导读:本文包含了加权神经网络论文开题报告文献综述及选题提纲参考文献,主要关键词:MRI,T_2加权,PD加权,多加权成像
加权神经网络论文文献综述
陈眺[1](2019)在《基于生成对抗神经网络的核磁共振多加权成像方法》一文中研究指出多种加权的核磁共振(Magnetic Resource,MR)图像能够为病情的精确诊断提供更多的参考,而核磁共振成像(Magnetic Resonance Imaging,MRI)在一次成像过程中只能实现一种加权方式,这不仅限制了病情的参考条件,也增加了患者在采集不同加权MR图像时的不适感和医疗开销。基于深度学习的医疗影像分析和计算机辅助诊断正逐渐成为医学精确诊断的解决方案,深度学习的出现解决了高维特征学习的难题。论文利用深度学习方法创新性地将T_2加权的MR图像转换为质子密度(Proton Density,PD)加权,从而在一次MRI中获得多种加权的MR图像。论文的主要研究工作和贡献如下:(1)对MRI方法进行研究,从组织弛豫过程分析T_2加权MR图像中包含的PD加权成分,为T_2加权MR图像转换为PD加权提供了理论条件,并对深度学习方法进行研究,使得这种转换具备技术实现的条件。(2)提出了保留纹理的生成对抗网络(Preserving-Texture Generative Adversarial Networks,PTGAN),将改进的U-Net模型作为PTGAN的生成模型,并将深度卷积神经网络作为PTGAN的判别模型,通过生成模型和判别模型的对抗训练来实现T_2和PD的加权转换。在改进的U-Net模型中,使用卷积层替换池化层来实现更高维的特征提取,增加批归一化层来减少数据差异,并进一步增加网络的深度。(3)将最小二乘损失作为PTGAN的基本损失来减小决策边界距离和提高模型训练的稳定性,并在生成模型中加入L2损失、频率损失和均方误差,从而在空间域和频域上确保转换过程中的结构纹理不变。利用多种数据扩充方式增加数据多样性,设计四种网络结构与PTGAN进行对比,并使用多种MR图像测试PTGAN模型。实验表明,PTGAN模型能够将T_2加权图像转换为高质量的PD加权图像,转换的PD加权图像与采集的PD加权图像相比较,结构相似性达到0.971,峰值信噪比达到32.944dB。此外,在独立的CPU下每个转换过程达到48.4ms左右,而在独立的GPU下仅为4ms左右,可以在一次成像过程中快速地为疾病诊断提供更多的参考信息。(本文来源于《江苏大学》期刊2019-06-05)
黄鸿琦[2](2019)在《基于RBF神经网络模型的改进加权主成分分析参数全局优化研究》一文中研究指出为分析响应预测能力对优化结果的影响,建立响应与可控因子间参数回归模型以计算预测能力指数,但复杂生产过程中模型拟合度不高,难以满足建模要求,因此提出一种基于RBF神经网络的改进加权主成分分析参数优化方法。该方法利用RBF神经网络构建非线性预测模型,计算并引入网络预测能力指数以调整加权主成分分析法,优先改进预测能力强的响应,然后进行主效应图分析,并通过建立响应曲面模型,利用遗传算法全局搜索最优点。实验结果表明,RBF神经网络泛化能力强,改进的方法能够使得多个响应达到较理想的综合优化效果,且优于企业所用参数组合。(本文来源于《河南机电高等专科学校学报》期刊2019年03期)
王琳琳,梁凤梅,刘阿建[3](2019)在《基于卷积神经网络特征重加权的行人再辨识》一文中研究指出对于开集测试协议行人再辨识问题的研究,我们希望在某种距离度量目标函数的优化下,使学习到的行人特征满足类内最大距离越来越小,同时类间最小距离越来越大.然而,目前所存在的算法行人特征的判别性较低.本文将基于siamese模型的卷积神经网络用于行人再辨识的研究,该网络在分类与验证损失函数的联合监督下,可以学习出更具判别性的行人特征.其中,分类损失函数使学习到的行人特征具备分辨性,而验证损失函数的作用是在拉大类间特征距离的同时减小类内特征间的距离,使学习到的行人特征具备辨别性.除此之外,我们在验证损失函数之前设计一个特征重加权层.该层将特征维度的尺度与相关性考虑进去对每一维进行重新加权,且权值矩阵在网络训练过程中自动更新.同时,我们为该层的权值矩阵施加一个约束,以提高行人特征的泛化能力.最后在几个行人再辨识数据集上的实验表明我们模型与特征重加权层的优越性.(本文来源于《小型微型计算机系统》期刊2019年04期)
