导读:本文包含了模块画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:产品再设计,模块识别,性能时变数据,稀疏自编码神经网络
模块画神经网络论文文献综述
马斌彬,马红占,褚学宁,李玉鹏[1]（2019）在《基于稀疏自编码神经网络的产品再设计模块识别方法》一文中研究指出提出了基于性能时变数据分析的再设计模块识别方法.利用产品在健康状态下的性能时变数据构建无监督学习的稀疏自编码神经网络(SAENN)模型,以用于健康状态下产品性能数据的特征提取以及产品功能退化程度的评估;将产品在健康状态下的性能数据用于训练SAENN模型,使用运行期间的性能时变数据更新产品的状态特征,以反映功能的退化过程;通过对比功能间的退化差异来识别需要再设计模块;同时,以某制造企业水平定向钻产品再设计功能模块的识别为例验证了所提方法的可行性.结果表明,所提出的再设计模块识别方法具有较好的准确性,能够识别需改进的功能模块,识别结果可作为产品再设计的依据.(本文来源于《上海交通大学学报》期刊2019年07期）
唐波,刘任,江浩田,孙睿,吴卓[2]（2019）在《基于BP神经网络的IGBT模块开关损耗求解》一文中研究指出如何准确求解绝缘栅双极晶体管(IGBT)模块的开关损耗值,是电力变换器性能和寿命研究中的关键问题之一。针对现有IGBT开关损耗模型难以准确求解开关损耗值的缺陷,引入了基于粒子群算法优化的误差反向传播(BP)前馈神经网络模型。将影响开关损耗的5个主要因素(集射工作电压、集电极电流、驱动电压、驱动电阻、结温)作为BP神经网络的输入向量,并采用粒子群算法优化网络的初始权值与阀值,通过共轭梯度法的学习规则加速收敛,从而获得开关损耗的精确求解值。该模型实现了在额定值范围内对各种工况下的IGBT模块开关损耗值的可靠预测,其在100组测试验证样本下所出现的最大误差比率为3.85%。(本文来源于《高压电器》期刊2019年07期）
肖帆,李光,游雨龙[3]（2019）在《空间3R机械手逆向运动学的多模块神经网络求解》一文中研究指出提出用多模块神经网络的方法求解空间3R机械手的逆运动学多解。通过几何分析,将关节空间划分为多个只有唯一逆运动学解的关节子空间,每个子空间均用3个单输出的BP神经网络训练和求解。通过仿真试验并与其他方法对比,表明该方法不仅可以准确地划分逆运动学解的取值范围,还可以快速求得高精度的逆运动学多解。(本文来源于《中国机械工程》期刊2019年10期）
王旋[4]（2019）在《基于神经网络的IPTV软探针QoE评估模块的研究与实现》一文中研究指出在高度信息发达时代,交互式网络电视(IPTV)业务的需求越来越多,用户对视频质量要求越来越高,传统的服务质量(QoS)监测体系没有考虑视频终端性能参数的影响,因此不能很好地反映视频的体验质量(QoE),如何更好地评价IPTV业务的QoE成为当前的一个研究热点。本文针对IPTV直播的QoE评价技术进行了研究,并建立了一个基于BP神经网络模型的视频QoE评估模型,利用C++语言开发了IPTV软探针QoE评估模块。具体工作如下:(1)数据采集及预处理。分别根据主观视频质量评价方法和原则和客观指标的计算原理采集或计算指标数据;首先对20000条客观指标数据进行清洗,剔除掉非法数据、超出正常范围内的数据和定值,将剩余的15000条数据作为实验用的有效数据;然后对所有指标与QoE作相关性分析,去掉了与QoE相关性很小的MDI_DF劣化时长指标,最后进行归一化处理。(2)针对15000条直播数据,分别建立BP神经网络模型和RBF神经网络模型评估其QoE,并对两种模型的评估结果进行对比,最终选择均方误差和平均绝对误差百分比都比较小的BP神经网络模型作为软探针评估模块的算法。(3)设计并开发了软探针评估模块。在模块设计过程中,根据功能把评估模块划分为采集模块、处理模块、交互模块和工具模块,并利用C++语言分别实现了组成评估模块的各个子模块。(4)对模块功能进行验证。利用Wireshark抓包软件评估采集指标的准确性,验证数据采集、记录、上报及上报周期等各项功能是否正常实现。搭建仿真环境,分别测试装有BP模型和原公司参数模型的软探针评估模块返回的QoE与人为主观评分的平均绝对误差百分比,结果BP模型和参数模型的平均绝对误差百分比分别达到3.52%和10.9%,BP模型满足评估模块的功能需求。(本文来源于《郑州大学》期刊2019-05-01）
