一、优化问题的几种算法(论文文献综述)
刘晓欢[1](2021)在《面向智能车行驶的最佳路径选择机制与方法研究》文中提出智能车辆是一种可以独立在复杂环境中完成给定任务而不依赖人为主导的移动机器人。最佳路径是智能车辆以及智慧交通系统中的主要研究课题,主要解决智能车求解符合最佳参数条件的无碰撞路径问题。智能车行驶的最佳路径选择参考的参数包括最短路径问题、最小总成本问题、最短行驶时间问题等,根据不同的技术可以实现有针对性的路径优化。快速有效的路径规划,是确保车辆安全到达目的地的首要目标,也是智能车辆系统中的重要环节。然而日益复杂的交通网络为智能车的应用和普及提出了更高的要求。因此本文中基于对强化学习(Reinforcement Learning,RL)技术,模糊神经网络技术(Fuzzy Neural Networks,FNN)等智能技术的研究,以及A*算法等最短路径算法的学习,对智能车行驶的最佳路径选择策略与算法进行详细的分析和研究。采用不同的优化策略设计,来解决路径规划算法在智能驾驶领域应用中计算量大,收敛性差,结构复杂,实用性和扩展性差问题,即本文的研究题目为面向智能车行驶的最佳路径选择机制与方法研究。本文的主要研究内容和创新之处如下:1)针对目前智能车路径规划的研究缺少综合评价体系的问题,提出了最佳路径选择参数体系帮助路径规划算法输出最佳路径。传统的A*算法虽然能够很好的解决最短路径问题,但实际的交通网络错综复杂且变化多样,单靠最短路径算法计算的路径不仅拐点多,且最终求解路径通常不是最优解。因此我们将最短路径算法与强化学习方法结合,设计一种最佳路径选择策略。本策略可以帮助智能驾驶车辆在未知环境下,通过交互信息,实时调整和选择一条无碰撞的最佳路径。对智能驾驶车辆路径规划算法进行基于先验知识的强化学习训练,通过缩小状态集计算时间,加快强化学习算法的收敛速度,降低无效样本学习和训练的开销。车辆传感设备会不断与环境交互来躲避障碍和依据奖励函数确定获取相应的动作指示,在避开障碍的同时,按照选择的参考标准,获得从起始点到终点的最佳路径。通过对最短路径的搜索设置改进,提高搜索效率。这种路径优化方法可以有效帮助不同类型智能驾驶车辆顺利规划存在限制高度,宽度和重量以及事故和拥堵障碍条件下的交通网络中的最佳路径,解决现有研究中对智能驾驶车辆在路径规划过程中存在以上几种障碍环境的考虑较少的问题。2)我们设计了一种粒子群优化算法训练的模糊神经网络路径规划算法。基于鸟类觅食行为的粒子群优化算法(Particle Swarm Optimization algorithm,PSO)的优点是计算量小,结构简单。但容易导致粒子陷入局部极值问题,陷入无限死循环中。结合模糊神经网络算法的路径规划方法可以通过对行驶环境中的各种信息进行分析和区分,制定特定反应式引导智能驾驶车辆前进,且神经网络容错性强且自学习能力强,具有很好的适应性,但是存在计算量过大和收敛速度慢的问题。为了解决粒子群算法容易陷入局部极小值问题,设计了优化惯性权重和学习因子更新方式的改进粒子群算法。并利用该算法在定义的规则下对模糊神经网络权值参数进行优化训练的方法,来解决模糊神经网络算法在智能驾驶车辆的路径规划问题中应用时收敛慢的问题。通过设计合理的训练规则和模糊网络结构,使混合算法能够在较大且复杂网络中完成路径规划任务。3)人工智能(Artificial Intelligence,AI)技术在智能驾驶领域的应用中十分有效。基于马尔科夫过程的强化学习算法是主要的智能决策支持技术中关于轨迹路径规划设计的方法之一,但是强化学习算法具有巨大的超参数空间,同时进行所有超参数的选择极具困难。因此我们设计对强化学习的超参数进行优化,使得其快速收敛,并提高学习效率;然后对粒子群优化算法进行预设置改进,减少无效粒子的计算,大大降低算法计算量并提高获得最优解效率;最后使用混合算法进行路径规划,通过修正量来修正改进粒子群优化算法的个体最优粒子和全局最优位置适应度,实现一种简洁高效且不会陷入局部最优解的路径规划。
韩利利[2](2021)在《基于分数阶微分的图像边缘检测算法的研究》文中研究指明边缘一般在数字图像中表现为像素灰度值的剧烈变化,其反映了图像不连续的特性,而且还包含了大量的信息。因此,图像边缘检测也成为了图像分割及图像融合等更深层次图像处理操作之前的一项重要的工作。对于已有的边缘检测算法存在提取边缘不连续、抗噪性能差以及无法提取到更加有效的纹理细节信息等不足,本文结合分数阶微分理论,在众多研究学者的基础上,提出一种改进的基于分数阶微分的边缘检测算法。最终的实验结果表明,该算法不仅有效获取了图像的完整边缘轮廓,还提取了图像中丰富的纹理细节信息,其效果无论从主观还是客观上都优于传统边缘检测算法。本文的主要研究内容及结果有以下几个方面:(1)详细介绍了分数阶微积分和数字图像边缘检测的基本理论知识,对常用的经典边缘检测算子、新兴图像边缘检测算法及传统分数阶微分边缘检测算法进行了简单介绍。这部分的内容主要为后面的研究奠定了理论及实验基础。(2)对于经典检测算法存在提取边缘不连续、抗噪性能差及传统分数阶微分算法无法准确、有效地提取更多纹理细节等不足,提出一种基于分数阶微分的边缘检测算法。由分数阶微分对信号的作用可知,零到一阶微分对低频部分的衰减程度最弱,选择合适阶次可对低频部分的细节进行最大程度的保留;一到二阶微分对高频部分的提升虽小于二阶,但也达到了所需要的提升。由此提出,采取上述两种阶次的模板分别检测一幅图像的高频、低频部分,不仅能提取较为完整的边缘,还能最大程度地检测到边缘纹理细节信息,提取边缘的效果优于其他算法。(3)为了尽量不出现一些边缘细节丢失及极大放大噪声,该算法在图像高频部分掩模算子中心处添加参数m;为了提取更多的弱边缘、保留更多的弱纹理细节及保证边缘的连续性,在图像低频部分掩模算子中心处添加参数n,添加参数后的算子提取边缘效果较好。(4)对分数阶微分掩模算子检测边缘需人为指定阶次的缺点,该算法在图像高频部分采用信息熵以及标准差作为构造阶次自适应函数的图像特征信息;在图像低频部分采用信息熵以及梯度模值作为构造微分阶次自适应函数的图像特征信息。通过两个函数由图像特征信息获取最佳阶次对图像高、低频部分分别进行边缘提取,再加权融合求得最终边缘,提取到的边缘细节信息较丰富。
