一、线性预测模型的分布估计（论文文献综述）
欧阳佳,印鉴,肖政宏,赵慧民,刘少鹏,梁鹏,肖茵茵[1]（2021）在《面向频繁项集挖掘的本地差分隐私事务数据收集方法》文中研究表明事务数据常见于各种应用场景中,如购物记录、页面浏览历史等.为了提供更好的服务,服务提供商收集用户数据并进行分析,但收集事务数据会泄露用户的隐私信息.为了解决上述问题,基于压缩的本地差分隐私模型,提出一种事务数据收集方法.首先,定义了一种新的候选项集分值函数;其次,基于该函数,将候选项集的样本空间划分为多个子空间;然后,随机选择其中一个子空间,基于该子空间随机生成事务数据并发送给不可信的数据收集者;最后,考虑到隐私参数的设置问题,基于最大后验置信度攻击模型设计启发式隐私参数设置策略.理论分析表明,该方法能够同时保护事务数据的长度与内容,满足压缩的本地差分隐私要求.实验结果表明,与目前最优的工作相比,所收集的数据具有更高的效用性,隐私参数设置更具有语义性.
刘达,刘雨萌,许晓敏[2]（2021）在《基于Copula函数特征筛选的电力物资供应商投标价格预测》文中研究表明分析电力物资供应商投标价格特征是招标企业估计投标价格并制定合理采购策略的基础。传统的Spearmen秩相关系数特征筛选方法只单纯考虑了特征的数值排列顺序,不能挖掘特征变量与目标的内在关联关系,会导致预测效果差。本文在电力企业招标价格预测建模中引入Copula函数,通过特征变量与目标变量的联合概率分布来分析变量间的相依关系。首先确定特征变量与目标变量的边缘分布,进行Copula参数估计,选取合适的Copula函数并计算相关系数来筛选供应商投标价格的特征,并以多种预测方法进行预测来验证引入Copula函数后预测精度是否提升。结果表明,引入Copula函数进行特征筛选后,预测精度更高、效果更好。
任欣,张建国[3]（2021）在《基于动静混合传感器网络的路域降雨量分布估计方法研究》文中进行了进一步梳理针对公路路域内降雨量分布状态的估计问题,文章通过利用动静混合传感器网络的采样信息,设计一种基于动态采样机制与卡尔曼滤波方法的降雨量分布估计算法。首先设计路域内降雨量分布的估计模型,合理选择径向基函数中心点位置。然后提出一种基于传感器采样误差的动态采样机制,以减少信息分布估计算法中的冗余信息,提高算法的计算效率。在此基础上,根据改进卡尔曼滤波状态估计算法,将曲面拟合中的权重系数与传感器网络的采样位置相结合,构成卡尔曼滤波中的状态变量,并给出基于当前采样信息的公路降雨量分布结果。接着根据梯度下降法,通过调整移动传感器采样位置的手段,进一步优化对路域内降雨量分布的估计结果,并通过严格的理论分析证明了该估计算法的收敛性。最后,通过仿真实验验证了该算法的有效性与可行性。
张浩[4]（2021）在《风电功率时空不确定性预测方法研究》文中研究表明双碳目标下,大规模集中开发是未来我国风电开发的重要模式。但是,在此模式下风资源及其发电功率在时间和空间上将呈现复杂的耦合和聚合特性,加剧了其不确定性对电力系统安全、稳定、经济运行的不利影响。如何准确预测风电功率时空不确定性成为新能源电力系统亟待突破的关键问题。因此,以“空间联合→时序联合→时空联合→多主体数据保护时空联合”为研究思路,基于深度学习理论开展了风电功率时空不确定性预测方法研究。主要工作包括:1.提出了 Beta型深度混合密度网络（IDMDN）的短期多风电场功率不确定性预测模型,融合区域多风电场空间关联信息,同时避免了密度泄露问题。首先,以Beta分布作为基分布构建了混合密度网络模块,提出了相应的数值稳定策略;然后,结合提出的Beta型混合网络模块与深度全连接网络,建立了IDMDN模型,用于区域多风电场功率空间联合不确定性预测。采用7个风电场的实际运行数据进行模型验证,结果表明:IDMDN模型避免了密度泄露问题,能够得到符合真实情况的风电功率预测概率分布,预测效果优于几种区域总功率预测和单风电场功率预测对比方法。