导读:本文包含了归一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:卷积,神经网络,模型,指数,算法,叶面积,积温。
归一化论文文献综述
刘志清,徐华锋,王朝勇,刘雅妹[1]（2019）在《基于Sigmoid函数的科研分值归一化方法研究》一文中研究指出在对教师科研水平进行评价时,需要使用数据预处理方法将科研经费转化为科研指标的分值,为此提出一种基于Sigmoid函数的归一化计算方法。在该方法中,因变量随自变量在原始样本数据处于正常范围内时按照近似线性趋势增长,在偏离正常范围内时快速趋于饱和值。将此方法与最值归一化方法(MMN)、标准分数归一化方法(ZSN)和中值归一化方法(MDN) 3种常用的数据归一化方法进行了比较。结果表明:基于Sigmoid函数归一化方法可以减小偏离正常范围的数据对决策变量的不利影响,在计算科研分值时更为合理有效。(本文来源于《新乡学院学报》期刊2019年12期）
王旭,张幸,赵文仓[2]（2019）在《基于改进群组归一化的目标检测与实例分割》一文中研究指出训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。(本文来源于《青岛科技大学学报(自然科学版)》期刊2019年06期）
崔青,方欣,张志磊,王涛,张天伟[3]（2019）在《基于模糊c均值算法和改进归一化的变压器故障诊断方法》一文中研究指出溶解气体分析法是诊断变压器故障的重要方法。本文建立了基于模糊c均值算法的变压器故障诊断模型。为了研究模糊c均值算法模型中样本的不同归一化法(即考虑到不同气体反应故障的灵敏程度不同)对聚类结果的影响程度,首先对溶解气体成分样本使用3种方法进行归一化,这3种方法是离差变换法、一般浓度归一化法和特征浓度归一化法。然后将归一化后的样本作为FCM算法的输入,以所求的隶属度矩阵确定样本所属故障类型。实例计算结果表明,采用特征浓度归一化可提高故障判断准确度。(本文来源于《电气技术》期刊2019年11期）
张坤勇,杜伟,王乾坤[4]（2019）在《基于修正关口-太田模型的归一化变形量开挖边坡失稳判据》一文中研究指出由于普通土体本构模型不能反应土体初始应力状态及开挖应力路径,在进行有限元计算时得到的特征点位移也会与工程实际有偏差。选用可以对开挖前边坡土体的初始K_0应力状态以及开挖应力路径进行合理描述的修正关口太田模型,对开挖边坡进行有限元计算。根据位移突变判据,采用单因素敏感性分析,对54例简单边坡进行有限元计算,得出与边坡位移量呈正、负关联的基本参量。利用灰色关联分析方法,首次同时考虑了土坡几何参数、物理参数、本构模型等基本参数,将边坡的变形量进行归一化处理,构建以变形量为基础的归一化失稳判据F_u及警戒位移值U_1′,从而可以通过实时监控边坡位移及时给出滑坡体的安全性评价。(本文来源于《土木工程学报》期刊2019年11期）
王岩,吴晓富[5]（2019）在《深度神经网络训练中适用于小批次的归一化算法》一文中研究指出近年来,批归一化(Batch Normalization,BN)算法已成为深度网络训练不可或缺的一部分。BN通过计算批次中示例的均值和方差来对输入进行归一化,从而缓解深度神经网络训练中的梯度爆炸或者消失的问题。但是,由于算法与批次大小有关,BN算法用于小批次时会因为不准确的估计导致性能下降。批重归一化(Batch ReNormalization,BRN)用指数移动平均(Exponential Moving Average,EMA)后的值对输入进行归一化操作,减小了归一化算法对批次的依赖。本文基于图像分类任务研究了在输入是小批次时归一化技术的应用,提出了通过改变EMA初值并对估计值加以修正来得到更准确的参数估计的批归一化算法。实验结果表明,所提算法与标准的BN和BRN算法相比,收敛速度更快,准确率有一定的改善。(本文来源于《计算机科学》期刊2019年S2期）
李红军,郭阳,贾润[6]（2019）在《归一化积相关算法加速方法研究及FPGA实现》一文中研究指出随着飞航导弹向高效打击和提升智能的方向发展,为了保证打击的精确性,对地形匹配、目标识别的实时性要求也越来越高,单靠DSP软件进行图像处理的做法已经难以满足要求。根据FPGA实现数学运算的特点,提出了归一化积相关算法公式的化简方法,具有精度高、速度快的特点,并设计了积相关硬件加速电路单元架构和积相关多路并行计算架构,通过在FPGA上进行实现验证,能够满足新一代飞航导弹地形匹配及目标识别的实时性要求。(本文来源于《计算机工程与科学》期刊2019年11期）
