一、应用对比方法处理实验数据的研究（论文文献综述）
李静[1]（2021）在《像素级红外与可见光图像融合方法研究》文中进行了进一步梳理红外与可见光图像融合旨在将同一场景的多模态图像结合,生成一幅能够准确、全面描述该场景的图像。红外传感器对热辐射信息较为敏感,能够在伪装或低照度条件下成像,故红外图像能够较好的识别热源目标,但红外图像存在背景信息不足的问题。可见光传感器通过物体反射光线成像,能够捕获场景的背景信息。因此,红外与可见光图像融合能够同时保存红外目标信息和可见光图像的纹理细节信息,使融合图像更好地满足特定场景和特殊环境下的观测需求。红外与可见光图像融合已经在公安敏感目标跟踪识别、周界防护、事故鉴定取证等方面发挥重要作用,逐渐服务于边防、社会治安、反恐防恐等公安业务。生成对抗网络（Generative Adversarial Networks,GAN）具有较强的数据分布拟合能力,已成为红外与可见光图像融合的研究热点。但基于GAN的红外与可见光图像融合方法中仅使用单鉴别器,而导致融合结果对未参与鉴别的源图像信息保存不足,同时,基于GAN的融合模型也缺乏感知图像典型特征区域的能力,导致融合结果对比度不高且对红外目标信息和可见光图像的纹理细节信息保存不完整。因此,本文提出多种基于GAN的红外与可见光图像融合算法。本文的主要研究内容和创新点如下:1.基于双鉴别器生成对抗网络的红外与可见光图像融合方法针对基于GAN的红外与可见光图像融合方法使用单鉴别器结构,使融合结果拟合可见光图像的数据分布以保存纹理细节信息,导致对红外图像信息保存不足的问题,本文提出了一种基于双鉴别器生成对抗网络的融合方法。该方法在生成对抗网络中设计两个鉴别器,使生成图像同时拟合可见光和红外图像数据分布,以同时保存红外目标信息和可见光图像的纹理细节信息。除此之外,为了更好的保存可见光图像中的纹理信息,该方法提出了基于局部二值模式（Local binary patterns,LBP）的损失函数。最后通过消融实验证明了提出方法的合理性和有效性,并在两个不同公开数据集上从定性与定量两个方面与其他7种融合方法做了实验对比。实验证明该方法能够克服单鉴别器生成对抗网络图像融合方法中信息保存不足的问题,且在定性与定量评价中明显优于单鉴别器生成对抗网络方法。2.基于注意力机制和生成对抗网络的红外与可见光图像融合方法针对基于GAN的红外与可见光图像融合方法不能重点感知图像典型目标和细节信息,导致融合结果中红外目标信息对比度低、可见光图像纹理细节模糊等问题,本文提出了一种基于注意力机制和生成对抗网络的融合方法。该方法在生成器中利用编解码网络结构,考虑红外与可见光图像具有不同的模态,对其分别编码,再将两者特征结合共同解码,生成融合图像。为了充分提取源图像特征,该方法在编码结构中的不同尺度网络层分别插入注意力模块,计算各个尺度的注意力图,再将不同尺度注意力图与解码结构对应尺度的网络层结合,使生成器从不同尺度感知图像目标区域和细节信息。为了更好地保存可见光图像的纹理细节特征,该方法提出了一种基于生成图像和可见光图像的特征损失函数。消融实验证明该方法能够充分感知源图像不同尺度特征,同时保存和增强红外目标信息和可见光纹理细节信息。该方法在两个公开数据集上与7种融合算法相比均取得较好的融合结果,并在定性和定量评价中该方法均优于其他基于GAN的融合方法。3.基于双注意力机制的红外与可见光图像融合方法针对基于GAN的红外与可见光图像融合研究中,仅在生成器使用注意力机制,而鉴别阶段缺乏注意力感知能力,导致融合结果对红外目标信息和可见光纹理细节保存不完整等问题,本文提出了一种基于双注意力机制的融合方法。该方法设计一种多尺度注意力模块,该模块在不同尺度空间中将空间注意力和通道注意力结合,并将其同时应用在GAN的生成器和鉴别器。在生成器中,考虑红外与可见光图像多模态差异,红外图像包含更多目标信息,可见光图像包含更多纹理细节信息,因此分别设计红外多尺度注意力网络和可见光多尺度注意力网络计算红外和可见光注意力图,最后通过融合网络生成融合图像。在鉴别器中,采用双鉴别器结构并将注意力模块分别与鉴别器结合,促使鉴别器能通过感知图像目标区域和细节信息来鉴别图像。同时,为了保存更多目标信息和背景信息,该方法提出了一种注意力损失函数,利用鉴别器中的注意力图计算注意力损失。消融实验证明该方法不仅能够对红外目标信息和可见光纹理细节信息进行增强,而且对源图像信息保存更加完整。该方法在两个公开数据集上与7种融合算法相比均取得了较好的融合结果,且在定性和定量评价中均优于其他融合方法。
胡乐佳[2]（2021）在《显微系统中基于波前探测与深度学习的像差校正方法研究》文中研究说明荧光显微镜在生物医学研究中占有重要的一席之地。但是显微系统自身包含的像差以及生物组织引入的像差都限制了系统的成像质量。自适应光学技术能够对显微系统中的像差进行针对性地探测与校正,使得显微系统能够将光束有效地会聚到组织深处,从而实现深层组织光聚焦,以及恢复接近衍射极限的成像分辨率。但是显微系统中的波前探测与像差校正方法仍值得进一步研究与提升。当显微系统利用基于波前探测的像差校正方法在生物组织深处实现光聚焦时,其聚焦的可靠性有待探究。当显微系统使用Shack-Hartmann波前传感器进行波前探测时,其探测流程有待进一步简化,其探测精度与速度有待进一步提升。当显微系统不具备自适应光学硬件时,需要研究不依赖于硬件的像差校正方法作为替代方案。本论文对显微系统中基于波前探测与深度学习的像差校正方法展开了深入的研究,主要的研究内容及创新点如下:（1）通过实验探究了基于相干光学自适应技术的像差校正方法在小鼠脑切片上使用后向散射光作为反馈时的波前探测可靠性。提出以聚焦光斑的艾里斑半径作为聚焦可靠性判据。确定了在本实验条件下相干光学自适应技术可靠聚焦的临界深度为150μm。实验结果填补了相干光学自适应技术在波前探测可靠性探究上的空缺,为其在生物医学领域的应用提供了经验支撑。（2）基于深度学习,提出了一种通过卷积神经网络直接从Shack-Hartmann波前传感器获取的图像中预测Zernike系数的波前探测方法。简化了波前探测的流程并提升了波前探测的精度与速度。通过在300μm厚的小鼠脑切片上的实验,验证了所述方法的波前探测与像差校正的性能。（3）基于深度学习,提出了一种使用卷积神经网络直接从Shack-Hartmann波前传感器获取的图像中重建待测波前分布的方法,进一步简化了波前探测的流程并提升了探测精度。通过与多种波前重建方法对比,验证了所述方法在波前重建与像差校正方面的性能与泛化能力。（4）基于深度学习与像差的先验知识,为不具备自适应光学硬件的显微系统提供了一种通过卷积神经网络进行图像复原的像差校正方法,无需波前探测即可快速实现对图像的像差校正与降噪。提出了 一种无需精确配准且能够通过少量拍摄的图像进行训练数据集生成与扩增的方法,减少了人力与时间成本。所述方法在多种商用荧光显微镜以及自制的荧光显微镜中验证了图像复原的性能,体现了较好的泛化能力。综上所述,本论文对显微系统中基于相干光学自适应技术的像差校正方法的波前探测可靠性进行了实验探究,并提出了基于波前探测与深度学习的像差校正方法和基于深度学习与图像复原的像差校正方法,在生物医学研究中具有潜在的应用前景。
渠涧涛[3]（2021）在《LTE-R网络智能故障诊断与预测方法研究》文中指出随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R（Long Term Evaluation-Railways）技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:（1）针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统（GIS）技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。（2）在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络（GAN）方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法（NSGA-Ⅲ）对网络参数进行优化。最后,使用逼近理想解排序法（TOPSIS）从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。（3）为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络（CNN）的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。（4）针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载（E-RAB）异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解（CEEMDAN）对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络（LSTM）和注意力机制构建预测模型。此外,又引入了粒子群优化（PSO）算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。（5）考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化（BPSO）算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。
