一、基于最大相关准则的阈值处理算法（论文文献综述）
高远翔[1]（2021）在《大数据集群资源分配与调度研究》文中认为近年来,机器学习方法在包括图像识别、机器翻译、语音识别等多个领域得到了广泛的应用。由于数据量和算法复杂度的增长,传统的基于单计算资源的运行方式已经无法满足机器学习算法对数据处理能力的巨大需求。现代的机器学习算法通常在一个由大量计算资源组成的集群系统上并行式地运行。然而,即使耗费了大量昂贵的计算资源,机器学习算法运行的时间效率依然很低,例如在几十个图形处理器（Graphics Processing Unit,GPU）上训练一个深度神经网络经常需要几天甚至几周的时间。这种对资源和时间的高消耗制约了机器学习方法更加广泛的普及与应用。机器学习算法在集群上运行的时间效率与集群中资源的分配与调度方式有密切的联系。本文研究如何通过合理地分配与调度集群资源来提高机器学习算法的时间效率。一个机器学习算法在集群系统上并行运行的方式是将该算法所涉及的运算划分为多个计算任务,分别在多个不同的计算资源上同时执行。这种“分而治之”的运行方式为集群资源的高效分配与调度带来了许多挑战。为应对这些挑战,本文开展了如下四个方面的研究工作:（1）高效和低延迟的任务调度。任务调度问题研究如何根据集群中各计算资源的负载状况合理地将机器学习算法的各任务指派给计算资源,以保证集群各计算资源上负载均衡。现有的集群调度器在将计算任务指派给计算资源时需要发送大量探测消息来询问各计算资源的负载状况,这造成了显着的信息开销和调度延迟。本文设计了一个无开销且低延迟的集群调度器TASCO,其通过各计算资源主动向调度器报告负载状况的方式来消除探测信息开销。此外,TASCO使用小任务优先的任务调度规则,这改进了现有调度器先入先出的任务调度规则。本文基于排队论分析了 TASCO调度器下的平均任务完成时间。仿真结果表明,TASCO较现有调度器显着降低了平均任务完成时间。（2）Coflow调度中的优先级分配。一个机器学习算法各计算任务之间的通信流量构成了集群网络中的一组数据流,也称作一个coflow。在多个机器学习算法共享集群资源时,多个coflow常发生对集群网络带宽资源的竞争。这种情况发生时,现有解决方式是为每个coflow分配一个传输优先级。因为优先级的高低决定了 coflow在网络中传输的顺序,优先级分配对coflow完成时间具有显着的影响。现有优先级分配方式下,平均coflow完成时间无法达到最小化。本文基于排队论分析了优先级分配对平均coflow完成时间的影响。基于该分析,本文设计了一个能最小化平均coflow完成时间的优先级分配算法。仿真结果表明,本文提出的优先级分配算法显着降低了平均coflow完成时间。（3）深度神经网络的装置放置。装置放置问题研究如何将一个深度神经网络的各运算操作分配（放置）到各个计算资源使得该深度神经网络的训练时间最小化。本文设计了一个基于近端策略优化（Proximal Policy Optimization,PPO）的强化学习算法Spotlight,其通过反复的装置放置试验和训练时间反馈来逐步改进其装置放置技能。基于谷歌云平台的实验表明,Spotlight算法找到的放置方案下,深度神经网络的训练时间显着低于现有的放置方案。此外,Spotlight算法的学习效率远高于谷歌提出的基于策略梯度的装置放置学习算法。此外,本文还设计了一个结合了交叉熵最小化和近端策略优化的更加高效的学习算法Post。基于谷歌云平台的实验表明,Post算法的学习效率超越了 Spotlight算法。Post算法找到的放置方案显着降低了几种广泛使用的深度神经网络的训练时间,包括Inception-V3、神经机器翻译等。（4）集群网络中的分组路由。分组路由问题研究如何为每个数据分组选择一个合适的下一跳网络节点来转发该分组,目标是使得分组的平均延迟最小。现有的集群网络分组路由算法都是启发式算法,缺乏性能保证。本文提出基于强化学习的集群网络分组路由算法MLPI,其通过模拟的路由经验自学习到一个最佳路由策略。MLPI算法使用了具有最佳样本效率的最大似然价值估计,其克服了现有强化学习方法中蒙泰卡罗和时间差分价值估计样本效率低的缺点。基于NS-3的仿真实验表明,MLPI算法的学习效率远高于现有强化学习算法,MLPI算法求解的路由策略较启发式路由策略显着减少了网络中的排队分组数,降低了平均分组延迟。
孙肖坤[2]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中研究指明随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
吴中杰[3]（2021）在《认知雷达波形时域分集与优化设计研究》文中研究表明日益复杂的工作场景,以及来自用户的苛刻的性能需求和多样化的功能需求正呼唤着雷达技术的新突破。不断地开发控制新的自由度的能力,是推动雷达技术进步的力量源泉。现代雷达的硬件设施允许发射在空间、时间和频率上多样化并且可快速连续变化的波形,从而解放了巨大的发射端自由度,催生了雷达波形分集与设计这一充满生机的研究领域。在这一技术背景下,认知雷达的概念应运而生,不同于发射固定波形、工作于前馈模式的传统雷达,认知雷达能够从与环境的交互中学习关于目标和背景的知识,根据接收机反馈的信息自适应地调整发射波形以更好地满足任务需求,整体上构成一个动态的闭合反馈环路。本文旨在研究认知雷达框架下的波形时域分集与设计。着力于提升雷达在密集无源干扰环境中弱目标检测、扩展目标参数估计与识别方面的性能,本文从波形时域分集的思想出发,探讨了两类经典波形的构建方法及应用框架:具有白色幅度谱的“理想”波形,以及具有有色幅度谱的“匹配”波形。前者主要用于抑制强散射体对弱目标的距离旁瓣遮蔽干扰、提升对扩展目标的参数估计精度,后者旨在提升对扩展目标的参数估计和识别性能。具有冲激型非周期自相关函数或者白色幅度谱的波形常被称为“理想”波形,因为它在弱目标检测、多目标分辨、拓展目标参数估计等方面具有优异的性能。互补编码配合时域分集可被看作一种“理想”波形的实现方案,但却受到多普勒敏感性的困扰而鲜被实际应用。为克服该缺点,本文提出了一种发射脉冲顺序-接收脉冲权重联合设计方法,用于由经典的Golay互补编码构造多普勒鲁棒的互补波形。这种波形的特点是当多普勒频移在特定范围内时始终能够保持优异的距离旁瓣对消特性,并具有一定的多普勒旁瓣抑制能力。上述基于互补编码的“理想”波形形式简单、易于生成,适用于对多普勒鲁棒性要求不高的场景。针对对多普勒鲁棒性有较高要求,又要兼顾多普勒分辨力和信噪比等波形性能的场景,本文在放松对波形恒模性、有限相位性和互补性的约束的基础上,从模糊函数赋形的思想出发,提出了一种多普勒鲁棒的准互补波形设计方法。