导读:本文包含了多层分类论文开题报告文献综述及选题提纲参考文献,主要关键词:多层感知机,分类,欠抽样,谱聚类
多层分类论文文献综述
刘树栋,魏嘉敏[1](2019)在《基于谱聚类和成对数据表示的多层感知机分类算法》一文中研究指出面向类别不均衡数据集的分类学习一直是数据挖掘和机器学习领域的研究热点。数据级、算法级和集成方法是目前解决类别不均衡学习的3种主流方法,其中欠抽样是类别不均衡学习一种常用的数据级解决方法,其缺点在于容易丢失多数类中部分有用信息。文中将谱聚类引入到成对数据表示的多数类欠抽样过程中,首先利用谱聚类方法,对多数类样本进行聚类,根据聚类簇大小和簇内样本点与少数类样本点的平均距离,在每个聚类簇内抽取不同个数有代表性的样本,并将簇内样本点之间及所有少数类样本点两两成对表示,从而有效降低了所有样本成对数据表示中两两组合而导致的数据暴涨问题,同时避免了随机抽样而可能导致的有效信息丢失问题。最后在9组UCI数据集上验证了所提算法的有效性。(本文来源于《计算机科学》期刊2019年S2期)
王凯,杨枢,李超[2](2019)在《一种基于ECG的多层共轭对称Hadamard特征变换的房颤异常信号分类方法》一文中研究指出目的:对心电图房颤异常信号进行检测和分析,利用多层共轭对称Hadamard特征变换模型,构建房颤异常信号分类系统。方法:采用多层共轭对称Hadamard特征变换的房颤识别方法,检测房颤异常信号分类特征。采用基于误差梯度反向传播Levenberg-Marquardt神经网络模型训练测试数据集。构建房颤异常信号分类器,并建立临床诊断分类模型。结果:该模型能有效提高特征分类效果,增加算法的收敛速度及计算精度,便于实时分析和诊断房颤异常疾病。结论:该模型能够捕获异常房颤信号的疑似波形,评估和分析信号特征,具有较高的系统鲁棒性。(本文来源于《中国医学物理学杂志》期刊2019年09期)
郭丽,刘磊[3](2019)在《基于多层感知器的流量分类方法研究》一文中研究指出为了解决现有流量分类方法识别准确率低、复杂度高、高速流量处理能力弱、对既定特征依赖程度高等问题,提出了一种新的流量分类方法。利用深度学习的思想识别复杂网络应用、感知应用内部服务。在多层感知器模型基础上,基于无监督学习算法训练多层感知器参数,基于有监督学习算法回溯调整,经过不断迭代优化分类器性能。为了获得更好的分类效果,引入了基于载荷熵值以及字节值的分类特征。实验结果表明,基于多层感知器的流量分类方法在复杂应用识别上具有较高的识别准确率,在应用服务感知上具有很高的精确率、更少的训练和测试时间。相比于其他机器学习算法,基于多层感知器的流量分类方法能够更加准确地识别复杂网络应用,更高效地感知应用内部服务。(本文来源于《电子测量与仪器学报》期刊2019年07期)
刘翠翠[4](2019)在《基于综合特征和多层感知器的图像分类》一文中研究指出图像侦查已经成为军事侦查的主要方法之一,由于侦查图像数据量大,如何对前期图像正确分类,提高后期图像处理效率,成为研究的重点。不同目标类别的图像信息中所反映的特征不同,图像分类是指通过特征把不同类别的目标区分开。一种特征不能全面描述图像的信息,将纹理特征和灰度统计量特征组合为综合特征,多层感知器具有显着的学习和推理能力,可以解决复杂分类的问题,因此提出一种基于图像的综合特征和多层感知器相结合进行图像分类的方法。设计并实现了图像分类系统,使用标准图像库进行实验。首先提取图像的纹理特征和灰度特征,然后将选择的特征值组合成特征向量,进行归一化处理,作为多层感知器的输入,将预测的图像类别作为多层感知器的输出,从而得到分类结果。经过实例验证,分类准确率大于0.8,并将该分类系统应用在某型机试验结果评估系统,分类效果较好,可以为图像处理系统相关应用提供参考。(本文来源于《电子测量技术》期刊2019年08期)
