导读:本文包含了神经网络编码论文开题报告文献综述及选题提纲参考文献，主要关键词:语音合成,听感量化编码,神经网络,少数据量合成
神经网络编码论文文献综述
刘庆峰,江源,胡亚军,刘利娟[1]（2019）在《基于听感量化编码的神经网络语音合成方法研究》一文中研究指出针对当前神经网络声学建模中数据混用困难的问题,文中提出了一种基于听感量化编码的神经网络语音合成方法。通过设计听感量化编码模型学习海量语音在音色、语种、情感上的不同差异表征,构建统一的多人数据混合训练的神经网络声学模型。在统一的听感量化编码声学模型内通过数据共享和迁移学习,可以显着降低合成系统搭建的数据量要求,并实现对合成语音的音色、语种、情感等属性的有效控制。提升了神经网络语音合成的质量和灵活性,一小时数据构建语音合成系统自然度可达到4.0MOS分,达到并超过普通说话人水平。(本文来源于《电子科技》期刊2019年09期）
陶聪,施云,张丽艳[2]（2019）在《基于卷积神经网络的汉字编码标记点检测识别》一文中研究指出近景摄影测量中采用的标记点要求具有唯一身份号并能在图像中被精确识别定位。设计了一种以汉字作为编码特征的编码标记点,提出了一种基于卷积神经网络的编码标记点检测识别方法。首先采用基于相机成像原理的虚拟相机法,自动生成大量汉字编码点模拟图像作为训练样本,并据此训练卷积神经网络成为汉字编码点识别网络。根据一系列编码点筛选准则分割得到实拍汉字编码点,然后用编码点识别网络对其身份号进行识别,最后通过中心定位算法定位编码点中心。实验结果表明构建的识别网络对汉字编码点识别率可达97. 67%,且受噪声、投影角度、图像对比度、亮度等因素的影响小;分割算法鲁棒性强,能准确分割出汉字编码点;中心定位算法对编码点中心的定位精度高。(本文来源于《仪器仪表学报》期刊2019年08期）
熊锐,张雷洪,蒋周杰,王建强,覃榜道[3]（2019）在《基于编码-解码对称神经网络的高分辨率图像重构机理研究》一文中研究指出针对目前许多图像重构算法存在重构出来的图像不清晰、分辨率低等问题,提出了一种基于编码-解码对称神经网络的高分辨率图像重构算法。首先将图像进行压缩获取低分辨率图像,然后将低分辨率图像作为输入图像经过编码-解码对称神经网络,并利用其中的卷积神经网络进行编码得到特征图像,最后再利用反卷积神经网络进行解码实现图像的细节恢复。实验结果表明,经过基于编码-解码对称神经网络重构出来的图像比之前的低分辨率图像更加清晰,图像的分辨率得到了提高。(本文来源于《光学仪器》期刊2019年04期）
马斌彬,马红占,褚学宁,李玉鹏[4]（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）
陈振新,何旭涛,袁舟龙,李世强,郑健[5]（2019）在《基于自编码神经网络的孔压静力触探海底土层划分方法改进》一文中研究指出孔压静力触探测试数据在海底土分类、地层划分中有重要应用。以往的分层方法在CPTU指标的选取上有较大的主观性,分层结果不很准确,在已有的K均值聚类判层方法基础上,使用自编码神经网络对投入聚类的海底孔压静力触探指标进行降维,去除冗余特征,优化特征间的权重,对得到的特征子集进行K均值聚类,发现聚类分层结果的轮廓系数等聚类评价指标都大为提高。通过在舟山海域海底地层CPTU数据上的应用,证实了所提出的方法在判断土类数目和划分土层边界方面的准确性。(本文来源于《工程勘察》期刊2019年06期）
贾川民,赵政辉,王苫社,马思伟[6]（2019）在《基于神经网络的图像视频编码》一文中研究指出深度神经网络近年来在人工智能领域进展显着,并引发广泛深入研究神经网络的热潮,近期基于神经网络的图像视频编码也成为热点研究问题之一。系统梳理了基于神经网络的图像视频编码技术及进展,对基于多层感知机、随机神经网络、卷积神经网络、循环神经网络、生成对抗网络等框架的图像压缩,以及基于深度学习的各类视频编码工具进行了综述介绍,同时对神经网络编码的未来发展趋势进行了分析与展望。(本文来源于《电信科学》期刊2019年05期）
