一、一种基于主分量分析的融合识别方法（论文文献综述）
胡瑞卿[1]（2021）在《无人机飞行姿态的故障检测方法研究》文中研究表明无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
王娇[2]（2021）在《基于改进降维聚类-分解策略LSTM-GRU组合短期负荷预测》文中研究指明提高电力负荷预测精度对于优化发电机组配置、降低系统运行费用具有重要的意义。为有效提高负荷预测精度,引入基于主特性聚类的思路,实现负荷时间序列的横向聚类;设计了基于降维聚类和VMD（变分模态分解）分解的策略,实现对聚类后负荷的纵向分解;依据聚类-分解结果,提出一种LSTM-GRU（长短期记忆—门控循环单元）组合的短期负荷预测方法,通过实际算例验证了所提方法的有效性。具体研究内容如下:首先,针对用户用电行为的差异性和负荷序列随机性较强的问题,引入聚类的思路,提出了基于主特性的负荷聚类方法。对负荷数据进行预处理,采用奇异值分解对负荷主特性进行提取,将其作为聚类的输入参数;基于选取聚类数目的K-means算法实现用户负荷序列的横向聚类。通过某台区的用电负荷数据进行算例验证,结果表明,基于主特性提取的负荷聚类方法可获得差异化的用电特性,降低短期负荷预测的难度。其次,针对负荷序列的非线性和不平稳性导致预测误差较大的问题,提出了基于降维聚类—分解的改进预测策略。通过研究并比较各种分解原理,将变分模态分解应用于聚类后负荷序列的分解,使每类负荷分解为单一频率的分量,从而为负荷预测提供良好的数据集。通过对某台区下的每类负荷进行VMD分解,结果表明,分解后的负荷序列频率单一,提取出了负荷的内在变化规律,使不同分量之间的影响大为降低。再次,考虑到LSTM对低频分量的时间序列预测效果较优,而GRU神经网络对非线性高频序列的拟合度较高,本文提出了 LSTM-GRU组合预测算法,对聚类-分解后各类负荷的高、低频分量分别进行预测,然后将各分量预测结果进行集成得到区域用户用电负荷的预测值。通过对某台区的用电负荷数据进行算例验证,结果表明所提方法具有较高的预测精度。最后,为进一步验证本文所提方法的有效性,采用西北某省实际用电负荷数据进行算例验证,设计了五类对比方案,对预测误差指标进行对比。结果表明所提预测算法在预测精度方面具有绝对优势,可为随机性时间序列的预测提供一种通用的思路和方法。
胡德生[3]（2021）在《基于主辅网络特征融合的语音情感识别》文中认为语言是人类交流最方便、最快捷的方式,语言中包含的情感信息在交流时发挥着重要作用。让机器像人一样具备说话、思维和情感能力,是人工智能领域一直追求的目标。语音情感识别的研究,将推动这一目标的逐步实现。近年来,深度学习被应用于各个领域,且取得了非常好的效果。深度学习也被成功的应用于语音情感识别领域,主要被用来提取显着的、更为泛化性的情感特征和建立情感分类模型。语音情感识别除了建立合适的数据库外,主要包括特征提取和分类模型两部分,本文主要针对不同类型的特征,用深度学习算法改进分类模型,并提出了一种特征融合算法,主要内容如下:（1）对语音信号分帧提取情感声学特征,分段处理生成段特征,其考虑了语音情感随时间变化的特性。首先使用基于双向长短时记忆单元（Bidirectional Long Short Term Memory,BLSTM）对段特征进行建模,该模型取得了一定的效果。但经研究发现,该模型主要存在以下两个问题:BLSTM只能在时间步上进行局部特征学习,难以学习语音情感信号的全局信息,而语音情感信号是上下文相关的;仅使用BLSTM最后一个时刻的输出编码语音情感信息,会造成一定的信息损失。基于上述问题,本文提出了一种基于SA-BLSTM-ASP（Self Attention-Bidirectional Long Short Term Memory-Attentive Statistics Pooling）网络的语音情感识别模型,通过在BLSTM网络之前加入自注意力机制模块以计算段特征输入序列不同位置之间的相互关系,增强网络学习全局特征的能力;在BLSTM网络输出,使用一种本文提出的结合注意力机制和统计池化的注意力统计池化方法,注意力机制可以关注输入的情感语音信号中更显着的情感片段,统计池化可以关注语音情感信号的长时变化特性,两者结合起来可以增强BLSTM网络提取显着深度段特征的能力,提高语音情感识别系统的性能。（2）对语音信号提取Mel语谱图,其横轴代表时间,纵轴代表频率,针对这一特点,设计一种卷积神经网络结构（Convolutional Neural Network-Global Average Pooling,CNN-GAP）。通过分别在时间轴和频率轴设计较大的卷积核,可以提取Mel语谱图的频率和时间特性,进而提取显着的情感特征,并在最后一层卷积层之后使用全局平均池化代替全连接层,其可以减轻过拟合,提升语音情感识别性能。（3）将SA-BLSTM-ASP网络提取的深度段特征和CNN-GAP网络提取的深度Mel语谱图特征通过主辅网络方式进行特征融合。目前在深度学习中,对不同网络学习出来的特征多以直接拼接的方式进行特征融合,虽然这些方法取得了一定的效果,但将不同类型的特征简单拼接起来作为识别网络的输入,没有考虑不同特征的量纲和维度的差异,以及各类型特征实际物理意义的不同,会对识别结果带来不利影响。针对上述问题,本文提出了通过主辅网络方式将不同类别特征进行融合的方法。首先将段特征输入SA-BLSTM-ASP网络作为主网络,提取深度段特征;然后,把Mel语谱图输入CNN-GAP网络作为辅助网络,提取深度Mel语谱图特征;最后,用深度Mel语谱图特征辅助深度段特征,将两者以主辅网络方式进行特征融合。本文在IEMOCAP和e NTERFACE’05数据集上做了充分的实验,验证了提出的基于SA-BLSTM-ASP网络的语音情感识别和基于主辅网络特征融合的语音情感识别两个模型的有效性,和基准模型相比识别结果有了很大的提升。
尤洋[4]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中研究说明癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
