一、用神经网络计算矩阵特征值与特征向量（论文文献综述）
张丽丽[1]（2021）在《基于神经网络方法的对称矩阵特征值的求解》文中研究表明利用神经元模型,给出了求解一般对称矩阵特征值的神经网络计算方法,并应用此方法求解出了Fibonacci数列中兔子繁殖的计算问题,进而验证了此方法的可行性。
张惠[2]（2021）在《碰撞振动系统参数-状态空间全局动力学研究》文中研究表明碰撞、冲击、间隙等非光滑因素在自然界和工程领域中广泛存在,碰撞振动系统的研究和控制已成为一个重要且富有挑战的课题。本文基于参数-状态空间对碰撞振动系统的分岔参数灵敏度、吸引子共存与吸引域质变机理、分岔与混沌控制等问题进行了系统的研究。应用不连续映射方法,对分段光滑碰撞振动系统擦边点邻域内向量场连续及不连续情况下的零时间不连续映射（ZTDM）和碰撞面法向截面上的不连续映射（NSDM）进行了推导,对分段光滑碰撞振动系统的余维二擦边分岔发生的条件进行了分析。针对依赖于多个常数参数的周期系统的稳定性问题,采用灵敏度分析,对刚性碰撞振动系统和分段光滑碰撞系统的分岔参数灵敏度进行了分析。根据分岔参数灵敏度分析得到参数-状态空间中不同原因诱导的共存吸引子的分布区域。对分段光滑碰撞振动系统周期倍化分岔的预测及控制进行了研究。主要内容分述如下:首先对非光滑微分系统的分类及数值分析方法,刚性碰撞振动系统和分段光滑碰撞振动系统擦边点处的不连续映射的建立及周期轨道的擦边分岔复合映射等内容进行了阐述,分析了刚性碰撞振动系统和分段光滑碰撞振动系统在时间Poincare截面和碰撞面法向Poincare截面上擦边点处不连续映射的范式映射。对一类单自由度分段光滑振动系统向量场连续及不连续情况下擦边点处的复合零时间不连续映射（ZTDM）和碰撞面法向截面上的不连续映射（NSDM）进行了推导,验证了使用低阶复合ZTDM和高阶复合NSDM研究擦边分岔的有效性。推导了擦边点处向量场不连续时分段光滑碰撞振动系统发生余维二擦边分岔的条件。其次,针对分段光滑碰撞振动系统,分别在零相位Poincare截面及碰撞面Poincare截面上利用胞映射法获得了系统中共存的稳定吸引子及其吸引域。研究了碰撞振动系统周期运动的鞍结分岔、周期倍化分岔及擦边分岔,以及诱导出现的吸引子共存,进一步研究了由边界激变、吸引域边界质变及内部激变等全局分岔所引起的吸引子湮灭机理。分析了碰撞振动系统中吸引域发生光滑—分形质变的原因,即由于系统由擦边分岔所诱导出现的平常型鞍点,及由周期倍化分岔所诱导的翻转型鞍点的稳定与不稳定流形发生横截相交,从而造成吸引域分形结构的出现。再次,对于依赖于多个常数参数的周期系统的稳定性问题,分析了当系统的Jacobian矩阵的特征值分别是简单特征值、半简特征值和非亏损特征值时对系统参数求偏导的方法,提出了计算非光滑动力系统分岔及状态参数灵敏度的方法,通过参数灵敏度分析了引起光滑和非光滑分岔的原因。对于刚性碰撞振动系统和分段光滑碰撞振动系统首先通过推导系统的Poincare映射从而建立系统的Floquet矩阵。然后分别将各个系统的Floquet矩阵对各个参数向量求偏导,通过扰动Floquet矩阵的特征值来实现识别对某种分岔形式最灵敏的参数,将对系统的动态特性有明显影响的参数从整个分岔参数和状态参数组中有效地识别出来,从而得到系统的主要分岔参数。将刚性碰撞振动系统和分段光滑碰撞振动系统参数空间进行离散,研究了这这两种系统中各种丰富的动力学运动的分布情况。两种系统的参数域在ω<1的低频区均普遍存在因擦边运动而诱导出现的q=i/1（i=2,3,…）次谐周期运动,计算得到次谐周期运动相邻两周期运动擦边点差值自然导数的商的极限值为1。刚性碰撞振动系统和分段光滑碰撞振动系统在（ω,ζ）参数平面内还存在着的“周期峰”、“环状”孤岛、“虾形”孤岛和“混沌眼”等丰富的动力学现象。通过分岔参数灵敏奇异性,分析得到参数-状态空间中不同原因诱导的共存吸引子的分布区域。得到由鞍结分岔诱导的吸引子共存区域通常出现在周期运动内部,由周期倍化分岔诱导的鞍结分岔所形成的吸引子共存区域（CA-GB）通常出现在周期倍化分岔线附近。最后针对一类单自由度含间隙和预紧弹簧的分段光滑碰撞振动系统的分岔控制问题,提出了一种基于Lyapunov指数及径向基函数神经网络的分岔预测及控制方法。首先建立了系统的Poincare映射,推导了分段光滑碰撞振动系统周期运动存在条件,研究了在主要分岔参数平面中的动力学分布;其次利用Lyapunov指数分析了系统的稳定性,提出利用追踪Lyapunov指数谱分岔点来预测周期倍化分岔发生的方法;最后基于径向基函数神经网络设计了参数反馈分岔控制器,并基于周期倍化分岔点处的最大Lyapunov指数构造适应度函数,及利用Lyapunov指数判断是否实现了分岔控制,以引导自适应混合引力搜索算法对控制器的参数进行优选,从而实现周期倍化分岔控制。
张锐[3]（2020）在《基于数据驱动的流体特征提取方法与应用》文中研究说明随着计算机图形学的发展,人们开始对自然界各种物理现象进行模拟。其中,自然界的流体运动是一种看似简单却极为复杂的运动,模拟流体的运动在人们生活中应用极为广泛。然而,在众多流体模拟的算法中,传统数值方法都需要通过迭代运算,这种运算方式往往耗时很长,因此对流体模拟过程的加速研究尤为重要。近年来,在流体模拟的领域中,流体的特征提取是被人们广泛研究的课题。其中基于涡旋细丝的流体特征提取方法可以提供来自现实世界或模拟流场的简化表示。这种特征提取方法是从给定三维流体速度场中建立数据相关的大型稀疏复能量矩阵,求解该矩阵最小特征值及其对应的特征向量,利用得到的特征向量,通过一维轮廓追踪来提取细丝,获得流体速度场的特征信息。这一特征提取方法的核心问题是求解大型稀疏复能量矩阵的最小特征值及其对应的特征向量。本文针对求解大型稀疏复能量矩阵的特征问题,优化基于涡旋细丝的流体特征提取过程,实现特征提取的加速。本文的研究分为以下几个方面:第一,考虑到前人使用的MALTAB自带APPACK软件包方法计算矩阵特征问题过慢,为了优化特征提取过程,本文试验了三种传统数值迭代方法:逆幂迭代法（IPM）、隐式重启分块Lanczos法（IRBL）、Jacobi-Davidson及PCG法的结合算法（JDCG）代替该方法,实现流体特征提取过程。通过计算开销的对比,我们发现JDCG法可以优化特征提取过程,同时也得出传统方法计算时间均较慢的结论。第二,为了更好地加速流体特征提取的过程,本文提出了一种基于数据驱动的流体特征提取方法,通过建立卷积神经网络模型,实现流体特征提取的加速过程,该模型包括:（1）数据获取模块:通过改变流体速度场参数和进行矩阵基本运算获取大量样本数据;（2）卷积神经网络（CNN）模型构建模块:采用合适的参数和网络层结构构建一个适用于输入输出数据的卷积神经网络;（3）模型生成模块:先根据不同模式下的输入输出不同,用不同参数在模型中构建三种模式:训练模式、评估模式和预测模式。并在训练模式下,利用待训练样本数据进行训练,得到适用于计算复能量矩阵特征问题的卷积神经网络模型;（4）模型评估模块:在评估模式下,评估训练得到模型的可用性;（5）预测和应用模块:在预测模式下,给定输入输出数据,利用上述评估过的可用于计算复能量矩阵最小特征值及其对应特征向量的卷积神经网络模型,完成从给定三维流体速度场中提取特征信息并利用涡旋细丝进行重构的过程。第三,本文将这个基于数据驱动的特征提取方法应用于9种不同的流体速度场中,包括5种简单的流线模型和4种复杂的流场模型。在不同模型中分别实现特征提取过程,得到流体特征提取图像。我们对每一个实验结果进行了对比和分析:列表比较数据驱动方法（CNN）与我们寻找到的较优的传统数值方法（JDCG）的计算开销,突出基于数据驱动的流体特征提取方法在计算速度上的优势,并得出结论:我们所提出的这个基于数据驱动的流体特征提取方法,可以广泛应用于不同流体模型的特征提取中,实现流体特征提取上的加速,有很大的应用意义。
