一、使用AutoCAD2002输入文本与标注尺寸和技术要求的技巧（论文文献综述）
石林[1]（2020）在《网络Flash动画学习资源的内容结构特征与检索研究》文中指出教育信息化是提升教育教学质量的重要手段,是进行教育教学创新应用的基础条件。教育信息化离不开数字化学习资源建设。作为数字化学习资源类型之一的Flash动画是传递信息内容的重要媒体,更是一种重要的网络学习资源,其内容由文本、图形、图像、音频、视频、交互、动态效果等组成。因其强大的多媒体交互及表现能力,Flash动画被广泛应用于远程教学、精品课程网站、慕课平台等领域。网络上积累了海量的Flash动画资源,给动画需求者的检索带来了很多的干扰。学习者如何迅速精准地获取自己需要的Flash动画,是Flash动画搜索引擎需要解决的难题。目前的网络Flash动画检索一般是基于关键词、元数据特征或者网页上下文,检索准确率不理想。于是人们展开了对Flash动画内容特征的深入分析与研究。本研究的选题正是基于SWF格式的文件组织结构,对Flash动画的内容结构特征如场景结构特征、组成元素特征和画面情感特征等进行分析。论文依据Flash动画语义提取的四层框架（即元数据、组成元素、场景、语义层）分别研究了场景特征提取、组成元素特征提取、画面情感特征提取等多项关键技术。该研究的意义主要是为教育教学工作者和网络自学习者以及Flash动画爱好者提供快速、精准的Flash动画搜索服务,从而提高网络Flash动画学习资源的教育应用效率,充分发挥其教育特性。论文首先给出了网络Flash动画学习资源的定义,分析并建立了Flash动画的内容结构特征描述模型;然后构建出场景结构模型,提出场景的分割算法以及场景特征的提取过程;再后,分析并完成了组成元素特征的提取;最后建立了Flash动画的情感分类模型,利用机器学习获得低层视觉特征（主要为颜色和纹理）到高层情感语义的映射关系,从而完成Flash动画的情感分类,并分别用BP神经网络、支持向量机和卷积神经网络进行情感识别,分析不同学科、学段和教学类型的Flash动画画面情感特征的区别。论文的研究结果为最终将前期提取的场景特征、组成元素特征、情感特征存入索引数据库,建立基于内容的Flash动画检索系统,用于网络用户的Flash动画检索。基于此数据库,论文最后还通过实验,利用灰色关联法验证了Flash动画包含的各内容结构特征与学习者的学习兴趣的关联度。结果表明Flash动画中的动态效果特征与学习兴趣的关联度最高,在激发学习者兴趣、集中学习者注意力方面起着重要的作用;不同学段、不同学科的Flash动画中,对学习者学习兴趣唤起起关键作用的内容结构特征是不一样的。实验结果能够为Flash动画课件创作者在开发Flash动画课件时按照不同学段和学科进行视觉特征选择提供理论指导。基于前期研究者开发的网络动画爬取程序,本研究从网络上下载了大量Flash动画,从中筛选出教育特征明显、能辅助进行知识学习的4808个Flash动画学习资源作为本研究的样本库。参考教育理论和查阅文献,本文将这4808个样本按学科、学段来划分,并且提取的视觉场景、组成元素特征、情感特征都按照不同学段、不同学科进行分析,获得不同学段和学科的Flash动画的特征,为后期的Flash动画自动分类工作提供指导。本文的创新之处在于建立了Flash动画的内容结构特征描述模型,并从学段、学科、教学类型三个维度分析了网络Flash动画学习资源的内容结构特征;建立了场景结构模型,并提出了基于颜色直方图和边缘密度相结合的视觉场景分割算法;建立了情感分类模型,分别基于神经网络、支持向量机、卷积神经网络完成Flash动画的情感语义识别;分析了网络Flash动画学习资源的内容结构特征与学生学习兴趣的关联度。
刘奕[2]（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。
秦宇[3]（2020）在《基于前后向信息融合的图像描述算法》文中认为图像描述生成是为指定图片生成文本来描述视觉内容,因而需要结合视觉理解与自然语言处理来生成具有信息量且语义通顺的描述语句。大部分现存的基于注意力方法的编码器-解码器模型都只利用当前时刻的单词来进行视觉注意力学习,而忽略了人类习惯上的视觉连贯性。相应的,现存方法在解码器训练过程中以真实文本作为输入而在预测阶段以采样单词作为输入,进而引入了采样错误带来的累计误差,同时忽略了语义连贯性。由此,我们提出前向注意力模型（LB）来考虑前向视觉注意力信息,后向预测模型（PF）来利用未来单词信息。前向模型通过将前一个时刻的视觉注意力信息保存,并将其作为当前时刻注意力模块的输入来适应视觉连贯性,有效改善了注意力模型。后向预测模型通过在同一个时刻迭代预测后面两个单词在训练阶段共同优化,并在预测阶段联合使用两个单词的概率分布来优化预测结果,减少由于采样错误带来的累积误差。然后两个模型被结合成为前后向信息融合模型（LBPF）,进而更好地利用前向视觉信息与后向文本信息来优化图像描述结果。我们所提出的三个模型都基于Up-Down结构,并在MSCOCO数据集上通过增加少量参数带来了巨大的效果提升。我们的前后向结合模型在BLEU-4/CIDEr/SPICE三个指标上通过交叉熵损失训练分别达到了37.4/116.4/21.2的分数,并在基于强化学习训练方式下分别达到了38.3/127.6/22.0的分数。我们的所有模型都能够被简单地应用于所有基于注意力机制的编码器-解码器模型中。
