导读:本文包含了混合机器学习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:机器,语义,模型,算法,参数,交通,水文地质。
混合机器学习论文文献综述
刘斌,任欢,李立欣[1]（2019）在《基于机器学习的毫米波大规模MIMO混合预编码技术》一文中研究指出毫米波大规模多输入多输出技术是提高5G移动通信容量的核心技术之一,其中混合预编码技术作为大规模MIMO系统中最关键的技术而被广泛研究。采用传统的迭代算法解决混合预编码问题通常导致较高的计算复杂度和严重的系统性能损失。机器学习方法由于其具有自适应学习和决策的优势而被应用于混合预编码器的设计工作中。在机器学习的基础理论上提出了一种采用交叉熵优化策略的混合预编码算法,通过迭代更新具有稳健误差的交叉熵损失函数得到最佳的混合预编码器组合,该组合被证明可以实现理想的传输总和速率,可以显着提高系统的能量效率。(本文来源于《移动通信》期刊2019年08期）
冯丽[2]（2019）在《基于混合效应模型、机器学习的HIV/AIDS儿童抗病毒治疗免疫学、生长发育影响因素的研究》一文中研究指出目的:探讨艾滋病毒/艾滋病(HIV/AIDS)儿童抗逆转录病毒治疗(Antiretroviral therapy,简称ART)后免疫学(CD_4~+T细胞,简称CD4)疗效,卫生学(生长发育)疗效随治疗时间变化的特点,了解影响CD4、生长发育的相关因素,为提高HIV/AIDS儿童治疗效果提供数量依据。方法:本课题收集了2007年1月-2016年6月631例新疆接受抗病毒治疗确诊年龄小于15岁的HIV/AIDS儿童随访数据,按照年龄分为<5岁和≥5岁两组。(1)对2008年6月-2016年6月新疆接受ART治疗时间≤3年的271例HIV/AIDS儿童治疗的随访数据描述短期疗效免疫学动态变化趋势并与正常儿童组CD4进行比较,同时利用广义线性混合效应模型进行建模,分析影响免疫学疗效的主要因素;(2)对2007年1月-2016年6月新疆接受ART 601例HIV/AIDS儿童的随访数据分析生长发育情况,采用倾向性评分匹配法(PSM)按照年龄、性别1:1比例从正常儿童中匹配出601例作为对照组,比较正常儿童与HIV/AIDS儿童不同治疗时间身高、体重变化情况。同时使用Z评分方法比较HIV/AIDS儿童不同年龄营养变化情况,即年龄别体重(WAZ)和年龄别身高(HAZ),利用广义线性混合效应模型对HAZ、WAZ建模,用于确定各影响因素与WAZ和HAZ结果之间的关联。(3)采用5种机器学习算法对HIV/AIDS儿童抗病毒治疗免疫学和生长发育进行建模分析,并与混合效应模型拟合结果进行比较,选择出最优的模型。结果:(1)CD4方面,纳入271例HIV/AIDS儿童,年龄<5岁和≥5岁两组人数分别是71例和200例,基线中位CD4细胞分别是654和400个。HIV/AIDS儿童,经过治疗后不同年龄段CD4细胞与正常儿童CD4细胞相比均较低,但是HIV/AIDS儿童CD4细胞随治疗时间大多呈现上升的趋势,均高于基线CD4细胞组。在因素分析中,免疫学失败的危险因素为基线免疫学抑制程度、基线WHO临床分期、最近7天漏服药情况[比值比(OR)均>1],均会增加免疫学失败的发生,而治疗时间则会降低免疫学失败的发生[OR=0.9715,95%(CI):0.971 4~0.9715]。(2)生长发育方面,纳入601例HIV/AIDS儿童,经过不同时间的治疗,HIV/AIDS儿童生长发育轨迹与正常儿童比较无显着性差异,且平均水平均有所提高。在因素分析中,HAZ改变主要与开始ART年龄、治疗时间、规范参加随访情况、最近7天漏服药情况和基线WHO临床分期有关(P值均<0.05),其中免疫抑制程度和开始ART年龄存在交互作用(P均<0.05),免疫抑制程度低且开始ART年龄早的HIV/AIDS儿童身高增加显着;WAZ改变主要与性别、治疗时间有关(P值均<0.05),其中治疗时间和开始ART年龄分组存在交互作用(P<0.001),开始ART年龄早且治疗时间长的HIV/AIDS儿童体重增加显着。