1270人阅读
文本挖掘（45）
通常的矩阵分解会把一个大的矩阵分解为多个小的矩阵，但是这些矩阵的元素有正有负。而在现实世界中，比如图像，文本等形成的矩阵中负数的存在是没有意义的，所以如果能把一个矩阵分解成全是非负元素是很有意义的。在NMF中要求原始的矩阵的所有元素的均是非负的，那么矩阵可以分解为两个更小的非负矩阵的乘积，这个矩阵
有且仅有一个这样的分解，即满足存在性和唯一性。
&&&1. NMF问题描述
&& 2. NMF实现原理
&& 3. NMF的应用
&& 4. NMF的R实现
&& 5. NMF的Julia实现
&& 6. 结束语
1. NMF问题描述
&&&传统的NMF问题可以描述如下
&&&给定矩阵，寻找非负矩阵和非负矩阵，使得。
&&&分解前后可理解为：原始矩阵的列向量是对左矩阵中所有列向量的加权和，而权重系数就是右矩阵对应列
&& 向量的元素，故称为基矩阵，为系数矩阵。一般情况下的选择要比小，即满足，
&& 这时用系数矩阵代替原始矩阵，就可以实现对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空
&& 间，减少计算机资源。
2. NMF实现原理
&&&NMF求解问题实际上是一个最优化问题，利用乘性迭代的方法求解和，非负矩阵分解是一个NP问题。NMF
&& 问题的目标函数有很多种，应用最广泛的就是欧几里得距离和KL散度。
&&&在NMF的分解问题中，假设噪声矩阵为，那么有
&&&&&&&&&&&&&&&&
&&&现在要找出合适的和使得最小。假设噪声服从不同的概率分布，通过最大似然函数会得到不同类型
&& 的目标函数。接下来会分别以噪声服从高斯分布和泊松分布来说明。
&& （1）噪声服从高斯分布
&&&&&& 假设噪声服从高斯分布，那么得到最大似然函数为
&&&&&&&取对数后，得到对数似然函数为
&&&&&& 假设各数据点噪声的方差一样，那么接下来要使得对数似然函数取值最大，只需要下面目标函数值最小。
&&&&&& 该损失函数为2范数损失函数，它是基于欧几里得距离的度量。又因为
&&&&&& 那么得到
&&&&&& 同理有
&&&&&& 接下来就可以使用梯度下降法进行迭代了。如下
&&&&&&&如果选取
&&&&&& 那么最终得到迭代式为
&&&&&& 可看出这是乘性迭代规则，每一步都保证了结果为正数，一直迭代下去就会收敛，当然收敛性的证明省略。
&& （2）噪声服从泊松分布
&&&&&&&若噪声为泊松噪声，那么得到损失函数为
&&&&&&&同样经过推到得到
3. NMF的应用
&&&NMF能用于发现数据库中图像的特征，便于快速识别应用，比如实现录入恐怖分子的照片，然后在安检口对可疑
&& 人员进行盘查。在文档方面，NMF能够发现文档的语义相关度，用于信息的自动索引和提取。在生物学中，在
&& DNA阵列分析中识别基因等。在语音识别系统中NMF也能发挥重要作用。
4. NMF的R实现
&& 先说NMF的R使用，R语言中已经有NMF包可用于NMF。非负矩阵分解已经有了很多算法，例如Multiplicative
&& Update，Projected Gradient Method，Gradient Descent。交替最小二乘法比较符合上面的解释，具
&& 有更好的统计意义，而且收敛性质很好，计算速度快。已有的交替最小二乘法都使用冷冰冰的二次规划算法求解
&&&非负回归，在bignmf中使用的最小角回归的思路解非负回归，更有统计的感觉，而且速度更快。安装包如下
&&&bignmf：
&&&bignmf的部分源码如下
&&&从上面代码可以看出，当矩阵V中元素是非double时，会强制转化为double类型。而W和H矩阵是服从高斯分布
&& 的随机矩阵，随后传入参数调用whupdate，如果迭代次数太少会打印警告Iteration doesn't converge!
