一、BP神经网络算法在数字识别中的应用(论文文献综述)
章静[1](2021)在《基于测井曲线的岩层物性预测方法研究》文中认为测井解释的核心就是确定测井信息与地质信息之间的关系,快速准确地识别岩性、划分地层在储层的基础研究方面有重要的借鉴意义,而高效准确获取储层的孔隙度是油气等资源勘探中的重要一环。由于传统的测井曲线识别效率慢,精度低等缺点不利于实际工程的应用,因此构建一种计算速度快,精度高的测井曲线模型意义重大。本论文以淮北朱仙庄矿的砂泥质岩层为研究对象。首先,根据研究区的具体地质情况对采集的测井数据进行预处理,利用测井曲线响应特征完成了研究区的地层划分对比工作;其次,结合研究区已有的测井资料,建立研究区目的层段的测井曲线响应模型和孔隙度、渗透率计算模型,实现对研究区岩性的初步识别和孔隙度、渗透率的初步计算;再次,构建了 BA-BP神经网络预测模型,实现对岩性和孔隙度的进一步优化计算;最后,对上述研究结果进行对比分析,研究结果表明:在研究区17-2井和17-5井的常规测井曲线解释评价中,对孔隙度的预测精度相差较大,17-2井的常规测井方法计算孔隙度平均误差为13.92%,17-5井的常规测井方法计算孔隙度平均误差为42.31%;而采用构建的BA-BP神经网络模型对两口井的岩性进行识别和孔隙度预测,精度较高,平均误差均低于3%,在该研究区内,BA-BP神经网络算法的精度更高、适用性更广。由此可知,在该研究区内BA-BP神经网络算法在处理非线性关系的问题上相较传统测井方法精度要高,预测效果更好,对储层孔隙度的准确预测也可以为油气资源的勘探开发提供借鉴作用。图[36]表[16]参考文献[109]
张子威[2](2021)在《基于深度学习的通信信号调制识别研究》文中研究指明通信信号调制识别是指在诸多相关参数未知的条件下,对信号进行研究分析,从而确定通信信号调制方式的技术。随着通信技术的不断发展,调制识别被广泛应用于频谱检测、电子对抗等民用和军用领域中。在电磁环境日益复杂的情况下,提升低信噪比时的调制识别性能是该领域的研究热点。目前,深度学习算法凭借其优秀的表征和分类能力,在信号处理技术中取得了众多突破性进展。本文基于深度学习算法对信号特征进行提取与处理,构建了一种CG(CNN-GRU)联合网络的调制识别算法,主要研究内容如下:针对调制识别在实际运用中实时性要求高、数据集批量较小的问题,本文采用处理小规模数据速度更快的GRU网络作为基础模型,并对GRU进行优化设计,同时对数据集进行了简化和增强的处理,进一步提升了调制信号识别的效率。针对信号提取的特征随信噪比的降低会发生严重畸变,从而导致识别效果降低的问题,本文从优化数据集的角度出发,将信噪比估计特征纳入数据集中从而完成调制信号的识别。结果表明,将信噪比估计纳入特征,提升了调制信号的识别性能。针对传统调制识别算法在低信噪比时识别率不够理想的问题,本文从优化分类器的角度出发,根据CNN与GRU网络的识别特点,提出了一种CG联合网络的调制识别算法,并与CNN算法、GRU的算法、决策树算法、SVM算法和BP网络算法进行了对比。结果表明,本文提出算法有效的提升了低信噪比时识别性能。该论文有图35幅,表3个,参考文献50篇。
续婷[3](2021)在《基于群智能算法与机器学习的预测与分类研究》文中研究说明随着现代科技的飞速发展,人工智能已被广泛应用于人们生活中的方方面面。作为人工智能核心技术的机器学习在各个领域都迎来了新的挑战,如何提高机器学习在新环境新问题中对数据的分析与应用效率,已经成为了全球学者关注的热点问题。本文主要对海鸥优化算法(Seagull Optimization Algorithm,SOA)、粒子群优化算法(Particle Swarm Optimization,PSO)等群智能优化算法与支持向量回归(Support Vector Regression,SVR)、支持向量机(Support Vector Machine,SVM)分类、极限学习机(Extreme Learning Machine,ELM)等机器学习方法进行研究,并将这些方法成功应用于空气质量预测、激光超声缺陷检测以及混凝土砖图像识别等问题中。本文主要成果包括:(1)针对COVID-19的一些防治措施对空气质量的影响,首先,使用数值统计方法与灰色关联度分析(Grey Relational Analysis,GRA)方法对包含COVID-19爆发期在内的四个相关时段内的空气质量与六种主要污染浓度做了评价和分析。其次,基于SOA算法只考虑全局最优影响而忽略个体最优影响等特点,提出了改进的SOA算法,并与SVM模型相结合,建立了混合预测模型ISOA-SVR。最后,利用所提出的ISOA-SVR方法对空气质量指数(Air Quality Index,AQI)进行预测。在两种不同数据上的实验结果表明,提出的ISOA-SVR方法与其它模型相比,具有更好的预测性能、泛化能力和鲁棒性。(2)针对激光超声缺陷检测中信号的高维数以及所获取数据的少样本等问题,建立了基于稀疏表示的信号特征提取模型。提出了基于TDIW惯性权重策略的TPSO算法。同时通过引入非线性收缩因子和更多的随机变量,进一步提出了IPSO算法,提升了算法的寻优性能,有效避免了算法陷入局部极小值的问题。建立了TPSO-SVM和IPSO-SVM分类模型,并将其应用于激光超声缺陷信号的检测识别中。通过与其它分类模型的比较,验证了所提模型具有更优越的分类检测性能。(3)针对混凝土砖图像的分类与识别问题,首先,提出了RGB空间平均像素与HSV空间平均灰色共生矩阵(Gray Level Co-Occurrence Matrix,GLCM)特征相融合的图像特征提取方法,并将提取到的融合特征分别输入到SVM分类模型、BPNN、ELM模型中实现了混凝土砖图像的自动分类识别。通过实验结果对比,SVM方法在混凝土砖图像自动分类识别中获得了较高的识别准确率。其次,提出了基于ISOA算法的混合分类模型ISOA-SVM,利用ISOA算法优化了SVM的模型参数,通过在两个不同混凝土砖图像样本集上的实验结果表明,与SOA-SVM、PSO-SVM、IPSO-SVM、SCA-SVM、WOA-SVM、DE-SVM以及SVM等分类方法相比,提出的ISOA-SVM方法具有更好的分类识别准确率。最后,建立了基于Bagging算法的ELM集成分类模型,通过在两个不同混凝土砖样本集上的实验结果表明,提出的ELM集成模型有效的提高了单一ELM模型在混凝土砖图像分类识别上的识别精度。本文研究的几类群智能算法和机器学习方法的改进,极大提升了原有算法的性能,同时在空气质量问题、激光超声缺陷检测问题以及混凝土砖图像分类与识别问题中得到了成功的应用,具有一定的实用价值。
