导读:本文包含了轨迹分类论文开题报告文献综述及选题提纲参考文献，主要关键词:等腰叁角形,PEF,分类问题
轨迹分类论文文献综述
郭源源[1]（2019）在《巧构“010”分类 妙用“轨迹法”解题——谈两个顶点固定的等腰叁角形分类问题》一文中研究指出分类讨论是一种重要的数学思想方法,它能使复杂问题条理化,繁琐问题简单化,是培养学生思维严谨性和缜密性的关键,同时也是提升学生问题探究能力的重要方式.一直以来,几何中等腰叁角形的分类,因其图形的直观性和其边角特征的常用性,成为了经典分类问题,也是历届中考的热点问题之一.笔者通过自己在教学中的实践发现,学生在解决等腰叁角形分类问题时是有分类意识的,也知道从边角两个维度去分析讨论,但面对中考此类题,或因为图形复杂,或因为结果偏多,出现漏解(本文来源于《中学数学教学》期刊2019年05期）
郭源源[2]（2019）在《巧构“010”分类 妙用“轨迹法”解题——例谈两个顶点固定的等腰叁角形分类问题》一文中研究指出分类讨论是一种重要的数学思想方法,它能使复杂问题条理化,繁琐问题简单化,是培养学生思维严谨性和缜密性的关键,同时也是提升学生问题探究能力的重要方式.一直以来,几何中等腰叁角形的分类,因其图形的直观性和其边角特征的常用性,成为了经典分类问题,也是历届中考的热点问题之一.笔者通过自己在教学中的实践发现,学生在解决等腰叁角形分类问题时是有分类意识的,也知道从边角两个维度去分析讨论,但面对中考中的此类题,或因为图形复杂,或因为结果偏多,出现(本文来源于《中学数学杂志》期刊2019年10期）
任珉[3]（2019）在《基于潜分类增长模型妊娠期体重轨迹的妊娠期高血压疾病、妊娠期糖尿病和妊娠结局预测》一文中研究指出研究目的:妊娠期高血压疾病(hypertensive disorders in pregnancy,HDP)是一组与妊娠期血压升高有关的综合征,包括慢性高血压、妊娠期高血压(gestational hypertension,GH)、子痫前期(preeclampsia,PE)/子痫,以及慢性高血压合并的子痫前期/子痫,其发病率为5-10%。PE作为HDP的重要组成部分,影响全世界2-8%的妊娠,是早产和胎儿生长受限的主要原因。HDP和PE不仅会引起妊娠期女性的不良妊娠结局,也会增加这些女性分娩后远期发生高血压、糖尿病和相关心血管疾病的风险。妊娠期糖尿病(gestational diabetes mellitus,GDM)是最常见的妊娠并发症之一,在全球范围内影响16.4%的孕妇。GDM使5-6%的妊娠复杂化,增加孕妇并发症发生风险,如新生儿低血糖、巨大儿、剖宫产等。患有GDM的母亲及其后代未来发展为2型糖尿病和代谢功能异常的风险增加。患有GDM的女性患心血管疾病的风险也在增加。妊娠期增重(gestation weight gain,GWG)作为一种预测妊娠母婴长期健康结果的可改变危险因素越来越引起人们的关注。为了改善妊娠结局,2009年美国医学研究所/医学研究中心(Institute of Medicine,IOM)针对不同体重指数(body mass index,BMI)孕妇的体重控制发表了妊娠期间适当体重增加指南。但现有的GWG与妊娠并发症关联研究,大多数是关注单次体重测量或单一阶段的体重测量,这种测量不能反应妊娠期间体重变化的规律,没有考虑到体重变化在整个孕期经历的潜在影响和随着时间推移的变化情况。本研究应用潜分类增长模型(latent class growth model,LCGM)拟合妊娠人群的妊娠期体重变化的潜分类轨迹,探索妊娠期女性GWG的潜分类轨迹特征;探讨GWG潜分类轨迹与HDP及其不同亚型、GDM和妊娠结局的关系;探索GWG潜分类轨迹对HDP及其不同亚型、GDM和妊娠结局的预测价值。研究方法:(1)本研究采用前瞻性队列研究,以社区医院为基础选取调查对象。连续性纳入于2016年11月1日到2018年5月30日期间,在天津市河东区19家社区卫生服务中心进行初次孕期检查的妊娠期女性作为研究人群。