一、语义信息处理及神经网模型（论文文献综述）
马少华[1]（2021）在《基于机器视觉的皮带料流检测算法研究与实现》文中研究表明
辛宇[2]（2021）在《平扫CT图像肾脏肿瘤的三维分割深度算法研究》文中提出自动分割出CT图像序列中的肾脏及肿瘤目标可为医生在临床诊断中提供定量的诊断依据,当前基于深度学习的三维分割技术得到了广泛的研究,然而由于CT图像中肾脏及肿瘤目标形状复杂多样,且存在着肿瘤目标小、样本数少等问题,现有的三维分割网络并不能很好的分割出肿瘤等小目标,如何准确分割出肾脏肿瘤仍是一个富有挑战性的问题。同时当前的三维深度分割网络模型大、参数多、且对计算机硬件要求高,这也给模型在实际部署中带来巨大的挑战。针对以上问题,本文开展平扫CT图像肾脏肿瘤的三维分割和三维网络模型压缩及应用的深入研究,具体工作包括:（1）三维对偶注意力驱动的CT图像肾脏肿瘤级联分割网络:为了应对CT图像肾脏肿瘤三维分割任务中存在的诸多挑战,本文提出了三维对偶注意力驱动的级联分割网络,两级网络均运用多尺度编解码结构,通过对高低分辨率CT图像序列的学习,精细的分割肾脏肿瘤区域,并在网络中部署三维对偶注意力模块,该模块通过对偶通路可以捕获主干通路的互补信息,从而提取完备的关键区域特征信息,有利于更准确定位小尺度的肿瘤目标。实验结果表明该模型能够准确的分割出CT图像中的肾脏肿瘤,且分割指标优于其他三维分割网络。（2）三维分割网络“软滤波器级”的模型剪枝:为了提升三维分割网络的计算效率,解决三维分割模型复杂庞大造成的难以实际部署等问题,本文进一步构建了面向三维分割网络的“软滤波器级”的模型剪枝方法,将“软剪枝”方法进一步拓展到了三维分割网络上,该方法以2L范数为剪枝标准,进一步设置相应的剪枝率iP,采取了边训练边剪枝的策略,关键之处在于该方法将剪枝后的滤波器在下一周期训练中继续更新参数,使得网络模型可以学习到更多信息。实验结果表明该方法可以在维持当前三维网络分割精度的情况下,有效的消除了三维网络模型中冗余的参数,降低网络结构的复杂度,实现对三维网络模型的压缩和加速。（3）CT医学影像三维分割软件:利用剪枝后的轻量化网络,进一步开发了针对肾脏肿瘤等CT医学图像三维分割任务的网络模型训练和样本测试评估的一体化软件,并且该软件可以对患者的CT数据进行批量化评估,提高了医生在临床诊断的效率,实现了深度学习三维分割模型在实际应用场景中的部署。
蔡游游[3]（2021）在《基于RNN-LSTM网络的车辆轨迹预测研究》文中认为随着汽车保有量的增加,交通拥堵和安全交通成为人们当前亟待解决的问题之一。为缓解当前交通堵塞情况和提高行驶安全性,人们开始将视野投向车辆智能驾驶。车辆轨迹预测是车辆实现智能驾驶不可或缺的一个部分,预测结果的好坏影响着车辆行驶路线规划的准确性。车辆行驶轨迹预测主要存在两大方向:基于传统方法和基于神经网络模型轨迹预测。虽然基于传统轨迹预测方法早于神经网络的轨迹预测方法,但随着神经网络不断发展,巨大的运算能力和在行人轨迹预测方面的研究取得成功使科研人员尝试将神经网络运用到车辆轨迹预测上。本文在前人研究基础上,利用RNN和LSTM单元体搭建预测模型,进行车辆轨迹预测准确度提升的研究。论文主要内容如下:首先,换道片段划分标定。论文利用对称指数移动平均滤波算法对NGSIM项目中公布的I-80路段原始数据进行预处理,提取车辆轨迹中有效数据。接着,车辆换道片段标定。将行车轨迹与车道线的交点标记为换道点,然后以换道点为基点向前向后各划定2.5秒,构成一个时域长为5秒的片段,称为车辆换道过程,否则为直线片段。根据车辆位置（x,y）来计算汽车航向角,通过航向角数值的正负判断换道类型,为下文模型训练样本序列标定提供依据。其次,进行训练的样本序列提取。通过滑动窗口提取方法,标定训练样本序列。将滑动窗口长度设定为40,按时间步长为0.2秒向后滑动提取训练的轨迹样本序列,其中每条样本序列中包含着40个历史信息采样点和50个预测信息采样点。接着,构建RNN-LSTM神经网络模型。根据基础的LSTM网络进行车辆轨迹预测,模型中仅仅输入目标车辆自身参数,将其得到的结果称为R＿LSTM,将周围环境车辆信息加入到模型中训练得到的结果称为B＿LSTM模型结果。另外,对比双层LSTM网络模型和单层LSTM网络模型预测结果,表明单层LSTM神经网络模型预测结果更好。在前面研究基础上,本文搭建RNN-LSTM网络轨迹预测模型。分析表明RNN-LSTM在长时域上预测准确度上有明显的优势,准确度更高。最后,根据本文构建的RNN-LSTM神经网络模型对具体车辆未来5秒内换道情况预测研究,分析不同预判时间对预测准确性的影响。在左右换道车辆中各自选择一条轨迹,将其按照相应格式放入测试集中。研究发现,在预判时间大于3秒时,正确识别换道轨迹的概率低于50%。当历史序列片段终止点处于换道点前1.5秒时,RNN-LSTM模型预测的准确率能到达80%以上;在换道点前1秒时,模型预测准确率已经超过83%;而在换道点时,模型的预测准确率达到87%以上。另外,本文搭建的RNN-LSTM网络模型能在换道过程外的轨迹上预测出车辆的换道意图。
