导读:本文包含了一维神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:轴承故障,卷积神经网络,快速傅立叶变换
一维神经网络论文文献综述
裴君楠,陈一萱[1]（2019）在《一维卷积神经网络在轴承故障检测中的应用》一文中研究指出为了在实际生产过程中及时发现轴承早期的弱故障,避免因轴承原因而发生的生产安全和质量事故,针对轴承在持续工作时不宜停机对其进行全面检查的问题,通过基于一维卷积神经网络和快速傅立叶变换等轴承信号状态分类方法,进行了轴承振动信号检测分类和数据处理研究。研究得到了快速准确识别轴承故障及分类的方法,最终利用该方法对528个测试样本进行识别的准确率达到100%。(本文来源于《现代矿业》期刊2019年10期）
李元,冯成成[2]（2019）在《基于一维卷积神经网络深度学习的工业过程故障检测》一文中研究指出针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。(本文来源于《测控技术》期刊2019年09期）
高枕岳,宋凯,赵子秋,郑恒,肖文栋[3]（2019）在《无穿戴人体活动识别的一维卷积神经网络方法》一文中研究指出针对传统的人体行为识别方法存在的硬件成本高、系统搭建复杂等问题,本文提出了一种利用布置在房间内的普通商用WiFi设备进行无穿戴的人体活动识别方法.通过采集信道状态信息(CSI)时间序列数据作为原始样本,预处理后,建立深度学习网络端到端的监督学习特征提取,综合考虑CSI信号的幅值和相位变化,在人的行为和WiFi信号变化之间建立起映射关系,最终实现人体活动分类.该方法通过WiFi的CSI不同数据流的幅值和相位信息与人体动作之间的相关性分析,采用卷积神经网络进行人体行为识别.该方法通过卷积核在时间轴上的移动,可以更好地处理CSI信号的时变性,进而提高识别性能.对人体常见的4种行为进行识别,平均识别率可达到96%.(本文来源于《第叁十八届中国控制会议论文集（7）》期刊2019-07-27）
张寓,于东军[4]（2019）在《基于一维卷积神经网络的蛋白质-ATP绑定位点预测》一文中研究指出为了提高预测腺嘌呤核苷叁磷酸(ATP)绑定位点的准确率,提出了一种基于一维卷积神经网络(1D-CNN)的方法。首先,以蛋白质的序列信息为基础,融合位置特异性得分矩阵信息、二级结构信息和水溶性信息,使用随机下采样的方法消除数据不平衡的影响,再对缺失的特征进行再编码补齐,得到训练特征。训练一个1D-CNN来预测蛋白质-ATP绑定位点,优化网络结构,并且进行实验来对比所提方法和其他机器学习方法的优劣。实验结果展示了所提方法的有效性,并且该方法与传统支持向量机(SVM)相比在AUC指标上有部分的提升。(本文来源于《计算机应用》期刊2019年11期）
赵璐,马野[5]（2019）在《基于一维卷积神经网络的齿轮箱故障诊断研究》一文中研究指出本文提出了一种基于一维卷积神经网络对齿轮箱进行故障诊断的方法;建立了一维卷积神经网络结构模型;优化了网络参数;设计了基于工程数据源的实验方案;探究了一维卷积神经网络对齿轮不同故障的分类准确度.实验表明:在识别齿轮箱的故障模式的过程中,一维卷积神经网络能准确区分齿轮的故障与正常状态,较为准确地分类出单独故障,但对于复合故障的分类能力下降.(本文来源于《测试技术学报》期刊2019年04期）
高昆仑,杨帅,刘思言,李向伟[6]（2019）在《基于一维卷积神经网络的电力系统暂态稳定评估》一文中研究指出系统遭遇暂态故障的过程是随时间发展的过程,基于传统机器学习的暂态稳定评估方法通常难以捕捉其时间维度信息,限制了评估性能的提高。针对该问题,提出了一种基于一维卷积神经网络(1D-CNN)的暂态稳定评估方法。该方法直接面向底层量测数据,凭借其特有的一维卷积和池化运算特性,能自动提取出暂态过程所蕴含的时序特征,从而达到对系统暂态稳定状态准确刻画的目的。设计了一种适用于暂态稳定评估的四卷积层1D-CNN模型,实现了端到端的"时序特征提取+暂态稳定性分类",并通过调整模型关键参数以提高失稳样本查全率,增强了评估结果的可靠性。新英格兰10机39节点测试系统的仿真实验表明,相较于传统机器学习暂态稳定评估方法,所提方法能以更短的响应时间做出更准确的暂态稳定性判断,满足在线暂态稳定评估准确性与快速性的要求。(本文来源于《电力系统自动化》期刊2019年12期）
