一、高精度双权值突触神经元计算机通过验收（论文文献综述）
张建[1]（2021）在《电力物联网建设成效预测及评价模型研究》文中指出
田方友[2]（2021）在《基于BP神经网络的城市轨道交通工程造价估算研究》文中研究指明
安江[3]（2021）在《基于深度学习的地铁站建筑空间智能辅助设计研究》文中提出随着建筑学学科的不断发展,本专业的许多问题亟待建筑学与其他学科的交叉研究才能更好的解决,同时伴随着计算机科学的技术提升以及算力的快速增长,出现了诸如“深度学习”、“人工神经网络”这样划时代的计算机前沿技术。回顾建筑设计的数字化进程,从模数制、电脑辅助建筑设计、再到参数化设计,已经面临着瓶颈,亟待新的突破。同时,城市中轨道交通承担着缓解交通压力和客流运输的重任,地铁站的设计变得越来越重要,而且地铁站具备很强的“模块性”、“秩序性”,有着潜在的较为明显的设计逻辑,这种特性决定了地铁站的空间布局的规律是能被深度学习所学习的,因此将地铁站作为研究对象,技术层面立足于目前的电脑辅助建筑设计和参数化设计,综合人工智能技术中的深度学习技术,提出将人工智能设计与地铁站的建筑设计进行交叉融合,以实现真正意义上的“计算机智能建筑设计”。本研究采用深度学习中非常前沿的Pointnet++模型进行地铁站点云数据的训练,主要工作集中于Pointnet++模型的代码复现和参数训练以及大量地铁站空间点云数据集的收集整理。创新性的以跨学科研究方法,将三维点云数据的深度学习与建筑设计进行结合,突破了原有的以二维图像等为研究对象的现状,避免了将“深度学习”应用于2D图像等研究对象而无法准确描述3D空间的局限,为建筑师提供了更加直观且多样化的设计辅助,并且以端对端进行实验,输入数据和输出预测数据均为点云格式,极大地增加了数据的保真度和通用性。经过训练和预测以及实际项目的验证,得出如下结论:（1）验证了以点云为数据形式进行建筑的空间深度学习的可行性:整个训练和预测过程都有着较高的可形成,训练和预测效果良好,并且点云格式在Pointnet++模型下完全兼容,表现优良;（2）验证了Pointnet++对于地铁站点云信息的语义分割和预测的有效性:经过试验验证,结果表明:总体在条件为20*20*20大小的空间内,block＿size为10.0的情况下,对9:1的训练预测数据均有60%+MIOU（Mean Io U平均交并比）和75%+Acc（Accuracy）,这样的平均交并比MIOU和准确度Acc在有限的618个地铁站模型数据的神经网络运算中已经属于较为优异的数值;（3）用天津西站1、6号线换乘站验证了研究中语义分割和预测的有效性:以天津西站1、6号线换乘站为工程实例,将其转化为带有颜色标签的点云模型,预测后与Ground Truth进行比对,使理论层面的研究更加贴近实际需求,在验证中使理论得到巩固、排查和完善。并对Ground Truth与Predict进行可视化对比,Predict表现出较好的预测效果,无论是从功能分区的范围还是功能分区的尺度都有着较为合适的控制。此深度学习模型还可以进一步拓展为一种“地铁空间设计对比评价系统”,即用它进行方案的快速生成和比选,并可以对原有方案进行比选和评价。虽然无法与专家评价等模式相提并论,但是它却具备了一种鲜有的特性——客观。它集汇了大量已有设计的空间模式,这些已有的空间模式还是基于大量专业人员的智慧,但是此深度学习模型可以极其客观和理性的去进行预测,也就使得我们利用它的结果进行方案比选时不仅具备前人的智慧,还具备了客观与全面,减少了个人主观评价带来的片面和矛盾。并且对于地铁站设计也有实际的应用展望,基于许多已有优秀案例训练后进行的预测,集结了许多看得见和看不见的前人的智慧,可以大幅的降低择优成本;而且相对于人工更加快速,可以在短时间内进行多轮生成和比对,效率上有较高保证;其次,这种利用人工智能进行的初步方案推敲,可以在使用中逐步优化,越来越多的数据被输入学习,深度学习模型就会越来越智能,无论是在智能的综合性和效率方面,本研究在地铁站设计中的应用都有较高的价值和意义。
刘婧然[4]（2021）在《青椒集雨调亏滴灌智能需水感知与节水灌溉决策研究》文中认为近年来,随着经济的发展,水资源短缺问题日益突出。灌溉用水约占全球水资源量的70%,发展智慧农业,进行作物需水量预测,实现智能灌溉,对节约用水,解决水资源短缺问题尤为重要。本文以河北工程大学精准灌溉试验场（原址）为试验地点,以青椒为试验对象,在2014～2018年进行了覆盖集雨调亏滴灌（MFR-RDI）和传统平作充分灌溉试验。搜集历年土壤、气象、作物的相关数据,针对适宜的节水灌溉方式,以作物需水量预测模型为基础,建立节水灌溉决策系统为目标,综合运用农水、人工智能及物联网等多学科技术,对区域农业智能需水感知与灌溉决策系统相关问题进行研究。选取MFR-RDI种植模式下灌溉水利用效率（IWUE）最高的种植方式进行了青椒需水量智能预测,并以此为基础,建立了灌溉决策系统,最后搭建了决策系统平台,该研究成果对邯郸地区青椒种植的节水灌溉具有重要的指导意义。本文主要研究内容及成果如下:（1）将覆盖集雨技术与调亏滴灌技术相结合,通过田间试验,收集试验数据,进行统计分析,得出在充分灌溉条件下,覆盖集雨滴灌比传统平作可以显着提高青椒果实的产量、Vc含量以及IWUE。在覆盖集雨滴灌种植中,调亏灌溉比充分灌溉(CK1R)可以显着提高果实Vc含量。其中,结果后期重度调亏处理(T8R)的IWUE在2014～2018年均为最高,并且该处理在2015～2018年与CK1R的青椒产量差异不显着,果实Vc含量较高。因此以IWUE最高的T8R得到的试验数据为基础,建立灌溉决策系统,最大限度地节约灌溉用水。（2）构建了由遗传算法（GA）优化的支持向量机（SVM）、GA优化的Elman神经网络、思维进化算法（MEA）优化的Elman神经网络的青椒需水量智能预测模型。