袁群勇[4]（2020）在《深度神经网络的训练优化方法研究》文中指出目前,深度学习方法已经广泛地应用于人类的社会生产和生活的各个方面,例如,物体识别、语音识别、自然语言处理以及无人驾驶等许多方面,大幅度地提升了人类社会的生产和生活的智能化水平。然而,深度神经网络的训练优化仍然被认为是比较困难的事情,需要大量的经验和技巧。深度神经网络的训练优化作为深度学习的基础理论的重要部分,对深度学习应用具有基础性的支撑作用。目前神经网络的初始化方法大多数是与网络深度无关、深度神经网络的权值空间中存在的对称性给神经网络训练带来了不利影响、Adam算法存在收敛性和泛化性问题、对深度经网络损失曲面的了解还很有限。因此本论文围绕着如何高效率地训练深度神经网络,重点研究解决这些问题的方法。本论文的主要贡献包括以下几个方面:（1）提出了基于权值缩放不变的归一化方法。神经深度网络的权值空间中的对称性对神经网络训练有不利影响,研究者提出了多种方法解决该问题,但计算开销都比较大。本论文根据Relu网络本身的权值缩放不变性,提出了基于权值缩放不变的归一化来解决该问题,即在训练过程中通过执行逐点权值缩放变换来对神经网络的权值进行调整,包括激活向前传播时的层内调整和梯度向后传播时的层间调整的两个阶段。大量的实验结果表明该归一化方法在各种数据集上能一致地提高各种神经网络结构的性能。（2）设计了修正的正交初始化方法。目前还没有关于深度卷积残差网络初始化时的信号传播和动力等距等问题的研究。本论文运用平均场理论、随机矩阵和自由概率等理论工具推导了深度卷积残差网络初始化时其特征图中激活的协方差矩阵的递推公式,发现该递推公式没有非0固定点;给出了深度卷积残差网络输出对输入Jacobian矩阵特征值密度分布的精确计算方法。渐近分析表明,深度卷积残差网络初始时要实现动力等距的必要条件为初始化必须与残差分支总数相关。基于这些理论分析和借鉴卷积的δ正交初始化,本论文设计了一种适用于深度卷积残差网络、与残差分支总数相关的初始化。通过大量实验验证了该初始化方法是有效的。（3）提出了具有动态动量和基础学习率的自适应梯度方法。最新研究发现Adam算法存在收敛性问题和泛化能力不如SGDM算法的问题。本论文分析了Adam类型算法中的基础学习率、动量系数和自适应学习率系数对于其动力学的复杂影响,借鉴Ada Bound的设计思想,设计了一种具有动态动量和基础学习率的自适应梯度方法。首次把训练过程中连续迭代梯度间的方向余弦距离和梯度的范数整合到Adam类型算法中用于调整这些系数,在训练后期控制这些系数光滑地切换到SGDM算法,从而提高了泛化能力。设计的算法同时具有Adam类型算法快速收敛性和SGDM算法泛化能力好等优点。通过多种机器学习任务的实验,验证了提出的方法性能超越Adam、Amsgrad和Ada Bound等算法。（4）设计了单调的策略优化算法。将深度神经网络等非线性逼近函数应用于强化学习所遇到的关键问题是,现有的许多强化学习的策略优化算法产生策略更新无法确保策略性能的单调提升,甚至出现严重退化。因此,本论文提出了一个新的关于策略改进的下界,即对状态空间上的策略发散度按平均的方式,而不是按最大的方式进行惩罚。直接对策略改进的下界进行优化非常困难,需要很高的计算开销。因此,本论文根据信任域策略优化的设计思想和利用广义优势函数估计对优势函数进行估计,基于新提出的策略改进下界,设计了一种单调策略优化算法,可以保证产生一系列单调的策略改进。大量实验验证了该策略优化算法的有效性。（5）进行了深度神经网络损失曲面实验探索。本论文对深度神经网络损失曲面进行了实验调查,包括:自适应优化算法的轨迹,轨迹处的损失函数Hessian矩阵和损失曲面的曲率,发现各种自适应优化算法的梯度方向几乎与损失曲面的排3位大的特征向量对应的特征方向垂直,而SGD算法的梯度方向却没有表现出这样的规律;沿Adan算法轨迹处的损失曲面Hessian矩阵几乎都是退化的,这说明很多理论研究中假设深度神经网络损失曲面Hessian矩阵非奇异是不合理的。（6）提出了基于权值缩放的神经网络集成方法。将集成的方法引入深度神经网络需要解决的关键问题是降低得到单个网络模型的训练开销,本论文利用局部极小值附近点对应网络模型间的多样性,基于Relu神经元的缩放不变性提出了一种新的深度神经网络集成方法,能以训练一个网络模型到收敛的计算开销可得到多个精确度和多样性都比较好的网络模型。大量实验结表明,在相同计算开销下,大多数情况本论文的SBE方法比目前流行的深度神经网络集成方法,如快照集成、快速几何集成等方法的性能要好。
倪广县[5]（2020）在《基于随机矩阵理论的滚动轴承异常状态检测算法研究》文中研究表明滚动轴承作为旋转机械的关键零部件之一,在获取其运行状态监测数据之后如何检测其早期异常状态并对退化状态进行评估是研究的重难点。随着机械设备的大型化、智能化,其运行可靠性也不断提升,因此呈现出两个特点,其一是滚动轴承等关键零部件的监测数据量急剧增加;其二是缺少故障样本等先验知识。时域指标、峭度指标等传统研究方法要立足完整样本数据建立退化模型,面对此种现状,故障样本缺失会导致退化模型缺乏完整性,并且模型建立时需要进行数据压缩,会造成大量有效信息损失。本文通过研究随机矩阵理论的适用特点,提出基于随机矩阵理论的滚动轴承异常状态检测和评估算法,并构造出量化指标,同时确定出阈值计算方法。论文主要的研究工作及创新性如下:（1）针对传统算法建模依赖完整退化数据并且存在数据压缩会造成有效信息损失的不足,本文提出了基于随机矩阵理论的滚动轴承异常状态检测算法。首先针对滚动轴承运行监测数据,利用时间窗技术框定特定时刻或时间段监测数据,通过特征提取、矩阵扩充、与模拟矩阵数据融合等处理手段完成监测矩阵随机化构造,从而提出滚动轴承监测数据随机化算法。进而利用IMS滚动轴承全寿命试验数据和XJTU-SY滚动轴承全寿命试验数据进行算法应用,为接下来的异常状态检测做准备。（2）构造随机监测矩阵的随机样本协方差矩阵,并求解样本协方差矩阵的最大特征值与最小特征值。利用特征值之比来构造特征值检测指标,并确定特征值指标检测阈值算法,对滚动轴承的早期异常状态进行判断。