一、EM算法及其加速(论文文献综述)
周松[1](2021)在《电能表检定数据的高阶统计量分析与家族特征识别》文中认为电量计费是我国电力经济中的重要一环,电能表作为用户与供电企业电力贸易中的电能计量器具,其计量的结果是电力贸易结算的重要依据。计量准确的电能表对利于维护供用电双方利益、减少经济纠纷和保证交易的公平性。而市面上的电能表生产厂家众多,由于不同厂家在生产电能表的过程中表计内部电子器件的选择、电路设计、制造工艺等方面的不同导致电能表的计量准确性出现差异。在此背景下,本文以电能表的检定数据为基础研究了不同厂家所生产的电能表计量方面的家族特性,对供电企业未来选购计量准确、稳定的电能表提供决策支持,对正在运行的电能表计量数据、后续检定数据提供数据校正基础,对生产厂家改进电能表提供数据参考。首先,针对电能表检定数据数据量大、分布不均匀的问题,根据检定数据的数值特性、不同厂家电能表计量结果的整体水平与分布概率密度,使用融合聚类算法划分为不同类别,得到不同厂家所生产电能表计量误差分区。其次,引入高阶统计量对电能检定数据总体样本与聚类后不同类别内样本进行深入挖掘,得到不同厂家电能表在不同负载下计量误差的具体分布特征,误差大小、离散性、对称性、极端值差异描述了不同厂家所生产电能表的家族特征。然后,根据不同厂家电能表检定数据统计量大小的不同,使用自适应改变权重的粒子群算法与支持向量机建立家族识别模型,以电能表不同负载下检定数据的的高阶统计量为特征输入,对其进行家族识别。最后,基于蒙特卡洛验证方法,使用高斯混合模型对不同厂家所生产的电能表检定数据进行分布拟合,利用M-H采样方法拟合分布后进行采样产生大量模拟数据。对电能表检定模拟数据与真实检定数据进行聚类、高阶统计量方面的分析对比,验证本文方法分析电能表家族特征是否具有合理性。结果表明,使用聚类方法、高阶统计量能有效反映不同厂家所生产电能表的家族特性,依据不同厂家电能表计量检定数据统计特征建立的识别模型能有效对电能表的家族进行识别。
钟银都[2](2020)在《基于CPU和GPU的雷达目标识别算法并行实现》文中提出现代战争对雷达的自动化和智能化水平提出了较高的要求,以雷达目标识别为代表的智能信息处理技术受到了广泛的关注。随着雷达信号带宽的持续提高以及识别数据库中目标种类的不断增加,给实时地完成目标识别任务带来了极大的挑战。由于雷达目标识别任务具有良好的并行结构,高效的并行处理算法成为了目标识别技术领域的研究热点。与此同时,以中央处理器(CPU)和图形处理器(GPU)为代表的硬件处理器的并行处理能力也越来越强大,这为雷达目标识别算法的并行加速提供了可能。基于上述背景,本文开展了雷达高分辨距离像(HRRP)识别相关算法的并行设计研究,并在多核心CPU处理器硬件平台和CPU+GPU的异构平台下进行了算法实现。主要工作内容概括如下:1.结合线性调频脉冲体制雷达HRRP识别流程,对每个环节常用算法的原理进行阐述。首先介绍了针对大时宽带宽信号脉冲压缩处理的分段脉冲压缩算法;然后介绍了针对相参积累期间目标越距离单元走动问题的Keystone变换及其两种常用实现方式,即DFT+IFFT算法和Chirp-Z算法;接着介绍了针对HRRP数据敏感性问题的常用预处理方法;最后介绍了四种经典的统计识别模型和卷积神经网络识别模型。2.阐述了CPU和GPU处理器硬件结构的区别,然后给出了针对多核心CPU处理器并行编程的C++11多线程编程方法,以及针对NVIDIA GPU处理器并行编程的统一计算架构(CUDA)的编程、执行模型。最后给出了CUDA并行编程的调试分析方法及内核优化技巧。3.详细分析了HRRP识别流程中各算法的并行结构,针对性地设计了相应的并行实现方案,完成了各个算法在CPU平台下的单线程实现和多线程并行实现以及在CPU+GPU平台下的多线程并行实现。通过仿真实验检验了各算法在两种并行实现方式下的运行结果,并以CPU单线程运行时间为基准,对比分析了两种并行实现方式下的加速效果。其中,分段脉冲压缩算法、DFT+IFFT算法、Chirp-Z算法、迭代对齐算法、最大相关系数(MCC)分类器和自适应高斯分类器(AGC)的建模、MCC识别、AGC识别、因子分析(FA)建模和复因子分析(CFA)建模过程的CPU多线程实现可以达到3~5倍的加速效果,相应的GPU并行实现也都可以达到5倍以上的加速效果;此外,基于卷积神经网络的识别方法也取得了一定的加速效果。这说明基于CPU的多线程并行实现方式和基于CPU+GPU异构平台的并行实现方式能够显着提升雷达目标识别任务的实时性。
熊欣蔚[3](2020)在《基于稳健混合回归模型参数估计和经验崩溃点探索》文中进行了进一步梳理混合回归模型已广泛用于各种异构数据,而大多数的混合回归模型是通过基于MLE的EM算法来估算的。当存在异常点时,MLE的不稳健性就会突显出来。针对于此,已经开发了许多稳健混合回归模型,如TLE、M估计、基于T分布的稳健混合回归模型以及基于惩罚函数的混合回归模型。关于基于惩罚函数的稳健混合回归模型现阶段只有基于L0罚函数和基于L1罚函数的这两种混合回归模型,本文在此基础上尝试使用基于SCAD惩罚函数的稳健混合回归模型和基于hard-ridge罚函数的稳健混合回归模型并探究它们的稳健性。本文针对上述的几种稳健混合回归模型,基于swamping(s)、masking(m)、joint detection(jd)、mse、time等几个方面探究各自的优缺点,并进一步探究不同惩罚函数如(SCAD、hard-ridge)结合RM2稳健混合回归模型的效果。最后探究不同的稳健回归模型的经验崩溃点(异常值比例达到多少时候模型不再稳健)以及各自不同的适用范围。本文研究得出以下结论:(1)当x轴方向存在低杠杆点且y轴方向存在异常点的时候,不同稳健混合回归模型的崩溃点不同,其中以基于SCAD罚函数的稳健混合回归模型经验崩溃点最高,MEM-bisquare和基于t分布的稳健混合回归模型崩溃点最低。(2)当仅y轴方向存在异常值,在20%异常值的情况下所有的稳健混合回归模型均保持着稳健性。(3)在数据的残差项是基于t分布的情况下,结果仍然显示基于SCAD罚函数的稳健混合回归模型是最稳健的。(4)在存在20%的“坏的”高杠杆点的情况下,仍旧是基于SCAD罚函数的稳健混合回归模型最为稳健。(5)效率分析,在时间测度方面,TLE模型所耗费的时间最短。上述模拟实验都证明了基于SCAD罚函数的稳健混合回归模型具有很强的稳健性。
