一、网络并行可视化平台的构架（论文文献综述）
李素芳[1]（2021）在《市（县）级农业大数据管理平台研究》文中进行了进一步梳理从2008年麦肯锡咨询公司提出了大数据的概念至今,大数据越来越受到世界各国家的重视和各领域的关注,并且取得了快速发展。大数据与云计算、物联网、互联网、移动互联网和智能设备的结合,使得大数据技术和其他技术的应用结合更加深入,在各个领域的应用也更加广泛。农业作为最为基础的产业,也迫切需要运用大数据技术,提升农业管理的水平和生产的效率。当前,我国的农业信息化建设存在标准不统一,建设的技术构架不统一,数据不集中,形成了数据“烟囱”和数据“孤岛”。农业信息化建设分散、建设时间周期长、各种子项目和平台繁多,低水平重复建设严重,运行效果很难达到预期,没有体现出数据的价值。现阶段国家或省一级层面对于农业大数据的研究与应用相对较为领先,而对于广大的市（县）级农业管理部门来说,尚处于起步阶段,需要结合基层农业管理的实际情况进行针对市县级的农业大数据进行研究。由于农业大数据管理平台总体比较庞大,因此,本人仅承担了总体设计方案的编制和“涉农新媒体数据监测预警”子平台的实现,该子平台以外的其他部分,由团队其他同事开发完成。本文主要研究内容如下:（1）研究农业大数据管理平台的建设背景和需求现状,确定了本文的研究内容和实现目标,即:一是编制市县级农业大数据管理平台整体设计方案,二是作者本人实现了农业大数据管理平台中的“涉农新媒体数据监测预警”子平台开发。（2）本文在总体设计方案部分,提出了农业大数据管理平台“11321”项目构建方式,即一张网（三农综合服务信息网）、一中心（农业指挥及展示中心）、三中台（智慧农业数据中台、技术中台、业务中台）、两平台（农业应急指挥管理平台、农业一张图平台）、一对接（农业资源集成对接）。（3）在子平台“涉农新媒体数据监测预警”实现部分,对数据采集、数据处理分析、数据预警,以及数据可视化呈现的整个流程的研究,编写了相关代码实现了其功能,达到了涉农数据的实时监测、分析和预警的目标。通过平台的研究和建设,整合了各类农业应用系统数据,形成了“11321”的农业大数据应用的新模式,提升了市县级相关部门和农业主体的农业精细化信息服务能力。
朱光辉[2]（2020）在《分布式与自动化大数据智能分析算法与编程计算平台》文中研究说明与传统小规模数据场景下的智能化分析应用不同,大数据场景下的智能化分析应用,不再是单一的单机AI算法模型问题,而是大数据、大模型、大计算的融合,需要同时考虑算法模型设计、大数据处理以及高效的分布并行计算问题,这对大数据智能分析基础理论方法与关键技术研究,带来了一系列新的挑战和问题。首先,现实世界大规模数据场景下的复杂数据挖掘与机器学习,存在突出的计算效率问题。大数据动摇了传统计算复杂性理论和方法。在大数据场景下,传统的多项式复杂度算法难以完成大数据、大模型计算问题,因此,需要研究设计大规模数据场景下高效的分布式并行化方法与算法,以此提升大数据智能分析计算效率。然而,高效的分布式数据挖掘和机器学习方法与算法设计,面临一系列复杂的基础理论方法与关键技术问题,不仅需要考虑单机串行算法固有的计算复杂性,还需要考虑并研究解决在分布并行环境下,大数据分布式算法的可并行度、存储、I/O和网络通信等系统复杂性,以及分布式算法性能的深度优化问题。除了计算效率问题外,现有的大数据智能分析技术和平台还存在突出的易用性问题。一方面,现有大数据智能建模方法技术门槛高、大量依赖专家经验,为此,需要研究高效的自动化机器学习（Auto ML）建模方法,以此降低AI建模技术门槛,大幅提升AI建模效率。但Auto ML自动化机器学习面临着搜索与建模方法的有效性、搜索计算效率优化等诸多基础理论方法与难点技术问题。另一方面,如前所述,大数据场景下的智能化分析应用开发,不仅仅是算法模型设计问题,还是一个大数据和大计算问题,这就需要研究解决大数据智能化分析建模与分布并行计算系统交叉融合的关键技术问题,以此构建一个融算法模型设计与大数据编程计算能力于一体的统一大数据智能分析编程计算支撑平台。围绕以上关键科学问题,本文在大数据分布式数据挖掘与机器学习、自动化机器学习以及大数据编程计算方法等基础理论与方法研究基础上,结合算法本身的重要性和技术挑战性以及业界的实际应用需求背景,首先选取了一系列基础常用、复杂性高、计算效率问题突出、且分布式算法设计难度大的数据挖掘与机器学习算法,开展了高效大规模分布式并行化数据挖掘与机器学习方法与算法研究;其次,开展了面向不同任务场景的高效Auto ML自动化机器学习方法与算法研究;最后,在融合分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究构建了高效易用的统一大数据智能分析编程计算方法与系统平台,并进行了实际应用验证。具体而言,本文工作包括以下主要研究内容和创新:（1）研究实现了基于属性重排序的大规模分布式函数依赖发现算法。函数依赖是数据挖掘中基础常用的数据结构,但是函数依赖发现任务计算复杂度与内存复杂度高,尤其在大规模数据场景下,算法运行时间和内存开销巨大。为此,本文研究提出了基于属性重排序的大规模分布式函数依赖发现算法Smart FD。在数据预处理阶段,研究提出了一种高效的基于倾斜度和基数的属性重排序方法;在函数依赖发现阶段,研究提出了一种基于快采样早聚合机制的分布式采样方法、基于索引的验证方法以及采样验证自适应切换方法。实验结果表明,与已有算法相比,Smart FD可以实现一到两个数量级的性能提升,且具有良好的数据可扩展性与系统可扩展性。（2）研究实现了基于分布式数据并行的大规模并行化谱聚类算法。谱聚类算法聚类效果优于传统聚类算法,但其存在计算流程复杂、计算复杂度高以及计算耗时长等问题,尤其在大规模数据场景下,计算效率问题更为突出。为此,本文研究提出了基于分布式数据并行模式的大规模并行化谱聚类算法SCo S,实现了谱聚类算法中相似度矩阵构建与稀疏过程并行化、Laplacian矩阵构建与正规化过程并行化、正规化Laplacian矩阵特征向量计算并行化以及k-means聚类并行化。实验结果表明,SCo S算法在大规模数据场景下表现出了良好的数据及系统可扩展性。（3）研究实现了基于子森林均匀划分的分布式任务并行深度森林训练方法与算法。近年来,研究人员提出了可与深度神经网络相媲美的深度森林模型。但已有的深度森林训练算法是单机串行的,计算效率低、可扩展性差,难以满足大数据场景下深度森林训练的应用需求。为此,本文研究提出了基于细粒度子森林均匀划分、任务并行的分布式深度森林训练方法与算法Forest Layer,在提升计算并发度的同时,优化和降低网络通信开销。另外,进一步实现了延迟扫描、预池化以及部分传输三种系统层优化方法。实验结果表明,与已有深度森林训练算法相比,Forest Layer能够实现7到20倍的加速比,并具有近线性的可扩展性及良好的负载均衡。（4）研究实现了面向不同任务场景的Auto ML大数据自动化机器学习方法与算法。首先,针对全流程化大数据分析场景,研究提出了基于强化学习和贝叶斯优化的机器学习流水线自动化设计算法Robo ML,实现交替的流水线结构自动搜索和超参数优化。针对资源受限场景,研究提出了一种基于自适应连续过滤的Auto ML算法BOASF,将Auto ML问题统一抽象为多臂赌博机问题,通过自适应快速过滤以及自适应资源分配等方法加速Auto ML搜索过程。最后,针对终生学习场景的概念漂移问题,研究提出了基于自适应加权集成学习的自动化终生学习算法Auto LLE,集成了全局增量模型和局部集成模型,并基于时间窗口和误差度量自适应调整各模型权重,有效捕捉概念漂移,大幅提高模型的准确性。（5）研究实现了高效的Auto DL大数据自动化深度学习方法与算法。为了提升深度神经网络超参数优化的计算效率,研究提出了一种结合渐进多保真度优化和Successive Halving优化的超参数优化方法Fast HO,通过尽早过滤掉表现较差的超参数配置,并为剩余超参数配置分配更多的资源,从而提升超参数优化的效率。其次,为了提升深度神经网络架构搜索效率,研究提出了基于最小化离散性能偏差的可微分架构搜索算法MGDARTS,通过设计更容易饱和的权重函数以及对超网络每条边的权重之和做整体性约束,尽量减少超网络离散化后的性能损失。实验结果表明,所提出的算法优于现有算法的性能。（6）研究实现了高效易用的统一大数据智能分析编程计算方法与平台。为了有效支持大数据智能化分析应用的开发,在融合上述分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究设计并实现了一个支持多计算模式、高效易用的跨平台统一大数据智能分析编程模型与计算平台。首先研究提出了覆盖表模型、矩阵模型、张量模型、图模型、流式数据模型等多种计算模型的跨平台统一大数据智能分析编程计算模型。在此基础上,研究设计了基于计算流图的大数据智能分析编程方法。其次,研究实现了统一大数据智能分析平台集成框架以及跨平台统一的作业调度方法。最后,基于统一大数据智能分析与可视化编程系统平台,进行了实际的应用验证。本文工作发表第一作者研究论文7篇（其中CCF A类期刊/会议论文2篇,B类期刊/会议2篇,中文CCF A类期刊论文1篇）。此外,在Auto ML自动化机器学习方面的研究工作,在Neur IPS、KDD、PAKDD等国际顶级人工智能会议上举办的Auto ML大赛中,共计荣获9项大奖,并在教育部主办的第五届中国“互联网+”大学生创新创业大赛中,荣获全国金奖。另外,大规模分布式数据挖掘与机器学习以及Auto ML自动化机器学习等相关技术研究成果已转让给国内华为、360等多个大型IT企业落地应用。
