一、基于支持向量机的数据库学习算法（论文文献综述）
张海洋[1]（2021）在《基于改进支持向量机的混凝土面板堆石坝变形预测模型研究》文中认为混凝土面板堆石坝因其独特的优越性而被广泛应用于现代坝工建设中。目前,它已成为大坝建设的主要选择坝型之一。变形的预测、分析和控制是制约面板坝安全施工的关键问题。面板坝的安全隐患和不利条件,如坝顶超高不足、混凝土面板开裂、接缝受拉变形等,与坝体变形密切相关。有效、合理地预测和控制变形是面板坝进一步发展至关重要的因素。本文采用门限回归理论、改进的支持向量机和集成学习方法,对混凝土面板堆石坝变形预测模型展开研究。主要研究内容如下:（1）在现有面板坝实测变形数据库的基础上,建立了包含94个面板坝典型变形参数和主要施工信息的实例数据库。在总结面板坝典型变形规律的基础上,运用门限回归分析理论,建立了 3个典型变形参数与其6个主要影响因素之间的经验预测模型,并对各影响因素的重要性程度进行了深入评价。从数理统计的角度定量研究了面板坝典型变形参数与其影响因素之间的经验关系。（2）针对传统经验预测方法的不足,采用支持向量机对面板坝的变形进行预测。引入混合权重系数构造自适应混合核函数,采用粒子群智能优化算法对模型的主要参数进行优化,建立了用于预测面板坝变形的改进支持向量机模型。为了进一步完善模型,采用多元门限回归理论对实例数据库进行聚类划分,并在不同坝高区间内建立单一改进支持向量机预测模型。从机器学习的角度挖掘变形参数及其关键影响因素之间的非线性关系。（3）为了进一步提高单一改进支持向量机预测模型的预测精确度和鲁棒性,本文引入集成学习思想,将集成学习模式与具备强学习能力的改进支持向量机相结合,建立改进支持向量机自适应提升（改进SVR-AdaBoost）的集成预测模型对面板坝典型变形参数展开预测。该模型融合了单一改进支持向量机和AdaBoost集成学习的特点,对历史数据样本赋予不同的权重,来凸显不同实例样本在模型中的区别,同时将迭代优化得到的多个改进支持向量机模型加权累加来获取最终预测值,改进了单一预测模型的不足。实验结果表明改进SVR-AdaBoost集成预测模型可以有效地提高预测精度,并且相对于单一改进支持向量机预测模型结果上有了较大的提高。最后,为进一步验证本文构建的各个面板坝变形预测模型,以公伯峡面板坝为例,对构建的面板坝门限回归经验预测模型、单一改进支持向量机预测模型和改进支持向量自适应提升集成预测模型进行工程验证,取得了良好的效果,可为待建或无实测数据的混凝土面板堆石坝典型变形参数预测提供参考。
贾丹[2]（2021）在《润滑材料数据库平台设计及机器学习性能预测方法研究》文中指出我国对高品质润滑油的需求量占润滑油总需求量正逐年上升,而高品质润滑油的设计及开发技术严重依赖国外,自主研发面临很大困难。在润滑油产品的开发与改进中,性能检测与评价是必不可少的重要环节,我国润滑油性能评价主要依靠经验或大量实验与数据分析的现状严重制约着润滑油的设计与开发周期,致使润滑油发展十分缓慢。将材料数据库与机器学习相结合是润滑材料研发的新方法,为润滑油的性能快速评价提供了一种新的途径,对于提升装备运行可靠性以及指导润滑油开发与应用具有重要意义。本文以典型润滑油及其添加剂为研究对象,通过构建包括试验测试与模拟计算等多样化数据存储与分析数据库,建立数据的自动录入、检索,模拟计算及性能预测一体化数据平台;基于分子模拟计算,分析润滑油及其添加剂分子的结构参量与性能之间的关联规律;确定润滑油分子参量对摩擦学性能和热氧化性能的影响权重,结合机器学习算法,建立润滑油分子结构-性能机器学习模型,研究不同机器学习模型对润滑油热氧化性能和摩擦学性能预测的准确性与适用性,并提出了一种精确、稳定的性能预测集成学习算法,通过将润滑材料数据库与机器学习相结合,为高性能润滑油的开发提供有力证据。基于上述研究工作,论文的主要结论如下:（1）设计了润滑材料数据存储与数据分析一体化平台,实现了润滑材料试验检测数据与模拟计算结果文件等多样化数据导入;建立了基于不同数据格式（表格、文档）之间转换与关键信息提取的数据检索功能;集成了支撑材料快速评价的模拟计算软件调用以及性能预测等模块。该数据库涵盖商用润滑油、基础油、添加剂、润滑脂、固体润滑膜等,数据内容包括了润滑油及其添加剂的化学结构式、材料的物性参数、试验参数和材料主要性能等,满足高通量计算设计结果的归纳与数据挖掘的需要,为润滑材料性能的快速评价提供数据基础及分析开发平台。（2）以四种典型酯类油（双酯、季戊四醇酯、三羟甲基丙烷酯和偏苯三酸酯）为研究对象,开展了不同链长结构的酯类油分子参量模拟计算,分析了酯类油分子的成键性质、化学活性、分子轨道等对其使役性能的影响规律。结果表明:不同酯类油的分子总能量和偶极矩存在明显差异,是影响酯类油抗氧化性、水解稳定性和润滑性等宏观性质的重要参数。HOMO-LUMO能级结果表明,酯类油分子结构中酯基（或苯环与酯基形成的共轭结构）的活性最高,在润滑金属的过程中,酯类油会在金属表面吸附形成一层固体润滑膜,保证了良好的摩擦性能,适当增加双酯分子两端碳链长度,可提高其抗磨性能。静电势结果表明,酯基中的C=O键呈负电性,易与金属阳离子结合或被水中的H+攻击,使其分子结构发生破坏,影响润滑或水解稳定性。电子结构结果阐明了酯类油的分子轨道贡献与分布。模拟计算结果可为机器学习筛选出的特征参量重要性的原因提供科学解释。（3）基于分子模拟计算的润滑油分子结构参量,计算了润滑油结构参数相对于磨损量的影响权重,确定润滑油分子特征参量为:低轨道能量和偶极矩;同样,根据润滑油结构参数相对于起始氧化温度的影响权重,确定润滑油分子特征参量为:分子能量、低轨道能量、HOMO-LUMO能量、偶极矩、脂水分配系数。之后,结合多元线性回归机器学习方法,开展了润滑油的摩擦学性能预测和抗氧化性能预测方法的初步研究,建立了润滑油计算特征参数与磨损量之间、计算特征参数与氧化起始温度之间的机器学习模型,并将预测集代入模型中进行了准确性验证,结果表明,模型预测值与试验值具有较高的一致性。（4）基于多元线性回归、支持向量机和神经网络机器学习算法,开展了润滑油材料的摩擦学性能和抗氧化性能预测研究,阐明了不同机器学习方法对于润滑油性能预测的差异性。在此基础上,探索了基于Stacking理论的润滑油机器学习性能预测集成学习算法,提出了一种基于机器学习的润滑油摩擦学性能集成学习预测方法,最终建立了润滑油摩擦学性能精准预测系统,丰富和完善了润滑材料数据库功能,提升了润滑油性能评价技术,加快润滑油的研发及应用进程。
吴涢晖[3]（2021）在《核爆次声监测信号处理技术研究》文中提出核爆次声监测技术是《全面禁止核试验条约》（CTBT）的4种重要监测技术手段之一,次声监测信号处理技术是其中的一项重要研究内容。次声监测信号处理技术主要包含三部分内容:一是如何从次声传感器的输出数据中提取出事件数据的信号检测方法;二是如何将探测到的核爆次声信号与其它次声信号区分识别开来的信号识别技术;三是如何根据探测到的数据信息对核爆的一些重要参数进行分析计算的数据处理技术。本文主要针对这三部分内容对当前人工智能领域的机器学习和深度学习技术进行了研究,并将其应用到次声台阵监测信号的识别和核爆参数的计算中。论文的主要工作及结论如下:1、论文分析了短时窗平均/长时窗平均算法在次声台站的单通道数据信号检测中存在的问题,并用该算法从原始次声数据中截取了样本数据。提出了一种基于机器学习的信号检测方法,该方法通过计算不同层数小波包分解的信号能量,构建了2～32维的特征向量,采用支持向量机和人工神经网络建立了检测模型,并对两种模型的识别性能进行了对比实验。实验结果表明基于支持向量机的检测方法能更加有效的检测出事件信号。2、对核爆炸产生的次声信号特征进行了研究,得出了核爆次声信号的基本特征,对化学爆炸、地震、火山喷发、闪电、大风等环境中的其他常见次声信号的特征进行了分析,通过对各种不同事件的信号特征进行构建和提取,建立次声信号特征数据库。3、探索将机器学习、深度学习等人工智能算法应用到核爆次声台阵监测信号分类识别中。分别构建了支持向量机、标准神经网络、长短期记忆网络和卷积神经网络模型,对次声信号的传统数值型特征、瞬时频率和功率谱熵特征、时频图像进行训练和识别,并对实验结果进行了分析,采用样本划分和生成对抗网络对学习过程进行了改进,解决了样本不均衡导致的过拟合问题。4、采用方位角交会法和洛斯阿拉莫斯算法对Watusi爆炸的位置和当量进行了初步计算,然后结合层次聚类和K-Means聚类算法对爆炸位置和当量进行了数据融合,对其误差进行了分析。根据次声波在大气中的传播规律,提出了一种基于非线性行波方程的声能权值计算方法,对爆炸当量进行了融合计算,并对两种方法进行了对比分析。本文以核爆次声台阵监测信号为研究对象,以提高各类次声信号的识别能力和核爆参数求解精度为研究目的,研究了次声台阵监测信号的特征提取算法、机器学习模型和数据融合算法。提出的基于支持向量机的事件检测方法可有效解决单通道数据信号检测中的问题;构建的卷积神经网络模型在深度学习模型中表现最优,仅次于机器学习中的支持向量机模型,可应用于次声台阵监测信号的识别;提出的基于声能权值的核爆当量融合算法能有效提高解算精度。
