一、非线性生物模型回归参数计算的一个新方法及应用（论文文献综述）
陈婉琳[1]（2021）在《基于光电容积脉搏波的全身麻醉镇痛水平监测的研究》文中进行了进一步梳理理想的镇痛水平是实现理想全身麻醉的关键,镇痛不足或过量会严重影响患者围术期安全及术后恢复。但是目前镇痛水平监测仍缺乏可靠指标,在准确性、连续性、适用性等方面存在不足。光电容积脉搏波（photoplethysmography,PPG）蕴含丰富的与镇痛水平相关的生理信息,具有可实时连续采集、无创等优点。论文从时域、频域、非线性等多角度对PPG信号全面挖掘特征,并进行镇痛水平监测模型的研究。本论文建立了全身麻醉镇痛水平监测临床研究的标准化模型,采用多种靶控效应室瑞芬太尼浓度（0、1、3、5ng/ml）表征不同镇痛水平。基于该研究模型采集并分析91例全身麻醉患者在喉罩置入前后的PPG信号,并与已商用的手术体积描记指数（SPI）作对比,评估单一特征参数及监测模型的性能。论文的主要内容及创新点如下:（1）构建了多维度、多参数的PPG信号特征集,并基于标准化处理和表征值选择优化了特征参数值。从时域、频域和非线性三个维度提取了37个特征参数,多角度揭示了PPG信号包含的丰富生理信息。在此基础上,结合平均值和均方根值实现特征的标准化处理,消除个体差异;基于分段信号平均值和长信号最大值优化特征参数值,使参数更好地反映患者的实际生理状态。（2）提取了用于镇痛水平监测的新特征,包括时域特征光电容积斜率指数PSI和6个非线性特征。PSI通过对PPG信号下降支分段研究,突出了外周阻力、血管弹性等生理状态变化对信号形态的影响;提取了6个非线性特征评估存在伤害性刺激时非平稳信号的复杂度,并重点优化了样本熵SampEn的参数取值。根据70例临床数据分析得到,相比于SPI（AUC为0.793,预测概率PK值为0.771）,单一参数SampEn表征镇痛水平的性能更好,AUC为0.884,PK值为0.809。（3）基于逐步回归、岭回归、岭回归—随机森林(NPIRF)三种算法对特征集进行降维并构建了镇痛水平监测模型。前两种模型是线性回归模型,先后通过逐步回归算法、基于岭迹图和方差扩大因子法优化参数的岭回归算法实现特征集降维。NPIRF模型是非线性回归模型,通过袋外误差优化随机森林参数,根据特征重要性实现降维。比较三种模型的性能显示,非线性模型的精度最高,决定系数R2为0.858。通过14例临床数据先后验证NPIRF模型在喉罩置入后和在喉罩置入全过程的性能,结果显示,NPIRF模型的灵敏度、特异度、准确率均较高,分别为85.71%、100%、92.86%和85.71%、100%、96.43%。当伤害性感受存在时,SPI评估结果更可靠;当镇痛药物充足或无伤害性刺激发生时,NPIRF模型更可靠。综上,本论文构建了包含3个维度、37个参数的特征集,建立了基于岭回归—随机森林的镇痛水平监测模型并初步验证了其有效性和可靠性,对指导麻醉药物用量、实现精准麻醉具有重要意义。
王亚东[2]（2021）在《电磁层析成像图像重建中的智能成像研究》文中认为电磁层析成像主要以电磁感应原理为基础,能够对物场中电导率或者磁导率的介质敏感,且具有非接触、非侵入、成本低以及安全性好等各方面的优点,因此广泛应用于医学成像、缺陷检测、钢轨探伤以及异物检测等领域。同时,为应对各个领域对图像重建质量提出的更高的要求,亟需更多算法对传统图像重建算法进行提升或者引入全新的成像方式以提高图像重建精度。电磁层析成像逆问题求解的过程具有严重的不适定性,这是影响图像重建质量的重要因素。近些年来,随着深度学习技术以及智能优化算法的迅速发展,已经在最优化问题求解、非线性问题的映射求解等各方面得到了广泛的应用。本文在电磁层析成像领域提出智能成像的概念,将智能优化算法以及深度学习技术应用到电磁层析成像的图像重建中,以提升图像重建质量。本文的主要工作如下:（1）将人群搜索算法引入到电磁层析成像领域,通过降低灵敏度矩阵的条件数来改善灵敏度矩阵的病态程度,将优化后的灵敏度矩阵用于成像,进一步提升图像重建效果。为了验证算法效果,本文通过无噪声样本仿真实验、噪声样本仿真实验以及构建实验平台进行实验三种方式,验证了本文所提出的算法的有效性、抗干扰能力以及实际应用价值,并且相对于传统的图像重建算法图像成像质量更高,伪影更少。（2）基于有限元仿真软件及MATLAB采用自动化的方法设计并仿真出了25337个样本构成数据集,用于对所设计的两种深度学习网络中的参数进行学习。本文设计出的数据集具有一定的代表性,不仅对物场中的物体数量及半径加以区分,而且还对物场中不同物体的不同半径进行组合,形成多物体的相对位置以及相对半径大小的差异,从而大幅提升数据集的丰富程度,提升所训练网络的泛化性能。（3）结合电磁层析成像样本数据集的数据特征,基于传统的深度神经网络以及Le Net-5网络构建出O＿DNN以及O＿CNN两种网络结构进行训练。通过在训练集中出现的样本类型以及未在训练集中出现的样本类型进行成像实验,表明了本文所设计的两种网络的有效性以及具有一定的泛化性能;通过向样本数据中添加一定的噪声进行成像实验,表明了本文所设计的两种网络具有一定的抗干扰能力;通过与传统算法以及本文提出的基于人群搜索算法优化的图像重建算法进行对比成像实验,表明了本文所设计的两种网络相对传统算法及基于人群搜索算法优化的图像重建算法成像效果提升明显。图29幅,表18个,参考文献62篇。
邝贺伟[3]（2021）在《基于粒子群优化与相关向量机的岩土体非线性行为预测》文中研究说明岩土工程中存在的问题大体上可分为预测、优化、建模等,利用传统工程方法解决这些问题时存在周期长、费用高、勘测困难等弊端,因此无论考虑学科的发展,还是岩土工程的实际应用,把机器学习方法应用到岩土工程领域,对岩土工程进行交叉研究是相当关键的。常用的机器学习方法有BP神经网络模型、高斯过程、支持向量机模型,以上模型自身存在的缺点难以满足复杂的岩土工程问题,预测结果往往也不尽人意,所以精度较高的预测模型有待于提出和研究。针对于以上问题本文提出相关向量机模型,考虑到岩土方面的复杂程度和相关参数的优化问题,在相关向量机的基础上进行了粒子群优化,为岩土学科的预测问题提供了基于粒子群优化的相关向量机模型,试图为相关数据的获取提供一条新方法。总的来说,本文研究的工作为:1.对于岩土领域中的非线性、高维性、不确定性的预测问题,提出基于粒子群优化的相关向量机模型。分别利用地基土压缩系数和坞石隧道施工中周边位移实例来证明PSO-RVM模型的实用性,同时与神经网络模型、广义神经元网络模型进行对比,结果显示PSO-RVM模型的精确度最高。对压缩系数预测结果进行平均相对误差、均方根误差、泰尔不平等系数和置信区间的验证;对周边位移进行敏感因子分析,探索影响因子的影响状况,并对9个影响因素的关系度进行了排名。2.核函数在预测模型中起到了关键作用,它的功能是将低维空间的关系映射到高维空间中,便于映射关系的寻找。对于导水裂缝带高度预测利用高斯核函数、样条核函数、柯西核函数和小波核函数进行探究,并与支持向量机模型进行比较,结果显示基于小波核函数的PSO-RVM模型更为精确。对于季节性冻土微观特征结构的冻胀率预测,利用了高斯核函数、柯西核函数和小波核函数,其中高斯核函数最为精确。以上证明了不同核函数应用的范围不同,以及不同核函数预测模型的精确度也不同。3.对于影响因素信息较多且不易找出映射关系的岩土问题,可以考虑用主成分分析法优化PSO-RVM模型,主成分分析法通过分析影响因素之间的影响状况和贡献率将多个影响因素降维成少数且线性无关的主成分变量,后用主成分变量进行预测,进一步提高了PSO-RVM预测模型的精确度和运行效率。将PCA-PSO-RVM模型应用到上软下硬地层的地表沉降,先用PCA将7个影响因素降维成4个主成分,后用PSO-RVM模型进行预测分析,与自身的PSO-RVM模型以及文献中的6种支持向量机模型相比证明PCA-PSO-RVM模型的精确度,通过相关指数验证了预测值和实测值具有较高的拟合度。
朱子健[4]（2020）在《基于神经网络的东方超环等离子体平衡参数实时评估与预测研究》文中指出托卡马克是目前最有希望实现核聚变能源的装置之一。等离子体平衡与垂直位移不稳定性的有效控制是托卡马克装置安全运行的重要保障,本文基于神经网络方法,对托卡马克装置等离子体平衡参数实时估算以及垂直位置快速预测进行了研究,为未来更加精准、快速控制提供新的方法。本文先应用基础的前馈神经网络,以托卡马克模拟代码（TSC）模拟EAST放电生成数据库,训练和测试等离子体平衡参数估算模型,并分别讨论测量信号缺失和输入噪音对模型鲁棒性的影响。神经网络评估模型在偏滤器和限制器位形下估算有量纲平衡参数（等离子体电流中心位置、大半径、小半径、X点位置）平均误差在1毫米以内,估算无量纲参量（拉长比、极向比压、内感、安全因子）平均误差在百分之一以内;对于假定的测量信号缺失和输入噪音,通过加入随机噪音以及置零缺失信号值再训练验证,证实模型仍具有一定鲁棒性;在普通台式机上用MATLAB软件实现模型,耗时为1毫秒左右,初步验证了这种方法的可行性。在等离子体电流中心位置识别工作中,本文先用模拟数据验证了神经网络方法的可行性,再用实验数据训练模型,训练的基础前馈神经网络模型经验证仍可准确识别等离子体电流中心;同时,减少输入探究不同输入组对模型性能的影响,仅以磁通环诊断或极向场线圈电流作为输入在该模型下并不充分。考虑到极向场线圈电流是等离子体电流中心位置变化的重要控制变量,本文探讨了 NARX神经网络模型建立控制量和响应量映射关系的应用;NARX模型相较基础前馈网络模型,仅用控制量推理电流中心位置的准确性有显着提升;然而,该模型严格限制控制变量,在目前工作中训练数据只在同一类型放电数据中获得,模型适用范围受限。本文最后筛选整理了 2018年EAST实验数据库,覆盖一千炮以上的放电,将长短期记忆神经网络应用于等离子体垂直位置预测,同时使用GPU并行对训练完备的模型进行加速。本研究选用前五个时间片的电磁测量数据,预测后一时刻的等离子体垂直位置,并讨论输入噪音和信号缺失时模型的准确性和鲁棒性。经过不断地训练和测试、不断改善性能,最终模型参数固定,初始用CPU实现速度在1毫秒量级;通过算法和硬件加速,最终使用GPU实现模型准确快速,一次预测时间可达50微秒量级,比目前EAST控制速度提高一个量级,为未来等离子体垂直位移快控提供了一个新方法。
