导读:本文包含了流量分解论文开题报告文献综述及选题提纲参考文献，主要关键词:城市工程,建筑垃圾,政协委员,专题协商会,杭州市政协,界别,杭州城市,城市建设,路基材料,再生产品
流量分解论文文献综述
何去非[1]（2019）在《城市工程渣土何去何从？》一文中研究指出随着地铁建设、快速路网建设、城中村改造和亚运场馆建设等一大批重点项目相继开工，产生的城市渣土也有逐年增多趋势。渣土处置，成为杭州城市快速发展时期考验城市治理能力与治理水平的新课题。“加强城市渣土处置能力建设”是市委、市政府交办并列入《杭州市政协(本文来源于《杭州日报》期刊2019-06-04）
左丽[2]（2018）在《基于大数据分解的数字图书馆访问流量预测》一文中研究指出针对传统的流量预测算法存在精度低和误差大的缺点,提出一种基于大数据分解的数字图书馆访问流量预测方法。运用大数据EMD分解技术将访问流量数据分成个若干IMF分量和残余分量Res,之后针对IMF分量和Res分量分别运用FA_LSSVM进行预测,并将各自的预测结果进行迭加重构,实现数字图书馆访问流量预测。研究结果表明,本文提出的算法EMD_FA_LSSVM可以有效提高数字图书馆访问流量预测的精度,为流量预测提供新的方法和途径。(本文来源于《自动化技术与应用》期刊2018年10期）
黄靖贵[3]（2018）在《基于时序分解的中国季度实物资金流量表的编制》一文中研究指出社会资金流量统计以宏观经济视野来观察实体经济与金融经济的数量依存关系具有特殊的作用,对中国而言,中国实物资金流量表为此研究提供了很多便利,但与其他主要国家相比,中国实物资金流量账户以年度为频率发布数据,时效性还很落后。为此,文章根据中国的统计现状,利用已知中国实物资金流量核算年度数据、部门行业季度数据及尝试使用Chow-Lin分解方法和Denton分解方法,建立一套适合中国实物资金流量季度表数据的测算体系,并对2006—2014年中国实物资金流量季度表进行测算。(本文来源于《统计与决策》期刊2018年08期）
陈颖[4]（2018）在《基于模态分解的网络流量预测技术研究》一文中研究指出网络流量的预测技术是计算机网络研究领域的热点,由于网络流量时间序列具有自相似性、多重分形性、混沌性、突变性等特征,所以近年来网络流量预测的建模开始向混沌分析、多尺度重构、组合预测的方式转变。本文首先以网络流量的突变性为研究对象,针对网络流量的突变性问题提出基于局部阈值的流量去噪模型。本文首先分析了目前关于网络流量去噪的研究,针对小波阈值整体去噪方法和经验模态分解舍弃高频分量去噪方法存在的不足,提出基于CEEMDAN-DE的网络流量局部阈值去噪模型。模型首先对原始流量序列进行自适应分解,再用分散熵对流量分解子模态进行复杂度分析,基于分散熵值平衡点筛选去噪模态集合和保留模态集合。然后将去噪模态集合进行“舍弃-去噪-保留”分段处理,实现有效压制高频噪声,同时保持原信号中的高频信号成分和弱信号成分不受损失。最后将处理后的IMF集成,得到最终去噪后的流量序列。本文的CEEMDAN-DE网络流量局部阈值去噪模型在仿真信号上进行实验,通过与小波rigrsure硬阈值去噪、小波sqtwolog软阈值去噪、CEEMDAN高频舍弃等方法进行对比,论证本文方法的有效性。本文其次以网络流量的自相似性和混沌性为研究对象,针对网络流量的预测问题提出基于IVMD-AVE的多尺度混沌网络流量组合预测模型。