导读:本文包含了混合序列论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,算法,跟帖,双流,变量,混沌,模型。
混合序列论文文献综述
曲兴田,张昆,王学旭,王宏一[1]（2019）在《基于混合循环算法的复杂装配体装配序列智能规划》一文中研究指出针对单一算法无法实现复杂装配体装配序列智能规划以及缺乏深度人机交互而导致的改进效果不佳等问题,提出一种混合循环算法.该算法以遗传算法为主体,利用干涉矩阵和接触矩阵调整随机生成的装配序列,以装配方向及工具的统一性构建适应度函数;其次结合模拟退火算法,在迭代前加入退火操作,利用Metropolis准则接受交叉和变异后的个体序列;引入粒子群算法的跟踪极值思想,直接选择个体最优和群体最优序列与后代交叉;最后结合虚拟现实技术建立装配模拟平台,从装配稳定性及工具操作空间两个维度进一步优化序列.基于该方法以汽车后桥总成装配序列规划为例进行验证,表明所得装配序列符合实际生产,该方法切实有效.(本文来源于《东北大学学报(自然科学版)》期刊2019年12期）
赵凤,梁静[2]（2019）在《一种混合级联混沌的伪随机序列生成方法》一文中研究指出针对单混沌系统的参数空间较小及计算机有限精度限制问题,提出了一种混合级联混沌的伪随机序列生成方法.该方法利用混沌数值二进制序列的汉明重量控制选择不同的级联混沌映射进行迭代产生伪随机序列,然后再对其转换成二进制序列.生成的序列通过仿真表明其具有良好的密码学特性.(本文来源于《洛阳师范学院学报》期刊2019年08期）
刘颉羲,陈松灿[3]（2019）在《基于混合门单元的非平稳时间序列预测》一文中研究指出非平稳多变量时间序列(non-stationary multivariate time series, NSMTS)预测目前仍是一个具有挑战性的任务.基于循环神经网络的深度学习模型,尤其是基于长短期记忆(long short-term memory, LSTM)和门循环单元(gated recurrent unit, GRU)的神经网络已获得了令人印象深刻的预测性能.尽管LSTM结构上较为复杂,却并不总是在性能上占优.最近提出的最小门单元(minimal gated unit, MGU)神经网络具有更简单的结构,并在图像处理和一些序列处理问题中能够提升训练效率.更为关键的是,实验中我们发现该门单元可以高效运用于NSMTS的预测,并达到了与基于LSTM和GRU的神经网络相当的预测性能.然而,基于这3类门单元的神经网络中,没有任何一类总能保证性能上的优势.为此提出了一种线性混合门单元(MIX gated unit, MIXGU),试图利用该单元动态调整GRU和MGU的混合权重,以便在训练期间为网络中的每个MIXGU获得更优的混合结构.实验结果表明,与基于单一门单元的神经网络相比,混合2类门单元的MIXGU神经网络具有更优的预测性能.(本文来源于《计算机研究与发展》期刊2019年08期）
付锐,费丹丹,付宗魁,王改霞[4]（2019）在《ρ-混合序列部分和的精确渐近性》一文中研究指出设{X_n;n≥1}是均值为零的严平稳ρ-混合序列,利用ρ-混合序列的弱收敛定理及概率不等式,在适当的矩条件下,得到了ρ-混合序列部分和的精确渐近性的一般结果.(本文来源于《应用概率统计》期刊2019年04期）
殷新凯,茅健,周玉凤,陈晓平[5]（2019）在《基于混合混沌序列与遗传算法的排爆机器人路径规划》一文中研究指出描绘了排爆机器人路径规划问题,提出了混合混沌序列与遗传算法的排爆机器人路径规划算法。针对遗传算法易于陷入局部收敛,在寻优过程中易于出现抖振,算法收敛精度不高等问题,在遗传算法中引入Logistic混沌序列,生成与机器人路径选择更加匹配的优化算法。运用MATLAB进行算法仿真,分析比较经典遗传算法和优化后的算法。仿真结果显示,算法优化后机器人行走路径更加合理,算法的收敛精度提高。(本文来源于《计算机时代》期刊2019年07期）
