一、多层感知器网络内部判决模式的研究（论文文献综述）
谭梦源[1]（2020）在《基于深度学习算法的室内可见光通信系统光源布局的动态优化》文中提出可见光通信由于其相对于传统的射频通信而言具有可利用带宽大、安全性好以及无电磁辐射等特点,在近年来成为了光通信领域的研究热点。在传统的研究过程中,可见光通信系统的使用场景通常比较固定,未考虑到房间内不同状态的变化。例如在实际的可见光通信系统中,房间内有通信需求的区域会随着房间中障碍物的增减或移动随之变化,或者由于背景光噪声的影响为房间内带来额外的噪声功率影响从而产生通信盲区,此时需要通过重新调整光源位置以抵消此类变化为通信系统带来的影响。本文主要研究的是在房间状态变化的情况下动态调整光源的布局。本文通过使用机器学习中的遗传算法迭代计算,对于房间中不同的状态给出了对应的最优光源分布,在光源按照最优的分布方案排列时,房间内有效的通信区域可以达到最大,相应地,房间内通信的盲区可以基本消除。在通信系统中传输速率较低时（例如10Mb/s）,在有障碍物的房间中,误码率在10-6以下的有效通信区域占比可以达到94.85%至97.28%之间;在有背景光噪声的状态下,有效通信区域的占比可以达到91.04%。而在通信系统速率较高时（例如100Mb/s）,在不同状态的房间内有效通信区域的比例为77.92%至90.9%。另外,本文通过使用深度学习中的神经网络对光源分布方案进行预测,分别使用了多层感知器网络结构以及卷积神经网络结构对数据集进行训练,加快了对光源位置的计算过程,得到了一个在毫秒级别的时间内的预测准确率在85%以上的计算模型。通过使用该计算模型,光源分布方案可以直接通过输入的房间状态数据计算得出,避免了遗传算法等优化方法所需的迭代过程,实现了光源布局的动态调整。
李增刚[2]（2020）在《基于FPGA的手写数字BP神经网络研究与设计》文中进行了进一步梳理图像分类是人工神经网络的研究领域之一,手写数字识别又是图像分类的一个重要应用。人工神经网络是根据生物脑学习和记忆的功能,仿照脑细胞处理信号的方式去设计,能处理大量数据运算和训练更新自身参数的系统,具有并行处理数据的特点。神经网络通常采用软件串行处理方式实现,缺点是训练速度较慢,耗时长;其另一种实现方式是硬件实现,可克服软件处理慢的缺点。FPGA作为一种可编程逻辑器件,具有并行处理能力和可重复配置的优点,且内嵌丰富的乘法器和存储器资源,适合神经网络算法的实现,可提高网络训练速度,满足实时性的要求。因此成为研究神经网络硬件实现的一种理想器件。神经网络是由若干人工神经元按照一定规则相互连接起来的,具有并行分布结构、非线性激活函数、归纳学习、适应性的特点。BP网络在语音识别、图像分类和信号处理等领域应用是最为广泛的神经网络模型之一,具有快速和大规模处理的能力。手写数字识别系统根据BP算法训练更新神经元的权重和偏置,实现手写数字样本识别。本文用FPGA实现BP神经网络的训练和识别功能,并应用于手写数字识别,主要研究内容如下。研究手写数字BP神经网络架构和BP网络算法原理,参考python语言程序,研究手写数字识别BP神经网络的训练和识别实现原理。设计用FPGA实现BP神经网络的电路结构图,分析运算处理的时序过程。用Verilog代码实现手写数字BP神经网络的识别功能和训练功能,利用Quartus II软件进行综合编译,并调用ModelSim进行RTL级仿真。本系统主要包括样本数据和标签输入模块、S型函数运算模块、数据的串并行转换模块、各层网络前向和后向运算模块、训练和识别判决模块,以及状态机控制模块。本系统采用的学习系数是30,迭代次数为2次,小批量数据是10个。硬件系统选用的系统时钟是50MHz,训练的时间是590ms,识别准确率是90.2%,与python语言实现的系统进行比较,大大提高了训练速度,保证了识别准确率,为进一步实现硬件BP神经网络的应用奠定了研究基础。
彭佳蓉[3]（2020）在《基于LSTM神经网络的频谱感知与预测》文中认为随着无线通信技术的飞速发展,频谱资源面临着资源短缺、分配不合理的问题,与不断增长的用频需求之间的矛盾日益突出。认知无线电技术通过频谱感知来检测频谱空穴,并选择空闲信道进行接入是解决当前频谱资源紧缺、利用率低问题的有效途径。然而在其频谱感知、频谱决策、频谱共享和频谱切换四个关键技术的实现中存在一定的缺陷,例如传输时延、能量消耗等。在此背景下,提出了频谱预测技术来解决上述问题,从而相应的提高频谱利用率。本文对认知无线电技术中的频谱预测技术进行了深入研究,设计了软件界面显示频谱有效支撑电磁频谱监测工作,进一步设计实现频谱预测方案。本文的主要工作及创新如下:本文对认知无线电的关键技术进行了深入研究,对目前被广泛研究的基于机器学习的频谱预测技术和基于人工神经网络的频谱预测技术进行了详细阐述与分析。分析表明基于BP神经网络频谱预测技术的性能与普适性要优于基于隐马尔可夫模型（HMM）的频谱预测技术。在面临需要通过研究历史信号的时间依赖关系发掘信号特征的问题时,使用前馈神经网络的预测效果准确性不够理想,因此利用深度学习架构在处理高阶特征上优秀的能力,来应对实际复杂的用频环境。在多层感知器网络、循环神经网络、长短期记忆网络（LSTM）中,LSTM在处理长间隔、长时延事件中表现的性能最佳。本文基于无线传感器网络的电磁频谱监测系统,进行了电磁频谱显示软件的设计与实现。上位机软件在功能上了实现对网络系统进行远程监控和任务管理,还负责无线电磁频谱信息的接收、处理和显示,同时能够发送下行命令管理系统基本参数等。在频谱显示模块设计中,完成了动态显示频域图、时域图、瀑布图的功能实现频谱监测。其次本文在频域展示形式上做出了创新,代替传统频域图单一线条的展示方式创新了一种冷荧光彩色展示界面更为直观美观,同时不影响频域图显示速度和整个系统数据收发、处理速度。最终实现构建人机交互界面显示频谱,并实时记录统计频谱占用情况,为实现频谱预测提供真实的历史占用状态并输出频谱占用度统计结果。本文基于长短期记忆网络网络模型设计频谱预测方案,研究了优化网络超参数的方法,经过研究发现,影响LSTM性能的参数主要网络深度和网络宽度。理论分析和仿真表明,在复杂的用频环境下,基于LSTM的频谱预测性能优于基于BP和基于HMM的预测性能。因此基于LSTM的频谱预测是本文认为在适用度、性能和技术新颖度等方面表现最好的深度学习架构。同时由网络深度和网络宽度对网络性能的影响可以得出结论,LSTM网络应该浅而宽。
