导读:本文包含了多维序列论文开题报告文献综述及选题提纲参考文献，主要关键词:非线性规划,序列二次规划,信赖域,相容性
多维序列论文文献综述
孙涛,杨雪峰[1]（2019）在《一种求解序列二次规划结合信赖域的多维滤子算法》一文中研究指出求解非线性规划问题最有效的方法之一为序列二次规划。但是,由于序列二次规划结合信赖域时,会出现可能无解的情况(即不相容性)。而本文针对不相容性提出了一类序列二次规划结合信赖域的多维相容滤子算法。首先,本文根据一般文献中提及的方法对其约束条件引进参数变量,对其目标函数加以惩罚,即实行了可行化处理(也就是无需可行性恢复阶段),从而克服了不相容性。其次,本文提出了多维滤子条件来对迭代步进行选择性的接受,从而避免了传统二维滤子算法的严格条件,使得对迭代步的接受程度大大的放松。最后针对可能出现的maratos效应,我们通过二阶校正策略提出了一种修改后的多维滤子算法。同时,在一定的假设条件下算法具有全局收敛性。(本文来源于《运筹与管理》期刊2019年10期）
刘云,易松[2]（2019）在《双变换算法在多维序列数据分析中的优化研究》一文中研究指出在流数据中,降低维度是处理多维序列数据的重要因素.提出一种双变换算法(DTA),针对在线序列数据,分别进行酉变换和双曲线旋转变换的双变换处理,得到假设函数的参数,通过牛顿算法迭代预测误差值,直到小于所预设的阈值,从而得到最优预测值.仿真结果表明,对比OGD和RON两种算法,DTA算法在保障算法稳定性的前提下,有效减少计算时间.(本文来源于《四川大学学报(自然科学版)》期刊2019年04期）
郑旭[3]（2019）在《基于多维时间序列复杂网络的AUV故障诊断》一文中研究指出本文提出一种多维时间序列的复杂网络构建方法,首先将每个单维时间序列进行符号化,在此基础上定义滑动窗口,将滑窗内的符号进行组合,生成代表多变量时间序列的波动模式组,以此作为复杂网络的节点,模式组之间的转换作为连边构建复杂网络。将此方法应用于自主式水下机器人(Autonomous Underwater Vehicle, AUV)模拟故障数据和正常状态数据,构建多维时间序列的复杂网络。实验结果表明,两类数据复杂网络拓扑统计量可以有效描述并区分AUV的故障状态和正常状态,实现故障诊断功能。(本文来源于《电子制作》期刊2019年11期）
乔美英,刘宇翔,陶慧[4]（2019）在《一种基于信息熵和DTW的多维时间序列相似性度量算法》一文中研究指出提出一种基于信息熵和动态时间规整(DTW)的多维时间序列相似性度量的方法。首先,基于马氏距离(mahalanobis distance)的DTW,不仅考虑了多维时间序列的各个变量间的相互关系,而且对于长度不同的时间序列,通过动态规整可以进行准确地对齐。其次,利用信息熵理论,通过最小化损失函数,对马氏距离矩阵进行学习,来获得全局最优的马氏矩阵。为了验证所提算法的效果,选用UCI数据集中的5个数据集,采用最近邻分类算法对其进行分类实验。实验结果表明:该算法相比于其他算法,具有较高的分类准确率,且时间消耗较少。(本文来源于《中山大学学报(自然科学版)》期刊2019年02期）
张少峰[5]（2019）在《基于最大长度序列的多维位移检测方法研究》一文中研究指出观测过程中,天文望远镜一般采用多维调整机构对其副镜位姿进行实时调整来确保最终成像质量,而多维调整机构作为精密仪器部件在安装前以及在长期的运行后均需进行位姿检测,以验证和标定其本身的位姿执行精度。本文针对天文望远镜副镜位姿调整多维机构的性能需求和工作特点,采用基于最大长度序列靶标的视觉位姿检测方法,开展了其多维精密位移的检测和标定研究及实验验证。首先,通过研究最大长度序列原理,结合实际测量需求,设计了二维视觉靶标,并搭建了可检测两个正交方向线位移和一个旋转角位移的实验系统。开展了两个正交线位移定点定位实验,并通过定标减小了在5.000mm范围内线位移的测量误差,实现了两个正交方向线位移的测量精度均达为0.001mmRMS。以此为基础,先后开展了转角方向在600″范围内定位和整个系统重复定位的实验。经实验,角位移测量精度达0.15″RMS。而两个正交方向线位移叁组实验的重复定位位移数据标准差均为0.001mm,转角方向叁组重复定位位移数据标准差分别为0.12″,0.14″,0.12″。