一、支持向量机训练算法综述（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》文中指出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。
苗晓燕[2]（2021）在《新冠肺炎疫情对国内各省份快递量的影响分析》文中认为2019年12月爆发的新冠肺炎疫情对我国经济和居民生活产生了巨大的影响,疫情期间人们外出受到限制,因此将无法实现的线下需求转移到了线上,使得我国快递业务量产生了较大的变化。本文在新冠肺炎疫情的背景下,分析了新冠肺炎疫情确诊人数在我国大陆31个省份分布的时间和空间特征,以及在新冠肺炎疫情前后我国快递业务量的差异。在此基础之上,考虑将新冠肺炎疫情的影响因素加入到对我国大陆快递业务量的影响分析中,弥补了在这一研究领域的空白,同时从地区、经济水平、消费水平和居民收入水平四类影响因素中选择了其他的特征变量,从统计学分析的角度建立了以快递业务量为因变量的回归分析模型,确定了快递业务量与各特征变量之间的关系,并分析各特征变量对各省份快递业务量的影响方式及影响程度。同时本文将机器学习的方法作为另一个切入点,建立了基于Decision Tree、支持向量机回归（SVR）、随机森林、GBDT的快递业务量拟合模型,从机器学习的角度去分析新冠肺炎疫情及其他影响因素对快递业务量造成的影响,机器学习模型的思想是将收集所得的数据划分为训练集和测试集分别用于模型的训练和拟合效果的测试,通过对各模型中各参数的调整,最终均获得了拟合效果良好的模型,最后对各模型的预测准确率和同一测试集下的均方误差进行对比,分析了各模型的拟合效果。为了进一步提高模型的拟合效果,本文引入了stacking集成学习的方法,以前五种模型作为基学习器,将基学习器处理所得的数据再次进行训练,以得到最优的快递业务量拟合模型,最终通过对比测试集的均方误差验证了集成模型的最优性,并对模型的最终结果进行了综合分析,由于新冠肺炎疫情在国内爆发时间和爆发地点上存在一定的差异,同时也综合考虑到经济发展水平、居民收入等因素的影响,最终得到的拟合模型并不适用于所有的省份,且不同的模型对不同的省份适用情况不同,本文最后针对最终得出的结论对国内快递行业的发展提出了几点建议,为我国各地方政府和快递企业在后疫情时期和今后可能会面临的突发性情况中资源安排和业务发展决策中提供一定的参考和借鉴意义。本篇论文中共含有图25幅,表格9个,参考文献60篇。
吴涢晖[3]（2021）在《核爆次声监测信号处理技术研究》文中进行了进一步梳理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。
金秋园[4]（2021）在《小样本雷达工作模式的识别研究》文中研究说明雷达信号识别作为雷达对抗系统中的一个重要环节,在电子侦察中发挥着无可比拟的作用,该环节包括雷达信号分选及雷达工作模式识别两部分。雷达信号分选是将随机交叠的脉冲流分离成各个雷达单独的脉冲串,雷达工作模式识别是根据雷达分选后的结果识别出各个雷达的工作模式。从雷达辐射源信号中获得的信息越多,越能精准识别出对方雷达的工作模式,从而对其行为意图加以预测并进行有效干扰。然而在实际情况中,接收到对方雷达信号的脉冲样本数可能是极少的,这使得对雷达工作模式的识别面临许多困难。传统的雷达工作模式识别方法均是以拥有大量的训练样本为前提,例如基于机器学习的支持向量机算法和基于深度学习的卷积神经网络。以上方法当训练样本数很少时,均会出现准确率下降及泛化性能变差的问题,难以完成小样本场景下的雷达工作模式分类任务。因此,如何在样本量很少的情况下识别出对方雷达的工作模式,并提高识别准确率具有重要研究意义。本文的主要工作和贡献可以归纳为:1.研究了基于多类支持向量机和卷积神经网络的小样本雷达工作模式识别,并进行仿真实验对比,仿真结果表明此两种算法在小样本场景下的识别性能较差。2.提出基于原型网络和图卷积神经网络的小样本雷达工作模式识别算法,并与传统识别方法进行仿真对比,对比结果表明上述两种算法的识别性能均优于传统的多类支持向量机及卷积神经网络。3.提出了将雷达工作模式的特征参数及其变化规律作为先验知识的使用及编码方法,特征参数包括脉冲重复间隔、脉冲载波频率及脉冲宽度。4.提出了将先验知识融入原型网络和图卷积神经网络,从而辅助小样本雷达工作模式识别的方法。仿真结果表明,通过对先验知识的利用,两种网络的识别准确率分别提升了3.7%和8.7%。在此基础上,本文进一步提出了当先验知识不准确及部分缺失时,如何利用上述两种网络完成小样本雷达工作模式识别的方案。