张航[3]（2020）在《基于深度学习的隧道微震信号处理及岩爆智能预警研究》文中研究指明中国“十三五”科技创新规划纲要提出了加强深部资源的开发和利用,包括矿物、能源资源勘探开发、城市地下空间利用及减灾防灾等,而深部资源的探索过程中往往面临各种风险和危害,特别是深部地下工程及隧道工程在建设过程中容易引发大量工程地质灾害,如岩爆、大变形等。微震监测技术作为一种新型岩体微破裂监测技术,已经快速发展并成为地下工程灾害监测预警的重要手段之一,且具有7×24小时全天候不间断监测特点,这导致了监测过程中数据的大量采集与积累,给数据的及时、快速和有效处理带来了巨大挑战。目前,大部分数据处理工作都是依靠具有较为丰富实践经验和较为扎实地震学功底的工作人员完成,处理时间较长,且效率和准确率得不到保证,严重影响了地质灾害预测和预警的时效性。同时,结合微震活动发育情况或震源参数演化规律进行灾害预警的人为主观因素较大,其有效的预警方法及稳定性需要进一步提升。基于此,本文以深埋隧道岩爆灾害为研究对象,结合微震监测技术、人工智能算法、深度学习和物联网技术,开展了基于深度学习的隧道微震信号处理及岩爆智能预警研究。基于充足的微震监测数据,建立围岩微震波形智能分类模型及降噪和拾取模型,优化和改善震源定位方法,结合岩爆灾害形成全过程微震信息演化趋势构建微震预测和岩爆预警模型,最终提出岩爆微震综合预警流程。在此基础上,研发和构建隧道微震自动化监测及岩爆智能预警平台,提高岩爆灾害动态预警的时效性和准确性。通过研究,本文获得如下主要成果和认识:（1）构建围岩微震信号智能分类模型。对现场监测信号进行时频分析能够初步区分和识别微破裂信号,其具有强度和频率相对较低、波形成分较为单一、衰减更快等特点。建立微破裂波形与噪音波形（爆破、机械和未知波形）的两类样本数据库,基于深度卷积神经网络构建了围岩微震波形智能分类模型,通过训练、验证、测试和方法对比分析,并结合相关指标证明了该方法的良好性能,且对于不同信噪比水平的微破裂信号同样能够较好检测。同时,该模型具有良好的泛化能力,对不同背景地质构造区域下的围岩微震波形分类也保持较高的精度,能够更好检测Mw≥0.5的微破裂事件。训练后的模型无需调整参数即可保证准确性,在实时监控、智能检测和分类方面具有良好的应用前景。（2）建立基于深度卷积编解码神经网络的微震波形降噪和拾取双任务模型。该模型集成了具有两个相似结构的卷积编解码网络,能够一次性解决围岩微破裂信号降噪和持续时间拾取问题。基于半合成数据训练好的模型,即使微破裂信号受到不同类型和强度的噪声污染（非高斯噪声）,甚至于噪声的频带与微破裂信号的频带重叠,信号和噪声成分也能正确的区分与分离。降噪后的微破裂信号泄漏极小,其形状和幅度特性得到了很好的保留,这些特点同样适用于通过含噪信号与降噪信号获得的预估的噪声（非高斯噪声和高斯噪声）。该模型在信号持续时间拾取上也表现出较高的拾取精度,包括了信号到时的拾取。虽然该模型的训练数据来自于半合成数据,但无论是降噪效果、波形恢复,还是持续时间拾取方面,其在实际采集围岩微震信号的应用效果同样保持良好。此外,该方法对于噪声污染而无法人为确定的微破裂信号持续时间也具有良好拾取能力,可以进一步改进和校正人为拾取结果。与高通滤波器降噪性能、STA/LTA方法到时拾取精度相比,该方法显着提高了信噪比,并引入了较少的波形失真,使真实波形得到更好的恢复,较高的命中率和较低的平均偏差证明了其在低信噪比下也具有良好的拾取精度,能够满足工程到时拾取精度要求。（3）优化和评估隧道微震阵列与震源定位算法。引入残差准则和双曲线密度评估和分析轴向扩展、横向扩展和双洞阵列三种隧道“非包围”式微震阵列的震源定位的准确性和有效性,并结合人工敲击实验和现场应用进行验证,结果显示双洞阵列定位效果相对最优。引入加权系数优化基于L1范数准则的微震定位目标函数,并结合隧道开挖爆破方式和初始震源位置判断构建隧道围岩传播速度模型,一定程度上提高了震源定位精度。引入混沌初始化策略、自适应学习因子、权重系数改进和提高种群多样性等措施优化粒子群算法并改善微震震源定位效果,最终通过不同定位方法对比论证了改进后的方法具有可靠性较强、稳定性较高的特点,能够很好地跳出局部最优,实现收敛精度的提升,找到比其他算法更好的解。（4）构建基于多变量、多目标的岩爆微震参数时间序列的智能预测模型。选取岩爆灾害形成全过程的能量释放、视体积、事件数及其累计值和能量指数等多变量微震参数构建岩爆微震指标库。基于此,建立基于卷积神经网络的多目标岩爆微震指标时间序列预测模型,结合各类评价指标对比分析不同神经网络模型的预测性能,提出了微震指标时间序列预测方法,实现了未来微震参数的准确预测,为后续岩爆灾害动态预警提供数据基础和支撑。（5）建立基于灾变前兆信息及其演化趋势推断的岩爆微震综合智能预警模型。基于累计视体积和能量指数变化趋势将岩爆灾害形成全过程划分为岩爆萌生阶段、岩爆灾变阶段和岩爆成灾阶段。结合滑动时窗方法建立不同岩爆阶段所对应的样本数据库,基于高分辨率卷积神经网络构建岩爆预警模型,结合各类评价指标和方法对比研究了模型的性能表现,论证了该模型对不同岩爆阶段预测的准确性和良好性能,并验证了模型对不同环境数据的鲁棒性,最终确定以岩爆灾变阶段作为岩爆预警的阈值之一。同时,探索和研究不同岩爆灾害形成全过程的岩爆危险度及其增长趋势,认为当岩爆危险度增长速率大于0的量值的拟合曲线连续出现了不少于6次数据点的持续性升高为岩爆风险的另一预警阈值。结合微震监测技术,基于岩爆微震预测模型推断多参数灾变前兆信息的演化趋势,最终建立岩爆微震综合预警流程。（6）基于微震监测技术、微震信号处理（围岩微震波形智能分类、降噪和拾取）、震源定位、参数计算、微震预测和岩爆预警等各类智能算法和模型,结合Java和Python编程语言,运用B/S构架体系,建立了隧道微震自动化监测及岩爆智能预警系统平台。该平台实现了整个微震监测工作流程的自动化、高效化和智能化,极大程度上改善了数据质量和处理速率,一定程度上保证了岩爆微震预警的及时性和准确性。同时,研发平台在实际工程中得到了良好应用。
吴桐[4]（2020）在《老旧房屋健康智能监测云平台系统研究》文中研究说明近年来我国老旧房屋安全问题日益凸显,随着国家智能传感器、物联网、云计算技术等新技术的日益成熟,面对智能化、主动式、实时高效的老旧房屋健康监测新要求,以及海量异构监测数据信息的计算、存储和可视化管理的新挑战,基于物联网和云计算技术融合的老旧房屋健康智能监测己经成为发展趋势,未来将助力智慧城市的建设。首先,本文通过分析我国房屋安全检测评定的现状,总结目前老旧房屋综合治理的难题,研究物联网通用架构和系统设计原则,并借鉴其在各应用领域的相关经验,提出了老旧房屋健康智能监测系统的总体架构,并通过研究云计算技术的主要特征,分析大数据处理策略与云计算任务部署,探索物联网监测系统上云。接着,通过在浙江省、广东多县市对老旧房屋安全现状进行实地调研,梳理总结了我国目前老旧房屋的主要破坏特点和损伤诱因,以此对智能监测物联网系统各功能子层进行设计。针对老旧房屋主体结构存在的倾斜、沉降、裂缝问题,设计了基于物联网的老旧房屋传感器监测系统,实现监测数据自动化采集与低功耗、实时传输,以及低成本、实时动态的老旧房屋健康智能监测的新要求。面对老旧房屋存在的各种损伤老化、安全隐患、人为使用不当等问题,并对比了传统人工巡视排查方式的局限性,设计了工业级智能机和巡检APP软件任务驱动式的老旧房屋智能巡检APP系统,实现无纸化、高效、便捷、全面的房屋安全智能巡检,并利用无线传输网络和百度地图定位功能,满足巡检任务与信息的实时更新和巡检工作开展地有效监督要求。然后,分析老旧房屋传感器监测系统与智能巡检APP系统在功能和监测效果上的互补互促,实现有机融合并上云,借鉴阿里云中的关键技术,实现老旧房屋健康智能监测系统的云平台部署,让监测机构更好地解决海量异构监测数据信息的分析、处理、存储等难题。并设计了基于云上批量计算应用模块的监测数据后处理工作流程。借助python软件工具对倾斜等实时监测历史数据进行预处理和时间序列分析预测后处理,提高了监测数据的利用价值,实现了智能监测系统中海量监测数据信息的云上自动化处理,有助于提升老旧房屋监测和预警效果。最后,为浙江省多市县政府房管部门搭建监控中心,初步实现老旧房屋健康智能监测云平台系统的可视化管理和应用,结合三级预警和预警响应方案等措施,很好地提升了政府对城市老旧房屋安全监管和治理能力,保障了城镇居民人身财产的安全。
