一、求解最小碼覆蓋問題的實驗算法（論文文獻綜述）
劉錫鵬,陳寅[1]（2021）在《基于SMT的機組排班問題優(yōu)化求解》文中研究表明機組排班是航空公司運營計劃非常重要的一個環(huán)節(jié),合理的機組排班可以為航空公司省下一大筆機組成本支出,從而增加航空公司的收益.由于機組排班過程涉及大量的復(fù)雜約束,屬于NP難問題,因此優(yōu)化求解困難.本文提出了一種基于可滿足性模理論（Satisfiability Modulo Theories, SMT）的航空公司機組排班問題的優(yōu)化求解方法,將機組排班過程中的各種約束轉(zhuǎn)化為一階邏輯公式,設(shè)立求解目標(biāo)為最小化成本和最大化機組利用率,將問題轉(zhuǎn)化為求在給定邏輯公式可滿足情況下的最優(yōu)解,并利用SMT求解器Z3進行求解.實驗表明,本文的算法能有效的求解一定規(guī)模航班計劃的機組排班問題,給航空公司帶來一定的收益.
鄭偉偉[2]（2021）在《視覺單目標(biāo)跟蹤算法研究》文中提出視頻監(jiān)控領(lǐng)域?qū)τ嬎銠C視覺技術(shù)有急切的需求,而視覺目標(biāo)跟蹤是其中一個重要的基礎(chǔ)研究問題,通過對感興趣的目標(biāo)物體進行跟蹤并記錄跟蹤軌跡,我們可以從一段視頻中提取出一個結(jié)構(gòu)化的視頻摘要,還可以對視頻中的群體或單體異常行為進行分析,或者協(xié)助公安機關(guān)對犯罪嫌疑人進行查詢和搜證,等等。經(jīng)過近二十年的發(fā)展,現(xiàn)有的目標(biāo)跟蹤方法已經(jīng)可以在一些難度較小的視頻場景中進行準(zhǔn)確跟蹤,但是,面對包含目標(biāo)遮擋、形變、快速運動等難點的視頻場景時,現(xiàn)有跟蹤算法的準(zhǔn)確度和魯棒性還有待提高。本文對目標(biāo)跟蹤領(lǐng)域的發(fā)展進行了分析和探討,并針對現(xiàn)有跟蹤算法的缺陷提出了幾種可供參考的解決方法。本文的主要研究內(nèi)容和貢獻包括:1)提出了一種結(jié)合消失判斷的長時目標(biāo)跟蹤系統(tǒng),解決了傳統(tǒng)短時跟蹤方法無法判斷目標(biāo)消失狀態(tài)、在遮擋情況下容易把背景干擾信息引入跟蹤模型的問題。該系統(tǒng)基于結(jié)構(gòu)化支持向量機基礎(chǔ)模型,把基于對數(shù)極坐標(biāo)轉(zhuǎn)換和混合高斯模型的目標(biāo)消失判斷機制引入了跟蹤系統(tǒng)中,在判斷目標(biāo)消失以后,停止跟蹤模型和消失判斷模型的更新,并采用重檢測方法對目標(biāo)進行擴大搜索和檢測。本方法可以在遮擋嚴(yán)重的場景下防止背景干擾信息在跟蹤模型中的累積,在遮擋結(jié)束以后重新跟蹤住目標(biāo)物體,并成功應(yīng)用在中興通訊公司的跨攝像機目標(biāo)跟蹤系統(tǒng)中。2)提出了一種基于圖約束核相關(guān)濾波和多模板投票的目標(biāo)跟蹤方法。本方法通過圖模型模擬目標(biāo)流形結(jié)構(gòu),并通過目標(biāo)流形上的信息傳遞對訓(xùn)練樣本和待檢測樣本之間的關(guān)聯(lián)進行了挖掘,在經(jīng)典相關(guān)濾波模型的基礎(chǔ)上引入流形約束并通過半監(jiān)督學(xué)習(xí)方法計算濾波器,提高了相關(guān)濾波模型的準(zhǔn)確度。同時,為了提高目標(biāo)特征的表達能力和減少誤差信息在目標(biāo)模板上的累積,這里提出了一種目標(biāo)模板庫的構(gòu)建和更新方法,模板庫會保留跟蹤歷史上各種不同姿態(tài)的目標(biāo)特征,給每個目標(biāo)模板設(shè)置重要性權(quán)重并根據(jù)使用頻率更新該權(quán)重,權(quán)重最小的模板會優(yōu)先被新模板所替換,在跟蹤過程中,本方法會自動選擇最優(yōu)的多個模板進行投票,決定目標(biāo)最終的位置。由于保存了豐富的目標(biāo)模板和最終的投票機制,本方法可以有效處理目標(biāo)形變和遮擋嚴(yán)重的情況,提高跟蹤算法的準(zhǔn)確度和魯棒性。3)提出了一種基于仿射變換預(yù)測的相關(guān)濾波目標(biāo)跟蹤方法。針對傳統(tǒng)相關(guān)濾波模型無法預(yù)測除目標(biāo)位移以外的其他仿射變換的問題,本方法采用從粗到細的跟蹤流程,利用長短時記憶網(wǎng)絡(luò)自動生成相關(guān)濾波模型的更新率,用于預(yù)測目標(biāo)的粗糙位移,然后通過一個仿射估計網(wǎng)絡(luò)來粗糙估計目標(biāo)當(dāng)前的姿態(tài)變化和位移并進行目標(biāo)對齊,最后采用對數(shù)極坐標(biāo)變換和相關(guān)濾波操作提取與目標(biāo)仿射變換相關(guān)的特征,并通過多層全連接網(wǎng)絡(luò)來映射得到目標(biāo)仿射變換參數(shù)。本方法把目標(biāo)跟蹤轉(zhuǎn)換為目標(biāo)仿射變換參數(shù)預(yù)測問題,相對于傳統(tǒng)的基于位移和尺度預(yù)測的跟蹤方法來說,可以處理更加復(fù)雜的目標(biāo)運動。
楊柳叢[3]（2021）在《雷達與通信系統(tǒng)一體化信號研究》文中提出隨著5G技術(shù)的發(fā)展,信息傳輸網(wǎng)絡(luò)環(huán)境不斷優(yōu)化,毫米波的實際應(yīng)用范圍越來越廣。無線通信技術(shù)和雷達技術(shù)中越來越多地使用毫米波,從而導(dǎo)致兩種技術(shù)的頻譜沖突,并且無論軍事領(lǐng)域還是民事領(lǐng)域,人們越來越追求硬件設(shè)備的多功能性。為了有效解決上述這些問題,對多個設(shè)備進行一體化設(shè)計無疑是一種很好的解決方案。因此,兩者一體化共享信號設(shè)計意義重大。本文研究了基于正交頻分復(fù)用-線性調(diào)頻（Orthogonal Frequency Division Multiplexing-Linear Frequency Modulation,OFDM-LFM）共享信號的一體化方案。首先通過分析OFDM-LFM信號,得知此信號具有對抗子載波間干擾能力強,對抗頻率選擇性衰落和對抗多普勒頻移的特點。之后結(jié)合恒包絡(luò)正交頻分復(fù)用（Constant Envelope-OFDM,CE-OFDM）技術(shù)抑制峰均功率比（Peak to Average Power Ratio,PAPR）的優(yōu)點,將二者結(jié)合,設(shè)計了 CE-OFDM-LFM共享信號。此共享信號能夠滿足一體化設(shè)計方案的需求,并通過理論推導(dǎo)和仿真實驗分析一體化信號的雷達性能和通信性能。仿真結(jié)果表明,相較于OFDM-LFM共享信號,本文一體化信號的歸一化三維模糊函數(shù)更符合圖釘狀,速度-距離分辨力更好,同時降低了 PAPR并且有較高通信傳輸速率。為了進一步降低CE-OFDM-LFM共享信號的峰均功率比,本文改進設(shè)計了余數(shù)雷達通信一體化算法（Residue Number System-Radar Communication Ingegration,RNS-RCI）,該算法的關(guān)鍵是設(shè)計抑制PAPR效果更好的模數(shù)集。通過分析發(fā)現(xiàn),模數(shù)集元素的取值越小,各個子載波幅值求余疊加后的結(jié)果就會越小,PAPR就越低。根據(jù)該原則,對現(xiàn)有余數(shù)算法模數(shù)集進行改進,設(shè)計了模數(shù)集元素更小的模數(shù)集。將模數(shù)集元素求余得到的數(shù)值用于表示原信號每個子載波的幅值,達到降低PAPR的目的。在此基礎(chǔ)上,再對所有余數(shù)通道中PAPR進行排序,選擇PAPR最小的那路信號進行輸出,進一步降低PAPR。仿真結(jié)果表明,RNS-RCI算法具有更好抑制PAPR的效果。