刘西洋[4]（2019）在《基于改进LMD算法的输气管道泄漏口径识别与定位研究》文中研究指明目前,天然气管道建设工程发展迅速,但管道的腐蚀、老化、人为破坏等因素造成的泄漏事故频发,给人民生产生活带来许多不利影响。如何应对管道泄漏问题,对输气管道的泄漏进行及时识别与定位,对于维护管道的运营安全具有重大意义。本文提出一种改进的局部均值分解方法,将该方法运用于管道泄漏检测领域,并结合SVM理论模型、神经网络模型、互相关定位算法等,实现了管道泄漏口径识别与泄漏定位,同时结合相关实验,验证了其有效性。局部均值分解（LMD）算法是一种新型的自适应信号处理方法,在处理非平稳信号（如管道泄漏声信号）方面具有较好的效果。本文通过仿真信号验证了该方法在信号自适应分解方面的准确有效性,同时针对该算法本身存在的缺陷——模态混叠进行改进,通过多次加入高斯白噪声进行分解,最终改善了这一现象,提高了信号的信噪比,并得到一种改进局部均值分解（ELMD）算法。在完成算法的改进与完善后,本文将采集所得的管道泄漏信号进行ELMD分解,得到若干PF分量,用于后续口径识别与泄漏定位的研究。在泄漏口径识别与分类阶段,首先对各PF分量进行Hilbert变换求得其包络谱,将得到的包络谱熵作为不同泄漏口径学习与分类的判据;接下来引入支持向量机（SVM）与神经网络（NN）模型,分别考察两种模型下管道泄漏口径的分类情况,通过改变核函数及调整相应核参数,以寻找模型的最优解,并将不同模型进行对比,对各模型的分类效果进行综合评价。在泄漏定位方面,本文采用互相关方法,设立了三种传感器架构方案,对两点同步泄漏的情况进行分析,并结合两点接受信号的时间间隔结合声速对泄漏孔进行定位。在互相关算法的基础上,本文提出一种基于ELMD峭度值的定位方法,通过提取经ELMD分解后的各PF分量的峭度进行对比,取峭度值高的PF分量作为主PF分量,并对信号进行重构。实验证明该方法与传统互相关算法相比,能有效降低定位误差,获得更准确的位置信息。本文通过实验证明,改进局部均值分解算法在管道泄漏检测与定位领域具有较好的应用效果,通过与其他算法相结合,对于泄漏口径的识别与定位具有一定的优势,为实际工程运用提供了理论支持。
梁冠强[5]（2019）在《基于深度学习的中短码长LDPC译码研究》文中进行了进一步梳理LDPC码是一种性能可以逼近香农限的纠错码,目前已广泛应用到移动通信的信道编码和存储器的纠错编码等场合。LLR-BP算法是LDPC软判决译码算法的其中一种,具有迭代译码以及码字越长译码性能越好的特性,但短码长的LDPC的译码性能和译码吞吐率都还有可提升的空间。深度学习在语音、图像、自然语言处理等应用场合上已经证明其强大的识别,分类及拟合能力。因此,本文将深度学习网络与中短码长的LDPC译码结合作为主要的研究内容。本文将接收器接收到的带噪声LDPC码字的译码过程看成是数据的识别,分类和拟合等过程,提出了三种利用深度神经网络进行中短码长的LDPC码译码方法:本文提出了基于全连接神经网络多分类译码方法,该方法将码字种类当作分类类别,使用具有若干层隐藏层的全连接前馈神经网络和Softmax层进行多分类输出。该方法只利用了一种神经网络结构,具有网络结构组成简单和训练难度低的特点。仿真实验证明,全连接神经网络多分类译码方法应用在LDPC短码上,译码性能领先LLR-BP算法,最大能够达到1dB。本文提出了基于半监督神经网络分类译码方法,先利用深度学习的自动编码器等实现从LDPC码字数据中无监督地提取特征后,再对码字中每个码元进行有监督二分类译码。该方法将多分类译码转化为二分类译码,解决了随着码字增长导致多分类译码的网络输出层维度过大的问题。仿真实验证明,基于半监督神经网络分类译码方法在短码上译码性能能够超过LLR-BP算法。本文基于SPNs网络进行快速概率推理的LDPC译码方法。在本文中,分析了LDPC的置信度传播迭代译码过程图模型,提出了一种构建深度SPNs网络的方法。深度SPNs译码网络结构相对简单,能够实现在码长达到上百位的中等码长LDPC译码,仿真实验证明,译码性能能够逼近LLR-BP算法。由本文提出的利用深度学习的LDPC译码方法,译码输出为输入和网络学习到的参数直接计算得到。与LDPC的LLR-BP译码算法对比,译码过程无需迭代,提高了译码效率,且在短码长上的译码性能更加优越。
肖伟[6]（2018）在《神经网络技术在大气激光信道反演分析及信道编码译码中的应用研究》文中提出本论文分为两个部分,第一个部分为自由空间光通信领域的信道反演研究,尤其是对雨信道进行了分析。在第二部分,主要研究了信道编码和信道译码技术。采用神经网络技术,最终完成具有智能的编码过程。第一章,我们对大气激光通信信道研究的瓶颈进行了阐述,尤其采用传统数学方式,对信道反演存在的困难进行了演绎;另一方面,对传统的信道编码技术,译码技术做了简要介绍,包含常用的LDPC编码、RS编码。第二章,提出了权值特征提取技术,是一种从训练好的多层感知器网络中反演提取训练样本组特征信道的一种全新的数据分析工具,这种技术能够实现数据集的深度分析研究。首先,把大气激光通信实验数据集转化为多层感知器网络的训练样本集;其次,利用该训练样本集来训练多层感知器网络,此时,样本集中的核心信息在训练结束后将充分转移到网络中去;最后,采用权值特征提取技术在训练好的网络中提取特征信息,并计算权值能量通道以及数据集的关联度。实际测试的结果表明:季节因素强于降雨量因素,雨强对大气激光雨信道质量影响最大。这个结果对大气激光雨信道研究具有重要参考意义。第三章,对青藏高原大气激光雨信道进行了反演分析。对于这方面的研究,由于缺乏原始的实验数据和合适的数据分析手段,这方面的研究一直都很少有人问津。在本章,采用了神经网络群与初始权值优化相结合的分析处理手段。首先,根据不同的季节条件来构造神经网络群;其次,采用初始权值优化算法,通过已有的大气激光雨信道的原始实验数据集来选择匹配的初始权值;再次,训练神经网络群,直至神经网络群达到期望的收敛要求;最后,加载青藏高原降雨气象数据（以拉萨为例）到训练好的神经网络群中,从而反演出最终的信道质量。最后的结论表明,在春季的降雨,青藏高原大气激光雨信道质量最佳,紧接着是冬雨、夏雨和秋雨。第四章,采用神经网络技术对LDPC信道编码进行了信道反演分析。由于缺乏合适的数据分析工具,尤其是在大气激光雨信道的条件下,LDPC编码性能的研究很少受人关注。在本章中,提出了前向权值特征提取算法,这种算法是在训练好的多层感知器网络中提取特征信息的一种新方法。首先,大气激光雨信道环境下,LDPC信道编码的原始实验数据集,需要通过预处理,转换为多层感知器网络能够使用的训练样本集;其次,根据训练样本集的大小建立网络,并用初始权值优化技术选择与训练样本集相匹配的初始权值;再次,利用误差反传算法训练多层感知器网络直至总误差达到要求;最后,利用前向权值特征提取算法从训练完成的网络中提取特征信息,即:最终可以计算出雨信道中各个因素对LDPC信道编码性能的影响程度。