&&&所以用bignmf分解非负矩阵调用如下函数就行了
&&&以上是NMF分解的R语言实现，bignmf借助伟大的Rcpp和RcppEigen包，算法内层用C++ 代码实现接下来会接
&& 着讲NMF在Julia中的实现。
5. NMF的Julia实现
&& 在Julia语言中，有一个NMF包专门用来进行NMF分解的，现在就来详细了解它。首先来安装NMF，在Julia交互
&& 式环境下使用如下命令
&&&在Julia中，关于NMF的计算有很多方法，详见：
&&&NMF分解的一个例子如下
&& 关于NMF的解的收敛性和唯一性以后再证明，除了NMF分解以外，还有一种非负分解也用的比较多，而且很有
&& 效，叫做非负张量分解法。可以参考如下论文
&&&论文链接：
7、应用范围
&&&NMF的广泛应用，源于其对事物的局部特性有很好的解释。在众多应用中，NMF能被用于发现数据库中的图像特征，便于快速自动识别应用；能够发现文档的语义相关度，用于信息自动索引和提取；能够在DNA阵列分析中识别基因等等。我们将对此作一些大致的描述。
&&&&&&&&(1) 图像分析
NMF最成功的一类应用是在图像的分析和处理领域。图像本身包含大量的数据，计算机一般将图像的信息按照矩阵的形式进行存放，针对图像的识别、分析和处理也是在矩阵的基础上进行的。这些特点使得NMF方法能很好地与图像分析处理相结合。人们已经利用NMF算法，对卫星发回的图像进行处理，以自动辨别太空中的垃圾碎片；使用NMF算法对天文望远镜拍摄到的图像进行分析，有助于天文学家识别星体；美国还尝试在机场安装由NMF算法驱动的识别系统，根据事先输入计算机的恐怖分子的特征图像库来自动识别进出机场的可疑恐怖分子。
&&&&&&&&(2) 文本聚类/数据挖掘
文本在人类日常接触的信息中占有很大分量，为了更快更精确地从大量的文本数据中取得所需要的信息，针对文本信息处理的研究一直没有停止过。文本数据不光信息量大，而且一般是无结构的。此外，典型的文本数据通常以矩阵的形式被计算机处理，此时的数据矩阵具有高维稀疏的特征，因此，对大规模文本信息进行处理分析的另一个障碍便是如何削减原始数据的维数。NMF算法正是解决这方面难题的一种新手段。NMF在挖掘用户所需数据和进行文本聚类研究中都有着成功的应用例子。由于NMF算法在处理文本数据方面的高效性，著名的商业数据库软件Oracle在其第10版中专门利用NMF算法来进行文本特征的提取和分类。为什么NMF对于文本信息提取得很好呢？原因在于智能文本处理的核心问题是以一种能捕获语义或相关信息的方式来表示文本，但是传统的常用分析方法仅仅是对词进行统计，而不考虑其他的信息。而NMF不同，它往往能达到表示信息的局部之间相关关系的效果，从而获得更好的处理结果。
&&&&&&&&(3) 语音处理
语音的自动识别一直是计算机科学家努力的方向，也是未来智能应用实现的基础技术。语音同样包含大量的数据信息，识别语音的过程也是对这些信息处理的过程。NMF算法在这方面也为我们提供了一种新方法，在已有的应用中，NMF算法成功实现了有效的语音特征提取，并且由于NMF算法的快速性，对实现机器的实时语音识别有着促进意义。也有使用NMF方法进行音乐分析的应用。复调音乐的识别是个很困难的问题，三菱研究所和MIT(麻省理工学院)的科学家合作，利用NMF从演奏中的复调音乐中识别出各个调子，并将它们分别记录下来。实验结果表明，这种采用NMF算法的方法不光简单，而且无须基于知识库。