陶伊平[4](2020)在《基于LNN神经网络和XGBoost算法的索结构多参数识别》文中认为索支承体系桥梁是现阶段大跨度桥梁中的主要结构形式,而拉索则是索支承体系桥梁中至关重要的受力和传力构件。因此,准确地识别拉索索力等参数在桥梁的施工控制和安全运营中具有重要意义。本文基于索力测试中最常用的频率法理论,分析了拉索索力、抗弯刚度等参数和自振频率之间的复杂规律,提出了使用 LNN(Legendre Neural Network,勒让德神经网络)和 XGBoost(eXtreme Gradient Boosting,极端梯度提升)算法来进行基于频率法的拉索多参数识别研究,并通过试验验证了上述两种方法的精度和可行性。本文的主要工作如下:(1)推导了不同边界条件下,拉索索力、抗弯刚度等参数和自振频率的关系式,对于部分特殊边界条件下拉索的超越方程,构建了 LNN神经网络进行方程的求解。对于复杂边界条件下的拉索,引入弹性边界的概念,假定拉索两端支座存在转动约束刚度,推导了考虑弹性边界的拉索振动微分方程,并构建了 LNN神经网络基于该方程在已知拉索前三阶频率的情况下求解其索力、抗弯刚度和两端支座转动约束刚度。(2)对于拉索各项参数关系不能完全满足拉索振动微分方程的情况,采用XGBoost算法进行拉索多参数识别研究。采用由有限元软件基于实际拉索数据构建的几千组模拟拉索样本来训练XGBoost算法,并通过预测由有限元软件构建的测试集样本,证明了该算法的参数识别精度在95%以上,满足实际工程要求。同时,引入目前机器学习中使用较多的BP神经网络、极限学习机和贝叶斯方法利用同样的训练集和测试集进行拉索参数识别,验证了 XGBoost算法相较于上述三种方法的优越性。(3)设计了拉索缩尺模型试验,获得了不同索长和张拉力下实体拉索的前三阶频率,分别采用LNN神经网络和XGBoost算法根据试验拉索前三阶频率和索长进行索力、抗弯刚度等参数的识别,最终证明了上述两种方法在未知边界条件的拉索参数识别中的可行性和精度。(4)基于参考文献中杭州某桥吊杆、宁波某桥吊杆和贵州某桥吊杆的工程实测数据,在已知边界条件为两端固接的情况下,分别采用LNN神经网络和XGBoost算法根据吊杆前两阶频率和索长进行索力和抗弯刚度的识别,最终证明了上述两种方法在两端固接吊杆参数识别中的可行性和精度。
董炯威[5](2020)在《基于多特征融合的图像复杂度评价及应用》文中提出图像复杂度的评价方法被广泛的应用于目标识别、信息安全、图像压缩、认知心理学等领域。研究图像复杂度的评价不仅有利于进一步了解人类视觉的认知过程,同时能够促进其他相关科学领域的发展。本文对图像复杂度的评价及应用开展如下工作:将多种信息熵特征引入图像复杂度评价中,提出了一种将纹理特征、颜色特征和多种信息熵特征融合的BP神经网络图像复杂度评价方案。首先建立图像数据库,然后对图像进行多特征提取,并且针对这些特征量存在冗余的问题,给出了一种与分类结果相对应的相关系数降维方法,将选择后的特征量输入BP神经网络中进行训练测试。实验结果显示,本文得到的复杂度评价方法不仅符合人眼视觉,而且评价结果要优于现有的复杂度评价方法。针对BP神经网络优化算法中存在的非凸优化问题,给出了一种改进的基于遗传算法的BP经网络图像复杂度评价方法,提出可以在遗传算法评估的不同阶段使用不同规格的神经网络训练模型以应对不同场景下的评估需求,保证算法有效性的前提下克服了算法复杂度过高的问题。将该算法代入图像复杂度评价实验中进行测试,实验结果显示,随着迭代的进行图像复杂度评价性能得到大幅提升。最后,将多特征融合的GA-BP神经网络图像复杂度评价算法方法应用到煤矸石检测中,取得了较好的效果。
徐亮[6](2020)在《复杂光照条件下含拖影仪表字符识别方法》文中指出电子仪表在定期检测中需要通过摄像头采集电压变化时的仪表图像并识别,然而,自然条件下的光照不均和仪表字符刷新过程中产生的拖影导致仪表字符识别困难,迫切需要一套可以用于复杂光照条件下含拖影仪表字符识别方法。本文围绕刷新过程出现重影的数字仪表,系统的研究了复杂光照条件下含拖影仪表字符图像预处理、二值化、字符识别的方法。针对现有方法无法去除图像中的拖影和光照不均的影响,研究了一种复杂光照条件下含拖影仪表字符识别方法。研究了光照不均图像增强算法,通过对图像光照分量的估计,再通过主成分分析(Principal Component Analysis,PCA)计算出融合权重进行多尺度融合,并在算法中加入上采样和下采样来减少算法的计算量,实现图像的快速增强。提出的算法能够有效地降低光照对于含拖影仪表字符二值化的影响,提高了图像的整体亮度和对比度,增强后图像清晰、明亮和自然,其信息熵、平均梯度、对比度和自然图像质量评价度量等客观定量指标优于实验中其他算法。结合提出的光照不均图像增强算法,提出了一种针对光照不均程度低的含拖影仪表字符二值化算法,该算法先通过图像增强算法克服轻微光照不均影响,再以灰度图的灰度级分布统计量作为BP神经网络输入,理想全局阈值作为网络的输出进行训练和阈值预测,实现光照不均程度低的含拖影仪表字符二值化。所提算法硬件要求低,速度快,二值化效果好,可以有效克服轻微光照不均和拖影的影响。针对光照不均程度高的含拖影仪表字符二值化问题,提出了一种基于深度学习的卷积神经网络框架。该网络使用的数据集为真实环境下的仪表图像,其基本思想是对输入的图像先进行降维提取特征,然后反卷积重建图像前景,最后输出二值图。将设计的网络与传统的二值化方法对比,实验结果表明,经该网络输出的二值图数字清晰且无拖影,能够高效实现光照不均程度高的含拖影仪表图像二值化。针对分割后的传统仪表字符识别需要先提取特征再使用分类器识别,效率低,本文在LeNet-5卷积神经网络的基础上进行了四个方面改进,将Sigmoid激活函数替换为ReLU函数,将平均池化替换为最大池化,将C3卷积层的不全连接方式更改为全连接方式,采用RMSpro优化算法更新权重和偏置。实验结果表明提出的改进LeNet-5网络可以自动提取特征并识别,识别率高,识别速度快,识别率达到99.04%,满足仪表字符快速识别的要求,优于实验中的其他算法。