郭越[5]（2021）在《管道声信号特征提取与智能识别方法研究》文中研究说明管道作为重要的流体介质输送工具之一,在国防工业以及城市建设中发挥着非常重要的作用。为了保证管道的安全运行并且有效降低管道发生故障的风险,定期对管道进行快速准确的状态检测是非常有必要的。目前在众多管道状态检测方法中,基于声学主动的检测方法对埋地管道的状态检测具有明显的优势。本文针对埋地管道的状态检测,基于对管道声学主动的检测方法采集不同工况下的管道声信号,并结合机器学习和深度学习方法对采集的管道声信号进行特征提取与模式识别,以求解决埋地管道的状态辨识问题。论文的主要研究内容如下:（1）从基于管道声学主动检测理论出发,针对检测方法所涉及到的理论进行系统地阐述,论证该方法在管道检测中的可行性,为本文的核心研究提供了理论支撑。同时,基于声学主动检测的管道声波检测实验平台对不同工况下的管道声信号展开初步的时域分析及频域分析,研究结果给出了对管道声信号进行深层次后续分析处理的必要性。（2）面向基于声学特征分析的管道状态特征提取关键问题,提出了一种基于PCA-BP神经网络模型的管道特征识别方法。从基于声学主动检测方法的多工况管道声信号采集出发,利用信号分帧方法对管道声信号进行分帧处理并提取各帧信号的声压级作为特征向量,然后基于PCA对特征向量进行降维优化,筛选出最能表征管道状态的特征参数,最后利用BP神经网络实现管道的状态识别。结果表明,使用主成分分析的方法对从不同信号帧中提取的声学特征—声压级进行优化处理可进一步提高BP神经网络分类器的辨识效果,同时也说明了特征选择结果的有效性。（3）针对不同状态下管道的堵塞程度难以辨别的问题,提出了一种基于ICEEMDAN-SVM模型的管道声信号特征识别方法。首先,利用声学主动检测方法采集不同堵塞工况下的管道声信号,基于改进CEEMDAN方法对管道声信号分解得到IMF分量系列,随后依据相关系数和方差贡献率筛选出表征原始信号特征的有效分量,并计算所选分量的信息熵（包括时域能量熵、功率谱上以及奇异谱熵）作为特征向量集合,最后基于SVM分类模型实现堵塞状态的模式识别。研究结果表明了该方法在识别管道不同状态、不同堵塞程度时的有效性。（4）针对传统管道状态识别方法中存在依赖人工选取特征,诊断过程复杂多变等弊端,提出了基于1D CNN-LSTM混合神经网络模型的管道状态声信号智能识别方法。基于一维卷积神经网络及长短时记忆网络理论建立1D CNN-LSTM模型,并对优化设计该模型的相关参数。最后,将采集到管道多工况（正常、堵塞、泄漏）信号进行标准化处理后输入1D CNN-LSTM模型中,自适应完成特征提取、降维及分类。实验研究结果表明,该方法结合CNN和LSTM的优势,可有效减少人工特征提取带来的不确定性,实现了不同状态管道声信号特征的智能识别,准确率达到了99%以上。本文针对管道状态的信号特征提取与模式识别方法展开了研究,丰富了管道故障诊断的理论方法与手段,对埋地管道的状态检测与模式识别问题具有较好的理论和工程价值。
梁李源[6]（2021）在《基于数据驱动的桥梁损伤识别方法研究》文中研究说明随着当今社会经济的发展,各种不同类型的桥梁数量越来越多,桥梁的事故发生率也越来越高,桥梁健康监测在研究领域上也越来越占据着主导的地位。因此,越来越多的来自全世界的研究者们对桥梁健康监测及桥梁的损伤诊断方法进行全面而深入的研究,但桥梁检测方法在实际中难以实现对结构健康的精确判断,其中主要受环境的影响。根据已有的研究结果显示,在各类影响桥梁结构损伤识别的众多因素中,温度变化对结构健康诊断的影响占主导作用。对此,本文提出了基于数据驱动的方法来进行温度影响下的结构损伤识别。本论文的研究重点主要分为以下几方面内容:首先主要阐述了论文的研究意义、背景以及本课题的研究现状,在这之后具体论述了温度对结构产生的影响,以及结构损伤识别理论基础和主成分分析法的原理。然后构建环境温度影响下的简支梁模型以及钢桁架模型来验证该方法的可行性和广泛使用性。首先定义两种损伤指标,从两者中选择较好结果的损伤指标运用到主成分分析法中,结果表明此方法在数值模拟中的可行性。再在结构损伤理论和有限元理论的基础上,对简支梁进行了动力特性测试试验,制定了完整的实验方案,并通过对试验测试的结果进行分析计算,最终验证了基于主成分分析法的损伤识别在实际应用中的可行性。最后总结本文工作内容,并针对该方法的局限性提出展望。
刘雪梅[7]（2021）在《基于多尺度因子的苹果树叶片氮含量预测模型》文中提出氮元素是苹果树体内一种重要的必需元素,它影响果树体内各种生理生化过程、果树抗性、果品产量、品质以及储藏性状。叶片是整个树体上对土壤矿质营养反应最敏感的器官,苹果树叶片营养分析、诊断技术可以作为苹果树氮素营养盈的依据,一般的作物叶片氮素检测方法主要有田间采样室内化学分析测定法、叶色卡法和基于光谱数据对其进行分析,虽然结果准确可靠,但分析成本高、检验周期长、时效性差。与传统化学分析方法和利用光谱数据对作物叶片氮含量进行分析相比,数字图像处理及机器学习技术具有成本低、可操作性高、时效性好的优点。因此,利用数字图像处理与机器学习技术获取苹果生长过程中叶片的氮素营养状况,可以为苹果园信息化管理、指导精准施肥提供信息支持。苹果树叶片样本于2020年4月-11月（一个完整生长周期）采集,由数码相机在自然光照条件下获取苹果树叶片图像,提取RGB空间下叶片图像色彩特征,利用全自动凯氏定氮仪测定苹果树叶片氮素含量,对叶片图像色彩特征与叶片氮含量进行相关性分析。主要研究工作及创新点如下:（1）在RGB空间下提取不同尺度苹果树叶片图像色彩特征并对其进行优化。使用数码相机在大田环境下采集开花期、幼果期、果实膨大期和成熟期四个不同尺度苹果树叶片图像,应用数字图像处理技术在RGB空间下提取R、G、B各单色分量的值,为避免图像的单色分量参数对氮素表征能力弱的问题,进一步提升基于图像处理技术在RGB空间下对苹果树叶片氮含量监测的准确性,引入R+G+B等14个单色分量色彩组合参数共计17种图像色彩特征。通过主成分分析法对所获取的不同尺度苹果树叶片图像17种色彩特征数据进行降维和分析,得到不相关的新变量,根据选择“特征值”大于1的成分作为提取主成分的原则,提取出不同尺度苹果树叶片氮含量的关键影响因子作为多尺度苹果树叶片氮含量预测模型的输入数据。（2）建立了基于多尺度因子的苹果树叶片氮含量预测模型。分别为:PCA-SVM、PCA-BP、PCA-ELM三种组合模型,输出参数为不同尺度苹果树叶片氮含量,分析对比选出不同尺度最佳预测模型。结果表明,PCA-SVM模型在开花期、幼果期、果实膨大期和成熟期不同尺度中的预测精度均要高于PCA-BP、PCA-ELM两种模型。因此本研究选择PCA-SVM组合模型作为基于多尺度因子的苹果树叶片氮含量的预测模型。通过自适应遗传算法对支持向量机模型惩罚参数C和核函数的宽度参数σ进行优化。利用优化后的氮含量预测模型进行田间试验验证。
宋治国[8]（2020）在《基于稀疏表示和相关滤波的视觉目标跟踪技术研究》文中进行了进一步梳理视觉目标跟踪是计算机视觉里最基本的研究问题之一,其核心任务是估计视频序列中目标的运动状态,包括目标大小、目标位置、运动方向等,能进一步为后续高层次的视觉任务提供重要数据。目标跟踪能成为近年计算机视觉里研究的热点话题,得益于在智能交通、视频监控、人机交互等领域的广泛应用。过去几年,虽然目标跟踪算法取得了很大进展,但在实际应用中,目标的外观通常会受到光照变化、遮挡、快速运动、背景杂乱等因素影响,实现鲁棒的目标跟踪任务仍然具有很大的挑战。论文主要依据稀疏表示和相关滤波的基本理论,围绕如何设计一个鲁棒的外观模型、度量跟踪结果的可靠性、减轻模型漂移三个主要问题,研究目标跟踪的方法,具体研究内容和创新点如下:（1）提出了一种全局稀疏表示和多尺度局部稀疏表示联合的目标跟踪模型。基于稀疏表示的目标跟踪模型,大体分为全局稀疏表示和局部稀疏表示。全局稀疏表示模型能够捕获目标的全局信息,适用于目标的整体外观变化,如姿态变化、照明变化等场景。局部稀疏表示模型将目标分成一系列局部小块,能够捕获目标的局部信息,适用于部分遮挡、局部形变等场景。