导读:本文包含了随机权论文开题报告文献综述及选题提纲参考文献，主要关键词:自适应随机权值,特征融合,支持向量机,图像分类
随机权论文文献综述
王敏,陈立潮,曹建芳,潘理虎[1]（2018）在《Hadoop下自适应随机权值多特征融合图像分类》一文中研究指出图像具有丰富的语义信息,面对越来越复杂的图像场景,单一特征往往不能准确描述图像内容,因此多特征融合的方式在描述图像中得到了广泛应用。在融合过程中,针对准确确定权值的问题,提出一种自适应的基于随机权值的多特征融合图像分类算法。首先生成随机权值矩阵,然后利用自定义的融合公式,得到融合特征矩阵。为验证算法的效果,将融合后的特征输入SVM,通过MapReduce框架的Map过程和Reduce过程得到最优权值组合。在Corel1000数据集上的实验结果表明,与单特征、1∶1∶1融合等相比,该算法分类正确率高、运行耗时少,当训练SVM的个数达到120时,系统加速比几乎呈线性增长的趋势,验证了Hadoop平台应对高复杂性算法时的有效性。(本文来源于《计算机技术与发展》期刊2018年11期）
邓恒[2]（2018）在《关于随机权和的一些研究》一文中研究指出不确定现象在现实生活中是普遍存在的。在这些不确定现象的背后,通常隐藏着某种确定的概率规律,随机权和模型是解决这类问题最有效的工具之一。在对保险风险和金融风险等问题进行研究时,随机权和模型都有着很好的应用。此外,它与极值理论、排队论和通讯等紧密相关。在过去的研究中,人们主要是对随机加权和及其最大值的渐近性进行研究,而忽略了在实际中,随机加权和式中的n也可以是一个随机变量。本文在重尾分布情况下,对随机加权和的尾部概率的渐近性进行了研究,构建了一个渐近式。全文主要研究如下内容:1.本文研究了离散时间情况下的随机加权和模型,并建立了一个新的渐近式。在随机加权和模型中n是一个随机变量,然后建立了一个新的渐近式,最后对给出的渐近式进行了严格的数学证明。2.利用随机加权和渐近式的结构特点,采用蒙特卡洛随机模拟,对给出的渐近式进行了数值模拟实验。实验结果对渐近式的合理性作了进一步的验证,从实验结果我们可知渐近式是合理的。(本文来源于《电子科技大学》期刊2018-03-26）
杨孝玉[3]（2017）在《基于随机权神经网络的重置多分类算法研究》一文中研究指出分类是机器学习的最重要研究领域之一,而多分类问题是目前研究分类问题的热点。最近提出的解决多分类问题的判别最小二乘回归(Discriminative Least Squares Regression,DLSR)算法采用最小二乘损失函数,通过引入一种称之为ε-dragging的技术,重新构建回归目标0-1矩阵。该技术的目的在于迫使不同的类别沿着相反的方向分离,从而使得类别间的距离扩大。受到DLSR方法在构建目标函数方面的启发,重置最小二乘回归(Retargeted Least Squares Regression Algorithm,ReLSR)算法随后被提出来。不同于DLSR构建目标矩阵的ε:-dragging技术,ReLSR提出从数据中直接学习回归目标,从而使分类误差达到更低。但是,在算法DLSR和ReLSR中使用的分类器都是线性函数。而实际数据间的关系远比线性复杂。因此,本文选择非线性的随机权神经网络(random weighted neural network,RWNN)作为分类器,依然运用ReLSR中通过数据学习回归目标的思想,提出基于随机权神经网络的重置多分类算法(retargeted multiclass Algorithm based on random weighted neural network,ReRWNN)。数值实验表面,与ReLSR相比,ReRWNN算法的分类准确率更高,处理复杂数据的能更强。(本文来源于《浙江工商大学》期刊2017-12-01）
车四方,舒维佳[4]（2018）在《基于随机权神经网络的农业旱灾脆弱性评价》一文中研究指出农业旱灾脆弱性综合评价是增强农业旱灾风险管理水平的重要方法。运用随机权神经网络法对四川省2000—2015年农业旱灾脆弱性水平进行综合评价分析,检验随机权神经网络评价模型的性能并将其与RBF神经网络和传统的BP网络模型进行比较。研究结论表明:四川省农业旱灾脆弱性水平总体上呈减弱趋势,经济的快速增长是其主要驱动因素;随机权神经网络评价模型的各项性能均优于RBF和BP神经网络,该研究结论为农业旱灾风险管理提供了新思路和新方法。(本文来源于《中国防汛抗旱》期刊2018年02期）
