人工蜂群算法综述

文献综述

一、综述 语音分离问题源于著名的“鸡尾酒会效应”．即在复杂的混合声音中，人类能有效地选择并跟踪某一说话人的声音。语音分离的研究在语音通信、声学目标检测、声音信号增强等方面有着重要的理论意义和实用价值。而将语音分离技术应用到智能机器人中。让机器人具有智能的听觉，实现声源定位和分离，确定说话人个数，进行人机对话等方面更具有广阔的应用前景。目前，这方面的研究主要有听觉场景分析(Auditory Scene Analysis，ASA)和盲源分离(Blind Source Separation，BSS)两类方法。 对于听觉场景分析的研究有两种方法：一种是从人的听觉生理及心理特性出发，研究人在声音识别过程中的规律．即听觉场景分析；另一种是利用对人听觉感知的研究成果建立模型．对模型进行数学分析并用计算机来实现它。这是计算听觉场景分析(ComputationalAudit0珂Scene Analysis，CASA)所要研究的内容。 而盲源分离是指在源信号、传输通道特性未知的情况下．仅由观测信号和源信号的一些先验知识(如概率密度)来估计出源信号各个分量的过程。盲源分离的独立分量分析方法首先是由Comon提出的。它是基于神经网络和统计学的基础发展起来的一种技术．是一个十分活跃的前沿领域。该技术在通信、生物医学信号处理、语音分离、图像处理、阵列信号处理以及通用信号分析等方面有着广泛的应用。 已有的盲分离算法大致归纳为三类。在第一类方法中，信号经过变换后，使不同信号分量之间的相依性(Dependency)最小化。这类方法称为独立分量分析，由Pierre Comon于1994年提出。当信号之间的独立性采用不同的准则测度时，即得到不同的算法。第二类方法是用非线性传递函数对输出进行变换，使得输出分布包含在一个有限的超立方体中，然后熵的最大化将迫使输出分量可能在超立方体中均匀散布。这类方法称为熵最大化，是由Bell和Sejnowski于1995年提出的。熵最大化最终也得到信号分量独立性的类似测度。第三类方法为非线性主分量分析．由Oja和Karhunen等人于1994年提出，它是线性主分量分析方法的推广。目前，前两类方法已逐渐趋于成熟。对于

社会科学研究方法文献综述

关于商业片植入式广告发展现状及存在问题的研究——受众心理的关注及营销策略、传播方式的使用 文献综述 姓名：王丹 20090257 曾艳 20090261 杨斯琦 20090259 唐梦佳 20090256 余颂庆 20090260 张文 20090262 吴霜 20090258 班级：市场营销03班 指导老师：杨代福 时间：2012-03-10

【引言】 进入21世纪以来，由于行业竞争加剧等原因，商业片植入式广告异军突起，事实上，这种广告模式由来已久，也并非中国特色。植入式广告源于欧美，发展较为成熟，我国的植入式尚处萌芽阶段，负面问题频发，饱受舆论质疑。但不可否认的是，植入式广告不但比传统硬广告更有优势，而且也是快速收回投资成本、降低商业风险急加速媒介产业循环的好方法，作为产业链上重要一环，其存在不仅具有合理性，而且具良好的发展前景。那么，如何使商业片的植入式广告快速的进入其下一个发展阶段成为现阶段的重大问题。因此，对于影响植入式广告效果的重要因素（营销手段、传播方式以及受众心理），值得我们去研究和思考我们。 【正文】 一、植入式广告的文献研究现状 植入式广告于上世纪20年代至20年代末开始萌芽、2000年以后才真正进入蓬勃发展期，虽然相对于传统传播形式的广告，植入式广告的发展历史并不长，但是以商业片植入式广告为代表的植入式广告已经成为广告发展的一股不可抵挡的趋势，而国内外专家、学者对植入式广告发展的方方面面也进行了深入研究和探讨，呈现出一定深度和广度的理论学说及典型案例，对于植入式广告产业发展发挥了作用。从国内外的研究现状看，对于植入式广告的研究成果可归纳为以下四个方面。 1.对于植入式广告的理论体系依据研究 关于植入式广告所依据的理论体系的研究，主要集中在传播学理论的体现与运用；张金海在《20世纪广告传播理论研究》一书中指出，植入式广告在现代广告业的发展中越来越引人注目，体现了现代广告逐渐将目光放在广告传播的社会文化关注，而巧妙地利用传播学中的归因理论和“说服性传播”的效果理论，则可以将这种关注的社会化效果扩大；而吕善锟在其论文《电影中植入式广告的理论依据》中则明确提出，植入式广告之所以比传统的商业广告有更好的说服效果，正在于其运用了传播学中的归因理论、两级传播理论、“说服性传播”的效果研究、经典条件反射理论以及模仿理论等。

