导读:本文包含了粒度层次论文开题报告文献综述及选题提纲参考文献，主要关键词:煤炭开采,采煤机创新设计,知识表达,多层次
粒度层次论文文献综述
李杏,丁华,杨琨[1]（2019）在《多层次多粒度采煤机创新设计知识表达方法》一文中研究指出针对现有知识表达方法难以全面有效地表达采煤机创新设计知识、采煤机专题知识库对知识的表达不够全面和检索效率不高等问题,为实现采煤机创新设计知识和经验的重用,激发设计者进行知识类比迁移的能力,提出了多层次多粒度采煤机创新设计知识表达方法。提取参数、结构、功能、原理、效应和领域等6种属性,用不同抽象粒度的知识对属性进行描述,每一个粒度又分别对应着概念层、语义关系层、实例层等抽象层面。通过特征属性描述生成知识条目,构建了多层次多粒度采煤机创新设计知识库,并通过本体推理和语义扩展从本地知识库和互联网资源检索得到不同层次不同粒度的知识,从而实现采煤机创新设计知识的多层次多粒度表达。以采煤机滚筒结构改进设计为例验证了该方法的可行性。(本文来源于《工矿自动化》期刊2019年01期）
吴超[2]（2017）在《片上网络多粒度层次化故障建模与仿真研究》一文中研究指出随着集成电路技术的发展,基于总线通信构架的片上系统(SoC)诸多弊端日益突出,片上网络(NoC)架构应运而生。然而由于芯片集成度的提高,使得片上网络芯片在生产过程和运行中更容易受到工艺波动的影响,导致出现故障的可能性也随之增加。因此,片上网络故障模型和容错可靠性成为近年来的研究热点,而现阶段的故障模型存在着不合理性,故障模型改进的同时必须通过相应的容错路由算法才能保证系统最大可靠性。基于此,本文针对如何建立合理适用的故障模型和相应容错路由算法,展开了研究。主要工作如下:(1)对片上网络传输层故障模型加以研究,建立了粗粒度错误包和细粒度丢包故障概率模型。分析片上网络通信中噪声电压与通道误码率的关系,结合汉明码和循环冗余校验码原理,得到它们各自的纠错极限;应用于本文的数据包结构,给出相应的粗粒度错误包和细粒度丢包故障模型。(2)研究了片上网络链路层故障模型,建立一种粗粒度链路时延故障模型和细粒度串扰性时序违规故障模型。对于粗粒度链路时延故障模型,本文分析超深亚微米条件下工艺波动对电路参数的影响,根据Elmore延迟模型并结合延迟余量给出延时故障模型;对于细粒度串扰性时序违规故障模型,利用双指数串扰模型得到串扰时间的近似高斯分布,并根据片上网络电路正常工作的时序约束,给出了串扰性时序违规故障模型。最后根据分析实验数据验证了两种模型的合理性。(3)研究了片上网络网络层故障模型和容错路由算法,建立了多粒度活跃性链路故障模型和量化的微粒度节点功能故障模型,提出一种简单快速的故障测量方法,实现了基于缓存动态重用的容错路由算法(CDRRA-QFM)。本文先自定义片上网络活路链路,建立多粒度的活跃性链路故障模型;针对当前功能故障模型的某种不确定性,提出量化的节点功能故障模型;通过加入输入输出缓存切换开关,实现应用于该模型的简单快速测量方法;最后通过动态重用链路暂时不可用端口的缓存和本地空闲时缓存实现了容错路由算法。EsyNet仿真结果显示,本文的多粒度活跃性链路故障模型更合理;测量方法开销小速度快,综合性能较优;CDRRA-QFM算法在平均网络延迟和吞吐量方面都优于当前基于功能故障的路由算法。(本文来源于《电子科技大学》期刊2017-04-01）
王珏,乔建忠,林树宽[3]（2016）在《基于距离和时序的层次粒度支持向量回归机》一文中研究指出针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.(本文来源于《东北大学学报(自然科学版)》期刊2016年07期）
