一、局部数据集与噪声数据曲线的平滑过滤（论文文献综述）
耿阳李敖[1]（2021）在《面向非规则簇结构的聚类算法研究》文中进行了进一步梳理随着信息技术的高速发展,人类所积累的数据量呈现爆炸式增长,除了对这些数据进行存储与查询,如何从中挖掘有价值的模式和规律越发受到研究者的关注。作为数据挖掘的基本工具,聚类分析旨在自适应地从无标签数据中发现可能的分簇模式,可以为众多高层的数据分析算法提供底层支持,已被广泛应用于图像处理、统计分析、电子商务、生物信息、社会科学等众多领域。由于不存在明确的类别定义和数据标签信息,聚类算法设计需要引入一些额外的先验准则来产生分簇结果,不同的先验准则也导致了最终形成的簇具有不同的特点。考虑到实际场景中数据分布的不规律性,其潜在的簇往往具有非规则结构,基于密度与基于图的聚类方法能够较好发现这些非规则的簇结构,因而成为了聚类分析领域的研究热点。然而现有的基于密度与基于图的聚类方法存在各自的缺陷,前者对于密度或尺度分布不均匀的簇结构可能出现过分割或欠分割现象;后者在无监督构图过程中可能会形成低质量图结构,导致聚类结果的退化。此外,在面对分布式存储的高维大数据时,如何发现其中非规则的簇结构也是一项具有挑战性的任务。本文针对上述问题展开了探索,具体做了以下工作:1.提出了一种能够同时发现不同形状、密度、尺度的聚类算法。算法引入了一种全新的密度度量方式――K近邻相对核密度,其能够同时探测到具有不同密度水平的簇结构。基于该密度度量,定义了核心样本概念,核心样本之间通过定义K近邻密度图相互连接,具有较强密度连通性的核心样本被视作一个簇。此种表示可以应对一个簇中存在多个局部密度核心的情形,具有更强的鲁棒性。此外,还提出了一种无效参数过滤算法,方便进行参数选择。2.针对高维大数据提出了一种分布式密度聚类算法。借助分布式计算优势,在每个子机上对部分数据进行密度划分,每个划分出的部分可看做原始数据的一个微分局部,可假设其近似嵌入到一个低维子空间中。引入子空间高斯模型对其进行建模可获得局部数据的一个紧致表示,进一步提出了针对子空间高斯模型的快速参数估计方法。3.针对聚类任务提出了一种基于图低频重组迭代的特征学习方法。相比其传统图聚类方法进行一次性的构图与划分,所提方法采用图与特征交替优化的思路,从而能避免因一次低质量构图所带来的聚类性能退化。4.针对雷暴识别与追踪这一特殊的时空数据场景,提出了一种聚类的解决方案。其中,针对非规则空间数据引入了冗余高斯表示法,针对高斯模型之间的重叠指标设计了一种快速蒙特卡洛估计法,采用双帧聚类思路同时实现雷暴的识别与追踪。
盛晓晨[2]（2021）在《基于多模型集成的软测量建模》文中指出实现复杂工业过程控制的一个重要环节是以尽可能低的经济成本对产品质量进行准确实时的监测和控制。而软测量技术是实现质量变量在线估计的有效途径,因此一直是过程自动控制和智能决策领域的重要研究热点之一。随着分布式控制系统的普及与计算机存储性能的进一步提升,数据驱动的软测量技术在复杂工业过程建模和质量预报中取得了广泛的应用。基于多模型集成的软测量建模框架,能够有效地描述复杂多变量系统的非线性、强耦合和多阶段特征,实时跟踪生产状况和操作条件的动态变化,从而确保过程安全可靠和平稳运行。论文在多模型集成框架下进行了软测量建模方法的研究与应用,主要研究内容如下:（1）针对传统单一模型在处理过程动态变化和多阶段特征时出现泛化性能变差的问题,提出一种基于阶段识别的集成最小二乘支持向量回归软测量建模方法。考虑到间歇过程的多批次特性,首先采用多向主元分析方法对原始高维过程数据进行预处理和特征提取,然后采用高斯混合模型对操作阶段进行识别,并对不同的操作阶段建立最小二乘支持向量回归子模型,最后利用贝叶斯融合策略对子模型输出进行集成,得到最终预测结果。青霉素发酵过程的仿真研究表明,该方法相较于传统全局建模获得了整体预测性能的显着提升。（2）为了提高多模型集成方法在非高斯工业过程建模中的鲁棒性和自适应更新能力,提出一种在线更新策略下的自适应集成偏最小二乘软测量建模方法。在基于高斯混合模型的多模型集成建模框架的基础上,一方面,利用局部加权标准化方法对非高斯数据进行预处理,以重构建模数据集;另一方面,采用滑动窗策略实现模型自适应更新,提高局部模型的泛化性能并保证其在较长工作时间内的预测精度。因此所建模型对过程的动态变化和阶段过渡具有更强的跟踪和解释能力。当测试样本到来时,利用贝叶斯策略实现偏最小二乘局部模型的自适应集成。对硫回收过程中酸性气体浓度的在线预测,结果验证了所提方法的可行性和有效性。（3）针对一些工业过程中标记样本稀少且人工标记成本高的问题,提出一种基于分层采样主动学习的集成高斯过程回归智能软测量建模方法。传统集成模型的预测性能高度依赖于有标记样本,为此,首先采用层次聚类算法,以多层次空间的方式充分挖掘样本之间的空间信息,然后引入分层采样策略迭代选择最具过程代表性的无标记样本进行人工标记。在主动学习框架下,标记数据集在每次迭代中都被显着扩展,而后用于集成高斯过程回归模型训练。通过对青霉素发酵过程的仿真实验,证明所提方法在保持较高预测精度的同时,可以大幅降低人工标记的成本。
郭紫晨[3]（2021）在《基于电力场景的点云表面重建算法研究与应用》文中研究说明随着点云表面重建技术的发展,逆向工程以及建模技术的应用越来越广泛,其主要应用方向是将某种三维模型的几何信息进行数字化还原,本文在点云数据表面重建的基础上,针对大型电力场景进行表面重建的研究。采用点云数据进行重建操作简便、精确度高,不会受外界因素的影响。三维点云数据能够精确记录电塔表面的采样信息,重建后可以还原在空间中的几何形态,为模型设备和形体测量提供了更加可信、精确的数据基础。本文对点云表面重建常用的拓扑结构和重建算法进行对比,选取最为合适的空间划分结构和重建算法,主要研究内容有:（1）研究点云预处理方法,在点云预处理操作时采取八叉树的拓扑结构进行空间划分,并基于点云密度值的方式进行动态子空间剖分,低于一定密度值时停止子空间的划分,在提升划分效率的同时降低空间资源的浪费。并且采用半径邻域搜索的方式,在进行点云表面重建操作时能够高效的查询候选点。（2）研究针对大型电力场景的点云表面重建方式。在点云表面重建过程中采用基于外接球策略的三角网格重建,该算法通过动态外接球的方式对扩展点进行查找,满足一定约束条件的点云即为最佳扩展点,在连接扩展边时建立边列表并通过设置标志位对边扩展条件进行约束,连接扩展点完成重建。实验结果表明本算法可以实现海量电力场景点云数据的表面重建,与泊松重建相比更加高效稳定,且不会出现表面空洞的情况,时间复杂度较低,具有较好的表面重建效果。
马晓星[4]（2021）在《基于加权投票的Bagging-BP并行算法研究》文中进行了进一步梳理BP神经网络（BPNN）被广泛称为现阶段最受欢迎的神经网络之一,它是一种监督式学习的网络[1]。BPNN通过学习训练样本输入和输出的关系进行建模,它对网络权重进行连续调整,以达到减小预测值和真实值差异的作用。它只需要较少的计算和训练,就能隐式检测因变量和自变量间的关联[2],从而计算变量间的复杂关系,对不可见数据进行良好的泛化和预测。但随着大规模数据集在各行业的出现,BPNN逐渐暴露出缺陷与不足,特别是在处理大数据集时出现训练时间过长、计算负担大、模型准确率低以及难以快速收敛等问题。为将BPNN应用于大规模数据集,优化模型在大数据下的性能和表现,充分发挥其最大优势,本文提出一种基于Bagging算法的BPNN并行化训练方法。该算法分别在两大分布式计算平台Hadoop和Spark进行实现,实验结果表明,与传统BPNN及其它并行策略相比,基于Spark计算平台的Bagging-BP算法在保证准确率的前提下,具有良好的并行加速性能、计算速度和数据可扩展性,在大数据场景下表现出明显的优势。