一、几个有趣的概率问题（论文文献综述）
杨立浩[1]（2021）在《电子在材料中的非弹性散射平均自由程的理论研究》文中进行了进一步梳理电子的非弹性平均自由程（IMFP）是描述电子在材料中的输运性质重要的参数,同时也是定量表面分析最重要的参数之一,在电子能谱学及电子显微学中具有重要应用。在很多表面分析技术,例如Auger电子能谱（AES）、X射线光电子能谱（XPS）的定量分析中,IMFP是必不可少的参数。对于其他的以电子束作为探针的表面表征方法而言,IMFP常用于确定该表面表征方法的表面灵敏度。本文首先介绍了电子在材料中输运的IMFP及其在定量AES、XPS分析中的应用,介绍了 IMFP的三种获得手段,即使用公式预测、理论计算和实验测量。最后详细讨论了实验获得IMFP中存在的一些问题以及本论文的研究动机。（第一章）电子在材料中输运过程中会被材料内部的原子核及核外电子散射。根据是否发生能量损失,可将这些散射分为两类:弹性散射与非弹性散射。我们介绍了用于描述电子弹性散射的Mott截面,以及计算该截面需要的相关弹性散射势。同时,介绍了当前对于描述无限大介质材料非弹性散射的常规介电函数理论,及考虑表面等离激元激发、描述半无限大介质材料的半经典理论。介绍了多种用于能量损失函数（ELF）从光学极限外推至（q,ω）空间的外推方法,并对这些方法进行了比较。最后我们介绍了电子在材料内部及样品表面输运过程Monte Carlo模拟方法。（第二章）从反射电子能量损失谱（REELS）中提取电子在材料中输运的IMFP是近年来兴起的用于获得IMFP的重要方案,该方案主要分为两个步骤:1)从REELS能谱中提取光学ELF或光学常数;2)基于获取的光学ELF计算得到IMFP。逆Monte Carlo（RMC）方法是近几年发展的通过将Monte Carlo方法模拟REELS能谱及Markov链Monte Carlo方法更新参数化ELF相结合的方法。在简单介绍了 RMC方法的原理后,我们进一步改进了 RMC方法并将该方法运用到更多的材料,包括三个过渡金属材料Cr、Co、Pd、重金属Ir、轻元素C、半导体材料Si、Ge:（第三章）一、在对于三个过渡金属材料Cr、Co、Pd的分析中,我们考虑一个更精确的弹性散射势用于计算弹性散射截面。基于该截面,使用RMC方法对Cr、Co、Pd宽能量范围（0-200eV）的REELS能谱进行分析,获得了高度准确的ELF数据。该结果的准确性可以由两个求和规则,即ps-求和规则和f-求和规则,来验证。我们提出一个RMS值用于描述不同f-求和规则之间的相对偏差。相比于单个f-求和规则,RMS值更能反应低能ELF、介电函数、光学常数数据的准确性。该值预期能和求和规则一样,成为判断光学数据准确性的重要准则。二、我们将RMC方法应用于重金属材料Ir和轻元素无定形态碳（a-C）中。从这些材料的能谱中提取的ELF结果都具有较高的准确性,两个求和规则与理论值的偏差或RMS值都较小,要远低于当前其他方法获得的结果。在对a-C的分析中,我们提倡使用材料的ELF而不是REELS能谱来确定材料的等离激元能量,从而计算材料的局域密度。REELS能谱中通常存在表面效应或多重散射效应,这些效应的存在会使得确定的等离激元能量并不准确。另一方面,基于当前RMC方法得到的a-C的ELF,我们提供了一个简单的公式用于预测其他密度的a-C材料的ELF、介电函数、光学常数等。该公式预计能为后续的a-C材料性质的研究、a-C材料的定量表面分析提供重要数据支撑。三、我们提出一个FPA-Ritchie-Howie模型来将光学ELF外推到（q,ω）空间,该模型使用FPA方法处理电子在材料中的体激发,而Ritchie-Howie方法处理电子的表面激发。该模型既能非常准确地处理电子在材料中输运时的多重散射效应,同时又一定程度上兼顾了计算效率。对于自由电子类材料的定量表面分析具有重要意义。我们将FPA-Ritchie-Howie模型引入到RMC方法中,用于分析Si、Ge两个自由电子类材料并提取材料的ELF、介电常数、光学常数。我们使用ps-求和规则、f-求和规则、惯性求和规则、直流电导率求和规则、RMS值计算等多种方法对获得的结果进行检验。除了f-求和规则以外,所有的检验相对误差均小于千分之一。而两个材料的RMS值计算结果分别为0.036%和0.010%,如此小的RMS值结果表明,f-求和规则的较大误差（0.6-1.2%）主要来源于高能段其他来源数据的不准确。当前获得的高准确性的结果一方面为后续的材料分析提供重要的数据支撑,另一方面,也证明了 FPA-Ritchie-Howie模型的有效性。四、基于从REELS能谱中提取的Cr、Co、Pd、Ir、a-C、Si、Ge材料的ELF数据,计算了电子在这些材料中输运的IMFP,对IMFP数据库是一个重要补充。已经有很多结果表明,在材料的低能有效衰减长度/IMFP/平均自由程的曲线中存在一些特殊的结构。尽管有研究人员认为这些结构是由于表面等离激元激发导致的,但目前并没有任何直接的证据能够明确证明这一点。观测的有效衰减长度/IMFP/平均自由程数据中,通常包含有弹性散射效应、薄膜与衬底的耦合效应等的贡献,亟需一个更加有效的分析方法剔除相关效应的干扰,提取出材料的带有结构的纯粹的IMFP用于证明这一观点。我们基于经典电子轨迹框架,发展了一套ZT模型用于描述电子在无支撑二维材料中的输运。基于该方法,我们重新分析文献中报道的1-4层无支撑石墨烯的弹性反射率及弹性透射率数据,获得电子在石墨烯中输运的弹性平均自由程（EMFP）和IMFP数据。我们的分析表明“单个原子层厚度要比电子的IMFP小得多”这一固有观念至少对于低能电子是错误的。我们的IMFP结果表明,电子在单层石墨烯中输运的IMFP没有明显的特征结构,而对于双层石墨烯,电子的IMFP在5-15eV处开始出现一个台阶特征,随着厚度的增加,该特征变成一个凹陷结构,这一特征被认为是π+σ等离激元的面外激发模式导致的。我们的结果表明,计算低能电子在材料中输运的IMFP时必须考虑等离激元贡献,我们提出的分析方法为后续研究电子在薄膜样品中输运的IMFP提供了重要思路。这项工作表明,即使对于最薄材料,即单层石墨烯,的横向方向,经典电子轨迹框架仍可用于揭示低能电子与石墨烯相互作用的物理图像。（第四章）IMFP的实验确定通常基于电子能谱。获得IMFP的不同实验方法实际上是分析电子能谱中来自不同能量范围的信号电子的过程。已经发展了许多方法用于对弹性峰电子、二次电子、REELS能谱、Auger电子进行分析,从而获得电子的IMFP。然而,这当中存在一个空缺——背散射电子背景信号。