导读:本文包含了字典方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:康熙字典,知识图谱,命名实体库,实体关系库
字典方法论文文献综述
陈涛,杨开漠[1]（2019）在《《康熙字典》的古汉语知识图谱构建方法研究》一文中研究指出针对Zhishi.me、XLore等现有中文知识图谱对《康熙字典》中词语实体间关系定义不足、覆盖不全等问题,本文提出一种针对《康熙字典》的古汉语知识图谱构建方法.首先通过制定规则,提取出《康熙字典》中的命名实体,并构建命名实体库.然后,结合外部中文知识图谱及词典,构建实体关系库.最后,对所构建的知识图谱进行质量评估和迭代更新,并利用图数据库进行存储和展示.本文利用知识图谱将《康熙字典》中所包含的部首、集、卷、词语间的关系以结构化的形式表现出来,有利于研究者进一步研究和使用《康熙字典》中所包含的知识,推动古汉语的研究与应用.(本文来源于《五邑大学学报(自然科学版)》期刊2019年04期）
郑鲜艳,陈湘,汪芝城,江帆[2]（2019）在《基于K近邻字典的协同表示高光谱图像分类方法》一文中研究指出近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.(本文来源于《湖北大学学报(自然科学版)》期刊2019年06期）
倪文,廖嘉林[3]（2019）在《基于多示例的字典学习分类方法》一文中研究指出本文主要提出了一种基于多示例的字典学习分类方法,在多示例学习中引入字典学习来重新构建多示例特征,通过字典学习得到的多示例特征(稀疏编码)通常可以减少数据的冗余信息并提高分类器的判别力。1.引言(本文来源于《电子世界》期刊2019年20期）
王维刚,陶京,刘占生[4]（2019）在《基于半监督最大间隔字典学习的故障诊断方法》一文中研究指出针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。(本文来源于《振动.测试与诊断》期刊2019年05期）
杨倩,于洪,李劼,谢永芳[5]（2019）在《基于字典学习的混合采样数据分类方法》一文中研究指出混合采样数据不仅仅具有不同采样频率数据之间特征集合不同,还有样本数量不一致等特点,传统的分类方法不能直接使用。因此,本文提出一种基于Fisher判别准则字典学习的混合采样数据分类方法以处理采样数据的分类任务。该模型巧妙借助处理多视图数据的分类思想,利用基于Fisher判别准则的字典学习方法,生成的结构化字典的每个原子与数据的类标签相关,同时采用Fisher判别准则使类内散度更小,类间散度更大来约束编码系数矩阵,从而大大提升分类性能。此外,本文针对混合采样数据的样本数量不一致特点,设计了混合采样数据判别分析模型的分类方案。最后实验结果验证了本文方法的有效性。(本文来源于《南京航空航天大学学报》期刊2019年05期）
郑一力,赵玥,赵燕东,谢辉平[6]（2019）在《基于切换字典的林区小气候监测数据压缩感知方法》一文中研究指出为降低林区小气候监测站的数据传输功耗,提出了一种切换字典的数据压缩感知方法,在对样本数据进行特征表征与分类的基础上,合理切换使用离散傅里叶变换基(Discrete Fourier transform,DFT)固定字典或K-SVD(Ksingular value decomposition)学习字典,对样本数据进行稀疏表达。采用高斯函数对样本数据进行拟合,以拟合决定系数R~2和拟合均方根误差(RMSE)为切换因子,定义了字典的切换策略。选用空气温度、空气湿度、土壤温度、土壤湿度作为测试对象,实验验证切换策略的可行性。实验表明,在林区小气候监测站中,当稀疏度和压缩率均相同时,结合DFT和K-SVD两种字典的优势,基于切换字典的数据压缩感知算法比单一字典具有更小的重构误差。经功耗测试实验,当稀疏度K=16时,采用切换字典的数据压缩感知算法,使监测站的平均每日电能消耗降低了16. 35%,保证了林区小气候监测站的低功耗运行和数据可靠传输。(本文来源于《农业机械学报》期刊2019年11期）
弓震,宋维琪[7]（2019）在《基于K-SVD字典学习方法的微地震去噪》一文中研究指出地面微地震数据的信噪比很低,严重地影响初至拾取的精度及反演结果的可靠性[1]。许多简单的去噪方法不能取得良好效果,为此,我们研究了基于K-SVD字典学习的稀疏表示去噪方法,将K-SVD字典学习去噪方法用于实际地面微地震资料去噪中;通过理论模型与实际地震数据进行验证,可以证明K-SVD字典学习方法在微地震去噪方面有良好效果。(本文来源于《中国石油学会2019年物探技术研讨会论文集》期刊2019-09-09）
