导读:本文包含了模块化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,算法,函数,参数,力矩,神经元,不确定性。
模块化神经网络论文文献综述
陈金磊[1]（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[2]（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）
杨武俊[3]（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）
王振飞,陈金磊,郑志蕴,刘冰[4]（2019）在《面向心血管疾病的自适应模块化神经网络预测模型》一文中研究指出随着计算机科学技术的发展,将计算机技术应用在医疗方面进行疾病预测已经成为当前研究的热点.针对单一全互连前馈神经网络难以应对心血管疾病预测时的多维数据,并且参数和结构设计需要人工实验确定,泛化收敛的能力差等问题,本文提出一种自适应模块化神经网络结构模型(AMNN).首先,对训练数据集采用概率密度峰值聚类算法确定训练数据集的聚类中心,以此确定每个模块的训练样本集,然后每个模块采用训练BP神经网络算法,该算法可以利用分配来的训练样本数据自适应构建模块结构.实验结果表明,该模型相对标准的随机森林算法和传统单一全互连前馈神经预测心血管疾病准确率高,收敛速率快.(本文来源于《小型微型计算机系统》期刊2019年01期）
蒙西,乔俊飞,韩红桂[5]（2019）在《基于类脑模块化神经网络的污水处理过程关键出水参数软测量》一文中研究指出针对城市污水处理过程关键出水参数难以实时检测的问题,文中提出了一种基于类脑模块化神经网络(Brain-like modular neural network, BLMNN)的关键出水参数软测量方法.首先,基于互信息和专家知识进行任务分解,分析关键出水参数的相关变量,获取各出水参数的辅助变量.其次,通过模拟大脑皮层模块化分区结构,构建软测量子模型对各水质参数进行同步测量,降低软测量模型复杂度的同时保证了其精度.最后,通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.(本文来源于《自动化学报》期刊2019年05期）
蒙西[6]（2018）在《模块化神经网络优化设计及应用研究》一文中研究指出人工神经网络是由大量神经元相互连接,通过模拟大脑神经系统处理信息的方式,进行信息并行处理的复杂非线性系统。人脑在信息处理方面有着突出的优点,其学习、感知以及在复杂环境中做出决策的能力都是现有神经网络模型一直试图实现的。大脑的结构连接是其功能连接的基础,对脑网络结构特征的探索和模拟是实现类人信息智能处理模式的前提。模块化是大脑皮层最主要的特征之一,模块化分区的结构特征形成了大脑最基本也是最重要的组织原则——“功能分离”。大脑在处理信息时,不同的区域处理不同的信息,具有“分而治之”的特性,这种局部特性是人脑处理复杂任务和应对突变环境的核心基础。因此,模块化神经网络旨在模拟大脑皮层模块化结构特征,通过实现脑网络“分而治之”的功能特性来提高人工神经网络处理复杂信息的能力。如何构建模块化分区结构,如何设计结构精简、性能稳定以及泛化性能良好的子网络都是模块化神经网络研究领域尚待解决的关键问题和难点问题。研究模块化神经网络优化设计方法,是为了获得有效的模块化分区方法和子网络自组织设计算法。文中基于神经生理学和神经心理学研究成果,归纳、概括了人脑结构连接方式与脑式信息处理机理间的关系,将脑网络的空间模态蕴含于模块化神经网络分区结构设计中;深入分析、研究了影响子网络学习能力和泛化能力的主要因素,获得了子网络自组织动态设计方法;在分区方法和子网络设计研究基础上,获得了完备的模块化神经网络优化设计算法,所设计的模块化神经网络具有典型的类脑结构特征和类脑信息处理方式。论文的主要研究工作和创新点如下:1.模块化神经网络分区方法构建分区结构是实现“分而治之”的前提。借鉴自适应共振理论(Adaptive resonance theory,ART)良好的聚类特性,文中利用任务样本集间的相似性对输入空间进行自适应划分,进而构建模块化分区结构。此外,受启发于脑网络的结构特征,又提出一种基于密度聚类的分区方法,通过寻找每个模块的核心节点来构建分区结构。