导读:本文包含了混合核论文开题报告文献综述及选题提纲参考文献，主要关键词:检测门限,混合核函数,SVM,MME
混合核论文文献综述
聂建园,包建荣,姜斌,刘超,朱芳[1]（2019）在《基于采样协方差矩阵的混合核SVM高效频谱感知》一文中研究指出近年来随着盲检测算法的提出,越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值,检测性能会受到影响等问题,提出了基于采样协方差矩阵的混合核函数的支持向量机(support vector machine, SVM)高效频谱感知,通过感知信号采样协方差矩阵的最大最小特征值(maximum minimumeigenvalue,MME)和协方差绝对值(covariance absolutevalue, CAV)提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器,无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法(genetic algorithm,GA)优化混合核函数的SVM的参数。实验结果表明,该方法比MME算法和CAV算法的检测概率有所提高,并且比SVM减少了感知时间,具有良好的实用性。(本文来源于《电信科学》期刊2019年11期）
李丽敏,程少康,温宗周,萧明伟,徐根祺[2]（2019）在《基于改进KPCA与混合核函数LSSVR的泥石流预测》一文中研究指出针对引发泥石流灾害的多重影响因素而导致的预测维数灾难,以及最小二乘支持向量回归(least squares support vector regression, LSSVR)模型中选取单核函数而导致的模型训练性能部分缺陷的问题,提出了一种基于改进的核主成分分析(kernel principal component analysis, KPCA)与混合核函数LSSVR的泥石流灾害预测方法.首先,将影响泥石流发生的7种初始因子赋予权重,利用加权KPCA法筛选出3个主成分影响因子作为模型输入;然后,将局部核函数与全局核函数相结合,运用到LSSVR模型上,进行泥石流发生概率预测,以平衡样本学习能力与泛化能力,并使用果蝇优化算法(fruit fly optimization algorithm, FOA)更新模型的最优参数;最后,以磨子沟监测数据进行仿真验证.结果表明,该方法能够有效地降低维数灾难并提升预测模型精确度,在误差允许范围内预测出泥石流发生概率值及对应的预警等级,为相关决策部门提供一定的借鉴经验.(本文来源于《信息与控制》期刊2019年05期）
有名辉,何振华[3]（2019）在《一个全平面上含混合核的Hilbert型不等式》一文中研究指出引入多个参数,利用正割函数的有理分式展开形式,建立了一个最佳常数因子与正割函数的偶数阶导数有关的,并定义在R×R上的Hilbert型积分不等式及其等价形式.特别地,赋予参数不同的数值,文末还建立了一些特殊的Hilbert型不等式.(本文来源于《数学的实践与认识》期刊2019年15期）
张婷慧,宇洁,叶张林,林怡[4]（2019）在《结合粒子群寻优的混合核函数极限学习机分类模型》一文中研究指出多光谱影像记录了地球上各类地物的电磁波,具有极大的信息量,对影像上相关信息的处理和提取是遥感信息应用的前提。多光谱影像的信息自动提取技术的准确性和提取速度是图像分析与理解领域永恒的研究主题。针对遥感影像信息提取的复杂性和极限学习机ELM的分类性能,在单隐层神经网络和极限学习机理论的基础上,提出了基于粒子群参数寻优的混合核函数极限学习机分类模型。与标准的ELM、支持向量机等分类模型进行比较验证,实验结果表明,混合核函数的极限学习机总体分类精度最高,达到了92.67%,有效提高了影像信息提取的精度和速度,很好地满足了图像信息自动提取对准确率和速度的双重要求。(本文来源于《测绘科学技术学报》期刊2019年01期）
