导读:本文包含了时序模式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:时序,模式,在线,科学城,缺血性,景深,卒中。
时序模式论文文献综述
王一博,彭广举,何远舵,王亚沙,赵俊峰[1]（2019）在《基于领域偏好的可变时间窗口时序数据主题模式识别算法》一文中研究指出随着传感器的普及,智慧城市、普适计算等领域应用不断涌现,对时序数据处理的需求也在不断增长。时序数据中反复出现的高度相似的模式被称为主题模式。时序数据的主题模式蕴含有了大量的信息,对主题模式的识别是时序数据处理的重要分支领域。现有主题模式识别算法无法根据特定应用或领域的知识来指定主题模式识别的偏好,从而难以发现对分析领域问题最具价值的模式。针对这一问题,文中给出了一种可以根据领域偏好定义子序列相似性的机制,并设计了一种针对上述相似性度量机制的可变时间窗口主题模式识别加速剪枝算法。实验证明,所提方法在多个公开数据集上,能高效且准确地发现具有领域偏好的主题模式。(本文来源于《计算机科学》期刊2019年11期）
吴冰,彭彧[2]（2019）在《在线健康社区中基于用户属性的时序交互模式研究》一文中研究指出[目的 /意义]在线健康社区迅速发展,但缺乏结合网络结点属性与网络结构的动态网络特征的研究,因而难以揭示基于结点属性的用户动态交互模式的形成机理。[方法 /过程]应用基于节点属性的时序指数随机图模型,以在线健康社区为研究对象,结合用户节点属性特征,包括用户发文情感倾向、用户发文文本长度和用户社区等级,构建在线健康社区的用户时序交互模式研究模型,从百度贴吧的糖尿病吧抓取2016年10月至2018年2月期间2 301个有效用户,6 045条主帖和9 490条回复,实证用户时序交互模式特征。[结果 /结论 ]用户属性特征对互惠性时序模式、k-star时序模式、传递性时序模式和循环性时序模式形成有显着影响,并由此为在线健康社区建设提出发展建议。(本文来源于《知识管理论坛》期刊2019年03期）
许昊骏,陈琛,田丰[3]（2019）在《3D电影景深时序演进和模式解读》一文中研究指出本研究在自主开发的3D电影内容数据获取平台上展开,从数据视角探究3D电影的基本特征和类型片规律,比较各影片的3D指标,按类型、时间、国内外叁个方面梳理3D电影技术特征和艺术发展规律。结果表明,3D艺术特征包括时序景深对比相似、3D激励与舒适融合,3D特征需满足特定电影类型的要求,优秀3D电影都有明确的规律和节奏。本研究的成果和方法能够为未来3D电影和3D-VR视频创作提供必要手段。(本文来源于《现代电影技术》期刊2019年06期）
林小李[4]（2019）在《基于时序粒子轨迹跟踪的空气污染传播模式可视分析》一文中研究指出可视分析是对大数据进行分析的有效手段,它结合了可视化、人机交互和自动分析技术,旨在以图形的方式直观地揭示数据的内在规律,帮助用户从庞杂的数据中挖掘出清晰、结构化的信息。随着空气污染的日益严重,如何对空气质量数据进行有效的处理和分析已经成为一个广泛关注的热点问题。不同地区的空气污染可能会相互影响,这种影响通常是复杂的,而且具有特定的时空特征。以往有关空气污染传播的研究,通常使用复杂的回归模型模拟点对点或点对面的污染扩散,未能综合考虑周边地区对当地空气质量的影响及其时序变化,导致分析者很难做出具有时空针对性的决策。对空气污染传播模式进行可视分析,有助于了解污染的来源信息及其时变规律,从而推进空气污染的联合治理。近年来,通过广泛部署的空气质量监测站点和传感器网络收集大规模空气质量数据和气象数据,使得研究者可以从数据科学的角度分析空气污染问题。然而,数据的多源异构、高维度、时变性、规模大等特点给空气污染传播模式的分析带来了巨大挑战。本文提出一种有效的识别潜在污染源和空气污染传播模式的方法,并引入可视化技术对空气污染问题进行多视角深入分析。主要的研究内容包括:(1)基于气象因子对空气污染物的扩散和沉降影响,融合多源异构时空数据,构建空气污染传播模型,进行时序粒子轨迹跟踪。(2)同时考虑了污染源对目标站点的影响频次、输送值,及其与目标站点之间的相关性,提出一种有效检测潜在污染源的方法。(3)对于每个目标站点,基于污染源站点群的输送信息,构建时序特征向量,采用准确度高、效率好的聚类算法提取污染传播模式。(4)设计并开发了一个集成的可视分析系统,通过精心设计的可视化视图、丰富的多图联动技术,缩放-平移、过滤等探索分析功能,帮助用户对感兴趣的地区的空气污染问题进行多视角深入分析。(本文来源于《东北师范大学》期刊2019-05-01）
