一、MLT測試器的應(yīng)用與改進（論文文獻綜述）
王麗娜,張增光,張桐,陳思[1]（2022）在《針對復(fù)雜路徑條件的固件測試方法改進》文中研究指明針對當(dāng)前固件模糊測試方案在測試具有復(fù)雜路徑條件的固件時開銷較大并且效率低下的問題,提出了一種高效省時的固件測試改進方法。該方法根據(jù)固件與外設(shè)交互使用的通信協(xié)議來修改模糊測試器產(chǎn)生的測試用例,使得測試用例可以突破校驗和檢查這一復(fù)雜路徑條件。使用該方法改進了固件測試方案p2im（processor-peripheral interface modeling）。真實場景下的固件測試結(jié)果表明,改進的方案（improved processor-peripheral interface modeling,Ip2im）在固件測試中基本塊覆蓋率和函數(shù)覆蓋率都有提升,可以成功繞過固件的校驗和檢查。
劉光劍,孫偉,朱世杰,王號天,劉東兵,瞿勇[2]（2021）在《MFE地層測試工具在大斜度井使用中的難點解析》文中研究指明MFE地層測試工具因其操作技術(shù)難度較大,使用范圍一般控制在井斜45°以內(nèi),極大限制了其在測試工藝中的使用范圍。在不斷改進老式工具,優(yōu)化工藝的基礎(chǔ)上,結(jié)合近幾年該工具在大量斜井中的使用經(jīng)驗,對MFE測試工具在大斜度井使用中的難點進行解析,提出了相應(yīng)的解決措施。在晉古XX井施工中,針對該井測試層位上部有射開層的特殊情況,對井筒進行了通井和刮削,以及地層汲水實驗等作業(yè),采用相應(yīng)的工藝和管柱,配置不同的工具,完成了測試施工任務(wù)。通過采取相應(yīng)措施,拓寬了MFE地層測試工具適用范圍。
劉耀陽[3]（2021）在《基于深度學(xué)習(xí)的模糊測試技術(shù)的研究》文中指出
鄭軻[4]（2021）在《網(wǎng)絡(luò)協(xié)議模糊測試系統(tǒng)的設(shè)計與實現(xiàn)》文中指出網(wǎng)絡(luò)設(shè)備作為國家重要的基礎(chǔ)設(shè)施之一,其在安全方面的表現(xiàn)越來越受到公眾的重視,網(wǎng)絡(luò)協(xié)議作為支撐網(wǎng)絡(luò)設(shè)備運行的重要組件,其安全性尤為關(guān)鍵。模糊測試是安全研究人員測試軟件漏洞的重要技術(shù)之一,已被廣泛應(yīng)用到各個領(lǐng)域。現(xiàn)階段針對網(wǎng)絡(luò)協(xié)議的模糊測試技術(shù),主要集中在黑盒模糊測試,雖然其測試速度快,但是由于測試樣例生成的隨機性和盲目性,導(dǎo)致測試效果往往不如利用了執(zhí)行時信息反饋的灰盒模糊測試。如何利用灰盒模糊測試技術(shù)對網(wǎng)絡(luò)協(xié)議軟件進行更便捷、更有效、更通用的測試是一個值得深入研究的問題。針對上述問題,本文通過目標(biāo)分析、方案設(shè)計等工作,提出并實現(xiàn)網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)。核心工作如下:（1）研究網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)整體框架。通過分析網(wǎng)絡(luò)協(xié)議模糊測試的難點和現(xiàn)有方案的優(yōu)缺點,總結(jié)出針對網(wǎng)絡(luò)協(xié)議模糊測試的三大目標(biāo),分別是簡化模型文件構(gòu)建過程、提高代碼覆蓋率和增強可拓展性,并設(shè)計網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)整體框架。（2）研究網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)關(guān)鍵技術(shù)。針對目標(biāo)一,研究模型文件自動生成技術(shù),提出了語法簡潔的模板輸入方案,能夠減少測試人員的輸入規(guī)模,快速生成有效的模型文件。針對目標(biāo)二,研究基于狀態(tài)導(dǎo)向的灰盒模糊測試技術(shù),設(shè)計了灰盒模糊測試引擎和智能狀態(tài)導(dǎo)向引擎,保證測試系統(tǒng)能夠針對網(wǎng)絡(luò)協(xié)議任一可達狀態(tài)進行灰盒模糊測試,同時支持對預(yù)設(shè)的多個目標(biāo)狀態(tài)自動連續(xù)測試。針對目標(biāo)三,研究模式控制技術(shù),實現(xiàn)了對網(wǎng)絡(luò)協(xié)議服務(wù)器端、客戶端和路由協(xié)議軟件三種模式的支持,保證測試系統(tǒng)的可拓展性和通用性。（3）設(shè)計網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)驗證實驗。為驗證模型文件自動生成能力,基于OSPF協(xié)議模型文件自動生成實驗,從代碼輸入規(guī)模、語法復(fù)雜性和生成模型文件有效性三個方面分析了模型文件自動生成的優(yōu)勢。為驗證測試系統(tǒng)提升代碼覆蓋率的能力,對DNS服務(wù)器、RTSP服務(wù)器進行測試,并將測試結(jié)果與AFLNET、Peach工具進行對比。為驗證測試系統(tǒng)模式控制能力,對Pica8白盒交換機中使用的FTP客戶端和TFTP客戶端、Quagga軟件中的RIP協(xié)議實現(xiàn)和OSPF協(xié)議實現(xiàn)進行了測試。結(jié)果表明,本文設(shè)計的網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)能夠有效簡化模型文件構(gòu)建過程,提高代碼覆蓋率,同時具備較強可拓展性和通用性。
