导读:本文包含了偏序关系论文开题报告文献综述、选题提纲参考文献，主要关键词:关系,包络,模糊,数据,不动,连续性,权重。
偏序关系论文文献综述写法
曾一鸣,胡瑜,韩银和,李晓维[1]（2019）在《利用稀疏点云偏序关系的半监督单目图像深度估计》一文中研究指出为了减少传统基于学习的深度估计方法对大量稠密深度数据的依赖,提出了一种基于偏序关系的深度估计方法.首先对RGB图像进行超像素划分,根据稀疏点云在超像素图像上的投影生成超像素的深度,进而在超像素中心之间建立了深度偏序关系,结合稀疏点云的实际深度值作为监督信息,训练卷积神经网络估计场景深度.在NYU Depthv2数据集上的实验结果表明,该方法仅需稀疏点云就可达到0.262的平均相对误差,优于之前国际同类方法,甚至超过部分使用稠密深度数据的监督方法.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
王法强[2]（2018）在《图像对相似性与偏序关系学习模型研究》一文中研究指出很多计算机视觉问题可以被看作图像对二元关系学习问题,它们学习图像对二元关系预测模型,用来预测一个给定的图像对是否满足特定的二元关系。在已有的图像对二元关系中,相似性关系和偏序关系是计算机视觉中最常见且最重要的二元关系。相似性关系学习(又称相似性学习或相似度学习)方法的目标是学习合适的相似度,使得图像之间的相似性可以在分类或聚类中得到更好地度量。与相似性关系不同,偏序关系是一种反对称关系,其目标为预测两个图像之间的相对次序。截至目前,研究人员已经提出了一系列相似性学习方法,其中马氏距离度量学习和深度相似度学习方法最为普遍和常用。马氏距离度量学习方法通过马氏距离来表示相似性,大多数现有的距离度量学习方法都是通过基于传统的梯度下降相关求解算法、启发式算法或一步训练求解,然而这些求解方法往往难以兼顾模型的识别准确率和训练效率。近年来,研究人员提出了一系列深度相似度学习方法以突破传统方法的人工特征提取造成的瓶颈,现有的深度相似度学习方法往往将相似度表示为图像深度特征的欧氏距离,这类模型虽然在图像识别中效率较高,但是尚不足以表示图像之间的联系,使得模型的识别效果受到一定限制。深度孪生网络以其参数较少,相对不容易过拟合等优点,广泛应用于深度相似度学习方法中,然而其在偏序关系学习中应用仍然很少,所以如何将深度孪生网络扩展到偏序关系学习成为了一个亟待解决的问题。此外,现有的偏序关系学习方法主要应用于排序问题,然而在回归问题中图像对同样满足偏序关系,如何在回归问题中通过学习图像对的偏序关系以改进回归效果,同样是需要解决的问题。在有些应用中,图像对之间有多个元素存在偏序关系,所以同样需要对偏序关系学习方法进行扩展,并设计多偏序关系的学习方法,用以联合学习多个元素的偏序关系。本文针对上述问题,针对图像对相似性关系与偏序关系学习提出了一系列方法,主要包括:(1)基于距离度量学习的图像对相似度学习方法:本文将距离度量学习表示为一个包含半正定约束的核分类问题,并提出了两种距离度量学习方法,即基于半正定约束的度量学习方法和基于非负系数约束的度量学习方法,这两种方法均可以保证度量矩阵的半正定性。本文通过迭代训练支持向量机来训练这两个模型,该算法可以保证解的全局最优性。在UCI数据集分类、手写数字识别、人脸验证和行人识别的实验结果表明,本文的方法可以达到满意的分类准确率与较高的训练效率。(2)基于特征融合的图像对深度相似度学习模型:本文通过提出了一个新的相似度函数来引入图像对特征,以更好地表示图像之间的联系,并且将图像对特征与单图像特征融合,以结合这两种特征的优点并提高识别效果。