导读:本文包含了层次式检测方法论文开题报告文献综述及选题提纲参考文献，主要关键词:蛋白质相互作用,蛋白质复合物,聚类,可视化
层次式检测方法论文文献综述
王佩恒,张冬雯,许云峰[1]（2019）在《基于网络层次的蛋白质相互作用网络功能模块检测方法》一文中研究指出为了在蛋白质相互作用网络上预测蛋白质复合物和功能模块,文章提出了WCFM聚类算法,提高了在人类PPI网络上预测蛋白质复合物准确率,并且将D3可视化技术应用到PPI网络可视化领域,为生物网络模块的挖掘和分析提供了有益的参考。(本文来源于《内蒙古科技与经济》期刊2019年15期）
赵静[2]（2019）在《遥感图像层次化目标检测方法研究》一文中研究指出遥感图像解译是进行对地观测的一个重要手段,一直以来都是遥感领域国内外学者研究的重点方向,伴随着遥感成像技术的不断成熟,遥感成像越来越趋向于图像幅宽大,图像分辨率越来越高,每天会有大量的高分辨率遥感数据需要被处理,这需要对于地面目标层面的目标进行有效检测,尤其是对于图像中典型目标的检测识别的需求。因此本文针对大场景高分辨率遥感图像中飞机和舰船目标检测任务进行了学习和研究,并针对场景复杂虚警高的问题提出基于分层筛选的目标检测方法,主要从区域特征分析及检测和目标特征分析及检测两方面进行介绍,具体研究内容为:为缩小目标检测范围,本文对大场景遥感图像目标检测先进行了目标所在区域——停机坪和港口的检测。停机坪检测方面,针对机场跑道的直线特征和停机坪的亮度和梯度特征,研究了基于跑道直线特征筛选和停机坪显着性检测的机场检测方法;海陆交界带提取方面,针对海水区域和陆地区域光谱值以及梯度值的差异,研究了基于海陆分割和直线提取的舰船疑似区域检测方法。在实现区域检测的基础之上,为有效检测飞机和舰船目标,本文基于一种层层检测候选切片,逐步剔除虚警的思想,设计了基于特异性特征提取的目标分层检测模型,实现了渐进式的目标检测,模型由两部分组成:多分辨率辨识层与目标特异性约束层。飞机目标检测方面,首先对输入切片在不同尺度下提取张量梯度方向直方图特征,并利用分级支持张量机进行分类检测,然后估计飞机目标朝向以实现更好利用飞机的轮廓特异性,最后,将已经进行朝向估计的切片输入到目标特异性约束层进行最终检测。舰船检测方面,本文采用基于经典可变形部件模型算法的分层算法检测靠岸舰船,首先在多分辨率辨识层通过根部件模型与输入图像切片特征图进行卷积,并进行阈值判断,对目标潜在区域进行定位;然后为检测不同方向靠岸舰船,对目标进行了姿态估计;最后利用部件模型与输入特征图卷积并判断卷积得分与阈值的大小,检测切片是否含有舰船目标。本文针对所研究的基于直线特征的机场检测和基于分级支持张量机的飞机目标检测算法;基于海陆分割和直线提取的舰船疑似区域检测和基于分层可变形部件模型(Deformable Part Model,DPM)的舰船检测算法,在多幅遥感图像进行了实验,实验结果证明了本文所研究的典型目标检测方法的有效性。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
惠飞,彭娜,景首才,周琪,贾硕[3]（2018）在《基于凝聚层次的驾驶行为聚类与异常检测方法》一文中研究指出目前基于视频的异常行为检测主要针对单车受限场景,难以对运输全过程进行监控。而GPS轨迹分析也以对单车进行先验阈值判断为主,缺乏数据深层次分析与信息挖掘步骤。为此,提出一种基于GPS数据的驾驶行为异常检测方法。利用时间、速度、加速度、方向、转角等全局与局部特征及其对应的统计量,构建车辆驾驶行为的特征属性,并基于多特征对已有的商用车轨迹数据进行聚类分析,得到区域性车辆异常驾驶行为检测结果。实验结果表明,该方法能够准确判断待测车辆的超速、急加速/减速、频繁变道等典型异常驾驶行为。(本文来源于《计算机工程》期刊2018年12期）
