导读:本文包含了隐含层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,双流,水质,算法,向量,模型,蜂群。
隐含层论文文献综述
许光斌[1]（2019）在《基于神经网络电网负荷预测的隐含层研究》一文中研究指出电网负荷是当前研究的热点,准确的预测电网负荷才能高效供电,保证系统负荷的动态变化得以平衡。通过分析神经网络模型,通过现有电网负荷数据进行训练验证并仿真得到最细误差的隐含层网元个数,进而可根据得到的隐含层网元数和权重值做相应预测,从而指导电网供电的容量。(本文来源于《数字通信世界》期刊2019年10期）
刘松泉,胡军[2]（2019）在《双流网络构架行为识别隐含层模型仿真》一文中研究指出复杂场景中特征的有效提取一直是行为识别的难点,动作和行为的精确表达也是影响识别结果的重要因素。针对当前行为识别模型只能选择单一特征进行行为识别,对动作和行为的表达有误,导致识别精确度、召回率低、识别速度慢等问题,提出双层网络架构和隐含层相融合的行为识别模型。采用CNN和RNN构建双流网络架构,用于抽取视频动作片段的外观特征和时间特征,同时在双流网络架构中添加一个隐含层,以便更有效地对特征进行描述。依据求和的形式融合运动特征和外观特征,构建运动行为组合特征,将运动行为组合特征输入到支持向量机分类器中来完成行为识别,在UCF101、UCF50数据集上进行行为识别实验。实验结果表明,所提模型有效提高了行为识别率和召回率,识别速度也优于对比模型。(本文来源于《计算机仿真》期刊2019年08期）
王志红,秦可,尹冬冬,卢梦成[3]（2019）在《基于双隐含层GA-BP神经网络的重型柴油车排放预测》一文中研究指出为了建立一种能够预测柴油车道路排放特性的模型,文章采用便携式车载(汽车尾气)排放测量系统(portable emission measurement system, PEMS),对某重型柴油车进行道路污染物排放特性测试;利用测得的试验数据,在双隐含层反向传播(back propagation,BP)神经网络的基础上,引入Levenberg-Marquardt(LM)优化算法,用遗传算法(genetic algorithm,GA)优化网络的权值与阈值;以车辆比功率(vehicle specific power,VSP)为输入,搭建CO、NO_x排放预测模型,并用试验数据对模型进行训练、验证。结果表明,CO、NO_x的预测结果与样本数据之间的皮尔逊相关系数分别为0.855 3、0.851 2,线性高度相关;在整体误差水平上,CO、NO_x排放因子的相对误差分别为2.61%、6.71%。该方法对车辆CO、NO_x的瞬时排放和整体排放特性的预测准确性较好,具有一定的理论意义和工程应用价值。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年06期）
张以文,郭海帅,涂辉,余国锋[4]（2019）在《基于随机隐含层权值神经网络的瓦斯浓度预测》一文中研究指出煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。(本文来源于《计算机工程与科学》期刊2019年04期）
孙弋清[5]（2018）在《基于进退法的神经网络隐含层节点数的确定方法》一文中研究指出在BP神经网络的拓扑结构中,输入节点和输出节点个数的确定取决于问题本身,构建神经网络的关键点就在于隐含层层数以及隐含层节点数的确定。如何合理的对网络的结构进行设计以及隐含层节点数的设定至今没有严格的理论指导,只能借助学者给出的经验公式并进行多次试验得以确定。针对该问题,提出了一种"进退法"算法可快速确定隐含层节点数的最优解区间。运用Matlab进行仿真实验,结果表明该算法在合理有效的基础上极大地提高了网络的运行效率。(本文来源于《现代商贸工业》期刊2018年35期）
邓万宇,张莎莎,刘光达,刘丹[6]（2018）在《极限学习机中隐含层节点选择研究》一文中研究指出极限学习机(ELM)算法大大提高了单隐层前馈神经网络(SLFNs)的学习速度,在各个领域得到广泛应用。但ELM算法过程中随机分配输入权值和偏差,这虽能加快ELM算法速度,但也造成算法隐含层节点的冗余,一些隐含层节点是毫无存在意义的,而且还会影响整个算法的学习效率。针对ELM算法的这一不足,文中提出新的节点选择算法,实现了对极限学习机中隐含层节点的选择,使得ELM算法的性能有了一定的提高,并与一些流行算法进行了比较,文中算法表现良好。(本文来源于《信息技术》期刊2018年08期）
陈鹏[7]（2018）在《基于VB的单隐含层BP神经网络编程及验证》一文中研究指出基于编程语言Visual Basic 6.0,开发多个输入输出节点的单隐含层BP神经网络软件。隐含层和输出层均采用sigmoid激励函数。文章给出该软件编程的界面、原理和公式及数据考虑。软件设计引入了动量因子。软件对运行产生的中间数据加以保存。经过非线性曲线拟合计算和简单字符识别的验证,证明该软件的设计编程是成功的,具有应用的可行性和一定的实用性。(本文来源于《计算机时代》期刊2018年05期）