由于具有松弛的约束条件,并且能够更加充分地利用时域分集提供的自由度,相对于基于互补编码的波形,这种波形具有更高的多普勒鲁棒性、可塑性、灵活性和多样性。在上述波形设计的基础上,面向密集无源干扰环境中弱目标检测应用,提出了一种多普勒鲁棒的（准）互补波形认知发射策略。该策略交替地发射普通相参脉冲串与多普勒鲁棒的（准）互补波形,前者用于感知场景、获取干扰/目标多普勒频移的知识,以指导波形设计;后者用于抑制旁瓣,以提升对距离、速度上均临近强干扰的弱目标的可见性。当目标先验知识匮乏时,具有白色幅度谱的波形在扩展目标参数估计方面是极为优秀的;然而,当具备一定目标先验知识时,具有与目标散射特性相“匹配”的有色幅度谱的波形往往性能更佳。从这一思想出发,本文在假设目标参数服从混合高斯分布的前提下,提出了一种以互信息为准则的“匹配”波形设计方法,以提升对扩展目标的估计与识别性能。由此得到的波形能够在对各个目标类别均保持良好的参数估计能力的同时,最大化目标类别之间的离散度。作为上述“匹配”波形的应用平台,本文提出了一种面向拓展目标参数估计与识别的认知雷达框架。针对传统方式易受目标角度敏感性影响、未能充分利用目标特征在多次观测间的相关性的问题,引入多模型方法和指数相关模型以描述目标特征的动态演变,进而推导了一种序贯地更新目标参数估计和目标类型概率分布的方法。利用最近更新的目标知识,雷达动态地优化下一次发射的波形,以提升对拓展目标的估计和识别性能。
陈思昂[4]（2021）在《卷积神经网络的模型压缩与硬件加速研究》文中研究指明近年来,深度学习的进步促进了神经网络的迅速发展。其中特别是卷积神经网络由于其出色的性能在计算机视觉和自然语言处理等多种领域中都获得了成功,然而其优异的性能依赖于大量的参数量和计算量。随着神经网络应用领域的不断深入,单纯追求性能的网络已不再适用于综合考虑资源受限、低能耗和实时性等优化的场景。因此在设计和部署神经网络时,如何减少参数量和计算量,满足推理实时性要求,并仍然保持较高的性能,是神经网络研究中亟待解决的问题。前人工作主要从四个方向来进行优化:1)设计高效网络结构;2)通过剪枝、量化等技术对网络进行压缩;3)利用输入相关的动态冗余通过动态量化、剪枝等方式减少计算量;4)设计专用硬件加速器。本文对上述方向的国内外研究现状展开了调研,并观察到一些不足之处:首先,不同的压缩技术从不同角度对网络进行轻量化,但缺少通过有效结合多种压缩技术并综合多角度来深度精简网络的优化方法。其次,前人往往单独考虑网络或硬件加速的设计,缺少软硬件的协同优化,降低了实际的硬件推理效率。此外,缺少综合考虑网络结构和压缩算法的优化方法,限制了高效网络结构的压缩性能。为此,本文着眼于卷积神经网络的模型压缩和硬件加速问题,探索如何设计高效网络结构并且合理结合压缩技术,研究从算法和结构的角度综合优化通道剪枝技术,研究如何在考虑实际硬件运算特征的同时有效融合多种压缩技术,以及从软硬件协同设计的角度探索设计合理的动态量化软硬件架构并实现真实的加速效果。本文的研究内容主要包括以下三个方面:·本文以图像超分辨率任务为例,提出一种基于自适应混合结构的轻量级超分辨率网络,对上采样和特征提取模块进行了优化,并结合剪枝技术对网络进一步压缩。首先针对复杂的上采样操作,移除了参数量和计算量较大的上采样卷积层,并用不同层次特征的渐进式合并来代替,以降低网络复杂度;其次针对特征提取模块网络结构效率不高的问题,设计了基于多种高效结构的混合基本模块,并基于此模块构建了轻量级网络;最后针对人为设计无法保证资源约束下网络结构合理性的问题,应用通道剪枝技术对各高效结构进行比重选择,并对残差块采用了细粒度的剪枝策略,得到超轻量级超分辨率网络。实验结果证明本文提出的网络在性能和压缩率上实现了很好的权衡,可将MSRResNet压缩4.3倍参数量而没有明显的性能损失;·本文提出一种加速感知的细粒度通道剪枝框架AFCP,同时从算法和结构层面对通道剪枝进行了优化,并且考虑硬件运算特征反馈到剪枝流程中,提高了剪枝的性能。在算法层面,针对目前的通道剪枝算法往往采用单一的评判准则从而容易忽略掉实际较为重要的通道的问题,提出同时考虑了零值和相似剪枝两种准则,并利用可训练参数的门控残差学习到每个通道合适的准则和剪枝情况,提高了剪枝的精确度。在结构层面,针对通道剪枝力度较粗导致压缩性能较差的问题,采用了细粒度的通道剪枝方法,对原卷积层使用低秩分解以生成更多的通道选择,由于针对高效的残差网络缺少合理的剪枝策略,因此采用了按组为单位的细粒度剪枝策略,在增加可剪枝通道选择空间的同时保留了结构化的网络结构,进一步提高了剪枝的性能。此外,针对通道剪枝算法没有考虑硬件特征从而降低了推理效率的问题,利用硬件预测器将实际硬件的运算特征反馈到剪枝流程中,有效缓解了这一问题。实验结果也证实AFCP在网络性能、压缩率和加速比之间实现了很好的权衡,如在ImageNet数据集上将ResNet-50的计算量压缩4倍而不造成性能损失;·本文提出一种基于结构型动态精度跳跃的软硬件架构SPS,在静态量化的DNN模型上继续探索动态精度冗余,并且在硬件加速器上实现真实的加速效果。由于动态冗余的分布具有不规则的特点,若动态压缩没有结合硬件设计进行考虑,会导致实际的加速效果与理论计算量的减少存在较大的差距,针对该问题,在算法层面,本文结合硬件运算特征提出了结构化的动态块,以结构化稀疏度的方式探索动态冗余度,并提出了资源感知的动态量化学习方法,通过引入稀疏正则项使网络在满足给定稀疏度要求的前提下学习到合理的参数分布。在硬件层面,设计了相应的动态量化硬件加速器支持动态模型的推理加速,通过在传统位串行运算架构的基础上引入低成本的硬件模块,并设计合理的调度和数据访问策略,实现与理论相符的加速效果。实验结果也证明SPS在网络性能和加速比上实现了很好的权衡,在不同的数据集和网络上可最高实现1.5倍的加速以及1.4倍的能效提升。
