一、回归函数断点的小波识别方法（论文文献综述）
王雨晴[1]（2021）在《气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例》文中研究说明气候变化已成为当今世界重要的环境问题之一,它对生态环境和社会经济具有一定的影响。温度、降水和风速等气候要素对不同地形植被生产力的影响不同。本文以多伦县为研究对象,使用深度学习方法模拟了研究区地形要素对生态环境因子（水和热）状况空间分布的影响,并通过数学模型分析了不同气候变化情景对地上净初级生产力（ANPP）的影响。详细研究方法为:（i）通过Mann-Kendall统计检验和小波分析等方法分析了研究区1980-2019年生长季气温、降水和干旱程度（基于标准化降水指数,SPI）的变化趋势和周期性特征。（ii）通过回归分析、趋势分析和稳定性分析等方法,分析了研究区2001-2019年通过MODIS遥感数据获取的地表温度（LST）和土壤湿度（使用温度-植被干旱指数（TVDI）进行反演获得）的空间变化趋势和稳定性,并利用自然间断点分级划分方法分析了LST和TVDI在区域的空间变化规律。（iii）通过深度学习方法分别模拟了研究区LST和TVDI的空间分布与气象站点的空气温度和土壤湿度及研究区地形因子的关系。（iv）基于前述深度学习建立的模型,通过CASA模型分析了不同气候（气温和降水）变化情景模式下研究区生长季的ANPP的变化情况。主要研究结论如下:（1）研究区多年生长季温度、降水和干旱气候变化特征。气温以0.042℃/a的速率显着上升（r=0.685）,其中1980-2000年线性倾向率是2001-2019年的2倍,这表明该区域温度升高有减缓的趋势。降水量在1980-2019年总体呈下降趋势（-0.2884mm/a）。但这一趋势呈波动变化,降水量在1980-2000年呈上升趋势（4.783mm/a）,在2000和2001年急剧下降,而后从2001-2019年起又呈上升趋势（2.284mm/a）。相应地,研究区总体呈干旱化趋势（SPI指数倾向率-0.0038/a）。1980-2000年干旱减轻（SPI指数倾向率0.074/a）,2001发生极严重干旱,此后湿润度又呈增加趋势（SPI指数倾向率0.037/a）。温度、降水和SPI随年份变化并不是呈简单的线性变化,在不同时段其变化趋势具有一定差异,尤其降水和SPI时段差异性较大。在对气温、降水和干旱程度分析时,应考虑时间尺度问题,时间尺度的不同会产生不同结果。（2）LST和TVDI空间变化特征。基于2001-2019年MODIS遥感卫星数据,LST在29.05℃≤LST<30.60℃时面积占比最大,占总面积的66.66%。在2001-2019年,低温（23.05℃≤LST<27.65℃）区和次低温（27.65℃≤LST<29.05℃）区面积有扩大趋势;中温（29.05℃≤LST<29.89℃）区、次高温（29.89℃≤LST<30.60℃）区及高温（30.60℃≤LST<31.24℃）区面积有缩小趋势。TVDI指数对土壤湿度有很好的反演效果。研究区土壤湿度主要以正常状态为主（占总面积的50.48%）。区域土壤湿度状态有向湿润方向变化的趋势,土壤湿度为正常和湿润状态的面积有扩大的趋势,而干旱状态的面积有缩小的趋势。（3）深度学习方法模拟研究区生长季LST空间变化时模拟值和实测值决定系数（R2）达0.8125,平均绝对误差（MAE）为0.53℃,均方误差（MSE）为0.46℃。研究发现,影响LST空间分布的主要因子有气象站点温度、NDVI、海拔、太阳辐射、地表反射率、坡度和坡向,其特征重要度分别为0.58、0.238、0.134、0.014、0.013、0.01和0.008。在其它因子一定时,生长季LST是气温的1.7倍。随着NDVI增加,LST下降,这表明植被覆盖度对LST具有一定的调节作用。LST随海拔和坡度的增加呈先增加后减小的变化趋势,其变化幅度较小;在东、东南和南坡向的LST较高,北、西北和西坡向的LST较低,随着温度的升高,海拔、坡度和坡向的LST呈增加的趋势。（4）深度学习方法模拟TVDI时,MAE为0.06,MSE为0.01和R2为0.7765。通过定量海拔、NDVI,地表反射率等因素,进而分析LST与TVDI的变化关系。研究结果表明:在生长季,随LST的增加,土壤湿度呈减小趋势,这可能会导致区域缺水或干旱的发生。TVDI随降水的增加呈减小趋势,即降水量越大,土壤含水量越高。TVDI随海拔的升高呈先增加后减小的变化趋势,即土壤湿度呈先减小后增加的变化趋势。（5）深度学习方法模拟GDD时,MAE为23.8℃、MSE为883.22℃和R2为0.9217,GDD随温度的升高呈增加趋势,随着海拔和坡度的增加GDD呈先增加后减小的变化趋势,变化幅度较小;在东、东南和南坡向的GDD较高,北、西北和西坡向的GDD较低。随着温度的升高,海拔、坡度和坡向的GDD也呈增加的趋势。（6）地上生产力受水热共同因素的影响,本文发现温度和降水的增加对ANPP有积极作用。不同水热情景下,随海拔的升高,ANPP均呈增加趋势随坡度增加呈先减小后增加的变化趋势;北和西北坡向的ANPP较高,在西和东南坡向上ANPP较低。本文系统分析了研究区时间尺度和空间尺度下水热变化特征,并分析了气候变化对不同地形地上净初级生产力的影响,克服了遥感方法只能监测当前生态环境因子的局限,使研究不同地形条件下生态环境因子对气候变化的响应成为可能。研究结果可为气候变化下研究区生态环境保护提供理论参考、对区域可持续发展具有重要意义。
王晗,张峰,薛惠锋[2]（2021）在《基于小波-支持向量机的工业取水异常数据挖掘与重构》文中认为提高取水监测数据质量是水资源管理中的紧迫问题。以工业取水监测数据为样本,梳理其异常类别,按照"粗筛选-精识别-再重构"思路,提出基于分段式3σ准则与小波变换、Fourier函数相结合的多尺度工业取水监测异常数据识别方法。采用自适应惯性函数与粒子群优化的最小二乘支持向量机模型重构恢复异常数据。结果表明,分段式3σ准则对数据的粗处理效果较好,采用Fourier函数可有效降低数据小波变换中的信息损失,提高异常数据的识别精准度。采用惯性函数-粒子群优化的LSSVM模型可满足异常数据较高精度的重构恢复需求,其重构精度强于LSSVM、PSO-LSSVM和传统的曲线拟合方法。该方法可为提高水资源数据的决策支持能力提供良好的方法参考。
胡广[3]（2021）在《基于深度学习语义分割的断层识别应用研究》文中进行了进一步梳理随着全球人口增长和现代化的进程继续不断推进,也就造成了对能源的需求也日益增加。虽然对新能源和可再生能源的开发研究从未止步,但石油和天然气现在仍然是不可或缺的重要资源,可以说各行各业都需要石油和天然气资源的强力支撑才能维持整个社会稳定前行,因此继续对油气勘探研究仍至关重要。地下的层位在构造应力作用下破裂、错位形成了断层。断层既是油气田的边界,也是油气运移、聚集的通道。断层的解释是油气勘探开发中十分重要的工作,断层的分布和形态对油气藏的识别和描述起到关键性作用,并对地壳发展构造和天然气、石油等的开采与分布都有着非常重要的影响。近几年随着地震勘探技术的不断提高,地震数据的体量也越来越大,利用常规的方法进行断层解释不仅十分琐碎和耗时,而且难度较以及无法重复验证,复杂的解释流程也对解释人员专业性的要求十分高。随着近几年人工智能在各行各业应用的爆炸式增长,人工智能的各种方法已经应用到各行各业。深度学习是人工智能方法研究的热点,它提供了一种思路利用更深的神经网络方法来把人类的经验来让计算机进行学习,从而来代替人类判断来解决某些问题。图像分割是指根据图像的灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,简单的说就是在一副图像中,把目标从背景中分离出来。