导读:本文包含了正则关系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:正则,格林,关系,矩阵,方程,函数,崩漏。
正则关系论文文献综述
黄梦婷,张灵,姜文超[1]（2019）在《基于流形正则化的多类型关系数据联合聚类方法》一文中研究指出随着大数据应用的发展,通过非线性流形采样得到的多类型关系数据规模越来越大,数据几何结构更加复杂,异构关系数据变得异常稀疏,导致数据挖掘难度增大且准确率降低。针对上述问题,提出一种基于流形非负矩阵叁分解的多类型关系数据联合聚类方法:首先,对于较小规模的实体,根据其自然关系或内容相关性构造关联矩阵,对其分解后得到该类实体的聚类指示矩阵,将其作为非负矩阵叁分解的输入;然后,在快速非负矩阵叁分解(FNMTF)的基础上加入流形正则化处理,实现数据类型间关系与类型内部关系的联合聚类,进一步提高聚类的准确率。实验表明:在准确率和整体性能方面,流形非负矩阵叁分解算法优于传统的基于非负矩阵分解的联合聚类算法。(本文来源于《计算机科学》期刊2019年06期）
李晓敏,罗永贵,赵平[2]（2019）在《线性变换半群T_(X×X)的格林关系和正则元》一文中研究指出设X是自然数集N或整数集Z,T_(X×X)是X×X上的线性变换半群.通过分析整除关系,获得了半群T_(X×X)的格林关系和正则元.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年02期）
袁新,徐波[3]（2019）在《半群M(n,k)的正则性和格林关系》一文中研究指出设X_n={1,2,…,n}为有限链,T_n是X_n上的全变换半群。给定k∈X_n,记W(n,k),R(n,k)分别为T_n的如下子集{f∈T_n:(x,y∈X_n),|x-k|≤|y-k|?|f(x)-k|≤|f(y)-k|},{f∈T_n:(x,y∈X_n),|x-k|≤|y-k|?|f(x)-k|≥||f(y)-k||}W(n,k)与R(n,k)的并集记作M(n,k)。显然,M(n,k)是T_n的子半群。讨论了半群M(n,k)的正则性并刻画了它的格林关系。(本文来源于《贵州师范大学学报(自然科学版)》期刊2019年01期）
朱良贵[4]（2018）在《初生中子星准正则模与星的结构的关系》一文中研究指出本文使用 Banik(Banik EOS)、Lattimer-Swesty(Lattimer-SwestyEOS)、Shen(ShenEOS)和Hempel(HempelEOS)四种物态方程,研究了初生中子星的平衡结构、l = 0微扰的基态模的频率、和l=2微扰的准正则模(Quasi-Normal Mode)的频率在冷却过程中的演化,在均匀温度和质子数比率分布与非均匀分布时的区别。我们假设在初生中子星内部的温度T和质子数比率Yp的分布与静止质量具有线性关系,得到的主要研究结论如下:(1)TOV星平衡结构:对Yp均匀分布,而T非均匀分布情况,在保证初生中子星的总内能相同的前提下,对于中心静止质量密度pc相同的星,温度沿径向减小越快,星的静止质量越小;对于总静止质量相同的星,温度沿径向减小地越快,星的半径越小。对T均匀分布,而Yp非均匀分布情况,在保证初生中子星的总质子数比率(有效质子数比率)相同的前提下,对于pc相同的星,Yp分布的变化对星的静止质量影响不大;对于总静止质量相同的星,Yp分布的变化在高温时对星的半径的影响较大,在低温时对星的半径的影响不大。(2)l = 0微扰的基态模与引力塌缩:在T和Yp都是均匀分布的情况下,Shen EOS和Hempel EOS构成的初生中子星,在冷却过程中,取决于初生中子星的静止质量,可能形成稳定的中子星,也可能发生延迟塌缩形成黑洞(基态模频率等于零);而Banik EOS和Lattimer-Swesty EOS构成的初生中子星,在冷却过程中不会发生延迟塌缩,能够形成稳定的中子星。当Yp均匀分布,而T非均匀分布时,Shen EOS和Hempel EOS构成的初生中子星,在冷却过程中是否有延迟塌缩现象,除了与初生中子星的静止质量有关,还与温度T的分布有关。例如,对于Hempel EOS构成的初生中子星,当常数Yp = 0.1、k:= 0.1(k是描述温度分布的参数)时,M ≥ 2.3937M(?)