付茜雯[5]（2020）在《计算机科技论文摘要的机翻错误类型及译后编辑》文中研究指明科研论文在知识传播过程中作用重大,推动国际范围内的知识共享。摘要是科研论文中必不可少的一部分,既是对论文的概括性总结,也是读者发现和探寻相关领域知识的快捷途径。然而,目前英文摘要的机器翻译质量在精确性和专业性方面都不尽人意,需要通过后期编辑和人工校对才能产出高质量的中文翻译文本。本文以计算机科学论文摘要为例,对谷歌机器翻译的300篇计算机英文论文摘要的中文版本进行了翻译错误类型分析并归类,并提出相应的译后编辑策略。首先在赖斯文本类型理论翻译策略指导下,对机器翻译系统生成的译文进行译后编辑,再邀请计算机专业以及翻译专业的专业人士进行确认。之后以DQF-MQM错误类型分类框架为依据,对机器翻译系统生成的译文中的错误进行分类。研究发现,机器翻译的计算机英文论文摘要的中文版本中存在七大类翻译错误,其中不符合中文表达习惯的翻译错误占比最大,其次是术语误译、误译、欠译、漏译、过译以及赘译。本论文研究发现,由于源文本的信息型学术文本特征,长难句、被动语态以及术语翻译是造成机器翻译错误的主要原因。针对源文本的逻辑缜密、语步序固定等特征,本研究针对性地对各类错误类型提出了相应译后编辑策略。建议译者在译后编辑中通过将隐性连接转换为显性连接从而保持源文逻辑性,通过增加主语以及调整语序处理被动语态保持源文的学术精准,通过恰当选取词意处理半技术词汇等。本研究采用定性和定量分析方法,系统归类了计算机科技文本摘要中机器翻译出现的错误,并提出相应译后编辑策略,为该领域的译者提供参考建议,从而提高该领域的机器翻译质量。
杨立岩[6]（2018）在《多平台多源遥感测树因子提取技术与方法研究》文中研究说明森林资源调查与监测是国家森林资源管理与经营的数据支撑和重要依据,而测树仪器与测树方法是决定森林资源调查工作效率和数据质量的重要因素。目前现有测树仪器数据采集方式落后、成本高、内外业工作量大,而传统人工地面调查方法耗时费力,调查效率低,难以适应现代林业发展的要求。随着技术的进步,尤其是摄影测量技术、激光雷达扫描技术、遥感技术、无人机技术的快速发展,越来越多的林业工作者针对如何利用先进的技术方法快速高效获取森林资源调查信息进行了研究。本文根据森林资源调查和森林计测的不同需求,从地面、无人机、遥感卫星三种尺度应用多种平台设备获取不同数据源,从而对测树因子的科学提取展开研究。本文尝试改进传统森林资源调查信息获取技术,旨在为森林资源调查数据获取提供新途径,提高森林资源调查效率,降低调查成本,从而为实现森林资源调查的数字化、自动化、智能化、一体化提供理论基础和技术支撑。文章主要研究内容及结论归纳如下:（1）地面影像与激光雷达测树因子提取利用单片解算原理自主研发了单片激光摄影测树仪,实现了胸径、树高、林分结构参数的测定,经实验验证,胸径、树高测量平均绝对误差（Mean Absolute Error,MAE）分别为0.6cm和0.37m,精度分别为97.45%和97.18%,角尺度、大小比数测量精度分别为97.50%、97.14%,混交度测量结果与传统方法相同。利用CCD超站仪单像片解算和多像片拼接方法,实现了胸径、树高和材积的测定,并详细验证了影响仪器测量精度的因素,分别从仪器系统误差、距离和倾角、摄影模式等方面进行了验证和分析。经实验验证,利用本文使用型号的CCD超站仪进行树高和材积测量的精度分别为98.41%和98.01%,最优观测距离为15m,最优观测角度为0°。经过实验及分析,得出CCD超站仪进行立木材积测定的规则,即,在条件允许的情况下,应优先考虑增加观测距离,其次为调整观测角度,最后为增加像片数量。设计了一种3D地面标识球,提出了一种利用智能手机“环形摄影”进行森林样地任意连续摄影观测的方案,实现平坦林区的三维场景还原,进而能够提取林木的胸径、坐标位置。经分别对不同“环形”半径的单圈模式和组合模式的还原效果进行分析,认为采用半径为12m/8m的多路径组合方式为优选方案。经实验验证,实现了样地内树木位置还原,胸径测量平均绝对误差（MAE）为1.96cm,精度为90.27%。利用地基二维激光雷达扫描原理和即时定位与地图构建（SLAM）技术设计了一种低成本手持式二维激光雷达扫描测树仪,通过连续移动测量模式实现了林木树心坐标和株数密度测定,通过单站固定测量模式实现了林木胸径测定。经实验验证,测量林木坐标点位误差稳定小于5cm,胸径测量平均绝对误差（MAE）为1.06cm,精度为 96.20%。（2）无人机影像与激光雷达点云测树因子提取以黑龙江省苇河林业局万山林场和新兴林场为试验区,分别利用搭载普通数码相机和激光雷达传感器的多旋翼无人机系统进行航飞实验,获取研究区域的无人机高重叠率像片（航向重叠率为80%,旁向重叠率为60%）与高密度激光雷达点云（>50点/m2）。使用无人机激光点云实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、林分平均高、株数密度、叶面积指数、蓄积量等林分因子的提取。采用LiDAR360软件对激光雷达点云数据预处理,获得数字高程模型（Digital Elevation Model,DEM）、数字表面模型（Digital Surface Model,DSM）和冠层高度模型（Canopy Height Model,CHM）。分别利用基于CHM和基于点云的方法进行单木分割提取树高和冠幅等单木因子,通过对两种方法进行比较分析,两种方法单木分割正确率基本相当,基于CHM分割方法精度（低郁闭度针叶林平均F得分为0.94,中高郁闭度针叶林平均F得分为0.76,中高郁闭度阔叶林平均F得分为0.57）略优于基于点云分割方法（低郁闭度针叶林平均F得分为0.90,中高郁闭度针叶林平均F得分为0.70,中高郁闭度阔叶林平均F得分为0.55）;基于点云方法提取树高平均精度（95.38%）和冠幅平均精度（74.09%）优于基于CHM方法提取树高平均精度（90.42%）和提取冠幅平均精度（68.01%）。基于CHM利用高度阈值法提取样地树冠总面积,使用面积比值法提取样地林分郁闭度,基于点云提取点云高度、密度和强度的统计变量,并由高度变量建模获取林分平均高,利用基于比尔-朗伯定律方法提取叶面积指数,最后以点云高度、密度、强度统计变量、郁闭度和叶面积指数为自变量,利用多元线性逐步回归方法建立与蓄积量的回归关系,得到无人机激光雷达点云蓄积量最优估测模型为 lnM=0.4901nLAI+1.2261nh30+1.296,模型 R2为 0.84,RMSE 为 16.78m3/ha,rRMSE为 11.39%。使用无人机影像实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、株数密度、林分平均冠幅、林分平均高、蓄积量等林分因子的提取。利用高重叠率像片通过特征点提取、匹配和点云加密生成SfM密集点云,进而获得DOM、DSM、DEM和CHM。利用面向对象多尺度分割方法结合DOM与CHM进行单木分割,提取树高和冠幅。通过SfM点云与部分LiDAR地面点云结合生成的CHM提取林分郁闭度、林分平均高、林分平均冠幅,进而以样地平均CHM和郁闭度CC为自变量,建立林分平均高的非线性模型H=2.521CHM0.646CC-0.997,模型R2为0.722,RMSE为1.497m。最后,以林分平均高、平均冠幅、郁闭度、林分平均CHM为自变量,利用建立无人机影像蓄积量反演模型M=0.277H2629 C-0.423CC1.655,模型R2为0.737,RMSE 为 21.72m3/ha。（3）Landsat-8遥感影像反演蓄积量以无人机载LiDAR估测的蓄积量LiM为样本,结合Landsat-8遥感数据进行林场尺度的蓄积量反演。分别使用传统的多元线性逐步回归方法与随机森林和量子粒子群优化最小二乘支持向量机2种机器学习方法建立Landsat-8 OLI提取的特征变量与蓄积量LiM的外推反演模型。经实验验证,机器学习方法反演精度优于传统多元线性回归方法,最优森林蓄积量外推反演模型为随机森林,经检验样本验证得到随机森林模型的R2为0.75,RMSE为29.39m3/ha。以随机森林方法估测新兴林场蓄积量,并制作蓄积量分布图。本文针对三种不同尺度,应用多种平台设备获取不同数据源,实现测树因子的提取展开研究,对森林资源管理与经营具有较大现实意义。本文提出的主要技术方法对提高当前我国森林资源调查与监测技术水平、降低野外劳动强度和生产成本具有重要意义,对满足不同尺度、不同精度和不同成本预算的森林资源调查需求,实现森林资源调查信息的快速、高效获取或更新具有指导和借鉴意义。
