导读:本文包含了多类任务论文开题报告文献综述及选题提纲参考文献，主要关键词:协同调度,智能体,对地观测系统,卫星
多类任务论文文献综述
王慧林,伍国华,马满好[1]（2016）在《多类异构对地观测平台协同任务规划方法》一文中研究指出目前,不同类型的对地观测平台之间缺乏有效的协同交互机制。这种孤立的资源管控模式难以应对多样且大量的对地观测需求。特别是在一些紧急情况下,如地震、武装冲突、洪涝灾害和森林火灾等,这种模式的弊端尤为突出。研究了多类异构观测资源,包括卫星、飞艇及无人机(UAV)的协同规划问题。首先,提出一种基于多Agent的分层协同规划框架,整合不同观测资源构成一个分布式和松耦合的对地观测系统。其次,将异构对地观测平台的协同规划问题转化为不同子规划中心间的任务分配问题。第叁,针对该任务分配问题,提出一种结合禁忌列表模拟退火(SA-TL)算法,在该算法中融合了禁忌表策略,有效提高了算法的性能。仿真实验验证了多Agent协同框架的优越性和SA-TL算法的效率。(本文来源于《航空学报》期刊2016年03期）
韩志军,杨帮华,何美燕,刘丽[2]（2015）在《脑机接口中一种多类运动想象任务识别新方法》一文中研究指出目的针对脑机接口中叁类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对叁类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对叁类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。(本文来源于《北京生物医学工程》期刊2015年03期）
刘冲,王宏,赵海滨,颜世玉[3]（2012）在《基于多类运动想象任务的脑电信号分类研究》一文中研究指出针对基于多类任务的运动想象(MI)脑电(EEG)信号的分类问题,使用共空间模式(CSP)特征提取方法,分别提取了"一对一"和"一对多"两种特征提取策略下的多类任务MI EEG信号的特征。结合特征提取阶段的不同策略设计了基于支持向量机(SVM)的多类任务分类方法,分类结果表明:基于各分类器决策值的"一对一"SVM分类输出的方法的分类效果明显优于基于投票输出方法,并且略高于"一对多"分类策略下的分类结果,说明了这一方法的有效性。(本文来源于《生物医学工程学杂志》期刊2012年06期）
何海洋[4]（2012）在《基于多类意识任务识别的电动轮椅脑电控制方法研究》一文中研究指出脑电（Electroencephalogram，EEG）是一种脑神经细胞的生物电活动，反映了大脑的功能状态，有效提取脑电信号中蕴含的信息，对于临床医学、康复工程、脑机接口等诸多领域的研究有着重要的意义。要使脑电信号控制的康复辅助装置能够按照使用者意愿智能化地服务于患者，如何有效提高不同场景下运动想象的识别率是其中的瓶颈和难点之一，并且已成为康复工程领域中具有挑战性的科学问题。本文在国家自然科学基金项目（61172134）的支持下，从课题研究的背景及意义出发，结合脑电信号的特点，研究分析了运动想象状态下脑电信号的采集与预处理、特征提取及模式分类等过程，探讨了基于多类意识任务识别的电动轮椅脑电控制方法。本文主要完成了以下研究工作，并取得了部分创新成果：（1）在脑电信号预处理阶段：提出了一种基于最小相依成分分析的互信息（Mutual Information based on Least dependent Component Analysis，MILCA）算法的脑电信号伪迹消除方法。针对脑电信号中眼电和心电串扰伪迹，首先用提升小波硬阈值法对多路原始脑电信号去噪，再运用MILCA算法对各通道信号进行盲源分离，同时采用信号间互相关系数和互信息量作为指标对伪迹分离的效果进行评价。实验对比分析表明，运用MILCA算法能较好地去除脑电信号中的眼电及心电伪迹，为后续的特征提取创造了良好的条件。（2）在脑电信号特征提取阶段：针对离散小波变换处理信号时存在的频谱混迭现象和平移不变性差的问题，探讨了实虚二元树滤波器形式双树复小波变换的原理以及特点，在此基础上提出了基于双树复小波变换能谱熵的脑电信号特征提取方法。此外，还研究了通过改变单一变量阶次p来自动调节时频局部特性的离散分数阶傅里叶变换，结合K近邻互信息估计与熵理论，提出了基于离散分数阶傅里叶变换互信息熵的脑电信号特征提取方法。（3）在脑电信号模式分类阶段：提出了基于粒子群算法优化支持向量机的脑电信号模式分类方法，解决了与分类性能相关的最优参数（惩罚因子C、核函数中的参数变量）选取问题，与传统网格划分搜索最优参数的方式相比，算法效率明显提高。（4）研究了离线状态下脑电控制电动轮椅的稳健方法，给出了基于脑电信号控制电动轮椅实验平台的总体方案，以及基于单片机的电动轮椅控制器改造等，设计了脑电信号采集的实验方案，对应轮椅前进、停止、左转和右转四种控制方式，研究了右脚踩油门、左手握轮椅控制杆向后移、左脚单脚跳并双手推轮椅向左移和右手握轮椅控制杆向上移四种动作作为运动想象的模式。实验结果表明，对于C3、Cz和C4叁个通道的脑电信号，选取基于双树复小波变换能谱熵及频带复系数能量的15维特征和基于离散分数阶傅里叶变换互信息熵的72维特征组成的的联合特征向量，经过归一化和PCA降维处理后，采用粒子群算法优化支持向量机分类器进行分类，对于3类和4类纯运动场景的想象识别，平均分类正确率分别达到了75.57%和69.68%，其分类结果验证了本文所提出的基于脑电信号特征提取和模式识别算法的有效性。(本文来源于《杭州电子科技大学》期刊2012-12-01）