本文具体工作如下:（1）提出基于小批量梯度下降和PSO算法改进的BP基学习器模型（MP-BP）,以优化Bagging-BP并行训练算法的基分类器模块。针对BPNN的自身缺陷以及难以适应大规模数据集的问题,利用PSO算法在全空间内搜索权阵,采用改进的MGBD算法训练基分类器。最后通过实验表明:MP-BP基学习器的收敛性能更优,准确率更高。（2）提出基于加权投票的Bagging-BP并行算法（WVA Bagging-BP）。以集成学习的思想,结合MapReduce编程模型实现算法并行化,通过设计基分类器的加权投票策略,将多个分类器组合成性能更优的强分类器。给大数据集分片并将每个数据子集分别输入Map,使用MP-BP算法并行训练多个基分类器,在Reduce阶段判断迭代终止条件,最后通过结合策略组合成强分类器,作为分类模型的最终输出。（3）实现基于Hadoop和Spark平台的Bagging-BP分布式训练方法,并通过系列实验和多项评价指标进行对比分析。在数据集BD3～BD5上的实验表明,WVA Bagging-BP算法的分类准确率优于传统BPNN模型和MVA模型,预测准确性在上述三个数据集上均有提升。在两个平台的实验表明,与Hadoop相比,基于Spark实现的Bagging-BP算法具有更好的加速能力和并行效率。在大规模数据集下的实验表明,本文算法能提升训练速度,并表现出良好的可扩展性。
吴佳慧[5]（2021）在《机器学习中隐私保护数据计算研究》文中认为随着云计算与分布式计算的发展,数据挖掘和深度学习等机器学习算法已能很好地结合大数据的优势,训练出更加精确的模型。因此,云外包学习和联邦学习成为当下流行的两种大数据机器学习范式。然而,在云外包机器学习和联邦学习过程中,要求数据拥有者提供原始数据或共享局部数据的训练参数,这些信息的提供均存在大数据隐私泄露的风险。例如,从医疗、金融等采集的大数据可能会泄露私人数据,包含个人基本信息、患者病历、经济信息等,一旦被披露,个人的生命财产将受到严重威胁。因此,研究云外包机器学习和联邦学习中隐私保护的大数据计算方法具有重要意义。本论文研究云计算环境下多数据拥有者的联合关联规则挖掘和分布式多客户端环境下的联邦深度学习中的隐私安全计算问题。论文分析现有的各类攻击方法,设计出安全数据加密算法。针对联合关联规则挖掘和联邦学习的各自特征,设计出各自特定的适用于加密数据的隐私保护数据计算方案。两种机器学习方法中,客户端提交给云服务器的原始数据均为加密数据,云服务器对加密数据进行计算,并返回加密形式的预测结果给客户端。论文证明了所提出的机器学习模型的适用性并评估了它们的性能。实验结果表明,论文中提出的方案能够提供准确的隐私保护关联规则挖掘和深度学习分类。本论文的主要研究成果是:（1）设计了数据库模糊方法,以保证数据挖掘效率。为了确保数据挖掘和深度学习的精度,论文的隐私保护计算均在密文数据上进行。考虑联合数据库的数据量非常庞大,无论是对数据的加密还是对加密数据的计算,所需的算力和存储消耗均会很大。因此,论文中并不是直接对数据集进行加密,而是设计一种数据库模糊方法,即在数据库中插入虚假交易以混淆敌手,从而保证数据库的隐私安全性;同时,为了保证数据集的可用性（可进行数据挖掘计算）,需给每条交易标记一个标签,真实交易的标签为1,虚假交易的标签为0。这样,数据挖掘结果由插入虚拟交易后的数据库挖掘的结果和标签共同决定。（2）设计了多密钥同态加密机制,以防止在数据挖掘与深度学习过程中,多联合方的窜某攻击。具体地,论文设计了一种多方协商的秘钥划分方法,并基于该方法设计出两种同态加密算法:采用指数乘的对称同态加密算法和基于椭圆曲线的加法同态加密算法。论文利用指数乘的对称同态加密算法加密待挖掘数据库的标签,并设计出用于数据挖掘的安全比较算法,使得多方联合挖掘能够顺利进行。论文基于椭圆曲线加同态加密设计隐私保护机制,用以掩盖每个客户端的局部梯度,使恶意敌手和半可信云难以推理数据集原始信息。所提出的隐私保护机制在保持训练模型高预测精度的同时,很好地平衡了安全性和效率。（3）设计了一种数据同态验证机制,以防止联邦学习中的全局参数被恶意敌手/云服务器篡改。该机制允许各分布式客户端验证从云服务器端获取的聚合密文是否为所有联合客户端的局部数据密文的融合。因此设计的同态验证方法需要能对同态计算进行验证。具体地,论文设计基于椭圆曲线的同态hash函数,该函数能将任意长度的输入数据转换为固定长度的输出摘要,且该函数满足同态属性,即对输入数据的计算操作可直接转移到对摘要的计算操作;同时,由于hash函数的抗碰撞性,敌手不能根据摘要猜测出原始函数输入,也不能在无密钥情况下同时篡改输入与摘要。因此,基于设计的椭圆曲线的同态hash函数构建的验证机制可以用来验证来自敌手/云服务器的全局参数（即聚合梯度）是否正确。（4）设计了一种快速同步随机梯度下降（F-SSGD）方法,以保证联邦学习的在多客户端异质情况下,模型的快速训练和训练收敛。该方法可保证当联邦学习中的各客户端算力存在差异或客户端数据分布不一致时,联邦学习模型能快速收敛。具体地,在F-SSGD中,设置了一个时间周期,在此期间,算力较强的客户端可以继续计算多个本地梯度,而无需等待速度较弱的客户端;而算力较弱的客户端加权他们的多个梯度副本,以确保训练收敛,并防止最终模型偏向执行计算最快的客户端。在达到设定的时间周期之后,所有的客户端都将它们的本地聚合梯度提交到云上进行模型更新。实验和理论证明了F-SSGD方法可保证联邦模型的收敛,且收敛速度为O（1/M）,其中M为迭代次数。
朱创营[6]（2020）在《基于时空特性与行为特征的在线社交网络搜索研究》文中研究指明社交媒体改变了人们的生活方式,也逐步成为人们获取信息的主要渠道。在社交网络中,用户成为了信息的发布者以及推动信息扩散的传播者,而不再只是信息的受体。信息在网络媒介中的这种传播模式动摇了传统新闻媒体作为信息发布者和舆论引导者的主导地位。由此,在线社交网络的安全管理成为当前的一项重要研究课题。及时掌握网络话题动态并发现其变化趋势以及数据来源是管理网络、引导舆情的一个重要途径。传统的话题检测和搜索研究更多是关注于发现话题的质量,这往往都依赖于复杂计算。然而在线网络话题却是随着时间发展而不断演化着的,这对话题的时效性提出了要求,使得传统解决方案的应用受到了限制。同时社交数据的生成节点分散在网络的各个角落,传播打破了距离的限制,而管理却面临着时空的制约。如何从离散分布的网络节点中筛选出有效数据,并在保证话题质量的前提下,满足实时性需求是一个具有挑战性的课题。面对以上问题和挑战,本文以社交网络中文本数据流为研究对象,以及时发现、快速搜索为研究目标,对社交网络中突发话题检测和数据来源搜索问题进行了研究。完成的研究工作主要有以下几个方面:（1）针对社交网络数据的时空依赖性、语义稀疏性问题,研究了社交网络时空数据的表达与语义分析。全面分析了网上话题和离线活动之间的关联关系以及社交网络中影响主题建模的因素。针对在线社交网络话题在时间上的演化特征、地域上的分布特征,结合社交数据的结构特征,提出了一种基于背景特征融合的社交网络数据表达方法（BFF）来表达社交网络短文本数据。该方法将时空、结构特征相似的数据融合在一起,通过张量模型来表示社交网络语料集。张量的横截面表示关键词在时空、结构特征上的分布。背景特征融合实现了在线话题与离线活动的关联,并在一定程度上缓和了语义稀疏性问题。在此基础上,通过聚类得到关键词的分组,具有相似特征分布的关键词集合表示同一个主题。基于BFF方法便于不同粒度的聚类,发现不同粒度的话题。时空数据融合的方法是后续突发主题检测以及数据来源搜索的基础。实验结果验证了所提方法的有效性和可靠性。（2）针对在线网络话题的早期发现问题,研究了基于数据流的突发因子实时检测。全面分析了用户行为对数据演化产生的影响,以及存在的不确定性影响。