一、判别线性约束下实二次型正定性的一个算法（论文文献综述）
吕志鹏[1]（2020）在《结构总体最小二乘估计理论的拓展及其应用研究》文中进行了进一步梳理高斯-马尔可夫（Gauss-Morkov,GM）模型是测量平差理论体系的模型基础,最小二乘（Least-Squares,LS）估计可以得到GM模型的最优参数估值。而在测量数据处理中,系数矩阵也可能包含随机误差,具有随机系数矩阵的GM模型被称之为变量误差（Errors-In-Variables,EIV）模型,在均方误差意义下,总体最小二乘（Total Least-Squares,TLS）估计得到的EIV模型参数估值优于LS估计。自Gloub and Van Load（1980）提出TLS估计的奇异值分解（Singular Value Decomposition,SVD）算法以来,TLS估计引起了各领域的广泛关注,如:信号处理、自动控制、系统识别、计量经济、生物医药和大地测量等,并成为各领域的一种基本参数估计方法。近些年来,TLS估计逐步演变成一个完备的理论体系,但是相关研究成果仍不够成熟和完善,有待进一步提高和发展。本文从加权总体最小二乘（Weighted Total Least-Squares,WTLS）估计的分类、结构总体最小二乘（Structured Total Least-Squares,STLS）估计、STLS问题的（非负）方差分量估计、基于总残差（total residual）的抗差总体最小二乘（Robust Total Least-Squares,RTLS）估计以及具有高崩溃污染率的RTLS估计等五方面展开了系统性的研究。论文主要结论和贡献包括:（1）系统地总结了WTLS估计的解法。本文从WTLS问题的数学模型表达、优化方法选择和迭代公式设计等三方面对WTLS估计的解法进行分类。在不同的模型假设下,采用Gauss-Newton法推导了各种解法的估计公式,并说明它们具有LS估计的形式,这为总体最小二乘的其它拓展研究奠定了方法基础。（2）针对测绘领域诸多实际应用中系数矩阵和观测向量具有结构特征这一问题,即系数矩阵和观测向量中包含固定量（甚至固定列）和随机量,并且不同位置的随机量线性相关。从EIV函数模型出发,引入变量投影法对系数矩阵和观测向量中的结构特征进行提取,然后基于Gauss-Newton法构造了两种STLS估计算法,这两种STLS估计算法具有相同的LS估计的形式,通过算例分析表明该算法相对于WTLS估计算法减少了预测残差的数量,相对于Markavsky给出的SLTS估计算法减少了迭代次数。本文还阐明了STLS估计和WTLS估计具有等价性。（3）通过多线性拟合问题研究了TLS估计得到的预测残差特点,说明相对于LS估计,TLS估计并不适合于进行残差预测,推荐采用总残差对等式误差进行预测,用于后续的方差分量估计和抗差估计研究。（4）在以上研究成果基础上,考虑到系数矩阵和观测向量中的随机量可能来源于不同的观测或者以前的平差结果,甚至不同期的观测,因而可能具有不同的方差分量,如果考虑随机量之间的相关性,也可能具有不同的协方差分量这一问题,本文基于总残差将最小二乘方差分量估计（Least-Squares Variance Component Estimation,LS-VCE）算法应用到STLS问题的方差和协方差分量估计,并进一步拓展了Xu and Liu（2014）中关于方差和协方差分量可估性的结论。同时采用非负函数对方差分量重新参数化,推导出了结构变量误差（Structured Errors-In-Variables,SEIV）模型的非负函数约束最小二乘方差分量估计（Nonnegative Function Constrained Least-Squares Variance Component Estimation,NFC-LS-VCE）算法,通过算例分析表明该算法可以有效解决初值选取不当引起的负方差问题。（5）由于外界环境、测量仪器和人为因素等的影响,观测值中也可能混入粗差,在测绘领域,数据探测法和M估计是处理粗差问题的两类基本方法,它们均是基于观测值的预测残差进行算法实施。虽然TLS估计可以给出每个观测值的预测残差,但是相对于LS估计,TLS估计并不适合用于残差预测。针对这一问题,本文以标准化总残差为基础采用中位数法计算后验单位权方差,然后结合IGGⅢ权函数进行重定权并构造了相应的M估计算法——RSTLS-LS-IGGⅢ,最终通过算例分析说明其性能优于基于单个观测值重定权的策略。（6）虽然M估计具有很高有效性,但是M估计的崩溃污染率为0,它的抗差性高度依赖于初值。针对WTLS估计或者STLS估计不具抗差性这一问题,本文设计了三种高崩溃污染率的抗差估计方法,即基于枚举法的重复中位数（Repeated Median,RM）估计、基于重采样方法的总体最小平方中位数（Total Least Median of Squares,TLMS）估计和基于分支定界（Branch And Bound,BAB）算法的总体最小截断平方（Total Least Trimmed Squares,TLTS）估计,这三种估计方法均具有50%的渐进崩溃污染率（Breakdown Point,BP）。在不顾及不同观测方程中随机量的相关性的情况下,通过算例分析表明上述三种算法有效性较低,并且由于采用部分观测方程搜索全局最优解也存在明显偏差,并不适合作为最终的参数估值。实践中,可以首先采用高崩溃污染率的抗差估计方法计算参数初值,然后进行标准化总残差预测和后验单位权方差估计,最终应用回降M估计计算参数估值,即带有抗差初值的M估计——MM估计,通过算例分析表明该算法可以同时具有高有效性和高崩溃污染率。
周思航[2]（2019）在《用于低质量医疗图像分割的表示学习》文中进行了进一步梳理基于计算机视觉的自动图像分割是机器辅助医疗图像分析任务中至关重要的步骤。自动且快速地获取具有准确分割掩码的医疗图像,对于帮助医生提高诊断精度、速度以及针对不同病人提供个性化的治疗方案具有重要的意义,针对该技术的研究也是当前科研领域的热点方向。在所有的研究问题当中,由于受到医疗图像独有的对比度低、噪声大、伪影多、内存占用量大以及获取标注信息困难等特性的影响,表示学习成为了提高医疗图像分割性能的核心方向之一。如何在有监督甚至无监督场景之下获取对于大噪声、多伪影、低对比度图像鲁棒的特征表示是分割任务中至关重要的研究问题。本文致力于消除由前述图像特性对分割任务带来的消极影响,针对有监督语义分割、实例分割以及无监督分割场景设计算法,利用深度学习以及核学习等表示学习方法,提取高质量的图像特征,最终提高相应场景下的分割精度。论文的主要创新点概括如下:1.通过改进传统的编码-解码网络连接方式,并向其注入高分辨率语义信息,提出了一种针对低质量医疗图像的语义分割深度神经网络。近年来,语义分割领域的高精度算法大都采用一种由跳跃连接（skip connection）联结的编码-解码网络结构。然而,在很多分割目标边界模糊不清的应用场景中,以上模型往往无法准确定位物体边界实现精准分割。本文中,我们通过分析与实验发现,导致以上问题的主要原因是:通过跳跃连接保存的物体位置信息虽然具有较高的分辨率,但是语义信息欠缺、判别性不够,不足以准确地排除虚假边界以及消失边界带来的消极影响。为了解决这个问题,我们提出了一种高分辨率多尺度编-解码网络（MHMSN）。该网络在已有的两种神经网络通路的基础上（跳跃通路和编解码通路）,创新性地加入了第三种高分辨率语义通路,通过引入高分辨率语义信息使得该通路可以同时指导网络提取“是什么”以及“在哪里”两种信息,从而实现对模糊边界更精准的定位。大量的实验证明了所提算法的有效性。此外,在实验中我们还发现,除了众所周知的可以通过提高网络复杂度提升分割精度之外,合理选择语义信息的分辨率也能极大地影响网络的分割精度。2.通过挖掘纹理信息之外的物体结构信息,提出了一种对于分割目标形状和大小鲁棒且对低对比度以及高噪声不敏感的实例分割算法。现有的实例分割方法主要分为基于检测框和不基于检测框的算法。