宋小鸿[4]（2019）在《工程图纸的关键信息智能提取技术》文中进行了进一步梳理随着制图软件的广泛应用,面对逐渐积累的大量工程图纸,如何快速对现有图纸进行信息提取和检索查询,已成为迫切需要解决的问题。目前主要是通过人工比对的方式对数据库中的图纸进行查找,流程繁琐同时效率较低。因此快速提取工程图纸中的关键信息并建立图纸信息数据库和相似图纸查找系统,将大大提高工程图纸的管理效率。以此为背景,本文研究了利用人工智能技术,快速自动提取工程图纸中关键信息的技术,主要对工程图纸中的标题栏信息以及标注尺寸信息进行了提取,建立图纸信息数据库,设计了一套信息提取与查询系统。本文主要的研究工作如下:首先,本文对工程图纸的标题栏信息提取方法进行了研究。主要涉及到文字区域定位与文字识别两方面。鉴于表格标题栏格式较为固定,利用切分表格单元格的形式对关键信息进行了定位分析。基于卷积神经网络设计了文字识别模型,实验表明,文字识别率相比传统文字识别率得到了有效的提升,实现了对标题栏信息的自动化提取。其次,考虑到传统基于特征的标注尺寸检测方法效率较低,同时标注信息的提取是字符与图元相结合的结果,所以本文创新性的使用深度学习的方法对标注尺寸与字符同时进行检测,通过实验发现,该方法可以准确的对标注尺寸信息进行定位。之后对定位后的标注数字进行识别与整合,实现了对尺寸信息的有效提取。最后,针对相似图纸查找的需求,本文先对图纸关键信息自动化提取的整个流程进行了设计,实现了对图纸标题栏信息和标注信息的快速智能提取,并将提取结果导入数据库。在建立好数据库的基础上,设计了一个图纸查找系统,系统自动提取图纸中的关键信息,然后在数据库中进行匹配,最后输出信息匹配成功的图纸。此系统省去了人工查找的繁琐流程,极大的提高了查找的效率。
姚琪[5]（2019）在《制造·营造·编造 ——工业设计专业设计图学的理论与方法研究》文中指出工业设计是多学科、多技术和多重审美观念的复合产物,它包含了一切使用现代化手段进行生产和服务的设计过程。在这个过程中,设计师通过设计图的表达,才使得设计物的设计概念得以物化并外显,不仅如此,设计图控制着整个的生产过程,还承担着为受众正确解读的义务。因而设计对于生活的贡献,亦可理解为设计图的具体贡献。论文旨在探索工业设计专业设计图学的规律原则及理论架构。论文首先针对工业设计专业设计图的相关理论进行了梳理,对设计图学研究的发展历程进行了追溯。其次从设计方法角度,针对工业设计应用范围内的设计图进行分类,梳理出相应的系统,以设计原则、设计方法、设计内容等多方面找寻各自系统中典型的表达方法,归纳总结出适应不同内容、目的的设计图的途径。最后在研究工业设计专业设计图设计表达的基础上,利用视觉传达理论与视觉语意理论的研究,提出了从理论层面上意义研究（工业设计图学研究）、表达层面的理论研究（视觉表达过程研究）和工业设计图学的表达范式（图学表达范式）三个应用型研究层级,试图为工业设计图学理论的深入研究建立一个稳定的理论基础。
李心雨[6]（2018）在《工程经验知识迁移机制和演化动因研究》文中研究表明随着各工程领域在已有的概念、原理、方法上产生爆发式的技术变革和知识创新,工程经验知识在不同技术背景和应用情境间频繁迁移,知识的长期演变过程也更难以为个体有限认知能力所深入理解。因此,为提升知识密集型工程企业的知识管理水平和知识创新能力,对企业拥有的工程经验知识进行及时高效的整理刻不容缓,对工程师参与的知识创新活动进行有力有益的辅助迫在眉睫。针对当前工程经验知识管理研究中存在的难以准确表征动态变化的知识语义内涵、难以有效促进知识在不同应用情境间的迁移、难以充分掌握全生命周期的知识发展规律等难点,本文基于计算机辅助的机械产品创新设计领域的工程经验知识,分别面向“个体-短期”的知识迁移过程和“群体-长期”的知识演化过程,对“有何变化”的特征抽取、“如何变化”的过程展现和“为何变化”的因素分析展开了研究;并结合具体的知识创造活动,对所提出的理论和方法进行了系统开发和应用验证。具体包含以下四个方面:（1）动态视角下的工程经验知识的规范表示和语义关联通过分析工程经验知识文本的自然语言特征,提出工程问题、问题情境、问题解答、效用度、贡献者、时间和特征关联七属性的工程经验知识表征方法;利用语义相似度计算和双参数决定时间窗,提出工程经验知识的动态组织方法,评估知识间关联。（2）技术范式转换情境下工程经验知识迁移机制构建利用眼动追踪技术,设计两阶段的工程经验知识迁移实验,分析固有技术范式掌握程度、自我导向的学习意愿和学习材料上的注意力分配等因素对知识迁移绩效的影响作用;利用“概念-知识”理论中的四种认知操作,构建技术范式转换情境下工程经验知识迁移机制。（3）群体长期积累的工程经验知识演化路径发掘及动因分析利用模糊评价、网络聚类和主题提取技术,构建用于表征领域知识结构的工程经验知识网络,提出描述网络中关键主题伴随时间演进的路径建模方法;利用特征提取、事件关联和溯因推理方法,提取工程经验知识演化历程中的关键现象,设计利用行业领域中发生的里程碑事件进行关联和解释的知识演化动因分析框架。（4）支持知识迁移和演化机制的工程经验知识创造实证研究基于计算机辅助设计领域语料库和数据库,实现本文所提出的演化分析方法,构建工程经验知识管理原型系统,展示该系统促进新颖情境下经验知识迁移的应用方法;以船用螺旋桨三维曲面高精度造型任务为实例展开对比实验,验证知识管理系统在辅助新颖经验知识创造中的有效性和优越性。
