一、解抽象函数问题的几种模型（论文文献综述）
杨小佳[1]（2021）在《基于腐蚀大数据技术的含Cr低合金钢耐蚀性能调控研究》文中指出影响低合金钢开发的一大技术难题是对其耐蚀机理的认识及耐蚀性能的评价,传统低合金钢研发中,其耐蚀性能评价需要大量的长周期室外暴晒腐蚀试验数据做支撑,费时费力,有时长达数年才能得到一个腐蚀数据。数据量的稀缺对耐蚀低合金结构钢品质的影响极大。本文利用材料腐蚀大数据理论的最新研究成果,结合室内外腐蚀试验及评价方法,首先以Cr元素调控低合金结构钢为对象,验证了腐蚀大数据技术用于评价成分因素对耐蚀性影响的可靠性;随后,通过Mo及Sn元素添加调控了含Cr低合金结构钢的耐蚀性能;之后,进一步通过热处理技术调控了钢中微观组织结构,阐述了晶粒度、阴极相比例对低合金钢耐蚀性能的影响机理;最后通过人工神经网络、支持向量机、随机森林等数据挖掘方法系统阐述了数据挖掘技术在处理材料跨尺度微宏观腐蚀数据中的重要作用。结果表明,腐蚀大数据技术适用于甄别微合金元素,如Cr、Sn及Mo对低合金结构钢耐蚀性影响的微小差异,经过Cr微合金化的低合金钢耐蚀性明显提升;另外,经过0.1%Mo改性的含Cr钢,其耐蚀性提升与钢中Cr含量有关,Cr含量较高时,可提升低合金钢腐蚀中后阶段的耐蚀性;0.2%Sn的添加可以较为明显的促进低合金结构钢的耐蚀性,而0.1%Sn的添加,对其耐蚀性反而有一定的恶化作用。Cr、Sn与Mo元素对低合金结构钢耐蚀性的影响主要表现为对均匀腐蚀或点蚀行为的加速或抑制。Cr元素会在内锈层富集,促进锈层中氧化物与氢氧化物的比例,进而促进低合金钢耐均匀腐蚀性能;而与此同时,Cr3+的水解反应和较高电势下Cr2O3的分解会产生酸化作用,促进了低合金钢的点蚀行为。Mo的作用表现在对点蚀行为的抑制,另外其腐蚀产物MoO3不稳定,在锈层中易水解产生的酸化作用,会加速均匀腐蚀过程;Sn的作用主要表现在形成稳定的SnO2氧化物掺杂在锈层中,增加锈层稳定性,从而减缓钢的均匀腐蚀过程,然而只有当Sn的含量超过一定值时,其对锈层的稳定性影响才较为明显。低合金结构钢的耐蚀性与原奥氏体晶粒度及亚晶晶粒度有一定的关系,腐蚀大数据技术评价结果表明,随着原奥氏体晶粒度增大,其耐蚀性逐渐变差;随着贝氏体板条逐渐细化,其耐蚀性逐渐变好。原奥氏体晶粒度及贝氏体板条厚度对耐蚀性的影响可归结为材料中阴阳极相比例对耐蚀性的影响,SKPFM证明,组织中晶界一般为阴极相,而贝氏体铁素体基体为阳极相。晶粒较细或者板条间距较小时,表明晶粒内阴极相分布越弥散,因此耐蚀性就越好;反而,当晶粒较大,或贝氏体板条较粗时,阴极相分布不规则,因此就更容易降低材料耐蚀性。低合金结构钢中马氏体-奥氏体组元及其比例对其耐蚀性有一定的影响,其影响可以用大数据技术快速的甄别出来。具体表现为,钢中马氏体-奥氏体组元含量越高,钢的耐蚀性越差。马氏体-奥氏体组元在腐蚀过程中由于电位较高作为钢中的阴极相存在,而贝氏体铁素体基体由于电位较低作为阳极相存在,由此形成腐蚀微电偶;腐蚀过程中,在微电偶作用下,贝氏体铁素体基体会优先发生溶解,马氏体-奥氏体组元越多,耐蚀性越差。人工神经网络模型、支持向量机模型、随机森林模型及深度学习模型等机器学习方法适用于挖掘宏观腐蚀大数据如大气环境因素及微观腐蚀大数据如材料成分、组织结构因素对耐蚀性的影响,并可建立基于宏观-微观大数据技术的跨尺度影响机制研究。同时,深度学习模型可以用于对低合金结构钢组织结构因素对其内在腐蚀规律进行挖掘分析,并可以动态预测组织结构及温湿度参量变化等对低合金钢腐蚀影响过程。
陈华杰[2]（2021）在《基于SLAM技术的飞机驾驶舱视觉定位方法研究》文中认为人工智能飞行副驾驶是一个新兴的课题,其中涉及到的一个重要研究内容就是飞机驾驶舱的视觉定位。目前视觉定位方面的理论技术有很多,如目标跟踪算法、目标检测算法和SLAM算法等。SLAM技术是目前广泛应用于机器人领域的导航技术。视觉SLAM技术能够在没有先验条件的情况下对驾驶舱环境进行实时观察并同时建图。本文提出了利用视觉SLAM技术进行飞机驾驶舱的视觉定位的方法,将技术理论与实际环境相结合,验证视觉SLAM技术能够完成人工智能飞行副驾驶的视觉定位任务。本文首先以A320-300模拟驾驶舱为实验环境,并用Kinect 2.0深度相机进行数据采集。一共得到一千组实验数据,每组数据中包括一张彩色图与一张深度图。然后用ORB特征点匹配算法对彩色图片序列进行特征匹配。利用匹配结果进行非线性优化,建立了3D-2D模型下的Pn P模型以及3D-3D模型下的ICP模型。求解相机的运动位姿时,用GAUSS-NEWTON迭代法和g2o图形优化迭代法分别求解Pn P模型,用SVD迭代法求解ICP模型,并对三种迭代算法的结果进行比较分析,分析得出三种迭代算法都是收敛算法,其中GAUSS-NEWTON迭代法的计算速度最快,g2o图形优化迭代法最直观,SVD迭代法的求解误差最小。求解得到的相机运动位姿由旋转矩阵和位移向量表示。最后利用Pangolin画图功能作出相机的位姿变化轨迹图,验证了将视觉SLAM技术应用于人工智能飞行副驾驶的视觉定位是可采纳的方法之一。