的星在冷却过程中将塌缩形成黑洞;当常数Y= 0.1、k = 0.2时,Hempel EOS的初生中子星不会塌缩,将形成稳定的中子星。当T均匀分布,而Yp非均匀分布时,初生中子星z = 0微扰的基态模频率随温度的演化规律与常数温度和常数质子数比率一样。(3)l = 2微扰的准正则模(Quasi-Normal Mode):在T和Yp都是均匀分布的情况下,对于这四种物态方程的初生中子星,其l = 2的准正则模(Quasi-Normal Mode)频率随着温度的降低都是先减小后增大。当Yp均匀分布,而T非均匀分布时,如果变化梯度比较大,对于这四种物态方程的初生中子星,在冷却过程中其l = 2的准正则模(Quasi-Normal Mode)频率都是一直减小。如果同时考虑T和Yp非均匀分布,这四种物态方程的初生中子星,在冷却过程中其l = 2的准正则模(Quasi-Normal Mode)频率的演化行为与只有T非均匀分布相同。相对论星的物态方程是天体物理学、核物理与粒子物理学的重要研究领域,对相对论星物态方程的研究可以帮助我们了解在地面实验室不可能得到的高密度物质的物理规律。本文的研究指出,根据初生中子星的准正则模(Quasi-Normal Mode)频率的演化可以推断哪种物态方程能够更好地描述初生中子星内部的真实物质状态。(本文来源于《湖南师范大学》期刊2018-06-01）
罗肖强[5]（2018）在《交叉*正则半群与二面体群之间的关系（英文）》一文中研究指出我们介绍了交叉*正则半群,这个概念是对正则半群的推广·通过应用该概念,我们证明了交叉*正则半群的一些元素属于二面体群,并且还证明了:若D_(2n)×D_(2m)是由两个元素生成的,则m,n是奇数(n,m> 2)而且D_(2n)×D_(2m)同构于一个交叉*正则半群.(本文来源于《南京大学学报(数学半年刊)》期刊2018年01期）
周玉兴,黄敬频[6]（2018）在《四元数空间中正则函数与调和函数的关系》一文中研究指出根据求导数法则和Fueter方程的定义,研究四元数空间的左(右)正则函数与调和函数的关系,得出若干新的结果,推广了文献[5]和[6]中的若干结论。(本文来源于《科技通报》期刊2018年04期）
蔡就伦[7]（2018）在《基于拉普拉斯正则化稀疏匹配模型的组学数据关联关系发现》一文中研究指出随着生物信息技术的发展,高通量测序技术的出现极大地降低了测序的成本,提高了测序的性能,使得高效全面地测定同一样本不同层面的组学数据成为可能。目前已积累的海量多源异构生物医学数据奠定了整合分析多组学数据的基础,为揭示肿瘤发生发展的机理提供了的前所未有的机遇。但是由于数据中的噪声成分较大以及个体之间的差异性等因素,如何高效准确地识别多组学数据间的关联关系仍然是一个有待解决的问题。虽然现有模型在组学数据关联关系分析中取得了不错的进展,但仍存在一些不足之处。例如,大部分研究都仅仅聚焦于组学数据本身的分析,很少考虑在模型中加入其他重要的先验信息,甚至完全没有利用任何先验信息,但一些研究表明对先验信息的合理利用不仅可以提高模型准确性和健壮性,还可以提高运算效率。另外,越来越多生物分子之间的潜在关联已被证实,如基因调控网络、蛋白质-蛋白质相互作用网络和代谢路径网络等等。基于此,本文的主要内容如下:首先,本文简要地阐明了组学数据关联关系发现的研究背景、现状和意义。其次,本文简单地介绍了组学数据的获取方法与预处理方式。随后,本文对拉普拉斯矩阵的特性作简要的介绍。进一步地,本文基于组学数据关联关系的特点,为多组学数据关联关系的发现提出了拉普拉斯正则化稀疏匹配模型LRSM,该模型通过拉普拉斯正则项结合已有的先验信息对组学数据进行分析,挖掘数据中的潜在关联关系。此外,模型引入了L_0-范数来对结果的稀疏性进行约束,最终可转化为带不等式约束的二次凸优化问题,并采用增广拉格朗日乘子法结合随机梯度下降法进行高效求解。最后,我们在模拟数据集和真实数据集上对拉普拉斯稀疏匹配模型进行测试,通过与现有方法进行比较分析证明了模型的有效性与可靠性。综上所述,本文的主要意义在于:(1)通过在模型中加入拉普拉斯正则项引入先验信息,以期减少噪声对结果的影响,降低数据误差所带来的不确定性,并且提高结果的准确性与鲁棒性。(2)通过模拟实验探究拉普拉斯正则项对模型的影响,说明了先验信息在多组学数据关联关系发现中的重要作用。(3)除了理论上的分析,我们还对结果进行了较为充分的生物学验证,结果表明了模型的有效性和合理性,说明其对加深理解癌症发生发展过程中在各个组学层面上的变化规律具有一定的积极意义。(本文来源于《华南理工大学》期刊2018-04-20）