李斌[5]（2021）在《重力坝变形监控的智能分析方法研究》文中指出重力坝变形监测数据包含了大坝变形过程的重要信息,对其信息挖掘、分析预测、安全评价是掌握大坝安全性态至关重要的技术方法。随着大坝安全监控的发展,监测数据的采集方式越来越全面、越来越智能,数据量也越来越大,这就对数据的分析处理能力提出了更高的要求。如何在海量数据中挖掘更多的有用信息,是了解大坝运行性态的基础;如何对海量数据进行预处理,是提高数据质量的前提;而对效应量保持长期精准的预测以及科学合理的安全评价,是大坝安全管理的重要内容。因此,在人工智能快速发展的时代背景下,本文以重力坝变形监测相关数据为研究对象,引入数据挖掘、智能算法、机器学习等方法,用于监测数据的异常值检测、预测预报、安全评价等分析方法的研究。主要研究内容和成果如下:（1）通过理论分析与实测数据验证,总结了重力坝变形的一般规律。首先,对空间维度的面板数据进行了相关分析,结果表明不同坝段之间均具有高度线性相关性;在此基础上,提出了形状相似系数,用于描述不同测点在变形幅度上的大小关系,计算结果表明:以中间坝段为中心将坝体对称分开,一般情况下,处于对称位置的坝段变形相似度较高,同时相邻坝段的变形相似度也较高。然后,对时间维度的单测点数据进行了自相关和偏自相关分析,从而得知某个数据与其前1时刻、前2时刻、或前3时刻有显着相关性。最后,从整体、局部和空间3个方面对重力坝变形监测数据的变化特征进行了分析和总结,以期研究适合该类数据特征的异常值检测算法。（2）对重力坝变形监测数据中的异常值进行了定义,并总结了异常值的分类与特征。然后分析了基于距离的异常值检测算法在重力坝变形监测数据分析中的适用性,并借鉴该类算法的思想,提出了多重局部异常系数法,该方法通过提取待检测值前k个数据组成的局部窗口数据,并根据设定的判别准则,可简单、快速地进行异常值实时检测。该算法主要针对原位监测数据中异常值的预处理检测,目的是为了获得高质量数据,便于后续建模分析。（3）改进了自适应差分进化算法关于初始解的选择方式,得到了改进的自适应差分进化算法（Improved Self-Adaptive Differential Evolution Algorithm,ISADE）,这提高了该算法的全局优化能力,然后将其用于在线极限学习机（Online Sequential Extreme Learning Machine,OSELM）的优化,提出并建立了基于ISADE-OSELM的重力坝变形预测模型。该模型仅通过训练最新数据便可更新已有模型的参数,可实现模型的自我更新,改善了传统模型的更新方式,同时结合优化算法,提高了模型的精度和泛化性。实例计算结果表明:ISADE-OSELM模型的综合性能优于逐步回归模型、ELM模型和OSELM模型。（4）在传统置信区间法拟定监控指标的基础上,考虑了监测数据的随机性和模糊性,将云模型融入其中,使得一个具有明确边界的置信区间,拓展为一个以区间为边界的置信区间。提出并建立了云置信区间法的重力坝变形监控指标,该方法以ISADE-OSELM预测模型的误差为研究对象,因此可随着ISADE-OSELM模型的更新而更新,这使得监控指标的拟定方式更加高效。实例计算结果表明,云置信区间不仅具有传统置信区间的功能,还可按一定隶属度评价接近置信区间边界数据的安全性,这种评价方式更符合实际情况,对大坝的变形监控更加合理。
雷雨萌[6]（2021）在《基于图像识别的土石坝坝料级配检测方法研究》文中研究指明土石坝坝料级配为研究土石坝性能的基本参数,其合理性对坝体质量控制意义重大。当前,工程实践中的级配检测主要采用筛分法,通过随机取样与人工筛分计算级配数据,方法较为耗时且结果代表性不足。随着计算机技术的发展,图像识别技术已在各领域中广泛使用,为级配检测提供了新的手段。针对土石料图像,传统图像识别算法采用数学与拓扑学等方法对像素灰度值进行处理,其理论成熟但精度难以满足需求。深度学习图像识别算法通过神经网络提取图像标注区域的特征,其精度更高但模型复杂计算耗时。故一种基于图像的高效、准确的级配检测方法成为当前土石坝施工过程中的迫切需求。本文以土石坝填筑料为研究对象,通过现场采集与室内试验建立了土石料图像样本数据集,对比分析了基于灰度准则的传统图像识别方法以及基于深度学习的图像识别模型对土石料图像的处理效果。在对不同粒径范围土石料颗粒形状量化分析的基础上,研究了土石料二维轮廓特征与级配数据之间的转换关系。结合传统图像识别算法与深度学习数据分析模型建立了基于图像的土石料级配检测模型,并通过试验验证了模型的准确性。主要研究内容和成果如下:（1）本文针对土石料图像,对比了传统图像识别方法,最大类间方差阈值化算法与基于标记的分水岭算法的检测效果,确定了基于图像的土石料级配检测基本原理和流程。（2）建立了多状态下的土石料图像数据集,分析了基于深度学习的图像识别模型Mask R-CNN实例分割模型与U-Net语义分割模型对土石料图像的分割效果。（3）对多粒径范围内的土石料颗粒形态进行了量化分析,结果表明同料场同批次的土石料颗粒在形态特征上具有较高的相似性。在此基础上,通过二维形态分析与三维体积重建两种方法,建立了土石料颗粒轮廓与级配数据之间的转换关系模型,验证了基于颗粒二维形态特征实现级配检测的可行性。（4）结合最大类间方差阈值化算法与卷积神经网络,建立了土石料图像级配检测模型——深度阈值卷积模型（DO-CNN）,并设计搭建了基于图像的土石料级配快速检测系统样机,通过18组筛分试验表明,模型最大平均绝对百分比误差为2.45%,准确率较高,对5mm以下颗粒含量,模型检测精度同样较高。
龙晓东[7]（2021）在《基于最小生成树的图像分割方法研究》文中进行了进一步梳理图像分割是将图像分割成各具特性的区域,并将目标区域从中提取的过程。同时图像分割也是后续图像处理的关键步骤,是实现图像理解和高级应用的基础。图像分割技术经过不断发展已经应用到各个领域,如:生物医学,军事公安,工业工程等,并都取得了不错的效果。在图像分割领域中,由于图与图像之间有很好的一一对映关系,将图像的分割问题转为图的分割问题,利用图论的理论知识来进行图像分割,既避免了由于图像离散化所造成的误差,还优化了分割步骤。基于图论的图像分割方法因为简单高效而备受欢迎,本文就基于图论的图像分割方法展开研究,主要工作有以下方面:1.本文首先分析了基于图论的图像分割方法领域的研究背景及其发展现状,并回顾了图论的基本知识,阐述了图与图像的关系。在此基础上分析了基于图论的图像分割模型的算法理论,包括基于最小生成树的图像分割模型,基于最短路径的图像分割模型,基于割集准则的图像分割模型,基于图割理论的图像分割模型,并讨论其中具有代表性算法的原理及其性能,指出了这些算法的适用范围和应用前景。2.在基于图论的图像分割模型中,着重分析了基于最小生成树的图像分割方法,讨论了该领域中现有的分割算法,并指出该分割模型在进行图像分割时选取的权值判断标准存在的不足,导致在使用该分割模型所得到的分割结果时常会出现欠分割和过分割情况,从而分割精度不高,并在图像细节处理方面无法达到理想结果,影响后续的图像分析。针对该问题,本文提出一种新颖的权值判断标准,该权值公式不仅考虑了人眼对RGB值变化的敏感性,还考虑到了两个像素之间的空间距离和矢量关系,能很好的表示像素之间的相似关系,具备良好的应用价值。故本文结合最小生成树的图像分割模型,提出了一种新的基于最小生成树的图像分割算法。3.通过实验分析,本文提出的基于最小生成树的图像分割模型减弱了以往图像分割出现的欠分割和过分割情况,提高了图像分割精度,并且该方法在对噪声方面具有很好的鲁棒性,能较好的保留图像的细节特征,保证了区域的一致性。同时将该分割方法应用到医学影像领域中,也取得了不错的效果,通过实验证明了该方法的有效性,并具有一定的实际应用价值。但是在处理复杂图像时,会出现分割时间过长,产生错误边界的情况,需要进一步研究改进。
