导读:本文包含了卷积混合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:卷积,神经网络,高斯,模型,算法,变异性,目标。
卷积混合论文文献综述
王岩,何兰,李琦,宋运娜,佡思维[1]（2019）在《混合卷积神经网络图像噪声去除》一文中研究指出本文针对基于图像分解理论基础上,将DnCNN模型和RED-Net网络结构综合起来,利用DnCNN估计噪声图像的纹理部分,并利用RED-Net估计噪声图像的卡通部分,提出混合CNN医学图像斑点噪声去除模型,此模型对恢复图像中的细节部分以及光滑图像噪声方面是较好的解决方案。在图像噪声去除领域起到较好的作用。如付诸现实将产生较好的经济效益。(本文来源于《中国科技信息》期刊2019年21期）
汪韧,郭静波,惠俊鹏,王泽,刘红军[2]（2019）在《基于卷积高斯混合模型的统计压缩感知》一文中研究指出高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模.利用高斯混合模型对图像的概率分布进行建模时,通常需要先对图像分块,再对图像块的概率分布进行建模.本文提出卷积高斯混合模型对整幅图像的概率分布进行建模.通过期望极大化算法求解极大边缘似然估计,实现模型中未知参数的估计.此外,考虑到在整幅图像上计算的复杂度较高,本文在卷积高斯混合模型和压缩测量模型中引入循环卷积,所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算.仿真实验表明,本文所提的MMLEconvGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.(本文来源于《物理学报》期刊2019年18期）
张政,何山,贺靖淇[3]（2019）在《基于长短时记忆单元和卷积神经网络混合神经网络模型的视频着色方法》一文中研究指出视频可以看作是连续的视频帧图像组成的序列,视频彩色化的实质是对图像进行彩色化处理,但由于视频的长期序列性,若直接将现有的图像着色方法应用到视频彩色化上极易产生抖动或闪烁现象。针对这个问题,提出一种结合长短时记忆(LSTM)和卷积神经网络(CNN)的混合神经网络模型用于视频的着色。该方法用CNN提取视频帧的语义特征,同时使用LSTM单元学习灰度视频的时序信息,保证视频的时空一致性,然后融合局部语义特征和时序特征,生成最终的彩色视频帧序列。通过对实验结果的定量分析和用户研究表明,该方法在视频彩色化上实现了较好的效果。(本文来源于《计算机应用》期刊2019年09期）
娄康,朱志宇[4]（2019）在《基于卷积神经网络与高斯混合建模的红外弱小目标检测方法》一文中研究指出红外弱小目标检测和跟踪广泛应用于军事预警,交通监控和空中安全等领域。本文主要从红外图像降噪和检测红外图像中目标运动信息两个方面展开研究,首先通过预训练好的卷积神经网络对红外图像降噪处理,利用带标签的红外目标训练集训练卷积神经网络,参数训练完后逐帧输入待处理的红外图像以获取更丰富的红外目标特征。其次基于高斯混合模型将图像分割为前后景,在阈值形态学运算后,通过前景检测器在每一帧中检测红外弱小目标。最终通过MATLAB仿真验证了本文算法的红外弱小目标实时检测功能。(本文来源于《第叁十八届中国控制会议论文集（7）》期刊2019-07-27）
赖增强,王贵忠,肖智宏,张国庆,李洪波[5]（2019）在《混合自卷积窗谐波算法研究与FPGA方案》一文中研究指出快速傅里叶变换(fast Fourier transform, FFT)因其高效快捷比较适合对电力谐波进行实时分析,但其不足之处是非同步采样和非整数周期截断时易出现"频谱泄漏"与"栅栏效应"。为此,提出一种基于由Nuttall窗与Hanning窗混合卷积后再进行L阶自卷积的混合自卷积窗谐波算法。首先对混合自卷积窗进行双谱线插值改进与数值拟合修正,从而进一步提高了FFT算法的精确度;继而对采用混合自卷积窗的改进算法进行硬件结构方案设计与现场可编程门阵列(field-programmable gate array, FPGA)关键技术进行研究;最后利用混合自卷积窗与Nuttall窗和Hanning窗的算法,对电力谐波算例进行仿真对比。结果表明:采用混合自卷积窗谐波算法所得的相位误差稳定在0.000 01°,而幅值误差几乎为0,从而验证了该算法的有效性与实用性。(本文来源于《广东电力》期刊2019年06期）