赵岩[4]（2021）在《基于用户行为的流式推荐方法研究》文中研究说明推荐系统已经广泛地融入到了人们的日常生活,并在改善用户体验、提高企业效益方面发挥着重要的作用。但是,推荐系统普遍采用离线推荐方法,周期性地利用大量用户与物品的历史交互数据训练推荐模型,不能及时地捕获隐含在近期交互数据中的用户最新偏好,难以在流式场景中为用户精确地推荐物品。针对这一问题,研究者们提出了流式推荐方法,利用新接收到的交互数据即时地训练推荐模型,有效地捕获用户的最新偏好,从而在流式场景中提高推荐的精确度。然而,流式推荐面临着诸多挑战,包括如何同时捕获用户的近期偏好和长期偏好,如何应对欠载场景和过载场景,如何解决用户偏好和物品特征的异质性问题以及如何利用如购买、加购物车和浏览等多种行为类型的交互数据提高推荐精确度等。另外,流式场景中负载强度容易发生波动,流式推荐方法所需计算资源不断变化,需要具有较短响应时间的资源调度方法快速地调度计算资源。出于可扩展性的考虑,推荐系统通常部署在云环境中。然而,研究者们对云环境下面向响应时间优化的资源调度方法研究较少。为了应对以上挑战,本文从数据采样、推荐模型创新和资源调度等多方面开展了研究。主要包含以下四个方面:（1）基于时间分层采样的自适应集成学习方法。为同时捕获用户近期偏好和长期偏好,研究时间分层采样方法。该方法从新接收到的数据和历史数据中分别采样得到训练数据,以便从新数据中捕获用户的近期偏好、从历史数据中捕获用户的长期偏好。针对过载问题,研究自适应集成学习方法。该方法首先利用训练数据并行地训练多个独立的子推荐模型,以便高效地处理过量的数据,然后通过序列自适应融合方法融合这些子模型的结果,从而实现精确的流式推荐。利用真实世界中用户与物品的交互数据模拟数据流,对提出的推荐方法进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在过载场景中的有效性。（2）基于历史数据增强采样的双翼混合专家推荐方法。针对欠载场景中新数据不足的问题,研究历史数据增强采样方法。该方法通过采样得到的历史数据对新数据进行补充,有助于充分利用欠载场景中空闲的计算资源有效地训练推荐模型。针对用户偏好和物品特征的异质性问题,研究双翼混合专家推荐方法。该方法采用两个混合专家模型分别学习用户的偏好和物品的特征。同时,这两个混合专家模型中每个独立的专家模型,专注于学习一类用户偏好或物品特征,从而有效地学习异质的用户偏好和异质的物品特征。利用真实世界中用户与物品的交互数据进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在欠载场景中的有效性。（3）记忆网络增强的多行为流式推荐方法。针对流式推荐场景中单一类型交互行为数据的稀疏性问题,研究多行为流式推荐方法。首先研究多行为学习方法,从多种类型交互行为数据中学习用户的近期偏好和物品的稳定特征。然后,研究基于注意力机制的记忆网络,有效地利用属于多种行为类型的交互数据维护用户的长期偏好。在此之后,研究用户偏好合并方法,融合用户的近期偏好和长期偏好。此外,研究流式场景下的多行为训练方法,捕获多种行为类型之间的相互影响,从而进一步提高流式推荐的精确度。利用真实世界购物平台中多种行为类型的交互数据进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在具有多种行为类型的场景中的有效性。（4）面向流式推荐的响应时间优化的资源调度方法。针对流式推荐场景中负载强度容易发生波动、推荐方法需要的计算资源量不断变化的问题,面向云环境下计算量有限和计算量较为充足的两种场景,分别提出响应时间优化的资源调度方法,快速地满足流式推荐方法对计算资源的需求。具体地,在虚拟机放置过程中,面向计算资源较为有限的场景,研究基于时间感知分治策略的分支界限法,在节省计算资源的前提下对资源调度的响应时间进行优化;面向计算资源较为充足的场景,研究基于混洗的多维首次适应方法,实时地为流式推荐方法提供计算资源。利用真实世界的负载数据和仿真的负载数据进行实验验证与结果分析,通过比较响应时间和所需的资源量,验证了提出的方法快速调度计算资源方面的有效性。
高晓楠[5]（2021）在《面向决策支持的分类属性数据深度无监督挖掘研究》文中认为数据驱动的决策支持是管理决策过程的重要环节,包含三个核心阶段:决策空间表征、决策分析过程和决策结果评价。结构化的未标记分类属性数据是决策支持过程中面临的主要数据类型之一,具有属性取值为枚举型,不可微且无法进行代数运算的特点,导致面向此类型数据的已有挖掘方法存在数据间关系度量不精准的缺陷,影响挖掘结果准确性。由此,目前针对分类属性数据的决策支持过程面临着有效分析方法匮乏等困境,仅能选择少数且挖掘效果有限的方法,限制了最终管理决策过程的正确性和科学性。深度学习理论在结构化的数值属性数据和非结构化数据的无监督挖掘中取得了显着优于传统数据挖掘方法的成果,为解决分类属性数据无监督挖掘问题提供了新的研究思路。本文面向决策支持过程的三个核心阶段,将深度学习相关理论引入分类属性数据无监督挖掘研究中,提出分类属性数据深度无监督挖掘系列方法,解决传统方法无法有效处理的分类属性数据无监督挖掘难点,为面向分类属性数据的决策支持过程提供理论支撑及有效解决方案。本文研究主要解决如下三个实际问题:（1）决策空间表征阶段,将待分析数据从原始特征空间映射到决策空间中,获得其决策空间表征,以便更好地服务于后续分析过程。对于分类属性数据,现有方法难以深入挖掘数据的潜在特征,导致无法获得能够准确反映数据间关系的决策空间表征,影响决策分析过程的准确性。（2）决策分析过程阶段,基于待分析数据的决策空间表征,选择或开发合适的分析方法,从中发现潜在有用的知识模式,为管理决策提供高质量的方案支持。对于分类属性数据,现有方法难以精准度量数据间关系,造成基于此类型数据的决策分析结果准确性较差。（3）决策结果评价阶段,对决策分析结果的有效性进行定量评价,并从中识别出最优结果,以确保依据科学的分析结果支持管理决策过程。对于分类属性数据,现有方法未充分衡量决策分析结果中全部相关信息的有效性,影响评价结果的准确性,难以保证决策支持过程的科学性。基于上述实际问题,本文开展面向决策支持的分类属性数据深度无监督挖掘研究,主要创新性成果包括:（1）提出面向决策空间表征的分类属性数据深度特征学习方法,借鉴深度无监督特征学习和网络嵌入基本思想,能够深入挖掘分类属性数据中隐含的实际意义及其相关关系,并将其显示地表达在决策空间表征中,为决策支持过程奠定数据基础。现有相关研究存在分类属性数据潜在特征挖掘能力不足及特征学习结果受参数影响敏感的缺陷,并且受制于分类属性数据不可微且不可进行代数运算的限制,深度学习方法无法直接应用于分类属性数据挖掘。本文将结构化的分类属性数据转化为网络数据,打破应用深度学习相关方法解决分类属性数据挖掘问题的障碍,能够获得蕴含着原始分类属性数据潜在有用信息的决策空间表征,为后续决策分析过程提供数据基础。（2）提出面向决策分析过程的分类属性数据深度聚类方法,借鉴深度聚类和网络嵌入基本思想,能够充分挖掘分类属性数据间关系,获得更加精确的聚类划分结果,为决策支持过程处理分类属性数据提供有效的分析方法。现有相关研究存在分类属性数据间关系度量不精准影响聚类结果准确性的不足。本文基于深度聚类和网络嵌入基本思路,构建并融合聚类目标和特征学习目标,可以更精准地度量分类属性数据间关系,提升此类型数据的聚类划分效果,为决策支持过程中分析分类属性数据提供更准确的挖掘方法。（3）提出面向决策结果评价的分类属性数据聚类内部有效性评价指标,能够深入衡量分类属性数据聚类结果中数据对象间的细节分布信息,得到更准确的聚类评价结果,适用于具有深度特征的深度聚类结果评价任务,为科学地支持管理决策过程提供保障。现有相关研究基于分类属性取值的独立性假设,仅能衡量聚类结果中类的整体表现,忽略了数据对象的细节分布情况。本文通过构建符合距离定义的分类属性数据距离度量,结合具有设计优势的评价框架,能够尽可能考虑聚类结果中的全部细节分布信息,更加精确地对分类属性数据聚类结果进行评价,保障决策支持过程的科学性。（4）建立面向决策支持的分类属性数据深度无监督挖掘系列方法,可以作为一整套解决方案处理决策支持过程中面临的未标记分类属性数据。应用本文提出的分类属性数据深度特征学习方法、深度聚类方法、聚类内部有效性评价指标,支持某数据科学领域企业的人才招聘决策过程,将人才数据细分到不同类中,识别出最优人才细分结果,通过分析各类别人才特征,总结出支持人才招聘决策的管理建议,表明本文研究成果能够作为一整套解决方案用于面向未标记分类属性数据的决策支持过程。
