簡(jiǎn)介：學(xué)校代碼10459學(xué)號(hào)或申請(qǐng)?zhí)?01412091316密級(jí)碩士學(xué)位論文基于數(shù)理統(tǒng)計(jì)學(xué)的烏孫墓葬研究作者姓名劉露露導(dǎo)師姓名孫危教授學(xué)科門(mén)類歷史學(xué)專業(yè)名稱考古學(xué)培養(yǎng)院系歷史學(xué)院完成時(shí)間2017年5月學(xué)位論文原創(chuàng)性聲明學(xué)位論文原創(chuàng)性聲明本人鄭重聲明所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)過(guò)的科研成果。對(duì)本文的研究作出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本聲明的法律責(zé)任由本人承擔(dān)。學(xué)位論文作者日期年月日學(xué)位論文使用授權(quán)聲明學(xué)位論文使用授權(quán)聲明本人在導(dǎo)師指導(dǎo)下完成的論文及相關(guān)的職務(wù)作品，知識(shí)產(chǎn)權(quán)歸屬鄭州大學(xué)。根據(jù)鄭州大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留或向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱；本人授權(quán)鄭州大學(xué)可以將本學(xué)位論文的全部或部分編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或者其他復(fù)制手段保存論文和匯編本學(xué)位論文。本人離校后發(fā)表、使用學(xué)位論文或與該學(xué)位論文直接相關(guān)的學(xué)術(shù)論文或成果時(shí)，第一署名單位仍然為鄭州大學(xué)。保密論文在解密后應(yīng)遵守此規(guī)定。學(xué)位論文作者日期年月日

簡(jiǎn)介：人臉檢測(cè)FACEDETECTION是指在輸入圖象中確定所有人臉如果存在的位置、大小、位姿的過(guò)程。人臉檢測(cè)作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù)，近年來(lái)成為模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)一項(xiàng)受到普遍重視、研究十分活躍的課題。人臉檢測(cè)方法主要?jiǎng)澐譃榛谥R(shí)的人臉驗(yàn)證方法和基于統(tǒng)計(jì)的學(xué)習(xí)方法?；谥R(shí)的人臉驗(yàn)證方法速度較快但檢測(cè)率低，而且往往對(duì)多姿態(tài)的人臉無(wú)能為力，而基于統(tǒng)計(jì)學(xué)習(xí)的方法檢測(cè)率高但速度較慢，對(duì)各種姿態(tài)的人臉都有一定檢測(cè)能力。本文結(jié)合了二者的長(zhǎng)處，設(shè)計(jì)出了一套檢測(cè)率高，且對(duì)多姿態(tài)臉有一定檢測(cè)能力的系統(tǒng)。本文首先采用HIN標(biāo)準(zhǔn)選擇出了在不同色彩空間中膚色聚類特性最好的CB，CR，H，I分量，形成“混合膚色模型”，綜合利用色調(diào)、色度和亮度分量對(duì)膚色進(jìn)行分割。然后利用區(qū)域的矩特性進(jìn)行分析得到合法區(qū)域，大大縮小了下一步分類器的搜索范圍。本文采取的統(tǒng)計(jì)學(xué)習(xí)的方法是PAUL和VIOLA，在ROBUSTREALTIMEOBJECTDETECTION提出的。論文對(duì)原始算法做出了一些改進(jìn)，首先應(yīng)用了一種新的矩形特征，然后對(duì)原ADABOOST的權(quán)值更新規(guī)則進(jìn)行了修改，提高了算法的魯棒性。