石雨鑫,邓洪敏,郭伟林[6]（2019）在《基于混合卷积神经网络的静态手势识别》一文中研究指出静态手势识别在人机交互方面具有重要的应用价值,但手势背景的复杂性和手势形态的多样性给识别的准确性带来了一定的影响。为了提高手势识别的准确率,文中提出了一种基于卷积神经网络(Convolution Nenral Network,CNN)与随机森林(Random Forest,RF)的识别方法。该方法首先对静态手势的图片进行手势分割,然后利用卷积网络的特征提取功能提取特征向量,最后使用随机森林分类器对这些特征向量进行分类。一方面,卷积神经网络具有分层学习的能力,能够收集图片上更具代表性的信息;另一方面,随机森林对样本和特征选择具有随机性,并且对每个决策树结果进行了平均,不易出现过拟合问题。在静态手势数据集上进行验证,实验结果显示:所提方法能有效地对静态手势进行识别,平均识别率能够达到94.56%。文中进一步将所提方法与几种经典的特征提取方法(主成分分析(PCA)和局部二进制(LBP))进行对比,实验结果显示:相比于PCA和LBP特征提取方法,由CNN提取的特征向量进行分类识别的效果更好,该方法的识别率比PCA-RF方法高2.44%,比LBP-RF方法高1.74%。最后,在经典的MNIST数据集上进行验证,所提方法的识别率达到了97.9%,高于其他两种传统的特征提取方法。(本文来源于《计算机科学》期刊2019年S1期）
王硕,王培良[7]（2019）在《基于一维卷积自编码器—高斯混合模型的间歇过程故障检测》一文中研究指出传统基于数据驱动的间歇过程故障检测方法往往需要对数据的分布进行假设,其模型多阶段划分不精确,导致故障检测率受到影响.对此提出一种基于一维卷积自编码器—高斯混合模型(One dimensional convolution-auto encoder-Gaussian mixture model, 1DC-AE-GMM)的检测新方法.该方法不需要对原始数据进行假设,首先对原始数据进行等长和缩放处理,并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练,以非线性的方式自动、精确地进行阶段划分和特征提取;然后在网络的编码层上建立高斯混合模型并进行聚类,在提取特征的同时大大减少了建立模型的计算量;最后结合马氏距离提出全局概率检测指标,实现故障检测.通过在一类半导体蚀刻过程的仿真实验,结果表明该方法可以有效地提高故障检测率.(本文来源于《信息与控制》期刊2019年03期）
李鹏,张炎[8]（2019）在《基于高斯混合模型和卷积神经网络的视频烟雾检测》一文中研究指出为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58s,可满足复杂场景下烟雾的实时检测要求。(本文来源于《激光与光电子学进展》期刊2019年21期）
吴疆[9]（2019）在《基于混合卷积神经网络的便携式SAS自动检测系统研究》一文中研究指出睡眠呼吸暂停综合征(Sleep Apnea Syndrome,SAS)是一种严重影响睡眠质量和生命健康的睡眠障碍性疾病,通常被称为“睡梦杀手”。但由于其诊断金标准多导睡眠监测仪(Polysomnography,PSG)操作复杂、价格昂贵,不利于该病的诊断与普查,所以至今SAS的确诊率不足20%。在此背景下,论文以“监测便捷、无扰睡眠的SAS自动检测系统研发”为核心,按照“提出问题-系统建模-相关理论研究-系统实现-仿真及实测数据实验”的研究思路,深入研究了SAS检测、数据预处理以及自动检测模型建立方法。主要创新性工作如下:1)、针对目前SAS检测类仪器的电极穿戴繁琐、材质致敏性较高,影响睡眠安适度的问题,本文设计与开发了基于环绕式血氧探头的脉搏血氧仪,实现了光电容积脉搏波(photoplethysmography,PPG)的采集、预处理与无线传输等功能。