毛东[5]（2020）在《基于Hadoop的动车段综合管理信息系统建设的研究》文中提出近年来,我国高速铁路快速发展,高速铁路运营里程不断增长。从2007年第一组和谐号动车组下线至今,全路动车组保有量从2007年的105标准列增加到2017年的2742标准列,年均复合增长超过40%。截至2018年12月31日,全路动车保有量为3303.25标准列[1]。伴随保有量的快速增长以及行车里程的累积,对如何保证动车组安全运行、加强动车组运用检修管理提出了更高的要求。目前,国铁集团根据铁路建设网的需要,结合全路动车组运用实际,分别在北京、上海等地设置了7个具有先进工艺流程和工装设备、现代化的管理信息系统的动车检修基地,并在全国范围内建立了几十个动车运用所,来完成动车组的检修运用工作。在国内,动车组运行10年来,随着运维及检修经验的不断丰富,我国已积累了海量的动车组数据,这些数据就像一座尚待开发的储量丰富的金山,一旦被有效的开发利用,将会对我国动车组运维、客户分析等方面产生极大效益。当前,在国铁集团的统筹安排下,针对动车组运行管理的信息化工作及所产生的的海量数据的分析工作己经逐步展开,2017年,当时的中国铁路总公司先后印发《中国铁路总公司关于印发铁路大数据应用实施方案的通知》（铁总信息[2017]155号）,《中国铁路总公司关于印发<铁路信息化总体规划>的通知》（铁总信息[2017]152号）,对全路大数据应用实施提出总体方案,并明确具体目标,标志着高速铁路动车组运行维护信息化工作及大数据分析应用工作正式启动。近年来,在该方案的指导下,铁路各类信息化管理系统层出不穷,各类数据分析系统也应运而生,并且在故障诊断、客户分析等相关工作中己取得了一定的成绩。但是,过多的信息系统也造成了现场检修作业信息重复录入、信息交叉情况较多、信息孤岛现象日益突出。其次,在数据分析方面,对动车组运维保养及动车段运营管理数据的分析工作还处在起步阶段,仍面临着数据量大、类型多样、存储成本髙、管理耗费大等许多的挑战。在动车组运营管理单位,随着动车组配属量持续增加,动车所和高级修检修持续扩能,并且随着科技的发展和动车组新造技术的进步,车型种类种类不断增加,人员数量、物资材料、设备设施、规章制度等也在不断增加和深化,动车组的日常管理范围、深度不断拓展,给动车段的安全生产工作带来了巨大的压力,各动车段所面对的已不仅仅局限于具体的业务生产流程,同时要兼具很强的管理职能,如何更高效的调配好各类检修运用资源,统筹好各项生产运用组织工作成为摆在各动车段的一项实际问题。本文通过对目前国内动车组保有量最大、同时也兼具动车组运用与高级修能力的动车段——上海动车段在动车组生产实际和现有资源的研究,探索建立动车段综合管理信息系统,以在动车段内实现动车组运行检修、生产作业异常、物资使用管理等信息的快速采集,动车组检修机器人、各类信息化设备和系统的互联互通,是段内各种信息资源的到有效整合,实现全段共享,基于Hadoop大数据分析平台开展大数据分析,并将分析结果以可视化形式展示给相应操作人员或管理人员,为动车段动车组检修、运用管理信息化提供保障,进一步筑牢动车组运行安全屏障,提升动车组安全保障水平,提高动车组检修管理决策能力,同时为未来的智慧动车段建设规划提供参考。
闻龙[6]（2020）在《面向智能网联汽车的高性能计算仿真平台》文中提出人工智能技术在解决智能网联汽车在复杂场景下的感知决策课题中具有极大的应用潜力,但同时面临车载算力限制、开发效率较低与场景验证困难的三个方面的挑战。为此,本论文提出一种基于高性能计算平台的仿真平台。该平台主要包括以下两个个内容:（1）构建基于高性能计算的仿真平台,并在其中融合多种常用人工智能算法,提供算法支持;（2）提出一种虚实融合的半真实仿真测试场景,解决算法验证过程中对场景的随机性、真实性的需求,提高保障测试安全的同时,提高测试效率。论文的主要研究研究内容如下:（1）针对在人工智能算法开发门槛高、开发效率低下的问题,以及针对人工智能算法需要较高的车载算力的问题,本文搭建了一个融合低延迟图像传输算法及多种人工智能算法的高性能计算仿真平台。开发了模块化封装的各类人工智能算法开发工具箱,降低人工智能算法开发门槛,提高开发效率。同时算法开发工具箱多线程调用,支撑云平台多车感知决策需求。算法开发工具箱主要包括:目标识别算法、语义分割算法、车道线识别算法、端到端决策算法、有限状态机决策算法以及低延迟图像传输系统。依靠5G等高带宽、低时延的通讯手段,在云端实现感知决策等对算力需求较大的任务,并将结果返回车端。在这个架构下,理想状态下车仅需要感知系统的传感器系统以及线控执行系统,这不仅降低车端对算力的需求,还可在云端实现“车-路”协同感知,提高行车安全。平台的基本架构主要包括:高性能计算服务器、并行计算加速驱动、基于容器引擎的开发环境管理系统以及经过封装的算法开发工具箱。（2）针对人工智能算法在实车实路条件下验证难度大风险高的问题,本文提出了一种仿真场景中的动态交通流生成方法。论文借鉴“平行测试”的理念,基于已搭建完成的仿真平台和静态仿真场景,构建出虚实融合的半真实仿真测试场景,将真实交通流数据同步至仿真场景中,解决算法验证过程中对场景的随机性、真实性的需求,提高保障测试安全的同时,提高测试效率。在构建车路协同的半真实仿真场景系统中,面临道路目标场景理解的难题。为此,论文结合“路端传感器”、“边缘计算”两种关键技术,在虚拟的静态道路场景中动态的生成接近真实的交通流场景信息。（3）论文通过仿真平台与实车的平行试验,对系统主要功能与关键性能进行了验证,通过多智能体在半真实仿真环境中的同步测试,验证了平台算法验证了平台的高性能算力以及算法测试的高效性,通过多路的真实视频数据回传并在高性能计算平台进行集中计算,验证了基于超分辨率算法和算法开发工具箱的云端感知计算系统的可行性。通过对真实道路上目标进行识别定位,最后在虚拟场景中动态生成,验证了半真实仿真测试场景生成的有效性。
王铭豪[7]（2020）在《虚拟化环境下内存接入模型分析与优化研究》文中认为传统的数据中心是建立在多个实体服务器上,并行完成各种任务,一旦任务量加大就需要增加服务器的数量,从而使成本投入增大。为减少成本,提高资源的利用率,虚拟化技术应运而生。通过运用虚拟化技术,较少的服务器资源就可以运行多个应用程序和操作系统,并且可被多个用户同时使用,减少部署服务器的成本并提高工作效率。本文通过对虚拟化环境下内存访问模型进行分析和研究,提出了新的内存访问模型,并在此基础上设计了基于GPU加速的页面置换算法,复用GPU的空余算力,实现了内存数据的高速置换与压缩,有效地提高了内存资源的利用率。本文的主要研究工作如下:（1）对虚拟化环境下的内存访问数据进行统计分析、设计和建立相应模型。首先利用Docker和K8S（Kubernetes）构架构建虚拟化服务环境;然后利用压力测试来模拟大量的用户访问;最后通过实验收集访问内存的数据,并利用齐夫指数与基尼系数判定其是否符合Zipf分布。根据实验结果的可视化图,可以看出数据的分布出现了锯齿波,呈现阶梯型分布,由此构建了面向虚拟化环境下新的内存访问接入模型——阶梯聚集分布（Ladder Aggregation Distribution,LAD）,实验结果表明LAD分布模型较为符合实际情况。（2）基于GPU加速的页面置换算法的优化与设计。针对以Docker为例的虚拟化环境下内存访问的LAD分布,本文设计了一种基于GPU加速的页面置换算法。基于GPU加速的页面置换算法主要有两部分:GPU空余算力探索、GPU内数据快速索引查找与压缩。GPU空余算力探索是为了合理的利用GPU的空余算力,GPU内数据快速索引查找与压缩是用来判断所需数据是否在GPU中以及压缩GPU内的数据。首先把内存中使用频率低的数据放入GPU,并利用GPU空余算力把传入GPU中的数据进行压缩;然后当CPU发生缺页中断时,数据在GPU中,将数据解压后传给CPU;最后对基于GPU加速的页面置换算法的压缩性能、页面置换时延、命中率以及内存利用率等性能进行了分析和比较。
梁开伟[8]（2020）在《基于多重卷积循环神经网络的高速列车转向架故障诊断方法研究》文中指出随着高速铁路快速发展,客流密度逐年递增,高速列车安全运维变得尤为重要。作为高速列车的关键走行部件,转向架主要由构架、轮对、轴箱、牵引驱动装置和弹簧悬挂装置等机械部件组成,承受列车运行中产生的各种载荷及作用力,减小异常振动及冲击,保障列车安全平稳运行。在高速列车服役期间中,转向架长期承受轨道激励的扰动影响,呈现性能退化甚至完全故障等异常工况。列车通过安装传感器采集状态信息,以监测列车的实时运行状态,但多传感器信息融合程度低,多源异构信息得不到充分利用,传统故障诊断的可靠性低。针对这一问题,本文重点研究多重卷积循环神经网络（Multiple Convolutional Recurrent Neural Network,M-CRNN）,构建多任务故障诊断模型,进行转向架故障类型识别以及性能退化评估的研究,主要内容包括:1)基于信号处理的高速列车转向架故障分析首先,简要介绍转向架的机械结构、故障机理及各关键部件故障影响。其次,详细阐述基于SIMPACK仿真实验的转向架模型及数据采集方案。同时,分析转向架单/复合故障在时域、频域上的特征。最后,基于聚合经验模态分解和自回归（AR）频谱分析相结合方法,提取故障、性能退化的振动信号中时频特征,筛选转向架故障、性能退化的故障特征频率,实现转向架系统的故障信号分析。2)基于一维卷积神经网络的转向架故障识别为了改进转向架故障信号的特征提取算法,并提高故障识别的准确率,提出基于一维卷积神经网络（1-Dimentional Convolutional Neural Network,1D-CNN）的高速列车转向架智能故障识别算法。1D-CNN算法以多源异构的故障信号为网络输入,自适应地挖掘表征故障信号的高维特征,进而提高转向架的多传感器信息融合效率,实现转向架复合故障识别。1D-CNN算法在转向架复合故障识别任务上达到96.4%的准确率,验证1D-CNN被用于转向架故障识别任务具有可行性。3)基于卷积循环神经网络的转向架故障识别为了充分利用转向架故障信号中多源异构的特征信息,提高1D-CNN算法的识别精度,构建深度卷积循环神经网络（Convolutional Recurrent Neural Network,CRNN）的故障诊断模型,实现识别精度高、训练速度快的转向架故障识别。CRNN故障识别算法的网络核心是1D-CNN的结构特征一次提取模块和简单循环单元（Simple Recurrent Unit,SRU）的时序特征二次提取模块。相比1D-CNN、SRU等单深度学习框架和随机森林、梯度提升树等机器学习框架,基于CRNN的转向架故障识别效率最优,其识别精度和训练耗时分别为97.4%和24min35s。同时,基于T-分布随机邻域嵌入（T-distributed Stochastic Neighbor Embedding,T-SNE）算法,设计故障分类可视化实验。在T-SNE可视化实验中,转向架单/复合故障样本在特征空间中聚类偏倚少,聚类质量高。因此,CRNN在转向架故障识别任务具有较好的适用性。4)基于M-CRNN的转向架故障识别和性能退化评估针对转向架信号中故障类型与性能退化间特征信息相互关联、交叉重叠的现象,提出M-CRNN的多任务复合故障诊断框架,实现转向架故障识别和性能退化评估。M-CRNN算法包含两大CRNN模块,学习故障类型与性能退化间内在关联,分离故障类型、性能退化的特征,进而保证故障类型与性能退化同时识别的转向架故障诊断具有较高准确率。在多运行速度下,M-CRNN的多任务故障诊断精度达到94.6%,故障类型、性能退化识别精度分别为99.1%和95.4%,验证了 M-CRNN在转向架故障诊断任务具有较好的识别精度和泛化能力。同时,在T-SNE可视化实验中,M-CRNN所提取特征在低维空间中也具有较优的聚类质量。最后,基于PyQt和Visual Studio 2015等软件进行转向架智能故障诊断人机交互界面开发,为高速列车安全运维提供系统有效的解决方案。
