一、一种改进的隐藏线消除算法(论文文献综述)
薛灵芝,杨爽,王巧霞[1](2022)在《一种基于改进深度自编码网络的水声目标识别方法》文中进行了进一步梳理特征提取是实现目标识别的关键,而在海洋环境中,复杂的环境噪声使得海洋目标的特征提取异常困难。针对复杂海洋噪声下特征提取难的问题,提出一种基于改进深度自编码网络的特征提取方法对目标辐射噪声进行特征提取和识别。该方法通过深度自编码模型逐层学习提取数据中的抽象特征,但是针对海洋数据的样本数量少,呈现一定的随机性,随着模型网络层数加深,会出现梯度消失问题,为了解决该问题,在最后一层隐藏层的输入值中加入第一层的特征值,使得对整个网络的优化过程在两条通道中同时进行,有效地避免了单一通道中由于连乘导致的梯度消失问题。实验结果表明,与传统方法相比,所提算法能够有效地对舰船辐射噪声进行特征提取和分类,并具有良好的鲁棒性。
姜浩浩,曲卫,童菲[2](2021)在《近场雷达三维成像技术综述》文中研究表明随着恐怖袭击事件的不断增加,雷达成像系统不仅限于成像,还拓展到了对一些隐匿危险目标的探测领域。目前国内已投入商业化应用的安检系统多数是二维成像模式。相对于三维成像,二维成像是有很多局限性的,如空间模糊和阴影效应等。近场雷达成像技术逐渐向三维成像发展,该技术可应用于安检、穿墙探测等多种情景。首先叙述了近场雷达三维成像系统的国内外研究现状,包括毫米波近场三维成像系统、太赫兹三维成像系统以及穿墙三维成像系统,然后叙述了近场雷达三维成像算法的国内外研究现状,包括近场时域三维成像算法和近场频域三维成像算法,并对近场雷达三维成像技术存在问题进行了总结与展望。
宋宇波,陈冰,郑天宇,陈宏远,陈立全,胡爱群[3](2021)在《基于混合特征指纹的无线设备身份识别方法》文中指出无线网络利用开放性的无线信道传输数据,因此容易遭受设备假冒攻击和通信数据伪造攻击,而防范此类攻击需要精准的设备识别.基于信道状态信息(channel state information,CSI)指纹的设备识别技术利用无线信道特征来识别设备.由于CSI提供细粒度的信道特征,并且可以从OFDM无线设备中轻松获取,因此该技术受到广泛的关注.但是反映无线信道特征的CSI指纹会随着终端的位置和所处环境的改变而改变,并且现有技术通常将机器学习用于指纹匹配以追求高识别准确率,随之而来的高计算复杂度使其无法在计算能力有限的嵌入式设备中实现.针对上述问题,提出了一种基于混合特征指纹的设备身份识别方法,包含终端接入时和通信时的设备识别.在接入时,引入了与终端外界因素无关的数据包到达时间间隔分布(packet arrival interval distribution,PAID)指纹进行识别,以弥补CSI指纹的缺陷;在通信时,借助CSI可以逐包获取的特点,从每个报文中提取CSI指纹并进行实时识别.同时,提出了一种计算复杂度较低的指纹匹配方案,以保证在计算能力有限的设备中也能快速且准确地识别终端.在树莓派上实现了设备识别原型系统并开展了实验,实验表明:该系统在接入时和通信时的识别准确率最高可达98.17%和98.7%,通信时单个数据包的识别时间仅需0.142ms.
