导读:本文包含了迭代神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:RBF神经网络,预测控制,迭代,CSTR
迭代神经网络论文文献综述
姜雪莹,陶文华,施惠元,苏成利,郭颖[1]（2019）在《基于RBF神经网络的非线性迭代预测控制》一文中研究指出针对工业过程中具有复杂、强非线性的被控对象,提出一种基于RBF神经网络的非线性迭代预测控制算法。该算法采用RBF神经网络建立非线性系统过程模型,将该模型作为预测模型。同时为了避免对每个采样时刻进行线性化时会丢失系统的一些信息,因此采用多元泰勒展开和内部迭代方法,将迭代输出的预测值沿着输入轨迹展开,从而将求解复杂的非线性优化问题转化为求解简单的二次规划问题,解决了在线实时求解控制律时非线性方程的困难,最终直接递推出预测控制律的解析式。CSTR过程的仿真对比结果表明了该算法具有很强的跟踪和抗干扰能力。(本文来源于《控制工程》期刊2019年03期）
胡海涛[2]（2019）在《基于BP神经网络和遗传算法的并行迭代优化研究》一文中研究指出提出了一种将反向传播神经网络(BPNN)与遗传算法(GA)相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练BPNN模型,然后利用GA在可行域内求解训练好的BPNN模型以寻找模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对BPNN模型重新训练。针对训练模式较少可能导致预测精度不足的问题,在BPNN模型的训练中分别采用贝叶斯正则化算法(BRA)和改进的Levenberg-Marquardt算法提高BPNN模型的泛化能力和收敛性,并结合精英策略将模拟退火算法(SAA)嵌入到GA中,以提高BPNN模型的局部搜索能力。将所提出的方法应用于汽车吹塑成型的聚丙烯波纹管的厚度优化。结果表明,在3次迭代后可以得到最优模具间隙,采用最佳模具间隙的波纹管在9个齿峰处的厚度落入期望的范围内(0.7±0.05mm),并且材料的使用量减少了22%。这种最佳间隙仅通过23次实验即可获得,远远少于实际模塑过程所需的实验次数。(本文来源于《机械与电子》期刊2019年01期）
施晓芬,陈翔,曹永勇,杨晓瑛,赵晓婷[3]（2019）在《基于回归BP神经网络误差分级迭代法的逐时气温预测方法研究》一文中研究指出气温预测是天气预测中的一项主要内容,由于气温的影响因素多而复杂,要想达到精细化预测目的,仍是十分复杂的科学难题.当前学术界的一般方法是假设数学模型对温度物理过程进行研究,建立了BP神经网络模型、温度与相对湿度之间的回归模型,最终在回归模型的基础上通过改进的BP神经网络建模,即利用BP神经网络误差分级迭代法建模,通过历史温度进行逐时气温预测,全样本误差达到0.617℃.(本文来源于《数学的实践与认识》期刊2019年01期）
姜雪莹,苏成利,施惠元,李平,刘思雨[4]（2018）在《采用多变量RBF神经网络的非线性内部迭代预测控制》一文中研究指出针对工业过程中被控对象往往具有复杂、强非线性、多变量的特性,提出一种基于多变量径向基函数(radial base function,RBF)神经网络的非线性内部迭代预测控制方法.采用多个RBF神经网络在线逼近多输入多输出的非线性系统,得到一个近似模型作为预测模型.同时为了减少求解系统控制律的计算量,将每个输出预测值沿着输入轨迹展开,从而把求解复杂非线性优化问题转化为求解简单的二次规划问题,解决了在线实时递推控制律时求解非线性微分方程的困难.最后通过t次内部迭代直至满足迭代条件,得到了最优的控制律.p H中和过程的仿真结果表明了该算法是有效而可行的.(本文来源于《应用科学学报》期刊2018年04期）