在考虑误警率和矩阵规模的情况下,基于Tracy-Widom分布特点,利用样本协方差矩阵的最大特征值和最小特征值近似值,改进特征值指标检测阈值算法,并进一步研究误警率、矩阵规模等参数对改进特征值指标检测阈值的影响。继而利用Iris数据集以正确率、召回率和综合有效值三项指标全面验证算法的有效性,验证结果证明该算法能有效地区分鸢尾花种类,正确率达到93%。然后利用IMS数据和XJTU-SY数据对算法进行实际应用,应用结果显示,对于IMS数据,特征值指标算法在滚动轴承运行99.17小时后发现早期异常点,较传统方法提前约9小时;对于XJTU-SY数据,该算法在32.67小时处发现滚动轴承进入早期异常状态,较传统指标法提前了约7小时。（3）在随机协方差矩阵特征值信息的应用基础上,进而考虑矩阵特征向量信息以求更有效地对滚动轴承异常状态进行检测,但特征向量区分度较小,综合考虑随机矩阵理论框架下特征值与特征向量融合应用,提出特征值与主特征向量融合综合特征指标并给出阈值确定方法。利用Iris标准数据集验证算法种类检测的有效性,算法正确率达到95%,召回率达到95.9%,综合有效值为95.5%,证明了算法的有效性。实际应用结果显示,基于IMS数据该算法较其他研究所提出的符号化方法能提前约2小时发现早期异常点。（4）针对滚动轴承异常状态检测结果对早期异常点之后的退化状态进行具体评估,提出基于随机矩阵单环理论的滚动轴承退化状态评估算法。首先通过矩阵奇异值分解、与Haar酉矩阵结合、判决矩阵标准化处理等手段,最终将滚动轴承运行状态信息以单环曲线的形式呈现,继而通过单环理论和单环曲线图相结合构造出平均谱半径、最大特征值和突破内圈离散点数量等量化指标来表征滚动轴承运行状态。与现有研究结论相结合,通过IMS全寿命数据典型状态的运行数据分析,从三项指标的相关规律性变化验证了该方法在滚动轴承退化状态评估中的有效性。
原焕椿[6]（2020）在《三维模型邻接面复杂网络的谱聚类方法研究》文中研究说明随着计算机信息化的不断深入,辅助设计等行业飞速发展。制造企业积累了大量的三维CAD模型,凝聚了人们的设计成果和智慧结晶。三维CAD技术的逐渐成熟,面临着大规模模型库处理的新挑战,如何充分利用模型数据库,研究三维模型的聚类分析及检索应用成为近年来一个重要的研究课题。与此同时,出现了诸多三维模型的特征描述方式及数据存储格式,可以将模型以邻接面复杂网络的方式呈现。复杂网络的发展及在不同领域的应用,可以帮助人们寻找期望的信息。在三维模型领域,可以利用聚类方法挖掘三维模型邻接面复杂网络的结构,从而实现三维模型节点及面节点的聚类。因此,本文的主要工作如下:（1）提出基于STEP文件的多维度特征建模方法,从而完成三维模型的特征提取。利用STEP文件分解的元素信息,建立三维模型的邻接面复杂网络。构建全局和局部相结合的特征向量,包括几何特征向量、拓扑特征向量、保角描述符向量、核心曲面边界特征向量,将三维模型STEP文件映射到多维度特征向量的数学模型中。（2）针对传统的聚类算法容易陷入局部最优等不足,本文将基于图论的聚类算法——谱聚类算法应用到三维模型节点和面节点之间的聚类分析。经实验所得,利用谱聚类算法能够实现三维模型节点及面节点的聚类分析。通过对比实验证明了本文谱聚类算法的有效性高于传统的聚类算法。（3）提出三维模型融合特征相似度度量模型构建。首先,将不同建模方式得到的特征向量分别进行模型之间的相似性度量。然后,根据信息熵计算不同特征所对应的权重。最后,进行不同特征的相似度加权,得到模型间最终的相似性度量结果。实现了用新的相似度计算方法代替传统的相似性度量方法运用到三维模型的谱聚类算法之中。同时,证明利用Lanczos方法求取拉普拉斯矩阵的特征值与特征向量的有效性。利用特征值间隙确定最佳聚类类别数,从而在相应的特征向量空间中完成三维模型节点以及面节点之间的谱聚类分析。（4）提出基于聚类结果面向邻接面复杂网络的检索方法。在三维模型聚类结果的基础上,进行了检索实验。通过对比实验得出,本文所提出的模型检索方法表现出比较高的准确率和效率,证明了所提检索算法的有效性。
谢心蕊[7]（2020）在《特征降维算法在股价预测中的应用研究》文中研究指明随着信息时代的到来,数据的获取更加便捷,不论是在维度上或样本数目上都呈现爆炸性的增长。各大行业利用互联网快速便捷的优势不断地吸收、获取、交换着数据信息,这些数据信息能够帮助人们从不同的角度、不同方式详细地描述和理解事物,但同时也出现维度过高、信息冗余、计算困难等问题,这些问题反而容易导致对信息描述的不准确。虽然高维大量的样本数据能带给我们更多更丰富的信息,但是如何把握信息中关键的内容,如何处理和摒弃掉冗余的信息仍然是需要广泛深入研究的问题,现今已有一种处理方式即是对高维数据进行降维处理。无论是线性或是非线性的降维方法都已多种多样,其中运用较为广泛的一种方法是主成分分析（PCA）算法,它的优异之处在于无特定限制的参数以及算法简洁明了,但其本身是一种无监督的特征提取算法,不能充分考虑到标签带来的先验信息。其次是算法提取主元个数的关键步骤缺乏客观性,过多或过少的主元信息都容易使得模型精度降低,且前人对此的研究也较少。针对上述所提到的问题,本文主要研究工作如下:（1）考虑到很多研究在利用PCA算法进行降维之前未考虑特征与标签之间的关联性,即标签的先验信息,本文提出在PCA进行降维前,利用互信息（MI）来度量特征对于标签的重要性的办法,并提出按互信息值将特征重要性划分为弱、中、强三个部分,过滤掉较弱部分的特征,再进行PCA降维处理。（2）针对PCA算法中选取主元个数的累计贡献率方法判断过于主观,本文提出了改进PCA算法（IPCA）,即利用平均复相关系数对主元数目递增时与原始数据的相关性进行衡量,从而辅助累计贡献率共同对主元个数的选取进行判断。（3）本文采用较长时间范围的实际个股和指数数据,及较多的共17个影响股价的因素,对上述改进前后的降维方法进行分析,利用神经网络预测器的最终预测结果对比PCA与IPCA判断出的主元个数的均方误差值的大小,从而比较PCA改进前后的差别,以及对比MI-IPCA双重降维与IPCA降维后的预测结果来判断引入互信息判断的有效性。
桂文婷[8]（2020）在《基于三维模型重建的头部姿态估计算法研究》文中进行了进一步梳理头部姿态估计作为计算机视觉领域的重要研究课题,近年来受到研究人员的广泛关注。目前头部姿态估计在安全驾驶、智能监控、虚拟现实、人脸识别等多个重要领域都有广泛的应用。目前在主流方法中,头部姿态估计被视为监督分类或回归问题,其结果在很大程度上取决于训练数据地面真值标签的准确性,但是在实际场景中我们很难获取准确的角度标签。现有公共数据集的采集场景和协议标准均不同,因此导致这些数据集标签分布特性的不同。为了解决头部姿态估计对具有不同标签分布特性的数据集的依赖,本文提出了一种基于三维模型重建的头部姿态估计方法。该方法基于三维模型和二维图像的特征点拟合思想,利用神经网络进行数学计算和优化,一定程度上可以减少头部姿态估计对数据标签的依赖。本文主要研究基于三维模型重建的头部姿态估计算法,涉及的相关领域知识包括三维模型重建、人脸特征点检测以及头部姿态估计等。在三维模型重建上,选择基于深层神经网络从二维RGB图像中回归三维形变模型参数来重建三维模型的算法,并通过该方法合成实验所需的训练数据集;在人脸特征点检测上,考虑到人脸特征点检测的准确性,选择基于人脸对齐网络的特征点检测方法;在头部姿态估计上,用神经网络的计算替代传统的数学迭代优化计算过程,提出加入二维图像特征点和三维特征点拟合的损失。本文提出的方法基于三维模型重建,将特征点的拟合与神经网络的计算相结合,在准确度和稳定性上均具有较现有方法更好的性能。丰富的实验证明了该方法的有效性,因此该方法适用于大多数头部姿态估计的应用场景。
