一、时延细胞神经网络的全局稳定性(英文)(论文文献综述)
马宁[1](2021)在《基于数据驱动的火电机组SCR脱硝系统建模方法研究》文中研究表明基于过程数据建立火力发电系统的数据驱动模型是实现电站优化、控制、状态评估以及智慧电厂构建的重要基础。如何利用电站过程数据,挖掘数据中的有效信息用于指导实际生产也成为目前学者的研究热点。随着发电机组容量趋于大型化以及国家对环保要求的不断提高,火电机组的大气污染物排放已被纳入严格监管,对火电机组烟气排放管理,采用单一的低氮氧化物(NOx)燃烧控制技术很难达到规定的NOx排放标准,必须同时采用二次烟气净化方法,包括目前广泛采用的选择性催化还原(Selective Catalytic Reduction,SCR)烟气脱硝方法。SCR脱硝系统反应机理复杂,影响因素多,具有非线性强、大惯性的特点,建立准确的脱硝系统模型,掌握SCR系统的运行特性,对于提高脱硝效率、机组经济环保运行具有重要意义。本文通过结合电站历史数据、智能优化算法和智能建模技术,对火电机组SCR脱硝系统的数据驱动建模方法进行了深入研究,开展了以下研究工作:(1)针对电站历史数据具有数量大,稳定工况数据与非稳定工况数据相互混合的特点,设计一种结合信号分解能量去噪的滑动窗口稳态检测方法,该方法首先利用信号分解与能量去噪结合的方法对待检测数据进行去噪处理,再通过计算窗口内数据标准差判断数据是否处于稳态,并利用标准差递推的计算方法避免大量重复计算;借鉴机器学习中数据标记思想,通过对少量稳态数据进行状态标记的方法确定稳态检测方法最佳的滑动窗口长度和标准差阈值,将所提方法用于某电站1000MW机组总风量稳态数据检测,结果验证了该方法的有效性。(2)针对标准量子粒子群算法(Quantum particle swarm optimization algorithm,QPSO)在搜索后期容易出现陷入局部极值点和搜索精度降低的问题,提出一种基于融合差分进化算法的改进量子粒子群算法,该算法通过在量子粒子群算法基础上融合差分进化算法中变异、交叉、选择操作用以增加搜索种群变化的多样性,并利用局部搜索策略提高对个体极值信息的利用水平进而增强算法搜索精度,采用标准测试函数对改进量子粒子群算法进行测试,结果表明了改进算法的优越性。(3)利用(2)中所提改进量子粒子群算法与极限学习机(Extreme learning machine,ELM)模型结合,通过优化ELM模型内部参数的方式提高ELM模型的稳定性并使ELM具有更好的建模效果,利用某1000MW火电机组历史数据库中稳态数据建立了基于改进量子粒子群算法优化ELM的SCR脱硝系统入口 NOx浓度静态模型和SCR脱硝系统出口 NOx浓度静态模型,并与其它方法所建模型进行比较,结果表明本文所建模型的预测精度高于其它模型,能够取得良好的预测效果。(4)针对在可用建模样本数量少,变量间相关耦合程度高的情况下难以建立高精度模型的问题,提出了一种基于极限学习机内部映射的非线性偏最小二乘(Nonlinear partial least squares,NLPLS)建模方法,该方法首先利用线性PLS作为模型的外部框架提取输入输出主成分,同时消除变量间的相关性,再利用极限学习机作为内部函数反映内部非线性关系,此外,将误差最小化的权值更新方法引入到模型中用以提高模型的预测精度,用该方法构建稳态建模样本较少情况下的SCR脱硝系统入口NOx浓度模型和SCR脱硝系统出口 NOx浓度模型,得到了较高的预测精度。(5)针对在变工况下SCR脱硝系统入口、出口 NOx浓度静态模型难以对SCR脱硝系统的入、出口 NOx浓度进行精准预测,并考虑到变量间存在强相关性以及动态过程输入输出变量间存在时延的特点,提出了一种基于输入时延-特征提取的SCR脱硝系统动态过程建模方法。该方法利用主成分分析技术对已选辅助变量进行特征提取,在降低变量之间相关性的同时也减少了模型输入维度,将提取的主成分当前时刻以及主成分的历史数据信息作为模型输入;此外,系统输出的历史数据信息也作为反馈信号引入到模型输入中,利用某电站1000MW火电机组实际运行数据建立了 SCR脱硝系统入口 NOx浓度动态模型和SCR脱硝系统出口 NOx浓度动态模型,并在建模过程中分析了不同输入时延对动态模型的影响,实验结果表明使用所提方法建立的动态模型能够准确地反映系统动态过程特性,具有较高的非线性拟合能力以及良好的泛化性能。
王颜羽[2](2020)在《时变时滞神经网络稳定性和无源性的研究》文中进行了进一步梳理近几十年来,在控制领域中,非线性和时滞一直是神经网络系统的重点和热点。在神经网络系统的具体实现和专业应用中,神经元的固定传输时间和有限的信息传输速率不可避免地会导致系统的时延;另外,环境噪声,未知参数以及各种实际项目中经常遇到的干扰,这使得开发精确的数学模型非常困难。不确定性的存在不可避免地使系统性能下降,甚至使动态系统不稳定。如今,针对复杂的未知非线性系统问题,滚动优化控制可以更好地适应实际系统并具有更强的鲁棒性。但是目前的研究中鲜见在滚动优化控制中加入随机参数不确定性因素。另外,对于系统的稳定性理论本质上是可以从无源性入手,无源性是一种综合性分析方法。因此,研究具有泄漏延迟的神经网络的无源问题是十分有必要的。在理论和实际情况与神经网络建模相结合的基础上,加入随机参数不确定性因素也是一个至关重要的考虑。因此,本论文针对上述问题,首先研究是具有时变时滞的神经网络的滚动优化稳定性分析问题。通过构造适当的Lyapunov-Krasovskii泛函(LKF),引入更多系统信息;对于分析过工程中产生的新交叉项矩阵,通过基于辅助函数的积分不等式方法进行处理,使结果具有更多的自由度,从而得到了优化成本函数的最终加权矩阵的新条件,降低了其保守性,提高了其延迟上限。最后,通过仿真实例与已有结论进行对比,说明该方法的优越性。其次,本论文还研究了具有泄漏时滞的神经网络的鲁棒性和无源性的相关问题。通过选择合适的LKF,并利用Wirtinger不等式和自由权矩阵等方法来改进延迟标准,并以线性矩阵不等式的形式表示,实现广义激活函数。建立充分的条件,以保证所考虑的神经网络的鲁棒稳定性和无源性。最后,利用LMI工具箱给出了系统状态轨迹图,证明本文提出的标准的有效性和保守性。最后,结合上述研究的神经网络中加入带有随机参数不确定性(ROU)因素。该ROU遵循一些不相关的Bernoulli分布白噪声序列,它通过自由和随机的方式进入神经网络。利用合适的引理,将本文所加入的ROU问题转化为线性矩阵不等式。带有随机不确定的神经网络的滚动优化分析提供了一个新的时滞相关条件,以保证得到一种保守更低的延迟依赖随机稳定性准则。利用给出的实验,证明本文提出标准的有效性。