在地震勘探领域的断层解释中,地震振幅图像中包含大量的有用关于地下地质构造的信息,通过对些信息的利用可以很好的实现断层解释。因此可以充分利用深度学习方法的优势,让计算机来学习地震断层解释的模式,实现从计算机视觉来识别地震数据中的断层,这样可以大大的减少人为干预以及错误的发生,并大幅度减少断层解释所需要的时间。鉴于此,本文针对地震数据中断层解释中面临的一些问题,结合目前最流行的深度学习方法,提出了基于深度学习语义分割的断层识别方法,并研究了在地震数据进行深度学习中有效样本难以获取和样本不平衡的问题,还进行了断层识别结果优化后处理的研究。主要有以下的具体工作:（1）分析了深度学习语义分割中地震断层识别问题,并设计了一种适用于地震振幅图像的端对端的深度学习语义分割网络,实现了计算机视觉来识别地震断层,并在合成地震数据上对网络进行了多方面的测试。（2）对深度学习地震断层识别方法中样本选择方式进行了研究,针对合成地震数据训练模型来预测实际地震数据中存在的效果不稳定问题,提出使用在待解释三维断层数据中选取部分二维切片数据人工解释断层作为训练样本,并通过数据扩充方法得到足够量的学习样本。（3）针对地震振幅图像中断层和非断层的数量严重不平衡的情况,研究了采用加权的交叉熵损失函数使神经网络朝准确的方向进行拟合学习。（4）对深度学习语义分割方法的断层识别结果进行了优化后处理研究,利用孤立小连通区域去除方法消除识别结果中的噪声,利用通过骨架化方法对模型预测的断层进行细化处理并利用剪枝操作去除骨架化过程中产生的多余枝节,采用八邻域端点检测方法寻找识别的断层线中断开点并连接不连续的断层。（5）结合深度学习语义分割断层识别网络和断层优化后处理提出了一个基于深度学习语义分割的断层识别流程,并在实际地震数据进行了断层识别处理,还对不同数据不同方法识别出来的断层效果进行了定性和定量分析,深入论证了本文方法的稳定性和可靠性。本文主要创新点为:（1）在VGG16网络基础上设计出一种针对地震断层识别的端对端深度学习语义分割轻量化网络结构。不仅能减少训练时间和预测时间,还能够实现在较少断层样本情况下保持良好断层识别效果。（2）针对深度学习语义分割识别结果中存在的问题,提出了断层识别结果优化后处理的方法流程。整个流程包括孤立小连通区域去除的方法剔除噪声,使用基于距离变换骨架提取算法来得到细化的断层并用剪枝算法去除产生的多余枝节,还提出了一种基于八邻域端点检测的方法来寻找并连接属于同一断层线上的断开点。
蔡佩征[4]（2021）在《化工厂多层气化车间巡检机器人设计及图像智能识别技术研究》文中研究说明随着化工厂建设进程与规模的逐渐扩大,传统物理型化工厂日常巡检强度大、巡检任务重及巡检区域存在CO、H2S等有毒气体危害工作人员身体健康的问题受到人们的广泛关注,采用自主巡检机器人代替人工完成与化工厂内部仪器仪表的智能化交互迫在眉睫。其中,研究如何精准有效地识别复杂车间环境下仪器仪表状态信息的图像智能识别技术成为解决上述问题的重点与关键。本文以传统型化工厂多层气化车间为应用场所,针对气化车间巡检过程中亟待解决的问题,通过将图像识别技术与神经网络算法相结合,解决巡检机器人巡检任务中存在的楼层空间限制问题,复杂车间环境下目标识别偏移、读表精度低等问题,具体研究内容如下:首先,根据对化工厂多层气化车间的实地勘察与调研,结合化工厂特殊的环境要求对巡检机器人进行设计,包括机器人设备的选型、巡检轨迹的设定与图像建模操作、无线通信网络的搭建、梯控设备的设计与安装以及上位机的部署等。在确保巡检安全性的前提下,为图像智能识别技术的应用提供了完整的平台。其次,针对巡检机器人在智能识别时出现的目标偏移问题,研究了五种基于特征点检测的算法,通过理论推导及分别对实验室仪表与车间仪表图像进行特征点提取实验对比测试了五种算法的性能,对各方面性能均较好的ORB算法的匹配策略做出改进,并采用RANSAC算法进行误匹配点剔除,提升了图像匹配的精度与性能。然后,对“人、货物、机器人”共用一部电梯可能出现的情况进行阻塞分析,采用设置进梯参照物的方式优化“机梯交互”策略。采用改进后的CNN模型训练定位、识别机器人乘梯参照物,提高机器人乘梯的可靠性,打破空间对机器人自主巡检的限制,同时兼顾了人性化与智能化。最后,将基于人脸识别的多任务卷积神经网络模型应用到仪表盘检测上,以检测到的表盘区域和三个关键特征点作为约束,通过表盘数字识别与指针定位联合距离法判读指针式仪表的示数,并导入到巡检机器人上进行现场应用。
曲丽[5]（2021）在《时间序列的相似性度量方法研究》文中提出随着科学技术的不断进步,大数据时代逐渐来临。作为大数据中的一个方面,时间序列的研究越来越受到关注。时间序列的本质是将同一属性的数值按时间顺序排列在一组数据点集合中。随着数据的增加,如何在大量时间序列信息中,挖掘出相似的关联信息,为人类发展做出贡献,变得尤为重要。由于时间序列具有较大维度和大量噪声的特征,如果直接对它进行相似性度量难度较大。因此,我们通常采用多种手段来处理时间序列。采用特征表示方法对高维时间序列进行相似性度量之前,进行降维处理。通过聚类方法计算时间序列之间的距离等。目前虽然已经存在一些有效的方法,但是仍然存在一定的改进空间。本文分析了近年来时间序列在数据挖掘领域的文献成果,并对时间序列的相似性度量方面进行了更加深入的研究。首先提出了基于分段估算误差的适应性权重DTW方法。该方法在对时间序列每个变量进行分段处理之后,通过计算时间序列特征子段之间估算导数差值的二次方,代替原始时间序列数据子段,建立特征矩阵。然后根据时间序列特征子段的实际使用情况赋予相应权重,最后通过动态时间弯曲方法计算时间序列间的距离是否在阈值之内,来判断时间序列间的相似性。本方法解决了时间序列相似性度量中出现的不合理匹配、忽略内部相邻数据点之间关系的问题。其次提出了基于改进SAX的动态聚类相似性度量方法。该方法在SAX方法仅采用分段子序列平均值点代替整体时间序列信息基础上进行扩展,加入极值点、边界点等特征信息,代替原始子段平均值符号。在此基础上,再通过无需人为设定聚类个数的动态聚类方法进行距离度量,使相似性度量结果更好。本方法解决了运用平均值符号化时间序列时,不能充分体现序列变化趋势、容易丢失特征信息的问题,同时解决了采用传统聚类方法进行距离度量时需要预先设置聚类个数的问题。最后,对上述方法进行了实验分析,实验结果表明,提出的方法性能较好,能够达到比较理想的相似性度量效果。
陈桂,刘洋[6]（2021）在《基于人工智能的断层自动识别研究进展》文中进行了进一步梳理随着油气勘探开发工作的进行,构造圈闭的勘探难度不断提高,断层作为油气运移、聚集的主要通道之一,断层的识别精度很大程度上影响了油气藏的勘探开发.在断层识别的发展过程中,国内外学者们提出了许多切实可行的方案.近年来,人工智能领域的兴起,使得断层自动识别方法更加多样化.本文通过调研大量的国内外相关文献,对基于人工智能的断层自动识别方法进行了归纳总结,将其划分为两个大类:智能算法、机器学习,又对每个大类进行了精细划分,并阐述了通过蚁群算法、边缘检测、BP神经网络、支持向量机、生成对抗网络、聚类及卷积神经网络来自动识别断层的基本原理、发展现状及优缺点.此外,卷积神经网络拥有卷积层、池化层等特殊结构,可以直接通过学习输入与输出之间的映射关系来实现断层自动识别,具有很好的非线性表达及泛化能力,相较于其他人工智能方法,兼具了较高的效率与精度.因此本文对基于卷积神经网络来自动识别断层的一些关键技术及优化算法进行了重点介绍,且利用大量三维合成地震记录及断层标签作为训练样本,实现了基于卷积神经网络的三维地震资料断层自动识别并对最终结果进行了深入分析.最后对断层自动识别技术的提高,给出展望与相应的结论.
