一、一种基于后验概率判决的one-by-one快速相关攻击算法(英文)（论文文献综述）
周心远[1]（2021）在《端到端的中英文混合语音识别声学建模算法研究》文中认为伴随着全球化趋势的加剧,各国间文化贸易交流日益紧密,多语言混合使用已经成为日常生活当中的常见现象。作为人机交互的入口,现有的大多数最先进的语音识别系统都只专注于单语种语音识别,即它们一次只能处理一种语言,无法识别混合语言的语音。因此,构建能够识别混合语言语音的自动语音识别系统显得尤为重要。近年来基于DNN-HMM算法的系统成为语音识别声学建模的主流框架,但对于多语言混合语音识别任务,它有一些明显的局限性。首先,常规DNN-HMM语音识别系统是基于拼音、音标等一些声学单元建模,在不同语言之间的声学单元相互独立,且声学属性不同。通过多种不同语言的独立发音字典无法很好地建模不同语言声学属性之间的联系。其次由于混合语言语音的特殊性,语言转换处训练数据稀疏,DNN-HMM系统无法有效建模两种语言相接处的声学属性。因此,本文采用端到端（E2E）策略,搭建并研究基于Transformer框架和联合CTC训练的端到端中英文混合语音识别系统。其完全基于神经网络统一建模,省去DNN-HMM中词典、声学模型、语言模型等模块,能够对输入至输出整体优化;且端到端模型通常基于字符建模,建模单元不再完全与声学单元一一对应,能够模糊建模单元与声学属性之间的关联,使得网络能够自动平衡不同语言语音之间的相似性与区分性;同时由于端到端模型摆脱了独立性假设,能够学习到语言切换处的声学属性。进一步地,本文基于Transformer还创新性地提出了两种改进的方法。分别是:（1）基于Transformer框架提出基于自注意力与混合注意力机制的声学建模方法。（2）为了更好挖掘中英文两种语言之间声学上的共性和区分性,本文提出“多编码器-解码器Transformer”结构。本文中混合语言语音识别实验均基于国际公开的中英文混合语音识别数据集SEAME。实验结果证明,在SEAME数据集的两个测试集上,本文所提出的两种声学建模算法相对于基线标准Transformer系统及基线DNN-HMM系统,识别性能均有明显提升。
陈思[2]（2020）在《司法领域知识图谱构建及推荐应用的研究与实现》文中指出随着信息技术行业发展,人们通过分析现有数据,获得潜在的发展规律,提高社会各行各业的工作效率。在司法领域同样急需采用更加智能化的方法减缓法官及其专业人员的负担,使非专业人员也能及时获得相对专业的结果。因此,越来越多的研究人员开始探索如何利用案情描述等已知的信息进行智能化司法审判,缓解繁重的人力资源和时间资源。本课题通过结合司法知识图谱,将司法审判预测等价于多标签分类问题实现最终的预测。针对司法领域的专业特性,本课题利用罪名的定义描述信息作为实体选择的关键。另外,随着标签数量增加,现有特征抽取方法的表现会越来越差,而在司法智能预测领域,大空间的标签集合已经影响到案情描述文本特征抽取的精准度。因此,通过分析现有算法的不足,本课题提出以下两个创新点。首先,本课题提出结合司法图谱的罪名预测算法。通过建立一个司法图谱将所有罪名信息融合到一个统一的法律图谱中,再基于司法图谱,设计了四种类型的罪名空间关系以捕获罪名之间的信息。然后,司法图谱嵌入这些关系以学习鲁棒的罪名向量表示。最后,罪名向量表示和事实表示被共同输入到基于注意力机制的神经网络中进行预测。通过在三个真实数据集上进行实验,证明了该模型的有效性。其次,本课题提出了司法领域基于多维度的文本特征抽取算法。不同位置的卷积结果应具有不同的重要性,因此,通过利用自我注意机制为不同位置的不同卷积结果分配不同的权重,并在模型中添加一个长短期记忆神经网络以获得全局特征,最终得到多维度的文本特征表达以实现更好的预测效果。在七个公开数据集上进行实验,证明了该特征抽取方法的有效性。最后,本课题设计并实现了一个原型系统。主要包括两个模块:一个是图谱可视化模块,可以查看司法图谱可视化展示,也可以实现关键词的搜索功能。另一个是司法罪名预测模块,里面集成了所有的模型研究成果,可以根据用户输入的案情事实描述,对案情结果进行预测,生成咨询意见。
朴祥[3]（2020）在《社交网络恶意用户识别检测方法研究与实现》文中认为微博作为一种流行的社交网络工具,吸引了众多网民的使用和参与,加快了信息的传播,提升了互联网的经济价值。与此同时,一些恶意用户的行为,也对人们造成了伤害,对虚拟网络环境和现实社会带来了恶劣的影响。如何有效识别出这些恶意用户,一直是社交网络建设和发展中的一个重要问题和热点研究方向。本文以新浪微博为对象,研究微博恶意用户的识别方法,从用户特征分析和构建学习模型的角度,对恶意用户进行识别。主要工作包括:首先进行特征数据集的获取和整理,在进行人工数据标注的基础之上,利用半监督聚类算法进行数据标注,并对原始特征提取和目的进行分析。引入了SVMRFE,基于随机森林的特征选择方法和PCA降维三种特征分析方法,并逐一进行了实验,挑选出各方法的最佳特征集合。其次,引入了两种机器学习模型。第一,在实现先前流行的机器学习模型基础之上,引入了集成学习性能较为突出的XGBoost算法,对其原理和特征选择策略进行了介绍。第二,以传统全连接神经网络为基础,根据微博用户特征的关联分析,提出了一种基于特征关联性的集成神经网络（INN-FA）,并对Adam优化器进行了介绍。实现了两类模型的搭建与验证。通过比较普通机器学习算法和集成学习模型,并与全部微博原始特征集和不同特征选择算法筛选出的特征集合进行交叉实验,得出集成学习方法普遍优于普通机器学习算法,并且SVM-RFE+XGBoost组合方法可获得96.54%F值的最佳性能。在特征选择方法对比上,SVM-RFE的普适性要优于基于随机森林的特征选择和PCA方法。针对神经网络模型的比较,采用Tensorflow深度学习框架搭建Adam+INN-FA模型,对比特征选择前后的全连接深度神经网络和使用传统梯度下降方法的INN-FA模型,以95.49%的F值验证了Adam+INN-FA模型在识别性能上的有效性。同时该模型的独特优势在于能够降低结构复杂度,增强了特征输入灵活性。最后,为了进一步验证提出模型的通用性,选取Twitter公开数据集对模型进行验证,实验结果表明,使用全部30个原始特征,在神经网络的对比上,Adam+INNFA模型的性能媲美全连接神经网络,同时XGBoost算法在全部数据集上的性能最好,略优于原作者提出的随机森林模型。进一步对该数据集进行特征选择,保留了8个重要特征的SVM-RFE+XGBoost组合方法仍能以97.68%的F值优于其他特征选择组合模型和使用原始数据集的其他模型,证明了该组合模型的有效性。
