一、关于Sober空间与T_0、T_1、T_2空间的蕴含问题（论文文献综述）
申晨[1]（2021）在《具有退出选择的合作行为演化及网络拓扑的统计建模》文中指出合作行为的演化及维持是最具挑战的科学问题之一。目前的研究认为合作行为的维持主要依赖于五种互惠机制,即:直接互惠,间接互惠,网络互惠,亲缘选择,群体选择。这些机制潜在的共同假设是参与人不能退出博弈,而这一假设往往与实际情况不符,因此如何从理论和实验两方面研究退出机制对合作行为的影响具有重要的现实意义。此外在具有网络结构的行为决策研究中,如何对具有信号特征（0或1）参数进行准确估计以达成网络拓扑结构的重构是一个重要的研究课题。本论文基于上述两个方面的内容开展研究,首先利用演化博弈理论,从行为决策实验出发研究了退出选择对自私个体合作行为的演化及影响;其次,利用微分方程稳定性理论及数值模拟等方法分别在结构群体及非结构群体中研究了退出选择下合作行为演化的动力学特征?最后,针对具有信号参数特征的网络重构问题,提出了signal lasso的新方法,并通过理论和模拟讨论其性质。本文具体可分为下述三个部分。一、在具有退出选择的重复公共物品博弈的行为决策实验研究中,通过在不同高校组织在校大学生的方式我们进行了五种条件下的具有退出选择的公共物品博弈实验,这五种条件分别是:传统公共物品博弈（C0）,退出预期收益较高的公共物品博弈（T0）,退出预期收益适中的公共物品博弈（T1）,退出预期收益较低的公共物品博弈（T2）及退出预期收益最低的公共物品博弈（T3）。之后利用行为决策实验数据,我们分别对比分析了这五种条件下的合作行为演化结果。我们发现,合作行为的演化依赖于退出者的期望收益,当退出者的期望收益过大时,公共组中的大部分参与人会选择退出博弈,而这进一步导致了合作系统的崩溃;当退出者的期望收益过小或为负时,退出选择将不起任何作用,此时的博弈转化为了传统的公共物品博弈;当退出者的期望收益适中时,退出通道的存在可动态调节组内的投资环境从而使得合作者可通过与背叛者及退出者之间的循环占优模式而稳定存在于系统中。二、在具有退出选择的囚徒困境博弈的理论研究中,我们首先在第四章第一部分构建了具有简单退出选择的囚徒困境博弈模型并研究了此模型下合作演化的动力学特征。在此模型中,在很小但为正的退出收益支持下,退出者可通过退出博弈的方式来逃离背叛者的剥削。通过复制动态方程稳定性分析,我们发现在充分混合的群体中（无结构群体）,一次博弈的纳什均衡策略永远是相互退出,合作行为的维持依赖于互惠机制的存在。而在结构群体中,退出选择可通过与合作及背叛之间的循环占优模式使得合作稳定存在于网络中。当随着退出收益增大或者网络结构变化时,我们同样观察到了全局震荡及大度节点稳定性增强等效应。接着,在第四章第二部分,我们通过将退出策略分为可退出的条件合作者及可退出的条件背叛者对本章第一部分中的模型加以改进研究了条件退出选择下合作行为的演化问题。我们假设,可退出者在付出监测成本c的情况下,可知道对手的策略选择类型,进而可退出合作者及可退出背叛者在遇到背叛者时会在退出收益?的支持下选择退出博弈。通过计算固定概率（fixation probability）,我们在有限群体中分别研究了三种退出条件下的合作行为演化:即只有合作者可退出博弈,只有背叛者可退出博弈,及合作者与背叛者可同时退出博弈。我们发现:在只有背叛者可退出博弈时,合作者并不能存在于系统之中,系统状态要么由全部背叛构成,要么由全部可退出的背叛者构成。当只有合作者可退出时,合作者可通过由合作,背叛,可退出合作三种策略之间的循环占优稳定存在于系统之中。当合作者及背叛者可同时退出博弈时,合作行为可通过多种循环占优的模式稳定存在,这里多种循环占优模型包括:C→D→CE→C的途径,C→DE→CE→C的途径,以及C→D→DE→CE→C。三、在网络重构问题的研究中,针对无权无向网络邻接矩阵的二值性质:网络邻接矩阵中的元素要么是0要么是1,我们提出信号lasso的方法来提高网络重构精度,该方法通过在lasso回归的惩罚项中加入一个L-1范数控制项进而保证了参数往0或者1进行压缩的性质,并克服了lasso在面对此二值问题时其参数只能往0压缩的限制。我们随后分别在网络博弈数据,复杂网络同步数据,行为决策实验数据及噪声数据中分别对比测试了lasso,压缩感知及信号lasso的表现。我们发现,对比另外两种方法,信号lasso估计出网络拓扑结构具有更高的精度及对噪声更强的鲁棒性。
迟蒙超[2]（2021）在《城市轨道交通列控系统信息安全态势评估方法研究》文中提出基于通信的列车运行控制（Communication-Based Train Control,CBTC）系统是集现代通信、控制、计算机与传统铁道信号技术为一体的复杂系统,是保障列车安全与高效运行的关键。CBTC系统采用了大量的商用信息化组件,使其面临的信息安全风险加剧。信息安全态势评估（Information Security Situation Assessment,ISSA）技术能够量化评估CBTC系统信息安全的宏观、整体和瞬变状态,为管理人员的信息安全防御决策提供理论和方法支撑。本文结合CBTC系统特点和信息安全态势评估需求,研究了适用于CBTC系统的信息安全态势评估方法。基于CBTC系统的信息物理特性,从主机/列车、信息域/物理域和系统三个层面开展研究,分别提出了基于邻域粗糙集（Neighborhood Rough Set,NRS）的主机态势评估方法、基于复杂网络（Complex network）的信息域态势评估方法、基于追踪间隔（Headway）的物理域态势评估方法和基于故障树分析（Fault Tree Analysis,FTA）的信息物理融合态势评估方法,并结合实验环境验证论文所提方法的合理性和有效性。本文完成的主要工作如下:（1）深入分析CBTC信息物理特性,基于隐患和威胁对系统运行产生的影响研究CBTC信息安全态势评估需求,设计态势评估总体方案;（2）提出基于邻域粗糙集的主机态势评估方法。通过选取主机态势要素和量化主机态势制作主机态势评估数据集,构建基于邻域粗糙集的主机态势评估模型并导出决策规则,通过规则匹配确定主机态势;（3）提出基于复杂网络的信息域态势评估方法。建立CBTC复杂网络,选取节点重要度指标量化主机权重。分析信息攻击在CBTC复杂网络中的传播特性,量化主机的潜在态势,融合主机态势得到CBTC系统的信息域态势;（4）提出基于列车追踪间隔的物理域态势评估方法和基于故障树分析的信息物理融合态势评估方法。基于列车运营模式分析追踪间隔,量化评估CBTC的物理域态势。分析CBTC系统的信息域与物理域的交互影响机理,建立列车运营模式降级的故障树,量化信息域状态对物理域列车运营性能的影响,融合信息域和物理域态势得到CBTC系统的整体态势;（5）利用实验室现有的CBTC系统半实物仿真平台,设计信息攻击场景,验证论文所提信息安全态势评估方法的合理性和有效性。实验结果表明,本文提出的CBTC信息安全态势评估方法具有合理性和有效性,能够直观地给出三个层次的信息安全态势,使管理人员能够及时了解信息安全动态。论文提出的态势评估方法对于提高CBTC信息安全防护水平以及保障列车安全高效运行具有重要的理论指导价值和现实应用意义。图43幅,表21个,参考文献72篇。
