导读:本文包含了矢量分类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:矢量,特征,图像,永磁,模型,数据,神经网络。
矢量分类论文文献综述
马新春[1]（2019）在《分类算法在同步风力发电机矢量控制系统的应用》一文中研究指出提出了一种基于直驱永磁同步发电机(PMSG)的独立式变速风力发电机运行的新型分类控制算法,讨论了具有最大功率追踪的发电机侧转换器的独立控制方式,使得输出电压和频率控制器能够处理可变负载。通过直流斩波器控制,可以在阻尼电阻中消耗潜在的过剩功率并保持直流链电压,同时给出了直流总线的动态表示和小信号分析。仿真结果表明,控制器可以在不同的风荷载条件下提取最大功率并调节电压和频率,并且控制器表现出较好的动态调节性和稳态性。(本文来源于《机械与电子》期刊2019年04期）
蒋永康,吴越,邹福泰[2]（2018）在《基于图像矢量的恶意代码分类模型》一文中研究指出近年来,恶意软件呈爆发性增长,而主流的恶意代码分析大都依赖复杂的特征提取和融合技术。因此,研究了一种新颖的基于图像矢量的恶意代码分类模型,将恶意代码的汇编指令映射为图像矢量,实现恶意代码分类问题向图像分类问题的转化。同时,借鉴语句分类问题的思想,构建结构简单、理论可解释性强的深度学习网络。模型在微软BIG2015数据集上取得了97.87%的交叉验证准确率,虽略低于冠军模型的结果,但实现了显着的性能提升。(本文来源于《通信技术》期刊2018年12期）
王娇,罗四维,邹琪[3]（2019）在《图像分类中基于分类矢量量化的视觉词袋模型》一文中研究指出特征表示是图像识别和分类的基础,视觉词袋是一种图像的特征表示方法。分析现有视觉词典构建方法的不足,提出一种新的视觉词典构建方法。首先利用梯度方差把特征矢量分为光滑类和边缘类,然后分别针对不同类别的特征矢量进行视觉词典的构建,最后根据两类视觉词典生成视觉词袋。图像分类实验表明,提出的新方法能提高分类准确率。(本文来源于《计算机工程与应用》期刊2019年10期）
徐昆鹏,李增元,陈尔学,包玉海[4]（2018）在《基于Stokes矢量特征与GA-SVM的全极化SAR影像分类方法研究》一文中研究指出发展了一种基于极化散射特征的全极化SAR影像分类方法,探索了Stokes矢量特征作为分类特征的有效性,通过遗传算法耦合SVM的特征选取方法(GA-SVM)有效解决了分类器泛化不足的问题.以一景高分叁号(GF-3)全极化影像作为主要的数据源,与同步外业调查获取的地面实况数据进行对比,结果表明所设计的待选分类特征集与特征选取方法得到的特征组合取得了较好的分类效果,总体精度达到90.00%,Kappa系数为0.87,影像部分地物的错分、误分现象得到改善.这表明:(1)GA-SVM的特征选取方法可以在有效地降低分类特征维度的同时提升目标SVM分类器的分类精度;(2)将Stokes矢量元素及其分解特征作为分类特征,可有效提升非参数模型分类的精度.(本文来源于《内蒙古师范大学学报(自然科学汉文版)》期刊2018年04期）
陈绵书,苏越,桑爱军,李培鹏[5]（2018）在《基于空间矢量模型的图像分类方法》一文中研究指出针对词袋模型视觉单词没有考虑空间信息的不足,提出了一种基于视觉单词间空间位置信息的空间矢量模型。该模型利用视觉单词的空间位置信息,采用图像空间矢量模型对图像进行表述,从而达到了更好的分类效果。实验在两个标准图像数据集Caltech-101和Caltech-256上进行,分别采用支持向量机(SVM)和K最近邻分类器(KNN)对其进行分类。实验表明,空间矢量模型有效地提高了平均分类正确率(ACA)和平均类别准确率(ACP),具有很好的分类效果。(本文来源于《吉林大学学报(工学版)》期刊2018年03期）
周晓克[6]（2018）在《基于经验小波变换和学习矢量量化神经网络的输电线路故障分类》一文中研究指出随着特高压电网的建设规模不断扩大,我国的电力系统迈向了远距离、大容量低损耗的输电模式,给社会生产和人民生活带来了巨大的经济效益。随着输电电压等级的逐步提高以及电网结构日趋复杂,对现代电力系统运行的安全稳定性提出了更高的要求。输电线路作为电力网络传输的载体,是电力系统中的重要组成部分,一旦发生短路故障,将会给国民经济和人民生活带来巨大损失。因此,建立一种行之有效的输电线路故障检测及分类模型,对于确保电力系统稳定运行有重要的现实意义。本文将输电线路发生故障时的暂态电流作为研究对象,并在结合信号处理技术和人工智能算法的基础上,提出了一种基于经验小波变换和学习矢量量化神经网络的输电线路故障分类方法。