一、改进径向基函数神经网及其在手写体字符识别中的应用（论文文献综述）
李进[1]（2021）在《基于深度神经网络模型的地震信号识别研究》文中进行了进一步梳理地震信号识别相关研究在不断提高采集信号的信噪比和数字记录技术的推动下得到了长足的发展。但是,这种传统的地震信号识别方式是建立在基于已知能区分不同信号之间异同特征的因果逻辑上,只关注所谓的“有效信号”,压制噪声,选取能表达大部分地震信号信息的特征进行信号识别,忽略了信号的完整性表述。随着深度学习和大数据技术的发展,通过运用大数据驱动的深度神经网络技术挖掘地震信号数据中“不知道自己不知道”的隐含着的丰富物性参数信息,建立一套地震信号参数表征模型,研究地震信号与其它非相干信号之间的差异,实现对地震信号的识别成为可能。深度神经网络是一种具有多隐藏层结构的神经网络,具有高阶的抽象刻画能力,自动提取数据本质特征,无需人工干预等特点,已成功应用于生产生活中的各个领域,如语音识别、图像识别、自动驾驶和目标检测等。基于深度神经网络的以上优点,本文给出了一种新的基于深度神经网络模型的地震信号识别方法,与传统的地震信号识别方法相比,该方法精度更高,模型鲁棒性更强。下面给出本文的具体研究内容:（1）为减少人工干预信号特征提取过程造成的影响,基于Le Net5卷积神经网络模型,提出基于地震信号的卷积神经网络QConv Net（Quake Convolutional Neural Networks）识别模型。实验中将美国国家地质调查局地震监测目录下的公开地震信号数据集作为实验数据,使用序列型的三通道地震波形数据作为QConv Net神经网络模型的输入,实验结果与支持向量机、决策树以及逻辑斯蒂回归等传统机器学习模型实验结果进行对比,在准确率、召回率和F1-score三个评价指标上都更为优异,展现了良好的二分类效果。（2）为进一步提高深度神经网络模型在地震信号识别的性能,在QConv Net神经网络模型的基础上,通过引入残差模块、多尺度模块和收缩模块三种优化结构,提出基于多尺度模块和收缩模块混合的残差神经网络模型DRISN（Deep Residual Inception Shrinkage Network）。为验证该网络模型在地震信号识别中的性能,实验使用地震信号语谱图数据作为输入,将DRISN与引入收缩模块的残差神经网络DRSN（Deep Residual Shrinkage Network）等深度神经网络模型进行对比实验,DRISN模型在地震信号识别实验中的识别准确率最高可达95.62%,较其它实验模型有更好的识别性能和更高的准确率,说明了此模型在地震信号识别任务中的有效性。
王倩倩[2]（2020）在《雷达主瓣有源干扰智能感知方法研究》文中研究表明在现代电子战中,雷达主瓣有源干扰与目标回波一同从主瓣进入雷达接收机,导致雷达无法正确检测目标,成为雷达系统的主要威胁之一。为了保证雷达的工作效能,针对雷达主瓣有源干扰的智能感知成为研究的重点。雷达主瓣有源干扰分为有源压制干扰和有源欺骗干扰,通过调制大功率的噪声产生有源压制干扰,遮盖发射信号,并使雷达处理系统达到饱和;雷达有源欺骗干扰通过对雷达发射信号的调制转发,混淆了真实目标的信息。为了保证雷达能在新的电磁环境下自适应、高效地完成任务,雷达主瓣有源干扰智能感知方法的研究具有很重要的价值和意义。本论文围绕着雷达主瓣有源干扰智能感知方法展开如下内容:（1）针对雷达主瓣有源压制干扰和欺骗干扰建立了数学模型,并研究了干扰的特性。针对有源压制干扰提取了可分性较好的时域、频域特征参数,针对有源欺骗干扰提取了短时傅里叶变换谱图作为特征,为后续研究雷达主瓣有源干扰的智能感知方法奠定了基础。（2）针对雷达有源压制干扰,提出了基于径向基函数神经网络和基于后向传播神经网络的智能感知算法。研究了径向基函数神经网络和后向传播神经网络的结构参数对识别性能的影响,利用雷达有源压制干扰的四种时域、频域特征参数进行仿真实验,设计了在雷达有源压制干扰样本环境下的最优网络参数组合。（3）在最优参数组合的径向基函数神经网络和后向传播神经网络的结构下,通过仿真验证了雷达有源压制干扰智能感知算法的有效性,通过仿真给出五种有源压制干扰在各个干信比下的识别概率,分析比较了这两种神经网络的识别性能,对比了本文所提出的雷达有源压制干扰智能感知算法与以往识别算法的性能差异。（4）针对雷达有源欺骗干扰,提出了基于深度信念网络和基于卷积神经网络的智能感知算法。研究了深度信念神经网络和卷积神经网络的结构参数对识别性能的影响,利用雷达有源欺骗干扰的短时傅里叶变换谱图特征,对网络进行训练测试,结合识别概率和训练耗时筛选出适用于雷达有源欺骗干扰的最优网络结构。（5）在最优参数组合的深度信念神经网络和卷积神经网络的结构下,通过仿真验证了雷达有源欺骗干扰智能感知算法的有效性,通过仿真给出目标回波和九种欺骗干扰在各个干噪比下的识别概率,分析比较了这两种神经网络的识别性能,对比了本文所提出的雷达有源欺骗干扰智能感知算法与传统识别算法的性能差异。
林滋宜[3]（2020）在《基于深度学习的测热数据标注与智能计算》文中进行了进一步梳理随着世界军事革命的不断变革,未来战争中的制天权将在未来的高技术战争中发挥主要作用,而高超声速飞行器技术是争夺制天权的关键技术之一。作为高超声速飞行器设计的关键技术,高超声速飞行器的热防护问题对高超声速飞行器的研制至关重要。然而,目前高超声速飞行器的热防护仍然面临着诸多严峻挑战,其中一大挑战就是飞行器气动热环境的预测问题。近年来,深度学习的快速发展给各领域解决问题提供了新的思路。本文依托于深度学习的方法对气动热预测的传统方法加以改进,主要工作如下:（1）调研目前国内外在飞行器气动热环境预测方面的研究进展,总结目前气动热环境预测的主要研究方法,分析各种研究方法的优势与不足,为本文所提出的方法做技术铺垫。（2）基于深度学习的测热数据自动标注算法研究与实现。作为气动热环境预测方法的一种,地面风洞试验所得试验数据需要进行后处理,现有方法完全凭人工一条一条处理,非常耗费时间,且存在随机误差。针对此问题,本文首先设计了测热数据预处理方法,先对原始数据进行预处理。然后,在迁移学习的基础上选取卷积神经网络模型设计自动标注算法,提升了标注的效率和正确率。在测试过程中通过借鉴在线学习思想,完善了自动标注算法,最终进一步提升了标注效果。（3）基于深度学习的气动热环境智能计算方法研究。高超声速飞行器的热安全问题主要体现在飞行器结构的温度和应力是否超限。在结构热响应计算时就需要加载表面热环境信息。然而流体场和固体场的网格通常是不一致的,网格的不匹配问题成为力/热/结构多场耦合数值计算要解决的关键问题之一。为了解决不同网格之间数据传递的全局和局部守恒问题,本文采用深度神经网络预测模型,代替传统数值计算求解Navier-Stokes的过程,该模型能预测飞行器表面任意位置处的气动热,从而解决网格不匹配问题。在实验过程中,优化了智能计算算法,最终得到了较好的预测效果。实验证明,本文提出的两种算法框架在各自对应的气动热环境预测问题中都能取得较为理想的效果。