由社区医生收录符合条件的妊娠期女性,纳入研究队列,填写调查问卷,进行体格检查,建立基线信息。并分别于妊娠12~(+0)±1周,16~(+0)±1周,20~(+0)±1周,24~(+0)±1周,28~(+0)±1周,对研究对象进行孕期检查,记录随访数据,主要包括:问卷调查、体格检查、实验室检查和孕检体重测量等数据。(2)本研究利用LCGM构建妊娠期12-24周和12-28周的GWG轨迹模型。分别以妊娠期12-24周和12-28周GWG轨迹和各阶段基于IOM标准的过度GWG作为预测变量,以妊娠28周后是否发生HDP及其不同亚型[包括妊娠期高血压(gestational hypertension,GH)、轻度PE(mild preeclampsia,mPE)和重度PE(severe preeclampsia,mPE)]作为结局变量,进行HDP及其不同亚型的预测研究,同时校正了混杂因素,如初检BMI、腰围、是否初产、孕妇年龄、血小板计数、白细胞计数、天门冬氨酸氨基转移酶(aspartate aminotransferase,AST)和血尿素氮(blood urea nitrogen,BUN)水平。(3)本研究利用LCGM构建妊娠期12-24周的GWG轨迹模型。分别以妊娠期12-24周GWG轨迹和各阶段基于IOM标准的过度GWG作为预测变量,以妊娠24周后是否发生GDM作为结局变量,进行GDM的预测研究,同时校正了混杂因素,如初检BMI、是否初产、孕妇年龄和空腹血糖(fasting blood glucose,FBG)水平。(4)本研究利用LCGM构建妊娠期12-24周和12-28周的GWG轨迹模型。分别以妊娠期12-24周和12-28周GWG轨迹和各阶段基于IOM标准的过度GWG作为预测变量,以分娩时妊娠结局[包括巨大儿和大于胎龄儿(large for gestational age,LGA)]作为结局变量,进行妊娠结局的预测研究,同时校正了混杂因素,如初检BMI、腰围、是否初产、孕妇年龄。结果:(1)本研究最初共纳入5809例妊娠期女性。其中697例不符合纳入标准,包括:多胎妊娠96例,既往有妊娠糖尿病史117例,既往有高血压、心脑肾疾病史168例,无12~(+0)±1周体重数据316例;共5112例进入随访队列,324例退出随访,包括:终止妊娠179例,自愿退出126例,失访19例;最终4788例有妊娠结局的孕妇纳入分析。平均年龄30.62±3.83岁,其中GDM 846例;HDP214例,包括GH 96例,mPE 42例,sPE 76例。基于初检BMI将总研究对象分为低体重孕妇组(<18.5kg/m~2,N=482)、正常体重孕妇组(18.5-24.9kg/m~2,N=3387)和超重或肥胖孕妇组(≥25.0kg/m~2,N=919)。(2)采用LCGM拟合妊娠期12-24周体重变化轨迹,确定了叁个潜分类轨迹。根据体重轨迹所处水平从低到高排序,20.84%的妊娠期女性(n=998)GWG保持稳定低值水平(命名为traj_(12-24) Low-increasing),可用一次项拟合轨迹;61.99%的妊娠期女性(n=2968)GWG保持稳定中值水平(命名为traj_(12-24)Moderate-increasing),可用二次项拟合轨迹;17.17%的妊娠期女性(n=822)GWG保持稳定高值水平(命名为traj_(12-24) High-increasing),可用一次项拟合轨迹。(3)采用LCGM拟合妊娠期12-28周体重变化轨迹,确定了叁个潜分类轨迹。根据体重轨迹所处水平从低到高排序,23.16%的妊娠期女性(n=1109)GWG保持稳定低值水平(命名为traj_(12-28) Low-increasing),可用一次项拟合轨迹;57.52%的妊娠期女性(n=2754)GWG保持稳定中值水平(命名为traj_(12-28)Moderate-increasing),可用二次项拟合轨迹;19.32%的妊娠期女性(n=925)GWG保持稳定高值水平(命名为traj_(12-28) High-increasing),可用二次项拟合轨迹。