时序序列论文-盛云龙,魏长安,刘玉奇,姜守达

时序序列论文-盛云龙,魏长安,刘玉奇,姜守达

导读:本文包含了时序序列论文开题报告文献综述及选题提纲参考文献,主要关键词:软件测试,序列测试,时序约束,约束描述

时序序列论文文献综述

盛云龙,魏长安,刘玉奇,姜守达[1](2019)在《时序约束条件下序列测试建模方法》一文中研究指出时序约束的描述是测试序列生成前必须面对的问题,但是目前还没有完善的方法能够对时序约束进行描述,为此提出了一种时序约束序列测试建模方法。该建模方法中提出了状态转移允许区间,使得可以对转移发生时前一个状态的连续出现次数进行描述。针对目前欠缺能够有效评价测试序列目标覆盖程度的方法的问题,通过引入核函数来评价测试序列的目标覆盖程度对该问题给予了解决。最后利用提出的建模方法对实例进行建模,验证了建模方法的有效性和可行性。(本文来源于《仪器仪表学报》期刊2019年06期)

江雪辰,朱俊澎,袁越,王跃峰,黄阮明[2](2018)在《基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法》一文中研究指出针对现有光伏出力的马尔科夫链模型在原始数据分段和随机抽样方面的不足,文章提出一种基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法。首先引入Davies-Bouldin有效性指标优化模糊C均值聚类(fuzzy Cmean clustering,FCM)法,进行场景划分,形成数据特征更清晰的原始光伏出力序列集合。然后建立不同场景的光伏出力状态转移矩阵,通过马尔科夫链蒙特卡洛法生成光伏出力时间序列,在此过程中,利用Copula理论进行条件概率抽样生成下一时刻光伏出力状态值,以降低传统蒙特卡洛抽样的随机性。实际算例表明,文章所提方法生成的光伏出力时间序列不仅在数据的概率统计特性方面比现有的模型结果更精确,而且更好地保留了原始序列的自相关性。(本文来源于《电力建设》期刊2018年10期)

郭添福[3](2018)在《高覆盖度甲基化重测序解析巴马香猪组织和时序特异位点以及基因组全序列关联分析研究F2家系肌纤维性状的遗传机理》一文中研究指出巴马香猪体型小、耐近交,是药理试验、疾病模型构建和异种器官移植的重要模型动物。DNA甲基化在基因的表达调控中发挥着重要作用,是当前的研究热点之一。至今,不同时序年龄巴马香猪不同组织的全基因组高分辨率甲基化研究还未见报道。本试验利用全基因组重亚硫酸盐测序技术研究1岁、4岁和9岁共叁个年龄段巴马香猪公猪的睾丸和肌肉组织,首次以高覆盖度甲基化重测序系统地解析巴马香猪的组织特异和时序特异位点,绘制了巴马香猪睾丸和肌肉组织单碱基高分辨率全基因组甲基化图谱,探讨了DNA甲基化在巴马香猪繁殖功能衰退和肌肉衰老机制,为动物育种和人类医学研究提供重要的理论参考。结果表明,不同年龄段巴马香猪公猪不同组织的全基因组总体甲基化水平约为4.4%,甲基化主要发生在CG环境下,约占70%(mCG/CG),平均占总甲基化水平的89.57%以上(mCG/mG),mCG环境下各染色体的甲基化水平基本一致,CHG和CHH环境的甲基化水平与总体甲基化水平(mC)在不同染色体上的分布趋势一致;各染色体的甲基化水平与染色体长度基本呈反比。不同年龄段、不同组织巴马香猪基因功能区域全基因组甲基化模式相似,基因的内含子区和3’UTR区的甲基化水平最高,5’UTR区最低。不同年龄和不同组织在不同序列环境下的DMRs主要集中在基因间区、基因的内含子区和外显子区,少量分散在其他基因功能区。不同年龄段、不同组织的DMRs长度在各染色体上的分布呈多样性。两种组织的DMRs数量随着年龄的增长呈减少趋势,DMRs的甲基化水平随着年龄的增长先升后降。不同组织间的DMRs数量随着年龄的增长逐渐减少,说明DNA甲基化差异存在时序特异性。不同年龄段睾丸组织的DMRs甲基化水平高于肌肉组织,证实了DNA甲基化存在组织特异性,而且这两种组织间的DMRs甲基化水平差异不随年龄的变化而变化。通过对不同年龄段和不同组织的DMGs进行GO和KEGG分析,富集到了与骨骼肌发育、肌管细胞发育、肌细胞自我调节和甾类激素介导信号等通路。对不同组别DMGs求交集,在肌肉和睾丸组织中我们共鉴定到了3个候选基因:DMD、SGO1和CITED1。对不同组织不同组别的DMGs求交集,得到148个基因,利用STRING数据库进行分析,筛选了4个DMGs:WT1、NCOA1、NR3C1和NEOD4L。这些候选基因可以为后期研究提供重要参考。猪作为人类最主要的肉类来源,研究其肌肉的相关性状,对养猪生产和消费具有重要意义。不同肌纤维类型及其数量显着影响肌肉的色泽、p H值、滴水损失、系水率和嫩度等肉品质性状。本实验室工作团队利用183个微卫星进行了肌纤维性状的全基因组QTL定位,共鉴别出8个基因组显着水平的QTLs,置信区间为11-127c M,在置信区间内包含了成百上千的基因,从中筛选并鉴别因果基因或因果位点已成艰巨挑战。本研究基于前期肌纤维的表型数据、illumina porcine SNP60芯片的基因型数据和已有的重测序数据,采用基因型填充策略对白色杜洛克×二花脸猪资源家系的1020个个体填充到基因组全序列并进行基因组全序列的关联分析,旨在精细定位影响不同肌纤维类型的QTL区域,鉴别影响猪肌纤维类型的关键标记位点并进一步鉴别影响肌纤维类型的因果基因。本研究以19头F0代和98头无亲缘关系个体的深度重测序数据构建基因组全序列单倍型参考库,利用IMPUTE2软件把1020个个体60k芯片单倍型与参考单倍型的LD及IBD关系填充到基因组全序列,共填充了21,624,800个SNPs。经过质控过滤后剩下14,749,450个SNPs,填补精度范围为91%~96%,平均精度为94%。随后利用线性混合模型对其中11项肌纤维表型的100个个体进行基因组全序列的关联分析,共检测出14个分布在14、15和16号染色体的SNPs与I型肌纤维相对面积(I_RA)、单位面积肌纤维根数(FN)和肌纤维总根数(TFN)显着相关。此外,我们在14号染色体上发现同时影响FN和TFN的多效QTL。通过基因筛选,发现3个与FN(ADAM8和BIN1)、TFN(BIN1)和I_RA(FAM105A)最相关的候选基因。本研究采用基因组全序列关联分析定位到3个影响肌纤维类型的QTLs,为下一步在更大样本群中进行重复验证及精细定位肌纤维类型相关基因奠定了坚实基础,为最终优质肉分子育种技术提供了理论依据。(本文来源于《江西农业大学》期刊2018-06-01)

