一、具有固定得分向量的竞赛矩阵的数目（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。
曾义夫[2]（2021）在《基于图和深度神经网络的会话推荐算法设计与实现》文中提出基于会话的推荐系统作为一种有效的技术手段可以帮助用户发现与其当前会话中兴趣相关的物品。与传统推荐系统相比,会话推荐由于能够仅根据在进行的会话期间观察到的用户行为来进行推荐而具有高度实用性,受到研究者的广泛关注。当前研究主要将基于会话的推荐任务建模为根据现有点击序列数据预测用户的下一次点击问题,主要采用基于深度神经网络和表示学习的方法,利用会话中的物品点击序列提取与用户兴趣相关的特征,生成用户最可能点击物品的推荐列表。本论文对现有主流相关工作进行分析归纳发现,当前主流会话推荐方法存在一些问题:第一,会话中的用户兴趣具有多样且多变的特点,导致当前主流的神经网络模型对用户兴趣及变化建模不足,影响推荐准确性;第二,当前研究工作聚焦于如何有效建模会话中的用户行为特征和设计更准确的用户兴趣捕获方法,忽略了物品表达向量蕴含的信息对模型的影响,缺乏对物品本身信息和物品间复杂关联关系的利用,制约了会话推荐算法性能的进一步提高。针对上述问题,本文以用户匿名的会话推荐任务为研究对象,并分别提出两个会话推荐算法。首先,针对现实生活中人类浏览行为的特点,提出一个短期注意力及记忆优先的会话推荐算法,在推荐时优先考虑会话中用户的当前兴趣,同时设计了一种注意力机制以有效同时捕获会话中与用户长期兴趣和当前兴趣相关的特征,缓解了当前会话推荐算法难以处理的用户兴趣漂移等问题对推荐准确性的影响。同时,总结当前基于深度神经网络的会话推荐算法使用随机初始化的物品表达的缺陷,创新性的根据全部会话数据构造一个物品访问频率和顺序关系图,据此设计了一个基于图的物品表示学习方法,通过简洁高效的语义合成方式学习物品在全局层面的热门程度和物品间丰富的复杂关联信息。最后,将从图中预先学习的物品固定向量表达作为推荐模型的输入,提出一种基于图表示学习的会话推荐算法。该算法引入全局层面的物品本身受关注度和物品间复杂关联信息,同时在建模会话序列时还融合了包含会话整体特点的用户长期行为和包含用户初始兴趣与当前兴趣的短期行为信息,以此提高会话推荐算法整体性能。在三个真实公开数据集上的一系列实验结果表明,所提出的会话推荐算法整体性能均达到当前先进水平,另外,将学到的物品固定表达作为推荐模型的输入,能有效提高会话推荐算法在真实场景下的适应能力,也为会话推荐研究提供给了新的思路和建模方式。
令狐阳[3]（2021）在《基于图文融合的情感分析研究与应用》文中指出社交媒体技术的进步和应用的普及,使得每天会产生难以计数的社交数据,如何对其进行高准确率的情感分析是舆情分析领域中的热点问题。这些热点问题主要分为两类,一是随着使用者年龄段的变化,社交数据从标准的文本逐渐往弱规则文本转变,二是科技的进步使得图片的上传变得容易,大量图像与文本结合的社交媒体数据取代了原有的纯文本数据。现有的情感分析方法大多是对标准文本数据进行情感分析,这些方法通过语法规则来协助判断情感词。同时,与文本同时出现的图像中在大部分情况下与文本所要表达的情感是类似的,因此对图文融合数据进行分析变得重要。当下对于图文融合的数据进行情感分析的方法较少,如何将文本与图像的特征进行融合仍是一个研究热点。针对以上两种问题,本文分别提出一种基于情感词典和神经网络结合的文本情感分析方法和一种图文融合的情感分析方法,并基于这两种方法设计实现了情感分析系统。本文的主要贡献如下:1.提出基于情感词典与神经网络结合的文本情感分析方法,其目的是实现对弱规则文本的情感分析。对情感词典进行了扩充并提出情感得分向量表示方式,然后根据情感得分向量与神经网络结合,实现对弱规则文本的情感分析。实验证明,本文提出的方法在以微博为代表的弱规则文本上有更好的准确率。2.提出图文融合的情感分析方法,其目的是实现对图文融合数据的情感分析。使用动态权重分配函数实现对文本与图像的情感分析结果在决策层融合的权重的动态分配,有效提高在文本长度过短或过长时的图文情感分析准确度。同时,结合本文提出的文本情感分析方法,使得该模型的文本情感分析部分对弱规则文本有着更好的情感分析效果。实验证明,本文提出的方法相比于固定权重分配的图文融合情感分析方法有更高的准确率。3.为了解决弱规则文本与图文融合数据的情感分析问题,结合本文提出的基于情感词典与神经网络结合的文本情感分析方法和图文融合的情感分析方法,设计并实现情感分析系统。该系统实现了对情感词典的上传,文本、图像以及图文融合数据的情感分析。用户可以在登录后,在可视化界面上完成上述功能。
杨恺庆[4]（2020）在《图像文本描述算法研究》文中研究表明随着深度学习技术的发展,融合多种数据格式的多模态数据有了广泛的应用。如何有效利用多模态数据,帮助人类做出更智能的决策,成为现在的研究热点之一。本文主要研究了多模态数据研究领域的图像文本描述算法。图像文本描述算法需要对图中包含的物体,物体属性,以及物体之间的关系用文字进行准确描述。并且输出的文字描述需要满足语法规则。基于编码-解码网络结构的图像文本描述算法是目前主流的图像文本描述算法之一,在此结构中,通常选择循环神经网络的变体长短时记忆网络LSTM或者GRU作为解码器,将提取到的图像特征转化为文本描述输出。但由于具有循环结构的网络都存在一定程度上的梯度消失的问题,使得训练一个良好的图像文本描述解码网络变得十分困难。同时具有循环结构的解码器不能并行处理数据,大大降低了文本的生成速率,不能很好地发挥GPU的性能。针对此问题,本文提出的包含可以并行处理文本数据解码器的图像文本描述模型TCA和DTC,其中DTC模型中不包含任何循环结构以及卷积结构。通过并行处理序列数据的解码器,提高了 GPU利用率,加快了模型训练速度,同时也提高了生成文本描述的质量。同时,针对现有图像文本描述算法中,仅仅使用交叉熵损失函数作为指导训练网络,没有考虑到图像和文本之间的匹配度,使得模型对相似图像生成的图像文本描述不具有区别性。因此本文在训练图像文本描述模型的过程中,引入对比损失函数作为正则项,提取到图像更具有区别性的特征,进而生成相似图像具有语义区别性的文本描述。通过在标准数据集上的测试结果验证了算法的有效性,本文算法生成的图像描述在各个评价指标相比循环网络均有一定的提高。
