一、基于.NET的一种异常管理模型（论文文献综述）
李雪靖[1]（2021）在《智慧标识网络中边缘计算服务的任务卸载和资源适配研究》文中研究表明随着互联网技术的发展,网络服务和网络应用已渗透到各个领域。网络数据流量和计算任务的迅猛攀升,导致传统网络体系难以满足高效、可靠、海量、泛在等服务需求。智慧标识网络从解决传统互联网三重绑定问题出发,提出了“三层两域”的体系架构,为实现网络的可管、可控、开放、灵活提供了新的思路。针对智慧标识网络中的计算服务,边缘计算可以利用网络边缘计算资源为其提供更好的服务质量。然而,边缘网络的服务复杂性和资源有限性给不同场景下计算服务的动态灵活管控带来了新的挑战。本文分别针对边缘网络中的终端复杂计算服务、终端流式计算服务、多终端竞争计算服务和边缘汇聚计算服务,依据不同服务的需求特征,融合网络通信资源和计算资源,分析了具有特定优化目标的服务管控问题,研究了基于智慧标识网络的任务卸载和资源适配策略。本论文主要工作和创新点如下:（1）针对边缘网络中终端复杂计算服务的任务卸载和资源适配问题,提出了一种复杂服务分割和部分任务卸载的联合管控优化策略。本文以复杂计算服务的处理开销最小化为优化目标,通过综合考虑服务模型特征、任务依赖关系、节点设备能力和无线信道状况等因素,提出了基于智慧标识网络和边缘计算的终端复杂计算服务系统架构和管控机制,构建了服务模型分割和部分任务卸载的联合优化模型;基于深度学习方法构建了针对视频流进行人体姿态估计的服务计算模型,通过分析所构建模型的计算负载和数据流,采用神经层分组和流水线处理方法,设计了基于阈值粒子群优化的协同分割卸载TP-CPO算法,并通过仿真实验进行了性能评估。仿真结果表明,在不同的信道带宽和服务器负载下,所提策略有效地降低了服务响应时间和终端能量消耗。（2）针对边缘网络中终端流式计算服务的任务卸载和资源适配问题,提出了一种任务卸载调度和终端功率控制的联合管控优化策略。本文以流式计算服务的任务处理效用最大化为优化目标,通过综合考虑到达任务特征、终端能量状态、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的终端流式计算服务系统架构和管控机制,构建了任务卸载调度和终端功率控制的联合优化模型;根据终端等待计算任务的马尔可夫性,分析了卸载调度决策和功率控制决策的约束条件,设计了状态、动作和奖惩函数,将系统时间分层划分为决策周期和事件回合,实现了基于分层深度强化学习的自适应调度控制HDRL-ASC算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,在不同的任务到达率、无线信道状况和服务器计算性能下,所提策略有效地提高了任务处理效率,降低了终端功率消耗。（3）针对边缘网络中多终端竞争计算服务的任务卸载和资源适配问题,提出了一种终端卸载选择和通信资源编排的联合管控优化策略。本文以多终端竞争计算服务的综合计算效用最大化为优化目标,通过综合考虑终端接入数目、终端设备状态、终端需求优先级、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的多终端竞争计算服务系统架构和管控机制,构建了终端卸载选择和通信资源编排的联合优化模型;提出了融合多种方法的算法框架,包括利用神经网络和阈值判断方法估计多终端任务卸载的优先级,利用一维优化搜索方法编排无线通信的资源块,利用经验回放和梯度下降方法构建神经网络模型的更新机制,利用分布式采样训练方法实现高效的神经网络训练模型,设计了基于纵向联邦学习的灵活卸载编排VFL-FOO算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,算法具有较好的收敛性和较低的复杂度,在不同终端数目和动态环境状况下,所提策略有效地提高了多终端综合计算能力。（4）针对边缘网络中边缘汇聚计算服务的任务卸载和资源适配问题,提出了一种流量鲁棒分类和资源感知转发的联合管控优化策略。本文以边缘汇聚计算服务的综合处理开销最小化为优化目标,通过综合考虑单位时间请求交易量、服务数据量到达速度、单位比特计算负载、服务流量类型、服务器计算资源和传输路径通信资源等因素,提出了基于智慧标识网络和边缘计算的边缘汇聚计算服务系统架构和管控架构,构建了流量鲁棒分类和资源感知转发的联合优化模型;设计了包含异常需求检测、流量特征分类和任务卸载转发的算法框架,实现了基于遗传进化算法的快速分类转发GE-RCF算法,并通过仿真实验进行了参数调优和性能评估。仿真结果表明,在流量动态变化、不同边缘服务器性能和不同传输路径带宽下,所提策略有效地提升了流量分类效率,降低了多流量综合处理开销。
黄丽婷[2]（2021）在《基于深度学习的网络入侵检测技术研究》文中指出随着互联网技术的快速发展,网络数据量也不断增长,随之产生了更多类型的网络攻击。面对规模庞大的网络流量特征信息,传统的基于机器学习的入侵检测系统存在检测率低、实时性差以及对多分类稀有样本检测率低等问题,而深度学习算法在解决入侵检测问题上有着独特的优势。因此,本文将入侵检测技术与深度学习算法相结合。针对上述问题,论文主要利用多种算法相结合对基于深度学习的入侵检测算法进行改进,旨在提高检测率的同时提高入侵检测的整体性能。具体研究工作如下:（1）针对入侵检测模型存在检测率低的问题,从网络流量具有空间和时间特性及网络流量的重要程度不同的角度出发,提出了一种基于空时特征和注意力机制的网络入侵检测算法。此算法很大程度提高了对网络流量的检测率。仿真结果表明,该算法对NSL-KDD数据集进行二分类检测率为99.6%,五分类检测率为92.69%。该算法与其他算法相比不仅在解决网络异常问题时有着较好的检测率,而且减少了计算资源开销。（2）针对入侵检测模型存在检测实时性低的问题,从网络流量是一维序列的角度出发,提出了一种基于一维空时特征的网络入侵检测算法。该算法使用一维卷积神经网络和双向长短期记忆神经网络高速学习数据的一维序列特征,得到比较全面的空时特征后再进行分类。此算法充分考虑了网络流量的内部结构关系。仿真结果表明,该算法与其他算法相比不仅在解决网络异常问题时有着较好的检测率,而且具有较优的测试阶段检测实时性。（3）针对入侵检测模型存在多分类及对罕见攻击检测率低的问题,从数据不平衡角度出发,提出了一种基于多分类和数据不平衡的深度学习混合入侵检测模型。该模型引入Borderline-SMOTE算法对少数类边界样本进行生成,从而对基于深度学习的混合入侵检测算法做进一步改进。仿真结果表明,改进后的两种算法对NSL-KDD数据集进行五分类检测率分别提高到97.12%和98.95%,验证了该算法的正确性和有效性。本文的研究工作较好解决了目前入侵检测技术存在的关键问题,不仅提高了入侵检测算法的检测率,同时也提高了入侵检测的整体性能,为网络入侵检测问题的研究提供了一种新的建模思路,具有重要的参考价值。
万燕琴[3]（2021）在《基于多尺度时空特征的铁路视频智能分析技术研究》文中认为高速铁路视频监控系统智能化是保障铁路安全运营的重要手段之一。随着客运量逐年稳定增长,铁路运营环境中行人异常行为识别及人群密度分析成为了智能化铁路监控系统中的重要研究内容。在实际交通运输场景中,因受到光照不均匀、背景信息过于复杂等因素的影响,在解决基于视频的视觉任务问题上一直未得到理想效果。为了实现高速铁路监控视频中行人行为及密集程度的快速准确识别,论文从局部特征提取的研究方法出发,提出了基于多尺度空间特征提取的光流快速估计算法、基于时域多尺度时空特征提取的行人行为识别算法以及基于时空特征提取的人群密度估计算法。为快速而准确地获取视频图像序列中短时运动信息,论文首先提出了一种结合空间金字塔及深度卷积网络的光流快速估计算法,解决了高精度光流算法计算量大、实时性差的问题。通过对深度卷积网络输入图像进行空间多尺度表达,以克服光流估计任务中常出现的“大位移”问题。论文在图像及光流图之间基于深度卷积网络建立映射关系,由图像最小尺度至最大尺度进行逐层光流预测。深度卷积网络由特征提取网络和上下文网络构成,其中特征提取网络实现对连续图像中光流信息的学习,基于上下文网络进一步完成对预估光流的后处理,以弥补因图像尺度变换带来的空间信息丢失。实验结果表明,网络模型通过卷积自学习能力以及由“粗到精”的结构模式,在光流估计效率与精度之间达到了较为理想的平衡,并且较好提升了模糊图像这一类质量较差的样本识别精确度,为后续铁路视频信息分析任务奠定了良好基础。