除了背散射电子背景以外,来自所有能量范围的信号电子都已用于进行定量分析从而获得IMFP。通常,研究人员会研究不同的信号峰,例如弹性峰、Auger峰或二次电子的信号,以获得有用的信息。背散射电子背景信号通常被认为是无用的。我们提出了一种方法针对背散射电子背景信号进行定量分析,该方法可以将人们通常认为无用的信息,即背景信号,利用起来,从中提取出表面科学领域非常重要的参数——电子在材料中输运的IMFP。这一方案扩展了 IMFP的实验测量手段。同时也为后续背散射电子背景定量分析研究提供一种重要的分析手段。该方案的可扩展性强,只需要给定材料的化学式及密度,就可以从背散射电子能谱中的背景信号中获得电子IMFP。（第五章5.1小节）除了改进已有的IMFP实验获得方法、提出实验获取IMFP的新思路,我们还运用Monte Carlo方法对背散射电子能谱和REELS能谱进行定量分析。我们利用Monte Carlo方法对两个重金属Mo和W的背散射系数实验数据进行细致的分析。基于Monte Carlo方法计算得到的结果,我们认为,以往Mo和W材料在几keV以下的背散射系数实验数据存在的大偏差主要是由实验样品表面污染导致的。这些表面污染使得几keV以下的背散射系数实验数据比无污染时数值更小。我们详细分析了不同厚度的无定形态C、水、PMMA薄膜对衬底Mo和W材料背散射系数的影响。此外,我们进行了不确定度分析,以证实当前计算结果和结论的可靠性。我们提出了一种新方法用于清晰地分离电子能谱中表面激发、体激发、begrenzungs效应组分。通过使用此方法,可以详细分析电子能谱中不同组分的贡献。该方法首次对begrenzungs效应进行了定量研究,预期能为后续begrenzungs效应的详细研究提供有效的分析手段。我们以Si材料5keV的REELS能谱为例进行定量分析,展示了该方法的有效性。我们的工作证明,由于表面效应的局域性,在Si材料REELS能谱的表面激发组分中,单次散射占主要贡献,电子不发生体激发而发生多次表面激发的概率随着表面激发次数的增加而迅速减小。本分析清楚地表明,由于表面效应的深度依赖性,电子的最终碰撞顺序取决于轨迹。这项工作将REELS能谱的定量分析方法扩展到更详细,更准确的领域。（第五章5.2小节、第六章6.1小节）粒子输运研究中的负截面问题多年以来一直困扰着科学家们。负截面的出现意味着在粒子输运研究中必须要考虑粒子与材料相互作用时的负概率。我们以电子为例,详细地分析了电子与材料表面相互作用时微分非弹性散射截面（DI-IMFP）中出现负值的原因。我们认为,这些负值源于电子在表面附近运动时产生的尾波效应。介质对运动电子的响应产生的尾波势本身是振荡存在的,这一尾波势在材料内部中并不占主要贡献而是当作微扰。但是在真空中,该振荡的尾波势将会使得DIIMFP也以振荡的形式存在并出现负值。更加有趣的是,我们还发现,对于begrenzungs项中也存在振荡的现象,begrenzungs项对应的DIIMFP在某些区域存在正值。这与传统的认知完全不同。我们的结果表明,当前对于begrenzungs效应的认识过于简单过于片面。begrenzungs效应不能简单地理解为对材料中体等离激元的抑制,其对（z,ω）空间中的不同区域具有不同的效果,既存在抑制也存在加强,且整体呈现为对体等离激元激发的抑制效果。我们由此发展了针对负概率的抽样方法。传统方法并不能对DIIMFP进行“正确的”抽样,在（z,ω）空间中总有一些区域无法被兼顾,而该负概率抽样方案可以很好地处理DIIMFP中出现的负值。尽管DIIMFP中的负值对能谱的影响是微弱的,但该方案能够正确地描述电子与表面相互作用的物理过程,对后续高精度的电子-表面相互作用定量分析、电子-表面相互作用机理研究具有重要意义。（第六章6.2小节）
孙晨菲[2]（2020）在《基于异构信息网络的医疗保险反欺诈关键问题研究》文中提出随着互联网和大数据的发展,越来越多的企业和政府机构采用信息化技术来进行交易活动或者提供服务,如信用卡业务、医疗保险、汽车保险等。信息化在为合法用户提供便利的同时,也使得欺诈者拥有了新的欺诈途径。统计数据表明欺诈活动在全球范围内每年造成的经济损失高达数千亿。信用卡和财产保险等领域的欺诈检测已被广泛研究,但有些领域如医疗保险领域由于其数据及欺诈行为独有的特点,面临着更多的挑战和困难。医疗保险数据指医疗保险业务过程中获得的数据,包括医疗机构、患者、住院记录以及基金等异构信息。除了海量性、异构性等大数据共有的特点外,医疗保险数据具有领域知识粒度较为粗糙、离散性、冗余性等特性。医疗保险数据的上述特性加剧了医疗保险欺诈识别的困难程度。与此同时,医疗保险欺诈本身也面临比其他领域更复杂的情况。1)医疗保险欺诈主体类型并不单一。2)有些欺诈者了解充足的领域知识,能够巧妙躲避反欺诈规则,伪装成正常用户实施欺诈行为。3)当欺诈者有组织地进行合谋欺诈时,分析个人的行为将无法挖掘出欺诈记录。4)医疗保险涉及不同类型的主体,如医院、患者、诊疗项目等。除了单一实体的行为分析之外,欺诈线索还可能隐藏在不同实体的交互过程中。现有的大多数数据驱动的医疗反欺诈研究都集中在统计分析和机器学习算法的使用上,如聚类、k-最近邻、决策树、神经网络等。但是,这些方法总是具有较高的假阳性率（将正常医疗记录判定为欺诈记录）,因为正常患者也可能会有一些违反正常模式的行为,而欺诈者可能会努力模仿正常行为,使他们看起来“正常”。一个有效的医疗保险欺诈检测算法需要满足可解释性和高精度等要求。针对反欺诈面临的上述挑战,结合医疗保险数据的特点,本文利用异构信息网络对医疗保险数据进行建模,从异构信息网络的社区划分/极大团枚举/频繁子图挖掘等方面进行探讨和研究,以医疗保险为研究背景,提出针对于不同欺诈类型的反欺诈算法。主要的研究内容和贡献包括以下方面:1)针对骗取药品欺诈者的伪装识别问题,本研究提出基于患者集散程度的反欺诈算法,将患者的时序行为与异构网络社区划分算法相结合,可以对抗欺诈者的伪装行为。本研究定义了病人住院记录相似度计算方式并通过基于图的密度峰聚类算法对患者进行聚类,进而对每个聚类类别进行了语义抽取工作,这能够帮助了解每个聚类类别背后的含义。当病人相似度和病人就医行为相似度之间存在较大冲突时,该病人为疑似欺诈者的概率较高。基于病人集散程度的医疗保险欺诈者检测方法-PCDHIFD考虑在整个期间每个病人的入院记录情况,由于欺诈者的伪装行为通常只会持续很短一段时间,该方法可以检测医疗保险欺诈者免受欺诈者伪装行为的干扰。实验结果表明,PCDHIFD在伪装存在的情况下可以显着提高欺诈者检测准确率达到87%,优于已有算法超过15%,且聚类语义抽取工作增强了算法的可解释性。