陈雁佳[5]（2020）在《恶意软件组织的开集识别模型研究》文中研究说明近年来,具有国家或黑客组织背景的APT（高级持续威胁）恶意软件攻击问题越来越凸显,对网络空间安全带来巨大威胁。为了有效应对APT攻击,通过对所捕获的恶意软件进行组织溯源分类,可起到震慑攻击者的作用并有助于制定防御措施。因此,对APT恶意软件的组织分类已成为重要的安全防御技术。传统的使用机器学习的恶意软件分类技术大多基于闭集假设,即假设所有待测样本的类别都是在训练过程中已见过的旧类别。然而,实际的APT恶意软件组织分类面对的是开集场景,即待测样本的组织可能属于在训练过程中从未见过的新组织。因此,很有必要研究APT恶意软件的开集组织分类技术,将待测的APT样本归属为训练时见过的某个旧组织或者识别为未见过的新组织。本文结合深度森林和卷积神经网络,提出一个针对APT恶意软件组织的开集识别模型。此模型先使用深度森林生成样本的一次表征向量,并将样本预分类到APT旧组织类别中;再将样本的一次表征向量通过卷积神经网络生成新的深度表征（称为二次表征）向量,并根据样本的二次表征向量与预分类旧组织中心点的距离,判定是否接受预分类的结果;最终,将接受结果的样本归属为预分类的APT旧组织,反之则归属为新组织。本文的分类模型主要包括四个模块:多粒度扫描模块、级联森林模块、卷积神经网络模块和结果判定模块,分别用于生成样本的一次表征向量、预分类结果、二次表征向量和最终识别结果。本文将详述此分类方法的过程和细节。为了验证所提出的开集识别模型的有效性,本文构建一个带有APT组织标签的PE恶意样本数据集进行实验研究。实验结果表明,与现有的APT组织开集分类方法相比,本文提出的模型方法具有更高的AUC值、准确率、精确率、召回率和F1分数。此外,本文提出的开集识别模型也有潜力解决其它领域的开集分类问题。本文通过实验探索了此模型用于恶意软件功能家族上的开集分类研究,实验结果表明了此模型在其它开集识别领域具有可迁移性。
马骁睿[6]（2020）在《结合深度知识追踪的个性化习题推荐》文中认为个性化习题推荐是教育数据挖掘领域的重要课题,习题推荐算法能够根据学生的习题提交记录来了解学生的学习进度,并根据一定的规则对学生推荐合适的题目,达到辅助学生学习的目的。对个性化习题推荐的研究能有效地提高在线教育的质量,有很重要的意义。目前习题推荐算法进一步发展面临的问题主要有两个:（1）现有习题推荐方法主要分为基于协同过滤的推荐算法和基于对知识建模的推荐方法。协同过滤方法对学生的做题数据挖掘,寻找相似用户和习题,往往忽略学生对知识的掌握状态;而对知识建模的方法从学生的个人水平出发,大多忽略了对相似学生之间共同特征的利用。（2）现有的习题推荐策略主要是对资源进行评分排序或依赖专家制定,效率不高,难以根据学生知识水平的变化及时调整推荐方向。针对以上问题,本文提出一种结合深度知识追踪模型与协同过滤方法的个性化习题推荐方法。该方法首先以深度知识追踪模型对学生知识建模,再结合协同过滤方法,计算学生的习题正确概率,并依据该概率,将一定难度范围内的习题推荐给学生。该方法同时参考了个人的知识水平和相似情况学生的近邻信息,具有更好的模型精度,并能够根据难度范围推荐适合的内容。并通过基于真实数据的实验进行了验证,本文的具体贡献如下:1.为了提高习题推荐算法模型的精度,创新性地将深度知识追踪模型与协同过滤算法结合,设计了新的习题推荐模型DKT-CF,提高了习题推荐算法的精度。首先,基于学生的做题提交历史数据,通过训练深度知识追踪模型DKT输出学生的个人知识水平矩阵,并使用该矩阵代替用户评分矩阵,通过协同过滤算法寻找相似学生群体,引入近邻信息,综合考虑产生个性化习题推荐。在两个真实数据集上的实验证明:该模型通过结合学生个人的知识水平信息和相似学生的群体性信息,明显提高了推荐算法的精度。相比DKT和DKT的改进模型DKT+,精确率（precision）分别增加2.0%、2.2%;召回率（recall）分别增加3.1%、0.6%;同时兼顾精确率和召回率的综合指标F1值分别增加0.04、0.01。2.通过引入难度范围参数,可以根据模型对学生的预测,推荐回答正确难度在范围内的题目给学生,使推荐结果比简单的排名推荐有更高的灵活度和可解释性。并以模型作为学生模拟器改进习题推荐策略,通过模拟学生练习不同难度推荐题目的后续提交序列,计算学生知识水平变化,使算法可以自适应的找出对于学生知识水平提高最快的合适难度。在两个真实数据集上的实验证明:通过选取使学生知识水平提升最快的难度进行推荐,知识水平提升速度相当于对资源评分排名推荐策略的1.57倍和2.12倍,且无需额外专家知识。