牟煜明[4]（2021）在《飞行前故障检测系统的设计与实现》文中提出飞机起飞前巡检是飞机安全保障必要程序,快速完成飞机飞行前的飞控系统健康检查,是提高飞机放飞架次的重要因素,然而飞机飞控系统越来越复杂,飞控系统健康的定位越来越难和排故时间越来越长。对飞机飞行前的故障检测方法的研究,提高飞机故障检测准确率和检测效率,有着重要意义。针对飞机飞控系统的飞行前故障检测技术,本文开展了飞控系统健康管理相关理论研究与应用系统工程实现。本文具体的研究及工作内容如下:（1）针对传统故障排算法不能区分故障的特征重要度,和故障检测准确率,提出了改进的支持向量机故障检测算法。通过改进传统的支持向量机故障检测模型,设计了针对飞机飞控系统故障检测模型,并仿真验证了算法模型性能。（2）针对飞行参数据特征排序问题,研究了梯度提升树故障检测算法。对飞行前故障检测数据样本集进行数据编码,特征排序和特征选择的模型设计。结合提取出的特征,构建基于梯度提升树支持向量机故障检测模型,并开展了模型的仿真验证。（3）研究了人工智能开发工具,完成了飞机飞行前故障检测系统的设计与实现。本文基于Python语言、软件工程技术和设计模式,开展了某飞机飞行前飞控系统故障检测系统的设计与仿真测试验证。本文利用提出的算法模型,开展具体工程中的仿真验证,其故障检测准确度达到88.42%,高于传统判故能力。本系统已应用于某飞机的故障专家诊断系统中,取得了良好的应用效果。
陈鹏[5]（2021）在《基于HSSVM与卷积神经网络的船舶避碰知识库研究》文中研究说明为了保障船舶航行安全,船舶智能避碰决策是船舶自动避碰、预防甚至避免船舶事故发生的关键。船舶智能避碰决策不仅有助于提高船舶航行的安全性,减少人为因素的影响、节约人力物力成本,对世界的航运业的发展具有重要意义,是船舶安全航行领域的重点研究方向。船舶避碰知识库是完成船舶智能避碰决策的关键数据基础。以往船舶避碰知识库以经验数据存储、规则学习、知识推理为主,实现避碰轨迹知识库、三元组图数据库存储、图像特征融合知识库的研究为数不多,这也是本文的核心研究内容。本文以船舶航行AIS历史数据为基础,研究如何利用船舶运动轨迹采用支持向量机算法自动完成船舶避碰数据分类,建立简洁版船舶避碰知识库;在此基础上,针对海量新增AIS数据,融合轨迹运动标注特征、TCPA（Time of the Closest Point of Approach）/DCPA（Distance of the Closest Point of Approach）标注特征,利用卷积神经网络深度学习算法进行船舶轨迹匹配,实现大规模海量AIS数据的船舶避碰知识库构建,从交通安全角度研究船舶避让的规律和方法,从而为船舶智能避碰提供数据支撑。本文的主要工作包括:（1）AIS船舶轨迹数据预处理技术研究。针对海量AIS轨迹数据,首先采用基于时间片倒排索引的方式进行时间戳过滤,然后采用基于R树索引的空间范围搜索完成船舶会遇数据提取。针对AIS数据的冗余性,提出加入船舶行驶中的加速、减速、转向数据点、动态行为点的动态D-P算法,即在经典D-P算法基础上加入状态驻点,避免压缩过程丢失关键数据点。针对数据补全问题,在分析一阶差商二阶差商基础上,对船舶直线采用拉格朗日双线性插值,对船舶曲线运动采用拉格朗日二次插值,完成两船轨迹对齐需求。针对避碰模式识别中用到的TCPA/DCPA标定计算问题,定义一种简洁高效的计算方法,以平面向量运算理论、相对运动几何分析计算目标船的空间碰撞危险测度DCPA和时间碰撞危险测度TCPA,得到两船TCPA/DCPA标注结果。（2）提出一种结合加权kNN算法和超球支持向量机算法的分类决策方法研究,该方法用于船舶会遇数据分类决策。为了加快二次规划求解的速度,计算中心距离比率确定样本权值,训练时首先选取对结果超球贡献大的样本。同时为了实现算法参数寻优计算,引入多线程技术、遗传算法+SMO加速求解。对每一个测试样本,其类别判定取决于该点与每个分类超球的位置关系。对复杂相交区域的数据分类,引入kNN采用近似性度量选取相交区域训练数据集中与测试样本最近邻点的类别作为测试样本的类别,进而提高算法的泛化能力。对船舶会遇数据进行分类测试,实验结果表明新的算法效率较高,分类效果较好。根据避碰过程模式,提取整个避碰过程的轨迹序列数据,构建船舶避碰知识库。（3）基于CNN的船舶避碰轨迹匹配算法研究,用于解决海量新增AIS数据的船舶避碰知识库构建。新增AIS数据经插值、时间对齐处理后拼接在一起,组成融合特征作为基于卷积神经网络轨迹匹配网络的输入数据。以HSSVM训练得到的避碰知识为基础,设计不同的卷积核函数实现卷积操作,通过卷积层、池化层和激活函数层将原始输入数据映射到隐层特征空间,再通过全连接层则对前面的特征加权求和,将分布式特征表示映射到样本标记空间。按交叉熵损失训练深度学习网络,调优CNN网络参数,得到船舶避碰数据分类匹配结果,从而完成大规模数据的避碰模式知识库构建,并给出了船舶避碰图像知识库和船舶避碰特征知识库的应用。论文提出的方法克服了原有避碰知识库研究的一些局限性,扩展了知识存储、知识表示、知识融合的实际应用范例。
田睿[6]（2020）在《基于机器学习的岩爆烈度等级预测模型研究与应用》文中研究表明岩爆是大型地下岩土和深部资源开采工程面临的难题之一,准确预测岩爆烈度等级具有重要工程意义和学术价值。岩爆烈度等级预测是岩爆防控的重要科学依据,准确实用的预测模型可有效地指导岩爆防控。然而,传统预测模型受多种复杂因素影响,在指标权重确定和实际工程应用等方面,其有效性还有待提高。本文基于建立的岩爆烈度等级预测数据库,采用机器学习技术,针对岩爆预测数据的随机性、模糊性、有限性、非线性、离散性等特点,提出了3种岩爆烈度等级预测模型,并验证了预测模型的有效性,同时将预测模型应用于内蒙古赤峰某金矿深部开采岩爆工程实践。论文完成的主要内容:（1）建立了岩爆烈度等级预测数据库。通过分析4个岩爆工程实例,综合考虑岩爆的影响因素、特点以及内外因条件,选取洞壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数作为岩爆预测评价指标;通过对比分析国内外现有的岩爆烈度等级方案,考虑岩爆发生的强弱程度和主要影响因素,将岩爆烈度分为4级:I级（无岩爆）、II级（轻微岩爆）、III级（中级岩爆）、IV级（强烈岩爆）;根据所确定的岩爆评价指标和岩爆烈度等级,建立了一个包含301组岩爆工程实例的数据库,作为岩爆烈度等级预测的样本数据。（2）提出了基于随机森林优化层次分析法-云模型（RF-AHP-CM）的岩爆烈度等级预测模型。考虑岩爆预测的时效性,采用层次分析法（AHP）计算岩爆评价指标权重;并采用能够有效处理数据特征模糊的随机森林（RF）算法,建立了基于随机森林的岩爆评价指标重要性分析模型;根据指标重要性量化分析结果,构造层次分析法中的分析矩阵,优化层次分析法,构建了RF-AHP指标权重计算方法;结合云模型（CM）,构建了RF-AHP-CM岩爆预测模型,其预测准确率可达85%。