导读:本文包含了高维特征论文开题报告文献综述及选题提纲参考文献，主要关键词:高维波动率网络模型,互信息,已实现波动率,金融风险管理
高维特征论文文献综述
宁瀚文,屠雪永[1]（2019）在《基于高维波动率网络模型的股票市场风险特征研究》一文中研究指出波动率是金融风险管理研究的重要内容之一。本文基于复杂网络理论和数据挖掘技术提出股票市场的高维波动率网络模型。首先运用互信息度量不同股票价格波动之间的相关关系,其次对股票市场不同周期下的波动情况建立度的中心势、平均距离、幂律分布等网络拓扑指标,再次根据这些指标利用Prim算法构建出高维波动率网络模型,最后运用Newman-Girvan算法对股票价格波动率的相关性进行分层研究。高维波动率网络模型突破了传统波动率模型关于变量维数的限制,能够在依赖少量假设的基础上,挖掘出多个金融市场主体间的相互关系,反映金融市场的风险特征及网络拓扑性质。实证结果发现:与常用的Pearson相关系数法相比,在互信息框架下,股价波动的非线性相关关系得到了更好的度量;股票市场的整体波动性与个股波动率相关性变化趋势相反,市场处在高波动时期资产组合分散化效果较好;网络中存在少量度数大的关键节点和中心节点,风险通过这些节点可以迅速传递到整个市场;股票市场的运行具有明显的行业聚集现象;网络分层研究进一步直观的展现了风险在层与层之间的传递规律和与之对应的行业特征。高维波动率网络模型为挖掘股票市场的风险特征与管理金融风险提供了一个新的工具。(本文来源于《统计研究》期刊2019年10期）
陈祥焰,林耀进,王晨曦[2]（2019）在《基于邻域粗糙集的高维类不平衡数据在线流特征选择》一文中研究指出在许多实际应用中,数据经常呈现高维不平衡特征,特征还根据需求在不同时间段动态生成.基于此种情况,文中提出基于邻域粗糙集的高维类不平衡数据的在线流特征选择算法.算法设计基于小类重要度的粗糙依赖度计算公式,同时,提出在线相关性分析、在线冗余度分析、在线重要度分析叁种策略,用于选择在大类和小类之间具有高可分离性的特征.在7个高维类不平衡数据集上的实验表明,文中算法可以有效选择一个较好的特征子集,性能较优.(本文来源于《模式识别与人工智能》期刊2019年08期）
武同宝,袁海燕,黄尊志,陈志伟[3]（2019）在《基于最小熵的高维电力数据可视化特征映射方法》一文中研究指出针对传统特征映射方法存在映射时间长、高维数据转换率低等问题,提出基于最小熵的高维电力数据可视化特征映射方法。对高维电力数据进行空间模拟,从数据预处理、转换、离散化分析和特征分类方面入手,完成对高维电力数据可视化特征分类。建立电力数据类的散布矩阵,根据矩阵计算高维电力数据的特征相对值和判别值,完成数据特征提取。基于上述特征分类和特征提取结果,利用熵对高维电力数据各类的可分性进行描述,选取出熵最小的数据特征,定义数据的熵并将熵当作数据类别的可分性判据,利用电力数据的总体熵实现高维数据到低维数据的映射。实验结果表明,所提方法的特征数据分类准确度较高,且平均高维数据转换率为78%左右,映射耗时短,远远优于传统方法,验证了所提方法的优越性能。(本文来源于《科技通报》期刊2019年07期）
赵雯雯[4]（2019）在《特征退火方法下的高维多总体判别分析》一文中研究指出本文主要研究多总体正态分布下协方差阵相等时的高维分类问题.已有的研究结果表明,对于两类的正态分布问题,独立分类法则比线性判别法则更为有效.Fan在文献中指出,如果将所有的特征都用于分类,独立分类法则的效果依然很差.为强调特征的识别能力,Fan提出了特征退火独立法则(Feature Annealed Independence Rule,简称FAIR).本文在Fan的基础上提出了基于多总体的FAIR,并且根据K类间的分量ANOVA选择了统计学上最有意义的m个特征,并在这m个特征上应用独立分类器,特征的最佳数目的选择是基于误分率上界的.模拟研究分析支持本文理论的结果,并有说服力的说明了本文的新的方法的优势.本文将从以下几个部分进行介绍:第一部分介绍有关的背景知识以及判别分析的研究现状和发展趋势,第二部分介绍本文中的模型和判别函数,第叁部分是本文的核心部分,是研究得到的重要定理,第四部分证明定理,第五部分的模拟证明了本文的理论结果.(本文来源于《东北师范大学》期刊2019-05-01）