本文提出了一种基于深度卷积网络的相似度学习方法来联合学习这两种特征,并且在合理的计算代价下取得更高的识别准确率。此外,本文使用基于二元组和叁元组的学习模型来学习该相似度,并将这两种模型学习的相似度进行结合。在CUHK03、CUHK01和VIPeR数据集的实验表明本文的方法可以取得较高的识别准确率以及花费合理的训练时间。(3)基于孪生卷积网络的图像对偏序关系学习方法:本文将深度孪生网络从相似度学习扩展到偏序关系学习。本文首先建立了图像的二阶表示和偏序关系预测函数,然后提出了基于深度孪生卷积网络的偏序关系学习模型,该模型不仅可以应用于排序问题(如相对属性预测),还将该模型应用于回归问题(如年龄估计),尽管回归问题并非以偏序关系预测为目标。本文通过实验评估该模型在相对属性预测和年龄估计应用中的效果,实验结果表明该模型的预测效果超过其他的对比方法。(4)基于孪生卷积网络的图像对多偏序关系联合学习方法:本文将多偏序关系学习问题看作一个多任务学习问题,并基于深度孪生网络提出了一种多偏序关系学习方法。为了联合学习多偏序关系,本文提出了一种深度孪生网络,该网络包含两个共享参数的分支,每个分支包含空间子网络和回归子网络,它们分别学习图像的空间特征和目标值的回归算子。每个目标值的学习采用相同的空间子网络与不同的回归子网络。实验结果表明本文的方法在相机姿态估计和相对属性预测中取得了较好的预测效果。(本文来源于《哈尔滨工业大学》期刊2018-07-01）
王亚楠,陈国龙[3]（2018）在《二元关系中偏序关系的研究》一文中研究指出偏序关系是二元关系中较为重要的一种.本文讨论了在非空集合M上定义的二元函数,二元关系,并证明二元关系为偏序关系,以及偏序集是交半格或并半格.(本文来源于《洛阳师范学院学报》期刊2018年02期）
刘倩,闫俊娜,付艳军[4]（2017）在《新偏序关系下的单调模糊映射的不动点定理》一文中研究指出为更好的研究模糊微分方程,通过对零模糊数以及模糊数的序关系的重新定义,并在新模糊数偏序关系,利用一维模糊数的表示定理给出了模糊序列的极限和收敛性,继而给出模糊数值函数收敛性和连续性以及相应的不动点定理.研究结果表明新的偏序意义下的模糊数的收敛性以及不动点定理为模糊微分方程的解存在性提高更多的方便.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2017年06期）
师志鸿[5]（2017）在《基于区间数偏序关系和群决策的铁路突发事件应急能力指标评价研究》一文中研究指出近年来,随着铁路行业的飞速发展,铁路突发事件时有发生,给人民的生命财产以及国民经济造成了极大的损失。因此,铁路行业应急能力的建设与提升对于应对突发事件有着重要的现实意义。当前,铁路行业应急能力方面的相关研究比较少,应急能力机制还不够完善,应急能力指标评价体系存在一定局限性。所以,针对铁路突发事件应急能力评价指标的研究是一个非常重要的课题。本文对铁路应急能力指标进行探索,构建了铁路突发事件应急能力指标评价体系,运用区间数偏序关系和群决策相关理论建立评价模型对铁路突发事件应急能力指标进行科学评价。首先,根据铁路相关领域突发事件、应急能力的概念,围绕铁路突发事件应急能力的基本理论,通过查阅文献、分析现有研究成果和向专家调研等方法,依据铁路突发事件应急能力的复杂性和指标评价标准难确定性特点,对所有的应急能力影响因素进行较为全面的分析,以科学性和客观性、可测性和可行性、全面性和简明性、独立性和稳定性、实用性和导向性为指标评价的选取原则,并不断修改完善,建立了铁路突发事件应急能力两级评价体系,包括应急人员保障、应急资源保障、应急预案管理、应急响应、应急信息发布及管理、应急恢复6个一级指标和相应24个二级指标。