》一文中研究指出现有的基于特高频(UHF)信号的局部放电时延定位方法研究重点多集中于提高时差的计算精度,而对系统定位误差的校正鲜有涉及。为此,论文直接从系统定位误差入手,提出了一种基于多神经网络的定位误差修正算法。在极径r∈[2 m, 6 m]、r∈[6 m, 12 m]及r∈[12 m, 18 m]这3个区间分段内建立了相应的误差补偿网络,利用有限个标定点的时延误差来训练径向基(RBF)神经网络,以模拟系统定位误差的分布特性,并对实际定位结果进行修正。仿真及实验结果表明,通过误差补偿网络的修正,提高了定位精确度、降低了定位结果的离散程度,最终可将定位距离误差控制在0.5 m以内,方向角误差控制在6°以内。研究结果验证了所提算法的误差修正能力。(本文来源于《高电压技术》期刊2018年11期）
王伟,田慕琴,闫琳,俞华,张娜[6]（2018）在《多神经网络与证据理论相融合的掘进机动载荷识别方法》一文中研究指出针对岩巷掘进机工作时负载多变、动载荷实时识别难度大而无法实时为截割速度调整提供依据等问题,提出了一种基于多神经网络与证据理论相融合的掘进机动载荷识别方法。该方法利用神经网络的学习、记忆、识别功能,对多种数据进行初步处理,再结合数据融合原理,对神经网络处理的初步结果进行证据理论融合诊断,实时识别掘进机的动载荷。(本文来源于《煤炭技术》期刊2018年04期）
蒋攀,单连平,刘义海[7]（2017）在《基于多特征多神经网络融合的目标识别技术》一文中研究指出针对决策级融合识别中各单源识别结果高度冲突或拒判时目标综合识别结果不够准确的问题,提出了一种基于目标融合特征和多神经网络融合的识别方法,该方法首先应用遗传算法融合目标的多种特征,其次使用装袋方法独立地构建多个神经网络,并提出蒙特卡洛随机融合法融合多神经网络的识别结果,实验结果表明该方法能够通过两级融合提升目标识别的准确率和稳定性。(本文来源于《指挥控制与仿真》期刊2017年06期）
吴浩,陈涛[8]（2017）在《多神经网络在超声图像感兴趣区域检测中的应用》一文中研究指出研究超声图像感兴趣区域准确检测问题,针对传统检测算法检测耗时、精度低等缺陷,提出了多神经网络的超声图像检测算法。首先采用离散余弦变换对超声图像感兴趣区域进行特征信息提取,然后分别利用两种神经网络对图像感兴趣区域进行检测,最后利用证据理论对检测结果进行融合,得到最终检测结果。在Matlab环境下进行仿真,仿真结果表明,多神经网络检测算法较传统方法的检测速度更高,定位更加准确。研究超声图像感兴趣区域准确检测问题,针对传统检测算法检测耗时、精度低等缺陷,提出了多神经网络的超声图像检测算法。首先采用离散余弦变换对超声图像感兴趣区域进行特征信息提取,然后分别利用两种神经网络对图像感兴趣区域进行检测,最后利用证据理论对检测结果进行融合,得到最终检测结果。在Matlab环境下进行仿真,仿真结果表明,多神经网络检测算法较传统方法的检测速度更高,定位更加准确。(本文来源于《激光杂志》期刊2017年08期）
张备[9]（2017）在《基于多神经网络的混合动态推荐研究》一文中研究指出推荐系统是为了解决互联网大数据场景下信息过载问题而产生的一种自动化信息检索技术。但是传统的推荐系统,比如基于矩阵分解的协同过滤推荐模型都是通过学习用户的历史行为数据得到隐藏的用户特征,并依据这些隐藏的兴趣特征向用户推荐符合用户需求的项目。但是,这类方法学习的兴趣特征一般都是静态的,往往会忽视推荐系统的动态性特点,属于静态推荐系统。动态推荐系统希望通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素,从而实现推荐任务能够随着时间变化而实时更新,对于用户的实时推荐需求具有重要的现实意义,特别适用于现今移动互联网环境下的用户兴趣快速迁移场景。动态推荐模型主要依赖的应用数据为时序数据,即带有时间戳的用户历史行为数据。具有时序特性的行为数据包含能够反映用户真实的兴趣变化的历史记录。因此,挖掘时序数据有助于帮助我们理解用户的动态兴趣特征,进而提高个性化推荐的准确性。而基于循环神经网络的推荐系统能够很好地挖掘用户历史行为模式,从而发现用户兴趣迁移的规律。论文利用两种类型的神经网络:循环神经网络和前馈神经网络,实现用户长短期兴趣的挖掘,从而建立一个兼顾用户短期兴趣和稳定长期兴趣的混合动态推荐系统,来进一步提升推荐准确性。本文通过对这些关键领域的深入研究,提出主要创新点及研究成果如下:(1)论文针对推荐系统中出现的动态性问题进行了研究探讨,并提出用户行为周期的概念,将循环神经网络引入到动态推荐系统领域中;将用户行为历史数据切分为多个用户行为周期,训练学习神经网络结构中用户的短期兴趣相关的参数。