为了有效的建模目标外观,论文将两种模型结合,利用两者的优势互补进行目标跟踪。在局部稀疏表示的模型中,通常只在一个尺度下对目标进行分块。为了能够捕获不同尺度下目标的局部信息,增强目标的表示能力,论文将目标在不同的尺度下独立的分成一系列的小块,分别进行稀疏编码构成目标的外观表示。在局部模型里,本论文采用直方图交叉函数度量不同尺度下候选目标和对应尺度下模型的相似性,并基于块污染描述子设计了不同尺度下模型相似性度量的权重系数,将不同尺度下各模型相似性度量进行加权作为局部模型下的相似性度量结果。最后在贝叶斯框架下利用两个模型合作的相似性度量得分来估计目标运动状态。（2）提出了一种块描述子和结构局部稀疏表示结合的目标跟踪方法。在利用结构局部稀疏表示建模目标外观模型的跟踪器中,并没有考虑每个块的不同状态;在跟踪过程中,当这些块的外观变化不一致时,这将影响跟踪性能。针对这个问题,论文设计了块描述子来反映目标外观变化时每个块受到噪声污染的程度。首先将目标分成多个非重叠的局部块,并利用结构局部稀疏表示计算每个块的稀疏表示系数。其次进一步将每个局部块再分成多个子块,并将块描述子定义为各局部块中子块重建误差小于给定阈值的子块个数占各局部块中子块总数的比率。然后联合利用结构局部稀疏表示系数和块描述子建模目标的外观。最后为了适应目标的外观变化和缓解模型漂移,提出了一种异常知晓的模型更新策略。（3）由于计算的高效和性能的优越性,核相关跟踪在近年受到了极大的关注。但是基于核相关滤波的跟踪方法仍然存在一些缺点苛待改进,如特征单一、缺乏目标的尺度估计和跟踪可靠性判断机制等等。针对这些问题,论文提出了一种具有在线重检测机制的合作相关滤波跟踪框架。在不同的场景下,不同的特征具有不同的区分目标和背景的能力。本文首先根据多个不同的特征独立的学习了多个核相关滤波器,并提出了一种简单而有效的基于点乘的相关响应图融合方式,以获得最终的响应图。基于点乘,响应图可以互为滤波器滤除彼此的噪声,以获得一个更可靠的响应图,提高位移估计的准确性。其次,构建了一个尺度滤波器用于处理目标的尺度变化。而且,为了进一步提高跟踪的准确性,论文设计了一个跟踪可靠性度量标准和在线重检测器。当跟踪不可靠时,启动在线检测器,在局部区域内对目标进行重检测,以校正跟踪结果。（4）提出了一种多通道特征集成的实时核相关滤波跟踪方法,该方法基于低维特征。多通道特征集成通常能提高相关滤波器的跟踪性能,然而相关滤波计算的时间损耗与特征的维数成线性关系。为了减小计算代价,论文基于主成分分析对多通道特征进行了降维。不同于标准的核相关滤波跟踪器,论文提出在位移估计中采用两个核相关滤波器用于粗到细搜索定位。在粗搜索阶段,采用大的搜索窗,以便处理快速运动及从潜在的漂移中恢复模型;在细搜索阶段,采用小搜索窗从粗定位中进一步提炼目标的位置。此外,针对因噪声污染的样本进入模型更新而导致模型漂移的问题,论文基于最大相关响应和平均峰值相关能量设计了一个准则度量跟踪的可靠性。当度量结果低于给定阈值时,停止更新跟踪模型以缓解模型漂移。（5）提出了一种将相关滤波和卷积神经网相结合设计鲁棒跟踪器的方法。该方法采用预训练的VGGNet-19多层卷积神经网络提取目标的Conv3-4、Conv4-4和Conv5-4层卷积特征,然后训练三个独立的判别式相关滤波器。在跟踪过程中分别计算卷积响应,并基于点乘将卷积响应融合形成最终的响应图输出,用于定位目标。为了适应目标外观的变化,采用插值的方法更新各相关滤波器。针对模型漂移问题,论文依据乘积融合后输出响应图的尖峰旁瓣比、跟踪框重叠率和跟踪轨迹平滑程度设计了一个置信度量准则,用于调整模型更新中的学习率。
陈琪[9]（2020）在《云南普朗斑岩型铜矿矿化遥感蚀变弱信息提取及其指示意义》文中进行了进一步梳理斑岩型铜矿常位于板块汇聚边界,该类地区通常山高谷深、构造发育、植被覆盖厚,地质背景复杂,滇西北普朗斑岩型铜矿位于该类复杂地质背景区,且是我国提高紧缺矿种铜矿资源保障程度的三个主要潜力地段之一,而复杂地质背景区是我国目前生态文明建设的重要地带,在我国日益重视生态文明建设的国家战略背景下,如何采用绿色环保的找矿勘查新技术、新方法开展弱信息找矿,是找矿勘查领域目前迫切需要解决的科学问题。普朗斑岩型铜矿区气候条件较差、植被覆盖较厚,找矿线索多呈微弱、隐蔽信息出现,采用传统地面调查不仅耗时长、效率低、花费高,且某些地形复杂、交通不便的地区难以到达。遥感技术作为可远距离识别地物的新技术新方法,可在找矿勘查中发挥重要作用。利用遥感技术开展矿化遥感蚀变信息提取进而指导找矿的研究已较为成熟,但以往研究中,在矿化遥感蚀变信息提取方法上,多在前期数据处理中将植被、阴影、云雪、水体等干扰信息全部掩膜去除,导致复杂地质背景下大量原始数据未能参与运算,影响了矿化遥感蚀变信息提取的完整性及准确性;而在矿化遥感蚀变信息提取采用的数据源上,WorldView-3、航空遥感等高分辨率遥感数据价格昂贵,TM、ASTER等低分辨率遥感数据提取精度相对较低,其在大范围高精度推广应用中均存在缺陷;另外,矿化遥感蚀变信息的深入挖掘仍显不足,其是否对成矿构造具有指示意义有待探索,可通过深入挖掘其指示意义,进而结合矿化遥感蚀变信息的分布特征及其指示的成矿构造更深入全面地了解矿区,从而能更有效地指导找矿勘查。鉴于此,本研究以云南普朗斑岩型铜矿为研究区,结合普朗斑岩型铜矿在水平方向具有由内向外依次发育钾化硅化带—绢英岩化带—青磐岩化带,且外围青磐岩化是近矿标志,钾化硅化和绢英岩化是高品位斑岩型铜矿找矿的重要标志等特点,创新性引入基于多重分形理论的能谱-面积（Spectrum-Area,S-A）法,结合主成分分析法（Principal Component Analysis,PCA）,构建了复杂地质背景下“PCA+S-A”矿化遥感蚀变弱信息提取方法;采用优化构建的“PCA+S-A法”与传统的“掩膜+主成分分析法”开展了普朗斑岩型铜矿区蚀变分带特征矿物石英、绢云母、绿泥石、绿帘石的矿化遥感信息提取实验对比研究,验证了“PCA+S-A法”提取矿化遥感蚀变信息的有效性;选用可免费获取并优势互补的ASTER和Sentinel-2A数据,在通过光谱匹配实现两种数据地表反射率统一的基础上,采用不同融合方法开展了两种数据的融合对比实验,获取了兼具高空间分辨率和高光谱分辨率的ASTER+Sentinel-2A融合数据;利用上述优选出的“PCA+S-A法”,基于ASTER数据、WorldView-3数据和ASTER+Sentinel-2A融合数据开展了普朗斑岩型铜矿矿化遥感蚀变信息提取对比研究,评估了基于ASTER+Sentinel-2A融合数据提取矿化遥感蚀变信息的可行性;通过深入分析上述提取的高精度普朗斑岩型铜矿矿化遥感蚀变信息分布特征,深入探索了其成矿构造指示意义,提出了普朗斑岩型铜矿区成矿构造及矿化蚀变空间分布的新认识,并进一步圈定了有利找矿潜力地段。本研究不仅为普朗斑岩型铜矿找矿勘查提供了科学依据,也可为类似地区的找矿勘查提供了参考示范。取得的主要研究成果如下:（1）引入基于多重分形理论的能谱-面积（S-A）法,优化构建了复杂地质背景下“PCA+S-A”矿化遥感蚀变弱信息提取方法。