导读:本文包含了嵌入维数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,向量,时间,数据,线性,奇异,算法。
嵌入维数论文文献综述
泥立丽,张艳兰[1]（2017）在《基于G-P法和Cao法的桥梁变形时间序列最佳嵌入维数的确定》一文中研究指出以某大桥为例,对其上两个点Q5和C5的变形时间序列进行了分析。对Q5点的倾斜时间序列和C5点的沉降时间序列,运用G-P算法和Cao算法分别计算了它们的最佳嵌入维数。计算结果表明,这两种方法得出的结果可以互相验证,证明了它们的可靠性。(本文来源于《北方交通》期刊2017年05期）
邓廷权,刘金艳,王宁[2]（2018）在《高维数据离群点检测的局部线性嵌入方法》一文中研究指出由于高维空间中数据点比较稀疏,用传统方法来检测高维空间中的离群点不能达到预期效果。提出了一种基于局部线性嵌入的离群点检测方法(OLLE)。在OLLE降维方法中,建立了一种有效的粗糙集模型,使数据集的下近似中的点保持局部线性结构。同时构造两个权重,使所有样本点保持局部近邻结构,且保证在降维的过程中使离群点远离正常点。最后,在低维空间中,采用基于最小生成树的k-最近邻启发式方法来检测离群点。通过一系列的模拟实验,证明OLLE方法能达到很好的降维效果,并且在低维空间中可以有效地检测出离群点。(本文来源于《计算机工程与应用》期刊2018年06期）
岳顺,翟长治,李小奇[3]（2015）在《基于GP算法奇异谱分析嵌入维数的确定及应用》一文中研究指出对于奇异谱分析中嵌入维数的选择,以往的研究者通常基于经验或者交叉验证的方法,过于主观。本文基于GP算法原理,根据嵌入维数与关联维数的关系,来确定奇异谱分析的嵌入维数,并通过仿真实验证明了该方法较以往方法更加具有准确性和高效性。最后对苏通大桥索塔GPS变形监测数据进行处理,实现了显着降噪的效果,准确地提取了监测序列的趋势成分和周期成分,为索塔以后的误差分析和预测模型提供了可靠的依据。(本文来源于《水利与建筑工程学报》期刊2015年05期）
雷敏,孟光,谢洪波,Kerreie,Mengersen,Peter,Bartlett[4]（2015）在《嵌入维数对复杂时间序列的熵分析的影响研究》一文中研究指出复杂时间序列往往不仅既存在其有序性又包含无序性,还具有高维性,甚至超高维特性。熵测度是对这种无芋性的度量,但近似熵、样本熵和模糊熵也与系统的维数有关,利用不同复杂系统所产生的时间序列对这3种熵测度进行嵌入维数分析,研究维数变化时这3种熵测度对不同复杂系统的区分稳定性。(本文来源于《中国力学大会-2015论文摘要集》期刊2015-08-16）
岳顺,李小奇,翟长治[5]（2015）在《基于改进Cao算法确定奇异谱嵌入维数及应用》一文中研究指出针对奇异谱分析嵌入维数不确定性这一问题,以往学者的方法过于主观。文中基于Cao算法对其嵌入维数的选择进行研究,同时针对该算法存在的不足,提出改进Cao算法,在理论分析的基础上,用改进算法进行仿真实验,实验结果表明:改进的算法对嵌入维数的选择更具有准确性和高效性,减少了主观性。最后将其应用到变形监测数据,实现对监测数据的降噪处理,并提取主要趋势项。(本文来源于《测绘工程》期刊2015年03期）
张萌,张沪寅,叶刚[6]（2014）在《延迟时间和嵌入维数联合优化的网络流量预测》一文中研究指出为了提高网络流量的预测精度,利用相空间重构的两个关键参数—延迟时间(τ)和嵌入维(m)间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优τ和m值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显着提高了网络流量的预测精度,预测结果明显优于独立优化τ和m以及传统联合优化τ和m的网络流量预测模型。(本文来源于《计算机工程与应用》期刊2014年04期）