耿莲[4](2019)在《大电网可靠性的快速蒙特卡洛仿真及风险分级评估研究》文中认为大电网可靠性评估能实现大电网风险水平和薄弱环节的有效辨识,从而可为电网规划和运行提供重要的决策参考,但具有高度的计算复杂性。蒙特卡洛仿真是大电网可靠性评估的有力工具。序贯蒙特卡洛仿真可灵活模拟系统状态的时序相关性,但仿真收敛缓慢;非序贯蒙特卡洛仿真可对空间相关性进行概率建模和抽样,但空间相关性的模拟导致仿真速度显着下降。在工程应用中,大电网风险分级评估能够为规划运行人员提供系统风险级别的预警信息,但涉及多负荷场景下的电网可靠性反复评估,计算耗时严重。因此,在时空相关性建模的基础上研究快速的序贯和非序贯蒙特卡洛仿真法,并将其应用于大电网风险分级评估中,具有重要的理论研究意义和工程实用价值。本文深入研究了基于时空相关性概率建模的快速蒙特卡洛仿真方法及其在大电网风险分级中的应用,主要工作包括:针对序贯蒙特卡洛仿真收敛速度慢(尤其在多负荷场景下评估系统可靠性时)的问题,提出一种基于系统元件状态时序相关性简化模型的快速序贯蒙特卡洛仿真法。该方法基于系统元件状态(由各元件状态组成)特征量的条件核密度估计,建立系统元件状态的时序相关性简化模型并将该模型用于不同负荷场景下系统可靠性的快速评估。采用该简化模型生成系统元件状态的时序序列,将该序列与负荷时序模型相组合以形成系统状态的时序序列,从而有效模拟系统状态的时序相关性并实现系统可靠性指标及其概率分布的准确计算;对每个系统状态都采用其特征量进行负荷削减的简化计算以避免最优负荷削减计算,从而显着提高仿真效率。对RBTS、IEEE-RTS79和含风电场的改进IEEE-RTS79系统的评估分析验证了该方法的有效性。针对非序贯蒙特卡洛仿真计及空间相关性连续变量(如节点负荷及风电场风速等)时仿真效率低的问题,提出了一种基于正态概率空间变换及其分布参数交叉熵优化的快速非序贯蒙特卡洛仿真法。参数模型需采用分布类型假设,从而对不符合该假设的连续变量进行概率建模时难以保证建模精度。因此,本文采用基于数据驱动的高斯混合模型(GMM)对相关性连续变量的联合概率分布进行建模,并采用EM算法估计GMM的参数。在电网可靠性评估中,Nataf变换可用于相关性连续变量的直接抽样。本文则将Nataf变换用于相关性连续变量的交叉熵重要抽样以提高抽样效率:采用Nataf变换将由GMM建模的相关性连续变量变换为标准正态变量,对标准正态变量的概率分布参数进行交叉熵优化和重要抽样;将得到的正态变量样本变换回原连续变量分布空间以得到原相关性连续变量样本,从而实现对原相关连续变量的间接交叉熵重要抽样。对改进的IEEE-RTS79(MRTS)和计及风电场的MRTS(MRTS-WFs)系统的评估分析验证了该方法对相关性连续变量的建模精确性及抽样高效性。针对基于正态概率空间变换及其分布参数交叉熵优化的快速非序贯蒙特卡洛仿真法仅适用于正态copula相依型连续变量的不足,本文提出一种基于GMM参数直接交叉熵优化的快速非序贯蒙特卡洛仿真法。该方法将任意相依型连续变量的联合概率分布建模及交叉熵重要抽样在GMM模型和EM算法的框架下进行了统一,即相关性连续变量的原始联合概率分布和重要抽样函数都采用GMM进行构建,而原始联合概率分布的参数估计和重要抽样函数的交叉熵参数优化都采用EM算法进行实现。与连续变量传统的单峰形式的重要抽样函数相比,相关性连续变量采用的GMM形式的重要抽样函数可以更加有效地捕捉最优重要抽样函数可能具有的复杂多峰形状,从而提高相关性连续变量的抽样效率。对IEEE-RTS79和含多风电场的改进IEEE-RTS79的评估分析验证了该方法在建模相关性连续变量时的精确性以及在相关性抽样时的高效性。针对大电网可靠性评估指标可量化系统风险但难以反映电网风险级别的不足,提出一种基于系统风险随负荷变化关系的大电网风险分级评估方法,并应用上述快速蒙特卡洛仿真法以提高风险分级评估中系统可靠性指标的计算效率。该分级评估方法根据系统N-1校验结果随系统负荷的变化给出了系统风险等级的定义,在系统参考运行方式下采用快速蒙特卡洛仿真法计算多负荷场景下的系统分指标以得到系统的风险分级标准。以参考运行方式下的系统风险分级标准为基准,该分级评估方法将系统在其他运行方式下的系统分指标转换为参考运行方式下的风险等级。通过这一“风险转换”,不同运行方式下系统的风险等级能反映运行方式变化对系统风险的影响程度,为系统的运行方式规划提供重要参考。对改进的RBTS和IEEE-RTS79系统的评估分析验证了该风险分级评估方法的有效性。
张勤[5](2019)在《基于GPU的Directionlet域SAR图像相干斑噪声抑制并行算法研究》文中研究表明合成孔径雷达(SAR)是一种新兴的雷达技术,已被广泛应用于很多领域。由于SAR成像对风、雨、雷、雾等恶劣天气不敏感,几乎不受其影响,因此其具有全天候的特点。但是,由于SAR成像是基于干涉原理实现的,使得SAR图像具有相干斑噪声,严重影响SAR图像的质量,给后续SAR图像的处理和分析工作带来不便。随着SAR成像技术的不断发展,我们能得到很多高分辨率的SAR图像。而且在SAR成像技术的应用中,大多需要不间断地进行成像,这样所得到的数据量是极其庞大的。所以,高效的去噪算法是现如今SAR图像研究的关键。在现有的SAR图像去噪算法中,几乎都是传统的串行算法,而随着GPU技术的快速发展,GPU的计算能力则是远远超越了串行计算。因此,SAR图像相干斑噪声抑制并行算法研究具有重要的实际意义。本文结合较为成熟的第三代小波变换——directionlet变换在GPU上实现SAR图像的并行去噪算法。不使用标准的二维小波变换是因为它采用的是标准正交基,使得其具备各向同性的特点,不能很好地捕捉和表达图像在边缘、轮廓等地方的信息,这也会严重影响SAR图像的后续工作。