赵立新,邢润哲,白银光,张宏昌,何春燕[4](2021)在《深度学习在目标检测的研究综述》文中研究说明当前计算机视觉领域的研究热点之一是目标检测,其根本是对图像中指定目标的识别。而深度学习是目前发展快速、应用广泛的一种技术,其具备的学习能力可以在目标检测中对目标进行图像识别、特征提取以及分类识别等操作。通过介绍深度学习的研究进展,分析了各种网络模型的特点;最后总结了深度学习在目标检测领域的应用发展,结合当前问题和挑战,分析了今后的研究发展。
邹东尧,李明,李军,李志刚[5](2021)在《基于改进一维逻辑正弦混沌映射系统的图像加密算法》文中指出针对一维混沌映射Logistic映射和Sine映射参数范围有限且混沌序列分布不均匀等问题,提出了一种改进的一维逻辑正弦混沌系统,并在此基础上提出了一种对明文敏感度较高的图像加密算法。首先,结合一维混沌映射Logistic映射和Sine映射形成一种改进一维逻辑正弦混沌系统(one-dimensional Logistic-Sine chaotic system, 1-LSCMS)。其次,利用该系统生成的较为复杂的混沌序列对图像像素的位置及大小进行置换。最后,对置换后的图像进行扩散。实验结果表明:所提算法具有较好的加密效果,密钥空间大且敏感性较强,可以应用到图像加密安全领域。
陈磊[6](2021)在《高压断路器振动信号特征提取及故障诊断方法研究》文中研究说明高压断路器是电力系统的关键组件,其在电力系统中起控制(投切负荷)和保护(切断故障)作用。高压断路器一旦发生故障,将直接危害整个电力系统的安全与稳定。国内外众多针对高压断路器可靠性的调查结果表明,机械故障是断路器失效的主要因素。因此,开展高压断路器机械故障监测与诊断方法研究,并据此制定合理的维护与检修策略,对于提高电力系统的可靠性具有重要意义。传统定期检修的维护方式已不符合高压断路器智能化发展要求。近年来,基于机器学习算法的高压断路器智能故障诊断方法得到了广泛研究与关注。该类方法在较为理想的诊断条件下普遍取得了良好的诊断效果,但是在实际的故障诊断情形中,仍有一些问题亟待解决。本文以高压断路器为研究对象,以振动信号为媒介,从信号特征提取与故障识别方面展开研究,针对常规机器学习算法在高压断路器实际故障诊断情形中的局限性,提出了相应的解决方案。论文主要内容及创新点如下:(1)针对高压断路器振动信号特征提取问题,提出了一种基于机构动作时间参数的特征提取方法。首先,基于短时Teager能量和短时二次方能量设计了动作事件增强参数,据此从振动信号中提取了机构动作时间参数;然后,利用所提取的机构动作时间参数对振动信号进行分段;最后,计算每段信号的能量熵作为机器学习算法的特征向量。与等时间分段和等能量分段所计算的特征向量相比,基于机构动作时间参数所计算的特征向量在空间中表现出更好的类别区分效果。(2)分析了不平衡数据(正常样本数量多于故障样本数量)和故障数据未标记(监测数据仅有正常样本或发生未知故障)两种情形对常规机器学习算法所建立的诊断模型性能的影响。实验结果表明,不平衡数据和故障数据未标记会使诊断模型性能下降,甚至出现失效情况。不平衡数据使得诊断模型偏向于正常状态,导致故障识别精度较低,且此问题随着数据不平衡程度的加重而愈加严重;故障数据未标记使得常规机器学习算法难以建立有效的诊断模型,无法识别出未被标记过的故障。基于以上两种实际故障诊断情形的分析,引出后续章节的研究。(3)针对高压断路器实际监测数据不平衡现象,提出一种过采样算法对数据再平衡。过采样算法通过合成新样本方式来增加少数类别样本数量,使得不同类别样本数量趋于平衡。然而,现有过采样算法在合成新样本时存在一定盲目性,没有充分考虑数据的分布特性,可能会导致无效合成或错误合成。