导读:本文包含了神经网络学习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,卷积,卡尔,深度,标签,组合,交通标志。
神经网络学习论文文献综述
刘树艺,李静,胡春,王伟[1]（2019）在《基于卷积神经网络与集成学习的交通标志识别》一文中研究指出为提高复杂情况(如遮挡、透视畸变等)下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。(本文来源于《计算机与现代化》期刊2019年12期）
张少宇[2]（2019）在《基于卷积神经网络的CT图自动检测深度学习》一文中研究指出针对肺结节良恶性诊断的难度,采用自定义卷积神经网络对其进行建模分析。通过多次实验分析,构建得到了可以实现7层肺结节检测的卷积神经网络模型,在每层中都含有训练参数,得到13×13的卷积核。测试肺结节的算法通过4个指标进行评价,分别为准确性和特异性、敏感性和假阳率。PndCnn-7参数优化结果得到,学习率lr介于[0. 4,1. 05]范围内,需要处理的批次达到最少0. 75。13×13卷积核能够实现网络的快速收敛,并且不会引起震荡的现象。当epoch增大至50,则会引起误差的明显减小,使网络达到良好的收敛状态。(本文来源于《信息技术》期刊2019年11期）
高旭,马迎新,汤小兵,陆小荣[3]（2019）在《基于Matlab神经网络算法的智能变电站光纤回路自学习及自动设计的研究》一文中研究指出随着智能变电站建设速度不断加快,大规模智能变电站新建和改扩建工程集中投产。在此背景下,由于设计人员和运维人员在经验、习惯方面的差异,智能变电站光纤回路标准化设计难度大,光纤回路设计与正确性校核靠人工完成,设计效率低、图纸正确性校核困难。针对以上问题,提出了一种基于神经网络算法的智能变电站光纤回路自动设计方案。通过采集海量变电站物理配置描述文件(SPCD文件),经过人工智能学习,建立神经网络决策树,实现根据二次系统设计要求自动输出光纤回路设计图纸。该方案利用人工智能技术提升了智能变电站光纤回路设计效率和质量,进而实现光纤回路设计的标准化、智能化。(本文来源于《电力系统保护与控制》期刊2019年22期）
康丽锋,王彦昆[4]（2020）在《采摘机器人自主采摘学习能力研究—基于LM-BP神经网络》一文中研究指出为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。(本文来源于《农机化研究》期刊2020年08期）
马媛媛,任明仑[5]（2019）在《基于神经网络的机械臂动作示教学习策略》一文中研究指出针对服务型机器人面向多样化工作时的运动问题,设计一种基于示教学习机制与神经网络方法的机械臂动作学习策略,该策略系统包括信息获取模块、自主学习模块和任务执行模块叁个部分。首先,由信息获取模块采集示教过程中的状态信息;其次,构建神经网络模型并通过示教数据的训练得到机械臂动作策略;然后,任务执行模块获取目标任务并采集当前状态信息输入神经网络,根据神经网络输出的策略使机械臂完成指定任务。仿真实验结果表明,该方法能够实现对机械臂动作的学习,并且具有一定的泛化性。(本文来源于《第十四届（2019）中国管理学年会论文集》期刊2019-11-01）
吴鹏,林国强,郭玉荣,赵振兵[6]（2019）在《自学习稀疏密集连接卷积神经网络图像分类方法》一文中研究指出通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。(本文来源于《信号处理》期刊2019年10期）
王风,王磊,李囡,杨志[7]（2019）在《基于叁维卷积神经网络深度学习的肺结节良恶性的鉴别诊断》一文中研究指出目的开发一种叁维(3D)卷积神经网络(CNN)深度学习模型,用于鉴别诊断肺部CT图像的良、恶性结节,并预测肺结节的恶性程度。资料与方法基于3D卷积设计4种3D CNN架构以分析连续多张图片数据。提取图像特征并进行分类。使用美国癌症协会发布的LIDC-IDRI影像数据集进行训练、测试和验证各模型。以受试者工作特征(ROC)曲线下面积(AUC)及其准确度、敏感度和特异度表征各模型的效果。结果在肺部结节和非结节的鉴别诊断中,开发的3D CNN-3模型的ROC曲线AUC最高(0.959),同时具有最高的特异度(0.946);在肺部结节恶性程度预测能力方面,3D CNN-3模型亦获得最高的AUC(0.981),同时具有最高的灵敏度(0.936)。结论开发出3D CNN-3深度学习模型在CT图像肺部结节良恶性的鉴别诊断和恶性程度预测方面表现出良好的性能。(本文来源于《中国医学影像学杂志》期刊2019年10期）
