导读:本文包含了函数数据分析论文开题报告文献综述及选题提纲参考文献，主要关键词:主元分析,数据挖掘,动作发展
函数数据分析论文文献综述
张百发,席健夫,赵萌,王宋扬,罗冬梅[1]（2019）在《幼儿前滑步动作发展特征的函数型数据分析》一文中研究指出研究目的:本研究以幼儿前滑步动作下肢关节角度曲线整体作为分析对象降维处理,探讨幼儿前滑步动作发展趋势规律及函数型主元分析在幼儿动作发展评价研究中可行性。研究方法:本研究选取北京市城区2所幼儿园53名3.5岁幼儿(男孩27人,女孩26人),生理年龄纳入标准为测试日期减去出生日期所得天数在3岁6个月前后15天内。于2015年10月-2017年10月跟踪测试两年,测试间隔时间为1年,共进行3次测试。受试者均为健康幼儿无认知、动作发展迟缓以及身体发育障碍等问题。追踪2年期间由于转学、生病等客观因素,最终完整参与3次跟踪测试受试者共计16名(男孩10人,女孩6人)。应用QTM-2.8-Build 6镜头红外高速运动捕捉系统(Qualisys,瑞典,100HZ)采集幼儿前滑步时人体运动学数据。测试前记录受试者基本信息(姓名、性别)。测试人员为幼儿穿着同款紧身裤及统一测试鞋后,告知幼儿测试流程并口头引导幼儿热身熟悉动作。热身结束,由同一名专业实验人员按照改良后Helen Hayes方案粘贴27个反光标志点(颅顶点,第七颈椎,第五腰椎,两侧肩峰点,两侧肱骨外上髁,两侧桡骨茎突,两侧髂前上嵴,两侧大腿前侧,两侧股骨外上髁,两侧股骨内上髁,两侧胫骨前缘中点,两侧外踝,两侧内踝,两侧足跟和足尖)。开始测试时,专业测试人员示范引导受试者在自然速度下前滑步往返通过测试区域;受试者自然、无停顿前滑步通过测试区域视为一次有效数据,共采集4次有效数据。运动学参数采用Visual3D软件计算处理。根据标志点坐标建立下肢多刚体模型,采用欧拉角计算方法获得下肢关节叁维角度。将下肢关节矢状面角度按一个动作周期时长(跟随腿着地至跟随腿再次着地)进行标准化处理。函数型主元分析采用matlab R2015b软件编程实现。前滑步属于周期性动作,故采用151个3阶傅里叶基将下肢关节角度时间序列曲线拟合为函数[1],平滑参数设为。随后将函数降维分解成若干主元主元数量确定标准为累积贡献率达到95%且各主元特征值大于1。为了便于对主元解释,采用varimax旋转方法[2]及连续配准(Continuous Registration)[3]消除相位变异性。采用重复测量方差分析,分别比较不同生理年龄幼儿前滑步动作下肢关节角度时间序列曲线各主成分得分,数据分析采用SPSS20.0,显着性水平设为0.05。研究结果:幼儿前滑步引导腿髋关节角度时间序列曲线降维成两个主元,特征值为61.68、11.37,贡献率为82.23%、15.1%,累积贡献率97.4%。幼儿前滑步引导腿膝关节角度时间序列曲线降维成两个主元,特征值为105.56、11.59,贡献率为86.3%、9.5%,累积贡献率95.8%。幼儿前滑步引导腿踝关节角度时间序列曲线降维成叁个主元,特征值为40.25、9.18、4.30,贡献率为72.7%、16.6%、7.8%,累积贡献率97.1%。幼儿前滑步跟随腿关节角度时间序列曲线各主元趋势见图3。幼儿前滑步跟随腿髋关节角度时间序列曲线降维成两个主元,特征值为96.83、6.36,贡献率为91.5%、6.0%,累积贡献率97.5%。幼儿前滑步跟随腿膝关节角度时间序列曲线降维成两个主元,特征值为199.13、16.73,贡献率为87.9%、7.4%,累积贡献率95.3%。