隨著大數(shù)據(jù)時代的到來,大規(guī)模復(fù)雜結(jié)構(gòu)的不確定性數(shù)據(jù)越來越普遍。對目標(biāo)對象的描述數(shù)據(jù)不再局限于單個數(shù)據(jù)源,需要對多源異構(gòu)的不確定性數(shù)據(jù)進(jìn)行整合。因此,如何快速協(xié)同地分析這些數(shù)據(jù)已成為當(dāng)前大數(shù)據(jù)領(lǐng)域的研究熱點。而粒計算是一種能夠模擬人腦思維對復(fù)雜問題進(jìn)行求解的新方法。它能夠模擬人類對世界的認(rèn)知機(jī)制——從多個維度、多個視角和多個層次來描述和感知現(xiàn)實世界,從而對復(fù)雜問題進(jìn)行求解。粒計算逐漸成為不確定性問題求解的重要理論,多粒度分析也已經(jīng)成為人類認(rèn)知能力的重要特征。神經(jīng)網(wǎng)絡(luò)是一種模仿神經(jīng)元組成的并行處理網(wǎng)絡(luò)模型。通過模擬生物神經(jīng)系統(tǒng)來反饋現(xiàn)實世界的交互,使其具有很強(qiáng)的適應(yīng)能力。誤差反向傳播算法（error BackPropagation,BP）是神經(jīng)網(wǎng)絡(luò)中的杰出代表,也是成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。針對金融趨勢的結(jié)果預(yù)測問題,提出了融合粒計算思維,把BP神經(jīng)網(wǎng)絡(luò)進(jìn)行粒度劃分,使其在趨勢預(yù)測上具有粒度觀,更符合人腦的思維模式。融合了粒計算思維的BP神經(jīng)網(wǎng)絡(luò)在金融趨勢預(yù)測上取得了較高的成績,相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果,它在股票收盤價預(yù)測中取得了更高的精準(zhǔn)度。視頻跟蹤是計算機(jī)視覺中的一項基本工作,在智能... 

【文章來源】：閩南師范大學(xué)福建省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 粒計算的研究現(xiàn)狀
        1.2.2 金融趨勢預(yù)測的研究現(xiàn)狀
        1.2.3 目標(biāo)跟蹤的研究現(xiàn)狀
        1.2.4 超分辨率重建的研究現(xiàn)狀
    1.3 本文主要內(nèi)容和組織結(jié)構(gòu)
        1.3.1 本文主要工作
        1.3.2 本文組織結(jié)構(gòu)
第2章 粒計算
    2.1 粒計算研究概述
    2.2 粒計算內(nèi)涵
        2.2.1 粒計算基本概念
        2.2.2 粒計算的基本問題
    2.3 粒計算的主要理論模型
        2.3.1 詞計算理論
        2.3.2 商空間理論
        2.3.3 粗糙集理論
        2.3.4 云模型
    2.4 本章小結(jié)
第3章 粒計算思維下的BP神經(jīng)網(wǎng)絡(luò)在金融趨勢預(yù)測中的應(yīng)用
    3.1 BP神經(jīng)網(wǎng)絡(luò)
        3.1.1 概述
        3.1.2 BP神經(jīng)網(wǎng)絡(luò)及歸一化改進(jìn)
    3.2 粒計算思維下的BP神經(jīng)網(wǎng)絡(luò)
        3.2.1 粒度矩陣構(gòu)造及預(yù)處理
        3.2.2 預(yù)測值誤差及權(quán)值處理
        3.2.3 BPGC算法模型
    3.3 實驗結(jié)果與分析
        3.3.1 實驗設(shè)置
        3.3.2 實驗結(jié)果分析
    3.4 本章小結(jié)
第4章 基于深度卷積神經(jīng)網(wǎng)絡(luò)的多粒度相關(guān)濾波視頻跟蹤方法
    4.1 視頻跟蹤技術(shù)概述
    4.2 相關(guān)濾波視頻跟蹤
    4.3 多粒度相關(guān)濾波器視頻跟蹤算法
        4.3.1 基礎(chǔ)特征池與粒度池
        4.3.2 多粒度相關(guān)跟蹤器
        4.3.3 MGCF算法模型
    4.4 實驗結(jié)果分析
        4.4.1 實驗設(shè)置
        4.4.2 實驗結(jié)果分析
    4.5 本章小結(jié)
第5章 多粒度深度神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建方法
    5.1 基于深度學(xué)習(xí)的圖像超分辨率重建概述
        5.1.1 有監(jiān)督的基于深度學(xué)習(xí)的圖像超分辨率重建
        5.1.2 無監(jiān)督的基于深度學(xué)習(xí)的圖像超分辨率重建
    5.2 相關(guān)工作
        5.2.1 卷積網(wǎng)絡(luò)的超分辨率重建
        5.2.2 殘差網(wǎng)絡(luò)
        5.2.3 梯度裁剪
    5.3 多粒度深度神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法
        5.3.1 粒度劃分與拼接
        5.3.2 多粒度深度網(wǎng)絡(luò)
        5.3.3 MGSR算法模型
    5.4 實驗結(jié)果與分析
        5.4.1 數(shù)據(jù)集及參數(shù)設(shè)置
        5.4.2 實驗結(jié)果與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得的科研成果清單