李燕[5]（2019）在《莱芜地区脑卒中发病的时序模式及气象因素的影响》一文中研究指出研究目的脑卒中是全球致死和致残的主要疾病,中国是全世界卒中发病率最高的国家之一,研究脑卒中防治策略,减轻家庭和社会负担势在必行。脑卒中是由多种因素导致的疾病,而关于脑卒中发病诱因的研究较少。气候变化对人类健康具有不利影响,尤其是脑血管疾病。脑卒中常见的危险因素为高血压、吸烟、腹型肥胖、饮食、心脏病和糖尿病,它们对于个体而言处于每天相对稳定状态,而气象因素却每日不同,处于持续波动变化状态。已有研究表明脑卒中发病具有月份、周及季节性分布差异,气象因素如气温、变温、日较差、大气压力、相对湿度和风速影响脑卒中发病和死亡率。与气象因素有关的生理过程可能诱发脑卒中发生。既往研究发现年龄和性别均影响脑卒中发病和死亡风险,环境因素和脑卒中的关系受到年龄和性别的影响。已有研究结论不一致,可能与脑卒中分类、人口特征、地区异质性不同有关。莱芜地区尚未见报道。本研究旨在探讨莱芜地区脑梗死(cerebral infarction,CI)、脑出血(intracranial cerebral hemorrhage,ICH)、短暂性脑缺血发作(transient ischemic attack,TIA)、蛛网膜下腔出血(subarachnoid hemorrhage,SAH)发病的时序模式,明确脑卒中发病是否存在月份、周、季节和年度分布规律,以及不同性别和年龄段的发病规律,发现可能的卒中高危人群。在此基础上研究气象因素对各脑卒中类型发病的影响,发现影响脑卒中发病的潜在气候诱因,为相似气候区域脑卒中防治策略提供理论依据。研究方法1.研究人群:来自莱芜市人民医院急诊科、神经内科、神经外科、ICU18周岁以上的住院脑卒中患者。2.发病数据:研究日期自201 1年1月1日至2016年12月31日。本研究以脑卒中事件的发生为终点事件,主要结局指标为CI、ICH、TIA和SAH。在病案管理系统提取相关发病数据。随后将患者按照发病时间进行排序,并整理出各脑卒中类型每日、每周、每月、每季节、每年的总发病人数,男性发病人数,女性发病人数,各年龄段发病人数,整理后建立脑卒中患者发病数据库,进行各脑卒中类型发病月份、周、季节及年度分布特征的分析,包括不同年龄段、不同性别的分布特征,以及住院天数、死亡病例时间分布特征。气象资料自气象局获得,按照时间的顺序进行气象数据整理,包括日平均气温、日最高气温、日最低气温、24小时变温、日温差、日平均气压、日平均相对湿度和日平均风速。月气象资料包括月平均气温、月平均最高气温、月平均最低气温、月平均气压、月平均相对湿度和月平均风速。分别进行月气象因素、日气象因素与同期各类型脑卒中发病的相关性分析和回归分析。研究结果1.各脑卒中类型发病时间分布特征:1.1各脑卒中类型发病月份分布特征:CI发病时间具有月份变异性,3月最多,其次为4月;11月和12月发病例次少,其次为9月、7月和8月。ICH发病时间具有月份变异性,11月发病例次最多,其次为10月和1月;6月发病例次最少,其次为7月。TIA发病时间具有月份变异性,10月发病例次最多,其次为11月;2月发病例次最少,其次为5月。SAH发病时间具有月份变异性,11月发病例次最多,其次为1月;7月发病例次最少,其次为9月。说明莱芜地区各脑卒中类型发病月份分布均存在差异。1.2各脑卒中类型发病周分布特征:CI发病时间具有周变异性,星期一发病例次最多,其次为星期五;星期天发病例次最少,其次为星期六。