导读:本文包含了神经网络理论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,理论,瓦斯,灰色,模型,灾害,多维。
神经网络理论论文文献综述
徐刚,王磊,王海涛,王凯,冯远照[1]（2019）在《基于灰色理论与BP神经网络的煤层瓦斯含量预测方法》一文中研究指出运用瓦斯地质理论分析了影响煤层瓦斯赋存的主要因素,并采用灰色关联分析法对影响煤层瓦斯含量的主要因素进行了关联度分析,选取CH4(%)、围岩岩性、煤层埋深3个主要因素作为BP神经网络的输入端神经元,构建出了预测瓦斯含量的预测模型,并进行网络训练,最后对预测模型的可靠性进行检验。结果表明:采用BP神经网络模型预测瓦斯含量比多元线性回归法的精度更高,能满足工程要求,对于煤层瓦斯含量的准确预测具有一定指导意义。(本文来源于《煤炭技术》期刊2019年11期）
沈岚[2]（2019）在《灰色关联与神经网络在煤矿瓦斯预警中的应用——评《“叁软”煤层瓦斯灾害预警理论及应用》》一文中研究指出我国是煤炭资源大国,煤炭资源同时也是我国能源的重要组成部分之一,对我国的国民经济发展有着重要的地位。由于煤炭开采过程中技术相对落后,我国也是发生煤矿重大安全事故数量最多的国家之一。其中瓦斯气体是导致煤矿爆炸事故的关键物质,瓦斯气体的主要成分为甲烷,另有少量的乙烷、丙烷和丁烷,瓦斯是无色、无味的气体,在环境中与空气混合达到爆炸极限时,极易发生闪爆。国家煤矿安全监察局出台了"先抽后采,以风定产,监测监控"的煤矿开采瓦斯爆炸防治制度,强化了瓦斯气体的抽放和检测。2016年由杨玉中,吴立云编着,科学出版社出版的《"叁软"煤层瓦斯灾害(本文来源于《矿业研究与开发》期刊2019年10期）
黄睿,刘小方,郑祥[3]（2019）在《基于灰色理论与模糊神经网络的导弹性能预测》一文中研究指出准确掌握导弹的性能质量状态是保证完成作战任务的前提条件。目前,在实弹发射演练中,为确保发射成功,通常采用先测试合格后发射的方法,难以满足未来战场上大规模、大批量、即用即射的作战要求。为满足未来作战需求,立足于以往对导弹性能参数的测试数据和日常的管理、贮存信息,结合实弹发射结果信息,运用灰色理论、模糊综合评价、模糊神经网络的方法,准确预测导弹性能质量状态,为部队管理决策提供技术支撑,为导弹部队战略决胜提供重要保证。(本文来源于《火力与指挥控制》期刊2019年10期）
马婧,刘婷婷,吕岩[4]（2019）在《基于灰色理论和BP神经网络的季冻区草炭土路基沉降预测模型研究》一文中研究指出随着北方交通工程建设范围的不断扩大,很多高速公路不可避免地穿越草炭土分布区。季冻区草炭工具有高含水率,高有机质,低分解度等特殊工程地质性质,使沉降预测的理论计算误差较大不能满足实际工程需求。本文首先分析了季冻区草炭土路基沉降机理的特殊性,以此提出了优化的灰色沉降预测模型和二维-双隐层BP神经网络沉降预测模型。两种沉降预测模型不仅考虑了草炭土本身复杂的工程地质性质、北方地区季冻情况对土体自然沉降的影响,还引入了填筑情况等工程因素对路基沉降量的深度学习。以长白山吉林到延吉高速公路草炭土路基沉降实际监测数据为例,将两种模型拟合及预测结果进行对比分析,结果表明两种模型的拟合预测精度均较高,并且各有优势,由此本文对该类工程中两种预测模型各自的特点进行了总结,为北方地区草炭土路基沉降多因素预测模型的研究提供一定参考价值。(本文来源于《2019年全国工程地质学术年会论文集》期刊2019-10-11）
尹林子,李乐,蒋朝辉[5]（2019）在《基于粗糙集理论与神经网络的铁水硅含量预测》一文中研究指出高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。(本文来源于《钢铁研究学报》期刊2019年08期）
王鹏,孟维璇,朱干成,张登浩,张利会[6]（2019）在《多维项目反应理论补偿性模型参数估计:基于广义回归神经网络集合》一文中研究指出运用广义回归神经网络(GRNN)方法对小样本多维项目反应理论(MIRT)补偿性模型的项目参数进行估计,尝试解决传统参数估计方法样本数量要求较大的问题。MIRT双参数Logistic补偿模型被设置为二级计分的二维模型。首先,模拟二维能力参数、项目参数值与考生作答矩阵。其次,把通过主成分分析得到的前两个因子在每个题目上的载荷作为区分度的初始值以及题目通过率作为难度的初始值,这两个指标的初始值作为神经网络的输入。集成100个神经网络,其输出值的均值作为MIRT的项目参数估计值。最后,设置2×2种(能力相关水平:0.3和0.7;两种估计方法:GRNN和MCMC方法)实验处理,对GRNN和MCMC估计方法的返真性进行比较。结果表明,小样本的情况下,基于GRNN集成方法的参数估计结果优于MCMC方法。(本文来源于《心理学探新》期刊2019年03期）