结果表明,在相同的输入因素下,GA-Elman神经网络的预测结果优于GA-SVM,MEA-Elman的模型性能优于GA-Elman。在模型输入因素中引入冠层温度能够提高所构建的优化人工智能预测模型精度。此外,在作物不同的生育阶段选择不同的输入因素来进行作物需水量预测,可以使预测模型的精度进一步提高,该预测模型的均方根误差（RMSE）,平均绝对误差（MAE）,纳什-萨克利夫系数（NS）值分别为0.359 mm/d,0.294 mm/d,0.941。（3）基于青椒需水量智能预测模型,构建了深度学习（DNN）的灌溉决策系统。以作物因素、气象因素、土壤因素作为模型的输入因素,以灌溉水量作为模型的输出。用2014～2017年的数据作为模型的训练数据,2018年的数据作为测试数据,最佳DNN灌溉决策系统的隐含层包括4层,各隐含层神经元个数分别为:32、16、8、4。系统的激活函数采用“Re LU”,优化函数为“adam”,该决策系统可得到MFR-RDI种植模式下T8R的灌溉制度。与利用水量平衡方程计算的实际值相比,该决策模型的RMSE,MAE,NS以及节水率分别为:0.898 mm,0.257 mm,0.758,1.3%。在2018年,使用该系统进行灌溉的青椒产量为12886.2 kg·hm-2,Vc含量为51.1 mg·100g,IWUE为32.6kg·hm-2·mm-1,与CK1R相比,其节水率约为26.4%。（4）搭建了基于Lo Ra技术的作物智能需水感知的灌溉决策系统平台。平台实现了农业气象、土壤墒情等数据的监测以及灌溉决策功能。
王宇阳[5]（2021）在《基于神经网络算法的夏热冬冷地区公共建筑能耗前期预测研究》文中研究指明随着世界文明的不断进步,人类社会的经济发展水平和物质生活质量得到了不尽相同的提升,随之而来的能源消耗和环境污染等问题亦愈发受到广泛关注。我国能耗总需求逐年攀升,截至目前国内建筑总能耗占比一度超过社会总能耗的30%,为缓解日益严峻的能源形势,节能减排工作已是迫在眉睫。建筑节能优化既已成为建筑技术科学领域的核心研究内容,建筑能耗的分析和预测是建筑节能设计、绿色建筑评价等相关研究的重要基础,因而在项目初期阶段针对建筑能耗进行准确、高效的预测分析是建筑节能研究领域的关键课题。笔者针对夏热冬冷地区的气候独特性,运用MATLAB软件以搭建项目前期公共建筑能耗预测模型,采用BP神经网络围绕建筑能耗预测相关问题展开深入研究:首先,通过阅读建筑能耗相关文献资料,参考优秀案例成果,结合实际工程经验,探究影响夏热冬冷地区公共建筑能耗的特征要素,提取筛选出主要因子。以安徽省划为研究范围,笔者选取亲身参与的14个工程项目的公共建筑作为数据样本,遵循单一变量原则,利用PKPM绿色建筑节能设计分析软件分别做出能耗分析,获得正交试验下的各类公共建筑全年供冷采暖空调总能耗模拟结果,采集对应800组能耗数据;其次,搭建神经网络结构模型,从室外气象参数、室内热扰强度及建筑围护结构热工特性三大方面考量对能耗的影响,确定神经网络结构的层级关系与训练流程。通过调用模拟得到的数据集,根据样本目标进行神经网络的训练与修正,归纳得出基于节能基准参数的公共建筑能耗预测模型;接着,运用构建成形的神经网络,验证模型的预测精度和仿真性能。对神经网络模型仿真测试的30组预测数和目标值进行对比分析,平均相对误差值Mean和均方根误差值RMSE皆控制在2%的限差范围以内。随后选取不在样本数据库的一座特定公共建筑进行试验,其基准参数与数据集内某一组变换数据相似。将神经网络预测输出值与目标模拟值进行对比分析,相对误差不到4%。藉由分析评估神经网络算法模型的效益优势,检验了神经网络的预测精度和仿真性能,不仅诠释了BP神经网络算法模型对项目前期公共建筑的能耗预测具有高能、精确的优点,还佐证了人工神经网络同构模型的科学性和可行性;然后,经过算法推演和模型建立的论证历程,以芜湖市镜湖区一新建办公楼为例,建立能耗分析模型。为达到线性目标优化,获取并调用51组对应全年能耗数据集,记录神经网络预测模型,运用计算机语言,绘制能耗关于参数变量的函数曲线图像,得到建筑能耗受各参数影响变化关系。通过figure函数绘制的各支变量随能耗值变化的近似一次函数拟合回归曲线,分析线性斜率k以表达各类影响因子对于该公建的能耗影响程度,结合工程实际情况,凭借高效率、高精度得到了公建基准参数节能设计值,并提出相应的节能优化策略。将神经网络应用于实例分析,演绎了从泛化模型向具象化目标的自由转换,以实际工程项目直观反映神经网络对于能耗预测的现实价值意义;实例应用分析后,通过数据集的分析统计,笔者提出在扩充模型数据集的前提条件下,研究构建的人工神经网络方法至于能耗预测性能将进一步提高。研究结果表明BP神经网络对于建筑能耗预测确有高效率、高精度、强性能的优势,通过效益分析评估,亦验证了人工神经网络算法对于构建夏热冬冷地区公共建筑能耗预测模型的科学性。最终做出合理设想,基于庞大数据库的支持,构建全国各类气候分区的神经网络能耗预测模型具有一定的可行性。课题立足于算法领域,结合建筑学理论方法,构建BP神经网络模型,实现公共建筑能耗的灵活预测,一定程度上减轻了建筑能耗分析、绿色建筑预评价、概算清单编制等项目前期工作量,并为后期节能设计提供了参考依据。研究有意避免了运算过程中的参数冗余,精简了计算流程,以安徽地区为研究样本,但基于相同地域位置的同构性,在获取相应数据支持的条件下,仍然对其他建筑气候分区具有一定的可行性。在大数据时代背景下,各类神经网络的泛用性和可操作性会愈发强大,人工神经网络在跨学科领域的研究和应用将极具优势与发展前景。
