导读:本文包含了加速梯度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:梯度,正定,割线,目标,直方图,方案,磁共振。
加速梯度论文文献综述
蔡访,丘志浪,苏适,朱燕杰,王海峰[1]（2019）在《基于图形处理器加速Wave-CAIPI重建的改进共轭梯度法》一文中研究指出Wave-CAIPI是一种利用多通道线圈和k空间螺旋轨迹采样来加速磁共振成像的新3D成像方法。然而,Wave-CAIPI采集的3D数据对于重建计算是巨大的。为了加速重建过程,该文使用基于图形处理器改进的共轭梯度算法实现了Wave-CAIPI重建,减少了重建时间。水模数据集和体内人脑数据集的实验表明,基于图形处理器的Wave-CAIPI重建可以获得与传统基于中央处理器的WaveCAIPI重建类似的图像结果,且重建效率显着提升。(本文来源于《集成技术》期刊2019年06期）
陈晓旭,钱慧,李方舒[2]（2019）在《梯度方向直方图的嵌入式GPU并行加速计算》一文中研究指出本文针对HOG算法进行特征计算过程中,计算复杂度高和耗时长的问题,提出了基于GPU并行架构的加速算法。该算法依次分析了HOG算子中梯度计算、梯度投票和归一化叁个步骤的特点,结合CUDA的GPU架构特性,对它们进行了并行化设计。(本文来源于《有线电视技术》期刊2019年05期）
林海婵[3]（2019）在《对加速自适应Perry-共轭梯度法全局收敛性的进一步研究》一文中研究指出提出了一类有效的求解大规模优化问题的共轭梯度法(AGGSSV),但其全局收敛性是在目标函数为一致凸的条件下成立,研究了目标函数不是凸函数的条件下,共轭梯度法(AGGSSV)的全局收敛性.(本文来源于《海南大学学报(自然科学版)》期刊2019年02期）
周鑫[4]（2019）在《加速自适应Perry共轭梯度法的进一步研究》一文中研究指出本文提出了一种改进的加速自适应Perry共轭梯度算法.该算法在加速自适应Perry共轭梯度算法的基础上,结合了一种新的割线方程.当目标函数是一般函数的情况下,算法仍能满足全局收敛性.此外,在目标函数是强凸的假设下,算法还是R-线性收敛的.数值试验的结果表明,该算法在实际计算中是有效的.(本文来源于《海南大学》期刊2019-05-01）
李文武,孙书为,郭阳[5]（2019）在《基于梯度的H.265/HEVC帧内预测硬件加速算法研究》一文中研究指出HEVC即H.265,是目前最新的视频编码标准。相比于前一代视频编码标准,H.265/HEVC虽然能够明显改善视频压缩效率,但是却带来了更高的计算复杂度,尤其是在帧内预测过程中。为了解决这个问题,提出一种基于梯度的帧内预测硬件加速算法来跳过一些帧内预测模式和划分深度的预测过程,从而达到减少计算的目的。利用图像梯度信息来粗略估计编码单元的纹理方向和纹理复杂度,其中纹理方向用来估计编码单元的最优帧内预测方向,纹理复杂度用来判断是否跳过当前划分深度的预测编码过程。实验表明,相比于H.265/HEVC测试模型HM16.18,本文提出的算法能够减少60.59%的编码时间,仅造成0.38dB的BD-PSNR减少和8.52%的BD-Rate增加。(本文来源于《计算机工程与科学》期刊2019年04期）
吴敏,许仙明,陈艳,黄灿英[6]（2018）在《基于加速梯度投影法的谐波源定位方法》一文中研究指出针对传统谐波源定位计算复杂且精度低的问题,结合考虑到谐波源分布的稀疏性,提出了一种基于加速梯度投影法的谐波源定位方法.以节点的注入谐波电流为状态量,以支路的谐波电流为量测量建立谐波源定位约束二次规划模型,并基于滞后最速下降法来求解加速梯度投影问题.该方法能自动选取动量参数,只需要较少的测量值即可快速定位谐波源,显着提高收敛速度.在不同噪声干扰条件下的仿真实验结果表明,提出的方法能获得更高的谐波源定位精度,且具有一定的抗噪声能力.(本文来源于《沈阳工业大学学报》期刊2018年06期）
秦宁宁,陈肯,孙文心[7]（2018）在《传感器网络中阈值Nesterov加速梯度下降定位方法》一文中研究指出在传感器网络定位问题中,利用接收信号强度RSSI(Received Signal Strength Indication)的定位方法存在着接收信号传播不稳定,定位精度较低的问题。为解决该问题,提出了一种基于阈值Nesterov加速梯度下降NAGT(Nesterov Accelerated Gradient Descent with Threshold)的RSSI定位算法。算法引入Nesterov思想,不断更新寻优动量,以达到损失函数最小,从而求取对应的未知基站坐标,通过增设阈值,降低了算法陷入局部最优的概率。经仿真比较分析,NAGT方法相对于粒子群算法与随机梯度法,在定位精度与效率上有着较为明显的优势。(本文来源于《传感技术学报》期刊2018年07期）
