导读:本文包含了标记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:小波变换,荧光蛋白信号,小波阈值去噪,阈值函数
标记函数论文文献综述
曹亮,朱卫华,林晓明,陈权[1]（2018）在《基于小波新阈值函数的标记荧光蛋白信号去噪》一文中研究指出针对微流控电泳仪采集的微弱标记荧光蛋白信号易受到干扰,影响对样品生物蛋白定性定量分析.提出可调新阈值函数小波去噪,解决了软、硬阈值函数去噪出现的常见问题.通过matlab仿真对比,寻找出去噪质量最佳db7小波基,结合可调新阈值函数处理重迭峰严重的标记荧光蛋白信号,去噪后波形最光滑、信噪比最高、获得最小均方根误差、更能突出真实信号.结果表明,新的阈值函数更适用于重迭峰严重的标记荧光蛋白信号,为后续定性定量分析样品中的生物蛋白含量提供保障.(本文来源于《南华大学学报(自然科学版)》期刊2018年06期）
汪昌松[2]（2017）在《《无定宾语——易位、选择函数及区别性标记》介评》一文中研究指出一引言《无定宾语——易位、选择函数及区别性标记》(Indefinite Objects Scrambling,Choice Functions and Differential Marking)系语言学探索单行本系列丛书之63辑,由MIT出版社于2012年出版,作者是伊利诺大学芝加哥校区语言学教授Luis López。无定宾语(indefinite objects)—直是语言学界讨论的热点问题之一,通常讨论的是其语义类型不匹配(semantic mismatch)是如何得以解决的:因为涉及量化(quantification),无定宾语的语义类<e,t>与及物动词的语义类<e,<e,t〉不能进行组合运算,故而必须求助于移位或量词储存(参见Heim(本文来源于《南开语言学刊》期刊2017年01期）
周瑜[3]（2017）在《基于度量学习和最大值损失函数的偏标记学习算法研究》一文中研究指出随着大数据时代的到来,弱监督机器学习技术成为了机器学习领域的一个热点研究方向,并被广泛应用于控制工程、系统工程、模式识别和信息安全等领域的实际问题中。偏标记学习是近年来提出的一种新型弱监督机器学习框架,在该框架下进行算法构建不需要准确标注训练样本的真实类别,而只需知道它属于类别标记集合的某一子集即可;同时由于偏标记学习框架在本质上是对传统强监督分类框架的一个扩展,区别是放松了训练数据集的构造条件,因此它与传统强监督分类框架一样具有广阔的应用空间,已经应用到图像处理、文本挖掘、医疗诊断等领域。虽然偏标记学习近年来已逐渐受到了人们的关注,但是由于样本的标记信息不再一一对应使得算法构建非常困难;而目前已建立了的算法还满足不了实际问题的需求,因此本文围绕偏标记学习算法构建问题开展了相关研究,主要包括以下几个方面的内容:1.偏标记学习算法的精度与其所采用的距离度量密切相关。本文利用几何均值度量学习模型,建立了一种面向偏标记数据的度量学习算法。该算法利用具有共享候选类别标记的距离相近的样本点来构造相似对,没有共享候选类别标记的样本点构造非相似对,同时为了保证原始度量空间中的有用流形结构信息在新的度量空间中保持不变,在目标函数中还加入了一个保持每个训练样本与其k个具有共享类别标记的近邻点之间的相对位置不变的模块。实验结果表明,该算法可以提高模型中使用了样本间欧氏距离的偏标记学习算法的精度,特别是对基于k近邻模型建立的偏标记学习算法精度的改进尤为明显。2.最大值损失函数可以较好地描述偏标记学习问题中样本与其候选类别标记间的关系,但建立的模型通常是一个非光滑函数,难以求解。本文利用凝聚函数来逼近max(.)函数建立了一种光滑的最大值损失函数,并且基于该损失函数以Logistic回归模型和高斯过程模型为建模工具构建了两种新的偏标记学习算法。这两种算法的理论分析和实验结果表明基于新的最大值损失函数构建的学习算法,不仅目标函数都是易于求解的光滑凹函数,而且可以取得比基于均值损失函数建立的学习算法更高的精度。