导读:本文包含了点过程论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:过程,序列,概率,社交,空间,标识,行列式。
点过程论文文献综述
余辉,柴登峰[1](2019)在《基于长方形点过程的遥感图像汽车提取》一文中研究指出针对遥感图像中汽车的识别和提取问题,分析大规模数量汽车的分布和排列,提出基于长方形点过程的汽车分布概率模型.采用先验模型刻画汽车在空间中的分布规律,采用数据项表达模型与图像的联系.采用模拟退火策略结合可逆跳马尔科夫链蒙特卡洛采样方法,对模型进行优化求解,实现图像中汽车的自动识别和提取.实验结果表明,所提方法能很好地用于道路和停车场等规则场景,提取精确度达到99%,回收率达到90%;由于先验模型的约束可以很好地解决汽车相互重迭和方向摇摆的问题,汽车提取的效果比传统算法更好.(本文来源于《浙江大学学报(工学版)》期刊2019年09期)
江海洋[2](2019)在《基于点过程的序列预测算法研究》一文中研究指出随着互联网技术的发展进步,各行各业通过网络产生了大量序列数据,利用序列数据进行预测,并挖掘其复杂动态性背后隐藏的内在规律,对于用户兴趣动态挖掘、电子广告实时推送、设备故障检测、交通故障预测等方面都具有重要的社会意义。但是,当前序列预测方法仍然存在信息未被充分利用的不足。因此,本文对融合了社交数据的点过程序列预测算法进行研究,利用了历史序列数据预测事件类型和时间。主要工作和创新点如下:(1)针对缺乏考虑不同维度信息的问题,本文提出一种社交化点过程序列预测算法(Social point process sequence prediction algorithm,SPSP)。通过同时考虑时间和空间两维度信息建模点过程强度函数,将社交关系网络引入点过程序列预测算法中,打开了建模强度函数的新思路。SPSP算法训练过程:首先在时间维度上,利用双LSTM分别建模强度函数的背景知识和历史影响;然后通过联合层将两个LSTM的输出合并,生成事件类型的预选表征和对应的事件时间;最后在空间维度上,将事件类型的预选表征作为输入,根据社交关系网络的邻居影响度算法优化重构强度函数,训练整个模型,预测最终事件类型和时间。(2)针对利用循环神经网络建模点过程时缺乏可解释性的问题,本文提出一种基于注意力机制的社交化点过程序列预测算法(A social point process sequence prediction algorithm based on attention mechanism,ASPSP)。ASPSP算法在事件序列训练中加入注意力机制,解决了由于所有上下文输入信息被压缩为定长向量导致模型预测能力受限的问题。经验证,算法的预测能力和关系挖掘能力得到提高,且算法建模过程更具可解释性。(3)在实际应用上,本文提出的算法具有可移植性和可扩展性,可以应用于跨度较大的不同领域中。比如社交网络领域的微博类型预测、设备维修领域的电梯故障预测和交通领域的事故地点预测等。本文分别在新浪微博数据集和电梯故障数据集上进行算法验证,将Logistic、RMTPP、TRPP、ERNN、TRNN等多种算法作为基准对比算法,其中,预测事件类型的评价指标为:Precision、Recall、F1值和Accuracy,预测事件时间的评价指标为:MAE。实验结果证明本文ASPSP算法具有更优的预测性能,可以高效准确地预测出下次事件类型和时间。(本文来源于《太原理工大学》期刊2019-06-01)
胡亚茹[3](2019)在《空间点过程的平稳性检验》一文中研究指出为了检验空间点过程的平稳性,Guan(2008)基于样本窗内拓展区域内观察到的点数和期望点数之间的偏差,提出了一个自由模型统计量。在强混合和弱相依的条件下,把检验数据收敛到二维布朗运动的函数分布。Chiu(2009)将Guan的方法延伸到一般统计类别,将点数投影到坐标轴上,并使用不同的方法来构造考虑偏差的区域,新的检验统计量同样收敛到布朗运动的函数分布,因此得到相应的渐进临界值。应用于长叶松数据时,Guan给出了一个不明确的结论,Chiu得到更明确的依据,拒绝平稳性假设。我们将Guan's检验使用的强混合条件弱化为遍历条件,通过稀松和尺度变换,把一般的空间点过程转化为泊松点过程进行平稳性检验,然后使用L-函数对齐次泊松点过程进行检验,并根据泊松点过程的性质得到渐进临界值。通过对泊松聚集过程和简单排斥过程的模拟,得到比较合理的检验效果。应用到长叶松数据,得到明确拒绝平稳性假设的结论。(本文来源于《南京大学》期刊2019-05-20)
