导读:本文包含了先验知识模型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,知识,模型,图像,自然语言,情感,递归。
先验知识模型论文文献综述
贝超,胡珀[1]（2017）在《语言先验知识对神经网络模型自然语言处理任务的影响》一文中研究指出随着互联网的发展及硬件的更新,神经网络模型被广泛应用于自然语言处理、图像识别等领域。目前,结合传统自然语言处理方法和神经网络模型正日益成为研究的热点。引入先验知识代表了传统方法的惯例,然而它们对基于神经网络模型的自然语言处理任务的影响尚不清楚。鉴于此,该文尝试探究语言层先验知识对基于神经网络模型的若干自然语言处理任务的影响。根据不同任务的特点,比较了不同先验知识和不同输入位置对不同神经网络模型的影响。通过大量的对比实验发现:先验知识并不是对所有任务都适用,在神经网络模型的合适位置加入合适的先验知识方可加快模型的收敛速度,提高相关任务的效果。(本文来源于《中文信息学报》期刊2017年06期）
汤鹏杰,谭云兰,李金忠[2]（2017）在《融合图像场景及物体先验知识的图像描述生成模型》一文中研究指出目的目前基于深度卷积神经网络(CNN)和长短时记忆(LSTM)网络模型进行图像描述的方法一般是用物体类别信息作为先验知识来提取图像CNN特征,忽略了图像中的场景先验知识,造成生成的句子缺乏对场景的准确描述,容易对图像中物体的位置关系等造成误判。针对此问题,设计了融合场景及物体类别先验信息的图像描述生成模型(F-SOCPK),将图像中的场景先验信息和物体类别先验信息融入模型中,协同生成图像的描述句子,提高句子生成质量。方法首先在大规模场景类别数据集Place205上训练CNN-S模型中的参数,使得CNN-S模型能够包含更多的场景先验信息,然后将其中的参数通过迁移学习的方法迁移到CNNd-S中,用于捕捉待描述图像中的场景信息;同时,在大规模物体类别数据集Imagenet上训练CNN-O模型中的参数,然后将其迁移到CNNd-O模型中,用于捕捉图像中的物体信息。提取图像的场景信息和物体信息之后,分别将其送入语言模型LM-S和LMO中;然后将LM-S和LM-O的输出信息通过Softmax函数的变换,得到单词表中每个单词的概率分值;最后使用加权融合方式,计算每个单词的最终分值,取概率最大者所对应的单词作为当前时间步上的输出,最终生成图像的描述句子。结果在MSCOCO、Flickr30k和Flickr8k 3个公开数据集上进行实验。本文设计的模型在反映句子连贯性和准确率的BLEU指标、反映句子中单词的准确率和召回率的METEOR指标及反映语义丰富程度的CIDEr指标等多个性能指标上均超过了单独使用物体类别信息的模型,尤其在Flickr8k数据集上,在CIDEr指标上,比单独基于物体类别的Object-based模型提升了9%,比单独基于场景类别的Scene-based模型提升了近11%。结论本文所提方法效果显着,在基准模型的基础上,性能有了很大提升;与其他主流方法相比,其性能也极为优越。尤其是在较大的数据集上(如MSCOCO),其优势较为明显;但在较小的数据集上(如Flickr8k),其性能还有待于进一步改进。在下一步工作中,将在模型中融入更多的视觉先验信息,如动作类别、物体与物体之间的关系等,进一步提升描述句子的质量。同时,也将结合更多视觉技术,如更深的CNN模型、目标检测、场景理解等,进一步提升句子的准确率。(本文来源于《中国图象图形学报》期刊2017年09期）
鞠铭烨,张登银[3]（2017）在《基于先验知识与大气散射模型的图像增强算法》一文中研究指出针对现有图像增强算法大多不具备处理多种类型降质图像的能力,提出一种基于先验知识与大气散射模型的快速图像增强算法.首先,通过大量实验统计,提出一种新的图像先验—明亮通道先验,即高质量清晰图像中每个像素邻域都极有可能存在白点;随后,对散射模型所存在的缺陷加以改进,并结合明亮通道先验与黑色通道先验,推导出场景反射率的恢复公式;最后,针对黑色通道先验失效情况,提出一种基于可靠性预测的容错机制,以提高其适用范围.实验结果表明:本文算法不但可以有效的突出纹理细节,还具有一定的色调恢复功能,能够处理多种不同类型的降质图像.(本文来源于《电子学报》期刊2017年05期）
