导读:本文包含了最大间隔论文开题报告文献综述及选题提纲参考文献，主要关键词:听神经瘤,感音神经性听力损失,听觉时域间隔感知能力阈值测试
最大间隔论文文献综述
兰兰,邵莲美,熊芬,谢林怡,于澜[1]（2019）在《听神经瘤患者最大言语识别率与时域间隔感知能力的分析》一文中研究指出目的:分析听神经瘤患者与正常听力者、感音神经性聋患者之间的时域间隔感知能力的差异性,为听神经瘤临床研究提供诊断参考。方法:选取来临床听力诊断中心已确诊的听神经瘤组患者22例,正常听力组30例,感音神经性听力损失组16例,分别为各组受试者进行听觉时域间隔感知阈值测试(TGDT)。结果:听力正常组平均TGDT阈值为(3.56±0.82) ms,感音神经性听力损失组的TGDT阈值为(3.91±1.46) ms,听神经瘤组健侧TGDT阈值为(4.01±1.86) ms;听神经瘤组患侧TGDT阈值为(9.48±9.46) ms。经统计学分析,最大言语识别率和时域间隔察觉阈测试除外感音神经性听力损失组与正常听力组差异无统计学意义,听神经瘤组患侧与其他各组间均差异有统计学意义(P<0.05);TGDT阈值与PBmax不存在线性相关(P>0.05)。正常组TGDT阈值在性别、耳别上差异无统计学意义。结论:听神经瘤患者健侧耳的时间间隙响应阈未受影响,较正常人无明显改变。TGDT与最大言语识别率结果有较好的一致性,听神经瘤患者患侧耳的时间间隔响应能力较正常人显着减弱,言语识别率联合TGDT有助于蜗后病变的诊断。(本文来源于《临床耳鼻咽喉头颈外科杂志》期刊2019年11期）
王维刚,陶京,刘占生[2]（2019）在《基于半监督最大间隔字典学习的故障诊断方法》一文中研究指出针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。(本文来源于《振动.测试与诊断》期刊2019年05期）
陶新民,李晨曦,李青,任超,刘锐[3]（2019）在《不均衡最大软间隔SVDD轴承故障检测模型》一文中研究指出针对不均衡数据下的轴承故障检测问题,提出一种最大软间隔支持向量域描述(Maximum Soft Margin Support Vector Domain Description,MSM-SVDD)故障检测模型。该模型通过引入最大软间隔正则项,将传统支持向量域描述(SVDD)算法的分类边界向故障类偏移,进而提高算法的故障检测性能,同时对正则化项系数的取值范围进行了理论分析。实验部分讨论了正则化项系数、高斯核参数以及正常类样本数目对模型故障检测性能的影响,并给出了正则化项系数与高斯核参数的取值建议。实验结果表明,新提出的MSM-SVDD模型非常适合处理小样本不均衡数据下的故障检测问题。最后通过实测数据的对比实验,表明MSM-SVDD模型在不均衡数据下的故障检测性能较其他方法有较大幅度提升。(本文来源于《振动工程学报》期刊2019年04期）
李昕[4]（2019）在《兰州轨道交通1号线明日9时开通试运行》一文中研究指出【本报讯】（兰州日报社全媒体李昕）兰州轨道交通1号线将于6月23日上午9时正式开通试运营。6月21日，从市政府新闻办召开的新闻发布会上获悉，1号线初期运营时间为6:30至22:00，每天运营服务15小时30分钟，运行列车最小行车间隔4分50秒，最(本文来源于《兰州日报》期刊2019-06-22）
张仕将[5]（2019）在《基于最大间隔和半监督学习的偏标记学习算法研究》一文中研究指出在机器学习中,偏标记学习是一种重要的弱监督学习框架。在该学习框架中,训练示例不再具有单一明确的标记,每个训练示例的真实标记被淹没在候选标记集中,并且真实标记在学习过程中不可获知。偏标记学习问题最棘手的地方在于示例的真实标记被淹没在非真实标记之中,并且非真实标记会对学习过程产生一定的干扰。解决该问题有两种思路:采用消歧的方法和采用非消歧的方法,其中采用消歧的方法又可以分为平均消歧和辨识消歧。采用消歧思想的偏标记学习方法是从每个训练示例的候选标记集中找出对应的真实标记。其中平均消歧的思想是将示例的每个候选标记都赋予相同的权重,通过学习模型在每个候选标记上的输出来达到消歧的目的;辨识消歧的思想是将示例的真实标记视为一个隐变量,通过不断迭代更新的方式来优化目标函数,进而达到消歧的目的。采用非消歧思想的偏标记学习方法是将训练示例的候选标记集作为一个整体进行处理,利用纠错输出码来解决偏标记学习中的多分类问题。