陈晨,魏中浩,徐志林,张冰尘[8]（2019）在《基于高斯字典原子稀疏表示的高精度宽角SAR成像方法》一文中研究指出为了提高从宽角合成孔径雷达(synthetic aperture radar,SAR)图像中提取目标后向散射各向异性特性的性能,在宽角SAR字典稀疏表示模型的基础上,提出一种基于高斯字典原子的高精度宽角SAR成像方法。在字典构造上,采用不同中心位置、相同方差的高斯函数。在求解稀疏表示系数上,采用广义最小最大凹惩罚稀疏重构算法求解。最后,根据稀疏表示系数的重构结果以及构造的字典得到目标的后向散射各向异性特性。通过仿真实验和Backhoe数据对算法进行验证,结果表明,该方法能够高精度地提取目标的后向散射各向异性特性。(本文来源于《系统工程与电子技术》期刊2019年11期）
郭敦,吴志军[9]（2019）在《基于局部字典块稀疏表示的SAR图像目标识别方法》一文中研究指出本文提出了基于局部字典块稀疏表示的合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别算法。采用各个训练类别分别对待识别样本进行重构。通过对比各个类别对于待识别样本的绝对描述能力,即重构误差的大小,确定目标类别。考虑到SAR图像方位角的敏感性,当训练样本按照方位角次序排列时,基于局部字典求解的稀疏表示系数具有块结构。为此,本文采用块稀疏算法求解局部字典上的线性表示系数从而获得更高的精度。为了验证提出算法的有效性,基于MSTAR数据集分别在标准操作条件和多种扩展操作条件下进行了目标识别实验。(本文来源于《中国电子科学研究院学报》期刊2019年08期）
乐友喜,杨涛,曾贤德[10]（2019）在《CEEMD与KSVD字典训练相结合的去噪方法》一文中研究指出本文提出一种完备总体经验模态分解(CEEMD)方法与K奇异值分解(KSVD)学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数(IMF);按频率由高到低依次排列IMF各分量,并做自相关分析,去除噪声主导的IMF分量;将累加的过渡IMF分量迭加重构并做CEEMD二次分解,通过自相关分析再次去除噪声主导的IMF分量;分别迭加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量,得到两个新的含噪信号,并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号,即由稀疏系数重构去噪后地震信号,进而重构最终去噪结果。实验结果证明:该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。(本文来源于《石油地球物理勘探》期刊2019年04期）
字典方法论文开题报告
（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：
近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.
（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。
字典方法论文参考文献
[1].陈涛,杨开漠.《康熙字典》的古汉语知识图谱构建方法研究[J].五邑大学学报(自然科学版).2019
[2].郑鲜艳,陈湘,汪芝城,江帆.基于K近邻字典的协同表示高光谱图像分类方法[J].湖北大学学报(自然科学版).2019
[3].倪文,廖嘉林.基于多示例的字典学习分类方法[J].电子世界.2019
[4].王维刚,陶京,刘占生.基于半监督最大间隔字典学习的故障诊断方法[J].振动.测试与诊断.2019
[5].杨倩,于洪,李劼,谢永芳.基于字典学习的混合采样数据分类方法[J].南京航空航天大学学报.2019
[6].郑一力,赵玥,赵燕东,谢辉平.基于切换字典的林区小气候监测数据压缩感知方法[J].农业机械学报.2019
[7].弓震,宋维琪.基于K-SVD字典学习方法的微地震去噪[C].中国石油学会2019年物探技术研讨会论文集.2019
[8].陈晨,魏中浩,徐志林,张冰尘.基于高斯字典原子稀疏表示的高精度宽角SAR成像方法[J].系统工程与电子技术.2019
[9].郭敦,吴志军.基于局部字典块稀疏表示的SAR图像目标识别方法[J].中国电子科学研究院学报.2019
[10].乐友喜,杨涛,曾贤德.CEEMD与KSVD字典训练相结合的去噪方法[J].石油地球物理勘探.2019