导读:本文包含了递归学习论文开题报告文献综述及选题提纲参考文献，主要关键词:集中供热,热负荷预测,多步递归预测,机器学习
递归学习论文文献综述
薛普宁,周志刚,蒋毅,陈昕,方修睦[1]（2019）在《基于机器学习的供热系统热负荷多步递归预测》一文中研究指出为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。(本文来源于《煤气与热力》期刊2019年07期）
万新宇,华丽娟,孙淼焱,钟平安[2]（2019）在《基于Elman网络和实时递归学习的洪水预报研究》一文中研究指出流域洪水形成过程异常复杂且动态变化,一般难以用传统的静态神经网络进行描述。然而,具有反馈连接的动态神经网络能够很好地反映洪水过程这种动态变化特征。为此,研究基于Elman动态网络构建流域洪水预报模型,采用具有在线学习功能的实时递归学习算法进行模型训练,并将所建模型和算法运用于淮河水系响洪甸水库的入库洪水实时预报中。结果表明,所建模型预报精度高,实时性强,能够为流域的防洪决策提供支持。(本文来源于《水力发电》期刊2019年04期）
李若晨[3]（2018）在《基于递归神经网络的深度学习模型及其应用》一文中研究指出随着社会以及电力企业的发展,用电量的逐年递增,对于电力系统稳定性的要求也逐年提高。因为电力作为一种特数据二次能源,决定了其不可以被大量的储存。所以既要保证电力可以获得充足的供应,又要保证尽可能的做到节约能源和可持续发展,这使得对于电力负荷预测的准确性的要求逐渐提高。本文充分对比和研究了现阶段的几种神经网络和深度学习模型,分析负荷预测数据的特征,将受限玻尔兹曼机的模型和递归神经网络相结合,在受限玻尔兹曼机的隐含层中加入了递归回路,形成了一种新型的网络模型。然后对模型的结构和算法进行了介绍,并通过实验和对比的方法,利用电力负荷数据对网络进行了预测实验验证并与其它神经网络进行了比较性实验。通过与其他网络模型的对比和结果预测准确性的评判,深入分析并介绍了本文网络在处理具有周期性特征的数据的优势所在,并将应用前景做了分析。通过实验的分析,本文构建的网络可以克服单一网络模型的不足,可以将二者的优点充分结合,在电力负荷预测等方面取得了良好的效果。(本文来源于《华北电力大学》期刊2018-03-01）
付新良[4]（2018）在《《用递归法解决问题》学习工具制作综述》一文中研究指出特色与亮点1.交互式Power Point本学习工具是交互式的Power Point授课方式,可以实现学生全程参与讨论。学习工具采用了Power Point 2016特有的缩放定位功能,可以使课件章节衔接更加流畅,内容更加清晰。2.ISpring suite在线练习本学习工具通过Power Point与iSpring Suite软件的完美融合实现了交互式练习。学生在课堂上(本文来源于《中国信息技术教育》期刊2018年Z1期）
袁天娇,陈艳红,刘四清,龚建村[5]（2018）在《基于深度学习递归神经网络的电离层总电子含量经验预报模型》一文中研究指出利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络(Recurrent Neural Network,RNN),建立提前24h的单站电离层TEC预报模型.对北京站(40°N,115°E)的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络(Back Propagation Neural Network,BPNN)0.49~1.46 TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2 TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36~0.47 TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.(本文来源于《空间科学学报》期刊2018年01期）
刘阳阳,张骏,高欣健,张旭东,高隽[6]（2017）在《基于卷积递归神经网络和核超限学习机的3D目标识别》一文中研究指出针对大规模RGB-D数据集中存在的深度线索质量和非线性模型分类问题,提出基于卷积递归神经网络和核超限学习机的3D目标识别方法.该方法引入深度图编码算法,修正原始深度图中存在的数值丢失和噪声问题,将点云图统一到标准角度,形成深度编码图,并结合原始深度图作为新的深度线索.利用卷积递归神经网络学习不同视觉线索的层次特征,融入双路空间金字塔池化方法,分别处理多线索特征.最后,构建基于核方法的超限学习机作为分类器,实现3D目标识别.实验表明,文中方法有效提高3D目标识别率和分类效率.(本文来源于《模式识别与人工智能》期刊2017年12期）
