导读:本文包含了裁剪算法论文开题报告文献综述及选题提纲参考文献，主要关键词:相对贡献率,类别噪声裁剪,层次结构分类,特征选择
裁剪算法论文文献综述
刘朔瑜,戴月明[1]（2019）在《基于相对贡献率的噪声裁剪算法》一文中研究指出提出了一种基于相对贡献率的噪声裁剪算法(Class noise cutting, CNC)。通过计算得到特征对于主题的相对贡献率,利用特征区分度评分挑选对于当前主题分类最有价值的特征集,选出相应的候选类别,减少候选类别集,提高了分类准确率,加快了分类器的响应速度。与另一种噪声裁剪算法(Eliminating class noise, ECN)比较,CNC具有更高的准确率,由于具有更精简的特征维度词典以及更优异的候选类别集使得响应速度大大加快。(本文来源于《系统仿真学报》期刊2019年12期）
李浩,赵文杰,韩波[2]（2019）在《基于滤波器裁剪的卷积神经网络加速算法》一文中研究指出针对卷积神经网络(CNN)模型的压缩和加速问题,提出基于滤波器裁剪的新型卷积神经网络模型加速算法.通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度,裁剪对神经网络准确率影响较小的滤波器及对应的特征图,可以有效地降低计算成本.与裁剪权重不同,该算法不会导致网络稀疏连接,不需要应用特殊的稀疏矩阵计算库.基于CIFAR-10数据集的实验结果表明,该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30%以上,通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.(本文来源于《浙江大学学报(工学版)》期刊2019年10期）
王玮,朱力强[3]（2019）在《基于特征图裁剪的高铁周界入侵实时检测算法》一文中研究指出为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。(本文来源于《铁道学报》期刊2019年09期）
刘金峒,梁科,王锦,陈新伟,徐华超[4]（2019）在《SM4加密算法可裁剪式结构设计与硬件实现》一文中研究指出SM4算法是国家密码管理局发布的一种主要应用于无线局域网产品中的分组加密算法.从硬件实现的角度对SM4算法原理进行分析,依次设计了循环迭代结构与全并行流水线结构,并在此基础上进一步优化,最终提出了一种更为灵活的部分并行可裁剪式结构.该结构可根据系统性能要求,对硬件电路结构进行裁剪,改善了循环迭代结构数据处理慢与全并行流水线结构逻辑资源消耗大的问题.最后通过硬件描述语言对以上结构完成行为级描述与功能仿真,并在Altera FPGA器件上进行了综合与数据分析.综合结果表明,可裁剪式结构在满足系统性能要求的基础上逻辑资源面积更小,功耗更低.(本文来源于《南开大学学报(自然科学版)》期刊2019年04期）
赖川,高科[5]（2019）在《一种频点裁剪算法在差分定位中的应用》一文中研究指出针对联合差分定位系统中,由于共视卫星数增长致使lambda算法搜索空间成倍增加,导致定位效率降低,甚至无法求解的问题,提出了一种频点裁剪算法。该算法首先剔除信噪比异常低的卫星频点,然后根据设定的定位频点数,筛除多余的、信噪比较低的频点,从而有效地提高了定位效率。模拟转圈定位测试结果表明:单历元定位周期从120 ms下降到40 ms,水平定位误差在毫米级,垂直误差在厘米级。即该算法不仅大幅提升了定位效率,而且对定位精度没有影响。(本文来源于《通信技术》期刊2019年08期）
杨恩君,廖义辉,刘安东,俞立[6]（2019）在《基于改进实数编码遗传算法的服装裁剪分床》一文中研究指出针对服装裁剪分床问题,本文以订单误差绝对值之和最小为目标提出了一种基于改进遗传算法的分床方法。首先,考虑裁床利用率、裁床铺布层数范围、各规格套排范围等因素,建立了分床优化模型。其次,根据订单数量、裁床的裁剪厚度以及布料厚度等约束,确定最佳裁床数的取值范围。进而,利用实数编码遗传算法搜索最佳铺布层数和套排数,并引入禁忌搜索算法中的禁忌表,避免循环迭代,加速了最优解的搜索。最后以实际订单对本文算法进行了验证,并与几种常用算法进行对比,结果表明本文算法的误差更小。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
林文杰,王瑶为,吴祥,董辉,张文安[7]（2019）在《基于改进粒子群优化算法的裁剪分床研究》一文中研究指出针对服装行业中衣物裁剪的分床优化问题,本文提出一种基于改进粒子群优化算法的裁剪分床方法,分别对分床方案中的铺布层数方案和尺码组合方案进行优化。首先,在考虑生产约束的基础上,建立了基于非线性整数规划的裁剪分床优化模型。然后,采用改进的粒子群优化算法,以裁剪数量误差最小作为优化目标,将铺布层数抽象成粒子群寻优,进而采用枚举法筛选最优的尺码组合方案。最后,通过与现有方法进行对比实验,验证了所提裁剪分床方法的有效性与优越性。(本文来源于《第叁十八届中国控制会议论文集（7）》期刊2019-07-27）
