导读:本文包含了边缘降论文开题报告文献综述及选题提纲参考文献，主要关键词:情感分类,跨领域,噪音,边缘堆迭降噪自动编码器(mSDA)
边缘降论文文献综述
杨帅,胡学钢,张玉红[1]（2019）在《用于域适应的多边缘降噪自动编码器》一文中研究指出神经网络模型被广泛用于跨领域分类学习。边缘堆迭降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。(本文来源于《计算机科学与探索》期刊2019年02期）
黄嘉伟[2]（2018）在《基于边缘降噪自动编码器的深度协同推荐方法研究》一文中研究指出协同过滤技术已经被广泛运用于推荐系统中。在应用协同过滤的传统推荐系统中,潜在因子扮演着最重要的角色,因而如何有效地学习潜在因子成为了首要任务。传统的协同过滤方法利用矩阵分解技术从用户的物品评分矩阵中学习到潜在特征向量,但该方法面临着冷启动问题和严重的稀疏性问题。由于深度学习在很多实际应用中都可以出色地完成特征提取的任务,于是许多研究人员通过深度学习的方法来提取稀疏文本信息的特征,进而优化协同过滤方法。但由于深度学习本身的训练要求,在结合深度学习技术的推荐方法中往往存在推荐质量和训练耗时不可兼顾的问题。为解决此问题,本文将边缘降噪自动编码器和概率矩阵分解模型结合,提出基于堆迭边缘降噪自动编码器的深度协同推荐方法,该方法能够很好地兼顾训练耗时和推荐质量。首先,本文把物品文本信息的词袋向量作为堆迭边缘地降噪自动编码器的输入,通过重构加噪的词袋向量并计算原始输入数据和重构数据的交叉熵误差来进行训练。在学习到编码和解码的映射矩阵之后,我们可以通过映射矩阵得到物品对应的隐藏层特征向量。之后,将隐藏层特征向量作为概率矩阵分解模型中物品潜在特征向量的基本值,并对用户物品评分矩阵使用矩阵分解技术,可以得到评分矩阵中蕴含的用户潜在特征向量和物品潜在特征向量。由两个不同的物品潜在特征向量组成新的物品潜在特征向量,然后,利用新的物品潜在特征向量对自动编码器进行反向微调。在完成两者的迭代训练之后,利用学习得到的用户潜在特征向量和物品潜在特征向量来进行预测工作。本文在Movielens和Netflix数据集下进行实验的对比以及结果分析。实验结果表明,本文提出的基于堆迭边缘降噪自动编码器的深度协同推荐方法能够有效地缩短训练所需的耗时,而且在模型的召回率和准确率上也都有一定的提高。(本文来源于《浙江大学》期刊2018-01-01）
叶学卫,沈青福[3]（2017）在《宝钢DI材边缘降控制及其优化》一文中研究指出DI材主要用于碳酸饮料和啤酒的包装,用户对厚度精度有十分苛刻的要求,成品规格DI材距边部5mm外所有点厚度都必须保证在?2%的范围内。同时,随着DI材厚度的持续减薄,规格不断拓展,DI材的横向厚度精度控制(边缘降控制)显得越来越重要,越来越困难。因此,为了减少DI材边部减薄,宝钢在某冷连轧机组新增了边缘降仪、1机架端部辊形设计和优化,结合连轧机设备特点,开发了边缘降自动控制系统,大幅度提高了DI材边缘降控制水平,满足了用户需求。本文就宝钢DI材几年来在边缘降控制方面所做的工作进行介绍和分析。(本文来源于《第十一届中国钢铁年会论文集——S03.轧制与热处理》期刊2017-11-21）
邓俊锋[4]（2016）在《基于稀疏自动编码器和边缘降噪自动编码器的深度学习算法研究》一文中研究指出近年来,深度学习已成为机器学习领域里面的热门研究方向,深度学习模型模拟人脑的信息处理机制。自动编码器作为一种有效的深度学习模型,可以用于数据特征的提取,由自动编码器构成的深度神经网络具有优越的学习性能。本文设计了一种深度学习神经网络模型,其中结合了稀疏自动编码器和边缘降噪自动编码器的约束条件。稀疏自动编码器的隐藏层神经元满足一定的稀疏性,稀疏性的作用使得稀疏自动编码器可以用尽量少的神经元提取有用的数据特征;边缘降噪自动编码器通过对降噪自动编码器的输入数据的噪声干扰做边缘化处理,从而取得对噪声干扰具有鲁棒性的特征表达。