陈金磊[5]（2019）在《基于聚类分析的模块化神经网络研究与应用》一文中研究指出单一的人工神经网络具有很强的学习能力和非线性逼近能力,被广泛应用于各个领域。但是单一的人工神经网络在解决大规模复杂性问题时,往往会出现收敛速度慢、泛化能力不强等缺点。为解决这些问题,研究人员展开了对生物大脑的进一步模仿,并将模块化的概念引入人工神经网络的设计当中,模块化神经网络由此产生。模块化神经网络采用“分而治之”的思想,将一个复杂的任务分解为两个或两个以上相对简单的子任务,并通过处理这些子任务来解决整个任务。“分而治之”重要的思想在于“分”和“治”,如何将任务分解为多个子任务,以及如何处理这些子任务就是关键,本文围绕着这两个问题构建了基于聚类分析的模块化神经网络:(1)提出K近邻优化的密度峰值聚类算法实现对任务的分解。性能好的聚类算法可以更好的进行子任务的划分,密度峰值聚类实现了对传统的基于密度聚类算法参数调整困难的优化,只需一个参数就可以实现对数据的聚类,但是密度峰值聚类算法在计算局部密度时存在不合理以及参数选择敏感的问题,针对这个问题,本文提出采用K近邻的思想重新定义了局部密度的计算方法,实验表明本文所提出的聚类算法有着更高的聚类精度。(2)在构建模块化神经网络时,任务分解采用K近邻优化的密度峰值聚类算法;在子网络结构设计方面,针对传统的BP神经网络收敛速度慢,泛化能力差的特点,提出将遗传算法引入子网络的设计,从而达到提高网络学习效率和准确率的目的;设计子网络整合策略时,提出根据聚类中心计算新样本对每个子网络隶属度的动态隶属度法,这种方法是一种选择型的子网络整合策略,由于不同的新样本与各个聚类中心的距离都不一样,所以隶属度是动态变化的,激活隶属度最大的子网络输出结果。将本文所建立的模型应用在医疗领域,进行疾病的预测,通过两个医疗数据集检验模型的迭代效率和准确率,仿真实验表明本文所设计的模块化神经网络在迭代效率和准确率上都比单一人工神经网络具有优越性。(本文来源于《郑州大学》期刊2019-05-01）
白焱[6]（2019）在《低功耗、可重构、模块化的脉冲神经网络处理器设计与实现》一文中研究指出随着人工神经网络研究的发展以及在人工智能领域的广泛应用,人工神经网络相比于传统人工智能算法显现出其独特的优势。人工智能本质是对人类思维过程的模拟,而人工神经网络正是将脑科学对人脑神经系统结构和动态过程的研究结果进行抽象,简化而得到的一种人工智能算法。然而更接近真正意义上的类脑计算、更具有生物启发性的神经网络正是脉冲神经网络。人工神经网络经过多年的发展,目前已经有多种专用的部署在云端的加速器平台,可以进行在线神经网络训练和推理。然而,脉冲神经网络中事件驱动的计算方式特别适合低功耗硬件的实现,满足端到端的应用环境下的需求。但是,目前现有的脉冲神经网络硬件系统在功耗、可重构性等方面难以适应复杂的端侧场景,因此设计一种低功耗、可重构、模块化的脉冲神经网络处理器就很有必要。本文首先简单介绍了脉冲神经网络的一些背景知识。包括脉冲神经网络与人工神经网络的异同点,脉冲神经网络中的各种神经元模型以及学习算法,并选择了合适的神经元模型以及学习算法用作构建本文研究所用的脉冲神经网络模型。除此之外介绍了目前主流的神经网络芯片的设计思想,结合低功耗、可重构、模块化的设计要求,提出了脉冲神经网络处理器系统的指导性设计准则。其次本文,建立了脉冲神经网络处理器系统的整体架构。详尽定义了各个子模块的功能和端口以及具体的传输数据格式。根据FPGA硬件的资源情况和设计性能要求,具体实现了所提出的子模块。并且在保证功能正确的前提下进行了低功耗的优化。另外关于如何配置硬件全局参数,建立了真实的脉冲神经网络模型,并以此为例说明了如何计算获取全局参数。最后,为验证其整体的架构的有效性和评估架构的性能,本文利用由人工神经网络转换得到的脉冲神经网络作为参考模型,构建了脉冲神经网络处理器系统。采用MNIST数据集作为测试样例。使用XC7VX485T FPGA芯片实现脉冲神经网络。导入得到的网络权重和参数后,时钟频率可以达到200MHz,识别准确率达到93%,系统动态功耗为65mW。(本文来源于《电子科技大学》期刊2019-03-29）