黄兵明[7]（2017）在《基于改进ELM的递归最小二乘强化学习算法的研究》一文中研究指出强化学习包含了策略评价与策略寻优两个方面的问题,其中策略评价问题在机器学习中又称为预测学习过程,而策略寻优即策略优化问题在机器学习中又被称为控制学习过程,通过正确、成熟的策略评价以及策略迭代技术可实现控制学习,并最终实现最优控制。本文课题分别就策略评价算法以及策略寻优算法两方面展开研究:策略评价方面,针对基于最小二乘函数逼近时序差分算法的快速性以及输出精度和稳定性上进行进一步改善。首先,针对在强化学习问题中基于极限学习机(Extreme learning machine,ELM)的最小二乘时序差分学习算法计算效率低的问题,本文提出采用具有单抑制特性的Softplus激活函数代替传统的Sigmoid函数,用以减少算法计算量。其次,针对传统ELM输入层权值随机的不稳定性问题,在学习过程中加入正则化因子,有效地克服了值函数逼近器的过拟合问题,从而更好地估计值函数真实值。然后,针对样本利用率,加入了资格迹方法,提出基于改进ELM的最小二乘时序差分算法(Least-squares temporal difference learning algorithm based on improvedextreme learning machine,IELM-LSTD)。同时,为了进一步提高计算速度,从算法复杂度角度出发,将递推方法引入到IELM-LSTD算法中,消去最小二乘中的矩阵求逆过程,形成递归最小二乘算法,提出基于改进ELM的递归最小二乘时序差分算法(recursive least-squares temporal difference learning algorithm based on improved extreme learning machine,IELM-RLSTD),有效降低了算法复杂度并提高了在线计算速度。通过广义Hop-word实验以及倒立摆实验,验证了所提算法在计算速度和稳定性上的提高。策略优化方面,在改善策略评价算法的基础上,结合传统的策略迭代技术,提出了基于改进ELM的最小二乘Q(λ)策略寻优算法(Recursive least-squares Q learning algorithm based on improved extreme learning machine,IELM-RLSQ(λ)),除了具有快速性及稳定性外,该算法对Q函数值进行逼近,相比于传统Q(λ)算法,本算法替代了采用表格存储Q值的方法,用以解决更复杂的环境问题。以RPG游戏中寻路过程为实验模型,进行路径策略寻优,实验表明,所提算法在成功解决躲避障碍物问题基础上,实现了最优路径的快速搜索,通过与Q(λ)算法和LSQ(λ)算法的比较,证明了所提算法在学习速率和寻优效果上的提升。(本文来源于《北京化工大学》期刊2017-05-22）
徐圆,黄兵明,贺彦林[8]（2017）在《基于改进ELM的递归最小二乘时序差分强化学习算法及其应用》一文中研究指出针对值函数逼近算法对精度及计算时间等要求,提出了一种基于改进极限学习机的递归最小二乘时序差分强化学习算法。首先,将递推方法引入到最小二乘时序差分强化学习算法中消去最小二乘中的矩阵求逆过程,形成递推最小二乘时序差分强化学习算法,减少算法的复杂度及其计算量。其次,考虑到LSTD(0)算法收敛速度慢,加入资格迹增加样本利用率提高收敛速度的算法,形成LSTD(λ)算法,以保证在经历过相同数量的轨迹后能收敛于真实值。同时,考虑到大部分强化学习问题的值函数是单调的,而传统ELM方法通常运用具有双侧抑制特性的Sigmoid激活函数,增大了计算成本,提出采用具有单侧抑制特性的Softplus激活函数代替传统Sigmoid函数,以减少计算量提高运算速度,使得该算法在提高精度的同时提高了计算速度。通过与传统基于径向基函数的最小二乘强化学习算法和基于极限学习机的最小二乘TD算法在广义Hop-world问题的对比实验,比较结果证明了所提出算法在满足精度的条件下有效提高了计算速度,甚至某些条件下精度比其他两种算法更高。(本文来源于《化工学报》期刊2017年03期）
