导读:本文包含了自联想论文开题报告文献综述及选题提纲参考文献，主要关键词:AR模型,AANN模型,滚动轴承,FCM模型
自联想论文文献综述
周建民,张臣臣,张龙,郭慧娟[1]（2019）在《基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估》一文中研究指出滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。(本文来源于《机械设计与研究》期刊2019年01期）
张龙,成俊良,杨世锡,李兴林[2]（2019）在《基于时序模型和自联想神经网络的齿轮故障程度评估》一文中研究指出齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。(本文来源于《振动与冲击》期刊2019年02期）
刘娇,崔荣一,赵亚慧[3]（2018）在《基于自联想记忆与卷积神经网络的跨语言情感分类》一文中研究指出该文提出了一种以商品评论为对象的基于语义融合的跨语言情感分类算法。该算法首先从短文本语义表示的角度出发,基于开源工具Word2Vec预先生成词嵌入向量来获得不同语言下的信息表示;其次,根据不同语种之间的词向量的统计关联性提出使用自联想记忆关系来融合提取跨语言文档语义;然后利用卷积神经网络的局部感知性和权值共享理论,融合自联想记忆模型下的复杂语义表达,从而获得不同长度的短语融合特征。深度神经网络将能够学习到任意语种语义的高层特征致密组合,并且输出分类预测。为了验证算法的有效性,将该模型与最新几种模型方法的实验结果进行了对比。实验结果表明,此模型适用于跨语言情感语料正负面情感分类,实验效果明显优于现有的其他算法。(本文来源于《中文信息学报》期刊2018年12期）
吴昊东[4]（2017）在《基于非线性嵌入的自联想神经网络》一文中研究指出传统分类器常依赖于低维度子空间的特征进行分类,但仅在单个子空间下进行分类会因为不同类别的重迭而效果不佳。为此,提出一种基于流形学习的神经网络分类方法,利用非线性嵌入方法获得数据每个类的子空间,再使用非线性嵌入判别准则优化各个径向基函数自联想神经网络的参数。实验结果表明,该方法能有效解决类别重迭问题,分类准确率和鲁棒性高于传统分类方法。(本文来源于《计算机工程》期刊2017年07期）
刘志红[5]（2017）在《自联想神经网络算法在蛋白质结构取样空间中的应用》一文中研究指出蛋白质结构预测是蛋白质结构和功能研究工作的重要组成部分,对蛋白质药物分子设计、生物制药等方面有重要的意义。若已知同源蛋白质家族中某些蛋白质的结构,就可以预测其他一些序列已知而结构未知的同源蛋白质结构。通过序列比对,能够将长度不等的序列通过插入空位变成等长序列,这些空位位置代表了相比对的序列是从相同的祖先通过插入和删除等操作的演化而来,进而反应了在生物进化过程中的变异,突变现象。空位的出现会对同源蛋白质建模的尺度和精度产生很大影响,因此对蛋白质序列比对中缺失值的研究具有重要意义。对蛋白质缺失数据的填充在之前已经通过一些方法得到了很好的实现,如最邻近算法,自组织神经网络算法。这两种方法对蛋白质缺失数据均给予了合理的填充,并且在平均探究尺度上从62.9%提升到82.7%,研究精度从1.65?提升到0.88?。但是由于蛋白质的结构空间复杂,对蛋白质取样空间预测的计算量非常庞大,这使得计算过程比较耗时。为此,我们希望在能够合理对蛋白质缺失值填充的前提下,提高计算的速度,减少计算量。本文以自联想神经网络(Autoassociative Neural Networks,AANN)的非线性主成分算法为基础,综合考虑到蛋白质取样空间构造复杂和蛋白质列数据库的增长速度,本文采用一种基于改进的逆非线性网络模型(Inverse NLPCA Model)来实现缺失值的填充和效率提升,并对该网络模型采用共轭梯度算法优化以更进一步加快计算效率。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
顾箭峰,邬晓光,李筠[6]（2016）在《温变影响下基于自联想神经网络的损伤检测》一文中研究指出为避免基于结构频率的损伤检测法因温变影响而出现误判,提出一种自联想神经网络(AANN)和奇异检测技术相结合的损伤检测方法,利用某桥梁结构健康监测(SHM)Benchmark试验结构的数值模型,分析温变和损伤对结构频率的影响,用温变影响下健康结构的前十阶竖向弯曲模态频率训练AANN来提取频率和温度的关系。为消除温变影响,构造网络输出与输入间的欧式距离作为损伤识别指标,对比结构未知状态和健康状态的指标值以判定结构是否存在损伤。通过在桥梁Benchmark结构中模拟多级损伤来验证该法的有效性,检测结果表明:该法不仅能可靠地检测温变影响下结构损伤的存在,且能定性地判别损伤程度的大小,并具有较强的抗噪声鲁棒性,可为实际桥梁结构的在线健康监测提供参考。(本文来源于《公路交通科技》期刊2016年04期）
薛永刚,张明丽[7]（2015）在《基于自联想记忆模型的中医体质智能诊疗系统研究》一文中研究指出以中医体质识别为研究对象,提出基于自联想记忆专家系统,将中医体质及其症状编码为正交向量构成的正交矩阵,并建立模拟中医诊疗过程中专家经验的联想记忆矩阵,最终建立了基于网络平台的中医体质诊疗的专家系统。不仅给出了中医体质诊疗中的体质类型及识别症状的计算机可以识别的编码方案,而且以自联想记忆矩阵模型为基础建立了中医体质识别的计算机智能诊疗系统。实验结果表明,该诊疗系统具有比较准确的诊疗结果,有助于提高中医诊疗过程的客观化程度,并可以实际应用于中医远程辅助诊疗系统。(本文来源于《时珍国医国药》期刊2015年07期）
