导读:本文包含了动量项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:动量,步长,神经网络,梯度,算法,自然,增量。
动量项论文文献综述
姚和友,张庭芳,黄菊花,曹铭[1]（2019）在《改进的动量项BP神经网络电池SOC估算》一文中研究指出为提高动力电池的荷电状态(SOC)估算精度,延长使用寿命,利用BP神经网络思想,提出基于python编程的改进型自适应动量项BP神经网络算法。以额定容量为29 Ah的叁元正极材料锂离子电池为实验对象,在电压、电流和温度的基础上,引入内阻和已放电量作为神经网络模型的输入项,并利用模型的实际输出值和期望值的误差均方差,动态调整每一步迭代过程中的动量项。与传统BP神经网络算法相比,改进后的算法收敛速度提升了80%,估算误差稳定在20%以内。(本文来源于《电池》期刊2019年04期）
邹伟东,夏元清[2]（2019）在《基于压缩动量项的增量型ELM虚拟机能耗预测》一文中研究指出在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine, I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.(本文来源于《自动化学报》期刊2019年07期）
李春腾,蒋宇中,刘芳君,张曙霞[3]（2019）在《融合动量项的步长自适应盲源分离算法》一文中研究指出为进一步缓解盲源分离算法收敛速度与稳态误差之间的矛盾,首先在自然梯度算法的基础上,通过融合动量项改善算法的收敛速度,基于分离性能指标的步长自适应减小稳态误差;然后,给出了所提算法的模型图,同时考虑分离性能和计算复杂度,选择合适的融合动量项算法,并设计了算法的近似最优参数,有效避免了算法的分段收敛;最后,合理选择步长与动量项的权重系数,有效改善了分离性能与收敛速度。仿真结果表明:该算法在一定程度上缓解了上述矛盾,并具有较低的计算复杂度。(本文来源于《海军工程大学学报》期刊2019年03期）
马志阳,张天骐,李群,梁先明[4]（2019）在《自适应变步长的动量项盲源分离方法》一文中研究指出针对传统盲源分离算法采用单一步长而无法同时兼顾收敛速度与稳态性以及动量因子选取的问题,介绍了一种盲源分离优化方法。该方法依据自然梯度算法(Natural Gradient Algorithm,NGA)的收敛条件,通过输出信号建立一种新的表示信号分离程度的度量指标,通过此度量指标构造非线性单调函数,使步长与动量因子参数自适应调节,从而可以合理、准确地选择参数。仿真表明了在平稳和非平稳环境下所提分离指标的正确性,且该指标可有效监测信号分离程度;针对步长及动量因子参数选取所设计的优化策略能够有效地缓解固定值对算法性能的约束,在有无噪声的情况下,均获得了优良的分离效果。(本文来源于《电讯技术》期刊2019年03期）
蔡振南,陈杰,瞿沥[5]（2016）在《基于增加动量项的神经网络左逆张力辨识策略》一文中研究指出以两电机张力控制系统为研究对象,为实现两电机张力控制系统的高性能控制及无传感器运行,张力的准确检测是其中的关键。文中提出了基于人工神经网络和左逆系统理论的两电机张力系统的一个新的识别方法。考虑到系统的参数是时变的和张力易受负载变化影响。神经网络左逆辨识被用在该系统中中,这是很容易实现的左逆模型。针对运用中传统BP网络的收敛速度慢,易陷入极小值的缺点,提出了增加动量项的改进神经网络左逆辨识策略,通过仿真模型对在负载扰动下两电机的张力进行辨识。仿真结果表明,辨识准确,策略可行。(本文来源于《信息技术》期刊2016年05期）
刘莉,刘强,靳鸿,陈昌鑫,霍新明[6]（2015）在《引入动量项的变步长BP网络预测算法》一文中研究指出针对标准的BP神经网络收敛速度慢、容易陷入局部极小值从而使网络误差增大的问题,提出了引入动量项的变步长BP网络预测算法。该算法在引入动量项因子的基础上,改变学习速率的步长,将改进的BP网络算法应用在预测上,通过仿真实验,得出了传统BP算法与改进BP算法的误差性能曲线。仿真验证表明,改进的BP神经网络有效地加快了收敛速度,而且使网络误差避免陷入局部最小值,预测效果更好。(本文来源于《探测与控制学报》期刊2015年05期）
