一、简化的广义多层感知机模型及其学习算法（论文文献综述）
冯志伟[1]（2021）在《神经网络、深度学习与自然语言处理》文中认为介绍了自然语言处理中的神经语言模型,讨论了大脑神经网络、人工神经网络、"异或"问题、前馈神经网络、神经网络的历史分期及其进一步发展等;指出,在神经网络的研究中,感知机不能解决线性不可分的分类问题,通过增加隐藏层才能进行"异或"运算。通常情况下,在训练神经网络的同时,还要进行嵌入学习,对于机器翻译、情感分类、句法剖析这些自然语言处理的特殊任务,常常要加上很强的约束,并应当把基于语言规则的理性主义方法和基于大数据的经验主义方法结合起来。
陈幸强[2]（2021）在《基于AIS信息的船舶航迹预测算法研究》文中进行了进一步梳理在经济全球化的今天,国际间贸易量越来越大,而这些货物大部分都是通过海洋运输完成的。海洋上的船舶越来越多,给船舶行驶带来了困扰,船舶自动识别系统（Automatic Identification System,AIS）,能够自动识别周围的船舶及其航行信息,使船舶能够提早了解周围的船舶的位置和航速等信息。基于船舶自动识别系统的船舶航迹预测可以自动预测船舶接下来一段时间内的航迹,这有利于船舶避让,对驾驶员起到了辅助驾驶的作用,神经网络方法预测船舶航迹可以较高精度的预测船舶的经纬度,航迹预测技术作为自动驾驶和人工驾驶的辅助系统重要技术可分为长期预测和短期预测。尽管这项技术已经研究多年,但是目前仍然存在改进的空间。由于传统的遗传算法只改进神经网络的权值、阈值,或者只改进神经网络的节点数,存在不能综合考虑神经网络的节点数和权值、阈值的问题,其预测精度较低。因此本文对基于神经网络的短期船舶航迹预测进行了深入研究,提出了一种新颖的“遗传算法同时综合改进神经网络的权值、阈值和节点数+在线学习”的神经网络训练方案,并通过实验验证了其可行性,提高了预测精度,本文的具体研究如下:（1）针对传统遗传算法只考虑神经网络的权值和阈值的问题,本文提出了遗传算法同时改进BP神经网络（Back Propagation Neural Network）的权值、阈值和隐藏层节点数的方法。该方法同时考虑神经网络的节点数、权值和阈值,提出了一种特殊的编码方法,该编码方法克服了同时优化节点数、权值和阈值时染色体长度变化时无法交叉的难题。实验结果表明该方法具有更高的精度,均方误差较低,预测航迹更接近真实航迹。（2）针对BP神经网络离线学习不适应船舶航行环境变化的问题,针对增量式在线学习在小型训练集中精度较批学习低的问题,本文提出了批处理式在线学习的方法。该方法不断读取本船的AIS信息,当达到在线学习的界限时间时采用批处理在线学习训练神经网络,解决了离线学习不适应船舶航行环境变化的问题。实验结果表明,降低了预测航迹的均方误差,提高了预测航迹的精度。（3）为了进一步将船舶航迹预测运用到实际中去,本文设计了excel到kml文件转化程序,转化后的kml文件内容、格式正确,实现可视化功能完成了研究成果的初步转化。
封乃丹[3]（2020）在《面向复杂时变信号分析的动态神经网络模型与算法研究》文中研究表明时变信号分析和处理一直以来都是模式识别领域的一个热点和难点。随着感知技术、物联网技术的快速发展,对时变信号变化特征的准确分析和时频信息的充分利用变得日益重要。动态神经网络具有很强的的辨识和学习能力,能够逼近任何非线性输入输出关系,在信号处理中有重要的价值和作用。本文针对若干领域中复杂时变信号的分析问题,根据时变信号所呈现的分布特征和结构性质,以及在不同实际环境下具有的复杂性、不确定性、非平稳性、含噪声等特点,融合深度学习理论和信号时频分析技术,开展面向复杂时变信号分析的深度动态神经网络模型与算法的研究。因此,本文研究具有重要的理论意义和应用价值。论文完成的主要工作和创新点如下:（1）针对可反映一个短时间片段内的信息变化、具有多变性、不稳定性并含噪声等特点的短时变信号的特征提取和分类问题,提出了一种深度小波循环卷积神经网络（DWRCNN）模型与算法。DWRCNN模型可融合小波变换和软阈值处理对信号时频特征的捕获能力、循环神经网络对时间序列变化特征的学习与记忆能力,以及卷积神经网络对大规模数据集的学习性质和分类机制,对短时复杂信号的模式识别具有良好的适用性。（2）针对具有连续性、非平稳性和无限性的单通道长时变信号分析问题,提出了一种多特征融合的长短期记忆网络（ILSTM）模型与算法。ILSTM模型增加了对信号多尺度特征的提取和融合分析机制,能够同时兼顾对长时变信号广域特征和局域特征的学习,具有对特征信息关联和长短时特征变化的记忆能力,可进行在线学习与预测。（3）针对具有不稳定、不精确、不完整、含噪声等各种不完备信息的非周期性多通道长时变信号分类问题,提出了一种T-S过程神经网络（TSPNN）智能分析模型与算法。TSPNN模型融合了过程神经网络对时变信号的处理能力与T-S模糊分类机制,可实现专家经验知识的嵌入,具有对样本集的自适应学习能力,适用于小样本集建模。（4）针对样本分布不均匀、多模态、具有随机性分布特征的周期性多通道长时变信号分析问题,提出了一种概率计算过程神经网络（PCPNN）智能分析模型与算法。PCPNN模型可融合过程神经网络时变信息的处理机制和贝叶斯决策规则,所建立的算法综合了动态时间规整、C均值聚类和BP算法,能够集成信号类别的特征知识,模型参数少,适用于小样本、不均衡数据集的建模分析。本文针对上述诸多问题提出了一系列动态神经网络模型和算法,能够提取复杂时变信号的本质特征和变换规律,在机制上具有良好的针对性和适用性。实验验证了本文各模型的可行性与有效性。
