一、一种基于数据立方体的数据泛化算法（论文文献综述）
宋相博[1]（2021）在《基于立体卷积神经网络的高光谱图像分类研究》文中认为近年来,高光谱遥感技术发展迅速,为社会的生产生活提供了便利。由于高光谱图像具有“图谱合一”和光谱分辨率高的特点,其被广泛应用于军事目标检测,农业发展,城市规划和环境治理等重要领域。高光谱图像分类逐渐成为高光谱图像处理领域的热点问题,由于高光谱图像存在空间分辨率低、光谱信息冗余和地物分布复杂等问题,高光谱图像分类仍然面临较大的挑战。本文基于现有的卷积神经网络,充分利用高光谱图像的丰富信息和空间相关性,在训练样本低采样率量的条件下,进一步提高了高光谱图像的分类准确率并减少了分类的时间复杂度。本文的研究内容主要包括:（1）针对当前基于卷积神经网络的高光谱图像分类方法对空间和光谱特征提取不充分的问题,本文提出了基于空谱联合的立体卷积神经网络的高光谱图像分类模型,通过主成分分析和一维卷积联合降维策略对高光谱图像进行有效降维和特征提取,然后在高光谱数据立方体的三个平面分别做卷积操作,充分挖掘高光谱图像的空间光谱信息,相比于三维卷积,所提出的立体卷积在参数训练过程中更加灵活,卷积核也更小,明显加快了训练速度。通过实验对比,提升了分类的准确率,证明了所提算法在分类中的优势。（2）针对当前基于卷积神经网络的高光谱图像分类方法难以捕捉物体的空间姿态特征的问题,以及主成分分析在保留很少的成分时会忽略一些重要信息的问题,本文提出了基于扩展的多形态属性轮廓特征（EMAP）的立体胶囊网络模型来完成高光谱图像分类任务。EMAP特征可以有效地提取高光谱图像中实体的各种属性的轮廓特征,胶囊神经网络可以有效地捕捉地物的姿态等复杂空间特征。所提算法首先通过引入EMAP算法,对主成分分析提取到的主成分进行形态学属性特征提取,在与处理后的特征图作为网络的输入,利用立体卷积提取高光谱图像的光谱和空间低层信息,利用初始胶囊层和数字胶囊层提取高光谱图像的高层信息。通过实验对比,证明了所提算法在分类中的优越性。
徐彬[2]（2021）在《基于多尺度空谱联合特征网络的高光谱图像分类》文中指出随着遥感技术的飞速发展,对于高光谱图像数据的使用与分析,已经成为目前遥感研究领域的研究热点之一。通过合理利用这些遥感数据,实现对地物的精准识别和分类,从而在城市测绘、气象预测和地质勘探等领域得到广泛应用。越来越多的遥感学者将深度学习理论应用于高光谱图像数据,以便更好的提取高光谱图像的深层特征。然而,现有的深度学习方法中,图像维度较高、数据量大等问题一直未有较好的解决方法。同时,现有研究多尺度提取特征的相关算法中,未考虑卷积核之间的相关性。针对上述问题,本文开展了相关的研究工作,主要内容包括:（1）提出了一种基于3D通道和空间注意力机制的多尺度光谱空间残差网络,用于高光谱图像分类。该网络采用三层并行的残差网络结构,利用不同大小的三维卷积核,从丰富的光谱和空间特征中不断学习光谱和空间残差块的特征。最后,将提取的深度多尺度特征进行堆叠,输入到3D注意力模块里,从通道和空间两个角度增强图像特征的表现力,从而提高分类的准确性。经过实验验证,该方法在三种常见的高光谱数据集上,与其他深度学习算法对比,获得了更好的分类结果。（2）提出了一种基于自适应注意力机制的多尺度光谱空间加权核网络用于高光谱图像分类。该网络将PCA算法和一维卷积相结合提取HIS光谱信息,而空间信息则分别通过三分支结构,使用不同的卷积核提取,并通过注意力机制对不同分支的关注度,自适应地调整网络感受野的大小。实验结果表明,该网络在过滤和整合多分支结构提取的信息方面具有优越性,与其他深度学习算法相比,具有训练时间短,分类精度高的特点。
吴学波[3]（2021）在《基于深度神经网络的望远镜非参数点扩散函数模型研究》文中认为光学望远镜是一种用于天文观测的光电仪器。随着现代天文学的发展,科学家对天文望远镜性能的要求也在不断提升。理论上可以增大望远镜口径来提高分辨率和灵敏度,但地基天文光学望远镜会受到很多因素的影响,其获取的图像也会发生变化。例如:工作环境温度的变化、望远镜本身构造或元器件等发生微小变化都会使图像质量降低。光学系统成像质量的变化可以用点扩散函数模型（PSF）来表示,它表示成像系统对点光源的响应。通过对PSF研究,可以作为反卷积等技术的先验信息改善观测效果、提高观测精度和天文数据质量,发挥出望远镜的更大价值。本文首先对目前两种主流的参数和非参数PSF建模或估计方法进行了回顾。总的来说在地基天文望远镜PSF建模方面国内外研究者已做了大量工作,但应用条件以长曝光为主,建模方法也主要为参数模型。这是因为长曝光的PSF形状规则对称,适合用参数模型表示。而短曝光的PSF形状复杂,很难用参数模型表示出来,但在快速巡天、太阳观测及幸运成像等天文观测中,必须采取短曝光的观测策略,因此对短曝光PSF的建模也需要研究。本论文以数据驱动的方式,针对大视场小口径望远镜（WFSAT）,研究了一种可以对任意状态和曝光时间PSF的非参数建模方法。针对不同误差来源,本文将大气湍流对光学系统成像造成的模糊影响和WFSAT本身工作时存在的静态像差分开讨论。因为系统整体的PSF是成像过程各阶段PSF卷积的结果,因此PSF也可以拆解后分阶段地作用到目标图像上。从这一角度考虑,整体和分阶段研究两种模式理论上效果相同,分开讨论的优势是可以更细致的进行PSF建模工作。在这一思路下,本文对WFSAT成像过程中的退化因素进行了详细的分析后得出建模方案,然后利用深度神经网络（DNN）分别搭建了PSF-NET和Tel-NET两个网络模型,分别实现了两个阶段的PSF建模工作。利用模拟和实测数据测试后表明本文建立的PSF模型能够表示任意湍流廓线下的PSF流形空间且能够估计出全视场的PSF数据立方体。本文的研究有助于科学家针对望远镜的图像退化设计数据处理和控制算法,提高地基望远镜的成像质量。
张欣[4]（2021）在《基于三维卷积神经网络的高光谱遥感图像分类技术研究》文中研究说明随着卫星技术的发展和空间及光谱技术水平的提高,越来越多的高光谱图像数据需要快速处理,它包含了紫外、可见光、短波红外波段中数百个光谱波段,包含了丰富的地物空间特征,与全色和多光谱遥感图像相比,高光谱遥感图像的光谱分辨率更高,能够为地物分类提供更为精细的数据。高光谱遥感图像分类是其应用的重要环节,被广泛应用于环境变化监测、农业种植评估、气象预测预报、现代化军事、自然资源勘探等领域。传统的高光谱图像分类方法虽逐渐趋向成熟,但这些方法均是采用手工特征提取的方式,特征的表达能力有限,且泛化能力较弱,不能满足分类任务的高精度需求。近年来,深度学习在计算机视觉领域取得了显着进展,采用深度学习方法进行高光谱遥感图像分类是当前研究热点,与传统的高光谱遥感图像分类方法相比,深度学习模型与人类视觉系统的处理机制相似,通过层级感知网络结构,能够自动地学习并提取图像的高层语义信息,实现过程更智能、更灵活。尽管目前深度学习方法在此领域取得了巨大的进展,但是也面临着严峻的挑战。如高光谱遥感图像的空谱特征不能被有效提取、有标签样本过少、波段众多且冗余性较大、同物异谱及同谱异物现象等一系列问题,这些问题的存在推动了研究人员对此领域进行进一步地探索。卷积神经网络（convolutional neural network,CNN）是深度学习领域非常重要的一种网络结构,在高光谱遥感图像分类领域展示了非常优越的性能。目前,尽管已有很多的基于卷积神经网络的高光谱遥感图像分类方法,然而对于这些方法特征提取能力的详细比较和分析却未见报道。