杨森[3]（2021）在《机器学习在生物序列问题中的应用研究》文中认为随着基因组计划的深入和高通量测序技术的普及,海量的基因序列数据、RNA序列数据被获取。这些生物序列数据蕴含着丰富的生物模式信息,其中基因序列记录了物种的大部分遗传信息,编码RNA通过其翻译的蛋白质影响细胞功能,非编码RNA通过参与细胞内调控过程影响细胞功能。生物序列数据包含的丰富生物学信息,能够为人类从分子水平上了解生命本质提供原始的数据支撑。近年来随着计算机技术的高速发展,机器学习、深度学习、人工智能等技术在许多领域得到了广泛的应用。面对海量的生物序列数据,使用机器学习、深度学习、人工智能等先进科学技术,通过分析、学习等方法挖掘其潜在的生物规律,对现代医学、生物学的发展意义重大。因此本文的主要研究内容是以生物序列数据为中心,采用机器学习方法,发现生物序列中潜在的模式信息,进而解决与序列相关的生物学难题。研究的核心点有:（1）高效地将不同类型的生物序列数据表示为数字向量;（2）采用深度学习网络构建高效的生物序列分类模型。本文以基因组、转录组中三个真实的应用,阐述了面对不同的生物序列数据,机器学习的应对策略。本文的第一部分工作采用了图嵌入、深度学习等方法,围绕基因序列数据,研究如何通过基因序列数据更加准确地识别支撑细胞功能的必需基因。必需基因是维持细胞生存、发育和增殖所必需的最小基因集,参与了人类细胞中代谢、分裂等重要的生命活动。随着对必需基因的研究积累,大量识别必需基因的细胞实验结果被报道。由于细胞实验环境的差异,不同细胞实验,其识别的必需基因不尽相同,因此如何使用机器学习的方法准确地识别支撑细胞功能的必需基因,对发现与疾病、癌症相关的基因意义重大。鉴于此,本文在第3章中提出了一种基于序列图特征的深度学习模型（Essential Gene Network,EGNet）,该模型通过图数据结构保存基因序列内在结构信息,采用图嵌入的方式表征图,联合卷积神经网络和全连接网络识别必需基因。该模型具有特征空间构造简单、准确率高等特点。EGNet为使用机器学习方法研究基因序列相关问题提供了新的参考和借鉴。本文第二部分工作采用了序列表示、深度残差网络等方法,围绕RNA序列数据,研究如何使用RNA序列信息识别短开放阅读窗（Open Read Frame,ORF）非编码RNA。非编码RNA虽然不能编码蛋白质,但可以参与细胞内调控过程,影响细胞功能。虽然已有方法能够较为准确地识别长ORF非编码RNA,但是不适用于短ORF非编码RNA。因此本文在第4章中提出了一种基于深度残差网络模型（Non-Coding Residual Network,NCRes Net）。该模型从RNA逆转录的DNA序列、蛋白质属性、RNA生化性质、RNA结构信息四个层面表征RNA序列,联合残差网络,识别非编码RNA。实验结果表明,NCRes Net不仅适用于短ORF非编码RNA的识别,也适合长ORF非编码RNA的识别,有利于转录组学中未知RNA的功能研究,NCRes Net模型为机器学习在RNA序列相关研究领域提供了新的参考和借鉴。本文第三部分工作采用了级联特征学习、双通道卷积神经网络,围绕非编码RNA序列相关性数据,研究如何使用RNA序列信息预测非编码RNA之间的相关性。长非编码RNA（Long Noncoding RNA,Lnc RNA）作为一类重要的非编码RNA,可以竞争性地与micro RNA（mi RNA）结合,从而影响mi RNA对基因的调控。该调控模式常出现在疾病、癌症中。准确判断Lnc RNA与mi RNA之间的相关性,对研究疾病、癌症内在的非编码RNA调控关系具有重要的意义。鉴于此,本文在第5章中提出了预测Lnc RNA与mi RNA相关性预测模型（Lnc RNAmi RNA interaction Network,Lnc Mir Net）,该模型采用了级联特征学习方法,融合了多类非编码RNA序列特征,结合双通道卷积神经网络,在公共数据集上,Lnc Mir Net相较于目前已有方法取得了更好的综合性能。Lnc Mir Net模型为研究RNA之间的相关性提供了新的参考和思路,为机器学习在序列相关性的问题上提供了新的解决方法。本文提出的三个模型对应着三类生物序列问题,分别是基因序列、RNA序列、序列之间相关性问题。其主要的贡献为:（1）通过将基因序列数据转化为图结构数据,联合图嵌入方法,表示基因序列;（2）以中心法则为指导思想,通过RNA多层面属性特征,表示RNA序列;（3）通过级联特征学习方法,融合特征空间,表示相关性结构数据;（4）探索了机器学习在不同类型生物序列中的应用过程,为其它生物序列相关问题的解决提供了参考。本文的研究工作具有较强的前沿性、理论意义和应用价值,各项研究层层递进、相互支持,为机器学习在生物序列中的应用提供了良好的技术储备和指导。
张思奇[4]（2021）在《配电网虚假线损成因分析与修正方法研究》文中研究表明电能在传输过程中伴随着损耗,分析配电网输变电的各个环节,通过合理的电网规划与电力公司管理以控制电能的损耗已经成为各国电力研究的重要方向。在实际配电网日常运行过程中,用电信息采集系统中存在大量虚假的电量损耗,称之为虚假线损。这些电能量数据与现场实际用电有很大差异的情况,电能量数值无法正确反映实际电能量。一方面这类虚假的电量损耗并不能真实反映实际线损数据,对线路线损指标的分析、制定线损措施带来干扰。另一方面,虚假线损由于多反映为电表侧的异常,导致经常出现电力企业派人到现场却发现电表正常的情况,给电力企业的日常运行造成额外负担。因此,研究虚假线损,精确定位虚假线损并修复,对电力企业的运营决策以及对线损的进一步研究都有积极的意义。论文主要对用户信息采集系统采集电表数据及其过程进行分析,结合虚假线损与管理线损的区别,对虚假线损的成因与特点进行研究,设计了有效的虚假线损分析与处理算法,建立了一套虚假线损精确定位与修正的方案。该方案可以自动检测虚假线损并修正,大大降低了异常数据误判为管理线损的可能性。主要工作如下:1、提出了虚假线损的分类与成因分析方法。通过对用户信息采集系统采集电表数据及其过程进行研究,结合虚假线损与管理线损的区别,形成了完整的虚假线损分类与对应成因。2、研究了虚假线损精确定位方法。通过对用户信息采集系统中用户电表示值进行异常因子检测法,确定可能存在虚假线损的异常电表与对应区间段。之后对该电表正常工作时示值曲线归一化后聚类,得到用户的用电行为特征曲线。最后将异常电表示值曲线与用电特征曲线作相似性判断,判断是否符合用电行为特征,用以判断该异常曲线是否符合虚假线损特征。3、构建了虚假线损修正方法。通过对已确定的虚假线损曲线作数据异常度判断,如果数据异常度低,可以采用结合用户用电负荷曲线的插值法处理。如果数据异常度较高,采用PSO-BP神经网络或WOA-BP神经网络结合影响用电量的因素预测用电负荷修正。
孔珍[5]（2020）在《微博地震灾情地名的提取与聚合方法研究》文中研究说明随着互联网的发展和手机终端的普及,在近几年发生的自然灾害事件中,社交媒体平台日益成为了普通公众及时发布和获取灾情信息的最快捷的途径,在这类社交媒体数据中蕴含着大量记录受灾区域当前状况的文字、图片、视频等信息。微博作为社交媒体平台的代表之一,为大众提供了一个能够随时随地分享信息的渠道,它可以凭借自身的优势成为一座连接灾区内和灾区外信息的桥梁。但同时,微博用户门槛低、信息发布便捷导致的数据量大、非结构化特点以及信息可信度低、碎片化等问题也成为阻碍微博数据有效应用的绊脚石。因此,如何从微博数据中提取有效的灾情内容并整合归纳得到宏观的灾害情况以辅助灾害应急决策是当前急需解决的难题。本文针对微博信息准确提取以及聚合内容丰富度两个关键问题,提出了一套对微博数据中地震灾情地名信息的提取和聚合方法,主要研究内容包括:（1）针对地震灾情地名的准确提取,本研究设计了地震灾情地名抽取算法。首先结合微博灾情信息和地震灾害特点设置地震灾情关键词表,采用STM模型完成对微博灾情文本的筛选,然后通过CRF模型对微博灾情文本中的中文地名进行识别,最后根据制定的多类地名使用规则确定最终的灾情地名。该算法通过前期人为制定的关键词和规则,不仅可以充分地利用微博数据实现对地震灾情地名的准确提取,而且在大规模应用中可以有效地减少时间和人力的消耗。（2）针对地震灾情信息的综合理解,本研究从地名聚合、事件聚合、异常区域识别三个方面对地震灾情进行灾情信息聚合分析,并以图表、地图和图谱的方式展现聚合结果。基于地名的地震灾情聚合是在识别单条微博数据灾情地名的基础上进行的整理合并,并引入信息可信度评价因子对聚合结果进行修正;基于事件的地震灾情聚合从时间、空间两个维度上对一次地震灾害事件进行分析;设计的异常区域分析算法以地名聚合结果为数据,对信息异常的行政单元进行判别。本研究丰富了地震灾情的聚合方法,聚合分析结果可辅助应急管理部门对地震灾情的整体认知。（3）设计并开发了地震灾情地名提取和聚合原型系统对研究内容进行验证。本系统基于微博数据,根据论文研究成果进行地震灾情地名的提取和聚合系统的构建,实现了对微博数据的采集与预处理、灾情地名抽取、灾情信息聚合以及信息可视化的功能,并以长宁等地震数据为例,验证了本文研究内容的可行性和可靠性。本文方法能够通过灾害关键词、时间、搜索区域信息以及网页结果特征,获取与事件相关的微博数据,减小了非相关数据的干扰;通过构建地震灾情关键词表,能够更全面的利用微博数据抽取准确的灾情地名信息;地震灾害信息聚合技术通过多种可视化方式直观展示了地震灾害事件的时空分布规律并识别出的异常区域。本文较充分地利用了微博中的有效灾情信息,可为地震灾害应急工作提供一定的辅助作用。
