导读:本文包含了二进制粒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:改进二进制人工蜂群算法,BP神经网络,高斯变异函数,雾霾评估预测
二进制粒神经网络论文文献综述
贾凯,倪志伟,李敬明,陆玉佳,朱旭辉[1]（2019）在《基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究》一文中研究指出BP神经网络算法具有寻优效率不高、易发生早熟且最终求解精度不够等特点,针对以上问题,文章提出一种基于改进二进制人工蜂群算法(Improved Binary Artificial Bee Colony Algorithm)的BP神经网络并行集成学习算法(IBABC-BP).首先,文章构建以高斯变异函数作为概率映射函数的离散二进制人工蜂群算法(IBABC),分析证明了算法的有效性,并通过在4个Benchmark标准测试函数上证明了其寻优精度和收敛速度较其他4种改进人工蜂群算法均有大幅提高;其次,将改进的二进制人工蜂群算法(IBABC)用于训练BP神经网络,设计了IBABC-BP并行集成学习算法;最后,将IBABC-BP算法用于雾霾评估预测,以合肥地区的雾霾历史数据作为仿真数据.实验结果表明,IBABC-BP算法在寻优精度和收敛速度上较原始BP算法、人工蜂群ABC-BP算法、遗传GA-BP算法等算法有明显的提升,可以有效地提高雾霾评估预测的准确性.(本文来源于《系统科学与数学》期刊2019年03期）
赵朋磊[2]（2019）在《基于图神经网络的二进制函数相似度检测算法研究及实现》一文中研究指出二进制函数相似度检测是指检测不同平台,不同编译器,不同优化选项,不同软件版本的两个二进制函数是否相似。因其能够在无法获得源码的情况下分析二进制函数,所以常用在网络安全和知识产权保护领域中,例如恶意软件分析,漏洞检测,版权纠纷等问题。现有检测方法一部分依赖于图匹配算法,这种方法时间复杂度高且难以迁移到新任务;另一部分是基于神经网络的图嵌入方法,这种方法将二进制函数转换成属性控制流程图,并将其输入到神经网络转换成高维向量。它通过将图匹配过程转换成向量之间的数值运算,提高了相似度的检测效率。但在当前的图嵌入方法中,对属性流程图的特征抽取方法通常是人工提取,会引入人为偏差,且在转换过程中没有考虑到不同结点的重要性差异,因此降低了转换过程的准确性。为了改进人工提取特征引入人为偏差的缺陷,本文设计并实现了基于标准化的无监督特征提取方法。该方法不仅能够避免产生人为偏差,还能够更好的迁移到不同的应用领域。另外本文基于传统的structure2vec网络,通过引入注意力机制来自动学习函数属性流程图中不同结点之间的影响权重。进一步提高了检测精确度。本文主要工作如下:1.提出通用的二进制函数相似度检测框架FuncSim。该框架兼容当前主流的检测方法,并具有高度的模块化和可扩展性。FuncSim将检测过程分为叁个模块:流程图抽取模块,基本块特征提取模块及语义转换模块。2.提出基于标准化的无监督特征提取方法。将自然语言处理中的无监督表示方法引入到指令特征的学习过程,同时对指令进行标准化处理,降低指令的特异性,从而提高了指令特征学习性能。实验表明,相比于人工特征提取的方法,相似度检测AUC提升约5%。3.提出基于注意力机制的图语义转换网络。相比于传统的structure2vec,该网络在结点表示过程中不仅能够通过迭代学习邻域结点的信息,还能够自动学习邻域中不同结点对当前结点的权重系数,增强语义转换的准确性。实验表明,相比于structure2vec,本文提出的转换网络的相似度检测AUC提升约3%。(本文来源于《浙江大学》期刊2019-03-01）
[3]（2018）在《二进制神经网络的FPGA加速》一文中研究指出深度学习直到十年前,人工智能几乎还只单独地存在于学术领域、研究机构和科学幻想之中。而最近的现实则是,深度学习技术可以大规模的以实际和经济的方式加以利用,解决现实世界中的应用问题,这就形成了一个由众多市场参与者构成的、生机勃勃的生态系统。时至今日,几乎每个应用领域都通过一定的方式从深度学习中获益——充分利用人工神经网络,从海量的数据中学习,从而高效地执行特定的功能。在这一神经网络的研究和(本文来源于《今日电子》期刊2018年09期）