2)针对医患合谋骗取医保基金识别问题,本研究提出基于极大团挖掘的合谋欺诈检测算法,通过两阶段基于H图的极大团挖掘算法来减少计算复杂性,可以帮助检测合谋欺诈。本研究将挖掘出的特异群组进行分类,区分特异群组究竟是因为合谋欺诈而产生还是周期性等因素而产生。最终将由于欺诈产生的特异群组作为疑似欺诈者交由人工进行稽查。在医疗保险背景下,针对慢性病合谋刷卡套现问题,首先构建病人就医邻接图,通过极大团挖掘算法找出特异群组。进而对特异群组进行分类（合谋欺诈产生/慢性病就医周期性产生）。将由于欺诈而产生的特异群组中所包含的病人视为疑似欺诈者。基于异常群体的联合欺诈者检测方法（AGJFD）可以将可疑的合谋欺诈者与因周期性而碰巧具有高度相似性的人区分开,因而可以确保反欺诈结果的高精度。此外,本研究通过提出两阶段基于H图的极大团挖掘算法来减少计算复杂性。医疗保险数据集上所做的大量实验表明,本研究的方法在精度方面大幅度优于现有方法,可以达到94%。3)针对虚报慢性病欺诈识别问题,本研究提出基于频繁子图挖掘和社区划分的慢性病欺诈识别算法,重新定义了候选集的选取方案,可以帮助了解包括罕见病在内的慢性病进展,这对于发现慢性病欺诈和降低医疗成本非常有用。基于频繁子图挖掘和社区划分的慢性病欺诈识别算法HNCDPM考虑同一疾病的不同用药阶段并获得两种模式-不同慢性病在时间上的模式（表明不同种类的慢性疾病之间的时序关系）以及同一慢性疾病的不同阶段之间的模式（表明慢性病不同阶段对应的不同治疗方案）。这两种模式可用于帮助发现慢性病欺诈。本研究的方法能够挖掘白血病等罕见疾病的临床路径,这对于传统的子图挖掘方法是不可能的,因为罕见疾病节点将在寻找频繁候选集步骤中被移除。同时,本研究的方法考虑了同一疾病的不同用药阶段,这对于了解慢性疾病进展更有意义。而现有的疾病进展挖掘方法认为相同诊断即是相同疾病并且忽略相同疾病的不同用药阶段。大量实验表明,本研究的方法在识别准确率中可以超过现有方法约20%。4)针对可疑患者欺诈者检测问题,本研究提出基于就诊图的患者欺诈者检测算法,提出就诊网络的概念并捕获患者、就诊记录和医院之间的相互关系。由于医疗保健治疗的复杂性和连续性,很难通过单一的就诊记录来判断欺诈行为。已有的欺诈者检测方法通常考虑实体的行为并将欺诈者视为异常,忽略了不同实体间的复杂关系。本研究利用患者可信度,就诊真实性和医院权威值之间的相互关系来检测患者欺诈者。该方法显示了就诊图中的信息如何指出欺诈者的原因,并揭示了不同类型的欺诈者的重要线索。实验结果表明该方法的准确率要比已有算法高出超过10%。
沈筱譞[3]（2020）在《深度学习推荐方法及应用研究》文中提出当前,云计算、大数据和人工智能等信息技术的飞速发展,在线教育的适应性学习越来越引起教育信息技术领域专家研究的关注。现阶段,教育发展过程中面临着优质资源供给不足、规模化教育与人才差异化成长需求之间矛盾。因此,迫切需要构建一种既能汇聚各种优质资源又能提供个性化服务的技术体系,这是实现公平而有质量的教育目标必须直面的科学和技术问题。论文以在线教育面对的大量用户、海量教学内容为研究场景,以为学习者提供个性化、智能化的学习服务为目的,针对传统推荐系统中存在的数据稀疏、不平衡,算法扩展性不足,算法效率低、可用性低,鲁棒性欠佳等问题,对在线学习环境中的智能化、个性化资源推荐方法展开研究。论文的主要研究内容和创新性主要体现在四个方面。针对传统推荐数据不平衡与算法扩展性不足的问题,提出了一种新的推荐深度矩阵分解模型（DMF）。模型利用深度神经网络将用户和对象的各类输入信息进行特征提取,在此基础上通过构建特征转移函数,以生成用户和对象的隐含因子,最终通过训练实现内容推荐。借助特征转移函数,模型可以有能力去融合各类信息,提高了模型的扩展性,并且能够有效缓解数据不平衡对算法的影响;其次,针对深度学习推荐算法普遍的,算法效率低、可用性不足的问题,构建了隐含反馈嵌入算法,将原本高维稀疏的隐含反馈数据进行嵌入学习将其表示为一个低维实值向量从而极大地降低模型的参数规模并提高模型效率。针对推荐系统中的数据稀疏性问题,基于深度矩阵分解模型提出了一种优化的深度变分矩阵分解模型（DVMF）。模型将用户与对象的隐含因子进行全贝叶斯处理看作一个随机变量,这种假设更符合用户喜好具有动态性的实际情况,且全贝叶斯处理的模型能够有效地缓解模型在数据稀疏情况下造成的过拟合问题。其次,深度变分矩阵分解模型使用了变分推断技术与重参数化采样方法使模型能够通过随机的梯度方法进行模型优化,使其能够应对大规模数据场景,提高了模型训练效率与可用性。针对一般机器学习模型面对对抗攻击时鲁棒性不足的问题,提出了两个对抗深度隐含因子模型（ADLFM）。模型在深度矩阵分解模型的基础上构建了两种针对它的对抗攻击:针对输入信息的对抗攻击与针对隐含因子的对抗攻击,之后提出了相应的对抗训练方法,有效提高了模型对对抗攻击的鲁棒性;模型针对对抗样本生成的优化问题,提出了一个对抗样本的显式近似解法,能够不通过迭代求解的模式直接生成对抗样本,极大地提高了模型的训练效率。针对推荐系统中数据稀疏与不均衡的问题,基于图信息汇聚的思想提出了一个分离图神经推荐模型（SGNR）。模型将用户和对象的群体特征进行建模,抽取群体的协同特征有效地缓解数据稀疏与不平衡问题;针对一般推荐系统中异质信息网络难建模的问题,提出了图分离的思想,将推荐系统中的数据图进行分离,分离成用户关系图和对象关系图两个同质信息网络,使得建模过程变得简单;针对传统图神经网络难以实施随机或小批量的优化问题,将传统图神经网络中信息汇聚过程与神经网络的非线性转化过程进行分离,使得模型可以使用小批量的优化方法进行优化,提高模型的效率与可用性。利用实际的在线学习环境中搜集相关数据与经典推荐系统数据集对所提出的四个推荐模型进行了算法验证与分析。实验结果表明所提出的算法在性能方面普遍优于当前的主流推荐方法。
