导读:本文包含了最大向量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:向量,参变量,样本,算法,稳定性,最小,测试。
最大向量论文文献综述
卢美华,肖莉娜,左勇华[1]（2019）在《向量参变量的约束集族最大元的通有稳定性》一文中研究指出利用集值映射方法定义约束广义最大元,在约束条件和向量参变量意义下,讨论了约束最大元映射、向量参数扰动时,特别是约束条件受到扰动时,向量参变量的约束集族最大元的通有稳定性,在最广的扰动下,获得了通有稳定性定理.(本文来源于《数学的实践与认识》期刊2019年13期）
黄巧义,张木,李苹,付弘婷,黄旭[2]（2019）在《支持向量机和最大类间方差法结合的水稻冠层图像分割方法》一文中研究指出针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显着受光强条件影响,随着光强强度的提高而显着降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。(本文来源于《中国农业科技导报》期刊2019年04期）
何舟,朱锦峰,贾耀坤,潘俊文,于美丽[3]（2019）在《LSSVM输入向量对夏季日最大负荷预测准确率的影响》一文中研究指出以某地区为例,分析了LSSVM输入向量维数及长度对夏季日最大负荷预测准确率的影响。输入向量的设置考虑了气象因素对夏季日最大负荷的实时、综合和累积等方面的影响,以及负荷对气象敏感程度随时间的变化。(本文来源于《电气时代》期刊2019年02期）
卢美华,危子青,左勇华[4]（2018）在《向量参变量的集族最大元的稳定性》一文中研究指出在通有稳定性的方法体系下(Usco方法),本文引入向量参变量并利用集值映射方法定义广义最大元,刻画了集族最大元特有属性,讨论了最大元映射和向量参数扰动时,向量参变量的集族最大元的通有稳定性。发现了集合族公共元具有良好的性质,其交运算具有通有稳定性,并发现了向量参变量的集族最大元的稳定性。(本文来源于《南昌大学学报(理科版)》期刊2018年05期）
卢美华,王清玲,左勇华[5]（2018）在《约束广义最大元下向量支付弱Pareto-Nash均衡的存在性》一文中研究指出利用广义最大元方法研究向量支付弱Pareto-Nash均衡的存在性,得到了约束广义最大元对策均衡的存在性定理,该定理剔除了具体支付函数,其中偏好也不一定蕴含传递性,广义最大元对策拓宽了均衡存在性的研究内容.(本文来源于《江西师范大学学报(自然科学版)》期刊2018年05期）
曾耀平[6]（2018）在《基于最大特征向量的改进TOPS算法》一文中研究指出宽带投影子空间正交性测试法(TOPS)算法利用带宽内多个频点的信号子空间和噪声子空间的正交性完成波达方向(Direction of Arrival,DOA)估计。但该方法对参考频点较为敏感,不合适的参考频点会带来伪峰,且TOPS算法需要对宽带信源数目进行预估。为解决此难题,提出一种改进算法。该方法通过对各频点的阵列协方差矩阵进行特征分解,选择最大特征值对应的向量矩阵作为估计的Signal Subspace,无需信源数目的先验信息就可实现宽带信号的DOA估计。改进算法同时也克服了TOPS算法只适合中等信噪比的缺点,算法稳健性高,通用性好,仿真结果验证了算法的有效性。(本文来源于《微处理机》期刊2018年04期）
贺国伟[7]（2017）在《基于支持向量机的黄土矿区最大下沉预计模型》一文中研究指出煤炭开采引起地表沉陷变形,其中最大下沉值是衡量地表沉陷变形的关键指标之一。在开采沉陷中采深、采高、煤层倾角、覆岩硬度和工作面倾向和走向长度等因素对最大下沉值有重要影响。黄土矿区的地表最大下沉值还须顾及黄土层厚度与特性等的影响。这些因素与地表最大下沉之间存在复杂的非线性关系,已有的最大下沉预计函数模型无法准确地反映这种复杂的非线性特征,因而预计精度和适用范围均具有很大的局限性。支持向量机可通过核函数将样本空间维数映射到一个维数足够高的特征空间中,把复杂的非线性问题变成线性问题。支持向量机还有惩罚机制对粗差数据进行自动剔除,保证了模型的精度和可靠性,可为本文建立黄土矿区最大下沉预计模型提供有效手段。本文根据支持向量机原理及特点归纳出最大下沉预计模型的构建步骤,依据该步骤先采用交叉验证法确定了模型的惩罚参数和核函数参数;再用迭代方法筛选样本,取得最佳样本,用该样本进行模型训练,确定预计模型的支持向量个数及系数等参数,最终构建了支持向量机回归模型。再根据建模流程,基于MATLAB平台的脚本语言开发了可视化程序,实现了模型训练与应用过程的封装,以简洁、易懂的界面形式供用户操作。将支持向量机回归模型与已有的最大下沉预计模型进行了对比分析,发现支持向量机回归模型的精度和可靠性优于其它函数模型。为进一步揭示模型变量间的变化规律,分别取输入变量的不同值,研究它们与最大下沉值之间的关系。结果表明:最大下沉值对采高、岩层硬度和煤层倾角这叁个输入变量的敏感性要高于其它变量。另外,对预计精度高的和预计偏差较大的样本进行了分析,发现预计偏差较大的样本其宽深比和土厚比分别都小于0.3和0.35。反之,预计精度高的样本的宽深比和土厚比至少有一个在0.4-0.5 以上。本文构建的支持向量机回归模型可用于黄土矿区地表最大下沉值的定量预计,具有一定的推广应用价值。(本文来源于《西安科技大学》期刊2017-06-01）