因此,本文构建了三个卷积神经网络模型组,实现了对不同类型卷积神经网络的高光谱遥感图像特征提取能力的比较和分析。为了解决高光谱图像分类中空谱特征不能有效地提取以及提取过程中存在大量冗余信息的问题,文章构建了基于空谱密集连接策略和空谱注意力机制的高光谱遥感图像3D CNN分类方法。为了解决高光谱图像分类中细节信息随着模型加深而丢失、有标签样本数量过少、且不同样本类别之间存在着数据不平衡的问题,文章提出了基于数据平衡扩增策略及空谱残差分型结构的高光谱遥感图像3D CNN分类方法。实验结果证明了文章提出的三维卷积神经网络对高光谱遥感图像分类而言具有明显的优势。本文的主要研究内容和创新点介绍如下:（1）构建了三个卷积神经网络模型组,实现了对不同类型卷积神经网络的高光谱遥感图像特征提取能力的比较和分析。不同模型组均由基于光谱特征（1D CNN）、空间特征（2D CNN）以及空谱特征（1D+2D CNN、3D CNN）的卷积神经网络构成,每个模型组具有不同的特点:第一个模型组为全卷积结构;第二个模型组采用了卷积层、池化层以及全连接层;第三个模型组采用了不同大小的卷积核。在Indian Pines、Pavia University、Kennedy Space Center三个高光谱遥感图像基准数据集上进行训练和测试,实验结果证明,基于3D CNN的高光谱遥感图像分类模型,在不同的评价指标（总体精度、平均精度、Kappa系数）下,取得了远超基于其他类型卷积神经网络的性能表现。不同网络模型对高光谱遥感图像特征提取能力的比较为基于三维卷积神经网络的高光谱遥感图像分类模型的构建提供了支撑。（2）构建了基于空谱密集连接策略和空谱注意力机制的高光谱遥感图像3D CNN分类方法。设计了空谱密集连接策略,该策略能够对高光谱遥感图像空谱特征进行有效提取;提出了空谱注意力机制,它能够激活高光谱遥感图像中有用空谱信息、并抑制无用空谱信息;采用了数据扩增、批归一化、Dropout、指数衰减学习率、L2正则化等一系列优化方法,实现了高光谱遥感图像的高精度分类。在两个高光谱遥感图像基准数据集（Indian Pines和Pavia University）上,该方法的总体精度、平均精度以及Kappa系数均超过了99%,这一性能表现超过了大部分现有算法,证明了本文所提出算法的有效性和先进性。（3）提出了基于数据平衡扩增策略及空谱残差分型结构的高光谱遥感图像3D CNN分类方法。提出了数据平衡扩增策略,能够增加有标签样本数量并解决不同类别样本之间数量不平衡的问题;设计了空谱残差策略,该策略能够在轻量化参数的情况下有效提取高光谱遥感图像的特征;提出了空谱分型结构,它能够增加模型宽度并且防止细节信息丢失;设计了空谱维度变换模块,该模块能够有效降低高光谱遥感图像特征图维度。在三个基准的高光谱遥感图像数据集（Indian Pines、Pavia University以及Kennedy Space Center）上,提出的方法的总体精度、平均精度以及Kappa系数均超过了99%,达到了目前的领先水平。
黄良[5]（2021）在《高光谱遥感图像高精度分类方法研究》文中研究指明高光谱遥感图像含有大信息量的光谱维度特征与一定程度上的空间信息描述,所以常常用来对地物属性进行种类划分,有着极强的实用意义。世界各国应用高光谱遥感卫星在军事领域来进行监测、预警;在民用领域来进行资源探测、农作物管理。传统高光谱遥感图像分类技术已不能适应适宜发展的高光谱遥感图像。如何在高光谱图像中提取深层次、抗干扰性强的特征以进行图像分类是当前最重要的研究课题。高光谱遥感图像的分类精度的指标将直接影响后续识别、跟踪、侦查的图像处理算法的有效性,是高光谱遥感图像处理技术的基石。随着高光谱遥感技术的发展,卫星分辨率越来越高且幅宽也越来越大,高光谱图像数据量急剧增加,受限于星地链路传输带宽,高分辨率的光谱图像传输极其困难,高光谱图像数据样本数量小。对于以上在高光谱遥感图像领域内的现状,本文通过对高光谱遥感图像深层次特征的提取挖掘,探索将光谱维度信息与空间维度信息相结合的高精度分类技术。并进行实验验证,最终以当前主流的评价指标进行评价并与其他方法进行对比,以探究更高分类精度算法的可能性。本文针对于不同典型应用场景下,分别提出了三种高光谱分类方法:针对于常用分类方法缺乏空间信息表征,分类精度低的问题,提出了增强置信度空-谱分类方法,并且提出了谱增强的算法,提高算法抗干扰能力和分类辨识度;在此基础上,针对于有限训练样本的情况下致使分类精度低,噪声干扰严重的问题,提出了基于自适应引导滤波的空-谱融合分类方法,进一步地挖掘空-谱特征融合的优势,提高算法的分类精度。前两种方法在后分类阶段都是在机器学习的基础上展开的,需要人工提取分类特征,为了提高算法的普适性,提出了自动的空间和光谱特征的加权融合的三段式深度学习训练方法。具体地,本论文取得的主要成果如下:1.传统的高光谱图像分类主要关注点在光谱维度信息的处理上,这种方法得到的分类结果会产生不合乎客观规律的椒盐噪声。本文利用PCA对数据降维以起到特征增强的作用,并且,对像素点进行patch处理,将谱信息和空间信息融合在一起得到超像素块。为了降低计算消耗,还利用Gabor滤波器对空间信息进行了增强,提取图像中的纹理特征,最后利用改进的最大置信度的SVM方法实现基于空-谱融合的高光谱分类。2.利用残差网络提取特征并结合注意力机制进行特征增强的深度卷积神经网络可以实现较好的高光谱图像分类效果,但残差网络不擅长提取更多特征。为了提高分类精度,本文引入双路网络代替残差网络进行基本特征提取,并提出了一种三段式方法进行模型训练。双路网络兼具残差网络低层特征复用和密集连接网络探索更深更多特征的优势,可以获得更有利于分类的特征。在保留了压缩激励网络所实现的注意力机制的基础上,提出一种空谱联合压缩激励双路网络SSSEDPN。三段式训练方法通过专门对空间和光谱特征的加权融合过程进行训练来突出两种特征中更有利于目标分类的部分,可以实现高光谱图像分类精度的进一步提高。3.针对于有限训练样本情况下,传统光谱分类方法计算复杂度高,受噪声干扰严重导致分类精度较低的问题,提出了一种基于自适应规整化因子的引导滤波的高光谱影像空-谱融合分类方法。提出了改进的对比度自适应的LBP描述,提高图像灰度值对比度描述精度,并且结合Gabor变换提取空间纹理特征。采用由粗到细的分类框架,提出了基于自适应规整化因子的引导滤波算法,提高地物轮廓分类精度。在初始分类二值图像基础上,采用改进引导滤波细分类,同时减少噪声干扰,提高分类精度。