该预测模型可判断主要发生的岩爆烈度等级,并可同时判断可能发生的岩爆烈度等级,有效地解决了具有不确定性、随机性和模糊性的岩爆预测问题。（3）提出了基于改进萤火虫算法优化支持向量机（IGSO-SVM）的岩爆烈度等级预测模型。针对岩爆预测数据的有限性、非线性等特征,采用基于佳点集变步长策略的萤火虫算法（IGSO）,优化支持向量机（SVM）的惩罚参数C和径向基函数参数g,构建了IGSO-SVM岩爆预测模型,其预测准确率可达90%。该预测模型避免了指标权重确定问题,通过直接学习岩爆工程实例数据,有效地解决了有限样本条件下非线性的岩爆预测问题。（4）提出了基于Dropout和改进Adam算法优化深度神经网络（DADNN）的岩爆烈度等级预测模型。为适应更大规模的岩爆数据处理需求,采用深度神经网络（DNN）,针对岩爆预测数据的离散性、有限性等特征,采用Dropout对模型进行正则化以防止发生过拟合,同时,为了提高预测模型的时效性和效稳性,采用改进Adam算法优化参数,构建了DA-DNN岩爆预测模型,其预测准确率可达98.3%。该预测模型有效地解决了更大数据规模的岩爆预测问题。（5）不同岩爆烈度等级预测模型的对比分析与工程实例应用。对RF-AHPCM岩爆预测模型、IGSO-SVM岩爆预测模型和DA-DNN岩爆预测模型从预测准确率、时效性和适用范围3个方面进行了对比分析,3个岩爆预测模型各具优势,从不同角度有效地解决了岩爆预测问题。采用所构建的3个岩爆预测模型对内蒙古赤峰某金矿深部开采进行了岩爆预测,预测结果与现场实际情况具有较好的一致性,验证了所构建模型的准确性和实用性,最后根据岩爆预测结果和矿山生产实际,提出了8项相应的岩爆防治措施。
吴兆龙[7]（2020）在《基于云平台的光纤光栅睡眠监测系统》文中提出随着社会发展的步伐不断加快,导致人们时常处于工作强度高和竞争激烈的环境下,使得人们不关心自己的睡眠问题,并且大多数患有睡眠问题的人没有得到及时的诊断与治疗。尤其是,睡眠障碍引起的疾病,造成了临床发病率高和患者死亡率高、医疗救治费用高等诸多问题,逐渐发展引起了社会的关注,睡眠呼吸障碍已逐渐成为严重直接影响现代人的身体生命健康的重大问题之一。对现代人们的人体睡眠状态进行有效的生理参数监测,帮助现代人们不断改善人的睡眠生活质量也就显得尤为重要。多导睡眠监测图是一种有效的睡眠监测手段,但由于其成本高、操作复杂,且需要医护人员观察整夜的睡眠数据进行诊断等限制,已经无法满足当下社会对睡眠监测的巨大需求。并且,光纤光栅传感器的一些技术应用已经能够很好地满足医用监测应用的一些特殊要求,所以光纤传感器应用医学监测也逐渐发展成为在医学领域的应用和研究发展重点。本文研究的主要内容如下:（1）设计了基于支持向量机的睡眠呼吸障碍疾病的诊断算法。在我们的算法中,从数据中提取特征,特别是血氧饱和度,这些特征被基于支持向量机（SVM）的策略用于创建分类模型。由此产生的支持向量机分类模型可用于诊断睡眠呼吸障碍疾病。我们利用实际患者数据对该算法进行初步评估,发现其敏感性、准确性和特异性分别为87.6%、90.2%和94.1%。（2）建立一套基于云平台的光纤布拉格光栅的睡眠监测系统。首先,我们设计了一种基于应变传感器的人体呼吸频率的测量方法,然后搭建了以光纤FBGA解调模块为核心的光纤光栅监测平台,通过USB串口通信将光纤光栅的布拉格波长传输到电脑端进行分析与存储,同时将系统所监测到的数据上传到云计算平台实现远程监控。（3）设计了基于云端数据库的移动睡眠监测系统。为了能获取到诊断算法所需要的数据进行分析,系统利用低功耗蓝牙无线传输技术将人体采集到的血氧饱和度数据传输到手机端进行实时监控,同时将数据通过5G移动网络传输到云端数据库中进行存储,方便提取所需要分析的数据。
陈岸鹏[8]（2020）在《基于支持向量机回归选股和波动率择时的量化产品设计》文中研究指明随着如今计算机科技水平的进步,量化投资也借此机会逐渐兴起。资产定价理论的不断发展推进了量化投资的研究,成为量化策略研究的其中一个重要的理论基础,而多因子模型是资产定价模型中最为广泛使用的模型,常用于量化投资中股票的选择,即量化选股。机器学习是人工智能其中一个重要的领域,近年来,也有研究将机器学习应用到金融市场问题中的资产定价领域以使金融资产价格能够被准确定价。本文在资产定价理论的基础之上,将机器学习中的支持向量机回归模型引入到多因子模型中进行股票的选择。首先把因子分为质量类、成长类、技术类、动量类、情绪类,计算所有因子两两之间的相关性使所有因子两两之间的相关系数小于0.6,然后用剩余因子对沪深300的10个行业指数一一进行横截面回归并进行显着性检验,选出每个行业指数各自的显着相关因子,再运用10个行业指数各自的因子对沪深300的10个行业指数进行经过遗传算法调参的线性支持向量机回归与非线性支持向量机回归分析找到被低估的行业指数,从行业中选出五只被低估的个股。在股票选择的基础上,加入单向波动率进行择时以控制买入的进场时机,如果市场过去走势低迷,过去30天跌幅超10%,且移动平均单向波动率小于0,则对资产标的进行持仓或建仓操作;或者说,市场过去是高涨走势,过去30天涨幅超过5%,也可以对股票进行资产标的进行持仓或建仓操作,其余情况下均对股票进行卖出动作。同时,加入做空的双向策略,当发出卖出指令时,做空沪深300期货合约,以提高资金利用率,使该策略有了逆势盈利的可能。在基于该策略的量化产品被设计出之后,本文收益和风险两个方面进行了产品的分析,选择2017年1月9日至2019年6月30日的情况进行回溯测试,产品收益的参考指标为净值、收益率以及夏普比率;产品所存在的风险以最大回撤率以及波动率作为参考指标;并在最后进行了风险控制的说明。通过实证检验,得到两款产品净值在回测期内表现总体优于表现优于基准净值,年化收益率与夏普比率虽然在2017年表现相对不佳,但在2018年股灾期间远远优于基准水平,且2019年不输于市场表现,而波动率和最大回撤率明显较低的结果,说明基于该策略所设计出的产品在逆市时也有实现资产的增值保值的能力,且风险相对基准较低,适合于包括机构以及高净值人群等大型投资者。
卢洋[9]（2019）在《人脸表情图像识别关键技术的分析与研究》文中研究说明表情识别技术是生物学、心理学和计算机学等多门学科的交叉产物,因为其对于实现人类生活智能化具有高度的使用价值和研究意义,近年来受到众多研究者的广泛关注。由于它是一项覆盖范围极广、涉及领域众多的先进技术,因此伴随着许多需要攻克和突破的技术难题。在深入分析相关理论后,本论文针对表情特征提取算法、特征分类识别以及遮挡情况下的表情分类识别等关键问题展开了深入的研究,分析目前算法的不足并提出改进的解决办法,通过理论分析和实验结果证明所提出改进算法的可行性和有效性。本论文的主要研究内容和创新性工作如下:1.基于离散Shearlet变换和强可分性特征筛选的人脸表情识别方法。针对小波变换进行表情图像特征提取时存在基函数支撑区间和分解方向有限等问题,提出以离散Shearlet变换作为提取表情特征系数的算法。通过分析离散Shearlet变换的分解系数作为表情特征时具有的优势与不足,以及图像在Shearlet变换域下低频与高频分解系数的性能,提出了一种强可分性特征筛选函数,该函数具有特征系数的过滤与筛选功能。通过衡量不同分解尺度和分解方向下系数的分类能力来对离散Shearlet系数进行最佳分解尺度和方向的选择,并通过融合最佳分解尺度与方向下低频与高频系数来获取最终的表情分类特征。通过实验方法选取支持向量机的最佳参数,并设计多分类器框架完成表情分类结果的输出。通过仿真实验和对比实验证明了所提方法具有可行性和有效性。与目前已有人脸表情识别方法相比,本方法的优势在于:首先,离散Shearlet变换作为系数提取算法,因其具有多尺度、多方向、数学构造简单以及实现速度快等优点,在捕捉表情图像中五官的变化信息时表现更加突出;其次,本方法只挑选分类能力最佳的系数作为表情特征,在保证识别精度的同时降低特征矩阵的数据量,从而让表情分类识别更加高效;最后,本方法选择将反映图像概貌的低频系数与反映表情细节变化的高频系数加以融合作为表情特征,为高精度的识别提供了保障。2.