一、关于泛多项式(英文)（论文文献综述）
石泽[1]（2021）在《区块链在泛在电力物联网中的安全应用研究》文中研究指明泛在电力物联网（Ubiquitous Power Internet of Things,UPIoT）充分利用边缘计算、大数据等先进的技术,实现电力系统中物物相联、人机互动、信息传播、状态感知等功能。伴随着泛在电力物联网持续壮大和蓬勃发展,各个领域的建设方兴未艾,中心化的管理机制已无法承受海量设备的连接。在这一背景下,若泛在电力物联网想要实现安全平稳的实施条件,则首先要保证物联网设备密钥的安全分发。此外,截止目前,电力物联网系统中已接入数以亿计的物联网终端设备,这些设备数量众多、品类繁杂、标准不一、认证缺少且管理混乱,现下设备的安全性成了首要考虑的问题。当前的物联网设备不具有安全认证机制,设备与设备之间的信任也成了主要问题。区块链由于其具有去中心化、不可篡改等卓越特点,近些年其被人们关注的热度持续上升。在区块链网络中,共识机制保证了其数据高度统一。区块链的优势在于它是一个对等的、分布式的、经过身份认证的、去中心化的、高度透明分布式数据库,这是其他技术实体所不具备的。物理不可克隆技术（Physical Unclonable Function,PUF）是根据芯片的差异生成与输入激励相对应的输出响应,具备轻量级、不可篡改、唯一性、不可克隆等特性。因此,区块链技术和物理不可克隆技术为解决泛在电力物联网中的设备密钥分发和身份认证问题提供了技术可能性。本文的主要研究工作如下:（1）针对未来泛在电力物联网中底层设施数量众多、无法安全高效地分发密钥、获取密钥花费时间长、密钥生成率低、并且当前的大多数密钥分发方案都是基于伪随机数等问题,本文提出了区块链技术结合私有云存储技术的方案,发挥区块链不可篡改、高度透明的优势和私有云存储容量大的优势。在保证隐私数据安全性的先决条件下,提高了密钥的生成率,缩短了获取密钥需要消耗的时间和成本。同时,量子随机数发生器（Quantum Random Number Generator,QRNG）确保了生成的密钥均由真随机数构成,使得生成的密钥更加安全可靠。（2）针对当前泛在电力物联网中存在的设备的数据类型多、身份认证不灵活且大多数设备为轻量级的问题,并且当前的关于身份认证的方案面对物联网底层的海量设备,存在开销大,消息泄露等缺陷。本文将区块链技术和物理不可克隆技术进行结合,发挥区块链不可篡改、去中心化的优势和物理不可克隆技术的轻量级、不可克隆的优势,提出泛在电力物联网设备双重身份认证协议。在保证认证过程中的安全性和有效性的同时,保证了信任凭证安全、抗伪造攻击、可追溯性和消息完整性等。以上的工作,已经过理论分析和实验仿真。仿真实验结果显示,面向泛在电力物联网的密钥分发方案可以实现设备之间安全高效地分发密钥,这能缓解当前泛在电力物联网中存在的密钥分发困难的问题;基于区块链的泛在电力物联网身份认证方案可以实现泛在电力物联网系统中设备有效安全的身份认证。
韩冰[2]（2021）在《泛在统计图表自动分类与信息提取方法研究》文中认为近年来,随着互联网、物联网和智能移动终端技术的飞速发展,泛在网络的广度与深度也随之增加,与之而来的就是泛在信息的爆发式增长。作为泛在信息的一种重要表现形式,泛在统计图表能将繁冗的统计数据以直观形象的形式展现出来,在地理信息表达和传输等领域应用广泛,其中包含了大量具有重要价值的信息,实现泛在统计图表中信息的智能解译可以为各种地图产品的具体应用提供数据支撑。泛在统计图表的数据格式为栅格型图像,因此可以依靠计算机视觉的相关技术完成对泛在统计图表的分类与信息提取工作。由于不同类别统计图表通过不同的图形对数据进行展示,因此进行泛在统计图表信息智能解译的基础是依据图形特征对泛在统计图表的自动分类,之后根据统计图表类型标签采用不同的信息提取方法。然而,由于泛在信息具有离散化、噪声大、模糊性强、非结构化等特征,现阶段依靠单一特征的分类与信息提取方法难以取得良好的效果。因此针对泛在信息的特征,研究适合泛在统计图表的自动分类与信息提取方法具有重要实用意义。本文在泛在统计图表的分类与信息提取方法方面开展深入研究,通过分析当前统计图表的分类与信息提取方法上存在的问题,提出了四类常见泛在统计图表的分类模型,并对泛在统计图表的视觉特征进行了归纳与总结,最后以柱状图表为例探索泛在统计图表的信息提取方法,论文主要工作如下:（1）对迁移学习相关理论进行了研究,建立了一种基于迁移学习的泛在统计图表自动分类模型,并通过参数优化与模型结构优化的方法对分类模型进行针对性改进。（2）针对泛在统计图表自动分类模型泛化性不足的问题,以地图符号的视觉变量理论为基础,对泛在统计图表视觉特征进行了定量描述,提出了一种考虑泛在统计图表视觉特征的数据增强方法,并采用该方法对泛在统计图表自动分类模型的训练数据集进行了数据增强。（3）对泛在统计图表的信息提取思路与流程进行了梳理,提出了一种基于Paddle OCR与色彩特征的泛在统计图表信息识别与提取方法,以柱状图表为例说明了各类信息提取算法的原理,并通过实验验证了算法的可行性。
武俊德,钟书慧[3]（2020）在《无穷矩阵方法、（op）型空间、不变性及泛线性分析》文中研究表明本文概述泛函空间理论的研究工作,包括无穷矩阵方法、（op）型空间的刻画、不变性、非线性开映射定理、非线性闭图像定理、泛线性等度连续定理、泛线性对偶理论和泛线性广义函数理论等.