该方法较好地克服了以往将复杂地质背景区植被、水体、阴影、云雪等干扰信息全部掩膜去除造成与其混合的微弱矿化遥感蚀变信息一并丢失的不足,且该方法提取普朗斑岩型铜矿矿化遥感蚀变信息的精度较传统“掩膜+主成分分析法”提高了11.72%,验证了“PCA+S-A法”提取矿化遥感蚀变弱信息的有效性。（2）对Sentinel-2A数据与ASTER数据开展了光谱匹配,使两种遥感数据实现了地表反射率的统一,在此基础上,采用基于主成分分析（PCA）、基于Gram–Schmidt（GS）变换、基于高通滤波（High-Pass Filtering,HPF）等三种融合方法进行了数据融合对比实验,结果表明基于HPF的融合方法效果最好。进而采用优选出的HPF融合方法,将Sentinel-2A数据高分辨率波段分别与Sentinel-2A数据低分辨率波段和ASTER数据可见光至短波红外波段进行了融合处理,并构建了ASTER+Sentinel-2A融合数据集,相较于原始数据,该数据集不仅在空间分辨率上有显着提升,且具有较好的光谱保真性。该数据融合方法可为多源遥感数据的综合应用提供参考。（3）采用优化构建的“PCA+S-A法”,分别以ASTER数据、WorldView-3数据和ASTER+Sentinel-2A融合数据为遥感数据源,开展了普朗斑岩型铜矿矿化遥感蚀变信息提取对比实验。研究结果表明,ASTER+Sentinel-2A融合数据提取矿化遥感蚀变信息的精度相较于单一采用ASTER数据提取精度更高;另外,虽然ASTER+Sentinel-2A融合数据提取矿化遥感蚀变信息的精度略低于WorldView-3数据,但ASTER和Sentinel-2A数据均可免费获取,不存在WorldView-3数据因价格昂贵难以大范围推广应用的缺点。因此,ASTER+Sentinel-2A融合数据可作为一种新的能大范围高精度免费推广应用的矿化遥感蚀变信息提取数据源。（4）深入分析基于WorldView-3数据,采用“PCA+S-A法”提取的普朗斑岩型铜矿矿化遥感蚀变信息,挖掘了其对成矿构造的指示意义,提出了普朗斑岩型铜矿区成矿构造及矿化蚀变空间分布的新认识,并得到了较好的野外验证:①在普朗斑岩型铜矿区东北部存在一条主体呈NE向展布的成矿构造,推测为正断层;②重新划分了普朗斑岩型铜矿区蚀变分带,认为普朗斑岩型铜矿区除位于断层西侧的原蚀变分带中心外,断层东侧还存在一蚀变分带中心,且具有在水平方向从内至外呈钾化硅化、绢英岩化、青磐岩化的蚀变分带特征;③推测普朗斑岩型铜矿区东侧区域重新划分的钾化硅化带及绢英岩化带交界地段存在较大找矿潜力。
郝乐川[10]（2020）在《高分辨率可见光遥感图像建筑物提取方法研究》文中认为建筑物是构成人类生存环境的主要人造目标,是实现智慧城市的最关键城市要素。为了实现对智慧城市的有效支撑,精确可靠的建筑物目标提取是实现智慧街区/社区三维建筑物目标构建的最关键环节。为此,随着遥感技术的飞速发展,利用高分辨率遥感可见光图像,国内外相关学者和机构已经进行了针对建筑物目标位置和轮廓信息提取的大量研究。然而,虽然现有研究已经形成了多种建筑物目标检测相关的“经验”或“知识”,但是,受限于建筑物检测过程对图像中噪声、遮挡、材质等影响因素的处理能力,现有先验知识或规则所需的原始信息的提取能力还没有更好的受到有关规则或知识的指导,建筑物精确提取仍然是当今学界研究的重点和难点问题。具体的,为了利用高分辨率可见光遥感图像实现精确可靠的建筑物提取,需要有效解决以下几个关键问题:（1）如何有效实现可见光遥感图像中的光谱信息（即颜色信息）、多尺度结构信息、空间组合规则信息等知识的综合应用,在整体策略层次上进行有效的宏观把控;（2）如何高效利用可获取图像空间信息及建筑物结构信息,降低噪声、遮挡、光照等问题的影响,精确可靠的提取建筑物边缘及完整轮廓信息,实现对整体建筑物提取系统的有效支撑;（3）如何充分联合可见光遥感图像所蕴含的多尺度区域及轮廓信息,实现建筑物目标的精确可靠提取。为了解决以上问题,本文详细分析了当前建筑物提取技术的典型流程及主要建筑物提取规则,以主动方式进行建筑物目标相关信息挖掘为指导思想,针对以下问题开展了相关研究并取得了一定的创新成果:（1）针对现有建筑物目标提取方法所采用的边缘提取技术对噪声和干扰（道路、高大树木及规则植被等）较为敏感的问题,通过对人类信息感知宏观特征的理解,在论文第三章提出了一种联合应用方向信息和颜色信息的建筑物目标边缘提取方法,显着提升了建筑物目标初始边缘提取的性能。现有建筑物提取方法或系统中大多采用Canny、Sobel等通用边缘提取方法,在数据预处理阶段没有充分利用建筑物目标结构特征或规则,直接造成后续建筑物目标提取的精度受到影响。通过分析人类信息感知的特点,以可见光光谱信息（即颜色信息）和方向信息的有效挖掘为核心,进行了边缘敏感颜色信息、建筑物主方向信息的有效提取;以边缘敏感颜色信息和主方向信息为指导,设计了改进的双窗口高斯伽马滤波（Gaussian gamma shaped filtering,GGS）方法以实现初始建筑物边缘图的提取,为获得准确、完整的建筑物轮廓提供了良好的基础。（2）针对高分辨率遥感图像中由于光照、材质等问题造成的建筑物边缘对比度弱,初始边缘提取给出边缘信息不完整的问题,从分类的角度出发,在第四章提出了一种基于Sparse-SVM双尺度建筑物边缘分类及决策融合策略的完整建筑物轮廓识别及优化方法,有效提升了建筑物目标提取的完整性和可靠性。高分辨率可见光遥感图像进行建筑物目标边缘提取而得到的边缘图中,不可避免的会存在由于道路、植被等干扰造成的假边缘、由于材质和光照等因素造成的建筑物屋顶对比度弱的弱边缘及漏边缘等情况。为了在这种情况下更好的提取完整的封闭的建筑物目标轮廓信息,首次从分类的角度提出将建筑物边缘分类为强边缘和弱边缘的思想,并基于此提出了一种基于双尺度边缘信息的像素级边缘分类方法及边缘优化分组策略,实现了建筑物目标轮廓的精确可靠提取。（3）针对现有建筑物目标提取方法存在轮廓信息与区域信息融合不充分的问题,在论文第五章提出了一种建筑物目标显着区域提取的多尺度深度学习方法,有效提升了建筑物目标提取的精确性和可靠性。高分辨率可见光遥感图像提取的建筑物轮廓往往是不规则的,轮廓位置会受到噪声和干扰的影响存在一定的误差,为了实现建筑物的精确提取,建筑物目标区域信息或显着目标区域信息会对提取的轮廓形成一定的有益补偿。为了有效实现轮廓和区域信息的联合,考虑到现有深度学习建筑物目标提提取或识别方法没有充分利用多尺度语义信息的问题,以全卷积神经网络（Fully Convolutional Networks,FCN）为核心,提出了一种建筑物目标显着区域提取的多尺度深度学习方法,结合建筑物轮廓提取结果,实现了建筑物目标的精确可靠提取。为了验证所提方法的有效性,采用了三维城市、智慧城市建设相关的多组卫星及航空平台高分辨率可见光遥感数据集进行了对比实验验证,实验结果表明本文给出的建筑物目标提取方法中相关信息的利用逻辑是合理的,对不同建筑物疏密程度及不同主方向的目标区域具有足够的鲁棒性,具有很好的应用前景。
