一、浅论智能信息分类处理中的数学基础问题(论文文献综述)
赵京胜,宋梦雪,高祥,朱巧明[1](2022)在《自然语言处理中的文本表示研究》文中提出自然语言处理是人工智能的核心技术,文本表示是自然语言处理的基础性和必要性工作,影响甚至决定着自然语言处理系统的质量和性能.探讨了文本表示的基本原理、自然语言的形式化、语言模型以及文本表示的内涵和外延.宏观上分析了文本表示的技术分类,对主流技术和方法,包括基于向量空间、基于主题模型、基于图、基于神经网络、基于表示学习的文本表示,进行了分析、归纳和总结,对基于事件、基于语义和基于知识的文本表示也进行了介绍.对文本表示技术的发展趋势和方向进行了预测和进一步讨论.以神经网络为基础的深度学习以及表示学习在文本表示中将发挥重要作用,预训练加调优的策略将逐渐成为主流,文本表示需要具体问题具体分析,技术和应用融合是推动力.
张洪博[2](2021)在《基于群智能优化算法的带钢表面缺陷图像处理方法研究》文中提出带钢在机械制造、汽车工业、航空航天和仪器仪表等行业应用广泛。近年来,随着生产设备的升级、改造,带钢的尺寸精度、形状精度和力学性能均得到了较好的控制,然而带钢表面缺陷引起的质量事故时有发生,给生产企业造成了严重的经济损失。机器视觉技术能够实现带钢表面缺陷快速、全面的检测,已成为保证带钢表面质量的重要手段。作为该技术的核心环节,带钢表面缺陷图像处理方法性能的优劣直接影响最终检测结果,因此受到了相关学者和工程技术人员的高度关注。目前,群智能优化算法已经在带钢表面缺陷图像处理中得到了成功的应用,但普遍存在算法探索能力差、收敛速度慢及搜索精度低等问题,进而影响图像处理效果。因此,本文对蚁狮算法(Ant Lion Optimizer,ALO)、蝙蝠算法(Bat Algorithm,BA)和蝗虫算法(Grasshopper Optimization Algorithm,GOA)进行了深入、系统的分析,并提出了改进蚁狮算法(Improved Ant Lion Optimizer,IALO)、自适应蝙蝠算法(Adaptive Bat Algorithm,ABA)和主成分蝗虫算法(Grasshopper Optimization Algorithm with Principal Component Analysis,PCA-GOA),分别应用于带钢表面缺陷图像增强、图像分割和图像分类领域。本文主要研究内容包括以下几个方面:(1)提出了一种基于IALO算法的带钢表面缺陷图像增强方法。针对ALO算法探索能力差、搜索精度低的问题,提出了三种策略进行改进。首先,设计了一种Lagrange惯性权重,更好地平衡了算法探索搜索和挖掘搜索之间的关系;其次,提出了一种随机扰动入侵杂草策略,通过分段作用的方法与ALO算法结合,既避免了计算量的过度增加,又提升了算法的搜索性能;最后,提出了一种自适应局部搜索策略,提高了算法的收敛速度。通过IALO算法与局部/全局图像增强模型(Local/global Enhancement,LGE)结合,完成了带钢表面缺陷图像增强任务。实验结果表明,与常用图像增强方法相比,本文提出的带钢表面缺陷图像增强方法能够较好地提高图像对比度、凸显缺陷细节;与同类算法相比,IALO算法在解决带钢表面缺陷图像增强问题中优势明显。(2)提出了一种基于ABA算法的带钢表面缺陷图像分割方法。针对BA算法自适应性差、搜索精度低的问题,提出了四种策略进行改进。首先,设计了一种智能惯性权重,该权重可以根据迭代次数和适应度值,智能地调节蝙蝠的飞行速度;其次,提出了一种Beta分布策略,通过蝙蝠搜索频率的自适应调整,实现了算法搜索性能的提升;再次,对局部搜索策略进行了改进,只有适应度值较差的蝙蝠,才能以一定的概率进入局部搜索,进一步提升了算法的搜索性能;最后,提出了一种精英交叉策略,通过对当前迭代最优解和全局最优解的交叉操作,实现了算法挖掘能力的提升。通过ABA算法与最大类间方差法(Otsu)结合,完成了带钢表面缺陷图像分割任务。实验结果表明,与常用图像分割方法相比,本文提出的带钢表面缺陷图像分割方法可以较好地分割出缺陷目标;与同类算法相比,ABA算法在解决带钢表面缺陷图像分割问题中具有更好的搜索性能。(3)提出了一种基于PCA-GOA算法的带钢表面缺陷图像分类方法。针对GOA算法探索能力差、越界蝗虫处理方式不合理的问题,提出了三种策略进行改进。首先,提出了一种改进自适应参数,使适应度值较差的蝗虫具有较长的移动距离,并通过参数补偿机制,实现了算法探索能力的灵活调整;其次,通过主成分分析法(Principle Component Analysis,PCA)生成不相关的蝗虫个体取代低质量个体,提升了算法的搜索性能;最后,设计了一种指数边界变异策略,该策略可以将越界蝗虫逐渐放置到边界附近,提升了越界蝗虫的处理水平。通过PCA-GOA算法与支持向量机(Support Vector Machine,SVM)结合,完成了带钢表面缺陷图像分类任务。实验结果表明,与常用图像分类方法相比,本文提出的带钢表面缺陷图像分类方法具有更高的分类准确率;与同类算法相比,PCA-GOA算法在解决带钢表面缺陷图像分类问题中具有显着优势。(4)为测试本文提出的带钢表面缺陷图像处理方法在真实环境下的使用效果,搭建了带钢表面缺陷图像处理方法性能测试系统,分别对基于IALO算法的带钢表面缺陷图像增强方法,基于ABA算法的带钢表面缺陷图像分割方法和基于PCA-GOA算法的带钢表面缺陷图像分类方法进行性能测试。测试结果表明,在真实环境下本文提出的带钢表面缺陷图像处理方法较其它对比方法具有显着优势。最后,结合本文的研究成果,开发了基于群智能优化算法的带钢表面缺陷图像处理系统。
