导读:本文包含了离散化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:Flou数,离散化,连续型因素,Flou集
离散化算法论文文献综述
蒲凌杰,曾繁慧,郭嗣琮[1]（2019）在《2-Flou数的因素值离散化算法》一文中研究指出针对等区间离散化方法的刚性划分问题,提出一种具有柔性的2-Flou数因素值离散化算法.利用提出的2-Flou数理论及其连接算法,采用双参数调节策略和四元组表示策略,对给定连续型数据进行柔性离散化.以iris数据集为例进行离散化实验,实验过程简单、结果符合预期.结果表明:2-Fou数的离散化方法比经典等区间离散化法更有柔性,比模糊区间离散化法表达更简单,是一种更有效的离散化方法.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2019年06期）
周雪松,张少伟,马幼捷,高志强[2]（2019）在《现代电力系统中的离散化算法研究》一文中研究指出在现在的电力系统中,其包含数据量越大,而现代电力系统分析中又经常要求实时性与准确性,所以对高性能的离散化算法的需求也日益突出,要想从大量的电气参数中寻找到一些特征与规律,就必须首先经过离散化算法进行计算,对数据源进行处理,才能更快更好地获得数据源中蕴含的一些规律.本文从电力系统分析中常用的龙格库塔法入手,首先对其进行分析,指出其缺点并进行简化.然后,针对于电力系统中常用的PID控制策略,将该方法与PID控制策略融合,给出了其表达式.最后,对该方法进行仿真与算例分析,验证了该方法的优越性.(本文来源于《天津理工大学学报》期刊2019年02期）
张少伟[3]（2019）在《基于龙格库塔法与CAIM法的电力系统离散化算法的研究与改进》一文中研究指出随着现代电力系统中智能电网的建设和电力物联网的发展,大量连续型电网监测设备的数据给传统的属性离散化方法带来了极大的挑战,因此如何提高海量连续型电网监测设备数据的离散化效率,在如此庞大的数据中寻找所需的数据,从而进行故障预测、稳定性分析等,就成为了一个亟需解决的问题。电力系统中大部分数据都是连续属性的数据,所以针对于电力系统中连续属性的数据的离散化算法就越来越重要。离散化算法的有效性直接决定了后续机器学习的精度,并且在尽量减少数据的冗余度的同时,也能够减少计算量及内存需求,从而提高算法的运行效率,适用于现代电力系统的实时大数据分析与预测。电力系统中常用龙格库塔离散化方法来进行仿真分析与电网离线安全分析,该方法拥有很高的计算精度,但由于该方法计算量太大,其计算效率已经不满足要求。而CAIM离散化算法是对数据进行预处理时常用的方法之一,该算法计算效率高,离散效果好,适用于大数据的分析。但是该算法本身存在一定的瑕疵,容易出现误差,从而给运算结果带来很大的误差。本文从对电力系统中常用的离散化算法进行改进的角度出发,首先,对常用的龙格库塔法进行了数学分析,指出了其在运算中存在的重复性计算过程,并针对这一缺点对其进行了简化,并得到简化后的运算公式。结合电力系统中常用的PID控制策略,将其与龙格库塔法进行结合,对PID形式的离散化公式进行推导,得到了其运算公式,并对该公式进行了算例分析,证明了该方法在大幅降低了算法的运行时间的基础上,同时拥有很高的精确度与数值稳定性。其次,再对数据源进行优化,利用在从UCI机器学习数据库中获得相关数据后,进而对该组数据进行预处理的思想,通过对CAIM算法进行的运算分析,指出了其在算法运行过程中忽略了对属性权重、数据差异等性质的比较,容易造成较大的运算误差这一缺点,通过对属性权重的数学定义、数据差异的量化等方式,对CAIM离散化算法进行了改进,并通过支持向量机和C4.5决策树对该方法进行实验,证明了该方法在精确度及有效性等方面比传统方法有了大幅的提高。(本文来源于《天津理工大学》期刊2019-03-01）
解士杰,杨顶辉[4]（2018）在《求解SH波方程的极坐标系保辛近似解析离散化算法》一文中研究指出在全球、洲际尺度对速度结构进行反演模拟,对了解地球内部的圈层结构有着重要的意义。而反演模拟通常采用迭代方法,即通过极小化正演方法计算得到的合成地震数据和实际地震数据在某一测度下的距离,对模型进行迭代修正(Fichtner,2008)。所以,使用好的正演算法可以有效提高反演的速度和精确度。在大尺度模拟中,使用球坐标系较为方便。因为,如果使用平面直角坐标系,矩形网格的边界和(本文来源于《2018年中国地球科学联合学术年会论文集（二十）——专题41：地幔地球化学与镁铁质-超镁铁质岩石成因、专题42：地震波传播与成像》期刊2018-10-21）