2.提出了多源时序注意力网络（MSTAN）的短期风电场功率不确定性预测模型,融合历史数据与多源数值天气数据,并挖掘其隐含时序依赖模式,提高了预测精度。首先,引入多源数值天气预报数据,研究了多源数值天气预报中存在的时序误差模式;其次,结合发现的时序误差模式,提出了一种多源变量注意力模块用于多源数值天气预报的动态特征提取;然后,提出了一种时序注意力模块,用于提取隐含在历史观测序列和多源数值天气预报序列中的长时依赖信息;最后,结合研究1中的混合密度网络模块和参数共享机制,建立了 MSTAN模型用于单个风电场未来1-48小时功率时序联合不确定性预测。通过3个风电场的实际运行数据对MSTAN模型进行验证,结果表明:多源数值天气预报改善了预测结果,MSTAN模型结构设计合理,其确定性预测与不确定性预测精度指标均超过了两种典型技术路线下的多种对比预测方法。3.提出了自适应时空图卷积网络（SA-STGCN）的多风电场功率时空联合不确定性预测模型,加强了对于非规则排布风电场群数据的时空特征提取能力,提升了多风电场、多时刻短期联合不确定性预测性能。首先,从空间维度拓展了研究2中提出的多源变量注意力模块,形成了多位置-多源变量筛选模块,用于多风电场、多源NWP的特征提取与数据融合;其次,提出了具备动态空间特征提取能力的自适应图卷积模块,与三维时序注意力模块相结合形成了时空特征提取模块;然后,在空间维度拓展了研究1中提出的混合密度网络模块,并在时间维度上进行参数共享;最后,建立SA-STGCN模型用于未来1-48小时的多风电场功率不确定性预测。以中国北方某风电集群实际运行数据为例进行验证分析,结果表明:SA-STGCN模型对复杂时空关联数据有更好的适应性,在多个风电场的确定性与不确定性预测结果均优于多种对比模型。4.提出了多运营主体数据保护的分割网络（SplitNN）不确定性预测模型,在数据安全的前提下间接融合多区域时空信息,提升了多个区域的超短期预测水平,显着缩短了模型训练用时。首先,总结了 Split Learning（SL）的几种典型设计模型;然后,结合SL中的 CSC（Client to Server to Client）模式和 MCS（Multi-Client to Server）模式建立了 SplitNN模型,用于多风电运营主体下的多风电场超短期功率时空联合不确定性预测。SplitNN模型以一个服务端对多个客户端的信息进行融合,多个客户端基于融合信息分别进行各自区域内的风电功率不确定性预测,从而在原始数据不出本地的情况下实现多个风电运营主体协同预测的目的。通过美国东部四州65座气象观测站的数据对所提出的模型进行验证分析,结果表明:提出的SplitNN模型提升了多个区域的超短期风速不确定性预测精度,同时缩短了训练时间。本文中提出了风电功率空间、时序、时空不确定性预测方法,提出的部分方法、技术已工程应用于区域风电场群功率预测系统中,并取得了良好预测效果。
杨启文,余诗琦,张美琳,薛云灿,陈俊风[5]（2021）在《多种群伪正态分布估计算法》文中指出为了提高基于正态分布模型的分布估计算法子代候选解的质量,防止早熟收敛,文中提出多种群伪正态分布估计算法.首先,采用佳点集方法进行种群初始化,将种群分为3个子群.然后,采用样本重心取代样本均值的方式,获得伪正态分布模型.最后,融合种群与子群伪正态分布模型,得到子群进化的概率模型.23个基准函数的对比测试表明,文中算法在求解质量和收敛速度上较优.针对多约束条件下的并行装配优化问题,提出工序池、员工池、罚函数等措施,将具有工序约束和人员约束的离散组合优化问题转化为无约束的多种群伪正态分布估计优化问题.工程应用结果表明,只需要将候选解的无限集合修正为有限集合,文中算法可方便地用于离散组合优化问题的快速求解.