文本聚类的现状研究

1 文本聚类研究现状 1 文本聚类研究现状 Internet 已经发展为当今世界上最大的信息库和全球范围内传播信息最主要的渠道。随着Internet 的大规模普及和企业信息化程度的提高，各种资源呈爆炸式增长。在中国互联网络信息中心(CNNIC)2007 年 1 月最新公布的中国互联网络发展状况统计报告中显示，70.2% 的网络信息均以文本形式体现。对于这种半结构或无结构化数据，如何从中获取特定内容的信息和知识成为摆在人们面前的一道难题。近年来，文本挖掘、信息过滤和信息检索等方面的研究出现了前所未有的高潮。 作为一种无监督的机器学习方法，聚类技术可以将大量文本信息组成少数有意义的簇，并提供导航或浏览机制。 文本聚类的主要应用点包括： (1) 文本聚类可以作为多文档自动文摘等自然语言处理应用的预处理步骤。其中比较典型的例子是哥伦比亚大学开发的多文档自动文摘系统Newsblaster[1] 。该系统将新闻进行 聚类处理，并对同主题文档进行冗余消除、信息融合、文本生成等处理，从而生成一篇简明扼要的摘要文档。 (2) 对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息。比较典型的系统有Infonetware Real Term Search 。Infonetware 具有强大的对搜索结果进行主题分类的功能。另外，由Carrot Search 开发的基于Java 的开源Carrot2 搜索结果聚合聚类引擎2.0 版也是这方面的利用，Carrot2 可以自动把自然的搜索结果归类( 聚合聚类) 到相应的语义类别中，提供基于层级的、同义的以及标签过滤的功能。 (3) 改善文本分类的结果，如俄亥俄州立大学的Y.C.Fang 等人的工作[2] 。 (4) 文档集合的自动整理。如Scatter/Gather[3] ，它是一个基于聚类的文档浏览系统。 2 文本聚类过程 文本聚类主要依据聚类假设：同类的文档相似度较大，非同类的文档相似度较小。作为一种无监督的机器学习方法，聚类由于不需要训练过程、以及不需要预先对文档手工标注类别，因此具有较高的灵活性和自动化处理能力，成为对文本信息进行有效组织、摘要和导航的重要手段。文本聚类的具体过程如图 1 所示。 图 1 文本聚类过程 2.1 文本信息的预处理 文本聚类的首要问题是如何将文本内容表示成为数学上可分析处理的形式，即建立文本特

可行性研究文献综述

可行性研究文献综述 一、可行性研究简介 可行性研究一词源于英语feasibility study,字义就是行得通,有可能成功的意思。自20世纪30年代作为一种组织管理方法对工程项目进行评价,使美国田纳西河流域开发项目获得成功之后,可行性研究这种仅限于经济评价的报告在工业发达国家成为建设项目开发程序的一个环节。 工业项目可行性研究就是投资工业项目决策前的活动,就是在事件没有发生之前的研究,就是对事务未来发展的情况、可能遇到的问题与结果的估计,具有预测性。因此,必须进行深入的调查研究,充分的占有资料,运用切合实际的预测方法,科学的预测未来前景。 对于投资额较大,建设周期较长,内外协作配套关系较多的建设项目,可行性研究的工作期较长,为了节省投资,减少资源浪费,避免对早期就应淘汰的项目做无效研究,一般将可行性研究分为机会研究、初步可行性研究、可行性研究(有时也叫详细可行性研究)与项目评价决策四个阶段。机会研究证明效果不佳的项目,就不再进行初步可行性研究;同样,如果初步可行性研究结论不可行,则不必再进行可行性研究。 随着科学技术、市场经济与管理科学的高度发展,在不断总结过去经验的基础上,可行性研究理论也得到了不断的完善与发展,至今已成为世界公认的项目评价方法。在项目投资决策之前进行可行性研究,不但有助于减少或避免项目投资失误,而且有助于项目的顺利实施与推进,总的说来,可行性研究对于项目投资决策有着以下非常重要的作用: 作为项目建设立项的依据,作为向银行申请贷款或筹资的依据,作为工程设计与建设的依据,作为向当地政府与环保部门申请建设执照的依据,作为本工程建设补充基础资料的依据,作为项目与各有关部门签订合同或协议的依据,作为核准采用新技术、新设备研制计划的依据,作为企业安排项目计划与实施的依据。 二、国外可行性研究的发展历史 西方最早推行可行性研究方法的就是美国,通过采用这套方法,实现了对河流流域地区良好的开发与综合利用,二战后,随着现代科学技术与管理科学的高度发展,技术经济问题越来越复杂,为了开发新产品,减少投资风险,需要采用科学方法对项目实施进行预测、分析、论证。因此20世纪60年代以来,可行性研究迅速成为投资决策前的一个普遍工作阶段,并且形成了一整套系统理论的科学方法。这种方法在以世界银行为代表的国际经济组织对发展中国家的贷款或援助项目中迅速推广。 在19世纪至20世纪50年代中期,国外主要就是运用简单的财务评价方法通过对项目的收入与支出进行比较来判断项目的优劣。随着社会的发展,简单的财务评价已不能满足社会、政府与企业对项目投资决策的多元化需求。于就是,法国工程师让尔·杜比提出了“消费者剩余”的思想并在1844年发表了“公共工程效用的评价”一文。之后英国经济学家A·马歇尔正式提出了“消费者剩余”的概念,这种思想发展成为现在费用-效益分析的基础,构成了