马淑兰[6]（2019）在《Rosenthal型极大值不等式在φ~-混合随机变量序列收敛性中的应用》一文中研究指出讨论了φ~-混合随机变量序列的收敛性问题,利用该序列的Rosenthal型极大值不等式得出收敛性问题的相关结论,在主要结论证明中使用了再截尾方法,先对加权混合序列进行截尾,确定出截尾水平,然后再对原φ~-混合随机变量序列进行截尾,该方法的求证过程充分利用了权所提供的信息.(本文来源于《宁夏师范学院学报》期刊2019年07期）
黄敏[7]（2019）在《■混合随机变量序列最大部分和的完全收敛性》一文中研究指出研究■混合随机变量序列最大部分和的完全收敛性.作为应用,获得了■混合随机变量序列的Marcinkiewicz-Zygmund型强大数律的收敛速度.这些结果包含了Baum-Katz型定理和Hsu-Bobbins型定理,并将Stocia部分和的结果推广到最大部分和的情形.(本文来源于《湖北大学学报(自然科学版)》期刊2019年04期）
张雯[8]（2019）在《突发风险事件中公众跟帖行为影响因素分析——基于探索性序列设计的混合研究》一文中研究指出[目的/意义]对突发风险事件中公众跟帖行为影响因素的考察,有利于拓展对风险沟通中网民逻辑规律性的认识,提高沟通效率。[方法/过程]采用探索性序列设计的混合研究,首先对35名活跃跟帖者深度访谈资料进行扎根研究,随后使用结构方程模型检验扎根研究建构的理论框架(N=688)。[结果/结论]研究发现感知到跟帖价值是公众跟帖行为发生的前置变量;跟帖带来的利益和付出的成本同时影响跟帖价值感知,利益包括利己的"情绪满足"和"获得认同"和利他的"线上贡献",成本包括"主观成本"和"客观成本";"利己"和"利他"对跟帖行为的影响路径不同,"利己"对跟帖行为的影响沿着两条路径进行,直接效应和经由跟帖价值感知的间接效应,"利他"则完全通过跟帖价值感知影响跟帖行为。(本文来源于《情报杂志》期刊2019年07期）
杨艳秋[9]（2019）在《混合整值时间序列模型的统计推断》一文中研究指出本文主要研究混合整值时间序列模型的统计推断问题.首先把经验似然原理应用到混合整值自回归模型上,建立了混合整值自回归模型参数的经验似然比统计量及其极限分布,得到了参数的置信域,并通过数值模拟研究了置信域的覆盖率.研究表明,在不同的边际分布下一阶混合整值自回归模型参数的置信域覆盖率都接近于置信水平.其次,我们研究了p阶混合整值自回归模型参数的加权条件最小二乘估计和极大拟似然估计,并用数值模拟的方法对一阶混合整值自回归模型和二阶混合整值自回归模型的加权条件最小二乘估计,极大拟似然估计和条件最小二乘估计进行了比较.再次,考虑了基于负二项稀疏算子“*”的整值自回归模型参数的统计推断问题,将模型约束在相应的平稳域内,在二次损失函数下,给出了参数的Bayes估计,并通过数值模拟给出了Bayes估计的偏差和均方误差.由于贝叶斯估计较最小二乘估计和Yule-Walker估计多加入了先验信息,将未知参数看作随机变量,得到估计的偏差更小,同时给出了模型的实例分析和模型预测.最后,我们研究了缺失数据下p阶混合整值自回归模型的参数估计问题,给出了缺失数据的个案剔除法,不插补条件最小二乘估计法,均值插补法和桥式插补法,并在不同缺失概率下给出了参数估计的偏差和均方误差.(本文来源于《吉林大学》期刊2019-06-01）