陈果[6]（2021）在《基于局部高斯过程回归的数据高效强化学习研究》文中研究指明
张士营[7]（2021）在《考虑供需双侧不确定性的微网中储能系统优化运行研究》文中进行了进一步梳理
熊武兴[8]（2021）在《基于符号回归的产品评分变化规律研究》文中认为随着中国经济的飞速发展及Web2.0时代的兴起,电子商务如同雨后春笋般迅速崛起,在线购物逐渐成为一种主流的购物方式。相关的研究表明,越来越多的消费者和商户依赖在线评论作为购买决策或是营销决策的依据。考虑到时间效率问题,直接获取并利用全部的评论信息是不现实的,从评分中获取信息相对而言更加可行,因此掌握评分的变化规律显得尤为重要。现有的相关研究表明评分呈现动态变化,但不同的研究给出了不同的结论,有的研究认为先前的评分会对后续评分产生负向影响,也有研究发现先前的评分会正向影响后续评分;有的研究发现平均评分呈现两种趋势,有的研究发现平均评分呈现多种趋势。然而,目前缺乏针对不同类型产品平均评分变化规律的分析和讨论,并且现有研究多为实证研究,所获结果多为线性模型,只能描述平均评分与其他因素或变量的相关关系,无法刻画其真实规律。为了进一步探究不同产品的平均评分变化规律,本文基于亚马逊1996年至2018年约850万条产品评论数据,对平均评分的变化规律进行研究。首先,借鉴分治法的思想,从整体上将产品由粗到细地将划分为四个层次,对最末层中每一个独立的产品评分数据利用一种基于数据驱动的方法—符号回归（Symbolic Regression）来构建其平均评分变化规律的数学模型;其次,在分治计算框架的基础上,基于分布估计算法（Estimate Distribution Algorithm）,提出了一种适合不同产品的通用模型学习方法,用以从大量数学模型中提取元知识并学习得到通用的数学模型。最后,基于此方法学习得到了不同类型产品平均评分的通用数学模型,并通过大量的测试数据集验证了其稳健性和优越性。本文的主要研究结论包括以下几方面:（1）在不同价格的搜索型和体验型产品中,本文均发现其平均评分在时间序列上呈现四种趋势:上升、下降、下冲和倒U趋势,其中,倒U趋势是本文所发现的新趋势;（2）在不同趋势的分布上,本文发现在所有产品中,均为下降趋势占比最多（>65%）;（3）本文通过符号回归来构建平均评分变化的数学模型,能够更加准确的描述平均评分变化的真实规律;（4）本文基于分治思想和分布估计算法学习得到的不同产品平均评分的通用数学模型在R2和显着率上均优于已有研究所获模型。
华郁秀[9]（2021）在《无线网络智能感知与切片资源管理研究》文中研究说明移动通信从第一代模拟通信发展到目前的第五代数字通信（5G）,服务对象已经从单纯的语音通讯扩展为无处不在的连接和林林总总的应用。作为数字经济时代的关键使能技术和基础设施,5G网络将承载更多的应用与海量连接,面向业务服务等级指标迥异的场景。不同商业模式需要在统一的5G网络架构下共存。网络切片技术被认为是5G实现万物互联的关键,通过在物理网络上切分出多个虚拟网络切片,适配不同业务的差异化需求。网络切片的资源管理对负载均衡、资源利用和网络性能起着至关重要的作用,因此针对网络切片资源管理的研究一直是学界和业界关注的焦点。同时,随着大数据时代的到来以及深度学习和强化学习技术的兴起,利用LSTM、DQN等数据驱动的模型算法智能感知无线网络或解决复杂优化问题,进而设计针对网络切片的智能无线资源管理方法已成为一种趋势。本文首先在第二章研究了智能化切片资源管理的一种解决方案,即通过无线网络智能感知技术对网络切片的请求数量、数据流量等时间序列进行预测,根据预测结果分配或调整无线资源,以满足调度周期内的用户需求。我们分析了很有代表性的时间序列预测模型——LSTM,并针对其计算量大且容易过拟合的问题设计了神经元随机连接的LSTM单元。仿真中我们选择了对解决网络切片资源管理问题有参考价值的网络流量预测和用户移动性预测任务,仿真结果表明所提模型的性能明显优于传统的时间序列预测方法,而且以部分性能损失为代价显着减少了计算量。第三章研究了无线网络智能感知中的无线信道估计问题,将深度学习用于大规模MIMO系统的信道估计。