(4) 机器人控制
如何快速准确地让机器人识别周围的物体对于机器人研究具有重要的意义，因为这是机器人能迅速作出相应反应和动作的基础。机器人通过传感器获得周围环境的图像信息，这些图像信息也是以矩阵的形式存储的。已经有研究人员采用NMF算法实现了机器人对周围对象的快速识别，根据现有的研究资料显示，识别的准确率达到了80%以上。
(5) 生物医学工程和化学工程
生物医学和化学研究中，也常常需要借助计算机来分析处理试验的数据，往往一些烦杂的数据会耗费研究人员的过多精力。NMF算法也为这些数据的处理提供了一种新的高效快速的途径。科学家将NMF方法用于处理核医学中的电子发射过程的动态连续图像，有效地从这些动态图像中提取所需要的特征。NMF还可以应用到遗传学和药物发现中。因为NMF的分解不出现负值，因此采用NMF分析基因DNA的分子序列可使分析结果更加可靠。同样，用NMF来选择药物成分还可以获得最有效的且负作用最小的新药物。
此外，NMF算法在环境数据处理、信号分析与复杂对象的识别方面都有着很好的应用。近年来采用NMF思想的应用才刚展开，相信以后会有更多的成功应用。这些成功的应用反过来也将促进NMF的进一步研究。
&&&&&&&&&应用部分转自博文：
5、有NMF的相关算法如下：Local NMF(LNMF),Discriminant NMF(DNMF),non-negative sparse coding(NNSC),non-smooth&NMF(nsNMF),projective NMF,temporal NMF with spatial decorrelation constraints,shifted NMF,incremental NMF,sparse higher order
NMF and polynomial NMF 等等，对于NMF分解的唯一性探讨也是NMF最近比较受关注的方面。具体还得慢慢学习。
相关资料及下载链接：
&3、的主页，上面有关于NMF的一些matlab源代码；
4、&，一个论坛摘引；
5、&是对matlab中的NMF函数的使用说明；
6、&维基百科的东西还是很赞的，里面的很多链接留着慢慢看。
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：279216次
积分：6151
积分：6151
排名：第3981名
原创：294篇
转载：433篇
评论：32条
(1)(20)(42)(15)(1)(12)(160)(29)(30)(20)(7)(10)(12)(71)(45)(95)(51)(63)(35)(8)您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
话题演变的在线法研究.pdf 50页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
需要金币：180 &&
话题演变的在线法研究.pdf
你可能关注的文档：
··········
········