王锦涛[10]（2019）在《基于LSTM混合模型的金融时间序列预测研究》一文中研究指出挖掘金融市场的运动规律,并准确地预测金融市场的走势有助于金融投资者制定出低风险、高收益的投资策略。因此,金融时间序列预测的相关研究一直都在进行,而且备受关注。然而,金融数据作为一种时间序列数据具有非线性、非平稳以及高噪声的特性,使得金融时间序列预测被世界公认为最具有挑战性的时间序列预测任务。如何准确地判断金融市场的走势是金融研究人员始终都在研究但尚未完全攻克的难题。随着深度学习方法在各行各业取得了突破性的进展,越来越多的金融研究人员将深度学习方法应用于金融时间序列预测的研究中。本文基于深度学习方法对金融时间序列预测问题进行研究,并以股票金融数据为预测对象,以收盘价格为预测目标,设计了两种基于深度学习的时间序列预测模型——单流网络预测模型和双流网络预测模型。其中,每条特征流网络都是基于LSTM混合模型所实现的。单流网络预测模型主要用于预测金融市场的股价指数,该模型由基于WDAE-LSTM混合模型的自趋势流构成。该模型通过将小波降噪模块、降噪自编码器模块以及长短期记忆网络模块相结合,对金融市场股价指数序列的自身趋势特征进行提取。实验结果表明,与其它类似的预测模型相比,本文所设计的单流网络预测模型在金融股价指数序列预测中有更高的预测精度,在实际金融分析中更有应用价值。双流网络预测模型主要针对单支股票价格进行预测。该模型是通过在单流网络预测模型的基础上引入互趋势流实现的。互趋势流的作用是利用由小波主成分分析降噪模块和长短期记忆网络模块构成的WPCA-LSTM混合模型,从多支金融时间序列间提取相关趋势特征。双流网络预测模型通过将自身趋势特征和相关趋势特征相融合,提高对单支股票价格序列的预测精度。实验结果表明,双流网络预测模型对单支股票价格序列的预测性能相比于单流网络模型有明显的提升。最后,本文将双流网络预测模型应用于其它时间序列预测中,实验结果表明,该双流网络预测模型对其它时间序列数据的预测表现良好,这意味着本文所设计的双流网络预测模型具有一定的泛用性,可适用于多种时间序列预测分析。(本文来源于《郑州大学》期刊2019-04-01）
混合序列论文开题报告
（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：
针对单混沌系统的参数空间较小及计算机有限精度限制问题,提出了一种混合级联混沌的伪随机序列生成方法.该方法利用混沌数值二进制序列的汉明重量控制选择不同的级联混沌映射进行迭代产生伪随机序列,然后再对其转换成二进制序列.生成的序列通过仿真表明其具有良好的密码学特性.
（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。
混合序列论文参考文献
[1].曲兴田,张昆,王学旭,王宏一.基于混合循环算法的复杂装配体装配序列智能规划[J].东北大学学报(自然科学版).2019
[2].赵凤,梁静.一种混合级联混沌的伪随机序列生成方法[J].洛阳师范学院学报.2019
[3].刘颉羲,陈松灿.基于混合门单元的非平稳时间序列预测[J].计算机研究与发展.2019
[4].付锐,费丹丹,付宗魁,王改霞.ρ-混合序列部分和的精确渐近性[J].应用概率统计.2019
[5].殷新凯,茅健,周玉凤,陈晓平.基于混合混沌序列与遗传算法的排爆机器人路径规划[J].计算机时代.2019
[6].马淑兰.Rosenthal型极大值不等式在φ~-混合随机变量序列收敛性中的应用[J].宁夏师范学院学报.2019
[7].黄敏.■混合随机变量序列最大部分和的完全收敛性[J].湖北大学学报(自然科学版).2019
[8].张雯.突发风险事件中公众跟帖行为影响因素分析——基于探索性序列设计的混合研究[J].情报杂志.2019
[9].杨艳秋.混合整值时间序列模型的统计推断[D].吉林大学.2019
[10].王锦涛.基于LSTM混合模型的金融时间序列预测研究[D].郑州大学.2019
论文知识图
