一、基于遗传算法的分类方法的探究（论文文献综述）
汪天雄[1]（2021）在《在线用户评价驱动的产品形态进化设计方法研究》文中研究表明以用户为中心的产品设计是产品制造企业坚持的重要设计理念,因而缩小产品设计与用户需求之间的差距始终是设计研究的重要目标。感性工学是一种能将用户需求通过科学手法映射为设计要素的技术。在感性工学的研究过程中有三点问题:第一、在产品感性意象空间的建构过程中,感性意象词汇的提取往往来源于杂志、手册或报告,因而没有全面反映消费者真实的情感需求,采集量较少。第二、在感性意象维度的提炼过程中通常采用调研结合因子分析与聚类算法进行降维,产生了数据更新慢、采集效率低的问题。第三、如何将产品的感性意象推导为设计要素,构建产品设计要素与用户感性意象之间的量化映射关系,提高训练与预测的准确度是感性工学研究的关键问题。传统感性工学所采用的线性与非线性模型所建立的映射关系模型通常误差较大,同时也缺乏对许多设计要素组成的产品整体形态耦合性进行分析。鉴于此,本研究结合感性工学理论与研究框架,运用文本挖掘与自然语言处理分析电商平台用户在线评价文本,并从中获取用户真实的感性需求信息,以更快捷、更高效的方式建构产品感性意象空间。通过采用回归型支持向量机建立设计要素与感性需求之间的关联关系,并构建产品形态意象的评价与预测模型。最后,基于交互式遗传算法构建产品形态进化设计系统,生成满足用户偏好的产品创新设计方案,为复杂产品形态设计的研究拓宽了理论边界,同时也降低了产品开发成本和时间,为设计出满足用户需求的产品提供了行之有效的理论参考与思路方法,具有良好的产品设计理论与实践指导意义。本研究完成的主要研究工作如下:（1）获取电动自行车产品网络在线用户评价文本。使用Python软件编写爬虫函数获取网络在线用户评论信息,基于淘宝与京东两大电商平台,选择评论数超过15条且产品形态符合新国标标准的电动自行车产品进行评论爬取,一共选择48款电动自行车产品,共爬取由288510个字组成的评价文本;依据文本预处理规则去除与文本语意无强烈关联的停用词,并应用Jieba工具对评价文本执行分词处理。（2）采用文本挖掘准确分析用户感性意象需求。运用TF-IDF关键词提取方法分析在线用户评价中用户感性意象关键词,完成了 260个产品感性词汇的收集;综合焦点小组与KJ法,合并并简化成67个感性意象词汇;为识别其语意特征,对结果运用WordNet工具检索语意同义词与反义词形成语意网络;通过应用社会地位关系分析网络中具有代表性的感性语意词汇,构建出用户感性意象语意空间;为分析用户感性意象需求与情感满意度之间的关系,采用模糊Kano模型识别并分类用户需求,从中筛选出表现为兴奋型的感性意象需求,分别为“简约的”、“科技的”、“精致的”、“灵巧的”与“时尚”的感性意象需求。（3）建立基于用户情感偏好的产品意象评价模型。采用评价构造法调研出产品吸引用户的形态特征,获得542项产品形态要素,并通过KJ法合并相似要素,构建出产品形态小型数据集,获得28项产品形态设计要素;对产品样本进行语意差异法实验,基于回归型支持向量机建立产品形态要素与用户感性意象之间的映射关联关系,建立符合用户情感认知的产品多维感性意象评价模型;通过与传统BP神经网络算法误差结果的对比论证了所建立评价模型的优势,同时也对模型的精度与性能进行有效验证,从而辅助设计师准确进行市场定位。（4）产品形态进化生成与设计评价。基于所建构电动自行车产品形态数据集,对设计要素进行二进制编码;依据所分析出的用户重点感性诉求,应用模糊层次分析法计算感性诉求的权重,以此调整产品个体适应度;以消费者感性偏好为评价目标,基于交互式遗传算法建立产品意象形态进化设计系统,为有效避免用户在评价中的模糊性和不确定性所引起的个体适应度偏差,并降低用户疲劳程度,采用用户评价犹豫时间来改进个体适应度;利用基于回归型支持向量机的感性意象评价模型进行自动评价,进一步降低并缓解用户评价过程中产生的疲劳;对产品意象形态进化设计结果运用Rhino软件进行三维建模,同时运用模糊综合评价法对产品设计方案的用户满意度进行检验;评价结果验证了本研究所构建的产品意象形态进化设计方法的有效性。本文以用户感性意象语意空间的构建及产品意象形态进化设计为出发点,对满足用户偏好的产品形态进行研究,所取得的研究成果能有效指导企业进行产品形态的创新设计,辅助设计师在产品设计过程中提升设计效率,对企业产品研发具有重要的实践应用价值。与此同时,也对感性工学理论与方法研究进行了有效补充与完善。
韩潇宁[2]（2021）在《基于遗传算法的安卓恶意软件检测技术》文中认为自2007年发布以来,Android操作系统逐渐在智能终端的操作系统领域占据领先地位。官方平台和许多第三方市场都允许用户轻易地查找,下载以及使用大量的第三方应用程序,具有较好的用户体验。但与此同时,Android平台逐渐变成了恶意软件的主要攻击目标,恶意软件广泛存在各大应用市场,对用户的使用安全造成威胁。因此,高效地提高恶意软件的检测效率,提升模型鲁棒性,对其在现实背景下的实用性和维护Android平台使用者的信息安全有着重要意义。但目前检测技术的检测率仍需进一步提升,其检测率的实现对数据集的质量也有较大的依赖。本文的研究内容主要基于遗传算法,将其利用在恶意软件检测的特征选择和多分类器组合方式上,从而对恶意软件的检测效率和鲁棒性进行了一定优化。本文的主要研究工作如下:（1）提出以遗传算法为特征选择方式的恶意软件检测技术。采用静态分析方式,反编译应用程序安装包并提取了文件中的五类代表性特征,生成高阶表征向量。采用遗传算法为降维方式,将其与后续检测模型效果相结合,迭代构建最终检测模型,识别恶意软件。实验表明,该技术的恶意软件检测率可达98.77%。相较于对比方法,精确率与召回率均有2%左右的提升。（2）在维持检测效率的同时,为了进一步提升检测模型的鲁棒性以增强技术实用性。提出了基于遗传算法为多分类器权重选择方式的恶意软件检测技术。该技术在方案一的基础上,将遗传算法与集成学习方式相组合,以基学习器间的多样性和基学习器组合的准确率为标准,通过遗传算法迭代得出多分类器的组合方式并进行类别预测。实验表明,该技术实现了98.02%的恶意软件检测率与97.82%的召回率,具有较高的检测效率。为了进一步对其鲁棒性进行检测,对原始数据集交换了10%与15%的良恶性标签,生成具有人工扰乱性的修改后数据集。在该数据集上,单一检测分类方式与传统硬投票检测方式的检测准确率分别下降了7.03%与1.59%,召回率分别下降了6.82%与1.01%。而本文中的检测技术在修改后数据集上其恶意软件检测率仍维持在98.10%,召回率也维持在了97.99%左右,其检测效率并没有随着数据集质量的降低而降低。其检测效率与主流的动态检测方法Droid Cat相比,提升了1%左右的恶意软件检测率。综上,本文基于Android恶意软件的研究基础,提出了基于遗传算法以提升检测效率和鲁棒性为目标的恶意软件检测技术的思路。在提升检测效果及鲁棒性的同时,为后续检测框架的改进提出了参考方向。