独创性声明本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：垂继日期：型：兰：望学位论文使用授权书本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学位论文的全部内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息服务。(保密的论文在解密后应遵守此规定)日期：竺些凹研究生(签名)：埠导师(签名)：粗摘要随着Web2．0的出现和高速发展，互联网中用户所产生的信息容量和用户数量都呈现爆炸性增长的趋势，网络平台已经成为人们日常生活中不可缺少的信息获取、交流和传播的重要媒体。互联网上大量的信息流中，有很大一部分是长度很短的文本数据，如微博、论坛等。这些文本数据中包含了人们对社会各种现象的种种观点和立场，话题涉及政治、经济、军事、金融、生活、娱乐等各个领域。因此对这些数据流中热点话题的发现能够及时发现社会的新话题和热点人物，对其跟踪能够帮助人们了解特定数据流中话题的产生、传播、发展、消亡的规律。互联网已经成为人们获取信息和发布信息的一个主要渠道，突发新闻事件或新闻话题可以在互联网上快速传播，而如何跟踪该新闻事件或新闻话题的后续发展，是人们关心和迫切需要解决的问题。随着时间的推移，新闻话题的内容会发生变化，新闻话题的强度也会经历一个高潮到低潮的过程。如何有效地组织这些大规模文档，并且按照时间顺序来获取文本集合中话题的演化趋势，可以帮助人们跟踪感兴趣的话题。更重要的是，在一些新闻专题报道和安全机构针对犯罪探测和预防的任务中，更需要从文本集合中快速准确地跟踪话题的演化趋势并且根据演化趋势做出相应的预测。因此，话题演化的研究具有实际意义。与传统的特征抽取方法相比，非负矩阵分解(NMF)方法抽取的特征向量更能反映样本的局部特征，并具有很高的可解释性和预测性。因此，本文首先介绍了NMF算法及其在文本聚类方面的应用，由于NMF存在初始化敏感和收敛速度慢的问题，本文提出用K均值算法来初始化NMF算法。然后，本文针对社交网络中数据流的特点，为了跟踪话题的变化趋势，本文提出了一种基于NMF的在线非负矩阵分解方法(oNMF)。由于本文处理的数据是微博数据，因此存在数据的稀疏和局部问题，针对这些问题，本文对ONMF方法进行了稀疏和归一化约束。并且，本文将ONMF方法应用到2010年的海地地震事件，跟踪该事件话题的变化，并取得了较好的结果。关键词：话题发现与跟踪，特征抽取，非负矩阵分解，文本聚类，K均值算法Abstract1n士。锄atlonandtheofWeb2·0，thedevelopmentWimthe鼬ergencerapidareaIlusersuserstheInteractsh0、砌gthenumberofbyandgeneratedcapacitybecomeannetworkhas1掣naIlt趾dplatformeXplosive印讹trend．TheCan1111：onIlatlon，whichgetlifepeopleforbymediadailypeople’sindispeIlsableofisalotofinformation·Thereanddisseminationofinfonnationexchangeashortd旗aofitisverylen啦textthelargepartonInternet，and幽蕊a：t：ionnowcontainsV甜10llSV1ewssuchastextdatapeoPle’smicroblogging，forums，etc．