导读:本文包含了排序学习论文开题报告文献综述及选题提纲参考文献，主要关键词:母线负荷预测,特征排序,随机森林,深度置信网络
排序学习论文文献综述
熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟[1]（2019）在《基于特征排序与深度学习的母线负荷预测方法》一文中研究指出负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。(本文来源于《可再生能源》期刊2019年10期）
李萌[2]（2019）在《幼儿模式排序核心经验学习与发展的策略》一文中研究指出《3-6岁儿童学习与发展指南》中指出:"引导幼儿观察发现按照一定规律排列的事物,体会其中的排列特点与规律,并尝试自己创造出新的排列规律。"按规律排序是幼儿园模式排序的主要内容,除了视觉的呈现,还有声音、动作等听觉、运动觉参与的呈现形式。模式排序是幼儿数学认知活动的一个(本文来源于《今日教育(幼教金刊)》期刊2019年09期）
肖云[3]（2019）在《基于图的半监督学习与排序模型的视觉显着目标检测研究》一文中研究指出随着网络技术的发展,数据量成爆发式的增长,如何从这些海量数据中提取有用的信息并进行有效的应用给人们带来了巨大的挑战。视觉注意是人类视觉系统识别场景相关部分的一种重要机制,人类可以轻松处理这些视觉信息,可以轻松的过滤无效数据,快速注意到感兴趣的事物。利用计算机模拟人类视觉系统,学习和借鉴人类视觉系统的生物认知机制来研究视觉问题受到学界越来越多的关注。显着目标检测研究就是利用计算机模拟人类视觉系统,定位到“感兴趣”或“重要”的区域。视觉显着目标检测结果可以作为多个其它研究领域的预处理过程,在图像检索、图像分割、目标识别等多个研究领域均有广泛的应用。半监督学习相比于传统的机器学习技术可以充分利用少量有标签的数据,利用大量的未标记数据的自身特性,辅助提高学习的预测性能。基于图的半监督学习方法模型应用广泛,在显着目标检测当中有很多的应用,取得了很好的检测结果。比如随机游走模型、流形排序模型等。现有的方法虽取得了一定的进展,但依然存在一些问题,本文重点对已有的基于图的半监督学习的视觉显着目标检测方法展开研究,提出多个模型并在多个数据集上进行了验证。本文主要研究内容有:基于全局和局部一致性排序模型的显着目标检测、基于先验正则化图排序的显着目标检测方法和基于先验正则化多层图排序的显着目标检测方法、基于多尺度协同正则化排序的显着目标检测方法和基于图的多视角半监督学习的显着目标检测方法。本文的主要工作和创新点包括:第一,提出一种全局和局部一致性排序模型的显着目标检测方法。对传统的基于随机游走理论的显着目标检测方法进行研究,在获取全局信息后,加入局部信息,提出一个全局和局部一致性排序模型,通过建立马尔科夫链上的随机游走模型,计算转移节点到吸收节点的平均吸收时间,可以捕获图像全局信息,再利用图像的流形特性获得局部信息,将此两种信息应用于全局与局部一致性排序模型,分别使用背景信息、前景信息作为查询节点计算最终的显着性值。实验结果表明,该方法可以有效获得图像的结构信息,获得更准确的显着图,提高了显着目标检测的精确度和准确度。第二,提出基于先验正则化图排序的显着目标检测方法和基于先验正则化多层图排序的显着目标检测方法。图像显着目标检测的任务是获得图像每个像素点的显着值,可以将显着目标检测问题看作是一个排序问题来进行求解计算。传统的流形排序方法可以很好的捕获图像的流形结构,获得较好的检测结果。本文提出加入一个先验信息作为正则化项,对模型进行改进,提出一个基于先验正则化图排序的显着目标检测方法;然后,通过对图的构造进行深入研究,提出一个基于先验正则化多层图排序的显着目标检测方法。通过在多个数据集上的实验验证,证明提出的两个方法均取得了更好的检测结果。第叁,提出了多尺度协同正则化排序的显着目标检测方法。为充分挖掘图像的不同尺度对显着目标检测结果的影响,首先使用金字塔模型获得图像的不同尺度,然后通过超像素分割方法对不同尺度的图像进行分割获得超像素块,然后使用本文提出的多尺度协同正则化排序方法同时对不同尺度的超像素块进行排序,并使用不同尺度排序的跨尺度一致性进行约束来获得最终的结果,通过多个数据集上的实验验证,证明本文提出的方法取得了更好的检测结果。第四,提出了基于图的多视角半监督学习的显着目标检测方法。与单一视角数据相比,多视角数据能够更全面系统的获取数据本质信息,多视角学习被广泛提出用来深入了解和分析多视角数据。