一、基于知识的模糊多层感知器（论文文献综述）
范路,陆云才,陶风波,尹毅[1]（2021）在《人工智能在局部放电检测中的应用（二）：模式识别与状态评估》文中研究指明故障类型的模式识别以及状态评估对于故障诊断和维修至关重要。不同缺陷类型将产生具有差异性的局部放电信号,缺陷的严重程度以及局部放电的演变过程同样会引起局部放电信号的改变,这种情况能够转化为不同严重等级和发展阶段的模式识别,模式识别属于典型的分类问题。本文对模式识别和状态评估这类分类问题进行综述。相比基于数理统计的分类结果,人工智能算法实现了接近100%的识别准确率。然而当前研究中仍存在一些不足,对此本文给出了解决策略并对未来的研究方向进行了展望。
石亚鹏[2]（2021）在《基于空谱联合的高光谱图像分类方法研究》文中提出高光谱图像是由高光谱遥感器通过在数百个连续的窄光谱波段对同一地物区域连续进行遥感成像获取,所以图像中包含丰富的光谱信息和空间信息,在地物识别与分类领域中具有巨大优势,并在矿物勘探、精准农业、灾难防控、环境监测及军事侦探等领域中发挥出愈来愈大的作用。高光谱图像分类首先通过特征提取算法从高光谱图像的光谱信息与空间信息中提取能用来进行分类的有效信息,再运用分类器将图像中所有像素都划分为不同的地物类别。由于高光谱图像的数据特性,数据维度高导致的维数灾难、波段间的高相关性导致的信息冗余、同谱异物、异物同谱等问题都给高光谱图像的特征提取及分类带来了巨大的挑战,开发有效且具鲁棒性的分类方法至关重要。本论文在总结高光谱图像分类现状的基础上,提出了两种高光谱图像分类方法,本文的主要工作如下:（1）提出一种基于双通道变分自编码器的高光谱图像深度学习分类算法,通过构建一维条件变分自编码器特征提取框架和二维循环通道条件变分自编码器特征提取框架分别提取高光谱图像的光谱特征和空间特征,然后将光谱特征向量和空间特征向量叠加形成空谱联合特征向量,最后将联合特征送入Softmax分类器中进行分类。为解决小样本数据不好训练问题,采用了图像增强技术扩充了训练样本,实验证明,提出的基于空谱特征联合的分类方法表现出更好的分类效果。（2）提出一种基于Gabor滤波器与卷积神经网络结合的分类方法,有效结合了Gabor滤波方法提取高光谱图像边缘和纹理特征信息,利用二维卷积神经网络模型和Gabor滤波器结合处理原始高光谱图像数据,提取深层空间信息,同时利用一维卷积神经网络模型和三维Gabor滤波器结合提取深层光谱特征,最后将两个CNN模型输出层连接到同一个全连接层实现两种特征有效融合,并使用融合后的联合特征完成分类。通过实验可以发现,所提出的方法获得不错的分类效果。
谭挺[3]（2021）在《溃坝波流体运动特征的实验研究》文中研究指明坝体溃决时,库内水体因重力宣泄而下,坝址上游水位陡落,下游水位陡涨,这种由重力驱动的灾害性水流波动即为溃坝波。作为一种严重灾害性的水体流动现象,溃坝波有着巨大的社会危害性,且由于其研究的复杂性,一直是国内外水利工程领域非常重要的研究方向。对溃坝波流场进行实验研究有利于理解流场真实的结构特征和作用机理,因此开展溃坝波流场特征的实验研究十分必要。然而溃坝波自产生到与结构物相互作用的过程中均会产生强紊动掺气水流,传统多普勒测速仪以及粒子图像测速（Particle Image Velocimetry,PIV）技术对于掺气流动的流速测量较为困难,由于量测手段的局限,导致溃坝引起的强紊动掺气流动的流场特征不明。本文应用粒子图像测速及气泡图像测速（Bubble Image Velocimetry,BIV）结合的实验技术,突破传统PIV技术的限制,对溃坝引起的强紊动掺气流动的流场进行了无接触式的测量,获得了溃坝波砰击下游直墙时掺气运动的内部流场,主要成果与结论如下。（1）针对强紊动掺气流动的随机性,通过20次重复实验进行系综平均以获得统计意义上总体稳健的均值。故根据PIV及BIV技术的原理,结合实验室实际情况搭建一个生成溃坝波的实验平台,通过同步器与电磁铁控制溃坝波生成的实验设计,提高溃坝波生成的同步性。多次实验重复测量的结果表明,实验结果具有足够的重复性和可靠性,满足取系综平均时的可重复性要求。（2）在将PIV及BIV技术测量的结果结合的过程中需将掺气区域与非掺气区域区分开来,因此本文提出基于人工智能的掺气区域智能识别方法,通过不同神经网络的综合比对,发现卷积神经网络的识别效果最好,识别准确率为99.78%。并基于MATLAB平台开发出相应的分析软件,大大降低人工识别的复杂性和时间损耗。（3）针对水平干河床下坝体瞬间全溃产生的溃坝波的运动过程,通过高速相机捕捉其演化过程全景,得到水位随时间的变化,并将其与理论解进行对比。结果表明溃坝初期闸门上游根据非线性浅水方程得到的理论解与实验结果有一定的偏差,偏差随着时间的推移而减小。通过对上游的流场特征分析,偏差来自于溃坝初始阶段垂向速度的存在以及水平速度沿垂线分布不均匀,这与浅水方程的基本假设不符。当时间逐渐推移,垂向速度会不断减小,水平速度分布逐渐均匀,理论解的偏差也随之减小。（4）结合PIV及BIV的技术,对水平干河床下坝体瞬间全溃产生的溃坝波砰击下游直墙的运动过程进行了精确测量。对溃坝波掺气运动的最大速度、砰击直墙过程的爬高速度、运动轨迹及速度分布、涡量分布、湍流强度分布等运动特征进行了分析。流场结果显示,溃坝波砰击直墙时,水体向上爬高后向上游进行反卷,反卷时水流主体包裹气体形成一个水气两相流旋涡,在爬高和反卷时直墙根部均存在一个运动方向相反,范围相对较小的低速旋涡。实验结果中两个方向的平均涡量相差约2倍,两个旋涡及水体反卷水舌触及上游来流所在位置湍流强度相对较高。
