导读:本文包含了循环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,神经网络,磁共振,时间,算法,门控,数据。
循环序列论文文献综述
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）
王盛磊,朱幼玲,唐敏,夏仕勇[2]（2019）在《液体衰减反转恢复序列高信号征联合灌注加权成像对急性前循环脑梗死的预后评估》一文中研究指出目的探讨磁共振液体衰减反转恢复序列高信号血管征联合灌注加权成像(PWI)对急性前循环脑梗死患者近期预后的影响。方法选择急性前循环脑梗死患者63例,根据液体衰减反转恢复图像分为高信号血管征组27例,无高信号血管征组36例。比较2组一般临床资料、病情严重程度、血管狭窄及3个月预后。又根据PWI-弥散加权成像(DWI)情况分为匹配组44例,不匹配组19例。比较匹配组与不匹配组3个月预后。采用美国国立卫生研究院卒中量表(NIHSS)评分以及出院90d改良的Rankin量表评分。采用单因素和多因素logistic回归分析急性前循环脑梗死预后的影响因素;高信号血管征联合PWI-DWI判断急性前循环脑梗死患者预后情况。结果高信号血管征组NIHSS评分、预后不良、脑梗死体积明显高于无高信号血管征组,差异有统计学意义(P<0.05,P<0.01),重度狭窄和闭塞比例明显高于无高信号血管征组,差异有统计学意义(25.9%vs 5.6%,29.6%vs 2.8%,P<0.01)。匹配组预后不良比例明显高于不匹配组,差异有统计学意义(P<0.01)。多因素logistic回归分析显示,高信号血管征(OR=4.949,95%CI:1.138～21.532,P=0.033)、脑梗死体积(OR=1.139,95%CI:1.008～1.287,P=0.037)是预后不良的危险因素;PWI-DWI不匹配(OR=15.510,95%CI:2.744～87.660,P=0.002)是预后良好的保护因素。结论高信号血管征预示着急性前循环脑梗死患者血管狭窄或闭塞,且病情相对较重,高信号血管征和PWI-DWI不匹配可作为评估3个月预后的指标,对于存在血管高信号征且PWI-DWI不匹配患者预示预后良好。(本文来源于《中华老年心脑血管病杂志》期刊2019年10期）
刘璇,李慧,高俊霞,姚田岭[3]（2019）在《磁共振FLAIR序列血管高信号在急性前循环脑梗死患者病情评估中的作用》一文中研究指出目的 探讨磁共振FLAIR序列血管高信号在急性前循环脑梗死患者病情评估中的作用。方法 选取2016年6月至2017年10月本院收治的急性前循环脑梗死患者170例,均在入院24 h内完成磁共振检查,根据FLAIR序列血管高信号征出现情况分为无血管高信号征组和有血管高信号征组;比较两组患者的临床资料、血管学指标、病情严重程度等结果。结果 170例急性前循环脑梗死患者中有血管高信号征55例(32.35%)、无血管高信号征115例(67.65%)。TOAST分型、血管狭窄程度、梗死体积、美国国立卫生研究院卒中量表(NIHSS)评分在无血管高信号征组与有血管高信号征组之间差异均有统计学意义(均P<0.05)。Spearman相关性分析显示,血管狭窄程度与血管高信号征之间呈正相关(P<0.05)。ROC曲线分析显示,以血管高信号征评分≥1分为诊断大动脉狭窄程度的界点,敏感度为85.49%、特异度为89.63%,AUC曲线下面积0.905(95%CI:0.860～0.952,P<0.05);以血管高信号征评分≥2分为诊断大动脉狭窄程度的界点,敏感度为90.60%、特异度为86.83%,AUC曲线下面积0.941(95%CI:0.904～0.982,P<0.05)。结论 磁共振FLAIR序列血管高信号征可用于评估急性前循环脑梗死患者的血管狭窄严重程度,与TOAST分型、梗死体积、NIHSS评分密切相关;有血管高信号征提示急性前循环脑梗死患者预后不良。(本文来源于《中国卫生工程学》期刊2019年03期）
