导读:本文包含了序列模型算法论文开题报告文献综述及选题提纲参考文献，主要关键词:双向GRNN,循环神经网络,序列翻译模型,seq2seq
序列模型算法论文文献综述
郭陆阳,王守相,陈海文,杨海跃,韩建振[1]（2019）在《基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法》一文中研究指出非侵入式负荷分解是用户侧精细化能量管理的关键技术,为了提高算法分解准确率与模型训练速度,提出了一种基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法。使用局部注意力机制对中间向量的传递过程进行了优化,在增加模型注意力的同时降低了算法的运算量。使用集束搜索算法使解码环节得到了更多的功率概率曲线,实现了分解准确率的提高。使用人工合成训练数据方法克服了数据集不平衡问题,提高了算法的稳定性。最后在REDD数据集上对文章所提算法进行了验证,与其他先进算法相比,所提出算法的准确率具有较大幅度提高,并且与基于LSTM的算法相比,本算法的模型训练速度提高了40%以上。(本文来源于《供用电》期刊2019年10期）
徐洪俊,张锦东,张其林[2]（2019）在《基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测》一文中研究指出基于上海中心大厦实测加速度幅值数据,探讨差分自回归滑动平均(ARIMA)模型和扩展卡尔曼滤波(EKF)预测方程在实测信号预测方面的应用,提出了ARIMA-EKF预测方法:先建立ARIMA模型,由该模型的预测方程推导出卡尔曼滤波的状态方程和测量方程,建立EKF预测方程实现信号的预测。本文提出的ARIMA-EKF预测方法有效地提升了ARIMA模型的预测精度,对于实时加速度幅值的变化趋势能够进行有效的预测。(本文来源于《第十九届全国现代结构工程学术研讨会论文集》期刊2019-07-19）
黄飞江,陈演羽,李廷会,袁海波,单庆晓[3]（2019）在《基于灰色模型和混沌时间序列的卫星钟差预测算法》一文中研究指出为了提高非线性卫星钟差预测的精度,降低单一钟差预测模型对钟差预测的风险,提出了一种组合模型的卫星钟差预测算法.该算法首先采用db1小波对卫星钟差序列进行3层多分辨率分解和单支重构,得到一个趋势分量和叁个细节分量,然后运用灰色预测模型对重构后的趋势分量和混沌一阶加权局域预测法对重构后的细节分量分别进行预测,最后将各分量预测结果相加后得到总的钟差预测值.以GPS卫星钟差数据做算例分析,在6小时的钟差预测中,算法绝对误差最大值比单一的灰色预测模型误差小1.3ns以上.将该组合预测模型用于非线性卫星钟差预测中,可以提高钟差预测的精度和可靠性.(本文来源于《电子学报》期刊2019年07期）
陈璐[4]（2019）在《基于LSTM模型的金融时间序列预测算法研究》一文中研究指出在我国经济飞速发展、科技高速进步的大背景下,金融市场的影响也越来越大,而金融时间序列的分析与预测对投资者的决策有很大的影响。由于金融数据具有非线性、高噪声、非平稳等特点,金融时间序列的预测在经济、数学等学科得到了充分的研究和发展,预测模型也经历了从线性到非线性模型的转变,金融科技(Fintech)应运而生。为了提高金融时间序列预测的准确性,本文提出了一种由自适应噪声的完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法和添加注意力机制(Attention Mechanism,AM)的长短期记忆网络(Long Short Term Memory,LSTM)结合的时间序列预测模型。首先,基于注意力机制对LSTM模型进行改进,充分利用LSTM隐藏层的各个时刻的输出信息,进行注意力分布的计算,对输出信息进行加权。通过与其他模型进行对比,验证了所提出的LSTM-ATTE模型的有效性。接着,研究了经验模态分解(Empirical Mode Decomposition,EMD)和CEEMDAN算法,通过对仿真信号的分解表明CEEMDAN算法能够消除EMD算法产生的模态混迭现象。最后,基于上述研究,提出了一种基于CEEMDAN算法和LSTM-ATTE的时间序列组合预测模型。先用CEEMDAN算法对金融时间序列进行分解,得到一系列具有不同时间尺度的子序列,再利用LSTM-ATTE模型对其分别进行预测,将预测结果迭加得到最终的预测值。同时,采用实际的上证50指数收盘价序列进行验证预测,通过线性回归分析,证明了组合模型预测的正确性。对比与单一模型和其他组合模型,结果表明,本文所提模型有更小的预测误差,提升了预测性能。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