刘新[6]（2021）在《基于TCN的时间序列数据特征提取研究与应用》文中研究表明时间序列数据是指具有时序特征的特殊数据对象。一组序列是根据特定的时间间隔,进行一系列采样得到的数据。时间序列数据来源广泛,还具有数据量大、数据维度高、数据结构复杂等特点,这类数据与其他数据相比研究难度更大,也面临着更多的挑战。传统的时间序列特征提取方法通常需要人为设计特征,效率不高且有可能使特征丢失。近年来,基于深度学习的特征提取取得了优秀的成果,通过模型训练能够有效的提取特征,进而实现时间序列的预测、分类、聚类等任务。本文在时间卷积网络（TCN）的基础上,首先提出一种带有注意力机制的时间卷积网络,组合因果卷积、空洞卷积、残差连接以及双层注意力机制,通过跳层连接实现对抽象程度不同的特征的提取。在实验中,通过分类任务验证了模型对一维时间序列的特征提取能力。进一步的,针对更复杂的多维时间序列数据,提出一种基于多特征融合的时间卷积网络,考虑到不同变量之间的区别与联系,方法首先单独提取多维时间序列每一个子变量的特征,再利用新颖的注意力机制特征融合方法整合特征,算法的整体过程设计为一个统一的端到端模型。与目前先进的算法相比,本文方法在多个公开数据集上具有更高的分类准确度。最后,将本文方法应用于基于声发射数据的车轴故障检测问题,对比改进前的时间卷积网络,本文方法检测准确率更高,证明了算法对车轴的故障识别能力。本文利用时间卷积神经网络可并行计算、参数共享以及高效的时序记忆能力等优点,通过引入注意力机制等改进方法,增强了时间卷积网络对序列数据的感知和识别能力,提高了模型的性能。
勾书琪[7]（2021）在《基于地理实践力培养的问题式地理实验方案设计研究 ——以中图版地理必修第一册为例》文中指出《普通高中地理课程标准（2017年版2020年修订）》提出地理实践力作为学科核心素养之一,是地理学科的重要育人价值之一。同时,“课标”实施建议中提出加强地理实践和问题式教学。研究发现相对于一般性的验证原理类地理实验,问题式地理实验有待加强研究。本文的研究内容主要有以下两个方面:一方面,开展基于地理实践力培养的问题式地理实验方案设计的内容研究;另一方面,探究基于地理实践力培养的问题式地理实验方案设计的策略研究。在此基础上可进一步细化本文的研究工作:首先,广泛收集问题式地理实验项目与案例,并结合中图版地理教材提出可开发的问题式地理实验项目;其次,在界定问题式地理实验概念的基础上,整理与分析问题式地理实验案例,依据相关理论指导和案例分析启示,设计了10个问题式地理实验方案;再次,进一步提出问题式地理实验方案设计策略和实验方案的组成部分;最后,为检验研究得到的结论,本文从设计的方案中选取其中一个进行实施,通过实践反馈,修改完善本文的研究结论。通过研究本文得到以下几点结论:第一,提出2019中图版教材中可开发的问题式地理实验项目30个,设计了问题式地理实验方案10个。第二,提出问题式地理实验方案设计策略6条:（1）以地理实践力培养为导向,结合地理实验内容设计问题链;（2）从地理学科思想与方法视角,对问题式地理实验所揭示的地理问题进行分析;（3）依据地理原理、实验变量和客观条件选择实验器材;（4）运用对比、转换的方法设计问题式地理实验装置;（5）以地理问题为线索引领实验实施、转换空间尺度促进认知发展;（6）依据问题式地理实验活动目标,设计实验评价量表。第三,研究得到问题式地理实验方案的基本组成11部分,即实验名称、问题类型、实验目标、实验内容、实验原理、实验器材、实验装置示意图、问题表征与猜想、问题分析与观察操作、问题解决与迁移、反思与评价。
汤纬地[8]（2021）在《基于表面肌电的上肢运动分析关健技术研究》文中指出人体运动的产生依赖于骨骼肌在中枢神经的刺激下收缩并带动骨以关节为支点定向运动。在运动过程中,骨骼肌收缩会产生肌电（electromyogram,EMG）信号,其承载了运动神经驱动信息,能够反映运动的状态和意图。其中,表面肌电（surface EMG,SEMG）信号由皮肤表面无创采集得到,操作过程简单方便,十分适用于人体运动分析研究。基于SEMG的运动分析,既包括分析运动的产生机制、探究运动功能障碍的病理、评价运动健康状态,也包括捕获运动行为、理解运动意图、实现以运动信息为控制指令的人-机接口应用,均具有重要的研究意义。准确地解析运动状态和理解运动行为都依赖于SEMG信号处理技术的突破。具体地,在运动健康分析方面,尽管SEMG分析被认为是一种非常有前景的无创检测神经肌肉病变和客观定量评价运动功能障碍的工具和手段,但尚未形成系统的评价方法体系,特别是评价指标和方法的性能以及临床意义有待进一步的提高和验证。在运动意图分析方面,尽管基于模式识别的多自由度肌电控制技术展示了良好的应用前景,但其局限于对多种预定义的、非连续的动作模式进行顺序识别,缺乏对连续运动全过程的刻画分析。此外,肌疲劳对肌电控制的性能呈现负面影响,其机制尚不清楚且克服肌疲劳影响的方法和手段仍不成熟。针对上述缺乏有效的临床诊断指标及评估方法和难以准确估计连续运动信息两个关键问题,论文以发展SEMG信号处理技术为目标,以灵巧且具有重要功能的人体上肢运动作为研究对象,开展了复杂神经肌肉病变诊断、外周神经损伤（peripharal nerve injury,PNI）后运动功能损伤评定,以及关节运动量连续估计的关键技术研究,提出了有效方法和解决方案。本论文的主要研究内容与研究成果如下:（1）针对脑卒中偏瘫肌肉存在复杂病变且缺乏有效的SEMG诊断方法这一问题,提出了基于SEMG聚类索引指标的神经肌肉病变诊断方法,并用于检查偏瘫侧近、远端肌肉运动单位（motorunit,MU）病变情况的异同。从脑卒中上肢偏瘫患者的双侧和健康受试者的利手侧的肱二头肌、鱼际肌、第一骨间背侧肌分别采集在不同力度水平下进行等长收缩的SEMG信号,并选用聚类索引分析方法对每块肌肉的MU病变情况进行检查和对比。研究发现脑卒中后偏瘫肌肉MU病变类型较为复杂,既存在神经源性病变也存在肌源性病变。特别地,在个体层面上两块远端肌肉的病变类型表现出了很高的一致性,但在近、远端肌肉间未发现明显的相关性。在此基础上,从病理机制角度对上述研究发现给予了合适的解释。该工作不仅有助于揭示脑卒中偏瘫的病理机制,为临床诊断和治疗提供指导,也验证了基于SEMG的神经肌肉病变的无创诊断技术具有重要的实际应用价值。（2）针对外周神经损伤（PNI）的评定面临巨大的临床需求但尚缺乏定量且便捷的评价分析技术这一现状,该工作致力于通过分析PNI发生后可能出现的SEMG改变和功能异常构建用于上肢外伤性PNI评定的SEMG无创诊断与评估技术。依据解剖学知识设计了 SEMG信号采集位点与运动测试任务,提出一套量化评估方法框架进行SEMG信号处理和分析,包括对上肢PNI存在性评定和对单根神经损伤程度评估两个模块,最后给出对前臂正中神经、尺神经和桡神经外伤性损伤程度的量化评估结果。实验募集了 7名上肢PNI受试者和10名健康受试者,所提方法的量化评估结果与临床常规评估结果具有很高的一致性,证明了所提方法的有效性。此外,相比于传统的临床电生理诊断法,所提方法兼顾运动功能评估和神经完整性评估,评估结果更能反映待测者相关神经损伤对应的实际运动功能水平。（3）针对当下常规的基于SEMG的肘关节连续运动角度估计方法性能有限,无法支持复杂的运动状态下的运动估计这一技术瓶颈,提出了肘关节动态运动量连续估计方法。以假设肘关节动态屈曲、伸展和悬停三种运动对应不同的原动肌-拮抗肌收缩平衡态为基础,提出了基于平衡态的肘关节角度估计方法。所提方法包括检测运动转向和悬停起止的平衡态数据分割,并基于不同的平衡态分别建立SEMG-肌力-关节角度的希尔模型和力学模型,实现对连续运动的关节角度估计。实验设计了多种包含有各种复杂情境如自由转向和悬停的肘关节运动任务进行测试,并与四种同类方法进行对比。结果表明,所提方法在各种任务测试下均可以有效提升肘关节运动角度的估计精度,特别在有转向和悬停情况时具有显着性能提升。（4）针对肌疲劳影响SEMG信号成分进而造成肘关节角度估计性能下降的问题,提出了肌疲劳状态下的肘关节角度估计方法。研究发现一部分疲劳敏感型受试者在疲劳诱导的动态运动中呈现SEMG均方根幅值明显增加,频谱下移等变化,特别是SEMG信号低频段的均方根幅值在疲劳过程中增长最为明显。据此,提出了基于频带优选的SEMG滤波方法,实现对疲劳状态的SEMG输入进行修正。结果表明对于疲劳敏感型受试者,当SEMG信号先经过下截止频率为100Hz的高通滤波后,再进行肘关节连续运动角度的估计,可以达到较高的精度,克服了疲劳状态的影响。该研究发现也进一步验证了疲劳状态下的SEMG信号特性改变可能与I型（慢型）肌纤维募集增加有关。