潘明远[4]（2021）在《基于多尺度深度特征融合的视觉显着性检测算法研究》文中研究表明在大数据时代下,人们接触的图像数据急剧增加,如何提取图像中有效信息具有重要的实际价值。为了使计算机拥有人类视觉快速发现视觉中显眼物体的能力,许多研究人员一直致力于视觉显着性检测算法的研究。视觉显着性检测算法,目的是模拟人类视觉注意力机制,检测出图像中最具吸引力的显着目标,目前广泛应用于图像分割、目标检测、目标追踪等领域。随着深度学习的发展,视觉显着性检测得到了质的飞跃,如何高效融合卷积特征、解决边缘模糊问题并构建高效的模型逐渐成为研究热点。本文主要研究基于多尺度深度特征融合的图像视觉显着性检测算法,研究内容如下:（1）针对目前显着性检测算法难以有效融合多尺度特征和边缘模糊的问题,提出了一种自顶而下逐步融合多尺度上下文特征的显着性检测方法。首先,设计了一个多感受野模块进一步捕获多尺度上下文信息。然后,设计一个特征融合模块,自顶而下逐渐融合多感受野模块的不同输出,从而可以有效地滤除高级特征和低级特征的非互补部分。之后,利用细化残差块进一步细化结果。最后,构造边缘感知损失函数来辅助指导网络学习更清晰的显着对象细节。整个网络经过端到端的训练,无需任何预处理和后处理。在六个基准数据集上的评估表明,该算法取得了较为先进的水平,并且显着边界更加精确。（2）针对目前显着性检测算法准确性与实时性难以兼顾的问题,提出了一种全局引导多尺度特征融合的轻量级显着性检测网络。首先,使用轻量级分类网络Mobile Net V3作为骨干网络来提取图像多等级多尺度特征。然后,对提取的高级语义特征使用轻量级多感受野模块进一步增强其全局表达。最后,在高级语义信息引导下,使用渐进特征融合模块自上而下逐步融合多等级多尺度特征,并使用常用的交叉熵损失函数进行多阶段的深度监督学习,从而得到最终由粗到细的优化结果。整个网络模型是无需预处理和后处理的端到端结构。在6个基准数据集上进行大量实验,结果表明,所提方法明显优于对比方法,且模型大小仅约10MB,在GTX2080Ti显卡上处理大小为400×300像素的图像速度可以达到59帧/秒。
蔡朋艳[5]（2021）在《基于FY-4A卫星的云检测与云图预测方法研究》文中提出地球表面超过66%的区域常被云覆盖,而云的变化指示着各种天气现象的发生,当云的急剧变化发生在暴雨、雷电等灾害性天气中时,将会对人类的生活产生极大影响,甚至威胁人类的生命安全。尤其是西藏地区,夏季的强对流天气极易导致自然灾害的发生,因此需要监测该地区的云团变化情况以预防灾害的发生。风云四号A星实现了对云的实时观测,可提供高时间分辨率且多通道的观测数据,借助该数据分析云的动态变化可实现更为准确的天气预报。因此本文将风云四号A星作为数据源,并结合深度学习技术对西藏地区进行云检测与云图预测研究。针对现有深度学习模型体积较大且捕获云特征的能力较弱的问题,提出了基于改进U-Net网络的轻量级云检测模型。该模型以U-Net网络为基础框架,将全天候云图作为输入数据。将残差模块和卷积注意力模块融入U-Net网络中,提升模型对云特征的提取能力,并且几乎不会增加模型的计算复杂度。此外,在模型中使用深度可分离卷积可以在不降低模型性能的同时生成一个轻量级的云检测模型,为模型嵌入移动设备提供了可能。实验结果表明本文提出的云检测模型可以检测出大量的碎云和薄云,平均交并比指标达到了92.21%,与U-Net相比,提升了1.79%。针对现有的时间序列预测模型生成的云图模糊且预测精度不高的问题,提出了基于三维生成对抗网络的云图预测模型。该模型使用风云四号A星的历史观测数据来预测未来时刻的卫星图像以及红外通道亮温数据。在模型中应用三维卷积,并采用生成对抗的训练方式,提升模型对时空特征的提取能力。此外,通过改进损失函数,进一步提高预测图像的清晰度以及红外亮温数据的真实性。通过实验验证本文提出的云图预测方法可以生成更为清晰的图像以及精确的红外亮温数据,并且图像结构相似度指标达到了0.85,红外亮温的均方根误差指标小于10K。为了分析预测数据的可用性,使用改进U-Net网络对预测云图进行云检测,结果显示预测云图的动态变化情况与实际云图相似,表明本文提出的云图预测方法可为天气预报提供可靠的数据支持。
贺智龙[6]（2021）在《基于YOLOv3的车牌识别研究》文中提出21世纪以来,国家经济快速增长,汽车数量持续升高,构建智能交通系统将是未来的趋势。车牌的识别作为关键环节,在减少交通量和提高交通效率方面起着积极的作用。利用深度学习实现车牌识别,对降低交通管理复杂度、协助管理人员提高效率具有重要现实意义。本文以神经网络为基础,相关研究共包含三个方面:车牌定位、矫正和字符识别,具体内容及工作如下:在车牌定位方面,针对图像中可能存在多车辆、车牌占据图像中较小的情况,在车牌定位之前增加车辆定位,去除非车辆的区域,有效降低了无车牌图像对车牌定位的影响。对于车牌定位,本文以Tiny-YOLOv3为基础,重新设计了网络,对原网络结构剪枝,并且增加了残差结构,降低了计算复杂度近2G/FLOPs,同时网络权重降低了近50%,从而构建了LP-YOLO模型结构。另外,使用K-means++对车牌数据集聚类,得到用于训练的锚框。实验表明,本文车牌定位方法的精准率较Tiny-YOLOv3有1%的提升,召回率有2%的提升,检测时间降低了1/3。在车牌矫正方面,车牌矫正用来修正定位到车牌可能存在倾斜的情况。通过改进VGG16,构建车牌矫正网络Correct Net,利用该网络实现预测车牌四个角点位置,并使用透视变换实现矫正车牌。最后,在108张倾斜车牌图像上测试,正确矫正车牌105张,正确率为97%。在字符识别方面,以YOLOv3结构构建了多种不同的字符识别网络,并且通过比较,得到了适用于本文字符识别的最佳网络结构。最终得到的网络结构中增加了SPP、SAM模块,对网络结构进行剪裁、压缩。针对本文数据集,同样使用K-means++算法得到字符数据集的锚框,获得与字符识别匹配的Anchor。为了加强多种类别损失的均衡性,运用了Focal loss优化策略。最终得到的网络模型大小较YOLOv3降低了约3倍,计算量降低了近4倍。实验表明,CR-YOLO较Tiny-YOLOv3精准率提升2%,召回率有较大幅度提升,为10%;精准率与YOLOv3持平,召回率有2%提升,检测时间大幅降低为1/2。最后构建了用于整体测试的538张数据集,该数据集包括正面、倾斜、暗光环境下,蓝、黄、绿三种底色的不同种类车辆的图像。并且与其他方法在此数据集上的蓝色车牌上进行了测试,并得到对比结果。另外,单独将本文方法在此测试集上测试,得到识别准确率分别为:正面94.1%、倾斜90.7%和光线较暗83.3%。
