导读:本文包含了传统算法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:算法,深度,模型,图像,传统,算子,广义。
传统算法论文文献综述
刘华祠[1]（2019）在《基于传统机器学习与深度学习的图像分类算法对比分析》一文中研究指出深度学习作为机器学习的一个分支,具有强大的功能和灵活性,文章对机器学习:K领近,贝叶斯,支持向量机,与深度学习:卷积神经网络,递归神经网络在大样本手写数字识别与小样本图像场景分类效果上进行了对比与分析,实验结果表明:传统机器学习在小样本数据集上具有较好的解决效果,深度学习框架在大样本上数据集上具有较高的识别精度。(本文来源于《电脑与信息技术》期刊2019年05期）
卢琳[2]（2019）在《算法推荐技术对传统内容生产的突破研究——以时尚类“头条号”为例》一文中研究指出在算法推荐机制下,传统媒体的内容生产方式随之改变,算法不仅赋予受众决定内容的权利,还促使内容创作与分发分离,并突破原有的广告模式,生成原生广告,形成一种新的盈利模式。本文从算法推荐角度切入,以时尚类"头条号"为典型案例,阐述了算法推荐机制下今日头条对传统内容生产方式的突破与重构。(本文来源于《新闻研究导刊》期刊2019年18期）
王子冠,殳国华[3]（2019）在《基于传统图像处理算法和深度学习的轨道区域识别研究》一文中研究指出异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。(本文来源于《电气自动化》期刊2019年04期）
张连增,申晴[4]（2019）在《提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据》一文中研究指出广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。(本文来源于《保险研究》期刊2019年07期）
尹晓叶[5]（2019）在《基于传统BOA的新型自适应蝶形优化算法设计》一文中研究指出本文提出了一种适应性和改进的BOA变体。与早期版本的BOA相比,提出的ABOA利用更有效的自适应机制来更新感官优化过程每次迭代的机制。这有利于ABOA形成有效的信息共享网络提高了算法的收敛速度,同时提出了算法自适应机制允许ABOA避免局部最优捕获问题。(本文来源于《电子技术与软件工程》期刊2019年12期）
刘建胜,熊峰,胡颖聪[6]（2019）在《基于改进粒子群算法Ⅴ型非传统布局仓库通道优化设计》一文中研究指出Ⅴ型仓储布局是一种典型的非传统布局方式,针对Ⅴ型布局主通道设计的问题,将主通道抽象为若干个点连接而成的折线通道,每条拣货通道按物动量大小对仓库进行分区,采用更加符合实际的存取货物作业的概率不相等的非完全随机存储策略,建立最小化平均拣货距离的仓库主通道设计数学优化模型。其次,设计了基于极值扰动算子的改进粒子群优化算法(EDO-PSO)进行算法求解,利用极值扰动算子解决易陷入局部最优问题,采用并行深度搜索策略,提高算法性能,并用Benchmark函数与其他改进PSO算法对比验证算法性能。最后,结合具体实验数据仿真分析,计算结果表明,该方法在相同货位分配策略下,能有效缩短总拣货距离,验证了方法的有效性。(本文来源于《运筹与管理》期刊2019年06期）