(4)GWG潜分类轨迹对HDP及其不同亚型进行预测,Logistic回归结果显示:正常体重孕妇妊娠期12-28周体重轨迹traj_(12-28_normal weight) High-increasing发生GH的风险增加(RRR=3.657,95%CI:1.297-10.314,P=0.014),多因素校正后traj_(12-28_normal weight) High-increasing发生GH的风险仍增加(RRR=6.788,95%CI:1.460-31.554,P=0.015)。上述结果提示,正常体重孕妇GWG潜分类轨迹中traj_(12-28_normal weight) High-increasing是发生GH的独立危险因素。(5)妊娠期各阶段过度GWG对HDP及其不同亚型进行预测,Logistic回归结果显示:妊娠12~(+0)-15~(+6)周过度GWG发生HDP风险增加(OR=2.378,95%CI:1.557-3.632,P<0.001),多因素校正后发生HDP风险仍增加(OR=1.947,95%CI:1.339-2.831,P<0.001)。妊娠12~(+0)-15~(+6)周过度GWG发生GH和sPE的风险增加(分别为RRR=2.696,95%CI:1.404-2.175,P=0.003;RRR=2.737,95%CI:1.343-5.580,P=0.006),多因素校正后发生GH和sPE的风险仍增加(分别为RRR=1.964,95%CI:1.006-3.836,P=0.048;RRR=2.263,95%CI:1.054-4.862,P=0.036)。上述结果提示,妊娠12~(+0)-15~(+6)周过度GWG是发生HDP的独立危险因素。(6)妊娠期各阶段过度GWG对GDM进行预测,Logistic回归结果显示:妊娠20~(+0)-23~(+6)周过度GWG发生GDM风险增加(OR=1.374,95%CI:1.142-1.654,P=0.001),多因素校正发生GDM风险仍增加(OR=1.329,95%CI:1.095-1.614,P=0.004)。上述结果提示,妊娠20~(+0)-23~(+6)周过度GWG是发生GDM的独立危险因素。(7)GWG潜分类轨迹预测妊娠结局:Logistic回归结果显示,妊娠期12-24周体重轨迹traj_(12-24) High-increasing发生巨大儿和LGA的风险增加(分别为OR=2.466,95%CI:1.738-3.498,P<0.001;OR=1.907,95%CI:1.554-2.340,P<0.001),多因素校正后发生巨大儿和LGA的风险仍增加(分别为OR=1.516,95%CI:1.050-2.191,P=0.027;OR=1.389,95%CI:1.116-1.729,P=0.003)。妊娠期12-28周体重轨迹traj_(12-28) High-increasing发生巨大儿和LGA的风险增加(分别为OR=2.424,95%CI:1.745-3.367,P<0.001;OR=1.989,95%CI:1.638-2.415,P<0.001),多因素校正后发生巨大儿和LGA的风险仍增加(分别为OR=1.449,95%CI:1.022-2.056,P=0.037;OR=1.432,95%CI:1.163-1.765,P=0.001)。上述结果提示GWG潜分类轨迹中traj_(12-24) High-increasing和traj_(12-28) High-increasing是分娩巨大儿和LGA的独立危险因素。(8)妊娠期各阶段过度GWG对妊娠结局进行预测,Logistic回归结果显示:妊娠20~(+0)-23~(+6)周和24~(+0)-27~(+6)周过度GWG发生巨大儿风险增加(分别为OR=1.765,95%CI:1.320-3.262,P<0.001;OR=1.520,95%CI:1.144-2.020,P=0.004),多因素校正后发生巨大儿风险仍增加(分别为OR=1.815,95%CI:1.346-2.448,P<0.001;OR=1.562,95%CI:1.165-2.093,P=0.003)。