Theserelatedtotheallkindsofsocialpolitlcs，andonphenomenon，topicspositionsandothereconomic，militaⅨfinance，life，entertainmentfocusmnewandstreamscandetecttoplcsthesedatatimelyofhotintopicsdiscoveryl删ofthetoplcofthemCanunderstandthehelppeople龇Soci呶alldtrackingindatanOW．anddemisespecific∞ne洲
正在加载中，请稍后...稀疏约束非负矩阵分解方法及其应用研究--《安徽大学》2017年硕士论文
稀疏约束非负矩阵分解方法及其应用研究
【摘要】："互联网+"时代,信息的数量呈现爆炸式增长,而且信息维度也愈来愈大,如何处理这些海量高维数据是当前科学研究的热点问题之一。基于稀疏约束的非负矩阵分解方法不仅拥有普通非负矩阵分解的非负特性,使得分解结果有直观的物理意义,而且还可以对数据产生稀疏的表示,挖掘数据背后隐含的模式或特征,便于数据的存储和分析。稀疏非负矩阵分解技术已广泛应用于计算机视觉、语音识别、文本聚类、网络安全、生物医学工程等诸多领域,特别是在大规模数据处理任务中具有重要的理论意义和应用价值。本文主要研究带稀疏约束的非负矩阵分解方法,主要的研究内容如下:(1)基于L_(1/2)范数约束的稀疏卷积非负矩阵分解方法在L_q范数约束的基础上,提出一种基于L1/2范数的稀疏约束卷积非负矩阵分解方法,给出了一种基于乘性迭代规则的求解算法,并对收敛性进行分析。该方法利用欧式距离衡量分解误差,使用稀疏性更强的L1/2范数对分解系数进行稀疏约束。基于上述方法,本文还提出了一种基于L1/2稀疏约束卷积非负矩阵分解的单通道语音增强模型。该模型在刻画语音基的帧间相关性和在信号稀疏表示方面具有明显优势。在语音增强过程中,该模型先对噪声进行非负矩阵分解得到噪声基,以此作为先验信息用于含噪语音的稀疏约束卷积非负矩阵分解中,并利用分解后的语音基和相应系数重建干净语音。实验结果表明该方法分解后得到的语音基含有噪声成分更少,相比传统的语音增强方法,该模型重建后语音的可懂度有所提高。(2)正交投影非负矩阵的交替方向乘子分解方法本文提出一种基于交替方向乘子的正交投影非负矩阵分解方法。在普通非负矩阵分解方法中引入基矩阵正交和投影约束后,得到正交投影非负矩阵分解方法。正交约束可减少基向量之间的相关性,从而得到稀疏性更强的基向量。同时,针对基于乘性规则的传统求解算法收敛速度慢等问题,本文提出一种基于交替方向乘子的优化方法,比传统的乘性更新规则收敛更快、更稳定。仿真实验结果表明基于交替方向乘子的求解方法比乘性迭代规则在收敛精度和速度上均有优势,特别是在大规模数据条件下,处理速率明显加快。本文将该方法应用于目标跟踪问题的模板更新中,实验结果表明该方法不仅可以提高跟踪速度,还能得到稀疏性更好的候选模板,有效地处理目标跟踪中模板的噪声问题。
【关键词】：
【学位授予单位】：安徽大学【学位级别】：硕士【学位授予年份】：2017【分类号】：O151.21【目录】：
摘要3-5abstract5-9第一章 绪论9-20 1.1 课题背景及意义9-10 1.2 国内外研究现状10-18 1.3 本文主要研究内容18-19 1.4 本文结构安排19-20第二章 稀疏约束非负矩阵分解基础理论20-29 2.1 基本非负矩阵分解20-24
2.1.1 基本模型20-23