之所以进行这项研究,是因为在网络切片中,当考虑空口资源的分配时,必须使用到信道状态信息,而信道估计技术正是为了获得更加精确的信道状态信息。该研究不仅对网络切片很重要,而且对于大规模MIMO通信中的收发端信号处理有着极其重要的研究意义。我们针对导频序列长度小于发送端天线数量的情况引入GAN估计信道,为了进一步提高估计质量,我们在信道估计的前端加入了对含噪导频进行去噪处理的操作,提出了两级信道估计方法N2N-GAN。仿真结果表明N2N-GAN可以得到更小的估计误差,而且对更短的导频序列、更多的基站天线都具备较好的适应能力。第四章致力于解决网络环境中的随机因素对网络切片资源分配算法的干扰问题。我们发现值分布强化学习方法对环境中影响最优策略的随机因素具有很强的规避能力,其框架中动作值分布的表示和学习是研究重点。我们使用GAN学习动作值分布,从而提出了GANDDQN算法和训练效率更高的Dueling GAN-DDQN算法。仿真中我们考虑RAN切片场景,利用所提算法根据网络切片的请求数量学习带宽分配策略,仿真结果表明我们的算法学习到的策略能提供更高的系统效益,并且在整个训练过程中表现得更加稳定,收敛得更快。总体来说,本文探索了深度学习和强化学习在无线网络智能感知和网络切片资源管理的应用前景和改进方向,提出了RCLSTM、N2N-GAN、GAN-DDQN和Dueling GAN-DDQN算法分别针对时间序列预测、大规模MIMO信道估计、网络切片资源分配三个问题提供了解决方案,并且均通过仿真验证了算法的性能增益。
孙津[10]（2021）在《结合气溶胶光学厚度的北京市PM2.5小时浓度分布估计与个体暴露评估》文中研究说明PM2.5是空气动力学直径小于或等于2.5μm的大气颗粒物,因其高污染水平和不良健康效应成为目前环境健康研究的热点。许多研究表明PM2.5对心血管和呼吸系统等存在不良影响,也是目前造成人类死亡风险的最重要因素之一。暴露是衡量人和污染物在一定时间内的接触的物理量。PM2.5暴露评估能够为定量研究污染和疾病的关联的流行病学研究打下基础,从而提供PM2.5对人类健康危害的统计学证据和量化参数。除长期暴露外,一些研究也证明了PM2.5短期暴露的危害性,而在短期暴露评估研究中结合个体出行的动态暴露估计方法更为准确。这一方法除个体时空轨迹数据外,还需要获取高时空分辨率的PM2.5浓度分布。但是目前国内空气质量监测站点分布仍较为稀疏,难以满足获取城市内更精细的污染浓度时空分布的需求,也限制了个体短期暴露评估的研究。基于此背景,本研究利用与PM2.5浓度存在强关联的卫星气溶胶光学厚度（aerosol optical depth,AOD）,使用多模型综合的随机森林方法估计全覆盖的高时空分辨率PM2.5浓度分布,并结合北京市的个体时空轨迹数据进行了个体短期暴露评估试验。本研究对于城市污染控制、居民健康建议以及后续的流行病学研究和健康风险评估都具有参考价值。论文主要研究内容和创新如下:（1）研究使用了2014-2019年北京市范围内的小时级、5 km分辨率的Himawari-8 AOD和日级、1 km分辨率的MAIAC AOD两种最新的高分辨率卫星AOD产品,并对二者进行质量和时空覆盖度的评估。地基观测AOD的评估表明二者的质量较好,时空覆盖度评估也说明了二者的时空代表性较充足,可用作PM2.5浓度估计的变量。但是两种卫星AOD仍存在显着的时空缺失问题,会对全覆盖的PM2.5浓度估计造成阻碍。（2）选择多模型综合的随机森林方法,将MAIAC AOD日均值、Himawari-8 AOD小时值、小时分辨率的气象数据、土地利用等数据作为估测变量,估计2014-2019年北京市PM2.5小时浓度公里分布。为了更好地利用数据的时空联系性,还加入了PM2.5站点监测值和地理要素的空间卷积层以及气象数据的时间积累效应作为模型输入。由于AOD时空缺失现象显着,为最大限度保留AOD的估测贡献,根据两种卫星AOD的有无建立4个数据集,在每个数据集上分别建立随机森林模型。4个模型拟合R2为0.975-0.982,RMSE在6.9-11.5μg/m3之间;CV R2为0.916-0.948,RMSE在14.1-16.9μg/m3之间;美国大使馆的独立测试R2为0.899-0.953,RMSE在18.7-19.9μg/m3之间。