牟煜明[5]（2021）在《飞行前故障检测系统的设计与实现》文中研究表明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。
伍万杰[6]（2021）在《基于姿态分析的学生学习状态监测方法研究与实现》文中指出随着我国教学模式的不断更新,教师在教学活动中的压力也随之增大。为了最大化地提高集体中每个学生的学习能力,就需要教师保持对每个学生的关注度,而在传统的课堂教学中,教师不可能对每个学生学习状态进行监控,这就导致一些学生不被教师关注,造成优者更优,差者更差的两极分化,这是传统教学中迫切需要解决的问题。本文的主要研究内容是通过对学生学习姿态的识别研究,实现课堂学习中学生的学习状态分类,并且设计了学生学习状态监测系统。具体研究内容如下:1.根据学生在课堂学习中专注、一般、不专注三种学习状态的特点提出了六种识别学习状态的特征动作,设计出了学习状态特征空间模型。2.分析了学生处于不同学习状态的学习姿态特点,提出了一种基于学习专注度评分的学习状态识别方法。3.设计了基于卷积神经网络的学习状态分类识别算法,进行了网络结构的设计、网络参数的调试和网络的训练,并对各个参数设置对结果的影响进行了实验,找到了最优的网络结构。通过实验,平均识别准确率达到81.5%,并得到了误差为±0.14的识别准确程度。4.设计了基于支持向量机的学习状态分类识别算法,描述了六种特征动作的识别方法,提出利用3个支持向量机的输出概率分类学习状态。最后通过基于支持向量机的学习状态分类实验得出对学习状态的平均识别准确率达到78.6%。5.本文将基于卷积神经网络的学习状态分类识别方法与基于支持向量机的学习状态分类识别算法进行融合,得出融合算法在单个学习状态的识别中的精准率均优于单一的分类算法,并且平均准确率达到83.3%。6.设计并完成了基于学生在课堂学习中学习姿态的学习状态监测分类系统。
李梓臻[7]（2021）在《基于无人机多光谱影像的苹果树冠层叶面积指数估测研究》文中进行了进一步梳理叶面积指数（Leaf Area Index,LAI）是反映作物长势和预测产量的一个重要指标。传统的植被LAI测量方法多为野外实地测量,费时、费力,且缺乏快速获取大范围植被LAI的有效手段。由于无人机具备高效灵活的特点,无人机遥感可为作物植被LAI监测提供一种更为便捷的方法,能够对苹果树LAI实时进行有效的监测,为果园的科学管理提供技术支撑。以山东省栖霞市博士达果园为研究区,以盛果期的苹果树冠层为研究对象,于2020年6月中下旬,采用LAI-2200植物冠层分析仪对果树冠层的LAI进行实地测量,同步以大疆M600Pro六旋翼无人机为平台,搭载Sequoia农业多光谱相机,获取果园的遥感影像。对原始影像进行预处理和光谱反射率提取,分析了果树冠层光谱特征,通过不同波段反射率的组合计算植被指数,并分别对单波段反射率和植被指数做与果树冠层LAI的相关性分析,筛选与LAI相关性较高的敏感波段,构建了植被指数光谱参数,建立了果树冠层LAI估测模型,并进行对比分析,筛选出了苹果树冠LAI的最佳估测模型。主要研究结果如下:（1）筛选了与苹果树冠LAI相关性较高的波段,构建了植被指数在经过预处理的果园多光谱影像中,提取出苹果树冠层在绿光、红光、红边和近红外波段的反射率,计算21种可用的植被指数,分别为NDVI、RVI、DVI、PVI、SAVI、TNDVI、RDVI、MSR、MSAVI、OSVAI、TVI、CRI、MCARI、NGRDI、RI、GRVI、GNDVI、RGRI、WDRVI、NLI和MTVI2,通过与果树冠层LAI进行相关性分析,以绿光、红光波段为敏感波段,结合与LAI相关性最高的GNDVI构建光谱参数。（2）建立了苹果树冠LAI估测模型并进行精度检验以简单随机抽样、K-S算法和含量梯度法抽样将原始数据划分为训练集和验证集,以绿光、红光、红边和近红外波段的反射率和构建的光谱参数为自变量,苹果树冠LAI为因变量,分别建立了偏最小二乘回归、随机森林回归、支持向量机回归和BP神经网络模型,并对估测模型进行精度检验。综合不同模型的决定系数R2、均方根误差RMSE和相对分析误差RPD作为估测精度的评价标准。（3）确定了苹果树冠LAI的最佳估测模型通过对所有建立的苹果树冠LAI估测模型进行精度对比发现,3种数据划分方法分别建立的4种模型中,以含量梯度法建立的模型总体表现优于简单随机抽样和K-S算法抽样建立的模型,且以BP神经网络模型对苹果树冠LAI的估测精度较高。其中,以含量梯度法抽样建立的BP神经网络模型决定系数R2为0.815,均方根误差RMSE为0.121,相对分析误差RPD为1.810,在所有建立的模型中对苹果树冠LAI的估测效果最佳。
