导读:本文包含了学习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,可编程,门阵列,神经网络,多核,函数,在线。
学习算法论文文献综述
卢虹竹[1]（2019）在《基于深度学习算法的人脸识别管理系统》一文中研究指出针对学生管理中人脸认证智能安防的需求,文中首先基于深度学习理论对人脸识别的相关算法进行了研究,在卷积神经网络的基础上,以提高人脸识别的准确率为目的,重新设计了包含11个卷积层和4个池化层的网络结构。网络使用标准人脸数据集CASIA-WebFace进行训练,在LTW库上的人脸识别准确率可以达到97. 8%以上。基于该深度学习网络,设计人脸识别管理系统,系统实现了1∶1的人脸认证和1∶N的人脸识别。由于深度学习算法的引入,人脸搜索系统的搜索时间小于0. 7s,大幅提高人脸识别技术的效率和实用性。(本文来源于《信息技术》期刊2019年12期）
苗晓锋,刘志伟[2]（2019）在《引入反向学习机制的自适应差分进化算法研究》一文中研究指出差分进化算法(DE)是一种着名的处理非线性复杂问题的优化技术,为改进其计算开销大,参数设置与问题本身特性过于相关等缺陷,提出了一种新的差分进化算法(MDE)。它结合了反向学习(OBL)和自适应控制机制来进行参数调整,从而能加速算法收敛,同时提高求解成功率。在Matlab环境中进行的测试实验结果表明,MDE在收敛速度、鲁棒性和计算开销等方面的性能在大部分测试用例上优于已有的多种算法,证明混合策略是一种行之有效的差分进化算法的研究路径。(本文来源于《计算机与数字工程》期刊2019年12期）
朱德刚,洪建,张洁[3]（2019）在《基于反向学习和高斯扰动的粒子群优化算法》一文中研究指出针对标准粒子群优化算法(Particle Swarm Optimization,PSO)收敛速度慢,易陷入局部最优的问题,提出一种基于反向学习和高斯扰动的粒子群优化算法。算法在粒子"自我学习"基础上,随机选择种群中任意粒子的反向位置,对当前粒子进行反向学习,增加种群多样性。算法在进化过程中,还对全局最优位置进行高斯扰动,防止算法陷入局部最优。实验表明,相比较传统知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等。论文算法在30维和100维测试函数上,无论是收敛精度,还是收敛速度,均具有明显的优势。(本文来源于《计算机与数字工程》期刊2019年12期）
李泗兰,郭雅[4]（2019）在《基于深度学习哈希算法的快速图像检索研究》一文中研究指出现在存在的大部分监督哈希是将手工提取的特征转换为哈希值,然后根据图像标签为监督信息得到损失函数,但是手工提取特征以及不完全考虑所有损失的损失函数会降低检索精度。监督哈希算法主要目的是通过训练数据以及数据的标签提升数据与相应哈希的相似度,从而提高检索的相似度。论文提出了一个新的监督哈希算法,将每个图像的多标签转换为二进制向量,通过汉明距离得到成对图像的相似度,放入损失函数中作为监督信息,加上图像特征量化为哈希码时的量化误差以及所有图像哈希码与平衡值的差值,结合以上所有部分生成损失函数,进行网络训练。实验结果显示论文的方法在检索精度上比现有的方法有所提升。(本文来源于《计算机与数字工程》期刊2019年12期）
李科文,张必武,陈发燕,唐莹[5]（2020）在《几种推荐算法的学习》一文中研究指出每当我们打开淘宝时,你会发现,首页的推荐商品是你前几天搜索过或者浏览过的商品的同类商品。打开今日头条,每次他都能精准的为你推送你想看到的新闻。又例如你喜欢看关于猫的视频,在抖音、快手中看了很多条关于猫的视频,那么你会发现,你下面的视频中,关于猫的视频占比会非常之大。而这些,都是使用了各种种类的推荐算法,以此做到精准的个性化推荐。例如,微博的热搜榜,就是使用了基于热度的推荐算法。当然,不管是对于商品还是新闻(以下简称item)的推荐,不止是一种推荐算法在里面发挥作用。是多种推荐算法的融合、取权,再推荐组合。(本文来源于《现代营销(经营版)》期刊2020年01期）
杜慧敏,顾文宁,张霞[6]（2019）在《基于FPGA的深度学习分类算法高效实现》一文中研究指出为在嵌入式应用领域中实现高性能、低功耗的深度学习算法,针对网络的前向传播过程,通过设计指令格式和数据格式来传输CNNs计算所需要的参数,采用基于FPGA的软硬件协同设计的方法,构建面向嵌入式应用的深度学习分类系统。实验结果表明,在100MHz的工作频率下,与GPU实现相比,该加速器在保证分类精度的情况下,整个网络的平均性能为0.08GOP/s,能耗比为GTX 1070的2.29倍,功耗仅为GPU的2.114%。(本文来源于《计算机工程与设计》期刊2019年12期）
