导读:本文包含了样本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:样本,序列,时间,步长,脉冲,机器,复杂度。
样本序列论文文献综述
王娜,陈国栋,戈文婷,徐鲁雄[1]（2019）在《红细胞流动序列样本模型的构建及仿真》一文中研究指出传统的静态模型方法难以模拟红细胞由于外部条件变化产生的形变.针对该问题,以流体力学的数值计算方法和偏微分方程的数学理论为基础,引入动态纹理技术对红细胞流动现象进行仿真,将贪心策略融入EM算法完成了红细胞序列样本的分割并构建了红细胞流动序列样本模型.实验结果表明,该模型有效地降低了相似动态纹理基元出现的概率,仿真结果具有真实感与自然感,减少了仿真过程中的人工参与工作量.(本文来源于《数学的实践与认识》期刊2019年15期）
于文静,余洁,徐凌宇[2]（2019）在《基于时间依赖的改进样本熵分析股票时间序列》一文中研究指出样本熵是一个度量时间序列复杂度的非线性方法,广泛应用于各领域。然而,研究表明熵值的大小并不总是和时间序列的复杂性相关。为了解决这个问题,提出了多尺度熵,用来度量不同尺度下的时间序列的复杂度。但是,考虑到这种方法并没有解决样本熵在度量时间序列复杂度的问题,提出了基于时间依赖的改进样本熵,并将其用在股票收盘价和成交量时间序列上,研究它们对应的复杂度关系。同时,结合多尺度的方法,衡量不同尺度下股票收盘价时间序列和成交量时间序列的复杂性。实验结果表明,从收盘价时间序列和成交量时间序列的复杂度变化上能够揭示一定的股票的发展规律。另外,收盘价序列在不同的尺度上能够保持一致性,而成交量序列在不同的尺度上熵值变化则有不同的趋势,且股票类型越接近,熵值变化曲线也越接近。(本文来源于《计算机技术与发展》期刊2019年03期）
于文静,余洁,徐凌宇[3]（2019）在《基于改进样本熵的金融时间序列复杂性研究》一文中研究指出金融时间序列的复杂度分析对研究金融市场的内在规律性具有重要意义。但是,复杂度衡量方法样本熵在以往的实验中,被证实熵值的大小并不总是和序列的复杂度相关。样本熵在计算时间序列复杂度时,没有考虑到序列中相似向量的分布以及构成序列向量的复杂性对时间序列复杂度的影响。针对这个问题,在样本熵的基础上提出了二维熵。该方法的创新性主要体现在:二维熵在计算序列中向量的自相似性概率时,向量之间的相似性不仅取决于向量之间的模式距离,还和两个向量之间的时间距离有关;二维熵熵值的大小不仅和两种模式下向量的自相似概率的条件概率值有关,还和模式自相似概率的值相关。通过模拟时间序列证实了二维熵的有效性及优越性,最后将二维熵以及互二维熵应用在四只金融股指序列中,衡量它们之间的复杂度关系。发现中国市场的两只股指的复杂度在不同时间段的趋势是一致的,并且其异步性相对其他股指也是最小的。美股和港股的复杂度在不同时间段趋势大致也是一样的,且两者的异步性相对中国市场的两个股指也是相对较小的。(本文来源于《计算机技术与发展》期刊2019年01期）
徐彦兰,李泽卿[4]（2018）在《穴播排种器试验与序列图像样本的采集》一文中研究指出为开发自动化的排种器试验检测系统,基于种子坐标检测和平稳随机过程的穴播排种器排种质量机器视觉检测法,阐述了该机器视觉穴播排种器的试验目的、试验检测系统、试验设计以及试验实施。该土槽试验检测系统是以机器视觉方式采集了穴播种子流的12组序列图像样本,其呈现漏播、单粒播、二粒播、叁粒播等多形态排种的丰富组合,基本代表可能产生的种子流类型。(本文来源于《当代农机》期刊2018年09期）
沈家煌,黄建冲,朱永成[5]（2018）在《基于序列样本的威胁雷达信号识别方法》一文中研究指出针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。(本文来源于《火力与指挥控制》期刊2018年09期）