柏琳[3](2021)在《融合视觉信息的可见光室内定位算法研究》文中研究说明随着移动智能终端的普及以及无线通信的发展,导航与位置服务越来越发挥着重要的作用。定位技术是实现导航与位置服务的关键。可见光定位(Visible Light Positioning,VLP)技术是一种基于发光二极管(Light-emitting diode,LED)的新兴室内定位技术,其依托于可见光通信(Visible Light Communications,VLC)技术,能够解决现有室内定位技术所面临的成本与精度之间均衡的瓶颈问题。然而,由于定位原理的局限,现有可见光定位算法还存在收发机朝向受约束、定位覆盖率不足、定位可靠性受限等挑战。因此,研究高精度、广覆盖、高可靠的可见光室内定位算法具有十分重要的意义。论文选题来源于国家自然科学基金面上项目“可见光通信的空间调光理论与技术研究”(项目编号:61871047)和国家自然科学基金青年基金“联合光源与视觉信息的高精度可见光定位理论与技术研究”(项目编号:61901047)。论文围绕可见光定位中面临的问题,在可见光信号强度等光源信息的基础上,通过融合LED信标空间位置等视觉信息,创新性的提出了一种融合视觉信息的可见光定位算法,逐步提高定位算法的精度、覆盖率和可靠性。论文的主要研究工作与创新如下:(1)针对可见光定位算法中收发机朝向受约束进而影响定位精度的问题,基于单视图几何理论,融合视觉信息,先后提出一种不限制接收机朝向和同时不限制收发机朝向的可见光定位算法,最终实现任意收发机朝向下的高精度定位。首先,针对可见光定位算法限制接收机朝向的问题,提出一种图像传感器辅助的接收信号强度比(Camera-Assisted Received Signal Strength Ratio algorithm,CA-RSSR)算法。CA-RSSR算法提出利用图像传感器捕捉的视觉信息求解可见光入射角,与光电探测器(Photodiode,PD)测量的接收信号强度(Received Signal Strength,RSS)结合,实现无接收机朝向约束下的高精度定位。通过仿真与实验证明了 CA-RSSR算法不受接收机朝向的限制,相比于传统可见光定位算法只有40%的样本能达到60 cm以内的定位精度,CA-RSSR算法80%的样本能够达到9 cm以内的定位误差,在定位精度方面取得了明显的优势。然后,针对传统可见光定位算法及CA-RSSR算法限制发送机朝向的问题,在CA-RSSR算法的基础上,进一步提出一种基于RSS 的三点透视(RSS-assisted Perspective-three-Point,R-P3P)算法。R-P3P算法利用图像传感器捕捉的视觉信息求解LED到接收机的距离的多组解,然后利用PD测量的RSS估计正确的LED到接收机距离。在不限制接收机朝向的前提下,进一步避免了传统可见光定位算法中限制发送机朝向的问题,同时也避免了传统P3P算法需要额外的信标才能定位的问题。通过仿真和实验证明了 R-P3P算法不受LED朝向和接收机朝向的限制。相比于传统可见光定位算法,R-P3P算法在接收机视场角小于60°时可以实现20%以上的覆盖率增益;当LED倾斜角为30°时,相比于CA-RSSR算法在3D定位时只有40%的样本可以实现30 cm以内的定位精度,R-P3P算法的80%的样本可以实现4 cm以内的定位精度。(2)针对可见光定位覆盖率不足的问题,基于单视图几何理论、平面几何理论和线性最小二乘算法,融合视觉信息,提出一种覆盖率提升的可见光定位算法,并在此基础上提出一种补偿算法进一步提高定位精度,实现高精度、广覆盖定位。首先,针对可见光定位覆盖率不足的问题,提出一种余弦定理辅助的接收信号强度比(Cosine Theorem assisted-RSSR,CT-RSSR)算法。CT-RSSR算法深度利用视觉信息,基于单视图几何理论和平面几何理论,计算收发机间距,减少定位所需的LED数目,提高覆盖率,并利用线性最小二乘算法降低计算复杂度。通过仿真证明了相比于传统可见光定位算法、传统n点透视(Perspective-n-Point,PnP)算法和 CA-RSSR 算法,CT-RSSR 算法能够分别取得50%、18%和42%以上的覆盖率性能增益,相比于R-P3P算法更具有普适性。通过实验证明了 CT-RSSR算法能够在高覆盖率的前提下实现厘米级定位精度。然后,针对接收端PD和图像传感器间距的影响CA-RSSR和CT-RSSR算法定位精度的问题,提出一种补偿接收机几何位置差异的增强型CT-RSSR算法(eCT-RSSR算法),基于单视图几何理论,利用最小二乘算法迭代优化接收机位置,降低PD和图像传感器间距所引入的定位误差。通过仿真证明了 eCT-RSSR算法能够有效降低PD和图像传感器间距引入的定位误差,当这一间距为20 cm时,相比于CA-RSSR算法和CT-RSSR算法只有不足60%的样本定位精度在20 cm以内,eCT-RSSR算法80%的样本仍可以实现15 cm以内的定位精度。(3)针对可见光定位可靠性受限的问题,基于单视图几何理论、平面几何理论和立体几何理论,融合视觉信息,提出一种可靠性提升的可见光定位算法,并在此基础上提出一种补偿算法进一步提高定位算法的可靠性,实现高精度、广覆盖、高可靠定位。首先,针对可见光定位可靠性受限的问题,提出一种基于VLC的四线透视(VLC-assisted Perspective-four-Line,V-P4L)算法。V-P4L算法利用图像传感器同时捕捉时间维度上的光源信息与空间维度的视觉信息,基于几何理论,利用视觉信息估计接收机的位置和姿态,解决了依赖于信道模型求解收发机间距的问题;由于V-P4L算法利用透视投影定理获得完整的照明器投影,因此V-P4L算法具有抗遮挡能力;同时V-P4L算法利用VLC解决了视觉定位中依赖于信标与投影对应关系的问题。通过仿真和实验验证了 V-P4L算法的高可靠性,相比于依赖于信道模型的CT-RSSR算法和依赖于信标与投影对应关系的P4L算法,V-P4L算法能够获得几十厘米的精度增益。然后,针对V-P4L算法限制发送机朝向的问题,提出一种补偿发送机高度差异的增强型V-P4L算法(eV-P4L算法),基于所提的分段优化策略,实现不同LED朝向下的可靠定位。通过仿真和实验结果表明,在发送机倾斜的场景中,相比于V-P4L算法随着发送机倾斜角度增大定位误差逐渐增高到几十厘米以上,eV-P4L算法的定位精度始终在20 cm以内。