曹学飞[4]（2020）在《基于BiLSTM的汉语框架语义角色识别方法研究》文中提出语义分析是自然语言处理领域多年来研究的热点和难点问题,也是当前机器翻译、信息检索、搜索引擎等应用系统面临的主要技术瓶颈。汉语框架语义角色识别是面向汉语的框架语义分析中一个重要环节。目前,基于双向长短期记忆的神经网络（BiLSTM）在语义角色识别与标注任务上使用较多,并且取得了很好的效果。但该类模型也存在着一些问题,如模型的预测结果并不稳定,可复现性较差;在大的语料上训练模型需要很大的计算开销;模型的性能也和输入端特征的设置紧密相关等。为此,本文研究基于BiLSTM模型进行汉语框架语义角色识别任务的建模方法,重点研究建模中的超参数调优和模型输入端特征的表示学习的改进方法。本文将当前词、当前词的词性、目标词和当前词相对目标词的位置信息4个输入端特征,以及BiLSTM层次数目、模型顶层是否添加CRF分类器2个模型架构的设计选项,统一做为模型的超参数。传统的超参数调优方法,一般都将完整语料按照所谓标准的8:1:1比例切分,采用超参数逐个加入模型的贪心策略来选到最优的超参数组合,但该方法计算开销大,结果依赖超参数进入模型的顺序,稳定性较差。为此,本文提出了一种基于稳健设计的模型超参数调优方法,该方法只需要在较小的语料上以3×2交叉验证方法来安排实验,在每组超参数配置下,可同时获得模型性能评价指标估计的均值和方差,再采用稳健设计的思想,以模型性能指标的信噪比为优化目标来选择模型的超参数的最优配置组合。对比实验结果表明,本文的小语料上的调优方法优于传统的在完整语料上8:1:1切分的基于贪心策略的调优方法,且本文的调优方法还可以使用方差分析方法（ANOVA）定量分析得到哪些超参数对模型性能指标有显着影响,使得选出的最优超参数配置模型具有一定的可解释性。本文对模型输入端特征的表示学习,提出了三种改进方法。其一是对当前词特征的GloVe表示学习方法进行了改进,提出了一种校正GloVe的词表示学习方法,基于Zip’f分布对GloVe的共现矩阵中的共现频次进行校正从而学习到更高精度的词向量。其二是给出了一种能区分左、右上下文信息的GloVe的词表示学习方法,分别基于左、右窗口内的上下文信息统计得到两个共现矩阵,然后基于这两个共现矩阵使用GloVe模型学习得到蕴含左侧和右侧上下文信息的的词向量,该词向量可有效融入当前词相对于句中目标词的左右位置信息。其三是提出了一种基于框架排歧任务的框架表示学习方法,该方法学习到的框架表示能最大化区分同一个词元激起的不同框架,有效地将目标词的框架表示信息融入到模型中。实验结果表明,这三种改进方法,都不同程度地提升了语义角色识别模型的性能。本文方法为基于深度神经网络模型的其他自然语言处理任务建模中的超参数调优和输入端特征的表示学习问题提供了新的解决思路。
周鑫宇[5]（2020）在《基于癌症数据的子空间聚类算法及DNA甲基化调控基因表达的泛癌分析》文中指出癌症的恶性转化是一个多步骤的过程,在此过程中积累了大量的分子变化。这些分子的变化与肿瘤微环境相互作用,影响肿瘤内的细胞功能。目前,大量的基因变异的记录,但是,基因的改变不足以解释癌症中普遍存在的基因表达改变和细胞功能改变,有报道称表观遗传改变可以取代基因改变导致肿瘤抑制基因[1]的基因表达改变。表观遗传改变是一种可遗传的性状,通过干扰与DNA序列无关的基因表达而影响表型[2,3]。近几十年来,具有功能影响的表观遗传改变已经成为人们关注的关键目标,值得注意的是,新兴的表观遗传疗法可以逆转癌症的特定表观遗传改变[4-7]。随之而来的挑战是肿瘤内部的异质性加剧了个体间异质性的影响,这进一步模糊了表观遗传调节剂与癌症基因表达之间的潜在功能关系。由此,本文设计了一种方案来促进癌症表观遗传学在肿瘤内外的异质性的研究,阐明了不同的表观遗传机制之间的关系以及他们的基因表达协同作用。本文通过大量分析基因表达数据和DNA甲基化数据,并将它们逐一分解之后,使用本文开发的RMR算法去掉影响最大的离散值,试图拟合出两种相关的调控关系。最终找到在癌症中隐藏的表观遗传变异来源。同时为了进一步了解那些受到改变的基因是如何协同表达的,本文为此开发了一种适用于癌症数据的子空间聚类算法,该算法采用自下而上的搜索策略,通过加入空间结构信息,在扫除大量干扰之后找到数值全为1的数据块,这些数据块能够映射到共同作用的基因对。经过本文的研究,我们发现,DNA甲基化既能促进基因的表达也能够抑制基因的表达。因此,进一步的研究哪些DNA甲基化能够有效的抑制癌症,这将有助于我们研发癌症的新疗法,生产能够对于抑制肿瘤增长的药物。同时,在经过对受调控作用明显的基因表达数据的子空间聚类算法之后,本文发现了基因表达的协同作用,这些基因的变异往往是共同发生,且集中在部分患者之上。我们可以追溯这些能够协同作用的基因是否跟某种生物功能相关,这项发现有助于我们发现基因突变的内在关联,也为最终能够找到更有效的抑制癌症的治疗方案提供新的思路。
王警予[6]（2020）在《基于视觉显着性的红外弱小目标检测》文中提出红外弱小目标检测一直以来在红外预警和精确制导等方面有着广泛应用,是国防建设中的重要手段。为了迎合战争的需要,为防御系统赢得更多的反应时间,必须尽量早的检测到目标。由于红外弱小目标没有颜色,纹理等特征,而且距离较远,成像面积较小,这给进行检测的过程中加大了难度。因此,如何在距离较远,有众多干扰因素的环境下发现红外弱小目标,从而为防御系统争取更多的时间,是国防技术突破的重中之重。本文概括叙述了红外成像机理,对目标周围的干扰特性,目标特征以及噪声特性展开剖析,介绍了几种常用的红外图像预处理的方法,讨论了几种红外弱小目标检测算法,主要讨论内容包括以下几点:（1）对红外成像原理从红外辐射理论和红外成像系统等多方面展开了阐述,叙述了红外成像的机理,通过数学建模,分析红外图像目标周围的环境特点。从频域滤波以及空域滤波方面详细讨论了红外图像预处理的手段。这些相关的机理研究,给后面针对性红外弱小目标检测算法的提出和完善奠定了理论依据。（2）针对传统局部对比度度方法遍历全图像,逐个点计算导致效率比较低以及容易受噪声影响造成虚警点的问题,提出改进的图像局部对比度的红外弱小目标检测方法,在基于图像局部信息熵的显着性图范围内进行改进的局部对比度操作,大大节省了时间,提高了计算效率,同时也大大减少了虚警的产生。（3）针对人类视觉显着性是基于人类视觉注意的特点,我们可以看作是红外图像中显着性部分的求解,从将它转化为红外图像对应灰度矩阵的稀疏部分求解问题。我们将包含弱小目标的红外图像按列组合成对应的矩阵,对得到的矩阵进行稀疏低秩分解,通过对构建的稀疏矩阵进行求解得到显着性图,对显着性图进行阈值分割得到红外弱小目标。（4）针对谱残差算法虽然计算简单,效率高,但具有一定的局限性的问题,提出改进的谱残差算法。对红外图像进行水平和垂直方向特征提取,在水平和垂直方向上进行谱残差运算,在将得到的结果图显着性融合得到显着性图。最后通过模糊C均值聚类分割得到红外弱小目标。实验测试数据和相关的评价指标进一步表明,上述的算法在一定程度上提高红外弱小目标检测的效率,降低了虚警率。同时,也为后续红外弱小目标检测算法的提出和完善奠定了坚实的基础。