3.为了降低偏标记学习算法的计算复杂度,本文基于稀疏高斯过程模型提出了两种快速核偏标记学习算法。第一种算法的基本思想是先利用纠错输出编码技术将原始偏标记训练集转换为若干标准二分类数据集,然后基于变分高斯过程模型在每个二分类数据集上构建一个具有较低计算复杂度的二分类算法。第二种算法是在基于最大值损失和高斯过程模型构建的算法的基础上,先利用快速聚类算法从训练集中选出一个数目较少的子集U来定义一组诱导变量FU,然后利用该组诱导变量辅助计算潜变量函数的后验概率,从而降低算法的计算复杂度,同时FU的后验概率利用拉普拉斯方法来进行快速计算。这两种算法不仅具有较高的预测精度,而且其计算复杂度为O(nm2),远低于其他核偏标记学习算法的复杂度(通常为O(n3))。(本文来源于《大连理工大学》期刊2017-12-11）
唐才智[4]（2017）在《偏标记损失函数研究》一文中研究指出偏标记学习是一类重要的弱监督学习框架,在该框架下标记信息不再具有单一性和明确性:一个示例对应于一个候选标记集合,而候选标记集合中仅有一个标记为其真实标记。由于训练数据的真实标记不可直接获取,常见的一些监督学习技术无法直接用于求解偏标记学习问题。一般而言,损失函数设计体现了算法对学习问题性质的描述。现有偏标记学习算法采用的损失主要存在两个方面的问题。一方面,现有偏标记损失函数设计仅仅关注示例与标记之间的映射关系,从而忽略了输入空间中示例之间的相关性。另一方面,现有偏标记损失函数设计赋予各候选标记相同的置信度,从而忽略了真实标记与伪标记模型输出重要性不同的性质。针对以上两方面问题,本文对偏标记损失函数设计进行了研究,主要围绕如下两个方面展开:机器学习算法通常假设样本之间满足一致性性质,即在特征空间中相似的示例在标记空间上也具有一定的相似性。基于此,我们提出基于一致性假设的偏标记学习算法COPAL。该算法在对候选标记集合进行消歧的过程中,其损失函数不仅考虑了在候选标记集合上的输出,同时考察了近邻示例输出的相似度。实验结果表明,在偏标记损失函数中引入一致性假设考察示例相似度,可以更好地实现训练样本的候选标记消歧。在偏标记学习中,真实标记上的模型输出往往被伪标记上的模型输出所湮没。因此,需要在损失函数设计过程中考虑不同标记上模型输出的置信度。基于此,我们提出基于标记置信度的偏标记学习算法CORD。该算法在对候选标记集合的消歧过程中,其损失函数综合了候选标记的模型输出及其置信度,通过迭代优化的方式估计训练样本的真实标记并更新候选标记置信度。实验结果表明,在偏标记损失函数中引入置信度,可以更好地实现训练样本的候选标记消歧。本文一共分为五章,第一章介绍偏标记学习算法研究背景、现状以及有待研究的问题。第二章简述目前已有的偏标记学习算法。第叁章介绍基于一致性假设的偏标记损失函数。第四章介绍基于置信度的偏标记损失函数。第五章对本文工作进行总结。(本文来源于《东南大学》期刊2017-05-31）
李浩,林永,张海霞[5]（2016）在《关于(a,b,0)分布类的概率生成函数统一表达式的一个标记》一文中研究指出概率生成函数是刻画离散型随机变量分布的重要工具,根据(a,b,0)分布类的定义,通过解微分方程的方法,给出了(a,b,0)分布类的概率生成函数统一表达式。(本文来源于《佳木斯大学学报(自然科学版)》期刊2016年05期）