刘煜[4]（2018）在《基于层次特征的车牌检测方法研究》一文中研究指出近年来,深度卷积神经网络(DCNN)获得了较大的关注并被深入的研究。同时,一些基于卷积神经网络(CNN)的方法也被应用于车牌识别领域,并取得了较传统方法更好的表现。然而在实际应用中,大多数车牌识别系统只能适应单一场景,比如在公寓、学校门口的栏杆处设立的摄像头所使用的车牌识别算法,未必适用于高速公路场景。同时,固定在十字路口上方的摄像头,由于监视的区域路况较复杂,所拍摄的场景中,存在大量距离摄像头位置较远的小车牌,检测效果通常较差。而如果使用对于检测小车牌效果较好的模型,并不能很好地适用于公寓入口等位置。该文中,我们首先提出了一种基于CNN的车牌检测算法,结合不同层次特征图的预测,得出最终的车牌检测结果。该方法有利于检测不同大小尺寸的车牌,提高车牌检测算法的鲁棒性和通用性。我们的车牌检测方法在公开数据集Open ITS上的平均精度均值(m AP)达到了99.99%。(本文来源于《电脑知识与技术》期刊2018年14期）
王毅,丁力,侯兴哲,孙洪亮,郑可[5]（2017）在《基于层次分析法的加权力线窃电检测方法》一文中研究指出为解决传统窃电检测方法的局限性,提出一种基于层次分析法的加权力线(LOF)窃电检测方法。该方法首先通过对窃电现象的系统分析,提出新的用电特征指标,构建合理的窃电嫌疑评价体系;其次针对各电气指标数据异常所能代表窃电的不同概率,采用层次分析法合理量化各电气指标的权重,并结合加权LOF算法对海量用户数据进行加权离群分析,使用综合离群因子表征用户窃电嫌疑程度。最后通过实测数据验证,结果表明所提检测方法相较传统LOF算法在较低检测率时能够挖掘出更多的窃电用户,进而提升采集系统的窃电检测效率。(本文来源于《科学技术与工程》期刊2017年33期）
徐森淼[6]（2016）在《基于高光谱不同层次信息融合的马铃薯轻微损伤检测方法》一文中研究指出作为未来第四大主粮,马铃薯正体现出更多食用价值以及商用价值。而马铃薯品质分级直接关系到马铃薯可用与否,更关系到马铃薯主粮化战略能否顺利推行。因此,研究用于马铃薯品质检测的方法,不仅能提高马铃薯的食用价值,更能提高马铃薯的产业价值。论文以轻微损伤马铃薯样本为研究对象,采用V型平面镜高光谱结合信息融合方法建立了基于不同层次信息融合的马铃薯轻微损伤模型,并通过比较分析确定用于及时检测出马铃薯的轻微损伤的最优信息融合方法。具体研究结果如下:(1)搭建了V型平面镜高光谱图像采集平台,确定了用于获取马铃薯高光谱图像的采集参数,并通过试验验证了V型平面镜高光谱图像采集平台可用于检测马铃薯的轻微损伤。(2)确定了数据层融合的马铃薯轻微损伤检测方法。以180个合格与142个轻微损伤马铃薯样本为研究对象,用V型平面镜高光谱图像采集平台获取马铃薯的高光谱图像,以高光谱图像中3幅子图像F1、F2和F3提取的光谱数据X11、X22和X33组成光谱矩阵,进行原始数据的数据层融合,用支持向量分类机(SVC)为建模方法,通过比较标准正态变量变换(SNV)、多源散射校正(MSC)和泊松变换(Poisson Scaling)3种不同的光谱预处理方法,SNV对SVC模型效果提升最为显着,为数据层融合的最优数据预处理方法。采用了蚁群算法(ACO)对马铃薯损伤特征变量进行筛选,确定了9个光谱变量,以所选变量作为SVC输入,使用果蝇优化算法(FOA)、遗传算法(GA)和网格搜索法(Grid search)3种方法对SVC模型的惩罚因子c和核函数参数e优化,其中FOA对模型优化效果最为明显,所建SVC对标定集与检验集的轻微损伤识别准确率均为100%,确定FOA为数据层融合的马铃薯轻微损伤检测最优模型寻参方法。(3)确定了特征层融合的马铃薯轻微损伤检测方法。用V型平面镜高光谱图像采集平台获取马铃薯的高光谱图像,从3幅子图像F1、F2和F3中提取数据X11、X22和X33,分别采用SNV预处理后并用3种无监督降维方法提取损伤特征,对提取特征后的X11、X22和X33进行特征层融合,之后建立支持向量分类机(SVC)检测模型。