于海洋[7]（2019）在《在线预测的极限学习机方法研究》文中认为在线预测一直是智能信息处理领域的前沿课题,在异常诊断、系统控制、信号监测和行为推理等工程问题中具有重要的应用价值。机器学习通过数据驱动的方式建立表征数据关系的非线性模型,能够对新数据做出有效预测。作为机器学习的代表性方法,极限学习机由于具有理论解析解和收敛速度快的优势,适用于具有海量、多样、高速和真实等特征的大数据环境。在实际场景中,由于实时采样的业务需求和计算机缓存的限制,数据呈现出逐个到达或片段式到达的特点,形成实时数据流。复杂多变的流式数据要求模型能根据当前数据片段的预测结果自动调整结构,无需人工参数调整和学习模型的重新训练,这对预测算法的有效性和适应性提出了挑战。极限学习机通过模拟人类学习行为,建立多层神经元连接结构,表征属性和标签的映射关系,实现具有语义特征的智能信息处理。在训练阶段,利用M-P广义逆计算输出权重,避免了繁杂的参数遍历过程。其中自适应极限学习机、惩罚加权极限学习机等能够有效解决复杂函数逼近问题,已经成功应用于离线预测。但是随着数据的累积,数据结构会随着时间显着变化,导致离线预测方法失效。如何建立参数和结构自动调整的在线预测模型,适应变化环境的学习任务仍有待深入研究和进一步完善。本文考虑不同类型的数据标签和不同结构的属性集合,围绕在线预测的极限学习机方法展开研究,解决长期累积数据、时变的不平衡标签、自增长特征空间和非结构化图像序列的在线预测问题,旨在提高机器学习方法在变化环境中的鲁棒性和适应性,探索大规模数据在线预测的新方法。论文的主要创新性工作如下:（1）针对长期预测中模型自动调整问题,提出了平衡方差和偏差的动态ELM方法,解决了经典ELM预测模型依赖初始结构,无法定量调整的问题。该方法引入了关于拟合程度的度量参数,将时间序列的误差进行分解,比较了方差和偏差的变化,实现了对过拟合和欠拟合的定量表达;建立平衡拟合能力和自由度的惩罚回归模型,采用粒子群算法实现了隐层节点数目和正则化参数的联合优化,形成了自动更新策略,避免了交互式的参数调整,保证了预测模型适用于长期在线预测。实验结果表明所提方法能够适应数据变化趋势,与代表性的在线预测方法相比,所提方法在4组不同属性维度的UCI标准数据中具有更低的泛化误差和更高的相关系数。（2）针对多类样本标签不平衡序列在线预测问题,提出了基于两步博弈的集成动态ELM方法,解决了数据标签平衡度偏移和重构数据不准确的问题。该方法采用了数据处理和模型更新联合策略,进而自动匹配样本的结构变化;在数据处理阶段,采用动态ELM博弈模型生成少数类样本,平衡不同类别样本分布;与传统的重采样方法不同,所提方法融合了零和博弈策略和主成分分析阈值判决,保证了每个样本片段的真实性;在模型更新阶段,利用信息熵量化整体的拟合程度,建立了权重与损失程度之间的关系,并采用博弈论中的集合模型计算组合权重,形成了稳定的网络体系结构,避免将多分类问题转化为多个二分类造成的模型适应性差的问题,提高了模型对快速变化数据的拟合效果。实验结果表明,在6组多类不平衡UCI标准数据集中,所提方法具有更高的G-mean和F-measure值,改善了动态ELM方法对少数类样本的预测能力。（3）针对特征维度增加的非平稳序列在线概率预测问题,提出了基于分位数估计的动态ELM方法,解决了非平稳序列特征维度增加,置信区间表征单一的问题。对于期望值的点预测,该方法考虑了不断增长的特征空间,定义特征向量和标签的相似度作为特征阈值,实现了对新特征的在线提取;建立集成学习模型,通过人工蜂群算法进行联合优化,得到最优的参数解向量,减少了输入层权重和偏置的随机性;根据片段平均误差调整模型过滤阈值,提高了模型的紧凑性。对于置信区间预测,该方法采用模糊推理和二维核密度估计判决预测值的置信区间,突破了误差必须满足特定概率分布的局限,得到平滑的概率密度表达。选取表征光伏电能转化情况的典型非平稳数据进行实验,结果表明,所提方法获得了较高的泛化性能和置信度,匹配了非平稳序列的周期性和波动性。（4）针对非结构化的图像序列在线预测问题,提出了基于目标主轨迹的多层ELM方法,解决了小样本图像序列特征难表征以及模型和语义无法关联的问题。该方法充分考虑了图像的时空特性,采用帧差法和k-means聚类分析,实现了不同运动目标的像素级提取;利用二阶指数平滑方法,计算每一个运动目标的主轨迹,实现对多个目标运动趋势的预测;通过多层ELM量化形状特征,建立历史序列和当前图像感兴趣区域的映射关系,重构了新的感兴趣区域,保证了新图像的真实性;利用FISTA方法加快了参数优化的收敛速度,简化了深度神经网络的求解过程。选取表征行人和车辆运动状态的图像序列进行实验,结果表明,所提方法提高了在线预测的准确性和图像分辨能力,有效挖掘了图像序列整体的语义特征,无需对每一个像素点建立模型,提升了预测效率。
方思维[8]（2019）在《社交网络中舆论演化的因素及其影响力研究》文中进行了进一步梳理目前中国网民规模已经超过8亿,庞大的网民数量使得我国的社交网络规模也不断飞速扩张。以微博、微信等为代表的社交网络已经成为舆论传播和影响力扩散的主要平台。社交网络中的舆论从一定程度上可以看作是真实社会民意的集中体现,但由于网民发表观点带有很强的主观性,加之缺乏有效监管,使得网络舆论演化可能朝着消极负面的方向发展,对社会稳定造成不利影响。消除网络舆论的负面影响,更好地发挥网络舆论的积极影响,对国家和社会都具有非常重要的意义。但是有效利用网络舆论造福社会是以深入理解网络舆论内在规律和机制为前提的。因此,本文对于社交网络中舆论演化的因素及其影响力研究具有重要的理论和现实意义。本文紧密围绕着网络舆论演化的因素及其影响力研究这一主题,结合社交网络特征,从多信息的关注度变化、网络舆论的演化过程两个方面进行研究。将社交网络中舆论的形成和演化过程串联在一起进行分析,提出符合网络实际情况的数学模型并对模型进行仿真实验,进一步探究网络舆情作用机制。本文的研究内容及创新点主要包括:1.提出多信息关注度耦合模型。信息能否吸引网民足够的关注度决定了舆论最终能否形成以及舆论的周期和影响力大小。针对真实社交网络中普遍存在的多信息之间相互耦合作用及多信息的关注度问题,提出了多信息关注度耦合模型。本文致力于从用户和信息的自身属性出发进行分析,结合主流网络信息平台中多数用户感知和关注热点新闻信息的特点,构建出一个符合人与信息交互实际情况的网络环境,提升了模型的适用性。为了提高模型的准确性,使得模型更加契合实际情况,本文创新性地为模型中的部分参数创建了参数映射表。参数映射表建立的依据是真实新闻事件的历史数据,所以对于更多类型的新闻事件依然适用。这使得模型的可扩展性变强。模型仿真结果和实际数据对比验证了模型的相对准确性。本文这部分研究为多信息关注度的研究提供了新的思路和方法。2.提出基于负面情绪主义的群体劝说舆论演化模型。不同网络群体的观点直接构成了网络舆论。针对不同类型的网络群体,本文提出基于负面情绪主义的群体劝说舆论演化模型。模型重点研究个体和群体观点交互过程以及微观和宏观互相转换的过程。重新制定了更加符合社交网络特征的网民观点交互规则,避免个体观点的交互过程过度依赖周围邻居节点的状态和网络拓扑结构的情况。模型将个体决策的影响因素划分为个体自身多种属性值、网络群体劝说影响力以及权威机构的介入影响力三个方面。同时,创新地将个体的异质性特征和有限信任理论进行结合提出个体观点差异度阈值的个性化表达式,避免了阈值同质化现象的出现。最后,改进元胞自动机的元胞状态改变规则,将改进后的元胞自动机模型结合数学模型并用于仿真实验。实验的结果和真实新闻事件分析数据对比,误差在可接受范围内,验证了模型的相对准确性。本文这部分研究对于进一步揭示网络舆论演化机制有着积极意义。3.针对各项影响因素进行实验和结果分析。文章对可能影响网民关注度和影响网络舆论演化的一些因素进行了总结,包括信息类型、内容敏感度、更新信息的内容相关性、负面情绪主义群体、权威机构介入、共同作用因素、信息接收概率。通过本文已经提出的多信息关注度耦合模型和基于负面情绪主义的群体劝说舆论演化模型作为数学基础,利用MATLAB软件作为仿真平台,对各项影响因素逐一进行对比仿真实验,将实验结果作为判定各项因素影响力大小的依据,进而帮助完成本文研究的最终目标。
