导读:本文包含了高斯核函数论文开题报告文献综述及选题提纲参考文献，主要关键词:离群点,高斯核函数,核密度,共享邻居
高斯核函数论文文献综述
关绍云,郑丽坤,金一宁,郭靖天,张忠平[1]（2019）在《基于高斯核函数的局部离群点检测算法》一文中研究指出随着信息技术的快速发展,数据资源的结构越来越复杂,离群点挖掘受到越来越多人关注.基于高斯核函数,考虑数据对象的k个最近邻居,反向k近邻居和共享最近邻居叁种邻居关系,估计数据对象的密度,提出了一种基于高斯核函数的局部离群点检测算法.该算法通过KNN图存储每个数据对象的最近邻,包括k最近邻,反向k近邻和共享最近邻,构成数据对象的邻居集合S;通过核密度估计KDE方法估计数据对象的密度;通过相对密度离群因子RDOF来估计数据对象偏离邻域的程度,进而判定数据对象是否为离群点,并在真实和合成的数据集上证明了该算法的有效性.(本文来源于《哈尔滨商业大学学报(自然科学版)》期刊2019年02期）
李楠,梁超[2]（2019）在《基于余弦高斯核函数的非局部均值煤尘图像去噪》一文中研究指出煤尘是引发煤矿事故的主要诱因,煤尘颗粒的分类测量对煤尘浓度的在线检测至关重要.近几年,颗粒图像分析处理技术的应用越来越广泛,但是煤矿井下环境复杂,煤尘图像在采集和传输的过程中,不可避免的会受到噪声的干扰,对后续的颗粒检测产生影响.因此,煤尘颗粒图像的去噪处理就显得十分重要.非局部均值去噪算法(Non-Local Means,NLM)在图像去噪方面效果显着,但是对于经典NLM,使用指数函数作为核函数会造成图像细节的缺失.为了改进这一缺陷,本文采用余弦加权的高斯核函数对传统的非局部均值算法进行改进,能够更好的保留去噪后图像的细节.通过实验结果表明,该算法的去噪性能明显优于经典NLM算法,能更好地保留煤尘图像中的细节信息.(本文来源于《吉林化工学院学报》期刊2019年03期）
戴仙波,王娜,刘颖[3]（2019）在《基于改进高斯核函数的BGP异常检测方法》一文中研究指出通过将边界网关协议(BGP)更新报文激增异常问题抽象为二分类问题,提出一种基于改进高斯核函数的BGP异常检测(IGKAD)方法。采用FMS特征选择算法,选择能同时最大化类间距离和最小化类内距离的特征,得到度量分类能力的特征权值。利用基于Manhattan距离与特征权值的改进高斯核函数构造支持向量机(SVM)分类模型,并结合基于网格搜索与交叉验证的参数寻优方法,提高SVM模型分类准确率。通过设计特征效率函数,给出最优特征子集构造方法,从而选取最优特征子集作为训练数据集。实验结果表明,当训练集包含TOP10和TOP8特征时,IGKAD方法的分类准确率分别为91.65%和90.37%,相比基于机器学习的BGP异常检测方法分类性能更优。(本文来源于《计算机工程》期刊2019年10期）
郑凌云,柳培忠,汪鸿翔[4]（2018）在《结合高斯核函数的卷积神经网络跟踪算法》一文中研究指出针对视觉跟踪中运动目标鲁棒性跟踪问题,结合高斯核函数和卷积神经网络(CNN),提出一种无需训练的卷积神经网络提取深度特征的视觉跟踪算法.首先,对初始图像进行归一化处理并聚类提取目标信息,结合跟踪过程中目标信息共同作为卷积网络结构中的各阶滤波器;其次,通过高斯核函数来提高卷积运算速度,提取目标简单抽象特征;最后,通过迭加简单层的卷积结果得到目标的深层次表达,并结合粒子滤波跟踪框架实现跟踪.结果表明:简化后的卷积网络结构能够有效地应对低分辨率、目标遮挡与形变等场景,提高复杂背景下的跟踪效率.(本文来源于《华侨大学学报(自然科学版)》期刊2018年05期）