因此,本文选用了具备各向异性的方向波变换,不仅使得图像的轮廓、边缘等信息能够得到很好地表达,同时,还能使得变换具备方向性,也就是说,方向波变换不再局限于水平和垂直方向,可以沿着任意给定的方向进行变换。根据directionlet变换系数呈现稀疏的特点,本文对变换之后的系数进行建模和参数求解,再根据求解得到的参数从含噪声的SAR图像中估计出无噪图像,即达到噪声去除的效果。由于在此过程中存在很多可并行化的过程,因此,本文基于GPU分别将各个过程并行化,在GPU上实现计算,以完成整个算法的并行化,提升SAR图像的去噪效率。本文基于GPU实现的并行算法主要包含三个方面的内容,如下所示:(1)基于GPU的directionlet变换。在这部分中,我们首先确定生成矩阵,再根据生成矩阵进行陪集分解。在此过程中我们分别为输入的SAR图像和待输出的陪集分配内存,根据输入输出的对应关系建立核函数,并通过在GPU上的调用来实现分解算法的并行化。然后分别对每一个陪集子图像进行各向异性小波变换(Anisotropic Wavelet Transform,AWT),其中对最主要的卷积过程建立在GPU上调用和计算的子函数,另外建立外层循环和核函数,通过调用卷积子过程实现AWT。这样就在GPU完成了directionlet正变换,能够得到原图像的高、低频信息,大大提高变换的效率。(2)基于GPU的模型参数估计。我们根据directionlet变换系数呈现出的统计特点,对变换之后的高频系数进行建模,采用混合高斯模型(GMM)来拟合其统计曲线。在求解GMM参数时,我们采用了经典的期望最大化(EM)算法,而由于EM算法本身不可并行化,因此,此过程中我们仅使用GPU来计算,以及通过将大的子图像分解成小的子图像块的方法,对同属大子图像的图像块分别求解其参数,然后取平均值,以此来提高模型参数的准确性,使求解出来的参数能够更好地拟合原始的系数统计曲线。至于噪声的统计模型,我们假定斑点噪声是均值为0,方差未知的高斯噪声。对噪声方差我们采用标准差估计法,首先建立在GPU上计算和调用的排序子程序,待数据载入后对数据分组并调用排序子程序找出每一组的中位数,将中位数组成新的数据重新载入,循环至得到结果。(3)基于GPU的SAR图像重构。根据已经得到的模型参数和噪声参数,通过最大后验概率估计的方法,将无噪的SAR图像从含噪图像中估计出来,达到去噪的目的。这个过程中我们将含噪的SAR图像和参数载入,核函数为估计方法,每一个线程包含一个像素点,通过核函数的调用输出无噪图像。这些被估计出来的图像还需要经过directionlet逆变换才能重构得到无噪的原始图像。实验结果表明,本文提出的基于GPU的directionlet域SAR图像相干斑噪声抑制的并行算法不仅能保持原串行算法的准确性和精确度,而且非常高效,大大减少了程序的执行时间。
鲁红磊[6](2018)在《基于数据建模的交通灯场景经济性驾驶优化研究》文中研究说明在“人—车—路”交通系统中,车辆运行的实际油耗受交通状态和司机驾驶行为的显着影响,如何从实际运行的角度分析并改善能耗是当前车辆动力领域面临的一项重要课题。为此,本研究选取路口交通灯场景,研究车辆的经济性驾驶策略。基于自主搭建的车辆远程数据采集分析平台,选定5辆丰田花冠出租车,提取了共14.3万个加速片段和13.6万个减速片段。利用高斯混合模型(Gaussian Mixed Model,GMM)建立了基于驾驶员激进程度(Relative Positive Acceleration,RPA)与片段平均车速数据的驾驶员类型辨识算法,并辨识出30种不同的驾驶员类型。在不同驾驶员类型的基础上,利用加速过程数据,采用基于概率加权的最小二乘方法建立了表征驾驶员特性的速度与加速度相关分布的分段线性加速模型。并进一步根据节能评价指标,建立了经济性加速模型。以经济性加速模型为基础并利用车辆与前方红绿灯的相对距离和信号灯信息,探索了在变加速度规划下基于单红绿灯场景的车辆节能优化问题。建立了不同优先级(经济车速通行策略、最大/小车速通行策略和减速停车策略)的车辆行驶纵向速度规划算法。针对目标车速的跟踪控制,在驱动模式和制动模式切换算法的基础上,搭建了基于车辆动力学的模型前馈控制与基于扰动观测与补偿的自抗扰反馈控制(Active Disturbance Rejection Control,ADRC)相结合的目标车速跟踪控制算法,以便用于自主驾驶车辆的纵向速度控制。通过MATLAB/Simulink与GT-SUITE软件联合仿真验证了经济性驾驶策略的有效性。与激进型驾驶方案相比,本文提出的经济性驾驶策略在绿灯通行条件下的节油率可达17.97%;红灯停车条件下的节油率可达17.29%。与考虑当前红绿灯状态的定车速规划方案相比,本文提出的经济性驾驶策略在绿灯通行条件下的节油率可达16.34%;红灯行驶条件下的节油率效果不明显,其在一定范围内波动,但均未超过3.9%。综合考虑两种对比方案,本文提出的经济性驾驶策略具有一定的节油效果。
王建勋[7](2017)在《基于GPU加速的平板PET快速重建算法研究》文中进行了进一步梳理随着平板正电子发射断层扫描成像(positron emission tomography,PET)系统在临床应用与科学研究中的广泛应用,人们对其图像重建质量提出了新的要求。为了得到高质量重建图像,光子事件的深度效应(depth of interaction,DOI)等物理问题成为了首先需要解决的问题。基于蒙特卡罗(Monte Carlo,MC)仿真的系统响应矩阵充分考虑了光子探测的物理过程,对于消除DOI效应等物理问题有着良好的效果。然而MC仿真的系统响应矩阵通常会伴随着巨大的存储需求,同时在重建过程中调用庞大的系统响应矩阵会带来巨大的时间消耗,因此研究如何有效压缩系统响应矩阵并快速的进行图像重建具有重要的应用价值。本文首先介绍了迭代重建算法,PET误差影响因素以及系统响应矩阵;然后简述了如何压缩系统响应矩阵,并基于压缩后的系统响应矩阵在图形处理器(graphic processing unit,GPU)中进行快速重建;最后通过实验验证算法的有效性,并对其加速性能进行评估。本文的主要工作如下:(1)利用系统响应矩阵对称性对平板结构的PET系统响应矩阵进行压缩存储。