导读:本文包含了条件互信息论文开题报告文献综述及选题提纲参考文献，主要关键词:条件互信息,变量-时滞联合选择,NO_x生成量模型,BP神经网络
条件互信息论文文献综述
刘长良,张丛,王梓齐[1]（2019）在《基于条件互信息的NO_x生成量模型变量-时滞联合选择方法》一文中研究指出为了提高脱硝系统入口NO_x生成量模型的精度和泛化能力,在选择辅助变量的同时也应考虑变量时滞的影响,提出了一种基于条件互信息的变量-时滞联合选择方法。以条件互信息作为变量选择的依据,抑制辅助变量间相关性造成的信息冗余,同时考虑时滞对变量选择的影响,在选定辅助变量时对时滞进行联合估计,以最大化辅助变量集包含的有效信息。以某600 MW燃煤电站的实际运行数据为算例,基于该联合选择方法和BP神经网络建立了NO_x生成量模型。结果表明:与仅基于互信息或条件互信息进行变量选择相比,基于联合选择方法所建立的模型精度和泛化能力相对较好。(本文来源于《华北电力大学学报(自然科学版)》期刊2019年06期）
周萌,夏海波,高飞[2]（2019）在《基于EMD与条件互信息的光声成像降噪方法》一文中研究指出光声层析成像是依据探测到的光声信号来重建组织内光能量吸收分布图像的一种技术。近年来,该研究领域得到了巨大的发展,其应用范围广泛,包括了解剖学、功能学和分子影像学。然而,其中一个巨大挑战是由于光声效应的光到声的转换效率非常低,导致光声信号的信噪比很小,得到的重建光声图像质量也不高。传统的提高光声信号信噪比的方法是数据平均法,但严重限制了成像速度。在不牺牲信号保真度和成像速度的情况下,首先,利用经验模态分解(Empirical mode decomposition,EMD)实现光声信号的自适应分解,然后,以条件互信息为准则确定需要降噪的本征模函数(Intrinsic mode function,IMF),对选定的本征模函数进行降噪处理得到降噪后的光声信号,最后利用重构算法得到降噪后的光声图像。仿真和实验结果表明,提出的这种利用经验模式分解和条件互信息结合的降噪算法对比传统的降噪算法更好地实现了光声信号信噪比的提高和重建图像对比度的提高。证明了该降噪算法的有效性,同时该方法为低功率激光源和低功率放大信号信噪比的实时低成本PA成像系统的研制提供了可能。(本文来源于《应用激光》期刊2019年03期）
薛琳,黄南天,赵树野,王盼盼[3]（2019）在《基于条件互信息的低冗余短期负荷预测特征选择》一文中研究指出为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期负荷预测特征选择方法.首先,为降低建模所用特征量,根据与目标变量具有最大互信息的特征,选取剩余特征中可对目标变量提供最大信息增益的特征,计算CMI值并进行排序;然后,以GPR为预测器,以其预测结果平均绝对百分比误差为决策变量,按照特征CMI值排序顺序,采用序列前向选择方法,确定最优特征子集;最终,以最优特征子集构建GPR预测模型,并与皮尔逊相关系数法(PCC)和互信息(MI)2种特征选择方法分别结合支持向量机和反向传播神经网络开展对比实验.实验结果证明新方法降低了最优特征集合冗余度与预测模型复杂度,且具有更高的预测精度.(本文来源于《东北电力大学学报》期刊2019年02期）
李长松,刘凯,肖先勇,金耘岭[4]（2019）在《基于条件互信息特征选择法和Adaboost算法的电能质量复合扰动分类》一文中研究指出为准备识别复杂电能质量扰动类型,提出一种基于条件互信息平均最优化(avg-CMIM)特征选择法与Adaboost动态集成分类器的电能质量复合扰动分类策略。首先基于条件互信息,提出准确衡量特征与扰动类别相关性、特征集内部目标导向冗余性的评价准则,得到不同扰动标签相匹配的最优分类特征集。再利用Adaboost分类器进行动态增强学习,对未知样本进行标签识别,通过组合标签结果确定复合扰动的组成成分,实现电能质量复合扰动的识别。仿真结果表明,在不同程度噪音下,该方法能够高效准确地识别电压暂升、电压暂降、电压短时中断、谐波、脉冲暂态和振荡暂态等单一扰动和其组合成的复合扰动,并通过实测数据验证了方法的正确性和可行性。(本文来源于《高电压技术》期刊2019年02期）