葛茂[3](2021)在《张量分解理论及其在机械故障诊断中的应用》文中进行了进一步梳理在工程实际中采集的机械设备故障信号通常是不同激励源和多部件耦合振动的结果,具有典型的干扰大、非线性、非平稳等特征,且早期弱故障易被强背景噪声所淹没。此外,单一传感器获取的故障信息有限。因此,强噪声、多组分干扰下的弱故障特征提取以及多传感器联合诊断是当前故障诊断研究的热点问题。信号复杂的动力学特性在重构的高维相空间中可以有效展示,作为矩阵表示的高维扩展,张量是高维数据最自然的表现形式。基于张量分解的信号处理方法能挖掘数据中潜在的特征信息,近年来被广泛的应用于各类信号处理领域。论文以机械设备为研究对象,针对以上几个典型问题,深入研究并改进张量分解理论,为机械故障诊断提供一种新的理论体系。论文的主要工作包括以下几个方面:(1)针对强噪声干扰问题,提出基于张量核范数CP分解的信号降噪方法。将信号的降噪问题转化为信号特征子空间低秩近似求解问题,通过张量核范数最小化实现一维信号在高阶张量空间的低秩表达,并通过凸优化算法求取全局最优的收敛解以实现噪声的鲁棒消除。在此基础上,将提出的方法与多尺度排列熵相结合用于齿轮信号故障诊断中,并选择BP神经网络分类器实现了齿轮不同故障模式的智能识别。(2)针对多组分干扰下的故障特征提取问题,提出基于局部张量鲁棒主成分分析的信号子空间分离方法。在一维信号经重构形成的二阶轨迹张量即轨迹矩阵,在保持降噪性能的基础上,通过平滑核函数和距离函数建立信号的局部低秩模型。该模型认为信号吸引子相空间是代表信号中不同特征成分的多个子空间的线性混合,其对应的局部轨迹矩阵具有典型的低秩特征。并通过求解结合矩阵核范数和罚函数正则项的联合最小化的凸问题可以有效地分离这些低秩特征。然后,利用Teager能量算子计算信号的时频分布并通过故障特征的时频特征识别出故障相关的子空间分量,从而有效地从多组分信号中分离出故障特征。(3)针对多传感器联合分析和早期弱故障特征提取问题,提出基于广义非凸张量鲁棒主成分分析的弱故障特征信号能量保持方法。首先通过相空间重构技术将信号重构到三阶轨迹张量,获得多通道信号的高阶张量表征。然后应用经典的张量奇异值分解模型对其进行非线性滤波以挖掘多通道信号的联合故障特征。通过广义非凸约束对滤波采用的凸优化降噪框架中张量核范数的强凸约束进行非凸放松以避免有用的奇异值管幅值衰减,并利用峭度对于信号冲击特征的敏感的特性,定义一个新的张量奇异值峭度指标来自适应确定奇异值管的重构阶数,最终实现弱故障特征的有效提取和能量保持。(4)针对强噪声和多组分干扰下的弱故障诊断问题,将局部低秩模型扩展到三阶张量空间并对广义非凸张量鲁棒主成分分析进一步优化,提出基于局部广义非凸化张量鲁棒主成分分析的弱故障诊断方法。将实测的多通道信号重构的三阶轨迹张量建模为多个受噪声污染的局部低Tubal秩子空间的线性混合,并通过求解广义非凸优化框架有效分离这些特征子空间。同时定义一个新的多元峭度指标来识别其中与故障相关的子空间分量,从而有效地去除干扰成分并保持提取的故障特征的能量,实现多通道信号早期弱故障的特征提取和准确诊断。
岑斐斐[4](2021)在《基于深度学习的初中数学习题信息抽取方法研究》文中研究表明近几年,随着人工智能技术的飞速发展,各种智能化产品开始应用于各个领域,替代人们完成诸多复杂、繁琐的工作,大大减轻了人们的负担,提高了效率。在教育领域,如何利用智能技术替代或部分替代人类教师对学生进行一对一辅导,始终是人们追寻的目标。目前,学生在课后遇到解题困难,利用技术解决问题常用的方法是拍照搜题。这个方法使学生能迅速获取答案,或题目的视频讲解。部分产品为促进学生思维发展,采用了分步辅导的方式,在一定程序上满足了学生的个性化学习需求,提高了学习效率。但这些方式存在着需要投入大量的人力、平台无法实现与学生的互动,不能像真人教师一对一辅导那样回答学生的个性化问题等诸多弊端。若使系统实现真正的“智能”,自动提取题目中的关键信息,是第一步。本文利用深度学习和自然语言处理的相关技术,以我国北师大版初中数学题目为研究对象,以实现自动抽取数学习题中的解题信息为研究目标,主要研究内容包括以下几点:(1)初中数学习题的关键信息。首先分析了数学语言的特点及概念,然后对数学中的数学实体、数学事件和指代语省略进行了研究。(2)数学习题的命名实体识别。采用深度学习的方法,使用双向长短时记忆网络和条件随机场模型,在进行人工标注和数据预处理后得到了准确率较高的训练模型,实现了能够输入数学题目后输出对应的实体和属性。(3)数学习题的事件抽取。按照事件抽取的基本步骤将数学题目作为一个事件进行抽取,结合了深度学习模型和基于规则的方法,对题目分句、基于触发词识别事件类型、抽取事件元素,得出每个题目的解题关键信息。(4)数学习题的指代消解。本文通过分析数学题目的各种指代关系,制定了完整且易于操作的规则,基于规则即可消除题目中的指代现象,帮助计算机在理解题意的过程中消除歧义。实验结果证明,本研究提出的数学习题中的命名实体识别方法、事件抽取方法和指代消解方法能够较好地实现数学习题的关键信息抽取。
周平[5](2021)在《声学后向散射数据的成像关键技术与底质分类研究》文中提出声呐技术的发展为海洋水下环境的监测与目标的探测提供了先进的技术手段。通过其后向散射数据生成的声呐图像现已被广泛地使用来分析和解释海底表层的信息状况。然而,声呐图像存在分辨率较低、目标边缘模糊、低对比度和斑点噪声突出等的问题,这将严重地干扰声呐图像的应用。据此,通过对相关海域的水下信息进行声学数据采集与处理分析,以其后向散射数据生成的声呐图像为研究对象,开展声呐图像处理中的图像校正和增强、条带信息融合、底质沉积物分类等关键技术方面的研究,期望为后续的海底水下调查提供清晰和高对比度的图像信息以及基础应用资料。论文的主要工作及贡献如下:(1)综合地阐述了声学后向散射数据的科学价值及发展问题,分析了其数据处理过程中的各项因素及其对应的改正研究。对声呐图像处理的关键技术研究进行了分类地叙述,并重点介绍了声呐图像的校正与增强、条带信息融合以及底质沉积物分类的研究现状以及目前存在的问题。阐明了本文的研究目标、研究内容以及给出了整体的技术路线。(2)阐述了声学后向散射数据处理的过程以及因素影响分析。对于多波束、侧扫声呐的成像原理以及数据预处理内容进行了区别性地说明。它们的声呐预处理成果图将作为后续关键技术研究的基础。(3)低对比度、高噪声背景下的声呐图像校正与增强算法研究。由于辐射畸变的存在,侧扫声呐图像存在明显的灰度不均衡和边缘偏暗的问题。提出一种结合非下采样的剪切波NSST变换方法、改进型的多尺度Retinex和稀疏字典学习的校正与增强技术。实验结果表明:与所选的其他方法对比,该技术能够有效地提升图像的对比度和削弱噪声的干扰,显示出清晰的目标轮廓和地形纹理信息;灰度统计图反映了连续性增强的灰度值变化特征;各项客观指标体现了在保持图像的对比度、清晰度、平均信息含量以及滤波能力4个方面的优越性能。(4)相邻条带重叠区域的声呐图像信息融合算法研究。在采用侧扫声呐进行水下信息探测时,针对相邻条带重叠区域的信息探测不全或者一侧信息丢失的问题,提出一种结合非下采样的轮廓波NSCT变换、修正型的拉普拉斯能量和滤波方法和改进型的双通道脉冲耦合神经网络模型的条带信息融合技术。实验结果表明:与所选的其他方法对比,该技术有效地消除了块状流的伪轮廓现象和抑制住了高噪声信号的干扰。融合后图像有效地消除不同视场角下所测得的目标侧面阴影,展示出清晰的目标轮廓以及丰富的海底地形地貌起伏特征。多项客观指标获得了最优的指标结果,反映出了图像边缘、清晰度和整体相似度的高质量信息。(5)复杂环境下的声呐图像底质沉积物分类的算法研究。针对多波束声呐图像存在拖影和高噪声斑点等特征,沉积物选取训练样本时容易出现误标记的现象,这些问题都将影响沉积物的分类质量。提出一种堆栈去噪自编码器与改进型的极限学习机相结合的底质分类技术。实验结果表明:与其他的特征提取方法和分类器对比,所提技术能有效地提取沉积物的深层次特征信息,避免残余误差和误标记错误信息对网络的干扰,提高了底质分类的整体预测精度,保证了底质类别分界线的连续性。