李彦[5]（2019）在《基于序列标注模型的事件抽取算法研究》一文中研究指出事件抽取是信息抽取领域重要的任务之一,其主要任务是从非结构化信息中抽取出结构化的事件信息。目前随着互联网的快速发展,互联网文本数据也呈现井喷式发展,因此抽取结构化事件信息有着极其重要的意义。事件抽取任务分为两个子任务:事件类型检测和事件论元抽取。传统方法将它们作为分类任务,主要分为串联和联合两种方式,依赖人工特征或深度学习来完成任务。本研究课题基于深度学习算法,以串联模型的方式,首次将两个子任务转换为两个序列标注任务,主要研究内容和研究成果如下:1)在事件类型检测任务中,提出一种基于先验知识和自注意力机制的序列标注模型。利用触发词先验知识来控制端到端模型的学习过程,提高模型的可解释性。先验知识帮助模型降低非触发词带来的噪声,增加候选触发词的权重。利用自注意力机制充分学习句子内部词语之间的相互依赖关系,解决串联模型事件触发词识别过程中不能充分利用事件论元信息的问题,进而提高了事件类型检测的准确性。2)在事件论元抽取任务中,设计一种基于自注意力机制的序列标注模型,根据已经检测出的事件触发词及对应的触发词信息,利用自注意力机制充分学习事件论元与触发词之间的关联程度,有效完成事件论元抽取任务。3)将事件类型检测任务拓展到金融领域。利用远程监督的方法,生成中文金融舆情事件数据集。然后在本研究课题所提出的事件类型检测模型中加入句子级注意力降噪机制,帮助模型学习更有效的远程监督标注数据信息,完成金融领域舆情事件类型检测。(本文来源于《北京邮电大学》期刊2019-05-31）
刘凌云[6]（2019）在《基于Q-学习算法的序列决策模型研究》一文中研究指出序列决策问题作为一种广泛存在的决策问题,在各个领域都具有重要的应用。强化学习技术为解决序列决策问题提供了一种强有力工具,本文主要针对于强化学习的典型算法——Q-学习算法进行了改进研究,并给出了改进Q-学习算法在增量分类问题和群体决策问题两个领域的应用。在分类问题中,当用于训练分类器的分类信息不是一次性获得,而是以序列的形式给出的时候,增量学习提供了一个重要的解决方法。然而,在增量学习中,样本的标记顺序会严重影响分类器的性能,特别是在分类器分类能力较弱的情况下,因为增量学习方法容易过早地将噪声数据添加到训练集上,从而影响分类器的精度。为解决这个问题,本文提出一种基于Q-学习算法的增量分类模型。该模型利用强化学习中经典的Q-学习算法来合理选择样本增量序列,削弱噪声数据的负面影响,并实现在学习过程中自主标记样本的功能。同时,为了克服当新增未标记样本集规模较大时,由Q-学习算法中的状态空间与动作空间的增大而带来的计算复杂度和存储空间呈指数增大这一问题,本文进一步给出了批量增量分类模型,有效降低了模型的计算复杂度并节约了存储空间。实验验证基于Q-学习算法的增量分类模型融合了增量学习及强化学习的思想,具有分类精度高,实时性强等优点。多阶段群体决策问题作为一类典型的序列决策问题,其决策环境面临的大部分是不确定状态空间,甚至是未知环境空间(例如状态转移概率矩阵完全未知),为了寻求具有较高共识度的多阶段群体最优策略,决策者需要通过对环境的动态交互来获得进一步的信息,因此,我们通过对Q-学习算法进行改进,建立多阶段群体决策Q-学习算法基本算法模型,并改进该算法的迭代过程,从中学习得到群体最优策略。同时,证明了基于Q-学习算法得到的多阶段群体最优策略也是群体共识度最高的策略。最后,实例说明了算法的合理性及可行性。(本文来源于《河北大学》期刊2019-05-01）