马红悦[4]（2019）在《基于CNN的英文手写体笔迹鉴定与文本识别》文中认为随着人工智能技术的发展,其在计算机视觉领域的应用越来越广泛,已成为该领域的研究热点,其在英文笔迹鉴定和手写体识别方面的应用也得到了广泛关注。本文提出了一种CC-VGG网络模型,实现了手写体英文笔迹鉴定。此外,利用改进的VGG-16模型,对英文手写体文档进行识别,取得了较好的效果。论文首先介绍了课题的研究背景和研究现状,讨论了神经网络的基础理论,前馈神经网络、卷积神经网络,以及常用的网络模型。其次,在传统VGG-16模型的基础上,提出了一种CC-VGG网络模型,利用复合卷积层替换部分卷积层,对手写体英文笔迹进行鉴定,取得了较好的鉴定效果。建立了一个手写体英文笔迹数据集EI130,包含130类、共26000张图片。仿真实验结果表明,本文模型在CVL、ICDAR2013数据集上,鉴定准确率分别达到了92.7%和86.9%,高于传统算法。同时,在本文数据集EI130上鉴定准确率也较高,证明了本文算法的有效性和鲁棒性。此外,对不在该数据集内的陌生笔迹进行鉴定,提出了陌生笔迹鉴定的相关准则,实验结果证明了其有效性。此外,基于改进的VGG-16模型,提出一种手写体英文文档识别方法。在建立的英文手写体数据集上,利用基于构建的卷积神经网络,实现了英文手写体文档的自动识别。仿真实验结果表明,该方法可以有效地实现手写体英文文档的自动识别,其字符识别准确率可达99%以上,该算法对光照变化、简单几何形变以及具有附加噪声的图像都可以进行有效的识别,证明了该算法具有一定的鲁棒性。最后,对论文工作进行了总结,分析了本文算法的优势与不足,并对未来的研究工作进行了展望,指明了未来的研究方向。
魏巍[5]（2019）在《基于单形进化的支持向量机训练算法研究》文中认为支持向量机（Support Vector Machines,SVM）是基于统计学习理论的一种新的学习方法。然而,有一类支持向量机的泛化能力在很大程度上取决于核函数的选择。根据目前支持向量机的研究现状,发现引入智能优化算法对支持向量机参数进行优化有一定的局限性。例如,一些智能优化算法在优化时过于依赖参数的控制,控制参数的变化对支持向量机的分类和识别有很大的影响。本文首先对支持向量机进行了研究,发现由于神经网络本身的优点,可以更好地应用于支持向量机,提高其泛化能力。因此,本文首先研究了基于神经网络实现的支持向量机。随着研究的不断深入,发现基于神经网络实现的支持向量机在参数优化中或多或少存在不稳定性。由于控制参数多,难以控制和修改,结果达不到预期值。为此,本文引用了单形进化优化算法（Surface-Simplex Swarm Evolution,SSSE）,单形进化算法是一种新型的群智能优化算法。单形进化优化算法的单控制参数特性,提高了算法的可靠性与普适性;通过算法的多角色态的特点,平衡了群体搜索的针对性和多样性,提高了训练算法的搜索效率和收敛性能,保证了算法的通用性,验证了训练算法的有效性。最后,本文对基于单形进化支持向量机的训练算法进行了性能测试和应用验证。通过数据的应用,对新的支持向量机中神经网络的权值、阈值和核函数进行了优化,得到了全局最优解,提高了识别率。实验采用三组数据库数据,分别选取高斯核函数和多项式核函数对数据进行模拟,并对实验结果进行了分析。仿真实验结果表明,该算法训练的支持向量机相比于其他的算法不仅有效地提高了识别率,还减少了控制参数对学习性能的影响,提高了算法在应用中的普适性与鲁棒性。对于基于单形进化的支持向量机运用于现实中有一定的发展推进。
曾宇骏[6]（2018）在《基于深度神经网络的智能车辆目标识别与学习控制方法研究》文中研究表明作为未来智能交通系统的核心单元,智能驾驶车辆集自动控制、人工智能、机器视觉等多种技术于一身,是计算机科学、模式识别以及智能控制等学科高度交叉融合的产物。当前,智能驾驶车辆已成为衡量一个国家科技实力与工业水平的重要标志,不管在民用还是军用领域都已成为国内外关注和竞争的焦点。环境感知技术与运动控制技术是实现车辆智能驾驶的关键技术。然而智能驾驶车辆行驶环境的复杂多变性以及车辆自身动力学模型的高度非线性和时延性,使得在复杂环境下实现高精度的实时环境感知与高性能的运动控制成为智能驾驶领域的挑战性问题。近年来深度学习（Deep learning,DL）和深度增强学习（Deep reinforcement learning,DRL）方法的提出和发展,为解决这一问题提供了新的技术途径。但现有的深度学习和深度增强学习方法通常基于梯度下降（Gradient descent）原理进行参数优化,往往存在局部极小值难以避免、泛化能力难以保证以及由于大量的搜索和优化计算需求所导致的训练代价巨大等问题,致使面向智能驾驶车辆环境感知和运动控制的深度学习和深度增强学习方法存在适应性和高效性不足,限制了其性能的进一步提升。本文以复杂环境下智能驾驶车辆的环境感知和运动控制为研究背景,重点围绕基于深度神经网络的高精度、低训练时耗目标识别方法和面向大规模状态空间下连续动作的高效、快速学习控制方法开展研究,以提升方法性能和降低方法模型训练时耗为目标,主要完成的工作及创新点包括:（1）针对深度卷积神经网络学习过程对局部极小值敏感以及泛化能力难以保证的问题,结合深度学习和超限学习机（Extreme learning machine,ELM）原理,提出了采用深度卷积特征的超限学习目标识别方法CNN-ELM。该方法利用ELM对深度卷积神经网络全连接层进行学习优化,在充分发挥深度卷积神经网络的特征学习能力的同时,与ELM优异的分类泛化能力和快速的学习速度进行优势互补。在国际交通路标识别公共数据库上的测试结果表明,CNN-ELM能够取得99.40%的识别准确率,并且模型训练速度相比于公共数据库上具有最好识别结果的多柱深度神经网络方法（Multi-column deep neural network,MCDNN）有6倍的提升。