赵圆圆[9]（2018）在《制造装备能力的知识建模及其应用》文中认为制造装备能力是制造装备在产品的加工过程中体现出来的制造能力。制造领域专家将制造能力描述为在某一具体活动过程中产生,体现了一种对制造资源配置和整合的能力,反映了制造企业或制造实体完成某一任务及预期目标的水平。从制造资源的粒度上,制造能力可以划分为资源单元级、车间级、工厂级和企业级。资源单元级的制造能力主要反映单个制造资源所表现出来的能力。制造装备是执行生产加工的主体资源,制造装备能力是制造能力在资源单元级上的主要体现。制造装备能力除了制造装备自身的固有功能属性,还包含在执行制造活动过程中涉及的各类软资源信息,例如车间的加工策略、操作技能、状态、约束等等。本文依托国家自然科学基金项目,进行了制造装备能力的知识建模研究,为云制造模式下大规模协同制造提供支持。主要以当前制造企业应用最为广泛的两类制造装备（数控机床和工业机器人）为对象,研究制造装备能力的知识建模方法。针对数控机床的制造能力建模,结合现有的相对比较成熟的工业数据标准模型,提出了基于模式映射的知识建模方法自动构建数控机床能力的知识模型。对于工业机器人的制造能力建模,研究了基于动态描述逻辑的知识建模方法,给出了工业机器人动作的明确定义,提出了一种基于动作区间状态的能耗描述方法。对于知识模型的更新维护,提出了一种基于多层并行关联挖掘的知识模型自学习进化方法,在领域文档中自动挖掘潜在的关联知识。本文的主要研究内容包括如下几个方面:（1）研究制造装备能力的知识模型构架。从云制造模式下制造装备能力的动态共享和智能分配的应用需求入手,确定制造装备能力的知识范畴,收集和分析制造装备能力涉及的概念以及概念之间的关系,结合知识建模的理论和方法,构建制造装备能力的知识模型结构。（2）以数控机床制造能力为对象,研究基于模式映射的制造装备能力的知识建模方法。通过研究基于EXPRESS-OWL的模式映射规则,根据制造装备能力的知识范畴,结合通用标准数据模型STEP-NC、车间状态信息以及领域专家知识,自动地构建数控机床能力的本体知识模型。针对EXPRESS-OWL模式映射中存在局限,根据领域知识,利用本体语言对模型中的术语进行明确补充说明。研究基于SWRL的语义规则用来描述在映射过程中遗漏的领域知识。基于此,研究制造装备与零件加工任务之间的关联规则,利用规则推理对制造装备能力进行动态描述。最后,利用数控机床实例和推理对构建的知识模型的一致性和可满足性进行验证,同时,通过与其它具有相似应用背景的机床能力模型的比较来分析说明模型的性能。（3）以工业机器人制造能力为对象,研究基于动态描述逻辑的制造装备能力知识建模方法。根据制造装备能力知识范畴,进一步收集工业机器人能力概念以及概念间关系,构建工业机器人制造能力的知识模型结构。研究动态描述逻辑语言,对工业机器人的简单和复杂动作进行明确的定义。为了描述动作执行过程中的能耗,提出一种基于动作区间状态的语义描述方法,对工业机器人能耗进行分段标识,定义计算规则提供能耗的推理计算。在此基础上,研究工业机器人能力的判定规则。最后通过工业机器人实例和测量的能耗描述以及任务信息对构建的知识模型的一致性和能力判定规则进行推理验证,同时,结合现有的机器人能力模型来比较和分析构建的工业机器人能力模型的性能。（4）针对制造装备能力知识模型的更新进化,研究基于多层并行关联挖掘的本体知识模型自学习方法,从半结构化的领域文档中自动挖掘关联知识。其中,针对领域文档的数据提取,研究知识模型的结构特性,提出一种基于语义权重的知识模型重要节点提取方法,用于提取领域文档中的重要概念节点的数据,构建挖掘数据集。在基础上,研究知识关联挖掘方法,提出基于多层并行关联挖掘的本体自学习进化方法,结合Map/Reduce和Apriori关联算法,自动挖掘数据集中潜在的知识关联用于补充本体知识库。其中,为了提高挖掘性能,利用已有的知识模型层次结构对数据集进行预处理。最后通过方法的执行和性能比较,对挖掘时间和挖掘结果进行分析说明。（5）基于构建的制造装备能力知识模型,开发制造装备能力知识库管理系统,提供基于Web的可共享、可协同开发的制造装备能力知识库。该系统功能主要包括知识模型的图谱可视化和知识维护、以及制造装备能力的知识检索和知识匹配。然后,在云制造装备服务平台上进行知识库系统的集成应用,为平台上制造装备的任务匹配提供知识服务。
顾俊杰[10]（2019）在《多体系统传递矩阵法动力学软件研究》文中指出多体系统传递矩阵法是近二十多年提出并不断完善的一种多体系统动力学全新方法,进行多体系统动力学研究时具有无需系统总体动力学方程、计算速度快、可自动推导等特点,已被广泛应用于科学研究和各种复杂机械系统的动力学性能设计与试验设计。本文作为国防973项目研究成果的重要组成部分,设计并开发了一个面向服务组件的多体系统传递矩阵法可视化动力学软件,使工程技术人员和力学工作者免于推导复杂繁琐的动力学方程,为复杂多体系统动力学的建模、计算、设计提供技术支撑和可视化的数字平台。论文主要作出了如下创新工作:（1）为了提高线性多体系统数值计算稳定性,推导了树形多体系统Riccati传递矩阵递推关系,在此基础上推导了含有闭环的任意拓扑结构多体系统Riccati传递矩阵递推关系,由此建立了任意拓扑结构线性多体系统都适用的线性多体系统Riccati传递矩阵法,克服了线性多体系统传递矩阵相乘导致的矩阵元素相差过大形成的空间传递困难,改善了多体系统传递矩阵法数值计算的稳定性;（2）提出了基于MPI（Message Passing Interface）分布式并行计算理论的特征值递归搜索并行算法,从而大幅提升多体系统传递矩阵法特征值计算速度,提高计算效率,缩短了典型武器系统动力学优化时间;（3）建立了面向服务组件的多体系统传递矩阵法动力学软件构架,结合多项开源软件技术实现了三维几何模型、网格模型的建立以及和其它CAD系统数据交换等功能,同时实现了动力学模型的建立、计算所需参数自动生成、建模与仿真过程可视化等功能;（4）研究了多体系统传递矩阵法求解器将动力学模型转化为多体系统传递矩阵法数学模型过程中涉及的关键技术,实现了含有闭环的任意拓扑结构多体系统中闭环切断铰的自动选取、派生树系统的自动生成及自动规则编号、系统动力学拓扑图的自动生成等技术;（5）将本文建立的多体系统传递矩阵法动力学软件应用于多管火箭和坦克等武器系统动力学建模与仿真研究,获得了多管火箭和坦克的动力学计算结果,结果表明本文建立的多体系统传递矩阵法动力学软件为武器系统动力学建模和仿真提供了有力的平台,为武器系统动力学性能优化设计奠定了基础。
二、网络并行可视化平台的构架（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、网络并行可视化平台的构架（论文提纲范文）
（1）市（县）级农业大数据管理平台研究（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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究的技术路线 |
| 1.4 本文研究的关键技术与创新点 |
| 1.5 论文组织结构 |
| 2 相关技术概述 |
| 2.1 网络爬虫 |
| 2.2 大数据技术 |
| 2.3 微服务架构 |
| 2.4 本章小结 |
| 3 市(县)级农业大数据管理平台需求分析 |
| 3.1 农业大数据管理平台可行性分析 |
| 3.2 农业大数据管理平台相关建设标准、规范与原则 |
| 3.3 农业大数据管理平台功能需求分析 |
| 3.3.1 三农综合服务信息网(一张网) |
| 3.3.2 农业指挥及展示中心(一中心) |
| 3.3.3 智慧农业数据中台 |
| 3.3.4 智慧农业技术中台 |
| 3.3.5 智慧农业业务中台 |
| 3.3.6 智慧农业数字化平台(两平台) |
| 3.3.7 农业资源集成对接(一对接) |
| 3.4 本章小结 |
| 4 市(县)级农业大数据管理平台总体方案设计 |
| 4.1 农业大数据管理平台相关标准规范设计 |
| 4.1.1 数据资源目录标准体系 |
| 4.1.2 农业数据采集标准 |