汤剑[4]（2020）在《基于深度学习的命令词识别算法研究与DSP实现》文中研究说明语音识别作为一种便捷的人机交互技术,在智能终端设备中有着广泛的应用需求。然而,目前各类具有高识别率的基于深度学习的语音识别技术因其所需要的巨大计算量而基本依托云服务器实现。为了提高适用性,摆脱网络依赖性,尤其是针对延时敏感的应用,研究和实现适用于嵌入式处理器的基于深度学习的语音识别技术具有十分重要的理论价值和现实意义。面向DSP实现,本文首先开展了命令词识别算法的优化设计研究,提出了一种混合结构的识别模型R-SRU,该模型以长短时记忆网络（LSTM）或门控循环单元（GRU）作为前级网络实现高阶语音特征的提取,采用多层简单循环单元（SRU）作为后级网络实现命令词识别,从而在确保识别性能的前提下,提升了模型的并行能力,降低了模型的参数量。基于谷歌公司命令词数据集的测试结果表明,在纯净语音环境下,R-SRU混合模型的识别准确率达到95.275%,相比于LSTM模型,识别准确率提高了 0.1%,模型参数量和乘法运算量分别下降了 3 7.2%和37.5%;在信噪比为5dB的车载噪声、餐厅噪声和粉红噪声环境下,R-SRU模型也能提供90.8%以上的识别率。针对所提出的R-SRU命令词识别模型,本文设计了基于TI公司C6655 DSP的嵌入式硬件平台。随后,本文以G-SRU（GRU为前级网络的R-SRU）为例,完成了G-SRU模型在C6655平台上的代码裁剪和移植,并从系统内存访问、代码结构和系统级代码三个方面递进地对所移植的算法进行了一系列优化操作,大幅降低了算法的计算复杂度。测试结果表明,优化后的G-SRU模型在C6655平台上运行所需的存储空间为37920字节,堆栈实际占用915148字节,完成单个命令词识别的计算复杂度为157MCycles,在1.25GHz主频下,识别速度为0.125s,具有良好的实时性能。
魏伏佳[5]（2020）在《基于卷积神经网络的清水混凝土表面气泡检测与评价》文中研究表明为了推动建筑行业的可持续发展,满足国家对于绿色环保的要求,绿色建材应运而生。其中,清水混凝土作为一种绿色混凝土被广泛应用于建筑工程中。由于采用清水混凝土后不需要再进行外装饰,因此,外观质量是衡量清水混凝土工程优劣的一项重要指标。目前,国内对于清水混凝土的外观质量主要采用人眼目视评价和人工测量,容易受主观性影响而造成不必要的误差。因此,发展以计算机视觉为基础的客观的自动化检测与评价方法,对于推动我国清水混凝土技术的发展具有重要的研究价值和现实意义。本文在整理和总结混凝土外观质量缺陷检测研究现状和卷积神经网络研究进展的基础上,以清水混凝土表面的一种主要质量缺陷——气泡作为研究对象,对基于卷积神经网络的目标检测算法和图像分割算法在清水混凝土表面气泡的检测定位、量化识别和质量评价等方面的应用做了深入的研究,取得了一定的进展,主要研究内容和创新性成果有:（1）针对现行的清水混凝土外观质量测评方法缺乏客观性、检测效率低的问题,采用卷积神经网络方法,对其目标检测算法进行分析,提出了基于卷积神经网络的清水混凝土表面气泡检测模型。该模型能快速准确的检测混凝土表面气泡并对其进行定位,检测准确率达到96.43%。通过在卷积神经网络模型中添加Inception模块能有效的解决输入图像尺寸相对较小（28×28像素）和训练集中的标记示例数量有限的问题。通过与高斯拉普拉斯算子（LoG）和Otsu方法等传统图像处理方法的对比研究,发现提出的基于卷积神经网络的清水混凝土表面气泡检测模型具有良好的鲁棒性,能有效的避免诸如照明、阴影和几种不同表面缺陷的组合等干扰因素的影响,展现出了良好的检测性能。（2）考虑清水混凝土表面气泡的几何特征及量化,通过研究卷积神经网络的图像分割算法,提出了基于Mask R-CNN的清水混凝土表面气泡识别和量化模型,实验证明,提出的模型能快速准确的识别混凝土表面图像上的气泡,并输出气泡的面积和最大直径等量化信息。通过将实测气泡的实际尺寸与模型输出的气泡量化信息进行对比研究发现,68%的气泡的面积错误率低于10%,74%的气泡的最大直径错误率低于10%,大多数气泡的量化信息错误率分布在较低的误差区间,展现出了良好的识别和量化性能。（3）通过分析清水混凝土表面气泡等级评价的影响因素,并结合考虑CIB推荐的气泡等级参考尺度和国内相关技术规程,提出了基于卷积神经网络的清水混凝土表面气泡评价方法。该方法以气泡面积百分比AB和气泡最大直径Dm为主要的评估参数,并且提出了基于这两项评估参数的气泡等级评价表。通过自动计算检测到的所有气泡的像素之和与输入图像的总像素的比值,输出气泡面积百分比AB,通过量化分析输出气泡的最大直径Dm,从而根据气泡等级评价表对输入图像进行评价。
赵梓舒[6]（2020）在《基于深度学习的软刚臂系泊系统铰节点损伤识别方法研究》文中研究指明作为浮式生产储油卸油轮（FPSO）的一种定位系统,软刚臂单点系泊系统因其拥有诸多优点,在我国南海、渤海海域服役。由于其长期工作在固定海域,受到风、浪、流的联合作用下,容易出现铰节点的疲劳损伤现象。而铰节点是单点系泊系统中重要的结构。如果铰节点发生损伤,会严重影响浮体结构的系泊能力,甚至出现重大的安全问题,所以针对软刚臂铰节点的损伤识别研究是十分重要的。传统的数值方法因其引入诸多假设等缺点,导致该方法对软刚臂铰节点损伤状态的识别效果并不理想。本文提出了深度学习与数据特征处理相结合的分析方法,对软刚臂系泊系统的铰节点损伤识别问题进行了研究。首先介绍被经常应用于分类问题的深度学习方法,并对深度学习方法在海洋结构损伤识别问题上的应用流程进行了说明。通过构建ADAMS软刚臂系泊系统有限元仿真模型,对软刚臂系统进行了运动行为分析,进而根据分析结果选取有效特征值。同时,基于ADAMS软刚臂系统的有限元仿真模型,采用多层前馈神经网络方法进行了铰节点损伤识别的初步研究,通过验证结果表明,深度方法可以有效识别损伤状态,其中最高的验证准确率可达81.94%。为了验证该方法在真实结构的有效性,搭建了软刚臂系泊系统大比尺实验模拟系统,开展了软刚臂系泊系统下铰节点损伤识别验证。其中使用海洋自然工况与拉丁超立方抽样工况,作为用于训练、测试以及验证深度学习损伤识别模型的实验工况。将深度学习方法与特征处理方法结合,进行损伤识别模型的训练与验证。最后,通过实验结果比较了不同特征输入和不同深度学习架构对损伤识别模型泛化能力的影响。结果表明特征的筛选与提取可以提高损伤识别模型的泛化能力,且基于堆栈稀疏自编码神经网络的损伤识别方法相对比多层前馈神经网络的识别方法能够更有效地识别铰节点位置与损伤状态。其中堆栈稀疏自编码网络对于验证集的平均识别准确率最高可达84.67%,证明了深度学习方法在海洋结构损伤识别方面的有效性。