张国东,周浩,方淇,张露,杨峻[7]（2019）在《基于栈式自编码神经网络对高光谱遥感图像分类研究》一文中研究指出为了有效利用高光谱遥感图像中的波段信息,提高高光谱遥感图像分类的精确度,本文提出了基于栈式自编码神经网络(Stacked Autoencoder,SA)对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息,对其进行相应特征提取,避免了相邻信息间的相关性和信息的冗余,本方法采用无监督学习和监督学习相结合,既可以像传统方法那样进行降维,简化相关的计算复杂度,同时在分类精度上有很大地提高。(本文来源于《红外技术》期刊2019年05期）
李炜[8]（2019）在《基于深度自编码神经网络的特征学习方法及应用研究》一文中研究指出当前,深度学习为人工智能的发展注入了新的活力。作为深度学习领域典型的特征学习算法,深度自编码神经网络得到广泛的研究,其最大优势在于通过多个隐含层组成的深度模型逐层自发地对数据进行特征提取,并广泛应用于图像识别、医学诊断、情感分析等领域。本文主要研究基于深度自编码神经网络的特征学习方法,并将学习的特征应用于分类识别领域。本文的研究主要从以下叁个方面展开:(1)针对深度自编码神经网络(DAE)在微调过程中受内部协变量迁移导致梯度传递缓慢问题,提出一种基于自适应平衡的深度自编码神经网络(DSBAE)。本方法首先通过DAE预训练以获得各编码层的初始化参数;随后将各编码层与平衡层嵌套组成DSBAE,利用平衡层可学习的尺度缩放系数和平移变换系数对编码层特征进行正则化处理,以自适应地纠正特征空间;将处理后的特征输入非线性激活层进一步抽象特征;对平衡层以及编码层的参数利用梯度下降法进行微调,以提升训练效果。DSBAE有效解决深度自编码神经网络的内部协变量迁移对特征学习的影响。为检验所提方法的有效性,将DSBAE应用于手写体数字分类,并与DAE以及其他多组算法对比,实验结果验证了所提方法的分类准确率有明显提升。(2)针对深度自编码神经网络(DAE)提取特征的泛化性和鉴别性不足的问题,提出一种标签和能量约束的半监督深度自编码神经网络(LESDAE)。首先,提出基于统计物理学的能量项来约束网络,以拟合样本数据的概率分布,提高网络的泛化性能。同时,根据标签约束项,计算标签误差来有针对地调整网络参数,增强提取特征的鉴别性。为检验所提算法的有效性,将LESDAE应用于手写数字分类,通过与DAE以及其他多组算法对比,验证了LESDAE具有较好的分类准确率。(3)针对固定学习率导致低效的特征学习问题,提出一种可变速学习的深度自编码神经网络(VLSDAE)。该网络首先基于批量数、代数和阶段数的多尺度训练误差来反映宏观训练效果,同时,基于各神经元的权重更新相关性来描述微观训练效果,通过融合宏观及微观的训练效果描述方法来计算学习率变化系数,以更新下一阶段的学习率值,从而自适应地更新学习率,提高特征提取的效率。本文建立了基于VLSDAE算法的人脸识别框架,并应用于人脸识别,验证VLSDAE在具有较好的鲁棒性的同时,实现较好的识别准确率。通过将VLSDAE应用于手写体数字分类,并与DAE以及多组算法对比,验证了VLSDAE能够在较小训练误差的前提下获得较高的分类准确率。(本文来源于《江南大学》期刊2019-05-01）
