导读:本文包含了回复式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:机器翻译,分块,语言模型,语句相似度
回复式神经网络论文文献综述
王淼[1](2018)在《基于回复式神经网络的机器翻译技术研究及应用》一文中研究指出机器翻译是指利用计算机将源语言语句转换成目标语言语句的过程,机器翻译突破不同语言之间沟通交流障碍,应用广泛且需求量大,是自然语言处理领域中的一个重要应用方向。回复式神经网络是一种既包含前馈通路又包含反馈通路的网络,其前馈通路相似于传统前馈神经网络模型,反馈通路可将某一些神经元的输出在之后时刻反送到自身作为新时刻的输入。这种特殊结构使得网络能够较好地捕获时序性信息,针对机器翻译技术中无法很好地捕获上下文信息的缺陷,提升传统机器翻译效果。但是基于回复式神经网络的机器翻译技术仍然存在诸多不足,包括长句翻译缺陷、可读性缺陷和漏译缺陷等。本文基于实际应用数据特性,设计数据处理方法实现由原始数据到机器翻译模型输入数据的转换;针对现阶段基于回复式神经网络的机器翻译技术中存在的缺陷,提出新的机器翻译模型,提升机器翻译效果。主要工作如下:(1)分析应用数据的形式和数据中存在的诸多不足,提出基于语言模型和语句相似度的数据处理方法。该方法包含对原始应用数据的处理、清洗和筛选,最终构建得到较高质量的用于机器翻译模型训练学习的数据集。(2)分析现有基于回复式神经网络的机器翻译技术存在的长句翻译缺陷、可读性缺陷和漏译缺陷,提出基于分块原理的机器翻译模型,提升机器翻译效果;同时提出基于语言模型的Beam Search算法,结合长度惩罚策略,测试应用阶段辅助机器翻译模型生成最终翻译结果。(3)从数据处理方法和机器翻译技术两方面分别展开实验对比,评估基于语言模型和语句相似度的数据处理方法以及基于分块原理的机器翻译模型的有效性。对比实验结果表明,基于语言模型和语句相似度的数据处理方法有效保证数据质量,间接提升机器翻译模型算法表现;基于分块原理的机器翻译模型改进传统基于回复式神经网络的机器翻译模型,翻译效果相较于Encoder-Decoder模型等有所提升。(本文来源于《电子科技大学》期刊2018-03-23)
金虎,陈超,陈念伟[2](2016)在《回复式神经网络优化逆运动问题求解》一文中研究指出针对传统逆运动问题数值求解算法计算时间长,多解情况下计算结果单调的问题,采用回复式神经网络对逆运动问题进行近似优化求解。通过针对逆运动问题建立基于回复式神经网络的动态求解模型,采用神经元异步更新计算和初始状态扰动,保证多解情况下解运动迹线的多样性。文中算法在无解情况下有较好适应性和稳定性,能迅速收敛到近似最优状态。算法理论计算时间复杂度为O(n2),可满足实时应用的需求。实验对典型对子运动链运动系统进行模拟,结果表明算法具有稳定和收敛性。(本文来源于《成都信息工程大学学报》期刊2016年06期)
郑伯川[3](2013)在《一种求解旅行商问题的LV回复式神经网络模型》一文中研究指出旅行商问题是一个组合优化问题。首先,构造一个能量函数来表示旅行商问题,该能量函数的能量最小点对应一条有效的近似最优访问路径;然后,构造一种LV神经网络模型来求解该能量函数的能量最小点。实验结果表明,本文提出的LV神经网络模型能够收敛到能量最小点,并且与Hopfield网络相比,该LV神经网络模型具有更好的求解性能。(本文来源于《计算机与现代化》期刊2013年08期)
郑伯川,桑永胜[4](2012)在《求解最短路径问题的Lotka-Volterra回复式神经网络模型》一文中研究指出有向图的最短路径(SP)问题是一个优化问题。通过构造有向图的最短路径问题的能量函数,提出了一种Lotka-Volterra(LV)回复式神经网络(RNN)模型,用于求解有向图的最短路径。当LV神经网络迭代收敛到稳定吸引子时,对应的能量函数也达到其能量最小点。因此,通过稳定吸引子可以获取最短路径。实验结果表明,利用LV神经网络模型可以有效地求解有向图中任意两个顶点之间的最短路径。(本文来源于《计算机应用》期刊2012年07期)