二、一种基于主分量分析的融合识别方法（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、一种基于主分量分析的融合识别方法（论文提纲范文）
（1）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（2）基于改进降维聚类-分解策略LSTM-GRU组合短期负荷预测（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 负荷聚类研究现状 |
| 1.2.2 时间序列分解技术研究现状 |
| 1.2.3 短期负荷预测研究现状 |
| 1.2.4 短期负荷预测存在的问题 |
| 1.3 本文研究内容及思路 |
| 2 基于主特性提取的负荷聚类方法 |
| 2.1 负荷数据预处理 |
| 2.1.1 缺失数据的填充 |
| 2.1.2 异常点的识别与修正 |
| 2.1.3 数据的归一化 |
| 2.2 负荷特性指标 |
| 2.3 基于奇异值分解的负荷主特性提取 |
| 2.3.1 奇异值分解降维的基本思路 |
| 2.3.2 奇异值分解的数学理论 |
| 2.4 基于负荷主特性的K-means聚类 |
| 2.4.1 K-means算法原理 |
| 2.4.2 聚类数目的确定 |
| 2.4.3 基于负荷主特性提取的K-means聚类流程 |
| 2.5 基于负荷主特性的聚类方法验证 |
| 2.6 本章小结 |
| 3 基于改进降维聚类—分解的预测策略 |
| 3.1 改进预测策略的基本思路 |
| 3.2 经验模态分解 |
| 3.2.1 经验模态分解的相关概念 |
| 3.2.2 经验模态分解的原理及步骤 |
| 3.3 变分经验模态分解 |
| 3.3.1 变分经验模态分解的原理 |
| 3.3.2 变分经验模态分解的算法流程 |
| 3.3.3 变分经验模态分解的参数确定 |
| 3.4 EMD和VMD性能对比 |
| 3.5 基于改进降维聚类—分解预测策略的算例验证 |
| 3.6 本章小结 |
| 4 基于LSTM-GRU组合模型的短期负荷预测 |
| 4.1 LSTM算法的基本原理 |
| 4.2 GRU算法的基本原理 |
| 4.3 基于LSTM-GRU组合模型的预测流程 |
| 4.4 预测误差评价指标 |
| 4.5 基于改进策略的组合预测方法验证 |
| 4.6 本章小结 |
| 5 西北某省用户用电负荷预测 |
| 5.1 负荷主特性提取 |
| 5.2 负荷的横向聚类 |
| 5.3 负荷的纵向分解 |
| 5.4 基于改进预测策略的LSTM-GRU组合预测 |
| 5.5 结果对比与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于主辅网络特征融合的语音情感识别（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 主要研究内容和本文组织架构 |
| 第二章 语音情感识别的基本理论 |
| 2.1 语音情感数据集 |
| 2.2 语音信号预处理 |
| 2.3 语音情感特征 |
| 2.3.1 韵律学特征 |
| 2.3.2 音质特征 |
| 2.3.3 谱特征和Mel语谱图 |
| 2.4 分类识别模型 |
| 2.4.1 人工神经网络 |
| 2.4.2 卷积神经网络 |
| 2.4.3 循环神经网络 |
| 2.5 评价指标 |
| 2.6 本章小结 |
| 第三章 基于SA-BLSTM-ASP网络的语音情感识别 |
| 3.1 引言 |
| 3.2 SA-BLSTM-ASP网络结构 |
| 3.2.1 一维卷积块 |
| 3.2.2 自注意力机制 |
| 3.2.3 双向长短时记忆单元和注意力统计池化 |
| 3.3 实验过程与结果分析 |
| 3.3.1 数据集和段特征提取 |
| 3.3.2 网络参数与实验设置 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于主辅网络特征融合的语音情感识别 |
| 4.1 引言 |
| 4.2 基于Mel语谱图和卷积神经网络的语音情感识别 |
| 4.2.1 Mel语谱图分析 |
| 4.2.2 CNN-GAP网络结构 |
| 4.2.3 实验及分析 |
| 4.3 基于主辅网络特征融合的语音情感识别 |
| 4.3.1 主辅网络特征融合的网络结构 |
| 4.3.2 主辅网络特征融合参数传递及更新 |
| 4.3.3 实验及分析 |
| 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 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 一、学术论文及专利 |
| 二、参与项目 |
| 致谢 |
（4）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（5）管道声信号特征提取与智能识别方法研究（论文提纲范文）
| 中文摘要 |
| 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 基于声学检测的管道故障诊断研究现状 |
| 1.2.2 管道故障特征提取方法研究现状 |
| 1.2.3 智能模式识别方法研究现状 |
| 1.3 主要研究内容及章节安排 |
| 2 管道声波检测理论与实验模拟 |
| 2.1 声波检测原理 |
| 2.1.1 声波的基本性质 |
| 2.1.2 声波在管道中的传播规律 |
| 2.1.3 声波的衰减特性分析 |
| 2.2 管道声波检测实验平台 |
| 2.3 管道声信号的时频特性分析 |
| 2.4 本章小结 |
| 3 基于PCA-BP神经网络模型的管道声信号特征提取及识别方法 |
| 3.1 基础理论 |
| 3.1.1 信号分帧基本原理 |
| 3.1.2 声压级理论 |
| 3.1.3 PCA的理论基础 |
| 3.1.4 BP神经网络基本理论 |
| 3.2 基于PCA-BP神经网络的管道声信号特征提取及识别方法流程 |
| 3.3 实验及结果分析 |
| 3.3.1 数据描述及特征提取优化 |
| 3.3.2 BP神经网络训练及识别结果 |
| 3.4 本章小结 |
| 4 基于ICEEMDAN-SVM模型的管道声信号特征提取及识别方法研究 |
| 4.1 改进型完全集合经验模态分解 |
| 4.2 分量筛选准则及特征提取方法 |
| 4.2.1 相关系数-方差贡献率筛选准则 |
| 4.2.2 信息熵理论及相关特征提取 |
| 4.3 SVM与参数优化 |
| 4.3.1 支持向量机理论 |
| 4.3.2 基于Grid Search的 SVM参数优化 |
| 4.4 基于ICEEMDAN-SVM模型的管道状态识别方法流程 |
| 4.5 实验及结果分析 |
| 4.5.1 数据描述及信号预处理 |
| 4.5.2 ICEEMDAN分解及特征提取 |
| 4.5.3 SVM参数优化及识别结果 |
| 4.6 本章小结 |
| 5 基于1D CNN-LSTM神经网络模型的管道缺陷智能识别方法研究 |