无论从测度的绝对值还是和前人研究相比较,都说明了本研究各模型有较高的估测精度。估测变量敏感性测试结果证明了本研究用到的估测变量对于提高模型估计精度都有贡献;其中气象要素的时间积累效应在前人研究中较少使用,而在本研究中对时间趋势估计效果有显着提升。（3）根据空间分辨率和空间趋势估计贡献,确定了多模型估计结果结合的顺序,拼合得到北京市全覆盖的PM2.5小时浓度公里分布地图,对2019年4个季节的典型污染过程浓度分布进行估计。小时浓度公里分布能够呈现污染过程的诸多细节,可反映出不同机制下污染时空特征的复杂性,会为个体暴露评估带来更多动态的影响。（4）通过含浓度调整因子的个体暴露估计方法,结合个体时空轨迹与4个污染过程的小时浓度分布,计算得到北京市313人16天的个体日暴露量和小时暴露峰值。个体时空轨迹数据来自定位和健身类app用户在网站公开分享的上下班轨迹数据。对暴露估计结果进行分析,发现不同天的日暴露量和小时暴露峰值基本与当天的污染水平成正比,而一天中高浓度的时段和出行时段容易成为小时暴露峰值时段。相比工作地日均浓度,同一天中不同人的日暴露量与居住地日均浓度更为相关。而北京市污染的空间分布特征多为“南（东南）高北（西北）低”,因此居住在北部和西北区域的人对于PM2.5的日暴露量通常更低。出行方式上,受出行微环境调整因子影响,驾车出行的个体日暴露平均水平一般小于步行和骑行。在本研究中通过对同一个体不同出行选择的研究,发现确定起终点的情况下,减小暴露的出行方式以驾车最优,步行最差;同样的出行方式下,通常出行时间越短,暴露越低。（5）研究比较了定位在住址的静态暴露估计与结合出行的动态暴露估计的差异,并提出了两种简化的动态暴露估计方法。在比较动态和静态暴露估计差异时,发现当白天空间污染浓度差异较大时,出行距离较大的人（浓度调整前）和出行时间较长的人（浓度调整后）用静态暴露替代动态暴露的误差较大。出于降低数据收集成本的需要,提出了两种简化的动态暴露估计方法:方法一需要获取个体的居住地和工作地位置,可由手机信令数据收集;方法二除个体的居住地和工作地位置外,还需要个体上下班出发和到达的时刻及出行方式,可由活动日志调查来收集。在完整的个体时空活动数据获取难度较大时,这两种方法都可以作为动态暴露估计方法的简化版本进行使用,比传统的静态暴露估计方法准确度更高。
二、线性预测模型的分布估计（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、线性预测模型的分布估计（论文提纲范文）
（2）基于Copula函数特征筛选的电力物资供应商投标价格预测（论文提纲范文）
| 一、引言 |
| 二、研究方法及模型构建 |
| （一）研究方法 |
| 1. Copula函数 |
| 2. 预测模型 |
| 3. 均方误差 |
| （二）特征筛选与预测模型 |
| 三、投标价格特征筛选及预测 |
| （一）投标价格基本情况和数据预处理 |
| 1. 投标价格基本情况 |
| 2. 数据预处理 |
| （二）潜在变量分析 |
| （三）特征筛选 |
| 1. 举例计算 |
| 2. 全变量特征筛选 |
| （四）预测对比分析 |
| 四、结论与展望 |
（3）基于动静混合传感器网络的路域降雨量分布估计方法研究（论文提纲范文）
| 0 引 言 |
| 1 降雨量分布估计模型 |
| 2 降雨量分布估计算法 |
| 2.1 动态采样机制 |
| 2.2 基于变采样的分布估计算法 |
| 2.3 最优采样位置 |
| 3 仿真实验 |
| 4 结 语 |
（4）风电功率时空不确定性预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率时空不确定性预测研究现状 |
| 1.2.1 风电功率不确定性预测 |
| 1.2.2 考虑时空相关性的风电功率预测 |
| 1.2.3 主要问题总结 |
| 1.3 论文研究思路 |
| 1.4 论文研究内容与框架 |
| 第2章 基于改进深度混合密度网络的短期风电功率空间联合不确定性预测 |
| 2.1 引言 |
| 2.2 混合密度网络及密度泄露问题 |
| 2.2.1 原始混合密度网络 |