刘欣睿[7]（2019）在《基于分治算法的DNA序列比对成本模型》一文中研究指出DNA序列比对在生物信息学中起着重要作用,目前已经有越来越多的DNA序列比对算法。本文将列出两种典型的算法,即分治算法和动态规划算法,通过使用这两种算法,可以得到最优比对模型。基于这个新模型,使用Divide and Conquer算法来解决这个问题。同时选择动态规划算法来克服时间复杂性的缺陷。最后创建了后向跟踪算法,以找到最佳对齐的轨迹。(本文来源于《数码世界》期刊2019年03期）
国宏哲[8]（2019）在《基于de Bruijn图模型的基因组序列映射算法研究》一文中研究指出随着高通量测序技术的快速发展和测序成本的逐渐降低,个体基因组测序已成为研究不同物种的基因型,变异情况和相关疾病的重要手段。生物信息学为人类探索生命体活动规律,疾病产生机制与治疗提供了新思路,极大推动了分子生物学,基因组学,遗传学和医学的发展。基因组序列映射(Mapping)作为基因组数据分析的基础对变异识别(Variant Calling),基因表达量分析,选择性剪切分析和生物网络计算等研究方向有重要意义。还原测序数据在基因组上的真实位置是下游的生物信息计算的基础。然而,由于基因组上的大量重复序列和高变异区域,日益增大的测序数据量以及测序技术的局限等因素,如何准确且快速地将大量测序数据比对到参考基因组面临巨大挑战。本文围绕着基因组序列映射与序列比对为重点展开研究。本文的研究目的是通过分析现有比对方法的特性和不足之处,提出了基因组非线性的图模型组织表示方法。本文设计了基于de Bruijn图模型的基因组索引模型来有效组织和表达基因组上的大量重复片段。同时,为提高图模型的应用价值,提出针对大规模数据集的de Bruijn图模型构建算法。另外,本文实现了基于图模型的序列比对算法,达到了更高准确性,敏感性和更快的速度。并且,提出结合变异信息的序列比对算法进一步改进复杂变异区域的比对结果。本文的主要研究内容如下:(1)阐述基于哈希表模型思想的基因组序列数据的存储和索引方法。说明基于seed-and-extension思想的基本比对思路。提出一个基于de Bruijn图模型的索引模型(RdBG)以及该索引的叁层结构数据存储方式。分析该索引模型的特性并提出两种种子合并的基本操作。该索引模型利用图模型特性可以有效组织基因组上的重复序列,从而极大地减少候选种子数量。(2)针对如宏基因组等多物种基因组数据和不断增加的测序数据,提出一个基于外部排序思想的de Bruijn图模型索引构建算法deGSM。deGSM解决了传统方法由于内存消耗大而限制图模型的数据量的问题,实现在任意内存占用下对任意大小数据完成图构建。同时,利用后缀树和de Bruijn图之间的关系,提出unitigs序列向BWT(Burrows-Wheeler变换)序列的转换方法。deGSM对基于de Bruijn图模型的大规模数据分析和数据压缩方法研究有重要意义。(3)根据de Bruijn图模型提出基于seed-and-extension思想的序列比对算法并实现序列比对软件deBGA。首先,介绍deBGA的整体算法流程和基于启发式的循环过程。然后,提出Uni-MEM种子的概念以及不同情况下种子合并和筛选的计算模型。同时,完成deBGA在相同物种和不同物种的多基因组数据集上,以及人类基因组的模拟和真实数据集上的测试。比较分析deBGA和其他比对软件在不同数据集上和不同参数下的比对结果。其次,比较分析deBGA对下游的变异识别计算的作用。结果显示基于RdBG索引的比对算法表现出更好的准确度,敏感度和更快的速度。deBGA可以作为基因组序列比对的候选工具。(4)提出结合变异信息的序列比对算法。首先,设计包含不同类型的变异信息的基因组索引模型实现变异信息的快速查找。其次,设计一个由所有局部序列和相关变异数据组成的伪树结构支持extension步骤计算。然后,利用Landau-Vishkin比对算法的思想提出一个基于此树结构的局部序列比对算法VAVA。相对于传统的内存消耗极大的变异图(Variant Graph)模型方法,该算法提供了一个轻量级的比对思路和解决方案。将VARA整合进deBGA实现全新的结合变异信息的序列映射系统deBGA-VARA。实验表明deBGA-VARA相比其他方法速度更快,并实现更高的准确度和敏感度。本文全面总结了基因组序列比对的基本方法,提出了de Bruijn图模型的索引模型来组织基因组重复序列。为解决对大数据构建图模型的内存瓶颈问题,本文提出基于外部排序思想的de Bruijn图模型构建算法,对索引模型和拼接算法的研究具有重要意义。同时,提出基于图模型的序列比对算法并通过大量实验证明该算法在不同数据集上都有很好效果,具有很高的实际意义;提出结合变异信息的局部序列比对算法,进一步提高了比对结果的准确性和敏感性,对基因组变异图模型和比对算法的研究具有理论和使用价值。(本文来源于《哈尔滨工业大学》期刊2019-03-01）