妊娠24~(+0)-27~(+6)周过度GWG发生LGA风险增加(OR=1.366,95%CI:1.163-1.604,P<0.001),多因素校正后发生LGA风险仍增加(OR=1.521,95%CI:1.284-1.802,P<0.001)。上述结果提示,妊娠20~(+0)-23~(+6)周和24~(+0)-27~(+6)周过度GWG是发生巨大儿的独立危险因素,妊娠24~(+0)-27~(+6)周过度GWG是发生LGA的独立危险因素。结论:(1)本研究通过应用LCGM潜分类增长模型,发现初检正常体重孕妇使用妊娠期12-28周体重潜分类轨迹,能够对妊娠28周后GH进行早期预测,提示妊娠期体重潜分类轨迹是一种可用于孕妇GH危险分层的新方法。(2)本研究通过应用LCGM潜分类增长模型,发现妊娠期12-24周和妊娠期12-28周体重潜分类轨迹,能够对分娩巨大儿和LGA进行早期预测,提示妊娠期体重潜分类轨迹是一种可用于孕妇分娩巨大儿和LGA危险分层的新方法。(本文来源于《天津医科大学》期刊2019-05-01）
关博[4]（2019）在《武术文化研究四十年:轨迹、逻辑与趋势——以文化类型分类基于CNKI数据库分析》一文中研究指出根据文化类型进行分类,在对40年来武术文化研究成果进行整体梳理的基础上,揭示武术文化研究的轨迹、逻辑与趋势。认为:武术文化研究具有较高的关注度,研究成果呈现增长趋势,"武术文化"研究的政策报告类或者问题导向类研究占有了较高的比例;在研究层次上"基础研究"占据主导地位;体育院校作为主要研究机构,基金资助为武术文化研究注入了动力。对武术文化研究成果进行梳理发现:武术文化的本质定位、结构划分以及概念归属呈现多元化发展趋势;武术精神的凝练依附于中华传统文化,武术文化精神的研究受到社会变迁与文化冲突双重变量的影响;武术制度文化研究视域广阔,研究成果呈现具象化、理论视域交叉化趋向;整体上来看武术物质文化遗存研究滞后于非物质文化研究;全球化背景下武术文化的冲突与融合研究价值凸显。在未来的武术文化研究中武术文化研究趋向多学科交叉态势,武术文化传承人与武术文化的现代性等问题的研究价值将进一步凸显,武术文化的族群认同与武术文化创意产业等相关研究主题日益重要,"乡村振兴""体医结合"战略背景之下的武术文化研究面临新的机遇和挑战。(本文来源于《体育与科学》期刊2019年01期）
王丽君[5]（2019）在《分类例析利用轨迹求动态几何最值》一文中研究指出几何最值问题近年来颇受各地中考命题者的青睐,形式多样,并有拓宽和加深的趋势.这类问题涉及知识面广,综合性强,是对学生分析问题和解决问题能力的极大挑战.动态几何最值可谓是难点中的难点,此类试题的特点是:在几何图形上,有一动点("主动点")在确定的图形上运动,带动与主动点关联的图形随之运动,进而引发关联图形上的点("从动点")运动.在初中阶段,这类从动点运动轨迹一般为直线型和弧线型两种,教师在教学过程中,需要引导学生学会根据题(本文来源于《初中数学教与学》期刊2019年02期）
蔡伟[6]（2018）在《基于潜分类增长模型孕期血压轨迹和胎盘源性标志物的子痫前期预测》一文中研究指出研究目的:妊娠期高血压疾病(Hypertensive Disorders in Pregnancy,HDP)在孕妇中的患病率为5-10%,是目前全球孕产妇和胎儿死亡的重要原因之一。HDP不但导致妊娠不良结局,也是母子两代心血管和代谢性疾病的危险因素。HDP的疾病谱较窄,其主要特征是血压升高,根据血压、蛋白尿及靶器官损伤情况进一步分为妊娠期高血压(gestational hypertension,GH)、慢性高血压、子痫前期(preeclampsia,PE)/子痫,以及慢性高血压合并PE/子痫。PE是HDP中最重要的类型,在高血压的基础上出现蛋白尿和/或靶器官损伤,约占HDP患病人数的一半以上。PE是一种机制尚未阐明的胎盘源性疾病,一旦诊断,唯一的有效的治疗方法是胎盘的娩出。