1选题：本课题国内外研究现状述评,提出选题的背景及意义.doc

1.选题：本课题国内外研究现状述评，提出选题的背景及意义。 2.目标与内容: 本课题研究拟完成的研究目标和主要研究内容，研究内容要对?拟解决的问题进行具体化。3、研究思路与方法：本课题研究的技术路线、方法和计划。4.预期价值：本课题理论创新程度和实践应用价值。（课题设计论证限3000字以内） 一直以来如何有效的提高学生的学习效率和教师的教学效率不断的得到大量的研究，近二十年以来，随着计算机信息技术和互联网应用的飞速发展，在教育心理学中正在发生着一场革命，应用建构主义的学习理论（Slavin, 1994）来指导改革教学成为一大趋势。建构主义学习理论从“学习的含义”（即关于“什么是学习”）与“学习的方法”（即关于“如何进行学习”）这两个角度说明学习的影响因素及提高学习效率的方法，建构主义学习理论认为学习是在一定的基础知识之上，在一定的情境即社会文化背景下，借助其他人的帮助即通过人际间的协作活动而实现的意义建构过程。“情境”、“协作”、“会话”和“意义建构”是学习环境中的四大要素或四大属性。所谓“情境”即是学习的综合环境；“协作”: 指学习中与他人的沟通与合作；“会话”：学习小组成员之间通过会话商讨如何完成规定的学习任务的计划；“意义建构”：建构事物的性质、规律以及事物之间的内在联系，是整个学习过程的最终目标。建构主义的学生观、教师观和知识观和以往的学习理论有了很大的变化，应用建构主义学习理论来提高教学效率正成为当前的研究热点，但目前的研究多从学习的方法论和学习技术本身入手，考虑学生的具体群体的学习特点较少，不能很好的有的放矢，在分析学生的学习影响因素时多直接用常规的数理统计理论进行分析与讨论，而实际上影响学生的学习因素是相当复杂与繁多的，而且学习因素之间W能存在相互的因果关系，而这种因果关系有时往往不知道，因素之间的影响到底多大，定量的关系不明确，甚至可能有很多隐藏的因素在起作用，发现学习的各种影响因素及其因果关系与比重，以及它们的变化分布规律对我们找出主要因素从而正确指导教学以及设计调查问卷摸查学生的学习基础与学习特点对教师的教学设计和提高教学效率具有重要意义，目前对此的研究还比较少。 贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。自1988年由Pearl提出后，己知成为近几年来研究的热点一般的贝叶斯网络结构是一个有向无环图（Directed Acyclic Graph,DAG）,如图1所示，由代表变量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的互相关系（由父节点指向其后代节点），用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达, 节点变量可以是任何问题的抽象（如知识表达），适用于表达和分析不确定性和概率性的事件，可以从不完全、不精确或不确定的知识或信息中做出推理。贝叶斯网络本身是一种不确定性因果关联模型，贝叶斯网络与其他决策模型不同，它本身是将多元知识图解可视化为一种概率知识表近与推理模型，更为贴切地蕴含了网络节点，变量之间的因果关系及条件相关关系，如果节点表达为学习因素，

人工蜂群算法应用

人工蜂群算法的应用 【摘要】人工蜂群算法（ABC）是建立在蜜蜂自组织型和群体智能基础上的一种非数值优化计算方法。自1995年提出蜂群算法后，该算法引起了学者们的极大关注，并已在组合优化、网络路由、函数优化、机器人路径规划等领域获得了广泛应用。本文首先介绍了蜂群算法的研究背景、基本原理、要素构成、算法流程和优缺点，然后，介绍蜂群算法在实际中的应用，并且最后用Matlab 实现人工蜂群算法对Griewank函数的优化，最后，本文对蜂群算法领域存在的问题进行了总结，并提出了未来蜂群算法的研究方向。 【关键词】人工蜂群算法；函数优化；Matlab；研究方向 一、研究背景 群体智能（SwarmIntelligence）是指具有简单智能的个体通过相互协作和组织表现出群体智能行为的特性，具有天然的分布式和自组织特征，在没有集中控制且不提供全局模型的前提下表现出了明显的优势。虽然目前针对群体智能的研究还处于初级阶段，且存在许多困难，但群体智能的研究代表了计算机研究发展的一个重要方向。2005年Karaboga成功地将蜜蜂采蜜原理应用于函数的数值优化，并提出比较系统的人工蜂群算法（ArtificialBeeColonyAlgorithm，简称ABC算法）。目前，关于ABC算法研究与应用还处于初级阶段，但由于其控制参数少、易于实现、计算简洁、鲁棒性强等特点，已成为群体智能领域的研究热点之一，被越来越多的学者所关注。 二、基本原理 自然界中的蜂群总是能自如发现优良蜜源（或花粉）。Von Frisch研究揭示蜜蜂以跳舞的方式来传达蜜源的信息。采集到花粉的蜜蜂，返回后在蜂巢上翩然起舞；蜜蜂沿直线爬行，然后再转向左这一种舞蹈，其动线呈“8”字形，并摇摆其腹部，舞蹈的中轴线与地心引力的夹角正好表示蜜源的方向和太阳的夹角。这种舞被称为“摇摆舞”，蜂群实现采蜜的集体智能行为包含3个基本

蚁群算法综述

智能控制之蚁群算法 1引言 进入21世纪以来，随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛。 智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。 蚁群算法是近些年来迅速发展起来的，并得到广泛应用的一种新型模拟进化优化算法。研究表明该算法具有并行性，鲁棒性等优良性质。它广泛应用于求解组合优化问题，所以本文着重介绍了这种智能计算方法，即蚁群算法，阐述了其工作原理和特点，同时对蚁群算法的前景进行了展望。 2 蚁群算法概述 1、起源 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 Deneubourg及其同事(Deneubourg et al.,1990; Goss et al.,1989)在可监控实验条件下研究了蚂蚁的觅食行为，实验结果显示这些蚂蚁可以通过使用一种称为信息素的化学物质来标记走过的路径，从而找出从蚁穴到食物源之间的最短路径。 在蚂蚁寻找食物的实验中发现，信息素的蒸发速度相对于蚁群收敛到最短路径所需的时间来说过于缓慢，因此在模型构建时，可以忽略信息素的蒸发。然而当考虑的对象是人工蚂蚁时，情况就不同了。实验结果显示，对于双桥模型和扩展双桥模型这些简单的连接图来说，同样不需要考虑信息素的蒸发。相反，在更复杂的连接图上，对于最小成本路径问题来说，信息素的蒸发可以提高算法找到好解的性能。 2、基于蚁群算法的机制原理 模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能模式引入的，该算法基于如下假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根据其周围的环境作出反应，也只对其周围的局部环境产生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基因生物，蚂蚁的行为实际上是其基因的自适应表现，即蚂蚁是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境作出独立选择；在群体水平上，单