在视觉显着目标检测研究中,同一张图像可以分别使用颜色、纹理、形状等多种不同的特征来描述,从而获得多视角特征数据。为捕获不同视觉特征信息以获得更准确的显着目标检测结果,提出一种基于多视角半监督学习的显着目标检测方法。首先对现有的基于图的显着目标检测方法进行总结归类,提出一个通用的基于图的显着目标检测方法框架。然后,将单一图模型扩展到多图的情况,提出了基于多图模型的显着目标检测通用框架。最后,给出了一般模型的一个具体实现,提出基于图的多视角半监督学习的显着目标检测方法,并推导出求解该模型的有效更新算法。在多个基准数据集上的实验结果表明了该模型的有效性。(本文来源于《安徽大学》期刊2019-09-01）
郭绍翠,童向荣,杨旭[4]（2019）在《社交网络下基于列表级排序学习的推荐算法》一文中研究指出将列表级排序学习和推荐算法相结合,能够有效提高传统推荐系统返回结果的准确性。针对社交网络环境,提出一种基于列表级排序学习的推荐算法L~2R~2SN (list-wise learning to rank for recommendation for social networks)。从社交网络中挖掘出用户好友潜在的影响特征,以及物品潜在的隐性特征,融入列表级排序学习的推荐模型中,通过梯度下降方法迭代训练模型参数获得模型的最优解,将物品列表中排序较前的top-k个物品推送给用户。多组实验结果表明,L~2R~2SN算法能够有效提高推荐结果的准确性,更为有效地反映用户的偏好。(本文来源于《计算机工程与设计》期刊2019年06期）
张莹[5]（2019）在《基于自适应排序函数和深度特征学习的行人搜索算法研究》一文中研究指出近几年来行人搜索发展迅速,成为智能视频监控中的关键技术,在视频侦查、行人跟踪以及行为分析等领域发挥着越来越重要的作用。行人搜索的目的是利用计算机视觉技术判断监控图像或视频中是否存在特定行人。早期的行人搜索主要是基于给定的目标图像进行跨摄像头行人再识别,随着研究的深入和应用的逐步拓展,行人搜索发展到可以针对视频环境和开放场景来查找目标,并根据自然语言描述来进行跨模态搜索。行人搜索研究技术也从传统的基于手工特征设计和度量函数学习发展到基于深度神经网络从数据中自动学习特征表示。本文分析了行人搜索不同发展阶段的研究现状,并针对行人搜索技术研究中如何学习更优的排序函数和如何学习判别能力更强的特征等问题展开了深入研究。本文主要贡献如下:(1)提出基于特定样本支持向量机学习和最小二乘半耦合字典学习的行人再识别算法。针对大多行人再识别算法中采用统一相似度排序函数而难以考虑样本独特性问题,本文将行人再识别问题转化为二分类问题,并针对每个行人学习特定样本支持向量机作为其相似度排序函数,不仅使得排序函数能够自适应行人的特征表示,提高模型对不同行人的判别能力,还可以有效强化匹配样本和非匹配样本的相似度差异。接下来,本文提出最小二乘半耦合字典学习来联合学习特征字典、排序函数字典以及特征空间和排序函数空间样本重构系数之间的映射关系,从而使得新的样本可以根据自身特征重构出其相适应排序函数。该算法采用l2-范数替代传统字典学习算法中的l1-范数正则化约束,不仅提高了字典学习和排序函数推断效率,而且可以有效应对行人再识别任务中特征维度高、样本数量少、差异大等情况,进一步提升再识别性能。(2)提出基于深度互学习的行人再识别算法。针对基于深度学习的行人再识别算法对平衡模型效率和准确率的需求,本文提出了简单有效的深度互学习算法,通过与其他网络联合训练来提升深度神经网络的再识别性能。本文为互学习训练中每个网络定义两种损失函数:一种是传统的监督损失函数,用来度量网络预测样本类别与真实标签之间的差异;另一种是网络之间的交互损失函数,用于度量不同网络估计的类别概率分布之间的差异。该算法不仅可以使得每个网络学习如何正确分类样本,还可以使得每个网络在训练过程中借鉴其它网络的学习经验来提升泛化能力,从而学习到判别能力更强的深度行人特征。本文将两个网络深度互学习扩展到多网络互学习场景中,并发现更多同伴网络的学习经验可以进一步提升每个网络的性能。本文还将该算法扩展到半监督学习场景,在标记样本数量较少情况下利用未标记样本的模拟损失约束来提升模型的预测能力。最后,本文对深度互学习算法的作用机制进行了理论分析和实验验证,表明深度互学习算法可以帮助网络找到一个更平缓的极小点,对噪声干扰具有较好的鲁棒性,具备更好的泛化性能。(3)提出基于跨模态投影学习的行人搜索算法。