为缓解此问题,本文提出一种新的过采样算法,即密度加权少数类别过采样算法(Density-weighted Minority Oversampling,DWMO)。DWMO 算法根据原始数据的分布特性,对不同区域样本设置不同的过采样权重,实现了新样本的高质量合成,有效缓解了不平衡数据所带来的分类偏差。实验结果表明,DWMO算法能够有效提高常规机器学习算法在高压断路器不平衡数据故障诊断中的诊断性能。(4)针对高压断路器不平衡数据故障诊断中,常规机器学习算法诊断精度低的问题,提出一种基于单分类极限学习机(One-class Extreme Learning Machine,OCELM)集成的不平衡数据分类算法(Multi-class Classification Algorithm Based on OCELM Ensemble,MC-OCELM)。MC-OCELM 算法中集成了多个 OCELM模型,OCELM模型数量根据训练集中类别数量自适应调整以保证每个类别均对应一个OCELM模型。训练时,MC-OCELM算法中的每个OCELM模型基于各自对应的类别单独训练。正是由于这一训练特点,MC-OCELM算法有效规避了不平衡数据的影响。实验结果表明,MC-OCELM算法在高压断路器不平衡数据故障诊断中取得了比常规机器学习算法更好的诊断效果。(5)针对高压断路器未标记故障识别问题,提出一种基于改进OCELM算法的高压断路器未标记故障识别方法。将未标记故障识别问题看作异常值检测问题,并尝试应用单分类算法解决。考虑到现有单分类算法在决策时普遍忽略了样本所在区域密度对决策边界的影响,将密度权重引入OCELM算法中,由此提出一种改进的OCELM算法,即密度加权单分类极限学习机(Denstiy-weighted One-class Extreme Learning Machine,DW-OCELM)。DW-OCELM 算法为高密度区域样本分配更高的权重,使得诊断模型倾向于拒绝低密度区域样本而尽可能接纳高密度区域样本。实验结果表明,DW-OCELM算法有效解决了高压断路器未标记故障识别问题,且取得了比其它常用单分类算法更好的未标记故障识别结果。
冯双恒[7](2011)在《基于矿山三维模型的二维图形生成研究》文中指出数字矿山是在矿山领域内以三维坐标信息,及其相互关系为基础组成的一个信息框架,并在该框架内嵌入我们所获得的信息的总称。其中矿山三维建模与可视化是实现数字化采矿的关键技术之一,在其基础上发展起来的二维图形生成技术已经成为国内外学者研究的热点之一二维图形生成技术是根据构建的三维模型,利用计算机图形设备和计算机图形学生成、处理、显示图形的各种原理、算法、方法和技术,通过轴测投影、平行投影和透视投影实现三维模型向二维图形的变换,生成各种平面图,剖面图,投影图,柱状图等,并将其输出为标准的工程图纸,从而指导各行各业的生产建设与管理。同时,可在任何视点生成二维投影图,进行平移、放大(缩小)、旋转的变换,达到既可以清楚地显示图形某一部分的细节,又可以观察图形的整体效果的目的。本文主要就基于矿山三维模型的二维图形生成进行了研究,并对一些技术问题提出相应的解决方法。1.三维模型到二维图形的投影转换及隐藏线消除根据矿山模型数据文件构建三维线框模型,并根据该模型数据文件的几何信息与拓扑关系的特点,设计了一个隐藏线消除方法,该方法结合前向面后向面判别、包含检验及深度测试等方法,利用三维模型中点、线、面的遮挡关系和视平面域上的包含性规则,进行边界线段的显、隐检测,确定并且只绘制可见线段,实现隐藏线的消除。2.二维图形生成系统的相关功能二维图形生成系统还具有在任意视点生成投影图、添加裁剪面实现任意局部剖切生成剖面图和按比例缩放等功能。在任意视点生成投影图可以实现从不同位置和角度观察图形;添加裁剪面实现局部剖切,可以实现对三维模型的局部剖切,能够清晰地表达物体的内部结构;通过对二维图形的任意比例缩放,实现了既可以观察图形整体效果,又能观察局部细节的目标。