曹欣[4]（2020）在《基于势博弈的群智感知分布式任务调度与激励机制》文中研究表明随着物联网技术的快速发展,对数据感知和数据传输的需求也逐步增大。传统的传感器网络,通常需要部署大量传感器节点来保证区域覆盖和连接,不仅成本很高,而且灵活性很差,无法快速适应环境和需求的变化。为节约成本和扩大时空覆盖率,研究者提出了群智感知系统,利用智能手机等智能移动设备作为传感设备执行不同的数据感知任务。群智感知系统通常有两种工作模式:由平台制定任务调度决策的“平台为中心”工作模式和由用户决定自身任务调度策略的“用户为中心”工作模式。本文将对这两种工作模式进行系统的研究,比较两种模式的优劣,并进行激励机制的设计。本文首先对上述两种工作模式下的任务调度策略进行了分析和对比。具体地说,考虑一个由多个任务和多个移动设备用户组成的通用群智感知模型,其中每个任务和每个设备都有特定的位置（位置相关）和存活时间（时间敏感）,且不同设备完成不同任务的质量和代价均不相同（质量异构）。基于此模型,首先分析了“平台为中心”模式下的全局最优解,然后建立了“用户为中心”模式下分布式任务调度博弈模型,并通过势博弈理论求出博弈的均衡解。通过仿真和分析发现,博弈均衡解跟全局最优解有巨大的性能差距,且该差距随不同系统参数的变化而变化,这为下文激励机制的设计提供了理论依据和参考。基于上述调度策略的研究,本文进一步对激励机制进行了研究,及如何设计一种合理的激励机制来驱动用户做出理性的策略,使“用户为中心”模式下的博弈均衡解逼近或实现全局最优解。为了实现该目标,提出了一个新颖的基于税收框架的激励机制,其核心思想是通过征税改变用户的自私策略,达到理性选择的目的。进一步给出了最优征税方案,证明了该方案下博弈均衡解可完全实现全局最优解。综上所述,本文对比了移动群智感知系统中平台主导型的全局最优任务调度策略和用户主导型的博弈均衡任务调度策略,针对两者的差距设计了一种新颖的激励机制,使得博弈均衡解实现全局最优解。
李连阳[5]（2018）在《基于演化博弈的多智能体系统社会化行为研究》文中研究表明随着深度学习技术的成熟,人工智能正在逐步从尖端科技走向日常生活,因此对人工智能的进一步分析和发展技术——群体智能,开始被大量学者所关注研究,而群体智能中社会化行为的合作行为与恶意行为是目前研究的难点与热点。演化博弈理论为这一问题提供了有力的理论模型,在演化博弈里我们可以构建出一个泛型的博弈生态模型。在这个模型中,我们能够方便地观察智能群体中各个智能体的社会化行为,及时了解到相应行为变化对整体系统所产生的影响。在这样宏观和微观的全方位研究中,如何找出多智能体系统中的策略均衡点,以及如何调整影响因素、设计合理的机制来引导智能体的博弈行为,从而达到我们想要的多智能体自适应系统,是本文研究的重点。为了解决上述问题,本文从博弈论的角度出发研究,主要从两个方面来分别深入探究合作行为和恶意行为,一方面是在囚徒困境中通过学习范围增强机制来研究多智能体系统的合作水平。另一方面是以网络安全为背景,结合探测机制和置信度算法提出多个新型模型来研究网络攻防中的博弈。本文的主要研究工作如下:首先,我们探讨了博弈论的基本理论框架,博弈生态模型的核心模块运行原理,深入分析了演化博弈论中的群体动力学:复制动力学和稳定演化策略。同时也介绍了常见的博弈困境模型,以及在不同空间结构上的博弈演化。社会化的合作行为研究中,本文在基于演化博弈理论的框架上,提出了学习范围增强的机制,针对囚徒博弈模型进行了一系列的实验研究,主要探究了以下三个方面:学习范围对系统合作率的影响,学习范围与博弈网络大小的关系,学习范围与空间结构的关系。研究发现并非直观理解的学习范围越大对系统合作水平促进越高,而是对系统环境有较强的依赖关系,同时在系统合作率的影响上存在阈值。社会化的恶意行为研究中,本文将博弈背景迁移到网络安全领域上,分析和研究了网络安全博弈中的身份隐藏性、信息不对称和危害性等特点,同时抽象出探测机制功能,基于贝叶斯置信度模型,提出具有一定创新意义的相对历史收益模型,弥补了贝叶斯模型的不足之处,最后结合两个模型的优点,进一步得到了贝叶斯改进模型,从理论推导到实验验证,多个方位探究新模型对结果的综合影响,以此来构造一个弹性安全网络。
蹇晨雨[6]（2017）在《探究游戏模型中的概率问题》文中研究表明日常生活中常见的游戏问题大多能以数学思维进行分析,并加以解决。本文通过对常见游戏的研究,分析常见游戏中蕴含的数学模型,并通过概率论的方法对其进行分析讨论,得到常见游戏中普遍的数学规律,旨在解释看起来公平或者选择"理所应当"的游戏是如何存在概率意义上的必然性。
雷程宇,黄世博[7]（2016）在《“山羊与汽车问题”的一种直观解答方法》文中指出概率在很多学科中都有着重要的应用,在中学数学教学和考试中也越来越受到重视,近几年几乎每届全国高中数学联赛试题中都有一道概率问题.在数学中,没有任何一个分支会像概率这样有这么多的例子表明直觉往往和正确的答案相矛盾."山羊和汽车"问题是众多例子中最着名的一个.本刊2010年第10期的一篇文章中曾经介绍了这一问题,并讲述了由得克萨斯大学数学教授吉尔曼给出
王志杰[8]（2015）在《空间受限移动对象的概率查询处理技术研究与可达区域分析》文中研究指明随着无线网络、计算机存储等技术的高速发展,移动对象数据库作为空间数据库的一个分支正被越来越多的学者所关注。查询处理是移动数据库中一个极为常用的的操作,并且查询移动对象的方式、方法各式各样,从而关于移动对象查询处理技术的研究近年来一直是一个十分活跃的主题。最近,研究者注意到了移动对象位置数据蕴含着不确定性,为了捕获不确定性,许多有代表性的模型相继被提出,并且针对移动对象的概率查询处理也得到了大量的关注,例如概率范围查询、概率最近邻查询、概率地平线查询等等。纵观移动对象概率查询处理技术的发展历程,我们发现存在的工作大致可以归为两大类:一类是假定对象没有任何限制的自由运动在二维空间;另外一类是假定对象按照预设定的路径运动在道路网络中。这两类工作已经有大量的研究结果被报道,然而,关于空间受限移动对象的概率查询处理,很少有相关的报道。鉴于这一原因,本文以空间受限移动对象作为研究客体,考虑如何有效地回答概率查询,并探讨其他相关的问题。本文的创造性研究成果主要有:（1）提出了面向空间受限不确定移动对象的概率范围查询,分析了该问题的特性,证明了简单地适应存在的方法是不可行的,并发展了有效的解,其关键思想是使用一种称之为前置逼近的策略。此外,基于两个重要的洞悉,进一步优化了我们的方法。实验结果说明了提出方法的优越性,同时报告了一个额外的发现,即基于预计算的方法消耗较长的预计算时间。这一额外的发现为将来的研究提供了重要的指示信号。（2）提出了显式和隐式的约束空间概率阈值范围查询,阐明了传统的概率阈值范围查询技术不适用于我们的情形。为此,发展了一套新的技术回答显式的查询,其关键的思想是交换几何操作的顺序、以及采用多步方式计算呈现的概率。随后,扩展这些技术回答隐式查询,其中增强的多步机制被提出。进一步地,基于新的洞悉”不同的候选移动对象可能共享相同的候选局限区域”,继续优化了提出的方法。此外,对提出的算法给出了严格的理论分析,并展示了这些技术易于扩展到处理其他概率阈值查询。最后,通过大量的实验验证了提出方法的效率和有效性,且进一步说明了显式和隐式查询的区别。（3）提出了移动对象可达区域计算问题,证明了所谓的大致解是不正确的。首先发展了一个简单版本的算法,其基本思想是将该问题归约为计算一系列环可视区域的布尔并集,该算法复杂度为O（n3）。通过分析其主导性的步骤,我们整合了最短路径图技术突破其瓶颈,获得了一个O（n2 log n）算法。最后,对最短路径图的特性给出了一些新的洞悉,并利用这些特性构造了最终的算法,该算法获得了O（n log n）最坏情形下的上边界。（4）指出了圆弧多边形是二次曲线多边形的一种特殊情形,并阐述了圆弧多边形的布尔操作也有许多的应用。随后,设计了一个精简的、易于操作的数据结构,并基于该数据结构发展了一个针对性的算法来处理圆弧多边形的布尔操作。理论分析和大量的实验验证了提出方法的优越性。