郎貴林[5]（2021）在《基于尺度可擴展網(wǎng)絡(luò)的復(fù)雜背景字符檢測算法研究》文中提出近年來,隨著機器學(xué)習(xí)與計算機視覺技術(shù)的飛速發(fā)展,字符檢測任務(wù)已經(jīng)成為一個重要的研究方向。然而,真實場景下的字符存在著復(fù)雜的背景信息,給研究者們帶來了諸多的挑戰(zhàn)。此外,目前大多數(shù)基于深度學(xué)習(xí)的字符檢測算法沒有考慮到注意力機制的思想,導(dǎo)致深度卷積網(wǎng)絡(luò)提取到的特征表達能力弱,不能滿足人類社會的真實需求。本文針對字符檢測存在的復(fù)雜背景和特征表達能力弱的問題,提出了兩種改進方法,即基于傳統(tǒng)尺度可擴展網(wǎng)絡(luò)的煙盒噴碼檢測方法和基于通道注意力機制的尺度可擴展網(wǎng)絡(luò)檢測方法。概括地講,本文貢獻如下所述:（1）針對煙盒噴碼數(shù)據(jù)集的圖像背景比較復(fù)雜,本文使用了尺度可擴展網(wǎng)絡(luò)檢測煙盒噴碼。由于煙盒噴碼的訓(xùn)練數(shù)據(jù)比較少,所以引入了遷移學(xué)習(xí),進一步提高了該算法在實際應(yīng)用的中的效率。最后的實驗結(jié)果表明,本文提出的方法精確率能夠達到98%,召回率達到99%,同時每秒處理圖像的數(shù)量（Frames Per Second,FPS）也達到了1.8。（2）針對尺度可擴展網(wǎng)絡(luò)在獲取的特征表達能力弱,本文提出了基于通道注意力機制的尺度可擴展網(wǎng)絡(luò)方法。具體而言,本文將注意力機制融合到了尺度可擴展網(wǎng)絡(luò)中。實驗結(jié)果表明,使用融合注意力機制的網(wǎng)絡(luò)在測試結(jié)果上表現(xiàn)優(yōu)異,不僅能夠用于煙盒噴碼的數(shù)據(jù)集,而且對于曲線文本有著更高的精確率。在三個國際通用的自然場景字符數(shù)據(jù)集中的精確率比原尺度可擴展網(wǎng)絡(luò)算法分別提高了1.48、1.97和5.58個百分點,在FPS方面分別提高到了1.4、2.3和5.4。
鄧霖杰[6]（2020）在《自然場景下端對端文本識別研究》文中指出文本識別及其相關(guān)問題一直都是計算機視覺領(lǐng)域的熱點與難點,其技術(shù)已普遍應(yīng)用于語言翻譯、輔助駕駛、地理定位、圖像檢索等諸多方面,早在幾十年前科研工作者們就開始了相關(guān)研究。雖然針對文檔圖像的識別技術(shù)已經(jīng)日漸成熟,但在場景圖像上仍然面臨著巨大的挑戰(zhàn)。多變的表現(xiàn)形式使得場景文本在字體、尺寸、形狀、顏色、排版等存在著各式各樣的組合,而復(fù)雜的背景環(huán)境和不受限的成像條件又給文本識別帶來了更大的困難。本文就場景圖像中的文本檢測、識別及其相關(guān)問題展開全面和深入的研究,重點關(guān)注于簡潔、高效的思路或方法。旨在通過這些工作能對研究現(xiàn)狀中存在的不足提出新的解決方案,并對其在相關(guān)場景下進行驗證和部署,以展現(xiàn)其良好的通用性和實用性。本文的研究工作主要分為以下幾點:（1）為減少對錨框設(shè)計的依賴,本文提出了一種簡單、高效的實時文本檢測網(wǎng)絡(luò),它在每個檢測位置僅需設(shè)定一個基本的參考框。該網(wǎng)絡(luò)的特點在于將學(xué)習(xí)機制引入到單階段檢測框架中,將經(jīng)回歸優(yōu)化后的學(xué)習(xí)錨框代替初始錨框進入到最終預(yù)測中。該網(wǎng)絡(luò)模型在多個公開測試集中均取得了優(yōu)秀的檢測精度,并且在檢測速度上超越了同期所有基于錨框的檢測方法。（2）本文提出了一種不依賴于任何先驗知識的兩階段多方向文本檢測網(wǎng)絡(luò)。它創(chuàng)新性的利用定位和鏈接文本框的四個角點來生成候選,代替滑動錨框掃描全圖的方式去估計文本可能存在的位置及形狀。利用角點生成的四邊形候選框是幾何自適應(yīng)的,這使得該檢測模型對于文本的尺度、形狀相對不敏感。此外,我們提出了一種名為Dual-Ro I Pooling的池化層,它是一種內(nèi)置于網(wǎng)絡(luò)的數(shù)據(jù)增強模塊,能更加有效的利用訓(xùn)練數(shù)據(jù)從而穩(wěn)定提高檢測魯棒性。在多個公開數(shù)據(jù)集上的測試結(jié)果證明了我們方法的有效性,同時在檢測效率方面也非常具有競爭力。（3）我們分析認為影響不規(guī)則文本圖像識別精度的主要原因在于背景在圖像中占比較重,而標(biāo)準(zhǔn)卷積其固定的感受野及采樣點會引入較多冗余的無關(guān)信息。本文利用可變形卷積層幾何結(jié)構(gòu)可調(diào)的特性,提出了一種無需額外附加操作的聚焦增強識別網(wǎng)絡(luò)。通過端對端的訓(xùn)練使卷積核能學(xué)習(xí)調(diào)整其采樣位置,從而提取到更具表征力的相關(guān)卷積特征。在多個公開數(shù)據(jù)集上的測試結(jié)果證明了該網(wǎng)絡(luò)相對于基準(zhǔn)模型的提升,并且獲得了當(dāng)時較優(yōu)的識別精度。