导读:本文包含了多核学习论文开题报告文献综述及选题提纲参考文献，主要关键词:地理信息资源检索,多核学习,多特征融合,用户反馈
多核学习论文文献综述
李牧闲,桂志鹏,成晓强,吴华意,秦昆[1]（2019）在《多核学习与用户反馈结合的WMS图层检索方法》一文中研究指出现有WMS检索方法多基于服务元数据文本匹配,缺乏对地图内容的"感知",无法应对元数据缺失或图文不符的情境。本文设计了一种多特征多核学习和用户反馈结合的WMS图层检索方法,利用多核学习算法融合颜色、形状与纹理特征,实现图层分类和相似度排序,并通过采集检索结果展示页面中的兴趣图层标记进行用户反馈,以优化分类模型和提高检索精度。试验结果表明,该方法查准率高且检索用时较短,能够与现有基于文本检索的地理信息资源门户集成,实现WMS的快速检索与有效发现。(本文来源于《测绘学报》期刊2019年10期）
顾鸿虹[2]（2019）在《基于多核学习的多带抗噪声语音识别方法仿真》一文中研究指出由于传统语音识别方法在安静环境下语音识别较为准确,可在现实环境下,噪声干扰语音特征提取,导致测量数据不可信,语音识别方法正确率低。提出一种基于多核学习的多带抗噪声语音识别方法,构建多核学习组合算法。算法是多核学习与投影算法的融合,根据不同频带带宽,可以将多带噪声有效地分类,并加强语音特征级,与CHMM模型共同完成多带抗噪声语音识别方法,计算得出各模型条件概率,数值最大的即是语音识别结果。根据仿真结果分析,基于多核学习的多带抗噪声语音识别方法,相比传统方法可以减少运算量,提高语音识别正确率,有效地识别出现实噪声环境下正常语音。(本文来源于《计算机仿真》期刊2019年10期）
张潇,支天[3]（2019）在《面向多核处理器的机器学习推理框架》一文中研究指出近年来,深度神经网络被广泛应用于各个领域并取得了极大的成功.由于神经网络模型的尺寸和计算量的不断增加,为了能够高效迅速地完成神经网络的计算,包括GPU和专用加速器在内的很多新型硬件处理器被用于深度学习的计算.尽管如此,通用处理器作为目前最为常见和易于获得的计算平台,探究如何高效地在其上运行神经网络算法同样具有重要意义.多核处理器在训练阶段可以采用数据并行的方式来提高数据吞吐量,加快训练速度.然而在推理阶段,相比吞吐量场景,端到端的时延往往更加重要,因为这决定了处理器在某个场景下的可用性.传统的数据并行方案不能满足推理场景下对处理器小数据、低延迟的要求.因此,对于多核的处理器结构,需要在算子内部对计算进行拆分,才能够充分利用多核结构的硬件资源.考虑到处理器的计算特点,需要一种精细的方法来对计算图中的算子进行合理的拆分,才能真正有效地发挥出多核处理器的计算潜能.提出一种基于算子拆分的并行框架,可以用较小的开销实现处理器由单核向多核结构上的扩展,并且能够针对给定的网络和底层处理器特点给出一种高效的拆分方案.实验结果表明:该方法能有效降低各种网络在多核处理器上的端到端时延.(本文来源于《计算机研究与发展》期刊2019年09期）
贾涵,连晓峰,潘兵[4]（2019）在《基于模糊松弛约束的外观缺陷多核学习技术》一文中研究指出为了满足当前工业生产中对产品外观缺陷检测的精度及实时的要求,提出一种基于模糊松弛约束多核学习的产品外观缺陷检测方法(FRC-MKL)。该方法对各类外观缺陷的样本图像进行特征提取,采用模糊约束理论求解组合核函数中各核函数的权重,通过给每个核函数划定一个模糊权重得到组合核函数,实现了将该组合核函数作为分类器的核函数进行缺陷的学习分类。实验结果表明,利用模糊松弛约束和多核技术可以提高产品外观缺陷的检测精度并且在实地检测中可以更好地满足外观缺陷的实时检测。(本文来源于《测控技术》期刊2019年08期）
张晨,唐湘滟,程杰仁,董哲,李俊麒[5]（2019）在《基于多核学习的自适应DDoS攻击检测方法》一文中研究指出分布式拒绝服务DDoS攻击是互联网安全的主要威胁之一。当前大多数检测方法采用单一特征,在大数据环境下不能有效地检测DDoS早期攻击。提出了一种基于多核学习的特征自适应DDoS攻击检测方法FADADM,根据DDoS攻击流量的突发性、地址的分布性以及通信双方的交互性定义了5个特征。基于集成学习框架,分别提出采用增大同类方差与异类均值差的比值IS/M和减少同类方差与异类均值差的比值RS/M的方式自适应地调整各特征值的权重,基于简单多核学习SimpleMKL模型训练出IS/M-SimpleMKL和RS/M-SimpleMKL 2种具有不同特性的多核学习模型,以识别DDoS早期攻击。实验结果表明,本文方法能够快速、准确地检测DDoS早期攻击。(本文来源于《计算机工程与科学》期刊2019年08期）