研究结果表明,经由KPCA提取的特征,所建SVC模型的识别准确率最高,然后分别采用粒子群算法(PSO)、杂草算法(IWO)、蝙蝠算法(BA)和果蝇优化算法(FOA)对SVC的惩罚因子c和核函数参数e进行寻优,通过比较分析,表明经过PSO优化的SVC模型结果最优,标定集与检验集识别准确率分别达到93.48%和85.04%,因此确定核主元分析(KPCA)为马铃薯轻微损检测特征层信息融合的降维方法,粒子群算法(PSO)为最优模型优化方法。(4)确定了决策层融合的马铃薯轻微损伤检测方法。以180个合格马铃薯与142个轻微损伤马铃薯样本为研究对象,用V型平面镜高光谱图像采集平台获取马铃薯高光谱图像,并从3幅子图像F1、F2和F3提取光谱数据X11、X22和X33,运用KPCA对X11、X22、X33分别进行特征提取。运用支持向量机(SVC)、极限学习机(ELM)和随机森林(RF)叁种建模方法分别对提取特征后的X11、X22和X33建立模型。其中,以X11为研究对象,ELM模型精度最高,其标定集识别准确率达到86.51%,检验集识别准确率达到84.12%;以X22为研究对象,随机森林(RF)模型精度最高,其标定集识别准确率达到88.84%,检验集识别准确率达到89.72%;以X33为研究对象,SVC模型精度最高,其标定集识别准确率达到89.3%,检验集识别准确率达到85.98%。因此极限学习机(ELM)、随机森林(RF)和支持向量分类机(SVC)均可作为决策层信息融合的马铃薯轻微损伤建模方法。以融合判定准则对X11、X22和X33进行决策层融合,该融合模型对检验集的识别准确率为89.71%。(5)确定用于检测马铃薯轻微损伤的最优信息融合方法。以建模时长与模型识别准确率为比较依据,对比了数据层、特征层与决策层信息融合模型。经过比较分析,数据层融合、特征层融合和决策层融合模型对检验集的识别准确率分别为100%、85%和89.71%,建模时间分别为3.32s、5.05s和2.42s,数据层融合方法精度最高,建模时间较短。最终确定数据层信息融合为用于检测马铃薯轻微损伤的最优信息融合方法。(本文来源于《华中农业大学》期刊2016-06-01）
王红阳[7]（2016）在《基于层次聚类的不可达路径检测方法研究》一文中研究指出随着科技的发展,社会的进步,软件已经被广泛应用到各个领域。在很多领域的应用场景中,软件的质量与可靠性至关重要。软件测试是保证软件质量与可靠性的重要手段。路径测试是软件测试中一种常用的测试方法。路径测试尝试使用合适的测试用例覆盖程序中的执行路径。如果试图覆盖的执行路径是一条不可达路径,则找不到任何测试用例可以完成覆盖目标,从而造成测试资源的浪费。大型程序功能繁多,结构复杂,通常会包含大量的不可达路径。因此,在执行路径测试之前,识别出程序中的不可达路径具有重大意义。国内外众多专家学者提出多种不可达路径检测方法。然而仍然存在很多不足之处。在分析与研究现有检测方法的基础上,本文提出一种基于子路径扩展的不可达路径检测方法,以及一种基于层次聚类的相似执行路径生成方法,最终提出一种基于层次聚类的不可达路径检测方法,并实现了一个针对Java语言的不可达路径检测工具。首先,提出基于子路径扩展的不可达路径检测方法。该方法首先生成程序的子路径集,将路径的可达性问题转换为不等式组的求解问题。使用约束求解器判断子路径的可达性,可以分为:可达子路径,不可达子路径和无法判定叁个部分,并对后面两部分的子路径扩展出的路径做二次可达性检测,最终获得程序中所有路径的可达性信息。可达性检测工作主要在子路径集上进行,因此有效解决了路径爆炸问题。实验结果表明该方法可以准确有效地检测程序中的不可达路径。然后,提出基于层次聚类的相似执行路径生成方法。该方法根据软件测试中的等价类划分思想,以分支距离判断路径相似度,从而对已知的执行路径进行层次聚类,并根据得到的聚类模型生成相似的执行路径。实验结果表明该方法可以有效地生成相似执行路径,提高路径测试的效率。其次,提出基于层次聚类的不可达路径检测方法。在基于子路径扩展的不可达路径检测方法中,在子路径扩展步骤融入基于层次聚类的相似执行路径生成方法,根据路径条件的相似性,扩展并生成相似执行路径,最终完成不可达路径的检测工作。最后,完成针对Java语言的不可达路径检测工具。在基于子路径扩展的不可达路径检测方法中,比较关键的步骤为扩展子路径集。该工具在扩展子路径集步骤中引入基于层次聚类的相似路径生成方法,结合静态分析结果,将该步骤中引入启发式的搜索信息,使其扩展过程更加高效,节约检测资源,减少检测开销。(本文来源于《中国矿业大学》期刊2016-05-01）