石兴泰[6]（2021）在《基于随机网格的平面磨具设计与性能研究》文中研究说明超精密加工技术已成为衡量一个国家先进制造技术水平的重要指标之一,在国防军事和民用工业中应用广泛。在超精密加工方法中磨削加工具有无可比拟的优势,相比游离磨料磨削,固结磨料磨削具有磨料分布可控、磨削效率高等优点,已逐渐成为超精密磨削加工技术的重要发展方向。传统的固结磨料磨削工具制备过程能耗大、灵活度不高,且在磨削过程中难以兼顾材料去除速率与表面质量的复合要求。因此本文主要提出一种基于快速成型技术的随机网格结构磨具,并通过磨粒运动轨迹分析、磨削加工实验和机器学习的方法对此类磨具的性能进行了深入研究与探讨。本文主要完成的工作如下:首先,对随机网格结构研磨盘进行建模与制备。使用三维软件Pro/E、Rhino和3D Max提出了几种具有空间结构的平面磨具研磨盘设计方法和建模思路,通过光固化快速成型实验方法确定了固结磨料磨具树脂结合剂与磨料的最佳质量配比为11.7,最后使用树脂与氧化铝混合料对随机网格空间结构研磨盘进行制备。其次,根据固结磨料研磨工艺,建立了固结磨料平面磨削数学模型,得出了固结在研磨盘上磨粒的运动轨迹方程,使用MATLAB对不同表面形貌和不同空间结构的研磨盘进行了轨迹仿真,对比了不同研磨盘间的磨削轨迹面积比,分析了不同空间结构研磨盘逐层切片磨料覆盖情况,结果表明,具有随机网格空间结构的研磨盘磨削轨迹较为均匀,磨粒覆盖面积达99.89%,能够较好地实现高效低损伤磨削加工。然后,为了进一步评价具有随机网格空间结构研磨盘的磨削性能,同时量化研究磨削参数及研磨盘表面形貌对磨削过程的影响。使用4S双面研磨机开展了固结磨料磨削加工正交实验,测量了加工后工件的表面粗糙度和材料去除速率,分析了影响磨削实验主要影响因素。结果表明,在研究的参数里,研磨液的浓度对表面粗糙度的影响最大,研磨盘上固结磨料的形貌影响次之;电机转速对材料去除速率的影响最大,研磨液浓度对材料去除率的影响次之。最后,使用BP神经网络算法建立了磨削用量与磨削结果之间的预测模型,通过Python编程使用实验数据训练网格,从而预测新的实验样本。最后对神经网络超参数进行优化,进一步增强网络的预测能力。
郑志峰[7]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中认为随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
张仕宇[8]（2020）在《基于无人机巡检图像的气体绝缘金属封闭开关设备表盘读数识别系统设计与实现》文中研究指明随着电力技术和泛在物联网技术的不断发展,低效落后的电网格局成为智能社会发展的阻碍。特高压电网（Ultra high voltage network,UHV Network）作为一种高效、成熟的输电技术,已经成为电网格局、建设质量、大电网安全及创新发展的动力源泉。安全性是保障特高压电网建设的基础与首要目标,高压断路器是应用于高压及特高压电网中的重要的控制与保护设备,对于保证高压电网及特高压电网的安全平稳运行具有重要意义。然而人工读数的方式效率低、成本高、安全差,一直是困扰激光特高压电网安全性的难点问题,极大地影响了实际运维过程中的巡检风险与成本,严重阻碍了电网发展的自动化、智能化进程。针对上述关键技术问题和电力现场行业需求,本文基于特高压电网领域和人工智能领域的相关技术方法,设计了基于无人机巡检图像的气体绝缘金属封闭开关设备表盘识别系统,并通过实际系统搭建和采集数据分析实验测试了系统的可靠性和功能的有效性。本文的主要研究内容如下:（1）基于生成式对抗神经网络的图像去噪模型研究针对人工巡检成本高精度差等问题,本文面向无人机图去噪方法,建立了图像去噪模型。通过研究生成式对抗网络的基本结构,优化网络超参数,使得网络去噪效果最优。基于训练好的生成式对抗神经网络,生成模糊样本,用于模型训练与验证。（2）基于卷积神经网络的指针式仪表读数识别模型研究针对传统浅层机器学习模型泛化能力差,识别精度低等问题,本文根据卷积神经网络在图像分类检测领域的应用,研究了面向无人机巡检图像分析的卷积神经网络方法。设计卷积神经网络基本结构,优化网络超参数。（3）原型系统开发和实例分析基于前述无人机图像获取、图像预处理和图像识别等方法,本文设计开发了面向无人机巡检图像表盘读数识别系统设计与实现的计算机辅助原型系统,并以电网现场的图像获取和智能分析为例,验证了本文所提理论方法的有效性。
王佳荣[9]（2020）在《面向自动驾驶的多传感器三维环境感知系统关键技术研究》文中研究表明环境感知作为自动驾驶的关键环节,是行车安全性和智能性的保障。先进的三维环境感知系统能够及时地探测到车辆、行人、障碍物、道路等影响行驶安全性的外部事物,并准确地获取其三维位置、尺寸、行驶方向、几何形状、类别等信息,为后续的决策与控制环节提供依据。单一的检测手段或传感器很难对复杂场景进行鲁棒地感知,而利用多传感器优势互补,则能获取更加全面、兼容的行驶环境信息,从而满足自动驾驶系统对可靠性、精准度的需求。近年来,深度学习在信息处理方面取得了突破性进展,基于神经网络的识别、分割、检测算法性能突出,为多传感器三维环境感知系统的研究提供了新的方法和思路。基于此,论文采用三维激光雷达和可见光单目相机,结合深度神经网络,围绕多传感器标定、3D点云与RGB图像融合、三维目标检测、三维语义分割等关键技术,开展了理论分析、方法研究、技术实现、实测验证等工作,主要研究内容如下:（1）三维环境感知系统多传感器标定方法研究针对以三维激光雷达和单目RGB相机作为传感装置的行车环境感知系统,分析异构传感器独立标定、联合标定的原理及模型;设计系列标定方案,搭建实验系统;借助Matlab、Robot Operating System、Autoware等工具,解算出激光雷达与相机的内部、外部参数矩阵,统一坐标系并构建映射模型;完成3D点云与RGB图像的空间对齐、配准,并分析标定、配准对后续算法的指导作用。（2）基于多阶段互补融合的多传感器三维目标检测方法研究针对多模态数据融合粗糙、三维目标检测鲁棒性差的问题,提出了一种基于多阶段互补融合的三维目标检测算法。