侯晓楠[7]（2017）在《人脸识别关键技术研究》文中研究表明随着人工智能与互联网技术的飞速发展,现代社会初步构建了若干以人为核心的智慧城市,而人物身份识别与验证是智慧城市中重要环节之一。以人脸识别为核心的刷脸技术,因具有用户交互方便、准确率高、非接触式、适合远程核身等特点,成为当前被普遍看好的互联网安全保障技术。近年来,人脸技术取得了突破性的进展,大幅度提升了识别与验证精度,甚至在某些数据集上超过了人类的表现,从而为该项技术的切实应用奠定了基础。目前,人脸技术已经广泛应用于门禁、考勤、银行网络支付等领域,并尝试应用于公共安防、金融安全等。然而,随着应用范围的越来越广泛,尤其是涉及到公共财产安全的应用,对人脸识别与验证的精确度和可靠性要求也越来越高,这也为该项技术的进一步发展提出了新的要求和挑战。比如,如何应对复杂自然环境中人脸验证精度不足的问题;如何在人脸图像的画质低下的条件下保持识别准确率;如何尽最大可能降低光照环境、人脸姿态、表情、年龄等因素的变化对人脸识别精度的影响等。为应对人脸技术所面临的上述挑战,本论文研究基于度量学习的人脸验证算法以及年龄无关人脸识别算法。本文的主要创新点如下:1.提出了一个基于Sigmoid函数的非线性人脸验证模型。本论文考虑人脸验证即判断两张脸是否来自同一个人的问题。尽管相关工作很多,但面对照片拍摄过程中的变化,如光照、姿态、表情、遮挡等,人脸验证技术仍面临巨大挑战。本文提出的方法基于这样一个目标:具有相同标签的人脸对的相似性尽可能的大,不同标签的人脸对相似性尽可能的小。为此,本方法将相似性函数与Mahalanobis距离相结合,并用Sigmoid函数进行投影,得到度量函数。该函数有如下两个特点:（1）对类内变化具有判别性;（2）对类间变化（如姿态、光照、表情）具有不变性。此外,该模型的优化函数是凸的,这就保证了其全局最优解。同时,该度量的非线性使其在处理异构数据时比线性度量更加鲁棒。在LFW数据集上获得的人脸验证准确率优于代表性的人脸验证算法。2.提出了一个受特征脸启发的年龄无关人脸识别模型（Eigen-Aging Reference Coding,EARC）。通过年龄无关人脸识别方法CARC的观察,发现如下三个问题:（1）参考集很大,原因在于其要涵盖不同的年龄、性别、种族等,这会导致编码特征的信息冗余,影响人脸识别的结果;（2）计算量过大,无法充分利用所有的训练数据;（3）在稀疏编码中,CARC只使用了局部约束来保证光滑性,而未考虑全局约束的作用。针对以上问题,本文提出一个新的本征年龄参考集编码方法。受特征脸（Eigenface）的启发,本方法将利用PCA来减少参考集中特征的个数,选出更具代表性的若干个特征用作参考集,从而降低编码特征的维度,在提升算法准确率的同时大大地降低了整个编码过程的计算量,从而大幅提升了算法的计算速度。3.提出了一个基于鲁棒特征投影的年龄无关人脸识别模型（Feature Mapping and Encoding Method,FMEM）。在自动人脸识别中,一个显着的障碍是大的年龄跨度,随着年龄的变化,人脸特征也会发生显着变化,这就为特征对年龄引起人脸变化的鲁棒性提出了更高的要求。尽管近几年涌现出很多有前景的人脸识别算法,但由年龄变化引起的显着的类内变化仍然是一个大的挑战。本文集中于去除人脸特征中与年龄相关的信息,得到年龄无关的人脸特征。为此,本文提出学习一个特征映射,将原人脸特征映射到一个对噪声和由年龄引起的类内变化较为鲁棒的特征空间,然后将新特征进一步编码,得到最终的年龄无关人脸表示。在数据集CACD和MORPH上的识别结果表明了本文所提算法的有效性。同时,为了检验方法的通用性,本文还将方法应用到深度特征上,实验结果在浅层特征基础上得到了很大的提升。同时,与CARC导致深度特征识别准确率下降不同,本文方法将深度特征的准确率又提升了若干个百分点。此外,在CACD-VS数据集上,本方法结合深度特征的准确率超过了人工结合投票的准确率。
梅光义[8]（2017）在《杉木人工林生长模型与多功能经营模拟研究》文中进行了进一步梳理杉木（Cunninghamia lanceolata）是我国南方重要的用材树种,有生长快、材质佳、种植面积大等特点。在发展生态林业大背景下,开展杉木人工林的多功能经营技术分析,可为杉木林分生态服务价值的景观规划、大径材培育、碳汇交易提供关键技术和数据。本文采用典型样地法、树干解析法和生物量全获法,在福建省将乐国有林场,获取不同类型（林龄、密度、立地）杉木人工林生长与收获数据。在搜集国内外大量的生长与收获模型表达式进行精度对比的基础上,选取了冠高模型、树干削度方程、直径分布模型、树高曲线模型、冠幅模型、直径模型、株数动态模型、立地质量评价模型、林分密度模型、形数模型的最优方程,并基于非线性混合效应模型法、非线性模型法、线性模型法等数理统计手段,对削度方程、直径生长方程等进行合理改进。在大量、系统杉木生长与收获模型基础上,结合德国引进的Forestsimulator系统,对杉木林分的蓄积量、生物量和景观质量进行评估和不同经营措施影响模拟。主要研究结论如下:（1）杉木在树高、胸径和材积生长过程结果中,生长临界点在20 a,杉木的基础年龄应选择20a;树干生长到胸高的位置大约需要2.1 a;数量成熟龄为34a。以树干圆盘横断面几何面积为基础,在几何平均半径、算术平均半径、最短半径和最长半径的统计分析中,几何平均半径统计结果具有最高精度。（2）在生长与收获模型中,描述杉木最优削度方程模型是d/D=（?），研究也表明，削度方程参数越多可能会带会更复杂的结构，容易造成共线性问题。Wellbull直径分布函数中参数a和b与林龄存在明显相关性,参数 c 与林龄无关,改进后得到直径分布模型是F=1-exp（-（d/（10.34*ln（A）-12.61））2.9619）。重构的直径生长方程是:D=137.2830*SI0.0300*N-0.2340*RD0.9840*（1-exp（-0.0935*A0.8180））。通过耦合的方法,耦合单木和林分的直径、树高、断面积和材积（蓄积量）生长与收获模型。（3）在林分调查因子的蓄积量、生物量和景观质量功能模型中,杉木单木二元材积方程为:V=4.798×10-5× D2 ×H0.9137。通过对生物量模型及其参数的分析,发现单木材积（TV）、木材密度（WD）和生物量木材密度转化系数（BECF）对生物量模型的估测精度影响较大,最高精度的生物量表达式是:ln（TB）=-0.3766+0.9685ln（TV）+0.9365ln（WD）)+0.1538ln（BECF）;单木生物量系数:bi=exp（-0.0703+0.9780ln（TV）+0.0213ln（WD）+1.0166ln（BECF））,那么林分的生物量就可以写成:SB=SV/TV*bi。林分景观质量与林分平均胸径的关系为:SSBE=0.21884*DBH+3.1741;林分景观质量模型与林分平均树高关系为:SSBE=0.2497*H+2.6526;单木景观质量与单木胸径之间的关系为:TSBE=0.4394*DBH2+1.5158*DBH+42.741;单木景观质量与树高之间的关系为:TSBE=3.6784*H1.4128,单木景观质量和林分景观质量之间的关系是:SSBE=2.7076*ln（TSBE）-7.2653。当林分平均胸径和林分平均树高分别小于8.4 cm和9.8 m时,郁闭度与林分景观质量呈现负相关关系,也就是郁闭度越大,林分景观质量越低;当林分平均胸径和林分平均树高分别大于8.4cm和9.8 m时,郁闭度与林分景观质量呈现正相关关系;类似的,在实验形数中,胸径在8.0 cm附近出现了明显分界点。说明对杉木单木或林分的幼树或幼龄林的划分具有一致性,而且在相关问题的研究结论上具有完全相反的结论,因此杉木树种的研究应以8.0 cm为幼树、幼林分界点。（4）新构建的杉木生长与收获方程具有精度更高、适用Forest simulator等特点,能较好的嵌套于Forest simulator系统中,可以通过Forest simulator系统开展林分生长过程和经营规划模拟。在假定单一变量改变的条件下,通过Forestsimulator系统生长模拟运行,发现株数密度3000株/hm2、间伐模式为生长伐、间伐强度比0.9的林分生长与收获量最大。不同的立地指数对单木和林分平均树高影响显着,随着立地指数的增加而不断提高,立地指数从12到26,林分平均树高增加了 17.13m。立地质量越高林分平均直径也越大,但是变化的幅度相对树高来说更小,林分平均直径增加了5.35cm。在林分更新条件下,杉木人工林从纯林逐渐演替为异龄林,直径分布结构在77a时变为负指数分布,伴生树种也不断增加,逐渐演替为混交林,可在不同时期进行收获一定量的目标树,实现可持续经营。