簡(jiǎn)介：該文所采用的兩個(gè)主要分析工具即小波和統(tǒng)計(jì)學(xué)理論都是從不依賴于數(shù)學(xué)模型的角度來(lái)實(shí)現(xiàn)對(duì)過(guò)程的監(jiān)測(cè)其中小波是從信號(hào)處理和函數(shù)逼近的角度來(lái)處理過(guò)程數(shù)據(jù)而多元統(tǒng)計(jì)分析則用于建立過(guò)程監(jiān)測(cè)模型這是通過(guò)對(duì)過(guò)程數(shù)據(jù)的統(tǒng)計(jì)分析來(lái)實(shí)現(xiàn)的這兩種方法相互配合在整個(gè)過(guò)程監(jiān)測(cè)系統(tǒng)中承擔(dān)著不同的任務(wù)該文的主要內(nèi)容包括如下幾個(gè)方面①系統(tǒng)地介紹了過(guò)程監(jiān)測(cè)的基本概念和內(nèi)容對(duì)基于數(shù)學(xué)模型和不依賴于數(shù)學(xué)模型的故障診斷方法進(jìn)行了比較指出了后者在流程工業(yè)監(jiān)測(cè)中的優(yōu)越性②針對(duì)過(guò)程變量的多率采樣問(wèn)題提出了一種基于小波多尺度分析理論的誤差遞階補(bǔ)償算法實(shí)現(xiàn)對(duì)高頻采樣信號(hào)的重構(gòu)并給出了算法的精度分析③指出了過(guò)程數(shù)據(jù)濾波的特點(diǎn)及要求闡述了小波閾值濾波和魯棒小波分解的思想對(duì)數(shù)據(jù)在線多尺度分解中的關(guān)鍵技術(shù)進(jìn)行了研究給出了平移不變小波分解和區(qū)間小波分解的算法實(shí)現(xiàn)④采用小波閾值密度估計(jì)器研究了過(guò)程數(shù)據(jù)的概率密度函數(shù)逼近問(wèn)題給出了適合工業(yè)應(yīng)用的估計(jì)器網(wǎng)格結(jié)構(gòu)、平滑參數(shù)和系數(shù)閾值的確定方法提出利用QQ圖迭代檢驗(yàn)以消除粗差數(shù)據(jù)對(duì)密度估計(jì)的影響⑤對(duì)PCA監(jiān)測(cè)方法的特點(diǎn)及其內(nèi)涵進(jìn)行了研究⑥提出了一種改進(jìn)的PCA方法MPCA采用主元相關(guān)變量殘差統(tǒng)計(jì)量PVR代替通常的平方預(yù)測(cè)誤差SPE統(tǒng)計(jì)量用于對(duì)工業(yè)過(guò)程的監(jiān)測(cè)⑦基于MPCA監(jiān)測(cè)方法對(duì)故障的重構(gòu)、識(shí)別以及分離等重要問(wèn)題進(jìn)行了系統(tǒng)和定量的分析⑧從過(guò)程監(jiān)測(cè)的角度出發(fā)闡述了化工過(guò)程有向圖模型的基本概念歸納了已有的各種傳感器設(shè)置方法并結(jié)合故障子空間方法的特點(diǎn)定性地研究了考慮故障可觀性與分辨率時(shí)的傳感器網(wǎng)絡(luò)設(shè)置問(wèn)題⑨研究了過(guò)程趨勢(shì)的暫態(tài)事件定義和三角形原語(yǔ)描述以及過(guò)程信號(hào)的多尺度特征提取的實(shí)現(xiàn)方法提出了一個(gè)針對(duì)過(guò)程工業(yè)實(shí)際情況的、集成的過(guò)程監(jiān)測(cè)系統(tǒng)框架體系并闡述了其中各主要模塊的功能最后對(duì)過(guò)程監(jiān)測(cè)中的方法論進(jìn)行了討論闡述了作者在該問(wèn)題上的觀點(diǎn)并對(duì)未來(lái)的研究課題進(jìn)行了展望