针对基于自然语言描述的跨模态行人搜索任务,本文提出了跨模态投影匹配损失函数和跨模态投影分类损失函数来学习文本和图像的联合特征嵌入。跨模态投影匹配损失函数将文本与图像特征之间的标量投影转化为匹配概率,并通过最小化估计匹配概率分布与真值匹配概率分布之间的KL散度来学习跨模态匹配特征。相较于常用的典型相关分析和双向排序损失函数,该损失函数从概率拟合角度来约束匹配样本相似度大于非匹配样本相似度,利用了批量中所有样本之间的相关性,避免了正负样本选择和超参数调节,且对批量大小变化具有较强的鲁棒性。针对具有类别标签的情况,跨模态投影分类损失函数将跨模态投影策略与归一化分类损失函数相结合,通过分类文本和图像特征之间互相投影后的特征向量来进一步增大类间样本差异,并强化类内不同模态特征的紧密度。(本文来源于《大连理工大学》期刊2019-06-13）
李博[6]（2019）在《基于项目特征和排序学习的新闻推荐系统设计与实现》一文中研究指出随着互联网的逐渐普及,如今在线阅读新闻已成为我们日常生活重要的一部分。然而,在互联网海量信息面前,人们却往往变得无所适从。作为一种有效应对“信息过载”问题的手段,推荐系统在工业界和学术界均得到了广泛的研究。本文针对新闻领域的推荐方法进行了研究。主要研究工作有:(1)分析现有流行度预测算法,并通过挖掘新闻的特征,提出一种改进的新闻流行度预测方法,使用多种聚类算法将新闻进行聚类后,基于相同类别新闻的时间序列进行预测,并在此基础上对非个性化推荐算法进行改进;(2)根据用户的访问行为,使用循环神经网络获取用户的兴趣特征,并考虑获取用户数据之后,在对用户特征更新的同时,针对特定的用户更新文章的特征表示,最终通过用户特征与文章特征生成推荐列表;(3)基于预测所得流行度提出一种改进协同过滤的推荐方法,并结合(2)以及多种推荐算法,针对top-N推荐问题,使用排序学习方法融合推荐结果,提出一种基于排序学习的混合推荐算法,对推荐结果进行改进。在公开数据集上进行实验测试,结果表明该算法有更好的推荐性能;(4)基于以上提出的算法设计并实现了基于项目特征和排序学习的新闻推荐系统,考虑用户习惯并有效应对用户的冷启动问题,增强用户体验,提高推荐准确性。(本文来源于《北京邮电大学》期刊2019-06-05）
吴兰营[7]（2019）在《基于开发者社交网络和排序学习的缺陷报告分派及定位》一文中研究指出如今大型开源软件项目如Tomcat、Eclipse和AspectJ等都配置了功能强大的缺陷跟踪系统,该系统能够使世界各地的开发人员共同协作来修复某一软件缺陷,然而缺陷跟踪系统在实际运行过程中每天都会接收到大量的缺陷报告,倘若完全采用人工的方式,将缺陷报告分派给某个开发者,然后该开发者手动查找相应的源代码文件进行缺陷修复,这一流程将会耗费大量的人力和时间。因此,如何能让缺陷报告实现自动分派以及自动定位到缺陷文件是一项非常具有意义且充满挑战的任务,这对于改善大型开源软件项目的维护流程至关重要。目前,相关研究人员根据缺陷报告和源文件的特点提出了很多不同的缺陷分派以及缺陷定位方法,但是这些方法并没有考虑到不同开发者之间的协作关系、个人的能力水平和业界影响力,并且忽略了缺陷报告本身的深层语义信息。针对以上问题,本文提出了一种基于开发者社交网络的缺陷报告分派方法和基于排序学习的缺陷定位方法,主要工作如下:首先,提取缺陷跟踪系统的原始数据信息,借助该信息,根据开发者对同一缺陷的评论关系建立一个关于开发者的社交网络,并通过一定的算法将网络中具有相同修复经验的开发人员划分到一个社区,然后,根据开发者的历史修复经验和其在网络节点中的影响力对所有开发者的能力进行评估。实验表明,开发者的历史修复经验对开发者能力评估的贡献较大。最后,使用之前提取的原始数据信息建立一个缺陷报告分派模型,当新缺陷报告到来后,通过该模型预测分派给哪个社区,然后推荐该社区中能力排名最高的开发者来进行缺陷的修复。当为缺陷报告推荐合适的开发者以后,下一步的工作便是帮助开发者定位到与该缺陷报告的描述最相关的可疑源代码文件列表,以辅助其进行缺陷排查和修复。本文从缺陷报告和源代码的文本相似度、缺陷报告的修复历史、堆栈跟踪信息、API(Application Programming Interface)说明文档等多个方面进行特征值提取,并结合词向量计算工具Word2Vec挖掘缺陷报告的深层语义信息从而弥补缺陷报告和源文件的语义失配问题。此外针对Word2Vec在自然语言和源代码两者不同的语义环境下训练出现的偏差问题,提出了一种洗牌算法将语义相近的自然语言和程序语言随机混合到同一文档中生成统一的语义环境,实验表明该算法对模型预测准确度有较大提升。最后,将上述提取的特征值通过SVM-Rank算法的计算返回一个排序的可疑源文件修复列表供开发人员进行排查并修复。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