然而,我们发现在医疗图像的应用场景中,非常规的物体形变和密集分布的分割目标常使得基于检测框的分割算法难以实现对实例的准确定位。而图像当中由于低分辨率导致的模棱两可的边界,挑战了不基于检测框算法中以检测边界点为核心的分割机制。为了解决这些问题,我们提出了一种基于深度判别监督的非检测框算法。在此算法中,一种新颖的深度判别监督模块（DDS module）被加入到精心设计的多任务全卷积神经网络中。由于该模块的加入,鲁棒的实例级信息,尤其是实例的结构信息被引入到网络中,极大地提高了网络的分割精度。以该算法为主体,我们获得了MICCAI 2018年度两个国际细胞分割竞赛的第2名与第6名。3.针对无监督分割任务容易受到噪声影响的问题,提出了一种基于子空间聚类的鲁棒多视图信息融合算法。无监督多视图信息融合是一种无监督场景下有效融合多源信息,实现各个视图之间取长补短的表示学习方法。虽然其优异的性能在很多领域已经得到验证,但是医疗图像当中大量的噪声信息仍然极大地影响了表示学习的质量以及分割效果。为了解决以上问题,我们将子空间分割算法同多核聚类相融合,提出了一种基于子空间分割和多核聚类的多视图信息融合算法。在我们的优化范式中,经过精心设计的噪声表示矩阵以及两个稀疏约束条件,极大地缓解了噪声对于表示学习的消极影响。为了高效求解以上优化问题,我们提出了一种新颖的乘子交替方向法（ADMM）。在多个合成数据集以及基准数据集上的实验结果,验证了本文算法的优异性能。4.通过更有效地保存数据内部的局部几何结构,提出了一种基于超像素的多核聚类分割算法。基于超像素的多核聚类算法是一种重要的无监督图像分割算法,其通过挖掘每个超像素中来自多个基核矩阵的互补信息实现最优分割。为了更好地提取并融合每个超像素的判别信息,我们提出了一种简单有效的基于邻居核的多核聚类算法。在该方法中,我们首先设计了一种能够更好地保存核矩阵内部对角分块结构,并且提高核矩阵对于噪声和异常点鲁棒程度的邻居核（neighbor-kernel）。然后,我们将每个视图中提取的邻居基核线性组合,利用提出的带有精确秩约束的子空间聚类算法提取多视图的共享邻居矩阵。最后,基于该矩阵进行图像分割。为了准确求解以上优化问题,我们提出了一种高效的迭代优化算法,并且证明了其有效性。通过推导,我们发现带有精确秩约束的岭回归问题的最优解是无约束岭回归问题最优解对于其主成分的反向映射,揭示了两个问题的联系以及施加精确秩约束的物理意义。通过在多个数据集上开展大量实验,我们证明了所提算法的有效性。5.通过深入挖掘数据内部的高阶邻居信息,提出了一种基于多视图谱聚类的分割结果后期融合算法。后期融合是一种将多个分割结果综合考虑并有效结合,从而提高分割性能的技术手段。为了更好地实现无监督场景下的后期融合,我们改进现有的多视图谱聚类算法提出了一种基于最优邻居拉普拉斯矩阵的多视图谱聚类方法。为了构造能够融合多算法结果的最优拉普拉斯矩阵,现有算法通常将一组事先给定的一阶拉普拉斯矩阵线性组合,通过寻找最优组合系数来实现信息融合。然而近期的研究结果表明,这种方式极大地限制了学习得到的最优拉普拉斯矩阵的表达能力,并且没有充分挖掘数据内部的结构信息。为了解决这个问题,我们提出了一种最优邻居多视图谱聚类算法（ONMSC）。具体而言,本文方法通过同时在一阶和高阶拉普拉斯矩阵所张成线性空间的邻居空间当中搜索最优的拉普拉斯矩阵表示,极大地扩展了最优矩阵的搜索空间,有效地利用了数据内部的高阶邻居信息,获得了更好的分割效果。为了求解文中的优化问题,我们提出了一种高效且收敛性可证的优化算法。通过大量的实验验证,我们证明了算法的有效性。
陈闫[3]（2014）在《重磁共轭梯度聚焦反演研究与应用》文中认为随着重力勘探设备精度、数据处理及解释水平的提高，以及矿产和油气勘探难度的不断加大，重磁反演技术受到国内外学者广泛关注。本文作者通过对地球物理反演技术、重磁反演技术以及最优化理论的深入研究，提出了本文的多约束共轭梯度聚焦及联合反演策略。本文将积分灵敏度、粗糙度和最小支撑泛函约束以及参考模型和模型参数界限约束引入到目标函数中，采用共轭梯度法进行反演迭代。另外，本文还利用剖分单元之间几何架构等效性，实现了重磁场及梯度三维正演快速计算和导数矩阵优化存储。最终，形成了本文的反演算法。本文以重力梯度全张量数据为例，进行了三维反演试算。通过对由简单到复杂的多种模型进行光滑反演、聚焦反演及噪音干扰反演，并进行对比分析。结果表明，本文的反演算法是一种高效、可靠以及稳定的算法。最后，在梨树断陷和本溪-临江地区两个研究区，应用了共轭梯度聚焦反演技术。最终，准确预测了研究区深部的三维构造特征，说明了本文算法的实用性和广阔的应用前景。
黄全振[4]（2012）在《压电智能结构自适应滤波振动主动控制研究》文中认为压电智能结构振动主动控制方法与技术涉及先进材料、控制理论、力学分析、数学建模、科学计算、实验技术等诸多领域，是多学科交叉的前沿课题，具有重要的科研学术意义和工程应用价值。作为压电智能结构主动减振研究的一个重要发展方向，自适应控制策略成为当前研究的热点，其中自适应滤波控制技术在理论方法和实验验证方面取得了较好的实现效果；但目前面向压电智能结构振动主动控制的自适应滤波控制方法依然存在很多不足，突出体现在控制器设计和算法过程的具体实施适应性上，同时算法缺乏比较完善的系统稳定性及控制效果分析方法，并在工程实现方面也存在较多的问题，需要进一步的深入探索和研究。本文基于国家自然科学基金科研课题的研究背景，以一种模拟临近空间飞行器压电智能框架结构为实验模型对象，着重进行自适应滤波振动控制方法及其实现算法研究，同时针对模型结构动力学分析方法与压电元件优化配置策略进行积极探索，并在此基础上构建整体实验平台和开发综合测控系统，以验证相关方法技术的可行性和有效性；全文工作可以概括为结构动力学分析与压电元件优化配置、自适应滤波振动控制方法与控制器设计、实验平台构建与实验验证分析三大部分。所做主要工作如下：（1）以压电智能框架结构为实验对象，将分布式压电元件作为传感器和驱动器粘贴于结构表面，构建了一种模拟临近空间飞行器压电智能框架实验模型结构，并与开发的自适应滤波振动控制系统结合，形成了一套压电智能结构自适应滤波振动主动控制实验系统。（2）采用行波分析法，对压电智能结构进行动力学分析，同时引入智能结构振动模态有限元分析技术，结合压电智能结构振动特性，分析了压电传感器/作动器的位置优化问题，并以框架组成单元梁为研究对象，给出优化目标函数，引入粒子群优化方法针对目标函数进行优化，实现分布式压电传感器/作动器元件的优化配置。（3）鉴于经典自适应滤波-X LMS算法过程中需要预知与外激扰信号相关的参考信号，导致该方法存在工程适用性和技术实用性缺陷。本文提出了一种基于滤波-X改进型的参考信号自提取振动控制算法，着重考虑通过从振动结构中直接提取振动响应残差信号，进而基于控制器结构和算法过程数据构造出参考信号，满足与激扰信号的相关性并进入算法控制过程；仿真分析和实验验证表明：所提出改进的控制算法控制效果良好，不仅实现了参考信号的振动结构直接提取策略，并具有较快的收敛速度和良好的控制效果。（4）在经典的自适应滤波-X LMS算法实施过程中，存在控制通道模型参数辨识问题，一般可采用离线辨识策略获得控制通道模型参数，但也很大程度上导致该方法在工程实际应用时具有较大的不实现性。本文提出一种控制通道模型在线辨识的自适应滤波振动主动控制方法，其基本思想是在控制输出端引入一个随机噪声信号，采用FIR滤波器作为受控通道模型进行实时在线辨识，同时控制环节采用滤波-X控制算法。经过仿真分析和实验验证表明，本文所提的在线辨识控制器设计方法及其实现算法控制效果良好，为进一步深入实用化研究奠定了基础。（5）由于滤波-X控制器的传输函数是一个全零点的结构，其不考虑控制输出信号的反馈对参考信号的影响，而在实际的系统中这种影响是不能忽略的。滤波-U结构的传输函数中含有零极点，它可以在一定程度上解决振动反馈可能带来的控制系统的不稳定问题。本文以滤波-U为基础结构，分别研究了参考信号自提和控制通道在线辨识问题，分别提出了基于滤波-U的参考信号自提取振动控制方法和控制通道在线辨识的振动控制方法。经过仿真分析和实验验证表明，所提控制方法及其实现算法控制效果良好。（6）在完成压电智能框架结构振动主动控制平台构建，以及结构振动控制系统软件开发的基础上，对本文所研究的自适应滤波振动控制方法及其实现算法进行了实验分析与验证工作。方法研究与实验验证表明，多通道自适应滤波结构振动控制方法具有较强的自适应能力，能够较快地跟踪受控结构系统参数及外扰响应的变化；本文所提出的自适应滤波振动控制算法与经典滤波-X、滤波-U算法相比，虽然收敛速度略慢，但控制效果良好，尤其为提高自适应滤波控制方法的技术实用性和工程适用性，提供了有益的技术方法思路。