本文首先针对变分模态分解在信号分析过程中分解层数K、惩罚因子α和Lagrange乘子更新步长τ的参数优化问题,提出基于分解频率阈值平衡点的K值寻优方法和分解均方根误差最小化的惩罚因子α和Lagrange乘子更新步长τ寻优方法,然后将IVMD方法处理流量序列的模态分解,并基于熵均值方法对IVMD的子模态分解重构为高频、中频和低频序列,最后使用Elman神经和PSO-LSSVM对重构模态分频预测和结果集成。本文的IVMD-AVE网络流量预测模型与CEEMDAN-DE网络流量局部阈值去噪模型相结合,在实际网络流量数据集上进行仿真实验,通过与Elman神经网络、VMD-Elman-SVM等单一或组合预测模型的对比实验,验证本文模型具有良好的适应性,可以提高网络流量预测的效果。(本文来源于《合肥工业大学》期刊2018-04-01）
苟玲[5]（2018）在《基于经验模态分解的网络流量检测与分析方法》一文中研究指出网络的快速发展导致网络攻击行为日益增多,网络安全问题愈发严峻。网络流量异常检测作为一种重要的网络监管手段,是解决网络安全问题的有力措施。在实际工作中,我们观察到异常的发生可能会导致不同尺度上流量数据特征的变化,而多尺度检测往往能够提高异常检测效果。本文主要基于数字信号处理理论,结合多尺度多通道检测思想提出了一种新的异常检测方法。该方法主要分为流量数据处理和异常检测两个模块。流量数据处理模块主要通过经验模态分解方法(Empirical Mode Decomposition,EMD)得到流量数据的多尺度表示形式,异常检测模块则利用多通道信号检测方法进行相关检测值的计算和异常判断。具体来说,本文完成的主要工作包括:(1)利用改进的EMD方法—集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将网络流量自适应地分解为多个分量,各分量包含不同的物理意义,使得流量波动情况在多个尺度上表征出来,从而得到流量数据的多尺度表示形式。(2)将异常检测问题引申为了一个信号检测问题,对多尺度形式的流量数据利用广义似然比检验(Generalized Likelihood Ratio Test,GLRT)进行多通道检测计算,然后结合门限值完成异常判断。同时,本文还提出了一个信道选择方法来确定GLRT检测的数据输入。(3)将本文提出的方法和传统的多尺度检测方法在叁个数据集上进行了异常检测实验。实验结果表明,本文提出的异常检测方法相对于传统的多尺度检测方法具有更好的检测效果,同时具有更好的适应性。(4)在异常检测实验中,我们还对本文提出的门限计算方法和信道选择方法进行了验证。结果表明,我们采用的门限计算方法具备一定的可行性,得出的门限值在异常检测中具有一定的可信度。而提出的信道选择方法不仅有效减少了信道数目,降低了运行时间,还具有更好的异常检测效果。综上所述,本论文针对网络流量异常检测提出了一种基于EEMD的多尺度检测方法。同时,还结合了数字信号处理理论,利用GLRT检测器实现了多尺度异常检测。与传统的多尺度检测方法对比,本论文提出的方法表现出了效果上的优越性和更好的适应性。(本文来源于《电子科技大学》期刊2018-03-23）
万智巍,贾玉连,洪祎君,蒋梅鑫[6]（2018）在《集合经验模态分解和交叉小波在赣江流量与太阳黑子活动关系中的应用》一文中研究指出为解决传统相关分析方法难以揭示出非线性、非平稳水文序列与外部强迫因子之间在不同时间尺度、不同频域下的相关关系,提出一种结合EEMD(集合经验模态分解)和CWT(交叉小波变换)的综合分析方法,并将其应用于赣江长时间流量序列与同期太阳黑子数序列的多尺度相关分析之中。研究结果表明:1950-2015年赣江流量序列EEMD分解的IMF1分量的波动振幅最大,频率最高,代表了原始序列中的主要变化因素,是水文序列非线性和非平稳特征的体现。