导读:本文包含了学习参数优化论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯网络,判别参数学习,量子粒子群,故障诊断
学习参数优化论文文献综述
吴慧玲,丁晓彬,贺广生,刘久富[1]（2019）在《判别类条件贝叶斯网络分类器的量子粒子群优化参数学习》一文中研究指出针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。(本文来源于《山东科技大学学报(自然科学版)》期刊2019年05期）
张森悦,谭文安,王楠[2]（2019）在《基于布谷鸟搜索算法参数优化的组合核极限学习机》一文中研究指出针对单核极限学习机在泛化性能上存在一定局限性的问题,提出将再生核函数与多项式核函数相结合,建立一种新的组合核极限学习机模型,使其具有全局核与局部核的优点,并选择布谷鸟搜索算法对其参数进行优化选择.仿真实验结果表明,采用基于再生核的组合核函数作为极限学习机的核函数可行,在实验数据集的多值分类和回归问题上,与传统支持向量机及单核极限学习机相比,该模型具有更好的泛化性能.(本文来源于《吉林大学学报(理学版)》期刊2019年05期）
彭向凯,吉经纬,李琳,任伟,项静峰[3]（2019）在《基于人工神经网络在线学习方法优化磁屏蔽特性参数》一文中研究指出磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.(本文来源于《物理学报》期刊2019年13期）
常鑫瑞[4]（2019）在《基于深度学习参数优化的风电并网控制策略研究》一文中研究指出本课题以风电场异步风力发电机并网电压波动抑制为课题研究背景,分析研究了公共连接点(PCC,Point of Common Coupling)电压稳定性与风速扰动以及电能异地传输的关系,提出了一种基于优化粒子群算法改进深度置信网络控制策略的静止无功补偿器(STATCOM,Static Synchronous Compensator)电压波动抑制系统来抑制风场PCC的电压冲击、波动以及闪变现象,针对双闭环具体的控制策略进行系统优化设计研究。论文主要研究工作内容如下:为了探寻风电场并网点电压波动的抑制原理,系统分析研究了风速扰动与电能异地传输这两方面对并网点电压的影响关系,从而提出了利用STATCOM无功补偿装置来解决风电系统并网点的电压波动问题。进一步分析研究了STATCOM电压调节原理,并根据其拓扑结构及电路特征建立了基于瞬时无功理论的动态数学模型,得到了双闭环控制策略原理分析,为后文改进控制策略的提出提供理论和算法依据。为了改进上述所提出传统控制系统的局限性,系统分析研究了基于受限玻尔兹曼机的深度置信网络算法以及基于Pareto最优的混沌多目标粒子群优化算法,从而提出了应用粒子群优化算法来改进深度置信网络算法。进一步以风场风速算例分析验证该改进方法的优越性,在同样状况下所提出的算法相比于传统方法能够将预测误差降低2%左右。为了提高STATCOM响应速度,进一步提高系统性能,将上述提出的优化粒子群算法改进深度置信网络算法与STATCOM具体控制策略相结合,希望能够保障控制器在不同的工况下都能得到相对理想的控制效果。从双闭环系统内外环稳定性和动态特性入手,给出具体的电压电流环的PI参数设计及其深度学习网络控制优化PCC电压外环的方案。通过仿真验证分析所提出控制策略处于局部最优工况的情况时响应时间满足当前业内对STATCOM的响应时间小于10ms的控制要求。为了验证所提出方案的的可行性,利用实验室已有的硬件设施环境,设计和完善了STATCOM电压波动抑制模拟平台。通过投切电抗器、启动停止感应电机以及控制电网电压的突变来模拟风电场的工况。通过对实验波形的分析验证本文所设计提出新的STATCOM控制策略在稳态电压精度和动态响应速度上的合理性和优越性,实验系统的响应时间缩短到10ms以内、平均响应时间小于12ms。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
