导读:本文包含了神经网络模式识别论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,局部,卷积,深度,图像,时域,自然语言。
神经网络模式识别论文文献综述写法
毛振宇,李方利,叶玉明,王朋朋,袁秋实[1]（2019）在《基于BP神经网络算法的电缆局部放电类型模式识别》一文中研究指出利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。(本文来源于《机电信息》期刊2019年27期）
章坚[2]（2019）在《基于灰度图中心矩与概率神经网络分类器的局部放电模式识别》一文中研究指出为了提高局部放电的识别率与速度,本文将矩特征与概率神经网络相结合应用于局部放电模式识别,采集了开关柜四种缺陷放电类型。通过每种放电类型的叁维谱图谱图获取矩特征。将得到的矩特征输入概率神经网络(PNN)进行分类识别。并分别与统计特征输入PNN、矩特征输入BP、HMM(隐马尔科夫模型)、贝叶斯分类器进行了比较。实验结果表明,基于矩特征与概率神经网路相结合对开关柜缺陷类型的分类效果令人满意。(本文来源于《通讯世界》期刊2019年07期）
唐周[3]（2019）在《基于深度卷积神经网络的相机模式识别》一文中研究指出人工智能开始走进生活方方面面,并已经开始应用于各行各业。随着深度卷积神经网络的快速发展,深度卷积网络结构的优化、完善,深度卷积神经网络在图像识别、检测领域发挥着重要的作用。目前,给定相机图像来识别手机品牌的相机模式识别在图像溯源领域引起了很大的关注。本文首先应用当前流行的深度卷积神经网络(Goog Le Net、Res Net、Dense Net)在多种手机相机模式上进行识别,同时针对叁种深度卷积网络在网络结构上、识别效果上进行分析比较,我们的实验结果证明了深度卷积神经网络在相机模式识别上的高效性。(本文来源于《时代金融》期刊2019年17期）
张艾伦[4]（2019）在《基于概率神经网络分类器的Φ-OTDR分布式光纤扰动传感系统模式识别研究》一文中研究指出分布式光纤传感系统具有无需外场供电、抗电磁干扰能力强、探测灵敏度高、监测范围广、便于集成等优势,已经成为了传感器领域的研究热点之一。目前,分布式光纤传感系统己广泛应用于油气管道状态检测、大型结构探伤、国土安全监控等诸多领域。在众多类型的分布式光纤传感技术中,基于相位敏感光时域反射器(Φ-OTDR)的传感系统凭借着其空间分辨率高、系统结构简单、可同时定位多个扰动事件等优点,成为当前长距离分布式光纤传感系统研究的主流方向之一。本文针对Φ-OTDR分布式光纤传感系统在实际应用中遇到的误报率较高、对于扰动事件是否有害判别不清的问题,提出了基于概率神经网络(PNN)模型分类器的扰动事件模式识别方法,有效实现了对不同类型的扰动事件的区分。本文主要完成的研究工作如下:(1)在理论研究Φ-OTDR分布式光纤传感系统的原理及其系统的输出信号特征的基础上,构建了基于Φ-OTDR分布式光纤传感实验平台,实验采集浇水、攀爬、敲击与碾压四类扰动信号以及无扰动时的输出信号,研究了时域信号及时域差分信号相应的特征值的提取并将扰动信号划分为测试样本,为后续扰动信号模式识别研究奠定了基础。(2)提出了基于概率神经网络模型的扰动事件模式识别方法,并通过样本数据加以实验验证。实验结果表明该方法对于五种事件类型(浇水、攀爬、敲击、碾压与无扰动)的平均识别正确率达到了 97.57%、95.68%、99.92%、99.08%、99.97%,该方法可以有效区分不同扰动事件,但实时性较低。网络模型的建立与识别的平均时间为1.1369秒。(3)根据概率神经网络模型的工作流程,为了实现在保证识别准确性的前提下改善算法的实时性,提出了通过使用平均影响因子的改进方案与通过使用主成分分析方法的改进方案,并通过仿真实验对两种方案加以验证。两种方案的对五种情况的平均识别正确率分别达到了 93.36%、92.48%、97.01%、96.99%、99.60%和96.80%、94.13%、99.36%、98.45%、99.95%,两种改进方案的识别时间分别为 0.8745秒和0.9308秒,较原始模型有所提高。(4)根据现有样本数据探索一种“删减-放回”的样本库构建方法,并利用这种方法建立起两种改进模型样本占总样本比重为70%、60%、50%、40%的样本库,并加以实验验证分析。试验结果表明在现有数据基础上,在使用占比为50%以上的样本库进行识别工作仍可以得到90%以上的正确率。(本文来源于《北京交通大学》期刊2019-06-01）