王善辉[4]（2019）在《双向循环神经网络在GNSS坐标时间序列插值中的研究》一文中研究指出在GNSS观测站的长期观测中,因接收机故障、卫星异常及后续粗差剔除等因素,导致观测数据不可避免地出现缺失,影响数据的关联性及进一步的主成分分析、频谱分析等,因而对GNSS坐标时间序列的缺失数据进行插值补全具有十分重要的意义。对于时间序列插值问题,已有研究较为丰富,但常用的传统插值法、经验正交函数法、奇异谱分析法等时间序列插值方法,仍然存在一些不足:对于时间序列的局部特征拟合欠佳;或其适用条件严苛,不利于推广应用,易造成重建时间序列的人为失真等。本文基于双向循环神经网络模型,用于“中国大陆构造环境监测网络”中基准站的GNSS坐标时间序列插值补全研究。鉴于各观测站点普遍数据缺失严重,无法直接使用连续多个年份的完整样本数据进行模型训练,本文首先以某一观测站单个年份的完整坐标时间序列为实验样本,按照缺失序列分别位于原始序列的右侧、左侧和中部叁个不同位置,设定叁组对照实验。在每一对照实验下,分别进行序列连续缺失3天、6天、9天、12天、15天时的插值补全,初步验证实验模型用于序列插值补全的准确度和有效性。最后,使用经验证的有效实验模型,补全同一观测站多年份观测数据中的多处缺失,构造完整的连续多个年份的GNSS坐标时间序列样本,进一步验证实验模型在大规模样本数据下插值补全的准确度和潜能。本文通过实验,利用不同模型对所缺数据进行插值补全,通过对比研究,得出如下初步结果:(1)当研究对象为DLHA站2017年单个年份的完整坐标时间序列时,将本文模型实验结果与传统多项式插值法的结果对比表明,本文模型的最大有效插值补全天数约为9天,均方根误差更低,且能够较好地拟合出缺失片段的局部波动趋势,因而初步验证了实验模型用于序列插值补全的准确度和有效性。(2)当研究对象为DLHA站多个年份坐标时间序列时,基于单个年份样本数据验证的有效实验模型,补全多年份观测数据中的多处缺失。连续多年份的样本规模下,实验结果表明,当GNSS坐标时间序列连续缺失天数达30天时,本文实验模型的均方根误差为2.640 mm,预测曲线依然能够拟合出原始曲线的局部波动趋势特征。对比相关文献实验结果,其使用单层循环神经网络插值补全连续缺失为31天序列的均方根误差为3.429 mm,显然本文模型误差水平更低,具有一定的可靠性。(本文来源于《太原理工大学》期刊2019-06-01）
张旭[5]（2019）在《基于循环神经网络的时间序列预测方法研究》一文中研究指出时间序列作为一种常见的数据组织形式,在工业、市场、社会、环境、教育等各行各业都有着极为广泛的应用。通过对时间序列数据的分析和挖掘,可以建立起相应的预测模型,以此来预测未来数据的走向。通过时间序列预测,可以为用户提供前瞻性的意见和指导性的策略,以应对未来可能发生的变化;同时也可以发现蕴含在这些时间序列数据之中的潜在规律,从而可以更好地认识和理解各种科学理论和社会现象。然而,由于时间序列数据本身的特殊性以及当前环境下时间序列数据呈现出的新特点,时间序列预测任务仍面临着诸多挑战。一方面,时间序列数据有别于一般的数据形式,其自身的特殊性带来了两方面的问题。首先,时间序列是一种时序性数据,其内部各个数据点之间具有很强的相关性,进行预测时理应充分考虑到这种相关性;此外,时间序列长短不一,且受马尔科夫性质的约束,因此一般的预测方法都需要选取一个固定大小的滑动窗口截取序列进行建模,而如何选择一个合适的窗口尺度是时间序列预测问题中独有的技术难点。另一方面,有别于传统的时间序列分析,当前时间序列数据呈现出诸多新特性,也随之带来了新的挑战。首先,随着技术的不断进步,每时每刻都有数以百万计的时间序列数据产生,面对海量的数据,预测的效率问题变得尤为关键;第二,这些序列数据多以小时、半小时、分钟甚至秒为单位采样得到,如此高采样频率下的时间序列会引入大量干扰噪声,不利于分析建模;最后,时间序列是一种流式数据而非静态数据,其数据分布会随着时间不断变化,模型如何适应这种漂变也是一个重要问题。