（2）为解决复杂环境条件下智能车辆交通路标识别问题,进一步研究了颜色空间变换对深度卷积神经网络特征学习过程的影响,提出了一种采用深度感知卷积特征（Deep perceptual convolutional feature,DPCF）的核超限学习交通路标识别方法DP-KELM。该方法在深度卷积神经网络学习过程中引入感知颜色空间变换,同时采用核超限学习机（Kernel extreme learning machine,KELM）完成随机神经网络（Random neural network,RNN）分类器的学习优化,进一步提升深度卷积神经网络所提取特征的判别性和分类器泛化能力,同时减少网络训练的时间代价。在交通路标识别公共数据库上的性能对比结果显示,DP-KELM能够达到99.54%的识别准确率,模型总体训练时间进一步缩短为采用深度卷积特征的超限学习目标识别方法的六分之一。（3）提出了基于差分进化（Differential evolution,DE）的分层稀疏自编码目标识别方法ESAN,在确保识别性能的前提下进一步降低深度神经网络学习训练代价。该方法将面向随机神经网络学习优化的超限学习方法拓展到深度神经网络学习,并针对随机神经网络学习过程中由于隐层网络参数随机生成所可能带来的冗余性和次优性问题,引入差分进化原理进行搜索优化,提出一种进化稀疏自编码网络并进一步将其融入分层随机神经网络结构,实现从原始图像输入到识别结果输出的快速有效的映射学习。在多种目标识别标准数据库上的验证实验结果表明,ESAN识别性能优于堆栈自编码（Stacked autoencoder,SAE）、深度置信网络（Deep belief network,DBN）等深度学习方法,且模型训练速度有2～3倍,最多10倍的提升。（4）针对高维状态输入下连续动作空间的在线学习控制问题,提出了采用深度编码特征与小脑模型神经网络（又称小脑模型关节控制器,Cerebellar model articulation controller,CMAC）的自适应启发评价学习控制方法DeepFastAHC。为解决高维状态输入到增强学习（Reinforcement learning,RL）算法所需的低维特征映射问题,首先将深度编码网络与小脑模型神经网络相结合,在此基础上采用基于递推最小二乘TD（λ）原理的快速启发式自适应评价器（Adaptive heuristic critic,AHC）增强学习算法,最终实现以图像为输入、连续动作空间下控制策略的在线高效学习。典型学习控制问题仿真实验结果表明,DeepFastAHC具有良好的数据利用率和学习效率,学习过程能够快速收敛,得到性能效果良好的控制策略。（5）提出了采用深度卷积特征的超限学习车辆侧向运动控制方法ICNN-ELM。该方法将复杂环境下智能驾驶车辆的侧向运动控制问题抽象为高维状态输入下连续动作空间的模仿学习（Imitation learning,IL）问题。针对深度神经网络因泛化能力不足所导致的回归拟合精度受限问题,采用行为克隆（Behavioral clone）技术,在专家示教（Demonstration）数据上训练深度卷积神经网络特征提取器。随后利用超限学习机取代深度卷积神经网络的全连接层,以深度卷积特征为输入实现对控制输出的拟合回归,从而建立感知图像输入到控制动作输出的直接映射关系。在百度Apollo端到端车辆侧向运动控制数据库上的验证实验表明,ICNN-ELM能够达到比现有深度卷积神经网络方法更高的学习精度,同时所采用的网络模型更加简单。
张立欣[7]（2018）在《新傣文手写体字符识别算法比较研究》文中研究说明我国的少数民族大多集聚在相对偏远的地方,当地科技发展相对滞后导致其文字信息化进程较慢,傣族也是如此。傣族主要生活在云南西双版纳地区,他们使用的新傣文,相对于汉字、藏文及维吾尔文的研究,针对新傣文的研究相对较少。傣族也创造了灿烂无比的文化,在我国民族文化史上有着非常重要的一席之地。研究手写体新傣文字符识别有助于傣文的传播,是对傣族文化的传承与继承,更有助于加速当地文字的信息化进程,极大方便他们的生活。本文的主要内容是用以支持向量机为代表的浅学习和卷积神经网络为代表的深度学习分别对新傣文手写体样本字符进行识别。第一种方法的主要工作包括新傣文手写体样本字符的采集、预处理、Gabor滤波器特征提取,PCA降维、支持向量机识别;第二种方法主要是搭建深度学习运行所需要的环境,以Keras软件为深度学习框架搭建卷积神经网络,对新傣文手写体样本字符进行识别。最终得到的实验结果为:用支持向量机的LIBSVM库对新傣文手写体样本字符进行分类识别,识别率为87.0782%;而用Keras软件搭建的卷积神经网络对其进行识别,识别率达到了93.47%。这两种方法对新傣文手写体样本字符的识别达到了预期的效果,说明两种识别方法是有效的,尤其以第二种方法,即深度学习的方法效果更好。针对新傣文手写体字符识别的研究还处于探索研究的初级阶段,未来还需要投入大量的人力、物力及时间来进行研究。本文用两种方法对新傣文手写体字符进行识别,为以后手写体新傣文的识别研究提供了一种参考。
何西麟[8]（2015）在《基于深度学习的手写体字符识别研究与实现》文中研究说明深度学习（Deep Learning）是近年来提出的一种基于多个隐层的深层次网络结构,用来研究并处理目前机器学习领域的一些热门问题,如图像检索和图像识别。深度学习的本质是通过构建多个隐层的神经网络来训练样本数据,而训练样本的实质则是让网络自主的学习样本的特征,从而免去了以往依赖经验而进行人工特征提取的步骤。目前虽然有较多应用深度学习技术解决手写体数字字符识别的应用,但是在手写体汉字识别领域,更多的是传统的基于人工特征提取的方法.由于汉字笔画相比于其他常见字符如英文字母或阿拉伯数字更复杂,而且手写体汉字因个人书写风格及习惯的不同而更显得种类繁多,因此,对于手写体汉字字符的识别一直是机器学习领域的热门研究问题。本文针对手写体字符尤其是手写体汉字的识别问题,利用深度学习技术构建了不同深度的卷积神经网络[1]对含有手写体数字[2]、手写体汉字的字符集进行识别研究,分别比较了同深度和不同深度网络的性能差异,最终得到了可用于识别的网络结构,并基于该网络实现了手写体字符的识别系统。本文的网络结构对MNIST数据集的准确率达到了99.18%,对汉字数据集HWDB1.1的子集准确率达到了92.02%,并对新数据集有良好的适用性。通过与其他手写字符算法的对比证明了本文使用的网络结构具有的工程应用价值,最后基于该模型实现的手写体字符识别系统也体现了本文网络结构的可行性。