袁程胜[9]（2019）在《气象信息管理系统中指纹活性检测方法的研究》文中进行了进一步梳理当前正值我国大力推进气象信息化发展的关键期,以提高气象数据共享应用为核心的气象信息管理系统时常会面临用户非法入侵和访问等安全问题。为了提高系统安全,多种信息保护技术被应用其中。密码口令是获得气象信息管理系统访问权限最常用的一种身份认证法,但它极易被泄露、遗忘或破译。指纹因具有唯一性、稳定性的特征可作为一种身份认证凭证,但实际应用中,非法用户可通过人造指纹入侵气象信息管理系统,给系统访问带来安全隐患。因此,本文将研究指纹活性检测算法以抵御假指纹的欺骗攻击,并将指纹活性检测技术应用到气象信息管理系统的指纹认证系统中,进一步确保访问气象数据用户身份的真实性。本论文主要研究内容如下:（1）基于空域纹理特征提取的指纹活性检测算法。伪造指纹可重现真指纹图像中粗粒度的纹理信息,所以气象信息管理系统中的指纹识别系统易遭受假指纹的攻击。但假指纹很难复制高质量的细微纹理,使得非法认证成为可能。梯度可反映图像局部的像素变化强度,有利于刻画指纹中小尺度的细微的纹理特征。因此,本文首先提出一种多方向差分共生矩阵的特征提取算法,先对图像进行预处理和量化操作,再计算水平和垂直方向梯度。其次,本文设计了一个截断操作法,通过分析梯度和截断因子T的关系,消除由于光照强度和噪声的干扰而致使差分矩阵产生异常值的问题,提高算法的精度。最后,计算差分矩阵在四个不同方向下的共生矩阵特征,并将归一化的特征用SVM进行训练和测试。另外,使用本章算法,在第七章中给出了我们已开发的两个支持指纹活性检测的指纹识别系统。（2）基于变换域特征提取的指纹活性检测算法。变换域中的频谱分布有助于展现在空域中观察不到的图像纹理特性,而提取真假指纹间的显着性差异能够提高气象信息管理系统中指纹活性检测的性能。小波变换能突出图像在尺度和方向上的特征,非常适用于纹理复杂多变的指纹。本文首先使用一级小波变换将图像的纹理分析从空域转化到频域,通过对变换域系数的分析,设计了两种变换域纹理特征提取算法。一种是基于局部二值模式的特征提取算法,首先选定窗口并按固定步长滑动,比较窗口中心和邻近像素间的关系,并进行编码,将处理完的图像进行分块并求特征。另一种是多阶差分共生矩阵的特征提取法,即统计相邻两个、三个或四个梯度的分布关系,并将其作为特征向量。最后将归一化的特征用SVM进行训练和测试。此外,本文还给出矩阵阶数与特征维度间的关系表达式。实验表明,本文算法在变换域中具有较好的检测性能。（3）基于卷积神经网络模型的指纹活性检测算法。利用气象高性能计算机可缩短深度学习算法的运行时间,离线训练真假指纹模型并将其移植到气象信息管理系统的指纹活性检测中,能进一步提升系统检测真假指纹的准确性。本文首先提出一种尺度均衡化的CNN模型来解决CNN对输入图像尺度的约束问题。CNN在反向传播更新参数时易产生权值收敛慢或陷入局部最优的问题,本文引入了一个学习率自适应调整模块对其进行优化。另外,本文通过设计一种感兴趣区域提取算法来消除指纹图像中无效区域干扰的问题。为了使模型分类器具有更好的泛化性,本文又设计一种基于局部梯度模式纹理增强的指纹活性检测算法,并在Liv Det 2011数据集上取得了不错的效果。为解决训练参数面临梯度膨胀或梯度消失的问题,同时减少反向传播过程中模型的训练时间和避免参数陷入到局部最优,本文还提出一种基于自适应学习的深度残差网络模型。（4）基于多模态深度特征融合的指纹活性检测算法。学习真假指纹间的显着性差异是提高气象信息管理系统中指纹活性检测性能的关键。传统的检测方法都是基于手工设计的特征,为了充分利用深度学习能够自动的从带有标签的数据中学习到描述原始图像结构和纹理的特征,本文将CNN输出层之前的网络当作特征提取器,提出一种深度特征自学习的指纹活性检测算法。接着,为了测试不同模态特征融合后的性能,本文又设计了一种多模态深度特征融合的算法。在特征提取前,分别进行迁移学习和模型微调两个操作来解决训练集不足的问题,并将微调后的训练参数作为特征提取器的初始值。最后,将融合的特征输入到分类器中进行训练和测试。此外,本文还将融合的特征在ELM和softmax两个经典的分类器上进行了测试,均得到较好的检测性能。
严凯[10]（2019）在《基于深度学习的肺分叶分段》文中进行了进一步梳理肺癌是目前世界上发病率和死亡率均为第一的癌症。据临床统计,对于早早期肺癌患者,通过手术治疗,切除肿瘤所在肺叶,四年存活率可高达90%。在术前准确分割并建模肺部组织以及肺叶肺段,对手术计划的制定具有重要意义。基于深度学习的人工智能技术近年来取得巨大进展,被广泛应用于医学图像处理领域。本文充分结合深度学习和传统算法两者的优势,开展以下研究工作:1.对于肺部的分割,提出了两种算法,一种基于传统方法,利用OTSU算法自动确定分割阈值,对图像进行二值化,通过先验知识自动选取种子点,进行区域增长剔除体外空气,并利用最大联通分量获取肺部分割结果。另一种基于深度学习,利用网络深度和宽度都减少的2D Unet模型进行肺部分割。2.对于肺部管道的分割,本文针对CT影像的三维特性,开发了一种基于深度学习的2D/3D Unet网络模型,用以高效、准确的分割肺部管道,同时利用Frangi算法增强细小管道,与2D/3D Unet网络模型分割结果相结合,通过形态学和最大联通分量操作,剔除误分割部分,最终获得精细的管道分割结果。3.对于肺叶分割,本文提取气管树拓扑结构,并依据肺实质到气管树的最小欧式距离获得粗分割肺叶结果。同时结合肺部管道和肺裂分布信息,构造能量函数,利用基于图割的《扩展算法对粗分割结果进行优化,获得肺分叶结果。肺分段方面,提取肺动脉中心线,通过人工交互选择分段点,依据到血管树的最小欧氏距离来确定肺实质所属肺段,获得肺分段结果。本文使用多套肺部CT影像作为实验数据,首先,实验利用本文提出的算法分别对肺部CT影像进行肺实质、肺血管、肺气管的分割,DICE准确度分别达到了98.3%、85.7%、91.8%,其次,进一步对肺部进行分叶和分段,DICE准确度分别达到了92.8%、78.7%,实验结果成功的验证了本文算法的有效性。
二、用神经网络计算矩阵特征值与特征向量（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、用神经网络计算矩阵特征值与特征向量（论文提纲范文）
（1）基于神经网络方法的对称矩阵特征值的求解（论文提纲范文）
| 1 求对称矩阵特征值的神经网络方法 |
