导读:本文包含了参数自适应算法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:算法,自适应,参数,步长,线性化,流形,蜂群。
参数自适应算法论文文献综述
吴志祥,黄旭聪,施小帅,李晓健,闵静静[1]（2019）在《基于参数自适应动态差分进化算法的变压器局放源定位》一文中研究指出针对变压器局部放电超声定位中混合优化算法存在的寻优参数较多及寻优过程较为复杂等不足,提出了一种基于PADDE(参数自适应动态差分进化)算法的变压器局放源定位方法。在种群的变异及交叉过程中,结合适应度函数自适应地对传统DE(差分进化)算法参数进行选择,并动态地对当前种群进行更新,从而有效提高了寻优性能,并加快了收敛速率。通过Benchmark标准测试函数和实际变压器局部放电超声定位对该方法的有效性和可行性进行验证,结果表明:相比于传统的DE算法,PADDE算法寻优能力更强,得到的定位结果更加精确,定位误差始终保持较小的数值。(本文来源于《浙江电力》期刊2019年11期）
曹文梁,康岚兰[2]（2019）在《高斯过程回归超参数自适应选择粒子群优化算法》一文中研究指出超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年11期）
朱洪峰,熊伟,崔亚奇,吕亚飞[3]（2019）在《基于加速度的马尔可夫参数自适应IMM算法》一文中研究指出针对标准的交互式多模型算法(IMM)模型切换存在滞后性,使得目标机动改变时跟踪误差增大的问题,提出了一种基于加速度的自适应转移概率矩阵的IMM算法。该算法通过当前时刻IMM算法输出的加速度估计值,得到相应的修正因子,修正下一时刻的转移概率矩阵,使得模型切换速度加快,减小目标机动时的跟踪误差。最后通过仿真实验证明,改进的IMM算法能够有效减小目标机动改变时跟踪误差,提高模型切换速度,同时还指出了该算法的适应范围。(本文来源于《火力与指挥控制》期刊2019年11期）
石毅,韩义成,孙梓航,唐爽,张勇[4]（2019）在《变正则化参数的增量式子带自适应滤波算法》一文中研究指出为了解决定步长带来的快收敛速度和低稳态误差的折中问题,本文提出了一种变正则化参数的增量式归一化子带自适应滤波算法,其中变正则化参数是通过最小化后验子带误差信号的方差获得。同时对于先验子带误差信号的方差估计,本算法提出采用均方偏差(MSD)分析方法。相比于传统的滑动平均方式,该方法获得更好的估计性能。而且,本文证明了所提算法在均方意义上是收敛的。通过系统辨识和回声消除仿真实验,本文表明和现有增量式算法相比,所提算法在收敛速度和稳态误差方面具有优越性。(本文来源于《电子测量技术》期刊2019年19期）
曲国庆,孙振,苏晓庆,杜存鹏[5]（2019）在《非线性参数估计的自适应松弛正则化算法》一文中研究指出非线性方程参数估计存在的弊端在于非线性观测方程存在不适定问题时,以线性化平差估计和高斯牛顿为代表的经典数值算法会产生较强的不稳定特征。因此,针对传统非线性最小二乘求解不稳定且可靠性低的特点,基于稳定泛函极小准则最优化思想,提出了一种自适应松弛正则化数值算法。该算法采用正则化参数几何递增计算方法和残差最小步长准则,实现了正则参数和迭代步长计算的完全自适应,提高了非线性迭代收敛效率。以病态仿真数据和水下实测数据为例,验证了该方法的数值收敛解优于线性平差估计解,收敛效率优于迭代Tikhonov正则化方法。(本文来源于《武汉大学学报(信息科学版)》期刊2019年10期）
冯重锴,李波[6]（2019）在《基于组稀疏的参数自适应学习UDP算法》一文中研究指出传统UDP算法的参数选择是一个经典问题,至今仍没有一种有效的方法从根本上解决这个问题。针对复杂的参数选择,提出一种基于组稀疏的参数自适应学习UDP算法(SUDP)。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免传统UDP算法中使用K-NN算法带来的弊端。由于稀疏表示带有天然判别信息的优势,SUDP算法比传统的UDP算法有着更强的判别能力。在6个广泛使用的人脸数据集上进行的实验,实验结果表明了SUDP算法的有效性和稳定性。(本文来源于《计算机工程与设计》期刊2019年08期）