白玉辛[8]（2021）在《基于Flink平台并行SVM算法研究》文中进行了进一步梳理随着大数据时代的降临,信息技术发展上升到了一个新的历史阶段,影响着社会生产模式和人们生活的方方面面。智能移动设备、智能家居产品都在不停地生产数据,大量数据中也隐藏着巨大的利益价值。传统数据挖掘算法在大规模数据集上训练模型时,会出现训练效率不高,因此对传统数据挖掘算法的改进变得刻不容缓。支持向量机（Support Vector Machine,SVM）对比其他常用的数据挖掘分类算法,在算法训练过程中很少会出现过度拟合、属性特征过多造成的维数灾难对算法性能影响微乎其微、对核函数运用巧妙,可以让算法处理数据集线性不可分的情况。但是传统单机支持向量机并不能高效的处理大数据集,其算法运行过程中会出现训练速度慢,内存溢出,运行崩溃等性能低下问题。针对单机SVM算法面对大规模数据集处理效率低下等问题,将算法与并行计算的思路相结合,结合目前主流的大数据计算框架Flink,设计基于Flink平台并行SVM算法,解决单机SVM算法训练效率不高的情况,通过实验表明,在精度损失低的情况能大幅度提高算法训练速度,降低训练时间。论文的主要内容如下:（1）针对单机全局网格搜索算法寻优速度慢的问题,根据大数据“分而治之”的思想,将全局参数对文件切分成若干小块交给各个计算节点并行寻优,最后汇总寻优结果,选取最优参数,相比较单机全局网格搜索算法,基于Flink并行网格搜索算法提高了寻优速度,降低寻优时间。（2）结合层叠和分组训练SVM算法的优缺点,设计基于Flink并行SVM算法,通过优化并行操作算子的性能引入分布式广播变量,优化算法,有效解决单机SVM算法训练效率低的问题,在精度略微丢失的情况下,能大幅度提高训练速度,有效的减少了训练时间。（3）总结本文所做工作和科研中存在的不足之处,并对实时机器学习思想进行展望。
陈鹏[9]（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。
张磊[10]（2020）在《基于支持向量机的股票市场趋势分析及预测研究》文中研究指明随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。
二、支持向量机训练算法综述（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、支持向量机训练算法综述（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）新冠肺炎疫情对国内各省份快递量的影响分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 2 相关理论及文献综述 |
| 2.1 相关理论知识介绍 |
| 2.1.1 数据预处理及多元回归模型 |
| 2.1.2 机器学习理论及相关模型 |
| 2.1.3 集成学习理论 |
| 2.2 国内外文献综述 |
| 2.2.1 新冠肺炎疫情对物流的影响研究现状 |
| 2.2.2 快递行业发展的影响因素研究 |
| 2.2.3 快递业务量的预测研究 |
| 2.2.4 机器学习在物流预测中的应用研究 |
| 2.3 本章小结 |
| 3 疫情前后的快递业务量差异分析 |
| 3.1 新冠肺炎疫情确诊人数的时空特征分析 |
| 3.1.1 新冠肺炎疫情确诊人数的时间特征分析 |
| 3.1.2 新冠肺炎疫情确诊人数的空间特征分析 |
| 3.2 疫情前后我国快递业务量的差异分析 |
| 3.2.1 疫情前后我国快递业务量差异的时间特征分析 |
| 3.2.2 疫情前后我国快递业务量差异的空间特征分析 |
| 3.3 本章小结 |
| 4 疫情影响下快递业务量的多元回归模型分析 |
| 4.1 多元回归模型的构建 |
| 4.1.1 特征变量的选取 |
| 4.1.2 多元回归模型的建立 |
| 4.2 多元回归模型的诊断及结果分析 |
| 4.2.1 模型显着性检验 |
| 4.2.2 结果分析 |
| 4.3 多元回归模型的预测 |
