一、实对称矩阵的一种新表示(论文文献综述)
王亦坚[1](2019)在《基于表示学习的SAR图像目标识别研究》文中进行了进一步梳理合成孔径雷达(Synthetic Aperture Radar,SAR)作为微波遥感的代表,基于其高分辨率成像的特性,已成为我国对地观测系统不可或缺的一部分。与可见光、红外等遥感手段相比,SAR工作不受光照和天气情况的影响,具备全天时、全天候的工作特点,并且具有一定的穿透能力。SAR目标识别技术在军事和民用领域有着广泛的应用,受到世界各国学者的关注。现有基于稀疏表示、协同表示等表示学习的SAR目标识别方法存在泛化性能弱、鲁棒性不够、在配置识别方面性能欠佳等问题。针对上述这些问题,开展研究,主要完成的工作如下:(1)针对现有稀疏表示SAR目标识别算法的典型问题——泛化性能不足、字典中存在大量冗余信息和干扰信息,提出了基于两级多任务表示学习的SAR图像目标识别算法。该算法首先提取SAR目标的三类特征,将单一特征下的识别看作一个分类任务,从而将多特征识别建模为多任务学习。该算法分为两级多任务学习。第一级在分析SAR目标特性的基础上,采用多任务稀疏学习得到全局字典中对当前测试样本的局部原子集,将该局部原子集作为第二级多任务学习的字典。第二级采用多任务协同学习。该算法的优点是:通过多任务学习集成了多特征对目标识别的鉴别能力,从而提高了算法的鲁棒性和泛化能力;同时由于采用两级多任务学习模式排除了大量无关字典原子的干扰,从而提高了识别精度。采用公开发布的SAR数据库开展了目标识别实验,实验结果表明该算法比现有的稀疏表示SAR目标识别算法具有更高的识别精度和更好的鲁棒性。(2)针对现有SAR目标识别算法对配置识别的精度较低,且没有充分挖掘SAR目标图像数据的低维结构等问题,本文提出了基于多特征低秩表示融合的SAR目标配置识别算法。该算法首先提取SAR目标的三类特征。然后,基于类-类块对角结构化的低秩表示模型,建立每一类特征下的低秩表示。继而,对三类特征低秩表示的结果进行融合。该融合结合了局部方位融合和Bayesian融合两种机制,能进一步提高了不同目标配置之间的鉴别能力。基于公开发布的SAR数据库中的不同配置目标数据开展了配置识别实验,实验结果表明该算法获得了较理想的配置识别精度,优于现有算法。
郑风云[2](2016)在《排气系统冷端动态特性分析》文中进行了进一步梳理汽车排气系统受到各个连接部件的激励作用,同时又影响各部件的振动,其动态性能受到越来越广泛的关注,研究其动态特性对提高整车NVH特性具有重要意义。论文结合工程实际对象,应用有限元和动力学软件从排气系统挂钩位置优化、柔性连接件匹配以及运动包络面分析三个方面入手研究排气系统的动态性能,并进行优化。首先对排气系统挂钩位置进行优化。将客户提供的排气系统三维数模进行处理,建立合理的结构有限元模型,对其进行自由数值模态和试验模态分析,以对比验证模型的合理性。之后应用传统的平均驱动自由度位移法和改进方法分别确定挂钩潜在点位置,并用挂钩传递力验证,在此基础上考虑空间布置,系统强度以及工艺要求确定了挂钩实际位置,减小了排气系统的振动,避免了与发动机和车架发生共振。其次匹配了排气系统柔性连接件。建立了柔性连接件波纹管的有限元模型,分析了其轴向刚度和弯曲刚度,然后研究了其与波纹管长度、传递率的关系。结果表明两个方向的刚度为常数,长度越长刚度越小,并且为非线性关系,长度越长传递率越小,并受结构频率影响。综合考虑空间布置和参考价位最终确定了波纹管的长度为18个波峰(2个预波和16个主波)。最后分析了排气系统的运动包络。输出完整的有限元模型模态中性文件,建立排气系统动力学模型,使用静平衡校核法验证模型合理性,分析排气系统运动特性,得到了运动包络面。将运动包络面与汽车地板边界条件比较,发现P1点的最小间距为18.94 mm、P2点的最小间距为33.80 mm,P3点的最小间距为23.91 mm,P4点的最小间距为18.46 mm,而P1、P3、P4点不满足最小间距30 mm的要求,因此,对地板进行了调整,使间距满足要求。本文通过这三个方面分析优化后,得到的排气系统动态性能基本满足企业要求,该方法和流程对排气系统的设计研究具有参考价值。
阚超[3](2014)在《基于Moreau包络函数的复合优化增广拉格朗日对偶及算法》文中研究说明增广拉格朗日方法是处理最优化问题的一种重要方法,在理论研究和数值计算方面表现出的良好的性质使其在多个领域得到广泛应用.本文以复合优化问题为研究对象,通过建立增广拉格朗日对偶理论,得到增广拉格朗日乘子存在的一阶、二阶条件.特别地,将所得的部分结果应用于集合包含约束优化问题和本征值复合优化问题,得到了相应的二阶条件.在二阶充分条件假设下,进一步讨论了集合包含约束优化问题的一种非精确增广拉格朗日算法,证明了算法的局部收敛性及收敛速度.利用Moreau包络函数去表示增广拉格朗日函数是本文的特点之一.因此,文章最后研究了推广到Bregman距离意义下的Moreau包络函数的基本性质及应用.本文的主要内容概括如下:1.给出了复合优化问题的增广拉格朗日对偶,得到了相应的对偶定理,阐述了增广拉格朗日乘子的存在性与对偶间隙为零的关系,并将原问题与对偶问题的最优解刻画成增广拉格朗日函数的鞍点.2.基于Moreau包络函数,得到了增广拉格朗日函数的一种新表示方法,并以此刻画了标准拉格朗日乘子集合,得出增广拉格朗日乘子与标准拉格朗日乘子之间的关系.利用增广拉格朗日函数的新表达形式及其二阶上图导数,给出了增广拉格朗日乘子存在的二阶条件.将部分结果应用于集合包含约束优化问题和本征值复合优化问题,得到了具体问题下的二阶条件.讨论了增广拉格朗日乘子发生扰动时,最优解集合的稳定性.3.给出了带有集合包含约束的优化问题的增广拉格朗日乘子法,得到了一个有关广义方程解集合的误差界定理.在二阶充分条件假设下,研究了算法的局部收敛性以及收敛速度.4.用Bregman距离代替Moreau包络函数中的度量距离,得到了推广的包络函数.在非凸的情况下,讨论包络函数的连续性,可微性,Clarke正则性,以及相应的渐近映射的上半连续性和单值性.
