导读:本文包含了神经网络研究类型应用研究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,卷积,类型,遥感,特征,示功图,含水层。
神经网络研究类型应用研究论文文献综述
王迪[1]（2019）在《深度卷积神经网络在湿地类型信息提取中的应用研究》一文中研究指出高分辨率遥感影像能够详细的描述地面物体的细节信息和复杂程度,与中低分辨率遥感影像相比,其在地物纹理、形状、光谱特征等方面都有更出色的表现,因此被广泛应用于地物分类、地表观测、自然资源动态监测等领域。而针对中低分辨率遥感影像的基于像元的分类方法和浅层机器学习算法无法满足高分辨率遥感影像的分类需求,如何使高分辨率遥感影像的分类效率和精度得到提高,已成为当前研究的热点。随着计算机性能的不断提高与人工智能的深入发展,大批学者已将深度学习方法应用于各个领域。研究表明,深度学习方法能够有效解决海量影像分类判别等前沿问题,为基于深度学习方法对高分辨率遥感影像的分类研究提供了可靠支撑。近年来,深度卷积神经网络作为深度学习模型,在图像识别领域实现了重大突破。其核心思想是利用模型局部感受野、权值共享、池化操作等结合起来,优化网络,使其具有一定程度的平移、缩放、扭曲变形等的不变性。本文基于深度卷积神经网络模型,提取了高分辨率遥感影像的湿地类型信息,更好的表达深度特征,挖掘地物信息。本文主要研究内容包括:(1)研究遥感影像传统监督分类与非监督分类方法;对深度学习方法进行研究,从网络结构、参数设置等方面对深度卷积神经网络进行分析;将传统分类方法与深度卷积神经网络分类方法进行比较分析。(2)以黑龙江公别拉河国家级自然保护区为研究区,基于2018年6月高分二号(GF-2)多光谱遥感影像数据。对湿地类型信息进行面向对象的多尺度分割,对20、30、40、50、100、150六种分割尺度进行比较,确定最佳分割效果。(3)将分割后的湿地类型信息通过深度卷积神经网络模型,构建深度网络结构、调整模型参数,实现自动识别和信息提取。通过对训练集和验证集以外的测试样本进行自动分类,获得较高精度的分类结果,体现了模型对数据特征学习的泛化能力。研究结果表明,深度卷积神经网络作为一种深层结构模型,能更深入的挖掘地物信息,表达深度特征。通过遥感影像多尺度分割结合深度卷积神经网络对影像信息进行自动识别、提取,可以获得更高的分类精度和分类效率。证明了卷积神经网络应用于高分辨率遥感影像分类的可行性和可靠性。(本文来源于《哈尔滨师范大学》期刊2019-06-01）
蒋兵,茅玉龙,曹俊纺[2]（2018）在《PNN神经网络模型在雷达信号调制类型识别中的应用》一文中研究指出针对雷达信号调制类型多样且识别成功率较低的问题,提出一种基于瞬时频率特征提取的雷达信号快速识别新算法。首先利用短时傅里叶变换(STFT)对信号进行特征提取,将提取到的特征进行排列组合,最后把重新组合的特征作为PNN神经网络的输入向量对其进行调制类型的识别。其中,通过改进PNN神经网络的输入输出部分使得最后的输出结果为各组合特征输入向量所得结果的最优值。通过计算机仿真对上述方法进行验证,并分析了PNN神经网络的结构和性能,与BP神经网络进行了比较。仿真结果表明,在雷达信号调制类型识别中应用PNN神经网络能大幅提高其识别效率,并拥有明显优于BP神经网络的分类性能。(本文来源于《现代电子技术》期刊2018年23期）
蒋兵,茅玉龙,曹俊纺[3]（2018）在《GRNN神经网络在雷达信号调制类型识别中的应用》一文中研究指出针对雷达信号调制类型多样且识别成功率较低,提出一种基于瞬时频率特征提取的雷达信号快速识别新算法。首先利用短时傅里叶变换(STFT)对信号进行特征提取,将提取到的特征进行排列组合,最后把重新组合的特征作为GRNN神经网络的输入向量对其进行调制类型的识别。其中,通过改进GRNN神经网络的输入输出部分,使得最后的输出结果为各组合特征输入向量所得结果的最优值。通过计算机仿真,对上述方法进行了验证,并分析了GRNN神经网络的结构和性能与BP神经网络进行了比较。仿真结果表明,在雷达信号调制类型识别中应用GRNN神经网络能大幅提高其识别效率,并拥有明显优于BP神经网络的分类性能。(本文来源于《电子设计工程》期刊2018年16期）
欧阳瑞麒,雍杨,王兵学[4]（2017）在《卷积神经网络在飞机类型识别中的应用》一文中研究指出为提高现代战争过程中对敌军飞机的识别能力,针对军用飞机样本量少、不同视角条件下形变明显的特点,提出一种融入center loss的卷积神经网络与ANN分类器结合的飞机类型识别方法。首先利用3Dmax软件制作的6 000张5类飞机图片对构建的多层CNN模型进行训练,并利用这些图片的CNN特征训练ANN分类器,然后用训练好的网络模型和分类器对真实飞机样本进行预测分类。实验结果表明:在样本量少且目标形状复杂的情况下,该方法对5类军事飞机的识别精度可达到97.17%,是一种切实可行的飞机类型识别算法。(本文来源于《兵工自动化》期刊2017年12期）