晏莉娟[7]（2020）在《面向教育数据的时间序列分类方法研究及其应用》文中研究指明近年来,在教育领域,教育数据呈指数级增长,教育大数据挖掘和分析的研究成果在教育教学研究与实践中发挥着越来越重要的作用,正在成为教育领域不可忽视的新型驱动力。时间序列数据是教育大数据的重要组成部分。时间序列是由客观对象的某个观测量在不同时间点的采样值并按照时间先后次序排列而组成的序列。随着网络学习资源的增加、互联网教育的兴起,教育领域中记录下了大量的时间序列数据。这些大量的时间序列数据真实地记录了学习情境中各个时刻的所有重要信息。挖掘分析时间序列数据,发现其中各时间序列之间的相互关系,获得数据中蕴含的与时间相关的有用信息,实现知识的提取,对推动改进教学、优化管理、提升绩效有着重要意义。时间序列分类是时间序列数据挖掘的重要任务之一,其基本方法可以用于回归和预测任务中去。时间序列分类在教育领域中有着非常广阔的应用前景。可以用来挖掘学习者行为模式识别、预测学生学业成绩、进行学情分析等,还可以在个性化学习支持、智能辅助教学等方面充分发挥优势,并助力于教育信息化的发展。面向教育数据的时间序列分类方法,除了要考虑时间序列本身的特殊性,如高维性、实时性、存在随机噪声以及数据元素的非线性关系等特性之外,还要顾及教育领域数据分析的特殊需求,首先要考虑分类器的有效性,分类器的无效泛化会产生学习干预措施不准确的风险。其次学习具有强辨别性的特征对于教育应用领域来说十分重要,除了能提高算法性能,强辨别性的特征能让教育决策者、教师更深入的理解学习及学习相关情境。在综合考虑教育领域数据分析的需求及时间序列本身的特殊性基础上,现有的时间序列分类方法在处理教育领域中的时间序列数据时仍存在些亟待解决问题。本文主要开展了两个部分的研究工作。第一部分,针对这些目前亟待解决的问题,相应的提出了三种新的时间序列分类方法:（1）传统的时间序列分析方法,对数据样本本身要求较高,需要满足一些假设条件,如正态假设、平稳假设、线性假设等。对于教育领域中的时间序列而言,研究对象群体的多层次结构,数据所处情境的动态性,数据记录采样的差异等都会增加面向教育的时间序列的复杂性。教育领域的时间序列数据很难单纯的满足相应的假设条件,对教育数据样本自身的特点不能很好的解读,把握了总体上的特征,时间序列中隐含的一些局部、细节特征就很难表现出来。针对时间序列全局特征和局部特征不能兼顾的问题,提出了一种基于小波和shapelet特征识别的组合分类方法（an Ensemble method by combining Discrete wavelet analysis and Shape similarity recognitionoftime series,DSE）。DSE将小波变换嵌入到shapelet的提取过程,在分解后的时域数据而不是原始的时间序列基础上提取shapelet信息。离散小波变换（Discrete Wavelet Transformation,DWT）是具有多分辨率“变焦”特性,其多分辨分析能将时间序列中交织在一起的不同频率组成的混合信号分解为不同频带的子信号。分解重构后的各分量从近似和细节方面分别体现了原始时间序列的全局特征。对于利用不同分量上提取的shapelet转换后的数据,考虑到不同分量上提取的shapelet之间的关联,DSE应用加权多数投票的策略,将基分类器的预测结果通过分解时域数据之间的相关性加权后取得分类标签,在此过程中应用蒙特卡洛法优化权重组合,以求局部的最优值。实验结果证实了该方法在不同类型的数据集上都有着很好的泛化能力。（2）在教育领域的应用中,除了良好的分类精度外,还希望建立一个具有可解释性的分类器。抽取强辨别性特征是分析教育领域中时间序列的重要一环,而时间序列高维度,没有明确特征,很难构建出可解释性的分类器。针对这一问题,提出了一种新颖的可用于时间序列分类的特征重构方法——间隔特征转换（Interval Feature Transformation,IFT）方法。利用感知重要点将时间序列划分为不等长的时间序列片段,从时间序列片段中提取的特征构成一个间隔特征向量,这种间隔特征向量能“以小见大”的反映时间序列的局部特征,可以用作区分时间序列类别的依据。IFT方法利用信息增益区分最有辨别力的k个间隔特征向量,并利用这k个最有辨别力的间隔特征向量将原始的时间序列转化为一个k维的数据集,实现了数据降维。它将原始时间序列转化为一个低维、降噪的表示,任何传统的机器学习分类器都可以对由IFT方法转换后的时间序列数据进行处理,以追求更高的分类性能。实验研究证实了该方法的有效性、噪声鲁棒性及可解释性。（3）针对特征量不能自适应选择的问题,在符号聚合近似（Symbolic Aggregate approXimation,SAX）的基础上,提出了 一种基于多特征 SAX（an improved Symbolic Aggregate approXimation similarity measure based on multi feature and Vector Frequency Difference,SAXVFD）的时间序列分类方法。从两个方面改进了原始的SAX时间序列相似性度量方法。首先,通过下界距离紧密性（Tightness Of Lower Bound,TLB）自动优选特征组合,以用于映射成相应的特征串向量。接着,对传统的时间序列距离度量方法做了改进,在传统SAX中的距离度量方式基础上引入了向量频率差（Vector Frequency Difference,VFD）,以向量频率差作为不同特征距离上的权重,该距离度量依然能下界于欧式距离。为了验证方法的有效性和效率,我们结合1-NN算法在大型公开数据集上进行了时间序列分类的比对实验。实验结果该方法能有效的提取特征,有着不错的分类精度和降维效率。第二部分,将本文提出的基于特征提取的时间序列分类方法,应用到具体的教育场景中,进行了一项有关在线学习者参与模式识别的应用研究。针对以往参与度研究中,利用学习结果评估,忽略了学习过程,且容易对学习者造成干扰的问题,提出了一个应用教育数据挖掘技术自动评估在线学习者参与度的框架,利用海量的在线学习数据对学习者的学习过程中的投入进行精准评估。这个框架描述了利用在线学习管理系统中的学习数据,使用聚类算法并进行分群质量评估,以检测学习者的参与模式,然后利用学习过程中的时间序列行为数据,使用基于特征抽取的时间序列分类算法,挖掘分析一定学习周期内不同参与模式类型的学习者辨别性参与特征的过程。针对该具体的教育应用场景,在充分探讨了前文提出的三种新方法的适用性基础上,针对分析需求,利用改进后的基于间隔特征转换的方法,对KDDcup2015数据集中学堂在线的学习中的日志数据进行分析,在对提取的辨别特征分析的基础上,提出了相应的干预措施。实验研究结果表明,该框架能自动识别学习者在学习过程中的参与程度,提出的时间序列分类方法能在不同参与模式中有效的提取辨别性特征,最终为教学干预提供数据支持,极大的降低了学习支持服务的成本。
