导读:本文包含了神经网络融合技术论文开题报告文献综述及选题提纲参考文献，主要关键词:多尺度卷积神经网络,超分辨率重建,质量评价,图像融合
神经网络融合技术论文文献综述
陈敏强[1]（2019）在《深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究》一文中研究指出图像超分辨率重建技术被广泛应用于遥感影像处理、医学成像、视频监控、交通违法监控等多个领域,具备较强的应用价值。对于图像超分辨率重建方法研究问题,发展趋势从基于插值、基于重构、基于学习的算法到近几年基于深度学习理论,基于深度学习超分辨率重建如SRCNN、FSRCNN、VDSR、DRCN等算法,在一定程度上能改善超分重建后图像的质量,但还存在一些不足之处,如卷积层数过少,无法充分学习低分辨率图像与高分辨率图像之间的细节特征。同时,传统卫星遥感影像在融合过程中,大多通过简单的插值法将多光谱影像放大到与全色影像相同的尺寸大小进行融合,融合关注的重点是全色波段的空间细节信息和低分辨率多光谱频谱信息的合并。因此,在插值过程中存在没有充分利用低分辨率的空间信息的情况。本文在前人研究的基础上,针对传统卫星遥感影像融合过程中存在信息丢失的问题和图像超分重建方法的不足之处,改进了基于多尺度卷积神经网络的超分辨率重建方法,在保留频谱信息的同时,增强了低分辨率多光谱影像的空间信息。其次,通过施密特正交变换对空间信息增强的多光谱和全色波段影像进行融合,得到一个具备较高空间分辨率、良好频谱的融合结果。最后通过定性定量质量评价指标对本文提出融合模型与四种经典常规融合算法进行对比,本文方法在主客观质量评价中取得了较好效果。本文主要研究内容如下:(1)综述图像超分辨率重建技术,国内外研究学者对超分辨率重建技术的原理、算法、研究意义进行概述,超分辨率重建技术中包括基于插值、基于重建和基于学习的算法,此外,阐述影像预处理步骤,图像融合的几种常用方法,引入图像质量评价指标对超分重建后图像质量进行评价。(2)结合深度学习中的卷积神经网络模型,卷积神经网络(CNN)结构和算法,介绍了一种将卷积神经网络和超分辨率重建技术结合在一起的卷积神经网络超分辨率重建方法(SRCNN)。其次,提出一种改进的多尺度卷积神经网络超分辨率重建算法,多尺度卷积神经网络能够自主学习高分辨率图像与低分辨率图像内在的逻辑特征。采用Set5、Set14、BSD100、Urban100数据集作为实验数据与测试数据,通过与重建效果较好的Bicubic、SRCNN、SelfEx、VDSR、DRCN方法进行定量和定性比较,客观指标选取峰值信噪比(PSNR)和结构相似度(SSIM)。选用缩放尺度因子为(×2、×3和×4)来验证本文改进方法的可靠性与有效性,实验结果表明本文改进方法性能优于传统重建方法。(3)将改进的多尺度卷积神经网络超分辨率重建方法(MSCNN)与GS融合方法结合组建融合模型。首先,通过改进的多尺度卷积神经网络超分辨率算法对多光谱影像进行超分重建,得到分辨率增强的影像。然后,通过施密特正交变换(GS)将空间信息增强的影像与全色影像进行融合得到一个高空间分辨率、高频谱分辨率的融合结果。同时,对比融合实验采用Brovey变换、Gram-Schmidt变换、NNDiffuse Pan Sharpening、PC Spectral锐化等方法,经主客观质量评价方法对融合结果进行对比,实验结果表明本文方法与GS融合组建的模型融合效果优于四种常用的方法。(本文来源于《东华理工大学》期刊2019-06-14）
