导读:本文包含了机器分解论文开题报告文献综述及选题提纲参考文献，主要关键词:调光电机装置,异音识别,机器学习,支持向量机
机器分解论文文献综述
张新,郑燕萍,Antoine,AUGEIX,郑晓娇[1]（2019）在《基于小波包分解与机器学习的汽车调光电机异音识别》一文中研究指出为实现汽车调光电机装置异音检测的自动化,本文采用机器学习的方法开展产品异音识别研究。在分析确定产品异音来源的基础上,采集正常件和异音件的振动信号,利用小波包分解,结合时频域分析,在能量谱和时域特征中提取10个特征向量,基于BP神经网络对200个信号样本进行机器学习分类。并对20个样件进行试验,识别汽车调光电机异音的正确率达到96.7%。研究表明,采用机器学习的方法能够有效地识别电机异音,此研究具有工程应用价值。(本文来源于《森林工程》期刊2019年01期）
束润东[2]（2018）在《基于交互式定理证明工具Coq构建的近世代数理论》一文中研究指出近世代数是现代科学的一个重要基础分支。简单地说,近世代数是研究代数系统(带有一些运算的集合)的学科,它以研究数字、文字和更一般元素的代数运算的规律及各种代数结构——群、环、域是其最基本的叁种代数结构——的性质为中心问题。由于近世代数贯穿于各种科学理论与应用问题,也由于代数结构及其元素的一般性,近世代数学已成为当今数学、物理及计算机科学等多个科学领域的基本工具和语言。随着计算机科学的迅猛发展,特别是交互式定理证明辅助工具Coq的出现,近年来数学定理的形式化证明研究取得了长足的进展。近些年来越来越多的研究人员使用Coq来证明数学定理,Coq本身也由此迅速发展。本文的主要贡献如下:·利用交互式定理证明工具Coq构建了近世代数的基础理论。整个近世代数系统由朴素集合论出发,首先构建了集合、映射等一系列基础概念,并在集合上增加运算,引入了代数系统的概念,讨论群、环、域的性质,进而给出了整环的因式分解定理证明的Coq实现。·主理想环因式分解定理是近世代数中的重要内容,该定理由整环出发,阐述了整环和唯一分解环之间的关系,在很多领域都得到了深刻的应用。本文利用交互式定理证明工具Coq,给出近世代数中主理想环因式分解定理的机器证明,全部证明过程由Coq代码完成,体现了基于Coq的数学定理机器证明具有可读性、智能性的特点,其证明过程规范、严谨、可靠。(本文来源于《北京邮电大学》期刊2018-03-02）
陈正扬,李亮[3]（2017）在《利用机器学习进行能谱CT多材料分解》一文中研究指出能谱计算机断层成像可以对被测物体进行多能区的重建,因此可以被用于进行多材料分解,把重建得到的线衰减系数信息转变为物体内部基材料的分布。然而,传统的图像域材料分解算法只基于局部像素,对重建图像的质量要求很高。对此,本文提出一种卷积材料分解算法,训练神经网络使其找到材料分解的模式。通过一组实验表明,神经网络在基材料线衰减系数十分接近,重建图像环状伪影严重的情况下,仍然能得到较好的分解结果。对比传统的直接逆变换法,卷积材料分解法将分解的均方误差减少了96.9%。(本文来源于《第十五届中国体视学与图像分析学术会议论文集》期刊2017-11-01）
王昭[4]（2015）在《基于目标分解与机器学习的极化SAR图像地物分类》一文中研究指出极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)采用不同极化工作方式,通过交替发射与接收雷达信号,能够得到一个与目标相关的2×2复矩阵,这个矩阵反应了目标的幅度信息、相位信息和散射信息等。因而,极化SAR成为一种重要的对地和对空观测手段。目前为止,极化SAR系统在目标识别领域和图像解译方面有着非常广泛的应用,包括城市规划、资源勘探、灾情监测、目标检测、植被生长、军事目标精准打击等。在遥感图像解译和信息处理领域,地物分类已经成为世界各国学者研究的一大热门课题,但我国还处于遥感图像解译的初级阶段。本文从地物目标的特征提取和地物目标分类这两个重要方面开展工作,所做的主要内容如下:(1)对极化SAR系统的应用及其价值进行分析和研究。