导读:本文包含了参数学习算法论文开题报告文献综述、选题提纲参考文献，主要关键词:算法,参数,流形,稀疏,自适应,蜂群,栅格。
参数学习算法论文文献综述写法
张森悦,谭文安,王楠[1]（2019）在《基于布谷鸟搜索算法参数优化的组合核极限学习机》一文中研究指出针对单核极限学习机在泛化性能上存在一定局限性的问题,提出将再生核函数与多项式核函数相结合,建立一种新的组合核极限学习机模型,使其具有全局核与局部核的优点,并选择布谷鸟搜索算法对其参数进行优化选择.仿真实验结果表明,采用基于再生核的组合核函数作为极限学习机的核函数可行,在实验数据集的多值分类和回归问题上,与传统支持向量机及单核极限学习机相比,该模型具有更好的泛化性能.(本文来源于《吉林大学学报(理学版)》期刊2019年05期）
冯重锴,李波[2]（2019）在《基于组稀疏的参数自适应学习UDP算法》一文中研究指出传统UDP算法的参数选择是一个经典问题,至今仍没有一种有效的方法从根本上解决这个问题。针对复杂的参数选择,提出一种基于组稀疏的参数自适应学习UDP算法(SUDP)。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免传统UDP算法中使用K-NN算法带来的弊端。由于稀疏表示带有天然判别信息的优势,SUDP算法比传统的UDP算法有着更强的判别能力。在6个广泛使用的人脸数据集上进行的实验,实验结果表明了SUDP算法的有效性和稳定性。(本文来源于《计算机工程与设计》期刊2019年08期）
邱宁佳,高奇,王鹏[3]（2019）在《参数自适应学习的半监督混合聚类算法》一文中研究指出提出目标重构的半监督混合聚类算法SSABC。使用人工蜂群算法结合有标记数据研究半监督聚类的准确率提高问题,利用设定参数衡量有无标记数据的权重,依此重新构造目标函数找出数据聚类中心;使用APL-SSHC算法完成半监督混合聚类的参数自适应学习工作,结合自适应学习理论优化权重参数,将参数的确定与聚类过程结合加快聚类过程。UCI数据集实验结果表明,该算法能够找到合理的聚类中心点,APL-SSHC算法与其它聚类算法相比有更好的聚类效果。(本文来源于《计算机工程与设计》期刊2019年06期）
杨景[4]（2019）在《基于机器学习算法的不同生育期夏玉米生理参数遥感模型研究》一文中研究指出叶绿素含量与叶片含水量是玉米生长状况的重要指标。本研究以西北地区广泛种植的夏玉米为研究对象,应用地物光谱辐射仪测定不同生育期夏玉米的非成像高光谱数据,同步获取叶绿素含量与叶片含水量数据,分析不同生育期的高光谱遥感数据与其的相关性,构建基于特征波长、植被指数和高光谱特征参数的反演模型。得到主要结论如下:1.叶绿素含量与叶片含水量特征分析:从拔节期到乳熟期叶绿素含量不断增加,随着植株的衰老,到完熟期开始减少,各时期光谱反射率在“绿峰”区域差异显着;叶片含水量均值呈不断增加,但增长速度从乳熟期开始减缓。2.相关性分析:夏玉米叶绿素含量值与光谱的相关性从拔节期、抽雄期、乳熟期到完熟期,原始光谱反射率与叶绿素含量在547nm、342nm、719nm、343nm波长处相关性最大,最大相关系数分别为-0.170、-0.293、-0.476、-0.196;一阶微分光谱与叶绿素含量在964nm、835nm、707nm、910nm波长处相关性最大,各时期最大相关系数分别为0.482、0.358、-0.499、0.269;NDWI、VOG1、MTCI、TVI分别为各生育期的最佳植被指数,与叶绿素含量的相关系数为0.284、-0.279、0.507、-0.127;(SDr-SDb)/(SDr+SDb)、SDr/SDb、(SDr-SDb)/(SDr+SDb)、SDy分别为各生育期的最佳高光谱遥感参数,与叶绿素含量的相关系数为0.284、0.285、0.479、0.133。