导读:本文包含了迭代卷积论文开题报告文献综述及选题提纲参考文献，主要关键词:命名实体识别,卷积,神经网络
迭代卷积论文文献综述
徐凯,王崎,康培培,李振彰,刘文印[1]（2019）在《基于注意力迭代扩张卷积网络的医学实体识别》一文中研究指出医学命名实体识别对于促进医学研究具有重要作用。针对现有方法计算效率低,精度不高的问题,提出基于注意力迭代扩张卷积(AIDC)的识别方法。使用迭代扩张卷积神经网络计算隐状态,融入多头注意力机制解析句子结构,结合CRF计算出最优标签序列。在NCBI疾病和BC5CDR化学数据集上,AIDC比双向长短时记忆网络快1.9倍,同时也获得较高F1值分别为0.856和0.901。(本文来源于《现代计算机》期刊2019年16期）
张力,李宝万[2]（2019）在《基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法》一文中研究指出针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。(本文来源于《组合机床与自动化加工技术》期刊2019年03期）
李妍,金士琪,多国帅,涂春蓉,戴旭[3]（2019）在《迭代重建算法联合不同卷积核应用于冠脉双低扫描支架显示的比较研究》一文中研究指出目的:探讨应用Safire迭代重建技术联合不同卷积核在冠脉支架成像的价值,评价卷积核(I50f)图像在冠脉支架显示的影响。方法:42例冠状动脉支架(84个)植入术后患者行双源CT冠状动脉CT血管造影(CCTA)检查,应用Safire迭代重建技术联合卷积核(I26f、I46f、I50f)对原始数据进行重建,分别从主观及客观两方面对图像质量进行评价和分析,比较各叁组图像之间的差异。结果:叁组图像主观评价分析显示,I50f组支架及其管腔显示的评分最高,为(4.07±0.32)分,叁组图像质量差异有统计学意义(P=0.000);主观分析中,随着卷积核核值增加,图像的噪声逐渐增大,叁组图像间差别有统计学意义(P=0.000);客观评价分析显示,叁组支架管腔噪声之间的差别无显着性差异(P>0.05)。结论:Safire技术联合卷积核I50f对于支架显示评价最佳,可为临床提供更高质量的图像。(本文来源于《中国临床医学影像杂志》期刊2019年02期）
李妍[4]（2019）在《迭代重建算法联合不同卷积核应用于冠脉双低扫描支架显示的比较研究》一文中研究指出目的:经皮冠状动脉介入术(percutaneous coronary intervention,PCI)现已成为冠心病最主要的治疗手段之一,然而冠状动脉支架内再狭窄(in-stent restenosis,ISR)是其较为严重的并发症,在一定程度上限制了PCI的广泛使用,研究表明即使药物洗脱支架IRS发生率仍达10%左右,因此术后的随访评估十分必要。冠状动脉CT血管造影(coronary computed tomography angiography,CCTA)现已广泛应用于支架的随访中,但PCI支架置入术后患者受到支架图像伪影、图像噪声等因素影响,CCTA用于PCI术后随访评估仍面临着巨大的挑战。以往有研究表明调整卷积核可以改进支架内管腔的显示,提高PCI术后支架再狭窄的检测率。目前研究仅选用心脏常用的卷积核(B26f,B46f,I26f,I46f),而对更多的卷积核如I50f目前还没有任何报道,在迭代重建联合卷积核评价冠脉支架图像评价中还有很多研究空间和前景。本研究旨在探讨应用Safire迭代重建技术联合不同卷积核在冠脉支架成像的价值,评价卷积核(I50f)图像在冠脉支架显示的影响,来探索改进冠脉支架成像的方法,为临床提供更高质量的影像资料。方法:收集本院42例冠状动脉支架(84个)植入术后患者行双源CT冠状动脉CT血管造影检查,依据患者BMI选择适合的管电压及对比剂剂量制定扫描方案,应用Safire迭代重建技术联合卷积核(I26f、I46f、I50f)对原始数据进行重建,Safire迭代强度均为3,重建层厚为0.5mm。应用后处理软件对重建图像进行二维及叁维全面观察,将得到的叁组图像分别从主观及客观两方面对图像质量进行评价和分析,主观评价包括图像噪声评分及支架显示评分,客观评价包括对主动脉根部CT值及支架内管腔噪声进行测量。比较各叁组图像之间在图像噪声及支架显示方面的差异。统计学分析采用SPSS20.0软件。计量资料采用平均数±标准差来表示。比较两位放射医师对图像评分的一致性采用Kappa检验;使用Friedman分析和Wilcoxon秩和检验对主观评分进行分析;评价叁组连续变量的客观指标采用方差分析。以P<0.05为差异有统计学意义。结果:叁组不同卷积核重建的图像质量评估结果显示两位医师评分的一致性良好。叁组图像主观评价分析显示,I50f组支架及其管腔显示的评分最高,为(4.07±0.32)分,评分最低为I26f组(3.39±0.42)分,叁组图像质量差异有统计学意义(P=0.000);主观分析中,随着卷积核核值增加,图像的噪声逐渐增大,噪声评分I26f组图像最高,为(2.44±0.15)分,I50f组图像噪声评分最低(2.02±0.09)分,叁组图像间差别有统计学意义(P=0.000);客观评价分析显示,叁组支架管腔噪声之间的差别无显着性差异(P>0.05),说明叁组图像噪声对于支架显示方面的影响不大。结论:Safire技术联合卷积核I50f对于支架显示评价最佳,能改善支架壁及管腔的显示,同时降低图像噪声,为临床提供更高质量的图像。(本文来源于《中国医科大学》期刊2019-01-01）