向石方[3]（2020）在《面向智能车场景的语义分割算法研究》文中研究说明随着国家新基建政策的提出,人工智能、5G等新科技成为国家将来发展的重点,而作为5G和人工智能相结合的智能车领域的发展也同样备受期待。在智能车领域,环境感知一直是研究的重点,语义分割作为智能车环境感知中的一大分支,可以逐像素对道路场景图像中的交通参与者、道路边界、障碍物等目标物体进行分类,并为智能车系统提供丰富的图像信息。本文主要研究面向智能车场景的语义分割算法,分别从语义分割算法精度、语义分割算法实时性、语义分割模型部署三大角度来展开研究。首先,提出了基于改进的注意力机制的语义分割模型来提高语义分割算法精度。由带有全局注意力提取模块的空洞金字塔池化模块GASPP结构提取多尺度感受野信息,由带有选择性注意力机制的网络结构作为解码器,并在此基础上,构建了语义分割网络模型GSANet,在Cityscapes数据集上达到81.6%m IoU的精度,在Cam Vid数据集上达到79.2%m IoU的精度。考虑到智能车场景下语义分割算法的实时性,提出了基于改进的轻量化网络的实时语义分割模型。在轻量级网络Mobile Net v2的基础上,构建了具有空洞卷积和注意力模块的网络作为主干网络用于特征提取,并在空洞金字塔池化模块ASPP上利用不同大小的池化操作来编码邻近的语义信息。在此基础上,构建了轻量级语义分割模型Light Seg。在单个RTX 2080Ti GPU上测试,Cityscapes数据集以每秒47.5帧的速度达到73.8%m IoU的分割精度,Cam Vid数据集上以每秒38.5帧的速度达到67.6%m IoU的分割精度。最后,提出了基于剪枝和推理加速的语义分割算法优化方法。在模型训练阶段,采用通道剪枝的方法减少所设计的语义分割模型的参数量的同时保持分割性能。在模型推理阶段,采用批归一化BN层和卷积层合并来实现GPU推理加速。然后,对所提出的几种优化方法完成了对比实验,证明了优化方法的有效性。
张春杨[4]（2020）在《融合深度与集成学习的降水预报时空序列预测研究》文中进行了进一步梳理随着最近几年人工智能的火爆,深度学习作为目前最热门的机器学习方法之一,在计算机视觉和自然语言处理等领域有着远超传统机器学习的应用。在本文中,我们的研究目标是根据降水量分布图数据预测未来降水强度分布图,其中输入和预测目标都是图像序列。降水预测问题在气象学领域被称为数值天气预报（Numerical Weather Prediction,NWP）,传统方法需要对大气模型中的物理方程进行复杂而细致的模拟。然而,我们注意到其输入数据是一定长度的时空序列,输出数据是长度为1的时空序列。因此,我们将这一问题定义为时空序列预测问题,利用深度学习的方法构建高效适用的降水预测模型。本文融合卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆神经网络（Long Short-Term Memory,LSTM）,首先提出了一种拓展的深度模型Ext Conv LSTM,用于解决局部地区的降水预测问题。之后根据集成学习的思想,将Ext Conv LSTM作为基模型,进一步提出了深度模型集成系统Ens Conv LSTM。Ext Conv LSTM中的CNN组件可以效地捕捉空间特征,LSTM组件可以提取序列时间上的特征。实验表明,在局部地区,Ext Conv LSTM相对于全连接（Fully Connected,FC）神经网络、CNN和LSTM等能够更好地捕获时空特征,预测结果也更加准确。同时由于目标地区地貌状况复杂,在某些区域性能良好的Ext Conv LSTM模型可能在差异性较大的其他区域并不适用。因此,我们根据集成学习思想,训练构建多个Ext Conv LSTM基模型,利用算术平均的结合策略,得到一个适用于复杂地貌的深度模型集成系统Ens Conv LSTM。实验表明,Ens Conv LSTM能够有效地抓取到更多的时空特征,预测性能优于其他深度学习算法。尽管Ens Conv LSTM在地貌复杂的地区取得了良好的预测性能,但由于实际降水数据是陆续记录的增量数据,同时当地区区域面积较大时,模型对于空间特征提取的效率并不高。因此,本文引入增量学习范式,通过固定部分先前学习过的卷积层的方式,首先提出了一种新颖的基于Ext Conv LSTM的增量构建的深度模型Inc Conv LSTM（Incrementally constructed Ext Conv LSTM）,并基于它构建了深度模型集成系统Ens Inc Conv LSTM。进一步地,对于较大区域的特征提取,考虑到大部分区域有可能对预测结果作用不大,我们引入注意力机制,提出一种基于Ens Conv LSTM的注意力机制深度模型集成系统Ens Att Conv LSTM（Ens Conv LSTM with Attention Mechanism）,极大地提高了训练效率。实验表明,我们提出的Ens Inc Conv LSTM和Ens Att Conv LSTM深度模型集成系统在提高了算法训练效率的同时获得了显着优于其他深度学习算法的预测性能。
张凯旋[5]（2019）在《文本图像二值化的偏微分方程模型研究》文中研究指明文本图像二值化（即把灰度或彩色文本图像转化为二值图像）是光学字符识别的基础,在文本图像分析和模式识别中起着至关重要的作用。近年来,文本图像二值化的研究备受关注。特别是,2009年第一届国际文本图像二值化竞赛（Document Image Binarization Competitions,DIBCO）的成功举办对文本图像二值化的发展具有里程碑式的意义。DIBCO数据包（DIBCO 2009-2014,DIBCO 2016-2018）为文本图像二值化的研究提供了丰富的测试图像,DIBCO采用的定量化指标为评价文本图像二值化结果的优劣提供了可靠依据。图像获取过程或文档自身等原因可能导致文本图像退化,例如光照不均、噪声、对比度不均、透背、模糊。因此,对退化文本图像的二值化技术的要求越来越高。近几年,文本图像二值化的偏微分方程方法受到了国内外学者的广泛重视。