基于平板PET的几何结构特点,分别研究基于响应线(line of response,LOR)对称性和基于体素对称性的平板PET系统响应矩阵的表征方法,通过LOR对称性或体素对称性仅需要系统响应矩阵的子集即可完整的表征整个系统响应矩阵,从而使得系统响应矩阵的存储规模大大降低(约400-600倍),同时极大的减少了调用庞大的系统响应矩阵带来的时间消耗。(2)基于系统响应矩阵对称性并利用通用并行开发架构(compute unified device architecture,CUDA)实现PET图像的快速重建。基于系统响应矩阵LOR子集表征并利用LOR的对称性,实现基于LOR的加速重建算法;基于系统响应矩阵体素子集表征并利用体素的对称性,实现基于体素的加速重建算法。考虑两种算法的特点,将二者有机结合,在前向投影中使用系统响应矩阵基于LOR的子集,反向投影中使用系统响应矩阵基于体素的子集,从而实现了基于LOR和体素联合的加速重建算法。(3)实验验证算法的有效性,评估其加速效果。设计仿真实验与仿体实验分别验证算法的有效性,实验结果表明加速重建算法与加速前的重建算法的重建图像一致,基于LOR和体素联合的加速重建算法的计算速度是基于LOR的加速重建算法的3倍,是基于体素的加速重建算法12倍,是加速前的图像重建算法的113倍。
杨晴[8](2014)在《EM算法在混合模型参数估计中的应用》文中研究表明极大似然估计是参数估计的最重要的方法之一,由于其具有优良的统计性质而倍受包括统计学家在内的众多学者的推荐.但是由于实际数据通常是不完全样本情形,而且似然函数有时过于复杂,使得相应参数的极大似然估计求解非常困难,为此而发展的EM算法就是专门解决不完全数据情形下参数极大似然估计的一种迭代算法,该算法利用样本数据的扩张,将比较复杂的似然函数最优化问题化成一系列比较简单的函数的优化问题.本文首先介绍了EM算法及其相关理论;其次研究了混合泊松分布模型和混合正态分布模型的参数估计问题,将观测到的数据视为不完全数据,得到了相应的EM算法的迭代公式,并且用R软件进行随机模拟来说明所得EM算法的有效性和收敛性;再次研究了Binomial-Poisson多层模型的参数估计,得到了相应的EM算法的迭代公式;最后研究了完全数据情形和不完全数据情形的多维泊松分布的参数估计,以及不完全数据情形的EM算法,并根据具体实例对参数估计结果进行了比较研究.
刘智[9](2013)在《基于EM改进算法的多用户检测技术研究》文中研究表明移动通信技术的发展一日千里,3G及4G技术势必在人民的工作和生活中凸显新的作用,鼎故革新,呈现新局面。同时,由于移动用户数量的快速增长也增加了多址干扰(MAI)的功率,从而牺牲了误比特率(BER)性能。而信道的多径效应引起的码间干扰(ISI)和多址干扰是制约用户的接入和提高性能的重要因素。因此,怎样去除多址干扰,扩充系统容量,改善系统性能成为移动通信技术研究的热点之一。多用户检测技术是CDMA(Code Division Multiple Access)系统中可以有效解决上述问题的一个关键核心技术。它利用所有用户的扩频序列、时延、幅度和相位等信息对各个用户协同检测,可以明显克服多址干扰和码间串扰,很好的解决了系统抗“远一近”效应的难题,显着改善了系统性能,增加了系统的接入用户的数量。本文首先对最佳检测和次优检测中经典的多用户检测算法进行了讨论,并进行了实验测试,对误码率性能进行了分析比较。由于最优多用户检测计算时间开销太大而无法应用于工程中,进而将求解最大似然估计的期望最大化算法引入到多用户检测中。本文建立了DS-CDMA通信系统模型,阐述了期望最大化算法的原理,分析了基于EM算法的多用户检测器。基于MTLAB平台进行的实验仿真结果表明:它比最优多用户检测算法节约了大量的计算开销时间,同时获得了媲美于最优检测的性能。但是收敛速度是制约EM算法实际应用的关键因素,为了彻底根除EM算法的这个顽疾,本文选取了几种EM的改进算法:ECM算法、Aitken ECM算法、Aitken-delta ECM算法、ECME算法、Cascade EM算法、Monte Carlo EM算法、EM Gradient算法,进行研究,并将其应用于多用户检测中。实验仿真结果得知:EM的改进算法不仅加快了算法的收敛速度,也减少了信号检测时误码的发生,取得了良好的效果。
邱宽[10](2011)在《改进的遗传算法在非线性方程组中的应用》文中研究表明随着科学技术的快速发展,使得电子计算机在数学领域中得到广泛应用。在实际中碰到的问题越来越多的需要通过建立数学模型来求解,往往数学模型最后都形成对应的方程或方程组,其中对于各种非线性方程问题的研究越来越得到人们的普遍重视,以致学科间相互交叉形成的非线性问题已经逐步成为了研究热点之一。例如非线性有限元问题,非线性断裂问题,弹塑性问题,工程问题等。对非线性方程组的研究主要分两个方向,一个是以牛顿法为代表的数值方法,另一个是以进化算法为代表的非数值方法。由于数值方法在求解非线性方程组时比较复杂,而且容易陷入局部最优,精度较低等缺陷。本文采用非数值方法求解非线性方程组,以经典进化算法中的遗传算法为基础,并对其缺点进行优化改进,使之更加适合求解非线性方程组。论文在研究前人成果的基础上,针对非线性方程组的特性,将爬山算子引入到传统遗传算法中,改进传统遗传算法在求解非线性方程组时存在容易陷入局部最优、精度较低等缺陷,同时在EM算法形成的一类特殊的非线性方程组中使用该算法。论文主要贡献如下:●针对求解非线性方程组时对遗传算法的改进需要,进行相关知识的准备和介绍。本文首先简要介绍了遗传算法的基本概念、基本原理、相关理论及应用,重点介绍遗传算法的模式定理,以及在此基础上讨论了遗传算法的收敛性。同时介绍有关局部搜索算法,及爬山算法基本框架,并分析了其存在的缺陷。●针对传统遗传算法容易陷入局部最优,精度较低等缺陷,在此基础上引入局部爬山算法,并对遗传操作中选择、交叉、变异算子进行相应改进,结合优良遗传策略,提出了改进的遗传算法。改进的遗传算法充分提高全局搜索和局部搜索能力,针对不同环境对搜索算子进行调整;最后编写程序并进行仿真实验,实验结果表明,与传统的遗传算法相比,改进的遗传算法求解非线性方程组时更容易收敛,精度更高。●针对EM算法在计算时形成一类特殊的非线性方程组,本文把改进的遗传算法运用到EM算法中,对比传统EM算法执行过程,对其进行改进,并给出样本进行对比,对EM算法全局收敛不足,以及收敛速度过慢,有较大提高。