2.1.2 求解算法23-24 2.2 L_1稀疏约束非负矩阵分解24-26
2.2.1 基本模型25
2.2.2 求解算法25-26 2.3 投影非负矩阵分解26-28
2.3.1 基本模型26-27
2.3.2 求解算法27-28 2.4 本章小结28-29第三章 L_(1/2)稀疏约束的卷积非负矩阵分解方法29-46 3.1 引言29-30 3.2 算法模型30-33
3.2.1 卷积非负矩阵分解30-31
3.2.2 L_(1/2)稀疏性约束卷积非负矩阵分解31-32
3.2.3 L_(1/2)稀疏性约束卷积非负矩阵分解求解算法32-33 3.3 单通道语音增强模型33-37 3.4 实验仿真与结果分析37-45
3.4.1 实验条件37-38
3.4.2 参数选取38-39
3.4.3 实验结果分析39-44
3.4.4 算法性能分析44-45 3.5 本章小结45-46第四章 正交投影非负矩阵的交替方向乘子分解方法46-62 4.1 引言46-47 4.2 算法模型47-53
4.2.1 正交投影非负矩阵分解方法47-48
4.2.2 正交投影非负矩阵的交替方向乘子求解方法48-53 4.3 目标跟踪模型53-56 4.4 实验仿真与结果分析56-61
4.4.1 实验条件56
4.4.2 数值实验分析56-58
4.4.3 目标跟踪实验分析58-61 4.5 本章小结61-62第五章 总结与展望62-64 5.1 本文总结62-63 5.2 工作展望63-64参考文献64-74附图74-75The appended drawing75-76附表76-77Schedules77-78致谢78-79攻读硕士期间发表的学术论文目录79
欢迎：、、)
支持CAJ、PDF文件格式
【相似文献】
中国期刊全文数据库
宋金歌;杨景;陈平;佘玉梅;;[J];云南民族大学学报(自然科学版);2011年04期
尹星云;;[J];科技资讯;2011年35期
程明松;刘勺连;;[J];大连理工大学学报;2013年01期
唐晓芬;陈莉;;[J];计算机与应用化学;2013年11期
曾文梅;;[J];哈尔滨师范大学自然科学学报;2011年02期
孟佳音;刘丁酉;;[J];湖北民族学院学报(自然科学版);2012年03期
王雪明;王套;;[J];湖南农机;2013年09期
曹胜玉;刘来福;;[J];北京师范大学学报(自然科学版);2007年01期
李巧;孔薇;;[J];信息技术;2010年12期
陈清华;陈六君;郭金忠;;[J];北京师范大学学报(自然科学版);2009年01期
中国重要会议论文全文数据库
孙江明;李通化;;[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年
蒋永锴;叶东毅;;[A];中国计算机语言学研究前沿进展（）[C];2009年
马帅;吴飞;杨易;邵健;;[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年
徐利民;龚珊;余再军;;[A];2010年通信理论与信号处理学术年会论文集[C];2010年
蔡蕾;朱永生;;[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年
蒋霈霖;;[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年