李莹[4](2013)在《基于线性空间性质角度下广义逆的新结构及应用》文中研究指明目前广义逆不论在现代工程技术,还是在计算机技术等许多领域中都是一个不可缺少的工具。随着目前科学技术的不断深入和改进,广义逆的研究也在不断发展,其应用的范围也在不断扩大。本文作者打破了传统的矩阵角度下研究的思路,把广义逆作为映射空间中的逆算子来看待。从广义逆在空间映射下的性质出发,对广义逆进行了具体的论述和全新的构造,同时得出了广义逆的一些新推论,现将本文的主要成果罗列如下:1,作者从代数的角度下系统研究了A{1}和A{2}的线性空间性质,同时解释了它们在线性空间意义上的本质区别,对它们原来的性质也给出了一些新的证明。然后在基于A{1}和A{2}的基础上研究了A{1,2}在空间映射上的几何特性。2,在A{2}的基础上研究了A{2,3}和A{2,4}在空间映射上的结构和性质,给出了它们在零空间和值域上的新推论,证明了它们同样具有自己优良的性质,这在广义逆理论研究方面有着非常重要的意义。3,在A{1}和A{1,2)的空间映射性质基础上得到了它们的新推论,结合新推论作者给出了它们一种新结构的理论,应用新结构的理论得到了它们相应的计算公式。比较以前的各种计算方法来说减少了计算量,也降低了操作难度。
周浩宇[5](2012)在《基于生物视觉模型的图形图像处理方法》文中指出探索生物视觉系统的工作原理,建立相应的机器视觉系统,并将其应用于图形图像处理中是当前人工智能、计算机视觉、计算机图形学和数字图像处理领域的前沿课题。人类及哺乳动物的视觉系统对信号的处理机制精确而复杂,能实时而充分地感知外界环境,进而迅速做出判断,从多项指标进行衡量,均好于目前绝大多数的机器视觉系统。因此,借鉴视觉神经科学关于视觉神经系统的生理结构及信息处理过程的研究成果,构建及改进相应的机器视觉模型,并将其应用于计算机图形图像处理中具有非常重要的科学意义与应用价值。脉冲耦合神经网络是参照猫的大脑皮层视觉区神经元同步脉冲发放特性所建立的一种生物视觉模型。该模型作为一种新型的图像处理工具,具有以空间邻近和亮度相似集群的特点,已广泛应用于数字图像处理的各个领域,如图像滤波、图像分割、图像融合、图像边缘和目标检测、图像特征提取等。本文在分析与总结国内外相关研究工作的基础上,一方面将该模型从图像处理领域扩展应用到图形处理领域中——点云去噪,网格去噪及拼接,另一方面则在已有的研究基础上,更加深入探讨该模型在彩色图像去噪、彩色图像分割、彩色图像融合这三个图像处理问题上的应用。本文主要研究内容和取得的成果包括:首先,本文提出一种基于脉冲耦合神经网络的点云曲面去噪方法。该方法主要分为两步:噪声点定位与噪声点滤波。首先针对点云曲面构建一个脉冲耦合神经网络,各个神经元的外部刺激值由邻近点的几何位置差异与法向差异构成,利用神经元输出的点火捕获特性,实现对噪声点的定位;再针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变。实验结果表明,该方法在有效去除噪声点的同时,能同时保持模型的几何特征。其次,本文提出一种基于脉冲耦合神经网络的三维网格去噪,融合及拼接方法。该方法结合脉冲耦合神经网络及双边滤波算法实现对三维网格的去噪,通过融合重叠区域的顶点以及带边约束的基于点邻域平坦度的网格重构算法,实现了大交叠区域的三角网格的拼接,避免了因删除重叠区域的顶点而需要的补洞操作以及裁剪而产生的细碎三角形。首先,基于有向包围盒的思想,对网格的重叠区域进行快速定位:然后针对重叠区域的网格顶点,利用移动最小二乘的方法进行融合,避免了由于配准不精确而产生的噪声;再利用带边约束的基于点邻域平坦度的网格重构算法,对剩下的重叠区域的顶点进行三角化;最后通过合并网格中的共同边界边实现网格的拼接。实验结果表明,该方法能实现对存在大交叠区域的三角网格快速而有效的拼接。然后,本文提出一种基于脉冲耦合神经网络的彩色图像椒盐噪声滤波方法。该方法首先对彩色图像进行基于直方图方差的增强处理,然后利用脉冲耦合神经网络定位噪声点,最后利用类似于矢量中值滤波法的规则移除噪声点。实验结果表明,该方法在去除椒盐噪声的同时,能较好地保护图像细节与边缘信息。接下来,本文提出一种基于脉冲耦合神经网络的彩色图像分割方法。该方法首先利用香农熵对彩色图像进行增强处理,然后利用脉冲耦合神经网络对增强后的图像进行循环点火操作,利用最大方差自动确定脉冲耦合神经网络的迭代次数,再利用香农熵从各次迭代所产生的分割图像中选出最优方案输出。实验结果表明,该方法能较好地实现对彩色图像的分割。最后,本文提出一种基于脉冲耦合神经网络的彩色图像融合方法。该方法首先对彩色图像进行基于直方图加权方差的增强处理,然后将脉冲耦合神经网络作为对比度金字塔各分解层的融合算子,实现图像的融合。将该方法应用于多聚焦图像及多曝光图像的融合实验中,实验结果表明,该方法能较好地完成彩色图像融合的任务。
郝衎[6](2012)在《基于半监督相关反馈的图像检索方法》文中指出随着计算机科学技术的迅速发展以及互联网的普及应用,每天生活中都产生了大量的多媒体数据,这些数据大多数是以图片、视频等形式呈现的。面对如此庞大的且快速增长的多媒体数据,如何实现快速的检索并且提高检索的准确率,已成为多媒体检索领域中的重要课题。本文在前人工作的基础上,针对多媒体检索领域中的图像检索技术所面临的主要问题,进行了深入的研究。在本文中,我们首先给出了基于图像感兴区域的检索方法,并在此基础上提出了一种基于半监督相关反馈的检索方法。基于图像感兴区域的检索方法是一种基于内容的检索方法,是通过提取图像感兴区域的底层特征进行检索的;基于半监督相关反馈的图像检索方法是一种交互式的检索方法,即在初始检索结果的基础上,根据用户的相关判断,利用半监督学习中的协同训练的思想给出了本文的相关反馈算法,在反馈过程中充分利用未标记图像进行检索的方法。