导读:本文包含了演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,无源,算法,卡尔,卷积,深度,航迹。
演化神经网络论文文献综述
王彤,刘丙泉[1]（2019）在《中国省域低碳经济绩效演化路径研究——基于数据包络分析-BP神经网络模型》一文中研究指出文章将统一技术前沿的序列DEA与BP神经网络结合构建中国省域低碳经济发展的分层-分类-预测叁阶段模型,实现对低碳经济绩效的评价,并以此为基础规划低碳经济效率的动态发展路径,以实现逐步改进。结果表明:不同省份由于经济发展、资源禀赋等的差异,低碳经济效率改进能力参差不齐,根据各省低碳经济能力设定增量改进目标促使其完成逐步改进更易实现,尤其是目前效率水平较低的省份;为各个省级区域规划有效量化路径以实现《"十叁五"规划》提出的GDP碳强度目标并针对各个层级分别提出合理化建议。(本文来源于《价值工程》期刊2019年18期）
杨瑞嘉[2]（2019）在《基于演化算法的神经网络黑箱攻击方法》一文中研究指出一、相关介绍目前,人工智能技术发展火热,其中离不开神经网络的快速崛起。作为目前在计算机视觉、强化学习、自然语言处理、语音识别等领域效果最佳的机器学习模型,神经网络以其强大的特征提取能力、数据拟合能力而着称。相比传统机器学习方法,神经网络不需要手工选择特征,其自组织、自学习的特点,更能够帮助模型捕捉到各类高维数据中隐含着的潜在规律。并且,越来越多的智能应用开始逐渐落地,例如智能驾驶系统(本文来源于《电子世界》期刊2019年06期）
杨俊岭,周宇,王维佳,李向阳[3]（2018）在《基于演化深度神经网络的无人机协同无源定位动态航迹规划》一文中研究指出针对多无人机在无源定位过程中协同动态规划航迹提高定位精度问题,提出基于演化深度神经网络的分布式动态航迹优化方法。首先将演化计算与深层前向反馈神经网络结合,设计基于演化神经网络的无人机协同无源定位动态航迹规划框架。以多无人机到达角(AOA)协同定位为例,利用定位过程中对目标估计的克拉美罗界(CRLB)生成最优训练集。通过无人机下一时刻与目标形成的相对构型作为系统学习的行为,从而得到下一时刻优化后的航迹点。实验结果表明,该方法相对于传统中心控制的无人机协同定位方法,具有更低的处理延时,能够以更短时间达到定位精度。(本文来源于《科技导报》期刊2018年24期）
刘嘉[4]（2018）在《多目标演化深度神经网络模型与应用》一文中研究指出人工神经网络是一种通过模拟大脑神经元及其连接结构实现各种数据处理与学习问题的计算智能方法。随着大数据的发展以及计算机计算能力的增加,深度神经网络作为一种层次更深、结构更加复杂、建模能力更优的机器学习方法,在各种大数据的处理问题中取得了突破性的成果,特别是在遥感影像处理问题中发挥了巨大的作用。遥感影像存在维度高、冗余度高、非结构化等难点,而深度神经网络具有特征深度抽象、自主表示学习、高效建模等特点,因此很适合于处理遥感影像。本文首先针对深度神经网络中的建模与优化问题进行了深入研究,利用多目标优化和演化算法求解建模与优化中的稀疏问题,然后针对遥感影像,利用深度神经网络解决遥感影像变化检测中的各种问题,概括如下:(1)针对无监督稀疏表示学习中稀疏度与表示能力难以平衡的问题,将无监督表示学习问题建模为多目标问题。将网络的表示能力与特征稀疏度分别建模为两个目标函数,通过同时求解两个目标,得到一系列不同折中的解。由于网络规模较大,我们基于差分进化设计了一种高效求解该多目标问题的优化方法,最终得到能够对网络表示能力与稀疏度之间较好平衡的解。实验表明,我们提出的优化方法高效准确,所得到的稀疏特征能较好表示输入数据同时去除冗余信息,提升网络的分类性能。(2)在深度神经网络连接结构优化问题中,同样存在网络表示能力与连接稀疏度的平衡问题。为降低计算成本,我们将网络结构优化直接建模为多目标优化问题而无需考虑网络连接权重和偏置。我们基于数据特点对演化算法进行改进来求解该多目标问题。通过逐层优化,得到能较好表示输入数据的网络结构,最后通过反向传播算法优化网络权重与偏置。实验表明,该网络结构在全连接以及卷积神经网络上都能够提升网络性能并优于对比的网络结构优化算法。