曾扬[7]（2021）在《基于深度学习的图像篡改检测技术的研究与实现》文中研究表明图像篡改是一种恶意破坏网络中传播的图像信息内容的攻击手段,通过多种图像处理技术的综合应用将原本图像中想要表达的信息篡改为有意制造的虚假信息,被篡改的图像被用于视觉欺骗或伪造事实。在网络环境日益便捷的时代背景下,图像被广泛作为信息的载体在网络中快速传播,某些情况下图像甚至作为事实真相的证明在司法领域和生产生活中发挥重要的作用。图像篡改技术的快速发展对网络信息安全产生了极大的威胁,传统的图像篡改检测技术面对多样化发展的、甚至结合深度学习技术的图像篡改行为,其性能受到极大影响。依据某种特定特征的检测方法对新型图像篡改技术存在适应性差的问题,对具有不同篡改特征的图像检测任务存在局限性较大、灵活性差的问题。本文围绕图像篡改检测中的难点进行了研究,主要贡献如下:1、本文深入研究DeepFakes原理,并设计检测网络DFDM。检测方法针对结合了深度学习技术的新型图像篡改技术DeepFakes给传统图像篡改检测技术带来的新的问题,参照轻量级隐写分析模型基础网络构建检测网络的基础架构;引入自定义卷积核引导网络学习图像篡改区域的纹理差异;使用Max Pooling层降低网络参数的同时最大限度保留图像纹理特性;使用多层感知器（MLP）对图像样本进行分类。DFDM解决了深度学习分类网络无法检测GAN网络生成图像细节的问题。在FaceForensic++数据集上的仿真结果显示DFDM和同时期其他检测方法相比较具有较好检测能力。2、本文提出了图像内容篡改检测网络SFJNet。结合隐写分析成熟模型的关键组件,提高了检测模型对图像深层信息的学习能力;设计双网络联合检测模型改善单一网络检测在空间域或变换域上面临的局限性。鉴于图像篡改操作可能在图像空间域和变换域留有不同的篡改特征,双网络分别针对空间域和变换域的篡改特征做检测优化,变换域网络对数据进行离散DCT变换处理。针对双网络设计联合模块,使用极大似然估计法（Maximum Likelihood Estimate,MLE）对双网络做概率联合,使空间域判定和变换域判定相互弥补。仿真结果表明,SFJNet在CASIA数据集上的精确率、召回率、准确率等指标能够超过同类型方法。3、根据本文设计研究的算法实现基于Java Web的远端图像篡改检测系统。系统解决了图像篡改检测实际问题中自适应问题和分布式请求问题,通过远程云端服务器加载检测算法模型解决了对具有不同篡改特征的篡改样本使用传统检测算法检测时存在的局限性;通过远端服务器分布式计算解决了多请求处理的拥塞问题。
邓梦菲[8]（2021）在《S700K转辙机故障诊断与预测》文中研究指明转辙机是铁路系统中最重要的机电设备之一,存在动作频繁和工作条件复杂的特点,若出现故障会对铁路运营造成严重影响。但目前采用的维修方式多为基于经验知识的方法,基于专家或工作人员的经验判断故障类型,再进行维修,具有依赖人工以及效率低下的问题。为解决上述问题,并实现对故障的预测,以降低维修成本,保障铁路安全高效运营,本论文对转辙机的故障诊断和故障预测进行了研究。（1）转辙机工作原理的分析及数据预处理。研究转辙机正常动作功率曲线的形成原因,对8种常见故障的功率曲线进行分析。由于转辙机故障数据难以获取,使用少数合成类算法（SMOTE）解决正常数据与故障数据不平衡的问题。根据功率曲线的特点,分别从时域和频域方向对曲线进行阶段划分,每一阶段分别求取特征参数,并做降维处理。（2）故障诊断。在基于多层感知器（MLP）和基于支持向量机（SVM）的模型下分别进行故障诊断研究。结果显示基于支持向量机的方法具有更加准确、高效的优点,10折子交叉验证结果表明准确度得到了提高,具备实用性。针对未知故障问题,本论文在基于支持向量数据描述（SVDD）的方法下进行对已知和未知故障同时分类的研究。结果证明该方法的准确度较高,且不存在将未知故障误报为正常或已知故障的情况,具备实用性。（3）故障预测。利用基于模型的方法获得转辙机退化信号曲线,以此为依据进行故障预测研究。分别进行基于支持向量机（SVM）和多层感知器（MLP）下的故障预测研究,并形成对比,结果显示基于多层感知器的方法更加适用,可有效预测转辙机的退化信号发展趋势。图63幅,表16个,参考文献56篇。
赵倩[9]（2021）在《面向异常检测的网络流量数据增强方法》文中研究说明随着网络技术的不断发展、网络规模的不断扩大,互联网已经覆盖了社会的各个方面,给工作生活带来了前所未有的变革,但是,网络安全问题也随之而来,给正常的网络运行造成了巨大隐患。因此,通过网络防护手段及时发现网络的异常变得越来越重要。在常见的网络防护手段中,网络流量异常检测是一种通过学习网络流量数据从而发现网络异常行为的方法。其中,基于分类的异常检测方法结合了热门的数据挖掘领域的各种技术,受到研究人员的重视并且得到了广泛应用。在对网络流量进行异常检测时,基于分类的异常检测方法主要通过学习网络流量数据特征从而构建网络流量分类模型,依赖于网络流量数据集提供丰富的信息,因此流量大数据是网络流量异常检测的重要支撑。但是,研究者们发现,网络流量数据本身存在着不平衡的问题。例如,在识别正常和异常网络流量数据时,经常存在正常和异常流量数据规模差距较大的情况,此类数据不平衡问题容易导致后续构建的异常检测模型向数量多的正常流量数据过拟合,数量少的异常流量数据不能被有效识别,影响异常检测的效果。为解决流量数据不平衡问题,可以通过数据增强技术提升原始数据集中少数类的信息,从而进一步提高流量异常检测的效果。目前,常用的数据增强方法通过加强边界样本识别、优化少数类样本选择、聚类预处理少数类、噪声清洗等手段提升对少数类样本信息的增强效果。但是现有方法大都难以解决数据集中经常存在的同类数据分离、数据分布不均匀等问题。同时对于多分类的数据集,还存在不同类别重要特征不同、噪声样本难以识别等问题。因此,针对当前网络流量数据不平衡问题,本文提出面向异常检测的网络流量数据增强方法,并且针对二分类和多分类两种场景分别提出对应的解决方法。本文的研究工作具体如下:（1）面向流量异常检测的二分类的数据增强方法:在识别两种出现频率差别较大的网络行为时,针对网络流量二分类数据集中的同类数据分离、数据分布不均匀等问题,提出基于第一近邻聚类和多层感知器的数据增强算法。