屈倩倩[4]（2021）在《基于自然语言处理的《伤寒论》研究》文中指出计算机技术与医学领域相融合是近年来的研究热点之一。而中医是中国传统医学文化的传承,中医古籍中蕴含着大量的中医文化知识。利用现代化的手段进行中医古籍的研究,对于促进中医发展以及中医的深入探讨均有重要意义。目前,利用自然语言处理技术对中医医案、病历等中医相关文字材料进行研究已经取得了众多成果,但是专门针对中医古籍的研究相对较少。文章选取《伤寒论》作为研究对象,利用自然语言处理的方法对其进行信息抽取、知识展示等。不仅完成了对《伤寒论》内容的梳理,而且为中医古籍文本向临床结构化数据的转化提供了参考方法。文章的主要研究内容如下:1、按照BIO标注规则对《伤寒论》进行标注,为相关技术在中医文本中的应用研究奠定数据基础。2、通过多种不同的神经网络模型对《伤寒论》中的实体进行识别,从实体类型和模型性能两个方面进行分析,最终得出Bert-Bi LSTM-CRF是《伤寒论》中对实体识别效果最佳模型的结论。相对于其他模型,该模型在词向量的构建过程中,对其语境进行了充分的学习,使得构建完成的词向量语义更加丰富。3、在命名实体识别完成之后,以构建规则的方式对实体之间的关系进行抽取。通过neo4j数据库完成知识图谱的构建,实现了《伤寒论》中知识可视化的目标。使用朴素贝叶斯算法对方剂和症状之间的权值进行计算,并将其以属性的形式插入方剂和症状的关系之中,进一步完善知识图谱的构建。并且以肝病为例,展示知识图谱的实用性。4、对自然语言处理技术在中医研究中的应用场景进行了展望,例如问答系统的构建、辅助教学系统,电子病历结构化等。
王焱章[5]（2020）在《基于时空图卷积网络的手语翻译》文中研究表明手语翻译是一个涉及计算机视觉、自然语言处理和模式识别等多个技术领域的综合性任务,在智能场景识别、手语视频检索等领域有着极为广泛的应用前景,尤其对于聋哑群体参与正常交流有着极其重要的意义。本文研究利用图卷积网络（Graph Convolutional Network,GCN）、人体骨架图数据时空特征提取以及编码-解码网络（Encoder-Decoder Network）的序列化建模输出文本,提出基于时空图卷积网络（ST-GCN）的手语翻译方法。基于卷积神经网络的深度模型方法广泛用于诸如图片识别、视频分析等领域中的欧几里德数据处理。非欧几里德类型的人体骨架关节点数据无法被深度模型直接处理,而通常被转换为欧几里德类型的数据易导致结构信息丢失。本文在人体骨架关节点数据上直接采用时空图卷积网络进行手语动作分类识别。首先,借助姿态估计方法获取骨架关节点的位置信息;在构建骨架关节点图数据之后,采用时空图卷积网络提取时空特征;利用softmax分类器实现对视频中手语动作的分类识别。手语数据集的实验结果表明,本文方法能直接对骨架关节点数据提取时空特征并在手语动作识别任务上取得了较好的结果。手语视频中手语动作由手臂动作和手部动作组成,二者在动作幅度,语义精度等方面存在着显着区别。基于全局特征的方法难以区分二者之间的差异化信息,而这些差异化信息通常在特征表示方面对复杂手语动作识别具有稳健的表达能力。于是,针对人体骨架图数据,提出利用双流时空图卷网络模型,分别对人体躯干和手部进行时空特征提取,以有效捕捉不同身体部件间的差异化运动信息。然后,采用特征聚合方法处理所得序列化特征并利用基于注意力机制（Attention Mechanism）的编码-解码网络对即得序列化特征翻译并输出文本。手语数据集的实验结果表明,本文方法能获取更加稳健的特征表示并有效提升手语翻译任务的准确度。针对图卷积网络中的过平滑问题,本文提出基于残差连接的时空图卷积结构解决手语翻译。嵌入该结构能有效解决时空图卷积在连续堆叠过程中出现的域间信息串扰问题。最后,引入Transformer结构构建基于残差连接时空图卷积的手语翻译模型。公开手语数据集RWTHPHOENIX Weather 2014的实验结果表明,本文基于时空图卷积网络的手语翻译方法行之有效,具有重要的参考价值。
黄煜俊[6]（2020）在《基于深度学习的裁判文书知识图谱构建研究》文中认为面对海量的裁判文书,如何将裁判文书中丰富的、分散的和碎片化的司法知识相互连接起来,给用户提供准确有效的服务,以缓解人民日益增长的需求与有限的优质司法资源之间的矛盾,具有重大意义和应用价值。知识图谱的优势在于其兼具丰富的语义处理能力以及强大的开放组织能力,能将信息中的知识要点、内在联系进行分析和描绘,并运用图形绘制和展示整个复杂的知识领域。因此,本文将司法领域的裁判文书作为数据,研究了基于深度学习的裁判文书知识图谱构建技术,不仅能够从海量的司法案件信息中,协助用户高效整理挖掘出其所需的关键信息,还能够提供所需的相关的拓展信息查询功能,辅助用户做出正确合理的决策。在裁判文书信息抽取阶段,在缺乏公开的司法领域的标注语料的背景下,首要任务即为定义好裁判文书中实体的实体特征、位置特征以及词性特征等。然后在这个基础上,本文研发了Bi＿LSTM-CRF模型对裁判文书进行命名实体识别,首先,裁判文书中的句子通过BIO标注法标注后转化为字符向量作为输入,接着利用Bi＿LSTM神经网络处理向量得到句子特征,最后,CRF用于标记和提取实体,完成命名实体识别;同时,本文还研发了基于依存句法分析神经网络DPNN模型对裁判文书进行实体关系抽取,首要任务即为对裁判文书进行文本预处理,然后利用依存句法分析模块分析句子的各个成分并得到其相互间的依存关系,最后通过抽取三元组模块得到多组结构化的有效的实体关系三元组。实验结果证明,本文研发的Bi＿LSTM-CRF模型和DPNN模型皆具备有效性与可行性。在绘制裁判文书知识图谱阶段,本文将上一阶段得到的多组实体关系三元组全部导入Neo4j图数据库,并通过Neo4j图数据库实现裁判文书知识图谱可视化展示,在此基础上还实现了拓展查询功能,完成裁判文书知识图谱构建任务。经过实验证明,本文提出的裁判文书知识图谱的构建方法,能够从司法领域非结构化的裁判文书中有效获取结构化的信息,得到实体及实体间的关系,实现裁判文书知识图谱的完整构建,为后续的司法信息搜索引擎、智能司法问答、智慧司法辅助决策等方面的应用奠定了重要基础。