（4）現(xiàn)有基于深度學(xué)習(xí)的文本識別網(wǎng)絡(luò)需要大量的標(biāo)注數(shù)據(jù)進行模型訓(xùn)練,而現(xiàn)有的文本序列圖像合成方法通常需要一系列較為復(fù)雜的處理流程。本文提出將序列圖像的生成看作為一種圖像到圖像轉(zhuǎn)換,利用生成對抗網(wǎng)絡(luò)將簡單的字符序列語義圖轉(zhuǎn)換為逼真的場景文本圖像,整個過程僅需兩步即可完成。多項生成圖像的評價標(biāo)準(zhǔn)和實際的文本識別精度證明了該方法的有效性。（5）結(jié)合我們之前的工作,本文提出了一套完整且通用的端對端文本識別網(wǎng)絡(luò)。它將多個相關(guān)任務(wù)進行整合,僅需一次前向傳播即可同時完成文本檢測與識別。多個分支網(wǎng)絡(luò)共享卷積特征,通過多任務(wù)訓(xùn)練的方式讓網(wǎng)絡(luò)能提取到更具針對性的卷積特征。基于輕量化的骨架網(wǎng)絡(luò)和簡潔的分支架構(gòu),使得網(wǎng)絡(luò)在精確識別的同時保持了完全實時的處理速度。此外,我們將之應(yīng)用于車牌識別中,在不改變大部分網(wǎng)絡(luò)參數(shù)的情況下展示了優(yōu)秀的識別精度,證明了其良好的通用性。最后,本文所有已發(fā)表的工作都已將相關(guān)代碼和數(shù)據(jù)進行了開源,具體請詳見各大章節(jié)。
張宇翔[7]（2020）在《電動自行車用BLDCM優(yōu)化設(shè)計及控制策略研究》文中研究表明隨著社會的不斷發(fā)展,交通工具也在發(fā)生日新月異的變化,大量汽車的產(chǎn)生導(dǎo)致二氧化硫以及二氧化碳過量排放,如何解決交通行業(yè)所帶來的污染問題是當(dāng)今的熱門話題。電動自行車作為中國的一大特色交通工具,因為其使用的是清潔的電能,所以有效地抑制了交通污染問題。永磁無刷直流電機（Permanent magnet brushless DC motor）由于不易損壞,性能優(yōu)越等特點成為電動自行車的主要電機,但是無刷直流電機（BLDCM）的研究由于起步晚的原因一直落后于發(fā)達國家,因此對BLDCM的研究具有重要的意義。針對電動自行車需要穩(wěn)定爬坡以及在崎嶇路面穩(wěn)定行駛的特點,需要提高BLDCM的以下性能:（1）本體設(shè)計上不僅需要滿足國家標(biāo)準(zhǔn),還需要有較寬的恒功率調(diào)速以及滿足高效率、低損耗的要求;（2）采用新的控制方式代替?zhèn)鹘y(tǒng)的比例積分控制（PI）和比例積分微分控制（PID）,實現(xiàn)精準(zhǔn)的速度跟蹤性能和強魯棒性能以應(yīng)對爬坡時的突增負載問題。本文首先介紹了國內(nèi)外BLDCM的研究狀況,對BLDCM的基礎(chǔ)結(jié)構(gòu)進行說明,并構(gòu)建出BLDCM的數(shù)學(xué)模型。接著,提出了實用型的目標(biāo)設(shè)計法與傳統(tǒng)的設(shè)計法相結(jié)合的理論對BLDCM的主要參數(shù)進行推導(dǎo),設(shè)計出一臺三相12/8極的BLDCM。借助有限元分析軟件JMAG對電機進行電磁分析與研究,驗證設(shè)計方法的合理性。最后,針對傳統(tǒng)的PI、PID雙閉環(huán)調(diào)速系統(tǒng)無法滿足電動自行車行業(yè)越來越高的性能要求,設(shè)計出分數(shù)階滑?？刂破鳎‵ractional Order Sliding Mode Controller）。該控制器不僅利用分數(shù)階微積分（Fractional Order Calculus）的變化緩慢、記憶特性等特點構(gòu)建出分數(shù)階滑模面,還結(jié)合改進型分數(shù)階趨近律進行控制律設(shè)計,使整個控制系統(tǒng)具有優(yōu)秀的速度跟蹤和強魯棒特性。通過MATLAB中的Simulink分別對BLDCM的傳統(tǒng)控制方式與分數(shù)階滑?？刂品绞竭M行仿真,結(jié)果得出后進行對比,驗證分數(shù)階滑模控制方式可以使BLDCM控制系統(tǒng)具有強魯棒性和優(yōu)越的速度跟蹤性能,最后搭建完整的實驗平臺驗證了理論在實物控制中的可行性。
段佳琦[8]（2020）在《基于深度學(xué)習(xí)的任意角度和尺度文字檢測算法研究》文中研究指明文本作為信息交流的載體,是人類文明的重要標(biāo)志,在自然場景的圖像中廣泛的存在,如車牌信息、道路指示牌等。文本相較自然場景圖像中的其他內(nèi)容而言,其具有更加準(zhǔn)確豐富的信息以及更強的邏輯性。所以如何準(zhǔn)確的定位自然圖像中文本的位置,是提取、理解與分析信息的關(guān)鍵步驟。在過去的幾年中,場景文本檢測方法已經(jīng)取得了很大的進步。但是大的幾何差異（如:方向）是場景文本檢測中的關(guān)鍵挑戰(zhàn)。在本文中,首先進行實驗研究了網(wǎng)絡(luò)在檢測場景文本時學(xué)習(xí)幾何變化的能力,并發(fā)現(xiàn)網(wǎng)絡(luò)只能處理有限的文本幾何變化。然后,本文提出了一種新穎的具有多個分支的幾何規(guī)范化模塊,每個分支均由一個比例尺歸一化單元和一個方向歸一化單元組成,以通過至少一個分支將每個文本實例歸一化為一個所需的規(guī)范幾何范圍。幾何規(guī)范化模塊是通用的,很容易插入到現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的文本檢測器中,以構(gòu)建端到端的幾何規(guī)范化網(wǎng)絡(luò)。此外,本文提出了一種幾何感知訓(xùn)練方案,通過從統(tǒng)一的幾何差異分布中采樣和擴充文本實例來有效地訓(xùn)練幾何規(guī)范化網(wǎng)絡(luò)。最后,在ICDAR 2015和ICDAR 2017 MLT的流行測試集上,本文的方法使用單圖片輸入測試分別獲得88.52和74.54的F-score,明顯優(yōu)于目前所有最新方法。
