一、书目合并后数据覆盖与丢失现象分析(论文文献综述)
刘晗[1](2021)在《西方近代天文学思想在晚清的译介研究》文中指出中国天文一学自古有之。它源于哲学,应用算数,杂糅政治,融入社会,在实学导向下,成为封建统治阶级探求天意、编写历法的工具。西方天文科学自明末入华以来,与中国本土天文思想发生激烈碰撞。经过两个半世纪的博弈,直至晚清,二者在以《谈天》为代表的西方近代天文学着作的翻译中达成会通,成为中国近代天文学的萌芽。本研究在翻译文化史观的基础上,提出科学翻译与文化互构互彰的观点,构建翻译摄动论。作者以《谈天》1859和1874版译本,及其1851和1869版底本Outlines of Astronomy(直译为《天文学纲要》)为一手资料,通过文本细读、比对,从译法选择、概念理解和译名废立,研究西方天文学概念的引入和科学思想的容受,分析西方天文学的翻译如何使中国古代天文思想偏离其原有轨道,进入近代天文学新轨道,并探讨其中的翻译摄动作用。研究发现,中西天文思想的博弈经历了激烈对垒、反复较量、吸收融会三个阶段。阻碍其翻译和传播的原因,有学科差异产生的天文知识的断层、西方科学理念与中国天人关系的矛盾、西学中源和夷夏之辨等主流社会思潮的抵制。即使在18世纪译有《崇祯历书》等着作,天文仍仅作修改历法之用,无法摆脱皇权的辖制。直至晚清,敏感于新学的士大夫与崇尚科学的新教传教士延续并发展了自明末以来的“西译中述”翻译模式,以李善兰为代表的秉笔华士调节儒学价值观与西方文明之间的文化差异,以删述的方式,提纲挈领地将西方近代天文学集大成之作Outlines of Astronomy译成适于国人了解新天文学前沿的《谈天》。在新概念的翻译上,译者沿袭旧词或创立新词,在天算、天官、天文、天学等与astronomy的意义有所交叉的词语中选择“天文”为译名,以除旧立新;又新译nebulae为“星林”、gravitation为“摄力”,引入恒星天文学和天体力学两门新学问。本文认为,以《谈天》为中心的近代天文学译作体现了晚清学者在中西天文博弈和中国新旧天文思想承接上审慎的批判和选择。译者以翻译为媒介,引入新的研究范式,细化学科分类,在理论上满足重建天文学科的必要条件;在关键译名的确立上,以客观实体的“天”取代天人映射的研究主题,一方面解构实学,改变天文的学科性质,另一方面动摇天道观的哲学传统,在思想上为学科建设奠定基础。此后,官民合力兴建学堂普及天文教育,在物质上符合现代教育体制下对于开设新学科的要求。晚清译介西方近代天文学,借它山之石,使中国天文学思想发生了近代转向。
钟旭阳[2](2021)在《Flink下计算资源感知的数据分区和并行优化》文中进行了进一步梳理Flink由于其高吞吐、低延时等优势,已被广泛应用到日志、统计等常见流计算问题中,近年来又出现了面向科学计算的应用新动向。Flink中数据分区对于性能有着重要影响,现有数据分区方法大多考虑了不同键值数据量差异较大的数据资源倾斜问题,以及节点间不同链路带宽差异较大的网络资源倾斜问题,而忽略了节点的计算能力和负载不同的计算资源倾斜问题。对于科学计算的计算密集型应用,计算资源倾斜更为敏感和重要。而在分布式流处理框架上设计不同的科学计算并行化流程,同样对系统的性能有较大影响。为此本文以加快流式计算中FFT计算速度、提高FFT作业吞吐率为目的,一方面考虑Flink流计算平台本身,面向计算密集型的科学计算问题设计了一种计算资源感知的自适应数据分区方式,缓解计算过程中的计算资源倾斜问题。另一方面考虑FFT算法自身特点,在Flink框架中对FFT进行了基于流水线的并行化流程构建和优化。本文主要工作和贡献如下:1.计算资源感知的自适应数据分区策略本文提出了一种新的计算资源感知的数据分区策略。在Flink运行中获取各节点的CPU、内存、IO等计算资源消耗信息,根据计算资源消耗信息对各节点进行打分,根据处理数据量越多则消耗计算资源越多的原则,使用贪心算法动态调节各节点的数据分配比例,削减重载节点数据量的同时适当增加空闲节点的数据量,最后通过监测一段时间内系统各个工作节点上并行实例吞吐率变化来进行反馈更新。在计算密集型FFT计算的数据集上实验结果表明,该方法能够提高系统整体的吞吐率,FFT作业的平均完成时间加快约10%~25%。2.FFT并行流程优化及缓存窗口设计本文基于Flink对FFT流处理算法进行了设计和优化,同时针对Flink对一些适用于FFT计算的缓存窗口等机制进行了设计和改造。本文将每帧数据并行拆分,在多级并行算子间构建蝶式变换,将单个并行实例的计算压力分拆到多级并行实例上,同时多帧数据之间实现流水线计算。我们设计了蝶式计算划分级数的自动调优,以自动设置在不同点数、不同集群中的最优加速比参数。我们对Flink原有窗口进行了改造,实现根据数据空间信息为触发条件的缓存窗口,使得蝶式计算数据全部到达时立即触发窗口计算。最后我们在窗口内设计了多帧缓冲队列,以防出现位置覆盖、计算错误等问题。实验表明,改进后FFT在多个大规模点数下计算速度均有所提高。
苍圣[3](2021)在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中认为高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:(1)对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。(2)针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。(3)提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据(集)库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。(4)提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。(5)提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。