汪敦志[7](2020)在《基于PCA与流形学习的图像识别研究》文中认为图像识别技术有着很大的应用前景,手写数字识别、人脸图像识别是图像识别的具体例子。手写数字在生活中很常见,很多报表都有手写数字,因此手写数字的计算机识别是十分重要的。人脸识别应用范围很广,可以应用在金融、公安司法、安保、通行、自助服务设备、考勤及会务等领域。本文利用线性和非线性降维方法对图像数据提取特征,为分类器选取合适的参数,实现手写数字识别和人脸识别。针对传统增量流形学习算法的缺点,提出基于BP神经网络的增量流形学习方法BPIML。为提高时间效率和准确率,改进现有PCA(主成分分析)和LLE(局部线性嵌入)算法,提出新颖的PCALLE算法。本文的主要工作有:一、由于直接用图像的像素值为特征构造分类器,会出现维度灾难,为缓解维度灾难,通过降维处理来提取特征,提高分类器准确率。本文对流形学习、主成分分析算法的理论方法、优缺点进行了探讨。研究分类算法KNN(K近邻),Logistic回归,支持向量机的理论原理,探讨模型参数对分类效果的影响,为模型找到合适的参数。二、流形学习算法在对新样本降维时通常需要同训练样本一同代入算法重新计算,这样十分费时,而一些增量算法在对新样本降维时要首先寻找到它的近邻。本文通过构造一个合适的BP神经网络模型,并利用训练集和对训练集降维得到的低维坐标作为输入和标准值训练神经网络,来学到从输入样本点到降维后低维坐标点的映射,手写数字识别实验表明基于BP神经网络的增量流形学习算法BPIML可以更快地对新样本降维,而且降维效果较好,分类准确率更高。三、PCA(主成分分析)算法是基于全局信息的降维算法,而LLE(局部线性嵌入)算法是基于局部信息的。本文将PCA算法和LLE算法的优化目标加权相加,从而结合PCA算法与LLE算法,提出新的PCALLE算法,使它们优势互补,提升降维效果,从而提高分类准确率。在手写数字图像数据集MNIST和ORL人脸图像数据集上验证了该方法的有效性。
曾生根[8](2004)在《快速独立分量分析方法及其在图像分析中的若干应用研究》文中研究表明独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效方法而受到广泛的关注。独立分量分析算法通过计算数据的高阶统计信息,可以从观测信号中估计出相互统计独立的、原始的、被未知因素混合的信号的估计信号。由于算法能够反映图像数据的高阶统计特征,在图像处理中得到成功的应用。本文对独立分量分析快速算法及其在图像处理方面的应用进行了深入研究,主要有以下几方面的工作: 研究了独立分量分析算法,特别是独立分量分析算法中的快速算法FastICA。在分析FastICA算法的核心迭代过程的基础上,提出了改进算法M-FastICA,改善了算法的收敛性能,减少算法的迭代次数。针对M-FastICA算法的收敛依赖于初始权值的问题,在算法过程中加入松弛因子,提出LM-FastICA算法,改善了算法对初始权值的依赖性。 对卫星多光谱遥感图像的成像机理进行分析,认为多波段遥感图像是独立地物的谱段信息的随机混合结果。应用独立分量分析算法对其进行分离,使每个独立分量尽量集中某些地物的信息,比主成分分析算法具有更好的可分离性,并得到了更好的分类结果。 应用M-FastICA算法提取Yale人脸库图像和CENPARMI手写体阿拉伯数字库的四个常用特征的独立分量特征用于识别,获得较主成分分析方法更好的效果,并且在保持与FastICA相同的识别率的前提下,具有更快的计算速度。 认为图像中的噪音和图像数据的信息是相互统计独立的,应用独立分量分析算法从无噪音的图像上获得统计信息,并将统计信息应用到包含噪音的图像上,将独立的噪声数据去除。相对于常规的噪音处理方法,独立分量分析算法对保留原图像的信息是较佳的。
帕克扎木·努尔阿迪力[9](2020)在《基于小样本数据集的人脸识别算法比较研究》文中研究指明计算机和信息技术正迅速融入人们的日常生活。由于生物特征具有独特性推动了新兴识别方法的发展,引起了人们的广泛关注,被应用在安防、支付、解锁、案件侦破等领域。虽然人脸识别技术已经取得了很大的成功,但人脸识别技术仍然面临着一些挑战,比如:人脸相似性、人脸姿态、光照、表情、遮挡、年龄变化、成像场景的变化以及种族人脸特征识别等等,最主要的挑战来自于人脸图像数据的收集,小型数据收集过程中所付出的人工代价较少,然而目前大多数关于人脸识别的算法模型都需要大量的样本数据才能表现出最好的性能,但现实情况中很难收集到这样的数据集。一些主流的人脸识别算法很难广泛地应用在现实场景中,首先当训练数据中样本数据有限时模型训练的样本数不足易导致过拟合现象,其次,样本图像具有较高的相似度和复杂的特征结构时,在分类任务中很难区分类内和类间样本距,导致误识别或识别精度不明显等问题,另外一点就是算法的偏差问题,也就是说不同的算法在同一种人脸中的识别精度有所不同,各有各的优缺点。因此,分析不同算法的性能,如何选择最优的识别方法,如何从人脸图像相似度较大的少量多样化的训练样本中提取有效地判别特征,保证人脸识别模型的实时性和算法的鲁棒性,同时在实际应用中起到更有效、安全、可靠的作用是非常具有挑战性的研究问题。针对以上问题,本文做出了以下几个方面的研究:1)考虑到目前缺乏公开的多样化的民族人脸数据集,针对本校的六种不同民族学生人脸图像构成的小样本民族人脸数据库进行了进一步的预处理和完善工作。