结合这两种方法,可以有效地提升图像检索的性能。本文主要的研究工作如下:1)对目前图像检索的国内外研究现状和关键技术进行了概述,主要包括图像底层特征(颜色特征、纹理特征和形状特征)的提取技术,相似性度量方法以及图像检索性能的评价方法。2)详细地研究了图像检索技术,提出了一种基于图像感兴区域的检索方法。该方法利用Harris角点检测器来检测图像的兴趣点,然后利用提取平面点集的凸包方法给出图像兴趣点的凸包,此时图像的感兴区域即是凸包所包含的区域,最后提取感兴区域的颜色特征和纹理特征作为特征向量进行检索。通过实验对比与分析,利用该方法明显地提升了检索的性能。3)研究了相关反馈技术,并且对机器学习中的半监督学习进行了研究,利用协同学习的思想给出了本文的算法思想以及算法描述,给出了基于半监督相关反馈的图像检索方法。在利用大量未标记图像的情况下,有效地提高了图像检的准确率,满足了用户的需要。本文实验是在Windows Xp环境下,利用Matlab7.0软件设计图形用户界面,对Corle图像库中10类共计1000幅图像进行检索。实验结果表明,本文所提出的基于图像感兴区域检索方法和基于半监督相关反馈的检索方法,具有良好的检索性能。
黄颖[7](2012)在《基于图理论的图像处理与物体识别算法的研究》文中研究表明因为图像获取可能丢失部分信息,图像底层处理算法无法得到明确的物体的区域,物体的特征描述和物体的表达无法清晰的界定各种环境中的同一物体,物体识别仍旧是计算机视觉系统的一个难题。因此针对物体识别进行研究的开展有重要的理论意义和实践意义。本文针对物体识别的多个阶段进行了研究,从物体的获取,图像底层处理到物体识别分别提出和改进了一些基于图理论的算法,对于提高最终的物体识别能力起到了积极的作用。在多聚焦图像融合方面,提出了基于代数多重网格的自适应分块的图像融合算法。因为通过代数多重网格方法提取出来的粗网格能在一定程度上提取图像的细节信息,因此可以根据粗网格的数据重建原始图像。实验证明该方法有较好的重建效果。本文从理论上进行了一些分析,也进一步验证了利用代数多重网格方法提取图的强连接子图的有效性。将粗网格重建效果和原始图像的均方差分析发现,当图像结构较为清晰时,重建效果和原始图像的均方差较大,而当图像结构较为模糊时,重建效果和原始图像的均方差较小,因此使用该特性来指导多聚焦图像的融合。融合结果表明,该方法能得到较好的融合结果。通过一些主观和客观的比较,可以验证本算法的优越性。针对图像的底层处理,提出了基于K均值的中值滤波算法和基于递归的K均值的中值滤波算法。这一方法可以解决标准中值滤波算法的一些错误的结果,同时从另一方面对耗时较多的K均值方法进行了优化,大大减少了处理时间。针对基于特征值求解图分类的方法中,利用代数多重网格和图分类方法之间的联系,提出了一种利用拉普拉斯矩阵的特征值建立代数多重网格中粗网格的方法,并从理论上分析和从实践上证明了特征值选取的原则和有效性,其结果符合粗网格选取的两个基本原则。针对基于能量函数的图分类方法,对能量函数进行了研究,建立了等效于区域生长和K均值等方法的等效能量函数。对于具体的图像分割问题,提出了多种结合图分类方法的特征,如小波算子,分数阶微分算子和代数多重网格算子。这些算子对于某类型的图片能够得到更为精细的结构和纹理特征。本文还将图分类方法和OTSU方法结合来进行处理,能够提取更为准确的轮廓特征。使用代数多重网格中提取的粗网格重建的结果进行特征表达,可以有效地提高特征的对比度,提高物体识别的能力。从人脸识别到多组物体识别,分别进行了一些实践研究。结果证明根据粗网格提取的特征能显着提高特征的对比度和物体识别率。在对单种物体的物体识别中,通过支持向量机方法学习和训练,结合适当的图像特征和图像描述方法能够得到很好的识别结果。在针对多组物体识别中,提出了一种结合区域分割和图理论的“词袋”表达方式和基于能量函数的求解方法。
钱盼盼[8](2011)在《蛋白质序列新的表示方法》文中进行了进一步梳理虽然目前生物信息学研究的核心内容是基因组学,但对蛋白质组学的研究也是生物信息学所从事的一项非常重要的工作。一方面,基因作为重要的生命信息,它需要通过表达将信息转移到蛋白质上,蛋白质才是生命活动的主要承担者;另一方面,基因组学虽然在基因活性和疾病的相关性方面为人类提供了有力的根据,但实际上大部分疾病并不是由基因改变所引发的,而蛋白质组的研究不仅能为科学家们发现生命活动的规律提供物质基础,也能为他们发现众多疾病的发病机理以及攻克这些疾病提供理论根据和解决途径。所以,随着人类基因组计划的逐步完成,科学家们又进一步提出了后基因组计划,而对蛋白质组的研究是其中一个非常重要的内容。尽管人类基因组计划已勾画出了人体的蓝图,然而,要想全面了解复杂的人体,还需要进一步深入认识基因组所产生的全部蛋白质。蛋白质组学在生物信息学研究中的最主要任务是分析和预测蛋白质的结构,并将结构知识应用于生物学、医学、药学等生命科学领域。蛋白质的序列与蛋白质的结构之间存在着一种对应关系,这是目前进行蛋白质结构预测的一种前提性假设。基于这一前提,研究人员将通过分析比较蛋白质序列,计算序列之间的“进化距离”,从而判别蛋白质序列间的远近关系,最终找到同源蛋白质。又由于同源的蛋白质具有相似的空间结构,因此我们可以利用已知蛋白质的空间结构来推测未知蛋白质的空间结构。然而蛋白质序列的比较比DNA序列的比较更加复杂。其中一个原因是,DNA序列仅由4种碱基组成,而蛋白质序列则由20种氨基酸组成;另外,蛋白质序列不仅组成元素多,而且组成元素之间的关系比较复杂。因此,对蛋白质序列相似性关系的评价将会更加困难,而解决这一问题的关键是找到一种有效的方法来表示蛋白质序列,建立关于蛋白质序列的数学模型,用数学的方法来解决生物问题。