冯文,陈志国,傅毅,王凯宇[9]（2019）在《增强碰撞体算法优化的自编码神经网络》一文中研究指出自编码神经网络是神经网络中常见的网络,自编码网络常用于数据降维,特征学习,数据去噪等.传统的自编码网络采用的BP策略,为了应对BP算法固有的一些不足,本文结合了增强碰撞体算法的优点,提出了一种增强碰撞体算法优化的自编码网络.将自编码的代价函数和softmax分类器的误差函数加权求和作为该算法的评价函数,利用增强碰撞体算法分别优化自编码网络和softmax分类器的参数.实验结果表明与其他算法和粒子群算法优化的自编码算法相比,该方法在邮件分类上取得了较好效果,与极限学习机优化的栈式自编码相比在UCI的一些公共数据库上取得了较好的分类效果.(本文来源于《小型微型计算机系统》期刊2019年04期）
王洪涛,黄辉,贺跃帮,刘旭程,李霆[10]（2019）在《基于降噪自编码神经网络的事件相关电位脑电信号分析方法》一文中研究指出提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data set Ⅱ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用降噪自编码迭代2500次训练神经网络模型,在受试者A和受试者B样本数据迭加5次、10次、15次3种情况下获得的分类准确率分别为73.4%, 87.4%和97.2%.该最高准确率优于其他分类方法,比竞赛第1名联合支持向量机(SVM)分类器(ESVM)提高了0.7%,为事件相关电位脑电信号提供了一种深度学习分析方法.(本文来源于《控制理论与应用》期刊2019年04期）
神经网络编码论文开题报告
（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：
近景摄影测量中采用的标记点要求具有唯一身份号并能在图像中被精确识别定位。设计了一种以汉字作为编码特征的编码标记点,提出了一种基于卷积神经网络的编码标记点检测识别方法。首先采用基于相机成像原理的虚拟相机法,自动生成大量汉字编码点模拟图像作为训练样本,并据此训练卷积神经网络成为汉字编码点识别网络。根据一系列编码点筛选准则分割得到实拍汉字编码点,然后用编码点识别网络对其身份号进行识别,最后通过中心定位算法定位编码点中心。实验结果表明构建的识别网络对汉字编码点识别率可达97. 67%,且受噪声、投影角度、图像对比度、亮度等因素的影响小;分割算法鲁棒性强,能准确分割出汉字编码点;中心定位算法对编码点中心的定位精度高。
（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。
神经网络编码论文参考文献
[1].刘庆峰,江源,胡亚军,刘利娟.基于听感量化编码的神经网络语音合成方法研究[J].电子科技.2019
[2].陶聪,施云,张丽艳.基于卷积神经网络的汉字编码标记点检测识别[J].仪器仪表学报.2019
[3].熊锐,张雷洪,蒋周杰,王建强,覃榜道.基于编码-解码对称神经网络的高分辨率图像重构机理研究[J].光学仪器.2019
[4].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
[5].陈振新,何旭涛,袁舟龙,李世强,郑健.基于自编码神经网络的孔压静力触探海底土层划分方法改进[J].工程勘察.2019
[6].贾川民,赵政辉,王苫社,马思伟.基于神经网络的图像视频编码[J].电信科学.2019
[7].张国东,周浩,方淇,张露,杨峻.基于栈式自编码神经网络对高光谱遥感图像分类研究[J].红外技术.2019
[8].李炜.基于深度自编码神经网络的特征学习方法及应用研究[D].江南大学.2019
[9].冯文,陈志国,傅毅,王凯宇.增强碰撞体算法优化的自编码神经网络[J].小型微型计算机系统.2019
[10].王洪涛,黄辉,贺跃帮,刘旭程,李霆.基于降噪自编码神经网络的事件相关电位脑电信号分析方法[J].控制理论与应用.2019