(3)采用5种机器学习算法对CD4、长发育进行建模分析,与混合效应模型进行比较,得出机器学习算法较优于混合效应模型。结论:经过ART治疗后CD4水平、生长发育指标较显着提高,并且长期治疗较短期治疗疗效显着,因此应加大对HIV/AIDS儿童病人早诊断、早治疗的宣传力度,加强随访管理,提高依从性,进一步改善HIV/AIDS儿童病人生活质量。(本文来源于《新疆医科大学》期刊2019-03-01）
胡晓辉,吴嘉昕,陈勇,杜永文[3]（2019）在《机器学习教学中的SPOC+TBL混合模式探索》一文中研究指出分析了MOOC教学模式的不足和存在的问题,阐述了SPOC教学模式具有的优势,提出一种SPOC+TBL混合教学模式,说明了SPOC+TBL混合教学模式在机器学习课程教学中的具体设计。(本文来源于《教育现代化》期刊2019年09期）
赵杨,袁析妮,陈亚文,武立强[4]（2018）在《基于机器学习混合算法的APP广告转化率预测研究》一文中研究指出[目的]利用机器学习算法对APP广告转化率进行有效预测,提高广告投放效果,更好地开展营销活动。[方法]针对APP广告特性,综合应用梯度提升决策树、随机森林、LightGBM、XGBoost、场感知因子分解机模型、Vowpal Wabbit等机器学习算法构建APP广告转化率预测模型——RF+LXFV,使用腾讯APP广告数据对模型的有效性与精确性进行检验。[结果]通过对比预测结果,在Log-Loss(0.105)和AUC(0.786)两个指标上的表现,发现基于RF+LXFV模型的APP广告转化率预测结果比基于单一机器学习算法的预测结果精确度更高。[局限]未充分考虑广告转化延迟对转化率预测的影响。[结论]RF+LXFV模型是预测APP广告转化率的一种有效方法。(本文来源于《数据分析与知识发现》期刊2018年11期）
唐晓波,翟夏普[5]（2019）在《基于混合机器学习模型的多文档自动摘要》一文中研究指出[目的/意义]信息过载是当前社会面临的普遍性问题,如何从大量的信息中提取有价值的内容,已成为研究的一个重点,目前自动摘要技术成为解决此问题的一种途径。[方法/过程]为了解决多文档摘要信息不全面、冗余度高的问题,文章提出了针对中文文本的多文档自动摘要混合模型,并对该模型所包含的句子向量化、分类器分类、句群划分和句子重组四个部分做了详细说明。该混合模型在摘要提取的过程不仅考虑了句子的形式特征,还融合了句子的深层语义,最后采用基于改进的PageRank算法对摘要句进行重组。[结果/结论]当摘要句为30时,该模型的ROUGE-1得分平均值为0.2074,明显高于TextRank (0.0728)和基于聚类的算法(0.1074)。实验结果表明该模型在多主题的中文长文本上是有效的。[局限]由于中文语料的限制,本实验的数据量相对较小,模型的适应能力未在大数据集上验证。(本文来源于《情报理论与实践》期刊2019年02期）
刘丹,蒲自源,许晓晴,伍佳妮[6]（2018）在《基于机器学习-优化混合算法的离散交通网络双层规划模型》一文中研究指出为求解离散交通网络设计的大规模双层规划问题(Bi-level Programming Program,BPP),提出一种机器学习-优化(ML-OP)混合算法。首先,基于分解方法的求解思路,将双层规划问题转换为:下层一个典型的非线性规划问题(NLP),上层一个整数规划问题来处理。研究设计的混合方法,上层问题用源于机器学习的替代问题代替,采用监督学习算法求解(SLA),下层问题为交通分配问题(TAP),是一个凸非线性规划问题,用Frank-Wolfe算法求解。其次,为了验证机器学习-优化算法的有效性,用一个真实的大规模数据集来测试,并与经典分支定界算法(Branch-and-Bound)进行比较。数据结果表明在处理大规模双层规划问题时,ML-OP混合算法在计算能力方面有较好的表现。(本文来源于《系统工程》期刊2018年08期）