在此基础上提出了基于平滑去噪的数据流实时监控算法,以及建立在数据预测基础上的突发因子判别算法。通过对数据流的实时监控实现对关键词时态特征的跟踪,通过数据的历史记录预测特征词在未来可能的发展趋势。在此基础上进行横向比较,计算出语料集中异常变化的特征词作为潜在的突发因子来触发突发话题发现。所提算法可以主动计算未来潜在的突发因子而不是被动地等待突发因子触发运算。通过实验验证了所提算法的有效性和鲁棒性。实验结果表明对于瞬时话题,所提算法可以提前对比方法1个时间单位发现突发因子（根据时隙设置,在实验中可提前10秒到100秒）;对于演发话题,所提算法可以提前更多的时间检测到潜在的突发因子（在实验中可提前10个时隙以上）,可以满足突发话题的实时发现问题。（3）针对突发话题检测的实时性需求,研究了社交网络中时空主题的快速搜索问题。综合分析了网络话题在空间分布上的差别以及历史数据对突发话题的影响,在此基础上提出了基于社交网络数据流的突发话题检测算法（FDBST）。通过数据预测与特征计算发现突发因子,通过局部特征与全域特征相结合实现了突发主题的发现。通过构造连通图来表示在线主题,通过搜索局部主题来发现全域主题,最终包含突发因子的强连通图即为所求的突发主题。FDBST算法仅考虑包含突发时空主题的强连通图,而不追求数据集中完整的主题分布,因此自动屏蔽掉了网络中噪音主题的干扰（与突发因子不相关的数据并未参与计算过程）。相对于传统建模方法,在计算效率方面有了显着的提升。全域主题融合了动态变化中的时空数据,可用来提取出动态变化中的时空主题,并在一定程度上克服了语义稀疏性问题。实验结果验证了所提算法的效果和效率,在不牺牲发现主题质量的前提下,将主题发现的时间控制在了 0.1秒的水平范围,可满足实时性要求。（4）针对在线话题演化带来的安全问题,研究了热门话题的来源搜索。分析了用户行为对在线话题发展产生的影响以及由此带来的热门话题在演化过程中结构的变化问题,提出了 一种基于图的安全话题数据源搜索与发现算法（DHTS）。DHTS算法以安全主题为搜索源,根据结构特征在时间轴上逆向搜索相关数据。通过构建完全图来表示公共主题,通过构建强连通图来搜索相关的局部主题。在此基础上,根据图的结构变化来跟踪公共主题,最后根据公共主题与局部主题之间的新颖度来判断话题的数据来源。DHTS算法追求查询结果的相关性而不一味地追求相似性,因此返回结果与搜索内容不一定相似,但紧密相关。实验验证了所提算法的有效性,与对比算法相比,DHTS算法获得了更高的新颖度值和更早的发现时间以及较低的相似度和一致性指标值,同时相似度值在时间轴上呈连续分布状态表明了数据源的准确性,因此可用于同一话题在不同阶段的数据源搜索。（5）结合时空主题发现算法、FDBST算法以及DHTS算法实现了基于时空特性与行为特征的在线社交网络搜索系统。该系统主要包含了突发话题的实时监测模块、时空主题的发现模块以及安全话题数据源的搜索模块。三个功能模块分别实现文本数据流中异常话题的实时监测、指定内容的时空主题发现以及安全相关话题的数据源搜索。突发话题的实时监测模块为用户展示时空数据流的时态特征以及出现异常变化的数据的结构信息;时空主题的发现模块根据用户的需求在特定位置返回与指定内容相关的时空主题;安全话题数据源的搜索模块根据输入内容为用户展示相关信息在时间轴上的逆向变化过程,并返回最终的数据结果。基于以上研究工作,本文为社交网络的安全管理提供了一种基于时空特性与用户行为特征的在线社交网络搜索方法,可用于在线突发话题的即时检测、安全话题来源的快速搜索。
常鹏阳[7]（2020）在《基于Spark分布式蚁狮算法的小波神经网络短时交通流预测研究》文中认为道路交通高效运作的条件之一就是进行实时准确的车流预测,这不仅能帮助相关交通部门针对外出车辆进行约束和引导,还是智能交通系统（Intelligent Transportation Systems,ITS）众多值得研究的主题之一。近年来,以数据为导向的智能模精度不断提高,很重要的原因之一就是相关道路交通检测数据的获取原来越方便、快捷。其中,深度学习中的神经网络结构被大量应用在道路车流序列估计等各个方面,主要得益于网络模仿人体内大脑单元的学习方式,并具备信息处理和学习的高效能力。然而,合理的计划和方案同样需要应用在如何充分利用复杂海量数据上。除了要管理和存储不同类型的数据之外,全面的数据虽然可以为复杂模型提供丰富的训练数据集,但是这些数据本身也使得项目人员面临着大规模样本处理和复杂特征工程的挑战。因此,海量数据的处理技术与运输行业的融合方案就显现出非比寻常的探讨深度和经济价值。利用海量规模处理技术和Spark分布式多点运算,使得当前如何在合理时间内学习到符合预期要求的数据处理模型成为了本文研究主题,并进而尝试可以打造更复杂的应用程序模型。在对主流多节点异地计算框架Spark的分析研究之后,本文基于分布式内存计算框架Spark提出一种并行改进自适应变异精英加权调整的蚁狮优化算法,其分布式设计采用数据并行和计算并行的混合优化策略,并应用于短期道路车流估测中。具体工作如下所示:首先,对来源于美国加州道路监测评估平台（Peformance Measurement Sys-tem,PeMS）的交通流数据进行识别,完成数据填充和去除隐藏噪音的预处理工作,并利用序列数据暗含混沌这一特点,重建了一维数据的高维复杂构造,以提取更多隐藏的特征。为了加快模型学习的收敛速度,还对训练集进行了归一化。在深入探究了每种常见算法原理的优劣势之后,在小波神经网络（Wavelet Neural NetWork,WNN）的基础上,设计了一个短期道路车流估计模型,并对比分析了模型训练后的实验。实验证明,基于WNN的短期道路车流量估计虽然较为符合实际变化趋势,但在准确性和稳定性方面有待进一步提高。接着,由于随机生成的待优化参数初始值会影响经过梯度计算调整的小波神经网络估计效果。本文介绍了一种新的群体寻优算法Ant Lion Optimizer（ALO）,以改进小波神经网络参数设置,为短期道路车流量估计问题设计一个新的算法ALO-WNN,并与传统WNN网络,以及基于GA-WNN和基于PSO-WNN的模型进行了对比实验。结果表明基于ALO-WNN模型的预测精度虽然有了一定的提高,但仍有改进空间。为进一步提高ALO搜索精度,本文提出一种改进自适应变异精英加权调整的蚁狮算法（Improved Weighted Elitism Ant Lion Optimizer,IWALO）,经仿真实验分析可得,IWALO-WNN模型在精度高低,整体性能方面,均比上文所涉及的各模型的估测效果更优。最后,典型常见的群体寻优算法仅仅只可以在有限处理器环境下,以顺序模式模拟完成并行迭代,这种运算原则已经无法在合理时间内处理当下时代海量增长的信息集合,为了解决传统算法模型计算量大、模型设计复杂,无法有效利用大规模训练数据的问题。本文将IWALO-WNN算法模型与Spark分布式计算平台结合,提出了数据并行和计算并行融合的分布式设计算法,构成了基于Spark的改进自适应变异精英加权调整的蚁狮算法优化小波神经网络（Spark-IWALO-WNN）的短期道路车流量估测模型。
