一、一种新的复值递归神经网络训练方法及其应用（论文文献综述）
史敏[1]（2021）在《两类时滞不连续神经网络模型的同步性研究》文中认为神经网络是基于人对大脑组织与思维机制的感知,通过网络变换和动力学行为得到的一种并行分布式信息处理功能的数学模型,类似于大脑神经突触的连接结构。它是广泛存在于各个学科的一门技术。许多科研工作者研究发现,在实际的神经网络中,神经元之间的信息传递方式不连续,神经递质的传递可能会有延迟现象。因此,研究时滞不连续神经网络具有一定的实际意义。本文从同步动力学的角度出发,首先基于具有不连续激励函数的神经网络模型,研究了时滞复值递归神经网络的全局指数同步问题,并建立了时滞复值递归神经网络模型全局指数同步的充分条件。其次,在不连续神经网络模型的基础上,考虑反应扩散和模糊逻辑对Hopfield神经网络模型的影响,研究了扩散模糊Hopfield神经网络模型的有限/固定时间同步问题。研究方法上,在微分包含理论框架内,结合Filippov微分包含理论、散度定理、微分不等式技巧以及非光滑分析等理论,设计了一种新的状态反馈控制器来实现神经网络模型的同步,得到的理论结果总结和改进了已有的文献,深化并完善了不连续激励函数的理论与方法,并把这些方法应用到如控制工程等领域。研究结果上,一方面可以丰富微分方程定性和稳定性理论,另一方面也可对实际应用学科特别是对工程技术领域的发展起着一定的指导作用,并希望能对智能控制理论方面有更为深刻的认识。最后通过数值模拟验证了研究方法的有效性和研究结果的正确性。图[2]表[0]参[116]
尤洋[2]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中提出癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
穆慧琳[3]（2021）在《多通道SAR地面运动目标检测与成像研究》文中研究指明合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天候、全天时、远距离、高分辨对地观测的优势,朝着多平台、多通道、多功能、多极化方向发展。利用多通道SAR系统,可增加回波信号的空间维信息,实现对观测区域的地面运动目标指示（Ground Moving Target Indication,GMTI）,极大提升了SAR系统对运动目标观测能力,在军事和民用方面具有重要的应用价值和发展前景。然而,机载和星载平台下的多通道SAR-GMTI系统在处理实际复杂观测场景时仍面临许多共性问题。首先,实际观测场景通常覆盖不同类型的地物杂波,其散射系数起伏较大,导致杂波分布非均匀,使得空时自适应杂波抑制能力下降,残余孤立强杂波点,虚警概率升高。其次,实际观测场景中通常包含多个运动目标,目标运动参数导致运动目标图像散焦和方位向偏移,临近目标容易产生混叠和旁瓣干扰,甚至造成虚假目标,使得多个运动目标同时聚焦成像困难。慢速目标与地物杂波的通道间干涉相位差异较小,目标多通道自适应滤波响应接近杂波抑制凹口,导致输出信杂噪比（Signal Clutter Noise Ratio,SCNR）降低,难以实现慢速目标检测,更加无法得到聚焦的目标图像。因此,针对实际复杂观测场景下存在的运动目标检测与成像问题,本文利用多通道SAR复数域数据在空间维和时间维的有效信息,并引入稀疏重构、深度学习等理论,开展多通道SAR地面运动目标检测和成像方法的研究,主要包含如下四个内容:1.本文利用运动目标稀疏先验知识提出基于DPCA-BCS的双通道SAR杂波抑制方法,首先对方位向少量观测数据进行偏置相位中心天线（Displaced Phase Center Antenna,DPCA）预处理以对消部分背景杂波,然后建立稀疏观测模型,对运动目标引入Laplace先验分布,采用贝叶斯压缩感知（Bayesian Compressive Sensing,BCS）方法实现运动目标重构和杂波抑制。进一步提出基于STAP-BCS的多通道SAR杂波抑制方法,将空时自适应处理（Space Time Adaptive Processing,STAP）技术与稀疏贝叶斯学习相结合。最后通过仿真实验和实测数据验证所提算法在降低观测数据量的同时获得较好的杂波抑制性能。2.针对非均匀复杂杂波环境下的运动目标检测问题,本文通过扩展信号空间维和时间维信息,提出基于改进高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GMPHD）滤波器的多通道SAR运动目标检测方法。首先基于子孔径方式生成SAR多角度图像序列,并利用多通道杂波抑制和恒虚警初步检测获取运动目标观测信息。通过分析目标径向速度对目标位置的影响,建立多目标状态和观测的随机有限集模型。针对传统GMPHD滤波器在SAR-GMTI中的问题,提出适合SAR图像序列的改进GMPHD滤波器。最后通过仿真实验和实测数据验证所提算法在非均匀复杂杂波环境下具有较高检测概率和较低虚警概率,并实现目标重定位。3.针对SAR多运动目标聚焦成像问题,本文利用多运动目标信号的多分量线性调频信号形式和运动目标的稀疏特征,提出基于Chirplet-BCS的多运动目标成像方法。首先构建多目标稀疏观测模型,由于观测矩阵依赖于未知的目标运动参数,采用基于Chirplet基的自适应分解实现目标调频率参数估计,有效避免交叉项的干扰,利用调频率参数构造观测矩阵,然后采用BCS稀疏重构算法实现运动目标精确重构。通过仿真实验和实测数据验证所提算法具有较好的聚焦成像质量和剩余杂波抑制能力。4.本文将深度学习理论引入到SAR运动目标成像领域,研究了基于深度卷积神经网络的多通道SAR慢速多运动目标快速成像方法。针对SAR多运动目标快速聚焦成像问题,提出基于卷积神经网络的SAR多运动目标快速成像方法。所提成像网络Deep Imaging利用残差学习策略实现特征与梯度的有效传递,通过监督学习的方式实现网络参数更新,最终建立适用于成像场景的成像模型,实现运动目标快速聚焦成像。Deep Imaging依赖于多通道杂波抑制结果,对慢速目标难以检测与成像。针对该问题,本文将多通道杂波抑制任务集成到网络中,提出基于复数域卷积神经网络的多通道SAR慢速多目标成像方法,所提复数域成像网络CV-GMTINet将特征图和网络参数扩展到复数域,不仅把复数域数据作为网络输入,还在整个网络中传播相位信息。网络结合密集网络与残差网络的优点,自适应学习单通道和通道间有效特征,并提高特征与梯度的传递效率,缓解梯度消失问题。使用复数域反向传播算法求解网络复值参数的梯度,通过基于梯度的参数优化算法实现复值参数的更新。通过实测数据验证所提方法在运动目标成像性能和杂波抑制能力方面优于传统方法和实数域网络。