幼儿前滑步跟随腿踝关节角度时间序列曲线降维四个主元,特征值为43.6、11.3、9.9、3.8,贡献率为62.8%、16.2%、14.3%、5.5%,累积贡献率98.8%。单因素重复测量方差分析结果表明,不同生理年龄幼儿前滑步引导腿髋关节主元一(P=0.00)、髋关节主元二(P=0.00)、膝关节主元一(P=0.00)及跟随腿髋关节主元二(P=0.03)得分具有显着性差异。幼儿前滑步引导腿髋关节主元二得分随生理年龄增大而减小,幼儿前滑步引导腿膝关节主元一得分随生理年龄增大而增大。函数型主元分析是探索幼儿动作发展领域运动数据等时间序列参数特征关键技术,具有独特功能。本研究详细探讨函数性主元分析在挖掘幼儿动作发展动作特征规律适用性,包括应用条件、参数设置、统计量诠释、特有功能等方面,并且3-6岁幼儿前滑步动作特征分析中得到较好应用,认为其是一种能应用于探索幼儿动作发展中动作特征、动作模式及动作序列数学工具。采用函数型主元分析量化时间序列性参数优点集中在两方面:1)整体、部分序列法等对于幼儿动作模式定性分类往往依靠观察者主观经验具局限性,而传统截面统计对于幼儿动作发展特征定量分析有会彻底忽略样本数据间有序性。而采用函数型主元分析技术以整个动作阶段关节角度曲线为单位加以分析既可以体现时间序列参数本身连续性又符合能量有限原理。2)函数型主元分析很容易延伸到回归分析、模式识别等研究方向,为幼儿动作发展评价标准建立及快速评价系统提供算法帮助。研究结论:1)基于函数型分析技术发现,幼儿前滑步引导腿髋关节角度时间序列主元二、膝关节角度时间序列主元一幅度变异特征可以反映幼儿前滑步动作发展规律特征。随着生理年龄增加,幼儿前滑步引导腿单支撑阶段和腾空阶段引导腿髋关节及腾空期引导腿膝关节摆动幅度减小。2)函数型主元分析充分考虑各动作阶段下肢关节角度间相互关联及其不同时间序列曲线类型对幼儿动作发展评价诊断的影响,为幼儿动作发展阶段划分提供新型技术手段。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
王江荣,王庆岭[2]（2019）在《基于函数cot(x~α)变换的傅立叶级数在大坝变形数据分析中的应用》一文中研究指出针对波动性大、规律性和平稳性均较差的大坝变形监测数据,采用事先设定变形曲线建模会因设定不当而出现拟合预测误差较大的问题。提出一种基于函数cot(x~α)变换的傅立叶级数逼近建模方法,利用该建模方法建立的大坝变形预测模型具有很强的数据适应能力和外推能力,只需少量级数项就能达到理想的预测效果,对于其中的模型系数及相关参数可采用遗传算法来估算。工程实例应用结果表明:基于函数cot(x~α)变换的傅立叶级数逼近建模方法所建立的大坝变形预测模型的预测精度高,且建模方法简单、程序容易实现,可应用于工程实践。(本文来源于《安全与环境工程》期刊2019年05期）
李超,马果,石明吉[3]（2019）在《数据分析中含关联系统误差的卡方函数的构造》一文中研究指出含有多个误差项的卡方函数严格意义上应该表示成矩阵的形式,然而矩阵方法表示的卡方函数自由项较多,在使用计算机寻找卡方函数极值的过程变得相对困难。因此在实际构造的过程中,经常使用平方项的形式进行卡方函数的构造。基于原始的数据分析原理,可以证明这二者在数学上是等价的。(本文来源于《南阳理工学院学报》期刊2019年04期）
王曼灵,陈传熙[4]（2019）在《分析信息建模型 拟合数据求最优——浅谈“课后阅读:函数模型的应用”的教学设计》一文中研究指出为了锤炼教学基本功和助推专业成长,学校开展了一次面向青年教师(5年内)的课堂教学评比活动.笔者的抽签内容是高中数学必修1(人教A版)的"3.2函数模型及其应用"一节后的"信息技术应用:收集数据并建立函数模型"的拓展素材~[1].该素材介绍了如何用计算机、数据采集器、温度传感器等信息技术工具收集水温变化数据,并建立温度与时间的函数模型的应用实例,从中体现数学应用的信息化、时代化,也传递了延展传统高中数学课堂、贴近生活的编者意图.为此,笔者有(本文来源于《数学通讯》期刊2019年14期）