然后,针对应用环境和系统安装的实际情况,从镜头失焦,照明不均匀,靶标的偏转及镜头倾斜等可能造成检测误差的情况,开展全面实验和分析,探讨了环境因素对测量的影响,并提出了改进方法。实际数据表明镜头对焦不准以及角度在1°范围内的靶标偏转和镜头倾斜均对测量影响较小,可忽略不计。而照明不均匀的情况会影响序列的识别,在改进算法后对测量的影响可以忽略。最后,将视觉靶标位姿测量系统应用到新型3SPS+3(SP-U)六自由度微动并联机构,选取动平台两个平动和一个转动方向进行了校准,并对其和另外两个自由度方向同时移动的情况进行了精密位移测量。实验数据表明,校准的叁个自由度方向中,两个平动方向定位位移测量数据均方根误差均达0.001mmRMS,转角方向定位测量均方根误差为0.21″RMS,以此得出其它两个自由度测量数据也具有较高的精度。考虑系统的稳定性,利用平台校准的叁个自由度方向进行重复定位实验,实验数据表明两个平动方向叁组实验数据标准差均为0.001mm,转动方向叁组实验数据标准差分别为0.17″、0.19″以及0.17″,表明了靶标测量系统具有良好的稳定性。(本文来源于《南京航空航天大学》期刊2019-03-01）
龙呈,刘明忠,常晓青,吴杰,高艺文[6]（2018）在《基于多维量测数据序列的电压互感器故障识别方法》一文中研究指出电压互感器量测数据是电力系统监测与控制的基础,错误的量测数据可能导致自动装置错误动作和调度人员错误决策,因此,及时发现电压互感器故障至关重要。提出了一种基于多维量测数据序列的电压互感器故障识别方法,该方法能够在线监测所有类型的电压互感器。首先,利用经验模态分解方法对电压互感器测量数据进行去噪处理,消除坏数据干扰;其次,采用时间序列分层聚类方法对多维电压互感器量测数据进行分析,识别出故障的电压互感器;最后,将所提方法应用于某实际案例,验证了其合理性和有效性。(本文来源于《四川电力技术》期刊2018年06期）
胡玉祥,王智,张洪德,孟庆年,陈鹏[7]（2018）在《多维时间序列分析在地铁位移监测中的应用研究》一文中研究指出已有的单因子时间序列分析模型虽然在变形监测中得到了广泛应用,但由于没有考虑多维因子的关联性,单维模型得到的预测结果往往与实际值相差较大,预测效果有待改进。考虑变形点多维因子之间的关联性,本文将多维时间序列分析模型应用到青岛地铁位移监测中,结果表明该方法总体精度为0.17 mm,优于单维时间序列模型的0.29 mm;一步预测最大偏差水平和垂直分别为0.21 mm、0.21 mm,多步预测(2～5)最大偏差水平和垂直分别为0.51 mm、0.44 mm,具有更好的预测精度。(本文来源于《测绘通报》期刊2018年S1期）
房有丽,王红[8]（2018）在《融合评分-评价一致性和多维时间序列的虚假评论识别方法》一文中研究指出在线商品评论是指导客户购买行为的重要依据.虚假的评论无疑严重地误导消费者,为营造公平公正的在线购物环境带来巨大挑战.前人的研究主要分别依据评分或评论进行检测,一方面,研究成果没有斟辨评论内容与其评分的一致性,因为很多不真实的评论与其评分是不一致的;另一方面,研究成果没有考虑评论时间对识别虚假评论的影响,因为虚假评论使得一段时间内评论数量及评分会出现突变.因此,本文提出融合评分-评价一致性和多维时间序列的虚假评论识别方法.首先,根据在线商品评论的特点,分析评论文本的情感极性,判断与其评分的一致性;其次,考虑时间因素对评分及评论数量的影响,构建基于多维时间序列的虚假评论检测模型;最后,使用将抽取的多个虚假评论特征进行融合,构建出虚假评论检测分类器.通过实验对比验证了本文方法的有效性.(本文来源于《小型微型计算机系统》期刊2018年09期）
张洪祥,郑泽宇[9]（2018）在《基于多维时间序列的建筑业上市公司信用风险研究》一文中研究指出针对建筑行业上市公司的信用风险问题,提出基于多维时间序列的信用风险评价模型。该方法区别于独立时点的信用风险分析方法,使用多维时间序列对受评主体在采样周期内的信用趋势进行综合评价分析,从而解决孤立时点数据异常所造成的信用等级错评现象。同时,通过观察受评样本在采样周期内的信用趋势,分析上市公司的信用状态,得到较为真实的信用风险水平。通过实例验证,其评价结果与实际情况相符,证明该方法具有一定的实用价值.(本文来源于《工程管理学报》期刊2018年03期）
