一、用高斯曲线构造生物新模型（论文文献综述）
李静[1]（2021）在《毒株蛋胚图像识别方法研究》文中提出疫苗接种在预防流感中起着重要的作用,相较于化学药物是更经济、有效的防控手段。疫苗制备中需要对蛋胚的质量与成活性进行检测,剔除活性低和损坏的蛋胚,避免疫苗在制备中受到损坏蛋胚的污染,降低疫苗的质量。随着图像识别技术的发展,传统的人工检测显现出一定的弊端,毒株蛋胚的成活性检测和机器视觉相结合的研究逐渐增多。本文以孵化期不同形态的毒株蛋胚图像为研究对象,分别从传统图像识别方法和基于卷积神经网络的方法对蛋胚图像进行识别,主要内容包括:（1）数据集的准备。对采集到的毒株蛋胚图像进行筛选,保留图像中出现蛋胚的样本。针对样本数量不足和类别不平衡的问题,采用翻转、旋转、色彩抖动的数据增强的方式对样本数量进行扩增,按比例划分训练集和测试集。（2）健活胚和失活胚的区别在于感兴趣区域是否含有丰富的血管纹路。本文在传统图像识别方法研究中,基于匹配滤波对图像进行分割,引入血管的骨架曲率特征。提取骨架曲率和面积占比描述形状特征,与基于灰度共生矩阵的纹理特征进行融合,并探究不同融合特征在蛋胚图像测试集的识别准确率。实验证明,基于融合特征的方法相比其它单一特征的识别准确率有所提升,其中比仅使用形状特征、纹理特征的平均准确率分别提高了 2.0%、11.33%,且失活样本的准确率提高了 3%。（3）针对基于卷积神经网络的毒株蛋胚图像二分类和多分类方法进行研究,对比了CaffeNet、VGG-16两种模型的实验结果,采用更适用于小数据集训练的网络模型CaffeNet进一步研究。对网络中出现的过拟合现象和模型泛化能力下降的问题,以数据增强为辅助方法,在模型训练中引入迁移微调策略,在本文数据集上提升网络的性能。不管是对图像的二类识别还是五类识别,使用微调CaffeNet模型以及图像增强后使用微调CaffeNet模型,测试集准确率都得到提高,二类蛋胚与五类蛋胚的识别精度分别达到了 98.65%、94.0%。
李昶[2]（2020）在《基于U-Net网络的医学图像分割算法研究》文中进行了进一步梳理随着医学成像技术的发展进步,医学影像的分辨率不断提升,出现了 CT、PET-CT、MRI等多种高清的成像方式。同时医学图像的分割也迎来了新的挑战,由于人体器官结构复杂性的影响,医学图像具有复杂的多样性和差异性,分割难度较大。传统的变分水平集方法具有拓扑结构灵活多变、曲线演化能量配置方案便利、数值求解方法简便有效的优点;U-Net网络具有网络拓扑结构简洁、训练集数据需求小等优点。这两种方法因此被广泛应用于医学图像分割领域。但是在分割过程中,变分水平集存在对初始轮廓和演化控制参数敏感而导致泛化能力不足,曲线演化驱动力仍可优化的问题;U-Net也存在分割结果边缘丢失,网络训练时间长,应用场景单一等问题。尽管目前这两种算法已经发展较为成熟,提出了许多优化方案,但是如何优化分割过程,使其快速有效地得到分割结果,仍是一个需要探索的问题。本文以经典变分水平集算法和U-Net网络为基础,对上述问题进行了研究,具体工作如下:（1）针对U-Net网络分割结果容易丢失边缘,变分水平集对初始轮廓位置敏感的问题,提出结合两种模型优点的新模型。U-Net网络分割结果能够保证变分水平集的初始轮廓尽量贴合边界,基于边缘信息的变分水平集算法能够进一步优化分割结果。实验结果表明,U-DRLSE模型的分割精度高,结果较为鲁棒。（2）针对U-Net网络应用场景单一的问题,将U-Net网络应用于FiCD（神经纤维连接）流程中,利用U-Net分割结果精准,分割速度快的优点,加快了 FiCD多组间比较的进程。
汪浩文[3]（2020）在《基于混合神经网络的中文命名实体识别研究》文中研究说明命名实体识别（Name Entity Recognition,NER）是自然语言处理的基础任务,目的是在未处理过的原始文本中标注出所需的具有特定意义的实体。命名实体识别是将非结构化的文本数据转换为结构化数据的关键步骤和技术手段之一,在自动问答、信息检索和关系抽取等任务中都有关键作用。因此对命名实体识别的研究有着重要的意义。随着深度学习的发展,英文命名实体识别技术近几年有着显着的进步。但中文有着自身的特点,相对于英文文本也更为复杂。因此,中文命名实体识别还有着一些尚未解决的难点,其主要包括为:（1）中文句式结构复杂且经常存在一词多义的情况,同样的汉字和词语在不同位置和语句中有不同的意义,现有的以英文命名实体识别模型为基础所改进的中文命名实体识别模型无法有效的针对全局上下文进行建模和特征提取,从而对同型不同义的词区分。（2）中文文本缺少词分隔符,基于词级别输入的模型需要解决中文分词问题,基于字级别的输入则会缺少单词的边界信息及词义信息,这增加实体识别的难度。（3）在网络文本为主的一些语料数据中,存在着一些未登录词,这给命名实体识别任务增加了不小难度。此外,目前的命名实体识别模型在解码层大多使用CRF机器学习算法,虽然能解决部分语法问题但特征提取效果差,维特比算法执行效率低。鉴于中文命名实体识别任务的上述难点,本文将针对中文语言自身的特性,提出一种混合神经网络中文命名实体识别模型。其没有使用传统的时序模型进行建模,而是将所有输入通过自注意力进行特征提取,并提出了基于多元卷积解码与二分类模型训练方法。同时,提出了以“位置意识传播”为基础的字编码方法和中文分词联合学习模型。本文的主要创新点及贡献有:1.提出一种基于完全自注意力机制的编码方式。每一个字或词的向量表示都经过注意力机制关联到整个句子,通过对所有位置上的字或词打分决定权重的分配,得到句子中最需要被关注的位置信息。解决了目前方法使用时序模型的弊端,使每个位置的编码向量都融合了全句的上下文信息,有效解决了汉字和词语的歧义问题。其相对时序神经网络模型参数更少,推断速度更快。2.提出一种多元卷积解码方式,该方法可以在解码过程中有效的关注到中文命名实体识别的特性,通过n-gram的二维卷积解码,将当前位置词与周围词相关联,提升解码效率的同时对前后单词的逻辑进行特征抽取。并采用与实体类别相同卷积核个数,能更有效的针对当前的命名实体识别任务从标签维度上提取有效特征。并且在训练模型时对每个卷积核使用二分类判断,更有效提升模型的训练针对性。3.针对基于以“汉字”为序列输入的命名实体识别模型,提出了一种基于“位置意识传播”的字编码机制,并采用了高斯核函数对其进行实现。在训练阶段与分词任务进行联合学习。该方法弥补了缺少词边界信息的问题。本文基于1998年人民日报语料PFR,微软提供的语料MSRA以及众包生成的某机构网页信息内容语料Boyue进行中文命名实体识别测评,对本文提出的模型进行框架和参数优化,以及与多个机器学习模型和近些年取得较好效果的中文命名实体模型进行对比实验。试验结果表明,本文提出的方法行之有效,相比一些现有的中文命名实体识别方法在一些方面有所提升。