启发式优化算法综述

启发式优化算法综述 一、启发式算法简介 1、定义 由于传统的优化算法如最速下降法，线性规划，动态规划，分支定界法，单纯形法，共轭梯度法，拟牛顿法等在求解复杂的大规模优化问题中无法快速有效地寻找到一个合理可靠的解，使得学者们期望探索一种算法:它不依赖问题的数学性能，如连续可微，非凸等特性; 对初始值要求不严格、不敏感，并能够高效处理髙维数多模态的复杂优化问题，在合理时间内寻找到全局最优值或靠近全局最优的值。于是基于实际应用的需求，智能优化算法应运而生。智能优化算法借助自然现象的一些特点，抽象出数学规则来求解优化问题，受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。 为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。因此，采用一种相对好的求解算法，去尽可能逼近最优解，得到一个相对优解，在很多实际情况中也是可以接受的。启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。 启发式算法是和问题求解及搜索相关的，也就是说,启发式算法是为了提高搜索效率才提出的。人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题

时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案，以随机或近似随机方法搜索非线性复杂空间中全局最优解的寻取。启发式解决问题的方法是与算法相对立的。算法是把各种可能性都一一进行尝试，最终能找到问题的答案，但它是在很大的问题空间内，花费大量的时间和精力才能求得答案。启发式方法则是在有限的搜索空间内，大大减少尝试的数量，能迅速地达到问题的解决。 2、发展历史 启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，才能取得了巨大的成就。纵观启发式算法的历史发展史： 40年代：由于实际需要，提出了启发式算法（快速有效）。 50年代：逐步繁荣，其中贪婪算法和局部搜索等到人们的关注。 60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规模的问题仍然无能为力（收敛速度慢）。 70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。由此必须引入新的搜索机制和策略。 Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的兴趣。 80年代以后：模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tabu Search）相继出现。 最近比较火热的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms），拟人拟物算法，量子算法等。

优化算法——人工蜂群算法(ABC)

优化算法——人工蜂群算法(ABC) 一、人工蜂群算法的介绍 手机微信关注公众号ID：datadw 学习数据挖掘，研究大数据，关注你想了解的，分享你需要的。人工蜂群算法(Artificial Bee Colony, ABC)是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。人工蜂群算法属于群智能算法的一种。 二、人工蜂群算法的原理 1、原理 标准的ABC算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类: 采蜜蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中，采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近随机地寻找蜜源。 假设问题的解空间是维的，采蜜蜂与观察蜂的个数都是，采蜜蜂的个数或观察蜂的个数与蜜源的数量相等。则标准的ABC 算法将优化问题的求解过程看成是在维搜索空间中进行搜索。每个蜜源的位置代表问题的一个可能解，蜜源的花蜜量对应于相应的解的适应

度。一个采蜜蜂与一个蜜源是相对应的。与第个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源： 其中，，，是区间上的随机数， 。标准的ABC算法将新生成的可能解与原来的解作比较，并采用贪婪选择策略保留较好的解。每一个观察蜂依据概率选择一个蜜源，概率公式为 其中，是可能解的适应值。对于被选择的蜜源，观察蜂根据上面概率公式搜寻新的可能解。当所有的采蜜蜂和观察蜂都搜索完整个搜索空间时，如果一个蜜源的适应值在给定的步骤内(定义为控制参数“limit”) 没有被提高, 则丢弃该蜜源，而与该蜜源相对应的采蜜蜂变成侦查蜂，侦查蜂通过已下公式搜索新的可能解。 其中，是区间上的随机数，和是第维的下界和上界。 2、流程 ?初始化； ?重复以下过程： o将采蜜蜂与蜜源一一对应，根据上面第一个公式更新蜜源信息，同时确定蜜源的花蜜量；

文献综述的主要方法

文献综述的主要方法 文献综述抽取某一个学科领域中的现有文献，总结这个领域研究的现状，从现有文献及过去的工作中，发现需要进一步研究的问题和角度。 文献综述是对某一领域某一方面的课题、问题或研究专题搜集大量情报资料，分析综合当前该课题、问题或研究专题的最新进展、学术见解和建议，从而揭示有关问题的新动态、新趋势、新水平、新原理和新技术等等，为后续研究寻找出发点、立足点和突破口。 文献综述看似简单．其实是一项高难度的工作。在国外，宏观的或者是比较系统的文献综述通常都是由一个领域里的顶级“大牛”来做的。在现有研究方法的著作中，都有有关文献综述的指导，然而无论是教授文献综述课的教师还是学习该课程的学生，大多实际上没有对其给予足够的重视。而到了真正自己来做研究，便发现综述实在是困难。 约翰W.克雷斯威尔（John W. Creswell）曾提出过一个文献综述必须具备的因素的模型。他的这个五步文献综述法倒还真的值得学习和借鉴。 克雷斯威尔认为，文献综述应由五部分组成：即序言、主题1（关于自变量的）、主题2（关于因变量的）、主题3（关于自变量和因变量两方面阐述的研究）、总结。 1. 序言告诉读者文献综述所涉及的几个部分，这一段是关于章节构成的陈述。在我看也就相当于文献综述的总述。 2. 综述主题1提出关于“自变量或多个自变量”的学术文献。在几个自变量中，只考虑几个小部分或只关注几个重要的单一变量。记住仅论述关于自变量的文献。这种模式可以使关于自便量的文献和因变量的文献分开分别综述，读者读起来清晰分明。 3. 综述主题2融合了与“因变量或多个因变量”的学术文献，虽然有多种因变量，但是只写每一个变量的小部分或仅关注单一的、重要的因变量。 4. 综述主题3包含了自变量与因变量的关系的学术文献。这是我们研究方案中最棘手的部分。这部分应该相当短小，并且包括了与计划研究的主题最为接近的研究。或许没有关于研究主题的文献，那就要尽可能找到与主题相近的部分，或者综述在更广泛的层面上提及的与主题相关的研究。 5. 在综述的最后提出一个总结，强调最重要的研究，抓住综述中重要的主题，指出为什么我们要对这个主题做更多的研究。其实这里不仅是要对文献综述进行总结，更重要的是找到你要从事的这个研究的基石（前人的肩膀），也就是你的研究的出发点。 在我看来，约翰.W.克雷斯威尔所提的五步文献综述法，第1、2、3步其实在研究实践中都不难，因为这些主题的研究综述毕竟与你的研究的核心问题有距离。难的是第4步，主题3的综述。难在哪里呢？一是阅读量不够，找不到最相