| 4.4 本章小结 |
| 5 基于机器学习的快递业务量分布模型 |
| 5.1 快递业务量分布的决策树模型 |
| 5.1.1 决策树模型的构建 |
| 5.1.2 决策树模型的预测 |
| 5.2 快递业务量分布的支持向量机回归模型 |
| 5.2.1 支持向量机回归模型的构建 |
| 5.2.2 支持向量机回归模型的预测 |
| 5.3 快递业务量分布的随机森林模型 |
| 5.3.1 随机森林模型的构建 |
| 5.3.2 随机森林模型的预测 |
| 5.4 快递业务量分布的GBDT模型 |
| 5.4.1 GBDT模型的构建 |
| 5.4.2 GBDT模型的预测 |
| 5.5 基于集成学习的快递量分布模型 |
| 5.5.1 模型结果对比分析 |
| 5.5.2 基于stacking集成的快递业务量模型 |
| 5.5.3 集成模型效果分析 |
| 5.6 模型结果综合分析 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A 论文代码 |
| 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）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）小样本雷达工作模式的识别研究（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 雷达工作模式识别研究现状 |
| 1.2.2 小样本学习研究现状 |
| 1.3 文章主要工作介绍 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织安排 |
| 第二章 雷达工作模式识别相关技术 |
| 2.1 支持向量机概述 |
| 2.1.1 支持向量机工作原理 |
| 2.1.2 支持向量机的应用优势 |
| 2.2 卷积神经网络基础理论 |
| 2.2.1 卷积运算 |
| 2.2.2 池化 |
| 2.2.3 激活函数 |
| 2.2.4 全连接层 |
| 2.2.5 反向传播算法 |
| 2.3 本章小结 |
| 第三章 基于图神经网络的小样本雷达工作模式识别 |
| 3.1 基于传统算法的小样本雷达工作模式识别算法研究 |
| 3.1.1 基于多类别支持向量机的小样本雷达工作模式识别算法 |
| 3.1.2 基于卷积神经网络的小样本雷达工作模式识别算法 |
| 3.1.3 实验结果分析 |
| 3.2 图神经网络 |
| 3.2.1 图神经网络研究现状及应用 |
| 3.2.2 图卷积神经网络架构 |
| 3.3 基于图卷积神经网络的小样本雷达工作模式识别算法 |
| 3.3.1 数据预处理 |
| 3.3.2 分类算法 |
| 3.3.3 实验结果分析 |
| 3.4 结果对比分析 |
| 3.5 本章小结 |
| 第四章 基于原型网络的小样本雷达工作模式识别 |
| 4.1 原型网络 |
| 4.1.1 原型网络研究现状及应用 |
| 4.1.2 原型网络架构 |
| 4.2 基于原型网络的小样本雷达工作模式识别算法 |
| 4.2.1 数据特征提取 |
| 4.2.2 定义类原型 |
| 4.2.3 损失函数 |
| 4.2.4 模型参数优化 |
| 4.3 实验结果分析 |
| 4.4 结果对比分析 |
| 4.5 本章小结 |
| 第五章 融合先验知识的小样本雷达工作模式识别 |
| 5.1 先验知识的定义 |
| 5.1.1 先验知识的定义及编码 |
| 5.2 基于图卷积知识网络的小样本雷达工作模式识别 |
| 5.2.1 网络模型设计 |
| 5.2.2 先验知识的应用 |
| 5.2.3 算法实现过程 |
| 5.2.4 模型参数优化 |
| 5.2.5 实验结果分析 |
| 5.3 基于原型知识网络的小样本雷达工作模式识别 |
| 5.3.1 网络模型设计 |
| 5.3.2 预训练原型网络 |
| 5.3.3 先验知识嵌入 |
| 5.3.4 先验知识的应用 |
| 5.3.5 算法实现过程 |
| 5.3.6 模型参数优化 |
| 5.3.7 实验结果分析 |
| 5.3.8 先验知识的有效性验证 |
| 5.4 基于部分先验知识的小样本雷达工作模式识别 |
| 5.4.1 先验知识不准确 |