张军阳[7]（2018）在《基于深度学习的图像理解关键问题及实现技术研究》文中进行了进一步梳理当前,以移动互联网、物联网和智能可移动设备等为代表的计算机和信息技术,在短短几年之中已经对人们的生产和生活方式产生了翻天覆地的变化,人类已经进入了大数据时代和智能化时代。随着监控摄像头、智能手机、数码相机等电子设备的普及,视频和图像越来越成为大数据的重要来源。而如何针对海量的图像数据进行智能化分析是当前计算机视觉研究面临的一大挑战,能够像人类一样分析和理解真实世界中的图像是基于计算机的图像理解技术的终极目标,通过图像理解技术可以获取图像中包含的丰富的语义信息,进而完成目标分类、物体检测、实例分割、关系推理、图像描述和图像检索等各种视觉任务。随着深度学习技术的出现,其已在计算机视觉、自然语言处理、文本翻译、人机交互、自动驾驶等多个领域产生了重要的影响,被认为是在当前大数据时代最有希望解决“语义鸿沟”的关键技术,受到了工业界和学术界的强烈关注。本文基于深度学习技术在图像理解研究中应用和面向边缘设备的高效实现技术进行了深入研究。在算法研究上,针对现有模型结构设计上的不足提出了多种面向不同图像理解任务的网络架构;在算法实现上,针对当前嵌入式微处理器难以高效运行大规模深度神经网络的难题,结合一款国产自主面向边缘设备的多核向量处理器,提出了多种高效的实现方案,对探索实现嵌入式人工智能进行了有益的尝试。本文的具体工作概括如下:1.提出了一种基于深度学习的单阶段多目标检测与识别模型。该模型以常用的具有良好迁移学习能力的大规模卷积神经网络作为骨干网络,首先在骨干网络的不同阶段生成不同尺度的输出特征图,为了融合不同尺度特征图上的检测信息,通过转置卷积的方式将高层具有较强语义信息的输出特征图与底层输出特征图进行融合以有效学习图像的层级结构特征。接着受到人类视觉感受野的启发,构建了一个融合不同视觉感受野的Inc＿mod模块,该模块通过使用不同尺度的卷积核和空洞卷积的方式将具有不同感受野信息的输出特征图进行融合并引入了跨层连接的方式以减轻模型的梯度消失问题。通过在类别损失函数中引入两个参数分别从类别不均衡和类别概率两个方面对模型损失函数进行加权,较好的提高了目标检测的准确率。实验结果证明了所提模型的有效性,相比两阶段和单阶段等经典的目标检测网络该模型在检测精度和运行速度之间取得了较好的权衡。2.提出了一种基于深度学习的联合多任务的图像语义理解模型。用以克服当前神经网络模型大多只能完成单一图像理解任务的不足,基于深度残差网络作为特征提取的主干网络,通过将不同尺寸的特征图进行降维和上采样操作构建了鲁棒和具有丰富语义信息的特征金字塔。接着通过设置不同的宽高比、锚框尺寸、移动步长等参数在不同的输入特征图上生成一定数量的候选锚框,并使用区域选择网络在相应的输入特征图上产生与候选锚框数量相等的锚框概率值和锚框坐标回归值用于对候选锚框进行精调,然后使用基于双线性插值的感兴趣区域池化的方式生成固定尺寸的用于后续输入的特征图,并构建了目标检测与分类模块、目标实例分割模块及人体姿态估计模块。最后,基于以上所提出的模型构建了联合多任务的深度学习模型,并通过有监督精调的方式进行了模型学习。实验证明了所提模型能够在多个图像理解任务上取得相比单一任务模型相当甚至更好的性能。3.提出了一种基于多重注意力机制的图像描述生成模型。将人在对图像观察时的注意力聚焦在图像的某一区域引入到图像描述领域,构建了多个注意力模块,首先构建了一种基于图像特征编码的注意力模块,用于在通道方向上生成每个特征图的权重,然后构建了一种空间注意力模块,用于在解码阶段关注图像特征提取模块在输出特征图上的特定区域,接着构建了一种文本注意力模块,用于关注解码阶段生成语句之间存在相关性,并通过消融实验的方式评估了三种注意力模块对最终模型的贡献。最终,基于以上所提的三种注意力模块构建了一个完整的多重注意力模型,并通过有监督训练的方式进行学习。在多个经典数据集上的实验结果表明,所提模型较好的建模了图像中各种物体之间的关系及目标与对应文本之间的关联性,取得了良好的实验效果。4.提出了面向边缘计算的深度神经网络优化算法,构建了一套基于该嵌入式开发平台高度优化的底层算法库和大规模实时目标识别系统。首先对全连接神经网络、循环神经网络和卷积神经网络的并行性进行了深入分析;接着针对该边缘处理器的微处理体系结构和软件编程框架设计并实现了一种高效的深度神经网络映射算法,并提出了一种将输入特征图置于核外DDR、重排序的卷积核矩阵置于核内存储体的布局方案,针对深度卷积神经网络模型中存在的多维矩阵卷积计算、多维池化计算、局部线性归一化等操作分别设计相应高效的向量化映射方案,使得核心循环中MAC部件的利用率达到100%;针对多分支的卷积计算设计了高效的多核任务划分方案。构建了基于该微处理器的大规模实时目标识别系统,在该平台上实现了AlexNet、VGG16/19、GoogLe Net、ResNet等五种常用的深度神经网络模型。与CPU和GPU的实验结果表明,本文的算法实现方案取得了较好的计算效率。
李新勇,赵志平[8]（2011）在《在AutoCAD中以非1∶1比例准确打印图形》文中研究说明给出了如何在模型空间以缩放图形的形式、设置打印比例的形式及标注时改变尺寸数值或绘图时设置比例形式的3种方法实现图样以非1∶1比例准确打印出图;同时,还介绍了如何在图纸空间以非1∶1比例准确打印图形及以不同的缩放比例布置多个图形,最后准确打印出图.对工程技术人员掌握如何准确打印图形具有很好的参考价值.
