导读:本文包含了增量序列学习论文开题报告文献综述及选题提纲参考文献，主要关键词:时间序列,模糊聚类,自适应增量学习,离群样本
增量序列学习论文文献综述
王玲,徐培培[1]（2019）在《基于自适应增量学习的时间序列模糊聚类算法》一文中研究指出针对现存可用于时间序列的增量式模糊聚类算法往往需要设置多个控制参数的问题,本文提出了一种基于自适应增量学习的时间序列模糊聚类算法.该算法首先继承上一次聚类得到的簇结构信息以初始化当前聚类进程,然后在无需设置参数的情况下自适应地搜索当前数据块中的离群样本,并自动从离群样本创建新簇,最后检查空簇识别标识确定是否需要移除部分簇以保证后续聚类过程的效率.实验结果表明所提算法对等长和不等长时间序列均具有良好的聚类准确性及运行效率.(本文来源于《电子学报》期刊2019年05期）
李锦华[2]（2019）在《增量学习算法及其在时间序列预测中的应用研究》一文中研究指出时间序列预测(Time Series Prediction,TSP)作为一个热门的研究领域,其具有非常高的实际应用价值。作为机器学习中的一个研究分支,增量学习是比较擅长处理流数据的,而时间序列正是一种典型的会随时间而改变的流数据,所以增量学习非常适合用于解决时间序列预测的相关问题。本文主要提出了两种新型的增量学习算法用于处理时间序列预测问题。首先,本文将增量学习框架与增量式支持向量机(Incremental Support Vector Machine,ISVM)结合了起来,提出了一种新的用于解决时间序列预测问题的算法,即双增量学习(Double Incremental Learning,DIL)算法。ISVM是在支持向量机(Support Vector Machine,SVM)基础之上发展出来的,其比较适合用于处理时间序列预测这类在线连续学习问题。在DIL算法中,ISVM是被用作基学习器,而且DIL通过将现有基模型与在新数据上生成的基模型相结合的方式来实现增量学习。在DIL算法中提出了一种新颖的权重更新规则,用于在每次迭代过程中更新样本的权重。此外,DIL采用了一种经典的方法来集成所有基模型。DIL算法继承了ISVM和增量学习的诸多优点,所以其对时间序列进行预测时能够取得较为理想的预测效果。在六个基准时间序列数据集上的实验结果也证实了,与其他现存的优秀算法相比,DIL具有更好的预测性能。针对DIL算法中的不足,本文做出了一些改进,并将改进后的算法称为双权重优化增量学习(dual weights optimization Incremental Learning,w~2IL)算法。w~2IL采用的基学习器是增量式极限学习机(Incremental Extreme Learning Machine,IELM)。相对于DIL算法,w~2IL的改进主要有两处,这也是它的两个主要创新点,即提出了样本权重自适应初始化(Adaptive Samples Weights Initialization,AdaSWI)和自适应加权预测器集成(Adaptively Weighted Predictors Aggregation,AdaWPA)两个子算法。AdaSWI子算法根据已生成的基模型的预测误差自适应地初始化样本权重,并根据从样本到基模型训练集的距离对样本的权重进行微调,从而获得更合适的初始化权重。而AdaWPA算法基于待预测的实例自适应地调整所有基模型的权重并将它们集成。此外,AdaWPA在进行距离测量时使用到了模糊C均值(Fuzzy C-Means,FCM)聚类算法,这进一步降低了算法的计算复杂度和所需的存储空间。相比于DIL算法和其它现存的算法,w~2IL的性能得到了显着提升,在六个真实数据集上的实验也进一步验证了这一点。(本文来源于《南京航空航天大学》期刊2019-03-01）
李念,廖闻剑,彭艳兵[3]（2016）在《动态置信度的序列选择增量学习方法》一文中研究指出贝叶斯在训练样本不完备的情况下,对未知类别新增训练集进行增量学习时,会将分类错误的训练样本过早地加入到分类器中而降低其性能,另外增量学习采用固定的置信度评估参数会使其效率低下,泛化性能不稳定.为解决上述问题,提出一种动态置信度的序列选择增量学习方法.首先,在现有的分类器基础上选出分类正确的文本组成新增训练子集.其次,利用置信度动态监控分类器性能来对新增训练子集进行批量实例选择.最后,通过选择合理的学习序列来强化完备数据的积极影响,弱化噪声数据的消极影响,并实现对测试文本的分类.实验结果表明,本文提出的方法在有效提高分类精度的同时也能明显改善增量学习效率.(本文来源于《计算机系统应用》期刊2016年02期）