孙璐璐[8]（2014）在《层次型无线传感器网络故障检测方法研究》一文中研究指出伴随传感器技术的迅猛发展,无线传感器网络技术也开始普遍应用于各个领域。但由于传感器资源受限,并且长期处于工作状态等因素制约,网络极易因传感器节点的失效变得不稳定,因此,对无线传感器网络故障检测技术的研究变得非常重要。目前普遍采用的方法为分布式故障检测方法,然而分布式方法的节点能量消耗快,计算冗余量大,所以研究一种能量消耗低的无线传感器网络故障检测方法对延长网络寿命、保证网络稳定、可靠的运行是非常有意义的。本文依据传感器节点具备时空相关性这一特点,设计了层次型无线传感器网络故障检测方法——CFD算法,主要针对无线传感器网络中节点在收集或者传输数据时产生的错误信息进行故障检测。算法首先采用了层次型拓扑控制技术进行网络分簇,其次以中值采样的方法验证簇头节点的可靠性,最终利用传感器对感知的数据拥有空间相似性的特点,以可靠的簇头节点为参照完成簇内故障检测。在故障检测的过程中,成员节点只需与簇头通信即可确定自身的状态。与分布式故障检测方法相比,避免了邻居节点互相通信时产生的大量冗余信息,从根本上解决了节点能量消耗高的问题。与此同时,算法还为每个节点设置一个可信度值,通过故障容错机制,实现对瞬时故障的容忍。由算法仿真实验结果可知,本文提出的层次型无线传感器网络故障检测方法的网络平均能耗较分布式方法节省近两倍。(本文来源于《沈阳理工大学》期刊2014-12-11）
申利民,杨慧锋,马川,王涛[9]（2014）在《基于层次关系分析的一种软件行为检测方法》一文中研究指出为了提高软件行为判定的精确性,提出了一种基于层次关系分析的软件行为检测方法.首先,截获系统调用并提取动作特征,通过分析单一动作的栈返回地址、动作名称、绑定关系,关键属性得到点内关系,通过分析动作间的依赖和传递关系得到线间关系,并将各动作组成任务;然后,分析各任务间控制分支点动作的控制承接关系得到网间关系,进而利用这些层次关系生成软件行为模型;最后,比对待检测行为是否符合模型中记录的各动作之间关系,做出行为是否有害的判定.实验和分析结果表明:利用该方法能够准确描述动作流程,提高了检测准确度和效率.(本文来源于《小型微型计算机系统》期刊2014年09期）
徐路路[10]（2014）在《一种针对C程序缓冲区溢出漏洞的层次式静态检测方法研究》一文中研究指出随着缓冲区溢出漏洞问题在信息安全领域引起了越来越多的关注，人们在如何提高缓冲区溢出漏洞检测的精度方面，开展了一系列的方法研究。本文针对C程序缓冲区溢出漏洞，提出一种层次式静态检测方法。该方法分为叁个部分：检测模块（第一层次）；筛选模块（第二层次）；输出模块。其中，检测模块属于检测漏洞的第一层次，该模块基于几款经典的词法检测工具，采用可信度工具模型构造具有可扩展性的可信危险函数数据库，并能嵌入检测缓冲区溢出漏洞的静态工具，达到降低检测工具误报和漏报的目的；筛选模块属于检测漏洞的第二层次，该模块利用检测模块的输出结果中的警告信息，采用静态后向切片技术，进一步降低误报，基于输出结果的警告信息提取警告程序切片，并将其形式化成布尔公式通过SAT求解器验证警告程序切片的真假性；输出模块是对前两个模块的汇总，用于综合第一层次检测模块和第二层次筛选模块的分析结果作为检测工具最终的输出结果进而提高检测工具的精确度。实验结果表明，本文提出的针对C程序缓冲区溢出漏洞的层次式静态检测方法，能够从一定程度上解决轻量级静态检测工具的高误报和高漏报问题。与原工具的检测结果相比，能够从一定程度上提高检测工具的精确度和可信度，进而大大减少安全审查人员的工作量。(本文来源于《内蒙古师范大学》期刊2014-05-06）