刘彤[6]（2021）在《基于3D-CNN的智能车障碍物高光谱图像分类方法研究》文中进行了进一步梳理汽车智能技术的发展和应用对提升汽车安全性具有重要意义,而环境感知是汽车智能技术的前提,障碍物检测是环境感知的基础。目前,关于车前障碍物检测技术的研究情况总结如下:单一传感器技术存在其各自的优缺点,难以满足快速准确的检测出所有类型障碍物要求;多种传感器融合技术尚处在起步阶段,仍需对新的传感器技术及新算法进行尝试与探索。近几年来,高光谱成像技术成为机器视觉重点研究方向,而卷积神经网络相较于传统算法,乃至于其他深度网络模型,都具有较大的优势。分析高光谱图像数据的特点,及三维卷积神经网络共享权值、参数少等优点,本文提出基于3D-CNN（3D Convolutionnal Neural Network）的智能车障碍物高光谱图像分类的方法研究,以期为高光谱成像技术和卷积神经网络算法在智能车障碍物识别方面的应用提供新的思路;为新检测手段和新算法与传统传感技术的融合提供新的方向。首先,为获得可能的智能车障碍物的高光谱图像,搭建智能车障碍物高光谱图像采集系统,采集智能车前障碍物的高光谱图像数据。在波段450～950nm范围内采集泡沫、木质、纸质、金属、玻璃、等六类物质的高光谱图像,经过光谱图像分析,选择木质、纸质、金属、塑料四类物质的高光谱数据,建立智能车障碍物原始高光谱图像数据库,提取感兴趣区域（ROI,region of interest）形成ROI数据集S。其次,为了对高维度的高光谱数据进行降维处理,在不破坏各个波段原始信息的前提下,以物质可分性为波段选择原则,提出一种基于卷积神经网络的波段选择方法,进行高光谱数据的降维,该方法将卷积神经网络能够定位特征图像位置信息的功能,应用到高光谱图像的波段选择中,具体做法如下:对原始高光谱图像数据库内的每个样本的光谱信息进行二维灰度图像重构,生成新的样本组成样本集S1,输入到卷积神经网络的一种轻量级网络Squeeze Net模型,进行分类过程中生成特征波段激活图,根据波段激活图的权重排序进行波段选择,应用此方法分别选择出的10个、20个、30个、40个、50个波段与ROI数据集S联合组成特征空间数据集,分别输入经典卷积神经网络模型3D-Res Net10、3D-Res Net18、3D-Res Net34进行分类验证,实验结果验证了该波段选择方法的有效性,并证明30个波段分类精确度最佳。最后,在分类模型的设计方面,提出将一种用于人体行为识别的3D-VGG网络结构应用于高光谱图像分类任务中,并通过实验验证3D-VGG网络结构分类精度较高。在此模型基础上进行改进,提出一种基于3D-Res-VGG的高光谱图像分类模型,利用残差模块加深网络层次,更好的实现深层特征提取,又避免了过拟合,通过对比实验验证,分类准确性有所提高,但时间稍有损耗。
李保平[7]（2021）在《基于快速卷积字典学习算法的图像重建系统设计与实现》文中认为随着神经科学的发展,科学家对动物大脑皮层的信号处理机制进行了深入的研究,发现哺乳动物的初级视觉细胞的感受野具有空间局部性、方向性和带通性,科学家提出稀疏编码的模型来描述初级视觉细胞的这些性质。稀疏编码中局部块之间相互独立的假设导致字典中的基是彼此移位的版本,为将移位不变性建模,科学家提出了卷积稀疏编码（Convolutional Sparse Coding,CSC）。CSC是一个双凸问题,当前主流的求解方式是使用交替方向乘子法（Alternating Direction Methods of Multipliers,ADMM）。实验发现,CSC求解过程涉及到处理复杂逆矩阵,导致较大的空间占用和计算量,为解决这个问题,本文引入预条件技术,实现避免矩阵逆运算的效果,从而降低计算复杂度,提升算法的收敛速度。通过调研发现,CSC对具有通道相关性的三维图像进行字典学习的方式存在不足,已有的方法不能较好地考虑到三维图像的空间和光谱完整性。本文提出了采用三维字典和二维系数的结构来构建三维卷积字典学习算法,兼顾了空间维和光谱维的字典学习。同时采用提出的预条件ADMM来对该问题进行求解,避免复杂矩阵逆的计算。随着遥感技术的发展,高光谱图像（Hyperspectral images,HSI）得到了广泛的应用,基于压缩感知的光谱成像技术得到了发展。从远少于图像光谱通道数量的测量值中重建出原光谱通道数的HSI是一个欠定的任务。CSC作为一种无监督的特征提取方法可以为HSI压缩重建提供先验信息。本文提出了基于CSC的高准确度的HSI层析成像压缩重建算法,结合全变分正则化约束项进行重建,提升了 HSI的重建质量。本文基于提出的预条件ADMM的高效卷积字典学习算法、三维高光谱图像高效卷积字典学习算法、基于卷积稀疏编码的高准确度的高光谱图像层析成像压缩重建算法设计并开发了一款具有二维图像字典学习、三维图像字典学习、视差图重建、图像修复和高光谱图像压缩重建功能的图像重建系统。
罗宇豪[8]（2021）在《基于生成对抗网络的视网膜影像分析研究》文中研究指明视网膜是全身唯一能够利用可见光进行无创观测的器官,通过对视网膜影像的分析可以实现对大量眼科和全身性疾病的早期筛查、诊断与防治,帮助患者避免致盲的风险。近年来,由于深度学习强大的特征提取能力,大量深度学习网络被应用于视网膜影像分析领域,并取得了出色的效果。基于深度学习的视网膜影像分析技术能够获得更为客观的诊断结果,从而辅助医生进行更为精确的诊断。然而,该技术的发展仍面临着一定的阻碍,例如:专家精确标注的数据少和缺乏成对数据集等问题,限制了深度学习在视网膜影像分析中的应用。本研究结合了视网膜影像独有的特征,创新性的设计构建了三种生成对抗网络结构并结合针对设计的损失约束,克服了部分深度学习应用于视网膜影像分析领域的阻碍。本文的具体内容与创新如下:（1）设计构建了一种针对新生儿视网膜出血点分割的配对生成对抗网络,并提出了一个全新的定量化新生儿视网膜出血点分级标准。考虑到目前缺乏定量化分级标准用以指导新生儿出血点的质量,本文创新性的将构建的用于出血点图像生成的生成对抗网络与分割网络相结合应用于新生儿视网膜出血领域,克服了精确出血点标注图像数量少等阻碍。本算法以本文设计的配对生成对抗网络为框架,仿真得到了大量含有对应出血点标注的视网膜影像,扩增了出血点分割网络的训练数据集,实现了对图像中出血点的高精度分割。随后,本文基于出血点与视盘的定量化比值,以及构建的基于主血管弓的黄斑危险区定位算法对黄斑危险区的定位,定义了一种全新的定量化新生儿视网膜出血点分级标准。（2）研究开发了一种面向视网膜图像的通用不配对生成对抗网络,实现了对白内障视网膜图像的高质量去雾,克服了现有视网膜图像由于缺失成对的数据而无法进行网络训练的困难,去雾后的图像能够帮助医生实现对白内障患者其他眼科相关疾病更好的诊断。本算法利用不成对的白内障和清晰视网膜图像,结合本文针对视网膜图像独有特征所设计的两种损失约束,巧妙的构建了一个面向视网膜图像通用的不配对生成对抗网络。该网络能够输出既保有了与输入视网膜图像一致主干结构,同时又融合了白内障视网膜中雾特征的类似白内障视网膜图像。随后本算法利用该数据对,有监督地训练了另一个去雾网络,实现了对白内障图像的去雾。本文创新性的利用数学模拟法得到的类白内障图像作为网络先验,并结合多尺度判别网络结构以及针对性设计的两种损失约束,能够在实现不成对数据训练的同时,有效的抑制去雾后结果中的血管状伪影以及提升主干结构的对比度。本研究还设计了两种全新的面向视网膜图像主要特征的无参图像质量评估指标,以衡量主干结构的对比度与血管状伪影的程度。相较于现有的去雾算法,本算法在取得了出色去雾效果的同时,还有效抑制了血管状伪影的存在。（3）创新性的提出了一种面向多光谱成像系统重建结果通用的三维超分辨生成对抗网络,实现了在不改变光谱曲线情况下的多光谱图像超分辨。本文首先搭建了一个计算层析成像光谱系统,该系统能够通过瞬时拍摄的方式,结合重建算法得到多光谱三维数据立方体。随后,针对该系统三维多光谱重建结果空间分辨率低的局限性,创新性的提出了一个通用的多光谱三维超分辨生成对抗网络。针对于多光谱重建结果的特点,该网络利用三维卷积、打乱输入光谱顺序、光谱维度均值化滤波等多种创新的方式充分融合了不同光谱之间的关联信息,出色的实现了多光谱图像的超分辨,并去除了图像中的噪声。此外,本文通过构建光谱角损失约束的方式保证了网络输出前后在光谱曲线上的一致性。本文初步解决了困扰真实计算层析成像光谱系统无法投入实际使用的瓶颈问题。
