导读:本文包含了样本训练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:样本,神经网络,遥感,卷积,目标,电信号,向量。
样本训练论文文献综述
张洪胜,丁永红[1]（2019）在《基于混合样本训练的并行层迭支持向量机研究》一文中研究指出层迭支持向量机将原始数据集随机划分为多个子集,对数据子集采取并行训练,可以有效提高分类器的训练效率。但其在将原始数据随机划分为多个训练子集时,可能会给各并行节点带来文本信息结构的不均衡,进而影响分类器的最终分类效果。提出了一种基于混合样本训练子分类器的训练模型,实验表明,基于混合样本训练的层迭支持向量机,可以较好地解决训练样本信息结构不均衡问题,保证层迭训练得到的分类器具有较好的精确度和稳定性。(本文来源于《金陵科技学院学报》期刊2019年03期）
郭敏,曾颖明,于然,吴朝雄[2]（2019）在《基于对抗训练和VAE样本修复的对抗攻击防御技术研究》一文中研究指出人工智能系统面临着来自物理世界的对抗性欺骗攻击的威胁,人工智能算法对这种攻击十分敏感。以目标识别为例,攻击者在样本数据上添加十分微小的扰动,即可达到降低目标识别准确率甚至有目标地诱导识别结果的目的。如何有效抵御对抗样本威胁成为业界的一个研究热点。文章重点研究了基于随机对抗训练的智能计算模型安全加固技术和基于变分自编码器的异常样本修复技术,针对对抗样本攻击进行事前主动加固和事后及时修复,结合"主动+被动"的理念实现人工智能算法的安全增强,确保人工智能技术安全、可靠地落地应用。(本文来源于《信息网络安全》期刊2019年09期）
樊东东,李强子,王红岩,张源,杜鑫[3]（2019）在《通过训练样本采样处理改善小宗作物遥感识别精度》一文中研究指出训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。(本文来源于《遥感学报》期刊2019年04期）
李海涛,戴莉莉,顾海燕,杨懿,韩颜顺[4]（2019）在《样本尺寸对遥感影像FCN训练模型的影响分析》一文中研究指出针对如何选择合适尺寸的影像样本来得到较好的网络模型这一问题,该文基于全卷积神经网络(FCN)的遥感影像分类方法,开展了不同样本尺寸下的网络模型训练实验,分析了样本尺寸分别为128、256、512像素大小时对FCN网络模型的影响。结果表明:512像素×512像素大小样本尺寸下像素准确率、平均准确率、平均交叉联合度量和带权交叉联合度量4个评价指标的精度值均高于128像素×128像素和256像素×256像素大小的值,比128像素×128像素样本尺寸平均高出20%以上,比256像素×256像素样本尺寸高出10%以上,因此,在计算机内存允许范围内采用大尺寸样本进行网络模型的训练,有利于提高模型训练精度,可得到更好的分类结果。(本文来源于《测绘科学》期刊2019年06期）
李炳聪[5]（2019）在《用正则的方法在正样本和无标签样本上训练二分类器》一文中研究指出正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。(本文来源于《信息与电脑(理论版)》期刊2019年05期）
阮晶[6]（2019）在《运动想象BCI导联优化与训练样本质量评估方法研究》一文中研究指出非植入式脑-机接口(Brain-Computer Interface,BCI)通过采集和解码人体生物电信号并转换成外部设备控制命令,可以为思维功能正常但运动功能障碍的人群提供与外部设备直接交流的新方式,且不依赖于传统的肌肉神经传输系统。脑电信号(Electroencephalography,EEG)由于采集相对方便、安全面被广泛应用于BCI系统中。然而在EEG信号采集过程中,不可避免的会出现伪迹或环境噪声干扰,且由于容体积传导,EEG的空间分辨率和信噪比低。独立分量分析(Independent Component Analysis,ICA)作为一种有效的空域滤波方法,被广泛的应用于BCI的消噪和特征提取中,可以提高EEG信号的信噪比。