布劳威尔关于向量分布的研究

布劳威尔通过将球面不动点定理和向量场联系起来,推动了布劳威尔不动点定理的产生,也促进了代数拓扑学的发展。基于相关原始文献,围绕布劳威尔关于向量分布的研究,分析布劳威尔对庞加莱指数工作的推广,及其对二维布劳威尔不动点定理新证明方法的思想演变过程,以期厘清布劳威尔将庞加莱的指数工作应用于一般连续向量分布的过程,及二维不动点定理新证明的具体思想。

成分向量分布的几个问题

成分统计分析的名著[1]中提出了一些看法,本文就其中三点提出了不同的意见,并给出了实例。(1)关于狄氏分布与独立性;(2)关于乘法逻辑分布的引入有无必要;(3)关于成分与总量的独立性。

基于分布式支持向量机的电网错误数据注入检测法

为提高对具有非线性分布特性的电力网络错误数据注入监测的准确性,提出基于分布式支持向量机的电力网络错误数据注入检测新方法。首先通过蒙特卡罗模拟生成测量计划,其测量计划模拟了多种类型的错误数据注入的粗差。然后,通过主成分分析对数据库降维和简化。最后,利用所提出的错误数据注入检测新方法检测错误数据注入,并通过创新指标和归一化残差指标评价错误数据注入检测效果。为验证所提出错误数据注入检测方法的有效性,将所提方法与已有错误数据注入检测方法对比。仿真和对比结果表明,所提方法能够更加准确地检测电力网络的错误数据注入,且具有较好的泛化能力和较好的非线性数据分类能力。

基于小波能量分布向量的结构损伤识别

利用小波变换时-频局部化性能,提出了基于小波能量分布向量的结构损伤识别方法。首先建立无损结构响应信号小波能量分布的总体向量;其次,将实测动力响应信号分解为小波包组分,计算其小波能量分布向量(样本向量);通过样本向量和总体向量之间的马氏距离识别损伤。该方法仅利用单测点结构响应数据进行损伤识别,实验方便,计算简单,并通过钢梁试验对损伤识别方法进行了试验验证,识别结果表明小波能量分布向量是一个比较好的结构损伤指标。

基于Hadoop分布式支持向量机球磨机大数据建模

大数据时代环境下,火电厂大量数据被存储到数据库中而不能被充分利用,由于双进双出钢球磨煤机系统的复杂性,很难建立其准确的机理数学模型,为此提出一种基于大数据挖掘的建模方法.首先分析影响磨煤机料位的因素,提取现场海量的实际运行数据,在Hadoop平台下利用K-Means聚类算法删除离群点,利用主成分分析法(PCA)降维完成属性约简,然后在MapReduce架构上采用分布式支持向量机(D_SVM)建立模型,实现计算并行化.结果表明,采取该方法提高了建模效率,所建立的模型具有很高的精确度,且具有很好的泛化能力,该模型可以用于表征实际料位的特性.

向量球对称分布的F分布

在向量球对称分布及其广义二次型的基础上研究了向量球对称分布的F分布,给出了F分布的密度函数及其数学期望和方差。

与向量球对称分布有关的一类广义χ~2分布

在向量球对称分布的基础上研究了与向量球对称分布有关的一类广义χ2分布和二次型分布,并给出了χ2分布的密度函数及其数学期望和方差。

高阶多元Markov链联合稳定分布向量的扰动界

给出了高阶多元Markov链联合稳定分布向量的几个扰动界:结合高阶多元Markov链概率转移矩阵左、右特征向量的相关性质,得到高阶多元Markov链联合稳定分布向量的扰动界,新的扰动界结果是一阶多元Markov链联合稳定分布向量扰动界结果的推广;利用高阶多元Markov链概率转移矩阵的特殊性,给出其联合稳定分布向量可计算形式的扰动界,也是已有一阶多元Markov链联合稳定分布向量相应扰动界结果的推广;结合Paz不等式,通过分析高阶多元Markov链联合稳定分布向量的分量扰动,得到了联合稳定分布向量基于分量形式的扰动界,便于观察高阶多元Markov链中具体某条链某个状态的扰动.

与向量球对称分布有关的一类矩阵Beta分布

在向量球对称分布的基础上研究与向量球对称分布有关的一类矩阵Beta分布,并给出了矩阵Beta分布及其逆的密度函数和k阶距。

F2上两类向量深度的分布

给出了F2上任意n维向量空间的第2类向量深度分布的一个表达形式,对第3类向量深度分布,则给出了完整的结果.