任继亭,李尉[8]（2021）在《海天线检测方法综述》文中提出海天线是无人艇利用视觉技术感知周围环境的重要因素。准确的海天线检测可以将海天区域准确地划分,对无人艇在海面上的安全航行和水面目标检测具有重要作用。复杂的海面环境一直是影响海天线准确检测的重要因素。本文对在复杂的海天背景下海天线的检测方法做了阐述。
王雪[9]（2021）在《基于二阶ADMM算法的椭圆拟合问题研究》文中研究表明快速、准确的椭圆检测在计算机视觉、智能制造等领域有着重要的应用。在直拉硅单晶控制系统中,主要通过对固液界面处的高亮光环进行拟合,进而实现对硅单晶的直径测量。为了进一步估计当前孔径,则需要设计具备快速性和准确性的椭圆拟合方法。随着晶体生长工艺的不断改善,存在冷颈套情况的直拉硅单晶生长过程直径测量问题值得关注,在少量数据点情况下,如何设计一种即能保证拟合精度,又能保证拟合速度的方法是亟需研究的问题之一。本文的主要研究内容及工作如下:（1）针对椭圆拟合问题,本文首先对椭圆的一般式进行化简,将原有的拟合参数减少为四个,极大地提高了计算效率。随后,通过与最小二乘支持向量回归的方法相比较,建立了目标函数和约束条件,从而将椭圆拟合问题转换为优化问题,为后续研究提供了便利。（2）为了更快速地拟合椭圆以及获得更精确的椭圆参数,本文首先确定了 ADMM算法交替更新变量的步骤,并将需要优化的子问题归纳为无约束优化问题;随后,基于现有的优化算法的优劣,对BFGS算法进行了改进,提出了一种混合BFGS算法,并将其与ADMM算法相结合,进一步解决椭圆拟合问题;最后,通过数值仿真并基于CCD相机所拍摄的晶体生长图像的实际数据进行实验,验证了所提算法的快速性和准确性。（3）针对存在冷颈套情况的直拉硅单晶生长过程直径测量问题,本文基于数据驱动以及聚类算法的思想,提出了改进的几何方法用于确定椭圆中心点坐标。首先,分析了添加冷颈套的意义及其对直径测量的影响,将问题归纳为数据点更少情况下的椭圆拟合问题;其次,采用所提出的混合BFGS算法进行求解,分析所提方法的适用范围;随后,基于平行弦中线定理,以聚类、邻域和二分法为主要思想,提出了改进的几何方法确定椭圆中心;最后,通过仿真实验验证了所提方法的有效性和优越性。（4）针对少量数据点情况的椭圆长、短半轴求解,首先以（3）得到的椭圆中心点为基础,根据椭圆中心对称的几何性质,对现有的、少量的实验数据点加以补充。其次,将椭圆中心点坐标代入目标函数中,进一步减少需要优化的变量维度。随后,采用ADMM算法与混合BFGS算法求解优化问题。最后,通过仿真实验验证了上述方法的可行性和准确性。
吴佳佳[10]（2021）在《基于声音信号的实时雨情识别研究》文中研究说明雨情识别技术一直以来都是气象水文领域的研究热点之一,随着人工智能技术的发展,信号识别算法的高关注度为实现创新有效的雨情识别提供可能。雨声信号的变化可反演雨情的发展及消散过程,对及时预警防灾减灾具有重要意义。为了识别降雨情况,本文设计了一种基于声音信号的雨情识别系统。本系统采用带外壳的雨声采集器,所获雨声信号段共计1500个,其中小雨（0.1～9.9mm）、中雨（10～24.9mm）和大雨（25～49.9mm）三种雨情各约500个,建立了微型雨声数据库。为了剥离出较纯净雨声,通过盲源分离算法处理含噪雨声信号,获得雨声信号成分。为了提升分类模型的分类准确率,利用变分模态分解（VMD）结合小波包算法进行信号去噪,获得纯净雨声信号。针对传统分类模型分类不佳的缺陷,对三种雨情下的声音信号进行随机森林寻优、贝叶斯优化极端梯度提升（XGBoost）算法两种分类研究,获得较好分类效果。具体工作如下:为了保证研究雨声信号的真实可靠性,设计一种基于STM32的雨声采集装置。考虑声音在介质中传播速度及防止雨水杂物附着积累引起不必要测量误差,设计了一个倾斜角为45°圆锥不锈钢体,将麦克风采集模块布置其内部。利用微控制器内置的三个ADC采集同一时间、同一环境的雨声信号,经均值拟合后获取更接近实际雨声的信号,构建完整可靠的微型雨声信号数据库。为了获得较纯净雨声,提出了一种雨声信号处理的盲源分离方法。将一路雨声信号和两路环境声音信号结合随机矩阵混合成待观测信号,运用固定点算法（Fast ICA）和主成分分析（PCA）算法分别进行盲源分离实验,比较两种盲源分离算法的平均运行时间、分离信号的信噪比、均方根误差判断其分离效果。实验结果表明,Fast ICA解混收敛速度更快且PI分离性能指标达到小数点后两位,实现盲源分离更好的分离效果。针对雨声信号易受干扰噪声影响的问题,提出了一种基于VMD和小波包的雨声去噪算法。利用VMD算法将雨声信号分解成一系列具有稀疏特性的变分模态分量（VMF）,结合快速傅里叶变换（FFT）分析各分量的频率特性,划分低频、中频和高频分量,使用小波包挑选不同阈值准则对不同频段针对性地处理实现去噪,将去噪信噪比差和均方根误差作为判断去噪效果的评价指标。实验结果表明,针对三种雨情的去噪信噪比明显提升,均方根误差降低两个数量级,去噪效果得到改善。针对传统神经网络算法对雨声信号分类能力较弱的缺陷,提出两种基于树理论的雨声信号分类算法。为了提升分类模型的泛化性,利用梅尔频率倒谱系数（MFCC）和一阶差分系数对所有雨声数据集进行特征提取。第一种基于随机森林的雨声信号分类算法,调整其分类树的个数,寻找处理三类雨情最佳的模型状态。为了验证算法的有效性,对比传统神经网络和支持向量机分类模型,分类准确率均能达到80%以上。第二种基于贝叶斯优化XGBoost的雨声信号分类算法,利用贝叶斯的寻优能力对XGBoost的分类模型进行优化。实验结果表明,分类准确率均突破90%,其中对于小雨和大雨信号能达到95%以上的准确率,较随机森林算法,分类效果更好。
二、基于最大相关准则的阈值处理算法（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、基于最大相关准则的阈值处理算法（论文提纲范文）
（1）大数据集群资源分配与调度研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略词 |
| 第一章 绪论 |
| 1.1 大数据集群资源分配与调度概述 |
| 1.2 大数据集群资源分配与调度的研究历史与现状 |
| 1.2.1 任务调度 |
| 1.2.2 Coflow调度 |
| 1.2.3 装置放置 |
| 1.2.4 分组路由 |
| 1.2.5 相关工作的整体分析和总结 |
| 1.3 本论文的结构安排与主要贡献 |