3.图形裁剪算法的研究针对裁剪问题提出一种基于分区与串联编码的多边形裁剪算法,该算法将分区与串联编码方法引入到矩形窗口的多边形裁剪算法当中,简单而迅速地舍弃绝大多数窗外边,,保留所有窗内边,避免了许多不必要的求交运算。该算法还采用了较为简单的单循环链表来存储多边形和交点,降低了数据结构的复杂性。最后通过实验分析得出了算法的适用条件及不足之处。二维图形的生成是建设数字矿山的一个重要内容,也是实现数字化采矿的关键技术之一。开发与应用矿山领域的二维图形生成系统,对于提高我国矿业生产建设和管理的信息化水平,有效地指导矿业开发,减少矿产勘查的风险等具有重要的意义。
曹立佳,刘洋[8](2021)在《制造车间自动导引车调度新进展》文中进行了进一步梳理随着制造企业生产自动化程度加深,自动导引车(AGV)成为运输和搬运环节的主角。近年来,制造车间AGV调度主要是建立双目标或多目标函数的优化模型,采用智能优化方法进行求解,其中遗传算法以广度搜索能力强的优势成为当今最常用的算法框架。另外,当今主流的还有混合算法,它使各种算法和算子的优势集中在一起,以得到更好的优化表现。就最新的制造车间AGV调度优化所研究的问题模型进行了归纳和总结,给出了主流的优化结果表现形式,并将求解优化模型主要采用的研究方法分为基于遗传算法框架的算法、其他智能优化方法和其他优化方法三大类进行讨论,在每一大类中提取重要的关键字以及交叉学科词汇进行汇总。在此基础之上总结出当今AGV调度研究中的两点不足之处,并结合当今的热点(大数据、人工智能等)对未来的研究方向提出了几条建议。
张照娓,郭天滋,高明裕,何志伟,董哲康[9](2021)在《电动汽车锂离子电池荷电状态估算方法研究综述》文中研究指明锂离子电池具有循环寿命长、能量密度高、自放电率低、环境污染小等优点,在电动汽车产业中得到广泛应用。电动汽车中的电池管理系统(BMS)可以维护和监测电池状态,确保电池的安全性和可靠性。电池荷电状态(SoC)表示电池中剩余的电量,是BMS的重要参数之一,实时精确的SoC估算可以延长电池寿命,保障行驶安全。然而锂离子电池是一个高度复杂的非线性时变系统,电池寿命、环境温度、电池自放电等许多未知因素均会对估算精度造成影响,使估算难度大大增加。为了满足不同条件下对锂离子电池SoC精确、快速、实时估算的要求,需要对SoC估计算法进行进一步研究与改进。近年来已有相关文献对锂离子电池SoC的估算方法进行了综述,然而已有相关综述对估算方法的总结不够全面且缺少流程表达。该文首先介绍了锂离子电池的工作原理,阐述了影响电池SoC估算的因素;其次,通过总结最新的研究成果对电池SoC估算方法进行了归纳分析,根据各类算法的不同特性将其分为查表法、安时积分法、基于模型的方法、数据驱动的方法以及混合方法五大类,说明了各类估算方法的主要特征并对模型或算法的优缺点进行综合的比较和讨论;最后,对电动汽车中锂离子电池SoC估算方法的未来发展方向做出展望。
田伟杰[10](2021)在《航天器隐藏目标点测量与模型识别的设计研究》文中研究表明激光雷达测量技术是在上个世纪中叶逐渐发展起来的一种先进的测量技术。激光雷达根据雷达组成配件的不同,可以分为机械式激光雷达和MEMS(微机电系统)激光雷达系统。无论哪种测量系统,原理上都是通过发射高重复频率的激光脉冲和捕获返回信号,来获得被测目标的位置信息。MEMS激光雷达技术,采取巧妙的方式集成了传统激光雷达的零部件,使得机器更加紧凑,具有低成本、易量产、轻量级等优势,便于搭载于高精精密设备中,具有很高应用价值。目标物体的识别和检测是现阶段人工智能研究的极为热门的方向之一,目前已广泛应用于自动驾驶导航、智能视频监控等领域。在这些领域内,借助计算机视觉技术来减少人工成本的消耗有着极为广阔的应用前景。