孙瑜[7]（2015）在《基于自适应学习率附加动量项的改进BP算法的Doherty功率放大器设计》一文中研究指出本文主要介绍采用BP神经网络的方法来设计Doherty功率放大器非线性模型。文中是从功率效率、输入功率与输出功率的关系两个方面来对Doherty功率放大器进行设计。BP神经网络结构简单，可操作性强，可以逼近任意的非线性映射关系，能够有效地解决非线性目标函数的逼近问题，在放大器建模方面得到了广泛应用。对于通常所说的传统BP神经网络模型，它把一组输入样本与输出样本之间的问题转变成一个非线性的优化问题，但是传统BP神经网络有着自身的缺陷，在功放设计应用中，网络输出的功率效率与输出功率无法达到实际功放的要求。针对传统BP神经网络的不足，本文采用附加动量项与自适应学习率相结合的改进BP神经网络方法来完成功率放大器的非线性模型设计。为构建更为准确神经网络模型，需要对改进的BP算法选择合适的参数，即要选择出合适的动量因子与学习率。学习率取值过大会引起网络震荡不稳定，取值过小虽然可以避免不稳定，但是增加了神经网络的训练时间。通过对网络的反复训练，我们发现当动量因子取值为0.9是可以有效地减缓网络的震荡趋势，同时采用自适应学习率的改进BP算法，当网络训练在过程中误差增大时减小学习率，当误差减小时增加学习率，利用其可以实时的调节学习率大小的优点，有效地加快了网络的收敛时间。神经网络的训练数据和测试数据均来自Doherty功率放大器的单音信号。将改进的BP神经网络方法与传统BP神经网络方法的误差收敛结果作比较，就收敛速度来讲，通过收敛曲线可以明显的看出改进的BP神经网络方法要比传统方法快得多；将两种方法的曲线拟合结果的误差也进行比较，结果表明使用改进BP神经网络方法曲线拟合精度要比传统BP神经网络方法更高。通过一系列的实验结果对比说明改进的BP神经网络方法得到更高精度的功放设计结果。(本文来源于《华东交通大学》期刊2015-06-30）
王晓宇[8]（2015）在《基于动量项技术及辅助分离系统的盲源分离问题的研究》一文中研究指出盲源分离是在不知道源信号和传输信道的先验信息的情况下,仅由观测到的混合信号恢复出源信号的过程。自然梯度算法作为盲源分离的核心算法之一,受到越来越多的关注。同时,由于自然梯度算法计算量低、收敛速度快、分离效果好等优点,凸显出其良好的应用前景,并在语音信号处理、图像处理、无线通信等领域有了广泛的应用。论文首先介绍了盲源分离的背景和基本理论:通过介绍盲源分离的基本模型,讨论了盲源分离的特性与预处理方法;从优化算法的角度出发,介绍了几种常用的代价函数,并引出了经典的盲源分离算法——自然梯度算法及加入不完整约束的自然梯度算法——不完整自然梯度算法。针对自然梯度盲源分离算法中存在的缺陷,通过在当前时刻算法的自适应迭代规则中部分地加入前一时刻抽头系数的更新量,以起到提高系统收敛和跟踪速度、改善算法分离性能的目的,而提出了动量项盲源分离算法。由于,动量因子选取的准确性和合理性会极大地影响算法的收敛性能,当动量因子设置为一固定数值时,算法仍然会存在收敛速度和稳态误差无法折中的问题,因此,本文提出了基于可变动量因子的盲源分离算法。此外,本文还基于不完整自然梯度算法提出了一种步长优化策略,通过引入双系统,借助辅助分离系统的分离性能指标PI值自适应地更新步长,这样可以有效的避免收敛速度和稳态误差之间的矛盾。仿真结果表明,所提出的算法具有更理想的分离效果。(本文来源于《东北大学》期刊2015-06-01）