张峻,代锋,马宜科,张勇东[4]（2016）在《多层次细粒度并行HEVC帧内模式选择算法》一文中研究指出在众核平台上并行加速是解决高效视频编码(high efficiency video coding,HEVC)标准编码复杂度高的有效方法.传统的粗粒度并行方案如Tiles和WPP未能在并行度和编码质量之间取得较好的平衡,对编码质量影响较大或者并行度不高.充分挖掘HEVC帧内模式选择中的并行性,提出了一种在CTU内使用的多层次细粒度的帧内模式选择算法.具体说来,对帧内模式选择过程进行了子任务划分,分析并消除了相邻编码块之间多种阻碍并行计算的数据依赖关系,包括帧内预测参考像素依赖、预测模式依赖和熵编码依赖等,实现了同一个CTU内所有层次的细粒度编码块的代价计算和模式选择并行进行.将算法在Tile-Gx36平台上实现,实验结果表明此并行算法与HEVC参考代码HM相比能获得18倍的整体编码加速比而且编码质量损失较小(码率上升3%).(本文来源于《计算机研究与发展》期刊2016年04期）
王雁平[5]（2016）在《工业汽轮机数字电液控制系统多粒度层次模块化混合建模与联合仿真研究》一文中研究指出目前对汽轮机数字电液控制系统(Digital Electro-Hydraulic Control System, DEH)进行仿真普遍采用面向微分方程的方法,通过建立描述系统对象的数学模型来替代实际系统进行仿真试验,这种方法直观性、扩充性和可维护性都比较差。针对该问题,本文提出了一种多粒度层次的模块划分方法与混合建模方法,采用面向过程式和面向物理对象的建模方法建立不同粒度模块的模型,通过联合仿真技术完成模型的集成,将模糊PID控制策略应用到DEH系统中,为提高控制性能提供了参考。论文的主要工作包括以下几个方面：1、汽轮机数字电液控制系统多粒度层次模块划分分析汽轮机DEH系统建模的结构和功能的基础上,本文提出了一种针对复杂系统的多粒度层次模块划分方法,通过分解模块对象和建立数学模型,确定各粒度层模块的输入输出和接口,以汽轮机DEH控制系统为研究对象,采用多粒度层次的模块划分方法对汽轮机DEH系统模块进行合理的划分。2、考虑模块耦合性的汽轮机DEH系统混合模型构建通过分析汽轮机DEH系统建模面向过程式和面向物理对象方法的优缺点,本文提出了一种将这两种方法混合的建模理论,考虑学科子系统模块的耦合性,分别用面向过程式和面向物理对象的方法构建了汽轮机DEH系统液压、蒸汽、电气控制学科子系统模块的数学模型和仿真模型,并且对关键模块进行了仿真试验,验证模块的相关性能。3、基于模糊控制的汽轮机DEH系统控制器优化设计针对汽轮机DEH系统的复杂性以及对控制品质的要求,采用模糊PID控制策略对汽轮机DEH系统的控制器进行改进优化,改进了原有的电气控制子系统仿真模型,通过对比改进前后系统的转速输出曲线和功率输出曲线,使系统的控制性能得到了优化。4、汽轮机数字电液控制系统联合仿真构建汽轮机DEH系统联合仿真架构,完成对蒸汽、液压、电气控制学科子系统仿真模型的集成,通过设置仿真接口和初始参数,实现了汽轮机DEH系统的联合仿真,对比联合仿真的结果和实际情况,使仿真模型的准确性和新建模方法的可行性得到验证。(本文来源于《浙江大学》期刊2016-03-01）
王维锋,唐雪锋,张国辉,王渊[6]（2016）在《基于层次化建模的多粒度电台仿真模型》一文中研究指出针对信息化条件下对多粒度通信装备模型的需求,论述了多粒度的有关概念和常用的多粒度建模方法,提出层次化多粒度建模方法和电台模型多粒度的划分方法,构建了信号级和子系统级电台发信机模型,最后通过仿真工具SIMULINK对两种粒度发信机模型产生的信号进行了仿真,对多粒度通信装备模型的研究提供了一种思路。(本文来源于《信息通信》期刊2016年01期）
程凤伟,王文剑[7]（2015）在《一种层次粒度支持向量机算法》一文中研究指出支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力.提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector M achine,HGSVM),通过定义一个新的数据置信度挑选对分类贡献较大的重要信息粒,并在每次的迭代训练中根据粒的重要性进行自动粒划,以获得更好的泛化能力.在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,本文的算法可获得较好的分类性能.(本文来源于《小型微型计算机系统》期刊2015年08期）