贺敏,汤健,郭旭琦,阎高伟[5]（2019）在《基于流形正则化域适应随机权神经网络的湿式球磨机负荷参数软测量》一文中研究指出针对湿式球磨机多工况运行过程中标签样本难以获取和工况改变导致的原测量模型失准问题,本文引入域适应随机权神经网络(Domain adaptive random weight neural network, DARWNN),实现待测工况中少量标签样本与原工况样本共同进行迁移学习.DARWNN网络解决了不同工况间难以共同进行机器学习的问题,但其只考虑经验风险,而未考虑结构风险,从而泛化性能较差,预测精度较低.在此基础上,本文引入流形正则化,并构建基于流形正则化的域适应随机权神经网络(Domain adaptive manifold regularization random weight, neural network, DAMR.RWNN),以保持数据几何结构,提高相应模型性能.实验结果表明,所提方法可以有效提高DARWNN的学习精度,解决多工况情况下湿式球磨机负荷参数软测量问题.(本文来源于《自动化学报》期刊2019年02期）
周平,张丽,李温鹏,戴鹏,柴天佑[6]（2018）在《集成自编码与PCA的高炉多元铁水质量随机权神经网络建模》一文中研究指出针对随机权神经网络(Random vector functional-link networks, RVFLNs)建模存在的过拟合和泛化能力差的问题,集成自编码(Autoencoder)和主成分分析(Principal component analysis, PCA)技术,提出一种新型的改进RVFLNs算法,即AE-P-RVFLNs算法,用于建立高炉多元铁水质量在线估计的NARX (Nonlinear autoregressive exogenous)模型.首先,为了尽可能挖掘实际复杂工业数据中的有用信息和充分揭示输入数据之间的内在关系,采用Autoencoder前馈随机网络技术训练建模输入数据,并将训练得到的输出权值作为后续RVFLNs的输入权值;然后,引入PCA技术对RVFLNs的高维隐层输出矩阵进行降维,避免隐层输出矩阵多重共线性问题,从而解决由于隐层节点过多导致模型过拟合的问题;最后,基于所提AE-P-RVFLNs算法建立某大型高炉多元铁水质量在线估计的NARX模型.工业实验和比较分析表明:采用本文算法建立的多元铁水质量在线估计模型可有效提高运算效率和估计精度,尤其是避免常规RVFLNs建模存在的过拟合问题.(本文来源于《自动化学报》期刊2018年10期）
李曼,郑秀萍,俞胜平,初延刚[7]（2017）在《基于加权随机权神经网络的磨矿粒度指标预测方法》一文中研究指出以磨矿过程的关键工艺指标(磨矿粒度)为预测对象,结合典型两段磨矿回路的特点,采用加权的随机权神经网络算法,建立了磨矿粒度的神经网络指标预测模型。并通过工业现场数据验证,与传统的BP神经网络及随机权神经网络相比,预报效果更好,从而验证了本文方法的有效性。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
李传保[8]（2016）在《基于改进集成随机权神经网络的精矿产量在线预报系统》一文中研究指出选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。(本文来源于《东北大学》期刊2016-12-01）
张丽[9]（2016）在《基于改进随机权神经网络的高炉铁水质量参数建模》一文中研究指出高炉炼铁是钢铁冶炼中重要的生产环节。在高炉炼铁过程中,铁矿石、焦炭及溶剂按一定比例配成炉料,从炉顶进料口加入到炉内。铁矿石在高温高压下,经过一系列复杂的物理化学反应最终被还原成铁,以铁水的形式从高炉出铁口流出。铁水的质量对后续转炉炼钢有着很大的影响,因此有必要实时准确地监测高炉内部状态参数,来保障高炉的平稳运行以生产出质量合格的铁水。然而高炉炼铁是一个包含气、固、液叁相混合,物理化学反应极其复杂的过程,其内部环境极其恶劣,这些导致了操作人员难以对其内部运行状态的变化进行实时监测。因此有必要建立准确可靠的铁水质量模型来反映高炉当前和预期的内部温度和指标参数变化,为现场操作人员提供全面的炉况和铁水质量信息。目前,随机权神经网络(RVFLNs)被广泛应用于解决实际工程的建模、回归与分类,并且近几年也用于解决高炉铁水质量建模问题。相比常规的BP、RBF等神经网络,随机权神经网络有更快的速度和更高的计算效率,但随机权神经网络普遍存在易出现过拟合情况、计算结果不稳定、模型精度不够高的问题。为此,本文针对这些问题,依托国家自然科学基金重大研究项目“大型高炉高性能运行控制方法及其实现技术”(61290323),以柳钢2号高炉为研究对象,开展基于改进随机权神经网络的多元铁水质量建模研究,具体工作如下:(1)针对现有随机权神经网络建模方法存在的节点选择不当时易出现过拟合的问题,基于自编码(Autoencoder)算法和主成分分析(PCA)技术,提出一种新型的改进随机权神经网络-基于自编码和主成分分析的随机权神经网络(AE-P-RVFLNs),并建立高炉多元铁水质量指标的带输入的非线性自回归(NARX)模型。首先,对高炉的状态变量和控制变量进行分析得到16个影响铁水质量指标的变量,并引入PCA对16个变量进行降维处理以降低运算的复杂程度。其次,为了使模型更好的逼近实际系统的动态特性,本文引入NARX模型,并基于AIC(Akaike's Information Criterion)准则和 SR(Schwartz-Rissanen)准则确定了 NARX模型的最佳阶次。