李双秀[5]（2019）在《基于神经网络的模式识别在自然语言处理中的应用》一文中研究指出随着社会信息化进程,互联网拥有了海量的数据,处理文本数据的需求日益增多,使得自然语言处理(Natural Language Processing,NLP)成为极具研究价值的领域之一。文本分类作为文本数据挖掘的基础任务,被广泛用于推荐系统、垃圾邮件识别、语音助手等任务。如何构造归纳学习能力强大,同时,兼具可解释性高、适用场景灵活的分类模型,一直是极具挑战的难点。近年来,被认为是解决此难点的途径——神经符号学习,日益成为研究的前沿方向。本文基于公司的研究项目~([1]),研究升规则系统的方法,项目组出了“神经规则引擎”模型(Neural Rule Engine,NRE)。NRE模型使用的方法对于升级现有的规则系统以及构建不依赖于大量数据的神经规则系统,有很好的应用价值。NRE模型的创新点及主要工作如下:(1)不同于以往的研究者将符号知识引入神经网络,NRE模型采用全新的融合策略——利用神经网络来改善规则的效果,来增强模型的学习能力和可解释性。NRE模型,从所有规则中抽象出统一的基本操作模块,再通过解析器生成模块的执行顺序和参数,最后按顺序执行模块生成输出。(2)对引入神经网络的模块,使用随机窗口和正则匹配,来自动生成模块的训练数据集,从而无需人工构造训练数据。初步模块训练后,通过强化学习,改善模块的训练效果。对于神经网络实现的模块,难以用单独的数字作为输入信息,来代表序列的定点之间的距离信息的难点,采用了带有距离信息的序列,作为网络输入,加以有效解决。(3)解析器采用编码-解码架构,并引入Attention机制,预测模块的生成顺序和参数。在实验中,对于是否采用规则模块化的策略进行对比,实验证明模块化策略对于规则的有效编码十分有效。(4)实验部分,对引入神经网络的四个模块及解析器,都进行了单独模块测试,分析每一个模块加入神经网络对NRE模型的泛化能力的影响大小。在保持较高精确率的前下,NRE的召回率相对于规则系统,在中国犯罪案例分类数据集上,升了19.31%,在英语关系分类数据集SemEval-2010 Task 8上,升了5.32%。实验结果表明,NRE模型可以有效高规则的泛化能力,在显着高召回率的同时,仍然能保持较高的精度。(本文来源于《电子科技大学》期刊2019-03-20）
张重远,岳浩天,王博闻,刘云鹏,罗世豪[6]（2019）在《基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法》一文中研究指出电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。(本文来源于《电网技术》期刊2019年06期）
范国华[7]（2018）在《基于循环神经网络的模式识别模型探析》一文中研究指出现代技术飞速发展,模型识别技术突飞猛进。循环神经网络有着强大的数据处理功能,数据压缩能力和容错能力相对较强。将循环神经网络引入模式识别中,可以收获事半功倍的效果。本文将以BAM-BP为例,具体探讨基于循环神经网络的模式识别模型,希望能为相关人士提供一些参考。(本文来源于《风景名胜》期刊2018年12期）