二、EM算法及其加速(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、EM算法及其加速(论文提纲范文)
(1)电能表检定数据的高阶统计量分析与家族特征识别(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 电能表检定数据研究现状 |
1.2.2 高阶统计方法研究现状 |
1.2.3 家族特征识别研究现状 |
1.3 本文主要工作 |
第二章 电能表检定的原理与数据预处理 |
2.1 电能计量基本原理 |
2.2 电能表检定数据来源 |
2.3 检定数据预处理 |
2.3.1 数据获取 |
2.3.2 数据异常处理 |
2.4 本章小结 |
第三章 电能表检定数据的聚类分析 |
3.1 聚类算法的引入 |
3.1.1 密度聚类算法 |
3.1.2 聚类算法的评价指标 |
3.2 融合聚类算法 |
3.2.1 Mini-batch K-means算法 |
3.2.2 mean-shift算法 |
3.2.3 给定初始点的mean-shift算法 |
3.3 实例分析 |
3.3.1 厂家检定数据聚类实验 |
3.3.2 厂家检定数据聚类结果分析 |
3.4 本章小结 |
第四章 检定数据的统计特征量分析与家族特征识别 |
4.1 高阶中心矩的引入 |
4.2 总体样本统计特征量分析 |
4.2.1 不同负载电流下样本分析 |
4.2.2 不同功率因数下样本分析 |
4.3 不同类别内统计特征量分析 |
4.3.1 不同负载电流下同类别样本分析 |
4.3.2 不同功率因数下同类别样本分析 |
4.4 电能表计量误差的家族识别模型 |
4.4.1 SVM分类算法 |
4.4.2 粒子群算法及改进 |
4.4.3 识别模型验证 |
4.5 本章小结 |
第五章 电能表检定数据家族特征的蒙特卡洛模拟验证 |
5.1 蒙特卡洛模拟验证 |
5.1.1 蒙特卡洛方法的引入 |
5.1.2 高斯混合分布及EM算法 |
5.1.3 M-H采样 |
5.1.4 电能表检定模拟数据分析 |
5.2 电能表检定数据家族特征检验 |
5.2.1 聚类验证 |
5.2.2 统计量验证 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 A (攻读学位期间发表论文目录) |
(2)基于CPU和GPU的雷达目标识别算法并行实现(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 雷达目标识别简介 |
1.2 研究背景 |
1.3 并行计算在雷达领域的研究现状 |
1.4 CPU处理器的发展 |
1.5 GPU处理器的发展 |
1.6 论文的工作安排 |
第二章 雷达HRRP目标识别基本方法 |
2.1 HRRP相关概念 |
2.2 HRRP识别的基本流程 |
2.3 脉冲压缩 |
2.3.1 匹配滤波原理 |
2.3.2 分段脉冲压缩技术 |
2.3.3 仿真实验结果 |
2.4 基于Keystone变换的相参积累算法 |
2.4.1 Keystone变换原理 |
2.4.2 DFT+IFFT算法原理 |
2.4.3 Chirp-Z算法原理 |
2.4.4 仿真实验结果 |
2.5 HRRP数据预处理 |
2.5.1 归一化和迭代对齐 |
2.5.2 仿真实验结果 |
2.6 经典雷达HRRP目标识别模型 |
2.6.1 最大相关系数分类器模型 |
2.6.2 自适应高斯分类器模型 |
2.6.3 因子分析模型 |
2.6.4 复因子分析模型 |
2.6.5 仿真实验结果 |
2.7 卷积神经网络识别模型 |
2.7.1 神经元模型 |
2.7.2 前馈神经网络模型 |
2.7.3 卷积神经网络模型 |
2.8 本章小结 |
第三章 CPU和 GPU处理器的并行编程 |
3.1 CPU和 GPU硬件结构的异同 |
3.2 CPU多线程编程方法 |
3.3 GPU多线程编程框架 |
3.3.1 CUDA架构介绍 |
3.3.2 CUDA编程执行模型 |
3.4 CUDA编程调试及内核优化技巧 |
3.4.1 CUDA编程调试 |
3.4.2 CUDA内核优化技巧 |
3.5 本章小结 |
第四章 基于CPU和 GPU的 HRRP识别相关算法并行实现 |
4.1 引言 |
4.2 硬件平台与软件框架介绍 |
4.3 分段脉冲压缩算法并行实现 |
4.3.1 频域分段脉冲压缩并行结构分析 |
4.3.2 分段脉冲压缩CPU多线程并行实现 |
4.3.3 分段脉冲压缩GPU多线程并行实现 |
4.3.4 分段脉冲压缩并行实现结果 |
4.4 Keystone变换并行实现 |
4.4.1 Keystone变换并行结构分析 |
4.4.2 DFT+IFFT、Chirp-Z算法的CPU多线程并行实现 |
4.4.3 DFT+IFFT、Chirp-Z算法的GPU多线程并行实现 |
4.4.4 DFT+IFFT、Chirp-Z算法并行实现结果 |
4.4.5 运行时间与线程数的选择问题 |
4.5 迭代对齐并行实现 |
4.5.1 迭代对齐并行结构分析 |
4.5.2 迭代对齐CPU多线程并行实现 |
4.5.3 迭代对齐GPU多线程并行实现 |
4.5.4 迭代对齐并行实现结果 |
4.6 经典HRRP目标识别模型并行实现 |
4.6.1 MCC、AGC模型并行结构分析 |
4.6.2 MCC、AGC模型的CPU多线程并行实现 |
4.6.3 MCC、AGC模型的GPU多线程并行实现 |
4.6.4 MCC、AGC模型并行实现结果 |
4.6.5 FA、CFA模型并行结构分析 |
4.6.6 FA、CFA模型的CPU多线程并行实现 |
