导读:本文包含了竞争神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:全局K-Medoids算法,竞争神经网络,聚类分析,文本序列数据
竞争神经网络论文文献综述
曹勇,王兆辉,高琦,甄丽红[1]（2019）在《基于竞争神经网络的全局K-Medoids聚类算法研究》一文中研究指出针对全局K-Medoids算法在处理大规模数据聚类分析时搜索效率低的问题,提出了基于竞争神经网络的全局K-Medoids聚类算法。由于神经网络算法对输入模式要求为数值向量,不适合处理文本序列数据的聚类问题,通过定义文本序列数据在聚类分析时的属性描述方式,利用竞争神经网络对数据进行初始分类,在此基础上运行全局K-Medoids算法进行详细的分类,使算法适合于处理文本序列数据聚类问题。文章分别利用UCI数据库中的8组实验数据和机械加工企业工艺数据中的工艺路线数据进行算法验证,结果证明该方法的效率和精度均高于K-Medoids算法和全局K-Medoids算法。(本文来源于《组合机床与自动化加工技术》期刊2019年06期）
卢滢宇[2]（2019）在《竞争算法优化BP神经网络性能研究》一文中研究指出针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点,提出一种参数设置少,全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较, 30次试验下竞争算法的平均值与最小值均优于粒子群算法,验证了该算法的有效性.用竞争算法优化BP神经网络,并对11个测试数据集进行分类,实验结果表明,用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法,且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率,增强鲁棒性.(本文来源于《计算机系统应用》期刊2019年05期）
荣菡,甘露菁[3]（2019）在《近红外光谱与自组织竞争神经网络联用快速鉴别牛乳与复原乳》一文中研究指出近红外光谱技术结合偏最小二乘法,与自组织竞争神经网络联用,构建鲜牛乳与复原乳的模式识别模型。经偏最小二乘法(PLS)处理后,提取4个主成分,使用96个吸收峰数据输入网络,学习速率为0.05,训练步数200步时,所建模型性能稳定,预测精度良好,模型对预测集样品识别准确率为100%。该方法可应用于原料奶质量评价与控制中,在复原乳或掺假乳的快速准确定性鉴别方面,提供了一条新思路。(本文来源于《中国乳品工业》期刊2019年02期）
赵文德,胡子瑜,黄丽娟,盛鑫[4]（2018）在《基于FA-BP神经网络的城市电子商务物流竞争能力研究》一文中研究指出首先分析了国内外城市电子商务物流竞争能力研究现状,并从经济基础、物流基础、信息基础、商业基础、消费基础、人力基础和创新基础等七个层面构建了基于FA-BP神经网络的城市电子商务物流竞争能力评价模型;然后对30个样本城市的电子商务物流竞争能力进行实证分析。研究结果表明,城市电子商务物流竞争力的提升应当从电商物流行业、人才、政府等多方面实现。该结论有助于为全面提升城市电子商务物流竞争能力以及各级政府制定科学的城市电子商务物流发展政策提供建议和支持。(本文来源于《物流技术》期刊2018年09期）
詹稀童[5]（2018）在《基于忆阻器的竞争神经网络研究》一文中研究指出伴随着AlphaGo在围棋界横扫四方,人工智能也逐渐兴起,而语音识别、图像识别等人工智能技术早就应用在日常生活中。脉冲神经网络作为第叁代人工神经网络,由于其在分类、图像识别等领域有着显着的优势,因而逐渐被人们开始研究。忆阻器是一种具备与电阻相同量纲的两端器件。忆阻器具有忆阻特性:其阻值和特定时刻通过的电荷量有关。由于忆阻器具有高速低功耗的优点且与CMOS工艺兼容等优点,因此,其在存储器领域及神经网络领域有广泛应用前景。本文首先介绍了忆阻器的基本特性以及脉冲神经网络的基本概念,并进一步探讨了脉冲神经元的两类模型:Hodgkin-Huxley(HH)模型和Leaky-Integrate-AndFire(LIF)模型。基于此,本文设计了两种LIF神经元模型,一种基于板级电路模型,一种基于CMOS工艺。