导读:本文包含了非线性因子论文开题报告文献综述及选题提纲参考文献，主要关键词:鲸鱼算法,收敛因子,局部扰动,粒子群算法
非线性因子论文文献综述
于俊洋,高宁杰,李涵[1]（2019）在《基于非线性收敛因子和局部扰动的鲸鱼算法》一文中研究指出为提高鲸鱼算法的收敛速度和寻优精度,提出一种基于非线性收敛因子和局部扰动的鲸鱼优化算法。引入非线性收敛因子,提高鲸鱼种群的多样性,扩大鲸鱼搜索食物的范围;在鲸鱼包围捕食阶段,采用一种局部扰动策略,使算法在跳出局部极值时的能力增强,提高算法的寻优精度。实验结果表明,改进后算法和粒子群算法、蝙蝠算法、基本鲸鱼算法相比,寻优速度、收敛精度、算法稳定性方面更优。(本文来源于《计算机工程与设计》期刊2019年10期）
杨明高,尹亚华,刘荣芹[2]（2019）在《羊群效应的异质性研究——基于财务因子与非线性结构的面板实证》一文中研究指出羊群效应是我国股票市场长期存在的一种现象,对此研究有助于风险管理、促进金融理论与实践有效结合。本文基于噪声交易理论和Fama叁因子理论构造多个平行的资产组合的面板数据,实现了对羊群效应的更精准、稳健的检验。研究发现:羊群效应的非线性特征与多市场共振有关,并验证财务因子对羊群效应有抑制作用。本文的创新点是:(1)将投资者异质性引入对羊群效应的研究;(2)创新性地通过面板数据对羊群效应进行实证,其检验方法具有更高的稳健性,规避了传统研究人为划分样本时间区间等不严格的方法。本文的研究成果不仅丰富了金融市场风险管理理论,也为倡导理性投资提供了实证依据。(本文来源于《财经科学》期刊2019年09期）
苏宇甜,张建华[3]（2019）在《因子von Neumann代数上的非全局非线性Lie叁重可导映射》一文中研究指出设M是Hilbert空间H上维数大于1的因子von Neumann代数,用代数分解方法证明了:如果非线性映射δ:M→M满足对任意的A,B,C∈M且ABC=0,有δ([[A,B],C])=[[δ(A),B],C]+[[A,δ(B)],C]+[[A,B],δ(C)],则存在可加导子d:M→M,使得对任意的A∈M,有δ(A)=d(A)+τ(A)I,其中τ:M→瓘I是一个非线性映射,满足对任意的A,B,C∈M且ABC=0时,有τ([[A,B],C])=0.(本文来源于《吉林大学学报(理学版)》期刊2019年04期）
周游,张建华[4]（2019）在《因子冯诺依曼代数上的第二类非线性混合Lie叁重导子（英文）》一文中研究指出设M是一个维数大于1的因子冯诺依曼代数,且L:M→M是一个第二类非线性混合Lie叁重导子,即对任意的A,B,C∈M满足L([[A,B],C]_*)=[[L(A),B],C]_*+[[A,L(B)],C]_*+[[A,B],L(C)]_*.则L是一个可加的*-导子.(本文来源于《数学进展》期刊2019年04期）
郭赛,吴伶[5]（2019）在《基于气象因子的烟草普通花叶病毒非线性预测模型》一文中研究指出研究烟草病害预测方法,可提前预警病害的发生,为制定综合治理方案以及农药合理施用方案等提供有效指导。研究首先引入非线性关联测度方法(Maximal information coefficient, MIC),并以此筛选与烟草普通花叶病毒病相关的气象因子;进一步以支持向量机(Support Vector Machine,SVM)多轮末位汰选进行自变量精细筛选;然后以地统计学(Geostatistics,GS)确定公用变程;对每一个预测样本都从训练集中找出距离小于公用变程的k个近邻,以SVR训练建模完成个体化预测。结果表明:基于k近邻的预测模型独立测试结果明显优于基于全部训练样本参与的预测模型的独立测试精度,且基于私有最近邻样本的个性化预测模型结果最优。(本文来源于《湖南农业科学》期刊2019年06期）
周游,张建华[6]（2019）在《因子冯诺依曼代数上保持混合Lie叁重ξ-积的非线性映射》一文中研究指出设M和N是2个维数大于1的因子冯诺依曼代数,对于任意一个保持混合Lie叁重ξ-积(ξ≠1)的双射Φ:M→N,均有如下形式:A→εΨ(A),其中ε∈{1,-1},Ψ:M→N。并且有,当ξ∈R时,Ψ是一个线性或共轭线性*-同构;当ξ∈CR时,Ψ是一个线性*-同构。(本文来源于《山东大学学报(理学版)》期刊2019年06期）
梁耀仙,张建华[7]（2019）在《因子von Neumann代数上的非线性混合Lie叁重可导映射》一文中研究指出本文通过经典的可导映射,运用矩阵分块的方法,证明了因子von Neumann代数■上的每一个非线性混合Lie叁重可导映射都是可加的*-导子.(本文来源于《数学学报(中文版)》期刊2019年01期）
刘树聃[8]（2019）在《基于多重渐消因子强跟踪非线性滤波的故障参数联合估计》一文中研究指出为改进故障参数估计的精度和鲁棒性,提出基于多重渐消因子强跟踪七阶容积卡尔曼滤波(MST7thCKF)的故障参数联合估计算法。算法将故障参数扩展至状态向量,实现状态和故障参数联合滤波。然后,将多重渐消因子强跟踪滤波(MSTF)引入七阶容积卡尔曼滤波(7thCKF)的框架中,改进7thCKF在故障参数变化函数未知或者发生突变时的鲁棒性,提高故障参数的估计精度。仿真结果表明,相比MSTF均方根容积卡尔曼滤波(MSTSCKF)和7thCKF,所提算法具有更好估计精度。(本文来源于《电子测量与仪器学报》期刊2019年01期）
