导读:本文包含了动态学习因子论文开题报告文献综述及选题提纲参考文献,主要关键词:心电信号降噪,深度因子分析,优化目标函数,梯度下降算法
动态学习因子论文文献综述
王歌[1](2018)在《基于监督学习深度因子分析的动态心电信号降噪算法研究》一文中研究指出心血管疾病具有高发病率、高致死率、高复发率的特点,是当今医学领域研究的热点。在远程医疗背景下,动态心电监测对心血管疾病的早期预测和准确诊断具有重要的意义。然而,在远程心电监测系统中,外界环境的干扰会导致动态心电信号中含有大量的噪声,从而影响心电信号波形的检测,造成远程心电监测系统智能分析的误判。因此在远程医疗背景下心血管疾病的研究中,动态心电信号降噪问题逐渐成为该研究领域的重点和难点。在此背景下,本文利用因子分析与梯度下降算法相结合进行动态心电信号降噪的研究。论文主要研究内容如下:(1)针对深度因子分析的优化问题,提出了一种有监督因子分析的优化方法。首先设计优化目标函数,并推导出该优化目标函数对参数的偏导数,然后利用梯度下降算法进行有监督的参数调优训练,求解最优的参数。(2)针对心电信号降噪问题,提出了一种基于监督学习深度因子分析的心电信号降噪算法。利用因子分析对含噪心电信号构建深度因子分析模型,可以将信号与噪声区分开。在网络的顶层进行重构时,利用有监督因子分析的优化方法,对顶层的因子载荷矩阵进行有监督调优训练,从而得到最优的因子载荷矩阵,再进行心电信号重构过程。因为是有监督训练过程,充分利用了噪声的特征,从而可以滤除心电信号中更多的噪声,达到更好的降噪效果。(3)将提出的心电信号降噪算法应用于智慧心电监测平台。为了验证本文的实用性和有效性,将所提算法应用于实验室课题组自主研发的智慧心电监测平台中。通过随机匿名抽取用户的实际心电图信息表明,本文算法可以在有效的滤除心电信号噪声的同时保持心电信号的主要特征。(本文来源于《河北大学》期刊2018-06-01)
马斌,罗洋,杨袁,刘好斌[2](2014)在《动态调整学习因子的粒子群优化算法》一文中研究指出粒子群优化算法很难适应复杂的非线性优化,为此提出了一种动态调整学习因子的策略——不断调整学习因子来平衡算法的全局探索和局部开放能力,更好地引导粒子进行优化搜索。通过对4个经典的测试函数进行仿真实验,并与其他改进算法进行比较,结果显示,新算法求解精度高、收敛速度快,特别是在多峰值函数中表现优越。(本文来源于《甘肃科技》期刊2014年16期)
徐生兵[3](2014)在《基于动态调整惯性权重下改进学习因子的粒子群算法》一文中研究指出粒子群算法针对高维复杂函数常存在早熟收敛问题,本文提出一种在已有动态调整惯性权重的基础上对学习因子进行改进的粒子群算法,使学习因子随着搜索的不同阶段改变认知学习因子和社会学习因子。比较五个标准测试函数的实验结果,表明改进后的算法得到的结果更优。(本文来源于《信息安全与技术》期刊2014年04期)
罗毅,张若含[4](2014)在《基于动态调整学习因子的免疫粒子群算法及其应用》一文中研究指出为了使风光水联合发电系统达到经济效益最大化优化调度的目的,针对粒子群算法在进化过程中易早熟、后期收敛速度慢并且精度较低的特点,提出一种动态调整学习因子的免疫粒子群算法。该算法对学习因子进行非对称线性动态调整,增强前期的全局搜索能力,以及后期的局部搜索能力,快速得到全局最优解。该算法在文中联合系统的求解中得到很好的应用,显着提高了搜索精度,表明了模型和算法的有效性。(本文来源于《电网与清洁能源》期刊2014年02期)
任伟建,武璇[5](2012)在《一种动态改变学习因子的简化粒子群算法》一文中研究指出基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。(本文来源于《自动化技术与应用》期刊2012年10期)
张聪,刘希玉[6](2004)在《基于改进的动态因子多层前馈网络学习算法》一文中研究指出分析了学习率对BP神经网络中存在的典型问题的影响,提出了一种通过调整学习率改进BP神经网络性能的动态适应算法。仿真结果表明,此BP算法在学习速度方面有较大提高。(本文来源于《山东交通学院学报》期刊2004年04期)
陈国安,尤肖虎[7](1999)在《基于学习率与惯性因子动态联合优化的快速BP算法》一文中研究指出基于目标函数对学习率与惯性因子的偏导信息,提出了分别采用线性展开、二项式展开和共轭梯度的3种学习率与惯性因子联合动态优化的快速BP算法.仿真结果显示,与原BP算法相比,3种算法均可使网络训练速度显着加快(本文来源于《东南大学学报》期刊1999年04期)
动态学习因子论文开题报告
(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:
粒子群优化算法很难适应复杂的非线性优化,为此提出了一种动态调整学习因子的策略——不断调整学习因子来平衡算法的全局探索和局部开放能力,更好地引导粒子进行优化搜索。通过对4个经典的测试函数进行仿真实验,并与其他改进算法进行比较,结果显示,新算法求解精度高、收敛速度快,特别是在多峰值函数中表现优越。
(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。
动态学习因子论文参考文献
[1].王歌.基于监督学习深度因子分析的动态心电信号降噪算法研究[D].河北大学.2018
[2].马斌,罗洋,杨袁,刘好斌.动态调整学习因子的粒子群优化算法[J].甘肃科技.2014
[3].徐生兵.基于动态调整惯性权重下改进学习因子的粒子群算法[J].信息安全与技术.2014
[4].罗毅,张若含.基于动态调整学习因子的免疫粒子群算法及其应用[J].电网与清洁能源.2014
[5].任伟建,武璇.一种动态改变学习因子的简化粒子群算法[J].自动化技术与应用.2012
[6].张聪,刘希玉.基于改进的动态因子多层前馈网络学习算法[J].山东交通学院学报.2004
[7].陈国安,尤肖虎.基于学习率与惯性因子动态联合优化的快速BP算法[J].东南大学学报.1999