簡(jiǎn)介：視頻包含了最豐富的信息而與此同時(shí)也意味著它需要巨大的存儲(chǔ)容量和存在著復(fù)雜的語(yǔ)義內(nèi)容用傳統(tǒng)的手工索引和順序查找方法在大量的視頻數(shù)據(jù)中查找所需的視頻片斷是一項(xiàng)繁瑣且耗時(shí)的工作很難滿足視頻數(shù)據(jù)庫(kù)的性能需求而用戶所需要的是通過(guò)內(nèi)容進(jìn)行查找即通過(guò)一些給定的樣例或特征描述便可得到所期望的視頻片斷由于視頻數(shù)據(jù)的復(fù)雜結(jié)構(gòu)和時(shí)間上的多變性使得通過(guò)內(nèi)容對(duì)視頻進(jìn)行索引成為大家關(guān)注的熱點(diǎn)和難點(diǎn)問(wèn)題研究人員已經(jīng)提出了各種各樣的方法與技術(shù)試圖解決這個(gè)難題基于內(nèi)容的視頻索引中的主要步驟有視頻分割、關(guān)鍵幀的選擇、靜態(tài)特征與動(dòng)態(tài)特征的提取以及視頻聚類等論文中我們?cè)谝曨l分割、關(guān)鍵幀選擇方面做了以下主要工作1、討論了視頻鏡頭邊緣檢測(cè)問(wèn)題并對(duì)鏡頭分割中的常用算法進(jìn)行了分析2、我們?cè)诜治?、?duì)比原有視頻字幕提取算法的基礎(chǔ)上提出了一種基于支撐矢量機(jī)的小波域視頻字幕檢測(cè)與提取算法它利用小波變換域中的統(tǒng)計(jì)特征和支撐矢量機(jī)分類器使得算法有較強(qiáng)的魯棒性和普適性3、視頻的關(guān)鍵幀表示適合于在有限的存儲(chǔ)空間或傳輸帶寬條件下對(duì)視頻進(jìn)行檢索與瀏覽因此生成與具體條件相適應(yīng)的關(guān)鍵幀就顯得至關(guān)重要為此本文提出了一種條件約束的關(guān)鍵幀選取算法它可以根據(jù)具體的要求動(dòng)態(tài)調(diào)整所生成關(guān)鍵幀的幀數(shù)4、通過(guò)分析視頻關(guān)鍵幀構(gòu)建了一個(gè)適合關(guān)鍵幀表示的數(shù)學(xué)模型在這個(gè)模型的基礎(chǔ)上我們提出了一種基于多克隆選擇的視頻關(guān)鍵幀選取算法該算法把選取關(guān)鍵幀的問(wèn)題轉(zhuǎn)化為一個(gè)優(yōu)化的問(wèn)題并用多克隆選擇算法求解仿真實(shí)驗(yàn)表明本文的算法是可行的且有效的

簡(jiǎn)介：隨著信息技術(shù)的發(fā)展和網(wǎng)絡(luò)的進(jìn)一步普及，人們對(duì)資源安全的要求越來(lái)越高。傳統(tǒng)身份認(rèn)證技術(shù)（如用戶名和口令）已經(jīng)無(wú)法滿足身份認(rèn)證安全性的需要。因此，人們將目光轉(zhuǎn)投到克服傳統(tǒng)身份認(rèn)證缺點(diǎn)的生物認(rèn)證技術(shù)上。而擊鍵生物認(rèn)證技術(shù)作為生物認(rèn)證技術(shù)的一種，具有唯一性、隨身性等特點(diǎn)的同時(shí)，還有區(qū)別于其他生物認(rèn)證技術(shù)的優(yōu)點(diǎn)，如容易采集、成本低、以及用戶接受度高等，因此具有更廣闊的應(yīng)用前景。