本文的内容可以分为两个部分:在第一部分我们将提出一种新的表示蛋白质序列的方法并且验证这种方法的有效性;在第二部分我们把这种表示方法应用到对禽流感序列的分析以及对凋亡蛋白亚细胞位置的预测这两大研究课题中,并且分别将得到的结果与用以往的分析方法得到的结果进行对比,从而得出本论文中提出的蛋白质序列新的表示方法是一种非常有效的方法这一结论。我们将用四章的篇幅阐述文章的内容。本论文的主要研究工作及创新点如下:在第一章中我们简单介绍了生物信息学的概况及发展前景,并且说明了分析蛋白质序列作为这一学科的研究内容之一的研究意义。在第二章中我们首先给出了一种新的方法来表示蛋白质序列,其次对于这种新的表示方法我们做了两组实验来验证这种方法的有效性,并且得到了非常理想的结果。在第三章中,作为应用,我们首先用上述蛋白质序列的表示方法对123种H5N1的蛋白质序列进行相似性分析并且将得到的结果与用以前的分析方法得到的结果进行比较,得出了与之前的研究相似的结论。接下来我们又用蛋白质序列新的表示方法来预测凋亡蛋白的亚细胞位置,也得到了不错的预测结果。这充分体现了新方法的应用价值。在第四章中,我们提出了本论文的不足之处并且给出了总结和展望。
匡德胜[9](2011)在《非奇异H-矩阵的判定以及矩阵特征值的估计》文中研究指明非奇异H -矩阵作为一种特殊矩阵在计算数学、数学物理、控制论、经济数学、矩阵论、神经网络大系统、线性时滞系统的稳定性研究等众多领域中有着广泛的应用,但是实际判定一个矩阵是不是非奇异H -矩阵是十分困难的,本学位论文给出了几个非奇异H -矩阵的新的实用判定条件,扩大了非奇异H -矩阵判定的范围,并用数值算例说明了文中结果判定范围的更广泛性。矩阵特征值的估计一直是矩阵分析领域非常热门的课题,他们在许多应用领域起着重要的作用。众所周知特征值的定位与分布就是在复平面上给出的矩阵特征值的大小,也就是在所属区域给出一个范围。在自然科学的许多分支中,并不需要精确计算出矩阵的特征值,只需要给出一个大体的分布范围。本学位论文从一些方面对上述两个点进行了分析,其中主要内容和创新点包括:1.借助于构造一个正对角矩阵,把传统的代数不等式应用到该正对角矩阵的构造中,从而给出判定法则。2.利用圆盘定理的相关理论,给出矩阵特征值的估计,从而解决了矩阵特征值的估计问题,得到了一些更好的结果。3.为了增加说服力,在举例说明所得到的结果的有效性和先进性时,所用矩阵具有普遍性和一般性。4.所获得的结果预先不具有对角占优性且非对角占优行达到n-1行,适用于广泛的矩阵类。
谭光华[10](2009)在《三维几何模型的形状编辑技术研究》文中提出随着三维扫描设备的发展,点云以及网格模型的获取越来越简单,针对点云以及网格模型进行形状编辑,在计算机动画、游戏以及影视特效的制作中扮演着越来越重要的角色,逐渐成为计算机图形学中的一项重要研究课题。前人虽然对网格的形状编辑技术研究很多,如微分域上特征保持的网格变形技术,多分辨率网格变形技术,但这类方法为满足用户需求,通常需要建模者具有一定的三维建模经验以及艺术修养。另一方面,点云曲面模型,相对于网格模型,具有数据结构简单,无需维护全局一致的拓扑关系的优点,尤其是点云曲面固有的任意复杂形态的表达能力,使得点云曲面成为与三角网格相辅相成的又一曲面表达形式。而目前针对点云曲面的变形编辑的研究工作相对而言比较少,尤其是在变形编辑的易用性以及重用性方面。本文针对上述存在的主要问题,对于网格模型的变形编辑,给出了一种二维图像驱动的三维网格风格化变形方法,该方法可以利用二维手绘或是二维照片来产生三维网格变形,使得变形后的网格具有与二维图像相似的风格。由于二维手绘更适合于初级用户的交互习惯,降低了三维变形编辑对于用户的建模经验要求,另一方面,二维照片的使用则降低了变形编辑对于用户艺术修养的要求,初级用户也可编辑出栩栩如生的变形效果。对于点云曲面的变形编辑,则主要围绕关键帧动画中变形编辑的需求,在特征保持的点云曲面的自由变形,关键帧之间的形状插值以及点云曲面的变形传输方面进行了探讨,给出了一系列的算法与实现,并通过算法实例证明了算法的可行性与有效性。本文的主要研究内容和创新点在于:●提出了一种特征保持的大规模点云曲面的自由变形方法。该方法结合了传统的自由变形比较快速的优点以及微分网格变形技术中特征保持的优点,从而在提高变形效率的同时,能够较好的保持点云曲面的局部几何细节。首先基于OBBTree的思想以及有向包围盒的相交测试,构建点云曲面的代理模型,而后通过代理模型驱动原始模型的变形。由于约束了代理模型的每个顶点的仿射变换尽量为刚性变换,点云曲面的局部几何细节能够得到较好的保持。针对传统的自由变形中不太直观的缺点,即用户的交互在代理模型上进行,本文方法允许用户直接在点云模型上操作,按照最近邻原则将所操作的顶点射到代理模型上。●给出了点云曲面上顶点变形梯度的定义及其闭合解。不同于传统的定义于三角面片上的变形梯度,点云曲面的顶点变形梯度直接定义于点云曲面的每个顶点,从而无需类似网格的拓扑结构。另外,文章从最小二乘的角度出发,得到了该定义下顶点变形梯度的一个闭合解。●将上述定义的顶点变形梯度应用于点云曲面的形状插值以及变形传输中,很好的解决了其中顶点对应关系的构建以及变形点云曲面的重建问题。形状插值问题中,通过将顶点变形梯度进行矩阵极分解,而后对分解后的旋转分量以及缩放分量分别进行插值,避免了线性插值过程中出现的萎缩现象。变形传输问题中目标点云曲面每个顶点的变形梯度的合成则由矩阵的指数映射(Exponential Mapping)完成,避免了球面线性插值中与插值顺序的相关性,即不同的插值顺序,会得到不同的插值结果。●提出了一种利用二维图像驱动三维网格进行风格化变形的方法。该方法首先将二维图像表示成一个平面网格,并建立三维网格与该平面网格的对应关系。二维图像的风格则利用物体的轮廓线,特征线,物体的局部几何细节以及用户标定的特征四种不同层次上的特征加以描述,每种风格的迁移可表示成一个二次能量的形式,最后三维网格的风格化变形则通过一个整体的二次能量优化实现。用户可以通过调节不同风格能量在整体优化方程中的权重系数来改变最后风格化变形的结果,从而为用户在风格化变形中提供更多的控制。