富斯源[7]（2020）在《多工况间歇过程故障监测方法研究》文中指出科技的迅猛发展使现代工业过程逐步趋近于自动化、多元化与繁杂化,工业生产过程的安全性与可靠的产品质量一直受到社会各界的广泛瞩目。在工业生产过程中如若发生故障,不仅会浪费企业资源损失财产,甚至会造成人员伤亡,对社会造成不良影响,因此故障监测与诊断技术越来越受到科研人员的重视。在工业上间歇过程占据了主导地位,其生产中的各项工艺是随着时间变化而发生变化的。如何保证间歇工业过程中生产的稳定性、连贯性和安全性是目前研究的焦点。间歇过程具有多工况、动态性、非线性以及非高斯性等特点,传统监测方法中,主元分析方法只适用于线性、服从高斯分布的情况,且由于其未考虑局部内在特征,存在一定的误报。全局-局部分析方法既考虑全局又注重局部特征,可以极高的保留原数据中的空间特征结构,当过程数据呈现非线性时则不适用。近年来,核方法的引入可以解决非线性问题,但当数据量大时,计算复杂度会提高。针对以上问题本文首先提出最近邻群标准化核主元分析方法来解决过程数据中出现的非高斯、非线性问题。该方法先根据过程特征进行阶段划分,再将同阶段数据按操作采用k-means方法聚类,由于操作的随机性、不定向性,同一类数据也不服从高斯分布,因此提出数据NGS方法对数据进行处理,使其服从高斯分布。同时考虑该过程中的非线性,构建了相应类的核主元分析模型。当在线监测时,先从构建的多个模型中选择最适合的模型,计算出相应统计量以及其对应的控制线,通过确定是否超限判断是否有故障产生。在实际生产过程中,由于人为因素与自然因素,采集的数据通常含有噪声,通过同步压缩小波变换可以将不满足阈值范围的噪声进行处理,并且其信号重构具有极高的还原度,这样可以避免因非反应过程条件导致的误报错,可减少误报的情况。同时可以通过递增的方法,求取新增数据的特征值和特征向量,这样在动态监测中,可大大减少计算的冗余度。因此构建了SWT-递增DKPCA-LPP模型,该方法无需分解核矩阵,在动态监测时大大降低运算复杂度,加快故障监测速度,并且减少了因数据中含有的噪声导致的误报情况,同时该方法也考虑了局部和全局特征,进而提高了监测的准确性。最后,将提出的方法在精炼炉炼钢过程和青霉素发酵过程中进行了应用,验证了提出方法的有效性。
唐朝辉[8]（2020）在《大数据场景中的图像语义信息提取与检索优化研究》文中提出互联网时代,大量即时通讯软件、办公软件、购物平台、游戏平台等极大地便利和丰富了人们的学习、生活与工作,同时也产生了海量的多类别、异构性、非结构化的数据,比如视频、图像、音频、超文本等多媒体数据。大数据时代,图像数据以其直观性和信息大的特点数量爆炸性地增长,给人们生活带来极大的便利,但也因数量巨大、质量参差不齐、应用场景复杂等使得人们对图像处理效果提出了更高的要求,因此提高图像语义信息提取与图像检索的性能自然成了研究的热点。提高图像语义信息提取的性能不但要深入挖掘图像本身的视觉特征,还要深入挖掘图像语义标签以及其它具有语义信息的数据对图像语义信息提取的影响,比如图像的轮廓和纹理可能与图像的分类标签关系密切,搜索引擎中的用户点击日志可以在一定程度上反映出图像检索结果的质量,并反过来用于图像的检索优化。本文充分利用多视图/多模态数据对图像语义信息提取的促进作用以优化图像数据的语义特征提取方法,从而提升图像特征维度约简、三维人体姿态恢复、图像检索以及高分辨率图像分类的性能。本文以图像数据的语义信息提取为切入点,以基于超图的拉普拉斯特征映射、自编码器、深度卷积神经网络、图像增强等为技术手段,对多标签数据的特征维度约简、融合点击信息与图像视觉特征的图像检索优化、基于二维图像的三维人体姿态恢复、高分辨率图像分类问题进行了深入的研究。通过充分挖掘图像的多视图/多模态数据对样本间关系、样本语义空间的影响,提升图像语义信息提取与图像检索的性能。本文的主要创新点和贡献如下:（1）针对多标签数据特征维度约简问题,我们提出了融合多视图信息的多标签语义特征提取算法。首先采用去噪自编码器获取多标签数据特征空间的鲁棒表达,然后与不同的标签组合起来构成多标签数据的多个视图;在此基础上基于超图学习理论,融合多个视图中样本间几何关系所对应超图的Laplacian矩阵以提升特征提取的性能;最后通过融合后的Laplacian矩阵的特征值分解得到多标签数据的低维语义空间。实验结果证明本算法所提取的多标签语义空间可以有效提高样本的分类性能。（2）针对图像检索中存在的语义鸿沟问题,我们提出了融合点击数据与图像视觉特征的图像检索优化方法。分为离线阶段与在线检索阶段。首先离线阶段通过挖掘图像的视觉特征并计算样本间近邻关系构建局部批然后进行全局对齐,以构建出对应超图的Laplacian矩阵;在线阶段根据检索原排序以及检索点击日志,在特定约束条件下,重新建模样本间近邻关系并构建对应的超图以及Laplacian矩阵。融合两个Laplacian矩阵所代表的两个低维语义流形,构建并求解图像检索优化目标函数以得到优化的检索排序。实验采用了商业搜索引擎的图像数据以及检索日志,结果表明本算法可以有效改善检索的结果。（3）针对三维人体姿态恢复中存在的语义鸿沟问题,我们提出了基于超图正则化自编码器的三维人体姿态恢复算法。本算法针对二维姿态轮廓的歧义性问题,采用局部性约束构建了改进的自编码器以提高自编码器输出结果的稳定性。该约束通过采用基于样本间几何关系的超图Laplacian矩阵的正则化项来实现。实验结果表明,改善的姿态轮廓特征自编码可以大大降低人体三维姿态恢复的错误率。（4）由于硬件的限制,常规的深度卷积神经网络不能直接处理高分辨率图像分类问题。针对这个问题我们提出了采用图像增强的高分辨率图像分类网络。该网络包含两个子网络:图块网络与图网络。首先将高分辨率图像切分成固定大小的多个图块,经过图像增强后输入到图块网络进行训练以提取单个图块的语义特征。从图块网络提取的单个高分辨率图的所有图块的语义特征组合后输入到图网络进行训练,该网络融合了所有图块的语义特征以及图块间的空间信息来对高分辨率图进行分类。此外,针对深度网络解释性没有常规机器学习方法强的问题,我们结合人工设计图像视图的易解释性与深度网络强学习能力的优点,提出了融合多视图特征的高分辨率医学图像分类网络。本方法首先构建单个图像的多个视图,然后通过构建一个融合网络来融合图像的多个视图以提高高分辨率图像的分类性能。本方法可以有效利用人工知识的积累以及深度卷积神经网络的学习能力,具有较高的实用价值。总之,本文提出的算法通过构建可行的数据多视图/多模态信息的融合方法,有效提高了多标签数据维度约简、图像检索、三维人体姿态恢复以及高分辨率图像分类的性能。