孙鹏,曹雨晨,刘洋,李静[4]（2016）在《采用二进制蚁群模糊神经网络的配电网故障分类方法》一文中研究指出配电网故障后的准确分类可以增强故障维修的针对性,因此针对配电网故障分类的研究对快速恢复供电具有重要意义。提出一种基于二进制蚁群算法(BACA)与模糊神经网络(FNN)的故障分类系统,该系统适用于中性点非有效接地的中低压配电系统。利用经验模态分解(EMD)提取故障后2 ms暂态信号中的高频成分,基于数理统计方法构造了推理系统的特征向量,研究了不同故障工况下的特征向量变化规律。利用二进制蚁群算法对模糊神经网络权值进行优化,克服了其搜索速度慢、易陷入局部极小值的缺点。在ATP-EMTP中根据实际情况构造了计算模型,利用计算结果对推理系统进行训练。测试样本与现场实验结果表明,所提出的故障分类方法的准确度高、适应性强。(本文来源于《高电压技术》期刊2016年07期）
彭天强,栗芳[5]（2016）在《基于深度卷积神经网络和二进制哈希学习的图像检索方法》一文中研究指出随着图像数据的迅猛增长,当前主流的图像检索方法采用的视觉特征编码步骤固定,缺少学习能力,导致其图像表达能力不强,而且视觉特征维数较高,严重制约了其图像检索性能。针对这些问题,该文提出一种基于深度卷积神径网络学习二进制哈希编码的方法,用于大规模的图像检索。该文的基本思想是在深度学习框架中增加一个哈希层,同时学习图像特征和哈希函数,且哈希函数满足独立性和量化误差最小的约束。首先,利用卷积神经网络强大的学习能力挖掘训练图像的内在隐含关系,提取图像深层特征,增强图像特征的区分性和表达能力。然后,将图像特征输入到哈希层,学习哈希函数使得哈希层输出的二进制哈希码分类误差和量化误差最小,且满足独立性约束。最后,给定输入图像通过该框架的哈希层得到相应的哈希码,从而可以在低维汉明空间中完成对大规模图像数据的有效检索。在3个常用数据集上的实验结果表明,利用所提方法得到哈希码,其图像检索性能优于当前主流方法。(本文来源于《电子与信息学报》期刊2016年08期）
吕阳鹏,李大字,靳其兵,谭天伟[6]（2010）在《二进制互连神经网络的遗传演化》一文中研究指出当前对于二进制神经网络的研究主要集中在前馈模型上,然而前馈模型不具备反馈连接,无法形成记忆结构,从而无法处理时序逻辑问题。提出了一种基于遗传算法的二进时序神经网络演化算法,并且通过双边沿触发计数器实验和迷宫路径覆盖实验验证了演化的二进制互连神经网络具备时序逻辑处理能力。(本文来源于《北京化工大学学报(自然科学版)》期刊2010年04期）
谢珺,陈泽华,谢克明[7]（2009）在《二进制粒神经网络及其在分类中的应用》一文中研究指出为了提高分类器的正确识别率并降低特征选择的时间复杂度,提出二进制粒神经网络框架。在该框架下,提出一种二进制粒神经网络分类算法。该算法通过二进制粒矩阵将特征空间进行最优约简,并利用基于BP的学习算法实现分类;将该算法在UCI数据集上进行测试,并与BP神经网络分类算法进行比较。仿真实验表明,二进制粒神经网络分类算法比BP神经网络分类算法分类正确率更高,泛化能力更强,是一种有效可行的分类算法。(本文来源于《太原理工大学学报》期刊2009年04期）
蒋裕丰,娄一青,赵二峰[8]（2009）在《基于二进制蚁群神经网络的边坡稳定分析》一文中研究指出针对边坡稳定问题的高维非线性、非正态的特点,提出了采用二进制蚁群神经网络建立边坡稳定分析模型.将二进制蚁群算法引入到神经网络权值优化中,既克服了蚁群算法在连续域中对组合优化的缺陷,又能避免BP算法容易陷入局部最优的尴尬.因此二进制蚁群神经网络兼有神经网络广泛映射能力和二进制蚁群算法快速全局收敛能力.采用混合编程法建立了基于二进制蚁群神经网络的边坡稳定分析模型,该模型避开了边坡滑移面和岩体破坏机制等不确定因素,利用二进制蚁群神经网络对样本进行反复学习,得到较为精确的边坡稳定模型.该方法具有建模方便,程序实现方便,计算快捷等特点,应用于实际工程中,具有良好的效果.(本文来源于《西安建筑科技大学学报(自然科学版)》期刊2009年03期）