王树琪[7]（2020）在《基于概率神经网络的高分辨率影像林地提取方法研究》文中指出对于全球陆地上的生态系统来说,林地在调节地球陆地气候、涵养自然水源等在生态领域各个方面发挥着重要作用。由于林地的重要生态与经济价值,国家才将林地作为是否能够精准的实施可持续发展战略方面在技术和物质层面重要的基础。林地的空间分布信息的高准确度,有助于研究林地对气候变化的调节作用。遥感技术在林地检测方面的应用,为林地生态的监测和林地资源的数据调查和数据管理提供了有力的支持。研究人员通过将传统的遥感预处理技术与先进的计算机图像高级处理技术相结合,实现了信息提取的自动化程度和性能方面的大大的改善和提高。其中一个重要的研究方向,便是借助于神经网络技术的应用。由于在遥感自动化处理技术应用已经实现了在遥感影像分类中推广的应用,根据当前主流的神经网络学习算法,一种逐景训练、逐景分类的遥感分类模式逐渐被普遍采用。但是训练样本的重复选取、模型参数在分类的过程中重复消耗等问题依然存在着。对于一幅覆盖面积大而且气候区域不一致的影像数据来说,如何通过在快速建立的神经网络分类器模型来实现针对大范围研究区内实现更加高精度的林地信息提取,是个有待探索的问题。本文通过选取当前主流的三种常用神经网络分类器算法分别包括深度置信（Deep Belief Network,DBN）神经网络、Radial Basis Function神经网络、卷积神经网络,建立神经网络分类器,通过对上述不同分类器的分类结果进行对比,验证本文提及的概率神经网络分类方法的在面向对象信息提取方面的优越性。首先通过针对当前的影像数据集逐景特征提取,再从每一种土地覆盖类型的研究数据集中分别选取部分典型林地区域内的遥感影像及其特征作为训练样本,对所选取的不同的神经网络学习分类器分别进行了训练;其次将最优模型分别是利用训练的最优神经网络学习分类器实现整个研究区乡镇内林地信息的泛化提取;最后依据第三次全国国土调查的土地分类标准从林地信息提取的效果、提取的效率、配置与时间的要求方面对各个常用神经网络分类器算法的优越性进行了综合分析,发现概率神经网络分类器的分类精度达到90.3%,kappa系数为0.88,其次是卷积神经网络分类器总分类精度达到90.2%;再者Radial BasisFunction神经网络分类器的总分类精度为86.4%;最后只有DBN神经网络总分类精度最低,为79.04%。根据分类结果,概率神经网络的分类精度最高是分类效果最好。
付信帅[8]（2020）在《基于语义的生产线设备故障诊断机制研究》文中提出近年来,随着“中国制造2025”战略的实施,企业为满足发展需求引入了大量的智能生产线设备。由于生产线设备的无故障安全运行关系到企业的经济效益,所以生产线设备的无故障运行越来越受到企业的重视。但是目前企业生产线设备存在故障诊断信息分散,不易共享和重用,缺乏语义化描述,并且生产线设备故障存在不确定性、模糊性等问题,因而导致故障诊断结果不稳定,影响设备故障诊断效率。针对上述问题,本文将语义网技术引入到生产线设备故障诊断领域中,并借鉴模糊推理的思想对模糊性、不确定性故障信息进行诊断。这对生产线设备无故障的安全运行,提高生产效率具有重要意义。主要研究工作如下:1.针对生产线设备故障信息源分散的特点,以及不易共享和难以重用的问题,引入语义网技术,利用OWL（本体描述语言）对故障信息进行语义化描述,使来源分散且不易共享和重用的故障信息能够被有效集成,使其具备形式化语义,进而实现多源故障知识的共享和重用。2.针对当前生产线设备故障诊断缺乏有效的方法,导致故障诊断效率不理想。提出基于SPARQL（简单协议和RDF查询语言）查询和语义规则推理故障诊断方法。将生产线设备故障诊断方法转化为RDF Prolog和Lisp语言描述的规则推理,借助Allegro Graph（语义图形数据库）语义图形数据库提供的AG Jena推理引擎,进行故障诊断。3.针对生产线设备故障信息存在模糊性和不确定性的特点。借鉴模糊推理的思想,首先对模糊的故障信息进行模糊化处理,然后对其进行语义化标注,通过自定义的语义规则对模糊的故障信息进行诊断。4.结合实验室现有的软硬件资源,搭建生产线设备故障诊断平台,并在该平台对生产线设备故障诊断机制进行验证。故障诊断结果表明基于语义的生产线设备故障机制可以很好的对故障进行诊断,验证了该方法的有效性和可行性,对生产线设备故障诊断领域具有积极的意义。
