导读:本文包含了非随机化模型论文开题报告文献综述及选题提纲参考文献，主要关键词:随机化回答,隐私保护,频繁项集,敏感问题调查
非随机化模型论文文献综述
郭宇红,童云海[1]（2019）在《隐私保护频繁项集挖掘中的细粒度随机化模型》一文中研究指出已有的随机化回答模型调控的数据范围宽、粒度粗,对隐私数据的保护粒度缺乏灵活性,无法实现精细化、个性化、差异化的隐私保护。提出叁类多参数随机化回答模型,包括行多参、复合多参、分组多参共11种随机化回答模型,给出了模型的分类框架和分类层次。细粒度多参数随机化模型可实现精细化、个性化、差异化的隐私保护效果。(本文来源于《软件工程》期刊2019年10期）
蒋定国,全秀峰,姚义振,刘伟[2]（2019）在《基于随机化方法的叶绿素a含量神经网络预测模型输入因子敏感性分析》一文中研究指出为了区分神经网络预测模型输入因子敏感性强弱,以探寻水体叶绿素a含量变化的主要影响因素,引入随机化方法,分别采用偏导、连接权值、改进连接权值、百分比扰动及改进扰动方法对叶绿素a含量神经网络预测模型输入因子进行1 000次敏感性分析,以计算结果均值对输入因子敏感性进行评价。结果表明:引入随机化方法后,敏感性分析结果稳定,研究区域pH相对敏感度最高,光照、降雨量、极大风速相对敏感度最小。受输入因子波动范围过大影响,百分比扰动方法与其他敏感性分析方法得到的结论不一致;对扰动方法进行改进,基于输入因子标准差扰动进行敏感性分析,光照、降雨量、极大风速相对敏感度分别为0.032、0.030、0.029,pH相对敏感度为0.148,因子敏感性强弱与其他方法一致;改进的扰动方法物理概念清晰,耗机时少,易实现。研究结果可为基于神经网络分析水体水华主要影响因素提供方法,为水体治理措施有效开展提供研究基础。(本文来源于《水利水电技术》期刊2019年05期）
李森林,马竹根,邓小武[3]（2018）在《一种神经网络模型随机化方法》一文中研究指出随着神经网络结构越来越深,参数越来越多,训练更加复杂,导致在交互式应用中难以推广应用.随机化是改善神经网络模型性能的一种有效方法(如随机化初始连接权值和随机化"Dropout"神经网络节点).本文提出了一种基于随机化处理方法,简化了网络结构,降低了网络训练难度.该方法的主要思路:1)对原始数据降维;2)当进行网络训练时,随机交换部分邻域节点输出值;3)引入卷积网络的池化技术,随机池化网络节点连接权值.通过在不同数据集上的实验表明,引入随机化处理的神经网络,预测准确率在80%~95%左右,基本满足一般用户需求.(本文来源于《怀化学院学报》期刊2018年05期）
王立霞,王璐[4]（2018）在《基于问卷和随机化回答模型的大学生作弊问题的调查研究》一文中研究指出大学生作弊不仅影响学风建设,也严重威胁着社会的主流价值,应引起社会高度关注。本文对440名大学生进行问卷调查获得大学生对作弊的认知情况,随机化回答装置用以估计作弊比例。研究发现大学生真实作弊比例高达77%,作弊动机与心理呈现了复杂化的倾向,且在诚信问题上存在认知与道德界限的模糊。因此,文章最后从学校、社会和大学生叁个方面有针对性地提出了对策与建议。(本文来源于《吉林化工学院学报》期刊2018年04期）
许岩,永贵[5]（2018）在《双辅助信息随机化回答模型的两种估计量》一文中研究指出随机化回答技术是进行敏感性问题调查和推算总体特征比例的一种有效方法.通过在随机化回答技术中使用辅助信息,可以提高估计量的精度,从而得到更为合理的调查结果.在随机化回答技术中引入两个辅助信息,提出比方法和比方法与回归方法组合的两种估计量,计算了这两种估计量的均方误差,并通过数值计算验证了两种估计量的合理性.(本文来源于《数学的实践与认识》期刊2018年01期）
田中修[6]（2017）在《Eigen模型中突变率随机化的研究》一文中研究指出Eigen模型是描述微观分子物种演化的动力学模型,其用数学形式描述了选择与突变相互耦合的生物进化过程,对于物种的起源与进化、生物多样性的研究具有重要的理论意义。1989年,Eigen等提出了准物种和误差阈的预言,为研究病毒的演化和新的抗病毒策略提供了理论基础。物种演化可以看做是生物群体与其周围环境相互作用的随机过程,而随机突变则为物种的自然选择提供了丰富的基础材料,是物种演化随机过程中的一个重要的因素。关于物种演化过程中突变随机效应的研究目前较少。在Eigen模型的基础上分析突变率的作用及随机效应对于理论模型的实际化具有重要意义。本文利用解析的方法求解准物种方程的精确解;利用系综平均的方法给出准物种和误差阈的数值模拟。物种演化模型中的一些物理参量是受外界环境涨落影响的,把模型中的物理参量处理为高斯分布随机变量,得到以下主要结果:1、把模型中的适应度和突变率这两个物理参量同时处理为高斯分布随机变量,当二者同步耦合随机化时,转变区域的宽度与适应度的涨落强度呈线性关系;转变区域的宽度与突变率的涨落强度呈指数型关系。2、把模型中的适应度和突变率这两个物理参量同时处理为高斯分布随机变量,当二者在非同步耦合随机化的情况下,转变区域的宽度与变量涨落强度间的关系与之前相一致。此时,不同的涨落强度下,变量与转变区域的宽度呈现出不同的趋势。3、当适应度和突变率二者同时随机化时,突变率随机化占据了主导地位,将突变概率矩阵中矩阵元作进一步的分析,进而研究误差阈的展宽机制。(本文来源于《河北工业大学》期刊2017-05-01）