本文在對(duì)各種統(tǒng)計(jì)學(xué)方法進(jìn)行深入研究的基礎(chǔ)上，建立了應(yīng)用于擊鍵生物認(rèn)證的模型。該模型主要是通過(guò)對(duì)用戶的擊鍵行為特征進(jìn)行預(yù)測(cè)，進(jìn)而達(dá)到對(duì)用戶的身份進(jìn)行準(zhǔn)確認(rèn)證的目的。使用此模型即使在用戶的擊鍵行為發(fā)生變化時(shí)，也可以準(zhǔn)確驗(yàn)證用戶的身份。在此認(rèn)證模型中，采用隱馬爾可夫模型HMM對(duì)用戶的擊鍵序列進(jìn)行建模，進(jìn)行擊鍵序列分析，并使用時(shí)間序列方法計(jì)算HMM中的狀態(tài)輸出值概率，在進(jìn)行認(rèn)證時(shí)使用改進(jìn)的向前算法計(jì)算用戶的擊鍵狀態(tài)概率。通過(guò)一段時(shí)間內(nèi)采集用戶的擊鍵樣本數(shù)據(jù)，建立了擊鍵認(rèn)證模型。之后采用固定文本分析法，以雙字符組的擊鍵持續(xù)時(shí)間作為研究對(duì)象，實(shí)現(xiàn)了應(yīng)用該擊鍵模型的認(rèn)證機(jī)制。此外，還使用其他方法建立了對(duì)比模型。根據(jù)實(shí)驗(yàn)結(jié)果，分析了建立認(rèn)證模型所使用的樣本數(shù)目、閾值等對(duì)擊鍵認(rèn)證模型的影響，并得出結(jié)論在用戶的擊鍵行為穩(wěn)定不變，以及具有規(guī)律性變化兩種情況下，使用時(shí)間序列方法較使用其他方法建立的模型，求得的錯(cuò)誤拒絕率和錯(cuò)誤接受率低。尤其是在用戶的擊鍵行為具有規(guī)律性變化時(shí)，最大差值可以達(dá)到15％。而當(dāng)用戶的擊鍵行為發(fā)生無(wú)規(guī)律變化時(shí)，使用這兩種方法求得的錯(cuò)誤拒絕率都較高。

簡(jiǎn)介：從2004年ESTREAM項(xiàng)目啟動(dòng)以來(lái)TRIVIUM算法依靠著簡(jiǎn)單的構(gòu)造和極強(qiáng)的抗攻擊能力得到了最多的好評(píng)成功進(jìn)入最終入選的算法之列。2009年9月EPRINT上刊登的論文ONTHEDESIGNOFTRIVIUM分析了TRIVIUM的線性化版本從令其內(nèi)部狀態(tài)變化矩陣對(duì)應(yīng)本原多項(xiàng)式的設(shè)計(jì)思想出發(fā)揭示了其內(nèi)部狀態(tài)的抽頭位置被3整除的原因并進(jìn)一步提出了TRIVIUM的改進(jìn)版本使得它的1輪生成器UNIVIUM和2輪生成器BIVIUM分別對(duì)應(yīng)1階和2階本原多項(xiàng)式。因?yàn)楸驹囗?xiàng)式在流密碼設(shè)計(jì)中具有非常重要的意義故對(duì)新版TRIVIUM算法的研究將會(huì)成為熱點(diǎn)。通過(guò)實(shí)驗(yàn)的方式來(lái)比較新舊版本的性能差異可以深化對(duì)TRIVIUM類算法的認(rèn)識(shí)了解新版TRIVIUM算法的改進(jìn)意義對(duì)于新型流密碼發(fā)生器的設(shè)計(jì)具有重要指導(dǎo)作用。在上述論文的啟示下為了這一目的本文在描述TRIVIUM類算法的結(jié)構(gòu)和使用MATHEMATICA平臺(tái)模擬其密鑰流產(chǎn)生方式的基礎(chǔ)上運(yùn)用MELTEMSNMEZTURANALIDOGANAKSOY和CAGDASCALIK于ECRYPT網(wǎng)站提出的6個(gè)用于同步流密碼的統(tǒng)計(jì)學(xué)隨機(jī)性測(cè)試方法在WINDOWSXP平臺(tái)上使用MATHEMATICA軟件分別測(cè)試了原版TRIVIUM和新版TRIVIUM算法。