王星[4]（2020）在《基于嵌入式Linux电力网关设计与用电异常行为分析》文中认为随着“泛在电力物联网”的提出,信息化与智能化已经成为智能电网的一个发展方向。一方面,利用通信技术,实现底层电气设备和云平台的广泛交流;另一方面,随着人工智能、数据挖掘技术的逐渐成熟,电网数据价值需要更深一步的挖掘,更好地完善应用层的用户服务。电网企业可以通过两个方面实现业务转型升级,促进社会经济的可持续发展。目前,仍有部分电气设备不能满足物联网发展的要求,但更换这些电气设备的成本比较昂贵。本文设计并制作了一款电力网关硬件平台,旨在解决部分电气设备的数据无法上传至云平台的问题。硬件上,本文利用FET335XS-Ⅱ核心板,在其周围设计了 RS485、USB、以太网、无线远距离等接口电路和供电电路;软件上,本文以嵌入式Linux操作平台为基础,在数据传输方面,实现对电气设备的数据采集,将设备层的Modbus数据协议解析处理,再封装成MQTT协议帧,通过远程无线网络上传至云端。其次,嵌入BOA Web服务器和SQlite3数据库,实现了电力网关参数的配置功能;利用对U盘的操作,实现系统升级服务。最后经过实验测试表明,该电力网关具有针对性强、成本低廉等特点,满足了电力场合的基本功能需求。电力网关将有价值的数据汇总在云平台上,通过数据分析可以获得潜在的经济价值。本文针对用户用电异常行为,以窃电行为为切入点,在总结了传统窃电行为的检测方法具有主观性强、滞后性高的缺点后,采用了基于多分类器组合的用电异常行为检测模型。本文首先对数据集进行分析,利用异常用电函数,合成了异常用电数据。然后在提取统计特征和降维后,对比了逻辑回归模型、SVM模型、随机森林模型和BP神经网络模型在窃电检测行为方面的性能指标。最后采用随机森林、支持向量机、BP神经网络等三个模型组合形成的多分类器组合模型,对窃电行为做了检测实验。实验表明,多分类器组合模型的综合性能优于单一的机器学习模型。该模型的设计,为电力企业在稽查窃电行为中提供了一定的建议,打击了恶意窃电行为,有利于电网的稳定运行。
周雪冬[5]（2019）在《电子级SiH4精馏系统动态驱动过程模拟及优化》文中指出硅烷（Silane）作为一种特种气体被越来越多的应用于电子工业,根据国标GB/T15909-2009,硅烷的质量分数需要达到99.999 9%（6N）,才能满足电子级气体的要求,纯度等级越高则意味着生产越困难。因此生产电子级硅烷的工艺一直以来为学者们所关注。目前国内某硅材料企业采用氯硅烷歧化法生产电子级硅烷,为使得硅烷纯度能达到9N以上,企业在多级精馏工艺后还加入了化学吸附工艺来进一步去除硅烷气中的磷烷和硼烷。本文以精馏系统中的硅烷塔为研究对象,基于过程模拟计算方法,分别对硅烷塔的稳态及动态运行情况进行研究,将模拟结果与企业生产数据进行对比。本文的研究内容主要分为以下三部分:首先,从热力学角度,对硅烷塔内的物系进行分析。明确各物质的基本属性,针对物系特性讨论并确定热力学方法。在Aspen Properties模块考察物系的热力学性质。得到分压图、三元相图等信息,结果表明在所选择的操作温度压力下,该物系属于易分离体系且不存在共沸点。其次,运用Aspen Plus里DSTWU模块对硅烷塔进行简捷计算,得到回流比RR=4.75、进料板=27等基本参数。由基本参数出发,应用RadFrac模块进行严格校核计算,得到硅烷塔水力学参数等详细数据,分析塔内的物理现象。最后将所得各项数据与工业生产的设备及运行参数进行对比,对比后发现各项数据吻合度均很好。最后,在一二部分的基础之上,研究硅烷塔的动态特性。基于Aspen Plus Dynamics平台上模拟硅烷塔动态运行情况,制定三种不同的系统控制方案,整定控制系统中各PID控制器的模型及控制参数,研究发现加了温度—组分串级控制的方案控制效果最佳。
刘青阳[6]（2019）在《非线性概率下的大数定律及相关问题》文中指出现代概率论的完整公理化体系是在测度论的基础之上建立起来的,其中很多构造性质依赖于概率测度的可加性及连续性.非线性概率一般指容度（capacity）,即不满足可加性的单调集函数.1953年,为了研究势能理论及统计力学中的问题,Gustave Choquet[12]提出了关于容度的Choquet积分,并创立了Choquet理论,这是非线性概率理论的第一个奠基性成果.同在1953年,Lloyd Shapley在研究博弈问题时也对容度的性质进行了探讨.作为合作博弈论及经济学领域的重要成果之一,Shapley[53,54]指出凸博弈具有非空的核,而一个凸博弈实际上可以抽象为一个supermodular容度.随着决策理论,现代经济学及金融学的发展,人们发现很多不确定性现象无法用经典概率模型进行刻画,这就促使数学家们在非线性概率领域不断进行研究和探讨,并取得了很多进展,如Schmeidler[55,56],Gilboa[32,33],Denneberg[22],Ghirardato[34],Epstein[25,26]等.近年来,Peng[45,49]提出了g 期望及更一般的次线性期望的概念并在这一框架下取得了一系列成果,见Peng[46,48,50,51].不同于以往由测度构造积分的思想,Peng所提出的次线性期望的定义并不依赖于具体测度或容度,因为非线性期望不一定能由相应的非线性概率唯一确定（见[4],[13]）,所以Peng的工作无疑是为非线性概率理论开辟了一条新的研究途径.基于Peng的工作,Chen,Epstein[6]还发现了g-期望与资产定价理论之间的联系,由此解释了资产定价中的不确定性问题及Allais悖论,在经济学界及数学界产生了深远的影响.现在,非线性概率及期望理论不仅在经济,统计甚至量子力学等领域得到广泛应用,更是作为描述金融衍生品风险行为的有力数学工具而获得了大量关注.随着非线性概率应用的发展,对非线性概率理论体系的完备化也显得愈发重要.