郭小寶[9]（2019）在《基于多任務(wù)級聯(lián)的場景文本檢測算法研究》文中進行了進一步梳理文字是重要的信息傳遞載體,能表達高級語義信息,場景文本作為重要的表現(xiàn)形式在生活中大量出現(xiàn)。近年來,在學(xué)術(shù)界和工業(yè)界,場景文本檢測已成為理論研究和應(yīng)用的熱點。場景文本檢測是OCR的重要環(huán)節(jié),被廣泛地應(yīng)用于車牌檢測識別、卡證票據(jù)檢測識別、場景文本情感分析等。由于深度學(xué)習(xí)的發(fā)展,基于深度學(xué)習(xí)的方法在解決場景文本檢測問題中占據(jù)主要地位。但場景文本復(fù)雜,現(xiàn)有方法仍存在不足,例如尺度變化、種類多樣（不同語種和文本類型）、方向任意（多方向、彎曲等）、文本視覺特征雜亂（結(jié)構(gòu)共性少）等。針對以上問題,本文通過分析基于檢測和基于分割的場景文本檢測方法,建立兩種多任務(wù)級聯(lián)的場景文本檢測方案。上下文模塊與輔助回歸的方法主要用于解決多方向文本檢測問題。在場景文本特征提取和特征融合方面,主要利用上采樣特征融合方法,多分支上下文模塊等提取有鑒別力的圖像文本特征;在二次檢測框架中,該模塊有利于提取更好的候選區(qū)域;在多任務(wù)級聯(lián)方法上,主要結(jié)合坐標(biāo)對齊的場景文本檢測和實例分割的方法,增加基于中心點和角點的輔助回歸方法,改進了一般的實例分割分支,提高了多方向文本檢測的準(zhǔn)確率。特征金字塔融合的場景文本檢測方法不僅能用于解決多方向文本問題,也可以用于解決經(jīng)常存在的彎曲文本問題。它利用更強的特征提取和融合結(jié)構(gòu),將高層語義信息和低層位置信息有效結(jié)合,將特征金字塔各個特征層級上對應(yīng)尺度的目標(biāo)有效的提取出來,用于應(yīng)對場景文本尺度變化的問題,同時使得后續(xù)的分類、回歸和分割任務(wù)能夠獲得足夠的特征。在多任務(wù)級聯(lián)方面,采用一般的實例分割方法能夠統(tǒng)一多方向和彎曲文本分割問題,并在模型訓(xùn)練中使用了在線難例挖掘和同步批歸一化方法,使得模型收斂效果大大增強。通過實驗,對比了兩種方案在特征提取上的效果,實驗表明方案二有更強的特征融合能力。通過在多方向、多語言和彎曲文本數(shù)據(jù)集的實驗,驗證了本文提出的兩種多任務(wù)級聯(lián)的場景文本檢測方案在多個場景文本檢測數(shù)據(jù)集上達到了當(dāng)前主流方法的效果。
江武[10]（2019）在《深井試油試氣測試工藝技術(shù)研究與應(yīng)用》文中認為針對深井高溫高壓條件下的試油試氣測試,從高溫橡膠密封件、高溫高壓P-T封隔器、封隔器坐封負荷等方面研發(fā)新測試工藝技術(shù),并通過實踐驗證了新測試工藝技術(shù)的合理性與有效性,以此為深井的試油試氣測試及其發(fā)展提供理論和實踐參考。
二、MLT測試器的應(yīng)用與改進（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、MLT測試器的應(yīng)用與改進（論文提綱范文）
（1）針對復(fù)雜路徑條件的固件測試方法改進（論文提綱范文）
| 0 引言 |
| 1 基本概念 |
| 1.1 模糊測試器 |
| 1.2 p2im |
| 2 本文原理與方案設(shè)計 |
| 2.1 原理和思路 |
| 2.2 方案設(shè)計與實施 |
| 3 評估 |
| 3.1 實驗配置 |
| 3.2 實驗結(jié)果 |
| 4 結(jié)語 |
（2）MFE地層測試工具在大斜度井使用中的難點解析（論文提綱范文）
| 1 MFE地層測試工具 |
| 1.1 工作原理及性能指標(biāo) |
| 1.2 配套工具 |
| (1)反循環(huán)接頭。 |
| (2)電子壓力計及壓力計托筒。 |
| (3)鎖緊接頭。 |
| (4)P-T封隔器。 |
| (5)RTTS剪銷封隔器。 |
| (6)開槽尾管。 |
| (7)減震器。 |
| (8)傳壓接頭。 |
| (9)篩管密封接頭。 |
| 2 施工難點及解決措施 |
| 3 現(xiàn)場應(yīng)用情況 |
| 3.1 施工前準(zhǔn)備 |
| (1)通井。 |
| (2)刮削、洗井、替液。 |
| (3)地層汲水實驗。 |
| 3.2 施工過程 |
| 4 結(jié)論 |
（4）網(wǎng)絡(luò)協(xié)議模糊測試系統(tǒng)的設(shè)計與實現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 本文主要貢獻 |
| 1.4 論文的結(jié)構(gòu)安排 |
| 第二章 相關(guān)理論及技術(shù)基礎(chǔ) |
| 2.1 模糊測試技術(shù)介紹 |
