导读:本文包含了信念之网论文开题报告文献综述及选题提纲参考文献，主要关键词:信念,认识辩护,观察信念
信念之网论文文献综述
赵国锋[1]（2019）在《奎因《信念之网》中的信念辩护思想初探》一文中研究指出奎因在《信念之网》中对于信念辩护问题给予了深刻地剖析和论述。本文主要针对其中两个方面的内容进行集中探讨:一是关于信念的思想,二是关于认识辩护的思想。虽然奎因的信念辩护思想也面临着一些尚未得到解释的难题,但是,不可否认的是,这些思想对当代知识论依然有着重要的影响。关于信念辩护问题,在当代知识论中主要的两大理论(基础主义和融贯主义)都可以从奎因的思想中得到启发。(本文来源于《湖北经济学院学报(人文社会科学版)》期刊2019年04期）
李五锁[2]（2018）在《基于改进的深度信念网的中文电子病历命名实体识别方法研究》一文中研究指出随着计算机相关领域的科学与技术的飞速发展,医疗卫生领域的信息技术也得到了广泛的普及应用并且迅速的提高。在国家一系列的政策的大力支撑下,迅速普及了医院信息系统(Hospital Information System,HIS)。由此而带来了巨量的、叙述形式记录的电子病历(Electronic Medical Records,EMR)医疗数据。EMR中也包含了大量的医疗文本信息有待挖掘,于是自然语言处理(Natural Language Processing,NLP)的命名实体识别(NamedEntityRecognition,NER)被引入其中。命名实体识别的方法是国内外各类研究人员的重要的研究方向之一。至今,NER虽然有了长时间的发展,然而其识别的准确率与F1-值并不能够满足现在的需求。其主要表现为,传统的机器学习的NER方法,基本为计算条件概率的最大化,难以获取文本数据中,类似同、反、近义等词的相关语义、句义深层信息。有鉴于此,本文基于深度学习对EMR进行NER研究。其主要研究内容如下几个方面,首先,本文对国内外各类常用的传统的命名实体识别方法,进行针对性研究其中包含的深层原理、优缺点以及现实中的应用。并对当前电子病历命名实体识别的研究瓶颈进行分析,并且针对性的提出改进思路。其次,针对国内的统一规范的电子病历数据的严重缺乏。本文研究了一种增量式的融合中文文本病历库的方法。该方法实现将非结构化的文本病历数据进行融合,且不影响原系统稳定性,操作简单,效率高,不需要二次修正。并依照该方法形成了 EMR的融合库,以供NER或者进一步的研究。随后,本文对深度学习中的基础模型——深度信念网(Deep Belief Network,DBN),进行详细的研究。同时,针对电子病历的NER,提出改进的DBN模型,增加词性节点,以促进识别的效果。然后,基于改进的DBN,采用词向量作为输入的方式,既解决了深度学习的模型无法将文本数据作为直接的输入,同时也可获取语义、句义等信息。最后,本文研究了基于改进的DBN的命名实体识别方法。然后将其与传统的DBN的方法以及传统的机器学习的方法中的最大熵马尔科夫模型(Maximum Entropy Markov Models,MEMMs)、条件随机场模型(Conditional random field,CRF),进行对比实验。记录其在训练数据、测试数据上的表现。实验结果表明本文提出的改进的DBN模型的NER方法效果最优,F1-值到达了 91.749%,超过CRF模型方法约0.4%,超过MEMM模型方法约0.8%。实验结果表明,采用词向量DBN模型可以对中文电子病历进行命名实体识别,而带有词性节点的改进的DBN相比则效果更佳。其后,又对该实验的结果进行分析发现,通过使用词向量可以获得词语的语义等信息,将其作为DBN模型的输入可以对中文电子病历进行命名实体识别;并且,使用带有词性(Part-Of-Speech,POS)节点的改进的DBN模型的识别效果则更佳,也说明了词性与命名实体之间包含着深层关系。本文提出的带有POS节点的改进的DBN的NER方法,对推动中EMR的NLP研究提供参考、借鉴,以及对医疗信息提取、医疗决策以及辅助治疗等有着积极指导意义。(本文来源于《北京化工大学》期刊2018-06-03）
索明何,程乐[3]（2018）在《基于PLSR的深度信念网输出权值确定方法》一文中研究指出针对深度信念网络(Deep Belief Networks,DBN)微调阶段过度依赖梯度而导致很难获取最优输出权值的问题,提出一种基于偏最小二乘回归(Partial Least Square Regression,PLSR)的DBN输出权值确定新方法。通过PLSR和DBN相结合,实现对DBN最后一个隐含层状态进行主成分提取,在最后一个隐含层与输出层之间建立PLSR模型,以更精确的特征来确定更好的输出权值。在一系列标准数据集上的实验结果表明,该方法能够获取更好的DBN输出权值,从而提高DBN的性能。(本文来源于《控制工程》期刊2018年04期）