陈伟[5]（2012）在《高光谱影像地物智能化提取理论与方法研究》文中进行了进一步梳理高光谱遥感影像地物提取是高光谱遥感应用领域的关键技术之一，为了满足高光谱影像地物提取对精度、效率和鲁棒性的要求，本文利用高光谱影像的光谱和空间信息，同时针对其具有高维相关特征和非线性可分的特点，围绕不同尺度地物要素提取所涉及的关键技术，采用人工智能领域的相关原理与方法开展了深入细致的研究。论文主要的研究内容和创新点如下：1．提出了一种称为光谱角度余弦核测度的新型光谱相似性测度及其参数的自适应选择方法，并且将其应用到了高光谱影像地物检测与空间邻域聚类中。该测度对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。几组高光谱数据的实验结果证明了该测度不仅能有效扩大阈值取值区间，而且可提高检测的精度。2．针对传统聚类方法对非球形分布数据聚类精度较低的问题，引入并改进了谱聚类算法，给出了基于谱聚类的高光谱影像非监督分类方法。该方法采用了稀疏相似矩阵以克服内存瓶颈问题，利用空间邻域聚类对影像进行过分割预处理以提升速度，利用光谱角度余弦核代替高斯径向基核构造相似矩阵以提高聚类精度。实验结果证明，本文算法能有效提高高光谱影像非监督分类精度。3．将基于正定核函数的单类支持向量机（OCSVM）引入到高光谱影像地物检测中。单类支持向量机不仅保留了支持向量机的原有优势，并且仅需待检测类型的训练样本。本文通过数学模型选择、核函数设计与最优参数选择将OCSVM原理融入到高光谱影像的地物检测算法中，提高了检测的精度，降低了训练样本的要求。利用多幅高光谱影像进行了实验分析，实验结果证明了本文算法的有效性。4．针对高斯径向基核函数对光谱向量间欧氏距离变化较敏感，而对同种地物光谱曲线形状变化的适应性较弱的问题，提出了一种基于非正定核的单类支持向量机地物光谱检测方法。该方法采用光谱角度余弦核这一非正定核函数，利用代核矩阵和解析中心割平面法实现非正定单类支持向量机的全局优化问题的解算。实验分析证明,该方法能够显着提高高光谱影像地物检测的精度。5．设计了一种联合光谱与空间信息的地物提取策略。首先采用马尔科夫随机场（MRF）来描述高光谱影像相邻像元之间的空间关系，然后，通过MAP-MRF框架，将高光谱影像分割转化为一个能量函数最小化问题，最后，利用单类支持向量机地物检测的结果作为初值，以图割方法实现能量函数的最小化。对比实验显示，本文提出的联合光谱与空间信息的提取策略能有效提高高光谱影像地物提取的精度。6．将粒子群优化（PSO）原理引入到高光谱影像端元提取中。首先针对传统PSO在处理端元选择这类离散解空间中大规模优化问题时的不足，结合局部模式的PSO与遗传操作，提出了一种面向端元选择的粒子群优化遗传算法（PSOGA）。其次，利用全局模式PSO，融合了分解残差与单形体体积两大端元提取判据，设计了一种基于粒子群优化的端元估计算法（PSOBEE），该算法不需要假设影像中存在纯像元，并能较好地保持端元光谱的形状。对比实验证明了两种基于PSO的端元提取算法的有效性。
韩虎[6]（2011）在《基于粗糙集的支持向量机及应用研究》文中研究表明基于数据的机器学习是一种重要的数据挖掘方法,也是现代智能技术中的重要内容。近年来,粗糙集与支持向量机作为两种主要的数据挖掘方法获得了大量的研究。基于结构风险最小化的支持向量机方法能够较好地解决小样本、非线性、过学习、维数灾难和局部极小等问题,具有很强的泛化能力。但是作为一种新型的机器学习方法,在解决实际问题时还存在一些问题。本文结合粗糙集理论对支持向量机方法从两个方面提出了几点改进；一方面利用粗糙集理论对样本集进行预处理,首先提出基于邻域粗糙集的样本选取,其次分析了属性约简对支持向量机的影响,并提出基于属性约简的支持向量机选择性集成。另一方面利用模糊理论与粗糙集对支持向量机在处理不确定问题方面进行了几点改进。论文的研究成果主要包括以下几个方面：1.针对支持向量机方法对于高维大规模数据无法直接处理和对异常样本敏感问题,提出一种基于邻域粗糙集数据预处理的支持向量机分类算法。该算法从两个方面对训练样本集进行预处理,一方面利用邻域粗糙集模型中对象邻域的上、下近似,寻找两种类别的交界部分,从而减小问题规模；其次通过对交界部分样本进行混淆度分析,对于那些混杂在另一类样本中的异常样本或噪声数据进行剔除。另一方面利用属性重要性度量对样本集进行属性约简与属性加权处理。2.基于粗糙集理论的属性约简往往会产生多个等价的属性约简集合,每个约简集合包含的属性是部分或者完全不同的,它们从不同的角度对原始系统进行描述,具有一定的差异性和互补性。本文在对比研究了现有集成方法的基础上提出了一种基于粗糙集属性约简的选择性支持向量机集成方法。3.在分析了现有模糊支持向量机隶属度计算方法的基础上,提出一利基于粗糙一类支持向量机的隶属度确定方法。该方法利用粗糙集思想构造一个最小粗糙球,分别得到对应粗糙球的上近似、下近似与边界区域,然后依据样本在超球中的位置对分布在下近似、边界域和粗糙球以外的样本,分别采用三种不同的方式计算其各自的隶属度。4.提出一种基于模糊粗糙集的不确定支持向量机方法。在实际的应用系统中,由于研究对象的复杂性和对研究对象认识能力的局限性,往往得到一些含有不确定信息的信息系统,例如样本分类的不确定性。在这类问题中样本不能明确地归为某一类,只能以一定概率或一定隶属度属于某一类。本文利用一类特殊的核函数构造了一种模糊等价关系,接着以这类核函数构造的模糊等价关系为基础给出了模糊粗糙集的定义,然后利用模糊粗糙集中的下近似算子为每个训练样本分配隶属度,最后将得到的样本隶属度融入到传统支持向量机模型中,得到一个新的优化问题。
宋玉丹[7]（2011）在《针对特征缺省数据集的模式识别方法与应用研究》文中研究表明在模式识别、机器学习以及数据挖掘中,分类是一个基本而又重要的问题。作为模式分类的研究方法之一的支持向量机技术近来也得到广泛的研究和应用。进行分类时,我们必备的两个条件,一个是分类器,另一个是数据集。在实际的应用中,由于获取数据的渠道和数据建模的差异等原因,人们所能收集到的大量信息往往是不完整的,存在缺少的特征或者是非均衡的,统称为缺省数据集。对特征缺少的数据集进行分类,目前的处理方法主要有直接删除法或者空值填充法;对于不平衡的数据,传统的方法是对较少的一类进行人为重采样或者对较多的一类进行删除,以此来减弱训练样本的不均衡性,但是这些修复方法会在一定程度上降低分类的准确性,并没有从根本上进行算法的改进。而且无论通过哪种方式修正,都无法避免主观因素对原系统的影响,并且花费的代价很大。缺省数据集分类算法的探索是随着数据获取、机器学习和信息检索的发展而出现的问题,是一个比较新的课题,国内外对该问题的研究还不成熟,但是它却非常具有现实意义,尤其是在容易丢失特征的车牌识别、语音识别、生物认证、医疗诊断、机器故障检测等领域具有十分广泛的应用前景。本文在对特征缺少和不平衡数据集的现有理论和算法进行回顾、探讨的基础上,有针对的提出了基于支持向量机的新算法,并通过实验证明。主要工作总结如下:第一部分为全文的绪论,对模式识别技术的发展和基于缺省数据集的分类现状进行了分析和综述。第二部分归纳简述了支持向量机的理论基础知识,包括机器学习的基本问题、统计学习理论以及传统支持向量机的基本算法和改进算法等。第三部分针对特征缺少数据的分类问题,阐述和分析了特征缺少的定义、特征缺少的产生机制以及处理准则,对当前处理特征缺少的研究成果进行分析;提出了基于最大间隔和最小类内方差的处理不完整数据的支持向量机方法,并利用UCI数据库中的数据进行了仿真实验。第四部分是对于非均衡数据集的分类问题的探讨,简单介绍了不平衡数据集的定义、特点及传统处理方法,并在现阶段研究成果的基础上,结合传统的一类支持向量机和两类分类算法提出了基于少量异常训练数据的最大间隔支持向量机算法,引入超平面与正负类之间的间隔,从而实现了有效利用少量异常数据进行新奇检测,并用医疗诊断,故障检测等领域的数据加以实验,证明了算法的有效性。第五部分对全文内容进行总结,提出了现有算法的不足之处并对以后的工作进行展望。