赵轲,姜洪开,鲁腾飞,牛茂贵[7]（2019）在《基于增强批量归一化卷积神经网络的旋转机械故障诊断》一文中研究指出旋转机械在现代工业中扮演着举足轻重的角色,然而,其往往在长时间、大负载和强背景噪声的状态下运行。糟糕的运行工况会导致旋转机械出现各种各样的故障,甚至有可能会造成不可预料的人员伤亡和经济损失。因此旋转机械的有效诊断对于保障其正常平稳的运行有着非常重要的意义。实际采集到的振动信号往往是非线性、非平稳和含有噪声,这就对模型的降噪性和稳定性提出了更高的挑战。而深度学习方法由于其含有多个隐层,可以充分的挖掘轴承原始振动信号所包含的故障信息并且已经成功应用在故障诊断领域。基于上述所述,本文提出了一种增强批量归一化卷积神经网络的滚动轴承故障诊断方法。该方法主要包括以下几个阶段。首先,将批量归一化应用于常规卷积神经网络,来提升其对复杂原始振动信号的特征学习能力。其次,利用所构建的深度学习模型对采集到的原始振动信号进行充分的特征学习以及故障信息挖掘。最后,将学习到的特征输入到极限学习机输出诊断结果。本文所提方法利用从实际机车采集到的轴承信号进行了验证。验证结果表明,本文所提方法的诊断效果比其他方法更好,更稳定。(本文来源于《第十叁届全国振动理论及应用学术会议论文集》期刊2019-11-09）
张姗[8]（2019）在《归一化植被指数研究》一文中研究指出针对归一化植被指数(NDVI)在国际和国内研究中的应用及与其他数据的结合情况,对NDVI在不同研究领域中的深化应用及研究的最新进展进行了简要介绍。同时通过一些案例的分析,得到了NDVI数据与其他数据结合研究的基本思路和方法论,在研究现状方面,基于当前较为普遍的相关性分析,做深入的研究与探讨,在值检验方法方面,对NDVI在不同的研究方向中的值检验方法进行了简要分析,主要涉及到的就是显着性检验,最后结合研究现状和NDVI的局限,对当前研究进行了总结,以对后续研究提供想法。(本文来源于《绿色科技》期刊2019年20期）
张碧辉,岳良明,王军[9]（2019）在《一种归一化的代理模型精度指标》一文中研究指出衡量代理模型精度的量化指标种类繁多,但是要横向对比不同种类数据的模型精度,常见的精度指标存在一些不足之处。分析现有代理模型精度指标的不足,提出一种"归一化绝对误差均值"指标;以某战术导弹模型为例,采用参考文献中的试验设计加点策略与交叉验证策略,建立11种气动参数的Kriging代理模型;通过对"归一化绝对误差均值"指标与相关性图进行比较,验证所提指标的有效性。结果表明:提出的指标不仅能够有效表征代理模型精度,而且能对不同种类数据进行横向对比,具有一定的应用价值。(本文来源于《航空工程进展》期刊2019年05期）
李振洲,贺正,贾彪,刘志,付江鹏[10]（2019）在《滴灌玉米叶面积指数归一化建模与特征分析》一文中研究指出【研究背景】叶片是作物进行光合作用的主要器官,叶面积指数(Leaf area index, LAI)是作物生长监测的重要指标。在作物生产中,理想的LAI是培养作物合理的群体结构和提高产量的基础。但传统测定法获取LAI预测作物的生长状况费时费力,破坏性强,推广应用受限。作物生长模拟模型是现代信息化手段获取作物生长发育状况的重要方法,利用叶面积估算模型是现在研究较为通用方法,可预测作物整个生长发育进程。农作物的叶面积动态易受光照和温度等条件影响,作物叶面积动态随有效积温的影响。有效积温作为作物生长的重要指标,用积温代替时间动态更具有代表性,更能反应玉米的生长状况。本研究在借鉴前人研究LAI模拟模型优点的基础上,应用"归一化"方法,以有效积温为自变量,玉米叶面积指数为因变量,建立不同氮素水平滴灌玉米LAI模型,分析平均叶面积指数(MLAI)与最大叶面积指数(LAImax)对玉米群体生长指标的影响,为宁夏滴灌玉米叶面积指数动态模拟精度提供技术途径。