| 2 斐波那契数列 |
（2）碰撞振动系统参数-状态空间全局动力学研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源和研究的应用背景 |
| 1.2 国内外研究现状 |
| 1.2.1 非光滑动力系统研究现状 |
| 1.2.2 碰撞振动系统参数空间研究现状 |
| 1.2.3 碰撞振动系统状态空间研究现状 |
| 1.2.4 非线性系统分岔控制研究现状 |
| 1.3 存在的主要问题 |
| 1.4 主要研究内容 |
| 2 非光滑动力系统理论基础 |
| 2.1 非光滑动力系统的分类 |
| 2.2 非光滑动力系统理论及数值分析方法 |
| 2.2.1 周期轨道和Poincaré映射 |
| 2.2.2 擦边点处的不连续映射 |
| 2.3 小结 |
| 3 分段光滑碰撞振动系统擦边运动及不连续映射 |
| 3.1 分段光滑碰撞系统周期运动及“擦边”运动存在条件 |
| 3.1.1 方程的解及周期运动存在条件 |
| 3.1.2 擦边周期n运动存在条件 |
| 3.2 分段光滑碰撞振动系统擦边点处的不连续映射 |
| 3.2.1 向量场不连续及连续时系统的零时间不连续映射 |
| 3.2.2 向量场不连续及连续时系统的碰撞面法向截面不连续映射 |
| 3.3 分段光滑碰撞振动系统余维二擦边分岔研究 |
| 3.4 小结 |
| 4 碰撞振动系统状态空间动力学研究 |
| 4.1 吸引子及吸引域 |
| 4.1.1 吸引子及吸引域的定义 |
| 4.1.2 吸引域类型举例 |
| 4.2 改进的Poincaré型胞映射方法 |
| 4.3 分段光滑碰撞系统状态空间动力学分析 |
| 4.3.1 分段光滑碰撞振动系统多吸引子共存及湮灭机理研究 |
| 4.3.2 随参数ω变化时吸引域结构质变机理 |
| 4.3.3 随参数ω变化时吸引域变化规律研究 |
| 4.4 小结 |
| 5 碰撞振动系统分岔参数灵敏度分析方法研究 |
| 5.1 碰撞振动系统分岔参数灵敏度分析 |
| 5.1.1 简单特征值情况 |
| 5.1.2 半简特征值情况 |
| 5.1.3 非亏损特征值情况 |
| 5.2 单自由度刚性碰撞振动系统参数灵敏度分析 |
| 5.2.1 系统模型及Poincaré映射 |
| 5.2.2 刚性碰撞振动系统参数灵敏度分析 |
| 5.3 单自由度分段光滑碰撞系统参数灵敏度分析 |
| 5.3.1 系统Poincaré映射 |
| 5.3.2 分段光滑碰撞振动系统参数灵敏度分析 |
| 5.4 刚性碰撞振动系统和分段光滑碰撞系统参数空间动力学分析 |
| 5.4.1 刚性碰撞振动系统数空间动力学分析 |
| 5.4.2 分段光滑碰撞振动系统参数空间动力学分析 |
| 5.5 分段光滑碰撞系统吸引子共存区域参数灵敏度分析 |
| 5.6 小结 |
| 6 分段光滑碰撞振动系统周期倍化分岔预测及控制 |
| 6.1 分段光滑碰撞振动系统周期倍化分岔分析及预测 |
| 6.2 分段光滑碰撞振动系统周期倍化分岔控制 |
| 6.2.1 基于RBF神经网络的非光滑系统分岔控制器设计及优化 |
| 6.2.2 适应度函数的建立 |
| 6.2.3 仿真研究 |
| 6.3 结论 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）基于数据驱动的流体特征提取方法与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于涡旋细丝的流体特征提取研究现状 |
| 1.2.2 数据驱动算法在流体模拟领域的研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 基于涡旋细丝的流体特征 |
| 2.1 基于物理的流体模拟和流体的性质 |
| 2.2 流体的涡旋运动 |
| 2.2.1 涡旋运动简介 |
| 2.2.2 涡量输运方程 |
| 2.2.3 拉格朗日观点:涡粒子轨迹 |
| 2.2.4 现代涡度方法:近似拉格朗日粒子轨迹 |
| 2.3 基于涡旋细丝的流体模拟 |
| 2.3.1 基于涡旋细丝的流体模拟方法 |
| 2.3.2 涡旋细丝的物理性质 |
| 2.3.3 基于涡旋细丝的流体特征提取和重构 |
| 2.4 本章小结 |
| 第三章 基于传统数值方法的流体特征提取 |
| 3.1 基于MATLAB中的APPACK软件包求解特征问题 |
| 3.1.1 APPACK软件包的底层算法(IRAM) |
| 3.1.2 基于APPACK软件包的特征提取和重构细丝实现 |
| 3.2 基于逆幂迭代法求解特征问题 |
| 3.2.1 逆幂迭代法(IPM) |
| 3.2.2 基于IPM方法的特征提取和重构细丝实现 |
| 3.3 基于IRBL法求解特征问题 |
| 3.3.1 隐式重启分块Lanczos法(IRBL) |
| 3.3.2 基于IRBL方法的特征提取和重构细丝实现 |
| 3.4 基于Jacobi-Davidson和 PCG结合法求解特征问题 |
| 3.4.1 Jacobi-Davidson法和PCG法的结合算法(JDCG) |
| 3.4.2 基于JDCG方法的特征提取和重构细丝实现 |
| 3.5 几种方法的求解结果和比较 |
| 3.6 本章小结 |
| 第四章 基于数据驱动的流体特征提取方法 |
| 4.1 数据获取模块 |
| 4.2 卷积神经网络构建模块 |
| 4.2.1 输入层构建 |
| 4.2.2 卷积层构建 |
| 4.2.3 池化层构建 |
| 4.2.4 全连接层构建 |
| 4.2.5 Dropout过程 |
| 4.2.6 输出层 |
| 4.3 卷积神经网络模型生成模块 |
| 4.3.1 模型创建 |
| 4.3.2 模型生成 |
| 4.4 卷积神经网络模型评估模块 |
| 4.5 模型预测和应用模块:流体特征提取的计算结果 |
| 4.6 对比和分析 |
| 4.7 本章小结 |
| 第五章 基于数据驱动的流体特征提取方法的应用 |
| 5.1 提取实例1 |
| 5.2 提取实例2 |
| 5.3 提取实例3 |
| 5.4 提取实例4 |
| 5.5 提取实例5 |
| 5.6 提取实例6 |
| 5.6.1 500 个粒子 |
| 5.6.2 1000 个粒子 |
| 5.6.3 2000 个粒子 |
| 5.7 提取实例7 |
| 5.7.1 1000 个粒子 |
| 5.7.2 1500 个粒子 |
| 5.7.3 2000 个粒子 |
| 5.8 提取实例8 |
| 5.9 提取实例9 |
| 5.10 本章小结 |
| 第六章 结束语 |
| 6.1 主要工作与创新点 |
| 6.1.1 本文主要工作 |
| 6.1.2 本文的创新点 |
| 6.2 后续研究工作 |
| 6.2.1 优化卷积神经网络模型 |
| 6.2.2 选择其他类型的神经网络构建模型 |