岳明奕,周聪,喻冉,赵冉[5]（2019）在《一种基于函数性质的盘车数据分析方法》一文中研究指出介绍一种以分析函数性质的方法来分析水轮发电机盘车数据,并通过某抽水蓄能电站盘车数据验证该方法的可行性。该方法减少了传统盘车数据分析过程中,由于操作人员个人经验及主观看法引起的差异性及盲目性,对实际盘车工作有一定指导意义。(本文来源于《珠江现代建设》期刊2019年03期）
戴丽丽[6]（2019）在《基于函数型数据的在线教育股票的数据分析》一文中研究指出随着我国经济与世界经济的不断发展,金融行业迅速发展,国内金融市场逐步扩张,股票市场作为金融市场的一部分,股票市场的交易在交易时间内时刻发生着数据的变化,产生大量、高频、人们可以轻松获取的交易数据,这些数据时时刻刻反映并影响着国家的经济发展状况,是一个地区或者国家经济走势的风向标。对于这些复杂数据的处理与研究成为了众多学者们学术研究的一个重要方向,而传统的数据分析方法在处理这些复杂数据的问题上具有一定的局限性,学者们通过深入研究,探索出一种新的数据分析方法,将大量的复杂数据整体看成一个函数进行研究,即函数型数据分析。本文的研究是基于函数型数据分析中一种常用的分析方法,即函数型主成分分析对在线教育股票数据进行分析,将收集到的离散数据从函数的角度出发,把函数型数据看成一个整体,再运用主成分分析的方法进行研究,主要介绍主成分分析的思想、原理以及求解主成分的方法,并将基于B-样条基函数展开的函数型数据主成分分析方法应用于在线教育股票数据的分析中,借助R软件编程得到几个主成分的累积贡献率超过85%,结合实际情况,得出主成分反映的内容,以便更好地让投资者了解股票数据的变化规律与趋势,并作出准确交易策略。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
胡艳[7]（2019）在《函数型数据分析的研究及其应用》一文中研究指出随着科技的发展,我们收集各行各业的数据也变得更加便捷,同时我们也发现获取的原始数据往往会呈现出一种函数的形式,而函数型数据分析就是针对这类数据分析的一种方法,它目前在经济学,气象学,心理学,医学等方面都具有很好的发展和应用前景。函数型数据分析的本质是选取相应的基函数对离散数据进行拟合使其得到相应的函数表达式,而后再对得到的函数进行特征分析,建立相应的模型。在气象学方面,收集到大气中一些元素的含量数据具有函数型数据的特点,由此通过函数型数据分析的方法对收集到的六个城市2017年每天pm2.5,pm10,臭氧以及温度的数据进行数据拟合处理以及以pm2.5为响应变量,pm10,臭氧,温度为预测变量分别建立一元函数型线性回归模型和多元函数型线性回归模型来分析pm2.5与pm10,臭氧,温度叁者之间的关系,由此对大气污染的治理提出一些建议。(本文来源于《北方工业大学》期刊2019-05-21）