该方法与其它二值化方法（如聚类法、阈值法等）相比,具有较强的局部自适应性和较高的灵活性等优势。本文提出一个文本图像二值化的偏微分方程模型及其数值算法。该模型的基本思想是:原始文本图像在偏微分方程的控制下进行演化,产生一系列逐渐趋于二值化的图像,当演化达到稳定状态时,稳态解便是我们所希望得到的二值化结果。对于模型的数值实现,本文设计了一种三步分裂方案,即将演化偏微分方程分解为两个线性微分方程和一个非线性微分方程,在每一次迭代过程中,分别用有限差分法依次求解上述三个方程。模型与算法的性能测试使用DIBCO数据包,并以F-Measure、Pseudo-FMeasure、PSNR和DRD为定量评估指标,对比模型选择文献中的四个偏微分方程模型和一个经典阈值法（Otsu方法）。实验结果表明,对于光照不均、对比度不均、模糊和透背等退化文本图像,本文模型均取得了最好的效果。本研究的主要贡献在于为文本图像二值化技术提供了一个好的备选方法,同时丰富了偏微分方程在文本图像二值化领域中的应用。
王同心[6]（2019）在《基于时间可控的生鲜农产品产运销供应链决策与协调》文中研究说明生鲜农产品是一类极易腐败变质的物质,在实际的生产生活中具有重要的作用,其具有鲜明的自然属性。生鲜农产品的生命周期全过程往往需要经过产出-运输-销售三个环节,而每一环节所花费的时间的长短都会直接影响产品的新鲜度。一般来说,许多生鲜农产品的产出具有一定的弹性,其产出时间的大小可以通过投入更多的人力和设备来把握;而随着科学技术在物流行业的普遍应用,产品运输时间的大小也可以通过运输路线的改变等手段来实时把控。与此同时,现实的商业环境也悄然发生着一些变化,迅速崛起的大型零售商依靠其直接接触客户的巨大优势,逐渐取得了供应链上的主导地位。社会分工的进一步细化以及行业资源的进一步整合,专业化的第三方物流服务商开始出现。基于上述生鲜农产品的特点和现实背景的需要,本文以时间的可控性为切入点,考虑了供应商和零售商两者的不同主导地位,进一步研究有TPL服务商参与的情形,分别探究了相应供应链的系统决策和其协调问题。首先,本文在考虑生鲜农产品新鲜度和其零售价格都影响其最终市场需求的基础之上,进一步考虑了现实情境中供应商和零售商两者的不同主导地位。在此模型中,生鲜农产品供应商科学决策产品所需的运输时间,零售商适时决策产品销售的最终零售价格,研究了由两者组成的产销供应链系统决策和其分散系统协调问题。研究的结果表明:两不同主导模式下的分散系统均衡解和集中决策下的系统最优解均存在且都是唯一解。两种分散决策下的均衡运输时间均会大于集中决策下的系统最优运输时间,且分散决策系统出现利润损失,两种情形下的供应链总体利润均小于集中决策下的最优供应链总体利润。横向比较分散决策下的两不同主导模式发现,零售商主导时,其所需的运输时间小于供应商主导情形,其零售价格会高于供应商主导情形。并且零售商主导供应链会压缩供应商的利润,从而使自身的利润增加。最后,分别在两种不同的主导模式引入同一种组合契约,实现了各自供应链分散系统下的协调,并给出了系统实现帕累托改善的参数条件。其次,本文进一步考虑了产出时间的可控性,其大小将由供应商进行适时决策。同时将TPL服务商引入供应链,专门提供产品的运输服务,决策产品的运输时间。在此供应链系统中,供应商占据了主导地位,具有决策优势,TPL和零售商两者均要依据供应商的决策来进行决策。研究发现:当系统参数满足一定的条件时,集中决策下的内点最优解和分散决策下的内点均衡解都存在唯一解,对比最优解和均衡解之后发现,集中决策下的产、运时间并非一定小于分散决策,这是由于企业决策需要权衡缩短时间产生的成本和带来的需求增加之间的权衡。之后,在分散决策下引入了转移支付价格出清合同和物流服务价格出清合同,发现,此合同可以实现供应链的协调,并且给出了系统实现帕累托改善的条件。
吴志坚,赵艳侠,童嘉森[7]（2017）在《巧用导数运算法则构造函数解抽象不等式》文中认为函数与导数是高考的热点,这部分内容与不等式密不可分,在解决较为复杂的不等式问题,尤其是抽象不等式,常需要构造函数并借助函数的单调性脱去不等式中的函数符号"f",将其化归为显性不等式（组）来求解,而函数的构造往往需要利用导数的运算法则.本文结合笔者在高三总复习过程中的一些体会及近年全国高考对这部分内容的考查情况,谈谈如何利用导数运算法则构造函数解抽象不等式.1利用和、差函数的导数运算法则
孙培培[8]（2017）在《基于BIM技术的城市轨道交通线路设计方法研究》文中提出目前,城市轨道交通设计行业正处于从传统的模式朝着现代化科技进行转变的转型期。随着信息化的迅猛发展,为了促进城市轨道交通现代化发展,推进城市轨道交通线路设计的信息化建设,BIM技术在城市轨道交通线路设计方面的应用成为趋势。因此,本文尝试将BIM技术应用到城市轨道交通线路设计,并为实现城市轨道交通线路的大场景精细化设计结合了3DGIS技术,做了以下几方面的研究工作:（1）基于BIM平台研究城市轨道交通项目规划地形、线路设计、建筑、制作展示动画等设计方法来实现在BIM中设计出城市轨道交通线路的实景,以便参与方了解项目及方案。（2）研究BIM平台城市轨道交通线路深化设计方法,完成地形曲面创建、线路模型生成、纵断面深化设计、线路模型装配设计、路基曲面生成等。（3）基于BIM平台研究参数化创建桥梁、隧道和轨道的细化建模的方法。为降低模型细化和拼接的复杂度,采用BIM二次开发技术来实现线路结构物族的快速创建和模型的自动拼接。采用外部数据参数化方法,实现线路族实例的自动创建和基于Revit平台的线路模型深化设计。（4）基于Skyline的二次开发技术,开发Revit模型数据接口,实现Revit模型在Skyline 3DGIS中的无损数据集成,解决BIM与3DGIS融合数据丢失的关键问题,实现基于BIM与3DGIS融合的城市轨道交通线路设计方法。