陈云莎[8]（2020）在《基于改进LeNet网络的接触网吊弦绞线故障诊断方法研究》文中认为随着我国高速列车领域技术的飞速发展,对电力系统等基础设施的在线智能维保技术需求更加迫切。高铁接触网吊弦结构的不正常受力甚至断裂将导致机车对能量的吸收不良,造成较大的能量损失和对弓网的损坏,从而对高速铁路的安全构成威胁。而机器视觉智能检测技术模拟人类视觉功能,接收并处理图像数据,适用于吊弦结构故障诊断的研究。本文针对高铁接触网吊弦绞线结构,从各功能的现有方法入手,明确诊断模型算法的框架,进一步对用于吊弦绞线故障检测的LeNet网络进行改进,并通过实验对比几种定位和故障诊断方法的效果进行评价。具体内容如下:（1）对接触悬挂系统的故障诊断技术与卷积神经网络在目标检测方向发展的国内外研究现状进行了综述,论述了吊弦绞线故障诊断领域研究的前景和方向。（2）针对吊弦结构,阐述了吊弦故障诊断的吊弦图像预处理、吊弦定位和吊弦绞线故障检测三个检测功能的现有方法分析研究。针对深度学习方法,提出几种主流目标检测和几种图像分类的网络结构及工作原理,为论文研究和相关算法提供理论基础。（3）将Fire模块用于LeNet网络中对其进行改进,将改进LeNet应用于吊弦绞线故障的检出。并对改进LeNet中的Fire模块进行优化,探究模块中的3?3卷积层占比及模块中的挤压层比例对于网络性能的影响,探究改变卷积层数对于网络性能的影响。最后纵向对比LeNet网络改进前后的效果,突出改进LeNet网络的先进性。结果表明:针对本文数据集,当挤压层1?1卷积、扩展层1?1卷积和3?3卷积数量分别为24,16,16层时,Fire模块在LeNet网络中的效果最佳。纵向对比改进前后的效果,改进后的LeNet将模型压缩至原LeNet的1/10大小,且精度比原LeNet提升了5.7个百分点。（4）针对吊弦故障检测的具体功能,归纳吊弦定位与绞线故障诊断模型的基本步骤与具体框架。结合每一功能上对典型吊弦图像的初步处理效果,对于吊弦定位与绞线故障诊断模型的细节进一步探讨。具体内容为:基于预处理理论呈现吊弦图像预处理效果;基于几种吊弦定位方法的初步应用效果选出深度学习目标检测方法;基于几种吊弦绞线故障检测方法的初步应用效果选出深度学习图像分类方法。（5）实验对比Faster R-CNN,YOLO v3,R-FCN,Corner Net-Lite中的Corner Net-Squeeze和Corner Net-Saccade五种主流模型的吊弦定位效果,结果表明:Corner Net-Saccade的定位精度最高（99.1%）,Corner Net-Squeeze在较高计算速度的同时保持不错的检测精度（94.7%）。同时探究改进LeNet的实验效果,并引入Mobile Net v2和Res Net-34作为横向对比,实现检出吊弦绞线故障及故障分类,结果表明:改进LeNet在吊弦图像分类上平衡检测精度和速度效果最好,其精度也保持在较高水平。因此,Corner Net-Saccade和改进LeNet组合检测方法精度高达95.0%,Corner Net-Squeeze和改进LeNet组合检测方法可实时检测,其准确率为90.7%。
柴润泽[9]（2020）在《基于形状特征的花椒分选技术研究》文中进行了进一步梳理花椒是一种应用广泛的经济作物,有很高的食用和药用价值。在色选机的生产加工过程中,因花椒物料类别成分复杂,各类别颜色差异小,从颜色分辨困难,于是提出基于花椒形状特征的多特征分选算法,实现花椒的快速、高精度分选。本研究以色选机采集的花椒样本图像为研究对象,提出物料形状特征的自动提取算法,提取物料的面积、周长和最小外接矩形,建立复杂特征描绘子,形成花椒特征分类数据集;然后对花椒数据集进行数据数据预处理,消除异常值并标准化数据集,在建立模型前对数据集采取特征选择和降维操作;以python平台设计分别基于支持向量机和决策树的分类器对样本数据集进行建模,优化后支持向量机的模型参数为Gamma参数和惩罚系数C分别等于0.4498和1.84,决策树模型参数为最大深度为7,叶子结点数最小为10;在C++环境中部署模型,对样本图像进行仿真实验,验证模型的分类效果,分析不同分类算法模型对花椒样本的分类效果,仿真实验结果表明:1)基于形状特征建立的包含面积、周长、圆形度、矩形度、直径、细长度、对角线长、紧凑度、长轴长共九个特征描绘子的花椒数据集对花椒样本的各类别具有可分性;2)支持向量机模型分类结果:花椒壳的纯净率为93.63%,损失率为3.1%;花椒籽的纯净率为98.4%、损失率为8.3%;决策树分类模型分类结果:花椒壳纯净率为93.66%、损失率为2.69%,花椒籽纯净率为96.01%、损失率为6.9%;在QT平台建立以上模型的界面可视化软件,实现特征的自动提取和模型的快速建立,使用便捷、可移植。研究表明:基于形状特征的花椒分选技术是可行的,所开发的花椒分选算法模型运行正常,仿真实验效果较好,为花椒的分选生产提供了技术支持,具有一定的应用推广价值。
王磊[10]（2020）在《深度学习框架下的极化SAR影像信息表达与分类研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动微波雷达成像系统,具有全天时全天候成像、一定的穿透性、高精度和大幅面获取地表散射信息等特点,在军用及民用领域发挥着重要作用。极化SAR（Polarimetric SAR,PolSAR）可以发射和接收不同组合方式的极化波,为SAR影像解译提供更丰富的地物目标极化信息。极化SAR影像信息表达具有多样性、复杂性,极化散射机理、极化信息的有效提取和表达均有待进一步的研究,这为极化SAR影像的可视化、场景分类等解译工作提出了更高的挑战。深度学习在自然图像处理等领域发挥着革命性的作用,在极化SAR影像解译中也已逐步展现出优异的性能以及巨大的潜力,为极化SAR影像的精细解译提供新的解决方案。基于深度学习的极化SAR影像解译仍存在一些问题,首先,极化SAR影像具有特殊的微波成像机理,目视解译较为困难。极化SAR影像地物信息由极化相干矩阵等表达,具有多种散射信息表达形式。从目视效果和数据表达上,极化SAR影像均与光学影像存在明显差异。其次,在极化SAR影像分类的数据集上,获取大量准确的标注样本非常困难,深度学习模型难以学习极化SAR影像的信息表达,整景极化SAR影像的场景分类速度有待提高。因此,需要研究适用于极化SAR影像的具有较强泛化能力深度学习模型,学习极化SAR影像有效的信息表达,从而进一步提高极化SAR影像解译的性能。针对上述问题,在高分专项和信息融合项目的资助下,围绕极化SAR影像场景分类和可视化解译要求,在深度学习框架下,开展了面向极化SAR影像信息表达与精细分类的研究,以及极化SAR影像信息可视化表达的研究。目前基于深度学习的监督方式的PolSAR影像分类方法,通常将邻域窗数据分成一个类别,未考虑邻域窗中的像素可能由多种地物类型构成的情况。本文首次将卷积神经网络输出二维分类图的思想引入到PolSAR影像分类,提出了一种特征尺寸不变的卷积神经网络多像素同时分类方法,充分利用邻域像素间不同地物类型的相互关系信息表达,实现对邻域窗中的所有像素同时分类。在高分3号等多种常用PolSAR平台影像整景数据分类实验中,具有更快的速度、更强的泛化性能和更高的分类精度。在此基础上,本文进一步引入PolSAR影像旋转域的特征,使用卷积长短时记忆网络学习旋转域极化相干矩阵序列的隐藏信息表达,提升PolSAR影像监督分类性能。PolSAR影像难以获取大量准确有效的标注信息,无监督的PolSAR影像分类对于PolSAR影像解译非常重要,常规机器学习的无监督分类方法具有冗长的处理流程。本文提出了一种基于深度互信息表达的PolSAR影像无监督分类方法,以像素的邻域窗数据及其随机几何变换数据组成邻域窗样本对作为卷积神经网络的输入,学习邻域窗样本对的深度互信息表达,指导网络保持邻域窗数据的共有信息,去除特殊特性。本文方法在真实的PolSAR影像无监督分类中展示了优异的性能,超过了目前先进的无监督分类方法。本文方法无需繁琐的方法流程以及额外预处理和后处理,实现了端到端的操作。此外,基于深度互信息表达学习的网络模型,其深度特征表达可将半监督分类提升至优异水平。由于SAR特殊的侧视主动成像机制以及严重的相干斑,非专业人员很难通过极化SAR影像进行目视观察与解译。本文提出一种基于监督循环一致生成对抗网络的大尺寸极化SAR影像转换为类光学遥感影像的方法,为极化SAR影像信息可视化表达提供了新的方式。在光学遥感影像因天气影响而信息缺失时,转换的类光学遥感影像可以辅助非专业人员的目视观察。为促进深度学习在遥感影像解译的健康发展,本文公开了基于哨兵1号与哨兵2号影像的配对数据集。在此数据集上验证了本文的极化SAR到光学遥感影像转换模型,可以同时保持地物目标的类型以及结构信息,超过了一些着名的影像转换模型。转换的类光学遥感影像可以进一步用于光学遥感影像去云,补足光学遥感影像的信息缺失。本文在深度学习框架下,开展了极化SAR影像的特征学习与信息表达研究,发展了基于卷积神经网络的PolSAR影像全监督以及无监督分类方法,基于生成对抗网络的极化SAR影像到类光学遥感影像转换方法。所有方法均在我国高分3号极化SAR影像数据上取得了优异的结果。其中,极化SAR到类光学遥感影像转换方法已应用于“通导遥综合应用与多源数据融合系统”项目。