郭吉政[9]（2015）在《免疫卷积神经网络并行优化及其嵌入式系统应用》文中研究表明当前图像识别系统应用的领域越来越广泛,从工业智能监控一直到汽车无人驾驶乃至太空探索都应用到了图像识别系统。卷积神经网络是将人工神经网络与深度学习技术相结合而产生的一个新型人工神经网络分支方法，具有局部感知区域、层次化结构、特征提取和分类过程相结合的全局训练等特点，在图像识别领域获得了广泛的应用。进化计算，人工神经网络和人工免疫系统在学习方面存在一些共性，但是又有各自的特点。免疫系统的适应、学习和记忆能力不仅适用于优化领域，也适合开发用于机器学习的人工免疫系统，虽然现在已经出现了很多学习算法和理论，但没有一种是完善和万能的，目前只能互补。本文通过对国内外有关卷积神经网络，人工免疫系统，嵌入式图像处理系统和GPU加速并行计算的发展现状和研究成果进行整理和总结。并且对人工免疫网络和卷积神经网络的算法和结构进行详细阐述，通过人工免疫系统与卷积神经网络结合，提出了一种新的图像识别算法，免疫卷积神经网络算法，最后通过采用NVIDIA公司GPU加速并行计算，提高识别速度，满足当前嵌入式设备实时性需求，并且搭建嵌入式图像实时识别系统。本文主要研究内容包括以下几个方面：1.对卷积神经网络的网络结构以及参数进行分析，针对卷积神经网络网络结构复杂，训练耗时长，容易出现过拟合并且误分类高等缺点，本文基于人工免疫算法在模式识别的优点用于改进卷积神经网络算法，提出了一种免疫卷积神经网络算法，该算法综合了网络节点的定位与参数的调整以及能够动态调节基函数的平滑因子。2.采用NVIDIA公司最新推出的cuDNN深度神经网络库，用来加速机器学习，使得该免疫卷积神经网络模型可以用到对实时性要求很高的嵌入式平台。3.完成多功能图像识别系统ARM+linux平台的搭建，包括linux操作系统的裁剪、各硬件模块的驱动部分的编写、以及传感器信号的预处理，实现免疫卷积神经网络并行优化算法在嵌入式图像识别的应用研究。
丁姗[10]（2011）在《基于神经网络集成的车牌字符识别研究》文中研究指明智能交通系统是目前世界交通领域的前沿研究课题,车辆牌照识别系统作为智能交通系统的重要组成部分,在现代交通管理中起着重要的作用。可以说车牌字符识别是模式识别中一个非常重要和活跃的研究领域,其无论是在应用背景还是市场需求上,都有着广阔的发展空间。神经网络模式识别方法是模式识别领域中一个重要的研究方向,它具有较强的自组织自学习能力、容错性和鲁棒性等特点,广泛应用于各个领域。本文的出发点正是将车牌识别技术和神经网络两者有机的结合起来,并利用集成技术,致力于基于神经网络集成的车牌字符识别的应用研究。目的是通过神经网络集成方法,解决车牌字符的识别问题,从而提高识别系统的整体识别能力,得到较高的识别精度。主要工作有:1.对车牌图像进行灰度化、平滑处理、边缘检测等预处理操作,以及对车牌图像的定位和字符分割的方法进行了对比分析和研究,并采用不同的特征提取方法对归一化后的车牌字符中的汉字字符、字母字符和数字字符提取特征向量,为字符识别阶段提供可靠的基础。2.为提高RBF神经网络的学习能力,对传统RBF网络进行两方面的改进,一方面是将高斯函数和逆多二次函数进行线性结合构成新的径向基函数,并通过动态调节函数的系数,使组合后的基函数具有更强的逼近能力和泛化能力;另一方面是改进了RBF网络中的减聚类算法。为使网络具有更强的学习能力,提出在传统减聚类算法的基础上能够对聚类中心进行修正的快速减聚类算法思想,使改进后的算法不仅缩减了由于更新密度指标所带来的复杂的计算量,而且能够对聚类中心进行修正,从而减小聚类中心对聚类结果的影响偏差,通过对非线性函数进行逼近实验,验证改进后的减聚类算法的可行性和优越性,并将改进后的RBF网络应用于车牌字符识别之中。另外,对新兴的量子神经网络进行理论研究和分析,将具有多层激励函数的量子神经网络应用于对车牌字符的识别当中,以此获得较高精度的识别率。此外,本文通过使用BP神经网络,同样实现对车牌字符的识别。3.对神经网络集成技术进行研究和分析,为有效提高整体系统的可靠性以及系统对车牌图像的正确识别率,提出一种基于BP神经网络、RBF神经网络和量子神经网络的集成方案,该方案是将传统的串并联集成方式进行改进,创新性地设计了具有两级并行投票机制的神经网络集成系统。在Matlab7.0环境下对采集到的车牌图像进行测试识别实验,证明本文提出的神经网络集成机制的有效性和可操作性。
二、改进径向基函数神经网及其在手写体字符识别中的应用（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、改进径向基函数神经网及其在手写体字符识别中的应用（论文提纲范文）
（1）基于深度神经网络模型的地震信号识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统模板匹配的地震信号识别研究现状 |
| 1.2.2 传统机器学习的地震信号识别研究现状 |
| 1.2.3 深度神经网络的地震信号识别研究现状 |
| 1.3 研究内容和组织结构 |
| 第二章 深度神经网络模型简介 |
| 2.1 卷积神经网络 |
| 2.1.1. 卷积层 |
| 2.1.2. 池化层 |
| 2.1.3. 全连接层 |
| 2.2 残差神经网络 |
| 2.2.1. 提出动机 |
| 2.2.2. 残差结构 |
| 2.3 本章小结 |
| 第三章 地震信号的选取与数据预处理 |
| 3.1 地震信号识别流程 |
| 3.2 地震信号的选取 |
| 3.3 地震信号的预处理 |
| 3.3.1 地震信号不平衡问题处理 |
| 3.3.2 数据归一化处理 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络模型的地震信号识别 |
| 4.1 网络结构 |
| 4.1.1 QConvNet网络结构 |
| 4.1.2 网络处理流程 |
| 4.2 实验结果及分析 |
| 4.2.1 实验环境和参数设置 |
| 4.2.2 QConvNet与其它模型性能对比 |
| 4.3 本章小结 |
