导读:本文包含了多重卷积论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,多重采样,栈式卷积编码,可分离卷积
多重卷积论文文献综述
袁国亮[1]（2019）在《无监督学习和多重采样对卷积神经网络的优化研究》一文中研究指出图像分类对于人工智能和计算机视觉等研究领域的发展都是十分重要的,近年来,卷积神经网络在图像分类研究上占据着主导地位。但卷积神经网络仍然面临着几大问题,主要表现在两方面:其一,卷积操作提取的特征在网络中传递的时候容易在池化操作过程中丢失;其二,网络参数的初始化值状态以及网络结构的设计会对网络性能造成较大影响。本文围绕图像分类算法精度不高,速度不快等问题,对卷积神经网络展开系统的研究并对其进行优化,主要贡献包括:1.多重采样池化对卷积神经网络的优化研究。针对传统的池化方法容易忽略特征图中有效信息的问题,本文研究了如何在采样过程中减少训练参数的同时能够保留细节特征的方法,并提出了多重采样池化对卷积神经网络的优化方案。方案通过构建基函数能够提取到全面有效的图像特征从而达到提高网络识别率的效果。2.自动编码器优化卷积神经网络参数。针对卷积神经网络参数的初始值状态会对网络性能造成较大影响的问题,在前人的研究基础上,运用栈式卷积自动编码器来初始化网络参数。通过栈式卷积自动编码器预先训练数据集从而提取到有用的特征,由于提取到的特征是栈式卷积自动编码器的隐式表现,因此将该特征作为卷积神经网络参数的初始化值,能使得网络朝着更好的方向训练。3.多尺度深度可分离卷积学习网络。受到MobileNet的启发,针对卷积神经网络参数多、计算量大的问题,我们提出了多尺度学习网络并将其用于图像分类。该方法有两个优点:(1)它使用具有深度可分离卷积的多尺度块,该网络允许在同一模型内形成多个子网络;(2)它将多尺度块与残差结构相结合,显着加速网络的训练。叁种优化方法从不同的角度出发,针对相应的问题寻找了不同的解决方法,以提高网络性能为根本出发点。提出的卷积神经网络优化方法在图像分类领域公开数据集上进行了测试。实验结果表明:多重采样池化对卷积神经网络的优化加快了卷积神经网络的训练速度并提高了其测试精度;通过卷积自动编码器初始化卷积神经网络的参数方法能够增强网络模型的稳定性,其测试精度优于常用的Xavier算法和MSRA算法;多尺度深度可分离卷积学习网络在网络性能和训练量之间能够找到合适的平衡点,使得卷积神经网络能够适应更多的应用场景。(本文来源于《湖北工业大学》期刊2019-06-15）
耿茜,李宇华[2]（2019）在《带有卷积非线性项的Kirchhoff方程解的多重性》一文中研究指出针对带有卷积非线性项的Kirchhoff方程解的多重性研究成果较少、困难较多的情形,通过给出适当的条件来克服非局部项与非线性项之间的相互干扰,进一步再利用Fountain定理来获得方程解的多重性。针对卷积非线性项的出现,采用不同于通常多项式非线性项的处理手法,为解决类似问题提供了参考。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年01期）
刘鑫童,刘立波,张鹏[3]（2018）在《基于多重卷积神经网络跨数据集图像分类》一文中研究指出为解决不同数据集共同类图像特征学习能力弱的问题,采用深度学习算法模型,提出一种基于多重卷积神经网络的跨数据集图像分类方法。以中值滤波预处理后的图像作为网络输入,在两个池化层之间采用两组连续卷积层,卷积特征提取和池化后,采用L2范数正则化的Softmax损失函数作为模型分类器,完成多重卷积神经网络分类的训练和测试。实验结果表明,相比于传统JDA方法、TCA方法和KPCA方法,该方法在经典数据集Caltech256、Amazon、Webcam和Dslr上具有更好的特征提取能力和更高的平均准确率。(本文来源于《计算机工程与设计》期刊2018年11期）
谢磊,孙超,刘雄厚,蒋光禹,孔德智[4]（2018）在《解卷积的多重信号分类算法方位谱低背景处理方法》一文中研究指出针对信噪比较低时,多重信号分类(Multiple Signal Classification,MUSIC)算法方位谱背景级较高的问题,提出了一种解卷积的MUSIC方位估计算法(Deconvolvecd MUSIC,D-MUSIC)。该方法用一个类似冲激函数作为MUSIC算法输出方位谱的点散射函数(Point Scattering Function,PSF),然后基于解卷积图像复原理论,利用该点散射函数和RichardsonLucy(R-L)迭代算法对MUSIC算法的方位谱进行解卷积,获得D-MUSIC算法的方位谱,达到降低方位谱背景级的目的。仿真表明,该方法继承了MUSIC算法的高分辨性能,且可以明显降低方位谱的背景级,具有较好的方位估计性能。对南海海上试验的水平阵数据进行处理,分析比较了利用MUSIC算法和解卷积MUSIC算法获得的方位谱时间历程图,分析结果有效验证了D-MUSIC算法性能的优越性。(本文来源于《声学学报》期刊2018年04期）
许轶男[5]（2017）在《多重扭化卷积流形上的指标形式及Killing向量场》一文中研究指出在本篇论文中,我们计算多重扭化卷积的指标形式.我们还研究多重扭化卷积流形上的Killing向量场,并且在某些情况下,我们能够确定Killing向量场.(本文来源于《东北师范大学》期刊2017-05-01）