张冰,王金龙,张宁生[8]（2020）在《基于瞬态分析的PDG数据处理方法与应用》文中指出永置式井下仪表能够对井筒内和砂面的压力、温度等数据进行长期监测。通过PDG压力和温度瞬态分析,可以得到近井筒乃至油藏的信息。然而,原始PDG数据常含有大量噪声、异常点和多个瞬态过程,不能直接用于数据分析和解释。在对多个油田PDG数据处理和分析的基础上,提出了基于瞬态分析的PDG数据处理方法,包括鉴于现场数据所含异常点和噪声类型不同的问题,提出针对性的异常点消除和降噪方法;对常用降噪效果评价方式不便于优选降噪参数和降噪结果的问题,提出了考虑数据光滑性要求的新的降噪效果综合评价指标;将移动窗口技术与压力导数法相结合进行断点识别和瞬态提取;并以瞬态作为数据精简的基础,有效保护瞬态数据和断点。经现场PDG数据的处理结果证实,上述处理方法是有效的,为后续的PDG数据瞬态分析提供了可靠的数据保障。
刘佳生[9]（2020）在《基于视觉和力反馈的EAST第一壁瓦片识别和拆卸关键技术研究》文中进行了进一步梳理可控核聚变能是下一代能源来源,目前是一个研究热点。在核聚变实验装置EAST运行过程中,靠近等离子体的第一壁瓦片需要在停机过程中进行遥操作维护。第一壁中损坏的瓦片在论文中被分为了两类:掉落在下层偏滤器上的瓦片、损坏但未从第一壁脱落的瓦片。论文的主要工作包括对前者的识别定位方法、及后者的拆卸过程的运动控制方法的研究。两个工作所涉及到的视觉识别技术及拆卸控制技术都有一定的发展,然而这些技术在EAST中的应用却存在一定困难。在掉落瓦片的识别与定位任务中,瓦片表面的烧伤和腐蚀点提高了视觉识别瓦片的难度,并且掉落瓦片的破损形式不一,没有固定的轮廓形状特征用于识别掉落瓦片。在未脱落的损坏瓦片拆卸任务中,关键环节为瓦片的螺栓拆卸,其中,瓦片螺栓以内六角螺栓为主,且内六角螺栓头和扳手几近无倒角,可以视为无倒角的六边形轴孔装配,现有的文献主要研究圆形轴孔装配,针对复杂的无倒角六边形轴孔装配的研究寥寥无几。在掉落瓦片的识别任务中,论文提出了基于“断点”图像特征的识别方法。当掉落瓦片遮挡住下层偏滤器本身的瓦片的边缘时,会中断瓦片边缘的线条,进而产生断点,也因此这些断点处于掉落瓦片的轮廓上。该识别方法通过断点找到轮廓内外各一点,将之从RGB图像变换到深度图像中相应位置,作为分水岭算法的初始点,来分割出掉落瓦片的轮廓。为了测试算法的鲁棒性,论文进行了 100次将瓦片随机扔在模拟下层偏滤器的平台上的实验,在其中98次实验中,机器人成功地识别并定位到了掉落瓦片。论文还进行了改变光照环境的实验,以确定算法所需要的工作环境,实验结果表明算法在171x以上的光照强度中均能正常执行,并且不受阴影的干扰。在损坏瓦片的螺栓拆卸任务中,论文提出了基于单边对单边的无倒角六边形轴孔装配方法。该装配方法首先通过视觉检测孔平面的大概位置,以确定轴在孔平面的投影线,然后使轴斜着探入孔内并在孔平面上沿着左右上下四个方向,进行平移运动,根据力传感器的反馈,逐渐达到轴的一边与孔的一边贴合的状态,最后使轴绕着该投影线的垂直方向旋转,根据力传感器反馈判断是否达到轴孔配合状态。论文所提出的两个方法解决了第一壁瓦片识别和拆卸任务中的一些关键问题,为聚变装置遥操作维护的发展作出了贡献。
楚玺[10]（2020）在《基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法》文中认为基于图像数据对桥梁结构服役状态进行安全监测,较传统以测点传感器为基础的监测系统具有全息、方便、经济的突出优势,并高度契合未来数字信息的发展趋势。本文在国家自然科学基金项目“基于影像轮廓线叠差分析获取桥梁全息变形及结构状态演绎方法探索（51778094）”和“基于面形时空数据的桥梁结构损伤演化与失效过程跨尺度分析方法（51708068）”的资助下,系统研究了基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法。主要研究工作如下:探索了单机定轴旋转条件下桥梁结构数字图像获取方法,分析了相机最大旋转角与图像分辨率的关系,研究了相邻图像旋转角与图像重叠度的变化关系,提出桥梁结构监测图像序列的采集策略;构造了成本低廉、视场非固定、视距可调节的桥梁图像采集硬件系统。分析了旋转相机微小位姿偏移对图像像点坐标的影响,建立了相应的误差模型,揭示了投影中心偏移引发像点坐标偏差的作用机理。针对硬件系统轴系松弛导致的序列图像投影中心非一致问题,建立了偏移投影中心向设定基准投影中心校正的理论模型,推导了同名像点偏差的解析方程,以连续图像序列重叠区域同名像点坐标相等为约束条件,提出纠正图像序列非一致投影中心的迭代平差方法;研究了以图像“特征点”作为“同名点”的数学表征方法,通过试验证明了SIFT特征描述子的尺度不变性和旋转不变性,形成了桥梁结构图像序列投影中心偏移矫正方法;开展了单机定轴旋转采集桥梁结构图像序列试验,获得了试验梁结构等效正射立面图像。基于模糊集理论,探讨了结构模糊图像增强的实现途径;引入“广义交叉验证准则”开展图像噪声判别,通过构造图像滤波窗口,完成了图像的模糊滤波。利用灰度形态学开启和闭合运算对不连续边缘进行处理,改进了桥梁结构边缘分布的连续性;对图像监测分辨率开展标定,获得了试验梁主体形态尺寸。通过将三维激光扫描形态数据与图像监测形态数据对比,验证了试验梁等效正射立面图像中结构形态的准确性;分析了结构边缘不同区域振荡效应的主导因素,构造了一种改进的小波阈值去噪函数,对结构边缘的规律性高频噪声实现了有效的滤波;通过叠差分析获得了结构边缘全息变形数据。利用固定标定板的强特征和严格误差标准,提出前后工况结构图像测量平面同名点的约束构造方法;针对结构表面自然纹理条件下部分位移矢量误匹配问题,依据结构的变形连续特性和边缘全息变形中包含的挠度和转角信息,提出位移矢量场一致性约束条件,据此剔除矢量的长度和方向存在明显偏差的误匹配矢量,实现了自然纹理条件下结构表面全场位移矢量的提取;通过与三维激光扫描获取的试验梁形态数据进行对比验证,验证了全场位移矢量能够准确反映结构的变形特征。探索了基于表面全场位移矢量的结构损伤识别方法。借助狄拉克?函数的奇异性和线性叠加性来描述梁多处损伤产生的柔度突变现象,推导了对损伤位置和程度具有显式响应的梁挠度方程;通过理论分析和数值模拟研究了结构裂缝导致相邻矢量转角发生突变的作用机理;利用结构全场位移矢量相同位置转角的叠差值,计算了结构损伤前后的转角变化率,通过对位移矢量转角变化率的显着性检验,实现了结构构件损伤位置的判断;对试验梁进行数值模拟,通过理论分析得到的转角差-损伤程度公式,建立了构件损伤数值分析拟合函数,得到了不同构件的损伤位置转角差与损伤程度关系方程。通过提取试验梁构件损伤位置转角差值,实现了构件损伤程度的辨识;通过试验验证了该损伤识别方法的有效性。
二、回归函数断点的小波识别方法（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、回归函数断点的小波识别方法（论文提纲范文）