(3)在以上模型的基础上,利用深度神经网络求解遥感影像变化检测问题。无监督稀疏表示学习可以有效去除图像冗余信息,学习图像结构化特征,因此对雷达图像中出现的斑点噪声有很好的鲁棒性。稀疏的网络结构可以提升网络的泛化能力,有效缓解遥感影像中普遍存在的相对小样本问题,同时网络结构适应数据结构,有效提升变化检测精度。(4)基于深度神经网络强大的学习能力,我们针对多源异质遥感影像变化检测问题提出相应的解决方法。变化检测问题大部分都是针对同源图像,即参与检测的多时图像来自于同一个或同一类型的成像传感器,因此可以直接进行比较。多源异质遥感影像是来源于不同成像传感器且数据结构差异很大的多时图像,变化检测十分困难。目前方法不多且大部分基于有监督学习,这在实际应用中较难实现。我们针对数据结构的不同,设计了一种双边耦合网络并建立相应的目标函数。通过最小化未变化区域的耦合误差来突出变化区域,实现多源异质遥感影像的变化检测。实验表明,该网络模型对同源及多源异质图像都能够实现精确检测。(5)图像变化检测问题基本上都是针对已配准图像,即多时图像上同一位置的像素点或物体在地理位置上也是相同的,因此可以很方便地进行比较,而在很多情况下配准算法并不能对多时图像进行精确配准,如在不同角度拍摄的图片、图像受干扰以及配准算法本身的精度问题。因此,我们针对无法配准的图像,设计了一种全局差异网络来比较多时图像的全局特征,从而避免局部无法对齐产生的误检。该网络基于卷积结构,通过同时优化网络参数及我们定义的变化掩图来获得变化区域的信息。我们针对该问题设计了相应的网络结构、目标函数以及优化方法,实现了对未配准图像的变化检测,这对于现有方法是十分困难的。本文从深度神经网络的建模与优化的基础理论出发,针对遥感影像变化检测这一实际问题,逐渐深入,解决挑战性难题。(本文来源于《西安电子科技大学》期刊2018-09-01）
黄伟政[5]（2018）在《基于卷积神经网络的雾霾时空演化预测方法研究》一文中研究指出近年来,雾霾污染天气现象受到人们广泛的关注。日益增多的地面监测站和监测卫星带来了更为庞大的雾霾时空数据,这时传统方法就显得较为乏力。随着机器学习以及深度学习的发展,研究者们就不断的尝试将这种更适合用于处理大量数据的方法应用至雾霾的时空分析中来。遥感图像是雾霾时空分析中必不可少的时空数据,而卷积神经网络由于其特殊的网络架构,使其成为图像研究中最有效的一类方法。本文以卷积神经网络(Convolutional Neural Network,CNN)方法为基础对雾霾时空演化进行了研究,研究的具体步骤和内容如下:一,首先进行了遥感图像雾霾等级分类问题以及其实用性研究,通过使用传统方法对遥感图像进行气溶胶光学深度(Aerosol Optical Depth,AOD)反演,确定了可以作为卷积神经网络输入的数据类型。使用国家雾霾浓度等级作为数据标定标准,对搭建好的卷积神经网络进行训练,从而实现对雾霾浓度等级的分类;最后,通过传统方法与本文方法结果与实际雾霾浓度等级之间的相关性分析对比,证实了卷积神经网络雾霾分类的实用性。二,为了对雾霾浓度变化进行预测,首先使用自回归方法对雾霾浓度时间上的关联性进行了分析,进而搭建了改进的卷积-回归神经网络的结构,使用该网络对雾霾浓度进行了以天为时间尺度的等级预测。然后,为了在更为精细的时间尺度上对雾霾浓度等级进行预测,本文搭建了一维卷积神经网络的雾霾浓度等级预测方法。本文使用了更新门循环神经网络(Gated Recurrent Unit,GRU)方法作对比,凸显了一维卷积神经网络训练速度快的优点;最后,使用不同时间长度的输入,对雾霾时间维度上的规律进行了研究和分析。叁,为了对雾霾的时空上的变化规律进行研究,文中搭建了了基于多物体检测卷积神经网络结构(You Only Look Once,YOLO)方法改进的多卷积联合的网络结构对原始遥感图像进行了分区块处理。不同的区块对应不同的地理区域,所以其输出就对应不同区域的雾霾浓度等级。首先对各块输出做了数理统计,然后为了对数据结果进行更精确的分析,本文中使用了莫兰指数(Moran'I)对空间的自相关性进行了研究和分析。最后,使用空间联系局部指标图(Local Indicators of Spatial Association,LISA)对雾霾以季节为时间尺度的空间集聚性进行了研究,得出了北京地区以季节为尺度的雾霾时空演化规律。(本文来源于《电子科技大学》期刊2018-03-30）