王颖[9]（2021）在《脉冲制动下多车融合的路面峰值附着系数估算研究》文中研究表明通过车辆自感知进行路表面状态监控是智能网联交通环境下提升道路安全与通行效率的有效手段。多车数据所提供的大量样本和中央云平台的快速处理方法,可帮助在路面发生如结冰等表面材质变化的状况时进行及时准确的响应,降低交通事故的危害。当轮胎处于单一路面峰值附着系数的路面上行驶时,车轮滑移率与当前轮胎受到的路面附着系数有确定的对应关系。因此可基于滑移率与路面附着系数的特征推测当前路面的峰值附着系数,进而推测对应的路面类型,把握路面的变化情况。考虑真实交通环境中应用Burckhardt模型和车辆自感知数据进行路面峰值附着系数估算的问题,以非路口环境中出现频率较高的脉冲制动工况为研究对象,探讨在多车数据融合估算机制下提升估算准确性同时兼顾网联环境下通信实时性问题的估算方法。主要研究内容和成果如下:首先,针对目标工况的特性对可取的时间窗和数据进行实验测试和单车估算峰值附着系数方法的优化。Burckhardt轮胎-路面模型较为广泛应用于基于车辆行驶数据的路表面状况分析的相关研究中。由于Burckhardt模型为经验模型,因此当更换轮胎或轮胎受磨损等问题发生时,会引入估算偏差。另外,该模型在较低滑移率区间的模型特征与较高滑移率区间有显着差异。因此,过往研究中较少使用Burckhardt模型进行低滑移率区间的附着系数估算,部分研究选择忽略低滑移率区间的数据或者忽略特征异常的道路模型。以Burckhardt经典路面-轮胎模型进行图像对比估算路面附着系数方法为基础,提出以下方法上的改进:（1）针对对比模型中低滑移率区出现交线造成对比结果失效问题提出了分段定义的解决方案;（2）针对脉冲制动车辆动力学数据特性,提出了制动时间窗和拟合后最短有效截取的数据筛选与清洗策略;（3）针对脉冲制动特性,引入不考虑实验μ（s）曲线线性与非线性区段转折点、采用落点法与斜率法两种估算方法融合的优化机制。优化前后基于落点位置的估算方法有明显的差异,同时基于斜率的估算结果与基于落点位置的估算结果有明显不同的增长特性。最终结果显示优化方案使路面附着系数估算准确度从56.9%提升至75.6%。在完成了工况分析和数据截取规则后,研究设计Car Sim-Simulink车辆动力学仿真平台,收集在多样化车工况、路工况下的车辆自感知数据。实验设计6种制动器输出力矩、8种制动初始速度、5种车辆类型、3种路面类型（路面峰值附着系数分别为0.35、0.69和0.91）的全因子实验,共计获得720组实验数据（有效结果710组）。研究从多个角度分析实验结果,总结制动力矩、初始车速和车辆类型对实验结果的影响机制。分析结果引入关键特征参数包括:最大滑移率smax、路面峰值附着系数峰值μmax 1（基于落点位置）、μmax 2（基于斜率）、车辆静态参数主成分分析结果等14个特征参数。研究通过多种分类、回归神经网络试验,探索多车数据融合估算的方案、筛选最优特征参数组合。经过对相似度大于99.9%数据的清洗后分别得到以下结论:（1）高斯过程回归为最优回归网络,RMSE能够稳定在0.1左右,特征参数中制动末速度vt对回归效果没有明显影响;（2）二次核函数的支持向量机为最优分类模型,分类正确率可达83%左右,其中车辆静态参数的第一、二、三主成分对分类效果无明显影响。基于神经网络的特征学习结果显示出一定的过拟合特性,囿于实验样本数量的局限性,仅对样本进行针对特征参数相似度和数据异常值的清洗,若增加实验样本量可进一步降低相似度的阈值,可更进一步提高分类和回归效果。
李元元[10]（2021）在《基于数据驱动建模的锂离子电池健康管理研究》文中提出由于锂离子电池的性能随着运行时间而不断退化,致使锂离子电池的电能转换效率降低,出现过充、过放以及温度超过其本身承受能力范围等现象,从而增加锂离子电池由于热失控而导致自燃的风险。因此,为了保证锂离子电池安全可靠运行,监测锂离子电池的运行状态是十分重要的。由于锂离子电池的老化过程是一个动态耦合过程,其内部电化学机理非常复杂,且电池材料等参数不易获得,大大增加了机理模型建立的难度。当前建立基于数据驱动方法的锂离子电池模型为实现电池状态监测提供另外一种解决思路,但是数据驱动方法可实施性的前提条件是数据信息充足且具有一致平稳性。然而,当面临锂离子电池标签数据样本稀少、运行条件复杂时,模型的泛化性能将大打折扣。因此,为了提高锂离子电池在复杂环境下健康状态预测的精度,针对样本数据信息不足、有效老化特征性能难以评估以及锂离子电池运行工况条件多变等问题,本课题开展了如下研究:1.基于小样本条件下的锂离子电池健康状态预测方法研究。实验室条件下,采集锂离子电池老化数据的成本高,数据信息不充足,使得锂离子电池健康状态预测模型的精度受到影响。本文提出了基于半监督转移成分分析的锂离子电池健康状态预测模型,通过重构特征空间,以消除数据间的冗余信息并最小化不同数据分布之间的差异性,实现源域数据集和目标域数据集分布的最大对齐;进一步,借助互信息来量化老化特征和锂离子电池健康状态之间的相关度,为训练锂离子电池健康状态预测模型提供依据。在相同的验证条件下,与其他模型相比,本文所提方法在当训练集仅占整个集合的前35%左右时,可以保证锂离子电池健康状态的预测精度。2.基于变温度条件下的锂离子电池健康状态预测方法研究。模型预测精度与模型输入的有效性有关,评估老化特征性能相关度对提高锂离子电池健康状态预测精度是十分重要的。本文提出了基于Matern自动相关性确定（Automatic Relevance Determination,ARD）核函数的高斯过程回归的锂离子电池健康状态预测模型,借助Matern ARD核函数,直接量化了每个老化特征的相关度,实现最佳老化特征的自动提取,为选择最优老化特征的提取区间提供依据;进一步,考虑到锂离子电池工作温度模式的多样性,验证了在保证自动提取优良老化特征的同时,所提方法具有处理不同工作温度模式下锂离子电池健康状态预测的能力。3.基于不同老化模式变迁下的锂离子电池健康状态预测方法研究。锂离子电池老化模式的多样性,影响了锂离子电池健康状态预测模型的泛化能力。本文提出了基于随机森林-相关向量机的锂离子电池健康状态预测模型,借用随机森林方法在量化老化特征贡献度的同时,实现优良老化特征的自动提取,为选择合适的模型输入做铺垫;另外,选用相关向量机的输出后验概率值（标准差）作为不同验证集下预测结果的权重因子,结合集成学习理念,构建了自动提取老化特征的锂离子电池健康状态预测模型,实现了不同老化模式变迁下的锂离子电池健康状态预测。4.基于电流脉冲测试的锂离子电池健康状态预测方法研究。动态工况条件多变性使得源域数据种类变多,影响了锂离子电池健康状态预测模型的有效性。考虑如何从多样的源域数据中选取与目标域相关的有效数据,使得动态工况条件下的锂离子电池健康状态预测模型的映射关系不受影响,本文提出了基于Tradaboost.R2算法的锂离子电池健康状态预测模型。通过修整源域数据中的样本权重,调整源域数据的分布,为选择合适的源域样本提供依据。同时,为了保证不同荷电状态下锂离子电池健康状态预测模型的映射关系不受影响,借助来自不同源域中的老化特征数据,在构建Tradaboost.R2算法中辅助数据集和源域数据集时,考虑了六种数据集的划分方式,证实了本文所提方法在模型特征维度减低以及对目标域标签数据需求减少的同时,动态多工况场景下的锂离子电池健康状态的预测精度不受影响。
二、应用对比方法处理实验数据的研究（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、应用对比方法处理实验数据的研究（论文提纲范文）
（1）像素级红外与可见光图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 图像融合简介 |
| 1.2 研究目的及意义 |
| 1.3 红外与可见光图像融合研究现状 |
| 1.3.1 基于传统方法的红外与可见光图像融合研究现状 |
| 1.3.2 基于深度学习的红外与可见光图像融合研究现状 |
| 1.4 红外与可见光图像融合在公共安全领域应用 |
| 1.5 红外与可见光图像融合数据集和融合图像质量评价 |