为实现视频监控场景中行为可靠性识别,论文提出了一种基于时域多尺度时空特征提取的行为识别算法,解决了视频信息识别任务中时间轴方向尺度多样性问题,以及单一卷积网络在处理视频信息识别问题时存在的局限性。该算法通过分析视频场景中运动目标行为特征在时间与空间尺度上的差异性,利用上述光流快速估计算法及3D/2D混合网络建立双路视频信息时域多尺度时空特征提取模型。该模型由基于3D卷积的长时时空特征提取网络及基于2D卷积的短时时空特征提取网络组成,分别以连续帧图像序列及单帧光流图作为网络输入,并在网络后端全连接层进行深度特征融合。双路卷积网络通过两个子网络多源卷积特征的相互辅助,弥补单一2D卷积无法提取视频时序信息的缺陷,并实现了深度学习特征与手工特征的融合,以及对视频信息多尺度表达,提升了模型识别准确度。同时,3D/2D混合网络机制也为其它视频信息分析技术提供了研究思路。在上述3D/2D混合网络机制研究的基础上,针对公共场景中人群流量统计问题,提出了一种基于时空特征提取的人群密度估计算法。人群密度估计模型由编码网络及解码网络构成,其中编码网络由3D/2D混合网络组成,实现人群图像序列特征提取,解码网络由反卷积网络组成,实现编码网络输出特征图上采样,生成与输入图像序列相同尺度的高质量人群密度图。在此基础上,为了进一步提高模型计数准确性与敏感性,提出了一种结合人群密度图误差及人群计数误差的多任务损失函数。实验结果表明,时序特征的引入提升了模型对于人群特征的表达能力,提高了人群密度图质量,降低了人群数量统计结果的误差。基于以上研究结果,围绕铁路场景异常行为识别及站台人群密度估计任务展开了应用研究,为铁路监控系统智能化发展提供解决方案。为提升模型在铁路场景中泛化性能,利用既有高速铁路监控系统采集到的视频分别建立铁路场景异常行为数据库以及站台人群数据库。实验测试结果表明:提出的行为识别算法以及人群密度估计算法在铁路场景中具有较为理想的识别准确性。
蔡嘉辉[4]（2021）在《基于数据驱动的线损异常智能分析方法研究及应用》文中提出线损异常管理问题是限制电网发展的重要因素,解决该问题有助于实现配电台区的降损节能,对电网规划建设具有重要指导意义。近年来,随着大数据、人工智能等先进技术的蓬勃发展,传统电网向智能电网转变,智能电表和电力用户用电采集系统在供电企业逐步普及,常规的以人工筛查为主的线损管理方法,由于不能有效反映电力数据间的相互关系,限制了线损分析和线损异常诊断的实时性与准确性,严重制约了线损管理效率。基于此,将大数据和深度学习理论相结合,采用基于数据驱动的方式解决线损异常相关问题,是线损异常管理方法发展的必然趋势。本文的主要工作如下:（1）针对采集的台区线损统计表中存在的台区统计线损率数据缺失,导致无法对该台区是否线损异常进行判定的问题,提出了基于DNN的台区统计线损率预测填充方法以及基于LSTM时间序列算法的台区统计线损率预测填充方法,实现了台区统计线损率缺失数据的有效预测。（2）针对线损异常台区判定的统计线损率考核阈值设定过于宽泛、且所有台区的统计线损率考核阈值设定相同,缺乏精细化管理的问题,提出了基于台区理论线损率的精细化阈值设定方法。首先,针对理论线损率的计算难点,采用了基于1D-CNN的理论线损率计算方法,方便、有效地计算台区理论线损率;其次,依据计算的台区理论线损率对台区进行分类,并为各类台区设定了合理的统计线损率考核阈值。（3）为了解决线损异常的问题,对线损异常原因进行溯源。首先,重点分析了用户窃电导致的台区线损异常问题,提出了基于Dense Net-RF的电力用户窃电检测算法。其次,分析了其它多种线损异常原因,并提出对应的线损异常检测方法。最后,形成了电网整体线损异常分析流程。（4）根据功能需求,开发了台区线损异常智能诊断系统。基于C/S构架完成了数据存储与管理、线损异常台区查询、线损异常诊断分析、缺失数据填充、闭环管理等软件功能模块,实现了线损异常的有效分析与科学诊断、台区线损的精细化管理,提高了线损管理效率。综上,本文从数据的关联性和动态性出发,以技术手段对线损数据进行深度分析,多方位地构建线损异常智能分析体系,并以软件应用的形式,实现线损异常的科学诊断,提高了供电企业线损管理水平和电网运行效率,有利于推动安全可靠、清洁环保、开放兼容的现代化智能化的电网建设。
高烁琪[5]（2021）在《齿轮箱磨粒铁谱图像智能分类与异常检测研究》文中认为机械设备在运转过程中往往会出现由于超负荷运行或长期缺乏有效维护造成因故停机的情况,从而给企业带来巨大经济损失和安全隐患。齿轮箱作为机械传动的核心部件迫切需要对其运行过程进行监测与故障诊断,防患于未然。大多数状态监测和故障诊断技术均以设备运行过程中的振动信号为手段,通过分析不同状态下信号频率特征来确定设备状态及故障类型。然而,对设备磨损故障,直接研究磨损产物——磨粒,较振动信号能更直观准确地表达设备磨损状态。磨粒分析一般分为基于典型铁谱图像特征的磨粒识别和基于颗粒浓度的设备剩余寿命预测。本文针对磨粒铁谱图像分类和异常检测展开深入研究,采用卷积神经网络构建基于单一磨粒的铁谱图像分类模型和基于多磨粒的铁谱图像目标检测模型,实现磨粒铁谱图像的智能分类和异常磨粒智能检测。首先,使用在线和离线两种方式从待测油液中获取磨粒铁谱图像,根据磨粒分类和异常磨粒检测两种不同情况选择合适的铁谱图像数据集并进行图像标注。本文所得磨粒按形貌特征分为链状磨粒、切削磨粒、疲劳磨粒、球状磨粒和严重滑动磨粒。用于分类问题的数据集包含除球状磨粒之外的其他四种类型,用于异常检测问题的磨粒不包含正常磨损产生的链状磨粒。并且,在异常检测问题中考虑对润滑油中油泥的检测。为解决图像样本数量不足问题,自主设计了基于相似性的虚拟磨粒铁谱图像,并针对不同问题分别构成相应数据集,为深度学习研究奠定基础。其次,研究了基于卷积神经网络的最优磨粒铁谱图像分类模型。提出一种虚拟图像作为源数据的迁移学习方法,以解决磨粒图像样本数量较少的问题。以AI Studio为开发平台,使用PaddlePaddle深度学习框架,构建了基于AlexNet的卷积神经网络基础模型,使用参数迁移方法研究不同参数对模型分类准确率的影响,在合理调控范围内寻求使模型取得最佳分类效果的最优参数组合,在测试集上分类准确率达到93.8%。同时,对各卷积层输出的特征图进行可视化,直观分析模型训练过程中卷积神经网络特征提取过程,使用聚类算法表征了磨粒分类结果。最后,针对真实工况下的矿用齿轮箱磨粒铁谱图像,提出基于两级迁移学习的异常磨粒智能检测模型。在检测过程中,考虑油泥作为干扰源,以YOLOv3单阶段目标检测算法为基础,使用自主设计的混合磨粒铁谱图像数据集构建基础模型;然后,从迁移学习源数据出发,使用不同虚拟异常磨粒数据集进行比较研究,选择更合适的数据进行迁移学习;最后,使用矿用齿轮箱磨粒铁谱图像,验证上述研究的实用性。使用两级迁移学习优化模型检测效果,分析了优化前后模型误差来源,证明了结果的有效性。经过两级迁移学习,模型在验证集上平均检测精度为86.1%,平均召回率为95.8%。总体上,本文以磨粒铁谱图像为研究对象,以深度迁移学习为研究方法,针对矿用齿轮箱磨粒分类与异常检测问题,采用虚拟图像数据作为源数据进行研究,构建了基于虚拟图像与深度迁移学习的磨粒铁谱图像智能分类模型与基于两级迁移学习的异常磨粒检测模型,按照“虚拟数据→公开数据→实测数据”两级迁移学习实现了矿用齿轮箱异常磨粒智能检测,检测精度相比基础模型提高了 44.5%。