本文提出的深度学习神经网络模型将稀疏性约束条件和边缘降噪约束条件融合构成一个稀疏边缘降噪自动编码器SmDAE,该自动编码器既有稀疏性约束条件又有边缘降噪约束条件。与稀疏自动编码器相比较,SmDAE自动编码器具有更好的噪声鲁棒性,可以降低输入数据中的噪声对特征提取的影响;与边缘降噪自动编码器相比较,SmDAE自动编码器具有更好的稀疏性约束,可以用较少隐藏层神经元提取更好的数据特征。实验表明,相对于稀疏自动编码器和边缘降噪自动编码器,SmDAE自动编码器在给定的实验数据集上,其学习精度和学习性能具有较大的提升。(本文来源于《武汉科技大学》期刊2016-05-26）
段明南,李山青,王波,金国[5]（2014）在《冷轧无取向硅钢的边缘降控制优化研究》一文中研究指出某冷连轧机生产无取向硅钢板材时,其边缘降的长度合格率频繁超标。为满足用户的迭片厚度精度要求,这类产品必须以增大切边量的方式来保证交货质量,而这种方式又直接降低了金属收得率,提高了生产成本。基于此,以该产线现有设备特性为基础,详细分析其软、硬件功能模式,分别对辊形与反馈控制进行全面分析与优化改进。通过现场试验论证,充分明确依托辊形优化与反馈控制程序的改进能显着提高边缘降的控制水平,该技术的使用为生产现场的边缘降控制提供了合理的技术支撑。(本文来源于《宝钢技术》期刊2014年02期）
王康健,徐江华,李山青[6]（2012）在《宝钢冷连轧机边缘降自动控制系统》一文中研究指出介绍了宝钢自主开发的冷连轧机边缘降控制系统的组成,并进行了详细的功能介绍。系统于2011年12月投产,运行正常,边缘降控制效果良好。(本文来源于《2012年全国轧钢生产技术会论文集（下）》期刊2012-08-14）
陈胜利,张建平,何安瑞,管长林,王立涛[7]（2011）在《电工钢边缘降控制研究》一文中研究指出以马鞍山钢铁集团公司电工钢板形优化控制研究项目为背景,系统地研究了热轧、冷连轧和单机架轧机在电工钢生产过程中的边缘降控制问题。通过现场数据采集、工况数值模拟计算和工业化大生产试验,设计出适用、合理的电工钢板形控制的辊型优化曲线,满足了不同工序、不同机型的板形控制策略要求,解决了电工钢板形质量问题,取得了显着的经济效益。(本文来源于《钢铁》期刊2011年02期）
陈胜利,何安瑞,张建平,管长林,王立涛[8]（2010）在《马钢电工钢边缘降控制研究》一文中研究指出以马鞍山钢铁集团公司电工钢板形优化控制研究项目为背景,系统地研究了热轧、冷连轧和单机架轧机在电工钢生产过程中的边缘降控制问题。通过现场数据采集、工况数值模拟计算和工业化大生产试验,设计出适用、合理的电工钢板形控制的辊型优化曲线,满足了不同工序、不同机型的板形控制策略要求,解决了电工钢板形质量问题,取得了显着的经济效益。(本文来源于《2010第11届中国电工钢专业学术年会论文集》期刊2010-12-09）
陈云鹏[9]（2010）在《UCMW轧机带钢边缘降的成因分析与控制》一文中研究指出带钢边部厚度减薄量是冷轧成品带钢一个重要质量指标。本文以宝钢1550mm UCMW冷连轧机为研究对象,通过数值仿真,分析了冷轧带钢边部减薄的主要影响因素,研究了1550mmUCMW冷连轧机配置的K-WRS工作辊的边缘降控制性能,同时对其边缘降控制系统进行了消化分析,对比了边缘降控制系统投入前后的控制效果,以进一步指导实际生产。(本文来源于《轧钢》期刊2010年05期）
彭海磊[10]（2009）在《基于轧辊横移和弯曲技术改善带钢边缘降的研究》一文中研究指出随着工业生产的不断发展,用户对板带材几何形状的要求越来越高。为了轧出质量良好的板材,许多钢铁企业及研究机构开发了轧辊交叉、倾辊、弯辊、分段冷却等各种板形控制技术来提高板形质量。但是,对边缘降控制技术的研究正处于起步阶段,是板形控制的薄弱环节。边缘降现象的普遍存在从很大程度上降低了板带的成材率。因此,对板带轧制过程中的边缘降现象研究并进行改善是非常必要的,这些研究对提高板带成材率和板形都具有重要的理论价值和实际意义。首先介绍了轧件边缘降的几何描述,然后从轧辊的弹性压扁、工作辊的有害弯矩及金属的横向流动等几个方面对边缘降的形成机理进行了深入的分析。