导读:本文包含了稀疏网络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:稀疏,神经网络,卷积,特征,网络,相似性,冗余。
稀疏网络论文文献综述
张贝,戴宁,田素坤,袁福来,俞青[1]（2019）在《结合稀疏八叉树卷积神经网络的牙齿预备体颈缘线提取方法》一文中研究指出针对传统手工提取牙齿预备体颈缘线需要交互标记特征点,操作复杂,效率低的问题,提出了一种基于稀疏八叉树的卷积神经网络自动提取牙齿预备体颈缘线的方法.首先利用稀疏八叉树的空间划分,牙齿预备体模型被预处理为带有标签信息的稀疏点云,构建牙齿预备体数据集;其次利用已训练的卷积神经网络模型将牙齿预备体点云分割为2部分;然后采用密集条件随机场优化分割点云的边界,再将边界点拟合及插值获取新的边界点集;最后连接边界点在预备体模型上对应的投影点形成牙齿预备体颈缘线.在牙齿预备体数据集上的实验结果表明,卷积神经网络模型的预测准确率达到97.23%,通过对该方法提取的预备体颈缘线与专业医生提取的颈缘线之间的曲线偏差进行对比分析,验证了该方法的有效性.(本文来源于《计算机辅助设计与图形学学报》期刊2019年12期）
韦子权,王永波,陶熙,贾晓,边兆英[2]（2019）在《基于多尺度小波残差网络的稀疏角度CT图像恢复》一文中研究指出目的稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法(FBP)进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络(MWResNet)对稀疏角度CT图像进行恢复。方法本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据"Low-dose CT Grand Challenge"数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络(IRLNet),残差编码解码卷积神经网络(REDCNN)和FBP卷积神经网络(FBPConvNet)。结果实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。(本文来源于《南方医科大学学报》期刊2019年11期）
赵淑欢,万品哲,郭昌隆[3]（2019）在《深度稀疏自编码网络融合多LBP特征用于单样本人脸识别》一文中研究指出单样本人脸识别的关键在于充分挖掘单样本判别性信息,采用深度稀疏自编码网络与空频域多LBP特征融合进行特征提取。首先利用部分样本训练深度稀疏自编码网络,利用训练好的网络分别提取训练及测试集的特征;其次,利用二维离散小波变换将时域样本变换到频域,实现样本扩展,增加单样本信息并分别提取各域上的多LBP特征;最后利用协同表示对深度自编码网络及多LBP特征进行分类识别,融合识别结果获取最终分类结果。在AR及PIE数据库上的实验结果表明,该融合算法能提高样本判别性信息的提取,提高单样本人脸识别性能。(本文来源于《物联网技术》期刊2019年11期）
吴鹏,林国强,郭玉荣,赵振兵[4]（2019）在《自学习稀疏密集连接卷积神经网络图像分类方法》一文中研究指出通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。(本文来源于《信号处理》期刊2019年10期）
陈华华,刘萍[5]（2019）在《基于SSIM稀疏自编码网络的异常事件检测》一文中研究指出为了检测视频监控中人群恐慌逃散的异常事件,提出一种基于SSIM稀疏自编码网络的异常事件检测模型。通过提取SSIM特征来表征场景的变化程度,利用稀疏自编码网络对SSIM特征进行稀疏表示,最后通过计算马氏距离来进行异常事件和正常事件的相似度衡量,并以此进行异常事件的检测。在标准数据集UMN和web上进行实验,UMN数据集上的异常检测等错误率EER达到0.017,web数据集上达到0.189。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年05期）
徐睿,马胜,郭阳,黄友,李艺煌[6]（2019）在《基于Winograd稀疏算法的卷积神经网络加速器设计与研究》一文中研究指出随着卷积神经网络得到愈加广泛的应用,针对其复杂运算的定制硬件加速器得到越来越多的重视与研究。但是,目前定制硬件加速器多采用传统的卷积算法,并且缺乏对神经网络稀疏性的支持,从而丧失了进一步改进硬件,提升硬件性能的空间。重新设计一款卷积神经网络加速器,该加速器基于Winograd稀疏算法,该算法被证明有效降低了卷积神经网络的计算复杂性,并可以很好地适应稀疏神经网络。通过硬件实现该算法,本文的设计可以在减少硬件资源的同时,获得相当大的计算效率。实验表明,相比于传统算法,该加速器设计方案将运算速度提升了近4.15倍;从乘法器利用率的角度出发,相比现有的其他方案,该方案将利用率最多提高了近9倍。(本文来源于《计算机工程与科学》期刊2019年09期）
李福进,李军,宫海洋[7]（2019）在《基于稀疏子空间的卷积神经网络目标跟踪》一文中研究指出针对粒子滤波目标跟踪过程中初始化和权值退化的数据处理情况,在粒子滤波框架下提出一种基于稀疏子空间的卷积神经网络目标跟踪算法。以仿生学为基础,在目标跟踪过程中引入稀疏子空间和卷积神经网络。首先,利用稀疏子空间模型筛选出与目标状态相似度较高的候选区域进行后续跟踪处理,减少冗余计算并降低跟踪的复杂性;然后,将稀疏子空间输出用作卷积神经网络的输入,并利用卷积神经网络模型对图像数据处理的优点进行目标跟踪的数据处理;最后,通过对目标数据的不断更新来减少目标表观变化的影响。实验表明,该算法能够更好地处理目标跟踪中的目标遮挡、运动模糊、光流与尺度变化,提高算法的准确性和数据处理能力。(本文来源于《中国测试》期刊2019年07期）