张蒙恩[8]（2017）在《几乎正则图的f-色类与g_c-色类的关系》一文中研究指出令C是一个颜色集.图G的边染色是颜色在图G的所有边上的一个分配.令G是一个图,一个图G的正常边染色是G的边染色使得G的每个点处不能有相同的颜色.一个图G的边覆盖染色是G的边染色使得每种颜色在每个点出至少出现一次.一个图G的f-染色和g_c-染色分别是正常边染色和边覆盖染色的推广.令f和g是两个函数,在每个点v ∈ V(G)处分别分配一个正整数f(v)和一个非负整数g(v). 一个图G的f-染色是G的边染色使得每个点v ∈ V(G)处最多有f(v)条边染相同的颜色.图G的g_c-染色是G的边染色使得每种颜色出现在每个点v ∈ V(G)处至少有g(v)次.清晰地,图G有g_c-边染色当且仅当对任意点v ∈V(G)有0 ≤ g(v)≤d(v).在这篇论文中,我们总是假设对任意点∈ V(G)有0≤g(v)≤d(v).将图G进行f-染色所需要的最小的颜色数目被称为图G的f-染色数,记作X'f(G).相对地,将图G进行g_c-染色所需要的最大的颜色数目被称为图G的g_c-染色数,记作X'g_c(G).当f= 1时,f-染色恰好是正常边染色;当g叁1时,g_c-染色的确是边覆盖染色.因为正常边染色问题是NP-完备的(即使是对于立方图来说),所以f-染色问题和g_c-染色问题也是NP-完备的.1986年Hakimi和Kariv证明:任意简单图G有X'f(G)= △f(G)或△f(G) + 1,这里△f(G) = (?).如果X'f(G)= △f(G),称G为f-染色第一类图,否则称G为f-染色第二类图.这种确定简单图的f-染色数的问题称为f-染色的分类问题.宋慧敏和刘桂真在2005年给出的一个结果表明:任意简单图G有X'g_c(G)=δg(G)或δg(G) - 1,这里δg(G)=(?).如果X'g_c(G)=δg(G),称G为g_c-染色第一类图,否则称G为g_c-染色第二类图.这种确定简单图的g_c-染色数的问题称为g_c-染色的分类问题.本论文主要研究了几乎正则图的f-染色的分类问题以及f-色类与g_c-色类之间的关系,张霞2015年证明了对于任意的正则图G来说,当G的f-核与g_c-核是相同的,并且对于Jf-核或g_c-核里的每个点v都有f(v)=g (v),那么在f-色类与g_c-色类之间总是有一致性的结果.然而,对于其它的图(甚至是几乎正则图)来说,在f-色类与g_c-色类之间不是总是一致的.本论文对几乎正则图,当满足f-核与g_c-核是相同的,并且对任意f-核或g_c-核里的点v有f(v)=g(v)时,给出了f-色类与g_c-色类之间有一致性分类结果的一些充分条件.本文分为四章进行了讨论.在第一章中,介绍了研究背景以及研究意义,给出了本文中用到的基本概念与符号,给出了几类图的f-色类与g_c-色类的关系的研究现状和本文关于几乎正则图研究的主要结果;在第二章中,介绍了本文要用到的预备知识,包括主要的基本工具以及主要的引理;在第叁章中,讨论了几乎正则图的f-色类与g_c-色类的关系,先给出了几乎正则图的f-染色分类的几个结论,然后给出f-核或g_c-核分别在r-度点集和r + 1-度点集内f-色类与g_c-色类关系的结论;在第四章中,给出了本论文可进一步研究的问题.(本文来源于《山东师范大学》期刊2017-04-10）