| 第二章 高效和低延迟的任务调度 |
| 2.1 研究动机 |
| 2.2 总体设计方案 |
| 2.3 算法设计 |
| 2.4 预备知识 |
| 2.4.1 泊松过程的合成与分解 |
| 2.4.2 里特定律 |
| 2.4.3 二项分布的泊松近似 |
| 2.5 系统分析 |
| 2.5.1 平均任务完成时间 |
| 2.5.2 存储单元非空的概率 |
| 2.6 仿真实验 |
| 2.6.1 仿真设定 |
| 2.6.2 平均任务完成时间性能 |
| 2.6.3 平均作业完成时间性能 |
| 2.6.4 与加入最短队列算法的性能差异 |
| 2.6.5 任务/作业完成时间分布 |
| 2.6.6 存储单元队列长度 |
| 2.7 本章小结 |
| 第三章 具有最佳阈值的Coflow调度 |
| 3.1 研究动机 |
| 3.2 预备知识 |
| 3.3 数学模型和分析 |
| 3.4 数学性质和证明 |
| 3.5 算法设计 |
| 3.6 基于Coflow记录的最佳阈值 |
| 3.6.1 Coflow记录分析 |
| 3.6.2 最佳阈值向量 |
| 3.7 仿真实验 |
| 3.7.1 仿真设定 |
| 3.7.2 不同阈值方案间比较 |
| 3.7.3 不同调度策略间比较 |
| 3.7.4 负载状况和优先级数目的影响 |
| 3.8 本章小结 |
| 第四章 基于近端策略优化的装置放置 |
| 4.1 预备知识 |
| 4.1.1 马尔科夫决策过程 |
| 4.1.2 策略梯度方法 |
| 4.1.3 小化-最大化(Minorization-Maximization)算法 |
| 4.2 装置放置的马尔科夫决策过程 |
| 4.3 策略更新的性能改进保证 |
| 4.3.1 性能的期望表达式 |
| 4.3.2 性能的等价表达式 |
| 4.3.3 性能的近似表达式 |
| 4.3.4 性能的下界 |
| 4.3.5 性能改进保证 |
| 4.4 算法设计 |
| 4.5 实现 |
| 4.5.1 目标神经网络结构 |
| 4.5.2 策略神经网络结构 |
| 4.5.3 分布式训练 |
| 4.6 实验 |
| 4.6.1 对比方案 |
| 4.6.2 Spotlight训练的性能 |
| 4.6.3 CIFAR-10训练的性能 |
| 4.6.4 Spotlight学习到的放置技巧 |
| 4.6.5 其它深度网络下的性能 |
| 4.7 本章小结 |
| 第五章 基于交叉熵最小化和近端策略优化的装置放置 |
| 5.1 基于交叉熵最小化的装置放置 |
| 5.1.1 一个示例 |
| 5.1.2 放置策略的Softmax概率分布表示 |
| 5.1.3 交叉熵最小化 |
| 5.1.4 最大似然解释 |
| 5.1.5 交叉熵最小化的闭式解 |
| 5.1.6 交叉熵最小化迭代算法 |
| 5.2 基于近端策略优化的装置放置 |
| 5.2.1 优化目标 |
| 5.2.2 更新准则 |
| 5.2.3 基于近端策略优化的装置放置算法 |
| 5.3 联合交叉熵最小化和近端策略优化的装置放置 |
| 5.4 实验 |
| 5.4.1 目标神经网络结构 |
| 5.4.2 实验设定 |
| 5.4.3 平均训练时间性能 |
| 5.4.4 最小训练时间性能 |
| 5.4.5 Post发现的放置方案 |
| 5.4.6 与其它传统算法的对比 |
| 5.5 本章小结 |
| 第六章 基于强化学习的集群网络分组路由 |
| 6.1 预备知识 |
| 6.1.1 策略迭代方法 |
| 6.1.2 基于模型的强化学习 |
| 6.2 问题模型和形式化 |
| 6.2.1 集群网络的分组路由:一个示例 |
| 6.2.2 集群网络分组路由的MDP模型 |
| 6.3 最大似然价值估计理论 |
| 6.3.1 基于最大似然价值估计的策略评估 |
| 6.3.2 最大似然价值估计的最小均方误差性质 |
| 6.4 最大似然策略迭代 |
| 6.4.1 基于序列最小化的策略改进 |
| 6.4.2 最大似然策略迭代算法 |
| 6.5 实验 |
| 6.5.1 测试网络和路由代理 |
| 6.5.2 实验设定 |
| 6.5.3 对比方案 |
| 6.5.4 平均排队分组总数 |
| 6.5.5 平均分组延迟 |
| 6.5.6 网络负载的影响 |
| 6.5.7 负载均衡的效果 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 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 |
（2）复杂大型建设项目费用偏差控制方法及信息系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）认知雷达波形时域分集与优化设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 认知雷达研究现状 |
| 1.2.2 雷达波形分集与设计研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第2章 数学基础与算法框架 |
| 2.1 数学符号定义 |
| 2.2 任务场景与波形评价指标 |
| 2.2.1 弱目标检测与波形的自相关性能 |
| 2.2.2 目标估计识别与波形的信息提取性能 |
| 2.3 雷达波形设计的算法框架 |
| 2.3.1 下降方法 |
| 2.3.2 MM方法 |
| 2.4 本章小结 |
| 第3章 基于互补编码的波形分集与设计 |
| 3.1 问题背景 |
| 3.2 互补编码波形及其多普勒敏感性 |
| 3.2.1 互补序列集与Golay互补对 |
| 3.2.2 互补编码波形的多普勒敏感问题 |
| 3.3 多普勒鲁棒的互补波形设计 |
| 3.3.1 信号模型 |
| 3.3.2 约束优化问题的建立 |
| 3.3.3 基于半定松弛的波形设计算法 |
| 3.3.4 基于块坐标下降的波形设计算法 |
| 3.4 多普勒鲁棒互补波形的认知发射策略 |
| 3.5 数值实验与分析 |
| 3.6 本章小结 |
| 第4章 基于准互补编码的波形分集与设计 |
| 4.1 问题背景 |
| 4.2 多普勒鲁棒的准互补波形设计 |
| 4.2.1 信号模型 |
| 4.2.2 约束优化问题的构建 |
| 4.2.3 基于相位梯度的波形设计算法 |
| 4.2.4 基于MM的波形设计算法 |
| 4.2.5 两种算法的联合使用 |
| 4.3 数值实验与分析 |
| 4.4 本章小结 |
