导读:本文包含了局部学习论文开题报告文献综述及选题提纲参考文献，主要关键词:局部s变换,极限学习机,轴向柱塞泵,滑靴磨损
局部学习论文文献综述
励文艳,程珩,赵立红,韩露[1]（2019）在《基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断》一文中研究指出针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共叁维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。(本文来源于《液压与气动》期刊2019年12期）
纪超,黄新波,曹雯,朱永灿,张烨[2]（2019）在《结合深度学习和全局-局部特征的图像显着区域计算》一文中研究指出为提高图像显着区域的检测效率,提出一种结合区域特征-全文信息的深度学习框架用于显着区域检测计算.首先提出基于前景的颜色独特性和紧凑性来突出显着前景区域;然后结合全局空间情景分布和局部信息之间的关系,提出全局上下文模型与局部精细检测模型来深度准确计算图像的显着特征;并提出循环结构网络对每个特征图进行位置加权,最后将每个块模型的输出以反馈方式连接到输入建立循环连接,通过反复迭代过滤噪声,减少背景信息的影响.将提出的算法在ECSSD,DUT-OMRON图像库中与其他算法进行对比测试,得出的实验结果均优于当前流行算法.(本文来源于《计算机辅助设计与图形学学报》期刊2019年10期）
李德宜,曾弦,周勇[3]（2019）在《基于子空间距离的局部切空间增量学习》一文中研究指出提出一种基于子空间距离的局部切空间增量学习方法ISLTSA。首先采用基于划分的简化局部切空间排列算法SLTSA,把初始样本集划分为彼此重迭的多个局部最大线性片;然后引入向量到子空间的距离测度描述新数据点与局部最大线性片的接近程度,并将新数据点归入距离其最近的局部最大线性片中;最后,新数据点的全局低维坐标可由局部线性子空间与全局低维流形的仿射变换计算得出。对多个经典数据集的降维结果表明,ISLTSA算法能够保留数据集的局部几何性质,是一种有效的非线性增量学习方法。(本文来源于《武汉科技大学学报》期刊2019年05期）
潘志新,刘利国,钱程,王震,袁栋[4]（2019）在《基于融合极限学习机的局部放电模式识别》一文中研究指出局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。(本文来源于《电力工程技术》期刊2019年05期）
俞嘉旭,吴帮玉,刘乃豪,朱小叁,任浩然[5]（2019）在《基于局部成像矩阵的监督学习散射点识别》一文中研究指出局部成像矩阵展示了成像点处波场能量在不同波传播局部入射和出射角度上的分布。对反射点和散射点,局部成像矩阵具有显着不同的能量分布规律,二维情况下,前者能量集中于某一倾角的条带上,而后者能量呈散状分布。利用二维SEG/EAGE模型偏移产生的局部成像矩阵作为训练和测试样本,本文初步测试了8种常见的监督学习分类方法根据局部成像矩阵区分散射点和非散射点的效果,着重考察了各个方法的准确率、查准率、召回率和F1-分数指标。测试结果表明,这8种分类方法对散射点局部成像矩阵均有一定的识别率,其中以随机森林方法效果最好,可作为根据局部成像矩阵进行散射点识别的重点考察方法。(本文来源于《中国石油学会2019年物探技术研讨会论文集》期刊2019-09-09）
安超[6]（2019）在《不同机器学习模型对早期肝癌微波消融术后局部进展结局预测及风险评分》一文中研究指出目的使用不同机器学习算法建立肝癌微波消融术后局部进展风险预测模型。评估临床病理学指标与微波消融术后肝癌局部进展之间的关系并进行风险预测评分。方法回顾性研究2007年8月(2018年11月在中国人民解放军总医院介入超声科接受微波消融治疗的早期肝癌患者906名,其中男性625名,女性281名,肿瘤平均直径为2.5±1.0厘米。对纳入患者分别评估人口学及肿瘤特征、实验室检查以及消融参数,使用包括决策树,随机森林,贝叶斯分级模型,基础分级决策树,Adaptive boost,AdaBoost以及XGboost算法在内的7种不同的机器学习算法,开发建立局部进展的风险模型,并比较其与传统模型Cox生存回归的预测能力,分析导致早期肝癌微波消融术后局部进展的危险因素。根据机器学习模型形成的肝癌局部进展风险评分,将患者分为高风险组(423人)和低分先祖(483人),比较两组患者的微波消融术后局部进展率。结果本研究的中位随访期是27.8个月,范围(3.2(110.3个月)。61例早期肝癌患者经微波消融术后出现了局部进展(局部进展率6.73%)。微波消融术后1,2,3年的肝癌局部进展率分别是2.7%,6.3%和9.7%。7种机器学习算法模型的评价指标受试者工作特征(AUC)曲线分别是0.608至0.823。其中基于AdaBoost算法建立的微波消融术后局部进展风险预测模型预测能力最佳,与其它模型比较(P<0.001),AUC曲线下面积为ROC_5fold=0.8230,测试集上准确率为84.62%。整体性能优于Cox生存回归模型(ConcordanCe=0.7960)。基于AdaBoost的肝癌微波消融术后局部复发风险预测模型特征重要性排序显示肿瘤数量、肿瘤直径、肿瘤位置、性别、比值、总胆红素、年龄、AFP、病因学为肝癌局部进展的风险因素。基于风险评分划分的高风险组和低风险组,两组的1(,2(,3(年微波消融术后肝癌局部进展率分别是2.2%,4.4%和4.6%(低风险组),和3.8%,7.5%,和11.6%(高风险组),具有显着的统计学差异(P<0.001)。结论基于机器学习算法的肝癌微波消融术后局部进展风险预测模型与传统模型相比,拥有更为可靠的准确度和卓越的整体性能,可辅助临床医生准确地进行肝癌微波消融术后局部进展的风险预测,下一步应该在多中心大病例群体中进一步验证。(本文来源于《中国超声医学工程学会第五届全国介入超声医学学术交流大会论文汇编》期刊2019-08-23）