张继[6](2021)在《基于双目视觉的UAV自主感知与避让研究》文中指出无人机最开始被用于军事领域,替代士兵执行危险的任务。近年来,旋翼式小型无人机在民用领域的应用日趋广泛,无人机在农业、电力、环保、测绘、摄影等行业扮演着越来越重要的角色。旋翼式小型无人机往往在低空飞行,极有可能与人流、建筑、树木、车辆等发生碰撞,给无人机自身造成损坏。如何主动识别感知这些低空障碍物并灵活地规避它们成为了研究的热点。一些研究者将成熟的雷达探测、激光测量技术应用到四旋翼无人机上,但是却遇到难以小型化、耗电量高、实时性差的困难。针对旋翼式小型无人机避障的重要性和雷达、激光技术的难点,本课题以计算机视觉技术为基础研究无人机的障碍物自主感知、实时跟踪和避让路径规划。课题以大疆无人机具备的“智能跟随车辆”功能作为切入场景,研究该场景下无人机如何自主检测与实时跟踪被跟随车辆,并避免与被跟随车辆发生碰撞。本文的主要工作如下:(1)针对被跟随车辆的自主检测与实时跟踪,本文重点调研了R-CNN系列和YOLO系列目标检测算法,以及KCF目标跟踪算法。受视频压缩技术启发,将检测精度高的YOLOv4与跟踪速度快的KCF结合起来,使它们能够充分发挥各自的优势,扬长避短。通过实验,确定了YOLOv4与KCF的最佳结合间隔,在仅牺牲少量检测精度的情况下,使实时跟踪性能获得将近3倍的提升。(2)针对碰撞威胁识别,本文以双目视觉测距原理为基础,测量被跟随车辆与双目摄像头的距离。距离测量时复用了目标检测的结果,将左右视图车辆检测矩形框中心点作为近似匹配点来计算双目视差,几乎零耗时地完成了距离测量任务。对采集的实验数据进行统计分析,最终选定的预警距离能够做到正确报警和少报虚警。(3)为了解除碰撞风险,本文结合“智能跟随车辆”的场景特色,为无人机定制了节能高效的悬停、偏离避让算法,所规划的避让路径能够在节能的前提下达成解除碰撞威胁的目标。
林昌[7](2021)在《大雾下海上图像的目标分离与智能辨识研究》文中提出大雾天气会对船舶航行安全造成明显影响,通过在船舶上加装视觉传感器有助于提前获知和判断海上情况,提升智能船舶自主航行的安全性。然而,在大雾环境下,通过传感器获取的海上图像往往存在对比度低、颜色失真和细节丢失等问题,并且受海面浪花和反光等干扰,会导致海上图像纹理和形状等特征信息干扰性强,从而使得目标检测与识别难度加大。因此,为了提高大雾环境下船舶智能航行系统的自动检测与辨识能力,降低漏检和虚警率,本文围绕大雾下海上图像的目标分离和智能辨识问题展开深入的研究。通过图像增强、海天线分割、显着区域检测分离和目标智能辨识,系统地建立利用视觉传感器对大雾环境下海上图像进行目标分离和辨识的科学有效的方法。首先,根据大雾下图像的成像特点,对基于Retinex模型的图像增强去雾算法进行改进。通过分析传统Retinex模型的图像去雾算法,针对单尺度的Retinex模型在图像增强后存在局部细节不易突出、图像对比度差等问题,提出了基于改进双边滤波的高斯金字塔变换的Retinex图像增强算法,解决图像细节模糊和提高图像对比度。对于带色彩恢复的多尺度Retinex(MSRCR)模型在图像增强后图像整体色彩失真和图像的视觉效果差等问题,提出了基于全局亮度自适应均衡化的MSRCR图像增强算法,为后续的图像处理提供更加丰富的色彩、纹理和边缘等图像特征。其次,提出了基于梯度积分和多项式迭代的海天线快速检测算法,实现海面和天空区域的快速分割。采用高斯低通滤波器来增强图像的梯度边缘特征,对给定区域内的梯度积分值进行滑动统计,确定海面图像中海天线的潜在区域。通过逐列寻找潜在区域内梯度最大值点作为海天线的候选点,并对所有候选点进行多项式迭代拟合,剔除误检测点后,拟合确定最终的海天线,从而获得含有天空背景的图像和含有目标物的海面图像。再次,提出了融合图像多视觉特征的视觉注意机制目标分离算法,获得图像综合显着图,分割出海上图像的显着目标区域。选取海面图像中的频率特征、改进Gabor算子的方向特征、梯度纹理特征、颜色空间变换所提取亮度特征和颜色拮抗特征等八个视觉特征子图,运用谱残差算法得到不同视觉特征的显着子图。利用显着性密度函数计算得到各显着子图的权重系数,构建多视觉特征的综合显着图。在对综合显着图进行自适应阈值分割后,采用显着区域自生长策略分离并获得综合显着图中的显着区域。最后,研究基于卷积神经网络框架下的海上图像目标智能辨识分类算法,完成海上目标的分类智能辨识。结合VGG网络和Res Net网络优点,构建新型卷积神经网络框架,对含有9个类别共96980张图片的训练数据集进行训练学习,并随机选取训练数据集中每一类别各50张图像进行数据增强后作为辨识实验的测试数据集,对测试数据集进行目标智能辨识实验;实验结果表明该算法具有较高训练速度和较低的训练误差,单次训练迭代平均时间0.9s,测试数据集的辨识准确率为95.14%,有效地完成目标智能辨识分类。另外,完成对基于视觉注意机制下的大雾海上图像目标分离的显着区域图像集的智能辨识对比实验,实验结果表明该算法在识别速度上具有优势,单张图像辨识时间较VGG-16算法平均快86.6%,较Res Net50算法平均快24.35%;同时,图像最大辨识准确率优于Res Net50算法25%,略低于VGG-16算法2.78%。