李志新,赖志琴,龙云墨,徐桂弘[8]（2018）在《基于模式识别神经网络的水资源配置评价模型研究》一文中研究指出针对传统水资源配置合理性评价方法中存在的缺陷,为了解决其在评价过程中确定参数或指标权重时较大主观任意性的问题,基于模式识别神经网络和水资源配置评价指标及分级标准构建了模式识别神经网络水资源配置评价模型,该模型数据通过在分级标准阈值区间以随机内插方法产生,以分类误判百分率和交叉熵为模型性能评价指标,模型经过设计实现,对其进行了训练及测试实验,并结合实例应用该模型进行了全国各省级行政区水资源配置评价。实验结果表明:模式识别神经网络水资源配置评价模型精度性能较高、分类能力优良,其训练集、验证集及测试集交叉熵误差分别为2.81×10~(-7)、3.07×10~(-7)、1.31×10~(-6),且其分类误判百分率都为0;进一步的实例分析进一步表明,模型应用于水资源配置评价实践中的合理可行性,评价结果分析则揭示了在水资源配置中存在的突出问题,提出了改进配置合理性的建议。(本文来源于《中国农村水利水电》期刊2018年11期）
宋明明,王东城,张帅,徐扬欢,刘宏民[9]（2018）在《基于循环神经网络的板形模式识别模型》一文中研究指出板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。(本文来源于《钢铁》期刊2018年11期）
万晓琪,宋辉,罗林根,李喆,盛戈皞[10]（2019）在《卷积神经网络在局部放电图像模式识别中的应用》一文中研究指出随着大数据平台的建立,数据中心积累了大量现场检测存储的图像等非结构化数据。传统的局部放电模式识别方法一般针对结构化数据,无法直接应用于非结构化数据。为解决该问题,提出一种基于一维卷积神经网络的局部放电时域波形图像的模式识别方法。利用图像处理技术对输入图像进行预处理,获取数据一维特性并进行线性归一化。基于深度学习,利用网络直接进行模式识别。通过变电站现场带电检测和实验室模拟实验,建立了5种局放缺陷类型的时域波形图像数据集,并进行了对比实验。实验结果表明,使用一维卷积神经网络对局放缺陷进行模式识别的正确率为88.9%,显着优于支持向量机、反向传播神经网络模型,且在相同时间复杂度情况下优于二维卷积神经网络。该方法通过网络自主学习特征,无需人工提取,实现了对时域波形图像类非结构化数据的直接识别,实验复杂度低,具有更高识别率和更好鲁棒性。(本文来源于《电网技术》期刊2019年06期）
神经网络模式识别论文开题报告范文
（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：
为了提高局部放电的识别率与速度,本文将矩特征与概率神经网络相结合应用于局部放电模式识别,采集了开关柜四种缺陷放电类型。通过每种放电类型的叁维谱图谱图获取矩特征。将得到的矩特征输入概率神经网络(PNN)进行分类识别。并分别与统计特征输入PNN、矩特征输入BP、HMM(隐马尔科夫模型)、贝叶斯分类器进行了比较。实验结果表明,基于矩特征与概率神经网路相结合对开关柜缺陷类型的分类效果令人满意。
（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。
神经网络模式识别论文参考文献
[1].毛振宇,李方利,叶玉明,王朋朋,袁秋实.基于BP神经网络算法的电缆局部放电类型模式识别[J].机电信息.2019
[2].章坚.基于灰度图中心矩与概率神经网络分类器的局部放电模式识别[J].通讯世界.2019
[3].唐周.基于深度卷积神经网络的相机模式识别[J].时代金融.2019
[4].张艾伦.基于概率神经网络分类器的Φ-OTDR分布式光纤扰动传感系统模式识别研究[D].北京交通大学.2019
[5].李双秀.基于神经网络的模式识别在自然语言处理中的应用[D].电子科技大学.2019
[6].张重远,岳浩天,王博闻,刘云鹏,罗世豪.基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J].电网技术.2019
[7].范国华.基于循环神经网络的模式识别模型探析[J].风景名胜.2018
[8].李志新,赖志琴,龙云墨,徐桂弘.基于模式识别神经网络的水资源配置评价模型研究[J].中国农村水利水电.2018
[9].宋明明,王东城,张帅,徐扬欢,刘宏民.基于循环神经网络的板形模式识别模型[J].钢铁.2018
[10].万晓琪,宋辉,罗林根,李喆,盛戈皞.卷积神经网络在局部放电图像模式识别中的应用[J].电网技术.2019