拓世英[9]（2017）在《阵列信号序贯检测与快速测向方法研究》文中研究指明随着雷达、通信等电子设备的快速发展和广泛使用,空间电磁环境日益复杂,电磁信号呈现出典型的频域交叠、时域交错、空域交织特点。阵列信号处理技术具有同时多信号处理和空域邻近信号超分辨等多方面优势,近年来在学术界和工业界受到了持续关注。为了及时准确地掌握空间谱的动态变化信息,为电磁频谱管理、动态频谱接入等应用提供信息支持,有必要深入研究延迟时间短、处理效率高的阵列信号检测与测向方法,以满足实时和近实时的空间谱信息获取需要。特别是在星载、无人机载等计算资源严重受限的阵列平台上,减小阵列处理的计算量,并尽可能采取序贯处理的方式将计算负担分摊到整个采样时间内,对增强此类系统的实际可用性显得尤为重要。本文围绕阵列信号序贯检测与快速测向问题展开研究,力图从两个方面提高阵列处理的时效性。一是对阵列观测数据进行序贯处理,实现对空间谱动态的及时掌握,并尽可能提取各信号的方向信息;二是基于现有大多数阵列测向系统的组成结构,在获得信号采样数据之后,采用快速测向方法尽快给出信号波达方向估计结果。基于这两方面的考虑,论文研究了对阵列信号的序贯检测与测向方法,以及一维和二维方向的快速估计方法。信号检测与截获是阵列接收机获取有效采样数据和进行测向处理的前提。为了解决这一问题,论文首先在未知信号入射方向和到达时间的前提下,引入子空间追踪技术,提出了一种阵列信号序贯检测方法。与以往基于阵列观测协方差矩阵特征分解的信号检测与源个数估计方法不同,新方法中主要包含计算量小、并行性强的线性相关运算,避免了大计算量的矩阵分解运算,计算效率显着提高。新方法对顺序接收的观测数据逐个快拍进行处理,以时效性更强的方式积累信号能量,突破了协方差矩阵分解方法检测时延受限于观测数据积累时间窗宽度的限制。论文理论分析了序贯检测方法的检测概率、检测时延和对应的测向精度等技术指标,给出了该方法在观测噪声方差已知和多信号场景中的不同实现形式。基于信号检测之后采集的阵列观测数据,论文进一步研究了对阵列信号一维方向的快速估计问题,分多快拍和单快拍场景分别提出了相应的解决方法。在多快拍条件下,引入传播算子快速估计阵列观测数据的信号子空间,并据此建立关于各信号入射方向的低阶特征方程,该方程的阶数与入射信号个数相等,最后通过求解该低阶方程实现了对信号方向的估计。整个处理过程较好地回避了传统子空间测向方法中计算量较大的协方差矩阵分解和空域搜索步骤,代之以计算效率更高的低阶运算和数值解算,阵列测向过程的计算量显着减小。针对单快拍条件下的阵列测向问题,引入匹配追踪和迭代优化技术,首先得到两个同时入射信号的角度预估值,随后将该预估结果作为初始值进行迭代优化,得到了更高精度的测向结果。该部分研究为单快拍阵列测向这一难点问题提供了一种较为高效的解决方案。针对阵列信号的快速二维测向问题,论文基于广泛研究的L形阵列加以解决。首先将L形阵列在两个正交维度上分解为两个线性子阵,提出高效的一维测向方法估计入射信号在两个维度上的方向参数。随后着重研究了多个信号同时入射时两个维度方向参数的无模糊配对问题,分别提出了基于两子阵观测数据协方差矩阵的方位角-俯仰角配对方法,以及基于信号功率估计的配对方法。这两种方法在实际环境中可以组合运用,以得到最优效果。借助严格的计算量分析,证明了新方法相对于已有方法的计算效率优势。在阵列处理系统计算资源相对宽裕的情况下,论文最后提出了一种基于信号空域稀疏性的序贯检测与测向方法,发挥贝叶斯稀疏重构类方法在噪声抑制方面的性能优势,并对稀疏重构过程进行结构优化和数学简化,采用高效的序贯处理方式逐步提取观测数据中的信号信息,最终恢复出了动态变化的整个空间谱。重构空间谱中包含了任一时刻的信号个数与方向、各信号的起止时刻等完整信息,这是阵列信号处理领域和稀疏重构领域首次得到类似结果。该方法经适当修正后,可以较好地从窄带信号扩展至宽带信号。
张树华[10]（2017）在《基于内容和用户标识的混合型垃圾弹幕识别与过滤研究》文中研究说明随着互联网的不断发展和推进,网络信息技术的快速发展为电影、电视剧、综艺节目等视频内容创作开启了一个崭新时代。网络在线视频已经在人们观看视频过程中占据了重要地位,成为大众视频消费的主流。“弹幕”因其高互动性和娱乐性开始进入人们的视野,弹幕是指用户在视频网站上观看视频时,可以直接将评论发送并显示在屏幕上方的一种显示方式。在国内最早使用弹幕技术的是动漫圈内的视频吐槽网站Acfun（A站）和bilibili（B站）,随着弹幕的发展,弹幕也不再仅仅使用在弹幕视频网站中,如今,国内弹幕应用虽然火爆,但是国内弹幕文化和技术的整体发展时间较短,当前针对弹幕的研究还相对匮乏,对弹幕的有效管理与研究还较少。本文以提高用户的弹幕使用体验为目的,探讨对弹幕文本的识别与处理,提出一种新的基于内容和用户身份标识的混合型垃圾弹幕识别算法,对已有算法进行改进,以更好的引导我国弹幕文化的积极发展,改善用户在使用与观看弹幕时的用户体验,提高网站的用户使用度和黏性,绿化弹幕使用环境。本文针对弹幕文本特征进行分析,对比以往垃圾文本识别研究中较多涉及的邮件以及短信等文本类型,总结出弹幕文本的自身特征,结合其自身特性以进一步加深垃圾弹幕识别的研究。结合弹幕文本自身特点,本文以基于内容的文本分类算法和基于用户身份标识的分类算法为基础展开研究,在已有研究基础上提出一种新的基于以上两种文本分类算法相结合的混合型垃圾弹幕识别算法,并据此进行垃圾弹幕识别与过滤。本文利用从土豆网热播电视剧《琅琊榜》中爬取的弹幕数据作为数据来源进行试验分析,以验证本文提出算法模型的表现效果。通过实验研究可以看出,本文提出改进算法能够有效提高垃圾弹幕识别的准确性。
二、一种基于后验概率判决的one-by-one快速相关攻击算法(英文)（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、一种基于后验概率判决的one-by-one快速相关攻击算法(英文)（论文提纲范文）
（1）端到端的中英文混合语音识别声学建模算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语表 |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 研究历史和现状 |