2)为了更明确的表示本研究的主题思想,先从传统的人脸识别方法展开阐述,如PCA、LDA、LPP以及他们的改进算法2DLDA、2DPCA、2DLPP、RM2DLDA、RM2DLPP等,然后介绍基于PCA+BP、PCA+BP+KL等混合算法的基本理论知识,最后以改进的Lenet-5卷积神经网络为例介绍基于卷积神经网络的人脸识别理论知识。3)采用余弦相似度度量方法分析了同一种民族人脸图像之间的相似度,进行大量的实验验证,小样本民族人脸数据集中同种民族人脸图像的相似度明显高于ORL和Yale等常用的人脸识别数据集中的人脸相似度,得出结论:同种民族人脸图像之间具有较高的相似性,这会加大人脸识别任务的难度,最后提出了RM2DLDA+cos的改进人脸识别算法,该方法有效的提高了小样本民族人脸数据库中的识别精度。4)通过大量的实验比较了已训练好的PCA+BP,PCA+BP+KL等混合算法模型和本研究中重新训练的适应于小样本民族人脸数据库的模型,发现了PCA+BP+KL的算法最适合小样本民族人脸数据库。5)在改进的Lenet-5卷积神经网络的基础上,通过大量的实验调整网络参数,设计了适应于小样本民族人脸图像数据集的简易卷积神经网络模型,网络由两个卷积层,两个池化层,1个全连接层,1个Softmax输出层构成,用Dropout的方法有效的避免了过拟合问题,卷积核大小均为5?5,两个卷积层的卷积核个数为10,用平均池化代替原来的最大池化,每个激励层采用Relu函数代替Sigmoid函数,减少全连接层数,全连接层神经元个数选择170,最后采用Softmax分类函数进行分类,能自动提取人脸特征并进行识别,与传统算法相比,该方法有效的提高了小样本民族人脸数据库中的识别精度。6)所有的实验以Windows10作为测试系统,结合Matlab和Python在Tensorflow框架下完成,为了解决实验过程中卷积神网络模型训练时计算速度过慢的问题,在训练卷积神经网络时采用GPU(GTX1050)显卡代替CPU,实现了快速识别的目标。
康乾坤[10](2020)在《基于测井数据的砂岩型铀矿异常识别随机森林算法应用》文中指出为了快速有效的获取砂岩型铀矿矿区铀矿异常的分布信息,矿区岩性分布的基础资料,本文以砂岩型铀矿异常和不同岩性类别的地球物理测井响应特征为理论依据,利用集成机器学习方法—随机森林算法的非线性映射能力、决策分类能力,以已知铀矿异常信息和岩性录井定名的特征信息为训练样本,针对研究区构建基于随机森林算法的铀矿异常识别和岩性分类模型。对松辽盆地大庆长垣南端某铀矿矿区铀矿钻孔测井数据进行异常层和矿化层的识别提取以及岩性的分类识别,并将随机森林算法的识别结果与已知矿化层的特征信息进行验证分析。为了解决超参数的影响问题,采用遍历寻优的思路对随机森林算法的超参数进行筛选,利用最优算法参数组合进行分类识别。结果表明:在岩性识别中,随机森林决策树棵数为563棵,决策树节点个数为3个时,算法结构最优,识别准确率最高。训练样本的训练数据袋外误差验证准确率为93.39%,预测样本的预测准确率为93.31%。通过对比分析,随机森林算法的预测准确率优于支持向量机方法和BP神经网络方法,研究区内9口钻孔的预测准确率平均可达92.25%。根据随机森林算法的参数重要性分析:电阻率和自然电位对研究区岩性分类的贡献更大,密度和放射性测井重要性较低。在铀矿异常识别工作中:随机森林算法的袋外误差验证准确率为97.63%,通过变量筛选后可提升至97.97%。预测准确率99.21%,应用效果较好。矿化层以及异常层的识别结果同已知矿化层的特征信息重合度高。在等比例数据条件下,算法模型的训练数据袋外误差验证准确率和预测准确率分别为93.96%和94.8%。对于地质现象的学习能力较强,快速有效,相较于传统铀矿异常识别方法而言更加接近铀矿异常分布的真实形态。本文研究结果表明随机森林算法是岩性识别应用、铀矿异常识别应用中可靠的新方法,应用于铀矿勘查及其相关地质工作中具有良好的前景。本论文针对研究目标所做内容主要如下:(1)对研究区的区域地质概况和测井资料进行深入分析,选取了电阻率、自然伽马、密度、声波时差、定量伽马、自然电位、三侧向电阻率和井径共计8个特征参数,分析砂岩型铀矿异常的测井响应规律和不同岩性类别的测井响应规律。(2)构建针对研究区钻孔测井数据的随机森林算法识别模型,对研究区内的钻孔测井数据进行岩性自动分类。(3)构建针对研究区含矿目的层的随机森林算法识别模型,对研究区内的钻孔测井数据进行铀矿异常的识别提取。(4)将随机森林算法识别模型的岩性分类结果同BP神经网络和支持向量机方法的预测结果相比较。并分别分析了三种方法的优缺点和适应性。(5)将随机森林方法应用于研究区的铀矿异常工作中,通过变量重要性筛选提升算法性能,同传统的铀矿勘查方法作对比,取得了不错的效果。
二、BP神经网络算法在数字识别中的应用(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、BP神经网络算法在数字识别中的应用(论文提纲范文)
(1)基于测井曲线的岩层物性预测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景、目的及意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 常规测井曲线研究现状 |
1.2.2 神经网络在测井方面的研究现状 |
1.3 研究内容与技术路线 |
2 工程测井技术 |
2.1 常用测井方法原理 |
2.1.1 自然电位测井 |
2.1.2 电阻率测井 |
2.1.3 自然伽马测井 |
2.1.4 声波测井 |
2.2 测井仪器及工艺 |
2.2.1 工程测井仪器介绍 |
2.2.2 现场测量工艺 |
2.3 本章小结 |
3 工程测井解释与评价方法 |
3.1 研究区概况 |
3.1.1 区域地质构造特征 |
3.1.2 区域地层特征 |
3.2 测井曲线预处理 |