在经典概率论中,极限理论部分占据着核心地位,而大数定律和中心极限定理可以说是其中最具代表性的结果.大数定律作为描述大量重复试验中实验结果稳定性的规律,最初作为一种自然规律被人们所发现和接受.在历史上第一次用数学语言将其抽象化并作为极限定理给出严格证明的是Jacob Bernoulli,他所得到的大数定理也被称为Bernoulli大数定律（准确来讲应称为大数定理,但人们仍习惯称之为大数定律）.Bernoulli之后还有很多数学家为大数定律理论的发展与完善做出了卓越贡献,如Chebyshev,Markov,Borel,Cantelli,Kolmogorov及Khinchin等.在非线性情形,很多极限定理的形式及证明方法都与经典情形不同.比如在经典概率论中,一个同分布且期望有限的随机变量序列{Xn}n≥1被称为服从弱大数定律,如果（?）Khinchin大数定律（大数定理）表明如果上述{Xn}n≥1,是独立的,那么式（0.1）成立,即独立同分布且期望有限的随机变量序列服从弱大数定律.在容度情形中,我们称在容度v下同分布的随机变量序列{Xn}n≥1服从Choquet期望意义下一般形式的弱大数定律,如果{Xn}n≥1的平均值序列依容度v收敛于Choquet期望区间,即（?）其中μ=Cv[X1]∧（-Cv[-X1]）,μ=Cv[X1]∨（-Cv[X1]）,Cv[·]表示·关于v的Choquet期望.在一些特殊情形,比如我们所考虑的容度v有某种具体表示时,该收敛区间可以取得更小.特别地,当v是一个概率测度时,Cv[X1]=-Cv[-X1]=Ev[X1],式（0.2）退化为式（0.1）的形式.近年来很多数学家引入了新的概念及思想来研究非线性情形下的大数定律,给出了不同框架下的不同形式的大数定律.如Marinacci[41],Maccheroni与Marinacci[40]给出了totally monotone容度下的强大数定律,Peng[49],Chen[5],Hu与Chen[9]给出了次线性期望空间上几种不同形式的大数定律,Chen,Wu及Li[11]给出了上-下概率情形的强大数定律等等.受到以上研究的启发,本文对非线性概率及期望假设下的大数定律及相关问题做了进一步研究与探讨.概括起来,本文的主要结果及创新点如下:（i）给出了submodular（supermodular）容度下的弱大数定律.与Marinacci[41]中给出的弱大数定律相比,我们的定理不需假设样本空间是紧致空间,并且随机变量序列不必满足连续性及正则性.（ii）给出了submodular（supermodular）容度下的强大数定律.该成果是对Maccheroni,Marinacci[40]得到的totally monotone容度下的大数定律的的推广,并且我们不要求样本空间是polish空间,对容度及随机变量序列的连续性假设也有所不同.（iii）给出了上-下概率空间上一般形式的弱大数定律.上概率与下概率是具代表性的次可加容度及超可加容度,与以往的结果相比,我们的定理不需假设随机变量序列满足独立性,同时矩条件也是较为一般的一阶形式.（iv）给出了上-下概率空间上的两种特殊形式的大数定律.在（iii）的基础上加强控制条件,我们得到了比一般形式的弱大数定律更强的结果.其中一个结果与Peng提出的依分布收敛形大数定律的形式一致.（v）给出了次线性期望下的弱大数定律及其在风险度量中的应用.与以往的结果相比,我们的定理中不要求随机变量序列满足有限矩条件.本文分为三章,各章主要内容如下.在第一章我们将介绍容度及Choquet积分的基本性质,给出submodular容度下独立随机变量的卷积不等式,并证明submodular（supermodular）容度下的弱大数定律与强大数定律.为叙述方便,我们先给出一些基本概念.定义0.1.1给定Ω为样本空间,S c 2Ω是一个包含（?）,Ω的集类.我们称定义在S上的集函数v是一个容度（capacity）,如果v满足以下条件:（a）v（（?））=0,v（Ω）= 1;（b）如果A,B∈S且A（?）B,那么v（A）≤v（B）.若S对补运算封闭,v是S上的容度,则定义v的共轭容度为v（A）:= 1-v（Ac）,A ∈ S.定义0.1.2设v是S上的容度:X:Ω→R是一个映射,并且满足对任意α∈R,{w∈Ω:>α}∈S.定义X关于v的Choquet积分（或称Choquet期望）如下（?）一般用Cv[X]表示上述积分.当Cv[|X|]<∞时,称X关于v可积或Choquet期望存在.定义0.1.3设（Ω,F）是一个可测空间,v是F上的容度.我们称随机变量X,Y关于v相互独立,如果对任意A∈B0（R）,成立v（X ∈ A,Y ∈ B）= v（X ∈ A）v（Y ∈ B）.本章的主要结果是定理1.1-1.4.定理1.1为submodular（supermodular）容度下的一般形式的弱大数定律.定理1.1（LLN）设（Ω,F）是一个可测空间,（v,v）为F上的一对相互共轭的容度,其中v是从下方连续的submodular容度.令{Xn}n≥1为一列关于v独立同分布的随机变量,并且Cv[|X1|]<∞.记Sn:=∑i=1n Xi,那么对任意的ε>0,我们有（1）（?）（2）（?）（3）（?）在定理1.2中,我们给出非同分布情形下的弱大数定律.定理1.2（LLN）设（Ω,F）是一个可测空间.令（v,v）是定义在F上的一对相互共轭的容度,其中v是从下方连续的submodular容度.令{Xn}n≥1为一列关于v独立且Choquet期望存在的随机变量,记μi=Cv[Xi],μi=Cv[Xi].若{Xn}n≥1还满足那么对任意的ε>0,我们有在定理1.1中进一步假设随机变量序列是在v下拟必然有界的,我们得到一般形式的强大数定律,即下面的定理1.3.定理1.3（SLLN）在定理1.1的假设下,如果{Xn}n≥1还满足v-q.s.