周瑜,贺建军,顾宏,张俊星[6]（2016）在《一种基于最大值损失函数的快速偏标记学习算法》一文中研究指出在弱监督信息条件下进行学习已成为大数据时代机器学习领域的研究热点,偏标记学习是最近提出的一种重要的弱监督学习框架,主要解决在只知道训练样本的真实标记属于某个候选标记集合的情况下如何进行学习的问题,在很多领域都具有广泛应用.最大值损失函数可以很好地描述偏标记学习中的样本与候选标记间的关系,但是由于建立的模型通常是一个难以求解的非光滑函数,目前还没有建立基于该损失函数的偏标记学习算法.此外,已有的偏标记学习算法都只能处理样本规模比较小的问题,还没看到面向大数据的算法.针对以上2个问题,先利用凝聚函数逼近最大值损失函数中的max(·)将模型的目标函数转换为一个光滑的凹函数,然后利用随机拟牛顿法对其进行求解,最终实现了一种基于最大值损失函数的快速偏标记学习算法.仿真实验结果表明,此算法不仅要比基于均值损失函数的传统算法取得更好的分类精度,运行速度上也远远快于这些算法,处理样本规模达到百万级的问题只需要几分钟.(本文来源于《计算机研究与发展》期刊2016年05期）
陈晓,胡道予[7]（2015）在《基于多反转脉冲空间标记非对比剂增强磁共振血管成像的血管显示长度与血流抑制反转时间及流速函数关系的模型研究》一文中研究指出目的:探讨多反转脉冲空间标记的非对比剂增强磁共振血管成像序列(spatial labeling with multiple inversion pulses,SLEEK)显示血管长度与血流速度、血流抑制反转时间(blood suppression inversion time,BSP TI)的函数关系,为非对比剂增强MR血管成像序列对血流动力学的量化评估提供理论基础。材料和方法:取长矩形容器,内穿行一根全长内径均为3mm的聚乙烯导管,采用动物脂肪包埋固定导管,导管进入容器的入口与连接高压注射器,全长度充盈生理盐水模拟人体血流。设置高压注射器流量为0.0ml/s、0.2ml/s、0.4ml/s、0.8ml/s、1.2ml/s、1.6ml/s、2.0ml/s,在各流量下均行19次SLEEK序列扫描,分别设定BSP TI=50ms、75m、100ms、150ms、200ms、300ms、400ms、500ms、600ms、700ms、800ms、900ms、1000ms、1100ms、1200ms、1300ms、1400ms、1600ms、1800ms。采用最大密度投影(maximum intensity projection,MIP)重建各BSP TI值的SLEEK原始图像,测量模型中血管显示长度。各液体流量下,采用单因素线性回归分析评估血管显示长度与BSP TI值之间的线性关系。各BSP TI值时,采用单因素线性回归分析评估血管显示长度与液体流量的线性关系。结果:液体流量为0.0ml至2.0ml时血管显示长度与BSP TI值存在线性关系(P<0.05),液体流量=0.0ml/s时,R~2=0.754,液体流量=0.2ml/s时,R~2=0.941,液体流量=0.4ml/s时,R2=0.988,液体流量.0.8ml/s时,R~2=0.988,液体流量=1.2ml/s时,R~2=0.977,液体流量=1.6ml/s时,R~2=0.966,液体流量=2.0ml/s时,R~2=0.982。在BSP TI值分别为50ms、75ms、100ms、150ms、200ms、300ms、400ms、500ms、600ms、700ms、800ms、900ms、1000ms、1100ms时,血管显示长度与液体流量之间呈线性关系(p<0.05),BSP TI为1200ms时血管显示长度与液体流量之间无线性关系(p>0.05)。结论:液体流量范围为0.0ml至2.0ml/s时,模拟血管显示长度与BSP TI值线性关系。BSP TI值范围为50ms至1100ms时,模拟血管显示长度与液体流量之间呈线性关系。可采用模拟血管显示长度评估液体流量。(本文来源于《第四届全国医学影像中西医结合青年医师论坛暨第四届《中国中西医结合影像学杂志》编委会会议资料汇编》期刊2015-05-14）
王荣[8]（2012）在《论逻辑函数卡诺图化简的“标记法”规则》一文中研究指出逻辑函数的化简常用代数法和卡诺图法两种,二者相比而言,卡诺图法具有方法独特、容易掌握、一目了然等特点被广泛应用。但对于初学者来说,对卡诺图的化简从认识、掌握到熟练应用需要一个过程。本文介绍卡诺图化简的一种极易掌握又应用方便的方法——卡诺图的"标记法"规则。实践证明,该方法对于卡诺图化简的认识和应用具有非常良好的教学效果。(本文来源于《计算机光盘软件与应用》期刊2012年10期）
