8篇关于残差神经网络的计算机毕业论文

今天分享的是关于残差神经网络的8篇计算机毕业论文范文, 如果你的论文涉及到残差神经网络等主题,本文能够帮助到你

面向心电辅助诊断的多标签分类算法研究

这是一篇关于不均衡心电图,残差神经网络,循环神经网络,多标签分类,决策树的论文, 主要内容为21世纪以来,心脏病与高血压威胁着人类的健康,是发病率和死亡率极高的两种疾病。与此同时,机器学习和深度学习等人工智能技术在智慧医疗领域也在迅速发展,利用心电图数据进行心脏疾病诊断的研究取得了一定成果,但在临床应用中存在着诊断类别不全、部分类别准确率较低等问题。本文提出一种基于深度学习的多标签心电辅助诊断算法,一方面解决了多标签场景下的类别不均衡问题,另一方面提高了诊断类别的全面性和准确性。并将该算法应用于高血压性心脏病的早期诊断以及心电图智能辅助诊断系统当中。主要工作和研究内容分为以下几个部分:1.针对心电图数据,提出一种基于深度学习的多标签心电辅助诊断算法。该算法结合残差神经网络与门控循环单元网络模型,充分利用心电图的时序依赖关系和局部异常信息特征。同时,针对多标签场景下的多维度类别不均衡问题,提出以改进的Focal Loss作为损失函数,并将多标签互斥关系与目标函数结合,加快模型训练速度。该算法在F1-Score、AUC值与汉明损失等多个指标上均有明显提升。2.由于心脏疾病与高血压在临床上呈现一定关联性,本文将基于深度学习的多标签心电辅助诊断算法应用于高血压与心电图数据集重构,并设计了一种基于决策树算法的关联性挖掘方法,得出高血压与多种心脏疾病临床表现之间的关联关系,为高血压性心脏病的早期诊断提供依据。3.完成ECG智能辅助诊断系统的搭建,从功能需求、前端后台、模型部署等多方面进行详细设计,并实现各个业务模块。该系统采用Spring boot+MyBatis框架、MySQL数据库,采用Flask框架进行心电辅助诊断模型的部署以供Web系统调用,前端呈现系统通过Vue框架进行构建。

基于深度学习的铣刀磨损监测方法研究

这是一篇关于深度学习,铣刀磨损监测,残差神经网络,双向长短期记忆网络的论文, 主要内容为及时更换刀具对于提高产品加工质量与降低生产成本具有重要意义。为提高刀具利用率、减少停机换刀次数以及保证工件表面加工质量,需要对刀具的磨损程度进行准确可靠的监测,以便为机床换刀提供可靠的决策手段。因此,本文基于深度学习方法对铣刀的磨损状态识别以及磨损量监测进行了深入研究,为铣刀磨损的智能监测提供思路。主要研究内容概括如下:(1)从不同方面介绍了刀具磨损监测领域的研究现状,对比分析了人工特征提取技术和传统机器学习模型用于刀具磨损监测的缺陷以及深度学习方法应用于该领域的优势,并总结了目前研究中尚存的一些不足;然后结合刀具磨损规律和数据集特点,选取力信号、振动信号与声发射信号作为刀具磨损监测模型的监测信号;最后确定了直接利用深度学习模型统一对数据进行自动特征提取和输出最终结果的方式,极大简化了监测流程,更符合智能化监测的发展方向。(2)针对监测信号含有大量噪声影响模型状态识别效果的问题,设计了一种MCS模块引入到1D Res Net中用于铣刀磨损状态识别,所设计的MCS模块通过多尺度卷积算法和自适应软阈值化算法的联合作用改进了1D Res Net对信号数据不同尺度的特征提取能力以及抗噪能力,并通过在交叉验证集的表现证明了该模型结构的有效性及优越性;针对训练数据集类别样本数目不平衡导致模型对急剧磨损阶段查全率较低的问题,使用一种代价敏感的损失函数进一步改进模型效果,通过在交叉验证集和整体数据集上得到的多项评价指标综合验证了该方法的有效性及稳定性;最后通过试验分析模型在不同传感器组合方案下的识别效果,阐述了代价敏感的改进1D Res Net模型的识别性能及实际意义。(3)针对铣刀的磨损量监测问题,提出了一种CNN-Bi LSTM双通道收缩模型,该模型通过CNN和Bi LSTM两条特征提取路径,能够全面深入地提取多通道信号数据的局部细节特征和序列特征,并引入收缩模块对融合特征图中的大量信息进行筛选,有效去除其中的冗余信息。与其他深度学习模型在交叉验证集上的表现进行对比,验证了该模型具有更优秀的监测精度和泛化性能;并且通过试验分析模型在整体数据集以及不同传感器组合方案下的监测效果,综合评价了CNN-Bi LSTM双通道收缩模型的稳定性及应用意义。(4)以本文所提出的铣刀磨损状态识别模型和磨损量监测模型为核心,利用Pycharm软件的Py Qt5模块初步设计了铣刀磨损监测系统,实现了完整的刀具磨损监测识别流程,并为不同工况下铣刀磨损监测任务的训练和监测提供了途径,同时满足了基本的实际应用需求,具备一定的实际应用价值。