何林[7]（2020）在《基于人工神经网络的SiGe HBT高频噪声模型》文中研究指明异质结双极晶体管（Heterojunction Bipolar Transisitor,HBT）因其优良的高频性能及其与硅基CMOS工艺兼容的优点,使之成为毫米波频段下现代和下一代无线通信系统实现的首选方案。实现基于HBT的高频电路的设计和优化的关键在于,使用有效且准确的HBT模型仿真模拟电路的各种性能。目前微波与毫米波电路仿真设计软件普遍采用的有源器件小信号等效电路模型的精度,受限于建模测量数据的测试频率范围和被测器件的偏置条件。HBT高频小信号等效电路模型的频率内插和偏置点外延的仿真能力均存在不足。并且随着工作频率的升高,HBT的小信号等效电路模型的复杂度也随之提升,从而增加了等效电路模型参数精确提取的难度,会使微波与毫米波HBT电路的研制成本提高和研制周期加长。本论文利用人工神经网络（Artificial neural network,ANN）在有源器件建模方面的有效性、准确性和简便性,针对毫米波频段下SiGe HBT高频噪声的ANN建模问题,开展了以下三个方面的应用研究工作。首先,考虑到有源器件ANN建模的核心是通过训练某种类型或结构下的ANN模型神经元参数,使其具有表征器件的工作条件与性能指标参数之间非线性关系的能力。鉴于ANN建模技术具有很强的泛化能力,不同的有源器件可能适用相似的ANN类型或拓扑机构及相同的优化训练算法,因此不同有源器件ANN建模的关键在于选取准确、可靠的训练数据和测试样本。为此,本文研究了SiGe HBT高频小信号等效电路模型参数的直接提取方法。其中,在等效电路充分表征HBT非准静态效应的基础上,通过数学分析等效电路导纳（Y）和阻抗参数（Z）模型的泰勒展开式,实现等效电路参数的精确提取,从而为训练本文所建的散射（S）参数ANN模型提供准确的宽频带S参数仿真数据奠定了基础。同时,针对SiGe HBT高频散粒噪声模型中Transport与SPICE模型精度不高的问题,本文给出了一种能够有效覆盖所有偏置条件的散粒噪声半经验统一模型,从而为验证本文所建的基于知识的四噪声参数ANN模型表征器件噪声偏置特性的精度提供了测试样本。其次,参考射频与微波器件ANN建模的经验,利用ANN建模的泛化能力,本文选取多层感知机的神经网络结构,采用遗传算法（GA）+Levenberg-Marquardt反向传播（Back Propagation,L-M BP）算法作为优化训练算法,建立了SiGe HBT的S参数ANN模型。其中,通过引入具有全局优化能力的GA算法,解决了BP神经网络L-M算法训练收敛速度慢且易限于局部极值的问题。经测试验证,证明了所建的S参数ANN模型在较宽的频带和偏置范围内,具有很好的内插能力。因此,采用所建的S参数ANN模型,能够易于连续获取任意偏置点和频率范围内的S参数数据,避免了复杂的S参数测量过程以及繁琐的等效电路参数提取过程。利用所建的S参数ANN模型生成的高精度仿真数据作为一种先验知识,为提高四噪声参数ANN建模的精度提供了保障。最后,本文建立了一种基于知识的四噪声参数ANN模型。模型类型为多层感知机,训练算法GA+L-M BP。建立该模型的目的是为了在较宽的频带和偏置范围内,能够快速、连续地表征SiGe HBT高频噪声的偏置和频率依赖性,从而能够避免HBT高频噪声分析和建模表征中对复杂的四噪声参数测量的海量要求,易于获任意偏置点和频率下的散粒噪声数据。为了验证所建的基于知识的四噪声参数ANN模型的预测精度,本文还给出了基于四噪声参数提取HBT二端口等效噪声模型噪声电流源功率谱密度的算法。实验结果表明,基于所建的基于知识的四噪声参数ANN模型的仿真提取结果与基于测量的半经验模型的仿真计算结果具有良好的一致性,验证了所建模型的有效性和精度。此外,通过与无知识的四噪声参数ANN模型相比,所建的基于知识的四噪声参数ANN模型在建模效率和建模精度上都具有明显的优势。
宗志辉[8]（2019）在《基于深度学习的数字调制信号解调研究》文中研究说明随着数字通信技术不断地发展,新兴产业的信道业务及传输速率的增加对解调系统提出了更高的要求。现代调制技术与解调技术是通信系统的基础,为了应对日趋严重的非线性传输信道,解调系统通常需对信道进行估计与均衡,而后再按规则进行判决。在复杂的无线信道下,多层次的神经网络模型表现出极好的时变信道自适应性能,有效补偿数字调制信号的失真;在判决性能上,深度学习依然有足够的容量提取大量信号的先验信息,并将门限值设定为接近理论的最小损失值。针对现有数字解调系统在复杂背景及衰落信道下检测困难以及非线性信道均衡的问题,本文将多层次神经网络结构的信号处理技术引入到了数字解调领域,并针对多径信道,分别独立设计了相应的均衡系统与信号检测系统。在多径信道的基带等效模型中,将多层感知器与信道均衡结合,提出了一种改进的权值优化算法,建立的自适应判决反馈均衡器基于星座图的欧氏距离展开性能分析,并对多普勒频移以及2-径模型造成的星座图模糊情况进行了校正。