| 1.5.1 红外与可见光图像融合数据集 |
| 1.5.2 融合图像质量评价 |
| 1.6 红外与可见光图像融合的主要难点 |
| 1.7 本文主要创新点 |
| 1.8 本文研究内容与组织结构 |
| 2 基于双鉴别器生成对抗网络的红外与可见光图像融合 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 生成对抗网络及其改进 |
| 2.2.2 生成对抗网络在红外与可见光图像融合中的应用 |
| 2.3 融合算法 |
| 2.3.1 算法框架 |
| 2.3.2 生成器网络结构 |
| 2.3.3 鉴别器网络结构 |
| 2.3.4 损失函数 |
| 2.4 实验分析 |
| 2.4.1 实验数据及参数设置 |
| 2.4.2 实验结果与分析 |
| 2.5 本章小结 |
| 3 基于注意力机制和生成对抗网络的红外与可见光图像融合 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 融合算法 |
| 3.3.1 算法框架 |
| 3.3.2 生成器网络结构 |
| 3.3.3 注意力计算模块 |
| 3.3.4 鉴别器网络结构 |
| 3.3.5 损失函数 |
| 3.4 实验分析 |
| 3.4.1 实验数据及参数设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 4 基于双注意力机制的红外与可见光图像融合 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 融合算法 |
| 4.3.1 算法框架 |
| 4.3.2 生成器网络结构 |
| 4.3.3 多尺度注意力计算模块 |
| 4.3.4 鉴别器网络结构 |
| 4.3.5 损失函数 |
| 4.4 实验分析 |
| 4.4.1 实验数据及参数设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 5 本文提出方法对比分析 |
| 5.1 引言 |
| 5.2 TNO数据集实验对比 |
| 5.3 RoadScene数据集实验对比 |
| 5.4 计算效率对比 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士期间发表的学术论文 |
| 致谢 |
（2）显微系统中基于波前探测与深度学习的像差校正方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 显微系统中的波前像差 |
| 1.1.2 显微系统中的自适应光学技术 |
| 1.2 显微系统中像差校正方法的研究现状 |
| 1.2.1 基于波前探测的像差校正方法研究现状 |
| 1.2.2 基于图像复原的像差校正方法研究现状 |
| 1.3 本论文的研究内容与创新点 |
| 1.3.1 本论文的研究内容与章节安排 |
| 1.3.2 本论文的创新点 |
| 2 基于相干光学自适应技术的波前探测可靠性探究 |
| 2.1 引言 |
| 2.2 理论基础 |
| 2.3 生物样品的制备与散射系数测量 |
| 2.4 实验系统设计与搭建 |
| 2.4.1 液晶空间光调制器的校准 |
| 2.4.2 基于相干光学自适应技术的系统设计与搭建 |
| 2.5 实验结果与分析 |
| 2.5.1 光学聚焦的实验结果 |
| 2.5.2 光学聚焦的可靠性分析 |
| 2.6 本章小结 |
| 3 基于深度学习和Shack-Hartmann波前传感器的波前探测方法 |
| 3.1 引言 |
| 3.2 理论基础 |
| 3.2.1 基于Shack-Hartmann波前传感器的波前探测方法 |
| 3.2.2 卷积神经网络 |
| 3.3 实验系统设计与搭建 |
| 3.4 算法实现 |
| 3.4.1 实验数据集的生成与获取 |
| 3.4.2 网络结构 |
| 3.4.3 网络训练与实现 |
| 3.5 方法对比与分析 |
| 3.6 生物组织中的像差校正 |
| 3.7 本章小结 |
| 4 基于深度学习和Shack-Hartmann波前传感器的波前重建方法 |
| 4.1 引言 |
| 4.2 理论基础 |
| 4.2.1 卷积神经网络中的残差结构 |
| 4.2.2 基于角谱理论的光路仿真 |
| 4.3 算法实现 |
| 4.3.1 混合数据集的生成与获取 |
| 4.3.2 网络的结构设计与训练 |
| 4.4 方法对比与分析 |
| 4.5 本章小结 |
| 5 基于深度学习和像差先验的显微图像像差校正方法 |
| 5.1 引言 |
| 5.2 理论基础 |
| 5.3 算法实现 |
| 5.3.1 基于像差先验的实验数据集获取与增强 |
| 5.3.2 网络的结构设计与训练 |
| 5.4 方法对比与分析 |
| 5.5 不同荧光显微镜中的应用 |
| 5.5.1 商用共聚焦显微镜 |
| 5.5.2 商用双光子显微镜 |
| 5.5.3 商用宽场显微镜 |
| 5.5.4 自制的共聚焦显微镜 |
| 5.6 三维图像中的应用 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间主要的研究成果 |
（3）LTE-R网络智能故障诊断与预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 智能故障诊断及预测研究现状及进展 |
| 1.2.1 智能故障诊断与预测概述 |
| 1.2.2 智能故障诊断方法 |
| 1.2.3 智能故障预测方法 |
| 1.2.4 智能故障诊断与预测方法总结 |
| 1.3 LTE-R网络故障诊断与预测问题研究 |
| 1.3.1 相关数据和指标 |
| 1.3.2 LTE-R网络故障诊断问题研究 |
| 1.3.3 LTE-R网络故障预测问题研究 |
| 1.3.4 LTE-R网络故障诊断与预测结果评价 |
| 1.4 本文主要研究内容与结构安排 |
| 2 基于大数据及GIS技术的LTE-R覆盖及切换问题检测 |
| 2.1 引言 |
| 2.2 相关技术简介 |
| 2.2.1 大数据相关技术 |
| 2.2.2 “天地图”地理信息平台 |
| 2.2.3 LTE-R覆盖及切换问题 |
| 2.3 方法设计 |
| 2.4 方法实现 |
| 2.4.1 数据预处理 |
| 2.4.2 数据分析 |
| 2.4.3 基于GIS技术的可视化 |
| 2.5 实验与分析 |
| 2.6 本章小结 |
| 3 基于深度学习及多目标优化的LTE-R通信性能劣化小区检测 |
| 3.1 引言 |
| 3.2 方法设计与实现 |
| 3.2.1 方法设计 |
| 3.2.2 双编码器DAE神经网络 |
| 3.2.3 基于GAN的逐层训练方法 |
| 3.2.4 利用NSGA-Ⅲ优化模型参数 |
| 3.2.5 用TOPSIS方法对非支配解集进行排序 |
| 3.3 实验与分析 |
| 3.3.1 对比方法 |
| 3.3.2 KEEL数据描述 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果及分析 |
| 3.4 LTE-R通信性能劣化小区检测 |
| 3.4.1 数据描述及预处理 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测 |
| 4.1 引言 |
| 4.2 相关定义 |
| 4.3 方法设计与实现 |
| 4.3.1 方法设计 |
| 4.3.2 基于CNN的特征提取网络 |
| 4.3.3 不平衡序列特征提取的优化目标 |
| 4.3.4 利用差分进化算法训练网络权值 |
| 4.4 实验与分析 |
| 4.4.1 数据描述及预处理 |
| 4.4.2 实验设置 |
| 4.4.3 对比与讨论 |
| 4.5 本章小结 |
| 5 基于PA-LSTM的 LTE-R小区通信性能预测方法 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 方法设计与实现 |
| 5.3.1 总体框架设计 |
| 5.3.2 基于CEEMDAN的数据预处理 |
| 5.3.3 基于PA-LSTM构建预测模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验设置 |
| 5.4.3 对比与讨论 |
| 5.5 本章小结 |
| 6 面向LTE-R小区通信性能预测的多维时间序列预测方法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 方法设计与实现 |