| 4.1.3 农业数据提取标准 |
| 4.1.4 农业数据清洗标准 |
| 4.1.5 农业数据关联标准 |
| 4.1.6 农业基础数据数据库标准 |
| 4.1.7 综合业务数据数据库标准 |
| 4.1.8 农业应用数据数据库标准 |
| 4.1.9 社会资源数据数据库标准 |
| 4.1.10 基础地理数据数据库标准 |
| 4.2 农业大数据管理平台总体架构设计 |
| 4.2.1 平台总体业务构架设计 |
| 4.2.2 平台总体技术构架设计 |
| 4.3 三农综合服务信息网设计 |
| 4.3.1 农业统一门户网站 |
| 4.3.2 农业APP |
| 4.3.3 农业微信公众号 |
| 4.4 农业指挥及展示中心设计 |
| 4.5 智慧农业数据中台设计 |
| 4.5.1 数据资源目录系统 |
| 4.5.2 数据采集系统 |
| 4.5.3 数据共享交换系统 |
| 4.5.4 数据资源管理系统 |
| 4.5.5 数据资源池系统 |
| 4.5.6 涉农新媒体数据监测预警系统 |
| 4.6 智慧农业技术中台设计 |
| 4.7 智慧农业业务中台设计 |
| 4.8 农业数字化信息平台设计 |
| 4.8.1 应急指挥调度管理平台 |
| 4.8.2 农业一张图 |
| 4.9 农业资源集成对接设计 |
| 4.9.1 应用系统整合实现方式 |
| 4.9.2 应用系统整合实施内容 |
| 4.10 本章小结 |
| 5 涉农新媒体数据监测预警平台部分的详细设计和实现 |
| 5.1 开发环境 |
| 5.2 数据库设计 |
| 5.3 涉农新媒体数据监测预警平台功能实现 |
| 5.3.1 涉农新媒体监测管理 |
| 5.3.2 涉农新媒体运营管理 |
| 5.3.3 涉农新媒体系统管理 |
| 5.3.4 涉农新媒体监测可视化 |
| 5.4 平台功能测试 |
| 5.4.1 系统登录测试 |
| 5.4.2 涉农新媒体监测管理测试 |
| 5.4.3 涉农新媒体运营管理测试 |
| 5.5 平台功能应用 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 研究总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（2）分布式与自动化大数据智能分析算法与编程计算平台（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与概况 |
| 1.1.1 研究背景与基本问题 |
| 1.1.2 难点技术与关键科学问题 |
| 1.1.3 国内外发展概况 |
| 1.2 国内外研究现状与趋势 |
| 1.2.1 大数据分析挖掘和机器学习并行化算法 |
| 1.2.2 大数据自动化机器学习技术 |
| 1.2.3 大数据智能分析编程计算方法与平台 |
| 1.3 现有研究工作和技术存在的不足 |
| 1.4 本文组织架构 |
| 1.5 本文的研究内容和主要工作 |
| 1.5.1 总体研究目标与研究内容 |
| 1.5.2 本文主要研究内容 |
| 第二章 高效的大规模分布式函数依赖发现算法 |
| 2.1 研究背景与问题 |
| 2.2 背景知识与相关工作 |
| 2.2.1 函数依赖基本定义 |
| 2.2.2 基于采样-验证的函数依赖发现 |
| 2.2.3 已有函数依赖发现算法 |
| 2.3 基于属性重排序的算法框架 |
| 2.4 数据预处理 |
| 2.4.1 属性信息统计 |
| 2.4.2 属性重排序 |
| 2.4.3 记录编码 |
| 2.5 AFDD算法 |
| 2.5.1 总体流程 |
| 2.5.2 分布式成对采样 |
| 2.5.3 属性并行的剪枝-生成 |
| 2.5.4 分布式基于索引的验证 |
| 2.5.5 自适应的采样-验证切换 |
| 2.5.6 复杂度分析 |
| 2.6 Batch AFDD算法 |
| 2.7 性能评估 |
| 2.7.1 实验环境 |
| 2.7.2 性能比较 |
| 2.7.3 扩展性评估 |
| 2.7.4 属性重排序评估 |
| 2.7.5 分布式探测评估 |
| 2.8 本章小结 |
| 第三章 高效的大规模分布式并行化谱聚类算法 |
| 3.1 研究背景与问题 |
| 3.2 背景知识与相关工作 |
| 3.2.1 谱聚类算法基本原理 |
| 3.2.2 样本间相似性度量方法 |
| 3.2.3 谱聚类算法主要流程 |
| 3.3 相似度矩阵构建及稀疏化并行化 |
| 3.3.1 相似度并行计算 |
| 3.3.2 相似度矩阵稀疏化 |
| 3.4 Laplacian矩阵构建及正规化并行化 |
| 3.4.1 Laplacian矩阵构建 |
| 3.4.2 Laplacian矩阵正规化 |
| 3.5 特征向量计算并行化 |
| 3.5.1 精确特征向量并行化求解 |
| 3.5.2 近似特征向量并行化求解 |
| 3.6 k-means聚类并行化 |
| 3.6.1 k-means聚类算法描述 |
| 3.6.2 k-means聚类并行化 |
| 3.6.3 距离计算优化 |
| 3.7 性能评估 |
| 3.7.1 实验环境及数据 |
| 3.7.2 聚类效果评估 |
| 3.7.3 算法性能评估 |
| 3.7.4 数据可扩展性评估 |
| 3.7.5 节点可扩展性评估 |
| 3.8 本章小结 |
| 第四章 高效的分布式深度森林训练方法与算法 |
| 4.1 研究背景与问题 |
| 4.2 背景知识与相关工作 |
| 4.2.1 深度森林 |
| 4.2.2 Ray |
| 4.2.3 多层表征学习 |
| 4.2.4 机器学习框架与声明式编程模型 |
| 4.3 基于子森林划分的任务并行训练算法 |
| 4.3.1 设计动机 |
| 4.3.2 划分和合并 |
| 4.3.3 复杂度分析 |
| 4.4 系统设计与优化 |
| 4.4.1 系统概述 |
| 4.4.2 高层编程API |
| 4.4.3 系统层优化 |
| 4.5 性能评估 |
| 4.5.1 实验环境及数据 |
| 4.5.2 模型配置 |
| 4.5.3 性能对比 |
| 4.5.4 扩展性评估 |
| 4.5.5 负载均衡评估 |
| 4.5.6 系统层优化评估 |
| 4.5.7 划分粒度分析 |
| 4.6 本章小结 |
| 第五章 大数据AutoML自动化机器学习方法与算法 |
| 5.1 研究背景与内容概述 |
| 5.2 相关工作 |
| 5.3 基于强化学习和贝叶斯优化的机器学习流水线自动化设计 |
| 5.3.1 研究背景与问题 |
| 5.3.2 基于强化学习的结构搜索 |
| 5.3.3 基于贝叶斯优化的算法超参优化 |
| 5.3.4 分布式并行的流水线设计 |
| 5.3.5 性能评估 |
| 5.3.6 小结 |
| 5.4 资源受限场景下基于自适应连续过滤的自动化机器学习 |
| 5.4.1 研究背景与问题 |
| 5.4.2 自适应连续过滤算法BOASF |
| 5.4.3 基于BOASF的模型选择 |
| 5.4.4 基于BOASF的超参数优化 |
| 5.4.5 性能评估 |
| 5.4.6 小结 |
| 5.5 终生学习场景下基于加权集成的自动化机器学习 |
| 5.5.1 研究背景与问题 |
| 5.5.2 自动化终生学习问题定义 |
| 5.5.3 基于加权集成学习的算法框架 |
| 5.5.4 针对概念漂移的自适应权重设计 |
| 5.5.5 性能评估 |
| 5.5.6 小结 |
| 5.6 本章小结 |
| 第六章 大数据AutoDL自动化深度学习方法与算法 |
| 6.1 研究背景与内容概述 |
| 6.2 相关工作 |
| 6.3 基于渐进式多保真度评估的超参数优化 |
| 6.3.1 研究背景与问题 |
| 6.3.2 低保真度评估偏差 |
| 6.3.3 渐进式多保真度评估 |
| 6.3.4 贝叶斯模型构建及其热启动 |
| 6.3.5 性能评估 |
| 6.3.6 小结 |
| 6.4 最小化离散性能偏差的可微分网络架构搜索 |
| 6.4.1 研究背景与问题 |
| 6.4.2 可微分的网络架构搜索 |
| 6.4.3 最小化离散性能偏差 |
| 6.4.4 随机固定规约单元的架构搜索 |
| 6.4.5 性能评估 |
| 6.4.6 小结 |
| 6.5 本章小结 |
| 第七章 统一大数据智能分析编程计算方法与平台 |
| 7.1 研究背景与问题 |
| 7.2 相关工作 |
| 7.3 跨平台统一大数据智能分析编程计算模型与方法 |
| 7.3.1 跨平台统一大数据智能分析编程计算模型 |
| 7.3.2 基于计算流图的大数据智能分析编程方法 |
| 7.4 统一大数据智能分析平台集成与调度优化 |
| 7.4.1 统一大数据智能分析平台集成框架 |
| 7.4.2 跨平台统一调度优化 |
| 7.5 统一大数据智能分析算法集成与自动化机器学习建模 |
| 7.5.1 统一大数据智能分析算法集成框架 |
| 7.5.2 自动化机器学习建模工具平台 |
| 7.6 统一大数据智能分析与可视化编程原型系统设计与实现 |
| 7.6.1 系统总体架构 |
| 7.6.2 系统主要功能与模块设计实现 |
| 7.6.3 系统基本操作使用与大数据智能分析示例 |
| 7.6.4 系统技术特征总结 |
| 7.7 关键技术应用验证 |
| 7.7.1 分布式数据挖掘与机器学习算法应用验证 |