唐艳倩[3](2020)在《时变时滞神经网络的稳定性分析》文中进行了进一步梳理近年来,神经网络已经广泛应用于图像处理,故障诊断,复杂系统控制等各个领域。众所周知,神经网络系统的许多应用很大程度上都依赖于其动力学行为,尤其对于平衡点的存在性和稳定性。而且,在实际的应用中由于放大器的转换速度和信息处理速度有限,导致时滞在神经网络系统中往往是难以避免的。时滞的存在,不仅会使系统的性能降低,而且会导致系统不稳定甚至紊乱。在许多实际问题中,还存在一种不同于传统时间延迟的典型时间延迟,称为泄漏延迟,在以往的许多模型建模中常被忽略。一般来说,泄漏延迟通常有使神经网络不稳定的趋势,因此泄漏时滞和传统的时间延迟一样,都是目前研究的重点。本文主要的研究工作如下:首先,对基于时变时滞神经网络的稳定性进行分析,根据已有判据所存在的保守性问题进行两方面的改进。第一通过构造合理的李雅普诺夫-克拉索夫斯基泛函(LKF),第二对LKF导数中出现的积分项运用改进的方法进行处理。通过结合这两种方法,提出了基于改进的积分不等式的时变时滞神经网络的稳定性判据,其稳定性判据的保守性有所降低。其次,在对时变时滞神经网络的稳定性进行分析时,为了达到进一步降低保守性的效果,在上一章的基础上通过采取正交多项式及交互凸的方法处理LKF导数中出现的积分项,提出了基于正交多项式的时滞神经网络的稳定性判据。所得稳定性判据较上一章有所改进。再次,对具有时变时滞和泄漏时滞的神经网络进行稳定性分析,由于泄漏时滞与传统时滞一样对系统的稳定性所造成的影响不容忽视。所以在这一章节中针对系统模型构造了合理的LKF,使其包含更多的状态信息与时滞信息。并对LKF中导数出现的积分项采用正交多项式及交互凸的方法进行处理,得到了具有时变时滞和泄漏时滞的神经网络的稳定性判据。并通过对本章与上一章进行分析,验证了泄漏时滞对系统稳定性的影响程度。最后,通过结合不同的数值仿真实例,对上述方法进行了验证。由于LMI方法得到的稳定性判据易于用Matlab软件工具箱LMI进行验证和比较。因此,在对系统进行稳定性分析时经常用LKF和LMI相结合的方法进行分析,通过数值分析结果,证明该方法的有效性,并做出了相应的仿真。
唐健[4](2020)在《深度学习语音识别系统中的若干建模问题研究》文中研究说明语音作为人类交流的自然方式,其作为人机交互的手段拥有的先天优势。自动语音识别要为了让计算机能够“听懂”人类的语音,实现由语音序列向文本序列的转化。伴随着深度学习发展,基于深度神经网络的语音识别如今已经成为主流。现在语音识别后端建模有两种框架:混合和端到端架构。在此背景下,本论文集中在两种架构下语音识别的若干建模问题研究。一方面,在混合架构下针对建模中的实用性问题(如时延问题,噪声鲁棒性问题)进行研究,‘减’少实际应用场景(如时延要求、噪声)对性能的影响;另一方面,针对端到端语音识别架构的不足,研究目前端到端模型的合理性问题(如注意力向量优化和多层级标签建模)。通过在模型搭建中加入‘低成本’但有效信息(如后验信息、多层级标签信息),为识别性能做‘加’法。首先、针对语音识别系统的时延问题,本文研究基于长短期记忆(Long Short Term Memory,LSTM)网络的在线语音识别声学建模。单向LSTM网络结构无时延但缺乏对未来时序的利用,双向LSTM网络充分利用了上下文时序信息但存在高时延的缺点。针对在线语音识别声学建模的高性能、时延可控的要求,本文提出了一种基于注意力机制的LSTM层结构(Attention-based LSTM,ALSTM)。ALSTM结构通过LSTM记忆历史时序,通过注意力机制建模一定窗长内的未来时序。实验结果表明由多层ALSTM串联构成的声学模型能获得与基于BLSTM识别系统相仿的性能表现。其次,针对语音识别系统的噪声鲁棒性问题,本文提出了稠密残差网络(Densely Connected Residual Network,DenseRNet),并用于构建声学模型。DenseR-Net采用残差网络的方式构建模型的基础单元,基础单元的连接采用稠密网络的稠密连接的方式。整体可以视为稠密网络和残差网络的融合。DenseRNet通过更充分利用多分辨率的隐层表达使得声学模型更具备鲁棒性。实验结果与可视化分析共同说明,该模型对不同信噪比语音具有鲁棒性。再次、针对注意力向量的优化问题,本文在端到端语音识别模型中探讨了使用模型后验信息对其优化的方法。我们尝试将后验注意力模型引入语音识别中并根据任务的特点进行相应的结构调整。实验表明模型的识别性能未达预期,并且模型受到曝光偏差的影响加剧。注意到该问题,本文进一步提出基于散度距离的惩罚项和交替更新策略(Alternate Learning Strategy,ALS)用于缓解曝光偏差问题。前者通过散度距离损失纠正后验信息使用所带来的曝光偏差,后者通过在编码-解码模型训练阶段引入采用推论方式计算的“辅助步”。实验表明,本文最终提出的扩展后验注意力模型(Extended Posterior Attention Modeling,EPAM)相较于传统的编码-解码模型在语音识别上具备了明显的性能优势。最后,结合现有研究工作中多层级标签建模不成熟、提升效果不明显的问题,本文提出了一种基于多文本序列间对齐映射的多层级标识端到端语音识别建模方法。语音识别中的目标文本序列可以是词级、字符级、子词级文本序列。多层级文本序列的获取成本很低但包含丰富的信息,并且我们注意到多层级文本序列间存在隐性的对齐映射关系。基于以上原因,本文将多文本序列间对齐映射关系引入端到端语音识别建模中,并提出将该对齐关系引入端到端模型搭建和解码过程中。具体来说,本文设计了一个全新的交互解码器结构用于生成多层级的文本输出预测;在解码阶段,本文提出了联合解码算法,该算法可以进一步对多层级预测输出结果进行交叉验证。在Switchboard和WSJ数据集的实验结果共同表明,基于多层级标识的端到端语音识别模型相比于传统的端到端语音识别系统可获得15%以上的相对词错误率下降。
张帅[5](2020)在《忆阻神经网络的动力学分析及控制》文中研究指明忆阻器是一类具有记忆功能的非线性电阻,具有尺寸小、能耗低、读写速度快等优点,被认为是模拟人脑实现人工智能的理想元器件。忆阻器的出现为现阶段计算与存储之间的速度矛盾提供了很好的研究方向,具有重要的理论和工程意义。使用忆阻器替代神经网络中的电阻构成忆阻神经网络,有助于提升计算机处理信息的能力。但是,由于忆阻器的特殊性质,神经网络系统上的研究成果无法直接应用到忆阻神经网络系统中,而关于忆阻神经网络系统动力学行为的研究还处于早期阶段。因此,本文专注于忆阻系统动力学行为的理论研究,在Filippov解的结构框架下,通过使用微分包含理论和凸包理论,研究了忆阻系统的不同动力学行为及控制,以下所有理论成果都进行了仿真验证,主要内容如下:(1)研究了具有延迟的复值忆阻神经网络系统的稳定性。依据Liouviille定理,复值域不存在有界且解析的激活函数,将复值忆阻神经网络系统拆分为两个实值系统进行分析。利用M-矩阵知识,证明了拆分后得到的两个实值忆阻系统是原复值忆阻系统的一个同胚;此后,基于Lyapunov稳定理论,利用M-矩阵知识,证明拆分后得到的两个实值系统的稳定性,进一步依据同胚定理间接证明了原复值系统的稳定性。(2)研究了间歇控制下复值忆阻神经网络时延系统的同步问题。在周期间歇控制的控制下,通过使用Hanalay不等式在内的相关理论,得到与控制周期和延迟项有关的充分条件。另外,基于非周期间歇策略,研究了具有时变延迟和参数不确定忆阻神经网络系统的有限时间同步。通过设计合适的间歇调整控制器,推导出充分条件和有限时间T。研究表明,设计的间歇调整控制器可以有效消除外部扰动带来的影响,并实现有限时间同步。(3)针对复值忆阻神经网络系统参数跳变不匹配的情况,研究其主-从系统的拟投影同步问题。在微分包含框架下,为处理去除激活函数常用的约束条件而导致的参数不匹配,建立了与跳变阈值和投影比例因子有关的引理。使用线性反馈控制器,运用导出的引理和拟投影同步相关理论,在参数跳变不匹配情况下,得到无时延和有时延系统的拟投影同步准则和误差界限。(4)针对分数阶复值忆阻神经网络系统参数跳变不匹配的情况,研究分数阶主-从系统的拟同步问题。基于分数阶微分包含理论,在Caputo型(α∈(0,1))分数阶导数的定义下,运用无延迟和有延迟的相关拟同步理论和Mittag-Leffler函数性质,使用线性反馈控制器,分别讨论了该类型分数阶复值神经网络系统在无时延和有时延情况下的拟同步问题,并导出对应的拟同步准则和误差界限。
