导读:本文包含了学习矢量量化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:矢量,神经网络,乳腺,生化,深度,流形,特征值。
学习矢量量化论文文献综述
刘俊坤[1]（2018）在《基于深度学习和矢量量化的说话人识别研究》一文中研究指出说话人识别是用来进行身份确认的一种认证技术,通常也被称为声纹识别。它通过不同说话人语音中的个性特征来识别说话人身份,具有操作方便,设备成本低等优势,并被应用于证券银行、军事国防以及公安司法等领域。深度学习是近年来发展比较迅速的一种深层机器学习模型,其本质上是多层非线性的神经网络,可以对复杂的数据关系进行建模。本文将深度学习应用在说话人识别中,优化说话人语音个性特征,提高系统性能,主要工作如下:1.介绍了深度学习基本理论并总结了该网络在说话人识别中优势和应用深度神经网络是具有多个隐层的复杂网络模型,本文阐述了深度置信网络的基本原理,并与其他模型进行了对比,进一步分析了深度神经网络在说话人识别中的优势,总结了国内外研究者对深度置信网络的研究和应用。2.研究了基于Bottleneck-VQ的说话人识别方法说话人语音时长有限会导致模型学习不充分,进而影响系统的识别率。深度置信网络可以更好地在有限的语音中捕捉到说话人的个性特征。本文通过深度置信网络提取Bottleneck特征,然后结合矢量量化方法,构成基于Bottleneck-VQ的说话人识别系统。通过仿真实验,表明在说话人语音时长不超过10s的短时条件下,基于Bottleneck-VQ模型识别率比传统VQ有10%的提升。3.研究了基于Auto-Encoder DBN-VQ的说话人识别方法噪声环境下的语音对说话人识别系统性能影响非常大,本文采用深度置信网络构造深度自动编码置信网络,可以对说话人语音中的噪声进行有效过滤,然后结合VQ构成基于Auto-Encoder DBN-VQ的说话人识别系统。实验结果证明,基于Auto-Encoder DBN-VQ的说话人识别系统比VQ以及GMM等系统在噪声条件下识别率平均提升15%。(本文来源于《南京邮电大学》期刊2018-11-14）
康彩丽[2]（2018）在《学习矢量量化神经网络在财务失败预测中的应用》一文中研究指出近些年来,神经网络方法被引入财务失败预测中。LVQ计算方法被应用到中国上市公司的财务危机预测模型中,通过对网络的反复训练和学习,得到了较满意的预测结果。对传统的BP神经网络方法与LVQ神经网络方法进行了分析比较。研究结果表明,LVQ比BP算法具有更高的预测精度。(本文来源于《长治学院学报》期刊2018年05期）
李萍[3]（2018）在《学习矢量量化神经网络在乳腺肿瘤诊断中的应用》一文中研究指出传统的乳腺肿瘤诊断主要是通过医学影像,由专家进行判断,这种方法存在较大的主观性。为了提高乳腺肿瘤的诊断率,利用学习矢量量化(LVQ)神经网络进行建模,由于LVQ神经网络本身结构较为简单,利用其进行乳腺肿瘤诊断是最优的一种方法,通过对网络模型进行训练和仿真,发现诊断的准确率较高。(本文来源于《山西电子技术》期刊2018年04期）
周晓克[4]（2018）在《基于经验小波变换和学习矢量量化神经网络的输电线路故障分类》一文中研究指出随着特高压电网的建设规模不断扩大,我国的电力系统迈向了远距离、大容量低损耗的输电模式,给社会生产和人民生活带来了巨大的经济效益。随着输电电压等级的逐步提高以及电网结构日趋复杂,对现代电力系统运行的安全稳定性提出了更高的要求。输电线路作为电力网络传输的载体,是电力系统中的重要组成部分,一旦发生短路故障,将会给国民经济和人民生活带来巨大损失。因此,建立一种行之有效的输电线路故障检测及分类模型,对于确保电力系统稳定运行有重要的现实意义。本文将输电线路发生故障时的暂态电流作为研究对象,并在结合信号处理技术和人工智能算法的基础上,提出了一种基于经验小波变换和学习矢量量化神经网络的输电线路故障分类方法。具体研究内容如下:采取经验小波变换提取暂态电流故障特征。传统的信号处理技术都有一定的局限性,而经验小波变换能自适应地分解信号,并通过仿真分析,验证了经验小波变换可以有效地抑制经验模态分解出现的模态混迭现象,能够准确地分析暂态电流的故障信息。根据经验小波变换理论,研究并建立了叁种基于输电线路暂态电流的故障特征提取方法,分别从信号的频域和时频域角度出发,有效准确地分析出故障信息并对其进行归一化处理,最终得到了32维的故障特征向量,真实的反映了暂态电流的故障特性。选用基于蜂群算法优化的学习矢量量化神经网络作为输电线路故障分类器。通过引入蜂群算法,改善了学习矢量量化神经网络对初值敏感的缺陷,提升了故障分类器的分类性能。利用Matlab建立了500kV超高压输电线路仿真模型,将大量的样本数据用以训练神经网络分类器,通过训练完毕的故障分类模型对故障数据进行识别,最后仿真结果表明了该输电线路故障分类模型的有效性。(本文来源于《燕山大学》期刊2018-05-01）
李萍[5]（2018）在《学习矢量量化神经网络在人脸朝向识别中的应用》一文中研究指出人脸朝向识别的研究具有重要意义,建立了基于人工神经网络(ANN)的人脸朝向识别模型,根据学习矢量量化(LVQ)神经网络的原理,利用MATLAB神经网络工具箱,完成网络的建立、网络训练和网络测试,并通过仿真实验来实现人脸定位识别。实验结果表明,LVQ神经网络模型判断并识别任何特定人脸图像的方法是有效的。(本文来源于《忻州师范学院学报》期刊2018年02期）
魏永合,刘炜,杨艳君,王志伟[6]（2018）在《基于流形学习与学习矢量量化神经网络的齿轮故障诊断模型》一文中研究指出为了提高对齿轮非平稳、非线性故障振动信号的可分性及其故障诊断的准确性,并针对其高维数据样本的特点提出一种基于流形学习与LVQ的齿轮故障诊断模型。该模型首先利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行齿轮故障振动信号的分解,得到一系列固有模式函数(Intrinsic Model Function,IMF)分量。接下来对含有主要故障信息的IMF分量进行特征提取和选择并构造高维观测样本,再用流形学习等距特征映射(ISOMAP)算法对初步的高维观测样本故障特征进行进一步的提取并对特征属性的数量进行压缩,在保留齿轮故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了齿轮故障模式识别的分类性能。最后通过学习矢量量化神经网络(Learning Vector Quantization,LVQ)根据样本的特征将样本划分到一定的类别中去从而实现模式识别。通过比较实验结果来验证该模型的可行性。(本文来源于《组合机床与自动化加工技术》期刊2018年04期）
