一、高低频预测模型结合的最优化方法（论文文献综述）
姚天楚[1]（2021）在《噪声标签数据集上的弱监督声音事件识别方法研究》文中认为机器听觉指的是机器通过分析声音信号获取信息的能力。随着智能化时代的到来,机器听觉受到日益广泛的关注。其中一个重要的任务是声音事件识别（Sound Event Recognition,SER）任务。声音事件识别指通过分析音频信号,判断其中的发生的物理事件信息。目前主流的声音事件识别方法是基于深度学习的,但在数据方面存在两个问题:第一,深度学习依赖有标注数据,而声音事件的标注成本很高,难以获得足量有标注数据,限制了深度学习模型的性能;第二,稀缺声音事件类型的数据难以获取。在上述情况中,数据集在训练过程中无法提供足够监督,对于这种情况就需要弱监督学习方法来应对。针对上述问题,本文选定两个声音事件识别任务的子任务,即声音事件识别任务和机器异常声音检测任务,研究了其面临的弱监督场景以及应对方法。在声音事件识别任务中,本文首先对模型结构进行优化,在卷积循环神经网络的基础上引入了残差连接通路。随后分析了多尺度特征融合的重要性,提出多分辨率特征生成层用于生成多分辨率特征,以及密集连接循环神经网络结构来融合不同抽象程度的特征。同时基于均值教师模型利用数据集中的无标注、弱标注数据,使模型学习到更好的特征表示。最终结合上述方法,本文提出的相对于基线系统的取得了13.4%的性能提升。在机器异常声音检测任务中,本文首先选用了机器类型识别和机器编号识别两个分类任务作为辅助任务,设计了基于分类置信度的异常声音检测模型,并利用Mix-up算法实现对特征空间的平滑。随后本文提出了未知样本分类任务,设计了四种生成未知样本的数据增强方法,借助数据增强方法将合成样本标注为未知类别,并添加入模型训练中。最后,本文模拟了实际环境中异常声音检测系统面临的设备间频响差异,验证了本文提出方法在存在设备间频响差异情况下的有效性。最终相对于基线系统,本文提出的方法取得了12.8%的相对性能提升,并在具有设备间频响差异的情况下取得了25.8%的性能提升。
王婷[2]（2021）在《高低风险决策下海洛因戒断人群的脑电信号特征融合分类》文中提出严重的戒断反应,使戒断者在度过身体脱毒期后,仍旧具有复吸的高可能性。目前的毒品检测手段也存在,无法判断戒断人群脑损伤状况的局限。因此,从神经科学的角度探究海洛因成瘾对大脑结构和功能的损伤,有助于实现客观准确的成瘾诊断,制定出有效的治疗方案。但是,以往的研究大多采用单一的脑功能网络或非线性特征方法,未进行全面地对比分析,实验内容不够充分。针对以上问题,本文采用高低风险决策范式,采集32例海洛因戒断人群（Heroin Abstinents,HAs）和24例健康对照者（Normal Controls,NCs）的脑电（Electroencephalogram,EEG）两组信号。使用多个脑功能网络和非线性特征研究方法,挖掘凸显HAs大脑损伤的有效指标,明确显着变化的脑区位置。此外,联合特征融合和分类算法,提出可用于识别和监测HAs的模型。主要研究工作包括以下三点:第一,基于两组人群全频EEG信号,分别计算六种脑功能网络,随后结合五种二值化方法,探索最佳识别HAs的脑功能网络和二值化方法组合。研究发现,在高风险损失条件下,相干性脑功能网络结合10%比例阈值的二值化方法,所得参与系数特征的识别能力较其他条件下对应特征更强,特征值显着低于NCs。该结果表明,HAs做出高风险决策但遭受损失时,易产生认知灵活性和情感克制丧失的表现。第二,提取EEG信号中δ、α1和α2三个节律,分别计算脑功能网络和非线性特征下最优特征子集,使用统计检验方法探索海洛因对大脑不同脑区的损伤情况。研究发现,低风险收益条件下,HAs右侧额叶区AF8导联α1节律下近似熵显着低于NCs,Fp2导联α2节律下C0复杂度显着高于NCs;低风险损失条件下,HAs左侧颞叶区TP7导联δ节律下近似熵显着高于NCs;高风险收益条件下,HAs在TP7导联δ节律下奇异值分解熵显着低于NCs,近似熵显着高于NCs;高风险损失条件下,HAs左侧中央区α1节律下参与系数显着低于NCs。该结果表明,脑功能网络方法对左侧中央区损伤,非线性特征方法对右侧额叶和左侧颞叶区损伤有较好探索能力,两种方法HAs脑损伤区域的研究方面具有互补优势。第三,对脑功能网络和非线性特征研究方法下的两个最优特征子集进行特征融合,应用五种分类算法（朴素贝叶斯、Logistic回归、支持向量机、k-近邻算法和随机森林）,寻找有效识别HAs的最佳模型。融合特征即由七个非线性特征和四个脑功能网络特征组成。研究发现,使用随机森林分类器时,可获得最高94.64%的HAs识别准确率。该结果表明,脑功能网络特征和非线性特征的融合,可大大提高目标人群的识别效果,有助于较为准确地区分HAs和NCs。
俞晓冬[3]（2020）在《基于不确定性分析的自律型风电场储能容量优化配置研究》文中进行了进一步梳理由于化石能源危机和环境污染问题,对风电等可再生能源发电技术的研究开发和推广应用已成为电力行业的发展趋势。风电是一种优质的可再生能源,不仅清洁环保而且存储量巨大。然而因为其自身所固有的不确定性,大规模风电并网会给电力系统带来各种问题。深入研究风电的不确定性特征及其应对措施,对风电的消纳和电网的安全稳定具有重要的意义。风电场如果将自身的不确定性因素都转交给电网处理,就会使不确定性的影响范围由发电侧扩展至整个电力系统,并且使整个系统的规划工作与运行调控工作更加复杂。如果风电场自身能具有一定的自律性,则既可以增强风电的可调度性,又可以降低整个系统的复杂性。因此增强风电场的自治能力,使风电场具有一定的自律性,是比较合理的研究思路。在风电场出口装设合适容量的储能系统,通过风储合作的方式使风电场具备一定的自律性,使风电由被动接纳转变为主动参与系统消纳。因此研究自律型风电场中储能容量的优化配置具有重要的实际应用价值。另外,风电的不确定性实际上表现为非规则分布特征,任何基于规则分布的风电预测研究和储能容量优化配置研究都具有一定的局限性,不具有研究模型上的稳健性与研究方法上的通用性。因此针对风电不确定性的非规则分布特征,寻找一种稳健的研究模型与通用的研究方法将具有重要的理论意义。本文以含储能的自律型风电场为研究对象,首先建立风电功率不确定性的模型,研究非规则分布下的短期风电功率的区间预测问题,然后在风电功率区间预测的基础上,针对非规则分布,分别从以下三方面研究了自律型风电场中储能容量的优化配置问题:（1）从风电场自律型区间优化的角度研究储能容量的优化配置;（2）从风险分析的角度研究自律型风电场储能容量的优化配置;（3）在频域内分析风电功率的频率特性,从平滑风电功率波动的角度研究储能容量的优化配置。从而形成了关于自律型风电场的从风电功率不确定性分析到风电功率区间预测到储能容量规划的研究体系,并考虑了风电不确定性模型的稳健性与研究方法的通用性。实际风电场在进行储能容量配置时,可根据自身机组、地域及市场等实际情况,从上述各角度或其中某些角度进行多维度综合评估,从而确定储能容量的最优配置。本文的主要研究工作和创新成果如下:（1）针对风电功率的非规则分布特征,提出基于Parzen窗和置信区间优化的风电功率区间预测方法。首先采用Parzen窗估计方法来建立风电功率的不确定性模型,Parzen窗估计方法适用于任意形状的非规则分布;其次对于非规则分布的预测区间的求取问题,本文以预测区间宽度最小为目标函数,且满足一定的约束条件,建立最优化模型,应用信赖域优化方法求解最优预测区间;最后关于区间预测质量的评价问题,区间宽度和区间预测准确率是两个相互矛盾相互制约的指标,本文借鉴信息检索领域里F值的概念,综合衡量这两个相互矛盾的指标,从而全面客观地评价了风电功率区间预测的质量。