张婧,曹峰,唐超[5]（2018）在《基于遗传算法和变精度粗糙集的离散化算法》一文中研究指出目前常用的离散算法多为单属性离散化算法.利用该类算法对多维连续属性进行离散化时,逐次对单个属性进行离散化,割裂了多维属性之间的关系.基于此提出了一种基于遗传算法和变精度粗糙集的多属性离散化算法.该算法基于变精度粗糙集所具有的较好数据分类容错和抗噪能力,通过变精度粗糙集近似分类精度建立遗传算法适宜度评价函数,并利用遗传算法在多维连续属性候选断点集上寻找最优断点子集.基于UCI数据集比较了所提算法与多种常用的离散化算法的差异,实验结果表明,该算法可以获得相对较好的离散化效果.(本文来源于《华中师范大学学报(自然科学版)》期刊2018年03期）
吴辰文,郭叔瑾,李晨阳[6]（2018）在《结合高斯混合模型的关联分类离散化算法研究》一文中研究指出大多数以规则为基础的分类不能直接处理像血压这一类连续数据.离散化数据预处理可以将连续的数据转变成分类格式.现有的离散化算法没有考虑到数据集中连续变量的多模态分类密度,这可能会降低以规则为基础的分类器性能.提出一种新的基于高斯混合模型的离散化算法(Discretization Algorithm based on Gaussian Mixture Model,DAGMM),通过考虑连续变量的多峰分布以保留数据的原始模式.DAGMM算法的有效性通过4个公开可用的医疗数据集进行验证.实验结果表明,在产生的规则数和关联分类算法的分类准确度方面,DAGMM算法优于其它6个静态离散化算法.因此,在临床专家系统中运用此方法,有潜力提高以规则为基础的分类器的性能.(本文来源于《小型微型计算机系统》期刊2018年04期）
曹峰,唐超,张婧[7]（2017）在《一种结合二元蚁群和粗糙集的连续属性离散化算法》一文中研究指出离散化是一个重要的数据预处理过程,在规则提取、知识发现、分类等研究领域都有广泛的应用。提出一种结合二元蚁群和粗糙集的连续属性离散化算法。该算法在多维连续属性候选断点集空间上构建二元蚁群网络,通过粗糙集近似分类精度建立蚁群算法适宜度评价函数,寻找全局最优离散化断点集。通过UCI数据集验证算法的有效性,实验结果表明,该算法具有较好的离散化性能。(本文来源于《计算机科学》期刊2017年09期）
李彩凤[8]（2016）在《不平衡数据的离散化算法及其并行化》一文中研究指出随着互联网技术的发展,信息增长速度越来越快,数据挖掘已成为当今的研究热点,不平衡数据分类就是其中一个重要的分支。在知识挖掘之前需要对繁杂的数据进行处理,数据预处理中重要的方法之一就是连续属性的离散化。而现有的绝大多数离散化方法都有一个默认的前提条件:数据集中不同类的样本数大致相同,若将这些算法直接作用到不平衡数据集上,算法都将偏重于拥有多数样本的负类,而容易忽视我们更关心的少数类,无法取得合适的离散化方案,不利于后续的学习。此外,数据规模的不断增加对算法的运行速度也提出了挑战,利用GPU并行计算是解决这类问题的一个新趋势。因此,如何有效离散化不平衡数据和加快算法运行速度是本文的主要研究内容。针对不平衡数据的连续属性离散化问题,本文基于类-属性关联设计了一个新的离散化算法CARU。在分析类与属性的二维量化矩阵后充分考虑数据的分布情况,结合多个离散化标准定义了一个新的离散化准则CARU。利用该离散化准则设计实现了CARU算法。该算法从候选断点集中选取最佳的划分断点,得到较优的离散化方案,更有利于后续的分类学习。同时,分析在不平衡数据预处理中,离散化方法和SMOTE抽样技术组合后对后续分类结果的影响。最后实验结果的非参数检验表明,在36组不平衡数据集上与其他5个经典的离散化方法相比,本文算法更适合用于不平衡数据的连续属性的离散化;不同离散化方法结合SMOTE抽样技术后,本文算法由于选取的断点较合理从而造成的信息损失最少,相比其他离散化算法在后续分类中有更好的性能提升。针对加快CARU算法在处理大规模数据时的运行速度问题,本文基于GPU计算平台实现了并行CARU算法。通过分析CARU算法过程中的几个关键的计算步骤:不同属性值的排序、离散化准则的计算、拥有最大准则值的断点选择,以及不同属性之间的离散化,利用GPU并行计算的优势设计实现了并行CARU算法,此模型可扩展到多个GPU设备上使用。最后基于GPU并行的CARU算法与基于CPU串行的CARU算法的运行时间对比表明,在数据规模较大时,前者运行速度有更大的提升,在最好的情况下,双显卡与24个CPU线程相比,加速比可达6.7。(本文来源于《哈尔滨工业大学》期刊2016-12-01）
