粒计算思维在神经网络上的应用

发布时间：2022-02-28 21:20

　　随着大数据时代的到来,大规模复杂结构的不确定性数据越来越普遍。对目标对象的描述数据不再局限于单个数据源,需要对多源异构的不确定性数据进行整合。因此,如何快速协同地分析这些数据已成为当前大数据领域的研究热点。而粒计算是一种能够模拟人脑思维对复杂问题进行求解的新方法。它能够模拟人类对世界的认知机制——从多个维度、多个视角和多个层次来描述和感知现实世界,从而对复杂问题进行求解。粒计算逐渐成为不确定性问题求解的重要理论,多粒度分析也已经成为人类认知能力的重要特征。神经网络是一种模仿神经元组成的并行处理网络模型。通过模拟生物神经系统来反馈现实世界的交互,使其具有很强的适应能力。误差反向传播算法（error BackPropagation,BP）是神经网络中的杰出代表,也是成功的神经网络学习算法。针对金融趋势的结果预测问题,提出了融合粒计算思维,把BP神经网络进行粒度划分,使其在趋势预测上具有粒度观,更符合人脑的思维模式。融合了粒计算思维的BP神经网络在金融趋势预测上取得了较高的成绩,相较于传统的神经网络预测结果,它在股票收盘价预测中取得了更高的精准度。视频跟踪是计算机视觉中的一项基本工作,在智能... 

【文章来源】：闽南师范大学福建省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究意义
    1.2 国内外研究现状
        1.2.1 粒计算的研究现状
        1.2.2 金融趋势预测的研究现状
        1.2.3 目标跟踪的研究现状
        1.2.4 超分辨率重建的研究现状
    1.3 本文主要内容和组织结构
        1.3.1 本文主要工作
        1.3.2 本文组织结构
第2章 粒计算
    2.1 粒计算研究概述
    2.2 粒计算内涵
        2.2.1 粒计算基本概念
        2.2.2 粒计算的基本问题
    2.3 粒计算的主要理论模型
        2.3.1 词计算理论
        2.3.2 商空间理论
        2.3.3 粗糙集理论
        2.3.4 云模型
    2.4 本章小结
第3章 粒计算思维下的BP神经网络在金融趋势预测中的应用
    3.1 BP神经网络
        3.1.1 概述
        3.1.2 BP神经网络及归一化改进
    3.2 粒计算思维下的BP神经网络
        3.2.1 粒度矩阵构造及预处理
        3.2.2 预测值误差及权值处理
        3.2.3 BPGC算法模型
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 实验结果分析
    3.4 本章小结
第4章 基于深度卷积神经网络的多粒度相关滤波视频跟踪方法
    4.1 视频跟踪技术概述
    4.2 相关滤波视频跟踪
    4.3 多粒度相关滤波器视频跟踪算法
        4.3.1 基础特征池与粒度池
        4.3.2 多粒度相关跟踪器
        4.3.3 MGCF算法模型
    4.4 实验结果分析
        4.4.1 实验设置
        4.4.2 实验结果分析
    4.5 本章小结
第5章 多粒度深度神经网络的图像超分辨率重建方法
    5.1 基于深度学习的图像超分辨率重建概述
        5.1.1 有监督的基于深度学习的图像超分辨率重建
        5.1.2 无监督的基于深度学习的图像超分辨率重建
    5.2 相关工作
        5.2.1 卷积网络的超分辨率重建
        5.2.2 残差网络
        5.2.3 梯度裁剪
    5.3 多粒度深度神经网络的图像超分辨率重建算法
        5.3.1 粒度划分与拼接
        5.3.2 多粒度深度网络
        5.3.3 MGSR算法模型
    5.4 实验结果与分析
        5.4.1 数据集及参数设置
        5.4.2 实验结果与分析
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
致谢
攻读学位期间取得的科研成果清单


【参考文献】：
期刊论文
[1]多粒度认知计算——一种大数据智能计算的新模型[J]. 王国胤,于洪.  数据与计算发展前沿. 2019(06)
[2]基于深度学习的图像超分辨率重建方法综述[J]. 陈文静,唐轶.  云南民族大学学报(自然科学版). 2019(06)
[3]三支决策-基于粗糙集与粒计算研究视角[J]. 刘盾,李天瑞,杨新,梁德翠.  智能系统学报. 2019(06)
[4]基于粒计算的多粒度用户画像[J]. 蒋明会,苗夺谦,罗晟,赵才荣.  模式识别与人工智能. 2019(08)
[5]粒计算思维下的BP神经网络在金融趋势预测中的应用[J]. 沈泽君,杨文元.  小型微型计算机系统. 2019(03)
[6]基于深度学习的视频跟踪研究进展综述[J]. 戴凤智,魏宝昌,欧阳育星,金霞.  计算机工程与应用. 2019(10)
[7]机器学习在股价预测中的研究综述[J]. 林升,綦科,魏楷聪,张伟.  经济师. 2019(03)
[8]Single image super-resolution reconstruction using multiple dictionaries and improved iterative back-projection[J]. 赵建雯,袁其平,秦娟,杨晓苹,陈志宏.  Optoelectronics Letters. 2019(02)
[9]基于相关滤波器的视频跟踪方法研究进展[J]. 刘巧元,王玉茹,张金玲,殷明浩.  自动化学报. 2019(02)
[10]基于不同深度残差网络的图像识别研究[J]. 刘永江,张培玲,马天放.  计算机产品与流通. 2018(10)

博士论文
[1]相容粒计算模型及其数据挖掘研究[D]. 孟军.大连理工大学 2012
[2]基于覆盖的粒计算模型及其应用研究[D]. 胡军.西安电子科技大学 2010

硕士论文
[1]浅层轨道交通自动驾驶控制系统设计与研究[D]. 张亚.上海师范大学 2019
[2]基于学习的图像超分辨率重建算法研究[D]. 彭亮.华南理工大学 2019
[3]基于深度学习的轨迹数据恢复研究[D]. 吴翰韬.电子科技大学 2018



本文编号：3645602