导读:本文包含了判别神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸识别,深度卷积神经网络,Softmax损失,类内余弦相似性损失
判别神经网络论文文献综述
任克强,胡慧[1]（2019）在《深度卷积神经网络的判别性人脸识别算法》一文中研究指出针对Softmax(柔性最大值)损失对特征只有可分性的不足,提出一种基于深度卷积神经网络的判别性人脸识别算法.该算法首先根据Softmax损失特征分布,在特征和权重向量间施加一个类内余弦相似性损失,使类内更加紧凑,类间尽可能分离;然后在Softmax损失基础上通过归一化特征来更好地模拟低质量人脸图像,并通过归一化权重来减轻类别不平衡,使与测试时的余弦相似性度量一致;最后联合归一化的Softmax损失和类内余弦相似性损失在预训练模型上进行微调.该算法在人脸识别基准测试集LFW(户外人脸标记)和YTF(You Tube人脸数据库)上分别取得了98.72%和93.38%的识别率,实验结果表明:在大规模人脸身份识别中,该算法提高了特征的判别性,增强了模型的泛化能力,能有效提高人脸识别率.(本文来源于《华中科技大学学报(自然科学版)》期刊2019年10期）
仇祝令,查宇飞,朱鹏,吴敏[2]（2019）在《基于孪生神经网络在线判别特征的视觉跟踪算法》一文中研究指出基于孪生神经网络的跟踪算法是利用离线训练的网络提取目标的特征并进行匹配,从而实现跟踪。在离线训练过程中,网络学到的是相似目标的通用特征,因此当有相似目标干扰时,用这种通用特征表达特定目标将会导致跟踪性能下降,甚至丢失目标。为提高对相似目标的判别能力,通过在线更新网络参数,使网络能够在通用特征的基础上,进一步学到当前目标的特定特征,这样不仅能有效地区分目标与背景,还能消除相似目标的干扰。实验在OTB50和OTB100数据库上进行,结果表明该算法可以提高对网络提取特征的判别力,实现对目标的稳健性跟踪。(本文来源于《光学学报》期刊2019年09期）
徐秀华[3]（2019）在《基于BP神经网络的煤矿透水水源判别方法》一文中研究指出为了快速准确判别透水水源,为煤矿水害防治提供依据,系统分析了福建省龙永煤田透水水源35个标准水样的水化学特征,确定Ca~(2+)、HCO_3~-和SO_4~(2-)为特征离子,建立BP神经网络判别模型,随机选取不同水源类型的9个水样作为检验样本,预判正确率88. 89%,采集3个未知样本,验证其预判准确率为100%。(本文来源于《华北科技学院学报》期刊2019年04期）
葛粲,汪方跃,顾海欧,管怀峰,李修钰[4]（2019）在《基于卷积神经网络和火山岩大数据的构造源区判别》一文中研究指出早先的构造源区判别图由于受时代、研究区域、研究思路以及研究手段、分析技术和样本数量的限制,存在某些不足,导致部分学者在研究中遇到各种困惑和矛盾。在大数据的冲击下,部分传统图解的可靠性正在接受考验。本文提出了一种将地球化学数据二维图像化的方法,将GEOROC数据库中来自11个构造环境的火山岩数据生成了34 468张灰度二维码图像。根据深度学习理论和方法构造了卷积神经网络(CNN)模型,利用其中75%的二维码数据进行自动学习和训练。该模型可以对不同来源的火山岩数据进行有效分类,总体分类准确度可达95%以上。该模型具备较好的泛化能力,可以作为日常工具辅助人工进行火山岩样本的构造源区的判别。(本文来源于《地学前缘》期刊2019年04期）
任秋兵,李明超,韩帅[5]（2019）在《基于改进遗传算法-神经网络的玄武岩构造环境判别及对比实验》一文中研究指出通过岩浆岩的地球化学特征判别岩浆形成的大地构造环境和岩浆源区的化学性质是地球化学全岩分析最重要的应用之一。该方法利用全岩地球化学数据,包括主量元素、微量元素和同位素组成数据,对给定岩浆岩(玄武岩、花岗岩等)的大地构造环境进行判别。作为人工智能技术在地球化学研究领域中的新尝试,机器学习判别方法逐渐成为经典判别图解法的补充研究手段。然而,高维数据特征筛选和繁多未知参数确定是影响算法分类准确性的两个主要因素。为此,提出一种遗传算法优化神经网络耦合判别方法(GA-NNDM)。该方法利用特征选择、参数确定和分类性能之间的反馈联系,将分类准确率、所选特征数量和特征代价作为适应度函数,通过迭代演化寻求最佳特征子集和未知参数,从而达到减少特征、优化参数和提高性能的目的。此外,根据公开玄武岩样品地球化学数据,通过K折交叉验证等方法设置纵向、横向比较实验来验证GANNDM在玄武岩构造环境判别方面的准确性、稳定性和外延性。仿真实验结果表明,GA-NNDM具有优良的判别效果和泛化能力,其总体分类准确率能达到90%。因此,GA-NNDM值得在地球化学领域做进一步推广应用。(本文来源于《地学前缘》期刊2019年04期）