| 2.2 模糊測試技術(shù)分類 |
| 2.2.1 黑盒模糊測試技術(shù) |
| 2.2.2 白盒模糊測試技術(shù) |
| 2.2.3 灰盒模糊測試技術(shù) |
| 2.3 模糊測試評價指標(biāo) |
| 2.3.1 代碼覆蓋率 |
| 2.3.2 獨特崩潰數(shù) |
| 2.4 本章小結(jié) |
| 第三章 網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)方案設(shè)計 |
| 3.1 網(wǎng)絡(luò)協(xié)議模糊測試技術(shù)原理 |
| 3.2 現(xiàn)有網(wǎng)絡(luò)協(xié)議模糊測試方案分析 |
| 3.3 NPGFuzzer系統(tǒng)設(shè)計目標(biāo) |
| 3.4 NPGFuzzer系統(tǒng)方案設(shè)計 |
| 3.4.1 整體方案設(shè)計 |
| 3.4.2 模塊功能描述 |
| 3.5 本章小結(jié) |
| 第四章 網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)關(guān)鍵技術(shù) |
| 4.1 模型文件自動生成技術(shù) |
| 4.1.1 解析器 |
| 4.1.2 生成器 |
| 4.2 基于狀態(tài)導(dǎo)向的灰盒模糊測試技術(shù) |
| 4.2.1 灰盒模糊測試引擎 |
| 4.2.2 智能狀態(tài)導(dǎo)向引擎 |
| 4.3 模式控制技術(shù) |
| 4.3.1 服務(wù)器端測試模式 |
| 4.3.2 客戶端測試模式 |
| 4.3.3 路由協(xié)議測試模式 |
| 4.4 本章小結(jié) |
| 第五章 網(wǎng)絡(luò)協(xié)議灰盒模糊測試系統(tǒng)驗證實驗 |
| 5.1 測試環(huán)境 |
| 5.2 模型文件自動生成能力驗證 |
| 5.3 代碼覆蓋率提升能力驗證 |
| 5.3.1 DNS協(xié)議服務(wù)器端模糊測試 |
| 5.3.2 RTSP協(xié)議服務(wù)器端模糊測試 |
| 5.4 模式控制能力驗證 |
| 5.4.1 FTP協(xié)議客戶端模糊測試 |
| 5.4.2 TFTP協(xié)議客戶端模糊測試 |
| 5.4.3 RIP協(xié)議模糊測試 |
| 5.4.4 OSPF協(xié)議模糊測試 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 本文工作總結(jié) |
| 6.2 后續(xù)研究方向 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間的研究成果 |
（5）基于尺度可擴展網(wǎng)絡(luò)的復(fù)雜背景字符檢測算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 課題研究背景及意義 |
| 1.2 國內(nèi)外字符檢測現(xiàn)狀 |
| 1.2.1 自然場景下的字符檢測算法現(xiàn)狀 |
| 1.2.2 基礎(chǔ)特征提取網(wǎng)絡(luò)現(xiàn)狀 |
| 1.2.3 特征融合技術(shù)現(xiàn)狀 |
| 1.3 研究內(nèi)容及創(chuàng)新點 |
| 1.4 本文架構(gòu)安排 |
| 2 注意力機制算法綜述 |
| 2.1 注意力機制的定義及要求 |
| 2.2 各類注意力機制算法以及比較 |
| 2.2.1 基于時序的注意力機制 |
| 2.2.2 基于空間的注意力機制 |
| 2.2.3 基于通道的注意力機制 |
| 2.3 高維數(shù)據(jù)的注意力機制分析 |
| 2.4 注意力機制在神經(jīng)網(wǎng)絡(luò)中的發(fā)展及應(yīng)用 |
| 2.4.1 時序注意力機制在卷積神經(jīng)網(wǎng)絡(luò)中的發(fā)展及應(yīng)用 |
| 2.4.2 空間注意力機制在卷積神經(jīng)網(wǎng)絡(luò)中的發(fā)展及應(yīng)用 |
| 2.4.3 通道注意力機制在卷積神經(jīng)網(wǎng)絡(luò)中的發(fā)展及應(yīng)用 |
| 2.5 本章小結(jié) |
| 3 基于尺度可擴展網(wǎng)絡(luò)的煙盒噴碼檢測方法研究 |
| 3.1 算法背景 |
| 3.2 相關(guān)算法 |
| 3.2.1 基于傳統(tǒng)圖像處理的算法 |
| 3.2.2 基于深度學(xué)習(xí)的噴碼檢測算法 |
| 3.3 基于煙盒噴碼檢測算法的研究 |
| 3.3.1 基于尺度擴展網(wǎng)絡(luò)的遷移學(xué)習(xí) |
| 3.3.2 基于尺度可擴展網(wǎng)絡(luò)的噴碼檢測 |
| 3.4 實驗結(jié)果與分析 |
| 3.4.1 實驗環(huán)境 |
| 3.4.2 實驗數(shù)據(jù) |
| 3.4.3 模型訓(xùn)練 |
| 3.4.4 評價標(biāo)準(zhǔn) |
| 3.4.5 實驗結(jié)果分析 |
| 3.5 本章小結(jié) |
| 4 基于尺度可擴展網(wǎng)絡(luò)的改進算法 |
| 4.1 算法背景 |
| 4.2 相關(guān)算法 |
| 4.2.1 PSE-Net |
| 4.2.2 ECA-Net |