二、实对称矩阵的一种新表示(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、实对称矩阵的一种新表示(论文提纲范文)
(1)基于表示学习的SAR图像目标识别研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 选题背景与意义 |
1.2 SAR自动目标识别的国内外研究现状 |
1.2.1 SAR图像特征提取 |
1.2.2 SAR目标识别算法 |
1.3 表示学习理论在SAR自动目标识别中的应用 |
1.4 SAR图像目标识别流程 |
1.5 本文研究内容及章节安排 |
1.5.1 本文研究内容 |
1.5.2 本文的章节安排 |
2 SAR成像原理及特征提取 |
2.1 SAR成像原理及实验数据介绍 |
2.1.1 SAR成像原理 |
2.1.2 实验数据介绍 |
2.2 SAR目标图像的特征提取 |
2.2.1 SAR图像的PCA特征提取 |
2.2.2 SAR图像的小波变换特征提取 |
2.2.3 SAR图像的Gabor变换特征提取 |
2.2.4 SAR图像的二维切片Zernike矩特征提取 |
2.3 本章小结 |
3 基于两级多任务表示学习的SAR图像目标识别 |
3.1 稀疏表示模型及求解方法 |
3.1.1 稀疏表示理论模型 |
3.1.2 稀疏表示模型的求解 |
3.1.3 稀疏表示的识别规则 |
3.2 协同表示模型及求解方法 |
3.3 两级多任务表示学习 |
3.3.1 第一级:l_(2,1)范数正则化的多任务稀疏表示学习 |
3.3.2 第二级:多任务协同表示学习 |
3.4 SAR目标自动识别实验与分析 |
3.4.1 实验数据集 |
3.4.2 实验过程总述 |
3.4.3 三类目标识别实验与分析 |
3.4.4 噪声干扰下的目标识别实验与分析 |
3.4.5 俯仰角变化下的目标识别实验与分析 |
3.5 本章小结 |
4 基于多特征低秩表示融合的SAR图像目标配置识别 |
4.1 秩极小化思想的引入和低秩表示模型 |
4.1.1 秩极小化思想的引入 |
4.1.2 低秩表示的理论模型 |
4.2 基于多特征低秩表示融合的SAR目标配置识别 |
4.2.1 SAR图像的低秩表示模型及求解 |
4.2.2 基于低秩表示系数的目标识别 |
4.2.3 两级决策融合 |
4.3 SAR目标自动识别实验与分析 |
4.3.1 实验数据集 |
4.3.2 实验过程总述 |
4.3.3 七类配置识别实验与分析 |
4.3.4 俯仰角变化下的目标识别实验与分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 本文总结 |
5.2 本文展望 |
参考文献 |
附录 |
A.作者在攻读学位期间发表的论文目录 |
B.作者在攻读学位期间申请的发明专利目录 |
C.学位论文数据集 |
致谢 |
(2)排气系统冷端动态特性分析(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内外研究现状 |
1.2.2 国外研究现状 |
1.3 本文研究的主要内容及技术路线 |
1.3.1 主要内容 |
1.3.2 技术路线 |
2 排气系统有限元模型 |
2.1 波纹管建模 |
2.2 消声器建模 |
2.3 法兰建模 |
2.4 吊挂及管道建模 |
2.5 本章小结 |
3 排气系统有限元模型合理性验证 |
3.1 模态分析相关理论 |
3.2 排气系统计算模态分析 |
3.3 排气系统试验模态分析 |
3.4 排气系统有限元模型合理性分析 |
3.5 本章小结 |
4 排气系统悬挂点位置的确定方法改进 |
4.1 平均驱动自由度位移相关理论 |
4.2 悬挂点位置确定的传统方法 |
4.3 悬挂点位置确定的改进方法 |
4.4 两种方法应用对比分析 |
4.5 考虑其它因素完全确定挂钩位置 |
4.6 本章小结 |
5 排气系统柔性连接件的匹配 |
5.1 柔性连接件的简析 |
5.1.1 柔性连接件的用途 |
5.1.2 柔性连接件的性能 |
5.2 柔性连接件的层数选择 |
5.3 柔性连接件的刚度匹配 |
5.3.1 柔性连接件的刚度分析 |
5.3.2 柔性连接件的长度选择 |
5.4 波纹管传递特性分析优化波数 |
5.5 本章小结 |
6 排气系统运动包络分析 |
6.1 柔性体动力学理论 |
6.2 排气系统动力学模型 |
6.2.1 柔性体生成流程 |
6.2.2 激励及边界条件 |
6.2.3 建立排气系统动力学模型 |
6.3 排气系统运动包络计算 |
6.3.1 排气系统静平衡位置校核 |
6.3.2 排气系统包络面计算 |
6.4 排气系统运动干涉分析 |
6.5 本章小结 |
7 总结与展望 |
7.1 本文工作总结 |
7.2 研究不足与展望 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(3)基于Moreau包络函数的复合优化增广拉格朗日对偶及算法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景 |
1.2 课题的研究概况及分析 |
1.3 本文的主要研究内容以及文章结构 |
第2章 预备知识 |
2.1 Moreau包络函数及其渐近映射 |