耿磊,邱玲,吴骏,肖志涛,张芳[4](2019)在《结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割》一文中研究指出糖尿病和高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种结合深度可分离卷积与通道加权的全卷积神经网络(FCN)视网膜图像血管分割方法。首先,对眼底图像的绿色通道进行CLAHE及Gamma校正以增强对比度;然后,为了适应网络训练,对增强后的图像进行分块以扩充数据;最后,以深度可分离卷积代替标准的卷积方式以增加网络宽度,同时引入通道加权模块,以学习的方式显式地建模特征通道的依赖关系,提高特征的可分辨性。将二者结合应用于FCN网络中,以专家手动标识结果作为监督在DRIVE数据库进行实验。结果表明,本文方法在DRIVE库的分割准确性能够达到0.963 0,AUC达到0.983 1,在STARE库的分割准确性可以达到0.962 0,AUC达到0.983 0。在一定程度上,本文方法具有更好的特征分辨性,分割性能较好。(本文来源于《生物医学工程学杂志》期刊2019年01期)
赵文怡,夏丽莎,高广阔,成力[5](2019)在《基于加权KNN-BP神经网络的PM_(2.5)浓度预测模型研究》一文中研究指出通过隶属度函数确定的加权KNN-BP神经网络方法,建立PM_(2.5)浓度动态实时预测模型,以PM_(2.5)、PM_(10)、NO_2、CO、O_3、SO_2等6种污染物前1 h的浓度及天气现象、温度、气压、湿度、风速、风向等6种气象条件,以及预测时刻所在一周中天数和该时刻所在一天当中的小时数为KNN实例的维度,选取3个近邻,根据得到的欧氏距离确定每个近邻变量的隶属度权重,最终将所有近邻的维度作为BP神经网络的输入层数据,输出要预测的下1 h PM_(2.5)浓度,该方法避免了传统BP神经网络方法不能体现历史时间窗内的数据对当前预测影响的问题。对北京市东城区监测站2014-05-01T00:00—2014-09-10T23:00的数据进行预测试验,结果表明,加权KNN-BP神经网络预测模型相较其他方法的预测误差最低,且稳定性效果最好,是PM_(2.5)浓度实时预测的有效方法。(本文来源于《环境工程技术学报》期刊2019年01期)
李锋,向往,王家序,汤宝平[6](2019)在《基于量子加权门限重复单元神经网络的性态退化趋势预测》一文中研究指出提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network,QWGRUNN)的旋转机械性态退化趋势预测方法。采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测。QWGRUNN在门限重复单元(Gated Recurrent Unit,GRU)基础上引入量子位来表示网络权值和活性值并构造量子相移门以实现权值量子位和活性值量子位的更新,改善了网络泛化能力,进而提高了所提出的性态退化趋势预测方法的预测精度;采用与自身结构相适应的动态学习参数,改善了网络收敛速度,进而提高了所提出的预测方法的计算效率。滚动轴承性态退化趋势预测实例验证了该方法的有效性。(本文来源于《振动与冲击》期刊2019年01期)
王峥,叶维,邱秀连[7](2018)在《基于特征加权贝叶斯神经网络的微博异常账号检测》一文中研究指出准确检测出微博的异常账号对净化网络环境有着至关重要的作用。为了更精确地检测出微博异常账号,提出一种基于特征加权贝叶斯(Weighted Native Bayesian,WNB)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的微博账号检测模型。首先从微博账号中提取出多个行为特征,并且将行为特征进行归一化处理,然后对微博账号的行为特征建立贝叶斯神经网络模型进行检测,并采用WNB对神经网络的权值进行优化,以求获得最佳的检测效果。实验结果表明,基于特征加权贝叶斯神经网络的检测模型较采用贝叶斯神经网络时检测精度有了明显提高,所提出的检测模型具有较高的检测精度。(本文来源于《计算机与数字工程》期刊2018年11期)
李锋,陈勇,向往,王家序,汤宝平[8](2018)在《基于量子加权长短时记忆神经网络的状态退化趋势预测》一文中研究指出提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。(本文来源于《仪器仪表学报》期刊2018年07期)
丁金亮,邹翔宇[9](2018)在《一种基于BP神经网络与加权平均的人机交互RFID室内定位算法研究》一文中研究指出射频识别室内定位算法(RFID-ILA)是人机交互系统(HCIS)中的关键技术之一,与WiFi、GPS和蓝牙技术相比具有明显的优势。由于室内环境复杂多变,传统的基于接收信号强度(RSS)的RFID-ILA难以准确估计信道传播因子(CPF),定位精度和抗干扰能力较差。本文提出了一种基于BP神经网络和加权平均改进的RSS叁边定位算法,实验结果表明,改进算法的精度有明显的提高。(本文来源于《电子元器件与信息技术》期刊2018年06期)
