导读:本文包含了网络分解论文开题报告文献综述及选题提纲参考文献，主要关键词:风速预测,集合经验模态分解,样本熵,相空间重构
网络分解论文文献综述
赵征,乔锦涛[1]（2019）在《基于集合经验模态分解的神经网络短期风速组合预测研究》一文中研究指出针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果迭加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。(本文来源于《电力科学与工程》期刊2019年11期）
吴曼曼,徐建新,王钦[2]（2019）在《基于数据分解的AQI的CEEMD-Elman神经网络预测研究》一文中研究指出针对Elman神经网络在预测空气质量指数(AQI)时易受到数据非平稳性的影响导致预测趋势良好但准确度较低的问题,提出以互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition, CEEMD)为基础的CEEMD-Elman模型.应用CEEMD对AQI序列分解成不同时间尺度上的本征模态函数分量和剩余分量,进而首次将对非平稳的AQI序列的预测研究转化为对多个平稳的本征模态函数分量的研究.分别与Elman单一模型、EMD-Elman模型、BP单一模型及CEEMD-BP模型进行实验对比.结果表明:应用该方法建立的模型的均方误差、平均绝对误差和平均绝对百分比误差分别为4.80、0.71、1.84%,均小于其他模型结果;对应空气质量等级预报正确天数的频率为94.12%.该模型能有效的降低非平稳性对实验预测结果的影响,实现对空气质量等级的准确预报;该研究为进一步预测AQI的走向提供了有效依据,也为政府决策和管理部门制定空气污染控制提供了更充分的参考.(本文来源于《中国环境科学》期刊2019年11期）
陈引驰[3]（2019）在《网络时代的思维惯性与文学经典之分解》一文中研究指出笔者想谈的是"网络时代的思维惯性与文学经典之分解"。这个题目里有两个因素很重要,一个是经典,一个是思维惯性。什么叫经典?好像很难概括,过去各种各样的研究太多了,大概可以写很多部书。但对于古(本文来源于《探索与争鸣》期刊2019年10期）
赵辉,华海增,岳有军,王红君[4]（2019）在《基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测》一文中研究指出针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和迭加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。(本文来源于《科学技术与工程》期刊2019年29期）
周亮[5]（2019）在《我国大类资产信息溢出机制研究——基于方差分解的网络拓扑分析》一文中研究指出采用广义溢出指数法对2011年至2017年我国股票、期货及债券叁个市场之间的信息溢出机制进行了研究,结果发现:股市对期市和债市均有收益率溢出影响,而股市和期市对债市均有波动率溢出影响;叁个市场的整体溢出指数值偏低,表明我国不同资产市场之间的关联性相对来说较小;时变特征也表明股市大多数情况处于溢出状态,期市方向不明确,债市则大多数情况处于被溢出状态;对溢出值的非对称检验发现,正向波动比负向波动的溢出值更大,但是统计上并不显着。对2015年6月股灾前后叁个市场的波动率溢出情况进行分析后发现,股市的极端风险更容易向期市传染,而债市相对更为稳定,不容易被极端风险感染。(本文来源于《运筹与管理》期刊2019年09期）
郎为民,张汉,吴帆,姚晋芳[6]（2019）在《虚拟化网络功能分解问题研究》一文中研究指出NFV(网络功能虚拟化)支持在大量用户之间安全高效地共享网络,并可在用户组之间提供高级隔离功能,而功能分解是NFV的第3种属性。NFV要求网络功能与单层网络硬件分离,在软件中实现分组转发。文章阐明VNF(虚拟化网络功能)分解应当遵循的3项原则,研究网络功能分解模型中的数据平面、控制平面和管理平面,描述用于NETCONF(网络配置)协议的数据建模语言——YANG(另类下一代),介绍VNF实现方案中涉及的两类工作负载:信号处理工作负载和存储工作负载。最后,分析VNF与单层网络、迭加网络的关系。(本文来源于《电信快报》期刊2019年09期）
张健,薛雅娟,常强,张莉萍[7]（2019）在《基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别》一文中研究指出地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混迭、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。(本文来源于《科学技术与工程》期刊2019年25期）
