导读:本文包含了网络单元论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,边缘计算,硬件加速器,运算单元
网络单元论文文献综述
江凯,刘志哲,修于杰,田映辉,赵晨旭[1]（2019）在《基于卷积神经网络加速运算单元设计》一文中研究指出为实现卷积神经网络在边缘计算中的应用,需借助专用的硬件加速器来对其卷积、池化和全连接等运算进行加速。由于运算单元是加速器的核心部件,提出一种可用于卷积神经网络加速的运算单元,并完成其硬件代码的设计。通过对单个运算单元进行功能拓展,实现运算单元矩阵的应用。在搭建的功能验证环境下,对设计进行仿真,并将仿真值与理论值进行比对,完成运算单元及其矩阵的功能验证。仿真结果表明,单个运算单元能有效完成卷积神经网络中卷积、池化和全连接等运算,运算单元矩阵可极大地提升图像处理的速度。(本文来源于《计算机工程与设计》期刊2019年12期）
刘松,彭勇,邵毅明,宋乾坤[2]（2019）在《基于门控递归单元神经网络的高速公路行程时间预测》一文中研究指出为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.(本文来源于《应用数学和力学》期刊2019年11期）
刁云鹏,司瑞才,王松寒,金春林[3]（2019）在《基于BP神经网络的超临界火电单元机组负荷系统建模研究》一文中研究指出针对火电单元机组大范围变负荷、变工况发生时,超临界火电单元机组的控制品质变差,机组负荷、主蒸汽压力等参数难以满足工程需要的问题,基于较为先进的BP神经网络建模方法,对600 MW超临界火电单元机组进行了数学模型的建立。仿真结果表明,网络的输出值与实际模型的输出值间的误差在允许范围内,BP神经网络可有效逼近超临界火电单元机组模型。(本文来源于《吉林电力》期刊2019年05期）
杨志展[4]（2019）在《网络环境下小学中高年级语文单元教学模式分析》一文中研究指出当前新课程语文教育标准改革进程的不断深入,义务教育的小学3年级至小学6年级的小学中高年级的教育内容赋予了极大的重视。当前互联网时代的大势所趋指引之下,广泛借助互联网环境的有利机遇背景,充分结合当前小学3年级至小学6年级学习阶段的学生语文单元教学模式,进一步推动小学中高年级义务教育标准的实施。本文通过深入探究分析实际小学3年级至小学6年级语文单元教学模式实际案例,归纳总结出当前互联网环境的时代背景要求下的小学3年级至小学6年级语文教学应用。(本文来源于《考试周刊》期刊2019年81期）
俞永飞[5]（2019）在《试析局域环境下计算机网络线路循环单元控制技术》一文中研究指出局域网的发展还存在一些问题,设计并应用计算机网络线路循环单元控制技术,为局域网在不同技术领域的发展提供路径。主要有建立防火墙、对网络信息进行入侵检测和执行循环单元控制系统叁个步骤,并针对设计的技术进行仿真实验,证明了局域环境下计算机网络线路循环单元控制技术较传统的技术有较高的有效性。(本文来源于《黑河学院学报》期刊2019年09期）
张政,何山,贺靖淇[6]（2019）在《基于长短时记忆单元和卷积神经网络混合神经网络模型的视频着色方法》一文中研究指出视频可以看作是连续的视频帧图像组成的序列,视频彩色化的实质是对图像进行彩色化处理,但由于视频的长期序列性,若直接将现有的图像着色方法应用到视频彩色化上极易产生抖动或闪烁现象。针对这个问题,提出一种结合长短时记忆(LSTM)和卷积神经网络(CNN)的混合神经网络模型用于视频的着色。该方法用CNN提取视频帧的语义特征,同时使用LSTM单元学习灰度视频的时序信息,保证视频的时空一致性,然后融合局部语义特征和时序特征,生成最终的彩色视频帧序列。通过对实验结果的定量分析和用户研究表明,该方法在视频彩色化上实现了较好的效果。(本文来源于《计算机应用》期刊2019年09期）