（1）气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 气候变化对区域环境的研究进展 |
| 1.2.2 植被生长对气候变化的响应研究 |
| 1.2.3 不同地形下气候变化对植被生长的影响研究 |
| 1.2.4 土壤湿度遥感研究 |
| 1.2.5 深度学习模型的常见网络结构和应用 |
| 1.2.6 环境因子对地上净初级生产力估算的研究 |
| 1.3 科学问题和研究目标 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 创新点 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候特征 |
| 2.1.3 地形地貌 |
| 2.1.4 土壤类型 |
| 2.1.5 植被类型 |
| 2.2 数据源 |
| 2.3 研究方法 |
| 2.3.1 研究区温度、降水和干旱特征 |
| 2.3.2 地表温度和土壤湿度空间变化统计 |
| 2.3.3 基于深度学习方法对地表温度和土壤湿度空间模拟 |
| 2.3.4 气候变化对不同地形植被地上生产力的模拟 |
| 3 研究区温度、降水和干旱特征 |
| 3.1 气温在多伦区域时间尺度研究 |
| 3.1.1 多年生长季气温变化规律 |
| 3.1.2 多年生长季气温变化周期特征 |
| 3.2 降水在多伦区域时间尺度研究 |
| 3.2.1 多年生长季降水变化规律 |
| 3.2.2 多年降水量变化周期特征 |
| 3.3 传统干旱监测方法在多伦区域时间尺度研究 |
| 3.3.1 多年生长季气象干旱指数变化规律 |
| 3.3.2 多年标准化降水指数变化周期特征 |
| 3.4 讨论 |
| 3.5 小结 |
| 4 地表温度和土壤湿度空间变化统计 |
| 4.1 地表温度基本变化特征 |
| 4.1.1 基于地表温度空间面积特征 |
| 4.1.2 地表温度空间变化趋势与稳定性 |
| 4.2 土壤湿度变化特征 |
| 4.2.1 温度-植被干旱指数(TVDI)特征空间的构建 |
| 4.2.2 基于温度-植被干旱指数(TVDI)的土壤湿度评估 |
| 4.2.3 基于温度-植被干旱指数(TVDI)对区域干-湿面积分析 |
| 4.2.4 温度-植被干旱指数(TVDI)空间变化趋势与稳定性 |
| 4.3 讨论 |
| 4.4 小结 |
| 5 基于深度学习方法对地表温度空间分布模拟 |
| 5.1 地表温度模拟变量参数选取和模型评估 |
| 5.1.1 参数选取 |
| 5.1.2 模型评估 |
| 5.2 基于生长季空间地表温度的模拟 |
| 5.3 特定环境条件下气象站温度对地表温度的影响 |
| 5.4 特定环境不同覆盖度条件下气温与地表温度的关系 |
| 5.5 气温变化条件下地表温度空间变化特征 |
| 5.5.1 生长季气温变化对地表温度空间分布的影响 |
| 5.5.2 地表温度随海拔、坡度和坡向的变化特征 |
| 5.5.3 地表温度随NDVI的变化特征 |
| 5.6 讨论 |
| 5.7 小结 |
| 6 基于深度学习方法对土壤湿度空间分布模拟 |
| 6.1 温度-植被干旱指数(TVDI)模拟变量选取和模型评估 |
| 6.1.1 参数选取 |
| 6.1.2 模型评估 |
| 6.2 基于生长季空间温度-植被干旱指数(TVDI)的模拟 |
| 6.3 特定环境温度-植被干旱指数(TVDI)随温度变化特征 |
| 6.4 干湿气候变化条件下土壤湿度变化特征 |
| 6.4.1 降水、SPI指数与TVDI相关性 |
| 6.4.2 生长季降水量变化对土壤湿度空间分布的影响 |
| 6.4.3 土壤湿度随海拔的变化特征 |
| 6.4.4 土壤湿度随NDVI的变化特征 |
| 6.5 讨论 |
| 6.6 小结 |
| 7 气候变化对不同地形地上净初级生产力的模拟 |
| 7.1 气温变化下,有效积温空间变化特征 |
| 7.1.1 气温和地表温度相关性分析 |
| 7.1.2 有效积温模拟评估 |
| 7.1.3 基于深度学习方法对有效积温的模拟评估 |
| 7.1.4 气温变化条件下有效积温变化特征 |
| 7.1.5 有效积温随海拔、坡度和坡向变化特征 |
| 7.1.6 有效积温随NDVI变化特征 |
| 7.2 水热变化对地上净初级生产力空间变化影响 |
| 7.2.1 气温不变地上净初级生产力随降水量变化特征 |
| 7.2.2 气温升高2℃地上净初级生产力随降水量变化特征 |
| 7.2.3 气温升高4℃地上净初级生产力随降水量变化特征 |
| 7.2.4 地上净初级生产力随海拔、坡度和坡向的变化特征 |
| 7.3 讨论 |
| 7.4 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于小波-支持向量机的工业取水异常数据挖掘与重构（论文提纲范文）
| 0 引 言 |
| 1 工业取水监测数据异常状态 |
| (1) 零值监测数据。 |
| (2) 非零数值的显着性突变。 |
| (3) 非零数值的无波动衡定。 |
| (4) 数值断点。 |
| (5) 逆季节性数值波动。 |
| 2 模型构建 |
| 2.1 基于小波变换-Fourier函数的异常数据识别模型 |
| 2.2 基于惯性函数-粒子群优化的支持向量机数据重构模型 |
| 3 实验与结果分析 |
| 3.1 数据说明 |
| 3.2 基于3σ准则的取水监测数据粗处理 |
| 3.3 基于WTMM-Fourier函数的取水监测数据处理 |
| 3.4 利用惯性函数-粒子群优化的支持向量机重构异常数据 |
| 3.5 分析讨论 |
| 4 结 语 |
（3）基于深度学习语义分割的断层识别应用研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 选题的国内外研究现状及存在问题 |
| 1.2.1 地震断层解释方法的国内外研究现状 |
| 1.2.2 深度学习语义分割方法的研究现状 |
| 1.2.3 图像分割方法在断层识别中的研究现状 |
| 1.2.4 选题存在问题 |
| 1.3 主要研究内容、技术路线和方法思路 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线和方法思路 |
| 1.4 主要研究成果和创新点 |
| 1.5 论文的组织结构 |
| 第二章 深度学习语义分割的基本原理 |
| 2.1 图像分割概述 |
| 2.1.1 图像分割的目标 |
| 2.1.2 相关分割算法 |
| 2.2 基于深度学习的语义分割实现方式 |
| 2.2.1 深度学习神经网络模型的构建 |
| 2.2.2 深度学习神经网络模型的训练 |
| 2.2.3 模型预测 |
| 2.3 深度学习语义分割效果的评价标准 |
| 2.4 本章小结 |
| 第三章 深度学习语义分割的断层识别网络设计研究 |