但是基于ICA的运动想象BCI系统(ICA-based Motor Imagery BCI,ICA-MIBCI)对导联分布和训练样本质量比较敏感,这将影响对运动想象EEG信号(Motor Imagery EEG,MIEEG)的有效分类。为了降低导联分布和数据质量对BCI系统的影响,提高系统性能,论文研究了基于独立分量分析的运动想象BCI系统导联优化算法和训练数据质量评估方法,具体内容如下:(1)设计了基于单次实验样本的ICA-MIBCI系统。该系统可以将所有单次实验样本的自测试结果按照识别率高低进行排序,然后选择前10个单次实验样本进行拼接作为导联选择阶段的ICA滤波器训练样本,从而减少了训练样本质量对最优导联选择的影响。(2)研究了基于ICA-MIBCI的导联优化方法。由于最优导联具有个体差异性,即使同一受试者在不同实验环境下采集的MIEEG数据最优导联也会有差异。如果不加选择的使用固定导联会导致系统性能明显下降,因此本文提出了基于ICA-MIBCI的导联优化方法。首先,根据常用的导联组合建立基于单次实验样本的ICA-MIBCI系统和共同空间模式MIBCI系统(Common Spatial Pattern based MIBCI,CSP-MIBCI)。基于选择的滤波器训练数据,每个候选导联组合设计ICA空域滤波器并应用到对应的MIBCI系统中,根据自测试识别率选择识别率最高的候选导联组合作为最优导联组合。实验结果显示,导联优化后,自测试、组间测试和不同被试之间测试平均识别率分别达到93.8%,87.7%和94%,相比较于导联优化前分别提高了 8.5%,9.5%和26.7%,相较于CSP分别提升了 2.8%,14.4%和36.2%。实验结果验证了所提方法的有效性。(3)提出了一种基于识别率矩阵图的脑电信号质量评估方法。由于脑电信号是强背景噪声下的微弱信号,通常含有大量非脑神经活动产生的伪迹干扰及噪声干扰。这些干扰的幅值往往高于EEG信号幅值且频谱与EEG信号存在重迭现象,从而导致采集到的信号出现质量问题,严重影响EEG信号的分类和外部设备的控制。准确地对信号质量进行评估有利于选择合适的EEG数据,提高系统的性能。因此,本文提出了一种EEG信号质量评估方法。首先设计识别率矩阵图,基于识别率矩阵图选取若干信号质量参数并设置合适的阈值。采用阈值评估法对32组EEG数据质量进行分类并根据人工标注的数据质量标签得出识别率。实验结果表明,本文提出的数据质量评估方法具有一定的有效性,其中最高平均识别率达到了91.6%。(本文来源于《安徽大学》期刊2019-02-01）
何刚,袁秀娟,张伟,阎石[7]（2019）在《基于镜像脸的FLDA单训练样本人脸识别方法》一文中研究指出Fisher线性判别分析(FLDA)是一种经典的基于特征提取的人脸识别方法。然而,在每类单训练样本时,FLDA无法对类内变化进行测量,因而无法使用。论文针对这一问题提出了一种新颖的解决方法,即通过利用每类已有的单个训练样本脸部图像获取其镜像图像,扩充原始训练样本集,从而解决原来在每类单训练样本情况下类内散布矩阵为零矩阵的问题。通过利用原始脸部图像和其镜像脸部图像计算出类内和类间散布矩阵,然后利用FLDA算法思想提取辨别性面部特征进而实现正确的分类和识别。实验结果表明,所提出的方法简单且高效,能够实现比现有方案更高的识别精度。(本文来源于《计算机与数字工程》期刊2019年01期）
王子旗,何锦雯,蒋良孝[8]（2019）在《基于冗余度的KNN训练样本裁剪新算法》一文中研究指出作为数据挖掘领域十大算法之一,K-近邻算法(K-Nearest-Neighbor,KNN)因具有非参数、无需训练时间、简单有效等特点而得到广泛应用。然而,KNN算法在面对高维的大训练样本集时,分类时间复杂度高的问题成为其应用的瓶颈。另外,因训练样本的类分布不均匀而导致的类不平衡问题也会影响其分类性能。针对这两个问题,提出了一种基于冗余度的KNN分类器训练样本裁剪新算法(简记为RBKNN)。RBKNN通过引入训练样本集预处理过程,对每个训练样本进行冗余度计算,并随机裁剪掉部分高冗余度的训练样本,从而达到减小训练样本规模、均衡样本分布的目的。实验结果表明,RBKNN可在保持或改善分类精度的前提下显着提升KNN的分类效率。(本文来源于《计算机工程与应用》期刊2019年22期）