林书亮[7]（2013）在《高维数据挖掘中基于稀疏回归的嵌入式特征提取方法》一文中研究指出特征提取是高维数据降维的常用方法之一,特征提取的效果会直接影响后续处理方法的性能。本文提出了联合嵌入学习与稀疏回归进行特征提取的方法,在采用图的拉普拉斯变换描述数据特征的同时,添加了L2,1标准化稀疏约束进行特征选择。此外,本文还包括这种方法的收敛性,计算复杂度的分析,并在典型图像和生物实测数据上开展了方法验证,实验结果表明,该方法能有效地提取出所需的特征,且具有很高的准确率。与传统的非监督的特征提取方法相比,本文提出的方法综合了嵌入学习与稀疏回归的优点。(本文来源于《中国西部科技》期刊2013年12期）
朱麟[8]（2013）在《基于图的嵌入和维数约简方法研究》一文中研究指出在过去十多年间,数据收集和存储能力的显着进步在生物、天文学、统计学和经济学等许多科学领域都引起了“信息过载”的问题。研究者需要面对越来越海量的数据,和已经经过广泛研究的传统小数据集不同,这类数据对数据分析方法提出了新的挑战。幸运的是,很多实际数据集都存在隐含的少量参数控制其主要的分布变化,类似的情况出现在很多不同的研究领域中获取的高维数据中,比如生物信息学、机器人导航和自然语言处理等。这些隐含参数描述了一个低维流形,可以通过记录哪些流形上的点为近邻的图来表示。通过图嵌入,我们便可以获取描述隐含参数的低维坐标,进而揭示出数据潜在的结构,从而使数据探索、可视化和建模的性能更优。围绕这一目标,全文的主要工作概括如下：(1)线性判别分析(linear discriminant analysis,LDA)在数据挖掘、机器学习和生物信息学等领域是最为常用的有监督特征提取和维数约减工具之一。可是,LDA的计算通常需要求解稠密矩阵对的广义特征分解,计算负担较大,难以应用于大规模数据集。因此,在本文中我们提出瑞利-瑞茨判别分析(Rayleigh-Ritz discriminant analysis, RRDA)用于求解LDA,不同于以往需要将LDA转换为回归问题的相关方法,RRDA建立在求解通用特征值问题的瑞利-瑞茨框架基础上,同时,通过利用LDA问题的特殊结构,我们得以设计出快速的子空间扩展和瑞茨向量扩展策略。为了降低LDA应用中常见的样本不足问题的计算复杂度,我们也为其建立了RRDA的等价快速形式。此外,我们进一步讨论了RRDA的实现细节和收敛结果。在多个真实数据集上的实验结果表明了RRDA的有效性。(2)正则化线性判别分析(regularized linear discriminant analysis. RLDA)是用于处理LDA中小样本问题(small sample size,SSS)的维数约减方法。RLDA的一个尚未解决的重要问题是如何快速确定合适的正则参数,而不需诉诸交叉验证等扩展性较差的方法。在本文中,基于RLDA的几何解释,我们提出一种新颖的RLDA参数选择方法。我们进而给出所提出方法的理论分析,证明它对于训练数据特征空间的扰动具有鲁棒性。在多个基准数据集上的实验结果证明了该方法的有效性。(3)蛋白质相互作用网络为理解生物过程、功能和细胞内在复杂演化机制提供了新的渠道。为蛋白质网络建模,找出需要更少的结构假设、对噪音鲁棒和拟合能力更强的网络模型仍然是系统生物学的重要课题。在本文中,我们提出一种基于图嵌入的t-逻辑斯蒂语意嵌入(t-logistic semantic embedding,t-LSE)模型为蛋白质相互作用网络建模。基于蛋白质网络的几何假设,t-LSE试图自适应地将网络嵌入到低维空间,并使用非凸损失函数降低噪音的影响,实验结果证明相比于其它主流网络模型,t-LSE的拟合能力更强,同时我们所选取的非凸损失函数也显着地提高了对于蛋白质网络噪音的处理能力。由此,我们所提出的模型可以有助于基于图的蛋白质相互作用网络研究,更好地推断出其隐含的生物知识。(本文来源于《中国科学技术大学》期刊2013-04-01）