陈海兰[4](2021)在《面向聚类及预测的时间序列信息粒化方法研究》文中研究说明随着信息技术的发展,经济管理领域中产生并存储着大量的时间序列数据,运用数据挖掘算法可以挖掘出数据中潜在的、有价值的知识和信息以支持管理和决策活动。但这些时间序列数据通常都具有显着的高维性特征,若对其直接运用数据挖掘算法,会造成过高的计算复杂度,且数据挖掘结果也会受到影响。粒计算是一种模拟人类求解问题思维和解决大数据复杂任务的新方法,该理论的主要思想是将复杂问题抽象、划分转化为若干较为简单的问题(即粒化),从而有助于更好的分析和解决问题。本文将粒计算的粒化思想引入时间序列分析中,通过对时间序列进行信息粒化,将原始高维时间序列粒化为低维粒时间序列,构造的信息粒能够刻画和反映原始时间序列数据的结构特征,从而实现高效降维,为后续的数据挖掘工作奠定基础。本文针对时间序列的信息粒化问题,从时间轴和论域两个方面提出了三种不同的时间序列信息粒化方法:基于波动点的时间序列时间轴信息粒化方法、基于云模型的时间序列时间轴信息粒化方法和基于论域信息粒化的模糊时间序列预测方法,并应用于股票时间序列数据进行聚类和预测分析,为股票的投资选股问题及涨跌趋势的判断问题提供决策建议。主要研究内容和创新性研究成果如下:(1)在时间序列的时间轴方面,针对低频时间序列的结构特征,提出了基于波动点的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于波动点的时间序列信息粒化方法,通过识别波动点对原始时间序列进行信息粒划分,进而使用线性函数对划分后的信息粒进行描述得到粒时间序列,解决了传统时间序列降维方法中对于时间轴的硬划分问题,在降维的同时能更有效地提取时间序列的结构特征。其次,针对粒时间序列提出了相应的相似性度量方法。最后,在标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在科创板股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在科创板股票市场选股时提供参考。(2)在时间序列的时间轴方面,针对高频时间序列的结构特征,提出了基于云模型的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于云模型的时间序列信息粒化方法,在不需要事先指定信息粒划分个数的情况下,可以自适应地将时间序列粒化表示为若干个正态云,该方法针对高频时间序列具有更好的降维效果。其次,针对粒化后的云模型序列提出了相应的相似性度量方法。最后,在具有高频特征的标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在具有高频震荡特征的沪深A股股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在A股市场上选股投资时提供参考。(3)在时间序列的论域方面,提出了基于模糊C均值聚类和信息粒化的时间序列论域划分方法,并基于论域划分结果提出了时间序列预测方法。首先,运用模糊C均值聚类方法对时间序列的论域进行初始划分,然后提出了基于信息粒化的论域划分优化算法,该方法将聚类算法和信息粒化方法相结合来划分论域,提高了样本数据划分的准确性和可解释性。其次,针对时间序列信息粒化后的论域划分结果,给出了时间序列的模糊预测方法,该方法将精确的时间序列数据转化为符合人类认知形态的语义值构成的时间序列,通过对这些语义值构建模糊逻辑关系来描述时间序列的动态演变过程,得到其模糊变化规则并进行预测,提高了预测结果的可理解性。最后,在台湾加权股价指数(TAIEX)数据集上进行了预测实验,实验结果表明运用所提出的时间序列信息粒化方法进行时间序列预测能够提高预测结果的准确性;并在上海证券综合指数(SHCI)数据集上进行了算法的实际应用研究,研究结果可以帮助投资者了解未来股票市场的走向,为其调整投资策略时提供参考。
闫伟[5](2020)在《基于UAV的低能耗数据采集和传输方案研究》文中认为随着无人机(Unmanned Aerial Vehicle,UAV)成本的不断降低和设备的小型化,以及其较高的移动性,部署的灵活性等优点,UAV引起了国内外的广泛关注。在通信领域,UAV协助野外或者不易到达区域的地面传感器节点进行数据采集和传输是其重要功能之一。由于UAV能量有限,频繁的进行数据采集容易增加UAV的能量消耗,降低UAV的工作时间,同时易采集到大量的冗余数据。为了降低UAV能耗,延长网络的生存时间,如何降低UAV的数据采集次数以及如何进行冗余数据处理是一个值得研究的问题。本文针对传统UAV数据采集方案造成的高能耗问题以及UAV回传的数据冗余度较高的问题,研究基于反向传播(Back Propagation,BP)网络预测模型的UAV数据采集周期动态调整节能策略以及基于时空相关性的冗余数据处理方案。现有的周期调整方案,周期的变化无法准确匹配环境的变化,容易采集较多的冗余数据,造成UAV额外的能量消耗。本文依据BP神经网络预测模型实现数据预测,在预测模型中,通过对环境参数的训练和学习,获得高精度的预测结果。使用闵可夫斯基距离公式计算预测值与当前周期真实值的距离,通过距离大小评估采集区域的环境变化幅度。在不同的环境变化幅度下,通过三阶段策略动态调整UAV进行数据采集的周期大小,使得周期的变化能够匹配环境的变化,实现降低UAV数据采集次数的同时又保证UAV采集的数据完整性。同时依据数据采集周期的大小自适应调整UAV的状态,使得UAV在合适的时间由飞行状态转为休眠状态,减少UAV的飞行时间,降低UAV能耗。在数据回传阶段,由于环境平稳变化的特点,传感器节点的数据变化幅度比较小,各个周期采集的数据值相似度较高以及同一个周期各个节点间的数据的相似性较高。考虑到仅从单个维度进行数据分析的局限性,本文对UAV采集的数据分别从时间维度和空间维度进行相似度分析。在时间维度将本周期采集结果与上周期的采集结果采用改进的欧氏距离进行相似性比较,相似度较高则丢弃,否则保留,实现初步的数据缩减。在空间维度将时间维度处理后的数据依据改进的凝聚层次聚类算法实现数据聚类,将相似度较高的数据划分到同一个簇中。最后将聚类结果采用d-huffman编码算法进行数据压缩处理,减少回传的数据量,降低通信能耗。最后,将本文算法与现有算法进行仿真对比,结果表明本文算法能够进一步降低UAV系统能耗。
郑启明[6](2020)在《夜间灯光遥感数据处理关键技术与多中心城市监测研究》文中研究表明随着全球城市化进程的快速推进,城市建成区面积和城镇人口比例不断上升,多中心城市成为国内外大都市为缓解城市扩张带来的社会、经济、环境压力普遍采取的一种新型城市空间发展模式。在长时间尺度上掌握多中心城市演变规律与趋势,揭示多中心城市发展中存在的问题是促进科学可持续城市发展极具意义的研究课题。近年来,地理信息与遥感技术的蓬勃发展,特别是夜间灯光(夜光)遥感数据的诞生,为城市研究提供了强有力的数据与技术支撑。然而,现阶段夜光遥感数据存在“像元扩散效应”和“多源数据不兼容”两个数据处理技术问题,严重降低了数据质量,限制了基于夜光遥感数据的应用潜力。基于夜光遥感的多中心城市动态监测亦受到上述数据处理问题的限制。同时,现有多中心城市研究存在覆盖时相短、依赖主观参数设置、普适性差的缺点,缺少一个能快速识别城市子中心,定量、多角度描述城市子中心特征的方法体系。本文深入分析、总结了相关研究的不足,提出解决夜光遥感数据“像元扩散效应”和“多源数据不兼容”问题的方法,生成高质量、长时间序列的夜光遥感数据,并以此数据为基础建立多中心城市识别、描述方法体系,揭示多中心城市时空动态演特征。