导读:本文包含了最小分类误差准则论文开题报告文献综述及选题提纲参考文献,主要关键词:深度学习,卷积神经网络,交叉熵,最小分类误差准则
最小分类误差准则论文文献综述
郑宗生,侯倩,邹国良,卢奇[1](2019)在《基于改进最小分类误差准则算法的深度学习研究——以台风卫星云图为例》一文中研究指出针对传统基于最小分类误差准则(MCE)建立的目标函数存在样本错分类时网络出现的梯度反向问题,引入最小分类误差准则,定义带修正项的FMCE目标函数。以较高精度的交叉熵作为基函数,将FMCE作为修正函数,提出改进交叉熵目标函数CE-FMCE,使得网络在反向传播过程中提升标签类输出的概率。CE-FMCE不仅克服了传统MCE目标函数的梯度反向问题,还弥补了交叉熵函数对非标签集梯度不作区分处理的不足。分别在自建台风云图数据集和通用数据集MNIST上对CE-FMCE和MSE、交叉熵、MCE、M~3CE进行对比实验,实验结果表明CE-FMCE优于其他目标函数。(本文来源于《计算机应用研究》期刊2019年10期)
李琳,徐文皓,洪青阳,童峰,吴谨准[2](2016)在《基于最小分类误差准则的呼吸音分类技术》一文中研究指出从大量呼吸音样本中归纳综合出肺部病理特征的科学表示,实现自动化、定量化的呼吸音分类,是现代医疗信息化技术的重要研究内容之一.提出了一种基于最小分类误差(minimum classification error,MCE)准则的呼吸音分类方法,建立呼吸音类别的分类误差损失函数,采用广义概率下降法(generalized probabilistic decent,GPD)估计得到呼吸音的隐马尔科夫模型(hidden Markov model,HMM)参数,以增强不同类型呼吸音模型的区分能力.实验结果表明,与传统的最大似然(maximum likelihood,ML)法相比,基于MCE准则求解的HMM模型,具有更好的分类效果,提高了识别准确率,客观证明了基于MCE准则的呼吸音分类技术的有效性.(本文来源于《厦门大学学报(自然科学版)》期刊2016年06期)
最小分类误差准则论文开题报告
(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:
从大量呼吸音样本中归纳综合出肺部病理特征的科学表示,实现自动化、定量化的呼吸音分类,是现代医疗信息化技术的重要研究内容之一.提出了一种基于最小分类误差(minimum classification error,MCE)准则的呼吸音分类方法,建立呼吸音类别的分类误差损失函数,采用广义概率下降法(generalized probabilistic decent,GPD)估计得到呼吸音的隐马尔科夫模型(hidden Markov model,HMM)参数,以增强不同类型呼吸音模型的区分能力.实验结果表明,与传统的最大似然(maximum likelihood,ML)法相比,基于MCE准则求解的HMM模型,具有更好的分类效果,提高了识别准确率,客观证明了基于MCE准则的呼吸音分类技术的有效性.
(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。
最小分类误差准则论文参考文献
[1].郑宗生,侯倩,邹国良,卢奇.基于改进最小分类误差准则算法的深度学习研究——以台风卫星云图为例[J].计算机应用研究.2019
[2].李琳,徐文皓,洪青阳,童峰,吴谨准.基于最小分类误差准则的呼吸音分类技术[J].厦门大学学报(自然科学版).2016