3.2.1 曲线平滑滤波处理 |
3.2.2 曲线编辑 |
3.3 测井解释模型构建 |
3.4 测井曲线岩性响应特征 |
3.5 孔隙度计算模型 |
3.6 渗透率计算模型 |
3.7 本章小节 |
4 BA-BP神经网络网络模型的构建与应用分析 |
4.1 BA-BP神经网络的构建 |
4.1.1 BP神经网络 |
4.1.2 蝙蝠(BA)算法原理 |
4.1.3 BABP神经网络 |
4.2 BA-BP神经网络模型的应用分析 |
4.2.1 BA-BP神经网络模型预测岩性 |
4.2.2 BA-BP神经网络预测孔隙度 |
4.2.3 误差对比分析 |
4.3 研究区砂岩层孔隙度预测与分析 |
4.4 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简介及读研期间主要成果 |
(2)基于深度学习的通信信号调制识别研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 调制识别国内外研究现状 |
1.2.1 基于最大似然的假设检验法 |
1.2.2 基于统计模式的特征提取法 |
1.2.3 基于深度学习的调制识别法 |
1.3 主要研究内容和结构安排 |
2 调制识别理论基础 |
2.1 信号特征基础理论 |
2.1.1 循环谱 |
2.1.2 高阶累积量 |
2.1.3 小波变换 |
2.1.4 信噪比估计 |
2.1.5 瞬时特征 |
2.2 分类器基础理论 |
2.2.1 支持向量机 |
2.2.2 BP神经网络 |
2.2.3 卷积神经网络 |
2.2.4 循环神经网络 |
2.3 本章小结 |
3 调制识别技术的研究 |
3.1 调制信号特征提取技术的研究 |
3.1.1 高阶累积量特征提取 |
3.1.2 循环谱特征提取 |
3.1.3 小波变换特征提取 |
3.1.4 信噪比估计特征提取 |
3.1.5 瞬时特征提取 |
3.2 传统调制识别技术改进研究 |
3.2.1 无信噪比估计的识别技术 |
3.2.2 有信噪比估计的识别技术 |
3.3 本章小结 |
4 基于CG联合网络的调制识别性能分析 |
4.1 基于CNN与GRU的优化与调制识别 |
4.1.1 基于CNN的优化与调制识别 |
4.1.2 基于GRU的优化与调制识别 |
4.2 基于CG联合网络的调制识别 |
4.2.1 数据集 |
4.2.2 算法流程描述 |
4.2.3 CG网络测试结果 |
4.3 基于信噪比估计的识别性能分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 研究内容与总结 |
5.2 未来展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(3)基于群智能算法与机器学习的预测与分类研究(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 群智能算法概述 |
1.3 机器学习概述 |
1.3.1 机器学习发展简史 |
1.3.2 机器学习的研究现状 |
1.3.3 机器学习面临的挑战 |
1.4 本文主要研究内容 |
第2章 基于GRA与改进SOA-SVR模型的空气质量分析与AQI预测.. |
2.1 空气质量问题 |
2.2 改进的海鸥优化算法 |
2.2.1 海鸥优化算法(SOA) |
2.2.2 改进的海鸥优化算法(ISOA) |
2.3 支持向量机回归模型(SVR) |
2.4 基于ISOA算法优化的SVR模型 |
2.5 实验准备 |
2.6 空气质量与空气污染物分析 |
2.6.1 灰色关联度分析(GRA) |
2.6.2 基于GRA方法的空气质量和空气污染物分析 |
2.7 基于ISOA算法优化的SVR模型在AQI预测问题中的应用 |
2.7.1 实验一结果与分析 |
2.7.2 实验二结果与分析 |
2.8 本章小结 |
第3章 基于稀疏表示与改进PSO-SVM模型的激光超声缺陷信号检测.. |
3.1 激光超声缺陷检测问题 |
3.2 稀疏表示理论 |
3.3 改进的粒子群优化算法 |
3.3.1 粒子群优化算法(PSO) |
3.3.2 惯性权重的几种变体 |
3.3.3 改进的粒子群算法 |
3.4 支持向量机分类模型(SVM) |
3.5 基于改进PSO算法优化的SVM模型 |
3.6 基于改进PSO算法优化的SVM模型在激光超声缺陷检测问题中的应用 |
3.6.1 激光超声表面声波探伤实验 |
3.6.2 基于稀疏表示的特征提取 |
3.6.3 TPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
3.6.4 IPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
3.7 本章小结 |
第4章 基于多特征融合与机器学习的混凝土砖图像分类与识别 |
4.1 混凝土砖图像分类识别问题 |
4.2 数据来源与数据处理 |
4.3 特征提取 |
4.3.1 RGB空间每个通道的平均像素值 |
4.3.2 灰色共生矩阵(GLCM) |
4.3.3 HSV空间的GLCM纹理特征 |
4.4 机器学习方法在混凝土砖图像分类识别中的应用 |
4.4.1 SVM分类模型在混凝土砖图像分类识别中的应用 |
4.4.2 BP神经网络在混凝土砖图像分类识别中的应用 |
4.4.3 ELM神经网络在混凝土砖图像分类识别中的应用 |
4.4.4 不同分类器的分类识别结果对比分析 |
4.5 本章小结 |
第5章 改进SOA-SVM模型在混凝土砖图像分类识别中的应用 |
5.1 基于ISOA算法优化的SVM模型 |
5.2 混凝土砖图像数据集介绍 |
5.3 实验结果与分析 |
5.4 本章小结 |
第6章 基于Bagging算法的ELM集成分类模型在混凝土砖图像分类识别中的应用 |
6.1 Bagging算法 |
6.2 基于Bagging算法的ELM集成模型 |