张洪云,赵泉华,李玉[4](2019)在《基于非规则标识点过程的遥感图像零星地物目标几何特征提取》一文中研究指出针对遥感图像中零星目标几何特征的非规则性,提出基于非规则标识点过程的遥感图像零星目标几何特征提取方法.首先,将图像分为目标类和背景类,利用非规则标识点过程建立目标的分布和几何特征,其中非规则标识采用一系列由节点连接起来的多边形定义而成,用以拟合目标几何形状,标识点用以确定目标位置;然后分别利用多值高斯分布和KL(Kullback Leibler)散度定义特征场能量函数和异质性能量函数,形成全局目标提取能量函数,应用非约束吉布斯表达式将全局能量函数转换为概率分布函数,并在最大化概率分布函数准则下设计合适的M-H(Metropolis-Hastings)采样算法,获得最优目标提取结果;最后,采用所提出方法对遥感图像零星目标进行提取,由实验结果可以看出,所提出方法不仅能准确定位各零星目标,而且可以对其几何形状进行精确拟合.(本文来源于《控制与决策》期刊2019年09期)
江海洋,王莉[5](2019)在《一种建模社交化点过程序列预测算法》一文中研究指出根据序列数据预测下次事件类型和时间是一个值得研究的课题.目前点过程强度函数算法仅从时间维度考虑背景知识和历史影响两个方面,没有从空间维度加入社交关系的影响.针对该问题,提出基于时空深度网络的社交化点过程的序列预测算法(SPSP算法).该模型首先运用双LSTM(long short-term memory)分别建模强度函数的背景知识和历史影响;然后经过联合层将双LSTM输出合并,生成事件类型和时间向量表征;最后在空间维度上加入社交关系网络影响,优化强度函数.通过深度时空社交网络的多次训练,得到最优网络模型.在新浪微博数据集上的实验验证算法的有效性,证明社交化点过程序列预测算法可高效准确预测出事件类型与时间.(本文来源于《中国科学技术大学学报》期刊2019年02期)
赵进,周秀轻[6](2018)在《重复数据空间点过程的非参数强度函数估计的渐进性质(英文)》一文中研究指出在重复数据的情况下,我们给出了非齐次点过程强度函数的核估计.并研究了该估计的均方差与积分均方差的渐进性质.对于核估计的窗宽选择,我们给出了两种不同的方法,并用模拟的方法比较了这两种方法的效率.(本文来源于《应用概率统计》期刊2018年05期)
肖帅[7](2018)在《深度点过程学习》一文中研究指出本文研究基于点过程的行为过程建模。在大数据时代下,累积了大量行为数据,比如医疗就诊记录,电子商务购买数据,社交行为数据。对这些数据的挖掘和利用,具有重要价值,具体应用包括商业并购预测,论文流行度建模,疾病的预警和演进,行为模拟。首先对于真实应用,我们设计了参数化的点过程,并设计了新颖高效的求解算法。参数化点过程方法主要是模型驱动的过程建模方法,通过反复验证建立过程的抽象及简化表示,其局限性在于:模型选择需要较高的专家经验和领域知识,使得建模方法过于细分、通用性欠缺,不易适应信息社会的开放环境和不断涌现的新现象,不利于工程应用。人类生产生活中产生并积累的过程大数据,使得数据驱动的过程分析成为可能。将深度学习引入到过程分析,实现过程的端对端学习,降低应用门槛,提高使用效率,针对这个问题,我们提出了深度点过程的概念,能从异质数据中学习行为方式。我们分别针对时间敏感的事件预测,提出了基于最大自然法的深度点过程建模方法,该模型具有通用性和可解释性。另外对于基于系统观测或部分观测模拟未来行为的问题,我们分别提出了基于对抗学习和强化学习的学习框架,能够有效解决误差累积,模缺失等问题。我们的模型在仿真数据和真实数据集均取得了较优的效果。创新点创刺提出了基于最大似然法的深度点过程模型,能够有效地对异质数据进行行为建模,并具有模型可解释性。我们首先设计了新颖的参数化点过程建模方法和求解算法,解决真实应用问题。参数化的模型无法适用于不同的数据,针对特定的问题要提出不同的模型。针对上面的限制,我们提出了深度点过程模型,具有很高的普适性和模型可解释性,并在仿真和真实数据集上得到了很好的验证。创新点刲:针对基于系统观测或部分观测模拟系统未来行为的问题,我们提出了基于对抗学习的深度点过程建模框架。