基于离散Shearlet变换和归一化互信息特征选择的人脸表情识别方法。针对经过离散Shearlet变换后的表情图像系数存在数据量大且冗余的问题,提出一种改进的归一化互信息特征选择方法对初始特征系数进行筛选。通过分析特征选择算法在进行特征系数筛选时的可行性与不足,提出一种改进的归一化互信息特征选择方法来寻找原始特征系数集合的最优特征子集。通过改进归一化时权值不均问题以及引入特征贡献因子来对原始特征和类别之间的互信息以及特征之间的互信息的差值进行优化处理,从而完成最优特征子集的挑选,保证原始特征系数矩阵的关键分类信息不会流失。进一步,对特征子集进行t-分布随机邻域嵌入非线性的降维处理,保证最终分类特征的精简。最后设计多分类支持向量机框架进行表情分类识别。分类特征的可视化结果、系统识别率以及对比实验都证明了所提方法具有可行性和有效性。与目前已有方法相比,本方法能够对庞大且包含冗余信息的特征系数矩阵进行筛选和精简,在降低特征系数维度的同时保证了高精度的识别,节省了运行时间,简化了算法复杂度,因此可以为系统的高效与准确识别提供有力保障。3.基于生成对抗网络的遮挡人脸表情识别方法。针对现实生活中的表情图像往往存在遮挡的问题,提出基于Wasserstein生成对抗网络对遮挡表情图像进行遮挡区域填补,以及对填补后的图像进行表情分类识别的方法。通过分析生成对抗网络中Jensen-Shannon散度作为相似度量标准时所存在的不足,提出以Wasserstein距离来度量两个概率分布之间的距离。通过一个生成器G和两个鉴别器,1,2iD i（28）来构建本方法的网络结构,并且生成器在我们提出的加权重构损失函数、三连子损失函数以及对抗损失函数的三重约束下对遮挡表情图像进行自然地填补,通过Wasserstein距离构建生成图像、原始未遮挡图像以及无关区域遮挡图像之间的对抗损失来优化鉴别器1D真假鉴别能力,最后通过对鉴别器2D引入分类损失完成表情分类识别。可视化的去遮挡结果、有/无去遮挡处理的表情识别率对比均证明本算法是可行且有效的。与目前已有方法相比,本方法通过用改进的生成网络来还原遮挡图像中的被遮盖区域而得到去遮挡图像,填补后的图像由于人脸信息完整从而保证了后续表情特征提取以及分类识别的顺利进行。并且在有效补全含有复杂表情信息的人脸遮挡图像后,能够得到精简且最具可分性的表情特征系数集合,使处理后的图像质量更高,系统识别更加准确。
宁乔[10]（2019）在《基于机器学习的赖氨酸翻译后修饰位点的计算预测与分析》文中研究说明蛋白质是一种有机大分子,是生命的物质基础,是构成细胞、承载生命活动的基本有机物。在蛋白质翻译过程中,氨基酸相互连接形成肽链,肽链经过螺旋、卷曲、折叠,形成前体蛋白。然而前体蛋白不具有活性,只有通过一系列的翻译后加工及修饰,才能获取生物学功能,这种化学修饰叫蛋白质翻译后修饰。蛋白质翻译后修饰类型多种多样,例如在蛋白质中加入各种官能团,化学键或者其他肽链等,蛋白质翻译后修饰在细胞功能和生物进程中起着重要的调控作用,例如蛋白质翻译后修饰可以调控细胞对外界环境的应答。一些研究表明,翻译后修饰的蛋白质所处细胞环境不同,其功能也有所不同,且翻译后修饰位点的异常和变异与疾病和癌症有密切的联系,因此对翻译后修饰位点的预测分析,了解不同细胞环境下其生物进程和机制是蛋白质组学研究中的重要课题。相较于传统的实验预测方法,计算预测方法因其简便、快速的特性,成为在蛋白质翻译后修饰识别问题中常用的方法。赖氨酸是一种由密码子AAA和AAG编码的α-氨基酸,化学式为HO2CCH（NH2）（CH2）4NH2,它是人体20种常见氨基酸中的一种。由于赖氨酸的特殊分子结构,它在翻译后很容易被修饰,并且发生在赖氨酸上的翻译后修饰类型有很多。针对赖氨酸上可发生的三种翻译后修饰（琥珀酰化修饰,甲酰化修饰和戊二酰化修饰）,提出并创建新的基于机器学习的计算预测方法,有效地提升了对三种翻译后修饰位点的预测准确率,并对这三种翻译后修饰蛋白质数据进行蛋白质组学分析,挖掘其潜在的功能及特性。主要研究内容如下:（1）提出两种新的琥珀酰化位点预测方法,其中一种基于双层支持向量机分类器的集成学习的琥珀酰化位点预测方法—PSuccE,另一种为结合半监督学习方法和K均值聚类算法的琥珀酰化位点预测方法—SSKMSuc。为了解决正负样本不平衡问题,PSuccE使用Bootstrap Sampling策略提取不同的负样本子集,与正样本集结合,形成多个不同的训练样本子集。在每个数据子集内,融合多种序列特征编码方式,采取基于信息增益的两步特征选择方法,从整体特征空间中筛选最优特征子集进行建模。然后以所有预测模型的预测结果为新的特征,训练一个新的支持向量机分类器,作为最终的预测分类器。与其他预测器在独立测试集上进行预测性能比较,结果表明PSuccE的预测能力明显优于现有方法。对特征及方法步骤的分析表明,本研究采用的特征可以有效地反应琥珀酰化位点的特性且双层支持向量机分类器的集成学习可以全方面有效地提高分类器的预测性能。SSKMSuc通过融合邻近翻译后修饰信息和多种序列特征,建立新的赖氨酸琥珀酰化预测工具。采取K均值聚类算法对数据集进行处理,将数据分成5个聚类,对每个聚类采用基于随机森林的两步特征选择策略去除冗余特征,获取最优特征子集。在每个聚类内,基于半监督学习方法根据正样本信息从非琥珀酰化样本中选择与正样本数量相同的可靠负样本,最后利用支持向量机分类器进行建模。同现有预测器的预测性能比较分析表明SSKMSuc具有更良好的预测性能。邻近翻译后修饰信息的分析结果显示琥珀酰化修饰和乙酰化修饰及泛素化修饰可能存在相互依赖关系,且+7位置和-4位置的琥珀酰化修饰可能对中间赖氨酸位点琥珀酰化的形成产生一定的影响。通过对琥珀酰化蛋白质的KEGG分析,进一步验证了蛋白质琥珀酰化修饰对氨基酸降解和脂肪酸代谢有潜在影响,并且分析推测蛋白质琥珀酰化可能与亨廷顿疾病、帕金森疾病、阿尔兹海默症疾病等神经退行性疾病的发生有密切的关系。（2）针对蛋白质甲酰化位点预测问题提出一种结合半监督学习与K近邻算法的预测方法—dForml（KNN）-PseAAC。赖氨酸甲酰化是一种重要的翻译后修饰,由于现今数据库中记录的赖氨酸甲酰化数据数量较少,因此还没有建立对其预测的计算方法,据此提出一种基于半监督学习与K近邻算法的预测方法。dForml（KNN）-PseAAC根据信息熵,选择离散窗口对蛋白质序列进行截取,并采用三种有效的序列特征编码方法提取蛋白质甲酰化位点及非甲酰化位点周围的特征信息。该方法提出一种半监督学习方法选择更可靠的非甲酰化样本作为负样本进行建模,既准确地解决了正样本与负样本之间的严重失衡问题,也保证了预测模型的性能。对预测结果的比较分析验证了K近邻算法比其他常用机器学习算法更适合甲酰化位点预测,并且可以高效地从蛋白质中预测出甲酰化位点。通过对甲酰化蛋白的Gene Ontology分析,推测蛋白质甲酰化与蛋白质合成之间可能存在关联性。（3）提出一种新的蛋白质戊二酰化位点预测方法—DEXGBGlu。DEXGBGlu以极端梯度提升算法（XGBoost）作为分类器,并且用差分进化算法（DE）对XGBoost算法中的参数进行寻优。该方法采用多种序列特征提取蛋白质中赖氨酸位点周围能有效区分戊二酰化位点和非戊二酰化位点的信息。针对正负样本比例不平衡问题,首先应用Borderline-SMOTE（Borderline-Synthetic Minority Oversampling Technique）过采样方法合成正样本,扩充正样本的数量,使之与负样本数量相同,然后采用Tomeklinks方法对合并后的训练集做数据清洗,去除可能为噪音的数据。对预测方法及预测结果的分析表明差分进化算法提升了XGBoost的分类效果,Borderline-SMOTE结合Tomeklinks方法既解决了正负样本不平衡问题,也提高了DEXGBGlu的预测准确性,显着优于现有的其他几种蛋白质戊二酰化预测工具。
二、基于支持向量机的数据库学习算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于支持向量机的数据库学习算法（论文提纲范文）