其次,考虑到指标评价标准难确定性和专家对信息的偏好,在确定指标权重时,运用区间数表示指标成对比较偏序关系和指标权重,能够有效的解决决策专家对指标判断上的模糊性和不确定性。传统AHP方法是通过构造成对比较判断矩阵来计算指标权重,对判断矩阵的要求必须通过一致性检验,否则要对判断矩阵进行补充和修正。本文利用层析分析法中的判断矩阵,以一致性检验结果最小为目标,采用非线性规划模型计算指标权重,很好的解决传统AHP方法的不足,而且该方法简单易行、可靠性高。然而,决策者个体由于权利、专业、经验等因素的不同,在决策过程中有很大局限性,往往很难做出准确合理的决策。因此,本文在研究个体决策的基础上考虑群体决策的情况,分析个体决策和群体决策的不同情况,进行研究。本文采用个体方案权重向量集结法,融合区间数偏序关系运算法则,在集结各单独个体决策专家的方案权重向量时考虑个体决策者的权重系数。最终通过相对熵理论建立非线性规划模型,将个体权重结果集结成群体的方案权重向量,并由此获得决策群体对方案的最终排序结果。该方法避免了个体决策的独断权利,很好的解决了群体决策偏好不一致的问题,决策结果更为合理。最后,应用实例验证了评价方法的有效性和合理性,通过个体决策和群体决策得到了的铁路突发事件应急能力指标评价结果并进行分析,结果表明群体决策最终权重排序结果更切合实际。(本文来源于《兰州交通大学》期刊2017-04-05）
木仁,马占新,文宗川[6]（2016）在《数据包络分析方法中决策单元偏序关系的建立》一文中研究指出针对基于偏序集理论的数据包络分析方法中无法给出非规模收益不变模型中决策单元偏序关系的缺陷,提供了叁种常见数据包络分析模型中偏序关系的建立理论及偏序关系确定算法。该算法能够给出各个决策单元之间的偏序关系矩阵的同时也能够给出偏序关系图,这为决策者提供了更多的决策依据。最终将这一方法应用到了某省自然科学基金评价问题中。(本文来源于《中国管理科学》期刊2016年11期）
陈志恩[7]（2016）在《基于偏序关系的粗糙集规则提取方法》一文中研究指出规则提取算法中通常先约简属性再约简属性值,但该算法当属性数量增多时,会增加约简的复杂性,从而影响规则提取的速度.针对此问题,本文提出了一种基于偏序关系的粗糙集规则提取方法.首先,在不同粒度的知识空间上建立偏序关系;然后,利用各知识空间中隐含的属性冗余度作为启发式信息,对冗余属性进行逐层约简;最后,在约简后的属性集上提取决策规则.实例表明,该方法降低了属性约简的复杂性,提高了规则提取的速度.(本文来源于《西北师范大学学报(自然科学版)》期刊2016年05期）
木仁,李蒙,马占新[8]（2016）在《数据包络分析方法中一种新偏序关系确定方法》一文中研究指出数据包络分析方法是评价具有多投入及多产出决策问题有效性的一种方法.到目前为止学者们虽然提出了众多决策单元的评价方法,但对决策单元关系的研究比较少见.针对这一点引进了决策单元一种新的偏序关系,并提供了这一偏序关系相关定理及偏序关系图及矩阵确定算法.(本文来源于《内蒙古大学学报(自然科学版)》期刊2016年01期）
吴福昌[9]（2015）在《风险的偏序关系与风险和的性质》一文中研究指出本文讨论了偏序关系或相依测度、期望效应或扭曲期望和依分布相等之间的关系.其中偏序关系分为两类,一类是比超模序弱的偏序关系;另一类是比超模序强的偏序关系.相依测度主要考虑两种不同的相依测度,一种相依测度是分布函数;另一种相依测度是尾分布函数.本文所讨论的是在一个保险公司中,两种不同业务的风险在什么情况下危险程度是一样的.情况一是通过比较两类风险的偏序关系;情况二是通过比较风险的相依程度.本文的主要目的是研究两类n维风险的危险程度是一样的条件.