二、局部数据集与噪声数据曲线的平滑过滤（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、局部数据集与噪声数据曲线的平滑过滤（论文提纲范文）
（1）面向非规则簇结构的聚类算法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 聚类应用 |
| 1.1.2 聚类算法挑战 |
| 1.2 研究现状 |
| 1.2.1 常见聚类算法 |
| 1.2.2 基于密度的聚类算法 |
| 1.2.3 基于图的聚类算法 |
| 1.2.4 分布式聚类算法 |
| 1.3 研究内容与文章组织 |
| 2 基于KNN相对核密度的聚类算法 |
| 2.1 引言 |
| 2.2 RECOME算法流程 |
| 2.2.1 K近邻相对核密度 |
| 2.2.2 密度度量性质分析 |
| 2.2.3 核心点与原子簇 |
| 2.2.4 相对密度图及密度可达性 |
| 2.3 量化参数提取算法 |
| 2.4 实验 |
| 2.4.1 实验设置 |
| 2.4.2 仿真数据集结果 |
| 2.4.3 真实数据集结果 |
| 2.4.4 参数分析 |
| 2.4.5 量化参数提取算法验证 |
| 2.5 本章小结 |
| 3 针对分布式高维数据的局部密度子空间聚类算法 |
| 3.1 引言 |
| 3.2 子空间高斯模型 |
| 3.2.1 高维数据对高斯模型的挑战 |
| 3.2.2 子空间高斯模型引入与分析 |
| 3.2.3 针对高维数据的快速参数估计方法 |
| 3.3 LDSDC算法流程 |
| 3.3.1 局部密度区域划分 |
| 3.3.2 局部密度子空间高斯建模 |
| 3.3.3 密度连通度估计 |
| 3.3.4 密度连通区域合并 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 数据集 |
| 3.4.3 评价指标 |
| 3.4.4 实验结果 |
| 3.4.5 参数分析 |
| 3.5 本章小结 |
| 4 基于图频率重组迭代的无监督特征优化方法 |
| 4.1 引言 |
| 4.2 频率角度下的图迭代原理 |
| 4.2.1 图信号与图频率 |
| 4.2.2 从图迭代到图频率分解 |
| 4.2.3 过平滑效应的双面性 |
| 4.3 FRI算法流程 |
| 4.3.1 频率重组迭代 |
| 4.3.2 对大规模数据集的效率优化 |
| 4.3.3 对FRI的一些补充讨论 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 仿真数据集结果 |
| 4.4.3 真实数据集结果 |
| 4.4.4 快速迭代法时间效率验证 |
| 4.4.5 参数分析 |
| 4.5 本章小结 |
| 5 基于双帧聚类的雷暴识别与追踪算法 |
| 5.1 引言 |
| 5.2 数据介绍与问题形式化 |
| 5.3 双帧聚类识别与追踪算法流程 |
| 5.4 实验 |
| 5.4.1 数据集与实验设置 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 附录A 论文定理证明 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于多模型集成的软测量建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 软测量技术研究现状 |
| 1.2.1 软测量技术概述 |
| 1.2.2 软测量建模基本方法 |
| 1.2.3 工业过程基本特征及分析方法 |
| 1.3 基于多模型集成的软测量建模 |
| 1.3.1 集成学习方法介绍 |
| 1.3.2 基于多模型集成的软测量建模方法 |
| 1.4 论文的主要研究内容 |
| 第二章 基于阶段识别的多模型集成软测量建模 |
| 2.1 引言 |
| 2.2 最小二乘支持向量回归算法 |
| 2.3 高斯混合模型 |
| 2.4 基于阶段识别的集成LSSVR软测量建模方法 |
| 2.4.1 多向主元分析方法 |
| 2.4.2 模型参数优化 |
| 2.4.3 基于阶段识别的多模型集成框架 |
| 2.5 仿真研究 |
| 2.5.1 青霉素发酵过程 |
| 2.5.2 仿真结果 |
| 2.6 本章小结 |
| 第三章 一种在线更新策略下的自适应集成软测量建模 |
| 3.1 引言 |
| 3.2 偏最小二乘算法 |
| 3.3 自适应更新策略 |
| 3.3.1 局部加权标准化 |
| 3.3.2 基于滑动窗的自适应更新策略 |
| 3.4 在线更新策略下的自适应集成PLS软测量建模方法 |
| 3.5 仿真研究 |
| 3.5.1 硫回收过程 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于分层采样主动学习的多模型集成软测量建模 |
| 4.1 引言 |
| 4.2 高斯过程回归建模方法 |
| 4.3 基于分层采样的主动学习方法 |
| 4.3.1 层次聚类算法 |
| 4.3.2 自适应采样策略 |
| 4.4 基于分层采样主动学习的集成GPR软测量建模方法 |
| 4.5 仿真研究 |
| 4.5.1 主动学习方法验证 |
| 4.5.2 仿真结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 前景展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间研究成果 |
（3）基于电力场景的点云表面重建算法研究与应用（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 |
| 1.1.1 应用邻域 |
| 1.1.2 研究意义 |
| 1.2 国内外的研究动态 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 点云处理相关关键技术 |
| 2.1 点云数据 |
| 2.2 点云拓扑结构 |
| 2.2.1 三维栅格法 |
| 2.2.2 空间八叉树 |
| 2.3 点云预处理 |
| 2.4 点云表面重建 |
| 2.4.1 显式重建方法 |
| 2.4.2 隐式重建方法 |
| 2.5 本章小结 |
| 第3章 基于八叉树空间的点云预处理 |
| 3.1 空间划分的选择 |
| 3.2 八叉树的构建 |
| 3.3 基于局部密度的八叉树划分 |
| 3.4 八叉树压缩点云 |
| 3.5 八叉树半径邻域搜索 |
| 3.6 本章小结 |
| 第4章 基于外接球的区域增长表面重建 |
| 4.1 理论基础 |
| 4.1.1 Voronoi图 |