武立强[7]（2018）在《基于机器学习混合模型的App广告点击率预测研究》一文中研究指出移动网络技术的日新月异与移动商务的广泛开展推动了移动互联网广告行业的迅猛发展。根据艾瑞咨询的研究报告显示,2016年网络广告市场规模已达2902.7亿元,其中移动网络广告规模占比超过60%。随着以智能手机为代表的各类智能化移动终端日益普及,依托移动App应用进行网络广告投放正受到越来越多广告主的青睐。App广告包括内置视频广告、启动屏广告、横幅广告、积分墙广告、信息流广告等多种形式,与传统网络广告相比,具有更强的媒体表现性、信息交互性与推送精准性,能够更好的实现营销目标。如何衡量APP广告的投放效果并有效提高其点击率(Click-Through Rate,CTR)与转化率(Conversion Rate,CVR),是广告主和APP运营商共同关注的焦点。广告点击率和转化率是衡量广告投放效果的重要指标。其中,广告点击率是指广告正式发布后被用户点击的概率;转化率则是指用户点击广告后产生实际消费行为的概率。相对于广告点击率,转化率直接影响着广告主的商业目标与经济效益,是广告主进行广告付费的关键依据。通过APP广告点击率分析与预测,不仅能够判断广告投放后的市场效益,还能进一步明确广告投放效果对网络消费者行为的影响,从而帮助广告主更好地开展营销活动,实现商业目标。本文针对App广告点击率预测问题展开研究,系统阐述了国内外研究现状和广告点击率基础理论,在此基础上,综合运用随机森林、梯度提升决策树、随机梯度下降、场感知因子分解机模型四种机器学习算法构建了 App广告点击率综合预测模型——RF+LGFV,并详细分析了模型的应用原理,进而基于实验设计对模型进行了验证。通过与单一机器学习算法预测结果进行比较,证明了混合机器学习算法在App广告点击率预测上的优势。本文的贡献如下:1.App广告点击率预测特征选择。本文使用随机森林、梯度提升决策树这两种机器学习算法从初始特征集中提炼显着特征,并将两个特征集的并集作为新的特征集训练预测模型,过滤不显着特征。通过提取特征,不仅简化了维度,提高了模型训练的效率,也能防止低质特征对模型准确性的干扰,提高预测精度。2.App广告点击率预测模型构建。本文针对单一的机器学习算法和主观特征选择存在的弊端,在综合应用随机森林、梯度提升决策树、随机梯度下降、场感知因子分解机模型四种机器学习算法,提出了一个App广告点击率综合预测模型——RF+LGFV,并基于腾讯公司旗下社交类App广告的真实数据对模型的有效性与精确性进行验证,为广告主提高App广告点击率提供了有效依据。(本文来源于《武汉大学》期刊2018-05-01）
辛成[8]（2018）在《基于数据预处理及机器学习的混合模型对兰州大气污染指标的分析及预测》一文中研究指出大气是人类赖以生存和发展的必不可缺的环境要素之一。然而,随着现代工业的迅速发展和城市人口的急剧增长,造成了大量化石燃料的燃烧。燃烧所产生的化学物质以废气和烟尘等形式排放到大气中,超过了大气环境的容许量,给人类的生活生产和身体健康带来严重的影响。世界卫生组织和联合国环境组织发表的一份报告说:“大气污染已成为全世界城市居民生活中一个无法逃避的现实。”因此开展大气污染预测的研究可预防严重污染事件的发生,为政府的管理和决策部门对可能发生的污染事件采取措施,为公众的社会活动安排提供了参考依据。本文提出了一种基于BP神经网络的新型混合预测模型。为评估预测模型的精确性及有效性,选取了中国甘肃省兰州市2016年的大气颗粒物PM2.5和PM10的历史数据作为案例进行分析预测。为了建立一个有效的PM2.5和PM10的预测模型,首先,变分模态分解(Variational Mode Decomposition,VMD)技术在数据预处理阶段用于重构数据。其次,在优化BP神经网络的权值和阈值时,提出了一种基于自适应粒子群算法(APSO)改进的蚁群算法(ACO)混合优化算法。最后,对预测结果进行了多种方式的比较分析。实验结果表明本文所提出的混合预测模型(VMD-APSOACO-BP)预测精度较高。与此同时,该模型基本拟合了大气颗粒物浓度变化的趋势和波动,因此能够为当地政府对污染指数的预测及研究提供一定的决策支持。(本文来源于《兰州大学》期刊2018-03-01）
