一、某些線性變換的特征值與某些矩陣的特征值（論文文獻(xiàn)綜述）
雍龍泉[1]（2021）在《矩陣特征值與特征向量的幾何意義》文中研究指明以2階矩陣為例,研究了單位向量經(jīng)過線性變換后新向量的軌跡。在此基礎(chǔ)上,以矩陣的可逆性和對稱性作為分類原則,給出了矩陣特征值與特征向量的幾何意義。
趙洋[2]（2021）在《復(fù)雜噪聲背景下的稀疏測向方法研究》文中研究說明“如無必要,勿增實(shí)體”。這是著名的奧卡姆剃刀原理,是滲透于從古至今所有哲學(xué)、藝術(shù)與科學(xué)領(lǐng)域的基礎(chǔ)思想。稀疏表示理論以及后來在其基礎(chǔ)上發(fā)展而來的壓縮感知理論正是該節(jié)省性原則在現(xiàn)代統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、信號處理領(lǐng)域的集中體現(xiàn)。陣列信號參數(shù)估計(jì)是雷達(dá)、聲納、通信等系統(tǒng)的原理性技術(shù),其基本任務(wù)如測向、定位、跟蹤與許多現(xiàn)存或即將到來的技術(shù)增長領(lǐng)域緊密聯(lián)系,如無人機(jī)（Unmanned Aerial Vehicle,UAV）、無人駕駛、3D打印等。隨著測向系統(tǒng)的不斷改進(jìn)和突破,各種低成本、小型化的新型雷達(dá)不斷涌現(xiàn),同時(shí)目標(biāo)隱身以及干擾技術(shù)也在不斷升級換代,陣列信號處理系統(tǒng)所面臨的電磁環(huán)境日益復(fù)雜,傳統(tǒng)的子空間類測向方法在小快拍、低信噪比、空域臨近信號以及復(fù)雜背景噪聲環(huán)境等非理想場景愈發(fā)無法勝任測向任務(wù)。最近二十年引起學(xué)者廣泛關(guān)注的稀疏表示理論為解決參數(shù)估計(jì)問題提供了新思路,此類方法對一些非理想環(huán)境表現(xiàn)出極強(qiáng)的適應(yīng)能力。本文從噪聲抑制角度出發(fā),著眼于稀疏重構(gòu)與陣列信號處理過程中的區(qū)別和聯(lián)系,考慮網(wǎng)格的存在對陣列參數(shù)估計(jì)的影響,研究了高斯白噪聲、高斯有色噪聲、alpha白噪聲和alpha色噪聲背景下的稀疏測向方法,并取得了一些有意義的成果。具體的研究工作可以概括如下:第一,針對貪婪算法處理測向問題時(shí)存在角度分辨能力有限的問題,提出了一種利用子空間信息的新算法（Noise Subspace Reprojection OMP,NSR OMP）。該算法在匹配追蹤算法的架構(gòu)下,有機(jī)融合了兩個(gè)子空間的有效信息:使用信號子空間作為重構(gòu)信號,減小了算法尋優(yōu)的工作量的同時(shí)降低了噪聲對支撐集選擇的干擾;使用噪聲子空間修正算法的支撐集選取規(guī)則,提高了算法的分辨力。仿真試驗(yàn)驗(yàn)證了所提方法繼承了匹配追蹤類算法小快拍性能好且運(yùn)算量小的優(yōu)點(diǎn),同時(shí)極大改進(jìn)了原始算法角度分辨力差的問題。第二,利用陣列輸出協(xié)方差矩陣的對稱Toeplitz特性,可以經(jīng)由兩次矩陣變換過程將DOA估計(jì)問題從復(fù)數(shù)域的多測量矢量（Muitiple Measurement Vector,MMV）問題轉(zhuǎn)化為實(shí)數(shù)域的單測量矢量（Single Measurement Vector,SMV）問題。該過程在保證測向性能的前提下將ULA陣列的DOA估計(jì)問題簡化。又從去冗余的角度定義了一種線性變換對陣列輸出四階累積量協(xié)方差矩陣進(jìn)行降維,使其滿足實(shí)值化條件,從而將上述方法推廣到四階累積量。第三,針對現(xiàn)有的基追蹤（Basis Pursuit,BP）類測向方法計(jì)算量較大的問題,基于第二點(diǎn)中提出的二階統(tǒng)計(jì)域和高階統(tǒng)計(jì)域的實(shí)值向量化測向模型,我們分別提出了適用于高斯白噪聲和高斯有色噪聲背景下的BP測向方法。由于算法只需要解決低變量數(shù)的SMV問題,比現(xiàn)有的BP測向方法計(jì)算效率更高。算法無需進(jìn)行特征值分解,節(jié)省計(jì)算量的同時(shí)對信源數(shù)是否被準(zhǔn)確估計(jì)不敏感。又將處理實(shí)值化SMV問題的ISL0算法引入測向問題,該算法對正則化參數(shù)的設(shè)置準(zhǔn)確度要求不高,可以有效解決基于四階累積量的凸優(yōu)化算法設(shè)置正則化參數(shù)困難的問題。第四,針對現(xiàn)有的離格測向方法計(jì)算量較大的問題,建立了DOA估計(jì)的實(shí)值化離格模型。采用第三點(diǎn)中提出的算法對DOA與網(wǎng)格誤差進(jìn)行交替迭代求取,分別提出了適用于高斯白噪聲和高斯有色噪聲背景下的離格測向方法,后者填補(bǔ)了現(xiàn)存離格測向方法無法處理高斯有色噪聲的空白。與現(xiàn)有的同類算法相比,所提算法在一定程度上減小了運(yùn)算時(shí)間,提高了離格類測向算法的實(shí)用性。通過計(jì)算機(jī)仿真驗(yàn)證了所提算法的有效性。第五,基于分?jǐn)?shù)低階統(tǒng)計(jì)量（Fractional Lower Order Statistics,FLOS）的子空間方法需要較大的快拍數(shù)、較高信噪比門限才能處理alpha噪聲背景下的測向問題。針對該問題,我們分析了相位分?jǐn)?shù)低階矩（Phase Fractional Lower Order Moment,PFLOM）協(xié)方差矩陣滿足范德蒙德分解定理的條件,將PFLOM與協(xié)方差匹配準(zhǔn)則相結(jié)合,提出了兩種適用于alpha白噪聲背景下的無網(wǎng)格測向方法。仿真實(shí)驗(yàn)驗(yàn)證了所提方法與現(xiàn)有的同類算法相比可以在較低信噪比、較少快拍數(shù)的不利條件下有效解決強(qiáng)沖擊性alpha白噪聲背景下的穩(wěn)定測向問題。第六,針對現(xiàn)存適用于alpha噪聲的測向方法只能處理alpha白噪聲的問題,本文將一種全新的統(tǒng)計(jì)量—分?jǐn)?shù)階累積量（Fractional Order Cumulant,FOC）引入測向問題,并簡要分析了該統(tǒng)計(jì)量對alpha色噪聲的抑制機(jī)理。借助該統(tǒng)計(jì)量對alpha色噪聲的抑制作用,結(jié)合本文前面章節(jié)的內(nèi)容提出了適用于alpha色噪聲環(huán)境下的離格、無格稀疏測向方法,填補(bǔ)了現(xiàn)存測向方法無法妥善處理alpha色噪聲的空白,并通過仿真實(shí)驗(yàn)驗(yàn)證了所提算法的有效性。
南翠紅[3]（2021）在《基于圖像識別的海洋工程材料腐蝕機(jī)理及損傷評價(jià)研究》文中提出海洋探測和開發(fā)對于建設(shè)海洋強(qiáng)國具有舉足輕重的作用,需要大量海洋裝備的支撐。然而,海洋環(huán)境是一種復(fù)雜且嚴(yán)苛的腐蝕環(huán)境,海洋工程材料在惡劣海洋環(huán)境下極易誘發(fā)嚴(yán)重的腐蝕損傷,影響其可靠性和壽命,并帶來巨大經(jīng)濟(jì)損失,成為制約重大海洋工程裝備安全運(yùn)行的最主要瓶頸。海洋工程材料的腐蝕過程受到海水環(huán)境中復(fù)雜的離子構(gòu)成（外因）以及不同特性的材料因素（內(nèi)因）的耦合影響,包含離子傳質(zhì)、化學(xué)反應(yīng)和電化學(xué)動(dòng)力學(xué)過程等不同尺度的物理化學(xué)過程,使得其腐蝕機(jī)理復(fù)雜多變,對其多尺度腐蝕行為的表征及闡釋尚未形成完整的理論體系。因此,結(jié)合離子的擴(kuò)散、反應(yīng)以及電極動(dòng)力學(xué)特性來探究海水中離子對海洋工程材料腐蝕行為的影響機(jī)制,并對其腐蝕損傷特性進(jìn)行微觀定量表征對于揭示海洋工程材料的多尺度腐蝕機(jī)理具有重要意義。本文通過開路電位、動(dòng)電位極化和電化學(xué)阻抗譜等測試技術(shù)對比分析了常見的海洋工程材料2205雙相不銹鋼、Q420鋼及AZ31鎂合金在不同離子（Cl-、SO42-、Ca2+、Mg2+）濃度的人工海水溶液中的宏觀腐蝕行為,探究了腐蝕時(shí)間對材料產(chǎn)物膜性能及其腐蝕特性的影響,并結(jié)合圖像處理技術(shù),采用灰度變換、圖像二值化、小波變換及分形理論,建立腐蝕損傷圖像識別模型,基于腐蝕形貌特征對腐蝕損傷的微觀特性進(jìn)行定量化分析,得出以下結(jié)論:（1）不同離子對三種材料腐蝕速率的影響主要通過對離子質(zhì)量傳輸速率和產(chǎn)物膜的作用來實(shí)現(xiàn),作用結(jié)果取決于主導(dǎo)機(jī)制。通過不同離子對2205雙相不銹鋼腐蝕行為影響的研究得出,2205雙相不銹鋼在不同溶液中的腐蝕形態(tài)主要為局部點(diǎn)蝕,Cl-和Mg2+對腐蝕過程具有先促進(jìn)后抑制的作用;SO42-通過增加體系電導(dǎo)率促進(jìn)腐蝕過程;Ca2+可反應(yīng)形成沉積層從而抑制2205雙相不銹鋼在人工海水的腐蝕。由于2205雙相不銹鋼腐蝕產(chǎn)物相對較致密,保護(hù)作用強(qiáng),2205雙相不銹鋼在不同溶液中的腐蝕相對較弱。（2）通過不同離子對Q420鋼腐蝕行為影響的研究得出,Cl-和SO42-對腐蝕過程均具有促進(jìn)作用;Ca2+具有先抑制后促進(jìn)的作用;Mg2+抑制Q420鋼的腐蝕過程。Q420鋼的鉻元素和鎳元素含量明顯較少,因此相比于不銹鋼,Q420鋼表面產(chǎn)物膜不均勻,對基體保護(hù)作用有限,腐蝕程度比2205雙相不銹鋼嚴(yán)重。（3）通過不同離子對AZ31鎂合金腐蝕行為影響的研究得出,Cl-對腐蝕過程均具有促進(jìn)作用;SO42-具有先抑制后促進(jìn)再抑制的作用,可能是溶液中Cl-和SO42-共同存在時(shí),會競爭吸附于材料表面,Ca2+和Mg2+具有先促進(jìn)后抑制的作用。由于Mg（OH）2等腐蝕產(chǎn)物疏松多孔,且分布不均,因而難以有效阻止材料的腐蝕發(fā)展。（4）三種材料腐蝕過程中產(chǎn)物膜的極化電阻隨時(shí)間的增長均呈現(xiàn)逐漸增大的趨勢,因?yàn)楦g初期,材料表面與溶液直接接觸,反應(yīng)物及腐蝕性離子傳輸較快,腐蝕反應(yīng)更易發(fā)生;隨著腐蝕時(shí)間的增長,材料表面產(chǎn)物不斷生成,堆積在基體表面,產(chǎn)物膜層變得相對致密,因此極化電阻增大,保護(hù)作用增強(qiáng),可以有效地減緩材料的電化學(xué)腐蝕反應(yīng)。（5）通過高斯濾波和灰度變換增強(qiáng)對三種材料的腐蝕形貌圖像進(jìn)行預(yù)處理,結(jié)合灰度矩陣對圖像進(jìn)行了特征參數(shù)提取,包括灰度平均值、標(biāo)準(zhǔn)差、能量值和熵值,結(jié)果表明對于腐蝕嚴(yán)重的Q420鋼和AZ31鎂合金,灰度圖像的能量值可以有效表征試件表面的腐蝕嚴(yán)重程度,圖像能量值與腐蝕速率成反比;基于二值圖像提取特征值,包括蝕孔數(shù)目,腐蝕像素點(diǎn)總數(shù)等,可以直觀評估材料表面的腐蝕情況;基于小波變換方法對圖像的水平、垂直及對角方向子圖像的能量值進(jìn)行了提取,使用腐蝕能量特征參數(shù)ε作為評價(jià)指標(biāo),發(fā)現(xiàn)腐蝕越嚴(yán)重,子圖像能量百分比及能量特征參數(shù)ε越低;基于分形方法對圖像進(jìn)行特征參數(shù)提取,結(jié)果發(fā)現(xiàn)分形維數(shù)可有效表征試件表面復(fù)雜程度,表面越復(fù)雜時(shí),分形維數(shù)越大?；趫D像技術(shù)的腐蝕特征值分析結(jié)果與電化學(xué)測試結(jié)果基本一致,因此本文所建立的微觀分析模型可以有效評估材料的腐蝕程度。
