导读:本文包含了马尔可夫距离论文开题报告文献综述及选题提纲参考文献，主要关键词:距离度量,马氏距离,马尔可夫链,期望到达时间
马尔可夫距离论文文献综述
储醉[1]（2017）在《基于马尔可夫链的期望到达时间距离学习》一文中研究指出随着移动互联网的高速发展和智能设备的广泛普及,各类图像和文本数据在以前所未有的速度迅速膨胀,基于大数据的各种机器学习应用正在蓬勃发展。围绕机器学习算法中常用的距离度量技术,本文主要做了以下几个工作。第一,传统的马氏距离度量的学习目标是学习一个对称半正定的矩阵,将数据特征投影到新的特征空间之后计算距离,它隐式度量了特征之间的二阶关系,但当数据特征之间存在高阶相关性时,马氏距离度量的效果就不甚理想。本文基于马尔可夫链中期望到达时间的概念,提出了一种新的距离度量方法——期望到达时间距离。它利用了马尔可夫链中状态转移的时间序列关系,隐式度量了特征之间的高阶相关性。第二,在期望到达时间距离度量中,一个合适的概率转移矩阵T对算法性能的影响至关重要。为了从训练数据中利用类别的判别信息自动学习到T,本文提出了基于梯度下降的优化算法LED。之后,为了解决优化算法复杂度过高、训练效率低的缺点,提出了在增量学习的设定下的一种效率优化算法LED-SGD。它利用了学习过程中矩阵低秩更新的特性,极大的降低了算法的复杂度,提高了训练效率。第叁,本文在叁个图像数据集和两个文本数据集上将期望到达时间度量算法与5个前沿的马氏距离度量算法进行了对比实验,证明了期望到达时间度量算法相对于传统马氏距离度量算法的优越性。同时,在图像与文本数据集上分别进行了可理解性实验,证明了通过LED算法学到的概率转移矩阵T,在一定程度上捕捉到了数据中蕴含的语义信息。(本文来源于《南京大学》期刊2017-05-27）
李绍燕,邓伟[2]（2011）在《KL距离的变长马尔可夫模型识别人类剪接位点》一文中研究指出针对传统基因剪接位点识别方法具有所用到的序列长,且参数多的问题,论文提出了一种基于KL距离的变长马尔可夫模型(Kullback Leibler divergence-variable length Markovmodel,KL-VLMM)。该模型在变长马尔可夫模型的基础上进行改进,由KL距离代替原来的概率比值来判断序列扩展的方向,有效地提高了特征序列的识别能力,且模型阶数由二阶降为一阶,降低了算法的空间复杂度。利用人类剪接位点数据库N269,对该模型和其他传统方法的识别性能进行了比较。实验结果表明,采用KL-VLMM方法预测人类基因剪接位点的预测效果更好。(本文来源于《生物物理学报》期刊2011年08期）
熊智,郭成城[3]（2008）在《基于马尔可夫链的网页间距离衡量方法》一文中研究指出HTTP/1.1的持续连接特性会给基于内容请求分发的Web集群服务器带来额外的开销。为减少这种开销,可将用户经常一起访问的网页组成簇并以簇为单位来分布文档。如何衡量网页间的距离是网页组簇的关键问题。该文提出一种基于马尔可夫链的衡量网页间距离的方法,该方法同时考虑了用户访问的时间相关性和用户的访问路径。实例表明,与基于时间相关性的衡量网页间距离的方法相比,采用该衡量方法能更有效地减少网页组簇后HTTP/1.1持续连接所带来的额外开销。(本文来源于《计算机工程》期刊2008年05期）
马殿祎[4]（2006）在《基于距离变换的嵌入式隐马尔可夫模型在指静脉识别中的应用》一文中研究指出在这篇文章中,我们提出了一种应用嵌入式隐马尔可夫模型(EHMM)的基于指静脉的身份识别方法。在一幅红外线透射下得到的手指图像中,不仅包含了静脉模式,还包括形状不规则的阴影,这些阴影是由手指中不同厚度的骨骼和肌肉产生的。在这篇文章中,为了消除这些阴影和噪声对识别过程的影响,我们对指静脉图像采用了由Naoto Miura等人提出的“重复线形跟踪法”提取指静脉特征,这样处理之后的图像是一幅只保留指静脉特征(白)和背景(黑)的二值图像;在这样的二值图像中,黑色的背景占了很大的比例,如果我们直接基于这种图像采用嵌入式隐马尔可夫模型进行识别的话,在观察向量序列中由黑色的背景所产生的观察向量将占很大的比例,而这些观察向量并不能反映指静脉的模式特征,这样就影响了识别的效果,为了克服这一点,我们先将二值图像进行距离变换,使得由黑色的背景所产生的观察向量也能反映指静脉的特征;在这之后,我们采用嵌入式隐马尔可夫模型进行识别,这样就能达到比较不错的效果。(本文来源于《吉林大学》期刊2006-04-28）
马尔可夫距离论文开题报告
（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：
针对传统基因剪接位点识别方法具有所用到的序列长,且参数多的问题,论文提出了一种基于KL距离的变长马尔可夫模型(Kullback Leibler divergence-variable length Markovmodel,KL-VLMM)。该模型在变长马尔可夫模型的基础上进行改进,由KL距离代替原来的概率比值来判断序列扩展的方向,有效地提高了特征序列的识别能力,且模型阶数由二阶降为一阶,降低了算法的空间复杂度。利用人类剪接位点数据库N269,对该模型和其他传统方法的识别性能进行了比较。实验结果表明,采用KL-VLMM方法预测人类基因剪接位点的预测效果更好。
（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。
马尔可夫距离论文参考文献
[1].储醉.基于马尔可夫链的期望到达时间距离学习[D].南京大学.2017
[2].李绍燕,邓伟.KL距离的变长马尔可夫模型识别人类剪接位点[J].生物物理学报.2011
[3].熊智,郭成城.基于马尔可夫链的网页间距离衡量方法[J].计算机工程.2008
[4].马殿祎.基于距离变换的嵌入式隐马尔可夫模型在指静脉识别中的应用[D].吉林大学.2006