刘贺[9]（2021）在《基于数据挖掘的工程造价数据库设计研究》文中进行了进一步梳理信息化和造价改革的发展推动了工程造价数据积累,使之成为实现工程造价领域可持续发展的必然趋势,工程造价数据库也引起了众多造价咨询企业的关注。然而通过调查发现,绝大多数造价咨询企业还未建立起自己的造价数据库,仍停留在依靠人的经验积累、普通计算机的表格化存储归档,这种传统表格化的数据积累方式不利于调查取阅和使用,无法盘活数据资产,导致数据价值低。究其原因主要有三方面:一是由于原始造价数据资料多、形式多样,导致数据噪声高、入库数据体系不明晰;二是由于造价咨询企业形成的数据往往存储于不同电子表格中,无法实现数据的集成对比,落后的数据存储与处理方式导致造价咨询企业对数据的深入分析缺乏系统性的方案设想;三是即使使用数据库,但由于信息化程度低,导致只能够为固定项目查阅资料使用,很难发挥历史数据价值为新建项目提供参考。基于以上问题,本文进行以下三方面的研究。第一,基于原始性挖掘完成了结构化数据库表单的设计。首先通过实际应用研究及信息沉淀法得出原始性挖掘的指标体系,然后根据主次因素分析、文献分析筛选出影响工程造价指标的特征因素。借鉴层次分析法建立工程造价指标的重要特征因素集,从而建立起结构化的数据库表单,为后续数据库的分析预测提供数据基础。第二,基于描述性挖掘完成了数据库分析功能的设计。首先对入库数据采用格拉布斯法进行噪声数据清洗并将其转化为适合数据挖掘的高质量数据;然后根据预处理后的数据构建数据立方体设计数据库多维分析功能,设计输入输出参数化表格实现经济描述功能,设计图表实现数据库可视化功能。第三,基于预测性挖掘完成了数据库预测功能的设计。首先通过文献研究各种预测方法的优缺点、适用性,确定案例推理技术作为数据库的预测系统。然后借鉴案例推理系统建立预测性挖掘模型,明确其实现步骤,并以案例进行实证分析,确保建立的预测模型科学合理、数据库的预测功能具有实现可能性。综上,本文基于数据挖掘技术,采用各种研究方法基本实现了按规则识别排原始造价信息,建立结构化数据库表单;提出科学高效的描述性分析处理方案及具体的预测性挖掘算法,从而系统性地设计了工程造价数据库的分析及预测功能,为工程造价咨询企业建立起自己的工程造价数据库提供理论及实践方案支撑。
吴马超[10]（2021）在《基于粒子群优化的高光谱木材染色配色算法研究》文中指出木材颜色是决定木材品质的重要因素,由于珍贵木材的稀缺,所以衍生仿真木材加工行业,传统木材染色行业生产线工人仅仅依靠经验和视觉判断进行染色,导致染色品质下降、木材资源浪费、达不到所期望的染色效果。针对上述问题,本研究将高光谱成像技术和计算机智能算法应用于木材染色配色中,以提高木材染色计算机智能配色应用的准确性和实用性。本文主要研究内容如下:（1）研究以水曲柳单板木材为研究对象在确定染色工艺下进行木材染色试验,实验获得珍贵树种材样本、单一组分染料染色材样本和混色染料染色材样本,阐述高光谱成像技术原理和几种颜色空间及色差评级理论。针对木材染色配色理论试验研究,选择高光谱仪器处理试验样板,利用高光谱技术对实验样本进行数据采集、处理及分析。（2）根据实验数据训练样本集,建立基于Kubelka-Munk理论的木材染色配方预测模型。针对Kubelka-Munk理论算法模型存在的问题建立优化的Friele算法模型进行木材染色配色实验研究,同时比较优化前后的Friele算法模型在木材染色配色预测配方过程中的色差精确度。利用高光谱仪器检测染色实验样本,根据染色效果比较和算法的研究,利用粒子群优化Steams-Noechel算法模型预测配方,以提高Friele算法模型的染色精度,降低色差和光谱反射率曲线误差,比较优化前后的Steams-Noechel算法模型在木材染色配色预测配方过程中的色差精确度。本文采用基于高光谱成像的木材染色配色研究,由传统的配色方法转变为计算机智能配色,实现了对木材染色过程的实时监测,及时纠正染色偏差,提高木材染色的品质,并且解放了富余劳动力,在节约生产资源,降低生产成本的同时,还大大提高产品合格率以及生产效率,提高了木材染色配色的精确度和准确性。
二、一种基于数据立方体的数据泛化算法（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、一种基于数据立方体的数据泛化算法（论文提纲范文）
（1）基于立体卷积神经网络的高光谱图像分类研究（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 本文的主要研究内容及结构安排 |
| 第二章 高光谱图像分类算法的相关理论 |
| 2.1 引言 |
| 2.2 常用的高光谱图像预处理方法 |
| 2.3 基于传统方法的高光谱图像分类方法介绍 |
| 2.4 基于深度学习的高光谱图像分类方法介绍 |
| 2.5 本章小结 |
| 第三章 基于空谱联合的立体卷积神经网络的高光谱遥感图像分类 |
| 3.1 引言 |
| 3.2 基于主成分分析和一维卷积的联合降维策略 |
| 3.3 基于空谱联合的立体卷积的高光谱图像分类模型 |
| 3.3.1 立体卷积结构 |
| 3.3.2 基于空谱联合的立体卷积分类模型 |
| 3.4 实验结果与分析 |
| 3.4.1 高光谱数据集简介 |
| 3.4.2 分类精度衡量指标简介 |
| 3.4.3 实验平台与环境 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于EMAP的立体胶囊网络模型的高光谱图像分类 |
| 4.1 引言 |
| 4.2 深度胶囊网络 |
| 4.3 基于EMAP的立体胶囊网络的高光谱图像分类模型 |
| 4.3.1 扩展的多形态属性轮廓特征 |
| 4.3.2 基于EMAP的立体胶囊网络分类模型 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于多尺度空谱联合特征网络的高光谱图像分类（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 |
| 1.2.1 高光谱图像分类传统算法研究现状 |
| 1.2.2 高光谱图像分类深度学习算法研究现状 |
| 1.3 论文研究思路及章节安排 |
| 第二章 高光谱图像分类理论介绍 |
| 2.1 引言 |
| 2.2 主成分分析 |
| 2.3 卷积神经网络 |
| 2.4 3D卷积神经网络 |
| 2.5 基于3D-CNN光谱空间残差网络的高光谱图像分类模型 |
| 2.5.1 光谱和空间残差块 |
| 2.5.2 基于3D-CNN光谱空间残差网络 |
| 2.6 高光谱图像分类数据集 |
| 2.7 高光谱图像分类评价指标 |
| 2.8 本章小结 |
| 第三章 基于3D通道空间注意力机制的多尺度光谱空间残差网络 |
| 3.1 引言 |
| 3.2 多尺度特征提取模块 |
| 3.3 3D注意力模块 |
| 3.3.1 通道注意力模块 |
| 3.3.2 空间注意力模块 |
| 3.4 基于3D通道空间注意力机制的多尺度光谱空间残差网络 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 参数设置与分析 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于自适应注意力机制的多尺度光谱空间加权核网络 |