黄梓馨[8]（2011）在《求解新的锥模型信赖域子问题的半正定松弛算法研究》文中认为随着信赖域方法的快速发展和对其应用前景的日益重视,国内外对于信赖域的改进算法的研究越来越多、越来越深入。在信赖域子问题中利用锥模型代替普通的二次模型的做法近年来受到很大的关注,如何求解这样一个模型也成为了亟待解决的问题。在本文中我们尝试应用半正定松弛技术解决这一难题。本文主要探讨的是带锥模型的信赖域子问题的求解。我们针对具有良好定义的新型锥模型信赖域子问题,提出了一个能有效地解决此问题的算法：首先把原始的锥模型信赖域子问题（P）划分为两个数学规划（P1）和（P2）的合集；通过将规划（P1）齐次化,可以知道（P1）等价于一个二次规划问题；这个二次规划经过进一步转化成半正定规划（CP）的形式,从而可以运用半正定松弛算法求解,并且利用求得的解通过我们构造的一个回溯算法可以得到问题（P1）的解。值得注意的是,经过证明可以得到之前的半正定松弛是紧的,也就是说松弛后的问题的最优解与松弛前的问题的最优解没有间隙,它们是相等的。应用类似的方法可以得到问题（P2）的解,在（P1）的解与（P2）的解之中使得原问题（P）的目标函数取值较小的解即为此锥模型信赖域子问题的最优解。我们对算法进行了数值试验,证明了我们的算法是高效的。
李捷[9]（2010）在《集群环境下的并行内点最优化算法研究与实现》文中进行了进一步梳理集群计算为求解大规模、超大规模的应用问题提供了强有力的工具,是计算科学领域的研究重点。随着集群计算技术的发展,近10年来,并行最优化算法的研究与应用引起了研究人员的广泛关注,特别是对一些具有特殊结构的最优化问题的并行算法的探索和研究,已经取得了丰硕的成果。具有多项式时间复杂度的内点算法（Interior Point Method, IPM）建立了线性规划问题（Linear Programming, LP）和非线性规划问题（Nonlinear Programming, NLP）在理论和算法上的联系。IPM对于求解大规模问题具有很强的优势。若能充分利用当前Cluster的体系结构特征,挖掘大规模问题内点最优化算法的数据特征,并设计有效的消息传递与共享存储混合模式的并行内点最优化算法,将可以大大减少并行算法的通信开销,提高并行算法的加速比。因此,基于IPM理论和现有计算平台的特征,研究并设计更加快速的内点最优化算法对于最优化问题的并行算法研究和实际应用具有十分重要的科学意义。本文首先结合内点算法框架,对分块带边结构线性规划的修正方程进行了分析,导出了其简化和最简修正方程,并证明了最简修正方程的系数矩阵的正定性。再结合解耦技术,给出了修正方程的并行分解回代解法,并将该求解过程集成入内点算法框架,设计并实现了分块带边结构线性规划问题的并行内点算法,为内点算法求解特殊结构优化问题的并行化设计提供了一种新的思路。接着,本文分析了结构化二次规划的修正方程结构,并对其系数矩阵进行重新排列,形成分块箭形结构,并采用并行分解回代法求解,设计了结构化二次规划问题的并行内点算法。最后,基于MatlabPCT,给出了分块带边结构线性规划和结构化二次规划问题的并行内点算法实现,并进行了数值测试。数值测试实验结果表明,这两个算法具有很好的加速比和可扩展性,适合求解具有分块带边结构的大规模线性规划问题和结构化大规模QP问题。综上,本文阐述了具有特殊结构的最优化问题进行并行化算法设计的可能性,并给出了两类特殊问题的并行算法设计与实现,为并行最优化算法的设计与实现提供了一种新的方法和新的思路。
王栋[10]（2010）在《蛋白质序列的并行分类方法研究》文中提出本论文的主要研究对象是生物信息学中的蛋白质序列分类问题。利用计算的方法,从蛋白质的一级序列决定了其三维结构的角度出发,针对氨基酸序列建立数学模型进行蛋白质结构分类,并引入并行计算的思想提高分类器性能。用并行计算方法进行蛋白质序列的结构分类减少了昂贵且非常耗时的实验次数,提高了分类效率,促进了对复杂的生物规律的分析和对有用生物信息的提取。本文在当前准确性最高的基于判别模型的蛋白质远同源检测算法的基础上,结合基于统计剖面的生成模型方法,设计了基于统计剖面的核函数。并通过半监督学习的方法提高了远同源检测算法的准确性。针对蛋白质序列分类中正样本数远小于负样本数,造成支持向量机训练不平衡的问题,本文提出了优化支持向量机算法,对正类样本集和负类样本集应用不同的惩罚参数,平衡了正负样本。对给定测试集进行的预测实验结果表明本文的算法取得了优于其它远同源检测算法的预测效果。针对标准支持向量机算法只能分别对每一个蛋白质结构类进行二元判别的问题,本文引入了多类支持向量机对标准二元SVM分类器的判别结果进行综合,输出唯一的蛋白质结构类预测结果,提高了基于支持向量机的蛋白质序列分类的可用性。多类支持向量机需要复杂的计算完成支持向量机训练,可以说是用大量计算为代价提升算法的准确性。为降低算法的时间复杂性,本文引入并行计算思想,设计了基于主从模型的蛋白质并行多类分类算法,在基于共享内存和基于消息传递的并行模式下都取得了很好的加速效果。所有基于支持向量机的算法都需要一定数量的样本进行训练建模,由于样本数不足造成支持向量机算法仅能覆盖部分蛋白质结构类。本文通过将高准确率的支持向量机算法与全覆盖的双序列比对算法结合,构成组合分类器进行蛋白质序列分类。在基准数据集上的实验表明,组合分类器不仅实现了对数据集的全覆盖而且综合性能也优于单独的任何一种预测算法。为提高组合分类效率,本文设计了基于两级任务池模型的蛋白质并行多类分类算法,有效降低了通讯等待时间,提升了并行的性能。
二、判别线性约束下实二次型正定性的一个算法（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：
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、判别线性约束下实二次型正定性的一个算法（论文提纲范文）
（1）结构总体最小二乘估计理论的拓展及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 总体最小二乘的研究现状 |
| 1.3 本文的内容安排 |
| 第二章 加权总体最小二乘估计 |
| 2.1 经典TLS估计的SVD解法 |
| 2.2 基于EIV模型的WTLS估计 |
| 2.3 基于非线性GH模型的WTLS估计 |
| 2.4 基于非线性GM模型的WTLS估计 |
| 2.5 本章小结 |
| 第三章 结构总体最小二乘估计 |
| 3.1 变量投影法 |
| 3.2 基于SEIV模型的STLS估计 |
| 3.3 基于非线性GH模型的STLS估计 |
| 3.4 STLS估计和WTLS估计的等价性 |
| 3.5 算例分析 |
| 3.6 本章小结 |
| 第四章 结构总体最小二乘的方差分量估计 |
| 4.1 最小二乘方差分量估计 |
| 4.2 SEIV模型的最小二乘方差分量估计 |
| 4.3 方差和协方差分量的可估性分析 |
| 4.4 SEIV模型的非负方差分量估计 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 基于M估计的抗差总体最小二乘估计 |
| 5.1 数据探测法在EIV模型中的应用 |
| 5.2 基于“总残差”的抗差总体最小二乘估计 |