本文分别从辨识消歧和非消歧两个角度对偏标记学习展开研究,主要的工作内容如下:第一,采用辨识消歧的思想,结合最大间隔准则,本文提出了一种偏标记学习算法PL-MM。该算法弥补了PL-SVM算法的不足,将示例的候选标记之间的差异作为模型训练的一部分。PL-MM算法不仅对示例的候选标记在模型中的最大输出与示例的非候选标记在模型中的最大输出之间的间隔进行优化,而且对示例的候选标记在模型中的最大输出与示例的候选标记在模型中的其他输出之间的间隔进行优化,来达到偏标记学习的目的。对于优化问题,PL-MM算法采用了改进的次梯度Pegasos算法求解,通过不断迭代更新的方式优化模型参数,完成了模型的学习。第二,采用非消歧的思想,结合半监督学习,本文提出了一种偏标记学习算法PL-S2ECOC。该算法通过构造无冗余的编码矩阵,将偏标记学习中的多分类学习任务拆分成一系列二分类学习任务进行求解。在编码阶段,首先PL-S2ECOC算法构造了一个无冗余的编码矩阵,使得编码矩阵中不存在相同或者互补的列编码,保证训练得到的二分类器互不相同。然后PL-S2ECOC算法采用半监督学习器作为二分类学习器,使得每一个二分类器的学习都能充分利用整个偏标记训练集。最后通过训练好的半监督学习器来预测测试示例在二分类问题中的类别标记。在解码阶段,PL-S2ECOC算法先用二分类学习任务中没有监督信息的示例来构建加权矩阵,再通过加权损失解码的策略对测试示例生成的码字进行解码,损失最小的类别标记为测试示例的预测标记。实验表明,与多个偏标记学习算法相比,PL-SVM算法和PL-S2ECOC算法在人工改造的UCI数据集和真实的偏标记数据集中都表现出了良好的性能。(本文来源于《太原理工大学》期刊2019-05-01）
娄睿,蒋烈辉,王奕森[6]（2019）在《基于最大局部密度间隔的特征选择方法》一文中研究指出针对虚拟机数据特点及特征筛选问题,借鉴局部异常因子算法中的"局部"思想,提出基于最大局部密度间隔的特征评估准则,通过最大化正常数据和异常数据的局部密度差异选出有效的特征子集;结合顺序后退搜索策略与提出的特征评估准则设计相应的特征选择算法,筛选出有利于分类的虚拟机特征。实验结果表明,所设计的特征选择算法能够有效处理虚拟机的类不平衡数据,筛选出重要的虚拟机数据特征,使数据的检测率和可理解性得到有效提升,相比现有算法具有更好分类效果与更强适用性,在相同条件下具有更小的计算开销。(本文来源于《计算机工程与设计》期刊2019年03期）
胡胜元,陈盛双,谢良[7]（2019）在《基于带偏倚最大间隔二值矩阵分解的多值矩阵分层填充》一文中研究指出最大间隔矩阵分解是解决矩阵填充的重要方法,它通过将每个项目投影到低维特征空间,构建出每个用户的超平面,对每个项目进行分类来完成矩阵填充.然而传统的最大间隔矩阵分解方法对二值矩阵进行分解时都假设所构造的超平面经过原点.为了使超平面具有普适性,提高分类效果,将超平面移动一定的偏倚量,提出了带偏倚的最大间隔二值矩阵分解方法.对于多值矩阵的填充问题,通过多次采用上述改进的二值矩阵分解方法,对多值矩阵进行分层填充,并采用交替优化的方法进行求解.在真实数据集Movielens上的实验结果优于目前已有的方法,并且在较低维的特征空间中就能够完成矩阵分解,能有效提高矩阵分解速度,减少计算内存.(本文来源于《小型微型计算机系统》期刊2019年03期）
娄睿,蒋烈辉,王奕森[8]（2019）在《基于最大平均间隔的特征选择方法研究》一文中研究指出针对虚拟机数据的特点及数据特征筛选问题,根据AdaBoost平均间隔大小与其泛化性能成正比的结论,提出基于最大平均间隔的特征评估准则,结合顺序后退搜索策略设计了特征选择算法。测试表明,所设计的特征选择算法能够有效处理虚拟机不平衡数据,筛选出重要数据特征,相对于现有算法具有更好的分类性能。(本文来源于《信息工程大学学报》期刊2019年01期）
杨洋,王正群,徐春林,严陈,鞠玲[9]（2019）在《基于最大间隔准则的鲁棒多流形判别局部图嵌入算法》一文中研究指出针对现有的多流形人脸识别算法大多直接使用带有噪声的原始数据进行处理,而带有噪声的数据往往会对算法的准确率产生负面影响的问题,提出了一种基于最大间距准则的鲁棒多流形判别局部图嵌入算法(RMMDLGE/MMC)。首先,通过引入一个降噪投影对原始数据进行迭代降噪处理,提取出更加纯净的数据;其次,对数据图像进行分块,建立多流形模型;再次,结合最大间隔准则的思想,寻求最优的投影矩阵使得不同流形上的样本距离尽可能大,同时相同流形上的样本距离尽可能小;最后,计算待识样本流形到训练样本流形的距离进行分类识别。实验结果表明,与表现较好的最大间距准则框架下的多流形局部图嵌入算法(MLGE/MMC)相比,所提算法在添加噪声的ORL、Yale和FERET库上的分类识别率分别提高了1.04、1.28和2.13个百分点,分类效果明显提高。(本文来源于《计算机应用》期刊2019年05期）