| 6.3.1 总体设计 |
| 6.3.2 数据预处理 |
| 6.3.3 基于MRMR准则以及BPSO的特征选择 |
| 6.3.4 深度特征提取及结果预测 |
| 6.4 实验与分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验设置 |
| 6.4.3 特征选择实验 |
| 6.4.4 模型训练及评估 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于用户行为的流式推荐方法研究（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 相关问题研究现状 |
| 1.2.1 单行为离线推荐方法 |
| 1.2.2 单行为流式推荐方法 |
| 1.2.3 多行为离线推荐方法 |
| 1.2.4 云环境下的资源调度方法 |
| 1.3 论文研究内容与贡献 |
| 1.4 论文组织结构 |
| 第2章 基于自适应集成学习的单行为流式推荐方法 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 基于时间分层采样的自适应集成学习方法 |
| 2.3.1 基于时间分层采样的自适应集成学习方法总体思想 |
| 2.3.2 基于时间分层采样的自适应集成学习算法 |
| 2.3.3 时间分层采样方法 |
| 2.3.4 自适应集成学习方法 |
| 2.4 实验验证与结果分析 |
| 2.4.1 实验设置 |
| 2.4.2 与对比方法在推荐精确度方面的比较 |
| 2.4.3 时间分层采样的有效性 |
| 2.4.4 自适应集成学习方法的有效性 |
| 2.4.5 集成的子推荐模型数量对推荐精确度的影响 |
| 2.5 本章小节 |
| 第3章 基于双翼混合专家模型的单行为流式推荐方法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于历史数据增强采样的双翼混合专家推荐方法 |
| 3.3.1 基于历史数据增强采样的双翼混合专家模型总体思想 |
| 3.3.2 基于历史数据增强采样的双翼混合专家算法 |
| 3.3.3 历史数据增强采样方法 |
| 3.3.4 双翼混合专家模型 |
| 3.4 实验验证与结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 与对比方法在推荐精确度方面的比较 |
| 3.4.3 历史数据增强采样方法的有效性 |
| 3.4.4 专家模型数量对推荐精确度的影响 |
| 3.5 本章小节 |
| 第4章 记忆网络增强的多行为流式推荐方法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 记忆网络增强的多行为流式推荐方法 |
| 4.3.1 记忆网络增强的多行为流式推荐方法总体思想 |
| 4.3.2 记忆网络增强的多行为流式推荐算法 |
| 4.3.3 多行为学习方法 |
| 4.3.4 基于注意力的记忆网络 |
| 4.3.5 用户偏好融合方法 |
| 4.3.6 多行为推荐方法的预测过程和训练过程 |
| 4.4 实验验证与结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 与对比方法在推荐精确度方面的比较 |
| 4.4.3 消融分析 |
| 4.4.4 嵌入向量维度大小对推荐精确度的影响 |
| 4.4.5 存储容量大小对推荐精确度的影响 |
| 4.4.6 行为类型数量对推荐精确度的影响 |
| 4.5 本章小节 |
| 第5章 面向流式推荐的响应时间优化资源调度方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 响应时间优化的资源调度算法 |
| 5.3.1 动机和需求 |
| 5.3.2 基于混洗的多维首次适应算法 |
| 5.3.3 基于时间感知分治策略的分支界限法 |
| 5.3.4 时间感知且多维的基于顺序交换和迁移的蚁群算法 |
| 5.4 实验验证与结果分析 |
| 5.4.1 实验负载介绍 |
| 5.4.2 与对比方法在所需服务器数量和响应时间方面的比较 |
| 5.4.3 资源调度算法响应时间对所需服务器数量的影响 |
| 5.4.4 虚拟机请求数量对响应时间和所需服务器数量的影响 |
| 5.4.5 虚拟机请求的时间分布对响应时间和所需服务器数量的影响 |
| 5.4.6 混洗过程对响应时间和所需虚拟机数量的影响 |
| 5.5 本章小节 |
| 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 |
（5）面向决策支持的分类属性数据深度无监督挖掘研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容 |
| 1.4 创新点 |
| 1.5 文章结构 |
| 2 理论基础和文献综述 |
| 2.1 数据挖掘与决策支持 |
| 2.1.1 决策支持中的数据特征 |
| 2.1.2 决策支持中的数据挖掘方法 |
| 2.2 分类属性数据的无监督挖掘 |
| 2.2.1 决策空间表征中的分类属性数据特征学习 |
| 2.2.2 决策分析过程中的分类属性数据聚类分析 |
| 2.2.3 决策结果评价中的分类属性数据聚类结果有效性评价 |
| 2.3 深度学习相关理论基础 |
| 2.3.1 深度无监督特征学习 |
| 2.3.2 深度聚类 |
| 2.3.3 网络嵌入 |
| 2.4 本章小结 |
| 3 面向决策空间表征的分类属性数据深度特征学习 |
| 3.1 分类属性数据特征学习在决策支持中的实际需求 |
| 3.2 分类属性数据深度特征学习的概念准备 |
| 3.2.1 分类属性数据深度特征学习的问题定义 |
| 3.2.2 分类属性数据深度特征学习的两个基本定义 |
| 3.2.3 分类属性数据深度特征学习的基本思想 |
| 3.3 基于分类属性数据的加权异构网络构建方法 |
| 3.3.1 基于分类属性间关系的网络构建 |
| 3.3.2 基于分类属性内关系的网络构建 |
| 3.4 基于网络嵌入的分类属性数据深度特征学习方法 |
| 3.4.1 分类属性取值的深度特征学习 |
| 3.4.2 分类属性数据的深度特征学习 |
| 3.4.3 特征分析 |
| 3.5 实验分析 |
| 3.5.1 实验数据集及设计 |
| 3.5.2 深度特征学习结果准确性分析 |
| 3.5.3 深度特征对后续聚类效果的提升程度分析 |
| 3.5.4 参数敏感性分析 |
| 3.6 本章小结 |
| 4 面向决策分析过程的分类属性数据深度聚类 |
| 4.1 分类属性数据聚类分析在决策支持中的实际需求 |
| 4.2 分类属性数据深度聚类的概念准备 |
| 4.2.1 分类属性数据深度聚类的问题定义 |
| 4.2.2 分类属性数据深度聚类的基本思想 |
| 4.3 基于网络嵌入的分类属性数据深度聚类方法 |
| 4.3.1 分类属性数据加权异构网络中的对齐编码 |
| 4.3.2 分类属性数据聚类损失及类中心初始化 |
| 4.3.3 分类属性数据深度聚类过程 |
| 4.3.4 特征分析 |
| 4.4 实验分析 |
| 4.4.1 实验数据集及设计 |
| 4.4.2 引入聚类损失对聚类效果的提升程度分析 |
| 4.4.3 深度聚类结果准确性分析 |
| 4.4.4 参数敏感性分析 |
| 4.5 本章小结 |
| 5 面向决策结果评价的分类属性数据聚类结果有效性评价 |
| 5.1 分类属性数据聚类结果评价在决策支持中的实际需求 |
| 5.2 分类属性数据聚类内部有效性评价的概念准备 |
| 5.2.1 分类属性数据聚类内部有效性评价的问题定义 |
| 5.2.2 分类属性数据聚类内部有效性评价的相关讨论 |
| 5.2.3 分类属性数据聚类内部有效性评价的基本思想 |
| 5.3 分类属性数据聚类内部有效性评价指标 |
| 5.3.1 分类属性数据的距离度量 |
| 5.3.2 分类属性数据的聚类内部有效性评价指标构建 |
| 5.3.3 特征分析 |
| 5.4 实验分析 |
| 5.4.1 实验数据集及设计 |
| 5.4.2 聚类评价结果准确性分析 |
| 5.4.3 在深度聚类结果评价任务中的适用性分析 |
| 5.4.4 参数敏感性分析 |
| 5.5 本章小结 |
| 6 支持人才招聘决策的分类属性数据深度无监督挖掘应用 |
| 6.1 人才招聘中的分类属性数据无监督挖掘需求 |
