导读:本文包含了神经网络结构优化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,算法,结构优化,深度,卷积,参数,结构。
神经网络结构优化论文文献综述
元松,肖志军,曾智伟,李佳伟[1]（2019）在《遗传算法优化BP神经网络的路面结构层模量反算方法研究》一文中研究指出路面结构层回弹模量是路面结构设计中最重要的指标之一。文中针对新沥青路面设计规范中推荐的路面结构层模量和上海典型路面结构厚度,利用有限元程序建立了弯沉盆数据库;然后基于数据库搜索理论,采用遗传算法优化BP神经网络模型,实现路面结构参数与弯沉盆大小的映射、学习,达到模量反算的目的;通过加入噪声,提高神经网络模型的鲁棒性和泛化能力,实现对FWD实测弯沉盆的模量反算。(本文来源于《交通科技》期刊2019年06期）
张施令[2]（2019）在《基于RBF神经网络和有限元技术的高压支柱绝缘子机电模拟及均压结构优化研究》一文中研究指出高压支柱绝缘子在电力系统中应用广泛,支柱绝缘子电气、机械性能与电力系统运行稳定性关系密切,本文基于有限元技术对高压支柱绝缘子机电性能进行精细化建模分析。计算结果表明:支柱绝缘子电气方面最大电场强度位于高压侧均压环表面,且机械方面第一主应力最大值150MPa主要集中在法兰支撑片位置。进一步提出PSO-RBF混合算法对支柱绝缘子均压结构参数进行优化设计,运行结果表明:PSO-RBF神经网络对原始有限元计算数据点非线性拟合映射效果良好,在原本数据点基础上进行了高精度延拓,且算法具有较好收敛性。非线性反演优化计算得到均压环结构参数输出向量为[D=1420,d=145,H=255]mm,大均压环、小均压环、法兰结构和瓷护套表面最大电场强度目标向量为[920,700,550,440]V/mm,满足设定控制参数要求。本文对特高压电压等级支柱绝缘子进行大场域、多介质的建模仿真计算,得到支柱绝缘子机械、电气性能以及支柱绝缘子相关均压环、屏蔽环配置参数,可为特高压及以下电压等级支柱绝缘子的绝缘结构设计与金具配置提供理论依据。(本文来源于《电瓷避雷器》期刊2019年04期）
李雪景,吕雁岚[3]（2019）在《基于神经网络算法的码头新型分缝结构优化研究》一文中研究指出针对码头分缝结构设计中存在问题,以神经网络算法、遗传算法为基础算法提出将遗传算法中个体的权值和阈值作为神经网络算法权重值和阈值。通过算法性能分析,结果表明改进算法能够提高算法最优值。并将算法应用到码头分缝设计中,结果表明能够提高分缝效果。(本文来源于《中国水运(下半月)》期刊2019年08期）
梁智珲[4]（2019）在《遗传算法优化前向神经网络结构和权重矢量研究》一文中研究指出新兴科技的支持下,复杂研究可以通过优化研究方法进行模拟和拓展。探究人类神经网络结构的过程中,存在诸多困难,新兴模拟算法和仿真计算,让科学家通过人工模拟神经网络系统中的互连神经元了解复杂的神经网络架构。基于此,分析了优化的遗传算法在前向神经网络结构研究中的应用,探究了如何优化权重设计达到最佳研究效果。(本文来源于《信息与电脑(理论版)》期刊2019年14期）
刘小文[5]（2019）在《卷积神经网络在图像分类中的网络结构优化》一文中研究指出近些年,ILSVRC大赛逐年刷新图像识别准确率,该竞赛会给定一个包含有大量被人工标记的训练数据集,让研究者们自行设计算法并且在给定数据集上验证自己的算法对物体检测识别的效果。另一个主要目标是在大规模图像集的检索和标记中测试计算机视觉技术的进步。很多知名的网络结构都在该竞赛中崭露头角,比如AlexNet,VGG,GoogleNet,Deep Residual Network等。为了使模型更好的运用于特定数据集,尽可能的提高图像分类准确率,训练过程中产生较少的震荡、过拟合等现象,本文就ILSVRC大赛中的AlexNet模型进行研究。主要工作如下:1、提出了一种新的阈值激活函数,解决了训练结果中出现的数据偏离最佳点的问题,使网络模型更加稳定,而且提高了图片分类准确率。