有界,那么我们有下面的定理1.4是一般形式的强大数定律在非同分布情形的推广.定理1.4（SLLN）在定理1.2的假设下,如果{Xn}n>1还满足v-q.s.一致有界,那么我们有（1）（?）（2）（?）（3）（?）在本文第二章中,我们介绍上-下概率与上-下期望,并给出几个新的概念.在该框架下我们证明几种不同形式的大数定律.与以往的结果相比,我们不要求随机变量序列满足独立性假设.定义0.2.1设（Ω,F）是一个可测空间,P是一族定义在F上的概率测度.定义F上的集函数V（A）:= supp∈P P（A）,v（A）:= infP∈P P（A）,A∈F.那么V与v都是F上的容度,并且相互共轭.我们称三元组（Ω,F,P）是一个上-下概率空间,V与v分别称为由P生成的上概率与下概率.以下假设上-下概率空间（Ω,F,P）是给定的,用L表示F-可测随机变量全体.定义0.2.2由P生成的上期望与下期望分别定义为E[X]:= supP∈P EP[X],ε[X]:= inf EP[X],X∈L.定义0.2.3设{Xn}n≥1为一列上期望存在的F-可测随机变量.我们称{Xn}n≥1是递归弱独立的,如果对任意n>1,有E[Xn|Fn-1]≤E[Xn],及ε[Xn|F-1]≥ ε[Xn].其中Fu= σ（X1,X2,…,Xn）.在这一章我们先证明上-下概率下的一般形式的弱大数定律.定理2.1（LLN）给定（Ω,F,P）.令{Xn}n≥1为一列递归弱独立的随机变量序列,并且满足（a）对任意n ≥ 1,E[Xn]=E[X1],ε[Xn]=ε[X1];（b）lim supn→∞E[|Xn|]<∞;（c）对任意正常数c,有令Sn:=Ei=1 n Xi,μ:=E[X1],μ:=ε[X1],那么对任意的ε>0,注意这个定理所给出的随机变量平均值序列的收敛区间比第一章中的区间更小,这是因为对满足Cv[|X|]<∞的随机变量X ∈L总成立Cv[X]≤ε[X]≤E[X]≤Cv[X],这里CV,Cv分别表示上概率与下概率对应的Choquet期望.若进一步假设E关于{Xn}n≥1满足时间一致性,则我们可以得到更强的结果,即下面的定理2.2.定理2.2（LLN）在定理2.1的假设下,如果E关于{Xn}n≥1是时间一致的,那么（1）对任意的x*∈[μ,μ]及ε>0,有（2）若有a,b∈R使得limn→∞ v（a<Sn/n<b）= 1,则必有[a,b]（?）[μ,μ].该结果表明,区间[ε[X1],E[X1]]是使得随机变量平均值序列Sn/n依下概率v收敛的最小区间,并且该区间内每一点都是使Sn/n依上概率V收敛的极限点.在该定理的假设下我们还可以得到Peng-依分布收敛形式的大数定律,描述如下.定理2.3（LLN）在定理2.2的假设下,对任意函数φ ∈ Cb（R）,我们有（?）本文第三章介绍由Peng提出的次线性期望空间,一致性风险度量等概念,并给出次线性期望下的弱大数定律及其在风险度量中的应用.与以往的结果相比,我们不再要求随机变量序列满足有限矩条件.定义0.3.1 设(（Ω,F）是一个可测空间,H是由某些F-可测随机变量构成的线性空间.称H上的泛函E:H→R是一个次线性期望,如果对任意的X,Y ∈H,有（1）（保常性）E[c]=c,Vc∈R;（2）（单调性）X≤Y（?）E[X]≤E[Y];（3）（正齐次性）E[λX]=λE[X],λ≥ 0;（4）（次可加性）E[X+Y]≤+E[Y].此时我们称三元组（Ω,H,E）为一个次线性期望空间.定义0.3.2设E是一个次线性期望,E的共轭期望ε定义为ε[X]:=-E[-X],X∈H.E与ε诱导的容度分别定义为V（A）:=E[1A],v（A）:=ε[1A],A∈F.定义0.3.3（Peng-独立性）令X=（X1,…,Xm）,Y=（Y1,…,Yn）是（Ω,H,E）上的随机向量.我们称Y独立于X,如果对任意φ∈Cl,Lip（Rm∈× Rn）,有E[φ（X,Y）]= E[E[φ（x,Y）]x=X].我们称随机变量序列{Xn}n≥1（?）H是独立的,如果对任意n ≥ 1,Xn+1独立于（X1,…,Xn）.定义0.3.4（Peng-同分布）设X为（Ω1,H1,E1）上的n维随机向量,Y为（Ω2,H2,E2）上的n维随机向量,n ≥ 1.我们称X,Y是同分布的,如果对任意φ∈Cl,Lip（Rn）,有E1[φ（X）]=E2[φ（Y）].本章的主要定理如下.定理3.1（LLN）设{Xn}n≥1为一列独立同分布的随机变量,且满足lim n→∞·V（|X1|>n）= 0,那么对任意的ε>0,（?）。
邱懿[7]（2016）在《Noether环中的一致性质》文中指出众所周知,Noether环的每个理想是有限生成的背后隐含着一些一致性质。在过去的二十五年里,有关这方面的研究取得了一些重大进展,主要包括:局部环的一致Artin-Rees定理,既约优秀局部环的Briancon-Skoda定理等,这些结果的重要性在于存在一个对环的所有理想均成立的整数。本文主要研究Noether环的一致局部上同调零化子以及极大理想的一致既约性质。Noether环R的一致局部上同调零化子是关于所有局部上同调模HPRPi（RP）,i<htP的零化子问题,这里P是R的任意素理想。本文的一个研究重点是研究一致局部上同调零化子在多项式扩张和Rees扩张下的性质,我们有如下的结论:1、有限维的Noether环R有一致局部上同调零化子的充分必要条件为多项式环R[X]有一致局部上同调零化子。2、如果有限维Noether局部环（R,m）有一致局部上同调零化子,则Rees环存在不依赖于参数理想选取的一致局部上同调零化子。3、如果有限维Noether局部环（R,m）有一致局部上同调零化子,则Rees环存在不依赖于m-准素理想选取的一致局部上同调零化子。本文的另一个研究问题是极大理想的一致既约性质,它与环的一致BrianconSkoda性质密切相关,我们证明了如下的结论:4、一类环的极大理想具有一致既约性质,特别是优秀环的极大理想具有一致既约性质。