李昊,叶文华,满增光[5]（2018）在《特征地图中基于高斯核函数的自动导引车Markov定位算法》一文中研究指出针对特征地图中应用Markov定位算法在对自动导引车全局定位时出现传感器观测与地图之间的特征数据关联不唯一而导致定位失败的问题,提出一种不通过数据关联的Markov定位计算新方法。利用高斯核函数将环境中的稀疏特征拟合成平滑致密曲线,通过对比传感器观测和算法预测得到的两个致密曲线相似度来计算Markov定位中的观测模型。建立了模型及算法,设计了两种环境对该方法进行仿真分析,相似环境下的仿真验证了位姿估计的准确性,非相似环境下的仿真验证了全局定位的高效性。通过在半封闭环境的自动导引车对比定位实验,验证了该方法在实际环境中对位姿估计的有效性和优越性。(本文来源于《计算机集成制造系统》期刊2018年05期）
苗创业[6]（2018）在《基于高斯核函数和局部密度的离群点挖掘算法》一文中研究指出离群点挖掘是数据挖掘中的重要分支之一。近年来,离群点挖掘得到许多学者的广泛关注和研究。在平日生活中,存在着少数与众不同的信息,这些信息容易被人忽略,但它们往往具有更大的价值。离群点挖掘是一种可以帮助人们在纷繁复杂的信息中准确快速地获取具有显着异常特征信息的数据挖掘方法。目前,国内外研究学者已经提出了许多离群点挖掘的方法。本文针对局部离群点挖掘算法性能不佳的问题,针对局部离群点挖掘算法进行了深入研究。本文的内容主要包括以下叁个方面。首先,分析了离群点挖掘技术的研究背景及意义,并分析了国内外研究现状,对经典的局部离群点挖掘算法的过程和性能进行了分析和研究。其次,针对基于密度的离群点挖掘效果不佳的问题,引用了叁种类型的最近邻居,包括k近邻,反向k近邻和共享最近邻,采用以高斯核函数为内核的核密度估计方法对数据对象的邻域密度进行估计,提出了一种基于高斯核函数的局部离群点挖掘算法。同时,对该算法的准确性和效率进行了分析。再次,针对INFLO算法时间复杂度较高和准确率不高的问题,引入核心影响点集以减少对不必要的数据点进行反向k近邻的计算,同时引入核心邻居对处理后的数据点进行密度估计,提出了一种基于局部密度的离群点挖掘算法。并对该算法的准确性和效率进行了分析。最后,在UCI真实数据集和合成数据集上,实现了本文所提出的两种算法对离群点进行挖掘,并分别与LOF算法、INFLO算法进行了对比实验。通过实验分别验证了两种算法的有效性。(本文来源于《燕山大学》期刊2018-05-01）
赵明明,张桂芸,潘冬宁,王蕊[7]（2018）在《基于高斯核函数的K-means聚类在分布式下的优化》一文中研究指出随着如今数据量的爆发式增长,传统的数据挖掘方法已经远远不能满足人们需求,K-means聚类作为一种经典的聚类算法,其应用领域很广。但是K-means算法在随机选取初始聚类K个中心时,容易使聚类结果不稳定,因此提出基于核函数的K-means聚类算法。与此同时,结合MapReduce分布式框架对改进后的K-means聚类算法作分布式计算。研究结果表明,基于高斯核函数的K-means聚类在分布式下的计算能够加速K-means聚类过程,且结果优于单独基于核密度估计的K-means算法。(本文来源于《软件导刊》期刊2018年04期）
李幼军,钟宁,黄佳进,栗觅,王东升[8]（2018）在《基于高斯核函数支持向量机的脑电信号时频特征情感多类识别》一文中研究指出为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.(本文来源于《北京工业大学学报》期刊2018年02期）
孙毅,李世豪,崔灿,李彬,陈宋宋[9]（2018）在《基于高斯核函数改进的电力用户用电数据离群点检测方法》一文中研究指出针对智能配用电大数据背景下用电数据离群点检测方法的适用性以及实际数据集中异常用电样本获取成本较高的问题,提出一种基于高斯核函数改进的电力用户用电数据离群点检测方法。首先通过模糊聚类的方法将用户分类;然后提取每一类用户的用电行为特征量,采用主成分分析法对特征集进行降维;最后利用高斯核函数改进局部离群因子算法,提出高斯核密度局部离群因子(Gaussian kernel densitybased local outlier factor,GKLOF)算法,通过理论推导与仿真实验相结合的方式分析了GKLOF算法的特性。选取了5000个用户真实的用电数据进行实验分析,实验结果表明,该方法具有较高的检测准确率以及较为稳定的判定阈值,并且受局部数据分布的影响较小,更加适用于用户用电行为复杂多样以及实际数据集中所有用户用电行为类型信息未知情况下的离群点检测。(本文来源于《电网技术》期刊2018年05期）