孙晓丽[3]（2021）在《基于CatBoost的高光谱图像分类模型研究》文中进行了进一步梳理随着图像技术的发展,高光谱图像在遥感领域受到越来越多的重视。目前,高光谱图像已广泛用于农业发展、军事侦探、地质勘察和天气预报等领域。高光谱图像的分类是高光谱数据处理的基础,由于高光谱图像是维度高且数据量大的图像数据,包含大量空间信息和光谱信息的同时,存在数据间高度相关的现象,易导致数据大量冗余,对后续的精确分类带来了巨大的挑战。随着对高光谱图像分类研究日益深入,特征提取和集成学习方法被广泛应用于高光谱图像分类。高效的特征提取方法能够提取出高光谱图像深层的空间和光谱特征,因此如何有效地提取和使用这些特征进行分类成为当前研究的重点。本文主要通过波段选择、组合降维、特征加权融合和CatBoost来研究高光谱图像的分类,具体研究内容如下:（1）针对光谱维度高、波段相关性强、样本量小等问题,提出基于波段选择的GS-CatBoost高光谱图像分类模型。首先利用K-L散度改进的m RMR算法作为新的波段选择方法,用顺序搜索方法筛选出最优波段子集,最大程度保留原始波段信息并实现维数约简;其次在最优波段子集上提取主成分,一方面采用PCA（Principle Component Analysis）和LDA（Linear Discriminant Analysis）组合降维的方式完成高光谱图像光谱特征的提取,同时实现类内间距减小、类间间距增大,另一方面采用Gabor滤波器实现5个尺度8个方向的空间特征提取;最后使用经过网格搜索算法优化的CatBoost作为分类器对空谱联合特征进行分类。该模型在Salinas Scene数据集和Indian Pines数据集上进行验证,通过实验可以发现,该模型与传统模型相比表现出了更好的分类效果。（2）为了进一步丰富特征空间,充分的保留有效特征,在（1）中特征提取和GS-CatBoost的基础上提出了基于遗传算法特征加权融合的GS-CatBoost高光谱分类模型。首先,对原始数据进行波段选择提取光谱特征,波段选择后进行Gabor空间纹理特征的提取,对剩余的波段进行PCA降维以补充光谱特征;其次,为三种特征赋予变异系数权重,通过改进的遗传算法的交叉、变异实现多特征的筛选融合,将CatBoost加权分类作为适应度函数的结果,不断优化得到最优的融合特征;最后,通过GS-CatBoost分类模型对融合特征实现分类。实验证明,所提及的方法充分利用高光谱图像多种特征,分类性能得到大幅度的提升。
张磊[4]（2020）在《基于支持向量机的股票市场趋势分析及预测研究》文中研究指明随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。
刘斌[5]（2020）在《基于优化算法和DBN的车轴声发射信号实验数据分析》文中研究指明随着中国现代铁路的高速建设和发展,我们对于轨道车辆运行时的工作可靠性要求也越来越高。车轴是轨道车辆的重要部件,在行驶过程中几乎要承担列车的全部负重及来自振动引起的巨大冲击,而且车轴在工作时的环境是相当恶劣的。因此,车轴是极易受损的部件之一,其常会发生磨损、裂纹以及断裂等故障。因此,对轨道车辆车轴的疲劳裂纹故障进行故障诊断和对车轴进行剩余寿命预测,都是避免发生事故的重要手段,具有一定的实际意义。深度置信网络用来实现车轴疲劳裂纹声发射信号的分类识别和对车轴进行寿命预测,不仅简单可行,而且与传统方法相比,其识别准确率和预测精度也都提高了不少。深度置信网络的隐藏层节点数是一个十分关键的参数。当隐藏层节点数较大时,运行速度较慢,影响计算时间;当隐藏层节点数较小时,运行的速度会加快,但会导致算法运行得不稳定,识别准确度和预测精度降低。而且传统的确定隐藏层节点数方法是依据经验公式或者根据具体情况通过反复尝试来找到合适的隐藏层节点数,传统方法不仅工作量巨大,而且不一定能找到最最合适的值。因此,本文提出利用遗传算法对深度置信网络识别模型进行隐藏层节点数寻优和利用差分进化算法对深度置信网络预测模型进行隐藏层节点数寻优。车轴裂纹信号识别部分,利用遗传算法寻优后的深度置信网络识别模型对声发射信号数据和经EEMD-SVD特征提取后的数据进行分类识别,并将其结果与经验公式确定隐藏层节点数的DBN网络以及其它传统算法进行对比。寿命预测部份,利用差分进化算法对DBN预测网络进行隐藏层节点数寻优,用寻优后的DBN预测网络进行寿命预测。将寻优后的DBN预测网络得出的预测结果与未寻优的DBN预测网络得出的预测结果进行对比。实验结果表明,优化算法优化的深度置信网络在识别和预测方面都有着良好的表现,而且大大节约了时间成本。
唐嘉辉[6]（2020）在《基于辅助生成深度置信网络的印刷机轴承故障诊断研究》文中研究表明轴承运转性能对旋转机械的安全稳定运行至关重要。而印刷机是典型的旋转机械之一,其中印刷机的主要零部件轴承的磨损情况会间接影响印品质量。针对传统故障诊断方法在应对样本数据量较大时效率较低,并且诊断精度易被采集到的信号质量影响等问题,本研究提出了一种量子遗传优化的辅助生成深度置信网络的印刷机轴承故障诊断方法。该方法主要是通过辅助生成算法平衡原始数据集,利用深度置信网络自主提取出样本中隐含的故障特征并进行故障类型识别,之后利用量子遗传算法对模型权值进行自适应优化。具体研究内容如下:针对传统故障诊断方法中对故障信号特征进行分析提取的步骤较为复杂,并且受限于信号处理技术以及专家经验等问题,本文研究了多类别轴承故障使用深度置信网络进行特征提取与故障类型识别的方法。通过深度置信网络的自学习能力对轴承振动信号中的故障特征进行学习,之后分类器利用提取到的故障特征对故障轴承类型实现辨别。使用轴承数据集验证该方法的通用性与有效性,平均诊断精度为91.83%,结果表明该方法具有较高的诊断精度,同时削弱了对人工提取故障特征的需求。针对在应对非均衡数据集时,传统深度置信网络轴承故障诊断方法诊断精度较低的问题,本文研究了一种基于辅助生成深度置信网络的故障诊断方法。该方法通过辅助生成网络依照原始样本分布生成部分样本,进而对非均衡数据集进行补充,提高训练效率与诊断精度。在构造出的非均衡轴承数据集中对其进行验证,实验结果表明该方法相较于传统方法取得了不错的诊断准确率,具有一定研究价值。针对传统深度学习算法对参数选取的要求较高,并且模型参数需通过人为选取进行寻优等问题。在本研究中引入量子遗传算法,提出了基于量子遗传优化的辅助生成深度置信网络的故障诊断方法。该方法可以自适应的选取模型参数,能准确高效的搜索出参数最优解,避免了因参数选取问题而导致诊断精度下降。应用该方法对印刷机芯轴轴承进行故障识别研究,通过现场实验验证本文方法性能的优越性,在非均衡印刷机轴承数据集上的诊断精度可达84.99%。之后根据本文研究模型设计完成一款具有实际应用性的印刷机轴承故障诊断系统软件。