为了解决上述时间序列预测任务中存在的数据相关性、窗口尺度问题、数据量大、采样频率高、易漂变五大困难,本文基于循环神经网络模型,提出了两种时间序列预测方法,并成功地应用到了实际的生产环境中,其主要内容如下:1.本文提出了一种基于Multi-Lag集成与时间序列分解的GRU神经网络预测方法。该方法采用了GRU神经网络作为时间序列预测的基础模型,GRU网络专门用来对序列建模,从而解决时间序列中数据相关性的问题。另外,本文提出了Multi-Lag集成学习策略,充分利用了GRU网络可以处理变长度序列的优势,有效地缓解了窗口尺度难以确定以及会随着时间漂变的问题。最后,该方法引入滤波式时间序列分解法,可以将原始时间序列中的高频噪声部分分离,以应对高采样频率带来的问题。2.在第一个工作的基础上,为提高模型的训练和预测效率,同时更加充分地考虑时间序列数据之间的相关性,本文提出了一种专门用于时间序列预测的RNN模型,称之为时间步残差循环神经网络,简称为TSR-RNN。此模型在不同时间步的隐藏状态之间引入残差连接,可以有效减缓训练网络时梯度消失的现象,同时可以很好地捕获时间步之间的增减模式信息,使得模型具备更好的可解释性。与LSTM和GRU等常见的RNN变体网络相比,TSR-RNN在没有引入多余参数的前提下,训练和预测都更加高效,但预测精度却仍然与前两者相近。3.基于上述两种预测方法,本文实现了两个应用案例。一个是在大规模云平台硬件资源预测任务中应用本文的预测方法,另一个则是以本文预测方法为基础搭建而成的一整套全流程的库存管理预测平台。相关的实验表明,本文提出的两种方法可以很有效地解决上述的五大困难,相较于常见的时间序列预测模型,其预测误差得到了大幅降低。在相关应用实践中,本文的预测方法也表现出了较高的预测精度和很强的鲁棒性,充分证明了其实用价值。(本文来源于《南京大学》期刊2019-05-01）
张金磊,罗玉玲,付强[6]（2019）在《基于门控循环单元神经网络的金融时间序列预测》一文中研究指出针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(S&P)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。(本文来源于《广西师范大学学报(自然科学版)》期刊2019年02期）
陈恩欢[7]（2019）在《面向序列数据建模的多尺度循环神经网络》一文中研究指出循环神经网络(Recurrent Neural Networks,RNNs)是用于序列数据建模的着名模型,但学习序列数据中的多尺度依赖以及长期依赖对于循环神经网络来说是具有挑战性的。本文基于长短期记忆网络以及回声状态网络,提出了两种新型的多尺度循环神经网络,用于学习序列数据中的多尺度依赖以及长期依赖。1)一种新型的层次化多尺度循环神经网络——时间金字塔循环神经网络(Temporal Pyramid Recurrent Neural Networks,TP-RNNs):该模型的每一层内由多条时间上的跳跃连接串连起来的金字塔群结构可以高效地聚合输入序列的信息,并提供许多的梯度反向传播的短路径,从而有效地缓解了梯度消失问题,降低了模型学习长期依赖的难度。而层次化的网络结构则通过多个这样的层内金字塔群结构堆迭而成,其堆迭方式为将低层的层内金字塔群结构中产生的多尺度聚合状态序列作为高层的输入序列。通过这种方式,该模型不仅可以显式地学习多尺度依赖,还因为缩短了输入序列和梯度反向传播路径的长度而可以有效地学习长期依赖。实验结果证明TP-RNNs模型比起现有的RNNs模型可以更有效地学习序列数据中的多尺度依赖和长期依赖,并在多种序列数据分类任务上取得更好的表现。