同期太阳黑子数序列的EEMD分解结果表明:1950-1970年为太阳黑子数上升阶段,1970-2015年为下降阶段。CWT分析表明,在11a周期尺度上赣江流量与太阳黑子数之间由负相关逐渐顺时针转为相差1/4个周期,再转为正相关。其中1950-2000年,二者的相关系数在0.6以上,2001-2015年相关系数在0.4以上。结果表明EEMD-CWT综合分析可以有效利用EEMD方法将原始信号进行分解,以得到具有平稳性的IMF分量,并以此为基础通过CWT方法得到二者在时域和频域上的相关关系变化过程。该方法可以为探究相关水文气象序列与外部强迫因素之间的多尺度相关关系提供新的思路和技术手段。(本文来源于《水资源与水工程学报》期刊2018年01期）
王春惠[7]（2017）在《求解音乐流量预测的时间序列分解算法》一文中研究指出近年来,随着流量预测的精度的提高,流量预测中的音乐歌曲流量预测也变的越来越重要。音乐歌曲作为音乐歌曲流量预测的核心更是得到众多的研究学者的重视和探索,其中主要是针对音乐曲风识别和听众听取歌曲识别两个问题。目前已有很多学者和相关专家提出了一些相对应的解决方案,但是至今为止依然存在很多问题需要解决。针对音乐歌曲播放流量存在的相关问题,本文利用时间序列的可操作性和收敛性,以及联合加权模糊核聚类算法在不同时间段内形成编码的方法,提出了聚类情况下的基于可行系数空间的音乐流量预测算法,包括用户分类策略、歌曲流量预测策略等。该算法设计求解了艺人歌曲流量预测问题,并针对音乐歌曲流量进行了模型构建。首先对音乐歌曲用户进行模型构建,即使用基于加权模糊内核聚类模型以及基于AdaBoost的卷积神经网络分类模型进行音乐歌曲用户分类操作,用来解决因用户喜好不同而造成的前期数据分类难题。其次,通过基于用户分类获得的与艺人数据集进行音乐歌曲流量预测模型的构建,使用基于可行系数空间分割的算法进行预测,使用可行系数空间分割算法很好的解决了因为数据波动幅度过大而导致的预测偏差问题。最后通过实验分析,对算法的性能及效率进行了有效验证。本文主要创新点有:1、有效结合了加权模糊核算法与可行系数空间算法;2、有效结合了 AdaBoost的卷积神经网络算法与可行系数空间算法;3、将基于编码的可行系数空间算法应用到音乐歌曲播放流量预测的求解;4、提高音乐播放流量预测模型中的艺人歌曲流量预测的效率和准确率。(本文来源于《云南大学》期刊2017-06-01）
黄俊[8]（2017）在《面向网络流量异常检测的矩阵分解加速方法》一文中研究指出网络流量异常检测是互联网管理中的一项重要任务。基于主成分分析(PCA)的传统方法仅仅对由小的独立同分布的高斯噪声引起的破坏是有效的。最近,直接鲁棒矩阵分解(DRMF)被证明在异常检测中表现出良好的鲁棒性和精度。然而,DRMF在进行网络流量矩阵的低秩部分逼近过程中需要重复利用奇异值分解(SVD),直到找到最优解,这使得DRMF的计算时间复杂度非常高。本文围绕DRMF在网络流量异常检测中存在的计算时间复杂度问题进行深入研究,本文主要的工作和创新点如下:1.针对DRMF在网络流量异常检测中存在的计算复杂度问题,本文提出基于子空间寻找的异常检测算法Subspace-NoReuse。我们把DRMF中的低秩矩阵逼近问题等价阐述为寻找子空间问题,该子空间使得网络流量矩阵在它上面的投影具有最小投影误差。