实验表明,雨强对LDPC性能的关联度为39,这与对实验数据的直接分析结论是一致的;季节的关联度第二,为24;信道质量位列第三,为19;降雨量的关联度最小,为18第五章,提出了一种新型通用神经网络译码器,该译码器为对称自组织映射结构,能够完成对任意纠错码的译码。这种对称自组织映射结构的译码器,采用LDPC编码进行了测试,并与传统译码器进行了性能的比较,仿真。实际的结果表明,对称自组织映射结构的译码器能够完成边学习,边译码的功能,并且不需要事先知道对应的编码规则。码字出现的概率越高,则译码纠错的质量越好。相比传统的纠错译码器,它更易于构造,针对不同类型码字的普适性高,在未来通信信道编码领域具有一定的前景。第六章,提出了前向神经网络编码器的设计,这种信道编码器采用自组织映射的神经网络作为编码器的主要结构。首先,根据源消息位的维度和码字的维度建立自组织映射神经网络;其次,选择合适的权值分布来初始化神经网络;最后,检测码字的唯一性,直至达到要求。在译码阶段,多层感知器网络作为对应的译码器。首先,根据源消息位数和码字位数的维度来构建对应的多层感知器网络;其次,利用前向神经网络编码器产生的码字组作为样本组训练多层感知器网络,直至网络的总误差达到预设值;最后,利用训练好的多层感知器网络来完成译码工作。实际的仿真测试表明,神经网络编码器和译码器方案是可行的。在合适的前向神经网络结构和输出节点度的情况下,能够获得较好的编码译码效果。总之,由神经网络编码器生成的码字组,是无法用传统的数学方面完成译码工作的,因此,这种编译码方式在安全通信领域具有一定的市场前景。第七章,提出了一种改进型的神经网络编码器,这种编码器采用SOM神经网络单独产生校验位。而最终的完整码字由N个源消息位和K个校验位共同组成。在本项目中,全连接模式与部分连接模式都进行了仿真。在译码端,多层感知器网络被用作译码器。具体步骤如下:（1）根据码字组与源消息位的大小构建多层感知器网络;（2）利用神经网络编码器产生的码字组来训练多层感知器网络,直至网络收敛;（3）训练好的多层感知器网络开始接受码字并译码。实际测试表明:（1）全连接模式与部分连接模式在性能上没有明显的差异;（2）采用Tanner Graph模式来构造权值的部分连接,能够降低运算复杂度,并获得较好的编码译码效果。总之,神经网络编码器具有以下几个优势:（1）神经网络的结构和对应的权值组就是编码算法本身,这种模式具有一定的保密性;（2）神经网络结构简化为部分连接模式,则可以较小的计算复杂度获得较好的编码特性;（3）这种编码译码的方法在保密通信领域具有一定的市场前景。第八章,对信道反演算法进行了总结。不同的信道反演分析算法各自有其合适的应用场合,对此,进行了归纳。权值特征提取技术和前向权值特征提取具有相似之处,即:都是从训练好的神经网络中提取关键信息;而神经网络群技术,则适于受限的原始实验数据集,即:数据集中缺乏原始关键信息。另一方面,对不同信道反演算法进行了比较总结。在权值特征提取技术中,数据集关联的反演是通过权值迭代偏移量来实现的;而在前向权值特征提取中,采用了前向计算的方式去建立数据集内部各个数据之间的联系;神经网络群则是根据数据集内存有间接因果关系,事先划分。进一步,针对不同的编码译码算法,根据其各自的特点进行了总结。每一个算法都有适合其特点的应用场合。另一方面,本文对各个算法进行了比较、研究。对称自组织映射结构的译码器适用于低维度的情况,而多层感知器结构的译码器在实际应用中取得了较好的效果。在神经网络编码器领域,改进型、部分连接模式的编码器,具有计算复杂度低,性能好的特点,在未来应用中有好的前景。
刘显德[7]（2010）在《油气管道失效模式智能诊断技术研究》文中进行了进一步梳理管道运输是石油、天然气最为经济合理的运输方式。随着油气管道的大量铺设和管道服役时间的增长,管道失效事故屡有发生,给人民生命财产带来重大损失。影响管道失效的因素众多,普遍具有随机性、模糊性和不完整性等特点,传统诊断方法对管道失效模式的分析常常存在不适应性。智能信息处理理论和技术是近几年在各工程领域和科学研究中得到广泛研究和应用的人工智能方法,其相关模型由于具有高度非线性映射能力、大规模并行分布处理和良好的自适应学习机制,很适合求解传统模式识别和预测方法难以建模解决的问题。因此,将智能信息处理方法和技术应用于管道失效模式诊断问题的研究在机制上具有很好的适应性。论文主要针对管道失效模式诊断中的若干典型问题,进行管道失效模式智能诊断理论和应用技术研究。将模式识别和动态预测领域中普遍采用的人工神经网络技术与诊断理论、模式识别、模糊逻辑和系统仿真等方法相结合,构建适合管道失效模式分析的智能诊断方法和模型,并进行求解算法和应用技术研究。在智能诊断方法和模型研究方面,论文在对油气管道已有失效模式分析和故障诊断建模技术研究基础上,归纳出三类管道失效模式诊断问题:数值型模式诊断、含模糊信息模式诊断和动态模式诊断,并构造不同的智能模型以实现上述不同问题的求解。针对数值型模式诊断问题,构建了自适应确定BP网络结构的方法和实现机制,并应用于具有较为完整测试数据的含缺陷压力管道失效模式诊断;针对含有模糊信息的失效模式诊断问题,考虑已知条件和结果之间无明确因果关系及各环境因素对结果影响的重要程度不同,在传统模糊神经网络基础上建立了加权模糊推理网络,较好解决了腐蚀数据中的模糊性信息对管道腐蚀程度的影响;对于动态模式诊断问题,将过程神经网络和径向基函数神经网络相结合,提出了一种径向基过程神经元网络的概念和模型,模型融合了过程神经网络可表达动态过程效应累积和径向基网络非线性函数逼近能力强的优势,对预测管道腐蚀速率随时间非线性变化问题具有很好的适应性。同时,针对过程变量趋势预测,将传统支持向量回归机的构造思路和方法推广到时变函数空间,建立了一种过程支持向量回归机,该模型可较好地解决动态系统时间预测问题。在应用技术研究方面,给出了智能诊断模型在一些典型管道失效模式诊断问题中的应用方法和求解过程。主要包括管道泄漏诊断、管道腐蚀失效模式诊断、管道腐蚀速率预测、含缺陷压力管道失效模式诊断以及管道防腐保温层故障诊断分析等,并获得了较好的应用结果。论文针对管道失效模式诊断中的若干典型问题,建立了相关的智能诊断模型和方法,并进行了实际应用研究。这对于油气管道失效事故分析和管道运行完整性评价提供了一种科学方法和手段,可为管网进行风险性评估与运营决策提供科学依据,具有重要的实际意义和应用前景。
