导读:本文包含了影响值论文开题报告文献综述、选题提纲参考文献，主要关键词:平均,神经网络,向量,特征,概率,算法,自变量。
影响值论文文献综述写法
张阳阳,曹红艳,武淑琴[1]（2019）在《基于平均影响值的SVM在遗传数据疾病分类和特征提取中的应用》一文中研究指出目的探讨基于平均影响值(MIV)的支持向量机(SVM)在遗传数据疾病分类预测和变量筛选中的应用,为遗传数据的疾病分类与特征提取方面提供方法学参考。方法以GAW18(genetic analysis workshop 18)数据为例,采用基于MIV的SVM建立预测模型,并和logistic回归模型、SVM、多层感知机和决策树分类模型进行比较分析,评价基于MIV的SVM预测分类和变量筛选效果。结果经过平均影响值的支持向量机算法处理后,六个SNPs位点(13_28567172、3_127394820、1_1658093、9_123969834、1_174996637、17_17498492)组合的变量子集,获得78.125%的分类准确率,明显优于其他分类模型。结论基于MIV的SVM能比较有效的在实现遗传数据变量筛选的同时提高分类预测能力,避免了变量间的交互作用,为探索各种疾病发病机制和寻找易感SNPs位点提供线索,具有一定的研究和应用价值。(本文来源于《中国卫生统计》期刊2019年03期）
张阳阳[2]（2019）在《基于平均影响值的SVM在遗传数据疾病分类和特征提取中的应用》一文中研究指出目的:将平均影响值(Mean Impact Value)与支持向量机(Support Vector Machine)结合进行模型构建,并将其应用于遗传数据疾病分类和变量筛选当中,为遗传数据在疾病分类和特征提取方面提供方法学参考。方法:本研究拟采用GAW18(Genetic Analysis Workshop 18)数据,对该数据进行整理和分析后,构建合适的样本集。将样本数据分为训练集和预测集,采用基于平均影响值的支持向量机建立预测模型,并比较多种核函数下支持向量机、优化后的支持向量机以及logistic模型分类结果,评价基于MIV的SVM预测分类和变量筛选效果。结果:对样本数据的训练集进行训练构建logistic模型并进预测,模型灵敏度为0.29,特异度为0.85,ROC曲线下面积为0.72,预测准确率75%。没有进行优化的quadratic核函数的支持向量机的ROC曲线下面积为0.63,预测准确率65.63%。经平均影响值优化的quassian核函数支持向量机下的ROC曲线下面积为0.73,预测准确率达到81.25%,经过优化的quadratic核函数的支持向量机的预测准确率更是达到了84.38%。可以看到经过优化的支持向量机有较为明显的优势。结论:基于MIV的SVM能比较有效的在实现遗传数据变量筛选的同时提高分类预测能力,相比其他模型有较为明显的优势。避免了变量间的交互作用,为探索各种疾病发病机制和寻找易感单核多苷酸多态性(Single-nucleotide polymorphism)位点提供线索,具有研究价值和应用价值。(本文来源于《山西医科大学》期刊2019-06-12）
刘超[3]（2018）在《基于标签影响值的重迭社区发现算法研究》一文中研究指出随着信息技术的不断发展,复杂的网络社区结构越来越多的被学术界关注,社区发现的相关技术已经成为了当下分析网络社区的重点。因此,社区发现的深入理论研究对于社区网络结构和社区网络特征有着极其深远的意义和目的。目前,社区发现算法的划分主要分为两个方面,一个是非重迭的社区发现算法,另外一个就是重迭的社区发现算法。但是现实情况不像想象的那么简单,它是一个复杂的网络结构,即复杂网络中的单个节点极大可能存在于多个社区网络环境中。因此,本文对重迭社区发现算法的研究,无论从理论依据还是现实情况都有重大的意义。传统的标签传播的社区发现算法是LPA算法,它单独使用网络结构来指导其过程,既不需要任何参数,也不需要优化目标函数。它从每个节点具有不同标签的配置开始,在每个步骤中,一个节点(异步版本)或每个节点(同步版本)都自行决定将其标签更改为最大数量的邻居所携带的标签。若标签有多个,则随机选择其中一个作为标签。通过构建算法函数,随着其不断的迭代和函数的渐渐收敛,每个节点在自己的社区中拥有的邻居数量要多于其他社区中的邻居。更重要的是,它是重迭社区发现算法SLPA和COPRA的基础算法,两个算法都是在此基础之上拓展出的社区发现算法。目前常见的重迭社区发现算法包括派系过滤CPM算法,SLPA和COPRA等。