【材料与方法】2017年和2018年以宁夏玉米主栽品质(TC19)为试验材料,设置6个施氮水平N0(0 kg/hm~2)、N1(90 kg/hm~2)、N2(180 kg/hm~2)、N3(270 kg/hm~2)、N4(360 kg/hm~2)、N5(450 kg/hm~2)。玉米叶面积测算为叶长×叶宽×系数,展开叶系数为0.75,未完全展开叶系数为0.50。将整个生育期最大叶面积指数(LAImax)定为1,对生长期和LAI作归一化处理。【结果与分析】对玉米从苗期到成熟期的LAI和GDD进行归一化处理后,用Curve Expert 1.38软件对RLAI和RGDD模拟,得到有理方程方程模拟较好,相关系数达到0.982**。为进一步筛选玉米的RLAI随RGDD的动态模型变化结构,利用求极限值的方法对模型求拟合值。当x=0时,y=a,即为玉米出苗时RLAI值;当x=1时, y=(a+b)/(1+c+d),(a+b)/(1+c+d)即为成熟期的玉米的RLAI。方程只有一个峰值,且当x→∞时,y→0;即说明有理方程能够对玉米生长较合理地进行解释。故选择有理方程y=(a+bx)/(1+cx+dx~2)为不同N素处理玉米的生长过程。其模型参数a为出苗时的RLAI值,(a+b)/(1+c+d)为成熟时RLAI,方程模拟准确度高。如图1所示,由LAI动态模型模拟的方程为y=(-0.080+0.510x)/(1-2.191x+1.680x~2),由LAI动态模型模拟的2017年和2018年不同N素处理的玉米模拟值与实测值真实性较好,能够很好的反映这两年玉米的LAI动态变化,且相关系数高(r=0.982**)。LAI动态模型能很好的反应宁夏地区不同N素处理及不同年份栽培的玉米具有通用性。用试验2的玉米LAI测量值进行全生育期间的叶面积指数动态模拟,将得到的模拟值与实测值进行比较(图2)。分析图2得出,由RLAI模型模拟所得整个生育时期的模拟值与实测值比较接近真实,模拟结果的准确性(k)的变化范围在0.933～1.035之间,近似于1,越接近于1则准确度越高。模拟的精确度(R~2)在0.972～0.974之间。说明相对化动态模型的模拟准确度较高,模拟结果能很好地反映玉米群体LAI动态变化。【结论】对归一化处理后RLAI和RGDD来进行模拟,建立了LAI动态模型y=(a+bx)/(1+cx+dx~2),并对模型进行检验,结果表明此模型的准确度总体达到0.933以上,精确度在0.972-0.974之间,玉米LAI动态模型从玉米苗期就能准确地进行LAI动态预测。(本文来源于《2019年中国作物学会学术年会论文摘要集》期刊2019-10-27）
归一化论文开题报告
（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：
训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。
（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。
归一化论文参考文献
[1].刘志清,徐华锋,王朝勇,刘雅妹.基于Sigmoid函数的科研分值归一化方法研究[J].新乡学院学报.2019
[2].王旭,张幸,赵文仓.基于改进群组归一化的目标检测与实例分割[J].青岛科技大学学报(自然科学版).2019
[3].崔青,方欣,张志磊,王涛,张天伟.基于模糊c均值算法和改进归一化的变压器故障诊断方法[J].电气技术.2019
[4].张坤勇,杜伟,王乾坤.基于修正关口-太田模型的归一化变形量开挖边坡失稳判据[J].土木工程学报.2019
[5].王岩,吴晓富.深度神经网络训练中适用于小批次的归一化算法[J].计算机科学.2019
[6].李红军,郭阳,贾润.归一化积相关算法加速方法研究及FPGA实现[J].计算机工程与科学.2019
[7].赵轲,姜洪开,鲁腾飞,牛茂贵.基于增强批量归一化卷积神经网络的旋转机械故障诊断[C].第十叁届全国振动理论及应用学术会议论文集.2019
[8].张姗.归一化植被指数研究[J].绿色科技.2019
[9].张碧辉,岳良明,王军.一种归一化的代理模型精度指标[J].航空工程进展.2019
[10].李振洲,贺正,贾彪,刘志,付江鹏.滴灌玉米叶面积指数归一化建模与特征分析[C].2019年中国作物学会学术年会论文摘要集.2019
论文知识图