李哲[9]（2016）在《光谱化学计量分析方法及其在舌诊的应用》文中指出近红外光谱是一种弱吸收谱,在测量分析过程中容易受到诸多因素的影响,不仅包括外界因素,而且包括与样本自身性质特征密切相关的干扰因素。此外,还需要克服由于人体的复杂多变性和个体差异等诸多不确定因素带来的影响。如何处理和利用这些因素,不仅是建立稳健的校正模型以及提高模型预测能力的关键,而且是近红外光谱分析技术进入临床应用的关键。本论文探究了近红外光谱分析过程中各类因素的影响,并系统地将其加以分类,给出了一个应对各类因素的策略,即“M+N”理论。在该理论的指导下,论文对可能会遇到的几种因素（非目标组分、光源电压、温度等）进行了分析与讨论,借助这些因素提出了多种提高校正模型预测能力的方法,并应用到光谱法舌诊的临床实验中。（一）提出了光源电压因素用于提高校正模型预测能力的方法。通过实测变电压光源光谱数据与多组分线性吸收谱仿真模型相结合的方法,验证了该方法用于提高校正模型预测能力可行性。（二）提出了基于温度与光谱关系的定量分析方法。实验结果表明了温度与光谱间关系的存在,并且验证了通过温度与光谱关系的差异可以对样本组分进行定量分析,为研究温度对近红外光谱的影响提供一个新方法。（三）提出了一个校正样本选择的方法,在选择样本时不仅考虑光谱空间、目标变量空间的影响,而且考虑外界因素和内在特征空间的影响。通过两组经典的光谱数据集,从外界因素变量和内在特征变量两个角度验证了所提出方法的可行性与优越性。（四）首次将光谱法舌诊应用到血清胆红素的无创检测中,并取得了较好临床效果。实验结果验证了该方法的可行性,并为其它血液成分的无创检测开辟了新路径。（五）提出了WP-mUVE-LSSVM方法,该方法既可以同时扣除光谱分析中背景与噪声的干扰,又具有非线性功能可以建立稳健的校正模型。首次将该方法应用到糖尿病的快速筛查以及血糖的无创检测中,取得较好的临床效果。论文从基础理论的研究方法着手,以化学计量学方法为依据,分别从外界干扰因素与样本内部特征因素两个方面提出了多种提高校正模型预测能力的方法。并将上述方法应用到光谱法舌诊临床实验中,为光谱法舌诊真正进入临床应用提供了基础,同时对近红外光谱分析技术中其他因素的影响提供了参考与借鉴。
王婷[10]（2013）在《广义翁氏模型（Weng Cycle Model）参数估计方法及其在医药学中的应用》文中指出目的：翁氏模型（Weng Cycle Model）及其推广的广义翁氏模型，是已故的着名的地球物理学家，中国科学院院士翁文波先生创建的。翁氏模型是我国第一个用于预测油气田的产量的模型，也可用在最终可采储量等方面，由于模型的实用价值，受到很多石油专家的重视和应用。很多学者在翁氏模型及其参数估计方法等方面做了大量的研究，探索了求解翁氏模型的参数的估计方法，目的就是为了提高翁氏模型的拟合精度和预测精度，其中包括以陈元千教授为代表的各位学者根据翁氏模型推广的广义翁氏模型。本文将提出一种基于非线性回归的的近似回归法求解广义翁氏模型的参数的估计方法，提高了广义翁氏模型的拟合精度和预测精度。然后探索广义翁氏模型在流行性传染病的预测，药物动力学模型的建立方面的应用。方法：利用基于非线性模型的近似回归法求解广义翁氏模型（WengCycle Model）的参数，推导出求解广义翁氏模型（Weng Cycle Model）参数的公式。用于模型的流行性传染病的发病原始数据是通过互联网络、当地疾病预防控制中心或者中国卫生统计年鉴等文献收集的，利用收集的数据建立相应的广义翁氏模型（Weng Cycle Model）。通过互联网收集药物动力学原始数据，利用收集的数据建立相应的药物动力学模型。最后利用建立的相关的广义翁氏模型，用于流行性传染病未来趋势变化的预测。结果：该模型可以被应用于流行性传染病的流行趋势的预测，比如艾滋病、梅毒、流行性出血热、手足口病等流行性传染病的流行趋势，得到的广义翁氏模型（Weng Cycle Model）能够比较准确地预测上述流行性传染病的流行发展趋势，通过图表我们可以看出该方法可以用于流行性传染病的流行趋势的预测。建立的基于广义翁氏模型（WengCycle Model）的药物动力学模型较好地模拟了血药浓度的变化规律。结论：基于非线性回归的的近似回归法求解广义翁氏模型的参数的估计方法，提高了广义翁氏模型的拟合精度和预测精度，具有计算方法简便的优点，能较好的预测流行性传染病的发病趋势，特别适合基层卫生工作人员使用。同时为药理学研究人员提供了一种新的药物动力学模型。
二、非线性生物模型回归参数计算的一个新方法及应用（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、非线性生物模型回归参数计算的一个新方法及应用（论文提纲范文）
（1）基于光电容积脉搏波的全身麻醉镇痛水平监测的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 麻醉镇痛水平监测的意义 |
| 1.2.1 伤害性感受及镇痛水平 |
| 1.2.2 镇痛不足及过量的危害 |
| 1.3 麻醉镇痛水平监测的国内外研究现状 |
| 1.3.1 全身麻醉镇痛水平监测临床研究的标准化模型 |
| 1.3.2 基于脑电信号和/或肌电信号的监测指标 |
| 1.3.3 基于自主神经系统反应的监测指标 |
| 1.3.4 基于反射通路的监测指标 |
| 1.3.5 存在的不足与分析 |
| 1.4 研究目标与内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 第二章 麻醉镇痛的生理学基础 |
| 2.1 引言 |
| 2.2 麻醉镇痛的临床生理学基础 |
| 2.2.1 全身麻醉的镇痛机制 |
| 2.2.2 伤害性刺激和镇痛药物对脑的影响 |
| 2.2.3 伤害性刺激和镇痛药物对自主神经系统的影响 |
| 2.3 光电容积脉搏波的生理学基础及特性 |
| 2.3.1 脉搏波的产生与传播 |
| 2.3.2 微循环容积脉搏血流模型 |
| 2.3.3 光电容积脉搏波的检测原理 |
| 2.3.4 光电容积脉搏波的波形特征 |
| 2.4 本章小结 |
| 第三章 光电容积脉搏波信号处理与特征参数提取 |
| 3.1 引言 |
| 3.2 临床研究方案设计 |
| 3.2.1 研究对象的筛选标准及样本量估算 |
| 3.2.2 全身麻醉镇痛水平监测临床研究的标准化模型建立及信号采集 |
| 3.3 光电容积脉搏波预处理及特征点检测 |
| 3.3.1 小波去噪 |
| 3.3.2 波峰波谷检测 |
| 3.3.3 基线漂移去除 |
| 3.4 光电容积脉搏波特征参数的提取 |
| 3.4.1 时域特征参数 |
| 3.4.2 频域特征参数 |
| 3.4.3 非线性特征参数 |
| 3.5 小结 |
| 第四章 光电容积脉搏波特征参数的优化与分析 |
| 4.1 引言 |
| 4.2 人口统计学特征 |
| 4.3 特征参数的统计学分析 |
| 4.3.1 相关性分析 |
| 4.3.2 非参数检验 |
| 4.3.3 混淆矩阵及ROC曲线 |
| 4.3.4 预测概率 |
| 4.4 光电容积脉搏波特征参数的优化 |
| 4.4.1 标准化处理 |
| 4.4.2 表征值选择 |
| 4.5 光电容积脉搏波特征参数的分析 |
| 4.5.1 特征参数间的相关性分析 |
| 4.5.2 伤害性刺激对特征参数的影响 |
| 4.5.3 镇痛药物浓度对特征参数的影响 |
| 4.5.4 特征参数表征镇痛水平的能力 |
| 4.6 小结 |
| 第五章 基于光电容积脉搏波的麻醉镇痛水平监测模型 |
| 5.1 引言 |
| 5.2 镇痛水平监测模型构建方法的分析 |
| 5.3 基于逐步回归的镇痛水平监测模型 |
| 5.3.1 逐步回归法 |
| 5.3.2 镇痛水平监测模型的建立与分析 |
| 5.4 基于岭回归的镇痛水平监测模型 |
| 5.4.1 岭回归 |
| 5.4.2 镇痛水平监测模型的建立与分析 |
| 5.5 基于岭回归—随机森林的镇痛水平监测模型 |
| 5.5.1 随机森林 |
| 5.5.2 镇痛水平监测模型的建立 |
| 5.6 三种镇痛水平监测模型的性能评估及比较 |
| 5.6.1 模型性能的评估方法 |
| 5.6.2 模型性能的比较 |
| 5.7 小结 |
| 第六章 基于岭回归—随机森林的镇痛水平监测模型的验证 |
| 6.1 引言 |
| 6.2 麻醉镇痛水平监测模型的验证方案 |
| 6.3 麻醉镇痛水平监测模型的验证结果与分析 |
| 6.3.1 验证数据的人口统计学分析 |
| 6.3.2 镇痛水平监测模型在喉罩置入后的应用结果 |
| 6.3.3 镇痛水平监测模型在喉罩置入全过程的应用结果 |
| 6.4 小结 |
| 第七章 总结和展望 |
| 7.1 研究工作总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参与的项目 |
（2）电磁层析成像图像重建中的智能成像研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 论文研究背景及意义 |
| 1.1.1 过程层析成像的研究背景及意义 |
| 1.1.2 电磁层析成像的研究背景及意义 |
| 1.1.3 电磁层析成像与智能算法相结合的研究背景及意义 |
| 1.2 电磁层析成像中智能成像的研究现状 |
| 1.2.1 电磁层析成像的研究现状 |
| 1.2.2 电磁层析成像与智能优化算法相结合的研究现状 |
| 1.2.3 电磁层析成像与深度学习结合的研究现状 |
| 1.3 电磁层析成像中的智能成像的应用前景 |
| 1.4 论文内容结构及工作安排 |
| 1.5 本章小结 |
| 2 电磁层析成像理论基础和传统算法简介 |
| 2.1 电磁层析成像理论基础 |
| 2.1.1 电磁层析成像基本内容 |
| 2.1.2 电磁层析成像数学基础 |