刘天娇[4]（2019）在《基于遥感物候与数据挖掘算法的水稻重金属胁迫识别研究》文中进行了进一步梳理土壤重金属污染会对农作物的生长产生胁迫,由此带来日益严重的粮食安全问题,因此,快速精确的识别农作物的重金属胁迫具有重要的现实意义。遥感具有客观、实时、动态、多光谱等特征,成为作物重金属胁迫研究的有力工具。本文在前人研究的基础上,运用机器学习方法,从遥感物候的角度研究水稻重金属胁迫。选取湖南省株洲地区受重金属污染的水稻田作为实验区,采集水稻多个关键生长期的叶面积指数（LAI）数据、重金属含量数据和气象数据,并获取环境与灾害监测小卫星CCD影像、Landsat 7 ETM+影像、Landsat 8 OLI影像和MOD09A1产品。基于遥感物候学和数据挖掘算法,探讨了水稻重金属胁迫的识别方法,实现了研究区水稻重金属胁迫水平的分类。主要工作和结论如下:（1）基于遥感植被指数时间序列分析,结合农学规律和求导运算,提取水稻关键物候期。结果表明当水稻生长受到重金属胁迫时,水稻的物候会发生变化,而且,不同的重金属胁迫水平对物候的影响程度不同。针对单一物候指标区分重金属胁迫水平精度较低的问题,设计了一种新型遥感物候指标建立的方法,深入挖掘时间序列中的物候信息,提取对重金属胁迫更加敏感的物候指标,提高了重金属胁迫水平的识别精度。（2）水稻根系是直接接触土壤中重金属元素的部位,其受重金属毒害的程度比茎、叶等其他器官更大。本文根据提取的关键物候期,设置WOFOST作物生长模型中的物候参数,并确定同化的时相,实现了其与遥感数据的同化,得到水稻根系干重的变化。通过比较不同重金属胁迫下水稻根系干重的曲线,发现在抽穗期,不同胁迫水稻的根部干重相差较大,故选取抽穗期的根部干重作为识别重金属胁迫敏感的生物学特征。（3）将上述研究获得的物候指标与根部干重作为遥感识别重金属胁迫的高维特征集,并设计了一种特征优选的策略。结果表明,与原始高维特征集相比,依据筛选的最优特征子集,对重金属胁迫水平的分类精度提高了1%。（4）依据集成学习的思想,对随机森林（RF）和梯度提升（GB）算法进行集成,基于最优特征子集,训练集成分类模型,实现重金属胁迫水平的分类。结果表明,集成模型能够实现重金属胁迫水平的精确分类,整体分类精度达到98%以上,比单独应用随机森林或梯度提升算法提高了2%-3%。
陈孟元[5]（2019）在《移动机器人仿生SLAM算法研究》文中指出移动机器人在未知环境中如何实现对自身位置的实时定位以及对环境认知地图的构建一直是困扰机器人同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）研究中的两个关键问题。基于传统数学概率方法的SLAM研究,受算法自身缺点和传感器精度的限制不能被广泛应用。视觉SLAM（Visual SLAM,VSLAM）将相机作为外部视觉传感器,通过对相机获取的环境图像信息进行特征提取、描述与匹配来实现对机器人位姿信息的推算,在此基础上完成环境认知地图的构建。与传统的SLAM方法相比,VSLAM以其较好的实时性和闭环检测功能成为近些年来SLAM方向研究的热点。本文以鼠脑细胞导航的仿生SLAM模型为基础,针对移动机器人学习和认知环境过程中的存在的光线角度变化和突发障碍物问题提出改进方法。针对SLAM问题中传统概率算法存在计算量大、复杂度高、易陷于局部最优解等问题,本文将鼠类脑细胞中局部场景细胞（View cells）、网格细胞（Grid cells）、位姿细胞（Pose cells）等具有定位导航功能的细胞应用于SLAM研究中,分别研究各细胞的相互关系以及对SLAM的影响,围绕局部场景细胞、位姿细胞和网格细胞的模型,建立一种基于多细胞导航机制的GVP-SLAM（Grid cells+View cells+Pose cells-SLAM,GVP-SLAM）并构建认知地图,在此模型基础上添加一种基于特征参数和方向参数的动态增长自组织特征图（Dynamic Growing Self-Organizing Feature Map,DGSOM）神经网络模型,并将此神经网络模型应用于提出的GVP-SLAM模型中。选择多种传感器搭建实验平台,验证GVP-SLAM模型的可行性和有效性。多细胞导航机制的GVP-SLAM模型通过局部场景细胞在环境中学习独特场景,通过头方向细胞和位置细胞以及相互关联的竞争型神经网络形成位姿细胞表征当前位置,局部场景细胞和位姿细胞协同完成拓扑化的认知地图。基于SURF特征匹配算法对旋转、尺度变换与亮度保持不变性,减少了认知地图构建过程中错误认知点进而提高场景特征点匹配率。借鉴网格细胞场景重定位机制和闭环检测算法,避免光线角度变化对SLAM的影响,提高了定位精度。提出的DGSOM神经网络模型通过加入特征点避免图的混淆,通过加入运动方向减小学习量。融合加速度计和陀螺仪更精准地实现对移动机器人运动过程中速度和角速度的测量,避免基于局部场景细胞在突发障碍物影响下的判别失效;融合激光测距仪实现移动机器人对突发障碍物的快速检测和实时避障。本文将生物学概念引入传统的SLAM模型,并形成数学建模、软件仿真与实验验证一体化循序渐进的研究体系,利用鼠类混合细胞和神经网络衍生出的数学模型分析系统的鲁棒性和实时性,为移动机器人SLAM研究领域多样化提供重要的理论参考。
张明飞[6]（2018）在《地下水位变动诱发地铁隧道变形机理及其与地铁隧道相互影响研究》文中提出地下水抽取诱发的地下水位-沉降漏斗不仅威胁着经济社会的健康发展,也对地铁隧道等地下建（构）筑物产生重大影响。本文以典型地铁工程建设密集区域-长江三角洲南部地区为研究区,综合采用理论分析、数值模拟、模型试验和现场试验等手段,深入研究了地下水位变动诱发地铁隧道的变形机理及其与地铁隧道相互影响。主要结论如下:（1）在充分调研长江三角洲南部地区地下水抽取-地面沉降发生规律的基础上,采用正弦函数、等比函数和对数函数表示出五种典型长三角南部地区水位变动模式,并给出了正弦函数的周期ω与波幅?h、等比函数的公比q等关键拟合参数。（2）基于稳态贯入探头周围流体沿圆柱面径向渗流条件以及初始孔压负指数分布形式,提出了基于改进圆柱面径流模型。通过长江三角洲7个场地的实测数据,采用常规定性和定量分析方法以及提出的相对误差指数和误差累计曲线方法,对不同经典方法进行对比,结果表明,Elsworth和Chai方法大大低估了土体的渗透系数,本文方法是较为可靠的长三角沉积土渗透系数确定方法。考虑到经典理论分析方法曲线形态及不排水与部分排水边界线的选择均具有一定程度主观性,提出了圆弧、抛物线或椭圆三种渗透系数预测经验曲线,并通过变量个数和统计指标的对比,得到最佳经验预测曲线为椭圆线。（3）采用室内大型模型试验进行了水位持续上升或下降工况条件下的隧道变形受力分析,结果表明,相同条件下,漏斗中心的最大沉降量(Smax)/隆起量(Lmax)的值在25之间,与回弹模量（Er）/弹性模量（E）接近。采用考虑流固耦合的三维数值模拟手段,阐明了五种典型地下水位变动工况（工况1近似等幅波动、工况2持续波动下降、工况3小幅波动上升工况、工况4小幅波动下降和工况5持续波动上升）条件下的土体和隧道受力变形规律,结果表明:漏斗中心线上的土体变形,随着埋深的增加先增大后减小,在埋深15m20m时取得最大值,埋深25m的隧道变形比地面变形大9.4%左右。沿着纵向的隧道竖向变形、轴力和弯矩基本满足修正高斯曲线。沿着纵向的隧道水平变形呈三次曲线向两端先增大后减小,恰好在反弯点附近取得最大值。在五种工况中,持续波动下降的工况2对隧道的影响最大。（4）将工程性降水引起的附加应力分布形式简化为梯形,基于Mindlin解,结合两阶段分析法,提出了土体和隧道变形的解析解,结果表明:理论解析与数值模拟的得到的隧道变形相差10%左右。隧道纵向弯矩受接触系数和作用力宽度的影响较大,而受土体弹性模量、隧道埋深和作用力埋深的影响较小。隧道横向弯矩受作用力深度、接触系数和偏心率的影响较大,而受弹性模量和隧道埋深的影响较小。（5）假设地下阻隔物显着影响区的水头高度变化形态为直线或抛物线,推导了五种线性地下结构物对渗流场阻挡作用的理论解析公式,利用模型试验和数值模拟方法,对提出的五种地下结构物对渗流场阻挡作用解析公式进行对比,并分析了含水层类型、参数以及空间位置关系对阻挡作用的影响。结果表明:解析公式中,公式4和5具有更好的准确性和简洁性。含水层类型对阻挡作用影响有限,阻隔物位于潜水中产生的阻挡作用比承压水中小,并随着阻隔物插入深度的增加,差距逐渐增大。阻隔物的渗透系数kb及其下方土体的渗透系数kbs对阻挡作用影响较大,而土体渗透系数对它的影响较小。空间位置对它的影响也不大。