赵琳,行致源[8]（2019）在《基于最重要特征的裁剪k-近邻分类算法设计》一文中研究指出k-近邻分类算法是机器学习分类算中一个重要的算法。其精度高具有广泛应用。但时间和空间复杂度高。本文着眼于此,根据香农熵理论,提出了一种通过计算信息增益寻找对分类结果影响最大的特征,并根据该特征进行原始训练集划分并进行样本裁剪构造训练子集,在该子集上应用传统k-近邻的方法,从而降低传统k-近邻分类算法的时间复杂度。实验结果表明,该方法保持了传统k-近邻分类算法的精度,引入了最重要特征对分类结果的影响,有效降低了传统k-近邻分类算法的时间复杂度。(本文来源于《电子设计工程》期刊2019年14期）
盖贇栋,侯文彬,祝雪峰,胡平[9]（2019）在《检索矩形结构化网格中裁剪单元的数值算法》一文中研究指出裁剪等几何分析的首要任务就是检索出裁剪曲面中的裁剪单元,为此提出一种快速检索矩形结构化网格中裁剪单元的数值算法.首先将网格中每个单元的边界划分为12段区间;然后在剪裁曲线上选取适当的参数点,并将得到的离散曲线代替原剪裁曲线,对矩形结构化网格进行剪裁;根据离散剪裁曲线与单元边界交点位置的不同,将裁剪单元划分为156种不同的类型.该算法还可以根据不同情况来获取剪裁曲线上的点,当采用闭合逆时针矩形剪裁曲线对裁剪NURBS曲面参数网格进行剪裁时,该算法能够快速、有效地检索到裁剪单元,并得到剪裁曲线曲率变化大的点以及裁剪单元在物理空间中的像;悬臂梁的最优拓扑结构算例证明了该算法能够快速、有效地检索出任意矩形结构化网格中的裁剪单元.(本文来源于《计算机辅助设计与图形学学报》期刊2019年07期）
王子旗,何锦雯,蒋良孝[10]（2019）在《基于冗余度的KNN训练样本裁剪新算法》一文中研究指出作为数据挖掘领域十大算法之一,K-近邻算法(K-Nearest-Neighbor,KNN)因具有非参数、无需训练时间、简单有效等特点而得到广泛应用。然而,KNN算法在面对高维的大训练样本集时,分类时间复杂度高的问题成为其应用的瓶颈。另外,因训练样本的类分布不均匀而导致的类不平衡问题也会影响其分类性能。针对这两个问题,提出了一种基于冗余度的KNN分类器训练样本裁剪新算法(简记为RBKNN)。RBKNN通过引入训练样本集预处理过程,对每个训练样本进行冗余度计算,并随机裁剪掉部分高冗余度的训练样本,从而达到减小训练样本规模、均衡样本分布的目的。实验结果表明,RBKNN可在保持或改善分类精度的前提下显着提升KNN的分类效率。(本文来源于《计算机工程与应用》期刊2019年22期）
裁剪算法论文开题报告
（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：
针对卷积神经网络(CNN)模型的压缩和加速问题,提出基于滤波器裁剪的新型卷积神经网络模型加速算法.通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度,裁剪对神经网络准确率影响较小的滤波器及对应的特征图,可以有效地降低计算成本.与裁剪权重不同,该算法不会导致网络稀疏连接,不需要应用特殊的稀疏矩阵计算库.基于CIFAR-10数据集的实验结果表明,该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30%以上,通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.
（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。
裁剪算法论文参考文献
[1].刘朔瑜,戴月明.基于相对贡献率的噪声裁剪算法[J].系统仿真学报.2019
[2].李浩,赵文杰,韩波.基于滤波器裁剪的卷积神经网络加速算法[J].浙江大学学报(工学版).2019
[3].王玮,朱力强.基于特征图裁剪的高铁周界入侵实时检测算法[J].铁道学报.2019
[4].刘金峒,梁科,王锦,陈新伟,徐华超.SM4加密算法可裁剪式结构设计与硬件实现[J].南开大学学报(自然科学版).2019
[5].赖川,高科.一种频点裁剪算法在差分定位中的应用[J].通信技术.2019
[6].杨恩君,廖义辉,刘安东,俞立.基于改进实数编码遗传算法的服装裁剪分床[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[7].林文杰,王瑶为,吴祥,董辉,张文安.基于改进粒子群优化算法的裁剪分床研究[C].第叁十八届中国控制会议论文集（7）.2019
[8].赵琳,行致源.基于最重要特征的裁剪k-近邻分类算法设计[J].电子设计工程.2019
[9].盖贇栋,侯文彬,祝雪峰,胡平.检索矩形结构化网格中裁剪单元的数值算法[J].计算机辅助设计与图形学学报.2019
[10].王子旗,何锦雯,蒋良孝.基于冗余度的KNN训练样本裁剪新算法[J].计算机工程与应用.2019