吴森森[10](2018)在《地理时空神经网络加权回归理论与方法研究》一文中研究指出地理关系回归分析是地理时空建模的研究热点。发展新的时空回归分析方法,提升地理关系的分析挖掘能力,对于深入理解社会过程和地理现象具有重要的理论价值与实践意义。时空非平稳性是地理关系描述的固有特性,其解算精度决定了地理关系回归建模的准确性与可靠性。以地理加权回归和时空地理加权回归为核心的现有非平稳关系回归方法,由于无法充分拟合现实地理关系的复杂非线性特征,导致其在解算时空非平稳性时面临时空邻近关系表达不充分、核函数权重计算不准确等突出问题,极大限制了复杂地理关系的时空分析与建模表达能力。针对以上问题,本文综合利用现代人工智能方法优越的拟合与计算能力,将地理关系中复杂非线性问题的构造求解转换为深度神经网络的拓扑设计与优化学习问题,初步建立了地理时空神经网络加权回归理论与方法体系,并以浙江近岸海域赤潮灾害的地理时空关系建模为例,进行了核心方法的测试、应用与验证。本文的研究内容概况如下:(1)以“时空邻近关系的统一表达”和“权重核函数的精确构建”为目标,提出了时空邻近关系的多层次深度神经网络表达方法,设计了具有动态学习能力的地理时空加权神经网络,建立了时空非平稳性的精准解算训练框架,并进一步构建了统计诊断分析方法,初步形成了地理时空神经网络加权回归理论。(2)给出了地理时空神经网络加权回归理论在空间关系范畴下的模型定义与设计实现,提出了地理神经网络加权回归模型。以浙江近岸海域赤潮灾害过程的空间非平稳关系建模为例,充分论证了该模型理论方法的可行性与有效性,并证明了空间加权神经网络比空间权重核函数具有更强的适用性。(3)给出了地理时空神经网络加权回归理论在时空关系范畴下的模型定义与设计实现,提出了地理时空神经网络加权回归模型。以浙江近岸海域赤潮灾害过程的时空非平稳关系建模为例,充分论证了该模型理论方法的可行性与有效性,并证明了时空邻近关系神经网络能够有效拟合时间邻近和空间邻近的非线性融合作用,显着提升了时空非平稳关系的建模性能。(4)给出了地理时空神经网络加权回归理论在复杂时空关系范畴下的广义模型定义与设计实现,提出了广义地理时空神经网络加权回归模型。以浙江近岸海域赤潮灾害过程的复杂周期性时空非平稳关系建模为例,充分论证了该模型理论方法的可行性与有效性,并着重论证了时空邻近关系深度神经网络对复杂地理过程时空邻近关系的拟合能力。本文研究有望实现地理关系智能建模方法的理论创新与模型突破,进而提升地理关系回归分析方法的建模准度与应用能力,促进空间统计与时空推理方法的研究与发展。(本文来源于《浙江大学》期刊2018-06-10)
加权神经网络论文开题报告
(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:
为分析响应预测能力对优化结果的影响,建立响应与可控因子间参数回归模型以计算预测能力指数,但复杂生产过程中模型拟合度不高,难以满足建模要求,因此提出一种基于RBF神经网络的改进加权主成分分析参数优化方法。该方法利用RBF神经网络构建非线性预测模型,计算并引入网络预测能力指数以调整加权主成分分析法,优先改进预测能力强的响应,然后进行主效应图分析,并通过建立响应曲面模型,利用遗传算法全局搜索最优点。实验结果表明,RBF神经网络泛化能力强,改进的方法能够使得多个响应达到较理想的综合优化效果,且优于企业所用参数组合。
(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。
加权神经网络论文参考文献
[1].陈眺.基于生成对抗神经网络的核磁共振多加权成像方法[D].江苏大学.2019
[2].黄鸿琦.基于RBF神经网络模型的改进加权主成分分析参数全局优化研究[J].河南机电高等专科学校学报.2019
[3].王琳琳,梁凤梅,刘阿建.基于卷积神经网络特征重加权的行人再辨识[J].小型微型计算机系统.2019
[4].耿磊,邱玲,吴骏,肖志涛,张芳.结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割[J].生物医学工程学杂志.2019
[5].赵文怡,夏丽莎,高广阔,成力.基于加权KNN-BP神经网络的PM_(2.5)浓度预测模型研究[J].环境工程技术学报.2019
[6].李锋,向往,王家序,汤宝平.基于量子加权门限重复单元神经网络的性态退化趋势预测[J].振动与冲击.2019
[7].王峥,叶维,邱秀连.基于特征加权贝叶斯神经网络的微博异常账号检测[J].计算机与数字工程.2018
[8].李锋,陈勇,向往,王家序,汤宝平.基于量子加权长短时记忆神经网络的状态退化趋势预测[J].仪器仪表学报.2018
[9].丁金亮,邹翔宇.一种基于BP神经网络与加权平均的人机交互RFID室内定位算法研究[J].电子元器件与信息技术.2018
[10].吴森森.地理时空神经网络加权回归理论与方法研究[D].浙江大学.2018