陈记华[7]（2018）在《家禽养殖多光谱光照技术研究》文中进行了进一步梳理影响家禽生长的环境因素有很多,其中光照是重要的影响因素之一,随着家禽养殖的规模化、机械化、集约化的发展,合理的光照对家禽养殖效率的整体提升具有决定性的作用。传统的家禽养殖方法中,缺乏对光照的有效管理控制。随着科学技术的发展,人们开始注重对科学的养殖方法的研究,很多中大型家禽养殖用户引入了家禽养殖补光技术,但是侧重的是对光照强度和光照周期的控制,常常忽略了光照光谱的考虑或者考虑不足。新一代半导体光源为工业化家禽养殖带来了前所未有的照明方法,因其高效节能环保的特点已被广泛利用,但因其光谱的不连续性,对家禽养殖的光照生物性具有很大的影响。本文依据家禽生长对光谱的要求,通过对光谱合成技术的研究解决新光源的频谱合成问题。首先对单色LED光谱拟合的理论和可行性进行了分析,针对经典LED光谱拟合模型存在的不足,本文对高斯模型进行了改进,采用一种经过修正的非对称高斯模型设计了一种基于最小二乘法的高斯拟合算法。为了提高合成家禽眼睛光敏感曲线的精度,本文采用LM（Levenberg-Marquardt）算法进行优化求解,通过仿真证明了LM算法优化求解的得到的曲线合成精度更高。其次为了尽可能的较少合成的LED的种类和数量,本文采用白光LED补偿技术,通过带宽较宽的白光LED代替部分窄带宽的单色LED,仿真结果证明,在一定范围内,白光LED补偿技术不仅保证了一定的合成精度,同时减少了合成的单色LED的种类和数量,为工程实践研究提供了支持。最后根据理论仿真的数据,选取几种不同波长的LED设计了7W家禽养殖光照光源,进行了家禽养殖多光谱光照实验,进一步验证了家禽养殖多光谱光照技术的可行性。
李雪芳[8]（2015）在《储氢系统意外氢气泄漏和扩散研究》文中研究表明能源短缺和环境污染是当前世界范围内所面临的两个重大问题。作为一种清洁、可再生的二次能源,氢能被认为是未来最具有应用前景的替代能源之一。然而,在氢能的大规模商业化应用之前,必须充分研究氢气在生产、运输和储存等各个环节中的安全问题以增强决策者的信心和消除公众的疑虑。研究氢气意外泄漏和泄漏后氢气在空气中的扩散,对于制定相关的安全规范和标准具有重要的意义。本文针对意外氢气泄漏问题展开了一系列实验、理论和数值模拟研究。搭建了平面激光瑞利散射（PLRS）实验系统以可视化地测量氢气泄漏射流的浓度场,同时还建立了使用微型热导计测量氦气浓度的氦气泄漏实验系统。实验研究了不同流量下的亚声速射流和不同实验条件下的高压欠膨胀射流。氢气和氦气的浓度测量结果都表明射流气体沿轴向的质量分数衰减符合双曲线衰减规律,而径向质量分数分布可以用高斯曲线来表示,同时也验证了射流气体浓度分布的自模性。建立了透射式纹影实验系统,拍摄了高压欠膨胀氢气射流所产生的激波图像,并测量了马赫盘的位置、直径和边界层厚度等激波结构的特征尺寸。测量结果表明,上述激波结构的特征尺寸均与喷嘴直径和压力比的平方根成正比。以往用来计算低压泄漏的传统积分模型中所使用的经验系数都来自于早期的水和空气射流的实验数据,所以并不适于直接用来计算氢气射流。本文利用氢气泄漏浓度场的实验测量数据,重新确定了模型中的重要经验系数。在此基础上,结合适当的虚喷管模型和改进的积分模型,建立了计算高压欠膨胀氢气射流的理论模型。通过与实验结果的比较说明,本文的理论模型可以准确地计算氢气射流的浓度场。最后对不同实验条件下的亚声速射流和高压欠膨胀射流进行了数值模拟研究。数值模拟的结果与实验结果一致,说明了数值模拟中所使用的计算网格和湍流模型等都是合理的。针对高压欠膨胀氢气射流模拟计算不稳定且需要耗费大量计算资源的问题,利用激波特征结构尺寸的测量数据并结合射流的质量、动量和能量守恒方程,建立了计算高压泄漏的两区域模型以简化数值模拟。使用简化模型的数值模拟在保证计算准确性的前提下,大大提高了计算效率。
孙友强[9]（2014）在《时间序列数据挖掘中的维数约简与预测方法研究》文中研究说明时间序列数据是一种常见的数据形式,广泛存在于各种现实应用中。相应地,利用数据挖掘技术从时间序列中发现其中蕴含的信息和知识也成为了研究的热点,其研究成果在金融、工业、农业、医药、气象、交通、计算机网络等领域取得了成功的应用。然而不同于传统静态数据,时间序列数据通常具有时序性、数量大、维数高、特征多等特性。因此,研究如何有效地通过时间序列数据挖掘技术来处理和分析时间序列数据具有重要的意义。本文以时间序列数据为研究对象,针对时间序列的高维特性,主要研究时间序列的维数约简技术,包括特征提取方法与特征表示方法。从时间序列的应用角度出发,主要研究时间序列的预测方法,包括单变量时间序列的预测与多变量时间序列的预测。时间序列的特征提取是通过选择数量较少且反映原序列主要信息的特征子集实现维数约简的技术。针对时间序列的时序特性,本文提出了一种基于因果关系挖掘的多变量时间序列特征提取方法。该方法是一个二维的特征提取,即不仅提取出特征变量,也提取特征变量的有效滞后期。同时,利用Granger因果关系挖掘的因变量及滞后期所组成的特征子集对结果也有较好的因果解释性。时间序列的特征表示是将高维的时间序列数据转换为低维表示并尽可能保留原始时间序列的特征信息。针对传统符号表示方法中只根据均值特征描述原始时间序列可能造成信息丢失的不足,本文提出了基于趋势距离的时间序列符号聚集近似表示方法,并构造了满足距离下界性的距离度量。首先提出了基于序列段起点值和终点值的趋势距离度量方法来量化不同趋势的差异,然后把趋势因素集成到原符号聚合近似表示方法中,实现利用均值特征和趋势特征共同表示原始时间序列。单变量时间序列预测是利用时间序列自身的历史值来预测未来的数据。针对传统的基于自回归滑动平均模型的预测模型建立后不能更新最新时间序列信息的不足,本文通过将自回归滑动平均模型的差分方程形式与传递形式结合,构建了一种预测值实时自修正的预测模型。新的预测模型会包含新的观测值的影响,从而提高预测的精度并减少运算量。多变量时间序列预测是利用多个变量时间序列对目标时间序列进行预测。本文的预测方法首先利用基于因果关系挖掘的特征提取方法对多变量时间序列进行特征选择,然后使用支持向量回归对目标序列进行预测。特征提取过程中剔除冗余变量和无关变量,从而达到降低支持向量回归的输入维数并提升预测准确率的效果。
牛奉高[10]（2014）在《数字文献资源高维聚合模型研究》文中指出科学实验数据、统计数据、元数据、……,我们已被“大数据”“包围”；自然信息、社会信息、新生的信息、老化的信息、……,我们处在信息的“海洋”之中。然而,我们又苦于难觅想要的知识。国家对信息资源建设的推动、互联网应用的普及和检索技术的提高都为知识获取和知识服务提供了莫大的便利：检索系统为我们提供了搜寻的手段,互联网为检索提供了更大的平台,数据融合、信息资源整合为检索提供了更多的内容,但仍然是疲于应对信息的快速增长。随着信息资源建设的不断完善,资源聚合将成为数据融合、资源整合等研究的延伸,不断实现知识发现的功能。整合更全面的信息资源,在融合的基础上进行筛选,然后进行面向知识的挖掘、发现和推荐服务,这或许成为未来信息资源聚合的一种范式。本文以数字文献资源为对象,本着在信息资源聚合中减少对背景知识的依赖性,便于推广应用的宗旨,提出了基于文献集本身或者相关领域的共现信息而实现文献聚合的共现潜在语义向量空间模型（Co-occurrence Latent Semantic Vector Space Model,简记为CLSVSM）。学术界针对文献或文本聚类问题,主要有两类解决思路,一种是文献表示模型的改进,一种是算法的改进。传统的算法对高维稀疏的向量聚类存在不足,一些新的算法也不尽完美,更主要的是聚类算法的效果与数据本身的特征以及信息提取和表示密切相关,特别是在信息有限的情况下,聚类算法的优势也不能得到完美发挥,相比之下,信息的挖掘、提取和文献向量表示就尤为重要。