导读:本文包含了网络学习机论文开题报告文献综述及选题提纲参考文献，主要关键词:多层感知器残差网络,多通道分类器,超限学习机,3D物体识别
网络学习机论文文献综述
黄强,王永雄[1]（2019）在《感知器残差网络和超限学习机融合的3D物体识别》一文中研究指出目的随着3D扫描技术和虚拟现实技术的发展,真实物体的3D识别方法已经成为研究的热点之一。针对现有基于深度学习的方法训练时间长,识别效果不理想等问题,提出了一种结合感知器残差网络和超限学习机(ELM)的3D物体识别方法。方法以超限学习机的框架为基础,使用多层感知器残差网络学习3D物体的多视角投影特征,并利用提取的特征数据和已知的标签数据同时训练了ELM分类层、K最近邻(KNN)分类层和支持向量机(SVM)分类层识别3D物体。网络使用增加了多层感知器的卷积层替代传统的卷积层。卷积网络由改进的残差单元组成,包含多个卷积核个数恒定的并行残差通道,用于拟合不同数学形式的残差项函数。网络中半数卷积核参数和感知器参数以高斯分布随机产生,其余通过训练寻优得到。结果提出的方法在普林斯顿3D模型数据集上达到了94.18%的准确率,在2D的NORB数据集上达到了97.46%的准确率。该算法在两个国际标准数据集中均取得了当前最好的效果。同时,使用超限学习机框架使得本文算法的训练时间比基于深度学习的方法减少了3个数量级。结论本文提出了一种使用多视角图识别3D物体的方法,实验表明该方法比现有的ELM方法和深度学习等最新方法的识别率更高,抗干扰性更强,并且其调节参数少,收敛速度快。(本文来源于《中国图象图形学报》期刊2019年10期）
黄强,王永雄[2]（2019）在《结合超限学习机和融合卷积网络的3D物体识别方法》一文中研究指出本文提出了一种新型的结合超限学习机(ELM)和融合卷积网络(CCN)的模型,并用于3D物体的特征提取和分类.模型以3D物体的多视角投影图作为输入,经过多层融合卷积网络提取特征,利用半随机的ELM网络进行分类.卷积网络由提出的融合卷积单元组成,它是一种改进的残差单元,多个并行残差通道上的卷积核个数依次增加,相同大小的卷积核参数共享.半数卷积核参数以高斯分布随机产生,其余通过训练寻优得到.它能拟合更复杂的残差项函数,增加低层网络的特征表达能力.同时网络结构规范简洁,便于训练和优化.本文的方法在普林斯顿3D模型标准数据集上的识别率达到了92. 86%.实验表明,提出的方法的识别率比现有的ELM方法和深度学习等最新方法的识别率更高,并且其调节参数少,收敛速度快.(本文来源于《小型微型计算机系统》期刊2019年09期）
李熠,李永忠[3]（2019）在《基于自编码器和极限学习机的工业控制网络入侵检测算法》一文中研究指出针对目前未知工业控制网络攻击检测方法处于初级阶段,浅层次的选取特征分类导致检测率较低的问题,提出一种稀疏自编码-极限学习机入侵检测模型。该文所提算法通过深度学习的稀疏自编码器在训练时结合编码层的系数惩罚和重构误差对高维数据进行特征提取,再运用极限学习机对提取的特征进行快速有效地精准分类,使用工控入侵检测标准数据集对算法准确性进行了验证,通过和不同类型的入侵检测模型进行比较。结果表明:该文方法可以有效提升入侵检测系统性能,符合工业控制入侵检测"高精度、低误报"的要求。(本文来源于《南京理工大学学报》期刊2019年04期）
刘坤,周明杰,赵千秋[4]（2019）在《基于云计算和极限学习机的网络流量预测研究》一文中研究指出本文首先介绍了云计算概念以及极限学习机概念,之后详细介绍了一种新型预测方式,最后通过实验来进行分析和验证。(本文来源于《中国新通信》期刊2019年10期）
王小玉,贾杰,常明明[5]（2019）在《带有弹性网络惩罚的自适应多项式回归学习机及其特征选择性能》一文中研究指出基于多类自适应弹性网络惩罚函数可以自适应地进行群体基因选择的优化性能的特点,本文论及了一种新的自适应多项式回归学习机器,该学习机模型结合了多类自适应弹性网络惩罚函数与多项式似然损失函数,可以在进行多分类过程的同时,自适应并成群地选择相关的重要基因。本文利用定理证明了该结论的成立。(本文来源于《安阳师范学院学报》期刊2019年02期）
李秋玮[6]（2019）在《基于条件生成对抗网络和超限学习机的小样本数据处理方法研究》一文中研究指出随着科学技术的不断进步,数据的重要性不断凸显,从大量数据中获取蕴藏的知识是数据处理的目标所在。然而,许多如医学医药、国防工业、航空航天等领域因环境、时间、成本等多方面因素,无法获取足够多的数据。由于样本数目较少,现有基于数据驱动的机器学习方法在小样本数据上处理性能不高。如何对小样本数据进行有效的处理为现有机器学习方法提出了新的挑战。本文在条件生成对抗网络扩大小样本数据的基础上,利用基于粒子群优化的超限学习机实现小样本数据的特征提取和分类。主要工作如下:(1)现有的条件生成对抗网络所生成的样本,存在类间差异度较小、不同类别的生成样本难以区分的缺陷。针对此,本论文提出一种基于类间距离的条件生成对抗网络方法。首先,运用最大期望算法对原始样本中的缺失值进行填充,然后在条件生成对抗网络模型的生成网络中加入类间区分度信息。在带有类别信息标签数据的情况下,有效地生成具有区分度的不同类别样本。所提出的方法在扩充样本数量的同时可以对各个类别样本起到积极的区分作用,有助于机器学习算法对包含所生成样本的扩充后的数据集展开进一步分析。实验结果表明,在多个小样本数据集及MNIST上,改进的条件生成对抗网络所生成的样本相比于传统方法具有较大的类间距离以及较为明显的类间区分度。(2)针对传统超限学习机方法因随机初始化权值影响其泛化性能的鲁棒性问题,本文提出一类基于粒子群优化算法的双隐层超限学习机,旨在提升小样本数据的特征提取和特征分类性能。模型的第一层采用基于自动编码器结构的变长超限学习机,以此提取有效的数据特征;模型的第二层采用基于粒子群优化算法的变长超限学习机,即利用粒子群算法分别通过拟合误差及分类交叉熵作为适应值函数,优化双隐层网络中的权值,以此对小样本数据进行更为准确地分类。除此之外,该方法有效限制了隐含层节点的过度增长,避免了超限学习机的过拟合问题。实验结果表明,在六个基准分类数据集上,改进的算法可以获取小样本数据集上有效的特征表示,相比于传统算法分类准确度更高。(本文来源于《江苏大学》期刊2019-04-01）