关媛媛[8]（2019）在《基于协同图排序与多任务学习的图像显着性检测算法研究》一文中研究指出随着大数据时代的到来,网络社会每天产生大量数据。如何快速且有效地处理日益增长的图像数据己经成为迫切需要解决的问题。值得一提的是,图像显着性检测的主要任务是使得计算机通过模拟人类的视觉注意机制定位出图像的显着区域,滤除非显着区域,从而只对图像中人类感兴趣的区域进行后续处理。因此,图像显着性检测可以有效地降低图像数据的复杂度并提高处理效率。作为计算机视觉领域的一项基本研究课题,图像显着性检测吸引了大量的研究学者。自从图像显着性检测问题被提出以来,研究员们提出了许多性能优良的算法。特别地,由于近些年深度学习技术在计算机视觉领域的成功应用,图像显着性检测也开启了新的研究道路。越来越多的深度学习技术被应用于图像显着性检测,并取得了突破性的研究成果。同时,由于图像显着性检测算法简洁、有效,很容易实现与计算机视觉其他领域的研究相结合,因此,可以辅助其他领域的算法实现更好的效果。例如:利用图像显着性检测技术在目标检测与识别任务中实现目标的初步定位,从而提高算法的准确率,降低算法的复杂度。因此,图像显着性检测技术的研究不仅能够促进复杂图像检测结果的提升,还能为处理海量图像数据提供技术支持。然而,己有的图像显着性检测算法在复杂环境下具有局限性。当图像具有复杂背景,或者图像中前景与背景相似时,当前的图像显着性检测算法并未获得最佳的结果。针对上述问题,本文提出了两种有效的图像显着性检测算法:第一种是基于协同图排序模型的图像显着性检测算法。针对现有的基于流形排序的显着性检测模型中存在的不足,即当前景与背景对比度较小且背景较复杂时出现的错检问题,该模型从图像中显着目标与背景之间的高对比性出发,将背景显着值与前景显着值进行协同优化,利用背景信息突出前景信息,提出了一种基于协同图排序模型的图像显着性检测算法,从而获得更加准确的检测结果。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。第二种是基于多任务协同图排序模型的图像显着性检测算法。在图像显着性检测过程中,为了使特征更具有判别性,一般会采用多种特征融合的方式。传统的特征融合直接通过将多种特征进行串联处理,这种方式无法实现特征的充分利用,容易造成特征冗余。为了有效地实现各个特征之间的优势互补,本文提出了一种多任务协同图排序模型,并提出了一种新的迭代优化算法对该模型进行求解。经实验分析可得,传统特征倾向于描述图像的底层特征,有利于获取图像的细节信息;而深度特征则侧重于描述图像的语义信息,有利于目标的准确定位。因此,我们选择传统特征和深度特征作为优化对象。具体步骤如下:首先,在不同的特征层面上分别进行构图;然后,通过多任务协同图排序模型动态更新不同特征层面所构图的权重,实现有效地结合不同特征的优势;最后,使用模型迭代收敛时的有效值确定图像的显着区域。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
陈娟[9]（2019）在《带有学习效应和退化效应的两阶段供应链排序研究》一文中研究指出供应链排序是把排序理论应用于供应链,统筹规划供应链系统,提供最优选择的一种管理模式。在供应链排序中,产品的生产和配送方式以及两者之间的协调关系,对整个供应链系统的效率和成本起着关键作用。本文将着重于研究两个阶段的供应链排序问题。第一个问题是研究存在多个工件族,工件族内部的工件加工产生学习效应,不同工件族工件之间具有安装时间。在运输阶段,配送区间被固定的配送时刻划分成小的时间区间,在相应区间完工的工件就由对应的配送时刻送出,且运输费用单调非增。对于极小化最大流程时间、总流程时间和、最大延迟和总误工工件个数四个问题,分析了他们的最优性质,并提出了相应的最优算法和算法的时间复杂性。第二个问题研究了工件被成批加工,工件的加工时间是与位置相关的退化效应的情形,同一个批工件加工时间之和为批完工时间。加工完的工件的运输工作由一辆车完成,且一次只能运输一批工件。对于极小化加工和运输阶段的最大完工时间,给出了最大完工时间问题的一个下界,并提出解决当前问题的最优算法。当工件满足一定条件时,通过给出的最优算法能得到最优解。第叁个问题研究了多个客户订购工件,每个客户的工件组成工件族,工件族内部存在与位置有关的学习效应,并且制造商只有一台机器加工工件,工件完工后,由一次可以装载不超过两个客户的工件的运输车进行运送,对于极小化加权总流程时间,利用动态规划思想给出了一个最优算法,并通过最优算法得到了时间复杂性O(n~(z+2)z)。(本文来源于《重庆师范大学》期刊2019-05-01）