主要研究内容与成果涵盖:(1)基于DMSP-OLS数据成像和生产的物理过程,提出“像元扩散效应”的概念,构建概念模型。利用油气开采火炬光的夜光遥感影像对像元扩散效应点传输方程建模,借鉴图像去模糊理论建立一个两步骤去模糊算法(TSDA),基于Tikhnovo滤波重建DMSP-OLS影像、消除扩散效应。通过模拟数据和真实数据对算法效果进行多角度评价。结果表明,高不透水面率像元(ISF>0.6)受到的扩散效应绝对强度最大,而低不透水面率像元(ISF<0.2)对扩散效应更为敏感。研究提出的两步骤去模糊算法能有效消除DMSP-OLS影像的像元扩散效应,增强数据的空间变异,抑制城市内非建成区的伪夜光信号。消除扩散效应的影像与模拟和真实参考影像的相似度指数和相关系数最高。敏感性分析表明本算法在小于0.6σ的噪声水平下对线性(宽度>1.5km)和圆形(半径>0.5km)对象具有稳定且理想的效果。(2)为解决DMSP-OLS和VIIRS数据传感器间不连续的问题,研究提出了一个联合两种数据、生成长时间序列夜光遥感数据的方法。利用逻辑斯蒂模型拟合DMSP-OLS数据,估计缺失数据并对DMSP-OLS进行年际连续性校正。分别通过Lomb-Scargle Periodogram和BFAST时间序列分解算法检验VIIRS数据周期显着性和消除季节效应与数据噪声,构建年合成VIIRS数据。提出一个残差校正的地理加权回归模型(GWRc)作为传感器间校正模型,生成连续的长时间序列夜光遥感数据(1996-2017)。研究结果表明,GWRc较其他现有校正模型具有更好的校正效果(RMSE=6.36),能显着改善DMSP-OLS和VIIRS数据之间连续性(SNDI=82.73,R2=0.986),并能提升基于夜光遥感长时间序列应用的结果精度。本文提出的传感器间校正方法解决了当前基于夜光遥感研究只能使用单一数据源的窘境,该校正方法可延用于持续更新的VIIRS数据,不断扩充夜光遥感数据的时间维度。(3)综合利用前两部分提出的夜光遥感数据处理技术,以高质量、长时间序列的夜光遥感影像(1996-2017)为数据源,探究多中心城市时空动态特征。依托谷歌地球引擎生成年度最大值合成NDVI,利用支持向量机提取城市建成区范围。建立一个基于区域生长的子中心范围自动识别算法,通过拟合高斯体积模型所得参数定量描述子中心空间、形态和强度特征,分析杭州市各子中心的时空动态演变特征。研究结果表明,基于子中心自动识别算法得到的“一个主中心多个子中心”模式与实际城市规划方案一致性高。基于高斯体积模型的城市子中心特征描述方法能有效地对多中心城市空间结构的时空动态轨迹进行可视化与定量分析。与其他数据源相比,基于夜光遥感数据的多中心城市研究方法是对人类社会、经济活动更直观、综合的表征,能更好的反映人类活动的实际情况对城市规划的响应关系。
刘聪[7](2020)在《基于信道化的并行数字频谱处理模块设计》文中认为当前通信技术与军事领域相关技术快速发展,多种复杂的射频技术被广泛应用,传统频谱分析仪难以对复杂信号进行检测,数据采集和数据处理分段进行会出现数据采集空窗期,导致短时信号和突变型号被漏检。当前普遍使用RTSA(实时频谱分析仪)在时域、频域和调制域等多个维度对信号进行全面分析。如何克服运算能力的瓶颈,提高实时频谱分析仪对瞬时信号的捕获能力成为了亟待解决的问题。实时频谱分析仪相关参数中,100%POI(Probability of Intercept,100%截获最短信号时间)指标决定了系统能够捕获突发信号的最短时长,同时数据处理的重叠率指标直接影响100%POI参数。针对大带宽实时分析模式和高重叠率带来的较高数据率的问题,本文基于ADC+FPGA(模数转换器+现场可编程门阵列)硬件平台,设计了一种并写结构的高效数字频谱处理模块。由于数据帧重叠处理后数据率成倍提升,超过系统的时钟频率,因此本文使用信道化算法将宽带信号分解为多个窄带信号,采用并行架构重叠处理模块进行多路重叠处理,降低每一路数据处理的压力,然后计算窄带信号频谱,检波合并处理得到最终的频谱结果。信道化分解的实现采用多相滤波算法,依靠寄存器组控制多路数据延时,使用多相滤波器组完成低通滤波,将宽带信号分解为多路并行处理。后续频谱处理同样使用并行结构进行频谱计算,其中包括FFT(快速傅里叶变换)计算、输出顺序调制、求模以及对数坐标转换等部分。最终将频谱数据检波处理后输出显示,本文设计了正负峰值检波方式,通过乒乓结构实现数据实时检波处理,检波后合并多路窄带频谱。本文通过理论分析,仿真测试和实际实现调试等方式进行系统设计,过程中调用了MATLAB、modelsim和VIVADO等软件平台。测试过程中使用了示波器、频谱分析仪和矢量信号源等仪器仪表,最终实现了系统对瞬态短时信号的捕获。测试得到100MHz实时分析带宽下系统捕获短时信号的能力100%POI达到10μs,满足设计需求。
朱明[8](2020)在《卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究》文中研究说明地表覆盖是一种重要的地理信息资源,是自然资源监测、国土空间规划、地理国情普查、宏观调控分析等不可或缺的重要信息。近年来高分辨率卫星影像数据获取能力不断增强,为地表覆盖分类提供了坚实的数据基础。然而在实际应用中,大量的地表覆盖分类仍然依靠人工解译处理,难以满足当前大尺度、海量影像地表覆盖分类处理与提取的要求。为了满足高效、准确、自动化的地表覆盖分类应用要求,本文围绕地表覆盖分类问题,研究了利用卷积神经网络进行高分辨率卫星影像地表覆盖分类的关键技术,提出了基于卷积神经网络的地表覆盖分类具体方法,提高了地表覆盖分类精度与效率。论文主要研究内容如下:(1)结合高分辨率卫星影像特点与地表覆盖分类要求,研究了卷积神经网络地表覆盖语义分割方法、特征提取方法与分类方法。研究并设计了包含编码与解码结构的地表覆盖分类卷积神经网络(LCC-CNN)。LCC-CNN通过增加多尺度特征感知模块与多尺度特征融合模块,强化了对多尺度地表覆盖分类特征的提取与融合。通过融合低层特征信息,改进损失函数,强化了图斑边缘学习与分类效果,增强了 LCC-CNN的地表覆盖分类能力。(2)根据遥感影像数据特点,研究了地表覆盖分类训练样本增广方法。提出了改进SMOTE算法,通过计算卷积神经网络对训练样本的学习效果进行数据增广与筛选,减少了无效样本对训练过程的干扰。在同样数据增广规模下,使用改进SMOTE算法构建的训练样本集能够获得更高地表覆盖分类精度。(3)针对多光谱影像数据特点扩充了训练数据的光谱、纹理与坡度等特征,优化了LCC-CNN训练过程,增加CRF后处理方法进一步提高分类精度。实验数据表明,LCC-CNN分类精度优于对比方法,对IOU及Kappa系数的提升较为明显。利用预训练网络与少量训练样本数据,使LCC-CNN具备提取与识别甘蔗种植区域的能力。(4)研究利用多时相数据改进地表覆盖分类精度。利用LCC-CNN在地表覆盖分类中具有较强泛化能力的特性,以LCC-CNN为骨干网构建了前后时相并行分类网络,提出了多时相修正地表覆盖分类方法。该方法能够利用前时相的真值与分类结果,在计算前、后时相特征相似度的基础上修正后时相地表覆盖分类结果,提高分类精度。
