导读:本文包含了高维空间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:空间,近邻,模型,算法,网络,分数,张量。
高维空间论文文献综述
万静,郑龙君,何云斌,李松[1]（2019）在《高维不确定数据的子空间聚类算法》一文中研究指出如何降低不确定数据对高维数据聚类的影响是当前的研究难点。针对由不确定数据与维度灾难导致的聚类精度低的问题,采用先将不确定数据确定化,后对确定数据聚类的方法。在将不确定数据确定化的过程中,将不确定数据分为值不确定数据与维度不确定数据,并分别处理以提高算法效率。采用结合期望距离的K近邻(KNN)查询得到对聚类结果影响最小的不确定数据近似值以提高聚类精度。在得到确定数据之后,采用子空间聚类的方式避免维度灾难的影响。实验结果证明,基于Clique的高维不确定数据聚类算法(UClique)在UCI数据集上有较好的表现,有良好的抗噪声能力和伸缩性,在高维数据上能得到较好的聚类结果,在不同的不确定数据集实验中能够得到较高精度的实验结果,体现出算法具有一定的健壮性,能够有效地对高维不确定数据集聚类。(本文来源于《计算机应用》期刊2019年11期）
郑金华,董南江,阮干,邹娟,杨圣祥[2]（2019）在《决策空间定向搜索的高维多目标优化策略》一文中研究指出传统的多目标进化算法(MOEA)对于低维连续的多目标优化问题已经具有良好的性能,但是随着优化问题目标维数的增加,优化难度也将剧增,主要原因是算法本身搜索能力不足,维数增加时选择压力变小,收敛性和分布性冲突难以平衡.利用连续多目标优化问题的特性,针对高维多目标优化的难点所在,提出了一种在决策空间的定向搜索策略(decision space,简称DS),该策略可与基于支配关系的MOEA相结合.DS首先对优化问题进行采样分析,对问题特性进行解析,得到收敛性子空间控制向量和分布性子空间控制向量.将算法搜索过程分为收敛性搜索阶段和分布性搜索阶段,分别对应收敛性子空间和分布性子空间,在不同阶段搜索时,利用采样分析结果,对生成子代个体的区域进行宏观的影响.将收敛性和分布性分阶段考虑,避免了收敛性和分布性难以平衡的难点,同时,具体在某一阶段内搜索资源相对集中,一定程度上增加了算法的搜索能力.实验结合了DS策略的NSGA-Ⅱ,SPEA2算法与原NSGA-Ⅱ,SPEA2算法进行实验对比,并以DS-NSGA-Ⅱ为例,与其他高维算法MOEAD-PBI,NSGA-ⅡI,Hype,MSOPS,LMEA进行对比实验.实验结果表明,DS策略的引入,使得NSGA-Ⅱ,SPEA2算法在高维多目标优化问题上的性能有了显着提高,DS-NSGAⅡ与现有的经典高维多目标算法相比有较强的竞争力.(本文来源于《软件学报》期刊2019年09期）
徐搏超[3]（2019）在《高维空间可分性指标在转子诊断系统优化中的应用》一文中研究指出二叉树相关向量机系统中正负类样本的选取往往通过方差进行可分性度量。常用的高斯核函数是在高维空间中完成分类,由于高维空间中数据点存在度量集中现象,欧氏距离往往并不能较好地度量样本点的可分性。分数范数计算出的高维空间距离差异性更大,故构造了一种基于分数范数的样本点距离度量指标。基于该指标优化各层分类器样本选取,通过实验1验证了基于高维可分性指标优化后的系统相较于欧氏距离优化后的系统在分类精度上有了较为显着的提高;实验2表明优化后的系统与智能诊断算法相比,在分类精度和耗时方面也具有优势。(本文来源于《中国机械工程》期刊2019年10期）
张楚涵,张家侨,冯剑琳[4]（2019）在《AKNN-Qalsh:PostgreSQL系统高维空间近似最近邻检索插件》一文中研究指出复杂数据对象(如图片、文本)通常被表示成高维特征向量。PostgreSQL系统现有的最近邻检索方法KNN-Gist基于树状索引实现,无法高效支持高维数据的最近邻检索。引入的PostgreSQL系统高维空间近似最近邻检索插件:AKNN-Qalsh,基于位置敏感哈希机制实现,支持大规模、高维数据对象的近似最近邻检索。通过在五个真实数据集上的密集实验,验证了该插件的有效性。(本文来源于《中山大学学报(自然科学版)》期刊2019年03期）
