导读:本文包含了前馈神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,深度,可编程,网络,门阵列,单元,卷积。
前馈神经网络论文文献综述
张巧力,刘福臣[1]（2019）在《基于前馈神经网络的水下目标被动定位方法研究》一文中研究指出0引言随着大数据和人工智能技术崛起,以深度学习为代表的数据驱动方法广泛应用于各个领域,在水声领域的应用也获得了广泛关注[1-3]。2017年H.Q.Niu等人将前馈神经网络应用于水下目标定位,将定位问题转化为分类问题,取得了不错的定位效果[1-2]。本文通过构建不同的训练集(含验证集)来训练前馈神经网络,研究训练样本对FFNN定位性能的影响。1前馈神经网络分类器假设窄带声源中心频率为250Hz,深度为55m,(本文来源于《2019年全国声学大会论文集》期刊2019-09-21）
冯文英,郭晓博,何原野,薛聪[2]（2019）在《基于前馈神经网络的入侵检测模型》一文中研究指出由于入侵行为特征多样、网络环境复杂,导致基于深度学习的入侵检测方法容易出现模型复杂、灵活性差等问题。为此,文章提出基于前馈神经网络的入侵检测模型SFID,通过逐层削减神经元数量,整体化解决特征抽取和入侵分类问题,从而降低了入侵检测模型的训练复杂度。通过实验验证,模型在正确率相当的情况下比S-NDAE模型训练效率明显提高。(本文来源于《信息网络安全》期刊2019年09期）
杨风开,杨红亮,程素霞[3]（2019）在《音圈电机定位的神经网络PID前馈控制方法》一文中研究指出根据摄像头模组封装生产定位的控制特点,分析了音圈电机定位系统的数学模型,提出了音圈电机定位的神经网络PID前馈控制模型,利用BP神经网络在线自整定PID参数。为弥补BP神经网络的不足,对BP神经网络算法进行了改进。将所提出的模型用于摄像头模组校正装置上,实验和应用结果表明,所提出的控制模型具有较高的定位精度、较快的调节速度,能够满足提高生产效率的实际需要,可以应用于电子产品封装等类似工程领域。(本文来源于《电气传动》期刊2019年08期）
闻辉,严涛,李同彬,陈德礼[4]（2019）在《典型前馈神经网络的研究现状与分析》一文中研究指出本文以典型前馈神经网络中的BP神经网络、RBF网络与ELM网络为代表,介绍了几种网络的特点及研究现状,分析了几种网络今后的研究方向。(本文来源于《科技风》期刊2019年17期）
李炎[5]（2019）在《前馈神经网络和粒子群优化算法的FPGA设计与实现》一文中研究指出人工神经网络(Artificial Neural Networks)是机器学习的一个分支,它是一种模仿生物行为特征的生物神经网络结构的数学模型。深度学习是在神经网络的基础上发展而来的一种新的学习算法,其基本结构是深度神经网络。粒子群优化算法(PSO)是一种群体智能算法,可以对目标进行优化。针对目前软件实现的前馈神经网络和粒子群优化算法存在的一些局限性(功耗、耗时和成本),本论文给出了一种基于FPGA实现的前馈神经网络和粒子群优化算法的方法,其结构上实现并行、流水线设计、模块化设计,使得基于FPGA实现的神经网络和PSO算法功耗更低、耗时更短、计算效率更高。本论文用FPGA设计与实现的前馈神经网络与粒子群优化算法的方案主要贡献包括以下几点。(1)研究了用FPGA设计与实现BP神经网络的逻辑结构,其中采用模块化编程,根据算法的原理设计电路结构,使得电路更加具有可移植性和可重配置性。系统设计中输入层模块到隐含层模块和隐含层模块到输出层模块多采用流水线结构,可以在一个时钟周期下完成多个操作。隐含层模块、输出层模块和权值、阈值更新模块的数据计算实现并行,使得用FPGA设计的BP神经网络功耗更低、耗时更短和计算效率更高。(2)研究了用FPGA设计与实现卷积神经网络的逻辑结构。用FPGA实现的卷积神经网络同样采用模块化的思想,可以便捷的改变网络结构,即增加或减少层数。设计中卷积层模块到池化层模块、池化层模块到全连接层模块实现流水线操作,卷积层模块、池化层模块和全连接层模块层内实现并行,加快了卷积神经网络的计算。(3)研究了用FPGA设计与实现PSO算法的逻辑结构,PSO算法的FPGA设计与实现同样使用模块化的设计,根据粒子的规模,并行产生该规模的粒子数据,并行计算粒子的适应度,这样极大地缩短了计算时间,使得PSO算法在硬件上实现更加具有优势。本论文给出了一种基于FPGA实现的前馈神经网络与PSO算法的设计方案并在硬件上验证了该方案。实现的前馈神经网络和PSO算法具有可移植性、并行性、流水线操作,能够方便的移植到其他网络。相较于用软件(MATLAB)实现的前馈神经网络和PSO算法而言,用FPGA实现其资源更少、功耗更低、耗时更短、计算效率更高和实时性更强。(本文来源于《湖南师范大学》期刊2019-05-01）