详细介绍了极化SAR图像分类的理论基础、发展史;同时指出了极化SAR图像分类将会面临的严峻考验。(2)提出了一种基于极化目标分解和支持向量机(Support Vector Machine,SVM)的极化SAR图像地物分类方法。针对传统分类方法只能使用单一特征进行分类的缺点,采用Cloude分解得到叁种散射特征、Freeman分解得到四种特征,选择好训样样本和测试样本之后,进行对SVM的训练。当训练完成之后对整幅图进行预测与分类。实验仿真结果表明,该方法简单高效,具有较高的分类精度,使用组合特征比单一特征的准确率要高出6.5%左右。(3)提出了一种基于极化目标分解和极限学习机(Extreme Machine Learning,ELM)的极化SAR图像地物分类方法,本方法主要针对传统机器学习训练时间长、网络设置参数复杂的缺点。学习速度快、训练时间少,同时还能拥有不错的准确率是ELM的最大特点。通过仿真实验,表明ELM学习算法确实比SVM的学习速度快很多,而且ELM的准确率只比SVM稍微低一点点。(本文来源于《西安电子科技大学》期刊2015-12-01）
沈叶峰[5]（2015）在《基于ELM与非负矩阵分解的机器学习算法研究》一文中研究指出极限学习机(Extreme Learning Machine,ELM)在机器学习领域上是一种极具竞争力的学习算法，它结构简单，学习速度很快，与传统的检测技术支持向量机(Support Vector Machine,SVM)相比，在实际的检测中能更加准确高效的识别错误。另外，仿真结果显示，ELM有很强的扩展性，泛化能力也较好，因而在很多领域都有其相关应用。而Adaboost(Adaptive Boosting)是一种最流行的分类器集成算法，意在提高分类的传统性能。传统的分类算法往往只针对于两类问题的处理，如支持向量机。虽然也有一些针对多分类问题的算法，但通常计算的复杂度较高或者算法的识别准确性不是很好。但到目前为止很少有将ELM与Adaboost相结合直接用于处理多分类问题的算法。鉴于此，本文提出了一个将ELM作为基础分类器，以多类Adaboost算法为核心，并结合基于人脸识别的局部二值模式算法（Local BinaryPattern,LBP），用于处理多类人脸图像识别的问题。在实验中证明本算法较原始ELM算法的有效性。另一方面，随着信息技术的高速发展，随之而来的是大量复杂的高维数据。它们的日益剧增无疑给机器学习带来了挑战。而非负矩阵分解(Nonnegtive MatrixFactorization,NMF)是一个高效的降维方法，也在很多领域有其应用。在学习了目前所存在的各种有效的NMF算法之后，本文提出了一个新的算法，在原有的NMF基础上添加了正交非单位化以及图正则约束两个条件，并在理论和实际数据的测试中对算法进行证明。鉴于Qing He所提出的将NMF与ELM相结合的算法可以有效的减少数据降维的计算量，本文也试着将提出的算法与ELM算法相结合，针对实际情况做了一定的测试。实验结果表明，这种结合的方式在不同的隐藏节点数下，在很大程度上提高了算法的性能，具有一定的参考价值。(本文来源于《杭州电子科技大学》期刊2015-03-01）
罗磊[6]（2013）在《形状分解和基于机器学习的图像检索技术研究》一文中研究指出随着成像传感器技术和互联网技术的飞速发展，人们的日常生活中充斥着各式各样的图像信息。如何有效地组织和管理海量信息，快速检索用户感兴趣的图像成为一个迫切的需求。然而图像底层特征和用户上层理解之间的语义鸿沟严重制约了基于内容图像检索的性能。论文围绕弥补语义鸿沟这一目的，从两个方面对图像检索技术开展研究：第一个部分研究图像形状特征中的形状分解基本问题；第二部分研究基于机器学习的图像哈希、分类和相似度分析技术。主要工作和创新如下：(1)提出实现认知心理学中最短割规则的二维形状分解模型。最短割规则指出，在其它条件相同的情况下，人类视觉系统偏好于使用较短的割来分解形状。论文提出实现该心理学规则的计算模型并用于二维形状分解，能够得到符合人类视觉感知的形状分解结果。