侯科睿[7]（2020）在《基于遗传算法的字符识别特征提取技术研究》文中提出人类利用字符来进行信息交流,随着信息化社会的不断发展。社会对于手写体字符的识别、运用的需求十分宽广。将纸质资料转化为电子信息对于高效、便捷的信息社会起着至关重要的作用。而对于脱机手写体字符来说,汉字手写体字符风格随意,不受拘束且笔画结构复杂。因此,汉字手写字符对于识别模式来说是一项具有挑战性的课题。字符识别的难点在于如何提取到最具区分度的特征,传统的统计特征提取基于统计学能够取得较好效果,但其前提是必须训练集足够大,训练次数足够多才会得到想要的效果。而手写字符,不变的还是笔画结构,虽然风格迥异,但笔画结构是唯一的。因此笔画结构特征对于字符识别是更有效、精度更高的。本文要解决的是特征提取结果不稳定的问题,因此在笔画结构特征的基础上进行改进。将初始字符图像化后的曲线结果进行曲直化转变,利用DDA算法进行转变来解决曲线图像多拐点对于特征提取的影响。然后利用最小偏差法,计算输入字符和样本集合在空间坐标系中的误差值,利用角度和直线的偏差值进行字符匹配,偏差值最小匹配度最高。最后引入遗传算法,将角度、线段的特征集合进行迭代,在代代交叉进化的过程中最终得出最优特征,提高识别精度。为保证实验效果,本文选取的是HCL2000中文手写体字符库,并将字符库作为输入项进行平均分组进行实验,将得到的特征集合放入位置矩阵,并与数据库中的3755个样本逐一进行比较。最终发现基于遗传算法改进的笔画结构特征提取算法能够提升识别精度,更好的完成识别任务,效果相比较为优秀。
唐铭一[8]（2020）在《基于遗传算法和支持向量机的癌症特征基因选择及分类》文中进行了进一步梳理癌症以其高死亡率严重影响我国居民的生命健康,在我国癌症每年导致上百万人死亡。癌症早期治愈率高但由于其没有明显的临床症状导致大量患者因延误治疗时机而死亡,因此早发现、早治疗是防癌治癌的重要准则。目前癌症筛查主要采取影像学手段,医师通过对CT等影像资料观察分析做出诊断,这使得癌症筛查严重依赖医生的临床经验,误诊、漏诊率较高导致大量癌症患者延误治疗时机。随着生命科学的发展,基因芯片技术应运而生,基于基因芯片的癌症早筛技术具有不依赖临床经验的特点,因而吸引了许多科研人员的关注。但目前应用基因芯片数据仍面临着许多困难,由于其实验成本高、实验复杂等原因导致数据具有高维度、小样本、高噪声等特点增加了分析利用其数据的难度。本文针对分析基因芯片数据的难点提出了基于遗传算法改进并以支持向量机作为分类器的癌症特征选择与分类方法,改进点如下:1)本算法提出了一种新的混合评价函数,该评价函数包含个体最大相关评价、个体最小冗余评价、个体种群多样性贡献评价,这些评价的加权和通过种群代数相关的系数与基于分类器准确率的评价相结合,该评价函数平衡了种群多样性和收敛速度,能够防止算法陷入局部最优解过早收敛。2)遗传算法中变异算子通过向种群中随机引入基因改善种群的基因多样性。本文依据遗传算法不同阶段种群特点设计了基于优势基因库和全量基因库的变异算子,该算子以一定概率选择一个基因库完成变异操作,选择概率与种群代数相关,使算法前期可以快速引入优势基因,此改进方法均衡了遗传算法的随机性和收敛速度。3)本文分析种群个体发现在算法的中后期,种群中出现大量冗余个体,冗余个体不利于算法继续搜索最优特征子集导致其过早收敛,基于此问题本算法在遗传算法中添加了种群去重操作,该操作能够去除种群中的重复个体改善种群个体和基因多样性。
刘亚芬[9]（2020）在《基于GA的CART决策树改进算法与应用》文中研究说明自20世纪中期互联网技术的不断发展,信息技术跟随着迅猛发展,用户随时随地都产生了大量的图像、文本、音频、视频等信息。如何从这些不断增长的数据中得出对人们有利用价值的信息?于是,诞生了数据挖掘技术。数据挖掘就是不断的在数据中寻找有用信息,通过各种不同的分析方式和分析工具建立起各种数学模型与数据之间的联系,然后通过对这些构建好的模型与数据进行分析以及预测。分类预测是数据挖掘中的一项重要领域,在数据挖掘中,分类预测占有重要地位。决策树算法就是分类中一种易于理解并且使用范围较广的算法,决策树相较于其他方法有预测速率快、高精度且生成的分类规则易于解释等好处,因此是分类预测中比较常用的方法。常用的决策树算法有ID3算法、C4.5算法和CART算法,ID3算法适用于处理小规模数据集且无法处理离散属性。C4.5算法改善了ID3算法的缺点,能同时处理连续属性,且在剪枝的时候加入了初步正则化思想,防止过拟合,但C4.5算法只能处理分类问题,无法处理回归问题。CART算法在此问题上进行了改进,既能处理分类问题也能处理回归问题,且用Gini系数代替信息增益率进行分裂,降低了数据的计算量。但CART算法同样有着自身的不足,CART算法是采用二分法进行分割,二分法最大的缺陷是局部最优,本文的切入点就是解决二分法局部最优的问题,创新点就是利用遗传算法全局优化的特性,通过遗传算法找到最优的分裂点,对CART算法进行优化。当数据集的特征个数偏多,训练模型的时间花销就越大,训练得出的模型就会更加复杂,那么模型的推广能力也会有所下降。通过实验证实,使用遗传算法来找到最优的特征建树,能大大的提高分类的精度。本文在构建决策树的过程中,使用的是CART算法,大多数情况下CART构建的决策树模型比其他算法构建的模型准确率更高,且当样本越大,数据量越复杂,变量越多,算法的效果就越显着。但是CART算法也有自身的缺陷,CART算法是通过二分法进行分裂,但是二分法最大的缺陷是局部最优,每一次计算只能找到当前这步的最优值,很容易陷入局部收敛,遗传算法作为全局最优搜索算法之一,其过程是通过不断的选择、交叉和变异操作,寻找到最优个体,文中是利用遗传算法代替二分法找到最优分裂点。遗传算法因具有优秀的性能,在优化问题中应用颇多,遗传算法在寻找最优分类规则中应用得较为成熟,而在决策树算法中,从本质上最终也是得到分类规则,从这方面来看,通过遗传算法对决策树改进也是可行的。虽然遗传算法也不能保证在理论上得到百分之百的最优,但是也提供了寻优的可能,且后续实验中也证明了使用遗传算法代替二分法寻找的最优分裂点能提高分类的精度。
