导读:本文包含了复杂度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:冲击噪声,信道估计,韦伯分布函数,变步长
复杂度函数论文文献综述
张瑞,史故臣,刘半藤,陈友荣[1]（2018）在《基于韦伯分布函数的低复杂度变步长符号算法》一文中研究指出针对OFDM系统中传统信道估计算法在冲击噪声环境中性能急剧下降的问题,提出了一种基于韦伯分布函数的顽健型变步长符号算法进行信道估计。在深入研究冲击噪声特性及韦伯分布函数性质的基础上,提出了采用估计误差绝对值的韦伯分布函数控制步长的低复杂度变步长符号算法。该算法在利用传统符号算法顽健性的基础上,采用估计误差的韦伯分布函数动态地改变迭代符号算法的步长,从而能够以较低的复杂度提高变步长符号算法在冲击噪声环境中的收敛速度。算法复杂度分析及仿真结果表明,在冲击噪声环境下所提算法相较于传统自适应滤波信道估计算法能够以更低的复杂度、更快的收敛速度达到相同的信道估计均方误差。(本文来源于《电信科学》期刊2018年09期）
郑梅[2]（2017）在《基于常数复杂度距离函数的推荐算法研究》一文中研究指出推荐系统是指通过分析用户的历史行为,主动给用户推荐他们可能感兴趣的信息。它能够大大缩短用户筛选信息的时间,从而被广泛应用于电子商务,电影视频网络,社交网络等领域。推荐系统的研究方法有很多,其中应用最广泛的是协同过滤推荐算法。该算法的核心思想是寻找与目标兴趣爱好相似的对象作为样本的邻居,然后通过分析其邻居的行为来预测目标的行为。现有大量距离度量函数可以用来确定目标的邻居,例如余弦相似度,Pearson相关系数,欧几里得距离等。但这些距离度量函数的计算过程均比较复杂,当数据规模较大时,距离的计算会非常耗时。本文提出了一个以平均距离为核心的协同过滤推荐算法MBR(M-distance based recommend)。该算法首先定义了一个新的距离函数M-distance,该函数的复杂度仅有常数级。M-distance将对象与样本之间的平均评分差作为二者之间的距离,当已知对象与样本的平均评分后,计算二者距离的时间复杂度仅为O(1)。其次提出了以半径5来寻找邻居的方法。在计算出对象间的距离后,kNN算法将距离样本最近的k个对象作为样本的邻居,但是这样预先设定好邻居数量的方法不够灵活。而以半径来寻找邻居是通过样本的平均评分和δ先确定出样本的邻居域,当对象与样本的距离在这个邻居域范围内时,我们就将该对象作为待选邻居。通过这样的方法来选择邻居,邻居数量的多少完全取决于对象与样本之间的相似程度,相似度越高,选择出来的邻居就越多,预测也就越准确。然后定义了评分预测方法。当选择出样本的所有邻居后,就可以根据用户对邻居的行为来预测用户对样本的行为。当有邻居时,将邻居的平均评分作为样本的最终预测值,而没有邻居时将用户对样本的平均评分值作为最终的预测值。最后在MBR推荐算法的基础上继续定义了一个推荐阈值(threshold)。当MBR算法计算出的预测值大于推荐阈值时,就将样本推荐给用户,反之不推荐。threshold主要由误推荐率和误推荐代价两者共同决定。本文选取了四个常用的公开数据集:MovieLens,DouBan,EachMovie,Netflix来进行试验。主要比较了 MBR推荐算法与kNN,Slope One算法在运行效率和预测精确上的优劣。通过大量的实验可知MBR推荐算法在保证了精确度的前提下大大提高了推荐效率,特别是在大型数据集上表现更为突出。而最优的门限值一般在3.4与3.5之间产生。(本文来源于《西南石油大学》期刊2017-03-01）