李鹤洋[9]（2020）在《基于音视频的跨模态说话人检索和识别》文中认为基于音视频的跨模态检索和匹配是一项寻找人脸和语音之间对应关系的任务,大量认知科学方面的研究已经证实了人类拥有匹配同一人的面部信息和声音的能力,这对于创建自然的人机交互系统以及其他多媒体应用很有启发意义。针对人脸语音等带有身份信息的音视频跨模态数据,本文通过以下几个方面进行人脸语音跨模态检索和匹配实验研究:（1）提出一种基于自编码器结构的的人脸语音跨模态说话人标注方法,并引入联合一致性原则,结合带有标签信息的训练数据,构建音视频跨模态检索和匹配模型。在特征提取阶段,利用基于卷积神经网络的方法提取人脸图像特征,利用基于深度信念网络的方法提取语音数据的特征,最终在自编码器模型的输出层接入softmax回归损失,加入有监督训练策略,并针对跨模态交叉信息扩展为三种不同的模型结构。（2）提出一种基于协同注意力机制的人脸语音跨模态匹配和检索模型,为了更好的融合语音和人脸信息,在特征提取阶段,利用VGG-16和Soundnet提取人脸和语音特征。该模型学习人脸图像特征和语音特征之间的共同子空间嵌入,引入联合自注意力机制强化原始特征的相关性,并采用三重正负样本的训练方法,使共同子空间上的模态内距离较小,模态间距离较大,从而更好地实现跨模态人脸语音匹配和检索任务。（3）提出一种基于长短时记忆门的动态跨模态检索和匹配模型,针对来自于与同一段视频同时产生的人脸面部运动序列和声音序列数据,基于VGGface提取人脸关键点特征,对声音序列提取梅尔谱图特征,通过基于LSTM的编码器和解码器模型,最小化隐藏层Huberloss距离和帧间约束,实现动态序列人脸语音的相互检索和匹配。本文提出的三种音视频跨模态检索模型在情景剧数据集和名人数据集上进行了充分实验,在大规模多类别任务和动态任务上相较于现有方法有了明显的提升,对基于音视频的人脸语音匹配检索任务进行了深度研究。
王志红[10]（2020）在《基于卷积神经网络的古籍汉字图像分层检索模型》文中进行了进一步梳理古籍汉字字形结构复杂,数量大,存在大量异体字、形近字以及由于书写风格不同造成的书写变体字,给实现古籍汉字图像检索增加了难度。现有图像检索技术应用于古籍汉字图像时效果欠佳,针对古籍汉字特点,研究适用于古籍汉字的图像检索技术,为古籍文献和古籍汉字研究人员的研究工作提供有效的辅助工具,有助于提升古籍汉字研究的效率。面向古籍汉字研究人员的实际需求,在对古籍汉字字形特点进行分析归纳的基础上,将卷积神经网络引入古籍汉字图像检索研究中,构建古籍汉字图像特征提取网络和检索模型,主要内容如下:1.设计基于改进VGG-16的古籍汉字图像特征提取网络ACCINetVGG-16网络模型在提取古籍汉字图像特征时,过分关注像素分布、笔画粗细等次要特征而忽略了字形结构等主要特征,针对这一问题,在古籍汉字图像数据集上对其网络结构进行调整,并使用可变形卷积提升特征提取网络的几何形变适应能力,使其能够更精准地提取古籍汉字图像特征。实验结果表明,ACCINet模型对古籍汉字图像具有更强的适应性,能够提取更加准确的古籍汉字图像特征。2.提出面向古籍汉字图像特征哈希化的ACCIHNet模型通过使用分段编码层、激活层和二值编码层组成的哈希层代替ACCINet模型的全连接层,实现对古籍汉字图像特征的哈希化。分段编码层与上一层实现部分连接,每个子段独立生成一位哈希码,降低了各位哈希码之间的相关性,进而减少了哈希码中的冗余信息,使哈希码变得更加简洁高效。此外,使用分段连接代替全连接层也极大程度地减少了需要训练的参数数量,降低了过拟合风险。实验结果表明,ACCIHNet模型能够生成简洁高效的古籍汉字图像哈希码。3.设计古籍汉字图像分层检索算法针对高维深度特征检索精度高但检索用时长,而哈希码检索速度快检索精度却相对较低的问题,提出一种由粗到细的分层检索方法,在执行古籍汉字图像检索时,首先使用ACCIHNet模型提供的二进制哈希码进行粗粒度检索,以初步确定一些具有相似特征的图像候选池,然后使用ACCINet模型的全连接层降维特征进行细粒度检索以进一步获取图像候选池中相似度更高的图像。实验结果表明,该方法在缩短平均检索用时的同时,保证了检索精度。
二、语义信息处理及神经网模型（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、语义信息处理及神经网模型（论文提纲范文）
（2）平扫CT图像肾脏肿瘤的三维分割深度算法研究（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 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习的研究现状 |
| 1.2.2 医学图像算法的研究现状 |
| 1.2.3 肾脏肿瘤分割算法的研究现状 |
| 1.3 论文贡献及框架 |
| 1.3.1 论文贡献 |
| 1.3.2 论文框架 |
| 第二章 相关基础介绍 |
| 2.1 医学CT图像特点 |
| 2.2 全卷积神经网络 |
| 2.2.1 全卷积神经网络特点 |
| 2.2.2 医学图像分割模型 |
| 2.3 注意力机制 |
| 2.3.1 注意力机制的基本原理 |
| 2.3.2 经典注意力机制 |
| 2.4 模型剪枝 |
| 2.4.1 非结构化剪枝 |
| 2.4.2 结构化剪枝 |
| 2.5 本章小结 |
| 第三章 三维对偶注意力驱动的CT图像肾脏肿瘤级联分割网络 |
| 3.1 肾脏肿瘤三维级联分割网络模型 |
| 3.1.1 三维对偶注意力模块 |
| 3.1.2 三维对偶注意力驱动的级联网络 |
| 3.2 实验数据及处理 |
| 3.2.1 肾脏肿瘤挑战赛数据集(Ki TS19) |
| 3.2.2 CT图像窗口处理及数据预处理 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置及评价指标 |
| 3.3.2 消融实验及分析 |
| 3.3.3 对比实验及分析 |
| 3.3.4 三维分割结果可视化显示 |