强玲娟[9]（2017）在《基于机器学习的混合智能算法求解参数优化问题》一文中研究指出利用智能优化算法求解含参数的问题时,一般都会先建立相应的数学优化模型。而关于模型中目标函数的选择,我们通常都是依据最小二乘原理,以计算实验数据的计算值和测量值差的平方和来给出的。鉴于这种方法在利用实验数据时没有考虑到数据本身可能存在的测量或者统计误差,本文基于孟德宇等人提出矩阵因子分解的自步长机器学习方法,改进优化模型中的目标函数。主要做法是先在各项数据之前加入一个介于0到1之间的调整参数,用以削弱每个数据对总体预测结果的影响,其次在整个公式后再加入一个规则化函数调整整个模型,防止模型过分拟合训练数据,提高模型的整体泛化性能。因为这种情况下模型中的参数较多,复杂度很高,过拟合只是保证了训练误差很小,但是实际的预测能力不一定很好。本文先给出了上述机器学习方法改进传统目标函数的思想原型和机器学习算法的相关理论,然后主要以水文地质参数和河流水质参数问题的求解过程为例,分别用基于机器学习的改进模拟退火算法和改进粒子群算法进行求解,通过将计算结果和一般的智能优化算法或者混合算法进行比较,充分说明了本文提出的将机器学习的方法应用于优化模型的思想是可行的,并且在同一条件下比其他算法的求解效率更高,和实际数据的拟合程度更好。此外,通过给原始数据增加扰动和数据分组的改进方法,进一步验证了这种方法的稳定性和普遍适用性。(本文来源于《长安大学》期刊2017-06-08）
徐健锋,许园,许元辰,张远健,刘清[10]（2015）在《基于语义理解和机器学习的混合的中文文本情感分类算法框架》一文中研究指出快速、准确和全面地从大量互联网文本信息中定位情感倾向是当前大数据技术领域面临的一大挑战。文本情感分类方法大致分为基于语义理解和基于有监督的机器学习两类。语义理解处理情感分类的优势在于其对不同领域的文本都可以进行情感分类,但容易受到中文存在的不同句式及搭配的影响,分类精度不高。有监督的机器学习虽然能够达到比较高的情感分类精度,但在一个领域方面得到较高分类能力的分类器不适应新领域的情感分类。在使用信息增益对高维文本做特征降维的基础上,将优化的语义理解和机器学习相结合,设计了一种新的混合语义理解的机器学习中文情感分类算法框架。基于该框架的多组对比实验验证了文本信息在不同领域中高且稳定的分类精度。(本文来源于《计算机科学》期刊2015年06期）
混合机器学习论文开题报告
（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：
目的:探讨艾滋病毒/艾滋病(HIV/AIDS)儿童抗逆转录病毒治疗(Antiretroviral therapy,简称ART)后免疫学(CD_4~+T细胞,简称CD4)疗效,卫生学(生长发育)疗效随治疗时间变化的特点,了解影响CD4、生长发育的相关因素,为提高HIV/AIDS儿童治疗效果提供数量依据。方法:本课题收集了2007年1月-2016年6月631例新疆接受抗病毒治疗确诊年龄小于15岁的HIV/AIDS儿童随访数据,按照年龄分为<5岁和≥5岁两组。(1)对2008年6月-2016年6月新疆接受ART治疗时间≤3年的271例HIV/AIDS儿童治疗的随访数据描述短期疗效免疫学动态变化趋势并与正常儿童组CD4进行比较,同时利用广义线性混合效应模型进行建模,分析影响免疫学疗效的主要因素;(2)对2007年1月-2016年6月新疆接受ART 601例HIV/AIDS儿童的随访数据分析生长发育情况,采用倾向性评分匹配法(PSM)按照年龄、性别1:1比例从正常儿童中匹配出601例作为对照组,比较正常儿童与HIV/AIDS儿童不同治疗时间身高、体重变化情况。