早期预测是预防诊治PE的关键环节。目前虽已有很多的PE预测模型相关研究和验证工作,主要利用孕妇人口学特征、临床表现和血清生物标志物构建预测模型;但其预测效能有限,且这些模型主要基于欧美等国家的白种人构建,是否适用于我国人群尚无定论。此外,对于PE的预测,目前已发现多种胎盘衍生的生物学标记物,但由于预测效能不高,尚未常规用于临床。本研究团队前期应用潜分类增长模型(latent class growth model,LCGM),在血压正常且无并发症的孕妇中,发现特征性血压轨迹与孕晚期血压水平的过度升高有关,并且与产后代谢综合征发病风险增加有关。近期的基础研究显示Elabela(ELA)作为一种新的胎盘源性因子,在PE的发生发展中起着关键的作用。然而ELA对PE的预测价值尚未在大型前瞻性队列中得到验证。本研究利用课题组在天津地区建立的一个孕早期前瞻性队列,招募入组孕早期女性(平均孕12周),利用LCGM纵向分析在各社区医院定期获得的孕期血压(blood pressure,BP)数据,探索妊娠期间BP潜分类轨迹与未来PE风险之间的联系;并在此前瞻队列中通过巢式病例对照设计,检测PE患者发病前孕早期血清中的ELA水平,结合孕妇人口学特征和临床常规实验室指标,构建PE的早期预测模型,同时与其他基于胎盘生物标记物的预测模型进行检验效能的比较。内容与方法:(1)本研究以前期在天津市19个社区医院招募的孕早期女性队列为基础,研究对象入组时间开始于2016年11月1日;至2018年5月30日已有妊娠结局者为5809例。本研究排除了249例孕产妇(其中,42例在20周出现妊娠终止;22例入组后自愿退出本研究;25例无孕早期生物学样本;23例在研究过程中失访;41例慢性高血压患者;96例双胎妊娠孕妇),最终纳入5560例单胎妊娠孕妇的资料进行分析,包括妊娠期高血压106例,轻度PE 45例,重度PE 83例。(2)利用天津市妇女儿童保健系统结合问卷调查,采集孕28周前五个阶段(即12周、16周、20周、24周和28周)的孕检数据纳入分析,主要包括:入组基本信息问卷、体格检查、常规实验室检查和定期产检的血压、体重测量、实验室检查等数据。(3)本研究利用LCGM建立收缩压(systolic blood pressure,SBP)、舒张压(diastolic blood pressure,DBP)的潜分类轨迹模型;分别以SBP轨迹、DBP轨迹和各阶段血压值作为预测变量,以妊娠28周后至分娩时是否发生PE作为结局变量,进行PE的预测研究;本研究同时校正了PE组与非PE组之间存在显着差异的其他指标,如初检时的体重指数(body mass index,BMI)、是否初产妇、常规的实验室检查包括白细胞计数、血红蛋白水平、血小板计数以及谷丙转氨酶(alanine aminotransferase,ALT)水平。(4)在前瞻队列基础上进行巢式病例对照研究设计:本研究检测了128例PE孕妇和88例非PE且无围产期不良事件孕妇的孕早期(均数为孕12周)血清中ELA水平,同时以28周后是否发生PE作为结局变量,以血清ELA的水平、初检BMI、孕12周血压水平以及是否初产妇等作为预测变量,构建预测模型。(5)本研究检测了其他常见的胎盘源性生物标志物Apelin、sFlt-1、PlGF等的血清水平,并联合上述结局变量、预测变量分别建立PE预测模型,并与联合ELA的预测模型进行效能比较。分别应用C-statistic和Hosmer-Lemeshow test进行预测模型的判别和校正能力的评价。模型效能的内部验证采用bootstrapping重复举证法,在分析数据库中随机抽取1000例样本进行验证。结果:(1)采用LCGM拟合血压动态变化(从孕12周至孕28周)后,确定了SBP的四个潜分类轨迹。按照SBP血压轨迹所处的血压水平由高到低排序,四个SBP轨迹包括:线性拟合轨迹(总人数7.6%,命名为SBP_traj_4),叁次方拟合轨迹(占总人数35.1%,命名为SBP_traj_3),二次方拟合轨迹(占总人数48.4%,命名为SBP_traj_2),以及只用常数项的轨迹(占总人数8.8%,命名为SBP_traj_1)。