王晓芳[5](2019)在《基于多层卷积神经网络的服装图像分类与检索》一文中研究指出随着人工智能不断发展,电商平台的出现引起了人们互联网在线购买服装的热潮,为了更好的满足消费者的需求,电商平台在不断增加服装种类同时需要完善服装的分类信息。服装在线交易量与日俱增,服装的分类精准不仅有利于快速搜索到目标服装,而且可以在较相似的服装款式中比较其他因素找到性价比最好的,所以对于网上海量的服装数据集研究一种快速分类且准确率高的方法非常重要。传统的方法对海量服装图片分类需先进行人工标注,然后根据图片的标签进行语义分类,这种方法消耗人力多且时间长,效率较低。随着深度学习技术出现,神经网络机器自主学习对图像分类的效率有了很大提升。本课题基于多层卷积神经网络(Convolutional Neural Network,CNN)对服装图像进行分类和检索做了如下工作:(1)采用通用爬虫方法爬取电商APP中的服装图片和视频数据集,对男装和女装主要的衣服类别选择有代表性的分类。图片分类利用深度学习框架Caffe及常用网络模型AlexNet、VGG-16、GoogleNet叁种,调整损失函数及其他各个参数看其最大分类准确率。(2)本设计首次提出对服装视频进行分类,比较不同抽帧方式对分类结果的影响,对服装图像分类有很重要的研究意义。(3)本课题设计搭建一个网页检索系统,建立以图搜图检索界面,利用Js语言和Html框架编写前端网页,后端网页的框架是Flask,利用CNN层中倒数第二层全连接层作为图片的特征向量来建立特征库。采用余弦距离算法计算输入图片向量与特征库数据集中向量的距离,距离越小则图片相似度越高,检索结果返回前20个相似度较高的图片。(本文来源于《内蒙古大学》期刊2019-04-08)
陈谦山[6](2019)在《多层复杂网络在精神分裂症分类中的应用研究》一文中研究指出近年来基于复杂网络的脑疾病研究成为热点,利用脑电数据构建复杂网络是传统研究人类脑疾病的重要方法,前人的研究主要集中在单层复杂网络,重点研究某一频段、某一阶段存在的属性差异,但是传统的研究范式有着无法回避的缺陷,整个频段的各个阶段无法作为整体考虑,实验的各个阶段的各个频段也是分开讨论,而单层复杂网络的网络特点也使得一些主要信息被隐藏或无法表达,使其获取的显着差异属性偏少,分类准确率偏低,分类正确性不足。基于多层复杂网络理论可以同时包含多种不同类型的对象和关系,比传统复杂网络表征更丰富的信息,更好地支持建模求解和分析预测任务。本文多角度的探讨多层脑功能网络的构建与分析方法,提出了两种多层脑功能网络的构建方法。基于精神分裂症患者脑电数据,充分利用多层复杂网络的理论构建多层脑网络,通过分析和对比患者多层脑网络全局和局部属性,找出差异显着属性,利用SVM分类器进行分类对比,分类准确率最高达90%以上。综合分析来看,通过多层复杂网络理论得到的脑网络属性可作为精神分裂症疾病的判断分析指标,应用到精神分裂症的发病区域研究及临床诊断。主要工作如下:(1)构建多层脑功能网络。首先将头皮节点作为节点,节点连接确定边和阈值,然后按照阶段、频率进行设置,最后混合叁个阶段和五个频段构建叁层复杂网络和五层复杂网络。(2)计算由时序转化的叁层脑功能网络的局部属性和全局属性,在各个频段下,将精神分裂症患者组和正常人组叁层脑网络属性进行比较,提取显着差异属性值,进行分类分析,找出在工作记忆实验中患者组在各个频段表现异常的节点,分析其脑区功能。结果显示,局部属性综合情况要优于全局属性。而在频段比较中,θ频段的各项指标表现差异性较大,可以作为区分精神分裂症患者和正常人的重要指标考虑。(3)计算由频域转化的五层脑功能的局部属性和全局属性,在叁个阶段中,计算两组五层脑功能网络的各项属性值,用机器学习的方法进行分类比较找出显着差异属性。观察各个属性在工作记忆实验中各个阶段显着差异属性的变化,分析脑区功能变化。结果显示,在各个阶段各个频段,精神分裂症组与正常人组均存在大量显着差异属性,其分布在各个脑区,证明了精神分裂症是一种全脑性疾病而非仅仅是局部脑区病变。总之,本文重要着重研究了基于多层复杂网络的脑功能网络的构建方法以及分类分析,探索了多层脑功能网络的基本拓扑属性,为脑电结构下的脑网络研究提供了新的思路和视角。(本文来源于《太原理工大学》期刊2019-04-01)
李靖靖,王玉德[7](2019)在《基于CNN多层融合特征与Fisher准则的分类算法》一文中研究指出针对目标物体的多分类问题,提出基于CNN多层融合特征与Fisher准则的分类算法。首先,应用卷积神经网络提取图像的各层特征;然后,通过穷尽搜索法确定各层特征融合的权值系数,得到多目标分类特征;最后,采用Fisher多分类准则,求出使模式具有最大可分性的最佳投影方向,实现目标分类。在ORL、Yale库上进行实验研究,分类准确率分别达到了97. 5%和97. 3%。结果表明,该方法能够解决模式多分类的问题,与传统方法相比有效地提高了识别能力,具有很好的鲁棒性。(本文来源于《激光杂志》期刊2019年03期)