算例分析结果表明,本文方法不但可以获得更好的风电功率区间预测质量,而且具有研究模型上的稳健性与研究方法上的通用性。为后续章节关于自律型风电场中储能容量优化配置的研究奠定了坚实的基础。（2）从风电场自律区间优化的角度,提出了风电场跟踪最优自律区间和有效跟踪计划出力的储能容量优化配置方法。1)当风电场跟踪最优自律区间时,首先提出了风电场自律区间的概念,在风电场中配置储能可以使其实际出力被限制在一定的功率区间内,从而减弱风电不确定性对电网的影响,增强风电场的自律性;然后针对风电不确定性的非规则分布特征,寻找风电场的最优自律区间,进而得到相应的储能容量最优配置。2)当风电场自律区间的宽度为零时,风电场跟踪计划出力。风电场如果能有效跟踪计划出力,则将具有更好的自律性,但此时需要配置更大的储能容量,因此经济性是必须要考虑的问题。风电场可考虑在一定跟踪度下跟踪计划出力,对于跟踪度之外产生的的弃风和缺电,需要风电场向电网支付相应的弃风惩罚和缺电惩罚来购买系统的旋转备用以维持其计划出力。以风电场收益最大为目标函数,针对非规则分布,求解一定跟踪度下的储能容量最优配置。在此基础上又深入细致地分析了储能成本、电价、弃风惩罚、缺电惩罚和跟踪度等影响因素与最优结果之间的特性关系。仿真算例表明该方法不但适用于规则分布,而且适用于非规则分布,具有研究模型上的稳健性和研究方法上的通用性。不但能够获得基于风电场最优自律区间的储能容量配置方案,而且还可以获得一定计划出力跟踪度下的储能容量最优配置方案以及不同成本条件和惩罚条件下的最优跟踪度。该方法有效提高了风电场的自律性水平,为自律型风电场的储能容量规划提供了有力的决策支持,具有重要的参考价值。（3）从风险分析的角度研究自律型风电场中储能容量的优化配置,提出了基于改进夏普比率的风电场储能容量优化配置方法。风电的不确定性会给系统带来风险,自律型风电场应该具有一定的风险规避能力。本章借鉴金融领域中夏普比率的思想来评估自律型风电场每单位风险的超额收益,从而把风险与收益有机结合起来。首先对传统夏普比率进行了改进,用条件风险价值代替传统夏普比率中的风险度量来考察风电不确定性带来的风险,不但适用于风电不确定性的非规则分布特征,而且计及了尾部风险,具有前瞻性;然后考虑到风电不确定性会给系统带来双侧风险（即弃风风险和缺电风险）,因此对传统的单侧条件风险价值进行了改进;进而针对非规则分布下的双侧风险的计算进行了深入研究;最后综合衡量单位风险和超额收益,以夏普比率最大为目标,求解风电场所需要配置的最优储能容量。算例分析表明该方法在进行风电场储能容量配置时,不但将风险和收益有机结合起来进行考察,而且适用于任意分布,具有研究模型上的稳健性与研究方法上的通用性,为自律型风电场的风险评估和储能容量优化配置研究提供了新的思路。（4）在频域内分析风电功率的频率特征,从平滑风电场出力波动的角度,提出了考虑风电功率低频分量波动率裕度的自律型风电场中混合储能容量的优化配置方法。风电场的自律性还体现在对波动率的自律方面。为了满足风电并网的波动率标准,在频域内通过小波包变换将风电功率分解为低频分量、次高频分量和高频分量,把满足并网波动率标准的低频分量作为并网功率,而次高频分量和高频分量则分别用蓄电池和超级电容来进行平抑。考虑到满足并网标准的低频分量的波动率其实会存在一定的裕度,因此对次高频分量和高频分量只需要进行部分平抑即可。在此思想的指导下,以风电场的混合储能成本最小为目标函数,以波动率满足并网标准为约束条件,在非规则分布下,建立优化模型,求解得到蓄电池和超级电容的最优容量配置。在此基础上,以混合储能未平抑的功率剩余量为评价对象,分析各典型日储能配置结果的熵,分析其中所包含的信息量和不确定性的大小,从而确定各典型日结果的熵权。基于各典型日储能配置结果及其熵权,得到最终的混合储能配置结果。仿真算例表明该方法在保证风电波动率满足并网标准的前提下,显着降低了储能成本,而且储能配置结果具有更小的功率误差和容量误差,有效提升了储能容量配置的准确性和合理性。
梁遐意[4]（2020）在《低噪声功能路面表面纹理优化研究》文中进行了进一步梳理随着人类社会经济的发展,交通噪声污染正逐渐成为一个严重的环境问题,不仅严重损害人们的身心健康,还制约噪声源周边物业的经济价值。交通噪声由空气动力效应、车辆动力总成（排气和发动机）和轮胎与路面相互作用引起的综合噪声叠加而成。随着汽车行业的技术革新,车辆动力系统噪声得到有效控制,轮胎/路面噪声已成为交通噪声的主要来源。已有研究表明,轮胎/路面噪声主要由轮胎振动噪声和空气动力噪声叠加而成。影响轮胎/路面噪声水平的主要因素是表面纹理和空隙率,路面表面纹理主要影响轮胎振动噪声产生,路面空隙率主要影响空气泵吸噪声产生和轮胎/路面噪声传播。因此表面纹理和空隙率的优化研究应作为低噪声路面的设计方向。鉴于多空隙路面的降噪效果已有大量研究,同时高造价和短寿命也限制了多空隙路面的使用范围。从这个角度看,研究表面纹理对交通噪声的影响具有更广泛的意义。随着科学技术的发展,道路行业已经可以通过表面处治（程控精铣刨等）方式将路面表面纹理处置成期望的轮廓形貌。然而受实际表面纹理单一化以及室内模拟条件的限制,人们无法全面地调查和验证表面纹理形式与路面噪声的关系,特别是表面纹理单一变量对路面噪声的影响,因此无法获取经过优化的理想低噪声路面表面纹理形式用于指导路面表面处治。鉴于此,本文从路面表面轮廓线的几何评价角度出发,采用有限元模拟及相关性分析方法,调查研究表面纹理单一化指标与路面噪声的关系,建立基于表面纹理几何表征参数的振动噪声经验预估模型。并基于BP神经网络模型和最优化方法,开展基于目标噪声的表面纹理设计方法研究,实现表面纹理—噪声水平的正向预测和反向设计。然后采用3D打印技术和室内加速加载系统噪声测试法对振动噪声预估模型和表面纹理设计方法的准确性进行验证,并采用单层结构形式开展低噪声功能设计。本文主要研究如下:（1）从表面轮廓线的空间几何评价指标角度,总结归纳了二维轮廓线的表面纹理纵向深度、水平分布、轮廓空间形态的表征参数。同时构建了轮胎-空气-路面耦合振动噪声模型,以计算二维轮廓线激励下的时域与频域噪声水平。系统地开展了表面纹理几何表征参数与振动噪声的相关性研究,分析了纹理参数对总体噪声、低频噪声及高频噪声的影响规律,并开展了与振动噪声相关的表面纹理几何参数重要性分析。在此基础上,通过主成分-逐步回归法建立了基于表面纹理几何表征参数的振动噪声经验模型,实现了基于路面表面纹理的噪声水平预测。（2）为实现轮廓线的精准函数表达,采用傅里叶级数拟合表面轮廓线,发现在表面轮廓线的噪声性能相关性研究中,轮廓曲线的傅里叶级数拟合优度R2≥0.9即可满足精度要求。之后利用BP神经网络构建轮廓线傅里叶系数与噪声水平的非线性函数模型,并以此建立了最优化求解的目标函数,最后采用内点法-粒子群混合算法进行目标噪声值下的轮廓线傅里叶系数最优化求解,以获取目标噪声下的轮廓线傅里叶级数,实现了目标噪声下的表面纹理反向设计。（3）采用线激光扫描仪提取路面的表面轮廓线,基于数字图像拼接和配准算法,重构了真实路面的表面轮廓面模型。并提出两种定向生成表面轮廓面方法:一是基于振动噪声预估模型,建立以振动噪声值为导向的表面轮廓线数据库,随机筛选期望噪声水平的表面轮廓线组合生成表面轮廓面;二是采用表面纹理设计方法生成期望噪声水平下的轮廓线,随机组合成表面轮廓面。采用3D打印技术复制和定制表面轮廓面,并以纹理水平指标评价纹理打印质量。结果表明:3D打印对大部分宏观纹理有着高复制性,但是难以复制微观纹理,并验证3D打印技术应用于表面纹理定制领域是可行的。最后基于主驱动轮式路面材料加速加载系统噪声测试法,对真实试件、复制试件、定制试件进行轮胎/路面噪声测试与评价,有效验证了振动噪声预估模型和表面纹理设计方法的准确性。（4）参考碎石封层的结构形式,采用单层集料结构展开低噪声功能层设计。采用MATLAB编程软件生成相应特征的二维集料颗粒,随机组合成单层结构,提取单层结构的表面轮廓线,计算其振动噪声水平。综合考虑集料的粒径、棱角性、级配组成因素可知,粗粒式（9.5-13.2mm）、低棱角性（圆度值1.0-1.3）、单粒径集料所组成的单层结构表现较低的振动噪声水平,可应用于低噪声单层结构设计。