杨茂,张强[8]（2017）在《基于最大相关最小冗余相关向量机的风电功率缺失数据补齐研究》一文中研究指出首先分析得出与功率有关的变量,然后根据互信息理论对变量通过最大相关最小冗余的原则进行特征选取,挖掘特征与功率之间的联系,最后根据这种联系对功率数据进行补齐。利用该方法对吉林省某风电场进行算例验证,结果表明,随机缺失的数据补齐之后的准确率高于连续缺失后补齐的结果,而且基于相关向量机模型补齐的输出功率的结果误差减小,准确率提高。(本文来源于《太阳能学报》期刊2017年04期）
詹文法,赵士钰[9]（2016）在《最大近似相容的分组测试向量相容压缩方法》一文中研究指出针对长度过长的测试向量之间相容压缩的压缩效果不佳的问题,为了提高测试向量间的相容性,提出了最大近似相容的分组测试向量相容压缩方法。首先将测试向量按相同的数据块长度划分为若干组,然后提出对分组测试向量进行最大近似相容性的重排序,将测试集分为两个集合:已排序集合和未排序集合。先将确定位最多的测试向量作为已排序集合的首个测试向量,再对已排序集合的最后一个测试向量和未排序集合的所有测试向量进行近似相容性比较,将在未排序集合中与其近似相容性最大的测试向量依次插入到已排序集合中,直至重新排序完毕;最后,将重排序的测试向量编码压缩,每个测试向量都要存放两次,一次是源数据存入RAM存储器中以备下一测试向量参考,另一次是将压缩后的数据存入ATE中,第一个测试向量比较特殊,是将源数据不作处理分别存入ATE和RAM中。该方法使得不相容的测试向量能达到最大程度的近似相容,从而提高了测试向量之间相容压缩的压缩效果;且对测试向量间的重排序不影响故障覆盖率,且是在离线情况下实施,因此不影响测试时间。对ISCAS’89标准电路进行试验,与其他编码方案对比,证实方案可行有效,而且硬件结构简单。(本文来源于《电子测量与仪器学报》期刊2016年12期）
吴燕平[10]（2016）在《半监督最小最大模块化支持向量机研究》一文中研究指出最小最大模块化支持向量机(M3-SVM)是一种可以有效处理大规模数据分类问题的有监督集成学习算法。然而,对大规模数据进行标注是“昂贵的”,甚至是不可行的。为了将最小最大模块化支持向量机拓展以处理那些未标记数据,本文将最小最大模块化支持向量机和半监督学习相结合进行研究。本文研究的内容主要包含以下两个部分,一方面是提出一种半监督最小最大模块化支持向量机(SS-M3-SVM)算法。在SS-M3-SVM算法中,首先对有标记数据集和未标记数据集进行任务划分,然后将有标记样本子集和未标记样本子集两两结合,形成多个新的训练子集,并在这些训练子集中探索其中包含的隐藏变量。在求取了隐藏变量之后,将隐藏变量对有标记样本的后验概率作为有标记样本的新特征,这样新特征中包含了未标记样本的一些判别信息。最后在包含了新特征的有标记样本子集上分别训练支持向量机(SVM)分类器,并按照最小最大规则集成实现半监督最小最大模块化支持向量机。另一方面,在半监督最小最大模块化支持向量机算法的基础上,从未标记数据抽取以及未标记样本和有标记样本关联矩阵的角度,提出了基于抽取策略的半监督最小最大模块化支持向量机(Boost-M3-SVM)算法。与半监督最小最大模块化支持向量机不同的是,其训练子集中的未标记数据是通过抽取而不是任务划分获得的并且其有标记样本和未标记样本的关联矩阵采用相似性度量而不是距离度量。实验证明半监督策略能够有效提升传统最小最大模块化支持向量机的学习能力。(本文来源于《南京邮电大学》期刊2016-11-18）
最大向量论文开题报告
（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：
针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显着受光强条件影响,随着光强强度的提高而显着降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。
（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。
最大向量论文参考文献
[1].卢美华,肖莉娜,左勇华.向量参变量的约束集族最大元的通有稳定性[J].数学的实践与认识.2019
[2].黄巧义,张木,李苹,付弘婷,黄旭.支持向量机和最大类间方差法结合的水稻冠层图像分割方法[J].中国农业科技导报.2019
[3].何舟,朱锦峰,贾耀坤,潘俊文,于美丽.LSSVM输入向量对夏季日最大负荷预测准确率的影响[J].电气时代.2019
[4].卢美华,危子青,左勇华.向量参变量的集族最大元的稳定性[J].南昌大学学报(理科版).2018
[5].卢美华,王清玲,左勇华.约束广义最大元下向量支付弱Pareto-Nash均衡的存在性[J].江西师范大学学报(自然科学版).2018
[6].曾耀平.基于最大特征向量的改进TOPS算法[J].微处理机.2018
[7].贺国伟.基于支持向量机的黄土矿区最大下沉预计模型[D].西安科技大学.2017
[8].杨茂,张强.基于最大相关最小冗余相关向量机的风电功率缺失数据补齐研究[J].太阳能学报.2017
[9].詹文法,赵士钰.最大近似相容的分组测试向量相容压缩方法[J].电子测量与仪器学报.2016
[10].吴燕平.半监督最小最大模块化支持向量机研究[D].南京邮电大学.2016
论文知识图