| 5.3 M估计抗差性的初步分析 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 第六章 高崩溃污染率抗差总体最小二乘估计 |
| 6.1 重复中位数法 |
| 6.2 重复中位数法算例分析 |
| 6.3 总体最小平方中位数估计 |
| 6.4 总体最小平方中位数估计算例分析 |
| 6.5 总体最小截断平方估计 |
| 6.6 总体最小截断平方估计算例分析 |
| 6.7 本章小结 |
| 第七章 总结和展望 |
| 7.1 主要研究成果 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（2）用于低质量医疗图像分割的表示学习（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 医疗图像分割的研究背景及意义 |
| 1.1.1 图像分割及其在医疗图像分析中的价值 |
| 1.1.2 医疗图像的特性与分割难点 |
| 1.1.3 表示学习及其对于图像分割的重要意义 |
| 1.2 用于医疗图像分割的表示学习研究进展 |
| 1.2.1 图像分割的基本流程 |
| 1.2.2 表示学习用于低对比度医疗图像语义分割 |
| 1.2.3 表示学习用于医疗图像实例分割 |
| 1.2.4 表示学习用于无监督医疗图像分割 |
| 1.3 研究内容及篇章结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 篇章结构 |
| 第二章 用于低对比度医疗图像分割的高分辨率神经网络研究 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 提出的方法 |
| 2.3.1 多尺度语义信息通路 |
| 2.3.2 高分辨率语义信息通路 |
| 2.3.3 基于多任务融合的边界强化机制 |
| 2.3.4 分割难度引导的交叉熵误差设计 |
| 2.4 实验与结果分析 |
| 2.4.1 数据介绍和实现细节 |
| 2.4.2 网络有效性的消融性验证 |
| 2.4.3 语义信息分辨率与网络复杂度的权衡 |
| 2.4.4 同领域先进算法的性能比较 |
| 2.4.5 神经网络通用性验证 |
| 2.5 本章小结 |
| 第三章 针对医疗图像的判别性深度监督实例分割神经网络 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于检测框的实例分割算法 |
| 3.2.2 不基于检测框的实例分割算法 |
| 3.2.3 深度监督学习机制 |
| 3.3 提出的方法 |
| 3.3.1 多通路全卷积神经网络 |
| 3.3.2 层次化边界检测机制 |
| 3.3.3 深度判别性监督模块 |
| 3.3.4 网络误差函数 |
| 3.4 实验与结果分析 |
| 3.4.1 网络的实现细节 |
| 3.4.2 网络结构有效性的消融分析 |
| 3.4.3 与先进算法的性能比较 |
| 3.4.4 网络结构有效性的机理性验证 |
| 3.4.5 竞赛结果展示 |
| 3.5 本章小结 |
| 第四章 用于无监督医疗图像分割表示学习的多核子空间聚类算法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 多核聚类算法 |
| 4.2.2 子空间分割算法 |
| 4.3 提出的方法 |
| 4.3.1 基于子空间分割的多核聚类模型 |
| 4.3.2 多核聚类模型优化算法 |
| 4.3.3 算法的时间复杂度分析 |
| 4.4 实验与结果分析 |
| 4.4.1 评价指标与参数选择 |
| 4.4.2 人造数据集上算法的性能验证 |
| 4.4.3 标准数据集上算法的性能验证 |
| 4.4.4 算法收敛性和参数敏感性验证 |
| 4.5 本章小结 |
| 第五章 用于无监督分割的多邻居核子空间聚类算法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 提出的方法 |
| 5.3.1 邻居核的构建 |
| 5.3.2 多邻居核子空间聚类模型 |
| 5.3.3 子空间聚类优化算法 |
| 5.3.4 精确秩约束回归问题解的最优性证明及其物理意义的解释 |
| 5.3.5 算法收敛性、复杂度与敏感性分析 |
| 5.3.6 算法计算复杂度分析 |
| 5.4 实验与结果分析 |
| 5.4.1 关于邻居核有效性的验证 |
| 5.4.2 同现有先进算法的比较 |
| 5.4.3 收敛性和敏感性验证 |
| 5.4.4 邻居核的普适性验证 |
| 5.5 本章小结 |
| 第六章 用于无监督分割后期融合的最优拉普拉斯矩阵谱聚类算法 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.2.1 基于线性拉普拉斯矩阵组合的多视图谱聚类算法 |
| 6.2.2 基本概念 |
| 6.3 提出的方法 |
| 6.3.1 高阶拉普拉斯矩阵的定义 |
| 6.3.2 最优邻居拉普拉斯谱聚类模型 |
| 6.3.3 最优邻居拉普拉斯谱聚类模型优化算法 |
| 6.3.4 算法收敛性、敏感性与复杂度分析 |
| 6.4 实验与结果分析 |
| 6.4.1 数据集与实验设置 |
| 6.4.2 算法有效性的消融验证 |
| 6.4.3 与现有先进算法的比较 |
| 6.4.4 算法收敛性和参数敏感性验证 |
| 6.4.5 向大规模数据集的扩展 |
| 6.4.6 分割结果展示 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（3）重磁共轭梯度聚焦反演研究与应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 第2章 正演理论 |
| 2.1 重力异常场及梯度正演 |
| 2.1.1 重力异常场及梯度计算的基本公式 |
| 2.1.2 重力异常及梯度的正演计算 |
| 2.2 磁力异常场及梯度正演 |
| 2.2.1 磁力异常场及梯度计算的基本公式 |
| 2.2.2 磁力异常及梯度的正演计算 |
| 第3章 反演理论 |
| 3.1 地球物理反演概述 |
| 3.2 重磁反演概述 |
| 3.2.1 重磁反演问题解法分类 |
| 3.2.2 确定地质模型体参数 |
| 3.2.3 确定物性分界面的起伏 |
| 3.2.4 确定物性参数的分布 |
| 3.2.5 多解性问题 |
| 3.2.6 解反问题所用的计算方法 |
| 3.3 最优化理论与方法概述 |
| 3.3.1 最优性条件 |
| 3.3.2 迭代算法 |
| 3.3.3 一维搜索技术 |
| 3.3.4 无约束最优化算法 |
| 3.3.5 约束最优化算法 |
| 3.4 共轭梯度聚焦反演 |
| 3.4.1 共轭梯度法 |
| 3.4.2 聚焦反演 |
| 3.4.3 联合反演 |
| 3.4.4 反演目标函数 |
| 第4章 理论模型试算 |
| 4.1 中心直立长方体模型 |
| 4.2 旁侧直立长方体模型 |
| 4.3 双直立长方体模型 |
| 4.4 加噪音双直立长方体模型 |
| 4.5 倾斜板状体模型 |
| 4.6 地下仓库模型 |
| 第5章 应用实例 |
| 5.1 梨树断陷基底研究 |
| 5.1.1 研究概况 |
| 5.1.2 反演应用 |
| 5.2 本溪-临江地区深部地质调查 |
| 5.2.1 研究情况概述 |
| 5.2.2 反演应用 |
| 第6章 结论 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）压电智能结构自适应滤波振动主动控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 压电智能结构振动控制的研究概况 |
| 1.3.1 智能结构概述 |
| 1.3.2 压电智能材料在结构振动研究中的应用 |
| 1.3.3 压电智能结构振动控制研究现状 |