李润东[8](2021)在《基于深度学习的通信信号智能盲检测与识别技术研究》文中研究表明非合作接收条件下的通信信号检测、调制识别、辐射源个体识别等盲检测与识别处理,是开展无线电频谱监测和战场通信侦察对抗的重要基础。然而,受限于非合作接收时强干扰和快变化的恶劣电磁环境、复杂多样的通信信号体制、无法全面掌握信号先验信息等不利因素影响,通信信号盲检测与识别是一项极具挑战性的研究课题。本文在全面梳理基于专家经验特征的传统盲检测与识别方法的基础上,针对其特征提取依赖人工经验的主要问题,基于深度学习的特征自主学习框架,提出了通信信号智能检测、智能调制识别、智能辐射源个体识别等智能盲检测与识别方法。通过仿真和实测数据验证了算法有效性,并设计实现工程系统,验证了算法和系统对于实际通信信号的检测与识别效能。本文的主要工作和贡献包括:1、在通信信号宽带检测方面,针对传统检测方法信号参数获取不完整和易受噪声影响的问题,提出了基于YOLOv3(You Only Look Once v3)目标检测网络优化改进的智能宽带检测方法,从宽带时频图中完成了高效准确的信号盲检测。首先,采用小样本量信号自动标注构建宽带时频图数据集,解决了海量样本标注难题;其次,根据通信信号时频特性自适应设置先验锚框,保证了网络对通信信号的适应性与高效检测能力;最后,针对原有网络训练和推断时数据分布不一致所导致的检测精度低问题,采用CIOU(Complete-Intersection Over Union)算法改进训练代价函数,利用DIOU(Distance-Intersection Over Union)算法改进推断时的非极大值抑制准则,在提高训练速度的同时达到了较高的检测精度。2、在窄带突发通信信号体制识别方面,针对深度学习方法难以区分时频特征相近信号、模板匹配方法需要先验规格且计算量大的问题,提出了将深度学习时频图识别与前导码滑动相关频谱峰值检测进行级联融合的智能窄带突发信号识别方法,实现了精确的信号体制识别和参数估计。首先,设计了时频多维参数偏移算法来增强训练数据集,降低了数据收集难度且提升了训练数据的全面性和多样性;然后,引入改进的深度残差注意力网络,提取了重点时频特征进行体制初步识别,再基于信号与前导码滑动相关后的频谱峰值检测结果,对不可分信号进行细化判证,实现了对窄带突发信号体制类型、载频、突发时刻等参数的精确获取。3、在通信信号调制识别方面,针对传统识别方法依赖专家经验和信号条件的问题,提出了基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法,实现了模拟调制和低阶数字调制信号的鲁棒识别。首先,对信号循环谱进行低秩表示降噪处理,净化数据以降低网络训练难度;其次,设计了一种新型的稀疏滤波准则对网络进行逐层无监督预训练,有效挖掘了循环谱的稀疏特性,利用小规模卷积网络即可实现鲁棒可靠的调制识别。更进一步,为适应对高阶数字调制信号的识别,提出了一种基于新型深度几何卷积网络的智能调制识别方法,设计了具备多尺度和多方向特性的几何滤波器,从信号的魏格纳-威利分布映射图中学习更具有分辨力的多尺度和多方向几何特征,提高了调制识别的准确率和鲁棒性。4、在通信信号调制编码联合识别方面,为了能以端到端的方式同时识别信号的调制方式和信道编码类型,研究探索了一种基于深度注意力门控卷积网络的智能调制编码联合识别方法,实现了多类型调制编码信号的有效识别。首先,为避免时频图变换带来的高计算复杂度,针对一维原始波形数据,设计了一维卷积层来提取调制结构特征;其次,利用门控循环模块提取信号时序监督特征,并设计“显着”注意力机制对时序特征开展注意力变换以增强特征提取与识别效能。5、在通信辐射源个体识别方面,针对传统识别方法难以全面表征辐射源本质特性、易受信号与目标变化影响的缺点,提出了基于多域特征融合学习的智能辐射源个体识别方法,在多目标辐射源集合上达到了较好的识别效果。首先,对接收信号进行精确的参数“校准”预处理以去除信号中的不稳定因素,再对校准后信号进行高精度星座矢量图映射以表征辐射源发射机的联合畸变特性;其次,设计了新型一维复数密集连接卷积网络、引入了具有高层特征全局注意力机制的新型Bo TNet(Bottleneck Transformer Networks)模型,分别对波形与频谱、波形与星座矢量图数据开展高效的复杂多域特征提取;最后,设计了三种融合策略对多域特征进行融合学习,提取了更全面完整的个体特征。同时,还研究了基于迁移学习的新辐射源目标集识别网络设计和训练方法,有效利用了大样本训练得到的基础模型的先验知识,实现了小样本条件下新辐射源目标的准确识别。6、在工程实现方面,设计构建了通信信号智能检测识别系统,对本文提出的各类通信信号智能检测与识别方法开展转化与集成,解决了快速并行信道化与深度学习推断加速等工程实现关键问题,对实际短波、卫星、超短波等通信信号实现了高性能的盲信号检测、调制识别和辐射源个体识别。
宋哲琦[9](2020)在《《装饰》杂志设计文化发展研究(1958-2018)》文中认为《装饰》作为国内重要的艺术设计类核心期刊,从1958年创刊起,与中国设计共同成长,记录了工艺美术与现代设计的发展历程,汇集了国内外着名专家学者。以《装饰》作为展现学术思想、指导学科实践的平台。本文以《装饰》发展历程为线索,通过期刊分析、文献分析、表格梳理、人物访谈等的研究方法,根据不同时期不同的内容侧重点将杂志发展分为三个阶段来进行分析,论述《装饰》与中国设计文化发展之间的关联,并对20年来的杂志内容进行系统的整理,更全面的阐述该杂志的发展历程与时代背景下相互影响的关系,以及对《装饰》、对中国设计文化、教育的作用与影响进行总结。
刘奕[10](2020)在《5G网络技术对提升4G网络性能的研究》文中认为随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
二、浅论智能信息分类处理中的数学基础问题(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、浅论智能信息分类处理中的数学基础问题(论文提纲范文)
(2)基于群智能优化算法的带钢表面缺陷图像处理方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 群智能优化算法研究现状 |
1.3 带钢缺陷图像处理研究现状 |
1.3.1 带钢表面缺陷图像增强研究现状 |
1.3.2 带钢表面缺陷图像分割研究现状 |
1.3.3 带钢表面缺陷图像分类研究现状 |
1.4 本文的主要研究内容 |
第2章 群智能优化算法及带钢表面缺陷图像处理基础理论 |
2.1 引言 |
2.2 群智能优化算法及算法改进基础理论 |
2.2.1 蚁狮算法 |
2.2.2 入侵杂草算法 |
2.2.3 蝙蝠算法 |
2.2.4 蝗虫算法 |