基于融合结构的跨境电商人力资源推荐模型研究

这是一篇关于跨境电商,推荐模型,人力资源,因子分解机,残差神经网络的论文, 主要内容为近年来我国跨境电商行业迅速发展,专业人才匮乏的问题在跨境电商行业也愈发明显。随着网络信息技术的发展以及网络终端设备的普及,在人力资源领域,求职与招聘等行为也越来越倾向于在网络上完成。同时海量的就业以及招聘信息,使得信息过载问题在人力资源信息管理领域愈发严峻。推荐系统可以从海量的信息中自动筛选出目标用户感兴趣的内容并根据偏好程度完成信息精准推荐,被视作是解决现如今互联网信息过载的利器。本文主要是利用深度学习、机器学习以及文本关键字提取技术,进行跨境电商人力资源的推荐工作,为求职者推荐合适的岗位,提高电商人才向跨境行业输送的效率,促进跨境电商行业有序发展。通过数据预处理以及关键字提取技术,构建起凸显跨境电商人力资源数据特征的数据集,采用“深度模型+浅层模型”的并行网络融合结构,将因子分解机与深度残差神经网络集成为FM&Res Net模型,对预处理后的数据进行训练学习,最终输出预测结果,达到向求职者推荐合适岗位的目的。并利用一定的模型评价指标进行结果分析,实验结果证明优化后的模型预测性能与效果要优于原模型以及传统的推荐模型。本文中的研究工作主要包括以下两点:(1)数据采集与预处理:本文的所使用的数据来源于各大招聘网站,使用爬虫技术以“跨境电商”为关键字采集公开的求职者以及相关岗位信息。针对原始数据存在的问题进行清洗、转换和制定规则约束等数据预处理操作,并使用中文分词技术将文本信息向量化,并根据跨境电商行业特点进行数据特征提取,从而得到适用于推荐模型处理的跨境电商人力资源数据仓库。(2)跨境电商人力资源推荐模型的研究与实现:本文结合因子分解机与深度残差神经网络两者的优势,从特征融合的角度出发,采用了“浅层模型+深度模型”的并行融合结构,提出了基于融合结构的跨境电商人力资源推荐模型。利用残差神经网络技术学习到数据中高维抽象的隐式特征,利用因子分解机学习数据中低维具体的显示特征,最后将两者所学习到的高维抽象的隐性特征与低维显性特征进行深度融合,构建了适用于跨境电商人力资源推荐场景的特征融合推荐模型。

