导读:本文包含了序列距离论文开题报告文献综述及选题提纲参考文献，主要关键词:汉明距离,DNA序列,隐私保护,安全多方计算
序列距离论文文献综述
马敏耀,徐艺,刘卓[1]（2019）在《隐私保护DNA序列汉明距离计算问题》一文中研究指出DNA序列承载着人体重要的生物学信息,如何在保护隐私的情况下正确地对不同的DNA序列进行比对,成为亟待研究的科学问题。汉明距离在一定程度上刻画了两个DNA序列的相似程度,在保护隐私的情况下,研究DNA序列的汉明距离计算问题。首先定义了DNA序列的0-1编码规则,该规则将长度为n的DNA序列编码成长度为4n的0-1串,证明了两个DNA序列的汉明距离等于它们的0-1编码串的汉明距离的一半。以此结论为基础,以GM加密算法为主要密码学工具,构造了计算DNA序列汉明距离的一个安全两方计算协议。在半诚实攻击者模型下,证明了协议的正确性,给出了基于模拟器的安全性证明,并对协议的效率进行了分析。(本文来源于《计算机应用》期刊2019年09期）
何雨虹[2]（2019）在《基于LDTW距离的序列相似度量方法研究及应用》一文中研究指出相似度量是机器学习的重要研究内容,广泛应用于自然语言处理、计算机视觉等领域。动态时间弯曲距离(Dynamic Time Warping,DTW)作为一种重要的相似度量方法,能够有效解决序列发生扭曲变形而无法匹配的难题,但存在数据点之间的一对多问题(病理性对齐),导致其精确度不高。受限动态时间弯曲距离(Dynamic Time Warping under limited warping path length,LDTW)是在DTW基础上的改进算法,通过限制数据点的连接数量避免了病理性对齐问题,使算法精确度有较高的提升。本文从LDTW的推广实践入手,面向不同的数据场景扩展其应用领域。同时,针对其计算时间成本很高的问题,采用基于启发式搜索机制的蚁群算法对算法进行优化设计,在确保精确度的情况下降低其算法时间。本文主要研究工作如下:1.LDTW在小数据、贫信息系统中的应用研究。相对于大数据分析,小数据由于样本数量较小,更注重精确度要求。本文从小数据研究的重要工具—灰关联模型入手,展开LDTW的应用实践研究。经典灰关联模型局限于等长序列,面对不等长序列通常采用删除、均值、预测等方法进行补齐,而人工干预会引入新的不确定性。针对此问题,本文将LDTW引入经典灰关联度模型中,提出一种基于LDTW的灰关联度模型,分别对等长和不等长序列数据进行分析,并在灰关联聚类中进行实践。LDTW表现出更高的准确率及较好的鲁棒性,实现在小数据不确定性系统中的应用。2.面向大样本数据的LDTW优化算法研究。论文以降低算法时间开销为核心,在保证算法精确性的前提下,构建了一种基于蚁群算法的动态时间弯曲距离优化算法(An Optimized Dynamic Time Warping Distance Based on Ant Colony Optimisation Algorithm,ACO_LDTW)。由于LDTW是通过弯曲路径长度来限制最佳弯曲路径的长度,使得整个算法计算时间过长,不适用于数据量较大的样本情况。基于此分析,本文引入具有并行计算能力的启发式搜索机制,采用基于栅格地图的蚁群算法来代替LDTW的递归线性计算,并对蚁群算法中状态转移概率、信息素机制等进行修正。实验结果表明,新方法在确保分类准确率的前提下,有效提升了算法效率。将其应用在机械故障诊断领域中,ACO_LDTW表现出较高的故障分类精度性能。(本文来源于《重庆邮电大学》期刊2019-03-26）