孙璆琛[9]（2020）在《基于深度特征流学习和选择注意力机制的视频目标检测》文中研究表明随着深度学习的日益发展,人们对视频目标检测领域的关注也逐渐提升,虽然视频目标检测算法成为了如今研究的热点并取得了一定的突破,但是还存在检测准确率低、对模糊目标的检测效果不理想以及对遮挡目标定位不准确等问题。本论文将选择注意力机制、自适应视频关键帧提取方法和距离交并比回归损失函数应用到视频目标检测任务中以提高检测的准确率。论文的主要工作内容和创新点如下:1.针对视频目标检测中对特征图各通道投入的关注程度相同,导致目标物体的检测准确率不高的问题,本文基于深度特征流视频目标检测算法,对其中的特征提取网络残差网络进行改进,提出了RECA-Net视频目标检测网络模型。通过通道注意力机制模块,实现了特征图中局部跨通道的信息交互,增强特征图中目标特征通道的显着性,从而使得模型在训练过程中能够捕捉到视频帧中的重要信息,进而提高模型检测的准确率。通过在公开的ILSVRC 2017 VID数据集上的实验证明,RECA-Net的检测准确率比DFF、FGFA、TPN视频目标检测算法高。2.针对视频帧图像中存在目标物体不清晰以及运动幅度较大,导致视频关键帧选取不合理的问题,本文提出了一种自适应视频关键帧选取方法。首先通过拉普拉斯梯度函数计算当前视频帧图像的清晰度,然后利用光流网络计算当前视频帧与其最邻近视频关键帧之间所有像素位置的总位移量来判断目标物体是否发生剧烈运动,只有当前视频帧足够清晰且目标目标发生剧烈运动时,此视频帧才可以作为新的视频关键帧。这种视频关键帧选取方法在保障了视频关键帧质量的同时,在一定程度上提高了视频中目标检测的准确率。通过在ILSVRC 2017 VID数据集上的实验证明,基于自适应视频关键帧提取的视频目标检测算法取得了比DFF、FPFA、TPN、RECA-Net算法更高的检准确率。3.针对在网络模型训练过程中边界框回归不够稳定,导致网络模型发散的问题,本文改进了视频目标检测网络模型中的回归损失函数。利用距离交并比损失函数作为边界框回归部分的损失函数,改进后的网络模型回归损失函数考虑到了边界框与真实标注框之间的重叠面积、中心点距离以及重叠率等方面,从而使得边界框的回归更加稳定且有效,进而提高了视频目标检测算法的准确率。通过在ILSVRC 2017 VID数据集上的实验证明,利用距离交并比回归损失函数进行模型的训练,可以提高了模型的检测能力以及泛化能力。相比于DFF、FGFA、TPN、RECA-Net和基于自适应视频关键帧提取的视频目标检测算法,基于距离交并比回归损失函数的视频目标检测算法取得了更高的检测准确率。
殷慧[10]（2020）在《燃煤电厂烟气脱硝系统数据建模与控制方法研究》文中研究表明随着经济社会的快速发展,环境污染日益成为我国的突出问题,尤以雾霾、酸雨为首的大气污染问题最为严重。NOx作为大气的主要污染源,各燃煤电厂广泛采用SCR烟气脱硝技术进行NOx的排放控制。传统的SCR烟气脱硝技术虽然能起到一定的作用,但在入口 NOx浓度的准确测量、保证出口 NOx浓度快速稳定在设定值方面,无法满足现场的实际需求,造成了氨气的浪费,产生二次污染。随着NOx排放标准的出台,深入研究SCR脱硝技术,保证脱硝效率,从而提高电厂的经济效益,具有重要的研究价值。本文以燃煤电厂变负荷运行常态为背景,以SCR脱硝系统为研究对象,针对系统入口NOx浓度的准确测量、出口 NOx浓度快速稳定在设定值等问题进行了研究。采用软测量替代传统的硬件测量,进行数据建模,准确预测SCR入口 NOx浓度,并采用先进的控制算法优化系统喷氨量。主要研究内容有:1、介绍了 SCR脱硝技术及应用等相关理论知识,本电厂烟气脱硝现状及存在的问题。选取DCS海量数据库中的系统影响因素,采用k-近邻算法筛选与出口 NOx浓度相关性最强的因素作为建模输入变量。2、针对SCR脱硝系统的强动态性和弱非线性,建立了基于时间差分偏最小二乘的软测量模型,实现了入口 NOx浓度的准确测量,该模型泛化能力强、计算速度快,适合工程在线使用。3、针对高阶动态系统以及动态性不确定系统,分别建立了基于PLS外部模型扩展和内部模型扩展的动态模型,采用模糊曲线法分析变量之间的相关性,确定输入输出矩阵中各变量的时滞,并采用自适应方法不断更新模型。通过计算比较几种建模方法的模型精度评价指标,说明了输出变量的时滞对准确建模的重要性。4、介绍了传统的喷氨控制策略,并采用PID控制方法进行喷氨量的优化控制。在分析了本电厂目前脱硝控制系统存在的问题后,提出了先进的预测控制方法,采用DMC预测控制方法优化系统喷氨量,实现了 SCR出口 NOx浓度快速稳定在设定值。与PID控制方法进行对比,凸显了预测控制方法的优势。