2)一种新型的结合卷积网络的多尺度回声状态网络——卷积多尺度回声状态网络(Convolutional Multiscale Echo State Networks,ConvMESNs):模型的多尺度记忆编码器由多个具有不同长度跳跃连接的储备池组成,可以有效地捕获序列数据中的多尺度动态,并产生一种多尺度回声状态表示。随后的卷积记忆学习器则由一层卷积层和一层全连接层构成,用于对多尺度回声状态表示中的多尺度特征进行学习和融合,应用于序列分类。此外,免训练的记忆编码器和浅层的记忆学习器使得该模型具有计算高效性。实验结果证明ConvMESNs模型相比现有的序列分类方法可以在多个序列分类任务上取得更好的表现,并能高效地学习序列数据中的多尺度依赖。(本文来源于《华南理工大学》期刊2019-04-15）
王志强,徐艳龙,肖长春,冯晓亮,郑莉[8]（2018）在《合肥市2014～2016年大气污染物PM_(2.5)对居民循环系统疾病死亡效应的时间序列分析》一文中研究指出目的评估合肥市2014～2016年PM_(2.5)日均浓度对循环系统疾病死亡效应的影响。方法从合肥市气象局、环保局获得2014～2016年气象、环保资料,从中国疾病预防控制中心的死因监测系统获取人群死亡资料。采用基于Poisson回归的广义线性模型控制时间趋势、温度、相对湿度、星期几效应、法定节假日等因素,分析污染物PM_(2.5)浓度对因循环系统疾病死亡效应,包含当日(lag0)、滞后(lag1～lag5)和累积滞后(lag01～lag05)效应;分析了老年人组(≥60岁)和非老年人组(<60岁)间PM_(2.5)浓度与循环系统疾病死亡人数的影响,同时分析引入SO_2、NO_2、O_3污染物后,对PM_(2.5)浓度与循环系统疾病死亡人数效应的影响。结果 PM_(2.5)浓度对因循环系统疾病总死亡人数有显着影响,其中对当日(lag0)和累积滞后5 d(lag05)影响最大,lag0超额死亡危险风险(ER)为0. 53%(95%CI:0. 09%～0. 98%),lag05的ER为1. 01%(95%CI:0. 33%～1. 70%)。在老年人组(≥60岁)中,PM_(2.5)浓度对因循环系统疾病总死亡人数的效应更加显着,也是对lag0和lag05影响最大,lag0的ER为0. 57%(95%CI:0.11%～1. 03%); lag05的ER为1. 04%(95%CI:0. 33%～1. 76%)。而在非老年人(年龄<60岁)人群中,PM_(2.5)浓度对因循环系统疾病总死亡人数影响无统计学意义。在多污染物模型分析中,加入污染物SO_2、NO_2后,发现均可减弱PM_(2.5)对循环系统疾病死亡人群的影响,效应无统计学意义。结论 2014～2016年PM_(2.5)污染物能增加合肥地区循环系统疾病死亡人数,且在老年人中效应更显着。(本文来源于《山东大学学报(医学版)》期刊2018年11期）
刘剑桥[9]（2018）在《基于改进LSTM循环神经网络瓦斯数据时间序列预测研究》一文中研究指出瓦斯灾害历来是煤矿领域的重大安全问题。而煤矿开采深度的增大也使得井下的安全生产越来越难以保障。因此,如何准确且迅速地对瓦斯数据进行预测是非常有必要的,它可以有效地减少并防范瓦斯安全事故的发生,并能够及时作出应对措施。论文以瓦斯浓度的时间序列作为切入点,利用神经网络这一可以拟合非线性复杂问题的工具进行实验研究,再选取非常适合解决时间序列问题的循环神经网络RNN(Recurrent Neural Network)及其演化模型——长短时记忆模型LSTM(Long Short-term Memory)对瓦斯浓度的时间序列的相关问题进行了深入研究。论文主要完成了叁个方面的工作:1)瓦斯涌出的成因十分复杂,如地应力,瓦斯压力,煤层埋深等,因此瓦斯涌出是一个复杂的非线性动力过程。论文通过地质动力区划法,挖掘了煤与瓦斯涌出的主要成因,提取了诸如最大主应力,瓦斯压力等地质因素数据作为瓦斯浓度时间序列预测的依据。2)论文使用了多种优化算法,一方面解决了数据在缺失或异常情况下不平滑的问题,另一方面则使用神经网络优化算法提高了神经网络的训练效率。接下来使用RNN神经网络模型来进行仿真预测,并用LSTM神经网络模型改进,解决了RNN模型带来的梯度弥散问题。3)由于LSTM模型复杂度过高,论文改进了LSTM模型,并采用主成分分析法,提出了PCA-LSTM-RNN神经网络模型,经过实验可知这种模型能够在保证精度的前提下极大提高神经网络的训练效率。(本文来源于《中国矿业大学》期刊2018-10-01）