谢珺[9]（2009）在《二进制粒神经网络研究及其在故障诊断中的应用》一文中研究指出随着信息技术的发展,人们采集到的数据日益膨胀,这些数据具有维数高、类别多的特征,如何从海量数据中挖掘出有用信息,成为人工智能面临的重要课题。神经网络擅长从数据中找到特定模式,但不能确定哪些特征是冗余的,哪些特征是有用的,难以评估特征的重要性。而新兴提出的粒计算能摆脱繁琐的、不重要的细节,抓住问题的本质,从适当的粒度层来求解问题,降低算法复杂度,快速获得问题的解。将粒计算与神经网络融合研究具有前沿性、科学性及优越性。故障诊断可以看做是一个从海量的故障数据中挖掘关键特征,进而对故障样本进行分类识别的过程。本文将粒计算和神经网络结合,并应用于机械的故障诊断,其研究成果为粒计算和神经网络理论增添了新的内涵,拓展了粒计算的应用领域,为工业领域的故障诊断提供了一种新的思路和方法。本文的研究内容属于信息科学、自动化科学、计算机科学等学科的交叉领域。本文的主要创新性工作包括:(1)提出一种基于粒计算的二进制可辨矩阵属性约简算法。引入粒度层的观点,把二进制可辨矩阵的不同列组合看作不同的粒度层,通过不同列之间的访问实现了不同粒度层的跳转。针对过热器模型参数因工况参数变化而变化的问题,且模型参数与工况参数间的关系复杂,将所提出的约简算法用来挖掘工况参数与模型参数间的关系和影响规律,实现对过热器的建模。实验结果表明该算法计算量少,能够快速挖掘到规则,且易于编程实现。(2)提出一种基于粒度混合系统的控制方法。定义了粒度混合自动机的概念,针对倒立摆的强耦合性和自然不稳性的特点,将倒立摆的起摆和稳定过程划分成3个粒度世界,并给出不同粒度世界之间跳转的阈值条件。通过在3个粒度世界间的跳转,实现对倒立摆系统的稳定控制。仿真结果表明基于粒度混合系统的控制方法能够在较短时间内摆起倒立摆,并稳定在目标位置。(3)提出一种基于二进制粒矩阵的属性约简算法(Binary Granular Matrix-based Attribute Reduction, BGMAR)。该算法由2个子算法构成:针对决策表存在重复和矛盾对象的情况,提出一种基于二进制粒矩阵的论域约简算法,经过论域约简后的决策表对象数目减少,缩小了进行最优属性约简的样本空间;针对现有的属性约简算法大多无法找到最优约简的现状,提出一种基于二进制粒矩阵最优属性约简算法,在论域约简的基础上,通过计算各个条件属性的重要度,求出属性核;在属性核的基础上,采用决策属性集对条件属性集的依赖度作为启发信息进行搜索,直到得到最优属性集。设计了2个算例对BGMAR算法的有效性进行验证,结果表明该算法不仅对一致决策表的最优属性约简有效,而且还适用于不一致决策表约简,并且能得到其最优属性集。(4)提出一个二进制粒神经网络模型框架,并在该框架下提出二进制粒神经网络分类器(Binary Granular Neural Network Classifier, BGNNC)及其算法。将粒计算的降维与约简能力与神经网络固有的并行处理与学习能力相结合,构建粒计算作为神经网络前端处理器的二进制粒神经网络模型,提出一种二进制粒神经网络分类器的7元组模型及其分类算法。利用BGMAR算法约简特征空间,找到最优特征后,采用动量—自适应学习率BP算法训练BGNNC实现模式分类。选取UCI机器学习数据库中的Breast Cancer Wisconsin (Diagnostic)、Iris、Wine、Zoo 4个标准数据集进行测试,将BGNNC算法与标准BP算法进行了分类结果的比较。实验结果表明BGNNC是一种有效的分类算法,具有较好的泛化能力,不仅可以解决2分类问题,在多分类任务上也是可行且正确率较高的一种方法。(5)将本文提出的BGNNC算法应用于机械故障诊断。针对往复式机械(内燃机)和旋转式机械部件(滚动轴承)各自的故障机理,利用BGNNC算法对这两类机械设备进行故障诊断。设计了验证BGNNC算法有效性的对比实验,分别采用BP算法、免疫群体网络(Immune Population Network, IPN)算法对上述工程实例进行故障诊断,并比较上述3个算法的诊断结果。仿真实验表明BGNNC算法训练速度快,诊断准确率高,不失为一种可行的、高效的智能诊断方法。(本文来源于《太原理工大学》期刊2009-05-01）