刘冲,颜世玉,赵海滨,王宏[5]（2012）在《多类运动想象任务脑电信号的KNN分类研究》一文中研究指出针对基于多类任务的运动想象脑电信号的特点,使用共空间模式特征提取方法分别在"一对一"和"一对多"2种特征提取方法下提取了4类任务(想象左右手、双足以及舌头)运动想象脑电信号的特征。设计了基于多类任务模式的k最近邻分类器,针对多类任务分类过程中会出现不同类别的样本点数相等的情况,通过判断距离的方法改进了分类器,对2种特征提取方法下的共空间模式特征进行分类,分类结果的平均最大Kappa系数分别达到了0.55和0.59,说明了该特征提取及分类方法对该数据集的有效性。(本文来源于《仪器仪表学报》期刊2012年08期）
戢友[6]（2012）在《多任务多类特权信息支持向量机》一文中研究指出本文提出了多任务多类特权信息支持向量机,并就支持向量机,多类分类问题,多任务学习,特权信息学习就分类问题进了讨论与研究。支持向量机是统计学习理论的一种重要实现,具有很强的学习能力与泛化性能。在线性可分情况下,支持向量机能够找到最优分类面；在线性不可分情况下,支持向量机通过引入松驰项,加入错分样本惩罚因子,找到训练集上正确率与泛化性能的折衷。针对高维空间、线性不可分问题,引入核函数,将原始特征,映射到线性空间中进行求解。支持向量机是一种两类问题分类器。应用到多类分类问题时,常用的方法有叁种：一对一,一对多,树状无回路有向图(Directed Acyclic Graph, DAG)分类法。这叁种方法都有不可避免的缺陷：一对一的多类分方法在进行分类时,只对两类进行分类,并不会利用到类别之间的信息,在有K类的情况下,需要生成K(K-1)/2个学习模型,训练时间较长；一对多的分类方式虽然利用了其他类别,但是却把其他类别当成同一负类进行处理,并不会考虑类别之间的差异性；而DAG多类分类方法而存在错误积累的情况。多类支持向量机是二类问题支持向量机的重要扩展,在考虑多类问题时,并不基于传统的二类支持向量机,而是直接将多类问题在一个目标函数中进行求解。在分类中能够同时考虑到类别之间的差异性,能够有效地利用类别之间的信息进行多类分类。在正确率、训练时间、支持向量数目等方面,多类支持向量机与传统的多类分类方法都有较强的可比性。多任务支持向量机是在传统的单任务支持向量机在多任务学习领域的重要扩展。在多任务学习中,通过将多个相似但具有差异性的任务一起学习,由于任务之间的共享的信息可以在不同的任务之间进行共享,所以多任务在多任务学习领域可以取得较好的结果。在传统的监督学习中,并没有考虑将特权信息加入到学习模型中。所谓特权信息是指人们从训练样本得出的有助于分类的信息,对于测试样本而言,这部分信息并不能通过特征提取而得到。通过将特权信息加入到支持向量机的学习过程中,与传统的支持向量机相比,能够有效地提高分类的性能。本文提出的多任务多类特权信息支持向量机是在解决多任务多类问题的同时,并将特权信息加入到多任务多类支持向量机的学习过程中。在本文中,详细地介绍了多任务多类支持向量机的推导过程。以及特权信息在多任务多类支持向量机中的应用。几个实验数据集上的结果看来,证明了本文提出的模型的有效性。(本文来源于《华东师范大学》期刊2012-03-01）
曲长征,吴向东,陈玉波,叶飞[7]（2009）在《考虑多类资源的多任务并行维修过程Petri网建模》一文中研究指出针对基本Petri网在建立多种任务共享多类资源情况下的复杂并行维修过程时存在的结构复杂化问题,应用网抽象原理,由简入繁,将库所变迁网模型逐步转化为常量弧有色网和有色网模型,由单类任务/单类资源、单类任务/多类资源模型逐步建立了考虑多类资源的多任务并行维修过程模型。采用Petri网仿真分析工具ExSpect对有色网模型进行了实例研究。结果表明:模型具有通用性,便于仿真实现。(本文来源于《装甲兵工程学院学报》期刊2009年06期）
张凯龙,周兴社[8]（2007）在《基于uClinux多类IPC的可靠嵌入式多任务软件》一文中研究指出分析了uClinux中进程管理和多类IPC的特点,研究了基于uClinux进程机制的可靠嵌入式软件的设计方法,并提出了一种基于策略的多级故障自检测与自恢复机制。实际应用证明,该机制是有效的。(本文来源于《计算机工程》期刊2007年21期）