TIA发病时间具有周变异性,星期叁发病例次最多,其次为星期五;星期六发病例次最少,其次为星期日。脑出血和SAH发病无周差异性。1.3各脑卒中类型发病季节分布特征:CI发病时间具有季节变异性,春季发病例次最多,其次为冬季,秋季发病例次最少。ICH发病时间具有季节变异性,秋季发病例次最多,其次为冬季,夏季发病例次最少。TIA和SAH发病无季节差异。1.4各脑卒中类型发病年度分布特征:CI发病时间具有年变异性2013年发病例次最多,2014年病例次最少。ICH发病时间具有年变异性,2013年发病例次最多,201 1年发病例次最少。TIA发病时间具有年变异性,2016年发病例次最多,201 1年病例次最少。SAH发病时间具有年变异性,2015年发病例次最多,2011年病例次最少。脑卒中发病率依然呈总体上升趋势。2.各脑卒中类型各年龄段发病时间分布特征:ICH不同年龄段发病时间分布具有月变异性,65岁以下患者发病明显高于年龄65岁及以上患者。CI不同年龄段发病时间分布具有年变异性,65岁及以上患者发病高于65岁以下患者;TIA不同年龄段发病时间分布具有年变异性,65岁以下患者发病高于年龄65岁及以上患者;SAH不同年龄段发病无显着性差异。3.各脑卒中类型不同性别发病时间分布特征:仅CI发病具有季节变异性,男性发病高于女性。4.各脑卒中类型发病年龄时间分布特征:仅CI组年龄分布具有年度差异,2016年发病年龄最高,2014年发病年龄最低。5.各脑卒中类型住院天数分布特征:CI、ICH住院天数时间分布具有月份、季节、年变异性;CI住院天数5月和6月最长,1月和11月最短;春夏两季住院天数比秋冬季节长。ICH住院天数1 1月最长,其次为10月,5月和7月最短;秋季住院天数较长,夏季住院天数最短。TIA住院天数时间分布仅表现为年度变异性。SAH住院天数无月份、周、季节及年度差异。6.各脑卒中类型死亡病例时间分布特征:CI、ICH死亡病例时间分布具有月份、周、年变异性,无季节变异性;SAH死亡病例时间分布仅表现为具有年度变异性。6.1 CI死亡病例时间分布特征:7月和8月CI发病率低、死亡率低,气候特点为炎热多雨,提示发病率低与湿度高有关,而炎热、高湿度的天气至少不是CI发病和死亡的促进因素,一定程度上亦或是保护因素。4月份为CI发病率高、死亡率高的季节,气候特点为风速最高,提示发病率高与风速高有关,风速高亦可能加重CI死亡风险。11月份为秋季月份,此月住院天数短、死亡率低,气候特点为凉爽、平均气压较高,推测11月轻型卒中患者数量较多,轻型CI可能与气压高有关,气压高的天气可能有助于降低CI严重程度及死亡风险。低温对CI死亡的影响可能存在温度阈值,需进一步研究探讨。6.2 ICH死亡病例时间分布特征:ICH 11月发病率高、住院天数长并且死亡病例最多,说明1 1月份可能为重症ICH高发期;ICH发病及死亡增加与气压高、湿度低及温度变化有关。6月ICH发病率低并且死亡病例最少,6月份特点为炎热多雨,说明6月份轻症ICH患者为主,炎热、湿度高天气可能是ICH发病和死亡的保护因素。低温对ICH死亡的影响需进一步探讨。7.各类型脑卒中发病与气象因素的关系:由月气象因素与月发病相关分析及日气象因素与日发病相关分析可知,影响各脑卒中类型发病的气象因素具有共同因素。7.1影响CI发病的共同负相关因素为平均相对湿度,共同正相关因素为平均风速。7.2影响ICH发病的共同负相关因素为平均气温、最高气温及最低气温,共同正相关因素为平均气压;7.3影响SAH的共同正相关因素为平均气压。7.4出血性卒中ICH和SAH具有相同的相关气象因素:平均气压,其次为气温。7.5缺血性卒中CI和TIA并未发现相同的相关气象因素,考虑与其不同的病理生理过程有关。结论本研究探讨了莱芜地区脑卒中发病时序模式及其与气象因素之间的关系,为将来进行更深入的研究提供了依据。