刘伟,王伶俐,周灏[7]（2019）在《基于深度学习的FPGA快速布局算法》一文中研究指出本文提出一种新型的基于深度学习的FPGA快速布局算法,将FPGA布局转化为动态的进行逻辑单元块的选择和逻辑单元块位置确定的过程,从而实现电路网表在FPGA上的逐步布局.其中每一个逻辑单元块的位置确定由训练好的深度学习网络预测实现,所有逻辑单元块位置确定之后采用基于交换的快速详细布局算法进行优化.实验中使用MCNC基准电路进行测试,将测试结果与VPR中基于模拟退火的布局算法进行对比,结果表明:在关键路径延时平均9.8%布线后的损失代价下,整个布局过程的运行速度平均提升了24.54倍,其中处理十万量级大规模电路实现64.9倍的速度提升.(本文来源于《复旦学报(自然科学版)》期刊2019年06期）
张东阳,叶春明[8]（2019）在《应用强化学习算法求解置换流水车间调度问题》一文中研究指出面对日益增长的大规模调度问题,新型算法的开发越显重要.针对置换流水车间调度问题,提出了一种基于强化学习Q-Learning调度算法.通过引入状态变量和行为变量,将组合优化的排序问题转换成序贯决策问题,来解决置换流水车间调度问题.采用所提算法对OR-Library提供Flow-shop国际标准算例进行测试,并与已有的一些算法对比,结果表明算法的有效性.(本文来源于《计算机系统应用》期刊2019年12期）
王晓霞,徐晓钟,张彤,高超伟[9]（2019）在《基于集成深度学习算法的燃气负荷预测方法》一文中研究指出燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混迭问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.(本文来源于《计算机系统应用》期刊2019年12期）
裴乐,刘群,舒航[10]（2019）在《结合遗忘特性的多任务多核在线学习算法》一文中研究指出对于数据流的处理,多任务多核学习已逐渐成为在线学习算法研究的热点,它在一定程度上可提高数据流预测的准确性。多核方法尽可能使用最少的核函数得到最好的实验效果,当数据量增大、训练模型稳定时,通过阈值限定的方法对核函数进行遗忘,从而减少基本核函数的使用个数,使得计算更加简单;对于算法的优化,通过引入一个遗忘变量,从对偶的角度来进一步优化权重更新过程,这里的权重指多个任务的共有特征权重和每个任务间的特有权重,以提高算法的收敛速度。实验部分对核函数的选取进行了较为详细的分析,通过对UCI数据集和实际的机场客流量数据集进行分析,证明该本算法的合理性和高效性。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年06期）
学习算法论文开题报告
（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：
差分进化算法(DE)是一种着名的处理非线性复杂问题的优化技术,为改进其计算开销大,参数设置与问题本身特性过于相关等缺陷,提出了一种新的差分进化算法(MDE)。它结合了反向学习(OBL)和自适应控制机制来进行参数调整,从而能加速算法收敛,同时提高求解成功率。在Matlab环境中进行的测试实验结果表明,MDE在收敛速度、鲁棒性和计算开销等方面的性能在大部分测试用例上优于已有的多种算法,证明混合策略是一种行之有效的差分进化算法的研究路径。
（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。
学习算法论文参考文献
[1].卢虹竹.基于深度学习算法的人脸识别管理系统[J].信息技术.2019
[2].苗晓锋,刘志伟.引入反向学习机制的自适应差分进化算法研究[J].计算机与数字工程.2019
[3].朱德刚,洪建,张洁.基于反向学习和高斯扰动的粒子群优化算法[J].计算机与数字工程.2019
[4].李泗兰,郭雅.基于深度学习哈希算法的快速图像检索研究[J].计算机与数字工程.2019
[5].李科文,张必武,陈发燕,唐莹.几种推荐算法的学习[J].现代营销(经营版).2020
[6].杜慧敏,顾文宁,张霞.基于FPGA的深度学习分类算法高效实现[J].计算机工程与设计.2019
[7].刘伟,王伶俐,周灏.基于深度学习的FPGA快速布局算法[J].复旦学报(自然科学版).2019
[8].张东阳,叶春明.应用强化学习算法求解置换流水车间调度问题[J].计算机系统应用.2019
[9].王晓霞,徐晓钟,张彤,高超伟.基于集成深度学习算法的燃气负荷预测方法[J].计算机系统应用.2019
[10].裴乐,刘群,舒航.结合遗忘特性的多任务多核在线学习算法[J].重庆邮电大学学报(自然科学版).2019
论文知识图