黎炎,李哲,陈扬,王剑,胡丹晖[9]（2018）在《训练样本不足时雷达扩展目标检测方法》一文中研究指出为了降低对训练样本的需求,针对雷达扩展目标检测问题,该文提出了降秩广义似然比检验(R-GLRT)检测器和降秩Wald(R-Wald)检测器。利用噪声子空间对应的特征矩阵代替采样协方差矩阵,降低了训练样本不足时小训练样本带来的估计误差。仿真结果表明,当训练样本不足时,所提出的降秩检测器能够提供较高的检测概率,且R-GLRT检测器具有比R-Wald检测器更高的检测概率;当训练样本充足时,与常规自适应检测器相比,2种降秩检测器也能够提供较高的检测概率。(本文来源于《南京理工大学学报》期刊2018年06期）
吴国强,白涛,王诗源,季飞,黄坤[10]（2018）在《基于迁移学习小样本训练的SAR目标识别》一文中研究指出传统的深度神经网络在训练的过程中,需要的样本数量大,训练时间长,难以收敛。由于SAR目标数据获取的成本高,成像质量较差,使传统的深度神经网络,在针对SAR目标的训练过程中,得到的网络很难以收敛。本文提出了一种基于迁移学习的SAR目标识别方式,该方式需要少量的训练样本,少量的训练次数,即可完成对目标的训练。迁移学习可以将一个训练好的网络迁移到一个全新的网络里,而不需要为了一个特定的任务去从头训练一个神经网络。同时也能达到97.8%的准确率,能有有效迅速的完成对SAR目标的识别工作。(本文来源于《第十五届中国航天电子技术研究院学术交流会优秀论文集》期刊2018-12-13）
样本训练论文开题报告
（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：
人工智能系统面临着来自物理世界的对抗性欺骗攻击的威胁,人工智能算法对这种攻击十分敏感。以目标识别为例,攻击者在样本数据上添加十分微小的扰动,即可达到降低目标识别准确率甚至有目标地诱导识别结果的目的。如何有效抵御对抗样本威胁成为业界的一个研究热点。文章重点研究了基于随机对抗训练的智能计算模型安全加固技术和基于变分自编码器的异常样本修复技术,针对对抗样本攻击进行事前主动加固和事后及时修复,结合"主动+被动"的理念实现人工智能算法的安全增强,确保人工智能技术安全、可靠地落地应用。
（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。
样本训练论文参考文献
[1].张洪胜,丁永红.基于混合样本训练的并行层迭支持向量机研究[J].金陵科技学院学报.2019
[2].郭敏,曾颖明,于然,吴朝雄.基于对抗训练和VAE样本修复的对抗攻击防御技术研究[J].信息网络安全.2019
[3].樊东东,李强子,王红岩,张源,杜鑫.通过训练样本采样处理改善小宗作物遥感识别精度[J].遥感学报.2019
[4].李海涛,戴莉莉,顾海燕,杨懿,韩颜顺.样本尺寸对遥感影像FCN训练模型的影响分析[J].测绘科学.2019
[5].李炳聪.用正则的方法在正样本和无标签样本上训练二分类器[J].信息与电脑(理论版).2019
[6].阮晶.运动想象BCI导联优化与训练样本质量评估方法研究[D].安徽大学.2019
[7].何刚,袁秀娟,张伟,阎石.基于镜像脸的FLDA单训练样本人脸识别方法[J].计算机与数字工程.2019
[8].王子旗,何锦雯,蒋良孝.基于冗余度的KNN训练样本裁剪新算法[J].计算机工程与应用.2019
[9].黎炎,李哲,陈扬,王剑,胡丹晖.训练样本不足时雷达扩展目标检测方法[J].南京理工大学学报.2018
[10].吴国强,白涛,王诗源,季飞,黄坤.基于迁移学习小样本训练的SAR目标识别[C].第十五届中国航天电子技术研究院学术交流会优秀论文集.2018
论文知识图