吕鲲,崔灵蕊,李北伟[6]（2016）在《网络信息生态链中信息个体到群体演化过程研究——基于人工神经网络理论》一文中研究指出根据演化要求,运用人工神经网络理论,从个体特征、连接结构以及学习规则叁个方面确定了信息个体到群体演化的形成要素,然后通过输出函数确定出需要的信息个体;在节点吸引力的作用下,完成了信息个体复制过程;最后大量的信息个体在学习规则的作用下会逐渐储存,最终形成了信息群体。上述过程有助于推动网络信息生态链由无序、低效、不稳定的状态向有序、高效、稳定的状态演变,为网络信息生态链的模拟仿真和实证分析提供参考。(本文来源于《情报科学》期刊2016年10期）
郁董凯[7]（2016）在《基于声发射和BP神经网络的钢筋混凝土梁损伤演化分析》一文中研究指出随着各种重大工程结构的健康监测和安全评估得到学术界、工程界和运营管理部门的广泛关注,无损检测技术越来越被人们所重视。声发射技术作为一种新兴无损检测技术,具有高灵敏度、非侵入性和在线连续检测等其他常规无损检测技术所无可比拟的独特优势,可以进行结构损伤的预警,有效地防止工程结构破坏造成的人员伤亡、经济损失和负面的社会影响。本文采用SAEU2S集中式多通道USB声发射检测仪采集了试件梁损伤破坏过程的声发射信号,利用相关AE特征参数分析方法和改进的声发射信号评价准则,并结合模式识别技术研究梁在不同荷载水平下的损伤信号特征,发展总结一套结构损伤监测、安全评价以及智能识别损伤信号的方法,为声发射技术服务于工程实际提供理论基础和参考。(1)通过声发射特征参数揭示钢筋砼梁的损伤演化过程,具体是研究不同加载周期上升时间(RT)与幅值(DB)关联分布图,观察梁损伤演化过程中声发射信号特征。对不同幅值(DB)范围AE信号所占比重进行了研究,发现高幅值信号的增多意味着裂缝的集中出现和发展。同时对上升时间(RT)分布规律及其曲线拟合进行分析研究,发现RT在各个区间的分布成指数函数,拟合精度高均方差接近0.9。随着损伤加剧,函数拟合系数|b|值表现为下降,a值表现为上升,通过上升时间分布指数函数拟合系数的变化可以准确捕捉到钢筋混凝土梁的起裂点。研究表明梁损伤演化与AE参数密切相关。(2)在上述研究的基础上,运用改进的声发射评价准则,日本无损检测学会(JSNDI)推荐的NDIS-2421定量评定标准,信号强度分析(ISA)技术和声发射特征信号Kurtosis指标具体评价钢筋混凝土梁的损伤演化过程,进一步定性及初步定量评估结构损伤状态和服役情况,判定梁在损伤演化过程中的4个典型失效阶段,确定临界点后进行数据划分,以此建立BP神经网络训练样本数据库。(3)利用模式识别技术中的人工神经网络(ANN)方法,通过Matlab设计BP网络模型,然后运用样本数据库训练并定型网络结构,从而对梁损伤演化过程中4个典型失效阶段的声发射信号进行智能识别,为检测识别梁的损伤程度,进一步评价结构的安全性提供了一种新思路。(本文来源于《江苏大学》期刊2016-04-01）
王晓峰,吴志健,周新宇,郭肇禄[8]（2016）在《GPU上基于改进精英策略差分演化的神经网络学习算法》一文中研究指出神经网络在诸多领域中取得了极为成功的应用,然而传统基于梯度下降的神经网络学习算法容易陷入局部最优,导致欠拟合,影响了神经网络模型的学习效果.针对该问题,提出GPU上基于改进精英策略差分演化的神经网络学习算法,利用损失函数梯度信息初始化一部分种群个体,同时利用变异种群精英信息指导搜索,并且在GPU上并行演化,在机器学习算法基准测试数据集上与传统基于误差反向传播的神经网络学习算法以及传统基于差分演化的神经网络学习算法进行了对比.同时,也与CPU上改进精英策略差分演化的神经网络学习算法的性能进行了比较,结果表明本文提出的算法训练时间更短,预测精度更高.(本文来源于《小型微型计算机系统》期刊2016年01期）