黄晓玲[6]（2020）在《面向社交网络的标签提取方法的研究》文中研究说明随着社交网络平台的迅速普及,社交网络数据也随之日益增多并造成信息处理越发困难。标签作为一种快速从大数据中获取人们感兴趣内容的解决方案,可以为信息检索、个性化信息推荐等领域的研究提供应用基础。因此,从社交网络数据中提取高质量的标签具有重要的研究意义。针对传统的标签提取方法没有深入考虑社交网络数据本身所具有的网络结构等特征对标签提取的影响,本文基于社交网络结构对利用文本或内容信息进行标签提取具有的有益补充作用,从三个方面提出考虑社交网络数据特征的标签提取方法:面向文本数据和网络结构的标签提取,基于社交网络海量数据和持续性特征的用户兴趣标签提取,以及基于大规模社交网络数据动态性特征的社交网络用户实时兴趣标签提取。论文主要开展了以下工作:（1）针对社交网络数据中因信息使用不充分从而限制标签提取精度的问题,提出一种基于重叠标签加强的社交网络用户兴趣标签提取方法UNITE（UserNetworked Interest Topic Extraction）。该方法通过联合社交网络中文本内容和社交网络结构信息,利用社交邻居标签与用户标签之间的重叠机制来提升社交网络用户标签提取精度。此外,将UNITE方法扩展应用于社交网络特例——科研合作网,并基于该方法设计了一种利用大型语料库中的高频词对来提升科学文献关键词提取的方法UNITE＿COKE（UNITE based phrase-Co-Occurrence-enhanced Keyphrase Extraction）。实验表明,利用社交网络文本内容信息和社交网络结构共同提取标签的方法,对提升标签提取质量具有普适与示范意义。（2）传统社交网络用户兴趣标签提取时,没有考虑大规模社交网络结构难以处理和社交网络数据持续到来问题,提出将大规模社交网络结构转化成“子图流”数据结构,并在该结构下提取用户兴趣标签的算法UNITE＿SS（UserNetworked Interest Topic Extraction in the form of Subgraph Stream）。实验表明,UNITE＿SS算法在保证社交网络用户兴趣标签提取精度下,还减少了计算开销。同时,证明了“子图流”数据结构不仅能用于提取社交网络用户兴趣标签,还能为资源受限情况下大规模图计算问题提供可行的解决方案。（3）针对大规模社交网络动态性特征而导致提取出的兴趣标签缺乏实时性问题。基于前期研究工作中“子图流”数据结构,提出“即来即处理”的方法以保证提取用户兴趣标签的实时性。然后,结合粗糙集上下近似理论和所设计的用户时序性特征,提出基于子图流的大规模社交网络用户兴趣标签提取方法RS＿UNITE＿SS（Rough Set based User-Networked Interest Topic Extraction in the form of Subgraph Stream）。在两个真实数据集上进行的大量实验验证了RS＿UNITE＿SS方法在兴趣标签提取的准确性和效率上达到了一定的平衡。
解兵林[7]（2020）在《基于动态贝叶斯网络的桥梁构件性能退化及安全性研究》文中研究指明桥梁是交通运输网络中重要的组成部分,其在运营期间除了会受到复杂的自然环境因素的长期作用,还有可能承受日益严重的超限超载负荷,同时桥梁本身也可能存在各种前期设计标准低或建设质量差等问题,使桥梁构件的性能逐渐退化,而桥梁构件的退化失效会加速桥梁结构的整体退化,降低桥梁的安全性。建立分析桥梁性能退化及安全性的有效模型,提高桥梁管理维护决策的质量,对既有桥梁开展适时的维护工作具有十分重要的意义。因此,本文针对桥梁构件性能退化及安全性问题开展了研究,主要完成的工作如下:（1）介绍了贝叶斯定理以及贝叶斯网络理论,通过MATLAB软件编程实现了贝叶斯网络建模、学习、推理及拓展算法;建立了混凝土桥梁抗力性能退化问题的贝叶斯网络模型,通过模型推理,得到了抗力性能退化原因的概率解释。（2）考虑添加表示变量之间时间相关性的直接机制,使用时间片的方法将传统的静态贝叶斯网络拓展为离散、条件高斯以及线性动态贝叶斯网络;将桥梁构件退化过程按年离散为时间序列,集成统计数据与专家意见等先验知识,分别建立了简支梁桥抗力性能退化过程的离散动态贝叶斯网络和拱桥吊杆性能退化过程的条件高斯动态贝叶斯网络分析模型,采用基于隐马尔科夫模型的“正向-反向”算法进行模型推理;通过在模型中添加的证据节点来有效利用任意时刻的桥梁检测信息,实现了将以往的静态分析转变为考虑信息的动态更新分析。算例结果表明,动态贝叶斯网络在分析桥梁构件性能退化过程中具有高效的建模、推理和更新能力。（3）在桥梁构件性能退化过程中,安全性也随着时间推移而不断变化,针对这个问题,充分利用混凝土结构性能退化机理的先验知识,建立了简支T梁抗弯承载力性能退化过程的线性动态贝叶斯网络分析模型,采用基于卡尔曼滤波器模型的“正向-反向”算法进行模型推理;通过在模型中设置可靠度分析节点,将退化预测模型与结构可靠性模型结合,可在预测简支T梁抗弯承载力性能退化过程的同时实现安全性分析,并基于桥梁检测信息动态更新了先验模型参数及可靠度推理结果。（4）引入决策节点和效用节点,将分析桥梁构件性能退化及安全性的动态贝叶斯网络模型拓展为决策图模型。通过动态贝叶斯网络进行概率推理更新,减少了决策过程的不确定性;在决策图模型中利用概率推理更新结果,通过设置安全性条件以及期望总费用最小化的目标函数,对简支T梁进行了安全性分析以及维护费用和期望失效费用分析,得到了期望总费用最小的维护决策。算例结果表明,动态贝叶斯网络具有稳健的拓展能力,能够为桥梁构件退化过程的维护决策提供有效的支持。