| 6.2.3 将基于数据驱动的流体特征提取方法应用于大规模流场计算中 |
| 参考文献 |
| 附录1 常用符号表 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（4）深度神经网络的训练优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究问题分解 |
| 1.3 本论文研究内容与主要贡献 |
| 1.4 本论文组织结构 |
| 第二章 深度神经网络优化问题概述 |
| 2.1 深度神经网络初始化方法研究现状 |
| 2.1.1 常用的神经网络初始化方法 |
| 2.1.2 最近几种新颖的神经网络初始化 |
| 2.1.3 深度随机神经网络信号传播 |
| 2.2 深度神经网络归一化研究现状 |
| 2.2.1 常用归一化方法 |
| 2.2.2 其它归一化技术 |
| 2.3 深度神经网络的训练优化算法研究现状 |
| 2.3.1 训练深度神经网络一阶优化算法 |
| 2.3.2 训练深度神经网络二阶优化算法 |
| 2.4 深度神经网络全局优化研究现状 |
| 2.4.1 深度神经网络损失曲面的关键点 |
| 2.4.2 深度神经网络损失曲面的几何性质 |
| 2.4.3 深度神经网络学习动力学 |
| 第三章 深度神经网络的归一化和初始化方法 |
| 3.1 深度神经网络归一化研究 |
| 3.1.1 深度神经网络权值空间的对称性 |
| 3.1.2 基于缩放不变的权值归一方法 |
| 3.1.3 实验结果 |
| 3.2 深度神经网络初始化研究 |
| 3.2.1 网络模型和理论工具 |
| 3.2.2 理论分析 |
| 3.2.3 修正的正交初始化 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 第四章 深度神经网络的自适应梯度优化方法 |
| 4.1 本章引言 |
| 4.2 预备知识 |
| 4.3 Adam类型优化算法的动力学分析与轨迹分析 |
| 4.3.1 Adam类型优化算法的动力学分析 |
| 4.3.2 Adam和 SGD的优化轨迹对比分析 |
| 4.4 具有动态动量和基础学习率的自适应梯度方法 |
| 4.4.1 算法的实现细节 |
| 4.4.2 算法收敛性分析 |
| 4.5 本章实验 |
| 4.5.1 参数设置 |
| 4.5.2 图像分类任务 |
| 4.5.3 语言建模任务 |
| 4.6 本章小结 |
| 第五章 单调策略优化算法 |
| 5.1 本章引言 |
| 5.2 相关工作 |
| 5.3 基础准备 |
| 5.4 单调的策略优化算法 |
| 5.4.1 策略改进的下界 |
| 5.4.2 单调的策略优化算法的提出 |
| 5.5 实验分析 |
| 5.5.1 仿真实验建立 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第六章 深度神经网络损失曲面的探索 |
| 6.1 本章引言 |
| 6.2 实验工具 |
| 6.2.1 插值法 |
| 6.2.2 特征值计算方法 |
| 6.2.3 模式连接 |
| 6.3 本章实验 |
| 6.3.1 实验的设置 |
| 6.3.2 各种优化算法的轨迹 |
| 6.3.3 各种优化算法轨迹处损失曲面的几何性质 |
| 6.3.4 等价局部极小点间的连通路径 |
| 6.4 本章小结 |
| 第七章 基于权值缩放不变的深度神经网络集成 |
| 7.1 本章引言 |
| 7.2 相关工作 |
| 7.2.1 个体网络模型生成方法 |
| 7.2.2 神经网络“隐式”集成方法 |
| 7.2.3 神经网络模型选择方法 |
| 7.3 神经网络集成方法与模型选择方法 |
| 7.3.1 集成学习基础与多样性度量 |
| 7.3.2 基于权值缩放不变的神经网络集成方法 |
| 7.3.3 模型选择方法 |
| 7.4 实验分析 |
| 7.4.1 实验设置 |
| 7.4.2 实验结果 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 今后工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 附件 |
（5）基于随机矩阵理论的滚动轴承异常状态检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚动轴承异常状态检测方法国内研究现状 |
| 1.2.2 滚动轴承异常状态检测方法国外研究现状 |
| 1.2.3 随机矩阵特征值与特征向量应用国内外研究现状 |
| 1.3 论文的主要研究框架与内容 |
| 第二章 滚动轴承监测数据随机矩阵构造 |
| 2.1 随机矩阵理论简介 |
| 2.1.1 常见随机矩阵 |
| 2.1.2 M-P律 |
| 2.1.3 半圆律 |
| 2.2 滚动轴承监测矩阵随机化算法研究 |
| 2.3 滚动轴承监测矩阵随机化算法应用 |
| 2.3.1 IMS滚动轴承全寿命实验数据简介 |
| 2.3.2 IMS数据随机化构造 |
| 2.3.3 XJTU-SY滚动轴承全寿命试验数据简介 |
| 2.3.4 XJTU-SY数据随机化构造 |
| 2.4 本章小结 |
| 第三章 基于随机矩阵特征值指标的滚动轴承早期异常检测 |
| 3.1 基于矩阵特征值的滚动轴承异常检测算法 |
| 3.1.1 基于特征值之比的异常检测算法 |
| 3.1.2 滚动轴承运行状态检测特征值指标构造 |
| 3.1.3 基于Iris数据集的特征值异常检测算法验证 |
| 3.2 基于IMS数据的滚动轴承早期异常检测算法应用研究 |
| 3.2.1 IMS数据应用 |
| 3.2.2 滚动轴承状态异常检测阈值的影响因素分析 |
| 3.2.3 滚动轴承早期异常状态检测研究 |
| 3.3 基于XJTU-SY数据的特征值检测指标应用研究 |
| 3.4 本章小结 |
| 第四章 基于综合特征指标的滚动轴承早期异常状态检测 |
| 4.1 随机矩阵特征向量概述 |
| 4.2 .融合特征值和主特征向量的滚动轴承异常状态检测算法 |
| 4.2.1 特征值与主特征向量相融合的综合特征指标构造 |
| 4.2.2 基于综合特征指标的异常检测阈值确定 |
| 4.2.3 基于Iris数据的综合特征异常检测算法验证 |
| 4.3 基于综合特征指标的滚动轴承异常状态检测算法应用 |
| 4.3.1 基于IMS数据的滚动轴承异常状态检测 |
| 4.3.2 基于XJTU-SY数据的滚动轴承异常状态检测 |
| 4.4 本章小结 |
| 第五章 基于随机矩阵单环理论的滚动轴承退化状态评估 |
| 5.1 单环理论简介 |
| 5.2 基于单环理论的滚动轴承退化状态评估算法 |
| 5.2.1 滚动轴承监测数据单环构造 |
| 5.2.2 滚动轴承退化状态评估指标确定 |
| 5.3 基于单环理论的滚动轴承退化状态评估算法应用 |