杨亚平[7]（2019）在《基于阶梯式和多残差模块卷积神经网络的人体姿态估计方法研究》一文中研究指出人体姿态估计任务是确定一个输入图像中人体的各个部件,如手臂、躯干、腿部和头部等,或者各个关节点,如肘、手腕、膝盖和肩等的精确像素位置和特征信息,它是计算机视觉任务中一项基本而又具有挑战性的任务,也是一些高级视觉任务的重要基础,例如行为识别,人机交互,服装解析,行人再识别以及动作识别等,且广泛应用于自动驾驶、虚拟现实、视频监控以及动画等领域。有效的人体姿态估计方法必须能够处理一些罕见的人体姿态和具有较大肢体变化的图像,不受到服装多样化,肢体灵活性,照明条件变化和复杂背景等因素的影响,同时还能解决严重的肢体变形和人体部件或关节点被严重遮挡等具有挑战性的问题。传统的人体姿态估计大多数是基于图结构模型以及结合一些特征信息,如纹理特征,颜色直方图特征,形状上下文特征和梯度直方图特征等来构建人体的外观模型以及部件关系模型,虽然这些方法能够大致定位人体关节的位置,但容易受到复杂背景的干扰,且对于一些形变较大或受到严重遮挡的人体部件预测仍然不准确。近年来,深度学习在人体姿态估计领域中取得了突破性的进展,特别是深度卷积神经网络(DCNN)强大的学习能力吸引了越来越多的研究者,它的广泛使用为人体姿态估计方法提供了很强的非线性变换能力。为了能更有效地进行人体姿态估计,本论文对深度卷积神经网络进行了深入研究,在此基础上构建了阶梯式深度卷积神经网络用于人体姿态估计,提高了姿态估计的精度;并且针对传统的堆迭沙漏网络设计了多残差模块堆迭沙漏网络,进一步提高了人体姿态估计的精度和鲁棒性。论文的主要研究工作和成果如下:1、提出一种基于阶梯式深度卷积神经网络的人体姿态估计方法。为了提高人体姿态估计的精度和鲁棒性,该网络首先利用阶梯模块作为构建模块以探索人体姿态估计中人体各部件之间的相互依赖关系;其次,为了能够捕获更多更丰富的上下文信息,网络通过采用大卷积核的阶梯模块来增加网络输出层的有效感受野;最后,该网络通过学习每个阶梯模块最后的损失函数来强化中间监督,从而补充反向传播的梯度,有效地解决了在训练过程中梯度消失的难题。通过实验可知,所提出的基于阶梯式深度卷积神经网络的人体姿态估计方法在一定程度上提高了人体姿态估计的精度,同时也降低了遮挡问题对姿态估计的影响。2、提出一种基于多残差模块堆迭沙漏网络的人体姿态估计方法。为了进一步提高人体姿态估计的精度,并针对二维人体姿态估计中由于摄像机视图变化导致的人体各部件尺度变化问题对最终人体姿态估计精度的影响。该网络首先在传统的残差模块基础上设计了改进型残差模块;接着,为了在较大感受野内学习人体部件之间的相关性,设计了大感受野残差模块;然后,为了更好的解决由于人体各部件尺度变化问题导致的姿态估计不准确性,文中设计了多尺度残差模块。其次,将这叁种残差模块作为沙漏子网络的构建模块,当分辨率较高时,采用大感受野残差模块和多尺度残差模块以捕获更大范围以及各尺度上的信息,当分辨率较低时,仅采用改进型残差模块;最后,使用四个多残差模块沙漏子网络构成最终的多残差模块堆迭沙漏网络。通过实验可知,所提出的基于多残差模块堆迭沙漏网络的人体姿态估计方法进一步提高了人体姿态估计的精度。(本文来源于《安徽大学》期刊2019-03-01）
周悦,曾上游,杨远飞,冯燕燕,潘兵[8]（2019）在《基于分组模块的卷积神经网络设计》一文中研究指出本文提出了一种基于分组模块的卷积结构,先将输出特征图分成数量相等的两组,每一组采用不同的卷积核进行操作以提取更充分的信息,而后将分组得到的多样性特征图像进行级联,最后通过1*1的卷积核将所有特征图整合.与传统的CNN比较,使用本文模块的网络在数据集Caltech256上将识别率由50.1%提升至52.2%.在数据集101_food上将识别精度由66.3%提升至68.9%.实验结果表明网络在识别精度性能上有所提升.(本文来源于《微电子学与计算机》期刊2019年02期）