张萌[9](2020)在《云环境下支持压缩加密的键值存储技术研究》文中研究表明面对数据量的爆炸式增长,云存储服务凭借其存储空间大、运营成本低等优势已经成为未来存储的发展趋势。随着云存储的发展,为了满足广大用户的需求,各种与云存储结合的应用不断从安全性、性能和数据访问等多方面完善云存储方案。为了提高云存储处理大数据工作负载的能力,分布式键值存储已经成为许多公有云服务的主干。现代分布式键值存储为数据密集型计算和基于云的应用程序提供了卓越的性能、可扩展性和良好的可用性。许多大数据键值存储系统通过对数据进行压缩来提高系统性能。数据压缩可以使服务器在主内存中容纳更多的数据,从而减少对持久存储的访问次数。自云计算出现以来,数据安全问题一直备受关注。直接将数据存储在云服务器上,会造成大量隐私数据的泄露,为此,加密技术通常被用来保护数据的安全性。因此,一个理想的键值存储系统应该将压缩与加密技术都纳入到设计中。但由于压缩技术与加密技术不易兼容,大部分键值存储系统都只采用了压缩或加密技术的一种。此外,互联网本身的特性也影响了云存储的可用性,尽量减少通信开销,有助于降低数据传输的延迟性。针对这些问题,本论文对能够同时兼容压缩与加密技术,且能够支持细粒度访问的键值存储方案进行了研究,主要贡献如下:1.本文提出了一种能够同时支持压缩与加密技术的静态键值存储方案。首先基于“先水平划分后垂直划分”的数据切分思想,设计了一种新型键值存储结构,该结构采用先压缩后加密的方式来对数据进行打包,能够支持列粒度的数据访问。在此结构基础上,我们结合顺序可见加密技术、保序加密技术,详细设计了安全有序索引,实现了单键查询和范围查询。该研究成果已被国际会议International Conference on Cryptology and Network Security录用,并获得最佳论文奖。2.为了丰富系统功能,如高级查询功能和数据更新功能,我们在静态键值存储方案基础上,结合伪随机函数、对称可搜索加密技术以及悲观锁思想设计了能够支持丰富查询和动态更新的通用型动态键值存储方案,并结合时间轴思想设计了针对于时间序列数据的追加型动态键值存储方案。3.证明了本文方案的安全性,并在Linux环境下进行了仿真实验。实验数据表明在不同的查询方式下,所提方案的查询效率都是可接受的,且查询吞吐量是对比方案的数倍;通用模型下,更新吞吐量较低,但高于对比方案;追加模型下,动态追加效率很高。综前所述,我们的方案是安全且高效的。
刘瑞清[10](2020)在《基于构造性覆盖的不平衡数据欠采样分类方法研究》文中指出随着互联网技术的快速发展,机器学习分类已广泛应用于日常生活的多个领域。分类算法通过对已有的数据进行分析并且建立模型,从而对未知数据进行预测。目前,已经有了很多成熟的分类算法,比如支持向量机、决策树、神经网络等,这些算法大多是针对平衡数据集而设计的。但是,在实际应用中,数据集大多都是不平衡的。这些分类算法在对不平衡数据进行分类时,往往比较注重数据集整体的分类准确率,而少数类样本的分类准确率比较容易被忽略。如何在保证不平衡数据整体分类准确率的同时,提高少数类样本的分类准确率是亟待解决的问题。当前对不平衡数据分类的研究方法主要从数据集和算法的层面考虑。在数据集的层面,过采样方法通过增加样本信息来提升不平衡数据的分类准确率,欠采样方法通过删除多数类样本来加强分类算法对少数类样本的关注。大量研究表明,这些方法都可以在一定条件下提高少数类样本的分类精度,但都存在对不平衡数据集中的样本分布考虑不足的问题。鉴于此,本文从数据集层面考虑,对如何利用样本的空间分布信息来提升不平衡数据的分类性能进行研究,主要研究内容总结如下:(1)提出了基于构造性覆盖(Constructive Covering Algorithm,CCA)的数据清洗方法(SMOTE+CCA)。首先使用合成少数类过采样技术(Synthetic minority oversampling technique,SMOTE)对不平衡数据集进行过采样处理,然后借助CCA挖掘容易被误分类的样本,最后提出一种成对删除策略对SMOTE采样后生成的平衡数据集进行数据清洗。该方法对SMOTE进行改进,挖掘并删除数据集中的重叠和噪声样本,降低数据集的复杂程度,达到提升分类精度的目的。最后通过实验验证该方法的有效性。(2)提出了基于构造性覆盖的欠采样方法(Spatial Distribution-based Imbalanced Undersampling,SDUS)。首先使用CCA挖掘样本的空间分布信息,形成多个空间邻域,在此基础上提出两种样本选择策略(基于多样性的方法SDUS1和基于余弦相似度的方法SDUS2)。SDUS1使用加权随机采样的方法,在每一个多数类的空间邻域中挑选样本。SDUS2基于余弦相似度计算样本之间的相似性,将每一个空间邻域划分成四个部分,根据四个部分中样本的密度选择样本。最后结合集成学习技术对采样之后的数据集进行训练,并通过实验验证该方法的有效性。
二、书目合并后数据覆盖与丢失现象分析(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、书目合并后数据覆盖与丢失现象分析(论文提纲范文)
(1)西方近代天文学思想在晚清的译介研究(论文提纲范文)
摘要 |
Abstract |
致谢 |
第1章 绪论 |
1.1 选题缘起 |
1.2 研究内容 |
1.3 研究方法 |
1.4 研究意义 |
1.5 本文结构 |
第2章 文献综述 |
2.1 译史研究:文史学的贡献 |
2.1.1 专着类 |
2.1.2 期刊类 |
2.2 译者研究:宗教学的贡献 |
2.3 译文研究:天文学的贡献 |
2.4 问题和缺憾 |
第3章 理论框架 |
3.1 基础:翻译文化史观 |
3.2 新解:科学翻译与文化互构互彰 |
3.3 建构:翻译摄动论 |
第4章 中西天文博弈历程 |
4.1 钩沉:域外天文入华 |
4.1.1 印阿天文中译 |
4.1.2 西方天文中译 |
4.2 冲突:天文传统对垒 |
4.2.1 中国天文 |
4.2.2 西方天文 |
4.3 较量:明末接受与拒斥 |
4.3.1 概述 |
4.3.2 《崇祯历书》 |
4.3.3 拒斥之因 |
4.4 会通:晚清翻译终成 |
4.4.1 概述 |
4.4.2 《西国天学源流》 |