而SLPA和COPRA都是基于标签传播算法LPA改进形成的新算法,它们相比于CPM算法无论是效率和复杂程度上都要更优一些,从而在社区发现的领域内被广泛的应用与研究。其中COPRA算法可以有效的挖掘出重迭社区网络,但是该算法随机性强,鲁棒性差,社区划分的结果极其不稳定。针对上述社区发现算法COPRA所带来的问题,本文提出了基于标签影响值的重迭社区发现算法,主要思想仍是以COPRA算法作为相关基础,在该算法的基础之上提出了标签影响值的概念。由于COPRA算法在标签初始化阶段所带来的效率低,稳定性较差,标签选择阶段所带来的随机性强的问题,本文首先针对效率低,稳定性差的问题提出了一种叁角形的标签初始化方法,该方法保证了初始化阶段更新标签的时间复杂度降低,同时资源消耗也较小。然后针对随机强的问题,本文提出了一种标签影响值的概念,该方法从叁个方面考虑了标签的选择问题,不会像COPRA那样稳定性得不到保障,从而在此基础之上提出了Label_Inf(l)这一方法。和COPRA算法相对比,本文提出的Label_Inf(l)虽然耗费的时间较长,但是有利的一面是该算法和原有COPRA算法相比,稳定性得到了很大的提高,从而保证在追求稳定性的时候可以划分出优质社区。为了验证Label_Inf(l)的计算准确性,选用了两个基准数据集Zachary karate club和American College football以及一个人工合成网络数据集对本文提出的算法进行测试评估。通过在两个基准数据集上进行重迭社区发现算法COPRA与本文算法对比,本文提出的算法由于在标签初始化阶段和标签选择阶段进行了改进,虽然时间复杂度有所提高,但是模块度Q也有所提高,这就说明了本文提出的算法在社区划分上稳定性提高了,增强了准确率。而使用人工合成网络数据集在SLPA,COPRA和本文算法上进行对比,发现本文算法的NMI值的下降幅度比SLPA和COPRA要少,这间接说明了本文算法在社区网络复杂的情况下,依然可以划分出较优质的社区。(本文来源于《哈尔滨工程大学》期刊2018-04-01）
徐龙博,王伟,张滔,杨莉,汪少勇[4]（2017）在《基于神经网络平均影响值的超短期风电功率预测》一文中研究指出针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。(本文来源于《电力系统自动化》期刊2017年21期）
朱溦[5]（2017）在《神经网络结合平均影响值方法筛选变量》一文中研究指出本文结合BP神经网络应用平均影响值(MIV,Mean Impact Value)方法来使用神经网络筛选变量,找到对二氧化碳出口浓度影响相对较大的因素,从而为控制二氧化碳出口浓度的分析提供理论依据。(本文来源于《产业与科技论坛》期刊2017年01期）
樊帅,肖军,孙慧,张鹏展[6]（2015）在《基于平均影响值算法和概率神经网络的制粉系统故障诊断》一文中研究指出针对发电厂制粉系统故障的特征和目前该领域研究中存在的问题,提出基于MIV(平均影响值)算法和PNN(概率神经网络)的故障诊断方法。首先对训练样本进行预处理,以剔除奇异样本并扩大神经网络的学习范围;然后利用MIV算法求出各个故障征兆参数对于故障类型的影响值,对其排序选出影响诊断结果的主要参数,以此达到属性约简的目的,并将约简结果作为PNN的输入;最后将故障样本送入PNN网络进行训练、测试,得出仿真结果。实例诊断结果表明:该方法不仅可以扩增故障识别种类,而且能够缩短诊断用时,提高诊断准确率。(本文来源于《热能动力工程》期刊2015年06期）
夏永泉,李耀斌,黄海鹏[7]（2015）在《基于平均影响值和支持向量机的小麦病害识别》一文中研究指出为了提高小麦病害识别准确率,提出了一种基于平均影响值思想和支持向量机的小麦病害识别方法。首先,使用阈值分割方法对小麦叶片图像进行分割;其次,利用灰度共生矩阵和颜色矩提取病害的纹理和颜色特征;再次,将平均影响值思想应用于支持向量机回归进行特征变量优选;最后,将优选出的特征变量作为支持向量机的输入向量进行识别。实验结果表明,经过特征变量优选,特征变量个数由14个减少到7个,识别准确率达到96.25%,为农田小麦病害识别提供了有效方法。(本文来源于《电子技术应用》期刊2015年06期）