刘永宜[9]（2017）在《基于词向量的初等数学问题题意理解》文中认为近几年来,随着人工智能的发展,生活上的方方面面都变得更加智能化。而在教育领域,如何让人工智能的力量更好的服务于人类的教育是一个十分有意义的课题。要让计算机能够个性化辅导和自动解题,首先要解决的就是让计算机理解人类所使用的数学语言,才能实现计算机自动推理和自动解题。本文主要研究了初等数学领域中题意理解的关键方法,包括初等数学语言的特点及其知识表示方法,初等数学的词的表示方法,数学短文本的特征提取及特征构造方法,基于分类思想的题意理解过程和数学文本的预处理方法等内容。由于初等数学语言有别于普通自然语言的特殊性,要研究初等数学题意中的数学语言,就不能直接使用处理普通自然语言的已有的方法。相对于普通自然语言,数学语言中包含了大量的符号、公式、专有名词等普通自然语言没有的内容,所以要做好初等数学的题意理解就必须针对这些特性对普通的自然语言处理方法做出改进。本文主要研究工作如下:1、首先详细分析了初等数学语言的特点,并根据其特点和设计了一种简单,高效的初等数学知识表示方法。1)在词的表示层面,本文深入研究在自然语言领域已经取得较好效果的开源工具word2vec中的模型和算法,继而在此基础上针对数学语言的特点对其提出了对数学领域中的关键词加权等一些列的改进,使其更适合表示数学语言中的词。2)在句子的表示层面,通过将语义层面的特征和数学实体层面的两种特征结合起来的方法表示数学短文本。两种特征的协同表达,使其对数学短句子的特征表达更充分,更有利于后续工作。2、在题意理解的方法上,本文另辟蹊径的将数学题意理解问题转化为了数学短文的分类问题,使得问题简单化,可以根据已有的方法很好的解决未知的问题。在数学短文本分类方面,根据语义和数学实体的协同特征向量的特点,本文将两种已有的分类算法结合并加以改进,提出了一种适合数学文本分类的分类算法。3、在题意理解的具体流程上,首先设计针对初等数学领域的文本预处理方法,继而通过词向量和数学实体构造特征向量,接着进行数学短文本的分类,最后生成对应的知识表示。并将实现的系统用在初等数学题目自动求解的系统中。基于以上方法,本文设计与实现了一个初等数学题意理解系统。并通过对比实验证明此系统在初等数学题意理解方面取得了较好的效果。
詹智财[10]（2016）在《基于卷积神经网络的视频语义概念分析》文中提出近年来,随着多媒体技术的日新月异,视频语义概念检测成了大家日益关注的研究热点。而在多媒体数据中,视频相比较于其他数据所包含的信息更加的复杂,如何很好的得到每个视频所包含的语义概念,并将其作为视频合适的标签也就成为了视频检索领域中的重点和难点。本文首先介绍传统的视频语义分析方法,其次详细介绍深度学习中几种模型,并讨论以往视频语义分析方法存在的问题;再次主要介绍本文所提出的视频语义概念分析方法,并验证方法的有效性,且简单介绍原型系统的构建;最后讨论视频语义概念分析领域将来的研究方向。本文的主要内容如下:（1）提出基于拓扑模型预训练卷积神经网络的视频语义概念分析方法卷积神经网络可以自适应提取输入数据中的分布式表征,通过构建不同的操作层,将原始数据进行低层级特征提取,并进行高层的变换从而得到更复杂且更具鲁棒性的特征。针对该模型需要较多的有标签数据,且为了进一步提升模型对视频图像帧中目标的旋转、缩放、平移等不变性,首先将拓扑约束引入到稀疏线性解码器模型中提出一种拓扑线性解码器模型,将该模型作为卷积神经网络的预训练模型,然后用较少的有标签关键帧对该模型进行微调,从而得到针对视频数据集的卷积神经网络特征提取模型,最后将提取的特征输送到支持向量机中做进一步的结果预测。实验结果表明,基于卷积神经网络的特征提取方法比传统的特征提取方法效果要好,而且在基于拓扑模型预训练的基础上效果有进一步的提升。（2）提出基于自适应阈值混合池化卷积神经网络的视频语义概念分析方法传统的卷积神经网络模型的池化层一般为最大池化或者平均池化,而最大池化因每次都是选取最大值,故而容易过拟合,而平均池化虽然考虑了整个池化区域的所有激活值,却极容易因池化区域中存在过小的激活值而使得池化的结果普遍偏小从而容易造成欠拟合。对此,本文提出自适应阈值混合池化的方法来代替传统的卷积神经网络池化层的池化方法。首先计算池化区域中每个激活值对应的贡献概率,并基于此作为每个激活值的权重求出该池化区域的激活值加权和,用其作为该池化区域的阈值,将大于该阈值的激活值予以保留,并对保留的激活值做平均操作从而得到最后的池化结果。实验结果表明,该方法相比传统的最大池化和平均池化方法能够更进一步的提高视频语义分类的准确率。（3）设计并实现基于卷积神经网络模型的视频语义分析原型系统基于程序模块化的设计理念,采用Python、CUDA以及Theano和Numpy库作为系统的核心算法开发,PyQt作为原型系统界面的开发,设计并实现数据预处理、模型构建与训练、语义检测三大模块,验证了本文所提的视频语义概念检测方法的可用性。
二、解抽象函数问题的几种模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、解抽象函数问题的几种模型（论文提纲范文）
（1）基于腐蚀大数据技术的含Cr低合金钢耐蚀性能调控研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 材料基因工程模式下先进耐蚀材料研发 |