| 3.1 深度学习语义分割中地震断层识别问题分析 |
| 3.1.1 基于视觉检测的地震断层解释特点分析 |
| 3.1.2 深度学习中地震断层样本问题分析 |
| 3.1.3 深度学习语义分割网络分析 |
| 3.1.4 问题分析总结 |
| 3.2 基于VGG16 深度学习语义分割网络的断层识别方法 |
| 3.2.1 地震断层训练样本的选取方法 |
| 3.2.2 基于VGG16 改进的语义分割深度学习模型构建 |
| 3.2.3 模型训练方式 |
| 3.2.4 基于深度学习模型的断层预测 |
| 3.3 合成地震断层数据测试 |
| 3.3.1 测试环境配置 |
| 3.3.2 合成地震断层数据生成方法 |
| 3.3.3 合成数据测试与分析 |
| 3.4 本章小结 |
| 第四章 断层识别结果优化后处理研究 |
| 4.1 骨架的基本概念 |
| 4.1.1 骨架的定义 |
| 4.1.2 骨架的基本性质 |
| 4.2 骨架提取的算法及比较 |
| 4.2.1 骨架提取方法 |
| 4.2.2 骨架计算方法分析比较 |
| 4.2.3 本文断层骨架提取方法 |
| 4.3 优化处理方法 |
| 4.3.1 孤立小连通区域的去除 |
| 4.3.2 断线连接 |
| 4.3.3 剪枝 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 实际地震数据断层识别与分析 |
| 5.1 基于深度学习语义分割的断层识别流程 |
| 5.2 实际地震数据的断层识别 |
| 5.2.1 数据背景介绍 |
| 5.2.2 实际地震数据断层识别 |
| 5.2.3 三维结果讨论 |
| 5.3 不同方法对比分析研究 |
| 5.4 本章小结 |
| 第六章 结论和建议 |
| 6.1 结论 |
| 6.2 建议 |
| 致谢 |
| 参考文献 |
（4）化工厂多层气化车间巡检机器人设计及图像智能识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究与发展现状 |
| 1.2.1 图像识别技术的研究与发展现状 |
| 1.2.2 图像配准技术的研究与发展现状 |
| 1.2.3 卷积神经网络的研究与发展现状 |
| 1.3 搭载图像智能识别技术的巡检机器人设计需求分析 |
| 1.4 本文的主要研究内容及论文结构安排 |
| 2 多层气化车间巡检机器人系统的硬件设计与实现 |
| 2.1 巡检机器人各模块组成及功能设计 |
| 2.1.1 巡检机器人中央控制与图像智能处理模块设计 |
| 2.1.2 底层运动控制模块的组成与设计 |
| 2.1.3 图像采集模块组成与智能识别流程 |
| 2.1.4 巡检机器人整机性能 |
| 2.2 电梯控制系统的模块组成与功能设计 |
| 2.2.1 电梯控制系统的设计分析 |
| 2.2.2 电梯控制系统的硬件组成与功能设计 |
| 2.3 网络通信系统的设计与部署 |
| 2.3.1 网络通信系统的结构及设备整体部署 |
| 2.3.2 网络设备选型及各楼层部署 |
| 2.4 巡检机器人上位机控制与显示系统功能设计 |
| 2.4.1 巡检机器人上位机系统的部署 |
| 2.4.2 巡检机器人上位机界面 |
| 2.5 本章小结 |
| 3 巡检机器人目标检测任务中的图像智能识别技术研究 |
| 3.1 基于图像特征点的图像匹配算法研究 |
| 3.1.1 图像匹配的定义与过程推理 |
| 3.1.2 图像特征点提取算法研究与仿真 |
| 3.2 图像特征点提取算法的实验对比与改进 |
| 3.2.1 图像特征点提取算法的实验对比 |
| 3.2.2 基于图像特征点检测的改进型匹配策略 |
| 3.2.3 基于RANSAC算法的误匹配删除 |
| 3.2.4 实验结果及分析 |
| 3.3 本章小结 |
| 4 优化“机梯交互”策略中的图像智能识别技术研究 |
| 4.1 机器人与电梯交互的阻塞分析及策略优化 |
| 4.1.1 电梯运行的逻辑分析 |
| 4.1.2 电梯运行的阻塞分析 |
| 4.1.3 “机梯交互”策略的优化 |
| 4.2 优化“机梯交互”策略的参照物识别 |
| 4.2.1 参照物的选取与定位 |
| 4.2.2 CNN的结构组成概述 |
| 4.2.3 QR码的识别与训练流程 |
| 4.2.4 QR码的训练结果及分析 |
| 4.2.5 优化后的机器人乘梯效果 |
| 4.3 本章小结 |
| 5 巡检机器人智能读表任务中的图像智能识别技术研究 |
| 5.1 MTCNN的原理与技术实现 |
| 5.1.1 MTCNN原理概述 |
| 5.1.2 激活函数 |
| 5.1.3 目标函数 |
| 5.1.4 MTCNN算法的评估指标 |
| 5.2 MTCNN的模型结构与作用 |
| 5.2.1 P-Net网络模型结构与作用 |
| 5.2.2 R-Net网络模型结构与作用 |
| 5.2.3 O-Net网络模型结构与作用 |
| 5.3 MTCNN的训练过程 |
| 5.3.1 指针式仪表数据集的制作 |
| 5.3.2 指针式仪表表盘训练样本的构建 |
| 5.3.3 MTCNN的表盘模型推理与训练过程 |
| 5.3.4 MTCNN性能指标的分析 |
| 5.4 基于改进CNN的表盘数字识别 |
| 5.4.1 训练数据集的制作 |
| 5.4.2 改进CNN网络模型的构建与训练 |
| 5.4.3 表盘刻度数字的识别与定位 |
| 5.5 指针式仪表示数判别 |
| 5.5.1 Hough直线检测仪表指针 |
| 5.5.2 距离法判别示数的原理与分析 |
| 5.5.3 实验结果分析 |
| 5.5.4 现场应用分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
（5）时间序列的相似性度量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题的来源 |
| 1.4 课题研究内容及论文组织结构 |
| 第2章 时间序列相关知识 |
| 2.1 数据挖掘介绍 |
| 2.2 时间序列定义 |
| 2.3 时间序列特征表示方法 |
| 2.3.1 非数据适应性方法 |
| 2.3.2 数据自适应性方法 |
| 2.3.3 基于模型的方法 |
| 2.4 时间序列相似性度量方法 |
| 2.4.1 基于形状的相似性度量 |
| 2.4.2 基于模型的相似性度量 |
| 2.4.3 基于数据压缩的相似性度量 |
| 2.5 本章小结 |
| 第3章 基于分段估算误差的适应性权重DTW方法 |
| 3.1 DTW方法介绍 |
| 3.2 PEE-DTW方法设计思想 |
| 3.2.1 PEE-DTW方法预处理 |
| 3.2.2 估算导数误差计算 |
| 3.2.3 适应性权重计算 |
| 3.2.4 PEE-DTW方法 |
| 3.3 实验分析 |