朱永成,潘继飞,金天祥,沈家煌,刘鑫[6]（2018）在《基于小样本脉冲序列匹配的重点雷达目标快速识别》一文中研究指出针对雷达对抗侦察系统如何快速有效识别出重点雷达电子目标的问题,提出了利用雷达小样本脉冲序列模板从接收到的复杂混合脉冲序列中抽取重点雷达信号的思路,并实现了该算法,克服了目前雷达对抗侦察信号处理流程僵化、识别速度与识别正确率受信号分选算法限制的缺陷。在此基础上,提出了多目标并行理论分析与计算机仿真实验,进一步验证了该方法能够在密集雷达脉冲流中快速、准确识别出重点雷达电子目标。(本文来源于《火力与指挥控制》期刊2018年05期）
程佳宇[7]（2018）在《基于密度度量的大样本时间序列聚类分析和预测方法研究》一文中研究指出作为一种具有代表性的数据形态,时间序列丰富的挖掘意义和挖掘维度。显着不同于传统多维数据,时间序列具有如下潜在特性:时间属性上的周期性,变化的单调性和时刻之间的相关性等。如何有效利用这些共性特征对时序进行分析预测具有重要意义。针对大样本下周期性时间序列问题,本文探讨如何基于序列相似性构建有效的时间序列预测模型,在预处理和回归分析两个层面上分别通过引入时间序列相似性度量和基于LSSVR构建误差调整机制提高时间序列预测精度。研究重点面向动态时间序列预测的问题,着眼于样本子集遴选和密度聚类方法的可用性,基于预处理和核调整方法形成两条研究路线,提高大样本下的时间序列序列预测的精度。在预处理阶段引入和较为深入地研究面向等长序列欧式距离的密度聚类问题。基于互信息一熵值度量样本条件维的相似度,构建基于样本条件维欧式距离的密度聚类模型。研究基于一个核心观点:通过可视化可以得到周期性时间序列的类别数量,且各聚类中心的样本邻域密度应显着高于其附近的邻域,而作为聚类核心的高密度点之间距离不受附近邻域的影响,因而其彼此之间的聚类较低密度点之间的距离显着更大。基于该思想,研究给出的聚类算法ATD:该算法自动发现密度路径,并基于距离进行局部合并、形成若干候选核;通过启发式方法发现聚类核,实现基于欧式距离的条件维聚类。引入基于DTW距离度量的条件维相似判定方法,通过核调整实现对时间序列的高效预测。研究首先分析噪声点的产生原因,构建基于支持向量回归的核调整方法。通过对时序周期分段地构建相似性度量,在对应框架下确定给定预测条件的相似样本子集:预处理阶段若采取基于熵值度量对全部历史样本进行相似性搜索,则每更新一次预测条件需重新完成搜索过程;若采取基于欧式距离的条件维聚类,则每更新一次预测序列,只需度量当前预测条件和聚类中心序列集合的相似性进行训练集遴选。对于任意的预测条件,模型通过误差调谐函数对LSSVR的核函数进行调整,基于遴选出的样本条件维与预测条件之间的时态距离度量提升预测精度。研究通过实验分析预测精度和参数敏感性来验证其有效性。实验部分挑选了包括仿真数据(可按照指定数量、比例生成)、真实数据(样本数量有大有小,采样对象也不尽相同)进行分析,同时数据在样本维度上也有差别。实验结果表明在相同的数据下,基于条件维相似判定的预测框架的预测误差更小,训练时间提高了平均5到10倍;而基于聚类方法的预测框架仅需训练一次,较已有的全样本预测方法精度有显着提升。(本文来源于《武汉大学》期刊2018-05-01）
芦效峰,蒋方朔,周箫,崔宝江,伊胜伟[8]（2018）在《基于API序列特征和统计特征组合的恶意样本检测框架》一文中研究指出针对恶意样本行为分析,该文提出了一种组合机器学习框架,首先对应用程序编程接口(application programming interface,API)序列中调用的依赖关系进行功能层面上的分析,提取特征,使用随机森林进行检测;其次利用深度学习中的循环神经网络处理时间序列数据的特性,在冗余信息预处理的基础上,直接对序列进行学习和检测;最后对2种方法进行了组合。在恶意软件样本上进行的实验结果表明:2种方法均可有效检测恶意样本,但是组合学习的效果更优,AUC(area under the curve of ROC)达到99.3%,优于现有的类似研究结果。(本文来源于《清华大学学报(自然科学版)》期刊2018年05期）
