导读:本文包含了网络分层论文开题报告文献综述及选题提纲参考文献，主要关键词:10kV配电网,故障区段定位,自组织映射,广义回归神经网络
网络分层论文文献综述
苏运,刘思怡,张焰[1]（2019）在《基于分层结构神经网络的10kV配电网单相接地故障区段定位方法》一文中研究指出针对10kV配电网单相接地短路故障发生位置难以确定的问题,提出利用配电网中的多源数据,通过构建分层结构神经网络进行故障区段定位的方法。首先提取各种类型10kV配电网的固有特征,在分层结构神经网络的聚类层根据配电网的这些固有特征,利用自组织映射神经网络进行聚类分析,得到不同类别配电网;然后在分层结构神经网络的训练层对各类配电网分别用广义回归神经网络对故障定位条件特征与结果特征进行训练,得到各类配电网的故障定位模型;最后将发生单相接地短路故障的配电网下属各区段故障定位条件特征输入至所对应的故障定位模型中,判断各区段故障情况,实现故障定位。实际算例分析表明,所提出的方法能快速、准确地找出10kV配电网单相接地故障发生的区段,且具有较好的容错性。(本文来源于《水电能源科学》期刊2019年11期）
张怡卓,徐苗苗,王小虎,王克奇[2]（2019）在《残差网络分层融合的高光谱地物分类》一文中研究指出高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16, 32, 64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines, University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10~4,当3个数据集的样本块像素分别设置为25×25, 23×23, 27×27,网络深度分别为28, 32和28时, 3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度; Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。(本文来源于《光谱学与光谱分析》期刊2019年11期）
徐星光,廖志刚,任章,胡一繁[3]（2019）在《战术导弹分层混合贝叶斯网络测试性建模和评价方法》一文中研究指出针对复杂装备传统测试性建模和评价存在故障模式结构分层、信息不确定、数据容量小的问题,提出了分层混合贝叶斯网络测试性建模和评价方法。将测试性结构模型和测试性贝叶斯网络模型相结合,利用专家评分的先验知识与小样本测试数据的后验知识,在战术导弹全寿命周期内对装备测试性进行分析和评价。应用分层混合贝叶斯网络测试性建模方法建立复杂系统的测试性网络拓扑结构,解决了故障模式结构分层问题。引入叁角模糊数算法获取专家知识,计算关于故障检测率的先验条件概率分布,解决了信息不确定问题。以历史测试数据作为后验条件,由贝叶斯公式更新故障检测率的概率分布,解决了数据容量小问题。仿真结果表明,与传统测试性建模和评价方法相比,分层混合贝叶斯网络测试性建模和评价方法既考虑了复杂装备的结构分层,又融合了先验知识和实际试验结果,并且实例验证所设计的测试性建模和评价方法是有效的。(本文来源于《战术导弹技术》期刊2019年06期）
陈雷[4]（2019）在《SCMA网络中基于能量效率最大化的分层多播资源分配算法》一文中研究指出稀疏码多址接入技术可以高效的提升频谱效率,因此被作为5G网络的候选接入技术之一。首先研究稀疏码多址接入网络中的分层多播策略,在该策略下使得网络容量不再受限于多播组中最差用户的信道质量。在满足多播组服务质量需求的同时,公式了网络能量效率最大化的最优化问题,该最优化问题由码本分配与功率分配联合解决。为了减少解决最优化问题的计算复杂度,提出分离码本分配与功率分配的快速次优化算法。最后,仿真结果显示提出的分层多播的快速次优化算法在基于稀疏码多址接入网络中的网络能量效率方面要优于采用传统多播策略的稀疏码多址接入网络,和基于正交频分多址网络。并且,提出的快速次优化算法在稀疏码多址接入网络中的多播系统功效要优于正交频分复用网络中的多播系统功效。(本文来源于《工程科学与技术》期刊2019年06期）
殷文俊,蔡继永[5]（2019）在《分层与网络学习共同体相结合的教学模式探索——滁州城市职业学院计算机基础课教学改革》一文中研究指出由于我院生源多样化和地域的差别,学生的计算机基础水平差别较大,如果在教学过程中一味地遵循传统的以班级为单位的授课模式,难以适应高职院校教学发展的需要。分层教学能充分体现因材施教的原则,网络学习共同体的建立将传统的课堂教学延伸到课外,二者有机结合,更加有利于提高学生学习的积极性,增强学习效果。借鉴其他高职院校的经验,提出适合我院的分层与网络学习共同体相结合的混合教学模式。(本文来源于《才智》期刊2019年29期）
徐立国,迟晶元[6]（2019）在《面向分层分流的计算机网络实验模块化设计》一文中研究指出目前,由于我国面向分层分流的计算机网络实验模块化设计工作开展的不到位,严重影响了面向分层分流的计算机网络实验模块化设计的质量和水平,因此,强化面向分层分流的计算机网络实验模块化设计工作迫在眉睫。本文从面向分层分流的实验项目设计、网络工程方向实验项目设计、网络编程方向实现项目设计叁个方面入手,阐述了面向分层分流的计算机网络实验模块化设计的可行性方法,希望给技术人员的设计工作提供有效的参考。(本文来源于《计算机产品与流通》期刊2019年10期）