2)、针对PPG信号微弱、易受多种噪声影响的问题,在分析了PPG信号主要噪声特点的基础上,提出了基于双重中值滤波的PPG信号消噪方法,利用数据库数据与自主开发脉搏血氧仪采集的数据进行了消噪处理,并同经典小波消噪法进行了噪声抑制效果的对比,结果验证了消噪方法的可靠性与有效性。为提高后续自动检测模型的准确率奠定了基础。3)、针对睡眠呼吸监测中产生的高维数据问题,研究了基于PCA以及PRV的特征提取方法进行数据的降维。提出了基于二次样条小波模极大值法的PPG信号波峰点检测算法,保证了PPG信号峰峰序列的准确性,提升了基于PRV特征提取方法的有效性。4)、提出了基于混合卷积神经网络(GACNN)构建SAS自动分类模型的方法。研究了浅层BP分类模型以及深层深度信任网络(DBN)、GACNN分类模型的建立以及优化方法,利用数据库与脉搏血氧仪实测样本,进行了自动分类模型的建立,并应用十折交叉验证法,对所建模型进行了呼吸暂停(AH)自动分类的对比实验。5)、设计并完成了SAS自动检测系统测试实验。利用临床PSG与脉搏血氧仪同步采集的PPG数据,初步验证了基于GACNN的SAS自动检测系统的有效性。本文研究的基于GACNN的SAS自动检测系统,脉搏血氧仪具有信号获取方式简单、电极不致敏、易穿戴、低扰眠等优势;GACNN分类模型具有较好的预测力与泛化能力。研究成果可以为SAS患者的快速筛查及早期发现提供技术支撑,并有助于确诊率的提升,具有重要的学术价值和应用价值。(本文来源于《吉林大学》期刊2019-05-01）
付强,景博,何鹏举,王赟,司书浩[10]（2019）在《二维卷积非负矩阵分解的初值确定混合算法》一文中研究指出为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.(本文来源于《哈尔滨工业大学学报》期刊2019年05期）
卷积混合论文开题报告
（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：
高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模.利用高斯混合模型对图像的概率分布进行建模时,通常需要先对图像分块,再对图像块的概率分布进行建模.本文提出卷积高斯混合模型对整幅图像的概率分布进行建模.通过期望极大化算法求解极大边缘似然估计,实现模型中未知参数的估计.此外,考虑到在整幅图像上计算的复杂度较高,本文在卷积高斯混合模型和压缩测量模型中引入循环卷积,所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算.仿真实验表明,本文所提的MMLEconvGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.
（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。
卷积混合论文参考文献
[1].王岩,何兰,李琦,宋运娜,佡思维.混合卷积神经网络图像噪声去除[J].中国科技信息.2019
[2].汪韧,郭静波,惠俊鹏,王泽,刘红军.基于卷积高斯混合模型的统计压缩感知[J].物理学报.2019
[3].张政,何山,贺靖淇.基于长短时记忆单元和卷积神经网络混合神经网络模型的视频着色方法[J].计算机应用.2019
[4].娄康,朱志宇.基于卷积神经网络与高斯混合建模的红外弱小目标检测方法[C].第叁十八届中国控制会议论文集（7）.2019
[5].赖增强,王贵忠,肖智宏,张国庆,李洪波.混合自卷积窗谐波算法研究与FPGA方案[J].广东电力.2019
[6].石雨鑫,邓洪敏,郭伟林.基于混合卷积神经网络的静态手势识别[J].计算机科学.2019
[7].王硕,王培良.基于一维卷积自编码器—高斯混合模型的间歇过程故障检测[J].信息与控制.2019
[8].李鹏,张炎.基于高斯混合模型和卷积神经网络的视频烟雾检测[J].激光与光电子学进展.2019
[9].吴疆.基于混合卷积神经网络的便携式SAS自动检测系统研究[D].吉林大学.2019
[10].付强,景博,何鹏举,王赟,司书浩.二维卷积非负矩阵分解的初值确定混合算法[J].哈尔滨工业大学学报.2019
论文知识图