谷晓英[9]（2009）在《轧辊快速绘图系统的研究》文中研究表明目前,在我国轧辊制造企业中,轧辊绘图是在AutoCAD软件的基础上进行手工操作。由于没有程序快速绘图的综合技术,这些企业不能有效的提高绘图效率,在行业竞争中处于劣势,企业非常盼望能进一步提高绘图效率。由于AutoCAD强大的图形功能,以及允许用户进行二次开发的特点,使之成为广大工程设计人员所熟悉、掌握并开发应用于专业方面的绘图设计软件。掌握了AutoCAD的二次开发技术,可以充分发掘AutoCAD的潜力,缩短了绘图周期,使工作效率得到大大提高。论文首先分析了课题的背景和课题的意义,接着对轧辊快速绘图系统的被绘对象—轧辊进行了特性方面的分析和研究,建立了轧辊的分类方法,并研究了AutoCAD和VC++之间的接口程序—ObjectARX的应用,以及实现程序快速绘图的方法。在此基础上,对实现轧辊快速绘图系统的技术和策略进行了研究和创新。根据所研究的方法,对轧制圆管的轧辊进行了快速绘图的实现,解决了特征值的输入、轧辊轮廓的程序绘制、剖面线的填充、尺寸的标注、公差配合等标注,最后提出了轧辊快速绘图系统的实现模型,完成了课题所达到的要求。对于轧辊快速绘图系统来说,首先要确定系统模型。根据构建绘图系统的特定要求,选择合适的子系统模型。针对本轧辊快速系统来说,分为两个子系统,一为轧辊快速绘图核心模块,主要完成轧辊的快速绘图,另一个为用户调用模块,主要完成对整套轧辊机械图的绘制。由于本课题是研究如何快速绘制轧辊工程图的课题,主要特点是针对轧辊的工程图在AutoCAD二次开发上的程序快速绘图。所以,研究快速绘图方法和如何实现程序快速绘图就显得尤为重要。为此,本课题在讨论了AutoCAD一般使用的基础上,还主要侧重讨论如何实现程序绘图的方法和实施策略。在实施中,还要解决具体应用中的难点和创新点。
周述璋,田晶[10]（2008）在《AutoCAD绘图实用技巧》文中提出介绍了用AutoCAD绘制工程图样时的实用技巧,正确运用技巧可以更加准确地完成工程图样的绘制,提高绘图效率和质量。
二、使用AutoCAD2002输入文本与标注尺寸和技术要求的技巧（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、使用AutoCAD2002输入文本与标注尺寸和技术要求的技巧（论文提纲范文）
（1）网络Flash动画学习资源的内容结构特征与检索研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 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 研究现状 |
| 1.3 研究目的、内容、方法和创新点 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.3.4 创新点 |
| 1.4 论文内容安排 |
| 第二章 理论基础 |
| 2.1 教育信息化与数字化学习资源建设 |
| 2.2 多媒体信息内容管理理论 |
| 2.3 学习资源的语义分析 |
| 2.4 元数据描述 |
| 2.5 基于内容的信息检索技术 |
| 第三章 网络Flash动画学习资源概述与内容结构特征描述模型 |
| 3.1 网络Flash动画学习资源分析 |
| 3.1.1 网络Flash动画学习资源的特点 |
| 3.1.2 网络Flash动画学习资源的分类 |
| 3.1.3 网络Flash动画在互联网中的存在形式 |
| 3.1.4 网络Flash动画学习资源搜索 |
| 3.2 网络Flash动画在教育教学中的应用分析 |
| 3.2.1 网络Flash动画在教育教学应用中的优势 |
| 3.2.2 网络Flash动画在教育教学应用中的属性分析 |
| 3.3 网络Flash动画学习资源样本集分析 |
| 3.4 网络Flash动画的内容结构特征描述模型 |
| 第四章 网络Flash动画学习资源的场景特征分析 |
| 4.1 网络Flash动画的文件结构 |
| 4.2 网络Flash动画的场景结构模型 |
| 4.3 逻辑场景分割 |
| 4.3.1 逻辑场景 |
| 4.3.2 逻辑场景分割 |
| 4.4 视觉场景分割 |
| 4.4.1 视觉场景 |
| 4.4.2 视觉场景分割 |
| 4.5 场景分割实验与场景特征分析 |
| 第五章 网络Flash动画学习资源的组成元素特征分析 |
| 5.1 组成元素特征概述 |
| 5.2 静态视觉特征提取 |
| 5.2.1 静态视觉特征定义方式 |
| 5.2.2 静态视觉特征提取方法 |
| 5.2.3 静态视觉特征分析 |
| 5.3 动态效果提取 |
| 5.3.1 动态效果定义方式 |
| 5.3.2 动态效果提取方法 |
| 5.3.3 动态效果分析 |
| 5.4 交互特征提取 |
| 5.4.1 交互方式与交互特征 |
| 5.4.2 交互定义方式 |
| 5.4.3 交互特征提取 |
| 5.4.4 交互特征分析 |
| 第六章 网络Flash动画学习资源的画面情感特征分析 |
| 6.1 多媒体画面情感研究现状 |
| 6.2 多媒体画面情感描述模型 |
| 6.2.1 情感分类模型 |
| 6.2.2 画面特征提取 |
| 6.3 网络Flash动画学习资源的画面情感识别 |
| 6.3.1 视觉特征数据预处理 |
| 6.3.2 情感特征数据获取 |
| 6.3.3 基于BP神经网络的情感识别 |
| 6.3.4 基于SVM的学习过程情感识别 |
| 6.3.5 基于CNN的情感识别 |
| 6.4 实验结果综合分析 |
| 6.5 小结 |
| 第七章 基于内容结构的网络Flash动画学习资源检索系统 |
| 7.1 检索系统研究现状 |
| 7.2 检索系统设计 |
| 7.2.1 系统需求分析 |
| 7.2.2 功能模块设计 |
| 7.2.3 数据库设计 |
