导读:本文包含了循环网络模型论文开题报告文献综述及选题提纲参考文献，主要关键词:多模型,鲁棒输入训练神经网络,故障诊断,联合循环
循环网络模型论文文献综述
黄郑,王红星,于海泉,李逗,司风琪[1]（2019）在《基于多模型鲁棒输入训练神经网络协同的燃气–蒸汽联合循环机组传感器故障诊断方法》一文中研究指出为提高燃气–蒸汽联合循环机组传感器测量值的准确性及可靠性,提出了一种基于多模型鲁棒输入训练神经网络(RITNN)的燃气–蒸汽联合循环机组传感器故障诊断方法。该方法建立若干燃气–蒸汽联合循环重要参数的数据重构模型,并对各模型进行优先级划分,以串并联方式设定模型间关系,通过可靠参数的逐级生成和传递,有效抑制了多传感器显着故障产生的残差污染,提高了故障诊断的准确性及可靠性,进而给出了传感器故障诊断流程,建立了完整的传感器故障诊断系统。以某200 MW级燃气–蒸汽联合循环机组为研究对象,对多传感器故障进行诊断,并与RITNN单一模型方法和输入训练神经网络(ITNN)单一模型方法进行对比,结果表明,提出的多模型RITNN故障诊断方法诊断精度更高,可保证燃气–蒸汽联合循环机组稳定运行。(本文来源于《中国电力》期刊2019年11期）
刘亮[2]（2019）在《基于循环神经网络的航班延误预测模型》一文中研究指出在民航飞行航班量持续攀升的背景下,航班延误对民航生产的影响越来越大,准确有效的航班延误预测能够有效降低延误所带来的不利影响,提高民航生产的运行效率和服务质量。文章通过引入循环神经网络来挖掘航班延误在时间维度上的潜在关系,设计了深度机器学习算法,建立了基于RNN及LSTM单元相混合的延误预测模型,文章所设计模型使用民航空管的历史真实数据,也是对机器学习技术在空管行业应用的有益探索。(本文来源于《信息通信》期刊2019年10期）
刘蕾[3]（2019）在《基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用》一文中研究指出近年来,空气污染日益严重。有效地监控空气质量,准确地预测空气污染物浓度对预防大气污染有重要的指导意义。此外,由于空气质量具有时序性,会受多个难以确定的污染源影响,经常用到的回归预测方法效率和精度都比较低,而循环神经网络模型却能有效利用时序数据中长距离依赖信息的能力,对此类数据进行相关的预测分析。本文将尝试利用上海市空气质量监测站的小时均值数据,基于Google开源Tensorflow机器学习框架并使用长短期记忆单元(longshort-termmemory,LSTM)的循环神经网络建立动态预测模型,同时采用基于时序的反向传播(BPTT)算法逐步更新网络权值进行网络训练,期望能够建立影响空气质量指标的_2,_2,_3,_(10),_(2.5),CO这6种污染物的小时均值级别的空气污染物浓度预测模型。本文的主要工作及贡献如下:利用灰色关联分析法与主成分分析法分别对大气污染物浓度预测模型中的输入变量进行筛选,筛选出对预测监测因子浓度影响较大的污染物并建立相关的预测模型。然后基于测试数据,分别对两种预测模型使用MAE、MSE、~2等评价指标对预测模型进行评价。最终验证了基于Tensorflow训练的循环神经网络能较精准地应用于空气污染物的浓度预测。(本文来源于《上海师范大学》期刊2019-06-05）
施喆尔,陈锦秀[4]（2019）在《基于语言模型及循环卷积神经网络的事件检测》一文中研究指出目前,事件检测的难点在于一词多义和多事件句的检测.为了解决这些问题,提出了一个新的基于语言模型的带注意力机制的循环卷积神经网络模型(recurrent and convolutional neural network with attention based on language models,LM-ARCNN).该模型利用语言模型计算输入句子的词向量,将句子的词向量输入长短期记忆网络获取句子级别的特征,并使用注意力机制捕获句子级别特征中与触发词相关性高的特征,最后将这两部分的特征输入到包含多个最大值池化层的卷积神经网络,提取更多上下文有效组块.在ACE2005英文语料库上进行实验,结果表明,该模型的F1值为74.4%,比现有最优的文本嵌入增强模型(DEEB)高0.4%.(本文来源于《厦门大学学报(自然科学版)》期刊2019年03期）