范子豪[10]（2020）在《数据驱动的LTE-R网络故障诊断与预测研究》文中指出随着中国重载货运铁路快速发展并对其安全性能的要求不断提高,作为保障铁路安全运行的铁路无线网络通信系统展现出了重要的价值。为保证两万吨级重载列车的安全运行,同时为实现对铁路业务提供支持,朔黄铁路公司建立了世界上第一个基于LTE（Long Term Evolution）技术的通信网络。与此同时,随着LTE-R网络结构的复杂性增强和规模逐步增大,传统基于人工方式的网络故障运维方法已不再适用于当前的生产环境,而智能化、自动化的网络故障诊断和预测逐步发展成当前网络业务的客观需求。针对该问题,并结合铁路实际现场作业情况与需求,本文以朔黄铁路的真实业务场景为背景,重点针对LTE-R网络运维过程中网络故障诊断与预测进行研究。具体地,本文针对当前网络故障问题,对网络关键参数进行分析,通过地理信息和网络通信质量E-RAB（Evolved Radio Access Bearer）的掉线率做关联分析、挖掘,以实现网络运维的自动化和智能化,取得的研究成果如下:（1）针对LTE-R网络数据量巨大,结构复杂的特点,分析LTE-R网络关键参数和故障,提出一种基于Spark的LTE-R网络基础故障诊断方法,通过大数据手段实现对海量数据的存储、读取和计算,并可以快速高效筛选网络基础故障。（2）针对LTE-R网络关键参数为时间序列数据的特点,提出一种基于遗传算法的时间序列提取shapelets方法,实现了LTE-R网络参数的时序特征提取。该方法可以快速的计算时序中最合适的shapelets集,并且可以筛选出隐性的shapelets时序特征,具有较好的可解释性。（3）针对LTE-R网络故障诊断的任务,提出了一种基于注意力感知的深度树集成学习方法。该方法可以有效地提高输入数据的表示学习能力,引入的注意机制可以显着提高模型在实际LTE-R网络故障诊断任务中的性能。（4）针对LTE-R基站网络故障预测的问题,提出一种基于因果卷积局部增强的Transformer时序预测方法用于故障预测。该模型能够在有效地挖掘时序特征之间的依赖关系,并且强化了局部的注意有效关联了上下文的联系。在E-RAB掉线率故障预测中提供可靠分析。
二、基于遗传算法的分类方法的探究（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、基于遗传算法的分类方法的探究（论文提纲范文）
（1）在线用户评价驱动的产品形态进化设计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 情感体验研究 |
| 1.2.2 情感测量研究现状 |
| 1.2.3 感性工学理论与发展 |
| 1.2.4 自然语言处理研究现状 |
| 1.2.5 交互式遗传算法在产品设计中的应用现状 |
| 1.3 研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第2章 产品感性意象空间的建构 |
| 2.1 产品形态意象与语意 |
| 2.1.1 产品形态意象 |
| 2.1.2 产品形态语意 |
| 2.2 设计意图的表达 |
| 2.2.1 设计编码 |
| 2.2.2 设计解码 |
| 2.3 互联网评价文本数据获取 |
| 2.3.1 基于评价数据的消费者感性诉求分析 |
| 2.3.2 文本获取与处理 |
| 2.4 文本语意分析模型 |
| 2.4.1 文本语意分析 |
| 2.4.2 产品感性意象语意空间的构建 |
| 2.5 本章小结 |
| 第3章 感性需求与产品设计要素映射关系模型建构方法 |
| 3.1 在线用户评价的需求文本挖掘 |
| 3.2 用户需求属性分类 |
| 3.2.1 基于模糊Kano模型的用户需求属性分类 |
| 3.2.2 模糊Kano模型的计算过程 |
| 3.3 需求的重要度计算 |
| 3.3.1 语义差异法 |
| 3.3.2 模糊层次分析法 |
| 3.4 映射关系模型建构 |
| 3.4.1 回归型支持向量机 |
| 3.4.2 神经网络 |
| 3.5 本章小结 |
| 第4章 基于文本挖掘的感性需求分析 |
| 4.1 确定研究案例 |
| 4.1.1 电动自行车产品发展现状 |
| 4.1.2 电动自行车产品形态特征 |
| 4.2 挑选实验样本 |
| 4.3 感性意象空间的建构过程 |
| 4.3.1 基于词频与KJ法的语意词汇提取与分组 |
| 4.3.2 基于WordNet的感性意象空间建构 |
| 4.3.3 感性意象词汇验证 |
| 4.4 基于用户满意度分类需求属性 |
| 4.5 本章小结 |
| 第5章 构建基于用户情感偏好的产品意象评价模型 |
| 5.1 产品感性意象偏好量化实验 |
| 5.2 产品形态要素数据集的构建 |
| 5.2.1 评价构造法 |
| 5.2.2 实验过程与结果 |
| 5.3 基于用户情感偏好的产品意象评价模型 |
| 5.3.1 构建感性评价矩阵 |
| 5.3.2 基于回归型支持向量机的产品意象评价模型 |
| 5.3.3 模型性能的评估 |
| 5.4 结果与讨论 |
| 5.4.1 基于BP神经网络建构预测模型 |
| 5.4.2 支持向量回归与BP神经网络误差对比 |
| 5.5 本章小结 |
| 第6章 产品形态进化生成与设计评价 |
| 6.1 基于交互式遗传算法的产品形态进化设计 |
| 6.1.1 IGA的进化过程 |
| 6.1.2 交叉与变异 |
| 6.1.3 产品形态元素编码及染色体结构 |
| 6.1.4 人口规模及初始化种群 |
| 6.2 实例研究 |
| 6.2.1 个体编码模式 |
| 6.2.2 产品综合适应度计算 |
| 6.2.3 交互式遗传算法系统的建构 |
| 6.2.4 系统选择算法设定 |
| 6.2.5 系统参数设置 |
| 6.2.6 系统交互界面设计 |