张驰[6](2020)在《融合微波和声波的粮食水分和温度检测技术研究》文中进行了进一步梳理粮食水分和温度是粮食仓储过程中的重要参数,将它们控制在适当范围是保证储粮安全的重要手段,而目前粮食水分检测方法费时费力,无法实现就仓在线检测。虽然有如红外法、谐振腔微扰法、电容法等方法可以实现在线检测,但它们感知区域有限,检测结果对于储粮水分缺乏代表性。微波透射法具有较好的穿透性,可以适用于大范围粮食的水分检测,但是检测结果受粮食体密度和温度影响较大。当前储粮温度检测中大量采用的传感器会严重干扰微波信号,这制约了微波透射法在储粮水分检测领域的应用,因此在粮仓中微波透射法需要与一种非侵入式测温方法配合使用。声波测温法是一种非侵入式的测温方法,因其具有较好的穿透性使它适合与微波透射法结合应用于储粮检测领域。本文为融合微波和声波检测技术实现储粮水分和温度的检测,主要工作和创新成果如下:第一,研究粮食复介电常数测量方法。本文运用仿真方法研究终端开路的同轴复介电常数探头应用于粮食测量领域时的设计约束,研究结果显示探头感知区域半径需达到粮食颗粒长度的2.5倍以上,而且在1~5 GHz频率范围探头感知区域半径近似随着内导体半径的增大而线性增大。在此基础上设计制作了适用于颗粒长度小于10 mm小麦的复介电常数测量探头,并且在考虑样品槽对电磁场影响的情况下,采用模式匹配法建立探头端面反射系数的解析模型,利用最小二乘法实现模型正问题求解(由被测小麦复介电常数计算探头端面反射系数),利用窄带扫频法和卷积神经网络算法实现模型逆问题求解(由探头端面反射系数计算被测小麦复介电常数)。第二,建立粮食水分、温度、体密度与复介电常数的关系模型。通过测量12组湿基水分在1.1%~25.4%范围的硬白冬小麦样品在15~35℃、1~5 GHz的复介电常数,分析频率、水分和温度对复介电常数的影响。分析结果显示在1~5 GHz范围,小麦介电常数随着频率的增大而减小,小麦损耗因子随频率的变化与水分相关,当湿基水分小于7.9%时损耗因子随着频率的增大而减小,而当湿基水分大于等于7.9%时损耗因子随着频率的增大而增大。频率固定时,小麦介电常数随湿基水分的增大而增大,损耗因子随着湿基水分增大呈现先缓慢增大再快速增大最后慢速增大的趋势。小麦介电常数和损耗因子都随着温度的增大而增大,并且增大程度随频率增大而减小,随湿基水分的增大而增大。在此基础上,将小麦看作干物质、结合水、游离水和空气的混合物建立小麦的复介电常数模型(R2>0.99),并且温度对模型的影响可以采用一组线性函数修正。此外,通过解耦模型可以分别得到小麦湿基水分模型(R2>0.99)和小麦体密度模型(R2>0.97)。第三,建立粮食水分、温度、体密度与粮食中声速的关系模型。通过测量12组湿基水分在1.1%~25.4%范围的硬白冬小麦在低、中、高三种体密度下和15~25℃下的声速,发现500~1500 Hz声速随着频率的增大而增大,这种变化趋势可以用二次曲线拟合。对于同频率的声波,声速随着湿基水分的增大呈现先减小后增大的特性,这种趋势也可以用二次曲线拟合。对于确定水分的小麦,声速随着温度的增大而增大,随着体密度的增大而减小。在此基础上,本文建立了描述小麦中声速与湿基水分、温度和体密度关系的模型(R2>0.97)。此外,考虑到小麦水分是通过影响小麦堆中的孔隙尺寸进而影响声速,本文利用等效流体JCA(Johnson-Champoux-Allard)模型和粒子群算法实现小麦堆中平均孔隙尺寸的估计,并且研究发现平均孔隙尺寸随着水分的增加呈现先缓慢减小后增大的现象。第四,提出融合微波和声波的粮食水分、温度和体密度检测技术。为解决粮堆水分、温度、体密度对多种电子传感器存在交互影响问题,本文采用微波和声波透射法相结合的检测方法,通过测量粮食的复介电常数和粮食中的声速,并结合复介电常数模型和粮食中声速模型实现水分、温度和体密度的计算。在此基础上,设计搭建实验装置验证本文提出方法的有效性。通过测量实验装置未装入粮食时(空气作为填充介质)微波信号的时延和衰减以及声波信号时延实现实验装置的校准。在考虑仓储小麦常见的湿基水分范围下,采用湿基水分范围:11.8%~17.2%、温度范围:25~35℃、体密度范围:737~790 mg/cm3的12组样品作为实验对象验证本文提出方法的有效性,实验结果显示湿基水分测量绝对误差小于0.7%、温度测量绝对误差小于0.9℃、体密度测量绝对误差小于10mg/cm3。
黄晓荣[7](2020)在《基于时延神经网络的语音识别研究》文中提出随着深度学习的发展,基于时延神经网络(Time Delay Neural Network,TDNN)的语音识别已经成为主流方法之一,而目前的研究过程中仍然存在一些问题。一方面目前仍然缺乏对于TDNN加深的研究,以及如何更好地对提取时延神经网络不同时间尺度的上下文特征的研究;另一方面对于端到端语音识别来说,在低资源语音识别场景下容易遇到数据匮乏的问题,从而导致性能下降。针对以上的问题,我们的主要研究内容和成果如下:(1)提出基于随机深度的因子分解时延神经网络。传统的时延神经网络对于每一个上下文拼接层只采用一个权重矩阵进行特征提取,限制了对不同时间上下文特征的提取能力。针对这个问题,本文对提出在时延神经网络的每一个上下文拼接层后面加深。在加深的基础上,本文通过引入残差连接和随机深度的训练方式来增强模型的泛化能力。对于参数量增加的问题,本文提出了基于随机深度的因子分解时延神经网络,对加深的前馈神经网络层采用奇异值分解的结构进行初始化,并将其中一个权重矩阵限定为半正定的来保证训练的稳定。实验结果表明,在AMI和SWBD英文数据集上,本文提出的模型在性能优于优于传统的时延神经网络,且能达到与循环神经网络相当的结果,在实际应用中具有低时延、易收敛、高效计算等优点。(2)在基于端到端的低资源语音识别场景下,针对数据匮乏问题,在知识迁移上,本文提出采用单步权重迁移的方式进行知识迁移,在英语到英语、英语到捷克语的低资源场景下均取得了提升;在输出建模单元上,针对输出单元上文双音素数据匮乏的问题,本文提出采用一种适合低资源语音识别场景下的上文双音素绑定算法,在降低模型参数量的同时,也缓解了输出单元数据匮乏的问题;在声学建模上,本文提出基于卷积神经网络的随机深度因子分解时延神经网络,该网络在加深的前馈神经网络层中采用奇异值分解的结构进行初始化,并通过随机深度的训练方式、卷积神经网络的输入层增强模型在低资源场景下的泛化能力。最后,通过与目前一些主流的端到端模型相比,本文提出的算法在基于端到端的低资源语音识别场景上对模型参数量和模型性能均有显着提升。
