导读:本文包含了分层混合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:分层抽样,聚类,协同过滤,旅游景点
分层混合模型论文文献综述
李广丽,朱涛,袁天,滑瑾,张红斌[1]（2019）在《混合分层抽样与协同过滤的旅游景点推荐模型研究》一文中研究指出采用问卷调查与自动抓取相结合的方式,采集用户信息、用户评分等旅游数据,对数据做分层抽样,生成包含用户旅游喜好信息的"智慧旅游"数据集。围绕该数据集,预处理用户评分并执行基于用户聚类的协同过滤算法,以计算目标用户与聚类中心的相似性。结合分层抽样模型生成的旅游喜好信息,输出混合推荐列表。实验结果表明:相比基线,混合分层抽样与协同过滤的推荐模型对评分预测的均方根误差(Root mean square error,RMSE)和平均绝对误差(Mean absolute error,MAE)分别降低11.5%～64.9%和18.8%～47.7%。混合推荐的准确率和召回率相比基线也有较大程度提升,旅游景点推荐效果良好。(本文来源于《数据采集与处理》期刊2019年03期）
李广丽,朱涛,滑瑾,邱蝶蝶,邬任重[2]（2019）在《混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究》一文中研究指出传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的"Wisdom Tourism"数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显着的作用.(本文来源于《华中师范大学学报(自然科学版)》期刊2019年02期）
赵茭茭,马文平,罗维,刘小雪[3]（2019）在《基于密钥共享的分层混合认证模型》一文中研究指出随着信息时代的迅速发展,云计算数据访问安全已经成为了用户最关心的问题。身份认证技术是确保参与者在开放的网络环境中实现安全通信的一种重要手段,如何利用身份认证技术为云环境安全保驾护航,成为学者研究的热点。文中通过公钥基础设施(Public Key Infrastructure,PKI)颁发CA证书以在不同云服务间建立信任,将多个采用身份密码体制(Identity-Based Encryption,IBE)的云联合起来;采用分层身份加密体系,引入共享密钥技术,通过选取成环结构,提出一种PKI-IBE混合认证模型方案,并对方案的安全性进行分析,从理论上证明了云环境下PKIIBE(Public Key Infrastructure-Identity-Based Encryption)同层成环模型提供服务的可行性。同时文中设计了一种基于该模型的签密技术,通过公私密钥对实现云内认证以及跨云认证。安全性理论证明与性能分析表明,该方案在计算量稍增加的前提下,保证了足够的安全性,更加满足云环境下的用户分属不同云域的认证以及用户安全访问的需求,有效解决了云环境中数据访问的安全问题。(本文来源于《计算机科学》期刊2019年02期）
梁薇,黎军,张怡,李静玲,崔涛[4]（2019）在《光电混合网络中基于QoS分层图模型的路由算法》一文中研究指出针对在光电混合网络架构下服务质量(QoS)需求迥异的异质业务路由的问题,提出一种基于QoS分层图模型的路由算法。该算法将网络中的异构链路与异质业务建立QoS等级映射关系,并根据QoS等级建立一种QoS分层图模型,完成网络虚实资源的融合。仿真结果表明:该算法有效实现了光电异构资源的联合优化,降低了阻塞率,可为不同QoS需求的业务提供差异化服务,优先保证高QoS等级业务的阻塞率性能。(本文来源于《光通信技术》期刊2019年03期）
王春雨,田茂再[5]（2018）在《分层混合效应模型迭代广义最小二乘估计的大样本性质》一文中研究指出在许多领域中,我们常常需要处理具有分层结构的数据.对于这类数据,分层混合效应模型通过对回归系数进一步建模来刻画出同一层内变量之间的相关性.模型中随机部分比较复杂,这使得协方差矩阵的估计方法成为大家关注的问题.Goldstein(1986)提出了迭代广义最小二乘估计,并将它应用于一类特殊的分层模型——方差成分模型中,本文对其进行推广,对更一般的分层混合效应模型给出迭代广义最小二乘的具体表达形式,并运用到经济实例的分析中.(本文来源于《数学进展》期刊2018年04期）