张雪梅,刘萍[7]（2019）在《英语外向型学习词典中抽象名词释义的局部语法研究——以《牛津高阶英语词典》(第8版)外壳名词语料为例》一文中研究指出外向型学习词典的词条释义因其读者群体和功能具有独特性。基于Schmid(2000)外壳名词的发现,该研究从《牛津高阶英语词典》(第8版)提取出656个外壳名词释义,建立小型语料库;然后借鉴Sinclair (1991)和Barnbrook (1995;2002)等整句释义的研究结果,采用局部语法的路径对上述外壳名词释义进行分析,以揭示抽象名词的释义范式。该研究对汉语外向型学习词典释义的理论研究与实践以及计算机语言处理均有一定的启示。(本文来源于《外语电化教学》期刊2019年04期）
张芳艳,王新,许新征[8]（2019）在《基于结构化遮挡编码和极限学习机的局部遮挡人脸识别》一文中研究指出提出使用结构化遮挡编码(SOC)结合极限学习机(ELM)的算法来处理人脸识别中的遮挡问题。首先,使用SOC去除图像上的遮挡物,将遮挡物体与人脸分离开;同时,通过局部性约束字典(LCD)来估计遮挡物的位置,建立遮挡字典和人脸字典。然后,将建立好的人脸字典矩阵进行归一化处理,并利用ELM对归一化的数据进行分类识别。最后,在AR人脸库上进行的仿真实验结果表明,所提方法对不同遮挡物和不同区域遮挡的图像具有较好的识别率和鲁棒性。(本文来源于《计算机应用》期刊2019年10期）
牛淑亮,梁颖,王水泉,阿不都吉里力·阿不都克力木,刘凤霞[9]（2019）在《基于碎片化移动学习理论的局部解剖学碎片化学习模式探索》一文中研究指出碎片化学习是一种通过对学习内容或者学习时间进行分割,分解成为若干"碎片",让学习者充分利用"碎片化"时间,对"碎片化"内容进行学习的一种学习方式~([1])。移动学习是一种借助移动设备终端,让学习者能够在任何时间、任何地点都能学习的模式~([2])。与以教师为中心~([3]),学生依赖于老师,学生通过课堂讲授达到吸收知识的目的~([4])的传统教学模式,即(本文来源于《解剖学杂志》期刊2019年03期）
王芃,吕静,沈华乐[10]（2019）在《基于局部结构保持的自适应有序回归学习》一文中研究指出有序回归学习是一种在训练模型过程中保持数据间序关系的机器学习方法,在图像分类等领域有着广泛的应用.现有的有序回归模型通过先验知识获得了更优的性能,但是它们没有考虑数据内的局部结构信息.本文在有序回归学习的同时保持局部结构信息,并嵌入图像空间距离度量信息,提出了一种基于局部结构保持的自适应有序回归方法(SaLSP-LDLOR).通过对局部保持矩阵进行模糊自适应处理,获得了更好的鲁棒性.实验结果表明,SaLSP-LDLOR在有序图像分类的场景下具有更优的性能和良好的鲁棒性.(本文来源于《南京师大学报(自然科学版)》期刊2019年02期）
局部学习论文开题报告
（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：
为提高图像显着区域的检测效率,提出一种结合区域特征-全文信息的深度学习框架用于显着区域检测计算.首先提出基于前景的颜色独特性和紧凑性来突出显着前景区域;然后结合全局空间情景分布和局部信息之间的关系,提出全局上下文模型与局部精细检测模型来深度准确计算图像的显着特征;并提出循环结构网络对每个特征图进行位置加权,最后将每个块模型的输出以反馈方式连接到输入建立循环连接,通过反复迭代过滤噪声,减少背景信息的影响.将提出的算法在ECSSD,DUT-OMRON图像库中与其他算法进行对比测试,得出的实验结果均优于当前流行算法.
（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。
局部学习论文参考文献
[1].励文艳,程珩,赵立红,韩露.基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断[J].液压与气动.2019
[2].纪超,黄新波,曹雯,朱永灿,张烨.结合深度学习和全局-局部特征的图像显着区域计算[J].计算机辅助设计与图形学学报.2019
[3].李德宜,曾弦,周勇.基于子空间距离的局部切空间增量学习[J].武汉科技大学学报.2019
[4].潘志新,刘利国,钱程,王震,袁栋.基于融合极限学习机的局部放电模式识别[J].电力工程技术.2019
[5].俞嘉旭,吴帮玉,刘乃豪,朱小叁,任浩然.基于局部成像矩阵的监督学习散射点识别[C].中国石油学会2019年物探技术研讨会论文集.2019
[6].安超.不同机器学习模型对早期肝癌微波消融术后局部进展结局预测及风险评分[C].中国超声医学工程学会第五届全国介入超声医学学术交流大会论文汇编.2019
[7].张雪梅,刘萍.英语外向型学习词典中抽象名词释义的局部语法研究——以《牛津高阶英语词典》(第8版)外壳名词语料为例[J].外语电化教学.2019
[8].张芳艳,王新,许新征.基于结构化遮挡编码和极限学习机的局部遮挡人脸识别[J].计算机应用.2019
[9].牛淑亮,梁颖,王水泉,阿不都吉里力·阿不都克力木,刘凤霞.基于碎片化移动学习理论的局部解剖学碎片化学习模式探索[J].解剖学杂志.2019
[10].王芃,吕静,沈华乐.基于局部结构保持的自适应有序回归学习[J].南京师大学报(自然科学版).2019