张玉平[9]（2015）在《递归脉冲神经网络的监督学习及图像识别研究》一文中研究指出近几年来,随着脉冲神经网络及其学习算法研究的快速发展,越来越多的研究结果显示脉冲神经元通过接受、发放脉冲来传输信息和实现功能的工作原理更加接近于真实的生物神经元,基于精确定时的脉冲神经网络成为了神经系统信息处理的有效工具。基于精确定时的脉冲序列编码信息的特点,脉冲神经网络的监督学习目的是通过突触权值的调整使神经网络能够输出脉冲序列,表达特定信息的脉冲序列。基于脉冲精确定时特性的脉冲神经网络拥有更强大的存储和计算机能力,它能够模拟各种神经元信息和任意的连续函数,非常适合于大脑神经信息的处理问题。首先,多数脉冲神经网络学习算法借鉴于人工神经网络中的误差反向传播算法,在此基础上给出了梯度下降的学习规则,提出了一种基于具有反馈的局部递归脉冲神经网络结构的监督学习算法。针对精确定时的脉冲编码,首先定义了多脉冲误差函数。基于梯度下降构建输出层和隐含层,隐含层与递归层神经元之间突触权值的学习规则,实现了递归脉冲神经网络突触权值的自动调整。目前多数基于梯度下降的学习方法只能进行单脉冲的学习,文中分析了其中的原因,构造了适合本文算法的脉冲响应神经元模型,使输出层的神经元能够发放多个脉冲,并且能够用于分类问题。提高了递归脉冲神经网络在解决复杂问题中的应用能力。然后,通过模拟一系列脉冲序列的学习,验证了文中所提递归脉冲神经网络监督学习算法对多种情况脉冲序列的学习能力。在脉冲序列的学习过程中,通过对单脉冲序列的学习,验证了对于给定的输入脉冲序列,递归脉冲神经网络能够训练出一个理想的脉冲序列。接着,通过对多脉冲序列的学习显示了学习一个随机输入脉冲序列模式到多个目标输出脉冲序列的映射的能力。结果显示该算法能够实现脉冲序列复杂时空模式的学习。最后,在多任务脉冲序列的学习过程中展示了该算法对于不同的输入模式能够并行地完成多模式的学习能力。实验结果表明了该递归脉冲神经网络监督学习算法能够有效的完成不同的脉冲序列学习任务,能够实现脉冲序列的复杂时空模式学习。同时,将该算法应用到了对LabelMe图像数据集中部分图像的分类问题,验证了该算法对图像分类问题的求解能力。(本文来源于《西北师范大学》期刊2015-05-01）
卜囡[10]（2014）在《加涅九段式学习法在“用递归法解决问题”教学中的应用探讨》一文中研究指出"用递归法解决问题"是信息技术学科《算法与程序设计(选修)》教材中首屈一指的教学难点。在这个教学中,对学生而言不再是单纯的认知水平的提高或言语信息、心智技能的提升,而是全方位的综合性学习。本文主要探讨了加涅九段式学习法在这个教学中的具体应用。(本文来源于《中国信息技术教育》期刊2014年24期）
递归学习论文开题报告
（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：
流域洪水形成过程异常复杂且动态变化,一般难以用传统的静态神经网络进行描述。然而,具有反馈连接的动态神经网络能够很好地反映洪水过程这种动态变化特征。为此,研究基于Elman动态网络构建流域洪水预报模型,采用具有在线学习功能的实时递归学习算法进行模型训练,并将所建模型和算法运用于淮河水系响洪甸水库的入库洪水实时预报中。结果表明,所建模型预报精度高,实时性强,能够为流域的防洪决策提供支持。
（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。
递归学习论文参考文献
[1].薛普宁,周志刚,蒋毅,陈昕,方修睦.基于机器学习的供热系统热负荷多步递归预测[J].煤气与热力.2019
[2].万新宇,华丽娟,孙淼焱,钟平安.基于Elman网络和实时递归学习的洪水预报研究[J].水力发电.2019
[3].李若晨.基于递归神经网络的深度学习模型及其应用[D].华北电力大学.2018
[4].付新良.《用递归法解决问题》学习工具制作综述[J].中国信息技术教育.2018
[5].袁天娇,陈艳红,刘四清,龚建村.基于深度学习递归神经网络的电离层总电子含量经验预报模型[J].空间科学学报.2018
[6].刘阳阳,张骏,高欣健,张旭东,高隽.基于卷积递归神经网络和核超限学习机的3D目标识别[J].模式识别与人工智能.2017
[7].黄兵明.基于改进ELM的递归最小二乘强化学习算法的研究[D].北京化工大学.2017
[8].徐圆,黄兵明,贺彦林.基于改进ELM的递归最小二乘时序差分强化学习算法及其应用[J].化工学报.2017
[9].张玉平.递归脉冲神经网络的监督学习及图像识别研究[D].西北师范大学.2015
[10].卜囡.加涅九段式学习法在“用递归法解决问题”教学中的应用探讨[J].中国信息技术教育.2014