陆遥,李东生,高杨[3]（2019）在《基于序列趋势和集合距离的UAV态势相似性度量方法》一文中研究指出在无人机(UAV)自主作战与智能决策的过程中,无人机获取的新态势与历史态势的相似性度量是态势评估与作战决策的重要环节,而现有的相似性度量方法主要处理离散时刻态势,采用的欧式距离等方法对数据敏感,不符合作战态势特性,且处理效率低下,针对该问题,提出基于序列趋势和集合距离的UAV态势相似性度量方法。该方法首先选取UAV作战态势要素并以时间序列形式表征数据;然后,使用经验模态分解方法提取历史态势与新态势的序列趋势以度量序列趋势的相似性;最后,对趋势相似的每条态势序列进行自组织映射聚类,得到若干聚类中心构成集合,利用最优子模式分配距离度量集合间的距离,提取集合距离较小的部分获得与新态势相似的历史经验态势。通过公用数据集的分类效果比对实验以及作战仿真态势的相似性度量实验,表明该方法能够有效度量两序列之间的相似性程度,度量效果好,分类实验中分类精度较传统方法最高提高18%,且方法简便,具有一定的实用价值。(本文来源于《航空学报》期刊2019年03期）
许冲冲,罗勋华,郭上华,辛锋,王志勇[4]（2019）在《基于时间序列压缩动态时间弯曲距离故障区段定位》一文中研究指出针对基于暂态零模电流相关系数法的配电网故障区段定位方法存在数据处理量大且需要时间同步问题,提出一种基于时间序列压缩的动态时间弯曲(DTW)距离的小电流接地故障区段定位方法。先对终端控制单元(FTU)采集的故障录波数据预先处理,只提取故障发生后一个工频周波内的初始值、极值以及两极值点之间数据变化差值最大的两点,再将新的时间序列上传至主站,最后由主站采用动态时间弯曲距离算法求取两相邻FTU零模电流的相似性来进行故障区段定位。通过算法对比分析可得,在抗同步误差能力和信号幅值反应能力上,DTW算法较强于相关系数法;在直流分量表达能力上,两算法效果基本一致。此外,数据压缩后的新时间序列在DTW距离上的相似度表达能力基本与原时间序列相同,但数据处理量减少了至少一半以上。大量ATP/EMTP仿真说明文中所提方法能在不同故障角、接地电阻、故障位置下准确判出故障区段。(本文来源于《电测与仪表》期刊2019年10期）
王子一,商琳[5]（2018）在《基于子段距离计算的时间序列分类方法》一文中研究指出关于时间序列分类的问题在过去十多年时间里已经引起极大的兴趣.并且已经有实验表明传统流行的分类算法像KNN等,已经很难处理时间序列的分类问题.基于Shapelet和DTW(动态时间规整,Dynamic Time Warping)的这一分类方法的时间复杂度又太高.本文提出一种新的基于子段距离计算的时序分类方法,通过对时间序列进行切分然后对切分后的子段用k-shape算法进行聚类,在聚类结果中寻找两类时间序列各自比较有区分性的片段,并以此来作为分类的依据,该方法思路更为简单且时间复杂度不高.通过实验验证了我们算法的分类精度和适用性,并与shaplet算法相比我们算法在时间复杂度上更具优势.(本文来源于《小型微型计算机系统》期刊2018年07期）
季海娟,周从华,刘志锋[6]（2018）在《一种基于始末距离的时间序列符号聚合近似表示方法》一文中研究指出时间序列数据的特征表示方法是时间序列数据挖掘任务的关键技术,符号聚合近似表示(SAX)是特征表示方法中比较常用的一种。针对SAX算法在各序列段表示符号一致时无法区分时间序列间的相似性这一缺陷,提出了一种基于始末距离的时间序列符号聚合近似表示方法(SAX_SM)。由于时间序列有很强的形态趋势,因此文中提出的方法选用起点和终点来表示各个序列段的形态特征,并使用各序列段的形态特征和表示符号来近似表示时间序列数据,以将其从高维空间映射到低维空间;然后,针对起点和终点构建始末距离来计算两序列段间的形态距离;最后,结合始末距离和符号距离定义一种新的距离度量方式,以更客观地度量时间序列间的相似性。理论分析表明,该距离度量满足下界定理。在20组UCR时间序列数据集上的实验表明,所提SAX_SM方法在13个数据集中获得了最高的分类准确率(包含并列最大的),而SAX只在6个数据集中获得了最高的分类准确率(包含并列最大的),因此SAX_SM具有比SAX更优的分类效果。(本文来源于《计算机科学》期刊2018年06期）