杨宝;朱启兵;黄敏;;[A];第24届中国控制与决策会议论文集[C];2012年
钱乐乐;高隽;徐小红;;[A];第七届全国信息获取与处理学术会议论文集[C];2009年
朱昊;黄源水;付梦印;;[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年
郑能恒;蔡毅;李霞;Tan L;[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年
中国博士学位论文全文数据库
杨士准;[D];国防科学技术大学;2013年
叶军;[D];南京理工大学;2014年
陆玉武;[D];哈尔滨工业大学;2015年
张恩德;[D];东北大学;2014年
胡俐蕊;[D];安徽大学;2013年
殷海青;[D];西安电子科技大学;2011年
杨洪礼;[D];山东科技大学;2011年
史加荣;[D];西安电子科技大学;2012年
方蔚涛;[D];重庆大学;2012年
刘昱昊;[D];吉林大学;2014年
中国硕士学位论文全文数据库
谢昊;[D];暨南大学;2015年
王一;[D];东北师范大学;2015年
项磊;[D];南京信息工程大学;2015年
王丹;[D];燕山大学;2015年
马春霞;[D];曲阜师范大学;2015年
崔艳荣;[D];电子科技大学;2014年
赖淑珍;[D];电子科技大学;2014年
赵龙;[D];大连理工大学;2015年
黄震;[D];大连理工大学;2015年
邵强;[D];河北工业大学;2015年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
互联网文本聚类检索技术研究.pdf 147页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
需要金币：180 &&
你可能关注的文档：
··········
··········
鍥藉唴鍥句功鍒嗙被鍙凤細TP391.2瀛︽牎浠ｇ爜锛10213鍥介檯鍥句功鍒嗙被鍙凤細681.37瀵嗙骇锛鍏?紑宸ュ?鍗氬＋瀛︿綅璁烘枃浜掕仈缃戞枃鏈?仛绫讳笌妫EUR绱㈡妧鏈?爺绌鍗澹鐮旂┒鐢燂細瀛瀹鍐瀵甯堬細鐜鏅榫鏁鎺鐢璇瀛浣嶏細宸ュ?鍗氬＋瀛绉戯細璁＄畻鏈哄簲鐢ㄦ妧鏈鎵EUR鍦鍗浣嶏細璁＄畻鏈虹?瀛︿笌鎶EUR鏈??闄绛杈鏃鏈燂細2009骞?鏈鎺堜簣瀛︿綅鍗曚綅锛鍝堝皵婊ㄥ伐涓氬ぇ瀛Classi铿乪dIndex:TP391.2U.D.C.:681.37DissertationfortheDoctoralDegreeRESEARCHONWEBTEXTCLUSTERINGANDRETRIEVALTECHNOLOGYCandidate:MengXianjunSupervisor:ProfessorWangXiaolongAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:ComputerApplicationTechnol-ogyAf铿乴iation:SchoolofComputerScienceandTechnologyDateofDefence:September,2009Degree-Conferring-Institution:HarbinInstituteofTechnology鎽瑕鎽瑕闅忕潃浜掕仈缃戞妧鏈?殑楂橀EUR熷彂灞曪紝缃戠粶涓婃枃鏈?俊鎭?殑瀹归噺涓鏃ヤ勘澧烇紝浜轰滑杩?