贝超[4]（2017）在《语言层先验知识对若干自然语言处理任务中神经网络模型的影响研究》一文中研究指出随着互联网的发展以及计算机硬件的更新,神经网络模型在最近几年发展迅速,已经被广泛应用于图像识别、语音识别等领域,并且应用已经较为成熟。在自然语言处理领域中,神经网络同样也是前沿热点。在此之前,自然语言处理任务大多对自然语言处理方面的知识要求较高,尤其是使用规则的方法,其要求更加高。而基于统计的自然语言处理方法虽然不需要像基于规则的方法对于研究者有较高的语言学要求,但仍然需要具备自然语言处理的各种知识。但在使用神经网络模型处理自然语言处理任务时,并不需要很多自然语言处理各种任务的知识。而是首先使用词向量来表示所输入的文本,再使用神经网络模型提取文本中的特征来完成自然语言处理任务,这只需了解神经网络的知识即可完成大部分自然语言处理的任务。然而,使用神经网络模型处理这些问题时虽然可以适应于各种任务,但是其效果很难超过传统方法,使用神经网络这种模型的原因更多的是在于其简单易用,但其效果只是接近或者达到传统方法。其部分原因很可能是在神经网络模型中加入先验知识还比较少,直接从文本提取特征并未达到预期效果。因此本研究探究语言层先验知识对使用神经网络模型的自然语言处理任务的影响。对于不同任务,我们比较不同先验知识以及不同的先验知识输入位置(不同的先验知识输入位置主要针对机器翻译任务)对于神经网络模型的影响。我们在自然语言处理基本任务、文本分类和机器翻译叁类任务上进行了实验。比较发现,在部分任务上,不同的先验知识对于不同的神经网络模型的影响是不同的。同时,在部分任务上使用合适的神经网络模型,加入恰当的先验知识,可以加快模型收敛,提高模型效果。(本文来源于《华中师范大学》期刊2017-05-01）
娄海川,苏宏业,谢磊[5]（2013）在《融合过程先验知识的递归神经网络模型及其应用》一文中研究指出大部分化工过程具有非线性特性,一般的线性建模方法难以有效应用。针对非线性化工过程动态建模,提出了一种基于过程先验知识的递归神经网络模型,充分发掘化工过程隐含的先验知识,并将这些先验知识以非线性约束的形式嵌入NARMAX结构的前馈神经网络中,同时基于增广拉格朗日乘子法约束处理机制,用PSO-IPOPT混合优化算法对过程先验知识递归神经网络权值进行优化。该过程先验知识递归神经网络模型对非线性化工过程动态建模,不仅有良好的建模精度和预测外推能力,而且能避免零增益的出现和增益反转,确保网络模型在实际应用中的安全性。文中以环管式丙烯聚合反应过程实际工业数据验证了所提网络模型的有效性。(本文来源于《化工学报》期刊2013年05期）
王婉,吴泗宗[6]（2012）在《基于先验知识的消费者认知模型构建与决策分析》一文中研究指出本文在KAP模型的扩展模型知情意行理论模型的基础上构建了零售百货消费者认知对其惠顾与口碑传播意愿影响机理的理论模型,明确了消费者百货店认知的概念,并在消费者百货认知的基础上构建了零售百货消费者认知的产品认知、店址认知、服务认知、促销认知、价格认知及环境认知六个维度;在情的构建了店铺印象、信任两个维度、在意的维度构建了场所认知维度;最后在"行"的维度上构建了惠顾与口碑传播两个维度;在模型中,知信情意四个维度是正相关关系,且顾客介入会对知情维度间关系起到调节作用,自我效能会对情意间关系起到调节作用。(本文来源于《求索》期刊2012年03期）
魏志生,吉阳生,罗春勇,陈家骏[7]（2011）在《加入领域先验知识的产生式情感分类模型》一文中研究指出情感分类是通过分析数据中的情感信息,来预测数据所传递的情感倾向。其中结合语言学词典与产生式分类器构造带有先验知识的分类模型,是一类重要的研究课题。通过研究情感词的领域性和不同权重的特性,提出了一种新的融入情感先验知识的情感分类方法。通过自动分析构造领域相关的情感词及其权重信息,将其作为情感先验知识,融入到产生式分类模型中,得到更适合特定领域的分类模型。实验结果表明,该方法在分类性能上,显着并一致地优于其他结合了领域无关先验知识的产生式分类模型。(本文来源于《计算机科学与探索》期刊2011年12期）
