导读:本文包含了调节熵函数论文开题报告文献综述及选题提纲参考文献，主要关键词:绝对值方程,绝对值函数,一致光滑逼近函数,调节熵函数
调节熵函数论文文献综述
雍龙泉[1]（2016）在《基于调节熵函数的光滑牛顿法求解绝对值方程》一文中研究指出绝对值方程Ax-|x|=b等价于一个不可微的NP-hard优化问题.构造了绝对值函数的一致光滑逼近函数,采用一致光滑逼近函数对绝对值方程光滑化处理,引入适当的目标函数,给出了求解绝对值方程的光滑牛顿法.数值实验结果证明了该方法的有效性.(本文来源于《兰州大学学报(自然科学版)》期刊2016年04期）
林蔚,刘婷,吕伟国[2]（2016）在《大数据中边界向量调节熵函数支持向量机研究》一文中研究指出当训练集的规模很大时,一般的支持向量机的学习过程需要占用大量的内存,寻优速度缓慢,不利于实际应用.提出了一种预抽取支持向量的支持向量机调节熵函数法.首先,利用两凸包相对边界向量方法预抽取出边界向量;然后,利用支持向量机调节熵函数法来训练预抽取的边界向量.实验表明,采用这种方法来训练样本集不仅降低了学习的代价,还提高了分类速度.(本文来源于《微电子学与计算机》期刊2016年08期）
赵建强,李苏北,孙永,陈必科[3]（2014）在《回归型支持向量机调节熵函数法的区间扩张研究》一文中研究指出为减小由于二进制编码的舍入误差对该问题计算结果的影响,对求解回归支持向量机的一种调节熵方法进行了区间扩张,讨论了区间函数的相关定理与收敛性.对设计的区间算法做了收敛性证明,并给出了数值实验,验证了方法与算法的可行性和有效性.(本文来源于《数学的实践与认识》期刊2014年19期）
陈彦萍,田改玲,张建科[4]（2013）在《基于调节熵函数的Web服务组合算法》一文中研究指出针对越来越多功能相同服务质量不同的Web服务的出现,为了从相同功能的Web服务中选出满足客户对服务质量需求的服务,并将其在运行时动态组合,提出一种基于调节熵和社会认知算法的Web服务组合算法,即利用调节熵函数将非线性Web服务组合数学模型转化为一个光滑函数的无约束最优化问题,并利用社会认知算法对其进行求解。理论分析表明所提方法可解决Web服务组合最优问题,另外,相对于极大熵方法,新方法能较快逼近目标函数,得到最佳服务组合。(本文来源于《西安邮电大学学报》期刊2013年04期）
许建琼[5]（2013）在《支持向量机的调节熵函数法研究》一文中研究指出在统计学基础上提出的机器学习方法SVM (Support Vector Machine)在训练学习机器时,其学习方式是SRM (Structural Risk Minimization)准则,因此,学习机器不光具有简洁的数学形式,还使得其几何解释直观,易泛化。除此之外,它还将一般的学习问题与凸二次规划问题建立关联,凸二次规划问题的解即为原问题的解,从而保证所得解并非局部极值,而是全局最优解。SVM是一种集多种标准的机器学习技术于一身的新技术,它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等技巧。在解决各种挑战性的实际问题中都有它成功的应用,譬如它可以用来预测、分类和线性与非线性回归。在对SVM研究中,学者们提出了各种各样的算法,这些算法要么有某一方面的优势,要么有一定的应用范围,且都是采用二次规划或线性方程组来求解相应的最优化问题。在模式识别中,SVM利用二次规划对偶技巧把优化问题转化为高维特征空间中一个简单约束的二次规划问题。虽然,通过分解训练样本集或序贯输入样本的方式能够处理这种高维的对偶规划,由此产生的算法既节省了存储空间,又提高了计算效率。但是,这些算法的设计和实现都比较复杂。极大熵方法是近几年提出的新算法,对于多约束非线性规划、极大极小等问题,通过该方法都能快速处理,与已有方法相比,其特点是：更易实现、更稳定、收敛更快。除此之外,极大熵方法在求解不可微和大型多约束等问题时也是有效的,因此,该方法有很高的应用价值。但其不足之处是对问题的精确解只有在参数p→∞时才能得到,当p取较大值时,又容易产生数值的溢出现象。针对这种弊端,本文在对SVM的理论基础----统计学理论和最优化理论,以及SVM本身的分类思想、方法和回归原理做了较为详细的研究和阐述后,根据SVC的分类方法和SVR的回归原理,提出了一种新的求解SVM优化问题的带调节因子的熵函数法。它克服了现有熵函数法只有参数p取得很大才能逼近问题的精确解的不足。将它应用在SVM的模式分类和回归问题中,能在低存储需求条件下有效地提高SVC的分类精度和SVR的回归性能。(本文来源于《四川师范大学》期刊2013-03-20）