罗妮[8](2020)在《忆阻神经网络非线性特性分析及同步控制方法研究》文中认为随着人工智能的普及和飞速发展,神经网络在图像信号处理、语音信号识别、自动控制、交通运输等诸多技术领域的应用受到越来越多的重视和关注并发挥着重要的作用。为了实现人工智能应用,传统的冯·诺依曼计算机的数据处理能力和命令执行速度受到了巨大的挑战。从神经网络中得到灵感,并向不同于传统冯·诺依曼计算架构的智能架构演化。2008年惠普(HP)研究人员发现基于纳米级别的阻变式存储器(RRAM)中存在忆阻特性,宣布找到1971年蔡少棠教授提出的忆阻器。由于忆阻器的工作方式与神经突触类似,忆阻器件也被认为是神经网络应用的良好候选器件。与权值固定的神经网络相比,忆阻神经网络的权值是可变的,提高了神经网络的学习能力,更接近生物神经网络。同步控制的研究有助了解忆阻神经网络的动态特性,以及这些网络如何通过其活动的时间演化来表示、处理和交换信息。关于忆阻神经网络的研究目前还没有坚实而成熟的理论体系支撑,但其在实际应用中存在巨大的潜在应用价值。基于此本文主要针对一类具有时变时滞的忆阻CohenGrossberg神经网络的有限时间同步控制以及一类具有混合延迟的忆阻Cohen-Grossberg神经网络的牵制同步进行深入研究,并将相关成果应用于基于离散细胞神经网络的高速路网稳定性研究中,取得了如下的理论研究成果:(1)针对一类具有时变时滞的忆阻Cohen-Grossberg神经网络,本文提出了两种分段控制方法,并给出了采用这种分段控制实现两个具有时变时滞的忆阻Cohen-Grossberg神经网络的有限时间同步条件。此外,还通过与普通的状态反馈控制的对比,采用分段控制可以缩短同步时间。由于Cohen-Grossberg神经网络的通用性,通过简单的变形即可获得Hopfield神经网络,因而,这部分主要内容可以应用于具有时变时滞的忆阻Hopfield神经网络中。在相同的初始条件下,数值仿真表明与普通的状态反馈控制系统相比,这两种分段控制系统能缩短同步时间。(2)实际电路中,除了有放大器引起的信号延迟外,还存在由神经网络结构的特殊性质产生信息传输分布效应引起信号的延迟。针对一类具有混合两种信号延迟的忆阻Cohen-Grossberg神经网络,本文提出了一种由牵制控制和间歇控制组成的混合控制系统,并给出了采用这种混合控制系统实现两个具有混合时延的忆阻Cohen-Grossberg神经网络的指数同步条件。该控制系统除了能应用到Hopfield神经网络,也可根据控制系统中的时延参数的控制改变神经网络的延时种类,实现无延迟、具有时变时滞、具有分布延迟或者具有混合延迟的忆阻神经网络的指数同步。数值仿真表明了混合控制系统的可行性。(3)高速路网是典型的复杂网络,本文利用细胞传输模型(CTM)将高速路网化简为离散细胞神经网络,根据稳定性定理,提出了离散细胞神经网络的高速路网平衡点的存在性,给出了高速路网平衡点的鲁棒全局指数稳定的条件。数值仿真表明了简化为离散细胞神经网络的高速路网有平衡点并且该平衡点是鲁棒全局指数稳定的。
付茜雯[9](2020)在《计算机科技论文摘要的机翻错误类型及译后编辑》文中研究表明科研论文在知识传播过程中作用重大,推动国际范围内的知识共享。摘要是科研论文中必不可少的一部分,既是对论文的概括性总结,也是读者发现和探寻相关领域知识的快捷途径。然而,目前英文摘要的机器翻译质量在精确性和专业性方面都不尽人意,需要通过后期编辑和人工校对才能产出高质量的中文翻译文本。本文以计算机科学论文摘要为例,对谷歌机器翻译的300篇计算机英文论文摘要的中文版本进行了翻译错误类型分析并归类,并提出相应的译后编辑策略。首先在赖斯文本类型理论翻译策略指导下,对机器翻译系统生成的译文进行译后编辑,再邀请计算机专业以及翻译专业的专业人士进行确认。之后以DQF-MQM错误类型分类框架为依据,对机器翻译系统生成的译文中的错误进行分类。研究发现,机器翻译的计算机英文论文摘要的中文版本中存在七大类翻译错误,其中不符合中文表达习惯的翻译错误占比最大,其次是术语误译、误译、欠译、漏译、过译以及赘译。本论文研究发现,由于源文本的信息型学术文本特征,长难句、被动语态以及术语翻译是造成机器翻译错误的主要原因。针对源文本的逻辑缜密、语步序固定等特征,本研究针对性地对各类错误类型提出了相应译后编辑策略。建议译者在译后编辑中通过将隐性连接转换为显性连接从而保持源文逻辑性,通过增加主语以及调整语序处理被动语态保持源文的学术精准,通过恰当选取词意处理半技术词汇等。本研究采用定性和定量分析方法,系统归类了计算机科技文本摘要中机器翻译出现的错误,并提出相应译后编辑策略,为该领域的译者提供参考建议,从而提高该领域的机器翻译质量。
姚晓磊[10](2020)在《分数阶复值复杂网络的同步研究》文中研究指明复杂网络由于其强大的适用性已被广泛地用于描述自然科学以及工程技术等领域的物理模型,复杂网络的拓扑结构和动态行为的分析已成为目前的研究热点之一。相较于整数阶复杂网络,分数阶复杂网络模型可以更准确地刻画真实系统具有的记忆和历史特征的变化过程,因此,建立分数阶复杂网络动力学模型,研究分数阶思想下的复杂网络具有深远的意义。特别地,具有复数值变量的复杂网络比实值复杂网络有着更广泛的实际应用,分数阶复值复杂网络更值得深入的研究。本文基于分数阶Lyapunov函数法以及相关的分数阶技术,对几类分数阶复值复杂网络的同步问题进行了研究,主要包括一类具有耦合时延的分数阶不确定复值网络,一类带有时变耦合的分数阶不确定复值网络,以及一类基于忆阻器的分数阶复值神经网络。全文的具体工作如下:(1)考虑到实际系统中存在的时延和不确定性,研究了一类带有随机参数和耦合时延的分数阶复值复杂网络的自适应同步问题。通过设计合适的自适应控制器,借助分数阶导数不等式和线性时滞分数阶方程,获得了保证网络全局渐近同步的充分条件。所获得的同步条件可应用于大多数的复杂网络系统,无论有无延迟。(2)针对一类分数阶复值动态网络的复投影同步问题,考虑到时变耦合和未知参数,基于自适应控制策略,设计了几种自适应控制律来调节耦合强度和控制器反馈增益,以研究系统的复投影同步问题。通过构造合适的Lyapunov函数,得到了一些有效的准则来保证复值动态网络达到复投影同步。此外,基于所设计的参数识别定律,可以估计网络中的未知参数。(3)讨论了一类具有多个时延的分数阶复值忆阻神经网络的复投影同步问题。在集值映射和微分包含理论的框架下,设计了一种混合控制策略来分析系统的复投影同步问题。此外,基于分数阶多时滞系统的稳定性定理和比较原理,得出了一些确保驱动响应网络同步的判据。
二、时延细胞神经网络的全局稳定性(英文)(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、时延细胞神经网络的全局稳定性(英文)(论文提纲范文)