刘培[4]（2021）在《基于深度学习的图像字幕生成研究》文中研究表明图像和文本是当今两种主要的信息载体,其中图像具有生动形象的特点,而文本概括性强,能够以简练的形式传递信息。图像字幕生成旨在让计算机自动地使用文本对给定的图像加以描述,其在图像检索、人机对话、盲人导航、自动安防等应用中被广泛使用。本文基于深度学习对图像字幕自动生成进行研究,具体的工作包括基于全局注意力机制的图像字幕生成、基于词性先验的图像字幕生成、基于对偶学习的图像字幕生成、基于层次主题网络的故事生成、基于交织层次网络的图像评论生成。主要的研究成果总结如下:（1）针对当前图像字幕生成方法从局部区域特征集中提取视觉信息时,容易受到干扰的问题,提出了一种基于全局注意力机制的字幕生成方法。该方法首先对图像局部区域在字幕文本中被提及的概率进行预测,作为全局信息,然后在每个单词生成时,将其融入到视觉信息的提取过程中,旨在能够将更多的注意力放到当前最相关的局部区域上,即通过赋予这些区域对应的向量特征更高的权重,来为当前单词的生成提供更加准确的视觉信息,从而生成更加高质量的字幕文本。（2）针对当前绝大多数图像字幕生成方法从场景图中提取视觉信息时,往往忽略了图中结点种类与字幕单词词性之间内在联系的不足,提出了一种基于词性先验的字幕生成方法。该方法在每个字幕单词生成时,预先对单词的词性进行预测,作为该词的词性先验,然后利用其来为不同种类的结点赋予不同的权重,旨在生成某种词性的单词时,将注意力更多地放在其所对应种类的结点上,如在生成形容词词性的单词时,将把更多的注意力放在图中的属性结点上,而在生成名词词性的单词时,把更多的注意力放在图中的物体结点上,利用这种方法来提取更加准确的视觉信息,提高字幕文本生成的质量。（3）针对当前通常分离地对字幕生成与图像生成进行研究,忽略了两者之间的对偶性质的现状,提出了一种基于对偶学习的图像字幕生成方法。该方法是基于字幕生成与图像生成可以形成一个闭环来提供信息反馈的事实进行构建,即每个模块的输出都能作为对方模块的输入。利用对偶模块为当前生成的字幕或者图像来进行反馈奖励的计算,再进一步使用该奖励来指导模型进行强化学习训练,从而生成更高质量的字幕文本和图像。本文研究了两种不同模式的对偶学习方法,即单对偶学习方法与联合对偶学习方法,这两种方法均能提升图像字幕生成的性能。（4）针对当前字幕生成模型生成的序列文本彼此之间缺乏关联,不能形成一个完整故事段落的问题,提出了一种基于层次主题网络的故事生成方法。该方法的主要思想是预先为段落中每一个文本进行主题规划,用于指导故事生成模块生成特定主题的文本,从而让序列文本在主题层面上保持连贯,形成一个完整的故事。实验结果表明,利用主题来关联各个序列中的文本,生成的故事文本之间具有良好的连贯性。此外,还提出了一种新的序列文本生成的强化学习方法,用于提出的故事生成模型的训练。（5）针对当前绝大多数图像字幕生成模型只能给出描述性文本的现状,提出了一种新的图像字幕生成的应用任务,即图像评论。相较于经典的字幕生成,该任务旨在生成具有社交吸引力的对话文本,能够让聊天机器人与用户在图像-文本的人机对话中建立长期的、情感上的联系,最大可能地吸引用户的注意力,从而更加积极地参与到聊天中。本工作搜集了一个用于该任务的数据集,以及提出了一个交织的层次神经网络,其可以在情感模式和事实模式之间交织变换,从而生成具有吸引力的图像评论文本。
张行[5]（2021）在《面向非圆复数的自适应估计算法性能分析及其应用研究》文中研究表明复值随机信号是很多理论科学和工程实践问题的基础,在通信、雷达、声纳、光学、声学、电磁学、海洋学和其他应用科学中必不可少,但是通常所采用的复随机信号服从圆分布的统计假设并不能很好的反映问题内在的物理特点。在本论文中,我们主要关注面向非圆复数的自适应估计算法的设计,性能分析及其在通信中的应用。充分探索和利用复数信号完备的二阶统计特性不仅可以显着提升自适应估计算法的性能,还可以提供关于算法理论性能的深层理解,这进一步启发了其在实际中的应用。主要研究内容和贡献如下:对非圆高斯输入时,均方误差（Mean square error,MSE）和高斯熵准则下的严格线性（Strictly linear,SL）和宽线性（Widely linear,WL）估计器性能进行了理论分析和比较。首先,提出了互补权重误差方差分析,以量化各估计器在不同准则下的权重误差的非圆度。接着通过强不相关变换方法同时对角化输入信号协方差矩阵和互补协方差矩阵,我们分析了各个估计器互补权重误差方差的上界。同时,联合标准和互补权重误差方差分析也为进一步分析各个估计器在实虚数据通道各自的性能提供了足够的自由度,分析表明,对于SL估计器,高斯熵准则下其在实虚两个通道的权重误差方差都总是小于或等于相应的MSE准则下的结果;对于WL估计器,当将其用于线性估计问题时,在MSE准则下,尽管其在总体上相比于SL估计器有性能损失,在实通道或虚通道之一却可能有较小的权重误差方差,而在高斯熵准则下,WL估计器相比于SL估计器在实虚通道上均有性能损失。最后,系统辨识场景下的仿真实验验证了理论分析结果。对非圆高斯输入时的最小随机熵（Least stochastic entropy,LSE）自适应估计算法进行了完备的二阶统计性能分析。首先给出了相互耦合的权重误差协方差矩阵和互补协方差矩阵的迭代计算式,接着推导了自适应算法中步长应满足的均方稳定条件,以保证算法收敛,在此基础上,给出了LSE算法稳态时权重误差方差的闭合表达式。分析显示,在权重误差方差的递归最小化过程中,LSE算法的权重误差向量逐渐趋近于圆。最后,系统辨识场景下的仿真实验验证了相应的理论分析结果。在频域中分析了输入信号非圆时无约束频域块最小均方（Unconstrained frequency domain block least mean square,UFBLMS）算法的性能。首先,分析了算法的均方性能,以研究非圆相关复值输入信号的二阶统计特性如何影响UFBLMS算法的权重误差协方差矩阵和MSE的收敛性。接着,进行了互补均方分析,通过互补MSE（Complementary MSE,CMSE）和权重误差互补协方差矩阵可以看出输入信号和系统噪声的非圆性是如何传播到输出误差和权重误差向量中的。如此,我们给出了瞬态和稳态时UFBLMS算法输出误差和权重误差向量性能的完备二阶统计分析框架;并推导了稳态MSE/CMSE与输入信号非圆性之间关系的闭合表达式。仿真和真实数据实验均验证了相应的理论分析结果。提出了一般复值卡尔曼滤波（Generalized complex-valued Kalman filter,GCKF）算法及其非线性扩展算法,适用于二阶圆或非圆信号。首先提出了用于估计一般复值信号的批处理估计器,其联合了传统的线性最小均方误差（Linear minimum mean square error,LMMSE）估计器和共轭线性最小均方误差（Conjugate linear minimum mean square error,CLMMSE）估计器。对所提的估计器的理论性能分析表明,其MSE性能优于传统的LMMSE估计器,基于此,我们推导了GCKF算法,将新息及其复数共轭同时用于状态的更新以取得性能增益。接着,将这种滤波器结构用于非线性状态空间方程,我们得到了一般复值扩展KF（Generalized complex-valued extended KF,GCEKF）算法和一般复值无味KF（Generalized complex-valued unscented KF,GCUKF）算法。其中在后者的推导过程中,我们提出了一种sigma点选择方案,对前二阶矩的样本估计可以达到二阶精度。最后,基于自回归过程估计和信道估计的仿真实验验证了分析结果。提出了一种盲自适应频率相关同相/正交（Inphase/quadrature,I/Q）分量不平衡补偿算法,解决直接下变频接收机中的频率相关I/Q不平衡问题。算法的原理在于,I/Q不平衡会破坏理想接收信号的二阶圆性,则使含干扰的非圆信号重新变为圆信号即可实现不平衡的补偿。进一步,通过权重误差协方差和互补协方差分析,我们给出了所提补偿器的完备二阶性能分析。由分析可知,在I/Q不平衡补偿算法迭代收敛的同时,其权重误差向量在理论上将趋于圆分布。另外,我们还分析了补偿前后的镜像抑制比（Image rejection ratio,IRR）,以评估补偿算法的镜像频率干扰衰落能力。分析表明,补偿算法有效消除了整个带宽范围内的I/Q失真,即补偿后的IRR与频率无关。最后,在正交频分复用（Orthogonal frequency division multiplexing,OFDM）传输方案下的仿真实验验证了理论分析。
