导读:本文包含了融合权重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:权重,神经网络,卷积,深度,注意力,张量,时空。
融合权重论文文献综述
蒋宗礼,陈浩强,张津丽[1]（2019）在《基于融合元路径权重的异质网络表征学习》一文中研究指出针对基于单条元路径的异质网络表征缺失异质信息网络中结构信息及其它元路径语义信息的问题,本文提出了基于融合元路径权重的异质网络表征学习方法.该方法对异质信息网络中元路径集合进行权重学习,进而对基于不同元路径的低维表征进行加权融合,得到融合不同元路径语义信息的异质网络表征.实验结果表明,基于融合元路径权重的异质网络表征学习具有良好的表征学习能力,可有效应用于数据挖掘.(本文来源于《计算机系统应用》期刊2019年12期）
汪涛,潘芳,潘郁,朱晓峰[2]（2019）在《一种融合时间权重的张量分解标签推荐模型》一文中研究指出在针对用户标签的个性化推荐中,为解决因热门标签和资源所导致的标签推荐准确性不足的问题,文章提出了一种融合时间权重的张量分解模型,通过对用户标注标签事件的时间信息建模,计算时间权重,再将权重融入张量分解模型,最后利用分解后的特征向量进行推荐。基于Bibsonomy和LastFM数据集进行的实验结果表明,算法在准确率-召回率和F1指标上均高于其他流行标签推荐模型。通过时间权重的引入,构建融合时间权重的张量分解标签推荐模型,对个性化标签推荐的准确性有较好的提升。(本文来源于《统计与决策》期刊2019年21期）
王宪莲,安凤平[3]（2019）在《基于权重初始化-多层卷积神经网络滑动窗口融合的高等教育办学规模预测算法》一文中研究指出高等教育办学规模预测主要有自回归法、支持向量机法等;这些具体方法在探索高等教育办学规模方面都取得了一定成果。但都不能较好地揭示高等教育办学规模的演化规律。鉴于此,本文引入深度学习模型对高等教育办学规模进行建模并预测。本文首先从网络优化角度出发,通过优化方法提高网络的非线性建模能力,提出了一种新的网络权重初始化方法,增加了神经网络处理不同视觉任务的潜力。同时,本文提出了适合高等教育办学规模数据演化规律的异构多列卷积神经网络。最后,利用本文提出的自适应的滑动窗口融合机制完成高等教育办学规模预测。利用本文方法对某区域高等教育办学规模进行实例分析,结果表明,本文所提方法能够较好地给出相应演化规律。(本文来源于《信息技术与信息化》期刊2019年10期）
韩佳林,王琦琦,杨国威,陈隽,王以忠[4]（2019）在《融合权重与卷积核删减的SSD网络压缩》一文中研究指出目标检测是计算机视觉领域中重要的研究方向。近几年,深度学习在基于视频的目标检测领域取得了突破性研究进展。深度学习强大的特征学习和特征表达能力,使其能够自动学习和提取相关特征并加以利用。然而,复杂的网络结构使得深度学习模型具有参数规模大、计算需求高、占用存储空间大等问题。基于深度神经网络的单发多框检测器(Single-shot Multi-box Detector 300,SSD300)能够对视频中的目标进行实时检测,但无法移植到嵌入式设备或移动终端以满足实际应用中的需求。为了解决该问题,文中提出了一种权重删减和卷积核删减融合的方法。首先,针对深度卷积神经网络模型权重参数过多导致模型过大的问题,采用权重删减的方法移除各卷积层中的冗余权重,确定各层权重的稀疏度;然后,针对卷积层计算量大的问题,根据各卷积层中的权重稀疏度对冗余卷积核进行删减,以减少冗余参数和计算量;最后,对删减后的神经网络进行训练,以恢复其检测精度。为验证该方法的有效性,在卷积神经网络框架caffe平台上对SSD网络模型进行验证。结果表明,压缩加速后的SSD300网络模型的大小为12.5 MB,检测速度最高可达50 FPS (frames per second)。实验实现了在网络检测准确率下降尽量小的前提下,将SSD300网络压缩了8.4×,加速了2×。权重删减和卷积核删减融合的方法为SSD300网络在视频检测中的智能化应用提供了可行性方案。(本文来源于《计算机科学》期刊2019年11期）