此外还以心理学实验结果为基础，提出一种定量的形状分解客观评价标准，解决了以往形状分解算法仅依靠少数示例进行主观评价的问题。(2)提出最大方差图像哈希方法。首先分析图像哈希的本质是将高维的图像特征映射成低维的汉明码。然后从非线性降维中的最大方差展开方法出发，提出最大方差哈希目标函数，主要思想是在保持训练样本局部几何结构的同时最大化散列码的方差。之后提出该目标的列生成优化求解算法，并针对大训练样本集下邻域图构造困难的问题，提出基于锚点的改进算法。在图像检索实验中的应用表明该方法消除了不相关样本散列码的聚集问题，能在一定程度上保持图像数据集的流形结构。(3)提出一种单一编码的多分类boosting算法。传统方法通常将多类别分类问题分解为若干个二类问题的组合，所需二值分类器的数量与类别数相关。针对该问题，结合单一编码和最小二乘支持向量机技术，提出单一编码的多分类优化目标。然后以弱分类器组合作为核函数，采用boosting的迭代方法进行求解。算法在图像数据集上的分类正确率较高，训练时间对类别数不敏感。(4)提出一种多特征融合的相似度传播算法。线性多特征融合方法容易导致有用特征被背景淹没，针对该缺陷提出局部线性组合方法：先构建不同特征下训练集的k邻域图，并将非相邻边的相似度置0，然后再进行融合，最后在得到的稀疏图上进行相似度传播以挖掘训练样本集的结构信息。在MPEG-7形状数据库上采用该方法进行“牛眼测试”，首次获得100%的“牛眼分数”。(5)针对图像检索相关学习算法中邻域参数选择的困难，提出一种自适应邻域选择算法。其实质是一个自适应的邻域，邻域半径由加权初始邻域的支配集决定。在图像检索问题中，该方法能够提供与人工试错法得到的最优参数可比的性能。(本文来源于《国防科学技术大学》期刊2013-04-01）
祝帅[7]（2013）在《基于可扩展分解机器的搜索广告点击率预估》一文中研究指出搜索广告通过用户的检索行为触发广告的生成,是目前互联网流量变现的主要模式之一。搜索引擎一般按照广告的点击率(Click-Through-Rate, CTR)和广告的出价之积来筛选广告,其中CTR预估是核心问题之一,它对搜索引擎的收入和用户的体验都有重大影响,点击模型是预估CTR的主要方式。但是,由于搜索广告数据量大,特征维度高且长尾现象明显,目前大多数点击率预估系统无法高效的在如此大量的稀疏且高维的数据上准确预估CTR。因此设计恰当的特征体系,建立高效可扩展的点击模型,并且利用在线优化算法快速迭代成为急需解决的叁个问题。本文的主要工作如下：1.提出点击率预估特征设计原则,基于此提出五组特征,包括从用户,广告,以及环境叁个维度,由单特征到组合特征,统计特征等多粒度的特征集合；2.设计了用作点击模型的可扩展分解机器SFM,利用维度树结构将分解机器所基于的切片张量分解重构成层次切片分解。由于利用了层次结构,不仅模型的空间复杂度大大下降而且方便了在线算法的设计,此外,借助于分解模型,模型能在长尾数据上更准确的预估参数,利用proximal gradient方法,在线工作集优化算法能更快收敛。3.基于真实搜索广告日志数据进行了叁组实验来模拟线上CTR的预估,结果表明,CTR特征体系能够有效提升模型对搜索广告点击率预估的准确度,SFM相比FM能够有效降低模型的存储空间,online策略的工作集算法比batch策略能更快的收敛到局部最优解,在点击率预估方面,SFM在高频和长尾搜索日志数据上的CTR预估准确度以及排序能力均于好于作为基线模型的分解机器,Logistic Regression模型和User Browsing模型。(本文来源于《浙江大学》期刊2013-01-01）
关静,唐立新,宋国骄[8]（2009）在《两台流水机器协调分解调度问题》一文中研究指出研究钢管加工流程中一类新型两台机器流水车间调度问题,工件在第一台机器上加工后被分解成多个子工件.对于最小化最大完成时间的情况,给出一个多项式时间的最优算法;对于最小化最大完成时间与惩罚费用之和的情况,给出一个拟多项式时间的动态规划算法;对于考虑生产前运输的最小化最大完成时间的情况,分析了问题的复杂性.证明了第一种情况的最优算法可作为后两种情况的2-近似算法.数值实验表明了算法的有效性.(本文来源于《控制与决策》期刊2009年01期）