朱汇龙,刘晓燕,刘瑶[5]（2019）在《基于贝叶斯新型深度学习超参数优化的研究》一文中研究指出一种新的贝叶斯优化的Python框架被称为GPflow Opt。这个包是基于流行的GPflow库,主要用于高斯过程,利用了Tensor Flow的优点包括自动微分,贝叶斯优化的并行处理和GPU计算。设计目标是关注于一个易于扩展的框架,使用自定义采集功能和模型。这个框架经过了完全的测试和文档化,并且提供了可伸缩性。本文是对贝叶斯优化算法进行改进,有效解决传统贝叶斯优化算法耗时长,性能波动大的缺陷。首先,通过拉丁超立方实验设计方法,生成贝叶斯优化中建立函数模型所需的初始点,提高有效评估点的生成率;其次,通过使用改进的高斯核函数和获取函数提高贝叶斯优化的效果。最后,在计算目标函数时合理选用部分数据,并在计算过程中使用并行计算的方法,加速整个优化过程。建立上述改进贝叶斯优化算法的实例,仿真结果表明该方法优化效率高,优化结果明显改善。(本文来源于《数据通信》期刊2019年02期）
唐晨[6]（2019）在《帕金森病患者步态特征与机器学习模型参数协同优化研究》一文中研究指出随着我国老龄化情况的凸显,老年人高发的帕金森病已成为了家庭和社会的一个巨大问题。在临床上医生多借助于量表和经验判断的方式对患者进行诊断,但这样会存在漏诊误诊的风险。因此,为了辅助医师对帕金森病患者进行更好的临床诊断,本文使用遗传算法和蚁群算法对患者的步态特征和支持向量机参数进行协同优化,提供基于患者步态特征的辅助诊断方法。本文的主要工作如下:(1)使用遗传算法研究患者步态特征和支持向量机参数的协同优化,以患者特征构成算法中的染色体,同时将支持向量机参数也编入其中,探究两者的协同优化。本文针对协同优化的结果还选取了部分特征选择算法,以及只使用遗传算法进行特征选择作为对照组,实验结果表明使用遗传算法来进行协同优化相对于对照组算法提高了模型的分类精度。(2)使用蚁群算法研究患者步态特征和支持向量机参数的协同优化,将患者特征作为蚂蚁算法搜寻路径上的节点,并将支持向量机参数作为特征的一部分一同进行搜寻,在特征选择过程中同时完成参数的选取。在与对照组的仅使用蚁群算法进行特征选择以及其他的选择算法相比时,实验结果显示使用蚁群算法进行协同优化具有明显的优势,具有较高的分类精度,平均准确率为85.77%。(本文来源于《合肥工业大学》期刊2019-04-01）
王重仁,韩冬梅[7]（2019）在《基于超参数优化和集成学习的互联网信贷个人信用评估》一文中研究指出针对互联网信贷行业的个人信用风险评估问题,文章提出了一种基于贝叶斯参数优化和XGBoost算法的信用评估方法。方法包括五个步骤:数据预处理、特征选择、超参数优化、模型训练、模型预测和评估。实验结果表明,本方法的预测效果优于对比算法(Logistic回归、支持向量机,随机森林、神经网络),同时贝叶斯参数优化方法优于网格搜索法和随机搜索法。因此本文提出的信用评估方法,可以更好区分违约用户,有助于更好地识别用户的违约风险。(本文来源于《统计与决策》期刊2019年01期）
唐长成,叶佐昌[8]（2019）在《基于强化学习的参数化电路优化算法》一文中研究指出本文主要致力于解决参数化形式的优化问题,即minθf(θ,w),其中θ是需要优化的变量,w则是对应不同优化问题的参数,在现实中经常会遇到需要解决一系列不同参数下的优化问题.在对某种特定结构的问题下,通过对不同的参数训练一个模型来解决所有参数下的优化问题.和传统的方法不一样,并不是通过对不同的参数多次独立抽样来训练我们的模型,而是利用强化学习的方法加速训练过程.强化学习算法中分别用策略网络来得到优化结果和利用价值网络来评价策略好坏,通过迭代地训练两个网络来优化策略.在后面一些数学例子和电路优化的例子中显示强化学习的方法取得了比较好的效果.(本文来源于《微电子学与计算机》期刊2019年01期）