邝神芬,黄业文,宋杰,李洽[8]（2019）在《基于深度矩阵分解网络的矩阵填充方法》一文中研究指出矩阵分解是矩阵填充中的流行方法,但现有的方法大多是基于浅层的线性模型,当数据矩阵变大且观测数据很少时,容易导致过拟合,性能也随之显着下降。针对这些问题,提出了一种基于深度矩阵分解网络(DMFN)的矩阵填充方法,该方法不仅能弥补传统矩阵分解的缺点,而且能处理复杂的非线性数据。首先,将输入矩阵的观测值对应的行和列向量作为输入,对其进行投影,得到其行(列)的潜在特征向量;然后,分别对行(列)的潜在特征向量构建多层感知器网络;最后,通过构建双线性池化层,将行和列的输出向量进行融合。在推荐系统数据集MovieLens及Netflix上进行测试,实验结果表明,在相同参数设置下,与主流的填充算法相比,所提方法填充预测的均方误差(RMSE)及绝对值误差(MAE)都有明显提高。(本文来源于《计算机科学》期刊2019年10期）
孟彩霞,董娅娅[9]（2019）在《基于分解卷积神经网络的文本情感分析》一文中研究指出目前基于卷积神经网络的方法已在情感分类任务中取得了良好的效果。传统的卷积神经网络是将卷积层、池化层及全连接层简单堆积起来的。为了提高卷积神经网络的特征提取能力并加快模型训练速度,对传统的卷积神经网络进行改进,提出分解卷积神经网络模型并将其应用于文本情感分析中。实验结果表明,改进后的卷积神经网络取得了比目前主流的卷积神经网络更好的性能。(本文来源于《计算机与数字工程》期刊2019年08期）
高梦琦,昌锡铭,王欢[10]（2019）在《基于小波分解和长短时记忆网络的地铁进站量短时预测》一文中研究指出针对城市地铁车站进站客流量短时预测问题,提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型,小波分解和重构可以有效处理数据的波动性,长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例,实现了组合模型对进站量的预测,发现本方法能够得到比较准确的预测效果,平均绝对百分误差为5.48%,与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%,表明本方法有更好的预测精度。(本文来源于《山东科学》期刊2019年04期）
网络分解论文开题报告
（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：
针对Elman神经网络在预测空气质量指数(AQI)时易受到数据非平稳性的影响导致预测趋势良好但准确度较低的问题,提出以互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition, CEEMD)为基础的CEEMD-Elman模型.应用CEEMD对AQI序列分解成不同时间尺度上的本征模态函数分量和剩余分量,进而首次将对非平稳的AQI序列的预测研究转化为对多个平稳的本征模态函数分量的研究.分别与Elman单一模型、EMD-Elman模型、BP单一模型及CEEMD-BP模型进行实验对比.结果表明:应用该方法建立的模型的均方误差、平均绝对误差和平均绝对百分比误差分别为4.80、0.71、1.84%,均小于其他模型结果;对应空气质量等级预报正确天数的频率为94.12%.该模型能有效的降低非平稳性对实验预测结果的影响,实现对空气质量等级的准确预报;该研究为进一步预测AQI的走向提供了有效依据,也为政府决策和管理部门制定空气污染控制提供了更充分的参考.
（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。
网络分解论文参考文献
[1].赵征,乔锦涛.基于集合经验模态分解的神经网络短期风速组合预测研究[J].电力科学与工程.2019
[2].吴曼曼,徐建新,王钦.基于数据分解的AQI的CEEMD-Elman神经网络预测研究[J].中国环境科学.2019
[3].陈引驰.网络时代的思维惯性与文学经典之分解[J].探索与争鸣.2019
[4].赵辉,华海增,岳有军,王红君.基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测[J].科学技术与工程.2019
[5].周亮.我国大类资产信息溢出机制研究——基于方差分解的网络拓扑分析[J].运筹与管理.2019
[6].郎为民,张汉,吴帆,姚晋芳.虚拟化网络功能分解问题研究[J].电信快报.2019
[7].张健,薛雅娟,常强,张莉萍.基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别[J].科学技术与工程.2019
[8].邝神芬,黄业文,宋杰,李洽.基于深度矩阵分解网络的矩阵填充方法[J].计算机科学.2019
[9].孟彩霞,董娅娅.基于分解卷积神经网络的文本情感分析[J].计算机与数字工程.2019
[10].高梦琦,昌锡铭,王欢.基于小波分解和长短时记忆网络的地铁进站量短时预测[J].山东科学.2019