王涛,Ryad,Chellali[9]（2019）在《非线性权重和收敛因子的鲸鱼算法》一文中研究指出针对鲸鱼优化算法收敛速度慢,收敛精度低等问题,提出一种基于非线性收敛因子和惯性权重的鲸鱼优化算法.首先使用改进后的Logistic混沌映射来初始化种群,增加种群多样性.然后将线性变化的收敛因子改进为一种分段式非线性收敛因子,同时增加了非线性惯性权重来增强算法的勘探和开发能力.最后选取7个基准函数进行测试,实验表明改进后算法收敛速度快、精度高.(本文来源于《微电子学与计算机》期刊2019年01期）
贾明秀,黄六一,褚建伟,刘长东[10]（2019）在《基于GAM和GWR模型分析环境因子对南极磷虾资源分布的非线性和非静态性影响》一文中研究指出分析南极磷虾分布与环境因子的非线性和空间非静态性关系,对南极磷虾的高效捕捞和管理具有重要意义。本研究基于"龙腾"船2015、2016年在南设得兰群岛捕捞作业的渔捞日志数据,应用广义加模型(Generalized additive model,GAM)和地理权重回归模型(Geographical weighted regression,GWR)探究南极磷虾(Euphausia superba)渔场分布与环境因子的非线性和空间非静态性关系,并比较这2种模型的模拟性能,为南极磷虾的渔场渔情预报、资源评估和渔业管理提供基础数据。GAM模型结果显示,2015、2016年单位捕捞努力量渔获量(Catch per unit effort, CPUE)与作业水深均呈显着负相关关系(P<0.01),表明在作业水深范围内,南极磷虾在较浅水域集群密度较高;2015年CPUE与表层水温呈显着正相关关系(P<0.01),但在2016年呈显着负相关关系(P<0.01),推测是由于2年调查作业位置不同所致;CPUE与离岸距离关系不显着(P≥0.05)。GWR模型结果显示,作业水深对CPUE的影响无显着的空间变化(P>0.05);海水表温和离岸距离对CPUE的影响具显着的空间变化(P<0.01),表明这2个因子对南极磷虾渔场分布的影响在空间上不连续,存在显着空间非静态性。GAM模型可用于研究资源分布与驱动因子的一般规律;GWR模型作为全局回归模型的有效补充,可用于探究一般规律不适合的特殊区域,便于发现资源分布的"热点"区域,未来在海洋生物资源分布研究中将有广阔的应用前景。(本文来源于《中国海洋大学学报(自然科学版)》期刊2019年08期）
非线性因子论文开题报告
（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：
羊群效应是我国股票市场长期存在的一种现象,对此研究有助于风险管理、促进金融理论与实践有效结合。本文基于噪声交易理论和Fama叁因子理论构造多个平行的资产组合的面板数据,实现了对羊群效应的更精准、稳健的检验。研究发现:羊群效应的非线性特征与多市场共振有关,并验证财务因子对羊群效应有抑制作用。本文的创新点是:(1)将投资者异质性引入对羊群效应的研究;(2)创新性地通过面板数据对羊群效应进行实证,其检验方法具有更高的稳健性,规避了传统研究人为划分样本时间区间等不严格的方法。本文的研究成果不仅丰富了金融市场风险管理理论,也为倡导理性投资提供了实证依据。
（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。
非线性因子论文参考文献
[1].于俊洋,高宁杰,李涵.基于非线性收敛因子和局部扰动的鲸鱼算法[J].计算机工程与设计.2019
[2].杨明高,尹亚华,刘荣芹.羊群效应的异质性研究——基于财务因子与非线性结构的面板实证[J].财经科学.2019
[3].苏宇甜,张建华.因子vonNeumann代数上的非全局非线性Lie叁重可导映射[J].吉林大学学报(理学版).2019
[4].周游,张建华.因子冯诺依曼代数上的第二类非线性混合Lie叁重导子（英文）[J].数学进展.2019
[5].郭赛,吴伶.基于气象因子的烟草普通花叶病毒非线性预测模型[J].湖南农业科学.2019
[6].周游,张建华.因子冯诺依曼代数上保持混合Lie叁重ξ-积的非线性映射[J].山东大学学报(理学版).2019
[7].梁耀仙,张建华.因子vonNeumann代数上的非线性混合Lie叁重可导映射[J].数学学报(中文版).2019
[8].刘树聃.基于多重渐消因子强跟踪非线性滤波的故障参数联合估计[J].电子测量与仪器学报.2019
[9].王涛,Ryad,Chellali.非线性权重和收敛因子的鲸鱼算法[J].微电子学与计算机.2019
[10].贾明秀,黄六一,褚建伟,刘长东.基于GAM和GWR模型分析环境因子对南极磷虾资源分布的非线性和非静态性影响[J].中国海洋大学学报(自然科学版).2019