导读:本文包含了完全观测数据论文开题报告文献综述及选题提纲参考文献，主要关键词:消费者聚类,不完全观测数据,支持向量机,收视行为
完全观测数据论文文献综述
吕晓玲[1]（2015）在《一种针对不完全观测数据的消费者聚类方法》一文中研究指出现有聚类方法都是基于消费者全部的行为信息,对于观测不完全的信息,提出了叁阶段聚类方法。首先,使用样本数据的全部信息对消费者聚类;接着仅使用人口统计变量建立分类模型;最后对上述结果进行修正。叁阶段聚类方法最大优点是可以将没有入选样本的个体分配到由样本个体得到的行为集群中去,将这个方法应用于电视行业,得到了很有实际应有价值的结果。(本文来源于《统计与信息论坛》期刊2015年01期）
惠沈盈[2]（2011）在《观测数据不完全的动态定位算法研究》一文中研究指出在GPS动态定位中,常常会因为各种原因导致观测数据丢失,这些丢失的数据称为缺失数据。由于卡尔曼滤波理论在求解的过程中不需要存储大量的观测数据,它是利用新的观测数据直接计算参数滤波值,从而达到实时地处理观测数据的目的,因此卡尔曼滤波理论成为处理动态定位数据最主要的方法之一。动态定位所获得的数据是时间序列数据,时间序列数据的处理方法对数据的完整性要求非常严格,不能有长时间的数据缺失,否则无法得到高精度的动态定位解,所以某些观测量的缺失会严重影响数据处理的效果,降低动态定位精度,而这些情形通常是无法通过质量控制来弥补的。目前,缺失数据的处理方法主要有EM(Expectation Maximization)算法、填补方法、多传感器融合方法等。EM算法在处理动态定位观测数据缺失时,并不能对缺失数据进行估计,只能对模型参数进行估计。填补法是对缺失的观测数据进行填补,各种填补方法也层出不穷,但是将填补法用于处理动态定位观测数据缺失存在着很多问题,因为多数填补法并不是针对动态定位观测数据提出的,并没有考虑到动态定位实时处理的特性。多传感器融合方法目前还没有形成统一的理论,且抗差性问题也没有得到很好的解决。基于以上情况,本文主要做了以下的研究：1.给出了观测数据缺失时动态定位算法的研究背景,分析了目前测绘方面有关缺失数据问题的研究现状。2.比较了几种常用的处理缺失数据问题的方法,并对其基本原理进行了分析,提出了这些方法在应用于处理动态定位观测数据缺失时的不足。3.针对目前常用的缺失数据处理方法的不足,考虑到卡尔曼滤波算法在动态定位中的广泛应用,然后结合动态定位实时处理的特性,提出叁种基于卡尔曼滤波算法的动态定位观测数据缺失处理方法。4.通过模拟算例和实测GPS数据对上述算法进行了验证,并与标准卡尔曼滤波的平差结果做了对比,说明了算法的适用情况与不足之处。(本文来源于《中南大学》期刊2011-05-01）
邓志红,闫莉萍,付梦印[3]（2010）在《基于不完全观测数据的多速率多传感器数据融合》一文中研究指出研究了一类时变线性动态系统,在不同传感器以不同采样率对同一目标进行观测,并且各个传感器的观测数据存在不规律丢失情况下,给出了一种有效的信息融合方法。该方法通过数学推导,将多速率传感器数据融合转化为单速率传感器数据融合问题,并采用修正的联邦Kalman滤波器进行状态估计。新算法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性。在观测数据丢失的时刻,采用外推的观测值代替错误的观测数据,从而避免了传统算法的发散。理论分析和仿真实验验证了算法的有效性。(本文来源于《系统工程与电子技术》期刊2010年05期）
马新生[4]（2009）在《时间序列分析中观测数据不完全时自协方差的矩估计》一文中研究指出讨论了时间序列分析中观测数据不完全时自协方差函数的两种矩估计及其相关性质,并在推广Bartlett's公式的基础上,给出了估计的方差的阶.(本文来源于《浙江教育学院学报》期刊2009年05期）
潘雄,陈于,胡友健,吴北平[5]（2008）在《不完全观测数据情况下系统误差的检测方法》一文中研究指出利用补偿法并综合最小二乘法来处理观测数据中的系统误差问题,即将影响观测值的因素分为两个部分:一部分为线性部分,另一部分为某种干扰因素,它同参数的关系是完全未知的,将其看成系统误差。在顾及原观测值权的基础上,在删失情况不同的情形下导出了这种估计方法参数和非参数分量的解算公式,通过合理地选择平滑因子,能够使解算结果更接近真实情况,提高数据处理估计值的精度。最后,用两个算例研究了在不同删失情况下参数的估计值,说明了此方法在处理系统误差方面的优越性。(本文来源于《化工自动化及仪表》期刊2008年04期）
完全观测数据论文开题报告
（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：
在GPS动态定位中,常常会因为各种原因导致观测数据丢失,这些丢失的数据称为缺失数据。由于卡尔曼滤波理论在求解的过程中不需要存储大量的观测数据,它是利用新的观测数据直接计算参数滤波值,从而达到实时地处理观测数据的目的,因此卡尔曼滤波理论成为处理动态定位数据最主要的方法之一。动态定位所获得的数据是时间序列数据,时间序列数据的处理方法对数据的完整性要求非常严格,不能有长时间的数据缺失,否则无法得到高精度的动态定位解,所以某些观测量的缺失会严重影响数据处理的效果,降低动态定位精度,而这些情形通常是无法通过质量控制来弥补的。目前,缺失数据的处理方法主要有EM(Expectation Maximization)算法、填补方法、多传感器融合方法等。EM算法在处理动态定位观测数据缺失时,并不能对缺失数据进行估计,只能对模型参数进行估计。填补法是对缺失的观测数据进行填补,各种填补方法也层出不穷,但是将填补法用于处理动态定位观测数据缺失存在着很多问题,因为多数填补法并不是针对动态定位观测数据提出的,并没有考虑到动态定位实时处理的特性。多传感器融合方法目前还没有形成统一的理论,且抗差性问题也没有得到很好的解决。基于以上情况,本文主要做了以下的研究：1.给出了观测数据缺失时动态定位算法的研究背景,分析了目前测绘方面有关缺失数据问题的研究现状。2.比较了几种常用的处理缺失数据问题的方法,并对其基本原理进行了分析,提出了这些方法在应用于处理动态定位观测数据缺失时的不足。3.针对目前常用的缺失数据处理方法的不足,考虑到卡尔曼滤波算法在动态定位中的广泛应用,然后结合动态定位实时处理的特性,提出叁种基于卡尔曼滤波算法的动态定位观测数据缺失处理方法。4.通过模拟算例和实测GPS数据对上述算法进行了验证,并与标准卡尔曼滤波的平差结果做了对比,说明了算法的适用情况与不足之处。
（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。
完全观测数据论文参考文献
[1].吕晓玲.一种针对不完全观测数据的消费者聚类方法[J].统计与信息论坛.2015
[2].惠沈盈.观测数据不完全的动态定位算法研究[D].中南大学.2011
[3].邓志红,闫莉萍,付梦印.基于不完全观测数据的多速率多传感器数据融合[J].系统工程与电子技术.2010
[4].马新生.时间序列分析中观测数据不完全时自协方差的矩估计[J].浙江教育学院学报.2009
[5].潘雄,陈于,胡友健,吴北平.不完全观测数据情况下系统误差的检测方法[J].化工自动化及仪表.2008