手写数字识别技术研究【文献综述】

毕业设计文献综述 计算机科学与技术 手写数字识别技术研究 一、前言部分 手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition,简称OCR)的一个分支,它研究的对象是：如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。 OCR是模式识别的一个分支，按字体分类主要分为印刷体识别和手写体识别两大类.而手写体识别又可分为受限手写体和不受限识别体，按识别方式有课分为在线识别和脱机识别。在整个OCR领域中，最为困难的就是脱机手写字符的识别。到目前为止,尽管人们在脱机手写英文,汉字识别的研究中已取得很多可喜成就,但距实用还有一定距离。而在手写数字识别这个方向上,经过多年研究,研究工作者已经开始把它向各种实际应用推广,为手写数据的高速自动输入提供了一种解决方案。 字符识别处理的信息可分为两大类:一类是文字信息,处理的主要是用各国家,各民族的文字(如:汉字,英文等)书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟,并推出了很多应用系统;另一类是数据信息,主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据,如:邮政编码,统计报表,财务报表,银行票据等等,处理这类信息的核心技术是手写数字识别。因此,手写数字的识别研究有着重大的现实意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。[1][2][15] 二、主题部分 （一）.手写数字识别研究的理论意义 手写数字识别作为模式识别领域的一个重要问题,也有着重要的理论价值: 1.阿拉伯数字是唯一的被世界各国通用的符号,对手写数字识别的研究基本上与文化背景无关,这样就为各国,各地区的研究工作者提供了一个施展才智的大舞台。在这一领域大家可以探讨,比较各种研究方法。 2.由于数字识别的类别数较小,有助于做深入分析及验证一些新的理论。 3.尽管人们对手写数字的识别已从事了很长时间的研究,并已取得了很多成果,但到目前为止机器的识别本领还无法与人的认知能力相比,这仍是一个有难度的开放问题(Open

作为中国话语的新闻专业主义——新闻专业主义研究综述(2015~2017)

Journalism and Communications 新闻传播科学, 2018, 6(2), 9-13 Published Online June 2018 in Hans. https://www.wendangku.net/doc/f54083716.html,/journal/jc https://https://www.wendangku.net/doc/f54083716.html,/10.12677/jc.2018.62002 News Profession as Chinese Discourse: A Survey of News Professionalism (2015-2017) Xuan Zhou Zhejiang University of Communication and Media, Hangzhou Zhejiang Received: May 17th, 2018; accepted: May 30th, 2018; published: Jun. 6th, 2018 Abstract Since the introduction of journalistic professionalism in China in the 1990s, it has been rapidly accepted by the Chinese press as its own theoretical resource and ideal pursuit. However, it must be clarified that this “acceptance” process is also a process of adaptation and adjustment. Espe-cially in the process of media marketization and in the process of political power’s competition and cooperation, journalistic professionalism has become a unique Chinese discourse. And aca-demic research is also consciously or unconsciously accepting this position as the theoretical standpoint starting point. In recent three years, the research in this field has continued and reached a small peak by the end of 2017. Keywords Chinese Discourse, Journalistic Professionalism 作为中国话语的新闻专业主义——新闻专业主义研究综述(2015~2017) 周璇 浙江传媒学院，浙江杭州 收稿日期：2018年5月17日；录用日期：2018年5月30日；发布日期：2018年6月6日 摘要 新闻专业主义自上个世纪90年代传入中国以后，就迅速被中国新闻界作为自己的理论资源和理想追求，

蚁群算法研究综述

蚁群算法综述 控制理论与控制工程09104046 吕坤一、蚁群算法的研究背景 蚂蚁是一种最古老的社会性昆虫，数以百万亿计的蚂蚁几乎占据了地球上每一片适于居住的土地，它们的个体结构和行为虽然很简单，但由这些个体所构成的蚁群却表现出高度结构化的社会组织，作为这种组织的结果表现出它们所构成的群体能完成远远超越其单只蚂蚁能力的复杂任务。就是他们这看似简单，其实有着高度协调、分工、合作的行为，打开了仿生优化领域的新局面。 从蚁群群体寻找最短路径觅食行为受到启发，根据模拟蚂蚁的觅食、任务分配和构造墓地等群体智能行为，意大利学者M.Dorigo等人1991年提出了一种模拟自然界蚁群行为的模拟进化算法——人工蚁群算法，简称蚁群算法(Ant Colony Algorithm,ACA)。 二、蚁群算法的研究发展现状 国内对蚁群算法的研究直到上世纪末才拉开序幕，目前国内学者对蚁群算法的研究主要是集中在算法的改进和应用上。吴庆洪和张纪会等通过向基本蚁群算法中引入变异机制，充分利用2-交换法简洁高效的特点，提出了具有变异特征的蚊群算法。吴斌和史忠植首先在蚊群算法的基础上提出了相遇算法，提高了蚂蚁一次周游的质量，然后将相遇算法与采用并行策略的分段算法相结合。提出一种基于蚁群算法的TSP问题分段求解算法。王颖和谢剑英通过自适应的改变算法的挥发度等系数，提出一种自适应的蚁群算法以克服陷于局部最小的缺点。覃刚力和杨家本根据人工蚂蚁所获得的解的情况，动态地调整路径上的信息素，提出了自适应调整信息素的蚁群算法。熊伟清和余舜杰等从改进蚂蚁路径的选择策略以及全局修正蚁群信息量入手，引入变异保持种群多样性，引入蚁群分工的思想，构成一种具有分工的自适应蚁群算法。张徐亮、张晋斌和庄昌文等将协同机制引入基本蚁群算法中，分别构成了一种基于协同学习机制的蚁群算法和一种基于协同学习机制的增强蚊群算法。 随着人们对蚁群算法研究的不断深入，近年来M.Dorigo等人提出了蚁群优化元启发式(Ant-Colony optimization Meta Heuristic，简称ACO-MA)这一求解复杂问题的通用框架。ACO-MH为蚁群算法的理论研究和算法设计提供了技术上的保障。在蚁群优化的收敛性方面，W.J.Gutjahr做了开创性的工作，提出了基于图的蚂蚁系统元启发式(Graph-Based Ant System Metaheuristic)这一通用的蚁群优化 的模型，该模型在一定的条件下能以任意接近l的概率收敛到最优解。T.StBtzle 和M.Dorigo对一类ACO算法的收敛性进行了证明，其结论可以直接用到两类实验上，证明是最成功的蚁群算法——MMAs和ACS。N.Meuleau和M.Dorigo研究了