林蕾[10]（2018）在《基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究》一文中研究指出遥感影像时间序列作为多时相影像的一种载体,蕴含着地物在空间和时间上的巨量信息,如何有效地挖掘这些时空信息对于遥感影像的应用具有至关重要的作用,而目前的数据挖掘方法往往对时间维信息利用不足,导致了各种问题的出现。循环神经网络(Recurrent Neural Network,RNN)对于时间序列挖掘具有天然的优势,已经成功应用在语音识别、计算机视觉等领域,并逐渐扩展到其他领域,在这种大潮流下,本文有意将循环神经网络模型引入到遥感图像的处理和分析中,目的在于借助该模型的优越性能解决遥感应用中的一些难题。为此,本文将循环神经网络模型应用在遥感影像时间序列的分类和变化检测中,根据循环神经网络的特点和本文的研究目标,提出了两种深度RNN模型用于MODIS影像时间序列分类,以此实现了北京市的土地覆盖分类;同时,将机器翻译领域应用广泛的“序列到序列”(sequence-to-sequence,seq2seq)模型应用在Landsat-8影像时间序列的变化检测中,以此实现了北京市昌平区的土地覆盖变化检测。本文围绕循环神经网络模型,对遥感影像时间序列的分类和变化检测中涉及的问题展开了一系列研究。论文的主要研究内容和创新点包括以下几点:(1)构建了两种深度循环神经网络模型用于遥感影像时间序列分类,一种为深度栈式LSTM(deep Stacked Long Short Term Memory,dSLSTM)模型,一种为深度双向LSTM(deep Bidirectional Long Short Term Memory,dBLSTM)模型。其中,深度栈式LSTM模型通过将LSTM进行堆迭构造出多层网络模型,深度双向LSTM模型通过将两个LSTM模型组合,实现对时间序列数据的“正向”和“逆向”处理,深度双向LSTM模型同样包含多层网络结构。实验表明,深度栈式LSTM模型和深度双向LSTM模型在遥感影像时间序列分类方面具有良好的性能,分类精度优于支持向量机和随机森林两种分类器,同时,选择合适的网络结构和参数能够提高两种模型的分类精度。(2)将机器翻译领域使用的seq2seq模型和注意力机制应用在土地覆盖变化检测中。利用seq2seq模型实现了遥感影像时间序列与地物状态序列之间的对应,并利用这种“序列到序列”的对应结构实现了土地覆盖变化信息的直接提取。为了提高变化检测的准确率,消除部分伪变化,在进行变化检测时将土地利用转移概率矩阵作为先验知识加入模型中进行辅助判断。实验表明,利用seq2seq模型进行土地利用覆盖变化检测是行之有效的,在变化检测精度方面优于连续变化检测和分类(Continuous Change Detection and Classification,CCDC)模型。(3)为了解决训练样本不足的问题,提出了面向遥感影像时间序列的数据增强方法,包括截断扩增、混合扩增、平移和缩放,其中,截断扩增方法是指通过将同类地物的光谱反射率时间序列截断之后再组合起来,来构造新的时间序列;混合扩增方法通过组合各种地类的纯净像元的时间序列,来模拟混合像元的时间序列;平移和缩放是指对原始时间序列进行小范围的平移、缩放,以模拟由于物候期提前或延迟所造成的时间序列变化,从而增加训练样本集的多样性。类似于截断扩增方法,本文还提出了一种模拟变化时间序列的方法,即利用选取的未发生变化的时间序列去构造变化时间序列,。实验表明,通过数据增强方法能够提高深度循环神经网络模型的分类能力,通过模拟获取的遥感影像时间序列同样能够训练变化检测模型,并且能够取得满足实际应用需求的变化检测结果,本文提出的面向遥感影像时间序列的数据扩增方法和生成方法是有效的。(本文来源于《中国科学院大学(中国科学院遥感与数字地球研究所)》期刊2018-06-01）