卫渊,朱光宇,颜格,杨健[6]（2019）在《基于卷积神经网络的颅内动脉瘤CTA影像判别》一文中研究指出目的颅内动脉瘤的诊断有赖于数字减影成像(DSA),计算机扫描造影(CTA)及磁共振血管成像(MRA)等影像手段。目前基于临床影像资料的颅内动脉瘤诊断主要依靠临床医师的经验,然而由于颅内血管结构复杂,人工读片容易造成误诊、漏诊。近年来随着机器学习技术的不断发展,基于人工智能的医学影像处理研究已逐步开展并展现了良好的临床效果。本文基于卷积神经网络(convolutional neutral network,CNN)对头部CTA影像中的颅内动脉瘤人工智能判别方法开展了初步研究。方法现阶段研究中使用从西安交通大学第一附属医院数据库中获取了29例(11 930张切片)具有不同部位颅内动脉瘤患者的CTA影像数据。通过对上述图像进行降噪和标记等前处理,分别构建用于CNN训练的训练集(17组)、验证集(3组)和测试集(9组)。其后在Tensorflow平台构建具有5个卷积层、3个全连接层的CNN(Alex Net)并进行训练。最终将测试集输入训练完成的CNN,对上述神经网络的正确率等指标进行评价。结果与结论测试集中共包含9例(3 652张切片)颅内动脉瘤患者的CTA影像,其中包含动脉瘤本体的CTA影像切片共108张。结果显示,以CTA切片为单位,前述CNN整体准确率89. 51%,对包含动脉瘤瘤体的切片识别率(召回率) 87. 04%;而以病例为单位,9例动脉瘤患者全部成功识别,其识别准确率达100%。上述结果表明,现有的CNN结构在基于CTA影像的颅内动脉瘤病例识别中能够实现极高的准确性,具有广阔的临床应用价值。然而对于动脉瘤所在具体切片的识别精度还有待进一步提高。(本文来源于《医用生物力学》期刊2019年S1期）
李兴莉,蔡红梅[7]（2019）在《基于GA-BP神经网络的矿井突水判别数学模型研究》一文中研究指出针对传统矿井突水判别方法存在错误率高、精度低以及稳定性差等问题,提出了一种基于GA-BP神经网络的矿井突水判别数学模型。首先矿井突水判别数学模型采用6种特征离子作为判别因子,然后采用遗传算法(GA)对BP神经网络的权值和阈值进行优化,进而构建GA-BP神经网络矿井突水判别数学模型。以某实际矿区的多种水源样品为例,将其作为判别模型中的训练样本,GA-BP神经网络模型对其进行训练,实现待测水源样本的判别。结果表明,判别模型具有更高的突水判别精度和可靠性。(本文来源于《煤炭技术》期刊2019年05期）
胡威[8]（2019）在《基于卷积神经网络的细胞图像分割与类型判别》一文中研究指出随着人工智能、大数据等最新前沿技术大面积落地及推广,近年来以卷积神经网络为基础的深度学习领域一直是科学研究领域的热点。基于深度学习技术在图像检索分类和特征提取融合等方面的优势,本文主要内容以卷积神经网络为基础将其应用于医学图像分割领域并进行分类判别研究,以实现将深度学习技术应用于医学图像数据分析研究。针对医学图像中的细胞尺寸大小不同、形态各异、纹理变化多样等特点,导致难以分割出精准的细胞区域问题,本文提出了一种基于卷积神经网络结合边缘聚类的新算法用于细胞图像分割。(1)首先用染色校正预处理方式提高原始图像样本的色彩对比度,(2)然后利用卷积神经网络得到初步的分割结果,(3)最后通过边缘聚类方式以提升分割结果的连续性和完整性。此外,本文中还利用了深度学习目标检测技术做细胞区域目标检测,也取得了一定的实现效果,更加直观显示细胞图像中有效目标区域,帮助广大医学工作者识别判定,为病理学家提供一些客观的数据参考。实验表明:相较于经典的卷积神经网络、模糊聚类、阈值分割等其他细胞图像分割算法,本文提出的细胞分割方法在分割结果的完整度方面提升了6.15%;较经典的VGG19结构提升了1.17%。在实际临床医学诊断过程中,细胞的尺寸大小通常用作评判细胞生理状态类型好坏的参考依据,在此基础上本文使用了目前较为流行的计算机视觉技术,以此方式获得分割图像中细胞颗粒的基本属性特征,即周长、面积等,并通过支持向量机分类器进行细胞类型判别。另外,本文还结合了现有机器学习中常用方法将细胞颗粒进行分类聚类操作,也得到了一些有效识别分类的效果。(本文来源于《上海师范大学》期刊2019-05-01）