李蒙,方家乐,朱颖合[9]（2010）在《LED芯片图像的势函数标记分水岭分割》一文中研究指出全自动LED芯片测试分拣系统通过视觉图像处理精确定位LED芯片,其图像特征信息的提取建立在良好的图像分割基础上。为了精确提取图像特征,针对LED芯片图像的特点,改进了分水岭分割算法,采用直方图势函数提取标记,并在标记基础上对梯度图进行分水岭变换,实现了LED芯片图像的良好分割。实验结果表明,该方法有效地抑制了过分割现象,具有较好的抗噪性,对LED芯片图像感兴趣区域提取准确度高、鲁棒性强,分割效果较好。(本文来源于《机电工程》期刊2010年07期）
刘树群,任飞[10]（2010）在《迭代函数系统吸引子逼近的一个标记算法》一文中研究指出采取边迭代边绘制的方法,对迭代函数系统吸引子逼近集中的每一点,用不同的符号标记该点的绘制状态以及在各变换下的原像.迭代过程中,根据点的标记符号减少对该点所做的变换和相应变换下像点的重复绘制.利用该算法绘制了几个经典IFS的吸引子分形图,并与其他两种计算效率较高的逼近算法进行了数值比较.实验表明,该算法可以快速高效地绘制出IFS吸引子的分形图.(本文来源于《兰州理工大学学报》期刊2010年02期）
标记函数论文开题报告
（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：
一引言《无定宾语——易位、选择函数及区别性标记》(Indefinite Objects Scrambling,Choice Functions and Differential Marking)系语言学探索单行本系列丛书之63辑,由MIT出版社于2012年出版,作者是伊利诺大学芝加哥校区语言学教授Luis López。无定宾语(indefinite objects)—直是语言学界讨论的热点问题之一,通常讨论的是其语义类型不匹配(semantic mismatch)是如何得以解决的:因为涉及量化(quantification),无定宾语的语义类<e,t>与及物动词的语义类<e,<e,t〉不能进行组合运算,故而必须求助于移位或量词储存(参见Heim
（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。
标记函数论文参考文献
[1].曹亮,朱卫华,林晓明,陈权.基于小波新阈值函数的标记荧光蛋白信号去噪[J].南华大学学报(自然科学版).2018
[2].汪昌松.《无定宾语——易位、选择函数及区别性标记》介评[J].南开语言学刊.2017
[3].周瑜.基于度量学习和最大值损失函数的偏标记学习算法研究[D].大连理工大学.2017
[4].唐才智.偏标记损失函数研究[D].东南大学.2017
[5].李浩,林永,张海霞.关于(a,b,0)分布类的概率生成函数统一表达式的一个标记[J].佳木斯大学学报(自然科学版).2016
[6].周瑜,贺建军,顾宏,张俊星.一种基于最大值损失函数的快速偏标记学习算法[J].计算机研究与发展.2016
[7].陈晓,胡道予.基于多反转脉冲空间标记非对比剂增强磁共振血管成像的血管显示长度与血流抑制反转时间及流速函数关系的模型研究[C].第四届全国医学影像中西医结合青年医师论坛暨第四届《中国中西医结合影像学杂志》编委会会议资料汇编.2015
[8].王荣.论逻辑函数卡诺图化简的“标记法”规则[J].计算机光盘软件与应用.2012
[9].李蒙,方家乐,朱颖合.LED芯片图像的势函数标记分水岭分割[J].机电工程.2010
[10].刘树群,任飞.迭代函数系统吸引子逼近的一个标记算法[J].兰州理工大学学报.2010