| 3.4 其他器官CT数据集下的三维分割结果 |
| 3.5 本章小结 |
| 第四章 肾脏肿瘤三维分割网络的模型剪枝 |
| 4.1 肾脏肿瘤三维分割网络的模型剪枝流程 |
| 4.1.1 滤波器级的剪枝方法 |
| 4.1.2 肾脏肿瘤三维分割网络的“软滤波器”剪枝方法 |
| 4.2 消融实验及分析 |
| 4.2.1 剪枝标准的选择 |
| 4.2.2 剪枝率大小的选择 |
| 4.3 三维模型剪枝实验结果与分析 |
| 4.3.1 实验设置及评价指标 |
| 4.3.2 实验结果与分析 |
| 4.4 CT医学影像三维分割软件 |
| 4.4.1 三维智能分割软件操作界面 |
| 4.4.2 三维智能分割软件功能介绍 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 论文展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于RNN-LSTM网络的车辆轨迹预测研究（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 车辆轨迹预测国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文主要研究内容与结构 |
| 1.4 本章小结 |
| 第2章 车辆数据预处理及换道片段提取 |
| 2.1 轨迹数据选取依据及来源 |
| 2.2 车辆轨迹原始数据平滑处理及结果分析 |
| 2.2.1 不同采样点下中值平滑滤波算法数据处理及分析 |
| 2.2.2 滑动平均滤波算法数据平滑处理及分析 |
| 2.2.3 对称指数移动平均滤波算法数据平滑处理及分析 |
| 2.3 车辆轨迹换道片段提取 |
| 2.4 本章小结 |
| 第3章 基于RNN-LSTM神经网络预测模型搭建 |
| 3.1 相关理论基础 |
| 3.1.1 人工神经网络 |
| 3.1.2 RNN神经网络 |
| 3.1.3 长短期记忆网络(LSTM) |
| 3.2 驾驶意图辨别模块框架搭建 |
| 3.3 车辆编码器模块和解码器模块搭建 |
| 3.4 RNN-LSTM神经网络框架搭建 |
| 3.5 本章小结 |
| 第4章 不同模型的车辆轨迹预测及结果分析 |
| 4.1 参与模型训练的样本序列提取 |
| 4.2 不同模型轨迹预测及结果分析 |
| 4.2.1 基础LSTM模型轨迹预测及结果分析 |
| 4.2.2 基础CTRA模型轨迹预测及结果分析 |
| 4.2.3 环境车辆信息提取及B_LSTM模型预测结果分析 |
| 4.2.4 基于改进的B_2LSTM模型车辆轨迹预测分析 |
| 4.2.5 RNN-LSTM网络模型预测分析 |
| 4.3 具体车辆未来5秒内轨迹预测研究分析 |
| 4.3.1 具体车辆样本数据选取 |
| 4.3.2 样本序列不同起始点对未来5秒轨迹预测影响研究 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）基于自然语言处理的《伤寒论》研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究 |
| 1.2.1 自然语言处理技术的相关研究 |
| 1.2.2 自然语言处理技术在医学领域中的相关研究 |
| 1.2.3 自然语言处理技术在中医药领域中的应用 |
| 1.3 研究意义 |
| 1.4 本文的组织结构安排 |
| 2 相关理论与技术 |
| 2.1 分词技术 |
| 2.1.1 基于词典的分词技术 |
| 2.1.2 基于机器学习的分词技术 |
| 2.1.3 基于深度学习的分词技术 |
| 2.2 词向量的构建 |
| 2.2.1 独热编码构建词向量 |
| 2.2.2 word2vec构建词向量 |
| 2.3 命名实体识别技术 |
| 2.4 本章小结 |
| 3 基于Bert-BiLSTM-CRF模型的命名实体识别 |
| 3.1 Bert模型 |
| 3.2 BiLSTM模型 |
| 3.3 CRF模型 |
| 3.4 Bert-BiLSTM-CRF模型架构 |
| 3.5 本章小结 |
| 4 《伤寒论》中命名实体识别实验结果与分析 |
| 4.1 实验说明及参数设置 |
| 4.2 数据预处理 |
| 4.3 实验结果评价标准 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 5 构建《伤寒论》知识图谱 |
| 5.1 知识图谱的概念 |
| 5.2 实体关系抽取 |
| 5.3 知识图谱的构建过程 |
| 5.3.1 neo4j数据库简介 |
| 5.3.2 知识图谱的构建过程 |
| 5.4 利用知识图谱进行数据分析-以肝病为例 |
| 5.5 本章小结 |
| 6 自然语言处理技术在中医领域中相关应用的展望 |
| 6.1 模拟中医辨证过程,辅助中医教学 |
| 6.2 辅助中医电子病历结构化 |
| 6.3 进行中医数据挖掘 |
| 6.4 构建中医问答系统,优化中医搜索结果 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 综述 自然语言处理技术在中医文本中的研究综述 |
| 参考文献 |
| 个人简介 |
| 致谢 |