蔡颖婧[5]（2020）在《多聚焦图像融合算法研究》文中提出近年来,随着大量成像设备应用于人类的生活和工业生产中,多聚焦图像融合在图像处理中扮演着越来越重要的角色。受光学镜头景深范围的影响,光学镜头无法一次获取目标场景的全场景清晰图像,需要对不同部分进行多次采集,得到多幅聚焦不同区域的源图像,整合这些源图像成一幅全场景的清晰图像是多聚焦图像融合需要解决的重要问题。本文针对神经网络的深度学习多聚焦图像融合算法展开了深入研究,主要研究内容如下:1.基于多聚焦图像融合的原理和实现过程进行了分析与研究,并在像素级图像融合层次上进行了研究,分别针对变换域和空间域方法进行采用典型算法进行探讨,分析了各类算法适用的图像场景。研究了图像融合的质量评价方法和本文用到的质量评价指标,为后续算法的融合性能对照和比较提供理论依据。2.研究了基于有监督学习的神经网络多聚焦图像融合算法,构建了基于CNN的有监督图像融合算法模型,采用一种基于监督学习的全卷积神经网络图像融合算法,该算法将多聚焦图像融合视为像素点预测问题,通过监督学习训练全卷积神经网络,使网络能够对原图像中不同聚焦区域的互补关系进行学习,从而达到一张全局清晰的图像。通过仿真实验和数据分析,说明该算法各方面融合性能优于传统算法,但是也存在计算复杂、耗时过长等不足。3.针对有监督学习需要花费大量的时间和精力创建数据集,并且训练周期长等问题,提出了一种基于无监督学习的深度学习融合算法。首先,训练一个无监督的编解码器网络来提取输入图像的深层特征,然后利用这些特征和空间频率来测量图像像素活跃度并得到决策图。最后,应用一致性校验方法对决策图进行调整,得到最终决策图。通过采用16种融合方法的实验效果和数据分析,证明该方法在客观评价和主观评价方面均取得了较好的融合效果。
刘欣泽[6]（2020）在《基于跨频段岩石物理实验的频散AVO研究》文中提出岩石物理学作为连接地震属性（振幅以及相位等）与储层属性（地层物性参数以及流体性质等）之间的桥梁,在勘探难度日益升高的趋势下越来越受到人们的重视。岩石物理理论认为地震波在饱和流体的多孔岩石中传播时,由于波动传播引起的孔隙流体相对固体的运动（波致流）,地震波会表现出频率相关的速度频散与衰减现象,并且流体性质不同其频散与衰减的程度不同,这也是基于地震数据识别不同性质孔隙流体的理论依据。在岩石物理实验方面跨频段测量能够测得饱和流体岩石的速度频散与衰减,但和现有频散理论的预测结果通常相差较大,这对频散与衰减特征在地震流体预测中的应用造成了困难,因此一种能够精确解释并预测地震波速度频散及衰减特征的频散理论模型尤为重要。在以岩石物理为基础的依赖频率的地震属性提取及地震反演方面,众多学者已发展了多种方法以实现储层流体的定性识别,然而多数方法都是以时频分解技术为基础并由数据驱动的、缺乏严谨的正演理论支持,且这些方法都无法从地震中提取到不同频率的真实速度,不能与岩石物理实验或理论数据对比以更加精细地预测流体信息。基于以上的几点问题,本论文的目的在于结合岩石物理实验与理论,通过频率依赖的AVO反演方法来精确预测储层流体,主要完成了:（1）使用应力-应变跨频段测量装置精确获取了实际储层位置岩心饱和流体时的频散速度,分析了现有频散岩石物理模型的特点并以之为基础建立了能够更好的吻合跨频段测量数据的理论模型,在一定程度上增强了对频散特征预测的准确性;（2）以跨频段测量的频散规律为基础,通过地震正演及数据驱动的频变反演方法分析了含流体岩石频散性质的变化对地震响应的影响规律,并发现该反演方法易受到时频分辨率与储层厚度的影响而出现假象;（3）对使用模型驱动的地震叠前反演思路来反演不同频段的地震速度进行了探索性研究,该反演结果可以直接和对应的岩心跨频段测量结果进行对比,这使通过跨频段测量或频散理论模型来定量预测储层物性参数及含流体性质成为了可能。
谭尹杰[7]（2020）在《基于可分离元素注意力机制的雨痕与背景耦合预测技术研究》文中提出在下雨天气获取图像时往往会在图像中产生雨痕,导致图像中的物体信息被破坏。这可能会导致后续计算机视觉系统的性能下降或者让拍摄者获取不到理想中的照片。要从单一图片中去除雨水痕迹是一项非常具有挑战性的任务,因为这是一个高度不适定的问题,可能存在着多组解。虽然目前使用合成数据集训练的深度神经网络在一些场景中取得不错的效果,但模型的泛化性能不足仍然是最大的问题。本文通过调研分析发现了其中一个造成泛化性能不足的原因,并针对这一点设计了一个泛化性能更强的网络。在调研相关工作时,本文发现几乎所有的深度学习方法都通过预测雨痕残差,然后通过与输入图像相减得到干净背景。虽然雨痕残差层大部分值更接近零,根据残差学习理论深度神经网络学习这种更接近零的映射会更容易。但是本文发现在雨痕残差层中高残差值的像素数量非常少,相对残差值接近零的像素数量几乎不存在。这会容易导致深度网络对合成数据集中的高残差值雨痕模式过拟合,并且无法很好地处理真实场景下的高残差值雨痕模式。虽然这些高残差值雨痕数量少,但由于对比度高,对结构的破坏通常更加明显。本文发现如果使用直接预测背景的方式,由于这些高残差值雨痕位置原本的背景像素值更接近零,新映射变得更容易学习,更利于图像结构的修复。而且使用背景标签能够让网络学习到与图像中物体相关的语义信息特征图,能够辅助严重受损区域进行信息重建。对比实验证明了预测背景相比于预测残差的方式对真实雨痕的处理有更强泛化性。虽然预测背景的方式有更强泛化性,但是其不足的地方在于容易造成细节信息丢失或者模糊。受到传统方法中一种使用背景层和雨痕层相互优化的方式启发,本文提出了一个雨痕残差和背景耦合预测的网络。通过雨痕标签提供指导,让网络减少在预测的背景中对于类似雨痕细节的误删除。为了让网络注意那些更需要修复或者有助于修复的区域,本文提出一个可分离元素注意力机制。这是通过一个通道注意力分支和空间注意力分支计算后再合并得到。由于其计算量和参数不多,可以嵌入到网络内的所有模块中。实验结果表明本文提出的网络相比之前专注于图像去雨痕的网络,不管在合成数据集的评测以及真实数据集的视觉效果上都取得更好的效果。
黄武涛[8]（2020）在《挖掘机关键液压元件故障诊断方法及系统研究》文中研究指明挖掘机是国家的重要装备基础,然而我国挖掘机行业仍存在着设备故障率高、可靠性不强和运维服务水平低等问题。因此,提高挖掘机智能化水平已经成为行业的重要工作。为了提高挖掘机的智能化水平并确保工作可靠性,本文针对挖掘机关键液压元件进行故障诊断研究,并进行挖掘机健康管理系统开发。本课题的意义在于,研究挖掘机关键液压元件故障诊断所涉及的技术,探究相关元件性能数据的特征提取方法,设计相应的状态感知方案,研究出匹配的故障诊断方法,在此基础上开发挖掘机健康管理系统,为推动挖掘机智能化转变积累技术基础。本文主要内容如下:（1）设计了基于NI cDAQ-9191机箱的故障状态感知装置。先对挖掘机进行故障树分析,进一步对主要液压元件进行故障模式及机理分析。在此基础上,对液压元件进行故障状态感知研究,分析故障的特征信号类型,并设计相应的故障信号采集方案。最后,完成故障状态感知装置的开发,实现数据采集与存储的功能。（2）提出了基于卷积神经网络的液压缸故障诊断方法。先采集液压缸在不同泄漏状态下的压力信号作为原始信号,再进行小波包分解,获取各个子带信号的能量,归一化后得到特征向量。将特征向量贴上标签后用于卷积神经网络训练,进而识别液压缸故障类型。结果表明,所提方法具有诊断速度快、识别精度高的优点。（3）基于白色测量噪声子空间辨识和状态反馈法,提出了考虑测量噪声和摩擦因素的液压缸泄漏诊断算法。基于系统动力学方程搭建液压缸模型,设置泄漏系数模拟液压缸内泄漏和外泄漏,获取液压缸两腔压力和活塞杆位移信号。采用状态反馈法处理系统非线性参数,运用欧拉法得到系统状态空间表达式,最后基于白色测量噪声的子空间辨识求取泄漏系数估值,根据估值大小对泄漏类型和严重程度进行定量化诊断。结果表明,所提方法可以对液压缸泄漏故障进行量化地诊断。（4）提出了基于深度置信网络的液压泵故障识别方法。针对液压泵故障模式多且故障特征不明显的特点,采集振动信号并进行无量纲参数特征提取,获取反映液压泵状态的特征。再基于DBN网络搭建诊断模型,经过训练优化后,用于识别液压泵故障模式。结果表明,所提方法能够精确识别多类型故障。（5）在上述研究基础上,开发了挖掘机故障诊断与状态监控系统。包括挖掘机健康管理网站和健康监控软件,实现挖掘机在线监控和远程运维等功能。
