导读:本文包含了和迭代序列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:序列,迭代,不动,时间,新西兰,极值,正态分布。
和迭代序列论文文献综述
苏利娜,甘卫军,张勇,苏小宁,赵倩[1]（2019）在《基于迭代PCA的GPS时间序列震后形变估计方法和应用》一文中研究指出GPS时间序列的震后形变分析对于研究区域震后形变机制和岩石圈流变学特性以及维持国际动态地球参考框架具有重要意义.本文在现有参数估计方法的基础上,提出兼顾震后形变衰减特征空间相关性和整体建模的"迭代PCA参数估计方法",并利用模拟数据证实了新方法可以获取更稳健可靠的震后形变、同震形变和震间速度参数.最后,以37个新西兰GPS连续站坐标时间序列为例,利用迭代PCA方法提取了2016年11月13日Kaikoura地震共性的震后形变时间演化过程和各站点的震后形变,并定量分析了震后形变对地表速度的影响.结果表明各站的震后形变在时间域上以衰减常数τ为4天的对数模型持续松弛;空间域上南岛北东部和北岛最南部震后形变较大,其中,最大震后形变点为cmbl站,截至2017年6月10日NEU方向累计的震后形变分别达到107mm,135mm和187mm,地表速度分别达到133.58mm·a-1,112.05mm·a-1和175.58mm·a-1,仍高于稳定的震间速度.(本文来源于《地球物理学报》期刊2019年03期）
谭海,陈利军,张军,张鑫,高方方[2]（2019）在《基于规则迭代的时间序列特征提取模型》一文中研究指出针对时间序列分类特征提取困难、提取的特征不明显等问题,提出一种基于普通规则嵌套迭代的时间序列特征提取模型。以常规的序列特征提取规则为基本单元,构建多级迭代规则对时间序列数据进行空间变换产生特征序列集,采用基本的特征提取方法对序列集进行特征提取得到最终的特征集合,模型的迭代次数和规则可由用户自己设定。以用户实际用电序列数据为例,对原始用电序列数据作为特征和该模型提取的特征进行分类比较,实验结果表明,在规则迭代模型下提取的特征,分类评价指标MAP最高可达到0.5389,对分类性能提升的增幅最高可达48.83%。(本文来源于《计算机工程与设计》期刊2019年01期）
刘涌泉,饶永生[3]（2018）在《渐近半伪压缩映射合成隐迭代序列的强收敛性》一文中研究指出参照Banach压缩映照原理,合理引进了一涉及有限族渐近半伪压缩映射的具误差的合成隐迭代序列.在一致凸Banach空间中,研究该合成隐迭代序列的强收敛性,得到了具误差的合成隐迭代序列强收敛于有限族渐近半伪压缩的公共不动点的充要条件.(本文来源于《西南大学学报(自然科学版)》期刊2018年12期）
黄嘉禾[4]（2018）在《一类广义迭代图形表示在蛋白质序列分析中的应用》一文中研究指出构建计算模型分析海量的蛋白序列数据并实现其信息的准确识别是生物信息学领域研究中的重点问题。这里数据的定量描述和模型构建是蛋白序列分析的关键。蛋白序列图形表示方法拥有计算简单、易数值刻画和可用于处理大量数据等优点,自提出以来备受研究者们的关注。迭代函数构造是蛋白序列图形表示中的重要一环。通过将蛋白质图形表示中的迭代函数推广到高维空间,本论文提出了一种适用范围更加广泛的广义迭代函数。应用该广义迭代函数和氨基酸残基的某些理化指标,得到了一类新的蛋白质序列图形表示方法并对所得到的图形进行数值刻画,从而得到了新的蛋白质序列的相似性分析方法。利用本文的方法,分别比较10种物种ND5蛋白序列与ND6蛋白序列的相似性并构建了它们之间的进化树。将本文方法所得结果与ClustalW方法得到的结果逐一进行相关性分析。分析结果显示,本文所得结果与ClustalW方法得到的结果具有较高的相关性。进一步地,本文利用提出的蛋白质序列图形表示方法,构造了一种基于多种氨基酸残基理化指标的高维广义迭代函数模型。采用矩阵的奇异值分解方法对其进行数值刻画,并将此方法应用于蛋白质亚细胞定位预测中。运用BP神经网络算法,对蛋白质数据集CL317进行预测,取得95.31%的总体预测精度。这些结果表明,本文所提出的方法具有一定的有效性和可靠性。(本文来源于《浙江理工大学》期刊2018-12-15）
沈金良,陈丽君,黄建华[5]（2018）在《均衡问题和非扩张映射隐中点迭代序列的不动点问题》一文中研究指出在Hilbert空间中讨论了非扩张映射隐中点迭代序列的均衡问题和不动点问题,并在适当条件下证明了弱收敛定理和强收敛定理.(本文来源于《宁夏大学学报(自然科学版)》期刊2018年04期）
刘辉[6]（2018）在《粘滞逼近迭代序列的收敛性》一文中研究指出在一定条件下对粘性逼近迭代序列在渐近非扩张映射T的不动点的收敛性问题进行的证明.(本文来源于《哈尔滨师范大学自然科学学报》期刊2018年05期）