洪仁植[8]（2009）在《神经网络与信息融合技术在身份识别中的应用》文中认为当今社会是一个信息化高度发展的社会,信息对社会的每个成员而言也变得更加宝贵,而如何准确识别某个人的身份,并保护其个人的信息安全,成为了这个信息时代必须解决的社会问题。近些年来出现的基于生物特征的身份识别技术,由于其可靠、方便、快捷等等的优点,正逐渐的被优化和替代诸如钥匙、密码、智能卡等等的传统身份识别技术。然而,已有的生物特征识别技术大都是基于单一的某一种生物特征,即单模态身份识别技术,这样的技术由于其自身的局限性,比如特征提取的误差、模式匹配的缺陷、传感器噪声等等,使得这类技术在应用中有较大的局限性。而基于神经网络和数据融合技术来运用不同生物特征之间的互补信息,从而得到综合身份判断的多生物特征融合识别技术能很好的解决这个问题,并且被多数研究者视为未来身份识别的发展方向。本文分别对人脸识别和语音识别这两种单模态身份识别技术进行了详细的分析并加以改进,其中主要以支持向量机技术进行改进。而且,提出了融合人脸图像和语音信号中的特征参数,利用神经网络中的感知器网络和BP网络来进行系统身份识别,最后,以该融合识别方法和传统的身份识别方法进行对比仿真实验。实验结果证明了融合系统具有更优异的性能。
杜晶[9]（2008）在《基于支持向量机的车牌字符识别研究》文中指出车牌字符识别是车牌识别系统的最后环节,要求快速准确地识别出车牌图像中分割后的单个字符,字符识别的结果直接关系到整个车牌识别系统的成败。然而,目前大多数研究方法多是基于经验风险最小化原理的传统的统计模式识别,它只有在样本数趋于无穷大时其性能才有理论上的保证。而对于汽车车牌字符识别这样的实际应用,样本通常是有限的,这时传统的方法难以取得理想的效果。支持向量机能够较好地解决小样本学习问题,其目标是得到现有信息的最优解而不仅仅是样本数趋于无穷大时的最优值。对于样本集线性不可分的情况,通过事先确定的非线性映射将输入矢量映射到一个高维特征空间,然后在此高维空间中构建最优超平面。具体反映在支持向量机选用的核函数,它能够避免在高维特征空间中进行复杂的运算。本文给出了线性支持向量机分类的理论原理,同时对常用的几种支持向量机训练算法进行讨论,特别对SMO算法进行了深入研究,并对其进行改进。对车牌字符识别的实现方法的研究上,首先,对二值化噪声滤除后的车牌字符图像进行了基于质心及双线性插值的归一化处理。然后提出先对字符进行几何变换,再利用图像的粗网格特征与方向线素特征集成起来提取特征矢量的思想。将支持向量机分类的输入参数集中在粗网格特征上,用这些特征构造支持向量机算法的特征矢量。最后运用结合多层感知器和单向二叉决策树分类识别方法对车牌字符进行识别。实验证明,采用本文识别方法对车牌字符中的数字、字母及汉字都具有很好的识别效果。本文在分析多类支持向量机分类的基础上,针对总类型数量不多的图像分类情况,提出了基于多层感知器和单向二叉决策树的多类支持向量机分类方法。通过多层感知器网络的训练,获得支持向量机决策函数中合适的Lagrange乘子矢量及阈值b,以及非线性分类时核函数中的常系数,v-SVM分类时的约束值。最后用单向二叉决策树将字符图像逐步分类,并引入参数调整环节,实现了缩短字符识别时间并提高识别精度的目的。
马坤[10]（2008）在《基于神经网络的管道失效模式诊断方法研究》文中研究指明管道运输是石油、天然气最经济合理的运输方式。随着油气管道的大量铺设和管道服役时间的增长,管道失效事故屡有发生。影响管道失效的因素众多,一些因素具有随机性、模糊性和不完整性等特点,传统诊断方法对管道失效模式分析常常存在不适应性。人工神经网络是近几年在模式识别领域得到广泛研究和应用的人工智能模型,由于其具有高度非线性映射能力、大规模并行分布处理和良好的自适应学习机制,很适合求解传统模式识别方法难以建模解决的问题。因此,将人工神经网络方法和技术应用管道失效模式诊断问题的研究具有很好的适应性。论文主要针对管道失效模式诊断中的若干问题,研究适合于问题求解的人工神经网络模型、学习算法和应用技术,并将神经网络与诊断理论、模式识别、模糊逻辑和系统仿真等相结合。在对油气管道已有失效模式分析和故障诊断建模技术研究基础上,归纳出三类管道失效模式诊断问题,分别为数值型模式、含模糊信息模式和动态模式。论文构造了不同的神经网络模型以实现上述不同问题的求解。针对数值型模式,采用自适应确定BP网络结构的方法对含缺陷压力管道的失效模式进行识别;针对含模糊信息模式,考虑已知条件和结果之间无明确关系及各环境条件对结果影响的重要程度不同等问题,在传统模糊神经网络基础上建立了加权模糊推理网络,较好解决了腐蚀数据中的模糊性信息对管道腐蚀程度的影响;针对动态模式,将过程神经网络和径向基函数神经网络相结合,提出了一种径向基过程神经元网络的概念和模型,模型融合了两者优点,对预测管道腐蚀速率随时间非线性变化问题有很好的适应性。同时,针对过程变量趋势预测,将传统支持向量回归机的构造思路和方法推广到时变函数空间,建立了一种过程支持向量回归机,该模型可较好地解决动态系统时间预测问题。论文将神经网络技术应用于管道失效模式诊断研究,对油气管道的安全程度进行评价,可为管线进行风险性评估与经营决策提供科学依据,具有重要的实际意义和应用前景。
二、多层感知器网络内部判决模式的研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、多层感知器网络内部判决模式的研究（论文提纲范文）
（1）基于深度学习算法的室内可见光通信系统光源布局的动态优化（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 室内可见光通信系统概况 |
| 1.1.1 可见光通信系统国内外研究现状 |
| 1.1.2 光源布局方案研究现状 |
| 1.2 课题研究背景及研究意义 |
| 1.2.1 机器学习与深度学习 |
| 1.2.2 优化光源布局方案的必要性 |
| 1.3 本论文主要内容及结构安排 |
| 第二章 基本原理与概念 |
| 2.1 室内可见光系统 |
| 2.1.1 可见光通信信道模型 |
| 2.1.2 房间结构模型 |
| 2.1.3 码间串扰 |
| 2.2 遗传算法 |
| 2.2.1 遗传算法原理介绍 |
| 2.2.2 遗传算法基本流程 |
| 2.3 深度学习基本概念 |
| 2.3.1 神经元模型 |
| 2.3.2 损失函数 |
| 2.3.3 神经网络工作原理 |
| 2.4 本章小结 |
| 第三章 光源布局方案计算与分析 |
| 3.1 遗传算法的使用 |
| 3.2 不同状态下光源布局的优化 |
| 3.2.1 标准状态下的光源优化 |
| 3.2.2 存在障碍物状态下的光源优化 |
| 3.2.3 存在背景光噪声时的光源优化 |
| 3.3 光源总功率的节能效果 |
| 3.3.1 光照度标准 |
| 3.3.2 功率节能性分析 |
| 3.4 码间串扰对系统的影响 |
| 3.4.1 Q因子标准 |
| 3.4.2 存在码间串扰状态下的光源优化 |
| 3.5 本章小结 |
| 第四章 基于深度学习的优化光源布局 |
| 4.1 深度学习模型设计及训练数据处理 |
