导读:本文包含了自适应卷积窗论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,数值型数据,自适应卷积核,网格搜索
自适应卷积窗论文文献综述
程诚,任佳[1]（2019）在《基于自适应卷积核的改进CNN数值型数据分类算法》一文中研究指出针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。(本文来源于《浙江理工大学学报(自然科学版)》期刊2019年05期）
韩树发,于颖,唐堂,陈明,王亮[2]（2019）在《基于联合领域自适应卷积神经网络的多工况故障诊断》一文中研究指出近年来,基于深度学习的故障诊断方法取得了显着的成就。然而,传统的深度学习故障诊断方法都基于训练数据与测试数据来自相同的概率分布这一假设。在实际工业应用中,设备工作在复杂多变的工况下,难以保证训练数据与测试数据属于相同分布。当训练数据与测试数据属于不同工况时,训练后的模型在测试集中的准确率会明显下降。为了解决这个问题,提出了一种改进的深度迁移学习算法——联合领域自适应算法。通过最小化源域和目标域的边缘分布差异与条件边缘分布差异,联合领域自适应算法可以获得更强的知识迁移能力。将联合领域自适应算法与卷积神经网络(CNN)结合,提出了一种端到端的多工况故障诊断模型。最后,使用西储大学(Case Western Reserve University)的滚动轴承故障数据集进行实验。实验结果显示模型在多工况故障诊断中的表现优于传统的深度学习、数据驱动与迁移学习算法。(本文来源于《微型电脑应用》期刊2019年01期）
吴佳祥,刘辉,贺光辉[3]（2018）在《一种应用于高分辨率遥感图像目标检测的尺度自适应卷积神经网络》一文中研究指出为了解决高分辨率遥感图像中的目标检测问题并提高检测准确率,本文提出了一种基于卷积神经网络的检测方法.该方法采用Faster R-CNN作为遥感图像目标检测的基础框架,在此基础之上,针对遥感图像中不同尺度物体的准确率差异较大这一问题,提出了一种尺度自适应卷积设计网络.经过在遥感图像数据集上的测试,该方法与已有的方法相比,大大提高了高分辨率遥感图像中目标检测的准确率.(本文来源于《微电子学与计算机》期刊2018年08期）
卢强,游荣义,叶晓红[4]（2018）在《基于自适应卷积滤波的网络近邻入侵检测算法》一文中研究指出深度无线传感组合网络中的近邻路由节点入侵具有载荷快速变化性,难以对新出现的攻击类型和网络异常行为进行有效识别,因此提出一种基于自适应卷积滤波的网络近邻入侵检测算法。在深度无线传感组合网络的传输信道中进行网络流量采集,构建网络入侵信号模型,在时间和频率上分析网络入侵信号的能量密度和攻击强度等特征信息,构建自适应卷积滤波器进行网络传输信息的盲源滤波和异常特征提取;采用联合时频分析方法进行网络近邻入侵特征信息的频谱参量估计,根据频谱特征的异常分布状态进行无线传感组合网络近邻入侵检测。仿真实验结果表明,采用该方法进行网络入侵检测的准确率较高,对未知的网络流量样本序列具有较高的识别能力和泛化能力,且所提算法优于传统的HHT检测算法、能量管理检测方法。(本文来源于《计算机科学》期刊2018年07期）
李军伟,周小龙,产思贤,陈胜勇[5]（2018）在《基于自适应卷积神经网络特征选择的视频目标跟踪方法》一文中研究指出近年来,虽然基于卷积神经网络特征的目标跟踪方法取得了巨大进展,但也存在卷积特征维度高而导致的特征冗余和噪声等问题,以及不同层的卷积特征在表达目标表观特征方面的能力不同问题.为了克服上述问题,提出利用卷积特征图之间的距离自适应地选取卷积特征中心来进行目标跟踪的方法.首先通过特征图之间的距离矩阵和信息传播理论迭代产生特征中心,压缩特征维度,降低跟踪模型训练的计算量;其次综合利用多层卷积特征训练多个跟踪器联合确定目标状态,并根据跟踪器的实时误差在线更新跟踪器的权重,滤除卷积特征之间的信息冗余和噪声,提升卷积特征的鲁棒性和目标判别能力.实验结果表明,该方法在跟踪成功率和准确率方面都达到了领先水平,且在保证算法跟踪性能的同时有效地降低了卷积特征维度.(本文来源于《计算机辅助设计与图形学学报》期刊2018年02期）