2.2.5 算法改进基础理论 |
2.3 带钢表面缺陷图像处理基础理论 |
2.3.1 局部/全局图像增强 |
2.3.2 最大类间方差法 |
2.3.3 局部二值模式 |
2.3.4 支持向量机 |
2.3.5 图像质量评价 |
2.4 带钢表面缺陷数据集 |
2.5 本章小结 |
第3章 基于改进蚁狮算法的带钢表面缺陷图像增强方法 |
3.1 引言 |
3.2 蚁狮算法及应用分析 |
3.3 改进蚁狮算法 |
3.3.1 Lagrange惯性权重 |
3.3.2 随机扰动入侵杂草策略 |
3.3.3 自适应局部搜索策略 |
3.3.4 算法时间复杂度分析 |
3.4 基于改进蚁狮算法的带钢表面缺陷图像增强方法实现 |
3.5 实验及结果分析 |
3.5.1 带钢表面缺陷图像增强实验 |
3.5.2 改进策略有效性分析 |
3.6 本章小结 |
第4章 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法 |
4.1 引言 |
4.2 蝙蝠算法及应用分析 |
4.3 自适应蝙蝠算法 |
4.3.1 智能惯性权重 |
4.3.2 Beta分布策略 |
4.3.3 选择性局部搜索策略 |
4.3.4 精英交叉策略 |
4.3.5 算法时间复杂度分析 |
4.4 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法实现 |
4.5 实验及结果分析 |
4.5.1 自适应蝙蝠算法参数选择 |
4.5.2 带钢表面缺陷图像分割实验 |
4.6 本章小结 |
第5章 基于主成分蝗虫算法的带钢表面缺陷图像分类方法 |
5.1 引言 |
5.2 蝗虫算法及应用分析 |
5.3 主成分蝗虫算法 |
5.3.1 改进自适应参数 |
5.3.2 主成分分析策略 |
5.3.3 指数边界策略 |
5.3.4 算法时间复杂度分析 |
5.4 基于主成分蝗虫算法的带钢表面缺陷图像分类方法实现 |
5.5 实验及结果分析 |
5.6 本章小结 |
第6章 带钢表面缺陷图像处理方法的性能测试及应用 |
6.1 引言 |
6.2 测试系统搭建 |
6.3 方法性能测试 |
6.3.1 基于改进蚁狮算法的带钢表面缺陷图像增强方法性能测试 |
6.3.2 基于自适应蝙蝠算法的带钢表面缺陷图像分割方法性能测试 |
6.3.3 基于主成分蝗虫算法的带钢表面缺陷图像分类方法性能测试 |
6.4 带钢表面缺陷图像处理系统开发 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 论文中提出的创新点 |
7.3 后续研究工作展望 |
参考文献 |
致谢 |
作者简介 |
攻读博士学位期间研究成果 |
(3)张量分解理论及其在机械故障诊断中的应用(论文提纲范文)
摘要 |
ABSTRACT |
缩略词表 |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 经典信号分析方法的研究现状 |
1.3 模式分解方法研究现状 |
1.3.1 经验模式分解 |
1.3.2 局部均值分解 |
1.3.3 奇异值分解 |
1.3.4 张量分解 |
1.4 论文研究内容与结构安排 |
1.4.1 论文主要研究内容 |
1.4.2 论文结构安排 |
第2章 张量理论基础和信号的高阶张量表征 |
2.1 引言 |
2.2 张量理论基础 |
2.2.1 符号的定义 |
2.2.2 张量代数的基本运算 |
2.3 基于相空间重构的振动信号的高阶张量表征 |
2.3.1 相空间重构基本原理 |
2.3.2 相空间重构参数的确定原则与仿真验证 |
2.3.3 振动信号的高阶张量表征 |
2.4 本章小结 |
第3章 张量CP分解和张量奇异值分解 |
3.1 引言 |
3.2 CP分解 |
3.2.1 基本定义 |
3.2.2 数值仿真分析 |
3.2.3 CPD应用于机械故障诊断中存在的问题 |
3.3 张量奇异值分解 |
3.3.1 基本定义 |
3.3.2 基于TSVD模型的信号分解和特征提取 |
3.3.3 数值仿真分析 |
3.3.4 TSVD在应用于机械故障诊断中存在的问题 |
3.4 本章小结 |
第4章 张量核范数CP分解及其在信号降噪中的应用 |
4.1 引言 |
4.2 张量核范数CP分解 |
4.2.1 稀疏与低秩 |
4.2.2 基于张量核范数和凸优化的改进张量CP分解 |
4.3 数值仿真分析 |
4.3.1 降噪性能分析 |
4.3.2 特征提取性能分析 |
4.4 TNNCPD结合MSPE用于实验台齿轮故障诊断 |
4.4.1 实验台简介 |
4.4.2 信号分析 |
4.5 本章小结 |
第5章 局部张量鲁棒主成分分析及其在信号多组分分离中的应用 |
5.1 引言 |
5.2 局部张量鲁棒主成分分析 |
5.2.1 鲁棒主成分分析 |
5.2.2 基于局部低秩矩阵逼近的改进鲁棒主成分分析 |
5.3 数值仿真分析 |
5.3.1 降噪性能分析 |
5.3.2 信号分解和特征提取性能分析 |
5.4 实测故障数据分析 |
5.4.1 实验台简介 |
5.4.2 信号分析 |
5.5 本章小结 |
第6章 广义非凸张量鲁棒主成分分析及其在早期弱故障特征能量保持中的应用 |
6.1 引言 |
6.2 广义非凸张量鲁棒主成分分析 |
6.2.1 基于张量鲁棒主成分分析的信号轨迹张量降噪 |
6.2.2 基于广义非凸优化的改进张量鲁棒主成分分析 |
6.2.3 GNCTRPCA结合奇异值峭度用于弱故障特征的准确提取 |
6.3 数值仿真分析 |
6.3.1 降噪性能分析 |
6.3.2 TSVK确定最优重构阶数的分析 |
6.3.3 弱故障特征提取和幅值能量保持性能分析 |
6.4 实验台故障数据分析 |
6.4.1 实验台简介 |
6.4.2 信号分析 |
6.5 本章小结 |
第7章 局部广义非凸张量鲁棒主成分分析及其在早期弱故障诊断中的应用 |
7.1 引言 |
7.2 局部广义非凸张量鲁棒主成分分析 |
7.2.1 局部模型构建 |
7.2.2 基于广义非凸优化的局部模型分解 |
7.2.3 基于多元峭度的故障特征分量识别及全局近似 |
7.3 数值仿真分析 |
7.4 实验台故障数据分析 |
7.4.1 实验台简介 |
7.4.2 信号分析 |
7.5 本章小结 |
第8章 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