富利鹏[5]（2018）在《基于卷积神经网络的非迭代压缩感知重构算法研究》一文中研究指出压缩感知是指利用少量测量值通过非线性重构算法完美重构信号。目前采用迭代优化算法的压缩感知系统,重构过程中需要进行复杂的迭代运算,重构时间较长,并且在低采样率下,图像重构质量较差。卷积神经网络能够实现端到端的非迭代重构,可提高重构速度。因此,本文主要围绕卷积神经网络对图像压缩感知算法展开研究,具体研究内容如下:首先,将卷积神经网络应用至图像压缩感知上,基于不同尺寸的卷积核可提取图像中不同尺度特征的特点,提出多尺度残差重构网络。该网络利用大量的训练数据学习从测量值到重构图像的映射,利用该映射重构图像。实验表明,基于多尺度残差网络的压缩感知重构算法比基于迭代优化的重构算法具有更快的重构速度和更好的重构效果。其次,考虑到基于多尺度残差重构网络的重构速度稍慢于DR~2-Net算法,将扩张卷积应用至重构网络中,并结合残差学习提出快速多尺度残差学习重构网络,减少了网络中的卷积层,在保证图像重构质量的同时,提高算法的速度。最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近。最后,由于上述两种算法对图像进行分块重构,导致重构图像中出现块效应。为提高图像的视觉效果,提出基于自编码模型的压缩感知重构算法。该算法在训练网络的同时将测量矩阵也进行优化,利用学习得到的测量矩阵对图像进行采样,通过自编码模型重构出图像,再利用去块效应网络去除图像中的块效应和伪迹,提高图像质量。(本文来源于《燕山大学》期刊2018-05-01）
孙平安,祁俊,谭秋月[6]（2019）在《利用卷积神经网络改进迭代深度学习算法的图像识别方法研究》一文中研究指出针对图像识别算法中图像集上几何曲面的特定分类会导致判别信息丢失的问题,提出一种融合卷积神经网络的改进型迭代深度学习算法(IIDLA)。该算法采用混合卷积网进行底层的平移不变特征学习,以层次化的方式迭代应用卷积神经网络对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、面部表情、解析度和照明度的人脸或物体图像集。采用数据集将提出的算法与其他算法进行评估对比,实验结果表明提出的算法在被测数据集上的性能最优。(本文来源于《计算机应用研究》期刊2019年07期）
李寒雨[7]（2018）在《基于迭代决策树和BP神经网络的目标威胁估计研究》一文中研究指出对于敌方目标进行快速有效的评估是舰艇作战指挥系统的核心功能之一,直接关系到指挥者做出的决策。为解决这一问题,本文以舰艇空中目标威胁为背景,建立目标威胁估计模型,结合迭代决策树算法和BP神经网络算法,进行目标威胁估计方法的研究。本文主要研究内容如下:首先,本文探索了威胁评估在信息融合中的地位,总结了国内外威胁估计研究的现状,分析了国内外学者进行目标威胁估计研究所采用方法,详细介绍了威胁评估的步骤,并依照步骤建立了目标威胁评估模型,针对目标威胁评估特点提出了目标威胁估计评价指标。其次,将迭代决策树算法引入目标威胁估计,并对迭代决策树算法进行了有针对性的改进,提出了基于改进迭代树算法的目标威胁估计方法。通过实验验证了算法的有效性,该方法误差明显小于随机森林算法和MPSO-BP算法。最后,针对BP神经网络收敛速度慢、容易陷入局部最优解等缺点对BP神经网络算法进行了改进,并加入差分进化算法提高BP神经网络的效率与性能。算法极大程度的保留了数据的多样性,避免了人为因素的干扰。实验结果表明,差分进化算法优化BP神经网络算法能够用于威胁评估。(本文来源于《中国舰船研究院》期刊2018-03-01）
刘小勇,宫岩,李荣丽,郝兆朋,崔高健[8]（2018）在《基于BP神经网络的数字图像相关非迭代灰度梯度算法》一文中研究指出为了提高非迭代灰度梯度算法的亚像素位移求解精度与效率,提出一种基于神经网络的非迭代灰度梯度改进算法。该算法应用BP神经网络直接建立变形前后散斑图子图像的灰度及灰度梯度与亚像素位移之间的非线性映射关系,无需对相关系数进行最小二乘优化求解。应用模拟散斑图像对算法的亚像素位移求解精度与效率进行了验证。结果表明,作者提出的算法的计算精度与效率较传统的非迭代灰度梯度算法均有提高。最后进行了真实的刚体平移实验,其结果进一步证明了作者提出的算法的有效性。(本文来源于《机床与液压》期刊2018年01期）