4.4.3 《谈天》 |
4.4.4 其他译作 |
4.5 小结 |
第5章 《谈天》翻译研究 |
5.1 译者剖析 |
5.1.1 新教传教士译者 |
5.1.2 秉笔华士 |
5.1.3 翻译模式 |
5.2 译介动机 |
5.2.1 最初原因:“道”“器”之辩 |
5.2.2 最终原因:时代因素 |
5.2.3 形式原因与效率原因:译者的使命 |
5.3 译法探究 |
5.3.1 预翻译 |
5.3.2 七条基本规则 |
5.3.3 删述 |
5.4 小结 |
第6章 核心译名与概念建构 |
6.1 译名的沿用与创立 |
6.1.1 沿用旧词 |
6.1.2 创译新词 |
6.2 学科名称翻译:定义中国近代天文 |
6.2.1 术语的历史考察 |
6.2.2 “天学”与“天文” |
6.2.3 “天文”的学科意义 |
6.3 学科名词翻译:搭建天文话语空间 |
6.3.1 星林词群:恒星天文学诞生 |
6.3.2 摄力词群:天体力学的萌芽 |
6.4 小结 |
第7章 天文学译介的影响 |
7.1 学界接受考察 |
7.2 知识体系:学科重心转移 |
7.3 治学理念:实学传统解构 |
7.4 哲学基础:天道观念嬗变 |
7.5 物质资源:台站仪器投建 |
7.6 教育准备:教材科普编译 |
7.7 小结 |
第8章 结语 |
8.1 研究贡献 |
8.1.1 译史梳理 |
8.1.2 史料发现 |
8.1.3 译本分析 |
8.1.4 译名挖掘 |
8.2 研究创新 |
8.2.1 扩展翻译史研究范畴 |
8.2.2 提出翻译摄动论假说 |
8.2.3 增添学科史研究视角 |
8.3 后续研究 |
附录1.《谈天》沿用的中国古代汉语词 |
附录2.《谈天》借用古汉语词形构建的新词 |
附录3.《谈天》创建的新词 |
附录3.1 《谈天》新创译名中发生更改的部分 |
附录3.2 《谈天》新创译名中延续使用的部分 |
参考文献 |
(2)Flink下计算资源感知的数据分区和并行优化(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 研究现状 |
1.2.1 数据分区和倾斜问题研究现状 |
1.2.2 FFT并行流程及优化研究现状 |
1.3 本文研究内容 |
1.3.1 计算资源感知的自适应数据分区策略 |
1.3.2 FFT并行流程优化及缓存窗口设计 |
1.4 论文组织 |
第2章 问题定义及相关知识 |
2.1 问题定义 |
2.1.1 数据分区定义 |
2.1.2 倾斜问题定义 |
2.1.3 快速傅里叶变换FFT计算概念 |
2.2 倾斜问题分类 |
2.2.1 数据倾斜 |
2.2.2 网络倾斜 |
2.2.3 计算资源倾斜 |
2.3 分布式流处理框架Flink |
2.3.1 任务应用表示模型 |
2.3.2 任务调度与执行 |
2.3.3 精确一次语义 |
2.4 本章小结 |
第3章 计算资源感知的自适应数据分区策略方法设计 |
3.1 问题分析 |
3.1.1 问题描述 |
3.1.2 解决思路 |
3.2 算法设计 |
3.2.1 算法整体流程 |
3.2.2 高潜力节点和重载节点识别 |
3.2.3 自适应的动态分区策略 |
3.3 实验结果与分析 |
3.3.1 实验配置与测试样例 |
3.3.2 各并行实例实时吞吐率对比实验 |
3.3.3 FFT作业平均完成时间对比实验 |
3.4 本章小结 |
第4章 FFT并行流程优化方法设计及缓存窗口设计 |
4.1 问题分析 |
4.1.1 问题描述 |
4.1.2 解决思路 |
4.2 算法设计 |
4.2.1 算法整体流程 |
4.2.2 基于Flink流处理框架的FFT并行流程设计及优化 |
4.2.3 适用于FFT的缓存窗口设计 |
4.3 实验结果与分析 |
4.3.1 实验配置与测试样例 |
4.3.2 FFT计算时间对比实验 |
4.3.3 节点崩溃容灾实验 |
4.4 本章小结 |
第5章 总结 |
5.1 本文工作 |
5.2 本文贡献与创新之处 |
5.3 进一步工作 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
攻读学位期间参加的科研项目 |
(3)基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究的目的和意义 |
1.1.1 课题的目的 |
1.1.2 课题的意义 |
1.2 课题的国内外研究现状 |
1.3 高光谱遥感数据分类研究 |
1.3.1 高光谱遥感数据的应用概述 |
1.3.2 高光谱遥感数据分类依据 |
1.3.3 高光谱遥感数据分类方法 |
1.3.4 高光谱遥感数据分类中存在的问题 |
1.4 基于压缩感知的森林高光谱遥感数据分类算法 |
1.4.1 压缩感知在森林高光谱遥感图像重构中的作用 |
1.4.2 压缩感知在森林高光谱遥感图像分类中的应用及优势 |
1.5 研究内容和技术路线 |
1.5.1 研究内容 |
1.5.2 研究路线 |
1.6 章节安排 |
2 相关技术概述及数据处理 |
2.1 高光谱遥感影像森林类型分类算法概述 |
2.1.1 森林高光谱遥感影像重构算法 |
2.1.2 森林高光谱遥感影像降维算法 |
2.1.3 高光谱遥感影像森林分类算法 |
2.2 森林分类中的压缩感知算法 |
2.2.1 信号的稀疏表示 |
2.2.2 测量矩阵的设计 |
2.2.3 信号重构算法的设计 |
2.2.4 分块压缩感知方法 |
2.2.5 高光谱图像重构算法 |
2.2.6 高光谱图像特征分析 |
2.3 森林影像相关实验数据集 |
2.3.1 Indian Pines数据集 |
2.3.2 Salinas-A数据集 |
2.3.3 PaviaCentre数据集 |
2.4 黑龙江省伊春乌伊岭林场数据集 |
2.4.1 伊春乌伊岭概况 |
2.4.2 伊春乌伊岭地区高光谱遥感数据获取 |
2.4.3 伊春乌伊岭地区高光谱遥感数据预处理 |
2.5 高光谱遥感影像森林类型分类指标体系 |
2.5.1 混淆矩阵 |
2.5.2 误差矩阵基本精度指标 |
2.5.3 Kappa系数 |
2.6 本章小结 |
3 高光谱遥感影像压缩与重构算法研究 |
3.1 引言 |
3.2 高光谱遥感影像压缩方法研究 |
3.2.1 高光谱遥感影像压缩技术介绍 |
3.2.2 分块压缩感知的遥感图像压缩方法研究 |
3.2.3 改进的分块压缩感知的遥感图像压缩方法研究 |
3.2.4 基于GISMT的压缩感知高光谱图像重压缩法研究 |
3.3 高光谱遥感影像重构方法研究 |
3.3.1 基于参考波段复合预测模型的高光谱遥感图像重构方法研究 |
3.3.2 基于GISMT压缩感知和谱间预测的高光谱影像重构算法研究 |
