导读:本文包含了似然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:波达方位(DOA)估计,随机最大似然算法(SML),膜计算(MC),粒子群算法(PSO)
似然优化论文文献综述
向长波,于玮,宋华军,刘芬[1]（2019）在《膜计算优化随机最大似然DOA快速估计方法》一文中研究指出随机最大似然算法(SML)是一种优秀的波达方位(DOA)估计算法,但SML解析过程中极其繁重的计算复杂度制约了该算法在实际系统中的应用。针对SML计算复杂度高的问题,提出了一种融合膜计算(MC)的随机最大似然算法。首先利用膜计算的优化框架将SML算法的解空间进行膜划分,划分为基本膜和表层膜;然后在每个基本膜内并行采用粒子群算法(PSO)进行局部寻优,同时将基本膜区域内的局部最优解送至表层膜进行全局优化;最后在表层膜区域中采用人工蜂群优化算法进行全局最优解的搜索。实验结果表明,本文算法极大地降低了SML的解析复杂度,计算时间较常用的GA、AM和PSO算法提高了超过10倍,在收敛速度方面具有显着的优势,且测向精度优于传统空间谱算法。(本文来源于《高技术通讯》期刊2019年09期）
郑妙[2]（2019）在《基于最大似然估计的众包质量控制优化方法研究》一文中研究指出众包能够通过利用数十万网络中的工人(即人群)的智慧来解决计算机难以有效解决的问题,如实体解析、情感分析和图像识别问题。尤其在为机器学习和数据挖掘领域提供人类智能支持方面已经非常成功,它们通过在公共众包平台(如Amazon Mechanical Turk(AMT)、Crowdflower 和 Upwork)上发布标注任务来收集用于训练各种机器学习和数据挖掘系统的标记数据。由于众包中的工人可能具有不同水平的专业知识,未经培训的工人可能无法完成某些任务,甚至一些恶意的工人可能会故意给出错误的答案,众包可能会产生相对低质量的结果。因此,需要一些质量控制策略来保证众包任务结果的质量,即在收到工人的对于任务的回答后,对工人的质量建模,然后根据工人质量推测出任务的真实答案。现在已有的众包质量控制方法主要利用EM方法最大化似然值来估计工人的质量以及任务的真实答案。然而,基于EM的方法往往只是局部最优的解决方案,并且估计结果会受到初始值的影响。所以,本文提出了面向全局最优结果的众包质量控制优化方法来解决以上问题。本文主要针对于基于最大似然估计的众包质量控制优化问题进行了深入研究。首先,提出了基于最大似然估计的众包质量控制局部最优算法,利用EM方法最大化似然值对工人的质量以及任务的真实答案进行评估,分别提出了基于静态和动态工人模型的众包质量评估算法。其中静态工人模型是用概率值或者概率矩阵来表示工人的质量。动态工人模型中工人的质量受到任务难度的影响并且符合函数分布,动态工人模型能够更加详尽的体现工人的质量随影响因素的变化规律。在对工人质量建模后,利用EM方法最大化似然函数估计出工人模型的参数以及任务的真实答案。然后,本文在EM方法的局部最优结果的基础之上进行优化,提出了一个以似然最大为目标的众包质量控制近似全局最优算法。该优化算法由一个任务优势排序模型和一个迭代近邻搜索算法组成,通过进一步似然最大化来提高任务真实答案估计的准确性。任务优势排序模型可以帮助删减劣势的任务-答案组合,并且保留优势的任务-答案组合;迭代近邻搜索算法能够在一个邻域内找到具有最大似然值的任务-答案组合。本文提出的优化算法在最大化似然值的同时提供了工人的质量和任务的真实答案估计的准确性。最后,本文采用了模拟数据集和在AMT平台上收集的关于情感分析任务的真实数据集,通过大量的对比实验评估了本文提出的众包质量控制局部最优算法以及近似全局最优算法。实验结果表明,本文提出的方法能够得到更高质量的估计结果。另外,我们实现了一个众包APP作为实验平台,该实验平台能够管理和发布移动众包任务(例如商场打折信息标注任务)并收集移动众包数据,还可以通过该平台来应用众包质量控制相关算法。(本文来源于《山东大学》期刊2019-05-20）