马元婧[6]（2021）在《基于深度学习的大气环境监测系统关键技术研究》文中研究说明环境空气质量与人们的生产生活以及社会发展密不可分,所以大气环境监测系统在环境保护、污染治理方面发挥着不可替代的作用。利用实时更新的监测信息掌握大气污染状况,评估预测环境质量,对预警决策和科学治理空气质量以及开展区域联防联控工作提供技术支撑。深度学习是机器学习研究中的一个新的领域,其目的在于建立神经网络,使其能够模拟人脑进行分析学习,学习样本数据的内在规律和表示层次。利用人类大脑的运转机制来读取并解释数据,是为了能够让机器可以像人类一样会学习会分析。深度学习在图像分类、目标检测、语义分割和人脸识别等计算机视觉任务中都取得了巨大的成功。本文分析大气环境监测系统采集的多源、多维、多态的海量数据,应用深度学习技术对大气环境监测系统关键技术进行研究,分别从环境监测设备异常数据来源诊断、大气气溶胶颗粒成分分析和空气质量数值预报模型优化三个方面展开,对大气环境监测过程中的关键问题予以分析解决,同时给出具体的解决方法:1.基于深度学习的异常数据来源诊断模型的研究。针对大气环境监测系统无法对产生异常数据的监测设备进行详细定位的问题,提出一种改进Faster RCNN模型,应用基于深度学习的目标检测算法,训练大量环境监测设备正常运行状态与异常运行状态的图像,来建立大气环境监测异常数据来源诊断模型。借助环境监测站内视频监控系统对监测设备采集的图像,将对异常数据来源设备的定位问题,转化为对监测设备采集图像的目标检测问题。考虑到检测目标的特征属性,对Faster R-CNN模型进行卷积层重构、特征融合、锚框重置和数据扩增等改进方式,提高模型异常数据来源诊断的准确率,使得针对异常数据来源的监测设备故障排查工作向无人值守化过渡。2.基于深度学习的气溶胶颗粒自动分类模型的研究。现有的大气气溶胶颗粒分类方法存在缺乏统一的提取标准以及完全依靠人工经验手动命名,耗费大量人力物力的问题。同时,以单个颗粒为单位的大气气溶胶颗粒监测过程又会产生过于庞大的颗粒信息。针对大气气溶胶颗粒监测与分类的现状以及不足之处,基于深度学习的分类算法,提出一种改进Alex Net模型,训练并建立大气气溶胶颗粒自动分类模型。利用以往监测活动中已经被人工命名的气溶胶颗粒质谱图,人工标注类别信息,建立用于训练分类模型的数据集。通过对气溶胶颗粒质谱图的特征进行深入研究,采用调整图片分辨率、减小卷积核尺寸和精简网络层数等优化方法,对Alex Net深度学习分类算法进行改进,经过深度卷积网络提取能够反映出颗粒类别的质谱特征,对气溶胶颗粒成分进行自动学习,生成大气气溶胶颗粒自动分类模型,提升了分类模型的准确率,实现自动分类的目的,达到实时检测的效果。3.基于深度学习的空气质量预报模型的研究。现有运行中的空气质量数值预报系统WRF-CMAQ,由于污染源排放清单的不确定性,以及不能够完整全面的量化大气传输中的物理化学变化,导致了空气质量预报数值出现偏差的现象。针对现有空气质量预报系统的现状,提出应用深度置信网络模型DBN,挖掘区域内数值预报模型预测值与实测值之间的关系,建立基于深度学习的空气质量预报模型,该模型利用了研究区域内多个国控监测站点的历史监测数据以及相应的气象预报数据,充分考虑了大气污染物浓度的时间变化规律和空间分布特征,在预报周期内,对区域内任意站点的污染物浓度预测值进行修正,提高空气质量预报模型的有效性。
刘爽[7]（2021）在《基于胶囊网络的网络流量异常检测方法的研究》文中进行了进一步梳理在这个信息技术飞速发展的时代,网络逐渐成为人们生产生活不可或缺的一部分,与此同时许多网络空间安全问题也日益凸显。网络流量异常检测是网络安全领域研究的重要方向,本文以胶囊网络（Capsule Network,CapsNet）为基础,研究网络流量异常检测算法,提出基于SMOTE-Tomek混合采样和胶囊网络的网络流量异常检测模型。本文的主要研究工作如下:首先,研究分析CapsNet的工作原理,算法架构和优化算法,提出了一种基于CapsNet的网络流量异常检测模型。通过利用胶囊网络对图像更强的特征提取能力,将数据集的数据进行图像化处理。并使用控制变量的方式设置不同组的对照实验来对模型中的超参数进行调优。实验结果表明,基于胶囊网络的异常检测模型在实验中的平均召回率为0.9606,平均Macro-F1值为0.8933,与其他算法相比有所提升。然后,针对数据集不平衡的问题,本文通过混合采样的方法使得样本数据趋于平衡,提出了一种基于SMOTE-Tomek混合采样和CapsNet（SMOTE-Tomek Capsule Network,ST-CapsNet）的网络流量异常检测模型。SMOTE-Tomek作为一种混合采样的方法,对不平衡数据集少数类的检测能力的提升有显着效果。而胶囊网络自身并没有对不平衡数据集的优化,这会限制其在不平衡数据集中的检测性能。本文所提出的ST-CapsNet模型,在数据集图像化处理阶段将SMOTETomek混合采样方法融合其中,以此提高对少数类的检测能力。最后,本文的实验在KDD CUP 99数据集上进行,在多分类问题下验证模型效果。本文使用多个不同的评估指标作为模型性能的评估标准,其中包括精确率,召回率,F1值等。在KDD CUP 99数据集中的实验结果表明,本文提出的STCapsNet在实验中的平均Macro-F1值为0.9282,与CapsNet相比提高了0.0349。与其他深度神经网络相比,ST-CapsNet也有不错的表现。
曹景军[8]（2021）在《基于深度学习的双孢菇采摘机器人视觉系统研究》文中提出双孢菇是最常见的食用菌品种之一,其种植方式逐渐从传统的小规模个体栽培向规模化生产的智能工厂转变。在双孢菇智能工厂中,大多数生产工序已实现机械化和自动化,但采收成熟的双孢菇以及品质分级仍然主要依靠人工手动完成。人工采摘与品质分级劳动强度大、成本高并且十分枯燥。双孢菇自动采摘与品质分级成为该产业中的迫切需求。视觉系统是采摘机器人中的一项重要组成部分,开展双孢菇采摘机器人视觉系统研究对实现双孢菇自动化采摘及品质分级具有重要作用。本文围绕双孢菇自动采摘与自动品质分级的产业需求,重点研究了视觉系统中的多模态目标检测和轻量级品质分级核心算法,并搭建了双孢菇采摘机器人视觉系统,为实现双孢菇自动化采摘及品质分级提供了有力技术支撑。概括而言,本文的主要研究成果包括:（1）构建了双孢菇图像数据集合。为了提高双孢菇目标检测算法性能,构建了具有2300幅图像的双孢菇多模态目标检测数据集合,为了自动识别双孢菇品质等级,构建了具有1200幅图像的双孢菇品质分级数据集合,为开展相关研究提供了数据基础。（2）提出了一种多模态注意力融合网络进行双孢菇检测。该网络通过融合双孢菇可见光和深度图像特征来提取更全面的信息,采用多尺度架构增加感受野。使用注意力机制自适应地对特征通道进行标定,使网络关注于更重要的信息。当某个模态信息发生较大变化或者缺失时,通过模态间信息互补的方式,提升了检测器在光线较强和阴影条件下的准确性与健壮性。（3）提出了一种轻量级神经网络算法解决双孢菇品质分级问题。为了提高双孢菇品质分级效率,提出了一种压缩模块,该模块的主要设计思路是将串行的下采样操作和卷积运算转换成并行结构,基于该压缩模块,构建了一种轻量级神经网络‘Light Net’来解决双孢菇品质分级问题。所提出的网络具有更少的参数量和计算量,并且分级精度达到了97.50%。该网络通过提取双孢菇图像特征,自动将双孢菇分成优质和劣质两个级别,劣质中包括畸形和锈斑等情况。同时,为了测试该算法的泛化能力,在茭白品质分级图像数据集合上开展实验,分级精度达到95.62%,实验结果证明该网络可以拓展应用于其他有关农产品品质分级的任务中。（4）搭建了用于双孢菇采摘的机器视觉系统。设计并实现了双孢菇三维空间定位方法与双孢菇采摘路径规划方法,研发了双孢菇采摘机器人视觉系统,并将该视觉系统与双孢菇采摘机器人硬件装置进行集成,执行20组实验对视觉系统进行测试,实验结果证明了该视觉系统可以精确地检测与定位双孢菇。通过上述工作,本文对双孢菇自动采摘与品质分级问题进行了深入研究,研究结果表明:提出的多模态注意力融合网络提升了双孢菇检测性能。提出的轻量级神经网络具有更低的时间复杂度和空间复杂度,并且保持了相当的双孢菇品质分级精度。并将研发的视觉系统与双孢菇采摘机器人硬件装置进行了集成,实验结果证明了该视觉系统的准确性与有效性,为双孢菇自动采摘与品质分级提供了有力技术支撑。
