一、置信区间的两种对称性（论文文献综述）
刘姝[1]（2017）在《二维到三维人脸美丽预测研究》文中指出人脸美是一个复杂且难以穷尽的话题,神秘的是美丽就公开地“写”在脸上,人们能很容易地感知它,却仍旧无法确切地告知美在何处。追求美丽容颜的天性促使着多个学科领域内的研究者们开展客观而精妙的面部美学构成分析。随着视觉化时代的来临,人脸图像遍布社会生活的方方面面,从计算科学的角度对人脸美丽程度进行科学、定量的描述不仅为其他学科的交叉研究带来新思路,也为众多行业内的实际应用提供技术支持,因而具有重要科学意义和广阔应用前景。本文借助图像处理、计算机视觉、和机器学习技术对人脸美丽预测这一新兴课题展开详细研究,从二维到三维领域探索人脸的美丽要素,建立与人脑感知类似的美丽预测模型。本文取得的主要贡献及创新性成果包括:（1）建立了一个满足2D到3D人脸美丽预测研究的实验数据库。对BJUT-3D人脸基础库进行数据预处理和过滤后,筛选出360个符合质量要求的模型样本,构建2D、2.5D、和3D三类人脸数据库。通过精心设计的美丽打分实验和分数验证步骤,记录了48名可靠观测者对2.5D人脸数据库的所有打分分数,以及各观测者的年龄、性别、和种族属性,构成同时面向三类人脸库的美丽分数数据库。这个全新的实验标准库填补了人脸美丽研究中现存数据库在2.5D和3D应用中的空缺,为评估人脸美丽预测方法提供了数据基础。（2）提出了一种基于准则驱动和数据驱动两种特征提取方式进行2D人脸美丽预测的方法。受人脸美学准则和常用描述子的启发,构建了一组准则驱动的几何与表观特征;采用数据驱动的思想构建一个详尽的备选比例集,并提出了一个增量特征选择算法,从中挑选出最显着的特征子集。实验结果表明该特征子集的美丽预测性能超过了准则驱动几何特征及其各种组合,证明了数据驱动方式在提取2D人脸几何特性上的优越性,并且与准则驱动表观特征的融合获得了更好的预测效果。（3）提出了一种利用标记分布学习范式进行2D人脸美丽预测的方案,用标记分布取代平均分数作为人脸美丽的基准描述。将预训练好的深度残差网络迁移至2D美丽特征学习中,并结合一个基于三层神经网络的标记分布学习模型,建立了一个端到端的人脸美丽预测框架。实验结果验证了残差网络学习到的人脸高阶特征在美丽表达上的有效性,以及标记分布学习较单标记学习在美丽学习上的优越性,并且深度特征与低阶几何特征的融合能进一步提升预测准确度。（4）提出了一种基于数据驱动几何特征的2.5D人脸美丽预测方法,通过数据驱动式特征提取和增量式特征选择,从正面和侧面人脸中获得最具美丽鉴别力的比例、夹角、和倾角特征,利用分数融合方式建立了2.5D美丽预测模型,获得了比正、侧面模型更好的预测性能。还研究了群体分类特征在人脸美丽评判中的作用,将其引入美丽建模过程,定制出一个适应于相应观测群体的美丽预测模型。该定制模型的预测性能虽逊色于平均化模型,但却更好地匹配了不同群体间的美丽评判标准。（5）提出了一种基于准则驱动和数据驱动几何特征的3D人脸美丽预测方法,利用这两种特征提取方式探索式地挖掘出与美丽相关的3D几何特征,包括由2D空间直接推广至3D空间的现有特征,即形状算子和欧式比例,以及立足于人脸三维结构而设计的专属特征,即曲率算子和测地比例。实验结果证实了数据驱动方式在提取3D人脸美丽表达上的有效性,3D几何特征较2D特征在捕捉人脸几何特性上的优越性,以及适应于3D数据源的专属特征较直接推广特征在刻画人脸美丽上的优越性。
敖犀晨[2]（2012）在《规范引力下的宇宙学》文中研究表明上世纪90年代末，人们通过对Ia型超新星的观测发现了宇宙不仅在膨胀更是在加速膨胀，这违背了人们关于引力的根本认识。为了解释这个不可思议的现象，理论学家提出了各种模型。本文主要研究了两类规范引力框架下的宇宙学模型，尝试在这种框架下解释宇宙加速膨胀。在第一部分中，我们简单介绍了规范理论的发展历史和引力的规范理论的基本思想，接着重介绍了彭加莱规范理论，给出了该理论的引力场方程。在第二部分中，我们主要研究了彭加莱规范引力下的SNY宇宙学模型，即仅含挠率的0+模部分的模型。