康小兵,李科,朱志强,刘庆贺,刘希[5]（2019）在《基于融合权重的云模型在西昌某地区地下水水质评价中的应用》一文中研究指出准确的评价地下水质量是地区居民饮水安全的重要保证。针对地下水水质评价中的模糊性和随机性,考虑到评价过程中权重的重要性,建立基于AHP-CRITIC博弈论组合赋权的云模型水质评价体系,结合西昌市某地区进行实例对比分析,结果表明该评价体系具备实用性。同时,针对评价过程中所发现的问题,即单一超标污染物受到其他指标极小值的影响导致正态云模型评价结果出现失真,提出在云特征参数选取过程中加入各项指标实测数据值,主观消除评价结果误差性。(本文来源于《节水灌溉》期刊2019年07期）
孙红权[6]（2019）在《基于融合权重的低碳装修施工管理TOPSIS评价模型》一文中研究指出为了评价在低碳装修中施工管理的合理性和科学性,建立了一种基于融合权重的逼近理想解排序法(TOPSIS)评价模型。从施工组织管理、施工质量管理、施工过程管理和评估管理4个方面选取了9个施工管理评价指标,再结合专家意见和工程经验确定低碳装饰装修施工管理等级判断准则,同时采用层次分析法和变异系数法分别求得指标权重,然后将二者融合获得指标的融合权重,既能反映主观经验的判断,又能包含指标的客观信息,进而结合TOPSIS法计算贴近度确定施工管理等级。运用该评价模型运用于A、B、C 3个低碳装修工程的施工管理过程,确定A、C为III级,B为II级,结果与工程实际情况相一致,且与集对分析法评价结果相吻合。该模型具有较高的可行性,评价结果合理、科学,可推广至各类施工管理评价中。(本文来源于《科技通报》期刊2019年06期）
王广龙,田杰,朱文杰,方丹[7]（2019）在《特征融合和自适应权重更新相结合的运动模糊目标跟踪》一文中研究指出针对目标跟踪任务中由于摄像机或目标运动而产生的目标模糊问题,基于ECO_HC算法提出了方向梯度-色度饱和度直方图(Histogram of Oriented Gradient and Hue Saturation,HOGHS)和Zernike矩特征相结合的运动模糊目标跟踪算法。首先,结合fHOG和颜色构造了HOGHS特征,介绍了Zernike矩性质,并结合HOGHS和Zernike矩实现了目标的特征表达;然后,提出了一种兼顾定位精度与鲁棒性的响应图质量评估方法,并基于该方法实现了HOGHS和Zernike矩特征权重的自适应融合。将本文算法与其他四种先进跟踪算法在OTB-100测评集运动模糊图像序列中进行验证,本文算法的精确度与成功率分别为0.849与0.827,帧率达38.4frame/s,同等条件下,本文算法较在VOT-2016上表现优秀的ECO_HC于Pre-20和AUC指标上分别提升了2.3%与2.4%。实验结果表明本文算法能够有效地完成运动模糊目标跟踪任务。(本文来源于《光学精密工程》期刊2019年05期）
董世元,张文娟,许君一[8]（2019）在《基于权重滤波的时空融合算法对比分析》一文中研究指出多源遥感数据时空融合技术可生成高空间高时间分辨率的图像数据,有效解决了遥感应用中的遥感图像"时空矛盾"问题。ESTARFM和STNLFFM是目前常用的两种基于权重滤波的时空融合模型,本文对上述方法进行了对比分析,为模型选择提供依据。通过两组不同地表覆盖类型变化的实验,开展了模型精度对比分析,结果表明:当地表覆盖物时相变化属于物候变化时,两种算法融合结果均能还原出较为丰富的空间细节信息,且算法融合精度差异较小,效果相当;而当地表覆盖类型发生较大突变时,两种算法融合结果空间细节信息还原较少,同时,相比于ESTARFM,STNLFFM融合结果能够获取较高精度。(本文来源于《北京测绘》期刊2019年04期）