| 2.1.1 高通量材料计算方法研究进展 |
| 2.1.2 高通量材料制备与表征技术研究 |
| 2.1.3 材料服役行为高效评价与预测技术 |
| 2.2 材料腐蚀大数据理论基础及其技术体系 |
| 2.2.1 材料腐蚀大数据理论基础 |
| 2.2.2 材料腐蚀大数据关键技术体系 |
| 2.2.3 机器学习技术在腐蚀学科中的应用 |
| 2.3 高品质低合金结构钢耐蚀性能调控研究 |
| 2.3.1 高品质低合金结构钢耐蚀性能调控原则 |
| 2.3.2 Cr、Sn及Mo合金化对低合金钢耐蚀性能的影响 |
| 2.3.3 晶粒细化对低合金结构钢耐蚀性能的影响 |
| 2.3.4 阴极相对低合金结构钢耐蚀性的影响 |
| 2.4 本文研究思路 |
| 3 Cr元素调控低合金钢腐蚀数据积累及腐蚀机理研究 |
| 3.1 引言 |
| 3.2 试验方法 |
| 3.2.1 材料及试样 |
| 3.2.2 户外暴晒试验 |
| 3.2.3 表面表征 |
| 3.3 试验结果 |
| 3.3.1 不同Cr元素含量的腐蚀传感器相对电流强度分析 |
| 3.3.2 不同Cr元素含量低合金钢腐蚀形貌及点蚀行为分析 |
| 3.3.3 不同Cr元素含量低合金钢锈层成分及物相分析 |
| 3.4 分析讨论 |
| 3.4.1 Cr对耐蚀低合金钢锈层演变机制的影响 |
| 3.4.2 Cr元素对耐蚀低合金钢腐蚀行为的影响 |
| 3.5 本章小结 |
| 4 Sn、Mo调控含Cr低合金钢腐蚀数据积累及腐蚀机理研究 |
| 4.1 引言 |
| 4.2 试验方法 |
| 4.2.1 材料及试样 |
| 4.2.2 户外暴晒试验 |
| 4.2.3 表面表征 |
| 4.3 试验结果 |
| 4.3.1 Mo及Sn元素对含Cr低合金结构钢腐蚀大数据影响分析 |
| 4.3.2 Mo及Sn元素对含Cr低合金结构钢点蚀行为影响分析 |
| 4.3.3 Mo及Sn元素对含Cr低合金结构钢锈层的行为影响分析 |
| 4.4 分析讨论 |
| 4.4.1 Mo元素及Sn元素的影响机理分析 |
| 4.4.2 耐蚀性演变及大数据评价 |
| 4.5 本章小结 |
| 5 晶粒度调控对含Cr低合金钢耐蚀性影响及腐蚀机理研究 |
| 5.1 引言 |
| 5.2 实验方法 |
| 5.2.1 材料制备及表征 |
| 5.2.2 周期浸泡试验 |
| 5.2.3 形貌表征 |
| 5.3 实验结果 |
| 5.3.1 材料组织结构分析 |
| 5.3.2 腐蚀大数据采集结果 |
| 5.3.3 腐蚀形貌及锈层分析 |
| 5.4 分析讨论 |
| 5.5 本章小结 |
| 6 M-A组元调控对含Cr低合金钢耐蚀性的影响及腐蚀机理研究 |
| 6.1 引言 |
| 6.2 实验方法 |
| 6.2.1 材料制备 |
| 6.2.2 浸泡试验 |
| 6.2.3 大数据采集试验 |
| 6.2.4 形貌表征及分析 |
| 6.3 结果与讨论 |
| 6.3.1 不同等温时间下试验钢组织及结构表征 |
| 6.3.2 不同等温时间下试验钢早期腐蚀形貌 |
| 6.3.3 不同等温时间下试验钢大数据采集试验 |
| 6.4 本章小结 |
| 7 基于机器学习的耐蚀低合金钢跨尺度数据挖掘研究 |
| 7.1 引言 |
| 7.2 模型及方法 |
| 7.2.1 人工神经网络模型 |
| 7.2.2 支持向量机模型 |
| 7.2.3 随机森林模型 |
| 7.2.4 深度学习模型 |
| 7.2.5 皮尔逊相关系数 |
| 7.3 结果与讨论 |
| 7.3.1 基于机器学习的环境腐蚀起源关系挖掘 |
| 7.3.2 基于机器学习的微合金成分因素与腐蚀速率关系挖掘 |
| 7.3.3 基于机器学习的微观结构因素与腐蚀速率关系挖掘 |
| 7.4 本章小结 |
| 8 结论 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（2）基于SLAM技术的飞机驾驶舱视觉定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 人工智能副驾驶技术的研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 人工智能驾驶技术的研究现状 |
| 1.2.2 视觉定位技术的研究现状 |
| 1.3 SLAM技术的概述 |
| 1.3.1 SLAM技术分类和视觉SLAM基本框架 |
| 1.3.2 视觉里程计的地位和作用 |
| 1.4 研究内容与结构安排 |
| 第2章 视觉定位中的数学基础 |
| 2.1 SLAM问题的数学建模 |
| 2.2 四元数 |
| 2.2.1 四元数定义 |
| 2.2.2 四元数运算 |
| 2.2.3 四元数表示旋转 |
| 2.3 李群与李代数 |
| 2.4 本章小结 |
| 第3章 相机模型 |
| 3.1 相机模型 |
| 3.1.1 单目相机模型 |
| 3.1.2 双目相机 |
| 3.1.3 深度相机 |
| 3.2 图像数值化 |
| 3.3 本章小结 |
| 第4章 非线性优化 |
| 4.1 状态估计问题 |
| 4.1.1 批量状态估计与最大后验估计 |
| 4.1.2 最小二乘的引出 |
| 4.2 非线性最小二乘法的求解 |
| 4.2.1 一阶和二阶梯度法 |
| 4.2.2 GAUSS-NEWTON法 |
| 4.2.3 列文伯格—马夸尔特法 |
| 4.3 C++曲线拟合优化库 |
| 4.3.1 Ceres曲线拟合 |
