导读:本文包含了窗概率密度估计论文开题报告文献综述及选题提纲参考文献，主要关键词:序优化,风功率波动性,非参数核密度估计,概率密度
窗概率密度估计论文文献综述
杨楠,周峥,陈道君,王璇,李宏圣[1]（2019）在《基于非参数核密度估计的风功率波动性概率密度建模方法》一文中研究指出研究风电波动概率模型对于风电一体化及运行具有积极影响。该文提出一种基于非参数核密度估计的风功率波动性概率密度建模方法。首先通过小波分解对风功率样本数据的波动量进行提取,基于波动量样本建立相应的非参数核密度估计模型,然后针对模型带宽选择问题,构造一种以拟合优度检验为约束条件的带约束带宽优化模型,最后利用约束序优化算法对其进行求解。实际算例仿真结果表明,所改进的风功率波动量概率密度模型较传统基于参数估计的模型具有更高的精确性和适用性,并且基于约束序优化的求解算法提升非参数估计方法的计算效率。(本文来源于《太阳能学报》期刊2019年07期）
田瑞瑞[2]（2019）在《基于紧小波框架的概率密度函数估计》一文中研究指出近年来,概率密度函数估计在非参数估计中越来越受到关注.小波作为一种有效的工具在非参数概率密度函数估计中也已经得到了广泛的应用.经典的非参数密度估计问题是:设(Ω,F,P)为概率测度空间,X是连续型随机变量,它服从的概率密度函数f(x)未知.如何从X的n个独立同分布的随机样本X1,X2,…,Xn定义恰当的估计器fn使其在某种意义下逼近f(x).在统计学中,衡量估计器优劣的常用方法有两种.一种是均方差(简记为MSE)它考察估计器与真实函数的局部误差.另一种是积分均方误差(简记为MISE)它考察估计器与真实密度函数在L2意义下的整体误差.事实上,在实际问题当中,多数数据的分布是难以事先假定的.同时,考虑到要尽可能地提高估计的可靠性,那么采用适应性更广的概率密度函数估计方法是一个很好的选择.当前采用的小波方法往往基于正交小波基,它的优势在于小波不但在时域和频域上具有很好的多分辨率性质及局部性质,而且它还可以刻画一大类函数空间.但是正交小波基下展开的不同系数之间缺乏相关性,这就影响到估计的精度,为了克服这一缺点,本文采用了具有冗余性的紧小波框架.该类框架继承了正交小波基的多尺度结构,同时分解系数之间还具有相关性,从而从本质上克服了正交小波基的缺点.文中首先给出了基于紧小波框架的连续Sobolev空间的刻画,其次基于紧小波框架给出了f(x)的一个估计量fj1(x),进而推导出了它与小波核的内在关系.然后对L2(R)上连续随机变量的概率密度函数进行了估计.最后针对概率密度函数的估计分别讨论了随机误差和确定性误差,以及两者和的一个上界.在此基础上,在对概率密度函数估计的过程中采用的是核密度估计,因此特意给出了连续形式下核函数的表达式及一系列推导中所需要的限制条件.最后求解出了使其误差达到最小的参数的值.(本文来源于《河南大学》期刊2019-06-01）
李涛,郑尚,邹海涛,于化龙[3]（2019）在《基于概率密度估计的SMOTE改进算法研究》一文中研究指出类别不平衡问题是机器学习与数据挖掘领域中主要关注的问题之一,目前已有多种解决方法,而样本采样技术是其中最为简单有效、同时也是最为常用的一类方法.本文主要针对SMOTE(synthetic minority oversampling technique)这一最为流行的采样算法易于受到噪声样本影响及泛化能力差的缺点,提出了一种基于概率密度估计的改进算法.首先,假定各类样本均服从高斯混合分布,并采用高斯混合模型测得各样本的概率密度,针对各样本在类内与类间所测得概率密度间的排序比较关系来实现噪声信息的过滤.其次,在过滤后的少数类样本上进行概率密度的重新计算,并根据其特点将其划分为叁类:边界样本、安全样本与离群样本.最后,针对上述叁类样本,分别采取不同的策略来进行SMOTE采样.此外,为了进一步提升泛化性能,本文也对SMOTE算法的邻域计算规则进行了修正.通过多个基准的二类不平衡数据集对该算法进行了验证,实验结果表明其是有效且可行的,同时显着优于多种已有的采样算法.(本文来源于《南京师大学报(自然科学版)》期刊2019年01期）