陈鹏[6]（2020）在《关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究》文中指出高端智能制造是未来制造业的竞争中心,也是国家核心竞争力的重要标志,因此针对高科技、精密、尖端的机械工业装备的智能运行与维护保障已成为国内外的研究焦点。高速、重载、高温、高寒等极端的服役环境,致使机械装备的关键传动件的性能不可避免地出现衰老、退化等趋势,甚至时有故障发生而引发停机等事故。因此开展针对机械装备关键传动件的智能监测和故障诊断的研究,可以准确及时地对装备的整个运行过程进行全周期的监控和维护,以保障安全、可靠地运行,从而避免经济损失和灾难性事故的发生。机械装备的关键传动件如齿轮箱、轴承长期在变工况下运行,因局部故障、瞬变转速、时变载荷等激励的影响,关键传动件将产生瞬变动态、非平稳振动信号。对变工况的处理,尤其是对变工况产生的瞬变动态、非平稳信号的解调分析问题已成为关键传动件智能监测和故障诊断的重要研究课题。尽管当前的非线性、非平稳信号处理技术已经取得了长足的发展并在一定的工业场合得到了应用,但是其仍未能适应变工况变化,尤其是无法满足因变工况下机械关键传动件产生的时变、瞬态、非平稳信号的分析需求。为此,本文以机械装备面临大数据、智能运维的重大工程需求为背景,以对机械装备健康监测和故障诊断趋向自动化、智能化以及数字化方向发展为目标,针对当前传统的时频分析方法无法满足变工况下快时变、强调频、交叉混叠的非平稳瞬态信号的分析要求,研究了时频空间能量表征方法、交叉混叠信号的解耦方法、健康状态监测中阈值设定自适应方法、时变服役工况下智能诊断和不同工况域之间的迁移诊断等基础科学问题和实际的工程应用技术。解决了对快时变、强调频、交叉混叠、非平稳信号的解调分析及对变工况自适应诊断的问题。论文的主要研究工作及创新点总结如下:（1）针对当前主流的时频分析方法在表征快时变、强调频瞬态非平稳信号时,存在时频能量汇聚性低、时频表征性能差、对特定信号分量的重构性能不足以及对设备健康诊断过程的影响问题,提出了一种基于短时傅里叶框架下的二阶同步提取变换的信号分析方法,重点解决了对瞬态非平稳信号的局部瞬时频率精确化估计问题,从而满足了对频率变化快及强调制的非平稳信号的分析需求。以此为基础,实现了在强背景噪声环境下对变化快且强调制的瞬态信号成分的有效提取,并将其成功应用于油膜轴承的振动信号分析中。（2）针对机械装备振动信号中出现快时变、强调频以及交叉频率成分的耦合时,传统的时频解调分析方法受到时频表征不强、时频可读性能差甚至出现时频解调失效的制约。提出了一种递归映射解调高阶同步提取变换的时频分析方法。重点解决了外界干扰的交叉混叠信号成分的解调及对局部瞬时频率的高阶化精确估计问题,以此为基础,并最终将其应用于机械装备的关键传动件行星齿轮箱的特征提取及故障检测、诊断中。（3）针对某些特定的机械装备如风力发电机组,因运行周期久、使用寿命长,故而故障数据非常稀缺。当前的无监督深度学习方法在对风机健康状态监测时,面临人工设定阈值函数的瓶颈,提出了一种阈自适应神经网络模型的风机健康监测方法。解决了当前基于深度学习的无监督健康监测方法在阈值函数人工设定上的难题。同时,为了进一步量化不同时期风机的健康等级,提出了一种基于生成对抗网络输出样本区分度的方法,以满足对风机的不同健康等级进行量化评估的需求。以此为基础,通过对两个实际运行的风机进行健康状态监测评估以验证所提出算法的准确性及稳健性。（4）针对常规的信号处理方法对机械装备海量数据进行故障检测与诊断时耗时、耗力、过多依赖于人工经验以及为适应变工况下的诊断需求问题,提出了一个工况自适应神经网络模型来对机械装备的关键传动件行星齿轮箱进行故障检测、诊断。解决了时变工况下对关键传动件的端对端学习问题,以此为基础,通过对实际运行的行星齿轮箱的数据采集分析以验证所提出算法的有效性。（5）针对当前的样本迁移学习模型大多拘泥于源域和目标域之间的数据差异性,极少关注机械装备运行服役工况信息对模型训练的驱动作用,尤其是不同的非平稳工况之间的迁移学习问题。提出了一种新的知识迁移学习模型用于对时变工况下的滚动轴承进行故障检测、诊断。解决了不同的非平稳工况之间的迁移学习问题,以此为基础,通过对实际运行的滚动轴承运行数据的分析以验证所提出的知识迁移学习模型的有效性和鲁棒性。
杨文贵[7]（2020）在《几类高阶和忆阻神经网络的稳定性和同步研究》文中认为自20世纪80年代以来,人工神经网络便一直是人工智能领域的研究热点之一.它是对人脑神经元网络从信息处理的角度进行抽象,建立一个简单的数学模型,并根据不同的连接方式形成不同的网络.随着众多学者的不断深入研究,神经网络已经取得了很大的进展.它们在许多领域都表现出了良好的性能,例如自动控制、智能机器人、预测估计、智能计算、图像处理与模式识别等等.一方面,高阶神经网络比低阶神经网络在逼近性能、存储容量、收敛速度与容错能力方面存在巨大的优势,这些优势可以应用于并行计算、自适应模式识别、优化问题.另一方面,由于记忆电阻器具有高存储性能、小体积及非易失性的特点,基于忆阻器的神经网络引起了信号处理、可重构计算、可编程逻辑、基于脑机接口的控制系统等领域的广泛注意.神经网络的动力学行为近年来得到了深入研究,特别是稳定性和同步性问题.本文主要对两类高阶双向联想记忆神经网络的平衡点、周期解、概自守解的存在性和稳定性及两类忆阻神经网络的平衡点、周期解的稳定性和它们的驱动-响应系统的同步现象进行了研究.进一步,利用神经网络或模糊逻辑系统的逼近特性,对两类不确定分数阶非线性系统的自适应控制进行了研究,获得了一些有意义的成果.本文的主要贡献体现在以下几个方面:1)研究了带有连续分布式时滞的脉冲模糊高阶双向联想记忆神经网络平衡点和周期解的全局指数稳定性.应用不等式分析技巧、M-矩阵、同胚理论和Banach压缩原理,构造了一些合适的Lyapunov-Kravsovskii泛函,建立了所考虑系统的平衡点和周期解的存在唯一性和全局指数稳定的充分条件.并通过数值模拟展示了获得的理论结果的可行性和有效性.2)考虑了时间尺度上具有时变连接时滞的中立型高阶Hopfield双向联想记忆神经网络概自守解的存在性和全局指数稳定性.这里主要采用了时间尺度上指数型二分理论、Banach压缩原理和微分不等式分析技巧.系统不仅考虑了一阶中立项对神经网络的影响,而且研究了二阶中立项对神经网络的影响.进一步,研究了具有连续分布式连接时滞的高阶Hopfield双向联想记忆神经网络.对于时间尺度T=R或T=Z,获得的结果也是新的.并通过数值仿真说明了提出的主要理论结果的可行性.3)研究了一类同时具有时变时滞和连续分布式时滞的忆阻神经网络的稳定性和同步性问题.利用同胚理论、时滞微分积分不等式技巧和适当的Lyapunov-Kravsovskii泛函,在Filippov解的框架下,得到了一些新的忆阻神经网络平衡点的全局指数稳定和驱动-响应系统同步的充分条件.另一方面,研究了一类具有时变时滞和连续分布式时滞的Cohen-Grossberg型忆阻双向联想记忆神经网络周期解的稳定性.利用Banach压缩原理和脉冲时滞微分积分不等式,给出了周期解存在和全局指数稳定的充分条件.该方法也可用于研究具有时变时滞和有限分布时滞的脉冲Cohen-Grossberg型忆阻双向联想记忆神经网络.在两类问题中可以利用求解不等式方法来估计出指数收敛率.另外,给出一些数值例子验证了所获得结果的实用性和1个获得的理论在伪随机数发生器中的应用.4)研究了具有混合时滞（异步时滞和连续分布式时滞）的脉冲模糊Cohen-Grossberg型忆阻双向联想记忆神经网络的稳定性和同步问题.