王文奇[9]（2021）在《基于DeepLabV3+的水培生菜异常叶片分割方法及分选装置研究》文中认为植物工厂是农业发展的高级阶段,可以在有限的土地资源上产出更多的粮食蔬菜,能够有效解决粮食安全、季节性蔬菜短缺和地域限制等问题。水培生菜因其产量高、生产周期短和市场需求大等特点,在植物工厂中种植面积越来越大。由于水培生菜质地脆嫩,极易受损,受损后受微生物影响会快速腐烂,严重影响生菜的商品价值和食用安全。针对于此,当今市场推行对水培生菜进行包装出售,针对包装环节也推出了系列包装机械。但包装前的分选检测仍然依靠人工开展,人工分选方法劳动成本较高,费时费力,效率低下,且存在长时间工作后分选质量参差不齐等问题。为解决水培生菜包装前机械化程度低,分选任务重的问题,本文以水培生菜为研究对象,采用机器视觉对异常叶片进行检测并设计分选机构对包装前的水培生菜进行检测并完成分选任务。以下为本文主要研究内容与结论:（1）构建水培生菜图像数据集。根据水培生菜机械化采收模式,分析水培生菜外观特性,确定采用3个高清摄像头自下向上的拍摄方式来获取水培生菜图像。图像采集时间的周期为全天候,图像采集时不进行补光,以最大程度还原植物工厂内的作业环境。由于人工采集的图像数量有限,用于深度学习训练模型的数据集过少时,模型易产生过拟合现象,因此,对采集后的图像进行顺时针90°、180°和270°的旋转并采用上下镜像和左右镜像共6种方法对原始图像数据进行扩增。数据扩增后采用人工标注的方式对水培生菜数据集的整棵生菜、黄叶、干叶和腐烂叶进行标注,并赋予对应的标签。将标注数据过程中对应产生的JSON文件进行编码,生成相应的PNG图像是原始图像的真值图,并按照4:1的比例进行训练集和测试集的划分。（2）基于DeepLabV3+的水培生菜异常叶片分割方法。由于水培生菜异常叶片形状不规则,异常区域不连续,边缘不明显,根据前人的研究发现,针对这种目标,使用语义分割有望取得更好的检测效果,因此,采用DeepLabV3+语义分割网络开展本文研究。在制作训练用数据集时发现,水培生菜数据集存在严重的数据不平衡问题,水培生菜图像中背景和正常生菜像素占据图像的绝大部分,而黄叶、干叶和腐烂叶像素仅仅占据图像的很小一部分,若不对权重进行处理,模型很可能出现在预测像素占比多的类别上较精准,而在像素占比小的类别上精度低的问题。针对该状况,本文引入均一权重和中频权重两种权重设置规则,并采用Xception-65、Xception-71、Res Net-50和Res Net-101四种不同的特征提取网络,分别在两种权重设置规则下进行网络训练,并对比8种模型的性能指标,以便选出更适用水培生菜数据集的模型。试验验证表明,均一权重下基于Res Net-101的DeepLabV3+语义分割模型的平均联合交并比（m Io U）达到了0.8326,像素精度（PA）高达99.24%,且对于腐烂叶分割的联合交并比（Io U）高达0.6138,在所有模型中表现最好,因此在后续的分选系统中使用该模型进行分割识别。（3）水培生菜分选装置整体方案与关键部件设计。根据水培生菜实际采收场景和水培生菜的外观特征,分别提出夹取式分选方案和托举式分选方案。在分析对比两种方案后发现,夹取式分选方式传动机构复杂,且适用性低,而托举式分选方式传动简单,有较强适用性,且对生菜损伤更小,因此采用更适合采收场景和实际情况的托举式分选方案。确定总体方案后,对末端执行器进行设计,对比分析圆环式和支架式末端执行器两种方案,最后选择更为稳定的支架式末端执行器。最后,结合水培生菜分选装置的功能和性能要求对整体的控制系统进行设计,采用串口通信将计算机和Arduino UNO单片机进行数据通信,并确定步进电机、电磁阀、继电器、气缸等硬件的型号,设计控制系统流程图和电路原理图,在此基础上采用C语言编写控制程序。（4）水培生菜分选装置试制与验证试验。根据水培生菜自动分选装置的总体方案以及关键部件与控制系统设计,对样机进行试制并进行调试。在样机上进行二次正交旋转组合试验,对末端执行器中纵/横支撑杆的倾角和步进电机转速进行优化试验。实验结果表明,当支撑杆角度一定时,成功率随步进电机转速增大而减小,当步进电机转速一定时,支撑杆角度从140～160°变化时,成功率先增大后减小,在144°处成功率最大。最终综合考虑分选效率和成功率,选择步进电机转速20转/min,纵/横支撑杆角度均设置为144°。最后,利用最优参数组合,在水培生菜自动分选装置样机上进行验证试验,最终结果表明,样机分选成功率为93%,分选工作效率为4棵/min,较之人工分选有一定提升。
孟乔[10]（2021）在《面向复杂场景的车辆检测跟踪及行为分析关键技术研究》文中研究说明智能化的车辆检测跟踪及行为分析对提高城市智能交通综合管理水平,解决交通安全问题,实施交通违法控制具有重要的意义。现阶段,基于视频的车辆行驶状态自动检测技术因受遮挡、形变、拥堵、复杂天气等因素影响,存在检测鲁棒性差、跟踪轨迹断裂及行为识别缓慢且错误率高等诸多问题。针对这一问题,本文聚焦于复杂交通场景中异常事件检测及细粒度车辆行为辨识,研究了金字塔式多尺度计算的车辆检测与多维度动/静态特征匹配的车辆跟踪方法,并以此为基础进行了相关交通参数的计算以及复杂交通场景中方法的有效性、准确性与实时性测试。主要研究内容包括以下几方面:（1）构建了复杂交通场景中基于路侧相机的车辆检测数据集与基于车载相机的车辆检测数据集。针对现有标注工具单一的类别标注功能,设计了一套具备标签批量修改、目标数量统计、标签格式转换及自动标注的多功能标注软件,并制定了复杂场景中“多规则、不互通、不重用”的标注准则。同时,以路侧相机和车载相机为依托,完成了雨、雾、拥堵、夜间等复杂场景的大量样本采集与车辆标注,构建了基于路侧相机的数据集与基于车载相机的数据集,解决了现有车辆检测数据集中复杂场景样本量稀少,标注规则不一致等问题,为不同的交通应用需求提供了数据支持,亦为检验场景迁移对车辆检测性能的影响提供了有效的数据保障。（2）提出了一种多层卷积特征融合与金字塔式多尺度计算的V-SSD（Multi-level Improvement of SSD）车辆检测方法。针对SSD（Single Shot Multi-Box Detector）方法存在的特征弥散、特征信息逐层损失及检测鲁棒性差等缺陷,一方面,提出了多层卷积特征融合方法改进了SSD的网络结构,大幅度提高了SSD对小目标的特征学习能力,降低了深度网络学习过程中的特征损失;另一方面,提出了基于枚举的金字塔式多尺度计算方法改进了SSD的检测算法,提高了SSD检测算法的鲁棒性。实验结果表明,V-SSD方法极大地弥补了SSD的缺陷,并在精度与速度等多种评估指标下的综合检测性能极佳。复杂交通场景的实验亦表明,相比SSD与YOLOv3（YOLOv3:An Incremental Improvement）等方法,V-SSD方法的检测速度略有下降,然其在达到93%以上检测准确率的同时仍能满足实际应用中对检测的实时性要求,并能够在复杂交通应用场景中保持稳定的车辆检测结果。（3）提出了一种多维度动/静态特征匹配的车辆跟踪算法。针对遮挡、形变等因素导致的轨迹丢失、断裂以及跳变等问题,从车辆行驶过程中的动态位移、静态类别、动态旋转角三个维度出发,提出了多维度动/静态特征匹配的车辆跟踪算法。该算法主要包括了车辆跟踪关键点校准,多维度约束下的车辆再识别及跟踪轨迹线性优化。车辆跟踪关键点校准充分考虑了车辆检测框对车辆位置的表达能力,提出了基于相机视角的检测框底边中心点位置校正算法,得到了最佳的车辆跟踪位置;多维度约束下的车辆再识别算法提出了最小欧式距离、最大匹配面积及满足阈值的轨迹夹角约束,成功过滤了伪轨迹点,并有效地抑制了遮挡、形变导致的车辆失踪与错误跟踪问题;跟踪轨迹的线性优化侧重于对轨迹的平滑以便更好地描述车辆的行驶状态。复杂交通场景下的实验表明,多维度动/静态特征匹配的车辆跟踪算法具有计算量较小、准确率高以及跟踪性能稳定等优势。（4）从精确分类和快速检测两个层面出发,分别提出了车辆异常行为的细粒度辨识方法及多因素综合决策模型检测方法。结合检测、跟踪得到的车辆位置、类别及行驶轨迹信息,设计并实现了停车、超速、逆行、变道、拥堵的细粒度辨识。针对细粒度辨识方法存在的计算量大,辨识速度慢等问题,分别设计了K近邻与随机森林两种多因素综合决策模型,实现了车辆行为正常与否的快速检测。实验结果表明,细粒度车辆异常行为辨识方法适用于精确分类而不关注速度的交通应用需求,而多因素综合决策模型仅进行车辆行为异常与否的二分类检测,故对注重检测速度而不强调具体异常行为类型的交通应用领域更能体现其价值。综上所述,本文围绕复杂交通场景中车辆的检测跟踪与行为分析关键技术进行了研究,并着重对遮挡、光照、拥堵、复杂气候条件等带来的错误预警问题,提出了解决方案,对智能化的交通管理需求具有一定的参考价值。
二、基于.NET的一种异常管理模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于.NET的一种异常管理模型（论文提纲范文）
（1）智慧标识网络中边缘计算服务的任务卸载和资源适配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 新型网络技术及智慧标识网络研究现状 |
| 1.2.1 新型网络相关关键技术 |
| 1.2.2 智慧标识网络理论及其相关研究 |
| 1.3 边缘计算及其服务管控问题的相关研究 |
| 1.3.1 边缘计算技术概述 |
| 1.3.2 边缘计算中服务管控问题的相关研究 |
| 1.3.3 机器学习在边缘计算中的应用研究 |
| 1.4 研究内容和主要创新 |