2.2 标准拉格朗日函数及其乘子 |
2.3 增广拉格朗日对偶 |
2.4 本章小结 |
第3章 增广拉格朗日乘子的存在性 |
3.1 增广拉格朗日乘子与标准拉格朗日乘子的关系 |
3.2 上图导数意义下的二阶条件 |
3.3 集合包含约束优化问题 |
3.3.1 增广拉格朗日乘子存在的二阶条件 |
3.3.2 Polyhedric型约束集合 |
3.4 本征值复合优化问题 |
3.4.1 定义,符号以及初步结果 |
3.4.2 增广拉格朗日乘子存在的二阶条件 |
3.4.3 首项本征值 |
3.5 稳定性分析 |
3.6 本章小结 |
第4章 增广拉格朗日乘子法的收敛性 |
4.1 算法框架 |
4.2 局部收敛性分析 |
4.3 本章小结 |
第5章 Bregman距离意义下的Moreau包络函数 |
5.1 D-Moreau包络函数及其渐近映射的连续性 |
5.2 D-Moreau包络函数的Clarke正则性 |
5.3 D-渐近映射的单值性 |
5.4 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(4)基于线性空间性质角度下广义逆的新结构及应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 广义逆的产生和发展 |
1.2 广义逆的定义 |
1.3 论文的组织 |
1.4 本文所采用的记号的解释 |
第2章 A{1}在线性空间上的新结构及计算应用 |
2.1 A{1}的结构 |
2.2 A{1}的空间映射性质及在此基础上对以前性质的重新证明 |
2.3 A{1}在线性空间中的一种新结构及在计算上的应用 |
第3章 A{1,2}在线性空间上的新结构及计算应用 |
3.1 A{1,2}的结构 |
3.2 A{2}的线性空间性质 |
3.3 A{1,2}的空间映射性质及在此基础上对以前性质的新证明 |
3.4 A{1,2}在线性空间中的一种新结构及在计算上的应用 |
第4章 A{2,3}的空间投影性质及新结构 |
4.1 A{2,3}的结构和性质 |
4.2 A{2,3}在空间映射上的结构及性质 |
第5章 A{2,4}的空间投影性质及新结构 |
5.1 A{2,4}的性质和结构 |
5.2 A{2,4}空间映射上的结构和性质 |
第6章 总结和展望 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(5)基于生物视觉模型的图形图像处理方法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 研究背景 |
1.3 相关应用 |
1.4 研究内容与贡献 |
1.5 论文组织结构 |
第二章 相关研究综述 |
2.1 引言 |
2.2 点云曲面与网格去噪 |
2.2.1 拉普拉斯方法 |
2.2.2 能量最优化方法 |
2.2.3 双边滤波算法 |
2.2.4 移动最小二乘投影方法 |
2.3 网格融合及拼接 |
2.4 图像去噪 |
2.4.1 经典矢量滤波器 |
2.4.2 新型矢量滤波器 |
2.5 图像分割 |
2.5.1 直方图阈值化方法 |
2.5.2 基于边缘检测的方法 |
2.5.3 基于区域的方法 |
2.5.4 特征空间聚类方法 |
2.5.5 人工神经网络 |
2.5.6 模糊技术 |
2.5.7 脉冲耦合神经网络 |
2.6 图像融合 |
2.6.1 非多尺度分解方法 |
2.6.2 多尺度分解方法 |
2.7 脉冲耦合神经网络 |
2.7.1 生物视觉神经系统 |
2.7.2 脉冲耦合神经网络模型 |
2.7.3 脉冲耦合神经网络主要特性 |
2.7.4 脉冲耦合神经网络在Matlab中的程序实现 |
第三章 点云曲面去噪 |
3.1 引言 |
3.2 算法概述 |
3.3 基于PCNN的噪声点定位 |
3.4 基于双边滤波的点云去噪 |
3.4.1 k-邻近点的计算 |
3.4.2 顶点法向的计算 |
3.5 实验结果及分析 |
3.6 本章小结 |
第四章 三维网格去嗓,融合及拼接 |
4.1 引言 |
4.2 算法概述 |
4.3 基于PCNN的网格光顺 |
4.4 重叠区域的检测 |
4.4.1 有向包围盒的构建 |
4.4.2 有向包围盒的相交测试 |
4.5 重叠区域的融合 |
4.5.1 移动最小二乘投影 |
4.6 网格拼接 |
4.6.1 点邻域平坦度的计算 |
4.7 实验结果及分析 |
4.8 本章小结 |
第五章 彩色图像椒盐噪声滤波 |
5.1 引言 |
5.2 算法概述 |
5.3 基于方差的图像增强 |
5.4 基于PCNN的噪声点定位 |
5.5 基于VMF的噪声点移除 |
5.6 图像去噪的评估准则 |
5.7 实验结果及分析 |
5.8 本章小结 |
第六章 彩色图像分割 |
6.1 引言 |
6.2 算法概述 |
6.3 基于香农熵的图像增强 |
6.4 基于PCNN的图像分割方法 |
6.5 基于最大方差比的迭代次数的判定 |
6.6 基于香农熵的分割方案选择 |
6.7 实验结果及分析 |
6.8 本章小结 |
第七章 彩色图像融合 |
7.1 引言 |
7.2 算法概述 |
7.3 颜色空间变换与图像增强 |
7.4 对比度金字塔分解与逆分解 |
7.5 基于PCNN的图像融合规则 |
7.6 生成最终融合图像 |
7.7 图像融合效果的评价方法 |
7.8 实验结果及分析 |
7.9 本章小结 |
第八章 结论与展望 |
8.1 本文工作总结 |
8.2 进一步研究工作展望 |
参考文献 |
致谢 |
攻读博士学位期间主要研究成果 |
