导读:本文包含了先验函数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:函数,不变性,权重,中值,基线,正交,向量。
先验函数论文文献综述
陈明理[1]（2019）在《基于先验信息的支持向量机核函数选择》一文中研究指出支持向量机是由统计学习理论发展而来的一种机器学习方法,是众多机器学习方法在发展过程中从经验风险到结构风险的一次重大理论突破。它对传统机器学习方法中难以处理的小样本以及非线性等问题具有特有的优势,被广泛应用于人工智能领域。支持向量机对非线性可分问题拥有较好的学习能力,这是因为它是一种基于核的学习方法。核函数的引入使得支持向量机模型不必再针对输入空间计算内积,而是将输入空间嵌入到高维特征空间中进行计算。这样不仅可以实现非线性问题的分类,同时也降低了计算的复杂度。然而,各核函数相对应的映射方式不同,也就是核函数蕴含的度量特征不同,故核函数对支持向量机模型的泛化性能有着极其重要的影响。因此,针对支持向量机模型在训练的过程中怎样高效地选择核函数是支持向量机研究中至关重要的部分。核函数决定支持向量机模型性能的关键点在于通过映射使得输入的样本点在特征空间中的相互关系。而现有核选择研究大多数仅考虑核函数本身的特征,如全局特性、局部特性等,或者根据经验进行选择。这些核选择方法显然存在着一系列的偶然性和局限性,故本文针对训练样本蕴含的先验信息以及不同核函数生成的核矩阵的特征信息进行综合分析,设计出基于输入样本先验信息的支持向量机核函数选择机制。主要工作有:1.对支持向量机相关理论进行阐述,通过相应的理论推导引出本文研究的重点—核函数,首先对核函数的定义、核函数的性质以及常用的核函数等方面加以描述;然后从黎曼度量、距离度量和角度度量详细地分析核函数所蕴藏的特征信息;最后从研究背景、理论依据以及实际具体问题的先验信息分布等方面做出阐述,对后续研究内容做一铺垫。2.由于诸多实际问题可以借助图论知识加以表达,本文创造性地将图论中无向图邻接矩阵的概念与输入样本相结合,然后针对生成的邻接矩阵进行分析得到样本分布信息,并利用主成成分分析方法求得邻接矩阵的本征维数,以及结合不同类型的核函数所蕴藏的本征维数,从而确定选择核函数类型。最后通过不同的数值实例仿真,验证本文方法能够在充分考虑样本先验信息的前提下有效地进行核选择,避免核函数选择的盲目性。3.针对实际问题中往往无法用整数描述给定样本的本征维数,同时对于复杂问题简单核函数也难以使生成的模型拥有较好的性能。本文建设性地借助分形几何中的分形维数对样本的先验信息进行估计,同时依据分形中自相似性的特点进行基核函数选择或者混合核函数选择。首先利用关联维数的方法计算训练样本的分形维数,并通过实验分析得出阈值进行核函数的选择;然后引入信息熵对训练样本的分布信息表征,以此为基础选择或者组合适合于具体问题的核函数。该方法即可以有效地对训练样本的先验信息进行计算,又能够兼顾核函数的特征信息,并通过相应的数值实例仿真验证了其有效性。4.考虑到上述研究均是以UCI中的数据为基础进行的,本文利用在上海某公司实习期间所采集的数据与基于深度学习和人脸五官点信息的人脸姿态分类算法分别进行了相应的仿真实验,以测试上述核函数选择方法的优越性。通过具体实例仿真得到,利用本文方法选择的核函数构造支持向量机模型对人脸姿态分类的准确率要比基于深度学习的方法分类准确率高,同时在运行时间上支持向量机模型的速度远优于深度学习模型的运行速度。通过对UCI数据库中的数据以及现实生活中提取的人脸数据进行仿真证明,上述方法在充分运用样本的先验信息与核函数的特征信息进行核函数选择的方法是行之有效的。(本文来源于《江西理工大学》期刊2019-05-25）
张治中,张盈[2]（2018）在《激发创造性思维的担当:2017年全国卷函数压轴题及先验性解法》一文中研究指出数学函数高考压轴题,担当创造性思维激发的使命.高考环境,也是学子表现创造思维的好时机.全国卷压轴题作为思维载体,对命题及结论,可以在头脑中产生先验性的知觉形态的直觉判断,由创造思维引导的先验性解题操作,从多个维度激发了创造性思维的萌生.解题具有穿透性、简约性与可接受性.一、践行课标精神,担当创造性思维的生成(本文来源于《广东教育(高中版)》期刊2018年05期）
张良,吕汉峰,吴杰[3]（2014）在《无先验信息的改进目标函数单历元模糊度正确率分析》一文中研究指出基于C/A码和双频载波相位信息建立双差伪距和宽巷相位观测模型,以浮点变换方法生成模糊度备选空间,将改进的目标函数"L1相位残差平方和与L2相位残差平方和之和"替换传统的目标函数"浮点解与真解残差二次型"作为模糊度搜索的准则。18h实测静态数据的计算结果表明,在模糊度求解的正确率、可靠性和可用性方面,改进的目标函数优于传统的目标函数。(本文来源于《武汉大学学报(信息科学版)》期刊2014年10期）