仰迪,白延琴,李倩[8]（2018）在《半监督距离度量学习的内蕴加速投影梯度算法》一文中研究指出考虑求解一类半监督距离度量学习问题.由于样本集(数据库)的规模与复杂性的激增,在考虑距离度量学习问题时,必须考虑学习来的距离度量矩阵具有稀疏性的特点.因此,在现有的距离度量学习模型中,增加了学习矩阵的稀疏约束.为了便于模型求解,稀疏约束应用了Frobenius范数约束.进一步,通过罚函数方法将Frobenius范数约束罚到目标函数,使得具有稀疏约束的模型转化成无约束优化问题.为了求解问题,提出了正定矩阵群上加速投影梯度算法,克服了矩阵群上不能直接进行线性组合的困难,并分析了算法的收敛性.最后通过UCI数据库的分类问题的例子,进行了数值实验,数值实验的结果说明了学习矩阵的稀疏性以及加速投影梯度算法的有效性.(本文来源于《运筹学学报》期刊2018年02期）
李瑞涵,王耀南,谭建豪[9]（2018）在《Nesterov加速梯度无人机姿态融合算法》一文中研究指出传统的无人机梯度下降姿态融合算法的步长难以确定,收敛较慢,动态性能较差,并且对于非重力加速度敏感.针对上述不足,提出了一种Nesterov加速梯度姿态融合方法,融合加速度计与陀螺仪数据并对非重力加速度作抑制处理;利用Pixhawk开源飞控实验平台进行多组对比试验.实验结果表明,Nesterov加速梯度姿态融合算法在机体静止时误差在0.05?之内,在水平滑动实验中产生的误差在0.5?之内,在绕轴转动实验中角度跟随性好、无明显滞后,在实际飞行实验中也获得了良好的实验结果.因此,Nesterov加速梯度姿态融合算法收敛速度明显优于普通梯度下降姿态解算法,抑制非重力加速度的能力明显优于互补滤波与梯度下降法,可有效跟踪无人机的真实姿态变化.(本文来源于《机器人》期刊2018年06期）
杨欣,夏斯军,刘冬雪,费树岷,胡银记[10]（2018）在《跟踪-学习-检测框架下改进加速梯度的目标跟踪》一文中研究指出单目标持久跟踪的主要难点是由于目标姿态、相似背景及遮挡等因素而导致的漂移问题。基于此提出了一种改进L1APG(L1tracker using accelerated proximal gradient approach)的目标-学习-检测(TLD)目标跟踪算法。首先,在L1APG跟踪器中加入遮挡检测判断;其次,将遮挡程度转换为目标模板和背景模板系数的权重;最后,用改进的L1APG跟踪器取代传统TLD框架中的跟踪器,自适应地根据遮挡程度改变模板系数,从而有效地提高了跟踪效果。实验表明:本文算法与传统TLD跟踪框架相比,能更好地处理遮挡和漂移问题,具有较好的稳定性和鲁棒性。(本文来源于《吉林大学学报(工学版)》期刊2018年02期）
加速梯度论文开题报告
（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：
本文针对HOG算法进行特征计算过程中,计算复杂度高和耗时长的问题,提出了基于GPU并行架构的加速算法。该算法依次分析了HOG算子中梯度计算、梯度投票和归一化叁个步骤的特点,结合CUDA的GPU架构特性,对它们进行了并行化设计。
（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。
加速梯度论文参考文献
[1].蔡访,丘志浪,苏适,朱燕杰,王海峰.基于图形处理器加速Wave-CAIPI重建的改进共轭梯度法[J].集成技术.2019
[2].陈晓旭,钱慧,李方舒.梯度方向直方图的嵌入式GPU并行加速计算[J].有线电视技术.2019
[3].林海婵.对加速自适应Perry-共轭梯度法全局收敛性的进一步研究[J].海南大学学报(自然科学版).2019
[4].周鑫.加速自适应Perry共轭梯度法的进一步研究[D].海南大学.2019
[5].李文武,孙书为,郭阳.基于梯度的H.265/HEVC帧内预测硬件加速算法研究[J].计算机工程与科学.2019
[6].吴敏,许仙明,陈艳,黄灿英.基于加速梯度投影法的谐波源定位方法[J].沈阳工业大学学报.2018
[7].秦宁宁,陈肯,孙文心.传感器网络中阈值Nesterov加速梯度下降定位方法[J].传感技术学报.2018
[8].仰迪,白延琴,李倩.半监督距离度量学习的内蕴加速投影梯度算法[J].运筹学学报.2018
[9].李瑞涵,王耀南,谭建豪.Nesterov加速梯度无人机姿态融合算法[J].机器人.2018
[10].杨欣,夏斯军,刘冬雪,费树岷,胡银记.跟踪-学习-检测框架下改进加速梯度的目标跟踪[J].吉林大学学报(工学版).2018
论文知识图