王福東[4]（2021）在《基于泛函表示的圖匹配研究》文中認(rèn)為圖匹配問題是計(jì)算機(jī)視覺、計(jì)算機(jī)圖形學(xué)、模式識別等諸多研究領(lǐng)域的核心問題之一。在這些領(lǐng)域中,常使用圖結(jié)構(gòu)這一數(shù)學(xué)模型表示具備結(jié)構(gòu)化信息的數(shù)據(jù),如圖像關(guān)鍵點(diǎn)、3D點(diǎn)云、社交媒體數(shù)據(jù)等,并基于此發(fā)展出一系列圖匹配方法以匹配圖結(jié)構(gòu)數(shù)據(jù)之間在某種意義上相同（或相似）的元素,從而建立多個(gè)圖結(jié)構(gòu)的頂點(diǎn)或邊之間的正確（或最優(yōu)）對應(yīng)關(guān)系。此外,利用圖匹配的結(jié)果,可以在圖結(jié)構(gòu)數(shù)據(jù)間對應(yīng)元素的相似性度量,最終刻畫數(shù)據(jù)之間總體的相似程度。因此,在圖像或形狀匹配、物體檢索分類、三維重建、動(dòng)作識別、運(yùn)動(dòng)跟蹤等諸多研究問題中,圖匹配扮演著重要的基礎(chǔ)算法角色。本文圍繞圖匹配問題,以泛函表示為理論出發(fā)點(diǎn),建立了一般圖匹配的泛函表示框架?；诖丝蚣?本文進(jìn)一步針對實(shí)際應(yīng)用中常見的幾何約束圖匹配以及異常點(diǎn)干擾圖匹配,提出并發(fā)展了具有相容性的理論分析和高效魯棒的處理算法。本文的主要研究成果包括:1)建立了一般圖匹配的泛函表示框架,為圖匹配問題的建模表示、理論分析和處理方法提供統(tǒng)一的基礎(chǔ)理論。首先,建立圖模型所對應(yīng)的線性函數(shù)空間,利用該函數(shù)空間的基底函數(shù)對圖模型的頂點(diǎn)、邊等信息進(jìn)行表示,并構(gòu)造函數(shù)空間上的內(nèi)積、度量等二元關(guān)系對圖匹配進(jìn)行衡量和約束。然后,將圖匹配過程轉(zhuǎn)化為函數(shù)空間上的線性變換,并證明該轉(zhuǎn)化形式與圖匹配是一一等價(jià)的。最后,構(gòu)造該線性變換的限制約束條件,設(shè)計(jì)保持圖結(jié)構(gòu)化信息不變的目標(biāo)函數(shù)并加以優(yōu)化求解,并得到了目前最好的匹配結(jié)果。該框架不僅為一般圖匹配問題提供了理論基礎(chǔ)和研究方法,更啟發(fā)了如何對幾何約束圖匹配、異常點(diǎn)干擾圖匹配問題進(jìn)行理論分析和方法求解。2)提出了歐氏空間中幾何約束圖匹配的一種線性參數(shù)化表示形式,并將其與原本存在于圖之間的幾何形變參數(shù)建立相容的數(shù)學(xué)表達(dá)形式。根據(jù)歐氏空間的天然線性性質(zhì)以及泛函表示框架下圖匹配的線性表示方式,可以將幾何約束圖匹配中的匹配矩陣歸結(jié)為圖之間的線性幾何變換,得到一種新的具有幾何意義的線性參數(shù)化表示形式。由于矩陣乘法的可結(jié)合律,可以證明該參數(shù)化表示形式與圖之間常見的幾何形變（剛體或非剛體）參數(shù)可以統(tǒng)一表示為兩種線性算子的交替運(yùn)算,從而為幾何形變參數(shù)和圖匹配矩陣的交替估計(jì)方法提供了合理性。同時(shí),為了降低交替估計(jì)過程中的計(jì)算復(fù)雜度,提出了基于熵正則的近似Frank-Wolfe方法,并證明了其次線性收斂速率和近似精度等性質(zhì),提高了算法的計(jì)算效率和魯棒性。3)發(fā)展了用于處理實(shí)際問題中受異常點(diǎn)干擾的圖匹配問題的零賦值約束方法,并設(shè)計(jì)了異常點(diǎn)識別和剔除算法,實(shí)現(xiàn)了在限定匹配數(shù)目約束下的改進(jìn)優(yōu)化算法以得到正常點(diǎn)之間的最優(yōu)匹配結(jié)果。本文受函數(shù)空間上線性變換的零空間啟發(fā),將異常點(diǎn)視為可以被線性變換映射到零空間的點(diǎn),而正常點(diǎn)則在匹配前后保持結(jié)構(gòu)化信息不變?；诒粓D匹配矩陣映射到零空間的點(diǎn)具有零賦值系數(shù)向量這一性質(zhì),將異常點(diǎn)和正常點(diǎn)聚類為兩類,然后識別并剔除異常點(diǎn)。利用異常點(diǎn)與其他點(diǎn)之間更弱的相似性,設(shè)計(jì)了更具有判別能力的目標(biāo)函數(shù),以盡可能迫使在優(yōu)化求解的過程中只對異常點(diǎn)賦予（近乎）零賦值系數(shù)向量。實(shí)驗(yàn)結(jié)果顯示,所提出的方法能很好地保留正常點(diǎn),大幅度降低異常點(diǎn)造成的影響,最終提高圖匹配結(jié)果的精度。本文以圖匹配的泛函表示為理論核心,針對一般圖匹配、幾何約束圖匹配以及異常點(diǎn)干擾圖匹配這三個(gè)重要問題進(jìn)行了理論方法研究和算法設(shè)計(jì),大量分析性和對比性實(shí)驗(yàn)闡明了所提出的系列方法具有很好的魯棒性和高效性,且在眾多數(shù)據(jù)集上取得了目前最優(yōu)的結(jié)果。本文所提出的泛函表示框架,為圖匹配問題提供了新的理論基礎(chǔ)和研究方向,對諸如基于深度學(xué)習(xí)的圖匹配等新研究課題具有一定的借鑒指導(dǎo)意義。
張垚[5]（2021）在《基于奇異攝動(dòng)的多智能體系統(tǒng)一致性控制》文中認(rèn)為多智能體系統(tǒng)（Multi-Agent System,MAS）的協(xié)調(diào)控制受到廣泛關(guān)注。設(shè)計(jì)分布式控制協(xié)議使得網(wǎng)絡(luò)中的智能體在某些要素上達(dá)成一致是協(xié)調(diào)控制的基本問題,該問題被稱為“一致性”問題。智能體本身的動(dòng)態(tài)是影響一致性的達(dá)成的重要因素,本文以具備多時(shí)間尺度動(dòng)態(tài)的智能體組成的多智能體系統(tǒng)（多時(shí)間尺度多智能體系統(tǒng)）為研究對象,進(jìn)行了一致性控制協(xié)議方面的研究。本文的工作是受到許多現(xiàn)實(shí)系統(tǒng)都具有網(wǎng)絡(luò)化和多時(shí)間尺度兩個(gè)特征的激發(fā)。本文分別提出了由具有兩個(gè)時(shí)間尺度動(dòng)態(tài)和多時(shí)間尺度動(dòng)態(tài)的智能體組成的多智能體系統(tǒng)的一致性控制協(xié)議。最后結(jié)合綜合能源系統(tǒng)的網(wǎng)絡(luò)化特點(diǎn),將一致性協(xié)議的應(yīng)用推廣到綜合能源系統(tǒng),實(shí)現(xiàn)網(wǎng)絡(luò)中所有CCHP系統(tǒng)的發(fā)電機(jī)組的電角速度和房間溫度的分布式控制。首先研究了固定無向圖下兩時(shí)間尺度多智能體系統(tǒng)的一致性問題。本文采用奇異攝動(dòng)模型來描述智能體的兩時(shí)間尺度動(dòng)態(tài)。針對連續(xù)和離散的兩時(shí)間尺度多智能體系統(tǒng)提出了一致性控制協(xié)議,并結(jié)合奇異攝動(dòng)思想的時(shí)間尺度分離方法給出控制增益的求取步驟和控制協(xié)議有效性的證明。進(jìn)而,將一致性問題推廣到更復(fù)雜的多時(shí)間尺度多智能體系統(tǒng),設(shè)計(jì)一種多步線性變換實(shí)現(xiàn)系統(tǒng)的簡化,提出了針對多時(shí)間尺度多智能體系統(tǒng)一致性協(xié)議的設(shè)計(jì)過程,有效地解決了該復(fù)雜高階系統(tǒng)的一致性問題。最后通過數(shù)值仿真說明所設(shè)計(jì)的協(xié)議的有效性。最后簡單闡述了綜合能源系統(tǒng)的結(jié)構(gòu)組成,通過對系統(tǒng)主要設(shè)備的特性分析建立其供能端的數(shù)學(xué)模型,根據(jù)房間的特點(diǎn)和熱能耗散特性,搭建冷負(fù)荷的模型。根據(jù)多智能體系統(tǒng)的協(xié)調(diào)控制理論,以一致性算法為核心,實(shí)現(xiàn)控制系統(tǒng)的設(shè)計(jì)?？刂葡到y(tǒng)充分利用能源分配和室內(nèi)溫度的可調(diào)性,根據(jù)本地和鄰居CCHP系統(tǒng)的狀態(tài)信息,實(shí)現(xiàn)發(fā)電機(jī)組電角速度和室內(nèi)溫度的控制。
王章成[6]（2021）在《低復(fù)雜度的距離度量學(xué)習(xí)方法研究》文中研究說明距離度量學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)重要分支。近些年來,隨著機(jī)器學(xué)習(xí)的飛速發(fā)展,距離度量學(xué)習(xí)受到了研究者們廣泛的關(guān)注,并被使用到各式各樣的現(xiàn)實(shí)應(yīng)用中,例如圖像分類、圖像檢索、聚類、人臉識別以及行人重識別等。距離度量學(xué)習(xí)通過探索訓(xùn)練數(shù)據(jù)內(nèi)在的統(tǒng)計(jì)特征來學(xué)習(xí)得到一個(gè)魯棒的距離度量,將數(shù)據(jù)映射到一個(gè)特征空間,使得相似的樣本互相接近,不相似的樣本互相遠(yuǎn)離,進(jìn)而有利于提升相應(yīng)任務(wù)的效果。作為一個(gè)基礎(chǔ)的研究方向,距離度量學(xué)習(xí)的發(fā)展推動(dòng)了各個(gè)研究領(lǐng)域的發(fā)展。傳統(tǒng)的距離度量學(xué)習(xí)可以直接得到一個(gè)顯式的度量矩陣或是線性變換。該方法比較直觀而且便于加入對于度量矩陣和線性變換的限制,但是其非線性性需要通過核方法等方式來實(shí)現(xiàn),涉及較多復(fù)雜的數(shù)學(xué)推導(dǎo)。隨著近年來深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,傳統(tǒng)的距離度量學(xué)習(xí)與深度學(xué)習(xí)相結(jié)合,深度度量學(xué)習(xí)應(yīng)運(yùn)而生。深度度量學(xué)習(xí)將約束集成到損失函數(shù)上,利用深度神經(jīng)網(wǎng)絡(luò)作為一個(gè)非線性映射函數(shù)來學(xué)習(xí)得到一個(gè)特征空間。得力于神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力,一般而言深度度量學(xué)習(xí)的效果優(yōu)于傳統(tǒng)距離度量學(xué)習(xí),但是深度度量學(xué)習(xí)需要較為龐大的訓(xùn)練數(shù)據(jù)和計(jì)算資源來訓(xùn)練神經(jīng)網(wǎng)絡(luò)以達(dá)到預(yù)期目標(biāo)。因此兩種方法都有各自的優(yōu)勢和缺點(diǎn),非常值得深入研究,合理利用其優(yōu)勢同時(shí)規(guī)避其缺陷。隨著各種電腦和手機(jī)應(yīng)用的發(fā)展,應(yīng)用數(shù)據(jù)量逐年增長。由于人們對于應(yīng)用性能以及實(shí)時(shí)性要求提高,諸如在線應(yīng)用這種實(shí)時(shí)性應(yīng)用的需求量在不斷提升。因此如何提高距離度量學(xué)習(xí)的效率,設(shè)計(jì)出兼具低復(fù)雜度和高性能的距離度量學(xué)習(xí)方法至關(guān)重要,研究低復(fù)雜度的距離度量學(xué)習(xí)方法是一個(gè)具有深遠(yuǎn)意義和光明未來的研究方向。本論文主要針對低復(fù)雜度的距離度量學(xué)習(xí)算法研究,希望能夠在低復(fù)雜度的情況下獲得學(xué)習(xí)性能的提升。目前已有的傳統(tǒng)距離度量學(xué)習(xí)算法主要是直接學(xué)習(xí)得到一個(gè)馬氏矩陣或是學(xué)習(xí)一個(gè)線性變化。已有的深度度量學(xué)習(xí)算法可以大致分為三類:學(xué)習(xí)實(shí)例-類別相似度約束的深度度量學(xué)習(xí)方法、學(xué)習(xí)實(shí)例-代理相似度約束的深度度量學(xué)習(xí)方法以及學(xué)習(xí)實(shí)例-實(shí)例相似度約束的深度度量學(xué)習(xí)方法。這些距離度量學(xué)習(xí)方法挖掘訓(xùn)練數(shù)據(jù)中的有用信息,在許多任務(wù)中驗(yàn)證了其性能,但是仍然存在著許多缺陷。（1）直接學(xué)習(xí)馬氏矩陣或線性變化的算法復(fù)雜度是平方量級的,與輸入數(shù)據(jù)維度有關(guān),難以擴(kuò)展到高維數(shù)據(jù)情況。（2）不能夠充分利用訓(xùn)練數(shù)據(jù)的信息,在訓(xùn)練中引入隨機(jī)性或需要利用其它域的訓(xùn)練數(shù)據(jù)進(jìn)行輔助。（3）基于實(shí)例-類別相似度約束以及實(shí)例-代理相似度約束的深度度量學(xué)習(xí)方法經(jīng)常受到監(jiān)督信息不足的影響進(jìn)而導(dǎo)致性能退化;而基于實(shí)例-實(shí)例相似度約束的深度度量學(xué)習(xí)方法則因?yàn)樗惴◤?fù)雜度至少是平方量級的而造成訓(xùn)練效率低的問題,且需要依賴較為復(fù)雜的采樣和加權(quán)機(jī)制。