王乐慈,高世臣,林孟雄,李宗贤[4]（2018）在《基于不同概率密度估计方法的朴素贝叶斯分类器》一文中研究指出贝叶斯方法是分类技术中的一个较为基本的方法,通过贝叶斯法则以及相关性质推导出贝叶斯分类器,而引入属性条件独立性假设后,得到了朴素贝叶斯分类器,在不降低分类器性能的基础上降低了计算复杂度,在实际应用中更为简便。不同的概率密度估计方法对于每个属性条件概率的估计效果不同,对朴素贝叶斯分类器的性能也有所影响。在本文中提出了两种概率密度估计方法:核密度估计和混合高斯。这两种方法各有优势和不足,将其应用在实例中,选取苏东41-33区块下古气井的89口测井曲线作为研究数据,分别用核密度估计和混合高斯对训练数据进行概率密度估计,并用单高斯模型作为对照,然后用朴素贝叶斯方法对测试数据进行岩性分类,并统计不同概率密度估计方法下的分类其性能即准确率。(本文来源于《中国矿业》期刊2018年11期）
张森,曹再辉,施进发[5]（2018）在《基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法》一文中研究指出为了解决当前基于图像特征点的水印技术存在的问题,设计了基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法。首先,基于载体图像的强度概率密度,构建概率密度梯度估计函数;利用概率密度梯度值替代强度梯度,计算载体图像的二阶自相关矩阵,以改进Harris-Laplace检测算子,充分提取载体的鲁棒特征点;然后,基于LOG(Laplacian-of-Gaussians)算子,计算每个点的特征尺度,构建了圆形局部特征区域;引入圆谐傅里叶变换,对所有局部特征区域进行处理,输出相应的傅里叶系数;定义鲁棒系数选择规则,从所有的傅里叶系数中确定合适的系数作为水印隐藏位置;根据选择的鲁棒系数,设计水印嵌入方法,将加密后的二值水印隐藏到这些系数中,形成水印图像;最后,建立水印检测机制,从水印图像中复原二值水印。测试结果显示,与当前图像水印方案相比,面对几何变换攻击,所提算法具有更高的不可感知性,所输出的水印图像与载体的相似度为0.994;另外,所提技术也具备更强的鲁棒性,复原水印失真度最小,在中心裁剪攻击下,所提算法的复原水印对应的峰值信噪比(PSNR)、归一化系数(NC)值最大,分别达到了41.91dB、0.901。(本文来源于《电子测量与仪器学报》期刊2018年10期）
华颖[6]（2018）在《群决策中一致性区间判断矩阵权重概率密度估计方法》一文中研究指出研究群决策中一致性区间判断矩阵权重可行域求解权重和集结问题。针对一致性区间判断矩阵权重可行域的性质,求得代表一致性区间判断矩阵偏好信息的权重向量,最后通过应急决策案例分析说明本文研究的实用性。(本文来源于《教育教学论坛》期刊2018年25期）
郭拓,王英民,张立琛[7]（2018）在《采用特征向量夹角联合概率密度函数的信源个数估计方法》一文中研究指出针对传统信源数估计算法如基于Akaike信息论准则方法、最小描述长度准则方法及盖氏圆盘方法等存在低信噪比时性能下降甚至完全不能正确估计信源个数的问题,提出一种基于协方差矩阵特征向量之夹角联合密度函数的信源数估计方法.该方法采用样本协方差矩阵特征分解后噪声子空间的一特征向量与其他特征向量求夹角余弦,然后求这些特征向量之夹角余弦的联合概率密度函数值,最后将两相邻密度函数值相除与阈值比较确定信源个数.数值模拟与水池实验表明该方法在低信噪比时性能远远好于以往算法,在阵列信号处理中具有一定的应用价值.(本文来源于《上海交通大学学报》期刊2018年04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）
杨昊,孙衍山,李健,曾周末[9]（2018）在《滑油磨粒信号的变分模态分解和概率密度估计》一文中研究指出航空发动机磨损产生的磨粒会随润滑油在管路中流动,由于磨粒尺寸小且航空发动机工况复杂,如何实现滑油磨粒检测信号的特征提取成为系统的关键技术。提出一种基于变分模态分解(VMD)和概率密度估计的微弱信号处理方法,用于滑油磨粒检测信号处理。利用VMD获取检测信号的特征直流分量,明确直流分量的概率密度分布,以其分布均值估计滑油磨粒形成的电容值。经过仿真分析和实验验证,使用该方法能使检测系统有效分辨500μm的滑油磨粒,表明该方法能有效提高检测系统信噪比,消除噪声对微弱信号检测的干扰,改善滑油磨粒电容成像检测的性能。(本文来源于《仪器仪表学报》期刊2018年04期）