3.3.3 实验及结果分析 |
3.4 本章小结 |
4 基于多特征降维与谱间预测的多核支持向量机分类研究 |
4.1 基于压缩感知和多特征集成的高光谱影像降维算法 |
4.2 基于压缩感知样本稀疏的支持向量机高光谱分类改进算法 |
4.3 基于压缩感知的多核支持向量机的高光谱分类算法 |
4.3.1 支持向量机的高光谱影像分类算法 |
4.3.2 支持向量机的非线性问题 |
4.4 基于谱间预测重构与多核支持向量机的高光谱遥感图像分类算法 |
4.4.1 经典数据集实验结果与分析 |
4.4.2 乌伊岭区森林类型分类 |
4.5 小结 |
5 基于CS与稀疏表示的有监督学习森林分类方法研究 |
5.1 高光谱遥感影像稀疏描述 |
5.1.1 稀疏表示分类器原理 |
5.1.2 高光谱影像稀疏表示与分类方法 |
5.2 基于形状自适应稀疏表示的高光谱森林影像分类 |
5.2.1 窗口边缘匹配搜索 |
5.2.2 联合稀疏表示高光谱遥感影像森林分类 |
5.3 实验过程 |
5.3.1 实验设置 |
5.3.2 分类性能对比实验 |
5.3.3 参数分析与讨论 |
5.4 小结 |
6 基于CS与稀疏表示的无监督字典学习森林分类研究 |
6.1 引言 |
6.2 基于光谱稀疏表示的字典学习 |
6.3 基于在线字典学习的高光谱遥感影像森林分类 |
6.3.1 稀疏先验和空间先验的混合约束 |
6.3.2 在线字典学习模型与优化算法 |
6.3.3 基于稀疏系数的线性分类算法 |
6.4 实验结果与分析 |
6.4.1 实验设置 |
6.4.2 分类性能对比 |
6.4.3 参数分析 |
6.5 本章小结 |
结论 |
1研究总结 |
2研究展望 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
东北林业大学博士学位论文修改情况确认表 |
(4)面向聚类及预测的时间序列信息粒化方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 研究背景 |
1.2 研究意义 |
1.3 论文框架与研究内容 |
1.4 研究创新点 |
2 理论基础与文献综述 |
2.1 时间序列分析 |
2.1.1 时间序列及其结构特征 |
2.1.2 时间序列的降维表示方法 |
2.1.3 时间序列的相似性度量方法 |
2.1.4 时间序列的数据挖掘任务 |
2.2 粒计算 |
2.2.1 粒计算的基本组成 |
2.2.2 粒计算的基本问题 |
2.2.3 粒计算的理论模型 |
2.3 时间序列信息粒化 |
2.3.1 时间序列信息粒化的时间轴信息粒化方法 |
2.3.2 时间序列信息粒化的论域信息粒化方法 |
2.3.3 已有研究的不足 |
2.4 本章小结 |
3 基于波动点的时间序列时间轴信息粒化方法 |
3.1 本章研究思路 |
3.2 基于波动点的时间序列信息粒化 |
3.2.1 信息粒划分方法 |
3.2.2 信息粒描述方法 |
3.3 基于线性信息粒化的时间序列相似性度量 |
3.3.1 线性信息粒匹配 |
3.3.2 线性信息粒的相似性度量 |
3.4 实验及结果分析 |
3.4.1 UCR标准数据集实验 |
3.4.2 科创板股票数据集实验 |
3.5 本章小结 |
4 基于云模型的时间序列时间轴信息粒化方法 |
4.1 本章研究思路 |
4.2 基于云模型的时间序列信息粒化 |
4.2.1 云模型理论 |
4.2.2 基于云模型的自适应信息粒化算法 |
4.3 基于云模型信息粒化的时间序列相似性度量 |
4.3.1 云模型匹配 |
4.3.2 基于期望曲线的云模型相似性度量 |
4.4 实验及结果分析 |
4.4.1 UCR标准数据集实验 |
4.4.2 沪深A股股票数据集实验 |
4.5 本章小结 |
5 基于论域信息粒化的模糊时间序列预测方法 |
5.1 本章研究思路 |
5.2 基于模糊C均值聚类和信息粒化的时间序列论域划分 |
5.2.1 基于模糊C均值聚类的时间序列论域初始划分 |
5.2.2 基于模糊信息粒化的时间序列论域划分优化算法 |
5.3 基于论域信息粒化的时间序列预测 |
5.3.1 模糊时间序列 |
5.3.2 基于模糊逻辑关系的时间序列预测方法 |
5.4 实验及结果分析 |
5.4.1 台湾加权股价指数(TAIEX)数据集实验 |
5.4.2 上海证券综合指数(SHCI)数据集实验 |
5.5 本章小结 |
6 结论与展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(5)基于UAV的低能耗数据采集和传输方案研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 UAV采集顺序优化 |
1.2.2 UAV传输功率控制 |
1.2.3 UAV采集节点选择 |
1.2.4 UAV采集周期调整 |
1.2.5 UAV冗余数据处理 |
1.3 研究目标和内容 |
1.4 本文的主要工作及论文结构 |
第二章 UAV数据采集和传输相关技术 |
2.1 BP神经网络 |
2.1.1 BP神经网络概念 |
2.1.2 BP神经网络原理 |
2.1.3 模型设计关键点 |
2.2 PM2.5数据影响因素分析 |
2.3 相似性度量 |
2.3.1 相似性度量函数 |
2.3.2 欧式距离 |
2.3.3 归一化欧氏距离 |
2.4 聚类算法 |
2.5 数据压缩编码技术 |
2.5.1 delta编码 |
2.5.2 huffman编码 |
2.6 小结 |
第三章 基于BP网络预测模型的UAV数据采集周期动态调整节能策略 |
3.1 引言 |
3.2 系统模型 |
3.2.1 工作场景 |
3.2.2 能耗模型 |
3.3 基于BP网络预测模型的UAV数据采集周期动态调整节能策略 |
3.3.1 数据预测 |
3.3.2 数据变化程度判决策略 |
3.3.3 周期调整策略 |
3.4 仿真与结果分析 |
3.4.1 预测模型仿真 |
3.4.2 周期调整策略仿真 |
3.5 小结 |
第四章 基于时空相关性的冗余数据处理方案 |
4.1 引言 |
4.2 系统模型 |
4.3 冗余数据处理问题求解 |
4.3.1 基于时间维度的加权欧氏距离数据处理算法 |
4.3.2 基于空间维度的数据聚类压缩处理算法 |
4.4 基于时空相关性的冗余数据处理算法 |
4.5 仿真与结果分析 |
4.6 小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
参考文献 |
致谢 |
作者简介 |
(6)夜间灯光遥感数据处理关键技术与多中心城市监测研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