| 4.1.1 深度学习模型设计 |
| 4.1.2 训练数据处理 |
| 4.2 模型训练 |
| 4.2.1 MLP模型训练 |
| 4.2.2 CNN模型训练 |
| 4.3 训练结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 附录1 程序清单 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 致谢 |
（2）基于FPGA的手写数字BP神经网络研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 课题研究现状及发展 |
| 1.2.1 人工神经网络的发展 |
| 1.2.2 FPGA的发展 |
| 1.3 课题主要工作 |
| 1.4 论文结构及内容安排 |
| 第二章 BP神经网络 |
| 2.1 S型神经元 |
| 2.2 BP神经网络原理 |
| 2.3 BP神经网络算法 |
| 2.3.1 BP算法的前向运算 |
| 2.3.2 BP算法的反向训练 |
| 2.4 手写数字BP神经网络样本简介 |
| 2.5 神经网络权重和偏置简介 |
| 2.6 本章小结 |
| 第三章 神经网络激活函数选择与设计 |
| 3.1 浮点转定点原理 |
| 3.2 S型激活函数 |
| 3.3 S型激活函数导数 |
| 3.4 本章小结 |
| 第四章 BP神经网络的FPGA设计 |
| 4.1 神经元的硬件设计 |
| 4.2 BP神经网络的前向设计 |
| 4.3 BP神经网络的反向设计 |
| 4.4 系统主要模块设计 |
| 4.4.1 RAM存储器模块的设计 |
| 4.4.2 误差计算模块的设计 |
| 4.4.3 权重/偏置更新模块的设计 |
| 4.4.4 数据串、并转换模块的设计 |
| 4.5 BP神经网络的时序设计 |
| 4.6 输入样本\标签和初始权重\偏置获取模块的设计 |
| 4.7 BP神经网络信号说明 |
| 4.8 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 仿真分析 |
| 5.2 结果验证 |
| 第六章 结论与展望 |
| 6.1 主要工作 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 附录 |
| 致谢 |
（3）基于LSTM神经网络的频谱感知与预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 无线电频谱 |
| 1.1.2 人工智能在认知无线电中的应用 |
| 1.2 国内外研究现状 |
| 1.2.1 认知无线电技术的发展现状 |
| 1.2.2 频谱预测的研究现状 |
| 1.3 论文研究内容 |
| 第二章 关键技术 |
| 2.1 认知无线电 |
| 2.1.1 频谱感知 |
| 2.1.2 频谱决策 |
| 2.1.3 频谱共享 |
| 2.1.4 频谱搬移 |
| 2.2 基于机器学习的频谱预测算法 |
| 2.2.1 基于隐马尔可夫模型的预测 |
| 2.2.2 基于BP神经网络的频谱预测 |
| 2.2.3 对比分析 |
| 2.3 基于深度学习的频谱预测 |
| 2.3.1 MLP网络 |
| 2.3.2 循环神经网络 |
| 2.4 长短期记忆网络 |
| 2.5 本章小结 |
| 第三章 电磁频谱显示软件设计与实现 |
| 3.1 无线电监测系统 |
| 3.2 电磁频谱实时监测功能概述 |
| 3.3 软件概要设计 |
| 3.3.1 软件模块介绍 |
| 3.3.2 软件类设计 |
| 3.4 工作与操作流程 |
| 3.4.1 工作流程 |
| 3.4.2 操作流程 |
| 3.5 实现效果 |
| 3.5.1 单频测量 |
| 3.5.2 数字扫描 |
| 3.5.3 占用统计 |
| 3.6 本章小结 |
| 第四章 基于LSTM的频谱占用规律预测 |
| 4.1 模型介绍 |
| 4.2 神经网络的超参数优化 |
| 4.3 仿真结果 |
| 4.3.1 网络深度对预测性能的影响 |
| 4.3.2 网络宽度对预测性能的影响 |
| 第五章 总结与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于改进LMD算法的输气管道泄漏口径识别与定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及技术路线 |
| 2 局部均值分解方法及其改进 |
| 2.1 局部均值分解方法简介 |
| 2.2 局部均值分解算法 |
| 2.3 局部均值分解方法仿真研究 |
| 2.4 局部均值分解方法改进 |
| 2.5 本章小结 |
| 3 输气管道泄漏检测实验介绍 |
| 3.1 实验平台介绍 |
| 3.2 基于改进局部均值分解方法的管道泄漏信号分解 |
| 3.3 本章小结 |
| 4 输气管道泄漏口径识别与分类 |
| 4.1 信息熵的提取 |
| 4.2 基于SVM理论的泄漏口径分类 |
| 4.3 基于神经网络的泄漏口径分类 |
| 4.4 本章小结 |
| 5 基于互相关时延估计法的输气管道泄漏定位 |
| 5.1 互相关时延估计方法介绍 |
| 5.2 基于ELMD峭度法的泄漏定位 |
| 5.3 实验结果对比 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（5）基于深度学习的中短码长LDPC译码研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 LDPC编译码的国内外研究现状 |
| 1.2.2 深度学习和纠错码结合的研究现状 |
| 1.3 本文的主要研究工作及论文结构 |
| 第二章 LDPC基本理论概述 |
| 2.1 LDPC码的基本概念 |
| 2.2 LDPC的软判决译码算法 |
| 2.3 本章小结 |
| 第三章 深度神经网络理论简介 |
| 3.1 前馈神经网络 |
| 3.2 自动编码器 |
| 3.3 SPNs网络 |
| 3.4 优化算法 |
| 3.5 本章小结 |
| 第四章 基于深度神经网络的LDPC译码 |
| 4.1 全连接神经网络多分类译码 |
| 4.1.1 神经网络模型搭建 |
| 4.1.2 仿真构建数据集 |
| 4.1.3 性能仿真验证 |
| 4.2 半监督神经网络二分类译码 |
| 4.2.1 半监督神经网络搭建 |
| 4.2.2 半监督神经网络训练 |
| 4.2.3 仿真验证分析 |
| 4.3 本章小结 |