(1)基于数据驱动的火电机组SCR脱硝系统建模方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景及意义 |
1.2 数据驱动建模概述 |
1.2.1 数据驱动建模原理 |
1.2.2 数据驱动建模常用方法 |
1.2.3 数据驱动建模常用术语 |
1.3 SCR脱硝系统建模研究现状 |
1.3.1 SCR脱硝系统机理模型 |
1.3.2 SCR脱硝系统数据模型 |
1.4 本文主要研究内容和章节安排 |
第2章 数据预处理及筛选方法 |
2.1 引言 |
2.2 火电厂历史数据特性分析 |
2.3 历史数据异常值检测和数据校正 |
2.3.1 异常值检测 |
2.3.2 Nadaraya-Watson回归数据校正 |
2.4 数据标准化 |
2.5 数据滤波去噪 |
2.5.1 传统滤波去噪方法 |
2.5.2 经验模态分解理论 |
2.5.3 基于信号分解能量去噪理论 |
2.6 稳态检测方法 |
2.6.1 稳态工况定义 |
2.6.2 稳态检测方法介绍 |
2.6.3 结合信号分解能量去噪的滑动窗口稳态检测方法 |
2.7 本章小结 |
第3章 基于改进QPSO算法优化ELM的SCR脱硝系统建模方法 |
3.1 引言 |
3.2 ELM简介 |
3.2.1 ELM原理 |
3.2.2 ELM特性 |
3.3 改进QPSO算法 |
3.3.1 QPSO算法原理 |
3.3.2 DE算法原理 |
3.3.3 改进QPSO算法原理 |
3.3.4 改进QPSO算法性能测试及分析 |
3.4 基于改进QPSO算法优化ELM的SCR脱硝系统入口NO_x浓度建模 |
3.4.1 SCR脱硝系统入口NO_x浓度影响因素 |
3.4.2 辅助变量选择 |
3.4.3 建模数据选择 |
3.4.4 模型结构及建模流程 |
3.4.5 建模结果分析 |
3.5 基于改进QPSO算法优化ELM的SCR脱硝系统出口NO_x浓度建模 |
3.5.1 SCR脱硝反应机理 |
3.5.2 辅助变量选择 |
3.5.3 模型构建及结果分析 |
3.6 本章小结 |
第4章 基于内部ELM非线性PLS的SCR脱硝系统建模方法 |
4.1 引言 |
4.2 基于ELM内部映射的非线性PLS模型 |
4.2.1 外部PLS框架 |
4.2.2 内部ELM非线性映射 |
4.2.3 ELMPLS算法原理 |
4.2.4 仿真验证 |
4.3 SCR脱硝系统入口NO_x浓度ELMPLS建模 |
4.4 SCR脱硝系统出口NO_x浓度ELMPLS建模 |
4.5 本章小结 |
第5章 基于输入时延-特征提取的SCR脱硝系统动态过程建模方法 |
5.1 引言 |
5.2 动态过程模型描述 |
5.3 基于输入时延-特征提取的动态模型构建 |
5.3.1 主成分分析原理 |
5.3.2 高斯过程回归原理 |
5.3.3 动态模型结构 |
5.4 SCR脱硝系统NO_x浓度测量时滞分析 |
5.5 SCR脱硝系统动态模型 |
5.5.1 建模样本选择 |
5.5.2 SCR脱硝系统出口NO_x浓度动态模型 |
5.5.3 SCR脱硝系统入口NO_x浓度动态模型 |
5.6 本章小结 |
第6章 结论与展望 |
6.1 论文的主要工作和创新点 |
6.2 后续工作展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(2)时变时滞神经网络稳定性和无源性的研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 神经网络系统概述 |
1.2 神经网络系统的发展及研究现状 |
1.3 神经网络系统的研究背景及意义 |
1.4 神经网络系统的研究内容与方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.5 存在的问题 |
1.6 本文的主要工作及结构安排 |
1.6.1 主要工作 |
1.6.2 论文结构安排 |
第二章 常见放缩方法及相关引理 |
2.1 稳定性相关概念 |
2.2 常见的放缩方法 |
2.2.1 Jensen’s不等式 |
2.2.2 Wirtinger不等式 |
2.2.3 自由权矩阵法 |
2.2.4 改进的自由权矩阵法 |
2.3 常用引理 |
2.4 符号表及相关定义 |
2.4.1 符号表 |
2.4.2 相关定义 |
2.5 本章小结 |
第三章 时变时滞系统的稳定性分析 |
3.1 引言 |
3.2 问题描述 |
3.3 关于时变时滞神经网络系统稳定性分析 |
3.4 仿真实例 |
3.5 本章小结 |
第四章 泄漏时滞系统的无源性分析 |
4.1 引言 |
4.2 问题描述 |
4.3 关于泄漏时滞神经网络系统无源性分析 |
4.4 仿真实例 |
4.5 本章总结 |
第五章 带有参数不确定的时延神经网络系统的稳定性和无源性分析 |
5.1 引言 |
5.2 问题描述 |
5.3 在随机变量参数不确定下的稳定性分析 |
5.4 在随机变量参数不确定下的无源性分析 |
5.5 仿真实例 |
5.6 本章总结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
发表论文和参加科研情况 |
致谢 |
(3)时变时滞神经网络的稳定性分析(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 神经网络系统的发展及研究现状 |
1.2.1 神经网络的发展史 |
1.2.2 国内外研究现状 |
1.3 论文研究内容及结构 |
1.3.1 主要工作内容 |
1.3.2 论文结构安排 |
第二章 预备知识和常用引理 |
2.1 常用符号定义 |
2.2 线性矩阵不等式(LMI) |
2.2.1 线性矩阵不等式的一般形式 |
2.2.2 线性矩阵不等式的求解器 |
2.3 Lyapunov稳定性理论 |
2.3.1 Lyapunov稳定性定理 |
2.3.2 Lyapunov函数及其构造 |
2.4 常用引理介绍 |
第三章 基于改进的积分不等式的时变时滞神经网络稳定性分析 |
3.1 引言 |
3.2 系统模型介绍 |
3.3 时滞神经网络的稳定性判据 |
3.4 利用增广的LKF求得的稳定性判据 |
3.5 数值例子 |
3.6 仿真 |
3.7 本章小结 |
第四章 基于正交多项式的时滞神经网络的稳定性分析 |
4.1 引言 |
4.2 问题描述 |
4.3 基于正交多项式的稳定性判据 |
4.4 基于正交多项式的增广LKF的稳定性判据 |
4.5 数值例子 |
4.6 仿真 |
4.7 本章小结 |
第五章 基于正交多项式的时变时滞和泄漏时滞的神经网络稳定性分析 |
5.1 引言 |
5.2 问题描述 |
5.3 具有时变时滞和泄漏时滞的稳定性判据 |
5.4 数值例子 |
5.5 仿真 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