我们定义了叁种偏序关系和两种相依测度.这叁种偏序关系是:一、一致序关系(见定义2.1.1),这是一种比较弱的偏序关系,在保险公司中是一种适用范围比较广泛的关系;二、相关序关系(见定义2.2.1),这是一种依据随机向量即风险的协方差定义的偏序关系,在保险公司中是一种比较特殊的比较风险的方法;叁、弱条件增序关系(见定义2.3.1),这是一种依据影响风险大小因素定义的偏序关系,在保险公司中我们能够通过分析影响风险的各个因素来比较风险的大小.这两种相依测度是随机向量即风险的分布函数和尾分布函数(见定义3.1.1和定义3.2.1),它们要求风险在相同的空间中即在一个保险公司的相同类型的业务中.最后,我们得到两类风险在满足什么条件下危险程度是一样的和在偏序关系下破产概率的变化情况.根据文章的主要内容,本文可以分为以下四章:第一章介绍了本文研究的背景、现状及意义;第二章主要介绍了几种偏序关系、期望效应、扭曲期望的定义,并研究了这几种偏序关系与依分布相等的关系;第叁章主要介绍了两种相依测度,并讨论了它们与期望效应或扭曲期望和依分布相等的关系;第四章主要研究了偏序关系下破产概率的变化情况.(本文来源于《曲阜师范大学》期刊2015-04-08）
于娟,熊振辉,欧忠辉[10]（2015）在《基于哈斯图的本体偏序关系消冗方法研究》一文中研究指出由于手工构建本体的失误或本体学习方法的缺陷,本体构建过程易造成本体关系集合中存在冗余,导致本体应用时的不一致和效率低下。本文分析了冗余的本体关系,得出偏序关系易出现冗余现象。基于哈斯图的形成过程,研究了一种消除偏序关系冗余的方法。该方法适用于消除由偏序关系的自反性和传递性所导致的冗余关系。为验证本文方法的有效性,处理了wine本体。实验结果表明,该方法在约束的范围内有效。(本文来源于《情报学报》期刊2015年03期）
偏序关系论文开题报告范文
（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：
很多计算机视觉问题可以被看作图像对二元关系学习问题,它们学习图像对二元关系预测模型,用来预测一个给定的图像对是否满足特定的二元关系。在已有的图像对二元关系中,相似性关系和偏序关系是计算机视觉中最常见且最重要的二元关系。相似性关系学习(又称相似性学习或相似度学习)方法的目标是学习合适的相似度,使得图像之间的相似性可以在分类或聚类中得到更好地度量。与相似性关系不同,偏序关系是一种反对称关系,其目标为预测两个图像之间的相对次序。截至目前,研究人员已经提出了一系列相似性学习方法,其中马氏距离度量学习和深度相似度学习方法最为普遍和常用。马氏距离度量学习方法通过马氏距离来表示相似性,大多数现有的距离度量学习方法都是通过基于传统的梯度下降相关求解算法、启发式算法或一步训练求解,然而这些求解方法往往难以兼顾模型的识别准确率和训练效率。近年来,研究人员提出了一系列深度相似度学习方法以突破传统方法的人工特征提取造成的瓶颈,现有的深度相似度学习方法往往将相似度表示为图像深度特征的欧氏距离,这类模型虽然在图像识别中效率较高,但是尚不足以表示图像之间的联系,使得模型的识别效果受到一定限制。深度孪生网络以其参数较少,相对不容易过拟合等优点,广泛应用于深度相似度学习方法中,然而其在偏序关系学习中应用仍然很少,所以如何将深度孪生网络扩展到偏序关系学习成为了一个亟待解决的问题。此外,现有的偏序关系学习方法主要应用于排序问题,然而在回归问题中图像对同样满足偏序关系,如何在回归问题中通过学习图像对的偏序关系以改进回归效果,同样是需要解决的问题。在有些应用中,图像对之间有多个元素存在偏序关系,所以同样需要对偏序关系学习方法进行扩展,并设计多偏序关系的学习方法,用以联合学习多个元素的偏序关系。