| 第5章 面向扩展目标估计与识别的波形分集与设计 |
| 5.1 问题背景 |
| 5.2 面向目标估计与识别的认知雷达框架 |
| 5.3 基于多模型方法与波形分集的目标参数估计与识别 |
| 5.3.1 目标散射特性的统计建模 |
| 5.3.2 目标特征的动力学模型 |
| 5.3.3 参数估计与识别 |
| 5.3.4 关于先验知识库的讨论 |
| 5.4 基于互信息的波形设计 |
| 5.4.1 约束优化问题的构建 |
| 5.4.2 基于相位梯度的波形设计算法 |
| 5.5 数值实验与分析 |
| 5.5.1 基于合成数据的实验 |
| 5.5.2 基于电磁仿真数据的实验 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（4）卷积神经网络的模型压缩与硬件加速研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 卷积神经网络的结构设计问题 |
| 1.1.2 卷积神经网络的静态压缩问题 |
| 1.1.3 卷积神经网络的动态加速问题 |
| 1.1.4 卷积神经网络的硬件加速问题 |
| 1.2 本文主要研究内容及创新点 |
| 1.3 本文主要章节安排 |
| 2 国内外研究现状 |
| 2.1 超分辨率网络设计的研究 |
| 2.2 卷积网络的剪枝研究 |
| 2.2.1 剪枝的算法 |
| 2.2.2 剪枝的结构 |
| 2.3 卷积网络的量化研究 |
| 2.4 网络的低秩分解研究 |
| 2.5 卷积网络的动态加速研究 |
| 2.6 卷积网络的硬件加速器研究 |
| 3 基于自适应混合结构的轻量级超分辨率网络研究 |
| 3.1 概述 |
| 3.2 AHCSRN设计方法 |
| 3.2.1 轻量级超分辨率网络设计流程 |
| 3.2.2 基线模型分析 |
| 3.2.3 轻量级网络HCSRN的架构 |
| 3.2.4 上采样模块 |
| 3.2.5 混合基本块 |
| 3.2.6 残差网络的细粒度通道剪枝 |
| 3.3 实验设置和评价标准 |
| 3.3.1 数据集和评价标准 |
| 3.3.2 实现细节 |
| 3.4 实验结果和分析 |
| 3.4.1 与现有工作的定量比较 |
| 3.4.2 视觉效果比较 |
| 3.4.3 剪枝效果分析 |
| 3.4.4 上采样模块效果分析 |
| 3.4.5 剪枝效果分析 |
| 3.5 本章小结 |
| 4 加速感知的细粒度通道剪枝 |
| 4.1 概述 |
| 4.2 研究动机描述 |
| 4.2.1 细粒度的剪枝评判标准 |
| 4.2.2 残差网络的细粒度剪枝结构 |
| 4.2.3 理论计算量与实际加速 |
| 4.3 算法机制 |
| 4.3.1 基于残差门控学习细粒度的剪枝准则 |
| 4.3.2 残差网络的细粒度通道剪枝策略 |
| 4.3.3 基于低秩分解的细粒度剪枝结构 |
| 4.3.4 加速感知的通道剪枝 |
| 4.3.5 实现细节 |
| 4.4 实验设置 |
| 4.4.1 实验平台 |
| 4.4.2 基准数据集 |
| 4.4.3 实验网络模型 |
| 4.4.4 训练参数设置 |
| 4.5 实验结果和分析 |
| 4.5.1 总体压缩性能比较 |
| 4.5.2 可学剪枝准则的有效性 |
| 4.5.3 残差网络细粒度通道剪枝策略的有效性 |
| 4.5.4 基于低秩分解的细粒度剪枝的有效性 |
| 4.5.5 硬件感知的通道剪枝的有效性 |
| 4.5.6 超参数变量的影响 |
| 4.6 本章小结 |
| 5 基于结构化动态量化的卷积网络加速研究 |
| 5.1 概述 |
| 5.2 研究动机描述 |
| 5.3 算法机制 |
| 5.3.1 结构化的动态块 |
| 5.3.2 动态精度选择 |
| 5.3.3 资源感知的动态量化训练 |
| 5.4 SPS的硬件架构 |
| 5.4.1 整体架构概述 |
| 5.4.2 数据流 |
| 5.4.3 预测控制器 |
| 5.4.4 执行阶段分析 |
| 5.4.5 动态量化精度的存储访问 |
| 5.5 算法实验评估 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果比较和分析 |
| 5.5.3 动态决策行为分析 |
| 5.5.4 超参数变量的影响 |
| 5.6 硬件实验评估 |
| 5.6.1 实验设置和方法 |
| 5.6.2 加速效果 |
| 5.6.3 能效分析 |
| 5.6.4 设计空间探索 |
| 5.6.5 面积成本 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 附录A 攻读博士学位期间主要的研究成果 |
| 附录B 基金资助 |
（5）重力坝变形监控的智能分析方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝安全监测数据异常检测研究进展 |
| 1.2.2 大坝安全监控模型研究进展 |
| 1.2.3 大坝变形监控指标拟定研究进展 |
| 1.3 问题的提出 |
| 1.4 研究内容和技术路线 |
| 1.5 创新点 |
| 2 变形监测数据的规律与特征分析 |
| 2.1 引言 |
| 2.2 重力坝变形影响因子及其规律分析 |
| 2.2.1 水压因子 |
| 2.2.2 温度因子 |
| 2.2.3 时效因子 |
| 2.2.4 重力坝的一般变形规律 |
| 2.3 变形监测数据的相关性分析 |
| 2.3.1 面板数据的相关性分析 |
| 2.3.2 面板数据的形状相似性分析 |
| 2.3.3 时序数据的自相关与偏自相关分析 |
| 2.4 变形监测数据的特征分析 |
| 2.4.1 整体特征 |
| 2.4.2 局部特征 |
| 2.4.3 空间特征 |
| 2.5 本章小结 |
| 3 基于多重局部异常系数法的异常值预处理 |
| 3.1 引言 |
| 3.2 异常值的基本概念 |
| 3.2.1 异常值定义 |
| 3.2.2 异常值的分类 |
| 3.2.3 异常值的特征 |
| 3.3 基于距离的异常值检测算法 |
| 3.3.1 距离的度量方法 |
| 3.3.2 局部离群因子算法 |
| 3.3.3 K近邻算法 |
| 3.4 多重局部异常系数算法研究 |
| 3.4.1 多重局部异常系数算法 |
| 3.4.2 窗口长度的选择 |
| 3.4.3 阈值的选择 |
| 3.4.4 多重局部异常系数 |
| 3.4.5 实例计算 |
| 3.5 本章小结 |
| 4 ISADE-OSELM重力坝变形预测模型研究 |
| 4.1 引言 |