闫欣鸣[10]（2018）在《基于Shapelets的多维时间序列分类方法研究》一文中研究指出在大多数科学领域,数据的测量是随着时间的推移而进行的,这些观察结果使得人们收集到一系列有序的数据,称为时间序列,时间序列分类是时间序列数据挖掘中一项重要的研究内容。而随着传感器等硬件成本的降低,人们往往收集同一事物的不同参数进行分析,这就产生了多维时间序列。近几年,时间序列shapelets引起了广泛关注,它通过识别时序数据局部特征达到时间序列准确分类的目的。而大多数对于shapelets的研究都是针对于一维时间序列,利用shapelets对多维时间序列分类的研究却少之又少。而在使用shapelets的一维时序数据分类方法研究中,对于带有趋势变化的时间序列,采用典型的时间序列表示方法进行shapelets发现,容易造成序列中趋势信息的丢失。首先,针对时间序列趋势信息丢失的问题,本文提出了一种基于趋势特征表示的shapelets分类方法(Trend-based Diversified Top-k Shapelets,简称TDTS),算法通过对时间序列进行趋势特征符号化,能够在保留时序数据趋势性的同时保证序列的分类效果以及shapelets发现的效率。实验显示,与传统分类算法相比,所提方法在11个数据集上的分类准确率均有提升;与Fast Shapelet算法相比,提升了运行效率,缩短了算法的运行时间,并在趋势信息明显的数据上效果显着。其次,针对shapelets这一概念在多维时间序列分类中的研究较少这一问题,本文提出了一种基于TDTS的多维时间序列分类方法。算法使用集成学习中bagging的思想,通过增强个体学习器的多样性,提高了集成学习的泛化性能。文章分别从与传统分类算法对比、与各单一维度的分类结果对比、与多样化topk shapelet分类方法对比和与Shapelet Ensemble算法对比这4个角度对本文算法进行了实验。实验结果表明,本文所提算法能够在保留数据趋势性的同时有效提高多维时间序列的分类效果。最后,在本文理论研究的基础上,采用模块化的开发方式设计并实现一维与多维时间序列分类的原型系统,使得系统在具有良好拓展性的同时,具有清晰展示时间序列分类结果以及程序运行时间等相关信息的功能,亦能方便验证本文所提方法的有效性。(本文来源于《中国矿业大学》期刊2018-06-01）
多维序列论文开题报告
（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：
在流数据中,降低维度是处理多维序列数据的重要因素.提出一种双变换算法(DTA),针对在线序列数据,分别进行酉变换和双曲线旋转变换的双变换处理,得到假设函数的参数,通过牛顿算法迭代预测误差值,直到小于所预设的阈值,从而得到最优预测值.仿真结果表明,对比OGD和RON两种算法,DTA算法在保障算法稳定性的前提下,有效减少计算时间.
（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。
多维序列论文参考文献
[1].孙涛,杨雪峰.一种求解序列二次规划结合信赖域的多维滤子算法[J].运筹与管理.2019
[2].刘云,易松.双变换算法在多维序列数据分析中的优化研究[J].四川大学学报(自然科学版).2019
[3].郑旭.基于多维时间序列复杂网络的AUV故障诊断[J].电子制作.2019
[4].乔美英,刘宇翔,陶慧.一种基于信息熵和DTW的多维时间序列相似性度量算法[J].中山大学学报(自然科学版).2019
[5].张少峰.基于最大长度序列的多维位移检测方法研究[D].南京航空航天大学.2019
[6].龙呈,刘明忠,常晓青,吴杰,高艺文.基于多维量测数据序列的电压互感器故障识别方法[J].四川电力技术.2018
[7].胡玉祥,王智,张洪德,孟庆年,陈鹏.多维时间序列分析在地铁位移监测中的应用研究[J].测绘通报.2018
[8].房有丽,王红.融合评分-评价一致性和多维时间序列的虚假评论识别方法[J].小型微型计算机系统.2018
[9].张洪祥,郑泽宇.基于多维时间序列的建筑业上市公司信用风险研究[J].工程管理学报.2018
[10].闫欣鸣.基于Shapelets的多维时间序列分类方法研究[D].中国矿业大学.2018