| 1.5 论文组织结构 |
| 第二章 复杂计算服务的服务分割和任务卸载研究 |
| 2.1 引言 |
| 2.2 复杂服务分割和部分任务卸载的优化问题 |
| 2.2.1 系统架构 |
| 2.2.2 服务管控机制 |
| 2.2.3 问题建模和优化 |
| 2.3 复杂计算服务模型和协同分割卸载算法 |
| 2.3.1 基于DL方法的模型分析 |
| 2.3.2 终端复杂计算服务的模型构建 |
| 2.3.3 服务模型的数据流和计算负载分析 |
| 2.3.4 TP-CPO算法设计 |
| 2.4 仿真实验和结果分析 |
| 2.4.1 复杂计算服务仿真环境的建立 |
| 2.4.2 TP-CPO策略的性能评估 |
| 2.4.3 TP-CPO策略的扩展性分析 |
| 2.5 本章小结 |
| 第三章 流式计算服务的任务调度和功率控制研究 |
| 3.1 引言 |
| 3.2 任务卸载调度和终端功率控制的优化问题 |
| 3.2.1 系统架构和管控机制 |
| 3.2.2 问题建模和优化 |
| 3.3 基于分层深度强化学习的自适应调度控制算法 |
| 3.3.1 深度强化学习方法简介 |
| 3.3.2 状态、动作及奖励函数设计 |
| 3.3.3 HDRL-ASC算法设计 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验参数和环境变量的设置 |
| 3.4.2 HDRL-ASC算法性能分析 |
| 3.4.3 HDRL-ASC策略性能评估分析 |
| 3.5 本章小结 |
| 第四章 多终端竞争计算服务的卸载选择和资源编排研究 |
| 4.1 引言 |
| 4.2 终端卸载选择和通信资源编排的优化问题 |
| 4.2.1 系统架构和管控机制 |
| 4.2.2 问题建模和优化 |
| 4.3 基于纵向联邦学习的灵活选择编排算法 |
| 4.3.1 L-FOO算法框架设计 |
| 4.3.2 VFL-FOO算法设计 |
| 4.4 仿真实验和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 VFL-FOO算法参数调优 |
| 4.4.3 VFL-FOO算法收敛性分析 |
| 4.4.4 VFL-FOO算法复杂度评估 |
| 4.4.5 VFL-FOO策略的综合计算效用评估 |
| 4.5 本章小结 |
| 第五章 边缘汇聚计算服务的流量分类和资源适配研究 |
| 5.1 引言 |
| 5.2 流量鲁棒分类和资源感知转发的优化问题 |
| 5.2.1 系统架构和管控架构 |
| 5.2.2 问题建模和优化 |
| 5.3 基于遗传进化算法的快速分类转发算法 |
| 5.3.1 RCF算法框架设计 |
| 5.3.2 GE-RCF快速分类转发算法 |
| 5.4 仿真实验和结果分析 |
| 5.4.1 仿真实验参数设置 |
| 5.4.2 GE-RCF策略评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究工作展望 |
| 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）基于深度学习的网络入侵检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 相关技术的发展与研究现状 |
| 1.2.1 入侵检测的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.3 入侵检测存在的问题 |
| 1.4 论文的主要研究工作 |
| 2 相关基础知识 |
| 2.1 引言 |
| 2.2 入侵检测系统 |
| 2.2.1 入侵检测系统定义 |
| 2.2.2 入侵检测系统分类 |
| 2.2.3 入侵检测模型评价指标 |
| 2.3 深度学习 |
| 2.3.1 深度学习理论 |
| 2.3.2 多层感知机 |
| 2.3.3 自编码网络 |
| 2.3.4 一维卷积神经网络 |
| 2.3.5 二维卷积神经网络 |
| 2.3.6 长短期记忆神经网络 |
| 2.3.7 注意力机制 |
| 2.4 本章小结 |
| 3 基于空时特征和注意力机制的网络入侵检测算法 |
| 3.1 引言 |
| 3.2 基于空时特征和注意力机制的网络入侵检测算法总体框架 |
| 3.3 基于空时特征和注意力机制的网络入侵检测模型 |
| 3.3.1 入侵检测数据集预处理层 |
| 3.3.2 CNN层 |
| 3.3.3 Dropout层 |
| 3.3.4 Max-pooling层 |
| 3.3.5 Bi-LSTM层 |
| 3.3.6 注意力层 |
| 3.3.7 输出层 |
| 3.4 实验运行环境和设置 |
| 3.4.1 实验运行环境 |
| 3.4.2 实验设置 |
| 3.5 仿真结果与分析 |
| 3.5.1 卷积核大小的设置对算法性能的影响 |
| 3.5.2 Bi-LSTM隐藏层节点的设置对算法性能的影响 |
| 3.5.3 学习率的设置对算法性能的影响 |
| 3.5.4 CLT-net算法二分类性能分析 |
| 3.5.5 CLT-net算法多分类性能分析 |
| 3.6 本章小结 |
| 4 基于一维空时特征的网络入侵检测算法 |
| 4.1 引言 |
| 4.2 基于一维空时特征的网络入侵检测算法总体框架 |
| 4.3 基于一维空时特征的网络入侵检测模型 |
| 4.4 实验运行环境和设置 |
| 4.4.1 实验运行环境 |
| 4.4.2 实验设置 |
| 4.5 仿真结果与分析 |
| 4.5.1 CLSTM-net算法二分类性能分析 |
| 4.5.2 CLSTM-net算法多分类性能分析 |
| 4.6 本章小结 |
| 5 基于多分类及数据不平衡的深度学习混合入侵检测算法 |
| 5.1 引言 |
| 5.2 不平衡数据集 |
| 5.2.1 不平衡数据集定义 |
| 5.2.2 从数据层面开展的研究 |
| 5.2.3 从算法层面开展的研究 |
| 5.3 入侵检测数据特征分析 |
| 5.4 算法基础与分析 |
| 5.4.1 SMOTE算法 |
| 5.4.2 Borderline-SMOTE算法 |
| 5.5 基于数据不平衡的深度学习混合入侵检测算法 |
| 5.6 仿真结果与分析 |
| 5.6.1 ICLT-net算法多分类性能分析 |
| 5.6.2 ICLSTM-net算法多分类性能分析 |
| 5.6.3 四种算法性能对比 |
| 5.7 本章小结 |
| 6 总结及展望 |
| 6.1 论文的主要工作和结论 |
| 6.2 论文的展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要的研究成果 |
（3）基于多尺度时空特征的铁路视频智能分析技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控及智能分析技术 |
| 1.2.2 光流信息提取技术 |
| 1.2.3 行人行为识别算法研究现状 |
| 1.2.4 人群密度估计算法研究现状 |
| 1.2.5 铁路场景视频智能分析难点 |
| 1.3 本文研究工作及章节安排 |
| 2 基于多尺度空间特征提取的光流快速估计算法 |
| 2.1 视频短时运动信息分析与建模 |
| 2.2 图像空间多尺度表示 |
| 2.3 插值形变图像的合成 |
| 2.4 由“粗到精”的卷积网络光流估计模型 |
| 2.4.1 卷积神经网络的基本结构 |
| 2.4.2 空间多尺度光流估计网络的建立 |
| 2.4.3 基于上下文网络的光流后处理结构 |
| 2.4.4 网络训练 |
| 2.5 实验结果与分析 |
| 2.5.1 公共数据集上算法验证实验 |
| 2.5.2 与其它方法的对比实验 |
| 2.6 本章小结 |
| 3 基于时域多尺度时空特征提取的行为识别算法 |
| 3.1 时空特征提取 |
| 3.2 3D/2D混合网络 |
| 3.2.1 2D卷积运算特性 |
| 3.2.2 3D卷积运算特性 |
| 3.2.3 混合网络的构建 |
| 3.3 时域多尺度时空特征提取网络 |
| 3.3.1 长时时空特征提取网络 |
| 3.3.2 短时时空特征提取网络 |
| 3.3.3 网络训练和分类 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集 |