刘涵[7]（2019）在《传统扩散与卷积网络融合的显着性检测算法》一文中研究指出显着性检测任务是通过计算机来自动地提取一幅图像中最突出、最重要的部分,这对于人眼十分简单,但对于计算机来说,要实现高精度、高速率的检测还比较困难。显着性检测可以作为目标检测、目标识别、图像视频压缩等常见任务的预处理步骤,能够降低冗余信息的影响,提高图像处理的效率,有助于各种计算机视觉任务快速和准确的开展。本文基于现有的各种显着性检测算法的劣势,提出一个传统扩散与卷积网络融合的显着性检测算法,其中包括两个传统非监督学习模型,可以各自产生两幅分层后的显着图,以及一个采用深度卷积神经网络的融合模型,用于融合以上得到的多幅显着图。本文的主要工作如下:1.基于大部分显着性检测算法检测不完全的现状,提出动态补充流行排序算法,在MR显着图的基础上,通过剔除高置信度区域后,进行二次检测,并根据二次检测结果来动态调节,可以补充原算法忽略掉的次显着区域。人们的拍照习惯通常会模糊掉不重要的背景区域,因此检测原图中各个区域的模糊度,将模糊度高的部分抑制为背景。动态补充流行排序与模糊抑制两个步骤相互调节、互为抑制。2.基于目前非监督学习算法常用的背景先验、对比度先验,提出一个形式简洁的带约束最小化模型,分别根据CIE-Lab和RGB色空间颜色特征计算超像素之间的关系度矩阵,相邻且特征相似度高的区域对应显着值应接近,因此可以由关系度矩阵将设定的边界显着值扩散到图像内部超像素。3.由于加权平均和多通道这两种融合方式不适用于本文的情况,为融合前两步骤分层后得到的多幅显着图,提取VGG-16模型前3层,加入2个反卷积层、1个卷积层,构成深度卷积后融合网络,输入原图、显着图与真值图进行训练,训练完成后可以直接输出测试图融合后的最终显着图。在10个公开数据集上分阶段验证本文算法效果,并与12个其他算法作对比,实验结果验证了本文提出的传统扩散与卷积网络融合的显着性检测算法的有效性。(本文来源于《华南理工大学》期刊2019-04-11）
杨婷[8]（2019）在《基于双层模型的传统服饰图像分割算法研究》一文中研究指出中国传统服饰被誉为中国国粹和中国服饰之代表,是中华民族乃至人类社会创造的宝贵财富。提取传统服饰图像中具有代表性的纹样基因,有助于挖掘其文化内涵,发现其文化传承机理。本论文以传统服饰图像为研究对象,开展传统服饰图像自动分割算法研究,提取有价值的纹样基因。交互分割算法因其交互方式灵活、精度高、用户交互工作量少而受到广泛关注,深度学习在图像分割领域也取得了突出成果。但在没有逐像素标注的图像数据集时,实现传统服饰图像的自动分割并获得较高精度的分割结果仍是一个亟待解决的问题。与自然图像相比,传统服饰图像上的纹样基因多为小尺寸目标,且样式丰富,就算是同一类别的纹样基因之间样式也有较大差异,在不同材质的布料上相同纹样基因的纹理也会有差别,这些特点增加了传统服饰图像的分割难度。为实现传统服饰图像自动分割任务,本文提出一种基于双层模型的弱监督图像分割算法。该双层模型由目标检测层和分割层两层结构组成,模型先将待分割的纹样基因目标检测出来之后再进行分割,这样可以提高小目标的分割精度。而且如果目标检测器泛化性能较好的话,那么检测器很大可能性可以检测出样式差异较大的同一类纹样基因。在传统服饰图像的分割任务上,与直接训练图像分割模型的方法相比,在检测的基础上再进行分割这种方法的分割效果可能会更好。所提模型的目标检测层使用了本文提出的GRP-DSOD++目标检测框架获得目标的位置坐标和类别信息。分割层基于目标检测层输出的位置信息得到类别未知的分割结果,该结果与类别信息相对应构成具有语义的分割结果。论文的主要创新点与研究内容包括:(1)分析现有图像自动分割算法应用到传统服饰图像上的局限性,为了实现面向传统服饰图像的自动分割,提出了一种融合深度学习和交互分割的双层模型图像分割算法。该算法首先通过基于深度学习的目标检测方法输出目标位置和类别信息,然后将这些信息输入到交互分割方法中实现传统服饰图像自动分割,并且分割结果具有语义信息。(2)对基于深度学习的GRP-DSOD目标检测框架进行改进。将本文提出的dilated-Inception模块(DI模块)应用到目标检测系统中,并在网络底层引入SE block增强对后面层用处大的通道特征,抑制无用的通道特征,在目标损失函数的置信损失中引入权重因子解决正负样本平衡问题,并将原始网络结构里的后两个密集块中的标准卷积改为了膨胀卷积。论文将改进后的目标检测器称为GRP-DSOD++目标检测器。(3)设计并实现了基于双层模型的图像分割系统,该系统在传统服饰图像数据集上验证了算法的有效性,并在公开数据集上进行了实验。(本文来源于《北京邮电大学》期刊2019-04-01）