雷震[2]（2019）在《全卷积神经网络与卡尔曼滤波融合车道线跟踪控制技术》一文中研究指出在智能控制与工业和科技深度融合发展的时代下,车辆的无人化控制系统已经成为现代车辆发展与生产中不可或缺的技术,不断提升社会生产效率和提高人们的出行体验。车道保持控制技术作为无人车控制最为基础与核心的模块之一,具有重要的研究价值与意义。本文采用深度学习方法进行车道识别检测,通过最小二乘法拟合检测到的车道曲线,结合卡尔曼滤波完成车道线的跟踪与定位,得到车辆在车道上的行驶轨迹,从而完成车道保持控制任务。主要研究内容有:1.采用全卷积神经网络算法来识别检测车道,首先研究了关于典型计算机视觉中识别车道线的边缘检测算法,并设计一种基于边缘检测法标定车道数据集的方法。然后完成数据集制作并训练全卷积神经网络模型,最后通过训练好的全卷积神经网络模型实现对车道的检测与识别。2.针对车道检测误检漏检问题,研究车道线跟踪定位,首先通过全卷积神经网络完成车道检测,得到车道的检测数据。然后通过逆透视变换得到对应的鸟瞰图,提取鸟瞰图上的左右车道像素点坐标,通过最小二乘法拟合车道线曲线方程,求解曲线方程系数。通过卡尔曼滤波器对每次拟合的曲线方程系数进行预测得到最优曲线方程,完成车道线跟踪,并根据左右两车道线方程求解出车道中心线曲线方程以及其曲线斜率,从而得到车辆行驶轨迹。3.为了验证车道保持控制的可行性,采用预测控制模型,将卡尔曼滤波器跟踪得到的车道中心线作为车道保持的控制行驶轨迹,求出行驶所需的偏航角并给定期望速度。构建mpc控制器仿真模型,验证并分析控制模型的可靠性。搭建实车测试平台,完成模型控制测试任务,并进行实车测试与分析。(本文来源于《重庆邮电大学》期刊2019-05-23）
杨涛[3]（2018）在《基于BP神经网络的变电站一次设备监测传感器数据融合技术研究》一文中研究指出针对目前变电站多传感器数据较难融合管理的缺陷,本文基于BP神经网络算法,结合多传感器数据融合技术,提出多传感器信息的BP神经网络融合算法,实现变电站一次设备在线监测传感器多数据融合管理。(本文来源于《科技风》期刊2018年34期）
刘海升[4]（2018）在《基于循环神经网络融合社交关系的位置预测技术研究》一文中研究指出随着基于位置服务的快速发展,位置信息作为一种潜在资源被大量累积。伴随着互联网快速的更新换代,社交网络已成为用户发布与交流信息的平台。社交网络和基于位置的服务的组合被称为基于位置的社交网络(Location-based social network,LBSN)。在基于位置的社交网络中,用户以签到的形式在社交网络上发布位置信息。社交网络随时随地的签到形式,有效缩小了用户虚拟世界和真实世界的距离,倍受用户的青睐。用户长期的签到行为在社交网络上留下了丰富的历史位置信息,通过收集用户历史签到信息并进行数据挖掘,可以发现用户的行为模式及用户位置的偏爱,进而为用户提供更优质的基于位置的服务,如智能交通,快速交友等。同时,在基于位置的实时广告系统中,通过预测用户的位置,商家可以决定为用户投放哪种广告。本文应用社交网络用户签到的历史数据对用户位置预测问题进行研究。主要研究成果如下:1.分析了用户基于时间的签到规律,举例说明了划分子轨迹的必要性,提出了基于POI(Point-of-Information)嵌入的子轨迹用户相似性度量方法。将社交网络用户的一次签到看作一个单词,将用户子轨迹的签到序列看作句子,通过神经网络模型训练,将POI嵌入表示,表征为实数值向量。进一步通过POI表征子轨迹,然后度量用户子轨迹的相似性。2.针对RNN和LSTM建模用户签到序列存在的问题,采用GRU建模用户签到序列,同时融合时间、地点和用户,提出STU-GRU位置预测模型。在模型嵌入层,改进了时间编码方案。考虑到社交关系对位置预测的影响,重新定义了社交关系,提出在STU-GRU模型的基础上融合社交关系的位置预测方法。同时考虑到用户新颖性探索的可能性,将下一位置看作二分类问题,把神经网络位置预测和融合社交关系的位置预测整合到统一模型中。最后通过实验进行验证,本文方法提高了位置预测精度。(本文来源于《重庆邮电大学》期刊2018-05-21）