李鸣,张鸿[9]（2017）在《基于卷积神经网络迭代优化的图像分类算法》一文中研究指出针对传统卷积神经网络在处理图像分类的问题过程中,需要较长的训练时间、大量的存储空间和计算资源等问题,提出一种基于卷积神经网络迭代优化的图像分类算法。对卷积神经网络进行初始化,在训练网络的过程中,对每层网络单个特征图的输入进行BN(batch normalize)处理,得到归一化的数据后再输入到特征图中,采用迭代的方法调整卷积神经网络中的参数并删除低于阀值的连接。实验结果表明,在Mnist、Cifar-10数据集上,经过迭代优化后的卷积神经网络分别提高了0.33%和3.42%的准确率,有效降低了网络中参数的数量,相比原始卷积神经网络中的参数数量分别降低87.94%、85.91%,网络收敛速度更快,减小了网络的训练时间。(本文来源于《计算机工程与设计》期刊2017年01期）
袁光耀,胡振涛,张谨,赵新强,付春玲[10]（2016）在《基于迭代容积卡尔曼滤波的神经网络训练算法》一文中研究指出针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。(本文来源于《计算机科学》期刊2016年10期）
迭代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：
提出了一种将反向传播神经网络(BPNN)与遗传算法(GA)相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练BPNN模型,然后利用GA在可行域内求解训练好的BPNN模型以寻找模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对BPNN模型重新训练。针对训练模式较少可能导致预测精度不足的问题,在BPNN模型的训练中分别采用贝叶斯正则化算法(BRA)和改进的Levenberg-Marquardt算法提高BPNN模型的泛化能力和收敛性,并结合精英策略将模拟退火算法(SAA)嵌入到GA中,以提高BPNN模型的局部搜索能力。将所提出的方法应用于汽车吹塑成型的聚丙烯波纹管的厚度优化。结果表明,在3次迭代后可以得到最优模具间隙,采用最佳模具间隙的波纹管在9个齿峰处的厚度落入期望的范围内(0.7±0.05mm),并且材料的使用量减少了22%。这种最佳间隙仅通过23次实验即可获得,远远少于实际模塑过程所需的实验次数。
（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。
迭代神经网络论文参考文献
[1].姜雪莹,陶文华,施惠元,苏成利,郭颖.基于RBF神经网络的非线性迭代预测控制[J].控制工程.2019
[2].胡海涛.基于BP神经网络和遗传算法的并行迭代优化研究[J].机械与电子.2019
[3].施晓芬,陈翔,曹永勇,杨晓瑛,赵晓婷.基于回归BP神经网络误差分级迭代法的逐时气温预测方法研究[J].数学的实践与认识.2019
[4].姜雪莹,苏成利,施惠元,李平,刘思雨.采用多变量RBF神经网络的非线性内部迭代预测控制[J].应用科学学报.2018
[5].富利鹏.基于卷积神经网络的非迭代压缩感知重构算法研究[D].燕山大学.2018
[6].孙平安,祁俊,谭秋月.利用卷积神经网络改进迭代深度学习算法的图像识别方法研究[J].计算机应用研究.2019
[7].李寒雨.基于迭代决策树和BP神经网络的目标威胁估计研究[D].中国舰船研究院.2018
[8].刘小勇,宫岩,李荣丽,郝兆朋,崔高健.基于BP神经网络的数字图像相关非迭代灰度梯度算法[J].机床与液压.2018
[9].李鸣,张鸿.基于卷积神经网络迭代优化的图像分类算法[J].计算机工程与设计.2017
[10].袁光耀,胡振涛,张谨,赵新强,付春玲.基于迭代容积卡尔曼滤波的神经网络训练算法[J].计算机科学.2016