致谢 |
参考文献 |
附录1 攻读博士学位期间取得的科研成果 |
附录2 攻读博士学位期间参加的科研项目 |
(4)基于深度学习的初中数学习题信息抽取方法研究(论文提纲范文)
摘要 |
abstract |
一、绪论 |
(一)研究背景及意义 |
(二)信息抽取研究现状 |
(三)数学习题的信息抽取 |
(四)论文内容与结构 |
二、相关理论与技术 |
(一)深度学习 |
1.深度学习的定义 |
2.深度学习的发展 |
3.深度学习的常用方法及模型 |
(二)信息抽取基本方法 |
1.命名实体识别 |
2.词法分析 |
3.事件抽取 |
(三)本章小结 |
三、初中数学的信息组成与相关概念 |
(一)初中数学语言的特点 |
1.语言特点 |
2.题目的信息组成结构 |
(二)数学题目中的实体 |
(三)数学习题中的事件 |
1.数学事件概念 |
2.数学事件中的组成元素 |
(四)数学习题中的指代 |
1.指代概述 |
2.指代消解 |
3.数学题目中存在的消解问题 |
四、数学习题中信息抽取的关键技术 |
(一)基于BiLSTM-CRF的数学习题命名实体识别 |
1.模型介绍 |
2.建立数学实体知识图谱 |
3.题目预处理:标注、词向量 |
(二)数学习题中的事件抽取研究 |
1.分句 |
2.基于触发词的事件类型识别 |
3.事件论元的抽取 |
(三)数学习题中的指代消解研究 |
1.确定回指语 |
2.确定候选先行语 |
3.制定规则,确定先行语 |
(四)代码实现 |
1.数据来源 |
2.命名实体识别模型训练与评估 |
3.事件抽取模型评估与预测 |
4.指代消解实验结果与评估 |
(五)本章小结 |
五、研究总结与展望 |
(一)研究结论 |
(二)研究不足 |
参考文献 |
致谢 |
攻读硕士学位期间论文发表情况 |
(5)声学后向散射数据的成像关键技术与底质分类研究(论文提纲范文)
作者简历 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状与存在问题 |
1.2.1 声学后向散射数据处理研究 |
1.2.2 声呐图像关键技术处理研究 |
1.2.3 声呐图像的校正与增强研究 |
1.2.4 声呐图像的信息融合研究 |
1.2.5 声呐图像的底质分类研究 |
1.2.6 存在问题 |
1.3 研究目的与内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
1.3.3 研究技术路线 |
1.4 论文章节安排 |
第二章 声学观测技术和声呐图像预处理 |
2.1 声学后向散射的数据处理 |
2.1.1 声学后向散射的简介 |
2.1.2 回波方程 |
2.1.3 声学后向散射数据的预处理 |
2.2 多波束声呐的成像原理 |
2.2.1 多波束声呐的图像形成 |
2.2.2 多波束声呐的图像预处理 |
2.3 侧扫声呐的成像原理 |
2.3.1 侧扫声呐的图像形成 |
2.3.2 侧扫声呐的图像预处理 |
2.4 本章小结 |
第三章 侧扫声呐图像的校正与增强 |
3.1 声呐图像校正与增强概述 |
3.2 声呐图像校正和增强技术探讨 |
3.3 改进的多尺度Retinex和稀疏字典学习的声呐图像校正与增强 |
3.3.1 非下采样Shearlet图像分解 |
3.3.2 改进型多尺度Retinex的低频子带增强 |
3.3.3 稀疏字典学习的高频子带滤波 |
3.3.4 声呐图像的校正过程 |
3.4 实验结果与分析 |
3.4.1 数据来源与参数设置 |
3.4.2 校正和增强质量评价 |
3.4.3 后向散射改正的瀑布图增强效果 |
3.4.4 瀑布图预处理的增强效果 |
3.5 本章小结 |
第四章 侧扫声呐图像的条带信息融合 |
4.1 声呐图像融合概述 |
4.2 声呐图像融合技术探讨 |
4.3 SMLF和 IDPCNN模型的声呐图像融合 |
4.3.1 图像预处理和配准 |
4.3.2 非下采样Contourlet图像分解 |
4.3.3 低频子带图像的融合准则 |
4.3.4 高频子带图像的融合准则 |
4.3.5 一致性检验和质量评估 |
4.3.6 声呐图像的融合过程 |
4.4 实验结果与分析 |
4.4.1 数据来源 |
4.4.2 融合准则的选取与组合分析 |
4.4.3 多尺度变换域方法的对比 |
4.5 本章小结 |
第五章 多波束声呐图像的底质分类 |
5.1 声呐图像的底质分类概述 |
5.2 海底沉积物特征提取与分类方法探讨 |
5.2.1 声呐图像的海底沉积物特征提取 |
5.2.2 沉积物的特征分类方法 |
5.3 SDAE和 MELM模型的底质分类 |
5.3.1 特征提取与选择 |
5.3.2 堆栈去噪自编码器(SDAE) |
5.3.3 极限学习机及其改进模型 |
5.3.4 分类模型的评价指标 |
5.3.5 声呐图像的底质分类过程 |
5.4 实验结果与分析 |
5.4.1 数据来源 |
5.4.2 实验通用参数设置 |
5.4.3 特征提取方法对比 |
5.4.4 分类器的对比 |
5.4.5 组合模型的性能对比 |
5.4.6 所设计方法的讨论 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 研究工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
(6)基于双目视觉的UAV自主感知与避让研究(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 障碍物检测研究现状 |
1.2.2 无人机目标跟踪研究现状 |
1.2.3 避让路径规划研究现状 |
1.3 创新点与组织结构 |
1.3.1 本文的主要创新点 |
1.3.2 本文的组织结构 |
第2章 障碍物自主感知原理 |
2.1 障碍物检测 |
2.1.1 R-CNN |
2.1.2 YOLO |
2.1.3 Faster R-CNN与 YOLOv4 对比 |
2.2 障碍物跟踪 |
2.2.1 循环矩阵 |
2.2.2 核函数 |
2.2.3 循环矩阵问题的快速求解 |
2.2.4 目标物体的跟踪 |
2.2.5 跟踪丢失与矫正 |
2.3 危险距离测量 |
2.3.1 双目测距 |
2.3.2 双目视差 |
第3章 实验场景与数据采集 |