姜攀,李跃新[8]（2016）在《基于层次评分函数的多粒度搜索算法研究》一文中研究指出在线论坛中包含了大量的有用信息,通过检索论坛中的数据用户可以方便地获取所需的知识,然而论坛数据的层次特征给内容检索提出了严峻的挑战。针对论坛数据的层次特征,提出了一种基于层次评分函数的多粒度搜索方法。将论坛数据用树型层次结构表示,并基于多个因素提出了融合话题、发言、语句和单词多个粒度的层次评分函数。为了避免多种粒度的数据在返回结果中具有重复性,提出了一种有约束的返回结果最大化模型。将返回结果最大化模型转换为最大独立集合问题,并给出了一种启发式优化算法。实验表明,提出的算法在检索论坛数据时不仅具有很好的效率,而且准确性非常高。(本文来源于《计算机应用研究》期刊2016年01期）
曹鹏,梅晨,刘波[9]（2014）在《面向媒体的粗粒度可重构架构层次化存储设计》一文中研究指出为了优化粗粒度可重构架构REMUS-II(Reconfigurable Multimedia System 2)的数据流通路,使其能够完成高性能媒体解码,针对媒体算法的数据访问特征,对REMUS-II的片上存储与片外存储访问模块进行优化.片上存储通过二维数据传输和转置等访问模式进行优化,片上数据传输效率分别平均提高了69.6%和15.1%.片外存储通过块缓存设计优化参考帧访问,平均减少37%的外存访问时间.经过层次化存储设计,REMUS-II数据流可满足计算需求,在200MHz主频下实现H.264算法和MPEG2算法高级档次的1 920像素×1 080像素高清分辨率实时解码.(本文来源于《上海交通大学学报》期刊2014年10期）
程凤伟[10]（2014）在《层次粒度支持向量机学习算法研究》一文中研究指出支持向量机(Support Vector Machine, SVM)作为机器学习研究中的一个热点,建立在统计学习理论的VC维理论和结构化风险最小化原理的基础上,在模式识别和时间序列预测等很多数据挖掘领域得到广泛的应用,具有简洁的数学形式、标准快捷的训练方法和良好的泛化性能。目前,SVM在处理实际应用中的复杂庞大数据集时能力非常有限,训练样本的多少极大地影响了SVM的训练效率且SVM在处理特定空间的分类问题时效率不高。因此,如何提高支持向量机的泛化能力且保证训练效率成为支持向量机研究中的一个重要问题,这也是本文研究的目的。支持向量机学习算法在训练过程中容易产生冗余样本,不同的训练样本对于训练过程的贡献度不同,容易错分的样本对构造分类超平面的贡献度较大,而不容易错分的样本对构造分类超平面的贡献度较小。因此,根据样本对决策超平面的贡献程度进而构造粒度支持向量机是一种简化训练复杂度提高效率的有效方法。本文将层次分类思想、粒度计算理论和传统SVM分类方法进行了融合,建立了一种有效的层次粒度支持向量机学习机制,通过引入一个衡量粒的重要性的评价指标,筛选出对建立决策边界贡献度比较大的粒,剔除部分冗余粒,用保留粒中的代表点进行构造支持向量机的训练集。这种学习机制抽取重要分类信息构造训练集进行学习器的训练,分类速度远远高于SVM,同时,由于训练可在不同层次的粒中进行,所以可获得令人满意的优于传统粒度SVM的泛化能力。论文主要工作包括：(1)对传统的SVM模型的构造和原理进行了详细的介绍,指出SVM在解决分类问题中出现的主要问题。对粒度支持向量机的算法思想进行分析和探讨,同时,对粒度支持向量机算法的优点和缺点做了详细的阐述,针对这些问题本文进行了探索研究。(2)提出一种针对大规模数据集分类的层次粒度支持向量机学习算法。这种模型通过定义一个新的数据置信度来挑选出有价值的样本(即对建立决策边界贡献度较大),并在每一层的训练中根据粒的分布情况进行自动粒划分,以获得更好的泛化能力。(3)提出一种针对密度分布不均匀数据集的动态粒度支持向量机学习算法,并对动态粒度支持向量机算法的思想进行探讨和研究。这种模型根据粒的不同分布自动进行粒划分,使SVM可以在不同层次的粒上训练,可以有效地克服传统SVM在处理大规模数据集时训练效率低下的问题,同时,也可获得较好的泛化性能。(4)为了对本文所提出的层次粒度SVM学习算法进行验证,在标准UCI数据集上进行了一系列的实验,取得了满意的预期效果。通过将本文提出的方法与经典SVM算法和传统粒度SVM算法进行实验比较,表明本文提出的层次粒度支持向量机和动态粒度支持向量机算法非常有效。本文提出的层次粒度支持向量机机制可以有效地解决大规模数据集以及数据分布不均匀的分类问题。取得的研究成果在丰富了SVM应用研究的同时,为基于认知的机器学习方法的实用化进行了有益的探索。(本文来源于《山西大学》期刊2014-06-01）