二、具有固定得分向量的竞赛矩阵的数目（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、具有固定得分向量的竞赛矩阵的数目（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）基于图和深度神经网络的会话推荐算法设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统机器学习的会话推荐算法 |
| 1.2.2 基于深度神经网络的会话推荐算法 |
| 1.3 拟解决的关键问题 |
| 1.4 主要贡献与创新 |
| 1.5 论文的结构安排 |
| 第二章 相关概念与技术 |
| 2.1 基于会话的推荐系统简介 |
| 2.2 相关深度学习技术 |
| 2.2.1 表示学习 |
| 2.2.2 序列信息表征学习 |
| 2.3 本章小结 |
| 第三章 短期记忆及注意力优先的会话推荐算法 |
| 3.1 模型提出动机 |
| 3.2 短期注意力及记忆优先的会话推荐模型 |
| 3.2.1 符号描述 |
| 3.2.2 模型描述 |
| 3.2.3 算法实现 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境 |
| 3.3.2 实验数据集与评测指标 |
| 3.3.3 实验设置 |
| 3.3.4 对比算法 |
| 3.3.5 实验分析 |
| 3.4 本章小结 |
| 第四章 基于图表示学习的会话推荐算法 |
| 4.1 模型提出动机 |
| 4.2 基于图表示学习的会话推荐算法 |
| 4.2.1 符号定义 |
| 4.2.2 物品访问频率及顺序关系图设计 |
| 4.2.3 基于图的物品表示学习算法 |
| 4.2.4 基于用户行为的会话推荐模型 |
| 4.2.5 算法实现 |
| 4.3 实验结果与讨论 |
| 4.3.1 实验环境与实验数据 |
| 4.3.2 实验设置 |
| 4.3.3 对比模型 |
| 4.3.4 评测指标 |
| 4.3.5 用户下一次点击预测分析 |
| 4.3.6 学习物品表达的必要性分析 |
| 4.3.7 对会话中用户行为的建模有效性分析 |
| 4.3.8 用户短期行为计算方式的有效性分析 |
| 4.3.9 不同模型推荐结果的多样性和新颖性分析 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于图文融合的情感分析研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 文本情感分析方法研究现状 |
| 1.2.2 图像情感分析方法研究现状 |
| 1.2.3 图文融合情感分析研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 第二章 相关原理与技术 |
| 2.1 情感分析基本原理 |
| 2.2 自然语言处理相关技术 |
| 2.2.1 数据预处理 |
| 2.2.1.1 中文分词 |
| 2.2.1.2 文本预处理 |
| 2.2.2 情感词典 |
| 2.2.2.1 中文情感词典简介 |
| 2.2.2.2 SO-PMI算法 |
| 2.2.3 词向量技术 |
| 2.3 深度学习模型 |
| 2.3.1 卷积神经网络(CNN) |
| 2.3.2 长短期记忆网络(LSTM) |
| 2.4 本章小结 |
| 第三章 基于情感词典和神经网络结合的文本情感分析方法 |
| 3.1 问题提出 |
| 3.2 关键技术分析 |
| 3.3 基于情感词典和神经网络结合的文本情感分析方法 |
| 3.3.1 情感词典扩充 |
| 3.3.2 情感得分向量提出 |
| 3.3.3 情感学习层研究 |
| 3.3.4 语义学习层研究 |
| 3.3.5 分类层研究 |
| 3.4 实验设计与分析 |
| 3.4.1 实验配置 |
| 3.4.2 情感得分向量实验结果 |
| 3.4.3 基于情感词典和神经网络结合的文本情感分析方法实验结果 |
| 3.4.4 结果分析与讨论 |
| 3.5 本章小结 |
| 第四章 图文融合的情感分析方法 |
| 4.1 问题提出 |
| 4.2 关键技术分析 |
| 4.3 图文融合的情感分析方法研究 |
| 4.3.1 图像预处理 |
| 4.3.2 图像情感分析研究 |
| 4.3.3 特征融合方法研究 |
| 4.3.3.1 特征层融合 |
| 4.3.3.2 决策层融合 |
| 4.3.3.3 动态权重分配研究 |
| 4.4 实验设计与分析 |
| 4.4.1 实验配置 |
| 4.4.2 单模态情感分析实验结果 |
| 4.4.3 特征层融合实验结果 |
| 4.4.4 决策层融合实验结果 |
| 4.4.5 结果分析与讨论 |
| 4.5 本章小结 |
| 第五章 情感分析系统的设计与实现 |
| 5.1 需求分析 |
| 5.2 系统架构设计 |
| 5.3 系统模块详细设计与展示 |
| 5.3.1 数据管理模块 |
| 5.3.2 文本情感分析模块 |
| 5.3.3 图像情感分析模块 |
| 5.3.4 图文融合情感分析模块 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）图像文本描述算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 图像文本描述算法研究现状 |
| 1.3 面临的挑战 |
| 1.4 论文章节安排 |