律方成,张波[5]（2014）在《LVQ神经网络在GIS局部放电类型识别中的应用》一文中研究指出通过在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒叁种缺陷模型,用超声波传感器在相同电压下采集到良好的局部放电波形。针对波形选取了7个特征参数,最后用LVQ神经网络对放电类型进行识别,其综合识别率达到96.7%,高于S_Kohonen神经网络,有很好的实用价值。(本文来源于《电测与仪表》期刊2014年18期）
邓辉,王春辉,陈泽新,支丽菊[6]（2010）在《应用人工神经网络模型识别白云岩类型》一文中研究指出显微镜下观察岩石结构结合地层岩石沉积背景的地质知识作出人为判断是地层岩性的常规识别方法。针对该方法需要专业技术性强、镜下观察能力高、识别结果受人为因素影响大的不利因素,以羌塘盆地白云岩类型识别为例,提出了一种简单、快速、有效的识别方法——人工神经网络识别法。在概述人工神经网络模型、简介BP神经网络模型拓扑结构及其训练算法的基础上,阐述了建立识别白云岩类型的神经网络模型的训练过程与注意事项。应用结果表明,该模型性能良好、有效可行,准确率高,可作为羌塘盆地识别白云岩类型的一种有效方法;同时,对于地层岩性识别研究向人工智能化方向发展具有引导作用。(本文来源于《录井工程》期刊2010年03期）
胡淑萍,余新晓,王小平,秦永胜,陈俊崎[7]（2008）在《人工神经网络在流域植被类型优化中的应用》一文中研究指出鉴于防护林体系植被类型受众多因素影响,并具有复杂的非线性特点,以近自然林业为理念,采用LM人工神经网络建立防护林体系植被类型优化模型,并用典型流域的现实数据对模型进行训练和预测验证。结果表明,用Matlab构建的模型方便、快捷,同时具有收敛速度快、预测精度高的特点,为防护林体系植被优化提供了一种行之有效的方法。(本文来源于《北京林业大学学报》期刊2008年S2期）
王钧漪,许进鹏,金黎明[8]（2008）在《神经网络的地下水类型判别系统及其应用》一文中研究指出简要介绍了BP神经网络的理论,在此基础上根据任楼矿区含水层水化学特征,建立判别含水层的BP神经网络模型,从而建立了防突水预警系统。实践证明,该神经网络系统对防范矿井突水有重要作用。(本文来源于《煤炭科技》期刊2008年03期）
韩国庆,刘瑞,代加强[9]（2007）在《神经网络在示功图类型识别中的应用》一文中研究指出示功图是判断油井生产状况的重要依据。神经网络能够反映任意非线性的映射关系,从而可以应用于图形识别。本文主要讨论BP神经网络判定示功图类型的实现过程,阐述了BP神经网络的算法结构、示功图特征提取,并给出了部分算例结果。(本文来源于《中国石油和化工》期刊2007年10期）
乔维德[10]（2006）在《BP神经网络在车辆类型识别系统中的应用》一文中研究指出介绍了基于BP及其改进算法的多层神经网络的学习训练方法,阐述了噪声测量法识别车辆类型的系统原理和方法。实践证明,基于BP神经网络的噪声测量方法能够快速、准确、有效地识别汽车车辆类型。(本文来源于《电气传动自动化》期刊2006年06期）
神经网络研究类型应用研究论文开题报告
（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：
针对雷达信号调制类型多样且识别成功率较低的问题,提出一种基于瞬时频率特征提取的雷达信号快速识别新算法。首先利用短时傅里叶变换(STFT)对信号进行特征提取,将提取到的特征进行排列组合,最后把重新组合的特征作为PNN神经网络的输入向量对其进行调制类型的识别。其中,通过改进PNN神经网络的输入输出部分使得最后的输出结果为各组合特征输入向量所得结果的最优值。通过计算机仿真对上述方法进行验证,并分析了PNN神经网络的结构和性能,与BP神经网络进行了比较。仿真结果表明,在雷达信号调制类型识别中应用PNN神经网络能大幅提高其识别效率,并拥有明显优于BP神经网络的分类性能。
（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。
神经网络研究类型应用研究论文参考文献
[1].王迪.深度卷积神经网络在湿地类型信息提取中的应用研究[D].哈尔滨师范大学.2019
[2].蒋兵,茅玉龙,曹俊纺.PNN神经网络模型在雷达信号调制类型识别中的应用[J].现代电子技术.2018
[3].蒋兵,茅玉龙,曹俊纺.GRNN神经网络在雷达信号调制类型识别中的应用[J].电子设计工程.2018
[4].欧阳瑞麒,雍杨,王兵学.卷积神经网络在飞机类型识别中的应用[J].兵工自动化.2017
[5].律方成,张波.LVQ神经网络在GIS局部放电类型识别中的应用[J].电测与仪表.2014
[6].邓辉,王春辉,陈泽新,支丽菊.应用人工神经网络模型识别白云岩类型[J].录井工程.2010
[7].胡淑萍,余新晓,王小平,秦永胜,陈俊崎.人工神经网络在流域植被类型优化中的应用[J].北京林业大学学报.2008
[8].王钧漪,许进鹏,金黎明.神经网络的地下水类型判别系统及其应用[J].煤炭科技.2008
[9].韩国庆,刘瑞,代加强.神经网络在示功图类型识别中的应用[J].中国石油和化工.2007
[10].乔维德.BP神经网络在车辆类型识别系统中的应用[J].电气传动自动化.2006
论文知识图