(2)论文对基于循环神经网络的推荐系统模型作进一步改进,提出在行为周期数据中引入历史元素单元,用于存储历史行为周期信息,以完善循环神经网络模型对于历史信息的追溯能力。同时,论文提出在循环神经网络中增加Embedding层和Dropout层缓解神经网络训练的过拟合问题。(3)论文提出了一种融合两类神经网络模型-循环神经网络(RNN)和前馈神经网络(FNN)的多神经网络混合动态推荐系统框模型(Hybrid Dynamic Recommendation Model Based on Multiple Neural Networks,简称MN-HDRM)。MN-HDRM推荐系统框架结合了循环神经网络和前馈神经网络的两种神经网络模型的特点,融合用户行为短周期情况下短期兴趣迁移因素和用户在全局环境下的长期兴趣因素,以形成用户长短周期兴趣在动态推荐系统中的动态平衡。同时,论文选择贝叶斯个性化排名(BPR)作为最优推荐项目列表排名的目标函数,以实现Top-N最佳结果推荐。最后本文系统地将MN-HDRM推荐模型与其他比较流行的多种动态推荐模型算法:TimeSVD++、基于HMM的推荐方法和基于RNN的推荐方法,在Last.fm和Tmall两组真实数据集上进行实验对比。最后的实验结果表明本文提出的MN-HDRM推荐模型在精确率、召回率、F-测度和平均倒数排名等多项评价指标上展现出更加优越的性能。(本文来源于《重庆大学》期刊2017-04-01）
滕少华,唐海涛,张巍,刘冬宁,梁路[10]（2016）在《混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测》一文中研究指出在深入分析南方某局域气象数据的基础上,提出构建多网络模型(概率神经网络PNN和径向基神经网络RBF混合模型)对局域地区降雨类型进行识别及雨量预测.首先构建PNN神经网络模型识别降雨类型;其次,针对大雨级别以下和大雨级别以上分别建立两个不同的RBF神经网络模型,实现对降雨量的进一步预测;最后将RBF网络预测的雨量结果逆向校正PNN网络的预测识别结果并获得降雨类型数据的雨量等级划分.本文均采用K折交叉验证方法检验模型的可靠性与稳定性.实验结果表明,模型有效提升了预测准确率及召回率,并在实际中取得较好的应用效果.(本文来源于《小型微型计算机系统》期刊2016年11期）
多神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高机器视觉系统的图像分割精度,提出了一种以小波变换为分类特征的多神经网络(Multi-Neural Network,MNN)图像分割算法,该算法包括小波特征提取、MNN区域划分和MNN分类3个阶段。其中,小波特征提取根据小波变换的各层图像扩展得到分类特征;MNN区域划分将初分割边界附近区域分为训练样本区域和待分类区域(待分区域),并用多边形拟合算法将待分区域划分为多个局部待分区域;MNN分类将每个局部待分区域的像素用区域内的神经网络分类器进行分类,确定目标像素和背景像素,将目标像素合并后再进行一定的后处理即可得到分割结果。以轴承表面缺陷检测系统采集的轴承缺陷图像为对象,对MNN算法和阈值分割算法进行了对比试验,结果显示MNN算法的像素数量误差(Pixel Error,PE)相比阈值分割算法降低了75%,分割精度显着提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多神经网络论文参考文献
[1].崔江.基于多神经网络的人脸年龄估计算法研究及实现[D].电子科技大学.2019
[2].卢满怀,宇文旋.多神经网络图像分割算法[J].现代制造工程.2018
[3].张文元,赵卫国,晋涛,俞华,王伟.多神经网络与证据理论的变压器故障诊断方法[J].高压电器.2018
[4].冯永,张备,强保华,张逸扬,尚家兴.MN-HDRM:长短兴趣多神经网络混合动态推荐模型[J].计算机学报.2019
[5].周南,罗林根,高兆丽,沈大千,盛戈皞.基于多神经网络的局部放电特高频时延定位误差修正算法[J].高电压技术.2018
[6].王伟,田慕琴,闫琳,俞华,张娜.多神经网络与证据理论相融合的掘进机动载荷识别方法[J].煤炭技术.2018
[7].蒋攀,单连平,刘义海.基于多特征多神经网络融合的目标识别技术[J].指挥控制与仿真.2017
[8].吴浩,陈涛.多神经网络在超声图像感兴趣区域检测中的应用[J].激光杂志.2017
[9].张备.基于多神经网络的混合动态推荐研究[D].重庆大学.2017
[10].滕少华,唐海涛,张巍,刘冬宁,梁路.混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测[J].小型微型计算机系统.2016
论文知识图