许琪,吴琳[9]（2018）在《一种基于脉冲样本图的周期信号序列自提取方法》一文中研究指出现代电子战中信号环境日益复杂,复杂的体制雷达不断涌现,传统的辐射源分选识别方法无法在密集的信号环境中快速有效地对复杂体制雷达进行分选识别,造成系统漏警。提出了一种基于脉冲样本图的周期信号序列自提取方法。这种方法利用同种信号之间的相关性,将脉冲平移后相关,可以依次提取所有样本图以及各模板样本图对应的脉冲序列,通过不断调用匹配模块可将所有样本图及其对应的脉冲序列逐一提取,从而实现信号分选。仿真结果表明,该算法可以有效提取模板样本图和其对应的脉冲序列。(本文来源于《舰船电子对抗》期刊2018年01期）
陈芬,李小飞[10]（2017）在《END序列样本分位数的Bahadur表示及强相合性》一文中研究指出文章在END序列下,利用END序列的Bernstein型不等式,得到了END序列样本分位数的Bahadur表示及其强相合性,推广和改进了已知的一些文献中的相应结论。(本文来源于《统计与决策》期刊2017年19期）
样本序列论文开题报告
（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：
样本熵是一个度量时间序列复杂度的非线性方法,广泛应用于各领域。然而,研究表明熵值的大小并不总是和时间序列的复杂性相关。为了解决这个问题,提出了多尺度熵,用来度量不同尺度下的时间序列的复杂度。但是,考虑到这种方法并没有解决样本熵在度量时间序列复杂度的问题,提出了基于时间依赖的改进样本熵,并将其用在股票收盘价和成交量时间序列上,研究它们对应的复杂度关系。同时,结合多尺度的方法,衡量不同尺度下股票收盘价时间序列和成交量时间序列的复杂性。实验结果表明,从收盘价时间序列和成交量时间序列的复杂度变化上能够揭示一定的股票的发展规律。另外,收盘价序列在不同的尺度上能够保持一致性,而成交量序列在不同的尺度上熵值变化则有不同的趋势,且股票类型越接近,熵值变化曲线也越接近。
（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。
样本序列论文参考文献
[1].王娜,陈国栋,戈文婷,徐鲁雄.红细胞流动序列样本模型的构建及仿真[J].数学的实践与认识.2019
[2].于文静,余洁,徐凌宇.基于时间依赖的改进样本熵分析股票时间序列[J].计算机技术与发展.2019
[3].于文静,余洁,徐凌宇.基于改进样本熵的金融时间序列复杂性研究[J].计算机技术与发展.2019
[4].徐彦兰,李泽卿.穴播排种器试验与序列图像样本的采集[J].当代农机.2018
[5].沈家煌,黄建冲,朱永成.基于序列样本的威胁雷达信号识别方法[J].火力与指挥控制.2018
[6].朱永成,潘继飞,金天祥,沈家煌,刘鑫.基于小样本脉冲序列匹配的重点雷达目标快速识别[J].火力与指挥控制.2018
[7].程佳宇.基于密度度量的大样本时间序列聚类分析和预测方法研究[D].武汉大学.2018
[8].芦效峰,蒋方朔,周箫,崔宝江,伊胜伟.基于API序列特征和统计特征组合的恶意样本检测框架[J].清华大学学报(自然科学版).2018
[9].许琪,吴琳.一种基于脉冲样本图的周期信号序列自提取方法[J].舰船电子对抗.2018
[10].陈芬,李小飞.END序列样本分位数的Bahadur表示及强相合性[J].统计与决策.2017
论文知识图