如何做文献综述：克雷斯威尔五步文献综述法

如何做文献综述：克雷斯威尔五步文献综述法 文献综述抽取某一个学科领域中的现有文献，总结这个领域研究的现状，从现有文献及过去的工作中，发现需要进一步研究的问题和角度。 文献综述是对某一领域某一方面的课题、问题或研究专题搜集大量情报资料，分析综合当前该课题、问题或研究专题的最新进展、学术见解和建议，从而揭示有关问题的新动态、新趋势、新水平、新原理和新技术等等，为后续研究寻找出发点、立足点和突破口。 文献综述看似简单．其实是一项高难度的工作。在国外，宏观的或者是比较系统的文献综述通常都是由一个领域里的顶级“大牛”来做的。在现有研究方法的著作中，都有有关文献综述的指导，然而无论是教授文献综述课的教师还是学习该课程的学生，大多实际上没有对其给予足够的重视。而到了真正自己来做研究，便发现综述实在是困难。 约翰W.克雷斯威尔（John W. Creswell）曾提出过一个文献综述必须具备的因素的模型。他的这个五步文献综述法倒还真的值得学习和借鉴。 克雷斯威尔认为，文献综述应由五部分组成：即序言、主题1（关于自变量的）、主题2（关于因变量的）、主题3（关于自变量和因变量两方面阐述的研究）、总结。 1. 序言告诉读者文献综述所涉及的几个部分，这一段是关于章节构成的陈述。在我看也就相当于文献综述的总述。 2. 综述主题1提出关于“自变量或多个自变量”的学术文献。在几个自变量中，只考虑几个小部分或只关注几个重要的单一变量。记住仅论述关于自变量的文献。这种模式可以使关于自便量的文献和因变量的文献分开分别综述，读者读起来清晰分明。 3. 综述主题2融合了与“因变量或多个因变量”的学术文献，虽然有多种因变量，但是只写每一个变量的小部分或仅关注单一的、重要的因变量。 4. 综述主题3包含了自变量与因变量的关系的学术文献。这是我们研究方案中最棘手的部分。这部分应该相当短小，并且包括了与计划研究的主题最为接

基于蚁群算法的TSP问题研究

南京航空航天大学金城学院毕业设计（论文）开题报告 题目基于蚁群算法的TSP问题研究 系部XXXX系 专业XXXX 学生姓名XXXX学号XXXX 指导教师XXXX职称讲师 毕设地点XXXX 年月日

填写要求 1．开题报告只需填写“文献综述”、“研究或解决的问题和拟采用的方法”两部分内容，其他信息由系统自动生成，不需要手工填写。 2．为了与网上任务书兼容及最终打印格式一致，开题报告采用固定格式，如有不适请调整内容以适应表格大小并保持整体美观，切勿轻易改变格式。 3．任务书须用A4纸，小4号字，黑色宋体，行距1.5倍。 4．使用此开题报告模板填写完毕，可直接粘接复制相应的内容到毕业设计网络系统。

1.结合毕业设计（论文）课题任务情况，根据所查阅的文献资料，撰写1500～2000字左右的文献综述： 1.1蚁群算法的发展和应用 在计算机自动控制领域中,控制和优化始终是两个重要问题。使用计算机进行控制和优化本质上都表现为对信息的某种处理。随着问题规模的日益庞大,特性上的非线性及不确定性等使得难以建立精确的“数学模型”。人们从生命科学和仿生学中受到启发,提出了许多智能优化方法,为解决复杂优化问题(NP-hard问题)提供了新途径。 蚁群算法(Ant Colony Algorithm,ACA)是Dorigo M等人于1991年提出的。 经观察发现,蚂蚁个体之间是通过一种称之为信息素的物质进行信息传递的。在运动过程中,蚂蚁能够在它所经过的路径上留下该种信息素,而且能够感知信息素的浓度,并以此指导自己的运动方向。蚁群的集体行为表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。它充分利用了生物蚁群通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。同时，该算法还被用于求解二次指派问题以及多维背包问题等，显示了其适用于组合优化问题求解的优越特征。 蚁群算法应用于静态组合优化问题,其典型代表有旅行商问题(TSP)、二次分配问题(QAP)、车间调度问题、车辆路径问题等。在动态优化问题中的应用主要集中在通讯网络方面。这主要是由于网络优化问题的特殊性,如分布计算,随机动态性,以及异步的网络状态更新等。例如将蚁群算法应用于QOS组播路由问题上,就得到了优于模拟退火(SA)和遗传算法(GA)的效果。蚁群优化算法最初用于解决TSP 问题，经过多年的发展，已经陆续渗透到其他领域中，如图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。蚁群算法在若干领域获得成功的应用，其中最成功的是在组合优化问题中的应用。 1.2蚁群算法求解TSP问题 （1）TSP问题的描述 TSP问题的简单形象描述是:给定n个城市,有一个旅行商从某一城市出发,访问各城市一次且仅有一次后再回到原出发城市,要求找出一条最短的巡回路径。 （2）TSP问题的理论意义 该问题是作为所有组合优化问题的范例而存在的。它已经成为并将继续成为测