首先通过第一近邻聚类筛选出少数类样本聚类,接着根据聚类中样本分布自适应分配每个聚类合成样本数量,然后对聚类中样本分配初始权重,最后在数据合成时利用多层感知器进行噪声样本清洗。实验结果表明,本文提出的方法能够有效增强不平衡二分类网络流量数据集的中的少数类样本信息,最终提升网络流量异常检测效果。（2）面向流量异常检测的多分类的数据增强方法:在识别多种出现频率差别较大的网络行为时,针对网络流量多分类数据集中的不同类别重要特征不同、噪声样本难以识别等问题,提出基于降维合成和XGBoost（eXtreme Gradient Boosting）的数据增强算法。首先,基于少数类样本的信息熵进行合成样本的选择。然后通过主成分分析法对数据进行特征值分解,使得特征互不相关,再进行数据合成。最后,使用基于XGBoost的投票决策机制对合成的新样本进行噪声清洗。实验结果表明,本文提出的方法能够有效增强不平衡多分类网络流量数据集中的多个少数类的样本信息,最终提升网络流量异常检测效果。
邹伯昌[10]（2021）在《基于深度学习的三维点云分割与球体辨识》文中研究指明在工业生产中,球状工件的分辨与识别受其他杂质影响,易产生识别误差。针对识别误差,基于深度学习的点云识别,通过提取工件特征信息,能够提高工业分辨与识别效率,在工业生产中具有迫切的需求。对于点云识别,高精度的点云分割是实现点云识别的基础。点云数据无序性和非结构性给点云分割造成了障碍。PointNet直接对原始点云处理,解决了无序性问题。但该模型注重点云自身信息,未考虑点云相邻点之间的属性联系,从而导致局部特征丢失,造成分割与辨识的误差。同时,球体点云易受噪声影响而造成目标残缺。球体辨识方法获取的特征只适合特定场景,不具有通用性。为了提高三维点云分割与球体辨识的精度,本文做的具体工作如下:为了解决重心选取而造成关键特征缺失的问题,提出最远点加权下采样的点云精简方法。为了解决受噪声影响而造成特征损失的问题,提出基于双边滤波优化的点云降噪方法。实验结果表明,在保持点云具有足够特征信息的条件下,提出的点云精简方法比传统下采样精简速度快7.9倍,且能删除更多的无效点云。在相同条件下,提出的点云降噪方法的Pd和Rd分别为96.96%和92.66%,比双阈值曲面降噪方法高4.4%和5%,且具有高效性。为了解决PointNet只提取点信息,导致局部特征丢失的问题,在多尺度空间聚合模型的基础上,提出多尺度点云特征分割卷积网络模型。设计空间多尺度特征提取模块,获得局部特征。采用文中提出的点云精简和降噪方法进行采样,领域点被K近邻结合阈值K所改善的八分域搜索。然后进行多方向的卷积特征融合,将局部特征与点特征进行多次多层卷积处理,最终经过最大池化实现点云的分割。在Shape Net上,类别分类和物体分割的m Io U为84.1%和86.7%,比PointNet高3.7%。在S3DIS上,分割的精确度为81.53%,比空间聚合网SAN提高3.14%。针对球体辨识易受噪音影响,在多尺度点云特征分割卷积网络模型的基础上,提出多尺度球体特征辨识网络模型。设计了多边形轮廓提取和凸包处理的球体特征提取模块。将球体特征与点特征全连接,通过多方向空间提取局部特征。在搭建的球体辨别数据集上对多尺度球体特征辨识网络模型进行了性能验证。结果显示,所提模型的球体辨识Io U为92.58%,比多尺度点云特征分割模型提高2.9%,比SAN和PointNet++分别提高3.2%和15%。在辨识准确度上,文中所提出模型为94.3%,比多尺度点云特征分割模型高0.6%,比SAN和PointNet++提高4.8%和5.9%。多尺度点云特征分割和多尺度球体特征辨识网络模型的高效性和可行性被验证。实验结果证明,多尺度点云特征分割模型能够获取点云相邻点之间的相关属性,实现点云的高精确分割。面对复杂环境中其他杂质的影响,多尺度球体特征辨识网络模型能够防止产生误识别,从而提高工业中球状工件辨识的准确性。
二、基于知识的模糊多层感知器（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、基于知识的模糊多层感知器（论文提纲范文）
（1）人工智能在局部放电检测中的应用（二）：模式识别与状态评估（论文提纲范文）
| 0 引言 |
| 1 人工智能算法的基本思想 |
| 1.1 人工神经网络 |
| 1.1.1 概率神经网络 |
| 1.1.2 自组织映射神经网络 |
| 1.1.3 卷积神经网络 |
| 1.1.4 循环神经网络 |
| 1.1.5 自编码器 |
| 1.1.6 生成对抗网络 |
| 1.2 聚类算法 |
| 1.3 降维算法 |
| 1.3.1 主成分分析 |
| 1.3.2 局部线性嵌入 |
| 1.3.3 t分布随机近邻嵌入 |
| 1.4 模糊理论 |
| 1.5 支持向量机 |
| 1.6 分形理论 |
| 2 人工智能在模式识别中的应用 |
| 2.1 聚类算法的应用 |
| 2.2 神经网络的应用 |
| 2.3 支持向量机的应用 |
| 2.4 深度神经网络的应用 |
| 2.5 模糊分类器 |
| 2.6 集成学习 |
| 2.7 伪放电信号的生成 |
| 3 人工智能算法在状态评估中的应用 |
| 4 存在问题、解决策略及展望 |
（2）基于空谱联合的高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 符号与缩略词说明 |
| 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 高光谱图像分类问题 |
| 1.2.2 高光谱图像分类研究现状 |
| 1.2.3 基于深度学习的高光谱图像分类研究现状 |
| 1.3 问题的提出及研究目标 |
| 1.4 本文的主要内容及章节安排 |
| 第二章 深度学习的相关概念和基础介绍 |
| 2.1 神经网络介绍 |
| 2.1.1 神经网络的前向传播 |
| 2.1.2 误差反向传播 |
| 2.1.3 损失函数 |
| 2.2 常见激活函数 |
| 2.2.1 Sigmoid函数 |