层次式检测方法论文开题报告
（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：
遥感图像解译是进行对地观测的一个重要手段,一直以来都是遥感领域国内外学者研究的重点方向,伴随着遥感成像技术的不断成熟,遥感成像越来越趋向于图像幅宽大,图像分辨率越来越高,每天会有大量的高分辨率遥感数据需要被处理,这需要对于地面目标层面的目标进行有效检测,尤其是对于图像中典型目标的检测识别的需求。因此本文针对大场景高分辨率遥感图像中飞机和舰船目标检测任务进行了学习和研究,并针对场景复杂虚警高的问题提出基于分层筛选的目标检测方法,主要从区域特征分析及检测和目标特征分析及检测两方面进行介绍,具体研究内容为:为缩小目标检测范围,本文对大场景遥感图像目标检测先进行了目标所在区域——停机坪和港口的检测。停机坪检测方面,针对机场跑道的直线特征和停机坪的亮度和梯度特征,研究了基于跑道直线特征筛选和停机坪显着性检测的机场检测方法;海陆交界带提取方面,针对海水区域和陆地区域光谱值以及梯度值的差异,研究了基于海陆分割和直线提取的舰船疑似区域检测方法。在实现区域检测的基础之上,为有效检测飞机和舰船目标,本文基于一种层层检测候选切片,逐步剔除虚警的思想,设计了基于特异性特征提取的目标分层检测模型,实现了渐进式的目标检测,模型由两部分组成:多分辨率辨识层与目标特异性约束层。飞机目标检测方面,首先对输入切片在不同尺度下提取张量梯度方向直方图特征,并利用分级支持张量机进行分类检测,然后估计飞机目标朝向以实现更好利用飞机的轮廓特异性,最后,将已经进行朝向估计的切片输入到目标特异性约束层进行最终检测。舰船检测方面,本文采用基于经典可变形部件模型算法的分层算法检测靠岸舰船,首先在多分辨率辨识层通过根部件模型与输入图像切片特征图进行卷积,并进行阈值判断,对目标潜在区域进行定位;然后为检测不同方向靠岸舰船,对目标进行了姿态估计;最后利用部件模型与输入特征图卷积并判断卷积得分与阈值的大小,检测切片是否含有舰船目标。本文针对所研究的基于直线特征的机场检测和基于分级支持张量机的飞机目标检测算法;基于海陆分割和直线提取的舰船疑似区域检测和基于分层可变形部件模型(Deformable Part Model,DPM)的舰船检测算法,在多幅遥感图像进行了实验,实验结果证明了本文所研究的典型目标检测方法的有效性。
（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。
层次式检测方法论文参考文献
[1].王佩恒,张冬雯,许云峰.基于网络层次的蛋白质相互作用网络功能模块检测方法[J].内蒙古科技与经济.2019
[2].赵静.遥感图像层次化目标检测方法研究[D].哈尔滨工业大学.2019
[3].惠飞,彭娜,景首才,周琪,贾硕.基于凝聚层次的驾驶行为聚类与异常检测方法[J].计算机工程.2018
[4].刘煜.基于层次特征的车牌检测方法研究[J].电脑知识与技术.2018
[5].王毅,丁力,侯兴哲,孙洪亮,郑可.基于层次分析法的加权力线窃电检测方法[J].科学技术与工程.2017
[6].徐森淼.基于高光谱不同层次信息融合的马铃薯轻微损伤检测方法[D].华中农业大学.2016
[7].王红阳.基于层次聚类的不可达路径检测方法研究[D].中国矿业大学.2016
[8].孙璐璐.层次型无线传感器网络故障检测方法研究[D].沈阳理工大学.2014
[9].申利民,杨慧锋,马川,王涛.基于层次关系分析的一种软件行为检测方法[J].小型微型计算机系统.2014
[10].徐路路.一种针对C程序缓冲区溢出漏洞的层次式静态检测方法研究[D].内蒙古师范大学.2014