通过对其演化方程的分析，我们得到了曲率为特定常数情况下的一组精确解。但是由于这组精确解违背某些物理原理，无法描述真实世界，所以需要考虑曲率非常数的情况。我们把整个演化过程分解成过去和将来两个部分分别讨论，通过级数展开的办法得到了关于过去时刻的解析解和将来时刻的近似解。然后我们利用这些解析结果与超新星观测数据进行了比对，得到了模型参数和系统初值条件的最佳拟合值，同时我们也给出了相应的置信区间，限定了模型参数的选取。最后我们利用这些限制数值求解方程，验证了前面的解析结果。在本文的第三部分中，我们研究了另一类规范引力理论，德西特规范引力理论下的宇宙学。我们将宇宙演化方程改写成一组动力学方程，并对其进行动力学分析，得到9个临界点及其相应的稳定性，由此得到了关于宇宙末期演化的定性结论。接着我们将该模型与超新星数据进行拟合，得到了模型参数和系统初值条件的最佳拟合值以及相应的置信区间，限定了模型参数。最后与前面对彭加莱规范引力宇宙学中的处理一样，我们利用对参数的限定，数值求解演化方程，验证前面动力学分析的定性结果。
李万斌[3]（2010）在《基于充分统计量的一种枢轴量构造方法》文中研究说明通过分析构造枢轴量进行置信区间估计的过程,说明参数估计中优良的点估计与区间估计的关系。在此基础上,根据Lehmann-Sheffe定理说明充分统计量在构造枢轴量进行置信区间估计时的作用,指出了在进行置信区间估计时利用充分统计量构造枢轴量的有效途径。
孙慧玲[4]（2009）在《取定统计量下最优置信区间的估计》文中进行了进一步梳理参数的区间估计是一种基本的统计推断形式。它根据枢轴量的分布,在一定可靠度下指出被估计的总体参数所在的可能范围。Neyman的置信区间理论通过给定置信水平以保证一定的可靠度。文章讨论了取定统计量后,置信区间的估计方法以及最优置信区间的确定;并且通过实例与传统方法求得的置信区间进行了比较。结果显示,所求得的最短置信区间有明显的优越性。
孙慧玲[5]（2008）在《用非线性规划证明最短置信区间存在性与唯一性》文中认为参数的区间估计是根据枢轴量的分布,在一定可靠度下指出被估计的总体参数所在的可能范围。衡量一个区间估计的优良性有两点,一是置信水平α（0<α<1）,另一是区间的长度,通常的做法是对给定的置信水平α（如α=0.05或α=0.01）求出相应的置信区间,区间长度越短说明对参数的估计越准确。讨论了最短置信区间存在和唯一性以及最优置信区间的确定。
孙慧玲[6]（2008）在《取定统计量下的最优置信区间分析》文中研究说明参数的区间估计是一种基本的统计推断形式,它根据枢轴量的分布,在一定可靠度下指出被估计的总体参数所在的可能范围。Neyman的置信区间理论通过给定置信水平以保证一定的可靠度。衡量一个区间估计的优良性有两点,一是置信水平α（0＜α＜1）,另一是区间的长度,通常的做法是对给定的置信水平α（如α=0.05或α=0.01）求出相应的置信区间,区间长度越短说明对参数的估计越准确,此时,置信区间的最优性表现为区间长度的最短性。本文观点认为我们可以从正态分布、指数分布、伽玛分布、weibull分布、均匀分布、双参数指数分布等分布中找到这些分布函数的共同点,抓住这些共同点进行研究发现最短区间估计应该是有规律可循。特别是对单峰密度函数,利用非线性规划,可以得出性质比较好的结果,能够解决对不同密度的分布,在给定某一置信水平时,用简单的方法求得最短区间估计。本文将讨论取定统计量后,置信区间的估计方法以及最优置信区间的确定。并且通过实例与传统方法求得的置信区间比较,本文所求得的最短置信区间有明显的优越性,因此,本文的研究有一定的理论和现实意义。
秦祖启,谢民育[7]（2008）在《物种总数的一类Bayes区间估计的改进》文中研究说明通常所使用的由传统方法得到的物种总数的一类Bayes置信区间不是最短的,就此意义而言也不是最优的.本文得到改进后的Bayes区间估计,并在各种有代表性的自由度情形下通过对比指出它相对于传统的Bayes区间估计的优越性所在,由分析可见,改进后的区间估计更能满足生产实践的需要,得到的物种总数的区间估计更为精确.