李舵,董超群,司品超,何曼,劉錢超[4]（2021）在《神經(jīng)網(wǎng)絡(luò)驗證和測試技術(shù)研究綜述》文中研究說明神經(jīng)網(wǎng)絡(luò)技術(shù)在圖像處理、文本分析和語音識別等領(lǐng)域取得了令人矚目的成就,隨著神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到一些安全攸關(guān)的領(lǐng)域,如何保證這些軟件應(yīng)用的質(zhì)量就顯得尤為重要。基于神經(jīng)網(wǎng)絡(luò)技術(shù)的軟件在開發(fā)和編程上和傳統(tǒng)軟件有著本質(zhì)的區(qū)別,傳統(tǒng)測試技術(shù)很難直接應(yīng)用到此類軟件中,研究針對神經(jīng)網(wǎng)絡(luò)的驗證和測試評估技術(shù)十分必要。從有效評估和測試神經(jīng)網(wǎng)絡(luò)出發(fā),對神經(jīng)網(wǎng)絡(luò)驗證和測試技術(shù)的研究現(xiàn)狀進行梳理,分別從驗證技術(shù)、基于覆蓋的測試技術(shù)、基于對抗樣本的測試技術(shù)、融合傳統(tǒng)測試技術(shù)等方面進行了歸納和分類。對其中一些關(guān)鍵技術(shù)的基本思想和實現(xiàn)做了簡明扼要的介紹,并列舉了一些測試框架和工具,總結(jié)了神經(jīng)網(wǎng)絡(luò)驗證和測試工作面臨的挑戰(zhàn),為該領(lǐng)域的研究人員提供參考。
余蕾蕾[5]（2021）在《Reed-Solomon碼的快速算法設(shè)計與實現(xiàn)》文中提出Reed-Solomon（RS）碼作為一種經(jīng)典的差錯控制編碼最早來源于通信編碼領(lǐng)域。近年來隨著全球數(shù)據(jù)量的急劇增加,人們對于在相同容錯能力下使用比備份策略具有更低存儲開銷的編碼技術(shù)日益青睞。RS碼由于擁有最優(yōu)存儲效率的特點因此被廣泛應(yīng)用于多種存儲系統(tǒng),比如RAID、Azure、GFS、CEPH等。RS碼雖然應(yīng)用廣泛但當(dāng)前依然面臨著新的挑戰(zhàn)。在數(shù)字通信系統(tǒng)中,RS碼對比一些著名的通信編碼比如LDPC碼、LT碼、Raptor碼等雖然擁有零接收開銷的優(yōu)勢,但是其碼率受到有限域大小限制的特點使得它無法應(yīng)用于無碼率碼場景（比如多播場景）。在數(shù)據(jù)存儲系統(tǒng)中,大量以RS碼為基礎(chǔ)的具有局部修復(fù)特性或者低修復(fù)帶寬的變種糾刪碼（比如局部可修復(fù)碼、重生碼等）近年來被不斷開發(fā)出來,RS碼高的編譯碼復(fù)雜度限制了它們在低延遲存儲系統(tǒng)中的應(yīng)用前景。本文針對于RS碼在上述兩種應(yīng)用中表現(xiàn)出的不足分別提出一種快速編譯碼算法。除此之外,針對可逆線性變換本文也提出了一種高性能的In-Place變換算法。本文的主要創(chuàng)新點和成果羅列如下:1.利用二進制擴展域中的域塔結(jié)構(gòu)使RS碼的碼長突破原始有限域的大小,進而提出一種基于FFT的低復(fù)雜度無碼率RS碼編譯碼算法。為了優(yōu)化該算法的計算效率,FFT的輸出調(diào)度算法也在本文中被給出。該無碼率RS碼在給定信道丟失概率的情況下可以將編譯碼復(fù)雜度降低到O（lg k）每信息封包,其中k表示原始信息封包的數(shù)量。2.本文研究了 RS碼的校驗矩陣（范德蒙矩陣）與具有遞歸結(jié)構(gòu)的Reed-Muller矩陣之間的關(guān)系,然后提出RS碼校正子的快速計算方法?；诖丝焖儆嬎惴椒?RS碼校驗數(shù)在4到7之間的快速編碼算法被提出來。理論分析表明該算法編碼每個信息比特僅需要3個異或操作。3.由于RS碼構(gòu)建在有限域上,因此研究有限域上的代數(shù)操作對于加速RS碼的編譯碼過程具有重要意義。本文基于SIMD技術(shù)中SSE指令集加速有限域乘法查表的方法,給出了使用AVX指令集加速有限域查表的優(yōu)化方法。并且使用降域的方法使有限域F216上的查表效率顯著提高。4.RS碼的編譯碼過程本質(zhì)上是一種線性變換,本文針對可逆線性變換,提出了可用于節(jié)省存儲空間的In-Place變換算法。該算法基于對流水線友好的高斯消去法,因而相比文獻中已存在的In-Place線性變換算法（LS算法）具有更高的執(zhí)行效率。在大數(shù)據(jù)猛烈發(fā)展而移動設(shè)備越來越精巧的當(dāng)今,該In-Place線性變換算法能夠為大規(guī)模矩陣-向量乘法減少對大內(nèi)存數(shù)據(jù)設(shè)備的依賴提供技術(shù)基礎(chǔ)。
孔慶鑫[6]（2020）在《基于動態(tài)二維碼的車載信息傳輸系統(tǒng)研究》文中提出作為目前應(yīng)用最廣泛的矩陣式二維碼,QR（Quick Response）碼在物流管理、交通出行中發(fā)揮了巨大的作用。隨著智能駕駛的發(fā)展,車載攝像頭幾乎遍布車身,本課題將車載攝像頭與QR二維碼結(jié)合,可以作為智能駕駛信息傳遞方式的一種補充?；趧討B(tài)二維碼的車載信息傳輸系統(tǒng)是以QR二維碼為信息載體,以光通路為傳輸介質(zhì)的單向傳輸方式。這種信息傳輸方式不需要特定的協(xié)議或者接口、信號不發(fā)散、不需要提前配對或連接、安全性高,僅依靠顯示屏和攝像頭就可以實現(xiàn)端到端的信息傳輸。本文從“如何更快更精確的定位識別QR碼”出發(fā),系統(tǒng)深入的研究了目前在復(fù)雜情況下QR碼的定位、校正、識別算法,設(shè)計了一種抗不均光照和電子噪聲干擾的圖像預(yù)處理算法。同時,提出了一種基于自身符號特征進行定位,采用K-means聚類剔除冗余干擾點,準(zhǔn)確獲得二維碼四個頂點坐標(biāo),可以進行像素級的提取和校正。通過優(yōu)化QR碼定位精度與速度,設(shè)計基于二維碼的車載信息傳輸系統(tǒng),在不同環(huán)境下進行了性能分析。實驗結(jié)果表明,系統(tǒng)可以對復(fù)雜背景、光照不均和電子噪聲干擾的環(huán)境下對QR實現(xiàn)精準(zhǔn)快速的定位識別,并在此基礎(chǔ)上完成了動態(tài)二維碼大容量文字信息的傳輸,在保證實時性的情況下,具有良好的識別率。