(2)SBP潜分类轨迹预测PE的结果:Logistic回归显示,SBP潜分类轨迹对应的血压水平越高,PE发生的风险越高;因SBP_traj_1中无PE病例出现,故将轨迹1和2合并作为基线参比人群;SBP_traj_4发生PE的OR值为6.678,(95%CI:4.106-10.861,P<0.001),SBP_traj_3的OR值为2.368(95%CI:1.583-3.542,P<0.001);在校正了初检BMI、是否初产妇、白细胞计数、血红蛋白水平、血小板计数和ALT水平等混杂因素后,SBP_traj_4的OR值为4.023(95%CI:2.368-6.835,P<0.001),SBP_traj_3的OR值为1.854(95%CI:1.223-2.811,P=0.004)。上述结果提示SBP潜分类轨迹中SBP_traj_3和SBP_traj_4是发生PE的独立危险因素。(3)采用LCGM拟合血压动态变化(从孕12周至孕28周)后,确定了DBP四个潜分类轨迹。按照DBP血压水平由高到低排序,四种DBP血压轨迹包括:常数项拟合轨迹(占总人数13.1%,命名为DBP_traj_4),二次方拟合轨迹(占总人数24.7%,命名为DBP_traj_3),二次方拟合轨迹(占总人数16.4%,命名为DBP_traj_2),以及线性拟合轨迹(占总人数45.8%,命名为DBP_traj_1)。值得注意的是DBP_traj_2组与DBP_traj_3组在孕22周时相交叉,并在此后逐渐升高超过DBP_traj_3组。(4)DBP潜分类轨迹预测PE的结果:Logistic回归显示,以DBP_traj_1为参比组,DBP_traj_4发生PE的OR值为4.100(95%CI:2.571-6.538,P<0.001),DBP_traj_3的OR值为1.582(95%CI:0.970-2.578,P=0.066),DBP_traj_2的OR值为2.632(95%CI:1.570-4.414,P<0.001);在校正了初检BMI、是否初产妇、白细胞计数、血红蛋白水平、血小板计数和ALT水平等混杂因素后,DBP_traj_4的OR值为2.527(95%CI:1.534-4.162,P<0.001),DBP_traj_3的OR值为1.297(95%CI:0.790-2.128,P=0.303),DBP_traj_2的OR值为2.238(95%CI:1.328-3.772,P=0.002)。上述结果提示DBP潜分类轨迹中DBP_traj_2和DBP_traj_4是发生PE的独立危险因素。(5)巢式病例对照研究:用于构建PE预测模型的候选预测变量主要包括3部分,1)生物标志物(孕12周血清中ELA、sFlt-1及sFlt-1/PlGF比值);2)血压水平(主要为12周SBP;因12周DBP的ROC曲线下面积PE和非PE组间未出现显着性差异,故未纳入候选预测变量)以及3)孕妇人口学特征(初检BMI和是否初产妇)。基线模型为仅包括12周SBP和孕妇人口学特征的预测变量。与基线模型相比较,联合ELA的模型能显着提高模型的辨别能力(C-statistic:Elabela模型0.791 vs.基础模型0.696,P=0.0028)。(6)与联合了其他生物学标志物的模型比较,无论是sFlt-1还是sFlt-1/PlGF比值,联合了ELA的模型均优于其他两个模型(C-statistic:Elabela模型0.791 vs.sFlt-1模型0.706,P=0.0108;Elabela模型0.791 vs.sFlt-1/PlGF模型0.709,P=0.0133)。(7)采用ROC曲线分析确定了ELA的最佳截断值为>2.13ng/mL,并采用ELA的二分变量进行模型构建,该模型具有良好的判别能力(C-statistic 0.747,P<0.001)和校正效果(Hosmer-Lemeshow test,F=8.51,P=0.385);此外,模型的效能在采用bootstrapping重复举证法后进一步的得到了内部验证。结论:(1)本研究在大型前瞻性队列中,通过应用LCGM潜分类增长模型,发现使用孕12周至孕28周的血压潜分类轨迹,能够对孕28周后PE进行早期预测,提示孕期血压潜分类轨迹是一种可用于孕妇PE危险分层的新的方法。(2)本研究证实了孕早期循环ELA水平能够预测孕28周后PE的发生,具有潜在的临床应用价值。上述基于潜分类增长模型孕期血压轨迹和胎盘源性标志物的PE预测尚需在其他研究中通过外部验证进一步证实其临床有效性。(本文来源于《天津医科大学》期刊2018-11-01）