喻欣[9]（2017）在《基于深度学习和社交关系正则化的混合协同过滤推荐算法》一文中研究指出随着互联网的快速发展,网络信息呈现爆炸式的增长,其结构也变得越加复杂。海量信息的呈现,使得用户很难从中发现自己感兴趣的内容,而推荐系统可以帮助用户发掘更深次的需求,给用户带来个性化的体验。此外,推荐系统可以帮助用户更容易地找到他们需要的产品,也可以通过改进用户体验帮助企业提升用户忠诚度从而把更多的潜在用户转换为产品购买者。同时,推荐系统也具有研究价值,涉及计算数学,认知科学,信息科学等学科。在推荐系统中,协同过滤是目前应用最广泛的一种个性化推荐技术。传统的协同过滤方法仅仅使用用户对物品的评分矩阵进行推荐。在实际情况中,通常用户的评分矩阵非常稀疏,从而导致推荐效果不佳。在这种情况下,一些模型尝试使用物品内容信息来缓解数据稀疏和冷启动问题。然而,当这些内容信息也非常稀疏时,很难从这些模型中学习到准确的特征表示进行推荐。为了应对这些问题,本文提出了基于深度学习和社交关系正则化的混合协同过滤推荐模型(CDL-SR)。其中,社交正则化在推荐系统中表示一种社交约束。该模型利用深度学习强大的特征表达能力,将通过深度学习算法自动学习到的物品特征表达向量同矩阵分解后的评分矩阵有效融合,并通过在目标函数中加入社交正则项,让存在社交关系的物品(如存在引用关系的论文)的隐式特征向量具有较高相似度以进一步提高推荐效果。C D L-S R模型不仅可以提供新用户的个性化推荐信息(冷启动),还有利于解决用户评分矩阵及物品的文本、属性、码流等信息的数据稀疏问题。本文以Cite Ulike论文集为样本进行实验研究表明,本文采用的深度学习与社交网络信息相结合的方法能够提供更好的推荐性能。特别是在稀疏数据集下,该方法相比于目前流行的协同主题回归模型(CTR),召回率提升了66.7%。此外,该推荐系统在推荐结果中可以给出较为准确和令人信服的推荐理由,进一步提高了用户对系统的满意度。(本文来源于《广东工业大学》期刊2017-04-01）
朱玲,朱彦,杨峰[10]（2016）在《基于中医疾病相关语义关系的正则表达式及知识抽取研究》一文中研究指出目的:目前已有的知识抽取方法虽然多面向英文,但中文医学文献的数量也正在迅速增长,而且中医古籍文献中也有很多有价值的知识需要获取。基于此,本文以疾病"崩漏"为例,以正则表达式为规则,试图抽取中医古籍中疾病相关的知识,以构建中医疾病知识的语义框架。方法:建立崩漏相关的等同关系、因果关系、治疗关系的正则表达式,进而建立以正则表达式为规则的知识抽取及可视化平台。结果:实现对崩漏相关知识框架的抽取与表达,通过人工抽取和计算机知识平台抽取方式构建中医疾病语义框架,并在此基础上完成中医疾病相关的知识框架描述。结论:研究发现,以正则表达式为规则的知识抽取可视化平台,可以实现对崩漏相关知识框架的抽取与表达,并为中医疾病知识的逻辑化描述与未来的抽取及应用提供了方法,为实现中医疾病相关的知识框架描述奠定基础,可单一地基于正则表达式的信息抽取方式难以达到很好的召回率,如果在正则表达规则的基础上考虑篇章结构,同时整合机器学习与语义标注的混合信息抽取方法可能进一步提高抽取的效能。(本文来源于《世界科学技术-中医药现代化》期刊2016年08期）
正则关系论文开题报告
（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：
设X是自然数集N或整数集Z,T_(X×X)是X×X上的线性变换半群.通过分析整除关系,获得了半群T_(X×X)的格林关系和正则元.
（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。
正则关系论文参考文献
[1].黄梦婷,张灵,姜文超.基于流形正则化的多类型关系数据联合聚类方法[J].计算机科学.2019
[2].李晓敏,罗永贵,赵平.线性变换半群T_(X×X)的格林关系和正则元[J].西南师范大学学报(自然科学版).2019
[3].袁新,徐波.半群M(n,k)的正则性和格林关系[J].贵州师范大学学报(自然科学版).2019
[4].朱良贵.初生中子星准正则模与星的结构的关系[D].湖南师范大学.2018
[5].罗肖强.交叉*正则半群与二面体群之间的关系（英文）[J].南京大学学报(数学半年刊).2018
[6].周玉兴,黄敬频.四元数空间中正则函数与调和函数的关系[J].科技通报.2018
[7].蔡就伦.基于拉普拉斯正则化稀疏匹配模型的组学数据关联关系发现[D].华南理工大学.2018
[8].张蒙恩.几乎正则图的f-色类与g_c-色类的关系[D].山东师范大学.2017
[9].喻欣.基于深度学习和社交关系正则化的混合协同过滤推荐算法[D].广东工业大学.2017
[10].朱玲,朱彦,杨峰.基于中医疾病相关语义关系的正则表达式及知识抽取研究[J].世界科学技术-中医药现代化.2016
论文知识图