| 4.2.3 CAM |
| 4.3 基于尺度可擴展網(wǎng)絡(luò)的改進算法 |
| 4.3.1 特征提取網(wǎng)絡(luò) |
| 4.3.2 特征融合網(wǎng)絡(luò) |
| 4.3.3 通道注意力網(wǎng)絡(luò) |
| 4.4 實驗結(jié)果與分析 |
| 4.4.1 實驗環(huán)境 |
| 4.4.2 實驗數(shù)據(jù) |
| 4.4.3 模型訓(xùn)練 |
| 4.4.4 測評標(biāo)準(zhǔn) |
| 4.4.5 實驗結(jié)果分析 |
| 4.5 基于改進的尺度可擴展網(wǎng)絡(luò)的煙盒噴碼檢測 |
| 4.5.1 模型訓(xùn)練 |
| 4.5.2 實驗結(jié)果分析 |
| 4.6 本章小節(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間發(fā)表論文及科研成果 |
| 致謝 |
（6）自然場景下端對端文本識別研究（論文提綱范文）
| 摘要 |
| abstract |
| 縮略詞表 |
| 第一章 緒論 |
| 1.1 選題背景及意義 |
| 1.2 相關(guān)研究現(xiàn)狀 |
| 1.2.1 場景文本檢測 |
| 1.2.2 場景文本識別 |
| 1.2.3 端對端文本識別 |
| 1.3 主要貢獻與創(chuàng)新 |
| 1.4 本文結(jié)構(gòu)安排 |
| 第二章 基于學(xué)習(xí)錨框的實時文本檢測 |
| 2.1 概述 |
| 2.2 引言 |
| 2.3 研究方法 |
| 2.3.1 單階段檢測器 |
| 2.3.2 旋轉(zhuǎn)矩形回歸 |
| 2.3.3 學(xué)習(xí)錨框 |
| 2.3.4 網(wǎng)絡(luò)架構(gòu) |
| 2.4 實驗部分 |
| 2.4.1 實現(xiàn)細節(jié) |
| 2.4.2 對比實驗 |
| 2.4.3 實驗結(jié)果 |
| 2.4.4 模型的局限 |
| 2.5 本章小結(jié) |
| 第三章 基于角點的多方向文本檢測 |
| 3.1 概述 |
| 3.2 引言 |
| 3.3 研究方法 |
| 3.3.1 基于角點的區(qū)域生成網(wǎng)絡(luò) |
| 3.3.2 Dual-RoI Pooling |
| 3.3.3 網(wǎng)絡(luò)結(jié)構(gòu) |
| 3.3.4 損失函數(shù) |
| 3.4 實驗部分 |
| 3.4.1 實現(xiàn)細節(jié) |
| 3.4.2 對比實驗 |
| 3.4.3 實驗結(jié)果 |
| 3.4.4 模型的局限 |
| 3.5 本章小結(jié) |
| 第四章 聚焦增強的文本識別網(wǎng)絡(luò) |
| 4.1 概述 |
| 4.2 引言 |
| 4.3 研究方法 |
| 4.3.1 基準(zhǔn)模型 |
| 4.3.2 可變形卷積 |
| 4.3.3 網(wǎng)絡(luò)架構(gòu) |
| 4.3.4 損失函數(shù) |
| 4.4 實驗部分 |
| 4.4.1 數(shù)據(jù)集 |
| 4.4.2 實現(xiàn)細節(jié) |
| 4.4.3 對比實驗 |
| 4.4.4 實驗結(jié)果 |
| 4.5 本章小節(jié) |
| 第五章 文本序列圖像生成網(wǎng)絡(luò) |
| 5.1 概述 |
| 5.2 引言 |
| 5.3 研究方法 |
| 5.3.1 級聯(lián)生成網(wǎng)絡(luò) |
| 5.3.2 殘差模塊 |
| 5.3.3 激活函數(shù) |
| 5.3.4 語義圖像合成 |
| 5.4 實驗部分 |
| 5.4.1 實現(xiàn)細節(jié) |
| 5.4.2 評價指標(biāo) |
| 5.4.3 對比實驗 |
| 5.4.4 數(shù)據(jù)集對比 |
| 5.4.5 數(shù)據(jù)量的影響 |
| 5.5 本章小節(jié) |
| 第六章 端對端文本識別及應(yīng)用 |
| 6.1 概述 |
| 6.2 引言 |
| 6.3 研究方法 |
| 6.3.1 網(wǎng)絡(luò)架構(gòu) |
| 6.3.2 區(qū)域特征提取 |
| 6.3.3 識別分支網(wǎng)絡(luò) |
| 6.3.4 網(wǎng)絡(luò)訓(xùn)練 |
| 6.4 實驗部分 |
| 6.4.1 對比實驗 |
| 6.4.2 實驗結(jié)果 |
| 6.5 拓展應(yīng)用 |
| 6.5.1 CRPD數(shù)據(jù)集 |
| 6.5.2 測試結(jié)果 |
| 6.6 本章小節(jié) |
| 第七章 全文總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.2 研究展望 |
| 致謝 |
| 參考文獻 |
| 攻讀博士學(xué)位期間取得的成果 |
（7）電動自行車用BLDCM優(yōu)化設(shè)計及控制策略研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題的來源背景及研究意義 |
| 1.2 永磁無刷直流電機應(yīng)用現(xiàn)狀及研究 |
| 1.2.1 永磁無刷直流電機應(yīng)用范疇 |
| 1.2.2 永磁無刷直流電機的國內(nèi)外研究現(xiàn)狀 |
| 1.3 永磁無刷直流電機的基本結(jié)構(gòu) |