应用不等式分析技巧、同胚理论和一些合适的Lyapunov-Kravsovskii泛函,建立了一些新的平衡点的存在唯一性和全局指数稳定的充分条件.在Filippov解、微分包含理论和控制理论的基础上,得到了系统全局指数滞后同步的几个充分准则.通过数值模拟,给出了3个例子说明所得结果的可行性和有效性.5)考虑了一类单输入单输出不确定非严格反馈分数阶非线性系统输出反馈控制问题.采用模糊逻辑系统逼近未知非线性函数,对不确定分数阶非线性系统进行建模.针对状态可测的情况,在返步法技术下,提出了一种自适应模糊状态反馈控制方案.针对状态不可测的情况,引入串并联估计模型,采用动态表面控制技术,提出了一种基于观测器的输出反馈控制设计方法.在参考信号的驱动下,利用Lyapunov函数理论,选择适当的设计参数,证明了所有信号的半全局一致最终有界性和对原点小邻域的跟踪误差.另外,给出2个数值模拟的例子来说明所提出的控制方法的有效性.6)研究了一类具有执行器故障和全状态约束的不确定非仿射非线性分数阶多输入单输出系统的自适应模糊容错跟踪控制问题.基于隐函数定理和中值定理,克服了非仿射非线性项的设计困难.然后,通过使用一些合适的模糊逻辑系统可以逼近未知的理想控制输入.通过构造障碍Lyapunov函数和估计复合扰动,提出了一种自适应模糊容错控制算法.此外,证明了在参考信号的驱动下,闭环系统中的所有信号都是半全局一致最终有界的,并且保证了非仿射非线性分数阶系统的所有状态都保持在预定的紧集内.并通过2个算例验证了所提出的自适应模糊容错控制方法的有效性.本文从理论上研究了几类高阶和忆阻神经网络的稳定性和同步问题及两类不确定分数阶非线性系统的自适应控制问题,所有获得的结果都经过了数值仿真的检验.最后,总结了本文的主要研究结果,并展望了未来的研究方向.
窦磊[8]（2020）在《基于神经网络的极化码译码器设计与分析》文中提出近些年,以神经网络为基础的深度学习在计算机视觉、游戏和生物信息学等许多领域取得了很大的进步,本论文尝试将神经网络引入极化码译码器,探索神经网络在译码技术上的工程应用。本文的主要工作和创新点如下:1.设计了一种新型译码器结构,其是将工程中的通用神经网络结构引入极化码译码器,这种译码器可以直接实现传统数字通信系统中的解调,解码等功能;然后基于复值多层感知器（Multilayer Perceptron,MLP）和复值卷积神经网络（Complex-valued Convolutional Neural Network,CV-CNN）,设计了的2种相应的译码器,并对其在BPSK和QAM两种不同格式下对译码器性能进行分析。结果表明,复值神经网络作为译码器可达到最大似然法的译码性能,但这种译码器仅在短码时（<128位）,性能较好。2.提出了一种基于置信传播（Belief Propagation,BP）的神经网络译码算法,该神经网络实质上基于传统BP译码算法,其神经元是参数化的处理单元（Parameterized Processing Elements,PPE）,并将这种神经网络解码算法命名为BP-PPE,然后用深度学习算法优化BP-PPE的参数。结果表明,BP-PPE的性能及复杂度优于传优于传统的BP和SC算法。
万鹏[9]（2020）在《Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究》文中认为人工神经网络,是从信息处理角度对生物神经网络进行抽象而建立的数学模型。随着人工神经网络的研究工作不断深入,其在模式分割、智能机器人、自动控制、预测估计、故障诊断、系统辨识等领域已成功地解决了许多现代计算机难以解决的实际问题,显示出了良好的智能特性,这些智能特性主要取决于神经网络的动力学行为。多稳定性是描述多个稳定平衡态或周期解共存的概念。这种动力学行为在神经网络的一些应用中是必不可少的,包括图像处理、模式识别和联想记忆存储。Hopfield型神经网络,已经成为吸引大量多稳定性研究兴趣的主要模型。在实际生活中,周期函数能很好地描述系统的发展过程,比如生态系统、机械震动、市场供需、交通系统、生物活动中的心跳和记忆等等,而这些实际问题都可以总结为讨论微分方程周期解的稳定性。基于此,本文研究了Hopfield神经网络多稳定性和产生全局稳定周期解的控制策略问题。在神经网络的理论研究中,神经网络的动力学行为与时滞、不确定性、随机噪声和扩散现象关系密切。近二十年来,众多学者考虑在这些因素下,如何保证Hopfield神经网络的全局稳定性或者局部稳定性,相关的研究成果层出不穷。然而,针对带有反应扩散项、脉冲效应和混合时滞的神经网络,如何利用矩阵凸组合和线性矩阵不等式技巧获得保守性更低的全局稳定周期解的存在唯一性条件,仍需深入研究。当分段线性、非饱和、非连续非单调激活函数出现在离散时间、连续时间、分数阶、Takagi-Sugeno模糊神经网络中,如何分析其单稳定性和多稳定性是一个难题。对于不稳定的时滞神经网络,如何设计脉冲控制器使得神经网络产生全局稳定周期解。针对这些问题,本文以离散时间、连续时间、分数阶、TakagiSugeno模糊、随时间切换、惯性反应扩散神经网路为研究对象。从分段线性,非饱和分段线性和非连续非单调激活函数的几何属性角度出发,充分运用严格对角占优矩阵、收缩映射、不动点定理、Ascoli-Arzela定理和凸组合方法,构造适当的Lyapunov-Krasovskii泛函,本文完成的主要工作包括:（1）对离散神经网络和四元数神经网络进行了多稳定性分析。一类分段线性激活函数,使神经网络的存储容量大大提高。根据分段线性激活函数的几何性质,将n维欧式空间划分为许多超矩形区域。利用Schauder不动点定理和严格对角占优矩阵,给出了神经网络在各超矩形区域内平衡点存在唯一性的几个充分条件,证明了保证神经网络平衡点的局部渐近稳定性和其它平衡点的不稳定性的充分条件,估计了局部稳定平衡点的吸引域。估计得到的离散神经网络局部稳定平衡点的吸引域是超球形区域,可以比原矩形区域大。在没有其他条件的情况下,估计得出的四元数神经网络局部稳定平衡点的吸引域是超矩形区域,而且肯定比原来的矩形区域要大。（2）不饱和分段线性激活函数具有计算简单快速和避免梯度消失等优点,这种激活函数是许多成功的前馈神经网络的重要组成部分。针对具有不饱和分段线性激活函数的分数阶神经网络,研究了其概周期解的单稳定性和多稳定性,给出了一些全局Mittag-Leffler吸引集,并通过Ascoli-Arzela定理证明了全局Mittag-Leffler稳定概周期解的存在唯一性。利用局部正不变集,给出了保证概周期解的局部Mittag-Leffler稳定性的充分条件,证明了在每个正不变集内都存在一个局部Mittag-Leffler稳定的概周期解,所有轨迹都收敛于该正不变集内的这个周期轨迹。（3）讨论了具有非单调不连续激活函数和时变时滞的Takagi-Sugeno模糊神经网络概周期解的多稳定性问题。根据非单调不连续激活函数的几何性质,利用Ascoli-Arzela定理和不等式技术,证明了在一定条件下,该网络在某些超矩形区域具有局部指数稳定的概周期解,还估计了局部稳定概周期解的吸引域。理论成果包括有界性、全局吸引性、多稳定性、吸引域等,可推广到具有非单调不连续激活函数的Takagi-Sugeno模糊神经网络概周期解的单稳定性和多稳定性,弥补多稳定性在模糊神经网路领域的空白。（4）针对具有离散和有限分布时变时滞的惯性反应扩散神经网络和随时间切换的神经网络,提出了一种新的周期脉冲控制策略。为了降低全局一致指数收敛准则的保守性,提出了利用可调参数和矩阵二次、三次凸组合方法,研究了两种网络的有界性和Lagrange稳定性。利用压缩映射定理和脉冲时滞相关的LyapunovKrasovskii泛函方法,给出了周期解存在性、唯一性和全局指数稳定性的充分条件。需要指出的是,所述的Lyapunov-Krasovskii泛函包括三重积分项和新的四重积分项,将减少神经网络稳定性条件的保守性。即使原始神经网络模型是不稳定的,甚至发散的,两类神经网络也可以通过脉冲控制生成全局指数稳定的周期解。