蒋攀,单连平,刘义海[5]（2017）在《基于多特征多神经网络融合的目标识别技术》一文中研究指出针对决策级融合识别中各单源识别结果高度冲突或拒判时目标综合识别结果不够准确的问题,提出了一种基于目标融合特征和多神经网络融合的识别方法,该方法首先应用遗传算法融合目标的多种特征,其次使用装袋方法独立地构建多个神经网络,并提出蒙特卡洛随机融合法融合多神经网络的识别结果,实验结果表明该方法能够通过两级融合提升目标识别的准确率和稳定性。(本文来源于《指挥控制与仿真》期刊2017年06期）
杜健[6]（2017）在《融合统计机器翻译特征的蒙汉神经网络机器翻译技术》一文中研究指出随着机器翻译的发展,统计机器翻译已经进入瓶颈期很难有所提高,因此研究人员逐步将研究目光投向神经网络机器翻译方向。神经网络机器翻译也在大规模语料上取得了很好的翻译效果,而对小规模语料的神经网络机器翻译研究甚少。但是作为新的机器翻译方法它也存在一些限制:(1)神经网络机器翻译为了降低训练的复杂度通常会将词典的大小限制到一个特定的范围内,从而导致严重的未登录词问题,这个问题严重影响了翻译效果;(2)神经网络机器翻译的解码缺乏保证源语言词都被翻译的机制从而倾向于短的翻译结果;(3)神经网络机器翻译不能很好的利用语言模型。基于以上原因,本文在小规模的蒙汉平行语料上实现了神经网络机器翻译,并提出通过统计机器翻译中的特征来缓解神经网络机器翻译中的问题。首先本文搭建了基于注意力的蒙汉神经网络机器翻译系统;其次,本文提取了统计机器翻译特征:翻译模型,词反馈信息以及语言模型,并定义了其特征函数;第叁,本文通过蒙汉平行语料利用GIZA++建立了蒙汉对齐词典,利用IRSTLM对汉文建立了语言模型;第四,本文将已经建立的蒙汉对齐词典、语言模型以及词反馈信息通过对数线性模型融入到基于注意力的神经网络机器翻译的解码中从而处理神经网络机器翻译中的限制;最后,本文针对神经网络机器翻译中的未登录词问题提出了在翻译过程中处理和翻译后处理的两种处理方法,大幅度减少了神经网络机器翻译中的未登录词。实验结果表明,通过融合统计机器翻译特征的蒙汉神经网络机器翻译明显地提升了翻译质量,BLEU值提高至30.66,句子长度由16.7个词提升至19.1个词,并处理掉了神经网络机器翻译中86%的未登录词。(本文来源于《内蒙古大学》期刊2017-06-12）
钟金英[7]（2017）在《卷积神经网络图像超分辨率在图像融合技术中的应用研究》一文中研究指出图像融合技术是将多个图像传感器对同一场景成像的多幅图像互补信息进行融合得到一幅新图像。该新图像信息更加全面,可信度更高,更适合后续图像处理分析。随着传感器技术的发展,图像融合技术已广泛应用于军事、遥感、医学等领域。但受图像传感器及信息传输系统限制,获得的源图像分辨率较低。在此情况下,仅仅依靠融合技术,难以得到满意的融合效果。因此,结合卷积神经网络图像超分辨率最新进展,研究能有效提升融合图像质量的融合方法具有重要理论指导意义和实用价值。本文的主要工作包括:1、提出基于卷积神经网络超分辨率处理的遥感图像融合算法,将卷积神经网络用于遥感图像处理。