喻丁玲[4](2021)在《复杂场景中的运动目标检测算法研究》文中提出随着计算机视觉技术的飞速发展,运动目标检测技术广泛的渗透于生产生活的各个方面,特别是高精度的目标检测研究具有重要意义。考虑到经典的运动目标检测方法难以应对复杂场景的监控环境,比如光照变化、相机抖动、颜色饱和度和阴影等,以及外界噪声干扰的问题,这些因素都会影响运动目标检测的鲁棒性。近年来,多光谱成像技术以其独特的优势常用于目标检测领域,相比于可见光视频或RGB视频技术,多光谱视频技术在特定环境下的运动目标检测取得了更好的效果。围绕上述问题,本文的主要工作如下:(1)针对当前运动目标检测模型在噪声、动态背景以及阴影等环境下敏感的问题,提出了结合L1-TV正则化约束RPCA模型的运动目标检测方法。本文在低秩稀疏框架下研究运动目标在时空上的连续性和背景的相关性,利用鲁棒主成分分析(RPCA)技术分别对前景和背景进行建模,将前景部分细分为运动目标矩阵和噪声矩阵,再分别添加阈值约束,最终得到一种改进的运动目标检测模型。在CD.net 2014数据集上进行了实验研究和分析。结果表明,与对比实验相比,本算法能有效去除噪声干扰,检测精度高且运行速度较快。(2)考虑到移动摄像机视频由于背景帧不固定的问题,本文提出了一种结合Rank-1和全变分(TV)正则化约束RPCA模型的运动目标检测算法来解决这一问题。在低秩稀疏分解模型下,利用Rank-1正则化约束背景部分增强背景的低秩性,利用TV正则化和1l范数约束前景目标,保证前景空间的稀疏性和空间连续性,再结合2l范数约束噪声部分,得到了一种能有效应对视频背景帧移动以及噪声问题的运动目标检测算法。实验结果表明,本方法能有效应对视频移动以及噪声干扰的问题,在检测目标上表现出了很好的鲁棒性。(3)针对传统的可见光视频或RGB视频在颜色饱和度低或光照强度变化的场景中检测效果差的问题,本文应用多光谱成像技术有效应对这问题。此外,多光谱图像的数据量大可能会产生计算上的负担。本文提出了一种改进的在线随机张量分解应用在多光谱视频序列的框架,在张量模式上迭代更新基矩阵和稀疏部分系数,实现在线实时优化。首先,通过在MSVS数据集的实验评估表明了本文算法的鲁棒性,然后,将本方法应用于多光谱视频波段上,相较于传统的RGB视频,在多光谱视频的实验证明了多光谱提供了更好的背景、前景分离效果。
林振[5](2021)在《毫米波信道下多用户混合波束成形的研究》文中提出毫米波丰富的频谱资源和短波长可以分别解决当前通信中频谱资源不足问题和MIMO通信系统中多天线的硬件集成问题,但是毫米波通信中传输损耗严重的问题同样不容小觑,而波束成形可以实现定向传输信号,弥补毫米波通信中严重的路径损耗。毫米波多用户MIMO通信系统中的混合波束成形技术同时具备了模拟波束成形和数字波束成形的优势,从而实现了复杂度和性能的良好折中。毫米波多用户MIMO通信系统中的混合波束成形技术的研究对未来无线移动通信系统演进有很强的技术参考意义。首先针对现有的自适应解决混合波束成形的方法存在复杂度较高,系统总频谱效率性能较差问题,本文提出了一种复杂度比较低的混合波束成形算法。该算法将混合波束成形问题分为两步进行,首先求解出每个用户的模拟波束成形矩阵,在此基础上求解基站端的模拟波束成形矩阵;在得到基站端和用户端的模拟波束成形矩阵的基础上得到等效的基带信道,然后利用块对角化数字波束成形算法求解基站端和用户端的数字波束成形矩阵。通过仿真实验分析,所提算法的复杂度在只有GLRAM算法的复杂度三分之一的情况下,所表现的系统总频谱效率是略高于GLRAM算法的;同时所提算法的系统总频谱效率是远远高于Hy-BD算法的,在信噪比为0d B时,大概比HY-BD算法高出10bit/s/Hz。虽然上述算法降低了自适应波束成形的复杂度,但是由于自适应波束成形本身复杂度就偏高,所以在实际非视距情况下,多采用基于波束配对搜索的混合波束成形方法。本文针对现有的分层波束搜索算法所表现出搜索成功率较低和系统总频谱效率不佳的情况,提出了一种改进的分层波束搜索算法,通过保存次优波束对的方法最终搜索出理想的基站端和用户端通信波束对,在信噪比为15d B下,相比于现有的分层波束搜索算法,改进的分层波束搜索算法的搜索成功率得到了20%的提高,系统的总频谱效率得到了10bit/s/Hz的提升。上述改进的分层波束搜索算法是针对现有分层码本的波束搜索,但是现有的分层码本最后一层中的波束矢量存在指向性不够精确的问题,本文针对此问题又提出了指向性更加精确的扩展码本,并将分层码本和扩展码本的整体定义为联合码本。首先针对联合码本提出了联合码本的波束搜索算法;然后针对联合码本的波束搜索算法中没有考虑到用户干扰的问题,又提出了联合码本中考虑用户干扰的波束搜索算法。通过仿真实验分析,两种算法下系统的总频谱效率均得到提升,例如在信噪比15d B的条件下,两种算法的系统总频谱效率比上述改进的分层波束搜索算法高出了20bit/s/Hz左右,由此证明了所提扩展码本的可行性以及所提两种波束搜索算法的有效性,并且根据仿真结果,分别给出两种算法适用的场景。
费洪涛[6](2020)在《基于自适应压缩感知重建算法的无线信道估计研究》文中提出基于压缩感知(Compressed Sensing,CS)的信道估计技术是近年来出现的一个研究热点。CS将数据的采集和压缩合为一步,以较低的速率完成采样并进行信号的传输和存储,极大的节省了传输成本和存储资源,因此被广泛应用于信号处理中。正交频分复用(Orthogonal Frequency Division Multiplexin,OFDM)系统具有较高的频带利用率,很适合应用于频谱资源稀缺的场景,其信道由于多径传播产生的时延扩展而呈现稀疏特性。在大规模多输入多输出(Multiple Input Single Output,MIMO)系统中,利用多天线阵列可以获得较大的空间复用增益,提高系统容量和频谱效率,其信道由于散射效应在角域同样呈稀疏性。传统的信道估计方法在使用大量导频的条件下获得一定的信道估计性能,但当信道带宽扩大到一定程度时传统的信道估计方法就不再适用。为了更好的利用无线信道的稀疏特性去降低导频的数量,可以采用CS技术来完成信道估计。大量文献表明,基于CS的信道估计仅用少量的导频即可获得优异的估计性能。本文对稀疏度自适应的CS重建算法进行了深入研究,并将其应用于OFDM系统和大规模MIMO系统的稀疏信道估计中,从而可以在未知信道稀疏度的情况下高质量完成信道估计。本文的主要贡献如下:1)提出了一种改进的稀疏度自适应CS重建算法—弱选择分段自适应匹配追踪(Weak Selection Stagewise Adaptive Matching Pursuit,WSSt AMP)算法,该算法通过设置模糊阈值在原子初选阶段先删去大量不理想的原子,确保已选的原子与残差的相关性都很大,保证了算法具有较高的重建精度;此外针对不同阶段变步长的情况,设计了一种幂函数型的变步长方法,使得算法在大步长阶段能够更快地扩大支撑集以逼近真实稀疏度,从而进一步减少算法的重建时间。仿真结果表明,无论噪声是否存在,WSSt AMP算法的重建性能均优于其他算法,且其算法复杂度更低,因此更具有实用意义。2)将本文提出的WSSt AMP算法应用于OFDM系统稀疏信道估计中,并与其他各算法进行性能对比。由仿真结果可知,本文提出的WSSt AMP算法在实际信道估计中仍具有较高的信道估计性能,且相比于稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)等重建算法,其重建均方误差(Mean Square Error,MSE)性能约提升2-3d B;3)将WSSt AMP算法应用于大规模MIMO系统的信道估计中,同样与其他算法进行信道估计性能对比,还研究了在不同数量的导频和发射天线数情况下WSSt AMP算法信道估计性能的变化。仿真结果表明,在大规模MIMO系统中,WSSt AMP算法的MSE性能依然优于SAMP等重建算法,大约提升1.5-2.5d B。另外,由仿真结果可知,当发射天线数减少或导频数量增多时,WSSt AMP算法能获得更优异的信道估计性能。