| 7.3 检索系统实现 |
| 7.3.1 环境要求 |
| 7.3.2 模块实现 |
| 7.3.3 检索界面 |
| 7.3.4 系统测试 |
| 7.4 检索系统的应用 |
| 7.4.1 系统面向对象 |
| 7.4.2 系统应用案例 |
| 7.4.3 案例分析 |
| 第八章 Flash动画内容结构特征与学习兴趣关联度分析 |
| 8.1 实验设计 |
| 8.2 实验平台开发 |
| 8.3 实验实施过程 |
| 8.4 实验分析 |
| 第九章 总结与展望 |
| 9.1 论文工作总结 |
| 9.2 工作展望 |
| 注释 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 附录 |
| 攻读博士学位期间的学术成果 |
| 谢辞 |
（2）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 |
（3）基于前后向信息融合的图像描述算法（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 |
| 1.2.1 图像特征编码 |
| 1.2.2 文本序列生成 |
| 1.2.3 图像描述算法 |
| 1.3 本文研究内容 |
| 1.3.1 前向注意力模型 |
| 1.3.2 后向预测模型 |
| 1.3.3 前后向结合模型 |
| 1.4 文章组织结构 |
| 第二章 算法基础 |
| 2.1 卷积神经网络 |
| 2.2 循环神经网络与LSTM |
| 2.3 编码器-解码器模型 |
| 2.4 强化学习训练方式 |
| 2.5 本章小结 |
| 第三章 基于前后向信息融合的图像描述 |
| 3.1 基础模型 |
| 3.2 损失函数与训练方式 |
| 3.3 前向注意力模型 |
| 3.4 后向预测模型 |
| 3.5 前后向信息融合模型 |
| 3.6 本章小结 |
| 第四章 实验与分析 |
| 4.1 数据集 |
| 4.1.1 MSCOCO图像描述数据集 |
| 4.1.2 Visual Genome数据集 |
| 4.2 评价指标 |
| 4.2.1 BLEU |
| 4.2.2 METEOR |
| 4.2.3 ROUGE |
| 4.2.4 CIDEr |
| 4.2.5 SPICE |
| 4.3 实现细节 |
| 4.3.1 编码器 |
| 4.3.2 解码器 |
| 4.3.3 前向模型 |
| 4.3.4 后向模型 |
| 4.4 实验结果与分析 |
| 4.4.1 λ参数选择 |
| 4.4.2 验证结果 |
| 4.4.3 后向方法分析 |
| 4.4.4 解码器复杂度对比 |
| 4.5 本章小结 |
| 第五章 应用与分析 |
| 5.1 视觉搜索场景 |
| 5.2 图像描述的应用 |
| 5.3 搜索场景的困境与方案 |
| 第六章 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间参与的项目 |
（4）工程图纸的关键信息智能提取技术（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 本文的主要内容和安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文各章安排 |
| 2 图纸信息提取技术理论基础 |
| 2.1 图纸标题栏信息提取与文字识别技术 |
| 2.1.1 图像预处理 |
| 2.1.2 文字区域提取 |
| 2.1.3 基于切分的文字识别方法 |
| 2.1.4 不依赖切分的字符识别方法 |
| 2.2 标注尺寸信息检测 |
| 2.2.1 传统尺寸检测方法 |
| 2.2.2 基于深度学习的目标检测算法 |
| 2.3 本章小结 |
| 3 图纸表格标题栏信息提取 |
| 3.1 图纸预处理切分 |
| 3.2 标题栏表格切分 |
| 3.2.1 表格线提取 |
| 3.2.2 关键信息定位 |
| 3.3 文字识别 |
| 3.3.1 字符切分 |
| 3.3.2 字符识别模型与训练 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 图纸标注尺寸的检测定位与识别 |
| 4.1 概述 |
| 4.2 图纸标注信息定位 |
| 4.2.1 目标检测评价标准 |
| 4.2.2 基于深度学习的标注信息检测算法 |
| 4.2.3 模型训练 |
| 4.2.4 训练结果分析 |
| 4.2.5 算法改进 |
| 4.3 图纸标注信息识别 |
| 4.3.1 标注尺寸提取 |
| 4.3.2 标注尺寸识别 |
| 4.4 本章小结 |
| 5 识别系统设计与实验分析 |
| 5.1 系统结构 |
| 5.2 图纸信息数据库建立实验 |
| 5.2.1 关键信息定位与字符切分分析 |
| 5.2.2 文字识别模型分析 |
| 5.2.3 图纸关键信息数据库建立 |
| 5.3 图纸相似度查找 |
| 5.3.1 界面设计 |
| 5.3.2 匹配算法 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）制造·营造·编造 ——工业设计专业设计图学的理论与方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 绪论 |
| 第一节 研究背景 |
| 第二节 研究目的及意义 |
| 第三节 研究现状综述 |
| 第四节 选题研究的方法 |
| 第一章 工业设计专业设计图学概述 |
| 第一节 工业设计专业设计图学概念与范畴 |
| 一、工业设计定义阐述 |
| 二、设计图学内涵研究 |
| (一)图学涵义 |
| (二)设计图学研究范畴 |
| (三)工业设计图学研究范畴 |