（5）基于时空图卷积网络的手语翻译（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 手语翻译 |
| 1.2.2 图卷积神经网络模型 |
| 1.3 主要研究内容和论文组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 手语翻译的基本概念及相关原理 |
| 2.1 手语动作特征提取技术 |
| 2.1.1 基于传统方法的特征提取 |
| 2.1.2 基于深度学习的特征提取 |
| 2.2 图卷积网络相关模型 |
| 2.2.1 基于谱域的图卷积 |
| 2.2.2 基于空域的图卷积 |
| 2.3 本章小结 |
| 第三章 基于时空图卷积网络的手语识别 |
| 3.1 骨架图数据 |
| 3.1.1 骨架关节点 |
| 3.1.2 手语骨架图数据 |
| 3.2 时空图卷积神经网络模型 |
| 3.2.1 时空图卷积神经网络 |
| 3.2.2 基于时空图卷积网络手语识别框架 |
| 3.3 手语识别数据集 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据集预处理 |
| 3.4 实验过程与结果分析 |
| 3.4.1 实验过程 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 第四章 基于双流时空图卷积网络的手语翻译 |
| 4.1 双流时空图卷积神经网络 |
| 4.1.1 基于双流时空图卷积的手语翻译模型 |
| 4.1.2 双流时空图卷积神经网络 |
| 4.1.3 子图特征聚合 |
| 4.2 基于注意力机制的编码-解码翻译模型 |
| 4.2.1 编码-解码模型 |
| 4.2.2 基于注意力机制的编码-解码网络 |
| 4.3 实验过程与结果分析 |
| 4.3.1 实验过程 |
| 4.3.2 实验方案 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 基于残差连接时空图卷积的手语翻译 |
| 5.1 残差连接网络模型 |
| 5.1.1 深度残差网络 |
| 5.1.2 残差连接时空图卷积网络 |
| 5.2 基于Transformer的翻译模型 |
| 5.2.1 编码器网络 |
| 5.2.2 解码器网络 |
| 5.3 实验过程与结果分析 |
| 5.3.1 实验过程 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）基于深度学习的裁判文书知识图谱构建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于深度学习的自然语言处理研究现状 |
| 1.2.2 信息抽取研究现状 |
| 1.2.3 命名实体识别研究现状 |
| 1.2.4 实体关系抽取研究现状 |
| 1.2.5 知识图谱研究现状 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文组织结构 |
| 1.4 本章小结 |
| 第2章 相关研究理论与技术概述 |
| 2.1 信息抽取技术概述 |
| 2.1.1 中文分词技术概述 |
| 2.1.2 词性标注技术概述 |
| 2.2 命名实体识别技术概述 |
| 2.2.1 基于规则模板的方法 |
| 2.2.2 基于机器学习的方法 |
| 2.2.3 基于深度学习的方法 |
| 2.3 实体关系抽取技术概述 |
| 2.3.1 有监督学习方法 |
| 2.3.2 半监督学习方法 |
| 2.3.3 远程监督学习方法 |
| 2.4 知识图谱技术概述 |
| 2.4.1 知识图谱构建方法 |
| 2.4.2 知识图谱构建流程 |
| 2.4.3 知识图谱存储方式 |
| 2.4.4 Neo4j图数据库 |
| 2.5 本章小结 |
| 第3章 裁判文书命名实体识别Bi_LSTM-CRF模型 |
| 3.1 双向长短时记忆神经网络Bi_LSTM模型 |
| 3.2 条件随机场CRF模型 |
| 3.3 Bi_LSTM-CRF模型 |
| 3.3.1 Bi_LSTM-CRF模型总体设计 |
| 3.3.2 Bi_LSTM-CRF模型的序列标注 |
| 3.3.3 Bi_LSTM-CRF模型原理 |
| 3.3.4 Bi_LSTM-CRF模型反向传播优化算法 |
| 3.4 实验设计与结果分析 |
| 3.4.1 实验环境 |
| 3.4.2 数据集构建 |
| 3.4.3 模型参数设置 |
| 3.4.4 评估指标 |
| 3.4.5 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 裁判文书实体关系抽取DPNN模型 |
| 4.1 依存句法分析技术 |
| 4.2 DPNN模型 |
| 4.2.1 DPNN模型总体设计 |
| 4.2.2 文本预处理模块 |
| 4.2.3 依存句法分析模块 |
| 4.2.4 抽取三元组模块 |
| 4.3 实验案例 |
| 4.4 实验设计与结果分析 |
| 4.4.1 不同语料库的对比实验 |
| 4.4.2 不同模型的对比实验 |
| 4.5 本章小结 |
| 第5章 裁判文书知识图谱构建与可视化 |
| 5.1 知识图谱构建 |
| 5.1.1 知识图谱构建流程 |
| 5.1.2 知识图谱技术框架 |