| 3.4.2 参数设置 |
| 3.4.3 实验结果对比 |
| 3.5 本章小结 |
| 4 基于时空特征提取的人群密度估计算法 |
| 4.1 人群密度图 |
| 4.2 基于卷积神经网络的人群密度估计模型 |
| 4.3 基于编码-解码结构的时空卷积神经网络 |
| 4.3.1 基于3D/2D混合卷积网络编码器的构建 |
| 4.3.2 基于反卷积网络解码器的构建 |
| 4.3.3 多任务损失函数 |
| 4.3.4 网络训练 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 铁路场景视频信息识别模型的应用研究 |
| 5.1 高速铁路智能监控系统 |
| 5.2 高速铁路监控场景异常行为检测 |
| 5.2.1 铁路场景异常行为数据库的建立 |
| 5.2.2 测试实验与结果 |
| 5.3 高速铁路站台场景人群密度检测 |
| 5.3.1 高速铁路站台场景人群数据库的建立 |
| 5.3.2 测试实验与结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文创新点总结 |
| 6.2 未来研究工作展望 |
| 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 |
（4）基于数据驱动的线损异常智能分析方法研究及应用（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 线损分析的国内外研究现状 |
| 1.2.2 窃电问题的国内外研究现状 |
| 1.3 线损管理面临的问题 |
| 1.4 本文主要工作和研究内容 |
| 1.5 技术路线 |
| 第二章 台区统计线损率数据缺失处理 |
| 2.1 引言 |
| 2.2 单一数据缺失的台区统计线损率预测填充方法 |
| 2.2.1 台区线损统计表的数据缺失分析 |
| 2.2.2 深度学习框架 |
| 2.2.3 深度神经网络建模 |
| 2.2.4 基于DNN算法的模型训练过程 |
| 2.2.5 DNN算法与其它回归算法的性能比较 |
| 2.2.5.1 相关性分析 |
| 2.2.5.2 其它回归算法的模型训练 |
| 2.2.5.3 算法性能评价指标 |
| 2.2.5.4 多种回归模型训练过程与结果分析 |
| 2.3 多重数据缺失的台区统计线损率预测填充方法 |
| 2.3.1 时序数据缺失的处理方法 |
| 2.3.1.1 相邻均值法 |
| 2.3.1.2 LSTM算法及其它时间序列算法 |
| 2.3.2 基于LSTM的台区统计线损率预测模型 |
| 2.3.2.1 历史统计线损率数据集介绍 |
| 2.3.2.2 LSTM模型与实验设计 |
| 2.3.2.3 结果分析 |
| 2.3.2.4 单日缺失数据的预测填充比较分析 |
| 2.3.2.5 连续多日缺失数据的恢复比较分析 |
| 2.4 本章小结 |
| 第三章 基于1D-CNN的理论线损率计算与考核阈值设定 |
| 3.1 引言 |
| 3.2 计算台区理论线损率特征指标的建立 |
| 3.3 一维卷积神经网络理论线损率模型 |
| 3.3.1 一维卷积神经网络 |
| 3.3.2 1D-CNN模型的建立 |
| 3.4 算例验证及分析 |
| 3.4.1 理论线损率数据集及实验平台介绍 |
| 3.4.2 台区理论线损率模型训练结果与误差分析 |
| 3.4.3 台区理论线损率计算模型在新样本上的预测性能 |
| 3.5 台区统计线损率考核阈值设定问题 |
| 3.6 台区分类与考核阈值合理划分 |
| 3.7 本章小结 |
| 第四章 线损异常台区窃电辨识及其它异常原因溯源 |
| 4.1 引言 |
| 4.2 用户用电行为分析 |
| 4.3 DenseNet-RF融合算法的设计 |
| 4.3.1 DenseNet算法 |
| 4.3.2 随机森林(RF)算法 |
| 4.3.3 DenseNet-RF模型的建立 |
| 4.4 智能电表数据集与数据预处理 |
| 4.5 基于DenseNet-RF的用户窃电检测模型 |
| 4.6 电力用户窃电检测方法实现 |
| 4.6.1 DenseNet及相关网格模型训练 |
| 4.6.2 多种网络模型的分类准确率比较 |
| 4.6.3 DenseNet-RF融合模型的分类准确率比较 |
| 4.6.4 DenseNet-RF融合模型在新样本上的性能评价 |
| 4.7 其它常见线损异常原因分析 |
| 4.7.1 表计故障 |
| 4.7.1.1 电表接线错误 |
| 4.7.1.2 接触不良 |
| 4.7.1.3 计量模块失准 |
| 4.7.2 采集故障 |
| 4.7.3 户变关系异常 |
| 4.7.3.1 户变关系挂接错误 |
| 4.7.3.2 无表无户用电 |
| 4.8 配电网线损异常分析流程 |
| 4.9 本章小结 |
| 第五章 台区线损异常智能诊断系统开发 |
| 5.1 引言 |
| 5.2 项目需求分析及总体设计 |
| 5.2.1 项目需求分析 |
| 5.2.2 系统开发架构 |
| 5.2.3 系统主要功能设计 |
| 5.3 数据库选择与数据表设计 |
| 5.3.1 数据库选择 |
| 5.3.2 数据表设计 |
| 5.4 系统的技术实现 |
| 5.4.1 用户登录 |
| 5.4.2 数据存储与管理 |
| 5.4.3 过期数据定期自动删除模块 |
| 5.4.4 线损异常台区数据查询 |
| 5.4.5 线损异常诊断分析 |
| 5.4.6 线损缺失数据模型的部署与应用 |
| 5.4.7 窃电检测与台区理论线损率计算模型部署 |
| 5.4.7.1 Flask应用介绍 |
| 5.4.7.2 在线预测 |
| 5.4.8 基于MQTT协议的线损异常闭环管理模块 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者攻读硕士学位期间论文发表及科研情况 |
（5）齿轮箱磨粒铁谱图像智能分类与异常检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及趋势 |
| 1.2.1 磨损检测主要方法 |
| 1.2.2 铁谱分析技术研究现状 |
| 1.2.3 磨粒图像识别技术研究现状 |
| 1.3 本文研究内容及方案 |
| 2 磨粒铁谱图像智能分类与异常检测的理论基础 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络原理 |
| 2.1.2 图像分类模型评估 |
| 2.2 目标检测算法概述 |
| 2.3 YOLOv3目标检测算法 |
| 2.3.1 目标识别 |
| 2.3.2 目标定位 |
| 2.3.3 关联输出特征图与预测框 |
| 2.3.4 损失函数 |
| 2.3.5 算法训练流程 |
| 2.3.6 模型性能评价 |
| 2.4 迁移学习 |
| 2.5 本章小结 |
| 3 齿轮箱磨粒铁谱图像的采集与数据集制备 |
| 3.1 磨粒铁谱图像数据采集 |
| 3.1.1 离线采集 |
| 3.1.2 在线采集 |
| 3.2 磨粒铁谱图像数据集制备 |
| 3.2.1 典型磨粒分类特征 |
| 3.2.2 磨粒分类数据集 |
| 3.2.3 异常磨粒检测数据集 |
| 3.3 虚拟铁谱图像数据集设计 |
| 3.3.1 分类数据集 |
| 3.3.2 异常磨粒检测数据集 |
| 3.4 本章小结 |
| 4 基于卷积神经网络的齿轮箱磨粒铁谱图像智能分类 |
| 4.1 磨粒铁谱图像智能分类模型构建 |
| 4.2 磨粒铁谱图像智能分类模型研究 |
| 4.2.1 网络结构 |
| 4.2.2 网络参数初始化 |
| 4.2.3 卷积层超参数 |
| 4.2.4 池化层超参数 |
| 4.2.5 激活函数 |
| 4.2.6 基于梯度下降的模型优化方法 |
| 4.2.7 过拟合及其抑制 |
| 4.2.8 学习率 |
| 4.2.9 正则化 |
| 4.3 磨粒铁谱图像智能分类最优模型 |
| 4.4 磨粒铁谱图像智能分类模型可视化 |
| 4.4.1 特征图可视化 |
| 4.4.2 分类结果可视化 |
| 4.5 本章小结 |