陈兰兰,魏蕾[9]（2012）在《例谈概率在生活中的应用》文中研究说明随着科学的发展,概率作为数学的一个重要部分,在我们的生活中几乎无处不在.本文通过生日问题、保险的理赔问题、抽签的公平性问题等给出了在日常生活中关于概率应用的一些有趣的例子.
王佩其[10]（2011）在《概率的趣味——概率与统计聊天记》文中进行了进一步梳理统计:概率老弟,你今天怎么有空来串门?概率:为了让同学们考出好成绩,我今天特意抽空来和你切磋一下.统计:不客气,我们本来就是一家嘛.一家人不说两家话,那你说切磋什么呀?概率:当然是考试常考的知识点,或叫考点.统计:说起我统计的考点,那可是多了去了,有随机事件的抽样方法,有分条形图、折线图、直方图、
二、几个有趣的概率问题（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、几个有趣的概率问题（论文提纲范文）
（1）电子在材料中的非弹性散射平均自由程的理论研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 电子非弹性平均自由程(IMFP)及其在定量表面分析中的应用 |
| 1.1.1 IMFP |
| 1.1.2 IMFP在定量表面分析中的应用 |
| 1.2 IMFP的获得方法 |
| 1.2.1 预测公式用于计算IMFP |
| 1.2.2 IMFP的理论计算 |
| 1.2.3 IMFP的实验获得 |
| 1.2.4 实验获得IMFP中的问题 |
| 1.3 本章小结 |
| 第2章 电子散射理论及电子能谱的Monte Carlo模拟 |
| 2.1 弹性散射理论 |
| 2.1.1 Mott截面 |
| 2.1.2 弹性散射势场 |
| 2.1.3 电子发生弹性散射的总截面及输运截面 |
| 2.2 非弹性散射理论 |
| 2.2.1 介电函数理论 |
| 2.2.2 表面等离激元激发 |
| 2.3 能量损失函数(ELF)的外推方法 |
| 2.3.1 Full-Pen算法与单极近似 |
| 2.3.2 Ritchie-Howie方法及其简化方法 |
| 2.3.3 不同ELF外推方法的比较 |
| 2.4 电子能谱的Monte Carlo模拟 |
| 2.4.1 电子在材料内部输运的Monte Carlo方法模拟 |
| 2.4.2 电子在样品表面输运的Monte Carlo方法模拟 |
| 2.5 本章小结 |
| 第3章 逆Monte Carlo(RMC)方法从反射电子能量损失谱(REELS)实验数据中提取IMFP |
| 3.1 研究现状 |
| 3.2 RMC方法的原理 |
| 3.3 对过渡金属材料Cr、Co、Pd的再分析 |
| 3.3.1 相比之前方法的改进 |
| 3.3.2 光学ELF、介电函数、光学常数的提取 |
| 3.3.3 求和规则检验 |
| 3.3.4 IMFP的计算 |
| 3.4 对重金属Ir (Z=77)的分析 |
| 3.4.1 研究背景 |
| 3.4.2 光学ELF、介电函数、光学常数的提取 |
| 3.4.3 求和规则检验 |
| 3.4.4 IMFP的计算 |
| 3.5 对轻元素无定形态C(Z=6)的分析 |
| 3.5.1 研究背景 |
| 3.5.2 光学ELF、介电函数、光学常数的提取 |
| 3.5.3 求和规则检验 |
| 3.5.4 a-C材料密度依赖的ELF |
| 3.5.5 IMFP的计算 |
| 3.6 对半导体材料Si、Ge的分析 |
| 3.6.1 研究背景 |
| 3.6.2 FPA-Ritchie-Howie模型 |
| 3.6.3 光学ELF、介电函数、光学常数的提取 |
| 3.6.4 求和规则检验 |
| 3.6.5 IMFP的计算 |
| 3.7 本章小结 |
| 第4章 从石墨烯的弹性透射率与弹性反射率中提取EMFP和IMFP |
| 4.1 研究背景 |
| 4.2 Geelen分析中的不自洽性 |
| 4.3 VT近似和ZT近似 |
| 4.4 对Geelen的弹性透射率与弹性反射率数据的再分析 |
| 4.5 ZT近似中的误差分析 |
| 4.5.1 截断带来误差及其误差分析 |
| 4.5.2 条件数的数值计算 |
| 4.5.3 弹性散射角的二值化——两组分ZT模型与三组分ZT模型 |
| 4.6 关于不同实验数据之间较大偏差的讨论 |
| 4.7 本章小结 |
| 第5章 背散射电子信号的定量分析研究 |
| 5.1 从背散射电子背景中提取IMFP |
| 5.1.1 研究背景 |
| 5.1.2 背散射电子背景定量分析方法 |
| 5.1.3 实验数据来源 |
| 5.1.4 AES能谱的绝对强度 |
| 5.1.5 模拟的背散射电子绝对强度与实验结果的比较 |
| 5.1.6 从背散射电子能谱中提取IMFP——简单测试 |
| 5.1.7 一般化方法 |
| 5.2 Mo和W材料背散射系数计算 |
| 5.2.1 研究背景 |
| 5.2.2 Monte Carlo模型介绍 |
| 5.2.3 背散射电子能谱、平均能量、背散射系数计算 |
| 5.2.4 背散射电子的最大穿透深度 |
| 5.2.5 不确定度分析 |
| 5.3 本章小结 |
| 第6章 REELS能谱的定量分析研究 |
| 6.1 表面电子能谱中表面激发、体激发和begrenzungs效应组分的分离 |
| 6.1.1 研究背景 |
| 6.1.2 方法介绍 |
| 6.1.3 对Si的REELS能谱的定量分析 |
| 6.2 电子与材料表面相互作用中负微分非弹性散射截面的讨论 |
| 6.2.1 物理学中的负概率 |
| 6.2.2 电子与材料表面相互作用时微分非弹性散射截面(DIIMFP)及总截面中负值的讨论 |
| 6.2.3 负值非弹性散射截面对REELS能谱模拟的影响 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 参考文献 |