由于径向基函数(Radial basis function,RBF)神经网络与模块化神经网络在结构和功能上具有一定的相似性,因此将分区问题转换为RBF神经网络的隐含层结构设计问题,进而通过RBF神经网络的性能来验证分区方法的可行性。对非线性函数逼近和非线性动态系统辨识的仿真结果显示:两种分区方法都能根据待解决任务样本集特征自适应确定子模块规模,实现任务自动分解;其中基于密度聚类的方法能通过对脑网络结构特征的模拟有效提高分区效果。2.子网络改进型二阶学习算法子网络的学习能力是模块化神经网络学习能力的保证。文中采用由二阶梯度类算法训练的RBF神经网络作为模块化神经网络的子网络,分析了影响二阶梯度类算法收敛性能的主要因素,提出了一种RBF神经网络改进型二阶学习算法。该算法通过转化海森矩阵的计算方式和寻求合适的初始参数来提高算法的收敛性能。实验结果表明所提出的改进型二阶学习算法能够在保证学习过程收敛的同时有效提高子网络的收敛速度和学习精度。3.基于任务驱动的子网络自组织设计人工神经网络的设计目标应是以最精简的结构获取最优的学习能力和泛化性能。文中提出了一种基于任务驱动的RBF神经网络自组织设计算法,针对待处理任务,该算法能基于瞬时残差和神经元显着性自适应构建网络结构;同时,结构构建过程中确定的初始参数又能有效提高网络的收敛速度和学习精度。实验结果表明所设计的RBF神经网络具有精简的结构、较快的收敛速度以及良好的泛化性能。因此,当选用该神经网络作为子网络时,所构建模块化神经网络的结构精简性和泛化能力都能得以保证。4.类脑模块化神经网络设计模块化神经网络旨在通过模拟脑网络“模块化”结构特征和“功能分离”特性来提高神经网络处理复杂问题的能力。基于人脑结构特征和认知方式,文中提出了一种类脑模块化神经网络。首先,利用类脑模块化分区方法实现子模块规模的自适应确定以及任务的自动分解;其次,结构精简和泛化性能良好的子网络保证了整个类脑模块化神经网络的性能;最后对基准实验的仿真研究结果表明,相较于单一神经网络,类脑模块化神经网络能通过“分而治之”有效提高处理复杂问题的能力。5.污水处理过程关键出水参数软测量模型城市污水处理过程关键出水参数的检测和控制一直是该领域的难题和挑战,文中提出一种基于模块化神经网络的关键出水参数软测量方法。首先,基于互信息分析和专家知识选取模型的输入变量;然后,模拟人脑并行处理复杂任务的特性,构建不同的子模型对不同水质参数进行实时软测量;利用自组织RBF神经网络构建子模型,实际应用中能根据具体需求侧重建模精度或建模速度。仿真实验结果表明,所建立的软测量模型能快速、精准地实现对出水生化需氧量和出水总磷的同步测量。(本文来源于《北京工业大学》期刊2018-07-01）
李永,朱松青,高海涛,周英路[7]（2018）在《模块化机器人神经网络补偿计算力矩控制研究》一文中研究指出为了解决模块化机器人由于构型可变等特点导致参数不确定与非参数不确定性增大引起轨迹跟踪不理想的问题,设计神经网络补偿计算力矩复合控制器。考虑机器人参数不确定与摩擦、干扰等非参数不确定性,将动力学模型分为理想部分和不确定部分,用计算力矩法实现理想模型控制,用BRF神经网络补偿不确定部分。利用Lyapunov理论证明控制器稳定性并采用自适应算法实现神经网络权值在线自调整。最后,仿真发现使用该控制器取得良好的轨迹跟踪效果。(本文来源于《制造业自动化》期刊2018年06期）
杜琳[8]（2018）在《基于FPGA的SOM神经网络可配置模块化硬件实现方法研究》一文中研究指出学习是生物体大脑的重要功能。1981年由Kohonen教授提出的SOM神经网络模型,被广泛用于大脑自组织、自学习功能的模拟与研究。同时,它在数据降维、聚类、模式识别、数据挖掘和图像处理等领域,也取得了巨大的成功。目前,人工神经网络的实现与应用大多采用基于计算机的软件仿真方法,该方法无法真正发挥神经网络并行处理、分布存储的特点,以及自适应能力强、鲁棒性强的优势。因此,神经网络的硬件实现逐渐成为研究热点。目前,人工神经网络的硬件实现主要基于超大规模集成电路(VLSI)技术。其中,现场可编程门阵列(FPGA)由于具有丰富的硬件可编程逻辑资源、配置灵活、开发周期短、可实现并行计算等特点,被广泛用于神经网络的硬件实现。