在本文仅限于元数据甚至只有关键词的前提下,文献的表示向量相比一般文本表示就表现得非常稀疏,面对这种情形聚类算法即使是“巧妇”也“难为无米之炊”,因此,本文的重点突破是文献主题语义信息的提取、度量和文献高维向量的新表示方法。CLSVSM模型就是在这种情形下提出的,而且通过实验证实基于CLSVSM的文献聚类表现比基于VSM模型和GVSM模型好。本文是面向实际应用的理论和方法研究,全文共7章,除去“引言”和“总结与展望”前后两章,其余各章摘要如下：第1章：理清概念,梳理研究基础理论并提出研究出发点。在概念阐述方面,首先理清了本文研究的对象——数字文献资源的范畴；其次重点探讨了资源聚合的内涵和外延,在此基础上提出了作者对聚合概念的三段式解释,即从数据融合到资源整合再到知识发现,并将本文研究的重点定位于聚类知识发现；然后总结了文献资源聚合的形式和内容。在研究基础理论的梳理中,分析了有助于文献特征信息提取的文本挖掘理论、有助于获取语言使用规律中语义信息的共现分析理论、有助于潜在语义信息分析和计算的潜在语义分析理论、有助于解释文献聚类结果的特征聚合理论、用于特征提取评价和聚类评价的信息熵理论,以及对特征词重要性取舍有指导意义的长尾理论。在以上论述的基础上,以实际应用为导向,提出了基于元数据（主要是关键词）建立文献特征向量并实现聚类的基本思路。第2章：研究了文献高维特征的向量表示与文献相似性的度量方法和模型,寻求模型的创新思路。首先文献的属性特征是多元的和高维的,本文主要实现基于主题的文献聚类,因此,选择反映文献主题属性的特征词代表文献,并选择最为实用的代数表示方法。其次从向量空间模型（VSM）到广义向量空间模型（GVSM）,再到语义向量空间模型（SVSM）进行了比较研究,并介绍了有代表性的相关模型。最终形成结合潜在语义和VSM模型探索新表示方法的思路。第3章：提出共现潜在语义向量空间模型（CLSVSM）以及在此基础上的文献聚合步骤。进一步明确了共现潜在语义的概念,以及共现潜在语义的提取和使用。然后以补充向量中的语义信息为主要突破口,通过共现分析方法提取潜在语义信息,然后与文献的基本特征信息进行叠加,形成新的表示模型。新模型既包括了文献本身的主题特征,又包括了文献集特征词共现所蕴含的主题关系,因此,充分体现了文献的主题信息。新模型被称为潜在语义向量空间模型,简记为CLSVSM。在此基础上选择余弦相似性度量、适当的算法和准则函数形成文献聚合步骤。最后与部分模型,特别是面向中文文献聚类的模型,做了对比。第4章：通过实验检验基于CLSVSM模型的聚类效果,主要与VSM和GVSM模型对比。聚类的好坏需要与原有分类作比较才能评价。本文选择了两个数据源进行实验,一个是人大复印资料G9《图书馆学和情报学》的文献集,以其栏目为分类,但实验效果不佳,究其原因主要是将栏目作为类别本身存在类别划分不清晰的问题,所以不能有效评价聚类的好坏。第三个数据集是从CNKI中“出版”、“图书情报与数字图书馆”和“档案及博物馆”三个学科抽样组成的文献集,实验表明基于CLSVSM模型的聚类效果很好。通过熵值、纯度和BF值来看,基于CLSVSM超过基于VSM模型的聚类结果至少24%以上,超过GVSM模型至少13%以上,因此认为CLSVSM模型对文献主题聚类是有效的。以上实验都是在gCLUTO平台上开展的。第5章：将CLSVSM模型用于实践,检验深度聚合对主题的凸显能力。第一个实证选择概率论与数理统计学科的抽样文献,特点是理科应用性学科,主题相对分散；第二个实证选择检索文献集,特点是主题相对集中,主要是检验对检索结果聚类的情况。实证仍然是在gCLUTO平台上进行,采用三种方法判断能够凸显各簇主题的聚类数目,然后比较不同聚类数目的效果。两个实证结果都表明基于CLSVSM模型的聚类能够很好地划分文献集的主要主题群,并且聚类数目越多对小规模研究主题的凸显能力越强,而聚类数目越多意味着对主题关系的划分越细,对主题挖掘得越深,因此也是对文献主题的深度聚合。综上所述,面对资源聚合的庞大课题,本文着眼于文献聚合中的聚类发现,提出了CLSVSM模型,并在实验中表现很好。CLSVSM模型不仅为有限信息下文献聚类提供了可行的办法,还为文献聚合中的相似性度量、文献检索、文献分‘类等研究和实践提供了参考。
二、用高斯曲线构造生物新模型（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、用高斯曲线构造生物新模型（论文提纲范文）
（1）毒株蛋胚图像识别方法研究（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 |
| 1.2.1 毒株蛋胚图像国外研究现状 |
| 1.2.2 毒株蛋胚图像国内研究现状 |
| 1.2.3 卷积神经网络研究现状 |
| 1.3 论文总体结构 |
| 2 图像识别相关技术与理论 |
| 2.1 传统识别方法 |
| 2.1.1 图像预处理 |
| 2.1.2 常用形状特征 |
| 2.1.3 常用纹理特征 |
| 2.1.4 支持向量机 |
| 2.2 卷积神经网络基础理论 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 卷积神经网络的性质 |
| 2.3 本章小结 |
| 3 毒株蛋胚图像特征提取及识别方法 |
| 3.1 数据来源与预处理 |
| 3.1.1 数据来源 |
| 3.1.2 灰度化 |
| 3.1.3 直方图均衡化 |
| 3.1.4 基于匹配滤波的血管分割 |
| 3.2 毒株蛋胚图像形状特征提取 |
| 3.2.1 圆形度计算 |
| 3.2.2 骨架曲率特征提取 |
| 3.3 毒株蛋胚图像纹理特征提取 |
| 3.3.1 LBP特征提取 |
| 3.3.2 GLCM纹理特征提取 |
| 3.3.3 基于灰度直方图统计矩的纹理特征 |
| 3.4 GLCM和形状特征融合的蛋胚图像识别方法 |
| 3.5 实验结果与分析 |
| 3.5.1 评价指标 |
| 3.5.2 不同特征的蛋胚图像识别结果 |
| 3.5.3 基于GLCM和形状特征融合的蛋胚图像识别结果 |
| 3.6 本章小结 |
| 4 基于CNN的毒株蛋胚图像识别 |
| 4.1 CNN模型与训练 |
| 4.1.1 CNN模型 |
| 4.1.2 CNN的训练 |
| 4.2 模型优化策略 |
| 4.2.1 超参数设置 |
| 4.2.2 数据增强 |
| 4.2.3 模型微调 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境与参数配置 |
| 4.3.2 CaffeNet与VGG-16识别结果对比 |
| 4.3.3 二分类蛋胚图像识别结果分析 |
| 4.3.4 多分类蛋胚图像识别结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（2）基于U-Net网络的医学图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 医学图像分割的研究背景及意义 |
| 1.2 医学图像分割算法综述 |
| 1.3 医学图像分割的评价方法 |
| 1.4 主要研究内容及结构安排 |
| 2 理论知识及算法原理描述 |
| 2.1 变分水平集模型 |
| 2.2 U-Net网络 |
| 2.3 本章小结 |
| 3 医学图像的U-DRLSE分割方法 |
| 3.1 距离正则化水平集模型 |
| 3.2 U-Net++网络 |
| 3.3 U-DRLSE模型 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于U-Net网络的FiCD流程改进 |