发表论文及参加科研情况 |
致谢 |
(4)深度学习语音识别系统中的若干建模问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 语音识别 |
1.1.1语音识别系统划分 |
1.1.2 语音识别历史回顾 |
1.1.3 语音识别系统结构 |
1.2 深度学习 |
1.2.1 深度学习的历史回顾 |
1.2.2 常见的神经网络结构 |
1.3 基于深度学习的语音识别 |
1.3.1 基于深度学习的混合架构语音识别 |
1.3.2 基于深度学习的端到端架构语音识别 |
1.3.3 深度学习语音识别系统中的建模问题 |
1.4 本文的主要研究内容及组织结构 |
1.4.1 本文的主要内容 |
1.4.2 本文的组织结构 |
1.5 语音识别数据库简介 |
第2章 时序注意机制的LSTM声学模型与时延问题研究 |
2.1 前言 |
2.2 前馈序列记忆神经网络 |
2.3 基于未来时序注意机制的单向LSTM模型 |
2.4 实验结果与分析 |
2.5 本章小结 |
第3章 稠密残差网络声学模型与噪声鲁棒性问题研究 |
3.1 前言 |
3.2 残差网络与稠密网络 |
3.2.1 残差网络简介 |
3.2.2 稠密网络简介 |
3.2.3 两种网络的结构对比 |
3.3 基于稠密残差网络的声学模型 |
3.3.1 稠密残差层结构 |
3.3.2 基于稠密残差网络的声学模型搭建 |
3.3.3 讨论:模型配置 |
3.4 实验结果与分析 |
3.4.1 CHiME4:多通道语音识别任务 |
3.4.2 模型的噪声鲁棒性分析 |
3.5 本章小结 |
第4章 扩展后验注意力模型与注意力向量优化问题 |
4.1 前言 |
4.2 编码-解码模型相关内容介绍 |
4.2.1 曝光偏差和计划采样方法 |
4.2.2 后验注意力模型介绍 |
4.3 基于扩展后验注意力机制的端到端语音识别 |
4.3.1 扩展后验注意力模型结构 |
4.3.2 曝光偏差问题与解决方法 |
4.4 实验结果与分析 |
4.4.1 实验验证:后验优化注意力分布 |
4.4.2 实验验证:曝光误差 |
4.4.3 实验总结:EPAM模型最终性能表现 |
4.5 本章小结 |
第5章 多层级标识序列对齐方法与多层级标签建模 |
5.1 前言 |
5.2 语音识别任务中的多层级标识 |
5.2.1 多种文本序列表示形式 |
5.2.2 常见的子词分割算法 |
5.2.3 现有端到端语音识别建模研究工作 |
5.3 基于序列间对齐映射的多层级端到端语音识别建模 |
5.3.1 多层级标识间的对齐映射关系 |
5.3.2 对齐映射关系与端到端模型结构 |
5.3.3 序列间对齐映射关系与端到端解码过程 |
5.4 实验结果与分析 |
5.4.1 模型的性能表现 |
5.4.2 模型的可视化与分析 |
5.4.3 与已有工作的比较 |
5.5 本章小结 |
第6章 总结 |
6.1 本文的主要贡献与创新点 |
6.2 后续的研究工作 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(5)忆阻神经网络的动力学分析及控制(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 忆阻神经网络的研究背景及意义 |
1.2 忆阻神经网络的国内外研究进展与现状 |
1.3 忆阻神经网络动力学系统模型 |
1.3.1 忆阻神经网络模型概述 |
1.3.2 整数阶基础模型知识 |
1.3.3 分数阶基础模型知识 |
1.4 本文的主要研究内容 |
第二章 忆阻神经网络的稳定性研究 |
2.1 引言 |
2.2 稳定性基础知识 |
2.3 忆阻神经网络的稳定性分析 |
2.4 数值仿真 |
2.5 本章小结 |
第三章 忆阻神经网络的同步及间歇控制 |
3.1 复值忆阻神经网络的同步及周期间歇控制 |
3.1.1 引言 |
3.1.2 间歇控制同步基础知识 |
3.1.3 忆阻神经网络的同步及间歇控制 |
3.1.4 数值仿真 |
3.2 忆阻神经网络有限时间同步及非周期间歇调整 |
3.2.1 引言 |
3.2.2 有限时间同步基础知识 |
3.2.3 非周期间歇调整有限时间同步 |
3.2.4 数值仿真 |
3.3 本章小结 |
第四章 忆阻神经网络的拟投影同步及反馈控制 |
4.1 引言 |
4.2 拟投影同步基础知识 |
4.3 忆阻神经网络的拟投影同步及反馈控制 |
4.4 数值仿真 |
4.5 本章小结 |
第五章 分数阶忆阻神经网络的拟同步及反馈控制 |
5.1 引言 |
5.2 分数阶拟同步基础知识 |
5.3 分数阶忆阻神经网络的拟同步及反馈控制 |
5.4 数值仿真 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 :攻读博士学位期间科研成果 |
(6)融合微波和声波的粮食水分和温度检测技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 粮食水分检测技术研究现状 |
1.2.2 粮食温度检测技术研究现状 |
1.3 课题主要研究内容 |
1.4 论文结构 |
第二章 粮食复介电常数测量技术研究 |
2.1 引言 |
2.2 复介电常数测量方法概述 |
2.3 终端开路的同轴探头测量复介电常数原理 |
2.3.1 同轴线传播TEM模式理论 |
2.3.2 终端开路的同轴反射法原理 |
2.4 终端开路的同轴探头设计约束 |
2.4.1 终端开路的同轴探头结构介绍 |
2.4.2 TEM波单模传输约束 |
2.4.3 50欧姆阻抗匹配约束 |
2.4.4 感知区域半径约束 |
2.4.5 内外导体半径对感知区域半径的影响 |
2.4.6 法兰盘半径约束 |
2.5 探头尺寸参数选取及仿真分析 |
2.5.1 探头结构尺寸参数选取 |
2.5.2 探头电磁场仿真分析 |
2.5.3 考虑样品槽影响的电磁场仿真分析 |
2.6 同轴端面反射系数模型 |
2.6.1 同轴端面反射系数解析模型 |
2.6.2 同轴端面反射系数模型参数选择 |
2.7 同轴端面反射系数模型求解方法 |
2.7.1 模型的正问题求解方法及性能 |
2.7.2 模型的逆问题求解方法及性能 |
2.8 复介电常数探头性能测试 |
2.9 本章小结 |
第三章 粮食复介电常数、水分和体密度模型研究 |
3.1 引言 |
3.2 粮食复介电常数测量 |
3.2.1 小麦样品水分调质 |
3.2.2 粮食复介电常数变温测量装置及测量步骤 |
3.2.3 小麦复介电常数测量结果及分析 |
3.3 粮食复介电常数、水分和体密度建模 |
3.3.1 粮食中的水分种类概述 |
3.3.2 根据水分分段的小麦复介电常数模型及性能分析 |
3.3.3 小麦水分和体密度模型及性能分析 |
3.4 本章小结 |
第四章 粮食水分、温度和体密度对声速影响研究 |
4.1 引言 |
4.2 粮食中声波传播常数测量方法 |
4.2.1 声波在粮食中传播理论概述 |