| 1.3 论文主要内容和章节安排 |
| 第2章 基于DNN-HMM的语音识别算法 |
| 2.1 语音识别基本原理 |
| 2.2 特征提取 |
| 2.2.1 FBank特征提取 |
| 2.2.2 MFCC特征提取 |
| 2.3 声学模型 |
| 2.4 语言模型 |
| 2.5 评判标准 |
| 2.5.1 困惑度 |
| 2.5.2 语音识别错误率 |
| 2.6 实验设置 |
| 2.6.1 实验所用数据集 |
| 2.6.2 实验参数 |
| 2.7 实验结果 |
| 2.8 本章小结 |
| 第3章 基于Transformer框架的端到端系统 |
| 3.1 端到端自动语音识别 |
| 3.2 Transformer语音识别系统 |
| 3.2.1 编码器与解码器 |
| 3.2.2 注意力机制 |
| 3.2.3 位置相关的全连接前馈网络 |
| 3.2.4 位置编码 |
| 3.3 连接时序分类(CTC) |
| 3.3.1 目标函数 |
| 3.3.2 基于CTC的网络训练 |
| 3.3.3 基于CTC的网络解码 |
| 3.4 基于Transformer和 CTC的语音识别系统 |
| 3.5 实验设置 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第4章 基于自注意力与混合注意力机制的Transformer结构 |
| 4.1 解码器 |
| 4.1.1 解码器结构 |
| 4.1.2 自注意力与混合注意力机制 |
| 4.2 多目标学习 |
| 4.3 实验设置 |
| 4.3.1 数据集 |
| 4.3.2 参数配置 |
| 4.4 实验结果及分析 |
| 4.5 小结 |
| 第5章 多编码器-解码器Transformer的声学建模 |
| 5.1 多编码器-解码器Transformer结构 |
| 5.2 预训练机制 |
| 5.3 实验设置 |
| 5.3.1 数据集 |
| 5.3.2 参数配置 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）司法领域知识图谱构建及推荐应用的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关技术研究现状 |
| 1.2.1 司法智能审判中的常用预测算法 |
| 1.2.2 注意力机制在司法智能审判中的发展 |
| 1.2.3 结合知识图谱推荐的常用模型结构 |
| 1.3 研究内容 |
| 1.3.1 基于司法图谱的罪名预测算法研究 |
| 1.3.2 司法领域基于多维度的文本特征抽取算法研究 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关技术和相关概念 |
| 2.1 深度学习 |
| 2.2 文本表示方法 |
| 2.2.1 基于向量空间的表示方法 |
| 2.2.2 基于主题模型的表示方法 |
| 2.2.3 基于神经网络的表示方法 |
| 2.3 注意力机制 |
| 2.3.1 注意力机制原理 |
| 2.3.2 注意力机制分类 |
| 2.4 知识图谱构建方法 |
| 2.4.1 实体相关构建方法 |
| 2.4.2 关系相关构建方法 |
| 2.5 本章小结 |
| 第三章 基于司法图谱的罪名预测算法研究 |
| 3.1 引言 |
| 3.2 模型和算法 |
| 3.2.1 问题定义描述 |
| 3.2.2 司法图谱构建 |
| 3.2.3 基于注意力机制的罪名预测模型 |
| 3.2.4 学习和预测 |
| 3.3 实验设置 |
| 3.3.1 数据集介绍 |
| 3.3.2 基线模型介绍 |
| 3.3.3 评估指标 |
| 3.3.4 实验细节 |
| 3.4 实验结果 |
| 3.5 分析与讨论 |
| 3.5.1 消融测试 |
| 3.5.2 案例研究 |
| 3.6 本章小结 |
| 第四章 司法领域基于多维度的文本特征抽取算法研究 |
| 4.1 引言 |
| 4.2 模型和算法 |
| 4.2.1 基于多维度的特征抽取模块 |
| 4.2.2 k-max池化层 |
| 4.2.3 学习和预测 |
| 4.3 实验设置 |
| 4.3.1 问题定义 |
| 4.3.2 数据集介绍 |
| 4.3.3 基线模型介绍 |
| 4.3.4 评估指标 |
| 4.3.5 实验细节 |
| 4.4 实验结果 |
| 4.5 分析与讨论 |
| 4.5.1 消融测试 |
| 4.5.2 司法预测任务测试 |
| 4.6 本章小结 |
| 第五章原型系统设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 系统设计 |
| 5.3.1 整体架构设计 |
| 5.3.2 系统模块设计 |
| 5.3.3 系统司法预测流程设计 |
| 5.3.4 系统功能模块设计 |
| 5.4 系统功能测试 |
| 5.4.1 司法智能审判功能测试 |
| 5.4.2 司法图谱可视化功能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（3）社交网络恶意用户识别检测方法研究与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 论文背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 2 相关技术 |
| 2.1 恶意用户特点与识别流程 |
| 2.2 特征选择方法 |
| 2.3 PCA降维技术 |
| 2.4 机器学习典型算法 |
| 2.4.1 kNN算法 |
| 2.4.2 朴素贝叶斯算法 |
| 2.4.3 决策树算法 |
| 2.5 集成机器学习算法 |
| 2.5.1 Bagging算法 |
| 2.5.2 Boosting算法 |
| 2.6 神经网络 |
| 2.7 小结 |
| 3 特征选择方法与恶意用户识别模型 |
| 3.1 特征数据获取 |
| 3.2 初始特征定义与分析 |
| 3.2.1 微博用户图形特征 |
| 3.2.2 微博用户内容特征 |
| 3.2.3 微博用户行为特征 |
| 3.2.4 微博用户使用时段特征 |
| 3.3 特征选择 |
| 3.3.1 SVM-RFE算法 |
| 3.3.2 基于随机森林的特征选择方法 |
| 3.4 主成分分析 |
| 3.5 XGBoost与特征选择 |
| 3.5.1 算法原理 |
| 3.5.2 特征重要性度量 |
| 3.6 恶意用户识别模型INN-FA |
| 3.6.1 模型细节 |
| 3.6.2 Adam优化器 |
| 3.7 本章小结 |
| 4 模型分析与评价 |
| 4.1 评价指标 |
| 4.2 实验环境与模型参数配置 |
| 4.3 特征选择前后模型分析 |