吴青,刘叁阳,张乐友[6]（2009）在《回归型支持向量机的调节熵函数法》一文中研究指出基于最优化理论中的KKT互补条件建立支持向量回归机的无约束不可微优化模型,并给出了一种有效的光滑近似解法——调节熵函数方法.该方法不需参数取值很大便可逼近问题的最优解,从而避免了一般熵函数法为了逼近精确解,参数取得过大而导致数值的溢出现象,为求解支持向量回归机提供了一条新途径.数值实验结果表明,回归型支持向量机的调节熵函数法改善了支持向量机的回归性能和效率.(本文来源于《控制与决策》期刊2009年11期）
高常海,曹德欣[7]（2009）在《一类二层规划问题的调节熵函数法》一文中研究指出针对一类二层规划问题,通过建立对偶定理并利用精确罚函数法和调节熵函数将其近似转化为无约束可微优化问题.建立了相关算法,讨论了算法的收敛性,给出了数值算例,证明算法是有效和可靠的.(本文来源于《徐州工程学院学报(自然科学版)》期刊2009年02期）
王若鹏,徐红敏,石红[8]（2008）在《GSVM优化问题的调节熵函数法》一文中研究指出提出求解广义支撑向量机(GSVM)优化问题的调节熵函数法,利用最优化理论的 KKT 互补条件,将 GSVM 转化为无约束优化问题,给出了基于 BFGS 迭代的调节熵函数法.介绍了广义支撑向量机优化问题的调节熵函数的有关性质、算法及其收敛性.数值实例表明了算法的可行性和有效性.(本文来源于《第十届中国青年信息与管理学者大会论文集》期刊2008-08-01）
李苏北[9]（2006）在《二次规划问题的调节熵函数法》一文中研究指出提出了求解二次规划问题的调节熵函数法,证明了二次规划问题调节熵函数的有关性质、调节熵函数算法及其收敛性.数值实验结果表明该方法是有效的.(本文来源于《徐州工程学院学报》期刊2006年03期）
王瑾[10]（2005）在《非线性L_1问题的调节熵函数法》一文中研究指出非线性l_1问题是一个常见的无约束不可微优化问题,它经常出现在网络和系统设计等实际问题中。本文提出了求解该问题的调节熵函数法并给出了其性质及算法,该算法克服了之前一些算法,特别是极大熵函数法的Hesse阵渐趋病态的缺点。 本文分为四个部分:第一部分介绍极大熵方法,并给出了一个方法如何避免熵函数的溢出;第二部分提出了求解非线性l_1问题的调节熵函数法,给出了其性质;第叁部分给出了算法,证明了该算法的收敛性;第四部分为数值实验,结果表明该算法效果良好。(本文来源于《南京师范大学》期刊2005-06-30）
调节熵函数论文开题报告
（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：
当训练集的规模很大时,一般的支持向量机的学习过程需要占用大量的内存,寻优速度缓慢,不利于实际应用.提出了一种预抽取支持向量的支持向量机调节熵函数法.首先,利用两凸包相对边界向量方法预抽取出边界向量;然后,利用支持向量机调节熵函数法来训练预抽取的边界向量.实验表明,采用这种方法来训练样本集不仅降低了学习的代价,还提高了分类速度.
（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。
调节熵函数论文参考文献
[1].雍龙泉.基于调节熵函数的光滑牛顿法求解绝对值方程[J].兰州大学学报(自然科学版).2016
[2].林蔚,刘婷,吕伟国.大数据中边界向量调节熵函数支持向量机研究[J].微电子学与计算机.2016
[3].赵建强,李苏北,孙永,陈必科.回归型支持向量机调节熵函数法的区间扩张研究[J].数学的实践与认识.2014
[4].陈彦萍,田改玲,张建科.基于调节熵函数的Web服务组合算法[J].西安邮电大学学报.2013
[5].许建琼.支持向量机的调节熵函数法研究[D].四川师范大学.2013
[6].吴青,刘叁阳,张乐友.回归型支持向量机的调节熵函数法[J].控制与决策.2009
[7].高常海,曹德欣.一类二层规划问题的调节熵函数法[J].徐州工程学院学报(自然科学版).2009
[8].王若鹏,徐红敏,石红.GSVM优化问题的调节熵函数法[C].第十届中国青年信息与管理学者大会论文集.2008
[9].李苏北.二次规划问题的调节熵函数法[J].徐州工程学院学报.2006
[10].王瑾.非线性L_1问题的调节熵函数法[D].南京师范大学.2005