| 第五章 基于SPNs网络的LDPC译码 |
| 5.1 SPNs网络构造 |
| 5.1.1 LDPC迭代译码图模型 |
| 5.1.2 SPNs结构构建方法 |
| 5.2 仿真实验结果 |
| 5.3 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）神经网络技术在大气激光信道反演分析及信道编码译码中的应用研究（论文提纲范文）
| 博士生自认为的论文创新点 |
| 摘要 |
| ABSTRACT |
| 文中用到的部分缩略语 |
| 第一章 :绪论 |
| 1.1 研究背景与意义 |
| 1.2 大气激光雨信道的研究现状 |
| 1.2.1 传统的大气信道分析方法 |
| 1.2.2 传统信道分析方法存在的问题与困难 |
| 1.2.3 大气激光雨信道的特点 |
| 1.2.4 大气激光雨信道分析所面临的困难 |
| 1.3: 传统信道编码译码器的特点 |
| 1.3.1 FSO中传统编码译码及差错控制策略 |
| 1.3.2 FSO中的常用信道编码的介绍 |
| 第二章: WFET算法对大气激光雨信道的反演分析 |
| 2.1 采用神经网络技术对大气激光雨信道的分析思路 |
| 2.1.1 神经网络技术的特点 |
| 2.1.2 针对大气激光雨信道的解决方案 |
| 2.2 WFET技术分析内地大气激光雨信道的结论 |
| 2.2.1 原始ALCC通信实验数据的预处理 |
| 2.2.2 WFET算法中采用权值能量通道分析结论 |
| 2.2.3 WFET算法中采用关联度的分析结论 |
| 第三章 :神经网络群对青藏高原大气激光雨信道的反演分析 |
| 3.1 青藏高原大气信道的特点 |
| 3.2 传统数学方法所面临的瓶颈 |
| 3.3 神经网络群技术在青藏高原大气激光雨信道中的反演 |
| 3.3.1 利用神经网络技术解决该问题的思路 |
| 3.3.2 初始权值优化技术 |
| 3.3.3 原始实验数据以及数据的预处理思路 |
| 3.4 青藏高原大气激光雨信道的分析结论 |
| 3.4.1 青藏高原原始的气象数据 |
| 3.4.2 原始实验数据的预处理结果 |
| 3.4.3 青藏高原大气激光雨信道分析的结论 |
| 3.4.4 青藏高原大气激光雨信道分析总结与展望 |
| 第四章: FWFE算法对LDPC编码在大气激光雨信道中的反演分析 |
| 4.1 LDPC在大气激光雨信道中性能分析的研究现状 |
| 4.2 FWFE算法的分析思路 |
| 4.2.1 FWFE分析算法的主要解决思路 |
| 4.2.2 FWFE分析算法的理论基础 |
| 4.3 FWFE分析算法的介绍 |
| 4.4 LDPC编码在大气激光雨信道中的分析结论 |
| 4.4.1 LDPC在大气激光雨信道实验中的原始数据组成 |
| 4.4.2 LDPC实验数据的预处理 |
| 4.4.3 LDPC在ALCC雨信道下的性能分析结论 |
| 第五章: SSOM神经网络译码器的设计与应用 |
| 5.1 神经网络技术在传统译码器中的应用现状 |
| 5.2 利用对称网络结构构造SSOM译码器的思路 |
| 5.3 SSOM译码器的具体实现算法 |
| 5.4 SSOM网络译码器的仿真结论 |
| 5.4.1 计算复杂度分析(SSOM网络的仿真结论,以LDPC为例) |
| 5.4.2 仿真结论分析 |
| 第六章 通用神经网络编码译码器的设计思路 |
| 6.1 通用神经网络编码译码器的研究现状 |
| 6.2 通用神经网络编码器的设计思路 |
| 6.2.1 传统信道编码器的编码机制 |
| 6.2.2 神经网络信道编码器的设计思路 |
| 6.2.3 神经网络信道编码器的具体实现算法 |
| 6.3 通用神经网络译码器的设计思路 |
| 6.3.1 神经网络信道译码器的解决思路 |
| 6.3.2 神经网络信道译码器的具体实现算法 |
| 6.4 通用神经网络编码译码器的性能分析结论 |
| 第七章 改进型神经网络信道编码译码器的设计 |
| 7.1 神经网络信道编码译码器的研究现状 |
| 7.1.1 神经网络信道编码器的定义 |
| 7.1.2 神经网络编码器的研究现状 |
| 7.1.3 神经网络译码器的研究现状 |
| 7.1.4 神经网络编码器研究现状的总结 |
| 7.2 神经网络编码器的设计思路 |
| 7.2.1 神经网络编码器主体构架的设计 |
| 7.2.2 全连接模式的结构 |
| 7.2.3 部分连接模式的结构 |
| 7.3 神经网络译码器的设计 |
| 7.4 改进型通用神经网络编码译码器的性能分析 |
| 7.4.1 改进用神经网络编译码器的仿真结论 |
| 7.4.2 改进型通用神经网络编译码器的仿真结论分析 |
| 第八章 结论与展望 |
| 8.1 信道反演算法的特点及应用场合 |
| 8.1.1 WFET的特点及应用场合 |
| 8.1.2 神经网络群的特点及应用场合 |
| 8.1.3 FWFE的特点及应用场合 |
| 8.2 信道反演算法的比较 |
| 8.2.1 神经网络群与WFET的比较 |
| 8.2.2 WFET与FWFE的比较 |
| 8.2.3 信道反演算法的结论 |
| 8.3 神经网络编译码器的特点 |
| 8.3.1 SSOM通用译码器的优缺点以及其应用场合 |
| 8.3.2 通用神经网络信道编码译码器的优势及应用展望 |
| 8.3.3 改进型神经网络编译码器的现实意义 |
| 8.4 神经网络编译码器的比较分析 |
| 8.4.1 本论文所设计神经网络编码器的分析与比较 |
| 8.4.2 本论文所设计神经网络译码器的分析与比较 |
| 8.4.3 神经网络编译码的结论 |
| 参考文献 |
| 攻读博士期间科研成果 |
| 致谢 |
（7）油气管道失效模式智能诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 管道失效模式诊断研究综述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 管道失效模式诊断常用方法 |
| 1.2.3 现有方法存在的缺点及研究难点 |
| 1.3 基于神经网络的智能诊断 |
| 1.3.1 人工神经网络的基本特征 |
| 1.3.2 基于神经网络的智能诊断的形成 |
| 1.3.3 人工神经网络的故障诊断能力分析 |
| 1.3.4 人工神经网络用于故障诊断的结构 |
| 1.3.5 基于神经网络的智能诊断方法 |
| 1.4 论文主要研究内容 |
| 第二章 基于多层前馈神经网络的管道失效模式识别 |
| 2.1 多层前馈神经网络模型 |