周超[7]（2019）在《基于量子神经网络理论的信息系统安全风险评估方法研究》一文中研究指出信息安全风险评估是对不确定、随机的潜在风险进行综合评价的过程,可以明确系统的安全现状以及主要的安全风险,为信息系统安全提供有效的保障。然而,现有的评估方法存在诸多的局限性,一方面传统评估方法是确定性的算法和模型,对于不确定性的安全风险度量存在较大难度;另一方面,随着信息系统业务功能的开放化和复杂化,评估计算的非线性与复杂性也随之增加。量子信息理论是量子物理学与信息论相融合的新兴交叉学科,利用量子的或然性以及并行计算优势,能够有效解决不确定性问题。而神经网络所具有自学习与自适应的智能特性,适用于非线性问题的处理。因此,论文探索了量子神经网络算法在信息安全风险评估的应用,研究工作可以归纳为如下两个方面:1.探索了一种基于量子门线路神经网络的信息安全风险评估方法。首先,在分析信息安全特性与保障体系的基础上,以加强风险评估脆弱性要素分析为目标,构建了基于信息资产的风险评估指标模型。然后,通过一组量子门线路构建量子神经网络模型,利用量子旋转门控制相位的偏转与量子位翻转,并将其应用于风险评估计算得到综合风险值。最后,通过实验仿真验证方法的有效性与可靠性,并与BP神经网络进行对比实验,表明了量子门线路神经网络在收敛性能与风险预测方面具有一定优势。2.探索了一种基于量子自组织特征映射(quantum self-organizing feature map,QSOFM)网络的信息安全风险评估方法。首先,根据所构建的风险评价体系及ALARP原则,将安全风险划分为可容忍风险与不可容忍风险。然后,将量子神经元模型与自组织特征映射网络模型相结合,构建QSOFM神经网络模型,并将其应用于风险评估计算得到评估样本分类结果。最后,通过实验仿真验证方法的有效性与可靠性,并与自组织特征映射网络进行对比实验,表明了QSOFM神经网络在评估样本分类正确率与运算时间方面具有一定优势。(本文来源于《贵州大学》期刊2019-06-01）
罗晓敏[8]（2019）在《基于神经网络算法的稀疏信号重建理论及应用研究》一文中研究指出我们正处于一场数字革命之中,科学和技术的最新发展已经引起了数据处理的转变.为适应大数据时代的需要,压缩感知在许多重要和新兴的应用如图像处理,信息论,医学成像等已经得到深入的研究.本文基于神经网络模型,研究加权l_(1-2)和l_(1-α2)极小化方法实现压缩感知中的稀疏信号恢复问题,主要内容如下:第一章,简述了压缩感知的研究背景及现状,紧接着给出了本文主要结构布局.第二章,先概括了压缩感知的相关知识,然后介绍了用神经网络模型解决最优化问题的基本思路,重点描述了如何一步步提升神经网络模型达到更优的效果,并介绍了惯性投影神经网络相对于其他模型求解压缩感知中优化问题的优势.第叁章,提出了一种用于稀疏信号重构的惯性投影神经网络(IPNNs)算法.与使用标准凸松弛的传统l_1极小化不同,引入了更一般的非凸加权l_(1-2)极小化问题实现高度相干测量矩阵情况下的稀疏信号重建.在一定条件下证明了算法的收敛性和稳定性.此外,还设计数值实验,以支持提出的IPNNs在加权l_(1-2)极小化时的显着性能.数学理论和实验分析都证实了它在稀疏信号恢复方面的能力.第四章,将l_(1-2)形式扩展为l_(1-α2)度量,同样借助神经网络模型来求解稀疏信号重构的非凸l_(1-α2)(0<α<1)极小化问题.通过仿真实验探寻合适的α,接着比较了几种经典的算法,凸显IPNNl_(1-α2)算法重构稀疏信号的优势.第五章,总结全文,并对本文可以继续研究的内容做出了分析及展望.(本文来源于《西南大学》期刊2019-05-31）