李豫[8]（2019）在《基于多元函数型数据聚类的我国城市空气质量时空特征分析》一文中研究指出当今社会中国的空气污染情况很严峻,严重损害了广大人民的身体素质,而随着工业化的推进,我国在这方面防治压力也加大。所以了解环境质量现状并进行研究,已成为当下刻不容缓的任务,对于城市发展也有着重要意义。以往对空气质量的研究,基于传统数据类型有一定的局限性,容易出现过分依赖经典假设,信息量损失等问题。现如今随着大数据时代到来,函数型数据应运而生,而国内对于空气质量的函数型数据聚类方法尚处于起步阶段。所以,本文基于多元函数型数据的聚类方法,从函数型数据这个崭新的视角,研究了全国范围内365个城市的空气质量时空特征分析和主要变化模式,并对中国城市空气污染的类型进行整体的划分,确定典型污染区域,最后与函数型数据的K均值聚类分析进行可视化对比分析,相关内容如下。本文根据2015-2017年间中国环境监测总站上我国365个城市空气质量月度数据,选取了我国空气最主要的六项污染因素:细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、一氧化碳和臭氧,构成本文所研究的数据集。首先选取B样条基函数来光滑拟合原始离散数据,接着基于函数型主成分分析对我国365个城市各污染物月均浓度曲线进行函数型降维,得到函数型主成分得分矩阵,然后在聚类研究方法上,分别采用了多元函数型高斯混合模型和多元函数型K均值法这两种方法,来对我国城市空气质量进行聚类分析,分别刻画了这叁年间我国不同城市影响空气质量的不同污染物时空特征和变化规律,再利用R软件,将中国365个城市空气污染类型的聚类结果在地图上直观实现,并加入了工业二氧化硫与工业烟粉尘排放量对聚类结果作了辅助分析。最后通过仿真模拟的评价指标ARI比较两种聚类方法准确性,以及选择了有代表性的城市进行实证分析,总结两个方法的优缺点,给出了一些改善污染现状的措施和建议,并根据不同聚类制定不同的方针措施,为今后环境治理提供相关的决策依据与理论支持。结果表明:所选取的我国365个样本城市2015-2017叁年间的空气污染因素,具有显着的时空分布特征。在时间特征上,与季节变动因素息息相关。叁类典型污染区域在时间分布上都有明显的相似性,其特征可综合概括为:冬季供暖季颗粒物污染严重;夏季颗粒物污染虽有所减轻,但臭氧污染严重且逐年加重。在地理位置上,通过对六项污染物指标浓度曲线的函数型聚类分析,得到了叁类典型污染区域的划分,从地理位置上来看总体呈现由外向内环状式的逐渐变差趋势,表现出了明显的空间差异性。除此之外,与基于函数型数据的K均值聚类相比,基于函数型数据模型聚类在考虑了六项污染物随时间变化规律时,还同时考虑到了污染指标间的相关性,理论上其聚类结果准确性更高更符合实际意义,最终也通过仿真模拟和实证分析也印证了这一点。(本文来源于《上海师范大学》期刊2019-05-01）
唐裔[9]（2019）在《基于函数型数据的加权主成分得分聚类分析及其应用》一文中研究指出随着近年来网络技术的不断发展,人们收集和存储数据的能力也在不断增加,获取得到的数据也越来越多。在这些数据中有一类数据它的潜在的生成过程为动态连续,且本质上具有一定的函数特点,统计学家称这类数据为函数型数据。然而传统的数据分析方法不能充分挖掘函数型数据的信息,于是诞生了函数型数据的分析方法。函数型数据分析有很多优势,众多经典的统计方法能推广到函数型数据的分析中。本文将聚类方法与函数型数据相结合,对函数型数据的聚类方法进行了一系列的研究讨论,主要包含以下叁个方面的内容:第一,对函数型数据的预处理方法进行了阐述。由于在实际生活中,收集得到的函数型数据都是离散的,需利用相应的方法对数据进行曲线估计,进而展现数据的内在变化特征。因此,本文对拟合曲线的基函数展开方法进行了讨论,包括基函数类型的选择、带惩罚项的最小二乘光滑模型的介绍。同时总结了函数型数据分析的优势,并通过实例证明了函数型数据在拟合的过程中,不仅可以克服噪声数据带来的误差,还可以降低异常数值点和缺失数据问题带来的影响。