| 4.2 在线极限学习机 |
| 4.2.1 单隐层前馈神经网络 |
| 4.2.2 极小范数最小二乘解 |
| 4.2.3 极限学习机 |
| 4.2.4 在线极限学习机 |
| 4.3 在线极限学习机的优化研究 |
| 4.3.1 自适应差分进化算法 |
| 4.3.2 自适应差分进化算法的改进 |
| 4.3.3 ISADE-OSELM预测模型 |
| 4.4 ISADE-OSELM预测模型应用研究 |
| 4.4.1 工程概况 |
| 4.4.2 模型拓扑结构 |
| 4.4.3 参数选择 |
| 4.4.4 ISADE-OSELM模型预测结果 |
| 4.5 本章小结 |
| 5 基于云置信区间法的重力坝变形监控指标研究 |
| 5.1 引言 |
| 5.2 置信区间法的变形监控指标拟定 |
| 5.2.1 置信区间法 |
| 5.2.2 误差序列的分布检验 |
| 5.2.3 置信区间法拟定的监控指标 |
| 5.3 云置信区间 |
| 5.3.1 云模型 |
| 5.3.2 云置信区间的组成 |
| 5.3.3 云置信区间的计算步骤 |
| 5.3.4 云区间的选择 |
| 5.4 云置信区间法的变形监控指标拟定 |
| 5.4.1 数据转换 |
| 5.4.2 云区间的计算 |
| 5.4.3 云置信区间法拟定的监控指标 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（6）基于图像识别的土石坝坝料级配检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 土石料级配检测方法研究进展 |
| 1.2.2 土石料图像识别技术研究进展 |
| 1.2.3 土石料形状量化分析与级配转换研究进展 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 基于灰度准则的传统土石料图像识别 |
| 2.1 基于灰度准则的图像识别与土石料图像特征分析 |
| 2.1.1 图像识别的预处理 |
| 2.1.2 土石料图像特征分析与特征提取 |
| 2.1.3 基于灰度准则的土石料图像识别基本原理 |
| 2.2 基于阈值化的土石料图像分割 |
| 2.2.1 图像阈值分割原理 |
| 2.2.2 土石料图像的形态学处理 |
| 2.2.3 土石料图像的边缘检测 |
| 2.2.4 基于阈值化算法的土石料图像分割 |
| 2.3 基于分水岭算法的土石料图像分割 |
| 2.3.1 分水岭算法基本原理 |
| 2.3.2 基于标记的分水岭算法 |
| 2.3.3 基于改进分水岭算法的土石料图像分割 |
| 2.4 本章小结 |
| 3 基于深度学习的土石料图像识别 |
| 3.1 基于深度学习的图像识别基本原理 |
| 3.1.1 神经网络基本原理 |
| 3.1.2 迁移学习 |
| 3.1.3 基于深度学习的土石料图像识别基本原理 |
| 3.2 基于Mask R-CNN的土石料图像分割 |
| 3.2.1 Mask R-CNN模型框架与基本原理 |
| 3.2.2 数据集准备 |
| 3.2.3 基于Mask R-CNN土石料图像分割模型实现 |
| 3.3 基于U-Net的土石料图像分割 |
| 3.3.1 U-Net模型框架与基本原理 |
| 3.3.2 基于U-Net的土石料图像分割模型实现 |
| 3.4 本章小结 |
| 4 土石料颗粒形态分析与级配转换研究 |
| 4.1 土石料颗粒形状特征量化分析 |
| 4.1.1 轮廓特征量化指标 |
| 4.1.2 棱角特征量化指标 |
| 4.1.3 土石料形状参数分析 |
| 4.2 基于二维形状特性的土石料级配分析 |
| 4.2.1 基于二维形状特性的级配分析原理 |
| 4.2.2 基于二维形状特性的级配分析实现 |
| 4.3 基于三维体积重建的土石料级配分析 |
| 4.3.1 基于三维体积重建的土石料级配分析原理 |
| 4.3.2 基于三维体积重建的土石料级配分析实现 |
| 4.4 本章小结 |
| 5 土石料级配检测系统原理与实现 |
| 5.1 基于图像的土石料级配检测系统 |
| 5.1.1 级配检测系统结构设计 |
| 5.1.2 级配检测系统模型样机 |
| 5.2 土石料级配检测系统原理——DO-CNN模型 |
| 5.2.1 基于双窗自适应的最大类间方差阈值化 |
| 5.2.2 卷积神经网络 |
| 5.2.3 深度阈值卷积模型框架与实现 |
| 5.3 基于图像的土石料级配检测 |
| 5.3.1 试验准备及模型评价指标 |
| 5.3.2 模型参数选择 |
| 5.3.3 模型检测结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要成果和结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（7）基于最小生成树的图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 图像分割的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图论的图像分割方法 |
| 1.2.2 基于阈值的图像分割方法 |
| 1.2.3 基于边缘检测的图像分割方法 |
| 1.2.4 基于区域的图像分割方法 |
| 1.2.5 其他分割方法 |
| 1.3 本文的主要工作及内容安排 |
| 第二章 图论及其图的分割 |
| 2.1 图论的基本概念 |
| 2.1.1 基础知识 |
| 2.1.2 最短路径与Dijkstra算法 |
| 2.1.3 网络流及其最大流 |
| 2.2 图与图像 |
| 2.2.1 图与图像的关系 |
| 2.2.2 图的分割标准 |
| 2.3 本章小节 |
| 第三章 基于图论的图像分割 |
| 3.1 基本原理 |
| 3.2 图像分割的图论模型 |
| 3.2.1 基于最小生成树的图像分割模型 |
| 3.2.2 基于最短路径的图像分割模型 |
| 3.2.3 基于割集准则的图像分割模型 |
| 3.2.4 基于图割理论的图像分割模型 |
| 3.3 本章小节 |
| 第四章 基于新权值的最小生成树图像分割方法 |
| 4.1 现有的RGB色差公式及其性能 |
| 4.2 准备工作 |
| 4.2.1 最小生成树理论 |
| 4.2.2 构造最小生成树 |
| 4.3 基于最小生成树的图像分割方法 |
| 4.3.1 图像预处理 |
| 4.3.2 分割方法 |