家会臣[8]（2012）在《基于组块3×2交叉验证分类学习算法的统计推断》文中研究表明模型性能的评价是统计机器学习中的关键一步,它的好坏直接影响到机器学习的许多其它环节,泛化误差是最常用且最重要的模型性能评价标准,目前,泛化误差常用各种形式的交叉验证方法来估计。本文主要针对分类学习算法,从模型选择、方差分析、方差估计、假设检验等几个角度对新提出的组块3×2交叉验证方法进行了初步的研究,并取得了较好的结论。组块3×2交叉验证的两大特点是折数低、对数据集进行均匀切分,因此,我们首先从折数的选择和数据集的切分方式对交叉验证方法进行了综合分析,结合已有的研究成果,我们判断组块3×2交叉验证在这两个方面很有优势。我们将组块3×2交义验证应用于分类学习算法的模型选择任务中,考虑到组块3×2交叉验证的特点,以及影响交叉验证模型选择方法性能的各种因素,我们断定组块3×2交叉验证要优于常用的5折、10折交叉验证。实验结果表明,特征取值连续时组块3×2交叉验证选到真模型的概率要一致的大于5折、10折交义验证,且最多能大出近25个百分点。特征取值离散时虽有个别例外情况,但10折交叉验证比组块3×2交叉验证的优势并不明显,且后者与前者相比在计算复杂度方面有很大的优势,因此判断组块3×2交叉验证更适用于分类学习算法的模型选择任务。当对比分类学习算法的性能时,需要从统计上对算法的泛化误差做显着性检验,而这需要有效的方差估计,因此,我们首先从理论上对组块3×2交叉验证的方差进行了分析,得到了其结构图,在此基础上给出了一个保守估计方法,并将其应用于泛化误差的假设检验实验中。实验结果表明,基于组块3×2交叉验证的t检验比其它常用的检验有更大的功效,即拥有更小的犯第一类错误的概率和更大的势。自然语言处理中的许多任务都可看作是分类问题,其分类算法性能最常用的评价指标是准确率、召回率、F-测度值,只要这三个指标服从或近似服从正态分布,则上述关于泛化误差的研究结论都可应用于基于这三个指标的统计推断。已有研究结果表明,准确率和召回率服从贝塔分布,而贝塔分布参数值较大时近似服从正态分布。根据此结论及F-测度值与准确率和召回率的关系,我们通过模拟实验证明了F-测度值也近似服从正态分布。
胡丽珍[9]（2012）在《基于序列的Nedd4家族泛素连接酶进化与功能研究》文中提出泛素化降解过程调控着许多真核生物重要的生命活动，而泛素连接酶（E3酶）在特异性识别底物方面起着关键作用，其中Nedd4家族E3酶参与内吞作用、膜蛋白降解、控制细胞增长和病毒出芽等多种生物学过程，其错误的调控和许多人类疾病有关。本文主要从分子水平研究该家族E3酶的进化与底物的识别。首先分析了Nedd4E3酶的密码子使用偏性，结果表明该家族的密码子偏性较低，影响偏性的主要因素是碱基含量及选择压力，得到的16个最优密码子基本以G和C结尾。同时发现该类E3酶在不同物种中的密码子使用模式相近，但酿酒酵母的偏性高于其他物种，密码子多以A和T结尾。另一方面，通过使用基于贝叶斯理论的PAML软件进行适应性进化分析，仅在低等真核生物中检测到正选择信号，表明进化过程中Nedd4E3酶的功能发生了扩展，而高等生物中功能稳定。为了提高结果的准确性，截取各个结构域序列分析，结果没有检测到阳性位点，说明结构域的功能得到了很好的继承。其次本文采用计算方法基于序列特征构建预测酵母Rsp5底物蛋白的模型，为E3酶底物的识别提供了一种有价值的方法。通过构建各个样本集，挖掘基于序列的特征包括Rsp5识别底物的基序、与调控泛素化降解信号有关的特征、影响酵母蛋白稳定性的特征及经典的降解信号等；在此基础上，筛选出9个与泛素化降解机制有密切关系的特征，分别是PY motif、氨基酸含量、跨膜区、无序结构及N-糖基化，并使用支持向量机算法构建模型预测底物，敏感性和特异性分别为87.7%、81.1%，明显优于PY motif方法；同时从寿命、亚细胞定位、功能等多方面论证了该模型较好的性能。在构建模型过程中，基于B/S模式开发了两分类LibSVM工具集成化的网络平台，使用者可以方便、快捷的运用该工具。
封维端[10]（2010）在《有限域上的L-函数和正规基》文中进行了进一步梳理本文主要研究了有限域上L-函数和正规基.在第一章引言里,我们在第一节里介绍了有限域上的指数和与L-函数,以及L-函数的牛顿多边形,泛牛顿多边形和牛顿多边形的下界-霍奇多边形.在第二节里介绍了有限域上的正规多项式,并且提出我们主要研究的问题：n次正规多项式集合与n次迹非零的首一不可约多项式集合相等的充要条件.在第二章里,我们主要研究了在Iwaniec关于Laplace-Beltrami算子作用在Γ0（p）的自守函数的小特征值估计工作中出现的一族Laurent多项式F（a,b,c）（x,y,z）的指数和以及L-函数进行了细致的分析.我们详细讨论了F（a,b,c）（x,y,z）的L-函数的零点和极点的算术性质.利用Dwork的p-adic理论和万大庆关于L-函数的分解定理,我们得到F（a,b,c）（x,y,z）的L-函数的牛顿多边形当（a,b,c）在F；的一个Zariski开集上达到下界.并且这个Zariski开集为一个所谓的Hasse的多项式的零点的补,进一步的我们求出了这个Hasse多项式.在第三章中,我们研究了有限域上的正规基和正规多项式.有限域Fq上的所有n次正规多项式集合是包含在Fq上的n次非零迹的首一多项式集合里的,但是这两个集合什么时候恰好相等,是一个有意义的问题.Perlis, Pei与Chang等人分别在文献[54][53],[16]研究了这个问题.综合起来可以得到Fq上的n次正规多项式集合等于Fq上的n次非零迹的首一多项式集合当且仅当n为p的方幂或n为不等于p的素数且q是n的原根.在本文中,我们利用正规多项式和迹非零的首一不可约多项式的计数公式,给出上面问题的一个统一的简单证明.