夏康立[7]（2020）在《基于無標(biāo)定視覺伺服的移動機器人位置控制研究》文中進行了進一步梳理隨著計算機視覺和機器人技術(shù)的發(fā)展,視覺傳感器由于高信息量、安裝便捷等優(yōu)點,已經(jīng)被廣泛應(yīng)用于移動機器人領(lǐng)域。移動機器人視覺伺服是指基于視覺反饋信息,直接控制移動機器人運動的方法。傳統(tǒng)的視覺伺服普遍依賴于相機參數(shù)的標(biāo)定,難以勝任復(fù)雜多變的工作環(huán)境,因此,本文設(shè)計了基于特征點的移動機器人無標(biāo)定視覺伺服控制方法,實現(xiàn)移動機器人高精度的位置控制。首先,確定系統(tǒng)總體方案,設(shè)計移動機器人平臺和無線通訊模塊,驗證移動機器人接收遠程指令時的開環(huán)運動控制精度。其次,提出了具有魯棒性的特征點圖案和相應(yīng)的識別、跟蹤算法。針對視覺伺服輸入需求,設(shè)計包含定位點和編碼點的移動機器人特征點。在靜態(tài)圖像中,設(shè)計基于輪廓的特征點識別方法,在連續(xù)動態(tài)圖像中,結(jié)合Median-Flow跟蹤算法實現(xiàn)移動機器人特征點的實時跟蹤。實現(xiàn)在復(fù)雜圖像中對多個移動機器人特征點的高精度識別和快速實時定位,并通過實驗驗證算法。然后,研究無標(biāo)定視覺伺服算法,實現(xiàn)移動機器人的鎮(zhèn)定和軌跡跟蹤控制。為提高相機傾斜情況下的精度,提出了靜態(tài)深度估計方法,并通過實驗驗證控制精度。最后,在軌跡跟蹤控制的基礎(chǔ)上,設(shè)計軌跡規(guī)劃方法。結(jié)合目標(biāo)檢測和圖像分割實現(xiàn)對場景中障礙物的識別,再通過柵格地圖法建立地圖,采用A*算法實現(xiàn)移動機器人的避障軌跡規(guī)劃。研究圖像拼接算法,實現(xiàn)移動機器人在兩張帶重疊區(qū)域的圖像之間的遷移。通過實驗驗證避障和遷移軌跡規(guī)劃算法,實現(xiàn)機器人較大范圍的自主運動能力。
吳其華[8]（2019）在《寬帶雷達信號間歇采樣調(diào)制方法及應(yīng)用研究》文中提出各類先進電子器件的飛速發(fā)展使得對波形的靈活調(diào)制成為可能,因而信號調(diào)制技術(shù)已經(jīng)成為雷達博弈雙方關(guān)注的重要領(lǐng)域。寬帶成像雷達需要在復(fù)雜電磁環(huán)境中獲取目標(biāo)圖像信息,成像雷達對抗設(shè)備則需要對目標(biāo)進行有效的圖像特征控制,兩者均極大地依賴于對雷達信號在時頻空等域上的靈活調(diào)制,因此對雷達信號調(diào)制方法展開研究具有迫切需求。間歇采樣調(diào)制通過對信號的低速率交替采樣與處理,大大降低了對寬帶雷達信號的高速采樣要求,具有實現(xiàn)簡單、設(shè)計靈活等優(yōu)勢,因此在雷達信號處理特別是成像雷達干擾領(lǐng)域得到了廣泛關(guān)注。在此背景下,本文以間歇采樣調(diào)制技術(shù)為主線,以寬帶成像雷達為應(yīng)用背景,以目標(biāo)圖像獲取與特征控制為具體問題,從理論方法與具體應(yīng)用兩個層面對雷達信號間歇采樣調(diào)制技術(shù)展開了系統(tǒng)性的研究。主要內(nèi)容如下:首先,研究了雷達信號間歇采樣調(diào)制特性。在分析傳統(tǒng)均勻間歇采樣調(diào)制特性基礎(chǔ)上,結(jié)合偽隨機編碼與周期循環(huán)編碼兩種典型編碼方式,重點對雷達信號編碼間歇采樣調(diào)制特性進行詳細分析。首先,研究了編碼間歇采樣調(diào)制脈沖特性;其次,詳細分析了雷達信號特別是線性調(diào)頻信號（Linear Frequency Modulation,LFM）經(jīng)過編碼間歇采樣調(diào)制后的特性,給出了信號頻譜與匹配濾波輸出;最后對于不同編碼方式下的間歇采樣調(diào)制結(jié)果進行分析,仿真給出了不同調(diào)制參數(shù)對調(diào)制效果的影響。這部分工作為本文后續(xù)研究奠定了理論基礎(chǔ)。進而,研究了基于間歇采樣調(diào)制信號的雷達成像方法。利用編碼間歇采樣調(diào)制靈活的時域編碼調(diào)控特性,提出了將編碼間歇采樣調(diào)制LFM信號用于實際雷達波形的思路。首先,從時域脈沖流密度、信號頻譜、模糊函數(shù)、匹配濾波特性等角度將其與完整LFM信號進行比較,證明間歇調(diào)制信號在具備LFM信號大時寬帶寬積、高多普勒容限等優(yōu)勢的同時,還可大大減少成像采樣數(shù)據(jù)量并具備較好的抗干擾潛力;其次,針對傳統(tǒng)脈沖壓縮成像處理形成高水平距離旁瓣的問題,利用信號的稀疏特性采用基于壓縮感知理論的正交匹配追蹤（Orthogonal Matching Pursuit,OMP）算法對目標(biāo)圖像進行重構(gòu),得到了目標(biāo)的高分辨圖像;最后,通過實測ISAR數(shù)據(jù)仿真以及微波暗室實驗的方式驗證了所提方法的有效性。隨后,研究了基于正交間歇采樣調(diào)制信號的全極化成像雷達目標(biāo)HRRP合成方法。針對同時全極化雷達對于不同極化通道信號嚴(yán)苛的正交性要求,利用間歇采樣調(diào)制的脈內(nèi)時域分集特性,通過對完整信號進行正交編碼間歇采樣調(diào)制的方式得到了在脈內(nèi)時域上正交的全極化成像信號;為充分利用不同極化通道信息之間的關(guān)聯(lián)性,進一步提出了基于行稀疏性的聯(lián)合壓縮感知全極化同時OMP算法（Fully Polarization-Simultaneous OMP,FP-SOMP）對目標(biāo)全極化HRRP進行重構(gòu),提高了全極化HRRP重構(gòu)概率以及精度;最后,通過數(shù)字仿真以及實測全極化無人機數(shù)據(jù)實驗的方式對所提方法進行了性能分析與有效性驗證。最后,研究了基于間歇采樣調(diào)制信號的成像雷達目標(biāo)圖像特征控制方法。提出了一種基于間歇采樣調(diào)制的成像雷達有源回波對消方法。該方法利用均勻與編碼間歇采樣調(diào)制的獨特特性,針對由于時延偏移、相位估計偏差、能量誤差等非理想因素帶來的對消信號與雷達回波幅度失配進而使得對消失效的問題,分別通過生成多個逼真假目標(biāo)或者壓制式干擾條帶的方式對殘留雷達目標(biāo)圖像進行保護,從而提高了回波對消的魯棒性;提出了一種基于編碼間歇采樣調(diào)制的ISAR目標(biāo)壓制式圖像特征控制方法。該方法通過直接對截獲到的雷達信號進行快慢時間的聯(lián)合編碼間歇采樣調(diào)制,形成了沿距離向與方位向擴展的二維壓制式干擾條帶,有效掩蓋了所需保護目標(biāo)的圖像特征。相比于傳統(tǒng)的ISAR圖像特征控制方法,該方法不需要調(diào)制目標(biāo)散射特性模板,因此提高了干擾信號產(chǎn)生的實時性與可實現(xiàn)性。
