CNN智能推荐模型研究及在球团焙烧制度中的应用
发布时间：2021-05-19 22:35
卷积神经网络（CNN）在处理图像过程中,因池化方式的原因易出现过拟合,表现出陷入局部最优解。利用天牛须搜索算法（BAS）改进卷积神经网络,在池化层改变池化方式并将其应用到球团矿焙烧制度的最佳推荐上,以模型的最终输出特征图为研究结果,利用这些特征来连接球团的冶金性能和焙烧制度。首先,文章介绍了卷积神经网络的框架和理论知识,从网络结构、网络深度和卷积核选取三方面阐述了网络的内部机理,并且将天牛须算法植入到了池化层中。天牛须算法利用无约束的带罚函数作为适应度函数,根据天牛须算法的特点,对池化层的池化方式做出智能选择,完成了对卷积神经网络的改进。其次,采用1000组样本数据,对原始网络和改进网络同时进行训练和测试,训练样本数量与测试样本数量比例为7:3。测试阶段将测试数据重复进行了五次,模型测试结果对于识别精度和收敛速度做了说明。五次模型的测试值的平均值来表示最终识别精度值:原始模型平均识别精度为97.27%;改进的模型平均精度值为98.874%。从数据上来看,改进模型精度比原始模型精度提高不到两个百分点,但是前者避免了过拟合现象,收敛速度相比于后者在样本容量为150左右表现出快速收敛。最后,...
【文章来源】：华北理工大学河北省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 CNN简介
1.2 球团矿焙烧影响因素
1.2.1 球团矿以及焙烧工艺
1.2.2 影响球团冶金性能的焙烧因素
1.3 国内外研究现状
1.4 论文主要研究内容和结构
1.4.1 主要研究内容
1.4.2 文章结构
第2章 理论分析
2.1 CNN
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.1.4 特征面
2.1.5 卷积核的选取
2.1.6 与传统模式识别算法比较
2.2 球团矿相模式识别
2.2.1 球团矿相
2.2.2 球团矿相模式识别
2.3 本章小结
第3章 卷积神经网络算法改进
3.1 两种池化方法
3.2 天牛须算法
3.3 改进的卷积神经网络
3.4 本章小结
第4章 CNN智能推荐模型的训练和测试
4.1 样本集构建
4.1.1 实验样本集构建
4.1.2 参数样本集构建
4.2 利用实验样本集测试卷积神经网络
4.2.1 利用实验样本训练原始神经网络
4.2.2 利用实验样本测试改进的卷积神经网络
4.3 仿真实验结果
4.4 本章小结
第5章 智能推荐模型在焙烧制度中的仿真应用
5.1 数据预处理
5.2 最佳焙烧制度推荐
5.3 本章小结
结论
参考文献
致谢
导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]基于天牛须搜索的全变分最小化算法在计算机断层成像内重建中的应用[J]. 孔慧华,孙英博,张雁霞. 激光与光电子学进展. 2019(21)
[2]基于密集连接空洞卷积神经网络的青藏地区云雪图像分类[J]. 曹辉,翁理国,张德正. 计算机测量与控制. 2019(09)
[3]多层感知器深度卷积生成对抗网络[J]. 王格格,郭涛,李贵洋. 计算机科学. 2019(09)
[4]基于卷积神经网络的图像分类研究[J]. 庞丝丝,黄呈铖. 现代计算机. 2019(23)
[5]基于卷积神经网络和重排序的农业遥感图像检索[J]. 叶发茂,董萌,罗威,肖慧,赵旭青,闵卫东. 农业工程学报. 2019(15)
[6]基于深度监督全卷积神经网络的MRI脑图像语义分割算法[J]. 黄星奕,丘子明,许燕. 北京生物医学工程. 2019(03)
[7]基于微观技术的镁质熔剂性球团矿相研究[J]. 邢宏伟,刘振超,程菲雨,田铁磊,张玉柱,任承然. 矿产综合利用. 2019(02)
[8]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[9]基于天牛须优化算法的图像分割[J]. 李桃,侯红英. 计算机产品与流通. 2019(03)
[10]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
博士论文
[1]融合领域知识的心电图分类方法研究[D]. 王丽苹.华东师范大学 2013
硕士论文
[1]球团矿冶金性能预测的SVM改进模型研究[D]. 韩阳.华北理工大学 2018
[2]熔剂性赤铁矿球团焙烧特性及高炉还原行为研究[D]. 张金良.中南大学 2012
本文编号：3196556
【文章来源】：华北理工大学河北省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 CNN简介
1.2 球团矿焙烧影响因素
1.2.1 球团矿以及焙烧工艺
1.2.2 影响球团冶金性能的焙烧因素
1.3 国内外研究现状
1.4 论文主要研究内容和结构
1.4.1 主要研究内容
1.4.2 文章结构
第2章 理论分析
2.1 CNN
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.1.4 特征面
2.1.5 卷积核的选取
2.1.6 与传统模式识别算法比较
2.2 球团矿相模式识别
2.2.1 球团矿相
2.2.2 球团矿相模式识别
2.3 本章小结
第3章 卷积神经网络算法改进
3.1 两种池化方法
3.2 天牛须算法
3.3 改进的卷积神经网络
3.4 本章小结
第4章 CNN智能推荐模型的训练和测试
4.1 样本集构建
4.1.1 实验样本集构建
4.1.2 参数样本集构建
4.2 利用实验样本集测试卷积神经网络
4.2.1 利用实验样本训练原始神经网络
4.2.2 利用实验样本测试改进的卷积神经网络
4.3 仿真实验结果
4.4 本章小结
第5章 智能推荐模型在焙烧制度中的仿真应用
5.1 数据预处理
5.2 最佳焙烧制度推荐
5.3 本章小结
结论
参考文献
致谢
导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]基于天牛须搜索的全变分最小化算法在计算机断层成像内重建中的应用[J]. 孔慧华,孙英博,张雁霞. 激光与光电子学进展. 2019(21)
[2]基于密集连接空洞卷积神经网络的青藏地区云雪图像分类[J]. 曹辉,翁理国,张德正. 计算机测量与控制. 2019(09)
[3]多层感知器深度卷积生成对抗网络[J]. 王格格,郭涛,李贵洋. 计算机科学. 2019(09)
[4]基于卷积神经网络的图像分类研究[J]. 庞丝丝,黄呈铖. 现代计算机. 2019(23)
[5]基于卷积神经网络和重排序的农业遥感图像检索[J]. 叶发茂,董萌,罗威,肖慧,赵旭青,闵卫东. 农业工程学报. 2019(15)
[6]基于深度监督全卷积神经网络的MRI脑图像语义分割算法[J]. 黄星奕,丘子明,许燕. 北京生物医学工程. 2019(03)
[7]基于微观技术的镁质熔剂性球团矿相研究[J]. 邢宏伟,刘振超,程菲雨,田铁磊,张玉柱,任承然. 矿产综合利用. 2019(02)
[8]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[9]基于天牛须优化算法的图像分割[J]. 李桃,侯红英. 计算机产品与流通. 2019(03)
[10]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
博士论文
[1]融合领域知识的心电图分类方法研究[D]. 王丽苹.华东师范大学 2013
硕士论文
[1]球团矿冶金性能预测的SVM改进模型研究[D]. 韩阳.华北理工大学 2018
[2]熔剂性赤铁矿球团焙烧特性及高炉还原行为研究[D]. 张金良.中南大学 2012
本文编号：3196556
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3196556.html