| 5.4.2 先验知识部分缺失 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（5）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 |
（6）基于姿态分析的学生学习状态监测方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容 |
| 1.4.1 研究内容 |
| 1.4.2 文章结构 |
| 第2 章 基础理论与学习状态分类概述 |
| 2.1 卷积神经网络 |
| 2.2 学习状态 |
| 2.2.1 学习状态概念界定 |
| 2.2.2 学习状态分析基础理论 |
| 2.3 基于学习姿态的学习状态研究法 |
| 2.3.1 学习姿态定义 |
| 2.3.2 基于学习姿态的学习状态模型设计 |
| 2.4 学习状态分类算法简介与选择 |
| 2.4.1 模式识别分类算法简介 |
| 2.4.2 学习状态分类方法选择 |
| 2.4.3 数据融合理论简介 |
| 第3 章 基于卷积神经网络的学习状态分类方法研究 |
| 3.1 卷积神经网络确定 |
| 3.1.1 卷积层 |
| 3.1.2 激活函数 |
| 3.1.3 池化层 |
| 3.1.4 分类函数 |
| 3.2 素材库预处理 |
| 3.2.1 图片预处理 |
| 3.2.2 专注度分类设计 |
| 3.2.3 标定专注度权值 |
| 3.3 网络训练实验 |
| 3.3.1 网络结构 |
| 3.3.2 网络训练 |
| 3.3.3 训练结果 |
| 3.3.4 结果对比 |
| 3.4 本章小结 |
| 第4 章 基于支持向量机的学习状态分类方法研究 |
| 4.1 特征动作识别 |
| 4.1.1 闭眼特征动作识别 |
| 4.1.2 闭嘴、打哈欠特征动作识别 |
| 4.1.3 点头特征动作识别 |
| 4.1.4 视角变化特征动作识别 |
| 4.1.5 身体前倾特征动作识别 |
| 4.2 特征动作识别结果 |
| 4.3 基于支持向量机的学习状态分类实验 |
| 4.3.1 实验设计 |
| 4.3.2 实验结果 |
| 4.4 数据融合 |
| 4.5 本章小结 |
| 第5 章 学习状态监测系统设计与实现 |
| 5.1 系统需求分析 |
| 5.2 系统总体设计 |
| 5.3 学习状态检测系统实现 |
| 5.3.1 系统检测流程 |
| 5.3.2 系统开发环境 |
| 5.4 系统模块设计与实现 |
| 5.4.1 摄像头模块 |
| 5.4.2 服务器模块 |
| 5.5 数据库设计 |
| 5.6 系统运行界面 |
| 5.6.1 登录界面 |
| 5.6.2 系统界面 |
| 5.7 本章小结 |
| 第6 章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）基于无人机多光谱影像的苹果树冠层叶面积指数估测研究（论文提纲范文）
| 符号说明 |
| 中文摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 植被LAI估测研究进展 |
| 1.2.2 基于无人机遥感的农情监测和LAI相关研究进展 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 实验数据的获取 |
| 2.2.1 无人机影像的获取 |
| 2.2.2 苹果树冠LAI的获取 |
| 2.3 无人机图像的预处理 |
| 2.3.1 图幅拼接 |
| 2.3.2 图像裁剪 |
| 2.3.3 图幅校正 |
| 2.3.3.1 辐射定标 |
| 2.3.3.2 几何校正 |
| 2.4 苹果树冠层光谱的提取 |
| 2.5 植被指数的计算 |
| 2.6 相关性分析 |
| 2.7 光谱参数的构建 |
| 2.8 苹果树冠LAI估测模型 |
| 2.8.1 训练集和验证集的划分 |
| 2.8.1.1 简单随机抽样 |
| 2.8.1.2 Kennard-Stone算法抽样 |
| 2.8.1.3 含量梯度法抽样 |
| 2.8.1.4 建模数据划分结果评价 |
| 2.8.2 估测模型的构建 |
| 2.8.2.1 偏最小二乘回归 |
| 2.8.2.2 随机森林回归 |
| 2.8.2.3 支持向量机回归 |
| 2.8.2.4 BP神经网络 |
| 2.8.3 估测模型精度验证 |