第二,将聚类分析推广至函数型数据中,研究了函数型数据的聚类方法。论文针对非正交基展开的函数型数据,提出了一种函数型加权主成分得分聚类方法,并对聚类的具体步骤进行了详细的介绍。同时,采用随机模拟实验,对提出的聚类方法的有效性进行了验证,分类结果证实该聚类方法能够有效地对函数型数据进行聚类。第叁,将新提出的聚类方法应用到我国31个省会城市人口的研究中,并与普通的层次聚类方法作了对比。结果表明新的聚类方法不仅能对各城市人口有效分类,还可以展现各类城市人口分类结果的变化特征及每一类之间的差异,并且新方法通过函数主成分的降维,使得计算量更小。因此,本文提出的函数型加权主成分得分聚类方法是可行的,比普通的层次聚类方法更好。(本文来源于《西华师范大学》期刊2019-04-01）
王越,尚长春[10]（2019）在《基于函数型数据分析的股票市场板块划分及板块指数构建》一文中研究指出文章主要基于函数型主成分分析探讨了沪深300指数238支成分股2012-2018年的波动率的规律,依据估计的载荷因子函数对其进行聚类分析,将其划分为六大板块,以期解决当前金融市场以行业、地域和概念等划分板块的主观性的问题;并利用股票价格平均指数编制各类板块指数,基于板块指数分析不同板块的风险及投资策略,为每个板块进行命名。此外,基于频数分析法构建不同板块内部随时间变化的联动比率指标以及个股的分化度指标,研究板块内部股票的整体联动性及板块的更新问题。(本文来源于《统计与管理》期刊2019年03期）
函数数据分析论文开题报告
（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：
针对波动性大、规律性和平稳性均较差的大坝变形监测数据,采用事先设定变形曲线建模会因设定不当而出现拟合预测误差较大的问题。提出一种基于函数cot(x~α)变换的傅立叶级数逼近建模方法,利用该建模方法建立的大坝变形预测模型具有很强的数据适应能力和外推能力,只需少量级数项就能达到理想的预测效果,对于其中的模型系数及相关参数可采用遗传算法来估算。工程实例应用结果表明:基于函数cot(x~α)变换的傅立叶级数逼近建模方法所建立的大坝变形预测模型的预测精度高,且建模方法简单、程序容易实现,可应用于工程实践。
（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。
函数数据分析论文参考文献
[1].张百发,席健夫,赵萌,王宋扬,罗冬梅.幼儿前滑步动作发展特征的函数型数据分析[C].第十一届全国体育科学大会论文摘要汇编.2019
[2].王江荣,王庆岭.基于函数cot(x~α)变换的傅立叶级数在大坝变形数据分析中的应用[J].安全与环境工程.2019
[3].李超,马果,石明吉.数据分析中含关联系统误差的卡方函数的构造[J].南阳理工学院学报.2019
[4].王曼灵,陈传熙.分析信息建模型拟合数据求最优——浅谈“课后阅读:函数模型的应用”的教学设计[J].数学通讯.2019
[5].岳明奕,周聪,喻冉,赵冉.一种基于函数性质的盘车数据分析方法[J].珠江现代建设.2019
[6].戴丽丽.基于函数型数据的在线教育股票的数据分析[D].哈尔滨工业大学.2019
[7].胡艳.函数型数据分析的研究及其应用[D].北方工业大学.2019
[8].李豫.基于多元函数型数据聚类的我国城市空气质量时空特征分析[D].上海师范大学.2019
[9].唐裔.基于函数型数据的加权主成分得分聚类分析及其应用[D].西华师范大学.2019
[10].王越,尚长春.基于函数型数据分析的股票市场板块划分及板块指数构建[J].统计与管理.2019