（4）目前的深度度量學(xué)習(xí)方法沒有很好地探索數(shù)據(jù)類別的結(jié)構(gòu)信息,容易造成“監(jiān)督崩塌”的現(xiàn)象,即學(xué)習(xí)到的信息只是有利于提升訓(xùn)練集上的表現(xiàn),不能很好地遷移到測試集上,這一現(xiàn)象在行人重識別和細(xì)粒度圖像檢索這類訓(xùn)練集和測試集類別完全不重疊的任務(wù)中體現(xiàn)的尤為明顯。本論文針對上述問題,設(shè)計(jì)了低復(fù)雜度的距離度量學(xué)習(xí)方法,用于解決現(xiàn)有算法存在的缺陷。本論文介紹的工作主要分為三個(gè)部分:基于組合系數(shù)的半監(jiān)督距離度量學(xué)習(xí),基于特征向量的距離度量學(xué)習(xí)以及利用原型分布指導(dǎo)的深度度量學(xué)習(xí)?；诮M合系數(shù)的半監(jiān)督距離度量學(xué)習(xí)針對直接學(xué)習(xí)馬氏矩陣或線性變化計(jì)算復(fù)雜度高的問題,通過將半正定的距離度量矩陣拆分成基向量線性組合的形式,通過隨機(jī)向量和學(xué)習(xí)線性組合系數(shù)來對目標(biāo)距離度量矩陣進(jìn)行近似,將變量和計(jì)算復(fù)雜度由平方量級降低到常數(shù)量級。另外還提出了一種新穎的半監(jiān)督學(xué)習(xí)方法將算法擴(kuò)展到了半監(jiān)督學(xué)習(xí)框架下,利用了無標(biāo)記數(shù)據(jù)中潛在的數(shù)據(jù)特征。針對非平滑目標(biāo)函數(shù)的優(yōu)化問題,本文提出了一種基于交替方向乘子法的優(yōu)化算法,在每一步都直接求得閉式解,進(jìn)一步地提升了訓(xùn)練速度降低訓(xùn)練代價(jià)。特別地,在人臉檢索數(shù)據(jù)集上相較于凸優(yōu)化包提速將近30倍。針對基于組合系數(shù)的半監(jiān)督距離度量學(xué)習(xí)使用隨機(jī)向量而引入的隨機(jī)性且不能反映數(shù)據(jù)信息這一問題,之前的算法利用其它域數(shù)據(jù)學(xué)習(xí)特征向量,這需要額外的訓(xùn)練數(shù)據(jù)和開銷?；谔卣飨蛄康木嚯x度量學(xué)習(xí)引入了由訓(xùn)練數(shù)據(jù)明確學(xué)習(xí)得到的特征向量,僅需要利用特征值最大的幾個(gè)特征向量即可獲得絕大部分訓(xùn)練數(shù)據(jù)中的信息,進(jìn)一步提高了運(yùn)算效率和實(shí)驗(yàn)性能,并且在人臉檢索的大數(shù)據(jù)集上得到驗(yàn)證。利用原型分布指導(dǎo)的深度度量學(xué)習(xí),針對目前最先進(jìn)的深度度量學(xué)習(xí)算法依賴于大量的成對相似度監(jiān)督信息,而且不能很好地探索數(shù)據(jù)結(jié)構(gòu)的信息而容易造成“監(jiān)督崩塌”這兩個(gè)問題,提出利用原型級別的數(shù)據(jù)結(jié)構(gòu)來對距離度量學(xué)習(xí)進(jìn)行額外的監(jiān)督,降低了對于大量監(jiān)督信息的依賴,將計(jì)算復(fù)雜度由平方量級降低到了線性量級。此外,本文提出的原型分布能夠反映原型級別的數(shù)據(jù)結(jié)構(gòu),增強(qiáng)了在測試集上的泛化能力,進(jìn)而提升了算法性能,并在行人重識別和細(xì)粒度圖像檢索任務(wù)中得到驗(yàn)證。
何熙[7]（2021）在《遷移學(xué)習(xí)算法的量子化與應(yīng)用》文中進(jìn)行了進(jìn)一步梳理隨著近年來量子計(jì)算領(lǐng)域的飛速發(fā)展,量子計(jì)算技術(shù)已經(jīng)深刻地改變了傳統(tǒng)的計(jì)算模式與信息處理的方式。量子計(jì)算利用量子物理特有的量子糾纏、量子疊加等性質(zhì)能夠有效地提升信息處理的效率與能力,并且提供了新型的數(shù)據(jù)計(jì)算與信息處理方式。機(jī)器學(xué)習(xí)利用現(xiàn)有的計(jì)算資源對大數(shù)據(jù)進(jìn)行分析學(xué)習(xí)得到規(guī)律以對未知數(shù)據(jù)進(jìn)行預(yù)測,在眾多領(lǐng)域有著廣泛的應(yīng)用。量子計(jì)算技術(shù)應(yīng)用于機(jī)器學(xué)習(xí)中產(chǎn)生了量子機(jī)器學(xué)習(xí)這一研究方向。量子機(jī)器學(xué)習(xí)一方面可以實(shí)現(xiàn)相對經(jīng)典機(jī)器學(xué)習(xí)算法的性能提升;另一方面對于解決特定任務(wù),特別是量子物理領(lǐng)域的任務(wù),具有獨(dú)特的適配性與優(yōu)勢。目前,量子機(jī)器學(xué)習(xí)已經(jīng)發(fā)展為一個(gè)系統(tǒng)性、全面性的研究領(lǐng)域。作為機(jī)器學(xué)習(xí)重要的研究分支,遷移學(xué)習(xí)旨在利用已知領(lǐng)域的知識來解決未知領(lǐng)域的機(jī)器學(xué)習(xí)任務(wù)。遷移學(xué)習(xí)對于提高機(jī)器學(xué)習(xí)算法模型的泛化能力,以及解決數(shù)據(jù)標(biāo)注缺乏的問題具有重要的作用。然而目前對于量子遷移學(xué)習(xí)算法的設(shè)計(jì)研究還非常缺乏。現(xiàn)有的量子機(jī)器學(xué)習(xí)算法服從獨(dú)立同分布假設(shè),多適用于單一的任務(wù)場景。除此之外,對于采集到的數(shù)據(jù)特別是量子數(shù)據(jù)進(jìn)行處理得到指定的數(shù)據(jù)格式和標(biāo)記非常耗費(fèi)資源。針對上述問題,本文針對遷移學(xué)習(xí)算法的量子化與應(yīng)用進(jìn)行系統(tǒng)性的研究。遷移學(xué)習(xí)旨在解決跨領(lǐng)域機(jī)器學(xué)習(xí)任務(wù)。然而如何在量子設(shè)備上運(yùn)行遷移學(xué)習(xí)算法,以及如何利用量子計(jì)算技術(shù)提升現(xiàn)有遷移學(xué)習(xí)算法的性能是量子機(jī)器學(xué)習(xí)領(lǐng)域中亟待解決的問題。本文重點(diǎn)針對量子遷移學(xué)習(xí)領(lǐng)域中的數(shù)據(jù)預(yù)處理技術(shù),以及量子化算法設(shè)計(jì)與應(yīng)用問題進(jìn)行系統(tǒng)性的研究。主要的工作內(nèi)容和創(chuàng)新點(diǎn)包括:（1）針對量子遷移學(xué)習(xí)中的數(shù)據(jù)預(yù)處理問題,進(jìn)行了系統(tǒng)性的研究并提出了相關(guān)的量子化設(shè)計(jì)方案。首先對量子數(shù)據(jù)編碼技術(shù)進(jìn)行系統(tǒng)性的研究總結(jié)。其次針對數(shù)據(jù)預(yù)處理中的線性降維算法——主成分分析算法的量子化方案進(jìn)行研究。最后分別利用量子基礎(chǔ)線性代數(shù)程序集和變分量子-經(jīng)典混合過程這兩種技術(shù)思路設(shè)計(jì)了非線性降維算法——局部線性嵌入算法的量子化方案。與經(jīng)典局部線性嵌入算法相比,基于量子基礎(chǔ)線性代數(shù)程序集的局部線性嵌入算法能夠?qū)?shù)據(jù)的非線性降維的整體過程實(shí)現(xiàn)平方級加速。除此之外,基于變分量子-經(jīng)典混合過程,分別利用端到端思想與分布實(shí)現(xiàn)過程設(shè)計(jì)了兩種變分量子局部線性嵌入算法可以有效地在帶噪聲中等規(guī)模量子設(shè)備上對非線性數(shù)據(jù)進(jìn)行降維處理。（2）針對遷移學(xué)習(xí)算法的量子化問題,提出了量子子空間對齊算法模型。首先基于量子基礎(chǔ)線性代數(shù)程序集實(shí)現(xiàn)了子空間對齊過程,從而能夠以相對經(jīng)典子空間對齊算法平方根級的算法復(fù)雜度在通用量子計(jì)算設(shè)備上實(shí)現(xiàn)遷移學(xué)習(xí)過程。另外,基于帶噪聲中等規(guī)模量子設(shè)備,利用含參數(shù)變分量子電路與經(jīng)典優(yōu)化算法實(shí)現(xiàn)了兩種不同配置方案的變分量子子空間對齊算法,即端到端變分量子子空間對齊算法和基于矩陣乘法的變分量子子空間對齊算法。根據(jù)在同構(gòu)和異構(gòu)遷移學(xué)習(xí)任務(wù)場景下的數(shù)據(jù)實(shí)驗(yàn)結(jié)果證明了變分量子子空間對齊算法的可行性與有效性。（3）針對具有更簡化數(shù)據(jù)預(yù)處理過程的量子遷移學(xué)習(xí)算法的設(shè)計(jì)問題,提出了量子關(guān)聯(lián)對齊算法模型的兩種設(shè)計(jì)方案:基于量子基礎(chǔ)線性代數(shù)程序集的關(guān)聯(lián)對齊算法和變分量子關(guān)聯(lián)對齊算法。第一種方案在通用量子計(jì)算設(shè)備上完成遷移學(xué)習(xí)任務(wù),并且相對經(jīng)典算法可以實(shí)現(xiàn)指數(shù)級加速;第二種方案分別基于端到端思想和矩陣乘法操作在淺層含參量子電路上實(shí)現(xiàn)了遷移學(xué)習(xí)過程,并且通過設(shè)計(jì)不同數(shù)據(jù)規(guī)模、不同任務(wù)場景下的遷移學(xué)習(xí)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了該方案的可行性與有效性。本文針對量子遷移學(xué)習(xí)領(lǐng)域中數(shù)據(jù)預(yù)處理技術(shù)進(jìn)行了全面性的研究并提供了相關(guān)的量子化設(shè)計(jì)方案,并且對于遷移學(xué)習(xí)算法的量子化與應(yīng)用進(jìn)行了系統(tǒng)性的研究。本文的研究內(nèi)容為量子遷移學(xué)習(xí)領(lǐng)域的發(fā)展提供了新的思路,具有重要的理論與應(yīng)用價(jià)值。
楊錄峰[8]（2021）在《幾類奇異攝動(dòng)問題的高精度數(shù)值方法研究》文中進(jìn)行了進(jìn)一步梳理譜方法因其具有譜精度,被廣泛的用于各種問題的數(shù)值求解之中,但對于奇異攝動(dòng)問題,經(jīng)典譜方法需要大量節(jié)點(diǎn)才能刻畫邊界層的變化規(guī)律,得到高精度的數(shù)值解.為了改善奇異攝動(dòng)問題數(shù)值模擬的效率,一部分學(xué)者從減輕問題的奇異性出發(fā),將問題的解分解為正則分量和奇異分量分別求解;另一部分致力于改進(jìn)數(shù)值方法,使網(wǎng)格節(jié)點(diǎn)更多的向邊界層聚集,以適應(yīng)奇異攝動(dòng)問題求解的需要.本文結(jié)合這兩類處理方法的優(yōu)點(diǎn),提出了基于奇異分離技術(shù)的譜方法.第一章介紹了奇異攝動(dòng)問題的研究背景、研究進(jìn)展以及本文的研究問題和主要工作.第二章考慮二階奇異攝動(dòng)問題,首先利用漸近展開理論結(jié)果預(yù)先確定邊界層的位置和寬度,即確定sinh變換的參數(shù),使Chebyshev-Gauss-Lobatto節(jié)點(diǎn)向邊界層聚集,然后利用奇異分離技術(shù)將奇異攝動(dòng)問題分解為弱奇異輔助邊值問題和確定邊界層校正函數(shù)的問題.利用含sinh變換的有理譜方法求解弱奇異攝動(dòng)邊值問題,得到解的正則分量,利用邊界條件和問題的特征值,顯式確定奇異校正函數(shù),并給出了誤差估計(jì)式.對于變系數(shù)問題,利用奇異攝動(dòng)分離構(gòu)造校正函數(shù),然后利用譜方法求解正則分量及奇異分量的待定參數(shù),進(jìn)而組合得到原問題的數(shù)值解,最后通過數(shù)值實(shí)驗(yàn),驗(yàn)證理論結(jié)果.第三章考慮二階奇異攝動(dòng)方程組問題,利用基于奇異分離技術(shù)的有理譜方法分別求解弱耦合反應(yīng)擴(kuò)散問題和強(qiáng)耦合對流擴(kuò)散問題,分別推導(dǎo)并證明了通解表達(dá)式,然后應(yīng)用有理譜方法求解弱奇異攝動(dòng)問題確定原問題的一個(gè)特解,并利用邊界條件確定了奇異校正函數(shù)的顯式表達(dá)式,并證明了該方法當(dāng)很小時(shí)幾乎達(dá)到譜精度.對于變系數(shù)奇異攝動(dòng)方程組,我們同樣利用系數(shù)矩陣的特征值和相應(yīng)的特征向量構(gòu)造校正函數(shù)刻畫奇異分量,然后利用譜方法求解弱奇異方程組,得到正則分量與奇異分量的參數(shù),組合奇異分量與正則分量得到問題的解.最后利用數(shù)值算例驗(yàn)證了理論分析的結(jié)果.第四章考慮含不連續(xù)源項(xiàng)或界面條件的奇異攝動(dòng)問題的數(shù)值模擬.將整個(gè)區(qū)間上的奇異攝動(dòng)問題分解為左、右子問題,然后對每個(gè)子問題采用有理譜方法求解弱奇異性問題確定正則分量,利用邊界條件和界面條件確定奇異校正函數(shù)的參數(shù),最后利用縫接法得到原問題的解.數(shù)值實(shí)驗(yàn)驗(yàn)證了該方法能夠高精度的求解此類問題.第五章對于拋物型奇異攝動(dòng)問題和時(shí)間分?jǐn)?shù)階奇異攝動(dòng)問題.利用Laplace變換法將非定常微分方程變換為頻域上的關(guān)于空間變量的常微分方程邊值問題,然后利用基于奇異分離技術(shù)的譜方法求解含參數(shù)的奇異攝動(dòng)邊值問題,利用最后利用Talbot方法,數(shù)值求解逆Laplace變換得到原問題的數(shù)值解.Laplace變換的使用規(guī)避了時(shí)間演進(jìn)中對時(shí)間步長的限制要求.數(shù)值實(shí)驗(yàn)驗(yàn)證該方法具有高精度.