袁嘉杰,张灵,陈云华[9]（2019）在《基于注意力卷积模块的深度神经网络图像识别》一文中研究指出对于在深度神经网络的中间层分支进行深度融合,产生潜在可以共享有用信息的基础网络,从而优化信息流动,提升深度神经网络的性能,是近期的深度神经网络研究的挑战。对此提出一种基于注意力卷积模块的深度神经网络的图像识别方法。改进的模块主要分为树干分支与软分支两部分,在树干分支上,由两组残差模块组成,使该模块适用于其他深度神经网络;在软分支上,将给定的中间特征图沿着两个维度(空间与通道)获取注意力特征图,对输入中间特征图进行调整,强化有用信息抑制无用信息。改进的卷积残差模块既能解决输入与输出的尺寸不一致的问题,也能强化图像的关键信息与有效促进网络的信息流动。通过对cifar-10、cifar-100、ck+、AVEC2017数据集进行实验,实验结果表明了提出的方法应用于ResNet-50网络上对比Hu提出的方法在训练耗时相差不到0.3%的情况下,识别图像准确率有0.9%～1.2%的提高。(本文来源于《计算机工程与应用》期刊2019年08期）
杨武俊[10]（2019）在《模块化神经网络容差模拟电路故障检测》一文中研究指出容差模拟电路故障检测对于电子设备的稳定运行而言至关重要,针对传统检测算法计算代价大、训练时间长及检测误差率高的不足,提出基于模块化神经网络的容差模拟电路故障检测算法研究;对神经网络检测模型的功能模块进行划分,并基于功能模块提取容差模拟电路的故障信号特征;基于样本中心到故障特征点的欧式距离,对比故障样本的特征向量,依据模块化神经网络决策分类函数,实现对容差模拟电路故障的准确定位和检测;仿真数据表明,在不同样本容量条件下提出检测算法均具有优势,最低误差值为0.382%。(本文来源于《计算机测量与控制》期刊2019年01期）
模块画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：
如何准确求解绝缘栅双极晶体管(IGBT)模块的开关损耗值,是电力变换器性能和寿命研究中的关键问题之一。针对现有IGBT开关损耗模型难以准确求解开关损耗值的缺陷,引入了基于粒子群算法优化的误差反向传播(BP)前馈神经网络模型。将影响开关损耗的5个主要因素(集射工作电压、集电极电流、驱动电压、驱动电阻、结温)作为BP神经网络的输入向量,并采用粒子群算法优化网络的初始权值与阀值,通过共轭梯度法的学习规则加速收敛,从而获得开关损耗的精确求解值。该模型实现了在额定值范围内对各种工况下的IGBT模块开关损耗值的可靠预测,其在100组测试验证样本下所出现的最大误差比率为3.85%。
（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。
模块画神经网络论文参考文献
[1].马斌彬,马红占,褚学宁,李玉鹏.基于稀疏自编码神经网络的产品再设计模块识别方法[J].上海交通大学学报.2019
[2].唐波,刘任,江浩田,孙睿,吴卓.基于BP神经网络的IGBT模块开关损耗求解[J].高压电器.2019
[3].肖帆,李光,游雨龙.空间3R机械手逆向运动学的多模块神经网络求解[J].中国机械工程.2019
[4].王旋.基于神经网络的IPTV软探针QoE评估模块的研究与实现[D].郑州大学.2019
[5].陈金磊.基于聚类分析的模块化神经网络研究与应用[D].郑州大学.2019
[6].白焱.低功耗、可重构、模块化的脉冲神经网络处理器设计与实现[D].电子科技大学.2019
[7].杨亚平.基于阶梯式和多残差模块卷积神经网络的人体姿态估计方法研究[D].安徽大学.2019
[8].周悦,曾上游,杨远飞,冯燕燕,潘兵.基于分组模块的卷积神经网络设计[J].微电子学与计算机.2019
[9].袁嘉杰,张灵,陈云华.基于注意力卷积模块的深度神经网络图像识别[J].计算机工程与应用.2019
[10].杨武俊.模块化神经网络容差模拟电路故障检测[J].计算机测量与控制.2019