| 4.1 引言 |
| 4.2 基于PCA和1D卷积的联合降维策略 |
| 4.3 自适应空间特征提取模块 |
| 4.4 基于自适应注意力机制的多尺度光谱空间加权核网络 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设置 |
| 4.5.2 参数设置与分析 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介 |
（3）基于深度神经网络的望远镜非参数点扩散函数模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 第2章 WFSAT成像过程的PSF建模分析 |
| 2.1 大气湍流对地基望远镜的PSF建模分析 |
| 2.1.1 大气湍流对地基望远镜的退化影响 |
| 2.1.2 大气湍流对地基望远镜的PSF建模理论 |
| 2.2 WFSAT静态像差的PSF建模分析 |
| 2.2.1 WFSAT静态像差的影响因素分析 |
| 2.2.2 WFSAT静态像差的PSF建模理论 |
| 2.3 本章小结 |
| 第3章 基于PSF-NET的大气湍流PSF建模 |
| 3.1 PSF-NET网络设计 |
| 3.2 PSF模拟生成和数据集制作 |
| 3.2.1 利用蒙特卡罗方法进行PSF模拟 |
| 3.2.2 模拟退化数据集制作 |
| 3.3 PSF-NET网络的训练和测试 |
| 3.3.1 PSF-NET网络的训练 |
| 3.3.2 PSF-NET网络的性能测试 |
| 3.4 PSF-NET的可解释化研究 |
| 3.5 大气湍流与MEANPSF的关联分析 |
| 3.5.1 大气湍流的整体变化对PSF的影响 |
| 3.5.2 大气湍流的细节变化对PSF的影响 |
| 3.6 PSF-NET的夜天文复原应用 |
| 3.6.1 超新星图像复原背景介绍 |
| 3.6.2 Cycle-CNN的超新星图像应用原理 |
| 3.6.3 用于网络训练的数据集制作 |
| 3.6.4 网络训练及结果分析 |
| 3.7 本章小结 |
| 第4章 静态像差影响下WFSAT的 PSF估计 |
| 4.1 TEL-NET网络介绍 |
| 4.2 MATLAB和 ZEMAX联动数据生成 |
| 4.3 TEL-NET网络训练和结果分析 |
| 4.3.1 Tel-NET的网络训练 |
| 4.3.2 Tel-NET网络的鲁棒性验证 |
| 4.3.3 Tel-Net的性能测试 |
| 4.4 真实数据下WFSAT的 PSF估计 |
| 4.4.1 数据获取与数据集制作 |
| 4.4.2 网络训练与结果分析 |
| 4.5 本章小结 |
| 第5章 结论 |
| 5.1 本文主要完成的工作 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于三维卷积神经网络的高光谱遥感图像分类技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 相关领域的研究现状 |
| 1.2.1 传统高光谱遥感图像分类方法的研究现状 |
| 1.2.2 深度学习网络模型发展现状 |
| 1.2.3 基于深度学习的高光谱遥感图像分类方法的研究现状 |
| 1.3 关键问题和难点 |
| 1.4 本文内容安排 |
| 1.5 本章小结 |
| 第2 章 卷积神经网络及高光谱图像分类技术 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的基础知识 |
| 2.2.2 典型的卷积神经网络模型 |
| 2.3 基于卷积神经网络的高光谱遥感图像分类方法 |
| 2.4 高光谱遥感图像数据扩增方法 |
| 2.5 本章小结 |
| 第3 章 基于卷积神经网络的高光谱遥感图像特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的高光谱遥感图像光谱特征提取模型构建 |
| 3.3 基于卷积神经网络的高光谱遥感图像空间特征提取模型构建 |
| 3.4 基于卷积神经网络的高光谱遥感图像空谱特征提取模型构建 |
| 3.4.1 基于卷积神经网络的高光谱遥感图像联合空谱特征提取方法 |
| 3.4.2 基于卷积神经网络的高光谱遥感图像直接空谱特征提取方法 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据集 |
| 3.5.2 实验设置 |
| 3.5.3 评价指标 |
| 3.5.4 实验结果分析 |
| 3.6 本章小结 |
| 第4 章 基于空谱密集连接策略和空谱注意力机制的高光谱遥感图像3D CNN分类方法研究 |
| 4.1 引言 |
| 4.2 空谱密集连接策略 |
| 4.2.1 光谱密集连接块 |
| 4.2.2 空间密集连接块 |
| 4.2.3 维度降低模块 |
| 4.3 空谱注意力机制 |
| 4.4 模型结构的优化 |
| 4.4.1 数据增强方法 |
| 4.4.2 批归一化 |
| 4.4.3 Dropout |
| 4.4.4 指数衰减学习率 |
| 4.4.5 参数范数正则化 |
| 4.5 总体模型结构 |
| 4.6 实验和结果分析 |
| 4.6.1 实验设置 |
| 4.6.2 实验结果 |
| 4.6.3 分析与讨论 |
| 4.7 本章小结 |
| 第5 章 基于数据平衡扩增策略及空谱残差分型结构的高光谱遥感图像3D CNN分类方法研究 |
| 5.1 引言 |
| 5.2 数据平衡扩增策略 |
| 5.3 空谱残差模块 |
| 5.4 空谱分型结构 |
| 5.5 空谱维度变换模块 |
| 5.6 总体模型结构 |
| 5.7 实验和结果分析 |
| 5.7.1 实验设置 |
| 5.7.2 实验结果 |
| 5.7.3 分析与讨论 |
| 5.8 本章小结 |
| 第6 章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）高光谱遥感图像高精度分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 高光谱遥感技术应用背景 |
| 1.1.2 高光谱遥感图像分类技术应用意义 |
| 1.2 高光谱遥感图像分类技术存在的问题 |
| 1.2.1 高光谱遥感图像的特点 |
| 1.2.2 高光谱遥感图像存在的问题 |
| 1.3 国内外研究现状 |
| 1.3.1 高光谱遥感图像特征提取 |
| 1.3.2 高光谱遥感图像分类技术 |
| 1.4 论文主要研究内容 |
| 1.4.1 增强谱特征和空间信息融合,加权置信度修正的高光谱图像分类方法 |
| 1.4.2 基于改进SSSERN的高光谱图像分类方法 |
| 1.4.3 基于引导滤波的空-谱融合遥感高光谱分类 |
| 1.5 论文组织结构 |
| 第2章 高光谱图像分类理论基础 |
| 2.1 常用高光谱图像数据集介绍 |
| 2.1.1 Indian Pines数据集 |
| 2.1.2 University of Pavia数据集 |
| 2.1.3 Salinas数据集 |
| 2.2 机器学习算法简介 |
| 2.2.1 基于SVM的分类算法 |
| 2.2.2 基于深度学习的分类算法 |