保红燕[3]（2016）在《有理样条高阶复合权函数神经网络的复杂度分析与应用》一文中研究指出解决相同的问题可能有多种算法可以选择,不同的算法有不同的执行效率,因此算法的选择就显得尤为重要,而评价算法好坏的一个主要依据就是复杂度,好的算法可以节省解决问题的时间成本。因此本文对有理样条高阶复合权函数神经网络的复杂度的研究具有一定的实际意义。本文是在样条权函数神经网络理论的基础上,结合有理样条函数的性质,利用Hermite插值法构造了有理样条高阶复合函数,将此函数作为本文所研究的神经网络的权函数,通过构建并求解线性方程组、矩阵LU分解等方法,分析算法执行中所涉及运算执行的次数,求出有理样条高阶复合权函数神经网络的算法复杂度的计算公式,得出了该神经网络的算法复杂度与输入、输出维数以及样本个数线性相关。通过MATLAB对此类神经网络算法的复杂度进行仿真实验,验证了理论分析的正确性。在理论分析的基础上,本文提出将有理样条高阶复合权函数神经网络用于预测国内的旅游人数,经过筛选后选取影响国内旅游人数的四个主要因素作为输入,年国内旅游总人数作为输出,建立了基于有理样条高阶复合权函数神经网络的国内的旅游人数预测模型。最后用MATLAB仿真验证将有理样条高阶复合权函数神经网络与BP神经网络作对比,实验结果表明,本文的有理样条高阶复合权函数神经网络方法得出的预测结果具有良好的准确性和更快的训练速度,从而说明可以将该方法推广应用到实际预测领域。(本文来源于《南京邮电大学》期刊2016-11-18）
章亦葵,李英第[4]（2015）在《C语言函数时间复杂度自动计算方法的实现》一文中研究指出现有的C语言编译或代码分析软件大多集中于检测C程序代码编码过程的正确性,而对于其代码的时间效率高低无法判定。针对这种情况,通过对标准C语言程序代码语法形式的分析,提出对于C语言函数时间复杂度自动计算的算法原型并加以实现和验证。实验结果表明,C程序代码时间效率的高低很大程度上取决于程序内部函数的时间复杂度。程序中函数整体时间复杂度越高,运行时间效率越低。相比于传统意义上的C代码分析方法,时间复杂度自动计算方法更侧重于对C代码的时间复杂度进行分析和计算,从而可以更快速、准确地对C程序代码时间效率进行判定。(本文来源于《计算机应用与软件》期刊2015年11期）
张浩[5]（2015）在《分子叁次分母一次有理样条权函数神经网络的复杂度分析与应用》一文中研究指出评价一个算法的标准有很多,复杂度是其中一个重要标准,好的算法可以节省解决问题的时间成本。本文的目的就是结合权函数神经网络理论与算法复杂度基础,推导分子叁次分母一次有理样条权函数神经网络的算法复杂度的表达式,分析影响复杂度的因素,并进行实验验证。在理论研究的基础上将该类型神经网络算法运用到实际中。本文在权函数神经网络的理论基础上,结合Hermite插值性质和有理样条函数性质,对分子叁次分母一次有理样条权函数的形式进行了构造。然后根据分子叁次分母一次有理样条权函数的形式,结合Peano核定理、矩阵LU分解法、算法复杂度的定义与线性方程组的求解步骤,对算法执行过程中各类运算执行次数的分析,得出算法的时间复杂度表达式。最后在理论分析的基础上,使用MATLAB仿真工具对该训练算法的时间复杂度进行仿真验证。理论分析表明分子叁次分母一次型有理样条权函数神经网络算法时间复杂度与训练样本个数、输入维数及输出维数呈线性关系,关系表达式为T?O?mnN?,其中m为输入维数,n为输出维数,N为样本数目。通过实验仿真,最终验证了分子叁次分母一次有理样条权函数神经网络的算法训练时间复杂度与训练样本数、网络输入维数、输出维数分别呈线性关系,同时该训练算法有算法时间复杂度低,训练速度快等优点。本文在对分子叁次分母一次有理样条权函数神经网络的算法复杂度进行理论分析与实验验证的基础上,将分子叁次分母一次有理样条权函数神经网络算法与休眠节点缺失感知数据预测结合起来,选取适当的参数和网络结构,建立起基于分子叁次分母一次有理样条权函数神经网络的缺失数据预测模型。通过MATLAB仿真实验,得出分子叁次分母一次有理样条权函数神经网络算法对于缺失感知数据的预测结果具有较高的精度,预测数据具有一定的可信性和参考价值。(本文来源于《南京邮电大学》期刊2015-04-01）