杨志权[9]（2019）在《基于压缩感知理论的浅层地震数据重建研究》文中指出地震勘探作为一种重要的地球物理勘探方法,在油气资源勘探、煤田和工程地质勘察、区域地质研究和地壳研究等领域有着广泛的应用。其中,浅层地震勘探在工程建设、水文与环境地质勘查等方面应用较多,是一种精度高、成本低的工程物探勘探方法。地震数据的采集严重影响着成像结果的精度,在理想情况下,采集的地震数据应该是规则、密集且满足采样定理的,但是在实际采集过程中由于地形环境、地表障碍物、仪器硬件等因素的影响,采集的数据总是存在不规则的道缺失,即地震记录在空间方向上呈现非规则采样或者是稀疏采样的。地震数据不规则的缺失往往会造成处理过程中空间假频的产生,降低地震数据处理结果的信噪比,影响地震数据的成像效果。同时浅层地震往往要求探测精度高,道缺失最终会降低地震勘探的成功率。近年来基于压缩感知理论的地震数据重建方法的研究和应用在石油地震勘探中的研究成果很多,在浅层地震勘探中同样存在道缺失问题,但是由于浅层地震数据的信噪比不高及采集与处理的成本等原因,并未采用地震数据重建方法,传统的处理手段会影响地震数据的成像效果。传统的信号处理方法受限于奈奎斯特——香农采样定理,对非规则低采样率的数据处理时,效果很差,本文摆脱奈奎斯特——香农定理的限制,基于压缩感知理论,将地震数据重建的方法应用在浅层地震勘探中,既能得到很好的处理效果,提高探测精度与成功率,又能降低地震数据采样率,节约地震勘探成本。在本文中,利用曲波变换构造稀疏变换基,通过构造0-范数的一种逼近函数建立稀疏反演模型进行求解。在文中利用多种方式来模拟地震数据并进行重建实验,实验表明本文方法能够对随机缺失地震数据很好的进行重建。对某城市地区活断层地震勘探和某地区域地质调查的地震实测数据进行了模拟的压缩感知采样和数据重建,并对原始数据和重建数据分别进行了地震数据处理,偏移成像结果验证了基于压缩感知的重建方法在浅层地震勘探中的潜在价值,对提高浅层地震勘探的精度和成功率有重要意义。
邹华东[10]（2019）在《基于BLOB分析和机器学习的煤矸石在线图像识别研究》文中进行了进一步梳理煤矸石分拣是保障煤炭质量的重要手段,目前煤矿的分拣流水线主要由工人手动拣矸,不仅效率低,工作劳动强度大,而且作业环境恶劣,影响工人身体健康。因此,研发煤矸石智能分拣系统以取代人工作业的需求较为急迫。目前煤矸石智能分拣系统的识别主流技术有X射线识别和基于机器视觉的图像识别两种,X射线识别由于射线难以穿透大型矸石,所以只适用于小型矸石分拣,而且射线具有放射性,对工人有一定的健康危害。基于机器视觉的图像识别技术目前很多都为对图像的静态分析,而且是在脱离流水线的情况下的理论研究,实际流水线上的皮带背景和煤矸石的高低形状等对煤矸石成像产生很大影响,导致煤矸石的图像边缘区域灰度过渡平缓,边缘定位非常困难,因此煤矸石的识别与定位成为煤矸石智能分拣系统中的关键难题。论文首先根据中大型煤矸石这一特定检测目标的特点,设计了适用于煤矸石识别的图像检测系统,对系统中各个部件进行了选型和相关研发设计。首先根据目标煤矸石的尺寸大小、皮带运输机的皮带宽度、传输速度和视觉系统的安装高度等进行了相机和镜头的选型,确保了能够在运动状态下实时采集到煤矸石的整体图像和保证具有足够的分辨率。针对煤矸石的高低不同和整体的灰度值较低这个特点,设计了恒流源控制的大面积表面光源,光源采用大功率LED进行阵列排布,电路上进行了串联和并联处理,光源最外层布置有乳白色双面磨砂亚克力板,起到光源扩散作用,能够保证表面光源具有足够大的扩散角度。这些设计确保光源一方面具有足够高的亮度和均匀度,同时还具有良好的物体的适应性,确保不同尺寸高度和形状的煤矸石或煤不受光照影响形成高亮度的反射区域和边缘轮廓阴影,保证系统获得清晰图像。煤矸石视觉系统在实际使用前需要经过手动或自动对焦,以保证获得具有高对比度的清晰图像,图像清晰度评价函数是评价视觉系统是否处于聚焦位置的一个主要依据。论文以图像聚焦评价函数为研究对象,首先从光学成像的角度分析了各清晰度评价函数的基本理论依据,并就聚焦评价函数的评价参数进行了简单介绍,对图像自动聚焦典型评价函数及其特性进行了研究。在此基础上研究了傅立叶评价函数、DCT评价函数及它们的改进的加权评价函数。以电路板和校正样板为聚焦物件,对基于频域变换的评价函数及其加权函数进行了聚焦特性分析和测试比对,重点研究了图像内容、光照强度、滤波半径、聚焦步距和聚焦窗口等对频域评价函数的影响.研究结果表明,改进的DCT评价函数除了其良好的无偏性、单调性、单峰性外,其在焦点附近的灵敏度好,对不同的评价窗口都能够获得好的评价效果,算法稳定性好。改进的DCT评价函数应用在煤矸石自动分拣系统中进行了调焦测试,发现其焦点的敏感性好,用其进行辅助对焦,能够方便视觉系统的装调者准确快速找到焦点位置。为了实现对煤矸石目标物体定位和获取其通用几何特征参数,在分析研究现有的图像阈值分割和游程连通区域标记算法基础上,研究了一种基于图像阈值分割和游程连通域标记的BLOB特征提取算法。首先计算分割阈值,然后利用阈值进行图像分割,通过连通域标记划分BLOB分区,利用分区中的所有像素点信息,采用统计的方法来提取BLOB分区的分布范围、中心坐标和重心坐标等,算法具有存储量小、复杂度低、计算速度快和搜索性能高等优点。该方法能够提取煤矸石的几何特征信息和定位目标分布范围,解决了煤矸石边缘定位困难的技术难题。为了克服BLOB分析算法对分区较多的图像占用过多计算时间和内存容量的问题,提出了一种基于无矸图像过滤和BLOB分析的煤矸石识别方法,该方法采用图像三阶矩作为过滤评价函数,通过设置过滤阈值滤除大部分不含有煤矸石内容的图像,大幅减少了无效计算时间。对疑似矸石图像,利用BLOB分析方法定位目标位置和提取几何特征,并通过定位出的目标区域范围,采用面积大小和局部区域内容的三阶矩评价等方法综合进行二次精确判断,减少了背景对判断的不利影响,提高了识别正确率。在此基础上设计了煤矸石智能分拣系统软件,将研究算法应用到煤矸石智能分拣系统大型实验设备中,实现了煤矸石在线实时识别与定位,实验设备运行稳定可靠,实验条件下拣矸率达到91.1%,达到实际应用标准。为进一步提高对小概率矸石的识别正确率,进行了基于机器学习的小概率矸石识别实验。选择小概率矸石和满足特定条件的煤炭样本图像,经过BLOB分析后获得目标局部图像,将局部图像作为样本,并通过样本扩容的方法构建了样本集。选择了三类共九个评定参数作为特征向量,对样本集图像进行了特征评价并组建了数据集。采用K-CV交叉验证方法对支持向量机的模型参数进行优化选择,利用支持向量机分类方法,通过对训练样本进行训练建立正确的分类模型,完成后对测试样本进行预测,测试样本的仿真预测正确率达100%。实验仿真证明该方法对提高小概率矸石的识别率有效。
