导读:本文包含了训练样本选取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,样本,向量,均值,图像,模糊,能力。
训练样本选取论文文献综述
张荣[1]（2013）在《基于训练样本自动选取的SVM彩色图像分割方法研究》一文中研究指出图像分割是图像处理的重要研究内容,是进行图像分析的第一步。图像分割的目的就是从图像中提取人们所关心的目标。目前很多国内外学者已经针对这一问题提出了多种图像分割方法,然而这些方法并不能够普遍适用于所有不同种类的图像,所以一般的分割方法只对特定的图像有效。支持向量机(SVM)是基于统计学习理论的一种分类方法,现已被广泛应用在多个领域,如模式识别、数据分类、图像分割等。支持向量机是一种泛化能力很强的分类算法,所以,将SVM算法运用到图像分割中已成为一种普遍趋势,且可获得良好的分割效果。基于SVM的图像分割方法的本质思想是分类,它利用图像中像素点的灰度信息或其他特征作为训练样本的特征属性来训练SVM分类器,接着用训练好的分类器对图像进行分割。但是,由于SVM算法是一种有监督的分类算法,在应用于图像分割时需要人们为SVM模型选取适合且适量的训练样本,但是人们在选取训练样本时存在一定的主观性和随机性,而且费时费力,并不能获得令人满意的分割结果。因此,如何自动选取分布良好且适量的训练样本且使训练样本能广泛地代表该类样本点将成为基于支持向量机的图像分割的研究重点。本文针对基于SVM的图像分割方法中选取训练样本的问题,提出了两种可以自动获取训练样本并自动进行类别标记的SVM彩色图像分割方法。本文的主要工作包括：(1)对基于支持向量机的图像分割方法进行了深入的研究,指出现有SVM图像分割方法中存在的不足与弊端,并提出改进的方法。(2)将支持向量机算法与模糊C均值(Fuzzy C-Means, FCM)聚类算法相结合,提出了基于FCM和SVM的彩色图像分割方法。该算法首先使用FCM聚类算法对图像进行初分割,在分割后的两类样本点中自动随机选取适量的训练样本,然后分别提取图像的属性特征,本文分别提取颜色特征和纹理特征,将其作为训练样本的属性特征,然后训练SVM分类器,最后用训练好的分类器对图像进行分割。通过在伯克利图像数据库数据集上所做的大量实验结果表明该方法可取得很好的分割结果。(3)将支持向量机算法和分水岭算法相结合,提出了基于分水岭和SVM的彩色图像分割方法。该算法将分水岭算法分割出的小区域中心点作为SVM的训练样本,并与分割参考图对照自动进行类别标记。另外将图像颜色特征和纹理特征作为训练样本的特征属性进行训练。实验结果表明该方法相较上一种方法进一步提高了分割正确率,取得了更好的分割结果。(本文来源于《山西大学》期刊2013-06-01）
张荣,王文剑,白雪飞[2]（2012）在《基于训练样本自动选取的SVM彩色图像分割方法》一文中研究指出图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机(Support Vector Ma-chine,SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊C均值(Fuzzy C-Means,FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好的分割结果。(本文来源于《计算机科学》期刊2012年11期）
姜晓军,程卫东[3]（2007）在《神经网络训练样本选取与优化的研究》一文中研究指出泛化能力是神经网络性能的重要指标,泛化问题已成为网络研究领域的热点问题。本文分析了多层前向神经网络训练样本与网络泛化能力之间的关系,并讨论了在不利的情况下,如何从样本质量和样本数量方面改善网络的泛化能力。(本文来源于《第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（下册）》期刊2007-10-01）
李运锋,袁景淇,薛耀锋[4]（2004）在《发酵过程中神经网络训练样本的选取》一文中研究指出提出一种新的样本选择方法———统计平均法 ,并以叁层BP网络青霉素产量预报为例进行验证 ,结果显示该方法在不降低预报精度的情况下 ,能显着减少训练样本数目。相比Kohonen网络法和Kennard Stone法等其它样本选择方法 ,该方法更为简单可行(本文来源于《化工自动化及仪表》期刊2004年06期）
钱政,杨莉,严璋[5]（1999）在《组合神经网络模型中典型训练样本集的选取》一文中研究指出以变压器油中溶解气体含量的分析结果为基础，利用人工神经网络技术可比较有效地解决电力变压器的故障诊断问题。本文引入一个组合神经网络模型以实现对变压器绝缘故障的多分辨识别，并在此基础上结合多元统计分析技术初步实现了组合神经网络模型中训练样本集的典型性筛选，仿真结果也显示出所提方法的有效性。(本文来源于《高电压技术》期刊1999年04期）
孙功星,戴长江,戴贵亮[6]（1996）在《训练样本的选取对网络性能的影响》一文中研究指出神经网络的训练效果相当地仍依赖于样本的选取。本文介绍叁种不同的样本选取方案，并从ＭｏｎｔｅＣａｒｌｏ实验进行比较研究来探讨这个问题。模拟分析结果表明，虽然叁种方法选取的样本分布迥异，但训练后的网络泛化能力都很强，即接近于Ｂａｙｅｓ极限。此外，网络的泛化能力还依赖于训练样本集的大小。因此，适当地选取训练样本子集不仅使网络有较好的执行结果，还可以减少训练时间。(本文来源于《核电子学与探测技术》期刊1996年06期）
训练样本选取论文开题报告
（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：
图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机(Support Vector Ma-chine,SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊C均值(Fuzzy C-Means,FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好的分割结果。
（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。
训练样本选取论文参考文献
[1].张荣.基于训练样本自动选取的SVM彩色图像分割方法研究[D].山西大学.2013
[2].张荣,王文剑,白雪飞.基于训练样本自动选取的SVM彩色图像分割方法[J].计算机科学.2012
[3].姜晓军,程卫东.神经网络训练样本选取与优化的研究[C].第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（下册）.2007
[4].李运锋,袁景淇,薛耀锋.发酵过程中神经网络训练样本的选取[J].化工自动化及仪表.2004
[5].钱政,杨莉,严璋.组合神经网络模型中典型训练样本集的选取[J].高电压技术.1999
[6].孙功星,戴长江,戴贵亮.训练样本的选取对网络性能的影响[J].核电子学与探测技术.1996
论文知识图