| 6.3 结果和讨论 |
| 6.4 产品方案设计及评价 |
| 6.4.1 方案设计 |
| 6.4.2 设计方案评价 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 研究局限 |
| 7.4 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间完成的学术成果 |
| 附录 |
（2）基于遗传算法的安卓恶意软件检测技术（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 现有研究方法介绍 |
| 1.2.2 检测特征提取 |
| 1.2.3 特征选择与检测方法选择 |
| 1.3 本文研究内容 |
| 1.4 本文的主要工作和组织结构 |
| 2 相关理论及技术 |
| 2.1 Android操作系统系统架构 |
| 2.2 Android操作系统安全机制 |
| 2.3 Android恶意软件相关介绍 |
| 2.3.1 Android操作系统安全隐患 |
| 2.3.2 恶意软件植入方式 |
| 2.3.3 恶意软件主要分类 |
| 2.4 Android恶意软件检测相关技术 |
| 2.4.1 Android编译流程 |
| 2.4.2 Android反编译技术 |
| 2.4.3 恶意软件检测方式 |
| 2.5 本章小结 |
| 3 基于遗传算法为特征选择方式的安卓恶意软件检测技术 |
| 3.1 框架概述 |
| 3.1.1 样本采集 |
| 3.1.2 数据预处理 |
| 3.1.3 初始分类器 |
| 3.1.4 基于遗传算法的特征选择 |
| 3.2 实验评估 |
| 3.2.1 数据集 |
| 3.2.2 评价标准 |
| 3.2.3 多类特征选取的比较评估 |
| 3.2.4 基于遗传算法为特征选择方式的比较评估 |
| 3.2.5 与相关工作的比较 |
| 3.2.6 分析和讨论 |
| 3.3 本章小结 |
| 4 基于遗传算法为多分类器权重选择方式的安卓恶意软件检测技术 |
| 4.1 框架概述 |
| 4.1.1 特征提取阶段 |
| 4.1.2 单分类器学习阶段 |
| 4.1.3 分类器选择阶段 |
| 4.2 性能评估 |
| 4.2.1 数据集 |
| 4.2.2 检测效果比较 |
| 4.2.3 鲁棒性比较 |
| 4.2.4 与相关工作比较 |
| 4.2.5 分析与讨论 |
| 4.3 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 |
（3）基于CatBoost的高光谱图像分类模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据预处理国内外研究现状 |
| 1.2.2 特征融合国内外研究现状 |
| 1.2.3 高光谱图像分类国内外研究现状 |
| 1.3 面临的挑战 |
| 1.3.1 维度高、相关性强 |
| 1.3.2 同物异谱和同谱异物 |
| 1.3.3 标签样本量小 |
| 1.3.4 Hughes现象 |
| 1.4 研究内容与章节安排 |
| 第2章 相关概念和理论基础 |
| 2.1 高光谱图像数据集 |
| 2.1.1 Slinas scene数据集 |
| 2.1.2 Indian Pines数据集 |
| 2.2 光谱特征提取的概念 |
| 2.2.1 波段选择原理 |
| 2.2.2 投影降维原理 |
| 2.3 空间特征提取的概念 |
| 2.4 网格搜索算法 |
| 2.5 变异系数算法 |
| 2.6 遗传算法的理论 |
| 2.7 集成学习的理论 |
| 2.7.1 GBDT算法 |
| 2.7.2 CatBoost算法 |
| 2.8 本章小结 |
| 第3章 基于波段选择的GS-CatBoost高光谱图像分类模型 |
| 3.1 引言 |
| 3.2 波段选择的GS-CatBoost模型构建 |
| 3.2.1 改进的m RMR算法 |
| 3.2.2 光谱特征提取方法 |
| 3.2.3 空间特征提取方法 |
| 3.2.4 网格搜索优化的CatBoost分类算法 |
| 3.2.5 波段选择的GS-CatBoost模型流程 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境 |
| 3.3.2 评价指标 |
| 3.3.3 预处理实验结果分析 |
| 3.3.4 不同波段选择模型的对比 |
| 3.3.5 不同特征提取模型的对比 |
| 3.3.6 不同方式优化CatBoost超参数模型的对比 |
| 3.3.7 不同分类器模型的对比 |
| 3.4 本章小结 |
| 第4章 基于遗传算法加权融合的GS-CatBoost高光谱图像分类模型 |
| 4.1 引言 |
| 4.2 遗传算法加权融合的GS-CatBoost模型构建 |
| 4.2.1 多特征提取 |
| 4.2.2 特征权重 |
| 4.2.3 遗传算法多特征融合 |
| 4.2.4 遗传算法加权融合的GS-CatBoost模型流程 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境与指标选取 |
| 4.3.2 多特征融合实验结果分析 |
| 4.3.3 融合后最优多特征实验结果分析 |
| 4.3.4 单一特征模型与多特征融合模型实验结果分析 |
| 4.3.5 多特征不同融合模型实验结果分析 |
| 4.3.6 特征加权模型实验结果分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A攻读学位期间取得的科研成果 |
（4）基于支持向量机的股票市场趋势分析及预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容 |
| 1.2.1 数据来源 |
| 1.2.2 具体研究内容 |
| 1.3 研究方法 |
| 1.4 本文可能的创新点 |
| 1.5 论文结构框架 |
| 第二章 文献综述 |
| 2.1 股票预测研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.2.1 传统时间序列方法在股票预测中的应用 |
| 2.1.2.2 支持向量机在股票预测中的应用 |