徐兴亮[8]（2020）在《高能效铣刀损伤形成与演变特性及其跨尺度设计方法》文中提出高速、断续切削的冲击载荷作用下,铣刀一旦发生损伤,其破坏程度将迅速发展,若不及时发现易产生安全性事故。铣刀损伤具有多尺度特性,采用单一尺度的损伤研究方法无法揭示铣刀多尺度损伤的形成与演变过程,导致铣刀损伤的识别和控制存在困难。本文在国家自然科学基金“高能效铣刀非线性摩擦动力学磨损多尺度耦合作用机理（51875145）”支持下,研究铣刀多尺度损伤特征,揭示铣刀损伤形成与演变过程,分析铣刀损伤响应特性及其影响因素,提出铣刀损伤的抑制方法。依据铣刀损伤的多尺度特征对其进行尺度划分,基于连续介质力学、位错理论和分子动力学分别提出铣刀宏观结构、晶格结构和介观结构损伤表征方法。利用多尺度有限元方法和力连接的方法,建立铣刀多尺度损伤的载荷边界条件,实现铣刀损伤载荷的跨尺度传递。研究铣刀宏观结构、晶格结构和介观结构的损伤特征,获取铣刀多尺度损伤特征变量临界值,揭示铣刀损伤位置、损伤类型、损伤大小和损伤发生的顺序,阐明铣刀损伤形成过程及特性,提出铣刀损伤的多尺度识别方法,并进行实验验证。针对铣刀切削载荷的动态特性,采用铣刀多尺度损伤识别方法,揭示出铣刀宏介观结构损伤变量多速率变化过程。利用铣刀组件超晶胞价键断裂数量、势能和损伤当量增值速率的转变特性,构建铣刀介观损伤成核和损伤扩展判据,识别出铣刀介观损伤形成与演变过程。利用铣刀组件力学性能响应特性,实现了铣刀宏介观结构损伤多速率过程的有效关联。采用Deborah数表征出铣刀损伤形成与演变过程的多样性,识别出铣刀宏介观结构损伤形成与演变机制。采用响应面法进行仿真方案设计,建立铣刀宏观结构、晶格结构和介观结构损伤响应面模型,揭示铣刀损伤影响因素和铣刀损伤特性之间的关系。分析前角、转速、切深和每齿进给量交互作用下,铣刀组件损伤形成与演变过程和铣刀损伤程度的响应特性。分析铣刀不同尺度、不同类型损伤对其影响因素的敏感性,给出铣刀损伤影响因素的优选方案,为铣刀损伤跨尺度关联设计提供依据。提取铣刀组件损伤模型控制变量,基于公理设计对铣刀参数功能进行分解,建立铣刀损伤程度及其演变机制的评判模型。提出铣刀跨尺度关联设计方法,该方法通过控制铣刀损伤形成与演变过程,来实现抑制铣刀损伤的目的,并通过对比实验来验证该方法的有效性。
杨晨[9]（2020）在《面向复杂特征空间的车辆短时轨迹预测研究》文中提出在智能交通中,如何从车辆轨迹中提取有效信息,进而做出短时精准的预测,是当前研究的一个热点问题。由于轨迹具有多样性、稀疏性以及道路拓扑存在复杂性,给实现轨迹的精准预测带来了困难与挑战。怎样从复杂道路拓扑中提取节点间的关系,怎样缓解轨迹稀疏性问题以及怎样从多维度考虑影响轨迹趋势的因素,是当前面临的主要难点。为了解决上述问题,本文主要从以下两个方面进行研究:结合车辆偏好特征、节点空间结构关系等影响因素,对稀疏缺失轨迹进行同态补偿,即对原始轨迹进行增强,对短时轨迹预测方法进行研究;结合车辆时序特征中潜在的周期性规律,对可变轨迹周期进行建模,对短时轨迹预测方法进行研究。本论文主要研究工作和贡献如下:1.针对车辆行驶过程中的多样性,提取车辆轨迹,并提出一种基于偏好特征语料库的短时轨迹预测方法。首先,引入生成对抗网络对轨迹分布进行学习,并以此为基础生成数据弥补原始轨迹的缺失,缓解其稀疏性。然后,针对轨迹具有的偏好特征及轨迹节点的空间特征,使用表示学习,并以此为基础构建偏好语料库和节点结构特征空间。最后,针对不同的特征向量分别进行轨迹趋势的预测,通过最大池化,将多维度多特征空间的预测趋势进行融合并形成预测结果。2.深入分析轨迹时序特征中潜在的周期性规律,以窗口模式提取车辆轨迹,并提出一种基于可变时序特征的短时轨迹预测方法。首先,使用图卷积神经网络对轨迹进行学习,形成轨迹信息的全貌表示。然后,根据周期关联的不同,利用窗口对轨迹进行提取,形成可变的时序周期维度,进而分别获得轨迹的表示,同时利用长短时记忆网络对其进行训练,动态赋予各周期权重。最后,综合各时序周期维度预测的轨迹趋势以提高结果的准确性。本论文通过我国某省会城市的真实过车数据集进行实验验证。实验表明,本论文设计的轨迹预测方法不仅能对数据进行补偿,也能结合轨迹偏好特点及路网结构信息;同时,还能较好的针对轨迹具有的周期规律对其进行分析。
刘存伟[10]（2019）在《移动参照认知视角下的倚变句研究》文中提出作为现代汉语的高频句式,倚变句“越X越Y”颇受语法学界的关注和重视。学界从共时和历时视角对此句型作了大量研究,这为我们的后续探讨提供启示并奠定基础。然而,以往的研究存在不足,有些问题亟待解决:一是尚未揭示倚变句具有较强的句法能产性和限制性的认知基础;二是没有充分解释变化义、倚变义、比较义和关联义共存于倚变句的认知理据;三是未能有效挖掘标记语“越”、构件“来”和倚变句“越来越Y”的历时演化动因。有鉴于此,本文以认知语法视阈下的空间认知、参照认知和比较认知为理论基础,建构移动参照认知模型,并以其为主要分析框架,以物量、动作量、时间量、空间量和程度量等量范畴为研究视角,以定性研究为主要研究方法,运用逻辑推理和思辨,探讨量范畴倚变关系的概念化,进而揭示倚变句呈现相关句法语义特征的认知基础,并结合认知语法的主观性、主观化、边界移动等理论,挖掘“越”“来”及“越来越Y”的语法化理据。本研究有以下发现:第一,量范畴倚变关系的概念化通过移动参照认知实现。移动参照认知模型是概念化主体在多个维度上建构锁链式“参照点–目标”关系。这个认知模型与参照链认知模型都是对动态参照关系的刻画,但是参照链认知模型描写的是参照点和目标在单个维度上的转换关系,而移动参照认知模型描写的是参照点和目标在多个维度之上、在多个维度之间的转换关系。第二,量范畴倚变关系的概念化过程包括:1)概念化主体调用比较认知,在不同量值之间持续建构“比较基准–比较目标”关系,实现量值变化和总量变化的概念化;2)调用参照认知,在量值变化之间、在总量变化之间持续建构“参照点–目标”关系,实现量范畴倚变关系的概念化;3)调用空间认知,将量值变化和总量变化概念化为空间位移关系。第三,空间认知、参照认知和比较认知调用对倚变句的句法语义产生深刻影响。其中,空间认知和参照认知的调用提升倚变句的句法能产性。通过调用空间认知,概念化主体可以将物量、时间量或程度量变化概念化为空间量变化。通过调用参照认知,概念化主体可以运用典型、连锁型、辐射型、汇聚型和嵌套型等多种参照联结策略,将不同的量值变化组构起来,并语码化为单环倚变句“越X越Y”、连环倚变句“越X越Y越Z”或反环倚变句“越X越Y,越Y越X”。比较认知调用对充当倚变构件的结构形成句法制约,因为概念化主体在量值之间持续建构“比较基准–比较目标”关系,造成量值变化呈现无界逐量特征,导致标指有界量的结构无法入句。第四,倚变句含有变化、倚变、比较和关联等多种语义,与量范畴倚变关系的概念化调用了比较认知和参照认知紧密相关。其中,比较义和变化义源自概念化主体建构“比较基准–比较目标”关系来实现量值变化和总量变化的概念化,倚变义和关联义源自建构“参照点–目标”关系来实现量y随量x变化而变化这种倚变关系的概念化。第五,“越”“来”及“越来越Y”的语法化动因皆可归结于语言的主观性,即概念化主体掌控的心理扫描关系取代移动体掌控的空间位移关系,成为这些结构侧显的主要语义关系。首先,位移动词“越”语法化为倚变标记语“越”,源自概念化主体沿不同量值组构的虚拟路径展开心理扫描,形成当前扫描的总量超过先前扫描的总量,而这种总量变化被概念化为移动体沿空间方位组构的真实路径移动并跨越物理空间区域边界。倚变句采用“越+动词/形容词/名词/介词/主谓结构”形式,将“越”从谓语动词再范畴化为饰谓副词,是心理扫描关系压倒空间位移关系并成为凸显概念成分带来的去时间化操作。其次,构件“来”的语义虚化亦是主观性因素促动的。动词“来”侧显移动体沿物理空间方位组构的真实路径移动并趋近概念化主体所在空间方位,其中,空间位移是前景成分,心理扫描是后景成分;构件“来”侧显概念化主体沿时间量量值组构的虚拟路径扫描并趋近言语时刻所在时间位置,空间位移退隐后景,心理扫描走向前景。最后,“越来越Y”的语法化是概念边界移动诱发形式边界移动的结果。概念边界移动包括空间位移关系调整为心理扫描关系,物理空间方位组构的真实路径调整为时间量量值组构的虚拟路径。形式边界移动体现为“越”“来”作谓语的功能弱化,两者因句法位置紧邻发生再组构,引发形式边界从“越来︱越Y”演化为“越来越︱Y”。概括起来,本文以移动参照认知模型为分析框架,从量范畴视角展开倚变句研究,为以往研究未能有效解决的问题提供了较为合理的解释方案。此外,本研究可为对外汉语教学和教材编撰提供参考,可为汉语语法体系建构提供一定的理论指导。
二、关于Sober空间与T_0、T_1、T_2空间的蕴含问题（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、关于Sober空间与T_0、T_1、T_2空间的蕴含问题（论文提纲范文）