唐雯,高峻逸,马辛宇,张超贺,马连韬[5]（2019）在《循环神经网络模型在腹膜透析临床预后预测中的初步应用》一文中研究指出目的:应用深度学习模型循环神经网络(recurrent neural network,RNN)及其变体门控循环单元(gated recurrent unit,GRU),基于临床真实数据,构建腹膜透析临床预后预测模型,并比较其与医学研究中常用的逻辑回归(logistic regression,LR)模型的预测性能,探索预测结果中可能的医学意义。方法:使用北京大学第叁医院腹膜透析门诊的常规诊疗数据,基于患者在开始透析时的基线数据、随访数据和预后数据构建RNN和GRU预测模型。使用受试者工作特征曲线下面积(area under the ROC curve,AUROC)、召回率(recall)、F1分数(F1-score)叁个指标在测试集上评价比较模型对患者死亡风险的预测效果。结果:共纳入656例患者,其中死亡患者261例,共计13 091条诊断记录。经过十折交叉验证调整超参数并在单独的测试集测试结果显示,LR模型、RNN模型、GRU模型的AUROC分别为0. 701 4、0. 786 0、0. 814 7,RNN和GRU模型的预测性能显着优于传统的LR模型。在召回率和F1分数方面,RNN和GRU模型的性能也均显着优于LR模型,且GRU模型表现最好。进一步分析显示GRU模型在不同预测窗口下对于不同死因或相同死因的召回率不尽相同。结论:RNN模型(尤其是GRU模型)相比于传统医学研究所使用的LR模型,对于腹膜透析临床预后预测具有更佳效果,可能有助于医生早期干预,提高医疗质量,具有很强的临床应用价值。(本文来源于《北京大学学报(医学版)》期刊2019年03期）
岳新玉,刘悦,余志华[6]（2019）在《基于会话信息的多粒度循环神经网络推荐模型》一文中研究指出提出了一种多粒度循环网络推荐模型,通过引入更粗粒度的商品信息来提升模型的泛化能力;同时在模型中还引入注意力机制,利用这一粗粒度信息去监督整个点击序列的学习,通过捕捉用户的注意力信息来更加精准地刻画序列的表达。通过以上两种方法可以更好地提升模型的推荐效果,在YOOCHOOSE数据集上,Recall@20提升5.3%,MRR@20提升9.8%。(本文来源于《山西大学学报(自然科学版)》期刊2019年02期）
吕慧雅[7]（2019）在《基于循环神经网络的兴趣点推荐模型设计与实现》一文中研究指出随着移动设备以及GPS定位技术的发展,越来越多的基于位置的社交网络应用被开发出来。它们积累了大量签到数据,提供了使用深度学习技术执行推荐任务的可能性。兴趣点推荐是基于位置的社交网络中一项非常重要的服务。其不仅能够提升用户体验,还能为服务商带来商业价值。但兴趣点推荐相较于传统的项目推荐具有更大的技术挑战性,主要表现在数据稀疏以及负反馈缺乏、影响因素多和用户偏好的动态变化性与周期性等方面。传统的兴趣点推荐模型关注点大都集中在对用户的签到频率以及签到时间进行建模,或者对通用的推荐方法进行融合时间、地理距离等上下文的改造,很少会关注兴趣点签到序列中体现出的用户前后行为关联,对用户访问偏好的动态变化性和周期性特征的捕获也不尽如人意。本文研究关注到兴趣点签到序列建模问题与自然语言处理之间的相似之处,将兴趣点推荐视为序列感知的推荐问题。