杨海楠[6]（2015）在《分子叁次分母二次有理样条权函数神经网络的复杂度分析与应用》一文中研究指出相同的问题可用多种算法解决,而所采用的算法质量的优劣直接影响算法甚至程序的效率,算法的质量直接体现在算法复杂度上。本文旨在样条权函数神经网络的基础上,研究第一类分子叁次分母二次有理样条权函数神经网络的复杂度,并将其应用于工程项目。选取分子叁次分母二次有理样条函数为神经网络的权函数,结合权函数神经网络理论知识、Hermite插值方法及有理样条函数性质,建立线性方程组,构造一类分子叁次分母二次有理样条权函数神经网络,再结合Peano核定理、矩阵LU分解、算法复杂度定义以及线性方程组求解等知识对复杂度进行理论分析与研究,计算得出第一类分子叁次分母二次有理样条权函数神经网络的算法复杂度。在理论分析的基础上,使用MATLAB仿真工具对此类神经网络算法的复杂度进行仿真。理论分析表明分子叁次分母二次有理样条权函数神经网络算法复杂度输入维数、输出维数以及和样本个数呈线性关系,关系表达式为T?O?mnN?,其中m为输入维数,n为输出维数,N为样本个数。通过MATLAB仿真实验验证了理论分析结果的正确性,即当输入、输出维数以及样本个数这叁个变量中其中两个变量固定的情况下,仿真所花费的时间与剩余变量基本呈线性增长。表明了该类神经网络算法时间复杂度低,训练速度快。本文基于上述理论分析的结果,研究分子叁次分母二次有理样条权函数在数据挖掘分类方面的应用,对网络流量进行分类。选取适当的特征项,建立基于第一类分子叁次分母二次有理样条权函数神经网络的网络流量分类模型,对数据预处理之后进行MATLAB仿真,实验结果表明第一类分子叁次分母二次有理样条权函数神经网络对网络流量分类正确率较高,可以用该算法解决网络流量的分类问题。(本文来源于《南京邮电大学》期刊2015-04-01）
李英第[7]（2014）在《C语言代码分析与函数时间复杂度计算的研究》一文中研究指出现有的C语言编译或代码分析软件大多集中于检测C程序代码编码过程的正确性和结构的准确性,而对于其代码所包含信息,譬如关键量信息、时间效率高低等的工具化判定还尚未普及。针对这种情况,本文从静态分析过程入手,通过对ANSI C标准下C语言程序代码词法及语法形式的分析,完成了XML树状存储结构下对于C语言程序内部信息解析、存储的过程并且设计了函数时间复杂度自动计算的算法模型并加以实现和验证。实验结果表明,C程序代码内部的关键量信息可以通过相应底层解析得到很好地提取和总结归纳,同时C语言程序运行时间效率的高低很大程度上取决于程序内部函数的时间复杂度的复杂程度。程序中函数整体时间复杂度越高,运行时间效率越低。相比于传统意义上的C代码分析方法,基于树状存储结构的C语言代码分析的研究着眼于现有成型C程序内部包含信息的分析和统计,其中时间复杂度自动计算方法更侧重于对C代码的时间复杂度进行自动化分析和计算,从而可以更快速、准确地对C程序代码时间效率进行判定。本文的研究成果的期望是在一定程度上使C程序开发者和学习者可以更简洁、更方便、更直观化地进行C语言程序的分析工作,可以在未知C程序运行之前就可对其进行分析和计算,从而进行前期修正,降低后期错误代价,大大减轻开发者和学习者阅读代码的工作量,降低学习成本,以便更好地进行其他更具实践意义的工作。(本文来源于《天津大学》期刊2014-12-01）
杨磊[8]（2014）在《第二类Padé权函数神经网络的算法复杂度研究及应用》一文中研究指出算法复杂度是评价一个算法好坏的重要标准，好的算法可以更加有效的解决问题。本文的主要目的就是基于第二类权函数神经网络理论，推导出第二类Padé权函数神经网络的算法复杂度，找出影响其算法复杂度的因素，以衡量算法的好坏。本文主要研究的是第二类Padé权函数神经网络的算法复杂度，第二类Padé权函数神经网络是一种新型神经网络。本文在第二类权函数神经网络的理论基础上，结合牛顿插值和Padé逼近的相关理论，对第二类Padé权函数神经网络算法的步骤进行了介绍，根据算法复杂度的定义，通过对算法关键步骤的运算次数的分析，得出算法的时间复杂度。在理论分析的基础上，本文通过MATLAB工具对第二类Padé权函数神经网络的算法复杂度进行了仿真实验。本文通过理论分析和实验验证，最终得到了第二类Padé权函数神经网络的算法复杂度的计算公式，其算法复杂度与样本输入维数、输出维数以及样本点个数有关，为mnO N2，其中m为输入维数，n为输出维数，N为样本数目。通过仿真实验验证了第二类Padé权函数神经网络算法复杂度理论分析的正确性，以及第二类Padé权函数神经网络具有算法算法复杂度较低，在解决拓扑结构比较复杂的问题上花费的训练时间较少，具有明显的优势。本文在理论分析的基础上，将第二类Padé权函数神经网络算法与邮件分类结合起来。通过MATLAB仿真实验验证，第二类Padé权函数神经网络算法对垃圾邮件的分类正确率和查全率都比较高。基于第二类Padé权函数神经网络算法的邮件分类方法，可以取得较好的分类效果，可以满足用户的基本需求。(本文来源于《南京邮电大学》期刊2014-06-16）