曲全[6]（2016）在《半对称与四分之一对称联络的多重卷积》一文中研究指出本文主要研究带有半对称与四分之一对称联络的多重卷积上的联络、曲率、Killing向量场等内容,以及带有半对称与四分之一对称联络的多重卷积的Einstein和拟Einstein性质.本文共分四部分.第一部分回顾了黎曼流形的基本知识,其中包括黎曼流形、卷积与多重卷积以及多重卷积上的算子等内容.第二部分研究带有半对称度量联络的多重卷积上的Killing向量场.我们定义了一个半对称度量Killing向量场,然后研究带有半对称度量联络的卷积与多重卷积上的半对称度量Killing向量场;同时我们还研究多重卷积上的Killing向量场与2-Killing向量场.第叁部分研究带有半对称非度量联络的拟Einstein卷积.我们给出了底流形和纤维流形上Ricci曲率和数量曲率的表达式,同时我们给出带有半对称非度量联络的拟Einstein卷积不能成为卷积的某些条件.第四部分研究带有四分之一对称联络的Einstein卷积与多重卷积.我们还研究带有四分之一对称联络的常数量曲率的卷积与多重卷积,并将结果推广到带有四分之一对称联络的广义Robertson-Walker时空和广义Kasner时空.(本文来源于《东北师范大学》期刊2016-05-01）
刘畅[7]（2016）在《带有四分之一对称联络的多重卷积》一文中研究指出本文主要研究了带有四分之一对称联络的Einstein卷积和多重卷积,我们还研究了带有常数量曲率的四分之一对称联络的卷积和多重卷积,然后把我们的结果应用到了广义的Robertson-Walker时空。(本文来源于《东北师范大学》期刊2016-05-01）
葛明涛,王小丽,潘立武[8]（2014）在《基于多重卷积神经网络的大模式联机手写文字识别》一文中研究指出联机手写识别在日常生产生活中有着广阔的应用,模式识别也一直把其作为研究的重点。传统的识别方法是利用普通卷积神经网络技术,该方法在对小规模字符集联机手写文字识别时有着较高识别率,总体性能高,但在对大规模字符集识别时,识别率则大大降低。提出一种基于多重卷积神经网络的识别方法,旨在克服以往方法对大规模字符集识别时识别效率不高的问题,提高大规模字符集联机手写文字的识别率。系统使用随机对角Levenberg-Marquardt方法来优化训练,通过使用UNIPEN训练集测试该方法识别准确率可达89%,是一个有良好前景的联机手写识别方法。(本文来源于《现代电子技术》期刊2014年20期）
王悦[9]（2012）在《涉及Fibonacci数和Lucas数的多重卷积公式》一文中研究指出根据Fibonacci数{Fn}和Lucas数{Ln}的递归关系,研究了关于Fibonacci数和Lucas数的生成函数∑∞n=1Fn2xn和∑∞n=1Ln2xn.利用第一类Stirling数和第二类Stirling数,获得了涉及Fibonacci数和Lucas数的多重卷积公式,推广了WChu的相关结论.(本文来源于《淮阴师范学院学报(自然科学版)》期刊2012年01期）
林杨[10]（2010）在《几类序列的多重卷积公式》一文中研究指出卷积和多重卷积是组合分析的基本内容之一,也是解决组合计数、组合恒等式证明和序列生成函数等问题的基本方法.本文以递推关系和生成函数为工具,研究了几类序列的多重卷积求和问题：(1)给出了自然数序列和自然数平方序列的多重卷积的简单公式,对于一般情形,利用第二类Stirling数也得到了一个显式公式.进一步地考察此类问题,分别解决了正奇数序列、正偶数序列及其平方的多重卷积求和问题.(2)研究了Fibonacci序列的多重卷积问题.分别给出了Fibonacci序列的一次幂、二次幂和叁次幂的多重卷积公式,对于Fibonacci序列中奇数项的多重卷积和偶数项的多重卷积问题分别给出了一次幂以及二次幂的多重卷积公式.(3)考察了与Fibonacci序列有相同递推关系的相伴序列一—Lucas序列,类似于Fibonacci序列的研究,给出了Lucas序列的相应的多重卷积公式.(4)对于一般的二阶递推序列,其多重卷积较复杂.本文仅研究了Pell序列的情形,给出了类似于Fibonacci序列的多重卷积公式.(本文来源于《杭州师范大学》期刊2010-04-01）
多重卷积论文开题报告
（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：
针对带有卷积非线性项的Kirchhoff方程解的多重性研究成果较少、困难较多的情形,通过给出适当的条件来克服非局部项与非线性项之间的相互干扰,进一步再利用Fountain定理来获得方程解的多重性。针对卷积非线性项的出现,采用不同于通常多项式非线性项的处理手法,为解决类似问题提供了参考。
（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。
多重卷积论文参考文献
[1].袁国亮.无监督学习和多重采样对卷积神经网络的优化研究[D].湖北工业大学.2019
[2].耿茜,李宇华.带有卷积非线性项的Kirchhoff方程解的多重性[J].重庆理工大学学报(自然科学).2019
[3].刘鑫童,刘立波,张鹏.基于多重卷积神经网络跨数据集图像分类[J].计算机工程与设计.2018
[4].谢磊,孙超,刘雄厚,蒋光禹,孔德智.解卷积的多重信号分类算法方位谱低背景处理方法[J].声学学报.2018
[5].许轶男.多重扭化卷积流形上的指标形式及Killing向量场[D].东北师范大学.2017
[6].曲全.半对称与四分之一对称联络的多重卷积[D].东北师范大学.2016
[7].刘畅.带有四分之一对称联络的多重卷积[D].东北师范大学.2016
[8].葛明涛,王小丽,潘立武.基于多重卷积神经网络的大模式联机手写文字识别[J].现代电子技术.2014
[9].王悦.涉及Fibonacci数和Lucas数的多重卷积公式[J].淮阴师范学院学报(自然科学版).2012
[10].林杨.几类序列的多重卷积公式[D].杭州师范大学.2010