| 4.1.2 Delaunay三角化 |
| 4.2 三角化表面重建 |
| 4.3 基于外接球的区域增长算法 |
| 4.3.1 种子三角形构建 |
| 4.3.2 基于外接球的区域增长搜索 |
| 4.3.3 扩展方向选取 |
| 4.3.4 边列表的构建 |
| 4.3.5 候选点的约束条件 |
| 4.4 基于外接球的区域增长算法实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于电力场景点云表面重建 |
| 5.1 系统总体功能设计 |
| 5.2 点云表面重建系统功能实现 |
| 5.2.1 基于电力场景点云显示 |
| 5.2.2 基于电力场景点云空间划分 |
| 5.2.3 基于电力场景的点云数据压缩 |
| 5.2.4 基于电力场景的表面重建 |
| 5.3 点云表面重建算法对比 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）基于加权投票的Bagging-BP并行算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和主要工作 |
| 1.4 本文结构安排 |
| 第2章 研究的理论基础 |
| 2.1 BP神经网络 |
| 2.2 集成学习 |
| 2.2.1 基学习器的多样性 |
| 2.2.2 集成学习算法和结合策略 |
| 2.3 并行编程模型和大数据框架 |
| 2.3.1 并行编程模型 |
| 2.3.2 大数据计算框架 |
| 2.4 本章小结 |
| 第3章 基于MP-BP算法改进的基学习器模型 |
| 3.1 Bagging-BP算法框架 |
| 3.2 MGBD和 PSO优化BPNN基学习器 |
| 3.2.1 PSO优化基学习器权值 |
| 3.2.2 改进的MBGD优化收敛过程 |
| 3.3 实验结果和分析 |
| 3.3.1 实验环境和数据集 |
| 3.3.2 收敛性能 |
| 3.3.3 正确率 |
| 3.3.4 损失值的波动 |
| 3.4 本章小结 |
| 第4章 基于Hadoop和 Spark的 Bagging-BP并行算法 |
| 4.1 算法逻辑 |
| 4.1.1 算法步骤概括 |
| 4.1.2 基于加权投票的组合模块 |
| 4.1.3 基于MP-BP算法的基分类器模块 |
| 4.1.4 数据预处理模块 |
| 4.2 基于Hadoop平台的Map和 Reduce函数实现 |
| 4.2.1 MapReduce编程模型 |
| 4.2.2 基分类器训练模块 |
| 4.2.3 分类器权重生成模块 |
| 4.2.4 强分类器组合模块 |
| 4.3 基于Spark平台的RDD算子实现 |
| 4.3.1 RDD编程模型 |
| 4.3.2 算法实现 |
| 4.3.3 两种平台实现的对比分析 |
| 4.4 实验准备 |
| 4.4.1 实验评价指标 |
| 4.4.2 实验数据集 |
| 4.4.3 实验环境 |
| 4.5 实验结果和分析 |
| 4.5.1 Spark下的分类正确率 |
| 4.5.2 Hadoop和 Spark下的并行计算性能 |
| 4.5.3 Spark下的计算速度和可扩展性 |
| 4.6 本章小结 |
| 第5章 结论和展望 |
| 5.1 结论 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）机器学习中隐私保护数据计算研究（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 隐私保护数据挖掘研究现状 |
| 1.2.2 隐私保护深度学习研究现状 |
| 1.2.3 分布式优化方法研究现状 |
| 1.3 论文的主要工作及结构 |
| 第二章 相关问题与安全计算基本概念介绍 |
| 2.1 简写符号说明 |
| 2.2 相关机器学习方法介绍 |
| 2.2.1 频繁项集挖掘与关联规则挖掘 |
| 2.2.2 神经网络和深度学习 |
| 2.3 数据安全技术介绍 |
| 2.3.1 同态加密 |
| 2.3.2 数据验证 |
| 2.4 本章小结 |
| 第三章 云外包环境下的隐私保护关联规则挖掘研究 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.2.1 系统模型 |
| 3.2.2 威胁模型 |
| 3.2.3 设计目标 |
| 3.3 相关知识介绍 |
| 3.3.1 水平与垂直分区数据库 |
| 3.3.2 虚拟交易 |
| 3.4 子算法设计 |
| 3.4.1 对称同态加密算法 |
| 3.4.2 安全比较算法 |
| 3.4.3 HE参数范围限定 |
| 3.4.4 虚拟交易插入算法 |
| 3.5 SecEDMO方案设计 |
| 3.5.1 SecEDMO方案概览 |
| 3.5.2 隐私保护关联规则挖掘 |
| 3.6 正确性分析 |
| 3.7 安全性分析 |
| 3.7.1 对称HE算法的密钥安全性 |
| 3.7.2 安全抗攻击 |
| 3.8 性能评估 |
| 3.8.1 插入交易的随机性 |
| 3.8.2 SecEDMO的计算复杂度 |
| 3.8.3 SecEDMO的存储容耗 |
| 3.8.4 SecEDMO的通信复杂度 |
| 3.8.5 不同模型的复杂度比较 |
| 3.8.6 端到端时延 |
| 3.9 相关工作 |
| 3.9.1 基于查询限制的隐私保护挖掘 |
| 3.9.2 基于数据干扰的隐私保护挖掘 |
| 3.9.3 基于数据加密的隐私保护挖掘 |
| 3.10 扩展工作——安全数据聚合 |
| 3.11 本章小结 |
| 第四章 联邦深度学习中分布式训练方法研究 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.2.1 联邦学习系统 |
| 4.2.2 设计目标 |
| 4.3 相关知识介绍 |
| 4.3.1 随机梯度下降 |
| 4.3.2 ASGD与 SSGD |
| 4.4 F-SSGD算法设计 |
| 4.5 收敛性分析 |
| 4.6 实验性能评估 |
| 4.6.1 实验设置 |
| 4.6.2 实验结果 |
| 4.7 本章小结 |
| 第五章 快速、安全、可验证的联邦深度学习研究 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.2.1 系统模型 |
| 5.2.2 攻击模型 |
| 5.2.3 设计目标 |
| 5.3 相关知识介绍 |
| 5.3.1 椭圆曲线密码 |
| 5.3.2 密码学hash函数 |
| 5.4 子算法设计 |
| 5.4.1 密钥生成算法 |
| 5.4.2 隐私保护机制 |
| 5.4.3 验证机制 |
| 5.5 FSV-FDL模型设计 |
| 5.6 安全性分析 |
| 5.6.1 EC-AHE的安全性 |
| 5.6.2 部分数据加密的安全性 |
| 5.6.3 云与客户端合谋攻击 |
| 5.7 验证性分析 |
| 5.7.1 正确性 |
| 5.7.2 可靠性 |
| 5.8 实验性能评估 |
| 5.8.1 模型精度 |
| 5.8.2 客户端运行时 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 本论文的主要工作 |
| 6.2 下一步的工作思路 |
| 参考文献 |
| 致谢 |
| 攻读博士期间已发表的论文 |
| 攻读博士期间参加的科研项目 |
（6）基于时空特性与行为特征的在线社交网络搜索研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.3 主要概念 |