| 4.1 FiCD流程 |
| 4.2 基于U-Net网络的改进FiCD流程 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 总结与讨论 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（3）基于混合神经网络的中文命名实体识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 基于规则的方法 |
| 1.2.2 基于机器学习的方法 |
| 1.2.3 基于深度学习的方法 |
| 1.2.4 中文命名实体识别方法现有不足 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的组织结构 |
| 第2章 命名实体识别概述及相关技术 |
| 2.1 命名实体识别任务概述 |
| 2.2 相关技术 |
| 2.2.1 编码解码框架 |
| 2.2.2 注意力机制 |
| 2.2.3 词嵌入技术 |
| 2.2.4 卷积神经网络 |
| 2.2.5 softmax函数 |
| 2.3 本文模型框架 |
| 2.4 本章小节 |
| 第3章 基于完全自注意力与多元卷积的中文命名实体识别 |
| 3.1 Fully Self-Attentive Encoder完全自注意力编码模型 |
| 3.1.1 Fully Self-Attentive Encoder模型提出动机 |
| 3.1.2 Fully Self-Attentive Encoder结构 |
| 3.1.3 Self-Attention Mechanism运行机制 |
| 3.2 多元卷积解码层 |
| 3.2.1 使用多元卷积解码的动机 |
| 3.2.2 多元卷积解码框架 |
| 3.2.3 多元卷积解码机制 |
| 3.3 基于二分类的多损失函数训练方法 |
| 3.3.1 使用基于二分类的多损失函数动机 |
| 3.3.2 二分类与多分类在命名实体识别上的运用 |
| 3.3.3 基于二分类与多分类的多任务训练机制 |
| 3.4 本章小节 |
| 第4章 基于位置意识传播机制的字编码方式 |
| 4.1 位置意识传播字编码机制 |
| 4.1.1 使用位置意识传播字编码机制的动机 |
| 4.1.2 使用高斯核函数模拟传播影响力的动机 |
| 4.1.3 基于高斯核函数的位置意识收敛传播 |
| 4.1.4 基于高斯核函数的位置意识辐射传播 |
| 4.2 基于分词的联合学习模型 |
| 4.2.1 使用中文分词与命名实体识别联合学习模型的动机 |
| 4.2.2 中文分词与命名实体识别字嵌入层联合学习模型框架 |
| 4.2.3 中文分词与命名实体识别编码层拼接联合学习模型框架 |
| 4.3 本章小节 |
| 第5章 实验 |
| 5.1 实验数据处理 |
| 5.1.1 标注方法 |
| 5.1.2 实验数据处理与分析 |
| 5.2 评价指标 |
| 5.3 本文提出模型框架效果评测 |
| 5.3.1 优化器与学习率设定 |
| 5.3.2 完全自注意力编码模型参数调整对比 |
| 5.3.3 增加多元卷积解码模型结果对比 |
| 5.3.4 增加位置意识传播字编码模型结果对比 |
| 5.4 字序列输入模型框架效果评测 |
| 5.4.1 基于字序列输入模型算法结果对比 |
| 5.4.2 数据与字信息扩充的字序列模型对比 |
| 5.4.3 模型推断效率比较 |
| 5.5 二分类与分词联合学习训练分析 |
| 5.5.1二分类多损函数训练实验 |
| 5.5.2中文分词联合学习训练实验 |
| 5.6 基于词序列与小训练集的中文命名实体识别模型效果评测 |
| 5.6.1 多种词序列输入方法模型效果对比 |
| 5.6.2 小训练集模型效果对比 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于遥感物候与数据挖掘算法的水稻重金属胁迫识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 重金属胁迫下作物的光谱响应特征 |
| 1.2.2 遥感物候 |
| 1.2.3 集成学习 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织结构 |
| 第二章 研究区与数据 |
| 2.1 研究区概况 |
| 2.2 遥感数据采集与预处理 |
| 2.2.1 HJ-1A/B CCD数据及预处理 |
| 2.2.2 Landsat7 ETM+数据及预处理 |
| 2.2.3 Landsat8 OLI数据及预处理 |
| 2.2.4 MOD09A1 数据及预处理 |
| 2.3 地面数据采集 |
| 2.3.1 实验区的选取 |
| 2.3.2 野外实测数据 |
| 第三章 重金属胁迫下水稻的物候差异 |
| 3.1 多源遥感数据的一致性评价 |
| 3.2 构建植被指数时间序列 |
| 3.2.1 计算植被指数 |
| 3.2.2 建立植被指数时间序列 |
| 3.3 时间序列曲线重构方法 |
| 3.3.1 双Logistic函数拟合法(D-L) |
| 3.3.2 Savitzky-Golay滤波法(S-G) |
| 3.3.3 小波去噪 |
| 3.3.4 Whittaker平滑(WS) |
| 3.3.5 时间序列重构结果 |
| 3.4 水稻物候的提取方法 |
| 3.4.1 水稻关键物候期的确定 |
| 3.4.2 水稻物候指标的计算 |
| 3.5 不同重金属胁迫下水稻物候对比分析 |
| 第四章 新型水稻遥感物候指标的构建 |
| 4.1 构建时空融合时间序列数据集 |
| 4.2 不同重金属胁迫下水稻的生长轨迹 |
| 4.3 新型遥感物候指标建立的策略 |
| 4.3.1 手动建立物候指标 |
| 4.3.2 自动提取物候指标 |
| 第五章 水稻重金属胁迫敏感生物参数提取 |
| 5.1 WOFOST模型机理 |
| 5.1.1 WOFOST模型发展与应用 |
| 5.1.2 WOFOST模型原理 |
| 5.2 WOFOST模型参数调整 |
| 5.3 同化算法 |
| 5.4 同化观测量的选择 |
| 5.5 重金属胁迫敏感生物参数的获取 |
| 第六章 协同多特征的水稻重金属胁迫水平集成分类模型 |
| 6.1 最优特征子集的筛选 |
| 6.1.1 特征选择方法 |
| 6.1.2 最优特征筛选结果 |
| 6.2 水稻重金属胁迫水平集成分类模型的建立方法 |
| 6.2.1 集成学习原理 |
| 6.2.2 集成学习算法 |
| 6.2.3 基于随机森林和梯度提升建立集成模型 |
| 6.3 重金属胁迫水平的分类 |
| 6.3.1 集成模型参数寻优 |
| 6.3.2 胁迫水平的分类结果与分析 |
| 6.4 分类精度评价 |
| 6.4.1 评价指标的选择 |
| 6.4.2 精度评价结果 |
| 6.4.3 集成模型的有效性分析 |
| 第七章 总结与展望 |
| 7.1 主要工作总结 |
| 7.2 研究特色与创新 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）移动机器人仿生SLAM算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.2 基于概率的移动机器人同步定位与地图构建 |
| 1.3 基于视觉的移动机器人同步定位与地图构建 |
| 1.3.1 几何法 |