郭晨,简涛,徐从安,何友,孙顺[7]（2019）在《基于深度多尺度一维卷积神经网络的雷达舰船目标识别》一文中研究指出为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显着提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。(本文来源于《电子与信息学报》期刊2019年06期）
杨云磊,侯木舟,罗建书[8]（2019）在《一维对流扩散方程的勒让德神经网络解法研究》一文中研究指出针对一维对流扩散方程的数值解,利用勒让德多项式的微分性质及矩阵张量积性质,提出一维对流扩散方程问题的勒让德神经网络方法.主要采用勒让德神经网络构造微分方程的近似解,重点研究了神经网络模型中网络拓扑结构对数值结果的影响.数值实验结果表明,对给定的样本,计算精度及运行时间受隐层神经元数影响.(本文来源于《中北大学学报(自然科学版)》期刊2019年04期）
朱顺乐[9]（2019）在《融合多特征的汉维神经网络机器翻译模型》一文中研究指出针对汉维神经网络机器翻译中出现的未登录词过多、维吾尔语端形态生成以及汉维词语表意不一致等问题,提出一种融合"编码器-解码器"特征、维吾尔语"词干-词缀"语言模型特征、汉维-维汉双向词对齐特征的汉维翻译策略。综合考虑汉维语言差异、汉维语言资源稀缺等问题,将统计机器翻译中的双语知识引入到神经网络机器翻译模型中,多个特征通过一个对数线性模型组合。实验结果表明,该方法能够有效提升汉维神经网络机器翻译性能,平均BLEU提升大于2.0。(本文来源于《计算机工程与设计》期刊2019年05期）
吴俊,管鲁阳,鲍明,许耀华,叶炜[10]（2019）在《基于多尺度一维卷积神经网络的光纤振动事件识别》一文中研究指出针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号,直接通过MS 1-D CNN实现端到端的振动信号特征的提取和识别。MS1-DCNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度,利用全连接层(FClayer)和Softmax层完成最终的识别过程,与二维卷积神经网络(2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰叁类目标振动事件的光纤振动传感信号识别结果表明,MS 1-D CNN的识别正确率与2-D CNN相近,达到了96%以上,而处理速度提升一倍,在保持识别性能的前提下,有利于提高振动事件识别的实时性。(本文来源于《光电工程》期刊2019年05期）
一维神经网络论文开题报告
（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：
针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。
（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。
一维神经网络论文参考文献
[1].裴君楠,陈一萱.一维卷积神经网络在轴承故障检测中的应用[J].现代矿业.2019
[2].李元,冯成成.基于一维卷积神经网络深度学习的工业过程故障检测[J].测控技术.2019
[3].高枕岳,宋凯,赵子秋,郑恒,肖文栋.无穿戴人体活动识别的一维卷积神经网络方法[C].第叁十八届中国控制会议论文集（7）.2019
[4].张寓,于东军.基于一维卷积神经网络的蛋白质-ATP绑定位点预测[J].计算机应用.2019
[5].赵璐,马野.基于一维卷积神经网络的齿轮箱故障诊断研究[J].测试技术学报.2019
[6].高昆仑,杨帅,刘思言,李向伟.基于一维卷积神经网络的电力系统暂态稳定评估[J].电力系统自动化.2019
[7].郭晨,简涛,徐从安,何友,孙顺.基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J].电子与信息学报.2019
[8].杨云磊,侯木舟,罗建书.一维对流扩散方程的勒让德神经网络解法研究[J].中北大学学报(自然科学版).2019
[9].朱顺乐.融合多特征的汉维神经网络机器翻译模型[J].计算机工程与设计.2019
[10].吴俊,管鲁阳,鲍明,许耀华,叶炜.基于多尺度一维卷积神经网络的光纤振动事件识别[J].光电工程.2019