龐宇[9]（2021）在《基于機(jī)器學(xué)習(xí)的風(fēng)電機(jī)組故障診斷及部件剩余壽命預(yù)測技術(shù)研究》文中進(jìn)行了進(jìn)一步梳理近年來,風(fēng)力發(fā)電產(chǎn)業(yè)得到迅猛發(fā)展,風(fēng)電場作為風(fēng)力發(fā)電產(chǎn)業(yè)的基本出力單元,其經(jīng)濟(jì)效益的好壞取決于風(fēng)電機(jī)組故障停機(jī)時(shí)間。風(fēng)電機(jī)組故障停機(jī)時(shí)間很大程度上受限于故障定位速度以及備品備件是否充足,這兩點(diǎn)嚴(yán)重依賴于風(fēng)電機(jī)組故障診斷技術(shù)和部件剩余壽命預(yù)測技術(shù),而風(fēng)電場在這兩個(gè)關(guān)鍵技術(shù)環(huán)節(jié)上都比較薄弱。風(fēng)電現(xiàn)場運(yùn)行狀況統(tǒng)計(jì)表明風(fēng)電機(jī)組故障停機(jī)主要是風(fēng)電機(jī)組傳動(dòng)系統(tǒng)機(jī)械部件故障引起的,現(xiàn)有故障診斷技術(shù)和部件剩余壽命預(yù)測技術(shù)要求大量具有高技術(shù)水平的診斷分析人員以人工方式進(jìn)行故障診斷,這種低效工作模式不能有效支撐風(fēng)電行業(yè)的健康發(fā)展。本文針對風(fēng)電場故障診斷效率低下問題進(jìn)行了詳細(xì)深入的分析,聚焦于風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷和軸承剩余壽命預(yù)測技術(shù),提出并實(shí)現(xiàn)了三種風(fēng)電機(jī)組批量化和自動(dòng)化故障診斷的方法,并對軸承剩余壽命預(yù)測方法進(jìn)行了研究,相關(guān)工作內(nèi)容如下:（1）系統(tǒng)化研究了信號降噪方法。在詳細(xì)分析風(fēng)電機(jī)組電磁干擾產(chǎn)生原因和傳播路徑基礎(chǔ)上,從四個(gè)層面提出了具體的降噪措施:在傳感器網(wǎng)絡(luò)層面通過屏蔽接地和絕緣隔離方式進(jìn)行降噪,在監(jiān)測數(shù)據(jù)采集硬件平臺層面通過設(shè)計(jì)抗混疊濾波器方式進(jìn)行降噪,軟件層面通過過采樣方式進(jìn)行降噪,在數(shù)據(jù)預(yù)處理層面通過小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD）進(jìn)行降噪,實(shí)現(xiàn)了從傳感器端到分析數(shù)據(jù)端各個(gè)環(huán)節(jié)的降噪,并將所提方法成功應(yīng)用于風(fēng)電現(xiàn)場實(shí)際,取得了良好的降噪效果。（2）提出了基于模糊專家系統(tǒng)的風(fēng)電機(jī)組故障診斷方法。該方法通過設(shè)計(jì)故障模型來提取監(jiān)測數(shù)據(jù)中的故障特征向量,經(jīng)過模糊化處理后,作為模糊專家系統(tǒng)的事實(shí)輸入,在模糊知識庫和模糊推理機(jī)作用下完成風(fēng)電機(jī)組在線故障診斷。目前,該方法已成功應(yīng)用于風(fēng)電現(xiàn)場實(shí)際,實(shí)現(xiàn)了風(fēng)電機(jī)組故障診斷的自動(dòng)化和批量化操作,大幅提高了風(fēng)電機(jī)組故障診斷效率。（3）提出了基于特征可視化的風(fēng)電機(jī)組故障診斷方法。引入混沌系統(tǒng)相空間重構(gòu)技術(shù)將反映風(fēng)電機(jī)組部件健康狀態(tài)的非線性時(shí)間序列轉(zhuǎn)化成高維解析模型,應(yīng)用奇異值分解（SVD）將高維解析模型降維到三維空間,將表征部件健康狀態(tài)的非線性時(shí)間序列轉(zhuǎn)變?yōu)槿S空間坐標(biāo)點(diǎn)的移動(dòng)軌跡,當(dāng)坐標(biāo)點(diǎn)移動(dòng)到故障閾值區(qū)域時(shí),可判斷風(fēng)電機(jī)組部件發(fā)生故障?，F(xiàn)場應(yīng)用實(shí)踐表明該方法不需要進(jìn)行頻譜分析,降低了對故障診斷分析人員的技能要求,可大幅提升故障診斷效率。（4）提出了基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷方法。該方法核心關(guān)鍵是獲得完備的訓(xùn)練樣本,然而,風(fēng)電規(guī)模化發(fā)展至今,尚未經(jīng)歷一個(gè)完整的設(shè)計(jì)生命周期,無法獲取部件現(xiàn)場實(shí)際運(yùn)行的完備性數(shù)據(jù)。本文通過反方向構(gòu)建與故障特征相對應(yīng)的時(shí)間序列,并與現(xiàn)場少量實(shí)際故障數(shù)據(jù)一起構(gòu)成訓(xùn)練樣本,完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試?，F(xiàn)場實(shí)際應(yīng)用表明本文所提出的故障診斷方法可實(shí)現(xiàn)風(fēng)電機(jī)組故障診斷的批量化和自動(dòng)化,具有很高的實(shí)用價(jià)值。（5）提出了基于離散余弦變換卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)力機(jī)組軸承剩余壽命預(yù)測方法。其思路是:首先,對軸承工作過程振動(dòng)信號進(jìn)行小波變換獲得表征軸承退化狀態(tài)的時(shí)頻圖像;其次,引入雙線性變換技術(shù)對時(shí)頻圖像特征進(jìn)行降維處理,并在應(yīng)用離散余弦變換對降維后的時(shí)頻圖像進(jìn)行稀疏性壓縮,壓縮后的圖像作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,從而降低了網(wǎng)絡(luò)復(fù)雜度,提高了網(wǎng)絡(luò)效率。實(shí)驗(yàn)結(jié)果表明本文所提出方法相比于其它預(yù)測方法具有明顯的效率優(yōu)勢,同時(shí)可在風(fēng)電機(jī)組現(xiàn)有監(jiān)測系統(tǒng)硬件平臺上實(shí)現(xiàn),提高了監(jiān)測設(shè)備的利用水平,避免了風(fēng)電場二次投資。本文研究內(nèi)容直接應(yīng)用于生產(chǎn)實(shí)際,針對風(fēng)電場不同應(yīng)用場景,提出的三種故障診斷方法已經(jīng)應(yīng)用于超過2000臺風(fēng)力電機(jī)組。大量現(xiàn)場應(yīng)用結(jié)果表明,本文所提方法可以有效減少機(jī)組平均故障維護(hù)時(shí)間,降低運(yùn)維成本,具有顯著的經(jīng)濟(jì)效益和推廣價(jià)值。
孫杰[10]（2020）在《基于深度學(xué)習(xí)的人臉識別特征增強(qiáng)與度量學(xué)習(xí)算法研究》文中指出人臉識別一直是人工智能領(lǐng)域一個(gè)研究熱點(diǎn)。相比于其他的生物鑒別方式,人臉識別在考勤、支付、進(jìn)站、登機(jī)、特定對象監(jiān)控等方面有著廣闊的運(yùn)用場景。當(dāng)前最先進(jìn)的方法,主要是基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的方法。已有的方法需要被識別對象有良好的光照條件,表情與姿勢不能變化太大,不能有遮擋,在約束環(huán)境下,基于深度學(xué)習(xí)的人臉識別已超越了人類的識別能力。但是在非約束條件下,比如監(jiān)控?cái)z像頭所錄的視頻,被識別對象具有側(cè)面、被遮擋住、帶眼鏡或口罩、模糊、低分辨率、表情夸張、姿勢變化大、光照變化大等多種變化,當(dāng)前的識別模型和算法在這些變化下,不能獲得高鑒別性的特征。此外,由于人臉檢測和識別是兩套不同的模型和算法,現(xiàn)有算法沒有考慮兩者的內(nèi)在關(guān)聯(lián),檢測結(jié)果差則識別結(jié)果也差,導(dǎo)致現(xiàn)有人臉識別算法魯棒性差。此外,當(dāng)前人臉識別系統(tǒng)大都基于很深的大型網(wǎng)絡(luò),不支持在嵌入式系統(tǒng)運(yùn)行。因此研究基于輕量網(wǎng)絡(luò)的人臉檢測和識別方法,設(shè)計(jì)高鑒別性的特征表示至關(guān)重要。針對無約束環(huán)境下對人臉識別算法的需求,本論文在現(xiàn)有人臉檢測和識別算法的基礎(chǔ)上,重點(diǎn)研究基于深度學(xué)習(xí)的特征表示、特征融合與增強(qiáng)以及度量學(xué)習(xí)等關(guān)鍵技術(shù)?；诰矸e神經(jīng)網(wǎng)絡(luò),設(shè)計(jì)并實(shí)現(xiàn)了輕量的人臉識別流水線,包括多尺度的人臉檢測器和基于模板的人臉識別器。測試結(jié)果表明,該Res Net-18模型準(zhǔn)確率高,在IJB-C數(shù)據(jù)集上的平均精度、誤識率和拒識率均接近骨干基準(zhǔn)網(wǎng)絡(luò)Se Net50,滿足未來人臉識別系統(tǒng)的實(shí)時(shí)性與魯棒性要求。論文的主要研究內(nèi)容和創(chuàng)新點(diǎn)如下:（1）提出了一種新的錨框（Anchor）密集化的人臉檢測方法。通過研究單一網(wǎng)絡(luò)錨框匹配存在的問題,本文通過添加輔助網(wǎng)絡(luò),包括輔助的損失函數(shù)項(xiàng),最終增加了預(yù)設(shè)錨框與參考標(biāo)準(zhǔn)框的匹配概率。通過在幾個(gè)公開的人臉檢測基準(zhǔn)上進(jìn)行的實(shí)驗(yàn),驗(yàn)證了所提出的檢測方法的有效性,該方法在世界最大自拍照上檢測到892個(gè)人臉;（2）提出了一種卷積神經(jīng)網(wǎng)絡(luò)（CNN）的高層強(qiáng)語義特征與淺層高分辨率特征充分融合的方法。現(xiàn)有的特征融合方法直接對CNN不同層的特征圖進(jìn)行融合,存在著冗余與異常的特征值,不能保證融合了互補(bǔ)性與多樣性的特征,因此融合后的特征未必對檢測與識別有幫助。本文基于異構(gòu)網(wǎng)絡(luò)的特征互補(bǔ)性與多樣性,提出了特征圖的動(dòng)態(tài)特征增強(qiáng)算法,該方法可以方便地集成到現(xiàn)有的CNN中。通過該方法生成的特征增強(qiáng)金字塔,提高了非約束環(huán)境下人臉特征的有效表示和提取能力,在TAR@FAR=0.1時(shí),IJB-C上的人臉驗(yàn)證精度提升了16%;（3）提出了一種基于KL散度的度量學(xué)習(xí)方法。在基于模板的人臉驗(yàn)證問題中,傳統(tǒng)方法是使用一組特征來表示視頻或模板,其中每個(gè)特征都對應(yīng)著某個(gè)圖像或幀。這種方法對兩幀視頻相似性計(jì)算的復(fù)雜度高,內(nèi)存消耗大,并且不能隨著大量視頻擴(kuò)展。本文的度量函數(shù)包括兩個(gè)分量:保真度約束和相似性約束。保真度約束條件計(jì)算了新學(xué)習(xí)的特征分布和原始特征分布之間的距離,使得新學(xué)習(xí)的特征分布逼近原始特征分布。相似度約束確保同一模板的相似度大于不同模板的相似度。根據(jù)前期人臉檢測部分的得分,動(dòng)態(tài)調(diào)整送到人臉識別系統(tǒng)的人臉。在IJB-C上驗(yàn)證了設(shè)計(jì)的度量學(xué)習(xí)算法,最終使得本文的輕量模型可以有效的在IJB-C上進(jìn)行人臉識別,并且在TPIR@FPIR=0.01時(shí)精度提升了46%;（4）改進(jìn)了現(xiàn)有的單次多盒檢測器（Single Shot multibox Detector,SSD）檢測網(wǎng)絡(luò)的目標(biāo)損失函數(shù),提出了基于SSD的人臉姿勢預(yù)測方法。該方法充分利用了SSD固有的分類與回歸能力,避免了現(xiàn)有人臉姿勢預(yù)測方法的高耦合和費(fèi)時(shí)的缺點(diǎn)。采用分箱（bin）方法,將人臉偏轉(zhuǎn)姿勢的連續(xù)角度轉(zhuǎn)成訓(xùn)練所需要的多個(gè)的特定類別,將3D角度回歸問題轉(zhuǎn)換為角度分類和人臉邊框的回歸問題,讓模型直接輸出歐拉角（偏航角、俯仰角和橫滾角）。該方法在AFLW2000和300W-LP中預(yù)測的平均平均誤差分別為6.01°和2.38°。本文研究了基于深度學(xué)習(xí)的人臉識別,基于現(xiàn)有的Arc Face,使用線性函數(shù)代替余弦函數(shù),避免了Arc Face對于小模型要先從Soft Max開始訓(xùn)練的局限性。使用本文提出的特征融合與增強(qiáng)算法,以及基于KL散度的深度度量學(xué)習(xí)方法,針對由NIST發(fā)布的新基準(zhǔn)數(shù)據(jù)集IJB-C,在具有完全姿態(tài)和光照變化的無約束環(huán)境下,本文基于Res Net-18的輕量模型在Rank-1的識別率從26%提升到了68%。