同时介绍了叁种常见的改善带钢边缘降的技术:工作辊横移技术、工作辊弯辊技术及辊型优化技术。[0]其次,综合考虑轧辊的弹性变形和轧件的弹塑性变形,基于大型商业软件MARC平台,建立了模拟轧件边缘降的弹塑性有限元仿真系统。该仿真系统将轧辊视为弹性体,轧件视为弹塑性体,分别构造了普通四辊轧机和工作辊横移轧机的有限元叁维仿真实体。最后分析了锥形工作辊横移与弯辊对辊系变形、带钢金属的横向流动及工作辊与带钢的接触压扁变形的影响,进而分析得出对带钢边缘降现象的改善情况,为实际生产提供理论指导。(本文来源于《燕山大学》期刊2009-06-30）
边缘降论文开题报告
（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：
协同过滤技术已经被广泛运用于推荐系统中。在应用协同过滤的传统推荐系统中,潜在因子扮演着最重要的角色,因而如何有效地学习潜在因子成为了首要任务。传统的协同过滤方法利用矩阵分解技术从用户的物品评分矩阵中学习到潜在特征向量,但该方法面临着冷启动问题和严重的稀疏性问题。由于深度学习在很多实际应用中都可以出色地完成特征提取的任务,于是许多研究人员通过深度学习的方法来提取稀疏文本信息的特征,进而优化协同过滤方法。但由于深度学习本身的训练要求,在结合深度学习技术的推荐方法中往往存在推荐质量和训练耗时不可兼顾的问题。为解决此问题,本文将边缘降噪自动编码器和概率矩阵分解模型结合,提出基于堆迭边缘降噪自动编码器的深度协同推荐方法,该方法能够很好地兼顾训练耗时和推荐质量。首先,本文把物品文本信息的词袋向量作为堆迭边缘地降噪自动编码器的输入,通过重构加噪的词袋向量并计算原始输入数据和重构数据的交叉熵误差来进行训练。在学习到编码和解码的映射矩阵之后,我们可以通过映射矩阵得到物品对应的隐藏层特征向量。之后,将隐藏层特征向量作为概率矩阵分解模型中物品潜在特征向量的基本值,并对用户物品评分矩阵使用矩阵分解技术,可以得到评分矩阵中蕴含的用户潜在特征向量和物品潜在特征向量。由两个不同的物品潜在特征向量组成新的物品潜在特征向量,然后,利用新的物品潜在特征向量对自动编码器进行反向微调。在完成两者的迭代训练之后,利用学习得到的用户潜在特征向量和物品潜在特征向量来进行预测工作。本文在Movielens和Netflix数据集下进行实验的对比以及结果分析。实验结果表明,本文提出的基于堆迭边缘降噪自动编码器的深度协同推荐方法能够有效地缩短训练所需的耗时,而且在模型的召回率和准确率上也都有一定的提高。
（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。
边缘降论文参考文献
[1].杨帅,胡学钢,张玉红.用于域适应的多边缘降噪自动编码器[J].计算机科学与探索.2019
[2].黄嘉伟.基于边缘降噪自动编码器的深度协同推荐方法研究[D].浙江大学.2018
[3].叶学卫,沈青福.宝钢DI材边缘降控制及其优化[C].第十一届中国钢铁年会论文集——S03.轧制与热处理.2017
[4].邓俊锋.基于稀疏自动编码器和边缘降噪自动编码器的深度学习算法研究[D].武汉科技大学.2016
[5].段明南,李山青,王波,金国.冷轧无取向硅钢的边缘降控制优化研究[J].宝钢技术.2014
[6].王康健,徐江华,李山青.宝钢冷连轧机边缘降自动控制系统[C].2012年全国轧钢生产技术会论文集（下）.2012
[7].陈胜利,张建平,何安瑞,管长林,王立涛.电工钢边缘降控制研究[J].钢铁.2011
[8].陈胜利,何安瑞,张建平,管长林,王立涛.马钢电工钢边缘降控制研究[C].2010第11届中国电工钢专业学术年会论文集.2010
[9].陈云鹏.UCMW轧机带钢边缘降的成因分析与控制[J].轧钢.2010
[10].彭海磊.基于轧辊横移和弯曲技术改善带钢边缘降的研究[D].燕山大学.2009
标签：情感分类; 跨领域; 噪音; 边缘堆迭降噪自动编码器(mSDA);