薄中[9]（2015）在《基于动量项的窄带主动噪声控制算法研究》一文中研究指出噪声污染已经成为仅次于大气污染和水污染的第叁大环境污染问题。传统的被动噪声控制(Passive Noise Control,PNC)技术对中高频噪声有效,但对低频噪声效果不明显。主动噪声控制(Active Noise Control,ANC)技术则对高频效果不好,而对低频噪声能达到很好的降噪效果,很好的弥补了PNC技术的缺点。同时,其控制设备具有体积小、重量轻、易于控制的优点。在各类低频噪声源中,由旋转机器或具有往复运动装置产生的窄带噪声带来的污染不可忽视,尤其随着经济的发展,此类设备的大量使用,造成的危害日益严重。在ANC领域中,窄带主动噪声控制(Narrowband Active Noise Control,NANC)系统相比其它的控制系统能够更有效的抵消此类噪声,这使的NANC系统成为ANC领域的一个重要研究分支,备受关注。在NANC系统的实际应用中,初级噪声的非平稳性,次级通道的动态变化,以及系统中存在的非相关干扰噪声,需要控制算法在保证稳态性能的同时应具有良好的收敛速度和跟踪能力,增强系统的稳定性和适应性。如何减小上述因素对系统性能的影响,提高NANC系统整体性能,是NANC系统中控制算法需要解决的关键问题。动量项技术具有计算量小,动量因子上下边界极值确定等优点,能有效提高系统收敛速度和追踪性能。因此,把动量项技术引入到NANC系统中,为解决上述关键问题提供新的研究思路。论文以线性NANC系统为研究对象,从统计理论和信号处理的角度开展基于动量项的NANC系统研究。基于动量项的NANC系统控制算法所引入的附加项及参数对系统的动态和稳态性能影响的机理并不清楚,尚缺乏理论说明。针对这个问题,对基于动量项算法下的NANC系统进行动态性能和稳态性能分析,推导出了基于平均和均方意义下的收敛特性表达式及稳态的显示表达式,并从这些表达式中分析出引入的参数对系统步长参数、稳态误差以及稳态边界的影响,从理论上解释了动量项技术提高系统收敛和跟踪性能的根本原因,以及给系统稳态性能带来的问题,为算法的改进、参数设置及实际应用提供理论指导和依据。仿真实验证明了分析的正确性和有效性。针对初级噪声的特征参数突变产生的非平稳问题,需要控制算法在保证稳态性能的同时应具有良好的收敛速度和跟踪能力。根据性能分析所获得的步长和遗忘因子参数对系统性能的影响,提出一种变遗忘因子变步长滤波-X加权累加最小均方算法(VFVS-FXWALMS)。首先,利用互相关的误差信号构建了变遗忘因子策略克服固定遗忘因子对系统稳态性能的影响;然后结合变步长思想,利用遗忘因子极值范围确定的特点构造了变步长策略,不仅继承了变遗忘因子策略的优点,而且进一步提高了算法的稳态性能。仿真实验表明提出的算法能够获得更优的遗忘因子和步长参数值,从而在保证稳态性能下提高了系统的收敛速度和跟踪能力,同时增强了系统的稳定性,有效提升了NANC系统的整体性能。在基于辅助噪声的在线次级通道建模方法中,作为激励信号的辅助噪声不仅影响了NANC子系统的收敛,而且还增加了误差噪声能量。此外,在线建模的速度以及对变化的次级通道的跟踪能力也制约着系统的性能。现有的一些基于辅助噪声的在线次级通道建模方法都是用于宽带ANC系统,无法应用到NANC系统。针对上述问题,提出一种基于遗忘因子辅助噪声能量策略的在线次级通道建模NANC算法。该算法利用变遗忘因子策略能够很好的反应系统收敛状态的特点以及其极值范围明确的特点,构建辅助噪声能量策略,使辅助噪声能量能够跟随系统的收敛状态自适应的调整。仿真实验表明提出的算法不仅能够获得较好的建模精度和更快的收敛速度,而且提高了系统的降噪量。针对NANC系统中出现的非相关干扰噪声降低系统性能的问题,基于传统思想的混合结构控制系统算法由于采用共同误差(Common Error,CE),造成各子系统耦合过紧,产生相互干扰,降低了系统的收敛速度。在此基础上,提出一种新的混合结构NANC系统算法,该算法把正弦噪声抑制(SinusoidalNoise Cancellation,SNC)子系统引入到传统混合结构控制算法中,为其它子系统提供合适的误差信号,使其能够相对独立运行,减少由共同误差造成的相互干扰问题,提高系统的收敛性能。同时提出一种性能优化策略,使系统在收敛过程中自适应的选择更优参数,进一步提高系统的收敛性能。仿真实验表明提出算法的收敛性能要优于传统的控制算法。(本文来源于《哈尔滨工业大学》期刊2015-04-01）