在仿真分析中,数字调制信号通过建模的多径信道传输,对结果进行了比较,在非线性条件下,相比自适应的线性最小均方算法的判决反馈均衡器,多层感知器结构的判决反馈均衡器具有更好的均方误差以及鲁棒性能,并在同样的基带解调映射规则下,多层感知器结构的均衡器取得了更低的误码率。最后,针对带通通信系统模型,为了提高频率选择性衰落信道下信号的解调性能,提出了一种稳定的卷积神经网络检测与判决模型。卷积神经网络的输入为时域的一维采样序列,通过构建两个串行的卷积层分别对同相分量和正交分量的信息进行独立的特征提取,后层的全连接层对已调信号的特征进行检测。仿真结果表明,双码元联合输入判决的卷积神经网络解调方案有效利用了相邻符号间干扰的大数据特征,在低信噪比下,对比归一化信道估计误差为5%的相干解调,16QAM信号误码率提升接近6dB。
李杨[9]（2019）在《基于深度学习的人脸检测与特征点定位》文中研究说明人脸作为直接、可靠的生物特征,在信息安全、社会公共安全、虚拟现实和增强现实等领域具有广泛的应用。人脸检测与特征点定位作为人脸图像分析与处理的关键步骤,其检测和定位的准确性将极大地影响人脸识别、表情分析、头部姿态估计、凝视方向分析、疲劳度检测、三维重建与动画合成等各类任务的性能。本文借鉴近年来深度学习在计算机视觉领域取得的突破性进展,重点围绕人脸应用中的人脸检测、特征点定位开展研究和算法设计,具有重要的理论意义和实用价值。作为人脸分析处理任务的首要环节,以实时性、减少模型参数量为主要出发点,本文设计了基于单阶段目标检测器的人脸检测模块。通过分支模块、多检测分支等方法进行多尺度特征提取,在提高单阶段人脸检测器精度的同时,实现了检测速度与精度间的良好平衡。同时本文通过锚点数量扩充以及特征金字塔方法,一方面增加了小尺寸的候选框数量,另一方面增强了前层检测分支所提取到的特征,有效提高了小人脸检测性能。最后在通用人脸检测数据集上进行了定量与定性的性能评估,并与多种人脸检测方法进行了比较。为了充分利用人脸特征点间的固有空间关系,提高大姿态下的人脸特征点定位精度,本文基于沙漏网络设计了人脸特征点定位模块。将特征点坐标回归转化成提取二维特征点热图,通过多次上采样、下采样获取了多尺度特征,有效提高了特征点定位精度。针对二维、三维人脸特征点定义不一致的问题,分别使用二维、三维特征点标签进行了模型训练,改善了二维以及三维人脸特征点的定位性能。本文在多个通用数据集上对算法进行了性能评估与比较。测试结果表明,本文所设计的人脸检测模块在AFW、PASCAL Faces、FDDB数据集上的检测精度分别为0.987、0.969以及0.963,在单块GTX 1080Ti GPU上每张图像的平均检测时间为12毫秒。本文的人脸特征点定位模块（二维）在300W数据集上的瞳孔间距离归一化平均误差为 5.02,其中 300W-Common、300W-Challenging 子集上 NME 分别为 4.67、7.29;在AFLW2000-3D数据集上,按头部姿态进行划分,本文人脸特征点定位模块（三维）的边界框归一化平均误差分别为2.56（0到30度）、3.31（30到60度）、4.42（60到90度）,整体平均NME为3.46。与现有算法相比,本文的人脸检测模块在提高检测速度、降低模型参数量的同时,实现了较高的检测精度;另外,本文的人脸特征点定位模块可以有效提高大姿态下的特征点定位精度,可以同时提取人脸轮廓与三维姿态信息。
杜超[10]（2019）在《深度生成模型的学习算法及其在推荐系统中的应用研究》文中研究指明生成模型是机器学习中重要的无监督学习方法,能够以概率分布形式刻画数据中的隐含特征。随着大数据时代的到来,深度学习方法在诸如自然图像等复杂数据场景中取得了令人瞩目的成果。深度生成模型结合了深度学习的表示能力和生成模型的统计理论基础,具有诸多优点,例如能够建模复杂形态数据的概率分布、能够回答复杂数据中的推断问题、具备良好的泛化能力等,因而受到了学者们广泛的关注。然而,由于深度生成模型通常包含复杂的神经网络结构,其学习和推断方法面临着很多挑战:如何建模深度生成模型的模型不确定性;如何引入模型先验知识;如何防止深度生成模型过拟合;如何对其隐含特征进行快速推断;如何学习没有显式定义似然函数的隐式深度生成模型;如何解决隐式深度生成模型学习中常见的模态坍缩问题等。本文针对上述深度生成模型学习算法的挑战,从建模模型不确定性、提升样本多样性等角度展开理论研究,并探索其在推荐系统场景中的应用价值。本文的主要贡献如下:1.提出双随机梯度马尔可夫链蒙特卡洛算法,对显式深度生成模型参数进行（近似）贝叶斯推断,以建模模型不确定性,防止模型过拟合。创新性地提出了神经自适应重要性采样方法,引入提议分布近似模型隐含变量的后验分布,快速地估计了数据样本似然的梯度,克服了传统贝叶斯推断方法的低效问题。在不同的显式深度生成模型上,提升了模型的学习质量。2.提出基于指导显式模型的隐式深度生成模型学习算法,用于学习缺乏显式似然定义的深度生成模型。通过理论分析提出了有助于防止模态坍缩问题的训练准则。创新性地利用隐式模型产生的样本作为显式模型的训练数据,将训练准则形式化为双层优化问题,并引入了梯度展开技术近似求解双层优化问题。在保持隐式深度生成模型样本质量的同时,解决了模态坍缩问题。3.在推荐系统场景中,提出基于用户-对象共自回归的协同过滤模型及其快速学习算法。创新性地借助深度生成模型描述了用户行为的产生过程,刻画了用户行为在用户间及对象间的相关性,并提供了用户及对象的隐含特征表示。创新性地提出了基于动态选取小批量样本的快速学习算法,克服了用户行为数据不独立的问题。在不同的个性化推荐任务中,提升了推荐性能。