黄玲[9]（2007）在《基于支持向量机的多类意识任务分类方法研究》一文中研究指出脑一机接口(BCI)是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道，是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新的信息交流系统。现代的脑科学研究表明，从大脑皮层的多导电极上采集得到的脑电信号(electroencephalogram, EEG)蕴含着丰富的人体生理病理信息，并能反映大脑的功能状态。研究人在不同意识状态下的EEG信号，通过对几种简单易分意识任务的EEG信号进行模式识别，形成较为复杂的控制命令，完成对轮椅、假肢等辅助设备的控制，可帮助严重行为障碍的患者与外界进行交流。然而由于脑电信号的复杂性和非平稳性，人们很难获得足够的特征数据对分类器进行训练并实现分类。统计学习理论是针对小样本估计和预测的理论，在很大程度上解决了模型选择与过学习问题、非线性和维数灾难等问题。支持向量机(support vector machine, SVM)分类器作为统计学习理论的实现方法，不仅结构简单，而且各种性能尤其是推广能力明显提高，由于它是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。所以是意识任务分类领域中一种可行的选择。虽然SVM在理论上具有很突出的优势，但在应用中存在两个关键性问题。首先，对于给定的样本，SVM分类器的性能主要受核函数及其参数的影响，因此如何选取最优的核函数及其参数是SVM分类器取得理想分类效果的关键。其次，SVM最初是针对二类别的分类提出的，要将其推广到多分类问题，需构造多类SVMs分类器。因此，本文围绕基于脑电的BCI系统中的意识任务分类问题，在特征提取与降维、核函数与核参数的选择、多类分类器设计等几个关键技术方面进行了较为深入的研究。论文首先介绍了脑电信号分类的背景、研究现状及其科学意义，统计学习理论及支持向量机算法的基本理论。为了讨论核参数的选择，本文首先研究了核参数的变化规律，然后提出了采取“粗调加细调”的方法来快速的寻找最优参数组合的方法，更适于实际应用。在对高维脑电特征向量进行降维处理时，由于特征提取是通过某种映射来达到数据压缩的目的，这种方法会破坏特征向量原有的物理意义，使得构造的新的特征向量可理解性差，不利于分类。因此本文通过特征选择对最佳电极组合和EEG特征进行了选择。为了解决多分类问题，本文在对现有的多类分类方法简要叙述的基础上，针对他们的优缺点，将基于类分布的决策树与SVM结合，提出了一种改进的支持向量机多类分类方法——基于类分布的决策树SVMs分类器。为了降低决策树“误差累积”效应的影响，用基于类分布的可分离性测度来决定决策树的走向。这种方法不但克服了传统多类SVM的“拒分”问题，而且各个分类器的参数可分别选择，有利于提高分类准确率。最后本论文将这种方法引入意识任务分类领域，通过对2005年BCI竞赛中IDIAP研究协会提供的一组数据中叁个对象、叁种不同意识任务进行分析，用该方法得到的分类最高准确率均明显高于传统多类SVMs。这证明了本文所采用方法的有效性，并为多类意识任务的识别提供了一种新的方法。(本文来源于《兰州理工大学》期刊2007-05-08）
多类任务论文开题报告
（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：
目的针对脑机接口中叁类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对叁类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对叁类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。
（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。
多类任务论文参考文献
[1].王慧林,伍国华,马满好.多类异构对地观测平台协同任务规划方法[J].航空学报.2016
[2].韩志军,杨帮华,何美燕,刘丽.脑机接口中一种多类运动想象任务识别新方法[J].北京生物医学工程.2015
[3].刘冲,王宏,赵海滨,颜世玉.基于多类运动想象任务的脑电信号分类研究[J].生物医学工程学杂志.2012
[4].何海洋.基于多类意识任务识别的电动轮椅脑电控制方法研究[D].杭州电子科技大学.2012
[5].刘冲,颜世玉,赵海滨,王宏.多类运动想象任务脑电信号的KNN分类研究[J].仪器仪表学报.2012
[6].戢友.多任务多类特权信息支持向量机[D].华东师范大学.2012
[7].曲长征,吴向东,陈玉波,叶飞.考虑多类资源的多任务并行维修过程Petri网建模[J].装甲兵工程学院学报.2009
[8].张凯龙,周兴社.基于uClinux多类IPC的可靠嵌入式多任务软件[J].计算机工程.2007
[9].黄玲.基于支持向量机的多类意识任务分类方法研究[D].兰州理工大学.2007