王金山,李伟兵[4]（2014）在《Prelec概率权重函数先验行为假设拓展》一文中研究指出提出一种称为中值不变性的概率权重函数先验行为假设,提供一种推导Prelec概率权重函数的新方法,并给出更弱条件下满足中值不变性的定义。分析并阐述了中值不变性较已知的3种先验假设在可行性和可靠性两个方面的综合优势,其结论更容易被人们接受,对决策者有实际参考意义。至此,存在4种可推导出Prelec概率权重函数的先验行为假设。(本文来源于《重庆理工大学学报(自然科学)》期刊2014年07期）
牟宸辰[5]（2011）在《关于调和函数与Poisson方程解先验估计的若干注记》一文中研究指出椭圆型方程是偏微分方程的一个重要分支.椭圆型方程可以广泛应用于弹性力学、流体力学、电磁学、几何学和变分法中.文献[1]就是一本系统地介绍二阶椭圆型偏微分方程基本理论和基本方法的经典着作.由于篇幅所限,部分结果未给出证明,给读者的理解带来了一定的困难.所以有必要对该书进行补充.本文是一篇研究习作.本文的目的在于讨论调和函数与Poisson方程解的先验估计.该文章分为两个部分.第一部分作者介绍了调和函数的等价定义,收敛性,内部估计和近边估计.第二部分作者讨论了Poisson方程解的存在唯一性,以及其二阶导数的内部估计和近边估计.首先,作者研读文献[1]遇到的第一个问题是：在高维欧式空间中的区域里,调和函数是否等价于对于该区域中的任意球均满足平均值定理的函数.由复变函数的知识我们知道,在二维欧式空间中该结论是正确的.那么在高维中是否仍有该结论,是一个值得深入研究的问题.作者由在球中存在Green函数的第一形式证明了在高维中该结论是正确的.其次文献[1]推论(3.2)中的等式未给出证明.但是作者发现该式就是高维空间中的牛顿-莱布尼茨公式,且证明并不显然.作者在此利用散度定理给出证明.与此同时,作者发现文献[1]缺省了调和函数的近边估计,而且后边的Poisson方程解的近边估计也利用了调和函数的近边估计.于是作者对此进行了相应的补充并给出证明.证明中最关键的想法是利用Schwarz反射原理对调和函数进行奇延拓,将近边估计转换为内部估计.在关于Poisson方程解的存在唯一性的证明中,文献[1]没有证明第四节中引理(1)中w∈C1(Rn).作者认为证明并不显然.作者是利用含参变量积分的相关命题给出的证明.类似的,文献[1]缺失了对第四节引理(2)中u是良定义的证明.作者也认为这个证明不显然.作者是利用r函数的各阶导数的估计来证明u有定义.最后,文献[1]省略了第四节定理(2)和定理(6)的证明.同时,文献[1]只是简略地证明了第四节定理(3),省略了证明的关键步骤,不便于读者理解.作者均对它们进行了详细地证明.(本文来源于《吉林大学》期刊2011-04-01）
赵晓丹[6]（2010）在《基于非先验函数系的信号识别》一文中研究指出信号分析在众多的科研领域都有运用,它涉及科学研究、生产技术领域,而且涉及医疗诊断,与人们的日常生活密切相关。对信号处理的研究和运用在不同的学科之间相互交叉,共同推进了信号处理研究的发展。信号分析方法多,本文尝试从运算方法的角度去分析、比较各种方法,不仅仅以基函数的不同去区分各种方法。实际工程信号处理中,DFT是最常用的信号处理方法,DFT分析的核心是建立正交基,但是要建立一个正交基能够准确识别任意一个频率的正余弦信号是做不到的,这样一个正交基是超现实的,因此需要“频谱校正”。DFT先验地建立正交基,同时要满足逆变换,保证能够重构信号,存在频率间隔。基函数的频率与信号频率不吻合将产生误差,先验地选取基函数是DFT分析误差的原因。基于上述分析,提出非先验策略。一个工程信号,只有有限个不同频率的信号。找到这有限个频率对应的基函数,由这些基函数组成一个函数系,就能够对这一信号进行准确分析。这个问题转化为非先验函数的寻找和函数系的建立问题。在这一想法指导下,提出了非先验的计算分析方法,对单频、非密集频谱、一般密集谱和超密集谱由简到繁的各种情况进行了研究,结果表明非先验的分析方法都能够找到一个函数系与实际存在的信号吻合,这样可消除泄露误差。目前的频谱校正方法,以解方程为主要手段,解方程适用于单频和非密集谱,对于密集谱解方程的方法复杂,如果同时考虑负频谱项,多个密集谱的情况,解方程实际难以实现。非先验函数的找寻在数学上基于优化计算。在解决负频谱影响(超低频信号识别)和密集谱的识别问题上尤其显示其优越性,而这两方面是目前频谱校正研究的关注点。