利用超分辨率卷积神经网络对低分辨率的多光谱图像进行特征提取,挖掘多光谱图像出潜在的细节信息,使之能够充分利用本身的空间细节信息去增强其分辨率;然后再通过施密特正交变换对全色图像和分辨率增强的多光谱图像进行融合,使融合后的遥感图像更准确可靠。2、在Windows环境下成功搭建深度学习Caffe框架,在此框架下,训练了一个基于卷积神经网络的频域超分辨率处理模型。该模型以低分辨率高频分量作为输入,在输出端可获得高分辨率的高频分量。网络在低分辨率高频分量与高分辨率高频分量之间建立了端对端映射,充分体现了图像的多分辨率特性。3、在训练好的频域超分辨率模型的基础上,提出了基于多尺度卷积神经网络的图像融合算法。该算法可将超分辨率处理与图像融合有机结合起来。大致过程如下,首先将源图像均进行非抽样小波变换得到高频细节分量与低频亮度分量;再把高频分量通过频域超分辨率模型进行超分辨率处理,实现细节信息增强;然后对分辨率增强的高频分量和低频分量采用不同的规则进行融合;最终对融合后的高低频分量进行非抽样小波逆变换,获得高分辨率的融合图像。(本文来源于《南华大学》期刊2017-05-01）
马红雷[8]（2017）在《基于HHT变换与RBF神经网络相融合的异步电动机故障诊断技术研究》一文中研究指出本文提出了一种基于HHT变换和RBF神经网络算法的叁相异步电动机故障诊断技术。试验和仿真结果表明:使用HHT变换和RBF神经网络算法相融合诊断电动机,故障正确率更高,为叁相异步电动机早期故障诊断提供了一种更有效的新方法,对电动机状态维护具有积极意义,很有使用价值和推广意义。(本文来源于《现代制造技术与装备》期刊2017年04期）
林凡杰[9]（2017）在《融合多项式与神经网络的RoF系统数字预失真技术研究》一文中研究指出光载无线(Radio-over-Fiber,RoF)是一种能够解决大传输速率与支持用户可移动性的传输技术。RoF技术由于其具有灵活性好、带宽利用率高和性价比较好的特点,被认为是未来光纤无线接入技术的一项重要选择。而在RoF系统中,由于光副载波调制,RoF系统很容易产生非线性失真,造成相邻信道间的干扰,特别是光调制器以及功率放大器产生的非线性信号是主要的失真来源。而预失真技术具有低成本、易实现的特点被广泛应用在对非线性系统的线性化中。本文主要利用数字预失真技术来处理RoF系统中存在的非线性失真问题。本文的主要研究内容包括:本文对RoF系统的构成及其主要器件的非线性特性、记忆效应的产生以及预失真技术进行了全面的研究。对数字预失真技术中使用的查找表法、Volterra级数模型以及神经网络模型进行了分析和比较。其次,在理论分析的基础上搭建RoF实验平台,将基于径向基函数神经网络模型应用在RoF系统的非线性建模以及线性化中。该模型与前向神经网络模型相比,训练时间大大降低,但是它在精确描述RoF系统的非线性特性的同时,计算复杂度很高。为了达到线性化效果与计算复杂度折中的目的,本文提出一种结合记忆多项式和径向基函数神经网络模型的数字预失真技术。该模型使用记忆多项式模型来补偿RoF系统的非线性,之后经过径向基函数神经网络模型来补偿记忆效应。文中使用双载波LTE信号对RoF系统进行线性化实验。实验结果表明新模型对比记忆多项式和径向基函数神经网络等模型在抑制带外频谱再生以及对叁阶交调失真的抑制上均有很好的改善,该模型对RoF系统ACPR的平均改善为13dB,对IMD3的平均改善为17dB,有效地提高了对RoF系统线性化的能力。(本文来源于《云南大学》期刊2017-03-01）