夏玉米叶片含水量值与原始光谱各个生育期分别在450nm、367nm、353nm、353nm波长处相关性最大,最大相关系数分别为-0.580、-0.266、0.337、-0.165;叶片含水量值与一阶微分光谱在1654nm、960nm、1072nm、1070nm波长相关性最大,最大相关系数为-0.588、-0.478、-0.450、-0.388;NDVI、NDVI、WI、VOG1分别为各时期的最佳植被指数,相关系数分别为0.431、0.135、-0.261、0.158;高光谱遥感参数SDy、Ry、Ry、Db分别与各时期的叶片含水量相关性最大,相关系数分别为0.334、0.253、-0.342、0.308。3.最优估算模型:叶绿素含量反演,单变量最优估算模型为乳熟期以一阶微分特征波长构建的KNN模型,模型建模与验证R~2分别为0.366与0.330,;最优多元回归模型为乳熟期植被指数构建的XGBoost模型,该模型建模与验证的R~2分别为0.525、0.821。叶片含水量反演,单变量最优估算模型为完熟期以SDr/SDb参数建立的XGBoost算法模型,建模与验证R~2分别为0.741与0.285;多元变量最优估算模型为拔节期植被指数构建的XGBoost多元回归模型,建模与验证R~2分别为0.264,0.298。(本文来源于《西北农林科技大学》期刊2019-05-01）
冯重锴[5]（2019）在《基于稀疏表示的参数自适应选择流形学习算法研究》一文中研究指出流形学习是当前机器学习的热门领域,它是非线性降维的代表之一。流形学习算法在对非线性数据集进行降维处理和特征提取时效果突出,但是也有一些缺陷。例如,大多数流形学习算法都有一个繁琐的调整参数的过程。这是因为大多数流形学习算法是通过描述样本点的局部性来进行降维处理的,这就不可避免地需要手动选取控制邻域大小的参数。为了解决这个问题,本文提出了两种基于稀疏表示的参数自适应选择流形学习算法。本文的主要工作包括以下两个方面:(1)提出了一种基于组稀疏的参数自适应选择判别投影算法。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免了传统流形学习算法中需要手动调整参数的弊端。同时,提出局部稀疏散度和非局部稀疏散度,将稀疏表示和局部性理论统一到一个数学模型当中,增加了算法的分类性能。(2)提出了有监督的参数自适应选择判别投影算法。在原算法基础之上,利用样本的类别信息,提出了能更准确描述样本点几何结构的有监督稀疏框架,限制了伪近邻点的干扰。并且在算法中加入了全局类内和类间约束,进一步提高了算法的判别能力。在几个常用的人脸数据集上的结果表明,本文提出的基于组稀疏的参数自适应选择判别投影算法在人脸识别任务中的准确率优于一些先进算法。而且,有监督的参数自适应选择判别投影算法的分类准确率得到了进一步的提升。(本文来源于《武汉科技大学》期刊2019-05-01）
程乐,徐义晗,卞曰瑭[6]（2019）在《一种单计算参数的自学习路径规划算法》一文中研究指出针对当前机器人路径规划算法存在计算参数多的问题,提出一种单计算参的自学习蚁群算法。该算法使用一种改进的栅格法完成环境建模,种群中个体使用8-geometry行进规则,整个种群的寻优过程使用了自学习和多目标搜索策略。其特点在于整个算法只需进行一个计算参数设置。蚂蚁个体可使用1、■、2、■、■步长行进,一次搜索可以发现多条可行路径,提高了算法计算效率。仿真实验表明,在复杂的工作空间,该算法可以迅速规划出一条安全避碰的最优路径,效率优于已存在算法。(本文来源于《电子技术应用》期刊2019年04期）
张文田[7]（2019）在《基于BP神经网络的参数迁移学习算法研究》一文中研究指出在大数据时代下,现实领域中存在很多带标签样本较少的数据集,传统的神经网络算法在处理这种数据集时分类准确率较低,因此本文提出了基于BP神经网络的参数迁移学习算法,该算法以传统的BP神经网络为框架,通过对源领域与目标域之间的相似度学习,把源领域中有用的参数信息迁移到目标域中,提高目标域中测试集的分类准确率。通过对UCI数据集进行实验,证明了在小数据样本下该算法比传统的神经网络算法有更好的效果。(本文来源于《电脑知识与技术》期刊2019年04期）