| 2 图像文本描述算法理论 |
| 2.1 模型结构 |
| 2.2 编码网络 |
| 2.3 多模态融合 |
| 2.4 解码网络 |
| 2.5 数据集和评测标准 |
| 2.6 本章小结 |
| 3 可并行处理的图像文本描述模型 |
| 3.1 问题的提出 |
| 3.2 门限卷积解码器描述模型 |
| 3.2.1 门限卷积 |
| 3.2.2 加入通道注意力的门限卷积 |
| 3.3 多层注意力解码器描述模型 |
| 3.3.1 Transform模型 |
| 3.3.2 基于Transform解码器的图像文本描述模型 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 4 加强语义区别性的图像文本描述模型 |
| 4.1 问题的提出 |
| 4.2 对比损失函数 |
| 4.3 加入对比损失函数的图像文本描述模型 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（5）恶意软件组织的开集识别模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究意义和背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织 |
| 2 基础理论和相关技术 |
| 2.1 APT组织攻击 |
| 2.2 PE恶意软件静态特征 |
| 2.3 闭集多分类模型与开集识别模型 |
| 2.4 本章小结 |
| 3 恶意软件组织的开集识别方法 |
| 3.1 恶意软件的组织特征提取与表示 |
| 3.2 恶意软件组织的开集识别模型 |
| 3.3 本章小结 |
| 4 实验研究 |
| 4.1 研究问题与实验环境 |
| 4.2 数据集的建立与划分 |
| 4.3 模型的优化实验 |
| 4.4 模型有效性研究实验 |
| 4.5 模型组成部分的必要性研究实验 |
| 4.6 模型的可迁移性研究实验 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 |
| 在校期间科研成果 |
| 致谢 |
（6）结合深度知识追踪的个性化习题推荐（论文提纲范文）
| 学位论文数据集 |
| 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 基于协同过滤的习题推荐 |
| 1.2.2 基于知识建模的习题推荐 |
| 1.2.3 习题推荐策略 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关工作概述 |
| 2.1 知识追踪模型 |
| 2.2 协同过滤技术 |
| 2.3 机器学习 |
| 2.3.1 神经网络 |
| 2.3.2 循环神经网络 |
| 2.3.3 特征工程 |
| 2.4 模型评价 |
| 2.4.1 评价方法 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 第三章 结合深度知识追踪的个性化习题推荐方法 |
| 3.1 整体框架 |
| 3.2 DKT-CF具体做法 |
| 3.2.1 数据输入 |
| 3.2.2 知识追踪 |
| 3.2.3 学生得分预测 |
| 3.2.4 输出 |
| 3.3 实例研究 |
| 3.3.1 数据集介绍 |
| 3.3.2 实验评价指标 |
| 3.3.3 对比实验方法 |
| 3.3.4 实验环境 |
| 3.3.5 模型训练 |
| 3.3.6 习题推荐对比实验 |
| 3.3.7 参数ρ的设置实验 |
| 3.4 本章小结 |
| 第四章 习题推荐策略研究 |
| 4.1 引言 |
| 4.2 习题难度范围实验 |
| 4.3 习题推荐策略具体思路 |
| 4.4 习题推荐策略效果实验 |
| 4.4.1 随机数据集生成 |
| 4.4.2 推荐效果实验 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（7）多工况间歇过程故障监测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 间歇过程故障监测概述 |
| 1.2.1 故障监测概述 |
| 1.2.2 故障监测系统的分类 |
| 1.2.3 连续过程与间歇过程 |
| 1.2.4 间歇过程故障监测的特点 |
| 1.3 过程故障监测研究现状和发展趋势 |
| 1.4 论文研究内容及章节安排 |
| 2 过程监测经典方法相关理论介绍 |
| 2.1 引言 |
| 2.2 基于统计方法的过程监控 |
| 2.2.1 多模型统计方法 |
| 2.2.2 PCA方法 |
| 2.2.3 核主元分析方法 |
| 2.2.4 概率主元分析方法 |
| 2.2.5 局部保持映射方法 |
| 2.2.6 空间中的局部结构与全局结构 |
| 2.3 主元个数的确认方法 |
| 2.3.1 累计贡献率法 |
| 2.3.2 平均值法 |
| 2.3.3 PRESS检验法 |
| 2.4 本章小结 |
| 3 基于NGS-KPCA的间歇过程监测方法 |
| 3.1 引言 |
| 3.2 NGS-KPCA模型的建立 |
| 3.2.1 阶段划分与聚类 |
| 3.2.2 数据预处理 |
| 3.2.3 NGS-KPCA建模 |
| 3.2.4 NGS-KPCA在线监测 |
| 3.3 NGS-KPCA方法在LF炉炼钢过程中的应用 |