| 4.4 INN-FA模型实验分析 |
| 4.5 Twitter公开数据分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于BiLSTM的汉语框架语义角色识别方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的统计机器学习方法 |
| 1.2.2 神经网络方法 |
| 1.3 汉语框架语义分析架构 |
| 1.3.1 框架语义学 |
| 1.3.2 Frame Net简介 |
| 1.3.3 汉语框架语义知识库介绍 |
| 1.3.4 汉语框架语义分析模型 |
| 1.4 本文的主要研究问题、思路和组织结构 |
| 第二章 基于Bi LSTM的语义角色识别模型 |
| 2.1 汉语框架语义角色识别任务 |
| 2.2 双向长短期记忆网络 |
| 2.3 基于Bi LSTM的语义角色识别模型 |
| 2.4 评价指标的3×2交叉验证估计和模型比较的Bayes检验 |
| 2.4.1 精确率(P)、召回率(R)和F_1值 |
| 2.4.2 3×2交叉验证 |
| 2.4.3 3×2 交叉验证下P、R和F_1值的分布函数及置信区间 |
| 2.4.4 模型比较的Bayes假设检验 |
| 2.5 实验结果与分析 |
| 2.5.1 实验设置 |
| 2.5.2 实验结果 |
| 2.6 本章小结 |
| 第三章 基于稳健设计的Bi LSTM语义角色识别模型的超参数调优方法 |
| 3.1 问题描述 |
| 3.2 基于稳健设计的超参数调优方法简介 |
| 3.3 模型的超参数 |
| 3.4 稳健设计 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 超参数的最优配置组合 |
| 3.5.3 超参数(因子)对性能指标F_1值影响的定量分析 |
| 3.6 与 8:1:1 切分语料得到的实验结果的比较 |
| 3.7 本章小结 |
| 第四章Bi LSTM语义角色识别模型中特征的表示学习的改进方法 |
| 4.1 一种校正的GloVe的词表示学习方法 |
| 4.1.1 词表示学习简介 |
| 4.1.2 校正GloVe的理论基础 |
| 4.1.3 校正GloVe模型的具体方法51 |
| 4.1.4 实验结果与分析 |
| 4.2 区分左右上下文信息的GloVe词表示学习方法 |
| 4.2.1 问题描述 |
| 4.2.2 区分左右上下文信息的词表示学习方法 |
| 4.2.3 实验结果与分析 |
| 4.3 框架表示学习 |
| 4.3.1 框架排歧介绍 |
| 4.3.2 框架的表示学习方法 |
| 4.3.3 框架排歧任务的实验结果 |
| 4.3.4 框架语义角色识别任务的实验结果 |
| 4.4 本章小结 |
| 第五章 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（5）基于癌症数据的子空间聚类算法及DNA甲基化调控基因表达的泛癌分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 DNA甲基化和基因表达研究的国内外现状 |
| 1.2.2 回归分析相关研究国内外现状 |
| 1.2.3 聚类分析相关研究国内外现状 |
| 1.3 研究内容及论文安排 |
| 1.3.1 本文解决的问题及创新 |
| 1.3.2 本文的研究内容和章节安排 |
| 1.4 本章小结 |
| 第2章 理论基础 |
| 2.1 生物学背景理论基础 |
| 2.1.1 DNA甲基化与癌症 |
| 2.1.2 基因表达与癌症 |
| 2.1.3 代谢通路(PATHWAY) |
| 2.1.4 富集分析 |
| 2.1.5 GPG岛 |
| 2.2 回归分析的理论基础 |
| 2.2.1 回归分析 |
| 2.2.2 EM算法 |
| 2.2.3 极大似然估计 |
| 2.2.4 贝叶斯准则 |
| 2.3 聚类分析理论基础 |
| 2.3.1 K-MEANS(K均值)聚类 |
| 2.3.2 双聚类 |
| 2.3.3 子空间聚类 |
| 2.4 本章小结 |
| 第3章 DNA甲基化线性调控基因表达 |
| 3.1 生物学必要性与方法论分析 |
| 3.1.1 研究可行性以及创新 |
| 3.1.2 方法论分析 |
| 3.2 稳健混合回归(RMR)算法 |
| 3.2.1 研究动机 |
| 3.2.2 RMR算法流程 |
| 3.2.3 参数向量Ψ的估计 |
| 3.3 TCGA真实数据分析 |
| 3.3.1 数据源 |
| 3.3.2 数据处理 |
| 3.4 实验结果与分析 |
| 3.4.1 DNA甲基化正向调控和反向抑制基因表达 |
| 3.4.2 CPG岛数据总结 |
| 3.4.3 通路富集分析总结 |
| 3.4.4 现实作用及应用场景 |
| 3.5 本章小结 |
| 第4章 基因表达数据的协同作用 |
| 4.1 医学必要性与方法论分析 |
| 4.1.1 研究可行性以及对于医学治疗的意义 |
| 4.1.2 方法论分析 |
| 4.2 QUBIC双聚类算法原理介绍 |
| 4.3 基于QUBIC思想的子空间聚类算法 |
| 4.3.1 研究动机 |
| 4.3.2 数据关联与处理 |
| 4.3.3 算法流程 |
| 4.3.4 KL评分 |
| 4.4 实验结果与分析 |
| 4.4.1 SIMU数据集 |
| 4.4.2 基因表达数据集 |
| 4.4.3 酿酒酵母数据集 |
| 4.4.4 算法可行性说明及其他应用 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）基于视觉显着性的红外弱小目标检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉显着性 |
| 1.2.2 红外弱小目标检测技术 |
| 1.3 本文的研究内容及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外弱小目标检测基础理论 |
| 2.1 红外成像原理 |
| 2.1.1 红外辐射理论 |
| 2.1.2 红外成像系统 |
| 2.2 红外图像特性分析 |
| 2.2.1 红外图像数学模型 |
| 2.2.2 红外图像中弱小目标特性分析 |
| 2.2.3 红外图像背景特性分析 |
| 2.2.4 红外图像噪声特性分析 |
| 2.3 红外图像预处理基本方法 |
| 2.3.1 中值滤波 |
| 2.3.2 高通滤波 |
| 2.3.3 数学形态学滤波 |
| 2.3.4 双边滤波 |
| 2.4 本章小结 |
| 第三章 基于改进的局部对比度的红外弱小目标检测 |
| 3.1 图像的局部对比度模型 |
| 3.2 基于信息熵的局部对比度红外弱小目标检测 |
| 3.2.1 红外图像的视觉显着性模型 |
| 3.2.2 局部对比度算法及实现流程 |