| 第五章 基于混合残差神经网络模型的地震信号识别 |
| 5.1 优化模块 |
| 5.1.1 收缩模块 |
| 5.1.2 多尺度模块 |
| 5.2 三种混合残差网络结构 |
| 5.2.1 基于收缩模块的残差神经网络 |
| 5.2.2 基于多尺度模块的残差神经网络 |
| 5.2.3 基于两者混合的残差神经网络 |
| 5.3 实验结果及分析 |
| 5.3.1 实验环境和参数设置 |
| 5.3.2 DRISN和其它模型性能对比 |
| 5.4 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 作者简介 |
| 致谢 |
| 附录A 地震数据获取方式 |
（2）雷达主瓣有源干扰智能感知方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雷达主瓣有源干扰感知的国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的结构安排 |
| 第二章 雷达主瓣有源干扰特性分析及特征提取 |
| 2.1 引言 |
| 2.2 雷达主瓣有源压制干扰特性分析 |
| 2.2.1 干扰类型建模 |
| 2.2.2 基于时频域分析的雷达有源压制干扰特征提取 |
| 2.3 雷达主瓣有源欺骗干扰特性分析 |
| 2.3.1 干扰类型建模 |
| 2.3.2 基于短时傅里叶变换分析的雷达有源欺骗干扰特征提取 |
| 2.4 本章小结 |
| 第三章 雷达主瓣有源压制干扰智能感知算法研究 |
| 3.1 引言 |
| 3.2 基于径向基函数神经网络的雷达有源压制干扰智能感知算法 |
| 3.2.1 理论基础与算法流程 |
| 3.2.2 隐含层神经元个数对RBF神经网络感知性能的影响 |
| 3.2.3 径向基函数分布密度对RBF神经网络感知性能的影响 |
| 3.2.4 基于RBF神经网络的雷达有源压制干扰智能感知算法实验分析 |
| 3.3 基于后向传播网络的雷达有源压制干扰智能感知 |
| 3.3.1 理论基础与算法流程 |
| 3.3.2 隐含层神经元个数对BP神经网络感知性能的影响 |
| 3.3.3 网络深度对BP神经网络感知性能的影响 |
| 3.3.4 基于BP神经网络的雷达有源压制干扰智能感知算法实验分析 |
| 3.4 雷达有源压制干扰的感知算法性能比较 |
| 3.5 本章小结 |
| 第四章 雷达主瓣有源欺骗干扰智能感知算法研究 |
| 4.1 引言 |
| 4.2 基于深度信念网络的雷达有源欺骗干扰智能感知算法 |
| 4.2.1 理论基础与算法流程 |
| 4.2.2 隐含层神经元个数对DBN感知性能的影响 |
| 4.2.3 网络深度对DBN感知性能的影响 |
| 4.2.4 基于DBN的雷达有源欺骗干扰智能感知算法实验分析 |
| 4.3 基于卷积神经网络的雷达有源欺骗干扰智能感知 |
| 4.3.1 理论基础与算法 |
| 4.3.2 卷积核大小对CNN感知性能的影响 |
| 4.3.3 卷积核个数对CNN感知性能的影响 |
| 4.3.4 网络深度对CNN感知性能的影响 |
| 4.3.5 基于CNN的雷达有源欺骗干扰智能感知算法实验分析 |
| 4.4 雷达有源欺骗干扰的感知算法性能比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读研究生学位期间获得的学术成果 |
（3）基于深度学习的测热数据标注与智能计算（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 测热数据标注研究现状 |
| 1.2.2 数值计算研究现状 |
| 1.2.3 智能计算研究现状 |
| 1.3 本文的研究内容及创新 |
| 1.4 论文的结构安排 |
| 第二章 相关理论和技术综述 |
| 2.1 测热数据相关技术 |
| 2.1.1 热传导计算方法 |
| 2.1.2 热传导反问题计算方法 |
| 2.1.3 人工标注 |
| 2.2 智能计算相关技术 |
| 2.2.1 控制方程 |
| 2.2.2 数值方法 |
| 2.2.3 边界条件 |
| 2.3 深度学习相关技术 |
| 2.3.1 深度学习基本概念 |
| 2.3.2 典型卷积神经网络 |
| 2.4 本章小结 |
| 第三章 基于深度学习的测热数据标注 |
| 3.1 本章总体算法概述 |
| 3.2 测热数据获取 |
| 3.3 测热数据预处理 |
| 3.3.1 测热数据滤波 |
| 3.3.2 数据分段 |
| 3.3.3 图片转换 |
| 3.4 卷积神经网络构建 |
| 3.4.1 卷积神经网络的基本概念 |
| 3.4.2 卷积神经网络结构 |
| 3.4.3 自动标注算法 |
| 3.4.4 算法优化 |
| 3.5 实验设计及结果分析 |
| 3.5.1 训练和测试策略 |
| 3.5.2 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于深度学习的智能计算 |
| 4.1 本章总体算法概述 |
| 4.2 数值计算数据获取及数据预处理 |
| 4.2.1 数值计算数据获取 |
| 4.2.2 数据预处理 |
| 4.3 深度神经网络模型构建 |
| 4.3.1 N-S方程推导 |
| 4.3.2 网络结构 |
| 4.3.3 网络算法 |
| 4.4 实验设计及结果分析 |
| 4.4.1 训练和测试策略 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 全文总结及展望 |
| 5.1 研究工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于CNN的英文手写体笔迹鉴定与文本识别（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 手写英文笔迹鉴定技术 |
| 1.1.2 手写英文文本识别 |
| 1.2 研究现状 |
| 1.2.1 手写英文笔迹鉴定 |
| 1.2.2 手写英文文本识别 |
| 1.3 本文组织结构 |
| 第2章 神经网络基础理论及常用模型 |
| 2.1 前馈神经网络 |
| 2.2 卷积神经网络 |
| 2.3 经典网络模型 |