张艳芹[10]（2014）在《融合动量项技术的盲源分离算法研究》一文中研究指出源信号经过混合系统后得到混合信号，在源信号和混合系统都未知的情况下，仅仅根据已知的混合信号分离求解出源信号，这一技术称为盲源分离。其中求解信号即是对原始的源信号的估计，尽管二者在幅度和次序上有差异，但并不影响对源信号主要特征的准确判定。盲源分离技术应用广泛，其应用领域涉及脑功能成像领域、经济计量学领域、图像特征提取领域和神经网络领域。本文在简单介绍了盲源分离技术的意义、历史发展以及国内外研究现状的基础上，主要研究了线性瞬时混合模型下的自适应盲源分离问题。尤其对基于最小均方算法和递归最小二乘算法的盲源分离算法进行了讨论研究，并针对最小均方算法的不足之处进行了改进，给出了更有效的新型算法。具体内容如下：首先，介绍了盲源分离算法的基本理论，包括盲源分离的线性瞬时混合模型、混合信号的可分离性和盲源分离中存在的不确定性问题，补充了算法中用到的基础知识，主要包括随机向量和独立性、梯度优化方法、估计理论、负熵和预处理中的中心化和白化及盲源分离的评价指标。其次，简单介绍了非线性主分量分析算法中的主分量的定义、推导和性质。描述了基于非线性主分量分析法的盲源分离问题，并给出了非线性主分量分析算法中的两种算法：最小均方算法和最小二乘算法，并对两种算法进行了仿真实验和性能分析比较。然后，针对现有最小均方算法的不足，依据存在于神经网络领域中的动量项技术，给出固定动量因子的最小均方算法，但由于固定动量因子使算法存在很大的缺陷，即动量因子过大时会导致算法发散，动量因子过小时可能导致算法收敛速度慢。针对这一问题，提出优化动量因子的最小均方算法，对算法迭代式中的动量因子进行优化处理，从而使算法的整体性能得到改进。动量因子进行优化处理后，缓解了收敛速度和稳态性之间的冲突，仿真实验验证了新算法的整体优化性能。最后，对本文的工作进行了大致的概括总结，并对盲源分离这一技术进行了不同层次的展望。(本文来源于《烟台大学》期刊2014-04-06）
动量项论文开题报告
（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：
在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine, I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.
（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。
动量项论文参考文献
[1].姚和友,张庭芳,黄菊花,曹铭.改进的动量项BP神经网络电池SOC估算[J].电池.2019
[2].邹伟东,夏元清.基于压缩动量项的增量型ELM虚拟机能耗预测[J].自动化学报.2019
[3].李春腾,蒋宇中,刘芳君,张曙霞.融合动量项的步长自适应盲源分离算法[J].海军工程大学学报.2019
[4].马志阳,张天骐,李群,梁先明.自适应变步长的动量项盲源分离方法[J].电讯技术.2019
[5].蔡振南,陈杰,瞿沥.基于增加动量项的神经网络左逆张力辨识策略[J].信息技术.2016
[6].刘莉,刘强,靳鸿,陈昌鑫,霍新明.引入动量项的变步长BP网络预测算法[J].探测与控制学报.2015
[7].孙瑜.基于自适应学习率附加动量项的改进BP算法的Doherty功率放大器设计[D].华东交通大学.2015
[8].王晓宇.基于动量项技术及辅助分离系统的盲源分离问题的研究[D].东北大学.2015
[9].薄中.基于动量项的窄带主动噪声控制算法研究[D].哈尔滨工业大学.2015
[10].张艳芹.融合动量项技术的盲源分离算法研究[D].烟台大学.2014
论文知识图
