导读:本文包含了网络集成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,网络,差异性,习水,卷积,深度,信息论。
网络集成论文文献综述
周强,徐宏伟,陈逸,孙玉宝[1]（2019）在《随机多选择残差网络集成的遥感图像分类算法》一文中研究指出深度卷积网络作为一种高效的特征表示学习算法,被广泛的应用于图像分类问题中.由于遥感图像存在目标尺度与方向变化大、类内场景差异形大等问题,单一的深度网络通常不能获得准确的分类结果.为此,本文提出一种随机多选择残差网络集成的遥感图像分类算法,该算法通过多选择学习策略,集成多个残差网络共同完成分类任务,算法设置有效的集成学习目标函数,并通过随机梯度下降算法最小化多个子网络对每个样本的最优分类误差,促使各个网络之间的差异性,能够自适应于特定类别的分类任务,进而形成有效的分类,同时其泛化性通常显着优于单个学习器.在两个公开的遥感数据集上验证了本文算法的有效性,多个残差网络能够对不同类别的遥感影像形成最优分类,有效提升了分类的准确性.(本文来源于《小型微型计算机系统》期刊2019年09期）
李辉,何力,陈陆根,宋文健,李雅阁[2]（2019）在《基于网络集成技术的矿井瓦斯抽采达标自评判系统开发与应用》一文中研究指出基于计算机网络集成技术,设计并提出了矿井瓦斯抽采达标自评判系统的实现方法,系统通过集成融合瓦斯抽采在线监测系统实时数据作为数据源,自动获取评判项基础数据,经过处理和运算,得出评判指标值,并与标准进行对比,最后得出结论。将该系统应用于中煤华晋王家岭矿,解决了瓦斯抽采达标判定周期长、基础数据来源多、工作量大、过程复杂等问题,为该矿实时掌握矿井抽采达标的情况制定下一步抽采措施提供了辅助手段。(本文来源于《煤炭技术》期刊2019年07期）
胡海根,孔祥勇,周乾伟,管秋,陈胜勇[3]（2019）在《基于深层卷积残差网络集成的黑色素瘤分类方法》一文中研究指出针对黑色素瘤分类识别任务中存在对比度低、肉眼难以区分、信息干扰大、数据量偏少以及数据不均衡等诸多问题,文中提出了一种基于掩盖的数据增强与深度卷积残差网络相结合的集成分类方法。首先根据皮肤病图像的特点,在前人数据增强研究的基础上,提出了两种基于掩盖训练图像部分区域的数据增强方式;其次以这两种数据增强方式为基础,采用深度卷积残差50层(ResNet-50)网络进行特征提取;然后以提取到的特征来构建两个具有一定差异性的分类结构模型,并对其进行集成;最后以国际皮肤影像协作组织(ISIC)2016挑战赛所公布的皮肤病图像数据集为对象,通过一系列实验对提出的方法进行了验证测试。实验结果表明,所提出的集成分类结构模型能弥补单一卷积残差网络在黑色素瘤分类任务中的缺陷,该模型能够在训练样本较少的皮肤病数据集上取得较好的分类结果,多项评估指标均优于ISIC2016挑战赛的前5名。(本文来源于《计算机科学》期刊2019年05期）
权钲杰[4]（2019）在《基于深度神经网络集成和信息论学习的时间序列预测》一文中研究指出时间序列预测研究的是如何利用时间序列数据的历史观测值对其未来发展变化做出合理有效地推断,涉及统计学、计算机科学等多个学科。时间序列数据几乎无处不在,与人们的生产生活息息相关。近年来,伴随着信息科学和计算机技术的飞速发展,越来越多的技术方法被应用于解决时间序列预测问题。传统的基于时间序列模型的分析方法能够很好地解决低维线性数据的预测问题,但是它们在处理普遍存在的高维非线性时间序列数据时,表现出许多不足之处。人工神经网络是一类非线性、基于数据驱动的机器学习方法,它经过几十年的发展,衍生出目前较为成熟的深度学习技术。本文重点研究了深度学习技术在时间序列预测问题中的应用,充分利用深度神经网络模型对非线性系统的学习能力,提高时间序列预测的精度。本文的主要工作是基于两种典型的深度神经网络,对时间序列预测模型进行了两方面的改进研究,其中包括考虑非高斯噪声等复杂环境的影响以及改进预测模型自身的不足。具体内容如下:首先,基于长短期记忆网络和卷积神经网络,我们实现了两种面向时间序列单步预测问题的深度神经网络预测模型,作为后续对时间序列预测模型改进研究的基础,并分别在混沌时间序列模拟数据集和交通流量数据集上进行了测试。然后,考虑到实际生产生活中的时间序列数据往往会受到非高斯噪声的影响,本文进一步研究了将信息论学习方法应用于对深度神经网络预测模型的改进,提出了基于中心化误差熵损失函数的深度神经网络预测模型。最后,针对深度神经网络模型训练不稳定的不足,本文研究了将集成学习方法应用于对深度神经网络预测模型的改进,提出了基于噪声扰动集成方法的深度神经网络集成模型。(本文来源于《浙江大学》期刊2019-05-14）