| 第二节 图学的时代演变历程 |
| 一、中国古代图学时代发展 |
| (一)中国古代图学起源及思想发端 |
| (二)中国古代制图方法的发展演变 |
| (三)中国古代制图表达方式的演变 |
| (四)中国古代图学的应用 |
| 二、西方设计制图范式流变 |
| 第二章 工业设计专业设计图学的方法 |
| 第一节 制造——产品类型的设计图 |
| 一、分类依据及范畴 |
| 二、设计图典型应用图例 |
| (一)日用器具 |
| (二)家用电器 |
| (三)交通工具 |
| (四)家具设计 |
| 第二节 营造——展示类型的设计图 |
| 一、分类依据及范畴 |
| 二、设计图典型应用图例 |
| (一)展会 |
| (二)展场 |
| (三)展馆 |
| (四)展具 |
| 第三节 编造——信息类型的设计图 |
| 一、分类及范畴 |
| 二、设计方法与设计图例 |
| (一)图标设计 |
| (二)图表设计 |
| (三)UI设计 |
| 第三章 工业设计专业设计图学的思想 |
| 第一节 设计图的视觉表达过程 |
| 一、设计认知过程 |
| 二、元素提取过程 |
| (一)几何图形的提取 |
| (二)线条元素的提取 |
| (三)色彩元素的提取 |
| (四)光影元素的提取 |
| (五)比例关系元素的提取 |
| (六)方向、位置和视角元素的提取 |
| 三、符号选择过程 |
| 四、视觉传播过程 |
| 第二节 设计图的设计表达方法 |
| 一、程序化的表达方法 |
| (一)设计研究阶段的图纸形式 |
| (二)概念设计阶段的图纸 |
| (三)方案呈现阶段的图纸 |
| (四)工程阶段的图纸 |
| (五)营销推广阶段的图纸 |
| 二、观察化的表达方法 |
| (一)线条与形状 |
| (二)色调与纹理 |
| (三)形体与结构 |
| (四)空间与景深 |
| 三、想象化的表达方法 |
| (一)推想表达 |
| (二)解析表达 |
| (三)构图表达 |
| 四、标准化的表达方法 |
| (一)原理透析 |
| (二)图纸规范 |
| (三)平面制图 |
| (四)立体绘图 |
| (五)视图选择 |
| (六)页面编排 |
| 五、概念化的表达方式 |
| 第三节 设计图的语意表达理论 |
| 一、功能性要素 |
| (一)行业功能语意 |
| (二)主要功能语意 |
| 二、表达性要素 |
| (一)比例 |
| (二)结构与形态 |
| (三)色彩 |
| (四)构图 |
| 三、传达性要素 |
| (一)符号 |
| (二)文字 |
| 第四节 设计图的表达对象及应用目的 |
| 一、设计师(乙方) |
| 二、需求方(甲方) |
| 三、生产制造方(丙方) |
| 结语 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（6）工程经验知识迁移机制和演化动因研究（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 |
| 1.2.1 工程经验知识的定义和特点 |
| 1.2.2 工程经验知识的管理 |
| 1.2.3 工程经验知识的迁移 |
| 1.2.4 工程经验知识的演化 |
| 1.3 国内外研究工作小结 |
| 1.4 本文主要研究内容 |
| 1.5 本文的组织结构 |
| 第二章 工程经验知识的语义表征和动态组织 |
| 2.1 引言 |
| 2.2 典型工程经验知识的获取和分析 |
| 2.2.1 工程经验知识现状和需求调研 |
| 2.2.2 文本载体的工程经验知识获取和分析 |
| 2.2.3 图纸载体的工程经验知识获取和分析 |
| 2.3 基于自然语言处理的工程经验知识规范化表示 |
| 2.3.1 工程经验知识的多属性表示结构 |
| 2.3.2 工程经验知识文本的预处理 |
| 2.3.3 工程经验知识的规范化表示 |
| 2.4 工程经验知识的动态组织 |
| 2.4.1 工程经验知识领域本体的建立 |
| 2.4.2 工程经验知识的语义映射和关联计算 |
| 2.4.3 时间维度上的工程经验知识动态组织 |
| 2.5 本章小结 |
| 第三章 技术范式转换情境下个体工程经验知识的迁移机制 |
| 3.1 引言 |
| 3.2 技术范式转换情境下的工程经验知识迁移分析 |
| 3.2.1 技术范式转换情境下工程经验知识迁移的特征辨析 |
| 3.2.2 工程经验知识迁移实验的研究目的和研究假设 |
| 3.3 技术范式转换情境下工程经验知识迁移的实验设计 |
| 3.3.1 实验总体流程 |
| 3.3.2 核心实验任务设计 |
| 3.3.3 实验案例和技术范式的选取 |
| 3.3.4 实验展示工程概念的选取 |
| 3.3.5 新技术范式学习材料的选取和兴趣区域划分 |
| 3.3.6 实验被试者的招募条件 |
| 3.3.7 实验软硬件环境的准备 |
| 3.4 技术范式转换情境下工程经验知识迁移实验结果 |
| 3.4.1 自我导向的学习意愿 |
| 3.4.2 学习材料上的注意力分配 |
| 3.4.3 固有技术范式的认知掌握情况 |
| 3.4.4 工程经验知识迁移的绩效 |
| 3.4.5 知识迁移绩效的回归分析 |
| 3.4.6 实验结果的分组对比分析 |
| 3.5 技术范式转换情境下工程经验知识迁移实验讨论分析 |
| 3.5.1 固有技术范式的认知掌握程度对知识迁移绩效的影响 |
| 3.5.2 新技术范式学习中的注意力分配对知识迁移绩效的影响 |
| 3.5.3 自我导向的学习意愿对知识迁移绩效的影响 |
| 3.5.4 技术范式转换情境下工程经验知识迁移的运行机制 |
| 3.5.5 促进技术范式转换情境下工程经验知识迁移的建议 |
| 3.6 本章小结 |
| 第四章 群体长期积累的工程经验知识的演化动因 |
| 4.1 引言 |
| 4.2 群体长期积累的工程经验知识演化的研究框架 |