王保宪,王哲,张宇峰,赵维刚,李义强[5]（2019）在《基于图像高维特征压缩映射的混凝土表面裂缝检测算法》一文中研究指出在复杂背景下,基于单一朴素特征表示的混凝土裂缝检测算法易受光照、背景杂波的干扰.利用多种图像区域特征描述子可以提取混凝土图像区域大量丰富的纹理特征,取得良好的裂缝病害检测效果.然而高维度的图像区域特征向量给后续的裂缝分类检测过程带来巨大的存储与计算负担.针对此问题,提出一种基于图像高维特征压缩映射的混凝土表面裂缝检测算法.基于Johnson-Lindenstrauss引理,本文算法可以利用较少的区域特征向量获得关于裂缝与非裂缝区域具有良好区分度的特征描述.在高维特征压缩映射的基础上,进一步利用最小二乘支持向量机快速准确地判断出裂缝与非裂缝样本.通过在实际采集的混凝土图像数据集上进行测试验证,本文算法的训练效率比高维样本模型训练快150多倍,同时裂缝病害区域检测准确率为90.3%、召回率为91.2%,优于其他对比裂缝检测算法.(本文来源于《北京理工大学学报》期刊2019年04期）
胡晶[6]（2019）在《云计算海量高维大数据特征选择算法研究》一文中研究指出为了有效分析云计算环境下的海量高维大数据,需要对数据进行特征选择处理,针对云计算大数据的高动态与高维度特征,提出了基于竞争熵加权结合稀疏原理的在线学习特征选择算法。首先在熵加权迭代的过程中,采用了竞争合并方式对熵加权计算进行优化,降低数据处理的维度,提高算法对高维数据的处理能力;然后引入稀疏分数将局部数据对应的特征做标记,同时根据各自的重要程度排序,去除掉大数据源中的冗余数据;最后,将合并熵加权与稀疏原理应用于在线学习算法框架中,进一步提高算法对高维数据流的处理效率。实验结果验证了提出的算法提高了聚类精度,有效提高了云计算环境下海量高维大数据特征选择的准确性。(本文来源于《计算机仿真》期刊2019年04期）
张戈,王建林[7]（2019）在《基于混合ABC和CRO的高维特征选择方法》一文中研究指出高维数据集包含了成千上万可用于数据分析和预测的特征,然而这些数据集存在许多不相关或冗余特征,影响了数据分析和预测的准确性。现有分类技术难以准确地识别最佳特征子集。针对该问题,提出了一种基于wrapper模式的特征选择方法 AB-CRO,该方法结合了人工蜂群算法(ABC)和改进的化学反应算法(CRO)的优点进行特征选择。针对迭代过程中较优的个体可能在化学反应过程中被消耗掉的现象,适当地加入精英策略来保持种群的优良性。实验结果表明,AB-CRO算法在最佳特征子集的识别和分类精度方面相对于基准算法ABC,CRO以及基于GA,PSO和混合蛙跳算法都所有改进。(本文来源于《计算机工程与应用》期刊2019年11期）
江佳伟,符芳诚,邵蓥侠,崔斌[8]（2019）在《面向高维特征和多分类的分布式梯度提升树》一文中研究指出梯度提升树算法由于其高准确率和可解释性,被广泛地应用于分类、回归、排序等各类问题.随着数据规模的爆炸式增长,分布式梯度提升树算法成为研究热点.虽然目前已有一系列分布式梯度提升树算法的实现,但是它们在高维特征和多分类任务上性能较差,原因是它们采用的数据并行策略需要传输梯度直方图,而高维特征和多分类情况下梯度直方图的传输成为性能瓶颈.针对这个问题,研究更加适合高维特征和多分类的梯度提升树的并行策略,具有重要的意义和价值.首先比较了数据并行与特征并行策略,从理论上证明特征并行更加适合高维和多分类场景.根据理论分析的结果,提出了一种特征并行的分布式梯度提升树算法FP-GBDT.FP-GBDT设计了一种高效的分布式数据集转置算法,将原本按行切分的数据集转换为按列切分的数据表征;在建立梯度直方图时,FP-GBDT使用一种稀疏感知的方法来加快梯度直方图的建立;在分裂树节点时,FP-GBDT设计了一种比特图压缩的方法来传输数据样本的位置信息,从而减少通信开销.通过详尽的实验,对比了不同并行策略下分布式梯度提升树算法的性能,首先验证了FP-GBDT提出的多种优化方法的有效性;然后比较了FP-GBDT与XGBoost的性能,在多个数据集上验证了FP-GBDT在高维特征和多分类场景下的有效性,取得了最高6倍的性能提升.(本文来源于《软件学报》期刊2019年03期）