夏翔,徐凯宏[10]（2016）在《基于PSO-RBF的神经网络在猪舍多传感器数据融合技术中的应用》一文中研究指出为了对猪舍中各猪群的环境参数形成一个准确、合理的判断,试验将PSO算法的全局优化能力和RBF神经网络良好的非线性映射能力相结合,优化RBF神经网络的权值和阈值,采用基于PSO的RBF网络数据融合算法,对猪舍多传感器(温湿度传感器、光照度传感器和气体传感器)检测到的数据进行融合。结果表明:基于PSO-RBF算法的数据融合能够准确获得猪舍全面的各环境参数,提高了对多个猪群进行控制的有效性与准确性。(本文来源于《黑龙江畜牧兽医》期刊2016年15期）
神经网络融合技术论文开题报告
（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：
在智能控制与工业和科技深度融合发展的时代下,车辆的无人化控制系统已经成为现代车辆发展与生产中不可或缺的技术,不断提升社会生产效率和提高人们的出行体验。车道保持控制技术作为无人车控制最为基础与核心的模块之一,具有重要的研究价值与意义。本文采用深度学习方法进行车道识别检测,通过最小二乘法拟合检测到的车道曲线,结合卡尔曼滤波完成车道线的跟踪与定位,得到车辆在车道上的行驶轨迹,从而完成车道保持控制任务。主要研究内容有:1.采用全卷积神经网络算法来识别检测车道,首先研究了关于典型计算机视觉中识别车道线的边缘检测算法,并设计一种基于边缘检测法标定车道数据集的方法。然后完成数据集制作并训练全卷积神经网络模型,最后通过训练好的全卷积神经网络模型实现对车道的检测与识别。2.针对车道检测误检漏检问题,研究车道线跟踪定位,首先通过全卷积神经网络完成车道检测,得到车道的检测数据。然后通过逆透视变换得到对应的鸟瞰图,提取鸟瞰图上的左右车道像素点坐标,通过最小二乘法拟合车道线曲线方程,求解曲线方程系数。通过卡尔曼滤波器对每次拟合的曲线方程系数进行预测得到最优曲线方程,完成车道线跟踪,并根据左右两车道线方程求解出车道中心线曲线方程以及其曲线斜率,从而得到车辆行驶轨迹。3.为了验证车道保持控制的可行性,采用预测控制模型,将卡尔曼滤波器跟踪得到的车道中心线作为车道保持的控制行驶轨迹,求出行驶所需的偏航角并给定期望速度。构建mpc控制器仿真模型,验证并分析控制模型的可靠性。搭建实车测试平台,完成模型控制测试任务,并进行实车测试与分析。
（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。
神经网络融合技术论文参考文献
[1].陈敏强.深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究[D].东华理工大学.2019
[2].雷震.全卷积神经网络与卡尔曼滤波融合车道线跟踪控制技术[D].重庆邮电大学.2019
[3].杨涛.基于BP神经网络的变电站一次设备监测传感器数据融合技术研究[J].科技风.2018
[4].刘海升.基于循环神经网络融合社交关系的位置预测技术研究[D].重庆邮电大学.2018
[5].蒋攀,单连平,刘义海.基于多特征多神经网络融合的目标识别技术[J].指挥控制与仿真.2017
[6].杜健.融合统计机器翻译特征的蒙汉神经网络机器翻译技术[D].内蒙古大学.2017
[7].钟金英.卷积神经网络图像超分辨率在图像融合技术中的应用研究[D].南华大学.2017
[8].马红雷.基于HHT变换与RBF神经网络相融合的异步电动机故障诊断技术研究[J].现代制造技术与装备.2017
[9].林凡杰.融合多项式与神经网络的RoF系统数字预失真技术研究[D].云南大学.2017
[10].夏翔,徐凯宏.基于PSO-RBF的神经网络在猪舍多传感器数据融合技术中的应用[J].黑龙江畜牧兽医.2016