| 4.3.2 g2o曲线拟合 |
| 4.4 本章小结 |
| 第5章 基于视觉里程计的视觉定位 |
| 5.1 特征点法 |
| 5.1.1 特征点 |
| 5.1.2 FAST关键点 |
| 5.1.3 ORB特征点 |
| 5.1.4 特征匹配 |
| 5.2 估计相机运动 |
| 5.2.1 PnP方法 |
| 5.2.2 ICP方法 |
| 5.3 实验结果与算法评估 |
| 5.3.1 实验平台介绍 |
| 5.3.2 实验数据的获取 |
| 5.3.3 实验描述 |
| 5.3.4 实验结果与分析评估 |
| 5.3.5 模型评价 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（3）面向智能车场景的语义分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 语义分割国内外研究现状及存在的问题 |
| 1.2.1 国内外研究现状 |
| 1.2.2 存在的问题 |
| 1.3 本文的主要研究内容和论文结构 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第二章 智能车场景语义分割算法相关技术 |
| 2.1 语义分割技术 |
| 2.1.1 语义分割概述 |
| 2.1.2 语义分割评价标准 |
| 2.1.3 语义分割相关数据集 |
| 2.2 卷积神经网络模型实现步骤 |
| 2.2.1 从数据集中提取训练数据 |
| 2.2.2 设计卷积神经网络模型 |
| 2.2.3 设计损失函数计算预测值与标签值之差 |
| 2.2.4 优化算法对模型中参数进行更新 |
| 2.3 面向智能车场景的语义分割方法 |
| 2.3.1 基于编码器解码器结构的语义分割方法 |
| 2.3.2 基于空洞卷积和多尺度融合的语义分割方法 |
| 2.4 本章小结 |
| 第三章 基于改进的注意力机制的语义分割算法 |
| 3.1 语义分割中的上下文信息 |
| 3.2 视觉注意力机制 |
| 3.2.1 视觉注意力机制中的压缩-扩张网络 |
| 3.2.2 视觉注意力机制中的自注意力机制 |
| 3.3 GSANet网络结构设计 |
| 3.3.1 GSANet整体网络结构 |
| 3.3.2 带有全局注意力的ASPP结构设计 |
| 3.3.3 带有选择性注意力的解码器结构设计 |
| 3.4 实验与分析 |
| 3.4.1 实验配置与训练过程 |
| 3.4.2 消融实验与分析 |
| 3.4.3 Cityscapes和Cam Vid数据集实验结果 |
| 3.5 本章小结 |
| 第四章 基于改进的轻量化网络的实时语义分割算法 |
| 4.1 深度可分离卷积和轻量化网络模型 |
| 4.1.1 标准卷积与深度可分离卷积 |
| 4.1.2 Mobile Net系列轻量化网络 |
| 4.2 基于轻量级网络的语义分割算法方法概述 |
| 4.3 LightSeg网络结构设计 |
| 4.3.1 LightSeg网络整体框架 |
| 4.3.2 带有空洞卷积和注意力机制的轻量化主干网络 |
| 4.3.3 带邻近信息的ASPP结构 |
| 4.3.4 特征融合模块 |
| 4.4 实验与分析 |
| 4.4.1 实验配置与训练过程 |
| 4.4.2 消融实验与分析 |
| 4.4.3 Cityscapes和Cam Vid数据集实验结果 |
| 4.5 本章小结 |
| 第五章 基于剪枝和推理加速的语义分割算法优化 |
| 5.1 模型通道剪枝算法优化 |
| 5.1.1 基于通道的剪枝算法及稀疏化训练 |
| 5.1.2 通道剪枝算法实验 |
| 5.2 模型推理加速优化 |
| 5.2.1 BN层与卷积层合并 |
| 5.2.2 BN层与卷积层合并推理加速实验 |
| 5.3 本章小结 |
| 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 |
（4）融合深度与集成学习的降水预报时空序列预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本课题研究背景 |
| 1.2 深度学习研究现状 |
| 1.3 本文主要研究工作 |
| 1.4 本文的章节安排 |
| 第二章 深度学习及集成学习概述 |
| 2.1 深度学习概述 |
| 2.2 本文中用到的深度学习模型 |
| 2.2.1 卷积神经网络 |
| 2.2.2 长短期记忆神经网络 |
| 2.3 集成学习 |
| 2.3.1 Bagging |
| 2.3.2 Boosting |
| 2.3.3 Stacking |
| 第三章 基于ExtConvLSTM的深度模型集成系统EnsConvLSTM |
| 3.1 引言 |
| 3.2 基于ExtConvLSTM的深度模型集成系统EnsConvLSTM |
| 3.2.1 ExtConvLSTM模型 |
| 3.2.2 Batch Normalization批量标准化技术 |
| 3.2.3 EnsConvLSTM模型 |
| 3.3 实验及分析 |
| 3.3.1 数据集介绍 |
| 3.3.2 与其他模型的比较 |
| 3.4 本章小结 |
| 第四章 基于增量学习和注意力机制的深度模型集成系统 |
| 4.1 引言 |
| 4.2 基于增量学习的EnsIncConvLSTM模型 |
| 4.2.1 增量学习 |
| 4.2.2 EnsIncConvLSTM模型的构建 |