| 2.3 高光谱分类性能评价指标 |
| 2.4 本章小结 |
| 第3章 特征增强和置信域判别的高光谱图像分类方法 |
| 3.1 引言 |
| 3.2 高光谱图像空-谱融合分类方法 |
| 3.2.1 空-谱融合分类方法 |
| 3.2.2 Gabor变换 |
| 3.3 基于特征增强和加权置信度判别的高光谱图像分类方法 |
| 3.3.1 增强谱特征 |
| 3.3.2 利用Gabor滤波器提取纹理特征 |
| 3.3.3 基于加权置信度的修正方案 |
| 3.4 实验与分析 |
| 3.4.1 Indian Pines高光谱遥感图像分类 |
| 3.4.2 Salinas高光谱遥感图像分类 |
| 3.4.3 Salinas A高光谱遥感图像分类 |
| 3.5 本章小结 |
| 第4章 基于改进空-谱融合压缩激励残差网络的高光谱图像分类 |
| 4.1 引言 |
| 4.2 模型结构 |
| 4.2.1 DPN:双路网络 |
| 4.2.2 SE Block:压缩-激励块 |
| 4.2.3 SSSEDPN:空谱联合压缩激励双路网络 |
| 4.3 训练方法 |
| 4.4 实验分析 |
| 4.4.1 重要参数优化 |
| 4.4.2 训练方法对比 |
| 4.4.3 模型性能比较 |
| 4.5 本章小结 |
| 第5章 基于引导滤波的空-谱融合特征的高光谱分类方法 |
| 5.1 引言 |
| 5.2 空间特征提取 |
| 5.2.1 主成分分析 |
| 5.2.2 自适应LBP直方图特征 |
| 5.3 初始分类概率图 |
| 5.4 基于自适应引导滤波的概率图分类 |
| 5.4.1 原始引导滤波方法 |
| 5.4.2 自适应规整化因子的引导滤波 |
| 5.4.3 遥感高光谱分类后处理 |
| 5.5 实验结果与分析 |
| 5.5.1 参数对比分析 |
| 5.5.2 不同特征结合对比分析 |
| 5.5.3 不同算法对比分析 |
| 5.5.4 样本数量对比分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）基于3D-CNN的智能车障碍物高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱成像技术概述 |
| 1.2.2 卷积神经网络理论的发展现状 |
| 1.2.3 高光谱图像分类方法的研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 研究的内容、方法及关键技术 |
| 第2章 高光谱成像与数据采集系统 |
| 2.1 高光谱成像系统 |
| 2.1.1 高光谱成像原理 |
| 2.1.2 高光谱成像系统的组成 |
| 2.2 高光谱数据采集系统 |
| 2.2.1 数据采集系统组成 |
| 2.2.2 数据采集实验过程 |
| 2.3 高光谱数据预处理及分类评价指标 |
| 2.3.1 高光谱图像分类概述 |
| 2.3.2 高光谱数据预处理方法 |
| 2.3.3 感兴趣区域ROI数据集 |
| 2.3.4 高光谱数据光谱分析 |
| 2.3.5 分类性能评价指标 |
| 2.4 本章小节 |
| 第3章 基于卷积神经网络类别可视化的波段选择研究 |
| 3.1 卷积神经网络经典模型 |
| 3.1.1 AlexNet |
| 3.1.2 VGGNet |
| 3.1.3 ResNet |
| 3.1.4 SqueezeNet |
| 3.2 基于卷积神经网络类别可视化的波段选择模型设计 |
| 3.2.1 光谱信息二维灰度图重构方法 |
| 3.2.2 基于Squeeze Net的特征波段激活模型设计 |
| 3.2.3 特征波段激活图的生成 |
| 3.2.4 波段选择 |
| 3.3 实验 |
| 3.3.1 实验数据集 |
| 3.3.2 实验环境及训练过程 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小节 |
| 第4章 基于3D-CNN的高光谱图像分类模型设计 |
| 4.1 3D-CNN基本原理 |
| 4.2 基于3D-VGG的高光谱图像分类模型设计 |
| 4.2.1 3D-VGG-block结构设计 |
| 4.2.2 批量归一化 |
| 4.2.3 模型总体结构设计 |
| 4.3 基于3D-Res-VGG高光谱图像分类模型设计 |
| 4.3.1 残差模块的设计 |
| 4.3.2 模型总体结构设计 |
| 4.4 实验 |
| 4.4.1 实验数据集 |
| 4.4.2 实验参数及训练过程 |
| 4.4.3 实验结果 |
| 4.5 本章小节 |
| 第5章 结论 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（7）基于快速卷积字典学习算法的图像重建系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卷积稀疏编码算法发展 |
| 1.2.2 高光谱图像压缩重建算法发展 |
| 1.3 研究内容和目标 |
| 1.3.1 卷积稀疏编码算法 |
| 1.3.2 高光谱图像压缩重建算法 |
| 1.4 论文主要工作和创新点 |
| 1.5 论文组织结构 |
| 第二章 基于Preconditioned ADMM的高效卷积字典学习算法 |
| 2.1 引言 |
| 2.2 卷积字典学习算法 |
| 2.2.1 数学表达 |
| 2.2.2 优化策略 |
| 2.2.3 算法收敛性 |
| 2.2.4 内存消耗 |
| 2.3 基于PADMM的高效卷积字典学习算法 |
| 2.3.1 使用ADMM进行字典更新 |
| 2.3.2 预条件卷积字典学习 |
| 2.3.3 卷积稀疏编码 |
| 2.4 灵活的对角预条件器 |
| 2.4.1 PCDL算法的收敛条件 |
| 2.4.2 对角预条件器的选择 |
| 2.4.3 PCDL算法的计算复杂度 |
| 2.5 数值实验 |
| 2.5.1 参数选择和停止标准 |
| 2.5.2 加速表现 |
| 2.5.3 CDL算法字典结果 |
| 2.5.4 图像修复实验 |
| 2.5.5 视差图补全实验 |
| 2.6 结论 |
| 第三章 高效三维高光谱图像卷积字典学习算法 |
| 3.1 引言 |
| 3.2 三维卷积字典学习算法 |
| 3.2.1 二维卷积字典学习算法 |
| 3.2.2 三维卷积字典学习算法 |
| 3.3 三维卷积字典学习算法的双凸优化框架 |
| 3.3.1 稀疏编码子问题 |
| 3.3.2 字典更新子问题 |
| 3.3.3 计算复杂度分析 |
| 3.4 使用PADMM的三维卷积字典学习算法 |
| 3.4.1 预条件ADMM |
| 3.4.2 预条件的稀疏编码 |
| 3.4.3 对角预条件器的选择 |
| 3.4.4 预条件字典滤波器更新 |
| 3.4.5 预条件卷积字典学习算法的总结 |
| 3.5 实验部分 |
| 3.5.1 卷积字典实验设置 |
| 3.5.2 卷积字典学习算法收敛性对比 |
| 3.5.3 字典滤波器结果 |
| 3.6 结论 |
| 第四章 基于卷积稀疏编码进行高准确度的压缩层析成像重建算法 |
| 4.1 引言 |
| 4.2 光谱图像成像模型 |
| 4.3 基于卷积字典的光谱图像压缩重建算法模型 |