（1）具有退出选择的合作行为演化及网络拓扑的统计建模（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 第一节 研究目的及意义 |
| 第二节 国内外研究综述 |
| 一、合作行为演化 |
| 二、网络拓扑结构的统计建模 |
| 第三节 问题提出及选题背景 |
| 第四节 研究内容及创新之处 |
| 第五节 论文结构安排 |
| 第二章 预备知识 |
| 第一节 博弈论基础 |
| 第二节 演化博弈理论 |
| 一、无限群体博弈 |
| 二、有限群体博弈 |
| 第三节 复杂网络动力学模型简介 |
| 一、复杂网络基本概念 |
| 二、复杂网络演化博弈动力学 |
| 三、复杂网络同步动力学简介 |
| 第四节 微分方程稳定性基本概念 |
| 第五节 行为决策实验方法分析方法简介 |
| 一、行为决策实验常用的统计模型 |
| 二、非参数检验方法 |
| 三、广义线性模型介绍 |
| 四、二项分布族 |
| 第六节 压缩估计理论简介 |
| 一、压缩感知理论 |
| 二、岭回归 |
| 三、Lasso回归 |
| 四、ElasticNet |
| 第三章 具有退出选择的合作行为实验研究 |
| 第一节 引言 |
| 第二节 模型 |
| 一、实验设计 |
| 二、实验理论模型 |
| 第三节 结果 |
| 一、有限群体中的结果 |
| 二、行为决策实验结果 |
| 第四节 讨论 |
| 第四章 具有退出选择的合作行为动力学理论研究 |
| 第一节 具有简单退出选择合作行为演化 |
| 一、引言 |
| 二、模型 |
| (4.1.2.1)混合群体 |
| (4.1.2.2)网络群体 |
| 三、结果 |
| (4.1.3.1)混合群体 |
| (4.1.3.2)网络群体 |
| 四、讨论 |
| 第二节 具有条件退出选择的合作行为演化 |
| 一、模型 |
| 二、结果 |
| 三、讨论 |
| 第五章 复杂网络拓扑结构的统计建模:信号lasso |
| 第一节 引言 |
| 第二节 模型 |
| 一、信号lasso |
| 二、信号lasso的数值计算 |
| 三、信号lasso的数值计算的参数选择 |
| 四、模型评价指标 |
| 第三节 结果 |
| 一、信号lasso的理论性质 |
| 二、基于最后通牒博弈模型的网络重构 |
| 三、基于同步动力学kuramoto模型的网络重构 |
| 四、基于行为决策实验模型的网络重构 |
| 第四节 讨论 |
| 第六章 总结 |
| 第一节 总结 |
| 第二节 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 在读期间完成的科研成果 |
（2）城市轨道交通列控系统信息安全态势评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 CBTC面临的信息安全问题 |
| 1.1.2 CBTC信息安全态势评估方法研究的意义 |
| 1.2 研究现状 |
| 1.2.1 传统IT信息安全态势评估方法研究现状 |
| 1.2.2 CPS信息安全态势评估方法研究现状 |
| 1.2.3 列控系统信息安全态势评估方法研究现状 |
| 1.3 论文组织架构 |
| 1.4 本章小结 |
| 2 CBTC信息安全态势评估方法研究 |
| 2.1 CBTC系统分析 |
| 2.1.1 CBTC系统结构 |
| 2.1.2 CBTC系统原理 |
| 2.1.3 CBTC信息物理特性分析 |
| 2.2 CBTC信息安全态势评估需求 |
| 2.2.1 CBTC信息安全隐患和威胁分析 |
| 2.2.2 CBTC信息安全态势评估需求分析 |
| 2.3 CBTC信息安全态势评估总体方案 |
| 2.4 本章小结 |
| 3 CBTC信息域态势评估方法研究 |
| 3.1 CBTC信息域态势评估方案 |
| 3.1.1 CBTC信息域特点分析 |
| 3.1.2 CBTC信息域态势评估方案设计 |
| 3.2 基于邻域粗糙集的主机态势评估方法 |
| 3.2.1 主机态势评估数据集制作 |
| 3.2.2 邻域粗糙集理论概述 |
| 3.2.3 基于邻域粗糙集的主机态势评估 |
| 3.3 基于复杂网络的CBTC信息域态势评估方法 |
| 3.3.1 CBTC复杂网络建模 |
| 3.3.2 CBTC信息域威胁传播模型构建 |
| 3.3.3 基于复杂网络的CBTC信息域态势评估 |
| 3.4 本章小结 |
| 4 CBTC信息物理融合态势评估方法研究 |
| 4.1 CBTC信息物理融合态势评估方案 |
| 4.2 基于追踪间隔的CBTC物理域态势评估方法 |
| 4.2.1 CBTC运营模式分析 |
| 4.2.2 基于追踪间隔的CBTC物理域态势评估 |
| 4.3 基于FTA的CBTC信息物理融合态势评估方法 |
| 4.3.1 CBTC运营模式降级故障树建模 |
| 4.3.2 基于故障树定性分析的CBTC信息物理融合态势评估 |
| 4.4 本章小结 |
| 5 CBTC信息安全态势评估方法验证 |
| 5.1 实验环境及攻击场景简介 |
| 5.1.1 仿真环境及参数简介 |
| 5.1.2 攻击场景设计 |
| 5.2 CBTC信息安全态势评估方法验证及结果分析 |
| 5.2.1 CBTC信息域态势评估方法验证及结果分析 |
| 5.2.2 CBTC信息物理融合态势评估方法验证及结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（3）机器学习在生物序列问题中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 第2章 相关数据和方法简介 |
| 2.1 数据来源 |
| 2.1.1 生物序列数据库 |
| 2.1.2 非生物序列数据库 |
| 2.2 相关机器学习方法介绍 |
| 2.2.1 序列表征算法 |
| 2.2.2 神经网络算法 |
| 2.3 模型评估指标 |
| 2.4 本章小结 |
| 第3章 基于基因序列图特征识别必需基因 |
| 3.1 研究背景 |
| 3.2 研究方法 |
| 3.2.1 特征构建 |
| 3.2.2 模型搭建 |
| 3.2.3 模型实现细节 |
| 3.2.4 性能评价指标 |
| 3.3 实验数据 |
| 3.4 实验结果 |
| 3.4.1 实验数据划分 |
| 3.4.2 特性组合 |
| 3.4.3 不同损失函数的性能对比 |
| 3.4.4 不同α对网络性能的影响 |
| 3.4.5 性能对比 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 第4章 基于深度残差网络的短ORF非编码RNA识别 |
| 4.1 研究背景 |
| 4.2 研究方法 |
| 4.2.1 特征构建 |
| 4.2.2 模型构建 |
| 4.2.3 模型实现细节 |
| 4.2.4 性能评价指标 |
| 4.3 实验数据 |
| 4.4 实验结果 |
| 4.4.1 超参数选择 |
| 4.4.2 四类特征的组合性能 |
| 4.4.3 模型性能对比 |
| 4.4.4 独立数据集测试 |
| 4.4.5 综合数据集上性能对比 |
| 4.4.6 运行时间对比 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第5章 基于序列级联特征融合的LncRNA-miRNA相关性预测 |
| 5.1 研究背景 |
| 5.2 研究方法 |
| 5.2.1 特征构建 |
| 5.2.2 模型构建 |