| 4.3 引入注意力机制的EnsAttConvLSTM模型 |
| 4.3.1 编码-解码模型 |
| 4.3.2 注意力机制 |
| 4.3.3 EnsAttConvLSTM模型的构建 |
| 4.4 实验与分析 |
| 4.4.1 数据集 |
| 4.4.2 EnsIncConvLSTM模型 |
| 4.4.3 EnsAttConvLSTM模型 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（5）文本图像二值化的偏微分方程模型研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 文本图像二值化方法 |
| 1.2.1 聚类方法 |
| 1.2.2 阈值方法 |
| 1.2.3 偏微分方程方法 |
| 1.3 主要内容与结构安排 |
| 2 相关知识 |
| 2.1 微分方程的数值算法 |
| 2.1.1 常微分方程初值问题的数值求解 |
| 2.1.2 偏微分方程数值求解的有限差分法 |
| 2.1.3 算子分裂方案 |
| 2.2 文本图像二值化的评价标准 |
| 2.2.1 主观评价方法 |
| 2.2.2 定量化评价指标 |
| 3 文本图像二值化的偏微分方程模型 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 RSF模型 |
| 3.2.2 基于Ginzburg-Landau泛函的变分分割模型 |
| 3.3 所提模型 |
| 3.4 算法设计 |
| 3.5 数值实验 |
| 3.5.1 参数讨论 |
| 3.5.2 实验结果 |
| 3.6 小结 |
| 4 总结与展望 |
| 4.1 本文总结 |
| 4.2 展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕学位期间发表及完成论文目录 |
| B 学位论文数据集 |
| 致谢 |
（6）基于时间可控的生鲜农产品产运销供应链决策与协调（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容和方法 |
| 1.3 研究技术路线 |
| 1.4 研究创新点 |
| 2 理论基础与文献综述 |
| 2.1 理论基础 |
| 2.2 文献综述 |
| 3 时间可控下考虑不同主导权的生鲜农产品供应链协调 |
| 3.1 引言 |
| 3.2 问题描述及假设 |
| 3.3 数学模型 |
| 3.4 协调模型 |
| 3.5 数值算例 |
| 3.6 本章小结 |
| 4 考虑弹性产出时间的生鲜农产品产运销供应链协调 |
| 4.1 引言 |
| 4.2 问题描述及假设 |
| 4.3 数学模型 |
| 4.4 协调模型 |
| 4.5 数值算例 |
| 4.6 本章小结 |
| 5 研究结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）巧用导数运算法则构造函数解抽象不等式（论文提纲范文）
| 1 利用和、差函数的导数运算法则 |
| 2 利用积函数的导数运算法则 |
| 3 利用商函数的导数运算法则 |
| 4 借助基本初等函数的导数及四则运算法则 |
（8）基于BIM技术的城市轨道交通线路设计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 BIM软件发展现状 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 基于Infraworks的线路三维规划设计方法 |
| 2.1 Infraworks的基本介绍 |
| 2.1.1 Infraworks基本介绍 |
| 2.1.2 Infraworks的主要特性 |
| 2.1.3 Infraworks与Civil 3D、Revit的协同设计 |
| 2.2 城市三维景观快速建模方法 |
| 2.2.1 城市轨道交通规划地形设计的方法 |
| 2.2.2 城市轨道交通三维场景创建方法 |
| 2.3 基于Infraworks的城市轨道交通线路规划设计方法 |
| 2.3.1 城市轨道交通线路平面线形设计 |
| 2.3.2 城市轨道交通线路纵断面设计 |
| 2.3.3 城市轨道交通线路横断面设计 |
| 2.3.4 Infraworks中的动画设计 |
| 2.4 本章小结 |
| 第三章 基于Civil 3D的城市轨道交通线路深化设计方法 |
| 3.1 Civil 3D的基本介绍 |
| 3.2 基于Civil 3D的城市轨道交通线路设计流程 |
| 3.2.1 原始地形曲面创建 |
| 3.2.2 Civil 3D设计城市轨道交通线路 |
| 3.2.3 Civil 3D纵断面设计 |
| 3.2.4 线路模型装配实现 |
| 3.2.5 Civil 3D中生成三维模型 |
| 3.2.6 Civil 3D中生成土方工程量及方案比选 |
| 3.2.7 Civil 3D中粘贴纹理 |
| 3.3 本章小结 |
| 第四章 基于Revit平台的线路模型深化设计 |
| 4.1 Revit基本介绍 |
| 4.2 城市轨道交通构件族库的创建 |
| 4.2.1 桥梁部分的细化 |
| 4.2.2 轨道部分的细化 |
| 4.2.3 隧道部分的细化 |
| 4.2.4 城市轨道交通车站及周围一些建筑物的创建 |
| 4.3 城市轨道交通三维模型的快速搭建方法 |
| 4.3.1 Revit二次开发环境的搭建 |
| 4.3.2 RevitAPI外部数据建族 |