张杨[7](2020)在《改进群体智能优化算法及其应用》文中研究表明随着科学和技术的快速发展,很多领域都会涉及到优化问题,如:旅行商问题、函数优化、电力调度、桁架结构设计等。然而,很多优化问题都是多峰、高维度,存在着难解性。传统的优化算法如共轭梯度法、单纯形法、牛顿法等都已经很难满足人们的需求。因此设计高效的优化算法成为很多科研工作者的研究目标。本文主要研究群智能优化算法,针对各个优化算法的优缺点进行改进,并将其应用到实际问题中,使其发挥出自身的应用价值。本文主要对人工蜂群算法进行改进,并将其应用到实际领域,本文的具体研究内容如下:(1)比较各种流行的算法,为后续改进的人工蜂群算法提供了理论支持。(2)针对传统人工蜂群算法全局搜索能力强,局部搜索能力弱的特点,本文提出了一个新的策略来保留整个种群搜索的历史最优解群。在这个基础之上,对人工蜂群算法的雇佣蜂阶段和观察蜂阶段的搜索公式进行改进,将改进的人工蜂群算法(MNABC)放在标准测试函数上以及电力经济调度的实际问题上进行实验测试其性能,实验结果表明提出的算法高效可靠。(3)针对人工蜂群算法收敛速度慢,后期精度不高,在处理复杂的优化问题时不易陷入局部最优的特点,受粒子群算法的启发,本文为人工蜂群算法的雇佣蜂阶段和观察蜂阶段提供了一个智能化的学习策略。此外,在侦察蜂阶段,根据侦察蜂的特性,本文提出了一种新颖的学习策略。然后,将改进的算法(EABC)放在标准测试函数上以及桁架结构设计的实际问题上进行实验测试其性能,和当前流行的多种算法比较结果验证了算法的可靠性。本文针对人工蜂群算法的收敛速度慢,在迭代后期其局部搜索能力弱的特点,提出了两种改进的算法,即基于智能学习策略的人工蜂群算法(MNABC)和基于精英搜索策略的人工蜂群算法(EABC);然后将这两种算法应用到实际问题中,其中将MNABC算法应用到电力经济调度问题中,将EABC算法应用到桁架结构设计问题中,实验结果验证了算法的有效性。
程云飞[8](2021)在《可穿戴健康监护中的生理信号处理关键方法研究》文中研究表明随着可穿戴技术的快速发展,可穿戴健康监护也越来越受到更多人的关注,但是这也给生理信号的采集、处理和分析带来了一些新的挑战。首先,在目前应用最为广泛的可穿戴运动心率监测中,运动状态下采集腕部PPG信号极易受到运动伪影干扰,运动伪影由于其频率范围与PPG信号的频率范围高度重叠而很难去除;其次,在基于压缩感知采样的可穿戴健康监护中,由于现有压缩感知重构算法计算复杂度较高,很难满足实时监护的要求;最后,在对基于压缩感知采样的心电片段进行实时分析和诊断时,现有的基于心拍的心律失常自动诊断方法很容易出现漏诊或者误诊。为了应对这些挑战,本论文在项目组所研制的可穿戴远程健康监护系统的基础上分别针对运动伪影的去除问题、心电信号的重构问题和压缩心电的分类问题提出了一系列算法,主要研究内容与创新点包括以下几个方面:(1)针对腕部PPG信号中混入的强运动伪影难以去除从而导致心率估计准确性差的问题,分别提出了适用于两种不同应用场景的运动伪影去除及心率估计算法:①对于远程服务器端,本文提出了一种基于皮尔逊相关二元决策的混合去噪方法,充分利用非线性自适应滤波和奇异谱分析去噪优势,实验结果表明该算法可以有效去除PPG信号中混入的运动伪影干扰,从而提高了心率估计的准确度,并且所采用的去噪算法不依赖于个体数据,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备(如智能手表),本文提出了一种基于条件生成对抗网络的运动伪影去除算法,实验结果表明,相对于现有的运动伪影去除及心率估计算法,其速度可以提升约一个数量级,并且训练好的运动伪影去除模型计算复杂度很低,可以很容易地嵌入到计算资源受限的可穿戴智能设备中。(2)针对现有的现有非稀疏心电信号重构算法计算复杂度高、实时性差的问题,分别提出了适用于两种不同应用场景的非稀疏心电信号重构算法:①对于远程服务器端,本文基于传统的块稀疏贝叶斯学习框架,利用交替方向乘子法优化其迭代流程,实验结果表明,该算法有效加快了重构算法的收敛速度,在保证信号重构精度的同时提高了信号重构的实时性,并且该算法不依赖于特定数据集,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备,传统的迭代式压缩感知重构算法计算复杂度偏高,因此本文提出了一种基于扩张残差网络的心电信号重构算法,实验结果表明,基于特定数据集训练好的信号重构模型相对于传统迭代式压缩感知重构算法不仅有着更好的重构精度,实时性也有着巨大的提升,其重构速度可以提升约两到三个数量级,因此很容易嵌入到计算资源受限的可穿戴智能设备中。(3)针对现有的分类算法对压缩的心电片段进行心律失常自动诊断时容易发生漏诊和误诊的问题,提出两种心律失常自动诊断算法:①对于心律失常自动诊断分类,与传统的基于心拍的心律失常自动诊断算法不同,本文提出了一种多标签分类算法对同一心电片段中可能存在的多种心律失常进行分类,实验结果表明,提出的算法可以对同一心电片段中存在多种心律失常的情况进行准确分类,从而减少漏诊或者误诊的发生;②对于房颤检测,本文利用测量矩阵的先验信息对深度模型的第一层进行初始化并进行微调,从而充分利用已有的信息来提高模型的分类性能,实验结果表明,该算法有效提高了基于压缩心电的房颤检测准确率,尤其是在较高的压缩率下可以有效减少漏诊或者误诊的发生。