杨杰明,高聪,曲朝阳,刘鹏,陈宇阳[9]（2019）在《基于类区分度的高维不平衡特征选择算法》一文中研究指出传统特征选择算法没有考虑特征之间的关联性,并且基于类别平衡假设,在不平衡问题上偏向多数类而忽略少数类。针对以上不足,本文综合考虑特征相关性与不平衡性,提出一种基于类区分度的高维不平衡特征选择算法CDHI,该算法通过k-means进行特征聚类,并计算簇中每个特征的类区分度,利用类区分度对聚类簇中特征进行重要性排序,然后选择各簇中类区分度较高的特征组成特征子集,达到去除高维特征冗余与处理不平衡数据的双重目的。实验结果表明,与传统特征选择方法相比,CDHI算法有效降低了特征空间的维度,提高了少数类的识别率。(本文来源于《科技通报》期刊2019年01期）
张飞飞,周涛,陆惠玲,梁蒙蒙,杨健[10]（2018）在《基于贝叶斯粗糙集的肺部肿瘤CT图像高维特征选择算法》一文中研究指出针对变精度粗糙集在高维特征选择过程中对分类错误率β的过分依赖问题,结合遗传算法提出一种基于贝叶斯粗糙集的肺部肿瘤CT图像高维特征选择算法。首先提取3000例肺部肿瘤CT图像ROI区域的104维特征构造决策信息表;然后从全局相对增益函数的角度分析属性重要度,结合属性约简长度、基因编码权值函数叁者的加权和构造一个适应度函数框架,提出以此为启发式信息的属性约简算法;最后利用支持向量机进行分类识别。实验结果表明,本研究算法摆脱了阈值人工设置的束缚,并且在很大程度上提高整体性能,对肺部肿瘤计算机辅助诊断具有积极的推广价值。(本文来源于《生物医学工程研究》期刊2018年04期）
高维特征论文开题报告
（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：
在许多实际应用中,数据经常呈现高维不平衡特征,特征还根据需求在不同时间段动态生成.基于此种情况,文中提出基于邻域粗糙集的高维类不平衡数据的在线流特征选择算法.算法设计基于小类重要度的粗糙依赖度计算公式,同时,提出在线相关性分析、在线冗余度分析、在线重要度分析叁种策略,用于选择在大类和小类之间具有高可分离性的特征.在7个高维类不平衡数据集上的实验表明,文中算法可以有效选择一个较好的特征子集,性能较优.
（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。
高维特征论文参考文献
[1].宁瀚文,屠雪永.基于高维波动率网络模型的股票市场风险特征研究[J].统计研究.2019
[2].陈祥焰,林耀进,王晨曦.基于邻域粗糙集的高维类不平衡数据在线流特征选择[J].模式识别与人工智能.2019
[3].武同宝,袁海燕,黄尊志,陈志伟.基于最小熵的高维电力数据可视化特征映射方法[J].科技通报.2019
[4].赵雯雯.特征退火方法下的高维多总体判别分析[D].东北师范大学.2019
[5].王保宪,王哲,张宇峰,赵维刚,李义强.基于图像高维特征压缩映射的混凝土表面裂缝检测算法[J].北京理工大学学报.2019
[6].胡晶.云计算海量高维大数据特征选择算法研究[J].计算机仿真.2019
[7].张戈,王建林.基于混合ABC和CRO的高维特征选择方法[J].计算机工程与应用.2019
[8].江佳伟,符芳诚,邵蓥侠,崔斌.面向高维特征和多分类的分布式梯度提升树[J].软件学报.2019
[9].杨杰明,高聪,曲朝阳,刘鹏,陈宇阳.基于类区分度的高维不平衡特征选择算法[J].科技通报.2019
[10].张飞飞,周涛,陆惠玲,梁蒙蒙,杨健.基于贝叶斯粗糙集的肺部肿瘤CT图像高维特征选择算法[J].生物医学工程研究.2018