乔克林,刘琼琼,张娟[7]（2016）在《L~*_(m)族下保费随机化推广的延迟风险模型的破产概率》一文中研究指出研究了L~*_(m)族下保费随机化推广的延迟风险模型,在模型中假定索赔额及索赔时间间隔分别具有不同的分布,借助概率论知识、随机过程等方法。并得出L~*_(m)族下,该风险模型在(0,t]内破产概率的渐近表达式。(本文来源于《延安大学学报(自然科学版)》期刊2016年03期）
谢海林,裴卫军,刘爱平,王稳平[8]（2016）在《具有随机化输入的贝叶斯概率模型》一文中研究指出针对概率线性回归模型存在采用单层结构的表示能力有限、训练过程中容易存在过拟合问题,提出具有随机化输入的贝叶斯概率模型.通过对模型增加随机化输入层,对输入数据进行随机化处理,将单层线性处理模型转化为两层非线性模型以增强模型表示能力;同时对模型参数加入高斯先验概率分布以提高模型的泛化能力.理论分析和实验结果表明,具有随机化输入的贝叶斯概率模型具有较优的分类性能和较好的泛化能力.(本文来源于《空军预警学院学报》期刊2016年03期）
刘琼琼[9]（2016）在《重尾索赔下保费随机化风险模型的研究》一文中研究指出在保险公司的实际运营中,一方面由于竞争、利率等各种环境的影响,保费及保费收取的时间都是随机变量;另一方面由于地震、火灾、洪灾等突发性极端事件的发生将给保险公司的经营也产生巨大的危机,而极端事件给保险公司造成的巨大损失需用重尾理论来描画.此外,研究有限时间内的破产概率往往更具有实际意义.因此,本文创造性的提出重尾索赔下保费随机化风险模型,从而对已有文献中的模型进行了更符合现实的推广,并考察该模型在(0,t]内破产概率的渐近等价式.全文的主要研究成果如下:首先,本文建立保费收取随机化且索赔分布属于L~*_(m)族的风险模型,在模型中假定索赔过程为Poisson过程和保费到达过程为一般更新过程,借助概率论知识、随机过程等方法,得出该风险模型在(0,t]内破产概率的渐近表达式;将该模型推广为推广的延迟更新风险模型,在模型中假定索赔额及索赔时间间隔分别具有不同的分布,并讨论得出L~*_(m)族下,该风险模型在(0,t]内破产概率的渐近表达式.其次,考虑重尾索赔下保费随机化且带随机重延迟的风险模型,在模型中假定索赔额及索赔时间间隔分别具有不同的分布且延迟的个数是随机的,并研究讨论L~*_(m)族下,该风险模型在(0,t]内破产概率的渐近表达式.最后,建立同时考虑重尾索赔、利率、随机保费且有两种索赔的风险模型,从模型进行了推广而对已有文献中的风险,在此模型中假定索赔过程为Poisson过程和保费到达过程为一般更新过程,借助概率论知识、随机过程等方法,得出该风险模型在(0,t]内破产概率的渐近表达式.(本文来源于《延安大学》期刊2016-06-01）
王玲[10]（2016）在《非随机化资料基于倾向值模型的联合匹配方法探讨》一文中研究指出目的:探讨非随机化资料基于倾向值模型的联合匹配方法,以控制组内的变异,同时保证组间的均衡可比性,减小选择偏倚,提高统计推断的可靠性,以期为存在异质性的非随机化研究资料的统计分析提供新的方法学支持。方法:对非随机化资料存在的多亚群问题,采用两步聚类法;对极端异常值问题,采用中心化距离法或倾向值界限法,考虑不同的剔除范围;在倾向值匹配模型的基础上,分别联合不同的匹配方法,利用Monte Carlo模拟计算平均干预效应估计值,根据估计的偏差(Dev)和均方误差(MSE)综合评价各联合模型的效果。同时,结合临床真实世界病案数据的特征,选择最适合的联合模型,与不匹配时的结果进行比较与评价。除两步聚类过程在SPSS中进行外,所有过程均在STATA中实现。结果:(1)针对非随机化资料的多亚群问题,本文先采用两步聚类法对资料聚类,然后针对各类分别联合不同的倾向值匹配方法,在n=300、600、1200、2400、4800及9600下分别进行Monte Carlo模拟。结果显示:n=4800时,马氏距离匹配(Dev=-0.0018)的估计偏差略小于卡尺内最近邻匹配(Dev=0.0019),但前者MSE=0.0703,后者MSE=0.0658,综合评价两者效果不相上下;n=9600时,这一表现更加明显。