查木哈,卢志宏,翟继武,张福顺[8]（2018）在《双隐含层BP神经网络模型在老哈河水质预测中的应用》一文中研究指出为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P<0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P<0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P<0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。(本文来源于《水资源与水工程学报》期刊2018年02期）
刘松泉[9]（2018）在《双流网络架构下的行为识别隐含层模型研究》一文中研究指出在机器视觉领域,人类行为识别一直是学者们研究的重要课题。复杂场景中的人类对象往往会受到诸如背景、遮挡、光线、天气阴影等因素影响,特征提取效率低下。而当前绝大多数人所使用的行为识别分层模型对特征的表达能力不够强。如何从复杂场景中有效地提取目标特征,以及如何对特征进行丰富的描述一直以来都是研究的重点和难点。在对以往的研究工作进行深刻总结后,本文提出了一个基于双流网络架构的隐含层模型。在特征提取方面,使用卷积神经网络取代传统的光流直方图和方向梯度直方图,用两个流分别提取视频数据的外观特征和运动特征,无需对视频做复杂的前期处理,大大提高了特征提取效率;在特征表达方面,在分层模型的动作层嵌入一个隐含层,用来收集视频序列中更加丰富的上下文信息,以更有效地对特征进行表达;在模型训练方面,构建一个隐线性链条件随机场框架,将动作和行为进行联合估计,而不是像绝大多数前人的工作那样先估算动作再估算行为。输入视频序列首先被分成多个片段,每个片段包含一个动作,然后进入双流卷积神经网络,分别提取视频序列的外观特征和运动特征;接着,将两类特征串入结构化支持向量机中进行分类训练。训练前使用数据驱动的方法将隐含层变量初始化,使得整个隐含层模型参数变的完整,随后隐含层变量会在训练过程中自动更新;然后使用最大余数法对难以求解的参数进行等价替换;最后,在一个隐线性链条件随机场框架下对动作和行为进行联合估计,得出最终估算结果。在CAD-120,UCF50和UCF101叁个公开数据集上的实验表明,本文所述方法超过了前人所用传统的提取特征方法,这得益于双流网络对复杂场景对象特征的有效提取以及隐含层模型对特征的丰富表达和估算。本文进一步将人类行为识别任务扩展到第一人称视角领域。通过手分割网络和对象定位网络对视频进行处理,形成局部兴趣区域。然后通过双流网络对兴趣区域进行特征提取,最后将特征放在支持向量机中进行训练。在Gaze40和Gaze+44数据集上的实验表明,本文方法取得了很高的识别准确率。(本文来源于《合肥工业大学》期刊2018-04-01）
杨咪,徐盼盼,钱会,侯凯[10]（2018）在《基于人工蜂群算法的BP双隐含层神经网络水质模型》一文中研究指出采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。(本文来源于《环境监测管理与技术》期刊2018年01期）
隐含层论文开题报告
（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：
复杂场景中特征的有效提取一直是行为识别的难点,动作和行为的精确表达也是影响识别结果的重要因素。针对当前行为识别模型只能选择单一特征进行行为识别,对动作和行为的表达有误,导致识别精确度、召回率低、识别速度慢等问题,提出双层网络架构和隐含层相融合的行为识别模型。采用CNN和RNN构建双流网络架构,用于抽取视频动作片段的外观特征和时间特征,同时在双流网络架构中添加一个隐含层,以便更有效地对特征进行描述。依据求和的形式融合运动特征和外观特征,构建运动行为组合特征,将运动行为组合特征输入到支持向量机分类器中来完成行为识别,在UCF101、UCF50数据集上进行行为识别实验。实验结果表明,所提模型有效提高了行为识别率和召回率,识别速度也优于对比模型。
（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。
隐含层论文参考文献
[1].许光斌.基于神经网络电网负荷预测的隐含层研究[J].数字通信世界.2019
[2].刘松泉,胡军.双流网络构架行为识别隐含层模型仿真[J].计算机仿真.2019
[3].王志红,秦可,尹冬冬,卢梦成.基于双隐含层GA-BP神经网络的重型柴油车排放预测[J].合肥工业大学学报(自然科学版).2019
[4].张以文,郭海帅,涂辉,余国锋.基于随机隐含层权值神经网络的瓦斯浓度预测[J].计算机工程与科学.2019
[5].孙弋清.基于进退法的神经网络隐含层节点数的确定方法[J].现代商贸工业.2018
[6].邓万宇,张莎莎,刘光达,刘丹.极限学习机中隐含层节点选择研究[J].信息技术.2018
[7].陈鹏.基于VB的单隐含层BP神经网络编程及验证[J].计算机时代.2018
[8].查木哈,卢志宏,翟继武,张福顺.双隐含层BP神经网络模型在老哈河水质预测中的应用[J].水资源与水工程学报.2018
[9].刘松泉.双流网络架构下的行为识别隐含层模型研究[D].合肥工业大学.2018
[10].杨咪,徐盼盼,钱会,侯凯.基于人工蜂群算法的BP双隐含层神经网络水质模型[J].环境监测管理与技术.2018
论文知识图