首先按一定的序列划分规则将用户的兴趣点签到数据划分为序列,以强化推荐过程中对于用户长、短期偏好等序列特征的关注;然后进行了将循环神经网络结构应用于兴趣点推荐模型的探索,通过引入上下文信息、注意力机制、排名损失函数以及合适的负采样方法来使循环神经网络结构适应兴趣点推荐的具体场景,提出了一种融合上下文信息的兴趣点推荐模型(Context-Aware Point-of-Interest Recommendation Model,CAPR)和一种使用长短期注意力机制的兴趣点推荐模型(Long Short-Attention Point-of-Interest Recommendation Model,LSAPR),并在两个真实数据集上进行了多角度的离线实验;最后,为了验证模型的实际推荐效果,将提出的两个兴趣点推荐模型部署于实际项目中,开发了一个具有导航、签到、推荐等功能的Android应用TourGuide。本文提出的两个模型在两个真实的签到数据集中取得了很好的离线实验结果,并且成功部署到了TourGuide中,在应用中达到了实时个性化的兴趣点推荐效果。(本文来源于《华南理工大学》期刊2019-04-15）
白佳奇[8]（2019）在《具有内部和外部存储的循环神经网络模型的研究》一文中研究指出人工神经网络已经被证实在自然语言处理,语音信号处理,图像处理等领域都有着良好的表现,循环神经网络作为人工神经网络模型的一种,常被用于处理各类时序任务,这主要得益于它对时序信息的记忆能力。记忆作为循环神经网络中最重要的机制之一,在提升网络学习能力方面起着重要作用。一个好的记忆机制可以让网络把输入信号与长期记忆信号相结合,共同参与到输出信号的决策当中,从而提升网络的学习能力。然而,传统的循环神经网络模型并不能进行长期有效的记忆,一方面是由于学习矛盾问题(即:输入矛盾问题,输出矛盾问题,记忆矛盾问题)的影响,使网络很难学习到有用的记忆信号,另一方面是由于网络受到了梯度消失问题和记忆容量问题的影响使其无法进行长期有效的记忆。针对上述问题,本文创新性的提出了两种新型循环神经网络模型,分别是:带有内部记忆单元和外部记忆矩阵的循环神经网络模型(RNN-IEM),和带有门控记忆单元和外部记忆矩阵的循环神经网络模型(RNN-GEM)。总的来说,本文的创新点如下:1.针对传统循环神经网络所面临的记忆矛盾问题,梯度消失问题和记忆容量问题,本文提出了一种带有内部记忆单元和外部记忆矩阵的循环神经网络模型(RNN-IEM)。内部记忆单元由一个线性记忆单元组成,它可以用来单独储存记忆信号,解决记忆矛盾问题的影响。此外,记忆单元的线性设计允许网络的误差信号可以恒定的向之前时刻传播,使网络有能力解决梯度消失问题。外部记忆矩阵用来对模型的记忆信息进行结构化存储,这有效消除了记忆容量问题的影响,增强了网络的记忆能力。此外,本文还结合误差截断技术为提出的模型设计了高效的学习算法,使模型能够在解决上述问题的同时还能够进行高效训练。2.针对传统循环所面临的输入和输出矛盾问题,本文基于提出的RNN-IEM模型,设计了一种具有门控记忆单元和外部记忆矩阵的循环神经网络模型(RNN-GEM),该模型与RNN-IEM模型有着相似的结构,不同之处在于隐含层的结构不同,RNN-GEM模型的隐含层不再由带有内部记忆单元的神经元构成,而是由门控记忆单元构成,门控记忆单元的引入使得模型对输入信息和输出信息的决策不再单一的由权重信号来决定,也把门控单元的影响加入到了其中,这有效解决了输入和输出矛盾问题。此外,为了使提出的RNN-GEM模型能够完成高效的训练,本文为该模型也提出了高效的学习算法,进一步增强了网络的学习能力。最后,本文在Embedded Reber Grammar(ERG)序列生成任务,Synthetic World Model(SWM)问答任务,Language Understanding(LU)实体识别任务叁种不同的任务上对提出的模型进行了实验,实验结果证实了本文提出的模型结合设计的算法,能够在解决上述问题的同时还拥有突出的表现。(本文来源于《西南大学》期刊2019-03-15）