以激光雷达点云和相机RGB图像为输入,采用两阶段检测框架:（预处理）、初级预测、精细回归,顺序执行数据解析、特征提取、候选框推荐和三维边界框细化任务。创新性地采用多阶段融合策略（预融合、锚框融合、候选框融合）以最大限度地利用多模态数据的优势。其中,提出了RGB-Intensity表示形式,将反射强度编码到图像上,丰富光谱信息,增强输入表征。设计了元素注意力模块,以自适应地决定不同模态特征对网络的“贡献”,突出关键信息,抑制无用干扰。提出了跳跃融合法,支持中间特征层交互的同时引入侧连接,使融合结果兼具完整性和强语义。在权威评测数据集上的实验表明,该算法优于大部分同类型算法,可准确、近乎实时地预测目标的类别、三维位置、三维尺寸、运动方向等信息。（3）级联增强型三维小目标检测方法研究针对复杂城市场景下行人、骑自行车者等小目标检测精度低的难点,提出了一种级联增强型三维小目标检测算法。创新性地应用级联迭代策略,将经典的两阶段检测框架扩展至三阶段:区域建议子网、弱检测子网、强检测子网。利用前一级子网的输出训练下一级更高质量的检测子网,配合递增的训练交并比阈值,以改善过拟合和质量不适配问题,逐级渐进地“锁定”小目标、优化边界框。同时,借鉴图像分割方法,在特征提取网络中引入空洞卷积和多孔空间金字塔池化,以生成能够充分表征小目标的高分辨率、强语义特征图。该算法在KITTI基准上取得了先进的结果,在面对特征较少、外形缺失的目标时表现尤佳。（4）基于点云密度增强和多重注意力引导的三维目标分割和检测方法研究针对点云稀疏、非均匀,特征提取难,且无法表达相似形状物体差异和小、远目标轮廓等问题,提出了一种基于点云密度增强和多重注意力引导的分割、检测算法。其以点云为主要输入,可选择性地添加图像作为补充,由前景分割和候选框生成（Part-1）、点云密度增强（Part-2）、语义分割和边界框细化（Part-3）三部分组成。多任务共享大部分参数,互相监督和辅助。其中,创新性地设计了轻量型逐点注意力模块和通道注意力模块,以自适应地强化“骨架”和“可辨别性”信息,帮助特征提取网络生成更具代表性、针对性的表征。提出了一种新颖的点云密度增强组件,采用距离优先策略,结合K-means聚类算法,基于单目图像生成包含目标信息的伪点云,隐式地利用图像的颜色和纹理信息来平衡点云密度分布、丰富稀疏目标特征。在公开数据集上的大量实验表明,该算法先进、有效,近乎实时,具有出色的远距离、小目标检测性能和良好的可扩展性。
李燕[10]（2020）在《基于深度学习的岩石图像识别》文中提出随着计算机技术的崛起,地质调查工作方式产生了巨大的变革。岩石图像识别是地质学研究的一个重要领域,也是地质调查工作的一项重要内容。在目前的岩性识别工作中,仍需专业人员对野外获取的岩石标本制备岩石薄片进行分析,整个流程工作量大,时间周期长。为优化此流程,本文提出基于深度学习的岩石图像识别方法,探索岩石新鲜剖面图像的自动识别。一方面,本文提出了基于深度学习的岩石岩性自动识别方法。针对岩石新鲜剖面图像,结合迁移学习方法,通过对预训练模型的冻结与微调,实现了基于VGG、Res Net和Dense Net的岩石图像识别模型,获得了岩石岩性识别最佳实践。对比分析表明,Dense Net网络结构深度大、连接稠密,作为模型的特征提取器,可以在岩石新鲜剖面数据集上获得最佳识别效果,其中模型my Dense Net-all在测试集上的F1为89.84%,准确率为94.48%。另一方面,针对地质人员野外离线作业环境,本文研究了岩石识别模型的压缩和移动端部署。通过轻量化模型设计、网络剪枝和模型量化的思想,设计并实现了岩石图像识别的压缩模型,大幅降低模型大小。实验表明,先进行0.1阈值的通道稀疏化,再量化整个模型,可以在降低模型大小的同时,获得最佳的模型精度。模型在移动端测试集上的F1为89.02%,准确率达94.14%,大小仅18.7MB,适用于野外离线条件下,岩石图像的快速精准识别。本文通过以上两方面的研究,实现了基于深度学习的岩石新鲜剖面图像自动识别,获得了岩石岩性识别最佳实践;模型压缩与移动端部署,实现了野外离线条件下的岩石岩性自动识别,得出了野外地质调查工作中岩石识别问题的全新解决方案。
二、高精度双权值突触神经元计算机通过验收（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、高精度双权值突触神经元计算机通过验收（论文提纲范文）
（3）基于深度学习的地铁站建筑空间智能辅助设计研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1. 引言 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 学科交叉背景 |
| 1.2.2 需求背景 |
| 1.2.3 科技背景 |
| 1.3 研究对象概述及概念界定 |
| 1.3.1 地铁站建筑类型 |
| 1.3.2 地铁站建筑空间 |
| 1.4 深度学习研究综述 |
| 1.4.1 国内相关研究状 |
| 1.4.2 国外相关研究现状 |
| 1.5 建筑数字化设计进程研究综述 |
| 1.5.1 模数制设计 |
| 1.5.2 电脑辅助建筑设计 |
| 1.5.3 参数化设计 |
| 1.5.4 人工智能设计 |
| 1.6 研究意义及目的 |
| 1.6.1 研究意义 |
| 1.6.2 研究目标 |
| 1.7 研究内容和创新点 |
| 1.7.1 研究内容 |
| 1.7.2 研究创新点 |
| 1.8 研究方法和技术路线 |
| 1.8.1 研究方法 |
| 1.8.2 技术路线 |
| 1.8.3 技术难点总结 |
| 1.9 预期研究成果 |
| 2. 点云语义分割原理与神经网络的架构 |
