导读:本文包含了多神经网络集成论文开题报告文献综述及选题提纲参考文献，主要关键词:交通标志识别,集成学习,支持向量机,卷积神经网络
多神经网络集成论文文献综述
刘树艺,李静,胡春,王伟[1]（2019）在《基于卷积神经网络与集成学习的交通标志识别》一文中研究指出为提高复杂情况(如遮挡、透视畸变等)下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。(本文来源于《计算机与现代化》期刊2019年12期）
邓波[2]（2019）在《集成卷积神经网络的图像分类》一文中研究指出本文针对环境监控视频图像分类,文章从集成卷积神经网络的角度,探析了其在图像分类中的有效应用,以卷积神经网络实现图像处理,建立不同计算神经节点,评估图像并进行分类。实验结果表明,深度神经网络拥有最大间隔和最小分类误差,是对交叉熵准则的有效补充,对图像的分类处理结果良好,值得进一步的研究和推广。(本文来源于《电子技术与软件工程》期刊2019年22期）
曾安,贾龙飞,潘丹,Song,Xiaowei[3]（2019）在《基于卷积神经网络和集成学习的阿尔茨海默症早期诊断》一文中研究指出阿尔茨海默症(AD)是一种典型的神经退行性疾病,临床上表现为失忆、丧失语言能力、丧失生活自理能力等。迄今为止,AD病因尚不明确且病程不可逆,也没有治愈的方法,因此,AD的早期诊断对于研发新型药物和措施以减缓病情发展具有重要意义。轻度认知障碍(MCI)是一种介于AD和正常老化(HC)之间的状态。研究表明,MCI患者比没有患过MCI的人更有可能发展成AD,因此,对MCI患者的准确筛查成为了AD早期诊断的研究热点之一。随着神经影像技术和深度学习的飞速发展,越来越多的研究者使用深度学习方法对大脑神经影像如磁共振影像(MRI)进行分析,用于AD的早期诊断。于是,本文提出基于卷积神经网络(CNN)和集成学习的多切片集成分类模型用于AD早期诊断。与只用单切片训练获得的CNN分类模型相比,本文采用叁个维度上的多个二维切片进行训练而获得的集成分类器模型,能更充分地利用MRI包含的有效信息,从而提高分类的准确率和稳定性。(本文来源于《生物医学工程学杂志》期刊2019年05期）
张功国,吴建,易亿,王梓权,孙海霞[4]（2019）在《基于集成卷积神经网络的交通标志识别》一文中研究指出以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用Re LU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN)方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年04期）
谭论正,丁锐[5]（2019）在《基于集成推理卷积神经网络的快速行人检测》一文中研究指出提出基于卷积神经网络(CNN)的行人检测方法。基于CNN的方法分别将训练和分类过程引入随机丢失和集合推理网络(EIN)。随机丢失选择具有灵活速率的单位,而不是传统Dropout中的固定速率。EIN构建在完全连接的层中具有不同结构的多个网络。所提出的方法实现与现有技术方法相当的性能,即使所提出的方法的结构相当简单。(本文来源于《现代计算机》期刊2019年23期）
刘国强,陈维义,程晗,徐义桂[6]（2019）在《基于BP神经网络的炮光集成武器系统作战效能评估与预测》一文中研究指出为了有效地评估和预测炮光集成武器系统的作战效能,以反舰导弹为例,针对空袭目标低空突袭的特点,建立了炮光集成武器系统的效能评估模型和BP神经网络预测模型。用BP神经网络对炮光集成武器系统的作战效能进行了预测,并与效能评估模型的计算结果进行了对比。结果表明:BP神经网络的预测结果与效能评估模型的计算结果比较近似,说明BP神经网络模型对于炮光集成武器系统作战效能评估与预测是有效的,可以为下一步的炮光集成武器系统的研制提供一定的理论参考。(本文来源于《海军工程大学学报》期刊2019年03期）
梁达正[7]（2019）在《基于贝叶斯集成神经网络的上证50指数的研究》一文中研究指出基于贝叶斯集成神经网络原理,构建出一个贝叶斯集成长短记忆神经网络。使用该集成网络对我国上证50指数进行预测。实验选取2015—2018年近3年来的数据进行集成学习预测。结果证明贝叶斯集成长短记忆神经网络要优于集成循环神经网络与集成长短记忆神经网络。为了使贝叶斯集成神经网络更好的运用到时间序列预测上,本文提出一种贝叶斯集成长短记忆神经网络来进行金融时间序列学习。(本文来源于《科技创新导报》期刊2019年17期）
