导读:本文包含了数据流理论论文开题报告文献综述及选题提纲参考文献，主要关键词:步态识别,确定学习,Kinect数据流,特征融合
数据流理论论文文献综述
康忠润[1]（2017）在《基于确定学习理论和Kinect数据流的人体正面步态识别研究》一文中研究指出人体步态识别技术作为一种新型生物特征识别技术,成为了计算机视觉和智能识别领域一个备受关注的研究方向,旨在根据人走路的姿态,对步态信号进行采集、提取、建模、分析、及分类,可将其用于身份识别、生理、病理以及心理特征的检测等实际应用中,相比于其它静态生物特征识别技术,比如指纹、虹膜和人脸识别等相比,步态是人体外在的、动态的表现,且和运动的时空信息密切联系,步态识别技术具有独特的优势和广阔的应用前景,因此,研究步态识别技术具有极其重要的意义。步态识别技术涉及到特征提取、步态建模以及模式识别,近年来,在步态识别领域已有大量的研究分析,取得了许多不错的成果,这些研究绝大部分是基于视频和侧面视角采集步态信号,且只提取单一的步态动态特征进行识别分析。但正面视角比侧面视角更加符合实际应用场景,更容易被摄像头捕获。人体步态是一种非常复杂的非线性动力学信号,包含了相当丰富的、具有价值的特征信息,若仅选取单一特征参量进行分类识别,难以全面表征人体的步态属性。若能对人体步态进行准确建模,并以正面视角采集步态信息,充分挖掘步态信号中丰富的特征参量,将会对推进步态识别技术的发展有很大的意义。本文提出一种基于确定学习和Kinect数据流的步态正面识别方法,确定学习理论能在未知动态环境下对步态进行局部准确建模,实现对步态动态模式的快速识别。在前人工作的基础上,本文主要成果概括如下:1.采用正面视角进行步态识别研究,利用Kinect深度传感器采集人体正面视角的步态原始数据,构建本论文所需原始步态数据库;提取大量步态特征,并组合叁组单一步态特征集,通过实验分别获得其识别准确率,进而分析单一特征在步态识别中的表现,以及人体不同特征的优劣性。2.将信息融合理论与步态识别技术结合,挖掘人体丰富的步态特征,融合有价值的步态信息,优化步态识别系统输入信号;本文重点研究特征级融合和决策级融合算法在步态识别技术中的运用,通过融合特征充分展现步态属性,进而大大提高识别准确率,最后通过实验和统计学方法分析,验证融合算法效果。3.设计并实现基于MATLAB软件环境的步态识别系统,为步态研究和实验分析提供了十分友好的系统界面和平台。(本文来源于《华南理工大学》期刊2017-12-30）
卫彦伉,王大鸣,崔维嘉[2]（2015）在《一种引入复杂网络理论的软件数据流脆弱点识别方法》一文中研究指出研究了卫星LTE上行同步系统在单粒子效应影响下软件数据流错误的脆弱点识别问题,并针对现有错误传播分析方法对大容量数据处理软件脆弱点识别存在较大偏差的问题,结合星载LTE上行同步处理大容量数据处理需求,引入复杂网络理论,提出一种基于网络节点度的软件数据流脆弱点识别方法。该方法以错误传播分析方法为基础,通过定义单粒子翻转错误渗透率,采用矩阵化描述方法构建了错误传播网络模型,将软件数据流脆弱点挖掘问题转换为网络关键节点挖掘问题,以一定的虚警概率搜索所有的局部极值,从而实现该虚警概率下全部的数据流脆弱点挖掘。仿真结果表明,该方法可有效识别星载LTE上行同步处理大容量数据处理中的脆弱点。(本文来源于《计算机应用研究》期刊2015年04期）