刘磊,初秀民,蒋仲廉,钟诚,张代勇[7]（2018）在《基于KNN的船舶轨迹分类算法》一文中研究指出提出基于KNN(K-Nearest Neighbor)的船舶轨迹分类算法:对轨迹间平均距离、航速距离及航向距离进行融合,构成船舶轨迹间综合距离;通过船舶轨迹初步聚类,得到KNN分类样本轨迹;将综合距离作为KNN分类中轨迹间的距离,最终实现船舶轨迹分类.以长江航道武汉段2017年5月的船舶AIS数据为基础,开展基于轨迹间平均距离、豪斯托夫(Hausdorff)距离以及综合距离的船舶轨迹分类验证.结果表明:轨迹点较多时,轨迹间平均距离较Hausdorff距离具有更好的适用性,且基于KNN的分类方法具有较好的实验结果,可有效应用于实际船舶轨迹分类中.(本文来源于《大连海事大学学报》期刊2018年03期）
曹卫权,李智翔,魏强,褚衍杰[8]（2018）在《基于区域分布概率密度估计的轨迹分类方法》一文中研究指出区域分布是运动目标的重要特征,可用于目标轨迹分类。已有分类方法往往假设轨迹片段呈矩形簇状或混合高斯状分布,限制了轨迹分类精度的提升。为此,提出一种基于核密度估计和最大似然判决的轨迹分类方法,消除已有分类方法对数据分布模型的先验假设,进而解决因模型不适配导致的轨迹分类准确率受限问题。实验结果表明,相较于最小描述长度划分、高斯混合模型等方法,该方法对参数不敏感,训练时间明显缩短,轨迹分类准确率提升5%~15%。(本文来源于《计算机工程》期刊2018年04期）
刘高军,杨佳放[9]（2018）在《一种基于深度学习与排列熵的交通轨迹模式分类方法》一文中研究指出针对交通模式识别的问题,本文提出一种基于交通轨迹速度与角度变化有序程度的排列熵特征,利用新增排列熵特征属性进行轨迹交通模式分类.通过对GeoLIfe数据的预处理与特征提取,在获得轨迹基本属性的基础上提取出轨迹速度与角度的排列熵,通过深度神经网络进行训练、分类.实验表明该方法分类准确率有一定提高,说明排列熵属性对识别交通轨迹类别是有效的,可提高轨迹模式识别的准确性.(本文来源于《北方工业大学学报》期刊2018年02期）
黄冰雪[10]（2018）在《基于轨迹分析模型的MSM人乳头瘤病毒感染风险分类及影响因素分析》一文中研究指出目的:使用轨迹分析模型(Group-based trajectory modeling,GBTM)将艾滋病病毒(Human immunodeficiency virus,HIV)阴性的男男性行为人群(Men who have sex with men,MSM)人乳头瘤病毒(Human papillomavirus,HPV)感染风险进行分类,并分析不同风险亚组的影响因素。方法:2016年3月1日至2016年12月31日,采用滚雪球法招募MSM作为研究对象,以其入组时间为基准,每6个月进行一次随访。基线与随访均进行问卷调查、HPV检测与HIV检测,使用调查问卷收集人口学及性行为特征数据,调查员使用棉拭子采集肛管脱落细胞以检测HPV,同时使用2支采血管分别采集3ml血液标本以初筛及确诊HIV感染。HPV感染状态易变化,呈多种感染类型,本研究使用GBTM拟合不同HPV感染类型的感染率变化趋势,在此基础上将研究对象归类。不同型别HPV的累计感染数量作为因变量(y),随访次数作为自变量(x)构建GBTM,分别模拟将研究对象分为1个、2个、3个及4个亚组时的感染率变化轨迹;使用贝叶斯信息准则(BIC)、贝叶斯因子对数值(2log_e(B_(10)))、平均验后概率(AvePP)3个评价指标判断不同亚组GBTM的拟合效果,直至选出最优模型。