二、关于泛多项式(英文)（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、关于泛多项式(英文)（论文提纲范文）
（1）区块链在泛在电力物联网中的安全应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 区块链 |
| 1.2.2 物联网 |
| 1.2.3 密钥分发研究现状 |
| 1.2.4 物联网身份认证研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的章节安排 |
| 第2章 背景知识 |
| 2.1 泛在电力物联网 |
| 2.1.1 泛在电力物联网定义 |
| 2.1.2 泛在电力物联网的特征 |
| 2.1.3 泛在电力物联网建设技术架构 |
| 2.2 区块链技术 |
| 2.2.1 默克尔树 |
| 2.2.2 区块链的原理 |
| 2.2.3 区块链的特点 |
| 2.3 物理不可克隆技术 |
| 2.3.1 PUF的原理和实现方法 |
| 2.3.2 PUF的属性 |
| 2.4 本章小结 |
| 第3章 面向泛在电力物联网的密钥分发 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 方案描述 |
| 3.3.1 系统初始化阶段 |
| 3.3.2 密钥生成阶段 |
| 3.3.3 密钥交易阶段 |
| 3.3.4 随机数更新阶段 |
| 3.4 方案分析 |
| 3.4.1 安全性分析 |
| 3.4.2 仿真实验 |
| 3.4.3 性能分析 |
| 3.5 本章小结 |
| 第4章 基于区块链的底层设备认证 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 方案描述 |
| 4.3.1 系统初始化阶段 |
| 4.3.2 注册阶段 |
| 4.3.3 用户发送CRP对至HA阶段 |
| 4.3.4 用户请求认证阶段 |
| 4.3.5 请求查询阶段 |
| 4.3.6 验证阶段 |
| 4.3.7 更新用户的CRP对阶段 |
| 4.4 方案分析 |
| 4.4.1 安全性分析 |
| 4.4.2 仿真实验 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 下一步研究工作展望 |
| 参考文献 |
| 攻读硕士期间从事的科研工作及取得的成果 |
| 致谢 |
（2）泛在统计图表自动分类与信息提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 研究现状 |
| 1.2.1 统计图表手工分类与信息表达研究 |
| 1.2.2 基于浅层特征的统计图表自动分类与信息提取研究 |
| 1.2.3 基于深度学习的统计图表智能分类与信息提取研究 |
| 1.2.4 统计图表数据集研究现状 |
| 1.2.5 研究现状评述 |
| 1.3 研究内容与组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 泛在统计图表自动分类与信息提取的技术基础 |
| 2.1 泛在统计图表的类型与特征 |
| 2.2 泛在统计图表自动分类与信息提取技术 |
| 2.2.1 泛在统计图表自动分类技术 |
| 2.2.2 泛在统计图表信息提取技术 |
| 2.3 泛在统计图表自动分类与信息提取技术框架 |
| 2.4 本章小结 |
| 第三章 基于迁移学习的泛在统计图表自动分类 |
| 3.1 基于Inception V3 迁移学习的泛在统计图表自动分类方法 |
| 3.1.1 迁移学习方法基本原理 |
| 3.1.2 基于Inception V3 迁移学习的泛在统计图表自动分类模型 |
| 3.1.3 泛在统计图表自动分类实验 |
| 3.2 泛在统计图表自动分类模型的参数优化 |
| 3.2.1 学习率参数优化原理 |
| 3.2.2 泛在统计图表自动分类模型参数优化实验 |
| 3.3 泛在统计图表自动分类模型的结构优化 |
| 3.3.1 泛在统计图表自动分类模型结构优化原理 |
| 3.3.2 泛在统计图表自动分类模型结构优化实验 |
| 3.4 本章小结 |
| 第四章 考虑视觉特征的泛在统计图表数据增强 |
| 4.1 泛在统计图表视觉特征的定量描述 |
| 4.1.1 泛在统计图表视觉特征的分类及影响因素 |
| 4.1.2 基于视觉变量理论的泛在统计图表视觉特征描述方法 |
| 4.1.3 泛在统计图表视觉特征的参数化 |
| 4.2 泛在统计图表视觉特征增强方法 |
| 4.2.1 泛在统计图表视觉特征增强方法设计思路 |
| 4.2.2 泛在统计图表视觉特征参数值统计结果 |
| 4.2.3 泛在统计图表视觉特征参数值的聚类与分析 |
| 4.2.4 泛在统计图表特征增强训练集的构建 |
| 4.3 实验与分析 |
| 4.3.1 实验环境及参数设置 |
| 4.3.2 数据增强必要性论述实验 |
| 4.3.3 数据增强方法对比试验 |
| 4.3.4 常见分类模型适应性实验 |
| 4.3.5 各类视觉特征对分类结果影响规律实验 |
| 4.4 本章小结 |
| 第五章 基于Paddle OCR与色彩特征的泛在图表信息提取 |
| 5.1 泛在统计图表信息提取框架 |
| 5.1.1 泛在统计图表信息提取思路 |
| 5.1.2 泛在统计图表信息提取流程 |
| 5.2 柱状图表信息提取方法 |
| 5.2.1 结构信息提取方法 |
| 5.2.2 文字信息提取方法 |
| 5.2.3 属性信息提取方法 |
| 5.3 柱状图表信息提取实验与分析 |
| 5.3.1 实验环境及数据描述 |
| 5.3.2 结构信息提取实验 |
| 5.3.3 文字信息提取实验 |
| 5.3.4 属性信息提取实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结与创新点 |
| 6.1.1 论文主要工作 |
| 6.1.2 论文创新点 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（4）基于嵌入式Linux电力网关设计与用电异常行为分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 电力物联网的国内外发展 |
| 1.2.2 物联网网关的研究进展 |
| 1.2.3 异常用电行为检测的国内研究进展 |
| 1.3 本文主要研究内容及章节安排 |
| 1.4 本章小结 |
| 2 电力网关总体设计 |
| 2.1 物联网架构介绍及电力网关需求分析 |
| 2.1.1 物联网的分层网络架构介绍 |
| 2.1.2 电力网关的需求分析 |
| 2.2 电力网关设计方案研究 |
| 2.2.1 电力网关通信方式方案论证 |
| 2.2.2 电力网关软件平台方案论证 |
| 2.3 电力网关通信协议的介绍 |
| 2.3.1 Modbus协议 |
| 2.3.2 MQTT协议 |
| 2.4 电力网关的系统框架 |
| 2.5 本章小结 |
| 3 电力网关的实现 |
| 3.1 硬件的设计 |
| 3.1.1 硬件电路总体架构 |
