导读:本文包含了自组织图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,组织,锂电池,电动车,图象,算法,颗粒。
自组织图论文文献综述
吴蕾,田儒雅,张学福[1]（2016）在《稀疏分层概率自组织图实例迁移学习方法》一文中研究指出针对基于实例的迁移学习在关联多源异构领域数据时遇到的数据颗粒度不匹配问题,以单领域分层概率自组织图(Hi PSOG)聚类方法为基础,提出一种具有迁移学习能力的稀疏化非监督分层概率自组织图(TSHi PSOG)方法。首先,在源领域和目标领域分别基于概率混合多变量高斯分布生成分层自组织模型以便在多领域中分别提取不同粒度的表示向量,并用稀疏图方法通过概率准则控制模型增长;其次,利用最大信息系数(MIC),在具有富信息的源领域中寻找与目标领域表示向量最相似的表示向量,并利用这些源领域表示向量的类别标签细化目标领域数据分类;最后,在国际通用分类数据集20新闻组数据集和垃圾邮件检测数据集上进行了实验,结果表明算法可以利用源领域的有用信息辅助目标领域的分类问题,并使分类准确率最高提高约15.26%和9.05%;对比其他经典迁移学习方法,通过稀疏分层可以挖掘不同颗粒度的表示向量,分类准确率最高提高约4.48%和4.13%。(本文来源于《计算机应用》期刊2016年03期）
刘涛,黄智勇[2]（2012）在《一种基于多重自组织图的电子鼻漂移抑制方法》一文中研究指出多重自组织图(mutiple self-organizing maps,MSOM)神经网络可以补偿电子鼻中传感器阵列产生的漂移。通过理论分析指出:该方法在同种样本连续进样的情况下,存在丧失漂移补偿能力的可能。针对这一问题,提出了一种改进的MSOM重训练方法——增量重训练法,该方法通过估计漂移变化趋势对神经网络权值进行全面调整。实验结果表明,增量重训练法通过改善重训练过程中漂移信息获取的公平性,增强了MSOM的漂移补偿能力,提高了识别准确率。(本文来源于《仪器仪表学报》期刊2012年06期）
Paolo,Raspa,Leonardo,Frinconi,Adriano,Mancini,Matteo,Cavalletti,Sauro,Longhi[3]（2011）在《用自组织图方法选择电动车电池堆的锂电池(英文)》一文中研究指出电动车储存系统的一个挑战性问题是如何有效使用多层锂电池。由于产品的限制,在使用中会使电池不平衡,从而降低了电池堆的可用电量。为了生成均匀的电池堆,运用自组织图神经网络方法(SOM),开发了一种对于同源电池的选择与分类的方法。在FAAM的实验室中,搜集了测试过的LiFePO4电池的实验数据。选择中考虑的实验数据和辨识特征有:放电电压、开路电压、总容量,以及Randle等效电路模式得来的辨识参数。以每一组备选电池的充电状态(SOV)作为聚群判据,以便找到能给出电池均匀性最好结果的方法。模拟中考察了实验的电动车负荷剖面。结果表明:相比于随机的选择,在电池堆平衡的条件下,本文选用的所有方法都能使SOV变量大幅降低。基于容量和放电电压的方法给出了其中的最佳结果。(本文来源于《汽车安全与节能学报》期刊2011年02期）
Robert,Essenreiter,李乐中[4]（2002）在《利用自组织图识别和划分多次波》一文中研究指出人工神经网络能有效地用于识别和划分地震数据集中的多次波。可用一种特别的神经网络 ,即自组织图(SOM)建立起表征实际问题的规则。将从CMP道集中选取的地震数据属性作为输入模式 ,SOM则在抽象空间中将数据聚成不同的类。通过合成数据和实际资料来说明如何用SOM识别和划分一次波和多次波 ,以及如何划分与地下某种生成机制相适应的各种多次波。(本文来源于《勘探地球物理进展》期刊2002年05期）
M·奥雅珙,杨慧[5]（1999）在《自组织图在颗粒形状定量分析中的应用》一文中研究指出采用图象分析系统分析了6种不同矿物颗粒形状、矿物颗料特征可用粒度和6个不同形状系数表示，颗料可按SOM分类。基于3000个颗粒样品的分析显示颗粒在空间上是按粒度和形状系数组织的。360个颗粒图象试验显示一群中的颗粒具有大致相同的粒度和形状系数。(本文来源于《国外金属矿选矿》期刊1999年06期）
自组织图论文开题报告
（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：
多重自组织图(mutiple self-organizing maps,MSOM)神经网络可以补偿电子鼻中传感器阵列产生的漂移。通过理论分析指出:该方法在同种样本连续进样的情况下,存在丧失漂移补偿能力的可能。针对这一问题,提出了一种改进的MSOM重训练方法——增量重训练法,该方法通过估计漂移变化趋势对神经网络权值进行全面调整。实验结果表明,增量重训练法通过改善重训练过程中漂移信息获取的公平性,增强了MSOM的漂移补偿能力,提高了识别准确率。
（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。
自组织图论文参考文献
[1].吴蕾,田儒雅,张学福.稀疏分层概率自组织图实例迁移学习方法[J].计算机应用.2016
[2].刘涛,黄智勇.一种基于多重自组织图的电子鼻漂移抑制方法[J].仪器仪表学报.2012
[3].Paolo,Raspa,Leonardo,Frinconi,Adriano,Mancini,Matteo,Cavalletti,Sauro,Longhi.用自组织图方法选择电动车电池堆的锂电池(英文)[J].汽车安全与节能学报.2011
[4].Robert,Essenreiter,李乐中.利用自组织图识别和划分多次波[J].勘探地球物理进展.2002
[5].M·奥雅珙,杨慧.自组织图在颗粒形状定量分析中的应用[J].国外金属矿选矿.1999
论文知识图