二、高低频预测模型结合的最优化方法（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、高低频预测模型结合的最优化方法（论文提纲范文）
（1）噪声标签数据集上的弱监督声音事件识别方法研究（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 |
| 1.3 本文的主要内容和工作安排 |
| 第二章 基于深度学习的声音事件识别理论基础 |
| 2.1 声音事件识别流程 |
| 2.2 异常声音检测流程 |
| 2.3 音频特征提取 |
| 2.4 深度学习基本算法 |
| 2.4.1 卷积神经网络 |
| 2.4.2 循环神经网络 |
| 2.4.3 注意力机制 |
| 2.5 本章小结 |
| 第三章 弱监督声音事件识别方法研究 |
| 3.1 声音事件识别基本方法 |
| 3.1.1 基线系统 |
| 3.1.2 声音事件识别任务评估指标 |
| 3.1.3 数据集及实验结果 |
| 3.2 基于卷积循环神经网络的声音事件识别方法 |
| 3.2.1 卷积循环神经网络 |
| 3.2.2 残差连接的卷积循环神经网络 |
| 3.2.3 实验结果分析 |
| 3.3 多分辨率声音事件识别模型 |
| 3.3.1 多分辨率特征生成层 |
| 3.3.2 基于密集连接循环神经网络的决策层模型 |
| 3.3.3 实验结果分析 |
| 3.4 基于均值教师模型弱监督声音事件识别方法 |
| 3.4.1 均值教师模型 |
| 3.4.2 模型搭建 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于分类置信度的机器异常声音检测方法研究 |
| 4.1 机器异常声音检测基本方法 |
| 4.1.1 机器异常声音检测基线系统 |
| 4.1.2 评价指标 |
| 4.1.3 实验数据集及基线系统实验结果 |
| 4.2 基于分类置信度的机器异常声音检测模型 |
| 4.2.1 基于分类置信度的机器异常声音检测流程 |
| 4.2.2 分类模型设计 |
| 4.2.3 Mixup算法 |
| 4.2.4 分类任务设计 |
| 4.2.5 实验结果分析 |
| 4.3 添加未知样本分类任务的异常检测模型 |
| 4.3.1 未知样本生成方法 |
| 4.3.2 实验结果分析 |
| 4.4 设备差异下异常声音检测结果分析 |
| 4.4.1 设备差异模拟 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）高低风险决策下海洛因戒断人群的脑电信号特征融合分类（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 脑电信号的概述 |
| 1.1.1 EEG的产生与分类 |
| 1.1.2 EEG的获取方式 |
| 1.2 研究背景及意义 |
| 1.2.1 海洛因成瘾的现状 |
| 1.2.2 成瘾原理与戒断反应 |
| 1.2.3 研究意义 |
| 1.3 研究现状 |
| 1.3.1 海洛因戒断人群EEG信号研究 |
| 1.3.2 海洛因戒断人群脑功能网络研究 |
| 1.3.3 海洛因戒断人群非线性特征研究 |
| 1.3.4 EEG信号特征融合研究 |
| 1.4 本文主要内容与结构 |
| 第二章 研究方法及理论基础 |
| 2.1 脑功能网络研究 |
| 2.1.1 脑功能网络的构建方法 |
| 2.1.2 脑功能网络的二值化方法 |
| 2.1.3 脑功能网络的特征 |
| 2.2 非线性特征研究 |
| 2.3 特征选择与分类 |
| 2.3.1 特征选择算法 |
| 2.3.2 分类算法 |
| 2.3.3 分类器的性能指标 |
| 2.4 本章小结 |
| 第三章 海洛因戒断人群脑功能网络研究 |
| 3.1 高低风险决策实验范式 |
| 3.2 采集与预处理 |
| 3.2.1 研究对象 |
| 3.2.2 实验流程 |
| 3.2.3 信号预处理 |
| 3.3 研究方法 |
| 3.3.1 连接矩阵构建 |
| 3.3.2 基于二值化的网络特征分析 |
| 3.3.3 节律EEG脑区特征分析 |
| 3.4 研究结果 |
| 3.4.1 连接矩阵 |
| 3.4.2 二值矩阵的特征及分类 |
| 3.4.3 节律EEG的脑区特征 |
| 3.5 结果讨论 |
| 3.6 本章小结 |
| 第四章 海洛因戒断人群非线性特征研究及融合分类 |
| 4.1 采集与预处理 |
| 4.2 研究方法 |
| 4.2.1 非线性特征提取 |
| 4.2.2 节律EEG脑区特征分析 |
| 4.2.3 非线性特征和网络特征的融合分析 |
| 4.3 研究结果 |
| 4.3.1 非线性特征 |
| 4.3.2 节律EEG的脑区特征 |
| 4.3.3 最优特征子集融合结果 |
| 4.4 结果讨论 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录一 被试知情同意书 |
| 附录二 |
| 附录三 |
| 在学期间的研究成果 |
| 致谢 |
（3）基于不确定性分析的自律型风电场储能容量优化配置研究（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 风电发展概况 |
| 1.1.2 风电不确定性及其影响 |
| 1.2 国内外研究现状 |
| 1.2.1 风电功率预测的研究现状 |
| 1.2.2 储能容量配置的研究现状 |
| 1.3 目前研究存在的问题 |
| 1.4 本文的工作 |
| 第2章 非规则分布下的风电功率区间预测 |
| 2.1 引言 |
| 2.2 基于Parzen窗的风电功率预测误差分布 |
| 2.2.1 参数法和非参数法 |
| 2.2.2 基于Parzen窗方法的估计 |
| 2.3 非规则分布下的预测区间优化 |
| 2.3.1 目标函数和约束条件 |
| 2.3.2 采用信赖域方法求解 |
| 2.4 风电功率区间预测的评价指标 |
| 2.5 算例分析 |
| 2.5.1 基于Parzen窗的风电功率预测误差分布 |
| 2.5.2 最小区间的求解 |
| 2.5.3 评价指标 |
| 2.6 本章小结 |
| 第3章 基于风电场自律区间优化的储能容量配置 |
| 3.1 引言 |
| 3.2 风电场跟踪最优自律区间的储能容量优化配置 |
| 3.2.1 风电场的自律区间 |
| 3.2.2 自律区间的优化 |
| 3.2.3 自律区间的评价指标 |
| 3.2.4 基于自律区间优化的储能容量配置 |
| 3.3 风电场有效跟踪计划出力的储能容量优化配置 |
| 3.3.1 风电场跟踪计划出力及储能的配置 |
| 3.3.2 优化模型及求解 |
| 3.3.3 影响因素及其敏感性分析 |
| 3.4 算例分析 |
| 3.4.1 风电场跟踪最优自律区间的储能容量优化配置 |
| 3.4.2 风电场有效跟踪计划出力的储能容量优化配置 |
| 3.5 本章小结 |
| 第4章 基于改进夏普比率的自律型风电场储能容量优化配置 |
| 4.1 引言 |
| 4.2 改进的夏普比率 |
| 4.2.1 夏普比率(Sharpe ratio) |
| 4.2.2 风险价值(VaR) |
| 4.2.3 条件风险价值(CVaR) |
| 4.2.4 改进的夏普比率 |
| 4.3 基于改进夏普比率的风电场储能容量优化配置 |
| 4.3.1 风险函数的确定 |
| 4.3.2 风电双侧CVaR的描述 |
| 4.3.3 非规则分布下双侧CVaR的计算 |
| 4.3.4 基于改进夏普比率的储能容量优化配置 |
| 4.4 算例分析 |