莱芜地区脑卒中发病具有一定的时序模式并且与气象因素相关,具有相似气候区域的政府和相关预警部门在天气条件波动时,有必要及时提醒易感人群,及早采取防范措施、减轻气象因素对健康的不利影响。当然,气象因素对脑卒中发病及死亡的影响并不单一,气象因素之间具有协同作用,同时受到其他因素如基础疾病、文化特征以及预防急救体系等的影响,需大规模前瞻性研究进一步探讨。本研究的一个局限性是人口相对较少,研究结果可能并不适用于气候不同的地区。还应该注意的是,本研究未进行脑卒中病因分型及严重程度的分级,将来还需要进行大规模前瞻性研究以进一步探讨气象因素对脑卒中发病的影响。(本文来源于《山东大学》期刊2019-03-16）
蒋志恒[6]（2019）在《时序网络的频繁演化模式挖掘》一文中研究指出对随时间演化的动态网络的分析对于理解隐藏在时序网络数据中的复杂演变过程是一个非常关键的挑战,图的演化规则模式在较小的子图层面上捕获这一复杂的过程。现存关于图的频繁模式挖掘的研究大多限于非动态图的频繁模式挖掘,或仅仅是将非动态网络频繁模式挖掘的方法简单迁移到动态网络挖掘中去,无法高效地处理维度扩展的图数据。提出一种一般性的频繁演化模式挖掘的方法,通过将演化模式挖掘问题规约于约束满足问题(CSP),较大地降低频繁演化模式挖掘的复杂度。实验表明,该方法有较高的性能。(本文来源于《现代计算机(专业版)》期刊2019年02期）
吴奇[7]（2018）在《滨湖科学城总体规划年底或“成型”》一文中研究指出未来，滨湖科学城有望探索建立行政区与功能区融合发展的体制机制，推动行政审批制度改革实现重大突破。记者从合肥公共资源交易中心获悉，《合肥滨湖科学城(国家级合肥滨湖新区)总体规划2018-2035年》已进入招标程序，预计年底将形成最终规划成果。规划(本文来源于《合肥晚报》期刊2018-06-22）
王旭[8]（2018）在《基于Innovus不同分析模式下时序收敛的研究》一文中研究指出随着半导体工艺逐渐地从28nm向16nm甚至7nm过渡,片上偏差(on-chip variation)造成的时序不确定性导致同一芯片不同区域之间的流片情况都是不同的。越来越难以控制的工艺变量导致基于工艺、电压、温度等多工艺角(corner)这种传统的静态时序分析方法也难以精确地估计片上偏差给时序分析带来的影响,此时能否进行精确高效的静态时序分析己成为保证芯片正常工作的关键。本文首先基于时序库模型分析了当前28nm工艺中的工艺偏差给单元延时带来的影响,并采用了OCV模式来模拟工艺偏差带来的时序分析误差。鉴于OCV中设置全局统一的降额因子(timing derate)去模拟工艺偏差方式的不足,采用了相对准确的AOCV(Advanced OCV)模式,通过动态地调整derate值,达到了更加接近实际情况的目的。16nm工艺环境中刻蚀、离子掺杂等不确定性,导致离子在硅中呈现随机性分布,由此在AOCV的基础上采用了一种全新基于统计学的SOCV(statistical OCV)模式,它是采用平均值(mean)和方差(sigma)的统计学原理来模拟工艺偏差给单元延时带来的随机影响。基于OCV、AOCV以及SOCV的分析模式,采用Cadence公司的Innovus工具结合具体28nm和16nm的GPU物理模块,在芯片后端设计的不同阶段研究了不同分析模式对时序收敛的影响。最后就SOCV的改进模式进行了一定的理论探索,并对比一般的SOCV模式,结合Innovus加以验证。时序路径中多输入逻辑门单元的延时分析会影响着时序弧(timing arc)以及时序路径的选择,进而影响着时序的收敛,为此分别探究了在OCV、AOCV以及SOCV中基于模块分析(GBA)与基于路径分析(PBA)两种不同分析方式给时序分析带来的影响,并加以验证。验证发现OCV相对于最好-最坏(BC-WC)这种传统的时序分析模式更能全面地模拟工艺偏差带来的时序影响,AOCV考虑到实际中derate值随着路径深度而变化,得到布线(route)阶段的TNS(total negative slack)值相对于OCV优化了大约15.1%。