张海燕,李耀红[7]（2018）在《无穷区间上分数阶微分方程的极值解迭代序列》一文中研究指出利用单调迭代方法,结合算子的全连续性,在一定非线性增长条件下,研究无穷区间上一类具有积分边值条件的分数阶微分方程.获得该问题相应Green函数的性质和极大极小正解迭代序列,并给出一个例子说明结果的应用.(本文来源于《淮北师范大学学报(自然科学版)》期刊2018年03期）
袁海静[8]（2018）在《稳健回归模型的非迭代抽样算法与计数时间序列模型的统计推断》一文中研究指出针对连续型数据中经常呈现的重尾现象以及计数时间序列数据的过度扩散等情况,本文讨论了若干有关的统计模型及其参数估计问题,涉及尺度混合正态回归模型、截尾学生t回归模型、混合负二项整值ARCH模型、Neyman-A型整值GARCH模型,发展了相应的非迭代贝叶斯后验抽样算法、EM算法等。得到了有关模型平稳性的充要条件及模型选择策略。与传统模型和算法相比,所考虑模型和算法在模拟和实例分析中都有满意的表现,在经济、医学等领域有较好的应用。1.尺度混合正态线性回归模型的非迭代贝叶斯抽样算法尺度混合正态(SMN)分布为一类重尾分布族,由于其稳健性,当数据中有异常值时,常用其替代正态分布。关于SMN线性回归及相关模型的统计推断,文献中有基于期望最大化(EM)算法的最大似然估计和基于马氏链蒙特卡洛(MCMC)抽样的贝叶斯推断。例如,Andrews(1974)、Dempster(1980)以及Lange(1993)发展了 SMN分布的(EM)算法,并讨论了它们在稳健回归中的应用。Fernndez and Steel(2000)讨论了 SMN 线性回归下的 MCMC)算法,Abanto-Valle et al.(2010)则从贝叶斯的角度分析了 SMN随机波动性模型。Rosa et al.(2003,2004)将SMN线性回归模型推广到SMN线性混合效应模型,并进行了贝叶斯推断。Garay et al.(2015,2017)将SMN回归模型推广到截尾的情形,并讨论了相应的EM算法和MCMC算法。由于其灵活性和易实施性,Gibbs抽样和其他MCMC抽样算法被广泛用于贝叶斯统计推断,但这些迭代抽样算法有其缺陷,实际应用中容易被忽视。其一,由迭代的MCMC抽样产生的样本很难做到独立;其二,很难确信迭代终止时抽取的马氏链是否达到收敛。Tan et al.(2003)提出了一种缺失数据结构下基于逆贝叶斯公式(IBF)的非迭代抽样算法,该算法可从后验分布中产生(近似)独立同分布(i.i.d.)的样本,所得样本可直接用于贝叶斯统计推断,从而避免了 Gibbs抽样的缺点。受Tan et al.(2003)启发,在第一章中,我们将非迭代抽样算法的思想应用到SMN回归模型中去,发展了非迭代贝叶斯后验抽样算法。该算法把SMN回归模型的稳健性与非迭代抽样的计算有效性结合起来,能够获得来自参数后验分布的独立同分布的样本,从而避免了迭代的Gibbs抽样算法的收敛性诊断问题。我们通过模拟来研究算法的表现,并用该后验样本进行模型选择和影响分析。最后,用该策略分析美国长期国债价格数据集,得到了有意思的结果。与正态回归及迭代的Gibbbs抽样相比,我们的策略在模拟和应用中表现都很好。2.截尾学生t线性回归模型的非迭代贝叶斯抽样算法截尾学生t回归模型((CTR)在处理异常数据时比截尾正态回归模型更稳健。第二章中,我们在贝叶斯框架下,发展了处理截尾学生t回归的非迭代抽样算法。算法的核心在于学生t分布的分层表示和截尾数据的缺失数据结构使得CTR模型很自然具有蒙特卡洛EM(MCEM)结构。首先,将观测数据添加两类潜变量数据,一类是将学生t分布表示成正态分布的混合表示的混合变量,另一类是截尾下的缺失数据,从而获得MCEM结构下的添加条件预测分布。然后,应用EM算法获得后验众数,用其得到最佳重点抽样密度,使得目标后验密度和重点抽样密度间的覆盖区域足够大。最后,两次应用IBF算法和抽样/重点再抽样(SIR)算法,获得来自观测后验分布的近似独立同分布的样本。该样本也被用在模型选择和影响诊断上,能够选择最佳的自由度,并识别潜在的异常值。我们通过模拟来研究CTR算法下的IBF算法的表现,并用该策略分析了两个截尾数据集,一个是左截尾的工资率数据,另一个是右截尾的绝缘寿命数据,发现所用策略比通常的截尾正态线性模型和Gibbs抽样要有效。3.基于混合负二项分布的整值广义自回归条件异方差模型的统计推断为处理过度分散和多峰的计数时间序列,本章中我们建立了基于负二项分布的混合整值自回归条件异方差模型。该模型有多个平稳或非平稳的整值自回归条件异方差过程构成,其中每个混合过程都有着负二项的条件边际分布。相对单个负二项整值自回归条件异方差模型而言,混合模型不仅仅可以处理过度分散,还能较好的处理多峰和具有分平稳混合过程。