| 1.3.4 压电智能结构振动主动控制系统的关键技术 |
| 1.4 自适应滤波振动主动控制技术 |
| 1.4.1 自适应滤波算法概述 |
| 1.4.2 自适应滤波振动控制发展现状 |
| 1.4.3 压电智能结构自适应滤波振动控制的关键性问题 |
| 1.5 论文的主要研究内容 |
| 1.6 本章小结 |
| 第二章 压电智能结构动力学分析 |
| 2.1 引言 |
| 2.2 压电智能结构的动力学建模概况 |
| 2.3 压电传感作动原理 |
| 2.3.1 压电效应简介 |
| 2.3.2 压电动力学方程 |
| 2.4 压电智能梁的动力学 |
| 2.4.1 外力激励下波的传播 |
| 2.4.2 均质梁的强迫振动响应 |
| 2.4.3 等效弹性模量理论 |
| 2.4.4 压电智能梁的强迫振动响应 |
| 2.5 压电智能框架结构的动力学 |
| 2.5.1 L 型框架振动响应 |
| 2.5.2 L 型框架仿真分析 |
| 2.6 本章小结 |
| 第三章 压电智能结构的传感器/作动器优化配置 |
| 3.1 引言 |
| 3.2 压电元件优化配置的研究现状 |
| 3.3 传感器/作动器优化配置准则 |
| 3.3.1 传感器优化配置准则 |
| 3.3.2 作动器优化配置准则 |
| 3.4 基于粒子群的传感器/作动器优化算法 |
| 3.4.1 粒子群优化算法 |
| 3.4.2 优化目标函数的建立 |
| 3.4.3 粒子群优化过程与结果分析 |
| 3.5 压电智能框架结构的构建 |
| 3.5.1 实验模型结构设计 |
| 3.5.2 框架结构的传感器/作动器的位置配置方案 |
| 3.6 本章小结 |
| 第四章 有限脉冲响应自适应滤波控制策略 |
| 4.1 引言 |
| 4.2 自适应滤波器的基本原理 |
| 4.3 最小均方算法 |
| 4.4 自适应滤波-X LMS 振动控制算法 |
| 4.5 改进型滤波-X LMS 算法 |
| 4.5.1 基于滤波-X 的参考信号自提取控制策略 |
| 4.5.2 基于滤波-X 的控制通道在线辨识控制策略 |
| 4.6 算法仿真分析 |
| 4.6.1 自适应滤波-X LMS 振动控制算法 |
| 4.6.2 基于滤波-X 的参考信号自提取的振动控制算法 |
| 4.6.3 基于滤波-X 的控制通道在线辨识的自适应控制算法 |
| 4.7 本章小结 |
| 第五章 无限脉冲响应自适应滤波控制策略 |
| 5.1 引言 |
| 5.2 自适应滤波-U LMS 振动控制算法 |
| 5.2.1 滤波-U 最小均方算法概述 |
| 5.2.2 自适应滤波-U LMS 振动控制算法 |
| 5.3 改进型滤波-U LMS 算法 |
| 5.3.1 基于滤波-U 的参考信号自提取振动控制策略 |
| 5.3.2 基于滤波-U 的控制通道在线辨识控制策略 |
| 5.4 算法的性能分析 |
| 5.4.1 收敛性分析 |
| 5.4.2 快速性分析 |
| 5.4.3 稳定性分析 |
| 5.5 算法仿真分析 |
| 5.5.1 自适应滤波-U LMS 振动控制算法 |
| 5.5.2 基于滤波-U 的参考信号自提取振动控制算法 |
| 5.5.3 基于滤波-U 的控制通道在线辨识控制算法 |
| 5.6 本章小结 |
| 第六章 实验平台构建与实验结果分析 |
| 6.1 引言 |
| 6.2 实验平台开发与构建 |
| 6.2.1 实验平台的硬件构成 |
| 6.2.2 实验平台的软件开发 |
| 6.3 自适应滤波振动控制实验方法与步骤 |
| 6.4 自适应滤波-X 实验与结果分析 |
| 6.4.1 自适应滤波-X LMS 振动控制算法 |
| 6.4.2 基于滤波-X 的参考信号自提取算法 |
| 6.4.3 基于滤波-X 的控制通道在线辨识振动控制算法 |
| 6.5 自适应滤波-U 实验与结果分析 |
| 6.5.1 自适应滤波-U LMS 振动控制算法 |
| 6.5.2 基于滤波-U 的参考信号自提取算法 |
| 6.5.3 基于滤波-U 的控制通道在线辨识振动控制算法 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者在攻读博士学位期间科研论文发表及专利申请情况 |
| 作者在攻读博士学位期间所参加的主要科研项目 |
| 致谢 |
（5）高光谱影像地物智能化提取理论与方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 高光谱影像获取与处理 |
| 1.2.1 高光谱影像获取 |
| 1.2.2 高光谱影像处理技术 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 高光谱影像地物提取研究基础 |
| 2.1 高光谱影像数据特点分析 |
| 2.1.1 描述模型 |
| 2.1.2 数据特点 |
| 2.1.3 分布特点 |
| 2.2 高光谱影像地物提取关键技术 |
| 2.2.1 基于光谱特征空间的分类算法 |
| 2.2.2 光谱匹配识别 |
| 2.2.3 目标光谱检测 |
| 2.2.4 混合像元分解 |
| 2.2.5 联合空间信息的分析手段 |
| 2.3 高光谱影像地物提取的智能化方法 |
| 2.3.1 单类支持向量机 |
| 2.3.2 谱聚类 |
| 2.3.3 粒子群优化 |
| 2.3.4 图割 |
| 2.4 论文实验数据 |
| 2.4.1 真实影像数据 |
| 2.4.2 模拟数据 |
| 2.5 本章小结 |
| 第三章 光谱角度余弦核测度 |
| 3.1 光谱相似性测度概述 |
| 3.1.1 几何测度 |
| 3.1.2 概率测度 |
| 3.1.3 其它类型测度 |
| 3.1.4 核映射测度 |
| 3.2 新型光谱相似性测度 |
| 3.2.1 光谱角度余弦核测度的定义 |
| 3.2.2 参数选择的影响 |
| 3.2.3 参数自适应选择方法 |
| 3.2.4 对比分析 |
| 3.3 光谱角度余弦核测度的应用 |
| 3.3.1 地物光谱匹配检测 |
| 3.3.2 空间邻域聚类 |
| 3.4 本章小结 |
| 第四章 高光谱影像谱聚类分析 |
| 4.1 高光谱影像聚类的图划分解释 |
| 4.1.1 相关概念 |
| 4.1.2 相似矩阵的构造 |
| 4.1.3 图划分准则 |
| 4.2 图拉普拉斯矩阵及其重要性质 |
| 4.2.1 非规范化图拉普拉斯矩阵 |
| 4.2.2 规范化图拉普拉斯矩阵 |
| 4.3 谱聚类与图划分准则的联系 |
| 4.3.1 两类划分比例割的近似解 |
| 4.3.2 多类划分比例割的近似解 |
| 4.3.3 两类划分规范割的近似解 |
| 4.3.4 多类划分规范割的近似解 |
| 4.4 基于谱聚类的高光谱影像非监督分类 |
| 4.4.1 谱聚类算法框架 |
| 4.4.2 稀疏相似矩阵 |
| 4.4.3 算法流程与精度评价 |
| 4.5 实验分析 |
| 4.5.1 模拟数据实验结果 |
| 4.5.2 高光谱影像实验结果 |
| 4.5.3 实验结果分析 |
| 4.6 本章小结 |
| 第五章 地物要素单类支持向量机检测 |
| 5.1 统计学习理论与核函数 |
| 5.1.1 统计学习理论 |
| 5.1.2 正定核函数 |
| 5.1.3 特征空间中的运算 |
| 5.2 基于正定核的单类支持向量机地物检测 |
| 5.2.1 基于超平面的单类支持向量机算法 |
| 5.2.2 基于超球体的单类支持向量机算法 |
| 5.2.3 两种单类支持向量机算法的相关性 |
| 5.2.4 地物检测算法细节 |
| 5.3 基于非正定核的单类支持向量机地物检测 |
| 5.3.1 非正定核研究基础 |
| 5.3.2 非正定支持向量机分类 |
| 5.3.3 非正定单类支持向量机检测 |
| 5.4 实验分析 |
| 5.4.1 目标地物分布 |