张晴,李云,李文举,林家骏,肖莽[6]（2019）在《融合深度特征和多核增强学习的显着目标检测》一文中研究指出目的针对现有基于手工特征的显着目标检测算法对于显着性物体尺寸较大、背景杂乱以及多显着目标的复杂图像尚不能有效抑制无关背景区域且完整均匀高亮显着目标的问题,提出了一种利用深度语义信息和多核增强学习的显着目标检测算法。方法首先对输入图像进行多尺度超像素分割计算,利用基于流形排序的算法构建弱显着性图。其次,利用已训练的经典卷积神经网络对多尺度序列图像提取蕴含语义信息的深度特征,结合弱显着性图从多尺度序列图像内获得可靠的训练样本集合,采用多核增强学习方法得到强显着性检测模型。然后,将该强显着性检测模型应用于多尺度序列图像的所有测试样本中,线性加权融合多尺度的检测结果得到区域级的强显着性图。最后,根据像素间的位置和颜色信息对强显着性图进行像素级的更新,以进一步提高显着图的准确性。结果在常用的MSRA5K、ECSSD和SOD数据集上与9种主流且相关的算法就准确率、查全率、F-measure值、准确率—召回率(PR)曲线、加权F-measure值和覆盖率(OR)值等指标和直观的视觉检测效果进行了比较。相较于性能第2的非端到端深度神经网络模型,本文算法在3个数据集上的平均F-measure值、加权F-measure值、OR值和平均误差(MAE)值,分别提高了1. 6%,22. 1%,5. 6%和22. 9%。结论相较于基于手工特征的显着性检测算法,本文算法利用图像蕴含的语义信息并结合多个单核支持向量机(SVM)分类器组成强分类器,在复杂图像上取得了较好的检测效果。(本文来源于《中国图象图形学报》期刊2019年07期）
白东颖,易亚星,王庆超,余志勇[7]（2019）在《面向概念漂移问题的渐进多核学习方法》一文中研究指出针对概念漂移问题,构建数据特性随时间发生渐进变化特点的分类学习模型,提出一种基于渐进支持向量机(G-SVM)的渐进多核学习方法(G-MKL)。该方法采用支持向量机(SVM)为基本分类器,进行多区间上的子分类器耦合训练,并通过约束子分类器增量方式使模型适应数据渐进变化特性,最终将多个核函数以线性组合方式融入SVM求解框架。该方法综合发挥了各个核函数的优势,大大提高了模型适应性和有效性。在具有渐变特性的模拟数据集和真实数据集上将所提算法与多种经典算法进行了对比,验证了所提算法在处理非静态数据问题的有效性。(本文来源于《计算机应用》期刊2019年09期）
陈博[8]（2019）在《多核学习在储层建模中的应用研究》一文中研究指出储层建模是一种需要对储层地下地质特征和油藏进行精细化描述的技术。其中的重点是描述观察到的空间信息与孔隙度和渗透率等目标变量之间的预测关系。在储层建模过程中,建模结果的不确定性与物性参数的非均质性是影响模型最终精度的关键因素。本文提出数据驱动的机器学习方法,使用该方法对储层中孔隙度等物性参数的空间分布进行建模。该方法采用基于核学习的多核学习方法,整合具有多尺度特征的先验地质信息,使储层的先验知识和物性参数以一种高效的方式结合在一起,从而提升储层模型的现实性。本文展示了如何使用多核学习方法去结合地震数据与先验知识构建储层地质模型。使用图像处理相关技术从地震数据中捕获梯度等大小变化敏感的数据来确定地质特征。利用多个地质特征,使用多个核函数一一对应的方式在高维空间中计算物性参数。根据多核学习中从数据之间学得的依赖关系优于预定义模型这一原则,通过模型参数的变化,灵活地控制了储层物性参数,将预测值以一组加权核函数的方式给出。本文的方法利用油田实际储层数据进行了验证,地质模型效果良好,再现了一个复杂的辫状河储层地质模式。(本文来源于《西安石油大学》期刊2019-06-05）
张娇阳[9]（2019）在《基于多核学习的支持向量机方法研究》一文中研究指出20世纪60年代Vapnik等人提出了统计学习理论。基于该理论,于90年代给出了一种新的学习方法——支持向量机。该方法显着优点为根据结构风险最小化归纳准则,有效地避免了过学习、维数灾难和局部极小等传统机器学习中存在的弊端,且在小样本情况下仍然具有良好的泛化能力,从而该算法受到了广泛的关注。但是,随着支持向量机的不断发展和应用,其也逐渐显现出一些局限。其一,支持向量机对孤立点和噪音数据是非常敏感的。为了解决此问题,Lin等人提出了模糊支持向量机的概念,即将样例的模糊隶属度引入到支持向量机中。模糊支持向量机在一定程度上降低了噪声点和孤立点对最终决策函数的影响,提高了支持向量机的抗噪音能力。其二,核函数与核参数的选择,对学习性能有至关重要的影响,然而目前还没有关于核函数以及核参数选取的有效手段。