任志山[10]（2008）在《基于混沌神经网络混沌二进制序列的性能分析及实现》一文中研究指出提出了基于 Aihara 混沌神经网络实现混沌二进制序列的设计方法,对所实现混沌二进制序列的性能进行分析,结果表明所输出的二进制序列具有良好的混沌特性。最后通过 FPGA 对其硬件实现,表明其具有良好的硬件适应性及快速实现的功能。(本文来源于《中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（上册）》期刊2008-07-01）
二进制粒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：
二进制函数相似度检测是指检测不同平台,不同编译器,不同优化选项,不同软件版本的两个二进制函数是否相似。因其能够在无法获得源码的情况下分析二进制函数,所以常用在网络安全和知识产权保护领域中,例如恶意软件分析,漏洞检测,版权纠纷等问题。现有检测方法一部分依赖于图匹配算法,这种方法时间复杂度高且难以迁移到新任务;另一部分是基于神经网络的图嵌入方法,这种方法将二进制函数转换成属性控制流程图,并将其输入到神经网络转换成高维向量。它通过将图匹配过程转换成向量之间的数值运算,提高了相似度的检测效率。但在当前的图嵌入方法中,对属性流程图的特征抽取方法通常是人工提取,会引入人为偏差,且在转换过程中没有考虑到不同结点的重要性差异,因此降低了转换过程的准确性。为了改进人工提取特征引入人为偏差的缺陷,本文设计并实现了基于标准化的无监督特征提取方法。该方法不仅能够避免产生人为偏差,还能够更好的迁移到不同的应用领域。另外本文基于传统的structure2vec网络,通过引入注意力机制来自动学习函数属性流程图中不同结点之间的影响权重。进一步提高了检测精确度。本文主要工作如下:1.提出通用的二进制函数相似度检测框架FuncSim。该框架兼容当前主流的检测方法,并具有高度的模块化和可扩展性。FuncSim将检测过程分为叁个模块:流程图抽取模块,基本块特征提取模块及语义转换模块。2.提出基于标准化的无监督特征提取方法。将自然语言处理中的无监督表示方法引入到指令特征的学习过程,同时对指令进行标准化处理,降低指令的特异性,从而提高了指令特征学习性能。实验表明,相比于人工特征提取的方法,相似度检测AUC提升约5%。3.提出基于注意力机制的图语义转换网络。相比于传统的structure2vec,该网络在结点表示过程中不仅能够通过迭代学习邻域结点的信息,还能够自动学习邻域中不同结点对当前结点的权重系数,增强语义转换的准确性。实验表明,相比于structure2vec,本文提出的转换网络的相似度检测AUC提升约3%。
（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。
二进制粒神经网络论文参考文献
[1].贾凯,倪志伟,李敬明,陆玉佳,朱旭辉.基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究[J].系统科学与数学.2019
[2].赵朋磊.基于图神经网络的二进制函数相似度检测算法研究及实现[D].浙江大学.2019
[3]..二进制神经网络的FPGA加速[J].今日电子.2018
[4].孙鹏,曹雨晨,刘洋,李静.采用二进制蚁群模糊神经网络的配电网故障分类方法[J].高电压技术.2016
[5].彭天强,栗芳.基于深度卷积神经网络和二进制哈希学习的图像检索方法[J].电子与信息学报.2016
[6].吕阳鹏,李大字,靳其兵,谭天伟.二进制互连神经网络的遗传演化[J].北京化工大学学报(自然科学版).2010
[7].谢珺,陈泽华,谢克明.二进制粒神经网络及其在分类中的应用[J].太原理工大学学报.2009
[8].蒋裕丰,娄一青,赵二峰.基于二进制蚁群神经网络的边坡稳定分析[J].西安建筑科技大学学报(自然科学版).2009
[9].谢珺.二进制粒神经网络研究及其在故障诊断中的应用[D].太原理工大学.2009
[10].任志山.基于混沌神经网络混沌二进制序列的性能分析及实现[C].中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（上册）.2008
标签：改进二进制人工蜂群算法; BP神经网络; 高斯变异函数; 雾霾评估预测;