（1）基于改进支持向量机的混凝土面板堆石坝变形预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和技术路线 |
| 1.4 主要创新点 |
| 2 基于门限回归理论的面板堆石坝变形经验预测模型 |
| 2.1 概述 |
| 2.2 面板堆石坝典型变形特性和影响因素 |
| 2.2.1 面板堆石坝典型变形特性 |
| 2.2.2 面板堆石坝变形特性的影响因素 |
| 2.3 面板堆石坝变形特性实例数据库 |
| 2.4 门限回归分析方法 |
| 2.4.1 门限回归模型 |
| 2.4.2 应用最优分割法确定门限变量和门限值 |
| 2.4.3 门限效应的验证 |
| 2.5 面板堆石坝典型变形特性门限回归预测模型的建立 |
| 2.6 与现有预测方法的比较 |
| 2.7 本章小结 |
| 3 基于改进支持向量机的面板堆石坝变形预测模型 |
| 3.1 概述 |
| 3.2 支持向量机基本理论 |
| 3.2.1 支持向量回归算法 |
| 3.2.2 核函数的确定 |
| 3.2.3 参数的优化选择 |
| 3.3 预测模型的建立 |
| 3.3.1 输出与输入变量 |
| 3.3.2 建立改进支持向量机预测模型建模步骤 |
| 3.4 改进支持向量机预测模型结果分析 |
| 3.5 结合门限回归和改进支持向量机的典型变形特性预测模型 |
| 3.6 本章小结 |
| 4 基于SVR-AdaBoost集成算法的面板堆石坝变形预测模型 |
| 4.1 概述 |
| 4.2 AdaBoost集成学习算法 |
| 4.3 面板堆石坝典型变形特性改进SVR-AdaBoost预测模型的建立 |
| 4.3.1 个体学习器 |
| 4.3.2 基于SVR-AdaBoost集成算法的面板堆石坝变形预测流程 |
| 4.4 不同预测模型对比分析 |
| 4.5 工程实例 |
| 4.5.1 工程概况 |
| 4.5.2 预测结果分析 |
| 4.6 本章小结 |
| 5 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）润滑材料数据库平台设计及机器学习性能预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 润滑材料数据库的研究现状 |
| 1.2.1 数据库技术的发展与研究现状 |
| 1.2.2 传统材料数据库的研究现状 |
| 1.2.3 面向数据驱动的材料数据库的研究现状 |
| 1.3 润滑油分子模拟计算发展现状 |
| 1.4 润滑油机器学习性能预测研究现状 |
| 1.4.1 基于机器学习的材料性能预测研究现状 |
| 1.4.2 润滑油性能预测研究现状 |
| 1.4.3 集成学习算法的研究现状 |
| 1.5 本文的主要研究工作 |
| 第二章 润滑材料数据库的设计与开发研究 |
| 2.1 引言 |
| 2.2 数据库系统平台的开发语言与软件 |
| 2.2.1 数据库类型 |
| 2.2.2 Web服务器 |
| 2.2.3 脚本语言与开发框架 |
| 2.3 关系型数据库的数据结构 |
| 2.4 润滑材料数据库系统框架的搭建 |
| 2.4.1 搭建满足模拟-试验的集成开发环境 |
| 2.4.2 搭建数据库网站前台/后台系统框架 |
| 2.5 数据库网站登录及注册页面的搭建 |
| 2.6 数据库系统功能模块的构建 |
| 2.6.1 数据库功能模块的设计 |
| 2.6.2 润滑材料数据库平台的优化与数据收集 |
| 2.7 结论 |
| 第三章 润滑油分子模拟计算方法研究 |
| 3.1 引言 |
| 3.2 润滑油分子模拟计算方法 |
| 3.2.1 分子模拟简介 |
| 3.2.2 分子模拟计算软件 |
| 3.2.3 分子模拟方法 |
| 3.3 润滑油分子模拟计算及结果分析 |
| 3.3.1 润滑油材料的选择 |
| 3.3.2 分子总能量 |
| 3.3.3 分子偶极矩 |
| 3.3.4 HOMO-LUMO能级 |
| 3.3.5 静电势 |
| 3.3.6 电子结构 |
| 3.4 结论 |
| 第四章 润滑油机器学习性能预测方法研究 |
| 4.1 引言 |
| 4.2 机器学习方法概述 |
| 4.3 润滑油摩擦磨损性能预测方法 |
| 4.3.1 试验材料 |
| 4.3.2 润滑油添加剂分子结构参量计算 |
| 4.3.3 润滑油特征参量的选取 |
| 4.3.4 特征参量与磨损量之间的机器学习模型 |
| 4.4 润滑油抗氧化性能预测方法研究 |
| 4.4.1 试验材料 |
| 4.4.2 润滑油分子结构参量计算 |
| 4.4.3 润滑油特征参量的选取 |
| 4.4.4 特征参量与起始氧化温度之间的机器学习模型 |
| 4.5 结论 |
| 第五章 润滑油性能集成学习预测系统研究 |
| 5.1 引言 |
| 5.2 集成学习模型构建方法 |
| 5.2.1 集成学习方法 |
| 5.2.2 润滑油集成学习性能预测模型构建方法 |
| 5.3 不同机器学习方法性能预测差异性对比 |
| 5.3.1 多元线性回归模型 |
| 5.3.2 支持向量机模型 |
| 5.3.3 神经网络模型 |
| 5.4 润滑油集成学习性能预测系统的建立 |
| 5.4.1 神经网络-多元线性回归集成学习模型构建 |
| 5.4.2 神经网络-支持向量机集成学习模型构建 |
| 5.4.3 支持向量机-多元线性回归集成学习模型构建 |
| 5.5 结论 |
| 第六章 结论与展望 |
| 6.1 本文的主要结论 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 作者简介 |
（3）核爆次声监测信号处理技术研究（论文提纲范文）
| 缩略语表 |
| 摘要 |
| Abstract |
| 前言 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 论文研究的目的和意义 |
| 1.3 国内外相关技术研究现状及发展趋势 |
| 1.3.1 次声信号检测方法发展历程 |
| 1.3.2 次声事件识别技术研究现状 |
| 1.3.3 次声事件参数计算与融合方法 |
| 1.3.4 研究现状分析 |
| 1.4 论文的研究内容与组织 |
| 1.4.1 论文的主要研究内容 |
| 1.4.2 论文的组织结构 |
| 第二章 核爆次声监测信号处理一般方法 |
| 2.1 事件检测方法 |
| 2.2 次声事件分类识别方法 |
| 2.2.1 支持向量机方法 |
| 2.2.2 人工神经网络方法 |
| 2.3 核爆源项参数计算与融合方法 |
| 2.3.1 核爆位置计算方法 |
| 2.3.2 核爆当量计算方法 |
| 2.4 本章小结 |
| 第三章 次声事件数据采集与检测方法研究 |
| 3.1 次声信号探测系统 |
| 3.2 事件数据采集中的问题 |
| 3.3 小波包分解提取信号能量特征 |
| 3.3.1 小波包分析理论 |
| 3.3.2 小波包分解提取能量特征 |
| 3.4 基于支持向量机的次声事件检测 |
| 3.4.1 支持向量机模型 |
| 3.4.2 次声事件检测 |
| 3.4.3 结果分析 |
| 3.5 基于人工神经网络的次声事件检测 |
| 3.5.1 人工神经网络模型 |
| 3.5.2 次声事件检测 |
| 3.5.3 结果分析 |
| 3.6 本章小结 |
| 第四章 次声事件信号特征分析与特征数据库构建 |
| 4.1 核爆次声信号特征分析 |
| 4.2 其他次声信号特征分析 |
| 4.2.1 化学爆炸 |
| 4.2.2 闪电 |
| 4.2.3 大风 |
| 4.2.4 地震 |
| 4.2.5 火山爆发 |
| 4.2.6 其他次声 |
| 4.3 特征数据库的建立 |
| 4.3.1 次声信号特征提取 |
| 4.3.2 数据库结构 |
| 4.4 本章小结 |
| 第五章 次声事件分类识别技术研究 |