| 4.4.1 风电不确定性的建模 |
| 4.4.2 非规则分布下的双侧风险评估 |
| 4.4.3 基于改进夏普比率的储能容量优化配置 |
| 4.5 本章小结 |
| 第5章 考虑低频分量波动率裕度的自律型风电场混合储能容量优化配置 |
| 5.1 引言 |
| 5.2 基于小波包变换的风电功率频率分解 |
| 5.2.1 小波包变换 |
| 5.2.2 基于小波包变换的风电功率分解 |
| 5.3 考虑风电功率低频分量波动率裕度的混合储能容量优化配置 |
| 5.3.1 风电功率低频分量的波动率裕度 |
| 5.3.2 风电功率次高频分量和高频分量的不确定性分析 |
| 5.3.3 储能容量优化配置的模型及求解步骤 |
| 5.4 基于熵权法的储能容量最终配置 |
| 5.4.1 熵权法 |
| 5.4.2 基于熵权法的储能容量最终配置 |
| 5.5 算例分析 |
| 5.5.1 基于小波包变换的风电功率频率分解 |
| 5.5.2 考虑风电低频分量波动率裕度的储能容量优化配置 |
| 5.5.3 基于熵权法的储能容量最终配置 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要工作与创新点 |
| 6.2 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研工作 |
| 学位论文评阅及答辩情况表 |
（4）低噪声功能路面表面纹理优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 表面纹理测试与评价研究 |
| 1.2.2 表面纹理处治技术研究 |
| 1.2.3 轮胎/路面噪声测试与评价方法研究 |
| 1.2.4 轮胎/路面噪声数值模拟方法研究 |
| 1.2.5 研究现状小结 |
| 1.3 研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 轮胎与路面界面噪声机理 |
| 2.1 轮胎/路面噪声的产生与增强机理 |
| 2.1.1 噪声产生机理 |
| 2.1.2 噪声增强机理 |
| 2.2 轮胎/路面噪声在路面空隙中的传播与吸收机理 |
| 2.3 轮胎/路面界面噪声影响因素 |
| 2.4 本章小结 |
| 第三章 基于表面纹理几何指标的振动噪声经验模型研究 |
| 3.1 沥青混合料试验设计 |
| 3.1.1 原材料技术性质 |
| 3.1.2 混合料设计 |
| 3.1.3 沥青路面表面轮廓测试及处理方法 |
| 3.2 轮胎/路面振动噪声FE模拟方法 |
| 3.2.1 振动激励提取 |
| 3.2.2 轮胎-空气-路面耦合噪声模型 |
| 3.2.3 轮胎/路面振动噪声测试 |
| 3.3 表面纹理几何指标与路面噪声水平的相关性分析 |
| 3.3.1 沥青路面表面纹理的几何表征参数研究 |
| 3.3.2 表面纹理指标对路面噪声水平的影响分析 |
| 3.4 基于表面纹理的振动噪声经验预估模型研究 |
| 3.5 本章小节 |
| 第四章 基于目标噪声的表面纹理设计研究 |
| 4.1 沥青路面表面轮廓线函数表征 |
| 4.1.1 傅里叶级数逼近法 |
| 4.1.2 函数拟合影响因素分析 |
| 4.2 基于BP神经网络构建噪声水平经验函数 |
| 4.2.1 BP神经网络 |
| 4.2.2 BP神经网络建模 |
| 4.3 基于目标噪声值的轮廓线傅里叶系数最优化求解 |
| 4.3.1 采用内点法进行傅里叶系数寻优 |
| 4.3.2 基于粒子群算法优化内点法初始值 |
| 4.4 目标轮廓线纹理特征分析 |
| 4.5 本章小节 |
| 第五章 基于3D打印技术的低噪声路面测试与评价研究 |
| 5.1 3D打印技术 |
| 5.1.1 3D打印技术简介 |
| 5.1.2 应用现状 |
| 5.2 3D打印:复制与定制表面轮廓 |
| 5.2.1 表面轮廓面复制 |
| 5.2.2 基于期望噪声水平的表面轮廓面定制 |
| 5.3 3D打印试件质量评价 |
| 5.3.1 3D打印机及打印材料选取 |
| 5.3.2 3D打印效果评价 |
| 5.4 轮胎/路面噪声室内测试及分析方法 |
| 5.4.1 室内主驱动加速加载系统噪声测试法 |
| 5.4.2 目标噪声提取 |
| 5.4.3 噪声数据分析 |
| 5.5 基于3D打印试件的室内噪声评价研究 |
| 5.5.1 沥青混凝土试件与其复制品噪声分析 |
| 5.5.2 3D打印定制试件噪声分析 |
| 5.6 本章小节 |
| 第六章 低噪声表面功能层设计 |
| 6.1 低噪声功能层设计思路 |
| 6.2 单层结构设计及噪声分析 |
| 6.2.1 不规则二维集料生成与筛选 |
| 6.2.2 等粒径集料单层结构 |
| 6.2.3 单粒径集料单层结构 |
| 6.2.4 不同级配集料单层结构 |
| 6.3 本章小节 |
| 结论与展望 |
| 1 主要结论 |
| 2 论文主要创新点 |
| 3 进一步研究的建议 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）多聚焦图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景与意义 |
| 1.1.1 遥感图像融合 |
| 1.1.2 军事图像融合 |
| 1.1.3 医学图像融合 |
| 1.2 图像融合技术综述 |
| 1.2.1 图像融合的层次划分 |
| 1.2.2 常见的图像融合方法 |
| 1.3 国内外研究现状 |
| 1.3.1 图像融合技术的发展 |
| 1.3.2 传统融合算法研究的局限 |
| 1.3.3 深卷积神经网络的优势 |
| 1.3.4 基于卷积神经网络的图像融合技术的发展 |
| 1.4 本文的研究内容与结构安排 |
| 第2章 多聚焦图像融合基础理论研究 |
| 2.1 多聚焦图像融合的原理 |
| 2.1.1 多聚焦图像成像原理 |
| 2.1.2 多聚焦图像融合的实现 |
| 2.2 像素级图像融合方法 |
| 2.2.1 基于变换域的图像融合算法 |
| 2.2.2 基于空间域的图像融合算法 |
| 2.3 融合图像质量评价 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第3章 有监督学习的图像融合算法研究 |
| 3.1 有监督学习的经典图像融合算法 |
| 3.1.1 经典图像融合算法研究 |
| 3.1.2 实验对比与分析 |
| 3.2 基于CNN的有监督图像融合算法 |
| 3.3 基于监督学习的全卷积神经网络融合算法 |
| 3.3.1 网络设计 |
| 3.3.2 损失函数 |
| 3.3.3 网络训练 |
| 3.3.4 方法验证 |
| 3.4 本章小结 |
| 第4章 基于无监督学习的深度学习图像融合算法 |
| 4.1 CNN模型研究 |
| 4.2 神经网络构建 |
| 4.3 损失函数的设计 |
| 4.4 神经网络训练 |
| 4.5 实验结果与分析 |
| 4.5.1 主观评估 |
| 4.5.2 客观评估 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间获得的学术及竞赛成果 |
（6）基于跨频段岩石物理实验的频散AVO研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩石物理研究进展 |
| 1.2.2 地震流体识别技术进展 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第2章 饱和流体岩石物理频散模型 |