| 3 结果与分析 |
| 3.1 苹果树冠层光谱分析 |
| 3.2 相关性分析结果 |
| 3.3 光谱参数构建结果 |
| 3.4 LAI估测模型的运算及结果 |
| 3.4.1 基于偏最小二乘回归的LAI估测研究 |
| 3.4.2 基于随机森林回归的LAI估测研究 |
| 3.4.3 基于支持向量机回归的LAI估测研究 |
| 3.4.4 基于BP神经网络的LAI估测研究 |
| 3.5 统计分析 |
| 4 结论 |
| 5 研究特色与展望 |
| 5.1 研究特色 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（8）基于Flink平台并行SVM算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的意义 |
| 1.2 课题研究背景 |
| 1.3 国内外研究现状 |
| 1.4 本文研究内容 |
| 1.5 论文结构 |
| 第二章 相关理论及技术原理 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘概念综述 |
| 2.1.2 数据挖掘任务分类 |
| 2.1.3 数据挖掘数据预处理 |
| 2.1.4 数据挖掘过程 |
| 2.2 支持向量机算法概述 |
| 2.2.1 支持向量机 |
| 2.2.2 多分类支持向量机 |
| 2.2.3 单机SVM算法的局限性及改进思路 |
| 2.3 参数寻优算法概述 |
| 2.3.1 遗传算法 |
| 2.3.2 粒子群算法 |
| 2.4 大数据计算框架Flink |
| 2.4.1 Flink的背景 |
| 2.4.2 Flink基本架构 |
| 2.4.3 Flink的优势 |
| 2.4.4 Flink的应用场景 |
| 2.5 分布式文件系统(HDFS) |
| 2.6 本章小结 |
| 第三章 基于Flink并行网格搜索算法设计与实现 |
| 3.1 基于Flink并行网格搜索算法描述 |
| 3.1.1 单机全局网格搜索算法 |
| 3.1.2 基于Flink并行网格搜索算法 |
| 3.2 核函数和交叉验证 |
| 3.2.1 核函数选择 |
| 3.2.2 交叉验证 |
| 3.3 基于Flink并行网格搜索算法 |
| 3.3.1 分布式SVM参数寻优原理 |
| 3.3.2 算法主要思路 |
| 3.4 本章小结 |
| 第四章 基于Flink并行SVM算法设计与实现 |
| 4.1 基于Flink并行一对多SVM算法描述 |
| 4.1.1 单机一对多支持向量机算法 |
| 4.1.2 基于Flink的一对多SVM算法 |
| 4.2 数据集切分与持久化 |
| 4.3 SVM算法并行化设计 |
| 4.3.1 分组训练算法 |
| 4.3.2 层叠训练算法 |
| 4.4 基于Flink的并行一对多SVM算法 |
| 4.4.1 算法主要思路 |
| 4.4.2 算法实现 |
| 4.5 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验环境搭建 |
| 5.1.1 硬件概述 |
| 5.1.2 软件概述 |
| 5.1.3 Flink集群搭建 |
| 5.2 并行网格搜索算法实验与结果分析 |
| 5.2.1 实验准备 |
| 5.2.2 实验结果 |
| 5.3 并行SVM算法实验与结果分析 |
| 5.3.1 实验准备 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 第六章 结论和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A (攻读学位期间发表论文目录) |
（9）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 |
（10）基于支持向量机的股票市场趋势分析及预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容 |
| 1.2.1 数据来源 |
| 1.2.2 具体研究内容 |
| 1.3 研究方法 |
| 1.4 本文可能的创新点 |
| 1.5 论文结构框架 |
| 第二章 文献综述 |