本模型对真实行为和仿真的行为的概率分布进行对比,最小化两者的概率分布差异。在考虑行为概率分布时,能够考虑行为序列的整体相似度,而不是最大似然法中单步的相似度,从而能够很好的解决误差传播。同时,针对黑盒系统,通常无法提前知道考察系统的行为模式,所以不能显式的参数化建模。所以我们的模型基于深度点过程,能够以数据驱动的方式学习系统的行为模式。创新点刳:针对基于系统观测或部分观测模拟系统未来行为的问题,我们从一个新的视角,提出了基于强化学习的深度点过程建模框架。行为的每一步都有一个反馈,而最终要考虑是整体行为的累积反馈。这样既能够对每步进行评价,又能从整体上评估行为序列。我们还推导出了高效的学习算法,使得模型的求解速度相对于对抗学习有了很大提升。(本文来源于《上海交通大学》期刊2018-06-01)
赵泉华,张洪云,李玉[8](2018)在《采用非规则标识点过程的LiDAR点云数据目标提取》一文中研究指出针对LiDAR点云数据目标投影几何的非规则性,提出非规则标识点过程的LiDAR点云数据目标提取方法。首先,在投影平面上定义随机点过程,利用其随机点定位该平面上的目标投影,对每一随机点生成一组节点集以建模该目标投影几何,作为目标标识;假设地物目标高程值服从独立同一高斯分布,从而得到LiDAR点云数据高程测度模型;在贝叶斯理论架构下建立目标几何提取模型,并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法模拟后验分布以及估计各参数;最后根据最大后验概率准则,求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取,根据实验结果可以看出,算法得到的检测精度均达到80%以上,最高精度为99.43%,得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程,可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。(本文来源于《光学精密工程》期刊2018年05期)
陈田田[9](2018)在《随机矩阵和行列式点过程》一文中研究指出行列式点过程是一类具有极好性质的随机过程,是随机矩阵理论中一种重要的研究工具。不仅如此,行列式点过程在概率统计、组合数学、数论、量子物理学等领域具有广泛应用,为之提供了一种特殊而有效的斥力概率模型。在本文中,首先我们将学习行列式点过程的一些基本性质,并且讨论得到有限行列式点过程的一般方法。其次,我们还将具体研究两个特殊的行列式点过程模型,即Aztec方块随机多米诺镶嵌模型和一维局部增长模型(角增长模型),并且详细讨论二者之间的关系。最后,我们将研究Aztec方块模型和随机置换模型的渐近性质,讨论它们与Tracy-Widom分布及Airy核点过程之间的关系。(本文来源于《中国科学技术大学》期刊2018-05-02)
孙柏[10](2018)在《UDN小区的空间泊松点过程建模与研究》一文中研究指出移动通信技术无疑是人类社会进步的强大驱动力之一。从1G到如今的4G,通信技术历经了从模拟到数字,从语音通话到网络业务,从低速流量到高速上网的重大演变过程。虽然目前移动通信的上网速度已经很快,但伴随2016年AI时代的到来,无线物联网领域的发展对移动通信技术提出了更高的要求。UDN(Ultra Dense Network)即超密集组网,是5G移动通信的网络部署关键技术之一。运营商为进一步使节点基站与终端用户间的距离缩短,大幅度地提升网络频谱效率,并扩展网络系统容量,通过增加大量低功率基站节点将现存的移动通信网络密度提高就形成了UDN小区。然而这些基站数量的剧增将使得网络拓扑结构变得更加复杂和不规则,干扰也变得更加难以分析和抑制,因此采用新型理论模型进行UDN小区的研究意义重大。本文采用更加适合密集组网场景且易于处理的空间泊松点过程对UDN小区进行建模并做分析研究。首先对下行链路、上行链路和频率复用的随机模型下的覆盖概率、网络吞吐量等网络关键性能指标的数学表达式进行变换推导,通过仿真验证了建模方法的准确性并讨论了节点基站密度、信道衰减指数、SINR阈值和频率复用因子等参数对通信质量的影响,得到一组保证网络吞吐量优良的同时SINR阈值与频率复用因子的最优关系。接下来的研究主要围绕UDN小区的干扰协调进行,考虑频率复用对密集蜂窝网络干扰管控的重要优化作用,提出了随机型干扰协调和增强型拓扑干扰协调两种方法以及一种节点基站基于时段和区域分层的功率控制策略。通过对两种干扰协调方法的仿真分析可知,二者均可提高用户接收SINR的性能,但随机型干扰协调不能改善边缘数据率,而增强型拓扑干扰协调可牺牲一定平均数据率来换取边缘数据率的增益。时段-区域分层控制策略的仿真结果体现了其在响应准确性、功耗控制和下行链路覆盖概率性能等方面的优点,因此实现节点基站功率半自适应的精细化控制的同时能够降低网络干扰和能耗。(本文来源于《黑龙江大学》期刊2018-04-12)