董跃华,刘力[9]（2016）在《基于AHTPSO的连续属性离散化算法》一文中研究指出针对粗糙集不能较好地处理连续型属性的问题,结合粗糙集理论和粒子群算法,提出基于自适应混合禁忌搜索粒子群的连续属性离散化算法。首先,该算法通过对参数的自适应更新操作,从而避免了粒子群出现早熟的现象;然后将粒子群当代得到的全局最优粒子送入禁忌算法中进行优化,有效地提升了算法的局部探索能力;在兼顾决策表系统一致性的同时,将划分的断点初始化为一群随机粒子,通过改进后粒子群的自我迭代得到最佳的离散化划分点。实验结果表明,与其他结合粗糙集的离散化算法相比,该算法具有更高的规则分类精度和较少的离散化断点个数,对连续属性的离散化效果较好。(本文来源于《计算机工程与科学》期刊2016年05期）
张瑞友,张辉,黄敏[10]（2016）在《以低碳为目标的集装箱拖车运输问题及其时间窗离散化算法》一文中研究指出研究以低碳为目标的集装箱拖车运输问题.该问题需同时调度隐含的运输资源和具有双重时间窗限制的运输任务.基于扩展的确定的活动在顶点上(DAOV)的图建立该问题的具有双时间窗约束的混合整数非线性规划模型,设计一个基于时间窗离散化的求解算法,并将该模型转化为纯整数线性规划模型.实验结果表明,所提出的方法有很好的求解速度和精度,与给定车辆行驶速度情形的对比进一步验证了所提出模型的有效性.(本文来源于《控制与决策》期刊2016年04期）
离散化算法论文开题报告
（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：
在现在的电力系统中,其包含数据量越大,而现代电力系统分析中又经常要求实时性与准确性,所以对高性能的离散化算法的需求也日益突出,要想从大量的电气参数中寻找到一些特征与规律,就必须首先经过离散化算法进行计算,对数据源进行处理,才能更快更好地获得数据源中蕴含的一些规律.本文从电力系统分析中常用的龙格库塔法入手,首先对其进行分析,指出其缺点并进行简化.然后,针对于电力系统中常用的PID控制策略,将该方法与PID控制策略融合,给出了其表达式.最后,对该方法进行仿真与算例分析,验证了该方法的优越性.
（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。
离散化算法论文参考文献
[1].蒲凌杰,曾繁慧,郭嗣琮.2-Flou数的因素值离散化算法[J].辽宁工程技术大学学报(自然科学版).2019
[2].周雪松,张少伟,马幼捷,高志强.现代电力系统中的离散化算法研究[J].天津理工大学学报.2019
[3].张少伟.基于龙格库塔法与CAIM法的电力系统离散化算法的研究与改进[D].天津理工大学.2019
[4].解士杰,杨顶辉.求解SH波方程的极坐标系保辛近似解析离散化算法[C].2018年中国地球科学联合学术年会论文集（二十）——专题41：地幔地球化学与镁铁质-超镁铁质岩石成因、专题42：地震波传播与成像.2018
[5].张婧,曹峰,唐超.基于遗传算法和变精度粗糙集的离散化算法[J].华中师范大学学报(自然科学版).2018
[6].吴辰文,郭叔瑾,李晨阳.结合高斯混合模型的关联分类离散化算法研究[J].小型微型计算机系统.2018
[7].曹峰,唐超,张婧.一种结合二元蚁群和粗糙集的连续属性离散化算法[J].计算机科学.2017
[8].李彩凤.不平衡数据的离散化算法及其并行化[D].哈尔滨工业大学.2016
[9].董跃华,刘力.基于AHTPSO的连续属性离散化算法[J].计算机工程与科学.2016
[10].张瑞友,张辉,黄敏.以低碳为目标的集装箱拖车运输问题及其时间窗离散化算法[J].控制与决策.2016