粒度层次论文开题报告
（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：
随着集成电路技术的发展,基于总线通信构架的片上系统(SoC)诸多弊端日益突出,片上网络(NoC)架构应运而生。然而由于芯片集成度的提高,使得片上网络芯片在生产过程和运行中更容易受到工艺波动的影响,导致出现故障的可能性也随之增加。因此,片上网络故障模型和容错可靠性成为近年来的研究热点,而现阶段的故障模型存在着不合理性,故障模型改进的同时必须通过相应的容错路由算法才能保证系统最大可靠性。基于此,本文针对如何建立合理适用的故障模型和相应容错路由算法,展开了研究。主要工作如下:(1)对片上网络传输层故障模型加以研究,建立了粗粒度错误包和细粒度丢包故障概率模型。分析片上网络通信中噪声电压与通道误码率的关系,结合汉明码和循环冗余校验码原理,得到它们各自的纠错极限;应用于本文的数据包结构,给出相应的粗粒度错误包和细粒度丢包故障模型。(2)研究了片上网络链路层故障模型,建立一种粗粒度链路时延故障模型和细粒度串扰性时序违规故障模型。对于粗粒度链路时延故障模型,本文分析超深亚微米条件下工艺波动对电路参数的影响,根据Elmore延迟模型并结合延迟余量给出延时故障模型;对于细粒度串扰性时序违规故障模型,利用双指数串扰模型得到串扰时间的近似高斯分布,并根据片上网络电路正常工作的时序约束,给出了串扰性时序违规故障模型。最后根据分析实验数据验证了两种模型的合理性。(3)研究了片上网络网络层故障模型和容错路由算法,建立了多粒度活跃性链路故障模型和量化的微粒度节点功能故障模型,提出一种简单快速的故障测量方法,实现了基于缓存动态重用的容错路由算法(CDRRA-QFM)。本文先自定义片上网络活路链路,建立多粒度的活跃性链路故障模型;针对当前功能故障模型的某种不确定性,提出量化的节点功能故障模型;通过加入输入输出缓存切换开关,实现应用于该模型的简单快速测量方法;最后通过动态重用链路暂时不可用端口的缓存和本地空闲时缓存实现了容错路由算法。EsyNet仿真结果显示,本文的多粒度活跃性链路故障模型更合理;测量方法开销小速度快,综合性能较优;CDRRA-QFM算法在平均网络延迟和吞吐量方面都优于当前基于功能故障的路由算法。
（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。
粒度层次论文参考文献
[1].李杏,丁华,杨琨.多层次多粒度采煤机创新设计知识表达方法[J].工矿自动化.2019
[2].吴超.片上网络多粒度层次化故障建模与仿真研究[D].电子科技大学.2017
[3].王珏,乔建忠,林树宽.基于距离和时序的层次粒度支持向量回归机[J].东北大学学报(自然科学版).2016
[4].张峻,代锋,马宜科,张勇东.多层次细粒度并行HEVC帧内模式选择算法[J].计算机研究与发展.2016
[5].王雁平.工业汽轮机数字电液控制系统多粒度层次模块化混合建模与联合仿真研究[D].浙江大学.2016
[6].王维锋,唐雪锋,张国辉,王渊.基于层次化建模的多粒度电台仿真模型[J].信息通信.2016
[7].程凤伟,王文剑.一种层次粒度支持向量机算法[J].小型微型计算机系统.2015
[8].姜攀,李跃新.基于层次评分函数的多粒度搜索算法研究[J].计算机应用研究.2016
[9].曹鹏,梅晨,刘波.面向媒体的粗粒度可重构架构层次化存储设计[J].上海交通大学学报.2014
[10].程凤伟.层次粒度支持向量机学习算法研究[D].山西大学.2014