| 5.1 CNN基本原理 |
| 5.1.1 卷积神经网络基本理论 |
| 5.1.2 基于1D-CNN的特征提取 |
| 5.2 LSTM基本原理 |
| 5.3 基于 1D CNN-LSTM 神经网络模型的管道缺陷智能识别流程 |
| 5.4 1D CNN-LSTM模型设置 |
| 5.4.1 环境描述 |
| 5.4.2 模型参数设置 |
| 5.5 实验及结果分析 |
| 5.5.1 数据描述 |
| 5.5.2 数据预处理 |
| 5.5.3 诊断结果分析 |
| 5.6 效果对比与讨论 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间研究成果 |
| 致谢 |
（6）基于数据驱动的桥梁损伤识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究意义及背景 |
| 1.2 桥梁结构损伤识别国内外研究方法及现状 |
| 1.2.1 基于静力测试的检测方法 |
| 1.2.2 基于小波理论的识别方法 |
| 1.2.3 基于模型修正的检测方法 |
| 1.2.4 基于柔度法的损伤识别 |
| 1.2.5 基于数据驱动的检测方法 |
| 1.2.6 基于结构动力特征参数的方法 |
| 1.3 温度影响下的桥梁结构损伤识别研究现状 |
| 1.3.1 基于温度量化模型的结构损伤识别 |
| 1.3.2 不依赖测试温度的结构损伤识别 |
| 1.4 桥梁结构损伤识别存在的问题 |
| 1.5 论文研究内容 |
| 第2章 结构损伤识别方法理论概述 |
| 2.1 结构损伤识别理论基础 |
| 2.2 温度因素对结构的影响 |
| 2.2.1 温度对频率的影响 |
| 2.2.2 温度对边界条件的影响 |
| 2.2.3 温度对其他结构特性的影响 |
| 2.2.4 温度变化对弹性模量的影响 |
| 2.3 结构损伤指标的构造 |
| 2.3.1 模态柔度矩阵的原理 |
| 2.3.2 柔度差值法基本原理 |
| 2.3.3 柔度差值曲率法基本原理 |
| 2.4 主成分分析方法 |
| 2.4.1 PCA的基本介绍 |
| 2.4.2 PCA的几何意义 |
| 2.4.3 PCA剔除温度影响的过程 |
| 2.5 本章小结 |
| 第3章 温度影响下基于主成分分析方法的损伤识别数值仿真分析 |
| 3.1 ANSYS建模 |
| 3.1.1 简支梁模型 |
| 3.2 仅考虑损伤对模态的影响 |
| 3.2.1 工况设定 |
| 3.2.2 结果分析 |
| 3.3 仅考虑温度对结构模态的影响 |
| 3.3.1 环境温度影响结构模态频率的方式 |
| 3.3.2 工况设定 |
| 3.4 温度及损伤作用下简支梁桥模态分析 |
| 3.4.1 工况设定 |
| 3.4.2 模态柔度差曲率(MFDC)作为损伤特征参数 |
| 3.4.3 模态柔度曲率差(MFCD)作为损伤特征参数 |
| 3.4.4 基于主成分分析的简支梁损伤识别中温度影响的剔除 |
| 3.5 结果对比 |
| 3.5.1 MFDC与 MFCD损伤指标的结果对比 |
| 3.5.2 温度影响剔除前和剔除后的结果对比 |
| 3.6 钢桁架的数值仿真分析 |
| 3.6.1 钢桁架模型 |
| 3.6.2 工况设定 |
| 3.6.3 计算损伤特征参数 |
| 3.6.4 计算结果 |
| 3.7 本章小结 |
| 第4章 考虑温度影响的简支钢梁损伤识别室内试验研究 |
| 4.1 简支钢梁在不同温度下的频率测定 |
| 4.1.1 实验目的 |
| 4.1.2 试验对象 |
| 4.1.3 试验方案 |
| 4.1.4 试验具体操作步骤 |
| 4.1.5 工况设立 |
| 4.2 计算过程 |
| 4.3 试验结果 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 论文总结 |
| 5.2 课题展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于多尺度因子的苹果树叶片氮含量预测模型（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像处理技术与机器学习在农业科学上的研究现状 |
| 1.2.2 图像处理技术与机器学习在作物氮素含量预测中的研究现状 |
| 1.3 课题来源与主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 1.4 技术路线 |
| 2 材料与方法 |
| 2.1 试验装备 |
| 2.2 试验区域 |
| 2.3 数据采集 |
| 2.3.1 苹果树叶片的采集与叶片图像获取 |
| 2.3.2 苹果树叶片氮素营养测定 |
| 2.4 苹果树叶片图像预处理 |
| 2.4.1 图像分割 |
| 2.4.2 图像增强 |
| 2.4.3 图像去光照处理 |
| 2.4.4 叶脉的剔除 |
| 2.5 苹果树叶片图像色彩特征的提取 |
| 2.5.1 RGB色彩空间 |
| 2.5.2 叶片色彩特征提取 |
| 2.6 本章小结 |
| 3 基于多尺度因子的苹果树叶片氮含量预测模型的构建 |
| 3.1 苹果树叶片氮含量关键色彩特征因子优化 |
| 3.1.1 主成分分析 |
| 3.1.2 主成分分析提取不同尺度苹果树叶片氮含量关键影响因子 |
| 3.2 基于多尺度因子的苹果树叶片氮含量预测模型 |
| 3.2.1 支持向量机模型 |
| 3.2.2 BP神经网络模型 |
| 3.2.3 ELM极限学习机模型 |
| 3.3 模型评价指标 |
| 3.4 本章小结 |
| 4 基于多尺度因子的苹果树叶片氮含量预测模型的训练与测试 |
| 4.1 不同尺度条件对苹果树叶片氮含量的影响 |
| 4.2 多尺度支持向量机模型的训练与测试 |
| 4.2.1 开花期苹果树叶片氮含量PCA-SVM模型的训练与测试 |
| 4.2.2 幼果期苹果树叶片氮含量PCA-SVM模型的训练与测试 |
| 4.2.3 果实膨大期苹果树叶片氮含量PCA-SVM模型的训练与测试 |
| 4.2.4 成熟期苹果树叶片氮含量PCA-SVM模型的训练与测试 |
| 4.3 多尺度BP神经网络模型的训练与测试 |
| 4.3.1 开花期苹果树叶片氮含量PCA-BP神经网络模型的训练与测试 |
| 4.3.2 幼果期苹果树叶片氮含量PCA-BP神经网络模型的训练与测试 |
| 4.3.3 果实膨大期苹果树叶片氮含量PCA-BP神经网络模型的训练与测试 |
| 4.3.4 成熟期苹果树叶片氮含量PCA-BP神经网络模型的训练与测试 |
| 4.4 多尺度极限学习机(ELM)神经网络模型的训练与测试 |
| 4.4.1 开花期苹果树叶片氮含量PCA-ELM神经网络模型的训练与测试 |
| 4.4.2 幼果期苹果树叶片氮含量PCA-ELM神经网络模型的训练与测试 |
| 4.4.3 果实膨大期苹果树叶片氮含量PCA-ELM神经网络模型的训练与测试 |