| 5.2.3 模型实现细节 |
| 5.2.4 性能评价指标 |
| 5.3 实验数据 |
| 5.4 实验结果 |
| 5.4.1 特征组合 |
| 5.4.2 对比实验 |
| 5.4.3 正负样本不均衡实验 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 本文展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
（4）配电网虚假线损成因分析与修正方法研究（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 |
| 1.2 国内外研究现状 |
| 1.2.1 线损异常分析与定位 |
| 1.2.2 线损与电力负荷预测、关联分析 |
| 1.3 本论文的结构安排 |
| 第二章 虚假线损成因分析 |
| 2.1 线损与线损率影响因素 |
| 2.1.1 线损简介 |
| 2.1.2 影响线损率的因素 |
| 2.2 线损分类 |
| 2.2.1 用电信息采集系统 |
| 2.2.2 理论线损 |
| 2.2.3 管理线损 |
| 2.2.3.1 表计故障 |
| 2.2.3.2 档案异常 |
| 2.2.3.3 台区管理 |
| 2.2.3.4 采集异常 |
| 2.3 虚假线损 |
| 2.3.1 虚假线损的分类 |
| 2.3.2 虚假线损特征分析 |
| 2.3.3 虚假线损成因分析 |
| 2.3.3.1 采集缺失或异常 |
| 2.3.3.2 电表示值畸变 |
| 2.4 本章小结 |
| 第三章 虚假线损定位 |
| 3.1 数据异常检测 |
| 3.2 虚假线损的辨识 |
| 3.2.1 K-means聚类算法 |
| 3.2.2 K-means方法中K值的选取方法 |
| 3.2.2.1 ELBOW方法 |
| 3.2.2.2 Gap statistic方法 |
| 3.2.2.3 余弦相似度方法 |
| 3.3 相似性原理 |
| 3.3.1 分段线性表示 |
| 3.3.2 模式距离 |
| 3.3.3 形状距离 |
| 3.4 虚假线损定位方案 |
| 3.5 虚假线损定位方法实现 |
| 3.6 本章小结 |
| 第四章 虚假线损修正方案研究 |
| 4.1 数据异常度 |
| 4.2 插值法修正虚假线损 |
| 4.3 机器学习算法修正方案 |
| 4.3.1 模糊灰色分析法 |
| 4.3.2 BP神经网络 |
| 4.3.3 群智能算法 |
| 4.3.4 改进BP神经网络 |
| 4.3.5 电力负荷预测的误差分析 |
| 4.4 虚假线损修正方案 |
| 4.5 实例验证 |
| 4.5.1 用户虚假线损修正 |
| 4.5.2 线路虚假线损修正 |
| 4.6 本章小结 |
| 第五章 全文总结和展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）微博地震灾情地名的提取与聚合方法研究（论文提纲范文）
| 中文摘要 |
| 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 微博灾情信息的特点分析 |
| 1.2.2 灾害文本信息提取 |
| 1.2.3 灾害文本信息聚合 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 相关技术介绍 |
| 1.4.1 文本表示 |
| 1.4.2 词向量 |
| 1.4.3 文本分类算法 |
| 1.4.4 关键词抽取技术 |
| 1.5 技术路线 |
| 1.6 论文组织结构 |
| 第2章 地震灾情地名抽取算法 |
| 2.1 地震灾情关键词表设计 |
| 2.1.1 灾情类别关键词 |
| 2.1.2 灾情级关键词 |
| 2.2 地震灾情地名抽取算法 |
| 2.2.1 地震灾情文本筛选算法 |
| 2.2.2 基于条件随机场的地名识别 |
| 2.2.3 灾情地名判定规则 |
| 2.3 本章小结 |
| 第3章 地震灾情地名聚合技术 |
| 3.1 基于地名的地震灾情聚合 |
| 3.1.1 普通聚合 |
| 3.1.2 加权聚合 |
| 3.1.3 聚合算法 |
| 3.2 基于事件的地震灾情聚合 |
| 3.2.1 事件趋势分布信息 |
| 3.2.2 事件空间分布信息 |
| 3.3 聚合信息可视化方法 |
| 3.4 异常区域识别 |
| 3.4.1 异常区域分析 |
| 3.4.2 基于可视化的异常区域检测 |
| 3.5 本章小结 |
| 第4章 原型系统及实验分析 |
| 4.1 系统设计 |
| 4.2 数据采集处理流程 |
| 4.2.1 微博数据采集 |
| 4.2.2 微博数据预处理 |
| 4.3 灾害案例分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 |
| 主要成果 |
| 科研项目 |
| 致谢 |
（6）面向社交网络的标签提取方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题来源与主要研究内容 |
| 1.2.1 课题来源 |
| 1.2.2 主要研究内容 |
| 1.3 论文的组织结构 |
| 1.4 小结 |
| 第二章 研究综述 |
| 2.1 基于社交网络的标签提取 |
| 2.1.1 面向文本内容的兴趣标签提取 |
| 2.1.2 基于社交网络结构的兴趣标签提取 |
| 2.1.3 基于社交网络海量数据特征的用户兴趣标签提取 |
| 2.1.4 基于社交网络动态性特征的用户兴趣标签提取 |
| 2.1.5 基于科研合作网的关键词提取 |
| 2.2 子图流相关研究 |
| 2.2.1 图分割 |
| 2.2.2 社区划分 |
| 2.3 小结 |
| 第三章 面向文本内容和网络结构的标签提取方法的研究 |
| 3.1 引言 |
| 3.2 社交网络用户兴趣标签提取方法UNITE |
| 3.2.1 候选兴趣标签生成 |
| 3.2.2 邻居社交网络构建 |
| 3.2.3 兴趣主题标签排名算法 |
| 3.3 UNITE在科研合作网中应用方法 |
| 3.3.1 UNITE应用于科研合作网中的实施方法 |
| 3.3.2 基于高频词对的关键词提取方法UNITE_COKE |
| 3.4 基于文本内容和邻居网络提取网络数据标签实验 |
| 3.4.1 UNITE方法在新浪微博中实验验证 |
| 3.4.2 UNITE和 UNITE_COKE方法在科研合作网中实验验证 |
| 3.5 小结 |
| 第四章 基于子图流的大规模社交网络用户兴趣标签提取方法的研究 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 基于子图流的用户兴趣标签提取算法UNITE_SS |
| 4.3.1 UNITE_SS算法 |
| 4.3.2 基于社交网络特征的子图流构造策略 |
| 4.3.3 基于子图的用户兴趣标签提取 |
| 4.4 大规模社交网络信息下的兴趣标签提取实验 |
| 4.4.1 数据集和实验评价 |
| 4.4.2 子图流构建策略在有效性上的对比 |
| 4.4.3 子图流构建策略在效率上对比 |
| 4.4.4 与主流方法的比较 |
| 4.5 小结 |
| 第五章 基于粗糙集的大规模社交网络用户实时兴趣标签提取方法研究 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 基于粗糙集的用户实时兴趣标签提取方法RS_UNITE_SS |
| 5.3.1 基于粗糙集的子图流构建策略RS3 |