李陽[9]（2019）在《基于卷積神經(jīng)網(wǎng)絡(luò)與AdaBoost算法的實時行人檢測系統(tǒng)研究》文中指出作為目標(biāo)檢測領(lǐng)域的特定課題,行人檢測主要研究如何快速準(zhǔn)確地從圖像或者視頻中檢測出行人目標(biāo),并得到其精確坐標(biāo)。行人檢測的應(yīng)用廣泛,在無人駕駛、智能監(jiān)控、客流量統(tǒng)計、機器人視覺以及人體行為分析等領(lǐng)域都發(fā)揮著重要作用。但由于行人目標(biāo)形狀姿態(tài)多樣,服飾裝扮各異,在不同視角和光照條件下所表現(xiàn)出來的形態(tài)不盡相同,并且還可能存在遮擋等情況,致使行人檢測任務(wù)極具挑戰(zhàn)性。目前,相較于其他算法,使用卷積神經(jīng)網(wǎng)絡(luò)搭建的行人檢測系統(tǒng)通常能夠取得更高的檢測精度,但對于復(fù)雜環(huán)境中的小尺寸行人目標(biāo),這類系統(tǒng)在檢測精度上仍然有待提高。為此,本文在基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測系統(tǒng)基礎(chǔ)之上進行優(yōu)化,提出了一種改進型行人檢測系統(tǒng)。該系統(tǒng)優(yōu)化了數(shù)據(jù)集的預(yù)處理過程,并借助一種改進型反饋損失計算方法優(yōu)化了檢測系統(tǒng)的分類網(wǎng)絡(luò)。此外,針對小尺寸行人目標(biāo)檢測精度低的問題,在系統(tǒng)主體模型之外設(shè)計了兩種復(fù)查子系統(tǒng),一種使用HOG特征結(jié)合自適應(yīng)增強學(xué)習(xí)算法,另一種用到了SSD目標(biāo)檢測框架。檢測時,通過主系統(tǒng)獲得大尺寸行人目標(biāo)的精確坐標(biāo)和小尺寸目標(biāo)所在區(qū)域的建議,然后復(fù)查子系統(tǒng)實現(xiàn)對小尺寸行人目標(biāo)的精確定位。改進后的行人檢測系統(tǒng)旨在改善大尺寸行人目標(biāo)檢測精度的同時,有效提升小尺寸目標(biāo)的檢測精度。為驗證改進算法的可行性與有效性,本文使用了Faster R-CNN和SSD兩種目標(biāo)檢測框架搭建行人檢測系統(tǒng)的主體模型,同時分別使用Inception網(wǎng)絡(luò)結(jié)構(gòu)、殘差網(wǎng)絡(luò)結(jié)構(gòu)和深度可分解卷積網(wǎng)絡(luò)結(jié)構(gòu)搭建系統(tǒng)主體模型的特征提取網(wǎng)絡(luò),并結(jié)合Caltech和CityPersons行人檢測數(shù)據(jù)集對檢測系統(tǒng)進行訓(xùn)練和測試。最終的實驗結(jié)果證明,改進后的行人檢測系統(tǒng)在實時運行的狀態(tài)下,仍然具備優(yōu)異的檢測性能,并且在實際的應(yīng)用場景中依然具備很好的檢測效果。
齊藝軻[10]（2019）在《存儲器抗單粒子效應(yīng)二維碼與RS碼的研究》文中進行了進一步梳理隨著集成電路工藝向納米級、高密度、高性能與低成本的發(fā)展,其工作頻率高、電壓低等特性使其易受輻射環(huán)境中單粒子效應(yīng)的影響,并可能使電子系統(tǒng)產(chǎn)生信息丟失、系統(tǒng)故障或失控等現(xiàn)象。研究表明,單粒子效應(yīng)中的軟錯誤相對于硬錯誤是影響集成電路的最主要因素,而存儲器與組合邏輯電路相比,其一直以來都是集成電路受軟錯誤影響的主要考慮因素之一。在當(dāng)前集成電路中包含著大量的諸如SRAM、DRAM、NAND Flash等類型的存儲器,并且其受軟錯誤的影響隨集成電路工藝進步錯誤模式逐漸由單比特翻轉(zhuǎn)變?yōu)槎啾忍胤D(zhuǎn)。因此,需要采取一定的措施降低單粒子效應(yīng)對存儲器的影響,從而提高電子系統(tǒng)在輻射環(huán)境中的可靠性。以糾錯碼技術(shù)為代表的系統(tǒng)級加固技術(shù)與工藝級、電路級、版圖級加固技術(shù)相比,其可操作層面高,不會改變原有的電路工藝并且成本較低容易實現(xiàn)。傳統(tǒng)系統(tǒng)級加固技術(shù)通常采用漢明碼作為加固方案,但隨著集成電路工藝的進步這種糾正一位錯誤檢測兩位錯誤的碼顯然已經(jīng)不能滿足糾錯需求,因此需要能糾正更多錯誤的糾錯碼作為加固方案。而在保證糾錯能力滿足需求的同時也應(yīng)當(dāng)考慮碼率、實際電路面積、功耗、時延等問題,尋求性能上的平衡。針對SRAM存儲器設(shè)計了一種新型二維糾錯碼加固方案,原理上將一維信息序列在邏輯上排列成二維形式,基于分塊原則計算水平校驗位從而盡可能檢測更多錯誤,再通過譯碼將錯誤糾正。仿真結(jié)果表明新型二維糾錯碼在糾錯能力較強的同時引入了較少的硬件開銷,并且可以根據(jù)具體應(yīng)用環(huán)境選擇合適的構(gòu)造方式與分塊長度,從而提高SRAM在輻射環(huán)境受單粒子效應(yīng)影響的可靠性;針對NAND Flash存儲器設(shè)計了一種RS（238,234）+RS（180,176）組合碼加固方案,此方案以基于頁存儲整數(shù)碼字和將信息位與校驗位分別放置數(shù)據(jù)存儲區(qū)與數(shù)據(jù)備用區(qū)為設(shè)計原則,在滿足信息大容量存儲的同時達到NAND Flash在輻射環(huán)境受單粒子效應(yīng)影響所需的糾錯能力,并且在譯碼階段的求解關(guān)鍵方程中采用riBM算法以降低關(guān)鍵路徑時延,最后通過仿真與性能分析驗證了該方案適合于對輻射環(huán)境中受單粒子效應(yīng)影響的NAND Flash進行加固。
二、求解最小碼覆蓋問題的實驗算法（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(rèn)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(rèn)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、求解最小碼覆蓋問題的實驗算法（論文提綱范文）
（2）視覺單目標(biāo)跟蹤算法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 縮寫、符號清單、術(shù)語表 |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 課題背景 |
| 1.1.2 研究意義 |
| 1.2 視覺目標(biāo)跟蹤問題 |
| 1.2.1 定義 |
| 1.2.2 難點及挑戰(zhàn) |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.4 常用數(shù)據(jù)庫及評價指標(biāo) |
| 1.4.1 常用數(shù)據(jù)庫 |
| 1.4.2 常用評價指標(biāo) |
| 1.5 本文的研究內(nèi)容及貢獻 |
| 1.6 本文的組織結(jié)構(gòu) |
| 2 目標(biāo)跟蹤綜述 |
| 2.1 跟蹤流程框架和組成 |
| 2.2 跟蹤方法分類 |
| 2.3 特征表達 |
| 2.3.1 傳統(tǒng)特征 |
| 2.3.2 深度學(xué)習(xí)特征 |
| 2.4 跟蹤模型 |
| 2.4.1 傳統(tǒng)方法 |
| 2.4.2 深度學(xué)習(xí)方法 |
| 2.5 搜索策略 |
| 3 結(jié)合消失判斷的長時目標(biāo)跟蹤 |
| 3.1 引言 |
| 3.2 算法原理 |
| 3.2.1 算法框架及思路 |
| 3.2.2 基礎(chǔ)跟蹤模型 |
| 3.2.3 基于對數(shù)極坐標(biāo)變換的目標(biāo)消失判斷 |
| 3.2.4 目標(biāo)重檢測 |
| 3.3 實驗結(jié)果 |
| 3.3.1 實驗設(shè)置 |
| 3.3.2 超參數(shù)影響測試 |
| 3.3.3 當(dāng)時相關(guān)SOTA算法對比 |
| 3.3.4 跟蹤結(jié)果分析 |
| 3.4 總結(jié) |
| 4 基于圖約束核相關(guān)濾波和多模板投票的目標(biāo)跟蹤 |
| 4.1 引言 |
| 4.2 算法原理 |
| 4.2.1 算法框架及思路 |
| 4.2.2 圖約束核相關(guān)濾波 |