黄尚坤[9]（2019）在《基于卷积神经网络的网格质量判别技术研究》一文中研究指出随着计算机性能的不断提高,计算流体力学(CFD)在实际工程应用中发挥着越来越重要的作用。CFD网格质量决定着模拟仿真数据的准确性。因此网格质量检测过程就显得尤为重要,间接决定着后期计算工作的准确性。网格质量的判别检测过程始终摆脱不了人工参与,现阶段无法实现网格质量的自动判别,这也将制约下一阶段高质量CFD网格自动生成技术的发展。围绕网格质量自动判别技术,本文首先在研究网格质量判定标准和卷积神经网络技术的基础上,设计了基于卷积神经网络的CFD网格质量判别技术方案,确定了实现网格质量自动判别的流程。然后通过对卷积神经网络框架搭建技术的研究,确定了一套适合CFD网格数据训练识别优化策略。最后基于TensorFlow机器学习框架,采用Python编程语言开发了CFD网格质量自动判别程序,实现了二维翼型网格质量判别自动化。本文将卷积神经网络识别分类方法用于网格质量智能判别,研究开发出梯度网格数据自动生成程序以及网格质量特征提取工具,将原始网格数据制作成可以进行卷积神经网络模型训练的数据集,对构建的卷积神经网络模型进行训练,获得可对CFD网格质量进行判断识别的卷积神经网络模型。最终分析结果表明,该方法在二维翼型网格质量的判别问题中,实现了网格质量自动判别,同时具有较高的准确率和鲁棒性。与人工网格质量判别相比,网格质量自动判别能够极大地提高网格质量判别效率,大大缩短网格质量判别周期,最大限度地减少网格质量判别的工作量。同时CFD网格质量自动判别技术将给网格自动生成提供巨大的技术支持,具有极高的工程应用前景。(本文来源于《西南科技大学》期刊2019-05-01）
刘嘉蔚,李奇,陈维荣,蒋璐,余嘉熹[10]（2019）在《基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究》一文中研究指出为了准确迅速判断质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)水管理子系统故障,提出基于概率神经网络(probabilistic neural network,PNN)和线性判别分析(linear discriminant analysis,LDA)的PEMFC水管理故障诊断方法。该方法采用归一化消除原始数据参量之间的量纲影响,使用线性判别分析对归一化后的变量进行特征提取。不但可以将原始实验数据映射到同一区间内,而且能有效降低数据维度。利用概率神经网络对5维故障特征向量实现水管理故障诊断。17086组PEMFC水管理故障样本的诊断结果表明:所提方法能有效识别正常状态、水淹故障和膜干故障共3种水管理健康状态,训练集和测试集的诊断正确率分别为99.80%和93.48%,运算时间仅为14.04s。与BPNN和LDA-BPNN相比:新方法测试集的预测精度分别高出17.47%和2.75%,计算时间分别节省39.83s和28.37s。因此,新方法能快速准确地诊断PEMFC水管理故障。(本文来源于《中国电机工程学报》期刊2019年12期）
判别神经网络论文开题报告
（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：
基于孪生神经网络的跟踪算法是利用离线训练的网络提取目标的特征并进行匹配,从而实现跟踪。在离线训练过程中,网络学到的是相似目标的通用特征,因此当有相似目标干扰时,用这种通用特征表达特定目标将会导致跟踪性能下降,甚至丢失目标。为提高对相似目标的判别能力,通过在线更新网络参数,使网络能够在通用特征的基础上,进一步学到当前目标的特定特征,这样不仅能有效地区分目标与背景,还能消除相似目标的干扰。实验在OTB50和OTB100数据库上进行,结果表明该算法可以提高对网络提取特征的判别力,实现对目标的稳健性跟踪。
（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。
判别神经网络论文参考文献
[1].任克强,胡慧.深度卷积神经网络的判别性人脸识别算法[J].华中科技大学学报(自然科学版).2019
[2].仇祝令,查宇飞,朱鹏,吴敏.基于孪生神经网络在线判别特征的视觉跟踪算法[J].光学学报.2019
[3].徐秀华.基于BP神经网络的煤矿透水水源判别方法[J].华北科技学院学报.2019
[4].葛粲,汪方跃,顾海欧,管怀峰,李修钰.基于卷积神经网络和火山岩大数据的构造源区判别[J].地学前缘.2019
[5].任秋兵,李明超,韩帅.基于改进遗传算法-神经网络的玄武岩构造环境判别及对比实验[J].地学前缘.2019
[6].卫渊,朱光宇,颜格,杨健.基于卷积神经网络的颅内动脉瘤CTA影像判别[J].医用生物力学.2019
[7].李兴莉,蔡红梅.基于GA-BP神经网络的矿井突水判别数学模型研究[J].煤炭技术.2019
[8].胡威.基于卷积神经网络的细胞图像分割与类型判别[D].上海师范大学.2019
[9].黄尚坤.基于卷积神经网络的网格质量判别技术研究[D].西南科技大学.2019
[10].刘嘉蔚,李奇,陈维荣,蒋璐,余嘉熹.基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究[J].中国电机工程学报.2019