| 2.2 网络结构参数的分析和确定 |
| 2.3 在管道失效模式识别中的应用 |
| 2.3.1 网络学习及诊断结果 |
| 2.3.2 网络适应性分析 |
| 2.3.3 程序实现流程 |
| 2.4 本章小结 |
| 第三章 基于加权模糊神经网络的管道腐蚀失效模式诊断 |
| 3.1 模糊逻辑系统 |
| 3.2 正则化模糊神经网络 |
| 3.2.1 模糊规则描述 |
| 3.2.2 网络拓扑结构 |
| 3.2.3 网络参数确定方法 |
| 3.3 加权模糊推理网络 |
| 3.3.1 模糊推理过程神经元 |
| 3.3.2 加权模糊推理过程神经元网络 |
| 3.3.3 学习算法 |
| 3.4 管道腐蚀失效模式诊断中的应用 |
| 3.4.1 学习样本筛选 |
| 3.4.2 实际资料处理 |
| 3.5 本章小结 |
| 第四章 基于径向基过程神经网络的管道腐蚀速率预测方法 |
| 4.1 RBFNN 模型 |
| 4.2 PNN 模型 |
| 4.2.1 用于动态预测的PNN 模型 |
| 4.2.2 基于离散Walsh 变换的过程神经网络 |
| 4.2.3 离散PNN 模型 |
| 4.3 RBFPNN 模型 |
| 4.3.1 神经元模型 |
| 4.3.2 RBFPNN 模型 |
| 4.3.3 学习算法 |
| 4.4 在管道腐蚀速率预测中的应用 |
| 4.4.1 特征参数选择及处理 |
| 4.4.2 网络学习及预测结果 |
| 4.5 本章小结 |
| 第五章 过程支持向量回归机及其应用 |
| 5.1 SVRM 模型及其求解 |
| 5.1.1 SVRM 模型 |
| 5.1.2 SVRM 模型的求解 |
| 5.2 过程支持向量回归机 |
| 5.2.1 PSVRM 模型 |
| 5.2.2 PSVRM 模型的求解 |
| 5.2.3 PSVRM 参数对模型性能的影响 |
| 5.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 基于神经网络的油气管道防腐层状况诊断 |
| 6.1 油气管道防腐层现状 |
| 6.1.1 外防腐材料的使用情况 |
| 6.1.2 外防腐材料的使用效果 |
| 6.2 油气管道外防腐层分级评价与现场检测 |
| 6.2.1 管道外防腐层分级评价准则 |
| 6.2.2 管道外防腐层现场检测结果 |
| 6.3 基于神经网络的油气管道外防腐层状况诊断 |
| 6.3.1 数据样本集预处理 |
| 6.3.2 模型学习方式 |
| 6.3.3 权值初始化及隐含层节点数目 |
| 6.3.4 油气管道防腐层状况诊断 |
| 6.4 基于改进BP 网络的诊断 |
| 6.4.1 有动量的梯度下降法 |
| 6.4.2 有动量及自适应学习速率的梯度下降法 |
| 第七章 管道失效事故数据存储与模式诊断分析系统 |
| 7.1 国外管道失效数据管理 |
| 7.1.1 国外管道事故数据收集与管理 |
| 7.1.2 管道事故信息的使用者 |
| 7.2 管道失效数据标准与数据格式研究 |
| 7.2.1 失效数据标准 |
| 7.2.2 管道失效数据格式及数据管理模型 |
| 7.3 管道失效模式诊断方法与模型集成 |
| 7.4 管道失效数据存储与诊断分析系统研制开发 |
| 7.4.1 系统开发模式 |
| 7.4.2 开发工具与运行环境 |
| 7.4.3 系统主界面和主要功能 |
| 结论 |
| 参考文献 |
| 发表的文章目录 |
| 致谢 |
| 详细摘要 |
（8）神经网络与信息融合技术在身份识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 |
| 一、研究背景及意义 |
| 二、国内外研究现状 |
| 三、研究内容及创新点 |
| 第一章 基于SVM 的人脸识别 |
| 1.1 人脸识别技术概述 |
| 1.2 基于FastICA 算法的快速人脸特征提取 |
| 1.3 SVM 理论及其在人脸识别中的应用 |
| 1.4 小结 |
| 第二章 基于VQ-SVM 的语音识别 |
| 2.1 语音识别技术概述 |
| 2.2 语音信号的特征提取 |
| 2.3 结合VQ 和SVM 的说话人识别方法 |
| 2.4 小结 |
| 第三章 结合人脸和语音的多生物特征融合系统 |
| 3.1 神经网络及信息融合技术概述 |
| 3.2 多生物特征融合技术概述 |
| 3.3 基于感知器网络的决策层融合 |
| 3.4 基于BP 神经网络的特征层融合 |
| 3.5 小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 附录 |
| 详细摘要 |
（9）基于支持向量机的车牌字符识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 研究车牌字符识别的意义 |
| 1.3 车牌字符识别的特点及难点 |
| 1.4 模式识别技术 |
| 1.4.1 模式识别的概念 |
| 1.4.2 模式识别的基本方法 |
| 1.5 支持向量机的发展与应用研究现状 |
| 1.5.1 支持向量机的发展 |
| 1.5.2 应用研究现状 |
| 1.6 本文的主要研究内容和组织形式 |
| 第2章 车牌字符识别技术方案 |
| 2.1 预处理 |
| 2.2 特征提取 |
| 2.2.1 结构特征 |
| 2.2.2 统计特征 |
| 2.3 分类和输出 |
| 2.3.1 模板匹配法 |
| 2.3.2 人工神经网络法 |
| 2.3.3 贝叶斯网络法 |
| 2.3.4 几何分类法 |
| 2.3.5 支持向量机方法 |
| 2.4 本章小结 |
| 第3章 支持向量机基本理论及训练算法 |
| 3.1 机器学习的基本问题 |
| 3.1.1 经验风险 |
| 3.1.2 复杂性与推广能力 |
| 3.2 统计学习理论的核心内容 |
| 3.2.1 VC维 |
| 3.2.2 推广性的界 |
| 3.2.3 结构风险最小化 |
| 3.3 支持向量机 |
| 3.3.1 线性可分 |
| 3.3.2 线性不可分 |
| 3.3.3 非线性情况 |
| 3.3.4 支持向量机核函数选择 |
| 3.4 支持向量机训练算法 |
| 3.4.1 常用的训练算法 |
| 3.4.2 SMO算法 |
| 3.4.2.1 两个Lagrange乘子的优化问题 |
| 3.4.2.2 选择待优化Lagrange乘子的试探点找法 |
| 3.4.2.3 最小优化后的重置工作 |
| 3.4.3 SMO算法的改进 |
| 3.5 本章小节 |