闫春秒[3]（2014）在《基于粗糙集理论—神经网络集成的数据流分类方法研究》一文中研究指出随着计算机技术、通信技术以及网络技术的飞速发展，许多信息系统在运行过程中都会产生大量的流式数据。典型的例子包括电信呼叫数据、股票交易数据、互联网通信数据、搜索引擎数据等。这种新的数据类型——数据流，是一种实时的、连续到达且速度快、规模宏大的数据有序序列。数据流上的分类就是通过单遍扫描数据流，提出一个分类模型或函数，并利用该模型将数据对象映射到某一个给定的类别中。对数据流数据进行分类时主要的困难在于：数据包含大量的冗余属性，过多的属性会影响模型的构建速度和分类精度；同时，由于数据连续不断地持续到达，分类模型必须随着数据的快速流入而实现高效地更新，从而达到分类模型能够正确地映射当前数据中的分类信息的目的。数据流数据的特殊性，决定了对数据流分类所采用的方法必须有别于传统的数据挖掘分类方法，同时分类方法和技术在不同的学科领域都有着非常广阔的应用前景，因此，研究稳定的、快速的、准确的数据流分类方法具有巨大的理论价值和应用价值。本文将粗糙集理论和神经网络方法相结合，充分发挥了二者的优势互补性来应对数据流的高维性、数据量大等特点。粗糙集理论具有较强的不确定、不完整信息处理能力，并且只通过数据本身而无需任何多余的信息，就可以获得数据之间的相关性并约简属性个数；神经网络具有很强的非线性映射能力，在处理非线性模式时其精确度优于其他的数据挖掘方法，尤其适合处理大数据集数据，并且具有良好的容错性、自适应性和抗噪声干扰的能力。将二者的优势充分结合起来，能够有效地降低神经网络输入端的节点数，极大地简化神经网络的复杂结构，从而提高神经网络模型的分类预测精度。另外，本文采用了滑动窗口技术来应对数据流流速快的问题，将数据流划分成若干个大小相同的数据块，每个数据块训练一个个体分类器，多个个体分类器组成一个集成分类器，利用集成方法能够有效地降低模型的泛化误差；并且，个体分类器的训练速度一般要高于单一模型的更新速度，也更加适合处理高速产生的数据流。根据粗糙集理论、神经网络方法和集成学习理论，本文提出了一种基于粗糙集约简、神经网络集成的数据流分类方法，并且在实际数据上的对比仿真实验得到了很好的分类预测效果，从而证明了该方法是可行且有效的。(本文来源于《河北大学》期刊2014-06-01）
李飒[4]（2013）在《数据流软聚类理论及其在瓦斯灾害预警中的应用》一文中研究指出针对现有数据流聚类算法的不足,提出一种基于云模型的数据流软聚类算法。从云概要数据结构、数据流软聚类算法,数据流软聚类的演化分析、孤立点挖掘、有效性评价以及多数据流聚类分析几方面进行了研究,并将该算法应用于瓦斯灾害预警中。提出了一种对数据流进行摘要表示的方法。通过云概要数据结构将数据在时间衰减权向量下进行了软划分,实现了云概要数据结构的表示、构建与维护。提出了基于云模型的数据流软聚类算法。算法在线数据处理层完成了对数据流信息摘要的提取,基于隶属度表示了数据对软微簇的隶属关系；离线聚类层通过寻找最大相似度的两个相邻软微簇进行合并以得到最终的软聚类结果。在真实和人工数据集上进行了应用与性能测试,实验结果表明：算法具有良好的效果和很高的效率。对基于云模型的数据流软聚类算法进行了拓展。提出了聚类生命周期的概念,从基于特征和基于增量二方面对聚类进行了演化分析；提出了局部隶属度孤立系数的概念,通过局部隶属度孤立系数实现了对孤立点的快速检测并对其产生原因进行了分析；提出了一种聚类有效性函数,克服了现有聚类评价指标的局限性,实现了对聚类的高效评价。提出了基于相关性的多数据流聚类算法。引入具有层次特点的数据云结点结构表示不同粒度的数据子序列；以各数据流的多层云结点数据结构实现了基于同步局域相关和异步局域相关的多数据流聚类。实验证明算法在处理多数据流聚类时有较高的聚类质量和稳定性。将基于云模型的数据流软聚类算法应用于瓦斯灾害报警与评价。提出了瓦斯监测数据流聚类分析应用系统的框架；实现了对瓦斯监测数据流的预处理；实现了根据监测数据流的灾害预警及安全等级评价。算法的实际应用为带有“数据流特征”的信息聚类问题提供了有应用价值的处理方法。最后,对全文进行了总结,并对有待于进一步研究的问题进行了展望。(本文来源于《辽宁工程技术大学》期刊2013-10-01）