辛丙一[9](2020)在《标签噪声条件下鲁棒稀疏表示人脸识别算法研究》文中研究说明机器学习在日常生活中日益常见,在对学习模型的构建过程中训练数据的质量起着至关重要的作用。然而在实际应用中标签噪声的存在几乎是不可避免的,标签噪声的存在会导致学习模型复杂度提高、鲁棒性降低、泛化能力减弱等一系列问题。因此如何在标签噪声存在条件下进行鲁棒有效的识别分类便成为一个极其重要的问题。通过对该课题的学习研究,本文提出以下三种方法:首先,对数据集中的人脸样本进行多种特征提取。通过多特征集成学习对数据集样本进行预测分类。将集成学习预测结果与原始标签不一致的样本同时保留原始标签与预测结果标签,建立多标签数据集。然后将多标签数据集应用于WSRC稀疏表示分类模型。由于稀疏表示过程中表示系数的稀疏性,进行多标签稀疏表示分类可以在很大程度上提高学习模型对标签噪声的鲁棒性,同时可以有效防止多度过滤现象的发生。其次,应用局部异常因子(Local Outier Factor,LOF)检测算法对训练数据集中噪声标签样本进行移除。利用去噪后的数据集通过KNN(K-Nearest Neighbor)算法对噪声样本进行预测纠正,建立多标签数据集。针对数据集中可能存在的遮挡、光照差异以及表情变化等问题,应用鲁棒有监督稀疏表示分类(Robust Supervised Sparse Representation,RSSR)算法进行多标签稀疏表示分类,以实现标签噪声条件下人脸样本的鲁棒识别。最后,应用基于数据分布的标签噪声过滤方法,对数据集进行过滤。利用去噪后的数据集对噪声样本进行纠正,建立多标签数据集。针对算法的实时性与计算代价过高等问题,应用结合结构性与非凸化约束的核组稀疏表示算法进行多标签稀疏表示分类,以实现算法在计算成本上的降低,同时保证在标签噪声条件下识别模型的鲁棒性。
薛国泽[10](2020)在《基于遗忘机制的三支决策增量学习理论及其应用研究》文中研究表明动态环境中的数据通常呈现持续增长、动态更新的变化特点,实时产生的新数据加入系统中将会导致原有知识结构的动态变化。三支决策增量学习模式在学习中充分利用了历史训练结果,通过对新增部分数据的局部学习降低了数据快速增长时知识更新方法对时间和空间的需求。而随着增量模型中较多旧知识的不断累积,系统的分类性能受到了干扰,导致系统数据在不断增加的过程中出现了概念漂移的问题。近年来,增量学习模式成为了动态三支决策中的重点研究课题,且在理论和实践领域皆取得了有意义的成果,但是针对增量模型中概念漂移问题的相关研究较少。本研究基于遗忘机制相关理论,设计了以数据的主动遗忘为核心的算法模式,提出了一种三支决策主动遗忘计算方法。在主动遗忘计算方法基础上,提出了两种三支决策增量学习优化计算方法。具体研究工作包括:(1)基于概率粗糙集三支决策模型,通过分析动态三支决策环境下的数据变化模式,推导了数据主动遗忘计算中信息系统原有决策规则条件概率的变化情况,并基于此给出了概率粗糙三支近似的遗忘更新原理,实现了待遗忘数据的快速遗忘计算。最后在公共数据集上进行对比实验,实验结果表明,相比于经典计算算法,主动遗忘计算算法在运行时间开销上有巨大的优势。(2)为有效处理三支决策增量学习模型中的概念漂移,在主动遗忘计算算法基础上,将回溯思想和启发式优化算法引入三支决策增量学习的优化计算中,提出了两种基于主动遗忘计算的三支决策增量学习优化计算算法,以探索三支决策增量学习模型的最佳性能。最后在人工数据集上进行对比实验,实验结果表明,两种算法均能有效处理增量模型中的概念漂移问题。(3)为解决国家电网生产中的油温分析中的概念漂移问题。基于油温预测分析实例,设计了一系列算法流程,展示了两种具有遗忘机制的三支决策增量学习算法在实例中的一般应用过程。通过几组对比实验结果表明,具有遗忘机制的三支决策增量学习算法在油温分析实例中表现出较大的优势。
二、优化问题的几种算法(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、优化问题的几种算法(论文提纲范文)
(1)面向智能车行驶的最佳路径选择机制与方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究的背景与意义 |
1.1.1 智能车研究背景 |
1.1.2 智能车路径规划研究的意义 |
1.2 智能驾驶车辆研究现状 |
1.2.1 智能驾驶车辆的特点 |
1.2.2 智能车路径规划研究进展 |
1.3 本文研究的内容及解决方案 |
1.4 论文结构安排 |
第二章 面向智能车行驶的最佳路径选择相关技术 |
2.1 智能车最佳路径研究的意义 |
2.2 面向智能车路径研究的关键技术 |
2.2.1 环境感知 |
2.2.2 导航定位 |
2.2.3 路径规划 |
2.2.4 决策控制 |
2.2.5 服务支撑技术 |
2.3 最佳路径选择技术的应用 |
2.4 本章小结 |
第三章 基于参数体系的最佳路径选择机制 |
3.1 概述 |
3.2 环境映射 |
3.3 路径搜索 |
3.3.1 基础搜索算法 |
3.3.2 基于仿生学的算法 |
3.3.3 融合人工智能的算法 |
3.4 最佳路径选择 |
3.4.1 路径选择参数体系 |
3.4.2 处理过程 |
3.5 本章小结 |
第四章 基于先验强化学习的最佳路径选择方法 |
4.1 概述 |
4.2 OPABRL算法 |
4.2.1 参数设计 |
4.2.2 PBRL策略 |
4.2.3 SOA算法 |
4.2.4 算法步骤 |
4.3 OPABRL算法复杂度分析 |
4.4 仿真测试与实验分析 |
4.4.1 仿真测试结果与分析 |
4.4.2 实验测试结果与分析 |
4.5 本章小结 |
第五章 基于改进粒子群算法的最佳路径选择方法 |
5.1 概述 |
5.2 HPFA算法 |
5.2.1 基本定义 |
5.2.2 IPSO设计 |
5.2.3 SFNN结构设计 |
5.2.4 HPFA算法步骤 |
5.3 HPFA算法复杂度分析 |
5.4 仿真测试与分析 |
5.4.1 仿真实验分析 |
5.4.2 实验测试分析 |
5.5 本章小结 |
第六章 基于强化学习和粒子群算法混合策略的路径规划方法 |
6.1 概述 |
6.2 HPHA算法设计 |
6.2.1 HORL算法 |
6.2.2 PPSO算法设计 |
6.2.3 HPHA路径规划算法 |
6.3 HPHA算法复杂度分析 |
6.4 算法仿真与实验分析 |
6.4.1 仿真测试分析 |
6.4.2 实验测试分析 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 本文工作总结 |
7.2 研究方向展望 |
参考文献 |
在学期间取得的科研成果和科研情况说明 |
致谢 |
(2)基于分数阶微分的图像边缘检测算法的研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 课题的研究背景与意义 |
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 分数阶微积分及其应用的研究现状 |
1.2.2 边缘检测的研究现状 |
1.2.3 分数阶微分边缘检测算法的研究现状 |
1.3 论文主要内容及结构安排 |
1.3.1 论文的主要内容 |
1.3.2 论文的结构安排 |
1.4 本章小结 |
2 基本理论 |
2.1 分数阶微积分的理论 |
2.2 三种经典的分数阶微积分定义 |
2.2.1 Grünwald-Letnikov(G-L)分数阶微积分定义 |