| 3.3.1 LF炉炼钢过程简介 |
| 3.3.2 实验设计和建模数据 |
| 3.3.3 在线监测 |
| 3.4 本章小结 |
| 4 基于多模型SWT递增DKPCA-LPP间歇过程监测方法 |
| 4.1 引言 |
| 4.2 递增DKPCA-LPP监测方法 |
| 4.2.1 递增核函数的主元求解 |
| 4.2.2 递增DKLPP模型的构造 |
| 4.2.3 DKPCA-LPP过程监测方法 |
| 4.3 基于SWT的递增DKPCA-LPP模型的建立 |
| 4.3.1 同步压缩小波变换 |
| 4.3.2 递增DKPCA-LPP建模 |
| 4.3.3 基于SWT的递增DKPCA-LPP方法的在线监测 |
| 4.4 基于SWT递增DKPCA-LPP方法在青霉素发酵过程中的应用 |
| 4.4.1 青霉素发酵过程简介 |
| 4.4.2 实验设计及建模数据 |
| 4.4.3 在线监测 |
| 4.4.4 计算复杂度分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（8）大数据场景中的图像语义信息提取与检索优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 大数据背景下图像语义信息提取问题 |
| 1.2 图像语义信息提取与检索优化的研究现状与趋势 |
| 1.2.1 多标签数据语义信息提取 |
| 1.2.2 图像检索研究 |
| 1.2.3 三维人体姿态恢复研究 |
| 1.2.4 深度卷积神经网络及其在乳腺癌图像分类中的应用 |
| 1.3 学位论文的研究思路与创新点 |
| 1.4 学位论文的结构安排 |
| 第二章 拉普拉斯特征映射与深度卷积神经网络介绍 |
| 2.1 基于LE的流形学习 |
| 2.1.1 基于传统图LE的流形学习 |
| 2.1.2 基于超图LE的流形学习 |
| 2.2 深度卷积神经网络 |
| 2.3 本章小结 |
| 第三章 融合多视图信息的多标签数据语义特征提取 |
| 3.1 引言 |
| 3.2 基于图像特征自编码与超图学习的多标签特征提取 |
| 3.2.1 去噪自编码器 |
| 3.2.2 基于超图拉普拉斯特征映射的多标签数据特征提取 |
| 3.2.3 算法具体流程 |
| 3.2.4 算法复杂度分析 |
| 3.3 实验结果 |
| 3.3.1 数据集与度量指标 |
| 3.3.2 参数优化 |
| 3.3.3 算法比较 |
| 3.4 本章小结 |
| 第四章 融合点击数据与图像视觉特征的图像检索优化 |
| 4.1 引言 |
| 4.2 融合图像视觉特征自编码与点击语义的多模态学习 |
| 4.2.1 融合点击语义的流形学习 |
| 4.2.2 算法复杂度分析 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果 |
| 4.4 总结 |
| 第五章 基于超图正则化自编码器的三维人体姿态恢复算法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 超图正则化自编码器 |
| 5.3.1 算法整体框架 |
| 5.3.2 边缘去噪自编码器 |
| 5.3.3 流形正则化 |
| 5.3.4 超图优化 |
| 5.4 实验评估 |
| 5.4.1 数据集和实验设置 |
| 5.4.2 自编码器参数调优 |
| 5.4.3 算法比较 |
| 5.5 总结 |
| 第六章 采用图像增强的高分辨率图像分类网络 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.2.1 神经网络正则化 |
| 6.2.2 图像增强方法 |
| 6.3 改进的融合图像增强的两阶段卷积神经网络PLANET |
| 6.3.1 PLANET算法细节 |
| 6.3.2 图像增强算法InnerMove |
| 6.4 实验设置与实验结果 |
| 6.4.1 InnerMove参数调优与性能评估 |
| 6.4.2 PLANET实验结果 |
| 6.5 本章小结 |
| 第七章 融合多视图特征的高分辨率医学图像分类网络 |
| 7.1 引言 |
| 7.2 相关研究 |
| 7.3 两阶段多视图卷积神经网络 |
| 7.3.1 图块多视图融合神经网络 |
| 7.3.1.1 基于LBP的图像视图 |
| 7.3.1.2 视图融合网络的细节 |
| 7.3.2 图分类神经网络 |
| 7.4 实验结果与分析 |
| 7.4.1 数据集与实验设置 |
| 7.4.2 实验结果 |
| 7.4.3 视图变化对结果的影响 |
| 7.5 总结 |
| 第八章 全文总结与展望 |
| 8.1 全文总结 |
| 8.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）基于深度特征流学习和选择注意力机制的视频目标检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 目标检测算法研究现状 |
| 1.2.2 视频目标检测算法研究现状 |
| 1.3 视频目标检测性能评价指标 |
| 1.4 视频目标检测研究难点 |
| 1.5 论文研究内容和结构安排 |
| 1.5.1 研究内容 |
| 1.5.2 结构安排 |
| 第二章 基于选择注意力机制和深度残差网络的视频目标检测 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.3 注意力机制原理和经典网络 |