| 4.4.4 成熟期苹果树叶片氮含量PCA-ELM神经网络模型的训练与测试 |
| 4.5 模型对比与优化 |
| 4.5.1 模型对比 |
| 4.5.2 模型优化 |
| 4.6 本章小结 |
| 5 田间试验 |
| 5.1 试验方案 |
| 5.2 试验结果 |
| 5.2.1 开花期试验结果 |
| 5.2.2 幼果期试验结果 |
| 5.2.3 果实膨大期试验结果 |
| 5.2.4 成熟期试验结果 |
| 5.3 本章小结 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 研究的创新之处 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）基于稀疏表示和相关滤波的视觉目标跟踪技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略语对照 |
| 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 目标跟踪面临的挑战 |
| 1.2.2 相关工作及研究进展 |
| 1.3 论文的主要工作及结构安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的结构安排 |
| 1.4 本章小结 |
| 第二章 目标跟踪基础知识与理论 |
| 2.1 目标的外观描述 |
| 2.2 目标跟踪状态的贝叶斯估计 |
| 2.3 图像稀疏表示基础理论 |
| 2.3.1 稀疏表示的数学模型 |
| 2.3.2 稀疏表示优化求解算法 |
| 2.4 图像相关滤波基础理论 |
| 2.4.1 相关滤波器基本概念 |
| 2.4.2 最小输出误差平方和滤波器 |
| 2.4.3 核相关滤波器 |
| 2.4.4 相关滤波器性能度量 |
| 2.5 目标跟踪数据集及评价准则 |
| 2.5.1 目标跟踪数据集 |
| 2.5.2 目标跟踪评价准则 |
| 2.6 本章小结 |
| 第三章 基于全局和多尺度局部模型结合的目标跟踪 |
| 3.1 引言 |
| 3.2 提出的跟踪方法 |
| 3.2.1 判别式的全局模型 |
| 3.2.2 产生式的多尺度局部模型 |
| 3.2.3 贝叶斯框架下目标跟踪 |
| 3.2.4 在线模型更新 |
| 3.3 实验结果与分析 |
| 3.3.1 定量分析 |
| 3.3.2 定性分析 |
| 3.4 本章小结 |
| 第四章 基于块描述子和结构局部稀疏表示的目标跟踪 |
| 4.1 引言 |
| 4.2 提出的跟踪方法 |
| 4.2.1 块描述子和结构局部稀疏表示 |
| 4.2.2 目标跟踪 |
| 4.2.3 更新策略 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 总性能评估 |
| 4.3.3 属性分析 |
| 4.3.4 模板更新策略评估 |
| 4.3.5 典型结果分析 |
| 4.4 本章小结 |
| 第五章 具有重检测机制的合作相关滤波跟踪 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 基于多特征的目标跟踪 |
| 5.2.2 减轻模型漂移策略 |
| 5.3 提出的跟踪方法 |
| 5.3.1 位移估计 |
| 5.3.2 在线重检测 |
| 5.3.3 尺度估计 |
| 5.3.4 模型更新 |
| 5.4 实验结果与分析 |
| 5.4.1 实验环境 |
| 5.4.2 总性能评估 |
| 5.4.3 分量分析 |
| 5.4.4 不同特征组合评估 |
| 5.4.5 响应图融合方法分析 |
| 5.4.6 典型结果分析 |
| 5.5 本章小结 |
| 第六章 基于低维特征核相关滤波器的实时目标跟踪 |
| 6.1 引言 |
| 6.2 提出的跟踪方法 |
| 6.2.1 核相关滤波跟踪 |
| 6.2.2 多特征集成和维数减少 |
| 6.2.3 粗到细的搜索机制 |
| 6.2.4 尺度估计 |
| 6.2.5 模型更新机制 |
| 6.3 实验结果与分析 |
| 6.3.1 实验环境和评估标准 |
| 6.3.2 在OTB-2015数据集上的评测 |
| 6.3.3 在TColor-128 数据集上的评测 |
| 6.4 本章小结 |
| 第七章 基于多层卷积神经网和自适应模型更新的相关滤波目标跟踪 |
| 7.1 引言 |
| 7.2 提出的跟踪方法 |
| 7.2.1 判别式相关滤波器 |
| 7.2.2 卷积特征提取与响应融合 |
| 7.2.3 尺度估计 |
| 7.2.4 自适应模型更新 |
| 7.3 实验结果与分析 |
| 7.3.1 实验环境和评估标准 |
| 7.3.2 总性能评估 |
| 7.3.3 基于属性的评估 |
| 7.3.4 模型有效性分析 |
| 7.3.5 典型结果分析 |
| 7.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）云南普朗斑岩型铜矿矿化遥感蚀变弱信息提取及其指示意义（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 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 国内外研究现状 |
| 1.2.1 矿化蚀变光谱响应研究 |
| 1.2.2 矿化遥感蚀变信息提取研究 |
| 1.2.3 基于多重分形理论的异常信息提取研究 |
| 1.2.4 遥感图像融合研究 |
| 1.2.5 矿化遥感蚀变与构造指示关系研究 |
| 1.2.6 问题的提出 |
| 1.3 研究内容、技术路线与创新 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 创新点 |
| 1.4 本章小结 |
| 第2章 研究区概况 |
| 2.1 自然地理概况 |
| 2.2 区域地质背景 |
| 2.3 矿床地质特征 |
| 2.3.1 地层 |
| 2.3.2 构造 |
| 2.3.3 岩浆岩 |
| 2.3.4 围岩蚀变 |
| 2.3.5 成矿模式 |
| 2.4 本章小结 |
| 第3章 矿化遥感蚀变信息提取及遥感图像融合理论基础 |
| 3.1 矿化蚀变 |
| 3.2 蚀变矿物遥感波谱特征 |
| 3.3 矿化遥感蚀变信息提取方法 |
| 3.3.1 主成分分析(PCA)法 |
| 3.3.2 多重分形理论及能谱-面积(S-A)法 |
| 3.4 遥感图像融合算法 |
| 3.4.1 基于主成分分析(PCA)的融合方法 |
| 3.4.2 基于Gram–Schmidt(GS)变换的融合方法 |
| 3.4.3 基于高通滤波(HPF)的融合方法 |
| 3.5 本章小结 |
| 第4章 遥感数据预处理及野外实地调查 |
| 4.1 遥感数据源 |
| 4.1.1 ASTER |
| 4.1.2 Sentinel-2A |
| 4.1.3 WorldView-3 |