2.2.2 Riemann-Liouville(R-L)分数阶微积分定义 |
2.2.3 Caputo分数阶微积分定义 |
2.3 边缘检测基本理论 |
2.3.1 一阶导数算子 |
2.3.2 二阶导数算子 |
2.4 传统边缘检测算子 |
2.4.1 Sobel边缘检测算子 |
2.4.2 Roberts边缘检测算子 |
2.4.3 Prewitt边缘检测算子 |
2.4.4 LOG边缘检测算子 |
2.4.5 Canny边缘检测算子 |
2.5 其他图像边缘检测算法 |
2.5.1 基于数学形态学的边缘检测算法 |
2.5.2 基于小波变换的边缘检测算法 |
2.5.3 基于传统边缘检测算法的改进算法 |
2.6 本章小结 |
3 基于改进分数阶微分边缘检测算法的提出 |
3.1 传统提取图像边缘算法存在的问题 |
3.2 分数阶微分对信号的作用 |
3.3 基于分数阶微分的图像边缘检测分析 |
3.4 基于G-L定义的微分掩模的构造 |
3.5 分数阶微分掩模的数值运算分析 |
3.6 基于改进分数阶微分边缘检测算法的研究 |
3.6.1 分数阶微分提取边缘算法的步骤 |
3.6.2 分数阶微分阶次的选择 |
3.6.3 边缘提取结果分析与对比 |
3.7 本章小结 |
4 基于改进分数阶微分边缘检测算法的实现 |
4.1 图像边缘检测掩模算子的构造 |
4.1.1 高频图像部分掩模算子的构造 |
4.1.2 低频图像部分掩模算子的构造 |
4.1.3 实验结果分析与对比 |
4.2 分数阶微分阶次自适应函数的构造 |
4.2.1 微分阶次的图像特征信息选择 |
4.2.2 高频图像部分阶次自适应函数的构造 |
4.2.3 低频图像部分阶次自适应函数的构造 |
4.3 算法实现步骤 |
4.4 仿真实验结果与分析 |
4.4.1 未添加噪声图像边缘检测效果分析 |
4.4.2 添加噪声图像边缘检测效果分析 |
4.5 本章小结 |
5 结论 |
参考文献 |
作者攻读学位期间取得的研究成果 |
(3)融合视觉信息的可见光室内定位算法研究(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 主要研究工作 |
1.3 论文结构安排 |
第二章 室内定位算法综述 |
2.1 室内定位技术及相应定位算法研究现状 |
2.2 可见光定位算法研究现状 |
2.2.1 可见光定位算法研究分类 |
2.2.2 基于RSS的可见光定位算法 |
2.3 视觉定位算法研究现状 |
2.3.1 视觉定位算法研究分类 |
2.3.2 基于点特征和直线特征的视觉定位算法 |
2.4 联合可见光定位与视觉定位的室内定位算法 |
2.5 本章小节 |
第三章 精度提升的可见光定位算法研究 |
3.1 引言 |
3.2 图像传感器辅助的RSSR定位算法 |
3.2.1 系统模型 |
3.2.2 CA-RSSR算法 |
3.2.3 仿真结果与分析 |
3.2.4 实验结果与分析 |
3.3 基于接收信号强度的P3P定位算法 |
3.3.1 系统模型 |
3.3.2 R-P3P算法 |
3.3.3 仿真结果与分析 |
3.3.4 实验结果与分析 |
3.4 本章小结 |
第四章 覆盖率提升的可见光定位算法研究 |
4.1 引言 |
4.2 余弦定理辅助的RSSR定位算法 |
4.2.1 系统模型 |
4.2.2 CT-RSSR算法 |
4.3 补偿接收机几何位置差异的CT-RSSR算法 |
4.3.1 系统模型 |
4.3.2 eCT-RSSR算法 |
4.4 仿真与结果分析 |
4.4.1 评价指标 |
4.4.2 仿真设置 |
4.4.3 仿真结果分析 |
4.5 实验与结果分析 |
4.5.1 实验设置 |
4.5.2 实验结果分析 |
4.6 本章小结 |
第五章 可靠性提升的可见光定位算法研究 |
5.1 引言 |
5.2 基于可见光通信的P4L定位算法 |
5.2.1 系统模型 |
5.2.2 V-P4L算法 |
5.3 补偿发送机高度差异的V-P4L算法 |
5.3.1 系统模型 |
5.3.2 eV-P4L算法 |
5.4 仿真与结果分析 |
5.4.1 评价指标 |
5.4.2 仿真设置 |
5.4.3 仿真结果分析 |
5.5 实验与结果分析 |
5.5.1 实验设置 |
5.5.2 实验结果分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 研究工作展望 |
参考文献 |
附录: 缩略语中英文对照表 |
致谢 |
攻读博士学位期间取得的学术成果 |
(4)复杂场景中的运动目标检测算法研究(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 运动目标检测的主要技术难点 |
1.4 本文的主要工作及章节安排 |
第二章 相关基础理论 |
2.1 RPCA模型基本原理 |
2.2 RPCA模型算法 |
2.3 空间全变分正则化 |
2.4 张量分解介绍 |
2.5 本章小结 |
第三章 静态视频中的运动目标检测 |
3.1 全变分约束RPCA模型的运动目标检测 |
3.1.1 算法提出 |
3.1.2 算法优化 |
3.2 实验结果与分析 |
3.2.1 实验设计与数据集 |
3.2.2 检测结果分析 |
3.2.3 定量评估 |
3.2.4 耗时分析 |
3.3 本章小结 |
第四章 移动视频中的运动目标检测 |
4.1 引言 |
4.2 结合全变分和Rank-1 约束RPCA模型的目标检测 |
4.2.1 背景分析与建模 |
4.2.2 动态前景分析 |
4.2.3 算法的优化与求解 |
4.3 实验结果与分析 |
4.3.1 数据集与实验设计 |
4.3.2 检测结果分析 |
4.3.3 定量评估 |
4.3.4 耗时分析 |
4.4 本章小结 |
第五章 多光谱视频中的运动目标检测 |
5.1 引言 |
5.2 改进的OSTD目标检测算法 |
5.2.1 框架分析 |
5.2.2 算法实现 |
5.3 实验结果与分析 |
5.3.1 多光谱视频检测结果 |
5.3.2 多光谱和RGB视频结果对比 |
5.3.3 定量评估 |
5.3.4 耗时分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(5)毫米波信道下多用户混合波束成形的研究(论文提纲范文)
摘要 |
ABSTRACT |
英文缩略语表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 自适应波束成形研究现状 |
1.2.2 基于波束配对的混合波束成形研究现状 |
1.3 论文主要工作 |