具体研究内容如下:采取经验小波变换提取暂态电流故障特征。传统的信号处理技术都有一定的局限性,而经验小波变换能自适应地分解信号,并通过仿真分析,验证了经验小波变换可以有效地抑制经验模态分解出现的模态混迭现象,能够准确地分析暂态电流的故障信息。根据经验小波变换理论,研究并建立了叁种基于输电线路暂态电流的故障特征提取方法,分别从信号的频域和时频域角度出发,有效准确地分析出故障信息并对其进行归一化处理,最终得到了32维的故障特征向量,真实的反映了暂态电流的故障特性。选用基于蜂群算法优化的学习矢量量化神经网络作为输电线路故障分类器。通过引入蜂群算法,改善了学习矢量量化神经网络对初值敏感的缺陷,提升了故障分类器的分类性能。利用Matlab建立了500kV超高压输电线路仿真模型,将大量的样本数据用以训练神经网络分类器,通过训练完毕的故障分类模型对故障数据进行识别,最后仿真结果表明了该输电线路故障分类模型的有效性。(本文来源于《燕山大学》期刊2018-05-01）
史荧中,邓赵红,钱鹏江,王士同[7]（2018）在《基于共享矢量链的多任务概念漂移分类方法》一文中研究指出增强型时间自适应支持向量机在针对单一概念漂移问题时展现出了良好效果,但是无法协同求解多个概念漂移问题.然而,在很多应用场景中,有时会包含数个具有内在相关性的非静态数据集,它们各自的分类模型应充分考虑这种关联.为了反映出各概念漂移分类模型之间的相关部分,提出共享矢量链的概念,并开发面向多任务概念漂移问题的共享矢量链支持向量机(SVC-SVM).在模拟数据集及气体传感器阵列漂移数据集上的实验结果显示,协同求解多个具有相关性的概念漂移问题能够有效提升各自的泛化能力.(本文来源于《控制与决策》期刊2018年07期）
陶志伟[8]（2017）在《基于分段矢量量化的时间序列分类研究》一文中研究指出时间序列是由多个特定时间点上数据组合而成的高维向量,对于时间序列的分类决策是管理科学的重要分支之一。在传统意义上,决策的精度取决于决策者的个人经验,并受到外界因素和主观因素的影响。例如,只有学习过相关医学知识并积累了一定经验的医生才能看出患者心电图中隐藏的疾病。因此,如何客观准确地定量分析对时间序列的分类决策有着重要意义。矢量量化是将若干标量数据组合在一起,并在矢量空间中整体量化的一种基于分组编码的有损压缩算法。本文主要在分段矢量量化算法基础上对其相似性度量和分类标准等问题进行了研究。通过引入马氏距离、多码本及视觉重点等,对分段矢量量化算法进行改进,本文的主要工作包括如下叁个方面:提出了基于马氏距离的分段矢量量化算法。标准分段矢量量化方法在产生码本时采用了欧氏距离,容易受特征量纲的影响。因而本文引入马氏距离,提出了基于马氏距离的分段矢量量化算法。所提方法采用马氏距离对未知样例及训练样本进行重构,并以马氏距离作为相似性度量计算重构误差来确定未知样例的类别。在基准数据集上的实验结果证实了该方法能够提高原算法的精确度。提出了多码本分段矢量量化算法。标准分段矢量量化算法只产生一个码本,忽略了类别信息对时间序列重构分类的影响。为此,本文通过对每一类数据均产生一个码本来实现多码本分类,提出了多码本分段矢量量化算法。实验证明,相比于分段矢量量化算法,所提算法提高了时间序列的分类精度。提出了基于特征点的多码本分段矢量量化算法。传统分段矢量量化算法的线性分段,可能会使得特征缺失从而影响最终分类。为此,本文通过计算特征点信息进行分段,最大程度上保留了时间序列的特征段,提出了基于特征点的多码本分段矢量量化算法。仿真实验中,设定总的码本大小一致,结果表明了所提方法的优越性。(本文来源于《苏州大学》期刊2017-06-01）
张腾腾[9]（2017）在《基于Fisher矢量编码与稀疏约束的数据分类》一文中研究指出随着近些年来网络技术的快速发展,人们在日常生活中大量使用互联网,导致网络上的图像和数据急剧增长。如何对这些图像和数据进行分类成为智能信息处理领域的一个关键问题,也是国内外研究者非常关注的一个领域。Fisher矢量编码在图像和数据分类问题上取得了显着的效果,本文对Fisher矢量编码算法进行了改进,采用优化学习的方法,通过半非负约束实现了Fisher矢量编码的稀疏表示,并且改进了零样本学习分类算法,获得了较好的分类结果。本文的主要研究成果如下:1.提出了一种基于优化学习的Fisher矢量分类方法。该方法每次采用单个高斯模型对训练样本进行训练,利用训练的结果和真实的标签进行对比。取出这些单个高斯模型中分类结果最佳的,并构建混合高斯模型,进而获得Fisher矢量。该方法降低了混合高斯模型中的高斯模型数量,降低了编码复杂度,对高斯模型进行了筛选,从而增强了特征的典型性,提高了数据的分类精度。