| 1.4 永磁無刷直流電機的數(shù)學(xué)模型 |
| 1.5 課題研究內(nèi)容 |
| 1.6 本章小結(jié) |
| 第二章 永磁無刷直流電機的實用設(shè)計及計算 |
| 2.1 永磁無刷直流電機實用設(shè)計方法探討 |
| 2.2 永磁無刷直流電機的目標(biāo)設(shè)計 |
| 2.3 永磁無刷直流電機的目標(biāo)設(shè)計理論推導(dǎo) |
| 2.3.1 BLDCM的氣隙設(shè)計 |
| 2.3.2 BLDCM繞組匝數(shù)的目標(biāo)設(shè)計 |
| 2.3.3 BLDCM定子沖片的目標(biāo)設(shè)計 |
| 2.4 電動自行車對驅(qū)動永磁無刷直流電機的性能要求 |
| 2.5 永磁無刷直流電機主要尺寸和參數(shù)的設(shè)計與計算 |
| 2.5.1 BLDCM相數(shù)、電磁功率和氣隙的選取 |
| 2.5.2 BLDCM電負荷和磁負荷的選取 |
| 2.5.3 BLDCM電流密度的選取 |
| 2.5.4 BLDCM定子內(nèi)徑與極弧系數(shù)的選取 |
| 2.5.5 BLDCM極槽配合的選取 |
| 2.5.6 BLDCM磁鋼的選取 |
| 2.5.7 BLDCM電樞繞組的設(shè)計和定轉(zhuǎn)子鐵心材料的選取 |
| 2.6 永磁無刷直流電機設(shè)計的詳細流程 |
| 2.6.1 BLDCM設(shè)計主要指標(biāo) |
| 2.6.2 BLDCM主要尺寸的確定 |
| 2.6.3 BLDCM定子結(jié)構(gòu)的確定 |
| 2.6.4 BLDCM轉(zhuǎn)子結(jié)構(gòu)的確定 |
| 2.6.5 BLDCM轉(zhuǎn)子磁鋼的確定 |
| 2.6.6 電路參數(shù)的確定 |
| 2.6.7 損耗計算 |
| 2.7 行星齒輪減速器的選擇 |
| 2.8 本章小結(jié) |
| 第三章 永磁無刷直流電機的電磁分析 |
| 3.1 永磁無刷直流電機的有限元理論 |
| 3.1.1 BLDCM的電磁場數(shù)學(xué)模型 |
| 3.1.2 矢量磁位 |
| 3.1.3 泊松方程 |
| 3.1.4 邊界條件 |
| 3.1.5 BLDCM內(nèi)磁場數(shù)學(xué)模型 |
| 3.2 JMAG有限元分析的基本步驟 |
| 3.3 BLDCM仿真建模 |
| 3.3.1 電機本體建模 |
| 3.3.2 BLDCM的材料定義 |
| 3.3.3 BLDCM的分析條件設(shè)置 |
| 3.3.4 BLDCM的功率變換電路設(shè)置 |
| 3.3.5 BLDCM的網(wǎng)格剖分 |
| 3.3.6 BLDCM的求解計算 |
| 3.4 BLDCM的電磁分析 |
| 3.4.1 BLDCM的定位力矩分析 |
| 3.4.2 BLDCM的磁通密度分析 |
| 3.4.3 BLDCM的相反電動勢分析 |
| 3.4.4 BLDCM的相電流分析 |
| 3.4.5 BLDCM的電磁轉(zhuǎn)矩分析 |
| 3.5 本章小結(jié) |
| 第四章 BLDCM的分數(shù)階滑模轉(zhuǎn)速控制器設(shè)計 |
| 4.1 滑?？刂苹A(chǔ)原理 |
| 4.2 滑模面的設(shè)計方法 |
| 4.3 滑模控制的抖振問題 |
| 4.4 分數(shù)階積分的優(yōu)點 |
| 4.5 分數(shù)階方程的定義 |
| 4.6 分數(shù)階與滑?？刂葡嘟Y(jié)合的轉(zhuǎn)速控制器設(shè)計 |
| 4.7 穩(wěn)定性證明 |
| 4.8 滑模存在的條件 |
| 4.9 本章小結(jié) |
| 第五章 永磁無刷直流電機控制系統(tǒng)的仿真 |
| 5.1 系統(tǒng)仿真 |
| 5.2 BLDCM的速度跟蹤仿真比較 |
| 5.3 BLDCM控制系統(tǒng)的魯棒性能仿真比較 |
| 5.4 本章小結(jié) |
| 第六章 永磁無刷直流電機控制系統(tǒng)軟件設(shè)計和實驗研究 |
| 6.1 永磁無刷直流電機控制系統(tǒng)軟件設(shè)計流程 |
| 6.2 實驗研究與分析 |
| 6.3 本章小結(jié) |
| 總結(jié)與展望 |
| 參考文獻 |
| 致謝 |
| 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)成果目錄 |
（8）基于深度學(xué)習(xí)的任意角度和尺度文字檢測算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外的研究現(xiàn)狀 |
| 1.3 論文的主要研究內(nèi)容 |
| 2 相關(guān)技術(shù)介紹 |
| 2.1 深度學(xué)習(xí) |
| 2.2 物體檢測算法 |
| 2.3 文字檢測算法 |
| 2.4 相關(guān)數(shù)據(jù)集 |
| 2.5 評價標(biāo)準(zhǔn) |
| 2.6 實驗平臺 |
| 2.7 本章小結(jié) |
| 3 任意角度和尺度文字檢測算法的探究和設(shè)計 |
| 3.1 實驗基準(zhǔn) |
| 3.2 模型局限性分析 |
| 3.3 尺度變化對模型的影響 |
| 3.4 角度變化對模型的影響 |
| 3.5 本章小結(jié) |
| 4 任意角度和尺度文字檢測算法的加速和驗證 |
| 4.1 幾何歸一化模塊 |