16nm中的SOCV模式则更能精确的模拟片上偏差的随机变化,布线阶段的TNS值相对于AOCV优化了大约40.2%,工具运行时间(runtime)也相应减少了大约7.4%,从而实现了时序的快速收敛,验证了SOCV是当前16nm工艺下芯片设计中最为理想的时序分析模式。对于多输入逻辑门单元的分析,验证发现叁种模式中,PBA相对于GBA的分析结果更为精确,runtime却相对较长,使得PBA一般只在签核阶段(sign-off)才使用,以保证最终流片前的时序更精确,而GBA主要在设计前期使用,以此来缩短时序分析的周期。(本文来源于《西安电子科技大学》期刊2018-06-01）
钟错,刘标,孙卫华[9]（2018）在《高等教育现代化的“时序模式”研究》一文中研究指出高等教育现代化是一种历史过程,根据启动时间的早晚可以分为原生型、继生型和后发型叁种模式。受启动时间的影响,叁种模式的特征随之而变:内生性逐渐减弱,外因性逐渐突出;自发性逐渐减弱,干预性逐渐突出;先发性优势趋弱,后发性优势趋强;过程逐渐缩短,动荡趋于加剧。(本文来源于《教育理论与实践》期刊2018年12期）
沈潜锋,龚敏,高博[10]（2018）在《基于MS-ECO的多模式多端角签收时序修复方法的研究》一文中研究指出为了使现代超大规模数字芯片物理设计在签收阶段更快、更好地达到时序收敛,基于MS-ECO时序修复引擎,结合后端签收工具Tempus的精确度和后端实现工具Innovus的高效性,采用分布式多模式多端角时序分析,提出了一种跨平台签收阶段自动时序修复方法。在3个不同工艺的数字芯片上验证了该方法。结果表明,该方法平均能使时序违例路径减少86%,并使WNS降低72%,TNS降低89%。同时,该时序修复方法没有引入新的设计规则违例(DRV)。(本文来源于《电子器件》期刊2018年02期）
时序模式论文开题报告
（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 /意义]在线健康社区迅速发展,但缺乏结合网络结点属性与网络结构的动态网络特征的研究,因而难以揭示基于结点属性的用户动态交互模式的形成机理。[方法 /过程]应用基于节点属性的时序指数随机图模型,以在线健康社区为研究对象,结合用户节点属性特征,包括用户发文情感倾向、用户发文文本长度和用户社区等级,构建在线健康社区的用户时序交互模式研究模型,从百度贴吧的糖尿病吧抓取2016年10月至2018年2月期间2 301个有效用户,6 045条主帖和9 490条回复,实证用户时序交互模式特征。[结果 /结论 ]用户属性特征对互惠性时序模式、k-star时序模式、传递性时序模式和循环性时序模式形成有显着影响,并由此为在线健康社区建设提出发展建议。
（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。
时序模式论文参考文献
[1].王一博,彭广举,何远舵,王亚沙,赵俊峰.基于领域偏好的可变时间窗口时序数据主题模式识别算法[J].计算机科学.2019
[2].吴冰,彭彧.在线健康社区中基于用户属性的时序交互模式研究[J].知识管理论坛.2019
[3].许昊骏,陈琛,田丰.3D电影景深时序演进和模式解读[J].现代电影技术.2019
[4].林小李.基于时序粒子轨迹跟踪的空气污染传播模式可视分析[D].东北师范大学.2019
[5].李燕.莱芜地区脑卒中发病的时序模式及气象因素的影响[D].山东大学.2019
[6].蒋志恒.时序网络的频繁演化模式挖掘[J].现代计算机(专业版).2019
[7].吴奇.滨湖科学城总体规划年底或“成型”[N].合肥晚报.2018
[8].王旭.基于Innovus不同分析模式下时序收敛的研究[D].西安电子科技大学.2018
[9].钟错,刘标,孙卫华.高等教育现代化的“时序模式”研究[J].教育理论与实践.2018
[10].沈潜锋,龚敏,高博.基于MS-ECO的多模式多端角签收时序修复方法的研究[J].电子器件.2018
论文知识图