同时使用Z评分方法比较HIV/AIDS儿童不同年龄营养变化情况,即年龄别体重(WAZ)和年龄别身高(HAZ),利用广义线性混合效应模型对HAZ、WAZ建模,用于确定各影响因素与WAZ和HAZ结果之间的关联。(3)采用5种机器学习算法对HIV/AIDS儿童抗病毒治疗免疫学和生长发育进行建模分析,并与混合效应模型拟合结果进行比较,选择出最优的模型。结果:(1)CD4方面,纳入271例HIV/AIDS儿童,年龄<5岁和≥5岁两组人数分别是71例和200例,基线中位CD4细胞分别是654和400个。HIV/AIDS儿童,经过治疗后不同年龄段CD4细胞与正常儿童CD4细胞相比均较低,但是HIV/AIDS儿童CD4细胞随治疗时间大多呈现上升的趋势,均高于基线CD4细胞组。在因素分析中,免疫学失败的危险因素为基线免疫学抑制程度、基线WHO临床分期、最近7天漏服药情况[比值比(OR)均>1],均会增加免疫学失败的发生,而治疗时间则会降低免疫学失败的发生[OR=0.9715,95%(CI):0.971 4~0.9715]。(2)生长发育方面,纳入601例HIV/AIDS儿童,经过不同时间的治疗,HIV/AIDS儿童生长发育轨迹与正常儿童比较无显着性差异,且平均水平均有所提高。在因素分析中,HAZ改变主要与开始ART年龄、治疗时间、规范参加随访情况、最近7天漏服药情况和基线WHO临床分期有关(P值均<0.05),其中免疫抑制程度和开始ART年龄存在交互作用(P均<0.05),免疫抑制程度低且开始ART年龄早的HIV/AIDS儿童身高增加显着;WAZ改变主要与性别、治疗时间有关(P值均<0.05),其中治疗时间和开始ART年龄分组存在交互作用(P<0.001),开始ART年龄早且治疗时间长的HIV/AIDS儿童体重增加显着。(3)采用5种机器学习算法对CD4、长发育进行建模分析,与混合效应模型进行比较,得出机器学习算法较优于混合效应模型。结论:经过ART治疗后CD4水平、生长发育指标较显着提高,并且长期治疗较短期治疗疗效显着,因此应加大对HIV/AIDS儿童病人早诊断、早治疗的宣传力度,加强随访管理,提高依从性,进一步改善HIV/AIDS儿童病人生活质量。
（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。
混合机器学习论文参考文献
[1].刘斌,任欢,李立欣.基于机器学习的毫米波大规模MIMO混合预编码技术[J].移动通信.2019
[2].冯丽.基于混合效应模型、机器学习的HIV/AIDS儿童抗病毒治疗免疫学、生长发育影响因素的研究[D].新疆医科大学.2019
[3].胡晓辉,吴嘉昕,陈勇,杜永文.机器学习教学中的SPOC+TBL混合模式探索[J].教育现代化.2019
[4].赵杨,袁析妮,陈亚文,武立强.基于机器学习混合算法的APP广告转化率预测研究[J].数据分析与知识发现.2018
[5].唐晓波,翟夏普.基于混合机器学习模型的多文档自动摘要[J].情报理论与实践.2019
[6].刘丹,蒲自源,许晓晴,伍佳妮.基于机器学习-优化混合算法的离散交通网络双层规划模型[J].系统工程.2018
[7].武立强.基于机器学习混合模型的App广告点击率预测研究[D].武汉大学.2018
[8].辛成.基于数据预处理及机器学习的混合模型对兰州大气污染指标的分析及预测[D].兰州大学.2018
[9].强玲娟.基于机器学习的混合智能算法求解参数优化问题[D].长安大学.2017
[10].徐健锋,许园,许元辰,张远健,刘清.基于语义理解和机器学习的混合的中文文本情感分类算法框架[J].计算机科学.2015
论文知识图