| 2.2.2 密度泄露问题 |
| 2.3 基于BETA分布的改进深度混合密度网络 |
| 2.3.1 Beta分布及其性质 |
| 2.3.2 改进深度混合密度网络的结构 |
| 2.3.3 数值稳定策略 |
| 2.4 算例分析 |
| 2.4.1 数据介绍 |
| 2.4.2 评价指标与对比方法 |
| 2.4.3 模型设置 |
| 2.4.4 确定性预测结果对比 |
| 2.4.5 概率预测结果对比 |
| 2.4.6 密度泄露对比 |
| 2.4.7 训练时间对比 |
| 2.4.8 讨论 |
| 2.5 结论 |
| 第3章 基于多源时序注意力网络的短期风电功率时序联合不确定性预测 |
| 3.1 引言 |
| 3.2 多源NWP及其时序误差模式 |
| 3.2.1 单源NWP与多源NWP对比 |
| 3.2.2 多源NWP的时序误差模式 |
| 3.3 多源时序注意力网络模型 |
| 3.3.1 问题描述与模型整体框架 |
| 3.3.2 多源变量注意力模块 |
| 3.3.3 残差模块 |
| 3.3.4 时序注意力模块 |
| 3.3.5 混合密度网络模块 |
| 3.3.6 损失函数与训练方法 |
| 3.3.7 各模块间关系 |
| 3.4 算例分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 对比模型介绍 |
| 3.4.3 模型设置 |
| 3.4.4 评价指标 |
| 3.4.5 确定性预测结果分析 |
| 3.4.6 概率预测结果分析 |
| 3.4.7 误差显着性评估 |
| 3.5 小结 |
| 第4章 基于自适应时空图卷积网络的短期风电功率时空联合不确定性预测 |
| 4.1 引言 |
| 4.2 自适应时空图卷积 |
| 4.2.1 问题定义 |
| 4.2.2 自适应时空图卷积网络整体框架 |
| 4.2.3 多位置-多源变量注意力模块 |
| 4.2.4 时空特征提取模块 |
| 4.2.5 时空混合密度网络模块 |
| 4.2.6 损失函数和优化方法 |
| 4.3 算例分析 |
| 4.3.1 数据与评价准则 |
| 4.3.2 对比模型介绍 |
| 4.3.3 模型设置 |
| 4.3.4 确定性预测结果 |
| 4.3.5 不确定性预测结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 考虑数据保护的超短期风电功率时空联合不确定性预测 |
| 5.1 引言 |
| 5.2 SPLIT LEARNING |
| 5.3 分割网络-SPLITNN |
| 5.3.1 网络模型结构 |
| 5.3.2 客户端与服务端训练过程 |
| 5.4 算例分析 |
| 5.4.1 数据描述 |
| 5.4.2 评价指标 |
| 5.4.3 SplitNN与单区域建模方案对比 |
| 5.4.4 SplitNN与集中式方案对比 |
| 5.4.5 讨论 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）多种群伪正态分布估计算法（论文提纲范文）
| 1 伪正态分布模型 |
| 2 多种群伪正态分布估计算法 |
| 3 实验及结果分析 |
| 4 本文算法在车间并行装配调度问题上的应用 |
| 4.1 车间并行装配调度问题 |
| 4.2 求解车间并行装配调度问题 |
| 4.2.1 候选解编码 |
| 4.2.2 约束条件处理 |
| 4.2.3 离散候选解的产生 |
| 4.3 工程案例 |
| 5 结 束 语 |
（8）基于符号回归的产品评分变化规律研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及目的 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容和框架 |
| 2 研究方法 |
| 2.1 符号回归算法 |
| 2.2 分布估计算法 |
| 3 基于符号回归的产品评分变化规律模型构建 |
| 3.1 模型构建 |
| 3.1.1 数据来源 |
| 3.1.2 数据预处理 |
| 3.2 模型构建结果 |