吴骏雄,林德福,王辉,袁亦方[3]（2018）在《基于最大似然估计和混合梯度优化的射手模型辨识》一文中研究指出光纤制导过程中射手对于光电显示的响应及其控制行为将直接影响弹药的制导控制性能。针对此问题,将最大似然估计法应用于射手模型辨识研究中。为解决辨识过程中遇到的非线性优化问题,采用遗传算法和高斯-牛顿优化算法混合策略提高寻找全局最优解的概率,并使用单纯形法提高算法鲁棒性。基于交叉原理提出适用于导引头回路的精确模型,设计仿真实验平台并进行了多轮次人在回路实验,将输出误差框架下的最大似然估计方法成功应用于实验数据中。结果表明:混合梯度优化算法能够找到全局最优值,辨识模型能够准确反映射手本身的动态特性,辨识方法和辨识的射手模型对于光纤寻的弹药制导控制系统设计具有一定的实际意义。(本文来源于《兵工学报》期刊2018年12期）
张超,张莹,谢元锋[4]（2018）在《基于最大似然估计法的计量器具校准周期分析和优化》一文中研究指出本文通过开展周期性校准,评定不确定度,在积累了一定数据基础上,采用最大似然估计法,分析并优化了我司电子天平的校准周期。对保障测量结果的准确可靠性,同时降低校准的经济成本和时间成本有重要实践意义。(本文来源于《计量与测试技术》期刊2018年09期）
刘芬[5]（2017）在《基于智能优化的低复杂度的随机最大似然算法》一文中研究指出空间谱估计常称为波达方位(DOA)估计,是阵列信号处理中一个非常重要的研究方向,已经在通信、军事、生物医学等众多领域中得到了广泛应用。随机最大似然算法(SML)是一种重要的空间谱估计算法,理论上,SML算法有着最优的DOA估计性能,但是SML算法解析过程复杂度比较大,并且涉及到多维非线性最优化问题,因此阻碍了其在实际系统中的应用。为降低SML的计算复杂度,本文先后提出了两种基于SML的低复杂度的空间谱估计算法。主要研究工作如下:首先,针对SML算法计算复杂度高的问题,本文提出了基于改进粒子群的SML算法。该算法首先使用旋转不变子空间算法(ESPRIT)来获取DOA的预估计值,同时计算系统此时的信噪比以及克拉-美罗界(CRB);然后根据DOA的预估值和当前的CRB值在SML最优解的近邻范围内确定较小的初始化空间;最后对粒子群算法中的惯性因子进行改进,使粒子以合理的速度搜索SML算法的最优解。相比于传统粒子群算法,改进粒子群算法降低了SML的解析复杂度,并且在收敛速度上具有显着优势。然后,为了进一步降低SML算法的计算复杂度,本文提出了基于膜计算的SML算法。该算法首先利用膜计算的框架将SML算法的解空间进行膜划分,划分成基本膜和表层膜;然后在每个基本膜内并行采用本文提出的改进粒子群算法进行局部寻优,同时利用膜系统的转移与交流规则将基本膜区域内的局部最优解送至表层膜来用于全局优化;最后在表层膜区域采用人工蜂群优化算法进行全局最优解的搜索。相比于本文提出的粒子群优化算法,利用改进型的膜计算方法对DOA的最优值进行求解,有更高的计算效率。最后,为了验证本文提出的两种算法的性能,利用仿真实验进行了性能分析。在不影响DOA估计精度的前提下,相比于传统PSO算法,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML算法的解析复杂度,所需的时间大约是传统PSO算法的1/10,在收敛速度上也有显着优势;同时改进的膜计算算法所需的时间大约是传统PSO算法的1/11,进一步提高了算法的计算效率。综上所述,本文提出的两种算法解决了SML计算复杂度大的问题,而且实时性效果显着。(本文来源于《中国石油大学(华东)》期刊2017-05-01）