| 2.3.1 LeNet-5 模型 |
| 2.3.2 AlexNet模型 |
| 2.3.3 VGG-16 模型 |
| 2.3.4 GoogleNet模型 |
| 2.3.5 ResNet模型 |
| 2.3.6 DenseNet模型 |
| 2.4 本章小结 |
| 第3章 手写英文笔迹鉴定方法 |
| 3.1 数据采集及预处理 |
| 3.1.1 数据集构建 |
| 3.1.2 手写英文单词分割 |
| 3.2 本文CC-VGG模型 |
| 3.2.1 复合卷积 |
| 3.2.2 CC-VGG模型 |
| 3.3 实验结果分析 |
| 3.3.1 评估标准 |
| 3.3.2 笔迹鉴定结果及分析 |
| 3.4 本章小结 |
| 第4章 英文手写体文档的自动识别 |
| 4.1 数据集采集及预处理 |
| 4.1.1 英文手写体数据集采集 |
| 4.1.2 英文数据集自动分割 |
| 4.2 本文改进的VGG-16 模型 |
| 4.3 手写英文文档识别效果 |
| 4.3.1 训练网络 |
| 4.3.2 英文字符的识别结果 |
| 4.3.3 英文文档的识别 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（5）基于单形进化的支持向量机训练算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究目的及意义 |
| 1.2 支持向量机的研究现状 |
| 1.3 研究内容和方法 |
| 1.4 论文结构安排 |
| 第二章 支持向量机与神经网络实现 |
| 2.1 支持向量机的概述 |
| 2.2 支持向量机的分类原理 |
| 2.2.1 线性可分的支持向量机 |
| 2.2.2 线性不可分支持向量机 |
| 2.2.3 非线性可分的支持向量机 |
| 2.2.4 多分类支持向量机 |
| 2.3 支持向量机的核函数 |
| 2.4 支持向量机的传统训练算法 |
| 2.4.1 块运算 |
| 2.4.2 分解运算 |
| 2.4.3 增量运算 |
| 2.5 支持向量机神经网络结构与优化 |
| 2.5.1 神经网络的概述 |
| 2.5.2 基于神经网路的支持向量机实现 |
| 2.5.3 基于神经网络的支持向量机实现的优化问题 |
| 2.6 本章小结 |
| 第三章 基于单形进化智能优化算法的神经网络学习算法 |
| 3.1 常见的智能优化算法 |
| 3.2 单形进化智能优化算法的背景与优点 |
| 3.2.1 单形进化智能优化算法的背景 |
| 3.2.2 单形进化智能优化算法的优点 |
| 3.3 单形进化智能优化算法的实现原理及基本步骤 |
| 3.4 基于单形进化的支持向量机的训练算法步骤 |
| 3.5 本章小结 |
| 第四章 基于单形进化支持向量机训练算法的性能测试与应用 |
| 4.1 实验的数据来源与实验方案设计 |
| 4.1.1 实验的数据来源 |
| 4.1.2 实验的方案设计 |
| 4.2 手写体数据的预处理和特征提取 |
| 4.3 目标(评价)函数的选取 |
| 4.4 训练算法的性能测试与应用 |
| 4.4.1 基于高斯径向基核函数的性能测试与应用 |
| 4.4.2 基于多项式核函数的性能测试与应用 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文内容总结 |
| 5.2 研究与展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士学位期间主要成果) |
| 附录 B |
| 附录 B1:单形进化智能优化算法的部分源代码 |
| 附录 B2:基于单形进化的支持向量机训练算法的部分源代码 |
（6）基于深度神经网络的智能车辆目标识别与学习控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 国内外智能驾驶车辆研究发展现状 |
| 1.3 智能驾驶车辆视觉目标识别方法研究概述 |
| 1.3.1 基于人工特征的视觉目标识别方法 |
| 1.3.2 基于深度学习的视觉目标识别方法 |
| 1.4 深度神经网络学习控制方法研究现状 |
| 1.4.1 深度增强学习方法研究进展 |
| 1.4.2 深度增强学习方法应用现状 |
| 1.5 论文主要研究工作 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文组织结构 |
| 1.5.3 论文主要创新点 |
| 第二章 采用深度卷积特征的超限学习目标识别方法 |
| 2.1 引言 |
| 2.2 卷积神经网络及其特征学习原理 |
| 2.3 随机前馈神经网络原理 |
| 2.4 采用深度卷积特征的超限学习目标识别方法 |
| 2.4.1 深度卷积特征提取器设计 |
| 2.4.2 基于深度卷积特征的随机神经网络特征分类 |
| 2.4.3 德国交通路标识别数据库实验结果分析 |
| 2.4.4 比利时交通路标识别数据库实验结果分析 |
| 2.5 采用深度感知卷积特征的核超限学习交通路标识别方法 |
| 2.5.1 深度感知卷积特征学习 |
| 2.5.2 基于核超限学习机的随机神经网络特征分类 |
| 2.5.3 德国交通路标识别数据库实验结果分析 |
| 2.5.4 比利时交通路标识别数据库实验结果分析 |
| 2.6 本章小结 |
| 第三章 基于差分进化的分层稀疏自编码目标识别方法 |
| 3.1 引言 |
| 3.2 进化算法理论与差分进化原理 |
| 3.3 基于堆栈自编码网络的特征学习 |
| 3.3.1 自编码网络特征编码学习原理 |
| 3.3.2 堆栈自编码网络特征编码学习原理 |
| 3.3.3 随机堆栈自编码网络特征编码学习原理 |
| 3.4 基于差分进化的分层稀疏自编码目标识别方法 |
| 3.4.1 种群个体定义与合适度函数设计 |
| 3.4.2 种群个体变异与交叉进化 |
| 3.5 实验验证分析 |
| 3.5.1 标准多类识别数据库实验结果与分析 |
| 3.5.2 手写体字符识别及3D物体目标识别标准数据库实验结果与分析 |
| 3.5.3 交通路标识别标准数据库实验结果与分析 |
| 3.6 本章小结 |
| 第四章 采用深度编码特征的自适应启发评价学习控制 |