唐长成,叶佐昌[8]（2019）在《基于强化学习的参数化电路优化算法》一文中研究指出本文主要致力于解决参数化形式的优化问题,即minθf(θ,w),其中θ是需要优化的变量,w则是对应不同优化问题的参数,在现实中经常会遇到需要解决一系列不同参数下的优化问题.在对某种特定结构的问题下,通过对不同的参数训练一个模型来解决所有参数下的优化问题.和传统的方法不一样,并不是通过对不同的参数多次独立抽样来训练我们的模型,而是利用强化学习的方法加速训练过程.强化学习算法中分别用策略网络来得到优化结果和利用价值网络来评价策略好坏,通过迭代地训练两个网络来优化策略.在后面一些数学例子和电路优化的例子中显示强化学习的方法取得了比较好的效果.(本文来源于《微电子学与计算机》期刊2019年01期）
董道广,芮国胜,田文飚,康健,刘歌[9]（2019）在《基于结构相似性的非参数贝叶斯字典学习算法》一文中研究指出相较于传统综合字典学习方法,非参数贝叶斯方法具有显着优势,但其对图像结构全局相似性和变异性的表示能力仍有较大提升空间。针对这个问题,提出了一种基于结构相似性的非参数贝叶斯字典学习算法,该算法基于图像结构的全局相似性对图像进行聚类处理,并在图像的字典稀疏表示中引入块结构特性,提升了字典的结构表示能力。实验表明,所提算法在图像去噪和压缩感知方面的性能均优于目前主流的几种无监督字典学习算法。(本文来源于《通信学报》期刊2019年01期）
么洪飞,王宏健,王莹,李庆[10]（2018）在《基于遗传算法DDBN参数学习的UUV威胁评估》一文中研究指出针对复杂海洋环境下存在不确定事件对无人水下航行器自主作业和安全性所带来的威胁。本文设计了基于动态贝叶斯网络的威胁评估模型和决策推理模型,采用遗传算法实现了离散动态贝叶斯网络参数学习,最终得到最优的模型参数,进而增强了推理模型对海洋环境的快速反应能力。仿真实验结果证明:提出的算法可以得到真实的离散动态贝叶斯网络参数,能够有效地解决复杂海洋环境下UUV威胁评估问题,为UUV的自主任务决策提供有效的参数保障。(本文来源于《哈尔滨工程大学学报》期刊2018年12期）
参数学习算法论文开题报告范文
（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：
传统UDP算法的参数选择是一个经典问题,至今仍没有一种有效的方法从根本上解决这个问题。针对复杂的参数选择,提出一种基于组稀疏的参数自适应学习UDP算法(SUDP)。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免传统UDP算法中使用K-NN算法带来的弊端。由于稀疏表示带有天然判别信息的优势,SUDP算法比传统的UDP算法有着更强的判别能力。在6个广泛使用的人脸数据集上进行的实验,实验结果表明了SUDP算法的有效性和稳定性。
（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。
参数学习算法论文参考文献
[1].张森悦,谭文安,王楠.基于布谷鸟搜索算法参数优化的组合核极限学习机[J].吉林大学学报(理学版).2019
[2].冯重锴,李波.基于组稀疏的参数自适应学习UDP算法[J].计算机工程与设计.2019
[3].邱宁佳,高奇,王鹏.参数自适应学习的半监督混合聚类算法[J].计算机工程与设计.2019
[4].杨景.基于机器学习算法的不同生育期夏玉米生理参数遥感模型研究[D].西北农林科技大学.2019
[5].冯重锴.基于稀疏表示的参数自适应选择流形学习算法研究[D].武汉科技大学.2019
[6].程乐,徐义晗,卞曰瑭.一种单计算参数的自学习路径规划算法[J].电子技术应用.2019
[7].张文田.基于BP神经网络的参数迁移学习算法研究[J].电脑知识与技术.2019
[8].唐长成,叶佐昌.基于强化学习的参数化电路优化算法[J].微电子学与计算机.2019
[9].董道广,芮国胜,田文飚,康健,刘歌.基于结构相似性的非参数贝叶斯字典学习算法[J].通信学报.2019
[10].么洪飞,王宏健,王莹,李庆.基于遗传算法DDBN参数学习的UUV威胁评估[J].哈尔滨工程大学学报.2018