| 2.2.2 tanh函数 |
| 2.2.3 Re LU函数 |
| 2.2.4 Leaky Re LU函数 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 Softmax分类层 |
| 2.4 长短期记忆神经网络 |
| 2.5 本章小结 |
| 第三章 基于双通道变分自编码器的高光谱图像分类 |
| 3.1 引言 |
| 3.2 变分自编码器 |
| 3.2.1 变分推理 |
| 3.2.2 变分自编码器简介 |
| 3.2.3 重参数技巧 |
| 3.3 基于双通道变分自编码器的高光谱图像分类方法设计 |
| 3.3.1 基于一维CVAE分类框架提取光谱特征 |
| 3.3.2 基于二维CRCVAE分类框架提取空间特征 |
| 3.3.3 双通道VAE分类框架设计 |
| 3.4 实验设计与结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验评价指标 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于Gabor滤波器和卷积神经网络的高光谱图像分类 |
| 4.1 引言 |
| 4.2 Gabor理论介绍 |
| 4.2.1 Gabor滤波器 |
| 4.2.2 三维Gabor滤波器 |
| 4.2.3 三维Gabor特征提取 |
| 4.3 基于Gabor-TC-CNN高光谱分类方法设计 |
| 4.4 实验设计与结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（3）溃坝波流体运动特征的实验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 溃坝波理论研究现状 |
| 1.2.2 溃坝波数值模拟研究现状 |
| 1.2.3 溃坝波模型实验研究现状 |
| 1.3 本文研究主要内容 |
| 2 掺气流动流场实验测量方法及原理 |
| 2.1 粒子图像测速法(PIV) |
| 2.1.1 PIV系统的组成与原理 |
| 2.1.2 图像预处理 |
| 2.1.3 互相关分析 |
| 2.1.4 结果后处理 |
| 2.2 气泡图像测速法(BIV) |
| 2.2.1 BIV系统的组成与原理 |
| 2.2.2 景深控制 |
| 3 溃坝波流场实验介绍 |
| 3.1 实验设备 |
| 3.1.1 实验水槽 |
| 3.1.2 闸门开启装置 |
| 3.1.3 实验仪器与材料 |
| 3.2 实验布置 |
| 3.2.1 PIV实验布置 |
| 3.2.2 BIV实验布置 |
| 3.3 实验参数 |
| 3.3.1 实验工况 |
| 3.3.2 拍摄窗口 |
| 4 掺气区域智能识别方法 |
| 4.1 BP神经网络 |
| 4.1.1 神经元 |
| 4.1.2 多层感知器 |
| 4.1.3 反向传播算法 |
| 4.2 卷积神经网络 |
| 4.2.1 输入层 |
| 4.2.2 卷积层 |
| 4.2.3 池化层 |
| 4.3 掺气区域识别方法 |
| 4.4 掺气区域分析软件开发 |
| 5 溃坝波流体运动特征分析 |
| 5.1 自由表面演化过程 |
| 5.1.1 演化过程理论分析 |
| 5.1.2 演化过程实验结果 |
| 5.2 闸门上游流场特征 |
| 5.3 砰击直墙掺气运动特征 |
| 5.3.1 流态特征 |
| 5.3.2 流场特征 |
| 5.3.3 涡量分布 |
| 5.3.4 湍流强度分布 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于多尺度深度特征融合的视觉显着性检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于多层感知器的显着性检测算法 |
| 1.2.2 基于全卷积网络的显着性检测算法 |
| 1.2.3 基于混合网络的显着性检测算法 |
| 1.2.4 基于胶囊网络的显着性检测算法 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 第二章 相关基础理论与知识 |
| 2.1 全卷积神经网络 |
| 2.1.1 卷积神经网络发展 |
| 2.1.2 全卷积化 |
| 2.1.3 空洞卷积和深度可分离卷积 |
| 2.2 相关工作 |
| 2.2.1 多尺度特征融合策略 |
| 2.2.2 利用边缘信息的显着性检测算法 |
| 2.2.3 高效的显着性检测算法 |
| 2.3 数据集及评价指标 |
| 2.3.1 数据集 |
| 2.3.2 评价指标 |
| 2.4 本章总结 |
| 第三章 自顶而下逐步融合多尺度上下文特征的显着性检测算法 |
| 3.1 引言 |
| 3.2 网络算法框架 |
| 3.2.1 多级特征提取网络 |
| 3.2.2 多感受野模块 |
| 3.2.3 特征融合模块 |
| 3.2.4 细化残差模块 |
| 3.2.5 组合损失函数 |
| 3.3 实验与分析 |
| 3.3.1 实验设置 |
| 3.3.2 不同λ实验对比 |
| 3.3.3 实验结果分析 |
| 3.3.4 消融实验 |
| 3.4 本章小结 |
| 第四章 基于全局引导多尺度特征融合的轻量级显着性检测算法 |
| 4.1 引言 |
| 4.2 网络算法框架 |
| 4.2.1 多级别特征提取网络 |
| 4.2.2 轻量级多感受野模块 |
| 4.2.3 渐进特征融合模块 |
| 4.3 实验与分析 |
| 4.3.1 实验设置 |
| 4.3.2 多级特征的选择 |
| 4.3.3 实验结果分析 |
| 4.3.4 消融实验 |
| 4.3.5 模型内存对比 |
| 4.3.6 本章算法与第三章算法的对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于FY-4A卫星的云检测与云图预测方法研究（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 |
