导读:本文包含了高斯宽度论文开题报告文献综述及选题提纲参考文献，主要关键词:非对称高斯势量子阱,磁场,线性组合算符,基态能量
高斯宽度论文文献综述
白瑞锋,付永洪,肖景林[1]（2018）在《非对称高斯势量子阱中弱耦合磁极化子的受限势的宽度效应》一文中研究指出研究了非对称高斯受限势量子阱中弱耦合磁极化子基态能量的性质.应用线性组合算符和幺正变换方法,导出了弱耦合极化子基态能量随磁场的回旋频率和非对称高斯量子阱受限势的宽度的变化关系.以GaAs半导体为例,表明:回旋频率和受限势的宽度是表征高斯量子阱中弱耦合磁极化子基态能量性质的重要的物理量.(本文来源于《内蒙古民族大学学报(自然科学版)》期刊2018年06期）
罗浪[2]（2018）在《基于多宽度高斯核的支持向量机参数优化与特征选择算法研究》一文中研究指出支持向量机(SVM)是由统计学习理论发展而来的一种被广泛使用的机器学习分类算法,但是在具体问题中核函数及其参数的选择是决定支持向量机泛化能力的关键因素。本文通过引入泛化能力更强的多宽度高斯核函数(Gaussian Kernel with Multiple Widths,GKMW)取代传统的高斯核函数,以此改善高斯核的单宽度性会限制支持向量机泛化规模的问题。对于多宽度高斯核的参数优化问题,传统的梯度算法存在着对初值过分依赖且容易陷入局部最优等不足,因此本文采用进化算法基因表达式编程(GEP)对该问题进行寻优,基因表达式编程因其更易跳出局部最优等特点近年来被广泛使用在多值优化问题上。同时为了进一步加快寻参速度本文设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),并将其引入到GEP的适应度函数中,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,以此降低参数优化的计算开销提高运行效率。本文的主要研究内容如下:1.由于多宽度高斯核函数的参数优化实质上是一个多峰组合优选问题,因此相较于传统的梯度算法更适宜于采用进化计算的方式进行寻优。本文首先设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),该准则可以确定在固定的参数组合下相对应的特征空间中类别之间的分散程度,以此作为参数组合的寻优方向,并将该准则引入到基因表达式编程(GEP)算法中对原适应度函数公式进行改进,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,在解决多宽度高斯核参数优化问题的同时提高算法运行效率。2.面对大数据时代下庞杂的数据规模,支持向量机在处理大规模数据时经常会遇到含有冗余或不相关特征的数据集,为了进一步地提高支持向量机的分类性能,本文根据多宽度高斯核函数不仅能体现各个特征对分类的贡献程度不相同,而且能区分样本中各个特征重要性的特点,以上文多宽度高斯核参数优化的结果为基础,提出一种基于多宽度高斯核的支持向量机特征选择算法,以此降低特征空间的复杂度提高分类性能。3.本文将GEPCS算法应用在标准的UCI数据集上进行支持向量机分类实验,在验证了本文参数优化算法可行性与有效性的基础上通过与传统的参数优化方法进行对比实验,结果表明本文提出的GEPCS算法能找到最优参数组合使得支持向量机的分类准确率接近或超过分类数据集的理论精度,且本文方法相比具有寻参时间更短的优势。同时在参数优化结果的基础上对数据集进行特征选择,实验结果表明本文的特征选择算法能够进一步地提高支持向量机的分类性能,为支持向量机搭配多宽度高斯核时参数的优化及特征的选择提供了一种新的、高效的方法。(本文来源于《中南民族大学》期刊2018-03-01）