| 2.1.3 电磁层析成像的正问题与逆问题 |
| 2.2 传统图像重建算法原理 |
| 2.2.1 线性反投影算法 |
| 2.2.2 Tikhonov正则化算法 |
| 2.2.3 Landweber迭代算法 |
| 2.3 图像重建算法评价指标 |
| 2.4 本章小结 |
| 3 基于SOA优化的电磁层析成像图像重建 |
| 3.1 EMT灵敏度矩阵分析 |
| 3.2 人群搜索算法基本原理 |
| 3.2.1 搜索步长的更新 |
| 3.2.2 搜索方向的更新 |
| 3.2.3 个体位置的更新 |
| 3.3 人群搜索算法应用于电磁层析成像图像重建 |
| 3.4 仿真实验环境设定 |
| 3.5 仿真结果分析 |
| 3.5.1 无噪声情况下仿真实验 |
| 3.5.2 含噪声情况下仿真实验 |
| 3.6 实验验证与分析 |
| 3.6.1 实验系统的构建 |
| 3.6.2 实验结果分析 |
| 3.7 本章小结 |
| 4 基于深度学习的电磁层析成像网络设计 |
| 4.1 深度学习网络简介 |
| 4.2 数据集的设计与仿真 |
| 4.2.1 样本数据集的设计 |
| 4.2.2 样本数据的仿真 |
| 4.3 损失函数的设计 |
| 4.3.1 损失函数 |
| 4.3.2 正则化惩罚项 |
| 4.4 优化算法的选取 |
| 4.4.1 梯度下降算法 |
| 4.4.2 Momentum下降算法 |
| 4.4.3 Adagrad算法 |
| 4.5 激活函数的选取 |
| 4.5.1 Sigmoid激活函数 |
| 4.5.2 双曲正切函数 |
| 4.5.3 ReLU激活函数 |
| 4.5.4 Leaky ReLU激活函数 |
| 4.6 基于深度学习的网络结构设计 |
| 4.6.1 基于DNN的网络结构设计 |
| 4.6.2 基于CNN的网络结构设计 |
| 4.7 成像仿真实验 |
| 4.7.1 无噪声情况下仿真实验 |
| 4.7.2 含噪声情况下仿真实验 |
| 4.7.3 与传统算法对比仿真实验 |
| 4.8 本章小结 |
| 5 结论 |
| 5.1 论文总结 |
| 5.2 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 |
（3）基于粒子群优化与相关向量机的岩土体非线性行为预测（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 国内外研究现状 |
| 1.2.1 岩土体非线性行为 |
| 1.2.2 相关向量机的工程应用 |
| 1.2.3 优化方法与机器学习方法结合情况 |
| 1.3 文章创新点 |
| 1.4 文章研究的内容和结构 |
| 1.4.1 主要研究的内容 |
| 1.4.2 文章的结构 |
| 第2章 基于粒子群优化的相关向量机模型 |
| 2.1 相关向量机模型 |
| 2.1.1 模型描述 |
| 2.1.2 参数推断 |
| 2.1.3 建立映射关系 |
| 2.1.4 几种常见的核函数 |
| 2.2 粒子群算法 |
| 2.2.1 粒子群基本原理 |
| 2.2.2 粒子群算法特征 |
| 2.2.3 粒子群参数 |
| 2.2.4 粒子群算法流程 |
| 2.3 PSO-RVM模型的提出 |
| 2.4 机器学习中的核函数 |
| 2.4.1 核函数的构造及特性 |
| 2.5 文章小结 |
| 第3章 岩土体非线性行为预测的粒子群-相关向量机模型 |
| 3.1 引言 |
| 3.2 PSO-RVM模型在地基土压缩系数中的应用 |
| 3.2.1 地基土压缩系数的研究状况 |
| 3.2.2 地基土压缩系数预测的PSO-RVM模型 |
| 3.2.2.1 确定模型样本 |
| 3.2.2.2 PSO-RVM模型实现步骤 |
| 3.2.3 模型的预测与分析 |
| 3.2.4 置信区间验证 |
| 3.3 隧道施工位移预测的PSO-RVM模型 |
| 3.3.1 关于隧道施工位移的研究现状 |
| 3.3.2 基于PSO-RVM的隧道施工位移模型 |
| 3.3.3 PSO-RVM模型预测结果和分析 |
| 3.3.4 敏感因子分析 |
| 3.4 本章小结 |
| 第4章 不同核函数的PSO-RVM预测模型 |
| 4.1 导水裂缝带高度预测的多核函数的PSO-RVM模型 |
| 4.1.1 导水裂缝带高度研究状况 |
| 4.1.2 导水裂缝带样本确定 |
| 4.1.3 导水裂缝带高度预测模型 |
| 4.2 季节冻土微观结构特征预测的多核函数的PSO-RVM模型 |
| 4.2.1 收集土冻胀率相关数据 |
| 4.2.2 建立冻胀率预测模型 |
| 4.3 本章小结 |
| 第5章 基于主成分的PSO-RVM模型 |
| 5.1 主成分分析法基本原理 |
| 5.2 上软下硬地层地表沉降预测的PCA-PSO-RVM模型 |
| 5.2.1 主成分分析法的计算处理 |
| 5.2.2 PCA-PSO-RVM预测结果 |
| 5.2.3 比较模型预测的拟合度 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介及申请学位期间的科研成果 |
| 致谢 |
（4）基于神经网络的东方超环等离子体平衡参数实时评估与预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 能源问题与磁约束核聚变 |
| 1.2 东方超环托卡马克装置介绍 |
| 1.3 等离子体平衡与垂直位移不稳定性 |
| 1.3.1 等离子体平衡 |
| 1.3.2 等离子体垂直位移不稳定性 |
| 1.4 等离子体平衡与垂直位移不稳定性的控制现状 |
| 1.5 本章小结与全文结构 |
| 第2章 神经网络在聚变领域应用 |
| 2.1 神经网络方法的发展 |
| 2.2 神经网络方法基础与使用 |
| 2.3 神经网络在托卡马克装置应用研究现状 |
| 2.3.1 神经网络在托卡马克装置应用发展 |
| 2.3.2 神经网络在等离子体平衡与控制中的可能应用 |
| 2.4 本章小结 |
| 第3章 基于前馈神经网络的等离子体平衡参数重建 |
| 3.1 TSC数值模拟EAST放电 |
| 3.2 等离子体平衡参数与EAST平衡数据库 |
| 3.3 等离子体平衡参数重建模型训练与测试 |
| 3.4 考虑输入噪音和信号缺失的模型性能优化 |
| 3.5 本章小结 |
| 第4章 EAST等离子体电流中心位置识别 |
| 4.1 TSC模拟与EAST实验数据库建立 |
| 4.2 等离子体电流中心识别模型训练与测试 |
| 4.3 等离子体电流中心识别模型鲁棒性 |
| 4.4 应用NARX神经网络训练预测模型的初步讨论 |
| 4.5 本章小结 |
| 第5章 循环神经网络预测等离子体垂直位置研究 |
| 5.1 循环神经网络介绍 |
| 5.2 等离子体垂直位置预测数据库及模型 |
| 5.3 等离子体垂直位置预测模型训练及验证实现 |
| 5.4 面向垂直位置控制的模型GPU加速及优化 |
| 5.5 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 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（5）计算机科技论文摘要的机翻错误类型及译后编辑（论文提纲范文）
| 摘要 |
| Abstract |
| CHAPTER1 INTRODUCTION |
| 1.1 Research Background and Significance |
| 1.2 Aims of the Study |
| 1.3 Organization of the Thesis |
| CHAPTER2 LITERATURE REVIEW AND FRAMEWORK |
| 2.1 Overview on Machine Translation and Post-editing |
| 2.2 Previous Studies on MT Error Types and Post-Editing Strategies |
| 2.3 DQF-MQM Error Classification Framework |
| 2.4 Previous Studies on MT Error Types of Paper Abstracts |
| 2.5 Text Typology Theory |
| 2.5.1 Text Typology Theory of Reiss |
| 2.5.2 Previous Studies on Informative Texts and Translation Principles |
| CHAPTER3 METHODOLOGY |
| 3.1 Source Text and Text Analysis |
| 3.1.1 Source Text |
| 3.1.2 Text Analysis |
| 3.2 Research Method |
| 3.3 Translation Process |
| 3.3.1 Translating300 computer science abstracts with MT system |