高国栋,林明,许兰[6]（2017）在《基于似然分布调整的粒子群优化粒子滤波新方法》一文中研究指出传统基于粒子群优化的粒子滤波(PF)算法(PSOPF)在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法(LA-PSOPF)。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。(本文来源于《计算机应用》期刊2017年04期）
吴福仙,温卫东[7]（2017）在《极大似然最大熵概率密度估计及其优化解法》一文中研究指出针对经典最大熵概率密度估计中拉格朗日乘子计算目前存在高度非线性、计算精度不高或有时难以收敛等问题,提出了一种"最大似然+逐次优化"的方法。基于最大似然估计法,推导建立了简化的拉格朗日优化函数;在此基础上,基于样本原点矩约束,提出了逐次寻优算法。根据优化过程不稳定,重新推导了拉格朗日乘子的线性变换公式,避免矩阵求逆运算引起的奇异现象。针对几种常见的概率分布类型及可靠性问题,采用极大似然最大熵概率密度估计法与经典型最大熵概率密度估计法分别计算概率密度及可靠度的对比表明:极大似然最大熵概率密度估计法的优化函数非线性程度低,形式简单,而且"极大似然最大熵概率密度估计+逐次优化法计算"精度高,收敛性好。(本文来源于《南京航空航天大学学报》期刊2017年01期）
赵越,李红[8]（2016）在《极大似然优化EM算法的汉语分词认知模型》一文中研究指出针对标准EM算法在汉语分词的应用中还存在收敛性能不好、分词准确性不高的问题,本文提出了一种基于极大似然估计规则优化EM算法的汉语分词认知模型,首先使用当前词的概率值计算每个可能切分的可能性,对切分可能性进行"归一化"处理,并对每种切分进行词计数,然后针对标准EM算法得到的估计值只能保证收敛到似然函数的一个稳定点,并不能使其保证收敛到全局最大值点或者局部最大值点的问题,采用极大似然估计规则对其进行优化,从而可以使用非线性最优化中的有效方法进行求解达到加速收敛的目的。仿真试验结果表明,本文提出的基于极大似然估计规则优化EM算法的汉语分词认知模型收敛性能更好,且在汉语分词的精确性较高。(本文来源于《科技通报》期刊2016年04期）
兰美辉[9]（2015）在《基于惩罚似然优化模型的本体稀疏向量计算算法》一文中研究指出通过稀疏向量的学习来得到本体函数,利用方向导数计算来得到惩罚似然优化模型的最优解,进而得到本体稀疏向量.将该算法应用于植物学领域PO本体和仿生机器人领域本体,同时将实验结果与已有算法的结果作对比,结果表明本算法对植物学领域的相似度计算和仿生机器人领域本体映射的建立有较高的效率.(本文来源于《云南师范大学学报(自然科学版)》期刊2015年04期）
单泽涛,单泽彪,朱兰香,石要武[10]（2015）在《SQP优化的最大似然波达方向角估计》一文中研究指出为快速实现波达方向角(DOA:Direction Of Arrival)的精确估计,提出了应用序列二次规划(SQP:Sequence Quadratic Program)的最大似然DOA估计算法。给出了用于DOA估计的最大似然函数,将参数估计问题转化为非线性函数优化问题;并利用SQP优化算法对似然函数的求解进行优化,得到DOA的估计值。仿真结果表明,该算法可用较少的计算时间实现对似然函数的优化求解,同时保留了最大似然估计的渐进无偏估计性能,与遗传算法、粒子群算法相比,不仅具有更快的寻优速度,而且具有更高的收敛精度。(本文来源于《吉林大学学报(信息科学版)》期刊2015年04期）
似然优化论文开题报告
（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：
