1. 研究目的与意义(文献综述)
近些年以来,随着“大数据时代”的到来,互联网上每日均会产生大量数据,这些数据的处理工作将会消耗大量的资源,因此,如何提高处理数据的效率和存储数据的单位容量成为了全球正在面临的难题。而为了能够更好地解决这些难题,近几十年来,国内外的科学家们分别从硬件层面和软件层面做出改进,从而提高计算机的相关性能。从硬件层面而言,在过去的时间里,研究者们主要是通过缩小 cmos 技术的工艺尺寸,来提高计算机芯片的性能,目前而言其尺寸已经接近其物理极限。从软件层面来说,近年来,神经网络的广泛应用也促进了计算机性能的提高。
目前,计算机性能主要受限于“冯·诺伊曼瓶颈”。因此,国内外均在研究信息存储与计算相融合的计算系统,将神经网络硬件化,而具有高速,低功耗等较好性能的忆阻器则是这个计算系统中的核心元件。而用忆阻器来模拟神经网络的突触也使得神经网络具有更多的功能,而不仅仅是学习记忆功能。
经过相关研究人员的研究表明,将忆阻器用来模拟神经网络中的突触,具有较大的前景。神经网络中较为常见的几种网络包括卷积神经网络以及长短期记忆神经网络。而这两者各自存在优点和缺点。卷积神经网络可以通过卷积的方式将复杂的问题进行一定的简化,从而能够较好的保留了原有图像的重要特征。这样其可以很好的识别在原图基础上进行了一定变化的图片。长短期记忆神经网络是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm应用的领域包括:机器翻译、语音识别,视频标记和文本生成等。
2. 研究的基本内容与方案
本次研究的基本内容为:
本研究需要理解清楚忆阻器基本概念、分类、物理机制模型,以及忆阻器在神经形态计算领域的新应用原理及前沿进展。本研究主要是综合卷积神经网络以及长短期记忆神经网络的优点来更好实现一个步态识别分类的问题,来便能够较好地对测试集中的步态进行预测分类,同时为了能够减轻网络计算的负担,使得该网络能够较好地适应于忆阻器,本研究将忆阻器的相关特性包括较低的非线性度,大窗口,多值特性等等方面代入该网络中调节权重系数,调试出能够较好适应忆阻器特性并能解决对数据集中的六种步态包括:步行,上楼,下楼,坐着,站着,躺着分析的问题,利用已有的数据集中的70%的部分进行训练和预测,利用剩余的30%和预测结果进行对比,从而较好地解决步态问题的网络。
本次研究的基本目标为:
使用MATLAB进行卷积-长短期记忆神经网络的设计,并将忆阻器突触特性应用于卷积长短期记忆神经网络中,并最终能够较好地完成一个步态识别问题。最终,如果步态识别正确率在95%,即为非常成功;步态识别率在90%以上为成功;步态识别正确率在80%以上为基本成功。
本研究拟采用的技术方案及措施为:
本文采用的是网络上步态相关的常用数据集UCI-HAR数据集,首先需要对数据集进行一个预处理,对于数据集中的传感器信号(加速度计和传感仪)使用中值滤波来进行一个去噪处理,并利用固定的2.56s滑动窗口和50%重叠率对数据进行采样处理。同时,需要采用巴特沃斯滤波器来对传感器加速度信号进行分离处理,得到身体加速度和重力。
本文主要是使用卷积神经网络对步态进行提取特征处理,在进行特征提取的过程中采用了BP反向传播算法进行权重更新,同时拟使用了Adam优化器对数据进行收敛,再用lstm对步态进行一个识别的处理,接着将忆阻器的相关特性包括例如忆阻阵列的权重更新方式代入网络中进行调试,最后通过将预测的数据与保留的数据进行对比,从而实现对网络的学习能力进行验证。如下图1所示。
图1 方案具体框架
3. 研究计划与安排
(1)第1-4周:查阅相关文献资料,明确研究内容,了解研究所需理论基础。确定方案,完成开题报告。
(2)第5-6周:熟悉掌握基本理论,完成英文资料的翻译,熟悉相关工具软件的使用。
(3)第7-9周: 深入理解长短期记忆神经网络,并编写相关代码。
4. 参考文献(12篇以上)
[1]张冬雯,赵琪,许云峰,刘滨.基于长短期记忆神经网络模型的空气质量预测[j/ol].河北科技大学学报:1-9[2020-02-25].http://kns.cnki.net/kcms/detail/13.1225.ts.20200113.1538.004.html.
[2]王宗巍,杨玉超,蔡一茂,朱涛,丛杨,王志衡,黄如.面向神经形态计算的智能芯片与器件技术[j].中国科学基金,2019,33(06):656-662.
[3]黎旭成. 基于卷积神经网络和长短期记忆模型的交通状态预测[c]. 中国城市规划学会城市交通规划学术委员会.品质交通与协同共治——2019年中国城市交通规划年会论文集.中国城市规划学会城市交通规划学术委员会:中国城市规划设计研究院城市交通专业研究院,2019:2873-2884.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。