黄子祺[10]（2019）在《基于神经网络的自适应均衡器设计》文中认为通信技术在现代科学技术中的重要性不断增加。自适应均衡作为一种能够显着提升通信质量的技术,在数字通信技术中占有十分重要的地位。因此设计一种高效且性能优异的自适应均衡器具有十分重要的意义。本论文以神经网络与机器学习技术为基础,研究了多种基于传统结构的神经网络自适应均衡器,采用了具有判决反馈结构的神经网络作为自适应均衡器的基本结构。判决反馈结构的均衡器性能要优于传统的基于前馈神经网络结构的自适应均衡器。相比较递归神经网络又具有较低的计算复杂度,适合于无线通信系统。本论文还从算法与结构的两个角度对自适应均衡器进行了改进。针对传统的神经网络训练算法,设计了一种基于梯度下降法的改进算法。相比较于其他传统的一阶训练算法,该改进算法收敛时的迭代次数减少50%以上,并且相较其他一阶训练算法具有更低的稳态均方误差,十分适合于神经网络自适应均衡器的训练。本论文还将机器学习中的集成学习方法与判决反馈神经网络自适应均衡器相结合,设计了一种集成型判决反馈神经网络自适应均衡器。该结构的均衡器具有更强的泛化性能与更低的均方误差,相比单一结构的均衡器,集成型结构的均衡器能够使均方误差降低2.0dB。本论文对集成型判决反馈神经网络自适应均衡器进行了逻辑设计,Modelsim仿真以及FPGA验证。在进行逻辑设计时,采用了合适数量基学习器的集成型判决反馈神经网络自适应均衡器。仿真结果表明,尽管精度存在一定损失,集成型判决反馈神经网络自适应均衡器的均方误差相比单一结构的判决反馈神经网络自适应均衡器的均方误差仍能下降约1.7dB左右。由于基学习器的数量较少,因此硬件使用资源较少,且在均衡性能与硬件消耗上能够取得较好的平衡。
二、一种新的复值递归神经网络训练方法及其应用（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、一种新的复值递归神经网络训练方法及其应用（论文提纲范文）
（1）两类时滞不连续神经网络模型的同步性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 不连续神经网络同步性研究简介 |
| 1.2 本文的主要内容与结构安排 |
| 第2章 预备知识 |
| 2.1 基本概念 |
| 2.2 Filippov解 |
| 2.3 几个基本不等式 |
| 第3章 具有不连续激励函数的时滞复值递归神经网络模型的动力学分析 |
| 3.1 概述 |
| 3.2 模型介绍 |
| 3.3 时滞复值递归神经网络的全局指数同步 |
| 3.4 数值模拟 |
| 第4章 具有不连续激励函数的扩散模糊Hopfield神经网络模型的动力学分析 |
| 4.1 概述 |
| 4.2 模型介绍 |
| 4.3 扩散模糊Hopfield神经网络的有限或固定时间同步 |
| 4.4 数值模拟 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）多通道SAR地面运动目标检测与成像研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多通道SAR-GMTI系统发展现状 |
| 1.2.2 SAR运动目标检测研究现状 |
| 1.2.3 SAR运动目标成像研究现状 |
| 1.2.4 目前存在的问题 |
| 1.3 本文研究内容与结构安排 |
| 第2章 多通道SAR回波信号模型和杂波抑制方法 |
| 2.1 引言 |
| 2.2 多通道SAR回波信号模型分析 |
| 2.2.1 多通道SAR运动目标成像几何构型 |
| 2.2.2 运动目标与杂波信号模型 |
| 2.2.3 运动目标与杂波多普勒特性分析 |
| 2.3 地物杂波统计特性分析 |
| 2.4 基于DPCA-BCS的双通道SAR杂波抑制方法 |
| 2.4.1 压缩感知理论 |
| 2.4.2 双通道DPCA技术 |
| 2.4.3 基于稀疏贝叶斯学习的重构算法 |
| 2.4.4 实验结果与分析 |
| 2.5 基于STAP-BCS的多通道SAR杂波抑制方法 |
| 2.5.1 多通道STAP技术 |
| 2.5.2 BCS重构算法 |
| 2.5.3 实验结果与分析 |
| 2.6 本章小结 |
| 第3章 非均匀杂波环境下多通道SAR运动目标检测与重定位 |
| 3.1 引言 |
| 3.2 基于子孔径的图像序列生成 |
| 3.3 径向速度对目标位置影响 |
| 3.4 多目标随机有限集模型 |
| 3.5 基于改进GMPHD滤波器的SAR运动目标检测 |
| 3.5.1 GMPHD滤波器 |
| 3.5.2 改进GMPHD滤波器 |
| 3.6 实验结果与分析 |
| 3.6.1 仿真结果与分析 |
| 3.6.2 Gotcha SAR实测数据实验 |
| 3.7 本章小结 |
| 第4章 基于稀疏贝叶斯学习的SAR多运动目标成像 |
| 4.1 引言 |
| 4.2 多目标稀疏观测模型 |
| 4.3 基于CHIRPLET-BCS的SAR多运动目标成像方法 |
| 4.3.1 基于Chirplet基的自适应分解 |
| 4.3.2 基于BCS的多目标稀疏重构算法 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真结果与分析 |
| 4.4.2 机载SAR实测数据实验 |
| 4.4.3 星载TerraSAR-X实测数据实验 |
| 4.4.4 Gotcha SAR实测数据实验 |
| 4.5 本章小结 |
| 第5章 基于DCNN的多通道SAR慢速多运动目标快速成像 |
| 5.1 引言 |
| 5.2 深度学习对逆问题的求解 |
| 5.3 基于卷积神经网络的SAR多运动目标快速成像 |
| 5.3.1 基于DCNN的多运动目标成像原理 |
| 5.3.2 成像网络架构 |
| 5.3.3 成像网络的反向传播 |
| 5.3.4 实验数据与结果分析 |
| 5.4 基于复数域卷积神经网络的多通道SAR慢速多目标成像 |
| 5.4.1 基于CV-CNN的多通道SAR慢速多目标成像原理 |
| 5.4.2 复数域成像网络架构 |
| 5.4.3 复数域成像网络的反向传播 |
| 5.4.4 实验数据与结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（4）基于深度学习的图像字幕生成研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状概述 |
| 1.3 相关数据集以及背景知识 |
| 1.3.1 相关数据集 |
| 1.3.2 字幕生成评价指标 |
| 1.3.3 图像的视觉特征提取 |
| 1.3.4 字幕生成中语言模块的网络结构 |
| 1.3.5 注意力机制 |
| 1.3.6 字幕生成的损失函数 |
| 1.3.7 词向量的预训练 |
| 1.4 主要工作以及创新 |
| 1.5 论文的组织结构 |
