导读:本文包含了多尺度学习论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,分析平台
多尺度学习论文文献综述
周济[1]（2019）在《结合机器学习和计算机视觉的多尺度作物表型组研究及其在稻麦育种中的应用》一文中研究指出机器学习、计算机视觉、高通量数据分析等与人工智能相关的技术手段在与植物研究的交叉结合过程中,正逐渐开辟出一系列全新的研究方向。例如,基于多元数据集可以动态生成非常复杂的评判规则,从而完成对生物大数据集的分类和复杂趋势的预测,进而建立强大的基因到表型(Genotype-Phenotype)的(本文来源于《2019年中国作物学会学术年会论文摘要集》期刊2019-10-27）
潘锦锋[2]（2019）在《基于深度学习理论的大数据多尺度状态监测方法研究》一文中研究指出现有的大数据多尺度状态监测方法存在着监测精准度低、参数重构系数小的缺陷,引入深度学习理论对大数据多尺度状态监测方法进行设计。由于数据中存在着大量的干扰因子,采用数据清洗、数据集成、数据变换与数据规约方式对数据进行预处理,以此为基础,采用深度学习理论对稳态工况、动态工况基准模型进行构建,将运行数据代入到稳态工况、动态工况基准模型,得到稳态、动态残差,并对其进行粒化,采用卡尔曼滤波对稳态、动态残差进行融合得到融合残差,通过小波变换方法对其进行分析,以此为依据,对状态监测参数进行重构,实现了大数据多尺度状态的监测。通过性能测试,与现有的大数据多尺度状态监测方法相比较后提出的大数据多尺度状态监测方法极大地提升了监测精准度与参数重构系数,充分说明提出的大数据多尺度状态监测方法具备更好的性能。(本文来源于《长春工程学院学报(自然科学版)》期刊2019年03期）
李想,曹卓,但雅波,牛程程,胡建军[3]（2019）在《基于机器学习与多尺度特征的金属氧化物性能预测》一文中研究指出材料信息学是信息学技术在材料学中的应用,通过材料信息数据库和集成材料设计平台对材料的数据进行分析和预测。通过应用不同的机器学习(回归分析)方法和不同的特征选择算法,从众多的多尺度特征集中选择最优的特征子集可以预测金属氧化物的物理特性,归纳出适合材料不同特性的机器学习模型。分析结果表明,特征选择方法可以提升机器学习模型的性能,为进一步开发更有效的材料性能预测方法提供参考。(本文来源于《化工新型材料》期刊2019年09期）
严晨晨[4]（2019）在《基于多尺度联合学习的车辆重识别方法研究》一文中研究指出随着城市化的的发展,车辆作为重要的代步工具也变得越来越重要,但是也给交通管理带来了挑战。在公共安全中对特定车辆进行搜索的需求也成为了需要迫切解决的问题,所以车辆重识别任务也越来越受到人们的广泛关注。识别车辆最简单的方法是车牌重识别,但是由于拍摄的场景,角度,光照影响和套牌车的出现都会有无法识别的情况出现。所以对于这个问题,我们不利用车辆信息来解决车辆重识别问题,仅仅依靠摄像头拍下的信息来进行识别。与其他的目标重识别相似,车辆的不同车型、变化的光照和复杂的环境都严重影响了车辆重识别的有效性。所以,我们提出适用于车辆的基于深度学习的车辆重识别方案。本文工作及贡献主要包括以下一些内容。1)我们首先介绍了车辆的研究背景及其意义,并且对以往车辆重识别方案进行了相应的调研与分析,总结他们的优缺点以及还有哪些方面需要我们解决,同时也介绍了我们提出的网络模型。2)针对车辆的识别问题,我们采用叁重损失去训练卷积神经网络,该网络自动提取特征,训练时采用叁元组(锚点,正样本,负样本)去捕获它们之间的相对相似性来学习代表性特征。但是,由于传统的叁重损失训练时的弱约束性,导致没有达到很好的预期效果。我们提出改进,从叁个方面去进行训练:第一,对于传统的叁重损失的弱约束性,我们提出批量困难叁重损失,既解决了随着训练的不断深入很多叁元组变成“无用的”叁元组的问题,也解决了训练耗时的问题。第二,我们采用更强大的交叉熵损失去和批量困难叁重损失联合训练,加强其约束。