韩兆宇[5]（2019）在《基于神经网络集成的命名实体识别研究》一文中研究指出随着电子商务和社交网络的发展与流行,需要处理、分析的自然语言文本信息呈现出几何级数增长的态势。命名实体识别作为信息提取、舆情分析、问答系统、信息检索、句法分析、机器翻译等自然语言应用的坚实基础和重要组成部分,在自然语言处理任务中备受重视。近年来,随着神经网络在图像识别和语音识别等领域取得了较大的成功,命名实体识别研究也诞生了许多应用神经网络的研究。研究通常使用词向量模型提取的词向量空间作为固定全局特征,每一词汇使用特定向量表示,通过单一神经网络进行训练并测试结果,特征提取单一,泛化能力不佳。为了提高命名实体识别特征工程的性能、解决词向量模型中多义词的不同含义用同一向量表示的问题,本文提出端到端的多原词向量模型,该模型在无主观人工干预、无框选的前提下,训练词向量模型的同时提取词语在不同表意时对应的不同特征向量。使词的特征提取更贴近自然语言特性,提高了命名实体识别中特征提取的性能。针对单一的神经网络模型在命名实体识别存在局限性的问题,提出使用差异性的神经网络集成模型。在命名实体识别问题中,利用错误分布的相关性作为基分类器差异性度量的指标,衡量基分类器之间的差异性,并根据集成学习的提升效果对差异性度量指标进行评测。根据差异性度量指标研究神经网络特征扰动、模型扰动对基分类器差异性的影响。在对命名实体识别问题中神经网络模型差异性的产生进行研究后,合理进行模型扰动无监督地训练具有差异性的基分类器,提高神经网络集成在命名实体识别问题中的性能。此外,将不敏感损失函数引入到双向长短期记忆神经网络中,并证明其能保证个体分类器之间的差异性。(本文来源于《中国矿业大学》期刊2019-05-01）
韩兆宇,周勇,刘兵[6]（2019）在《基于差异性神经网络集成的命名实体识别方法》一文中研究指出命名实体识别通常利用词向量模型提取词向量空间作为固定全局特征,通过单一神经网络进行训练并测试结果,特征提取单一,泛化能力不佳。针对上述问题,使用神经网络集成,将多个双向长短时记忆神经网络进行有效结合、综合决策。将ε不敏感损失函数引入到双向长短时记忆神经网络中,证明其能保证个体分类器的差异性。通过实验分析不同的词特征提取、神经网络模型结构、模型参数对个体分类器差异性的影响,通过理论分析和实验研究对集成学习在命名实体识别领域中个体分类器差异性带来的有益效果进行研究。通过实验结果验证了个体分类器差异性与集成学习的提升度之间的密切联系。(本文来源于《计算机工程与设计》期刊2019年04期）
刘威,周定宁,白润才,黄敏,成秘[7]（2019）在《基于遗传算法的神经网络集成方法》一文中研究指出针对单一神经网络学习器易出现过拟合现象、网络泛化能力差等问题,提出一种基于遗传算法的神经网络集成方法.该方法通过对数据的预处理,将遗传算法作为集成学习的结合策略,在保证个体学习器分类准确率的同时,充分吸收个体学习器的多样性,利用遗传操作与物种入侵的方式对神经网络集成学习器进行迭代进化,得到具有全局最优的神经网络集成学习器.研究结果表明:使用该神经网络个体学习器集成方法训练出来的集成学习器具有良好的全局性,能够有效的避免网络出现的过拟合现象,提高网络的分类准确率,是一种稳定、泛化能力较强的神经网络集成学习器.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2019年02期）
吕东晖,刘桂莲[8]（2019）在《基于杂质赤字的再生回用水网络集成图示法》一文中研究指出将氢网络中基于剩余率的集成优化法扩展至水网络,以杂质浓度为基础进行分析,提出了基于杂质赤字的再生回用水网络图像集成优化方法。该方法无需图像试差和迭代,通过构建浓度-流量图和杂质赤字图,可确定未考虑再生回用的水网络夹点位置及最小新鲜水用量。并在此基础上,考虑再生装置和水网络的优化以及二者的集成,分析水网络的新鲜水节省量与杂质脱除率、再生水源流量及再生废水浓度的定量关系;构建定量关系图确定最小新鲜水用量随各参数的变化关系、夹点位置、最大新鲜水节省量以及一定再生条件下的极限及最优提纯参数。案例分析表明,该方法简单、高效,对于各工况下的水网络,均可使新鲜水消耗量及废水排放量减小,为工艺设计和操作提供重要的参考。(本文来源于《化工进展》期刊2019年04期）