何银川,周翔,邓任锋[4](2018)在《基于执行序列的嵌入式软件时序异常检测探究》一文中研究指出时序特性是嵌入式软件的重要特性,实时嵌入式软件运行的正确性不仅依赖于任务执行结果,更依赖于任务执行时间。执行任务往往具有多个时间约束,且相互之间可能存在制约关系,对时间约束进行验证和确认是嵌入式软件测试过程中一个非常重要问题,因而文章提出了一种基于执行片段的嵌入式软件时序特性检测方法,简单地说,即通过执行片段对软件的时序进行特性检测。(本文来源于《无线互联科技》期刊2018年10期)

赵益[5](2018)在《多时间序列上时序关联规则的挖掘》一文中研究指出随着物联网和无线传感器网络的发展,越来越多的传感器被部署到了生产和生活中。由无线传感器产生的大量时间序列数据伴随而来,这对于大多数制造类企业来说是一个机遇,也是一个挑战。蕴含在这些时序数据中潜在的知识能否被充分的挖掘和利用成为了很多企业决策者和工程师们当下正在考虑的问题。据某大型汽车零配件生产商的工程师所言,这些部署在工厂机械设备上的传感器产生的数据为其了解设备的运转状态,检测设备的故障等问题提供了重要的依据。因此,多个传感器产生的多时间序列数据上的时序关联规则是一个值得研究的问题。本文旨在从传感器产生的多时间序列数据中挖掘时序关联规则,而不是经典关联规则,这在时间序列数据背景下显得更有意义。然而,经典的关联规则挖掘算法仅适用于事务数据集,并不适用于时间序列数据的挖掘。在分析和研究了多个算法之后,发现Apriori算法可以通过扩展然后用于时间序列数据的挖掘。但Apriori算法每次在计算候选频繁模式的支持度计数时需要扫描整个数据集,这使得该算法效率很低。本文提出的Improved-Apriori算法通过位置列表计算的方式避免了对数据集的重复扫描,提高了Apriori算法的效率。通过在14个传感器产生的时间序列数据集上进行实验,并与使用Apriori算法的实验进行对比,说明了该算法比Apriori算法效率更高。针对挖掘到的时序关联规则中存在大量冗余规则、规则数量庞大等问题,本文在常规的时序关联规则挖掘流程中加入了模式的剪枝和聚类步骤。模式剪枝和聚类之后,本文挖掘模式聚簇之间的时序频繁模式,最终根据这些时序频繁模式产生时序关联规则。通过实验并对比结果,说明了剪枝和聚类步骤在降低规则数量、提升挖掘效率等方面起到了明显的作用。最后本文对挖掘到的时序关联规则进行了分析和评估,证明了这些规则的兴趣度较高,并通过对部分规则进行展示和分析说明了其对机械故障预测的意义重大。(本文来源于《东华大学》期刊2018-05-01)