现有的基于FPGA的SOM神经网络硬件实现方法大部分为面向特定应用,网络规模固定,数据格式单一,内部的实现结构也无法按需配置,不具备通用性,难以实现高性能的人工神经网络。因此,迫切需要一种基于FPGA的、网络规模、数据范围与精度以及运算结构能够按需配置的、通用的SOM神经网络硬件实现方法。本文提出了一种基于FPGA的可配置、模块化SOM神经网络硬件实现方法。首先,综合SOM神经网络的模型结构、学习原理与算法以及FPGA硬件实现的条件与限制,将网络模型划分为结构和功能相对独立的模块;其次,采用硬件描述语言(VHDL)对各模块进行描述,完成模块数字化,形成通用的模块库;最后,在实际应用中,根据需求,通过对各模块进行组合,便能够构造出SOM神经网络的目标硬件。在构建网络的过程中,可通过对通用参数的设置与传递,完成对网络规模、数据范围与精度和运算结构的灵活配置。为验证该方法的有效性,本文构建了用于数字识别的硬件SOM神经网络测试系统。该系统由基于MATLAB GUI的上位机设置界面和基于FPGA开发板的下位机组成。通过对网络功能和性能的测试表明,本文所提出的SOM神经网络的硬件实现方法具有灵活的网络规模、数据格式和运算结构可配置能力,可实现资源占用与运行速度的优化设计。系统运行速度的测试结果表明,相对于软件实现方法,硬件实现的SOM神经网络具有较高的运行速度,能够满足高速、小型化智能信息处理系统的应用需求。本文为SOM神经网络应用提供新的方法,也可为其他类型人工神经网络的硬件实现提供了有价值的借鉴。(本文来源于《东北师范大学》期刊2018-05-01）
孟彦杰,査剑锋,陈元非,徐孟强[9]（2018）在《基于模块化神经网络的地表移动边界角预计》一文中研究指出地表移动边界角是确定地表移动盆地的重要参数。利用粗糙集理论对边界角影响因素进行筛选,结合模块化神经网络建立边界角的预计模型。收集了116个地表移动观测站的数据,并将15个影响因素约简到9个,利用其中的100组数据对网络进行训练,其余16组数据作为检验样本。结果表明,利用粗糙集理论约简后的因素建立的模块化神经网络模型精度最高。(本文来源于《煤炭技术》期刊2018年03期）
张辉[10]（2018）在《基于模块化神经网络模型的高等学校资产管理绩效综合评价》一文中研究指出对75所高校提供的各指标原始数据,通过层次分析法确定各评价指标权重、建立模块化神经网络模型、并利用交叉验证法挑选模型,对75所高校进行资产管理绩效综合评价,并与单一神经网络模型的正确率进行比较,发现模块化神经网络模型正确率较高,且模型结果合理。(本文来源于《现代计算机(专业版)》期刊2018年06期）
模块化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：
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。
（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。
模块化神经网络论文参考文献
[1].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
[2].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
[3].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
[4].王振飞,陈金磊,郑志蕴,刘冰.面向心血管疾病的自适应模块化神经网络预测模型[J].小型微型计算机系统.2019
[5].蒙西,乔俊飞,韩红桂.基于类脑模块化神经网络的污水处理过程关键出水参数软测量[J].自动化学报.2019
[6].蒙西.模块化神经网络优化设计及应用研究[D].北京工业大学.2018
[7].李永,朱松青,高海涛,周英路.模块化机器人神经网络补偿计算力矩控制研究[J].制造业自动化.2018
[8].杜琳.基于FPGA的SOM神经网络可配置模块化硬件实现方法研究[D].东北师范大学.2018
[9].孟彦杰,査剑锋,陈元非,徐孟强.基于模块化神经网络的地表移动边界角预计[J].煤炭技术.2018
[10].张辉.基于模块化神经网络模型的高等学校资产管理绩效综合评价[J].现代计算机(专业版).2018
论文知识图