二、简化的广义多层感知机模型及其学习算法（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、简化的广义多层感知机模型及其学习算法（论文提纲范文）
（1）神经网络、深度学习与自然语言处理（论文提纲范文）
| 一、大脑神经网络 |
| 二、人工神经网络 |
| 三、“异或”问题 |
| 四、前馈神经网络 |
| 五、人工神经网络的分期及其进一步发展 |
（2）基于AIS信息的船舶航迹预测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.3 当前存在问题 |
| 1.4 论文内容安排 |
| 1.4.1 本文主要研究方法 |
| 1.4.2 本文组织安排 |
| 第二章 AIS报文解析技术 |
| 2.1 AIS和 AIS报文 |
| 2.1.1 AIS简介 |
| 2.1.2 AIS报文的报告间隔 |
| 2.1.3 AIS报文消息类型 |
| 2.1.4 AIS报文结构 |
| 2.2 AIS暗码报文解析 |
| 2.2.1 将暗码转换为二进制码串 |
| 2.2.2 将二进制码串解析为AIS信息 |
| 2.3 本章小结 |
| 第三章 GABP预测船舶航迹 |
| 3.1 BP神经网络 |
| 3.1.1 神经元模型 |
| 3.1.2 BP神经网络模型 |
| 3.2 遗传算法原理 |
| 3.3 遗传算法优化BP神经网络预测船舶航迹 |
| 3.3.1 本文提出的遗传算法编码方法 |
| 3.3.2 本文使用的遗传操作 |
| 3.3.3 神经网络数据集构建 |
| 3.3.4 优化BP神经网络预测船舶航迹过程 |
| 3.4 仿真结果和分析 |
| 3.5 本章小结 |
| 第四章 BP神经网络的在线学习预测船舶航迹 |
| 4.1 BP神经网络 |
| 4.2 BP神经网络的离线学习 |
| 4.3 BP神经网络的在线学习 |
| 4.4 神经网络预测船舶航迹 |
| 4.3.1 神经网络离线学习预测船舶航迹 |
| 4.3.2 神经网络在线学习预测船舶航迹 |
| 4.5 实验结果和分析 |
| 4.5.1 BP在线学习和离线学习 |
| 4.5.2 GABP在线学习和离线学习 |
| 4.5.3 实验结论 |
| 4.6 本章小结 |
| 第五章 基于地图平台的船舶航迹预测 |
| 5.1 预测航迹 |
| 5.2 预测航迹的格式转换 |
| 5.3 预测航迹的可视化平台导入 |
| 5.3.1 预测航迹全局图 |
| 5.3.2 预测航迹局部图 |
| 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 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（3）面向复杂时变信号分析的动态神经网络模型与算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与思路 |
| 1.4 论文章节安排 |
| 2 相关知识及基本理论 |
| 2.1 监督学习 |
| 2.2 人工神经网络相关理论 |
| 2.3 数据标准化方法 |
| 2.4 基于梯度下降的优化算法 |
| 2.5 分类与回归问题的评价指标 |
| 2.6 本章小结 |
| 3 基于深度小波循环卷积神经网络的短时变信号分析模型与算法 |
| 3.1 引言 |
| 3.2 面向短时变信号的DWRCNN智能分析模型与算法 |
| 3.3 实验验证与结果分析 |
| 3.4 本章小结 |
| 4 基于多特征融合的长短期记忆网络单通道长时变信号分析模型与算法 |
| 4.1 引言 |
| 4.2 面向单通道长时变信号的ILSTM智能分析模型与算法 |
| 4.3 实验验证与结果分析 |
| 4.4 本章小结 |
| 5 基于T-S过程神经网络的非周期性多通道长时变信号分析模型与算法 |
| 5.1 引言 |
| 5.2 模糊计算与过程神经网络 |
| 5.3 面向非周期性多通道长时变信号的TSPNN智能分析模型与算法 |
| 5.4 实验验证与结果分析 |
| 5.5 本章小结 |
| 6 基于概率计算过程神经网络的周期性多通道长时变信号分析模型与算法 |
| 6.1 引言 |
| 6.2 概率神经网络模型 |
| 6.3 面向周期性多通道长时变信号的PCPNN智能分析模型与算法 |
| 6.4 实验验证与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 主要研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（4）基于深度学习的命令词识别算法研究与DSP实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 命令词识别国内外研究现状 |
| 1.2.1 传统命令词识别方法 |
| 1.2.2 基于连续语音识别技术的命令词识别方法 |
| 1.2.3 基于深度学习的命令词识别方法 |
| 1.3 嵌入式平台语音识别方案 |
| 1.3.1 现有语音识别方案 |
| 1.3.2 DSP平台发展现状 |
| 1.4 本文主要工作及章节安排 |
| 第2章 命令词识别关键技术 |
| 2.1 语音特征提取 |
| 2.1.1 fBank特征 |
| 2.1.2 MFCC特征计算 |
| 2.1.3 动态差分特征 |
| 2.2 神经元和神经网络 |
| 2.2.1 神经元 |
| 2.2.2 多层感知机 |
| 2.2.3 BP算法 |
| 2.3 深层神经网络 |
| 2.3.1 深度神经网络 |
| 2.3.2 循环神经网络 |