| 5.2 知识图谱绘制 |
| 5.2.1 数据入库 |
| 5.2.2 知识图谱展示与拓展查询 |
| 5.3 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 |
| 致谢 |
| 附录 |
（7）基于概率神经网络的高分辨率影像林地提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究目的与内容 |
| 1.4 技术路线和章节安排 |
| 第二章 研究区域概况与林地提取标准 |
| 2.1 研究区概况 |
| 2.2 林地提取标准 |
| 第三章 样本与数据预处理 |
| 3.1 样本采集与预处理 |
| 3.2 样本特征提取 |
| 3.3 面向对象的图像分割理论 |
| 第四章 神经网络概述 |
| 4.1 神经网络原理 |
| 4.2 神经网络的研究背景 |
| 4.3 深度神经网络模型 |
| 第五章 基于概率神经网络的林地提取 |
| 5.1 样本的训练 |
| 5.2 实验图像分割 |
| 5.3 分割对象特征计算 |
| 5.4 概率神经网络提取林地 |
| 5.5 概率神经网络分类精度验证 |
| 5.6 基于卷积神经网络的林地提取 |
| 5.7 基于DBN神经网络的林地提取 |
| 5.8 基于Radial Basis Function神经网络的林地提取 |
| 5.9 结果分析 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A |
| 附录B |
（8）基于语义的生产线设备故障诊断机制研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 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 语义网技术研究现状 |
| 1.2.2 故障诊断研究现状 |
| 1.2.3 生产线设备故障诊断研究现状 |
| 1.3 论文研究工作概述 |
| 1.3.1 目前主要存在的问题 |
| 1.3.2 研究工作及创新点 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 基于语义的生产线设备故障诊断机制分析 |
| 2.1 生产线设备结构及其故障分析 |
| 2.2 语义网技术体系 |
| 2.3 模糊理论的概述 |
| 2.4 基于语义的生产线设备故障诊断框架 |
| 2.5 本章小结 |
| 第3章 基于语义的生产线设备故障诊断知识模型 |
| 3.1 引言 |
| 3.2 本体建模 |
| 3.2.1 本体建模的工具 |
| 3.2.2 本体建模方法 |
| 3.3 本体一致性检测 |
| 3.3.1 本体一致性检测依据 |
| 3.3.2 本体一致性检测方法 |
| 3.4 基于语义查询的故障诊断 |
| 3.5 基于语义规则推理的故障诊断 |
| 3.6 本章小结 |
| 第4章 基于模糊理论的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 基于模糊理论的故障诊断 |
| 4.2.1 模糊故障领域本体分析 |
| 4.2.2 故障信息模糊化 |
| 4.2.3 构建模糊故障领域本体 |
| 4.2.4 模糊故障信息实例化 |
| 4.2.5 构建模糊规则 |
| 4.3 本章小结 |
| 第5章 测试验证及分析 |
| 5.1 开发环境及工具 |
| 5.2 测试平台搭建 |
| 5.2.1 系统结构 |
| 5.2.2 软硬件环境 |
| 5.2.3 诊断平台功能模块设计 |
| 5.3 基于语义的生产线设备诊断平台测试 |
| 5.3.1 平台登录管理模块测试 |
| 5.3.2 故障诊断平台本体管理测试 |
| 5.3.3 语义查询功能测试 |
| 5.3.4 语义推理功能测试 |
| 5.3.5 模糊性、不确定性故障信息诊断测试 |
| 5.3.6 维修方法测试 |
| 5.3.7 故障信息查准率和查全率验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 课题总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间从事的科研工作及取得的成果 |
（9）基于音视频的跨模态说话人检索和识别（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题背景及研究意义 |
| 1.2 人脸和语音特征提取 |
| 1.3 跨模态检索与匹配 |
| 1.4 基于音视频的跨模态说话人检索与匹配 |
| 1.5 论文内容与组织结构 |
| 1.6 本章小结 |
| 第2章 跨模态说话人识别相关方法和数据集 |
| 2.1 深度信念网络 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的发展 |
| 2.2.2 卷积神经网络的概念 |
| 2.3 循环神经网络 |
| 2.3.1 前馈网络与循环网络 |
| 2.3.2 时序反向传播算法 |
| 2.3.3 长短时记忆门 |
| 2.4 人脸语音跨模态检索常用数据集 |
| 2.4.1 情景剧数据集 |
| 2.4.2 名人访谈数据集 |