| 4.1 引言 |
| 4.2 自适应启发式评价算法原理 |
| 4.3 采用深度编码特征与小脑模型神经网络的自适应启发评价算法 |
| 4.4 仿真实验验证分析 |
| 4.4.1 Acrobot学习控制仿真验证实验 |
| 4.4.2 Mountain Car学习控制仿真验证实验 |
| 4.5 本章小结 |
| 第五章 基于深度神经网络的仿人驾驶学习控制 |
| 5.1 引言 |
| 5.2 模仿学习相关研究概述 |
| 5.3 采用深度卷积特征的超限学习车辆侧向运动控制方法 |
| 5.3.1 基于深度神经网络的车辆侧向运动控制问题描述 |
| 5.3.2 采用深度卷积特征的超限学习网络模型设计 |
| 5.4 实验验证分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文的工作总结 |
| 6.2 下一步工作的展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）新傣文手写体字符识别算法比较研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 新傣文识别的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 字符识别发展史 |
| 1.2.2 国内外字符识别发展情况 |
| 1.3 文字识别简述 |
| 1.3.1 文字识别的分类 |
| 1.3.2 文字的特征提取与识别 |
| 1.3.3 文字识别的基本方法 |
| 1.4 本文结构安排 |
| 第2章 新傣文字符基本认识 |
| 2.1 新傣文简介 |
| 2.2 新傣文字符的结构特点 |
| 2.3 手写体新傣文字符特征提取的考虑 |
| 2.4 新傣文字符识别的难点 |
| 2.5 本章小结 |
| 第3章 新傣文手写体字符的采集与预处理 |
| 3.1 新傣文手写体字符的样本采集 |
| 3.1.1 样本采集软件 |
| 3.1.2 实验数据库的选择 |
| 3.2 样本预处理 |
| 3.2.1 去重复点 |
| 3.2.2 笔画平滑 |
| 3.2.3 归一化处理 |
| 3.2.4 样本字符重采样 |
| 3.3 本章小结 |
| 第4章 样本字符Gabor特征提取与支持向量机识别 |
| 4.1 Gabor特征提取 |
| 4.1.1 Gabor变换发展历史 |
| 4.1.2 Gabor滤波器 |
| 4.1.3 Gabor滤波器的特点 |
| 4.1.4 Gabor特征提取 |
| 4.2 降维 |
| 4.2.1 LDA与PCA |
| 4.2.2 PCA原理 |
| 4.3 支持向量机的概述 |
| 4.3.1 支持向量机 |
| 4.3.2 支持向量机的基本原理 |
| 4.3.3 支持向量机的特点 |
| 4.3.4 支持向量机的多值分类问题 |
| 4.3.5 基于支持向量机的Libsvm库使用 |
| 4.4 本章小结 |
| 第5章 卷积神经网络算法概述 |
| 5.1 深度学习的概述 |
| 5.1.1 深度学习 |
| 5.1.2 深度学习的理论依据 |
| 5.1.3 特征提取与深度学习 |
| 5.1.4 梯度下降算法与反向传播算法 |
| 5.2 Keras |
| 5.2.1 Keras的优点 |
| 5.2.2 Keras深度学习模型 |
| 5.2.3 Keras中重要的预定义对象 |
| 5.2.4 Keras的网络层构造 |
| 5.2.5 Keras的样本扩充 |
| 5.3 卷积神经网络 |
| 5.3.1 卷积神经网络产生及发展 |
| 5.3.2 卷积神经网络与传统分类器的对比 |
| 5.3.3 卷积神经网络的基本结构 |
| 5.3.4 卷积神经网络的结构特性 |
| 5.3.5 对卷积神经网络的一些认识 |
| 5.3.6 卷积神经网络参数与设计 |
| 5.4 本章小结 |
| 第6章 实验结果与分析 |
| 6.1 实验结果 |
| 6.1.1 基于支持向量机的分类识别 |
| 6.1.2 基于Keras的卷积神经网络分类识别 |
| 6.2 实验结果分析 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 参考文献 |
| 致谢 |
（8）基于深度学习的手写体字符识别研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 课题研究背景和意义 |
| 国内外研究现状 |
| 本论文主要工作和内容结构安排 |
| 本章小结 |
| 第2章 相关理论基础 |
| 2.1 关于特征 |
| 2.2 深度学习基本思想 |
| 2.3 深度学习训练过程 |
| 2.4 常用模型和方法 |
| 2.5 神经网络与卷积神经网络 |
| 2.6 本章小结 |
| 第3章 浅层卷积神经网络在手写体字符识别上的应用 |
| 3.1 数据集及实验相关环境 |
| 3.2 深度网络模型及其改进方法 |
| 3.3 本文采用的网络模型结构 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 深层卷积神经网络在手写体汉字识别上的应用 |
| 4.1 数据准备与预处理 |
| 4.2 模型结构及其改进方法 |
| 4.3 实验结果与分析 |
| 4.4 与其他算法相关对比分析 |
| 4.5 本章小结 |
| 第5章 系统设计与实现 |
| 5.1 系统结构与设计 |
| 5.2 数据相关预处理操作 |
| 5.3 系统简易演示 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究成果 |
| 6.2 将来的工作 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）免疫卷积神经网络并行优化及其嵌入式系统应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卷积神经网络研究现状 |
| 1.2.2 人工免疫系统研究现状 |
| 1.2.3 嵌入式图像处理系统发展及现状 |
| 1.2.4 GPU 加速并行计算研究现状 |
| 1.3 论文的创新 |
| 1.4 本文的主要工作 |