第叁,为了减弱由于过拟合而降低模型的泛化能力和适应性,我们加入了标签平滑正则化(LSR)。我们在基准数据集上评估所提出的方法,实验结果表明,与现有技术相比较,所提出的方法具有良好的性能。3)针对相似车辆,我们提出了一个多尺度融合的车辆重识别网络,来实现车辆重识别任务。首先,我们提出的方法重点在于学习强大的特征表示以区分类似车辆,以多尺度卷积神经网络融合的框架去训练数据,并且在每个尺度中采用不同的膨胀比,以捕捉到不同的文本信息。再以深浅网络结合进行训练,浅层网络可以产生较少的不变性和低层次的图像特征,深层网络提供高的语义信息。最终被融合在softmax层中,有效地避免了细节信息的缺失。最后对实验结果进行k阶倒数重排列。其中使用的是双支流加权的方式来计算最终距离,一支是计算最近邻的马氏距离,另一支是用提取到的k阶倒数所计算的迪斯卡尔距离。既弥补了漏掉的查询车辆,又减少了负样本的干扰。我们的实验结果证明了所提方法的有效性。(本文来源于《安徽大学》期刊2019-09-01）
胡天中,余建波[5]（2019）在《基于多尺度分解和深度学习的锂电池寿命预测》一文中研究指出针对目前的剩余寿命预测(RUL)方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型.通过经验模态分解(EEMD)方法和相关性分析(CA),将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络(DBN)和长短期记忆网络(LSTM),分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果.实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.(本文来源于《浙江大学学报(工学版)》期刊2019年10期）
董雪梅,王洁微[6]（2019）在《基于多尺度高斯核的分布式正则化回归学习算法》一文中研究指出针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.(本文来源于《模式识别与人工智能》期刊2019年07期）
杨新,麻哲瑞,申赫男,陈鸿伟[7]（2019）在《基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》一文中研究指出为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明:本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。(本文来源于《化工学报》期刊2019年07期）
杨松柳[8]（2019）在《基于多尺度小波分解融合深度学习的短时交通流预测研究》一文中研究指出在城市化发展水平不断提高的背景下,人们出行需求增加促使城市机动车保有量逐年攀升,进而给城市交通系统带来交通拥堵等一系列问题。智能交通系统作为缓解这些问题的关键已经得到了广泛的应用。近年来,随着交通信息技术的发展,智能交通也迫切需要改善其相关技术推进交通智能化。交通流预测作为智能交通系统中的基础技术可以提供实时、动态的诱导信息用于制定交通管理与诱导措施。因此,对城市道路进行短时交通流预测在缓解交通拥堵、提高城市路网通行能力上具有重要的意义。本研究以实际数据为基础,结合交通流特性,提出了一种多尺度下粒子群优化深度置信网络的短时交通流预测模型,提高了短时交通流预测的准确度。首先,确定选题背景与意义,简要概述了有关短时交通流的基本知识,分析了深度学习的研究现状,进而给出本文的主要研究内容及技术路线。介绍了包括小波分析、深度置信网络和粒子群算法在内的相关基本知识和理论基础。详述了上述模型和算法的模型原理,并对相关参数做了分析工作。其次,在理论知识的基础上建立基于深度置信网络的短时交通流预测模型,给出模型的建立框架和预测流程,并分析了该模型的相关参数;在分析深度置信网络相关参数的条件下,提出用粒子群算法优化其参数的短时交通流预测模型;根据深度置信网络的可塑性,结合多尺度小波分析建立预测模型。