晏力[6](2017)在《基于时序数据的top-k时间区间对比序列模式挖掘算法》一文中研究指出随着物联网技术的发展,现在越来越多的传感器被应用于人们的生活中,由此产生大量的时间序列数据。正是因为数据的爆炸式增长,人们迫切地希望从大量时间序列数据中发现有用的模式。目前已经有大量的序列模式分析算法应用到时序数据上。设计并实现一个应用到时序数据的top-k时间区间对比挖掘算法。(本文来源于《现代计算机(专业版)》期刊2017年09期)

王博,白晓颖,陈文光,SONG,Xiaoyu[7](2017)在《基于执行序列的嵌入式软件时序异常检测》一文中研究指出时序特性是嵌入式软件的重要特性,实时嵌入式软件运行的正确性不仅依赖于任务执行结果,更依赖于任务执行时间.执行任务往往具有多个时间约束,且相互之间可能存在制约关系,对时间约束进行验证和确认是嵌入式软件测试的一个重要问题.文中提出一种基于执行片段的嵌入式软件时序特性检测方法(Trace-Based Temporal Defect Detection,TBTDD).一方面,基于扩展语义接口自动机(Extended Semantic Interface Automata,ESIA)模型,刻画嵌入式软件时序特性需求,分析不同时间约束间存在的相关关系类型,并提出基于相关矩阵的相关时间约束识别算法;另一方面,在目标软件运行环境中提取包含时间信息的执行片段,通过执行片段与时间约束模型的匹配,依据预先制定的时序特性检测准则,检验执行序列是否满足模型中各项独立和相关时间约束的要求,进而发现被测软件中存在的时序缺陷.实验以卫星定位系统软件为例进行建模与缺陷检测,并在执行片段集和缺陷检测能力等方面进行了对比分析.实验表明,该方法可有效检测软件运行过程中存在的各类异常时序,提高了软件时序测试的有效性和充分性.(本文来源于《计算机学报》期刊2017年12期)

史苇杭,林楠[8](2016)在《一种联合的时序数据特征序列分类学习算法》一文中研究指出针对时序数据特征学习中特征序列占用空间大和运算复杂度高的问题,提出一种联合学习特征序列和分类参数的分类算法。对时序数据进行特征变换后,采用线性分类器从最小距离矩阵中学习模型参数,以预测目标变量。在目标函数中,对分类预测的损失函数和分类器的线性权重进行联合学习,并利用随机梯度下降法求解优化问题。实验结果表明,与F-Stat和表达式变换方法相比,该算法在保持较少运算时间的前提下,具有较高的分类预测准确率。(本文来源于《计算机工程》期刊2016年06期)

谭璐维[9](2016)在《序列模式挖掘高效算法及其在股票时序中的应用》一文中研究指出数据挖掘通常结合统计、机器学习、情报检索、专家系统以及模式识别等方式,用来进行数据库和人工智能等方面的研究,并获得了相当大的进展。关联规则分析是指在交易数据库中发现不同事务间的联系规则,并利用发现的关联规则帮助人们在市场运作中、决策支持中以及商业管理等方面提供有效的信息,因此关联规则在实际应用中覆盖面十分广泛,并在数据挖掘中占有比较重要的地位。随着中国市场经济的不断发展以及证券市场的规模的不断增强,股票市场在中国经济生活中的作用日益增强。由于市场中的股票数据的规模较为繁多,股票的价格规律表现的不明显,只是隐藏在数以千计的交易数据库中。因此,如何对这些交易历史数据进行充分地利用,并利用关联规则的挖掘方法来发现隐藏在数据背后的规则,这对人们对股市的预测与投资提供了有利的价值,关联规则挖掘算法的应用领域的研究与探索也变得很有意义。本文在介绍了数据挖掘与关联规则的基本理论与研究现状的知识背景下,结合股票挖掘的时序特点与需求,引出了带有时间因素的序列模式规则挖掘的定义。针对关联规则经典算法Apriori算法的瓶颈问题以及序列模式挖掘的传统的窗口滑动技术的不足,提出了序列模式下的优化改进算法,不仅在算法上提高了效率和减轻了空间负担,并且采用模式约束以及兴趣度约束来筛选用户感兴趣并且有意义的规则,这样的规则对于投资决策更有价值。最后,将序列模式的优化算法应用于2013-2015两年时间段的股票挖掘,并将前后时间内的股票板块联动的规则进行对比,规则的结果与当时的市场政策结合分析,解释了规则的有效性与算法的优化性,同时对后期的投资分析具有一定参考价值。(本文来源于《湖南师范大学》期刊2016-05-01)