吕文[5]（2019）在《空间高维分数阶扩散方程基于Kronecker积的预处理迭代算法》一文中研究指出分数阶扩散方程在各个领域各个学科都越来越广泛地被运用,例如在物理学和生物学方面。对于分数阶扩散方程的求解问题,由于其很少有封闭的解析解,因此对数值解的研究相当重要。目前也已经有很多研究数值解的方法,例如谱方法、有限元方法和有限差分法等等。但是在计算其数值解时大多数都会产生一个稠密的系数矩阵,这就将耗费更多的计算成本占据更大的内存。在此背景上,本文对其离散后的线性系统运用Kronecker积的性质对其进行Kronecker积分裂迭代,对Krylov子空间用预处理来进行加速,该方法可以求解二维和叁维空间分数阶扩散方程,它降低了迭代过程的计算复杂度并减少了迭代次数,同时计算时间和内存也有所减少。第一章首先是对分数阶扩散方程问题的简介,然后给出了分数阶微分方程数值计算方法的背景和发展。再介绍了一些Krylov子空间加速算法和预处理的相关知识和背景,最后交代了本文将要做的主要工作。第二章首先给出了本文所要用到的几种分数阶导数的定义,例如Caputo定义下的分数阶导数,Riemann-Liouville定义下的分数阶导数以及Grünwald-Letnikov定义下的分数阶导数。然后对本文将运用到的Kronecker的相关运算及性质、Toeplitz矩阵的相关计算和近似进行了说明,例如Toeplitz矩阵与向量的乘积等。第叁章则是对二维分数阶扩散方程数值解的研究,首先对二维分数阶扩散方程在空间和时间方向上进行离散,然后详细介绍了对离散后的线性系统运用基于单参数Kronecker积分裂和双参数Kronecker积分裂迭代的预处理方法来加速的过程,并且对Kronecker积分裂迭代的收敛性进行了分析,给出了使得迭代次数最少的最佳参数。最后给出了数值实验证明该方法的正确性和有效性。第四章是在第叁章的基础上将该预处理方法推广到叁维分数阶扩散方程,并给出了具体的操作过程。分析了Kronecker积分裂迭代的收敛性,最后给出了叁维的数值算例通过实验证明了该方法的正确性和有效性。第五章是对本文工作的总结和展望。(本文来源于《重庆师范大学》期刊2019-05-01）
邓理睿,包涵,陈靓,全成斌,赵有健[6]（2019）在《高维空间近邻检索的双层组合量化GPU加速算法》一文中研究指出在大规模视频、图像、文本检索等许多实际应用中,高维空间内海量数据的索引及近邻检索一直是难点和关键问题之一.传统的K-D树等树形索引方法在高维空间中容易陷入"维度灾难",而主流的哈希散列方法(如局部敏感哈希)空间复杂度较高,在大规模数据下难以应用.本文总结了近年来基于向量量化的检索算法的相关研究,提出了一种基于GPU优化的高维数据近似近邻检索算法,在组合量化算法的基础上融合双层索引树结构与局部子空间最优化思想,在提高算法准确率的同时针对GPU模型优化算法,极大改善了检索性能,在单张GPU上实现了十亿量级高维数据的高效近似近邻检索.(本文来源于《小型微型计算机系统》期刊2019年02期）
蒋梦梦,周杰[7]（2019）在《基于高维状态空间方法构建金融市场网络模型》一文中研究指出针对金融市场的核心变量——收益率和波动率,基于高维状态空间模型,利用EM和稀疏算法,分别建立了金融产品之间的收益率网络和波动率网络。前者刻画了金融产品收益之间的相互关系,后者刻画了金融产品风险之间的关系。相对于已有模型,上述模型可有效处理高维时间序列数据。对深圳、上海、香港和纽约市场的股票交易数据分析,找出了相应网络结构特征。以上市场的数据分析结果表明,相对于波动率网络,收益率网络具有更高的度数中心势,把这种现象归因于政策等因素对收益率的影响更为直接和简单,而对波动率的影响则是间接和复杂的。上述研究结果也为构建多变量波动率模型提供参考。(本文来源于《计算机工程与应用》期刊2019年10期）
匡立伟,赵良,杨韬,张贺[8]（2018）在《高维空间网络告警智能关联分析方法》一文中研究指出网络告警关联分析是通信网络运维的关键,传统基于专家规则的关联分析方法效果较差,基于人工智能技术实现网络告警精准关联是当前研究热点。针对网络告警字段复杂、数据量大、智能化程度弱叁大特点,提出高维空间网络告警智能关联分析方法,基于人工智能技术从大规模告警数据中准确提取衍生告警与根源告警的关联规则,准确定位故障发生点。分析了智能关联分析方法的应用场景,对网络告警智能关联分析发展趋势进行展望。(本文来源于《邮电设计技术》期刊2018年12期）