凌青华[6]（2019）在《基于粒子群优化的随机前馈神经网络的研究》一文中研究指出相对于基于梯度学习的前馈神经网络,随机前馈神经网络(RFNN,Random Feedforward Neural Network)具有更快的学习速度和良好的泛化性能,近年来得到了深入研究与广泛应用。因随机设置网络输入层权值和隐单元阈值,RFNN存在两个主要缺陷:(1)相对于基于梯度学习的前馈神经网络,RFNN需要更多的隐层神经元,增加了网络复杂性,导致网络泛化性能降低。(2)非最优或非近似最优的网络输入层权值和隐单元阈值会使RFNN输出层权值非最优或非近似最优,从而降低网络的泛化性能。因此,优选合适的网络输入层权值和隐单元阈值是提高RFNN性能的关键。相对于其它启发式优化算法,粒子群优化(PSO,Particle Swarm Optimization)算法需要调整的参数少,无复杂的进化操作,实现简单,只需较小的演化群体,在很多非线性优化问题方面都取得了良好的效果。因此,为克服因随机设置网络输入层权值和隐单元阈值所带来的缺陷,本文运用PSO分别对单隐层RFNN、集成RFNN和深度RFNN进行优化,在提高这叁类网络性能的同时降低它们的复杂度。本文研究为前馈神经网络性能的提高和群智能优化算法的改进提供了新的思路,主要工作包括:1.针对RFNN因随机设置输入层网络权值和隐单元阈值而导致网络的隐层神经元数目过多、泛化性能不高,提出了一类运用PSO编码网络输入输出灵敏度信息优化单隐层RFNN学习方法(PSOIOS-ELM)。该方法在运用PSO对网络的输入层网络权值和隐单元阈值进行优化时,根据网络在训练样本集上的输入输出灵敏度信息,调整各粒子的个体历史最优位置和种群的全局最优粒子位置,在提高算法收敛精度的前提下,降低网络的输入输出灵敏度。PSOIOS-ELM方法通过合理降低网络的输入输出灵敏度,有效减少隐单元的数目、增加网络的鲁棒性、提高网络条件性能和泛化性能。在多个回归和分类问题上的实验结果验证了所提出方法的有效性。2.为了克服传统集成RFNN的缺陷,提出了一类基于双重优化策略的集成随机前馈神经网络优化学习方法(DO-EOBELM),包括备选RFNN库的生成、成员RFNN的选择与集成、冗余成员RFNN的剔除。为了提高备选RFNN的差异性,该方法首先利用生成正交基的方法产生相互正交的RFNN集合,并从中筛选低输入输出灵敏度RFNN建立备选RFNN库;其次,在综合考虑集成系统的分类性能和差异性的基础上,利用吸引排斥粒子群优化(ARPSO,Attractive and Repulsive Particle Swarm Optimization)算法从备选RFNN库中筛选成员组成集成系统;再次,利用ARPSO对各成员RFNN集成权值进行优化;最后,根据集成权值大小剔除集成系统中冗余的成员RFNN,在保证集成系统收敛性能的基础上提高其紧凑性。在函数回归、基准数据分类和基因表达谱数据分类等问题上的实验结果表明,DO-EOBELM方法能够构建网络结构更为紧凑、泛化性能更优的集成随机前馈神经网络系统。3.针对传统深度RFNN因随机设置各隐层对应的自动编码器参数,而使其性能受到影响,提出了一类基于PSO的深度随机前馈神经网络优化学习方法(PSO-ML-ELM)。该方法首先利用PSO耦合网络的输入输出灵敏度信息,对各隐层对应的自动编码器的输入层权值和隐单元阈值进行优化,从而通过改善各个自动编码器的性能来改善深度随机前馈神经网络的性能。然后利用PSO对整个深度随机网络的权值做简单优化,进一步提高深度随机前馈神经网络的性能。在不同的数据集上的实验结果表明PSO-ML-ELM方法在时间开销和泛化性能方面有较好的平衡。4.对方法PSOIOS-ELM和DO-EOBELM分别进行了理论分析。针对方法PSOIOS-ELM中输入输出灵敏度函数计算量较大的问题,根据网络隐单元激活函数的导数函数的单调性情况,推导出几类简化的网络输入输出灵敏度函数,在保证网络泛化性能的基础上降低了网络的训练开销。针对方法DO-EOBELM中剔除集成系统中冗余的子网络时,阈值难以确定的问题,论文在分类问题上给出了理论分析,为相应阈值的确定提供了理论指导。(本文来源于《江苏大学》期刊2019-04-18）