| 2.1 Gassmann理论模型 |
| 2.2 Biot理论模型 |
| 2.3 BISQ理论模型 |
| 2.4 部分饱和模型 |
| 2.5 介观尺度模型 |
| 2.6 微观尺度喷射流模型 |
| 第3章 基于纵横比分布的喷射流模型 |
| 3.1 等效介质理论 |
| 3.2 基于等效介质理论的孔隙纵横比求取 |
| 3.3 不同纵横比孔隙的喷射流作用的叠加 |
| 第4章 实验测量及理论对比 |
| 4.1 应力—应变跨频段岩石物理测量技术 |
| 4.2 跨频段测量与理论计算对比分析 |
| 4.2.1 岩心描述 |
| 4.2.2 对比分析 |
| 第5章 频率依赖的地震分析及反演 |
| 5.1 反射率正演方法 |
| 5.1.1 完整散射系数求取 |
| 5.1.2 多层介质反射系数递归及地震记录合成 |
| 5.2 时频分解与低频阴影分析 |
| 5.2.1 时频分析方法 |
| 5.2.2 低频阴影分析 |
| 5.3 速度频散梯度反演 |
| 5.3.1 反演方法 |
| 5.3.2 模型数据反演 |
| 5.3.3 实际资料反演 |
| 5.4 模型驱动的频散速度反演 |
| 5.4.1 反演方法 |
| 5.4.2 模型数据反演 |
| 5.4.3 实际资料反演 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
（7）基于可分离元素注意力机制的雨痕与背景耦合预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文工作简述 |
| 1.4 论文各章组织结构 |
| 第二章 相关工作和背景知识 |
| 2.1 相关工作综述 |
| 2.1.1 单一图片去雨痕的传统方法 |
| 2.1.2 使用深度学习的单一图片去雨痕方法 |
| 2.2 卷积神经网络的相关知识 |
| 2.3 本章总结 |
| 第三章 结合注意力机制的残差背景耦合预测网络 |
| 3.1 雨痕残差标签和背景标签的优缺点分析 |
| 3.1.1 雨痕残差标签的优缺点 |
| 3.1.2 背景标签的优缺点 |
| 3.1.3 小结 |
| 3.2 结合注意力机制的雨痕背景耦合预测网络设计 |
| 3.2.1 雨痕残差和背景耦合预测策略 |
| 3.2.2 基础网络框架的设计 |
| 3.2.3 可分离元素注意力模块的设计 |
| 3.2.4 网络训练的损失函数 |
| 3.3 本章总结 |
| 第四章 实验结果与分析 |
| 4.1 实验基本设置 |
| 4.1.1 数据集介绍 |
| 4.1.2 评估方法 |
| 4.1.3 实验环境 |
| 4.2 雨痕残差和背景标签耦合预测策略的实验结果与分析 |
| 4.3 结合注意力机制的雨痕背景耦合预测网络的实验结果 |
| 4.3.1 不同方法的量化和可视化对比 |
| 4.3.2 消融实验 |
| 4.4 本章总结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）挖掘机关键液压元件故障诊断方法及系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 液压缸诊断研究现状 |
| 1.2.2 液压泵诊断研究现状 |
| 1.2.3 健康管理系统与云平台研究现状 |
| 1.2.4 研究现状小结 |
| 1.3 论文的主要内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 挖掘机故障分析与故障状态感知研究 |
| 2.1 挖掘机系统简介 |
| 2.2 挖掘机故障分析 |
| 2.2.1 挖掘机故障树分析 |
| 2.2.2 液压元件故障模式分析 |
| 2.2.3 液压元件故障机理分析 |
| 2.3 故障状态感知研究 |
| 2.3.1 液压缸状态感知 |
| 2.3.2 液压泵状态感知 |
| 2.3.3 液压阀状态感知 |
| 2.4 状态数据采集方案 |
| 2.5 状态感知装置开发 |
| 2.5.1 传感器选型 |
| 2.5.2 嵌入式设备选型 |
| 2.5.3 LabVIEW程序开发 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的液压缸诊断研究 |
| 3.1 液压缸故障模拟实验与特征提取 |
| 3.1.1 模拟实验与数据分析 |
| 3.1.2 小波包能量特征提取 |
| 3.2 卷积神经网络 |
| 3.2.1 结构介绍 |
| 3.2.2 算法框架 |
| 3.3 算法验证与实验分析 |
| 3.3.1 算法验证 |
| 3.3.2 实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于子空间辨识的液压缸诊断算法 |
| 4.1 系统原理与数学建模 |
| 4.1.1 系统原理 |
| 4.1.2 数学建模 |
| 4.1.3 状态反馈法 |
| 4.2 白色测量噪声的子空间辨识 |
| 4.3 泄漏诊断及仿真验证 |
| 4.3.1 液压缸泄漏诊断步骤 |
| 4.3.2 仿真验证 |
| 4.4 本章小结 |
| 第五章 基于深度置信网络的液压泵诊断研究 |
| 5.1 液压泵故障模拟实验与特征提取 |
| 5.1.1 状态分析与模拟实验 |
| 5.1.2 无量纲参数特征提取 |
| 5.2 深度置信网络方法 |
| 5.2.1 受限玻尔兹曼机 |
| 5.2.2 对比散度算法 |
| 5.2.3 DBN网络结构及训练流程 |
| 5.3 算法验证与实验分析 |
| 5.3.1 参数设置与算法验证 |
| 5.3.2 其他诊断方法对比 |
| 5.4 本章小结 |
| 第六章 挖掘机故障诊断与状态监控系统开发 |
| 6.1 系统总体框架 |
| 6.2 系统功能分析 |
| 6.2.1 系统需求 |
| 6.2.2 数据库结构 |
| 6.3 挖掘机健康管理网站 |
| 6.3.1 开发工具 |
| 6.3.2 功能模块 |
| 6.4 挖掘机健康监控软件 |
| 6.4.1 开发工具 |
| 6.4.2 软件模块 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要创新点 |
| 7.2 研究内容总结 |
| 7.3 研究展望 |
| 参考文献 |
| 附录1 基于CNN的液压缸诊断算法PYTHON代码 |
| 附录2 基于子空间辨识液压缸诊断算法MATLAB代码 |
| 附录3 基于DBN的液压泵诊断算法MATLAB代码 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）基于压缩感知理论的浅层地震数据重建研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于波动方程的方法 |
| 1.2.2 基于预测滤波的方法 |
| 1.2.3 基于稀疏变换的压缩感知重建方法 |
| 1.3 本文的主要内容和安排 |
| 第二章 压缩感知理论基础 |
| 2.1 奈奎斯特——香农理论 |
| 2.1.1 奈奎斯特——香农基础理论 |
| 2.1.2 传统信号的处理过程及其优缺点 |
| 2.2 压缩感知基础理论 |
| 2.2.1 压缩感知理论基本算法 |
| 2.2.2 稀疏性度量 |
| 2.2.3 稀疏信号和可压缩信号模型 |
| 2.2.4 测量矩阵的设计 |
| 2.3 压缩感知理论在地震勘探中的应用 |
| 2.3.1 地震数据随机采样 |
| 2.3.2 地震数据插值重建与去噪 |