结果:基线共有500名合格的HIV阴性的MSM,截止2017年9月30日,MSM随访最多3次,最少1次。综合BIC、2log_e(B_(10))与AvePP 3个评价指标,HPV感染类型和各类型感染率的变化趋势,以及模型简约原则,最终将研究对象分为3个亚组时模型拟合效果最佳。3组轨迹模型中的第1亚组由HPV持续阴性与感染清除的个体组成,占44.6%(161/361),HPV感染率呈下降趋势,定义为低危(Low risk,LR)组;第2亚组由HPV持续阳性、新发感染与其他情况的个体组成,占49.6%(179/361),HPV感染率呈平稳趋势,定义为中危(Moderate risk,MR)组;第3亚组由HPV持续阳性的个体组成,占5.8%(21/361),HPV感染率呈上升趋势,定义为高危(High risk,HR)组。以LR组作为对照组,经多分类Logistic回归分析,MR组的危险因素包括被插入式肛交性行为(AOR:2.25,95%CI:1.36-3.70)、过去6个月的肛交中不能坚持使用安全套(AOR:1.91,95%CI:1.16-3.15)、过去一年与男性发生商业性行为(AOR:3.62,95%CI:1.13-3.70)和成瘾物质使用史(AOR:1.80,95%CI:1.07-3.04);HR组的危险因素包括被插入式肛交性行为(AOR:2.82,95%CI:1.03-7.70)、过去6个月的肛交中不能坚持使用安全套(AOR:3.84,95%CI:1.38-10.64)、和曾患有其它STIs(AOR:5.23,95%CI:1.30-21.10)。结论:GBTM能有效将MSM HPV感染状态变化趋势分类并将其可视化,本研究将调查对象分为3个亚组时模型拟合效果最佳。(本文来源于《新疆医科大学》期刊2018-03-01）
轨迹分类论文开题报告
（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：
分类讨论是一种重要的数学思想方法,它能使复杂问题条理化,繁琐问题简单化,是培养学生思维严谨性和缜密性的关键,同时也是提升学生问题探究能力的重要方式.一直以来,几何中等腰叁角形的分类,因其图形的直观性和其边角特征的常用性,成为了经典分类问题,也是历届中考的热点问题之一.笔者通过自己在教学中的实践发现,学生在解决等腰叁角形分类问题时是有分类意识的,也知道从边角两个维度去分析讨论,但面对中考中的此类题,或因为图形复杂,或因为结果偏多,出现
（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。
轨迹分类论文参考文献
[1].郭源源.巧构“010”分类妙用“轨迹法”解题——谈两个顶点固定的等腰叁角形分类问题[J].中学数学教学.2019
[2].郭源源.巧构“010”分类妙用“轨迹法”解题——例谈两个顶点固定的等腰叁角形分类问题[J].中学数学杂志.2019
[3].任珉.基于潜分类增长模型妊娠期体重轨迹的妊娠期高血压疾病、妊娠期糖尿病和妊娠结局预测[D].天津医科大学.2019
[4].关博.武术文化研究四十年:轨迹、逻辑与趋势——以文化类型分类基于CNKI数据库分析[J].体育与科学.2019
[5].王丽君.分类例析利用轨迹求动态几何最值[J].初中数学教与学.2019
[6].蔡伟.基于潜分类增长模型孕期血压轨迹和胎盘源性标志物的子痫前期预测[D].天津医科大学.2018
[7].刘磊,初秀民,蒋仲廉,钟诚,张代勇.基于KNN的船舶轨迹分类算法[J].大连海事大学学报.2018
[8].曹卫权,李智翔,魏强,褚衍杰.基于区域分布概率密度估计的轨迹分类方法[J].计算机工程.2018
[9].刘高军,杨佳放.一种基于深度学习与排列熵的交通轨迹模式分类方法[J].北方工业大学学报.2018
[10].黄冰雪.基于轨迹分析模型的MSM人乳头瘤病毒感染风险分类及影响因素分析[D].新疆医科大学.2018