4.2.2 传统声学阻抗管检测原理 |
4.2.3 粮食中声波传播常数测量装置 |
4.2.4 传递函数测量方法 |
4.2.5 拾音器校准方法 |
4.2.6 粮食中声波传播常数测量步骤 |
4.3 小麦中声波传播常数测量及小麦中声速模型建立 |
4.3.1 小麦中声波传播常数测量过程 |
4.3.2 频率、水分对小麦中声速和衰减系数的影响 |
4.3.3 温度对小麦中声速的影响 |
4.3.4 体密度对小麦中声速的影响 |
4.4 小麦水分对粮食平均孔隙尺寸的影响 |
4.4.1 粮食的等效流体JCA模型 |
4.4.2 基于JCA模型和粒子群算法的粮食平均孔隙尺寸估计方法 |
4.4.3 仿真分析粒子群算法估计JCA模型参数性能 |
4.4.4 流阻率测量及小麦水分对流阻率的影响 |
4.4.5 孔隙率测量及小麦水分对孔隙率的影响 |
4.4.6 小麦平均孔隙尺寸计算结果及分析 |
4.5 本章小结 |
第五章 融合微波和声波的粮食多参数检测方法研究 |
5.1 引言 |
5.2 融合微波和声波的粮食多参数检测原理 |
5.2.1 基于微波和声波透射法的粮食复介电常数和声速测量原理 |
5.2.2 粮食水分、温度和体密度计算方法 |
5.3 实验验证 |
5.3.1 实验装置 |
5.3.2 声波时延估计 |
5.3.3 微波衰减及时延测量 |
5.3.4 实验设备校准 |
5.3.5 实验样品及模型标定 |
5.3.6 实验结果及误差分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文研究工作总结 |
6.2 后续工作展望 |
参考文献 |
附录A |
附录B |
致谢 |
攻读学位期间发表的学术论文目录 |
(7)基于时延神经网络的语音识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究历史与现状 |
1.2.1 研究历史 |
1.2.2 研究现状 |
1.3 研究内容和论文结构 |
1.3.1 研究内容 |
1.3.2 论文结构 |
第二章 语音识别基础知识 |
2.1 引言 |
2.2 特征提取 |
2.2.1 梅尔倒谱系数特征 |
2.2.2 音调特征 |
2.3 GMM-HMM声学模型 |
2.3.1 混合高斯模型 |
2.3.2 隐马尔可夫模型 |
2.4 DNN-HMM声学模型及交叉熵训练 |
2.5 基于DNN-HMM的判别性训练 |
2.5.1 基础知识 |
2.5.2 最大互信息 |
2.5.3 无词图最大互信息 |
2.6 端到端模型 |
2.6.1 联结主义时间分类 |
2.6.2 无词图最大互信息的端到端模型 |
2.7 语言模型 |
2.7.1 基于N元文法的语言模型 |
2.7.2 基于神经网络的语言模型 |
2.8 时延神经网络 |
2.9 评估指标 |
2.10 本章小结 |
第三章 基于随机深度的因子分解时延神经网络 |
3.1 引言 |
3.2 时延神经网络的加深 |
3.2.1 第一种加深方式 |
3.2.2 第二种加深方式 |
3.3 基于随机深度的时延神经网络 |
3.4 基于随机深度的因子分解时延神经网络 |
3.5 实验结果与分析 |
3.5.1 数据集和实验设置 |
3.5.2 第一种加深方式 |
3.5.3 第二种加深方式 |
3.5.4 基于随机深度的时延神经网络 |
3.5.5 基于随机深度的因子分解时延神经网络 |
3.5.6 实验总结 |
3.6 本章小结 |
第四章 基于端到端的低资源语音识别 |
4.1 引言 |
4.2 端到端模型的单步权重迁移 |
4.3 基于阈值绑定的上文双音素 |
4.4 基于卷积神经网络的随机深度因子分解时延神经网络 |
4.5 实验结果与分析 |
4.5.1 数据集与实验设置 |
4.5.2 端到端模型的单步权重迁移 |
4.5.3 基于阈值绑定的上文双音素 |
4.5.4 基于卷积神经网络的随机深度因子分解时延神经网络 |
4.5.5 实验总结 |
4.6 本章小结 |
第五章 总结和展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附录 |
(8)忆阻神经网络非线性特性分析及同步控制方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究的背景及意义 |
1.2 忆阻神经网络同步控制的发展现状 |
1.3 忆阻神经网络模型及同步控制方法 |
1.3.1 忆阻神经网络模型 |
1.3.2 同步控制方法 |
1.4 论文的结构安排 |
1.4.1 论文的章节安排 |
1.4.2 依托项目 |
第二章 具有时变时滞的忆阻神经网络的有限时间同步控制 |
2.1 引言 |
2.2 网络模型及预备知识 |
2.2.1 模型描述 |
2.2.2 预备知识 |
2.3 主要结论 |
2.3.1 普通状态反馈控制同步 |
2.3.2 基于有限时间同步控制函数θ(t)的分段控制同步 |
2.3.3 基于动态误差||e(t)||和控制函数θ(t)的分段控制同步 |
2.4 数值仿真 |
2.5 本章小结 |
第三章 具有混合延迟的忆阻神经网络的牵制同步控制 |
3.1 引言 |
3.2 网络模型及预备知识 |
3.2.1 模型描述 |
3.2.2 预备知识 |
3.3 主要结论 |
3.4 数值仿真 |
3.5 本章小结 |
第四章 基于离散细胞神经网络的高速路网稳定性研究 |
4.1 引言 |
4.2 高速路网模型及预备知识 |
4.2.1 模型描述 |
4.2.2 预备知识 |
4.3 主要结论 |
4.4 数值仿真 |
4.5 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(9)计算机科技论文摘要的机翻错误类型及译后编辑(论文提纲范文)
摘要 |
Abstract |
CHAPTER1 INTRODUCTION |
1.1 Research Background and Significance |
1.2 Aims of the Study |
1.3 Organization of the Thesis |
CHAPTER2 LITERATURE REVIEW AND FRAMEWORK |
2.1 Overview on Machine Translation and Post-editing |
2.2 Previous Studies on MT Error Types and Post-Editing Strategies |
2.3 DQF-MQM Error Classification Framework |
2.4 Previous Studies on MT Error Types of Paper Abstracts |
2.5 Text Typology Theory |
2.5.1 Text Typology Theory of Reiss |
2.5.2 Previous Studies on Informative Texts and Translation Principles |