本文针对上述问题,针对图像对相似性关系与偏序关系学习提出了一系列方法,主要包括:(1)基于距离度量学习的图像对相似度学习方法:本文将距离度量学习表示为一个包含半正定约束的核分类问题,并提出了两种距离度量学习方法,即基于半正定约束的度量学习方法和基于非负系数约束的度量学习方法,这两种方法均可以保证度量矩阵的半正定性。本文通过迭代训练支持向量机来训练这两个模型,该算法可以保证解的全局最优性。在UCI数据集分类、手写数字识别、人脸验证和行人识别的实验结果表明,本文的方法可以达到满意的分类准确率与较高的训练效率。(2)基于特征融合的图像对深度相似度学习模型:本文通过提出了一个新的相似度函数来引入图像对特征,以更好地表示图像之间的联系,并且将图像对特征与单图像特征融合,以结合这两种特征的优点并提高识别效果。本文提出了一种基于深度卷积网络的相似度学习方法来联合学习这两种特征,并且在合理的计算代价下取得更高的识别准确率。此外,本文使用基于二元组和叁元组的学习模型来学习该相似度,并将这两种模型学习的相似度进行结合。在CUHK03、CUHK01和VIPeR数据集的实验表明本文的方法可以取得较高的识别准确率以及花费合理的训练时间。(3)基于孪生卷积网络的图像对偏序关系学习方法:本文将深度孪生网络从相似度学习扩展到偏序关系学习。本文首先建立了图像的二阶表示和偏序关系预测函数,然后提出了基于深度孪生卷积网络的偏序关系学习模型,该模型不仅可以应用于排序问题(如相对属性预测),还将该模型应用于回归问题(如年龄估计),尽管回归问题并非以偏序关系预测为目标。本文通过实验评估该模型在相对属性预测和年龄估计应用中的效果,实验结果表明该模型的预测效果超过其他的对比方法。(4)基于孪生卷积网络的图像对多偏序关系联合学习方法:本文将多偏序关系学习问题看作一个多任务学习问题,并基于深度孪生网络提出了一种多偏序关系学习方法。为了联合学习多偏序关系,本文提出了一种深度孪生网络,该网络包含两个共享参数的分支,每个分支包含空间子网络和回归子网络,它们分别学习图像的空间特征和目标值的回归算子。每个目标值的学习采用相同的空间子网络与不同的回归子网络。实验结果表明本文的方法在相机姿态估计和相对属性预测中取得了较好的预测效果。
（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。
偏序关系论文参考文献
[1].曾一鸣,胡瑜,韩银和,李晓维.利用稀疏点云偏序关系的半监督单目图像深度估计[J].计算机辅助设计与图形学学报.2019
[2].王法强.图像对相似性与偏序关系学习模型研究[D].哈尔滨工业大学.2018
[3].王亚楠,陈国龙.二元关系中偏序关系的研究[J].洛阳师范学院学报.2018
[4].刘倩,闫俊娜,付艳军.新偏序关系下的单调模糊映射的不动点定理[J].辽宁工程技术大学学报(自然科学版).2017
[5].师志鸿.基于区间数偏序关系和群决策的铁路突发事件应急能力指标评价研究[D].兰州交通大学.2017
[6].木仁,马占新,文宗川.数据包络分析方法中决策单元偏序关系的建立[J].中国管理科学.2016
[7].陈志恩.基于偏序关系的粗糙集规则提取方法[J].西北师范大学学报(自然科学版).2016
[8].木仁,李蒙,马占新.数据包络分析方法中一种新偏序关系确定方法[J].内蒙古大学学报(自然科学版).2016
[9].吴福昌.风险的偏序关系与风险和的性质[D].曲阜师范大学.2015
[10].于娟,熊振辉,欧忠辉.基于哈斯图的本体偏序关系消冗方法研究[J].情报学报.2015