毛莺池,曹海,平萍,李晓芳[5]（2019）在《基于最大联合条件互信息的特征选择》一文中研究指出在高维数据如图像数据、基因数据、文本数据等的分析过程中,当样本存在冗余特征时会大大增加问题分析复杂难度,因此在数据分析前从中剔除冗余特征尤为重要。基于互信息(MI)的特征选择方法能够有效地降低数据维数,提高分析结果精度,但是,现有方法在特征选择过程中评判特征是否冗余的标准单一,无法合理排除冗余特征,最终影响分析结果。为此,提出一种基于最大联合条件互信息的特征选择方法(MCJMI)。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素,两个因素融合增强特征选择约束。在平均预测精度方面,MCJMI与信息增益(IG)、最小冗余度最大相关性(mRMR)特征选择相比提升了6个百分点;与联合互信息(JMI)、最大化联合互信息(JMIM)相比提升了2个百分点;与LW向前搜索方法(SFS-LW)相比提升了1个百分点。在稳定性方面,MCJMI稳定性达到了0.92,优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。(本文来源于《计算机应用》期刊2019年03期）
刘飞[6]（2016）在《重采样条件互信息构建基因调控网络算法研究》一文中研究指出基因调控网络的重构可以挖掘出基因之间潜在的调控作用关系,帮助我们更深刻地理解复杂的调控机制,在系统生物学中,这已经成为人们研究的一个热点问题。现在已经产生了大量推断网络构建的模拟理论和计算方法,其中一些信息论方法在计算中容易遗漏一些调控关系,这些调控关系可能代表基因间真实的调控关系。为了克服这个缺点和进一步提高网络重构的精度,本文提出了一种新的基因调控网络构建方法,它通过重采样和加权平均策略,利用条件互信息来进行基因调控网络重构。算法首先从基因表达数据中重采样得到一系列子数据,然后通过条件互信息方法构建一系列子数据的网络,最后利用这些子网络加权平均得到最终的基因调控网络。本文的算法在DREAM3模拟数据和SOS真实网络数据上进行验证,和其它一些流行的方法相比,本文提出的网络重构算法取得了较高的精确度和准确度。(本文来源于《生物医学工程学杂志》期刊2016年05期）
刘晋胜[7]（2015）在《基于平均互信息的混合条件属性聚类算法》一文中研究指出混合条件属性参数间的距离值存在较大的差异,导致仅聚合距离数量级较大、较规律的数值条件属性对象,而忽视数量级较小、混沌,但类别特征更加明显的分类条件属性对象。提出了一种基于平均互信息的聚类算法。通过熵量化参数类别特性的大小,再根据熵的平均互信息计算方法衡量数据对象间类别的相同、相异特征量,统一数值和分类条件属性参数间距离的数量级,最后通过优化迭代自适应过程得到最终聚类结果。实验结果表明,该算法具有良好的聚类质量和自适应性。(本文来源于《计算机科学》期刊2015年03期）
魏中强,徐宏喆,李文,桂小林[8]（2015）在《基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法》一文中研究指出贝叶斯网络分类器的精确构造是NP难问题,使用K2算法可以有效地缩减搜索空间,提高学习效率。然而K2算法需要初始的节点次序作为输入,这在缺少先验信息的情况下很难确定;另一方面,K2算法采用贪婪的搜索策略,容易陷入局部最优解。提出了一种基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法(CMI-PK2算法),该算法首先利用条件互信息生成有效的节点次序作为K2算法的输入,然后利用概率突跳机制改进K2算法的搜索过程来提高算法的全局寻优能力,学习较为理想的网络结构。在两个基准网络Asia和Alarm上进行了实验验证,结果表明CMI-PK2算法具有更高的分类精度和数据拟合程度。(本文来源于《计算机科学》期刊2015年03期）