人工智能研究方法的文献综述

人工智能研究方法的文献综述 1、前言 本文综述了人工智能的主要研究方法，并对各方法进行分析和总结，并阐述了目前人工智能研究方法日趋多样化的研究现状。 2、主题 研究方法，对一个问题的研究方法从根本上说分为两种：其一，对要解决的问题扩展到他所隶属的领域，对该领域做一广泛了解，研究该领域从而实现对该领域的研究，讲究广度，从对该领域的广泛研究收缩到问题本身；其二，把研究的问题特殊化，提炼出要研究问题的典型子问题或实例，从一个更具体的问题出发，做深刻的分析，研究透彻该问题，再一般化扩展到要解决的问题，讲究研究深度，从更具体的问题入手研究扩展到问题本身。 人工智能的研究方法主要可以分为三类：一、结构模拟，神经计算，就是根据人脑的生理结构和工作机理，实现计算机的智能，即人工智能。结构模拟法也就是基于人脑的生理模型，采用数值计算的方法，从微观上来模拟人脑，实现机器智能。采用结构模拟，运用神经网络和神经计算的方法研究人工智能者，被称为生理学派、连接主义。二、功能模拟，符号推演，就是在当前数字计算机上，对人脑从功能上进行模拟，实现人工智能。功能模拟法就是以人脑的心理模型，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现机器智能。以功能模拟和符号推演研究人工智能者，被称为心理学派、逻辑学派、符号主义。三、行为模拟，控制进化，就是模拟人在控制过程中的智能活动和行为特性。以行为模拟方法研究人工智能者，被称为行为主义、进化主义、控制论学派。 人工智能的研究方法，已从“一枝独秀”的符号主义发展到多学派的“百花争艳”，除了上面提到的三种方法，又提出了“群体模拟，仿生计算”“博采广鉴，自然计算”“原理分析，数学建模”等方法。人工智能的目标是理解包括人在内的自然智能系统及行为，而这样的系统在实在世界中是以分层进化的方式形成了一个谱系，而智能作为系统的整体属性，其表现形式又具有多样性，人工智能的谱系及其多样性的行为注定了研究的具体目标和对象的多样性。人工智能与前沿技术的结合，使人工智能的研究日趋多样化。 3、总结 人工智能的研究方法会随着技术的进步而不断丰富，很多新名词还会被提出，但研究的目的基本不变，日趋多样化的研究方法追根溯源也就是研究问题的两种方法的演变。对人工智能中尚未解决的众多问题，运用基本的研究问题的方法，结合先进的技术，不断实现智能化。人工智能与前沿技术密切联系，人工智能的研究方法必然日趋多样化。 4、参考文献 （1）人工智能技术导论廉师友西安电子科技大学出版社2007.8 （2）人工智能研究方法及途径熊才权2005年第三期 （3）人工智能学派及其在理论、方法上的观点蔡自兴1995.5 （4）人工智能研究的主要学派及特点黄伟聂东陈英俊2001第三期 （5）人工智能研究对思维学的方法论启示尹鑫苏国辉2002.10第四期