| 3.3.2 Post-editing the MT-generated translation based on Text Typology Theory |
| 3.3.3 Conducting a semi-structured interview for ensuring post-editing quality |
| 3.3.4 Analyzing and summarizing the errors in300 abstracts |
| 3.3.5 Preliminary error classifications based on DQF-MQM Framework |
| 3.3.6 Conducting the2nd semi-structured interview to confirm error classifications |
| 3.3.7 Quantitative analysis of all MT errors in the300 abstracts |
| CHAPTER4 RESULTS AND DISCUSSION |
| 4.1 Error Types of Machine Translated English Abstracts |
| 4.1.1 Unidiomatic Translation Errors in MT output |
| 4.1.2 Terminology Mistranslation Errors in MT Output |
| 4.1.3 Mistranslation Errors in MT Output |
| 4.1.4 Under-translation Errors in MT Output |
| 4.1.5 Omission Translation Errors in MT Output |
| 4.1.6 Over-translation Errors in MT Output |
| 4.1.7 Errors of Addition in MT Output |
| 4.2 Post-editing Strategies for Machine Translated Abstracts |
| 4.2.1 Post-editing Strategies for Long and Complex Sentences |
| 4.2.2 Post-editing Strategies for Passive Voice Sentences |
| 4.2.3 Post-editing Strategies for Technical Terms |
| CHAPTER5 CONCLUSION |
| 5.1 Major Findings |
| 5.2 Limitations and Suggestions |
| References |
| Appendix Source Texts and Target Texts of300 Abstracts |
| 1-20 Abstracts |
| 21-40 Abstracts |
| 41-60 Abstracts |
| 61-80 Abstracts |
| 81-100 Abstracts |
| 101-120 Abstracts |
| 121-140 Abstracts |
| 141-160 Abstracts |
| 161-180 Abstracts |
| 181-200 Abstracts |
| 201-220 Abstracts |
| 221-240 Abstracts |
| 241-260 Abstracts |
| 261-280 Abstracts |
| 281-300 Abstracts |
| ACKNOWLEDGEMENTS |
（6）多平台多源遥感测树因子提取技术与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. 森林资源调查体系与方法 |
| 1.2.2. 地面森林资源调查技术的发展 |
| 1.2.2.1. 地面调查方法与设备的发展 |
| 1.2.2.2. 地面摄影测量技术的发展 |
| 1.2.2.3. 地基激光雷达扫描技术的发展 |
| 1.2.3. 航空森林资源调查技术的发展 |
| 1.2.3.1. 航空摄影测量技术的发展 |
| 1.2.3.2. 机载激光雷达技术的发展 |
| 1.2.4. 遥感卫星森林资源调查技术的发展 |
| 1.3. 本章小结 |
| 2. 研究内容与研究区概况 |
| 2.1. 研究内容与技术路线 |
| 2.1.1. 研究内容 |
| 2.1.2. 技术路线 |
| 2.2. 论文章节安排 |
| 2.3. 研究区概况 |
| 2.3.1. 研究区概况 |
| 2.3.1.1. 鹫峰林场 |
| 2.3.1.2. 苇河林区 |
| 2.4. 本章小结 |
| 3. 地面摄影测量与激光雷达测树因子提取技术 |
| 3.1. 单片激光摄影测树仪测树因子提取 |
| 3.1.1. 仪器构成 |
| 3.1.2. 仪器功能及参数 |
| 3.1.3. 仪器检校 |
| 3.1.4. 仪器测量原理 |
| 3.1.4.1. 胸径测量原理 |
| 3.1.4.2. 树高测量原理 |
| 3.1.4.3. 林分空间结构参数测量原理 |
| 3.1.5. 功能验证分析 |
| 3.1.5.1. 胸径测量功能 |
| 3.1.5.2. 树高测量功能 |
| 3.1.5.3. 林分空间结构参数测量功能 |
| 3.2. CCD超站仪测树因子提取及立木材积精测 |
| 3.2.1. 仪器构成 |
| 3.2.2. 仪器系统检校 |
| 3.2.3. 仪器测量原理 |
| 3.2.3.1. 单片测树原理 |
| 3.2.3.2. 多像片测树原理 |
| 3.2.3.3. 观测精度评价方法 |
| 3.2.4. 实验验证与分析 |
| 3.2.4.1. 实验设计 |
| 3.2.4.2. 距离和倾角对测量精度的影响 |
| 3.2.4.3. 摄影模式对测量精度的影响 |
| 3.2.4.4. 立木精测精度分析 |
| 3.2.4.5. CCD超站仪立木材积最佳观测方案 |
| 3.3. 地面任意连续摄影测树因子提取 |
| 3.3.1. 测量原理 |
| 3.3.1.1. 立体像对解算原理 |
| 3.3.1.2. SfM三维重建原理 |
| 3.3.1.3. 测树因子提取原理 |
| 3.3.2. 实验方案设计 |
| 3.3.2.1. 3D地面标识球的设计 |
| 3.3.2.2. 材料准备 |
| 3.3.2.3. 实验流程设计 |
| 3.3.3. 实验验证与分析 |
| 3.4. 地基激光雷达点云测树因子提取 |
| 3.4.1. 仪器构成及详细参数 |
| 3.4.2. 地基激光雷达测量原理 |
| 3.4.3. 二维激光雷达点云测树因子提取 |
| 3.4.3.1. 树心坐标位置提取原理 |
| 3.4.3.2. 株数密度提取原理 |
| 3.4.3.3. 单站树木胸径测量原理 |
| 3.4.4. 实验验证 |
| 3.4.4.1. 树心坐标提取验证 |
| 3.4.4.2. 株数密度提取验证 |
| 3.4.4.3. 单站树木胸径提取验证 |
| 3.5. 本章小结 |
| 4. 无人机影像与激光雷达点云测树因子提取技术 |
| 4.1. 数据获取与预处理 |
| 4.1.1. 无人机影像数据获取与预处理 |
| 4.1.1.1. 无人机影像数据获取 |
| 4.1.1.2. 无人机影像数据预处理 |
| 4.1.2. 无人机LiDAR点云数据获取与预处理 |
| 4.1.3. 无人机影像与LiDAR点云数据配准 |
| 4.1.4. 地面调查数据获取与预处理 |
| 4.2. 无人机激光雷达点云测树因子提取技术 |
| 4.2.1. 激光雷达点云滤波与分类 |
| 4.2.2. 数字高程模型和数字表面模型生成 |
| 4.2.3. 无人机载激光雷达单木因子提取 |
| 4.2.3.1. 基于CHM的单木分割与单木因子提取 |
| 4.2.3.2. 基于点云的单木分割与单木因子提取 |
| 4.2.4. 无人机载激光雷达林分因子提取 |
| 4.2.4.1. 激光雷达点云数据统计变量 |
| 4.2.4.2. 郁闭度信息提取 |
| 4.2.4.3. 林分平均高的提取 |
| 4.2.4.4. 叶面积指数提取 |
| 4.2.4.5. 林分蓄积量的提取 |
| 4.3. 无人机影像测树因子提取技术 |
| 4.3.1. 无人机影像单木因子提取 |
| 4.3.1.1. 无人机影像数据的单木分割 |
| 4.3.1.2. 单木树高与冠幅提取 |
| 4.3.2. 无人机影像林分因子提取 |
| 4.3.2.1. 郁闭度信息提取 |
| 4.3.2.2. 林分株数密度与平均冠径 |
| 4.3.2.3. 林分平均高 |
| 4.3.2.4. 林分蓄积量 |
| 4.4. 本章小结 |
| 5. 森林蓄积量遥感外推反演技术 |
| 5.1. Landsat-8遥感数据获取与预处理 |
| 5.1.1. 遥感数据获取 |
| 5.1.2. 遥感数据预处理 |
| 5.1.2.1. 辐射定标与大气校正 |
| 5.2. 建模因子提取与特征选择 |
| 5.2.1. 建模因子提取 |