利用caltech101数据集和caltech256数据集对改进激活函数的AlexNet模型进行验证,数据训练过程在Linux系统中的Caffe平台进行。由于Caffe中仅支持lmdb格式的图片类型,因此要将图片进行格式转换后再进行训练。结果表明caltech101数据集的分类精确率从0.977提高到0.993,caltech256数据集的分类准确率从0.654提高到0.923。2、针对阈值激活函数分类训练速度慢的问题,查找相关文献研究网络训练的时间复杂度,从特征图的数量、卷积核的面积、卷积层的数目叁个方面对AlexNet模型进行改进。在不影响分类准确率的前提下,最后确定了分别适合caltech101数据集和caltech256数据集分类的最优模型。其中caltech101数据集通过减少卷积核的数目,达到减少特征图数量的目的,训练速度有明显提高;caltech256数据集则是通过减少卷积层的数目来达到加快收敛速度的目的。本文通过将实验数据对比作图的方法,说明了深度学习和卷积神经网络在图像分类领域的重要作用,在现有卷积神经网络的基础上,提出优化激活函数的卷积神经网络模型,该模型提高了数据集caltech101和数据集caltech256的分类准确率,极大的增强了网络的稳定能力和抗过拟合性能,在收敛速度上也有很大提升。(本文来源于《山西大学》期刊2019-06-01）
白燕燕[6]（2019）在《基于粒子群算法优化卷积神经网络结构》一文中研究指出卷积神经网络(Convolutional Neural Network,CNN)在各领域应用非常广泛.训练的神经网络分类器的性能取决于其结构,而寻找一个最优CNN结构非常困难,这成为CNN应用的一大阻碍.首先,CNN的结构复杂多样,决定CNN结构的是超参数,这些超参数无法通过网络训练得到,需要人工设定且组合方式多样,而现有的方法多依赖于经验.其次,CNN训练的初始权重对CNN的学习有一定影响,一个好的CNN结构具有鲁棒性,可削弱初始权重对其影响.最后,对于不同的问题,CNN结构不同,需要重新选择CNN结构.本文针对CNN结构优化存在的问题做了以下研究:(1)研究了CNN的结构以及现有优化CNN的算法,通过分析算法原理和实验结果,讨论了优化CNN结构的重要性.(2)研究了现有粒子群算法(Particle Swarm Optimization,PSO)优化CNN结构的方法.在此基础上,提出了改进的基于粒子群算法优化卷积神经网络结构(Improved Particle Swarm Optimization Convolutional Neural Network,IPSOCNN)算法,增加超参数的个数,丰富了CNN结构的多样性,使CNN结构的优化更加自动化,解决了人工选择的不确定性问题.实验表明,在MNIST数据集和AR数据集上,相比人工选择的最佳CNN结构及现有优化CNN算法,IPSOCNN算法的结果正确率更高.(3)经过研究及实验分析,IPSOCNN算法存在进一步优化空间.由于量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)的性能优于PSO算法,并且其参数通过学习自动选择,本文提出了基于量子粒子群算法优化卷积神经网络结构(Quantum Particle Swarm Optimization Convolutional Neural Network,QPSOCNN)算法.实验结果表明,QPSOCNN算法比IPSOCNN算法有更高的正确率.(本文来源于《内蒙古大学》期刊2019-06-01）