| 1.3.2 光流法 |
| 1.3.3 直接法 |
| 1.4 鼠类相关导航脑细胞 |
| 1.5 国内外发展水平及研究现状 |
| 1.6 论文的研究内容及结构安排 |
| 1.6.1 论文选题 |
| 1.6.2 论文主要内容 |
| 第二章 基于位姿细胞和局部场景细胞的仿生SLAM研究 |
| 2.1 VP模型框架及原理 |
| 2.2 局部场景的形成原理 |
| 2.3 表征空间位姿 |
| 2.3.1 位姿细胞的生物学依据 |
| 2.3.2 位姿表征及内部动态过程 |
| 2.3.3 位姿细胞和局部场景细胞的连接 |
| 2.4 构建认知地图 |
| 2.4.1 认知地图路径相关 |
| 2.4.2 认知地图路径修正 |
| 2.5 基于VP-SLAM算法的移动机器人认知地图仿真实验及其分析 |
| 2.5.1 实验设备的选择 |
| 2.5.2 VP-SLAM模型仿真实验及其分析 |
| 2.6 改进特征匹配算法的VP-SLAM模型研究 |
| 2.6.1 SURF特征匹配算法 |
| 2.6.2 改进特征匹配算法的VP-SLAM模型 |
| 2.7 本章小结 |
| 第三章 基于网格细胞的仿生SLAM研究 |
| 3.1 网格细胞的生物学证据 |
| 3.2 GVP模型框架及原理 |
| 3.2.1 网格细胞模型 |
| 3.2.2 网格细胞重置机制 |
| 3.2.3 GVP-SLAM模型仿真实验及其分析 |
| 3.3 改进闭环检测算法 |
| 3.3.1 人脑的四种记忆方式 |
| 3.3.2 关键帧匹配的闭环检测算法 |
| 3.3.3 关键帧匹配的闭环检测算法的仿真结果及其分析 |
| 3.4 基于改进闭环检测算法的GVP-SLAM模型仿真实验及其分析 |
| 3.5 本章小结 |
| 第四章 基于DGSOM神经网络的GVP-SLAM模型 |
| 4.1 自组织可增长映射(GSOM)算法 |
| 4.1.1 SOM基本原理 |
| 4.1.2 自组织可增长映射(GSOM)算法 |
| 4.2 基于DGSOM的GVP-SLAM模型 |
| 4.2.1 神经元活性模型 |
| 4.2.2 基于DGSOM的GVP-SLAM算法具体流程 |
| 4.3 基于DGSOM-GVP-SLAM算法的仿真实验及其分析 |
| 4.3.1 DGSOM-GVP-SLAM算法流程 |
| 4.3.2 DGSOM-GVP-SLAM算法的仿真设计与分析 |
| 4.4 本章小结 |
| 第五章 基于多传感器协同的GVP-SLAM模型研究 |
| 5.1 基于多传感器协同的GVP-SLAM模型设计 |
| 5.2 移动机器人实验平台硬件搭建 |
| 5.2.1 移动机器人结构 |
| 5.2.2 传感器参数 |
| 5.3 平台实验及结果分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文创新点 |
| 6.3 后续研究与展望 |
| 致谢 |
| 参考文献 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（6）地下水位变动诱发地铁隧道变形机理及其与地铁隧道相互影响研究（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 地下水降落诱发地面沉降机理及其分析方法研究 |
| 1.2.2 地下水与地下结构物相互作用研究 |
| 1.2.3 基于原位测试技术的水文地质参数确定方法研究 |
| 1.3 存在问题分析 |
| 1.4 论文研究内容及研究成果 |
| 1.4.1 研究内容 |
| 1.4.2 主要研究成果 |
| 第二章 长三角南部地区地下水-地面沉降发生发展规律研究 |
| 2.1 地下水抽取-地面沉降发生发展规律分析 |
| 2.1.1 上海地区地下水开采及地面沉发生发展历程 |
| 2.1.2 苏锡常地区地下水及地面沉降发生发展历程 |
| 2.2 地下水位变动模式分析 |
| 2.2.1 地下水位变动模式的提出 |
| 2.2.2 地下水位变动公式 |
| 2.2.3 含水层变形模式 |
| 2.3 本章小结 |
| 第三章 基于CPTU的长三角典型沉积土渗透系数确定方法研究 |
| 3.1 基于孔穴扩张理论的渗透系数确定方法 |
| 3.1.1 基于孔穴扩张理论的超孔压计算方法 |
| 3.1.2 已有理论分析方法 |
| 3.1.3 基于改进圆柱面径向渗流模型的渗透系数确定方法 |
| 3.1.4 简化经验公式法 |
| 3.2 试验概况 |
| 3.2.1 试验场地 |
| 3.2.2 CPTU试验设备 |
| 3.2.3 室内试验及抽水试验 |
| 3.3 试验结果分析 |
| 3.3.1 分析方法 |
| 3.3.2 分析结果 |
| 3.4 本章小结 |
| 第四章 地下水位变动对线性地铁隧道的影响规律分析研究 |
| 4.1 地下水位变动对线性地铁隧道影响的模型试验研究 |
| 4.1.1 相似原理 |
| 4.1.2 模型材料 |
| 4.1.3 模型试验方案及过程 |
| 4.1.4 模型试验结果分析 |
| 4.2 水位变动对线性地铁隧道影响的数值分析研究 |
| 4.2.1 FLAC3D软件简介 |
| 4.2.2 工程概况 |
| 4.2.3 计算模型 |
| 4.2.4 计算结果分析 |
| 4.3 本章小结 |
| 第五章 工程性降水诱发地铁隧道受力变形的理论解析方法研究 |
| 5.1 工程性降水特点及实例分析 |
| 5.1.1 工程性降水特点 |
| 5.1.2 实例分析 |
| 5.2 工程性降水诱发隧道变形的理论分析方法 |
| 5.2.1 工程性降水诱发附加应力的简化分析方法 |
| 5.2.2 土层沉降解析解 |
| 5.2.3 梯形作用力下的弹性地基梁解析解 |
| 5.3 工程性降水诱发隧道受力变形分析 |
| 5.3.1 模型建立 |
| 5.3.2 工程性降水诱发隧道纵向受力变形分析 |
| 5.3.3 工程性降水诱发隧道横向受力变形分析 |
| 5.4 本章小结 |
| 第六章 地铁隧道结构对地下水渗流场的阻挡作用分析研究 |
| 6.1 地下结构物对地下水阻挡作用的危害性分析 |
| 6.1.1 地下结构物对环境的影响 |
| 6.1.2 地下结构物对南京秦淮河古河道地下水流场的影响 |
| 6.2 线性地下结构物对地下水阻挡作用的理论解析方法 |
| 6.2.1 Pujades阻挡作用分析方法 |
| 6.2.2 考虑水头分布形态的阻挡作用理论解析方法 |
| 6.3 模型试验 |
| 6.3.1 试验装置及过程 |
| 6.3.2 试验方案 |
| 6.4 数值分析 |
| 6.4.1 数值分析模型 |
| 6.4.2 数值分析方法的验证 |
| 6.5 结果分析 |
| 6.5.1 模型试验结果分析 |
| 6.5.2 数值分析结果分析 |
| 6.5.3 影响因素分析 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 本文创新点 |
| 7.3 展望 |
| 附录A 长三角南部地区典型场地的CPTU测试结果 |
| 附录B 梯形作用力下的土体沉降和应力解析解 |
| 致谢 |
| 参考文献 |
| 作者攻读博士期间发表论文 |
（7）家禽养殖多光谱光照技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 LED照明技术的国内外研究现状 |
| 1.2.2 多光谱光照的国内外研究现状 |
| 1.3 论文研究的主要内容 |
| 第2章 家禽养殖光照特性 |
| 2.1 家禽养殖光照的特点 |