该算法可以自适应寻找子空间,实现网络流量矩阵低秩部分快速逼近,间接实现网络流量异常快速检测,它包含两项新颖的关键技术:(1)多层局部敏感哈希表,该表用于重排OD对行向量(网络中源结点与目的结点之间的流量数据构成的行向量),促进自适应矩阵划分,快速寻找子空间;(2)自适应矩阵划分原则,该原则用于矩阵划分,每次都选择在当前子空间上投影误差最大的子矩阵进行划分,使得矩阵的整体投影误差最小化。2.本文在异常检测算法Subspace-NoReuse的基础上,提出快速的网络流量异常检测算法LSH-subspace,该算法由Subspace-NoReuse和轻量级局部敏感哈希表更新算法组成。其中,轻量级局部敏感哈希表更新算法是LSH-subspace的关键算法,该算法在连续的两个迭代步骤中,重用前一步骤建立的多层局部敏感哈希表,在当前迭代步骤仅仅更新一部分行,然后,再运用Subspace-NoReuse,使得自适应寻找子空间的时间复杂度大大降低,从而,实现网络流量矩阵低秩部分逼近进一步加速,间接实现网络流量异常检测进一步加速,体现了LSH-subspace在网络流量异常检测速度方面的优越性。3.在公开流量跟踪数据上进行仿真实验,将本文提出的两种网络流量异常检测算法Subspace-NoReuse和LSH-subspace,与当前先进的网络流量异常检测算法进行了对比,实验结果表明了本文所提算法的有效性,实现了网络流量异常快速检测的效果,Subspace-NoReuse和LSH-subspace的异常检测速度最高达到DRMF的2.5倍和3倍,同时,这两种算法都具有很高的异常检测精度。(本文来源于《湖南大学》期刊2017-05-10）
杨双双[9]（2017）在《基于矩阵低秩稀疏分解的船舶交通流量预测研究》一文中研究指出随着我国水运经济的发展,船舶交通流量迅速增加,推动我国经济、社会发展的同时,海上交通运输风险也日趋严峻.有效减少海上交通事故的方法之一是准确高效的船舶交通流量预测,其为港口水域的规划设计及通航管理提供决策性依据.在分析总结各种船舶交通流量预测模型的基础上,考虑数据间的自相关性和低秩性,本文将低秩稀疏分解理论应用于船舶交通流预测中.首先,文章利用统计理论对船舶交通流数据进行分析,揭示交通流数据的季节变化规律及船舶交通流数据矩阵具有低秩性和稀疏性特征.基于此,将矩阵低秩稀疏分解理论引入船舶交通流预测中.将交通流数据分解为低秩和稀疏两部分,其中低秩部分反映数据间稳定的内在变化规律,稀疏部分体现突变因素对交通流量的影响.然后,为提高数据有效利用率,在传统低秩稀疏分解模型基础上,增加全变分约束项,建立基于低秩稀疏-全变分约束的预测模型.将模型应用于天津港船舶交通流预测中.实验结果表明,低秩稀疏-全变分约束预测模型能反映船舶交通流量的季节变化规律,较神经网络及传统低秩稀疏分解模型能够显着地提高预测精度.最后,文章将传统的凸优化模型进行推广,用l_p范数替换原始的_1l范数,建立基于非凸低秩稀疏约束的船舶交通流量预测模型,并与常用方法进行实验对比分析.通过非凸低秩稀疏分解模型的求解,表明其相关理论可用于非凸模型求解中.实验表明,本文建立的低秩稀疏分解模型能够有效地利用数据低秩特性,提高预测精度,更准确地预测船舶交通流量.(本文来源于《武汉理工大学》期刊2017-03-01）