万小萍,顾勇[8]（2011）在《一种基于KPCA和形状先验知识的图像分割模型》一文中研究指出对含有噪声、遮挡和信息缺失的图像进行分割,如果仅使用图像自身信息难以得到满意的结果。因此,本研究提出了一种新的融合图像信息和形状先验知识的可变形模型。在Chen等人的工作基础上,提出用核主元分析(KPCA)代替主元分析(PCA)来捕获形状信息。KPCA能更好地表示形状先验知识,允许待分割的目标形状与先验形状存在较大差异或非线性变形,而PCA需两者足够接近。同时,所用的分割模型包含了图像信息项和形状先验项,充分考虑了在分割过程中平衡全局图像信息和形状先验知识的相互作用。将本研究的模型和基于PCA的分割模型应用于合成图像和医学CT图像,结果表明KPCA更能准确地识别出与先验形状差异较大或背景污染严重的目标物体。(本文来源于《中国生物医学工程学报》期刊2011年04期）
鲜敏[9]（2011）在《基于先验知识模型的乳腺超声图像自动分割技术研究》一文中研究指出乳腺癌是导致女性癌症死亡的第二大病因,严重危害女性健康。超声成像具有无放射性、非侵入性和鉴别良恶性肿瘤的高精确性等优点,目前已作为X射线透视法的一种替代方法被广泛应用于乳腺癌早期诊断。为了给医生的临床诊断过程提供辅助,提高诊断的客观性和准确性,降低漏诊率,同时减少不必要的侵入性治疗,许多计算机辅助诊断(CAD)方法已被广泛应用于乳腺癌诊断过程中。在乳腺超声CAD系统中,乳腺肿瘤分割是其中最关键也是最困难的任务之一。为了提高CAD系统的客观性和准确性,较少操作者干预的自动分割方法是目前的研究热点。感兴趣区域自动精确定位和高效准确的分割方法是目前自动分割算法需要解决的两大难题。本文针对乳腺肿瘤自动分割的两个重要问题,对乳腺组织的解剖学结构及其超声回声特点进行了研究,建立图像空间位置和外观连通性模型,提出了一个肿瘤区域自动定位算法和一个在极大后验概率-马尔科夫随机场(MAP-MRF)分割框架下的融合先验知识约束的自动分割算法。主要内容包括以下两个方面:首先,本文针对目前几种自动定位感兴趣区域(ROI)的方法都依赖某些不灵活的强制性约束,并且不能有效地把肿瘤与低灰度干扰区域区分开等问题,提出了一种基于解剖学结构和位置约束的肿瘤全自动定位方法。该方法根据乳腺超声图像灰度分布自适应地选择全局参考点,采用Mean Shift算法局部迭代定位出种子点,成功地解决了自适应种子点获取问题。结合自动阈值分割结果和自动种子点就可以实现肿瘤区域的自动定位。其次,本文在自动定位肿瘤区域的基础上提出了一种全自动分割方法,该方法建立在MAP-MRF分割框架下,根据超声图像解剖学结构和回声特点,选择了灰度级分布、位置分别建立了外观模型和位置模型。实验表明该全自动分割方法能够有效地消除脂肪、伪影等干扰区对分割结果的影响,能够准确地定位到肿瘤边界。(本文来源于《哈尔滨工业大学》期刊2011-06-01）
薛振磊[10]（2010）在《基于先验知识的数字I/O缓冲器模糊逻辑宏模型》一文中研究指出随着集成电路工作频率的不断提高和尺寸的缩小,高速电路与系统设计时的信号与电源完整性分析变得越来越重要。如何构造精确有效的数字I/O缓冲器宏模型用于系统级的仿真,是信号完整性分析中的重要问题。本文首先介绍了信号与电源完整性分析的基本过程,着重阐述了数字I/O缓冲器模型的重要性,概述了目前使用的IBIS模型,及正在研究的基于电路非线性动态特性严格描述的缓冲器建模方法。本文的主要工作是提出了基于电路先验知识的数字I/O缓冲器模糊逻辑建模方法。用模糊逻辑建立一个问题的模型首先要确定模型的结构,包括规则的条数,采用的隶属函数,及前提与结论的形式;然后通过初始模型的构造与后续学习训练两个步骤确定模型的参数。本文在充分考虑到数字I/O缓冲器输出端结构与工作特性的基础上,提出用于这种场合的TSK模糊逻辑系统结构可以进行简化,简化后的模型复杂度降低,参数明显减少,并且规则的条数与前提部分的参数可以根据驱动器输出端的直流特性进行选择。这大大简化了模型构造过程,使一开始构造出来的初始模型就有较好的逼近精度,后续模型参数的学习训练只需经过少量的迭代。在此基础上,本文进一步将这一方法用于数字缓冲器的电源完整性建模与低压差分LVDS缓冲器的建模。最后通过多个实际缓冲器的建模,说明了本文方法的有效性。(本文来源于《杭州电子科技大学》期刊2010-12-01）
