检索结果-南通市图书馆

计算机应用 2009年第7期29卷 1894-1896页

作者：王玲芝王忠民西安邮电学院计算机系西安710061

在基本反向传播(BP)算法中,学习速率往往固定不变,限制了网络的收敛速度和稳定性。因此,提出一种动态调整BP网络学习速率的算法,以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量,找出学习速率与两个自... 详细信息

在基本反向传播(BP)算法中,学习速率往往固定不变,限制了网络的收敛速度和稳定性。因此,提出一种动态调整BP网络学习速率的算法,以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量,找出学习速率与两个自变量之间的函数关系。根据网络的实际学习情况,对学习速率进行动态调整。实例仿真结果表明,改进的BP算法在保持网络稳定性的同时,具有更快的收敛速度。而且,该算法只需恰当地选取几个参数,不受条件限制,因此具有普遍的适用性。

关键词：反向传播算法学习速率动态调整平均绝对值误差变化率

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

区间数据的多项式回归分析

区间数据的多项式回归分析

引用

作者：陈成南京大学

学位级别：硕士

本文首先介绍了与区间数据有关的基本概念,然后总结了前辈学者处理区间数据的经典方法,在此基础上,笔者发展了用多项式处理区间数据的方法.处理过程是先对因变量的区间中值和区间半径采用多项式回归分析,由于此过程涉及矩阵的求逆运算,... 详细信息

本文首先介绍了与区间数据有关的基本概念,然后总结了前辈学者处理区间数据的经典方法,在此基础上,笔者发展了用多项式处理区间数据的方法.处理过程是先对因变量的区间中值和区间半径采用多项式回归分析,由于此过程涉及矩阵的求逆运算,文中介绍了数值代数中矩阵分解的经典算法来简化计算.鉴于区间半径为正的限制,对回归分析返回的结果用数学算法加以调整,最后返回对因变量的预测.通过Monte Carlo模拟分析和对一组生物学数据的实证研究,笔者验证了本文方法的可行性;通过与传统方法的对比,发现新方法对数据预测的误差会更小,效果较理想.

关键词：区间数据回归分析多项式矩阵分解 Monte Carlo模拟均方误差平均绝对值误差

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

若干图像重建算法研究

若干图像重建算法研究

引用

作者：张焯林中国计量大学

学位级别：硕士

图像超分辨率重建（SR）是图像处理领域当中的一个重要分支,其研究与发展有着广泛的应用价值.超分辨率重建根据输入图像的数量可以分为单帧图像超分辨率重建（SISR）和多帧图像超分辨率重建（MISR）两个方向,本文主要研究基于稀疏表示... 详细信息

图像超分辨率重建（SR）是图像处理领域当中的一个重要分支,其研究与发展有着广泛的应用价值.超分辨率重建根据输入图像的数量可以分为单帧图像超分辨率重建（SISR）和多帧图像超分辨率重建（MISR）两个方向,本文主要研究基于稀疏表示和深度学习的SISR算法.基于稀疏表示的图像超分辨率重建方法是传统方法的代表,已经有相当多的论文对其改进,但仍具有一定的提升空间.深度学习是随着计算机硬件计算能力的提升而发展起来的方法,在超分辨率重建领域的应用效果十分出众,一些算法已经达到了很高的水准.我们尝试对其中一些算法进行改进以提高重建效果,同时尝试减小网络的容量以适应移动设备中的应用.本学位论文基于稀疏表示理论和深度学习理论,进行了三个研究工作:基于串联卷积稀疏编码、邻域回归和自样例的超分辨率重建、基于空洞卷积深度神经网络的超分辨率重建和基于MobileNet的轻量级网络的超分辨率重建.具体内容如下:1.近几年,已经有一些列基于串联方法的单图像超分辨率重建算法被提出.然而现有的方法只是尝试串联单一的一种方法,一层一层地提高超分辨率表现,这样只能用到单一方法的优点.为了能综合利用不同方法的优点,我们提出了一个新的串联不同传统方法的单图像超分辨率串联算法（DMC）,加入自样例层以后得到它的增强版本（DMCself）.第一层使用了直接将整张低分辨率（LR）图像作为输入的卷积稀疏编码方法.第二层采用了调整后的固定邻域回归方法（A+）逐补丁地重建低分辨率图像,并通过对重叠区域取平均来构成整个超分辨率图像.最后一层采用自样例层,用以利用内部和外部统计信息.对比实验显示通过不同的方法确实能比单一方法有更多的提升.2.不久前,人们采用了20层的卷积网络作为基本框架,使用非常深的卷积网络较好地重建了高分辨率（HR）图像.为了能在滤波器参数保持不变的情形下扩大感受野,本文在该网络中引入空洞卷积方法.首先,我们分析不同膨胀系数组合的空洞卷积块的感受野,并选择了一种感受野无缝隙的结构作为空洞卷积块.然后,堆叠这些卷积块构成深度卷积网络.最后,使用多种训练技巧对网络进行重新训练.实验结果表明,对于数据集“Set5”上比较大的扩大因子,使用所构建网络可使重建效果提升0.1～0.2dB,视觉上也有明显优势.此外,为了使网络更好地收敛,我们在网络中加入残差连接,进一步提升了重建效果.3.为了适应移动、车载设备的应用,网络模型小型化也越来越受人们的重视.我们在高效的亚像素卷积网络（ESPCN）的基础之上进行改进,尝试在图像超分辨率重建中引入MobileNet网络结构.通过将标准的卷积网络分解为深度卷积和逐点卷积操作,该网络将参数数量和计算量缩减为原来的1/4左右.结果显示除了在扩大因子为×2的情况下重建效果有所下降,在其他的尺度上都取得了更好的效果.我们还尝试了使用MobileNet v2网络结构对网络进行改进,在参数数量和计算量增加不多的情况下效果进一步得到提升,重建效果超过所有对比方法.在数据集“Set5”中扩大因子为×4的情况下,能够将PSNR提升0.23dB.另外,通过对比试验说明使用平均绝对值误差（MAE）作为损失函数相比于均方误差（MSE）在该网络中能得到更好的效果.所构建的两个网络不仅在定性指标上面有更好的效果,而且在视觉效果上也具一定优势.

关键词：图像超分辨率重建稀疏表示深度学习卷积稀疏编码邻域回归空洞卷积神经网络残差连接深度卷积逐点卷积平均绝对值误差

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：