决策树学习研究综述

科技论坛 决策树学习研究综述 叶萌 （黑龙江电力职工大学，黑龙江哈尔滨150030） 1概述 决策树是构建人工智能系统的主要方法之一,随着数据挖掘技术在商业智能等方面的应用，决策树技术将在未来发挥越来越强大的作用[1]。自从Quinlan 在1979年提出构造决策树ID3算法以来，决策树的实现已经有很多算法,常见的有：CLS （concept learning system ）学习算法，ID4、ID5R 、C4.5算法，以及CART 、C5.0、FuzzyC4.5、0C1、QUEST 和CAL5等[2]。 现在，许多学者在规则学习与决策树学习的结合方面，做了大量的研究工作。Brako 等的ASSISTANT ，将AQ15中的近似匹配方法引入决策树中。Clark 等的CN2，将ID3算法和AQ 算法编织在一起，用户可选择其中任何一种算法使用。Utgoff 等的ID5R 算法，不要求一次性提供所有的训练实例，训练实例可以逐次提供，生成的决策树逐次精化，以支持增量式学习。洪家荣教授结合实际应用问题对ID3算法作了一些改进，提出了两个ID3和AQ 结合的改进算法，IDAQ 和AQID ，此外，还陆续出现了处理大规模数据集的决策树算法，如SLIQ ，SPRINT 等等[3]。 2决策树算法研究2.1构造决策树算法 决策树学习是从无次序、无规则的样本数据集中推理出决策树表示形式、逼近离散值目标函数的分类规则方法。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较并根据不同的属性值判断从该结点向下的分支，在决策树的叶结点得到结论，因此从根结点到叶结点的一条路径就对应着一条规则，整棵决策树就对应着一组表达式规则。我们可将决策树看成是定义布尔函数的一种方法。其输入是一组属性描述的对象，输出为yes/no 决策。决策树代表一个假设，可以写成逻辑公式。决策树的表达能力限于命题逻辑，该对象的任一个属性的任一次测试均是一个命题。在命题逻辑范围内，决策树的表达能力是完全的。一棵决策树可以代表一个决定训练例集分类的决策过程，树的每个结点对应于一个属性名或一个特定的测试，该测试在此结点根据测试的可能结果对训练例集进行划分。划分出的每个部分都对应于相应训练例集子空间的一个分类子问题，该分类子问题可以由一棵决策树来解决。因此，一 棵决策树可以看作是一个对目标分类的划分和获取策略[4] 。 2.2处理大规模数据集的决策树算法 ID3或者C4.5算法都是在建树时将训练集一次性装载入内存的。但当面对大型的有着上百万条纪录的数据库时，就无法实际应用这些算 法。针对这一问题， 前人提出了不少改进方法，如数据采样法、连续属性离散化法或将数据分为若干小块分别建树然后综合成一个最终的树，但这些改进都以降低了树的准确性为代价。直到M etha,Agrawal 和Ris-sane 在1996年提出了SLIQ 方法，以及在此基础上进行改进得到的SPRINT [6]方法。 3决策树学习的常见问题3.1过度拟合 在利用决策树归纳学习时，需要事先给定一个假设空间，且必须在这个假设空间中选择一个，使之与训练实例集相匹配。我们知道任何一个学习算法不可能在没有任何偏置的情况下学习。如果事先知道所要学习的函数属于整个假设空间中的一个很小的子集，那么即使训练实例不完整，也有可能从已有的训练实例集中学习到有用的假设，使它对未来的实例进行正确的分类。当然，我们往往无法事先知道所要学习的函数属于整个假设空间中的哪个很小的子集，即使是知道，我们还是希望有一个大的训练实例集。因为训练实例集越大，关于分类的信息就越多。这时，即使随机地从与训练实例集相匹配的假设集中选择一个，它也能对未知实例的分类进行预测。相反，如果训练实例集与整个假设空间相比 过小，即使在有偏置的情况下，仍有过多的假设与训练实例集相匹配，这 时作出假设的泛化能力将很差。当有过多的假设与训练实例集相匹配，便称为过度拟合（overfit ）。 3.2树剪枝 对决策树进行修剪可以控制决策树的复杂程度，避免决策树过于复 杂和庞大。此外， 还可以解决过度拟合的问题。修剪决策树有多种算法，通常分为这样五类。最为常用的是通过预 剪枝（pre-pruning ）和后剪枝（post-pruning ）完成，或逐步调整树的大小；其次是扩展测试集方法,首先按特征构成是数据驱动还是假设驱动的差别，将建立的特征组合或分割，然后在此基础上引进多变量测试集。第三类方法包括选择不同的测试集评价函数，通过改善连续特征的描述或修改搜索算法本身实现；第四类方法使用数据库约束，即通过削减数据库或实例描述特征集来简化决策树；第五类方法是将决策树转化成另一种数据结构。这些方法通常可以在同另一种算法相互结合中，增强各自的功能。 4决策树在工程中的应用 决策树在工程中的诸多领域获得了非常广泛的应用，主要有以下几个方面： 4.1决策树技术应用于机器人导航 E.Swere 和D .J.M ulvaney 将决策树技术应用于移动机器人导航并取得了一定的成功。 4.2决策树技术应用于地铁中的事故处理 法国的Brezillon 等人成功地将决策树技术应用于地铁交通调度智能系统。他们根据决策树的基本思想开发出上下文图表来帮助驾驶员针对事故做出正确的处理。 4.3决策树技术应用于图像识别 决策树技术应用于包括图像在内的科学数据分析。如利用决策树对上百万个天体进行分类，利用决策树对卫星图像进行分析以估计落叶林和针叶林的基部面积值。 4.4决策树应用于制造业 决策树技术已经成功应用于焊接质量的检测以及大规模集成电路 的设计,它不仅可以规划印刷电路板的布线， 波音公司甚至将它用于波音飞机生产过程的故障诊断以及质量控制。 5决策树技术面临的问题和挑战发展至今，决策树技术面临的问题和挑战表现在以下几个方面：5.1决策树方法的效率亟待提高 数据挖掘面临的数据往往是海量的，对实时性要求较高的决策场所，数据挖掘方法的主动性和快速性显得日益重要。应用实时性技术、主动数据库技术和分布并行算法设计技术等现代计算机先进技术，是数据挖掘方法实用化的有效途径。 5.2适应多数据类型、容噪的决策树挖掘方法随着计算机网络和信息的社会化，数据挖掘的对象已不是关系数据库模型，而是分布、异构的多类型数据库，数据的非结构化程度、噪声等现象越来越突出，这也是决策树技术面临的困难问题。 6结论 决策树技术早已被证明是利用计算机模仿人类决策的有效方法，已经得到广泛的应用，并且已经有了许多成熟的系统。但是，解决一个复杂的数据挖掘问题的任何算法都要面临以下问题：从错误的数据中学习、从分布的数据中学习、从有偏的数据中学习、学习有弹性的概念、学习那些抽象程度不同的概念、整合定性与定量的发现等，因此，还有很多未开 发的课题等待研究。若将决策树技术与其他新兴 摘要：决策树分类学习算法是使用广泛、实用性很强的归纳推理方法之一，在机器学习、数据挖掘等人工智能领域有相当重要的理 论意义与实用价值。在详细阐述决策树技术的几种典型算法以及它的一些常见问题后， 介绍了它在工程上的实际应用，最后提出了它的研究方向以及它所面临的问题和挑战。 关键词：决策树；决策树算法；ID3；C4.5；SLIQ ；SPRINT （下转156页）22··