| 4.2.3 基于塊循環(huán)矩陣的優(yōu)化算法 |
| 4.2.4 多模板投票機制 |
| 4.2.5 尺度預(yù)測 |
| 4.3 實驗結(jié)果 |
| 4.3.1 實驗設(shè)置 |
| 4.3.2 嚴(yán)重遮擋下的目標(biāo)偏移處理 |
| 4.3.3 基準(zhǔn)比較 |
| 4.3.4 當(dāng)時相關(guān)SOTA算法對比 |
| 4.3.5 定性分析 |
| 4.4 總結(jié) |
| 5 基于仿射變換預(yù)測的相關(guān)濾波目標(biāo)跟蹤 |
| 5.1 引言 |
| 5.2 算法原理 |
| 5.2.1 算法框架及思路 |
| 5.2.2 粗糙位移預(yù)測 |
| 5.2.3 仿射變換預(yù)測 |
| 5.2.4 離線訓(xùn)練 |
| 5.2.5 在線跟蹤 |
| 5.3 實驗結(jié)果 |
| 5.3.1 實驗設(shè)置 |
| 5.3.2 模型簡化測試 |
| 5.3.3 相關(guān)濾波SOTA方法對比 |
| 5.3.4 其他SOTA算法對比 |
| 5.3.5 算法速度對比 |
| 5.3.6 定性分析 |
| 5.4 總結(jié) |
| 6 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 |
| 攻讀博士學(xué)位期間主要的研究成果 |
（3）雷達與通信系統(tǒng)一體化信號研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 論文的主要內(nèi)容和章節(jié)安排 |
| 第二章 雷達通信一體化基礎(chǔ)理論 |
| 2.1 正交頻分復(fù)用-線性調(diào)頻信號 |
| 2.2 恒包絡(luò)正交頻分復(fù)用技術(shù) |
| 2.3 峰均功率比 |
| 2.3.1 峰均功率比定義 |
| 2.3.2 傳統(tǒng)降低PAPR技術(shù) |
| 2.3.3 基于余數(shù)算法降低PAPR |
| 2.4 本章小結(jié) |
| 第三章 基于CE-OFDM-LFM的雷達通信一體化設(shè)計方案 |
| 3.1 引言 |
| 3.2 基于CE-OFDM-LFM共享信號一體化設(shè)計 |
| 3.2.1 系統(tǒng)模型 |
| 3.2.2 CE-OFDM-LFM共享信號設(shè)計 |
| 3.3 CE-OFDM-LFM共享信號的雷達性能分析 |
| 3.3.1 CE-OFDM-LFM共享信號模糊函數(shù) |
| 3.3.2 速度模糊函數(shù) |
| 3.3.3 距離模糊函數(shù) |
| 3.4 CE-OFDM-LFM共享信號的通信性能分析 |
| 3.4.1 通信傳輸速率 |
| 3.4.2 誤碼率 |
| 3.4.3 峰均功率比 |
| 3.5 本章小結(jié) |
| 第四章 雷達通信共享信號峰均功率比優(yōu)化設(shè)計方案 |
| 4.1 引言 |
| 4.2 降低PAPR的原理 |
| 4.2.1 傳統(tǒng)SLM抑制算法 |
| 4.2.2 傳統(tǒng)PTS抑制算法 |
| 4.2.3 RNS算法抑制PAPR原理 |
| 4.3 基于RNS-RCI算法的通信雷達一體化優(yōu)化算法設(shè)計 |
| 4.3.1 RNS-RCI算法優(yōu)化設(shè)計 |
| 4.3.2 基于RNS-RCI算法通信雷達一體化優(yōu)化方案 |
| 4.3.3 系統(tǒng)算法流程圖 |
| 4.4 仿真結(jié)果分析 |
| 4.4.1 基于RNS-RCI算法的峰均功率比 |
| 4.4.2 通信傳輸速率 |
| 4.4.3 誤碼率 |
| 4.4.4 復(fù)雜度 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)和展望 |
| 5.1 論文工作總結(jié) |
| 5.2 未來工作展望 |
| 參考文獻 |
| 附錄 |
| 附錄1 縮略語 |
| 附錄2 符號說明 |
| 致謝 |
（4）神經(jīng)網(wǎng)絡(luò)驗證和測試技術(shù)研究綜述（論文提綱范文）
| 1 神經(jīng)網(wǎng)絡(luò)驗證和測試 |
| 1.1 神經(jīng)網(wǎng)絡(luò) |
| 1.2 神經(jīng)網(wǎng)絡(luò)驗證技術(shù)和測試技術(shù) |
| 1.3 神經(jīng)網(wǎng)絡(luò)驗證和測試目的和方法 |
| 2 驗證技術(shù) |
| 2.1 精確求解 |
| 2.1.1 SMT |
| 2.1.2 SAT |
| 2.1.3 MILP |
| 2.2 近似求解 |
| 2.2.1 抽象解釋 |
| 2.2.2 過度逼近 |
| 2.2.3 對偶或半定規(guī)劃 |
| 2.2.4 其他技術(shù) |
| 3 基于覆蓋的測試技術(shù) |
| 3.1 神經(jīng)元覆蓋 |
| 3.2 MC/DC變體 |
| 3.3 拓展神經(jīng)元覆蓋 |
| 3.4 意外覆蓋 |
| 3.5 路徑覆蓋 |
| 4 基于對抗樣本的測試技術(shù) |
| 4.1 白盒方式 |
| 4.2 黑盒方式 |
| 5 融合傳統(tǒng)測試技術(shù) |
| 5.1 模糊測試 |
| 5.2 蛻變測試 |
| 5.3 變異測試和符號執(zhí)行 |
| 6 總結(jié)和展望 |
（5）Reed-Solomon碼的快速算法設(shè)計與實現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 差錯控制編碼概述 |
| 1.2 Reed-Solomon碼簡介 |
| 1.2.1 基于多項式的碼構(gòu)造 |
| 1.2.2 基于校驗矩陣的碼構(gòu)造 |
| 1.2.3 代數(shù)運算與SIMD技術(shù) |
| 1.3 Reed-Solomon碼的應(yīng)用 |
| 1.3.1 數(shù)字通信系統(tǒng) |
| 1.3.2 數(shù)據(jù)存儲系統(tǒng) |
| 1.4 Reed-Solomon碼的研究意義與研究現(xiàn)狀 |
| 1.5 本文主要內(nèi)容和貢獻 |
| 1.6 本文的組織架構(gòu) |
| 第2章 無碼率Reed-Solomon碼的快速編譯碼算法 |
| 2.1 引言 |
| 2.2 準(zhǔn)備工作 |
| 2.2.1 有限域的設(shè)定 |
| 2.2.2 LHC基底上的FFT |
| 2.3 一種新的無碼率RS碼 |
| 2.3.1 編碼算法 |
| 2.3.2 譯碼算法 |
| 2.4 復(fù)雜度分析 |
| 2.4.1 編碼復(fù)雜度 |
| 2.4.2 譯碼復(fù)雜度 |
| 2.4.3 復(fù)雜度比較 |
| 2.5 FFT的輸出調(diào)度算法 |
| 2.6 基于SIMD的實現(xiàn) |
| 2.6.1 基礎(chǔ)指令介紹 |
| 2.6.2 有限域F_(2~8)上的查詢 |
| 2.6.3 有限域F_(2~(16))上的查表 |
| 2.7 軟件實現(xiàn)與性能評估 |
| 2.7.1 碼長方面 |
| 2.7.2 丟失概率方面 |
| 2.7.3 封包大小方面 |
| 2.8 本章小結(jié) |
| 第3章 校驗數(shù)在4到7之間的Reed-Solomon碼快速算法 |
| 3.1 引言 |
