导读:本文包含了过拟合论文开题报告文献综述及选题提纲参考文献，主要关键词:深度神经网络,过拟合,神经元,机器学习
过拟合论文文献综述
张云,李岚,王浩东[1]（2019）在《一种机器学习中防止过拟合的Dropout优化算法》一文中研究指出针对机器学习中深度神经网络训练时常见的过拟合问题,提出了一种防止过拟合的Dropout优化算法.Dropout算法是在每批次的神经网络训练中,忽略掉一定概率的特征检测器,让某些神经元暂时停止工作,减少神经元之间的相互作用,隐式去除网络中的神经元、阻止某些特征的协同作用来缓解过拟合.算法中选择被暂时丢弃的神经元是随机概率,而优化算法在神经网络中应用伊辛模型来识别链接能量较低的神经元,并在训练和推理中把这些神经元暂时丢弃掉,算法使模型泛化性更强,有效缓解网络训练过拟合问题.(本文来源于《兰州文理学院学报(自然科学版)》期刊2019年06期）
张文冬,亓慧,刘克宇,杨习贝[2]（2019）在《基于粗糙集特征选择的过拟合现象及应对策略》一文中研究指出在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。(本文来源于《南京航空航天大学学报》期刊2019年05期）
谢璐阳,夏兆君,朱少华,张代庆,赵奉奎[3]（2019）在《基于卷积神经网络的图像识别过拟合问题分析与研究》一文中研究指出近年来深度学习在很多领域发挥着重要作用,但是在训练过程中存在模型过拟合的问题。针对该问题,本文对Kaggle竞赛中典型的猫狗识别任务建立了卷积神经网络,并分析研究了多种抑制过拟合的方法,包括添加L2正则项、dropout处理、数据增强及多种方法综合使用的综合法,分别分析不同方法在训练集和验证集上的训练精度和损失,发现数据增强法优于其他两种方法,且综合法能够消除过拟合。研究结果对卷积神经网络的配置具有重要的参考价值。(本文来源于《软件工程》期刊2019年10期）
任义丽,罗路[4]（2019）在《卷积神经网络过拟合问题研究》一文中研究指出在卷积神经网络建模过程中,由于样本量不足,模型往往容易出现过拟合现象。这极大地降低了模型的预测准确率。论文通过研究过拟合解决策略,将过拟合解决方法加入到卷积神经网络中,解决了牙形石自动化鉴定过程中的过拟合问题。实验结果表明,优化后的模型鉴定准确率较高,有助于提高牙形石地质研究工作的自动化、智能化水平。(本文来源于《信息系统工程》期刊2019年05期）
刘丹枫,刘建霞[5]（2018）在《面向深度学习过拟合问题的神经网络模型》一文中研究指出针对机器学习算法中的过拟合问题,提出一种基于支持向量数据描述的深度学习神经网络模型.在高效利用深度学习的表达能力的基础上,通过在分类中获取最大间隔的方式,解决不可见数据模型的精度较差的问题,具有非常好的泛化性能.仿真结果表明,提出的模型可以学习多类数据,同时大幅度降低过拟合.(本文来源于《湘潭大学自然科学学报》期刊2018年02期）
陶砾,杨朔,杨威[6]（2018）在《深度学习的模型搭建及过拟合问题的研究》一文中研究指出深度学习是机器学习研究中的一个新的领域,它模仿人脑的机制来解释数据,例如图像,声音和文本。文章介绍了一种多层感知器结构的深度学习神经网络模型,并推导了其实现的算法。用数字识别实验验证了该模型及其算法的可靠性;验证了过拟合的发生与训练集的大小以及神经网络的复杂度之间的重要关系。过拟合问题的研究对降低误差有重要的意义。(本文来源于《计算机时代》期刊2018年02期）
梁逸曾,邓百川,云永欢,许青松[7]（2014）在《化学建模中的过拟合与交叉效验》一文中研究指出随着新型分析仪器的不断涌现,其中特别是一些无损快速在线分析仪器,如近红外、拉曼光谱、现场质谱等,可直接对复杂化学样本进行化学特征量测,化学建模与过程分析技术(PAT)在分析化学中的作用也越来越重要。交叉效验是目前进行化学建模时防止模型过拟合的主要工具,然而,由于交叉效验本身存在有过优估计模型的缺点,即亦包含有"过拟合"风险,近年来,对留一法交叉效验的改善一直是化学计量学和统计学中备受关注的一个问题,由此提出了蒙特卡洛交叉效验和双重交叉效验的方法[1,2]。本文采用模型集群分析(model popultion anlysis)的方法[3],对由不同样本所求得的不同模型来进行方差分析,就可求出此时所得模型β的方差,如采用该指标并结合交叉效验的所得结果,来作为判定所得近红外数据的化学模型指标,即可发现,此时我们希望找到的最佳模型的确落入了模型偏对模型方差(bias/variance tradeoff)的最低点,从而防止了模型的过拟合。(本文来源于《中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学》期刊2014-08-04）