| 4.4 基于Precondition ADMM的算法求解 |
| 4.4.1 优化求解方案设计 |
| 4.4.2 使用Preconditioning ADMM进行高效求解 |
| 4.5 实验结果分析与对比 |
| 4.5.1 实验细节 |
| 4.5.2 实验对比 |
| 4.5.3 字典中滤波器个数的影响 |
| 4.5.4 算法对于测量噪声的鲁棒性 |
| 4.6 结论 |
| 第五章 基于快速卷积字典学习算法的图像重建系统 |
| 5.1 需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 体系结构 |
| 5.3 基于Matlab GUI的可视化界面的图像重建系统 |
| 5.3.1 Matlab GUI介绍 |
| 5.3.2 图像重建系统基础功能实现 |
| 5.3.3 二维卷积字典学习模块 |
| 5.3.4 三维高光谱图像卷积字典学习模块 |
| 5.3.5 基于二维卷积稀疏编码的图像重建模块 |
| 5.3.6 基于三维卷积字典学习算法的高光谱图像压缩层析投影重建模块 |
| 5.4 系统测试 |
| 5.4.1 功能测试结果 |
| 5.4.2 性能测试结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（8）基于生成对抗网络的视网膜影像分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 视网膜影像分析技术概述 |
| 1.1.2 生成对抗网络在视网膜影像分析中的意义 |
| 1.2 生成对抗网络相关工作及研究现状 |
| 1.2.1 生成对抗网络概述 |
| 1.2.2 生成对抗网络的研究现状与发展 |
| 1.2.3 基于图对图的生成对抗网络 |
| 1.2.4 生成对抗网络在视网膜影像中的应用 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 基于配对生成对抗网络的出血点分割算法及分级标准 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 图像数据扩增方法 |
| 2.2.2 医学影像分割算法 |
| 2.2.3 现有出血点分级标准 |
| 2.3 基于配对生成对抗网络的出血点分割算法 |
| 2.3.1 基于高斯模糊的预处理方法 |
| 2.3.2 配对生成对抗网络出血点扩增算法 |
| 2.3.3 出血点分割网络 |
| 2.4 出血点定量化分级标准制定 |
| 2.4.1 黄斑危险区定位算法 |
| 2.4.2 出血点定量化分级标准 |
| 2.5 实验结果 |
| 2.5.1 数据集 |
| 2.5.2 预处理结果 |
| 2.5.3 出血点视网膜图像扩增结果 |
| 2.5.4 分割网络结果 |
| 2.5.5 新的分级标准结果展示 |
| 2.6 讨论 |
| 2.7 本章小结 |
| 第3章 基于不配对生成对抗网络的白内障去雾算法研究 |
| 3.1 引言 |
| 3.2 图像去雾相关工作 |
| 3.2.1 有雾图像成像模型 |
| 3.2.2 图像去雾算法研究现状 |
| 3.2.3 定量化图像质量评估方法与不足 |
| 3.3 去雾算法整体框架概述 |
| 3.4 基于不配对生成对抗网络的白内障图像仿真算法 |
| 3.4.1 数学模拟法生成白内障图像先验 |
| 3.4.2 不配对生成对抗网络结构设计与损失函数 |
| 3.5 基于生成的配对数据的白内障图像去雾算法 |
| 3.6 视网膜图像去雾效果评估指标 |
| 3.6.1 去雾效果定量化图像质量评估指标 |
| 3.6.2 基于pix2pix网络的去雾效果评估指标 |
| 3.7 实验结果 |
| 3.7.1 数据集 |
| 3.7.2 仿真白内障图像结果及消融实验结果 |
| 3.7.3 去雾网络消融实验结果 |
| 3.7.4 与其他去雾算法对比结果 |
| 3.7.5 去雾算法对视网膜图像中病灶的影响 |
| 3.7.6 不同级别白内障患者去雾效果 |
| 3.8 讨论 |
| 3.9 本章小结 |
| 第4章 基于三维生成对抗网络的多光谱成像系统超分辨研究 |
| 4.1 引言 |
| 4.2 光谱成像技术与图像超分辨技术相关工作 |
| 4.2.1 光谱成像技术 |
| 4.2.2 图像超分辨技术 |
| 4.3 计算层析成像光谱系统搭建 |
| 4.3.1 光路设计及搭建方案 |
| 4.3.2 系统成像数学模型 |
| 4.3.3 H矩阵标定方案 |
| 4.3.4 重建算法 |
| 4.4 面向多光谱影像的三维空间-光谱超分辨生成对抗网络 |
| 4.4.1 生成网络结构 |
| 4.4.2 判别网络结构 |
| 4.4.3 损失函数 |
| 4.4.4 定量化评估指标 |
| 4.5 计算层析成像光谱系统验证 |
| 4.5.1 仿真数据集结果 |
| 4.5.2 真实数据集结果 |
| 4.6 三维空间-光谱超分辨生成对抗网络结果 |
| 4.6.1 仿真数据集结果 |
| 4.6.2 真实计算层析成像光谱系统泛化实验结果 |
| 4.7 讨论 |
| 4.7.1 计算层析成像光谱系统搭建及重建结果讨论 |
| 4.7.2 三维空间-光谱超分辨生成对抗网络结果讨论 |
| 4.8 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结与创新 |
| 5.1.1 本文总结 |
| 5.1.2 本文创新 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（9）基于数据挖掘的工程造价数据库设计研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 中央重磅发文:数据归为可市场化配置的生产要素 |
| 1.1.2 加强工程造价数据库建设势在必行 |
| 1.1.3 不同形式不同介质的数据亟须标准、信息化处理 |
| 1.2 问题提出 |
| 1.2.1 研究对象的界定 |
| 1.2.2 现实问题的提出 |
| 1.2.3 科学问题的凝练 |
| 1.2.4 关键问题的解构 |
| 1.3 研究目的及意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容及框架 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 理论基础与文献综述 |
| 2.1 工程造价信息管理 |
| 2.1.1 工程造价信息管理的范畴 |
| 2.1.2 工程造价信息管理的过程 |
| 2.1.3 工程造价信息管理的发展现状 |
| 2.2 数据挖掘理论 |
| 2.2.1 相关概念界定 |
| 2.2.2 数据挖掘流程步骤 |
| 2.2.3 数据挖掘技术的应用 |
| 2.2.4 数据挖掘模型和算法 |
| 2.3 工程造价数据库研究综述 |
| 2.3.1 工程造价数据库的概念 |
| 2.3.2 国外工程造价数据库理论及实践研究 |
| 2.3.3 国内工程造价数据库理论及实践研究 |
| 2.4 文献启示 |
| 第三章 研究设计 |
| 3.1 整体研究框架 |
| 3.2 基于原始性挖掘的工程造价数据库表单设计的研究思路 |
| 3.2.1 研究逻辑 |