刘斌,李立欣,李静[7]（2019）在《一种改进的基于深度前馈神经网络的极化码BP译码算法》一文中研究指出近年来高性能和低复杂度的信道译码算法一直是5G移动通信的核心技术之一,深度学习方法因在译码性能方面表现突出已成为研究热点。基于深度神经网络的极化码译码器使用多尺度置信传播算法可以得到较低复杂度和延迟性能,但其译码性能依旧有待提高。在多尺度置信传播译码算法的基础上提出了一种具有多偏移因子的最小和极化码译码算法,通过使用交叉熵损失函数与提出的交叉熵多损失函数对深度神经网络译码器进行训练,生成的深度神经网络译码器可以降低复杂度和时延,显着提高译码性能。(本文来源于《移动通信》期刊2019年04期）
王子昊[8]（2019）在《基于前馈神经网络控制优化城镇污水处理厂生化单元性能研究》一文中研究指出活性污泥法自20世纪初发明以来,已成为国内外城镇污水处理厂的核心工艺,并研发了 A2/O、SBR等大量的衍生工艺,但仍存在出水不稳定、自动化水平低等问题。据调查,溶解氧(DO)是目前我国城镇污水处理厂生化单元的主要监测与调控指标,研究者普遍认为其与生化单元去污性能显着相关,但实际运行过程暴露出监测准确性低、调控精确性差等突出问题,严重制约污水生物处理过程的控制效果与污染物去除性能。因此,有必要研发高效适用的城镇污水处理厂生化单元智能控制技术,以期实现城镇污水处理厂稳定运行与节能降耗。论文针对城镇污水处理厂生化单元DO控制难、总氮(TN)去除低、出水不稳定等问题,应用前馈神经网络模拟方法,以缺氧/好氧停留时间比、表面气速为主要输入参数开展污水厂生化处理过程仿真模型的可行性分析,通过扩大参数取值范围、优化神经网络算法获得具有最优工况选择能力的生化处理仿真模型,进而基于城镇污水处理厂生化单元实际运行数据分析证实其在节能增效方面的应用潜力。取得的主要研究结果如下:1.基于序批式活性污泥体系(SBR)中DO与缺氧/好氧停留时间比、表面气速的良好相关性,研究缺氧/好氧停留时间比、表面气速为控制变量对系统脱氮性能的影响。结果表明,在运行周期为4h的SBR体系,缺氧段时间由0min增至60 min后,TN去除率由50.1 ±5.5%增至64.0±1.2%;但缺氧时间过长(150 min)时,体系氨氮(NH4+-N)去除率仅为73.89%,TN去除率降至56.3%。同时,当表面气速从2.0 cm/s降至1.0 cm/s时,TN去除率由64.0±1.7%提升至68.1±1.9%,但当表面气速低于0.6 cm/s时,体系DO小于2.0 mg/L,污泥活性受抑制。在此基础上,通过124组有效实验数据构建了 6-8-1结构的前馈神经网络模型,获得了训练集、全集拟合度分别为0.9197、0.8634的较优训练结果,表明以实际工程可控参数(缺氧/好氧停留时间比、表面气速等)代替DO作为前馈神经网络输入参数,构建的生化反应过程仿真模型具有应用可行性。2.通过生化反应过程缺氧/好氧停留时间比、表面气速、进水方式等关键参数取值补充试验扩增了 102组样本数据,采用Levenberg-Marquardt算法、贝叶斯正则化、量化共轭梯度法等叁种优化算法对生化反应过程仿真模型进行优化。结果表明,量化共轭梯度法的训练步数合理(156步)、训练时长最短(<<1s)、拟合程度最高(0.93),避免了梯度下降过程存在的过拟合、收敛慢或极值点附近振荡等问题,是仿真模型的首选算法。基于此仿真模型与预设限制条件,通过遍历搜索确定最优运行参数为:缺氧段时长50 min、表面气速0.6 cm/s、缺氧段前100%进水,在此条件下运行的SBR工艺TN去除率高达77.3±2.4%,明显优于对照组的55.2±3.0%,表明量化共轭梯度法训练的前馈神经网络模型具有生化反应过程最优参数的选择能力,可为污水处理过程智能控制提供依据。3.