罗浪,汪静[3]（2018）在《基于多宽度高斯核的支持向量机特征选取算法研究》一文中研究指出支持向量机(SVM)作为一种机器学习分类算法应用广泛,但在处理高维度数据集时往往会由于特征维数较多遇到算法分类速度慢且容易陷入局部最优等问题。为了提高支持向量机的性能,提出一种基于多宽度高斯核(GKMW)的支持向量机特征选取算法FSG。FSG算法将泛化能力更强的多宽度高斯核函数引入支持向量机中代替传统的高斯核函数,利用多宽度高斯核函数能体现各个特征对分类贡献程度不同且能区分样本中各个特征重要性的特点,以多宽度高斯核函数的参数优化结果为基础进行特征选取。利用特征选取后的特征子集在多组标准UCI数据集上分类实验,实验结果表明所提算法性能优于有代表性的特征选取法。(本文来源于《软件导刊》期刊2018年02期）
黄永超,蔡达锋,张廷蓉[4]（2015）在《双曲余弦高斯光束在梯度折射率介质中的束腰宽度及其位置》一文中研究指出为了研究梯度折射率介质中双曲余弦高斯光束的束腰及其位置,推导出了双曲余弦高斯光束在梯度折射率介质中的传输场,并运用空间二阶矩的定义解出了光斑尺寸、束腰宽度及位置的表达式,讨论了梯度折射率介质对双曲余弦高斯光束的光斑尺寸、束腰宽度及位置的影响。研究结果表明:梯度折射率介质中光斑尺寸随传输距离的增加出现了周期性变化,周期由折射率系数决定;随偏心参数的增大,束腰宽度先逐渐减小再逐渐增大后趋于稳定;并且发现偏心参数决定光斑尺寸振荡幅度。(本文来源于《激光与光电子学进展》期刊2015年02期）
吴召齐,李细锋,陈军,叶丽燕[5]（2013）在《基于多宽度高斯核函数模型的十字形件冲压成形工艺参数优化》一文中研究指出基于试验设计的板料冲压成形工艺参数优化局限在有限的参数组合上,利用响应面方法可以进行全局范围的优化设计。针对一般响应面方法在预测精度上的不足,提出多宽度高斯核函数响应面方法。通过正交试验获得各因素的影响程度指数,利用均匀试验获得合适的设计参数样本,建立基于多宽度高斯核函数的冲压成形响应面模型。对十字形件的冲压成形进行工艺参数优化,结合遗传算法求解满足质量要求的最优工艺条件,验证表明,该方法对提高板料成形质量有效。(本文来源于《塑性工程学报》期刊2013年01期）
韩永杰,陈广贵,李超[6]（2011）在《赋予标准高斯测度的有限维空间的平均宽度》一文中研究指出本文讨论了赋予标准高斯测度的有限维空间Rm在lmq空间上的p-平均Kolmogorov n宽度,并得到了其精确阶.(本文来源于《赤峰学院学报(自然科学版)》期刊2011年05期）
赵犁丰,王栋[7]（2011）在《基于加权多宽度高斯核函数的聚类算法》一文中研究指出针对在支持向量聚类,当样本分布不均匀时,单宽度的高斯核限制了支持向量机泛化性能,影响了聚类效果的问题,提出一种基于加权多宽度高斯核函数的支持向量聚类算法。加权多宽度高斯核函数比单宽度的高斯核有更多的可调参数,通过多参数调节,可提高泛化能力,改善聚类效果。仿真实验表明,与单宽度的高斯核相比,加权多宽度高斯核可以有效聚类,从而证明了该算法的有效性。(本文来源于《现代电子技术》期刊2011年10期）
肖崇溧,万春明,董渊,刘旭东,宋业英[8]（2011）在《实现双半高斯空心光束宽度半径比调谐范围为0.1~1的技术研究》一文中研究指出提出了一种利用改进型的卡塞格林光学系统(反射式正圆锥镜和球面反射镜相结合的光学系统)来产生一种光强分布特殊的空心激光束(双半高斯空心激光束)的新方案。详细分析了正圆锥镜的锥角、高斯光束的张角、球面反射镜的曲率半径等因素对该光学系统的球差以及宽度半径比的影响。通过对上述参数的调整,可以很容易获得宽度半径比的可控范围为0.1~1的双半高斯空心激光束。测试结果验证了由该系统所产生的空心光束确属于双半高斯空心光束范畴。(本文来源于《光学学报》期刊2011年05期）