| 3.2.3 红外弱小目标检测及提取 |
| 3.3 实验结果和分析 |
| 3.3.1 评价指标 |
| 3.3.2 检测结果与分析 |
| 3.4 本章小结 |
| 第四章 基于稀疏低秩分解的红外弱小目标检测 |
| 4.1 红外图像稀疏低秩分解预备知识 |
| 4.2 红外图像稀疏表示及低秩建模 |
| 4.3 红外图像稀疏低秩分解 |
| 4.4 红外弱小目标检测 |
| 4.5 实验结果分析 |
| 4.5.1 评价指标 |
| 4.5.2 检测结果和分析 |
| 4.6 本章小结 |
| 第五章 基于谱残差的红外弱小目标检测 |
| 5.1 谱残差 |
| 5.2 Sobel算子 |
| 5.3 直觉模糊C均值聚类 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 工作总结 |
| 6.1.2 主要贡献及创新点 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（7）在线预测的极限学习机方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 符号和缩略词 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 基于ELM的在线预测研究现状 |
| 1.2.2 ELM基础理论及代表性方法 |
| 1.2.3 主要问题 |
| 1.3 论文的研究内容及创新点 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文结构及章节安排 |
| 第2章 平衡方差和偏差的动态ELM长期在线预测方法 |
| 2.1 引言 |
| 2.2 惩罚回归模型 |
| 2.3 初始学习及误差分解 |
| 2.4 基于拟合偏差的模型更新策略 |
| 2.5 数据实验及分析 |
| 2.5.1 数据集和评估指标 |
| 2.5.2 实验结果 |
| 2.5.3 模型分析 |
| 2.6 本章小结 |
| 第3章 基于两阶段博弈的多类不平衡数据在线预测方法 |
| 3.1 引言 |
| 3.2 SMOTE和集成学习 |
| 3.3 基于博弈ELM的数据生成 |
| 3.4 集成动态ELM的模型更新策略 |
| 3.5 数据实验及分析 |
| 3.5.1 数据集和评估指标 |
| 3.5.2 实验结果 |
| 3.5.3 参数分析 |
| 3.6 本章小结 |
| 第4章 基于分位数估计的动态ELM非平稳数据在线预测方法 |
| 4.1 引言 |
| 4.2 非平稳序列和非参数概率预测 |
| 4.3 基于分位数估计的动态ELM概率预测方法 |
| 4.3.1 基于ABC优化的初始ELM模型 |
| 4.3.2 动态ELM模型更新 |
| 4.3.3 预测区间估计 |
| 4.4 数据实验及分析 |
| 4.4.1 数据集和评估指标 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第5章 基于目标主轨迹的多层ELM非结构化图像序列在线预测方法 |
| 5.1 引言 |
| 5.2 LSTM和聚类分析 |
| 5.3 感兴趣区域判定及主轨迹预测 |
| 5.4 运动目标区域生成 |
| 5.5 实验结果和讨论 |
| 5.5.1 数据集和评估指标 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第6章 总结及展望 |
| 6.1 全文总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（8）社交网络中舆论演化的因素及其影响力研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 1.4 本文组织架构 |
| 第二章 网络舆情相关理论知识 |
| 2.1 负面情绪主义群体 |
| 2.2 有限信任模型 |
| 2.3 连续观点与离散行为模型 |
| 2.4 线性阈值模型 |
| 2.5 独立级联模型 |
| 2.6 元胞自动机模型 |
| 2.7 舆论动力学理论 |
| 2.8 本章小结 |
| 第三章 多信息关注度耦合模型 |
| 3.1 引言 |
| 3.2 数据收集 |
| 3.3 模型构建 |
| 3.3.1 模型相关假设 |
| 3.3.2 模型相关参数 |
| 3.3.3 关注度-状态矩阵 |
| 3.4 模型仿真生成算法 |
| 3.5 实证分析 |
| 3.5.1 模型仿真 |
| 3.5.2 模型对比误差分析 |
| 3.6 本章小结 |
| 第四章 基于负面情绪主义的群体劝说舆论演化模型 |
| 4.1 引言 |
| 4.2 群体劝说影响力 |
| 4.2.1 社会影响力 |
| 4.2.2 基于负面情绪主义的群体劝说影响力 |
| 4.3 模型构建 |
| 4.3.1 模型相关假设及说明 |
| 4.3.2 个体观点函数 |
| 4.3.3 个体状态函数 |
| 4.3.4 模型参数设置 |
| 4.4 模型仿真生成算法 |
| 4.5 模型对比验证 |
| 4.6 本章小结 |
| 第五章 仿真实验和结果分析 |
| 5.1 引言 |
| 5.2 社交网络中对网民关注度影响因素的实验分析 |
| 5.2.1 信息类型对网民关注度的影响 |
| 5.2.2 内容敏感度对网民关注度的影响 |
| 5.2.3 更新信息内容正负相关性对网民关注度的影响 |
| 5.3 负面情绪主义对网络舆论演化影响的实验分析 |
| 5.3.1 非极端负面情绪主义群体对于网络舆论演化的影响 |
| 5.3.2 极端负面情绪主义群体对于网络舆论演化的影响 |
| 5.3.3 多类型群体共存对于网络舆论演化的影响 |
| 5.4 权威机构介入对网络舆论演化影响的实验分析 |
| 5.4.1 不同介入强度对网络舆论演化的影响 |
| 5.4.2 强介入时机与负面情绪主义群体共同作用对网络舆论演化的影响 |
| 5.5 信息接收概率对网络舆论演化影响的实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）阵列信号序贯检测与快速测向方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 动态信号环境要求更高的阵列处理实效性 |
| 1.1.2 阵列信号处理方法实用化面临挑战 |
| 1.1.3 对日益复杂电磁环境的适应能力亟待增强 |
| 1.2 国内外研究现状 |
| 1.2.1 阵列信号处理技术研究现状 |
| 1.2.2 阵列信号序贯检测方法研究现状 |
| 1.2.3 阵列信号快速测向方法研究现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 基于子空间追踪的序贯信号检测方法 |
| 2.1 引言 |
| 2.2 子空间追踪方法基础 |