| 附录A 光学常数、介电函数、能量损失函数的求和规则检验 |
| A.1 几个常见的求和规则 |
| A.1.1 振子强度求和规则 |
| A.1.2 振子强度求和规则的RMS偏差 |
| A.1.3 完美屏蔽求和规则 |
| A.1.4 惯性求和规则 |
| A.1.5 直流电导求和规则 |
| A.2 求和规则的简单证明 |
| 附录B 原子散射因子与光学常数、介电函数的关系 |
| B.1 基于原子散射因子计算介电函数、光学常数、ELF |
| B.2 不同密度的a-C材料的介电函数、光学常数、ELF的计算 |
| 附录C 三组分ZT模型 |
| C.1 模型介绍 |
| C.2 两组分ZT模型与三组分ZT模型的比较 |
| C.3 三组分ZT模型的计算公式 |
| 附录D 量子力学框架下的表面等离激元激发 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于异构信息网络的医疗保险反欺诈关键问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 医疗保险欺诈识别存在挑战 |
| 1.3 研究内容 |
| 1.4 本文主要贡献 |
| 1.5 本文结构 |
| 第二章 反欺诈相关工作 |
| 2.1 反欺诈分类算法 |
| 2.2 反欺诈聚类算法 |
| 2.3 反欺诈离群点检测算法 |
| 2.4 反欺诈模式挖掘算法 |
| 2.5 反欺诈图挖掘算法 |
| 2.6 反欺诈深度学习算法 |
| 2.7 本章小结 |
| 第三章 基于患者集散程度的医疗保险欺诈者检测 |
| 3.1 引言 |
| 3.2 医疗保险欺诈者检测相关研究 |
| 3.3 问题定义 |
| 3.4 基于患者集散程度的医疗保险欺诈者检测 |
| 3.4.1 相似度计算及患者入院图构建 |
| 3.4.2 基于图的密度峰值聚类及群组语义提取 |
| 3.4.3 基于患者集散程度的医疗欺诈者检测 |
| 3.5 实验 |
| 3.5.1 实验设置 |
| 3.5.2 结果及分析 |
| 3.6 结论 |
| 第四章 基于特异群组的合谋医疗欺诈检测 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 问题定义 |
| 4.4 基于特异群组的合谋欺诈检测 |
| 4.4.1 人物相似度计算 |
| 4.4.2 特异群组挖掘 |
| 4.4.3 特征选择 |
| 4.5 实验 |
| 4.5.1 实验设置 |
| 4.5.2 结果及分析 |
| 4.6 结论 |
| 第五章 基于频繁子图挖掘和社区划分的慢性病欺诈识别 |
| 5.1 引言 |
| 5.2 相关研究 |
| 5.3 问题定义 |
| 5.4 基于频繁子图挖掘和社区划分的慢性病欺诈识别 |
| 5.4.1 就医时序图构造 |
| 5.4.2 有约束的频繁疾病诊疗子图挖掘 |
| 5.4.3 疾病进展基图构建 |
| 5.4.4 慢性疾病进展挖掘 |
| 5.4.5 慢性疾病欺诈检测 |
| 5.5 实验 |
| 5.5.1 实验设置 |
| 5.5.2 结果及分析 |
| 5.6 结论 |
| 第六章 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.3.1 观察与假设 |
| 6.3.2 问题定义 |
| 6.3.3 患者可信度 |
| 6.3.4 就诊真实性 |
| 6.3.5 医院权威值 |
| 6.3.6 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.4 实验 |
| 6.4.1 实验设置 |
| 6.4.2 结果及分析 |
| 6.5 结论 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与科研项目情况 |
| 附录A 外文论文一 |
| A.1 Introduction |
| A.2 Related Work |
| A.3 Problem Definition |
| A.4 Patient Cluster Divergence based Healthcare Insurance FraudsterDetection |
| A.4.1 Similarity Measurement and Patient Hospital AdImissionGraph Construct |
| A.4.2 Graph based Density Peak Clustering and Cluster Seman-tic Interpretation Extraction |
| A.4.3 Patient Cluster Divergence based Healthcare Insurance FraudDetection |
| A.5 Experiments |
| A.6 Conclusion |
| A.7 References |
| 附录B 外文论文二 |
| B.1 Introduction |
| B.2 Related Work |
| B.3 Problem Definition |
| B.4 Heterogeneous Network based Chronic Disease Progression Min-ing |
| B.4.1 Health seeking temporal graph construct |
| B.4.2 Constrained Frequent disease-process subgraph mining |
| B.4.3 Base Disease Progression Network Construct |
| B.4.4 Heterogeneous network basedchronic disease progressionmining |
| B.4.5 Chronic disease fraud detection |
| B.5 Experiments |
| B.6 Conclusion |
| References |
| 学位论文评阅及答辩情况表 |
（3）深度学习推荐方法及应用研究（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 |
| 1.2.1 学习资源推荐算法 |
| 1.2.2 经典推荐算法与发展 |
| 1.2.3 深度学习推荐算法 |