4.6.7 FA、CFA模型的GPU多线程并行实现 |
4.6.8 FA、CFA模型并行实现结果 |
4.7 均值方差解耦合的快速求法 |
4.7.1 CPU均值方差解耦合实现的性能分析 |
4.7.2 GPU均值方差解耦合实现的性能分析 |
4.8 卷积神经网络识别模型的并行实现 |
4.8.1 卷积神经网络模型并行结构分析 |
4.8.2 一维卷积神经网络并行实现 |
4.8.3 二维卷积神经网络并行实现 |
4.9 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 工作展望 |
参考文献 |
致谢 |
作者简介 |
(3)基于稳健混合回归模型参数估计和经验崩溃点探索(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 国内文献综述 |
1.2.2 国外文献综述 |
1.2.3 文献综述小结 |
1.3 研究思路与研究框架 |
1.3.1 研究思路 |
1.3.2 研究框架 |
1.4 研究重点及难点 |
1.4.1 研究重点 |
1.4.2 研究难点 |
1.5 本文可能的创新点 |
1.6 本文所涉及到的符号及其含义 |
1.7 本章小结 |
第2章 构造模型的预备知识 |
2.1 异常点 |
2.2 混合回归模型 |
2.3 EM算法 |
2.4 稳健混合回归模型 |
2.5 稳健性测度分析 |
2.6 本章小结 |
第3章 稳健混合回归模型对比 |
3.1 基于t分布的稳健混合回归模型 |
3.2 基于M估计稳健混合模型和TLE稳健混合回归模型 |
3.2.1 基于M估计稳健混合模型 |
3.2.2 基于TLE的稳健混合回归模型 |
3.3 本章小结 |
第4章 基于惩罚函数的稳健混合回归模型 |
4.1 基于惩罚函数的稳健混合回归模型介绍 |
4.2 基于L0(hard-thesholding)惩罚函数 |
4.3 基于L1(soft-thresholding)惩罚函数 |
4.4 基于L2惩罚函数 |
4.5 基于SCAD惩罚似然函数 |
4.6 基于Hard-ridge罚函数 |
4.7 本章小结 |
第5章 模拟实验 |
5.1 实验设计 |
5.2 数据描述 |
5.2.1 数据构建 |
5.2.2 数据探索 |
5.3 模拟测试 |
5.3.1 模型选择 |
5.3.2 x轴方向存在低杠杆点且y轴方向有异常值 |
5.3.3 残差项服从t分布数据 |
5.3.4 仅在y轴方向存在异常值 |
5.3.5 基于高杠杆点的测量 |
5.3.6 效率(time)测度 |
5.4 本章小结 |
第6章 结论与建议 |
6.1 结论 |
6.2 建议 |
参考文献 |
致谢 |
(4)大电网可靠性的快速蒙特卡洛仿真及风险分级评估研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 研究背景和意义 |
1.2 大电网可靠性评估的序贯蒙特卡洛仿真法研究现状 |
1.2.1 系统状态时序相关性的建模 |
1.2.2 序贯蒙特卡洛仿真的加速方法研究 |
1.3 大电网可靠性评估的非序贯蒙特卡洛仿真法研究现状 |
1.3.1 负荷及可再生能源的空间相关性建模 |
1.3.2 非序贯蒙特卡洛仿真的加速方法研究 |
1.4 大电网风险分级评估研究现状 |
1.5 主要研究内容 |
2 基于系统元件状态时序相关性简化模型的快速序贯蒙特卡洛仿真法 |
2.1 引言 |
2.2 传统序贯蒙特卡洛仿真法 |
2.3 系统元件状态的特征量 |
2.3.1 系统负载能力(C) |
2.3.2 状态平均持续时间(D) |
2.3.3 解列参数(P) |
2.4 系统元件状态的时序相关性简化模型 |
2.4.1 CKDE样本的生成方法 |
2.4.2 系统元件状态时序相关性简化模型的条件核密度估计方法 |
2.5 采用时序相关性简化模型的快速序贯蒙特卡洛仿真过程 |
2.5.1 系统元件状态时序转移序列的生成 |
2.5.2 系统状态负荷削减量的简化计算 |
2.6 算法流程 |
2.7 算例分析 |
2.7.1 RBTS系统算例 |
2.7.2 IEEE-RTS79 系统算例 |
2.7.3 计及风电场的改进的IEEE-RTS79(MRTS-WF)系统算例 |
2.8 本章小结 |
3 基于正态概率空间变换及其分布参数交叉熵优化的快速非序贯蒙特卡洛仿真法 |
3.1 引言 |
3.2 重要抽样法以及交叉熵算法的基本原理 |
3.2.1 重要抽样法 |
3.2.2 交叉熵算法 |
3.3 正态空间变换的基本原理 |
3.4 对相关性连续变量进行正态概率空间变换和间接交叉熵重要抽样的快速非序贯蒙特卡洛仿真 |
3.4.1 空间相关连续变量联合概率分布的高斯混合模型及其参数估计 |
3.4.2 基于正态概率空间变换的间接交叉熵重要抽样 |
3.5 综合可靠性指标的计算 |
3.6 算法流程 |
3.7 算例分析 |
3.7.1 IEEE-RTS79 系统算例 |
3.7.2 计及风电场接入的MRTS-WFs系统算例 |
3.8 小结 |
4 基于GMM参数直接交叉熵优化的快速非序贯蒙特卡洛仿真法 |
4.1 引言 |
4.2 GMM参数交叉熵寻优公式的推导 |
4.3 算法流程 |
4.4 算例分析 |
4.4.1 IEEE-RTS79 系统算例 |
4.4.2 MRTS-WFs系统算例 |
4.5 本章小结 |
5 基于系统风险随负荷变化关系的大电网风险分级评估方法 |
5.1 引言 |
5.2 大电网各风险等级的定义 |
5.3 系统可靠性指标的选取 |
5.4 系统风险分级标准的制定方法 |
5.4.1 系统参考运行方式的选择 |
5.4.2 负荷临界点的搜索方法 |
5.4.3 各负荷临界点SI指标的计算 |
5.5 判断系统风险等级的风险转换方法 |
5.6 算例分析 |
5.6.1 MRBTS系统算例 |
5.6.2 MRTS系统算例 |
5.7 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 |