缩写与术语 |
1 引言 |
1.1 研究背景与意义 |
1.1.1 城市化与多中心城市 |
1.1.2 夜间灯光遥感数据 |
1.2 国内外研究现状 |
1.2.1 夜间灯光遥感研究进展 |
1.2.2 多中心城市的概念与内涵 |
1.2.3 多中心城市研究进展 |
1.3 现有研究的不足与挑战 |
1.4 研究目的与内容 |
1.5 研究组织框架 |
2 研究区概况与研究数据 |
2.1 研究区概况 |
2.2 数据介绍 |
2.2.1 夜光遥感数据 |
2.2.2 其他数据 |
3 DMSP-OLS夜光遥感数据像元扩散效应 |
3.1 研究背景 |
3.2 像元扩散效应理论与原理 |
3.3 研究区与数据 |
3.4 研究方法 |
3.4.1 数据预处理 |
3.4.2 点传输方程估计 |
3.4.3 像元扩散效应校正模型 |
3.4.4 加速计算方法 |
3.5 数据实验 |
3.5.1 基于模拟数据的实验 |
3.5.2 真实数据与应用测试 |
3.6 研究结果 |
3.6.1 基于模拟数据的研究结果 |
3.6.2 基于真实数据的研究结果 |
3.6.3 应用测试 |
3.7 研究讨论 |
3.8 本章小结 |
4 夜光遥感数据传感器间校正 |
4.1 研究背景 |
4.2 研究数据与研究区 |
4.3 研究方法 |
4.3.1 数据预处理 |
4.3.2 缺失DMSP_(grc)数据估计 |
4.3.3 Lomb-Scargle Periodogram检验 |
4.3.4 VIIRS时间序列分解 |
4.3.5 基于地理加权回归模型的传感器间连续性校正模型 |
4.3.6 结果评价方法 |
4.4 研究结果 |
4.4.1 缺失DMSP_(grc)数据估计 |
4.4.2 Lomb-Scargle Periodogram统计检验 |
4.4.3 BFAST时间序列分解 |
4.4.4 BFAST算法效果评价 |
4.4.5 传感器间校正效果评价 |
4.5 讨论 |
4.5.1 BFAST时间序列分解 |
4.5.2 研究优点与不足 |
4.6 本章小结 |
5 多中心城市时空动态演变模式分析 |
5.1 研究背景 |
5.2 研究区与数据 |
5.2.1 研究区域与数据 |
5.2.2 研究数据 |
5.3 研究方法 |
5.3.1 数据预处理与城市建设用地提取 |
5.3.2 城市子中心自动识别算法 |
5.3.3 基于高斯体积模型的城市子中心特征描述 |
5.4 研究结果 |
5.4.1 城市子中心自动识别 |
5.4.2 高斯体积模型拟合效果评价 |
5.4.3 各子中心变化 |
5.5 讨论 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读博士期间发表论文 |
(7)基于信道化的并行数字频谱处理模块设计(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 国内外研究现状与发展动态 |
1.3 论文的主要研究内容及章节安排 |
1.3.1 研究内容与相关指标 |
1.3.2 章节安排及主要内容 |
第二章 信道化数字频谱处理模块总体设计 |
2.1 实时频谱分析的基本原理 |
2.2 系统与各模块基本方案 |
2.2.1 信道化并行频谱处理模块总体设计 |
2.2.2 宽带信号的信道化分解方案设计 |
2.2.3 重叠处理和频谱计算方案设计 |
2.2.4 检波和频谱显示方案设计 |
2.3 本章小结 |
第三章 宽带信号信道化分解模块设计 |
3.1 信道化技术与并行处理 |
3.2 数字信道化基本原理与高效结构 |
3.2.1 数字信道化基本结构 |
3.2.2 基于多相滤波的高效信道化处理结构 |
3.3 基于多相滤波的信道化算法设计和仿真 |
3.3.1 原型低通滤波器的设计与仿真 |
3.3.2 多相滤波结构的设计与仿真 |
3.4 信道化算法的逻辑设计与验证 |
3.4.1 信道化算法逻辑总体设计 |
3.4.2 串并转换模块逻辑设计 |
3.4.3 多相滤波模块逻辑设计 |
3.4.4 信道化算法逻辑仿真验证 |
3.5 本章小结 |
第四章 并行重叠处理和频谱计算模块设计 |
4.1 重叠处理原理与系统指标 |
4.1.1 重叠处理的基本工作方式 |
4.1.2 重叠处理与频谱刷新速率 |
4.1.3 重叠处理与100%POI时间 |
4.2 并行重叠处理逻辑设计 |
4.2.1 重叠地址控制设计 |
4.2.2 重叠处理的逻辑设计与验证 |
4.3 并行频谱计算逻辑设计 |
4.3.1 基于FFT IP核的频谱计算逻辑设计 |
4.3.2 基于CORDIC算法的幅值和对数计算逻辑设计 |
4.3.3 频谱计算模块逻辑仿真验证 |
4.4 检波合并模块逻辑设计与验证 |
4.4.1 检波模块逻辑设计 |
4.4.2 多信道频谱合并逻辑设计 |
4.5 本章小结 |
第五章 测试与分析 |
5.1 信道化算法的信号分解测试 |
5.2 信道化分解后的频谱显示测试 |
5.2.1 频谱数据检波输出测试 |
5.2.2 多信道频谱合并显示测试 |
5.2.3 突发信号的100%POI时间测试 |
5.3 本章小结 |
第六章 总结与展望 |
致谢 |
参考文献 |
附录 |
(8)卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究(论文提纲范文)
中文摘要 |
Abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 地表覆盖分类研究进展 |
1.2.2 深度卷积神经网络研究进展 |
1.2.3 深度卷积神经网络在地表覆盖分类的应用进展 |
1.2.4 当前研究中存在的主要问题 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 论文组织结构 |
第2章 基于卷积神经网络的地表覆盖分类方法 |
2.1 卷积神经网络原理 |
2.1.1 卷积神经网络特征提取方法 |
2.1.2 误差反向传播算法 |
2.1.3 卷积神经网络图像语义分割方法 |
2.2 基于卷积神经网络的地表覆盖分类模型构建方法 |
2.2.1 LCC-CNN特征提取方法 |
2.2.2 LCC-CNN解码与分类方法 |
2.2.3 LCC-CNN训练算法 |
2.3 本章小结 |
第3章 卷积神经网络训练样本增广方法 |
3.1 数据源与实验区域的选取 |
3.2 训练样本的制作与精化 |
3.2.1 试验区地表覆盖分类原则 |
3.2.2 基础训练样本的制作与外业核查 |
3.3 训练样本数据增广方法 |
3.3.1 几何变换数据增广方法 |
3.3.2 像素变换数据增广方法 |