3.1 实验场景与设备 |
3.1.1 实验场景 |
3.1.2 设备选型 |
3.2 实验数据采集 |
3.2.1 实时跟踪研究数据 |
3.2.2 碰撞预警研究数据 |
3.3 数据矫正 |
3.3.1 高斯滤波 |
3.3.2 相机标定 |
第4章 自主感知与避让系统的设计与实现 |
4.1 实时跟踪子系统 |
4.1.1 评价指标 |
4.1.2 基准方法 |
4.1.3 优化方法 |
4.1.4 最佳interval |
4.1.5 有效性验证 |
4.2 碰撞预警子系统 |
4.2.1 评价指标 |
4.2.2 距离测量 |
4.2.3 预警距离 |
4.3 避让路径子系统 |
4.3.1 原地悬停 |
4.3.2 规避飞行 |
4.3.3 悬停、偏离避让 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 课题展望 |
参考文献 |
致谢 |
(7)大雾下海上图像的目标分离与智能辨识研究(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 图像去雾增强技术的研究现状 |
1.2.2 海上图像目标分离研究现状 |
1.2.3 海上图像目标智能辨识研究现状 |
1.3 大雾下海上图像的目标分离与智能辨识中存在的主要问题 |
1.4 研究内容与创新点 |
1.4.1 研究内容 |
1.4.2 创新点 |
1.4.3 研究技术路线图 |
第2章 基于改进Retinex模型的图像增强去雾算法 |
2.1 传统Retinex模型的图像增强去雾算法 |
2.1.1 色彩颜色空间 |
2.1.2 基于Retinex模型的图像去雾算法 |
2.2 改进Retinex图像增强算法 |
2.2.1 改进双边滤波函数 |
2.2.2 高斯-拉普拉斯金字塔多尺度算法 |
2.2.3 算法流程 |
2.2.4 实验结果与分析 |
2.3 基于全局亮度自适应均衡化的MSRCR图像增强算法 |
2.3.1 图像雾浓度的自平衡 |
2.3.2 全局亮度自适应均衡化 |
2.3.3 平衡图像亮暗区域 |
2.3.4 颜色通道色彩拉伸 |
2.3.5 算法流程 |
2.3.6 实验结果与分析 |
2.4 小结 |
第3章 基于梯度积分和多项式迭代的海天线快速检测算法 |
3.1 基于Hough变换的海天线提取算法 |
3.1.1 Otsu图像阈值分割 |
3.1.2 基于Hough变换的海天线检测 |
3.2 基于梯度积分和多项式迭代的海天线快速检测算法 |
3.2.1 图像梯度 |
3.2.2 平滑滤波增强梯度图像显着性 |
3.2.3 构建图像梯度的积分图 |
3.2.4 计算海天线区域范围 |
3.2.5 迭代拟合海天线曲线 |
3.3 实验结果与分析 |
3.3.1 海天线迭代实验结果与分析 |
3.3.2 对比实验结果与分析 |
3.4 小结 |
第4章 融合图像多视觉特征的视觉注意机制目标分离算法 |
4.1 传统的视觉注意机制模型 |
4.1.1 自顶向下视觉注意模型 |
4.1.2 自底向上视觉注意模型 |
4.2 融合海面图像多视觉特征的显着性目标分离方法 |
4.2.1 小波变换多级分解高低频特征计算 |
4.2.2 改进Gabor滤波的图像方向特征计算 |
4.2.3 亮度特征与颜色拮抗特征计算 |
4.2.4 图像梯度特征计算 |
4.2.5 海上图像各视觉特征显着子图计算 |
4.2.6 基于自适应权重的视觉特征显着子图像融合 |
4.2.7 综合显着图中显着区域分割策略 |
4.3 实验结果与分析 |
4.4 小结 |
第5章 基于新型卷积神经网络框架的目标智能辨识算法 |
5.1 基于卷积神经网络的目标智能辨识方法 |
5.1.1 Le Net卷积神经网络 |
5.1.2 VGG卷积神经网络模型 |
5.1.3 Goog Le Net网络结构 |
5.2 基于新型卷积神经网络框架下的目标智能辨识算法研究 |
5.2.1 数据预处理 |
5.2.2 新型卷积神经网络结构设计 |
5.2.3 分类器选择 |
5.3 实验结果与分析 |
5.3.1 数据集和参数设置 |
5.3.2 测试集实验结果 |
5.3.3 测试集实验结果分析 |
5.4 显着区域智能辨识实验与分析 |
5.5 小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
在学期间科研成果情况 |
(8)基于深度学习的通信信号智能盲检测与识别技术研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究历史与现状 |
1.2.1 通信信号检测方法研究现状 |
1.2.2 通信信号调制识别方法研究现状 |
1.2.3 通信信号辐射源个体识别方法研究现状 |
1.3 存在的问题挑战与研究思路 |
1.4 论文的结构安排与主要工作 |
第二章 深度学习理论基础 |
2.1 引言 |
2.2 深度学习概述 |
2.2.1 发展历程 |
2.2.2 从浅层到深度学习 |
2.3 典型深度学习网络 |
2.3.1 卷积神经网络 |
2.3.2 循环神经网络 |
2.4 深度学习应用于通信信号智能盲检测与识别的思考 |
2.5 本章小结 |
第三章 基于深度学习的通信信号智能检测方法 |
3.1 引言 |
3.2 基于自适应频谱噪底抵消的能量检测方法 |
3.2.1 宽带频谱估计 |
3.2.2 自适应噪底估计 |
3.2.3 噪底抵消和信号检测 |
3.3 基于目标检测网络的通信信号智能宽带检测方法 |
3.3.1 宽带时频图数据集标注与构建 |
3.3.2 ISD-ODN智能宽带检测网络 |
3.3.3 算法流程总结 |
3.3.4 实验结果与分析 |
3.4 基于级联分类树的智能窄带突发信号识别方法 |
3.4.1 双滑动窗突发信号检测 |
3.4.2 窄带时频图数据增强 |
3.4.3 深度残差注意力信号识别网络 |
3.4.4 基于前导码滑动相关频谱峰值检测的信号识别 |
3.4.5 算法流程总结 |
3.4.6 实验结果与分析 |
3.5 本章小结 |
第四章 基于深度学习的通信信号智能调制识别方法 |
4.1 引言 |
4.2 基于专家经验特征的调制识别方法 |
4.2.1 信号参数统计特征 |
4.2.2 高阶统计量特征 |
4.2.3 循环平稳特征 |
4.2.4 基于特征分类的调制识别 |