刘正宗,徐建军,贾旭[9]（2019）在《高校新媒体思想政治教育评估体系的建构——基于灰色关联理论和BP神经网络模型算法》一文中研究指出构建高校新媒体思想政治教育评估体系,既利于评估既有的思想政治教育工作,又是改进相应工作的"指挥棒"。当前,推动思想政治教育工作同信息技术高度融合已经成为高校思想政治教育工作的重要方式。但是,理论界对于如何评估高校新媒体思想政治教育工作仍然注力不足。本文就立足新媒体时代的特点,建立高校新媒体思想政治教育评估的"叁维指标体系",引入灰色关联理论和BP神经网络评价方法,并且通过仿真实验获得了较强的实证支持,从而构建出操之可行的"高校新媒体思想政治教育评估模型"。(本文来源于《统计与管理》期刊2019年05期）
罗京[10]（2019）在《基于GrC—神经网络和证据理论的电动汽车故障诊断》一文中研究指出在全球环境污染和化石能源危机日趋严峻的背景下,电动汽车成为世界各国汽车工业的新方向。电动汽车的安全性和可靠性是衡量其好坏的重要指标。故障诊断技术通过对电动汽车运行状态和异常做出判断,从而加强电动汽车的安全性能,保证行车安全。因此,对电动汽车故障诊断技术进行深入研究,具有重要的理论意义和应用价值。针对电动汽车故障数据庞杂、非线性的问题,本文提出一种基于粒计算-神经网络(GrC-NN)和DS证据理论的电动汽车故障诊断方法,以达到简化神经网络结构,提高电动汽车故障诊断准确度的目的。主要工作如下:(1)电动汽车故障诊断方法研究。定性分析了电动汽车故障产生原因和常见故障,并对电动汽车故障进行了分类;调研了电动汽车常见故障诊断方法;(2)基于粒计算的电动汽车故障方法研究。剖析了基于粒矩阵的知识约简算法;分别介绍了GrC-BP神经网络和GrC-RBF神经网络的工作原理;分析了基于GrC-NN的电动汽车故障诊断方法的流程;通过仿真证明了粒计算在保持诊断精度基本不变的前提下提高神经网络训练速度和简化神经网络模型结构。(3)基于GrC-NN和DS证据理论的电动汽车故障诊断方法研究。剖析了证据悖论问题,并采用改进的证据合成规则进行证据融合;对基于GrC-NN和DS证据理论的电动汽车故障诊断方法的流程进行分析;与基于GrC-NN的电动汽车故障诊断方法进行仿真实验对比,验证了该方法具有更好的准确度、更低的诊断不确定性;并通过在不同载重工况下仿真实验,进一步验证本课题所提方法的有效性。(本文来源于《合肥工业大学》期刊2019-05-01）
神经网络理论论文开题报告
（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：
我国是煤炭资源大国,煤炭资源同时也是我国能源的重要组成部分之一,对我国的国民经济发展有着重要的地位。由于煤炭开采过程中技术相对落后,我国也是发生煤矿重大安全事故数量最多的国家之一。其中瓦斯气体是导致煤矿爆炸事故的关键物质,瓦斯气体的主要成分为甲烷,另有少量的乙烷、丙烷和丁烷,瓦斯是无色、无味的气体,在环境中与空气混合达到爆炸极限时,极易发生闪爆。国家煤矿安全监察局出台了"先抽后采,以风定产,监测监控"的煤矿开采瓦斯爆炸防治制度,强化了瓦斯气体的抽放和检测。2016年由杨玉中,吴立云编着,科学出版社出版的《"叁软"煤层瓦斯灾害
（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。
神经网络理论论文参考文献
[1].徐刚,王磊,王海涛,王凯,冯远照.基于灰色理论与BP神经网络的煤层瓦斯含量预测方法[J].煤炭技术.2019
[2].沈岚.灰色关联与神经网络在煤矿瓦斯预警中的应用——评《“叁软”煤层瓦斯灾害预警理论及应用》[J].矿业研究与开发.2019
[3].黄睿,刘小方,郑祥.基于灰色理论与模糊神经网络的导弹性能预测[J].火力与指挥控制.2019
[4].马婧,刘婷婷,吕岩.基于灰色理论和BP神经网络的季冻区草炭土路基沉降预测模型研究[C].2019年全国工程地质学术年会论文集.2019
[5].尹林子,李乐,蒋朝辉.基于粗糙集理论与神经网络的铁水硅含量预测[J].钢铁研究学报.2019
[6].王鹏,孟维璇,朱干成,张登浩,张利会.多维项目反应理论补偿性模型参数估计:基于广义回归神经网络集合[J].心理学探新.2019
[7].周超.基于量子神经网络理论的信息系统安全风险评估方法研究[D].贵州大学.2019
[8].罗晓敏.基于神经网络算法的稀疏信号重建理论及应用研究[D].西南大学.2019
[9].刘正宗,徐建军,贾旭.高校新媒体思想政治教育评估体系的建构——基于灰色关联理论和BP神经网络模型算法[J].统计与管理.2019
[10].罗京.基于GrC—神经网络和证据理论的电动汽车故障诊断[D].合肥工业大学.2019
论文知识图