陈文辉,蔡妹姝,严松,张宏,徐琳[8]（2019）在《基于深度卷积神经网络与迁移学习的鱼类分类识别》一文中研究指出高效的鱼类分类识别是海洋牧场智能化监测的基础.传统的通过浅层模型,利用目标特征的分类识别方法效率低下,泛化性差,难以实现智能化应用;而重建并训练深度卷积神经网络(DCNN)模型占用巨大的计算机资源.文章提出一种基于DCNN和迁移学习的方法,针对新图像数据集,通过选择训练参数,对预训练模型进行再训练,实现鱼类的分类识别.通过实验证实,这种方法可在占用少量的计算机资源情况下,达到97.14%的验证准确率.使用基于DCNN与参数迁移的学习策略可以得到性能良好的深度神经网络鱼类分类识别模型.(本文来源于《福建师大福清分校学报》期刊2019年05期）
杨一,高怡,刘海龙[9]（2019）在《改进的渐消UKF神经网络学习算法及应用》一文中研究指出针对BP神经网络在训练过程中存在易陷入局部极小值、对样本噪声缺乏自适应性等问题,设计一种改进的渐消无迹卡尔曼滤波神经网络(Improved fading unscented Kalman filter neural networks, IF-UKFNN)训练算法。该算法以UKF为基础,在滤波过程中引入渐消因子,实时调整滤波增益,限制样本噪声对权值更新的影响,进而提高网络训练的精度;同时,采用一种改进的自适应因子计算方法,使计算过程简化。将提出的算法应用于组合导航系统建立误差估计模型,仿真结果表明:提出的算法不仅可以提高模型的估计精度,而且增强了网络模型对噪声样本的适应性和鲁棒性,具有更好的应用效果。(本文来源于《控制工程》期刊2019年10期）
曾凡菊,谭永前[10]（2019）在《基于深度学习的卷积神经网络在民族图案语义标签中的应用研究》一文中研究指出各个民族的服饰图案内容丰富,种类繁多,解读各个服饰图案的内容含义具有重要的现实意义。传统图案语义标签大多是提取了图案纹理、颜色等特征进行分类标注,无法准确地表达出图案的真实内容。笔者基于深度卷积神经网络对图案进行深度特征提取,并进行准确分类,构建了基于卷积神经网络的民族图案语义标签结构,与传统民族图案语义标签相比具有一定的先进性。(本文来源于《信息与电脑(理论版)》期刊2019年19期）
神经网络学习论文开题报告
（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：
针对肺结节良恶性诊断的难度,采用自定义卷积神经网络对其进行建模分析。通过多次实验分析,构建得到了可以实现7层肺结节检测的卷积神经网络模型,在每层中都含有训练参数,得到13×13的卷积核。测试肺结节的算法通过4个指标进行评价,分别为准确性和特异性、敏感性和假阳率。PndCnn-7参数优化结果得到,学习率lr介于[0. 4,1. 05]范围内,需要处理的批次达到最少0. 75。13×13卷积核能够实现网络的快速收敛,并且不会引起震荡的现象。当epoch增大至50,则会引起误差的明显减小,使网络达到良好的收敛状态。
（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。
神经网络学习论文参考文献
[1].刘树艺,李静,胡春,王伟.基于卷积神经网络与集成学习的交通标志识别[J].计算机与现代化.2019
[2].张少宇.基于卷积神经网络的CT图自动检测深度学习[J].信息技术.2019
[3].高旭,马迎新,汤小兵,陆小荣.基于Matlab神经网络算法的智能变电站光纤回路自学习及自动设计的研究[J].电力系统保护与控制.2019
[4].康丽锋,王彦昆.采摘机器人自主采摘学习能力研究—基于LM-BP神经网络[J].农机化研究.2020
[5].马媛媛,任明仑.基于神经网络的机械臂动作示教学习策略[C].第十四届（2019）中国管理学年会论文集.2019
[6].吴鹏,林国强,郭玉荣,赵振兵.自学习稀疏密集连接卷积神经网络图像分类方法[J].信号处理.2019
[7].王风,王磊,李囡,杨志.基于叁维卷积神经网络深度学习的肺结节良恶性的鉴别诊断[J].中国医学影像学杂志.2019
[8].陈文辉,蔡妹姝,严松,张宏,徐琳.基于深度卷积神经网络与迁移学习的鱼类分类识别[J].福建师大福清分校学报.2019
[9].杨一,高怡,刘海龙.改进的渐消UKF神经网络学习算法及应用[J].控制工程.2019
[10].曾凡菊,谭永前.基于深度学习的卷积神经网络在民族图案语义标签中的应用研究[J].信息与电脑(理论版).2019