| 2.3.3 RNN的梯度消失和梯度爆炸 |
| 2.4 本章小结 |
| 第3章 R-SRU命令词识别混合模型设计 |
| 3.1 基于LSTM网络的命令词识别 |
| 3.2 基于LSTM改进型的命令词识别 |
| 3.2.1 基于GRU网络的命令词识别 |
| 3.2.2 基于SRU网络的命令词识别 |
| 3.3 混合网络模型R-SRU的设计 |
| 3.3.1 R-SRU混合模型的提出 |
| 3.3.2 Dropout层设计 |
| 3.4 数据准备与模型训练 |
| 3.4.1 训练、测试数据集 |
| 3.4.2 特征提取 |
| 3.4.3 实验环境与模型训练 |
| 3.5 算法性能分析 |
| 3.5.1 隐藏层节点数对算法性能的影响 |
| 3.5.2 隐藏层数对算法性能的影响 |
| 3.5.3 R-SRU算法性能分析 |
| 3.5.4 不同噪声环境下模型性能分析 |
| 3.6 本章小结 |
| 第4章 G-SRU混合模型在C6655平台上的实现与优化 |
| 4.1 硬件平台设计 |
| 4.1.1 设计需求分析 |
| 4.1.2 TMS320C6655简介 |
| 4.1.3 硬件平台结构设计 |
| 4.1.4 硬件平台电路设计 |
| 4.2 G-SRU模型在C6655平台上的移植 |
| 4.2.1 开发工具 |
| 4.2.2 G-SRU模型的移植 |
| 4.2.3 实验结果 |
| 4.3 面向C6655平台的G-SRU代码优化 |
| 4.3.1 系统内存访问优化 |
| 4.3.2 代码结构优化 |
| 4.3.3 系统级代码优化 |
| 4.4 优化结果与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 缩略语对照表 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）基于卷积神经网络的清水混凝土表面气泡检测与评价（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 混凝土表面缺陷检测研究现状 |
| 1.2.2 卷积神经网络发展现状 |
| 1.3 主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 卷积神经网络理论基础 |
| 2.1 引言 |
| 2.2 人工神经网络 |
| 2.2.1 神经元 |
| 2.2.2 感知机 |
| 2.2.3 反向传播 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 网络整体架构 |
| 2.4 性能评价指标 |
| 2.5 本章小结 |
| 3 清水混凝土表面气泡的卷积神经网络目标检测 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的目标检测模型 |
| 3.2.1 Alex Net模型 |
| 3.2.2 ZFNet模型 |
| 3.2.3 VGGNet模型 |
| 3.2.4 Goog Le Net模型 |
| 3.2.5 Res Net模型 |
| 3.3 清水混凝土表面气泡检测模型 |
| 3.3.1 混凝土表面气泡数据集 |
| 3.3.2 模型整体架构 |
| 3.3.3 实验结果及性能分析 |
| 3.4 本章小结 |
| 4 清水混凝土表面气泡的卷积神经网络图像识别与量化 |
| 4.1 引言 |
| 4.2 基于区域卷积神经网络的目标检测算法 |
| 4.2.1 Fast R-CNN模型 |
| 4.2.2 Faster R-CNN模型 |
| 4.3 基于卷积神经网络的图像分割算法 |
| 4.3.1 FCN模型 |
| 4.3.2 Mask R-CNN模型 |
| 4.4 清水混凝土表面气泡识别与量化模型 |
| 4.4.1 建立数据集 |
| 4.4.2 建立模型 |
| 4.4.3 实验分析 |
| 4.4.4 量化分析 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的清水混凝土表面气泡评价 |
| 5.1 引言 |
| 5.2 评价方法及其发展趋势 |
| 5.2.1 评价方法 |
| 5.2.2 发展趋势 |
| 5.3 图像采集原则 |
| 5.3.1 拍摄条件 |
| 5.3.2 图像采集 |
| 5.4 基于卷积神经网络的清水混凝土表面气泡评价方法 |
| 5.4.1 混凝土表面气泡的评估参数 |
| 5.4.2 气泡面积百分比 |
| 5.4.3 气泡的最大直径 |
| 5.4.4 实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 |
| A 气泡的实测和量化分析数据对比 |
| B 攻读博士学位期间取得的研究成果及奖励 |
| C 攻读博士学位期间主持和参与的科研项目 |
| D 学位论文数据集 |
| 致谢 |
（6）基于深度学习的软刚臂系泊系统铰节点损伤识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景以及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海洋结构物损伤评估方法 |
| 1.2.2 基于深度学习的结构损伤识别方法 |
| 1.3 国内外研究存在的不足 |
| 1.4 本文的主要研究内容 |
| 1.5 本章小结 |
| 2 深度学习基本理论和方法 |
| 2.1 深度学习与机器学习 |
| 2.2 多隐层前馈神经网络 |
| 2.3 堆栈自动编码器网络 |