| 7.7.2 AutoML自动化机器学习算法应用验证 |
| 7.8 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 进一步的工作与研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间已发表论文列表 |
| 攻读博士期间参研项目列表 |
| 攻读博士期间获奖情况列表 |
| 攻读博士期间学术服务列表 |
| 应用成果证明 |
（3）基于深度学习的隧道微震信号处理及岩爆智能预警研究（论文提纲范文）
| 摘要 |
| 研究成果的主要创新点 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微震波形识别与分类研究 |
| 1.2.2 微震波形降噪和到时拾取研究 |
| 1.2.3 微震定位方法研究 |
| 1.2.4 岩爆预测及预警研究 |
| 1.2.5 主要问题与不足 |
| 1.3 研究思路、研究内容与技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第2章 基于深度卷积神经网络的围岩微震波形分类研究 |
| 2.1 引言 |
| 2.2 项目概况及数据来源 |
| 2.2.1 项目概况 |
| 2.2.2 微震监测系统构建 |
| 2.2.3 数据来源及岩爆灾害 |
| 2.3 微震波形的特征识别 |
| 2.4 微震波形信号预处理 |
| 2.5 CNN-MCN微震波形分类模型构建 |
| 2.6 CNN-MCN微震波形分类性能分析 |
| 2.6.1 数据准备与训练 |
| 2.6.2 实验结果和分析 |
| 2.7 本章小结 |
| 第3章 基于深度编解码的围岩微震波形降噪和拾取研究 |
| 3.1 引言 |
| 3.2 自编码神经网络模型 |
| 3.2.1 自编码 |
| 3.2.2 卷积自编码 |
| 3.3 微震波形降噪与拾取双任务模型构建 |
| 3.4 微震波形降噪与拾取双任务模型性能分析 |
| 3.4.1 数据准备和训练 |
| 3.4.2 实验结果与分析 |
| 3.4.3 通用性与对比分析 |
| 3.5 本章小结 |
| 第4章 隧道围岩微震阵列优化及震源定位研究 |
| 4.1 引言 |
| 4.2 微震定位原理及目标函数构建 |
| 4.3 隧道微震阵列探讨与评估 |
| 4.3.1 “非包围”微震阵列不足 |
| 4.3.2 “非包围”微震阵列评估和优化 |
| 4.4 隧道震源定位方法优化与构建 |
| 4.4.1 隧道围岩速度模型优化 |
| 4.4.2 微震定位优化算法构建 |
| 4.5 微震优化阵列与改进定位方法的测试与应用 |
| 4.5.1 “非包围”微震阵列测试与应用 |
| 4.5.2 围岩波速模型测试 |
| 4.5.3 不同定位算法对比 |
| 4.5.4 微震定位优化方法应用 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网络的微震预测及岩爆预警研究 |
| 5.1 引言 |
| 5.2 相关理论基础 |
| 5.2.1 时间序列预测原理 |
| 5.2.2 ARIMA经典时间序列预测方法 |
| 5.2.3 神经网络预测模型 |
| 5.3 岩爆微震指标库建立 |
| 5.3.1 微震评价指标 |
| 5.3.2 岩爆微震指标选取与构建 |
| 5.3.3 数据预处理 |
| 5.4 微震指标预测研究 |
| 5.4.1 实验环境与数据 |
| 5.4.2 评价指标 |
| 5.4.3 微震指标时间序列模型构建 |
| 5.4.4 实验结果分析 |
| 5.4.5 不同方法对比 |
| 5.5 岩爆微震预警研究 |
| 5.5.1 实验数据 |
| 5.5.2 岩爆微震预警模型 |
| 5.5.3 岩爆微震综合预警 |
| 5.6 本章小节 |
| 第6章 隧道微震自动化监测及岩爆智能预警平台研究 |
| 6.1 引言 |
| 6.2 系统分析与设计 |
| 6.2.1 设计原则 |
| 6.2.2 系统开发及代码管理平台 |
| 6.2.3 系统及框架设计 |
| 6.2.4 数据库设计 |
| 6.3 系统主要模块 |
| 6.3.1 微震听诊模块 |
| 6.3.2 微震预测模块 |
| 6.3.3 岩爆预警模块 |
| 6.3.4 用户与信息模块 |
| 6.3.5 系统运行流程 |
| 6.4 工程应用 |
| 6.4.1 工程概况 |
| 6.4.2 微震自动化监测 |
| 6.4.3 微震预测和岩爆预警分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 1 结论 |
| 2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（4）老旧房屋健康智能监测云平台系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 既有建筑健康现状 |
| 1.2.1 既有建筑服役现状及出现的问题分析 |
| 1.2.2 既有建筑结构健康监测的发展现状 |
| 1.2.3 老旧房屋健康监测的发展 |
| 1.3 物联网与云计算的发展 |
| 1.3.1 物联网与云计算的研究现状 |
| 1.3.2 老旧房屋健康智能监测云平台系统的发展 |
| 1.4 课题来源及本文主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 主要研究内容 |
| 第二章 老旧房屋健康智能监测云平台系统的总体框架及工作原理 |
| 2.1 引言 |
| 2.2 国内房屋安全检测评定机制 |
| 2.2.1 国内房屋安全检测评定的历史 |
| 2.2.2 国内房屋检测评定的现行机制 |
| 2.2.3 老旧房屋综合治理的难题和对策 |
| 2.3 老旧房屋健康监测云平台系统总体方案 |
| 2.3.1 物联网系统通用架构 |
| 2.3.2 系统设计原则 |
| 2.3.3 老旧房屋健康智能监测系统架构设计 |
| 2.4 云计算技术 |
| 2.4.1 大数据处理模式与云计算的任务部署 |
| 2.4.2 云计算技术部署与应用 |
| 2.5 本章小结 |
| 第三章 老旧房屋健康监测与智能巡检系统的设计与实现 |
| 3.1 引言 |
| 3.2 老旧房屋损伤特点与诱因分析 |
| 3.2.1 老旧房屋的主要破坏特点 |
| 3.2.2 老旧房屋的损伤诱因分析 |
| 3.2.3 老旧房屋健康智能监测系统各功能子层的设计分析 |
| 3.3 老旧房屋传感器监测物联网系统总体架构 |
| 3.3.1 现阶段我国常规房屋检测技术 |
| 3.3.2 老旧房屋健康监测感知层传感设备选型与布设 |
| 3.3.3 老旧房屋健康传感器监测物联网系统网络传输层设计 |
| 3.3.4 智能传感器监测与传统人工监测对比 |
| 3.4 智能巡检APP系统架构和功能设计总体架构 |
| 3.4.1 老旧房屋传统人工巡检 |
| 3.4.2 老旧房屋巡检新方式 |
| 3.4.3 智能巡检APP系统总体架构与功能的设计 |
| 3.4.4 智能巡检系统网络传输层设计: |
| 3.4.5 老旧房屋智能巡检APP系统与传统人工巡检的对比 |
| 3.5 本章小结 |
| 第四章 老旧房屋健康智能监测云的关键技术和系统应用 |
| 4.1 引言 |
| 4.2 老旧房屋健康智能监测云设计 |
| 4.2.1 老旧房屋健康智能监测云的设计目标 |
| 4.2.2 云计算服务模式的对比 |
| 4.2.3 阿里云的关键技术及监测云数据处理的技术实现 |
| 4.2.4 基于云计算的老旧房屋健康监测变革 |
| 4.3 老旧房屋监测数据预处理与后处理分析 |
| 4.3.1 监测数据预处理 |
| 4.3.2 监测数据后处理分析及预测 |
| 4.4 智能监测云平台系统的管理和房屋预警应用实现 |
| 4.4.1 智能监测云平台系统的管理 |
| 4.4.2 老旧房屋安全预警实现 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文的主要结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
（5）基于Hadoop的动车段综合管理信息系统建设的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言(前 言) |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要的研究内容 |
| 1.4 论文的组织结构 |
| 2 数据可视化及交互技术研究 |
| 2.1 数据可视化技术综述 |
| 2.1.1 数据可视化研究概述 |
| 2.1.2 面向大数据可视化的关键技术简介 |
| 2.1.3 可视化交互技术 |
| 2.2 数据预处理及清洗方案 |
| 2.2.1 数据预处理介绍 |
| 2.2.2 数据的清洗方案 |
| 2.3 Hadoop大数据平台基本介绍 |
| 2.3.1 分布式文件系统HDFS |
| 2.3.2 并行计算框架Map Reduce |
| 2.3.3 数据仓库Hive |
| 2.4 系统中所用算法的研究 |
| 2.5 本章小结 |
| 3 需求分析 |
| 3.1 业务需求 |
| 3.2 用户需求 |
| 3.3 网络需求 |