| 2.5 本章小结 |
| 第3章 结合有监督自编码器的跨音视频说话人标注 |
| 3.1 人脸语音深度特征提取 |
| 3.1.1 基于卷积神经网络的人脸特征提取 |
| 3.1.2 基于深度信念网络的语音特征提取 |
| 3.2 有监督联合一致性自编码器模型 |
| 3.2.1 Super-Corr-NN模型 |
| 3.2.2 Super-Corr-AE模型 |
| 3.2.3 Super-Cross-AE模型 |
| 3.2.4 Super-Full-AE模型 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 评价标准 |
| 3.3.3 实验结果对比与分析 |
| 3.4 本章小结 |
| 第4章 结合协同注意力结构的跨模态检索模型 |
| 4.1 人脸语音特征提取 |
| 4.1.1 人脸图像特征提取 |
| 4.1.2 语音特征提取 |
| 4.2 结合协同注意力结构的跨模态检索模型 |
| 4.2.1 协同注意力结构 |
| 4.2.2 共同子空间映射 |
| 4.2.3 三元组正负样本损失 |
| 4.3 实验结果与分析 |
| 4.3.1 静态图片数据集 |
| 4.3.2 评价标准 |
| 4.3.3 跨模态检索任务实验结果 |
| 4.4 本章小结 |
| 第5章 基于长短时记忆门的动态跨模态检索匹配模型 |
| 5.1 人脸和语音序列特征提取 |
| 5.1.1 人脸序列关键点特征提取 |
| 5.1.2 语音序列特征提取 |
| 5.2 人脸语音跨模态检索和匹配模型 |
| 5.2.1 结合长短时记忆门结构的编码-解码模型 |
| 5.2.2 隐藏层约束和损失函数 |
| 5.3 实验结果对比与分析 |
| 5.3.1 动态序列数据集 |
| 5.3.2 模型训练过程 |
| 5.3.3 跨模态任务性能分析 |
| 5.4 本章小结 |
| 第6章 结束语 |
| 6.1 本文工作总结 |
| 6.2 本文工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（10）基于卷积神经网络的古籍汉字图像分层检索模型（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像检索研究现状 |
| 1.2.2 字形图像检索研究现状 |
| 1.2.3 卷积神经网络的研究现状 |
| 1.2.4 图像哈希方法的研究现状 |
| 1.3 研究内容及主要工作 |
| 1.4 本文的组织结构 |
| 第二章 相关理论与技术 |
| 2.1 卷积神经网络结构 |
| 2.2 图像哈希方法 |
| 2.2.1 局部敏感哈希 |
| 2.2.2 迭代量化哈希 |
| 2.2.3 CNNH/CNNH+ |
| 2.2.4 深度监督哈希 |
| 2.3 本章小结 |
| 第三章 基于ACCINet的古籍汉字图像特征提取 |
| 3.1 古籍汉字特点分析 |
| 3.2 古籍汉字图像特征提取网络ACCINet的构建 |
| 3.2.1 VGG-16 向古籍汉字图像的迁移 |
| 3.2.2 VGG-16 网络结构的改进 |
| 3.2.3 基于可变形卷积的ACCINet |
| 3.3 实验结果及分析 |
| 3.3.1 实验数据来源 |
| 3.3.2 检索性能评价指标 |
| 3.3.3 VGG-16 网络结构改进 |
| 3.3.4 ACCINet |
| 3.4 本章小结 |
| 第四章 古籍汉字图像分层检索模型 |
| 4.1 面向古籍汉字图像特征哈希化的ACCIHNet |
| 4.1.1 基于分段编码的哈希层 |
| 4.1.2 目标损失函数 |
| 4.2 古籍汉字图像分层检索算法 |
| 4.2.1 基于哈希码的粗粒度检索 |
| 4.2.2 基于降维特征的细粒度检索 |
| 4.2.3 古籍汉字图像检索的实现 |
| 4.3 实验结果及分析 |
| 4.3.1 古籍汉字图像哈希码 |
| 4.3.2 古籍汉字图像分层检索模型 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
四、语义信息处理及神经网模型（论文参考文献）
- [1]基于机器视觉的皮带料流检测算法研究与实现[D]. 马少华. 燕山大学, 2021
- [2]平扫CT图像肾脏肿瘤的三维分割深度算法研究[D]. 辛宇. 南京信息工程大学, 2021(01)
- [3]基于RNN-LSTM网络的车辆轨迹预测研究[D]. 蔡游游. 吉林大学, 2021(01)
- [4]基于自然语言处理的《伤寒论》研究[D]. 屈倩倩. 安徽中医药大学, 2021(01)
- [5]基于时空图卷积网络的手语翻译[D]. 王焱章. 南京邮电大学, 2020(02)
- [6]基于深度学习的裁判文书知识图谱构建研究[D]. 黄煜俊. 湖北工业大学, 2020(04)
- [7]基于概率神经网络的高分辨率影像林地提取方法研究[D]. 王树琪. 昆明理工大学, 2020(04)
- [8]基于语义的生产线设备故障诊断机制研究[D]. 付信帅. 重庆邮电大学, 2020(02)
- [9]基于音视频的跨模态说话人检索和识别[D]. 李鹤洋. 华侨大学, 2020(01)
- [10]基于卷积神经网络的古籍汉字图像分层检索模型[D]. 王志红. 河北大学, 2020(08)