导读:本文包含了神经网络波形分类论文开题报告文献综述及选题提纲参考文献，主要关键词:激光雷达,回波信号,神经网络,分类
神经网络波形分类论文文献综述
高润苏[1]（2019）在《基于神经网络的波形采样激光雷达信号分类技术研究》一文中研究指出机载激光雷达是一种主动遥感测量工具,在地形测量、大气监测等方面得到广泛应用。其中条纹管激光雷达由于其探测灵敏度高、具备全波形采样能力、数据获取率高等特性而备受关注。条纹管激光雷达测绘时得到大量的回波数据,但同时面临的问题是如何有效处理数据,从中获取需要的信息。因此选用合适的分类技术对回波数据进行加工,提取有用的信息,具有十分重要的意义。神经网络具有自学习、自适应等优势,可实现高度并行处理,在图像分类等领域发挥着重要作用。本文采用神经网络对条纹管激光雷达原始回波信号进行分类处理,获得建筑、平地、坡地和植被等四类地物目标的分类结果。通过对四类目标的典型回波信号对比分析,选取了7项特征作为分类依据,分别是面积、圆形度、连通域个数、灰度标准差、灰度均值、长宽比和质心。在此基础上构建了BP神经网络分类器。从原始回波信号中选取合适的样本,进行特征提取,将信号特征作为输入数据输入BP神经网络分类器。分析了自适应学习率算法、动量梯度下降法、LM算法等6种改进的BP神经网络训练算法,经过对比试验,确定了LM算法作为本文的BP神经网络训练算法。经过多次试验确定BP神经网络模型的隐含层神经元数量、迭代次数等各项参数,对BP神经网络模型进行监督训练和测试,实现了对原始回波信号分类处理的功能。使用混淆矩阵和Kappa系数对搭建好的BP神经网络分类器模型的性能进行评价,分类准确度为96%,Kappa系数为0.95,表明分类器的预测分类结果与实际分类结果具有较好的一致性。最后使用此分类器对条纹管激光雷达外场飞行试验采集的回波信号进行了分类。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
赵明,陈石,Dave,Yuen[2]（2019）在《基于深度学习卷积神经网络的地震波形自动分类与识别》一文中研究指出发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.(本文来源于《地球物理学报》期刊2019年01期）
任晓霞[3]（2018）在《基于Dropout深度卷积神经网络的ST段波形分类算法》一文中研究指出心电信号的ST段波形变化是心肌损伤等心血管类疾病临床诊断的重要辅助手段之一。针对ST段波形分类以及深度卷积神经网络过拟合问题,提出一种基于概率随机舍弃神经元建立子网络的Dropout深度卷积神经网络,通过心电信号数据去噪、ST段候选段筛选、神经网络卷积与下采样运算过程,实现ST段波形样本训练与测试。仿真实验对比分析了算法的波形分类准确率、卷积核个数影响和Dropout对算法泛化能力影响,与专家手工标注、BP、RNN和DCNN等方法进行比较,实验结果表明Dropout DCNN能够有效提高卷积神经网络泛化能力,提升算法的可用性。(本文来源于《传感技术学报》期刊2018年08期）
陈润航,黄汉明,柴慧敏[4]（2018）在《地震和爆破事件源波形信号的卷积神经网络分类研究》一文中研究指出本文首先从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形.在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.每一个事件有107个观测台站,故有107份垂直分量波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份不等.然后提取被留下未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究.(本文来源于《地球物理学进展》期刊2018年04期）
张泾周,张良筱,魏大雪,张光磊[5]（2008）在《基于神经网络的心电信号波形自动分类算法研究》一文中研究指出心电图诊断是临床常规检查之一。医生常常需要分析心电波形形态上的各种特征,做出临床诊断,因此它对心血管疾病具有重要(诊断)价值。通过对心房肥大、心室肥厚、窦性心律紊乱叁类常见心脏疾病的心电图诊断标准分析,采用人工神经网络方法进行心电波形分类算法研究,验证了给出的神经网络算法是可行的。(本文来源于《北京生物医学工程》期刊2008年01期）
丁兴号,邓善熙,赵前程[6]（2003）在《基于小波和神经网络的动态心电波形分类新方法》一文中研究指出利用小波分析提取动态心电波形(DECG)的概貌信息。然后用所得概貌信息作为神经网络的输入,对DECG进行分类。这样一方面可以使神经网络的输入点大大减少,提高了神经网络的分类速度;另一方面也可以看作是对DECG数据的压缩,使数据量大为减少,而其基本的形态特征基本上没有损失,同时还在一定程度上降低了噪声的影响。用MIT数据库中的数据作实验表明所提出的方法简单、易行,分类速度和分类精度都比原有方法提高。(本文来源于《生物物理学报》期刊2003年01期）
胡泽,吴宁,陈伟[7]（1994）在《神经网络BP算法用于叁类基本波形分类时训练样本输入方式的研究》一文中研究指出为了进一步研究神经网络ＢＰ算法用于模式分类时网络的性能，本文采用了四种方式向多层神经网络提供训练样本，并相互进行比较，结果表明：随机输入法和部分输入法的输入方式为较佳，从而说明了训练样本的输入方式对神经网络的性能有着直接的影响．(本文来源于《西南石油学院学报》期刊1994年03期）
神经网络波形分类论文开题报告
（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：
发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.
（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。
神经网络波形分类论文参考文献
[1].高润苏.基于神经网络的波形采样激光雷达信号分类技术研究[D].哈尔滨工业大学.2019
[2].赵明,陈石,Dave,Yuen.基于深度学习卷积神经网络的地震波形自动分类与识别[J].地球物理学报.2019
[3].任晓霞.基于Dropout深度卷积神经网络的ST段波形分类算法[J].传感技术学报.2018
[4].陈润航,黄汉明,柴慧敏.地震和爆破事件源波形信号的卷积神经网络分类研究[J].地球物理学进展.2018
[5].张泾周,张良筱,魏大雪,张光磊.基于神经网络的心电信号波形自动分类算法研究[J].北京生物医学工程.2008
[6].丁兴号,邓善熙,赵前程.基于小波和神经网络的动态心电波形分类新方法[J].生物物理学报.2003
[7].胡泽,吴宁,陈伟.神经网络BP算法用于叁类基本波形分类时训练样本输入方式的研究[J].西南石油学院学报.1994