| 2.1.1 光谱-家禽养殖光照分析 |
| 2.1.2 光照强度-家禽养殖光照分析 |
| 2.1.3 光照周期-家禽养殖光照分析 |
| 2.2 传统照明技术分析 |
| 2.2.1 传统照明的发展 |
| 2.2.2 传统照明在家禽养殖领域的缺陷 |
| 2.3 多光谱光照技术 |
| 2.3.1 多光谱光照技术的特性 |
| 2.3.2 多光谱光照技术在家禽养殖照明上的优势 |
| 2.4 本章小结 |
| 第3章 单色LED光谱拟合技术 |
| 3.1 LED拟合多光谱的理论基础 |
| 3.1.1 LED拟合的理论基础 |
| 3.1.2 LED拟合的可行性分析 |
| 3.2 任意光谱合成的数学原理 |
| 3.3 单色LED光谱拟合模型研究及仿真 |
| 3.3.1 高斯模型 |
| 3.3.2 洛伦兹模型 |
| 3.3.3 高斯-洛伦兹模型 |
| 3.4 单色LED光谱拟合新模型的建立 |
| 3.5 目标光谱理论分峰法仿真研究及结果分析 |
| 3.5.1 均匀间隔分峰拟合 |
| 3.5.2 均匀间隔分峰拟合 |
| 3.5.3 两种分峰方法拟合结果分析 |
| 3.6 本章小结 |
| 第4章 家禽养殖光照多光谱的实现 |
| 4.1 基于最小二乘算法的高斯合成 |
| 4.1.1 最小二乘法 |
| 4.1.2 结合高斯函数的多光谱合成算法 |
| 4.1.3 LM算法优化求解 |
| 4.2 多种单色LED合成结果 |
| 4.3 多光谱合成技术优化 |
| 4.3.1 白光LED补偿技术合成 |
| 4.3.2 白光LED补偿合成结果 |
| 4.4 多种单色LED合成和白光LED补偿合成结果分析及比较 |
| 4.5 家禽养殖多光谱光照实验 |
| 4.5.1 实验方案的设计 |
| 4.5.2 实验误差的分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间的学术成果 |
| 致谢 |
（8）储氢系统意外氢气泄漏和扩散研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 当前世界和我国的能源形势 |
| 1.1.2 氢的性质和氢能应用 |
| 1.2 文献综述 |
| 1.2.1 理论研究 |
| 1.2.2 实验研究 |
| 1.2.3 数值模拟研究 |
| 1.3 已有研究的不足 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第2章 实验测试技术及数据处理方法 |
| 2.1 平面激光瑞利散射（PLRS）技术 |
| 2.1.1 瑞利散射原理 |
| 2.1.2 ICCD相机图像修正 |
| 2.1.3 PLRS技术气体浓度测量 |
| 2.1.4 双相机测量法准确性验证 |
| 2.2 纹影法 |
| 2.2.1 纹影法简介 |
| 2.2.2 图像处理方法 |
| 2.2.3 误差分析 |
| 2.3 微型热导计浓度测量 |
| 2.3.1 微型热导计简介 |
| 2.3.2 传感器标定 |
| 2.3.3 误差分析 |
| 2.4 本章小结 |
| 第3章 氢气泄漏实验研究 |
| 3.1 引言 |
| 3.2 亚声速泄漏实验研究 |
| 3.2.1 实验系统 |
| 3.2.2 实验结果 |
| 3.3 高压欠膨胀泄漏实验研究 |
| 3.3.1 激波结构可视化研究 |
| 3.3.4 PLRS浓度场测量 |
| 3.3.5 氦气泄漏实验 |
| 3.4 本章小结 |
| 第4章 氢气泄漏理论模型研究 |
| 4.0 引言 |
| 4.1 低压泄漏理论模型 |
| 4.1.1 积分模型基本方程 |
| 4.1.2 积分模型的求解方法 |
| 4.1.3 经验系数的确定 |
| 4.1.4 计算结果 |
| 4.2 高压欠膨胀射流理论模型 |
| 4.2.5 虚喷管模型 |
| 4.2.6 高压欠膨胀射流计算方法 |
| 4.2.7 计算结果 |
| 4.3 本章小结 |
| 第5章 氢气泄漏数值模拟研究 |
| 5.1 引言 |
| 5.2 数值计算模型 |
| 5.2.1 模型假设 |
| 5.2.2 控制方程 |
| 5.2.3 湍流模型 |
| 5.2.4 几何模型与边界条件 |
| 5.3 完整模拟 |
| 5.3.1 低压泄漏模拟 |
| 5.3.2 高压欠膨胀泄漏模拟 |
| 5.4 高压泄漏两区域简化模型 |
| 5.4.1 模型提出 |
| 5.4.2 模型假设 |
| 5.4.3 模型方程 |
| 5.4.4 简化模拟 |
| 5.4.5 模拟结果 |
| 5.5 数值模拟方法应用 |
| 5.5.1 模拟方法说明 |
| 5.5.2 计算结果 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文 |
| 附录A 高压欠膨胀氢气射流纹影测量图片 |
| 附录B 高压欠膨胀氢气射流理论模型计算结果与实验测量结果比较 |
（9）时间序列数据挖掘中的维数约简与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 论文研究背景 |
| 1.1.2 论文研究意义 |
| 1.2 时间序列数据挖掘的研究现状 |
| 1.2.1 主要研究方法 |
| 1.2.2 主要研究内容 |
| 1.2.3 存在的问题和研究的方向 |
| 1.3 本文工作 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第2章 时间序列数据的维数约简与预测研究基础 |
| 2.1 时间序列 |
| 2.1.1 时间序列的概念 |
| 2.1.2 时间序列的分类 |
| 2.1.3 时间序列的度量方法 |
| 2.2 时间序列的维数约简方法 |
| 2.2.1 时间序列的特征选择 |
| 2.2.2 时间序列的特征表示 |
| 2.3 时间序列的预测方法 |
| 2.3.1 单变量时间序列的预测 |
| 2.3.2 多变量时间序列的预测 |
| 2.4 本章小结 |
| 第3章 基于因果关系挖掘的多变量时间序列特征提取 |
| 3.1 时间序列因果关系挖掘概述 |
| 3.2 Granger因果关系 |
| 3.3 基于Granger因果关系的多变量时间序列特征提取 |
| 3.3.1 问题提出 |
| 3.3.2 算法思想：二维的多变量时间序列特征提取 |
| 3.3.3 算法的形式化描述 |
| 3.3.4 算法的推导 |
| 3.3.5 算法的假设和优点 |
| 3.3.6 算法的步骤 |
| 3.3.7 算法的实现 |
| 3.3.8 算法的解释和分析 |
| 3.4 实验及分析 |
| 3.4.1 实验数据 |
| 3.4.2 评价方法和指标 |
| 3.4.3 实验结果和比较分析 |
| 3.4.4 现实案例学习 |
| 3.5 本章小结 |
| 第4章 基于趋势距离的时间序列符号聚合近似表示方法 |
| 4.1 分段聚合近似表示方法 |
| 4.2 符号聚合近似表示方法 |
| 4.3 分段数目和符号数目的选取 |
| 4.4 问题的提出 |
| 4.5 趋势距离 |
| 4.6 基于趋势距离的符号聚合近似表示方法 |
| 4.6.1 表示方法 |
| 4.6.2 距离度量 |
| 4.6.3 距离下界性 |
| 4.7 实验及分析 |
| 4.7.1 实验数据 |
| 4.7.2 评价方法及参数选取 |
| 4.7.3 实验结果及比较分析 |
| 4.8 本章小结 |
| 第5章 时间序列的预测方法研究 |
| 5.1 单变量时间序列预测 |