(6)基于半监督相关反馈的图像检索方法(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
1 绪论 |
1.1 论文选题背景 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文组织结构 |
2 基于内容的图像检索的概述 |
2.1 图像视觉特征的提取 |
2.1.1 颜色特征的提取 |
2.1.1.1 颜色空间变换 |
2.1.1.2 颜色特征提取 |
2.1.2 纹理特征的提取 |
2.1.2.1 灰度共生矩阵 |
2.1.2.2 Taumra纹理特征 |
2.1.2.3 小波变换 |
2.1.3 形状特征的提取 |
2.1.3.1 基于轮廓的形状描述方法 |
2.1.3.2 基于区域的形状描述方法 |
2.2 相似性度量方法 |
2.2.1 Minkowski距 |
2.2.2 直方图相交距 |
2.2.3 χ~2距 |
2.2.4 二次距 |
2.2.5 余弦距 |
2.3 图像检索性能评价 |
2.3.1 查全率和查准率 |
2.3.2 排序评价法 |
2.3.3 匹配百分数法 |
2.3.4 命中准确率 |
2.4 本章小结 |
3 基于半监督相关反馈的图像检索方法 |
3.1 相关反馈技术 |
3.1.1 相关反馈的交互过程 |
3.1.2 相关反馈算法的分类 |
3.1.2.1 基于距离度量的方法 |
3.1.2.2 基于概率模型的方法 |
3.1.2.3 基于机器学习的方法 |
3.1.3 用户相关反馈的判断方式 |
3.1.4 反馈中用户模式 |
3.2 半监督学习 |
3.3 基于图像感兴区域的检索方法 |
3.3.1 图像感兴区域提取 |
3.3.2 图像感兴区域特征的提取 |
3.3.3 图像的相似性度量 |
3.4 基于半监督相关反馈的图像检索方法 |
3.4.1 基于半监督相关反馈算法设计 |
3.4.2 学习器的设计与实现 |
3.4.3 具体算法的描述 |
3.5 本章小结 |
4 实验结果及分析 |
4.1 实验配置 |
4.2 实验对比 |
4.3 实验结果及分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 本文工作总结 |
5.2 未来展望 |
参考文献 |
攻读硕士学位期间主要的研究成果 |
致谢 |
(7)基于图理论的图像处理与物体识别算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文的研究背景 |
1.2 国内外研究现状及分析 |
1.2.1 问题描述 |
1.2.2 国内外研究现状 |
1.3 论文工作内容 |
1.4 论文组织结构 |
第二章 基于代数多重网格的图像融合算法研究 |
2.1 引言 |
2.2 图像融合算法的研究 |
2.2.1 灰度加权平均融合算法 |
2.2.2 PCA方法 |
2.2.3 Select minimal方法 |
2.2.4 Laplacian方法 |
2.2.5 小波融合方法 |
2.2.6 基于代数多重网格的自适应分块融合算法 |
2.2.7 与其它算法的比较研究 |
2.3 小结 |
第三章 基于图分类方法的图像底层算法的研究 |
3.1 引言 |
3.2 基于K均值方法的中值滤波算法极其递归实现 |
3.2.1 标准的中值滤波算法 |
3.2.2 基于K均值方法的中值滤波算法的实现 |
3.2.3 基于递归K均值中值滤波的图像去噪算法 |
3.3 基于图分类方法的图像分割算法的研究 |
3.3.1 基于图分类方法的的图像分割算法 |
3.3.2 结合OTSU方法的图分类方法的研究 |
3.3.3 结合小波系数方法的图分类方法的研究 |
3.3.4 结合分数阶微分的图分类方法的研究 |
3.3.5 结合代数多重网格的图分类方法的研究 |
3.4 小结 |
第四章 物体识别算法的研究 |
4.1 引言 |
4.2 图像表达 |
4.2.1 图像的特征研究 |
4.2.2 图像距离描述 |
4.2.3 图像的表达 |
4.2.4 基于粗网格的特征表达研究 |
4.2.5 结合区域检测和图理论方法的“词袋”模型的研究 |
4.2.6 图像摘要 |
4.3 物体识别的算法研究 |
4.3.1 单组物体的识别 |
4.3.2 多组物体的识别 |
4.4 小结 |
第五章 总结及未来的工作 |
致谢 |
参考文献 |
攻读博士学位期间取得的研究成果 |
(8)蛋白质序列新的表示方法(论文提纲范文)
目录 |
CONTENTS |
表格目录 |
插图目录 |
中文摘要 |
Abstract |
第一章 绪论 |
1.1 生物信息学的概貌 |
1.1.1 什么是生物信息学 |
1.1.2 生物信息学的研究内容 |
1.1.3 生物信息学的基本研究方法 |
1.2 "分析蛋白质序列"的生物学意义 |
第二章 蛋白质序列新的表示方法 |
2.1 蛋白质组学导论 |
2.2 蛋白质序列的表示方法 |
2.2.1 先前的研究概况 |
2.2.2 构造特征向量 |
2.2.3 不同蛋白质序列间的欧氏距离矩阵 |
2.3 对取自13个不同物种的β-珠蛋白序列的相似性分析 |
2.3.1 数据集 |
2.3.2 对13个β-珠蛋白序列的相似性分析 |
2.4 对26个冠状病毒刺突蛋白质序列的相似性分析 |
2.4.1 数据集 |
2.4.2 对26个冠状病毒刺突蛋白质序列的相似性分析 |
第三章 蛋白质序列新的表示方法的应用 |
3.1 对禽流感病毒的相似性分析 |
3.1.1 禽流感病毒的背景知识简介 |
3.1.2 数据集 |
3.1.3 不同的H5N1病毒的蛋白质序列间的欧氏距离矩阵 |
3.1.4 对H5N1病毒的蛋白质序列的相似性分析 |
3.2 对凋亡蛋白亚细胞位置的预测 |