非先验方法基函数的选取,依据实际信号的情况而定,没有频率间隔的限制；从非先验分析的角度看,理论上信号截断对正余弦信号的准确识别没有影响,信号截断是实际工程信号处理中的必然,在信号截断的情况下仍然能够进行准确识别具有实际工程意义。在完成识别的基础上,研究了用非先验方法逼近信号。在识别正余弦信号的研究中分析了减法具有消除交叉干扰的作用,由于减法非常简单,以至于它的这一作用没有得到重视。基本非先验方法有两个核心运算一个是内积运算,一个是减法运算,减法运算保证了这一方法的收敛性。一旦非先验的函数系被确定,则能够进行最佳逼近运算。与DFT方法对比,非先验方法的分析机理不是插值逼近。非先验方法的分析机理是一种逐步逼近,采用DFT分析工程信号是一种构造型的插值分析方法。本文分析了逼近展开与识别的不同,这两者有着多方面的区别,对它们的分析应该采用不同的路线,识别和逼近展开的核心区别在于信息熵不同,识别的信息量大,识别的结果在时间上可延拓,而一般逼近展开则不能够。通过算例对比了非先验分析与DFT和DCT的逼近速度,结果表明非先验方法的逼近效率高,非先验方法具有更广的基函数使用空间,能够更加灵活地适用于不同的信号。卷积也是信号处理中常见的运算,卷积公式Y(ω)=H(ω)X(ω)有其适用范围,只能运用于能量有限的信号,对于Y(ω)和X(ω)都受到噪声干扰时,卷积公式Y(ω)=H(ω)X(ω)和反向滤波公式X(ω)=Y(ω)/H(ω)都会带来大的误差。提出基函数卷积运算,这种卷积运算对功率信号和能量信号都适用；与噪声限值相结合,基函数卷积也能够适用于信号受到噪声污染的情况。并且将其运用于有较强噪声干扰情况下的反卷积运算,诊断结果有较高的精度。将非先验函数系分析方法运用于阻尼识别。实际上阻尼识别和正余弦信号识别是同一类问题,可以采用相同的技术路线,不同点仅在于基函数的选取不同。提出了非先验函数系的阻尼识别方法,理论上这一方法对信号的长度没有特定的要求,是一种准确识别方法。同时将非先验分析用于双传声器声强测量,进行了模拟计算和实验验证。结果证明这种方法可以避免泄漏误差,准确地测量出声强值。DFT等先验基方法在思想方面强调了理想性,但是要达到这种理想条件有很大的难度。以正、余弦信号的识别为例,不能够现实地建立一个完备的正交函数基保证对任意频率的正、余弦信号的准确识别。先验基分析中,基的建立占主导地位；非先验分析中,实际信号占主导地位,基函数的选取和确定要视信号而定。(本文来源于《江苏大学》期刊2010-04-01）
龚灵燕[7]（2009）在《Prelec权重函数及其不同先验行为假设的比较分析》一文中研究指出自从前景理论提出以来,人们已经普遍认识到决策者会高估低概率事件、低估高概率事件。在提出的诸多权重函数之中,Prelec权重函数由于其简单,与大部分实证证据一致以及有一个理论化基础而备受关注。Luce提出了一种相对于复合不变性而言更简单的,基于还原不变性的推导,而Al-Nowaihi和Dhami在此基础上提出了幂不变性。文中对Prelec权重函数进行了简单描述以及利用其对金融异象的解释,再就复合不变性、还原不变性和幂不变性这叁种能推导出Prelec权重函数的先验行为假设进行了总结,并对其进行了简单比较分析。(本文来源于《价值工程》期刊2009年11期）
孙喆,张曾科,王焕钢[8]（2008）在《先验知识与基于核函数的回归方法的融合(英文)》一文中研究指出In some sample based regression tasks,the observed samples are quite few or not informative enough.As a result,the conflict between the number of samples and the model complexity emerges,and the regression method will confront the dilemma whether to choose a complex model or not.Incorporating the prior knowledge is a potential solution for this dilemma.In this paper,a sort of the prior knowledge is investigated and a novel method to incorporate it into the kernel based regression scheme is proposed.The proposed prior knowledge