| 5.1 基于标准神经网络的分类识别 |
| 5.1.1 网络模型建立与分类实验 |
| 5.1.2 结果分析 |
| 5.2 基于支持向量机神经网络的分类识别 |
| 5.2.1 模型的建立与识别实验 |
| 5.2.2 结果分析 |
| 5.3 基于长短期记忆神经网络的分类识别 |
| 5.3.1 数据预处理 |
| 5.3.2 基于瞬时频率和功率谱熵特征训练网络 |
| 5.3.3 基于原始数据训练网络 |
| 5.3.4 结果分析 |
| 5.4 基于卷积神经网络的分类识别 |
| 5.4.1 卷积神经网络模型 |
| 5.4.2 次声事件识别 |
| 5.4.3 对学习过程的改进 |
| 5.5 综合对比分析 |
| 5.5.1 评价方式与指标 |
| 5.5.2 模型性能分析 |
| 5.6 本章小结 |
| 第六章 爆炸事件源项参数计算与融合方法研究 |
| 6.1 事件中心位置的计算与融合 |
| 6.1.1 计算方法 |
| 6.1.2 实验对比 |
| 6.2 爆炸事件当量的计算与融合 |
| 6.2.1 计算方法 |
| 6.2.2 实验对比 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 完成的研究内容 |
| 7.2 主要创新点 |
| 7.3 下一步工作展望 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 主要简历 |
| 致谢 |
（4）飞行前故障检测系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 研究历史 |
| 1.2.2 研究现状 |
| 1.3 本文的研究目标和研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 飞行前故障检测相关技术 |
| 2.1 飞控系统介绍 |
| 2.1.1 飞控系统结构组成 |
| 2.1.2 余度机制结构 |
| 2.1.3 飞控系统故障性质 |
| 2.2 支持向量机理论基础 |
| 2.2.1 支持技术 |
| 2.2.2 最优分类面 |
| 2.2.3 支持向量机的模型 |
| 2.2.4 核方法 |
| 2.3 梯度提升树算法理论基础 |
| 2.3.1 CART分类树的生成 |
| 2.3.2 Gradient Boosting与 Gradient Boosting Trees |
| 2.4 本章小结 |
| 第三章 基于支持向量机的故障检测方法 |
| 3.1 支持向量机的故障检测模型设计 |
| 3.1.1 原始数据采集 |
| 3.1.2 数据预处理 |
| 3.1.3 特征提取 |
| 3.1.4 支持向量机模型测试 |
| 3.2 支持向量机故障检测系统构建 |
| 3.3 综合结果分析 |
| 3.3.1 数据来源 |
| 3.3.2 检测结果 |
| 3.4 本章小结 |
| 第四章 基于梯度提升树的故障检测方法 |
| 4.1 特征排序理论基础 |
| 4.1.1 排序学习 |
| 4.1.2 特征排序的评价指标 |
| 4.2 基于梯度提升树算法的特征排序与选择 |
| 4.2.1 故障样本数据编码 |
| 4.2.2 特征信息重要性排序 |
| 4.2.3 基于特征重要性的特征选择 |
| 4.3 基于梯度提升树特征提取的支持向量机模型 |
| 4.3.1 基于梯度提升树特征提取的支持向量机模型设计 |
| 4.3.2 仿真分析 |
| 4.4 故障检测结果比较分析 |
| 4.4.1 模型精度比较分析 |
| 4.4.2 特征提取比较分析 |
| 4.5 本章小结 |
| 第五章 飞行前故障检测系统设计与实现 |
| 5.1 飞行前故障检测系统设计 |
| 5.1.1 总体设计 |
| 5.1.2 方案设计 |
| 5.1.3 故障信息样本数据库模块设计 |
| 5.1.4 故障树模型训练设计 |
| 5.1.5 推理判断功能模块设计 |
| 5.1.6 自学习模块设计 |
| 5.1.7 人机界面模块的设计 |
| 5.2 飞行前故障检测系统实现 |
| 5.2.1 前端界面实现 |
| 5.2.2 特征提取实现 |
| 5.2.3 系统后台实现 |
| 5.3 系统功能与准确率测试分析 |
| 5.3.1 故障数据载入功能测试 |
| 5.3.2 系统检测功能测试 |
| 5.3.3 系统检测准确率测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）基于HSSVM与卷积神经网络的船舶避碰知识库研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究现状及进展 |
| 1.3 本文技术路线 |
| 1.4 研究目的和研究意义 |
| 1.5 本文主要工作及内容安排 |
| 2 船舶避碰会遇数据提取 |
| 2.1 AIS简介 |
| 2.2 AIS数据预处理 |
| 2.3 船舶会遇划分 |
| 2.4 互见中的避让过程 |
| 2.5 基于高效索引算法的船舶避碰会遇数据提取 |
| 2.5.1 基于时间片倒排索引的轨迹查询方法 |
| 2.5.2 基于R树索引的AIS轨迹搜索算法 |
| 2.6 本章小结 |
| 3 融合动态Douglas-Peucker算法与特征标注的AIS轨迹数据预处理 |
| 3.1 基于动态D-P算法的AIS轨迹压缩 |
| 3.1.1 经典Douglas-Peucker算法 |
| 3.1.2 动态D-P算法 |
| 3.1.3 基于动态D-P算法的AIS轨迹压缩 |
| 3.2 拉格朗日插值预处理 |
| 3.2.1 一阶差商与二阶差商 |
| 3.2.2 船舶直线运动的双线性插值 |
| 3.2.3 船舶曲线运动的拉格朗日二次插值 |
| 3.3 TCPA/DCPA标注 |
| 3.3.1 目标船状态计算模型 |
| 3.3.2 DCPA、TCPA计算模型 |
| 3.3.3 DCPA/TCPA计算实例 |
| 3.4 本章小结 |
| 4 基于加权HSSVM的船舶避碰知识库构建 |
| 4.1 加权超球支持向量机数学描述 |
| 4.1.1 原始的超球支持向量机描述 |
| 4.1.2 加权超球支持向量机描述 |
| 4.1.3 时间复杂度分析 |
| 4.2 超球相交区域的决策规则 |
| 4.2.1 同类错误/异类错误超球规则 |
| 4.2.2 多子超球分类规则 |
| 4.2.3 线性/非线性分类规则 |
| 4.2.4 基于kNN的分类决策规则 |
| 4.3 基于加权超球支持向量机算法的船舶避碰分类实验设计及结果分析 |
| 4.3.1 训练数据、测试数据准备 |
| 4.3.2 实验结果及分析 |
| 4.3.3 船舶避碰知识分类数据提取 |
| 4.3.4 避碰知识库建立 |
| 4.4 小结 |
| 5 基于CNN大规模船舶避碰知识库扩充及应用 |
| 5.1 算法描述 |
| 5.1.1 算法流程描述 |
| 5.2 多尺度多分辨率轨迹处理 |
| 5.2.1 轨迹合并 |
| 5.2.2 空间金字塔AIS轨迹池化处理 |
| 5.3 基于深度学习算法的避碰识别 |
| 5.3.1 卷积神经网络发展历史 |
| 5.3.2 基于CNN的轨迹匹配网络架构设计 |
| 5.3.3 实验分析 |
| 5.4 船舶避碰知识库的应用举例 |
| 5.4.1 船舶避碰图像知识库 |
| 5.4.2 船舶避碰特征知识库 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（6）基于机器学习的岩爆烈度等级预测模型研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩爆机理研究现状 |
| 1.2.2 岩爆预测研究现状 |
| 1.2.3 岩爆防治研究现状 |
| 1.3 研究内容与方法、创新点、技术路线 |
| 1.3.1 研究内容与方法 |