吴祎[10]（2016）在《基于稀疏分解的纸浆浓度与流量一体化测量》一文中研究指出纸浆流量和纸浆浓度是造纸生产线上被检测最频繁的两个物理量。纸浆流量与浓度的实时精确测量,对于改善洗浆、流送的生产效果,提高工作效率、节约生产成本等都相当重要。目前测量纸浆流量使用最频繁的电磁流量计价格较高,且核心技术仍处于保密阶段。纸浆浓度信号中由于噪声的存在导致其测量精度也不高,且通过进一步研究发现,其中的噪声信号隐含着纸浆流速信息。为此本文提出一种对纸浆浓度噪声信号稀疏分解、稀疏原子进行尺度分析和稀疏表示的方法,实现利用纸浆浓度传感器测量纸浆流量和提高纸浆浓度测量精度。本文所做的主要工作可分述如下：(1)研究纸浆浓度信号的具体成分及其对应性质。通过研究纸浆纤维的具体存在形式以及力学式浓度传感器的测量原理,得出纸浆浓度信号的组成成分。对其成分进行分离和逐一分析,证明了固有噪声信号不同于其他成分的多种性质,如多普勒效应、尺度特性等,为后续工作提供理论支撑。(2)研究基于稀疏分解测量纸浆流量的方法。该方法根据纸浆浓度固有噪声信号的特性,建立具有尺度特性的过完备原子库来对固有噪声进行稀疏表示。通过标定得到纸浆流速的计算公式,进而得到纸浆流量。此外还证明了借助浓度传感器测量纸浆流量方法的可行性。(3)研究基于稀疏分解测量高精度纸浆浓度的技术。该技术根据量测噪声信号的特点,通过建立不具有尺度特性的原子库来对量测噪声进行稀疏表示。从纸浆浓度信号中将稀疏表示的固有噪声和量测噪声分离出去,并利用纸浆流速值对纸浆浓度进行速度补偿,最终得到精度较高的纸浆浓度值。(4)纸浆浓度流量一体化测量系统的设计与实现。通过硬件的设计和软件的开发,在DSP上实现了利用纸浆浓度信号测量纸浆流量值与高精度纸浆浓度值的一体化测量技术。通过以上研究工作,有望借助纸浆浓度传感器测量得到纸浆流量值并进一步提高纸浆浓度精度。在保证测量精度与实时性的前提下,可以极大地降低系统成本,为其推广应用提供技术支持。(本文来源于《陕西科技大学》期刊2016-06-01）
流量分解论文开题报告
（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：
针对传统的流量预测算法存在精度低和误差大的缺点,提出一种基于大数据分解的数字图书馆访问流量预测方法。运用大数据EMD分解技术将访问流量数据分成个若干IMF分量和残余分量Res,之后针对IMF分量和Res分量分别运用FA_LSSVM进行预测,并将各自的预测结果进行迭加重构,实现数字图书馆访问流量预测。研究结果表明,本文提出的算法EMD_FA_LSSVM可以有效提高数字图书馆访问流量预测的精度,为流量预测提供新的方法和途径。
（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。
流量分解论文参考文献
[1].何去非.城市工程渣土何去何从？[N].杭州日报.2019
[2].左丽.基于大数据分解的数字图书馆访问流量预测[J].自动化技术与应用.2018
[3].黄靖贵.基于时序分解的中国季度实物资金流量表的编制[J].统计与决策.2018
[4].陈颖.基于模态分解的网络流量预测技术研究[D].合肥工业大学.2018
[5].苟玲.基于经验模态分解的网络流量检测与分析方法[D].电子科技大学.2018
[6].万智巍,贾玉连,洪祎君,蒋梅鑫.集合经验模态分解和交叉小波在赣江流量与太阳黑子活动关系中的应用[J].水资源与水工程学报.2018
[7].王春惠.求解音乐流量预测的时间序列分解算法[D].云南大学.2017
[8].黄俊.面向网络流量异常检测的矩阵分解加速方法[D].湖南大学.2017
[9].杨双双.基于矩阵低秩稀疏分解的船舶交通流量预测研究[D].武汉理工大学.2017
[10].吴祎.基于稀疏分解的纸浆浓度与流量一体化测量[D].陕西科技大学.2016
标签：城市工程; 建筑垃圾; 政协委员; 专题协商会; 杭州市政协; 界别; 杭州城市; 城市建设; 路基材料; 再生产品;