| 3.1.2 硬件电路设计 |
| 3.2 软件的设计 |
| 3.2.1 嵌入式软件开发平台的介绍 |
| 3.2.2 串口接收数据程序 |
| 3.2.3 远程无线网络的搭建 |
| 3.2.4 接收与发送数据间通信的设计 |
| 3.2.5 本地配置 |
| 3.2.6 程序升级服务 |
| 3.3 电力网关功能测试 |
| 3.3.1 测试平台的搭建 |
| 3.3.2 本地配置服务测试 |
| 3.3.3 云平台接入测试 |
| 3.4 本章小结 |
| 4 用电异常行为的分析 |
| 4.1 异常用电行为概述 |
| 4.2 异常用电行为基本模型 |
| 4.3 基于传统思路的检测方法 |
| 4.4 基于机器学习的检测方法 |
| 4.4.1 机器学习主要算法分类 |
| 4.4.2 机器学习开发流程 |
| 4.5 本章小结 |
| 5 基于多分类器组合的用电异常行为检测 |
| 5.1 相关理论基础的研究 |
| 5.1.1 逻辑回归 |
| 5.1.2 支持向量机 |
| 5.1.3 随机森林 |
| 5.1.4 BP神经网络 |
| 5.1.5 多分类器组合 |
| 5.2 电力用电数据的处理 |
| 5.2.1 数据集构建及介绍 |
| 5.2.2 数据清洗 |
| 5.2.3 特征提取 |
| 5.2.4 数据归一化和降维 |
| 5.3 模型构建与实验分析 |
| 5.3.1 基于基分类器的异常用电行为检测实验 |
| 5.3.2 基于多分类器组合模型的异常用电行为检测实验 |
| 5.3.3 模型比较 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（5）电子级SiH4精馏系统动态驱动过程模拟及优化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 多晶硅生产工艺 |
| 1.3 硅烷生产工艺国内外研究现状 |
| 1.4 生产硅烷的主流技术 |
| 1.5 气体纯化工艺 |
| 1.6 研究对象 |
| 1.7 研究目的与内容 |
| 第二章 精馏塔数学模型及热力学模型的选择 |
| 2.1 引言 |
| 2.2 过程模拟软件Aspen One简介 |
| 2.3 多组分精馏数学模型 |
| 2.4 多组分物系说明 |
| 2.5 热力学模型 |
| 2.5.1 常用的热力学模型 |
| 2.5.2 热力学模型的选取 |
| 2.6 物系可分离性讨论 |
| 2.7 本章小结 |
| 第三章 硅烷塔稳态过程模拟 |
| 3.1 引言 |
| 3.2 硅烷塔的简捷设计计算 |
| 3.2.1 精馏塔设计参数分析 |
| 3.2.2 最小塔板数与最小回流比 |
| 3.2.3 简单设计计算结果 |
| 3.3 硅烷塔严格计算 |
| 3.3.1 平衡模型与传递模型 |
| 3.3.2 进料位置说明 |
| 3.4 几个重要参数的优化及讨论 |
| 3.4.1 进料板数N_F |
| 3.4.2 回流比R |
| 3.4.3 采出比D/F |
| 3.4.4 正交实验设计 |
| 3.5 严格计算结果分析 |
| 3.5.1 基本结果 |
| 3.5.2 塔内温度分布 |
| 3.5.3 硅烷塔分离效果 |
| 3.5.4 关键组分在塔内分布情况 |
| 3.6 硅烷塔的水力学分析 |
| 3.6.1 硅烷塔填料的选取 |
| 3.6.2 硅烷塔塔径的确定 |
| 3.6.3 填料层高度的确定 |
| 3.6.4 塔板水力学讨论 |
| 3.7 硅烷塔内的传递过程 |
| 3.7.1 质量传递 |
| 3.7.2 热量传递 |
| 3.8 本章小结 |
| 第四章 硅烷塔动态驱动过程模拟 |
| 4.1 引言 |
| 4.2 动态控制数学模型 |
| 4.2.1 精馏塔动态特性方程 |
| 4.2.2 精馏塔传递函数 |
| 4.2.3 PID控制器 |
| 4.2.4 负反馈控制系统 |
| 4.3 稳态导入动态过程 |
| 4.3.1 设备定径 |
| 4.3.2 动态初始化 |
| 4.4 温度灵敏板的选取 |
| 4.5 系统控制方案 |
| 4.5.1 控制方案一 |
| 4.5.2 控器器参数整定方法 |
| 4.5.3 方案一控制效果 |
| 4.5.4 控制方案二 |
| 4.5.5 方案二控制效果 |
| 4.5.6 控制方案三 |
| 4.5.7 方案三控制效果 |
| 4.5.8 方案三系统响应曲线 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 符号表 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
（6）非线性概率下的大数定律及相关问题（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 容度下的大数定律 |
| 1.1 容度及其性质 |
| 1.2 随机变量及其分布 |
| 1.3 Choquet积分 |
| 1.4 相关引理及命题 |
| 1.5 submodular容度下的弱大数定律 |
| 1.6 submodular容度下的强大数定律 |
| 第二章 一族概率测度下的大数定律 |
| 2.1 上-下概率空间 |
| 2.2 条件期望及随机变量的弱独立性 |
| 2.3 上-下概率下的大数定律 |
| 2.4 Ellsberg模型中的大数定律 |
| 第三章 次线性期望下的大数定律及其应用 |
| 3.1 次线性期望空间 |
| 3.2 随机变量的独立性 |
| 3.3 次线性期望在金融中的应用 |
| 3.4 线性期望下的弱大数定律 |
| 3.5 大数定律在风险度量中的应用 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表和完成的论文 |
| 学位论文评阅及答辩情况表 |
（7）Noether环中的一致性质（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要要符号表 |
| 第一章 引言 |
| 第二章 基础知识 |
| 2.1 有关环与模的一些概念和结果 |
| 2.2 有关同调的一些定义与结果 |
| 2.3 几类重要的环 |
| 第三章 一致局部上同调零化子 |
| 3.1 定义和基本性质 |
| 3.2 标准复形以及CM(R) |
| 3.3 与参数系的关系 |
| 3.4 存在定理 |
| 第四章 多项式环的一致局部上同调零化子 |
| 4.1 泛性质 |
| 4.2 充分性证明 |
| 4.3 必要性证明 |
| 第五章 Rees环的一致局部上同调零化子 |
| 5.1 Rees环 |
| 5.2 参数理想的Rees环 |
| 5.3 m-准素理想的Rees环 |
| 第六章 极大理想的一致既约性质 |
| 6.1 引言 |
| 6.2 极大理想的一致既约性质 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（8）基于组块3×2交叉验证分类学习算法的统计推断（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究方法和内容 |