| 2.1 股票预测研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.2.1 传统时间序列方法在股票预测中的应用 |
| 2.1.2.2 支持向量机在股票预测中的应用 |
| 2.1.2.3 支持向量机的参数调优及性能改进 |
| 2.2 本章小结 |
| 第三章 股票市场及支持向量机等相关算法概述 |
| 3.1 股票市场相关知识概述 |
| 3.1.1 影响股票涨跌的因素 |
| 3.1.2 股票预测常用指标 |
| 3.1.3 股票趋势预测常用方法 |
| 3.2 支持向量机算法及相关理论 |
| 3.2.1 统计学习理论 |
| 3.2.2 支持向量机 |
| 3.2.3 非线性可分理论 |
| 3.2.4 支持向量机的改进算法 |
| 3.3 情感分析技术 |
| 3.3.1 情感分析应用 |
| 3.3.2 情感分析基本方法 |
| 3.4 主成分分析法(Principal Component Analysis,PCA) |
| 3.4.1 PCA简介 |
| 3.4.2 主成分分析法步骤 |
| 3.5 参数优化方法 |
| 3.5.1 遗传算法 |
| 3.5.2 粒子群算法 |
| 3.6 本章小结 |
| 第四章 股票市场预测指标体系构建及处理 |
| 4.1 数据获取 |
| 4.2 股票市场预测指标体系构建 |
| 4.2.1 股票市场预测常用指标与股价表现探究 |
| 4.2.2 新闻情感指标构建 |
| 4.2.2.1 基于新闻情感分析的指标构建 |
| 4.2.2.2 搜索热度及新闻情感与股价表现的关系探究 |
| 4.3 数据预处理 |
| 4.3.1 股票市场预测指标体系预处理 |
| 4.3.2 基于主成分分析的股票市场预测指标降维 |
| 4.4 本章小结 |
| 第五章 基于支持向量机的股票市场预测 |
| 5.1 股票市场预测模型构建 |
| 5.1.1 基于支持向量机分类的股票走势预测 |
| 5.1.2 基于支持向量机回归的股指预测 |
| 5.1.3 基于支持向量机回归的股票投顾 |
| 5.1.4 不同时间滑窗下支持向量机模型表现 |
| 5.2 股票市场预测模型的参数优化及改进 |
| 5.2.1 支持向量机参数调优 |
| 5.2.1.1 遗传算法参数调优 |
| 5.2.1.2 粒子群算法参数调优 |
| 5.2.2 股票市场预测模型的改进 |
| 5.2.2.1 基于改进支持向量机的股票市场预测 |
| 5.2.2.2 基于时期划分的股票市场预测 |
| 5.3 股票市场预测模型结果评估及对比分析 |
| 5.3.1 股票市场预测模型结果评估 |
| 5.3.2 基于主成分分析的支持向量机与普通支持向量机的性能对比分析 |
| 5.3.3 不同参数优化算法的性能对比分析 |
| 5.3.4 改进支持向量机的模型效果评估 |
| 5.3.5 基于时期划分的股票市场预测效果评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 研究的不足与局限 |
| 6.3 支持向量机在股票预测上的应用前景与展望 |
| 参考文献 |
| 附录 攻读硕士学位期间撰写的论文 |
| 致谢 |
四、支持向量机训练算法综述（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]新冠肺炎疫情对国内各省份快递量的影响分析[D]. 苗晓燕. 北京交通大学, 2021(02)
- [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]小样本雷达工作模式的识别研究[D]. 金秋园. 电子科技大学, 2021(01)
- [5]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)
- [6]基于姿态分析的学生学习状态监测方法研究与实现[D]. 伍万杰. 西南大学, 2021(01)
- [7]基于无人机多光谱影像的苹果树冠层叶面积指数估测研究[D]. 李梓臻. 山东农业大学, 2021(01)
- [8]基于Flink平台并行SVM算法研究[D]. 白玉辛. 昆明理工大学, 2021(01)
- [9]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)
- [10]基于支持向量机的股票市场趋势分析及预测研究[D]. 张磊. 南京邮电大学, 2020(02)