基于板级电路的LIF神经元电路的脉冲发放速率与注入电流成线性关系,同时神经元电路还具备不应期特性,可以通过调节偏置电压来调节神经元的不应期。而在CMOS模型中则引入的DPI模块来作为神经元的膜电位积分与泄漏。接着就突触的概念进行概述,并将神经网络简化为突触与神经元作出解释。然后设计了基于CMOS电路的神经突触模型,并且通过仿真验证了突触电路的可塑性:当脉冲信号不同的时候,突触会表现出不同的活跃度。介绍了竞争神经网络的基本概念,并利用CMOS神经元电路以及CMOS突触电路,搭建了一种基于CMOS电路的竞争神经网络。该竞争神经网络是基于脉冲神经网络的,且为硬件层面的模型,通过仿真验证:由于突触权值以及神经元初始激励电流的差别,神经元将会在竞争表现出差别。最后对设计的LIF神经元板级电路进行测试,验证了神经元膜电位以及脉冲发放速率等各种特性。利用忆阻器阻值随着电压的特性用着突触权值,设计了基于忆阻器的神经突触电路,并进行了仿真以及测试,验证突触的可塑性。利用神经元板级电路以及基于忆阻器突触电路,搭建竞争神经网络。分别测试了神经元在个体竞争,群竞争,以及组间竞争中表现的特性,验证了竞争网络模型的正确。(本文来源于《电子科技大学》期刊2018-03-01）
朱一东[6]（2017）在《基于忆阻器的竞争神经网络及其联想记忆研究》一文中研究指出人工神经网络是通过模仿生物神经网络的处理方法创立的一种计算模型,相较于过去的模型,它具备更强的适应性与智能性。然而,由于CMOS晶体管尺寸缩小变得越来越困难,人工神经网络电路的规模受到了极大限制,难以处理日益复杂的问题。忆阻器是一种新型的阻变存储器件,它具备体积小,非易失性、功耗低以及阻值受到流经器件电荷量控制的优良特性。使用忆阻器代替传统的晶体管构建突触将大大减小神经网络电路的体积与能耗,提高电路的信息处理能力。本文首先简述忆阻器的研究现状和应用前景,重点叙述了忆阻神经网络的发展概况。接着论述目前常见的忆阻器模型,分析各种模型的优缺点与使用场合,为忆阻神经网络电路选择忆阻器模型奠定基础。然后介绍了目前基于忆阻器的竞争神经网路电路存在的问题,例如漏电流、输入向量与原型向量的相似度计算存在误差等,并针对这些缺陷提出自己的竞争神经网络电路设计。为了检验提出解决方案的正确性,使用设计的电路进行数字图像的训练与识别。最后讨论联想记忆的含义与意义,并在现有电路的基础上设计了基于忆阻器的联想记忆网络。相较于原有电路,它增加可变阈值以及脉冲宽度可调的功能,增强了电路的灵活性与扩展性。通过模拟着名的巴普洛夫的狗实验,检验了设计的电路是否联想记忆功能。本文的主要工作方向是基于忆阻器的神经网络电路设计,主要研究包括:忆阻器常见模型的优缺点以及使用场合研究;基于忆阻器的竞争神经网络设计;基于忆阻器的联想记忆网络设计。本文的研究成效将推动忆阻器在竞争神经网络与联想记忆网络方向上的发展,并为其他类型的忆阻神经网络电路设计提供了借鉴。(本文来源于《华中科技大学》期刊2017-05-01）
向直扬[7]（2017）在《竞争学习神经网络的广义训练理论、算法及应用研究》一文中研究指出随着信息化不断深入,互联网在覆盖空间和容量上快速增长,其信息量的增长速度已经超过了计算能力的增长速度。与此同时信息化发展逐渐深入到物联网领域,其中包括存储能力有限的嵌入式智能系统,如何在有限的存储空间中完成对较大规模问题的解是当前机器学习研究中的挑战。传统的机器学习算法需要将完整的训练数据读入存储器,这一类方法称为离线学习。在线学习与之不同,一般通过对训练数据的一次扫描完成训练。在线学习显然比离线学习有着更高的空间效率,然而在现有机器学习研究中,在线学习的研究不如离线学习广泛和透彻。此外,在某些应用如网络入侵检测、短时电力需求预测和交通流预测中,问题规模随着时间变化而不断扩大,且需要实时更新由机器学习所建立的预测模型,而在线学习是提高算法实时性的主要手段之一。虽然在线学习空间效率较高,但由于其训练的特点,使得在解决非线性问题、半监督学习问题和参数选取时比离线学习更为困难,且部分在线学习算法需要大量的计算来完成机器学习模型的在线更新。竞争学习是在线学习的主要实现方法之一,可以较好地解决非线性和时间复杂度问题。