| 1.4 国内外研究现状 |
| 1.4.1 在线社交网络中时空数据的表达 |
| 1.4.2 在线社交网络中突发话题的检测与发现 |
| 1.4.3 在线社交网络中安全话题源的搜索与发现 |
| 1.5 主要研究成果和创新点 |
| 1.6 论文组织 |
| 1.7 研究思路 |
| 第二章 在线社交网络中时空数据的表达及应用 |
| 2.1 引言 |
| 2.2 基于背景特征融合的社交网络数据表达方法(BFF)的提出 |
| 2.2.1 BFF的研究动机 |
| 2.2.2 BFF算法描述 |
| 2.3 BFF的实验结果与分析 |
| 2.3.1 实验设置 |
| 2.3.2 实验结果与对比分析 |
| 2.4 本章小结 |
| 第三章 社交网络数据流中突发话题的实时检测 |
| 3.1 引言 |
| 3.2 基于社交网络数据流的突发话题实时检测算法(FDBST)的提出 |
| 3.2.1 研究动机 |
| 3.2.2 FDBST算法描述 |
| 3.2.3 FDBST算法复杂度分析 |
| 3.3 FDBST的实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果与对比分析 |
| 3.4 本章小结 |
| 第四章 社交网络数据流中安全话题数据源的搜索与发现 |
| 4.1 引言 |
| 4.2 基于图的安全话题数据源搜索与发现算法(DHTS)的提出 |
| 4.2.1 研究动机 |
| 4.2.2 DHTS算法描述 |
| 4.3 DHTS的实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果与对比分析 |
| 4.4 本章小结 |
| 第五章 基于时空特性与行为特征的在线社交网络搜索系统 |
| 5.1 引言 |
| 5.2 系统总体设计 |
| 5.3 各功能模块设计与实现 |
| 5.3.1 网络突发话题的实时检测模块 |
| 5.3.2 时空主题的发现模块 |
| 5.3.3 安全话题数据来源搜索模块 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的科研成果 |
（7）基于Spark分布式蚁狮算法的小波神经网络短时交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 大数据计算平台介绍 |
| 1.3 国内外研究现状 |
| 1.3.1 传统预测模型分类 |
| 1.3.2 大数据技术研究现状 |
| 1.4 本文主要内容 |
| 第2章 交通流大数据分析和预处理 |
| 2.1 大数据处理技术 |
| 2.1.1 HDFS分布式文件系统 |
| 2.1.2 MapReduce编程模型 |
| 2.1.3 Spark基本框架 |
| 2.2 交通流量数据集来源 |
| 2.3 模型性能估测对比评价标准 |
| 2.4 交通流的可预测性分析 |
| 2.5 小波神经网络 |
| 2.6 本章小结 |
| 第3章 基于ALO-WNN的短期道路车流量估测 |
| 3.1 小波神经网络短期道路车流量估测 |
| 3.2 蚁狮算法 |
| 3.2.1 蚁狮算法原理 |
| 3.2.2 蚁狮算法流程 |
| 3.2.3 ALO-WNN的短时交通流预测 |
| 3.3 ALO-WNN与传统优化算法对比 |
| 3.4 基于自适应变异加权精英策略的ALO算法改进 |
| 3.4.1 自适应变异加权精英策略 |
| 3.4.2 IWALO与传统算法相比 |
| 3.5 本章小结 |
| 第4章 基于Spark分布式IWALO交通流实时预测 |
| 4.1 分布式算法策略 |
| 4.1.1 计算并行模式 |
| 4.1.2 数据并行模式 |
| 4.1.3 模型并行模式 |
| 4.2 SPARK编程模型 |
| 4.2.1 Spark运行基本流程 |
| 4.2.2 RDD的设计与运行原理 |
| 4.3 基于SPARK-IWALO分布式算法设计 |
| 4.3.1 基于Spark的分布式IWALO流程图 |
| 4.3.2 基于Spark的分布式IWALO伪代码设计 |
| 4.3.3 Spark分布式集群环境搭建 |
| 4.4 分布式场景下节点加速比 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（8）基于改进LeNet网络的接触网吊弦绞线故障诊断方法研究（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 接触悬挂检测研究现状 |
| 1.2.2 卷积神经网络研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本章小结 |
| 第2章 吊弦故障检测方法 |
| 2.1 数字图像处理方法 |
| 2.1.1 图像增强 |
| 2.1.2 图像复原 |
| 2.2 吊弦定位方法 |
| 2.2.1 场景分析方法 |
| 2.2.2 目标检测方法 |
| 2.3 吊弦绞线故障检测方法 |
| 2.3.1 霍夫变换方法 |
| 2.3.2 图像统计方法 |
| 2.3.3 图像分类方法 |
| 2.4 本章小结 |
| 第3章 基于改进LeNet模型的吊弦故障检测 |
| 3.1 LeNet网络模型 |
| 3.2 改进LeNet网络模型 |
| 3.2.1 LeNet模型通用改进研究 |
| 3.2.2 LeNet模型改进框架 |
| 3.3 改进LeNet性能测试 |
| 3.3.1 卷积比例优化性能测试 |
| 3.3.2 卷积层数优化性能测试 |
| 3.3.3 整体改进性能测试 |
| 3.4 本章小结 |
| 第4章 吊弦定位与绞线故障诊断模型 |
| 4.1 图像预处理 |
| 4.1.1 运动模糊消除 |
| 4.1.2 图像增强 |
| 4.2 吊弦定位 |
| 4.2.1 粗定位 |
| 4.2.2 精定位 |
| 4.3 图像分割 |
| 4.4 吊弦绞线故障诊断 |
| 4.4.1 吊弦故障种类 |
| 4.4.2 吊弦绞线故障检测 |
| 4.5 本章小结 |
| 第5章 实验验证与分析 |
| 5.1 实验环境与数据 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据 |
| 5.1.3 实验评估标准 |
| 5.2 吊弦定位训练设置 |
| 5.3 吊弦绞线故障检测训练设置 |
| 5.4 实验结果与分析 |
| 5.4.1 吊弦定位结果与分析 |
| 5.4.2 吊弦绞线故障检测结果与分析 |
| 5.4.3 模型测试结果与分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及参加的科研项目 |
| 学位论文数据集 |
（9）基于形状特征的花椒分选技术研究（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 计算机视觉的发展与在农产品分选领域的应用现状 |
| §1.3 花椒分选检测的技术路线 |
| §1.3.1 硬件系统组成 |
| §1.3.2 算法开发路线 |
| §1.4 本文研究内容 |
| 第二章 图像预处理和形状特征提取 |
| §2.1 图像处理算法 |
| §2.1.1 阈值分割 |
| §2.1.2 降噪滤波 |
| §2.1.3 轮廓提取 |
| §2.2 花椒图像形状特征描绘子 |
| §2.3 形状特征提取算法 |
| §2.4 实验环境与实验数据 |
| §2.5 本章小结 |