6.3 实验结果与分析 |
6.4 本章小结 |
第7章 总结与展望 |
7.1 主要研究工作 |
7.2 论文创新点 |
7.3 工作展望 |
参考文献 |
攻读博士期间发表的论文及所取得的研究成果 |
致谢 |
(4)基于LNN神经网络和XGBoost算法的索结构多参数识别(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
1.2 常用的索力测试方法 |
1.3 频率法国内外研究现状 |
1.3.1 索力实用公式推导的研究现状 |
1.3.2 利用机器学习进行索力识别的研究现状 |
1.4 本文主要内容 |
2 基于频率法的索力识别基本理论 |
2.1 弦振动理论 |
2.1.1 基本假设 |
2.1.2 弦振动微分方程及其通解 |
2.2 拉索侧向振动的基本理论 |
2.2.1 基本假设 |
2.2.2 拉索的振动微分方程及其通解 |
2.3 四种不同边界条件下的拉索振动微分方程 |
2.3.1 两端铰接 |
2.3.2 两端固接 |
2.3.3 一端铰接一端固接 |
2.3.4 复杂边界条件下的拉索振动微分方程 |
2.4 LNN神经网络求解不同边界条件下的超越方程 |
2.4.1 LNN神经网络求解流程 |
2.4.2 利用LNN神经网络求解两种特殊边界条件下的拉索振动微分方程 |
2.4.3 利用LNN神经网络求解复杂边界条件下的拉索振动微分方程 |
2.5 本章小结 |
3 基于XGBoost算法的拉索多参数识别 |
3.1 XGBoost算法概述 |
3.1.1 XGBoost算法的模型函数 |
3.1.2 目标函数 |
3.1.3 正则化项 |
3.1.4 误差函数得二阶泰勒展开 |
3.1.5 学习策略 |
3.1.6 打分函数 |
3.1.7 树节点分裂 |
3.1.8 XGBoost参数 |
3.1.9 XGBoost算法的优势 |
3.2 基于XGBoost和多阶频率考虑拉索抗弯刚度的索力识别 |
3.2.1 两端固接 |
3.2.2 一端铰接一端固接 |
3.3 基于XGBoost考虑拉索抗弯刚度和复杂边界条件的索力识别 |
3.4 本章小结 |
4 拉索多参数识别试验 |
4.1 试验模型和试验步骤 |
4.2 基于LNN神经网络和XGBoost算法的拉索多参数识别 |
4.3 本章小结 |
5 拉索多参数识别工程实例 |
5.1 桥A工程实例 |
5.1.1 工程简介 |
5.1.2 基于LNN神经网络和XGBoost算法的吊杆多参数识别 |
5.2 桥B工程实例 |
5.2.1 工程简介 |
5.2.2 基于LNN神经网络和XGBoost算法的吊杆多参数识别 |
5.3 桥C工程实例 |
5.3.1 工程简介 |
5.3.2 基于LNN神经网络和XGBoost算法的吊杆多参数识别 |
5.4 本章小结 |
6 总结与展望 |
6.1 本文工作总结 |
6.2 展望 |
参考文献 |
附录Ⅰ 缩尺试验拉索加速度曲线和频谱图(1-24号拉索) |
作者简介 |
(5)基于多特征融合的图像复杂度评价及应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 图像复杂度研究方法现状 |
1.2.2 图像复杂度应用领域现状 |
1.3 本文的研究思路和内容安排 |
2 图像复杂度评价的相关理论 |
2.1 图像复杂度分类 |
2.2 图像复杂度特征 |
2.2.1 颜色特征 |
2.2.2 纹理特征 |
2.2.3 基于信息熵的特征 |
2.3 本章小结 |
3 基于多特征融合的BP神经网络图像复杂度评价方法 |
3.1 图像复杂度的主观评价实验 |
3.2 图像复杂度特征提取 |
3.3 图像复杂度特征选择 |
3.4 基于BP神经网络的图像复杂度评价 |
3.5 基于BP神经网络的图像复杂度评价算法仿真与实验 |
3.5.1 图像复杂度评价算法实验 |
3.5.2 实验结果分析 |
3.5.3 不同的评价方法对比 |
3.6 本章小结 |
4 改进的基于遗传算法的BP神经网络图像复杂度评价 |
4.1 基于遗传算法的BP神经网络图像复杂度评价 |
4.2 改进的基于遗传算法的BP神经网络图像复杂度评价 |
4.3 改进的基于遗传算法的BP神经网络图像复杂度评价算法性能测试 |
4.4 本章小结 |
5 图像复杂度评价在煤矸石识别中的应用 |
5.1 基于图像复杂度的煤矸石识别 |
5.1.1 基于图像复杂度评价算法的煤矸石识别 |
5.1.2 基于图像复杂度评价算法的煤矸石识别结果 |
5.2 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 攻读学位期间发表的论文 |
(6)复杂光照条件下含拖影仪表字符识别方法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及其研究意义 |
1.2 国内外研究现状 |
1.2.1 仪表字符识别算法研究现状 |
1.2.2 图像增强算法研究现状 |
1.2.3 图像二值化算法研究现状 |
1.3 存在的问题与主要工作 |
1.4 论文结构安排 |
第2章 基于PCA融合的快速自适应图像增强算法 |
2.1 基本光照-反射模型 |
2.2 基于PCA融合的快速自适应图像增强 |
2.2.1 空间变换 |
2.2.2 光照分量的估计 |
2.2.3 自适应光照增强 |
2.2.4 图像融合 |
2.3 图像增强实验与分析 |
2.3.1 主观视觉评估 |
2.3.2 客观定量评估 |
2.3.3 复杂度分析 |
2.4 本章小结 |
第3章 基于BP神经网络阈值预测拖影仪表字符二值化算法 |
3.1 BP神经网络 |
3.2 基于BP神经网络阈值预测仪表字符二值化模型 |
3.2.1 模型数据来源 |
3.2.2 样本预处理和标签制作 |
3.2.3 隐含层的层数和节点设计 |
3.2.4 节点传递函数的选择 |