张凯茜[10]（2019）在《基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究》一文中研究指出贝叶斯网络是处理不确定性问题的有效方法之一,其具有内在严密的概率推理和直观的图形化表示等特点,被广泛应用于人工智能和机器学习等领域。在当今数据大爆炸时代,传统的依靠专家知识构建贝叶斯网络结构的方法已不能满足快速精准学习的需求。如何从数据中有效地学习贝叶斯网络结构引起众多专家学者的研究兴趣。使用爬山搜索策略的K2算法作为一种经典的贝叶斯网络结构学习算法,已经得到广泛的应用。但K2算法对变量序列和最大父节点数具有强烈的依赖性,不同的最大父节点数对贝叶斯网络的学习效果差别不显着,而不同的变量序列会极大地影响贝叶斯网络的学习效率,因此如何寻找较优的变量序列有着重要的研究价值。本文以构建K2算法中变量序列的评价函数为研究目标,首先基于广度优先搜索的Kahn算法和深度优先搜索的Tarjan算法,对标准网络结构进行图的遍历以得到较优的变量序列,分析各序列的K2-CH评分和互信息评分的属性,寻找较优序列的共性,在此基础上提出新的变量序列的评价函数,然后以此评分函数作为新的适应度函数,在变量构成的空间内,以遗传搜索来寻找较优的变量序列,我们称此算法为Chain-KMGA算法。实验结果表明,通过Chain-KMGA算法学习到的贝叶斯网络的结构较优,具体表现在网络的评分值较高,且可以学习到更多的正确边和较少的错误边,同时ChainKMGA算法的运行时间较少,该算法具有较高的学习效率,其所学习到的贝叶斯网络评分值与变量序列评分值具有较强的正相关性,即随着变量序列评分值的增加,贝叶斯网络的评分值也在对应的增加,因此Chain-KMGA算法能够搜索到较优变量序列,Chain-KMGA算法构建的贝叶斯网络具有较高的学习效率。(本文来源于《西北农林科技大学》期刊2019-05-01）
排序学习论文开题报告
（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：
《3-6岁儿童学习与发展指南》中指出:"引导幼儿观察发现按照一定规律排列的事物,体会其中的排列特点与规律,并尝试自己创造出新的排列规律。"按规律排序是幼儿园模式排序的主要内容,除了视觉的呈现,还有声音、动作等听觉、运动觉参与的呈现形式。模式排序是幼儿数学认知活动的一个
（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。
排序学习论文参考文献
[1].熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟.基于特征排序与深度学习的母线负荷预测方法[J].可再生能源.2019
[2].李萌.幼儿模式排序核心经验学习与发展的策略[J].今日教育(幼教金刊).2019
[3].肖云.基于图的半监督学习与排序模型的视觉显着目标检测研究[D].安徽大学.2019
[4].郭绍翠,童向荣,杨旭.社交网络下基于列表级排序学习的推荐算法[J].计算机工程与设计.2019
[5].张莹.基于自适应排序函数和深度特征学习的行人搜索算法研究[D].大连理工大学.2019
[6].李博.基于项目特征和排序学习的新闻推荐系统设计与实现[D].北京邮电大学.2019
[7].吴兰营.基于开发者社交网络和排序学习的缺陷报告分派及定位[D].哈尔滨工业大学.2019
[8].关媛媛.基于协同图排序与多任务学习的图像显着性检测算法研究[D].安徽大学.2019
[9].陈娟.带有学习效应和退化效应的两阶段供应链排序研究[D].重庆师范大学.2019
[10].张凯茜.基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究[D].西北农林科技大学.2019