导读:本文包含了训练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:神经网络,算法,卷积,深度,水军,近邻,拓扑。
训练算法论文文献综述
刘传凯,何宪文,杨刚[1]（2019）在《基于带内迭加训练的信道估计算法》一文中研究指出在放大转发(AF)协作中继网络中,同时获取级联信道(S-R-D)和单跳链路(R-D)信道的状态信息是实现协作分集增益系统优化的关键因素。提出时分复用(TM)与带内迭加训练(ST)组合的方法,在源节点采用TM的训练方案对级联链路(S-R-D)和直传链路(S-D)进行准确的信道估计,同时在中继节点采用将训练迭加到接收数据的带内迭加的训练方案对单跳链路(R-D)进行信道估计,不耗费额外的带宽资源。为了消除ST方案中协作数据对R-D信道估计造成的干扰,在接收端采用数据依赖性失真移除(DDD)迭代方案提高了单跳链路信道估计的性能。实现了来自直传链路S-D和协作链路S-R-D接收信号的联合均衡和空间分集合并。仿真结果表明,分集合并可以消除误码率平台,提高符号检测性能。(本文来源于《通信技术》期刊2019年12期）
沈悦[2]（2019）在《铁路异物入侵深度识别网络快速训练算法》一文中研究指出异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的,针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题,本文提供了一种快速训练算法,采用网络迁移压缩同时进行的方式,提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务,只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明,在基于铁路场景数据库的测试中,该算法可以将原始VGG16模型的参数消耗内存压缩1 020倍,在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34%。(本文来源于《电子设计工程》期刊2019年22期）
王岩,吴晓富[3]（2019）在《深度神经网络训练中适用于小批次的归一化算法》一文中研究指出近年来,批归一化(Batch Normalization,BN)算法已成为深度网络训练不可或缺的一部分。BN通过计算批次中示例的均值和方差来对输入进行归一化,从而缓解深度神经网络训练中的梯度爆炸或者消失的问题。但是,由于算法与批次大小有关,BN算法用于小批次时会因为不准确的估计导致性能下降。批重归一化(Batch ReNormalization,BRN)用指数移动平均(Exponential Moving Average,EMA)后的值对输入进行归一化操作,减小了归一化算法对批次的依赖。本文基于图像分类任务研究了在输入是小批次时归一化技术的应用,提出了通过改变EMA初值并对估计值加以修正来得到更准确的参数估计的批归一化算法。实验结果表明,所提算法与标准的BN和BRN算法相比,收敛速度更快,准确率有一定的改善。(本文来源于《计算机科学》期刊2019年S2期）
杨平,赵燕伟,郑建炜,王万良[4]（2019）在《图像组转置训练及非凸约束的去噪去模糊算法》一文中研究指出针对稀疏表示模型的过完备字典集训练过程中图像块采样不充分问题,提出图像组转置训练及非凸约束的去噪去模糊算法.采用组间方差约束的图像块搜索策略,并根据自适应软阈值对筛选的字典集进行转置学习.在重构过程中采用l_p(0<p<1)范数约束以保证结果的强稀疏性.最后采用Bregman拆分迭代法求解文中非凸模型.实验表明,文中算法重构图像具有较好的视觉效果,去噪去模糊效果较优.(本文来源于《模式识别与人工智能》期刊2019年10期）
张慧,颜彪[5]（2019）在《基于训练序列的MIMO-FBMC系统同步算法的改进》一文中研究指出针对多输入多输出滤波器组多载波(Multiple Input Multiple Output Filter Bank Multi Carrier,MIMO-FBMC)系统的同步问题,提出了一种基于训练序列(Training Sequence)的同步技术改进算法。该算法利用ZC(Zadoff-Chu)序列构造训练序列,并将训练序列分为3部分,第1、2部分采用相同的训练符号,第3部分2次复制第1部分的后半部分,多天线上的训练序列利用循环移位来实现,再分别利用它们的相关性来进行定时同步和频率偏移的估计。仿真结果表明,与Schmidl及Minn算法相比,改进的训练序列结构和算法减小了计算量,同时可获得更高的定时性能和更低的误码率。(本文来源于《无线电通信技术》期刊2019年06期）
陈培,王超,王德奎,张东,房体盈[6]（2019）在《针对分布式深度学习训练的Kubernetes集群网络拓扑调度算法》一文中研究指出深度学习与Kubernetes相结合现今已经被业界广泛采用并有着大规模的实际应用,然而深度学习在Kubernetes集群上进行分布式训练有着诸多的不足和待优化点。本文针对Kubernetes集群的网络拓扑和深度学习分布式训练的特点对Kubernetes默认任务调度算法做了相关优化,在Kubernetes集群上采用Gang-scheduling和基于网络拓扑优化后的调度算法对分布式深度学习训练任务进行调度,经测试验证,相比默认的Kubernetes调度算法,该调度算法能够有效利用网络拓扑结构,并且对分布式深度学习训练速度有着明显的提高。(本文来源于《信息技术与信息化》期刊2019年09期）
