导读:本文包含了学习精度论文开题报告文献综述及选题提纲参考文献，主要关键词:学习教育,精度,红色资源,刘家伟,集团党委,建筑产业,工业旅游,工业遗产,基层党支部,公寓
学习精度论文文献综述
陶阳,刘家伟,丛焕宇[1]（2019）在《学习教育求精度 解决问题求实效》一文中研究指出本报讯 陶阳 刘家伟 丛焕宇报道 第二批“不忘初心、牢记使命”主题教育开展以来，沈阳中辰钢结构有限公司、福鞍集团、辽宁华联商厦有限公司强化政治引领，注重作用发挥，把党员组织起来、把党的工作开展起来、把职工群众凝聚起来，真正做到奔着问题去、带着问题学、(本文来源于《辽宁日报》期刊2019-11-10）
徐先峰,龚美,黄刘洋[2]（2019）在《利用温度信息及深度学习方法实现高精度电力负荷预测》一文中研究指出负荷预测是电力系统规划的重要组成部分,直接影响着电网运行的安全性及可靠性,实时高精度的负荷预测结果更是提高整个电网运行效率的关键。为了解决现存算法预测精度低的问题,在深入分析了温度与用电量强相关性的基础上,构建了长短时记忆深度学习网络(LSTM),执行历史用电数据特点的深度挖掘及用电量与温度相关性的深度自学习,实现了电力负荷预测。与传统负荷预测技术相比,预测精度显着提高。基于谷歌Tensorflow平台进一步研究了不同激活函数组合对于所提算法预测性能的影响。仿真结果表明,使用ELU激活函数比使用其他常用激活函数预测精度更高,有效解决了当前预测算法普遍存在的精度低问题。(本文来源于《物联网技术》期刊2019年09期）
刘天福,陈学泓,董琪,曹鑫,陈晋[3]（2019）在《深度学习在GlobeLand30-2010产品分类精度优化中应用研究》一文中研究指出本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度(总体精度75.1%、Kappa系数0.71)有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明:该方法能够有效优化GlobeLand30产品的分类精度。(本文来源于《遥感技术与应用》期刊2019年04期）
方颖,李连发[4]（2019）在《基于机器学习的高精度高分辨率气象因子时空估计》一文中研究指出气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络(简称残差网络)模型,以10倍交叉验证判断模型是否过拟合。研究结果表明:①GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显着提高了模型预测的精度(3个气象因素的交叉验证CV R~2平均提高了0.21,CV RMSE平均降低了37%),其中相对湿度模型的提升幅度最大(CV R~2:0.85 vs. 0.52,CV RMSE:7.53%vs. 13.59%);②残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。(本文来源于《地球信息科学学报》期刊2019年06期）
颜伟云[5]（2019）在《初中科学探究学习进阶的广度、精度与深度》一文中研究指出建立初中科学探究的学习进阶框架模型、核心概念水平层次模型、基本环节测量要素模型,模型在教学实践的自洽与自评中,分别指向探究学习的广度、精度、深度。广度指向科学探究在教材中的整体布局设计,精度指向教学中精准把握探究学习的重点,深度指向学生多角度体验科学探究的实用价值。模型能为科学探究教学提供新思路。(本文来源于《化学教学》期刊2019年06期）
职占新[6]（2019）在《基于统计学习的磨削加工尺寸精度智能预测控制》一文中研究指出磨削作为高精密零件的重要加工环节,其精度直接影响零件的质量和性能,因此研究如何提升磨削加工精度是非常必要的。加工过程的测量与控制是提升加工精度的核心要素之一,主动测量(Active Measurement)技术是在加工过程中实时对工件尺寸在线测量并对加工状态进行监测,该技术在现代磨削加工过程中应用广泛。磨加工主动量仪是运用主动测量技术的研究成果,它通过对磨削过程数据的实时监控进而指导磨床改变磨削参数(砂轮转速、砂轮进给速度等),实现了加工过程中完整的闭环反馈控制。当前,国内生产的磨加工主动量仪还无法实现加工中预测的功能,在磨削加工时参数的调整滞后于磨削进程。如果能够在加工过程中预测工件尺寸的变化趋势,主动量仪就能提前做出对应的措施并及时将加工过程中的加工信息反馈,指导机床改变磨削参数与补调值等信息,提升磨削加工的质量和智能化程度。