3.2.5 训练函数的选择 |
3.3 实验与结果分析 |
3.4 本章小结 |
第4章 基于FCN与 VGG的严重光照不均和拖影仪表字符二值化算法 |
4.1 基于FCN与 VGG的二值化算法 |
4.1.1 FCN网络 |
4.1.2 VGG网络 |
4.1.3 网络结构的改进 |
4.2 实验过程和结果 |
4.2.1 数据集的采集和制作 |
4.2.2 实验结果 |
4.3 本章小结 |
第5章 基于改进LeNet-5 仪表字符识别算法 |
5.1 基于改进LeNet-5 仪表字符识别模型 |
5.1.1 LeNet-5 的基本原理 |
5.1.2 改进LeNet-5 模型 |
5.2 不同程度光照不均的仪表字符识别方法 |
5.2.1 光照不均程度判断指标 |
5.2.2 仪表字符识别方法 |
5.3 实验与结果分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
参考文献 |
致谢 |
附录:攻读学位期间的科研成果与奖励 |
(7)基于PCA与流形学习的图像识别研究(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 研究现状 |
1.3 本文工作 |
1.4 本文的组织结构 |
第2章 降维理论 |
2.1 维度灾难 |
2.2 流形学习 |
2.2.1 MDS算法 |
2.2.2 Isomap算法 |
2.2.3 LLE算法 |
2.3 PCA算法 |
2.4 实验 |
2.5 本章小结 |
第3章 分类算法 |
3.1 KNN算法 |
3.1.1 KNN算法简介 |
3.1.2 KNN算法实现 |
3.2 Logistic回归算法 |
3.2.1 算法原理 |
3.2.2 过拟合 |
3.3 支持向量机 |
3.3.1 支持向量机简介 |
3.3.2 支持向量机原理 |
3.3.3 软间隔支持向量机 |
3.3.4 结构风险与正则化 |
3.4 本章小结 |
第4章 基于BP神经网络的增量流形学习算法 |
4.1 BP神经网络相关理论 |
4.1.1 BP神经网络的基本概念 |
4.1.2 反向传播算法 |
4.1.3 激活函数 |
4.1.4 神经网络的优化 |
4.1.5 Dropout技术简介 |
4.2 用BP神经网络实现增量流形学习 |
4.2.1 新算法BPIML的原理 |
4.2.2 实验与分析 |
4.3 本章小结 |
第5章 融合PCA与 LLE的改进降维算法PCA_LLE |
5.1 改进算法提出 |
5.2 优化问题求解 |
5.3 人脸图像识别实验 |
5.3.1 实验方案 |
5.3.2 实验结果与分析 |
5.4 手写体图像识别实验 |
5.4.1 实验方案 |
5.4.2 实验结果与分析 |
5.5 本章小结 |
总结与展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文 |
(8)快速独立分量分析方法及其在图像分析中的若干应用研究(论文提纲范文)
摘要 Abstract 目录 1 绪论 |
1.1 问题的提出 |
1.1.1 盲信号分离问题 |
1.1.2 盲反卷积问题 |
1.1.3 盲均衡问题 |
1.2 独立分量分析算法 |
1.3 独立分量分析算法在图像处理中的应用概述 |
1.3.1 图像特征提取 |
1.3.2 图像去噪 |
1.3.3 人脸检测与识别 |
1.3.4 图像分离 |
1.3.5 医学图像处理 |
1.3.6 其他图像处理应用 |
1.4 独立分量分析算法的新进展 |
1.5 本文研究工作和内容安排 |
1.6 本文工作的创新点 2 独立分量分析算法概述 |
2.1 独立分量分析起源 |
2.2 独立分量分析算法定义 |
2.3 独立性定义 |
2.4 独立分量分析的目标函数 |
2.4.1 非高斯性最大化 |
2.4.1.1 峰度(Kurtosis) |
2.4.1.2 负熵(Negentropy) |
2.4.2 交互信息最小化 |
2.4.3 最大似然估计法 |
2.5 独立分量分析学习算法 |
2.5.1 Jutten-Herault算法 |
2.5.2 非线性去相关法 |
2.5.3 (随机)梯度下降法 |
2.5.4 非线性PCA算法 |
2.5.5 one-unit学习规则 |
2.5.6 FastICA算法 |
2.6 独立分量分析与传统统计方法的关系 |
2.7 本章小结 3 改进快速独立分量分析算法 |
3.1 FastICA算法 |
3.1.1 FastICA预处理 |
3.1.2 FastICA算法原理 |
3.1.3 FastICA实现步骤 |
3.2 改进FastICA算法 |
3.3 松弛改进FastICA算法 |
3.4 实验 |
3.4.1 模拟信号分离实验 |
3.4.2 语音分离实验 |
3.4.3 图像分离实验 |
3.4.4 实验结果分析 |
3.5 本章小结 4 ICA在遥感图像分类的应用研究 |
4.1 引言 |
4.2 遥感图像分类技术简介 |
4.3 独立分量分析在遥感图像分类中的应用 |
4.4 基于ICA和自适应最小距离分类法的遥感图像分类 |
4.4.1 自适应最小距离分类法 |
4.4.2 实验 |
4.5 基于ICA和BP神经网络的遥感图像分类 |
4.5.1 BP神经网络 |
4.5.2 实验 |
4.6 本章小结 5 ICA在图像特征提取的应用研究 |
5.1 引言 |
5.2 ICA在人脸识别方面的应用研究 |
5.2.1 人脸识别概述 |
5.2.2 基于主成分分析的人脸识别 |
5.2.3 基于独立分量分析的人脸识别 |
5.2.4 M-FastICA人脸识别实验 |
5.2.5 实验小结 |
5.3 基于独立分量分析的手写体数字识别 |
5.4 本章小结 6 ICA在图像去噪的应用研究 |
6.1 引言 |
6.2 去噪方法简述 |
6.2.1 维纳去噪 |
6.2.2 小波阈值去噪 |
6.2.3 基于高阶统计量的图像去噪 |