然而竞争学习神经网络的理论与算法研究集中在聚类任务,在其他任务如回归、半监督分类和降维方面的研究较少。本文研究更加广义的竞争学习神经网络理论与算法,通过建立聚类、回归、半监督分类和降维的相互关系,将竞争学习神经网络从聚类算法扩展为完成多任务的算法。主要的工作和贡献如下:1.提出核密度回归框架将竞争学习神经网络转化为回归算法。在线学习算法可以分为参数学习算法和非参数学习算法。参数学习算法将数据的生成模型假设成一个特定的可解析方程,由于在线学习中难以调整生成模型的方程与参数,因此无法学习最优模型。非参数学习方法中则由于不具有全局的模型难以给出平滑的预测且泛化能力有限。本文提出一种参数模型的非参数学习框架。利用竞争学习神经网络较强的数据分布学习能力,通过结合核密度估计与密度回归思想,推导从聚类转化为回归的核密度回归框架。最后结合具体的竞争学习神经网络实现回归算法。所提出的算法具有常数空间复杂度和O(n)的时间复杂度,在六个UCI数据集上的实验表明所提出的算法与主流的离线方法具有同等的预测精度。2.推导核密度回归中平滑参数的最优选取规则,提出无需指定参数的核密度回归框架。核密度回归中需要指定平滑参数,而在线学习中存在难以选择最优参数的困难。针对这个困难,使用最大似然估计原则自适应地计算核密度回归中的平滑参数,构造在线学习场景之下的最优自适应参数选取。将回归参数选取作为混合模型最优参数问题建模,针对混合模型中最大似然估计无法解析计算的困难,提出了全局参数选取与局部参数选取两种策略,利用贝叶斯推断与最大似然方程获取最佳的参数选取。所提出的框架不仅具有与离线学习具有同等精度的预测,且不需要指定任何参数。3.提出反向竞争学习规则,将竞争学习神经网络转化为半监督学习算法。竞争学习算法中的自组织学习神经网络由于不适合处理已标记数据,且在线半监督学习由于无法预见数据分布的全貌,因此难以在在线学习下完成流形假设的半监督学习。针对这些问题提出一种新的反向竞争学习规则,在产生标签冲突时候,将神经元向相反方向进行移动。通过结合原竞争学习规则与反向竞争学习,将竞争学习神经网络扩展为半监督学习算法,再结合图割完善在流形假设下的半监督学习。并针对图割算法计算效率较低的问题,提出基于贪心思想的快速标签传播算法提高算法时间效率。在入侵检测数据集上的实验表明,所提出的算法在实现在线半监督学习且降低空间复杂度的同时,预测精度高于主流的离线半监督学习算法。4.提出一种将聚类算法转化为降维算法的框架,并利用竞争学习实现算法。现有的降维算法研究中存在将非线性降维与在线降维相结合的困难。本文则提出以竞争学习为核心的非线性降维在线训练算法。通过半监督竞争学习神经网络获得对数据的精简表达,然后通过结合图相似度与最优化方法将所得到的聚类模型转化为降维模型,将相似度矩阵合并的问题作为二次规划来建模并求解。最后经过核平滑过程将除了神经元之外的样本进行降维。此外还基于竞争学习的拓扑构造能力提出高维数据的一种可视化方法。在入侵检测数据集上的实验表明,所提出的算法在实现在线半监督学习,在降低算法空间复杂度的同时,预测精度高于主流的离线半监督学习算法。5.基于竞争学习神经网络集成的短期交通流预测。将在线训练的回归器进行集成训练时由于基础回归器的预测结果和权值都在随时间不断变化,因此难以设计有效的在线回归器集成算法。针对这个困难,本文通过核密度估计的加权训练思想,实现竞争神经网络核密度回归的集成训练框架,并将所提出的算法应用于短期交通流的应用研究。通过计算加权移动平均值方法将交通流预测的时间序列问题转化为回归问题,然后利用本文所提出的无需指定参数的核密度回归和集成核密度回归对未来短时间内的交通流进行预测。实验结果表明所提出的算法在预测精度上超过了现有的代表性算法如支持向量回归、决策树和极限学习机等,且所提出的算法框架无需指定参数。(本文来源于《湖南大学》期刊2017-03-14）
梅雪晖,张立卫,于志永,蒋海军[8]（2016）在《具有时变时滞的竞争神经网络在脉冲控制下的同步（英文）》一文中研究指出研究了具有时变时滞的竞争神经网络在脉冲控制下的同步问题.通过利用Lyapunov稳定方法和矩阵不等式理论,给出了该系统实现同步的线性矩阵不等式条件.此外,对于具有有界时变时滞的情况,给出了该系统依赖时滞、反馈矩阵和脉冲区间的指数同步条件.(本文来源于《新疆大学学报(自然科学版)》期刊2016年03期）