| 1.2.1 云检测方法研究现状 |
| 1.2.2 云图预测研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 问题的总结与分析 |
| 1.3.1 云检测方法 |
| 1.3.2 云图预测方法 |
| 1.4 本文主要研究内容与技术线路 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术线路 |
| 1.5 本文章节安排 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区域 |
| 2.2 研究数据介绍 |
| 2.2.1 风云四号A星 |
| 2.2.2 AGRI数据介绍 |
| 2.2.3 FY-4A卫星云检测产品 |
| 2.3 数据预处理 |
| 2.3.1 数据提取 |
| 2.3.2 几何校正 |
| 2.3.3 辐射定标 |
| 2.3.4 数据规范化 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net网络的云检测方法 |
| 3.1 U-Net网络 |
| 3.2 基于改进U-Net网络的云检测模型 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 残差模块 |
| 3.2.3 卷积注意力模块 |
| 3.2.4 改进的U-Net网络 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.3.4 消融实验 |
| 3.3.5 结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于3DGAN网络的云图预测方法 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络的基本原理 |
| 4.1.2 Pixel2Pixel网络 |
| 4.2 基于3DGAN网络的云图预测模型 |
| 4.2.1 3D卷积 |
| 4.2.2 生成器模型结构 |
| 4.2.3 判别器模型结构 |
| 4.2.4 损失函数 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 预测图像对比与分析 |
| 4.3.5 预测通道亮温对比与分析 |
| 4.3.6 预测云图的云检测对比与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（6）基于YOLOv3的车牌识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 车牌识别算法中的难点 |
| 1.4 本文的主要内容及创新点 |
| 1.4.1 主要研究内容 |
| 1.4.2 创新点 |
| 1.5 本文的组织结构 |
| 第2章 相关算法理论分析 |
| 2.1 神经网络 |
| 2.1.1 感知器和多层网络 |
| 2.1.2 反向传播算法 |
| 2.1.3 激活函数 |
| 2.2 卷积神经网络 |
| 2.2.1 网络结构组成 |
| 2.2.3 经典网络模型结构 |
| 2.3 网络结构复杂度分析 |
| 2.3.1 时间复杂度 |
| 2.3.2 空间复杂度 |
| 2.4 目标检测算法 |
| 2.4.1 RCNN系列 |
| 2.4.2 YOLO系列 |
| 2.5 本章小结 |
| 第3章 车牌定位研究 |
| 3.1 车牌定位前处理 |
| 3.1.1 网络权重 |
| 3.1.2 车辆定位后处理 |
| 3.2 LP-YOLO网络算法分析 |
| 3.2.1 网络模型设计 |
| 3.2.2 边界框机制 |
| 3.2.3 损失函数 |
| 3.2.4 网络复杂度 |
| 3.2.5 网络训练 |
| 3.3 车牌矫正算法设计与改进 |
| 3.3.1 矫正算法 |
| 3.3.2 网络模型设计 |
| 3.3.3 损失函数设计 |
| 3.3.4 透视变换 |
| 3.3.5 矫正流程 |
| 3.4 本章小结 |
| 第4章 车牌字符识别研究 |
| 4.1 传统车牌字符识别 |
| 4.2 CR-YOLO网络算法分析 |
| 4.2.1 网络模型结构 |
| 4.2.2 Anchor的选择 |
| 4.2.3 优化损失函数 |
| 4.2.4 网络复杂度 |
| 4.3 字符识别处理改进 |
| 4.4 本章小结 |
| 第5章 车牌识别算法实现与验证 |
| 5.1 实验环境 |
| 5.2 数据集的获取与处理 |
| 5.2.1 数据集构建 |
| 5.2.2 数据标注 |
| 5.2.3 数据扩充 |
| 5.3 实验结果与分析 |
| 5.3.1 性能评价指标 |
| 5.3.2 车辆检测结果 |
| 5.3.3 车牌定位结果与分析 |
| 5.3.4 字符识别结果与分析 |
| 5.3.5 车牌整体识别效果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它科研成果 |
| 三、其它荣誉奖项 |
（7）基于深度学习的图像篡改检测技术的研究与实现（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 研究现状 |
| 1.3 研究内容 |
| 1.4 本文结构 |
| 第二章 图像篡改检测研究基础 |
| 2.1 图像篡改检测概述 |
| 2.1.1 图像篡改类型 |
| 2.1.2 图像篡改检测 |
| 2.2 图像处理技术概述 |
| 2.2.1 图像处理简介 |
| 2.2.2 图像空间域处理方法介绍 |
| 2.2.3 图像变换域处理方法介绍 |
| 2.3 深度学习技术概述 |
| 2.3.1 深度学习网络结构 |
| 2.3.2 图像分类网络 |
| 2.3.3 隐写分析网络 |
| 2.3.4 生成式对抗网络 |
| 2.4 本章小结 |