| 4.2 幾何歸一化網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.3 損失函數(shù) |
| 4.4 幾何歸一化網(wǎng)絡(luò)訓(xùn)練和測試策略 |
| 4.5 實驗 |
| 4.6 本章小結(jié) |
| 5 總結(jié)和展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 致謝 |
| 參考文獻 |
（9）基于多任務(wù)級聯(lián)的場景文本檢測算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及研究的目的和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于手工特征的文本檢測 |
| 1.2.2 深度學(xué)習(xí)檢測方法 |
| 1.2.3 深度學(xué)習(xí)分割方法 |
| 1.3 本文的主要研究內(nèi)容 |
| 1.4 本文的組織結(jié)構(gòu) |
| 第2章 上下文模塊與輔助回歸的多方向文本檢測 |
| 2.1 引言 |
| 2.2 特征提取網(wǎng)絡(luò) |
| 2.3 上采樣特征融合 |
| 2.4 多分支上下文模塊 |
| 2.4.1 卷積核與特征提取 |
| 2.4.2 上下文模塊設(shè)計 |
| 2.5 基于二次檢測器的文本檢測網(wǎng)絡(luò) |
| 2.5.1 RPN候選區(qū)域提取方法 |
| 2.5.2 文本目標(biāo)分類 |
| 2.5.3 文本目標(biāo)回歸 |
| 2.6 基于中心點與角點輔助回歸的掩膜分割分支 |
| 2.6.1 實例分割方法 |
| 2.6.2 輔助回歸方法 |
| 2.7 本章小結(jié) |
| 第3章 特征金字塔融合的多方向及彎曲文本檢測 |
| 3.1 引言 |
| 3.2 基于特征金字塔的特征提取融合 |
| 3.2.1 特征金字塔網(wǎng)絡(luò) |
| 3.2.2 候選文本目標(biāo)非極大抑制 |
| 3.2.3 候選文本目標(biāo)在線難例挖掘 |
| 3.2.4 同步批歸一化 |
| 3.2.5 文本區(qū)域后處理 |
| 3.3 實例分割的彎曲文本檢測 |
| 3.4 本章小結(jié) |
| 第4章 實驗結(jié)果及分析 |
| 4.1 引言 |
| 4.2 數(shù)據(jù)集及特點 |
| 4.3 模型選擇和訓(xùn)練 |
| 4.3.1 數(shù)據(jù)預(yù)處理方法 |
| 4.3.2 多方向文本檢測模型訓(xùn)練和測試 |
| 4.3.3 多方向及彎曲文本檢測模型訓(xùn)練和測試 |
| 4.4 實驗結(jié)果及分析 |
| 4.4.1 評價指標(biāo)計算方法 |
| 4.4.2 特征融合方法對比實驗 |
| 4.4.3 多方向文本檢測模型實驗結(jié)果 |
| 4.4.4 多方向及彎曲文本檢測模型實驗結(jié)果 |
| 4.5 模型對比分析 |
| 4.6 模型應(yīng)用場景分析 |
| 4.7 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果 |
| 致謝 |
（10）深井試油試氣測試工藝技術(shù)研究與應(yīng)用（論文提綱范文）
| 1 高溫橡膠密封件 |
| 2 高溫高壓P-T封隔器 |
| 3 封隔器坐封負荷 |
| 4 MLT測試工具 |
| 5 簡易高壓井口控制頭 |
| 6 管柱的穩(wěn)定性分析 |
| 7 實際應(yīng)用 |
| 8 結(jié)束語 |
四、MLT測試器的應(yīng)用與改進（論文參考文獻）
- [1]針對復(fù)雜路徑條件的固件測試方法改進[J]. 王麗娜,張增光,張桐,陳思. 武漢大學(xué)學(xué)報(理學(xué)版), 2022(01)
- [2]MFE地層測試工具在大斜度井使用中的難點解析[J]. 劉光劍,孫偉,朱世杰,王號天,劉東兵,瞿勇. 油氣井測試, 2021(06)
- [3]基于深度學(xué)習(xí)的模糊測試技術(shù)的研究[D]. 劉耀陽. 北京郵電大學(xué), 2021
- [4]網(wǎng)絡(luò)協(xié)議模糊測試系統(tǒng)的設(shè)計與實現(xiàn)[D]. 鄭軻. 電子科技大學(xué), 2021(01)
- [5]基于尺度可擴展網(wǎng)絡(luò)的復(fù)雜背景字符檢測算法研究[D]. 郎貴林. 西華大學(xué), 2021(02)
- [6]自然場景下端對端文本識別研究[D]. 鄧霖杰. 電子科技大學(xué), 2020(03)
- [7]電動自行車用BLDCM優(yōu)化設(shè)計及控制策略研究[D]. 張宇翔. 曲阜師范大學(xué), 2020(01)
- [8]基于深度學(xué)習(xí)的任意角度和尺度文字檢測算法研究[D]. 段佳琦. 華中科技大學(xué), 2020(01)
- [9]基于多任務(wù)級聯(lián)的場景文本檢測算法研究[D]. 郭小寶. 哈爾濱工業(yè)大學(xué), 2019(02)
- [10]深井試油試氣測試工藝技術(shù)研究與應(yīng)用[J]. 江武. 化工設(shè)計通訊, 2019(06)
標(biāo)簽：深度學(xué)習(xí)算法論文; 網(wǎng)絡(luò)模型論文; 模糊理論論文; 模糊算法論文; 圖像深度論文;