张红兵,刘瑞元,李杰[8]（2007）在《双参数指数分布参数的最短置信区间》文中研究表明在双参数指数分布的两个参数的区间估计的基础上,利用Lagrange乘子法和函数单调性得到了各参数的最短置信区间的唯一存在性,给出了各参数最短置信区间的表达式及其等距搜索算法.
秦祖启,王彭德[9]（2007）在《置信系数不变下异方差的接受域的优良性及效果研究》文中进行了进一步梳理本文主要采用拉格朗日乘数法,探讨两正态总体方差比的置信区间对应下的假设检验的接受域的优化效果问题。从理论证明和实证的角度得出第一参数和第二参数大小的变化对优化的效果有明显不同的影响,这对实际工作者在实践中调节两参数的大小来得到更为优良的统计结论有较重要的参考意义。
张红兵[10]（2007）在《均匀分布区间长度的最短置信区间》文中研究说明在均匀分布区间长度的区间估计的基础上,利用Lagrange乘子法得到了最短置信区间的唯一存在性,并运用等距搜索法计算得到了3≤n≤50,α=0.05时的最短置信区间表。
二、置信区间的两种对称性（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、置信区间的两种对称性（论文提纲范文）
（1）二维到三维人脸美丽预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状与现存问题 |
| 1.2.1 基于特征表达的人脸美丽预测 |
| 1.2.2 基于整体表达的人脸美丽预测 |
| 1.2.3 基于组合表达的人脸美丽预测 |
| 1.2.4 现存问题 |
| 1.3 论文主要研究内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 全文章节安排 |
| 2 人脸数据库与美丽分数数据库 |
| 2.1 现存数据库简介 |
| 2.2 BJUT-3D人脸数据库 |
| 2.2.1 数据库简介 |
| 2.2.2 人脸数据预处理 |
| 2.2.3 人脸数据过滤 |
| 2.3 美丽分数数据库 |
| 2.3.1 打分实验设计 |
| 2.3.2 分数验证与过滤 |
| 2.3.3 分数统计与分析 |
| 2.4 基于BJUT-3D的人脸数据库与美丽分数数据库 |
| 2.5 本章小结 |
| 3 基于准则驱动和数据驱动的2D人脸美丽预测 |
| 3.1 正面人脸特征点检测 |
| 3.1.1 特征点定义 |
| 3.1.2 特征点检测 |
| 3.1.3 特征点标准化 |
| 3.2 准则驱动的人脸美丽特征 |
| 3.2.1 准则驱动几何特征 |
| 3.2.2 准则驱动表观特征 |
| 3.3 数据驱动的人脸美丽特征 |
| 3.3.1 数据驱动比例特征 |
| 3.3.2 增量式特征选择 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 准则驱动几何特征下的人脸美丽预测 |
| 3.4.3 准则驱动表观特征下的人脸美丽预测 |
| 3.4.4 数据驱动比例特征下的人脸美丽预测 |
| 3.5 本章小结 |
| 4 基于深度残差网络和标记分布学习的2D人脸美丽预测 |
| 4.1 人脸美丽的标记分布 |
| 4.1.1 相关概念 |
| 4.1.2 美丽标记分布 |
| 4.2 基于残差学习的人脸美丽深度特征 |
| 4.2.1 深度残差网络模型 |
| 4.2.2 人脸美丽深度特征 |
| 4.3 标记分布学习模型 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 不同深度网络下的人脸美丽预测 |
| 4.4.3 标记分布学习下的人脸美丽预测 |
| 4.4.4 融合低阶特征下的人脸美丽预测 |
| 4.4.5 本章方法的更多讨论 |
| 4.5 本章小结 |
| 5 基于数据驱动几何特征和群体分类特征的2.5D人脸美丽预测 |
| 5.1 侧面人脸特征点检测 |
| 5.2 数据驱动几何特征的提取与选择 |
| 5.2.1 比例、夹角、倾角特征 |
| 5.2.2 IFS算法下的特征选择 |
| 5.3 群体分类特征 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 数据驱动几何特征下的人脸美丽预测 |
| 5.4.3 引入群体分类特征下的人脸美丽预测 |
| 5.4.4 2.5D人脸美丽预测 |
| 5.5 本章小结 |
| 6 基于准则驱动和数据驱动的3D人脸美丽预测 |
| 6.1 3D人脸特征点检测 |
| 6.1.1 现有方法简介 |
| 6.1.2 3D特征点检测实现 |
| 6.2 3D准则驱动几何特征 |
| 6.2.1 3D形状算子 |
| 6.2.2 3D人脸比例特征 |
| 6.2.3 基于面部区域的曲率算子 |