這些統(tǒng)計(jì)學(xué)隨機(jī)性測(cè)試包括密鑰密鑰流相關(guān)性測(cè)試、初始向量密鑰流相關(guān)性測(cè)試、幀相關(guān)性測(cè)試、擴(kuò)散性測(cè)試、內(nèi)部狀態(tài)相關(guān)性測(cè)試和內(nèi)部狀態(tài)密鑰流相關(guān)性測(cè)試。對(duì)于每一類型的實(shí)驗(yàn)經(jīng)過(guò)大量測(cè)試以后將獲得的統(tǒng)計(jì)量觀測(cè)值和P值進(jìn)行列表、作圖用對(duì)照的方式比較了新舊算法的隨機(jī)性特征。本文使用前5個(gè)測(cè)試檢測(cè)了新版TRIVIUM的288、96、72位狀態(tài)版本驗(yàn)證了新版TRIVIUM算法具有優(yōu)良的隨機(jī)特性同時(shí)從新舊版TRIVIUM算法都未能通過(guò)最后的內(nèi)部狀態(tài)密鑰流相關(guān)性測(cè)試的角度展示了密鑰初始化階段的輪換操作和寄存器尾部的附加非零比特操作對(duì)于TRIVIUM類算法的重要性并使用72位TRIVIUM版本從載入偏輕碼重的IV和K開(kāi)始通過(guò)逐漸改變初始化階段的輪換和附加比特個(gè)數(shù)逐個(gè)輸出其密鑰流序列的滿足分布的卡方觀測(cè)值再把它們做成圖表以揭示這一特性。同時(shí)發(fā)現(xiàn)了初始化階段缺失后密鑰流具有偏向性質(zhì)的成因并用實(shí)驗(yàn)數(shù)據(jù)對(duì)此進(jìn)行了驗(yàn)證。而后提供并證明兩個(gè)統(tǒng)計(jì)學(xué)檢驗(yàn)指標(biāo)的實(shí)現(xiàn)方法最后就TRVIUM類算法提出一些設(shè)想給以后的研究提供參考。

簡(jiǎn)介：本文以漢蒙統(tǒng)計(jì)機(jī)器翻譯為研究對(duì)象。針對(duì)蒙古語(yǔ)形態(tài)變化豐富這一特點(diǎn)，將形態(tài)因子引入到漢蒙統(tǒng)計(jì)機(jī)器翻譯中，通過(guò)因子化模型充分利用了蒙古語(yǔ)的形態(tài)信息；針對(duì)漢蒙平行語(yǔ)料庫(kù)規(guī)模較小這一問(wèn)題，將基于詞典的詞對(duì)齊方法產(chǎn)生的詞對(duì)齊點(diǎn)融合到IBM詞對(duì)齊模型中，并利用蒙古語(yǔ)的詞干形態(tài)知識(shí)提高基于詞典方法的漢蒙詞對(duì)齊質(zhì)量，再利用融合后的詞對(duì)齊點(diǎn)訓(xùn)練短語(yǔ)翻譯模型，進(jìn)而用于基于短語(yǔ)的漢蒙統(tǒng)計(jì)機(jī)器翻譯，最終提高譯文質(zhì)量。在統(tǒng)計(jì)機(jī)器翻譯中，翻譯模型是唯一不可取代的模型，其重要性不言而喻。針對(duì)訓(xùn)練過(guò)程造成的短語(yǔ)翻譯模型中短語(yǔ)翻譯對(duì)冗余問(wèn)題，本文設(shè)計(jì)并實(shí)現(xiàn)了一種通用的基于統(tǒng)計(jì)方法的短語(yǔ)翻譯模型過(guò)濾器，這種過(guò)濾器可以根據(jù)不同的統(tǒng)計(jì)方法對(duì)翻譯模型進(jìn)行降噪，在有效降低短語(yǔ)翻譯模型規(guī)模的同時(shí)對(duì)統(tǒng)計(jì)機(jī)器翻譯譯文的質(zhì)量影響甚微。關(guān)于本研究所提的每部分都有相關(guān)對(duì)比實(shí)驗(yàn)，通過(guò)這些對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證本文所提方法的有效性，同時(shí)也探討了一些方法繼續(xù)深入研究的可能性。