| 5.2.1.1. 光谱因子 |
| 5.2.1.2. 纹理因子 |
| 5.2.2. 建模因子选择 |
| 5.2.2.1. 相关性分析 |
| 5.2.2.2. 特征选择 |
| 5.3. 森林蓄积量反演 |
| 5.3.1. 蓄积量反演模型原理及方法 |
| 5.3.1.1. 多元线性逐步回归(MLR) |
| 5.3.1.2. 随机森林(RF) |
| 5.3.1.3. 量子粒子群优化最小二乘支持向量机(QPSO-LSSVM) |
| 5.3.2. 建模样本及模型评价方法 |
| 5.3.3. 基于Landsat-8数据的蓄积量反演结果 |
| 5.3.3.1. 基于MLR的蓄积量估测结果 |
| 5.3.3.2. 基于RF的蓄积量估测结果 |
| 5.3.3.3. 基于QPSO-LSSVM的蓄积量估测结果 |
| 5.3.4. 基于不同反演方法估测结果比较 |
| 5.4. 本章小结 |
| 6. 结论与展望 |
| 6.1. 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（7）人脸识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 度量学习技术 |
| 1.2.2 人脸识别技术 |
| 1.2.3 年龄无关人脸识别技术 |
| 1.3 本文创新点 |
| 1.4 本文章节安排 |
| 第二章 度量学习技术 |
| 2.1 前言 |
| 2.2 基于线性变换的度量学习 |
| 2.2.1 一个简单的例子 |
| 2.2.2 基本方法和符号 |
| 2.2.3 马氏距离(The Mahalanobis Distance) |
| 2.2.4 正则变换学习 |
| 2.2.5 代表性范例 |
| 2.2.6 优化方法 |
| 2.3 基于非线性变换的度量学习 |
| 2.3.1 线性方法的核化 |
| 2.4 总结 |
| 第三章 基于Sigmoid函数的非线性人脸验证技术 |
| 3.1 前言 |
| 3.2 相关工作 |
| 3.2.1 KISSME. |
| 3.2.2 SUB-SML. |
| 3.2.3 联合贝叶斯 |
| 3.2.4 高斯脸(Gaussian Face) |
| 3.3 Sigmoid相似性度量学习 |
| 3.3.1 Sigmoid函数 |
| 3.3.2 度量函数 |
| 3.3.3 大边界解法 |
| 3.4 实验结果 |
| 3.4.1 受限条件下实验结果 |
| 3.4.2 非受限条件下实验结果 |
| 3.5 总结与讨论 |
| 第四章 本征年龄无关人脸识别方法EARC |
| 4.1 前言 |
| 4.2 相关工作 |
| 4.3 本章方法 |
| 4.3.1 特征脸 |
| 4.3.2 训练本征年龄参考集 |
| 4.3.3 特征编码 |
| 4.4 实验结果 |
| 4.4.1 CACD数据集和CACD-VS数据集 |
| 4.4.2 高维LBP特征和VGG深度特征 |
| 4.4.3 参数选择 |
| 4.4.4 在CACD上的实验结果 |
| 4.4.5 在CACD-VS上的实验结果 |
| 4.4.6 计算复杂度 |
| 4.5 总结 |
| 第五章 基于鲁棒特征编码的年龄无关人脸识别方法FMEM |
| 5.1 前言 |
| 5.2 本章方法 |
| 5.2.1 鲁棒特征映射 |
| 5.2.2 特征编码 |
| 5.2.3 方法的变形 |
| 5.3 实验结果 |
| 5.3.1 在数据集CACD上的实验结果 |
| 5.3.2 在数据集MORPH上的实验结果 |
| 5.3.3 在CACD-VS上的人脸验证实验结果 |
| 5.4 总结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文目录 |
（8）杉木人工林生长模型与多功能经营模拟研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外森林生长与收获模型研究进展 |
| 1.2.1 混合效应模型在林业上应用进展 |
| 1.2.2 生物量预估模型研究进展 |
| 1.2.3 树干削度及方程研究进展 |
| 1.2.4 影响木材干形要素研究进展 |
| 1.2.5 森林景观质量预测模型研究进展 |
| 1.2.6 直径分布模型研究进展 |
| 1.3 国内外森林经营规划研究进展 |
| 1.3.1 森林规划系统 |
| 1.3.2 规划目标及变迁 |
| 1.3.3 规划策略设置及选择 |
| 1.3.4 经营规划约束条件 |
| 1.4 Forest simulator模拟系统研究进展 |
| 1.4.1 系统发展历程 |
| 1.4.2 系统工作流程 |
| 1.4.3 系统模块分布 |
| 1.5 经营模拟存在的主要问题 |
| 1.6 研究内容 |
| 1.7 技术路线 |
| 2 研究区概况与研究方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候条件 |
| 2.1.3 土壤条件 |
| 2.1.4 植被概况 |
| 2.1.5 社会经济概况 |
| 2.1.6 森林资源概况 |
| 2.2 研究方法 |
| 2.2.1 GIS几何测定法 |
| 2.2.2 削度方程法 |
| 2.2.3 非线性混合效应模型 |
| 2.2.4 非线性模型构建 |
| 2.2.5 数据收集与整理 |
| 2.2.6 模型检验及优劣评价 |
| 3 树干生长过程与统计分析 |
| 3.1 树干生长过程分析 |
| 3.1.1 胸径生长过程 |
| 3.1.2 树高生长过程 |
| 3.1.3 材积生长过程 |
| 3.2 直径统计方法比较分析 |
| 4 生长与收获基础模型构建 |
| 4.1 冠高模型 |
| 4.1.1 冠高定义及模型表达式 |
| 4.1.2 冠高数据准备 |
| 4.1.3 冠高模型拟合及检验 |
| 4.2 树干削度方程 |
| 4.2.1 基础表达式选择 |
| 4.2.2 基础模型改进 |
| 4.2.3 削度方程因变量结构选择 |
| 4.2.4 随机效应参数估计值策略与选择分析 |
| 4.3 直径分布模型 |
| 4.3.1 Weibull分布模型及参数估计 |
| 4.3.2 三参数Weibull分布函数改进 |
| 4.3.3 二参数Weibull分布函数改进 |
| 4.3.4 直径分布模型分析 |
| 4.4 树高曲线模型 |
| 4.4.1 模型的选择 |
| 4.4.2 最佳模型的确定 |
| 4.5 冠幅模型 |
| 4.5.1 模型选择及拟合 |
| 4.5.2 模型检验 |
| 4.6 带皮与去皮直径树皮厚度及其与树高关系模型 |
| 4.6.1 带皮直径与去皮直径的关系模型 |
| 4.6.2 树皮厚度与树干高度关系模型 |
| 4.7 算术平均胸径和林分平均胸径的关系 |
| 4.7.1 算术平均胸径和林分平均胸径模型拟合 |
| 4.7.2 算术平均胸径和林分平均胸径模型检验 |
| 4.8 株数动态模型 |
| 4.8.1 未来林木株数预测模型拟合 |
| 4.8.2 未来林木株数预测模型检验 |
| 4.9 立地质量评价模型 |
| 4.9.1 地位指数表编制 |
| 4.9.2 地位指数曲线模型 |
| 4.10 林分密度模型 |
| 4.10.1 最大密度林分方程N-Dg |
| 4.10.2 林分密度指数 |
| 4.11 胸高形数与实验形数模型 |
| 4.11.1 胸高形数 |
| 4.11.2 实验形数 |
| 4.12 胸径生长模型 |
| 4.12.1 基础模型选择 |
| 4.12.2 模型再次参数化 |
| 4.12.3 模型拟合及评价 |
| 4.12.4 模型检验 |
| 5 生长与收获基础模型耦合 |
| 5.1 单木生长与收获模型 |
| 5.1.1 单木树高生长模型 |
| 5.1.2 单木断面积生长模型 |
| 5.1.3 单木材积生长模型 |
| 5.2 林分生长与收获模型 |
| 5.2.1 林分平均胸径生长模型 |
| 5.2.2 林分平均树高生长模型 |
| 5.2.3 林分断面积生长模型 |
| 5.2.4 林分蓄积量生长模型 |
| 6 多功能模型构建 |
| 6.1 二元材积方程 |
| 6.1.1 模型表达式结构 |
| 6.1.2 模型参数的确定 |
| 6.1.3 模型检验 |
| 6.2 生物量方程 |
| 6.2.1 立木生物量基础方程选取 |
| 6.2.2 单木生物量模型改进 |
| 6.2.3 林分生物量模型改进 |
| 6.2.4 树干生物量模型 |
| 6.2.5 生物量通用模型优势分析 |
| 6.2.6 单株生物量预估参数比较 |
| 6.2.7 削度生物量方程积分系统构建 |
| 6.3 景观质量预测模型 |
| 6.3.1 单木景观质量与林分景观质量关系 |
| 6.3.2 景观质量与调查指标关系 |
| 6.3.3 林分景观质量随郁闭度和林分平均直径变化规律 |
| 6.3.4 不同模型结果对比 |
| 7 生长过程与多功能经营模拟 |
| 7.1 系统模拟基础设置 |
| 7.1.1 系统模拟条件设置 |
| 7.1.2 系统模拟数据选择 |
| 7.2 不同经营措施样地数据模拟 |