徐晏[9]（2014）在《第一类Padé权函数神经网络的算法复杂度研究及其应用》一文中研究指出本文的主要目的就是在第一类权函数神经网络理论的基础上，类推出第一类Padé权函数神经网络的拓扑结构，然后推导出第一类Padé权函数神经网络的算法复杂度，并且给出误差分析。然后通过实验验证理论结果，并且验证第一类Padé权函数神经网络在算法复杂度优于传统的神经网络。本文研究的是第一类Padé权函数神经网络算法复杂度。第一类Padé权函数神经网络结合了权函数神经网络与Padé逼近的优点，是一种特殊的权函数神经网络。本文在第一类权函数神经网络的理论基础上，结合牛顿插值和Padé逼近的相关理论，对第一类Padé权函数神经网络算法的步骤进行了介绍，根据算法复杂度的定义，通过对算法关键步骤的运算次数的分析，得出算法的时间复杂度，然后分析了网络误差，并利用Matlab仿真实验对结果进行了验证。文中推导出了第一类Padé权函数神经网络的算法复杂度的复杂度公式，得到结论是算法复杂度与样本输入维数、输出维数以及样本点个数有关。从仿真试验的结果可以看出第一类Padé权函数神经网络算法复杂度在输入、输出维数确定的情况下，关于样本数呈二次多项式级别的复杂度关系；在输入样本数、输出维数确定的情况下，关于输入维数呈多项式级别的复杂度关系；在输入样本数、输入维数确定的情况下，关于输出维数呈多项式级别的复杂度关系。通过仿真实验验证了叁个方面：第一类Padé权函数神经网络算法复杂度公式理论结果准确；第一类Padé权函数神经网络的误差很小；第一类Padé权函数神经网络比传统神经网络（BP,RBF）有更好的训练速度。说明第一类Padé权函数神经网络的算法复杂度较低，网络误差也比较小，在复杂的问题上花费的训练时间相对传统网络较少，具有明显的优势。应用部分研究的是入侵检测问题，给出了基于第一类Padé权函数神经网络算法的入侵检测系统的基本原理。多次实验证明，基于第一类Padé权函数神经网络的入侵检测系统有很高的检测效率与正确率。(本文来源于《南京邮电大学》期刊2014-05-12）
詹建徽[10]（2014）在《第一类正交（张量）权函数神经网络的算法复杂度研究及其应用》一文中研究指出传统神经网络（BP、RBF算法）在训练过程中容易陷入局部极小点、训练收敛速度慢，文献[1]中作者提出了样条权函数神经网络的概念，给出了具体的学习算法。样条权函数神经网络结构简单、训练速度快，且不会陷入局部极小点。该文献同时给出了仿真实验，实验结果表明样条权函数神经网络相比传统神经网络有着很好的逼近能力和泛化能力。本文以样条权函数神经网络理论为基础，将以正交多项式为基函数而拟合到的多项式函数与权函数神经网络相结合，对第一类正交权函数神经网络的网络结构进行了分析研究，给出第一类正交权函数神经网络权函数的具体算法，并利用算法分析相关理论对第一类正交权函数神经网络的算法时间复杂度进行了分析与推导。仿真实验结果显示，相对于传统神经网络算法，第一类正交权函数神经网络在训练时间以及网络精度上都有着一定的优势。为了解决传统权函数神经网络在训练时出现的奇异样本问题，本文在导师的指导下利用张量不变性对2维输入1维输出结构权函数神经网络所存在的奇异样本进行坐标变换从而消除奇异性，理论上解决了2维输入1维输出结构权函数神经网络的训练样本经过特征提取之后出现的奇异样本问题。文章最后将第一类正交权函数神经网络应用于人脸识别技术当中，对AT&T人脸数据库和YaleB人脸库进行特征值提取得到训练样本，并将其通过第一类正交权函数神经网络分类器进行训练及识别测试，实验结果表明，相比较传统神经网络分类器和基于距离的分类器，第一类正交权函数神经网络在训练时间和识别率两方面的综合性能有很大的提高。(本文来源于《南京邮电大学》期刊2014-05-01）