王一宾,裴根生,程玉胜[7]（2019）在《弹性网络核极限学习机的多标记学习算法》一文中研究指出将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究。基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法。首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记。通过对比试验和统计分析表明,提出的算法具有更好的性能表现。(本文来源于《智能系统学报》期刊2019年04期）
段兴林[8]（2019）在《基于灰狼算法优化核极限学习机的网络入侵检测研究》一文中研究指出针对核极限学习机的网络入侵检测结果易受正则化系数C和核参数g的影响,提出了一种灰狼算法优化KELM的网络入侵检测算法,提高KELM的网络入侵检测效果。实验结果表明,在检测率和误判率指标上,GWO_KELM算法的网络入侵检测率平均高达97.35%,优于其他算法。(本文来源于《微型电脑应用》期刊2019年03期）
周棒棒,魏书宁,唐勇,马天雨,陈远毅[9]（2019）在《粗糙集属性约简的极限学习机网络入侵检测算法》一文中研究指出针对网络入侵数据量大、属性冗余及属性之间线性相关导致分类算法计算速度慢、准确度不高等问题,提出一种改进粗糙集属性约简的极限学习机网络入侵分类算法。对训练集采用粗糙集正域和分辨矩阵相结合的方法获得属性核,筛选出只有属性核的数据集得到无冗余属性的特征集合;使用极限学习机(ELM)作为分类模型进行分类,使用支持向量机(SVM)、神经网络、极限学习机比较证明提出方法的有效性,为网络入侵检测提供一种新的解决方法。(本文来源于《传感器与微系统》期刊2019年01期）
袁开银,魏彬[10]（2018）在《相空间重构和极限学习机的网络流量预测模型》一文中研究指出网络流量的预测可以有效降低网络拥塞频率,提高网络的服务质量,针对传统方法无法准确描述网络流量混沌特性的局限性,提出了相空间重构与极限学习机的网络流量预测模型(PHR-ELM)。首先通过相空间重构把网络流量变为有规律数据,然后采用极限学习机实现网络流量的准确预测,最后进行了网络流量预测的仿真测试,结果表明,PHR-ELM可以有效拟合网络流量的混沌变化特性,准确实现了网络流量变化趋势的预测,预测效果要优于传统模型,验证了PHR-ELM的有效性和优越性。(本文来源于《控制工程》期刊2018年11期）
网络学习机论文开题报告
（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：
本文提出了一种新型的结合超限学习机(ELM)和融合卷积网络(CCN)的模型,并用于3D物体的特征提取和分类.模型以3D物体的多视角投影图作为输入,经过多层融合卷积网络提取特征,利用半随机的ELM网络进行分类.卷积网络由提出的融合卷积单元组成,它是一种改进的残差单元,多个并行残差通道上的卷积核个数依次增加,相同大小的卷积核参数共享.半数卷积核参数以高斯分布随机产生,其余通过训练寻优得到.它能拟合更复杂的残差项函数,增加低层网络的特征表达能力.同时网络结构规范简洁,便于训练和优化.本文的方法在普林斯顿3D模型标准数据集上的识别率达到了92. 86%.实验表明,提出的方法的识别率比现有的ELM方法和深度学习等最新方法的识别率更高,并且其调节参数少,收敛速度快.
（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。
网络学习机论文参考文献
[1].黄强,王永雄.感知器残差网络和超限学习机融合的3D物体识别[J].中国图象图形学报.2019
[2].黄强,王永雄.结合超限学习机和融合卷积网络的3D物体识别方法[J].小型微型计算机系统.2019
[3].李熠,李永忠.基于自编码器和极限学习机的工业控制网络入侵检测算法[J].南京理工大学学报.2019
[4].刘坤,周明杰,赵千秋.基于云计算和极限学习机的网络流量预测研究[J].中国新通信.2019
[5].王小玉,贾杰,常明明.带有弹性网络惩罚的自适应多项式回归学习机及其特征选择性能[J].安阳师范学院学报.2019
[6].李秋玮.基于条件生成对抗网络和超限学习机的小样本数据处理方法研究[D].江苏大学.2019
[7].王一宾,裴根生,程玉胜.弹性网络核极限学习机的多标记学习算法[J].智能系统学报.2019
[8].段兴林.基于灰狼算法优化核极限学习机的网络入侵检测研究[J].微型电脑应用.2019
[9].周棒棒,魏书宁,唐勇,马天雨,陈远毅.粗糙集属性约简的极限学习机网络入侵检测算法[J].传感器与微系统.2019
[10].袁开银,魏彬.相空间重构和极限学习机的网络流量预测模型[J].控制工程.2018