本文以满足工程上的实际需求为前提,对磨加工主动测量技术、统计学习预测方法及预测模型的构建与优化做了理论上的探讨与分析,进而研究基于统计学习的磨加工尺寸智能预测与控制方法,并且对尺寸预测模型开展了实际工程的应用性研究,并验证基于支持向量机的智能断续表面处理、基于灰色关联支持向量机的补调值预测和远程磨加工监控报警系统的可行性。论文主要研究内容及研究成果如下:(1)基于主动测量模式的磨削加工尺寸误差分析。分析主动量仪配合磨床的加工模式在测量以及加工上的尺寸误差的来源以及产生的原因,并针对分析的结果提出相应的措施,为磨削加工尺寸的预测和控制提供了分析的基础。(2)磨加工尺寸预测与控制方法研究。针对磨加工主动量仪配合磨床的加工模式中存在磨削参数调整滞后影响加工尺寸精度的问题,提出了基于统计学习理论的磨加工尺寸的预测与控制方法,根据磨削尺寸变化的趋势在线调整磨削参数,进而实现提升磨削工件的尺寸精度的目标。为了实现磨削工件尺寸预测与控制的需求,在主动测量控制器中构建了预测模块,对磨削尺寸的变化趋势进行探讨和分析,从而优化了基于主动量仪的磨削加工方式。(3)磨加工尺寸预测模型的研究与优化。通过分析影响磨加工尺寸精度的因素,在统计学理论的基础上提出灰色关联支持向量机磨加工尺寸预测模型,该模型融合了灰色关联系统与支持向量机的结构,通过筛选模型的输入量,降低建模的复杂程度。并通过凸壳算法、KKT条件优化预测模型的训练集,为在线增量学习的磨加工尺寸预测模型的构建提供了理论基础。将混合函数理论、交叉验证参数优化方法应用于磨加工尺寸预测模型中,进一步提升了预测模型的预测精度,且根据预测尺寸的变化趋势调整磨削参数,提升了磨加工的尺寸精度。(4)开展磨加工尺寸预测与控制的应用性研究及实验分析。在实验室现有的基础上开展实验,验证了本文提出的基于支持向量机的智能断续表面处理方法、基于灰色关联支持向量机的磨削补调值的预测以及基于组态软件的远程磨加工报警系统的正确性和可行性。实验证明该研究丰富了主动量仪系统预测模块的功能,提升了磨削加工的精度同时也促进了加工的智能化程度。本文针对在现有主动测量磨加工模式中存在的影响加工尺寸精度的问题,提出了基于统计学习的磨加工尺寸预测与控制的方法。通过对磨加工尺寸影响因素与统计学习理论的研究对预测模型进行优化,使得优化后的预测模型的预测精度更高。通过开展磨加工尺寸预测与控制的应用性研究及实验,验证了该磨加工尺寸预测与控制的方法的可行性,证明了该方法可以有效的提升磨削的智能化水平以及产品的加工精度,具有推广应用价值。(本文来源于《郑州大学》期刊2019-05-01）
郭福亮,周钢[7]（2019）在《集成学习中预测精度的影响因素分析》一文中研究指出集成学习被认为是当前数据挖掘、机器学习中提升预测精度的重要方法。在分析集成学习基本概念的基础上,将集成学习模型设计划分为分类器构建、分类器集成和分类结果整合3个阶段,并从分类器误差控制、集成泛化能力提升和应用误差容忍具体对提升集成学习预测精度进行研究探讨,通过实例分析研究3个阶段预测精度的影响因素和提升方法。结果表明,该研究对控制集成学习预测误差、提升预测精度和构建合理高效集成学习模型具有较为重要的指导意义。(本文来源于《兵工自动化》期刊2019年01期）
王子辰[8]（2019）在《基于强化学习的高精度轴孔装配策略搜索算法研究》一文中研究指出轴孔装配是手机生产测试装配领域的常见操作,目前通常还是由人工完成。轴孔自动装配任务仍然是最近几年的一大挑战。传统的方法是根据静态分析求解轴孔平面的接触力模型设计控制器,这需要大量的时间和精力。并且对于高精度的轴孔装配,由于传感器的噪声、机械臂定位误差等原因,模型的精度低以至于无法保证装配完成。无模型的强化学习控制方法则无需建立模型,减少了传感器等误差的影响,提高装配精度。本文将针对高精度的轴孔装配任务展开研究。在本文中,针对高精度轴孔装配任务,以测试光纤的安装为研究目标,分析了任务需求并选择合适的执行机构以及力矩传感器,搭建了真实场景下的实验平台,提出了一种基于强化学习的高精度轴孔装配策略搜索算法。根据装配过程的不同特征将其分解为寻孔和插入两个步骤,寻孔过程中,首先将插头与插孔平面相接触并保持稳定的压力,通过改变插头在插孔平面的位置,将插头移动到插孔的正中心,而插入的目标是通过改变插头的前进方向即姿态信息,将插头移动到目标深度。对以上两个步骤根据不同的特征设计了的马尔科夫决策过程,并引入低方差的Actor-Critic方法。在ROS系统下搭建仿真环境并进行实验,结果表明能够完成高精度轴孔装配。与其他算法相比,本文提出的算法使机器人在较短的训练时间内可以学习到如何选择最佳动作、更少的执行步数、高成功率和在较小的接触力下完成轴孔装配任务。最后,真实场景下的实验也证明了算法的有效性,同时测试了算法在不同初始条件下的性能表现。其中当设定机械臂移动一步的时间为0.2s时,轴孔装配时间最少为4.4s,执行步数为11-14步,装配成功率为98%。由于本文提出的算法使用了轴孔之间的相对位置作为状态输入,使得机器人可以在无需重复训练的情况下用于多孔装配。实验证明了该算法对于现代工厂生产装配具有非常重要的实际意义。(本文来源于《哈尔滨工业大学》期刊2019-01-01）