| 2.1 深度学习与神经网络 |
| 2.1.1 神经网络 |
| 2.1.2 卷积神经网络 |
| 2.1.3 池化层 |
| 2.1.4 全连接层 |
| 2.2 Pytorch框架的搭建 |
| 2.3 Pointnet++的架构 |
| 2.4 Pointnet++的模型实现 |
| 2.5 本章小结 |
| 3. 数据集的整理与训练 |
| 3.1 数据集的整理 |
| 3.1.1 数据形式的选择和收集 |
| 3.1.2 以地铁站单体为单元的数据集的前期处理 |
| 3.1.3 数据集的增强处理 |
| 3.2 数据集的训练 |
| 3.2.1 数据集的训练步骤 |
| 3.2.2 以地铁站单体为单元的数据集的训练 |
| 3.3 本章小结 |
| 4. 模型预测实验结果分析 |
| 4.1 预测结果对比与分析 |
| 4.1.1 模型预测 |
| 4.1.2 以地铁站单体为单元的数据集预测结果分析 |
| 4.2 以地铁站单体为单元的实验结果分析与评价 |
| 4.2.1 拟合度 |
| 4.2.2 Best mIoU、eval point avg class IoU和每个class的IoU结果分析 |
| 4.2.3 Eval point avg class acc和Eval accuracy结果分析 |
| 4.3 本章小结 |
| 5. 基于天津西站枢纽的 1、6 号线换乘站的实例验证 |
| 5.1 天津西站枢纽概况 |
| 5.2 前期准备工作 |
| 5.3 实验过程 |
| 5.4 实验结果评价 |
| 5.5 对于地铁站设计的应用与意义 |
| 5.6 结论 |
| 5.7 本章小结 |
| 6. 结论 |
| 6.1 研究结论 |
| 6.2 本研究在地铁站设计中的应用展望与意义 |
| 6.3 研究中存在的不足与展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）青椒集雨调亏滴灌智能需水感知与节水灌溉决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 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 滴灌 |
| 1.2.2 调亏灌溉 |
| 1.2.3 覆盖集雨种植 |
| 1.2.4 人工智能 |
| 1.2.5 灌溉决策支持系统 |
| 1.3 发展动态分析及问题的提出 |
| 1.4 主要研究内容与技术路线 |
| 第2章 材料与方法 |
| 2.1 试验地概况 |
| 2.2 试验设计与田间管理 |
| 2.2.1 试验设计与布置 |
| 2.2.2 田间管理 |
| 2.3 观测项目和测定方法 |
| 2.3.1 气象数据观测 |
| 2.3.2 土壤含水量的测定 |
| 2.3.3 作物生长指标、冠层温度及产量、品质(V_c)的测定 |
| 2.3.4 作物需水量(ET)及灌水量的计算与测定 |
| 2.3.5 灌溉水利用效率及节水率的测定 |
| 2.4 数据处理与分析 |
| 2.5 本章小结 |
| 第3章 不同灌溉处理对青椒产量、品质(V_c)、灌溉水利用效率的影响 |
| 3.1 不同试验处理对青椒产量的影响 |
| 3.1.1 不同试验处理条件下的青椒产量分析 |
| 3.1.2 2018 年不同试验处理条件下的青椒产量分析 |
| 3.2 不同试验处理对青椒品质(V_c)的影响 |
| 3.2.1 不同试验处理条件下的青椒品质(V_c)分析 |
| 3.2.2 2018 年不同试验处理条件下的青椒品质(V_c)分析 |
| 3.3 不同试验处理对青椒灌溉水利用效率(IWUE)的影响 |
| 3.3.1 不同试验处理条件下的青椒灌溉水利用效率(IWUE)分析 |
| 3.3.2 2018 年不同试验处理条件下的青椒水利用效率分析 |
| 3.4 本章小结 |
| 第4章 基于人工智能优化算法的青椒需水量预测模型 |
| 4.1 作物需水量、数据预处理及模型性能评价指标 |
| 4.1.1 作物需水量 |
| 4.1.2 数据预处理 |
| 4.1.3 预测模型性能评价指标 |
| 4.2 优化的支持向量机(SVM)预测模型 |
| 4.2.1 支持向量机原理 |
| 4.2.2 遗传算法原理 |
| 4.2.3 GA-SVM青椒需水量预测模型的建立与比较分析 |
| 4.3 优化的Elman神经网络预测模型 |
| 4.3.1 Elman神经网络模型原理 |
| 4.3.2 思维进化算法原理 |
| 4.3.3 MEA-Elman、GA-Elman神经网络预测模型的建立与比较分析 |
| 4.4 本章小结 |
| 第5章 青椒节水灌溉决策系统 |
| 5.1 灌溉水量的影响因素分析 |
| 5.2 基于深度神经网络的灌溉决策系统模型的建立 |
| 5.2.1 深度学习(DNN)原理 |
| 5.2.2 基于DNN的青椒实时节水灌溉决策系统的建立 |
| 5.2.3 DNN决策系统应用效果分析与评价 |
| 5.3 本章小结 |
| 第6章 基于长距离通信技术的决策系统平台 |
| 6.1 LoRa概述 |
| 6.1.1 LoRa发展简史 |
| 6.1.2 LoRa技术特点 |
| 6.2 总体结构 |
| 6.3 数据采集与传输 |
| 6.3.1 LoRa模块的选择 |
| 6.3.2 数据采集及控制模块 |
| 6.3.3 LoRa终端和LoRa网关 |
| 6.3.4 终端节点及LoRa通信 |
| 6.3.5 云端智能控制系统 |
| 6.3.6 系统测试 |
| 6.4 主要功能 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表论文和参加科研情况 |