王振涛[9]（2019）在《测井曲线岩性识别的神经网络集成策略研究》一文中研究指出在油田的勘探开发中,精细储层描述是降低当前油气勘探成本,改善油气勘探精确性,增强非常规油气资源有效动用能力的必要条件。其中,利用测井曲线进行岩性识别是精细储层描述中重要的方面之一,根据其识别结果可以将岩石性质转化为相关的储层参数并应用于油气勘探中,有效的降低了开发成本并同时提高了勘探工作效率。因此,根据油田的实际生产需求,本论文对岩性识别这一课题进行了叁个方面的研究:测井曲线复原、测井曲线特征提取以及特征提取后的测井曲线集成神经网络岩性识别。(1)针对因测井设备不完善造成测井曲线缺失问题,利用稀疏字典学习算法,研究了一种基于DCT分频稀疏表示的测井曲线复原方法。该方法首先运用离散余弦变换(DCT)对无缺失训练测井曲线进行分频;然后针对不同频段分量上的测井曲线进行字典学习;最后,运用稀疏表示对缺失测井曲线进行高精度的复原。(2)针对测井曲线分布复杂、混杂随机噪声的问题,本文研究了一种多频特征联合的测井曲线特征提取方法。该方法首先提取了原始测井曲线的统计特征和纹理特征;在此基础上,利用离散余弦变换(DCT)对不同属性的特征信号进行分频处理,并提取出不同属性特征数据的频率信号;最后,将不同频段分量上的特征数据进行联合,实现对原始测井曲线的特征提取。(3)为提高岩性识别精度,本文研究了一种针对多频特征的集成神经网络岩性识别方法。该方法在是以现有人工神经网络法为基础进行的改进,主要是通过对单一岩性进行识别,由此获取各类岩性的识别标签,并且,针对岩性样本数据较小的岩性识别问题,采用岩性中心聚类的形式进行中心值的提取;然后对不同类型的岩性标签进行权值投票;最后,实现未知井口的全岩性的高精度识别。(本文来源于《东北石油大学》期刊2019-04-01）
闫飞宇,李伟卓,杨卫卫,何雅玲[10]（2019）在《基于Bagging神经网络集成的燃料电池性能预测方法》一文中研究指出利用叁维质子交换膜燃料电池数学模型模拟研究了电池流道进、出口高度对电池性能的影响,然后将数值模拟结果作为神经网络模型的训练数据.以流道进、出口高度和电池电压值作为输入变量,以电池电流密度作为输出变量,建立了3层反向传播神经网络模型;然后利用Bagging集成学习方法对神经网络模型进行集成,构建了燃料电池性能预测方法.研究发现:与单一神经网络模型相比, Bagging神经网络集成模型预测精度更高,且所需模型训练数据量更少.此外对于超出训练数据以外的情形, Bagging神经网络集成模型仍然能够准确地预测燃料电池的性能,且精度良好,表明Bagging神经网络集成模型的鲁棒性较好,可用于更宽工况范围内燃料电池性能的快速预测.(本文来源于《中国科学:技术科学》期刊2019年04期）
网络集成论文开题报告
（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：
基于计算机网络集成技术,设计并提出了矿井瓦斯抽采达标自评判系统的实现方法,系统通过集成融合瓦斯抽采在线监测系统实时数据作为数据源,自动获取评判项基础数据,经过处理和运算,得出评判指标值,并与标准进行对比,最后得出结论。将该系统应用于中煤华晋王家岭矿,解决了瓦斯抽采达标判定周期长、基础数据来源多、工作量大、过程复杂等问题,为该矿实时掌握矿井抽采达标的情况制定下一步抽采措施提供了辅助手段。
（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。
网络集成论文参考文献
[1].周强,徐宏伟,陈逸,孙玉宝.随机多选择残差网络集成的遥感图像分类算法[J].小型微型计算机系统.2019
[2].李辉,何力,陈陆根,宋文健,李雅阁.基于网络集成技术的矿井瓦斯抽采达标自评判系统开发与应用[J].煤炭技术.2019
[3].胡海根,孔祥勇,周乾伟,管秋,陈胜勇.基于深层卷积残差网络集成的黑色素瘤分类方法[J].计算机科学.2019
[4].权钲杰.基于深度神经网络集成和信息论学习的时间序列预测[D].浙江大学.2019
[5].韩兆宇.基于神经网络集成的命名实体识别研究[D].中国矿业大学.2019
[6].韩兆宇,周勇,刘兵.基于差异性神经网络集成的命名实体识别方法[J].计算机工程与设计.2019
[7].刘威,周定宁,白润才,黄敏,成秘.基于遗传算法的神经网络集成方法[J].辽宁工程技术大学学报(自然科学版).2019
[8].吕东晖,刘桂莲.基于杂质赤字的再生回用水网络集成图示法[J].化工进展.2019
[9].王振涛.测井曲线岩性识别的神经网络集成策略研究[D].东北石油大学.2019
[10].闫飞宇,李伟卓,杨卫卫,何雅玲.基于Bagging神经网络集成的燃料电池性能预测方法[J].中国科学:技术科学.2019
论文知识图