陈丽琳[9]（2013）在《基于多嵌入维数的时用水量LSSVM组合预测》一文中研究指出城市用水量预测是供水系统优化调度的前提和基础,在城市供水优化调度系统中具有举足轻重的作用,同时准确的用水量预测也是实现城市供水系统安全,节能,高效运行的有效途径之一。但由于城市用水量受社会生产活动、地理位置及自然条件(诸如降雨量、温度、季节)等众多因素的综合影响,目前还很难找到一个较为满意的方法。现有的预测模型和方法都是从不同角度对城市时用水量作出预测,存在着一定的局限性和不适应性,预测的精度往往难以达到实际应用的要求,如何提高城市时用水量的预测精度,其重要性就显得愈发突出了。本文在论述不同相空间重构参数和预测方法极大影响着混沌系统的预测精度的基础上,针对供水系统调度所需混沌时用水量的高精度预测问题,提出了基于多嵌入维数的最小二乘支持向量机(LSSVM)组合预测模型。通过互信息法和G-P方法求取多个嵌入维数并建立不同相空间模型,采用LSSVM算法对此多个预测模型进行组合预测,既综合了各不同嵌入维数各预测方法下的信息,又对单一模型下的预测偏差进行了融合,从而有效的提高了预测精度。最后将该方法应用于萧山区某用水大户的实例数据仿真,在此基础上,将预测结果用于供水系统的优化调度,实验结果表明,基于本文预测模型的供水系统优化调度能较好的满足调度的精度要求,并具有较好的节能效果。(本文来源于《浙江大学》期刊2013-01-01）
邓力,杜奇才,林嘉宇[10]（2012）在《一种基于图嵌入维数约简的图像检索方法》一文中研究指出通过将维数约简技术引入检索过程,提出了一种基于图嵌入维数约简的图像检索新方法。通过构建邻接图,引入监督信息,使得图像检索过程成为有粗糙监督的学习过程。降低特征向量维数,不仅节约存储空间,而且由于在目标函数的指导下,特征空间得到优化,从而提升了图像检索的性能。(本文来源于《微处理机》期刊2012年06期）
嵌入维数论文开题报告
（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：
由于高维空间中数据点比较稀疏,用传统方法来检测高维空间中的离群点不能达到预期效果。提出了一种基于局部线性嵌入的离群点检测方法(OLLE)。在OLLE降维方法中,建立了一种有效的粗糙集模型,使数据集的下近似中的点保持局部线性结构。同时构造两个权重,使所有样本点保持局部近邻结构,且保证在降维的过程中使离群点远离正常点。最后,在低维空间中,采用基于最小生成树的k-最近邻启发式方法来检测离群点。通过一系列的模拟实验,证明OLLE方法能达到很好的降维效果,并且在低维空间中可以有效地检测出离群点。
（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。
嵌入维数论文参考文献
[1].泥立丽,张艳兰.基于G-P法和Cao法的桥梁变形时间序列最佳嵌入维数的确定[J].北方交通.2017
[2].邓廷权,刘金艳,王宁.高维数据离群点检测的局部线性嵌入方法[J].计算机工程与应用.2018
[3].岳顺,翟长治,李小奇.基于GP算法奇异谱分析嵌入维数的确定及应用[J].水利与建筑工程学报.2015
[4].雷敏,孟光,谢洪波,Kerreie,Mengersen,Peter,Bartlett.嵌入维数对复杂时间序列的熵分析的影响研究[C].中国力学大会-2015论文摘要集.2015
[5].岳顺,李小奇,翟长治.基于改进Cao算法确定奇异谱嵌入维数及应用[J].测绘工程.2015
[6].张萌,张沪寅,叶刚.延迟时间和嵌入维数联合优化的网络流量预测[J].计算机工程与应用.2014
[7].林书亮.高维数据挖掘中基于稀疏回归的嵌入式特征提取方法[J].中国西部科技.2013
[8].朱麟.基于图的嵌入和维数约简方法研究[D].中国科学技术大学.2013
[9].陈丽琳.基于多嵌入维数的时用水量LSSVM组合预测[D].浙江大学.2013
[10].邓力,杜奇才,林嘉宇.一种基于图嵌入维数约简的图像检索方法[J].微处理机.2012
论文知识图