由于马氏距离匹配计算样本方差协方差矩阵需要耗费很长时间,因此,样本量比较大时,建议优先选择卡尺内最近邻匹配。(2)针对研究人群中存在极端异常值的情况,先计算每个个体的中心化距离1 T 2 2 21 11 2 21 1 2 22 2(...)(...)...i i i im m i im m im mmd x l x l x l x l x l x l-=XV X(28)(10)(10)(10)(10)(10)(10)(10)(10)或倾向值[]0 1 1 2 2 3 3 4logi t P(W(28)1)(28)a(10)ax(10)ax(10)ax(10)aZ,再分别设定中心化距离d或倾向值PS或的99%、95%和90%可信区间为可接受相似范围,将该距离范围外的个体剔除,在倾向值匹配模型的基础上,分别联合不同的匹配方法,进行Monte Carlo模拟。结果显示,95%剔除的样本数和预设异常值个数最为吻合,当样本量足够大(n=4800)时,95%和90%剔除范围在估计偏差上的差异越来越不明显。当样本量比较大时,卡尺内最近邻匹配比马氏距离匹配更为稳健,整体来看,前者的MSE更小一些。(3)根据Monte Carlo模拟的结果,当遗漏重要的影响分组的协变量Z时,会使研究结果产生较大的偏差,在本文预设真实干预效应为0.5时,各模型的估计偏差百分比(Dev%)几乎均在90%-100%之间。(4)对临床真实世界病案数据的测评中,进行传统COX回归时,得出男性死亡风险低于女性,性别差异有统计学意义的结果(P=0.0169);进行卡尺内最近邻匹配后COX回归时,性别差异依然有统计学意义,但此时P=0.0448,比较接近0.05;进行中心化距离法联合卡尺内最近邻匹配后再COX回归,发现性别差异没有统计学意义(P=0.1725),基于组内变异及估计偏差的有效控制,该统计结果显然更为可靠。结论:本文提出的两步聚类联合倾向值匹配法、中心化距离联合倾向值匹配法和倾向值界限联合倾向值匹配法可以有效控制非随机化研究资料的组内变异及估计偏差,并保证了组间的均衡可比性,具有良好的适用性,为存在异质性的非随机化研究资料的统计分析提供了新的方法学支持。(本文来源于《华中科技大学》期刊2016-05-01）
非随机化模型论文开题报告
（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：
为了区分神经网络预测模型输入因子敏感性强弱,以探寻水体叶绿素a含量变化的主要影响因素,引入随机化方法,分别采用偏导、连接权值、改进连接权值、百分比扰动及改进扰动方法对叶绿素a含量神经网络预测模型输入因子进行1 000次敏感性分析,以计算结果均值对输入因子敏感性进行评价。结果表明:引入随机化方法后,敏感性分析结果稳定,研究区域pH相对敏感度最高,光照、降雨量、极大风速相对敏感度最小。受输入因子波动范围过大影响,百分比扰动方法与其他敏感性分析方法得到的结论不一致;对扰动方法进行改进,基于输入因子标准差扰动进行敏感性分析,光照、降雨量、极大风速相对敏感度分别为0.032、0.030、0.029,pH相对敏感度为0.148,因子敏感性强弱与其他方法一致;改进的扰动方法物理概念清晰,耗机时少,易实现。研究结果可为基于神经网络分析水体水华主要影响因素提供方法,为水体治理措施有效开展提供研究基础。
（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。
非随机化模型论文参考文献
[1].郭宇红,童云海.隐私保护频繁项集挖掘中的细粒度随机化模型[J].软件工程.2019
[2].蒋定国,全秀峰,姚义振,刘伟.基于随机化方法的叶绿素a含量神经网络预测模型输入因子敏感性分析[J].水利水电技术.2019
[3].李森林,马竹根,邓小武.一种神经网络模型随机化方法[J].怀化学院学报.2018
[4].王立霞,王璐.基于问卷和随机化回答模型的大学生作弊问题的调查研究[J].吉林化工学院学报.2018
[5].许岩,永贵.双辅助信息随机化回答模型的两种估计量[J].数学的实践与认识.2018
[6].田中修.Eigen模型中突变率随机化的研究[D].河北工业大学.2017
[7].乔克林,刘琼琼,张娟.L~*_(m)族下保费随机化推广的延迟风险模型的破产概率[J].延安大学学报(自然科学版).2016
[8].谢海林,裴卫军,刘爱平,王稳平.具有随机化输入的贝叶斯概率模型[J].空军预警学院学报.2016
[9].刘琼琼.重尾索赔下保费随机化风险模型的研究[D].延安大学.2016
[10].王玲.非随机化资料基于倾向值模型的联合匹配方法探讨[D].华中科技大学.2016