A.作者在攻读博士学位期间发表的论文 |
B.作者在攻读博士学位期间已授权的专利 |
C.作者在攻读博士学位期间参研的项目 |
D.学位论文数据集 |
致谢 |
(5)基于GPU的Directionlet域SAR图像相干斑噪声抑制并行算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 SAR图像相干斑噪声抑制算法的研究现状 |
1.2.2 GPU并行技术在图像去噪领域的研究现状 |
1.3 论文的主要工作及章节安排 |
1.3.1 主要工作 |
1.3.2 章节安排 |
第2章 GPU和CUDA架构 |
2.1 GPU概述 |
2.2 计算统一设备平台CUDA |
2.2.1 单指令多线程的CUDA |
2.2.2 CUDA的存储结构 |
2.2.3 CUDA编程 |
2.3 本章小结 |
第3章 去噪算法基础理论 |
3.1 Directionlet变换和陪集分解 |
3.1.1 图像的陪集分解 |
3.1.2 各向异性小波变换 |
3.1.3 Directionlet变换 |
3.2 Directionlet变换系数的统计模型和参数估计方法 |
3.2.1 Directionlet变换系数的统计模型 |
3.2.2 参数估计方法 |
3.3 SAR图像的数学模型和噪声参数估计方法 |
3.4 SAR图像的恢复和重构 |
3.5 本章小结 |
第4章 基于GPU的SAR图像噪声抑制的并行算法 |
4.1 实验环境概述 |
4.2 基于GPU的directionlet变换方法 |
4.3 基于GPU的模型参数估计方法 |
4.4 基于GPU的SAR图像重构 |
4.4.1 最大后验概率估计方法 |
4.4.2 SAR图像去噪 |
4.5 本章小结 |
第5章 算法优化及性能提升 |
5.1 算法优化 |
5.2 实验结果与分析 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
硕士期间发表的论文 |
(6)基于数据建模的交通灯场景经济性驾驶优化研究(论文提纲范文)
摘要 |
ABSTRACT |
字母注释表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于驾驶数据分析的经济性驾驶研究 |
1.2.2 基于最优化方法的经济性驾驶研究 |
1.2.3 基于交通场景优化的经济性驾驶研究 |
1.3 本课题主要研究内容 |
1.3.1 研究目的及内容 |
1.3.2 论文结构安排 |
第二章 数据分析平台及策略仿真平台 |
2.1 车辆数据采集平台 |
2.1.1 研究对象简介 |
2.1.2 信息采集终端 |
2.2 驾驶行为分析平台 |
2.2.1 基于远程数据采集的监控系统 |
2.2.2 基于历史数据的统计分析系统 |
2.3 整车仿真平台 |
2.3.1 发动机模型 |
2.3.2 整车模型 |
2.3.3 仿真模型验证 |
2.4 本章小结 |
第三章 面向节能的纵向驾驶员模型 |
3.1 数据预处理 |
3.1.1 行驶过程片段提取 |
3.1.2 驾驶员特征参数提取 |
3.2 基于高斯混合模型的驾驶员类型辨识 |
3.2.1 高斯混合模型及其应用 |
3.2.2 EM算法及模型迭代 |
3.2.3 纵向驾驶员行为建模 |
3.3 线性加速模型及其评价指标 |
3.3.1 线性加速模型简介 |
3.3.2 基于概率加权的模型参数辨识 |
3.3.3 线性加速模型的评价指标 |
3.4 本章小结 |
第四章 面向控制的红绿灯场景行驶优化算法 |
4.1 红绿灯场景下的车速规划策略 |
4.1.1 绿灯场景下车速优化策略设计 |
4.1.2 红灯场景下车速优化策略设计 |
4.2 基于逆动力学模型的前馈模型搭建 |
4.2.1 工作模式切换策略 |
4.2.2 逆动力学模型搭建 |
4.3 基于自抗扰控制器的反馈模型搭建 |
4.3.1 自抗扰控制基本思想简介 |
4.3.2 基于扩张状态观测器的状态与扰动观测 |
4.3.3 基于反馈与前馈结合的算法结构 |
4.4 节能效果验证 |
4.4.1 对照组模型搭建 |
4.4.2 绿灯场景下经济性驾驶策略验证 |
4.4.3 红灯场景下经济性驾驶策略验证 |
4.5 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(7)基于GPU加速的平板PET快速重建算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要内容 |
第二章 基于结构对称性和GPU技术的平板PET快速重建方法 |
2.1 引言 |
2.2 迭代重建方法 |
2.3 PET误差影响因素 |
2.4 系统响应矩阵 |
2.4.1 系统响应矩阵的生成 |
2.4.2 平板PET系统响应矩阵的对称性 |
2.5 基于对称性的系统响应矩阵表征 |
2.5.1 基于LOR对称性的系统响应矩阵表征 |
2.5.2 基于体素对称性的系统响应矩阵表征 |
2.6 基于GPU的加速重建算法 |
2.6.1 CUDA简介 |
2.6.2 基于LOR的加速重建算法 |
2.6.3 基于体素的加速重建算法 |
2.6.4 基于LOR和体素联合的加速重建算法 |
2.7 加速重建策略 |
2.8 小结 |
第三章 PET重建软件开发及实验效果评估 |
3.1 引言 |
3.2 PET重建软件设计与实现 |
3.3 实验对比分析 |
3.3.1 仿真实验 |
3.3.2 仿体实验 |
3.4 加速性能评估 |
3.5 小结 |
第四章 总结与展望 |
参考文献 |
致谢 |
作者简介 |
(8)EM算法在混合模型参数估计中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 EM算法研究背景及现状 |
1.3 混合模型研究背景及现状 |
1.4 研究内容 |
1.5 组织结构 |
第二章 EM算法的基本理论 |
2.1 EM算法的基本内容 |
2.2 EM算法的性质 |