| 5.3.1 基于IMS数据的滚动轴承退化状态评估 |
| 5.3.2 基于XJTU-SY数据的滚动轴承退化状态评估 |
| 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 |
| A:已发表的论文 |
| B:已申请的专利 |
| C:参加的项目 |
| 致谢 |
（6）三维模型邻接面复杂网络的谱聚类方法研究（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 三维模型特征建模的研究现状 |
| 1.2.2 复杂网络的研究现状 |
| 1.2.3 三维模型聚类的研究现状 |
| 1.3 主要创新点 |
| 1.4 本文组织结构 |
| 第二章 三维模型表示及谱聚类算法 |
| 2.1 三维模型表示及STEP文件 |
| 2.1.1 三维模型的边界表示法 |
| 2.1.2 STEP文件元素信息提取 |
| 2.2 聚类算法 |
| 2.2.1 谱聚类算法定义及历史背景 |
| 2.2.2 谱聚类算法过程 |
| 2.2.3 谱聚类的一般框架 |
| 2.3 本章小结 |
| 第三章 基于STEP文件的多维度特征建模方法 |
| 3.1 几何特征向量构建 |
| 3.2 拓扑特征向量构建 |
| 3.3 保角描述符向量构建 |
| 3.4 核心曲面边界特征向量构建 |
| 3.5 基于多维度的模型特征向量构建 |
| 3.6 本章小结 |
| 第四章 三维模型邻接面复杂网络谱聚类方法 |
| 4.1 三维模型谱聚类方法 |
| 4.2 构建融合特征相似度模型 |
| 4.2.1 多维度特征相似度计算 |
| 4.2.2 基于信息熵的特征权值确定 |
| 4.3 拉普拉斯矩阵的求解 |
| 4.3.1 Lanczos方法 |
| 4.3.2 数值实验及分析 |
| 4.3.3 特征向量空间的构建 |
| 4.4 面节点谱聚类 |
| 4.4.1 实验描述 |
| 4.4.2 实验结果及评价 |
| 4.5 三维模型节点谱聚类 |
| 4.5.1 实验描述 |
| 4.5.2 实验结果及评价 |
| 4.6 本章小结 |
| 第五章 三维模型检索和设计重用 |
| 5.1 应用描述 |
| 5.1.1 基于聚类结果面向邻接面复杂网络的检索方法 |
| 5.1.2 面向邻接面复杂网络的设计重用 |
| 5.2 实验描述及结果 |
| 5.3 实验结果的评价 |
| 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 |
| 攻读硕士学位期间的主要成果 |
| 致谢 |
（7）特征降维算法在股价预测中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征选择研究综述 |
| 1.2.2 股价预测模型综述 |
| 1.2.3 问题总结 |
| 1.3 本文研究目标及主要内容 |
| 1.3.1 研究对象及目标 |
| 1.3.2 主要内容及创新点 |
| 1.3.3 本文结构安排 |
| 第二章 线性与非线性降维技术原理 |
| 2.1 线性降维算法 |
| 2.1.1 线性判别分析算法 |
| 2.1.2 局部保持投影算法 |
| 2.1.3 主成分分析算法 |
| 2.2 非线性降维算法 |
| 2.2.1 核主成分分析算法 |
| 2.2.2 多维尺度分析算法 |
| 2.2.3 局部线性嵌入算法 |
| 2.2.4 随机分布嵌入算法及其改进 |
| 第三章 特征降维分类框架 |
| 3.1 特征降维分类概述 |
| 3.2 特征选择算法 |
| 3.2.1 过滤式(Filter) |
| 3.2.2 封装式(Wrapper) |
| 3.2.3 嵌入式(Embedding) |
| 3.3 特征提取算法 |
| 3.3.1 线性特征提取算法 |
| 3.3.2 非线性特征提取算法 |
| 第四章 MI-IPCA降维算法 |
| 4.1 熵和互信息 |
| 4.1.1 信息熵、联合熵和条件熵 |
| 4.1.2 互信息 |
| 4.2 主成分分析具体算法步骤 |
| 4.3 基于MI-IPCA的双重特征选择算法 |
| 4.3.1 复相关系数 |
| 4.3.2 改进的PCA算法 |
| 4.3.3 互信息和改进的PCA融合的特征选择算法(MI-IPCA) |
| 第五章 MI-IPCA算法在股价预测中的实证研究 |
| 5.1 样本数据的选取和预处理 |
| 5.1.1 样本数据的选取 |
| 5.1.2 数据预处理 |
| 5.2 基于互信息的初步特征筛选 |
| 5.3 基于改进的PCA算法的特征提取结果 |
| 5.4 基于BP神经网络的实证预测研究 |
| 5.4.1 BP神经网络概述 |
| 5.4.2 激活函数及网络参数 |
| 5.4.3 BP网络算法流程 |
| 5.4.4 模型评价标准 |
| 5.4.5 主元数选取模型的预测 |
| 5.4.6 MI-IPCA与 IPCA降维后预测结果比较 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于三维模型重建的头部姿态估计算法研究（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 |
| 1.3 本文主要内容与贡献 |
| 1.4 论文的组织结构 |
| 第二章 相关工作介绍 |
| 2.1 头部姿态估计概述 |
| 2.1.1 头部姿态估计定义 |
| 2.1.2 头部姿态估计难点 |
| 2.2 人脸对齐及关键点检测 |
| 2.2.1 人脸对齐及关键点检测概述 |
| 2.2.2 ERT算法 |
| 2.2.3 人脸特征点及检测器 |
| 2.3 三维人脸模型重建 |
| 2.3.1 三维人脸建模 |
| 2.3.2 主成分分析法 |
| 2.3.3 人脸三维形变模型 |
| 2.3.4 卷积神经网络—3DMM |
| 2.4 神经网络理论基础 |
| 2.4.1 神经网络的前向传播 |
| 2.4.2 反向传播和损失函数 |
| 2.4.3 卷积神经网络 |
| 2.4.4 网络的训练和测试 |
| 2.5 本章小结 |
| 第三章 基于深层网络的三维人脸模型重建 |
| 3.1 三维人脸建模 |
| 3.1.1 三维模型参数的主成分分析处理 |
| 3.1.2 网络及损失函数设计 |
| 3.2 实验设计 |
| 3.3 数据集的合成 |
| 3.4 本章小结 |
| 第四章 基于神经网络的头部姿态估计 |
| 4.1 引言 |
| 4.2 实验数据准备 |
| 4.2.1 实验数据介绍 |
| 4.2.2 实验数据矫正 |
| 4.3 人脸特征点检测 |
| 4.3.1 人脸对齐网络 |
| 4.3.2 人脸特征点检测 |
| 4.4 头部姿态估计 |
| 4.4.1 算法原理 |
| 4.4.2 特征点检测方法的比较 |
| 4.4.3 对比实验的选择 |