| 3.2 準(zhǔn)備工作 |
| 3.2.1 有限域與校驗矩陣的設(shè)計 |
| 3.2.2 RM變換及其性質(zhì) |
| 3.3 快速編碼算法 |
| 3.3.1 快速校正子計算 |
| 3.3.2 編碼算法 |
| 3.3.3 譯碼算法 |
| 3.3.4 舉例(14,10) RS碼 |
| 3.4 優(yōu)化與擴展 |
| 3.4.1 編譯碼優(yōu)化 |
| 3.4.2 任意校驗符號數(shù) |
| 3.5 理論分析 |
| 3.5.1 復(fù)雜度分析 |
| 3.5.2 平均操作量 |
| 3.6 軟件實現(xiàn)與性能評估 |
| 3.7 本章小結(jié) |
| 第4章 對流水線友好的In-Place線性變換 |
| 4.1 引言 |
| 4.2 準(zhǔn)備工作 |
| 4.2.1 In-Place線性變換介紹 |
| 4.2.2 數(shù)據(jù)阻塞問題 |
| 4.3 一種新的In-Place線性變換算法 |
| 4.3.1 對流水線友好的高斯消去法 |
| 4.3.2 新的In-Place算法 |
| 4.4 實驗?zāi)M與比較 |
| 4.5 兩種In-Place算法的誤差討論 |
| 4.5.1 LS算法的舍入誤差 |
| 4.5.2 新In-Place算法的舍入誤差 |
| 4.6 本章小結(jié) |
| 第5章 總結(jié)與展望 |
| 5.1 全文總結(jié) |
| 5.2 展望 |
| 參考文獻 |
| 致謝 |
| 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果 |
（6）基于動態(tài)二維碼的車載信息傳輸系統(tǒng)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 QR碼二值化算法研究現(xiàn)狀 |
| 1.2.2 QR碼定位算法研究現(xiàn)狀 |
| 1.2.3 車載QR碼研究現(xiàn)狀 |
| 1.3 研究工作 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 研究難點 |
| 第2章 QR碼原理分析及符號結(jié)構(gòu) |
| 2.1 二維碼理論概述 |
| 2.1.1 二維碼分類 |
| 2.1.2 二維碼條碼選擇 |
| 2.2 QR碼符號結(jié)構(gòu) |
| 2.3 QR碼編碼流程 |
| 2.3.1 數(shù)據(jù)分析與數(shù)據(jù)編碼 |
| 2.3.2 糾錯與構(gòu)造最后4位最終數(shù)據(jù)碼字 |
| 2.3.3 構(gòu)造矩陣與選擇掩模 |
| 2.3.4 格式與版本信息 |
| 2.4 編譯碼中的差錯控制算法 |
| 2.4.1 差錯控制技術(shù)理論 |
| 2.4.2 差錯控制編碼 |
| 2.4.3 糾錯原理 |
| 第3章 車載QR碼信息傳輸系統(tǒng) |
| 3.1 系統(tǒng)分析 |
| 3.2 系統(tǒng)設(shè)計 |
| 3.2.1 發(fā)送端數(shù)據(jù)幀結(jié)構(gòu)設(shè)計 |
| 3.2.2 數(shù)據(jù)傳輸中果凍幀篩選機制 |
| 3.3 數(shù)據(jù)傳輸機制 |
| 3.3.1 發(fā)送端數(shù)據(jù)分割 |
| 3.3.2 接收端數(shù)據(jù)組裝 |
| 第4章 系統(tǒng)關(guān)鍵技術(shù)研究與實現(xiàn) |
| 4.1 圖像預(yù)處理 |
| 4.1.1 自適應(yīng)中值濾波算法 |
| 4.1.2 光噪聲濾波 |
| 4.1.3 QR碼圖像二值化處理 |
| 4.2 QR碼識別 |
| 4.2.1 檢測位置探測圖形 |
| 4.2.2 使用K-means對候選點集群聚類 |
| 4.2.3 判斷“回”字位置探測圖形順序 |
| 4.2.4 尋找校正圖形 |
| 4.2.5 QR碼校正 |
| 4.2.6 鋪設(shè)采樣網(wǎng)格與譯碼 |
| 4.3 QR碼中的RS編譯碼算法 |
| 4.3.1 RS碼介紹 |
| 4.3.2 RS生成多項式 |
| 4.3.3 QR編譯碼中的差錯控制算法 |
| 4.3.4 譯碼過程 |
| 第5章 測試結(jié)果與分析 |
| 5.1 熱噪聲去噪測試 |
| 5.1.1 主觀評價 |
| 5.1.2 客觀評價 |
| 5.2 光照均衡測試 |
| 5.3 畸變校正分析 |
| 5.3.1 算法識別正確率 |
| 5.3.2 不同算法性能比較 |
| 5.4 系統(tǒng)動態(tài)測試 |
| 5.4.1 實驗環(huán)境 |
| 5.4.2 系統(tǒng)的傳輸速率 |
| 5.4.3 傳輸距離的影響 |
| 5.4.4 顯示幀速率的影響 |
| 5.5 停車場景應(yīng)用分析 |
| 第6章 總結(jié)和展望 |
| 6.1 工作總結(jié) |
| 6.2 課題創(chuàng)新點 |
| 6.3 展望 |
| 參考文獻 |
| 致謝 |
| 攻讀學(xué)位期間參加的科研項目和成果 |
（7）基于無標(biāo)定視覺伺服的移動機器人位置控制研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 視覺伺服系統(tǒng)分類 |
| 1.2.1 根據(jù)傳感器安裝位置分類 |
| 1.2.2 根據(jù)控制模型分類 |
| 1.3 移動機器人視覺伺服國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 無標(biāo)定視覺伺服研究現(xiàn)狀 |
| 1.3.2 移動機器人視覺伺服應(yīng)用現(xiàn)狀 |
| 1.3.3 分析與總結(jié) |
| 1.4 論文研究內(nèi)容與組織結(jié)構(gòu) |
| 1.4.1 本文研究內(nèi)容 |
| 1.4.2 論文組織結(jié)構(gòu) |
| 第二章 移動機器人視覺伺服系統(tǒng)構(gòu)建 |
| 2.1 視覺伺服系統(tǒng)總體方案 |
| 2.1.1 設(shè)計目標(biāo) |
| 2.1.2 總體方案 |
| 2.1.3 系統(tǒng)硬件組成 |
| 2.2 控制和通訊系統(tǒng)軟件設(shè)計 |
| 2.2.1 通訊系統(tǒng)軟件設(shè)計 |
| 2.2.2 電機轉(zhuǎn)速控制 |
| 2.2.3 移動機器人遠程控制測試 |
| 2.3 人工特征點設(shè)計 |
| 2.3.1 定位點及編碼點設(shè)計 |
| 2.3.2 線性分組碼糾錯 |
| 2.4 本章小結(jié) |
| 第三章 特征點檢測與跟蹤算法 |
| 3.1 特征點識別程序方案 |
| 3.2 基于輪廓的靜態(tài)特征點檢測 |
| 3.2.1 圖像預(yù)處理 |
| 3.2.2 邊緣檢測 |
| 3.2.3 快速輪廓篩選 |
| 3.2.4 定位點聚類及分配 |
| 3.2.5 編碼點識別 |
| 3.2.6 實驗結(jié)果 |
| 3.3 動態(tài)定位點跟蹤 |
| 3.3.1 Median-Flow跟蹤算法 |
| 3.3.2 實驗結(jié)果 |
| 3.4 本章小結(jié) |
| 第四章 無標(biāo)定視覺伺服控制算法 |
| 4.1 基于圖像的視覺伺服原理 |
| 4.1.1 相機成像模型 |