魏海文,郭业才[7]（2019）在《门控递归单元神经网络坐标变换盲均衡算法》一文中研究指出针对数字信号传输过程中的码间干扰问题,提出了门控递归单元神经网络坐标变换盲均衡算法(GRUNN-CT-CMA).首先,在递归神经网络基础上加入门控结构,使门控递归单元神经网络(GRUNN)对长时间跨度信息的感知能力更强、记忆力更持久.其次,在GRUNN中引入坐标变换得到的盲均衡算法,进一步降低了稳态误差、加快了代价函数收敛速度.结果表明,与常模盲均衡算法(CMA)和延迟单元递归神经网络盲均衡算法(BRNN-CMA)相比,GRUNN-CT-CMA在均衡高阶多模信号时,稳态误差最小、收敛速度最快、输出信号星座图最清晰.(本文来源于《微电子学与计算机》期刊2019年09期）
汤勇力,周小林,胡欣悦[8]（2019）在《跨国研发网络中研发单元的角色演变——以华为公司为例》一文中研究指出采用1999—2015年华为公司PCT专利数据,运用社会网络分析方法构建分阶段的跨国研发网络模型,考察研发单元在网络中所扮演的角色,并着重探究守门人角色的演变路径。分析结果表明:华为公司跨国研发网络内的研发单元各自扮演着不同角色,但尚未明显地涌现外部导向型研发单元;除不活跃研发单元外,守门人与内部导向型研发单元构成了跨国研发网络中的主体;研发单元守门人角色的形成主要遵循"不活跃单元-内部导向型-守门人"的路径。通过识别华为公司跨国研发网络中研发单元角色的演变路径,可为企业在研发国际化实践中制定知识获取策略提供经验借鉴。(本文来源于《技术经济》期刊2019年08期）
韩桂华,赵玉秀,施玉春,刘家春[9]（2019）在《液压位置驱动单元的神经网络辨识》一文中研究指出针对线性微分方程数学模型不能反映实际系统的问题,采用Elman网络对四足机器人液压位置驱动单元进行动态神经网络辨识研究。为了减小Elman网络输出与期望输出之间的误差,采用拟牛顿算法BFGS和自适应学习率算法GDX对网络的权值进行修正,并采用均方误差(MeanSquareError,MSE)与归一化均方误差(NormalizedMean Square Error, NMSE)修正误差函数。基于辨识模型设计BP神经网络来修正PID参数。实验结果表明,辨识模型数据与实验数据拟合精度高,且基于辨识模型的BP神经网络PID算法控制有效,进一步验证辨识模型的有效性。(本文来源于《控制工程》期刊2019年08期）
陈蕾[10]（2019）在《网络环境下的语文单元整合教学》一文中研究指出随着新课改的推行,高效课堂的理念越来越得到大家的关注,而单元整合教学,也是语文教学的大势所趋。同时,网络化元素融入课堂也让课堂出现了新的生机和活力,而网络环境下的单元整合教学更能让学生在综合性的学习中获得丰富的知识。(本文来源于《小学生作文辅导(语文园地)》期刊2019年08期）
网络单元论文开题报告
（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：
为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.
（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。
网络单元论文参考文献
[1].江凯,刘志哲,修于杰,田映辉,赵晨旭.基于卷积神经网络加速运算单元设计[J].计算机工程与设计.2019
[2].刘松,彭勇,邵毅明,宋乾坤.基于门控递归单元神经网络的高速公路行程时间预测[J].应用数学和力学.2019
[3].刁云鹏,司瑞才,王松寒,金春林.基于BP神经网络的超临界火电单元机组负荷系统建模研究[J].吉林电力.2019
[4].杨志展.网络环境下小学中高年级语文单元教学模式分析[J].考试周刊.2019
[5].俞永飞.试析局域环境下计算机网络线路循环单元控制技术[J].黑河学院学报.2019
[6].张政,何山,贺靖淇.基于长短时记忆单元和卷积神经网络混合神经网络模型的视频着色方法[J].计算机应用.2019
[7].魏海文,郭业才.门控递归单元神经网络坐标变换盲均衡算法[J].微电子学与计算机.2019
[8].汤勇力,周小林,胡欣悦.跨国研发网络中研发单元的角色演变——以华为公司为例[J].技术经济.2019
[9].韩桂华,赵玉秀,施玉春,刘家春.液压位置驱动单元的神经网络辨识[J].控制工程.2019
[10].陈蕾.网络环境下的语文单元整合教学[J].小学生作文辅导(语文园地).2019