| 5 基于两级迁移学习的齿轮箱异常磨粒智能检测 |
| 5.1 异常磨粒智能检测基础模型 |
| 5.1.1 基于不同骨干网络的目标智能检测模型构建 |
| 5.1.2 异常磨粒智能检测基础模型研究 |
| 5.2 基于虚拟图像与迁移学习的异常磨粒智能检测 |
| 5.2.1 基于虚拟图像的异常磨粒智能检测模型预训练 |
| 5.2.2 基于迁移学习的异常磨粒智能检测模型研究 |
| 5.3 矿用齿轮箱异常磨粒智能检测方法 |
| 5.3.1 矿用齿轮箱异常磨粒智能检测 |
| 5.3.2 基于一级迁移学习的异常磨粒智能检测 |
| 5.3.3 基于两级迁移学习的异常磨粒智能检测 |
| 5.3.4 检测结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于深度学习的大气环境监测系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 监测设备运行状态识别研究现状 |
| 1.2.2 大气气溶胶颗粒分类的研究现状 |
| 1.2.3 空气质量预报模型的研究现状 |
| 1.2.4 大气环境监测系统研究现状 |
| 1.3 研究内容与论文结构 |
| 1.4 本章小结 |
| 第2章 基于深度学习的异常数据来源诊断模型的研究 |
| 2.1 引言 |
| 2.2 Faster R-CNN |
| 2.2.1 卷积层 |
| 2.2.2 RPN网络 |
| 2.2.3 RoI pooling层 |
| 2.2.4 目标分类与定位层 |
| 2.3 改进Faster R-CNN |
| 2.3.1 重构卷积层 |
| 2.3.2 特征融合 |
| 2.3.3 锚框重置 |
| 2.3.4 数据扩增 |
| 2.4 实验与分析 |
| 2.4.1 实验环境 |
| 2.4.2 实验数据 |
| 2.4.3 预训练模型 |
| 2.4.4 评价指标 |
| 2.4.5 实验结果分析 |
| 2.5 本章小结 |
| 第3章 基于深度学习的气溶胶颗粒自动分类模型的研究 |
| 3.1 引言 |
| 3.2 大气气溶胶颗粒物成分及特征 |
| 3.2.1 有机碳颗粒(OC) |
| 3.2.2 元素碳颗粒(EC) |
| 3.2.3 元素-有机碳混合颗粒(ECOC) |
| 3.2.4 高分子有机碳颗粒(HOC) |
| 3.2.5 重金属颗粒(HM) |
| 3.2.6 矿物质颗粒(DUST) |
| 3.2.7 富钾颗粒(K) |
| 3.3 AlexNet |
| 3.3.1 网络结构 |
| 3.3.2 技术特点 |
| 3.3.3 AlexNet卷积特征图 |
| 3.4 改进的AlexNet分类方法 |
| 3.4.1 改进策略 |
| 3.4.2 改进的AlexNet网络结构 |
| 3.4.3 改进AlexNet卷积特征图 |
| 3.5 实验与分析 |
| 3.5.1 实验环境 |
| 3.5.2 实验数据 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的空气质量预报模型的研究 |
| 4.1 引言 |
| 4.2 WRF-CMAQ空气质量预报系统 |
| 4.2.1 WRF气象预报模型 |
| 4.2.2 CMAQ预报模型 |
| 4.2.3 WRF-CMAQ |
| 4.3 预报因子对污染物浓度的影响 |
| 4.3.1 时序变化特征 |
| 4.3.2 空间分布特征 |
| 4.3.3 气象因子对污染物浓度的影响 |
| 4.3.4 污染因子之间相互影响 |
| 4.4 基于DBN-BP的空气质量预报模型 |
| 4.4.1 DBN-BP模型搭建 |
| 4.4.2 基于DBN-BP修正模型结构 |
| 4.4.3 预测模型训练过程 |
| 4.4.4 DBN-BP隐藏层确定 |
| 4.4.5 模型性能评价函数 |
| 4.5 实验与分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据 |
| 4.5.3 数据集预处理 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 第5章 结束语 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于胶囊网络的网络流量异常检测方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 相关研究进展 |
| 1.3 论文的研究内容和章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 2 相关理论与技术 |
| 2.1 入侵检测 |
| 2.1.1 入侵检测的概念 |
| 2.1.2 入侵检测的分类 |
| 2.1.3 常见的网络攻击类型 |
| 2.2 深度学习 |
| 2.2.1 深度学习基本概念 |
| 2.2.2 神经网络与反向传播算法 |
| 2.2.3 卷积神经网络 |
| 2.2.4 深度学习框架 |
| 2.3 胶囊网络 |
| 2.3.1 胶囊网络的实现流程 |
| 2.3.2 胶囊网络算法结构 |
| 2.3.3 胶囊网络的损失与优化 |
| 2.4 本章小结 |
| 3 基于胶囊网络的网络流量异常检测模型 |
| 3.1 异常检测总体框架 |
| 3.2 基于胶囊网络的异常检测模型 |
| 3.2.1 胶囊网络的编码结构 |
| 3.2.2 胶囊网络的解码结构 |
| 3.3 实验与结果分析 |
| 3.3.1 实验数据集及实验环境 |
| 3.3.2 数据预处理 |
| 3.3.3 实验评估标准 |
| 3.3.4 实验结果分析 |
| 3.4 本章小结 |
| 4 SMOTE-Tomek采样的胶囊网络异常检测模型 |
| 4.1 样本不平衡的处理方法 |
| 4.1.1 欠采样 |
| 4.1.2 过采样 |
| 4.1.3 混合采样 |
| 4.1.4 本文所使用的采样方法 |
| 4.2 基于SMOTE-Tomek混合采样和胶囊网络的异常检测模型 |
| 4.3 实验与结果分析 |
| 4.3.1 实验设计 |
| 4.3.2 数据重采样 |
| 4.3.3 实验结果 |
| 4.3.4 实验分析 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 本文工作总结 |
| 5.2 下一步工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于深度学习的双孢菇采摘机器人视觉系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 目标识别与目标检测技术研究现状 |
| 1.2.2 目标定位技术研究现状 |
| 1.2.3 农业机器人视觉系统研究现状 |
| 1.3 研究目的与意义 |
| 1.4 研究思路与内容 |
| 1.4.1 主要研究思路 |
| 1.4.2 主要研究内容 |
| 1.5 研究的创新点 |
| 1.6 论文组织结构 |
| 第二章 相关理论基础及开发工具 |
| 2.1 机器学习理论 |
| 2.1.1 机器学习方法 |
| 2.1.2 过拟合与欠拟合 |
| 2.1.3 超参数与验证集 |
| 2.1.4 优化算法 |
| 2.1.5 学习方式 |
| 2.2 卷积神经网络 |
| 2.3 反向传播 |
| 2.4 深度学习框架 |
| 第三章 数据集合构建 |
| 3.1 双孢菇目标检测图像数据集合构建 |
| 3.1.1 光学系统 |
| 3.1.2 数据采集与整理 |
| 3.1.3 数据标注 |
| 3.1.4 数据增广 |
| 3.2 双孢菇品质分级图像数据集合构建 |
| 3.3 品质分级算法泛化能力验证数据集合构建 |
| 3.3.1 光学系统 |
| 3.3.2 数据采集 |
| 3.3.3 数据预处理 |
| 第四章 基于深度卷积神经网络的双孢菇目标检测 |
| 4.1 单模态双孢菇目标检测 |
| 4.1.1 基于CenterNet检测器的双孢菇检测 |
| 4.1.2 基于注意力融合检测器的双孢菇检测 |
| 4.2 多模态双孢菇目标检测 |
| 4.2.1 多模态注意力融合网络架构 |
| 4.2.2 网络训练 |
| 4.3 实验结果对比分析 |