| 6.3 3D数据驱动几何特征 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 3D准则驱动几何特征下的人脸美丽预测 |
| 6.4.3 3D数据驱动几何特征下的人脸美丽预测 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（2）规范引力下的宇宙学（论文提纲范文）
| 中文摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 第二章 引力的规范理论 |
| 2.1 规范理论 |
| 2.2 引力的规范理论 |
| 第三章 彭加莱规范引力 |
| 3.1 彭加莱对称性 |
| 3.2 场方程 |
| 第四章 彭加莱规范引力宇宙学 |
| 4.1 宇宙学演化方程 |
| 4.2 常曲率解 |
| 4.3 动力学分析 |
| 4.4 解析分析 |
| 4.5 统计与数据拟合 |
| 4.6 数值验证 |
| 第五章 德西特规范引力宇宙学 |
| 5.1 德西特规范引力理论 |
| 5.2 宇宙学演化方程 |
| 5.3 动力学分析 |
| 5.4 超新星数据拟合 |
| 5.5 数值验证 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 外文人名与专有名词对照表 |
| 攻读学位期间的研究成果 |
（3）基于充分统计量的一种枢轴量构造方法（论文提纲范文）
| 0 引言 |
| 1 基本概念 |
| 2 非正态总体的区间估计问题 |
| 3 小结 |
（4）取定统计量下最优置信区间的估计（论文提纲范文）
| 0 引言 |
| 1 预备知识 |
| 1.1 问题的提出及最短置信区间的相关定义 |
| 1.2 几个引理 |
| 2 最优置信区间的存在性和唯一性 |
| 2.1 最优置信区间的存在性证明 |
| 2.2 最优置信区间的唯一性证明 |
| 3 置信区间的几个不同的对称情况 |
| 4 最优置信区间的应用 |
| 4.1 问题的提出 |
| 4.2 λ的最短置信区间的推求 |
| 4.3 计算结果 |
| 5 结束语 |
（5）用非线性规划证明最短置信区间存在性与唯一性（论文提纲范文）
| 1 引言 |
| 2 预备知识 |
| 2.1 问题的提出及最短置信区间的相关定义 |
| 2.2 几个有用的引理 |
| 3 最优置信区间的存在性和唯一性 |
| 3.1 最优置信区间的存在性证明 |
| 3.2 最优置信区间的唯一性证明 |
| 4 最优置信区间的应用 |
（6）取定统计量下的最优置信区间分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 理论研究背景与发展 |
| 1.2 本文结构与主要结论 |
| 第二章 预备知识 |
| 2.1 问题的提出及最短置信区间的相关定义 |
| 2.2 几个有用的引理 |
| 第三章 最优置信区间的存在性和唯一性 |
| 3.1 最优置信区间的存在性证明 |
| 3.2 最优置信区间的唯一性证明 |
| 第四章 置信区间的几个不同的对称情况 |
| 第五章 最优置信区间的应用 |
| 5.1 问题的提出 |
| 5.2 λ的最短置信区间的推求 |
| 5.3 计算结果 |
| 第六章 结束语 |
| 参考文献 |
| 致谢 |
（10）均匀分布区间长度的最短置信区间（论文提纲范文）
| 1 均匀分布区间长度的区间估计 |
| 2 均匀分布区间长度的最短置信区间 |
四、置信区间的两种对称性（论文参考文献）
- [1]二维到三维人脸美丽预测研究[D]. 刘姝. 西北工业大学, 2017(02)
- [2]规范引力下的宇宙学[D]. 敖犀晨. 上海师范大学, 2012(12)
- [3]基于充分统计量的一种枢轴量构造方法[J]. 李万斌. 四川教育学院学报, 2010(11)
- [4]取定统计量下最优置信区间的估计[J]. 孙慧玲. 统计与决策, 2009(07)
- [5]用非线性规划证明最短置信区间存在性与唯一性[J]. 孙慧玲. 北京联合大学学报(自然科学版), 2008(04)
- [6]取定统计量下的最优置信区间分析[D]. 孙慧玲. 华中师范大学, 2008(10)
- [7]物种总数的一类Bayes区间估计的改进[J]. 秦祖启,谢民育. 生物数学学报, 2008(01)
- [8]双参数指数分布参数的最短置信区间[J]. 张红兵,刘瑞元,李杰. 内江师范学院学报, 2007(06)
- [9]置信系数不变下异方差的接受域的优良性及效果研究[J]. 秦祖启,王彭德. 大理学院学报, 2007(08)
- [10]均匀分布区间长度的最短置信区间[J]. 张红兵. 孝感学院学报, 2007(03)