| 2.1.2.3 支持向量机的参数调优及性能改进 |
| 2.2 本章小结 |
| 第三章 股票市场及支持向量机等相关算法概述 |
| 3.1 股票市场相关知识概述 |
| 3.1.1 影响股票涨跌的因素 |
| 3.1.2 股票预测常用指标 |
| 3.1.3 股票趋势预测常用方法 |
| 3.2 支持向量机算法及相关理论 |
| 3.2.1 统计学习理论 |
| 3.2.2 支持向量机 |
| 3.2.3 非线性可分理论 |
| 3.2.4 支持向量机的改进算法 |
| 3.3 情感分析技术 |
| 3.3.1 情感分析应用 |
| 3.3.2 情感分析基本方法 |
| 3.4 主成分分析法(Principal Component Analysis,PCA) |
| 3.4.1 PCA简介 |
| 3.4.2 主成分分析法步骤 |
| 3.5 参数优化方法 |
| 3.5.1 遗传算法 |
| 3.5.2 粒子群算法 |
| 3.6 本章小结 |
| 第四章 股票市场预测指标体系构建及处理 |
| 4.1 数据获取 |
| 4.2 股票市场预测指标体系构建 |
| 4.2.1 股票市场预测常用指标与股价表现探究 |
| 4.2.2 新闻情感指标构建 |
| 4.2.2.1 基于新闻情感分析的指标构建 |
| 4.2.2.2 搜索热度及新闻情感与股价表现的关系探究 |
| 4.3 数据预处理 |
| 4.3.1 股票市场预测指标体系预处理 |
| 4.3.2 基于主成分分析的股票市场预测指标降维 |
| 4.4 本章小结 |
| 第五章 基于支持向量机的股票市场预测 |
| 5.1 股票市场预测模型构建 |
| 5.1.1 基于支持向量机分类的股票走势预测 |
| 5.1.2 基于支持向量机回归的股指预测 |
| 5.1.3 基于支持向量机回归的股票投顾 |
| 5.1.4 不同时间滑窗下支持向量机模型表现 |
| 5.2 股票市场预测模型的参数优化及改进 |
| 5.2.1 支持向量机参数调优 |
| 5.2.1.1 遗传算法参数调优 |
| 5.2.1.2 粒子群算法参数调优 |
| 5.2.2 股票市场预测模型的改进 |
| 5.2.2.1 基于改进支持向量机的股票市场预测 |
| 5.2.2.2 基于时期划分的股票市场预测 |
| 5.3 股票市场预测模型结果评估及对比分析 |
| 5.3.1 股票市场预测模型结果评估 |
| 5.3.2 基于主成分分析的支持向量机与普通支持向量机的性能对比分析 |
| 5.3.3 不同参数优化算法的性能对比分析 |
| 5.3.4 改进支持向量机的模型效果评估 |
| 5.3.5 基于时期划分的股票市场预测效果评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 研究的不足与局限 |
| 6.3 支持向量机在股票预测上的应用前景与展望 |
| 参考文献 |
| 附录 攻读硕士学位期间撰写的论文 |
| 致谢 |
（5）基于优化算法和DBN的车轴声发射信号实验数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 课题研究的背景及意义 |
| 1.3 课题研究的国内外现状 |
| 1.3.1 轨道车辆故障诊断研究现状 |
| 1.3.2 声发射检测研究现状 |
| 1.3.3 遗传算法研究现状 |
| 1.3.4 差分进化算法研究现状 |
| 1.3.5 深度学习在故障诊断领域的研究现状 |
| 1.3.6 深度学习在预测领域的研究现状 |
| 1.4 课题来源以及本文主要内容 |
| 1.4.1 课题来源 |
| 1.4.2 本文主要研究内容 |
| 第二章 理论基础 |
| 2.1 深度置信网络理论基础 |
| 2.1.1 受限玻尔兹曼机理论基础 |
| 2.1.2 深度置信网络结构 |
| 2.2 遗传算法理论基础 |
| 2.2.1 遗传算法的基本操作 |
| 2.2.2 遗传算法的基本要素 |
| 2.2.3 遗传算法流程 |
| 2.2.4 遗传算法的特点 |
| 2.3 差分进化算法理论基础 |
| 2.3.1 差分进化算法步骤 |
| 2.3.2 差分进化算法流程 |
| 2.3.3 差分进化算法的特点 |
| 第三章 基于遗传算法优化的深度置信网络分类识别 |
| 3.1 实验数据 |
| 3.2 实验总体设计 |
| 3.3 经验公式确定隐藏层节点数的深度置信网络识别 |
| 3.3.1 对原始数据的分类识别实验 |
| 3.3.2 对特征数据的分类识别实验 |
| 3.4 遗传算法优化隐藏层节点数的深度置信网络识别 |
| 3.4.1 遗传算法参数设置 |
| 3.4.2 对原始数据识别时的寻优及识别结果 |
| 3.4.3 对特征数据识别时的寻优及识别结果 |
| 3.5 结果分析 |
| 3.5.1 多种分类器分类识别结果对比 |
| 3.5.2 采用遗传算法的优势 |
| 本章小结 |
| 第四章 基于差分进化算法优化的深度置信网络预测分析 |
| 4.1 模型预测精度指标 |
| 4.2 基于深度置信网络的车轴寿命预测 |
| 4.2.1 实验数据 |
| 4.2.2 深度置信网络预测实验设计 |
| 4.2.3 深度置信网络预测结果 |
| 4.3 基于差分进化算法优化深度置信网络的车轴寿命预测 |
| 4.3.1 实验数据 |
| 4.3.2 差分进化算法参数设置 |
| 4.3.3 差分进化算法优化的深度置信网络预测实验设计 |
| 4.3.4 差分进化算法优化的深度置信网络预测结果 |
| 4.4 结果分析 |
| 4.4.1 两种方法的结果对比 |
| 4.4.2 采用差分进化算法的优势 |
| 本章小结 |
| 结论与展望 |
| 全文结论 |
| 工作展望 |
| 参考文献 |
| 致谢 |
（6）基于辅助生成深度置信网络的印刷机轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断概述 |
| 1.2.2 印刷机故障诊断研究现状 |
| 1.2.3 基于深度学习的故障诊断研究概述 |
| 1.2.4 基于深度学习算法的故障诊断理论研究 |
| 1.3 基于深度学习算法的故障诊断面临的挑战 |
| 1.4 论文研究主要内容 |
| 1.5 论文整体结构 |
| 1.6 本章小结 |
| 2 深度置信网络模型分类性能研究 |