| 6.2 人才招聘数据准备 |
| 6.2.1 人才招聘决策支持的数据来源 |
| 6.2.2 人才数据属性描述及预处理 |
| 6.2.3 人才数据基本特征分析 |
| 6.3 人才数据深度特征学习 |
| 6.3.1 人才数据深度特征学习过程 |
| 6.3.2 人才数据深度特征学习结果分析 |
| 6.4 人才数据深度聚类及有效性评价 |
| 6.4.1 人才数据深度聚类过程 |
| 6.4.2 人才数据深度聚类结果的有效性评价 |
| 6.5 基于人才数据聚类结果的人才招聘决策支持 |
| 6.5.1 不同类型人才的特征 |
| 6.5.2 支持人才招聘的决策建议 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）基于TCN的时间序列数据特征提取研究与应用（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 基于统计量的特征提取 |
| 1.2.2 基于变换的特征提取 |
| 1.2.3 基于深度学习的特征提取 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 2 相关研究工作 |
| 2.1 时间序列相关定义 |
| 2.2 时间卷积网络 |
| 2.2.1 因果卷积 |
| 2.2.2 空洞卷积 |
| 2.2.3 残差连接 |
| 2.3 注意力机制 |
| 2.4 算法评估指标 |
| 2.5 本章小结 |
| 3 基于注意力机制的TCN在一维时间序列的研究 |
| 3.1 端到端的特征提取方法 |
| 3.1.1 跳层连接 |
| 3.1.2 双层注意力机制 |
| 3.2 实验分析 |
| 3.2.1 数据集和实验环境 |
| 3.2.2 基线对比方法 |
| 3.2.3 多结构对比实验 |
| 3.2.4 多模型对比实验 |
| 3.2.5 消融实验 |
| 3.3 本章小结 |
| 4 基于多特征融合的TCN在多维时间序列的研究 |
| 4.1 端到端的特征提取和融合方法 |
| 4.1.1 特征提取 |
| 4.1.2 特征融合与分类 |
| 4.2 实验分析 |
| 4.2.1 数据集 |
| 4.2.2 基线对比方法 |
| 4.2.3 多结构对比实验 |
| 4.2.4 多模型对比实验 |
| 4.3 本章小结 |
| 5 基于声发射信号的车轴故障分析 |
| 5.1 基于声发射的车轴故障检测 |
| 5.1.1 数据采集设备 |
| 5.1.2 实验数据 |
| 5.2 算法应用分析 |
| 5.2.1 数据标准化 |
| 5.2.2 实验分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）基于地理实践力培养的问题式地理实验方案设计研究 ——以中图版地理必修第一册为例（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 引言 |
| (一)研究背景与研究现状 |
| 1.研究背景 |
| 2.研究现状 |
| (二)研究意义与研究内容 |
| 1.研究意义 |
| 2.研究内容 |
| (三)研究方法与技术路线 |
| 1.研究方法 |
| 2.技术路线 |
| (四)概念界定 |
| 1.问题式地理实验 |
| 2.地理实验方案 |
| 3.地理实践力 |
| 一、理论基础 |
| (一)具身认知理论 |
| 1.具身认知理论主要观点 |
| 2.具身认知理论对问题式地理实验方案设计的指导 |
| (二)地理学理论 |
| 1.问题式地理实验关注问题的时空分布差异及其成因 |
| 2.问题式地理实验关注问题背后的各要素关系 |
| (三)地理教学理论 |
| 1.从地理实践力出发,培养学生解决问题的能力 |
| 2. “以问题为线索”设计问题式地理实验 |
| 二、基于地理实践力培养的问题式地理实验内容分析 |
| (一)基于地理实践力培养的问题式地理实验类型分析 |
| 1.地理实验类型分析 |
| 2.问题式地理实验类型分析 |
| (二)基于地理实践力培养的问题式地理实验项目分析 |
| 1.地理实验项目统计分析 |
| 2.中图版教材中可开展的问题式地理实验项目分析 |
| 三、基于地理实践力培养的问题式地理实验案例分析 |
| (一)案例分析 |
| 1.案例筛选与分析目的 |
| 2.案例分析内容与方法 |
| 3.案例分析呈现 |
| (二)案例分析启示 |
| 四、基于地理实践力培养的问题式地理实验方案设计 |
| (一)基于地理实践力培养的问题式地理实验方案设计依据 |
| 1.依据课标、教材 |
| 2.依据相关理论与案例分析 |
| 3.依据问题式地理实验特点 |
| (二)基于地理实践力培养的问题式地理实验方案组成 |
| (三)基于地理实践力培养的问题式地理实验方案设计 |
| 1.设计示例 |
| 2.设计分析 |
| (四)基于地理实践力培养的问题式地理实验方案设计策略 |
| 1.以地理实践力培养为导向,结合地理实验内容设计问题链 |
| 2.从地理学科思想与方法视角，对问题式地理实验所揭示的地理问题进行分析 |
| 3.依据地理原理、实验变量和客观条件选择实验器材 |
| 4.运用对比、转换的方法设计问题式地理实验装置 |
| 5.以地理问题为线索引领实验实施、转换空间尺度促进认知发展 |
| 6.依据问题式地理实验活动目标,设计实验评价量表 |
| 五、基于地理实践力培养的问题式地理实验方案实施 |
| (一)案例实施过程 |
| 1.准备过程 |
| 2.实施过程 |
| (二)实施反思 |
| 六、结论与展望 |
| (一)结论 |
| (二)展望 |
| 参考文献 |
| 附录1 地理实验项目统计 |
| 附录2 问题式地理实验项目统计 |
| 附录3 问题式地理实验案例分析 |
| 附录4 基于地理实践力培养的问题式地理实验方案设计 |
| 附录5 基于地理实践力培养的问题式地理实验方案实施 |
| 攻读硕士学位期间所发表的论文情况 |
| 致谢 |
（8）基于表面肌电的上肢运动分析关健技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1人体运动分析的生理学基础 |
| 1.2 肌电信号 |
| 1.2.1 肌电信号的形成 |
| 1.2.2 肌电信号的检测方式 |
| 1.3 基于表面肌电的运动健康分析研究意义及现状 |
| 1.3.1 基于表面肌电的运动健康分析及其研究意义 |
| 1.3.2 基于表面肌电的运动健康分析研究现状 |
| 1.4 基于表面肌电的运动意图理解研究意义及现状 |
| 1.4.1 基于表面肌电的运动意图理解及其研究意义 |
| 1.4.2 基于表面肌电的运动意图理解研究现状 |
| 1.5 本文的主要研究内容与创新点 |
| 1.5.1 研究内容 |
| 1.5.2 研究特色与创新 |
| 1.6 本文的组织结构 |
| 第2章 基于表面肌电的脑卒中后神经肌肉病变分析 |
| 2.1 引言 |
| 2.2 脑卒中后神经肌肉病变的原理 |
| 2.3 脑卒中后神经肌肉病变分析方法 |
| 2.3.1 算法框架 |
| 2.3.2 聚类索引分析法 |
| 2.4 实验数据采集与处理方法 |
| 2.4.1 受试者募集 |
| 2.4.2 实验数据采集 |
| 2.4.3 实验数据处理 |
| 2.5 实验结果与分析 |
| 2.5.1 聚类索引分析结果 |
| 2.5.2 统计分析结果 |
| 2.5.3 讨论 |
| 2.6 本章小结 |
| 第3章 基于表面肌电的外伤性外周神经损伤分析 |
| 3.1 引言 |
| 3.2 上肢外周神经损伤简述 |
| 3.2.1 上肢运动系统 |
| 3.2.2 上肢外周神经损伤分析 |
| 3.3 上肢外伤性外周神经损伤量化评估实验方案 |
| 3.3.1 受试者募集 |
| 3.3.2 实验方案设计与数据采集 |
| 3.4 上肢外伤性外周神经损伤的量化评估方法 |
| 3.4.1 量化评估框架 |
| 3.4.2 信号预处理与特征提取 |
| 3.4.3 上肢外周神经损伤存在性评估 |
| 3.4.4 单根神经损伤的量化评估 |
| 3.4.5 性能评价与验证方法 |
| 3.5 实验结果与分析 |
| 3.5.1 上肢外周神经损伤存在性评估结果 |
| 3.5.2 单根神经损伤量化评估结果 |
| 3.5.3 讨论 |
| 3.6 本章小结 |
| 第4章 基于表面肌电的肘关节运动角度估计 |
| 4.1 引言 |
| 4.2 肘关节生理结构分析及其运动平衡态假设 |