戚涌,徐永红[4]（2007）在《基于增量学习模糊神经网络的金融时间序列预测(英文)》一文中研究指出在金融企业中,时间序列是一种重要的数据类型。高效、准确地预测金融时间序列对于企业的运作具有重要意义。提出使用一种具有增量学习能力的模糊神经网络(FNN-IL)应用于金融时间序列的预测。FNN-IL能学习蕴涵在时间序列中的知识,并能跟踪时间序列的运行从而动态调整模糊规则库。对比试验表明FNN-IL的性能优于传统的FNN。(本文来源于《系统仿真学报》期刊2007年17期）
姜卯生,王浩,姚宏亮[5]（2004）在《朴素贝叶斯分类器增量学习序列算法研究》一文中研究指出首先介绍了一种朴素贝叶斯增量分类模型,然后提出了一种新的序列学习算法以弥补其学习序列中存在的不足训练实例的先验知识得不到充分利用,测试实例的完备性对分类的影响在学习过程中得不到体现等。该算法引入一个分类损失权重系数λ,用于计算分类损失大小。引入该系数的作用在于充分利用先验知识对分类器进行了优化;通过选择合理的学习序列强化了较完备数据对分类的积极影响,弱化了噪音数据的消极影响,从而提高分类精度;弥补了独立性假设在实际问题中的不足等。(本文来源于《计算机工程与应用》期刊2004年14期）
增量序列学习论文开题报告
（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：
时间序列预测(Time Series Prediction,TSP)作为一个热门的研究领域,其具有非常高的实际应用价值。作为机器学习中的一个研究分支,增量学习是比较擅长处理流数据的,而时间序列正是一种典型的会随时间而改变的流数据,所以增量学习非常适合用于解决时间序列预测的相关问题。本文主要提出了两种新型的增量学习算法用于处理时间序列预测问题。首先,本文将增量学习框架与增量式支持向量机(Incremental Support Vector Machine,ISVM)结合了起来,提出了一种新的用于解决时间序列预测问题的算法,即双增量学习(Double Incremental Learning,DIL)算法。ISVM是在支持向量机(Support Vector Machine,SVM)基础之上发展出来的,其比较适合用于处理时间序列预测这类在线连续学习问题。在DIL算法中,ISVM是被用作基学习器,而且DIL通过将现有基模型与在新数据上生成的基模型相结合的方式来实现增量学习。在DIL算法中提出了一种新颖的权重更新规则,用于在每次迭代过程中更新样本的权重。此外,DIL采用了一种经典的方法来集成所有基模型。DIL算法继承了ISVM和增量学习的诸多优点,所以其对时间序列进行预测时能够取得较为理想的预测效果。在六个基准时间序列数据集上的实验结果也证实了,与其他现存的优秀算法相比,DIL具有更好的预测性能。针对DIL算法中的不足,本文做出了一些改进,并将改进后的算法称为双权重优化增量学习(dual weights optimization Incremental Learning,w~2IL)算法。w~2IL采用的基学习器是增量式极限学习机(Incremental Extreme Learning Machine,IELM)。相对于DIL算法,w~2IL的改进主要有两处,这也是它的两个主要创新点,即提出了样本权重自适应初始化(Adaptive Samples Weights Initialization,AdaSWI)和自适应加权预测器集成(Adaptively Weighted Predictors Aggregation,AdaWPA)两个子算法。AdaSWI子算法根据已生成的基模型的预测误差自适应地初始化样本权重,并根据从样本到基模型训练集的距离对样本的权重进行微调,从而获得更合适的初始化权重。而AdaWPA算法基于待预测的实例自适应地调整所有基模型的权重并将它们集成。此外,AdaWPA在进行距离测量时使用到了模糊C均值(Fuzzy C-Means,FCM)聚类算法,这进一步降低了算法的计算复杂度和所需的存储空间。相比于DIL算法和其它现存的算法,w~2IL的性能得到了显着提升,在六个真实数据集上的实验也进一步验证了这一点。
（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。
增量序列学习论文参考文献
[1].王玲,徐培培.基于自适应增量学习的时间序列模糊聚类算法[J].电子学报.2019
[2].李锦华.增量学习算法及其在时间序列预测中的应用研究[D].南京航空航天大学.2019
[3].李念,廖闻剑,彭艳兵.动态置信度的序列选择增量学习方法[J].计算机系统应用.2016
[4].戚涌,徐永红.基于增量学习模糊神经网络的金融时间序列预测(英文)[J].系统仿真学报.2007
[5].姜卯生,王浩,姚宏亮.朴素贝叶斯分类器增量学习序列算法研究[J].计算机工程与应用.2004