3.3.3 有效增广数据筛选算法 |
3.4 代价敏感学习 |
3.5 实验与分析 |
3.5.1 实验数据与实验环境 |
3.5.2 训练样本精化效果实验 |
3.5.3 训练样本增广实验 |
3.5.4 实验结论 |
3.6 本章小结 |
第4章 LCC-CNN的训练与地表覆盖分类优化 |
4.1 LCC-CNN输入特征优化方法 |
4.1.1 地表覆盖特征扩充方法 |
4.1.2 地表覆盖特征筛选方法 |
4.2 卷积神经网络的训练优化方法 |
4.2.1 随机梯度下降 |
4.2.2 批归一化 |
4.2.3 参数初始化 |
4.2.4 迁移学习与微调 |
4.3 LCC-CNN后处理优化方法 |
4.3.1 条件随机场后处理方法 |
4.3.2 地表覆盖分类后处理方法 |
4.4 LCC-CNN地表覆盖分类实验与分析 |
4.4.1 LCC-CNN地表覆盖分类实验 |
4.4.2 地表覆盖分类效率对比实验 |
4.4.3 地表覆盖分类实验结论 |
4.5 LCC-CNN在甘蔗种植面积监测中的应用 |
4.5.1 LCC-CNN在甘蔗种植面积监测中的训练过程 |
4.5.2 LCC-CNN在甘蔗种植面积监测应用中的精度评价与对比分析 |
4.5.3 LCC-CNN在甘蔗种植面积监测中的应用效果 |
4.6 本章小结 |
第5章 基于LCC-CNN的多时相修正地表覆盖分类 |
5.1 多时相修正地表覆盖分类方法原理 |
5.2 基于并行网络的多时相地表覆盖分类修正算法 |
5.2.1 并行网络的构建方法 |
5.2.2 多时相修正分类算法 |
5.3 多时相修正分类算法在地理国情监测中的应用 |
5.3.1 实验数据与环境 |
5.3.2 多时相修正算法实验与分析 |
5.3.3 多时相修正地表覆盖分类方法在地理国情监测中的应用效果 |
5.3.4 应用结论与讨论 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 主要研究内容与结论 |
6.2 主要创新点 |
6.3 展望 |
致谢 |
参考文献 |
附录 |
(9)云环境下支持压缩加密的键值存储技术研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 加密数据库 |
1.2.2 压缩数据库 |
1.3 主要贡献及内容安排 |
第二章 预备知识 |
2.1 数学与密码学基础 |
2.1.1 伪随机函数 |
2.1.2 对称加密 |
2.1.3 保序加密 |
2.1.4 顺序可见加密 |
2.1.5 对称可搜索加密 |
2.2 数据压缩技术 |
2.3 本章小结 |
第三章 支持压缩加密的静态键值存储方案 |
3.1 引言 |
3.2 问题阐述 |
3.2.1 系统架构 |
3.2.2 敌手模型 |
3.2.3 设计目标 |
3.3 方案描述 |
3.3.1 加密键值存储结构 |
3.3.2 安全查询操作 |
3.4 方案理论分析 |
3.4.1 方案比较 |
3.4.2 安全性分析 |
3.5 本章小结 |
第四章 支持压缩加密的动态键值存储方案 |
4.1 引言 |
4.2 通用型动态键值存储方案 |
4.2.1 设计目标 |
4.2.2 高级查询操作 |
4.2.3 安全更新操作 |
4.3 追加型动态键值存储方案 |
4.3.1 设计目标 |
4.3.2 追加与合并操作 |
4.3.3 安全查询操作 |
4.4 方案理论分析 |
4.4.1 方案比较 |
4.4.2 安全性分析 |
4.5 本章小结 |
第五章 方案实现与性能分析 |
5.1 实验环境配置 |
5.2 算法实现描述 |
5.2.1 静态键值存储方案实现 |
5.2.2 通用型动态键值存储方案实现 |
5.2.3 追加型动态键值存储方案实现 |
5.3 方案性能分析 |
5.3.1 通信开销评估 |
5.3.2 数据读取性能评估 |
5.3.3 数据写入性能评估 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
作者简介 |
(10)基于构造性覆盖的不平衡数据欠采样分类方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
1.4 本文组织结构 |
第二章 相关理论与知识 |
2.1 SMOTE算法 |
2.2 构造性覆盖算法 |
2.3 相关评估指标 |
2.4 本章小结 |
第三章 基于构造性覆盖的数据清洗方法(SMOTE+CCA) |
3.1 SMOTE+CCA算法 |
3.1.1 CCA数据清洗 |
3.1.2 成对清洗策略 |
3.1.3 SMOTE+CCA算法描述 |
3.2 实验结果与分析 |
3.2.1 实验数据集 |
3.2.2 实验设置 |
3.2.3 数据清洗结果分析 |
3.2.4 实验结果分析 |
3.3 本章小结 |
第四章 基于构造性覆盖的欠采样方法(SDUS) |
4.1 SDUS算法 |
4.1.1 空间邻域的定义 |
4.1.2 样本选择 |
4.1.3 SDUS算法描述 |
4.2 实验结果与分析 |
4.2.1 实验数据集 |
4.2.2 实验设置 |
4.2.3 独立训练次数分析 |
4.2.4 实验结果分析 |
结论 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
四、书目合并后数据覆盖与丢失现象分析(论文参考文献)
- [1]西方近代天文学思想在晚清的译介研究[D]. 刘晗. 北京外国语大学, 2021(09)
- [2]Flink下计算资源感知的数据分区和并行优化[D]. 钟旭阳. 中国科学技术大学, 2021(08)
- [3]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
- [4]面向聚类及预测的时间序列信息粒化方法研究[D]. 陈海兰. 北京科技大学, 2021(02)
- [5]基于UAV的低能耗数据采集和传输方案研究[D]. 闫伟. 西安电子科技大学, 2020(05)
- [6]夜间灯光遥感数据处理关键技术与多中心城市监测研究[D]. 郑启明. 浙江大学, 2020(01)
- [7]基于信道化的并行数字频谱处理模块设计[D]. 刘聪. 电子科技大学, 2020(07)
- [8]卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究[D]. 朱明. 中国地质大学(北京), 2020(01)
- [9]云环境下支持压缩加密的键值存储技术研究[D]. 张萌. 西安电子科技大学, 2020(05)
- [10]基于构造性覆盖的不平衡数据欠采样分类方法研究[D]. 刘瑞清. 安徽大学, 2020(07)