杨善良,孙启[9]（2019）在《基于注意力机制的循环神经网络评价对象抽取模型》一文中研究指出针对评论文本中评价对象的抽取任务,需要设计特征模板,而抽取结果往往受特征模板影响大的问题,提出一种端到端的神经网络评价对象抽取模型。分析条件随机场CRF在评价对象抽取任务中的特征模板设计;使用词向量嵌入模型在语义空间表示词语,并分析注意力机制在神经网络模型中的作用;将条件随机场模型与循环神经网络模型LSTM相结合,形成基于注意力机制的LSTM-CRF-Attention模型。在NLPCC2012和NLPCC2013两个数据集上进行实验,该模型的F值比CRF模型分别提高8.15%和11.03%。实验结果也同时验证词向量具备表示词语特征的能力,注意力机制能够有效提高神经网络模型中的评价对象抽取效果。(本文来源于《计算机应用与软件》期刊2019年03期）
陈红松,陈京九[10]（2019）在《基于循环神经网络的无线网络入侵检测分类模型构建与优化研究》一文中研究指出为提高无线网络入侵检测模型的综合性能,该文将循环神经网络(RNN)算法用于构建无线网络入侵检测分类模型。针对无线网络入侵检测训练数据样本分布不均衡导致分类模型出现过拟合的问题,在对原始数据进行清洗、转换、特征选择等预处理基础上,提出基于窗口的实例选择算法精简训练数据集。对攻击分类模型的网络结构、激活函数和可复用性进行综合优化实验,得到最终优化模型,分类准确率达到98.6699%,综合优化后的运行时间为9.13 s。与其他机器学习算法结果比较,该优化方法在分类准确率和执行效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型。(本文来源于《电子与信息学报》期刊2019年06期）
循环网络模型论文开题报告
（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：
在民航飞行航班量持续攀升的背景下,航班延误对民航生产的影响越来越大,准确有效的航班延误预测能够有效降低延误所带来的不利影响,提高民航生产的运行效率和服务质量。文章通过引入循环神经网络来挖掘航班延误在时间维度上的潜在关系,设计了深度机器学习算法,建立了基于RNN及LSTM单元相混合的延误预测模型,文章所设计模型使用民航空管的历史真实数据,也是对机器学习技术在空管行业应用的有益探索。
（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。
循环网络模型论文参考文献
[1].黄郑,王红星,于海泉,李逗,司风琪.基于多模型鲁棒输入训练神经网络协同的燃气–蒸汽联合循环机组传感器故障诊断方法[J].中国电力.2019
[2].刘亮.基于循环神经网络的航班延误预测模型[J].信息通信.2019
[3].刘蕾.基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D].上海师范大学.2019
[4].施喆尔,陈锦秀.基于语言模型及循环卷积神经网络的事件检测[J].厦门大学学报(自然科学版).2019
[5].唐雯,高峻逸,马辛宇,张超贺,马连韬.循环神经网络模型在腹膜透析临床预后预测中的初步应用[J].北京大学学报(医学版).2019
[6].岳新玉,刘悦,余志华.基于会话信息的多粒度循环神经网络推荐模型[J].山西大学学报(自然科学版).2019
[7].吕慧雅.基于循环神经网络的兴趣点推荐模型设计与实现[D].华南理工大学.2019
[8].白佳奇.具有内部和外部存储的循环神经网络模型的研究[D].西南大学.2019
[9].杨善良,孙启.基于注意力机制的循环神经网络评价对象抽取模型[J].计算机应用与软件.2019
[10].陈红松,陈京九.基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J].电子与信息学报.2019
标签：多模型; 鲁棒输入训练神经网络; 故障诊断; 联合循环;