陈才慧[5]（2018）在《基于傅里叶变换的快速迭代收缩阈值反卷积声源识别算法研究》一文中研究指出基于传声器阵列的波束形成声源识别算法由于布置简单、计算快、中高频分辨率高、适合中长距离测量等优点而被广泛应用于车辆、航空航天等工程领域中。为获取更精确的声源识别结果,各种清晰化波束形成算法成为研究重点,其中又以反卷积算法为主。本文针对叁种典型快速反卷积算法的平面阵列声源识别进行研究和分析,并进行了算例试验验证。首先基于球面波假设,给出互谱成像函数传统波束形成算法的基本原理及评价识别性能的主要指标,并对其进行声源识别仿真,结果表明:该算法可以有效识别声源,但存在主瓣较宽、空间分辨率低,旁瓣污染严重等缺陷。因此,为克服缺陷,给出快速迭代收缩阈值(fast iterative shrinkage-thresholding algorithm,FISTA)等叁种反卷积波束形成算法的理论及公式推导,声源识别仿真结果表明:反卷积波束形成主瓣窄、空间分辨率高,能够清除旁瓣污染,但计算效率低。然后,为提高反卷积波束形成的计算效率,假设点传播函数具有空间转移不变性,基于快速傅里叶变换进行加速,给出基于傅立叶变换的快速迭代收缩阈值算法(Fourier-based fast iterative shrinkage-thresholding algorithm,FFT-FISTA),同时引入非规则聚焦点网格生成方法,提高其性能。对快速反卷积波束形成算法的仿真表明:该类算法提高传统波束形成空间分辨率,减少旁瓣覆盖范围,计算效率较高。其中,FFT-FISTA性能最优,且非规则聚焦点网格可以改善实际点传播函数空间转移不变性,提高快速反卷积波束形成分辨率。最后,通过算例试验对快速反卷积波束形成算法进行验证,结论与仿真基本一致。(本文来源于《重庆大学》期刊2018-05-01）
富利鹏[6]（2018）在《基于卷积神经网络的非迭代压缩感知重构算法研究》一文中研究指出压缩感知是指利用少量测量值通过非线性重构算法完美重构信号。目前采用迭代优化算法的压缩感知系统,重构过程中需要进行复杂的迭代运算,重构时间较长,并且在低采样率下,图像重构质量较差。卷积神经网络能够实现端到端的非迭代重构,可提高重构速度。因此,本文主要围绕卷积神经网络对图像压缩感知算法展开研究,具体研究内容如下:首先,将卷积神经网络应用至图像压缩感知上,基于不同尺寸的卷积核可提取图像中不同尺度特征的特点,提出多尺度残差重构网络。该网络利用大量的训练数据学习从测量值到重构图像的映射,利用该映射重构图像。实验表明,基于多尺度残差网络的压缩感知重构算法比基于迭代优化的重构算法具有更快的重构速度和更好的重构效果。其次,考虑到基于多尺度残差重构网络的重构速度稍慢于DR~2-Net算法,将扩张卷积应用至重构网络中,并结合残差学习提出快速多尺度残差学习重构网络,减少了网络中的卷积层,在保证图像重构质量的同时,提高算法的速度。最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近。最后,由于上述两种算法对图像进行分块重构,导致重构图像中出现块效应。为提高图像的视觉效果,提出基于自编码模型的压缩感知重构算法。该算法在训练网络的同时将测量矩阵也进行优化,利用学习得到的测量矩阵对图像进行采样,通过自编码模型重构出图像,再利用去块效应网络去除图像中的块效应和伪迹,提高图像质量。(本文来源于《燕山大学》期刊2018-05-01）
孙平安,祁俊,谭秋月[7]（2019）在《利用卷积神经网络改进迭代深度学习算法的图像识别方法研究》一文中研究指出针对图像识别算法中图像集上几何曲面的特定分类会导致判别信息丢失的问题,提出一种融合卷积神经网络的改进型迭代深度学习算法(IIDLA)。该算法采用混合卷积网进行底层的平移不变特征学习,以层次化的方式迭代应用卷积神经网络对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、面部表情、解析度和照明度的人脸或物体图像集。采用数据集将提出的算法与其他算法进行评估对比,实验结果表明提出的算法在被测数据集上的性能最优。(本文来源于《计算机应用研究》期刊2019年07期）