目标检测算法主要有算法及相应的神经网络组成,故对算法和神经网络的优化引起了学者和技术人员的关注。本文主要研究的问题有:航天器轨道上的隐藏目标节点测量以及航天器目标识别,论文的主要工作和成果如下:1.为发掘航天器行驶轨迹中的隐藏节点,根据其特征进行准确测量,提出一种基于MEMS激光雷达测量技术的航天器隐藏目标点测量方法。在激光测量过程中,采用离散雷达滤波器采集上位数据,得到雷达测量性能指标,促进指向性测量系数的适度下降。在此基础上,借助航天器目标的运动特性条件,估计特征值的最大似然量,再联合相关测量指标,建立航天器目标的特征模型,对目标点微动频率的下降趋势进行抑制。根据隐藏目标的立体视觉处理结果,选择最适合MEMS激光雷达的测量点,并在此基础上,测算航天器隐藏目标的比例情况,完成MEMS激光雷达测量下航天器隐藏目标点测量方法的建立。应用MEMS激光雷达测量技术,使目标点微动频率提升、指向性测量系数下降,隐藏目标节点得到有效测量。2.为了进一步提高太空中对航天器目标的识别能力,提出一种基于Darknet框架的YOLOv3(You Only Live Once算法的第三代版本)航天器模型目标检测算法。在YOLOv3算法下,可以根据系统训练成果与目标特征,改进YOLOv3网络模型,进而提出了更为适合航天器模型检测的YOLOV3-satellite网络模型。首先,我们改进了原先的Darknet53网络结构,以提高对航天器数据集检测时的精确度;其次,我们使用航天器特有的特征信息分析选择出更合适的锚框;最后,通过采用DIoU边框回归函数,弥补了计算代价函数时对图片中心不敏感的问题。为验证检测方法的有效性和完备性,在航天器数据集上对YOLOv3-satellite进行了验证对比分析。
二、一种改进的隐藏线消除算法(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、一种改进的隐藏线消除算法(论文提纲范文)
(1)一种基于改进深度自编码网络的水声目标识别方法(论文提纲范文)
0 引言 |
1 深度自编码网络 |
1.1 自编码器(AE) |
1.2 深度自编码网络模型 |
2 改进的深度自编码模型 |
3 基于实测水声数据的识别实验 |
4 总结 |
(2)近场雷达三维成像技术综述(论文提纲范文)
1 引言 |
2 近场三维成像系统 |
2.1 主动毫米波雷达成像系统 |
2.2 太赫兹雷达成像系统 |
2.3 穿墙雷达成像系统 |
3 近场三维成像算法 |
3.1 近场时域三维成像算法 |
3.2 近场频域三维成像算法 |
4 结论 |
(4)深度学习在目标检测的研究综述(论文提纲范文)
1 深度学习发展 |
2 基于深度学习的目标检测方法 |
2.1 深层信念网络 |
2.2 卷积神经网络 |
2.3 循环神经网络 |
2.4 生成对抗网络 |
3 深度学习应用 |
3.1 人脸检测 |
3.2 医学图像检测 |
3.3 遥感图像检测 |
3.4 行人检测 |
4 展望 |
(5)基于改进一维逻辑正弦混沌映射系统的图像加密算法(论文提纲范文)
1 提出的混沌系统 |
1.1 经典的混沌映射 |
1.2 改进的混沌系统描述 |
1.3 性能分析 |
1.3.1 敏感性分析 |
1.3.2 香农熵 |
2 加密算法设计 |
2.1 生成初始值及密钥 |
2.2 加密过程 |
2.2.1 置乱过程 |
2.2.2 扩散过程 |
2.3 解密过程 |
3 仿真实验及性能分析 |
3.1 仿真结果 |
3.2 密钥空间分析 |
3.3 直方图分析 |
3.4 卡方测试 |
3.5 相邻像素分析 |
3.6 信息熵分析 |
3.7 差分攻击 |
4 结论 |
(6)高压断路器振动信号特征提取及故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 高压断路器结构及类型 |