原思平[8]（2019）在《深度时序神经网络集成方法及其电能需量预测应用》一文中研究指出需量负荷控制在电力需求侧管理中起着重要作用,而高精度的需量负荷预测将直接影响需量控制的可靠性,是保持电力供需平衡以提高电网稳定性的保证。然而,对于大型工业电力用户,由于设备工况与工艺切换,其超短期能源消耗通常具有强烈的随机性和波动性,使得超短期需量负荷的准确预测成为难题。针对该问题,本文利用多变量相关性分析、深度时序神经网络理论、集成学习方法等方法进行超短期工业电能需量预测研究,提出一种基于深度时序神经网络的混合集成学习预测模型。为了能有效地分析时间序列负荷数据,采用经典的长短期记忆网络(LSTM)作为预测模型的基学习器,并进行多变量相关性分析从多源异构的原始数据中确定与电力需量相关的输入属性。根据偏差-方差分解原理提出混合集成策略,对多种集成学习方法进行组合,包括Bagging、随机子空间和Boosting,并引入集成修剪,旨在解决单一模型和局部样本导致的偏差,提高模型的泛化能力。最后,通过采集的真实数据构建数据集来开展超短期需量负荷预测实验,与多种先进时序预测模型和经典集成学习算法进行分析评估,对比实验结果表明,在MAPE、MAE和NRMSE叁种常用的预测性能评估指标和峰值负荷对应的绝对百分比误差(PAPE)指标上,本文模型均能达到稳定最优效果,能更准确地预测峰值需量负荷。同时本文将所提出模型具体应用于某一钢铁厂,进行多步长需量负荷预测,能实现精准的需量超标预判,有效协助需量调控的可靠实施。(本文来源于《湘潭大学》期刊2019-06-04）
易亿[9]（2019）在《基于集成卷积神经网络的交通标志识别研究》一文中研究指出交通标志识别是智能交通系统和无人驾驶技术的重要组成部分。交通标志识别系统需要对实际行车环境中通过车载摄像头采集到的交通标志进行识别。受实际行车环境中光照强度、行车速度、交通标志牌受损等多种因素影响,所采集到的交通标志图像质量往往较差,给后续的识别带来极大的困难,因此对交通标志识别方法的研究具有极大的挑战和重要意义。本文以德国交通标志数据集(German Traffic Sign Recognition Benchmark,GTSRB)为研究对象,利用卷积神经网络(Convolutional Neural Network,CNN)对交通标志识别做了深入研究,并将卷积神经网络和集成学习相结合对交通标志识别做进一步研究。本文的主要工作如下:1.针对实际行车环境中采集到的交通标志图像特点,为减轻卷积神经网络的识别负担和提高识别率,本文对GTSRB数据集做一系列预处理操作。主要步骤包括图像增强、图像灰度化、尺寸归一化、数据集扩展。经过预处理后的GTSRB数据集有助于后续卷积神经网络的识别。2.本文对卷积神经网络做了深入研究,并设计了一个卷积神经网络模型CNN-SVM用于识别交通标志图像。该卷积神经网络使用ReLU作为激活函数,并且在训练过程中使用Dropout策略防止过拟合,最后通过批量归一化方法来加快网络训练速度。为验证本文提出的CNN-SVM模型的有效性,分别针对卷积层数、Dropout参数和分类器的类别做了详细的对比实验。实验结果表明,单个卷积神经网络模型在GTSRB数据集上取得了97.37%的识别率和平均每幅0.12ms的识别速度。3.在基于卷积神经网络的交通标志识别研究基础上,将卷积神经网络与集成学习相结合,设计了一个集成卷积神经网络模型。该模型包含6个基分类器,采用bagging集成算法,分别从训练数据集、卷积神经网络模型结构和网络参数初始化叁个方面保证各个基分类器之间的差异性。实验结果表明,集成卷积神经网络模型在GTSRB数据集上取得了99.33%的识别率和平均每幅0.76ms的识别速度,具有良好的识别性能。(本文来源于《重庆邮电大学》期刊2019-06-02）
冯燕燕[10]（2019）在《基于集成卷积神经网络的年龄估计研究》一文中研究指出目前人脸识别技术已经趋于成熟,在许多领域广泛应用。与人脸识别技术相比,人脸的年龄估计相关技术相对还不成熟,有关于对人脸年龄估计的社会需求却越来越大。人脸图像是一种生物特征,通过识别生物特征去识别个体。然而,由于人类个体生活习惯、工作环境、先天基因及其他因素的差异性,相同年龄的个体在年龄特征的外在表现出巨大差异,因而年龄估计的研究发展仍然面临着巨大的挑战。传统算法采用手工的方式提取人脸年龄特征,过程繁琐复杂且只能提取浅层特征。卷积神经网络是一种常用的深度学习算法,直接将图像作为网络的输入,通过逐层的运算与反向传播自动提取具有判别力的图像深层次特征。