李进东,王韬,吴杨,雷东[7]（2016）在《基于主成分分析和学习矢量量化的会话初始协议识别研究》一文中研究指出针对加密会话初始协议(SIP)识别困难以及相关研究工作较少,对入侵检测、网络流量监控等工作带来不便的问题,提出基于主成分分析(PCA)和学习矢量量化(LVQ)网络的SIP协议识别模型。通过对SIP协议的网络流特征进行PCA,提取出累计贡献率高于85%的相关流特征作为SIP协议识别过程中的主要特征,并进行LVQ网络训练,构建出完整的SIP协议识别模型。实验结果表明,PCA_LVQ模型对SIP协议的识别率均高于90%,通过PCA提取的SIP协议网络流属性区别于非SIP协议的属性,该模型对SIP协议的识别效果较好。(本文来源于《计算机工程》期刊2016年06期）
武小红,蔡培强,武斌,孙俊,嵇港[8]（2016）在《基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究》一文中研究指出为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350~2 500nm的叁种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前叁个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为叁维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明:UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。(本文来源于《光谱学与光谱分析》期刊2016年03期）
张弘强,王春红[9]（2015）在《基于学习矢量量化(LVQ)神经网络的医学生化分析系统》一文中研究指出本文将医学生化分析转化为一个分类问题,提出了一种基于学习矢量量化神经网络的医学生化分析方法。该方法不须要进行样本颜色色空间转换,只需利用设备原有RGB颜色空间颜色值即可实现。将实验结果与颜色色差方法进行了比对分析,预测结果一致,将此方法用于医学生化分析是可行而有效的。(本文来源于《自动化技术与应用》期刊2015年08期）
李娟,王宇平[10]（2015）在《基于样本密度和分类误差率的增量学习矢量量化算法研究》一文中研究指出作为一种简单而成熟的分类方法,K最近邻(K nearest neighbor,KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用,但仍存在计算量大、高空间消耗、运行时间长等问题.针对这些问题,本文在增量学习型矢量量化(Incremental learning vector quantization,ILVQ)的单层竞争学习基础上,融合样本密度和分类误差率的邻域思想,提出了一种新的增量学习型矢量量化方法,通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作,快速获取原始数据集的原型集,进而在保障分类精度基础上,达到对大规模数据的高压缩效应.此外,对传统近邻分类算法进行了改进,将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中.所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集,具有较好的通用性.实验结果表明,该方法同其他算法相比较,不仅可以保持甚至提高分类的准确性和压缩比,且具有快速分类的优势.(本文来源于《自动化学报》期刊2015年06期）
学习矢量量化论文开题报告
（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：
近些年来,神经网络方法被引入财务失败预测中。LVQ计算方法被应用到中国上市公司的财务危机预测模型中,通过对网络的反复训练和学习,得到了较满意的预测结果。对传统的BP神经网络方法与LVQ神经网络方法进行了分析比较。研究结果表明,LVQ比BP算法具有更高的预测精度。
（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。
学习矢量量化论文参考文献
[1].刘俊坤.基于深度学习和矢量量化的说话人识别研究[D].南京邮电大学.2018
[2].康彩丽.学习矢量量化神经网络在财务失败预测中的应用[J].长治学院学报.2018
[3].李萍.学习矢量量化神经网络在乳腺肿瘤诊断中的应用[J].山西电子技术.2018
[4].周晓克.基于经验小波变换和学习矢量量化神经网络的输电线路故障分类[D].燕山大学.2018
[5].李萍.学习矢量量化神经网络在人脸朝向识别中的应用[J].忻州师范学院学报.2018
[6].魏永合,刘炜,杨艳君,王志伟.基于流形学习与学习矢量量化神经网络的齿轮故障诊断模型[J].组合机床与自动化加工技术.2018
[7].李进东,王韬,吴杨,雷东.基于主成分分析和学习矢量量化的会话初始协议识别研究[J].计算机工程.2016
[8].武小红,蔡培强,武斌,孙俊,嵇港.基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究[J].光谱学与光谱分析.2016
[9].张弘强,王春红.基于学习矢量量化(LVQ)神经网络的医学生化分析系统[J].自动化技术与应用.2015
[10].李娟,王宇平.基于样本密度和分类误差率的增量学习矢量量化算法研究[J].自动化学报.2015
论文知识图