2.3 本章小结 |
第三章 EM算法在混合分布模型参数估计中的应用 |
3.1 混合分布模型简介 |
3.2 阶混合泊松分布参数估计 |
3.2.1 二阶混合泊松分布参数估计的EM算法 |
3.2.2 数值模拟 |
3.3 二阶混合正态分布参数估计 |
3.3.1 二阶混合正态分布参数估计的EM算法 |
3.3.2 数值模拟 |
3.4 多层模型参数估计的EM算法 |
3.4.1 二项-Poisson模型参数估计的EM算法 |
3.4.2 数值模拟 |
3.5 本章小结 |
第四章 EM算法在多维泊松分布参数估计中的应用 |
4.1 引言 |
4.2 多维泊松分布极大似然估计的EM算法 |
4.3 实例分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 展望 |
参考文献 |
致谢 |
个人简介 |
(9)基于EM改进算法的多用户检测技术研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要工作及内容安排 |
第二章 多用户检测技术 |
2.1 传统检测器 |
2.2 多用户检测 |
2.2.1 多用户检测的基本原理 |
2.2.2 多用户检测的性能 |
2.2.3 多用户检测算法 |
2.3 经典多用户检测器 |
2.3.1 最优多用户检测(OMUD) |
2.3.2 线性多用户检测 |
2.3.3 非线性多用户检测 |
2.4 本章小结 |
第三章 EM算法及其改进算法 |
3.1 极大似然法估计(MLE) |
3.1.1 似然函数 |
3.1.2 极大似然估计(MLE) |
3.2 期望最大化(EM)算法 |
3.2.1 EM算法简介 |
3.2.2 EM算法基本性质 |
3.3 EM的改进算法 |
3.3.1 ECM算法 |
3.3.2 Aitken加速算法 |
3.3.3 Aitken-delta加速算法 |
3.3.4 ECME算法 |
3.3.5 Cascade EM算法 |
3.3.6 Monte Carlo EM算法 |
3.3.7 EM Gradient算法 |
3.4 本章小结 |
第四章 基于EM改进算法的多用户检测性能分析 |
4.1 EM算法在多用户检测中的应用 |
4.2 ECM算法在多用户检测中的应用 |
4.3 Aitken-ECM算法在多用户检测中的应用 |
4.4 Aitken-delta ECM算法在多用户检测中的应用 |
4.5 ECME算法在多用户检测中的应用 |
4.6 Cascade EM算法在多用户检测中应用 |
4.7 Monte Carlo EM算法在多用户检测中的应用 |
4.8 EM梯度算法在多用户检测中的应用 |
4.9 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 论文展望 |
参考文献 |
致谢 |
个人简历及在学习期间的论文发表与获奖情况 |
(10)改进的遗传算法在非线性方程组中的应用(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第1章 前言 |
1.1 研究意义 |
1.2 研究现状 |
1.3 研究内容 |
1.4 论文结构 |
第2章 相关知识 |
2.1 遗传算法相关知识 |
2.1.1 遗传算法基本概念 |
2.1.2 遗传算法发展 |
2.1.3 遗传算法基本流程 |
2.2 遗传算法数学基础 |
2.2.1 模式定理 |
2.2.2 遗传算法收敛性 |
2.3 遗传算法缺陷分析 |
2.4 非线性方程组介绍 |
2.4.1 非线性方程组描述 |
2.4.2 EM算法中存在的一类特殊非线性方程组 |
2.4.3 运用非数值算法求解非线性方程组思路 |
2.5 局部搜索算法 |
2.5.1 局部搜索算法介绍 |
2.5.2 爬山算法 |
2.5.3 爬山算法缺陷 |
2.6 本章小结 |
第3章 改进的遗传算法求解非线性方程组 |
3.1 改进遗传算法应用在非线性方程组中分析 |
3.2 改进的遗传算法 |
3.2.1 编码方式 |
3.2.2 适应度函数 |
3.2.3 遗传算子 |
3.2.4 遗传算法的运行参数 |
3.3 改进遗传算法求解非线性方程组的步骤 |
3.4 数值仿真实验与分析 |
3.5 本章小结 |
第4章 改进遗传算法应用在EM算法中 |
4.1 EM简介 |
4.1.1 最大似然估计 |
4.1.2 EM算法 |
4.2 改进遗传算法使用在EM算法中 |
4.2.1 EM算法改进 |
4.2.2 执行步骤设置 |
4.3 样本分析 |
4.4 小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
攻读硕士期间完成的论文 |
四、EM算法及其加速(论文参考文献)
- [1]电能表检定数据的高阶统计量分析与家族特征识别[D]. 周松. 昆明理工大学, 2021(01)
- [2]基于CPU和GPU的雷达目标识别算法并行实现[D]. 钟银都. 西安电子科技大学, 2020(05)
- [3]基于稳健混合回归模型参数估计和经验崩溃点探索[D]. 熊欣蔚. 江西财经大学, 2020(12)
- [4]大电网可靠性的快速蒙特卡洛仿真及风险分级评估研究[D]. 耿莲. 重庆大学, 2019(01)
- [5]基于GPU的Directionlet域SAR图像相干斑噪声抑制并行算法研究[D]. 张勤. 安徽大学, 2019(07)
- [6]基于数据建模的交通灯场景经济性驾驶优化研究[D]. 鲁红磊. 天津大学, 2018(06)
- [7]基于GPU加速的平板PET快速重建算法研究[D]. 王建勋. 西安电子科技大学, 2017(06)
- [8]EM算法在混合模型参数估计中的应用[D]. 杨晴. 宁夏大学, 2014(08)
- [9]基于EM改进算法的多用户检测技术研究[D]. 刘智. 河南工业大学, 2013(05)
- [10]改进的遗传算法在非线性方程组中的应用[D]. 邱宽. 云南大学, 2011(04)