簡(jiǎn)介：密碼學(xué)中HASH函數(shù)能夠用于數(shù)據(jù)完整性和消息認(rèn)證以及數(shù)字簽名，新近的對(duì)于MD5，SHA1等的碰撞攻擊5表明在一個(gè)HASH函數(shù)的內(nèi)部迭代過(guò)程中的隨機(jī)統(tǒng)計(jì)特性對(duì)其安全性也有一定程度影響，因此對(duì)于HASH函數(shù)迭代過(guò)程中輸出序列的隨機(jī)性進(jìn)行分析對(duì)于研究HASH函數(shù)的安全性是有重要意義的。運(yùn)用概率統(tǒng)計(jì)的思想方法來(lái)研究HASH函數(shù)的一些性質(zhì)必將為密碼分析人員提供一些新的攻擊密碼方案的新方法和新思路，也必將使得將概率統(tǒng)計(jì)應(yīng)用于密碼學(xué)中成為一個(gè)新的研究熱點(diǎn)。而MD5等HASH函數(shù)的破譯也意味著研究SHA224、SHA256、SHA384及SHA512的密碼系統(tǒng)的迫切性和重要性。SHA256是使用最廣泛的一種HASH函數(shù)。本文針對(duì)SHA256，用已有統(tǒng)計(jì)檢測(cè)方法中的X2檢驗(yàn)對(duì)其進(jìn)行了隨機(jī)性測(cè)試包括頻數(shù)檢驗(yàn)，跟隨檢驗(yàn)，游程檢驗(yàn)及雪崩效應(yīng)的測(cè)試，對(duì)每種測(cè)試都取了兩種有代表性的輸入有規(guī)律的輸入和隨機(jī)的輸入。最后對(duì)測(cè)試結(jié)果進(jìn)行了分析討論，得出結(jié)論1SHA256在進(jìn)行迭代過(guò)程中，隨著迭代次數(shù)的增加，從整體上來(lái)看，所得到的輸出序列的隨機(jī)性是越來(lái)越好的。2在隨機(jī)性逐漸變好的過(guò)程中，第27輪，30輪，43輪和59輪與其對(duì)應(yīng)的前一輪或者后一輪相比隨機(jī)性很不好。由以上結(jié)論可知，SHA256算法存在著一定的不足之處，這些結(jié)論也將為密碼分析人員提供有用的密碼攻擊方案的新方法和新思路。

簡(jiǎn)介：HEBEIUNIVERSITY密級(jí)分類號(hào)學(xué)校代碼學(xué)校代碼10075學(xué)號(hào)20090886碩士學(xué)位論文碩士學(xué)位論文兩種乘積空間上的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)學(xué)位申請(qǐng)人孫曉靜指導(dǎo)教師哈明虎教授田大增教授學(xué)位類別理學(xué)碩士學(xué)科專業(yè)應(yīng)用數(shù)學(xué)授予單位河北大學(xué)答辯日期二〇一二年六月