王锟,张晓花,王园园,董凤群[10]（2019）在《室间隔缺损最大直径与主动脉根部内径比值在胎儿室间隔缺损预后评估中的价值》一文中研究指出目的探讨室间隔缺损最大直径(DVSD)与主动脉根部内径(DAO)比值对胎儿单纯室间隔缺损(i-VSD)预后评估的价值。方法选取产前胎儿心脏超声诊断为i-VSD并于出生后3个月有随访记录的胎儿175例,其中膜周部i-VSD 83例,肌部i-VSD 82例,干下i-VSD 10例。依据DVSD与DAO的比值R(R=DVSD/DAO)将VSD分为大型(R>1/2)、中型(1/3<R≤1/2)、小型(R≤1/3),胎儿出生后3个月行超声心动图随访,观察不同部位、不同大小的i-VSD自然愈合情况。结果 (1)膜周部i-VSD 83例,出生后3个月自然愈合率为18.1%(15/83),肌部i-VSD 82例,出生后3个月自然愈合率为50.0%(41/82),干下型i-VSD10例,无自然愈合者,不同部位VSD自然愈合率比较,差异有统计学意义(χ~2=24.3,P=0.000)。(2)83例膜周部i-VSD胎儿中,5例R≤1/3,出生后3个月自然愈合率为40.0%(2/5);35例1/3 <R≤1/2,出生后3个月自然愈合率为28.6%(10/35);43例R> 1/2,出生后3个月自然愈合率为7.0%(3/43)。不同R值的膜周部i-VSD胎儿出生后3个月自然愈合率比较,差异具有统计学意义(χ~2=7.80,P=0.020)。(3)82例肌部i-VSD胎儿中,21例R≤1/3,出生后3个月自然愈合率为66.7%(14/21);39例1/3 <R≤1/2,出生后3个月自然愈合率为53.8%(21/39);22例R> 1/2,出生后3个月自然愈合率为27.4%(6/22)。不同R值的肌部i-VSD胎儿出生后3个月自然愈合率比较,差异具有统计学意义(χ~2=7.71,P=0.029)。(4)干下型i-VSD 10例,2例R≤1/3,4例1/3 <R≤1/2,4例R> 1/2,均未自然愈合。结论不同部位的i-VSD其出生后自然愈合率有差别;DVSD与DAO的比值(R值)对胎儿期i-VSD的预后评估有重要价值。(本文来源于《中华医学超声杂志(电子版)》期刊2019年01期）
最大间隔论文开题报告
（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：
针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。
（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。
最大间隔论文参考文献
[1].兰兰,邵莲美,熊芬,谢林怡,于澜.听神经瘤患者最大言语识别率与时域间隔感知能力的分析[J].临床耳鼻咽喉头颈外科杂志.2019
[2].王维刚,陶京,刘占生.基于半监督最大间隔字典学习的故障诊断方法[J].振动.测试与诊断.2019
[3].陶新民,李晨曦,李青,任超,刘锐.不均衡最大软间隔SVDD轴承故障检测模型[J].振动工程学报.2019
[4].李昕.兰州轨道交通1号线明日9时开通试运行[N].兰州日报.2019
[5].张仕将.基于最大间隔和半监督学习的偏标记学习算法研究[D].太原理工大学.2019
[6].娄睿,蒋烈辉,王奕森.基于最大局部密度间隔的特征选择方法[J].计算机工程与设计.2019
[7].胡胜元,陈盛双,谢良.基于带偏倚最大间隔二值矩阵分解的多值矩阵分层填充[J].小型微型计算机系统.2019
[8].娄睿,蒋烈辉,王奕森.基于最大平均间隔的特征选择方法研究[J].信息工程大学学报.2019
[9].杨洋,王正群,徐春林,严陈,鞠玲.基于最大间隔准则的鲁棒多流形判别局部图嵌入算法[J].计算机应用.2019
[10].王锟,张晓花,王园园,董凤群.室间隔缺损最大直径与主动脉根部内径比值在胎儿室间隔缺损预后评估中的价值[J].中华医学超声杂志(电子版).2019
标签：听神经瘤; 感音神经性听力损失; 听觉时域间隔感知能力阈值测试;