王栋[9]（2011）在《基于加权多宽度高斯核函数的支持向量机聚类算法研究》一文中研究指出用机器学习的方法分析数据、挖掘海量数据背后的知识,促成了数据挖掘的产生。聚类分析是数据挖掘的一项重要功能,其作为数据分割的方法,能将具有相似性质的数据划分到同一类中,因此也常常用作异常数据点识别的方法。支持向量机是借助于最优化方法解决机器学习问题的新工具,最初于20世纪90年代由Vapnik提出,它通过核函数工作在特征空间,也就是在输入空间无法解决的非线性问题可在特种空间中获得线性性能。而核函数作为实现非线性映射的重要途径是支持向量机得到广泛应用和取得良好效果的关键所在。将支持向量机应用聚类分析构成支持向量聚类算法,在该算法中高斯核函数可调参数的唯一性和数据样本空间分布的不均匀性,使其在样本的稠密区域产生过学习现象,而在样本的稀疏区域则产生欠学习现象,限制了支持向量机泛化性能。因此,本文提出了泛化能力更强的加权多宽度高斯核函数。本论文主要研究了基于加权多宽度高斯核函数的聚类算法。研究加权多宽度高斯核的意义在于一方面可以扩展支持向量机的应用性,提高支持向量机的性能,进而扩展模式分析、人工智能和机器学习;另一方面核方法作为一门独立的学科,处于刚刚发展的初始阶段,其潜力还没有得以完全发掘。本论文主要创新工作是:1.在支持向量聚类中,普通高斯核函数存在局限性,提出了泛化能力更强的加权多宽度高斯核函数,通过多参数调节提高核的学习能力和泛化能力。2.将加权多宽度高斯核学习引入到聚类分析中,提出了一种加权多宽度高斯核聚类算法。通过加权多宽度高斯核的非线性变换,利用不同宽度反映样本特征的不同重要性,把输入的数据集映射到高维特征空间,增强了特征空间中元素的可分性。3.通过实验分析了核函数参数变化对支持向量聚类效果的影响,证明了利用加权多宽度高斯核进行聚类比普通高斯核能够取得更好的效果。(本文来源于《中国海洋大学》期刊2011-03-25）
田径[10]（2009）在《加权多宽度高斯核及其支持向量分类和网络核模式》一文中研究指出模式分析作为人工智能和机器学习的重要分支,广泛应用于工业专家系统、生物遗传信息学、宇宙学、天文学和机器人技术。特别是在冯·诺伊曼架构的计算机的计算速度已经不再是主要矛盾,其自身无法学习的缺陷变成制约该架构机器发展的主要问题,人们开始重新从人工智能和机器学习中发掘可能。支持向量机作为近来被广泛应用的模式分析算法无论在实际应用和理论研究中都取得了比传统模式分析算法更好的效果和更强的统计理论支持。核函数作为实现非线性映射的重要途径是支持向量机得到广泛应用和取得良好效果的关键所在。本论文的目的就是研究核函数的性质与构造。研究核的意义在于一方面可以扩展提高支持向量机的应用性,进而扩展模式分析、人工智能和机器学习;另一方面核作为一门独立的学科,刚刚处于发展的初始阶段,其潜力还远远没有得以完全发掘。本文的主要工作是:1.针对支持向量机分类中常用的核函数高斯核的局限性,提出了更为一般性的加权多宽度高斯核,并证明了新核的合法性;2.在提出的核函数基础上,提出了针对于新核的借鉴半径间隔误差界和拟牛顿梯度下降模型来进行参数确定的多参数模型选择算法。在此基础上,进一步扩展了加权多宽度高斯核的径向基网络结构,提出一类新的核函数的框架,即网络核模式。该核函数的框架具有径向基网络的特点,其实质是一种多参数的权重系数相对确定的神经网络。3.利用加权多宽度高斯核进行支持向量机分类实验取得比普通高斯核更好的效果;通过对多项式核函数和高斯核函数进行新核函数框架的应用,从支持向量分类对比实验的划分曲面可以看出相对于原始核函数该核函数框架多参数调节的优越性。(本文来源于《中国海洋大学》期刊2009-06-05）
高斯宽度论文开题报告
（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：