| 致谢 |
| 作者简介 |
（5）基于神经网络算法的夏热冬冷地区公共建筑能耗前期预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 研究内容架构 |
| 1.2.1 核心概念界定 |
| 1.2.2 研究目的与意义 |
| 1.2.3 研究范围和对象 |
| 1.2.4 研究内容 |
| 1.3 研究方法 |
| 1.3.1 神经网络建模法 |
| 1.3.2 统计分析法 |
| 1.3.3 文献归纳法 |
| 1.3.4 数值模拟法 |
| 1.4 研究框架 |
| 1.5 本章小结 |
| 第二章 课题相关既往研究综述 |
| 2.1 建筑能耗影响因素综述 |
| 2.1.1 国外建筑能耗影响因素研究 |
| 2.1.2 国内建筑能耗影响因素研究 |
| 2.1.3 小结 |
| 2.2 国内外建筑节能发展综述 |
| 2.2.1 发达国家建筑节能发展历程 |
| 2.2.2 我国建筑节能发展现状 |
| 2.3 建筑能耗预测方法研究综述 |
| 2.4 建筑能耗预测模型研究综述 |
| 2.4.1 国外建筑能耗预测模型研究 |
| 2.4.2 国内建筑能耗预测模型研究 |
| 2.4.3 小结 |
| 2.5 人工神经网络算法模型发展回顾 |
| 2.5.1 ANN数学算法模型发展历程 |
| 2.5.2 ANN能耗预测模型国外研究综述 |
| 2.5.3 ANN能耗预测模型国内研究综述 |
| 2.6 本章小结 |
| 第三章 神经网络算法推演与模型建立 |
| 3.1 能耗预测模型前期工作 |
| 3.1.1 研究设想 |
| 3.1.2 主要影响因素确定 |
| 3.1.3 范围划定和对象选取 |
| 3.1.4 数据样本采集 |
| 3.2 BP神经网络模型演示 |
| 3.2.1 BP神经网络样本数据的训练 |
| 3.2.2 BP神经网络的结构关系 |
| 3.2.3 BP神经网络的隐含层设计 |
| 3.3 神经网络预测模型的实现 |
| 3.3.1 数据调用和处理 |
| 3.3.2 数据归一化处理 |
| 3.3.3 神经网络参数属性设定 |
| 3.3.4 神经网络的训练 |
| 3.3.5 数据的反归一化处理 |
| 3.4 神经网络模型结果分析 |
| 3.4.1 模型性能评价公式 |
| 3.4.2 神经网络训练及仿真测试结果分析 |
| 3.4.3 神经网络预测模型的拓展 |
| 3.5 神经网络算法模型效益评估 |
| 3.5.1 算法模型性能评估 |
| 3.5.2 算法模型效率评估 |
| 3.6 本章小结 |
| 第四章 神经网络能耗预测模型应用分析 |
| 4.1 网络模型的实例调用 |
| 4.1.1 样本单体建筑概况 |
| 4.1.2 神经网络仿真测试 |
| 4.2 目标预测结果量化分析评价 |
| 4.2.1 绘制预测值变化二维图像 |
| 4.2.2 案例仿真测试误差分析 |
| 4.2.3 屋面和外墙保温量化分析 |
| 4.2.4 建筑朝向的量化分析 |
| 4.2.5 综合窗墙比量化分析 |
| 4.2.6 层间楼板保温量化分析 |
| 4.2.7 外窗材料变量分析 |
| 4.2.8 小结 |
| 4.3 案例节能优化设计策略 |
| 4.3.1 优化建筑形体和布局 |
| 4.3.2 提高围护结构热工性能 |
| 4.3.3 优化门窗构件和遮阳措施 |
| 4.3.4 合理控制窗墙比 |
| 4.3.5 层间保温设计 |
| 4.4 应用分析结果评价 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究创新点 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 附录 A 夏热冬冷地区公共建筑神经网络能耗预测模型 |
| 附录 B 神经网络输入层影响因子部分参数详表 |
| 附录 C 神经网络输出层对应能耗部分参数详表 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（6）基于随机网格的平面磨具设计与性能研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景、来源及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题来源 |
| 1.1.3 选题意义 |
| 1.2 国内外发展趋势与研究现状 |
| 1.2.1 磨削技术未来的发展趋势 |
| 1.2.2 固结磨料磨具表面结构化研究现状 |
| 1.2.3 神经网络在磨削技术领域的研究现状 |
| 1.3 论文研究内容 |
| 第二章 随机网格结构固结磨料磨具设计与制备 |
| 2.1 Voronoi仿生结构概述 |
| 2.1.1 Voronoi原理与性质 |
| 2.2 随机网格固结磨料磨具设计 |
| 2.2.1 固结磨料磨具结构设计 |
| 2.2.2 固结磨料磨具的建模 |
| 2.3 固结磨料磨具的成型方法 |
| 2.3.1 光固化成型技术 |
| 2.3.2 固结磨料磨具的制备 |
| 2.4 本章小结 |
| 第三章 磨抛轨迹仿真及分析 |
| 3.1 运动轨迹模型 |
| 3.2 数字研磨盘建模方法 |
| 3.3 磨抛轨迹分析 |
| 3.3.1 传统固结磨料磨具磨抛轨迹面积比 |
| 3.3.2 空间结构磨具磨料覆盖率与磨抛轨迹面积比 |
| 3.4 本章小结 |
| 第四章 固结磨料磨削实验 |
| 4.1 实验材料及性能 |
| 4.2 磨削实验设备与过程 |
| 4.2.1 实验设备概述 |
| 4.2.2 实验过程的设计 |
| 4.3 磨削实验结果与分析 |