| 第2章 基于全局注意力机制的图像字幕生成 |
| 2.1 引言 |
| 2.2 相关方法回顾 |
| 2.3 基于全局注意力机制的字幕生成 |
| 2.3.1 字幕物体特征提取 |
| 2.3.2 全局注意力网络 |
| 2.3.3 模型的优化 |
| 2.4 实验分析 |
| 2.4.1 数据集与评价指标 |
| 2.4.2 实施细节 |
| 2.4.3 定量分析 |
| 2.4.4 定性分析 |
| 2.4.5 对比分析 |
| 2.5 本章总结 |
| 第3章 基于词性先验的图像字幕生成 |
| 3.1 引言 |
| 3.2 相关方法回顾 |
| 3.3 基于词性先验的图像字幕生成模型 |
| 3.3.1 字幕单词词性的预测 |
| 3.3.2 词性层次注意力网络 |
| 3.3.3 模型的优化 |
| 3.4 实验分析 |
| 3.4.1 数据集以及评价指标 |
| 3.4.2 实施细节 |
| 3.4.3 定量分析 |
| 3.4.4 定性分析 |
| 3.4.5 对比分析 |
| 3.5 本章总结 |
| 第4章 基于对偶学习的图像字幕生成 |
| 4.1 引言 |
| 4.2 基于对偶学习的图像字幕生成方法 |
| 4.2.1 对偶学习的模型框架 |
| 4.2.2 字幕生成器的网络结构 |
| 4.2.3 图像生成器的网络结构 |
| 4.2.4 对偶学习方法的损失函数以及优化流程 |
| 4.3 对偶学习下的实验分析 |
| 4.3.1 数据集以及视觉特征提取 |
| 4.3.2 单对偶学习对字幕生成器性能的影响 |
| 4.3.3 联合对偶训练对字幕生成器性能的影响 |
| 4.4 半监督对偶学习方法与实验分析 |
| 4.4.1 半监督对偶学习方法 |
| 4.4.2 半监督对偶学习方法对字幕生成器性能的影响 |
| 4.5 本章总结 |
| 第5章 基于层次主题网络的故事生成 |
| 5.1 引言 |
| 5.2 相关方法回顾 |
| 5.3 层次主题网络 |
| 5.3.1 层次主题故事生成模型 |
| 5.3.2 模型的优化 |
| 5.4 实验分析 |
| 5.4.1 数据集 |
| 5.4.2 实施细节 |
| 5.4.3 实验结果与分析 |
| 5.5 本章总结 |
| 第6章 基于交织层次网络的图像评论 |
| 6.1 引言 |
| 6.2 图像评论 |
| 6.2.1 任务的定义 |
| 6.2.2 数据集分析 |
| 6.3 基于交织层次网络的图像评论模型 |
| 6.3.1 交织层次神经网络 |
| 6.3.2 图递归神经网络 |
| 6.3.3 模型的优化 |
| 6.4 实验结果与分析 |
| 6.5 本章总结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）面向非圆复数的自适应估计算法性能分析及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语与符号约定 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容和结构安排 |
| 第二章 MSE和高斯熵准则下不同估计器的性能分析与比较 |
| 2.1 引言 |
| 2.2 复值随机变量统计特性简介 |
| 2.2.1 复数表示及其二阶统计量 |
| 2.2.2 复高斯分布 |
| 2.2.3 圆与二阶圆 |
| 2.3 标准权重误差方差分析 |
| 2.3.1 SL估计器 |
| 2.3.2 WL估计器 |
| 2.4 互补权重误差方差分析 |
| 2.4.1 SL估计器 |
| 2.4.2 WL估计器 |
| 2.5 联合标准和互补权重误差方差分析 |
| 2.5.1 SL估计器 |
| 2.5.2 WL估计器 |
| 2.5.3 SL与WL估计器性能比较 |
| 2.6 仿真结果 |
| 2.7 本章小结 |
| 2.8 附录 |
| 2.8.1 式(2.41)的详细推导 |
| 2.8.2 式(2.56)和(2.57)的详细推导 |
| 第三章 非圆输入时最小随机熵自适应估计算法性能分析 |
| 3.1 引言 |
| 3.2 算法简介 |
| 3.3 LSE算法的完备二阶性能分析 |
| 3.3.1 标准权重误差方差分析 |
| 3.3.2 互补权重误差方差分析 |
| 3.4 LSE算法的均方稳定性和稳态分析 |
| 3.5 仿真结果 |
| 3.6 本章小结 |
| 第四章 复值无约束频域块最小均方误差算法性能分析 |
| 4.1 引言 |
| 4.2 算法简介 |
| 4.3 UFBLMS算法的完备二阶性能分析 |
| 4.3.1 频域输入信号的二阶统计特性 |
| 4.3.2 UFBLMS的标准均方分析 |
| 4.3.3 UFBLMS的互补均方分析 |
| 4.3.4 联合标准和互补均方分析 |
| 4.4 UFBLMS算法的均方稳定性与稳态性能分析 |
| 4.4.1 均方稳定性分析 |
| 4.4.2 稳态性能分析 |
| 4.5 仿真结果 |
| 4.6 本章小结 |
| 4.7 附录 |
| 4.7.1 式(4.43)中H~a(k)的详细推导 |
| 4.7.2 式(4.69)中η~2_m取值范围的推导 |
| 第五章 复值卡尔曼滤波算法及其非线性扩展 |
| 5.1 引言 |
| 5.2 背景知识 |
| 5.3 提出的GCKF算法 |
| 5.4 提出的GCEKF算法 |
| 5.5 提出的GCUKF算法 |
| 5.6 仿真结果 |
| 5.6.1 自回归过程估计 |
| 5.6.2 信道估计 |
| 5.7 本章小结 |
| 5.8 附录 |
| 5.8.1 式(5.28)和(5.29)的详细推导 |
| 5.8.2 提出的复值UT的性能分析 |
| 第六章 基于非圆特性的复值盲自适应频率相关I/Q不平衡补偿算法与性能分析 |
| 6.1 引言 |
| 6.2 系统模型 |
| 6.3 提出的盲FD I/Q不平衡补偿器 |
| 6.4 所提估计器的完备二阶统计性能分析 |
| 6.4.1 完备二阶收敛性分析 |
| 6.4.2 IRR分析 |
| 6.5 仿真结果 |
| 6.6 本章小结 |
| 6.7 附录 |
| 6.7.1 式(6.31)的详细推导 |
| 6.7.2 式(6.41)中步长取值范围的推导 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
| 作者攻读博士学位期间获得的荣誉与资助 |
（6）关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 机械装备关键传动件故障诊断及健康状态监测技术的研究现状与发展趋势 |
| 1.3 变工况下特征提取以及信号处理技术的研究现状与发展趋势 |
| 1.3.1 基于时频空间能量分布的瞬态信号解调分析技术 |
| 1.3.2 基于外界干扰下的复合信号解耦分析技术 |
| 1.3.3 基于变工况下网络自适应监测及故障诊断技术 |
| 1.4 机械装备关键传动件的智能故障诊断与健康状态监测所面临的挑战 |
| 1.5 本文的主要研究内容及章节安排 |
| 第二章 短时傅里叶框架下的二阶同步提取变换 |
| 2.1 引言 |
| 2.2 局部瞬时频率的估计问题 |
| 2.3 短时傅里叶框架下的二阶同步提取变换 |
| 2.4 二阶同步提取变换的仿真实验验证 |
| 2.4.1 单分量仿真信号分析 |
| 2.4.2 多分量仿真信号分析 |
| 2.5 在旋转机械振动信号分析中的应用 |