支持向量机(SVM)是由统计学习理论发展而来的一种被广泛使用的机器学习分类算法,但是在具体问题中核函数及其参数的选择是决定支持向量机泛化能力的关键因素。本文通过引入泛化能力更强的多宽度高斯核函数(Gaussian Kernel with Multiple Widths,GKMW)取代传统的高斯核函数,以此改善高斯核的单宽度性会限制支持向量机泛化规模的问题。对于多宽度高斯核的参数优化问题,传统的梯度算法存在着对初值过分依赖且容易陷入局部最优等不足,因此本文采用进化算法基因表达式编程(GEP)对该问题进行寻优,基因表达式编程因其更易跳出局部最优等特点近年来被广泛使用在多值优化问题上。同时为了进一步加快寻参速度本文设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),并将其引入到GEP的适应度函数中,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,以此降低参数优化的计算开销提高运行效率。本文的主要研究内容如下:1.由于多宽度高斯核函数的参数优化实质上是一个多峰组合优选问题,因此相较于传统的梯度算法更适宜于采用进化计算的方式进行寻优。本文首先设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),该准则可以确定在固定的参数组合下相对应的特征空间中类别之间的分散程度,以此作为参数组合的寻优方向,并将该准则引入到基因表达式编程(GEP)算法中对原适应度函数公式进行改进,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,在解决多宽度高斯核参数优化问题的同时提高算法运行效率。2.面对大数据时代下庞杂的数据规模,支持向量机在处理大规模数据时经常会遇到含有冗余或不相关特征的数据集,为了进一步地提高支持向量机的分类性能,本文根据多宽度高斯核函数不仅能体现各个特征对分类的贡献程度不相同,而且能区分样本中各个特征重要性的特点,以上文多宽度高斯核参数优化的结果为基础,提出一种基于多宽度高斯核的支持向量机特征选择算法,以此降低特征空间的复杂度提高分类性能。3.本文将GEPCS算法应用在标准的UCI数据集上进行支持向量机分类实验,在验证了本文参数优化算法可行性与有效性的基础上通过与传统的参数优化方法进行对比实验,结果表明本文提出的GEPCS算法能找到最优参数组合使得支持向量机的分类准确率接近或超过分类数据集的理论精度,且本文方法相比具有寻参时间更短的优势。同时在参数优化结果的基础上对数据集进行特征选择,实验结果表明本文的特征选择算法能够进一步地提高支持向量机的分类性能,为支持向量机搭配多宽度高斯核时参数的优化及特征的选择提供了一种新的、高效的方法。
（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。
高斯宽度论文参考文献
[1].白瑞锋,付永洪,肖景林.非对称高斯势量子阱中弱耦合磁极化子的受限势的宽度效应[J].内蒙古民族大学学报(自然科学版).2018
[2].罗浪.基于多宽度高斯核的支持向量机参数优化与特征选择算法研究[D].中南民族大学.2018
[3].罗浪,汪静.基于多宽度高斯核的支持向量机特征选取算法研究[J].软件导刊.2018
[4].黄永超,蔡达锋,张廷蓉.双曲余弦高斯光束在梯度折射率介质中的束腰宽度及其位置[J].激光与光电子学进展.2015
[5].吴召齐,李细锋,陈军,叶丽燕.基于多宽度高斯核函数模型的十字形件冲压成形工艺参数优化[J].塑性工程学报.2013
[6].韩永杰,陈广贵,李超.赋予标准高斯测度的有限维空间的平均宽度[J].赤峰学院学报(自然科学版).2011
[7].赵犁丰,王栋.基于加权多宽度高斯核函数的聚类算法[J].现代电子技术.2011
[8].肖崇溧,万春明,董渊,刘旭东,宋业英.实现双半高斯空心光束宽度半径比调谐范围为0.1~1的技术研究[J].光学学报.2011
[9].王栋.基于加权多宽度高斯核函数的支持向量机聚类算法研究[D].中国海洋大学.2011
[10].田径.加权多宽度高斯核及其支持向量分类和网络核模式[D].中国海洋大学.2009