检索结果-南通市图书馆

中国机械工程 2008年第24期19卷 2972-2976页

作者：聂昕成艾国申丹凤钟志华湖南大学汽车车身先进设计制造国家重点实验室长沙410082

提出了sgd(shape global deformation)算法并将其应用于回弹补偿分析中,进行补偿面的修改。其原理是以原始曲面为基础进行的曲面整体变形修改,这种方法能够保证变形前后的型面整体拓扑关系的一致性,保证曲面的质量、光顺程度,以便获得... 详细信息

提出了sgd(shape global deformation)算法并将其应用于回弹补偿分析中,进行补偿面的修改。其原理是以原始曲面为基础进行的曲面整体变形修改,这种方法能够保证变形前后的型面整体拓扑关系的一致性,保证曲面的质量、光顺程度,以便获得更精确的回弹补偿型面。经多个实例分析表明,该算法能够在很大程度上节省修改补偿型面的时间和精力,较大地提高曲面精度,回弹补偿更加准确。

关键词： sgd算法回弹补偿型面修改拓扑关系

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多源数据的城市人流预测模型研究 ——以南京市为例

基于多源数据的城市人流预测模型研究 ...

引用

作者：钟正东南大学

学位级别：硕士

当今世界正处于指数级扩张的发展进程,城市人口的大幅增长带来规模增益的同时,也带来了多方面的全球性挑战。面对城市的巨大转变期,城市人口的空间分布研究随着对城市理解的不断深化而推陈出新。在此进程中计算机科学的人工智能技术介... 详细信息

当今世界正处于指数级扩张的发展进程,城市人口的大幅增长带来规模增益的同时,也带来了多方面的全球性挑战。面对城市的巨大转变期,城市人口的空间分布研究随着对城市理解的不断深化而推陈出新。在此进程中计算机科学的人工智能技术介入规划领域,为各方面研究提供了强有力的分析工具。城市人口分布问题的研究从静态人口转向动态人流,从宏观粗颗粒度转向微观细颗粒度,从简单函数拟合转向机器学习与预测。在此背景下,本文在总结城市人口分布相关研究的基础上,采用手机信令等多源数据建立以空间形态、区位势态和功能业态三个类别为基础的指标体系,分别构建了的基于sgd算法的区位模型（多元线性回归分析和多元非线性回归分析两种思路）和基于XGBoost算法的预测模型对南京市的人流密度进行预测。结合两种模型的预测结果从分级聚类特征、人流频数分布、人流时间曲线、模型应用前景多个维度进一步进行机制研究、问题总结和应用展望。具体来说,本文结构如下:第一章为绪论,介绍了城市人流密度预测的研究背景、研究意义、研究内容和研究目标,并总结了相关研究方法及全文的技术路线。第二章为研究综述与理论框架,在研究综述中梳理了19世纪以来学者们对于城市人口空间分布的相关研究,并将其整理为三种类型:基于城市中心的区位模型、基于相互作用的引力模型、基于数据学习的算法模型。结合前人的研究成果提出本文的理论框架,将城市人流的内在机制归纳为空间形态、区位形态和功能业态三种类别因素的综合影响。第三章为模型预处理,明确了研究范围、空间单元、基本数据信息,对手机信令数据进行轨迹填充,使之满足人流密度的预测目标。细化指标体系,构建了3大类、6中类、36个小类的层次体系,并根据数据特征调整误差与准确率的定义。最后分析南京市人流密度的现状空间分布概况。第四章为实证研究,从空间、区位和功能三个方面出发探索合理的区位模型建模思路。基于相关性分析和指标筛选,从多元线性回归模型和多元非线性回归模型两种思路分别构建城市人流预测模型,并采用随机梯度下降算法（Stochastic Gradient Descent,sgd）优化大规模样本的参数求解过程。根据预测准确率评价两种回归模型,并总结区位模型在人流预测研究中的局限性和经验。第五章在区位模型的反思上,为解决样本实际人流密度空间上分布不均衡的问题,模型顶层设计为C4.5算法决策树,控制样本分类为0和1两种类别,并采用XGBoost算法（e Xtreme Gradient Boosting）对每个分支类别进行针对性学习,最终形成由底层特征对应人流密度的预测模型。基于XGBoost算法的预测模型在测试集全局与高值区间均有较好的准确率,预测性能较区位模型得到了较大的提升。最后选取珠江路地区的测试样本详细观察,探讨模型在地区改造、活力提升等应用场景的实践价值。第六章为表征和机制分析,结合区位模型和算法模型的预测结果,探讨了城市人流内在机制的复杂性,并从分级聚类特征、人流频数分布、人流时间曲线、模型应用前景多个维度进一步进行机制研究、问题总结和应用展望。第七章为研究总结,在全文的基础上总结研究的不足之处以及对拓展方向的展望。本文正文共81665个字,插图70幅,表格29幅。

关键词：城市人流密度预测多源数据 XGBoost算法 sgd算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于可加性核的快速支持向量机分类算法的研究

基于可加性核的快速支持向量机分类算法的研究

引用

作者：王旭凤西安电子科技大学

学位级别：硕士

支持向量机(SVM)是机器学习中一种非常有效且流行的学习工具。由于它具有很好的泛化性能,已经被广泛的应用于各种应用领域。然而随着科技的不断发展,数据集的规模越来越大,SVM对大规模数据集进行快速的分类面临着巨大的挑战。线性SVM能... 详细信息

支持向量机(SVM)是机器学习中一种非常有效且流行的学习工具。由于它具有很好的泛化性能,已经被广泛的应用于各种应用领域。然而随着科技的不断发展,数据集的规模越来越大,SVM对大规模数据集进行快速的分类面临着巨大的挑战。线性SVM能够解决大规模的问题,但准确率比较低。非线性分类虽然准确率比较高但是训练时间比较长。而基于可加性核的SVM可以利用线性分类的有效性来快速求解非线性的SVM问题同时能达到较高的分类准确率。随机梯度下降算法(sgd)是求解大规模机器学习问题的高效方法之一。本文主要研究用sgd以及一些改进的sgd方法包括Asgd、SVRG和Katyusha算法来解决基于可加性核的SVM分类问题。本文的主要工作包括以下两个方面:一方面,基于可加性核的性质以及Nesterov的加速策略思想提出了用Asgd解基于可加性核的SVM分类问题的算法,即Asgd-AKSVM算法。该算法避免了直接计算梯度更新中涉及到的权重向量与样本的内积,而是利用表示定理和可加性核的性质把此内积写成单变量函数的累加和的形式,进而根据闭区间上连续实值函数的逼近定理用多项式函数来近似此单变量函数。这大大降低了计算复杂度,缩短了训练时间。同时该算法采用了Nesterov的加速策略提高了收敛速度,以及采用查表技巧缩短了训练和测试时间并节省了内存使用。通过实验证明了Asgd-AKSVM算法能够有效处理大规模数据,并且具有较高的分类准确率和较快的收敛速度。另一方面,基于减小方差的随机梯度方法SVRG和改进的梯度修正方法Katyusha提出了K-AKSVM算法,即用减小方差的随机梯度方法解基于可加性核的非线性SVM分类问题。该算法根据可加性核的性质把梯度近似成多项式函数,从而降低了梯度的计算复杂度,然后采用了SVRG算法的减小方差策略和Katyusha算法的修正方法,有效提高随机梯度算法的收敛速率。并通过在标准数据集上进行实验验证了算法的有效性。

关键词： SVM 可加性核梯度近似 Nesterov的加速策略 sgd算法改进的sgd算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：