众包能够通过利用数十万网络中的工人(即人群)的智慧来解决计算机难以有效解决的问题,如实体解析、情感分析和图像识别问题。尤其在为机器学习和数据挖掘领域提供人类智能支持方面已经非常成功,它们通过在公共众包平台(如Amazon Mechanical Turk(AMT)、Crowdflower 和 Upwork)上发布标注任务来收集用于训练各种机器学习和数据挖掘系统的标记数据。由于众包中的工人可能具有不同水平的专业知识,未经培训的工人可能无法完成某些任务,甚至一些恶意的工人可能会故意给出错误的答案,众包可能会产生相对低质量的结果。因此,需要一些质量控制策略来保证众包任务结果的质量,即在收到工人的对于任务的回答后,对工人的质量建模,然后根据工人质量推测出任务的真实答案。现在已有的众包质量控制方法主要利用EM方法最大化似然值来估计工人的质量以及任务的真实答案。然而,基于EM的方法往往只是局部最优的解决方案,并且估计结果会受到初始值的影响。所以,本文提出了面向全局最优结果的众包质量控制优化方法来解决以上问题。本文主要针对于基于最大似然估计的众包质量控制优化问题进行了深入研究。首先,提出了基于最大似然估计的众包质量控制局部最优算法,利用EM方法最大化似然值对工人的质量以及任务的真实答案进行评估,分别提出了基于静态和动态工人模型的众包质量评估算法。其中静态工人模型是用概率值或者概率矩阵来表示工人的质量。动态工人模型中工人的质量受到任务难度的影响并且符合函数分布,动态工人模型能够更加详尽的体现工人的质量随影响因素的变化规律。在对工人质量建模后,利用EM方法最大化似然函数估计出工人模型的参数以及任务的真实答案。然后,本文在EM方法的局部最优结果的基础之上进行优化,提出了一个以似然最大为目标的众包质量控制近似全局最优算法。该优化算法由一个任务优势排序模型和一个迭代近邻搜索算法组成,通过进一步似然最大化来提高任务真实答案估计的准确性。任务优势排序模型可以帮助删减劣势的任务-答案组合,并且保留优势的任务-答案组合;迭代近邻搜索算法能够在一个邻域内找到具有最大似然值的任务-答案组合。本文提出的优化算法在最大化似然值的同时提供了工人的质量和任务的真实答案估计的准确性。最后,本文采用了模拟数据集和在AMT平台上收集的关于情感分析任务的真实数据集,通过大量的对比实验评估了本文提出的众包质量控制局部最优算法以及近似全局最优算法。实验结果表明,本文提出的方法能够得到更高质量的估计结果。另外,我们实现了一个众包APP作为实验平台,该实验平台能够管理和发布移动众包任务(例如商场打折信息标注任务)并收集移动众包数据,还可以通过该平台来应用众包质量控制相关算法。
（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。
似然优化论文参考文献
[1].向长波,于玮,宋华军,刘芬.膜计算优化随机最大似然DOA快速估计方法[J].高技术通讯.2019
[2].郑妙.基于最大似然估计的众包质量控制优化方法研究[D].山东大学.2019
[3].吴骏雄,林德福,王辉,袁亦方.基于最大似然估计和混合梯度优化的射手模型辨识[J].兵工学报.2018
[4].张超,张莹,谢元锋.基于最大似然估计法的计量器具校准周期分析和优化[J].计量与测试技术.2018
[5].刘芬.基于智能优化的低复杂度的随机最大似然算法[D].中国石油大学(华东).2017
[6].高国栋,林明,许兰.基于似然分布调整的粒子群优化粒子滤波新方法[J].计算机应用.2017
[7].吴福仙,温卫东.极大似然最大熵概率密度估计及其优化解法[J].南京航空航天大学学报.2017
[8].赵越,李红.极大似然优化EM算法的汉语分词认知模型[J].科技通报.2016
[9].兰美辉.基于惩罚似然优化模型的本体稀疏向量计算算法[J].云南师范大学学报(自然科学版).2015
[10].单泽涛,单泽彪,朱兰香,石要武.SQP优化的最大似然波达方向角估计[J].吉林大学学报(信息科学版).2015