| 1.3.2 创新点 |
| 1.3.3 技术路线 |
| 2 岩爆烈度等级预测数据库建立 |
| 2.1 岩爆评价指标选取 |
| 2.1.1 岩爆工程实例分析 |
| 2.1.2 岩爆评价指标确定 |
| 2.2 岩爆烈度等级确定 |
| 2.3 岩爆烈度等级预测数据库 |
| 2.4 本章小结 |
| 3 基于随机森林优化层次分析法-云模型的岩爆预测模型研究 |
| 3.1 随机森林优化层次分析法-云模型的理论依据 |
| 3.1.1 正向高斯云算法 |
| 3.1.2 随机森林算法 |
| 3.2 基于随机森林-层次分析法的指标权重计算方法 |
| 3.2.1 基本的层次分析法 |
| 3.2.2 基于随机森林的岩爆评价指标重要性分析 |
| 3.2.3 随机森林-层次分析法构建 |
| 3.3 基于随机森林优化层次分析法-云模型的岩爆预测模型 |
| 3.3.1 岩爆烈度等级预测模型构建 |
| 3.3.2 岩爆烈度等级标准确定 |
| 3.3.3 岩爆评价指标云模型生成 |
| 3.3.4 岩爆评价指标权重计算 |
| 3.3.5 岩爆综合确定度计算 |
| 3.4 模型有效性验证 |
| 3.5 本章小结 |
| 4 基于改进萤火虫算法优化支持向量机的岩爆预测模型研究 |
| 4.1 改进萤火虫算法优化支持向量机的理论依据 |
| 4.1.1 间隔与支持向量 |
| 4.1.2 支持向量机模型 |
| 4.1.3 核函数 |
| 4.2 基于改进萤火虫算法优化支持向量机的岩爆预测模型 |
| 4.2.1 基本的萤火虫算法 |
| 4.2.2 改进的萤火虫算法 |
| 4.2.3 岩爆烈度等级预测模型构建 |
| 4.2.4 岩爆样本数据准备 |
| 4.2.5 模型主要参数及实现 |
| 4.3 模型有效性验证 |
| 4.4 本章小结 |
| 5 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型研究 |
| 5.1 Dropout和改进Adam算法优化深度神经网络的理论依据 |
| 5.1.1 深度学习技术 |
| 5.1.2 深度神经网络模型 |
| 5.1.3 Dropout正则化 |
| 5.1.4 参数优化算法 |
| 5.2 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型 |
| 5.2.1 基本的Adam算法 |
| 5.2.2 改进的Adam算法 |
| 5.2.3 岩爆烈度等级预测模型构建 |
| 5.2.4 岩爆样本数据准备 |
| 5.2.5 深度神经网络结构设计 |
| 5.2.6 模型主要参数及实现 |
| 5.3 模型有效性验证 |
| 5.4 本章小结 |
| 6 不同岩爆预测模型的对比分析及工程实例应用 |
| 6.1 三种岩爆烈度等级预测模型的对比分析 |
| 6.1.1 预测准确率的对比分析 |
| 6.1.2 时效性的对比分析 |
| 6.1.3 适用范围的对比分析 |
| 6.1.4 对比分析小结 |
| 6.2 内蒙古赤峰某金矿的岩爆预测与防治 |
| 6.2.1 岩爆评价指标值确定 |
| 6.2.2 岩爆预测 |
| 6.2.3 岩爆防治 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录 岩爆烈度等级预测数据库 |
| 在学研究成果 |
| 致谢 |
（7）基于云平台的光纤光栅睡眠监测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 1.4 论文的章节安排 |
| 第2章 基于云平台的光纤光栅睡眠监测系统理论基础 |
| 2.1 光纤光栅 |
| 2.1.1 耦合模理论 |
| 2.1.2 光纤光栅传感理论 |
| 2.1.3 光纤光栅温度传感原理 |
| 2.1.4 光纤光栅应变传感原理 |
| 2.2 光纤光栅解调技术 |
| 2.3 物联网架构 |
| 2.4 低功耗蓝牙 |
| 2.5 云计算技术 |
| 2.6 信号处理技术 |
| 2.7 机器学习算法 |
| 第3章 基于支持向量机的睡眠呼吸障碍诊断算法研究 |
| 3.1 睡眠呼吸障碍的诊断研究 |
| 3.2 支持向量机分类算法 |
| 3.3. 支持向量机分类算法的诊断流程 |
| 第4章 基于云平台的光纤光栅睡眠监测系统设计 |
| 4.1 系统架构与需求分析 |
| 4.2 睡眠监测系统的功能设计 |
| 4.3 基于5G网络的移动睡眠监测系统 |
| 4.3.1 低功耗蓝牙的可穿戴设备 |
| 4.3.2 基于Android的移动睡眠监测系统开发 |
| 4.3.3 基于移动平台的云端数据库 |
| 4.4 基于光纤光栅的睡眠监测系统 |
| 4.4.1 本地监测平台搭建 |
| 4.4.2 数据透传模块 |
| 4.4.3 光纤光栅设备云平台监控 |
| 第5章 实验结果分析与系统测试 |
| 5.1 支持向量机的睡眠呼吸障碍疾病诊断算法的实验分析 |
| 5.2 系统功能测试与结果分析 |
| 5.2.1 睡眠实时监测 |
| 5.2.2 历史查询 |
| 5.2.3 个人中心 |
| 5.3 性能测试及结果分析 |
| 5.4 光纤光栅应变传感的呼吸频率测量实验 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它科研成果 |
（8）基于支持向量机回归选股和波动率择时的量化产品设计（论文提纲范文）
| 摘要 |
| abstract |
| 导论 |
| 一、研究背景和意义 |
| 二、国内外文献综述 |
| 三、研究内容与方法 |
| 四、创新点与不足之处 |
| 第一章 量化产品市场分析及策略建模 |
| 第一节 产品市场分析 |
| 第二节 量化选股模型——多因子模型 |
| 一、Fama-French三因子模型 |
| 二、Fama-French五因子模型 |
| 第三节 量化择时模型——单向波动率 |
| 第四节 本章小结 |
| 第二章 量化产品设计的技术路线 |
| 第一节 支持向量机回归选股 |
| 一、支持向量机与多因子模型 |
| 二、支持向量机回归模型 |
| 三、遗传算法 |
| 四、选股方法 |
| 第二节 单向波动率择时路线与双向交易 |
| 第三节 本章小结 |
| 第三章 策略测试及产品分析 |
| 第一节 选股策略实行及测试 |
| 一、特征数据处理 |
| 二、选股结果 |
| 第二节 择时策略实行及测试 |
| 第三节 量化产品方案设计 |
| 第四节 产品收益及风险分析 |
| 一、收益分析 |
| 二、风险分析与控制 |
| 第五节 本章小结 |
| 结论与展望 |
| 一、主要结论 |
| 二、展望 |
| 参考文献 |
| 致谢 |
| 附录1 所有候选因子信息 |
| 附录2 线性支持向量机遗传算法调参代码 |
（9）人脸表情图像识别关键技术的分析与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外人脸表情识别技术的研究现状 |
| 1.2.1 表情特征提取方法的研究现状 |
| 1.2.2 表情分类方法的研究现状 |
| 1.2.3 人脸表情数据库 |
| 1.3 人脸表情识别研究中的难点 |
| 1.4 本文的主要研究内容与章节安排 |
| 第2章 人脸表情识别相关算法的基本原理 |
| 2.1 引言 |
| 2.2 Shearlet变换 |
| 2.2.1 剪切波 |
| 2.2.2 Shearlets的构建 |
| 2.3 支持向量机 |
| 2.3.1 支持向量机的基本原理 |
| 2.3.2 支持向量机的核函数分类 |
| 2.3.3 多分类支持向量机的实现方法 |
| 2.4 生成对抗网络 |
| 2.4.1 生成对抗网络的基本原理 |
| 2.4.2 生成对抗网络的训练机制 |
| 2.4.3 生成对抗网络的优势与应用 |
| 2.5 本章小结 |