燕超源,李斌,顾新桥,夏琨,李强[9]（2018）在《基于时间序列大数据挖掘的ATGH模型及MCMC算法研究》一文中研究指出针对现有MCMC算法对马尔可夫链的搜索效率不高和运算时间过长的问题,引入基于Bayes计算的MCMC方法来对ATGH模型进行估计,以Gibbs抽样算法作为内核,提出新的MCGS算法,对数据建模后的参数进行迭代运算,分段对链的最小距离进行计算,并且取其最小值,来决定对相关链进行合并与否,与其它模型试验结果进行比较证明此模型的优越性~([1]),实验结果表明MCGS算法对提高马尔可夫链的搜索性,减少运算时间和减少计算机的运算负担有显着的效果。(本文来源于《自动化与仪器仪表》期刊2018年12期）
祝斌,亓合媛,马俊才[10]（2018）在《基于16S rRNA序列物种鉴定的改进向量空间模型算法》一文中研究指出在物种鉴定领域中,权威方法是基于BLAST的序列比对算法,然而该算法出现计算量过于庞大,运算效率低以及资源消耗较高等问题.为解决以上问题,本文借鉴经典文献中的K-String组份向量方法,对向量空间模型作出改进,将其应用于基于16S rRNA序列的物种鉴定领域,并在巴拿赫空间的理论体系下,对改进向量空间模型算法中的遗传距离公式进行等价替换,给出不同范数背景下对应的遗传距离公式,供科研人员参考.本文从计算效率和物种鉴定效果两个方面来判断改进算法的性能,最终得到如下结论:欧几里得空间下的内积范数从计算效率上较经典的blast算法具有显着优势,而其分类效果在检出率这一方面,达到了比对结果的一致性.(本文来源于《计算机系统应用》期刊2018年09期）
序列模型算法论文开题报告
（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：
基于上海中心大厦实测加速度幅值数据,探讨差分自回归滑动平均(ARIMA)模型和扩展卡尔曼滤波(EKF)预测方程在实测信号预测方面的应用,提出了ARIMA-EKF预测方法:先建立ARIMA模型,由该模型的预测方程推导出卡尔曼滤波的状态方程和测量方程,建立EKF预测方程实现信号的预测。本文提出的ARIMA-EKF预测方法有效地提升了ARIMA模型的预测精度,对于实时加速度幅值的变化趋势能够进行有效的预测。
（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。
序列模型算法论文参考文献
[1].郭陆阳,王守相,陈海文,杨海跃,韩建振.基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法[J].供用电.2019
[2].徐洪俊,张锦东,张其林.基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测[C].第十九届全国现代结构工程学术研讨会论文集.2019
[3].黄飞江,陈演羽,李廷会,袁海波,单庆晓.基于灰色模型和混沌时间序列的卫星钟差预测算法[J].电子学报.2019
[4].陈璐.基于LSTM模型的金融时间序列预测算法研究[D].哈尔滨工业大学.2019
[5].李彦.基于序列标注模型的事件抽取算法研究[D].北京邮电大学.2019
[6].刘凌云.基于Q-学习算法的序列决策模型研究[D].河北大学.2019
[7].刘欣睿.基于分治算法的DNA序列比对成本模型[J].数码世界.2019
[8].国宏哲.基于deBruijn图模型的基因组序列映射算法研究[D].哈尔滨工业大学.2019
[9].燕超源,李斌,顾新桥,夏琨,李强.基于时间序列大数据挖掘的ATGH模型及MCMC算法研究[J].自动化与仪器仪表.2018
[10].祝斌,亓合媛,马俊才.基于16SrRNA序列物种鉴定的改进向量空间模型算法[J].计算机系统应用.2018