6.3 稀疏编码收缩法 |
6.4 ICA图像去噪实验 |
6.5 本章小结 7 结束语 致谢 参考文献 附录A 博士期间参与的科研项目 附录B 博士期间发表的论文 |
(9)基于小样本数据集的人脸识别算法比较研究(论文提纲范文)
伊犁师范大学硕士研究生学位论文导师评阅表 |
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景与意义 |
1.2 人脸识别概述 |
1.3 小样本人脸识别国内外研究现状 |
1.3.1 国内研究现状 |
1.3.2 国外研究状况 |
1.4 传统小样本人脸识别方法 |
1.5 深度学习人脸识别方法 |
1.6 论文研究工作及章节安排 |
第二章 数据预处理 |
2.1 人脸数据库介绍 |
2.1.1 小样本民族人脸图像数据库 |
2.1.2 ORL人脸数据库 |
2.1.3 Yale数据库 |
2.1.4 CMU PIE数据库 |
2.2 人脸图像预处理 |
2.2.1 图像灰度化处理 |
2.2.2 图像去噪 |
2.2.3 归一化处理 |
2.3 本章小结 |
第三章 相关算法 |
3.1 传统人脸识别相关算法介绍 |
3.1.1 主成分分析 |
3.1.2 二维主成分分析 |
3.1.3 线性判别分析 |
3.1.4 二维线性判别分析 |
3.1.5 重新排列的模块二维线性判别分析算法 |
3.1.6 局部保持投影 |
3.1.7 二维局部保持投影 |
3.1.8 分块重新排列的二维局部保持投影矩阵算法 |
3.2 深度学习人脸识别相关算法介绍 |
3.2.1 BP神经网络算法的理论知识 |
3.2.2 PCA+BP神经网络算法 |
3.2.3 PCA+BP+KL算法 |
3.2.4 卷积神经网络的人脸识别算法介绍 |
3.3 本章小结 |
第四章 人脸图像相似性分析及对比实验 |
4.1 人脸图像相似性分析 |
4.1.1 余弦相似度相关算法定义 |
4.1.2 实验数据设置及实验方案 |
4.1.3 实验结果分析 |
4.2 基于RM2DLDA和余弦相似性学习的改进算法及实验结果分析 |
4.3 本章小结 |
第五章 传统人脸识别算法和深度学习算法对比实验 |
5.1 传统人脸识别算法实验结果及分析 |
5.1.1 实验数据设置 |
5.1.2 传统人脸识别算法实验结果分析 |
5.2 基于BP神经网络法的实验结果及分析 |
5.2.1 实验方案及数据设置 |
5.2.2 实验结果分析 |
5.3 基于卷积神经网络的人脸识别实验结果分析 |
5.3.1 实验方案及环境配置 |
5.3.2 卷积神经网络参数设置及实验结果 |
5.3.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
(10)基于测井数据的砂岩型铀矿异常识别随机森林算法应用(论文提纲范文)
中文摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于测井数据的岩性识别研究现状 |
1.2.2 基于测井数据的铀矿异常识别研究现状 |
1.2.3 随机森林算法的研究现状 |
1.3 研究内容与方法路线 |
1.3.1 研究内容 |
1.3.2 研究方法与技术路线 |
1.4 论文结构 |
第2章 研究区概况与数据 |
2.1 地理位置与自然条件 |
2.2 区域地质概况 |
2.3 矿区数据概况 |
第3章 原理与方法 |
3.1 不同岩层的测井响应特征 |
3.2 砂岩型铀矿的测井响应特征 |
3.3 BP神经网络模型 |
3.3.1 神经元结构 |
3.3.2 BP神经网络原理 |
3.3.3 BP神经网络现存问题 |
3.4 随机森林算法 |
3.4.1 决策树结构 |
3.4.2 随机森林算法原理 |
3.4.3 随机森林算法的现存问题 |
第4章 基于测井数据的岩性识别应用 |
4.1 岩性识别总体设计 |
4.2 模型参数的选择与数据预处理 |
4.3 基于测井数据的岩性识别应用 |
4.3.1 基于随机森林算法的岩性识别 |
4.3.2 不同方法的对比分析 |
4.3.3 研究区内不同钻孔的岩性识别应用 |
4.3.4 实验结果分析 |
第5章 基于测井数据的砂岩型铀矿异常识别 |
5.1 铀矿异常识别总体设计 |
5.2 铀矿异常识别的模型参数选择与数据处理 |
5.3 基于测井数据的铀矿异常识别 |
5.3.1 单钻孔铀矿异常识别 |
5.3.2 等比例数据铀矿异常识别 |
5.3.3 铀矿异常识别结果分析 |
第6章 结论与展望 |
6.1 结论 |
6.2 研究展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
四、BP神经网络算法在数字识别中的应用(论文参考文献)
- [1]基于测井曲线的岩层物性预测方法研究[D]. 章静. 安徽理工大学, 2021(02)
- [2]基于深度学习的通信信号调制识别研究[D]. 张子威. 黑龙江科技大学, 2021(08)
- [3]基于群智能算法与机器学习的预测与分类研究[D]. 续婷. 中北大学, 2021(01)
- [4]基于LNN神经网络和XGBoost算法的索结构多参数识别[D]. 陶伊平. 浙江大学, 2020
- [5]基于多特征融合的图像复杂度评价及应用[D]. 董炯威. 西安科技大学, 2020(01)
- [6]复杂光照条件下含拖影仪表字符识别方法[D]. 徐亮. 湖北工业大学, 2020(11)
- [7]基于PCA与流形学习的图像识别研究[D]. 汪敦志. 中南民族大学, 2020(07)
- [8]快速独立分量分析方法及其在图像分析中的若干应用研究[D]. 曾生根. 南京理工大学, 2004(04)
- [9]基于小样本数据集的人脸识别算法比较研究[D]. 帕克扎木·努尔阿迪力. 伊犁师范大学, 2020(12)
- [10]基于测井数据的砂岩型铀矿异常识别随机森林算法应用[D]. 康乾坤. 吉林大学, 2020(08)