王伟[5]（2009）在《基于突变理论与数据流的状态转移容忍入侵模型分析》一文中研究指出为了定量描述网络状态,本文基于突变理论结合容忍入侵的状态转移模型,建立了容忍入侵系统的容忍势函数,建立影响容忍入侵系统容忍能力的突变模型,给出容忍度定义。结合实例可知,此方法可分析系统的容忍能力,为容忍入侵模型的定量分析及容忍机制的建立提供了一种思路。(本文来源于《合作经济与科技》期刊2009年20期）
王小宇[6]（2008）在《数据流频繁项算法性能提升的理论分析和算法研究》一文中研究指出寻找数据流中的频繁项是数据流挖掘的基本问题,有着广泛的应用,是数据挖掘领域的研究热点之一。本文通过对已有的数据流频繁项算法的特性进行分析,找到了进一步提升算法性能的切入点,即对严格保证误差上界的约束进行适当放松,用少量的负向频率偏差换来精确度的大幅度提升。我们根据上述思想构造了多个数学模型,给出了详细的数学性质,并设计实现了相应的算法,其中SS_Complete和SS_Complete_K揭示了研究目标的可行性,SS_Random_r采用完全随机的处理方式,SS_COB_w、SS_lbCount_c和SS_lbCountV则将数据结构的特征列入考虑范围。为了对算法的性能进行详细的评价和区分,在已有指标的基础上,我们构造了一系列全新的指标,用新的方式对已有的多种算法和上述新算法进行了详尽的实验对比。实验结果表明,在使用同样数目的计数器时,所有新算法的性能都远优于目前综合性能最优秀的Space Saving算法,其中SS_Random_r和SS_COB_w两个算法甚至可以和使用二倍数目计数器的Space Saving算法相当。与此同时频率偏差指标显示,新算法经常会带有少量的负向频率误差,这也证明了我们的新思想是成功的。另外,本文对Space Saving算法做了比较深入的研究,详细的分析了算法特征并提出了更普适更精确的误差上界迭代计算法以及误差下界的计算法,是原算法的重要补充。(本文来源于《清华大学》期刊2008-05-01）
于亚新,王国仁,陈灿,付冲[7]（2007）在《一种基于混沌理论的数据流连续聚集查询预测算法》一文中研究指出为了有效地预测聚集查询的未来聚集值,提出了一种基于混沌理论的数据流连续聚集查询预测未来聚集值算法——CSPA算法.数据流看作是以数据到达时间为序的一个时间序列,借鉴传统时间序列分析技术探讨了连续聚集查询的未来聚集值预测问题,但由于数据流序列与传统时间序列在时间间隔和数据集的处理上存在很大差别,于是采用流滑动窗口技术加以处理.其次,针对目前数据流聚集查询预测领域已有的一些研究结果都未考虑流数据内在的复杂非线性动力学特征对预测的影响问题,该算法又利用了混沌理论中的局域预测思想解决了这一不足.实验结果表明,利用该算法进行预测具有很好的准确性.(本文来源于《东北大学学报(自然科学版)》期刊2007年08期）
陆锦军,王执铨[8]（2006）在《基于混沌理论的网络数据流RBF神经网络预测》一文中研究指出应用相空间重构理论,研究了网络数据流的混沌特性,计算了实际网络数据流的关维数、Lyapunov指数,证实网络数据流存在混沌现象;据此建立了基于径向基函数(RBF)预测模型,对实际网络数据流进行预测。仿真实验表明,相对于反向传播(BP)神经网络预测,基于混沌理论的RBF神经网络预测方法学习速度快,预测精度高。(本文来源于《计算机工程》期刊2006年23期）
