任俊松[1]（2017）在《伽马能谱分析与核素识别方法研究》文中进行了进一步梳理随着核技术在工农业、医疗、国防等领域的广泛应用,核材料扩散、核恐怖事件以及核事故的威胁日益严重,对核安全与核检测技术提出了新的要求。本文针对核技术应用中遇到的一些实际问题,通过对γ能谱分析与核素识别方法的研究,重点解决强噪声、低探测率情况下的γ能谱分析与多核素识别问题。主要研究内容包括以下几个方面:对能谱信号进行预处理。在分析γ能谱成形原理基础之上,采用基于能谱全能峰信息的传统分析方法,对实测及仿真γ能谱进行分析。利用最小二乘平滑与马尔科夫平滑,在保留原始γ谱峰大部分重要特征下,完成含噪能谱的平滑降噪;通过导数寻峰与量子球寻峰方法对γ能谱进行寻峰,有效地提高了谱峰的分辨能力,实现能谱的特征提取。针对传统分析方法对高本底、低探测率的γ能谱解析效果不明显的问题,提出了一种基于奇异值分解的全谱分析方法,对低分辨率能谱具有较好的区分度,并且避免了人为设定参数对识别结果带来的影响。针对传统分析方法很难完成对重叠峰的解析问题,将能谱以向量空间模型表示,采用非负矩阵分解方法,实现对重峰的解析。研究了支持向量机在γ能谱分类识别中的应用,针对核素识别中的具体要求提出了相应的改进方案。通过实测能谱分析,讨论了单一核素及混合核素的识别情况,并对比了不同特征提取方法的优缺点。方法能够完成对低分辨率能谱的识别,并能有效识别混合核素样本的组成成分。
张慧[2]（2016）在《用户生成内容情感分析方法研究》文中研究说明用户生成内容情感分析一般是指通过基于词典语义规则或者基于机器学习的方法对Web用户主动生成的内容进行挖掘和分析,并且从中获得表达用户态度和观点的一些主观信息,比如用户针对于某个事件的观点、建议、情绪、情感倾向等。近两年,随着“互联网+”行动不断助力电子商务企业的发展,针对电子商务企业评价信息情感分析的研究得到了研究者们越来越多的重视。本研究主要是以淘宝某商品文本评价信息为研究对象,通过对某商品评价信息的分析,使得消费者和商家从不同的角度了解商品的真实信息,为后来消费者购买该商品提供决策依据,也可以使得商家不断地提高商品品质,改进商品服务以及制定合适的销售方案。论文主要通过PMI和《知网》相似度计算的方法给情感词语赋予相应的权值,采用基于语义规则,多分类机器学习以及模糊综合的情感分析方法从某商品每个评价对象的分值,好评率,商品的综合值等方面对商品评价信息进行多角度的分析,并验证了三种方法的有效性。具体的主要工作如下:1基于带权值的情感词典的评论信息情感分析。首先在基础情感词典的基础上,结合《知网》相似性计算和统计的PMI方法给词语赋予一定的权值,构建带权值的领域情感词典,除此之外,构建否定词,程度副词,转折词语情感词典并赋予不同的权值。然后,获取评价信息四元组,利用相应的情感极性计算规则获得评论句子的情感极值,并根据情感极值对评论句子进行情感分类。最后,验证了带权值领域情感词典和情感计算规则用于情感分析的有效性。2基于多分类的机器学习方法的评论信息情感分析。论文对文本表示,特征选择和特征权重的计算方法进行了介绍,并针对短文本评价信息的特性改进了布尔函数特征权值的计算方法,用词语权值代替“1”,“0”进行文本表示,并且引入参数α来缩小权值相近的评价信息的距离,提高分类的准确率。并用χ统计方法进行特征选择,通过KNN,SVM和朴素贝叶斯方法三种分类模型验证了改进的布尔函数特征权重计算方法的有效性。3基于模糊综合评价方法的评论信息情感分析。论文针对模糊综合评价的需要,构建了指标体系,确定了评价对象应该归属的指标,引入了情感分析的方法。然后利用模糊统计的方法确定了模糊综合评价矩阵和指标的相应权重,最后获得商品的综合评价值。并利用模糊综合评价方法对某商品的评价信息进行了评价。
余雪岗[3]（2007）在《无线局域网中的移动预测研究及应用》文中认为移动预测对提高无线网络的服务质量等有着非常重要的作用,已经成为一个比较重要和热门的研究方向。本文的主要研究内容包括:（1）提出了一个基于EM算法的混合Markov模型,在基本不降低移动预测精度的前提下,解决了高阶Markov模型存在的状态空间膨胀问题;（2）将BP神经网络和Elman神经网络用于移动预测,并通过引入输出反馈改进Elman神经网络,提高了Elman神经网络的移动预测精度;（3）将数据挖掘引入到移动预测领域,提出了基本挖掘算法和增量挖掘算法,通过挖掘和匹配常见移动模式,实现了较高精度的移动预测,避免了对移动轨迹的建模问题;（4）提出了一个用于移动预测的隐Markov模型,将移动用户的出行意图作为一个状态变量加入模型,并建立了基于该隐Markov模型的预测算法;（5）利用移动预测信息,提出了对WLAN中MAC层切换算法的改进,缩短了MAC层切换的信道扫描延迟,对提高WLAN中无线应用的服务质量有比较重要的作用。
王开民[4]（2001）在《固定权值的可分布尔函数的计数》文中研究指明证明了任意可分布尔函数的阈值都可取为 1或 -1 ,任意可分布尔函数的权值和阈值都可取为整数 ,解决了固定权值的可分布尔函数的计数问题。