垏闇EUR瑕佹彁楂樺湪浜掕仈缃戜笂鐨勪俊鎭?幏鍙栨晥鐜囥EUR傛枃鏈?寲鎺樻妧鏈?敤浜庡?鏂囨湰鏁版嵁杩涜?鐭ヨ瘑鎸鎺橈紝璇曞浘鏈夋晥鐨勮В鍐冲綋鍓嶄俊鎭?繃杞界殑闂??銆鏂囨湰浣滀负鑷?劧璇?█鐨勮?涔夎浇浣擄紝閫氳繃寮曞叆鐩稿叧鐨勮嚜鐒惰?瑷EUR澶勭悊鎶EUR鏈?紝娣卞害鎸鎺樻枃鏈?湪璇?箟涓婄殑鐗瑰緛锛岃兘鎻愰珮鐩稿簲鐨勬枃鏈?寲鎺樼畻娉曞湪鏂囨湰鎸栨帢涓?殑鍑嗙‘鎬у拰鏁鐜囥EUR傛湰鏂囦富瑕佺爺绌朵簡鑷?劧璇?█澶勭悊鎶EUR鏈?湪鏂囨湰鑱氱被鍜屼俊鎭??绱㈢郴缁熶腑鐩稿叧闂??鐨搴旂敤銆傞拡瀵规悳绱寮曟搸鍜屼簰鑱缃戠幆澧冧笅鐨勬枃鏈?暟鎹?寲鎺樹换鍔★紝鏈?枃鎻愬嚭浜嗕竴绯诲垪鍩浜庣浉鍏崇殑鑷?劧璇瑷EUR澶勭悊鎶EUR鏈?殑鏂规硶鏉ユ敼鍠勬枃鏈?仛绫荤畻娉曠殑鏁堟灉浠ュ強鎻愰珮淇℃伅妫EUR绱㈢郴缁熶腑鏌ヨ?缁撴灉涓庢煡璇㈢殑鐩稿叧鎬ц川閲忥紝璁烘枃鐨勪富瑕佸唴瀹瑰寘鎷浠ヤ笅鍥涗釜鏂归潰銆鏈?枃棣栧厛鎻愬嚭浜嗕竴绉嶅熀浜庣浉鍏宠嚜鐒惰?瑷EUR澶勭悊鎶EUR鏈?殑鏂囨湰鑱氱被璇?箟鐗瑰緛闄嶇淮鏂规硶銆傛枃鏈?仛绫讳綔涓轰竴绉嶆棤鐩戠潱鐨勬暟鎹?寲鎺樻柟娉曪紝鐩稿?浜庢湁鐩戠潱鐨勬枃鏈?垎绫荤畻娉鑰岃█锛岀壒寰佺殑閫夋嫨閫氬父娌℃湁寰堟湁鏁堢殑鏂规硶銆傚洜姝や笉鍚岀壒寰佸?鑱氱被鏁堟灉鐨勫奖鍝嶅氨鏃娉曞緱鍒版湁鏁堢殑鎺у埗锛岀淮搴﹁繃澶э紝鑱氱被缁撴灉鐨勫噯纭?EURф槗鍙楀櫔闊崇壒寰佺殑褰鍝嶃EUR傛湰鏂囨彁鍑轰簡涓EUR绉嶅熀浜庤瘝娉曞垎鏋愭妧鏈?殑鐗瑰緛闄嶇淮鏂规硶锛岄EUR氳繃鎻愬彇鏂囨湰涓?悕璇嶆EURх殑璇嶈?浣滀负鐗瑰緛杩涜?鑱氱被锛屾湁鏁堢殑闄嶄綆浜嗘枃鏈?泦鍚堜腑鐗瑰緛鐨勭淮鏁帮紝鍚屾椂淇濊瘉浜嗙壒寰佺殑杈ㄥ埆鑳鍔涖EUR傜敱浜庡悕璇嶅瓨鍦ㄥ悓涔夋EURх殑闂??锛屼娇寰楃浉鍚岀殑璇?箟鏈変笉鍚岀殑璇嶈?琛ㄧ幇褰㈠紡锛屽奖鍝浜嗘枃鏈?浉浼煎害鐨勮　閲銆傛湰鏂囬EUR氳繃閲囩敤鐩稿叧鐨勮?涔夌煡璇嗚瘝鍏稿?璇嶈?杩涜?绫诲埆鎵╁睍锛鍦ㄤ竴瀹氱▼搴︿笂闄嶄綆浜嗙壒寰佺殑鍚屼箟鎬э紝鍦ㄨ繘涓EUR姝ラ檷浣庣壒寰佺殑缁存暟鐨勫悓鏃讹紝淇冭繘浜嗚仛绫荤粨鏋滅殑鍑嗙‘鎬сEUR傚疄楠岃〃鏄庯紝鍩轰簬璇嶆硶鍒嗘瀽鎶EUR鏈?拰璇?箟鐭ヨ瘑璇嶅吀鎵╁睍鐨勭壒寰侀檷缁鏂规硶鍦ㄦ樉钁楃殑闄嶄綆鏂囨湰鐗瑰緛绌洪棿鐨勫ぇ灏忕殑鍚屾椂锛屾湁鏁堢殑鎻愰珮浜嗚仛绫荤粨鏋滅殑鍑嗙‘鎬сEUR鐩稿?浜庢悳绱寮曟搸绾挎EURх粨鏋滃垪琛ㄤ腑瀛樺湪鐨勪笉瓒筹紝瀵规悳绱㈢粨鏋滆繘琛岃仛绫绘槸涓EUR绉鏇存湁鏁堢殑缁撴灉鍛堢幇鏂瑰紡銆傛悳绱㈢粨鏋滆仛绫婚拡瀵圭殑鏂囨。闆嗘槸鎼滅储缁撴灉鐨勬憳瑕佹弿杩帮紝灏绠¤繖浜涙憳瑕佷俊鎭鏄庣‘锛屼絾闀垮害鐭?皬锛屽湪杩欐牱鐨勬枃鏈?泦鍚堜笂杩涜?鑱氱被锛岄EUR氬父鐨勬枃妗鐩镐技搴︾畻娉曠粡甯哥敱浜庣壒寰佺┖闂寸殑绋EUR鐤忚EUR屾棤娉曞緱鍒板噯纭?殑缁撴灉銆傛湰鏂囬EUR氳繃寮曞叆瀹归敊绮楃硻闆嗘妧鏈?紝鍒╃敤鏂囨。闂磋瘝璇鐨勫叡鐜颁俊鎭??鍘熷?缁撴灉鎽樿?杩涜?璇?箟涓婄殑鎵╁厖锛屾墿鍏呭悗鐨勬枃妗ｉ棿鐨勭浉鍏虫EURу緱鍒颁簡寮哄寲锛岄伩鍏浜嗙壒寰佺┖闂寸█鐤忓?鑷寸殑鑱氱被鍑嗙‘搴︿笅闄鐨勯棶棰樸EUR傚湪鑱氱被绠楁硶鐨勯EUR夋嫨涓婏紝鏈?枃鎻愬嚭浜嗕竴绉嶆柊鐨勫熀浜庤瘝璇?浉鍏冲害璁＄畻鐨勬爣绛寮忚仛绫荤畻娉曪紝灏嗘悳绱㈢粨鏋滆仛绫闂??杞?崲鎴愬熀浜庢悳绱㈢粨鏋滈泦鍚堢殑鏌ヨ?璇
正在加载中，请稍后...