1.4 论文内容安排 |
第二章 毫米波信道以及波束成形原理 |
2.1 毫米波传播特性和信道模型 |
2.1.1 毫米波传播特性 |
2.1.2 毫米波信道模型 |
2.2 波束成形技术结构 |
2.2.1 数字波束成形结构和模拟波束成形结构 |
2.2.2 混合波束成形结构 |
2.3 波束成形算法综述 |
2.3.1 数字波束成形算法 |
2.3.2 模拟波束成形算法 |
2.3.3 混合波束成形算法 |
2.4 本章小结 |
第三章 全连接结构的多用户混合波束成形 |
3.1 毫米波多用户MIMO通信系统模型 |
3.2 一种改进的低复杂度混合波束成形算法 |
3.2.1 算法描述 |
3.2.2 算法复杂度分析 |
3.3 仿真实验分析 |
3.4 本章小结 |
第四章 基于波束配对的混合波束成形 |
4.1 基于波束配对的混合波束成形系统模型 |
4.2 分层码本 |
4.3 一种改进的分层波束搜索算法 |
4.3.1 改进的分层波束搜索算法 |
4.3.2 仿真实验分析 |
4.4 联合码本的波束搜索算法 |
4.4.1 扩展码本 |
4.4.2 联合码本的波束搜索算法 |
4.4.3 联合码本中考虑用户干扰的波束搜索算法 |
4.4.4 复杂度分析与仿真实验分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 未来工作展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(6)基于自适应压缩感知重建算法的无线信道估计研究(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 论文研究背景及研究现状 |
1.2 研究工作与安排 |
第二章 OFDM、大规模MIMO系统及无线信道估计 |
2.1 OFDM系统 |
2.1.1 OFDM系统基本理论 |
2.1.2 OFDM系统的特点及应用 |
2.2 大规模MIMO系统 |
2.2.1 MIMO技术 |
2.2.2 大规模MIMO系统 |
2.3 无线信道估计 |
2.3.1 无线信道特性及分类 |
2.3.2 无线信道估计技术 |
2.4 本章小结 |
第三章 一种改进的自适应压缩感知重建算法 |
3.1 压缩感知简介 |
3.1.1 压缩感知技术理论模型 |
3.1.2 信号的稀疏表示 |
3.1.3 测量矩阵的设计 |
3.2 压缩感知重建算法 |
3.2.1 正交匹配追踪OMP算法 |
3.2.2 稀疏度自适应匹配追踪SAMP算法 |
3.2.3 变步长分段自适应匹配追踪VSSt AMP算法 |
3.3 一种改进的自适应压缩感知重建算法 |
3.3.1 算法改进思想 |
3.3.2 算法步骤 |
3.3.3 仿真结果与分析 |
3.4 本章小结 |
第四章 基于WSSt AMP算法的OFDM信道估计研究 |
4.1 OFDM稀疏信道估计建模过程 |
4.2 基于WSSt AMP算法的信道估计方法 |
4.3 仿真结果分析 |
4.4 本章小结 |
第五章 基于WSSt AMP算法的大规模MIMO信道估计研究 |
5.1 大规模MIMO信道估计建模过程 |
5.2 基于WSSt AMP算法的信道估计方法 |
5.3 仿真结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
致谢 |
(7)改进群体智能优化算法及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究意义 |
1.4 本文的主要创新 |
1.5 本文的章节安排 |
第二章 优化算法相关介绍 |
2.1 差分进化算法 |
2.1.1 差分进化算法的基本原理 |
2.1.2 差分进化算法的基本流程 |
2.1.3 差分进化算法的特点 |
2.2 粒子群算法 |
2.2.1 粒子群算法的基本原理 |
2.2.2 粒子群算法的基本流程 |
2.2.3 粒子群算法的特点 |
2.3 人工蜂群算法 |
2.3.1 人工蜂群群算法的基本原理 |
2.3.2 人工蜂群算法的基本流程 |
2.3.3 人工蜂群算法的特点 |
2.4 算法在标准测试函数上的实验设计 |
2.4.1 标准测试函数 |
2.4.2 实验参数设置 |
2.4.3 实验结果 |
2.4.4 实验结果分析 |
2.5 本章小结 |
第三章 基于智能学习策略的人工蜂群算法在电力经济调度问题中的应用 |
3.1 基于智能学习策略的人工蜂群算法 |
3.2 改进的人工蜂群算法在标准测试函数上的实验设计 |
3.2.1 标准测试函数 |
3.2.2 实验参数设置及比较算法 |
3.2.3 实验结果 |
3.2.4 实验结果分析 |
3.3 MNABC算法在电力经济调度问题中的应用 |
3.3.1 电力经济调度问题 |
3.3.2 实验结果 |
3.3.3 实验结果分析 |
3.4 本章小结 |
第四章 基于精英搜索策略的人工蜂群算法在桁架结构设计问题中的应用 |
4.1 基于精英搜索策略的人工蜂群算法 |
4.2 改进的算法在标准测试函数上的实验设计 |
4.2.1 标准测试函数 |
4.2.2 实验参数设置及比较算法 |
4.2.3 实验结果 |
4.2.4 实验结果分析 |
4.3 EABC算法在桁架结构设计问题中的应用 |
4.3.1 桁架结构设计问题 |
4.3.2 实验结果 |
4.3.3 实验结果分析 |
4.4 本章小结 |
第五章 总结与展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
致谢 |
(8)可穿戴健康监护中的生理信号处理关键方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究历史与现状 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 论文相关理论及方法介绍 |
2.1 光电容积脉搏波与心率监测 |
2.2 心电信号与心律失常 |
2.3 压缩感知理论 |
2.4 深度学习与卷积神经网络 |
2.5 本章小结 |
第三章 强运动伪影下的PPG信号运动伪影去除及心率估计算法 |
3.1 问题的提出 |
3.2 基于皮尔逊相关二元决策的运动伪影去除及心率估计 |
3.2.1 RLS Volterra非线性自适应滤波 |
3.2.2 皮尔逊相关二元决策 |
3.2.3 奇异谱分析去噪 |
3.2.4 谱峰追踪 |
3.2.5 实验结果与分析 |
3.3 基于条件生成对抗网络的运动伪影去除及心率估计 |
3.3.1 生成对抗网络 |
3.3.2 基于条件生成对抗网络的运动伪影去除 |
3.3.3 实验结果与分析 |