贺邓超,张宏军,郝文宁,张睿[9]（2015）在《基于Parzen窗条件互信息计算的特征选择方法》一文中研究指出为解决连续值特征条件互信息计算困难和对多值特征偏倚的问题,提出了一种基于Parzen窗条件互信息计算的特征选择方法。该方法通过Parzen窗估计出连续值特征的概率密度函数,进而方便准确地计算出条件互信息;同时在评价准则中引入特征离散度作为惩罚因子,克服了条件互信息计算对于多值特征的偏倚,实现了对连续型数据的特征选择。实验证明,该方法能够达到与现有方法相当甚至更好的效果,是一种有效的特征选择方法。(本文来源于《计算机应用研究》期刊2015年05期）
刘攀,邓伟[10]（2013）在《基于节点拓扑排序和条件互信息的基因调控网络路径一致性构建算法》一文中研究指出为了在构建基因调控网络时能确定网络方向,在基于条件互信息的路径一致性算法PCA-CMI的基础上,利用节点拓扑排序(node ordering,NO)建立了构建调控网络的PCA-CMI-NO算法。为建立这一算法,对图分裂方法加以改进:首先对基因对间的互信息进行筛选,然后按贝叶斯得分对子图排序,根据子图顺序选取不同子图中含相同基因对间边的方向,从而确定基因表达数据中节点的顺序。最后,将节点拓扑排序结果应用于PCA-CMI所构建的网络,获得有向网络,同时,使用条件互信息去除独立关系的边,以提高网络准确率。采用DREAM3数据集,将PCA-CMI-NO算法与有序的K2算法进行对比,验证了算法的优越性。(本文来源于《生物物理学报》期刊2013年01期）
条件互信息论文开题报告
（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：
光声层析成像是依据探测到的光声信号来重建组织内光能量吸收分布图像的一种技术。近年来,该研究领域得到了巨大的发展,其应用范围广泛,包括了解剖学、功能学和分子影像学。然而,其中一个巨大挑战是由于光声效应的光到声的转换效率非常低,导致光声信号的信噪比很小,得到的重建光声图像质量也不高。传统的提高光声信号信噪比的方法是数据平均法,但严重限制了成像速度。在不牺牲信号保真度和成像速度的情况下,首先,利用经验模态分解(Empirical mode decomposition,EMD)实现光声信号的自适应分解,然后,以条件互信息为准则确定需要降噪的本征模函数(Intrinsic mode function,IMF),对选定的本征模函数进行降噪处理得到降噪后的光声信号,最后利用重构算法得到降噪后的光声图像。仿真和实验结果表明,提出的这种利用经验模式分解和条件互信息结合的降噪算法对比传统的降噪算法更好地实现了光声信号信噪比的提高和重建图像对比度的提高。证明了该降噪算法的有效性,同时该方法为低功率激光源和低功率放大信号信噪比的实时低成本PA成像系统的研制提供了可能。
（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。
条件互信息论文参考文献
[1].刘长良,张丛,王梓齐.基于条件互信息的NO_x生成量模型变量-时滞联合选择方法[J].华北电力大学学报(自然科学版).2019
[2].周萌,夏海波,高飞.基于EMD与条件互信息的光声成像降噪方法[J].应用激光.2019
[3].薛琳,黄南天,赵树野,王盼盼.基于条件互信息的低冗余短期负荷预测特征选择[J].东北电力大学学报.2019
[4].李长松,刘凯,肖先勇,金耘岭.基于条件互信息特征选择法和Adaboost算法的电能质量复合扰动分类[J].高电压技术.2019
[5].毛莺池,曹海,平萍,李晓芳.基于最大联合条件互信息的特征选择[J].计算机应用.2019
[6].刘飞.重采样条件互信息构建基因调控网络算法研究[J].生物医学工程学杂志.2016
[7].刘晋胜.基于平均互信息的混合条件属性聚类算法[J].计算机科学.2015
[8].魏中强,徐宏喆,李文,桂小林.基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法[J].计算机科学.2015
[9].贺邓超,张宏军,郝文宁,张睿.基于Parzen窗条件互信息计算的特征选择方法[J].计算机应用研究.2015
[10].刘攀,邓伟.基于节点拓扑排序和条件互信息的基因调控网络路径一致性构建算法[J].生物物理学报.2013