| 1.2.4 未来的挑战 |
| 1.3 论文主要内容与组织架构 |
| 第2章 推荐系统相关研究 |
| 2.1 协同过滤算法 |
| 2.1.1 基于最近邻的协同过滤算法 |
| 2.1.2 基于模型的协同过滤算法 |
| 2.2 基于深度学习的推荐算法 |
| 2.2.1 隐含因子先验估计模型 |
| 2.2.2 基于深度学习的推荐框架 |
| 第3章 深度矩阵分解模型 |
| 3.1 算法动机 |
| 3.2 算法模型 |
| 3.2.1 深度矩阵分解模型的框架 |
| 3.2.2 隐含反馈嵌入与数据准备 |
| 3.2.3 深度矩阵分解与特征转移函数 |
| 3.3 模型优化 |
| 3.3.1 隐含反馈嵌入模型的优化 |
| 3.3.2 深度矩阵分解模型的优化 |
| 3.3.3 超参数讨论 |
| 3.4 实验及结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果与讨论 |
| 3.5 小结 |
| 第4章 深度变分矩阵分解模型 |
| 4.1 算法动机 |
| 4.2 算法模型 |
| 4.2.1 深度变分矩阵分解模型的框架 |
| 4.2.2 变分矩阵分解模型 |
| 4.2.3 参数推断模型 |
| 4.2.4 知识嵌入模型 |
| 4.3 模型优化 |
| 4.3.1 变分矩阵分解模型与参数推断模型的优化 |
| 4.3.2 知识嵌入模型的优化 |
| 4.3.3 超参数讨论 |
| 4.4 实验及结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与讨论 |
| 4.5 小结 |
| 第5章 对抗深度隐含因子模型 |
| 5.1 算法动机 |
| 5.2 算法模型 |
| 5.2.1 深度隐含因子模型 |
| 5.2.2 针对深度隐含因子模型的对抗攻击 |
| 5.2.3 对抗深度隐含因子模型 |
| 5.3 模型优化 |
| 5.3.1 优化对抗隐含因子模型 |
| 5.3.2 优化对抗扰动 |
| 5.3.3 超参数讨论 |
| 5.4 实验及结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果与讨论 |
| 5.5 小结 |
| 第6章 分离图神经推荐模型 |
| 6.1 算法动机 |
| 6.1.1 图神经网络 |
| 6.1.2 推荐系统 |
| 6.2 算法模型 |
| 6.2.1 数据准备模块 |
| 6.2.2 隐含因子生成模块 |
| 6.2.3 评分预测模块 |
| 6.3 模型优化 |
| 6.3.1 优化分离图神经推荐模型 |
| 6.3.2 超参数讨论 |
| 6.4 实验及结果分析 |
| 6.4.1 实验设置 |
| 6.4.2 实验结果与讨论 |
| 6.5 小结 |
| 第7章 推荐方法的教育应用研究 |
| 7.1 应用背景 |
| 7.1.1 数据来源 |
| 7.1.2 数据描述 |
| 7.1.3 数据处理与数据集构建 |
| 7.2 实施策略 |
| 7.2.1 评价指标 |
| 7.2.2 对比模型 |
| 7.2.3 实验数据集与环境 |
| 7.3 应用结果与分析 |
| 7.3.1 算法准确率分析 |
| 7.3.2 算法效率分析 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
（4）基于势博弈的群智感知分布式任务调度与激励机制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状及分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 国内外研究现状分析 |
| 1.3 论文的主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 移动群智感知与博弈论基础 |
| 2.1 引言 |
| 2.2 移动群智感知网络基础知识 |
| 2.2.1 移动群智感知网络概述 |
| 2.2.2 移动群智感知基本流程框架 |
| 2.2.3 移动群智感知激励机制 |
| 2.3 博弈论基础知识 |
| 2.3.1 博弈论概述 |
| 2.3.2 博弈论的模型 |
| 2.3.3 均衡分析 |
| 2.4 势博弈 |
| 2.4.1 势博弈概述 |
| 2.4.2 势博弈特点 |
| 2.5 本章小结 |
| 第3章 分布式任务调度博弈分析 |
| 3.1 引言 |
| 3.2 建立网络模型 |
| 3.2.1 网络模型概述 |
| 3.2.2 系统模型特征 |
| 3.2.3 质量函数 |
| 3.2.4 模型参量 |
| 3.2.5 模型的可行性 |
| 3.3 基于中心式任务调度的全局最优解 |
| 3.4 基于势博弈的纳什均衡 |
| 3.5 仿真分析及结果对比 |
| 3.5.1 理论发现 |
| 3.5.2 参数设置 |
| 3.5.3 仿真结果 |
| 3.6 本章小结 |
| 第4章 分布式任务调度的激励机制设计 |
| 4.1 引言 |
| 4.2 个人所得税模型 |
| 4.3 基于个人所得税模型的激励机制设计 |
| 4.3.1 个税模型的概述 |
| 4.3.2 个税模型的特征 |
| 4.3.3 基于个税机制的博弈 |
| 4.4 所得税机制的仿真 |
| 4.4.1 理论发现和应用场景 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）基于演化博弈的多智能体系统社会化行为研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 1.4 论文组织结构 |
| 第2章 博弈论介绍及运用 |
| 2.1 博弈论基础理论概述 |
| 2.2 纳什均衡 |
| 2.3 演化博弈论 |
| 2.3.1 演化博弈论模型 |
| 2.3.2 复制动态和演化稳定策略 |
| 2.4 演化博弈实验环境 |
| 2.4.1 博弈困境 |
| 2.4.2 策略更新规则 |
| 2.4.3 网络结构 |
| 2.5 本章小节 |
| 第3章 社会化的合作行为研究 |
| 3.1 协同合作的应用概述 |
| 3.2 基于演化博弈的学习范围增强模型 |
| 3.2.1 博弈矩阵 |
| 3.2.2 博弈网络 |
| 3.2.3 学习范围增强机制 |
| 3.3 实验与分析 |
| 3.3.1 学习范围对系统合作比的影响 |
| 3.3.2 学习范围与网络大小的关系 |