循环序列论文开题报告
（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：
目的探讨磁共振液体衰减反转恢复序列高信号血管征联合灌注加权成像(PWI)对急性前循环脑梗死患者近期预后的影响。方法选择急性前循环脑梗死患者63例,根据液体衰减反转恢复图像分为高信号血管征组27例,无高信号血管征组36例。比较2组一般临床资料、病情严重程度、血管狭窄及3个月预后。又根据PWI-弥散加权成像(DWI)情况分为匹配组44例,不匹配组19例。比较匹配组与不匹配组3个月预后。采用美国国立卫生研究院卒中量表(NIHSS)评分以及出院90d改良的Rankin量表评分。采用单因素和多因素logistic回归分析急性前循环脑梗死预后的影响因素;高信号血管征联合PWI-DWI判断急性前循环脑梗死患者预后情况。结果高信号血管征组NIHSS评分、预后不良、脑梗死体积明显高于无高信号血管征组,差异有统计学意义(P<0.05,P<0.01),重度狭窄和闭塞比例明显高于无高信号血管征组,差异有统计学意义(25.9%vs 5.6%,29.6%vs 2.8%,P<0.01)。匹配组预后不良比例明显高于不匹配组,差异有统计学意义(P<0.01)。多因素logistic回归分析显示,高信号血管征(OR=4.949,95%CI:1.138～21.532,P=0.033)、脑梗死体积(OR=1.139,95%CI:1.008～1.287,P=0.037)是预后不良的危险因素;PWI-DWI不匹配(OR=15.510,95%CI:2.744～87.660,P=0.002)是预后良好的保护因素。结论高信号血管征预示着急性前循环脑梗死患者血管狭窄或闭塞,且病情相对较重,高信号血管征和PWI-DWI不匹配可作为评估3个月预后的指标,对于存在血管高信号征且PWI-DWI不匹配患者预示预后良好。
（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。
循环序列论文参考文献
[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].王盛磊,朱幼玲,唐敏,夏仕勇.液体衰减反转恢复序列高信号征联合灌注加权成像对急性前循环脑梗死的预后评估[J].中华老年心脑血管病杂志.2019
[3].刘璇,李慧,高俊霞,姚田岭.磁共振FLAIR序列血管高信号在急性前循环脑梗死患者病情评估中的作用[J].中国卫生工程学.2019
[4].王善辉.双向循环神经网络在GNSS坐标时间序列插值中的研究[D].太原理工大学.2019
[5].张旭.基于循环神经网络的时间序列预测方法研究[D].南京大学.2019
[6].张金磊,罗玉玲,付强.基于门控循环单元神经网络的金融时间序列预测[J].广西师范大学学报(自然科学版).2019
[7].陈恩欢.面向序列数据建模的多尺度循环神经网络[D].华南理工大学.2019
[8].王志强,徐艳龙,肖长春,冯晓亮,郑莉.合肥市2014～2016年大气污染物PM_(2.5)对居民循环系统疾病死亡效应的时间序列分析[J].山东大学学报(医学版).2018
[9].刘剑桥.基于改进LSTM循环神经网络瓦斯数据时间序列预测研究[D].中国矿业大学.2018
[10].林蕾.基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D].中国科学院大学(中国科学院遥感与数字地球研究所).2018
论文知识图