薛拾贝,席裕庚[9]（2008）在《用蚁群算法求解Job-Shop问题的机器分解方法》一文中研究指出针对生产调度中Job-Shop问题,蚁群算法在求解Job-Shop问题时有计算量大的缺点,为了提高求解效率,将机器分解方法引入蚁群算法。机器分解方法在每次迭代中蚂蚁仅在子图中构造部分解,并与上次迭代中其他机器上的顺序共同构成本次解,提高了蚁群算法求解Job-Shop问题的效率。并且在算法中提出了一种新的状态转移规则和设计了蚂蚁起点位置的方法。通过在Benchmark算例上的仿真,与原有的一类集中式求解的蚁群算法作了比较,结果显示改进后的算法取得了较好的结果,大大缩短了计算时间,说明机器分解方法的有效性。(本文来源于《计算机仿真》期刊2008年11期）
李永彬[10]（2000）在《几何定理机器证明的扩WE分解算法》一文中研究指出在 WR分解算法的基础上发展了辗转伪除法的理论 ,该方法通过计算扩伪余式确定适合的因式来分解升列 ,较 WR分解算法更有效地提高了定理机器证明效率 .(本文来源于《四川大学学报(自然科学版)》期刊2000年03期）
机器分解论文开题报告
（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：
近世代数是现代科学的一个重要基础分支。简单地说,近世代数是研究代数系统(带有一些运算的集合)的学科,它以研究数字、文字和更一般元素的代数运算的规律及各种代数结构——群、环、域是其最基本的叁种代数结构——的性质为中心问题。由于近世代数贯穿于各种科学理论与应用问题,也由于代数结构及其元素的一般性,近世代数学已成为当今数学、物理及计算机科学等多个科学领域的基本工具和语言。随着计算机科学的迅猛发展,特别是交互式定理证明辅助工具Coq的出现,近年来数学定理的形式化证明研究取得了长足的进展。近些年来越来越多的研究人员使用Coq来证明数学定理,Coq本身也由此迅速发展。本文的主要贡献如下:·利用交互式定理证明工具Coq构建了近世代数的基础理论。整个近世代数系统由朴素集合论出发,首先构建了集合、映射等一系列基础概念,并在集合上增加运算,引入了代数系统的概念,讨论群、环、域的性质,进而给出了整环的因式分解定理证明的Coq实现。·主理想环因式分解定理是近世代数中的重要内容,该定理由整环出发,阐述了整环和唯一分解环之间的关系,在很多领域都得到了深刻的应用。本文利用交互式定理证明工具Coq,给出近世代数中主理想环因式分解定理的机器证明,全部证明过程由Coq代码完成,体现了基于Coq的数学定理机器证明具有可读性、智能性的特点,其证明过程规范、严谨、可靠。
（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。
机器分解论文参考文献
[1].张新,郑燕萍,Antoine,AUGEIX,郑晓娇.基于小波包分解与机器学习的汽车调光电机异音识别[J].森林工程.2019
[2].束润东.基于交互式定理证明工具Coq构建的近世代数理论[D].北京邮电大学.2018
[3].陈正扬,李亮.利用机器学习进行能谱CT多材料分解[C].第十五届中国体视学与图像分析学术会议论文集.2017
[4].王昭.基于目标分解与机器学习的极化SAR图像地物分类[D].西安电子科技大学.2015
[5].沈叶峰.基于ELM与非负矩阵分解的机器学习算法研究[D].杭州电子科技大学.2015
[6].罗磊.形状分解和基于机器学习的图像检索技术研究[D].国防科学技术大学.2013
[7].祝帅.基于可扩展分解机器的搜索广告点击率预估[D].浙江大学.2013
[8].关静,唐立新,宋国骄.两台流水机器协调分解调度问题[J].控制与决策.2009
[9].薛拾贝,席裕庚.用蚁群算法求解Job-Shop问题的机器分解方法[J].计算机仿真.2008
[10].李永彬.几何定理机器证明的扩WE分解算法[J].四川大学学报(自然科学版).2000