| 3.4 安全需求 |
| 3.5 本章小结 |
| 4 系统架构 |
| 4.1 系统总体架构 |
| 4.2 技术架构 |
| 4.3 逻辑架构 |
| 4.4 数据架构 |
| 4.5 硬件架构部署 |
| 4.6 本章小结 |
| 5 基于Hadoop的动车段生产综合管理信息系统内容及界面 |
| 5.1 系统内容及身份验证 |
| 5.2 调度管理 |
| 5.2.1 应急指挥 |
| 5.2.2 生产调度 |
| 5.3 大数据分析的可视化展示案例 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间取得的科研成果 |
| 学位论文数据集 |
（6）面向智能网联汽车的高性能计算仿真平台（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动驾驶系统研究现状 |
| 1.2.2 自动驾驶仿真平台研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 自动驾驶仿真平台综述 |
| 2.1 引言 |
| 2.2 车辆动力学仿真 |
| 2.3 基于场景的算法仿真平台 |
| 2.3.1 基于点云地图的仿真平台 |
| 2.3.2 基于3D物理引擎的仿真平台 |
| 2.3.3 基于硬件在环的仿真平台 |
| 2.4 研究需求与可行性分析 |
| 2.4.1 高性能计算仿真平台的需求分析 |
| 2.4.2 高性能计算仿真平台可行性分析 |
| 2.5 本章小结 |
| 第三章 面向智能网联车的高性能计算仿真平台设计 |
| 3.1 引言 |
| 3.2 面向智能网联车的高性能计算环境的设计与实现 |
| 3.2.1 基于CUDA并行计算的硬件平台实现 |
| 3.2.2 基于Docker的开发环境管理系统实现 |
| 3.3 基于高性能计算平台的仿真场景设计与实现 |
| 3.3.1 基于AirSim的仿真环境实现 |
| 3.3.2 基于虚幻四的3D仿真场景实现 |
| 3.4 智能网联汽车算法开发工具箱设计与实现 |
| 3.4.1 感知模块的实现 |
| 3.4.2 认知模块的实现 |
| 3.4.3 决策模块的实现 |
| 3.4.4 通讯模块的实现 |
| 3.5 本章小结 |
| 第四章 面向智能网联汽车的动态交通场景生成 |
| 4.1 引言 |
| 4.2 真实交通场景中的动态目标定位方法 |
| 4.2.1 基于单目相机的动态目标定位方法 |
| 4.2.2 基于多传感融合的动态目标定位方法 |
| 4.3 真实世界与仿真场景的地理坐标映射方法 |
| 4.4 仿真场景中的动态目标生成方法 |
| 4.5 本章小结 |
| 第五章 基于高性能计算仿真平台的算法验证与应用 |
| 5.1 智能网联汽车仿真平台实验场景介绍 |
| 5.1.1 实验场景设置 |
| 5.1.2 实验设备介绍 |
| 5.2 仿真场景中的多车协同测试的验证 |
| 5.3 多路图像回传的数据处理的验证 |
| 5.4 仿真场景中的动态交通流生成验证 |
| 5.4.1 基于多传感融合的仿真场景动态交通流生成验证 |
| 5.4.2 基于单目相机的仿真场景动态交通流生成验证 |
| 5.4.3 两种生成方法的比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）虚拟化环境下内存接入模型分析与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 虚拟机内存研究现状 |
| 1.2.2 内存页面置换研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构 |
| 第2章 相关理论知识 |
| 2.1 虚拟化技术研究 |
| 2.1.1 虚拟化技术概要 |
| 2.1.2 虚拟化技术的分类 |
| 2.2 Docker容器化技术 |
| 2.3 页面置换算法 |
| 2.4 数据压缩技术 |
| 2.5 本章小结 |
| 第3章 虚拟化多用户环境下内存访问模型 |
| 3.1 内存访问模型的定义 |
| 3.2 内存访问判定模型分析 |
| 3.3 实验设计与实现 |
| 3.3.1 实验环境的搭建 |
| 3.3.2 压力测试工具的选择 |
| 3.3.3 实验数据的收集及其处理 |
| 3.4 实验数据分析 |
| 3.4.1 模型判定 |
| 3.4.2 LAD模型阶梯拟合 |
| 3.4.3 LAD模型规律描述 |
| 3.5 本章小结 |
| 第4章 基于GPU加速的页面置换算法 |
| 4.1 基于GPU加速的页面置换算法 |
| 4.1.1 GPU空余算力探索 |
| 4.1.2 GPU内数据快速索引查询与压缩 |
| 4.2 理论分析 |
| 4.3 实验分析 |
| 4.3.1 压缩性能 |
| 4.3.2 页面置换时延 |
| 4.3.3 命中率 |
| 4.3.4 内存利用率 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
（8）基于多重卷积循环神经网络的高速列车转向架故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高速列车转向架故障诊断研究现状 |
| 1.2.2 基于深度学习的故障诊断方法研究现状 |
| 1.2.3 机械部件性能退化估计的研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 基于信号处理的高速列车转向架故障分析 |
| 2.1 高速列车转向架的概述 |
| 2.2 基于SIMPACK的转向架故障仿真 |
| 2.3 转向架单、复合故障信号分析 |
| 2.4 基于EEMD-AR谱分析 |
| 2.5 转向架性能退化机理分析 |
| 2.6 小结 |
| 第3章 基于一维卷积神经网络的转向架故障识别 |
| 3.1 一维卷积神经网络 |
| 3.2 基于1D-CNN的高速列车转向架故障识别模型 |
| 3.2.1 转向架数据预处理 |
| 3.2.2 1D-CNN模型 |
| 3.2.3 网络训练与优化 |
| 3.3 实验与结果分析 |
| 3.4 小结 |
| 第4章 基于卷积循环神经网络的转向架故障识别 |
| 4.1 基于CRNN的高速列车故障识别模型 |
| 4.1.1 基于1D-CNN的特征一次提取模块 |
| 4.1.2 基于SRU的特征二次提取模块 |
| 4.1.3 基于CRNN的转向架故障分类框架 |
| 4.2 消融实验 |
| 4.3 与机器学习方法的对比试验 |
| 4.3.1 随机森林 |
| 4.3.2 梯度提升树 |
| 4.3.3 极端梯度提升 |
| 4.3.4 实验结果 |
| 4.4 与深度学习方法的对比试验 |
| 4.4.1 CRNN、1D-CNN和LSTM对比试验 |
| 4.4.2 模型识别精度结果分析 |
| 4.4.3 模型训练耗时结果分析 |
| 4.4.4 基于T-SNE的可视化分析 |
| 4.5 小结 |
| 第5章 基于M-CRNN转向架故障识别和性能退化评估 |
| 5.1 基于M-CRNN的高速列车故障识别与性能退化评估模型 |
| 5.2 消融实验 |
| 5.3 与其他方法的对比试验 |
| 5.4 基于T-SNE的可视化分析 |
| 5.5 基于M-CRNN的泛化性能分析 |
| 5.6 基于PyQt的转向架智能故障诊断人机交互界面 |
| 5.7 小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
（9）制造装备能力的知识建模及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 研究目的与意义 |
| 1.2 相关领域研究现状 |
| 1.2.1 制造能力建模研究现状 |
| 1.2.2 制造装备能力建模研究现状 |
| 1.2.2.1 数控机床能力建模 |
| 1.2.2.2 工业机器人能力建模 |
| 1.2.2.3 当前制造装备能力建模研究的不足 |
| 1.2.3 面向制造的知识建模研究现状 |
| 1.2.3.1 知识建模研究现状 |
| 1.2.3.2 面向制造的知识建模研究现状 |
| 1.3 本文主要研究内容和结构安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文结构安排 |
| 第2章 制造装备能力的知识模型构架 |
| 2.1 知识建模理论 |
| 2.1.1 知识与知识模型 |
| 2.1.1.1 知识的内涵 |
| 2.1.1.2 知识模型 |
| 2.1.2 知识建模流程 |
| 2.2 制造装备能力的知识模型构架 |
| 2.2.1 制造装备能力的知识范畴 |
| 2.2.2 制造装备能力的知识模型构架 |
| 2.3 本章小结 |
| 第3章 基于模式映射的制造装备能力知识建模 |
| 3.1 数控机床制造能力的概念模型 |
| 3.1.1 STEP-NC标准数据模型 |
| 3.1.1.1 STEP-NC 数据模型 |
| 3.1.1.2 数控机床数据模型 |
| 3.1.2 数控机床状态信息及专家经验 |
| 3.2 基于模式映射的数控机床能力知识表达方法 |
| 3.2.1 基于EXPRESS-OWL映射的基础本体模型建立 |
