导读:本文包含了结构化神经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:神经网络,结构化,卷积,算法,模型,特征,数据。
结构化神经网络论文文献综述
于海[1]（2019）在《基于卷积神经网络的非结构化文本敏感信息检测系统的设计与实现》一文中研究指出伴随着互联网、计算机硬件设备和移动硬件设备的高速发展,用户将大量的数据、文字等存放在电子文本文档中,随时随地进行着通信与传输。而大量电子文本文档的使用则存在着信息安全风险,从非结构化文本文档中泄露敏感信息对个人、企业以及政府都是一个代价高昂的问题。如何检测敏感信息以防止数据信息泄露成为了一个信息安全领域的重要课题。现阶段实际应用的检测方法大致分为两种,敏感词匹配以及传统的机器学习手段。这两种方法都依赖于特征关键词与敏感种子词共现的频率。然而在实践使用中,这可能会无法准确的检测出更复杂的敏感信息模式。实际应用的检测方法受人为情感因素影响,只注重了词语与特征的出现,割裂了文本本身上下文的联系,忽略了语句之间的意义,只能粗暴地按照“含有关键词特征即涉及敏感”的原则进行敏感信息检测。近年来,有科学家提出利用递归神经网络进行敏感信息检测,利用文档的上下文信息更准确地预测文档的敏感性,因为其自身模型具有的优点较好的解决了上述出现的问题。但该方法在提升准确率的同时,模型训练构建需要耗费较多的时间,实际应用时可能会影响效率。卷积神经网络模型作为深度学习的一种类型,在保留了递归神经网络模型具有的优势情况下,还可以缩减模型训练时间、提高效率。本篇论文提出使用Text-CNN模型代替递归神经网络模型,将文本敏感信息检测划归成特殊的文本分类,提出了一种基于卷积神经网络的非结构化文本敏感信息检测方法,并设计了一个检测系统。该检测方法在保证检测准确率的同时,又可以提升检测模型的训练构建时间,整体提高检测效率,实现高效准确检测。本文的主要研究内容如下:(1)将文本敏感信息检测的过程抽象成为一种特殊的文本二分类,即“敏感”和“非敏感”。研究现有基于深度学习模型的文本分类技术,结合选取非结构化文本的领域性以及特殊性,寻找最适合的分类方法。(2)提出了一种基于卷积神经网络的敏感信息检测方法。选取10000多篇非结构化文本文档分为训练集和测试集,以Text-CNN卷积神经网络模型为主体,调整模型细节和所需的超参数,训练敏感信息检测模型。通过大量对比实验,验证了本论文提出的敏感信息检测方法具有一定的现实实用性;(3)利用提出的敏感信息检测模型设计并实现了 USID系统(Unstructered Sensitive Information Detection System)。并对系统进行了功能测试和压力测试,证明了系统的高可用性和稳定性。(本文来源于《北京邮电大学》期刊2019-03-01）
刘松林,秦晓卫,戴旭初[2]（2018）在《基于神经网络结构化组合的下行链路SINR预测》一文中研究指出针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。(本文来源于《遥测遥控》期刊2018年04期）
熊红凯,高星,李劭辉,徐宇辉,王涌壮[3]（2018）在《可解释化、结构化、多模态化的深度神经网络》一文中研究指出深度学习方法依赖于大规模的标签数据,通过端到端的监督训练,在计算机视觉、自然语言处理领域都取得优异性能.但是,现有方法通常针对单一模态数据,忽视数据的内在结构,缺乏理论支撑.针对上述问题,文中从基于小波核学习的深度滤波器组网络设计、基于结构化学习的深度学习、基于多模态学习的深度学习3个角度阐述结合深度学习方法与小波理论、结构化预测的潜在方法,以及其拓展到多模态数据的可行机制.(本文来源于《模式识别与人工智能》期刊2018年01期）
贺天行[4]（2017）在《结构化循环神经网络以及其在智能语音识别中的应用》一文中研究指出近几年深度学习领域中的各种神经网络模型得到了非常多的发展,主要模型类别可分为全连接的深度神经网络,循环神经网络和卷积神经网络。接着,这些模型也使得很多应用领域如机器翻译,语音识别,图像识别得到了很大的性能提升。本硕士研究课题主要研究循环神经网络以及其在智能语音识别中的应用。本文首先以语言模型为切入点深入地介绍循环神经网络的发展历程,之后介绍我们如何改进和利用循环神经网络的内部结构,使语音识别应用得到更好的准确率。(本文来源于《上海交通大学》期刊2017-06-06）
崔巍,杨健,常合友[5]（2016）在《基于多通道卷积神经网络的非结构化道路路表分析》一文中研究指出针对传统卷积神经网络CNN(Convolutional Neural Networks)在训练或学习时只利用图像的灰度信息,丢失了颜色信息的问题,提出一种基于多通道卷积神经网络来提取特征的方法。该算法对于每一个颜色通道分别学习一个多层卷积神经网络,并且在输出层通过全连通的神经网络进行融合。算法首先建立叁个多层卷积神经网络来学习图像叁个通道(RGB,HSV,Lab等)的特征;然后将叁个颜色通道的特征赋予不同的权值(权值和为1)后进行融合,得到样本的特征;最后通过一个全连通的神经网络得到分类结果。实验结果分析表明,该算法相比于传统卷积神经网络能取得更高的准确性,同时能更好地适应复杂多变的环境。(本文来源于《计算机应用与软件》期刊2016年01期）