詹小雨[7]（2019）在《面向语音增强的深度神经网络结构与参数优化研究》一文中研究指出语音增强在语音信号处理流程中处于前端位置,在语音处理领域中发挥着十分重要的作用。语音增强的目的是尽可能去除含噪语音中的噪声,得到纯净的语音,提高语音质量,增强语音可懂度。深度神经网络具有非线性映射能力,使得面向语音增强的深度神经网络能够直接学习含噪语音和纯净语音之间的非线性关系,无需对信号模型进行额外的假设,因此可以被应用到更复杂的语音增强场景中。本文围绕面向语音增强的深度神经网络展开讨论,重点对适用于单通道语音增强的深度神经网络结构及影响参数进行研究。近年来,通过深度学习算法解决语音增强问题,已成为语音增强领域的热点研究内容。而深度神经网络的配置对网络的语音增强性能十分重要,可以起到决定性的作用。本文从工程实践的角度,分析了语音信号的基本特点和语音增强的主要任务,通过详细的原理性分析和大量的工程实验,研究并总结了深度神经网络的结构和参数配置对语音增强的影响。首先,本文以深度神经网络结构(Deep Neural Network,DNN)为基础结构,对一系列影响网络性能的参数进行研究。分别针对网络训练数据量、网络深度、网络宽度、激活函数、损失函数、泛化技术等主要影响因素进行了系统的研究分析。给出了适用于基于回归方法解决语音增强问题的深度学习网络参数配置方案,并通过大量实验对比,验证了本文所提出的网络参数配置方案能够有效提高语音质量。之后,本文研究了神经网络结构对语音增强效果的影响。分析了叁种基本网络结构具有的特性。研究了在语音增强问题中,卷积神经网络(Convolutional Neural Networks,CNN)的网络形状、卷积核的大小和卷积方向的设置和选择,循环神经网络(Recurrent Neural Networks,RNN)变体结构的性能及选择等,并通过实验进行了验证。接着,在对深度网络结构的实验和分析基础上,结合语音信号特点,将不同网络结构的特点进行整合,给出一种C-RNN网络结构。经过实验证明,该网络拥有较强的去除噪声能力,尤其在低信噪比的情况下表现优于单一结构的网络。最后,提出一种将传统的对数谱最小均方误差(MMSE-log-STSA)语音增强算法与深度学习相结合的LMMSE-DNN语音增强方法。先将含噪语音通过MMSE-log-STSA算法进行初步去噪,接着将初步去噪的语音经过深度学习网络进行平滑处理,进一步提高语音可懂度。经过实验证明,LMMSE-DNN网络的语音听觉质量高于单一使用MMSE-log-STSA或单一使用DNN网络的增强结果。本文从工程实践的角度出发,对面向语音增强的深度神经网络性能进行研究,从参数和网络结构等方面进行分析,为其他研究人员提供参照,提高研究效率。(本文来源于《北京邮电大学》期刊2019-05-29）
文常保,马文博,刘鹏里[8]（2019）在《基于改进遗传算法的RBF神经网络结构优化研究》一文中研究指出针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。(本文来源于《计算机工程与科学》期刊2019年05期）
王玉[9]（2019）在《深度神经网络内部表示提取及其结构优化实例研究》一文中研究指出在深度学习领域快速发展的今天,人们常会构造复杂的深度神经网络在数据集上训练,得到比传统的机器学习算法表现更为优秀的模型。但在训练开始前,总会面对如何构造一个合适结构的神经网络问题,这对于训练过程和模型表现都至关重要。神经网络的结构优化问题一直是深度学习领域的难点,为了选择合适结构的神经网络,人们需要知道不同结构神经网络对目标函数表示的优劣好坏,进而做出选择,这就需要提取不同结构神经网络对目标函数的内部表示。神经网络内部表示是指神经网络对外部数据的拟合过程中,在其内部形成一种对目标函数的表示方式,其外在表现是关于输入输出信号之间的函数映射关系。本文旨在提取深度神经网络的内部表示,并将其外在表现的函数映射关系展示出来。同时利用神经网络的内部表示,进一步实现对神经网络结构优化实例问题探究。主要工作如下:(1)神经网络内部表示提取工作。为了方便计算,这里采用ReLU作为激活函数,由于ReLU函数自身分段的特性,使得神经网络内部表示的函数映射关系为分段函数形式。在求解此分段函数的过程中,需要知道其中每条映射关系及对应的输入信号取值范围,所以要对网络中各个神经元按激活状态进行分类(当神经元数量为N时,共有2N种分类情况),每种情况下分别得到最终输出结果关于输入信号的函数表达式,同时获得输入信号通过不同状态神经元要满足的约束不等式条件。