| 第五章 基于轻量级神经网络的双孢菇品质分级 |
| 5.1 卷积运算计算量与参数量 |
| 5.2 压缩模块 |
| 5.3 轻量级神经网络LightNet |
| 5.4 网络训练 |
| 5.5 实验结果对比分析 |
| 5.6 泛化能力测试 |
| 第六章 双孢菇采摘机器人视觉系统原型 |
| 6.1 系统总体设计 |
| 6.2 系统模块设计 |
| 6.3 目标三维空间定位设计与实现 |
| 6.4 采摘路径规划方法设计与实现 |
| 6.4.1 多区域采摘路径规划方法 |
| 6.4.2 行顺序采摘路径规划方法 |
| 6.5 系统集成与测试 |
| 6.5.1 边缘计算平台对比分析 |
| 6.5.2 系统环境配置 |
| 6.5.3 系统集成 |
| 6.5.4 系统测试 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（9）基于DeepLabV3+的水培生菜异常叶片分割方法及分选装置研究（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 基于深度学习的异常叶片检测方法研究现状 |
| 1.2.2 农产品分选装置研究现状 |
| 1.3 主要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 水培生菜数据集构建 |
| 2.1 水培生菜图像采集 |
| 2.1.1 水培生菜采收方式 |
| 2.1.2 水培生菜图像采集 |
| 2.1.3 特征选取 |
| 2.2 水培生菜数据集处理 |
| 2.2.1 数据图像扩增 |
| 2.2.2 数据图像标注 |
| 2.2.3 数据集制作 |
| 2.3 本章小结 |
| 第三章 基于DEEPLABV3+的水培生菜异常叶片分割算法 |
| 3.1 网络构建及模型训练 |
| 3.1.1 实验环境 |
| 3.1.2 DeepLabV3+网络构建 |
| 3.1.3 DeepLabV3+网络超参数设置 |
| 3.1.4 模型评价指标 |
| 3.2 实验结果与分析 |
| 3.2.1 权重设置 |
| 3.2.2 训练误差测定 |
| 3.2.3 不同权重设置方法对比 |
| 3.2.4 不同特征提取网络对比 |
| 3.3 本章小结 |
| 第四章 水培生菜分选装置整体方案与关键部件设计 |
| 4.1 水培生菜分选装置的功能与性能要求 |
| 4.2 水培生菜分选装置方案与设计 |
| 4.2.1 分选方案比较 |
| 4.2.2 末端执行器设计 |
| 4.3 水培生菜分选装置控制系统设计 |
| 4.3.1 控制系统总体功能 |
| 4.3.2 硬件选型 |
| 4.3.3 电气控制原理图与控制流程图 |
| 4.4 本章小结 |
| 第五章 水培生菜分选装置试制与验证试验 |
| 5.1 水培生菜分选装置试制与调试 |
| 5.1.1 水培生菜分选装置试制 |
| 5.1.2 水培生菜自动分选装置调试 |
| 5.2 分选机构参数优化试验 |
| 5.2.1 试验材料与设备 |
| 5.2.2 试验方法 |
| 5.2.3 结果与分析 |
| 5.3 样机验证试验 |
| 5.3.1 实验材料与方法 |
| 5.3.2 结果与分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 A |
| 致谢 |
| 个人简历 |
（10）面向复杂场景的车辆检测跟踪及行为分析关键技术研究（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 国内外研究现状 |
| 1.2.1 车辆检测的国内外研究现状 |
| 1.2.2 车辆跟踪的国内外研究现状 |
| 1.2.3 车辆行为分析的国内外研究现状 |
| 1.3 研究存在的主要问题分析 |
| 1.4 论文的主要创新点 |
| 1.5 论文的章节安排 |
| 第二章 复杂交通场景车辆检测数据集构建及规范化标注 |
| 2.1 引言 |
| 2.2 不同时间序列的样本获取 |
| 2.2.1 路侧相机样本集 |
| 2.2.2 车载相机样本集 |
| 2.3 复杂场景的分类标注方法 |
| 2.3.1 多功能标注工具设计 |
| 2.3.2 标注规范定义 |
| 2.4 数据集的基准格式 |
| 2.4.1 EPSWY-D数据集 |
| 2.4.2 DVL-U数据集 |
| 2.5 本章小结 |
| 第三章 金字塔式多尺度计算的V-SSD车辆检测方法 |
| 3.1 引言 |
| 3.2 SSD模型的可视化分析 |
| 3.2.1 SSD模型的训练可视化 |
| 3.2.2 SSD模型的改进策略分析 |
| 3.3 金字塔结构特征融合的V-SSD方法 |
| 3.3.1 多特征融合的V-SSD网络结构设计 |
| 3.3.2 多尺度计算的V-SSD检测算法 |
| 3.3.2.1 基于枚举方法的图像金字塔结构 |
| 3.3.2.2 非极大值抑制方法 |
| 3.3.3 V-SSD的车辆检测模型 |
| 3.4 实验与结果分析 |
| 3.4.1 模型的训练与分析 |
| 3.4.2 多种评估指标的模型测试与分析 |
| 3.4.3 复杂场景中模型检测性能评估 |
| 3.5 本章小结 |
| 第四章 多维度动/静态特征匹配的车辆跟踪方法 |
| 4.1 引言 |
| 4.1.1 生成式跟踪方法 |
| 4.1.2 判别式跟踪方法 |
| 4.1.3 跟踪方法存在的问题分析 |
| 4.2 多维度动/静态特征关联匹配跟踪算法 |
| 4.2.1 车辆跟踪关键点校准 |
| 4.2.2 多维度约束下的车辆再识别 |
| 4.2.3 跟踪轨迹线性优化 |
| 4.3 实验与结果分析 |
| 4.3.1 跟踪算法测试 |
| 4.3.2 复杂场景下的跟踪实验 |
| 4.3.3 不同跟踪算法对比与分析 |
| 4.4 本章小结 |
| 第五章 车辆行为辨识方法及交通拥堵分析 |
| 5.1 基于掩模的车道线提取 |
| 5.2 车辆异常行为分析与检测 |
| 5.2.1 细粒度车辆异常行为辨识 |
| 5.2.1.1 超速行为判定 |
| 5.2.1.2 变道行为判定 |
| 5.2.1.3 停车行为判定 |
| 5.2.1.4 逆行行为判定 |
| 5.2.2 多因素综合决策模型的车辆异常行为检测 |
| 5.2.2.1 基于K近邻的多因素综合决策模型 |
| 5.2.2.2 基于随机森林的多因素综合决策模型 |
| 5.2.3 实验与结果分析 |
| 5.2.3.1 细粒度车辆行为辨识实验 |
| 5.2.3.2 多因素综合决策模型的车辆行为检测实验 |
| 5.2.3.3 对比与分析 |
| 5.3 拥堵状态分析与预测 |
| 5.3.1 车辆区域计数方法 |
| 5.3.2 拥堵状态判定方法 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间所取得的研究成果 |
| 致谢 |
四、基于.NET的一种异常管理模型（论文参考文献）
- [1]智慧标识网络中边缘计算服务的任务卸载和资源适配研究[D]. 李雪靖. 北京交通大学, 2021
- [2]基于深度学习的网络入侵检测技术研究[D]. 黄丽婷. 西安理工大学, 2021(01)
- [3]基于多尺度时空特征的铁路视频智能分析技术研究[D]. 万燕琴. 北京交通大学, 2021(02)
- [4]基于数据驱动的线损异常智能分析方法研究及应用[D]. 蔡嘉辉. 江南大学, 2021(01)
- [5]齿轮箱磨粒铁谱图像智能分类与异常检测研究[D]. 高烁琪. 西安科技大学, 2021
- [6]基于深度学习的大气环境监测系统关键技术研究[D]. 马元婧. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [7]基于胶囊网络的网络流量异常检测方法的研究[D]. 刘爽. 北京交通大学, 2021(02)
- [8]基于深度学习的双孢菇采摘机器人视觉系统研究[D]. 曹景军. 中国农业科学院, 2021(01)
- [9]基于DeepLabV3+的水培生菜异常叶片分割方法及分选装置研究[D]. 王文奇. 西北农林科技大学, 2021(01)
- [10]面向复杂场景的车辆检测跟踪及行为分析关键技术研究[D]. 孟乔. 长安大学, 2021(02)