| 5.1.1 自回归滑动平均预测模型 |
| 5.1.2 预测值自修正的预测模型 |
| 5.1.3 实验结果与分析 |
| 5.2 多变量时间序列预测 |
| 5.2.1 支持向量回归 |
| 5.2.2 基于因果特征提取和支持向量回归的预测 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究内容总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（10）数字文献资源高维聚合模型研究（论文提纲范文）
| 本文的创新点 |
| 图表索引 |
| 摘要 |
| ABSTRACT |
| 0 引言 |
| 0.1 选题背景和研究意义 |
| 0.1.1 选题背景 |
| 0.1.2 研究意义 |
| 0.2 国内外研究综述 |
| 0.2.1 国内研究进展 |
| 0.2.2 国外研究进展 |
| 0.2.3 相关研究述评 |
| 0.3 研究目的、方法与创新 |
| 0.3.1 研究目的与思路 |
| 0.3.2 研究方法与工具 |
| 0.3.3 本文的创新之处 |
| 1 数字文献资源聚合的概念与理论基础 |
| 1.1 数字文献资源的范畴 |
| 1.1.1 数字化的信息资源 |
| 1.1.2 数字文献资源 |
| 1.2 数字文献资源聚合的内涵与外延 |
| 1.2.1 聚合的缘起 |
| 1.2.2 文献资源聚合的内涵 |
| 1.2.3 文献资源聚合的外延 |
| 1.3 数字文献资源聚合研究的形式和内容 |
| 1.3.1 数字文献资源聚合的形式 |
| 1.3.2 数字文献聚合研究内容辨析 |
| 1.4 数字文献资源聚合研究的理论基础 |
| 1.4.1 文本挖掘理论 |
| 1.4.2 共现分析理论 |
| 1.4.3 LSA与LSI理论 |
| 1.4.4 FA与PA理论 |
| 1.4.5 信息熵理论 |
| 1.4.6 长尾理论 |
| 1.5 数字文献资源聚合的应用方法研究 |
| 1.5.1 新闻聚合与自动摘要 |
| 1.5.2 对检索结果的聚类 |
| 1.5.3 文档管理与个性化信息服务 |
| 1.5.4 改善文献分类的结果 |
| 1.6 数字文献资源基于元数据聚合的探索 |
| 1.6.1 元数据是数字文献资源的特征信息 |
| 1.6.2 基于元数据实现文献聚合的可行性 |
| 1.7 本章小结 |
| 2 数字文献资源的高维特征与语义相关性研究 |
| 2.1 数字文献资源的多元和高维特征 |
| 2.1.1 文献属性的多元特征 |
| 2.1.2 文献主题的高维特征 |
| 2.2 文献主题的特征选择与评价方法 |
| 2.2.1 文献主题特征的选择问题 |
| 2.2.2 特征子集的选取与评价 |
| 2.3 文献特征的高维表示与文献相似性测度方法 |
| 2.3.1 文献特征的高维向量表示 |
| 2.3.2 文献相似性与距离的测度 |
| 2.4 向量空间模型及其衍生模型 |
| 2.4.1 经典VSM模型 |
| 2.4.2 广义向量空间模型 |
| 2.4.3 面向中文文献聚类的VSM类模型 |
| 2.5 语义向量空间模型 |
| 2.5.1 基于VSM的语义相关性研究 |
| 2.5.2 语义信息增强模型 |
| 2.5.3 语义核与文献主题相似性 |
| 2.6 本章小结 |
| 3 数字文献资源聚合之共现潜在语义向量空间模型(CLSVSM) |
| 3.1 共现潜在语义的概念 |
| 3.1.1 语义与语义信息 |
| 3.1.2 潜在语义与共现潜在语义 |
| 3.1.3 共现潜在语义的挖掘 |
| 3.2 基于共现潜在语义的文献高维向量表示模型 |
| 3.2.1 文献高维向量表示的困境 |
| 3.2.2 模型提出的基础 |
| 3.2.3 相关定义和记号 |
| 3.2.4 CLSVSM模型的表示 |
| 3.2.5 CLSVSM模型的解释 |
| 3.3 CLSVSM模型的推广 |
| 3.3.1 CLSVSM模型的扩展与简约 |
| 3.3.2 基于CLSVSM的语义核模型(CLSGVSM) |
| 3.4 基于CLSVSM的数字文献资源聚合 |
| 3.4.1 基于特征向量聚类的文献聚合步骤 |
| 3.4.2 文献的相似矩阵 |
| 3.4.3 文献集的相似度 |
| 3.4.4 聚类算法选择 |
| 3.4.5 聚类准则函数 |
| 3.4.6 聚类评价方法 |
| 3.5 CLSVSM模型与VSM衍生模型的类比 |
| 3.5.1 类比基于关键词相同度的VSM模型 |
| 3.5.2 类比扭曲VSM模型 |
| 3.5.3 类比TCABARWC模型 |
| 3.6 本章小结 |
| 4 CLSVSM模型的实验检验与评价 |
| 4.1 文献聚类实验的基本设计 |
| 4.1.1 实验的目的和要求 |
| 4.1.2 实验基本流程设计 |
| 4.2 文献聚类评价方法 |
| 4.2.1 BF指标 |
| 4.2.2 熵值、纯度和错误率 |
| 4.3 高维向量聚类工具：gCLUTO |
| 4.4 实验文献集的来源与描述 |
| 4.4.1 数据的选择和采集 |
| 4.4.2 数据的整理与分析 |
| 4.4.3 实验数据集的基本统计描述 |
| 4.5 文献聚类实验内容与方案 |
| 4.5.1 实验的内容 |
| 4.5.2 实验的步骤 |
| 4.5.3 实验方案 |
| 4.6 文献聚类实验结果与分析 |
| 4.6.1 CLSVSM模型的语义信息增强效果分析 |
| 4.6.2 CLSVSM模型的聚类效果对比实验 |
| 4.6.3 采用共现语义核的聚类效果对比实验 |
| 4.6.4 实验总结：CLSVSM的优势 |
| 4.7 本章小结 |
| 5 CLSVSM模型应用与实证 |
| 5.1 CLSVSM模型的应用范围 |
| 5.2 实证准备 |
| 5.2.1 实证数据的选择 |
| 5.2.2 文献聚类簇数目的确定 |
| 5.3 基于CLSVSM模型的聚合实证研究 |
| 5.3.1 实证Ⅰ——以概率论与数理统计学科抽样文献为例 |
| 5.3.2 实证Ⅱ——以信息资源建设主题的检索文献集为例 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结与启示 |
| 6.2 不足与展望 |
| 参考文献 |
| 读博期间科研及获奖情况 |
| 致谢 |
四、用高斯曲线构造生物新模型（论文参考文献）
- [1]毒株蛋胚图像识别方法研究[D]. 李静. 哈尔滨商业大学, 2021(12)
- [2]基于U-Net网络的医学图像分割算法研究[D]. 李昶. 山东科技大学, 2020(06)
- [3]基于混合神经网络的中文命名实体识别研究[D]. 汪浩文. 上海师范大学, 2020(07)
- [4]基于遥感物候与数据挖掘算法的水稻重金属胁迫识别研究[D]. 刘天娇. 中国地质大学(北京), 2019(02)
- [5]移动机器人仿生SLAM算法研究[D]. 陈孟元. 中国科学技术大学, 2019
- [6]地下水位变动诱发地铁隧道变形机理及其与地铁隧道相互影响研究[D]. 张明飞. 东南大学, 2018(05)
- [7]家禽养殖多光谱光照技术研究[D]. 陈记华. 哈尔滨理工大学, 2018(01)
- [8]储氢系统意外氢气泄漏和扩散研究[D]. 李雪芳. 清华大学, 2015(03)
- [9]时间序列数据挖掘中的维数约简与预测方法研究[D]. 孙友强. 中国科学技术大学, 2014(03)
- [10]数字文献资源高维聚合模型研究[D]. 牛奉高. 武汉大学, 2014(06)