| 第三章 DeepFakes检测模型DFDM的研究与设计 |
| 3.1 问题分析 |
| 3.1.1 DeepFakes安全问题 |
| 3.1.2 DeepFakes检测缺陷 |
| 3.2 DeepFakes研究分析 |
| 3.2.1 GAN拟合人脸生成 |
| 3.2.2 人脸定位 |
| 3.2.3 合成痕迹处理 |
| 3.3 DeepFakes篡改检测算法 |
| 3.3.1 算法流程 |
| 3.3.2 特殊卷积核卷积层的设计与分析 |
| 3.3.3 篡改痕迹特征学习网络的构建 |
| 3.4 仿真与分析 |
| 3.4.1 数据集 |
| 3.4.2 特殊卷积核卷积层能分析 |
| 3.4.3 最大池化卷积模块性能分析 |
| 3.4.4 模型检测性能对比分析 |
| 3.5 本章小结 |
| 第四章 图像篡改检测模型SFJNet的研究与设计 |
| 4.1 问题分析 |
| 4.1.1 问题背景 |
| 4.1.2 研究现状 |
| 4.2 图像篡改空间域与变换域联合检测算法 |
| 4.2.1 算法流程 |
| 4.2.2 图像篡改检测粒度 |
| 4.2.3 基础网络选择 |
| 4.2.4 空间域和变换域网络 |
| 4.2.5 联合检测模型 |
| 4.3 仿真与分析 |
| 4.3.1 数据集 |
| 4.3.2 基础网络性能分析 |
| 4.3.3 联合网络性能分析 |
| 4.3.4 模型检测性能对比分析 |
| 4.4 本章小结 |
| 第五章 图像篡改云检测系统CloudEye的设计与实现 |
| 5.1 图像篡改检测系统需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 图像篡改检测系统概要设计 |
| 5.2.1 图像篡改云检测系统总体架构 |
| 5.2.2 图像篡改云检测系统工作流程 |
| 5.3 系统环境搭建 |
| 5.3.1 模型加载环境搭建 |
| 5.3.2 网络通信环境搭建 |
| 5.4 主要功能模块的设计与实现 |
| 5.4.1 图像篡改检测模型加载模块 |
| 5.4.2 网络通信处理模块 |
| 5.4.3 数据存储模块 |
| 5.5 功能测试 |
| 5.5.1 PC终端功能测试 |
| 5.5.2 移动端功能测试 |
| 5.6 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 |
| 攻读学位期间发表的学术论文目录 |
（8）S700K转辙机故障诊断与预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 概述 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 故障预测技术研究现状 |
| 1.3 论文主要内容及结构 |
| 2 转辙机工作原理及故障分析 |
| 2.1 道岔及转辙机工作原理 |
| 2.1.1 道岔及转辙机结构 |
| 2.1.2 S700K转辙机的控制电路 |
| 2.2 转辙机正常工作曲线分析 |
| 2.3 转辙机常见故障分析 |
| 2.3.1 启动功率过高 |
| 2.3.2 转换阶段波动大、时间长 |
| 2.3.3 转换阶段后期功率上升 |
| 2.3.4 锁闭阶段后功率上升 |
| 2.3.5 缓放阶段功率过高 |
| 2.3.6 缓放阶段缺失 |
| 2.3.7 缓放阶段时间过长 |
| 2.3.8 启动阶段功率上升 |
| 2.3.9 故障类型总结 |
| 2.4 本章小结 |
| 3 数据预处理 |
| 3.1 功率曲线特征提取 |
| 3.1.1 基于SMOTE算法处理样本不平衡问题 |
| 3.1.2 时域方向特征提取 |
| 3.1.3 频域方向特征提取 |
| 3.2 特征参数降维 |
| 3.2.1 主成分分析法降维 |
| 3.2.2 核主成分分析法降维 |
| 3.2.3 主成分分析法与核主成分分析法对比 |
| 3.3 本章小结 |
| 4 故障诊断研究 |
| 4.1 基于神经网络的故障诊断 |
| 4.1.1 概述 |
| 4.1.2 多层感知器的基本原理与设计 |
| 4.1.3 基于多层感知器故障诊断的实现 |
| 4.1.4 基于多层感知器故障诊断的结果 |
| 4.2 基于支持向量机的故障诊断 |
| 4.2.1 概述 |
| 4.2.2 支持向量机技术的基本原理与设计 |
| 4.2.3 支持向量机中核函数的引入 |
| 4.2.4 基于支持向量机故障诊断的实现 |
| 4.2.5 基于支持向量机故障诊断的结果 |
| 4.3 基于支持向量数据描述的未知故障诊断 |
| 4.3.1 概述 |
| 4.3.2 支持向量数据描述的基本原理与设计 |
| 4.3.3 基于支持向量数据描述未知故障诊断的实现 |
| 4.3.4 基于支持向量数据描述未知故障诊断的结果 |
| 4.4 本章小结 |
| 5 故障预测研究 |
| 5.1 转辙机的退化信号 |
| 5.2 基于支持向量机的故障预测 |
| 5.2.1 支持向量机回归预测原理与设计 |
| 5.2.2 基于支持向量机故障预测的实现 |
| 5.2.3 基于支持向量机故障预测的结果 |
| 5.3 基于神经网络的故障预测 |
| 5.3.1 多层感知器的预测原理与设计 |
| 5.3.2 基于多层感知器故障预测的实现 |
| 5.3.3 基于多层感知器故障预测的结果 |
| 5.4 故障预测结果对比 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）面向异常检测的网络流量数据增强方法（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 研究内容与创新点 |
| 1.3 硕士期间主要工作 |
| 1.4 论文结构 |
| 第二章 相关理论与国内外研究现状 |
| 2.1 面向二分类数据增强技术概述和研究现状 |
| 2.1.1 基于边界选择的数据增强方法 |
| 2.1.2 基于自适应选择的数据增强方法 |