韩东红,王国仁,周锐,公丕臻,王剑[9]（2006）在《基于控制理论的数据流QoS自适应框架及卸载技术的研究》一文中研究指出数据流管理系统中的查询处理需要满足各种服务质量(QoS)要求,其中延迟是用户非常关注的QoS参数.如何在系统资源有限、数据输入速度及特征可变,且单个元组的CPU处理代价动态变化的情况下,使系统具有自适应的能力以确保高质量的QoS,是迫切需要解决的问题.为此,提出了一种全面考虑CPU处理能力及内存容量的QoS自适应框架,并运用基于控制理论的PID控制器管理内存负载,超载时进行卸载处理;同时提出有效的清洗策略和队列调度策略,保证系统在动态环境中具有良好的自适应性.实验结果表明,该框架具有稳定性好、健壮性强的优点,在错失率相同的情况下,卸载率、系统资源利用率等几方面性能均优于其他现有方法.(本文来源于《第二十叁届中国数据库学术会议论文集（研究报告篇）》期刊2006-11-10）
欧钢[10]（2001）在《应用于流水时序调度的归一化定时数据流图理论》一文中研究指出流水时序调度是专用数字信号处理器高层综合中的一个困难而急待解决的问题 ,文中提出了一种有着鲜明物理意义的归一化定时数据流图 ,基于节点移动研究了合法流水调度变换的内部机理 ,从而证明从任一合法的初始流水调度出发 ,通过合法的节点移动可以搜索到设计空间中任何一个合法的流水调度。一个合法、完备的变换集 ,为寻优搜索的算法应用于流水调度解决了理论和算法实现问题。文中还给出了一些实验结果。(本文来源于《国防科技大学学报》期刊2001年01期）
数据流理论论文开题报告
（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：
研究了卫星LTE上行同步系统在单粒子效应影响下软件数据流错误的脆弱点识别问题,并针对现有错误传播分析方法对大容量数据处理软件脆弱点识别存在较大偏差的问题,结合星载LTE上行同步处理大容量数据处理需求,引入复杂网络理论,提出一种基于网络节点度的软件数据流脆弱点识别方法。该方法以错误传播分析方法为基础,通过定义单粒子翻转错误渗透率,采用矩阵化描述方法构建了错误传播网络模型,将软件数据流脆弱点挖掘问题转换为网络关键节点挖掘问题,以一定的虚警概率搜索所有的局部极值,从而实现该虚警概率下全部的数据流脆弱点挖掘。仿真结果表明,该方法可有效识别星载LTE上行同步处理大容量数据处理中的脆弱点。
（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。
数据流理论论文参考文献
[1].康忠润.基于确定学习理论和Kinect数据流的人体正面步态识别研究[D].华南理工大学.2017
[2].卫彦伉,王大鸣,崔维嘉.一种引入复杂网络理论的软件数据流脆弱点识别方法[J].计算机应用研究.2015
[3].闫春秒.基于粗糙集理论—神经网络集成的数据流分类方法研究[D].河北大学.2014
[4].李飒.数据流软聚类理论及其在瓦斯灾害预警中的应用[D].辽宁工程技术大学.2013
[5].王伟.基于突变理论与数据流的状态转移容忍入侵模型分析[J].合作经济与科技.2009
[6].王小宇.数据流频繁项算法性能提升的理论分析和算法研究[D].清华大学.2008
[7].于亚新,王国仁,陈灿,付冲.一种基于混沌理论的数据流连续聚集查询预测算法[J].东北大学学报(自然科学版).2007
[8].陆锦军,王执铨.基于混沌理论的网络数据流RBF神经网络预测[J].计算机工程.2006
[9].韩东红,王国仁,周锐,公丕臻,王剑.基于控制理论的数据流QoS自适应框架及卸载技术的研究[C].第二十叁届中国数据库学术会议论文集（研究报告篇）.2006
[10].欧钢.应用于流水时序调度的归一化定时数据流图理论[J].国防科技大学学报.2001