王凯,万小金,徐增丙,李清蕾[9]（2016）在《软竞争ART-RBF神经网络算法及应用》一文中研究指出为了提高RBF网络对时间序列的预测精度,引入软竞争ART,提出了基于软竞争机制的ARTRBF模型。在传统RBF网络的基础上,自适应控制生成隐含层节点的数目,并在第一阶段的学习中引入基于相似度的软竞争机制。与硬竞争ART-RBF网络相比,软竞争机制的采用,使得隐含层的每个节点都能参与对样本的学习,提高了节点的利用率,并且减少对预测精度有着重要影响的类间混迭处样本的误分。使用Matlab对Mackey-Glass时间序列进行仿真,并预测某轴承性能退化情况,结果表明该软竞争算法可以在一定程度上提高预测精度。(本文来源于《武汉理工大学学报(信息与管理工程版)》期刊2016年04期）
林海明,高昭,汪虎林,李丹丹,廖珊[10]（2016）在《基于自组织竞争型神经网络的青果HPLC指纹图谱》一文中研究指出目的:利用自组织竞争型神经网络判别不同产地青果的指纹图谱,为青果的质量评价奠定基础。方法:色谱条件采用Phenomenex Luna C18色谱柱(2)100A(4.6 mm×250 mm,5μm),流动相乙腈-1%甲酸,检测波长270 nm,流速0.8 m L·min~(-1),柱温20℃,建立不同产地青果的指纹图谱,利用竞争层神经元数目为3,学习率为0.01,收敛次数为690的自组织竞争型人工神经网络模型对其进行分类判别。结果:自组织竞争型神经网络模型对青果HPLC指纹图谱分类平均错误率为39.13%。结论:自组织竞争型神经网络模型无法将不同产地的青果有效分类,不同产地的青果化学成分种类及含量差异不明显。(本文来源于《中国实验方剂学杂志》期刊2016年09期）
竞争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：
针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点,提出一种参数设置少,全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较, 30次试验下竞争算法的平均值与最小值均优于粒子群算法,验证了该算法的有效性.用竞争算法优化BP神经网络,并对11个测试数据集进行分类,实验结果表明,用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法,且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率,增强鲁棒性.
（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。
竞争神经网络论文参考文献
[1].曹勇,王兆辉,高琦,甄丽红.基于竞争神经网络的全局K-Medoids聚类算法研究[J].组合机床与自动化加工技术.2019
[2].卢滢宇.竞争算法优化BP神经网络性能研究[J].计算机系统应用.2019
[3].荣菡,甘露菁.近红外光谱与自组织竞争神经网络联用快速鉴别牛乳与复原乳[J].中国乳品工业.2019
[4].赵文德,胡子瑜,黄丽娟,盛鑫.基于FA-BP神经网络的城市电子商务物流竞争能力研究[J].物流技术.2018
[5].詹稀童.基于忆阻器的竞争神经网络研究[D].电子科技大学.2018
[6].朱一东.基于忆阻器的竞争神经网络及其联想记忆研究[D].华中科技大学.2017
[7].向直扬.竞争学习神经网络的广义训练理论、算法及应用研究[D].湖南大学.2017
[8].梅雪晖,张立卫,于志永,蒋海军.具有时变时滞的竞争神经网络在脉冲控制下的同步（英文）[J].新疆大学学报(自然科学版).2016
[9].王凯,万小金,徐增丙,李清蕾.软竞争ART-RBF神经网络算法及应用[J].武汉理工大学学报(信息与管理工程版).2016
[10].林海明,高昭,汪虎林,李丹丹,廖珊.基于自组织竞争型神经网络的青果HPLC指纹图谱[J].中国实验方剂学杂志.2016
标签：全局K-Medoids算法; 竞争神经网络; 聚类分析; 文本序列数据;