乔俊飞,王功明,李晓理,韩红桂,柴伟[4]（2017）在《基于自适应学习率的深度信念网设计与应用》一文中研究指出针对深度信念网(Deep belief network,DBN)预训练耗时长的问题,提出了一种基于自适应学习率的DBN(Adaptive learning rate DBN,ALRDBN).ALRDBN将自适应学习率引入到对比差度(Contrastive divergence,CD)算法中,通过自动调整学习步长来提高CD算法的收敛速度.然后设计基于自适应学习率的权值训练方法,通过网络性能分析给出学习率变化系数的范围.最后,通过一系列的实验对所设计的ALRDBN进行测试,仿真实验结果表明,ALRDBN的收敛速度得到了提高且预测精度也有所改善.(本文来源于《自动化学报》期刊2017年08期）
徐旭雄[5]（2017）在《基于PCA的深度信念网的手势识别研究》一文中研究指出针对现有的手势识别均采用有监督模型进行特征提取和识别的现状,提出一种基于PCA的深度信念网(DBN)的半监督的手势特征提取与识别方法。运用所提方法进行了大量的实验,证明该方法与直接将图片输入到DBN网络相比,可以有效降低DBN的训练时间,并且识别率也有所提高;并且该方法与传统的有监督的SVM的手势识别方法相比,训练时间大幅度减少而识别率也有很大的提升。最后,对该方法进行了鲁棒性验证,经过大量实验,证明了其具有很强的鲁棒性。(本文来源于《微型机与应用》期刊2017年13期）
仲志丹,赵斐,李鹏辉[6]（2017）在《深度信念网在油井功图识别中的应用》一文中研究指出针对油井功图识别中存在的一些问题,提出了一种基于深度信念网的油井功图识别方法。首先通过实验对比的结果确定网络结构,然后使用无监督学习的手段初始化网络权值,最后用有监督的误差反向传播算法微调整个网络,从而实现功图图像到油井工况之间的映射关系。实验结果表明:深度信念网能够自动学习功图特征,提高识别效率;与传统分类模型相比,使用深度信念网进行油井功图识别的过程更简便,更能够达到理想的效果。(本文来源于《西安石油大学学报(自然科学版)》期刊2017年03期）
颜昊霖,安勇,王宏飞,牟荣增[7]（2017）在《基于深度信念网的心电自动分类》一文中研究指出提出一种基于深度信念网(deep belief network,DBN)和心电波形采样的心电自动分类算法。对心电信号进行滤波、R波定位后,以QRS波群的180Hz下采样表示心拍形态,结合RR间期特征,使用的DBN共6层,隐藏层神经元数目为30。使用标准数据库对DBN进行训练和测试,结果为平均Se88.6%,平均P~+62.1%,优于现有特征选择方法的结果,基于深度学习的心拍分类算法无需波形特征提取步骤,解决了目前的波形特征对心拍的人间差异没有鲁棒性的问题。(本文来源于《计算机工程与设计》期刊2017年05期）
甘露,臧洌,李航[8]（2017）在《深度信念网软件缺陷预测模型》一文中研究指出软件缺陷预测技术在检测软件缺陷、保证软件质量方面发挥了重要的作用。利用神经网络分类算法构建的软件缺陷预测模型得到了广泛的应用。但是利用神经网络分类算法训练历史数据只能进行"浅层学习",无法对数据特征进行深度挖掘。针对该问题,利用多层限制玻尔兹曼机迭加成深度信念网,先进行特征集成与迭代,并对这些特征数据进行深度学习,构建了基于深度信念网的软件缺陷预测模型(DBNSDPM)。仿真实验表明,本模型预测的准确性与传统的神经网络缺陷预测模型预测的准确性相比有显着提高。(本文来源于《计算机科学》期刊2017年04期）
颜学龙,邵伟[9]（2016）在《深度信念网在模拟电路故障诊断中的应用研究》一文中研究指出针对模拟电路故障诊断中特征提取的难题,引入深度信念网模型,在Leapfrog滤波器电路上对深度信念网、单隐层BP网络和叁隐层BP网络叁种模型做分类对比实验,实验证明了深度信念网应用的可行性和有效性.基于带通电路,设计实验对比了深度信念网、小波分析方法及单隐层BP网络的特征提取能力,结果表明深度信念网特征提取能力明显优于小波分析和单隐层BP网络,提取的特征更能反映数据本质.(本文来源于《微电子学与计算机》期刊2016年09期）
田杨[10]（2016）在《改进的深度信念网在磨削加工粗糙度值预测中的应用》一文中研究指出深度信念网(DBN)是由无监督的受限玻尔兹曼机(RBM)和有监督的BP网络组成的神经网络分类器。针对RBM训练过程中固定学习率不利于寻找最优的缺点,提出一种动态学习率法则,改进RBM网络以提高特征向量映射的准确度;构造一个含有两层RBM和一层BP,并使用对比分散准则(CD准则)进行神经网络的自训练的DBN网络,提高训练速度,将改进型网络应用于表面粗糙度值的预测,通过与改进前后的预测模型及RBM预测模型的对比,预测模型精度得到了提高。(本文来源于《组合机床与自动化加工技术》期刊2016年07期）