二、某些線性變換的特征值與某些矩陣的特征值（論文開題報(bào)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(diǎn)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(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)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(xì)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(xì)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(shí)現(xiàn)的一個(gè)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(shí)驗(yàn)法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對研究對象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)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(rèn)識進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對某一課題進(jìn)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(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)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、某些線性變換的特征值與某些矩陣的特征值（論文提綱范文）
（1）矩陣特征值與特征向量的幾何意義（論文提綱范文）
| 1 矩陣A可逆時(shí) |
| 2 矩陣A不可逆時(shí) |
| 3 結(jié)語 |
（2）復(fù)雜噪聲背景下的稀疏測向方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 DOA估計(jì)的國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 早期非參數(shù)化方法 |
| 1.2.2 參數(shù)化陣列測向方法的研究 |
| 1.2.3 半?yún)?shù)化方法(稀疏測向)的研究 |
| 1.2.4 高斯色噪聲背景下的測向方法研究 |
| 1.2.5 alpha噪聲背景下的測向方法研究 |
| 1.2.6 基于實(shí)值化模型的測向方法 |
| 1.2.7 離網(wǎng)格(off-grid)稀疏測向方法 |
| 1.2.8 無網(wǎng)格(gridless)稀疏測向方法 |
| 1.3 本文的主要內(nèi)容和章節(jié)安排 |
| 第2章 相關(guān)理論以及預(yù)備知識 |
| 2.1 引言 |
| 2.2 稀疏表示的基本原理 |
| 2.3 稀疏測向的可行性分析 |
| 2.4 非高斯分布的基本模型 |
| 2.4.1 混合高斯分布 |
| 2.4.2 廣義高斯分布 |
| 2.4.3 t分布 |
| 2.4.4 alpha穩(wěn)定分布 |
| 2.5 alpha穩(wěn)定分布的定義和性質(zhì) |
| 2.5.1 alpha穩(wěn)定分布的定義 |
| 2.5.2 alpha穩(wěn)定分布的性質(zhì) |
| 2.6 本章小結(jié) |
| 第3章 基于全部子空間信息的匹配追蹤測向算法 |
| 3.1 引言 |
| 3.2 基于均勻線形陣列(ULA)的DOA估計(jì)稀疏模型 |
| 3.3 MP類算法角度分辨能力不足的原因分析 |
| 3.4 子空間信息 |
| 3.5 NSR OMP算法提出 |
| 3.5.1 最小范數(shù)法 |
| 3.5.2 NSR OMP算法實(shí)現(xiàn)和計(jì)算量分析 |
| 3.6 仿真實(shí)驗(yàn) |
| 3.6.1 實(shí)驗(yàn)3.1--NSR OMP算法估計(jì)實(shí)驗(yàn) |
| 3.6.2 實(shí)驗(yàn)3.2--偏移角實(shí)驗(yàn) |
| 3.6.3 實(shí)驗(yàn)3.3--快拍數(shù)實(shí)驗(yàn) |
| 3.6.4 實(shí)驗(yàn)3.4--信噪比實(shí)驗(yàn) |
| 3.7 本章小結(jié) |
| 第4章 基于實(shí)值化模型的離格稀疏測向方法 |
| 4.1 引言 |
| 4.2 陣列的實(shí)值化測向模型 |
| 4.2.1 均勻線陣(ULA)的二階統(tǒng)計(jì)量實(shí)值化測向模型 |
| 4.2.2 稀疏線陣(SLA)的二階統(tǒng)計(jì)量實(shí)值化測向模型 |
| 4.2.3 ULA陣列的四階累積量降維實(shí)值化測向模型 |
| 4.3 算法提出 |
| 4.3.1 RV L1-SSV DOA估計(jì)算法 |
| 4.3.2 基于平滑l_0范數(shù)的DOA估計(jì)算法 |
| 4.3.2.1 平滑函數(shù)設(shè)計(jì) |
| 4.3.2.2 算法推導(dǎo) |
| 4.3.2.3 RV ISL0-SSV算法流程 |
| 4.3.2.4 算法參數(shù)設(shè)置及其計(jì)算量分析 |
| 4.3.2.5 四階累積量矢量實(shí)值化模型 |
| 4.3.3 在格方法的仿真實(shí)驗(yàn)與分析 |
| 4.3.3.1 實(shí)驗(yàn)4.1--可行性實(shí)驗(yàn) |
| 4.3.3.2 實(shí)驗(yàn)4.2--偏移角實(shí)驗(yàn) |
| 4.3.3.3 實(shí)驗(yàn)4.3--信噪比實(shí)驗(yàn) |
| 4.4 實(shí)值化離格稀疏測向方法 |
| 4.4.1 RV L1-OGSSV測向方法 |
| 4.4.2 RV ISL0-OGSSV和RV ISL0-OGHOCV測向方法 |
| 4.4.3 離格測向方法的仿真實(shí)驗(yàn)與分析 |
| 4.4.3.1 實(shí)驗(yàn)4.4--收斂性分析 |
| 4.4.3.2 實(shí)驗(yàn)4.5--信噪比實(shí)驗(yàn) |
| 4.4.3.3 實(shí)驗(yàn)4.6--運(yùn)算時(shí)間比較 |
| 4.5 本章小結(jié) |
| 第5章 Alpha白噪聲背景下基于PFLOM的無網(wǎng)格稀疏測向方法 |
| 5.1 引言 |
| 5.2 理論基礎(chǔ) |
| 5.2.1 范德蒙德分解定理 |
| 5.2.2 原子范數(shù) |
| 5.2.3 連續(xù)壓縮感知 |
| 5.2.4 協(xié)方差匹配 |
| 5.3 基于分?jǐn)?shù)低階統(tǒng)計(jì)量無網(wǎng)格方法的可行性分析 |
| 5.4 基于PFLOM的無網(wǎng)格測向方法 |
| 5.4.1 基于PFLOM的 GLS方法 |
| 5.4.2 基于PFLOM的稀疏矩陣重構(gòu)方法 |
| 5.4.3 參數(shù)b的設(shè)定 |
| 5.5 PFLOM-SMR和PFLOM-GLS算法與ANM方法的關(guān)聯(lián)性 |
| 5.6 仿真實(shí)驗(yàn)與分析 |
| 5.6.1 實(shí)驗(yàn)5.1--可行性實(shí)驗(yàn) |
| 5.6.2 實(shí)驗(yàn)5.2--信噪比實(shí)驗(yàn) |
| 5.6.3 實(shí)驗(yàn)5.3--快拍數(shù)實(shí)驗(yàn) |
| 5.6.4 實(shí)驗(yàn)5.4--噪聲沖擊性實(shí)驗(yàn) |
| 5.7 本章小結(jié) |
| 第6章 Alpha色噪聲背景下基于FOC的稀疏測向方法 |
| 6.1 引言 |
| 6.2 分?jǐn)?shù)階累積量 |
| 6.3 算法提出 |
| 6.3.1 基于FOC的 MUSIC算法 |
| 6.3.2 基于FOC的離格稀疏測向方法 |
| 6.3.3 基于FOC的無網(wǎng)格稀疏測向方法 |
| 6.4 數(shù)值仿真實(shí)驗(yàn)分析 |
| 6.4.1 實(shí)驗(yàn)6.1--確定參數(shù)p的取值 |
| 6.4.2 實(shí)驗(yàn)6.2--可行性實(shí)驗(yàn) |
| 6.4.3 實(shí)驗(yàn)6.3--信噪比實(shí)驗(yàn) |
| 6.5 本章小結(jié) |
| 第7章 總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.2 研究展望 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間所取得的科研成果 |
| 致謝 |
（3）基于圖像識別的海洋工程材料腐蝕機(jī)理及損傷評價(jià)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 海洋工程材料腐蝕研究現(xiàn)狀 |
| 1.3 圖像處理技術(shù)在腐蝕檢測中的應(yīng)用 |
| 1.4 研究內(nèi)容與技術(shù)路線 |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 技術(shù)路線 |
| 2 腐蝕損傷圖像的微觀分析模型 |
| 2.1 腐蝕形貌圖像的獲取 |
| 2.2 腐蝕形貌圖像的處理方法 |
| 2.2.1 圖像的數(shù)字化 |
| 2.2.2 圖像類型轉(zhuǎn)化 |
| 2.2.3 圖像去噪與增強(qiáng) |
| 2.3 腐蝕形貌圖像的特征參數(shù)提取 |
| 2.3.1 灰度矩陣 |
| 2.3.2 圖像二值化 |
| 2.3.3 圖像小波變換 |
| 2.3.4 分形 |
| 2.4 本章小結(jié) |
| 3 材料腐蝕特性測試方法 |
| 3.1 試驗(yàn)材料及電極制備 |
| 3.2 試驗(yàn)溶液 |
| 3.3 試驗(yàn)方法及設(shè)備 |
| 3.3.1 試驗(yàn)設(shè)備 |
| 3.3.2 測試方法 |
| 4 海洋工程材料在人工海水中的電化學(xué)行為研究 |
| 4.1 不同離子對2205 雙相不銹鋼腐蝕行為的影響 |
| 4.1.1 氯離子 |
| 4.1.2 硫酸根離子 |
| 4.1.3 鈣離子 |
| 4.1.4 鎂離子 |
| 4.2 不同離子對Q420 鋼腐蝕行為的影響 |
| 4.2.1 氯離子 |
| 4.2.2 硫酸根離子 |
| 4.2.3 鈣離子 |
| 4.2.4 鎂離子 |