| 第二章 免疫卷积神经网络结构与算法 |
| 2.1 人工免疫网络概述 |
| 2.1.1 免疫系统模式识别 |
| 2.1.2 免疫分类算法研究 |
| 2.2 人工神经网络 |
| 2.2.1 神经网络模型 |
| 2.2.2 反向传导算法 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的架构 |
| 2.3.2 径向基网络 |
| 2.3.3 卷积网络的训练过程 |
| 2.3.4 卷积神经网络研究方向 |
| 2.4 免疫卷积神经网络结构设计 |
| 2.5 GPU 加速实现免疫卷积神经网络并行优化 |
| 2.6 本章小结 |
| 第三章 免疫卷积神经网络性能研究 |
| 3.1 基于手写体识别的免疫卷积神经网络性能研究 |
| 3.1.1 MNIST 手写数字库简介 |
| 3.1.2 人工神经网络设计与实现 |
| 3.1.3 免疫卷积神经网络设计与实现 |
| 3.2 基于小图像识别免疫卷积神经网络性能研究 |
| 3.2.1 CIFAR-10 简介 |
| 3.2.2 CIFAR-10 免疫卷积神经网络设计与实现 |
| 3.3 实验结果 |
| 3.3.1 基于手写体识别的分类算法性能比较 |
| 3.3.2 基于小图像识别的分类算法性能比较 |
| 3.3.3 免疫卷积神经网络并行优化结果 |
| 3.4 本章小结 |
| 第四章 免疫卷积神经网络在嵌入式图像识别应用研究 |
| 4.1 嵌入式图像识别系统设计 |
| 4.1.1 核心算法的选择 |
| 4.1.2 训练集的构建 |
| 4.2 嵌入式硬件系统设计 |
| 4.2.1 S3C6410 处理器 |
| 4.2.2 摄像头采集模块 |
| 4.2.3 WIFI 无线传输模块 |
| 4.3 嵌入式软件系统设计 |
| 4.3.1 linux 系统移植 |
| 4.3.2 无线传输系统设计 |
| 4.3.3 图像采集程序设计 |
| 4.4 免疫卷积神经网络图像识别 |
| 4.4.1 ImageNet 简介 |
| 4.4.2 免疫卷积层神经网络的构建 |
| 4.4.3 逐层可视免疫卷积神经网络 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 在校期间主要学术成果 |
| 致谢 |
（10）基于神经网络集成的车牌字符识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 车牌识别系统 |
| 1.2.1 车牌识别系统的组成 |
| 1.2.2 国内外研究现状 |
| 1.3 人工神经网络及神经网络集成 |
| 1.3.1 人工神经网络和神经网络模式识别技术 |
| 1.3.2 神经网络集成 |
| 1.4 本文的研究内容和创新点 |
| 1.5 本文组织结构 |
| 第二章 车牌识别系统综述 |
| 2.1 我国车牌的特征规格 |
| 2.2 字符预处理 |
| 2.2.1 灰度化 |
| 2.2.2 图像增强 |
| 2.2.3 边缘检测 |
| 2.3 车牌定位和二值化 |
| 2.3.1 车牌图像的定位定位 |
| 2.3.2 去除边框和铆钉 |
| 2.3.3 二值化 |
| 2.4 字符分割 |
| 2.5 本章小结 |
| 第三章 特征提取 |
| 3.1 字符特征 |
| 3.2 车牌汉字特征提取 |
| 3.3 车牌字母/数字特征提取 |
| 3.4 本章小结 |
| 第四章 神经网络在车牌字符识别中的应用 |
| 4.1 人工神经网络概述 |
| 4.1.1 神经网络的特点及其应用 |
| 4.1.2 神经网络的分类 |
| 4.1.3 神经网络的学习算法和激活函数 |
| 4.2 BP 神经网络 |
| 4.2.1 BP 网络的模型结构及学习算法 |
| 4.2.2 BP 算法的缺点与改进 |
| 4.2.3 BP 网络的设计 |
| 4.3 RBF 神经网络 |
| 4.3.1 RBF 网络的模型结构及基本思想 |
| 4.3.2 RBF 网络的学习算法 |
| 4.3.3 减聚类算法及其改进 |
| 4.3.4 RBF 网络的设计 |
| 4.4 量子神经网络 |
| 4.4.1 量子神经网络的模型 |
| 4.4.2 基于多层激励函数的量子神经网络训练算法 |
| 4.4.3 量子神经网络的设计 |
| 4.5 本章小结 |
| 第五章 神经网络集成 |
| 5.1 神经网络集成概述 |
| 5.2 集成的实现方法 |
| 5.2.1 个体生成方法 |
| 5.2.2 结论合成方法及理论分析 |
| 5.3 基于神经网络集成的车牌字符识别 |
| 5.3.1 多分类器集成模型 |
| 5.3.2 神经网络集成识别流程 |
| 5.4 实验及结果分析 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 本文的工作 |
| 6.2 进一步研究方向 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
四、改进径向基函数神经网及其在手写体字符识别中的应用（论文参考文献）
- [1]基于深度神经网络模型的地震信号识别研究[D]. 李进. 河北地质大学, 2021(07)
- [2]雷达主瓣有源干扰智能感知方法研究[D]. 王倩倩. 电子科技大学, 2020(07)
- [3]基于深度学习的测热数据标注与智能计算[D]. 林滋宜. 电子科技大学, 2020(07)
- [4]基于CNN的英文手写体笔迹鉴定与文本识别[D]. 马红悦. 天津大学, 2019(01)
- [5]基于单形进化的支持向量机训练算法研究[D]. 魏巍. 昆明理工大学, 2019(04)
- [6]基于深度神经网络的智能车辆目标识别与学习控制方法研究[D]. 曾宇骏. 国防科技大学, 2018(01)
- [7]新傣文手写体字符识别算法比较研究[D]. 张立欣. 云南大学, 2018(01)
- [8]基于深度学习的手写体字符识别研究与实现[D]. 何西麟. 中山大学, 2015(08)
- [9]免疫卷积神经网络并行优化及其嵌入式系统应用[D]. 郭吉政. 东华大学, 2015(07)
- [10]基于神经网络集成的车牌字符识别研究[D]. 丁姗. 山东师范大学, 2011(08)