| 4.2.1 工程经验知识演化分析的研究问题和方法框架 |
| 4.2.2 工程经验知识演化分析中的基本概念定义 |
| 4.3 工程经验知识的演化路径建模 |
| 4.3.1 工程经验知识网络的构建 |
| 4.3.2 工程经验知识聚类的提取和表征 |
| 4.3.3 工程经验知识演化系谱图模型的构建 |
| 4.3.4 工程经验知识演化系谱图模型示例及其解释 |
| 4.4 工程经验知识演化模式的识别和提取 |
| 4.4.1 工程经验知识演化的四类演化模式 |
| 4.4.2 工程经验知识演化模式的判定规则 |
| 4.5 工程经验知识演化动因的发现和分析 |
| 4.5.1 工程经验知识演化事件的收集和表征 |
| 4.5.2 工程经验知识演化事件之间潜在因果关联的评估 |
| 4.5.3 工程经验知识演化动因的溯因推理 |
| 4.5.4 工程经验知识演化动因分析示例及其解释 |
| 4.6 本章小结 |
| 第五章 面向知识创造的工程经验知识管理系统开发与应用 |
| 5.1 引言 |
| 5.2 工程经验知识演化分析原型系统的开发 |
| 5.2.1 原型系统的整体架构 |
| 5.2.2 原型系统的文本库和开发环境 |
| 5.2.3 原型系统的功能模块 |
| 5.2.4 原型系统的参数灵敏度分析和讨论 |
| 5.3 应用知识演化分析系统促进工程经验知识迁移 |
| 5.3.1 应用原型系统分析技术范式转换情境 |
| 5.3.2 应用原型系统提取关键概念并标注认知重点 |
| 5.3.3 应用原型系统辅助四种C-K操作 |
| 5.4 原型系统应用效果在工程经验知识创新中的实例验证 |
| 5.4.1 CAD领域中的工程经验知识创新实验设计 |
| 5.4.2 工程经验知识创新实验结果 |
| 5.4.3 原型系统在实验中的应用效果讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 内容总结与主要创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 工程经验知识迁移实验知情同意书 |
| 附录2 工程经验知识迁移实验C-K拼图任务展示概念 |
| 附录3 螺旋桨三维曲面高精度造型任务的操作指导 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间参与的主要科研项目 |
（7）基于深度学习的图像理解关键问题及实现技术研究（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 研究内容与贡献 |
| 1.3 论文组织结构 |
| 第二章 深度学习相关研究概述 |
| 2.1 卷积神经网络研究 |
| 2.2 循环神经网络研究 |
| 2.2.1 深度循环神经网络 |
| 2.2.2 深度长短时记忆网络 |
| 2.2.3 循环神经网络中的变体 |
| 2.3 神经网络硬件加速技术研究 |
| 2.3.1 CPU加速技术研究 |
| 2.3.2 GPU加速技术研究 |
| 2.3.3 FPGA加速技术研究 |
| 2.3.4 ASIC加速技术研究 |
| 2.3.5 其他新型加速技术研究 |
| 2.4 神经网络训练中的背景知识 |
| 2.4.1 模型权值参数初始化 |
| 2.4.2 激活函数 |
| 2.4.3 神经网络优化器 |
| 2.4.4 迁移学习 |
| 2.4.5 过拟合 |
| 2.4.6 梯度弥散和梯度爆炸 |
| 2.4.7 反向传播算法 |
| 2.4.8 梯度按时间步的反向传播算法 |
| 2.5 常用图像数据库 |
| 第三章 基于深度学习的多目标检测与识别 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 基于深度学习端到端的多目标检测与识别模型 |
| 3.3.1 深度多目标检测网络的构建 |
| 3.3.2 候选检测框的生成 |
| 3.3.3 模型预测检测框的生成 |
| 3.3.4 候选目标检测框的匹配 |
| 3.3.5 多目标损失函数及实现细节 |
| 3.4 性能测试与分析 |
| 3.4.1 PASCAL VOC2007 数据集实验结果 |
| 3.4.2 模型运行时间评测 |
| 3.4.3 PASCAL VOC2012 数据集实验结果 |
| 3.4.4 MS COCO数据集实验结果 |
| 3.4.5 PASCAL VOC2007 数据集上的检测性能分析 |
| 3.5 小结 |
| 第四章 基于深度学习的联合多任务的图像语义理解 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 联合多任务的图像语义理解模型 |
| 4.3.1 特征金字塔构建 |
| 4.3.2 锚框筛选流程 |
| 4.3.3 多任务模块构建 |
| 4.3.4 实现细节 |
| 4.4 性能测试与分析 |
| 4.4.1 实验设置 |
| 4.4.2 训练数据集 |
| 4.4.3 评价指标 |
| 4.4.4 目标检测实验结果 |
| 4.4.5 实例分割实验结果 |
| 4.4.6 人体姿态估计实验结果 |
| 4.4.7 模型泛化性实验结果展示 |
| 4.5 小结 |
| 第五章 基于多重注意力机制的图像描述生成 |
| 5.1 引言 |
| 5.2 相关研究 |
| 5.3 基于多重注意力机制的深度图像描述生成 |
| 5.3.1 面向图像描述生成的编码解码架构 |
| 5.3.2 图像特征编码模块 |
| 5.3.3 序列建模编码模块 |
| 5.3.4 空间注意力模块 |
| 5.3.5 文本注意力模块 |
| 5.3.6 实现细节 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 训练数据集 |