基于深度学习和分布式框架的信号调制识别技术

这是一篇关于自动调制识别,机器学习,深度学习,卷积神经网络,残差神经网络,分布式的论文, 主要内容为信号调制识别是一种应用在非协同通信场景下,用于识别信号调制方式的技术。传统的信号调制识别方法主要分为基于似然函数的方法和基于特征的方法。近年来,受益于深度学习出色的分类表现,各种不同的深度神经网络(Deep Neural Network,DNN)都被应用到自动信号调制识别方法中。现行的大部分自动调制识别方法主要采用了本地式架构和集中式架构。本地式架构只有一个本地设备,该设备直接进行神经网络模型的训练;集中式架构包含一个中心服务器和多个本地设备,本地设备需要将自身数据传输给中心服务器,在中心服务器上进行神经网络模型的训练。由于数据不充分以及单个设备算力有限,基于本地式架构的自动信号调制识别方法可能并不能获得理想的分类结果。集中式架构的自动信号调制识别方法,在本地设备将数据传输到中心服务器的过程中,需要大量通信成本,并且存在极大的隐私泄露风险。首先,本文选择高阶累计量作为信号特征,支持向量机(Support Vector Machine,SVM)作为分类器进行基于机器学习的调制识别研究;接着又选择卷积神经网络(Convolutional Neural Network,CNN)、调制分类网络(Modulation Classification Network,MCNet)和残差神经网络(Residual Network,Res Net)作为分类器来进行基于深度学习的调制识别研究。仿真结果表明:在训练数据充足的条件下,MCNet、CNN和Res Net的分类性能均优于SVM的分类性能;深度学习方法在信号调制识别的表现要优于机器学习方法。其次,本文将CNN、MCNet和ResNet三种网络分别以本地式架构、集中式架构进行信号调制识别研究。仿真结果表明:其一,相同架构(本地式架构和集中式架构)下,Res Net的分类性能优于CNN和MCNet。其二,相同网络下,集中式架构的分类性能远远高于本地式架构的分类性能。再次,从训练成本和数据安全的角度,本文应用了分布式学习。我们将CNN、MCNet和Res Net进行了分布式架构下的信号调制识别研究。仿真结果表明:在分布式架构下,Res Net的分类性能优于CNN和MCNet。最后,通过上述理论分析和仿真结果,本文提出了一种基于残差神经网络的分布式架构信号调制识别方法,该方法能够保证分类性能、降低训练成本并且保护数据隐私。

基于ResNet-GRU融合模型的股票价格预测研究

这是一篇关于股价预测,深度学习,轻量级梯度提升机,残差神经网络,门控循环单元的论文, 主要内容为股票市场作为一个复杂的动态系统,其未来发展趋势受到多方面因素的影响。通过科学的方法对股票价格进行预测,对投资者个人和金融机构来说具有重要意义。目前通过构建数学模型对股票价格进行预测仍然是一个重要的研究课题,随着数学与统计建模方法在股价预测领域的不断创新和发展,基于深度学习算法的股票价格预测研究取得了很大的进步,但是当前算法仍然存在着对数据信息提取能力不足、预测精度不高和泛化能力弱等问题。因此,本文在股价指标的选取和构建高效预测模型两个方面进行研究。针对上述问题,本文选取了深证成指和沪深300指数股价数据作为研究对象,并对有效指标进行选取,随后提出了基于残差神经网络(Res Net)和门控循环单元(GRU)的Res Net-GRU融合模型,对股票数据的日收盘价进行预测。首先,在输入指标的选取方面,本文不仅考虑了传统的基本行情指标,还新增了部分技术指标。为了能够得到有效的影响指标,本文先后采用相关系数法和轻量级梯度提升机(Light GBM)算法对预选指标进行相关性分析和重要性分析,综合分析结果选取相关性低且重要性分数高的指标作为最终输入指标,这不仅降低了指标信息的冗余程度,还提高了指标信息的利用率。然后,在模型构建方面,利用了Res Net对深层神经网络的优化能力和GRU模型对时序信息的提取能力,分别用来提取大量股票价格伪图像数据中的空间特征和时序特征,并以Res Net和GRU两种网络为基础,构建了串联Res Net-GRU融合模型和并联Res NetGRU融合模型,其中并联Res Net-GRU融合模型可以在训练过程中减少原始信息的损失,提高预测精度。通过实证研究得到以下结论:首先,当残差神经网络中的卷积网络层数为10层且深证成指和沪深300指数数据集的滑动窗口大小分别为9和10时,模型取得较好的预测效果;其次,通过对比基本行情指标与本文选取指标的预测结果可知,本文选取的指标在并联Res Net-GRU融合模型上的预测效果较好,证实了加入技术指标的有效性;最后,由不同模型的预测结果可知,本文提出的并联Res Net-GRU融合网络模型的预测效果较好,同时也验证了并联Res Net-GRU融合网络模型在不同数据集上对股票价格预测的有效性和合理性,增强了模型的泛化能力。