| 3.3 本章小结 |
| 4 不同产品评分变化规律的通用模型学习 |
| 4.1 基于分治思想和分布估计算法通用模型学习方法 |
| 4.1.1 通用模型学习方法计算框架 |
| 4.1.2 通用模型学习方法描述 |
| 4.1.3 通用模型学习方法数值实验 |
| 4.1.4 通用模型学习方法数值实验结果分析 |
| 4.2 不同类型产品通用模型学习 |
| 4.3 不同类型产品评分变化规律分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）无线网络智能感知与切片资源管理研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 人工智能模型概述 |
| 1.2.1 深度学习 |
| 1.2.2 强化学习 |
| 1.2.3 深度Q网络 |
| 1.3 论文研究内容 |
| 1.4 主要贡献及结构安排 |
| 2 基于RCLSTM的网络流量与用户移动性感知 |
| 2.1 引言 |
| 2.1.1 背景介绍 |
| 2.1.2 相关研究 |
| 2.1.3 方法和结论 |
| 2.2 RCLSTM单元 |
| 2.2.1 动机和目标 |
| 2.2.2 模型介绍 |
| 2.3 时间序列预测定义 |
| 2.3.1 单步预测 |
| 2.3.2 多步预测 |
| 2.4 网络流量预测 |
| 2.4.1 数据介绍及预处理 |
| 2.4.2 评估指标 |
| 2.4.3 仿真实验 |
| 2.4.4 仿真结果分析 |
| 2.5 用户移动性预测 |
| 2.5.1 数据介绍及预处理 |
| 2.5.2 仿真实验 |
| 2.5.3 仿真结果分析 |
| 2.6 小结与讨论 |
| 3 基于生成对抗网络的MIMO信道估计方法 |
| 3.1 引言 |
| 3.1.1 背景介绍 |
| 3.1.2 相关研究 |
| 3.1.3 方法和结论 |
| 3.2 系统模型 |
| 3.3 基于GAN的信道估计方法 |
| 3.3.1 相关背景介绍 |
| 3.3.2 N2N-GAN |
| 3.4 仿真验证 |
| 3.4.1 仿真数据和评估标准 |
| 3.4.2 仿真结果分析 |
| 3.5 小结与讨论 |
| 4 基于强化学习与生成对抗网络的网络切片资源管理 |
| 4.1 引言 |
| 4.1.1 背景介绍 |
| 4.1.2 相关研究 |
| 4.1.3 方法和结论 |
| 4.2 系统模型 |
| 4.3 基于GAN的 Di RL算法 |
| 4.3.1 数学背景 |
| 4.3.2 GAN-DDQN |
| 4.3.3 收敛性分析 |
| 4.3.4 Dueling GAN-DDQN |
| 4.4 仿真实验 |
| 4.4.1 仿真环境设定 |
| 4.4.2 仿真结果分析 |
| 4.5 小结与讨论 |
| 5 结论和展望 |
| 5.1 成果和结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
| 简历 |
（10）结合气溶胶光学厚度的北京市PM2.5小时浓度分布估计与个体暴露评估（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 科学问题 |
| 1.3 研究目的与意义 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 论文框架 |
| 第2章 文献综述 |
| 2.1 气溶胶光学厚度(AOD)估算地面PM_(2.5)浓度的原理 |
| 2.2 利用AOD估算近地面PM_(2.5)浓度的方法 |
| 2.2.1 基于原理的方法 |
| 2.2.2 基于结果的方法 |
| 2.2.3 估计方法总结和评述 |
| 2.2.4 AOD数据缺失引起PM_(2.5)估计结果缺失的处理方法 |
| 2.3 高时空分辨率PM_(2.5)浓度分布的估计方法和研究进展 |
| 2.4 个体短期暴露估计的数据来源和评估方法 |
| 2.5 本章小结 |
| 第3章 研究区域与数据 |
| 3.1 研究区域概况与PM_(2.5)污染特征 |