| 4.2.1 肘关节生理结构分析 |
| 4.2.2 平衡态分析假设 |
| 4.3 实验方案与数据采集 |
| 4.3.1 受试者募集 |
| 4.3.2 实验数据采集 |
| 4.4 基于平衡态的肘关节角度估计方法 |
| 4.4.1 方法框架 |
| 4.4.2 数据预处理 |
| 4.4.3 基于平衡态的数据段分割 |
| 4.4.4 依据平衡态的角度估计方法 |
| 4.4.5 性能评估 |
| 4.5 实验结果与分析 |
| 4.5.1 基于平衡态的数据段分割结果 |
| 4.5.2 角度估计结果 |
| 4.5.3 讨论 |
| 4.6 本章小结 |
| 第5章 疲劳状态下的肘关节运动角度估计 |
| 5.1 引言 |
| 5.2 肌疲劳表征的原理与方法 |
| 5.2.1 肌疲劳的生理原理 |
| 5.2.2 基于表面肌电的肌疲劳表征方法 |
| 5.3 肌疲劳状态下的肘关节连续运动角度估计 |
| 5.3.1 方法框架 |
| 5.3.2 受试者募集与实验数据采集 |
| 5.3.3 无修正的肘关节角度估计 |
| 5.4 基于表面肌电的动态疲劳分析 |
| 5.4.1 疲劳分析方法 |
| 5.4.2 疲劳分析结果 |
| 5.4.3 讨论 |
| 5.5 基于疲劳修正的肘关节角度估计 |
| 5.5.1 疲劳状态下的修正算法 |
| 5.5.2 疲劳修正结果 |
| 5.5.3 讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（9）脉冲制动下多车融合的路面峰值附着系数估算研究（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 基于原因导向的单车数据估算路面附着系数 |
| 1.2.2 基于结果导向的单车数据路面附着系数估算 |
| 1.2.3 多车数据协同感知估算路面附着系数 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构 |
| 2 路面附着系数估算模型 |
| 2.1 轮胎动力学模型 |
| 2.2 Burckhardt轮胎-路面模型 |
| 2.3 路面峰值附着系数估算模型的优化 |
| 2.3.1 路面峰值附着系数估算经典方法 |
| 2.3.2 基于落点位置及斜率的联合估算方法 |
| 2.3.3 脉冲制动数据特征下多峰值曲线的处理 |
| 2.3.4 基于估算方法对应用Burckhardt模型的修正 |
| 2.4 本章小结 |
| 3 仿真制动实验与模型验证 |
| 3.1 仿真实验平台介绍 |
| 3.2 仿真实验设计 |
| 3.2.1 实验工况设计规则探索 |
| 3.2.2 车-路工况分类的全因子实验设计 |
| 3.3 优化模型验证 |
| 3.4 本章小结 |
| 4 主要因子对估算的影响分析 |
| 4.1 制动力矩 |
| 4.2 初始车速 |
| 4.3 车辆类型与静态参数 |
| 4.4 本章小结 |
| 5 基于神经网络的多车融合估算 |
| 5.1 针对影响因子的特征参数挖掘 |
| 5.1.1 针对主要因子的融合估算实验 |
| 5.1.2 针对主要因子估算的缺陷分析及特征参数提取改进方案 |
| 5.1.3 有效特征参数确定 |
| 5.2 基于神经网络的路面峰值附着系数估算 |
| 5.2.1 基于回归学习的融合估算方法 |
| 5.2.2 基于分类学习的融合估算方法 |
| 5.3 多车融合估算模型评价及应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（10）基于数据驱动建模的锂离子电池健康管理研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 研究现状与难点 |
| 1.2.1 电池建模及健康状态评估方法 |
| 1.2.2 知识迁移学习方法 |
| 1.2.3 研究难点分析 |
| 1.3 本文研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本论文章节安排 |
| 第二章 锂离子电池老化特征分析 |
| 2.1 引言 |
| 2.2 电池实验测试 |
| 2.2.1 电池测试系统 |
| 2.2.2 电池实验测试方案 |
| 2.3 实验数据分析 |
| 2.3.1 参考性能测试阶段 |
| 2.3.2 脉冲测试阶段 |
| 2.4 电池老化特征分析 |
| 2.5 本章小结 |
| 第三章 基于小样本条件下的锂离子电池健康状态预测 |
| 3.1 引言 |
| 3.2 基于迁移学习模型的建立 |
| 3.2.1 锂离子电池特征空间的构建 |
| 3.2.2 基于半监督转移成分分析的迁移学习模型 |
| 3.2.3 锂离子电池健康状态预测框架的构建 |
| 3.3 基于半监督转移成分分析的锂离子电池健康状态预测 |
| 3.3.1 数据分布的差异性分析 |
| 3.3.2 基于迁移学习的锂离子电池特征空间重构 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于变温度条件下的锂离子电池健康状态预测 |
| 4.1 引言 |
| 4.2 基于局部工作区间的锂离子电池老化特征 |
| 4.3 基于Matern ARD核函数模型的建立 |
| 4.3.1 基于Matern ARD核函数的高斯过程回归 |
| 4.3.2 锂离子电池健康状态预测框架的构建 |
| 4.4 基于变温度条件下的锂离子电池健康状态预测 |
| 4.4.1 基于单电池测试的锂离子电池健康状态预测 |
| 4.4.2 基于多电池测试的锂离子电池健康状态预测 |
| 4.4.3 实验结果与分析 |
| 4.5 锂离子电池老化特征最优区间的验证 |
| 4.6 本章小结 |
| 第五章 基于不同老化模式变迁下的锂离子电池健康状态预测 |
| 5.1 引言 |
| 5.2 不同老化模式下的锂离子电池容量增量分析 |
| 5.2.1 基于容量增量分析的锂离子电池老化特征 |
| 5.2.2 基于随机森林的锂离子电池老化特征贡献度分析 |
| 5.3 基于容量增量分析的锂离子电池健康状态预测 |
| 5.3.1 相关向量机及其优化 |
| 5.3.2 基于相同老化模式的锂离子电池健康状态预测 |
| 5.3.3 基于不同老化模式变迁下的锂离子电池健康状态预测 |
| 5.3.4 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 基于电流脉冲测试的锂离子电池健康状态预测 |
| 6.1 引言 |
| 6.2 基于电流脉冲测试条件下的锂离子电池老化特征 |
| 6.3 完整SOC区间下基于样本迁移的锂离子电池健康状态预测 |
| 6.3.1 基于Tradaboost.R2 的锂离子电池健康状态预测框架 |
| 6.3.2 基于完整SOC区间下锂离子电池健康状态预测 |
| 6.3.3 实验结果与分析 |
| 6.4 不同SOC区间下基于样本迁移的锂离子电池健康状态预测 |
| 6.4.1 不同SOC区间下的数据集划分 |
| 6.4.2 基于不同SOC区间转换下的锂离子电池健康状态预测 |
| 6.4.3 实验结果与分析 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、应用对比方法处理实验数据的研究（论文参考文献）
- [1]像素级红外与可见光图像融合方法研究[D]. 李静. 中国人民公安大学, 2021(01)
- [2]显微系统中基于波前探测与深度学习的像差校正方法研究[D]. 胡乐佳. 浙江大学, 2021(01)
- [3]LTE-R网络智能故障诊断与预测方法研究[D]. 渠涧涛. 北京交通大学, 2021(02)
- [4]基于用户行为的流式推荐方法研究[D]. 赵岩. 哈尔滨工业大学, 2021(02)
- [5]面向决策支持的分类属性数据深度无监督挖掘研究[D]. 高晓楠. 北京科技大学, 2021(08)
- [6]基于TCN的时间序列数据特征提取研究与应用[D]. 刘新. 大连理工大学, 2021(01)
- [7]基于地理实践力培养的问题式地理实验方案设计研究 ——以中图版地理必修第一册为例[D]. 勾书琪. 内蒙古师范大学, 2021(09)
- [8]基于表面肌电的上肢运动分析关健技术研究[D]. 汤纬地. 中国科学技术大学, 2021(09)
- [9]脉冲制动下多车融合的路面峰值附着系数估算研究[D]. 王颖. 四川大学, 2021(02)
- [10]基于数据驱动建模的锂离子电池健康管理研究[D]. 李元元. 电子科技大学, 2021(01)