先验知识模型论文开题报告
（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：
目的目前基于深度卷积神经网络(CNN)和长短时记忆(LSTM)网络模型进行图像描述的方法一般是用物体类别信息作为先验知识来提取图像CNN特征,忽略了图像中的场景先验知识,造成生成的句子缺乏对场景的准确描述,容易对图像中物体的位置关系等造成误判。针对此问题,设计了融合场景及物体类别先验信息的图像描述生成模型(F-SOCPK),将图像中的场景先验信息和物体类别先验信息融入模型中,协同生成图像的描述句子,提高句子生成质量。方法首先在大规模场景类别数据集Place205上训练CNN-S模型中的参数,使得CNN-S模型能够包含更多的场景先验信息,然后将其中的参数通过迁移学习的方法迁移到CNNd-S中,用于捕捉待描述图像中的场景信息;同时,在大规模物体类别数据集Imagenet上训练CNN-O模型中的参数,然后将其迁移到CNNd-O模型中,用于捕捉图像中的物体信息。提取图像的场景信息和物体信息之后,分别将其送入语言模型LM-S和LMO中;然后将LM-S和LM-O的输出信息通过Softmax函数的变换,得到单词表中每个单词的概率分值;最后使用加权融合方式,计算每个单词的最终分值,取概率最大者所对应的单词作为当前时间步上的输出,最终生成图像的描述句子。结果在MSCOCO、Flickr30k和Flickr8k 3个公开数据集上进行实验。本文设计的模型在反映句子连贯性和准确率的BLEU指标、反映句子中单词的准确率和召回率的METEOR指标及反映语义丰富程度的CIDEr指标等多个性能指标上均超过了单独使用物体类别信息的模型,尤其在Flickr8k数据集上,在CIDEr指标上,比单独基于物体类别的Object-based模型提升了9%,比单独基于场景类别的Scene-based模型提升了近11%。结论本文所提方法效果显着,在基准模型的基础上,性能有了很大提升;与其他主流方法相比,其性能也极为优越。尤其是在较大的数据集上(如MSCOCO),其优势较为明显;但在较小的数据集上(如Flickr8k),其性能还有待于进一步改进。在下一步工作中,将在模型中融入更多的视觉先验信息,如动作类别、物体与物体之间的关系等,进一步提升描述句子的质量。同时,也将结合更多视觉技术,如更深的CNN模型、目标检测、场景理解等,进一步提升句子的准确率。
（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。
先验知识模型论文参考文献
[1].贝超,胡珀.语言先验知识对神经网络模型自然语言处理任务的影响[J].中文信息学报.2017
[2].汤鹏杰,谭云兰,李金忠.融合图像场景及物体先验知识的图像描述生成模型[J].中国图象图形学报.2017
[3].鞠铭烨,张登银.基于先验知识与大气散射模型的图像增强算法[J].电子学报.2017
[4].贝超.语言层先验知识对若干自然语言处理任务中神经网络模型的影响研究[D].华中师范大学.2017
[5].娄海川,苏宏业,谢磊.融合过程先验知识的递归神经网络模型及其应用[J].化工学报.2013
[6].王婉,吴泗宗.基于先验知识的消费者认知模型构建与决策分析[J].求索.2012
[7].魏志生,吉阳生,罗春勇,陈家骏.加入领域先验知识的产生式情感分类模型[J].计算机科学与探索.2011
[8].万小萍,顾勇.一种基于KPCA和形状先验知识的图像分割模型[J].中国生物医学工程学报.2011
[9].鲜敏.基于先验知识模型的乳腺超声图像自动分割技术研究[D].哈尔滨工业大学.2011
[10].薛振磊.基于先验知识的数字I/O缓冲器模糊逻辑宏模型[D].杭州电子科技大学.2010
论文知识图