1.3 高压断路器状态监测与故障诊断国内外研究现状 |
1.3.1 信号采集与分析 |
1.3.2 高压断路器故障诊断方法 |
1.4 本文主要研究内容 |
第2章 基于机构动作时间参数的高压断路器振动信号特征提取方法 |
2.1 引言 |
2.2 实验平台及其工作原理 |
2.3 振动信号中提取机构动作时间参数方法 |
2.3.1 Teager能量算子 |
2.3.2 短时能量比 |
2.3.3 定位时间参数 |
2.4 故障模拟与信号测量 |
2.5 振动信号中提取机构动作时间参数结果分析 |
2.6 特征向量提取 |
2.7 本章小结 |
第3章 不平衡数据及故障数据未标记对故障诊断模型的影响分析 |
3.1 引言 |
3.2 核极限学习机算法 |
3.3 理想条件下故障诊断结果分析 |
3.4 不平衡数据对故障诊断模型的影响分析 |
3.5 故障数据未标记对故障诊断模型的影响分析 |
3.5.1 无故障样本数据 |
3.5.2 发生未知故障 |
3.6 本章小结 |
第4章 基于数据过采样的高压断路器不平衡数据故障诊断方法 |
4.1 引言 |
4.2 SMOTE类过采样算法局限性分析 |
4.3 DWMO算法 |
4.4 实验验证 |
4.4.1 DWMO算法在KEEL数据集分类中的应用 |
4.4.2 DWMO算法在高压断路器不平衡数据故障诊断中的应用 |
4.5 本章小结 |
第5章 基于单分类极限学习机集成的高压断路器不平衡数据故障诊断方法 |
5.1 引言 |
5.2 OCELM算法 |
5.3 MC-OCELM算法 |
5.4 实验验证 |
5.4.1 MC-OCELM算法在KEEL数据集分类中的应用 |
5.4.2 MC-OCELM算法在高压断路器不平衡数据故障诊断中的应用 |
5.5 本章小结 |
第6章 基于改进单分类极限学习机的高压断路器未标记故障识别方法 |
6.1 引言 |
6.2 DW-OCELM算法 |
6.3 实验验证 |
6.3.1 DW-OCELM算法在KEEL数据集异常检测中的应用 |
6.3.2 DW-OCELM算法在高压断路器未标记故障识别中的应用 |
6.4 本章小结 |
第7章 结论与展望 |
7.1 研究结论 |
7.2 创新点 |
7.3 研究展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(7)基于矿山三维模型的二维图形生成研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究的背景和意义 |
1.2 国内外研究现状 |
1.3 论文主要研究内容和章节内容安排 |
2 相关的研究工作 |
2.1 3dt数据文件介绍 |
2.2 几何信息与拓扑信息 |
2.3 计算机图形学的有关基础知识 |
2.4 数据结构 |
2.5 本章小结 |
3 基于矿山三维模型的二维图形生成研究 |
3.1 基于3dt文件构建三维线框模型 |
3.2 消隐方法的应用研究 |
3.3 基于矿山数据信息的隐藏线消除算法 |
3.4 算法实现 |
3.5 应用实例 |
3.6 本章小结 |
4 二维图形生成系统的其他相关功能的研究 |
4.1 任意视点观察设计与实现 |
4.2 局部剖切与缩放的设计与实现 |
4.3 图形裁剪算法的研究 |
4.4 本章小结 |
5 结论和展望 |
5.1 论文总结 |
5.2 展望 |
攻读硕士学位期间发表的论文和参加的科研项目 |
致谢 |
参考文献 |
(8)制造车间自动导引车调度新进展(论文提纲范文)
1 AGV调度问题描述 |
2 AGV调度智能优化算法 |
2.1 基于遗传算法框架的算法 |
2.2 其他智能优化方法 |