张晓宁[10]（2017）在《基于可变高斯核函数的最优分位数回归问题研究》一文中研究指出基于高斯核函数的SVM方法是统计学习算法理论中的一种基本算法.由于可变的高斯核函数能够提供丰富的Mercer核,因此利用可变的高斯核函数所对应的再生核希尔伯特空间来研究学习理论中的回归问题和分类问题已成为近期统计学习理论研究的热点.这主要得益于根据不同的学习问题可以通过选择适合的高斯核方差参数,得到回归问题和分类问题较理想的学习率(learningrates)估计.分位数回归问题是统计学习理论中一类非常重要的问题.通常研究方法是在一个固定的高斯核函数所对应的再生核希尔伯特空间中考虑分位数回归问题,其局限性体现在选择再生核希尔伯特空间失去了其灵活性(flexibility).本文我们在可变的高斯核函数所对应的再生核希尔伯特空间中,通过选取适当方差参数,利用Tikhonov正则化策略给出了分位数回归问题的逼近算法和学习率(learning rates)估计.(本文来源于《浙江大学》期刊2017-12-01）
高斯核函数论文开题报告
（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：
煤尘是引发煤矿事故的主要诱因,煤尘颗粒的分类测量对煤尘浓度的在线检测至关重要.近几年,颗粒图像分析处理技术的应用越来越广泛,但是煤矿井下环境复杂,煤尘图像在采集和传输的过程中,不可避免的会受到噪声的干扰,对后续的颗粒检测产生影响.因此,煤尘颗粒图像的去噪处理就显得十分重要.非局部均值去噪算法(Non-Local Means,NLM)在图像去噪方面效果显着,但是对于经典NLM,使用指数函数作为核函数会造成图像细节的缺失.为了改进这一缺陷,本文采用余弦加权的高斯核函数对传统的非局部均值算法进行改进,能够更好的保留去噪后图像的细节.通过实验结果表明,该算法的去噪性能明显优于经典NLM算法,能更好地保留煤尘图像中的细节信息.
（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。
高斯核函数论文参考文献
[1].关绍云,郑丽坤,金一宁,郭靖天,张忠平.基于高斯核函数的局部离群点检测算法[J].哈尔滨商业大学学报(自然科学版).2019
[2].李楠,梁超.基于余弦高斯核函数的非局部均值煤尘图像去噪[J].吉林化工学院学报.2019
[3].戴仙波,王娜,刘颖.基于改进高斯核函数的BGP异常检测方法[J].计算机工程.2019
[4].郑凌云,柳培忠,汪鸿翔.结合高斯核函数的卷积神经网络跟踪算法[J].华侨大学学报(自然科学版).2018
[5].李昊,叶文华,满增光.特征地图中基于高斯核函数的自动导引车Markov定位算法[J].计算机集成制造系统.2018
[6].苗创业.基于高斯核函数和局部密度的离群点挖掘算法[D].燕山大学.2018
[7].赵明明,张桂芸,潘冬宁,王蕊.基于高斯核函数的K-means聚类在分布式下的优化[J].软件导刊.2018
[8].李幼军,钟宁,黄佳进,栗觅,王东升.基于高斯核函数支持向量机的脑电信号时频特征情感多类识别[J].北京工业大学学报.2018
[9].孙毅,李世豪,崔灿,李彬,陈宋宋.基于高斯核函数改进的电力用户用电数据离群点检测方法[J].电网技术.2018
[10].张晓宁.基于可变高斯核函数的最优分位数回归问题研究[D].浙江大学.2017