| 2.4 深度学习基础架构 |
| 2.5 本章小结 |
| 3 软刚臂系泊系统损伤评估的特征提取 |
| 3.1 软刚臂系泊系统多体动力学运动行为分析 |
| 3.2 监测信息特征处理方法介绍 |
| 3.3 基于深度学习的软刚臂系泊系统损伤识别数据特征提取 |
| 3.4 本章小结 |
| 4 基于多层前馈神经网络的软刚臂系泊系统损伤识别分析 |
| 4.1 软刚臂系泊系统仿真实验模型搭建 |
| 4.2 基于多层前馈神经网络的铰节点损伤识别模型 |
| 4.3 损伤识别模型的验证分析 |
| 4.4 本章小结 |
| 5 基于堆栈稀疏自编码网络的软刚臂系泊系统铰节点损伤识别分析 |
| 5.1 1:10比尺软刚臂系泊系统模型实验系统 |
| 5.2 缩比模型实验典型工况研究 |
| 5.3 基于深度学习方法软刚臂系泊系统损伤识别模型的训练 |
| 5.4 不同深度学习模型的的损伤评估对比分析 |
| 5.5 本章小结 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）基于人工神经网络的SiGe HBT高频噪声模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 2 SiGe HBT高频小信号等效噪声电路建模 |
| 2.1 包含非准静态效应的等效电路建模 |
| 2.1.1 等效电路模型拓扑结构的确定 |
| 2.1.2 等效电路模型参数提取方法 |
| 2.1.3 等效电路模型参数提取过程 |
| 2.1.4 参数提取结果及验证 |
| 2.2 SiGe HBT高频噪声分类及模型分析 |
| 2.3 SiGe HBT散粒噪声半经验统一模型的建立及验证 |
| 2.4 本章小结 |
| 3 基于人工神经网络的散射参数模型 |
| 3.1 神经网络的分类 |
| 3.2 本文采用的神经网络及其学习算法 |
| 3.2.1 多层感知机 |
| 3.2.2 Levenberg-Marquardt算法 |
| 3.2.3 遗传算法 |
| 3.3 神经网络的训练 |
| 3.4 基于GA+BP神经网络优化的S参数建模 |
| 3.4.1 GA与 BP神经网络的结合 |
| 3.4.2 BP神经网络建模 |
| 3.4.3 遗传算法的优化过程 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 4 四噪声参数的ANN模型及应用 |
| 4.1 四噪声参数的工程应用价值 |
| 4.2 四噪声参数的ANN建模表征 |
| 4.3 基于知识的四噪声参数ANN建模 |
| 4.4 两种ANN模型的对比分析 |
| 4.5 所建ANN模型的应用验证 |
| 4.5.1 基于四噪声参数的散粒噪声提取 |
| 4.5.2 结果对比及分析 |
| 4.6 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
（8）基于深度学习的数字调制信号解调研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容及结构安排 |
| 第2章 数字调制系统与深度学习理论基础 |
| 2.1 传统的数字调制解调方法 |
| 2.1.1 数字调制技术 |
| 2.1.2 解调器基本结构与码间干扰 |
| 2.2 小尺度衰落 |
| 2.3 信道均衡技术 |
| 2.3.1 自适应均衡滤波器 |
| 2.3.2 判决反馈均衡器 |
| 2.4 深度学习 |
| 2.4.1 神经网络 |
| 2.4.2 深度学习关键技术 |
| 2.4.3 常见深度学习模型结构 |
| 2.5 本章小结 |
| 第3章 基于多层感知器的判决反馈均衡算法 |
| 3.1 信道均衡器的设计 |
| 3.1.1 传统线性均衡器 |
| 3.1.2 神经网络结构的均衡器 |
| 3.2 数字调制系统中多层感知器结构的均衡器设计与优化 |
| 3.2.1 系统模型 |
| 3.2.2 多层感知器的优化算法 |
| 3.3 性能分析 |
| 3.3.1 均衡性能评价指标 |
| 3.3.2 基于MLP的调制信号星座图校正 |
| 3.3.3 SUI信道下基于多层感知器的信道均衡系统性能 |
| 3.4 本章小结 |
| 第4章 基于卷积神经网络的数字调制信号解调 |
| 4.1 系统模型 |
| 4.2 基于深度学习的数字调制信号检测与判决系统设计 |
| 4.2.1 解调网络构建 |
| 4.2.2 数据集的生成 |
| 4.3 性能仿真 |
| 4.3.1 运算复杂度 |
| 4.3.2 误码率性能分析 |
| 4.4 本章小结 |
| 第5章 工作总结及未来展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录 相关代码说明 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）基于深度学习的人脸检测与特征点定位（论文提纲范文）
| 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 人脸检测 |
| 1.2.1.1 基于先验知识的方法 |
| 1.2.1.2 基于统计的方法 |
| 1.2.1.3 基于深度学习的方法 |
| 1.2.2 人脸特征点定位 |
| 1.2.2.1 基于参数化模型的方法 |
| 1.2.2.2 基于回归模型的方法 |
| 1.2.2.3 基于深度学习的方法 |
| 1.3 本文主要工作及章节安排 |
| 第2章 人脸检测与特征点定位关键技术 |
| 2.1 深度学习概述 |