王华[7]（2019）在《高速信息网络混合入侵信息分层检索仿真研究》一文中研究指出由于当前高速信息网络混合入侵信息检索方法无法完全辨识入侵信息的特征,反馈次数较多,导致信息查全率与查准率较低、稳定性不好的问题,提出一种基于新空间关系特征结合K-means方法的高速信息网络混合入侵信息分层检索方法。提取高速信息网络混合入侵的空间结构向量,计算任意两个特征向量之间的相似性,构建相似性集合,将相似性作为新特征向量,创建新的空间关系特征向量,将原来的特征向量映射到一个欧式空间上。对其空间上未标注的数据样本与分类边界之间的距离以及其近邻密度进行标注,选出最有价值的关键性数据样本作为训练数据样本,使得分类器可以在较少的反馈次数中达到最高的精准性。仿真结果表明,所提方法在查准率、查全率方面优于其它方法。(本文来源于《计算机仿真》期刊2019年10期）
唐元春,林文钦,陈力,朱佳佳[8]（2019）在《面向电力无线专网的分层异构网络接入协同选择方案》一文中研究指出针对电力无线专网应用场景部分地区存在盲、弱覆盖等问题,提出了一种分层异构网络接入协同选择方案。该方案研究了均衡网络静态性能指标和动态性能指标的多目标联合优化,并利用改进非支配排序遗传算法求解该方案的最优解。仿真结果表明,提出的方案在承载实时和非实时业务时,都能够保证静态性能指标和动态性能指标之间的均衡性,因而能够完整地表征网络的整体性能。进而用户终端能够合理地选择整体性能较好的网络进行接入,使得分层异构网络资源能够得到合理的分配。(本文来源于《电力系统保护与控制》期刊2019年19期）
王亚萍,成卫,李黎山[9]（2019）在《基于分层贝叶斯网络的交通密度估测模型》一文中研究指出为准确、快速地判别交通状态,以宏观基本图为基础,针对交通流参数时、空二维分布的特征,建立了分层贝叶斯网络下的路网密度估测模型。采用分层贝叶斯网络描述了影响交通状态变量之间的相关性,并结合概率理论和路段排队模型进行了公式的推导,引入期望最大化扩展卡尔曼滤波法(EM-EKF)进行了参数估计和未知变量的迭代计算。以玉溪市龙马路等相关路段为例,借助VISSIM软件进行了仿真实验。通过COM接口采集密度等数据,将这些数据与模型计算结果进行了对比分析。研究结果表明:提出的模型估测结果十分接近真实情况(平均绝对误差百分比为6.98%和7.72%),验证了该模型的有效性和可靠性。(本文来源于《交通科学与工程》期刊2019年03期）
韩永丽[10]（2019）在《基于网络的高校英语“隐性分层”教学模式概述》一文中研究指出英语已经成为了许多人的第二语言,但是大多数人对英语的掌握仅限于对一些日常的口语的掌握,对高校英语的教学了解甚少。高校则是培养英语人才的重要阵地,为了更进一步地将其推广,使人们与英语接触更多,对英语教学和相关方面有一个基本的了解,就需要对英语教学和研究中出现的一些问题进行探索和解决。基于国家有关高校英语教学的要求出发,以网络为载体,"隐性分层"教学模式在高校英语教学中的应用,能够激发学生英语学习积极性,促进高校英语高效教学的实现。本文就"隐性分层"教学模式的设计依据进行阐述,探索该教学模式的实施方式,结合高校英语教学实践来探索该模式的改进途径,旨在提升高校英语教学成效,仅供相关人员参考。(本文来源于《英语画刊(高级版)》期刊2019年27期）
网络分层论文开题报告
（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：
高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16, 32, 64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines, University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10~4,当3个数据集的样本块像素分别设置为25×25, 23×23, 27×27,网络深度分别为28, 32和28时, 3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度; Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。
（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。
网络分层论文参考文献
[1].苏运,刘思怡,张焰.基于分层结构神经网络的10kV配电网单相接地故障区段定位方法[J].水电能源科学.2019
[2].张怡卓,徐苗苗,王小虎,王克奇.残差网络分层融合的高光谱地物分类[J].光谱学与光谱分析.2019
[3].徐星光,廖志刚,任章,胡一繁.战术导弹分层混合贝叶斯网络测试性建模和评价方法[J].战术导弹技术.2019
[4].陈雷.SCMA网络中基于能量效率最大化的分层多播资源分配算法[J].工程科学与技术.2019
[5].殷文俊,蔡继永.分层与网络学习共同体相结合的教学模式探索——滁州城市职业学院计算机基础课教学改革[J].才智.2019
[6].徐立国,迟晶元.面向分层分流的计算机网络实验模块化设计[J].计算机产品与流通.2019
[7].王华.高速信息网络混合入侵信息分层检索仿真研究[J].计算机仿真.2019
[8].唐元春,林文钦,陈力,朱佳佳.面向电力无线专网的分层异构网络接入协同选择方案[J].电力系统保护与控制.2019
[9].王亚萍,成卫,李黎山.基于分层贝叶斯网络的交通密度估测模型[J].交通科学与工程.2019
[10].韩永丽.基于网络的高校英语“隐性分层”教学模式概述[J].英语画刊(高级版).2019