导读:本文包含了序列最小优化论文开题报告文献综述及选题提纲参考文献，主要关键词:尺度不变特征转换,特征提取与匹配,双目立体视觉即时定位与地图构建,序列最小优化
序列最小优化论文文献综述
廖小飞,庄新闯,公维涛,陈建军[1]（2019）在《基于序列最小优化的SIFT特征提取与匹配算法》一文中研究指出SIFT是特征提取与匹配技术中的一种有效的方法,具有较好的稳定性,以及旋转和尺度不变特性。但是SIFT特征提取与匹配的维数较高,且存在较大的误匹配率,影响双目立体视觉SLAM的实时性和准确率。为此,提出SMO-SIFT算法,对原SIFT进行欧氏距离比值的阈值选取进行粗匹配,再结合支持向量机的SMO算法,改进SIFT算法中的特征匹配算子。MATLAB仿真表明SMO-SIFT算法降低了算法的维数,改善了特征提取的实时性,同时提高了算法精确度,比较适合应用于双目立体视觉SLAM中。(本文来源于《计算机仿真》期刊2019年02期）
黄娜娜,万良,邓烜堃,易辉凡[2]（2017）在《一种基于序列最小优化算法的跨站脚本漏洞检测技术》一文中研究指出当攻击者使用Web应用程序将恶意代码注入不同的终端用户时,就会发生跨站脚本攻击。文章针对Web应用程序使用用户输入的数据,而不对其进行验证或编码的现象,提出一种基于正则表达式匹配算法和序列最小优化算法的递归特征消除算法(SMO-RFE)。首先对数据进行预处理,采用正则表达式匹配算法,为训练集选择有代表性的特征数据集;其次利用SMO-RFE特征选择算法选择出最优特征;再次对具有攻击性的关键词进行特征排序和组合;最后总结特征关键字的出现频率以及特征值权重比例。攻击关键字出现的频率越高,漏洞存在的可能性就越大。实验验证发现,数据集通过SMO-RFE算法选择之后,SVM特征向量被检测的准确率更高,充分说明该算法能够有效地检测跨站脚本漏洞。(本文来源于《信息网络安全》期刊2017年10期）
刘娜,刘贵平,张静[3]（2014）在《基于Java语言的最小长度加法生成序列算法优化》一文中研究指出从Java教学实际出发,结合Java中向量类的特点和树的双亲存储结构,分析和优化了最小长度加法生成序列问题的贪心算法。(本文来源于《电脑编程技巧与维护》期刊2014年12期）
刘艳萍,吴群英[4]（2014）在《优化权重下高斯序列最大值几乎处处中心极限定理》一文中研究指出研究了高斯序列最大值的几乎处处收敛性,获得平稳高斯序列最大值的几乎处处中心极限定理(almost sure central limit theorem,ASCLT),优化了ASCLT的权重,获得的结果推广了Csáki和Gonchigdanzan(2002)在对数平均下平稳高斯序列最大值的ASCLT。(本文来源于《山东大学学报(理学版)》期刊2014年05期）
左琳[5]（2013）在《序列最小优化工作集选择算法的改进》一文中研究指出序列最小化算法(SMO)是支持向量机重要的常用分解方法。而工作集的选择是实现序列最小优化算法的关键。通过重写KKT条件,提出了一种改进的新工作集选择方法,并相应提出最小化步骤。通过将改进的支持向量机方法应用于网络用户行为数据的分析,与现有方法进行对比测试,验证了新工作集选择方法将减少支持向量机的学习时间并加快收敛过程,改进的支持向量机方法在运行效率和准确度上都有不同程度的提高。(本文来源于《电子科技大学学报》期刊2013年03期）
王越,吕奇峰,王泉,曾晶[6]（2013）在《一种改进的支持向量机序列最小优化算法》一文中研究指出提出一种改进的序列最小优化算法,它在选取工作集时选取优化步长最大的违反KKT条件的样本和其配对样本,并且对求解过程进行简化,从而使训练过程速度更快。实验表明,该算法是有效、可行的。(本文来源于《重庆理工大学学报(自然科学)》期刊2013年03期）