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。
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。
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。
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究意义与选题依据 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容及创新点 |
| 1.4 论文章节安排 |
| 2 核信号探测原理及测量 |
| 2.1 γ射线与物质相互作用 |
| 2.1.1 光电效应 |
| 2.1.2 康普顿效应 |
| 2.1.3 电子对效应 |
| 2.2 核辐射探测原理 |
| 2.3 γ能谱获取 |
| 2.3.1 CZT探测器实测能谱 |
| 2.3.2 La(Br)3探测器核脉冲测量 |
| 2.3.3 Geant4仿真能谱 |
| 2.4 本章小结 |
| 3 基于峰分析的γ能谱传统解谱方法 |
| 3.1 概述 |
| 3.2 谱数据平滑 |
| 3.2.1 多项式最小二乘平滑 |
| 3.2.2 马尔科夫平滑 |
| 3.2.3 仿真结果与分析 |
| 3.3 寻峰 |
| 3.3.1 导数寻峰法 |
| 3.3.2 量子球寻峰方法 |
| 3.3.3 仿真结果与分析 |
| 3.4 基底扣除 |
| 3.5 本章小结 |
| 4 基于全谱分析的γ能谱特征提取方法研究 |
| 4.1 基于奇异值分解的全谱分析方法 |
| 4.1.1 奇异值分解 |
| 4.1.2 奇异值分解的物理意义 |
| 4.1.3 奇异值的计算 |
| 4.1.4 奇异值在谱分析中的应用 |
| 4.2 基于非负矩阵分解的全谱分析方法 |
| 4.2.1 γ能谱的表征 |
| 4.2.2 权值计算 |
| 4.2.3 非负矩阵分解 |
| 4.2.4 非负矩阵分解在谱分析中的应用 |
| 4.3 本章小结 |
| 5 基于SVM的γ能谱识别方法研究 |
| 5.1 SVM基本原理 |
| 5.1.1 线性可分最优分类超平面 |
| 5.1.2 硬间隔最大化 |
| 5.1.3 对偶学习算法 |
| 5.1.4 软间隔最大化 |
| 5.1.5 序列最小优化算法（SMO） |
| 5.1.6 非线性支持向量机与核函数 |
| 5.2 SVM在核素识别中的应用及优化 |
| 5.2.1 多分类支持向量机 |
| 5.2.2 模糊支持向量机 |
| 5.2.3 支持向量机参数设定 |
| 5.3 核素定性识别 |
| 5.3.1 传统解谱方法 |
| 5.3.2 奇异值分解解谱 |
| 5.3.3 非负矩阵分解识别 |
| 5.4 本章小结 |
| 结论与展望 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及研究成果 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 第一节 研究背景和意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 UGC情感分析现状综述 |
| 一、用户生成内容的研究 |
| 二、情感词语的极性和权重计算研究 |
| 三、文本情感分析研究 |
| 四、UGC情感分析研究 |
| 第三节 论文的主要研究内容和创新点 |
| 一、论文的主要研究内容 |
| 二、论文的创新点 |
| 第四节 论文的组织结构 |
| 第二章 相关理论与方法 |
| 第一节 用户生成内容 |
| 第二节 文本预处理 |
| 一、文本分词 |
| 二、停用词处理 |
| 三、词性标注 |
| 四、jieba分词包 |
| 第三节 情感分析 |
| 一、基于情感词典的情感分析方法 |
| 二、基于机器学习的方法 |
| 三、支持向量机多分类方法 |
| 第四节 模糊综合评价方法 |
| 第五节 实验评价方法 |
| 第六节 本章小结 |
| 第三章 基于情感词典的评论信息情感分析方法 |
| 第一节 构建领域情感词典 |
| 一、情感种子词语的选择 |
| 二、领域情感词典的构建 |
| 三、程度副词情感词典的构建 |
| 四、转折词语的处理 |
| 第二节 评价信息的抽取 |
| 一、评价对象的抽取 |
| 二、评价词语的抽取 |
| 三、建立基于短语的四元组模型 |
| 第三节 UGC——评价信息的情感极性计算 |
| 一、评价信息四元组的语义加权情感极性计算 |
| 二、整条评论语句的情感极性计算 |
| 第四节 评价信息等级的划分 |
| 第五节 实验 |
| 一、本章节的算法 |
| 二、实验设计 |
| 三、实验结果与分析 |
| 第六节 本章小结 |
| 第四章 基于多分类机器学习的评论信息情感分析方法 |
| 第一节 文本表示 |