| 3.3.1 实验平台与数据集 |
| 3.3.2 实验数据预处理 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于改进SAX的动态聚类相似性度量方法 |
| 4.1 SAX方法介绍 |
| 4.2 聚类方法介绍 |
| 4.3 DCMS方法设计思想 |
| 4.3.1 改进SAX的符号化处理 |
| 4.3.2 动态聚类方法 |
| 4.4 实验分析 |
| 4.4.1 实验平台与数据集 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（6）基于人工智能的断层自动识别研究进展（论文提纲范文）
| 0 引 言 |
| 1 智能算法 |
| 1.1 蚁群算法 |
| 1.2 边缘检测 |
| 2 机器学习 |
| 2.1 BP神经网络 |
| 2.2 支持向量机 |
| 2.3 生成对抗网络 |
| 2.4 聚 类 |
| 2.5 卷积神经网络 |
| 2.5.1 卷积神经网络发展现状 |
| 2.5.2 卷积神经网络应用于断层自动识别的发展现状 |
| 2.5.3 基于卷积神经网络的地震资料断层自动识别的关键技术 |
| (1)合成地震记录及断层标签的制作 |
| (2)卷积神经网络架构搭建 |
| (3)卷积神经网络训练优化 |
| 2.5.4 基于迁移学习与集成学习的优化方法 |
| (1)迁移学习 |
| (2)集成学习 |
| 2.5.5 实例分析 |
| 3 展 望 |
| 4 结 论 |
（7）面向教育数据的时间序列分类方法研究及其应用（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 时间序列分类研究现状 |
| 1.2.1 基于实例的TSC方法 |
| 1.2.2 基于特征的TSC方法 |
| 1.2.3 基于模型的TSC方法 |
| 1.2.4 集成的TSC方法 |
| 1.2.5 基于深度学习的TSC方法 |
| 1.3 亟待解决的问题 |
| 1.4 研究内容及创新点 |
| 1.5 本文的组织结构 |
| 第2章 时间序列分类关键技术 |
| 2.1 时间序列表征方法 |
| 2.1.1 非数据自适应方法 |
| 2.1.2 数据自适应方法 |
| 2.2 时间序列的相似性度量 |
| 2.2.1 欧式距离 |
| 2.2.2 动态时间弯曲距离 |
| 2.2.3 最长公共子序列距离 |
| 2.3 本章小结 |
| 第3章 基于小波和shapelet特征识别的组合分类方法 |
| 3.1 引言 |
| 3.2 相关定义 |
| 3.3 基于小波和shapelet特征识别的组合分类方法 |
| 3.3.1 方法的整体框架 |
| 3.3.2 小波分解 |
| 3.3.3 特征提取 |
| 3.3.4 组合分类器 |
| 3.4 实验与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设计 |
| 3.4.3 评价方法 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于感知重要点间隔特征转换的时间序列分类方法 |
| 4.1 引言 |
| 4.2 间隔特征提取的相关工作 |
| 4.3 基于感知重要点的间隔特征转换方法 |
| 4.3.1 感知重要点 |
| 4.3.2 间隔特征向量定义 |
| 4.3.3 辨别性特征向量选取 |
| 4.3.4 数据转换 |
| 4.4 实验与分析 |
| 4.4.1 实验设计 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于多特征SAX的时间序列分类方法 |
| 5.1 引言 |
| 5.2 符号化近似表示及其运算法则 |
| 5.2.1 分段聚合近似 |
| 5.2.2 符号聚合近似 |
| 5.3 基于多特征的SAX时间序列相似性度量方法 |
| 5.3.1 优选特征组合 |
| 5.3.2 映射符号向量 |
| 5.3.3 改进距离度量 |
| 5.4 实验与分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验设计 |
| 5.4.3 评价方法 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 间隔特征抽取在学习者参与模式识别中的应用 |
| 6.1 引言 |
| 6.2 参与度相关研究 |
| 6.2.1 参与度评估指标 |
| 6.2.2 参与模式 |
| 6.2.3 参与度评估方法 |
| 6.3 参与模式自动评估框架 |
| 6.4 实验与分析 |
| 6.4.1 实验数据集 |
| 6.4.2 参与度评估指标选取 |
| 6.4.3 聚类分析 |
| 6.4.4 分类分析 |
| 6.4.5 辨别性特征分析 |
| 6.4.6 干预措施 |
| 6.4.7 实验研究的局限性 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
（8）基于瞬态分析的PDG数据处理方法与应用（论文提纲范文）
| 引 言 |
| 1 PDG数据处理理论与方法步骤 |
| 1.1 数据特点与处理步骤 |
| 1.2 数据准备 |
| 1.3 消除异常点 |
| 1.4 降噪 |
| 1.4.1 小波阈值降噪 |
| (1)小波函数 |
| (2)分解层数 |
| (3)阈值 |
| 1.4.2 数据平滑 |
| 1.4.3 降噪效果评价指标 |
| 1.5 瞬态识别与提取 |
| 1.6 数据精简 |
| 2 应用实例 |
| 2.1 实例1 |
| ①选择小波函数。 |
| ②确定分解层数。 |
| ③小波阈值。 |
| ④降噪结果优选。 |
| 2.2 实例2 |
| 2.3 实例3 |
| 3 结 论 |
（9）基于视觉和力反馈的EAST第一壁瓦片识别和拆卸关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 核聚变实验装置遥操作的国内外研究现状 |
| 1.2.1 JET遥操作发展现状 |
| 1.2.2 ITER遥操作发展现状 |
| 1.2.3 DEMO和CFETR遥操作发展现状 |
| 1.3 EAST遥操作探索 |
| 1.4 论文结构 |
| 第2章 EAST第一壁瓦片遥操作维护关键技术 |
| 2.1 掉落瓦片的识别 |
| 2.1.1 特征提取的研究现状 |
| 2.1.2 掉落瓦片识别的关键技术 |
| 2.2 损坏瓦片拆卸的关键技术 |
| 2.3 本章小结 |
| 第3章 掉落瓦片的识别与抓取 |
| 3.1 “断点”图像表示介绍 |
| 3.2 掉落瓦片的识别方法 |
| 3.2.1 图像预处理 |
| 3.2.2 断点检测 |
| 3.2.3 掉落瓦片的检测 |
| 3.3 实验 |
| 3.3.1 实验设备 |