何洋[10](2015)在《金融时间序列的时序性特点分析及相应的风险测度方法研究》一文中研究指出金融时间序列的风险测度一直是金融学研究的热点,自马科维茨提出均值-方差来度量金融风险,风险测度的研究得到了长久发展。出现了很多度量金融时间序列风险的指标,如Va R,CVa R等。对于这些风险度量指标,无论是方差、Va R还是CVa R,在计算过程中均使用方差来表征时间序列的波动性和不确定性,得到的风险值同时间序列的排序大多无关。而本文经论证得出金融时间序列的风险与序列排序是有关系的,即有时序性,用方差表征时间序列的波动性和不确定性有局限性。国内外学者对于时间序列风险的时序性特点研究较少,目前尚未有系统阐述时序性特点的研究。为此,本文研究分析了金融时间序列风险的时序性特点,对不同的时间序列的波动性和不确定性进行了研究分析。针对如何将时序性特点引入到金融时间序列的风险计算中的问题,本文分别采用两种方法进行研究。第一种方法是设计时序性指标——时序方差TV2代替方差来描述时间序列的不确定性和波动性,从而将时序性引入到风险值的计算中;第二种方法是建立ARMA-GARCH模型计算得到条件方差,进而计算时间序列的风险值。本文采用CVa R值来表征金融时间序列的风险,并选择蒙特卡洛模拟法作为计算方法。针对样本数据分布呈现的尖峰厚尾特性选择GED分布运用到蒙特卡洛模拟法中。利用本文提出的两种方法对CVa R值的计算进行优化,建立时序性CVa R,称为T-CVa R,并与蒙特卡洛模拟法相结合分别建立了TV-MC模型和ARMA-GARCH-MC模型。为验证本文建立的两种模型,选取2010年2月4日至2015年3月5日的上证综合指数的日收盘指数为研究对象进行了实证分析,并与未进行时序调整的传统计算模型的结果进行比较。结果表明,经过时序性调整后的两种模型结果均优于未经时序调整的结果。对结果分析得到两种模型存在不同的局限性,因此本文将两种模型结合建立了ARMA-TV-GARCH-MC模型,并得到了更加理想的结果。(本文来源于《哈尔滨工业大学》期刊2015-06-01)

时序序列论文开题报告

(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:

针对现有光伏出力的马尔科夫链模型在原始数据分段和随机抽样方面的不足,文章提出一种基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法。首先引入Davies-Bouldin有效性指标优化模糊C均值聚类(fuzzy Cmean clustering,FCM)法,进行场景划分,形成数据特征更清晰的原始光伏出力序列集合。然后建立不同场景的光伏出力状态转移矩阵,通过马尔科夫链蒙特卡洛法生成光伏出力时间序列,在此过程中,利用Copula理论进行条件概率抽样生成下一时刻光伏出力状态值,以降低传统蒙特卡洛抽样的随机性。实际算例表明,文章所提方法生成的光伏出力时间序列不仅在数据的概率统计特性方面比现有的模型结果更精确,而且更好地保留了原始序列的自相关性。

(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。

时序序列论文参考文献

[1].盛云龙,魏长安,刘玉奇,姜守达.时序约束条件下序列测试建模方法[J].仪器仪表学报.2019

[2].江雪辰,朱俊澎,袁越,王跃峰,黄阮明.基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法[J].电力建设.2018

[3].郭添福.高覆盖度甲基化重测序解析巴马香猪组织和时序特异位点以及基因组全序列关联分析研究F2家系肌纤维性状的遗传机理[D].江西农业大学.2018

[4].何银川,周翔,邓任锋.基于执行序列的嵌入式软件时序异常检测探究[J].无线互联科技.2018

[5].赵益.多时间序列上时序关联规则的挖掘[D].东华大学.2018

[6].晏力.基于时序数据的top-k时间区间对比序列模式挖掘算法[J].现代计算机(专业版).2017

[7].王博,白晓颖,陈文光,SONG,Xiaoyu.基于执行序列的嵌入式软件时序异常检测[J].计算机学报.2017

[8].史苇杭,林楠.一种联合的时序数据特征序列分类学习算法[J].计算机工程.2016

[9].谭璐维.序列模式挖掘高效算法及其在股票时序中的应用[D].湖南师范大学.2016

[10].何洋.金融时间序列的时序性特点分析及相应的风险测度方法研究[D].哈尔滨工业大学.2015

标签:;  ;  ;  ;  

时序序列论文-盛云龙,魏长安,刘玉奇,姜守达
下载Doc文档

猜你喜欢