首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

不完整高维数据的一种预处理和填充算法研究

摘要第4-5页
Abstract第5-6页
第1章 绪论第9-17页
    1.1 研究背景与意义第9-10页
    1.2 国内外研究现状第10-13页
    1.3 本文主要研究内容第13页
    1.4 论文研究框架与组织结构第13-16页
        1.4.1 研究框架第13-15页
        1.4.2 组织结构第15-16页
    1.5 本章小结第16-17页
第2章 小波阈值降噪与归一化处理方法第17-37页
    2.1 小波阈值降噪法第17-21页
        2.1.1 小波阈值降噪流程第17-18页
        2.1.2 小波基函数的性质第18-19页
        2.1.3 分解尺度的确定第19-20页
        2.1.4 阈值选择第20-21页
    2.2 基于随机采样的小波基函数选择第21-27页
        2.2.1 实验所用数据集第21页
        2.2.2 降噪评价标准第21-22页
        2.2.3 随机采样选择方法第22-24页
        2.2.4 实验结果第24-27页
    2.3 软阈值函数改进第27-29页
        2.3.1 传统阈值函数第27-28页
        2.3.2 软阈值函数的改进第28-29页
    2.4 降噪结果与分析第29-34页
        2.4.1 降噪结果对比第29-31页
        2.4.2 实验结果第31-34页
    2.5 数据归一化方法改进第34-36页
        2.5.1 常用的归一化处理方法第34-35页
        2.5.2 归一化方法的改进第35-36页
    2.6 本章小结第36-37页
第3章 BMO算法的改进与数据降维第37-52页
    3.1 BMO算法第37-39页
    3.2 参数自适应改进第39-40页
    3.3 应用模拟退火思想的改进第40-45页
        3.3.1 模拟退火算法第41-42页
        3.3.2 自适应模拟退火BMO算法第42页
        3.3.3 SABMO算法标准测试第42-45页
    3.4 SABMO算法的数据降维处理第45-51页
        3.4.1 数据降维流程第45-46页
        3.4.2 维度间相关性评估方法第46-49页
        3.4.3 算法时间复杂度分析第49页
        3.4.4 实验结果与分析第49-51页
    3.5 本章小结第51-52页
第4章 SABMO-NN填充模型的构建与改进第52-65页
    4.1 人工神经网络第52-54页
    4.2 SABMO-NN模型的构建第54-55页
        4.2.1 方案编码第54-55页
        4.2.2 算法流程第55页
    4.3 实验结果与分析第55-58页
        4.3.1 评价指标第56页
        4.3.2 实验结果与分析第56-58页
    4.4 SABMO-NN填充模型的改进第58-59页
        4.4.1 反馈校偏机制第58-59页
        4.4.2 改进后预测模型第59页
    4.5 实验对比与分析第59-64页
        4.5.1 对改进的SABMO-NN填充模型分析与预测第59-63页
        4.5.2 实验结果第63-64页
    4.6 本章小结第64-65页
第5章 结论与展望第65-67页
    5.1 总结第65-66页
    5.2 展望第66-67页
致谢第67-68页
参考文献第68-72页
攻读硕士学位期间发表学术论文情况第72页

论文共72页,点击 下载论文
上一篇:FBG/FP复合传感器高低温传感特性研究
下一篇:基于随机点过程的遥感图像中汽车的识别和提取