| 第三章 花椒数据集预处理研究 |
| §3.1 数据集异常值处理 |
| §3.2 数据无量纲化 |
| §3.3 特征工程 |
| §3.4 花椒数据集应用 |
| §3.5 本章小结 |
| 第四章 花椒数据集分类模型研究 |
| §4.1 支持向量机模型 |
| §4.1.1 支持向量机分类原理和推广 |
| §4.1.2 建立支持向量机模型花椒分类器 |
| §4.2 决策树模型 |
| §4.2.1 决策树模型原理 |
| §4.2.2 建立决策树模型花椒分类器 |
| §4.3 分类器仿真试验结果分析 |
| §4.3.1 实验结果的评价指标 |
| §4.3.2 支持向量机模型分类结果分析 |
| §4.3.3 决策树模型分类结果分析 |
| §4.4 本章小结 |
| 第五章 花椒图像处理软件 |
| §5.1 开发环境 |
| §5.2 软件界面 |
| §5.2.1 图像处理模块 |
| §5.2.2 模型训练模块 |
| § 5.2.3 分类预测模块 |
| §5.3 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 |
| 作者在攻读硕士期间的主要研究成果 |
（10）深度学习框架下的极化SAR影像信息表达与分类研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 SAR系统发展 |
| 1.1.2 SAR影像解译 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习发展 |
| 1.2.2 传统机器学习与极化SAR影分类 |
| 1.2.3 深度学习与极化SAR影像解译 |
| 1.2.3.1 基于深度学习的极化SAR影像解译 |
| 1.2.3.2 基于生成对抗网络的极化SAR影像解译 |
| 1.3 研究内容与章节安排 |
| 2 SAR影像与深度学习基础 |
| 2.1 深度学习基础 |
| 2.1.1 神经网络 |
| 2.1.1.1 神经网络基本结构 |
| 2.1.1.2 网络训练及权值调整 |
| 2.1.1.3 误差反向传播 |
| 2.1.1.4 神经网络训练流程 |
| 2.1.2 卷积神经网络 |
| 2.1.3 循环神经网络 |
| 2.2 典型深度学习模型 |
| 2.2.1 深度置信网络模型 |
| 2.2.2 自编码器模型 |
| 2.2.3 卷积神经网络模型 |
| 2.2.4 循环神经网络模型 |
| 2.2.5 生成对抗网络模型 |
| 2.3 SAR解译基础 |
| 2.3.1 后向散射矩阵 |
| 2.3.2 极化相干矩阵与极化协方差矩阵 |
| 2.4 深度学习在极化SAR影像的应用 |
| 2.4.1 卷积神经网络与分类 |
| 2.4.2 生成对抗网络与影像转换 |
| 2.5 本章小结 |
| 3 面向地物相互关系信息表达的卷积神经网络PolSAR影像多像素同时分类 |
| 3.1 特征尺寸不变的卷积神经网络 |
| 3.2 整景影像分类策略 |
| 3.3 极化SAR影像分类数据集 |
| 3.3.1 Radar SAT-2 Flevoland数据集 |
| 3.3.2 AIRSAR Flevoland数据集 |
| 3.3.3 GF-3 武汉数据集 |
| 3.4 实验结果与分析 |
| 3.4.1 RS-2 Flevoland结果 |
| 3.4.2 AIRSAR Flevoland结果 |
| 3.4.3 GF-3 武汉结果 |
| 3.5 特征尺寸不变的卷积神经网络分类性能分析 |
| 3.5.1 不同深度学习模型的泛化能力对比 |
| 3.5.2 地物相互信息关系表达讨论 |
| 3.5.3 特征尺寸讨论 |
| 3.5.4 重叠比例讨论 |
| 3.5.5 卷积层输出特征图可视化 |
| 3.6 本章小结 |
| 4 面向旋转域隐藏信息表达的卷积LSTM PolSAR影像分类 |
| 4.1 基于卷积LSTM的PolSAR影像分类框架 |
| 4.2 卷积LSTM的基本原理 |
| 4.3 卷积LSTM的网络结构 |
| 4.4 卷积LSTM分类结果与分析 |
| 4.4.1 RS-2 Flevoland结果 |
| 4.4.2 AIRSAR Flevoland结果 |
| 4.4.3 GF-3 武汉结果 |
| 4.4.4 与FFS-CNN的性能对比 |
| 4.5 本章小结 |
| 5 基于深度互信息表达的PolSAR影像无监督分类 |
| 5.1 基于互信息表达PolSAR影像无监督分类整体框架 |
| 5.2 实例级互信息损失 |
| 5.3 伪图与伪标签监督损失 |
| 5.4 集合级三重互信息损失 |
| 5.5 模型优化 |
| 5.6 基于深度互信息的无监督分类实验结果与分析 |
| 5.6.1 极化SAR影像无监督分类实验数据 |
| 5.6.2 GF-3 武汉汉南实验结果 |
| 5.6.3 RS-2 Flevoland实验结果 |
| 5.6.4 AIRSAR Flevoland实验结果 |
| 5.7 半监督分类性能分析 |
| 5.8 分类精度与迭代次数的关系 |
| 5.9 本章小结 |
| 6 面向极化SAR影像信息可视化表达的极化SAR到光学遥感影像转换方法 |
| 6.1 监督循环一致的生成对抗网络 |
| 6.2 整景极化SAR到光学遥感影像转换 |
| 6.3 极化SAR与光学遥感影像配对数据集 |
| 6.3.1 哨兵1与哨兵2数据集 |
| 6.3.2 高分2与高分3数据集 |
| 6.4 影像转换与去云实验结果 |
| 6.4.1 网络模型训练方法 |
| 6.4.2 极化SAR到光学遥感影像转换实验 |
| 6.4.2.1 哨兵数据集影像转换 |
| 6.4.2.2 高分数据集影像转换 |
| 6.4.3 去云实验 |
| 6.4.3.1 实验步骤 |
| 6.4.3.2 去云结果 |
| 6.4.4 影像去缝效果讨论 |
| 6.5 基于融合信息表达的极化SAR影像分类实验 |
| 6.5.1 融合信息特征表达实验方法 |
| 6.5.2 基于融合信息表达分类实验结果 |
| 6.6 极化SAR影像信息可视化表达分析 |
| 6.6.1 目视观测辅助 |
| 6.6.2 潜在应用 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 攻读博士期间取得的科研成果目录 |
| 致谢 |
四、局部数据集与噪声数据曲线的平滑过滤（论文参考文献）
- [1]面向非规则簇结构的聚类算法研究[D]. 耿阳李敖. 北京交通大学, 2021(02)
- [2]基于多模型集成的软测量建模[D]. 盛晓晨. 江南大学, 2021(01)
- [3]基于电力场景的点云表面重建算法研究与应用[D]. 郭紫晨. 华北电力大学, 2021
- [4]基于加权投票的Bagging-BP并行算法研究[D]. 马晓星. 四川大学, 2021(02)
- [5]机器学习中隐私保护数据计算研究[D]. 吴佳慧. 西南大学, 2021(01)
- [6]基于时空特性与行为特征的在线社交网络搜索研究[D]. 朱创营. 北京邮电大学, 2020
- [7]基于Spark分布式蚁狮算法的小波神经网络短时交通流预测研究[D]. 常鹏阳. 湖北工业大学, 2020(08)
- [8]基于改进LeNet网络的接触网吊弦绞线故障诊断方法研究[D]. 陈云莎. 西南交通大学, 2020(07)
- [9]基于形状特征的花椒分选技术研究[D]. 柴润泽. 桂林电子科技大学, 2020(04)
- [10]深度学习框架下的极化SAR影像信息表达与分类研究[D]. 王磊. 武汉大学, 2020(03)