陈大伟,闫昭,刘昊岩[8]（2014）在《SVD系列算法在评分预测中的过拟合现象》一文中研究指出主要对协同过滤推荐算法进行改进,以使训练评分模型的过程能够预防过拟合现象的发生。对SVD系列算法在评分预测问题中产生的过拟合现象进行相关实验与研究,提出通过调整算法参数与迭代次数来避免过拟合现象发生的方法。实验结果表明,该方法能够以较高的时间效率找到评分预测结果较好的结果,并可有效地避免过拟合现象的发生。(本文来源于《山东大学学报(工学版)》期刊2014年03期）
居雷,朱仲良,陈磊,余苓[9]（2013）在《模式识别在烟草化学中的过拟合现象研究》一文中研究指出烟草化学建模过程中,化学成分间的多重共线性是常见的问题,使用偏最小二乘判别分析可以有效克服这一问题,但是模型容易出现过拟合的现象,即模型的构建效果好,但是预报能力差。本文选取湖南烟区3个种植大区,即湘南、湘中、湘西北种植的53种不同烟叶,使用偏最小二乘判别分析建立了烟叶主要化学指标与地区大类之间的模型,但是由于变量过多以及噪声的干扰,模型的预报精度差,偏最小二乘判别分析方法出现了过拟合现象,模型的稳健性受到破坏。本文采用了多种模式识别的方法,逐步筛选变量,准确提取出特征变量9个,对产地变量有更好的解释能力,并能够有效地在模型预测的过程中避免变量间的多重共线性以及仪器检测的噪声干扰,建立了有效的烟叶一产地识别模型。模型预报的准确率由未筛选变量之前的75%提高到87.5%,模型的稳健性得到很大提高,改善了模型的过拟合现象。(本文来源于《计算机与应用化学》期刊2013年05期）
方敏,牛文科,张晓松[10]（2012）在《分类回归树多吸引子细胞自动机分类方法及过拟合研究》一文中研究指出基于多吸引子细胞自动机的分类方法多是二分类算法,难以克服过度拟合问题,在生成多吸引子细胞自动机时如何有效地处理多分类及过度拟合问题还缺乏可行的方法.从细胞空间角度对模式空间进行分割是一种均匀分割,难以适应空间非均匀分割的需要.将CART算法同多吸引子细胞自动机相结合构造树型结构的分类器,以解决空间的非均匀分割及过度拟合问题,并基于粒子群优化方法提出树节点的最优多吸引子细胞自动机特征矩阵的构造方法.基于该方法构造的多吸引子细胞自动机分类器能够以较少的伪穷举域比特数获得好的分类性能,减少了分类器中的空盆数量,在保证分类正确率的同时改善了过拟合问题,缩短了分类时间.实验分析证明了所提出方法的可行性和有效性.(本文来源于《计算机研究与发展》期刊2012年08期）
过拟合论文开题报告
（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：
在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。
（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。
过拟合论文参考文献
[1].张云,李岚,王浩东.一种机器学习中防止过拟合的Dropout优化算法[J].兰州文理学院学报(自然科学版).2019
[2].张文冬,亓慧,刘克宇,杨习贝.基于粗糙集特征选择的过拟合现象及应对策略[J].南京航空航天大学学报.2019
[3].谢璐阳,夏兆君,朱少华,张代庆,赵奉奎.基于卷积神经网络的图像识别过拟合问题分析与研究[J].软件工程.2019
[4].任义丽,罗路.卷积神经网络过拟合问题研究[J].信息系统工程.2019
[5].刘丹枫,刘建霞.面向深度学习过拟合问题的神经网络模型[J].湘潭大学自然科学学报.2018
[6].陶砾,杨朔,杨威.深度学习的模型搭建及过拟合问题的研究[J].计算机时代.2018
[7].梁逸曾,邓百川,云永欢,许青松.化学建模中的过拟合与交叉效验[C].中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学.2014
[8].陈大伟,闫昭,刘昊岩.SVD系列算法在评分预测中的过拟合现象[J].山东大学学报(工学版).2014
[9].居雷,朱仲良,陈磊,余苓.模式识别在烟草化学中的过拟合现象研究[J].计算机与应用化学.2013
[10].方敏,牛文科,张晓松.分类回归树多吸引子细胞自动机分类方法及过拟合研究[J].计算机研究与发展.2012