系统分析浙江某城镇污水处理厂为期一年的7938组有效运行数据发现,其在应对日常进水有机负荷(OLR)上升时,采取风机风量增大措施往往发生在进水COD激增5-10h内(平均7.067h),而厌氧/缺氧段HRT仅为5h,认为其中存在的2 h调控滞后期对污水厂生化单元稳定运行具有较大影响,同时存在风量短时多次调整、控制精度低等问题。为此,应用前期研究获得的量化共轭梯度法训练前馈神经网络模型,研究其对污水厂生化单元实际运行数据的拟合情况。结果表明,以污水厂进水COD、TN、pH、流量等为输入信号,对采集数据进行归一化与比因子调整,获得相关系数为0.7951的量化共轭梯度神经网络风机风量仿真模型(风机开停控制缺氧/好氧停留时间比、风机风量控制表面气速)。进一步通过2h调控滞后期移除优化仿真模型,其拟合度提高至0.8638,基于风机风量优化选择可加快系统响应速度、降低风机电力成本(9.32%)。综合分析认为,开发的量化共轭梯度神经网络仿真模型对城镇污水处理厂生化单元具有较优工况选择能力与节能增效应用潜力,以风机风量代替DO作为调控对象有助于实现城镇污水处理厂生化单元智能在线控制与出水稳定达标。(本文来源于《浙江大学》期刊2019-03-01）
郭一鸣,彭华,杨勇[9]（2019）在《基于前馈神经网络的非合作PCMA信号盲分离算法》一文中研究指出针对非合作接收PCMA混合信号盲分离中高复杂度束缚,提出一种基于前馈神经网络的分离算法,通过搭建神经网络分离平台,规避传统的发送符号遍历思想,实现PCMA混合信号低复杂度高性能盲分离.仿真实验表明,神经网络能够极大挖掘信号内在信息,针对QPSK调制PCMA混合信号,在信噪比7dB时误比特率达到10~(-3)数量级,并伴随着较PSP分离算法算术平方根级别的复杂度降低.(本文来源于《电子学报》期刊2019年02期）
秦子实[10]（2019）在《基于前馈神经网络的试验数据拟合实践》一文中研究指出在材料试验过程中,由于每组试验价格较为昂贵,且采集到的试验数据存在环境噪音,这种状况使得能够获得的数据较少,且数据存在一定的误差。因此,在处理试验结果时,需要一种能够通过少量数据拟合一定区间内所有试验变量对应结果的算法。该场景对算法的实时性要求较低,而对算法拟合结果要求较高,此外,由于试验数据可能存在的误差,对拟合算法的数据容错性也有较高要求。本文将采用全连接前馈神经网络,直接在试验原始数据上进行拟合,通过梯度下降算法迭代提高拟合效果,最终获得收敛的拟合结果。(本文来源于《电脑知识与技术》期刊2019年04期）
前馈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：
由于入侵行为特征多样、网络环境复杂,导致基于深度学习的入侵检测方法容易出现模型复杂、灵活性差等问题。为此,文章提出基于前馈神经网络的入侵检测模型SFID,通过逐层削减神经元数量,整体化解决特征抽取和入侵分类问题,从而降低了入侵检测模型的训练复杂度。通过实验验证,模型在正确率相当的情况下比S-NDAE模型训练效率明显提高。
（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。
前馈神经网络论文参考文献
[1].张巧力,刘福臣.基于前馈神经网络的水下目标被动定位方法研究[C].2019年全国声学大会论文集.2019
[2].冯文英,郭晓博,何原野,薛聪.基于前馈神经网络的入侵检测模型[J].信息网络安全.2019
[3].杨风开,杨红亮,程素霞.音圈电机定位的神经网络PID前馈控制方法[J].电气传动.2019
[4].闻辉,严涛,李同彬,陈德礼.典型前馈神经网络的研究现状与分析[J].科技风.2019
[5].李炎.前馈神经网络和粒子群优化算法的FPGA设计与实现[D].湖南师范大学.2019
[6].凌青华.基于粒子群优化的随机前馈神经网络的研究[D].江苏大学.2019
[7].刘斌,李立欣,李静.一种改进的基于深度前馈神经网络的极化码BP译码算法[J].移动通信.2019
[8].王子昊.基于前馈神经网络控制优化城镇污水处理厂生化单元性能研究[D].浙江大学.2019
[9].郭一鸣,彭华,杨勇.基于前馈神经网络的非合作PCMA信号盲分离算法[J].电子学报.2019
[10].秦子实.基于前馈神经网络的试验数据拟合实践[J].电脑知识与技术.2019
论文知识图