CHAPTER3 METHODOLOGY |
3.1 Source Text and Text Analysis |
3.1.1 Source Text |
3.1.2 Text Analysis |
3.2 Research Method |
3.3 Translation Process |
3.3.1 Translating300 computer science abstracts with MT system |
3.3.2 Post-editing the MT-generated translation based on Text Typology Theory |
3.3.3 Conducting a semi-structured interview for ensuring post-editing quality |
3.3.4 Analyzing and summarizing the errors in300 abstracts |
3.3.5 Preliminary error classifications based on DQF-MQM Framework |
3.3.6 Conducting the2nd semi-structured interview to confirm error classifications |
3.3.7 Quantitative analysis of all MT errors in the300 abstracts |
CHAPTER4 RESULTS AND DISCUSSION |
4.1 Error Types of Machine Translated English Abstracts |
4.1.1 Unidiomatic Translation Errors in MT output |
4.1.2 Terminology Mistranslation Errors in MT Output |
4.1.3 Mistranslation Errors in MT Output |
4.1.4 Under-translation Errors in MT Output |
4.1.5 Omission Translation Errors in MT Output |
4.1.6 Over-translation Errors in MT Output |
4.1.7 Errors of Addition in MT Output |
4.2 Post-editing Strategies for Machine Translated Abstracts |
4.2.1 Post-editing Strategies for Long and Complex Sentences |
4.2.2 Post-editing Strategies for Passive Voice Sentences |
4.2.3 Post-editing Strategies for Technical Terms |
CHAPTER5 CONCLUSION |
5.1 Major Findings |
5.2 Limitations and Suggestions |
References |
Appendix Source Texts and Target Texts of300 Abstracts |
1-20 Abstracts |
21-40 Abstracts |
41-60 Abstracts |
61-80 Abstracts |
81-100 Abstracts |
101-120 Abstracts |
121-140 Abstracts |
141-160 Abstracts |
161-180 Abstracts |
181-200 Abstracts |
201-220 Abstracts |
221-240 Abstracts |
241-260 Abstracts |
261-280 Abstracts |
281-300 Abstracts |
ACKNOWLEDGEMENTS |
(10)分数阶复值复杂网络的同步研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 复杂网络和神经网络的研究背景及意义 |
1.1.2 分数阶复值网络的研究背景及意义 |
1.2 复杂网络同步的研究现状 |
1.3 本文研究内容及结构安排 |
第二章 分数阶复杂网络同步的基本理论 |
2.1 分数阶微积分理论 |
2.1.1 分数阶微积分的定义与性质 |
2.1.2 分数阶微分方程的数值算法 |
2.2 复杂网络相关理论 |
2.2.1 复杂网络的基本统计量 |
2.2.2 复杂网络的动力学模型 |
2.2.3 神经网络的动力学模型 |
2.3 同步相关理论 |
2.3.1 同步的常见定义 |
2.3.2 同步的判定依据 |
2.3.3 同步的控制方法 |
2.4 本章小结 |
第三章 分数阶不确定复值网络的同步控制 |
3.1 引言 |
3.2 具有耦合时延的分数阶不确定复值网络的自适应同步 |
3.2.1 模型描述 |
3.2.2 主要结论 |
3.2.3 数值仿真 |
3.3 具有时变耦合的分数阶不确定复值网络的复投影同步 |
3.3.1 模型描述 |
3.3.2 主要结论 |
3.3.3 数值仿真 |
3.4 本章小结 |
第四章 分数阶复值忆阻神经网络的同步控制 |
4.1 引言 |
4.2 具有多时延的分数阶复值忆阻神经网络的复投影同步 |
4.2.1 模型描述 |
4.2.2 主要结论 |
4.2.3 数值仿真 |
4.3 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
四、时延细胞神经网络的全局稳定性(英文)(论文参考文献)
- [1]基于数据驱动的火电机组SCR脱硝系统建模方法研究[D]. 马宁. 华北电力大学(北京), 2021(01)
- [2]时变时滞神经网络稳定性和无源性的研究[D]. 王颜羽. 天津工业大学, 2020(01)
- [3]时变时滞神经网络的稳定性分析[D]. 唐艳倩. 天津工业大学, 2020(01)
- [4]深度学习语音识别系统中的若干建模问题研究[D]. 唐健. 中国科学技术大学, 2020(01)
- [5]忆阻神经网络的动力学分析及控制[D]. 张帅. 江南大学, 2020(01)
- [6]融合微波和声波的粮食水分和温度检测技术研究[D]. 张驰. 北京邮电大学, 2020(01)
- [7]基于时延神经网络的语音识别研究[D]. 黄晓荣. 华南理工大学, 2020(02)
- [8]忆阻神经网络非线性特性分析及同步控制方法研究[D]. 罗妮. 长安大学, 2020
- [9]计算机科技论文摘要的机翻错误类型及译后编辑[D]. 付茜雯. 大连理工大学, 2020(06)
- [10]分数阶复值复杂网络的同步研究[D]. 姚晓磊. 安徽大学, 2020(07)