| 2.1.1 多层感知机与BP算法 |
| 2.1.2 卷积神经网络 |
| 2.2 人脸检测算法介绍 |
| 2.3 人脸特征点定位算法介绍 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第3章 基于卷积神经网络的人脸检测 |
| 3.1 通用目标检测方法 |
| 3.2 基于SSD的人脸检测 |
| 3.2.1 人脸检测模型设计 |
| 3.2.2 损失函数设计 |
| 3.3 数据准备与模型训练 |
| 3.3.1 训练、测试数据集选择 |
| 3.3.2 数据增强 |
| 3.3.3 实验环境与模型训练 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络的人脸特征点定位 |
| 4.1 残差网络与特征点热图 |
| 4.2 基于沙漏网络的人脸特征点定位 |
| 4.2.1 人脸特征点定位模块设计 |
| 4.2.2 损失函数设计 |
| 4.3 数据准备与模型训练 |
| 4.3.1 训练、测试数据集选择 |
| 4.3.2 数据增强与模型训练 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 缩略语对照表 |
| 攻读学位期间的研究成果 |
| 致谢 |
（10）深度生成模型的学习算法及其在推荐系统中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 深度生成模型 |
| 1.1.2 推荐系统 |
| 1.2 研究现状及难点 |
| 1.2.1 相关工作介绍 |
| 1.2.2 研究难点及挑战 |
| 1.3 研究内容及主要贡献 |
| 1.4 论文组织 |
| 第2章 背景知识 |
| 2.1 参数估计方法 |
| 2.1.1 最大似然估计 |
| 2.1.2 最大后验估计 |
| 2.1.3 后验均值估计 |
| 2.2 贝叶斯推断方法 |
| 2.2.1 变分推断方法 |
| 2.2.2 马尔可夫链蒙特卡洛方法 |
| 2.3 随机优化方法 |
| 2.3.1 随机梯度下降算法 |
| 2.3.2 Adam优化算法 |
| 2.4 本章小结 |
| 第3章 双随机梯度马尔可夫链蒙特卡洛算法 |
| 3.1 研究动机 |
| 3.2 显式深度生成模型及其贝叶斯推断 |
| 3.2.1 显式深度生成模型的定义 |
| 3.2.2 显式深度生成模型的学习 |
| 3.3 双随机梯度马尔可夫链蒙特卡洛算法 |
| 3.3.1 参数空间的随机梯度马尔可夫链蒙特卡洛采样 |
| 3.3.2 样本似然梯度估计——吉布斯采样 |
| 3.3.3 样本似然梯度估计——神经自适应重要性采样 |
| 3.3.4 完整算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 离散型隐含变量模型的学习 |
| 3.4.3 连续型隐含变量模型的学习 |
| 3.4.4 效率分析 |
| 3.5 本章小结 |
| 第4章 基于指导显式模型的隐式深度生成模型学习算法 |
| 4.1 研究动机 |
| 4.2 隐式深度生成模型 |
| 4.2.1 隐式深度生成模型的定义 |
| 4.2.2 模态坍缩问题 |
| 4.3 基于指导显式模型的学习算法 |
| 4.3.1 隐式深度生成模型的最大似然估计 |
| 4.3.2 结合生成式对抗网络的LBT算法 |
| 4.3.3 基于梯度展开技术的优化算法 |
| 4.4 实验结果与分析 |
| 4.4.1 人工合成数据集 |
| 4.4.2 三通道层叠的MNIST手写数字数据集 |
| 4.4.3 自然图像数据集 |
| 4.4.4 敏感度分析 |
| 4.5 本章小结 |
| 第5章 基于用户-对象共自回归模型的协同过滤推荐算法 |
| 5.1 研究动机 |
| 5.2 基于用户-对象共自回归的协同过滤模型 |
| 5.2.1 协同过滤推荐 |
| 5.2.2 相关性的显式建模 |
| 5.2.3 用户行为排序 |
| 5.3 快速学习算法 |
| 5.4 实验结果与分析 |
| 5.4.1 评分预测任务 |
| 5.4.2 对象推荐任务 |
| 5.4.3 模型参数可视化 |
| 5.4.4 效率分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
四、简化的广义多层感知机模型及其学习算法（论文参考文献）
- [1]神经网络、深度学习与自然语言处理[J]. 冯志伟. 上海师范大学学报(哲学社会科学版), 2021(02)
- [2]基于AIS信息的船舶航迹预测算法研究[D]. 陈幸强. 天津理工大学, 2021(08)
- [3]面向复杂时变信号分析的动态神经网络模型与算法研究[D]. 封乃丹. 山东科技大学, 2020(06)
- [4]基于深度学习的命令词识别算法研究与DSP实现[D]. 汤剑. 苏州大学, 2020(02)
- [5]基于卷积神经网络的清水混凝土表面气泡检测与评价[D]. 魏伏佳. 重庆大学, 2020(02)
- [6]基于深度学习的软刚臂系泊系统铰节点损伤识别方法研究[D]. 赵梓舒. 大连理工大学, 2020(02)
- [7]基于人工神经网络的SiGe HBT高频噪声模型[D]. 何林. 西南科技大学, 2020(08)
- [8]基于深度学习的数字调制信号解调研究[D]. 宗志辉. 重庆邮电大学, 2019(02)
- [9]基于深度学习的人脸检测与特征点定位[D]. 李杨. 苏州大学, 2019(04)
- [10]深度生成模型的学习算法及其在推荐系统中的应用研究[D]. 杜超. 清华大学, 2019(02)