Ahsan,Khadim[9]（2019）在《融合特征权重计算方法的短文本技术研究》一文中研究指出文本分类是自然语言处理(NLP)应用中的基本任务之一。卷积神经网络(CNN)广泛用于NLP任务。然而,应用卷积神经网络进行文本分类忽略了文本分类类别中词语的区分能力。特征权重计算方法广泛用于数据检索和文本分类模型。最近,有研究者提出了一种有监督的特征权重计算方法,用来选择文本中对文本分类类别具有高区分能力的那些词。为了改进基于CNN的文本分类,我们引入了一种特征权重计算方法来改进基于CNN的文本分类。具体说来,我们使用两个单独的模型来进行文本分类任务。一种是使用特征权重计算方法来选择具有高类别区分度的单词,然后使用它们来表示文本。另一个是使用卷积神网络从新文本表示中提取特征并进行分类。我们在数据集Reuters-21578上进行了文本分类的实验。通过使用这种方法,我们提高了句子的准确性。(本文来源于《华南理工大学》期刊2019-04-25）
武婷,曹春萍[10]（2019）在《融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型》一文中研究指出针对传统的基于注意力机制的神经网络模型不能对方面特征和情感信息进行有效关注,以及不同距离或不同方向的上下文词对方面词的情感极性判断有不同的贡献等问题,提出一种融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型(LWAOA-LSTM)。首先,为词向量加入位置权重信息;然后,使用长短期记忆(LSTM)网络同时对方面和句子进行建模以生成方面表示和句子表示,同时通过注意力交叉注意力模块共同学习方面和句子的表示以获得方面到文本和文本到方面的交互关注,并自动关注句子中的重要部分;最后,在景点、餐饮、住宿不同主题数据集上进行实验,验证了该模型对方面情感分析的准确性。实验结果表明,所提模型在景点、餐饮、住宿主题数据集上的准确率分别达到78. 3%、80. 6%和82. 1%,取得了比传统LSTM网络模型更好的效果。(本文来源于《计算机应用》期刊2019年08期）
融合权重论文开题报告
（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：
在针对用户标签的个性化推荐中,为解决因热门标签和资源所导致的标签推荐准确性不足的问题,文章提出了一种融合时间权重的张量分解模型,通过对用户标注标签事件的时间信息建模,计算时间权重,再将权重融入张量分解模型,最后利用分解后的特征向量进行推荐。基于Bibsonomy和LastFM数据集进行的实验结果表明,算法在准确率-召回率和F1指标上均高于其他流行标签推荐模型。通过时间权重的引入,构建融合时间权重的张量分解标签推荐模型,对个性化标签推荐的准确性有较好的提升。
（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。
融合权重论文参考文献
[1].蒋宗礼,陈浩强,张津丽.基于融合元路径权重的异质网络表征学习[J].计算机系统应用.2019
[2].汪涛,潘芳,潘郁,朱晓峰.一种融合时间权重的张量分解标签推荐模型[J].统计与决策.2019
[3].王宪莲,安凤平.基于权重初始化-多层卷积神经网络滑动窗口融合的高等教育办学规模预测算法[J].信息技术与信息化.2019
[4].韩佳林,王琦琦,杨国威,陈隽,王以忠.融合权重与卷积核删减的SSD网络压缩[J].计算机科学.2019
[5].康小兵,李科,朱志强,刘庆贺,刘希.基于融合权重的云模型在西昌某地区地下水水质评价中的应用[J].节水灌溉.2019
[6].孙红权.基于融合权重的低碳装修施工管理TOPSIS评价模型[J].科技通报.2019
[7].王广龙,田杰,朱文杰,方丹.特征融合和自适应权重更新相结合的运动模糊目标跟踪[J].光学精密工程.2019
[8].董世元,张文娟,许君一.基于权重滤波的时空融合算法对比分析[J].北京测绘.2019
[9].Ahsan,Khadim.融合特征权重计算方法的短文本技术研究[D].华南理工大学.2019
[10].武婷,曹春萍.融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型[J].计算机应用.2019
论文知识图