最后,利用真实历史数据对模型进行实例验证。在分析基础数据和确定评价性能指标的前提下,通过分析隐含层神经元数量和学习率对模型的影响,对比分析不同模型的预测精度,最终选定本文提出的基于多尺度小波分解融合深度学习的短时交通流预测模型。在此基础上,又分析了工作日、非工作日和高峰小时时段模型的精确度。通过模型仿真,对比不同模型实验结果,结果表明,本文提出的基于多尺度小波分解融合深度学习的短时交通流预测模型具有良好的性能,该模型对一周交通流预测的平均绝对百分误差为7.21%;工作日的预测误差约为7.97%;非工作日模型误差约为10.39%;高峰小时的预测精度位于95%～96%之间。(本文来源于《北京交通大学》期刊2019-06-01）
易良玲[9]（2019）在《多尺度局部结构主导二值模式学习图像表示》一文中研究指出图像局部特征描述是计算机视觉的一个基本问题,局部特征描述子作为一种底层特征描述技术,可以描述丰富的图像局部细节结构,在图像发生形变、遮挡或缺损时,仍然表现出较强的鲁棒性,因此被广泛应用在目标检测和识别等计算机视觉任务中。计算机对图像进行理解通常采用“从局部到全局”的策略,这是一个从微观到介观到宏观,由底向上的图像描述过程。但是目前常用的图像特征抽取与描述技术是基于宏观整体或局部区域的,除LBP与GIMMRP算子外,很少有基于微观结构描述的局部特征技术。LBP具有计算简单,对图像旋转和图像灰度变换能保持不变性等优异性能,然而常规的LBP方法不足在于:(1)在二值化处理中,LBP仅保留了像素之间的灰度关系,导致图像细节信息的大量丢失;(2)LBP有可能会出现分布不均匀的直方图以及出现频率较低的模式类型;(3)LBP对所关注的模式类型需要预先定义,如“统一模式”是一种预先定义的模式。GIMMRP具有LBP相类似的优点,同时对图像微观结构有很强的描述表达能力,大幅度提升了二值描述算子的判别能力。但GIMMRP算法需要对图像中每一个3×3邻域和131个卷积模板进行卷积运算,导致计算效率低,运行速度慢,且获取到的BIMP重要模式是人为选择的结果,然而实际上对于不同的识别问题和应用数据集,其主导模式及其出现的频率并不一样,因此需要确定适应于每个数据集的最有效的主导模式集。本文通过零均值化的微观结构模式二值化(Zero-mean Microstructure Pattern Binarization,ZMPB)处理,提出一种立足于局部图像多尺度结构二值模式提取的图像表示方法。该方法能够表达图像中可能出现的各种具有视觉意义的重要模式结构,同时通过主导二值模式学习模型,可以获得适应于图像数据集的主导特征模式子集,在特征鲁棒性、鉴别力和表达能力上达到优异性能,同时有效降低特征编码的维度,提高算法的执行速度。为了验证算法的性能,在人脸图像数据集ORL和YALE,自行搜集的车标数据集和MNIST手写数字数据集上进行了实验,实验结果表明该算法性能优异,具有很强的判别能力和鲁棒性,优于传统LBP和GIMMRP方法,和很多最新算法结果相比,也具有一定的竞争优势。作为一种通用的图像识别描述方法,其具有高效、高鉴别力和较强的鲁棒性优点。可以广泛应用于目标检测、物体分类、文本检测与识别等领域。(本文来源于《湘潭大学》期刊2019-06-01）
吴斯凡[10]（2019）在《基于多尺度多场景迁移学习的高光谱图像分类算法研究》一文中研究指出高光谱遥感具有更高的光谱分辨率,使得人们对地物属性特征的认知不断深入,而分类技术作为高光谱遥感的一项重要内容,在很大程度上决定着后续专题图的制作与应用,然而高光谱图像丰富的空谱信息与标记样本缺乏的矛盾严重地制约了高光谱图像分类技术的发展。因此,本论文从高光谱图像特性出发,针对空谱信息的有效提取以及样本在多场景中的适应性等问题进行了分析研究。为了实现空谱信息的有效提取,论文首先研究了多尺度空谱特征的提取方法,通过改进联合双边边缘保持滤波器提出了自适应双边滤波器。