王瑞东,程用志,熊莹,周兴林,毛雪松[7]（2018）在《基于Golomb序列调制的目标距离速度测量方法》一文中研究指出针对连续波激光雷达在同步测量目标距离和速度的应用中存在辐射信号上限峰值功率低、测量极限距离近的问题,提出一种基于Golomb脉冲序列调制的测量信号波形,研究该方法在道路环境中同步测量目标距离和速度的可行性。首先,以一种准连续波,即伪随机(PN)码调制为例分析连续波调制方法存在的发射信号峰值功率低的问题,在此基础上讨论Golomb序列的特征,提出使用Golomb序列调制发射信号提高发射脉冲峰值功率的方法;然后,讨论Golomb序列调制的多普勒信号频谱分析方法和基于数据累加的延迟时间定位方法,实现同步测量目标的速度和距离;最后,在道路目标产生的多普勒频率范围内,通过仿真实验验证该方法的正确性。实验结果表明,在以脉冲序列构成的对多普勒信号平均采样率远低于奈奎斯特频率的条件下,仍然可以通过快速傅里叶变换(FFT)方法获得多普勒信号的频率,从而在发射平均功率恒定的条件下极大提高单脉冲的峰值功率;另外,利用Golomb序列的不等间隔特性,通过数据累加方法可以完成对激光脉冲飞行时间的定位,在保证了速度测量的同时实现对目标距离的测量。(本文来源于《计算机应用》期刊2018年03期）
何勰绯,万加富[8]（2018）在《基于趋势距离的时间序列符号聚合近似表示方法》一文中研究指出针对传统趋势分析方法的不足之处,以及序列段内部趋势信息缺失的问题,本文提出一种改进的基于趋势距离的时间序列符号聚合近似表示方法。具体主要基于序列段起点值与终点值,利用趋势距离对不同趋势的差异性进行量化分析。通过趋势和均值信息对低维序列共同描述,与此同时,又提出了新的距离度量法,从理论角度充分证明,时间序列距离度量方法基于趋势距离时,不但可满足下界需求,并且与原方法相比,其下界紧凑性更好。比较分析结果证明,与原符号近似表示法相比,本文提出的基于趋势距离的时间序列符号近似表示法更有优势。(本文来源于《科技通报》期刊2018年01期）
孙启航,杨鹤标[9]（2018）在《基于编辑距离的序列聚类算法的优化》一文中研究指出现有的很多序列聚类算法都是基于"局部特征可以代表整个序列"的假设,在实际应用中不对序列局部相似性和全局相似性加以区分,这对于存在子模式的序列聚类是适用的,如基因序列和蛋白质序列。但是对于不存在子模式的序列,如对临床行为序列、用户购买行为序列进行聚类时,用基于全局相似性度量的聚类方法更为恰当。针对不存在子模式的序列聚类的需要,采用编辑距离作为序列相似性计算方法,在二分K均值算法的基础上,提出了利用编辑距离上下界以及通过前缀子序列进行剪枝的序列聚类算法PSClu。该算法能有效过滤编辑距离的计算量。实验结果表明,PSClu能有效减少编辑距离的直接计算,具有较好的聚类效率和聚类质量。(本文来源于《计算机技术与发展》期刊2018年03期）
闫丽娟[10]（2017）在《不确定序列的依p-阶距离收敛性》一文中研究指出不确定理论是现实世界中度量不确定程度的一个重要的数学分支.本文分析了不确定理论中关于距离和收敛性的研究成果,指出原有的不确定变量间的距离不满足距离的公理化定义中的叁角不等式.因此,在不确定理论的框架下,本文重点讨论了不确定变量间的一类新距离―-阶距离,以及不确定变量序列的收敛性.本文工作进一步丰富了不确定理论的内容,具体研究如下:首先,研究了不确定变量期望的性质,为-阶距离的提出提供了理论依据.其次,提出了不确定变量间的一类新距离―-阶距离,在此基础上给出了不确定变量序列依-阶距离收敛的概念,定义了相应的度量空间并证明了空间的完备性.此外,还提出了不确定向量之间的-阶距离及相应的度量空间并讨论了有关性质.最后,研究了依测度收敛和依-阶距离收敛的一些基本性质,给出了完全收敛的定义,并讨论了依-阶距离收敛和完全收敛与其它收敛性之间的关系.(本文来源于《河北大学》期刊2017-05-01）