3.2.1 前言 |
3.2.2 数据集 |
3.2.3 分类算法 |
3.2.4 评估预测结果 |
3.2.5 分析预测结果 |
第四章 总结与展望 |
4.1 总结 |
4.2 展望 |
参考文献 |
致谢 |
攻读硕士研究生期间发表完成的论文 |
学位论文评阅及答辩情况表 |
(9)非奇异H-矩阵的判定以及矩阵特征值的估计(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 非奇异H-矩阵以及矩阵特征值 |
1.2 非奇异H-矩阵判定以及矩阵特征值的估计问题的研究现状 |
1.2.1 非奇异H-矩阵判定问题的研究现状 |
1.2.2 矩阵特征值的估计问题的研究现状 |
1.3 本学位论文研究的目的和主要内容 |
1.3.1 本学位论文研究的目的 |
1.3.2 本学位论文研究的主要内容 |
1.3.3 本学位论文的研究方法、技术路线、创新之处与可行性分析 |
1.4 本章小结 |
2 基本知识 |
2.1 符号约定 |
2.2 一些基本定义和引理 |
2.3 本学位论文的主要工作 |
3 非奇异 H-矩阵的第一类判定 |
3.1 引言 |
3.2 非奇异H-矩阵判定的充分条件 |
3.3 不可约矩阵为非奇异H-矩阵的判定条件 |
3.4 数值算例 |
3.5 本章小结和展望 |
4 非奇异 H-矩阵的第二类判定 |
4.1 引言 |
4.2 非奇异H-矩阵判定的充分条件 |
4.3 不可约矩阵为非奇异H-矩阵的判定条件 |
4.4 数值算例 |
4.5 本章小结和展望 |
5 矩阵特征值的估计 |
5.1 引言 |
5.2 矩阵特征值的分布 |
5.3 数值算例 |
5.4 本章小结和展望 |
6 结论综述 |
致谢 |
参考文献 |
附录 |
A. 攻读学位期间发表的论文目录 |
B. 攻读学位期间的科研项目 |
(10)三维几何模型的形状编辑技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景和意义 |
1.2 相关研究 |
1.2.1 点云模型的表示与绘制 |
1.2.2 点云模型的变形编辑 |
1.2.3 网格模型的变形编辑 |
1.3 本文研究内容与主要贡献 |
1.4 本文章节组织 |
第2章 特征保持的大规模点云曲面自由变形 |
2.1 引言 |
2.2 研究背景 |
2.3 点云曲面变形的整体框架 |
2.4 ObbGraph的构建 |
2.4.1 ObbGraph的构建算法 |
2.4.2 OBBTree中叶子节点的相交检测 |
2.4.3 特殊情况讨论 |
2.5 点云曲面自由变形 |
2.5.1 ObbGraph的变形 |
2.5.2 原始点云曲面的变形 |
2.6 数值求解方法 |
2.6.1 Gaussian-Newton迭代法与Levenberg-Marquardt方法 |
2.6.2 Jacobian矩阵的计算 |
2.7 实验结果和讨论 |
2.8 本章小结 |
第3章 点云曲面的形状插值 |
3.1 引言 |
3.2 研究背景 |
3.3 形状插值的算法框架 |
3.4 顶点变形梯度 |
3.4.1 顶点变形梯度的定义 |
3.4.2 顶点变形梯度的计算 |
3.5 对应关系的构建 |
3.5.1 初始参考点云的构建 |
3.6 移动最小二乘投影 |
3.7 中间模型插值重构 |
3.7.1 顶点变形梯度的插值 |
3.7.2 中间模型的重构 |
3.8 实验结果 |
3.9 本章小结 |
第4章 点云曲面的变形传输 |
4.1 引言 |
4.2 研究背景 |
4.3 变形传输的整体框架 |
4.4 点云曲面的变形传输 |
4.4.1 源点云变形信息的提取 |
4.4.2 对应关系的构建 |
4.4.3 变形传输 |
4.4.4 点云曲面的局部重采样 |
4.5 试验结果 |
4.6 本章小结 |
第5章 图象驱动的网格风格化形状变形 |
5.1 引言 |
5.2 研究背景 |
5.3 网格风格化变形的主要思想 |
5.4 网格风格化变形的算法描述 |
5.4.1 形状风格的生成 |
5.4.2 形状风格的二次能量表示 |
5.4.3 迭代优化求解 |
5.5 具体实现细节 |
5.5.1 遮挡问题的处理 |
5.5.2 纹理映射 |
5.6 试验结果 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 论文工作总结 |
6.2 未来工作展望 |
参考文献 |
攻读博士学位期间主要的研究成果 |
作者简历 |
四、实对称矩阵的一种新表示(论文参考文献)
- [1]基于表示学习的SAR图像目标识别研究[D]. 王亦坚. 重庆大学, 2019(01)
- [2]排气系统冷端动态特性分析[D]. 郑风云. 重庆理工大学, 2016(05)
- [3]基于Moreau包络函数的复合优化增广拉格朗日对偶及算法[D]. 阚超. 哈尔滨工业大学, 2014(02)
- [4]基于线性空间性质角度下广义逆的新结构及应用[D]. 李莹. 成都理工大学, 2013(05)
- [5]基于生物视觉模型的图形图像处理方法[D]. 周浩宇. 中南大学, 2012(03)
- [6]基于半监督相关反馈的图像检索方法[D]. 郝衎. 浙江师范大学, 2012(02)
- [7]基于图理论的图像处理与物体识别算法的研究[D]. 黄颖. 电子科技大学, 2012(06)
- [8]蛋白质序列新的表示方法[D]. 钱盼盼. 山东大学, 2011(04)
- [9]非奇异H-矩阵的判定以及矩阵特征值的估计[D]. 匡德胜. 重庆大学, 2011(01)
- [10]三维几何模型的形状编辑技术研究[D]. 谭光华. 浙江大学, 2009(03)