3 其他AGV调度优化方法 |
4 总结及未来工作 |
(10)航天器隐藏目标点测量与模型识别的设计研究(论文提纲范文)
中文摘要 |
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 激光雷达测量的研究现状 |
1.2.2 目标检测技术的研究现状 |
1.3 论文主要工作与结构安排 |
第二章 激光雷达测量技术及目标检测的基础理论 |
2.1 测量技术基础理论 |
2.1.1 MEMS激光雷达测量技术的工作原理 |
2.1.2 MEMS激光雷达在航天器测量中的性能指标 |
2.2 YOLOv3目标检测技术的基础理论 |
2.2.1 目标检测的工作流程 |
2.2.2 YOLOv3网络的基本架构 |
2.2.3 YOLOv3算法的主要性能参数 |
2.3 本章小结 |
第三章 基于MEMS激光雷达的航天器隐藏目标点测量 |
3.1 引言 |
3.2 激光测量上位机数据采集 |
3.3 基于MEMS激光雷达测量的航天器目标特征建模 |
3.3.1 航天器目标运动特性 |
3.3.2 特征值的最大似然量估计 |
3.3.3 目标特征模型建立 |
3.4 航天器隐藏目标点测量 |
3.4.1 隐藏目标的立体视觉处理 |
3.4.2 测量点选择 |
3.4.3 目标比例测算 |
3.5 测量研究与应用 |
3.5.1 MEMS激光雷达测量环境 |
3.5.2 航天器隐藏目标点微动频率 |
3.5.3 指向性目标测量系数 |
3.6 本章小结 |
第四章 基于YOLOv3的航天器模型目标检测 |
4.1 引言 |
4.2 改进的YOLOv3算法 |
4.2.1 改进网络结构 |
4.2.2 anchor的生成过程及其适应性调整 |
4.2.3 改进边界框回归函数IoU |
4.3 航天器数据集说明 |
4.4 实验结果及分析 |
4.4.1 YOLOv3-satellite网络性能分析 |
4.4.2 DIoU-Loss检测性能对比 |
4.4.3 综合性能对比 |
4.4.4 各类算法模型下综合性能对比 |
4.4.5 检测效果对比 |
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 |
攻读学位期间取得的研究成果及参与的科研项目 |
致谢 |
个人简况及联系方式 |
四、一种改进的隐藏线消除算法(论文参考文献)
- [1]一种基于改进深度自编码网络的水声目标识别方法[J]. 薛灵芝,杨爽,王巧霞. 自动化与仪器仪表, 2022(01)
- [2]近场雷达三维成像技术综述[J]. 姜浩浩,曲卫,童菲. 兵器装备工程学报, 2021(11)
- [3]基于混合特征指纹的无线设备身份识别方法[J]. 宋宇波,陈冰,郑天宇,陈宏远,陈立全,胡爱群. 计算机研究与发展, 2021(11)
- [4]深度学习在目标检测的研究综述[J]. 赵立新,邢润哲,白银光,张宏昌,何春燕. 科学技术与工程, 2021(30)
- [5]基于改进一维逻辑正弦混沌映射系统的图像加密算法[J]. 邹东尧,李明,李军,李志刚. 科学技术与工程, 2021(28)
- [6]高压断路器振动信号特征提取及故障诊断方法研究[D]. 陈磊. 华北电力大学(北京), 2021(01)
- [7]基于矿山三维模型的二维图形生成研究[D]. 冯双恒. 山东科技大学, 2011(05)
- [8]制造车间自动导引车调度新进展[J]. 曹立佳,刘洋. 计算机工程与应用, 2021(21)
- [9]电动汽车锂离子电池荷电状态估算方法研究综述[J]. 张照娓,郭天滋,高明裕,何志伟,董哲康. 电子与信息学报, 2021(07)
- [10]航天器隐藏目标点测量与模型识别的设计研究[D]. 田伟杰. 山西大学, 2021(12)