| 2.1 限制玻尔兹曼机 |
| 2.1.1 限制玻尔兹曼机结构 |
| 2.1.2 限制玻尔兹曼机训练方法 |
| 2.2 深度置信网络 |
| 2.3 基于深度置信网络的故障识别模型 |
| 2.3.1 实验数据预处理 |
| 2.3.2 实验分析 |
| 2.4 实验结论 |
| 2.5 本章小结 |
| 3 基于辅助生成深度置信网络故障诊断模型 |
| 3.1 传统模型存在的问题 |
| 3.2 辅助生成算法 |
| 3.2.1 生成式对抗网络 |
| 3.2.2 理论模型 |
| 3.3 基于辅助生成的深度置信网络 |
| 3.3.1 .模型改进方案 |
| 3.4 基于辅助生成的深度置信网络模型的建立 |
| 3.4.1 指标器 |
| 3.4.2 学习率 |
| 3.4.3 神经单元数与网络层数 |
| 3.5 基于辅助生成的深度置信网络的轴承故障识别方法 |
| 3.5.1 诊断流程 |
| 3.5.2 实验数据与初始参数 |
| 3.6 结果分析 |
| 3.7 本章小结 |
| 4 量子遗传优化的辅助生成深度置信网络方法研究 |
| 4.1 量子遗传算法 |
| 4.2 量子遗传算法基本原理 |
| 4.2.1 量子遗传算法编码方式 |
| 4.2.2 适应度函数 |
| 4.2.3 量子旋转门 |
| 4.2.4 量子变异 |
| 4.3 量子遗传算法步骤与流程 |
| 4.4 量子遗传优化的辅助生成深度置信网络故障诊断模型 |
| 4.4.1 方法框架 |
| 4.4.2 轴承故障诊断模型 |
| 4.5 本章小结 |
| 5 实验验证及软件设计 |
| 5.1 实验平台搭建 |
| 5.1.1 印刷机诊断系统基本结构 |
| 5.1.2 数据采集与预处理 |
| 5.2 实验参数设定 |
| 5.3 实验基本流程 |
| 5.4 结果分析 |
| 5.5 系统介绍 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 课题展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
| 攻读硕士学位期间参与的科研项目 |
（7）基于遗传算法的字符识别特征提取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景以及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 国内研究状况 |
| 1.2.2 国外研究现状 |
| 1.3 本文所做的工作 |
| 1.4 论文的组织 |
| 2 字符识别的关键技术 |
| 2.1 印刷体与手写字体的区别与手写体的缺点 |
| 2.1.1 印刷体与手写体的区别 |
| 2.1.2 手写体的缺点 |
| 2.2 联机字符识别和脱机字符识别的区别 |
| 2.3 字符输入 |
| 2.4 字符预处理 |
| 2.4.1 图像的二值化 |
| 2.4.2 图像去噪 |
| 2.4.3 字符分割 |
| 2.4.4 字符细化 |
| 2.4.5 字符的归一化 |
| 2.5 特征提取 |
| 2.5.1 结构特征 |
| 2.5.2 统计特征 |
| 2.5.3 结构特征和统计特征融合 |
| 2.6 分类器设计 |
| 2.7 本章小结 |
| 3 字符特征提取算法的改进 |
| 3.1 导言 |
| 3.2 笔画结构特征提取算法 |
| 3.2.1 笔画结构特征介绍 |
| 3.2.2 笔画结构特征提取过程 |
| 3.2.3 笔画结构特征匹配 |
| 3.3 基于笔画结构特征改进算法 |
| 3.3.1 曲线的曲直转化 |
| 3.3.2 直线笔画的角度获取 |
| 3.4 基于改进特征提取的字符识别 |
| 3.5 改进算法与其他方法的比较 |
| 3.6 本章小结 |
| 4 基于遗传算法的字符识别特征提取 |
| 4.1 引言 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法定义 |
| 4.2.2 遗传算法的基本流程 |
| 4.2.3 初始种群的建立 |
| 4.2.4 自适应函数的确定 |
| 4.2.5 染色体的优化过程 |
| 4.3 改进特征提取结合遗传算法的实验结果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文研究总结 |
| 5.2 今后的研究展望 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于遗传算法和支持向量机的癌症特征基因选择及分类（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 第2章 特征基因选择与分类方法基础研究 |
| 2.1 基因芯片技术概述 |
| 2.1.1 基因表达产物检测技术 |
| 2.1.2 基因表达数据特点 |
| 2.2 特征选择 |
| 2.2.1 特征选择概述 |
| 2.2.2 特征选择基本框架 |
| 2.2.3 特征选择算法分类 |
| 2.3 特征评价准则 |
| 2.3.1 Pearson相关系数 |
| 2.3.2 信息增益与互信息 |
| 2.3.3 最大信息系数 |
| 2.3.4 基于分类器的特征评价方法 |
| 2.4 遗传算法理论 |
| 2.4.1 遗传算法概述 |
| 2.4.2 遗传算法基本流程 |
| 2.4.3 遗传算法数学基础 |
| 2.5 支持向量机 |
| 2.5.1 理论基础 |
| 2.5.2 基本原理 |
| 2.6 本章小结 |
| 第3章 基于GA-SVM算法的特征选择与分析 |
| 3.1 特征选择算法对比与分析 |
| 3.1.1 特征选择问题的描述 |
| 3.1.2 特征选择问题的分析 |
| 3.1.3 搜索算法对比与分析 |
| 3.2 GA-SVM算法分析 |
| 3.2.1 算法流程 |
| 3.2.2 适应度函数分析 |
| 3.2.3 选择算子分析 |
| 3.2.4 交叉算子分析 |
| 3.2.5 变异算子分析 |
| 3.3 本章小结 |
| 第4章 改进的GA-SVM特征基因选择与分类 |
| 4.1 数据预处理 |
| 4.2 选择和交叉互换算子 |
| 4.3 评价函数改进 |
| 4.4 变异算子改进 |