| 4.1.2 基于圖像的視覺伺服 |
| 4.2 無標(biāo)定視覺伺服算法 |
| 4.2.1 相機參數(shù)無關(guān)的視覺伺服 |
| 4.2.2 深度估計算法 |
| 4.3 實驗結(jié)果 |
| 4.4 本章小結(jié) |
| 第五章 視覺伺服軌跡規(guī)劃研究 |
| 5.1 運動軌跡規(guī)劃 |
| 5.1.1 基于目標(biāo)檢測的障礙物識別 |
| 5.1.2 背景提取 |
| 5.1.3 基于柵格地圖的路徑規(guī)劃 |
| 5.2 多相機視場遷移算法 |
| 5.2.1 基于SURF特征的圖像拼接 |
| 5.2.2 圖像拼接算法優(yōu)化 |
| 5.3 軌跡規(guī)劃實驗 |
| 5.4 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 |
| 攻讀碩士期間取得的學(xué)術(shù)成果 |
（8）寬帶雷達信號間歇采樣調(diào)制方法及應(yīng)用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 雷達信號間歇采樣調(diào)制技術(shù)發(fā)展現(xiàn)狀 |
| 1.2.2 成像雷達技術(shù)發(fā)展現(xiàn)狀 |
| 1.2.3 成像雷達目標(biāo)圖像特征控制技術(shù)發(fā)展現(xiàn)狀 |
| 1.2.4 間歇采樣調(diào)制技術(shù)在成像雷達中應(yīng)用的思路 |
| 1.3 論文主要工作及內(nèi)容安排 |
| 第二章 雷達信號間歇采樣調(diào)制特性 |
| 2.1 引言 |
| 2.2 雷達信號均勻間歇采樣調(diào)制特性 |
| 2.2.1 均勻間歇采樣調(diào)制脈沖特性 |
| 2.2.2 均勻間歇采樣調(diào)制信號特性 |
| 2.2.3 對LFM信號的調(diào)制結(jié)果 |
| 2.2.4 仿真分析 |
| 2.3 雷達信號編碼間歇采樣調(diào)制特性 |
| 2.3.1 編碼間歇采樣調(diào)制內(nèi)涵 |
| 2.3.2 偽隨機編碼間歇采樣調(diào)制信號特性 |
| 2.3.3 周期循環(huán)編碼間歇采樣調(diào)制信號特性 |
| 2.3.4 仿真分析 |
| 2.4 本章小結(jié) |
| 第三章 基于間歇采樣調(diào)制信號的雷達成像方法 |
| 3.1 引言 |
| 3.2 間歇采樣調(diào)制LFM雷達信號 |
| 3.2.1 信號組成原理 |
| 3.2.2 與完整LFM信號的比較 |
| 3.3 基于壓縮感知的目標(biāo)圖像重構(gòu)算法 |
| 3.3.1 傳統(tǒng)LFM體制雷達成像處理方法的問題 |
| 3.3.2 壓縮感知原理 |
| 3.3.3 目標(biāo)圖像壓縮感知重構(gòu)算法 |
| 3.3.4 圖像重構(gòu)處理流程 |
| 3.4 仿真分析與微波暗室實驗 |
| 3.4.1 實測ISAR數(shù)據(jù)驗證 |
| 3.4.2 微波暗室實驗驗證 |
| 3.5 本章小結(jié) |
| 第四章 基于正交間歇采樣調(diào)制信號的全極化成像雷達目標(biāo)HRRP合成方法 |
| 4.1 引言 |
| 4.2 同時全極化成像雷達正交間歇采樣調(diào)制信號 |
| 4.2.1 目標(biāo)全極化測量 |
| 4.2.2 正交間歇采樣調(diào)制信號 |
| 4.3 基于壓縮感知的全極化HRRP重構(gòu)方法 |
| 4.3.1 正交編碼間歇采樣調(diào)制信號壓縮感知重構(gòu)模型 |
| 4.3.2 單極化OMP重構(gòu)算法(SP-OMP) |
| 4.3.3 全極化同時OMP算法(FP-SOMP) |
| 4.3.4 全極化HRRP重構(gòu)流程 |
| 4.4 仿真實驗與分析 |
| 4.4.1 數(shù)字仿真驗證 |
| 4.4.2 實測全極化無人機數(shù)據(jù)驗證 |
| 4.5 本章小結(jié) |
| 第五章 基于間歇采樣調(diào)制信號的成像雷達目標(biāo)圖像特征控制方法 |
| 5.1 引言 |
| 5.2 基于間歇采樣調(diào)制信號的成像雷達有源回波對消方法 |
| 5.2.1 成像雷達目標(biāo)圖像有源回波對消的挑戰(zhàn) |
| 5.2.2 基于均勻間歇采樣調(diào)制信號的有源回波對消方法 |
| 5.2.3 基于編碼間歇采樣調(diào)制信號的有源回波對消方法 |
| 5.2.4 均勻與編碼間歇采樣調(diào)制有源回波對消效果比較 |
| 5.3 基于編碼間歇采樣調(diào)制信號的ISAR壓制式圖像特征控制方法 |
| 5.3.1 圖像特征控制原理 |
| 5.3.2 性能評估 |
| 5.3.3 調(diào)制參數(shù)設(shè)計 |
| 5.3.4 仿真結(jié)果與分析 |
| 5.4 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 論文主要工作 |
| 6.2 論文主要創(chuàng)新點 |
| 6.3 工作展望 |
| 致謝 |
| 參考文獻 |
| 作者在學(xué)期間取得的學(xué)術(shù)成果 |
| 一、發(fā)表論文情況 |
| 二、參與的科研項目 |
| 三、申請專利情況 |
| 四、獲得的成果與獎勵 |
| 附錄A 編碼間歇采樣調(diào)制LFM信號模糊函數(shù)推導(dǎo) |
（9）基于卷積神經(jīng)網(wǎng)絡(luò)與AdaBoost算法的實時行人檢測系統(tǒng)研究（論文提綱范文）
| 摘要 |
| abstract |
| 注釋表 |
| 第1章 緒論 |
| 1.1 行人檢測的研究背景與意義 |
| 1.2 行人檢測的研究現(xiàn)狀 |
| 1.3 本文的研究內(nèi)容與組織結(jié)構(gòu) |
| 第2章 行人檢測的相關(guān)算法 |
| 2.1 傳統(tǒng)特征提取算法 |
| 2.1.1 HOG特征 |
| 2.1.2 DPM算法 |
| 2.2 傳統(tǒng)特征分類算法 |
| 2.2.1 AdaBoost算法 |
| 2.2.2 SVM算法 |
| 2.3 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3.1 前向傳播算法 |
| 2.3.2 反向傳播算法 |
| 2.4 本章小結(jié) |
| 第3章 CNN反饋損失計算方法改進 |
| 3.1 傳統(tǒng)CNN的缺陷分析 |
| 3.1.1 對數(shù)似然損失函數(shù) |
| 3.1.2 Softmax激活函數(shù) |
| 3.1.3 獨熱編碼 |
| 3.1.4 問題描述 |
| 3.2 優(yōu)化圖像分類卷積神經(jīng)網(wǎng)絡(luò) |
| 3.2.1 分組碼標(biāo)簽 |
| 3.2.2 改進型反饋損失計算方法 |
| 3.3 網(wǎng)絡(luò)模型 |
| 3.3.1 Inception網(wǎng)絡(luò)模型 |
| 3.3.2 殘差網(wǎng)絡(luò)模型 |
| 3.3.3 深度可分解卷積網(wǎng)絡(luò)模型 |
| 3.4 仿真實驗與結(jié)果分析 |
| 3.4.1 數(shù)據(jù)集 |
| 3.4.2 網(wǎng)絡(luò)模型參數(shù) |