高述勇,周粉粉,符朝兴,孟含[8]（2018）在《卷积网络样本数和迭代数与识别结果关系研究》一文中研究指出针对训练样本数量和迭代次数对卷积神经网络识别率的影响,本文以经典LeNet卷积神经网络为研究对象,以Mnist样本集为样本,利用Matlab软件研究了样本数量和迭代次数与网络识别率的关系。通过调整训练样本数量和迭代次数,对比不同训练结果对网络错误率的影响,得出在迭代次数、学习率及批数据大小不变的情况下,训练样本数目对网络识别错误率的影响存在阈值,当训练样本数目大于阈值时,样本数目增加,错误率降低很小;在训练样本数目、学习率及批数据大小不变的情况下,随着迭代次数的逐渐增加,网络识别的总体错误率呈现先缓慢下降后快速下降,之后又缓慢下降的趋势,在迭代次数少的情况下,迭代次数和误差率变化规律具有随机性。该研究对中小样本数量的卷积神经网络提供了理论参考。(本文来源于《青岛大学学报(工程技术版)》期刊2018年01期）
刘小芳,秦丽娟,李莹[9]（2015）在《模糊图像迭代盲反卷积复原》一文中研究指出针对超速或换道车辆容易出现的图像模糊问题,提出了基于盲反卷积的去模糊方法。传统的去模糊方法是假定已知模糊参数,而实际的目标图像模糊参数是未知的。所以采用一种盲复原方法,首先估计出模糊点扩散函数PSF,然后进行模糊处理。根据实际采集的图像含有高斯噪声的特点,将常用零均值高斯白噪声作为其噪声模型,根据噪声均值与方差的最小二乘估计改进盲反卷积模型,得出新的恢复模型,进而恢复含噪声的模糊图像。结果表明,该算法较传统算法恢复效果得到明显改善。(本文来源于《沈阳理工大学学报》期刊2015年05期）
郑鹏[10]（2015）在《空间通信串行级联卷积码迭代接收机高效算法设计与实现》一文中研究指出针对空间通信过程中，信道波动大，信噪比不确定性强等问题，空间数据系统咨询委员会制定了CCSDS131.2-B-1串行级联卷积码编码标准，标准中规定了27种不同码长不同调制方式的码字格式，可以自适应的根据接收端反馈回的信道信息进行信噪比的适配，选择合适的编码调制方式进行数据发送，以此降低传输误码率。串行级联卷积码（SCCC）是一种类似于Turbo码的编码方式，区别于Turbo码的并行级联，SCCC是将两级递归系统卷积码串行级联而来，这种编码方式极低的误码平层使其非常适用于对误码率要求低的情景。文章详细阐述了卷积码及其译码算法的演进历史。介绍了常用的编码器原理、调制解调技术、以及相关的译码算法，主要包括基于MAP译码算法、Log-MAP译码算法、Max-Log-MAP译码算法及其改进算法的软输入软输出（SISO）译码器结构，除此之外，还介绍了软输出维特比译码算法（SOVA），并对上述几种译码算法的译码性能和实现复杂度进行了比较。文章对基于不同译码算法的SISO译码器进行了浮点和定点仿真，分析了不同算法的性能差异和量化导致的性能损失，对定点实现过程中可能出现的问题进行了阐述，并比较了不同实现方法的差异，最后确定了一种性能优异，资源消耗少的的译码方式。最后，选取8种不同的码字类型，实现了可自适应切换编译码方式的编码过程，针对这8种码字格式，对采用线性近似的Log-MAP译码算法的SISO译码器进行了硬件实现，设计提出了一种高达120路的高速并行迭代接收机，文章详细叙述的编译码器各个模块的设计实现细节。(本文来源于《北京理工大学》期刊2015-01-01）
迭代卷积论文开题报告
（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：
针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。
（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。
迭代卷积论文参考文献
[1].徐凯,王崎,康培培,李振彰,刘文印.基于注意力迭代扩张卷积网络的医学实体识别[J].现代计算机.2019
[2].张力,李宝万.基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法[J].组合机床与自动化加工技术.2019
[3].李妍,金士琪,多国帅,涂春蓉,戴旭.迭代重建算法联合不同卷积核应用于冠脉双低扫描支架显示的比较研究[J].中国临床医学影像杂志.2019
[4].李妍.迭代重建算法联合不同卷积核应用于冠脉双低扫描支架显示的比较研究[D].中国医科大学.2019
[5].陈才慧.基于傅里叶变换的快速迭代收缩阈值反卷积声源识别算法研究[D].重庆大学.2018
[6].富利鹏.基于卷积神经网络的非迭代压缩感知重构算法研究[D].燕山大学.2018
[7].孙平安,祁俊,谭秋月.利用卷积神经网络改进迭代深度学习算法的图像识别方法研究[J].计算机应用研究.2019
[8].高述勇,周粉粉,符朝兴,孟含.卷积网络样本数和迭代数与识别结果关系研究[J].青岛大学学报(工程技术版).2018
[9].刘小芳,秦丽娟,李莹.模糊图像迭代盲反卷积复原[J].沈阳理工大学学报.2015
[10].郑鹏.空间通信串行级联卷积码迭代接收机高效算法设计与实现[D].北京理工大学.2015