黄正鹏,王力,张仕学,余廷忠,张起荣[9]（2019）在《基于传统遗传和数据压缩算法的冗余光纤数据存储优化》一文中研究指出传统基于节点分类的数据存储方法进行冗余光纤数据的存储优化,忽略了数据压缩的负荷开销评价,导致冗余光纤数据存储效率较低,提出基于传统遗传和数据压缩算法的冗余光纤数据存储优化方法。结合Dopplerlet变换寻找最佳基函数的全局优化性,进行光纤数据冗余特征分析与过滤;基于该结果采用传统遗传算法对冗余光纤数据进行初步压缩,在此基础上基于K-L特征进行光纤数据存储减负荷处理,完成冗余光纤数据压缩优化,实现冗余光纤数据的优化存储。实验结果表明,所提方法的冗余光纤数据压缩比重约为70%,冗余光纤数据存储优化速度高达211. 5 MB/ms,有效压缩冗余关光纤数据的同时具有高效率的优势。(本文来源于《激光杂志》期刊2019年03期）
王可晴[10]（2019）在《基于泰坦尼克之灾问题的机器学习传统算法和神经网络算法对比分析》一文中研究指出人工智能和机器学习中有一类问题为分类问题,对于分类问题的解决,常见的机器学习模型有KNN模型,逻辑回归模型,SVM模型,神经网络模型。不同的模型在不同的问题中具有不同的效果。因此,本研究通过具体的实例"泰坦尼克号乘客遇难预测",通过运用机器学习中的不同分类模型来分析乘客的存活是运气原因,还是存在一定的规律性。通过该对问题的研究,比较了不同机器学习分类模型的差异性以及优缺点。(本文来源于《电子制作》期刊2019年02期）
传统算法论文开题报告
（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：
在算法推荐机制下,传统媒体的内容生产方式随之改变,算法不仅赋予受众决定内容的权利,还促使内容创作与分发分离,并突破原有的广告模式,生成原生广告,形成一种新的盈利模式。本文从算法推荐角度切入,以时尚类"头条号"为典型案例,阐述了算法推荐机制下今日头条对传统内容生产方式的突破与重构。
（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。
传统算法论文参考文献
[1].刘华祠.基于传统机器学习与深度学习的图像分类算法对比分析[J].电脑与信息技术.2019
[2].卢琳.算法推荐技术对传统内容生产的突破研究——以时尚类“头条号”为例[J].新闻研究导刊.2019
[3].王子冠,殳国华.基于传统图像处理算法和深度学习的轨道区域识别研究[J].电气自动化.2019
[4].张连增,申晴.提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据[J].保险研究.2019
[5].尹晓叶.基于传统BOA的新型自适应蝶形优化算法设计[J].电子技术与软件工程.2019
[6].刘建胜,熊峰,胡颖聪.基于改进粒子群算法Ⅴ型非传统布局仓库通道优化设计[J].运筹与管理.2019
[7].刘涵.传统扩散与卷积网络融合的显着性检测算法[D].华南理工大学.2019
[8].杨婷.基于双层模型的传统服饰图像分割算法研究[D].北京邮电大学.2019
[9].黄正鹏,王力,张仕学,余廷忠,张起荣.基于传统遗传和数据压缩算法的冗余光纤数据存储优化[J].激光杂志.2019
[10].王可晴.基于泰坦尼克之灾问题的机器学习传统算法和神经网络算法对比分析[J].电子制作.2019
论文知识图
![移动视频摄像机[18,19]](/uploads/article/2020/01/03/ceafaab0e77e173134c5b756.jpg)