张宏灏[7]（2013）在《准线性支持向量机及其序列最小优化算法》一文中研究指出本文介绍了准线性支持向量机的理论，并提出了一种改进的序列最小优化算法来用于准线性支持向量机的训练。准线性支持向量机是具有准线性核函数的支持向量机，通过恰当地调整准线性核函数的构成，可以防止机器学习中的过学习问题。当训练数据量很大的时候，支持向量机的训练问题相当于解一个很庞大的二次规划问题，很耗费时间和内存，用常规的解二次规划问题的方法是解不出来的，序列最小优化算法是当前最常用的解这类问题的算法。在这篇论文里，我们把在构成准线性核函数时获得的分类边界信息应用于改善序列最小优化算法的收敛性能。实验结果表明，我们改进的序列最小优化算法可以大大降低准线性支持向量机的训练时间。当训练数据分布复杂，很难分时，对传统的非线性支持向量机的训练也有很大提高。(本文来源于《西安电子科技大学》期刊2013-03-01）
罗桂美[8]（2012）在《约束优化问题中LP最小值序列的性质和判定》一文中研究指出从凸函数的次微分出发,采用非光滑分析的方法,考察约束优化问题中当约束集为非空闭凸锥时,LP最小值序列的性质及判定方法,并进一步考察Banach空间中当约束为不等式时的特殊情形.(本文来源于《华南师范大学学报(自然科学版)》期刊2012年03期）
罗桂美[9]（2011）在《约束优化中的渐近稳定序列与LP最小值序列》一文中研究指出在RN空间下从凸函数的次微分出发,考察约束凸最优化问题中几种渐近稳定序列成为LP最小值序列的条件,同时也考察了AC-稳定序列的性质以及它与LP最小值序列之间的若干关系.(本文来源于《福州大学学报(自然科学版)》期刊2011年03期）
鲁淑霞,曹贵恩,孟洁,王华超[10]（2011）在《基于取样的潜在支持向量机序列最小优化算法》一文中研究指出为了提高潜在支持向量机求解大规模问题的训练速度,提出了基于样本取样的潜在支持向量机序列最小优化算法,去掉了大部分非支持向量,把支持向量逐渐压缩到取样样本集中.此算法特别适合大样本数据且支持向量个数相对较少的情况.实验表明,改进的序列最小优化算法加速了潜在支持向量机分类器训练时间.(本文来源于《河北大学学报(自然科学版)》期刊2011年02期）
序列最小优化论文开题报告
（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：
当攻击者使用Web应用程序将恶意代码注入不同的终端用户时,就会发生跨站脚本攻击。文章针对Web应用程序使用用户输入的数据,而不对其进行验证或编码的现象,提出一种基于正则表达式匹配算法和序列最小优化算法的递归特征消除算法(SMO-RFE)。首先对数据进行预处理,采用正则表达式匹配算法,为训练集选择有代表性的特征数据集;其次利用SMO-RFE特征选择算法选择出最优特征;再次对具有攻击性的关键词进行特征排序和组合;最后总结特征关键字的出现频率以及特征值权重比例。攻击关键字出现的频率越高,漏洞存在的可能性就越大。实验验证发现,数据集通过SMO-RFE算法选择之后,SVM特征向量被检测的准确率更高,充分说明该算法能够有效地检测跨站脚本漏洞。
（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。
序列最小优化论文参考文献
[1].廖小飞,庄新闯,公维涛,陈建军.基于序列最小优化的SIFT特征提取与匹配算法[J].计算机仿真.2019
[2].黄娜娜,万良,邓烜堃,易辉凡.一种基于序列最小优化算法的跨站脚本漏洞检测技术[J].信息网络安全.2017
[3].刘娜,刘贵平,张静.基于Java语言的最小长度加法生成序列算法优化[J].电脑编程技巧与维护.2014
[4].刘艳萍,吴群英.优化权重下高斯序列最大值几乎处处中心极限定理[J].山东大学学报(理学版).2014
[5].左琳.序列最小优化工作集选择算法的改进[J].电子科技大学学报.2013
[6].王越,吕奇峰,王泉,曾晶.一种改进的支持向量机序列最小优化算法[J].重庆理工大学学报(自然科学).2013
[7].张宏灏.准线性支持向量机及其序列最小优化算法[D].西安电子科技大学.2013
[8].罗桂美.约束优化问题中LP最小值序列的性质和判定[J].华南师范大学学报(自然科学版).2012
[9].罗桂美.约束优化中的渐近稳定序列与LP最小值序列[J].福州大学学报(自然科学版).2011
[10].鲁淑霞,曹贵恩,孟洁,王华超.基于取样的潜在支持向量机序列最小优化算法[J].河北大学学报(自然科学版).2011
标签：尺度不变特征转换; 特征提取与匹配; 双目立体视觉即时定位与地图构建; 序列最小优化;