| 2.5.1 案例一:单分量机械振动信号分析 |
| 2.5.2 案例二:多分量机械振动信号分析 |
| 2.6 本章小结 |
| 第三章 递归映射解调高阶同步提取变换 |
| 3.1 引言 |
| 3.2 广义解调 |
| 3.3 递归映射解调高阶同步提取变换理论分析 |
| 3.3.1 单分量信号模型的递归映射解调高阶同步提取变换 |
| 3.3.2 多分量信号模型的递归映射解调高阶同步提取变换 |
| 3.4 仿真信号验证分析 |
| 3.5 在动力传动装置行星齿轮箱故障诊断中的应用 |
| 3.6 本章小结 |
| 第四章 阈自适应神经网络模型的风机健康状态监测 |
| 4.1 引言 |
| 4.2 自编码模型 |
| 4.3 生成对抗网络模型 |
| 4.3.1 标准生成对抗网络模型 |
| 4.4 阈自适应生成对抗网络模型 |
| 4.5 在风力发电系统关键传动件的健康状态监测中的应用 |
| 4.5.1 数据预处理分析 |
| 4.5.2 案例一:鲁南风场14号风力发电机组健康状态监测 |
| 4.5.3 案例二:荣成风场15号风力发电机组健康状态监测 |
| 4.6 本章小结 |
| 第五章 工况自适应神经网络模型的行星齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 相关的理论 |
| 5.2.1 全连接神经网络 |
| 5.2.2 卷积神经网络 |
| 5.2.3 t-分布邻域嵌入算法 |
| 5.3 工况自适应神经网络模型 |
| 5.4 工况自适应网络模型在行星齿轮箱故障诊断中的应用 |
| 5.4.1 实验设备简介及数据描述 |
| 5.4.2 行星齿轮箱故障检测及诊断结果分析 |
| 5.5 本章小结 |
| 第六章 时变工况下滚动轴承知识迁移学习模型的故障诊断 |
| 6.1 引言 |
| 6.2 稀疏自编码网络 |
| 6.3 提出的知识迁移学习网络模型 |
| 6.4 在轴承系统的诊断中的应用 |
| 6.4.1 实验设备简介 |
| 6.4.2 数据描述 |
| 6.4.3 轴承故障结果验证及对比分析 |
| 6.5 本章小结 |
| 第七章 结论和展望 |
| 7.1 研究结论 |
| 7.2 研究创新点总结 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）几类高阶和忆阻神经网络的稳定性和同步研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 第2章 基础知识和引理 |
| 2.1 矩阵和算子 |
| 2.2 时间尺度 |
| 2.3 模糊逻辑系统 |
| 2.4 分数阶微积分 |
| 2.5 相关基本引理 |
| 第3章 脉冲模糊高阶双向联想记忆神经网络 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.3 平衡点的全局指数稳定性 |
| 3.4 周期解的全局指数稳定性 |
| 3.5 数值模拟 |
| 3.6 结论 |
| 3.7 注记 |
| 第4章 时间尺度上中立型连接时滞高阶双向联想记忆神经网络 |
| 4.1 引言 |
| 4.2 时间尺度上时变连接时滞系统(4.1)的概自守性 |
| 4.3 连续分布式连接时滞高阶Hopfield双向联想记忆神经网络 |
| 4.4 数值模拟 |
| 4.5 结论 |
| 4.6 注记 |
| 第5章 带有时变和连续分布式时滞的忆阻神经网络 |
| 5.1 引言 |
| 5.2 模型描述 |
| 5.3 平衡点的稳定性与驱动-响应系统的同步 |
| 5.4 脉冲Cohen-Grossberg型忆阻双向联想记忆神经网络的周期解 |
| 5.5 数值模拟 |
| 5.6 结论 |
| 5.7 注记 |
| 第6章 脉冲模糊Cohen-Grossberg型忆阻双向联想记忆神经网络 |
| 6.1 引言 |
| 6.2 模型描述 |
| 6.3 平衡点的全局稳定性 |
| 6.4 驱动-响应系统的全局指数时滞同步 |
| 6.5 数值模拟 |
| 6.6 结论 |
| 6.7 注记 |
| 第7章 不确定分数阶非线性系统的自适应模糊追踪控制 |
| 7.1 引言 |
| 7.2 具有状态可测不确定分数阶非线性系统 |
| 7.2.1 问题描述 |
| 7.2.2 自适应状态反馈控制设计 |
| 7.3 具有状态不可测不确定分数阶非线性系统 |
| 7.3.1 模糊状态观测器设计 |
| 7.3.2 自适应模糊控制设计和稳定性分析 |
| 7.4 数值模拟 |
| 7.5 结论 |
| 7.6 注记 |
| 第8章 不确定非仿射分数阶非线性系统的自适应模糊容错控制 |
| 8.1 引言 |
| 8.2 问题描述 |
| 8.3 基于障碍Lyapunov函数的自适应模糊容错控制设计 |
| 8.4 数值模拟 |
| 8.5 结论 |
| 8.6 注记 |
| 第9章 总结与展望 |
| 9.1 总结 |
| 9.2 展望 |
| 附录A 主要定理的证明 |
| A.1 定理3.1的证明 |
| A.2 定理3.3的证明 |
| A.3 定理4.1的证明 |
| A.4 定理4.2的证明 |
| A.5 定理5.1的证明 |
| A.6 定理5.6的证明 |
| A.7 定理6.1的证明 |
| A.8 定理6.2的证明 |
| A.9 定理6.4的证明 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果及相关经历 |
| 致谢 |
（8）基于神经网络的极化码译码器设计与分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 极化码译码的研究现状 |
| 1.3 研究内容与工作安排 |
| 2 极化码和神经网络概述 |
| 2.1 信道极化 |
| 2.1.1 信道组合 |
| 2.1.2 信道分裂 |
| 2.1.3 Polar编码 |
| 2.2 实值神经网络概述 |
| 2.3 复值神经网络 |
| 2.3.1 分离复值神经网络 |
| 2.3.2 全复神经网络 |
| 2.4 复神经网络损失函数 |
| 2.4.1 最小均方误差(MSE) |
| 2.4.2 熵误差(MEE) |
| 2.5 复值神经网络反向传播算法 |
| 2.6 活化函数选取 |
| 2.6.1 分离式活化函数 |
| 2.6.2 全复活化函数 |
| 2.7 本章小结 |
| 3 基于复值神经网络的接收机性能研究 |
| 3.1 采用BPSK格式的复值多层感知器的译码性能仿真 |
| 3.1.1 BPSK通信系统结构 |
| 3.1.2 复值神经网络的训练 |
| 3.1.3 (16,8)极化码的译码器性能仿真 |
| 3.1.4 (64,32)极化码的译码器性能仿真 |
| 3.2 采用QAM格式的复值多层感知器的译码性能仿真 |
| 3.2.1 QAM通信系统结构 |
| 3.2.2 不同码长的QAM系统性能仿真 |
| 3.3 复值神经网络结构中参数对系统性能的影响 |
| 3.4 复值卷积神经网络(CV-CNN)译码器性能仿真 |
| 3.4.1 复值卷积神经网络结构 |
| 3.4.2 CV-CNN接收机的性能仿真 |
| 3.5 本章小结 |
| 4 基于BP的神经网络译码技术研究 |
| 4.1 BP译码 |
| 4.2 参数化PE作为神经元 |
| 4.3 网络的训练 |
| 4.3.1 损失函数 |
| 4.3.2 训练和测试数据集 |