4.3 基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法 |
4.3.1 二维循环谱变换 |
4.3.2 低秩表示降噪 |
4.3.3 稀疏滤波卷积网络 |
4.3.4 算法流程总结 |
4.3.5 实验结果与分析 |
4.4 基于魏格纳-威利分布与深度几何卷积网络的智能调制识别方法 |
4.4.1 魏格纳-威利分布映射 |
4.4.2 维度不可分的几何滤波器 |
4.4.3 深度几何卷积网络 |
4.4.4 算法流程总结 |
4.4.5 实验结果与分析 |
4.5 基于深度注意力门控卷积网络的智能调制编码联合识别方法 |
4.5.1 一维卷积模块 |
4.5.2 注意力机制门控循环模块 |
4.5.3 深度注意力门控卷积网络 |
4.5.4 算法流程总结 |
4.5.5 实验结果与分析 |
4.6 本章小结 |
第五章 基于深度学习的智能通信辐射源个体识别方法 |
5.1 引言 |
5.2 基于专家经验特征的辐射源个体识别方法 |
5.2.1 信号参数统计特征 |
5.2.2 信号变换域统计特征 |
5.2.3 机理模型特征 |
5.2.4 辐射源特征降维和分类器 |
5.3 基于时域与频域特征融合学习的智能辐射源个体识别方法 |
5.3.1 信号精细预处理及表示 |
5.3.2 IRI-TFF多域特征融合识别网络 |
5.3.3 算法流程总结 |
5.3.4 实验结果与分析 |
5.4 基于波形与星座矢量图特征融合学习的智能辐射源个体识别方法 |
5.4.1 信号精细预处理及表示 |
5.4.2 IRI-WCF多域特征融合识别网络 |
5.4.3 基于迁移学习的小样本新目标SEI方法 |
5.4.4 算法流程总结 |
5.4.5 实验结果与分析 |
5.5 本章小结 |
第六章 通信信号智能检测识别系统及实验结果 |
6.1 引言 |
6.2 系统组成和关键技术 |
6.2.1 系统框架和组成 |
6.2.2 系统实现关键技术 |
6.3 实验验证与分析 |
6.3.1 实际短波信号智能检测实验 |
6.3.2 实际卫星信号智能调制识别实验 |
6.3.3 实际超短波信号智能辐射源个体识别实验 |
6.4 本章小结 |
第七章 全文总结与展望 |
7.1 论文主要贡献 |
7.2 后续工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(9)《装饰》杂志设计文化发展研究(1958-2018)(论文提纲范文)
摘要 |
abstract |
致谢 |
1 绪论 |
1.1 研究的背景及意义 |
1.2 相关领域研究现状 |
1.2.1 期刊论文类 |
1.2.2 专着类 |
1.3 研究的方法、思路 |
1.3.1 研究的方法 |
1.3.2 研究的思路 |
2 百花盛开的工艺美术发展(1958-1961) |
2.1 《装饰》创刊溯源 |
2.2 《装饰》杂志风格主要视觉特点 |
2.2.1 封面文字 |
2.2.2 封面视觉图案 |
2.2.3 内页版面设计 |
2.3 传统工艺美术的发展 |
2.3.1 重新重视民间美术 |
2.3.2 指导工艺美术创作 |
2.4 为美化人民生活服务 |
2.4.1 面向大众生活创作 |
2.4.2 向西方世界开展学习 |
3 求索争鸣的设计萌芽(1980-1996) |
3.1 复刊时代背景 |
3.2 《装饰》视觉元素的变化 |
3.2.1 封面设计形式的探索 |
3.2.2 封面主体立意的变迁 |
3.2.3 内页版式的有序与变化 |
3.3 工艺美术的变革 |
3.3.1 “工艺美术“名词的局限 |
3.3.2 “装饰热”的兴起 |
3.4 现代化的新浪潮 |
3.4.1 科技与艺术的大讨论 |
3.4.2 现代设计的浪潮 |
3.5 《装饰》步伐的“守”与“进” |
4 对话世界文化自信的设计现代化(1997-2018) |
4.1 走入“全球化” |
4.2 《装饰》设计的多元化 |
4.2.1 和谐的整体性 |
4.2.2 现代感的民族美 |
4.2.3 敢于尝试的创意美 |
4.2.4 版式装饰的简洁美 |
4.3 开放视野立足传统 |
4.3.1 工艺美术的新发展 |
4.3.2 设计批评的引入 |
4.3.3 中国创造带来的思考 |
4.4 面向时代关注当下 |
4.4.1 设计的伦理学问题 |
4.4.2 技术与设计的关系 |
4.4.3 从设计艺术到设计科学 |
4.5 《装饰》内容的“质”与“量” |
5 总结 |
5.1 从工艺美术到现代设计 |
5.2 从教育理论到学科实践 |
结语 |
参考文献 |
附录一 采访文字稿 |
附录二 《装饰》1958-2018杂志封面 |
附录三 《装饰》1958-2018文章整理 |
作者简介 |
(10)5G网络技术对提升4G网络性能的研究(论文提纲范文)
引言 |
1 4G网络现处理办法 |
2 4G网络可应用的5G关键技术 |
2.1 Msssive MIMO技术 |
2.2 极简载波技术 |
2.3 超密集组网 |
2.4 MEC技术 |
3 总结 |
四、浅论智能信息分类处理中的数学基础问题(论文参考文献)
- [1]自然语言处理中的文本表示研究[J]. 赵京胜,宋梦雪,高祥,朱巧明. 软件学报, 2022(01)
- [2]基于群智能优化算法的带钢表面缺陷图像处理方法研究[D]. 张洪博. 长春工业大学, 2021(02)
- [3]张量分解理论及其在机械故障诊断中的应用[D]. 葛茂. 武汉科技大学, 2021(01)
- [4]基于深度学习的初中数学习题信息抽取方法研究[D]. 岑斐斐. 渤海大学, 2021(02)
- [5]声学后向散射数据的成像关键技术与底质分类研究[D]. 周平. 中国地质大学, 2021(02)
- [6]基于双目视觉的UAV自主感知与避让研究[D]. 张继. 四川大学, 2021(02)
- [7]大雾下海上图像的目标分离与智能辨识研究[D]. 林昌. 集美大学, 2021(01)
- [8]基于深度学习的通信信号智能盲检测与识别技术研究[D]. 李润东. 电子科技大学, 2021(01)
- [9]《装饰》杂志设计文化发展研究(1958-2018)[D]. 宋哲琦. 浙江大学, 2020(12)
- [10]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)