周伟[5](2010)在《关于多稳定回复式神经网络中的一些问题》一文中研究指出自上世纪80年代以来,作为研究和应用上的一个热点,神经网络一直吸引了众多学者、工程师和一流的学术研究机构的关注,许多重要的研究成果被应用于经济、军事、工程、医学、金融等领域中。多稳定性是神经网络研究中的一个重要性质。单稳定的神经网络通常只有一个稳定的平衡点,而多稳定的神经网络则具有多个稳定的平衡点。单稳定神经网络计算能力是有限的,只能应用某些特定优化问题,对于优化问题自身存在多个最优解则通常无能为力。因此在对多稳定神经网络的研究和应用,也是神经网络发展的必然趋势和结果。本论文研究离散时间类型的多稳定回复式神经网络模型。和连续时间类型的神经网络相比,离散时间类型神经网络在计算机直接模拟和数字线路硬件的实现上更容易实现。全文按照神经网络的数据处理类型,可分为两方面的研究:1.关于复数神经网络的研究在复数神经网络中,网络的输入输出,权值和神经元激励函数,都可以是复值的。复数神经网络在电子工程、信息学、控制工程、生物工程等等许多领域都有非常重要的应用。本文则关注于复数回复式神经网络的收敛性分析,研究内容包括:(1)提出了一种基于多值神经元(MVN)激励函数的回复式神经网络离散模型,以及对应的同步更新迭代算法,并给出了网络稳定和完全收敛需要满足的条件。(2)提出一种基于复值线性阈值(CLT)神经元激励函数的回复式神经网络离散模型,给出了网络的有界性,稳定性和完全收敛的条件,成功把原先实数领域的多稳定性研究结果推广到复数域上,为后续的研究和应用提供了一定的理论基础。2.关于实数神经网络的研究和应用这里关注基于线性阈值(LT)神经元激励函数的回复式神经网络,研究内容包括:(1)层竞争模型具有感知分组的功能。这里提出了一种层竞争神经网络离散模型,除了给出稳定性分析和动力学分析,还和现有的连续时间类型的层竞争神经网络进行比较,并提出了一种同步层竞争(SCLM)迭代算法,在具有相似的存储容量要求下,实验表明新算法的速度大大优于现有的异步层竞争(ACLM)迭代算法。此外,还将SCLM算法和分块组合技术相结合,尝试用于解决医学图像分割问题。(2)使用LT神经网络离散模型尝试用于解决旅行商(TSP)问题。这里给出了网络的有界性和完全收敛的条件,相对传统的Hopfield网络,其能保证获得的路径都是有效路径。进一步将该模型与逃逸局部最小的算法结合,与现有使用Lotka-Volterra神经网络解决TSP问题的方法比较,实验证明新方法性能更好。(本文来源于《电子科技大学》期刊2010-03-01)
张海仙[6](2010)在《回复式神经网络的连续吸引子》一文中研究指出大脑的工作原理以及智能是怎么产生的对于人们来说仍是一个难解的谜,来自计算机科学、生物学、神经科学、医学、物理学等众多领域的科学家们一直致力于大脑的研究。神经科学研究表明,大脑由神经元组成,这些神经元相互连接构成网络,而且整个网络的知识和记忆都分散在所有的连接之上。大脑就是通过这样的神经网络处理不断变化的输入和输出信息流。而神经网络是建立在真正的神经系统基础之上的一种智能机器。因此,神经网络自提出以来就受到极大的关注。特别是近些年来,神经网络更是吸引了许多世界一流大学的实验室和着名神经网络专家,优秀论着、重大成果不断涌现。神经网络进入了蓬勃发展的时期,许多优秀成果在国际一流学术刊物,如《Science》、《Nature》上发表。神经解剖学家们已经发现大脑中充满了大量的反馈连接,因此,对于回复式神经网络的研究更能帮助我们理解大脑是怎样工作的。近些年来,有关回复式神经网络的理论和应用也得到了充分研究。回复式网络根据网络吸引子的分布,又可分为离散吸引子网络和连续吸引子网络。特别的是,由生物计算激发的连续吸引子神经网络已经被广泛应用于研究各种脑部功能,如脑皮层信息处理,眼球跳变性运动,头部方向定位,工作记忆,空间定位等。这类模型在计算神经科学上的诸多应用表明,连续吸引子神经网络机制广泛存在于大脑的信息处理过程。从数学上讲,离散的点吸引子神经网络当中,点吸引子的周围存在吸引域,从某个吸引子所在的吸引域出发的点都收敛到这个吸引子上来。这也是为什么一个具有离散点吸引子的神经网络可以用来实现联想记忆的原因。而连续吸引子神经网络是一种具有特殊网络连接结构的回复式神经网络,这种网络模型不能用来联想记忆,因为网络初值受到微扰就会触发不同的吸引子状态。有趣的是,研究表明大脑却是利用连续吸引子网络机制进行短时记忆。尽管连续吸引子神经网络领域已经有了丰硕的研究成果,然而,在理论的完善上,依然存在很多待解决的问题。目前,缺乏必要的数学研究工具是连续吸引子网络发展以及工程应用的局限所在。本文将从动力系统角度对连续吸引子神经网络展开深入研究,主要成果如下:(1)在背景神经网络基础上,提出了新的连续吸引子神经网络模型以及该网络模型的扩展模型,并分析了网络的动力学行为,给出了网络存在连续吸引子的条件及连续吸引子的解析表达式。(2)研究了有限个神经元的LV神经网络,得到该网络在权值连接对称与非对称条件下存在连续吸引子的条件以及连续吸引子的数学表达式。(3)研究了盒中脑神经网络的“允许集”和“禁止集”理论,分析了网络的完全收敛性,并给出网络存在“允许集”与“禁止集”的充要条件,网络在具有侧抑制连接矩阵的条件下的群选择性质以及群选择与“允许集”和“禁止集”的关系。(4)利用“允许集”与“禁止集”理论,分析了背景神经网络的改进模型以及LV神经网络如何对外部刺激编码的动力学行为,发现在外部输入改变的条件下,网络由一个吸引子状态到令一个吸引子状态的改变过程中,遍历其中的每一个状态。这些成果的取得,对于进一步建立连续吸引子神经网络理论将起到积极的推动作用。(本文来源于《电子科技大学》期刊2010-03-01)