基于深度学习的射频器件设计优化方法研究

这是一篇关于深度学习,卷积神经网络,残差神经网络,超宽带,射频器件仿真优化的论文, 主要内容为传统CAD仿真方法对射频微波器件的设计过程耗时费力。而深度学习拥有复杂非线性关系的拟合能力,通过其建立射频微波器件的数学映射模型可以缩短所需的仿真时长,因此将深度学习建模方法应用到射频器件设计优化中。本文主要的研究工作概括如下:为了加快射频器件建模优化的速度,本文提出了一种基于深度学习网络架构的深度多层感知机(Deep Multi-Layer Perceptron,DMLP)网络,用于缩短超宽带天线的仿真时长。DMLP网络采用了阶梯下降形全连接层网络,应用了Adam优化器自动更新学习率,加快模型的权值更新,应用Drop-out技术防止网络层数过深所导致的过拟合现象的发生。使用DMLP网络对超宽带阶梯形微带单极子天线和超宽带多输出多输入天线这两款天线的几何参数进行数学建模,提取天线的几何参数作为DMLP网络训练所需的特征,对天线的S11值进行预测。实验表明该结构网络与传统MLP神经网络和径向基神经网络相比,拥有更高的预测准确度,拟合速度也有了较大提升,通过实验证明此网络优越性。为了提高深度学习在射频器件建模中更为复杂数据下的鲁棒性,本文基于残差神经网络(Residual Network,Res Net)设计了一种新型残差网络结构,用其去优化射频器件建模过程。相比传统Res Net结构,新型Res Net结构把输入连接在全连接层上,使得输入参数在进入卷积模块时拓宽,根据数据格式采用的一维卷积核对数据进行特征提取,最后进行特征整合。使用新型Res Net对超宽带天线和超宽带滤波器进行数学建模,从器件的几何参数中提取训练所需的特征,对天线的S11值进行预测,又在对超宽带滤波器数学建模优化的过程中进行了逆向建模,并且使用粒子群寻优算法去优化超宽带滤波器的几何参数,使其工作带宽扩展了13.9%。实验表明该网络与卷积神经网络,DMLP,MLP相比,有着明显的拟合精度优势和拟合速度优势,并且一定程度上解决了卷积神经网络对全局特征提取不足的问题。通过上述研究,本文所提出的方法可以用于射频器件的优化设计,提升了射频器件设计速度和精度,同时丰富了射频器件的建模理论和设计方法。该论文有图30幅,表11个,参考文献71篇。

基于多模型融合情感分析的北林绿色新闻网移动平台研建

这是一篇关于移动新闻管理,微信小程序,评论情感分析,胶囊神经网络,残差神经网络的论文, 主要内容为北京林业大学绿色新闻网是校宣传部发布学校相关新闻的Web网站,为了紧跟时代发展,方便用户在移动端浏览新闻和实现互动,北京林业大学宣传部亟需构建一个和绿色新闻网配套的移动平台实现移动端新闻的管理与发布,实现对用户评论的发布支持与情感分析。基于该需求,本文设计构建了北林绿色新闻网移动平台,涵盖Web端的移动新闻管理后台和绿色新闻网微信小程序,并设计实现了一个多模型融合的评论情感分析模型,实现了对北林新闻评论的自动情感分析。本文主要工作如下:(1)针对新闻评论情感分析模块,构建了校园新闻评论数据集和多模型融合的评论情感分析模型。该模型采用Bert预训练模型初始化输入评论表征,基于Res Net、Capsnet和Muilt-Bi LSTM等多种深度神经网络进行情感特征抽取和融合得到评论情感极性分析。本文构建的北林校园新闻评论数据集与公开的点评数据集上的多个实验结果表明该模型具有较好性能,能够支持绿色新闻网的新闻评论情感分析。(2)针对北林宣传部从绿色新闻网选取新闻到移动端发布,采用基于Spring Boot+Vue前后端分离的开发方式构建开发了Web端的移动新闻管理后台,为绿色新闻网的管理员设计实现了不同类型的移动新闻管理、评论管理和评论情感分析等功能。(3)针对移动端用户对绿色新闻网新闻阅读的需求,设计开发了北林绿色新闻网微信小程序,向移动端用户提供在微信小程序端浏览北林绿色新闻网上不同类型新闻的功能,并支持对新闻进行评论和收藏等功能。