簡(jiǎn)介：車牌自動(dòng)識(shí)別是模式識(shí)別領(lǐng)域一個(gè)實(shí)現(xiàn)困難、且尚未被完全解決的應(yīng)用問(wèn)題。本文對(duì)車牌自動(dòng)識(shí)別中的關(guān)鍵技術(shù)一車牌檢測(cè)作了較為深入的研究。首先討論了幾種車牌圖像預(yù)處理方法，特別是為去除光照影響，實(shí)現(xiàn)了一種自適應(yīng)灰度拉伸算法。然后，針對(duì)基于ADABOOST車牌檢測(cè)算法存在訓(xùn)練時(shí)間太長(zhǎng)及權(quán)重調(diào)整過(guò)適應(yīng)等問(wèn)題，實(shí)現(xiàn)一種基于雙閾值的ADABOOST快速訓(xùn)練算法，給出了雙閾值的快速搜索方法，并使用該分類器實(shí)現(xiàn)了車牌檢測(cè)算法，測(cè)試了算法的性能。最后以圖像矩陣為分析對(duì)象，基于二維主分量分析TWODIMENSIONALPRINCIPALCOMPONENTANALYSIS，2DPCA，直接利用原始圖像矩陣構(gòu)造圖像的協(xié)方差矩陣，通過(guò)提取協(xié)方差矩陣的特征向量構(gòu)建特征矩陣，用FISHER分類器進(jìn)行線性判別處理，試驗(yàn)結(jié)果驗(yàn)證了算法的性能。

簡(jiǎn)介：點(diǎn)擊查看更多基于江蘇省研究生就業(yè)調(diào)查數(shù)據(jù)的統(tǒng)計(jì)學(xué)分析.pdf精彩內(nèi)容。

簡(jiǎn)介：數(shù)學(xué)模型是對(duì)客觀對(duì)象活動(dòng)規(guī)律的一種定量描述是表述對(duì)象行為和性能的一種重要形式建模方法涉及到最優(yōu)化方法、數(shù)理統(tǒng)計(jì)、人工智能、模式識(shí)別、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等多方面的理論和方法該文首先回顧了現(xiàn)行的建模方法由于優(yōu)化方法在建模中有相當(dāng)重要的作用因此接著對(duì)具有全局尋優(yōu)性能的遺傳算法進(jìn)行了較為深入的研究提出了基于優(yōu)生演進(jìn)策略的遺傳算法EGA使尋優(yōu)性能有較大的提高并成功應(yīng)用于化工領(lǐng)域中重油熱解模型參數(shù)的估計(jì)所提EGA方法為隨后的支持向量機(jī)參數(shù)優(yōu)化打下了良好的基礎(chǔ)該文緊接著還對(duì)統(tǒng)計(jì)學(xué)習(xí)理論SLT和支持向量機(jī)SVM技術(shù)進(jìn)行了較為詳細(xì)的討論這是對(duì)神經(jīng)網(wǎng)絡(luò)方法發(fā)展到目前的一種新的突破在多個(gè)方面顯示出良好的性能該文在基于觀測(cè)數(shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)建模方法上提出了一些新思想、新方法

簡(jiǎn)介：點(diǎn)擊查看更多廣西大廠中央資源數(shù)據(jù)庫(kù)管理應(yīng)用系統(tǒng)與空間信息統(tǒng)計(jì)學(xué)應(yīng)用研究.pdf精彩內(nèi)容。

簡(jiǎn)介：點(diǎn)擊查看更多負(fù)荷建模中實(shí)測(cè)數(shù)據(jù)的統(tǒng)計(jì)學(xué)特性.pdf精彩內(nèi)容。