吕艳鹏,潘玉田[6]（2014）在《基于BP神经网络的非结构化道路识别》一文中研究指出基于BP神经网络,针对非结构化道路的彩色图片,利用熵、对比度等纹理特征值作为BP神经网络的输入层,设隐层有12个节点,输出层有1个节点,进行网络训练。完成网络训练之后,可以得到网络的阀值,然后将图片中的每一个20×20小块的纹理特征值输入BP神经网络的输入层,经过运算判断小块是否为道路部分,直至完成整个图片的判别。(本文来源于《机械工程与自动化》期刊2014年03期）
王宜刚[7]（2012）在《基于结构化神经网络的贷款风险预警方法》一文中研究指出预警系统是商业银行贷款风险管理中一个非常重要的环节。文章设计了贷款风险预警指标体系,基于结构化神经网络构建了贷款风险预警模型。应用实例表明,模型和方法是正确的、可行的、有效的。结构化神经网络是处理预警问题的一个较好的工具,可推广到其他领域的预警工作中去。(本文来源于《统计与决策》期刊2012年15期）
郑晓妍[8]（2011）在《神经网络结构化设计与研究》一文中研究指出人工神经网络作为数据建模的重要工具,被广泛应用在各个行业领域中。随着现代过程工业规模的扩大,生产工艺、设备以及生产过程复杂度也随之增加,简单模式的神经网络已经难以满足用户的需求,单一结构神经网络存在泛化性能有限、物理结构缺乏可理解性等问题,为了解决其局限性,繁衍出多种神经网络设计。本课题主要针对人工神经网络结构的智能性进行理论研究,总共涉及叁部分内容：数据空间属性分析及处理、结构化神经网络模型设计以及人工神经网络性能优化。通过实现神经网络结构化学习实验平台的设计和开发,解决了神经网络黑箱性问题,削弱网络对专家知识的依赖性。平台核心内容是基于自联想神经子网和树形神经网络的两种新型的结构化神经网络。通过分别采用多组UCI国际标准数据集以及实际石化企业精对苯二甲酸(PTA)溶剂脱水塔装置的生产数据和高浓度聚乙烯降耗(HDPE)建模应用数据来验证课题研究内容。结果表明自动划分子网和由此生成的结构化神经网络具有很好的物理意义和实际有效性,大大提高了神经网络泛化能力和系统稳定性。因此,结构化神经网络研究对实际工业应用具有现实指导意义。(本文来源于《北京化工大学》期刊2011-06-13）
吴兴华[9]（2010）在《基于结构化神经网络的第叁产业发展水平评估方法》一文中研究指出基于结构化神经网络构建了第叁产业发展水平评估模型;设计了一种优化性能更好的改进遗传算法;采用改进遗传算法对结构化神经网络模型进行训练。实验结果表明,本研究方法学习能力强、误差率较小。(本文来源于《统计与决策》期刊2010年22期）
任斌,何俊杰[10]（2009）在《基于结构化神经网络挖掘的农产品产量预测方法》一文中研究指出农产品市场的准确预测对指导农业生产、农产品流通和农产品消费有重要作用。本文提出了一种改进的结构化神经网络(ISNN),并基于ISNN构建了农产品产量预测模型;设计了一种优化性能更好的混合遗传算法(MGA),并采用MGA对ISNN预测模型进行训练。应用训练好的预测模型对某县最近10年的玉米总产品进行了预测分析。实验结果表明,该方法收敛速度快、学习能力强、预测精度较高、误差率较小。(本文来源于《计算机工程与科学》期刊2009年09期）
结构化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：
针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。
（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。
结构化神经网络论文参考文献
[1].于海.基于卷积神经网络的非结构化文本敏感信息检测系统的设计与实现[D].北京邮电大学.2019
[2].刘松林,秦晓卫,戴旭初.基于神经网络结构化组合的下行链路SINR预测[J].遥测遥控.2018
[3].熊红凯,高星,李劭辉,徐宇辉,王涌壮.可解释化、结构化、多模态化的深度神经网络[J].模式识别与人工智能.2018
[4].贺天行.结构化循环神经网络以及其在智能语音识别中的应用[D].上海交通大学.2017
[5].崔巍,杨健,常合友.基于多通道卷积神经网络的非结构化道路路表分析[J].计算机应用与软件.2016
[6].吕艳鹏,潘玉田.基于BP神经网络的非结构化道路识别[J].机械工程与自动化.2014
[7].王宜刚.基于结构化神经网络的贷款风险预警方法[J].统计与决策.2012
[8].郑晓妍.神经网络结构化设计与研究[D].北京化工大学.2011
[9].吴兴华.基于结构化神经网络的第叁产业发展水平评估方法[J].统计与决策.2010
[10].任斌,何俊杰.基于结构化神经网络挖掘的农产品产量预测方法[J].计算机工程与科学.2009
论文知识图