| 4.3 不同離子對AZ31 腐蝕行為的影響 |
| 4.3.1 氯離子 |
| 4.3.2 硫酸根離子 |
| 4.3.3 鈣離子 |
| 4.3.4 鎂離子 |
| 4.4 腐蝕過程隨時(shí)間的演變規(guī)律 |
| 4.5 本章小結(jié) |
| 5 基于圖像識別的腐蝕損傷微觀定量分析 |
| 5.1 圖像預(yù)處理 |
| 5.1.1 平滑濾波處理 |
| 5.1.2 灰度變換增強(qiáng) |
| 5.2 腐蝕圖像特征提取 |
| 5.2.1 基于灰度矩陣的腐蝕圖像特征參數(shù)提取 |
| 5.2.2 基于二值圖像的腐蝕圖像特征參數(shù)提取 |
| 5.2.3 基于小波變換腐蝕圖像特征參數(shù)提取 |
| 5.2.4 基于分形理論的腐蝕形貌圖像特征參數(shù)提取 |
| 5.3 本章小結(jié) |
| 6 結(jié)論及展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間主要研究成果 |
（4）基于泛函表示的圖匹配研究（論文提綱范文）
| 論文創(chuàng)新點(diǎn) |
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究問題與背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 研究內(nèi)容與貢獻(xiàn) |
| 1.4 論文結(jié)構(gòu)安排 |
| 第二章 圖匹配基礎(chǔ) |
| 2.1 圖相關(guān)概念 |
| 2.2 圖匹配 |
| 2.3 線性分配問題 |
| 2.4 數(shù)學(xué)符號 |
| 第三章 圖匹配的泛函表示框架 |
| 3.1 引言 |
| 3.2 圖匹配的泛函表示框架 |
| 3.2.1 圖上的函數(shù)空間 |
| 3.2.2 函數(shù)空間的二元結(jié)構(gòu) |
| 3.2.3 函數(shù)空間上的泛函表示形式 |
| 3.2.4 變換的二次最優(yōu)約束 |
| 3.3 圖匹配方法及優(yōu)化算法 |
| 3.3.1 一般圖匹配方法 |
| 3.3.2 優(yōu)化方法與數(shù)值分析 |
| 3.4 實(shí)驗(yàn)結(jié)果及分析 |
| 3.4.1 實(shí)驗(yàn)設(shè)置與對比算法 |
| 3.4.2 3D人臉數(shù)據(jù)實(shí)驗(yàn)及分析 |
| 3.5 本章小結(jié) |
| 本章方法的啟發(fā) |
| 本章方法存在的問題 |
| 第四章 幾何約束圖匹配 |
| 4.1 引言 |
| 4.2 歐氏空間上的圖匹配 |
| 4.2.1 泛函表示的自然線性性質(zhì) |
| 4.2.2 邊長保持約束 |
| 4.2.3 偏移方向約束 |
| 4.2.4 單圖異常點(diǎn)去除 |
| 4.3 幾何形變約束的圖匹配 |
| 4.3.1 常見幾何形變及其參數(shù)化 |
| 4.3.2 幾何形變與匹配過程的相容性 |
| 4.3.3 目標(biāo)函數(shù)及其交替優(yōu)化方法 |
| 4.4 優(yōu)化算法及改進(jìn) |
| 4.4.1 近似Frank-Wolfe算法 |
| 4.4.2 理論證明 |
| 4.4.3 數(shù)值分析 |
| 4.5 實(shí)驗(yàn)結(jié)果及分析 |
| 4.5.1 實(shí)驗(yàn)設(shè)置及對比算法 |
| 4.5.2 2D合成數(shù)據(jù)實(shí)驗(yàn)及分析 |
| 4.5.3 圖像關(guān)鍵點(diǎn)數(shù)據(jù)實(shí)驗(yàn)及分析 |
| 4.5.4 幾何形變數(shù)據(jù)實(shí)驗(yàn)及分析 |
| 4.6 本章小結(jié) |
| 本章方法存在的問題 |
| 第五章 異常點(diǎn)干擾圖匹配 |
| 5.1 引言 |
| 5.2 異常點(diǎn)干擾圖匹配 |
| 5.2.1 泛函表示的零空間 |
| 5.2.2 基礎(chǔ)定義 |
| 5.2.3 異常點(diǎn)干擾分析 |
| 5.2.4 一致性和可判別性 |
| 5.3 目標(biāo)函數(shù)分析 |
| 5.4 目標(biāo)函數(shù)的充分條件 |
| 5.5 異常點(diǎn)處理算法 |
| 5.5.1 最大匹配數(shù)目約束的優(yōu)化算法 |
| 5.5.2 異常點(diǎn)的識別與剔除 |
| 5.6 實(shí)驗(yàn)結(jié)果及分析 |
| 5.6.1 實(shí)驗(yàn)設(shè)置與對比算法 |
| 5.6.2 PASCAL數(shù)據(jù)集實(shí)驗(yàn)及分析 |
| 5.6.3 VGG數(shù)據(jù)集實(shí)驗(yàn)及分析 |
| 5.6.4 幾何形變數(shù)據(jù)實(shí)驗(yàn)及分析 |
| 5.7 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 未來研究展望 |
| 參考文獻(xiàn) |
| 附錄 讀博期間發(fā)表的科研成果目錄 |
| 致謝 |
（5）基于奇異攝動(dòng)的多智能體系統(tǒng)一致性控制（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 多智能體系統(tǒng)一致性問題研究現(xiàn)狀 |
| 1.2.1 單一時(shí)間尺度的一致性問題的研究現(xiàn)狀 |
| 1.2.2 考慮多時(shí)間尺度的一致性問題的研究現(xiàn)狀 |
| 1.3 綜合能源系統(tǒng)研究現(xiàn)狀 |
| 1.4 符號含義 |
| 1.5 研究內(nèi)容與章節(jié)安排 |
| 第2章 基于奇異攝動(dòng)的兩時(shí)間尺度多智能體系統(tǒng)的一致性控制 |
| 2.1 引言 |
| 2.2 兩時(shí)間尺度連續(xù)多智能體系統(tǒng)一致性控制方法 |
| 2.2.1 連續(xù)兩時(shí)間尺度多智能體系統(tǒng)模型 |
| 2.2.2 連續(xù)兩時(shí)間尺度多智能體系統(tǒng)一致性控制協(xié)議設(shè)計(jì) |
| 2.3 兩時(shí)間尺度離散多智能體系統(tǒng)一致性控制方法 |
| 2.3.1 離散兩時(shí)間尺度多智能體系統(tǒng)模型 |
| 2.3.2 離散兩時(shí)間尺度多智能體系統(tǒng)一致性控制協(xié)議設(shè)計(jì) |
| 2.4 數(shù)值仿真 |
| 2.5 本章小結(jié) |
| 第3章 基于奇異攝動(dòng)的多時(shí)間尺度多智能體系統(tǒng)的一致性控制 |
| 3.1 引言 |
| 3.2 多時(shí)間尺度奇異攝動(dòng)系統(tǒng)變換方法 |
| 3.3 多時(shí)間尺度多智能體系統(tǒng)一致性控制協(xié)議設(shè)計(jì) |
| 3.4 數(shù)值仿真 |
| 3.5 本章小結(jié) |
| 第4章 基于綜合能源系統(tǒng)的一致性應(yīng)用研究 |
| 4.1 引言 |
| 4.2 基于一致性算法的發(fā)電機(jī)電角速度和室內(nèi)溫度控制 |
| 4.2.1 CCHP系統(tǒng)的內(nèi)燃機(jī)系統(tǒng)模型和負(fù)荷室內(nèi)溫度模型 |
| 4.2.2 一致性控制系統(tǒng)設(shè)計(jì) |
| 4.3 算例仿真 |
| 4.4 本章小結(jié) |
| 第5章 總結(jié)與展望 |
| 5.1 工作總結(jié) |
| 5.2 工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間取得的科研成果 |
| 攻讀學(xué)位期間參與的科研項(xiàng)目 |
| 學(xué)位論文評閱及答辯情況表 |
（6）低復(fù)雜度的距離度量學(xué)習(xí)方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究的概況和發(fā)展趨勢 |
| 1.2.1 傳統(tǒng)的距離度量學(xué)習(xí)方法 |
| 1.2.2 深度度量學(xué)習(xí)方法 |
| 1.2.3 現(xiàn)有算法存在的不足 |
| 1.3 研究內(nèi)容和研究方法 |
| 1.4 本文的結(jié)構(gòu)安排和創(chuàng)新點(diǎn) |
| 第2章 距離度量學(xué)習(xí)基礎(chǔ)知識 |
| 2.1 距離度量學(xué)習(xí)的定義 |
| 2.2 距離度量的性質(zhì) |
| 2.3 距離度量學(xué)習(xí)的表示 |
| 2.4 距離度量學(xué)習(xí)數(shù)學(xué)基礎(chǔ) |
| 2.4.1 凸優(yōu)化 |
| 2.4.2 矩陣分析 |
| 2.4.3 信息論 |
| 2.5 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.5.1 Resnet網(wǎng)絡(luò) |
| 2.5.2 BN-Inception網(wǎng)絡(luò) |
| 2.5.3 原型網(wǎng)絡(luò) |
| 第3章 基于組合系數(shù)的半監(jiān)督距離度量學(xué)習(xí) |
| 3.1 基于組合系數(shù)的距離度量學(xué)習(xí)框架 |
| 3.2 損失函數(shù)的構(gòu)造 |
| 3.3 半監(jiān)督信息的引入 |
| 3.3.1 半監(jiān)督學(xué)習(xí)的定義 |
| 3.3.2 半監(jiān)督信息的引入 |
| 3.4 優(yōu)化算法 |
| 3.4.1 DTDML的優(yōu)化算法 |
| 3.4.2 交替方向乘子法 |
| 3.4.3 基于交替方向乘子法的優(yōu)化算法 |
| 3.5 實(shí)驗(yàn) |
| 3.5.1 數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置 |
| 3.5.2 優(yōu)化算法的性能比較 |
| 3.5.3 與其他距離度量學(xué)習(xí)方法性能比較 |
| 3.6 本章小結(jié) |
| 第4章 基于特征向量的距離度量學(xué)習(xí) |
| 4.1 基于特征向量的距離度量學(xué)習(xí)框架 |
| 4.2 基于核函數(shù)的特征向量生成 |
| 4.3 基于特征向量距離度量學(xué)習(xí) |
| 4.4 優(yōu)化算法 |
| 4.5 實(shí)驗(yàn) |
| 4.5.1 UCI數(shù)據(jù)集實(shí)驗(yàn) |
| 4.5.2 Labeled Faced in the Wild(LFW)數(shù)據(jù)集實(shí)驗(yàn) |
| 4.5.3 FaceScrub數(shù)據(jù)集實(shí)驗(yàn) |
| 4.5.4 顯著性(P值)分析 |
| 4.5.5 算法復(fù)雜度分析 |
| 4.6 本章小結(jié) |
| 第5章 利用原型分布指導(dǎo)的深度度量學(xué)習(xí) |
| 5.1 深度度量學(xué)習(xí) |
| 5.2 利用原型分布指導(dǎo)的深度度量學(xué)習(xí) |
| 5.2.1 注釋 |
| 5.2.2 動(dòng)態(tài)原型存儲空間 |
| 5.2.3 計(jì)算原型分布 |
| 5.2.4 分布損失函數(shù) |
| 5.2.5 梯度推導(dǎo) |
| 5.2.6 算法復(fù)雜度分析 |
| 5.3 實(shí)驗(yàn) |
| 5.3.1 實(shí)驗(yàn)設(shè)置 |
| 5.3.2 行人重識別 |
| 5.3.3 細(xì)粒度圖像檢索 |
| 5.4 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 本文工作總結(jié) |
| 6.2 未來工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果 |
（7）遷移學(xué)習(xí)算法的量子化與應(yīng)用（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 國內(nèi)外研究歷史與現(xiàn)狀 |
| 1.2.1 量子計(jì)算相關(guān)研究 |
| 1.2.2 機(jī)器學(xué)習(xí)相關(guān)研究 |
| 1.2.3 量子機(jī)器學(xué)習(xí)相關(guān)研究 |
| 1.2.4 遷移學(xué)習(xí)相關(guān)研究 |
| 1.2.5 量子遷移學(xué)習(xí)相關(guān)研究 |