| 第4章 基于支持向量机的车牌字符识别方法研究 |
| 4.1 车牌字符训练方法 |
| 4.1.1 C-SVM分类 |
| 4.1.2 v-SVM分类 |
| 4.1.3 多层感知器的多类支持向量机训练方法 |
| 4.1.3.1 多层感知器结构分析 |
| 4.1.3.2 多层感知器的BP算法 |
| 4.1.3.3 结合v-SVM与多层感知器的多类支持向量机训练 |
| 4.2 车牌字符分类识别方法 |
| 4.2.1 多类别分类方法研究 |
| 4.2.1.1 One-vs-One |
| 4.2.1.2 One-vs-Rest |
| 4.2.2 带参数调整的单向二叉决策数多类支持向量机分类方法 |
| 4.2.2.1 贪心算法 |
| 4.2.2.2 单向二叉决策树原理 |
| 4.2.2.3 两种算法的比较选择 |
| 4.2.3 单向二叉决策树算法的改进 |
| 4.3 本章小节 |
| 第5章 车牌字符识别的实现及仿真实验 |
| 5.1 车牌字符图像预处理 |
| 5.1.1 字符图像的二值化 |
| 5.1.2 二值图的噪声滤除 |
| 5.1.3 字符图像的归一化 |
| 5.1.3.1 位置归一化 |
| 5.1.3.2 大小归一化 |
| 5.2 车牌字符的特征提取 |
| 5.2.1 粗网格特征 |
| 5.2.2 方向线素特征 |
| 5.2.3 改进的粗网格特征 |
| 5.3 车牌字符的分类识别 |
| 5.4 仿真实验与结果讨论 |
| 5.4.1 特征维数选择实验 |
| 5.4.2 核函数和参数的选取实验 |
| 5.4.3 结合多层感知器和单向二叉决策树多类支持向量机识别实验 |
| 5.4.4 结果分析 |
| 5.5 本章小节 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 进一步研究的工作 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士期间发表的论文 |
（10）基于神经网络的管道失效模式诊断方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 管道失效模式诊断研究综述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 管道失效模式诊断常用方法 |
| 1.2.3 管道失效模式分析 |
| 1.2.4 现有方法存在的缺点及研究难点 |
| 1.3 基于神经网络的智能诊断 |
| 1.3.1 神经网络的基本特征 |
| 1.3.2 基于神经网络的智能诊断的形成 |
| 1.3.3 人工神经网络的故障诊断能力 |
| 1.3.4 人工神经网络用于故障诊断的结构 |
| 1.3.5 基于神经网络的智能诊断方法 |
| 1.4 论文主要研究内容 |
| 第二章 基于多层前馈神经网络的管道失效模式识别 |
| 2.1 多层前馈神经网络模型 |
| 2.1.1 网络拓扑结构 |
| 2.1.2 BP 学习算法 |
| 2.1.3 BP 学习算法改进 |
| 2.2 网络结构参数分析 |
| 2.2.1 隐层数的分析 |
| 2.2.2 隐层节点数的分析 |
| 2.2.3 隐层节点数的确定 |
| 2.3 在管道失效模式识别中的应用 |
| 2.3.1 网络学习及诊断结果 |
| 2.3.2 网络适应性分析 |
| 2.4 本章小结 |
| 第三章 基于模糊神经网络的管道腐蚀失效模式诊断 |
| 3.1 模糊逻辑系统 |
| 3.1.1 模糊规则库 |
| 3.1.2 模糊推理机 |
| 3.1.3 模糊产生器和反模糊化器 |
| 3.2 模糊系统与神经网络的融合 |
| 3.3 正则化模糊神经网络 |
| 3.3.1 模糊规则描述 |
| 3.3.2 网络拓扑结构 |
| 3.3.3 网络参数确定方法 |
| 3.4 加权模糊推理网络 |
| 3.4.1 加权模糊逻辑推理 |
| 3.4.2 模糊推理元 |
| 3.4.3 模糊推理网络模型 |
| 3.4.4 网络训练过程 |
| 3.5 在管道腐蚀失效模式诊断中的应用 |
| 3.5.1 学习样本筛选 |
| 3.5.2 实际资料处理 |
| 3.6 本章小结 |
| 第四章 基于过程神经网络的管道腐蚀速率预测方法 |
| 4.1 径向基函数神经网络 |
| 4.2 过程神经元网络 |
| 4.2.1 离散过程神经元 |
| 4.2.2 离散过程神经元网络 |
| 4.3 径向基过程神经网络 |
| 4.3.1 径向基过程神经元 |
| 4.3.2 径向基过程神经网络模型 |
| 4.3.3 学习算法 |
| 4.4 在管道腐蚀速率预测中的应用 |
| 4.4.1 特征参数选择及处理 |
| 4.4.2 网络学习及预测结果 |
| 4.5 本章小结 |
| 第五章 过程支持向量回归机及其应用 |
| 5.1 支持向量回归机 |
| 5.1.1 支持向量机基本思想 |
| 5.1.2 支持向量回归机 |
| 5.2 过程支持向量回归机 |
| 5.2.1 PSVR 模型 |
| 5.2.2 PSVR 的求解 |
| 5.2.3 PSVR 参数对预测函数性能的影响 |
| 5.2.4 PSVR 参数的确定 |
| 5.3 仿真实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
四、多层感知器网络内部判决模式的研究（论文参考文献）
- [1]基于深度学习算法的室内可见光通信系统光源布局的动态优化[D]. 谭梦源. 南京邮电大学, 2020(02)
- [2]基于FPGA的手写数字BP神经网络研究与设计[D]. 李增刚. 青岛大学, 2020(01)
- [3]基于LSTM神经网络的频谱感知与预测[D]. 彭佳蓉. 西安电子科技大学, 2020(05)
- [4]基于改进LMD算法的输气管道泄漏口径识别与定位研究[D]. 刘西洋. 山东科技大学, 2019(05)
- [5]基于深度学习的中短码长LDPC译码研究[D]. 梁冠强. 华南理工大学, 2019(01)
- [6]神经网络技术在大气激光信道反演分析及信道编码译码中的应用研究[D]. 肖伟. 武汉大学, 2018(06)
- [7]油气管道失效模式智能诊断技术研究[D]. 刘显德. 东北石油大学, 2010(02)
- [8]神经网络与信息融合技术在身份识别中的应用[D]. 洪仁植. 大庆石油学院, 2009(03)
- [9]基于支持向量机的车牌字符识别研究[D]. 杜晶. 河北工程大学, 2008(04)
- [10]基于神经网络的管道失效模式诊断方法研究[D]. 马坤. 大庆石油学院, 2008(04)