| 1.4 文章结构安排 |
| 第二章 泛化误差的组块3×2交叉验证估计 |
| 2.1 模型性能的度量及其估计 |
| 2.2 组块3×2交叉验证的提出 |
| 2.3 泛化误差的组块3×2交叉验证估计 |
| 第三章 组块3×2交叉验证在模型选择中的应用 |
| 3.1 组块3×2交叉验证的模型选择方法 |
| 3.2 模型选择性能的评价 |
| 3.3 影响交叉验证模型选择方法性能的因素 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果及分析 |
| 第四章 组块3×2交叉验证的方差 |
| 4.1 CV_(3×2)方差的理论分析 |
| 4.2 实验 |
| 4.3 CV_(3×2)方差的估计 |
| 4.3.1 李济洪(2010)的估计方法 |
| 4.3.2 一个新的估计 |
| 4.4 实验 |
| 第五章 分类学习算法泛化误差几种检验的比较 |
| 5.1 假设检验的6种方法 |
| 5.2 实验 |
| 5.3 势函数的比较 |
| 第六章 基于准确率、召回率、F-测度值的统计推断 |
| 6.1 自然语言处理中分类学习算法性能的评价指标 |
| 6.2 F_I值正态性的验证 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（9）基于序列的Nedd4家族泛素连接酶进化与功能研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 泛素化降解通路及泛素连接酶 |
| 1.1.2 Nedd4 E3 酶的结构域 |
| 1.1.3 Nedd4 E3 酶的生物学功能及相关的人类疾病 |
| 1.2 研究进展 |
| 1.2.1 Nedd4 家族 E3 酶的进化研究进展 |
| 1.2.2 Nedd4 E3 酶底物识别研究进展 |
| 1.3 论文研究的关键问题及方案 |
| 1.3.1 论文研究方案 |
| 1.3.2 研究关键问题 |
| 1.4 论文的结构安排 |
| 第二章 Nedd4 家族泛素连接酶的进化分析 |
| 2.1 引言 |
| 2.2 实验数据的获取 |
| 2.3 密码子偏性分析 |
| 2.3.1 研究背景 |
| 2.3.2 密码子偏性衡量指标 |
| 2.3.3 密码子使用模式影响因素的分析 |
| 2.3.4 对应性分析 |
| 2.3.5 最优密码子 |
| 2.3.6 结论 |
| 2.4 适应性进化分析 |
| 2.4.1 研究背景 |
| 2.4.2 Nedd4 家族 E3 酶序列比对结果 |
| 2.4.3 Nedd4 家族 E3 酶进化树的构建 |
| 2.4.4 Nedd4 E3 酶家族所有成员序列阳性位点检测 |
| 2.4.5 Nedd4 E3 酶家族部分成员序列阳性位点检测 |
| 2.4.6 结论 |
| 2.5 本章小结 |
| 第三章 酵母 Rsp5 泛素连接酶底物样本集构建及特征挖掘 |
| 3.1 引言 |
| 3.2 数据集的构建 |
| 3.2.1 正样本 |
| 3.2.2 负样本 |
| 3.2.3 预测集 |
| 3.3 Rsp5 底物特征的挖掘 |
| 3.3.1 PY motif |
| 3.3.2 氨基酸含量 |
| 3.3.3 与酵母蛋白稳定性相关的特征 |
| 3.3.4 与功能相关的重要基序 |
| 3.3.5 翻译后修饰 |
| 3.4 本章小结 |
| 第四章 泛素连接酶 Rsp5 底物的预测 |
| 4.1 引言 |
| 4.2 特征筛选 |
| 4.2.1 筛选指标 |
| 4.2.2 模型评估指标 |
| 4.2.3 特征筛选过程 |
| 4.2.4 构建最优模型所用特征分析 |
| 4.3 SVM 算法简介 |
| 4.4 LibSVM 两分类工具集成网页开发 |
| 4.4.1 LibSVM 两分类工具介绍 |
| 4.4.2 集成网络平台 |
| 4.4.3 工具的网络实现 |
| 4.5 模型构建及预测结果 |
| 4.6 预测结果讨论与分析 |
| 4.6.1 本文模型与 PY motif 方法比较 |
| 4.6.2 半衰期分布 |
| 4.6.3 亚细胞定位 |
| 4.6.4 功能统计 |
| 4.6.5 结论 |
| 4.7 本章小结 |
| 第五章 全文总结及展望 |
| 5.1 本文论文主要工作 |
| 5.2 后续工作及展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及学术论文情况 |
| 附录 |
（10）有限域上的L-函数和正规基（论文提纲范文）
| 摘要 |
| ABSTRACT(英文摘要) |
| 第一章 引言 |
| 1.1 有限域上的L-函数 |
| 1.1.1 牛顿多面体 |
| 1.1.2 牛顿多边形 |
| 1.1.3 泛牛顿多边形 |
| 1.1.4 牛顿多边形的一个下界:霍奇多边形 |
| 1.2 有限域上的正规基 |
| 1.3 gcd封闭集上GCD矩阵和LCM矩阵的整除性 |
| 第二章 有限域上的L-函数 |
| 2.1 对角形的L-函数 |
| 2.2 两个分解定理 |
| 2.2.1 面分解定理 |
| 2.2.2 星形分解定理 |
| 2.3 F_((a,b,c))(x,y,z)的L-函数 |
| 2.3.1 F_((a,b,c))(x,y,z)的泛平凡性 |
| 2.3.2 Dwork的p-adic理论 |
| 2.3.3 Fredholm矩阵的行列式及其下界 |
| 2.3.4 Hasse多项式 |
| 2.3.5 F_((a,b,c))(x,y,z)的Hasse多项式 |
| 第三章 有限域上的正规基 |
| 3.1 Perlis,Pei与Chang等关于正规多项式的定理 |
| 3.2 基于两个计数定理的简单证明 |
| 3.3 定理3.7的证明 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的论文 |
四、关于泛多项式(英文)（论文参考文献）
- [1]区块链在泛在电力物联网中的安全应用研究[D]. 石泽. 华北电力大学(北京), 2021(01)
- [2]泛在统计图表自动分类与信息提取方法研究[D]. 韩冰. 战略支援部队信息工程大学, 2021(01)
- [3]无穷矩阵方法、（op）型空间、不变性及泛线性分析[J]. 武俊德,钟书慧. 中国科学:数学, 2020(12)
- [4]基于嵌入式Linux电力网关设计与用电异常行为分析[D]. 王星. 西安理工大学, 2020(01)
- [5]电子级SiH4精馏系统动态驱动过程模拟及优化[D]. 周雪冬. 西北大学, 2019(12)
- [6]非线性概率下的大数定律及相关问题[D]. 刘青阳. 山东大学, 2019(09)
- [7]Noether环中的一致性质[D]. 邱懿. 上海师范大学, 2016(08)
- [8]基于组块3×2交叉验证分类学习算法的统计推断[D]. 家会臣. 山西大学, 2012(10)
- [9]基于序列的Nedd4家族泛素连接酶进化与功能研究[D]. 胡丽珍. 南京航空航天大学, 2012(03)
- [10]有限域上的L-函数和正规基[D]. 封维端. 上海交通大学, 2010(10)