潘飞[6]（2015）在《基于互信息的自适应卷积神经网络构建方法研究》一文中研究指出卷积神经网络(Convolutional Neural Networks,简称CNNs)是一种重要的深度学习模型,目前该模型已经被广泛地应用在计算视觉,语音识别,自然语言处理等领域。卷积神经网络不仅具有非常强的模式识别能力,而且通过训练卷积神经网络,还可以得到与输入数据相关的、分布式的特征表示。卷积神经网络的这些优点主要归功于其稀疏的、局部的网络结构。但是为了获得较好的识别效果,卷积神经网络的结构通常需要人工设计。这就要求研究人员对所使用的数据具有较深入的理解,而这种对人工干预的依赖性,极大限制了卷积神经网络的应用范围。那么卷积神经网络的结构能否在没有人工干预的情况下,完全由数据集自身决定呢?为了探究这一问题,本文完成了如下工作。(1)针对卷积神经网络结构依赖于人工设计这一问题,提出了一种自适应地构建卷积神经网络结构(Self-adaptively constructing convolutional neural networks,简称SAC-CNNs)的新方法。SAC-CNNs主要包含两个核心过程:构建卷积层的局部感知域和组织池化层的池化分组。首先,SAC-CNNs依据互信息为每个局部感知域选择其组成成员,并设定各成员的排序顺序,以确保不同局部感知域中对应成员的排序顺序尽可能地保持一致。其次SAC-CNNs利用所提出的一种贪心算法贪婪地选择富含信息最丰富的一组神经元作为池化中心,并对池化分组的其它成员按照互信息进行选择。为了验证SAC-CNNs方法的有效性,本文使用了打乱输入特征顺序的数据作为实验测试数据。结果表明,SAC-CNNs构建的卷积神经网络结构是合理的,且能够取得接近于目前最好卷积神经网络模型的分类结果。(2)针对上一个工作中的一个缺陷:单凭互信息决定局部感知域内各成员的排序顺序,会引入不同局部感知域间对应成员排序顺序的不一致,本文提出了两个优化策略:置信度加权和排序顺序自调整策略。置信度加权策略是在每个局部感知域内利用标准化后的互信息对输入神经元的激活值加权,以减少这种排序顺序的不一致对最终分类性能造成的影响。排序顺序自调整策略是指利用模型训练后得到的过滤器对各局部感知域内各成员的排序顺序进行调整,试图从根本上降低排序顺序的不一致程度。实验结果表明这两个策略都是有效的,且都能够提高SAC-CNNs的分类能力。此外,融合两种策略的SAC-CNNs能够进一步缩小与最佳卷积神经网络之间的差异。(本文来源于《北京工业大学》期刊2015-06-01）
凌强,黄树彩,吴潇,唐意东[7]（2015）在《空间自适应卷积核滤波红外弱小目标检测》一文中研究指出为了减少复杂红外图像中平滑背景边缘的影响,将具有各向异性特性的PM扩散模型应用到红外弱小目标检测,提出了空间自适应卷积核滤波检测算法,并对扩散系数进行了优化。针对模型中扩散参数难以确定的问题,提出了一种利用Sobel边缘检测算子估计扩散参数的方法。滤波后采用信噪比(SNR,Signal Noise Ratio)和接受机工作特性(ROC,Receiver Operating Characteristic)曲线进行性能评价,实验结果表明,与PM扩散模型滤波和中值滤波相比,该算法有效抑制了边缘,大大提高了信噪比,提高了检测概率,降低了虚警概率,具有更好的性能。(本文来源于《红外技术》期刊2015年01期）
自适应卷积窗论文开题报告
（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：
近年来,基于深度学习的故障诊断方法取得了显着的成就。然而,传统的深度学习故障诊断方法都基于训练数据与测试数据来自相同的概率分布这一假设。在实际工业应用中,设备工作在复杂多变的工况下,难以保证训练数据与测试数据属于相同分布。当训练数据与测试数据属于不同工况时,训练后的模型在测试集中的准确率会明显下降。为了解决这个问题,提出了一种改进的深度迁移学习算法——联合领域自适应算法。通过最小化源域和目标域的边缘分布差异与条件边缘分布差异,联合领域自适应算法可以获得更强的知识迁移能力。将联合领域自适应算法与卷积神经网络(CNN)结合,提出了一种端到端的多工况故障诊断模型。最后,使用西储大学(Case Western Reserve University)的滚动轴承故障数据集进行实验。实验结果显示模型在多工况故障诊断中的表现优于传统的深度学习、数据驱动与迁移学习算法。
（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。
自适应卷积窗论文参考文献
[1].程诚,任佳.基于自适应卷积核的改进CNN数值型数据分类算法[J].浙江理工大学学报(自然科学版).2019
[2].韩树发,于颖,唐堂,陈明,王亮.基于联合领域自适应卷积神经网络的多工况故障诊断[J].微型电脑应用.2019
[3].吴佳祥,刘辉,贺光辉.一种应用于高分辨率遥感图像目标检测的尺度自适应卷积神经网络[J].微电子学与计算机.2018
[4].卢强,游荣义,叶晓红.基于自适应卷积滤波的网络近邻入侵检测算法[J].计算机科学.2018
[5].李军伟,周小龙,产思贤,陈胜勇.基于自适应卷积神经网络特征选择的视频目标跟踪方法[J].计算机辅助设计与图形学学报.2018
[6].潘飞.基于互信息的自适应卷积神经网络构建方法研究[D].北京工业大学.2015
[7].凌强,黄树彩,吴潇,唐意东.空间自适应卷积核滤波红外弱小目标检测[J].红外技术.2015