复杂度函数论文开题报告
（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：
推荐系统是指通过分析用户的历史行为,主动给用户推荐他们可能感兴趣的信息。它能够大大缩短用户筛选信息的时间,从而被广泛应用于电子商务,电影视频网络,社交网络等领域。推荐系统的研究方法有很多,其中应用最广泛的是协同过滤推荐算法。该算法的核心思想是寻找与目标兴趣爱好相似的对象作为样本的邻居,然后通过分析其邻居的行为来预测目标的行为。现有大量距离度量函数可以用来确定目标的邻居,例如余弦相似度,Pearson相关系数,欧几里得距离等。但这些距离度量函数的计算过程均比较复杂,当数据规模较大时,距离的计算会非常耗时。本文提出了一个以平均距离为核心的协同过滤推荐算法MBR(M-distance based recommend)。该算法首先定义了一个新的距离函数M-distance,该函数的复杂度仅有常数级。M-distance将对象与样本之间的平均评分差作为二者之间的距离,当已知对象与样本的平均评分后,计算二者距离的时间复杂度仅为O(1)。其次提出了以半径5来寻找邻居的方法。在计算出对象间的距离后,kNN算法将距离样本最近的k个对象作为样本的邻居,但是这样预先设定好邻居数量的方法不够灵活。而以半径来寻找邻居是通过样本的平均评分和δ先确定出样本的邻居域,当对象与样本的距离在这个邻居域范围内时,我们就将该对象作为待选邻居。通过这样的方法来选择邻居,邻居数量的多少完全取决于对象与样本之间的相似程度,相似度越高,选择出来的邻居就越多,预测也就越准确。然后定义了评分预测方法。当选择出样本的所有邻居后,就可以根据用户对邻居的行为来预测用户对样本的行为。当有邻居时,将邻居的平均评分作为样本的最终预测值,而没有邻居时将用户对样本的平均评分值作为最终的预测值。最后在MBR推荐算法的基础上继续定义了一个推荐阈值(threshold)。当MBR算法计算出的预测值大于推荐阈值时,就将样本推荐给用户,反之不推荐。threshold主要由误推荐率和误推荐代价两者共同决定。本文选取了四个常用的公开数据集:MovieLens,DouBan,EachMovie,Netflix来进行试验。主要比较了 MBR推荐算法与kNN,Slope One算法在运行效率和预测精确上的优劣。通过大量的实验可知MBR推荐算法在保证了精确度的前提下大大提高了推荐效率,特别是在大型数据集上表现更为突出。而最优的门限值一般在3.4与3.5之间产生。
（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。
复杂度函数论文参考文献
[1].张瑞,史故臣,刘半藤,陈友荣.基于韦伯分布函数的低复杂度变步长符号算法[J].电信科学.2018
[2].郑梅.基于常数复杂度距离函数的推荐算法研究[D].西南石油大学.2017
[3].保红燕.有理样条高阶复合权函数神经网络的复杂度分析与应用[D].南京邮电大学.2016
[4].章亦葵,李英第.C语言函数时间复杂度自动计算方法的实现[J].计算机应用与软件.2015
[5].张浩.分子叁次分母一次有理样条权函数神经网络的复杂度分析与应用[D].南京邮电大学.2015
[6].杨海楠.分子叁次分母二次有理样条权函数神经网络的复杂度分析与应用[D].南京邮电大学.2015
[7].李英第.C语言代码分析与函数时间复杂度计算的研究[D].天津大学.2014
[8].杨磊.第二类Padé权函数神经网络的算法复杂度研究及应用[D].南京邮电大学.2014
[9].徐晏.第一类Padé权函数神经网络的算法复杂度研究及其应用[D].南京邮电大学.2014
[10].詹建徽.第一类正交（张量）权函数神经网络的算法复杂度研究及其应用[D].南京邮电大学.2014