唐家康[5]（2019）在《基于混合核极限学习机的标记学习研究及应用》一文中研究指出随着机器学习的发展目前有大量的机器学习算法被提出,人工神经网络(Artificial Neural Networks,ANN)就是其中的一个重点研究方向。单隐藏层神经网络又是ANN中发展最为完备使用范围最为广泛的一类算法。传统的神经网络算法例如BP神经网络(Back Propagation Neural Network)有着参数复杂,训练速度慢,对数据需求庞大的问题,而极限学习机(Extreme Learning Machine,ELM)则是对传统单隐藏层神经网络算法的扩展创新,它极大的避免了传统神经网络算法的缺陷,所以将极限学习机引入到使用传统的神经网络算法进行处理的问题中可以提升算法性能。当前随着网络使用率的提升,现在有大量互联网用户每天都在产生海量的数据,同时这些数据非常的零散,数据的信息密度和使用价值也都很低,所以这样就需要一种合适的方法来处理这些数据,标记学习就是一种性能表现良好的数据分类处理办法,它通过建立已知特征到标记的映射来处理未知数据的标记识别问题,目前已经有了大量的研究成果。核函数作为一种高效的维度空间映射方法在人工神经网络算法中有重要的应用,而基于核的极限学习机也是提升改善极限学习机性能的一种有效方法。对此本文提出将混合核极限学习机应用到多标记问题和性别标记识别问题中。基于核极限学习机的多标记学习算法能够有效提高标记分类性能,但是现有算法大都使用单一核函数,未能有效解决多标记中数据差异性问题。本文将混合核引入到极限学习机算法中,提出基于混合核极限学习机的多标记学习。首先在极限学习机中通过混合核函数将特征映射到高维空间,然后对原标记空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标记。通过与现有算法在相同数据集下进行的对比,结果表明本文算法在五个评价指标下性能优于多个对比算法,统计假设检验进一步说明本文算法的有效性,有利于多标记学习算法性能提升。目前大部分性别标记识别问题都是基于传统的神经网络算法,本文将在多标记识别中有较好表现的混合核极限学习机应用到性别标记问题中。通过LBP(Local Binary Pattern,LBP)和LPQ(Local Phase Quantization,LPQ)来提取人脸图像特征,并进行性别标记之后用这些特征和标记来训练混合核极限学习机得到预测模型。然后将未知性别标记的人脸图像同样提取特征后通过该预测模型来判断性别。通过对比其他算法在同一个公开数据集上的识别率,证明了混合核极限学习机在性别标记问题中的有效性。(本文来源于《安庆师范大学》期刊2019-06-17）
周有荣,崔东文[6]（2019）在《基于混合核SHTS-SVM的年径流预测》一文中研究指出为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。(本文来源于《水资源与水工程学报》期刊2019年03期）
胡霖[7]（2019）在《基于混合核的超球面支持向量机车牌字符识别》一文中研究指出在车牌字符识别应用中,超球面支持向量机核函数的选取一直采用单一核函数方案,存在识别正确率不高或过程较繁琐的问题。针对以上不足,将单一径向基核函数、混合核函数分别应用到超球面支持向量机的决策函数中,找到径向基核函数参数和混合核线性组合交叉概率的最优取值,提出一种超球面混合核支持向量机(MHS-SVM)。将Computational Vision研究小组数据集转换为一维矢量提取特征,采用此算法进行识别验证。试验结果表明,较已有的欧拉数特征分类和组合支持向量机,混合核方案过程简洁,具有更高的识别正确率,同时拥有较好的识别速率。(本文来源于《中国石油大学胜利学院学报》期刊2019年02期）
解红刚,解红永,杜雅君,谭富军,梁金龙[8]（2019）在《混合核函数相关向量机在污垢预测中的应用》一文中研究指出污垢的热阻反映了污垢结垢的程度,准确预测污垢热阻,为污垢监测以及污垢对策提供了重要参考依据。近年来,混合核函数相关向量机开始用于预测变压器顶层油温。将基于混合核函数的相关向量机应用到污垢预测研究中,介绍混合核函数相关向量机的基本原理,通过在线监测装置,采集样本数据,进行仿真实验。结果表明混合核函数相关向量机能准确预测污垢热阻值,相对于单一核函数相关向量机,混合核函数相关向量机的预测精度更高。(本文来源于《山东电力技术》期刊2019年04期）
钱萌,唐家康[9]（2019）在《基于混合核极限学习机的多标签学习研究》一文中研究指出为了获得更优算法,将加入混合核的极限学习机算法应用于多标签学习中。首先在极限学习机算法中通过混合核函数将特征映射到高维空间,然后对原标签空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标签情况。(本文来源于《重庆科技学院学报(自然科学版)》期刊2019年02期）