| 4.3.3 BP-PPE的超参数 |
| 4.4 配置的启发式结论 |
| 4.4.1 T-SNR的选择 |
| 4.4.2 初始化策略 |
| 4.4.3 层序 |
| 4.4.4 损失函数的选择 |
| 4.4.5 每层学习参数的数 |
| 4.5 数值结果 |
| 4.6 参数裁剪技术 |
| 4.7 本章小结 |
| 5 结论 |
| 参考文献 |
| 学位论文数据集 |
（9）Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 符号标记 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 离散神经网络的动力学行为的研究进展 |
| 1.2.2 分数阶神经网络的动力学行为研究现状 |
| 1.2.3 神经网络多稳定性的研究现状 |
| 1.2.4 神经网络全局稳定周期解脉冲控制策略的研究现状 |
| 1.3 神经网络多稳定性和脉冲控制策略目前存在的问题 |
| 1.4 问题的提出及研究意义 |
| 1.4.1 问题的提出 |
| 1.4.2 问题的研究意义 |
| 1.5 论文主要工作 |
| 1.6 本章小结 |
| 2 带有非单调分段线性激活函数离散神经网络的多稳定性 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 多平衡点的存在唯一性分析 |
| 2.4 多平衡点的局部稳定性或不稳定性分析 |
| 2.5 局部稳定平衡点的吸引域估计 |
| 2.6 数值实验 |
| 2.7 本章小结 |
| 3 带有不连续分段线性激活函数的四值神经网路的多稳定性 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 有界性和全局吸引性分析 |
| 3.4 多平衡点的存在唯一性分析 |
| 3.5 多平衡点的局部稳定性分析 |
| 3.6 多平衡点的不稳定性分析 |
| 3.7 局部稳定平衡点的吸引域估计 |
| 3.8 数值实验 |
| 3.9 本章小结 |
| 4 带有非饱和激活函数分数阶神经网络概周期解的多稳定性 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 全局MITTAG-LEFFLER稳定概周期解的存在性分析 |
| 4.4 概周期解的多稳定性分析 |
| 4.5 数值实验 |
| 4.6 本章小结 |
| 5 带有非连续激活函数模糊神经网络周期解的多稳定性 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 有界性和全局吸引性分析 |
| 5.4 函数类型A |
| 5.5 函数类型B |
| 5.6 数值实验 |
| 5.7 本章小结 |
| 6 随时间切换神经网路产生全局稳定周期解的脉冲控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 有界性和LAGRANGE稳定性分析 |
| 6.4 全局指数稳定周期解存在性分析 |
| 6.5 数值实验 |
| 6.6 本章小结 |
| 7 惯性反应扩散神经网路产生全局稳定周期解的脉冲控制 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 有界性和LAGRANGE稳定性分析 |
| 7.4 全局指数稳定周期解存在性分析 |
| 7.5 数值实验 |
| 7.6 本章小结 |
| 8 总结与展望 |
| 8.1 工作总结与创新成果 |
| 8.2 工作展望 |
| 参考文献 |
| 附录 |
| 附录A.预备知识 |
| 附录B.攻读博士学位期间参与的学术活动 |
| 附录C.学位论文数据集 |
| 致谢 |
（10）基于神经网络的自适应均衡器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容和研究目标 |
| 1.3.1 研究内容 |
| 1.3.2 设计指标 |
| 1.4 论文组织结构 |
| 第二章 自适应均衡,神经网络与集成学习理论 |
| 2.1 自适应均衡 |
| 2.2 神经网络 |
| 2.2.1 神经网络概述 |
| 2.2.2 神经网络的训练方法 |
| 2.2.3 神经网络自适应均衡器 |
| 2.3 集成学习理论 |
| 2.3.1 集成学习方法 |
| 2.3.2 Bagging方法 |
| 2.4 本章小结 |
| 第三章 神经网络自适应均衡器的改进型训练算法与结构分析 |
| 3.1 神经网络自适应均衡器训练算法 |
| 3.1.1 神经网络自适应均衡器训练算法分析 |
| 3.1.2 神经网络自适应均衡器训练算法的优化算法分析 |
| 3.2 神经网络自适应均衡器的改进型训练算法 |
| 3.3 神经网络自适应均衡器的结构分析 |
| 3.4 集成型神经网络自适应均衡器 |
| 3.5 本章小结 |
| 第四章 集成型判决反馈神经网络自适应均衡器的设计与模块仿真 |
| 4.1 集成型判决反馈神经网络自适应均衡器的设计 |
| 4.1.1 判决反馈神经网络自适应均衡器的结构设计 |
| 4.1.2 集成型判决反馈神经网络自适应均衡器结构设计 |
| 4.2 集成型判决反馈神经网络自适应均衡器的仿真实验 |
| 4.2.1 信道环境仿真 |
| 4.2.2 基于改进算法的判决反馈神经网络自适应均衡器的仿真实验 |
| 4.2.3 集成型判决反馈神经网络自适应均衡器的仿真实验 |
| 4.3 本章小结 |
| 第五章 集成型判决反馈神经网络自适应均衡器的逻辑设计与FPGA验证 |
| 5.1 集成型判决反馈神经网络自适应均衡器逻辑设计 |
| 5.1.1 双曲正切激活函数的逻辑设计 |
| 5.1.2 判决反馈神经网络的逻辑设计 |
| 5.2 集成型判决反馈神经网络的逻辑设计 |
| 5.3 集成型判决反馈神经网络自适应均衡器的FPGA验证 |
| 5.4 集成型判决反馈神经网络自适应均衡器的结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、一种新的复值递归神经网络训练方法及其应用（论文参考文献）
- [1]两类时滞不连续神经网络模型的同步性研究[D]. 史敏. 安徽理工大学, 2021(02)
- [2]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [3]多通道SAR地面运动目标检测与成像研究[D]. 穆慧琳. 哈尔滨工业大学, 2021(02)
- [4]基于深度学习的图像字幕生成研究[D]. 刘培. 四川大学, 2021(01)
- [5]面向非圆复数的自适应估计算法性能分析及其应用研究[D]. 张行. 东南大学, 2021(02)
- [6]关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究[D]. 陈鹏. 电子科技大学, 2020
- [7]几类高阶和忆阻神经网络的稳定性和同步研究[D]. 杨文贵. 东南大学, 2020(02)
- [8]基于神经网络的极化码译码器设计与分析[D]. 窦磊. 北京交通大学, 2020(03)
- [9]Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究[D]. 万鹏. 重庆大学, 2020
- [10]基于神经网络的自适应均衡器设计[D]. 黄子祺. 东南大学, 2019(06)