【參考文獻(xiàn)】：
期刊論文
[1]多粒度認(rèn)知計算——一種大數(shù)據(jù)智能計算的新模型[J]. 王國胤,于洪.  數(shù)據(jù)與計算發(fā)展前沿. 2019(06)
[2]基于深度學(xué)習(xí)的圖像超分辨率重建方法綜述[J]. 陳文靜,唐軼.  云南民族大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[3]三支決策-基于粗糙集與粒計算研究視角[J]. 劉盾,李天瑞,楊新,梁德翠.  智能系統(tǒng)學(xué)報. 2019(06)
[4]基于粒計算的多粒度用戶畫像[J]. 蔣明會,苗奪謙,羅晟,趙才榮.  模式識別與人工智能. 2019(08)
[5]粒計算思維下的BP神經(jīng)網(wǎng)絡(luò)在金融趨勢預(yù)測中的應(yīng)用[J]. 沈澤君,楊文元.  小型微型計算機(jī)系統(tǒng). 2019(03)
[6]基于深度學(xué)習(xí)的視頻跟蹤研究進(jìn)展綜述[J]. 戴鳳智,魏寶昌,歐陽育星,金霞.  計算機(jī)工程與應(yīng)用. 2019(10)
[7]機(jī)器學(xué)習(xí)在股價預(yù)測中的研究綜述[J]. 林升,綦科,魏楷聰,張偉.  經(jīng)濟(jì)師. 2019(03)
[8]Single image super-resolution reconstruction using multiple dictionaries and improved iterative back-projection[J]. 趙建雯,袁其平,秦娟,楊曉蘋,陳志宏.  Optoelectronics Letters. 2019(02)
[9]基于相關(guān)濾波器的視頻跟蹤方法研究進(jìn)展[J]. 劉巧元,王玉茹,張金玲,殷明浩.  自動化學(xué)報. 2019(02)
[10]基于不同深度殘差網(wǎng)絡(luò)的圖像識別研究[J]. 劉永江,張培玲,馬天放.  計算機(jī)產(chǎn)品與流通. 2018(10)

博士論文
[1]相容粒計算模型及其數(shù)據(jù)挖掘研究[D]. 孟軍.大連理工大學(xué) 2012
[2]基于覆蓋的粒計算模型及其應(yīng)用研究[D]. 胡軍.西安電子科技大學(xué) 2010

碩士論文
[1]淺層軌道交通自動駕駛控制系統(tǒng)設(shè)計與研究[D]. 張亞.上海師范大學(xué) 2019
[2]基于學(xué)習(xí)的圖像超分辨率重建算法研究[D]. 彭亮.華南理工大學(xué) 2019
[3]基于深度學(xué)習(xí)的軌跡數(shù)據(jù)恢復(fù)研究[D]. 吳翰韜.電子科技大學(xué) 2018



本文編號：3645602