| 第二节 特征选择方法 |
| 一、信息增益(IG) |
| 二、互信息(M) |
| 三、χ~2统计(CHI) |
| 第三节 特征权重的计算 |
| 一、布尔函数 |
| 二、开根号函数 |
| 三、TF-IDF方法 |
| 第四节 改进的布尔函数特征权重计算 |
| 第五节 实验 |
| 一、实验流程 |
| 二、实验结果与分析 |
| 三、基于词典和基于机器学习评价信息情感分析结果比较 |
| 第六节 本章小结 |
| 第五章 基于模糊数学的评论信息综合分析方法 |
| 第一节 相关知识 |
| 一、模糊综合评价方法的介绍 |
| 二、指标体系的构建 |
| 三、评价对象的归类 |
| 第二节 商品的模糊综合评价 |
| 一、模糊综合评价方法指标的确定 |
| 二、确定评价集V={V_1,V_2,...,V_n} |
| 三、评价指标权重的确定 |
| 四、确定模糊评价矩阵 |
| 五、计算商品综合评价值 |
| 第三节 数据分析 |
| 第四节 淘宝网用户评价信息情感分析的挖掘 |
| 第五节 本章小结 |
| 第六章 结语 |
| 第一节 本文的主要内容 |
| 第二节 进一步的研究 |
| 参考文献 |
| 致谢 |
| 在读期间科研成果 |
| 提要 |
| 第1章 绪论 |
| 1.1 IEEE 802.11 WLAN 概述 |
| 1.2 IEEE 802.11 WLAN 的发展 |
| 1.3 移动预测的意义 |
| 1.4 移动预测领域的研究现状 |
| 1.5 本文工作与组织形式 |
| 第2章 基于Markov 模型的移动路径预测算法 |
| 2.1 引言 |
| 2.2 多阶Markov 模型的状态空间膨胀问题 |
| 2.3 多步Markov 模型 |
| 2.4 二步Markov 预测器的条件熵分析 |
| 2.4.1 二步Markov 预测器的预测精度及计算复杂性分析 |
| 2.4.2 二步Markov 预测器的普适性分析 |
| 2.4.3 多步Markov 模型小结 |
| 2.5 基于多步模型的混合Markov 模型 |
| 2.5.1 混合Markov 模型的提出 |
| 2.5.2 混合Markov 模型的参数求解 |
| 2.5.3 混合Markov 预测器的预测算法描述 |
| 2.5.4 混合Markov 预测器的复杂性分析 |
| 2.5.5 混合Markov 预测器的误差分析 |
| 2.5.6 混合Markov 模型的应用性能分析 |
| 2.5.7 混合Markov 模型小结 |
| 2.6 动态混合Markov 模型 |
| 2.7 集成Markov 模型 |
| 2.8 小结 |
| 第3章 基于神经网络的移动预测算法 |
| 3.1 引言 |
| 3.2 基于BP 神经网络的移动预测 |
| 3.2.1 数据样本集预处理 |
| 3.2.2 BP 神经网络结构的确定 |
| 3.2.3 Matlab 中BP 网络的建立和训练 |
| 3.2.4 实验结果及分析 |
| 3.3 基于Elman 神经网络的移动预测 |
| 3.3.1 Elman 神经网络基础 |
| 3.3.2 改进的Elman 神经网络模型 |
| 3.3.3 改进Elman 神经网络在移动预测中的应用 |
| 3.4 小结 |
| 第4章 基于数据挖掘的移动路径预测方法 |
| 4.1 引言 |
| 4.2 移动用户移动问题描述 |
| 4.3 Mpp 方法的具体步骤及算法 |
| 4.3.1 移动模式挖掘 |
| 4.3.2 根据模式匹配进行预测 |
| 4.4 Mpp 方法评估 |
| 4.4.1 Mpp 方法优点 |
| 4.4.2 实验结果及比较 |
| 4.4.3 Mpp 方法的关键 |
| 4.5 移动模式数据库的增量式更新 |
| 4.5.1 PDIU 算法 |
| 4.5.2 实验结果及比较 |
| 4.6 小结 |
| 第5章 基于HMM 的移动预测算法的探讨 |
| 5.1 引言 |
| 5.2 HMM 基础及应用 |
| 5.3 与HMM 相关的移动预测问题定义 |
| 5.4 基于HMM 的移动预测算法 |
| 5.4.1 建立移动预测问题的隐Markov 模型 |
| 5.4.2 基于隐Markov 模型的移动预测 |
| 5.5 小结 |
| 第6章 基于移动预测的MAC 层切换算法 |
| 6.1 引言 |
| 6.2 WLAN 中的MAC 层切换问题 |
| 6.3 基于移动预测的MAC 层切换算法 |
| 6.3.1 用于预测的加权有向图算法 |
| 6.3.2 基于移动预测的信道扫描方案 |
| 6.4 理论分析及仿真 |
| 6.4.1 理论分析 |
| 6.4.2 仿真及结果分析 |
| 6.5 小结 |
| 第7章 总结与展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 中文摘要 |
| Abstract |
| 1 可分布尔函数 |
| 2 固定权值的可分布尔函数的计数 |
| 3 结束语 |