| 4.3.1 表面粗糙度实验 |
| 4.3.2 材料去除率实验 |
| 4.4 实验结果 |
| 4.5 本章小结 |
| 第五章 神经网络模型预测 |
| 5.1 神经网络概述 |
| 5.1.1 神经元模型 |
| 5.1.2 BP神经网络 |
| 5.2 BP网络计算过程 |
| 5.2.1 计算过程 |
| 5.2.2 梯度下降算法 |
| 5.3 网络模型设计及其结果分析 |
| 5.3.1 神经网络模型设计 |
| 5.3.2 激活函数的选取 |
| 5.3.3 实验及其结果分析 |
| 5.4 网络模型优化 |
| 5.4.1 网络模型超参数优化 |
| 5.4.2 网络模型优化结果 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于无人机巡检图像的气体绝缘金属封闭开关设备表盘读数识别系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 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 表盘读数识别研究现状 |
| 1.2.2 无人机图像去噪及识别研究现状 |
| 1.2.3 无人机巡检表盘读数识别研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 基于Conditional GAN的无人机去噪模型设计 |
| 1.3.2 基于卷积神经网络的表盘度数识别模型设计 |
| 1.3.3 系统实现与测试 |
| 1.4 本文研究内容与技术框架 |
| 第二章 相关技术介绍 |
| 2.1 神经网络 |
| 2.1.1 数学模型 |
| 2.1.2 网络结构 |
| 2.1.3 梯度下降 |
| 2.2 生成式对抗神经网络 |
| 2.3 噪声处理 |
| 2.3.1 径向畸变与切向畸变 |
| 2.3.2 相机内参数和外参数 |
| 2.3.3 畸变校正 |
| 2.4 深度学习在图像人工智能分析中的应用 |
| 2.4.1 深度学习技术发展 |
| 2.4.2 基于深度学习的图像分析 |
| 2.5 本章小结 |
| 第三章 基于Conditional GAN的去噪模型设计 |
| 3.1 模型总体框架设计 |
| 3.2 面向去噪的生成式对抗神经网络模型构建 |
| 3.2.1 Conditional GAN模型总体结构 |
| 3.2.2 Conditional GAN模型训练算法 |
| 3.2.3 Conditional GAN模型参数设置 |
| 3.3 基于Conditional GAN的去噪模型试验 |
| 3.3.1 Conditional GAN训练损失函数实验分析 |
| 3.3.2 Conditional GAN判别模型分类精度实验分析 |
| 3.3.3 Conditional GAN生成模型分类精度实验分析 |
| 3.3.4 Conditional GAN图像去噪实验 |
| 3.4 本章小结 |
| 第四章 基于神经网络的表盘读数识别模型设计 |
| 4.1 模型总体框架设计 |
| 4.2 面向表盘读数的卷积神经网络的结构设计 |
| 4.2.1 无跳跃连接的模型结构 |
| 4.2.2 带跳跃连接的模型结构 |
| 4.3 模型试验与结果分析 |
| 4.3.1 基于SIFT特征与SVM的参数配置 |
| 4.3.2 测试实验精度分析 |
| 4.3.3 测试实验混淆矩阵分析 |
| 4.3.4 超参数调节测试 |
| 4.3.5 不同比例图像数据训练测试 |
| 4.4 本章小结 |
| 第五章 系统开发需求分析与设计 |
| 5.1 系统需求分析 |
| 5.1.1 功能需求分析 |
| 5.1.2 非功能需求分析 |
| 5.2 系统总体设计 |
| 5.2.1 系统功能模块设计 |
| 5.2.2 系统分层架构设计 |
| 5.3 系统详细设计 |
| 5.3.1 采集模块设计 |
| 5.3.2 模型维护模块设计 |
| 5.3.3 表盘读数识别模块与维修任务模块设计 |
| 5.4 数据库设计 |
| 5.5 本章小结 |
| 第六章 系统实现与测试 |
| 6.1 系统的实现环境与工具 |
| 6.1.1 软件工具 |
| 6.1.2 硬件工具 |
| 6.2 系统核心代码段 |
| 6.3 系统主要运行界面 |
| 6.3.1 用户登录与角色管理模块页面 |
| 6.3.2 模型管理模块 |
| 6.3.3 读数识别模块 |
| 6.3.4 维修管理模块 |
| 6.4 系统测试 |
| 6.4.1 系统测试环境与工具 |
| 6.4.2 系统功能性测试 |
| 6.4.3 系统非功能性测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（9）面向自动驾驶的多传感器三维环境感知系统关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 三维环境感知技术研究现状 |
| 1.2.1 基于激光雷达的环境感知方法 |
| 1.2.2 基于视觉的环境感知方法 |
| 1.2.3 基于多传感器的环境感知方法 |
| 1.3 课题面临的问题 |
| 1.4 研究内容和组织结构 |
| 第2章 三维环境感知系统多传感器标定方法研究 |
| 2.1 感知系统介绍 |
| 2.1.1 感知系统架构 |
| 2.1.2 传感器组成 |
| 2.2 单目相机标定 |
| 2.2.1 透视成像模型 |
| 2.2.2 相机内部参数标定 |
| 2.3 激光雷达与相机联合标定 |
| 2.3.1 平面靶联合标定模型 |
| 2.3.2 联合标定实验设计与实现 |