袁娜,杨鹏,刘作军[8]（2015）在《利用平均影响值和概率神经网络的步态识别》一文中研究指出为了实现对智能下肢假肢进行有效控制,下肢步态(包括平地行走、上下楼梯和上下坡等)的有效识别是关键。先从提取不同步态下的特征值入手,利用平均影响值(MIV)来实现变量的筛选,并针对膝上截肢者的特点确定了6个特征值,分别为髋关节角度的最大值、支撑前期均值、支撑中期均值、支撑中期标准差、摆动期标准差(即Mh、ISh、MSh、SWh、MSV、SWV),然后利用概率神经网络(PNN)对本实验系统的5种步态进行准确识别,并与BP神经网络(BPNN)识别步态进行比较,试验结果表明将特征值用平均影响值方法筛选后,用概率神经网络进行步态识别,具有较好的识别率和识别速度,其识别率与BP神经网络相比提高了10%以上,验证了该方法的有效性和可行性。(本文来源于《哈尔滨工程大学学报》期刊2015年02期）
温国强,文妍,谭继文[9]（2014）在《基于平均影响值与SVM的滚珠丝杠故障诊断技术》一文中研究指出针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。(本文来源于《机床与液压》期刊2014年03期）
崔智全,付旭云,钟诗胜,王体春[10]（2013）在《小波网络平均影响值的航空发动机自变量筛选》一文中研究指出为了快速准确地实现发动机参数非线性自变量筛选,基于平均影响值的思想和小波神经网络学习能力强、收敛速度快、具有自适应性和容错性等优点,提出小波神经网络平均影响值的发动机自变量筛选方法。根据参数之间的关系特点,建立多参数连续小波逼近网络模型,并给出学习算法。仿真实例表明,该方法不但能够实现复杂的非线性变量筛选,而且对比其他非线性变量筛选方法,具有精度更高、速度更快的特点。(本文来源于《计算机集成制造系统》期刊2013年12期）
影响值论文开题报告范文
（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：
目的:将平均影响值(Mean Impact Value)与支持向量机(Support Vector Machine)结合进行模型构建,并将其应用于遗传数据疾病分类和变量筛选当中,为遗传数据在疾病分类和特征提取方面提供方法学参考。方法:本研究拟采用GAW18(Genetic Analysis Workshop 18)数据,对该数据进行整理和分析后,构建合适的样本集。将样本数据分为训练集和预测集,采用基于平均影响值的支持向量机建立预测模型,并比较多种核函数下支持向量机、优化后的支持向量机以及logistic模型分类结果,评价基于MIV的SVM预测分类和变量筛选效果。结果:对样本数据的训练集进行训练构建logistic模型并进预测,模型灵敏度为0.29,特异度为0.85,ROC曲线下面积为0.72,预测准确率75%。没有进行优化的quadratic核函数的支持向量机的ROC曲线下面积为0.63,预测准确率65.63%。经平均影响值优化的quassian核函数支持向量机下的ROC曲线下面积为0.73,预测准确率达到81.25%,经过优化的quadratic核函数的支持向量机的预测准确率更是达到了84.38%。可以看到经过优化的支持向量机有较为明显的优势。结论:基于MIV的SVM能比较有效的在实现遗传数据变量筛选的同时提高分类预测能力,相比其他模型有较为明显的优势。避免了变量间的交互作用,为探索各种疾病发病机制和寻找易感单核多苷酸多态性(Single-nucleotide polymorphism)位点提供线索,具有研究价值和应用价值。
（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。
影响值论文参考文献
[1].张阳阳,曹红艳,武淑琴.基于平均影响值的SVM在遗传数据疾病分类和特征提取中的应用[J].中国卫生统计.2019
[2].张阳阳.基于平均影响值的SVM在遗传数据疾病分类和特征提取中的应用[D].山西医科大学.2019
[3].刘超.基于标签影响值的重迭社区发现算法研究[D].哈尔滨工程大学.2018
[4].徐龙博,王伟,张滔,杨莉,汪少勇.基于神经网络平均影响值的超短期风电功率预测[J].电力系统自动化.2017
[5].朱溦.神经网络结合平均影响值方法筛选变量[J].产业与科技论坛.2017
[6].樊帅,肖军,孙慧,张鹏展.基于平均影响值算法和概率神经网络的制粉系统故障诊断[J].热能动力工程.2015
[7].夏永泉,李耀斌,黄海鹏.基于平均影响值和支持向量机的小麦病害识别[J].电子技术应用.2015
[8].袁娜,杨鹏,刘作军.利用平均影响值和概率神经网络的步态识别[J].哈尔滨工程大学学报.2015
[9].温国强,文妍,谭继文.基于平均影响值与SVM的滚珠丝杠故障诊断技术[J].机床与液压.2014
[10].崔智全,付旭云,钟诗胜,王体春.小波网络平均影响值的航空发动机自变量筛选[J].计算机集成制造系统.2013