| 5.4.3 评价指标 |
| 5.4.4 Flickr数据集实验结果 |
| 5.4.5 MS COCO数据集实验结果 |
| 5.4.6 量化分析 |
| 5.5 小结 |
| 第六章 面向边缘计算的深度神经网络的设计与实现 |
| 6.1 引言 |
| 6.2 相关研究 |
| 6.3 主流神经网络模型的并行性分析 |
| 6.3.1 DNN的并行性分析 |
| 6.3.2 RNN的并行性分析 |
| 6.3.3 CNN的并行性分析 |
| 6.4 自主多核硬件平台与软件编程框架 |
| 6.4.1 FT-Matrix2000 的向量处理器结构 |
| 6.4.2 FT-Matrix2000 的向量化软件编程简介 |
| 6.5 大规模深度神经网络模型的实现与优化 |
| 6.5.1 Goog Le Net网络模型介绍 |
| 6.5.2 数据布局分析 |
| 6.5.3 多维矩阵卷积实现 |
| 6.5.4 多维池化实现 |
| 6.5.5 局部响应归一化 |
| 6.5.6 Inception结构的多核实现分析 |
| 6.5.7 大型神经网络模型对向量处理器体系结构上的需求分析 |
| 6.6 基于FT平台实时目标识别系统的构建 |
| 6.7 实验结果与分析 |
| 6.7.1 实验平台 |
| 6.7.2 Benchmarks |
| 6.7.3 性能统计与分析 |
| 6.8 小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）轧辊快速绘图系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题的提出 |
| 1.1.2 课题的意义 |
| 1.2 课题各技术的发展现状 |
| 1.2.1 轧辊制造业的发展现状 |
| 1.2.2 AutoCAD 的二次开发现状 |
| 1.3 论文的主要工作 |
| 第2章 轧辊及特性分析 |
| 2.1 轧辊在冷弯成形中的作用 |
| 2.2 轧辊简介 |
| 2.3 轧辊视图简介 |
| 2.4 轧辊的分类方法 |
| 2.5 轧辊特征值确定 |
| 2.5.1 轧辊特征值的选定原则 |
| 2.5.2 轧辊特征值选定方法 |
| 2.5.3 特征值绘图概述 |
| 2.5.4 特征驱动法绘图分析 |
| 2.6 本章小结 |
| 第3章 绘图工具介绍 |
| 3.1 AutoCAD 简介 |
| 3.1.1 AutoCAD 软件功能概述 |
| 3.1.2 AutoCAD 绘图屏幕及编辑命令介绍 |
| 3.2 ObjectARX 二次开发工具 |
| 3.2.1 ObjectARX2002 介绍 |
| 3.2.2 轧辊ARX 应用程序创建及简单实例说明 |
| 3.3 Visual C++6.0 介绍 |
| 3.3.1 Visual C++6.0 开发环境 |
| 3.3.2 Visual C++6.0 绘图语言介绍 |
| 3.4 本章小结 |
| 第4章 实现轧辊绘图程序的技术研究 |
| 4.1 设置程序绘图工作环境 |
| 4.1.1 程序绘图工作环境包含的内容 |
| 4.1.2 图幅与标题栏 |
| 4.1.3 图幅与标题栏的程序设置方法 |
| 4.2 层、线型的程序设置 |
| 4.3 尺寸公差标注的程序设置 |
| 4.3.1 尺寸公差概述 |
| 4.3.2 设置尺寸公差的程序实现及实例说明 |
| 4.4 形位公差标注的程序设置 |
| 4.4.1 形位公差概述 |
| 4.4.2 设置形位公差的命令及程序实现 |
| 4.5 轧辊工程图程序设计思路 |
| 4.5.1 视图表达 |
| 4.5.2 特征驱动法 |
| 4.5.3 标注坐标点 |
| 4.5.4 计算各点坐标 |
| 4.5.5 标注尺寸及技术要求 |
| 4.5.6 图框与标题栏的绘制 |
| 4.6 使用 ObjectARX2002 工具向导创建程序框架 |
| 4.6.1 ObjectARX2002 开发环境设置 |
| 4.6.2 轧辊ARX 应用程序实例说明 |
| 4.7 本章总结 |
| 第5章 CAD 菜单定制及轧辊快速绘图系统的实现 |
| 5.1 定制 AutoCAD 菜单 |
| 5.1.1 AutoCAD 菜单分析 |
| 5.1.2 编制轧辊设计程序菜单过程 |
| 5.1.3 菜单定制的实现 |
| 5.2 轧辊快速绘图系统的实现 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
四、使用AutoCAD2002输入文本与标注尺寸和技术要求的技巧（论文参考文献）
- [1]网络Flash动画学习资源的内容结构特征与检索研究[D]. 石林. 山东师范大学, 2020(08)
- [2]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)
- [3]基于前后向信息融合的图像描述算法[D]. 秦宇. 上海交通大学, 2020(09)
- [4]工程图纸的关键信息智能提取技术[D]. 宋小鸿. 北京交通大学, 2019(01)
- [5]制造·营造·编造 ——工业设计专业设计图学的理论与方法研究[D]. 姚琪. 南京艺术学院, 2019(01)
- [6]工程经验知识迁移机制和演化动因研究[D]. 李心雨. 上海交通大学, 2018(01)
- [7]基于深度学习的图像理解关键问题及实现技术研究[D]. 张军阳. 国防科技大学, 2018(01)
- [8]在AutoCAD中以非1∶1比例准确打印图形[J]. 李新勇,赵志平. 兰州工业高等专科学校学报, 2011(02)
- [9]轧辊快速绘图系统的研究[D]. 谷晓英. 河北科技大学, 2009(05)
- [10]AutoCAD绘图实用技巧[J]. 周述璋,田晶. 装备制造技术, 2008(07)