| 1.3 研究問題描述 |
| 1.4 研究內(nèi)容與創(chuàng)新點(diǎn) |
| 1.4.1 研究思路 |
| 1.4.2 技術(shù)路線 |
| 1.4.3 研究內(nèi)容 |
| 1.4.4 本文貢獻(xiàn)與創(chuàng)新點(diǎn) |
| 1.5 本論文的結(jié)構(gòu)安排 |
| 第二章 理論基礎(chǔ) |
| 2.1 引言 |
| 2.2 量子力學(xué)基礎(chǔ) |
| 2.2.1 量子力學(xué)基本假設(shè) |
| 2.2.2 密度算子 |
| 2.3 量子計(jì)算基礎(chǔ) |
| 2.3.1 量子比特 |
| 2.3.2 量子電路基礎(chǔ) |
| 2.3.3 量子算法 |
| 2.4 機(jī)器學(xué)習(xí)基礎(chǔ) |
| 2.4.1 基本概念 |
| 2.4.2 機(jī)器學(xué)習(xí)分類 |
| 2.4.3 算法設(shè)計(jì)與性能評估 |
| 2.4.4 機(jī)器學(xué)習(xí)算法 |
| 2.5 量子機(jī)器學(xué)習(xí) |
| 2.5.1 量子支持向量機(jī)算法 |
| 2.5.2 量子線性回歸算法 |
| 2.5.3 量子k均值算法 |
| 2.5.4 量子神經(jīng)網(wǎng)絡(luò) |
| 2.6 本章小結(jié) |
| 第三章 遷移學(xué)習(xí) |
| 3.1 引言 |
| 3.2 遷移學(xué)習(xí)的定義 |
| 3.3 遷移學(xué)習(xí)的研究意義 |
| 3.3.1 解決數(shù)據(jù)標(biāo)記稀缺問題 |
| 3.3.2 節(jié)省時(shí)間和計(jì)算資源 |
| 3.3.3 提升算法模型的魯棒性 |
| 3.3.4 解決單一算法模型與多樣化用戶需求之間的矛盾 |
| 3.4 遷移學(xué)習(xí)的分類 |
| 3.5 遷移準(zhǔn)則 |
| 3.5.1 統(tǒng)計(jì)遷移準(zhǔn)則 |
| 3.5.2 幾何遷移準(zhǔn)則 |
| 3.5.3 高級表示遷移準(zhǔn)則 |
| 3.6 深度遷移學(xué)習(xí) |
| 3.6.1 基于樣本的深度遷移學(xué)習(xí) |
| 3.6.2 基于映射的深度遷移學(xué)習(xí) |
| 3.6.3 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí) |
| 3.6.4 基于對抗的深度遷移學(xué)習(xí) |
| 3.7 遷移學(xué)習(xí)的應(yīng)用 |
| 3.7.1 計(jì)算機(jī)視覺 |
| 3.7.2 推薦系統(tǒng) |
| 3.7.3 自動(dòng)駕駛 |
| 3.7.4 自然語言處理 |
| 3.8 本章小結(jié) |
| 第四章 量子數(shù)據(jù)預(yù)處理 |
| 4.1 引言 |
| 4.2 量子數(shù)據(jù)編碼 |
| 4.2.1 基編碼 |
| 4.2.2 幅度編碼 |
| 4.2.3 量子采樣編碼 |
| 4.2.4 Hamilton量編碼 |
| 4.3 主成分分析 |
| 4.3.1 經(jīng)典主成分分析算法 |
| 4.3.2 量子主成分分析算法 |
| 4.4 量子局部線性嵌入算法 |
| 4.4.1 經(jīng)典局部線性嵌入算法 |
| 4.4.2 基于量子基礎(chǔ)線性代數(shù)程序集的局部線性嵌入算法 |
| 4.4.3 算法復(fù)雜度分析 |
| 4.4.4 變分量子局部線性嵌入算法 |
| 4.5 本章小結(jié) |
| 第五章 量子子空間對齊算法 |
| 5.1 引言 |
| 5.2 經(jīng)典子空間對齊算法 |
| 5.2.1 問題定義 |
| 5.2.2 子空間對齊 |
| 5.2.3 標(biāo)簽預(yù)測 |
| 5.3 基于量子基礎(chǔ)線性代數(shù)程序集的子空間對齊算法 |
| 5.3.1 數(shù)據(jù)預(yù)處理 |
| 5.3.2 子空間對齊 |
| 5.3.3 標(biāo)簽預(yù)測 |
| 5.3.4 算法復(fù)雜度與誤差分析 |
| 5.4 變分量子子空間對齊算法 |
| 5.4.1 數(shù)據(jù)預(yù)處理 |
| 5.4.2 端到端變分量子子空間對齊算法 |
| 5.4.3 基于矩陣乘法的變分量子子空間對齊算法 |
| 5.5 實(shí)驗(yàn)過程與結(jié)果 |
| 5.5.1 實(shí)驗(yàn)數(shù)據(jù) |
| 5.5.2 基準(zhǔn)算法 |
| 5.5.3 實(shí)現(xiàn)細(xì)節(jié) |
| 5.5.4 實(shí)驗(yàn)結(jié)果 |
| 5.6 量子核子空間對齊算法 |
| 5.7 本章小結(jié) |
| 第六章 量子關(guān)聯(lián)對齊算法 |
| 6.1 引言 |
| 6.2 預(yù)備知識 |
| 6.2.1 數(shù)據(jù)白化 |
| 6.2.2 矩陣補(bǔ)全和奇異值閾值算法 |
| 6.3 經(jīng)典關(guān)聯(lián)對齊算法 |
| 6.3.1 問題定義 |
| 6.3.2 關(guān)聯(lián)對齊 |
| 6.3.3 標(biāo)簽預(yù)測 |
| 6.4 量子關(guān)聯(lián)對齊算法 |
| 6.4.1 量子態(tài)的制備 |
| 6.4.2 基于量子基礎(chǔ)線性代數(shù)程序集的關(guān)聯(lián)對齊算法 |
| 6.4.3 變分量子關(guān)聯(lián)對齊算法 |
| 6.5 實(shí)驗(yàn)過程與結(jié)果 |
| 6.5.1 實(shí)驗(yàn)數(shù)據(jù) |
| 6.5.2 基準(zhǔn)算法 |
| 6.5.3 實(shí)現(xiàn)細(xì)節(jié) |
| 6.5.4 實(shí)驗(yàn)結(jié)果 |
| 6.6 本章小結(jié) |
| 第七章 全文總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間取得的成果 |
（8）幾類奇異攝動(dòng)問題的高精度數(shù)值方法研究（論文提綱范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 奇異攝動(dòng)問題 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 漸近方法 |
| 1.2.2 數(shù)值方法 |
| 1.3 本文的工作 |
| 第2章 二階奇異攝動(dòng)邊值問題 |
| 2.1 預(yù)備知識 |
| 2.1.1 有理譜方法 |
| 2.1.2 Sinh變換 |
| 2.1.3 奇異分離技術(shù) |
| 2.2 漸近分析 |
| 2.2.1 反應(yīng)擴(kuò)散方程 |
| 2.2.2 對流擴(kuò)散反應(yīng)方程 |
| 2.3 誤差分析 |
| 2.3.1 最值原理 |
| 2.3.2 誤差估計(jì) |
| 2.4 算法實(shí)現(xiàn) |
| 2.4.1 反應(yīng)擴(kuò)散方程 |
| 2.4.2 對流擴(kuò)散反應(yīng)方程 |
| 2.5 變系數(shù)問題 |
| 2.5.1 變系數(shù)對流擴(kuò)散問題 |
| 2.5.2 變系數(shù)反應(yīng)擴(kuò)散問題 |
| 2.6 數(shù)值實(shí)驗(yàn) |
| 2.7 小結(jié) |
| 第3章 奇異攝動(dòng)方程組問題 |
| 3.1 漸近分析 |
| 3.2 常系數(shù)奇異攝動(dòng)方程組問題 |
| 3.2.1 反應(yīng)擴(kuò)散型問題 |
| 3.2.1.1 奇異分離技術(shù) |
| 3.2.1.2 RSC-SSM算法 |
| 3.2.1.3 誤差分析 |
| 3.2.2 對流擴(kuò)散型問題 |
| 3.2.2.1 奇異分離技術(shù) |
| 3.2.2.2 RSC-SSM算法 |
| 3.2.2.3 誤差分析 |
| 3.3 變系數(shù)問題 |
| 3.3.1 反應(yīng)擴(kuò)散型問題 |
| 3.3.2 對流擴(kuò)散型問題 |
| 3.3.3 對流擴(kuò)散反應(yīng)型問題 |
| 3.4 數(shù)值實(shí)驗(yàn) |
| 3.5 小結(jié) |
| 第4章 含界面條件的奇異攝動(dòng)問題 |
| 4.1 反應(yīng)擴(kuò)散問題 |
| 4.1.1 漸近分析 |
| 4.1.2 RSC-SSM方法 |
| 4.2 對流擴(kuò)散問題 |
| 4.2.1 漸近分析 |
| 4.2.2 RSC-SSM方法 |
| 4.3 數(shù)值實(shí)驗(yàn) |
| 4.4 小結(jié) |
| 第5章 非定常奇異攝動(dòng)問題 |
| 5.1 拋物型奇異攝動(dòng)問題 |
| 5.1.1 Laplace變換 |
| 5.1.2 數(shù)值逆Laplace變換 |
| 5.1.3 數(shù)值實(shí)驗(yàn) |
| 5.2 時(shí)間分?jǐn)?shù)階奇異攝動(dòng)問題 |
| 5.2.1 分?jǐn)?shù)階微積分 |
| 5.2.2 Laplace變換 |
| 5.2.3 數(shù)值實(shí)驗(yàn) |
| 5.3 小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 本文工作的總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 在學(xué)期間的研究成果 |
| 致謝 |
（9）基于機(jī)器學(xué)習(xí)的風(fēng)電機(jī)組故障診斷及部件剩余壽命預(yù)測技術(shù)研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 風(fēng)電機(jī)組結(jié)構(gòu)及運(yùn)行原理介紹 |
| 1.2 風(fēng)電機(jī)組運(yùn)行故障及主動(dòng)運(yùn)維模式 |
| 1.3 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷及剩余壽命預(yù)測技術(shù)現(xiàn)狀 |
| 1.3.1 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷技術(shù) |
| 1.3.2 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)剩余壽命預(yù)測技術(shù) |
| 1.4 本論文擬展開研究的內(nèi)容及技術(shù)路線 |
| 1.5 本論文內(nèi)容安排 |
| 2 風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測信號降噪方法 |
| 2.1 引言 |
| 2.2 噪聲來源 |
| 2.2.1 功率開關(guān)器件 |
| 2.2.2 斷路器和繼電器干擾 |
| 2.2.3 雷電干擾 |
| 2.3 噪聲傳播途徑 |
| 2.3.1 接地傳導(dǎo)干擾 |
| 2.3.2 電磁輻射干擾 |
| 2.4 風(fēng)電機(jī)組故障診斷系統(tǒng)降噪方法 |
| 2.4.1 數(shù)據(jù)預(yù)處理-傳感器網(wǎng)絡(luò)降噪方法 |
| 2.4.2 數(shù)據(jù)預(yù)處理-數(shù)據(jù)采集硬件降噪方法 |
| 2.4.3 數(shù)據(jù)預(yù)處理-數(shù)據(jù)采集軟件降噪方法 |
| 2.4.4 數(shù)據(jù)預(yù)處理-小波降噪方法 |
| 2.4.5 數(shù)據(jù)預(yù)處理-EMD 降噪方法 |
| 2.5 風(fēng)電機(jī)組故障診斷系統(tǒng)降噪案例 |
| 2.5.1 數(shù)據(jù)預(yù)處理-傳感器網(wǎng)絡(luò)降噪現(xiàn)場案例 |
| 2.5.2 數(shù)據(jù)預(yù)處理-數(shù)據(jù)過采樣降噪現(xiàn)場案例 |
| 2.5.3 數(shù)據(jù)預(yù)處理-小波降噪現(xiàn)場案例 |
| 2.5.4 數(shù)據(jù)預(yù)處理-EMD 降噪案例 |
| 2.6 本章小結(jié) |
| 3 基于模糊專家系統(tǒng)的風(fēng)電機(jī)組智能故障診斷方法 |
| 3.1 引言 |
| 3.2 基于模糊專家系統(tǒng)的風(fēng)電機(jī)組智能故障診斷方法總體結(jié)構(gòu) |