| 2.2.1 阵列观测模型 |
| 2.2.2 子空间追踪思想 |
| 2.3 单个信号的序贯检测方法 |
| 2.3.1 噪声子空间特性 |
| 2.3.2 阵列信号序贯检测算法 |
| 2.3.3 检测门限设置 |
| 2.4 检测性能分析 |
| 2.4.1 有信号时的子空间追踪特性 |
| 2.4.2 子空间追踪过程近似 |
| 2.4.3 信号检测的信噪比门限 |
| 2.4.4 检测概率 |
| 2.4.5 检测延迟 |
| 2.5 序贯检测方法扩展与计算量分析 |
| 2.5.1 噪声方差已知条件下的序贯检测方法 |
| 2.5.2 多信号序贯检测方法 |
| 2.5.3 序贯检测方法计算量分析 |
| 2.6 仿真实验 |
| 2.6.1 单信号序贯检测 |
| 2.6.2 多信号序贯检测 |
| 2.7 本章小结 |
| 第三章 阵列信号一维方向快速估计方法 |
| 3.1 引言 |
| 3.2 多快拍条件下的快速测向方法 |
| 3.2.1 多快拍条件下的阵列观测模型 |
| 3.2.2 基于传播算子的高效子空间估计 |
| 3.2.3 基于低阶特征方程求根的快速测向 |
| 3.2.4 算法计算量分析 |
| 3.2.5 仿真实验 |
| 3.3 单快拍条件下的快速测向方法 |
| 3.3.1 单快拍条件下的阵列观测模型 |
| 3.3.2 基于匹配追踪的信号方向预估 |
| 3.3.3 基于交替投影的信号方向高精度估计 |
| 3.3.4 算法流程 |
| 3.3.5 仿真实验 |
| 3.4 本章小结 |
| 第四章 阵列信号二维方向快速估计方法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 高效的二维方向估计方法 |
| 4.3.1 信号方向与X轴夹角的估计方法 |
| 4.3.2 信号方向与Z轴夹角的估计方法 |
| 4.3.3 基于互相关矩阵的二维角度配对方法 |
| 4.3.4 基于信号功率的二维角度配对方法 |
| 4.3.5 二维角度配对策略选取 |
| 4.4 算法流程和计算量分析 |
| 4.4.1 算法流程 |
| 4.4.2 计算量分析 |
| 4.5 仿真实验 |
| 4.5.1 单信号仿真分析 |
| 4.5.2 多信号测向性能统计分析 |
| 4.6 本章小结 |
| 第五章 基于信号空域稀疏性的序贯检测与测向方法 |
| 5.1 引言 |
| 5.2 阵列信号空域超完备模型 |
| 5.3 窄带信号空间谱序贯重构方法 |
| 5.3.1 单快拍稀疏重构 |
| 5.3.2 多快拍序贯重构 |
| 5.3.3 计算量分析 |
| 5.3.4 收敛性分析 |
| 5.4 窄带信号空间谱秩-1近似重构方法 |
| 5.4.1 观测数据的秩-1 近似重构 |
| 5.4.2 算法流程与计算量分析 |
| 5.5 宽带信号空间谱序贯重构方法 |
| 5.5.1 多频点观测数据联合序贯重构 |
| 5.5.2 宽带信号空间谱秩-1 近似重构 |
| 5.6 仿真实验 |
| 5.6.1 两个窄带信号场景 |
| 5.6.2 两个宽带信号场景 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 定理3.1 的证明 |
（10）基于内容和用户标识的混合型垃圾弹幕识别与过滤研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究问题与研究方法 |
| 1.2.1 研究问题 |
| 1.2.2 研究方法 |
| 1.3 研究创新 |
| 1.4 研究主要内容与技术路线 |
| 1.4.1 主要内容 |
| 1.4.2 技术路线 |
| 2 国内外相关研究 |
| 2.1 弹幕的相关研究 |
| 2.1.1 弹幕表现特征及弹幕文化相关研究 |
| 2.1.2 弹幕传播媒介相关研究 |
| 2.1.3 弹幕分析技术相关研究 |
| 2.2 垃圾文本识别研究 |
| 2.2.1 文本分类算法角度相关研究 |
| 2.2.2 文本类型角度相关研究 |
| 2.2.3 基于身份标识的垃圾文本识别技术 |
| 2.3 本章小结 |
| 3 模型构建 |
| 3.1 引言 |
| 3.2 文本预处理 |
| 3.2.1 数据抽样 |
| 3.2.2 中文分词研究 |
| 3.3 特征选取 |
| 3.3.1 卡方检验 |
| 3.3.2 信息增益 |
| 3.3.3 互信息 |
| 3.3.4 期望交叉熵 |
| 3.4 基于内容的朴素贝叶斯分类器构建 |
| 3.4.1 弹幕文本特点 |
| 3.4.2 垃圾弹幕特点 |
| 3.4.3 基于内容的朴素贝叶斯分类器 |
| 3.5 基于身份标识的贝叶斯模型构建 |
| 3.6 基于贝叶斯的混合型弹幕分类 |
| 3.7 贝叶斯识别的反馈学习 |
| 3.7.1 增量式学习 |
| 3.7.2 重新学习 |
| 3.7.3 混合型贝叶斯算法的反馈学习 |
| 3.8 本章小结 |
| 4 实验分析及算法评价 |
| 4.1 实验环境 |
| 4.2 实验数据集 |
| 4.3 实验分析评价指标 |
| 4.4 实验测试集选取方法 |
| 4.5 实验过程设计 |
| 4.6 实验过程与结论 |
| 4.6.1 预处理 |
| 4.6.2 对比实验过程及结果 |
| 5 主要结论及研究展望 |
| 5.1 主要结论 |
| 5.2 后续研究展望 |
| 致谢 |
| 参考文献 |
| 附录一：部分json原始数据 |
| 附录二：解析json原始数据 |
| 附录三：贝叶斯核心算法实现 |
| 附录四：作者在读期间发表的学术论文及参加的科研项目 |
四、一种基于后验概率判决的one-by-one快速相关攻击算法(英文)（论文参考文献）
- [1]端到端的中英文混合语音识别声学建模算法研究[D]. 周心远. 上海师范大学, 2021(07)
- [2]司法领域知识图谱构建及推荐应用的研究与实现[D]. 陈思. 北京邮电大学, 2020(05)
- [3]社交网络恶意用户识别检测方法研究与实现[D]. 朴祥. 北京交通大学, 2020(03)
- [4]基于BiLSTM的汉语框架语义角色识别方法研究[D]. 曹学飞. 山西大学, 2020(12)
- [5]基于癌症数据的子空间聚类算法及DNA甲基化调控基因表达的泛癌分析[D]. 周鑫宇. 吉林大学, 2020(08)
- [6]基于视觉显着性的红外弱小目标检测[D]. 王警予. 电子科技大学, 2020(07)
- [7]在线预测的极限学习机方法研究[D]. 于海洋. 吉林大学, 2019(02)
- [8]社交网络中舆论演化的因素及其影响力研究[D]. 方思维. 西安电子科技大学, 2019(02)
- [9]阵列信号序贯检测与快速测向方法研究[D]. 拓世英. 国防科技大学, 2017(02)
- [10]基于内容和用户标识的混合型垃圾弹幕识别与过滤研究[D]. 张树华. 杭州电子科技大学, 2017(02)