余永维,杜柳青,易小波,陈罡[9]（2019）在《基于时序深度学习的数控机床运动精度预测方法》一文中研究指出由于数控机床精度演化规律难以通过数学建模分析,提出了一种基于时序深度学习网络的数控机床运动精度建模与预测方法。基于长短时记忆网络建立时序深度学习预测模型,利用相空间重构原理构建模型时序输入向量,采用多层网格搜索方法选择最优隐含层层数、隐含层节点数等模型参数,以BPTT方法训练模型;模型自动提取运动精度时间序列的时空特征,挖掘精度时间序列前后关联信息,对运动精度变化趋势进行预测。实验结果表明,基于时序深度学习网络的预测模型能够准确预测数控机床精度的衰退趋势,预测的最大相对误差不大于7. 96%,优于传统方法。(本文来源于《农业机械学报》期刊2019年01期）
张玄黎,杨东凯,王延昭,修春娣[10]（2018）在《基于机器学习的室内高精度指纹定位方法研究》一文中研究指出基于位置指纹的室内定位方法由于其高精度和低硬件布设要求而成为一种主流的室内定位技术解决方案。为了解决室内环境下Wi Fi定位方法的精度问题,本文方法提取Wi Fi信道状态信息(Channel State Information,CSI),通过预处理技术对CSI进行修正,将修正后的CSI幅值和相位信息作为指纹信息,利用支持向量机(Support Vector Machines,SVM)算法构建高精度指纹库实现高精度指纹定位。本文详细介绍了数据采集和指纹定位的具体实现,并通过实际室内环境下的实验证明了本文方法的定位精度的优势。(本文来源于《第十二届全国信号和智能信息处理与应用学术会议论文集》期刊2018-10-19）
学习精度论文开题报告
（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：
负荷预测是电力系统规划的重要组成部分,直接影响着电网运行的安全性及可靠性,实时高精度的负荷预测结果更是提高整个电网运行效率的关键。为了解决现存算法预测精度低的问题,在深入分析了温度与用电量强相关性的基础上,构建了长短时记忆深度学习网络(LSTM),执行历史用电数据特点的深度挖掘及用电量与温度相关性的深度自学习,实现了电力负荷预测。与传统负荷预测技术相比,预测精度显着提高。基于谷歌Tensorflow平台进一步研究了不同激活函数组合对于所提算法预测性能的影响。仿真结果表明,使用ELU激活函数比使用其他常用激活函数预测精度更高,有效解决了当前预测算法普遍存在的精度低问题。
（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。
学习精度论文参考文献
[1].陶阳,刘家伟,丛焕宇.学习教育求精度解决问题求实效[N].辽宁日报.2019
[2].徐先峰,龚美,黄刘洋.利用温度信息及深度学习方法实现高精度电力负荷预测[J].物联网技术.2019
[3].刘天福,陈学泓,董琪,曹鑫,陈晋.深度学习在GlobeLand30-2010产品分类精度优化中应用研究[J].遥感技术与应用.2019
[4].方颖,李连发.基于机器学习的高精度高分辨率气象因子时空估计[J].地球信息科学学报.2019
[5].颜伟云.初中科学探究学习进阶的广度、精度与深度[J].化学教学.2019
[6].职占新.基于统计学习的磨削加工尺寸精度智能预测控制[D].郑州大学.2019
[7].郭福亮,周钢.集成学习中预测精度的影响因素分析[J].兵工自动化.2019
[8].王子辰.基于强化学习的高精度轴孔装配策略搜索算法研究[D].哈尔滨工业大学.2019
[9].余永维,杜柳青,易小波,陈罡.基于时序深度学习的数控机床运动精度预测方法[J].农业机械学报.2019
[10].张玄黎,杨东凯,王延昭,修春娣.基于机器学习的室内高精度指纹定位方法研究[C].第十二届全国信号和智能信息处理与应用学术会议论文集.2018