点过程论文开题报告
(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:
随着互联网技术的发展进步,各行各业通过网络产生了大量序列数据,利用序列数据进行预测,并挖掘其复杂动态性背后隐藏的内在规律,对于用户兴趣动态挖掘、电子广告实时推送、设备故障检测、交通故障预测等方面都具有重要的社会意义。但是,当前序列预测方法仍然存在信息未被充分利用的不足。因此,本文对融合了社交数据的点过程序列预测算法进行研究,利用了历史序列数据预测事件类型和时间。主要工作和创新点如下:(1)针对缺乏考虑不同维度信息的问题,本文提出一种社交化点过程序列预测算法(Social point process sequence prediction algorithm,SPSP)。通过同时考虑时间和空间两维度信息建模点过程强度函数,将社交关系网络引入点过程序列预测算法中,打开了建模强度函数的新思路。SPSP算法训练过程:首先在时间维度上,利用双LSTM分别建模强度函数的背景知识和历史影响;然后通过联合层将两个LSTM的输出合并,生成事件类型的预选表征和对应的事件时间;最后在空间维度上,将事件类型的预选表征作为输入,根据社交关系网络的邻居影响度算法优化重构强度函数,训练整个模型,预测最终事件类型和时间。(2)针对利用循环神经网络建模点过程时缺乏可解释性的问题,本文提出一种基于注意力机制的社交化点过程序列预测算法(A social point process sequence prediction algorithm based on attention mechanism,ASPSP)。ASPSP算法在事件序列训练中加入注意力机制,解决了由于所有上下文输入信息被压缩为定长向量导致模型预测能力受限的问题。经验证,算法的预测能力和关系挖掘能力得到提高,且算法建模过程更具可解释性。(3)在实际应用上,本文提出的算法具有可移植性和可扩展性,可以应用于跨度较大的不同领域中。比如社交网络领域的微博类型预测、设备维修领域的电梯故障预测和交通领域的事故地点预测等。本文分别在新浪微博数据集和电梯故障数据集上进行算法验证,将Logistic、RMTPP、TRPP、ERNN、TRNN等多种算法作为基准对比算法,其中,预测事件类型的评价指标为:Precision、Recall、F1值和Accuracy,预测事件时间的评价指标为:MAE。实验结果证明本文ASPSP算法具有更优的预测性能,可以高效准确地预测出下次事件类型和时间。
(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。
点过程论文参考文献
[1].余辉,柴登峰.基于长方形点过程的遥感图像汽车提取[J].浙江大学学报(工学版).2019
[2].江海洋.基于点过程的序列预测算法研究[D].太原理工大学.2019
[3].胡亚茹.空间点过程的平稳性检验[D].南京大学.2019
[4].张洪云,赵泉华,李玉.基于非规则标识点过程的遥感图像零星地物目标几何特征提取[J].控制与决策.2019
[5].江海洋,王莉.一种建模社交化点过程序列预测算法[J].中国科学技术大学学报.2019
[6].赵进,周秀轻.重复数据空间点过程的非参数强度函数估计的渐进性质(英文)[J].应用概率统计.2018
[7].肖帅.深度点过程学习[D].上海交通大学.2018
[8].赵泉华,张洪云,李玉.采用非规则标识点过程的LiDAR点云数据目标提取[J].光学精密工程.2018
[9].陈田田.随机矩阵和行列式点过程[D].中国科学技术大学.2018
[10].孙柏.UDN小区的空间泊松点过程建模与研究[D].黑龙江大学.2018