魏葆春,甘发旺[8](2019)在《物联网多层设备信息通信数据分类识别仿真》一文中研究指出对物联网多层设备信息通信数据进行分类识别,能够有效提高物联网设备的利用率,对设备信息通信数据进行识别,需要将通信信号特征从频域扩展至复平面,采用训练好的SVM对剩余通信数据进行分类识别。传统方法设定网络设备通信数据流的分形谱,推导出通信数据流的估计谱,但忽略了将通信信号特征扩展至复平面,导致识别误差大等问题。提出物联网多层设备信息通信数据分类识别方法,通过多层设备源信号的对角切片双谱提取通信信号特征,利用Chirp-Z变换将通信信号特征从频域扩展至复平面,选取出具有较强可分离度特征作为多层设备通信数据特征参数,并利用模糊C均值聚类算法进行初步聚类,选取聚类性能较优的通信数据作为支持向量机(SVM)的训练样本,再采用训练好的SVM对剩余通信数据进行分类识别。实验结果表明,所提方法有效提高了数据分类识别效率,且识别误差较小。(本文来源于《计算机仿真》期刊2019年01期)
张涛[9](2019)在《云环境下基于多层前向神经网络交叉覆盖算法的数据分类》一文中研究指出基于云计算技术的神经网络方法研究为大规模数据的分析处理提供了廉价的、高效的解决方案,交叉覆盖算法可以较好地解决多层前向网络分类器的设计问题,弥补BP神经网络的不足.结合MP神经元的几何概念,基于交叉覆盖算法设计神经网络,以Iris数据集为例,基于云计算环境实现了数据分类,为多层前向神经网络在云环境下进行数据分析提供了一种有意义的研究和实践.(本文来源于《宜宾学院学报》期刊2019年06期)
顾哲彬,曹飞龙[10](2018)在《多层前向人工神经网络图像分类算法》一文中研究指出传统人工神经网络的输入均为向量形式,而图像由矩阵形式表示,因此,在用人工神经网络进行图像处理时,图像将以向量形式输入至神经网络,这破坏了图像的结构信息,从而影响了图像处理的效果。为了提高网络对图像的处理能力,文中借鉴了深度学习的思想与方法,引进了具有矩阵输入的多层前向神经网络。同时,采用传统的反向传播训练算法(BP)训练该网络,给出了训练过程与训练算法,并在USPS手写数字数据集上进行了数值实验。实验结果表明,相对于单隐层矩阵输入前向神经网络(2D-BP),所提多层网络具有较好的分类效果。此外,对于彩色图片分类问题,利用所提出的2D-BP网络,给出了一个有效的可行方法。(本文来源于《计算机科学》期刊2018年S2期)
多层分类论文开题报告
(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:
目的:对心电图房颤异常信号进行检测和分析,利用多层共轭对称Hadamard特征变换模型,构建房颤异常信号分类系统。方法:采用多层共轭对称Hadamard特征变换的房颤识别方法,检测房颤异常信号分类特征。采用基于误差梯度反向传播Levenberg-Marquardt神经网络模型训练测试数据集。构建房颤异常信号分类器,并建立临床诊断分类模型。结果:该模型能有效提高特征分类效果,增加算法的收敛速度及计算精度,便于实时分析和诊断房颤异常疾病。结论:该模型能够捕获异常房颤信号的疑似波形,评估和分析信号特征,具有较高的系统鲁棒性。
(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。
多层分类论文参考文献
[1].刘树栋,魏嘉敏.基于谱聚类和成对数据表示的多层感知机分类算法[J].计算机科学.2019
[2].王凯,杨枢,李超.一种基于ECG的多层共轭对称Hadamard特征变换的房颤异常信号分类方法[J].中国医学物理学杂志.2019
[3].郭丽,刘磊.基于多层感知器的流量分类方法研究[J].电子测量与仪器学报.2019
[4].刘翠翠.基于综合特征和多层感知器的图像分类[J].电子测量技术.2019
[5].王晓芳.基于多层卷积神经网络的服装图像分类与检索[D].内蒙古大学.2019
[6].陈谦山.多层复杂网络在精神分裂症分类中的应用研究[D].太原理工大学.2019
[7].李靖靖,王玉德.基于CNN多层融合特征与Fisher准则的分类算法[J].激光杂志.2019
[8].魏葆春,甘发旺.物联网多层设备信息通信数据分类识别仿真[J].计算机仿真.2019
[9].张涛.云环境下基于多层前向神经网络交叉覆盖算法的数据分类[J].宜宾学院学报.2019
[10].顾哲彬,曹飞龙.多层前向人工神经网络图像分类算法[J].计算机科学.2018