刘慧,赵荣彩,王琦[9]（2018）在《监督学习模型指导的函数级编译优化参数选择方法研究》一文中研究指出基于机器学习的迭代编译方法可以在对新程序进行迭代编译时,有效预测新程序的最佳优化参数组合。现有方法在模型训练过程中存在优化参数组合搜索效率较低、程序特征表示不恰当、预测精度不高的问题。因此,基于机器学习的迭代编译方法是当前迭代编译领域内的一个研究热点,其研究挑战在于学习算法选择、优化参数搜索以及程序特征表示等问题。基于监督学习技术,提出了一种程序优化参数预测方法。该方法首先通过约束多目标粒子群算法对优化参数空间进行搜索,找到样本函数的最佳优化参数;然后,通过动静结合的程序特征表示技术,对函数特征进行抽取;最后,通过由函数特征和优化参数形成的样本构建监督学习模型,对新程序的优化参数进行预测。分别采用k近邻法和softmax回归建立统计模型,实验结果表明,新方法在NPB测试集和大型科学计算程序上实现了较好的预测性能。(本文来源于《计算机工程与科学》期刊2018年06期）
谷学静,张明儒,王志良,郭宇承[10]（2019）在《基于CARLA-PSO组合模型的智能控制器参数学习优化》一文中研究指出对连续动作强化学习自动机(CARLA)进行了改进,应用改进后的CARLA结合粒子群优化算法(PSO)优化PID参数。以CARLA为基础,建立了CARLA和PSO的组合优化学习模型CARLA-PSO,该模型包含CAR-LA学习环路和PSO学习环路两个部分,通过优化策略选择器进行学习环路的选择,通过与环境进行相互作用,获得最优控制。对连铸结晶器液位控制进行了仿真实验,实验结果表明,CARLA-PSO在进行PID参数优化时寻优效率高,全局搜索能力强,能够达到理想的控制效果,具有较好的应用前景。(本文来源于《计算机应用研究》期刊2019年03期）
学习参数优化论文开题报告
（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：
针对单核极限学习机在泛化性能上存在一定局限性的问题,提出将再生核函数与多项式核函数相结合,建立一种新的组合核极限学习机模型,使其具有全局核与局部核的优点,并选择布谷鸟搜索算法对其参数进行优化选择.仿真实验结果表明,采用基于再生核的组合核函数作为极限学习机的核函数可行,在实验数据集的多值分类和回归问题上,与传统支持向量机及单核极限学习机相比,该模型具有更好的泛化性能.
（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。
学习参数优化论文参考文献
[1].吴慧玲,丁晓彬,贺广生,刘久富.判别类条件贝叶斯网络分类器的量子粒子群优化参数学习[J].山东科技大学学报(自然科学版).2019
[2].张森悦,谭文安,王楠.基于布谷鸟搜索算法参数优化的组合核极限学习机[J].吉林大学学报(理学版).2019
[3].彭向凯,吉经纬,李琳,任伟,项静峰.基于人工神经网络在线学习方法优化磁屏蔽特性参数[J].物理学报.2019
[4].常鑫瑞.基于深度学习参数优化的风电并网控制策略研究[D].哈尔滨工业大学.2019
[5].朱汇龙,刘晓燕,刘瑶.基于贝叶斯新型深度学习超参数优化的研究[J].数据通信.2019
[6].唐晨.帕金森病患者步态特征与机器学习模型参数协同优化研究[D].合肥工业大学.2019
[7].王重仁,韩冬梅.基于超参数优化和集成学习的互联网信贷个人信用评估[J].统计与决策.2019
[8].唐长成,叶佐昌.基于强化学习的参数化电路优化算法[J].微电子学与计算机.2019
[9].刘慧,赵荣彩,王琦.监督学习模型指导的函数级编译优化参数选择方法研究[J].计算机工程与科学.2018
[10].谷学静,张明儒,王志良,郭宇承.基于CARLA-PSO组合模型的智能控制器参数学习优化[J].计算机应用研究.2019