| 4.4 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 分割评价指标 |
| 5.2 实验分析 |
| 5.2.1 实验环境配置 |
| 5.2.2 实验结果分析 |
| 5.3 医学图像分割 |
| 5.3.1 模糊C均值聚类算法 |
| 5.3.2 实验分析 |
| 5.4 本章小节 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 进一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间已发表的论文 |
（9）基于二阶ADMM算法的椭圆拟合问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 椭圆拟合算法研究现状 |
| 1.2.2 拟牛顿法的研究现状 |
| 1.2.3 ADMM算法的研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 2 预备知识 |
| 2.1 椭圆的相关理论 |
| 2.2 牛顿法与拟牛顿法 |
| 2.2.1 牛顿法 |
| 2.2.2 拟牛顿法 |
| 2.2.3 牛顿法和拟牛顿法的优缺点 |
| 2.3 交替方向乘子法 |
| 2.4 聚类方法 |
| 2.5 本章小结 |
| 3 基于ADMM和混合BFGS方法的改进椭圆拟合算法 |
| 3.1 改进的椭圆拟合算法 |
| 3.1.1 建立目标函数 |
| 3.1.2 算法设计 |
| 3.1.3 算法实现 |
| 3.1.4 反解椭圆相关参数 |
| 3.2 仿真实验 |
| 3.2.1 数值仿真实验与结果分析 |
| 3.2.2 直拉硅单晶生长图像仿真实验与结果分析 |
| 3.3 本章小节 |
| 4 低数据量下的椭圆拟合问题 |
| 4.1 不同遮挡比例对拟合结果的影响 |
| 4.1.1 不同遮挡比例仿真结果 |
| 4.1.2 结果分析 |
| 4.2 基于改进几何方法的低数据量椭圆拟合 |
| 4.2.1 低数据量的处理方法 |
| 4.2.2 基于改进的几何方法确定椭圆中心 |
| 4.2.3 基于中心对称的椭圆拟合 |
| 4.3 数值仿真实验 |
| 4.3.1 确定椭圆中心点的数值仿真实验 |
| 4.3.2 确定椭圆其他参数的数值仿真实验 |
| 4.3.3 仿真结果分析 |
| 4.4 直拉硅单晶生长图像仿真实验 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（10）基于声音信号的实时雨情识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于STM32的多ADC雨声采集硬件系统设计 |
| 2.1 雨声采集的外观设计与系统功能实现 |
| 2.1.1 外观设计 |
| 2.1.2 系统功能实现 |
| 2.2 硬件设计 |
| 2.2.1 麦克风选择及外形排布 |
| 2.2.2 主控制模块及串口通信 |
| 2.3 雨声采集系统调试及验证 |
| 2.3.1 系统功能测试实验 |
| 2.3.2 模拟雨声采集实验 |
| 2.3.3 雨声采集实验 |
| 2.4 本章小结 |
| 第三章 一种雨声信号处理的盲源分离方法研究 |
| 3.1 盲源信号的基本原理 |
| 3.1.1 盲源分离的数学模型 |
| 3.1.2 盲源分离的假设条件 |
| 3.1.3 盲源分离效果评价准则 |
| 3.2 固定点算法(Fast ICA)和主成分分析(PCA) |
| 3.2.1 固定点算法 |
| 3.2.2 主成分分析算法 |
| 3.3 基于盲源分离的雨声信号分离算法实验与分析 |
| 3.3.1 利用FastICA算法解混信号 |
| 3.3.2 利用PCA算法解混信号 |
| 3.4 本章小结 |
| 第四章 基于变分模态分解和小波包的雨声信号去噪算法 |
| 4.1 变分模态分解算法 |
| 4.1.1 经验模态分解算法预处理 |
| 4.1.2 变分模态分解 |
| 4.2 小波包去噪法 |
| 4.2.1 小波包变换 |
| 4.2.2 小波包系数重排 |
| 4.2.3 基于快速傅里叶变换的去噪阈值选择 |
| 4.2.4 基于变分模态分解的小波包多阈值雨声信号去噪 |
| 4.3 实验研究与分析 |
| 4.3.1 雨声去噪预处理 |
| 4.3.2 基于变分模态分解和小波包多阈值的雨声去噪 |
| 4.3.3 对比实验 |
| 4.4 本章小结 |
| 第五章 基于雨声信号的雨情分析研究 |
| 5.1 基于随机森林的雨声信号分类算法 |
| 5.1.1 雨声信号的特征提取 |
| 5.1.2 决策树 |
| 5.1.3 随机森林 |
| 5.1.4 分类实验及对比分析 |
| 5.2 基于贝叶斯优化XGBoost的雨声信号分类算法 |
| 5.2.1 XGBoost算法 |
| 5.2.2 贝叶斯优化过程 |
| 5.2.3 分类实验及对比分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新与特色 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 一、基本情况 |
| 二、本阶段学位攻读期间课程学习情况: |
| 三、攻读硕士学位期间参加项目情况 |
| 四、硕士期间公开发表的成果 |
| 五、攻读硕士学位期间获得的奖项 |
四、基于最大相关准则的阈值处理算法（论文参考文献）
- [1]大数据集群资源分配与调度研究[D]. 高远翔. 电子科技大学, 2021
- [2]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [3]认知雷达波形时域分集与优化设计研究[D]. 吴中杰. 哈尔滨工业大学, 2021(02)
- [4]卷积神经网络的模型压缩与硬件加速研究[D]. 陈思昂. 浙江大学, 2021(01)
- [5]重力坝变形监控的智能分析方法研究[D]. 李斌. 西安理工大学, 2021(01)
- [6]基于图像识别的土石坝坝料级配检测方法研究[D]. 雷雨萌. 西安理工大学, 2021
- [7]基于最小生成树的图像分割方法研究[D]. 龙晓东. 西南大学, 2021(01)
- [8]海天线检测方法综述[J]. 任继亭,李尉. 青岛远洋船员职业学院学报, 2021(02)
- [9]基于二阶ADMM算法的椭圆拟合问题研究[D]. 王雪. 西安理工大学, 2021(01)
- [10]基于声音信号的实时雨情识别研究[D]. 吴佳佳. 南京信息工程大学, 2021(01)