李宝玉,张磊刚,师娇,余雄庆[10]（2018）在《结构输出响应概率密度估计中分数矩求解方法》一文中研究指出鉴于概率不确定性背景下基于分数矩极大熵准则的结构可靠性分析方法具有较大的效率与精度优势,综合研究并给出了可以用于极大熵准则中约束条件输出响应分数矩求解的3种分数矩求解方法,包括降维积分(DRI)方法、稀疏网格积分(SGI)方法和无迹变换(UT)方法。阐述了分数矩求解原理及过程,给出了方法的计算效率,并分析了方法的适用性。3种分数矩求解方法在确保计算精度的同时可以很大程度减少结构输入-输出模型的调用次数,大幅提高统计分析效率。通过与Monte Carlo仿真分析法对比,验证了3种分数矩求解方法的正确性与高效性。(本文来源于《北京航空航天大学学报》期刊2018年06期）
窗概率密度估计论文开题报告
（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：
近年来,概率密度函数估计在非参数估计中越来越受到关注.小波作为一种有效的工具在非参数概率密度函数估计中也已经得到了广泛的应用.经典的非参数密度估计问题是:设(Ω,F,P)为概率测度空间,X是连续型随机变量,它服从的概率密度函数f(x)未知.如何从X的n个独立同分布的随机样本X1,X2,…,Xn定义恰当的估计器fn使其在某种意义下逼近f(x).在统计学中,衡量估计器优劣的常用方法有两种.一种是均方差(简记为MSE)它考察估计器与真实函数的局部误差.另一种是积分均方误差(简记为MISE)它考察估计器与真实密度函数在L2意义下的整体误差.事实上,在实际问题当中,多数数据的分布是难以事先假定的.同时,考虑到要尽可能地提高估计的可靠性,那么采用适应性更广的概率密度函数估计方法是一个很好的选择.当前采用的小波方法往往基于正交小波基,它的优势在于小波不但在时域和频域上具有很好的多分辨率性质及局部性质,而且它还可以刻画一大类函数空间.但是正交小波基下展开的不同系数之间缺乏相关性,这就影响到估计的精度,为了克服这一缺点,本文采用了具有冗余性的紧小波框架.该类框架继承了正交小波基的多尺度结构,同时分解系数之间还具有相关性,从而从本质上克服了正交小波基的缺点.文中首先给出了基于紧小波框架的连续Sobolev空间的刻画,其次基于紧小波框架给出了f(x)的一个估计量fj1(x),进而推导出了它与小波核的内在关系.然后对L2(R)上连续随机变量的概率密度函数进行了估计.最后针对概率密度函数的估计分别讨论了随机误差和确定性误差,以及两者和的一个上界.在此基础上,在对概率密度函数估计的过程中采用的是核密度估计,因此特意给出了连续形式下核函数的表达式及一系列推导中所需要的限制条件.最后求解出了使其误差达到最小的参数的值.
（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。
窗概率密度估计论文参考文献
[1].杨楠,周峥,陈道君,王璇,李宏圣.基于非参数核密度估计的风功率波动性概率密度建模方法[J].太阳能学报.2019
[2].田瑞瑞.基于紧小波框架的概率密度函数估计[D].河南大学.2019
[3].李涛,郑尚,邹海涛,于化龙.基于概率密度估计的SMOTE改进算法研究[J].南京师大学报(自然科学版).2019
[4].王乐慈,高世臣,林孟雄,李宗贤.基于不同概率密度估计方法的朴素贝叶斯分类器[J].中国矿业.2018
[5].张森,曹再辉,施进发.基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法[J].电子测量与仪器学报.2018
[6].华颖.群决策中一致性区间判断矩阵权重概率密度估计方法[J].教育教学论坛.2018
[7].郭拓,王英民,张立琛.采用特征向量夹角联合概率密度函数的信源个数估计方法[J].上海交通大学学报.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].杨昊,孙衍山,李健,曾周末.滑油磨粒信号的变分模态分解和概率密度估计[J].仪器仪表学报.2018
[10].李宝玉,张磊刚,师娇,余雄庆.结构输出响应概率密度估计中分数矩求解方法[J].北京航空航天大学学报.2018