| 5.3.2 子图流下基于上近似用户实时兴趣标签提取策略RILE |
| 5.4 动态大规模社交网络环境下实时兴趣标签提取实验 |
| 5.4.1 实验数据 |
| 5.4.2 评价指标 |
| 5.4.3 影响子图流构建的实验 |
| 5.4.4 与基准方法对比 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 主要研究工作 |
| 6.2 下一步工作 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（7）基于动态贝叶斯网络的桥梁构件性能退化及安全性研究（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 桥梁性能退化研究 |
| 1.2.2 基于可靠性理论的桥梁安全性研究 |
| 1.2.3 贝叶斯网络应用研究 |
| 1.2.4 研究现状总结 |
| 1.3 本文主要研究内容 |
| 第二章 贝叶斯网络理论 |
| 2.1 贝叶斯定理 |
| 2.2 贝叶斯网络 |
| 2.2.1 贝叶斯网络概念 |
| 2.2.2 贝叶斯网络类型 |
| 2.2.3 贝叶斯网络学习 |
| 2.2.4 贝叶斯网络推理 |
| 2.3 建立贝叶斯网络模型 |
| 2.3.1 构造贝叶斯网络结构 |
| 2.3.2 确定贝叶斯网络参数 |
| 2.3.3 贝叶斯网络模型算例 |
| 2.4 本章小结 |
| 第三章 桥梁构件性能退化过程的动态贝叶斯网络模拟 |
| 3.1 引言 |
| 3.2 动态贝叶斯网络 |
| 3.2.1 单时间片贝叶斯网络动态拓展 |
| 3.2.2 动态贝叶斯网络类型 |
| 3.2.3 动态贝叶斯网络的优势 |
| 3.3 建立桥梁构件性能退化的动态贝叶斯网络模型 |
| 3.3.1 桥梁构件性能退化的动态贝叶斯网络模型 |
| 3.3.2 基于检测信息的桥梁构件性能退化模型更新 |
| 3.3.3 桥梁构件性能退化模型推理 |
| 3.4 算例 |
| 3.4.1 算例1:离散动态贝叶斯网络的应用 |
| 3.4.2 算例2:条件高斯动态贝叶斯网络的应用 |
| 3.5 本章小结 |
| 第四章 基于动态贝叶斯网络的桥梁构件安全性分析 |
| 4.1 引言 |
| 4.2 结构可靠度的基本概念 |
| 4.3 桥梁构件抗力性能退化及安全性模型 |
| 4.3.1 考虑可靠度分析节点的动态贝叶斯网络模型 |
| 4.3.2 线性动态贝叶斯网络模型的推理及学习方法 |
| 4.4 钢筋混凝土梁性能退化建模 |
| 4.4.1 钢筋混凝土梁的钢筋锈蚀模型 |
| 4.4.2 钢筋混凝土梁抗弯承载力退化模型 |
| 4.4.3 算例分析 |
| 4.5 本章小结 |
| 第五章 基于动态贝叶斯网络模型的维护决策分析 |
| 5.1 引言 |
| 5.2 决策图模型 |
| 5.2.1 决策树 |
| 5.2.2 影响图 |
| 5.2.3 贝叶斯网络拓展的决策图 |
| 5.2.4 动态贝叶斯网络拓展的决策图 |
| 5.3 桥梁构件维护决策分析 |
| 5.3.1 安全性分析 |
| 5.3.2 费用分析 |
| 5.3.3 维护决策分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）高能效铣刀损伤形成与演变特性及其跨尺度设计方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 铣刀损伤研究现状分析 |
| 1.3 多尺度分析方法研究现状 |
| 1.4 铣刀设计技术研究现状 |
| 1.5 课题来源及本文研究的主要内容 |
| 第2章 铣刀损伤特征及其多尺度识别方法 |
| 2.1 铣刀损伤的多尺度表征方法 |
| 2.2 铣刀损伤多尺度关联方法 |
| 2.3 铣刀多尺度损伤特征分析 |
| 2.3.1 铣刀组件介观结构损伤特征 |
| 2.3.2 铣刀组件晶格结构损伤特征 |
| 2.3.3 铣刀组件宏观结构损伤特征 |
| 2.4 铣刀损伤的多尺度识别方法及实验验证 |
| 2.5 本章小结 |
| 第3章 铣刀宏介观损伤形成与演变过程分析 |
| 3.1 铣刀切削载荷的动态特性 |
| 3.2 铣刀损伤形成与演变过程的速率变化 |
| 3.2.1 铣刀宏观结构损伤形成与演变过程 |
| 3.2.2 铣刀介观结构损伤形成与演变过程 |
| 3.3 铣刀宏介观损伤速率过程间的关系 |
| 3.3.1 铣刀损伤形成与演变过程中的德博拉数 |
| 3.3.2 铣刀宏介观损伤的跨尺度耦合与竞争机理 |
| 3.4 铣刀损伤形成与演变过程的影响因素 |
| 3.4.1 面铣刀三维实体建模 |
| 3.4.2 结构参数对铣刀损伤的影响 |
| 3.4.3 材料属性对铣刀损伤的影响 |
| 3.4.4 切削参数对铣刀损伤的影响 |
| 3.5 本章小结 |
| 第4章 铣刀损伤响应特性及其影响因素交互作用 |
| 4.1 铣刀损伤响应面分析仿真方案设计 |
| 4.1.1 响应目标及其设计变量筛选 |
| 4.1.2 二阶响应面中心复合设计 |
| 4.2 铣刀组件损伤响应面模型构建 |
| 4.2.1 宏观结构损伤响应面模型 |
| 4.2.2 晶格结构损伤响应面模型 |
| 4.2.3 介观结构损伤响应面模型 |
| 4.3 铣刀组件损伤程度响应特性分析 |
| 4.3.1 铣刀组件介观结构损伤响应特性 |
| 4.3.2 铣刀组件晶格结构损伤响应特性 |
| 4.3.3 铣刀刀齿位置变动量响应特性 |
| 4.3.4 铣刀不平衡量变动量响应特性 |
| 4.4 铣刀组件损伤形成与演变过程的响应特性 |
| 4.5 铣刀损伤影响因素显着性检验 |
| 4.6 本章小结 |
| 第5章 铣刀损伤跨尺度关联设计方法 |
| 5.1 铣刀损伤设计目标及设计变量 |
| 5.2 基于公理设计的铣刀参数功能分解 |
| 5.3 铣刀损伤跨尺度关联设计方法 |
| 5.4 铣刀安全性设计实例及实验验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其他成果 |
| 致谢 |
（9）面向复杂特征空间的车辆短时轨迹预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 轨迹管理与挖掘 |
| 1.2.2 轨迹预测技术现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织架构 |
| 第2章 相关技术和理论基础 |
| 2.1 相关概念 |
| 2.1.1 智能交通概述 |
| 2.1.2 轨迹预测的理论基础 |
| 2.2 表示学习相关知识 |
| 2.2.1 统计语言模型 |
| 2.2.2 One-Hot |
| 2.2.3 Word2Vec |
| 2.2.4 Deep Walk |
| 2.3 轨迹预测的关键技术研究 |
| 2.3.1 隐马尔可夫模型 |
| 2.3.2 高斯混合模型 |
| 2.3.3 神经网络模型 |
| 2.4 本章小结 |
| 第3章 基于偏好特征语料库的轨迹预测方法研究 |
| 3.1 引言 |
| 3.2 车辆轨迹预测模型相关定义 |
| 3.2.1 相关定义 |
| 3.2.2 问题提出 |
| 3.3 车辆短时轨迹预测模型 |
| 3.3.1 模型整体框架 |
| 3.3.2 数据补偿 |
| 3.3.3 特征形态提取 |
| 3.3.4 特征表示 |
| 3.3.5 融合模型 |
| 3.4 模型算法设计 |
| 3.5 本章小结 |
| 第4章 基于可变时序特征的短时轨迹预测方法研究 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 相关定义 |