为避免传统算法的过度预处理与手动选择特征的复杂过程,且更充分的提取了图像特征,本文结合卷积神经网络的图像处理方式进行人脸年龄估计基分类器的研究。目前用于年龄估计的分类器一般都是单独进行,分类器之间缺少信息交流,本文依据整体大于部分的思想,沿着集成学习的脉络展开人脸年龄估计的研究,首先进行人脸数字图像的采集与预处理;然后通过两个不同的卷积神经网络提取人脸年龄特征并生成多个不同的基分类器;其次,通过集成算法将多个基分类器进行结合,使得不同的基分类器之间信息得到交流;最后,将集成分类器用于年龄估计。主要研究内容如下:(1)图像预处理为增加数据集对网络的泛化能力,我们通过多角度裁剪、镜像对数据集进行了十倍的数据扩增。另外,在数据集中,由于人脸图像存在光照强度不等、头部姿势多样等因素直接影响网络的泛化能力,为减弱因环境变化带来的影响,本课题在网络训练之前将数据集的图像进行直方图均衡化处理。(2)人脸图像年龄特征提取研究通过双通道多卷积核卷积神经网络GONET和基于1×1卷积、通道混洗和稀疏连接的微型化卷积神经网络FYNET提取人脸图像年龄的特征,在FGNET数据集和CACD2000数据集上训练以获得基分类器。GONET网络旨在提高网络的精度,减少参数防止过拟合。在AlexNet模型的基础上,不改变网络卷积层的输入输出,利用1×3卷积、3×1卷积与3×3卷积之间的等效性,增加网络的深度与非线性,使得网络对图像特征表达能力增强,利用模块化与全局池化策略得到GONET网络。实验结果证明GONET网络识别效果显着,在提高识别精度的同时可大量减少网络参数。FYNET网络旨在保持网络的精度和微型化设计,通过通道混洗,将不同通道间的特征信息进行交换,更好的融合层与层之间的信息,提升网络对年龄特征的拟合能力,同时1×1卷积和稀疏连接可极大地减少网络的参数。实验结果证明FYNET网络在保证年龄估计正确率的前提下,可实现网络模型的微型化。(3)年龄估计集成算法研究为加强单一分类器间的信息交流,在基分类器之间分别使用最大概率的投票法、全局概率的加权平均法和最大概率的加权平均法叁种集成策略。基分类器由GONET和FYNET生成。最大概率的投票法是通过统计所有基分类器的结果得到集成输出;全局概率的加权平均法和最大概率的加权平均法是通过将基分类器的输出作为算法的输入,并赋予每个基分类器一定的权重,最后按照加权平均法得到集成输出;全局概率的加权平均法权重更新方式是基于基分类器的所有类别输出概率;最大概率的加权平均法权重更新方式则是基于基分类器的单一类别的最大概率。在年龄数据集FGNET和CACD2000上进行实验,实验结果证明了集成分类器能综合单一基分类器的优点,获得比单一基分类器更好的年龄估计效果。(本文来源于《广西师范大学》期刊2019-06-01）
多神经网络集成论文开题报告
（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：
本文针对环境监控视频图像分类,文章从集成卷积神经网络的角度,探析了其在图像分类中的有效应用,以卷积神经网络实现图像处理,建立不同计算神经节点,评估图像并进行分类。实验结果表明,深度神经网络拥有最大间隔和最小分类误差,是对交叉熵准则的有效补充,对图像的分类处理结果良好,值得进一步的研究和推广。
（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。
多神经网络集成论文参考文献
[1].刘树艺,李静,胡春,王伟.基于卷积神经网络与集成学习的交通标志识别[J].计算机与现代化.2019
[2].邓波.集成卷积神经网络的图像分类[J].电子技术与软件工程.2019
[3].曾安,贾龙飞,潘丹,Song,Xiaowei.基于卷积神经网络和集成学习的阿尔茨海默症早期诊断[J].生物医学工程学杂志.2019
[4].张功国,吴建,易亿,王梓权,孙海霞.基于集成卷积神经网络的交通标志识别[J].重庆邮电大学学报(自然科学版).2019
[5].谭论正,丁锐.基于集成推理卷积神经网络的快速行人检测[J].现代计算机.2019
[6].刘国强,陈维义,程晗,徐义桂.基于BP神经网络的炮光集成武器系统作战效能评估与预测[J].海军工程大学学报.2019
[7].梁达正.基于贝叶斯集成神经网络的上证50指数的研究[J].科技创新导报.2019
[8].原思平.深度时序神经网络集成方法及其电能需量预测应用[D].湘潭大学.2019
[9].易亿.基于集成卷积神经网络的交通标志识别研究[D].重庆邮电大学.2019
[10].冯燕燕.基于集成卷积神经网络的年龄估计研究[D].广西师范大学.2019