洪小媚[6]（2018）在《分层Hill模型及其在叁药物混合试验中的应用》一文中研究指出随着医药学的发展,药物混合试验越来越受到重视.药物混合因其多靶向性能削弱抗药性;药物之间的协同作用能有效地减少单个药物的剂量,从而能有效地削弱药物的毒性.因此,在特殊疾病治疗中被广泛使用.基于混合药物试验的数学模型能有效的帮助临床试验研究人员制定更优的治疗方法.本文提出用含潜变量的分层Hill模型对混合药物试验数据进行响应曲面建模.含潜变量分层Hill模型遗传了分层Hill模型对药物作用较强的解释能力.同时克服了分层Hill模型无法处理多药物混合的缺点.针对分层Hill模型,我们引入蒙特卡洛EM算法(MCEM)求解模型参数的极大似然估计.在误差正态分布假设下,我们给出了 EM算法的M步的解析最优解.针对E-步中复杂的分布,我们采用抽样重要性重抽样算法(SIR).通过利用SIR抽样算法的效率,MCEM算法能得到有效的极大似然估计.为了检验新模型及模型求解算法,本文对叁药物混合作用于肺癌细胞的实验数据进行建模分析.并与参考文献(Ning and Xu et al.(2014))中的结果进行了比较.计算结果显示我们的模型和求解方法能获得更好的拟合和预测MSE.由于含潜变量分层Hill模型中对应于药物效应的参数有解析解,相较于传统的复杂非线性分层Hill模型计算复杂度小很多.因此我们的模型可以更容易的推广到多药物混合试验建模分析.(本文来源于《华中师范大学》期刊2018-05-01）
冯建英,岳秀丽,倪元丽,章元明[7]（2017）在《多歧性状上位性关联分析的分层广义混合线性模型方法》一文中研究指出[目的]作物抗性性状是重要的育种目标,通常表现为多个级别,称为多歧性状。但是,这类性状的上位性关联分析方法较少。因此,本研究针对品种资源群体探索了新的多歧性状上位性检测方法。[方法]提出了多歧性状分层广义混合线性模型的上位性关联分析方法。在遗传模型中,主效QTL、QTL间互作和QTL-环境互作为随机效应,群体平均数、群体结构和环境效应为固定效应。应用经验贝叶斯和最大似然方法分别估计这些效应。一系列Monte Carlo模拟试验和大豆耐盐碱性实际数据分析验证了新方法的有效性。[结果]新方法的统计功效高,效应估计值精度好;检测结果会受遗传率、表型分类数、表型分布、Founders数和Non-founders数的影响。用新方法分析了257份大豆品种幼苗根长耐盐碱性指数分级数据,检测到2个主效QTL、4个上位性QTL和3个QTL-环境互作,其中11个标记与其他方法或以前结果一致。[结论]本研究为植物上位性关联分析提供了新方法。(本文来源于《南京农业大学学报》期刊2017年02期）
苏晓炜[8]（2016）在《大空间内流体混合与分层现象的模拟实验及模型计算》一文中研究指出混合与热分层现象经常出现在有内部热源的大空问内。对于核电厂,安全壳内空间较大,在出现破口事故后,例如LOCA(失水事故)或者MSLB(主蒸汽管道破裂事故)等,有可能出现热分层现象,该现象对于安全壳的对外散热性质有着很重要的影响。对于AP1000反应堆而言,非能动安全壳冷却系统是向环境释放热量的重要途径,所以能够准确预测出大型分层空间内的温度、密度等分布,对反应堆最优化设计和事故分析非常重要。目前分析安全壳内温度场分布情况主要依靠一些计算软件,而这些软件大都存在计算精度差、计算时间长等多种问题,亟需改进。对软件计算的可靠性进行评价和拓展软件适用范围,以及开发出更精准的计算模型,就必须依赖试验数据作为一个强有力的技术参考。安全壳内发生LOCA/MSLB事故时,破口喷射的直径、位置、角度、流量、温度等都可能会对安全壳内混合和热分层造成影响。本课题通过搭建一个可视化的披璃安全壳试验台架模拟反应堆在LOCA/MSLB事故工况下,破口喷射引起的安全壳内的混合对流传热现象。玻璃安全壳内充满密度较大的盐水,在其底部布置一根细喷管向安全壳内注入染色水来模拟LOCA/MSLB事故工况下破口喷射。通过观察染色剂的流动来研究安全壳内破口喷射引起的流动混合和分层形成过程。此外,本文还对喷口高度、水平位置、流量、流体温度等因素对分层的影响进行实验研究,并且与数值模拟结果进行对比分析。(本文来源于《华北电力大学(北京)》期刊2016-03-01）