张婷,曾维华,王圣瑞,杨逢乐[9]（2015）在《基于BP神经网络的断陷湖生命演化阶段分类研究》一文中研究指出利用BP神经网络对云南高原九大湖泊和长江中下游平原鄱阳湖和巢湖的生命演化阶段进行分类。样本的采集主要包括已知演化阶段的断陷湖和未知演化阶段的断陷湖两部分。根据湖泊演化阶段分类初级指标选取滇池、洱海、抚仙湖(1992~2010年)、鄱阳湖(1994~2012年)、巢湖(1986~1995、2000~2008)18年各指标数据以及程海、泸沽湖、星云湖、异龙湖、杞麓湖、阳宗海(2005~2012年)连续8年数据来进行分类研究。研究结果表明,BP神经网络测试样本能够与训练样本很好的吻合,可以利用其对未知样本分类。分类结果为:青年期湖泊包括抚仙湖、鄱阳湖、泸沽湖;成年期湖泊包括洱海、巢湖、程海、星云湖、杞麓湖、异龙湖和阳宗海;老年期湖泊包括滇池。其中巢湖和异龙湖有向老年期发展的趋势。(本文来源于《生态经济》期刊2015年10期）
辜小花,李太福,廖志强,易军,王坎[10]（2014）在《基于UKF神经网络的抽油机采油过程演化建模》一文中研究指出抽油机采油过程建模对于其工艺操作变量优化、技术决策指导具有重要意义。常规的人工神经网络静态建模方法,由于缺乏对操作变量与内部状态变量对目标性能综合影响的考虑,不能有效描述复杂非线性、时变的抽油机采油过程。为此,本文在神经网络建模过程中引入卡尔曼滤波思想,利用无迹卡尔曼滤波实时更新神经网络模型的权重,从而获得能有效跟踪抽油机采油过程工况变化的模型。使用某油田某2口井的1520组数据作为案例,以冲次、最大载荷、最小载荷、计算泵效、有效冲程五个影响因素为输入,产量和耗电量两个关键指标为输出,分别建立BP神经网络模型和UKF神经网络模型。结果表明,UKF神经网络方法能够高精度的跟踪实际的抽油机采油过程,拟合优度达0.93401和0.92248,且明显高于BP神经网络模型。验证了本文提出方法的有效性。(本文来源于《2014油气藏监测与管理国际会议（2014 ICRSM)论文集》期刊2014-08-11）
演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：
一、相关介绍目前,人工智能技术发展火热,其中离不开神经网络的快速崛起。作为目前在计算机视觉、强化学习、自然语言处理、语音识别等领域效果最佳的机器学习模型,神经网络以其强大的特征提取能力、数据拟合能力而着称。相比传统机器学习方法,神经网络不需要手工选择特征,其自组织、自学习的特点,更能够帮助模型捕捉到各类高维数据中隐含着的潜在规律。并且,越来越多的智能应用开始逐渐落地,例如智能驾驶系统
（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。
演化神经网络论文参考文献
[1].王彤,刘丙泉.中国省域低碳经济绩效演化路径研究——基于数据包络分析-BP神经网络模型[J].价值工程.2019
[2].杨瑞嘉.基于演化算法的神经网络黑箱攻击方法[J].电子世界.2019
[3].杨俊岭,周宇,王维佳,李向阳.基于演化深度神经网络的无人机协同无源定位动态航迹规划[J].科技导报.2018
[4].刘嘉.多目标演化深度神经网络模型与应用[D].西安电子科技大学.2018
[5].黄伟政.基于卷积神经网络的雾霾时空演化预测方法研究[D].电子科技大学.2018
[6].吕鲲,崔灵蕊,李北伟.网络信息生态链中信息个体到群体演化过程研究——基于人工神经网络理论[J].情报科学.2016
[7].郁董凯.基于声发射和BP神经网络的钢筋混凝土梁损伤演化分析[D].江苏大学.2016
[8].王晓峰,吴志健,周新宇,郭肇禄.GPU上基于改进精英策略差分演化的神经网络学习算法[J].小型微型计算机系统.2016
[9].张婷,曾维华,王圣瑞,杨逢乐.基于BP神经网络的断陷湖生命演化阶段分类研究[J].生态经济.2015
[10].辜小花,李太福,廖志强,易军,王坎.基于UKF神经网络的抽油机采油过程演化建模[C].2014油气藏监测与管理国际会议（2014ICRSM)论文集.2014
论文知识图