2.提出了一种基于半非负约束稀疏编码的Fisher矢量分类方法。该方法构建出一个稀疏编码的模型,对高维的Fisher矢量编码进行了有效的降维,去除了编码中的冗余成分。稀疏编码模型中编码的权重是非负的,采用了半非负分解的方式对稀疏编码模型进行求解,进一步使得提炼出的特征编码更加有利于分类,从而分类的效率得到提高。3.提出了一种基于约束的嵌入模型零样本学习的分类方法。该方法对嵌入零样本学习分类方法进行了约束优化,分别采用了L2范数和L1范数的约束。其中L2范数约束防止了参数的过拟合,利用随机梯度下降法对L2范数约束的参数项进行了求解。L1范数的约束实现了参数的稀疏特性,通过坐标轴下降法对L1范数约束的参数进行优化求解。两种约束策略实现了分类参数的合理化,从而有效提高分类效率。(本文来源于《西安电子科技大学》期刊2017-05-01）
薛鹏龙[10]（2017）在《基于稀疏Fisher矢量编码的数据分类》一文中研究指出近年来,计算机行业与通讯行业的融合发展,互联网终端产品如手机、平板电脑等配备使用的低龄化,造就了当前数据呈现爆炸性增长的态势。因此,作为数据挖掘的一项重要课题,数据分类开始备受国内外研究者的关注。通过提取区域局部特征构建出全局特征作为大部分数据分类时的共同步骤,但在多数数据库的分类性能比较上,Fisher特征编码所构建的全局特征优于采用传统的词袋模型算法。本文主要侧重于Fisher矢量编码的数据分类,主要研究成果如下:1.提出了一种基于Fisher矢量编码的稀疏表示分类算法。该方法利用稀疏编码去除了Fisher矢量编码信息中的冗余成分,同时,本文在Fisher矢量编码算法过程中,为了提取出典型的编码表示,加入了一个局部约束因子,该因子在有效编码的同时减小了残差,从而进一步提炼出数据特征中有利于提高分类性能的数据特征信息成分,进而有效提高分类效率。2.提出了一种基于Boosting的Fisher矢量稀疏编码分类算法。该方法利用Boosting排序筛选高斯核数目的方法,优化了Fisher矢量编码过程。同时,本文在Fisher矢量编码算法过程中,加入了高斯混合模型简化后权值重新调整计算的重要一步,主要起到对筛选后的高斯混合模型的权值进行归一化,从而进一步增强了稀疏Fisher矢量编码所含信息量,提高了数据分类的精确度。将我们提出的两种Fisher矢量稀疏算法,分别通过五个数据库进行了分类结果比较,实验数据结果表明,这两种Fisher矢量稀疏算法在分类性能上总体优于同类算法。(本文来源于《西安电子科技大学》期刊2017-04-01）
矢量分类论文开题报告
（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：
近年来,恶意软件呈爆发性增长,而主流的恶意代码分析大都依赖复杂的特征提取和融合技术。因此,研究了一种新颖的基于图像矢量的恶意代码分类模型,将恶意代码的汇编指令映射为图像矢量,实现恶意代码分类问题向图像分类问题的转化。同时,借鉴语句分类问题的思想,构建结构简单、理论可解释性强的深度学习网络。模型在微软BIG2015数据集上取得了97.87%的交叉验证准确率,虽略低于冠军模型的结果,但实现了显着的性能提升。
（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。
矢量分类论文参考文献
[1].马新春.分类算法在同步风力发电机矢量控制系统的应用[J].机械与电子.2019
[2].蒋永康,吴越,邹福泰.基于图像矢量的恶意代码分类模型[J].通信技术.2018
[3].王娇,罗四维,邹琪.图像分类中基于分类矢量量化的视觉词袋模型[J].计算机工程与应用.2019
[4].徐昆鹏,李增元,陈尔学,包玉海.基于Stokes矢量特征与GA-SVM的全极化SAR影像分类方法研究[J].内蒙古师范大学学报(自然科学汉文版).2018
[5].陈绵书,苏越,桑爱军,李培鹏.基于空间矢量模型的图像分类方法[J].吉林大学学报(工学版).2018
[6].周晓克.基于经验小波变换和学习矢量量化神经网络的输电线路故障分类[D].燕山大学.2018
[7].史荧中,邓赵红,钱鹏江,王士同.基于共享矢量链的多任务概念漂移分类方法[J].控制与决策.2018
[8].陶志伟.基于分段矢量量化的时间序列分类研究[D].苏州大学.2017
[9].张腾腾.基于Fisher矢量编码与稀疏约束的数据分类[D].西安电子科技大学.2017
[10].薛鹏龙.基于稀疏Fisher矢量编码的数据分类[D].西安电子科技大学.2017
论文知识图