| 5.4.2 实验结果 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第六章 联合光谱和空间信息的地物提取 |
| 6.1 影像分割的 MAP-MRF 模型 |
| 6.1.1 影像分割的概率描述 |
| 6.1.2 邻域系统与簇 |
| 6.1.3 影像分割的后验能量 |
| 6.2 基于图割的能量最小化方法 |
| 6.2.1 构造能量函数 |
| 6.2.2 能量函数最小化的最小割方法 |
| 6.2.3 最大流算法 |
| 6.3 地物提取策略 |
| 6.4 实验分析 |
| 6.4.1 实验结果 |
| 6.4.2 实验结果分析 |
| 6.5 本章小结 |
| 第七章 高光谱影像粒子群优化端元提取 |
| 7.1 线性光谱混合模型 |
| 7.1.1 线性光谱混合的物理模型 |
| 7.1.2 线性光谱混合的数学模型 |
| 7.2 端元提取算法概述 |
| 7.2.1 基于单形体体积的方法 |
| 7.2.2 基于分解残差最小的方法 |
| 7.2.3 基于投影的方法 |
| 7.2.4 联合空间信息的方法 |
| 7.3 面向端元选择的粒子群优化遗传算法 |
| 7.3.1 粒子群算法原理 |
| 7.3.2 粒子编码与适应度函数 |
| 7.3.3 遗传操作 |
| 7.3.4 算法流程 |
| 7.4 基于粒子群优化的端元估计算法 |
| 7.4.1 粒子编码与适应度函数 |
| 7.4.2 参数设置 |
| 7.4.3 算法实现 |
| 7.5 实验分析 |
| 7.5.1 模拟数据实验结果 |
| 7.5.2 高光谱影像实验结果 |
| 7.5.3 实验结果分析 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
| 致谢 |
（6）基于粗糙集的支持向量机及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 数据挖掘概述 |
| 1.2.1 数据挖掘的定义 |
| 1.2.2 数据挖掘的任务 |
| 1.2.3 数据挖掘的方法 |
| 1.2.4 数据挖掘的步骤 |
| 1.3 粗糙集与支持向量机概述 |
| 1.3.1 粗糙集概述 |
| 1.3.2 支持向量机概述 |
| 1.4 本文主要研究内容 |
| 2 支持向量机 |
| 2.1 引言 |
| 2.2 统计学习理论 |
| 2.2.1 VC维 |
| 2.2.2 泛化误差界 |
| 2.2.3 结构风险最小化 |
| 2.3 支持向量机 |
| 2.3.1 线性分类情况 |
| 2.3.2 非线性分类情况 |
| 2.4 支持向量机方法的特点 |
| 3 基于邻域粗糙集数据预处理的支持向量机分类算法 |
| 3.1 引言 |
| 3.2 经典粗糙集理论及其属性约简 |
| 3.2.1 上、下近似集 |
| 3.2.2 核与约简 |
| 3.2.3 基于经典粗糙集理论的属性约简 |
| 3.3 粗糙集理论的扩展模型——邻域粗糙集 |
| 3.3.1 邻域粗糙集 |
| 3.3.2 邻域决策系统 |
| 3.4 基于邻域粗糙集数据预处理的支持向量机分类算法 |
| 3.4.1 基于邻域粗糙集的混合属性约简算法 |
| 3.4.2 基于邻域粗糙集的样本选取 |
| 3.5 实验结果与分析 |
| 3.5.1 实验一 |
| 3.5.2 实验二 |
| 3.5.3 实验三 |
| 3.6 本章小结 |
| 4 基于粗糙集理论的选择性支持向量机集成 |
| 4.1 引言 |
| 4.2 集成学习理论简介 |
| 4.2.1 集成学习的两个步骤 |
| 4.2.2 个体分类器构造方法 |
| 4.3 个体分类器选择标准 |
| 4.3.1 精度与差异度对分类器影响 |
| 4.3.2 个体分类器的差异性度量 |
| 4.4 基于粗糙集理论的选择性集成 |
| 4.4.1 基于可辨识矩阵的多个约简计算方法 |
| 4.4.2 基于粗糙集理论的选择性集成 |
| 4.5 实验结果与分析 |
| 4.5.1 实验一 |
| 4.5.2 实验二 |
| 4.6 本章小结 |
| 5 一种改进的模糊支持向量机隶属度确定方法 |
| 5.1 引言 |
| 5.2 模糊v支持向量机 |
| 5.3 基于粗糙一类支持向量机的隶属度设计 |
| 5.3.1 一类支持向量机 |
| 5.3.2 粗糙一类支持向量机 |
| 5.3.3 隶属度设计 |
| 5.4 实验结果与分析 |
| 5.4.1 人造数据集 |
| 5.4.2 UCI标准数据集 |
| 5.5 本章小结 |
| 6 基于模糊粗糙集的不确定支持向量机 |
| 6.1 引言 |
| 6.2 模糊粗糙集 |
| 6.2.1 模糊集与粗糙集的关系 |
| 6.2.2 模糊逻辑算子 |
| 6.2.3 模糊粗糙集 |
| 6.3 核模糊粗糙集模型 |
| 6.4 基于模糊粗糙集的不确定支持向量机 |
| 6.4.1 基于高斯核模糊粗糙集的隶属度计算 |
| 6.4.2 不确定支持向量机模型 |
| 6.5 实验结果与分析 |
| 6.5.1 实验一 |
| 6.5.2 实验二 |
| 6.6 本章小结 |
| 7 基于粗糙集的支持向量机在污水处理故障检测中的应用 |
| 7.1 引言 |
| 7.2 污水处理流程与实验数据介绍 |
| 7.2.1 污水处理流程 |
| 7.2.2 实验数据介绍 |
| 7.3 实验结果与分析 |
| 7.3.1 基于粗糙集数据预处理的实验结果与分析 |
| 7.3.2 两种不确定支持向量机的实验结果与分析 |
| 7.4 本章小结 |
| 总结和展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（7）针对特征缺省数据集的模式识别方法与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外发展现状 |
| 1.2.1 模式识别的发展 |
| 1.2.2 支持向量机的发展 |
| 1.2.3 数据集的发展 |
| 1.3 本文主要研究内容和组织结构 |
| 第二章 背景知识 |
| 2.1 机器学习 |
| 2.1.1 机器学习的发展 |
| 2.1.2 机器学习的函数模型 |
| 2.1.3 机器学习的三个基本问题 |
| 2.1.4 经验风险最小化 |
| 2.1.5 复杂性和泛化性 |
| 2.2 统计学习理论 |
| 2.2.1 学习过程一致性的条件 |
| 2.2.2 VC 维 |
| 2.2.3 推广能力的界 |
| 2.2.4 结构风险最小化 |
| 2.3 最优化理论知识 |
| 2.3.1 二次规划问题 |
| 2.3.2 最优解的充要条件 |
| 2.3.3 对偶问题 |
| 2.4 支持向量机 |
| 2.4.1 支持向量机的提出 |
| 2.4.2 支持向量机的主要思想 |
| 2.4.3 最优分类超平面和支持向量 |
| 2.4.4 核函数和Mercer 条件 |
| 2.4.5 支持向量机的特性 |
| 2.4.6 支持向量机的新发展 |
| 2.5 本章小结 |
| 第三章 基于特征缺省的最小类内方差支持向量机 |
| 3.1 引言 |
| 3.2 特征缺少 |
| 3.2.1 特征缺失的原因和种类 |
| 3.2.2 处理特征缺失的方法 |
| 3.3 类内方差和分类间隔的重定义 |
| 3.3.1 类内方差 |
| 3.3.2 分类间隔 |
| 3.4 问题优化及算法思想 |
| 3.4.1 优化过程 |
| 3.4.2 算法步骤 |
| 3.5 实验结果和分析 |
| 3.5.1 实验数据和实验环境 |
| 3.5.2 实验结果 |
| 3.5.3 实验分析 |
| 3.6 本章小结 |
| 第四章 基于少量异常数据的最大间隔新奇检测方法 |
| 4.1 引言 |
| 4.2 非均衡数据集 |
| 4.2.1 非均衡数据集的定义和应用 |