| 4.2 遥感数据预处理 |
| 4.2.1 辐射定标 |
| 4.2.2 大气校正 |
| 4.2.3 正射校正 |
| 4.2.4 彩色合成 |
| 4.3 野外实地调查 |
| 4.4 本章小结 |
| 第5章 矿化遥感蚀变弱信息提取方法优选 |
| 5.1 特征矿物在ASTER数据上的波谱响应特征 |
| 5.2 基于“掩膜+主成分分析法”的特征矿物矿化遥感信息提取 |
| 5.3 基于“主成分分析(PCA)+能谱-面积(S-A)法”的特征矿物矿化遥感信息提取 |
| 5.4 野外验证与矿化遥感蚀变信息提取精度评价 |
| 5.5 复杂地质背景下特征矿物矿化遥感弱信息提取方法优选 |
| 5.6 本章小结 |
| 第6章 ASTER数据与Sentinel-2A数据融合研究 |
| 6.1 ASTER数据与Sentinel-2A数据光谱匹配 |
| 6.2 ASTER数据与Sentinel-2A数据融合 |
| 6.2.1 Sentinel-2A数据不同分辨率波段的融合 |
| 6.2.2 ASTER数据与Sentinel-2A数据的融合 |
| 6.3 ASTER+Sentinel-2A融合数据集的构建 |
| 6.4 本章小结 |
| 第7章 基于不同数据源的矿化遥感蚀变信息提取对比研究 |
| 7.1 特征矿物在WorldView-3数据和ASTER+ Sentinel-2A融合数据上的波谱响应特征 |
| 7.2 基于WorldView-3数据的矿化遥感蚀变信息提取 |
| 7.3 基于ASTER+Sentinel-2A融合数据的矿化遥感蚀变信息提取 |
| 7.4 基于三种数据源提取矿化遥感蚀变信息的对比分析 |
| 7.5 本章小结 |
| 第8章 普朗斑岩型铜矿矿化遥感蚀变信息与成矿构造指示意义 |
| 8.1 矿化遥感蚀变信息的成矿构造指示 |
| 8.2 普朗斑岩型铜矿蚀变分带的重新划分 |
| 8.3 找矿潜力地段的圈定 |
| 8.4 野外验证 |
| 8.5 本章小结 |
| 第9章 结论与展望 |
| 9.1 结论 |
| 9.2 存在问题与展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 一、 作者简介 |
| 二、 发表的学术论文 |
| 三、 参加项目情况 |
| 致谢 |
（10）高分辨率可见光遥感图像建筑物提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统建筑物目标提取 |
| 1.2.2 人工智能建筑物目标提取 |
| 1.2.3 建筑物先验信息提取及应用 |
| 1.3 本文的主要研究内容及结构安排 |
| 第2章 建筑物目标提取框架及关键信息挖掘理论 |
| 2.1 引言 |
| 2.2 高分辨率可见光遥感图像建筑物提取典型框架 |
| 2.3 建筑物提取基础信息挖掘方法 |
| 2.3.1 视觉系统与注意机制 |
| 2.3.2 图像颜色及颜色信息提取 |
| 2.3.3 目标方向及方向信息提取 |
| 2.4 建筑物目标提取结果评价方法 |
| 2.5 本章小结 |
| 第3章 颜色及方向信息联合的建筑物边缘图提取 |
| 3.1 引言 |
| 3.2 建筑物目标相关颜色信息挖掘 |
| 3.2.1 基于色差变换的颜色信息增强 |
| 3.2.2 颜色空间信息感知 |
| 3.3 基于局部方向统计的主方向信息感知 |
| 3.4 基于主方向信息约束的建筑物边缘图生成 |
| 3.4.1 基于四窗口高斯伽马滤波的初级建筑物边缘图生成 |
| 3.4.2 基于多阶统计信息分析的中级建筑物边缘强度图生成 |
| 3.4.3 基于主方向轨迹搜索的高级建筑物边缘强度图生成 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集描述 |
| 3.5.2 高分辨率遥感可见光图像建筑物边缘图提取实验 |
| 3.5.3 参数敏感性分析 |
| 3.6 本章小结 |
| 第4章 基于双尺度边缘分类及决策融合策略的建筑物轮廓提取 |
| 4.1 引言 |
| 4.2 面向边缘分类的训练数据选择 |
| 4.2.1 基于边缘检测图的预处理 |
| 4.2.2 全局建筑物边缘先验知识提取 |
| 4.2.3 训练数据自动获取 |
| 4.3 基于稀疏SVM的特征自动选择和分类 |
| 4.3.1 纹理特征 |
| 4.3.2 结构特征 |
| 4.3.3 基于sparse SVM的建筑物边缘图分类 |
| 4.4 基于双尺度决策融合的轮廓提取 |
| 4.4.1 双尺度权值融合 |
| 4.4.2 基于边缘强度图的建筑物轮廓提取 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集描述 |
| 4.5.2 建筑物轮廓提取实验与分析 |
| 4.5.3 基于VHR数据集的建筑物轮廓提取鲁棒性评价实验 |
| 4.6 本章小结 |
| 第5章 基于多层语义信息联合的建筑物目标深度感知 |
| 5.1 引言 |
| 5.2 多尺度建筑物目标显着图构建 |
| 5.2.1 卷积神经网络及特征表示 |
| 5.2.2 基于深度全卷积网络的多尺度显着区域图获取 |
| 5.3 基于边缘优化的目标提取 |
| 5.3.1 基于建筑物颜色和形状先验约束的区域显着性优化 |
| 5.3.2 基于建筑物区域先验约束的轮廓显着图优化 |
| 5.3.3 基于改进二分空间分解算法的建筑物目标信息融合 |
| 5.4 实验结果与分析 |
| 5.4.1 建筑物目标显着图提取实验与分析 |
| 5.4.2 建筑物目标提取实验与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
四、一种基于主分量分析的融合识别方法（论文参考文献）
- [1]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [2]基于改进降维聚类-分解策略LSTM-GRU组合短期负荷预测[D]. 王娇. 西安理工大学, 2021(01)
- [3]基于主辅网络特征融合的语音情感识别[D]. 胡德生. 太原理工大学, 2021(01)
- [4]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [5]管道声信号特征提取与智能识别方法研究[D]. 郭越. 常州大学, 2021(01)
- [6]基于数据驱动的桥梁损伤识别方法研究[D]. 梁李源. 青海大学, 2021
- [7]基于多尺度因子的苹果树叶片氮含量预测模型[D]. 刘雪梅. 山东农业大学, 2021
- [8]基于稀疏表示和相关滤波的视觉目标跟踪技术研究[D]. 宋治国. 华南理工大学, 2020(05)
- [9]云南普朗斑岩型铜矿矿化遥感蚀变弱信息提取及其指示意义[D]. 陈琪. 吉林大学, 2020(08)
- [10]高分辨率可见光遥感图像建筑物提取方法研究[D]. 郝乐川. 哈尔滨工业大学, 2020(01)