刘金山,陈镇坤,黄来华[9]（2015）在《基于贝叶斯分层混合模型的大脑FMRI图像分割》一文中研究指出功能性磁共振成像(FMRI)是通过探索神经元活动的生物特性来揭示大脑功能的空间和时间信息的神经影像技术,自问世以来迅速应用于医学和脑神经科学的研究。本文针对目前大脑FMRI图像分割方法必须事先给定分割数目的问题,将完备数据似然方法、分层先验和可识别先验引入混合模型,建立一种对先验弱依赖的贝叶斯分层混合模型,采用可逆跳马尔可夫链蒙特卡罗算法对模型参数进行估计,实现在可变维参数空间的跳跃式抽样。对人类大脑FMRI图像的实例分析中,抽样得到的组织成分数与图像强度特征相一致,抽样分割结果图与原始图像相吻合。数据分析结果说明,贝叶斯分层混合模型方法能较好地体现FMRI图像的实际特征,实现大脑FMRI图像的自动分割(本文来源于《数理统计与管理》期刊2015年04期）
凌侪雅[10]（2015）在《基于星型环混合结构的分层应用层组播模型》一文中研究指出随着互联网的发展以及端用户个人计算机能力不断增强,与之对应的应用需求也有所变化。网络带宽、网络设备的传输速度增长较慢导致单播传输已经不能满足人们的需求。由于IP组播方案未能在互联网中得到普遍使用,作为替代品的应用层组播技术成为了主要方案。针对IP组播在拥塞控制、安全性、扩展性以及解决部署问题上面的局限性,应用层组播可以优化以上的不足,具有一定的优势,并且一些应用层组播模型已经得到了实现。本文在对现有的组播模型进行分析的基础上,针对其存在的不足,提出了一种自愈能力强、传输效率高、维护方便、可靠的应用层组播模型。在本系统中对所有的节点成员进行分层管理,在每一层的不同区域中将节点成员构建成星型拓扑结构或者环形拓扑结构。立足解决现有模型的自愈能力弱,无法灵活应对网络突发状况以及节点传输效率不够高、可靠性低,维护复杂等问题。主要研究内容如下：1.提出一种可靠且高效的应用层组播模型,可以改善现有模型中的一些缺陷。2.研究此模型的动态维护方法,以及总体性能的综合分析方法。3.底层采用星型拓扑搭建,管理维护容易,可以较快地检测出故障信息。本模型采取一种动态的方法选取出每一层性能最高的节点作为第一层星型的中心节点和第二层环形的Leader节点,且本模型在数据传输上采用一种高效的路由算法,解决以往模型中传输效率低的缺点。结果通过仿真证明：该模型适用于需求量大的应用场景,维护方便,稳定性高,有着很好的实用前景。(本文来源于《南京邮电大学》期刊2015-03-01）
分层混合模型论文开题报告
（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：
传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的"Wisdom Tourism"数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显着的作用.
（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。
分层混合模型论文参考文献
[1].李广丽,朱涛,袁天,滑瑾,张红斌.混合分层抽样与协同过滤的旅游景点推荐模型研究[J].数据采集与处理.2019
[2].李广丽,朱涛,滑瑾,邱蝶蝶,邬任重.混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究[J].华中师范大学学报(自然科学版).2019
[3].赵茭茭,马文平,罗维,刘小雪.基于密钥共享的分层混合认证模型[J].计算机科学.2019
[4].梁薇,黎军,张怡,李静玲,崔涛.光电混合网络中基于QoS分层图模型的路由算法[J].光通信技术.2019
[5].王春雨,田茂再.分层混合效应模型迭代广义最小二乘估计的大样本性质[J].数学进展.2018
[6].洪小媚.分层Hill模型及其在叁药物混合试验中的应用[D].华中师范大学.2018
[7].冯建英,岳秀丽,倪元丽,章元明.多歧性状上位性关联分析的分层广义混合线性模型方法[J].南京农业大学学报.2017
[8].苏晓炜.大空间内流体混合与分层现象的模拟实验及模型计算[D].华北电力大学(北京).2016
[9].刘金山,陈镇坤,黄来华.基于贝叶斯分层混合模型的大脑FMRI图像分割[J].数理统计与管理.2015
[10].凌侪雅.基于星型环混合结构的分层应用层组播模型[D].南京邮电大学.2015