近年来多核学习已成为机器学习领域广大学者的研究热点。即用多个核相结合来代替单个核函数。多个核函数往往可以更加充分地刻画数据间的相似性,尤其是复杂数据间的相似性。从而多核相结合可以较准确的表达数据的相似性。作为核方法的重要成果,多核学习能够克服核函数核参数选择这一难题。本文为了同时解决核函数选择难题和对噪音数据敏感问题,将多核学习方法引入到支持向量机中,提出了多核模糊支持向量机与多核支持向量回归机。基于多核学习的模糊支持向量机方法在保持模糊支持向量机抗噪音能力的前提下,显着提高了算法效率,具有重要理论与实际意义。多核学习方法目前在支持向量回归机中应用较少,本文为了解决支持向量回归机中的核函数核参数选择难题,将基于核对齐的多核学习方法引入到支持向量回归机中。本文主要工作及取得的成果如下:1.将多个核函数直接相加的多核方法与模糊支持向量机模型相结合,提出了基于粗糙集隶属度的模糊多核支持向量机。在UCI数据上实验对比表明,本文提出的方法比经典支持向量机、模糊支持向量机和多核支持向量机在预测精度方面表现优异。2.将基于核对齐的多核学习方法引入到模糊支持向量机中,提出了基于核对齐的模糊多核支持向量机。根据最大化组合核与理想核之间的相似性,计算核权重,得到的组合核更精确地刻画数据间的相似性。在UCI数据上实验结果验证了本文所提方法有效性。3.将基于核对齐的多核学习方法引入到支持向量回归机中,提出了基于核对齐的多核支持向量回归机。实验结果表明,多核支持向量回归机在预测精度上能与最优的支持向量回归机方法保持一致甚至更好,在计算开销上,多核支持向量回归机方法要远优于支持向量回归机。(本文来源于《北京建筑大学》期刊2019-06-01）
曹惠玲,薛成,薛鹏[10]（2019）在《多核学习SVM在发动机故障诊断上的应用》一文中研究指出为了从小样本的发动机性能参数故障数据中提取故障信息,准确而快速的识别故障数据,支持向量机具备的诸多优点使其逐步的应用到发动机的故障诊断中。目前,已有不少利用支持向量机进行发动机故障诊断的研究,但对核函数的选用大多使用单一核函数对数据进行训练,在没有先验的情况下,往往不容易选择出最优的核函数。通过对核函数的研究,提出将基于多核学习构建的组合核函数作为支持向量机新的映射函数,通过故障实例演示了多核学习SVM在发动机故障诊断上的应用,说明了组合核函数的构建方法和相比于单一核函数的优越性。(本文来源于《机械设计与制造》期刊2019年05期）
多核学习论文开题报告
（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：
由于传统语音识别方法在安静环境下语音识别较为准确,可在现实环境下,噪声干扰语音特征提取,导致测量数据不可信,语音识别方法正确率低。提出一种基于多核学习的多带抗噪声语音识别方法,构建多核学习组合算法。算法是多核学习与投影算法的融合,根据不同频带带宽,可以将多带噪声有效地分类,并加强语音特征级,与CHMM模型共同完成多带抗噪声语音识别方法,计算得出各模型条件概率,数值最大的即是语音识别结果。根据仿真结果分析,基于多核学习的多带抗噪声语音识别方法,相比传统方法可以减少运算量,提高语音识别正确率,有效地识别出现实噪声环境下正常语音。
（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。
多核学习论文参考文献
[1].李牧闲,桂志鹏,成晓强,吴华意,秦昆.多核学习与用户反馈结合的WMS图层检索方法[J].测绘学报.2019
[2].顾鸿虹.基于多核学习的多带抗噪声语音识别方法仿真[J].计算机仿真.2019
[3].张潇,支天.面向多核处理器的机器学习推理框架[J].计算机研究与发展.2019
[4].贾涵,连晓峰,潘兵.基于模糊松弛约束的外观缺陷多核学习技术[J].测控技术.2019
[5].张晨,唐湘滟,程杰仁,董哲,李俊麒.基于多核学习的自适应DDoS攻击检测方法[J].计算机工程与科学.2019
[6].张晴,李云,李文举,林家骏,肖莽.融合深度特征和多核增强学习的显着目标检测[J].中国图象图形学报.2019
[7].白东颖,易亚星,王庆超,余志勇.面向概念漂移问题的渐进多核学习方法[J].计算机应用.2019
[8].陈博.多核学习在储层建模中的应用研究[D].西安石油大学.2019
[9].张娇阳.基于多核学习的支持向量机方法研究[D].北京建筑大学.2019
[10].曹惠玲,薛成,薛鹏.多核学习SVM在发动机故障诊断上的应用[J].机械设计与制造.2019