| 2.3.3 特征波场提取与特征波成像 |
| 2.4 本章小结 |
| 第三章 Curvelet变换 |
| 3.1 Curvelet变换原理 |
| 3.1.1 连续Curvelet变换 |
| 3.1.2 离散Curvelet变换 |
| 3.1.3 Curvelet变换的性质 |
| 3.2 离散Curvelet变换的实现 |
| 3.2.1 USFFT算法 |
| 3.2.2 Wrap算法 |
| 3.2.3 离散Curvelet变换举例 |
| 3.3 地震波场和Curvelet变换 |
| 3.4 本章小结 |
| 第四章 基于压缩感知理论的重建算法 |
| 4.1 地震数据重建模型 |
| 4.2 稀疏优化算法 |
| 4.2.1 稀疏变换 |
| 4.2.2 地震数据随机采样 |
| 4.3 基于压缩感知的浅层地震数据重建 |
| 4.3.1 稀疏解法 |
| 4.3.2 双曲正切函数逼近0-范数 |
| 4.3.3 地震稀疏反演模型及算法 |
| 4.4 本章小结 |
| 第五章 模拟数据实验 |
| 5.1 基于反射系数合成的地震记录 |
| 5.2 基于波动方程合成的地震记录 |
| 5.3 采用Tesseral建模模拟浅层地震数据 |
| 5.4 本章小结 |
| 第六章 实测数据实验 |
| 6.1 城市活断层探测实际数据检验 |
| 6.2 浅层地质调查探测实际数据检验 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文主要结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 作者简介 |
| 致谢 |
（10）基于BLOB分析和机器学习的煤矸石在线图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 煤矸石自动识别技术研究现状 |
| 1.3 煤矸石图像识别关键技术难点 |
| 1.4 课题来源和主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 课题主要研究内容 |
| 1.5 论文组织结构 |
| 2 煤矸石自动分拣视觉检测系统的构建 |
| 2.1 视觉系统总体方案设计 |
| 2.1.1 图像检测目标物分析 |
| 2.1.2 视觉系统总体方案 |
| 2.2 光学成像系统选型设计 |
| 2.2.1 工业相机选型 |
| 2.2.2 镜头选型 |
| 2.3 照明系统设计 |
| 2.4 通讯系统设计 |
| 2.5 小结 |
| 3 基于频域的聚焦评价函数研究 |
| 3.1 聚焦评价函数的理论依据和研究现状 |
| 3.1.1 聚焦评价函数的理论依据 |
| 3.1.2 国内外研究现状 |
| 3.2 聚焦评价函数的评价指标 |
| 3.3 影响评价函数评价效果的因素分析 |
| 3.3.1 硬件影响因素 |
| 3.3.2 聚焦窗口选择 |
| 3.3.3 聚焦步距选择对评价函数影响 |
| 3.4 现有聚焦评价函数及其研究 |
| 3.4.1 基于空间域的聚焦评价函数 |
| 3.4.2 基于频域的聚焦评价函数 |
| 3.4.3 基于信息理论的评价函数 |
| 3.5 基于频域的聚焦评价函数的算法改进及测试比对 |
| 3.5.1 基于频域的聚焦评价函数算法改进 |
| 3.5.2 基于频域的聚焦评价函数的性能测试 |
| 3.5.3 与其他评价函数的对比测试 |
| 3.5.4 测试结论 |
| 3.6 基于频域的聚焦评价函数在煤矸石智能分拣系统中应用 |
| 3.7 本章小结 |
| 4 基于阈值分割和游程连通域标记的BLOB特征提取算法研究 |
| 4.1 图像分割基本原理及特征提取算法总体方案设计 |
| 4.1.1 图像分割的基本原理 |
| 4.1.2 算法的总体方案设计 |
| 4.2 图像阈值分割研究现状及机器视觉常用阈值分割算法 |
| 4.2.1 图像阈值分割技术研究现状 |
| 4.2.2 机器视觉中常用的图像阈值分割算法 |
| 4.3 游程的几个相关定义和游程连通域标记算法研究现状 |
| 4.3.1 游程及其连通性定义 |
| 4.3.2 游程连通域标记算法研究现状 |
| 4.4 基于阈值分割和游程连通域标记的特征提取算法 |
| 4.4.1 基于游程的连通区域标记两次扫描快速算法 |
| 4.4.2 区块特征参数计算和边缘提取 |
| 4.5 图像特征提取算法底层函数库构建 |
| 4.5.1 图像阈值计算函数 |
| 4.5.2 区块分割函数 |
| 4.6 算法验证 |
| 4.6.1 图像分割实验 |
| 4.6.2 噪声对分割算法的影响 |
| 4.6.3 实验结论 |
| 4.7 煤矸石图像几何特征提取实验 |
| 4.8 本章小结 |
| 5 基于无矸图像过滤和BLOB分析的煤矸石识别与定位研究 |
| 5.1 无矸图像的过滤方法 |
| 5.1.1 过滤目标分析 |
| 5.1.2 图像过滤方法的过滤参数选取 |
| 5.2 基于BLOB分析的煤矸石二次精确识别与定位 |
| 5.2.1 方法基本原理 |
| 5.2.2 煤矸石的精确识别 |
| 5.2.3 定位特征参数提取方法与实验验证 |
| 5.2.4 运动产生的影响及其解决方法 |
| 5.3 基于无矸图像过滤和BLOB分析的煤矸石识别与定位实验 |
| 5.3.1 算法总体流程 |
| 5.3.2 软件总体框架及界面 |
| 5.3.3 算法应用实验 |
| 5.4 小结 |
| 6 基于机器学习的小概率煤矸石识别实验研究 |
| 6.1 支持向量机基本原理 |
| 6.1.1 支持向量机基本原理 |
| 6.1.2 基于机器学习的小概率煤矸石分类实验基本思路 |
| 6.2 分类特征参数选取 |
| 6.2.1 灰度共生矩阵纹理特征参数 |
| 6.2.2 基于灰度直方图的特征参数 |
| 6.2.3 清晰度评价函数 |
| 6.3 数据集的生成 |
| 6.3.1 煤矸石识别中的误判原因分析和样本图像的构建 |
| 6.3.2 分类实验的数据集生成 |
| 6.4 数据的训练与测试 |
| 6.4.1 数据的归一化 |
| 6.4.2 数据训练与测试 |
| 6.4.3 测试结论 |
| 6.5 小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、高低频预测模型结合的最优化方法（论文参考文献）
- [1]噪声标签数据集上的弱监督声音事件识别方法研究[D]. 姚天楚. 电子科技大学, 2021(01)
- [2]高低风险决策下海洛因戒断人群的脑电信号特征融合分类[D]. 王婷. 兰州大学, 2021(09)
- [3]基于不确定性分析的自律型风电场储能容量优化配置研究[D]. 俞晓冬. 山东大学, 2020(04)
- [4]低噪声功能路面表面纹理优化研究[D]. 梁遐意. 华南理工大学, 2020(05)
- [5]多聚焦图像融合算法研究[D]. 蔡颖婧. 湖北工业大学, 2020(04)
- [6]基于跨频段岩石物理实验的频散AVO研究[D]. 刘欣泽. 中国石油大学(北京), 2020
- [7]基于可分离元素注意力机制的雨痕与背景耦合预测技术研究[D]. 谭尹杰. 华南理工大学, 2020(02)
- [8]挖掘机关键液压元件故障诊断方法及系统研究[D]. 黄武涛. 上海交通大学, 2020(09)
- [9]基于压缩感知理论的浅层地震数据重建研究[D]. 杨志权. 河北地质大学, 2019(08)
- [10]基于BLOB分析和机器学习的煤矸石在线图像识别研究[D]. 邹华东. 中国矿业大学(北京), 2019(04)