朱建勇,黄鑫,杨辉,聂飞平[8]（2019）在《基于稀疏化神经网络的浮选泡沫图像特征选择方法》一文中研究指出针对泡沫特征复杂繁多不利于建模控制的问题,本文提出了一种基于稀疏化神经网络的泡沫图像特征选择方法.相较于大部分特征选择方法以线性回归模型作为损失函数的情况,本文选择以更为贴近实际工业过程的神经网络模型作为损失函数,并加入L_(2,1)范数约束条件;以此方法建立泡沫特征与矿物品位的回归目标函数,并采用近点梯度法计算最优解,通过对第一层权值的综合排序得到对应的特征选择结果;最后,将选择后的特征组合作为输入量输入到SVR模型,对比得到浮选过程最优特征组合.工业数据仿真结果表明,该方法可以有效地实现泡沫图像维数约简.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
马斌彬,马红占,褚学宁,李玉鹏[9]（2019）在《基于稀疏自编码神经网络的产品再设计模块识别方法》一文中研究指出提出了基于性能时变数据分析的再设计模块识别方法.利用产品在健康状态下的性能时变数据构建无监督学习的稀疏自编码神经网络(SAENN)模型,以用于健康状态下产品性能数据的特征提取以及产品功能退化程度的评估;将产品在健康状态下的性能数据用于训练SAENN模型,使用运行期间的性能时变数据更新产品的状态特征,以反映功能的退化过程;通过对比功能间的退化差异来识别需要再设计模块;同时,以某制造企业水平定向钻产品再设计功能模块的识别为例验证了所提方法的可行性.结果表明,所提出的再设计模块识别方法具有较好的准确性,能够识别需改进的功能模块,识别结果可作为产品再设计的依据.(本文来源于《上海交通大学学报》期刊2019年07期）
高佳程,朱永利,郑艳艳,贾亚飞[10]（2019）在《基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别》一文中研究指出针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆迭稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。(本文来源于《中国电机工程学报》期刊2019年14期）
稀疏网络论文开题报告
（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：
目的稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法(FBP)进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络(MWResNet)对稀疏角度CT图像进行恢复。方法本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据"Low-dose CT Grand Challenge"数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络(IRLNet),残差编码解码卷积神经网络(REDCNN)和FBP卷积神经网络(FBPConvNet)。结果实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。
（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。
稀疏网络论文参考文献
[1].张贝,戴宁,田素坤,袁福来,俞青.结合稀疏八叉树卷积神经网络的牙齿预备体颈缘线提取方法[J].计算机辅助设计与图形学学报.2019
[2].韦子权,王永波,陶熙,贾晓,边兆英.基于多尺度小波残差网络的稀疏角度CT图像恢复[J].南方医科大学学报.2019
[3].赵淑欢,万品哲,郭昌隆.深度稀疏自编码网络融合多LBP特征用于单样本人脸识别[J].物联网技术.2019
[4].吴鹏,林国强,郭玉荣,赵振兵.自学习稀疏密集连接卷积神经网络图像分类方法[J].信号处理.2019
[5].陈华华,刘萍.基于SSIM稀疏自编码网络的异常事件检测[J].杭州电子科技大学学报(自然科学版).2019
[6].徐睿,马胜,郭阳,黄友,李艺煌.基于Winograd稀疏算法的卷积神经网络加速器设计与研究[J].计算机工程与科学.2019
[7].李福进,李军,宫海洋.基于稀疏子空间的卷积神经网络目标跟踪[J].中国测试.2019
[8].朱建勇,黄鑫,杨辉,聂飞平.基于稀疏化神经网络的浮选泡沫图像特征选择方法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[9].马斌彬,马红占,褚学宁,李玉鹏.基于稀疏自编码神经网络的产品再设计模块识别方法[J].上海交通大学学报.2019
[10].高佳程,朱永利,郑艳艳,贾亚飞.基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别[J].中国电机工程学报.2019
论文知识图