| 3.2.2 研究方法 |
| 3.3 基于描述性挖掘的工程造价数据库分析功能设计的研究思路 |
| 3.3.1 研究逻辑 |
| 3.3.2 研究方法 |
| 3.4 基于预测性挖掘的工程造价数据库预测功能设计的研究思路 |
| 3.4.1 研究逻辑 |
| 3.4.2 研究方法 |
| 第四章 基于原始性挖掘的工程造价数据库表单设计 |
| 4.1 原始性挖掘的数据库指标体系构建 |
| 4.1.1 面向使用对象的原始性挖掘指标 |
| 4.1.2 面向功能用途的原始性挖掘指标 |
| 4.2 原始性挖掘的数据库特征因素选取 |
| 4.2.1 工程特征因素概述 |
| 4.2.2 基于层次分析法的特征因素分析 |
| 4.3 数据库表单的结构化设计 |
| 4.3.1 工程概况表 |
| 4.3.2 工程造价费用指标分析表 |
| 4.3.3 主要分部/分项工程量指标分析表 |
| 4.3.4 主要人工、材料消耗量指标分析表 |
| 4.4 本章小结 |
| 第五章 基于描述性挖掘的工程造价数据库分析功能设计 |
| 5.1 工程造价数据预处理 |
| 5.1.1 必要性及任务 |
| 5.1.2 数据清洗 |
| 5.1.3 数据转换 |
| 5.1.4 数据约简 |
| 5.2 工程造价数据库多维分析 |
| 5.2.1 OLAP的数据组织 |
| 5.2.2 OLAP的多维分析 |
| 5.3 工程造价数据库经济描述 |
| 5.3.1 造价数据横纵向对比分析 |
| 5.3.2 工程变更技术经济分析 |
| 5.3.3 限额设计技术经济分析 |
| 5.3.4 设计方案技术经济分析 |
| 5.3.5 基于聚类算法的价格分析 |
| 5.4 工程造价数据库可视化分析 |
| 5.4.1 构成分析 |
| 5.4.2 趋势分析 |
| 5.5 本章小结 |
| 第六章 基于预测性挖掘的工程造价数据库预测功能设计 |
| 6.1 预测性挖掘方法的选取 |
| 6.1.1 预测方法对比 |
| 6.1.2 适用性分析 |
| 6.2 基于案例推理的预测性挖掘过程 |
| 6.2.1 案例推理系统的设计 |
| 6.2.2 案例推理系统的实现 |
| 6.3 基于案例推理的预测性挖掘实证研究 |
| 6.3.1 案例的表示和组织 |
| 6.3.2 案例的索引 |
| 6.3.3 案例的相似度计算 |
| 6.3.4 案例的修正 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与创新 |
| 7.2 研究不足与展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（10）基于粒子群优化的高光谱木材染色配色算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究目的意义 |
| 1.3 国内外研究现状 |
| 1.3.1 木材染色配色技术研究现状 |
| 1.3.2 计算机智能配色技术研究现状 |
| 1.3.3 高光谱成像技术的研究现状 |
| 1.3.4 国内外关于颜色测量模型研究现状 |
| 1.4 论文结构 |
| 2 基于高光谱成像原理的木材染色配色理论实验 |
| 2.1 实验样本制作 |
| 2.1.1 材料与试剂 |
| 2.1.2 仪器与设备 |
| 2.1.3 染色单板实验制备 |
| 2.2 木材的颜色 |
| 2.2.1 木材的光谱特性 |
| 2.2.2 同色异谱现象 |
| 2.3 高光谱成像技术 |
| 2.3.1 高光谱成像系统的成像原理 |
| 2.3.2 高光谱成像技术应用 |
| 2.4 颜色空间及色差评价理论 |
| 2.4.1 颜色的光谱特征 |
| 2.4.2 CIEDE2000色差公式 |
| 2.4.3 色差定义以及色差计算在印染行业的意义 |
| 2.5 本章小结 |
| 3 基于Kubelka-Munk理论算法的木材染色配色研究 |
| 3.1 Kubelka-Munk理论 |
| 3.2 基于Kubelka-Munk理论算法的预测配方 |
| 3.2.1 Kubelke-Munk双常数理论 |
| 3.2.2 Kubelka-Munk单常数理论 |
| 3.2.3 基于Kubelka-Munk理论预测配方 |
| 3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 基于粒子群优化Friele算法模型的木材染色配色研究 |
| 4.1 粒子群理论算法 |
| 4.2 基于Friele算法模型的预测配方 |
| 4.2.1 Friele模型 |
| 4.2.2 固定参数配方预测 |
| 4.2.3 基于Friele算法模型的实验结果分析 |
| 4.3 基于优化Friele算法模型的预测配方 |
| 4.3.1 最优参数Q的确定 |
| 4.3.2 优化Friele算法模型预测配方 |
| 4.3.3 基于优化Friele算法模型的实验结果分析 |
| 4.4 本章小结 |
| 5 基于粒子群优化Stearns-Noechel算法模型的木材染色配色研究 |
| 5.1 基于Stearns-Noechel算法模型的预测配方 |
| 5.1.1 Stearns-Noechel模型 |
| 5.1.2 固定参数预测配方 |
| 5.1.3 基于Stearns-Noechel算法模型的实验结果分析 |
| 5.2 基于优化Stearns-Noechel算法模型的预测配方 |
| 5.2.1 Stearns-Noechel模型参数M的确定 |
| 5.2.2 优化Stearns-Nohel算法模型预测配方 |
| 5.2.3 基于优化Stearns-Noechel算法模型的实验结果分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学 硕士学位论文修改情况确认表 |
四、一种基于数据立方体的数据泛化算法（论文参考文献）
- [1]基于立体卷积神经网络的高光谱图像分类研究[D]. 宋相博. 南京信息工程大学, 2021(01)
- [2]基于多尺度空谱联合特征网络的高光谱图像分类[D]. 徐彬. 南京信息工程大学, 2021(01)
- [3]基于深度神经网络的望远镜非参数点扩散函数模型研究[D]. 吴学波. 太原理工大学, 2021
- [4]基于三维卷积神经网络的高光谱遥感图像分类技术研究[D]. 张欣. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [5]高光谱遥感图像高精度分类方法研究[D]. 黄良. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(01)
- [6]基于3D-CNN的智能车障碍物高光谱图像分类方法研究[D]. 刘彤. 吉林大学, 2021(01)
- [7]基于快速卷积字典学习算法的图像重建系统设计与实现[D]. 李保平. 北京邮电大学, 2021(01)
- [8]基于生成对抗网络的视网膜影像分析研究[D]. 罗宇豪. 中国科学技术大学, 2021(09)
- [9]基于数据挖掘的工程造价数据库设计研究[D]. 刘贺. 天津理工大学, 2021(08)
- [10]基于粒子群优化的高光谱木材染色配色算法研究[D]. 吴马超. 东北林业大学, 2021(08)