我们给出了模型具有一二阶平稳解的充分必要条件,也推导了模型的自协方差函数以及自相关系数的递推关系。充分利用模型中的混合性,发展了基于EM算法的最大似然法的参数估计。我们通过模拟研究了估计的表现。最后,通过叁种模型选择方式:AIC、BIC和MRC,对实际数据建立模型进行实证分析。4.A-型Neyman整值广义自回归条件异方差模型的统计推断第四章中,我们讨论一类特殊的复合泊松整值广义自回归条件异方差模型--A-型Neyman整值广义自回归条件异方差模型。对于一般的A-型Neyman整值广义自回归条件异方差模型,导出了其一二阶平稳性条件。我们也特别给出了自协方差函数与自相关系数的递推关系,它们可以用来做部分模型的Yule-Warlker估计。对于模型参数的估计问题,我们考虑了叁种估计方法:Yule-Warler估计(YW),条件最小二乘估计(CLS)和最大似然估计(MLE)。由于A-型Neyman分布的概率分布律的复杂性,极大似然方法中借助于EM算法来最大化似然函数。模拟结果发现,总体上叁种估计方法表现都不错,尤其是当样本量增加时。最后,我们对弯曲杆菌感染的病例的计数数据进行实证分析,通过AIC和BIC准则选择了A-型Neyman整值自回归(NTA-INARCH)模型,并对数据做了拟合与残差诊断。(本文来源于《山东大学》期刊2018-05-18）
刘英[9]（2018）在《扩展到无弱序列连续对偶映射Banach空间的关于变分包含与不动点问题的广义迭代算法》一文中研究指出该文根据广义迭代算法在无弱序列连续对偶映射的q-一致光滑的Banach空间引进了一迭代序列来寻找两个集合的公共元素,这两个集合分别是包含两个H-增生映射的一类非线性变分包含组的解集和一无限族严格伪压缩映射的公共不动点集.该迭代序列得到的这一公共元素还是某一变分不等式的唯一解.该文提高和扩展了一些相关结果.(本文来源于《数学物理学报》期刊2018年02期）
杨涛瑞[10]（2018）在《基于迭代函数的伪随机序列生成算法》一文中研究指出本文在分析了伪随机序列在信息安全和密码学中的重要作用后,提出了一种新的基于混沌迭代映射的伪随机序列生成算法。在该算法中,首先迭代一个分段线性混沌函数得到一个十进制输出值,然后将该值转化为二进制数,并将其前八个二进制位倒排后与该值落于[0,1]的256个等大小的某个子区间内的位置下标进行异或运算,得到八比特的二进制输出序列,重复上述步骤,只到得到满足需要的伪随机序列位数。(本文来源于《数字通信世界》期刊2018年01期）
和迭代序列论文开题报告
（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：
针对时间序列分类特征提取困难、提取的特征不明显等问题,提出一种基于普通规则嵌套迭代的时间序列特征提取模型。以常规的序列特征提取规则为基本单元,构建多级迭代规则对时间序列数据进行空间变换产生特征序列集,采用基本的特征提取方法对序列集进行特征提取得到最终的特征集合,模型的迭代次数和规则可由用户自己设定。以用户实际用电序列数据为例,对原始用电序列数据作为特征和该模型提取的特征进行分类比较,实验结果表明,在规则迭代模型下提取的特征,分类评价指标MAP最高可达到0.5389,对分类性能提升的增幅最高可达48.83%。
（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。
和迭代序列论文参考文献
[1].苏利娜,甘卫军,张勇,苏小宁,赵倩.基于迭代PCA的GPS时间序列震后形变估计方法和应用[J].地球物理学报.2019
[2].谭海,陈利军,张军,张鑫,高方方.基于规则迭代的时间序列特征提取模型[J].计算机工程与设计.2019
[3].刘涌泉,饶永生.渐近半伪压缩映射合成隐迭代序列的强收敛性[J].西南大学学报(自然科学版).2018
[4].黄嘉禾.一类广义迭代图形表示在蛋白质序列分析中的应用[D].浙江理工大学.2018
[5].沈金良,陈丽君,黄建华.均衡问题和非扩张映射隐中点迭代序列的不动点问题[J].宁夏大学学报(自然科学版).2018
[6].刘辉.粘滞逼近迭代序列的收敛性[J].哈尔滨师范大学自然科学学报.2018
[7].张海燕,李耀红.无穷区间上分数阶微分方程的极值解迭代序列[J].淮北师范大学学报(自然科学版).2018
[8].袁海静.稳健回归模型的非迭代抽样算法与计数时间序列模型的统计推断[D].山东大学.2018
[9].刘英.扩展到无弱序列连续对偶映射Banach空间的关于变分包含与不动点问题的广义迭代算法[J].数学物理学报.2018
[10].杨涛瑞.基于迭代函数的伪随机序列生成算法[J].数字通信世界.2018
论文知识图