信念之网论文开题报告
（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：
随着计算机相关领域的科学与技术的飞速发展,医疗卫生领域的信息技术也得到了广泛的普及应用并且迅速的提高。在国家一系列的政策的大力支撑下,迅速普及了医院信息系统(Hospital Information System,HIS)。由此而带来了巨量的、叙述形式记录的电子病历(Electronic Medical Records,EMR)医疗数据。EMR中也包含了大量的医疗文本信息有待挖掘,于是自然语言处理(Natural Language Processing,NLP)的命名实体识别(NamedEntityRecognition,NER)被引入其中。命名实体识别的方法是国内外各类研究人员的重要的研究方向之一。至今,NER虽然有了长时间的发展,然而其识别的准确率与F1-值并不能够满足现在的需求。其主要表现为,传统的机器学习的NER方法,基本为计算条件概率的最大化,难以获取文本数据中,类似同、反、近义等词的相关语义、句义深层信息。有鉴于此,本文基于深度学习对EMR进行NER研究。其主要研究内容如下几个方面,首先,本文对国内外各类常用的传统的命名实体识别方法,进行针对性研究其中包含的深层原理、优缺点以及现实中的应用。并对当前电子病历命名实体识别的研究瓶颈进行分析,并且针对性的提出改进思路。其次,针对国内的统一规范的电子病历数据的严重缺乏。本文研究了一种增量式的融合中文文本病历库的方法。该方法实现将非结构化的文本病历数据进行融合,且不影响原系统稳定性,操作简单,效率高,不需要二次修正。并依照该方法形成了 EMR的融合库,以供NER或者进一步的研究。随后,本文对深度学习中的基础模型——深度信念网(Deep Belief Network,DBN),进行详细的研究。同时,针对电子病历的NER,提出改进的DBN模型,增加词性节点,以促进识别的效果。然后,基于改进的DBN,采用词向量作为输入的方式,既解决了深度学习的模型无法将文本数据作为直接的输入,同时也可获取语义、句义等信息。最后,本文研究了基于改进的DBN的命名实体识别方法。然后将其与传统的DBN的方法以及传统的机器学习的方法中的最大熵马尔科夫模型(Maximum Entropy Markov Models,MEMMs)、条件随机场模型(Conditional random field,CRF),进行对比实验。记录其在训练数据、测试数据上的表现。实验结果表明本文提出的改进的DBN模型的NER方法效果最优,F1-值到达了 91.749%,超过CRF模型方法约0.4%,超过MEMM模型方法约0.8%。实验结果表明,采用词向量DBN模型可以对中文电子病历进行命名实体识别,而带有词性节点的改进的DBN相比则效果更佳。其后,又对该实验的结果进行分析发现,通过使用词向量可以获得词语的语义等信息,将其作为DBN模型的输入可以对中文电子病历进行命名实体识别;并且,使用带有词性(Part-Of-Speech,POS)节点的改进的DBN模型的识别效果则更佳,也说明了词性与命名实体之间包含着深层关系。本文提出的带有POS节点的改进的DBN的NER方法,对推动中EMR的NLP研究提供参考、借鉴,以及对医疗信息提取、医疗决策以及辅助治疗等有着积极指导意义。
（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。
信念之网论文参考文献
[1].赵国锋.奎因《信念之网》中的信念辩护思想初探[J].湖北经济学院学报(人文社会科学版).2019
[2].李五锁.基于改进的深度信念网的中文电子病历命名实体识别方法研究[D].北京化工大学.2018
[3].索明何,程乐.基于PLSR的深度信念网输出权值确定方法[J].控制工程.2018
[4].乔俊飞,王功明,李晓理,韩红桂,柴伟.基于自适应学习率的深度信念网设计与应用[J].自动化学报.2017
[5].徐旭雄.基于PCA的深度信念网的手势识别研究[J].微型机与应用.2017
[6].仲志丹,赵斐,李鹏辉.深度信念网在油井功图识别中的应用[J].西安石油大学学报(自然科学版).2017
[7].颜昊霖,安勇,王宏飞,牟荣增.基于深度信念网的心电自动分类[J].计算机工程与设计.2017
[8].甘露,臧洌,李航.深度信念网软件缺陷预测模型[J].计算机科学.2017
[9].颜学龙,邵伟.深度信念网在模拟电路故障诊断中的应用研究[J].微电子学与计算机.2016
[10].田杨.改进的深度信念网在磨削加工粗糙度值预测中的应用[J].组合机床与自动化加工技术.2016