在确定了模型结构后,为了分析出实际复杂工业数据中的有用信息和发现输入数据之间的隐藏关系,用Autoencoder训练输入数据,并将训练得到的输出权值作为后续神经网络中的输入权重。随后,引入PCA技术对隐层输出矩阵进行降维处理,避免隐层输出矩阵多重共线问题,大大降低网络中的无用隐层结点个数,简化网络结构,有效避免由于隐层节点过多导致的过拟合问题。最后,将所提方法在柳钢2号高炉进行了工业试验和比较研究。结果表明,相对于常规铁水质量估计方法,本文所提模型提高了计算精度和计算速度,并且有效解决了常规RVFLNs由于隐层节点选择不当造成的过拟合问题。(2)针对常规RVFLNs计算结果不稳定以及精度需要进一步提高的问题,本文提出基于改进增量型随机权神经网络(I-RVFLNs)的多元铁水质量动态NARX建模方法。首先,改进并设定了符合高炉炼铁工艺实际和多输入多输出动态建模问题的算法终止条件;其次,针对增量型神经网络节点过多的情况,提出一种改进的增量型随机权神经网络,该算法在不改变网络节点个数和保证误差不断下降的前提下,依次改变每个节点的输出权重来,逼近理想输出值;最后基于柳钢2号高炉的实际数据建立了改进的增量型随机权神经网络的多元铁水质量动态NARX模型,并和其他模型进行对比实验。结果表明,相对于常规铁水质量模型,上述模型有更好的精度和速度。(本文来源于《东北大学》期刊2016-12-01）
乔俊飞,鞠岩,韩红桂[10]（2016）在《基于自组织随机权神经网络的BOD软测量》一文中研究指出针对污水处理复杂系统中关键水质参数生化需氧量(biochemical oxygen demand,BOD)难以准确实时预测的问题,在分析污水处理过程相关影响因素的基础上,提出一种基于敏感度分析法的自组织随机权神经网络(selforganizing neural network with random weights,SONNRW)软测量方法.该方法首先通过机理分析选取原始辅助变量,经过数据预处理,之后采用主元分析法对辅助变量进行精选,作为SONNRW的输入变量进行污水处理关键水质参数BOD的预测.SONNRW算法利用隐含层节点输出及其权值向量计算该隐含层节点对于残差的敏感度,根据敏感度大小对网络隐含层节点进行排序,删除敏感度较低的隐含层节点即冗余点.仿真结果表明:该软测量方法对水质参数BOD的预测精度高、实时性好、模型结构稳定,能够用于污水水质的在线预测.(本文来源于《北京工业大学学报》期刊2016年10期）
随机权论文开题报告
（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：
不确定现象在现实生活中是普遍存在的。在这些不确定现象的背后,通常隐藏着某种确定的概率规律,随机权和模型是解决这类问题最有效的工具之一。在对保险风险和金融风险等问题进行研究时,随机权和模型都有着很好的应用。此外,它与极值理论、排队论和通讯等紧密相关。在过去的研究中,人们主要是对随机加权和及其最大值的渐近性进行研究,而忽略了在实际中,随机加权和式中的n也可以是一个随机变量。本文在重尾分布情况下,对随机加权和的尾部概率的渐近性进行了研究,构建了一个渐近式。全文主要研究如下内容:1.本文研究了离散时间情况下的随机加权和模型,并建立了一个新的渐近式。在随机加权和模型中n是一个随机变量,然后建立了一个新的渐近式,最后对给出的渐近式进行了严格的数学证明。2.利用随机加权和渐近式的结构特点,采用蒙特卡洛随机模拟,对给出的渐近式进行了数值模拟实验。实验结果对渐近式的合理性作了进一步的验证,从实验结果我们可知渐近式是合理的。
（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。
随机权论文参考文献
[1].王敏,陈立潮,曹建芳,潘理虎.Hadoop下自适应随机权值多特征融合图像分类[J].计算机技术与发展.2018
[2].邓恒.关于随机权和的一些研究[D].电子科技大学.2018
[3].杨孝玉.基于随机权神经网络的重置多分类算法研究[D].浙江工商大学.2017
[4].车四方,舒维佳.基于随机权神经网络的农业旱灾脆弱性评价[J].中国防汛抗旱.2018
[5].贺敏,汤健,郭旭琦,阎高伟.基于流形正则化域适应随机权神经网络的湿式球磨机负荷参数软测量[J].自动化学报.2019
[6].周平,张丽,李温鹏,戴鹏,柴天佑.集成自编码与PCA的高炉多元铁水质量随机权神经网络建模[J].自动化学报.2018
[7].李曼,郑秀萍,俞胜平,初延刚.基于加权随机权神经网络的磨矿粒度指标预测方法[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[8].李传保.基于改进集成随机权神经网络的精矿产量在线预报系统[D].东北大学.2016
[9].张丽.基于改进随机权神经网络的高炉铁水质量参数建模[D].东北大学.2016
[10].乔俊飞,鞠岩,韩红桂.基于自组织随机权神经网络的BOD软测量[J].北京工业大学学报.2016