based kernel regression(PKBKR)method includes two subproblems:representing the prior knowledge in the function space,and combining this representation and the training samples to obtain the regression function.A greedy algorithm for the representing step and a weighted loss function for the incorporation step are proposed.Finally,experiments are performed to validate the proposed PKBKR method,wherein the results show that the proposed method can achieve relatively high regression performance with appropriate model complexity,especially when the number of samples is small or the observation noise is large.(本文来源于《自动化学报》期刊2008年12期）
王晶,刘福升[9]（2005）在《不同损失函数下不同无信息先验的Bayes估计及比较》一文中研究指出讨论了采用损失函数L2(θ,δ)=aθm(δ(x)-x)2时,在二项分布场合下关于产品合格率的不同无信息先验分布下的Bayes估计,并从Bayes风险的角度,对损失函数为L2*(θ,δ)=θ(δ(x)-x)2的Bayes估计与[1]中所得的Bayes估计进行了比较。从而得出了采用损失函数L2*(θ,δ)=θ(δ(x)-x)2进行Bayes估计较优的结论。(本文来源于《山东科技大学学报(自然科学版)》期刊2005年04期）
刘琦,冯静,周经伦[10]（2005）在《复杂系统可靠性评定先验分布的样条函数估计》一文中研究指出在经验 Bayes理论的基础上 ,研究了利用样条函数拟合系统任务可靠度先验分布的方法。对 Weibull、指数和二项分布的叁种试验结果 ,给出 Bayes方法可靠性计算公式。最后给出的一个实例表明 ,该方法计算简便、便于工程应用(本文来源于《航空动力学报》期刊2005年01期）
先验函数论文开题报告
（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：
数学函数高考压轴题,担当创造性思维激发的使命.高考环境,也是学子表现创造思维的好时机.全国卷压轴题作为思维载体,对命题及结论,可以在头脑中产生先验性的知觉形态的直觉判断,由创造思维引导的先验性解题操作,从多个维度激发了创造性思维的萌生.解题具有穿透性、简约性与可接受性.一、践行课标精神,担当创造性思维的生成
（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。
先验函数论文参考文献
[1].陈明理.基于先验信息的支持向量机核函数选择[D].江西理工大学.2019
[2].张治中,张盈.激发创造性思维的担当:2017年全国卷函数压轴题及先验性解法[J].广东教育(高中版).2018
[3].张良,吕汉峰,吴杰.无先验信息的改进目标函数单历元模糊度正确率分析[J].武汉大学学报(信息科学版).2014
[4].王金山,李伟兵.Prelec概率权重函数先验行为假设拓展[J].重庆理工大学学报(自然科学).2014
[5].牟宸辰.关于调和函数与Poisson方程解先验估计的若干注记[D].吉林大学.2011
[6].赵晓丹.基于非先验函数系的信号识别[D].江苏大学.2010
[7].龚灵燕.Prelec权重函数及其不同先验行为假设的比较分析[J].价值工程.2009
[8].孙喆,张曾科,王焕钢.先验知识与基于核函数的回归方法的融合(英文)[J].自动化学报.2008
[9].王晶,刘福升.不同损失函数下不同无信息先验的Bayes估计及比较[J].山东科技大学学报(自然科学版).2005
[10].刘琦,冯静,周经伦.复杂系统可靠性评定先验分布的样条函数估计[J].航空动力学报.2005
论文知识图
![先验知识结合方式（来自于文献[43]）](/uploads/article/2020/01/06/dc2d9e30cf6dc7df49c9a498.jpg)