| 3.2.1.1 基于EXPRESS-OWL映射的数控机床能力初始本体 |
| 3.2.1.2 数控机床的状态本体 |
| 3.2.2 基于描述逻辑的基础本体模型语义补充 |
| 3.2.2.1 描述逻辑 |
| 3.2.2.2 数控机床能力术语的语义补充说明 |
| 3.2.3 基于语义规则的领域知识描述 |
| 3.3 基于规则推理的数控机床能力动态描述 |
| （1） 零件与机床关联规则 |
| （2） 零件与刀具关联规则 |
| 3.4 模型验证和比较分析 |
| 3.4.1 模型有效性验证 |
| 3.4.2 模型比较分析 |
| 3.5 本章小结 |
| 第4章 基于动态描述逻辑的制造装备能力知识建模 |
| 4.1 工业机器人制造能力的概念模型 |
| 4.1.1 工业机器人制造能力的概念集合 |
| 4.1.2 工业机器人制造能力的描述框架 |
| 4.2 基于动态逻辑的工业机器人能力的知识表达方法 |
| 4.2.1 动态描述逻辑语言 |
| 4.2.2 工业机器人制造能力基础本体模型 |
| 4.2.2.1 工业机器人制造能力术语类的声明 |
| 4.2.2.2 工业机器人制造能力属性声明 |
| 4.2.3 工业机器人动作的明确语义说明 |
| 4.2.3.1 简单动作的语义描述 |
| 4.2.3.2 复杂动作的语义描述 |
| 4.2.4 基于区间状态的工业机器人能耗描述 |
| 4.3 工业机器人制造能力判定规则 |
| （1） 稳定性判定规则 |
| （2） 能耗判定规则 |
| （3） 生产能力判定规则 |
| 4.4 模型验证和比较分析 |
| 4.4.1 模型有效性验证 |
| 4.4.1.1 工业机器人实例描述 |
| 4.4.1.2 工业机器人制造能力判定规则推理验证 |
| 4.4.2 模型比较分析 |
| 4.5 本章小结 |
| 第5章 制造装备能力的知识模型自学习进化 |
| 5.1 基于领域文档的知识模型实例 |
| 5.1.1 STEP-NC工艺规划文件 |
| 5.1.2 基于知识模型的工艺文件实例解析 |
| 5.2 基于语义权重的知识模型重要节点提取方法 |
| 5.2.1 网络结构关键节点特性分析 |
| 5.2.2 基于语义权重的关键知识节点提取方法 |
| 5.3 基于多层并行关联挖掘的本体自学习进化方法 |
| 5.3.1 基于多层并行关联挖掘的本体自学习策略 |
| 5.3.2 基于本体结构的多层并行关联挖掘 |
| 5.3.2.1 数据集预处理 |
| 5.3.2.2 基于Map/Reduce的并行Apriori关联挖掘 |
| 5.3.3 挖掘结果的知识表达方式 |
| 5.4 方法执行和算法性能比较 |
| 5.4.1 本体知识模型重要概念分析 |
| 5.4.2 挖掘方法执行和性能比较 |
| 5.4.2.1 数据集构建和执行环境 |
| 5.4.2.2 执行结果和执行时间比较分析 |
| 5.4.2.3 挖掘结果的语义表达及推理结果 |
| 5.5 本章小结 |
| 第6章 制造装备能力知识库管理系统研发 |
| 6.1 制造装备能力知识库系统设计 |
| 6.1.1 制造装备能力知识库系统框架 |
| 6.1.2 制造装备能力知识图谱可视化 |
| 6.1.2.1 知识图谱可视化流程 |
| 6.1.2.2 可视化界面 |
| 6.1.3 制造装备能力知识检索 |
| 6.1.4 制造装备能力知识匹配 |
| 6.1.5 制造装备能力知识维护 |
| 6.1.5.1 知识维护模块功能 |
| 6.1.5.2 知识更新界面 |
| 6.2 制造装备能力知识库系统应用 |
| 6.2.1 制造装备服务平台知识库系统集成 |
| 6.2.2 制造装备服务平台运行和性能分析 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读博士学位期间完成的学术论文 |
| 致谢 |
（10）多体系统传递矩阵法动力学软件研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 多体系统传递矩阵法研究现状 |
| 1.3 多体系统动力学软件研究现状 |
| 1.4 商业及开源CAE软件评述 |
| 1.4.1 商业软件 |
| 1.4.2 开源软件 |
| 1.5 本文主要研究内容 |
| 2 线性多体系统Riccati传递矩阵法 |
| 2.1 线性多体系统元件状态矢量和传递方程 |
| 2.1.1 元件状态矢量定义 |
| 2.1.2 元件传递方程与几何方程 |
| 2.2 链式多体系统Riccati传递矩阵法 |
| 2.3 树形多体系统Riccati传递矩阵法 |
| 2.3.1 元件Riccati传递矩阵递推关系 |
| 2.3.2 树形多体系统Riccati传递矩阵推导及求解 |
| 2.3.3 树形多体系统特征值 |
| 2.3.4 数值算例 |
| 2.4 闭环多体系统Riccati传递矩阵法 |
| 2.4.1 闭环多体系统Riccati传递矩阵递推关系 |
| 2.4.2 数值算例 |
| 2.5 般多体系统Riccati传递矩阵法 |
| 2.5.1 一般多体系统中的闭环及状态矢量描述 |
| 2.5.2 含有闭环的一般多体系统Riccati变换形式 |
| 2.5.3 含有闭环的一般多体系统Riccati传递矩阵递推关系 |
| 2.5.4 含有闭环的一般多体系统Riccati传递矩阵推导及求解 |
| 2.5.5 数值算例 |
| 2.6 本章小结 |
| 3 多体系统传递矩阵法特征值递归搜索算法分布式并行计算 |
| 3.1 特征值递归搜索算法 |
| 3.1.1 实特征值递归搜索算法 |
| 3.1.2 复特征值递归搜索算法 |
| 3.2 分布式并行计算原理及实现 |
| 3.2.1 MPI并行库简介 |
| 3.2.2 MPI分布式并行环境 |
| 3.3 多体系统传递矩阵法特征值递归搜索并行算法 |
| 3.3.1 总传递矩阵并行计算算法 |
| 3.3.2 特征值递归搜索并行计算算法 |
| 3.4 变截面梁算例 |
| 3.5 多管火箭工程实例 |
| 3.6 本章小结 |
| 4 多体系统传递矩阵法可视化动力学软件设计 |
| 4.1 多体系统传递矩阵法动力学软件相关技术 |
| 4.1.1 面向对象的程序设计技术 |
| 4.1.2 Open CASCADE几何建模库 |
| 4.1.3 可视化技术 |
| 4.1.4 基于Qt的动力学软件界面 |
| 4.2 多体系统传递矩阵法动力学软件总体构架设计 |
| 4.3 多体系统传递矩阵法动力学软件模块结构 |
| 4.4 多体系统传递矩阵法动力学软件前处理模块 |
| 4.4.1 三维几何模型参数化建模 |
| 4.4.2 网格建模 |
| 4.4.3 模型数据交换技术 |
| 4.4.4 多体系统动力学模型参数化 |
| 4.4.5 多体系统动力学模型参数文件 |
| 4.5 多体系统传递矩阵法动力学软件求解器接口 |
| 4.6 多体系统传递矩阵法动力学软件后处理模块 |
| 4.7 本章小结 |
| 5 多体系统传递矩阵法动力学求解器关键技术 |
| 5.1 多体系统数据结构 |
| 5.1.1 多体系统动力学拓扑图 |
| 5.1.2 元件在计算机中的描述 |
| 5.1.3 多体系统拓扑结构在计算机中的描述 |
| 5.2 多体系统闭环切断铰自动选取 |
| 5.3 多体系统派生树系统生成 |
| 5.4 多体系统动力学元件自动规则编号 |
| 5.5 多体系统动力学拓扑图自动生成 |
| 5.6 多体系统Riccati传递矩阵递推计算 |
| 5.7 数值算例 |
| 5.8 本章小结 |
| 6 武器系统动力学建模与仿真 |
| 6.1 多管火箭动力学建模与仿真 |
| 6.1.1 多管火箭三维实体模型 |
| 6.1.2 多管火箭动力学模型与拓扑图 |
| 6.1.3 多管火箭系统振动特性 |
| 6.1.4 多管火箭系统动力响应 |
| 6.2 坦克动力学建模与仿真 |
| 6.2.1 坦克三维实体模型 |
| 6.2.2 坦克动力学模型与拓扑图 |
| 6.2.3 坦克动力学计算结果 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、网络并行可视化平台的构架（论文参考文献）
- [1]市（县）级农业大数据管理平台研究[D]. 李素芳. 成都大学, 2021(07)
- [2]分布式与自动化大数据智能分析算法与编程计算平台[D]. 朱光辉. 南京大学, 2020(12)
- [3]基于深度学习的隧道微震信号处理及岩爆智能预警研究[D]. 张航. 成都理工大学, 2020(04)
- [4]老旧房屋健康智能监测云平台系统研究[D]. 吴桐. 广州大学, 2020
- [5]基于Hadoop的动车段综合管理信息系统建设的研究[D]. 毛东. 中国铁道科学研究院, 2020(01)
- [6]面向智能网联汽车的高性能计算仿真平台[D]. 闻龙. 电子科技大学, 2020(07)
- [7]虚拟化环境下内存接入模型分析与优化研究[D]. 王铭豪. 河南大学, 2020(02)
- [8]基于多重卷积循环神经网络的高速列车转向架故障诊断方法研究[D]. 梁开伟. 西南交通大学, 2020(07)
- [9]制造装备能力的知识建模及其应用[D]. 赵圆圆. 武汉理工大学, 2018(07)
- [10]多体系统传递矩阵法动力学软件研究[D]. 顾俊杰. 南京理工大学, 2019(06)