| 4.4.4 在Pointing'04数据集上的实验结果与分析 |
| 4.4.5 在Biwi数据集上的实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（9）气象信息管理系统中指纹活性检测方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.2.1 气象信息化的发展 |
| 1.2.2 气象信息系统中的指纹识别技术 |
| 1.3 研究目的与意义 |
| 1.4 本文主要工作 |
| 1.5 论文结构 |
| 第二章 指纹活性检测概述 |
| 2.1 指纹识别概述 |
| 2.2 指纹活性检测研究现状 |
| 2.2.1 启发式的检测方法 |
| 2.2.2 基于纹理特征的检测方法 |
| 2.2.3 基于深度学习的检测方法 |
| 2.3 现有方法的对比和分析 |
| 2.4 本章小结 |
| 第三章 基于空域纹理特征的指纹活性检测算法 |
| 3.1 引言 |
| 3.2 基于多方向差分共生矩阵的特征提取方法 |
| 3.2.1 灰度共生矩阵 |
| 3.2.2 差分矩阵构建 |
| 3.2.3 特征提取 |
| 3.3 支持向量机 |
| 3.3.1 线性可分式 |
| 3.3.2 非线性式 |
| 3.3.3 线性不可分式 |
| 3.4 指纹数据集 |
| 3.5 实验结果与分析 |
| 3.5.1 性能评价指标 |
| 3.5.2 实验配置 |
| 3.5.3 结果与分析 |
| 3.6 本章小结 |
| 第四章 基于变换域特征提取的指纹活性检测算法 |
| 4.1 引言 |
| 4.2 小波变换简介 |
| 4.3 特征提取 |
| 4.3.1 局部二值模式 |
| 4.3.2 多阶差分共生矩阵 |
| 4.4 实验结果与分析 |
| 4.4.1 指纹数据集 |
| 4.4.2 LIBSVM |
| 4.4.3 评估准则与参数 |
| 4.4.4 结果与分析 |
| 4.5 本章小结 |
| 第五章 基于卷积神经网络的指纹活性检测算法 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 卷积神经网络简述 |
| 5.2.2 卷积层 |
| 5.2.3 激活函数 |
| 5.2.4 池化层 |
| 5.2.5 全连接层 |
| 5.3 基于尺度均衡化卷积神经网络的指纹活性检测算法 |
| 5.3.1 尺度均衡化和学习率自适应调整 |
| 5.3.2 图像数据集 |
| 5.3.3 环境配置 |
| 5.3.4 实验结果与分析 |
| 5.4 基于自适应学习深度残差网络的指纹活性检测算法 |
| 5.4.1 局部梯度模式 |
| 5.4.2 感兴趣区域提取 |
| 5.4.3 自适应学习 |
| 5.4.4 图像增强 |
| 5.4.5 实验参数 |
| 5.4.6 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 基于多模态深度特征融合的指纹活性检测算法 |
| 6.1 引言 |
| 6.2 相关技术 |
| 6.2.1 迁移学习 |
| 6.2.2 图像集增强和参数微调 |
| 6.2.3 堆叠分类器 |
| 6.3 多模态深度特征融合框架 |
| 6.4 特征提取 |
| 6.5 图像集与评估准则 |
| 6.6 实验结果与分析 |
| 6.7 本章小结 |
| 第七章 基于指纹识别的雷电灾害防御专业气象服务登录系统 |
| 7.1 指纹识别 |
| 7.2 指纹活性检测 |
| 7.3 指纹识别登录的雷电灾害防御专业气象服务系统 |
| 第八章 结论与展望 |
| 8.1 论文主要贡献及创新 |
| 8.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 附录 A 本文算法网络模型的名称、类型和参数 |
（10）基于深度学习的肺分叶分段（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与内容 |
| 1.4 本文的结构安排 |
| 第二章 医学影像与深度学习的研究概述 |
| 2.1 医学影像技术 |
| 2.2 深度学习 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.2.3 生成对抗网络 |
| 2.3 深度学习在医学影像上的应用 |
| 2.4 本章小结 |
| 第三章 肺部组织分割 |
| 3.1 肺实质分割 |
| 3.1.1 传统方法分割肺实质 |
| 3.1.2 深度学习方法分割肺实质 |
| 3.1.3 评价指标及实验环境 |
| 3.1.4 实验结果分析 |
| 3.2 血管分割 |
| 3.2.1 Frangi算法 |
| 3.2.2 深度学习分割肺动脉 |
| 3.2.3 实验结果分析 |
| 3.3 气管分割 |
| 3.3.1 分割气管算法 |
| 3.3.2 实验结果分析 |
| 3.4 肺裂分割 |
| 3.4.1 肺裂分割算法 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 肺的分叶和分段 |
| 4.1 肺的自动分叶 |
| 4.1.1 管道细化算法 |
| 4.1.2 气管自动标记分叶算法 |
| 4.1.3 基于图割的肺分叶算法 |
| 4.1.4 实验结果分析 |
| 4.2 肺的分段 |
| 4.2.1 肺分段算法 |
| 4.2.2 实验结果分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 今后工作展望 |
| 参考文献 |
| 附录 攻读硕士学位期间发表论文及科研情况 |
| 致谢 |
四、用神经网络计算矩阵特征值与特征向量（论文参考文献）
- [1]基于神经网络方法的对称矩阵特征值的求解[J]. 张丽丽. 陇东学院学报, 2021(02)
- [2]碰撞振动系统参数-状态空间全局动力学研究[D]. 张惠. 兰州交通大学, 2021
- [3]基于数据驱动的流体特征提取方法与应用[D]. 张锐. 上海交通大学, 2020(01)
- [4]深度神经网络的训练优化方法研究[D]. 袁群勇. 华南理工大学, 2020(01)
- [5]基于随机矩阵理论的滚动轴承异常状态检测算法研究[D]. 倪广县. 南通大学, 2020
- [6]三维模型邻接面复杂网络的谱聚类方法研究[D]. 原焕椿. 山东师范大学, 2020(08)
- [7]特征降维算法在股价预测中的应用研究[D]. 谢心蕊. 华南理工大学, 2020(02)
- [8]基于三维模型重建的头部姿态估计算法研究[D]. 桂文婷. 华中师范大学, 2020(01)
- [9]气象信息管理系统中指纹活性检测方法的研究[D]. 袁程胜. 南京信息工程大学, 2019
- [10]基于深度学习的肺分叶分段[D]. 严凯. 厦门大学, 2019(07)