F2上第三类向量深度的分布及序列{(E-1)^m(s)}m≥0的周期

向量复杂程度的一个研究角度是向量的深度。将Etzion和Roth提出的向量深度归纳为3类向量深度,通过有限长序列的周期与第三类向量深度之间的关系,给出了F2上任意n维向量空间的第三类向量深度的分布,并且利用向量算子的矩阵描述,从序列{(E-1)m(s)}m≥0终归周期的角度,进一步考察了第三类向量深度为∞的向量的性质。

多阶段特征重分布算法的小样本目标检测

深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务下源域数据和目标域数据分布不一致的问题;通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中,进一步提高知识迁移效率。在VOC数据集上的大量实验表明,与现有小样本目标检测算法相比,该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时,较大限度地保持了对源域类别的检测精度,具有较大的实用价值。

分布式词向量研究和实现

词向量是词的一种特征表示,是很多自然语言处理任务的基础步骤。本文介绍了一种用深度学习训练词向量的方法,训练好的词向量具有维度低、保留语义相似性的特征。对某个特定语料库训练词向量,用统计语言模型进行中文分词,去掉停用词之后,构造词库;利用CBOW模型在词库上面训练得到词向量。论文学习并且实现了一种分布式词向量表示,主要工作包括:(1)下载清华开源THUNews数据集作为词向量训练数据集;(2)利用开源工具结巴对THUNews中所有文本进行中文分词;(3)利用开源工具FastText实现词向量的训练和评价。

一类椭球等高矩阵分布的二次型

在向量球对称分布的基础上研究了向量球对称分布和一类椭球等高矩阵分布的二次型,并给出了二次型及其逆的密度函数。

Hadoop平台分布式SVM算法分类研究

随着大数据的发展,分布式支持向量机(SVM)成为该领域研究热点.传统层级分布式SVM算法(Cascade SVM),在Hadoop平台下寻找全局最优支持向量的过程十分缓慢.本文提出了一种改进方法,先将传统的网格法与粒子群(PSO)算法结合,改进了单机PSO算法,再将单机PSO算法与Hadoop平台结合实现了一种新型卫星并行PSO算法(NPP-PSO).实验结果表明,相比于单机SVM算法,本文的分布式SVM算法,在保证了准确率的前提下大幅提高了计算速度;而使用NPP-PSO参数寻优后的分布式SVM,分类准确率相比于分布式SVM算法又有了明显提高.

EVS椭球等高矩阵分布中的正态性刻划

近年来多人研究了模型误差服从椭球等高分布情况下的性质,并得出较好结论.在假定样本服从向量椭球等高分布情况下,进一步完善样本来自正态分布的等价性刻划.

基于张量分解技术的个性化云服务推荐算法设计

传统的推荐算法通常利用矩阵分解来处理二维数据,但在云服务推荐领域,涉及用户、服务和时间等多个维度,形成了复杂的高维数据。矩阵分解在处理这种多维度数据时难以充分捕捉各维度间的复杂交互关系,因此容易出现QoS关键数据的丢失和推荐不准确等问题。为了解决这些问题,设计了基于张量分解技术的个性化云服务推荐算法。利用张量分解技术处理云服务高维数据,从用户、服务和时间等三个维度的高维和低维数据,提高推荐元素与用户需求的匹配度,避免了QoS数据的丢失。基于QoS感知技术构建云服务个性化推荐模型,将经过处理后的数据代入模型中,在模型中整合QoS信息和服务功能信息,以有效提升推荐的有效性和准确性。同时,引入文本的语义特征,进一步优化推荐模型,使其能够根据用户输入的语义信息,快速查询并推荐符合需求的服务类别。通过映射云服务空间分布向量推荐查询函数,在推荐模型中激活每一维度的推荐记录,进一步提升推荐结果的准确性。经过对实验结果进行对比验证,证明了所提出的算法在推荐准确性方面具有显著的优越性,并具备在实际生活中广泛应用的潜力。

基于区域语义子概念分布的场景分类

大量的需求使得图像检索成为当前研究的热点。提出了对图像进行均匀分割、识别区域子概念并在此基础上对概念分布向量进行融合的场景分类方法。实验结果表明,这种方法提高了分类结果的P/R值,获得了很好的分类结果。

高阶马尔科夫链极限概率分布的一种松弛算法

针对由高阶马尔科夫链产生的转移概率张量的极限概率分布问题,提出一种松弛算法,可以看成是一种带动量项的高阶幂法。在0<β,γ<1-η_(m)/ 2η_(m)的条件下,算法具有全局收敛性。数值实验表明,通过选取适当松弛参数,所提算法能够有效改善原高阶幂法的计算效率。

支持向量机在大规模数据分类中的应用

笔者对支持向量机在大规模数据分类中的应用进行了分析研究,针对其在处理大规模数据时存在的内存空间需求过大和训练时间过长的问题,基于不同特性的通用数据集对三种不同算法支持向量机的分类时间和准确度进行了实验,比较分析了传统支持向量机采用不同核函数和线性支持向量机采用不同损失函数的分类效果,对分布式支持向量机的分类进行了实验。实验结果表明,相对于传统支持向量机,分布式支持向量机和线性支持向量机的训练速度和分类准确率都有提高。