马键,胡毅,林建浩[9]（2018）在《基于双重群组套索的高维空间多值处置效应估计》一文中研究指出罗宾因果推断模型在非实验数据分析中具有重要地位,但对高维数据分析,古典低维空间处置效应估计量往往表现欠佳.本文结合高维空间下的双重选择估计与群组套索回归,提出一种估计高维稀疏空间下多值处置效应的双重群组套索估计方法.数值模拟发现,对于因果参数估计,双重群组套索估计的经验功效接近理论值,而预测性套索回归则存在较大的功效偏差.对教育生产函数的案例研究发现,该方法可以有效地从多个备选控制变量中选出正确的控制变量,仅有一个噪声变量被错误选择.(本文来源于《系统工程理论与实践》期刊2018年11期）
蒋悦,黄宏光,舒勤,宋昭,唐志荣[10]（2019）在《高维正交子空间映射的尺度点云配准算法》一文中研究指出为了解决叁维点云在无序、数据被遮挡以及噪声干扰情况下的配准问题,提出了一种高维正交子空间映射的尺度点云配准算法。根据能量-功率的比值,对待配准点云进行等比例放大,完成仿射配准。在点云无序、数据被遮挡、尺寸放缩以及噪声干扰的情况下,所提算法与经典ICP(Iterative Closest Point)算法的配准精度相当。与经典ICP算法相比,所提算法对Bunny点云数据的配准效率提高了98%,对Dragon点云数据的配准速度至少提高了20倍,且在对大尺度Dragon点云数据的配准中,所提算法的配准时间比经典ICP算法短6210.4 s,配准精度也高于其他算法。所提算法不会陷入局部最小值,在快速精确配准和稳定性方面有明显的优势。(本文来源于《光学学报》期刊2019年03期）
高维空间论文开题报告
（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：
传统的多目标进化算法(MOEA)对于低维连续的多目标优化问题已经具有良好的性能,但是随着优化问题目标维数的增加,优化难度也将剧增,主要原因是算法本身搜索能力不足,维数增加时选择压力变小,收敛性和分布性冲突难以平衡.利用连续多目标优化问题的特性,针对高维多目标优化的难点所在,提出了一种在决策空间的定向搜索策略(decision space,简称DS),该策略可与基于支配关系的MOEA相结合.DS首先对优化问题进行采样分析,对问题特性进行解析,得到收敛性子空间控制向量和分布性子空间控制向量.将算法搜索过程分为收敛性搜索阶段和分布性搜索阶段,分别对应收敛性子空间和分布性子空间,在不同阶段搜索时,利用采样分析结果,对生成子代个体的区域进行宏观的影响.将收敛性和分布性分阶段考虑,避免了收敛性和分布性难以平衡的难点,同时,具体在某一阶段内搜索资源相对集中,一定程度上增加了算法的搜索能力.实验结合了DS策略的NSGA-Ⅱ,SPEA2算法与原NSGA-Ⅱ,SPEA2算法进行实验对比,并以DS-NSGA-Ⅱ为例,与其他高维算法MOEAD-PBI,NSGA-ⅡI,Hype,MSOPS,LMEA进行对比实验.实验结果表明,DS策略的引入,使得NSGA-Ⅱ,SPEA2算法在高维多目标优化问题上的性能有了显着提高,DS-NSGAⅡ与现有的经典高维多目标算法相比有较强的竞争力.
（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。
高维空间论文参考文献
[1].万静,郑龙君,何云斌,李松.高维不确定数据的子空间聚类算法[J].计算机应用.2019
[2].郑金华,董南江,阮干,邹娟,杨圣祥.决策空间定向搜索的高维多目标优化策略[J].软件学报.2019
[3].徐搏超.高维空间可分性指标在转子诊断系统优化中的应用[J].中国机械工程.2019
[4].张楚涵,张家侨,冯剑琳.AKNN-Qalsh:PostgreSQL系统高维空间近似最近邻检索插件[J].中山大学学报(自然科学版).2019
[5].吕文.空间高维分数阶扩散方程基于Kronecker积的预处理迭代算法[D].重庆师范大学.2019
[6].邓理睿,包涵,陈靓,全成斌,赵有健.高维空间近邻检索的双层组合量化GPU加速算法[J].小型微型计算机系统.2019
[7].蒋梦梦,周杰.基于高维状态空间方法构建金融市场网络模型[J].计算机工程与应用.2019
[8].匡立伟,赵良,杨韬,张贺.高维空间网络告警智能关联分析方法[J].邮电设计技术.2018
[9].马键,胡毅,林建浩.基于双重群组套索的高维空间多值处置效应估计[J].系统工程理论与实践.2018
[10].蒋悦,黄宏光,舒勤,宋昭,唐志荣.高维正交子空间映射的尺度点云配准算法[J].光学学报.2019
论文知识图