序列距离论文开题报告
（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：
相似度量是机器学习的重要研究内容,广泛应用于自然语言处理、计算机视觉等领域。动态时间弯曲距离(Dynamic Time Warping,DTW)作为一种重要的相似度量方法,能够有效解决序列发生扭曲变形而无法匹配的难题,但存在数据点之间的一对多问题(病理性对齐),导致其精确度不高。受限动态时间弯曲距离(Dynamic Time Warping under limited warping path length,LDTW)是在DTW基础上的改进算法,通过限制数据点的连接数量避免了病理性对齐问题,使算法精确度有较高的提升。本文从LDTW的推广实践入手,面向不同的数据场景扩展其应用领域。同时,针对其计算时间成本很高的问题,采用基于启发式搜索机制的蚁群算法对算法进行优化设计,在确保精确度的情况下降低其算法时间。本文主要研究工作如下:1.LDTW在小数据、贫信息系统中的应用研究。相对于大数据分析,小数据由于样本数量较小,更注重精确度要求。本文从小数据研究的重要工具—灰关联模型入手,展开LDTW的应用实践研究。经典灰关联模型局限于等长序列,面对不等长序列通常采用删除、均值、预测等方法进行补齐,而人工干预会引入新的不确定性。针对此问题,本文将LDTW引入经典灰关联度模型中,提出一种基于LDTW的灰关联度模型,分别对等长和不等长序列数据进行分析,并在灰关联聚类中进行实践。LDTW表现出更高的准确率及较好的鲁棒性,实现在小数据不确定性系统中的应用。2.面向大样本数据的LDTW优化算法研究。论文以降低算法时间开销为核心,在保证算法精确性的前提下,构建了一种基于蚁群算法的动态时间弯曲距离优化算法(An Optimized Dynamic Time Warping Distance Based on Ant Colony Optimisation Algorithm,ACO_LDTW)。由于LDTW是通过弯曲路径长度来限制最佳弯曲路径的长度,使得整个算法计算时间过长,不适用于数据量较大的样本情况。基于此分析,本文引入具有并行计算能力的启发式搜索机制,采用基于栅格地图的蚁群算法来代替LDTW的递归线性计算,并对蚁群算法中状态转移概率、信息素机制等进行修正。实验结果表明,新方法在确保分类准确率的前提下,有效提升了算法效率。将其应用在机械故障诊断领域中,ACO_LDTW表现出较高的故障分类精度性能。
（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。
序列距离论文参考文献
[1].马敏耀,徐艺,刘卓.隐私保护DNA序列汉明距离计算问题[J].计算机应用.2019
[2].何雨虹.基于LDTW距离的序列相似度量方法研究及应用[D].重庆邮电大学.2019
[3].陆遥,李东生,高杨.基于序列趋势和集合距离的UAV态势相似性度量方法[J].航空学报.2019
[4].许冲冲,罗勋华,郭上华,辛锋,王志勇.基于时间序列压缩动态时间弯曲距离故障区段定位[J].电测与仪表.2019
[5].王子一,商琳.基于子段距离计算的时间序列分类方法[J].小型微型计算机系统.2018
[6].季海娟,周从华,刘志锋.一种基于始末距离的时间序列符号聚合近似表示方法[J].计算机科学.2018
[7].王瑞东,程用志,熊莹,周兴林,毛雪松.基于Golomb序列调制的目标距离速度测量方法[J].计算机应用.2018
[8].何勰绯,万加富.基于趋势距离的时间序列符号聚合近似表示方法[J].科技通报.2018
[9].孙启航,杨鹤标.基于编辑距离的序列聚类算法的优化[J].计算机技术与发展.2018
[10].闫丽娟.不确定序列的依p-阶距离收敛性[D].河北大学.2017