刘建,黄娇洁[7]（2019）在《一种算法对于深层神经网络训练速度的提升》一文中研究指出如今深度学习在声纹识别的领域取得了不错的成绩,其中代表就是卷积神经网络(CNN),但是传统的神经网络训练过程中需要耗费大量的时间。为了解决这一问题,本文了快速批量归一化算法(FBN),用以提高网络的融合速度,缩短培训时间。卷积神经网络训练时需要大量的样本数据,本文对TIMIT数据集预处理之后进行数据增强处理,防止过拟合发生。实验结果表明,与没有FBN的网络相比,具有FBN的CNN网络减少了48.04%的额训练时间。(本文来源于《电脑知识与技术》期刊2019年24期）
韩晴晴,张艳梅,牛娃[8]（2019）在《基于半监督协同训练算法的微博水军识别》一文中研究指出在迅速发展的互联网时代,微博产生了大量的信息,但是在微博话题等地带存在着较多水军,水军在一定程度上影响了普通用户了解某人或者某事的真实情况。因此,为了高效、准确地识别水军,针对水军样本数量少、非水军样本数量庞大等问题,综合考虑使用半监督协同训练算法。该算法通过研究微博用户的多个特征并对其进行综合分析,重新定义了6个属性特征值,包括账户关注度、每日发表微博数、微博影响力等。依据算法的特点,将6个属性特征值分为两个属性集,每个属性集对应一个视图,每个视图利用Scikit-Learn机器学习库中的7种分类方法训练出分类器,以对微博用户进行水军识别,最后在爬取的微博用户数据集上进行实验。实验结果表明,两个视图在分别使用朴素贝叶斯算法、逻辑回归算法训练分类器时,分类结果的准确率、召回率、精度和F1-measure值都较高。因此,综合分析微博用户特征并且使用符合实际情况的半监督协同训练算法,能够准确、高效、快速地识别微博水军。(本文来源于《计算机科学》期刊2019年11期）
魏巍,全海燕[9]（2019）在《基于单形进化的径向基网络训练算法》一文中研究指出在引入智能优化算法的径向基神经网络训练算法中,智能优化算法的控制参数对该算法的学习性能影响很大.为此,提出了一种基于单形进化的径向基神经网络训练算法.该算法基于单形邻域的全随机搜索方法减少算法控制参数,借助群体的多角色态保持粒子的多样性,避免算法陷入局部极值点.仿真结果表明:相比于其他算法,该算法训练的径向基神经网络不仅有效提高了识别率,而且减少了控制参数对学习性能的影响,提高了算法的普适性与鲁棒性.(本文来源于《应用科学学报》期刊2019年04期）
李婷婷,吕佳[10]（2019）在《基于加权K最近邻改进朴素贝叶斯自训练算法》一文中研究指出针对传统半监督自训练方法在学习朴素贝叶斯分类器过程中容易误标记无标记样本,且整个过程未能利用到训练样本的空间结构信息,导致正确率不高的问题,提出了一种基于加权K最近邻改进朴素贝叶斯自训练算法。该算法利用加权K最近邻算法计算出无标记样本的隶属度,通过隶属度选出与已标记样本空间结构相近的样本,使得朴素贝叶斯分类器在一个较好的空间结构上对未标记样本进行分类,充分地利用样本的空间结构信息,从而降低了自训练过程中的迭代错误。在UCI和Kaggle数据集上的对比实验结果表明,该方法的性能相对于传统半监督自训练算法有所改善。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
训练算法论文开题报告
（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：
异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的,针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题,本文提供了一种快速训练算法,采用网络迁移压缩同时进行的方式,提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务,只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明,在基于铁路场景数据库的测试中,该算法可以将原始VGG16模型的参数消耗内存压缩1 020倍,在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34%。
（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。
训练算法论文参考文献
[1].刘传凯,何宪文,杨刚.基于带内迭加训练的信道估计算法[J].通信技术.2019
[2].沈悦.铁路异物入侵深度识别网络快速训练算法[J].电子设计工程.2019
[3].王岩,吴晓富.深度神经网络训练中适用于小批次的归一化算法[J].计算机科学.2019
[4].杨平,赵燕伟,郑建炜,王万良.图像组转置训练及非凸约束的去噪去模糊算法[J].模式识别与人工智能.2019
[5].张慧,颜彪.基于训练序列的MIMO-FBMC系统同步算法的改进[J].无线电通信技术.2019
[6].陈培,王超,王德奎,张东,房体盈.针对分布式深度学习训练的Kubernetes集群网络拓扑调度算法[J].信息技术与信息化.2019
[7].刘建,黄娇洁.一种算法对于深层神经网络训练速度的提升[J].电脑知识与技术.2019
[8].韩晴晴,张艳梅,牛娃.基于半监督协同训练算法的微博水军识别[J].计算机科学.2019
[9].魏巍,全海燕.基于单形进化的径向基网络训练算法[J].应用科学学报.2019
[10].李婷婷,吕佳.基于加权K最近邻改进朴素贝叶斯自训练算法[J].武汉大学学报(理学版).2019
论文知识图