| 3.3.2 可行性试验 |
| 3.3.3 鲁棒性试验 |
| 3.4 本章小结 |
| 第4章 损坏瓦片的螺栓拆卸 |
| 4.1 装配原理 |
| 4.1.1 柔顺控制 |
| 4.1.2 由轴孔装配到边对边的装配 |
| 4.2 装配步骤 |
| 4.3 装配实验 |
| 4.3.1 实验设备 |
| 4.3.2 实验 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 今后工作展望 |
| 参考文献 |
| 补充材料 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（10）基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法（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 桥梁结构状态监测方法研究现状 |
| 1.2.1 常规安全监测方法 |
| 1.2.2 桥梁智能监测新技术进展 |
| 1.3 结构损伤识别方法的研究现状 |
| 1.3.1 常规桥梁损伤识别方法 |
| 1.3.2 图像处理技术在结构损伤识别中的应用 |
| 1.4 桥梁结构损伤识别问题探讨 |
| 1.5 本文主要研究工作 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第二章 面向桥梁结构状态监测的数字图像获取方法 |
| 2.1 桥梁状态监测影像数据采集方案 |
| 2.2 摄影图像的几何关系与转角约束 |
| 2.2.1 最大转角对监测图像的影响及阈值判定方法 |
| 2.2.2 相邻图像适度旋转角的阈值判定方法 |
| 2.3 单机监测桥梁结构状态的硬件系统组成 |
| 2.4 本章小结 |
| 第三章 基于旋转摄影的桥梁等效正射图像获取方法 |
| 3.1 投影中心偏移矫正方法 |
| 3.1.1 连续图像序列向基准图像的映射 |
| 3.1.2 图像序列投影中心偏移纠正方法 |
| 3.1.3 投影中心矫正方法的试验验证 |
| 3.2 基于尺度不变特征变换(SIFT)的图像同名点数学表征 |
| 3.2.1 SIFT特征点的提取和配准 |
| 3.2.2 尺度变化对特征点稳定性的影响 |
| 3.2.3 转角变化对特征点稳定性的影响 |
| 3.3 桥梁结构正射图像获取试验 |
| 3.3.1 模型试验梁的设计与制作 |
| 3.3.2 试验数据的采集方法 |
| 3.3.3 试验梁的损伤及加载制度 |
| 3.3.4 试验梁的等效正射图像获取 |
| 3.4 本章小结 |
| 第四章 桥梁结构图像轮廓线全息变形获取方法 |
| 4.1 基于模糊集理论的桥梁图像增强 |
| 4.2 桥梁图像边缘连续化处理 |
| 4.2.1 不连续边缘检测算法改进 |
| 4.2.2 灰度形态学对不连续边缘的处理 |
| 4.2.3 桥梁图像边缘连续性处理效果验证 |
| 4.3 桥梁图像监测分辨率标定和形态提取 |
| 4.3.1 桥梁图像的监测分辨率标定 |
| 4.3.2 桥梁结构主体形态提取 |
| 4.3.3 结构主体形态提取结果验证 |
| 4.4 桥梁结构边缘变形分析 |
| 4.4.1 结构图像边缘线形振荡成因及特征分析 |
| 4.4.2 基于改进小波阈值去噪函数的结构边缘滤波方法 |
| 4.4.3 桥梁结构边缘变形提取及精度验证 |
| 4.5 本章小结 |
| 第五章 桥梁结构全场位移矢量求解方法 |
| 5.1 桥梁结构全场位移向量集合的求解方法 |
| 5.1.1 结构图像同名点对的批量筛选与匹配 |
| 5.1.2 图像测量平面点对位置的约束构造 |
| 5.1.3 结构全场位移矢量求解方法 |
| 5.2 位移矢量场一致性约束条件 |
| 5.2.1 全场位移矢量转角误匹配筛除 |
| 5.2.2 位移矢量一致性约束 |
| 5.2.3 矢量一致性约束能力验证 |
| 5.3 结构位移矢量场精度验证 |
| 5.3.1 全场位移矢量精度验证 |
| 5.3.2 局部位移矢量异常分布验证 |
| 5.4 本章小结 |
| 第六章 基于全息形态变化的桥梁结构损伤识别方法探索 |
| 6.1 损伤致梁形态变化的理论分析 |
| 6.1.1 带损伤梁的变形方程 |
| 6.1.2 损伤致梁形态变化的数值算例 |
| 6.2 基于形态变化损伤识别的数值模拟 |
| 6.2.1 有限元模型的建立 |
| 6.2.2 损伤梁有限元数值分析结果 |
| 6.3 全息形态变化下的损伤识别参数选取 |
| 6.3.1 基于曲率参数识别损伤的应用问题 |
| 6.3.2 基于转角参数识别组合梁损伤的数值模拟 |
| 6.4 基于位移矢量转角变化的结构损伤识别方法 |
| 6.4.1 结构位移矢量异常分布特征 |
| 6.4.2 位移转角差表征的结构状态 |
| 6.5 结构损伤识别方法试验验证 |
| 6.5.1 验证试验概况 |
| 6.5.2 试验梁全场位移矢量提取 |
| 6.5.3 试验梁构件的损伤识别 |
| 6.5.4 基于位移矢量转角变化的桥梁结构损伤识别程序 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 后记与研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
四、回归函数断点的小波识别方法（论文参考文献）
- [1]气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例[D]. 王雨晴. 内蒙古农业大学, 2021(01)
- [2]基于小波-支持向量机的工业取水异常数据挖掘与重构[J]. 王晗,张峰,薛惠锋. 计算机应用与软件, 2021(05)
- [3]基于深度学习语义分割的断层识别应用研究[D]. 胡广. 中国地质大学, 2021(02)
- [4]化工厂多层气化车间巡检机器人设计及图像智能识别技术研究[D]. 蔡佩征. 青岛科技大学, 2021(01)
- [5]时间序列的相似性度量方法研究[D]. 曲丽. 哈尔滨理工大学, 2021
- [6]基于人工智能的断层自动识别研究进展[J]. 陈桂,刘洋. 地球物理学进展, 2021(01)
- [7]面向教育数据的时间序列分类方法研究及其应用[D]. 晏莉娟. 华中师范大学, 2020(02)
- [8]基于瞬态分析的PDG数据处理方法与应用[J]. 张冰,王金龙,张宁生. 西安石油大学学报(自然科学版), 2020(05)
- [9]基于视觉和力反馈的EAST第一壁瓦片识别和拆卸关键技术研究[D]. 刘佳生. 中国科学技术大学, 2020(01)
- [10]基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法[D]. 楚玺. 重庆交通大学, 2020