| 3.3.3 学习范围与空间结构的关系 |
| 3.4 本章小节 |
| 第4章 社会化的恶意行为研究 |
| 4.1 博弈论在网络安全领域的应用概述 |
| 4.2 博弈环境描述 |
| 4.2.1 网络安全与欺骗探测技术 |
| 4.2.2 攻防博弈场景描述 |
| 4.2.3 博弈矩阵 |
| 4.2.4 纳什均衡分析 |
| 4.3 攻防博弈模型 |
| 4.3.1 贝叶斯博弈模型 |
| 4.3.2 相对历史收益博弈模型 |
| 4.3.3 贝叶斯改进模型 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 攻读硕士学位期间所发表的学术论文目录 |
| 附录B 攻读硕士学位期间所参与的学术科研活动 |
| 致谢 |
（6）探究游戏模型中的概率问题（论文提纲范文）
| 一、游戏问题的相关背景 |
| 二、常见的游戏问题分析 (1) 报数问题 (报30问题) |
| 三、游戏中蕴含的思想与启示 |
| 1. 抽象问题:从数字1到9之间任选两数并做求和运算, 其结果为奇数还是偶数的概率是否相等? |
| 3. 结果分析: |
（8）空间受限移动对象的概率查询处理技术研究与可达区域分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 空间受限移动对象的概念 |
| 1.3 空间受限移动对象概率查询的重要性 |
| 1.4 空间受限移动对象可达区域分析的意义 |
| 1.5 本文的工作 |
| 第二章 面向空间受限不确定移动对象的概率范围查询 |
| 2.1 引子 |
| 2.2 相关工作 |
| 2.3 问题定义 |
| 2.4 问题分析 |
| 2.5 我们的解决方法 |
| 2.5.1 前置逼近 |
| 2.5.2 基于标签的数据结构 |
| 2.5.3 选择真正的不确定区域 |
| 2.5.4 呈现的概率 |
| 2.5.5 查询处理 |
| 2.6 进一步优化 |
| 2.6.1 有效子分 |
| 2.6.2 跨度 |
| 2.7 基于预计算的方法 |
| 2.8 性能研究 |
| 2.8.1 实验设置 |
| 2.8.2 结果 |
| 2.9 结论 |
| 第三章 显式和隐式的约束空间概率阈值范围查询 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 问题定义 |
| 3.3.1 问题设置和符号 |
| 3.3.2 问题声明 |
| 3.3.3 基准方法 |
| 3.4 显式的约束空间概率阈值范围查询 |
| 3.4.1 空间修剪/验证规则 |
| 3.4.2 阈值修剪/验证规则 |
| 3.4.3 关于显式的约束空间概率阈值范围查询的查询 |
| 3.5 隐式的约束空间概率阈值范围查询 |
| 3.5.1 增强的多步计算 |
| 3.5.2 关于隐式约束空间概率阈值范围查询的查询处理 |
| 3.6 进一步优化 |
| 3.7 实验评估 |
| 3.7.1 实验设置 |
| 3.7.2 性能研究 |
| 3.8 结束语 |
| 附录 |
| 第四章 计算移动对象可达区域 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 问题定义和符号 |
| 4.2.2 关于“大致解”的分析 |
| 4.3 一个O(n~3) 算法 |
| 4.3.1 归约 |
| 4.3.2 计算环可视区域 |
| 4.3.3 算法 |
| 4.4 一个O(n~2 log n)算法 |
| 4.4.1 最短路径图预备知识 |
| 4.4.2 构造线段障碍物情形下的SP M (s′) |
| 4.4.3 算法 |
| 4.5 一个O(nlog n) 算法 |
| 4.5.1 最短路径图SP M (s)的区域 |
| 4.5.2 算法 |
| 4.6 结束语 |
| 附录 |
| 第五章 计算圆弧多边形布尔操作 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 传统多边形的布尔操作 |
| 5.2.2 二次曲线/通用（conic/general）多边形的布尔操作 |
| 5.3 预备知识 |
| 5.3.1 基本概念 |
| 5.3.2 表示 |
| 5.3.3 算法的上层 |
| 5.4 算法RE2L的核心 |
| 5.4.1 相关边 |
| 5.4.2 两个顺序列表 |
| 5.4.3 两个标签 |
| 5.4.4 算法 |
| 5.5 两个新的链表 |
| 5.5.1 新的附加点 |
| 5.5.2 分解弧 |
| 5.5.3 算法 |
| 5.6 遍历 |
| 5.6.1 入-出属性 |
| 5.6.2 遍历规则 |
| 5.6.3 算法 |
| 5.7 时/空复杂度 |
| 5.8 性能评估 |
| 5.8.1 方法 |
| 5.8.2 实验设置 |
| 5.8.3 实验结果 |
| 5.9 扩展 |
| 5.10 结论 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读学位论文期间发表的学术论文目录 |
（9）例谈概率在生活中的应用（论文提纲范文）
| 一、生日问题 |
| 二、保险的理赔问题 |
| 三、抽签的公平性问题 |
四、几个有趣的概率问题（论文参考文献）
- [1]电子在材料中的非弹性散射平均自由程的理论研究[D]. 杨立浩. 中国科学技术大学, 2021(09)
- [2]基于异构信息网络的医疗保险反欺诈关键问题研究[D]. 孙晨菲. 山东大学, 2020(01)
- [3]深度学习推荐方法及应用研究[D]. 沈筱譞. 华中师范大学, 2020(01)
- [4]基于势博弈的群智感知分布式任务调度与激励机制[D]. 曹欣. 哈尔滨工业大学, 2020(01)
- [5]基于演化博弈的多智能体系统社会化行为研究[D]. 李连阳. 湖南大学, 2018(01)
- [6]探究游戏模型中的概率问题[J]. 蹇晨雨. 科学中国人, 2017(24)
- [7]“山羊与汽车问题”的一种直观解答方法[J]. 雷程宇,黄世博. 数学通讯, 2016(17)
- [8]空间受限移动对象的概率查询处理技术研究与可达区域分析[D]. 王志杰. 上海交通大学, 2015(02)
- [9]例谈概率在生活中的应用[J]. 陈兰兰,魏蕾. 数学学习与研究, 2012(19)
- [10]概率的趣味——概率与统计聊天记[J]. 王佩其. 新高考(高二语数外), 2011(10)