郑慢慢[10]（2019）在《基于支持向量机的混合核函数研究》一文中研究指出基于统计学习理论的机器学习算法——支持向量机,因其具有严谨的数学推导和简明易懂的算法结构,已经在线性分类问题上的理论发展趋于完备,但在核函数及其参数的选择方面至今仍没有确切的结论可以直接使用.本文主要研究了径向基核函数(RBF核函数)、多项式核函数(Poly核函数)以及改进的RBF核函数——N_RBF核函数的参数选择问题.并对上述核函数的混合形式进行了深入研究.为解决非线性支持向量机分类的难题,本文利用核函数强大的特征表达和非线性分类能力,对RBF核函数和Poly核函数的基本性质进行了详尽的介绍,解释和说明它们作为单个核函数具有的良好的分类性质.同时引入基于伸缩率的N_RBF核函数,深入研究N_RBF核函数具有的良好性质.本文首先提出了一种基于支持向量机的混合核函数方法来解决非线性分类问题.将RBF核函数与Poly核函数用线性加权和的方法进行混合得到一种新型核函数RBF_Poly核函数.RBF_Poly核函数充分结合了RBF核函数和Poly核函数作为单个核函数的优点,实验结果表明,所提的RBF_Poly核函数不仅可以有效提升预测精度,同时面对不同数据时也具备较强的泛化性.本文还提出了另一种基于支持向量机的混合核函数方法来解决非线性分类问题.将N_RBF核函数与Poly核函数用线性加权和的方法进行混合以得到另一种新型混合核函数N_RBF_Poly.N_RBF核函数能够始终保证伸缩率不小于1,克服了RBF核函数在伸缩率小于0.5时不利于分类的缺点.仿真实验表明,所提的N_RBF_Poly核函数具有优于单个核函数的分类效果.(本文来源于《华东师范大学》期刊2019-04-01）
混合核论文开题报告
（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：
针对引发泥石流灾害的多重影响因素而导致的预测维数灾难,以及最小二乘支持向量回归(least squares support vector regression, LSSVR)模型中选取单核函数而导致的模型训练性能部分缺陷的问题,提出了一种基于改进的核主成分分析(kernel principal component analysis, KPCA)与混合核函数LSSVR的泥石流灾害预测方法.首先,将影响泥石流发生的7种初始因子赋予权重,利用加权KPCA法筛选出3个主成分影响因子作为模型输入;然后,将局部核函数与全局核函数相结合,运用到LSSVR模型上,进行泥石流发生概率预测,以平衡样本学习能力与泛化能力,并使用果蝇优化算法(fruit fly optimization algorithm, FOA)更新模型的最优参数;最后,以磨子沟监测数据进行仿真验证.结果表明,该方法能够有效地降低维数灾难并提升预测模型精确度,在误差允许范围内预测出泥石流发生概率值及对应的预警等级,为相关决策部门提供一定的借鉴经验.
（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。
混合核论文参考文献
[1].聂建园,包建荣,姜斌,刘超,朱芳.基于采样协方差矩阵的混合核SVM高效频谱感知[J].电信科学.2019
[2].李丽敏,程少康,温宗周,萧明伟,徐根祺.基于改进KPCA与混合核函数LSSVR的泥石流预测[J].信息与控制.2019
[3].有名辉,何振华.一个全平面上含混合核的Hilbert型不等式[J].数学的实践与认识.2019
[4].张婷慧,宇洁,叶张林,林怡.结合粒子群寻优的混合核函数极限学习机分类模型[J].测绘科学技术学报.2019
[5].唐家康.基于混合核极限学习机的标记学习研究及应用[D].安庆师范大学.2019
[6].周有荣,崔东文.基于混合核SHTS-SVM的年径流预测[J].水资源与水工程学报.2019
[7].胡霖.基于混合核的超球面支持向量机车牌字符识别[J].中国石油大学胜利学院学报.2019
[8].解红刚,解红永,杜雅君,谭富军,梁金龙.混合核函数相关向量机在污垢预测中的应用[J].山东电力技术.2019
[9].钱萌,唐家康.基于混合核极限学习机的多标签学习研究[J].重庆科技学院学报(自然科学版).2019
[10].郑慢慢.基于支持向量机的混合核函数研究[D].华东师范大学.2019