该方法实现了多尺度空间特征的提取,同时避免了联合双边边缘保持滤波器复杂的调参问题且改善了分类效果。此外,针对像素级分类结果图上容易产生的“椒盐噪声”问题,引入了基于概率结果图的后处理方法,通过加强像素点之间的相关性,提高了分类结果图空间区域上的连续性,实现了分类精度的进一步提升。针对复杂场景中的空谱特征提取和样本不足的问题,论文以深度学习理论为基础,提出了多尺度空谱联合双分支网络(Multiscale Spectral-Spatial Unified Network,MSSN),借助于深度网络更强的特征提取能力,有效地增强了在复杂场景下的分类性能。鉴于高光谱图像缺乏标记样本的问题在深度网络中表现得更加突出,因此论文对基于“伪标签”的半监督学习方法进行了研究。该方法充分利用了数量众多的未标记样本,解决了多尺度空谱联合双分支网络在训练样本不足时的分类性能,实验结果也证明了方法的有效性。最后,论文在多尺度空谱联合双分支网络的基础上,针对高光谱数据样本在多场景中的适应性问题,研究了迁移学习在该问题上的应用。本文从相同高光谱传感器多场景图像的网络迁移和不同高光谱传感器多场景的网络迁移这两个方面出发,分别采用基于模型的迁移学习方法和基于特征-模型的迁移学习方法进行研究探讨,增加了在新场景图像中的样本数量并增强了样本的适用性,有效地解决了高光谱图像标记样本缺乏的问题,提高了分类性能。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
多尺度学习论文开题报告
（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：
现有的大数据多尺度状态监测方法存在着监测精准度低、参数重构系数小的缺陷,引入深度学习理论对大数据多尺度状态监测方法进行设计。由于数据中存在着大量的干扰因子,采用数据清洗、数据集成、数据变换与数据规约方式对数据进行预处理,以此为基础,采用深度学习理论对稳态工况、动态工况基准模型进行构建,将运行数据代入到稳态工况、动态工况基准模型,得到稳态、动态残差,并对其进行粒化,采用卡尔曼滤波对稳态、动态残差进行融合得到融合残差,通过小波变换方法对其进行分析,以此为依据,对状态监测参数进行重构,实现了大数据多尺度状态的监测。通过性能测试,与现有的大数据多尺度状态监测方法相比较后提出的大数据多尺度状态监测方法极大地提升了监测精准度与参数重构系数,充分说明提出的大数据多尺度状态监测方法具备更好的性能。
（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。
多尺度学习论文参考文献
[1].周济.结合机器学习和计算机视觉的多尺度作物表型组研究及其在稻麦育种中的应用[C].2019年中国作物学会学术年会论文摘要集.2019
[2].潘锦锋.基于深度学习理论的大数据多尺度状态监测方法研究[J].长春工程学院学报(自然科学版).2019
[3].李想,曹卓,但雅波,牛程程,胡建军.基于机器学习与多尺度特征的金属氧化物性能预测[J].化工新型材料.2019
[4].严晨晨.基于多尺度联合学习的车辆重识别方法研究[D].安徽大学.2019
[5].胡天中,余建波.基于多尺度分解和深度学习的锂电池寿命预测[J].浙江大学学报(工学版).2019
[6].董雪梅,王洁微.基于多尺度高斯核的分布式正则化回归学习算法[J].模式识别与人工智能.2019
[7].杨新,麻哲瑞,申赫男,陈鸿伟.基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断[J].化工学报.2019
[8].杨松柳.基于多尺度小波分解融合深度学习的短时交通流预测研究[D].北京交通大学.2019
[9].易良玲.多尺度局部结构主导二值模式学习图像表示[D].湘潭大学.2019
[10].吴斯凡.基于多尺度多场景迁移学习的高光谱图像分类算法研究[D].哈尔滨工业大学.2019