贺彦林,徐圆,耿志强,朱群雄[8]（2015）在《基于自联想递阶神经网络的多输入参数化工过程软传感器(英文)》一文中研究指出To explore the problems of monitoring chemical processes with large numbers of input parameters, a method based on Auto-associative Hierarchical Neural Network(AHNN) is proposed. AHNN focuses on dealing with datasets in high-dimension. AHNNs consist of two parts: groups of subnets based on well trained Autoassociative Neural Networks(AANNs) and a main net. The subnets play an important role on the performance of AHNN. A simple but effective method of designing the subnets is developed in this paper. In this method,the subnets are designed according to the classification of the data attributes. For getting the classification, an effective method called Extension Data Attributes Classification(EDAC) is adopted. Soft sensor using AHNN based on EDAC(EDAC-AHNN) is introduced. As a case study, the production data of Purified Terephthalic Acid(PTA) solvent system are selected to examine the proposed model. The results of the EDAC-AHNN model are compared with the experimental data extracted from the literature, which shows the efficiency of the proposed model.(本文来源于《Chinese Journal of Chemical Engineering》期刊2015年01期）
娄岩,赵义武,宋玉贵,张为防[9]（2014）在《基于Hopfield自联想神经网络的天幕靶信号识别技术》一文中研究指出为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明:与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。(本文来源于《兵工学报》期刊2014年10期）
徐洪章,李宏升[10]（2013）在《基于自联想记忆算法的图像缩放研究》一文中研究指出针对图像缩放中的问题,提出基于自联想记忆算法。首先确定自联想记忆最小上界和最大下界,自联想记忆每个层之间的神经元通过最近域互连接方式连接信息交替,能够在神经系统缺损信息时通过自联想记忆恢复出原来存储的完整记忆模式;接着所有神经元节点采用同步方式调整状态,利用均场定理加快自联想记忆神经网络学习速度;最后给出了图像缩放算法过程。实验仿真显示算法输出图像能够较好地保持原图像内容,峰值信噪比(PSNR)比较大。(本文来源于《科学技术与工程》期刊2013年18期）
自联想论文开题报告
（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：
齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。
（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。
自联想论文参考文献
[1].周建民,张臣臣,张龙,郭慧娟.基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J].机械设计与研究.2019
[2].张龙,成俊良,杨世锡,李兴林.基于时序模型和自联想神经网络的齿轮故障程度评估[J].振动与冲击.2019
[3].刘娇,崔荣一,赵亚慧.基于自联想记忆与卷积神经网络的跨语言情感分类[J].中文信息学报.2018
[4].吴昊东.基于非线性嵌入的自联想神经网络[J].计算机工程.2017
[5].刘志红.自联想神经网络算法在蛋白质结构取样空间中的应用[D].华北电力大学(北京).2017
[6].顾箭峰,邬晓光,李筠.温变影响下基于自联想神经网络的损伤检测[J].公路交通科技.2016
[7].薛永刚,张明丽.基于自联想记忆模型的中医体质智能诊疗系统研究[J].时珍国医国药.2015
[8].贺彦林,徐圆,耿志强,朱群雄.基于自联想递阶神经网络的多输入参数化工过程软传感器(英文)[J].ChineseJournalofChemicalEngineering.2015
[9].娄岩,赵义武,宋玉贵,张为防.基于Hopfield自联想神经网络的天幕靶信号识别技术[J].兵工学报.2014
[10].徐洪章,李宏升.基于自联想记忆算法的图像缩放研究[J].科学技术与工程.2013