| 3.3 基于故障模型觸發(fā)的風(fēng)電機(jī)組故障特征提取方法 |
| 3.3.1 風(fēng)電機(jī)組運(yùn)行狀態(tài)故障特征提取方法 |
| 3.3.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)故障特征模糊化處理 |
| 3.4 風(fēng)電機(jī)組故障診斷專家系統(tǒng)模糊知識庫設(shè)計(jì) |
| 3.4.1 風(fēng)電機(jī)組故障診斷專家系統(tǒng)故障知識獲取系統(tǒng)設(shè)計(jì) |
| 3.4.2 風(fēng)電機(jī)組故障診斷專家系統(tǒng)知識庫構(gòu)建方法 |
| 3.5 風(fēng)電機(jī)組故障診斷專家系統(tǒng)模糊推理機(jī)設(shè)計(jì) |
| 3.5.1 風(fēng)電機(jī)組故障診斷專家系統(tǒng)模糊推理流程 |
| 3.5.2 風(fēng)電機(jī)組故障診斷專家系統(tǒng)模糊關(guān)系矩陣設(shè)計(jì) |
| 3.6 風(fēng)電機(jī)組故障診斷專家系統(tǒng)診斷案例 |
| 3.6.1 現(xiàn)場情況概述 |
| 3.6.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)故障特征提取 |
| 3.6.3 風(fēng)電機(jī)組故障診斷專家系統(tǒng)診斷結(jié)果 |
| 3.7 本章小結(jié) |
| 4 基于特征可視化的風(fēng)電機(jī)組智能故障診斷方法 |
| 4.1 引言 |
| 4.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)特征變化混沌特性判定 |
| 4.3 風(fēng)電機(jī)組運(yùn)行狀態(tài)特征相空間建模方法 |
| 4.3.1 風(fēng)電機(jī)組運(yùn)行狀態(tài)特征相空間延時(shí)時(shí)間確定 |
| 4.3.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)特征相空間嵌入維數(shù)確定 |
| 4.4 風(fēng)電機(jī)組運(yùn)行狀態(tài)高維特征SVD降維方法 |
| 4.5 基于運(yùn)行狀態(tài)特征可視化的風(fēng)電機(jī)組故障診斷方法 |
| 4.5.1 基于風(fēng)電機(jī)組狀態(tài)特征參數(shù)變化率進(jìn)行故障診斷閾值設(shè)計(jì) |
| 4.5.2 基于風(fēng)電場整體狀態(tài)特征參數(shù)進(jìn)行故障診斷閾值設(shè)計(jì) |
| 4.6 風(fēng)電機(jī)組運(yùn)行狀態(tài)特征變化趨勢預(yù)測方法 |
| 4.7 現(xiàn)場診斷案例 |
| 4.7.1 現(xiàn)場情況描述 |
| 4.7.2 基于特征可視化風(fēng)電機(jī)組故障診斷過程 |
| 4.7.3 基于特征可視化的風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)測 |
| 4.8 本章小結(jié) |
| 5 基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷方法 |
| 5.1 引言 |
| 5.2 風(fēng)電機(jī)組故障診斷深度學(xué)習(xí)網(wǎng)絡(luò)選擇 |
| 5.2.1 小樣本與大樣本學(xué)習(xí) |
| 5.2.2 風(fēng)電機(jī)組故障診斷深度學(xué)習(xí)網(wǎng)絡(luò)選擇 |
| 5.3 基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷系統(tǒng)設(shè)計(jì) |
| 5.3.1 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) |
| 5.3.2 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)前饋運(yùn)算 |
| 5.3.3 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù) |
| 5.3.4 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)反饋優(yōu)化算法 |
| 5.4 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本構(gòu)建 |
| 5.4.1 風(fēng)電機(jī)組故障特征 |
| 5.4.2 風(fēng)電機(jī)組故障樣本構(gòu)建 |
| 5.5 現(xiàn)場故障診斷案例 |
| 5.5.1 現(xiàn)場情況描述 |
| 5.5.2 風(fēng)電機(jī)組運(yùn)行監(jiān)測數(shù)據(jù)采集及預(yù)處理 |
| 5.5.3 風(fēng)電機(jī)組故障診斷卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練 |
| 5.5.4 現(xiàn)場故障診斷結(jié)果 |
| 5.6 本章小結(jié) |
| 6 基于離散余弦變換神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組軸承剩余壽命預(yù)測 |
| 6.1 引言 |
| 6.2 基于離散余弦變換卷積神經(jīng)網(wǎng)絡(luò)的軸承剩余壽命預(yù)測方法 |
| 6.3 軸承退化性能表征向量提取和降維方法 |
| 6.4 軸承退化性能表征向量稀疏壓縮方法 |
| 6.5 軸承剩余壽命回歸預(yù)測方法 |
| 6.6 實(shí)例驗(yàn)證 |
| 6.6.1 試驗(yàn)設(shè)備和數(shù)據(jù)采集 |
| 6.6.2 軸承退化性能表征向量降維 |
| 6.6.3 軸承退化性能表征向量稀疏壓縮 |
| 6.6.4 軸承剩余壽命回歸預(yù)測方法 |
| 6.7 本章小結(jié) |
| 7 結(jié)論與展望 |
| 參考文獻(xiàn) |
| 作者簡歷及攻讀博士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
（10）基于深度學(xué)習(xí)的人臉識別特征增強(qiáng)與度量學(xué)習(xí)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 論文研究背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 人臉檢測研究現(xiàn)狀 |
| 1.2.2 人臉識別研究現(xiàn)狀 |
| 1.2.3 常用主流算法及數(shù)據(jù)集介紹 |
| 1.2.4 當(dāng)前人臉識別系統(tǒng)存在的問題 |
| 1.3 研究目標(biāo)與主要研究內(nèi)容 |
| 1.4 本文的創(chuàng)新點(diǎn) |
| 1.5 論文組織結(jié)構(gòu) |
| 第二章 人臉識別的特征增強(qiáng)技術(shù)研究 |
| 2.1 卷積神經(jīng)網(wǎng)絡(luò)的特征融合方法研究 |
| 2.2 傳統(tǒng)的基于CNN的特征增強(qiáng)方法 |
| 2.2.1 特征值的預(yù)處理方法分析 |
| 2.2.2 特征傳遞網(wǎng)絡(luò)架構(gòu)分析 |
| 2.2.3 側(cè)面人臉的等變映射研究 |
| 2.2.4 GAN特征增強(qiáng)研究 |
| 2.3 改進(jìn)的基于CNN的特征增強(qiáng)網(wǎng)絡(luò) |
| 2.3.1 特征增強(qiáng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì) |
| 2.3.2 動(dòng)態(tài)特征增強(qiáng)算法 |
| 2.3.3 實(shí)驗(yàn)驗(yàn)證 |
| 2.4 本章小結(jié) |
| 第三章 基于SSD的多尺度人臉檢測技術(shù)研究 |
| 3.1 現(xiàn)有人臉檢測方法存在的問題 |
| 3.2 改進(jìn)預(yù)設(shè)錨框與參考標(biāo)準(zhǔn)邊框的匹配 |
| 3.2.1 傳統(tǒng)SSD檢測模型的錨框匹配分析 |
| 3.2.2 改進(jìn)錨框匹配的方法 |
| 3.3 困難負(fù)樣本挖掘的改進(jìn)研究 |
| 3.3.1 傳統(tǒng)的困難負(fù)樣本挖掘方法 |
| 3.3.2 基于Focal loss的改進(jìn)的挖掘方法 |
| 3.4 感受野增強(qiáng)模塊的設(shè)計(jì)與驗(yàn)證 |
| 3.5 本章小結(jié) |
| 第四章 人臉識別的度量學(xué)習(xí)研究 |
| 4.1 傳統(tǒng)度量學(xué)習(xí)算法 |
| 4.1.1 距離度量 |
| 4.1.2 相似性度量 |
| 4.1.3 相關(guān)系數(shù) |
| 4.2 深度度量學(xué)習(xí)算法 |
| 4.2.1 距離度量的改進(jìn)算法 |
| 4.2.2 深度度量學(xué)習(xí)的損失函數(shù) |
| 4.3 本章小結(jié) |
| 第五章 融合檢測與姿勢估計(jì)的人臉識別研究 |
| 5.1 融合檢測與姿勢估計(jì)的人臉識別流程 |
| 5.2 跨模型的多尺度人臉檢測子系統(tǒng) |
| 5.2.1 錨框密集化設(shè)計(jì) |
| 5.2.2 損失函數(shù)及其優(yōu)化 |
| 5.2.3 實(shí)驗(yàn)驗(yàn)證 |
| 5.3 人臉的姿勢估計(jì) |
| 5.3.1 人臉的姿勢估計(jì)方法 |
| 5.3.2 人臉姿勢估計(jì)的架構(gòu)設(shè)計(jì) |
| 5.3.3 人臉姿勢的可視化方法 |
| 5.3.4 人臉姿勢估計(jì)的重復(fù)框去除 |
| 5.3.5 實(shí)驗(yàn)驗(yàn)證 |
| 5.4 基于模板的人臉識別方法 |
| 5.4.1 基于編碼器-解碼器架構(gòu)的特征增強(qiáng)設(shè)計(jì) |
| 5.4.2 基于角度的損失函數(shù)設(shè)計(jì) |
| 5.4.3 分類函數(shù)決策邊界與決策邊距的改進(jìn) |
| 5.4.4 深度度量學(xué)習(xí)的設(shè)計(jì) |
| 5.4.5 實(shí)驗(yàn)驗(yàn)證 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 博士期間取得的成果 |
四、某些線性變換的特征值與某些矩陣的特征值（論文參考文獻(xiàn)）
- [1]矩陣特征值與特征向量的幾何意義[J]. 雍龍泉. 陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021(05)
- [2]復(fù)雜噪聲背景下的稀疏測向方法研究[D]. 趙洋. 吉林大學(xué), 2021(01)
- [3]基于圖像識別的海洋工程材料腐蝕機(jī)理及損傷評價(jià)研究[D]. 南翠紅. 西安理工大學(xué), 2021
- [4]基于泛函表示的圖匹配研究[D]. 王福東. 武漢大學(xué), 2021(02)
- [5]基于奇異攝動(dòng)的多智能體系統(tǒng)一致性控制[D]. 張垚. 山東大學(xué), 2021(12)
- [6]低復(fù)雜度的距離度量學(xué)習(xí)方法研究[D]. 王章成. 中國科學(xué)技術(shù)大學(xué), 2021(09)
- [7]遷移學(xué)習(xí)算法的量子化與應(yīng)用[D]. 何熙. 電子科技大學(xué), 2021(01)
- [8]幾類奇異攝動(dòng)問題的高精度數(shù)值方法研究[D]. 楊錄峰. 蘭州大學(xué), 2021(09)
- [9]基于機(jī)器學(xué)習(xí)的風(fēng)電機(jī)組故障診斷及部件剩余壽命預(yù)測技術(shù)研究[D]. 龐宇. 北京交通大學(xué), 2021(02)
- [10]基于深度學(xué)習(xí)的人臉識別特征增強(qiáng)與度量學(xué)習(xí)算法研究[D]. 孫杰. 東南大學(xué), 2020(02)
標(biāo)簽：矩陣特征值論文; 矩陣乘法論文; 圖像融合論文; 相似性度量論文; 學(xué)習(xí)遷移論文;