| 4.2.2 问题提出 |
| 4.3 轨迹预测模型 |
| 4.3.1 模型整体框架 |
| 4.3.2 特征表示 |
| 4.3.3 预测模型 |
| 4.4 模型算法设计 |
| 4.5 本章小结 |
| 第5章 实验验证及应用 |
| 5.1 数据集 |
| 5.2 基于偏好特征语料库的算法实现 |
| 5.2.1 算法实现过程 |
| 5.2.2 评估准则 |
| 5.2.3 算法评估 |
| 5.3 基于可变时序特征的算法实现 |
| 5.3.1 算法实现过程 |
| 5.3.2 评估准则与基线方法 |
| 5.3.3 算法评估 |
| 5.4 本章小结 |
| 第6章 主要工作总结及未来工作 |
| 6.1 主要工作 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（10）移动参照认知视角下的倚变句研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究对象 |
| 1.3 研究动机 |
| 1.4 研究方案 |
| 1.4.1 研究目的 |
| 1.4.2 研究方法 |
| 1.4.3 语料来源 |
| 1.4.4 研究问题 |
| 1.5 理论基础 |
| 1.6 研究内容 |
| 1.7 论文结构 |
| 第2章 文献综述 |
| 2.1 引言 |
| 2.2 倚变句的共时研究 |
| 2.2.1 “越”的词性研究 |
| 2.2.2 倚变句的句法特征研究 |
| 2.2.2.1 能产性 |
| 2.2.2.2 限制性 |
| 2.2.3 倚变句的语义特征研究 |
| 2.2.3.1 倚变义 |
| 2.2.3.2 变化义 |
| 2.2.3.3 比较义 |
| 2.2.3.4 关联义 |
| 2.3 倚变句的历时研究 |
| 2.3.1 倚变句的历时流变研究 |
| 2.3.2 标记语“越”的历时演变研究 |
| 2.3.3 构件“来”的历时演变研究 |
| 2.3.4 “越来越Y”的历时演变研究 |
| 2.4 以往研究存在的问题 |
| 2.5 小结 |
| 第3章 理论基础与分析框架 |
| 3.1 引言 |
| 3.2 理论基础 |
| 3.2.1 空间认知理论 |
| 3.2.2 参照认知理论 |
| 3.2.3 比较认知理论 |
| 3.3 理论假设 |
| 3.4 理论假设的理据 |
| 3.4.1 量范畴的分类及界定 |
| 3.4.1.1 量范畴的分类 |
| 3.4.1.2 物量的界定 |
| 3.4.1.3 动作量的界定 |
| 3.4.1.4 时间量的界定 |
| 3.4.1.5 空间量的界定 |
| 3.4.1.6 程度量的界定 |
| 3.4.2 量范畴的概念化 |
| 3.4.2.1 量范畴的空间认知概念化 |
| 3.4.2.2 量范畴的参照认知概念化 |
| 3.4.2.3 量范畴的比较认知概念化 |
| 3.5 移动参照认知模型的建构及其理据 |
| 3.5.1 空间认知、参照认知和比较认知的整合理据 |
| 3.5.2 移动参照认知模型的建构 |
| 3.5.3 基于移动参照认知模型的实例分析 |
| 3.6 小结 |
| 第4章 移动参照认知与倚变句的概念化 |
| 4.1 引言 |
| 4.2 单环倚变句的概念化 |
| 4.2.1 “越V1越V2”的概念化 |
| 4.2.2 “越V越A”的概念化 |
| 4.2.3 “越A越V”的概念化 |
| 4.2.4 “越A1越A2”的概念化 |
| 4.2.5 “越是N越V”的概念化 |
| 4.2.6 “越是N越A”的概念化 |
| 4.2.7 “越P越V/A”的概念化 |
| 4.2.8 “越是S越V/A”的概念化 |
| 4.2.9 “越来越V/A/N”的概念化 |
| 4.3 多环倚变句的概念化 |
| 4.3.1 连环倚变句的概念化 |
| 4.3.2 反环倚变句的概念化 |
| 4.4 小结 |
| 第5章 倚变句句法语义结构的概念化解释 |
| 5.1 引言 |
| 5.2 句法能产性 |
| 5.2.1 空间认知对倚变句的句法影响 |
| 5.2.2 参照认知对倚变句的句法影响 |
| 5.2.2.1 典型参照联结的句法影响 |
| 5.2.2.2 连锁型参照联结的句法影响 |
| 5.2.2.3 辐射型参照联结的句法影响 |
| 5.2.2.4 汇聚型参照联结的句法影响 |
| 5.2.2.5 嵌套型参照联结的句法影响 |
| 5.3 句法限制性 |
| 5.3.1 量范畴的有界性及无界性 |
| 5.3.2 量范畴的界性特征及语码化 |
| 5.3.2.1 物量的界性特征及语码化 |
| 5.3.2.2 动作量的界性特征及语码化 |
| 5.3.2.3 时间量的界性特征及语码化 |
| 5.3.2.4 空间量的界性特征及语码化 |
| 5.3.2.5 程度量的界性特征及语码化 |
| 5.3.3 比较认知对倚变句的句法影响 |
| 5.4 语义结构 |
| 5.4.1 比较义的概念化 |
| 5.4.2 变化义的概念化 |
| 5.4.3 倚变义的概念化 |
| 5.4.4 关联义的概念化 |
| 5.5 小结 |
| 第6章 倚变句历时演变的概念化解释 |
| 6.1 引言 |
| 6.2 标记语“越”的历时演变动因 |
| 6.2.1 主观性和主观化 |
| 6.2.2 客观位移和主观位移 |
| 6.2.3 标记语“越”的语法化动因 |
| 6.2.3.1 动词“越”的概念化 |
| 6.2.3.2 标记语“越”的概念化 |
| 6.2.3.3 标记语“越”的演变理据 |
| 6.3 固定构件“来”的历时演变动因 |
| 6.3.1 趋向动词“来”的概念化 |
| 6.3.2 固定构件“来”的概念化 |
| 6.3.3 固定构件“来”的语法化动因 |
| 6.4 “越来越Y”的历时演变动因 |
| 6.4.1 边界移动 |
| 6.4.2 “越来越Y”的语法化动因 |
| 6.5 小结 |
| 第7章 结论 |
| 7.1 本研究的主要发现 |
| 7.2 本研究的理论意义与实践意义 |
| 7.2.1 理论意义 |
| 7.2.2 实践意义 |
| 7.3 本研究的局限性及未来研究的方向 |
| 7.3.1 本研究的局限性 |
| 7.3.2 未来研究的方向 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
四、关于Sober空间与T_0、T_1、T_2空间的蕴含问题（论文参考文献）
- [1]具有退出选择的合作行为演化及网络拓扑的统计建模[D]. 申晨. 云南财经大学, 2021(09)
- [2]城市轨道交通列控系统信息安全态势评估方法研究[D]. 迟蒙超. 北京交通大学, 2021(02)
- [3]机器学习在生物序列问题中的应用研究[D]. 杨森. 吉林大学, 2021(01)
- [4]配电网虚假线损成因分析与修正方法研究[D]. 张思奇. 电子科技大学, 2021(01)
- [5]微博地震灾情地名的提取与聚合方法研究[D]. 孔珍. 武汉大学, 2020(06)
- [6]面向社交网络的标签提取方法的研究[D]. 黄晓玲. 合肥工业大学, 2020
- [7]基于动态贝叶斯网络的桥梁构件性能退化及安全性研究[D]. 解兵林. 华南理工大学, 2020(02)
- [8]高能效铣刀损伤形成与演变特性及其跨尺度设计方法[D]. 徐兴亮. 哈尔滨理工大学, 2020(02)
- [9]面向复杂特征空间的车辆短时轨迹预测研究[D]. 杨晨. 重庆邮电大学, 2020
- [10]移动参照认知视角下的倚变句研究[D]. 刘存伟. 河南大学, 2019(05)