| 4.5 种群个体数量和冗余个体控制的改进 |
| 4.6 本章小结 |
| 第5章 实验研究与分析 |
| 5.1 实验 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据集 |
| 5.1.3 实验参数 |
| 5.1.4 实验设计 |
| 5.2 基于不同改进的GA-SVM算法实验分析 |
| 5.2.1 实验结果与分析 |
| 5.2.2 实验互补性分析 |
| 5.3 与以往研究对比实验 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（9）基于GA的CART决策树改进算法与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本论文主要研究内容 |
| 1.4 本章总结 |
| 第二章 数据挖掘概述 |
| 2.1 数据挖掘的相关理论 |
| 2.2 数据挖掘常见的分类算法 |
| 2.2.1 神经网络方法 |
| 2.2.2 粗糙集理论方法 |
| 2.2.3 聚类 |
| 2.2.4 关联规则 |
| 2.2.5 统计分析方法 |
| 2.2.6 回归分析 |
| 2.2.7 决策树方法 |
| 2.3 本章总结 |
| 第三章 决策树分类技术 |
| 3.1 决策树的定义和结构 |
| 3.2 决策树的构造过程 |
| 3.3 常用的决策树算法简介 |
| 3.3.1 ID3算法简介 |
| 3.3.2 C4.5算法 |
| 3.3.3 CART算法 |
| 3.3.4 决策树的应用 |
| 3.4 本章总结 |
| 第四章 基于遗传算法的CART优化的研究 |
| 4.1 引言 |
| 4.2 遗传算法介绍 |
| 4.3 基于遗传算法的CART算法的研究分析 |
| 4.3.1 基于遗传算法的CART算法的基本原理 |
| 4.3.2 基于遗传算法的CART算法的基本步骤 |
| 4.3.3 基于遗传算法的CART算法的实现 |
| 4.4 算法验证 |
| 4.4.1 数据说明 |
| 4.4.2 基于CART算法的决策树分类 |
| 4.4.3 基于上层遗传算法优化分类规则的CART分类 |
| 4.4.4 基于双层遗传算法优化CART算法的过程 |
| 4.5 实验结果 |
| 第五章 总结和展望 |
| 参考文献 |
| 附录:算法用到的相关函数介绍 |
| 致谢 |
（10）数据驱动的LTE-R网络故障诊断与预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究工作 |
| 1.4 论文组织结构 |
| 1.5 本章总结 |
| 2 LTE-R网络故障与关键参数相关技术 |
| 2.1 LTE-R网络架构 |
| 2.2 LTE-R关键性能参数与网络故障 |
| 2.2.1 LTE-R网络关键性能参数 |
| 2.2.2 LTE-R网络故障分类 |
| 2.3 LTE-R网络故障优化方法分析 |
| 2.3.1 网络故障诊断与预测技术概述 |
| 2.3.2 LTE-R网络故障诊断与预测问题描述 |
| 2.4 本章总结 |
| 3 基于Spark的 LTE-R网络基础故障诊断 |
| 3.1 相关技术 |
| 3.2 方法设计 |
| 3.3 实验与评价 |
| 3.4 本章总结 |
| 4 基于GA-shapelets的路测数据特征提取方法 |
| 4.1 相关工作 |
| 4.1.1 遗传算法 |
| 4.1.2 Shapelets |
| 4.2 GA-shapelets算法模型 |
| 4.2.1 时间序列的输入和标签 |
| 4.2.2 GA-shapelets算法模型 |
| 4.2.3 shapelets集距离矩阵输出 |
| 4.3 实验结果与分析 |
| 4.3.1 超参数设置 |
| 4.3.2 实验结果与对比分析 |
| 4.3.2.1 公开数据集实验 |
| 4.3.2.2 LTE-R网络参数数据实验 |
| 4.3.3 实验结论 |
| 4.4 本章总结 |
| 5 基于深度森林的LTE-R网络故障诊断 |
| 5.1 相关工作 |
| 5.1.1 集成学习 |
| 5.1.2 随机森林 |
| 5.2 A |
| 2DTEL算法模型 |
| 5.3 实验结果与分析 |
| 5.3.1 实验数据与评价指标 |
| 5.3.2 超参数设置 |
| 5.3.3 实验结果与对比分析 |
| 5.3.4 实验结论 |
| 5.4 本章总结 |
| 6 基于Transformer的 LTE-R基站故障预测 |
| 6.1 相关工作 |
| 6.1.1 注意力机制 |
| 6.1.2 Transformer |
| 6.2 基于因果卷积局部增强的Transformer算法模型 |
| 6.3 实验结果与分析 |
| 6.3.1 公开数据集实验 |
| 6.3.2 E-RAB掉线率预测实验 |
| 6.4 本章总结 |
| 7 结论 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
四、基于遗传算法的分类方法的探究（论文参考文献）
- [1]在线用户评价驱动的产品形态进化设计方法研究[D]. 汪天雄. 华东理工大学, 2021(08)
- [2]基于遗传算法的安卓恶意软件检测技术[D]. 韩潇宁. 大连理工大学, 2021(01)
- [3]基于CatBoost的高光谱图像分类模型研究[D]. 孙晓丽. 兰州理工大学, 2021(01)
- [4]基于支持向量机的股票市场趋势分析及预测研究[D]. 张磊. 南京邮电大学, 2020(02)
- [5]基于优化算法和DBN的车轴声发射信号实验数据分析[D]. 刘斌. 大连交通大学, 2020(06)
- [6]基于辅助生成深度置信网络的印刷机轴承故障诊断研究[D]. 唐嘉辉. 西安理工大学, 2020
- [7]基于遗传算法的字符识别特征提取技术研究[D]. 侯科睿. 大连海事大学, 2020(01)
- [8]基于遗传算法和支持向量机的癌症特征基因选择及分类[D]. 唐铭一. 长春工业大学, 2020(01)
- [9]基于GA的CART决策树改进算法与应用[D]. 刘亚芬. 广州大学, 2020(02)
- [10]数据驱动的LTE-R网络故障诊断与预测研究[D]. 范子豪. 北京交通大学, 2020(03)