| 2.3.1 注意力机制原理 |
| 2.3.2 SENet |
| 2.3.3 ECA-Net |
| 2.4 基于选择注意力机制和深度残差网络的视频目标检测 |
| 2.4.1 特征提取网络 |
| 2.4.2 RECA-Net网络模型 |
| 2.4.3 RECA-Net网络模型的算法流程 |
| 2.5 实验设置与结果分析 |
| 2.5.1 实验数据 |
| 2.5.2 实验设置 |
| 2.5.3 实验结果分析 |
| 2.6 本章小结 |
| 第三章 基于深度特征流和自适应视频关键帧提取的视频目标检测 |
| 3.1 引言 |
| 3.2 基于深度特征流的视频目标检测 |
| 3.2.1 光流法 |
| 3.2.2 光流网络 |
| 3.2.3 深度特征流算法 |
| 3.3 基于深度特征流和自适应视频关键帧提取的视频目标检测 |
| 3.3.1 视频关键帧 |
| 3.3.2 自适应视频关键帧提取算法的流程框架 |
| 3.3.3 自适应视频关键帧提取算法的具体实现 |
| 3.3.4 基于深度特征流和自适应视频关键帧提取的视频目标检测算法步骤 |
| 3.4 实验设置与结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于距离交并比回归损失函数和区域全卷积网络的视频目标检测 |
| 4.1 引言 |
| 4.2 边界框的生成与回归 |
| 4.2.1 区域提议网络 |
| 4.2.2 边界框的位置回归 |
| 4.3 视频目标检测算法的回归损失函数 |
| 4.4 基于距离交并比回归损失函数和区域全卷积网络的视频目标检测 |
| 4.4.1 R-FCN网络模型 |
| 4.4.2 距离交并比回归损失函数 |
| 4.5 实验设置与结果分析 |
| 4.5.1 实验配置 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）燃煤电厂烟气脱硝系统数据建模与控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 现阶段国内外研究现状 |
| 1.3 烟气脱硝现状及存在的问题 |
| 1.4 本文主要研究内容及安排 |
| 第2章 SCR脱硝系统简述 |
| 2.1 SCR脱硝原理 |
| 2.2 影响SCR脱硝效率的主要因素 |
| 2.3 机组及SCR烟气脱硝系统布置方式 |
| 2.4 SCR烟气脱硝系统组成及各部分工艺流程、主要设备 |
| 2.4.1 氨储存系统 |
| 2.4.2 氨注入系统 |
| 2.5 本章小结 |
| 第3章 基于TD-PLS的SCR烟气脱硝系统软测量 |
| 3.1 软测量技术 |
| 3.1.1 软测量技术概述 |
| 3.1.2 软测量技术实现方法 |
| 3.2 模型最优输入变量集选取 |
| 3.2.1 常用的变量选择方法 |
| 3.2.2 高维k-近邻互信息估计 |
| 3.2.3 仿真实例分析 |
| 3.3 TD-PLS软测量模型 |
| 3.3.1 偏最小二乘算法(PLS) |
| 3.3.2 TD-PLS软测量算法 |
| 3.3.3 仿真实例分析 |
| 3.4 本章小结 |
| 第4章 基于PLS内、外模型扩展的动态建模 |
| 4.1 引言 |
| 4.2 模糊曲线分析算法 |
| 4.3 基于PLS外部模型扩展的动态建模 |
| 4.4 基于PLS内部模型扩展的动态建模 |
| 4.4.1 动态内部PLS建模目标 |
| 4.4.2 动态内部PLS滤波器(DiPLS_FIR)模型算法 |
| 4.4.3 动态内部PLS自回归(DiPLS_AR)模型算法 |
| 4.5 仿真实例分析 |
| 4.6 本章小结 |
| 第5章 SCR系统喷氨量优化控制 |
| 5.1 传统喷氨量控制策略 |
| 5.1.1 PID控制策略 |
| 5.1.2 PID控制下喷氨量仿真实验 |
| 5.2 喷氨量优化控制 |
| 5.2.1 本电厂喷氨控制系统改进措施 |
| 5.2.2 模型预测控制策略 |
| 5.2.3 DMC控制下喷氨量仿真实验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
四、具有固定得分向量的竞赛矩阵的数目（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]基于图和深度神经网络的会话推荐算法设计与实现[D]. 曾义夫. 电子科技大学, 2021(01)
- [3]基于图文融合的情感分析研究与应用[D]. 令狐阳. 电子科技大学, 2021(01)
- [4]图像文本描述算法研究[D]. 杨恺庆. 西安理工大学, 2020(01)
- [5]恶意软件组织的开集识别模型研究[D]. 陈雁佳. 暨南大学, 2020(03)
- [6]结合深度知识追踪的个性化习题推荐[D]. 马骁睿. 北京化工大学, 2020(02)
- [7]多工况间歇过程故障监测方法研究[D]. 富斯源. 辽宁工业大学, 2020(08)
- [8]大数据场景中的图像语义信息提取与检索优化研究[D]. 唐朝辉. 电子科技大学, 2020(07)
- [9]基于深度特征流学习和选择注意力机制的视频目标检测[D]. 孙璆琛. 西安电子科技大学, 2020(05)
- [10]燃煤电厂烟气脱硝系统数据建模与控制方法研究[D]. 殷慧. 扬州大学, 2020(06)