| 3.2 实验数据与初步处理 |
| 3.2.1 PM2.5 监测数据 |
| 3.2.2 AOD数据 |
| 3.2.3 气象数据 |
| 3.2.4 地理数据 |
| 3.2.5 个体时空轨迹数据 |
| 3.3 两种卫星AOD的质量与时空覆盖水平 |
| 3.3.1 AOD的质量 |
| 3.3.2 AOD的时空覆盖水平 |
| 3.4 本章小结 |
| 第4章 随机森林模型的构建、验证与评价 |
| 4.1 变量与模型的构建 |
| 4.1.1 时空关联变量的构建 |
| 4.1.2 随机森林模型的构建 |
| 4.2 模型的验证与评价 |
| 4.2.1 模型验证 |
| 4.2.2 基于随机森林方法测度的变量重要性评价 |
| 4.2.3 敏感性测试 |
| 4.3 本章小结 |
| 第5章 北京市PM_(2.5)小时浓度分布的估计结果 |
| 5.1 多模型估计结果的结合优先级 |
| 5.2 2019年4 个污染过程的PM_(2.5)小时浓度分布 |
| 5.3 PM_(2.5)浓度日变化的时空分异 |
| 5.4 本章小结 |
| 第6章 个体活动数据分析与个体暴露评估方法 |
| 6.1 活动信息的统计分析 |
| 6.2 暴露评估方法 |
| 6.2.1 暴露计算公式及参数的确定 |
| 6.2.2 日暴露量与小时暴露峰值的估计 |
| 6.3 暴露参数的敏感性测试 |
| 6.4 本章小结 |
| 第7章 北京市居民的个体暴露评估结果与影响因素分析 |
| 7.1 日暴露量的统计分析 |
| 7.1.1 不同天的日暴露量均值与变异 |
| 7.1.2 日暴露量的空间分布 |
| 7.2 各活动暴露占比的统计分析 |
| 7.3 日暴露量的影响因素 |
| 7.3.1 居住地和工作地浓度 |
| 7.3.2 出行距离、时间与方式 |
| 7.4 小时暴露峰值的统计分析与影响因素 |
| 7.4.1 不同天的小时暴露峰值的均值和变异 |
| 7.4.2 峰值对应的时刻和活动 |
| 7.4.3 小时暴露峰值的影响因素 |
| 7.4.4 峰值对应状态的影响因素 |
| 7.5 不同出行选择的日暴露量和小时暴露峰值区别 |
| 7.6 静态与动态暴露的差异分析及简化的新方法评估 |
| 7.6.1 因子调整前的原始静态暴露和动态暴露差异 |
| 7.6.2 因子调整后的静态暴露和动态暴露差异 |
| 7.6.3 静态与动态暴露差异的影响因素 |
| 7.6.4 简化的动态暴露估计效果评估 |
| 7.7 本章小结 |
| 第8章 总结与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
四、线性预测模型的分布估计（论文参考文献）
- [1]面向频繁项集挖掘的本地差分隐私事务数据收集方法[J]. 欧阳佳,印鉴,肖政宏,赵慧民,刘少鹏,梁鹏,肖茵茵. 软件学报, 2021(11)
- [2]基于Copula函数特征筛选的电力物资供应商投标价格预测[J]. 刘达,刘雨萌,许晓敏. 技术经济, 2021(10)
- [3]基于动静混合传感器网络的路域降雨量分布估计方法研究[J]. 任欣,张建国. 物联网技术, 2021(10)
- [4]风电功率时空不确定性预测方法研究[D]. 张浩. 华北电力大学(北京), 2021
- [5]多种群伪正态分布估计算法[J]. 杨启文,余诗琦,张美琳,薛云灿,陈俊风. 模式识别与人工智能, 2021(07)
- [6]基于局部高斯过程回归的数据高效强化学习研究[D]. 陈果. 哈尔滨工业大学, 2021
- [7]考虑供需双侧不确定性的微网中储能系统优化运行研究[D]. 张士营. 华北电力大学(北京), 2021
- [8]基于符号回归的产品评分变化规律研究[D]. 熊武兴. 大连理工大学, 2021
- [9]无线网络智能感知与切片资源管理研究[D]. 华郁秀. 浙江大学, 2021(01)
- [10]结合气溶胶光学厚度的北京市PM2.5小时浓度分布估计与个体暴露评估[D]. 孙津. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)