张德发[7]（2019）在《动态目标搜索中自适应参数差分进化算法仿真》一文中研究指出为了准确、高效地完成动态目标的搜索,需要对动态目标搜索方法进行研究。采用当前方法对动态目标进行搜索时,不能有效的去除运动过程中动态目标背景存在的噪声,且搜索动态目标所用的时间较长,存在搜索效率低和准确率低的问题。在自适应参数差分进化算法的基础上提出一种动态目标搜索方法,根据动态目标运动矢量计算子图像块的最小平均绝对差值,对动态目标背景进行补偿。采用自适应参数差分进化算法初始化种群、设置参数,根据调整后的变异率和交叉率对种群进行变异操作和交叉操作,最后对种群进行选择操作,通过设置终止条件输出得到动态目标的搜索结果,完成动态目标的搜索。仿真结果表明,所提方法的搜索效率高、准确率高。(本文来源于《计算机仿真》期刊2019年08期）
陈本豪,高涛,卢玮,王翠翠,李琨[8]（2019）在《基于雾天图像退化模型的自适应参数优化的去雾算法》一文中研究指出针对单幅雾霾图像中包含有大面积浓雾、高亮以及白色物体等,而导致无法清晰识别的问题,基于雾天退化模型,提出了一种改进暗通道和运用灰度开运算求解环境光值相结合的去雾算法。首先根据暗通道先验理论运用图像阈值分割出暗原色区域和明原色区域,并将暗原色区域与明原色区域相结合以求得更加精准的原始透射率;然后采用引导滤波算法细化原始透射率;并通过灰度开运算对环境光值进行区间估计,提高了环境光值的精准性和鲁棒性。使得该算法适用于暗通道去雾效果不好的浓雾高亮区域,去雾后的图像更加真实自然,边缘细节信息更加丰富,有效去除了Halo效应;同时也有效地解决了单幅图片去雾后图片偏暗,图片视觉效果不好等问题。与经典去雾算法作比较,验证在图像的对比度、失真度、细节信息和边缘保持等方面都优于其他算法。(本文来源于《科学技术与工程》期刊2019年21期）
邱宁佳,高奇,王鹏[9]（2019）在《参数自适应学习的半监督混合聚类算法》一文中研究指出提出目标重构的半监督混合聚类算法SSABC。使用人工蜂群算法结合有标记数据研究半监督聚类的准确率提高问题,利用设定参数衡量有无标记数据的权重,依此重新构造目标函数找出数据聚类中心;使用APL-SSHC算法完成半监督混合聚类的参数自适应学习工作,结合自适应学习理论优化权重参数,将参数的确定与聚类过程结合加快聚类过程。UCI数据集实验结果表明,该算法能够找到合理的聚类中心点,APL-SSHC算法与其它聚类算法相比有更好的聚类效果。(本文来源于《计算机工程与设计》期刊2019年06期）
谢辉,张宁[10]（2019）在《基于参数自适应的电动汽车整车质量辨识算法》一文中研究指出为减少电动汽车(EV)质量估算模型在工程应用中对车辆参数的依赖性,提出了一种整车质量估算算法。该算法能适应空气阻力、迎风面积和传动比等部分车辆参数变化。基于车载终端获得的车辆运行信息,完成传动比和坡度的还原,并将空气阻力中的空气密度、迎风面积、风阻系数作为整体,与整车质量一同借助扩展Kalman滤波算法完成联合辨识。结果表明:在不同整车质量以及道路环境下,质量参数辨识的平均误差为3.74%。因此,该算法可以实时得到质量辨识结果,且对车辆参数具有较好的自适应能力。(本文来源于《汽车安全与节能学报》期刊2019年02期）
参数自适应算法论文开题报告
（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：
超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。
（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。
参数自适应算法论文参考文献
[1].吴志祥,黄旭聪,施小帅,李晓健,闵静静.基于参数自适应动态差分进化算法的变压器局放源定位[J].浙江电力.2019
[2].曹文梁,康岚兰.高斯过程回归超参数自适应选择粒子群优化算法[J].合肥工业大学学报(自然科学版).2019
[3].朱洪峰,熊伟,崔亚奇,吕亚飞.基于加速度的马尔可夫参数自适应IMM算法[J].火力与指挥控制.2019
[4].石毅,韩义成,孙梓航,唐爽,张勇.变正则化参数的增量式子带自适应滤波算法[J].电子测量技术.2019
[5].曲国庆,孙振,苏晓庆,杜存鹏.非线性参数估计的自适应松弛正则化算法[J].武汉大学学报(信息科学版).2019
[6].冯重锴,李波.基于组稀疏的参数自适应学习UDP算法[J].计算机工程与设计.2019
[7].张德发.动态目标搜索中自适应参数差分进化算法仿真[J].计算机仿真.2019
[8].陈本豪,高涛,卢玮,王翠翠,李琨.基于雾天图像退化模型的自适应参数优化的去雾算法[J].科学技术与工程.2019
[9].邱宁佳,高奇,王鹏.参数自适应学习的半监督混合聚类算法[J].计算机工程与设计.2019
[10].谢辉,张宁.基于参数自适应的电动汽车整车质量辨识算法[J].汽车安全与节能学报.2019
论文知识图