3.4 本章小结 |
第四章 基于压缩感知的非稀疏心电信号快速重构算法 |
4.1 问题的提出 |
4.2 基于交替方向乘子法的心电信号重构算法 |
4.2.1 心电信号重构的块稀疏贝叶斯学习框架 |
4.2.2 基于交替向量乘子法的块稀疏贝叶斯学习 |
4.2.3 实验结果与分析 |
4.3 基于扩张残差网络的心电信号重构算法 |
4.3.1 问题描述 |
4.3.2 基于扩张残差网络的心电信号重构模型 |
4.3.3 实验结果与分析 |
4.4 本章小结 |
第五章 基于深度学习的心律失常自动诊断算法 |
5.1 问题的提出 |
5.2 针对压缩心电的多标签心律失常分类算法 |
5.2.1 针对压缩心电的多标签分类模型 |
5.2.2 实验结果与分析 |
5.3 基于测量矩阵先验的压缩心电房颤检测算法 |
5.3.1 针对压缩心电的房颤检测模型 |
5.3.2 实验结果与分析 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 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)标签噪声条件下鲁棒稀疏表示人脸识别算法研究(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 国内外研究现状 |
1.3 本文研究内容 |
1.4 本文组织结构 |
第2章 稀疏表示人脸识别算法基础 |
2.1 稀疏表示人脸识别算法基本原理 |
2.2 加权稀疏表示分类算法 |
2.3 基于核映射的稀疏表示分类算法 |
2.4 稀疏表示中的标准归一化问题 |
2.5 本章小结 |
第3章 基于多特征集成学习的鲁棒稀疏表示人脸识别算法 |
3.1 引言 |
3.2 基于多特征集成学习的鲁棒稀疏表示人脸识别算法 |
3.2.1 多特征提取 |
3.2.2 集成学习预测模型以及多标签数据集的建立 |
3.2.3 加权稀疏表示分类算法 |
3.2.4 算法流程 |
3.3 实验结果与分析 |
3.3.1 CMU-PIE 数据集仿真实验 |
3.3.2 Yale B数据集仿真实验 |
3.3.3 AR数据集仿真实验 |
3.4 本章小结 |
第4章 基于LOF噪声检测的鲁棒稀疏表示分类算法 |
4.1 引言 |
4.2 基于LOF噪声检测的鲁棒稀疏表示分类算法 |
4.2.1 局部异常因子(LOF)检测算法 |
4.2.2 多标签数据集的建立 |
4.2.3 鲁棒有监督稀疏表示算法 |
4.2.4 算法流程 |
4.3 实验结果与分析 |
4.3.1 AR数据集仿真实验 |
4.3.2 Yale B数据集仿真实验 |
4.3.3 CUM-PIE 数据集仿真实验 |
4.4 本章小结 |
第5章 结合数据分布的标签噪声检测核组稀疏表示分类算法 |
5.1 引言 |
5.2 结合数据分布的标签噪声检测核组稀疏表示分类算法 |
5.2.1 数据分布类型的划分 |
5.2.2 针对不同数据分布类型的过滤方法 |
5.2.3 结合结构性和非凸化约束的核组稀疏表示分类算法 |
5.2.4 算法流程 |
5.3 实验结果与分析 |
5.3.1 AR数据集仿真实验 |
5.3.2 Yale B数据集仿真实验 |
5.3.3 CUM-PIE 数据集仿真实验 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间承担的科研任务与主要成果 |
致谢 |
(10)基于遗忘机制的三支决策增量学习理论及其应用研究(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 三支决策理论简介 |
1.3 增量三支决策理论简介 |
1.4 遗忘机制理论简介 |
1.4.1 认知科学遗忘机制 |
1.4.2 遗忘机制应用展望 |
1.5 论文主要工作 |
1.6 论文组织结构 |
第2章 相关技术研究 |
2.1 三支决策 |
2.1.1 三支决策基本理论 |
2.1.2 三支决策增量学习 |
2.2 增量学习中的概念漂移 |
2.3 本章小结 |
第3章 面向增量概念漂移的三支决策主动遗忘计算 |
3.1 概述 |
3.2 面向增量概念漂移的主动遗忘机制 |
3.3 主动遗忘计算算法研究 |
3.3.1 面向主动遗忘的条件概率动态推理 |
3.3.2 面向主动遗忘的三支分类动态决策 |
3.4 三支决策主动遗忘计算算法 |
3.5 实验 |
3.5.1 数据集介绍及实验环境 |
3.5.2 实验设计及结果分析 |
3.6 本章小结 |
第4章 基于遗忘机制的三支决策增量学习优化计算 |
4.1 概述 |
4.2 基于回溯思想的三支决策增量优化计算算法 |
4.3 基于最优化方法的三支决策增量优化计算算法 |
4.3.1 模拟退火原理 |
4.3.2 目标函数设置 |
4.3.3 基于模拟退火的增量优化计算算法 |
4.4 实验 |
4.4.1 数据集介绍及实验环境 |
4.4.2 实验设计与结果分析 |
4.5 本章小结 |
第5章 具有遗忘机制的三支决策增量学习算法应用 |
5.1 概述 |
5.2 数据集介绍及预处理 |
5.2.1 数据集信息 |
5.2.2 预处理操作 |
5.2.3 特征筛选流程 |
5.3 具有遗忘机制的三支决策增量学习算法 |
5.4 实验方法与结论 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
四、优化问题的几种算法(论文参考文献)
- [1]面向智能车行驶的最佳路径选择机制与方法研究[D]. 刘晓欢. 天津理工大学, 2021(08)
- [2]基于分数阶微分的图像边缘检测算法的研究[D]. 韩利利. 北京印刷学院, 2021(09)
- [3]融合视觉信息的可见光室内定位算法研究[D]. 柏琳. 北京邮电大学, 2021
- [4]复杂场景中的运动目标检测算法研究[D]. 喻丁玲. 江西理工大学, 2021(01)
- [5]毫米波信道下多用户混合波束成形的研究[D]. 林振. 上海师范大学, 2021(07)
- [6]基于自适应压缩感知重建算法的无线信道估计研究[D]. 费洪涛. 南京邮电大学, 2020(03)
- [7]改进群体智能优化算法及其应用[D]. 张杨. 南京邮电大学, 2020(03)
- [8]可穿戴健康监护中的生理信号处理关键方法研究[D]. 程云飞. 电子科技大学, 2021(01)
- [9]标签噪声条件下鲁棒稀疏表示人脸识别算法研究[D]. 辛丙一. 燕山大学, 2020(01)
- [10]基于遗忘机制的三支决策增量学习理论及其应用研究[D]. 薛国泽. 南昌大学, 2020(01)