| 4.2.2 处理非均衡数据集的几个常用算法方法 |
| 4.3 新奇检测 |
| 4.3.1 新奇检测问题的定义 |
| 4.3.2 新奇检测的一般方法 |
| 4.4 模型的建立及对偶问题 |
| 4.4.1 模型的建立及算法思想 |
| 4.4.2 对偶问题的解决 |
| 4.5 决策函数及参数特性 |
| 4.5.1 决策函数 |
| 4.5.2 参数特性 |
| 4.6 实验结果和分析 |
| 4.6.1 数据集和实验环境 |
| 4.6.2 参数选择和实验结果 |
| 4.6.3 实验分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读硕士学位期间发表的论文 |
（8）求解新的锥模型信赖域子问题的半正定松弛算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 序言 |
| 1.1 锥模型背景介绍 |
| 1.2 半正定松弛技术 |
| 1.3 软件工具 |
| 1.4 论文的主要工作 |
| 第二章 相关预备知识 |
| 2.1 凸理论 |
| 2.2 KKT最优性条件 |
| 2.3 信赖域方法 |
| 2.4 半正定规划 |
| 2.5 本章小结 |
| 第三章 求解新锥模型信赖域子问题的主要理论结果 |
| 3.1 等价的齐次化问题 |
| 3.2 问题的半正定规划形式 |
| 3.3 锥模型信赖域子问题求解的主要定理 |
| 3.3.1 强可行条件 |
| 3.3.2 紧松弛与回溯过程 |
| 3.4 本章小结 |
| 第四章 算法设计与数值实验 |
| 4.1 算法原理及具体流程 |
| 4.1.1 算法4.1 |
| 4.1.2 算法4.2 |
| 4.2 数值实验及其结果 |
| 4.2.1 对算法4.1的数值实验 |
| 4.2.2 对算法4.2的数值实验 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（9）集群环境下的并行内点最优化算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 内点最优化算法 |
| 1.2.2 并行最优化算法研究现状 |
| 1.2.3 集群系统及其编程模式 |
| 1.2.4 并行最优化软件包 |
| 1.3 本文主要工作 |
| 1.4 论文的组织结构 |
| 第二章 相关知识简介 |
| 2.1 集群系统 |
| 2.1.1 网络互联 |
| 2.1.2 并行计算机结构 |
| 2.1.3 集群(Cluster) |
| 2.2 并行计算性能 |
| 2.3 消息传递接口 |
| 2.4 Matlab并行计算工具箱(PCT.Parallel Computing Toolbox) |
| 2.4.1 并行计算工具箱简介 |
| 2.4.2 PCT主要功能 |
| 2.4.3 Matlab的分布式计算体系结构 |
| 2.5 内点算法 |
| 2.5.1 原始一对偶内点法 |
| 2.5.2 预测校正内点法 |
| 2.5.3 多中心校正内点法 |
| 第三章 结构化线性规划并行内点算法 |
| 3.1 线性规划内点算法 |
| 3.1.1 问题模型 |
| 3.1.2 线性规划内点算法基本结构 |
| 3.2 基于对称正定性的修正方程并行求解与算法步骤 |
| 3.2.1 基于解耦的修正方程并行求解 |
| 3.2.2 算法流程及算法步骤 |
| 3.3 实验平台 |
| 3.4 实验结果 |
| 3.5 结论 |
| 第四章 大规模二次规划并行内点算法 |
| 4.1 二次规划内点算法一般推导 |
| 4.1.1 二次规划问题模型 |
| 4.1.2 二次规划内点算法基本结构 |
| 4.2 二次规划简化修正方程的并行求解 |
| 4.3 二次规划并行内点算法实现与测试 |
| 4.3.1 算法描述 |
| 4.3.2 实验平台 |
| 4.3.3 加速比测试结果 |
| 4.4 结论 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（10）蛋白质序列的并行分类方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 蛋白质序列与结构 |
| 1.2.2 蛋白质分类的国内外进展 |
| 1.3 本文主要研究工作与创新点 |
| 1.4 论文结构 |
| 第二章 远同源检测算法与支持向量机理论 |
| 2.1 双序列比对算法 |
| 2.1.1 全局比对算法 |
| 2.1.2 局部比对算法 |
| 2.1.3 启发式算法 |
| 2.2 基于统计剖面的生成模型 |
| 2.3 基于判别模型的远同源检测 |
| 2.4 支持向量机理论 |
| 2.4.1 最大边缘超平面 |
| 2.4.2 结构风险最小化 |
| 2.4.3 支持向量机 |
| 2.5 小结 |
| 第三章 基于远同源检测的蛋白质序列分类 |
| 3.1 核技术与核函数 |
| 3.2 剖面内核的蛋白质远同源检测算法 |
| 3.2.1 基于统计剖面的核函数 |
| 3.2.2 半监督学习分析 |
| 3.2.3 基于树的内核矩阵 |
| 3.2.4 优化支持向量机 |
| 3.3 数据集 |
| 3.3.1 数据集的选取 |
| 3.3.2 数据集的构建 |
| 3.4 实验与分析 |
| 3.4.1 算法性能评估指标 |
| 3.4.2 实验环境 |
| 3.4.3 结果与讨论 |
| 3.5 小结 |
| 第四章 基于多类SVM的蛋白质序列并行分类算法 |
| 4.1 多类SVM分类器 |
| 4.1.1 加权一对多算法 |
| 4.1.2 权重学习 |
| 4.2 并行算法设计 |
| 4.2.1 算法分析 |
| 4.2.2 基于主从模型的并行算法 |
| 4.3 基于多类SVM的蛋白质序列并行分类 |
| 4.4 实验与分析 |
| 4.4.1 数据集与实验环境 |
| 4.4.2 并行性能评价 |
| 4.4.3 结果与讨论 |
| 4.5 小结 |
| 第五章 基于组合分类器的蛋白质序列并行分类算法 |
| 5.1 组合分类策略 |
| 5.2 最近邻算法 |
| 5.2.1 位点特异性反复比对 |
| 5.2.2 特定位点评分矩阵 |
| 5.2.3 比对结果评估 |
| 5.3 基于组合分类器的蛋白质序列并行分类 |
| 5.3.1 两级任务池模型 |
| 5.3.2 组合分类器并行分类算法描述 |
| 5.4 参数优化 |
| 5.5 实验与分析 |
| 5.5.1 实验环境 |
| 5.5.2 结果与讨论 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
四、判别线性约束下实二次型正定性的一个算法（论文参考文献）
- [1]结构总体最小二乘估计理论的拓展及其应用研究[D]. 吕志鹏. 战略支援部队信息工程大学, 2020(03)
- [2]用于低质量医疗图像分割的表示学习[D]. 周思航. 国防科技大学, 2019(01)
- [3]重磁共轭梯度聚焦反演研究与应用[D]. 陈闫. 吉林大学, 2014(10)
- [4]压电智能结构自适应滤波振动主动控制研究[D]. 黄全振. 上海大学, 2012(05)
- [5]高光谱影像地物智能化提取理论与方法研究[D]. 陈伟. 解放军信息工程大学, 2012(06)
- [6]基于粗糙集的支持向量机及应用研究[D]. 韩虎. 兰州交通大学, 2011(12)
- [7]针对特征缺省数据集的模式识别方法与应用研究[D]. 宋玉丹. 江南大学, 2011(04)
- [8]求解新的锥模型信赖域子问题的半正定松弛算法研究[D]. 黄梓馨. 北京邮电大学, 2011(09)
- [9]集群环境下的并行内点最优化算法研究与实现[D]. 李捷. 广西大学, 2010(06)
- [10]蛋白质序列的并行分类方法研究[D]. 王栋. 天津大学, 2010(07)