| 3.4.3 輸出維度對CNN性能的影響 |
| 3.4.4 標(biāo)簽的最小碼距對CNN性能的影響 |
| 3.5 本章小結(jié) |
| 第4章 小目標(biāo)復(fù)查型行人檢測系統(tǒng) |
| 4.1 傳統(tǒng)CNN行人檢測系統(tǒng)的缺陷分析 |
| 4.1.1 訓(xùn)練集利用不充分 |
| 4.1.2 單一類別的缺陷分析 |
| 4.1.3 小目標(biāo)檢測精度低 |
| 4.2 優(yōu)化數(shù)據(jù)預(yù)處理 |
| 4.2.1 預(yù)處理訓(xùn)練集 |
| 4.2.2 預(yù)處理測試集 |
| 4.3 系統(tǒng)主體模型 |
| 4.3.1 Faster R-CNN目標(biāo)檢測框架 |
| 4.3.2 SSD目標(biāo)檢測框架 |
| 4.3.3 分類標(biāo)簽 |
| 4.4 基于AdaBoost和 SSD算法的小目標(biāo)復(fù)查子系統(tǒng) |
| 4.4.1 AdaBoost輔助分類器 |
| 4.4.2 基于SSD框架的復(fù)查子系統(tǒng) |
| 4.5 本章小結(jié) |
| 第5章 實驗與性能分析 |
| 5.1 數(shù)據(jù)集及性能評估方式 |
| 5.1.1 實驗平臺 |
| 5.1.2 小目標(biāo)訓(xùn)練集 |
| 5.1.3 性能評估方式 |
| 5.2 系統(tǒng)參數(shù) |
| 5.2.1 Inception網(wǎng)絡(luò)模型參數(shù) |
| 5.2.2 殘差網(wǎng)絡(luò)模型參數(shù) |
| 5.2.3 深度可分解卷積網(wǎng)絡(luò)模型參數(shù) |
| 5.2.4 SSD復(fù)查子系統(tǒng)參數(shù) |
| 5.3 性能分析 |
| 5.3.1 數(shù)據(jù)預(yù)處理前后的性能對比 |
| 5.3.2 主體模型優(yōu)化前后的性能對比 |
| 5.3.3 系統(tǒng)綜合性能分析 |
| 5.3.4 與經(jīng)典算法的對比 |
| 5.4 本章小節(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 本文總結(jié) |
| 6.2 后續(xù)工作展望 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士學(xué)位期間從事的科研工作及取得的成果 |
（10）存儲器抗單粒子效應(yīng)二維碼與RS碼的研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 引言 |
| 1.2 輻射環(huán)境及輻射效應(yīng) |
| 1.2.1 輻射環(huán)境 |
| 1.2.2 輻射效應(yīng) |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 工藝級加固技術(shù) |
| 1.3.2 電路級加固技術(shù) |
| 1.3.3 版圖級加固技術(shù) |
| 1.3.4 系統(tǒng)級加固技術(shù) |
| 1.4 存儲器受單粒子效應(yīng)影響錯誤圖樣分析 |
| 1.4.1 錯誤產(chǎn)生機理 |
| 1.4.2 錯誤圖樣分析 |
| 1.5 論文主要研究內(nèi)容及結(jié)構(gòu)安排 |
| 2 糾錯碼技術(shù) |
| 2.1 糾錯碼簡介 |
| 2.1.1 糾錯碼的基本概念 |
| 2.1.2 有限域基礎(chǔ) |
| 2.1.3 糾錯碼分類 |
| 2.2 線性分組碼 |
| 2.2.1 基本概念 |
| 2.2.2 生成矩陣與校驗矩陣 |
| 2.2.3 伴隨式與錯誤檢測 |
| 2.3 常用糾錯碼 |
| 2.3.1 奇偶校驗碼與漢明碼 |
| 2.3.2 矩陣碼 |
| 2.3.3 BCH碼 |
| 2.3.4 RS碼 |
| 2.3.5 常用糾錯碼性能分析 |
| 2.4 本章小結(jié) |
| 3 二維糾錯碼加固SRAM存儲器的設(shè)計 |
| 3.1 引言 |
| 3.2 新型二維糾錯碼設(shè)計 |
| 3.2.1 錯誤檢測機制與原理 |
| 3.2.2 編碼原理與電路設(shè)計 |
| 3.2.3 譯碼原理與電路設(shè)計 |
| 3.2.4 錯誤圖樣分析與改進設(shè)計 |
| 3.2.5 構(gòu)造方式與分塊長度對碼字糾錯性能的影響 |
| 3.3 實驗結(jié)果與性能分析 |
| 3.3.1 功能驗證 |
| 3.3.2 不同碼字性能分析 |
| 3.3.3 新型二維糾錯碼不同構(gòu)造方式性能分析 |
| 3.4 本章小結(jié) |
| 4 RS組合碼加固NAND Flash存儲器的設(shè)計 |
| 4.1 引言 |
| 4.2 方案設(shè)計 |
| 4.3 RS編譯碼原理 |
| 4.3.1 RS編碼原理 |
| 4.3.2 RS譯碼原理 |
| 4.4 RS編譯碼電路設(shè)計 |
| 4.4.1 有限域運算單元設(shè)計 |
| 4.4.2 RS編碼電路設(shè)計 |
| 4.4.3 RS譯碼電路設(shè)計 |
| 4.5 仿真結(jié)果與性能分析 |
| 4.5.1 編碼功能仿真 |
| 4.5.2 譯碼功能仿真 |
| 4.5.3 性能分析 |
| 4.6 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 全文總結(jié) |
| 5.2 工作展望 |
| 致謝 |
| 參考文獻 |
| 攻讀學(xué)位期間取得的研究成果 |
四、求解最小碼覆蓋問題的實驗算法（論文參考文獻）
- [1]基于SMT的機組排班問題優(yōu)化求解[J]. 劉錫鵬,陳寅. 計算機系統(tǒng)應(yīng)用, 2021(12)
- [2]視覺單目標(biāo)跟蹤算法研究[D]. 鄭偉偉. 浙江大學(xué), 2021(01)
- [3]雷達與通信系統(tǒng)一體化信號研究[D]. 楊柳叢. 北京郵電大學(xué), 2021(01)
- [4]神經(jīng)網(wǎng)絡(luò)驗證和測試技術(shù)研究綜述[J]. 李舵,董超群,司品超,何曼,劉錢超. 計算機工程與應(yīng)用, 2021(22)
- [5]Reed-Solomon碼的快速算法設(shè)計與實現(xiàn)[D]. 余蕾蕾. 中國科學(xué)技術(shù)大學(xué), 2021(09)
- [6]基于動態(tài)二維碼的車載信息傳輸系統(tǒng)研究[D]. 孔慶鑫. 浙江科技學(xué)院, 2020(03)
- [7]基于無標(biāo)定視覺伺服的移動機器人位置控制研究[D]. 夏康立. 東南大學(xué), 2020(01)
- [8]寬帶雷達信號間歇采樣調(diào)制方法及應(yīng)用研究[D]. 吳其華. 國防科技大學(xué), 2019(01)
- [9]基于卷積神經(jīng)網(wǎng)絡(luò)與AdaBoost算法的實時行人檢測系統(tǒng)研究[D]. 李陽. 重慶郵電大學(xué), 2019(02)
- [10]存儲器抗單粒子效應(yīng)二維碼與RS碼的研究[D]. 齊藝軻. 西南科技大學(xué), 2019(11)
標(biāo)簽：調(diào)制信號論文; 圖像編碼論文; 圖像融合論文; 測試模型論文; 視覺檢測論文;