| 2.4 3D点云与RGB图像配准 |
| 2.4.1 配准实现 |
| 2.4.2 效果分析与讨论 |
| 2.5 本章小结 |
| 第3章 基于多阶段互补融合的多传感器三维目标检测方法研究 |
| 3.1 研究思路 |
| 3.1.1 问题概述 |
| 3.1.2 相关概念和方法 |
| 3.2 MCF3D框架和创新点 |
| 3.2.1 框架与流程 |
| 3.2.2 算法创新点 |
| 3.3 MCF3D算法描述 |
| 3.3.1 预处理 |
| 3.3.2 初级预测 |
| 3.3.3 精细回归 |
| 3.3.4 实现与训练 |
| 3.4 实验结果及分析 |
| 3.4.1 算法通用评价标准 |
| 3.4.2 实验设置 |
| 3.4.3 定量评估与比较 |
| 3.4.4 定性分析与讨论 |
| 3.5 本章小结 |
| 第4章 级联增强型三维小目标检测方法研究 |
| 4.1 研究思路 |
| 4.1.1 问题概述 |
| 4.1.2 相关概念和方法 |
| 4.2 CE3D框架和创新点 |
| 4.2.1 框架与流程 |
| 4.2.2 算法创新点 |
| 4.3 CE3D算法描述 |
| 4.3.1 基于“分割迁移”的特征提取网络 |
| 4.3.2 基于锚机制的3D先验框生成 |
| 4.3.3 基于级联策略的多子网检测器 |
| 4.3.4 实现与训练 |
| 4.4 实验结果及分析 |
| 4.4.1 实验设置 |
| 4.4.2 定量评估与比较 |
| 4.4.3 定性分析与讨论 |
| 4.5 本章小结 |
| 第5章 基于点云密度增强和多重注意力引导的三维目标分割和检测方法研究 |
| 5.1 问题概述 |
| 5.2 KDA3D框架和创新点 |
| 5.2.1 框架与流程 |
| 5.2.2 算法创新点 |
| 5.3 算法描述 |
| 5.3.1 前景分割和候选框生成 |
| 5.3.2 点云密度增强 |
| 5.3.3 语义分割和边界框细化 |
| 5.3.4 实现与训练 |
| 5.4 实验结果及分析 |
| 5.4.1 实验设置 |
| 5.4.2 定量评估与比较 |
| 5.4.3 定性分析与讨论 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究成果总结 |
| 6.2 论文创新性 |
| 6.3 未来研究工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（10）基于深度学习的岩石图像识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 岩石图像识别 |
| 1.2.2 深度学习技术 |
| 1.3 研究内容 |
| 1.4 论文技术路线 |
| 1.5 论文组织结构 |
| 2 相关理论基础 |
| 2.1 深度学习基础 |
| 2.1.1 从生物神经网络到人工神经网络 |
| 2.1.2 从人脑视觉机理到计算机视觉 |
| 2.1.3 卷积神经网络 |
| 2.2 岩石岩性基础 |
| 2.2.1 岩石岩性 |
| 2.2.2 岩石岩性识别 |
| 2.3 本章小结 |
| 3 基于深度学习的岩石图像识别方法研究 |
| 3.1 识别方法设计 |
| 3.1.1 迁移学习 |
| 3.1.2 特征提取器 |
| 3.1.3 损失函数和优化器 |
| 3.1.4 分类器 |
| 3.1.5 评价指标 |
| 3.2 数据集的建立 |
| 3.2.1 数据来源 |
| 3.2.2 数据标注 |
| 3.2.3 数据集划分 |
| 3.2.4 数据增强 |
| 3.3 实验过程 |
| 3.3.1 实验环境 |
| 3.3.2 模型建立 |
| 3.4 实验结果与对比分析 |
| 3.5 本章小结 |
| 4 岩石识别模型压缩研究 |
| 4.1 压缩方法设计 |
| 4.1.1 基于深度可分离卷积的压缩方法 |
| 4.1.2 基于网络剪枝和模型量化的压缩方法 |
| 4.2 实验过程 |
| 4.2.1 实验环境 |
| 4.2.2 模型建立 |
| 4.3 实验结果与对比分析 |
| 4.4 模型移动端部署与对比分析 |
| 4.4.1 模型部署 |
| 4.4.2 模型推理与对比分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
四、高精度双权值突触神经元计算机通过验收（论文参考文献）
- [1]电力物联网建设成效预测及评价模型研究[D]. 张建. 华北电力大学(北京), 2021
- [2]基于BP神经网络的城市轨道交通工程造价估算研究[D]. 田方友. 新疆大学, 2021
- [3]基于深度学习的地铁站建筑空间智能辅助设计研究[D]. 安江. 北京交通大学, 2021
- [4]青椒集雨调亏滴灌智能需水感知与节水灌溉决策研究[D]. 刘婧然. 河北工程大学, 2021(08)
- [5]基于神经网络算法的夏热冬冷地区公共建筑能耗前期预测研究[D]. 王宇阳. 安徽建筑大学, 2021(08)
- [6]基于随机网格的平面磨具设计与性能研究[D]. 石兴泰. 长安大学, 2021
- [7]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [8]基于无人机巡检图像的气体绝缘金属封闭开关设备表盘读数识别系统设计与实现[D]. 张仕宇. 东南大学, 2020
- [9]面向自动驾驶的多传感器三维环境感知系统关键技术研究[D]. 王佳荣. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [10]基于深度学习的岩石图像识别[D]. 李燕. 北京林业大学, 2020(02)