屈鸿[7](2006)在《回复式神经网络及其在组合优化问题中的应用》一文中研究指出人工神经网络研究从80年代初复苏后一直是科学与工程研究的一个热点学科。20多年来,神经网络的研究取得了大量的研究成果。在工程应用上,神经网络的应用越来越广泛。其应用已经深入到经济、军事、工程、医学、以及科学的许多领域,并在信号处理、智能控制、模式识别、机器视觉、非线性优化、自动目标识别、知识处理、遥感技术等领域取得重要成果。神经网络独特的性质及其强大的计算能力已为科学工作者和工程师们所肯定。神经网络是解决组合优化问题的一种重要的工具,本文主要研究回复式神经网络以及其在组合优化问题中的应用,主要包含以下四方面的内容:(1)研究利用Hopfield模型解决TSP的参数设置问题:利用比H-T更有效的能量函数,从几何学角度分析网络权值矩阵的特征值所对应的子空间,从而得出网络参数的设置标准,模拟结果显示,新的参数能保证网络收敛到有效解。(2)研究回复式网络(带非饱和激励函数)的多稳定性:从分区角度给出了网络单稳定和多稳定的条件,并对二维网络在各个象限的动力学行为进行了详细讨论,明确地给出了二维网络收敛到不同平衡点的条件,同时提出了一种具有Winner-Take-All特征的带有非饱和激励函数的回复式神经网络模型,并成功地将其运用到方向选择中。(3)研究行竞争网络(CCM)在优化问题中的应用:从理论上分析了利用CCM模型解决TSP问题时,网络很难逃离局部最小值问题,然后提出了一种利用改进的能量函数的方法对模型进行改进,从而一定程度上解决了CCM模型的局部极小值问题,改善了解的质量。同时,提出并分析了多推销员售货问题(MTSP),并成功地将CCM模型应用于解决MTSP问题中。(4)研究PCNNs模型在优化问题中的应用:对PCNNs模型进行了一定的改善,并提出了M-PCNNs模型,利用此模型,提出了一种计算最短路径的算法,实验结果证明,在网络规模较大的时候,此算法的效率明显高于其它算法;同时,将M-PCNNs模型应用于网络路由协议中的SPT计算的问题中,提出了静态和动态计算SPT的算法,大大地提高了路由算法的效率。(本文来源于《电子科技大学》期刊2006-09-01)
梁金明,章毅[8](2002)在《回复式离散神经网络的特征子空间估值(英文)》一文中研究指出提出了用两种回复式离散神经网络模型研究正定对称矩阵的特征子空间估值问题:第1种模型是非线性神经网络,用于计算最大特征值及其特征向量;第2种模型属于线性神经网络,用于计算相应于最大特征值的特征子空间。详细研究了两种离散神经回路网络模型的动力学性质并用于特征子空间估值。(本文来源于《电子科技大学学报》期刊2002年04期)
回复式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:
针对传统逆运动问题数值求解算法计算时间长,多解情况下计算结果单调的问题,采用回复式神经网络对逆运动问题进行近似优化求解。通过针对逆运动问题建立基于回复式神经网络的动态求解模型,采用神经元异步更新计算和初始状态扰动,保证多解情况下解运动迹线的多样性。文中算法在无解情况下有较好适应性和稳定性,能迅速收敛到近似最优状态。算法理论计算时间复杂度为O(n2),可满足实时应用的需求。实验对典型对子运动链运动系统进行模拟,结果表明算法具有稳定和收敛性。
(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。
回复式神经网络论文参考文献
[1].王淼.基于回复式神经网络的机器翻译技术研究及应用[D].电子科技大学.2018
[2].金虎,陈超,陈念伟.回复式神经网络优化逆运动问题求解[J].成都信息工程大学学报.2016
[3].郑伯川.一种求解旅行商问题的LV回复式神经网络模型[J].计算机与现代化.2013
[4].郑伯川,桑永胜.求解最短路径问题的Lotka-Volterra回复式神经网络模型[J].计算机应用.2012
[5].周伟.关于多稳定回复式神经网络中的一些问题[D].电子科技大学.2010
[6].张海仙.回复式神经网络的连续吸引子[D].电子科技大学.2010
[7].屈鸿.回复式神经网络及其在组合优化问题中的应用[D].电子科技大学.2006
[8].梁金明,章毅.回复式离散神经网络的特征子空间估值(英文)[J].电子科技大学学报.2002