簡(jiǎn)介：基于統(tǒng)計(jì)學(xué)習(xí)的模式識(shí)別方法是人工智能的一個(gè)重要研究領(lǐng)域。目前統(tǒng)計(jì)模式識(shí)別已經(jīng)得到了較深入的研究一些相關(guān)技術(shù)成果已成功高效地應(yīng)用于各種不同的領(lǐng)域。雖然如此其中依然面臨著許多的挑戰(zhàn)許多問(wèn)題都還需要進(jìn)步的深入探索和研究特征降維和核方法就是其中倍受關(guān)注的兩個(gè)重要主題。本課題就其中的幾個(gè)關(guān)鍵挑戰(zhàn)進(jìn)行了相關(guān)的研究所研究?jī)?nèi)容主要由四個(gè)部分分述如下。第一部分由第二章組成。在這一部分中我們針對(duì)監(jiān)督局部保持特征提取SLPP算法的小樣本問(wèn)題提出了推廣的監(jiān)督局部保持特征提取GSLPP算法。在小樣本情況下GSLPP算法定義的優(yōu)化問(wèn)題可以等價(jià)的轉(zhuǎn)換到一個(gè)低維空間中來(lái)求解從而有效的克服了小樣本問(wèn)題。而且在大樣本情況下GSLPP算法等價(jià)于SLPP算法。第二部分由第三章和第四章組成。在這一部分內(nèi)容中我們主要討論了最小類方差支撐向量機(jī)MCVSVM算法的改進(jìn)問(wèn)題。針對(duì)MCVSVM缺少考慮數(shù)據(jù)的局部結(jié)構(gòu)信息的問(wèn)題在第三章中我們提出了最小局部保持類方差支撐向量機(jī)MCLPVSVM算法。該算法不但繼承了傳統(tǒng)支撐向量機(jī)SVM和MCVSVM的優(yōu)點(diǎn)同時(shí)又充分利用了數(shù)據(jù)的內(nèi)在的幾何結(jié)構(gòu)信息從而實(shí)現(xiàn)了泛化能力的進(jìn)一步提高。同時(shí)在這一部分內(nèi)容的第四章中針對(duì)MCVSVM算法在小樣本數(shù)據(jù)情況下僅利用了類內(nèi)散度矩陣非零空間中的信息的問(wèn)題我們討論了利用類內(nèi)散度矩陣零空間中的信息來(lái)提高其泛化能力的問(wèn)題即首先在零空間中建立一種新的分類器NSC然后再把MCVSVM和NSC進(jìn)行融合從而進(jìn)一步提出了集成分類器EC。在EC算法中綜合利用類內(nèi)散度矩陣非零空間和零空間中的信息來(lái)進(jìn)一步提高分類性能表現(xiàn)出了更強(qiáng)的泛化能力。第三部分由第五章組成。在這一部分內(nèi)容中我們依據(jù)支撐向量回歸SVR回歸算法可以通過(guò)構(gòu)建SVM分類問(wèn)題實(shí)現(xiàn)的基本思想把MCVSVM分類算法推廣到回歸估計(jì)中進(jìn)而提出了最小方差支撐向量回歸MVSVR回歸算法。MVSVR繼承了MCVSVM魯棒性和泛化能力強(qiáng)的優(yōu)點(diǎn)同時(shí)其還可轉(zhuǎn)化為一個(gè)標(biāo)準(zhǔn)的SVR問(wèn)題來(lái)求解并且在散度矩陣奇異情況下可以等價(jià)轉(zhuǎn)換到新的數(shù)據(jù)空間中求解。第四部分由第六章組成。在這一部分內(nèi)容中我們從理論上詳細(xì)分析了支撐向量數(shù)據(jù)域描述SVDD算法的原始優(yōu)化問(wèn)題最優(yōu)解的性質(zhì)。我們首先把SVDD定義的原始優(yōu)化問(wèn)題等價(jià)轉(zhuǎn)化為一個(gè)凸約束二次優(yōu)化問(wèn)題然后從理論上證明了根據(jù)優(yōu)化問(wèn)題最優(yōu)解所構(gòu)建的超球圓心具有唯一性然而超球半徑在一定條件下卻存在不唯一性并且給出了半徑存在不惟一性的充分必要條件。我們還從對(duì)偶優(yōu)化問(wèn)題的角度分析了超球的圓心和半徑性質(zhì)并且給出了SVDD算法中在根據(jù)優(yōu)化問(wèn)題最優(yōu)解構(gòu)建超球半徑不唯一情況下計(jì)算超球半徑方法。本文的主要內(nèi)容概括起來(lái)講第一部分探討了特征降維問(wèn)題第二至第四部分探討了核方法問(wèn)題。