| 7.2.1 不同林龄下林分参数模拟 |
| 7.2.2 不同间伐强度比设置下林分模拟 |
| 7.2.3 不同间伐方式设置下林分模拟 |
| 7.2.4 不同立地质量设置下林分模拟 |
| 7.2.5 含有更新模型设置下林分模拟 |
| 7.3 不同初植密度随机数据模拟 |
| 7.3.1 林分平均直径随初植密度变化 |
| 7.3.2 林分平均树高随初植密度变化 |
| 7.3.3 林分平均蓄积量随初植密度变化 |
| 7.3.4 林分平均生物量随初植密度变化 |
| 7.3.5 林分平均景观质量随初植密度变化 |
| 7.3.6 林分平均株数密度随初植密度变化 |
| 7.4 杉木林分最佳经营模式模拟 |
| 7.4.1 林分直径分布结构随林龄变化 |
| 7.4.2 林分平均直径随林龄变化 |
| 7.4.3 胸径树高曲线随林龄变化 |
| 7.4.4 林分平均树高随林龄变化 |
| 7.4.5 林分平均蓄积量随林龄变化 |
| 7.4.6 林分平均生物量量随林龄变化 |
| 7.4.7 林分平均景观质量随林龄变化 |
| 7.4.8 林分平均株数密度随林龄变化 |
| 7.4.9 林分年采伐蓄积量随林龄变化 |
| 7.5 生长过程与经营模拟效果评价与技术分析 |
| 7.5.1 国内外分析对比 |
| 7.5.2 杉木林分质量精准提升途径 |
| 7.5.3 景观尺度多数据融合经营规划 |
| 8 结论、创新点与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 8.3.1 模型改进升级 |
| 8.3.2 研究对象多类 |
| 8.3.3 景观数据融合 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 个人成果清单 |
| 致谢 |
（9）光谱化学计量分析方法及其在舌诊的应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 近红外光谱分析技术概述 |
| 1.1.1 近红外光谱分析技术的原理 |
| 1.1.2 近红外光谱分析技术的过程 |
| 1.1.3 近红外光谱分析技术的特点 |
| 1.1.4 近红外光谱分析技术的应用与前景 |
| 1.2 化学计量学概述 |
| 1.2.1 化学计量学的起源与发展 |
| 1.2.2 化学计量学方法在近红外光谱分析中的必要性 |
| 1.2.3 影响校正模型建立的主要因素 |
| 1.3 光谱法舌诊的研究意义与现状 |
| 1.3.1 光谱法舌诊的研究意义 |
| 1.3.2 光谱法舌诊的研究现状 |
| 1.4 本文的研究目的与意义 |
| 1.5 本文的主要研究内容与结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文结构安排 |
| 第二章“M+N”理论及光谱法舌诊用于血清胆红素无创检测的可行性验证 |
| 2.1 近红外光谱分析中常用的化学计量学方法 |
| 2.1.1 光谱预处理方法 |
| 2.1.2 多元校正方法 |
| 2.1.3 校正模型的评价参数 |
| 2.2 提高校正模型预测能力的策略——“M+N”理论 |
| 2.2.1“M+N”理论概述 |
| 2.2.2“M+N”理论的实施步骤 |
| 2.2.3 小结 |
| 2.3 非目标组分用于提高校正模型预测能力的方法 |
| 2.3.1 引言 |
| 2.3.2 理想三组分模型的构建 |
| 2.3.3 各组分浓度分布的设计 |
| 2.3.4 偏最小二乘回归建模与预测 |
| 2.3.5 结果与讨论 |
| 2.4 光谱法舌诊用于血清胆红素无创检测的可行性验证 |
| 2.4.1 引言 |
| 2.4.2 光谱数据采集与预处理 |
| 2.4.3 偏最小二乘回归建模与预测 |
| 2.4.4 结果与讨论 |
| 2.5 小结 |
| 第三章 光源电压用于提高校正模型预测能力的方法 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 实验装置的搭建 |
| 3.2.2 变电压光源光谱的采集 |
| 3.2.3 变电压光源光谱的预处理 |
| 3.3 光源电压变化对光谱定量分析的影响 |
| 3.3.1 理想三组分模型的构建 |
| 3.3.2 变电压光源光谱的引入 |
| 3.3.3 光源电压变化对预测精度的影响 |
| 3.3.4 校正模型的构建与结果分析 |
| 3.4 小结 |
| 第四章 温度用于近红外光谱定量分析的方法 |
| 4.1 引言 |
| 4.2 光谱数据采集与预处理 |
| 4.2.1 材料与样本的准备 |
| 4.2.2 温度控制与光谱测量 |
| 4.3 理论与方法 |
| 4.3.1 光谱数据的排列与组织 |
| 4.3.2 温度导致光谱变化的计算 |
| 4.4 结果与讨论 |
| 4.4.1 TSVC与归一化温度平方项之间的定量关系 |
| 4.4.2 校正曲线的建立 |
| 4.4.3 校正曲线的验证与组分的定量分析 |
| 4.5 小结 |
| 第五章 SPXYZ校正模型样本选择的方法 |
| 5.1 引言 |
| 5.2 理论方法 |
| 5.2.1 随机抽样法 |
| 5.2.2 Kennard-Stone方法 |
| 5.2.3 SPXY方法 |
| 5.2.4 SPXYZ方法 |
| 5.3 实验部分 |
| 5.3.1 数据集 |
| 5.3.2 评估标准 |
| 5.4 结果与讨论 |
| 5.4.1 三元混合物光谱数据集的结果与讨论 |
| 5.4.2 玉米样本光谱数据集的结果与讨论 |
| 5.5 小结 |
| 第六章 基于WP-mUVE-LSSVM方法光谱法舌诊的临床应用 |
| 6.1 引言 |
| 6.2 理论与算法 |
| 6.2.1 小波分频-改进UVE方法 (WP-mUVE) |
| 6.2.2 最小二乘支持向量机 (LSSVM) |
| 6.2.3 WP-mUVE-LSSVM方法 |
| 6.3 实验部分 |
| 6.3.1 实验装置的搭建 |
| 6.3.2 样本的收集与光谱数据的采集 |
| 6.4 光谱数据预处理与校正模型构建 |
| 6.4.1 用于糖尿病快速筛查的光谱数据预处理与校正模型构建 |
| 6.4.2 用于血糖无创检测的光谱数据预处理与校正模型构建 |
| 6.5 结果与讨论 |
| 6.5.1 不同预处理方法的结果对比 |
| 6.5.2 校正模型不同核函数的结果对比 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 论文完成的主要工作与结论 |
| 7.2 论文研究的创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）广义翁氏模型（Weng Cycle Model）参数估计方法及其在医药学中的应用（论文提纲范文）
| 英汉缩略语名词对照 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 第一部分 翁氏模型简介 |
| 第二部分 广义翁氏模型简介 |
| 第三部分 基于非线性模型的近似回归法求解广义翁氏模型的参数的估计方法 |
| 1 基于非线性模型的近似回归法求解广义翁氏模型的参数的估计方法 |
| 2 求解广义翁氏模型的参数的估计方法 |
| 第四部分 广义翁氏模型在传染病流行趋势预测中的应用 |
| 1 引言 |
| 2 在中国艾滋病发病趋势预测中的应用 |
| 3 在中国梅毒发病趋势预测中的应用 |
| 4 在中国流行性出血热发病趋势预测中的应用 |
| 5 在儿童手足口病疫情预报中的应用 |
| 第五部分 广义翁氏模型在药物动力学中的应用 |
| 1 引言 |
| 2 基于广义翁氏模型构造药动学模型实例 |
| 讨论 |
| 参考文献 |
| 文献综述 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文 |
四、非线性生物模型回归参数计算的一个新方法及应用（论文参考文献）
- [1]基于光电容积脉搏波的全身麻醉镇痛水平监测的研究[D]. 陈婉琳. 浙江大学, 2021(01)
- [2]电磁层析成像图像重建中的智能成像研究[D]. 王亚东. 北京交通大学, 2021(02)
- [3]基于粒子群优化与相关向量机的岩土体非线性行为预测[D]. 邝贺伟. 桂林理工大学, 2021(01)
- [4]基于神经网络的东方超环等离子体平衡参数实时评估与预测研究[D]. 朱子健. 中国科学技术大学, 2020(01)
- [5]计算机科技论文摘要的机翻错误类型及译后编辑[D]. 付茜雯. 大连理工大学, 2020(06)
- [6]多平台多源遥感测树因子提取技术与方法研究[D]. 杨立岩. 北京林业大学, 2018(04)
- [7]人脸识别关键技术研究[D]. 侯晓楠. 上海交通大学, 2017(05)
- [8]杉木人工林生长模型与多功能经营模拟研究[D]. 梅光义. 北京林业大学, 2017(04)
- [9]光谱化学计量分析方法及其在舌诊的应用[D]. 李哲. 天津大学, 2016(11)
- [10]广义翁氏模型（Weng Cycle Model）参数估计方法及其在医药学中的应用[D]. 王婷. 重庆医科大学, 2013(03)