| 第3章 基于离散Shearlet变换和强可分性特征筛选的人脸表情识别方法 |
| 3.1 引言 |
| 3.2 本章方法框架 |
| 3.3 离散Shearlet变换及其冗余度分析 |
| 3.3.1 离散Shearlet变换 |
| 3.3.2 离散Shearlet变换冗余度分析 |
| 3.4 图像Shearlet变换低频和高频系数性能分析 |
| 3.4.1 变换域中图像低频系数的特性 |
| 3.4.2 变换域中图像高频系数的特性 |
| 3.5 强可分性特征的筛选 |
| 3.5.1 强可分性特征筛选函数的构建 |
| 3.5.2 离散Shearlet变换最佳变换尺度与方向的选择 |
| 3.6 实验结果与分析 |
| 3.6.1 实验环境 |
| 3.6.2 实验数据库的选择 |
| 3.6.3 表情图像预处理 |
| 3.6.4 表情图像的特征提取与选择 |
| 3.6.5 多分类支持向量机的构建及参数选择 |
| 3.6.6 强可分性特征筛选函数有效性验证 |
| 3.6.7 与现有方法的识别率对比实验 |
| 3.6.8 与现有方法的运行时间对比实验 |
| 3.7 本章小结 |
| 第4章 基于离散Shearlet变换和归一化互信息特征选择的人脸表情识别方法 |
| 4.1 引言 |
| 4.2 本章方法框架 |
| 4.3 基于离散Shearlet变换的表情图像特征系数提取 |
| 4.4 归一化的互信息特征选择方法 |
| 4.4.1 互信息特征选择的基本原理 |
| 4.4.2 改进的归一化互信息的特征选择方法 |
| 4.5 t-分布随机近邻嵌入降维处理 |
| 4.6 实验结果与分析 |
| 4.6.1 实验环境 |
| 4.6.2 实验数据库的选择 |
| 4.6.3 表情图像预处理 |
| 4.6.4 表情图像的特征提取与归一化的互信息特征选择 |
| 4.6.5 多分类支持向量机的构建及参数选择 |
| 4.6.6 t-分布随机近邻嵌入降维的可视化结果 |
| 4.6.7 改进的特征选择算法有效性验证 |
| 4.6.8 方法鲁棒性验证 |
| 4.6.9 与现有方法的对比实验 |
| 4.7 本章小结 |
| 第5章 基于生成对抗网络的遮挡人脸表情识别方法 |
| 5.1 引言 |
| 5.2 本章方法框架 |
| 5.3 遮挡人脸表情图像的分类识别网络 |
| 5.3.1 生成器网络功能与结构详述 |
| 5.3.2 鉴别器网络功能与结构详述 |
| 5.4 网络损失函数 |
| 5.4.1 加权重构损失函数 |
| 5.4.2 三连子损失函数 |
| 5.4.3 对抗损失函数 |
| 5.4.4 分类损失函数 |
| 5.4.5 总体损失函数 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境 |
| 5.5.2 实验数据库的选择 |
| 5.5.3 表情图像预处理 |
| 5.5.4 遮挡模拟图像数据库的建立 |
| 5.5.5 损失函数性能分析实验 |
| 5.5.6 模拟遮挡图像遮挡区域填补的可视化结果 |
| 5.5.7 真实遮挡图像遮挡区域填补的可视化结果 |
| 5.5.8 改进的生成对抗网络方法有效性验证 |
| 5.5.9 方法鲁棒性验证 |
| 5.5.10 与现有方法的对比实验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果和项目经历 |
| 致谢 |
（10）基于机器学习的赖氨酸翻译后修饰位点的计算预测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 蛋白质翻译后修饰数据库 |
| 1.2.2 蛋白质翻译后修饰位点的计算识别方法研究现状 |
| 1.2.3 现状分析 |
| 1.3 本文研究工作 |
| 第二章 机器学习 |
| 2.1 支持向量机算法 |
| 2.2 随机森林算法 |
| 2.2.1 决策树 |
| 2.2.2 随机森林 |
| 2.3 K近邻算法 |
| 2.4 K均值聚类算法 |
| 2.5 集成学习算法 |
| 2.5.1 Boosting |
| 2.5.2 Bagging |
| 第三章 琥珀酰化位点预测与分析 |
| 3.1 引言 |
| 3.2 PSuccE方法 |
| 3.2.1 数据的收集和整理 |
| 3.2.2 基于信息熵的特征提取方法 |
| 3.2.3 特征选择策略 |
| 3.2.4 双层支持向量机的集成学习分类器 |
| 3.2.5 性能评估标准 |
| 3.2.6 实验结果与分析 |
| 3.3 SSKM_Suc方法 |
| 3.3.1 数据集的构建 |
| 3.3.2 序列特征编码 |
| 3.3.3 基于随机森林的两步特征选择方法 |
| 3.3.4 K均值聚类 |
| 3.3.5 基于半监督学习的可信负样本选取 |
| 3.3.6 实验结果与分析 |
| 3.4 琥珀酰化蛋白的KEGG分析 |
| 3.5 结论 |
| 第四章 结合K近邻算法和半监督学习方法的甲酰化位点预测方法与分析 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 数据集的获取和处理 |
| 4.2.2 特征提取策略 |
| 4.2.3 基于半监督学习的可信负样本选取 |
| 4.2.4 K近邻分类器 |
| 4.3 实验结果和分析 |
| 4.3.1 最优参数选择 |
| 4.3.2 序列分析 |
| 4.3.3 负样本选取结果分析 |
| 4.3.4 不同分类器性能比较 |
| 4.3.5 甲酰化蛋白的Gene Ontology分析和KEGG分析 |
| 4.4 结论 |
| 第五章 基于改进极端梯度提升算法的戊二酰化位点预测方法 |
| 5.1 引言 |
| 5.2 材料和方法 |
| 5.2.1 数据集的收集和处理 |
| 5.2.2 特征提取策略 |
| 5.2.3 平衡正负样本比例策略 |
| 5.2.4 XGBoost算法 |
| 5.2.5 差分进化算法 |
| 5.3 实验结果与分析 |
| 5.3.1 特征分析 |
| 5.3.2 正负样本选取结果分析 |
| 5.3.3 XGBoost结果分析 |
| 5.3.4 与其他方法的性能比较 |
| 5.3.5 戊二酰化蛋白质分析 |
| 5.4 结论 |
| 第六章 在线预测平台 |
| 6.1 平台构建 |
| 6.2 翻译后修饰位点预测 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 附录表 |
| 在学期间公开发表论文及着作情况 |
四、基于支持向量机的数据库学习算法（论文参考文献）
- [1]基于改进支持向量机的混凝土面板堆石坝变形预测模型研究[D]. 张海洋. 西安理工大学, 2021
- [2]润滑材料数据库平台设计及机器学习性能预测方法研究[D]. 贾丹. 机械科学研究总院, 2021
- [3]核爆次声监测信号处理技术研究[D]. 吴涢晖. 军事科学院, 2021(02)
- [4]飞行前故障检测系统的设计与实现[D]. 牟煜明. 电子科技大学, 2021(01)
- [5]基于HSSVM与卷积神经网络的船舶避碰知识库研究[D]. 陈鹏. 大连海事大学, 2021(04)
- [6]基于机器学习的岩爆烈度等级预测模型研究与应用[D]. 田睿. 内蒙古科技大学, 2020(05)
- [7]基于云平台的光纤光栅睡眠监测系统[D]. 吴兆龙. 齐鲁工业大学, 2020(02)
- [8]基于支持向量机回归选股和波动率择时的量化产品设计[D]. 陈岸鹏. 中南财经政法大学, 2020(07)
- [9]人脸表情图像识别关键技术的分析与研究[D]. 卢洋. 吉林大学, 2019(02)
- [10]基于机器学习的赖氨酸翻译后修饰位点的计算预测与分析[D]. 宁乔. 东北师范大学, 2019(04)
标签：支持向量机论文; 机器学习论文; 预测模型论文; python机器学习论文; 分类数据论文;