在此包含多变量的多约束条件下,利用线性规划思想,获取输入信号中每个未知变量的取值范围。最后,舍弃矛盾的情况,将所有存在的分类情况汇总,得到整个分段函数映射关系。(2)神经网络结构优化实例实验。选择多个包含不同高度和宽度结构的神经网络实例,使它们在常见函数,实际问题数据集上进行训练,利用神经网络内部表示的提取方法,获取不同结构神经网络实例对于目标函数的内部表示,比较其中内部表示结果的优劣,进而选择合适结构的神经网络实例。本文从提取不同结构神经网络内部表示的角度,得到深度神经网络在不同宽度高度结构下对于目标函数的内部表示,进而选择合适结构的神经网络,实现神经网络结构优化目的。(本文来源于《南京大学》期刊2019-05-13）
金国辉,尚琪,梁娜飞[10]（2019）在《基于神经网络多层感知器的外围护结构多目标优化影响指标选取研究》一文中研究指出选取内蒙古西部草原民居为研究对象,探讨外围护结构多目标优化的影响因素。首先,运用Optimal(custom)设计方法对影响指标和目标进行试验方案设计;其次,使用Designbuilder软件对试验方案进行模拟,并得到相应的数据;最后,使用多层感知器对影响指标和目标进行分析,得出各个指标的重要性。结果表明,外墙传热系数是研究建筑能耗和室内热舒适度的最佳影响指标。(本文来源于《工程研究-跨学科视野中的工程》期刊2019年02期）
神经网络结构优化论文开题报告
（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：
高压支柱绝缘子在电力系统中应用广泛,支柱绝缘子电气、机械性能与电力系统运行稳定性关系密切,本文基于有限元技术对高压支柱绝缘子机电性能进行精细化建模分析。计算结果表明:支柱绝缘子电气方面最大电场强度位于高压侧均压环表面,且机械方面第一主应力最大值150MPa主要集中在法兰支撑片位置。进一步提出PSO-RBF混合算法对支柱绝缘子均压结构参数进行优化设计,运行结果表明:PSO-RBF神经网络对原始有限元计算数据点非线性拟合映射效果良好,在原本数据点基础上进行了高精度延拓,且算法具有较好收敛性。非线性反演优化计算得到均压环结构参数输出向量为[D=1420,d=145,H=255]mm,大均压环、小均压环、法兰结构和瓷护套表面最大电场强度目标向量为[920,700,550,440]V/mm,满足设定控制参数要求。本文对特高压电压等级支柱绝缘子进行大场域、多介质的建模仿真计算,得到支柱绝缘子机械、电气性能以及支柱绝缘子相关均压环、屏蔽环配置参数,可为特高压及以下电压等级支柱绝缘子的绝缘结构设计与金具配置提供理论依据。
（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。
神经网络结构优化论文参考文献
[1].元松,肖志军,曾智伟,李佳伟.遗传算法优化BP神经网络的路面结构层模量反算方法研究[J].交通科技.2019
[2].张施令.基于RBF神经网络和有限元技术的高压支柱绝缘子机电模拟及均压结构优化研究[J].电瓷避雷器.2019
[3].李雪景,吕雁岚.基于神经网络算法的码头新型分缝结构优化研究[J].中国水运(下半月).2019
[4].梁智珲.遗传算法优化前向神经网络结构和权重矢量研究[J].信息与电脑(理论版).2019
[5].刘小文.卷积神经网络在图像分类中的网络结构优化[D].山西大学.2019
[6].白燕燕.基于粒子群算法优化卷积神经网络结构[D].内蒙古大学.2019
[7].詹小雨.面向语音增强的深度神经网络结构与参数优化研究[D].北京邮电大学.2019
[8].文常保,马文博,刘鹏里.基于改进遗传算法的RBF神经网络结构优化研究[J].计算机工程与科学.2019
[9].王玉.深度神经网络内部表示提取及其结构优化实例研究[D].南京大学.2019
[10].金国辉,尚琪,梁娜飞.基于神经网络多层感知器的外围护结构多目标优化影响指标选取研究[J].工程研究-跨学科视野中的工程.2019
论文知识图