| 2.1.3 基于聚类的数据增强方法 |
| 2.2 面向多分类的数据增强技术概述和研究现状 |
| 2.2.1 基于多分类特征结构的数据增强方法 |
| 2.2.2 基于多分类不平衡比的数据增强方法 |
| 2.3 噪声数据清洗技术概述和研究现状 |
| 2.3.1 基于欠采样的数据清洗方法 |
| 2.3.2 基于集成学习的数据清洗方法 |
| 2.4 现有方法总结 |
| 2.5 本章小结 |
| 第三章 面向流量异常检测二分类问题的数据增强方法 |
| 3.1 引言 |
| 3.2 基于第一近邻聚类过采样和多层感知器的数据增强方法 |
| 3.2.1 算法总体框架 |
| 3.2.2 基于第一近邻聚类的数据预处理方法 |
| 3.2.3 基于聚类稀疏度的自适应样本分配方法 |
| 3.2.4 基于多层感知器和权重修正的数据合成和噪声清洗方法 |
| 3.2.5 算法伪代码 |
| 3.3 仿真实验和结论 |
| 3.3.1 数据集介绍 |
| 3.3.2 评价指标 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 面向流量异常检测多分类问题的数据增强方法 |
| 4.1 引言 |
| 4.2 基于降维合成和XGBOOST数据增强方法流程 |
| 4.2.1 算法总体框架 |
| 4.2.2 基于信息熵的合成样本选择方法 |
| 4.2.3 基于数据降维的合成方法 |
| 4.2.4 基于XGBoost的噪声清洗方法 |
| 4.2.5 算法伪代码 |
| 4.3 仿真实验和结论 |
| 4.3.1 数据集介绍 |
| 4.3.2 评价指标 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）基于深度学习的三维点云分割与球体辨识（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 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 三维点云数据的精简与降噪方法 |
| 1.2.2 基于深度学习的点云数据分割与辨识方法 |
| 1.2.3 室内场景中球体辨识方法 |
| 1.3 三维点云分割与球体辨识面临的问题 |
| 1.4 论文主要的研究内容和章节安排 |
| 1.4.1 研究内容 |
| 1.4.2章节安排 |
| 1.4.3 技术路线 |
| 第2章 下采样与双边滤波优化的三维点云数据预处理 |
| 2.1 最远点加权下采样 |
| 2.2 双边滤波优化的点云降噪方法 |
| 2.2.1 基于k均值改善的主成分分析方法 |
| 2.2.2 粒子群和小波平滑优化的双边滤波方法 |
| 2.3 点云精简与降噪实验 |
| 2.3.1 环境设置 |
| 2.3.2 数据选取 |
| 2.3.3 点云精简处理及其结果分析 |
| 2.3.4 点云降噪处理及其结果分析 |
| 2.4 本章小结 |
| 第3章 多尺度点云特征分割卷积网络 |
| 3.1 多尺度点云特征提取的相关理论 |
| 3.1.1 多层感知器原理 |
| 3.1.2 Point Net网络模型 |
| 3.1.3 Point Net++网络模型 |
| 3.1.4 空间聚合网 |
| 3.1.5 原始点云数据的多尺度特征分割 |
| 3.2 多尺度点云特征分割卷积网络模型 |
| 3.2.1 多尺度特征提取模块 |
| 3.2.2 基于K近邻结合阈值K的八分域搜索 |
| 3.2.3 多尺度空间卷积结构 |
| 3.2.4 多尺度点云特征分割网络模型的整体设计 |
| 3.3 多尺度点云特征分割网络模型的实验条件 |
| 3.3.1 评价参量 |
| 3.3.2 数据集的选择 |
| 3.3.3 网络参量选择 |
| 3.4 多尺度点云特征分割卷积网络模型实验 |
| 3.4.1 物体局部点云分类实验 |
| 3.4.2 室内小型数据集中单个物体的分割实验 |
| 3.4.3 室内大型场景模型的分割实验 |
| 3.5 本章小结 |
| 第4章 室内场景中球状工件辨识网络 |
| 4.1 多尺度球体特征辨识网络模型 |
| 4.1.1 多尺度球体特征提取模块 |
| 4.1.2 构建多视角的球体特征模块 |
| 4.1.3 多尺度球体特征卷积结构 |
| 4.1.4 多尺度球体特征辨识网络模型的整体设计 |
| 4.2 实验数据集的采集与制作 |
| 4.2.1 基于结构光的点云采集 |
| 4.2.2 数据获取及制作 |
| 4.3 多尺度球体特征辨识网络模型实验 |
| 4.3.1 球体辨识评价参量 |
| 4.3.2 室内场景中球体数据集辨识实验 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他学术成果 |
四、基于知识的模糊多层感知器（论文参考文献）
- [1]人工智能在局部放电检测中的应用（二）：模式识别与状态评估[J]. 范路,陆云才,陶风波,尹毅. 绝缘材料, 2021(07)
- [2]基于空谱联合的高光谱图像分类方法研究[D]. 石亚鹏. 华东交通大学, 2021(01)
- [3]溃坝波流体运动特征的实验研究[D]. 谭挺. 大连理工大学, 2021(01)
- [4]基于多尺度深度特征融合的视觉显着性检测算法研究[D]. 潘明远. 南京信息工程大学, 2021(01)
- [5]基于FY-4A卫星的云检测与云图预测方法研究[D]. 蔡朋艳. 南京信息工程大学, 2021(01)
- [6]基于YOLOv3的车牌识别研究[D]. 贺智龙. 齐鲁工业大学, 2021(09)
- [7]基于深度学习的图像篡改检测技术的研究与实现[D]. 曾扬. 北京邮电大学, 2021(01)
- [8]S700K转辙机故障诊断与预测[D]. 邓梦菲. 北京交通大学, 2021
- [9]面向异常检测的网络流量数据增强方法[D]. 赵倩. 北京邮电大学, 2021(01)
- [10]基于深度学习的三维点云分割与球体辨识[D]. 邹伯昌. 齐鲁工业大学, 2021(09)