| 4.3.3 RevitAPI模型的搭建 |
| 4.4 本章小结 |
| 第五章 BIM与 3DGIS的融合技术 |
| 5.1 BIM与 3DGIS的融合方法研究 |
| 5.1.1 数据集成的方法 |
| 5.1.2 系统集成的方法 |
| 5.1.3 应用集成的方法 |
| 5.1.4 以FME为中间辅助工具实现BIM与 3DGIS融合的方法 |
| 5.1.5 以Skyline自身的BIM图层进行集成的方法 |
| 5.2 BIM与GIS融合技术在城市轨道交通设计中的应用 |
| 5.3 本章小结 |
| 第六章 研究方法在工程实例中的验证 |
| 6.1 工程项目的基本情况 |
| 6.2 研究方法的验证 |
| 6.2.1 地形的快速创建 |
| 6.2.2 线路周围三维场景的创建 |
| 6.2.3 平面线型的确定 |
| 6.2.4 纵断面的确定 |
| 6.2.5 房山线装配的深化设计 |
| 6.2.6 Infraworks中导入Civil 3D的深化设计 |
| 6.2.7 Revit中线路装配的深化 |
| 6.3 与 3DGIS技术的结合 |
| 6.3.1 MPT文件的制作 |
| 6.3.2 数据的融合 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（9）基于词向量的初等数学问题题意理解（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自然语言处理的国内外研究现状 |
| 1.2.2 词向量生成方法的国内外研究现状 |
| 1.2.3 知识表示方法的国内外研究现状 |
| 1.3 本文的主要内容工作与组织结构 |
| 第二章 相关理论与技术 |
| 2.1 语言模型 |
| 2.2 深度学习与自然语言处理 |
| 2.2.1 循环神经网络 |
| 2.2.2 编码-解码模型框架 |
| 2.3 常用的分类算法 |
| 2.3.1 支持向量机 |
| 2.3.2 k近邻法 |
| 2.4 知识表示方法 |
| 2.4.1 框架表示法 |
| 2.4.2 语义网络表示法 |
| 2.4.3 谓词逻辑表示法 |
| 2.5 本章小结 |
| 第三章 基于词向量的初等数学问题题意理解方法的研究 |
| 3.1 初等数学语言的特点 |
| 3.2 初等数学知识的表示方法研究 |
| 3.3 初等数学语言的预处理的方法研究 |
| 3.3.1 分词和词性标注 |
| 3.3.2 数学文本的实体命名 |
| 3.3.3 初等数学长文本的切分 |
| 3.4 改进的词向量学习方法 |
| 3.4.1 word2vec模型 |
| 3.4.2 基于关键词的加权连续词袋模型构建 |
| 3.5 数学短文本特征向量的构造 |
| 3.5.1 词袋模型和词向量叠加方法 |
| 3.5.2 基于词向量和命名实体的词袋模型的协同特征构造 |
| 3.6 改进的初等数学短文本分类方法 |
| 3.6.1 降噪与优化 |
| 3.6.2 一种改进的混合分类器 |
| 3.7 知识生成 |
| 3.8 本章小节 |
| 第四章 基于词向量的初等数学问题题意理解系统的实现 |
| 4.1 总体功能设计 |
| 4.2 各模块详细设计与实现 |
| 4.2.2 文本预处理模块 |
| 4.2.3 实体命名和长句切分模块 |
| 4.2.4 特征构造模块 |
| 4.2.5 文本分类模块与知识生成模块 |
| 4.3 本章小节 |
| 第五章 系统测试 |
| 5.1 一般初等数学问题题意理解测试 |
| 5.2 系统综合测试 |
| 5.2.1 测试概述 |
| 5.2.2 测试结果及分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要研究结果 |
| 6.2 研究的不足和展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于卷积神经网络的视频语义概念分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 视频语义概念分析的研究现状 |
| 1.3 论文研究的主要内容 |
| 1.4 论文的内容安排 |
| 第2章 基于深度学习的视频语义概念研究 |
| 2.1 前馈神经网络 |
| 2.2 自动编码器 |
| 2.3 稀疏自动编码器 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积操作的本质 |
| 2.4.2 卷积操作的意义 |
| 2.4.3 池化操作 |
| 2.5 深度学习在视频语义上的应用现状 |
| 2.6 本章小结 |
| 第3章 基于拓扑线性解码器预训练卷积神经网络的视频语义概念分析 |
| 3.1 基于卷积神经网络的视频语义概念特征提取模型 |
| 3.2 拓扑线性解码器 |
| 3.2.1 基于能量依赖的拓扑约束 |
| 3.2.2 模型结构 |
| 3.2.3 权重可视化 |
| 3.3 视频特征深度学习模型的训练 |
| 3.3.1 预训练原理 |
| 3.3.2 视频特征深度学习模型的训练步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 参数的选取 |
| 3.4.2 Trecvid数据集上的实验结果 |
| 3.4.3 UCF11数据集上的实验结果 |
| 3.5 本章小结 |
| 第4章 基于自适应阈值混合池化卷积神经网络的视频语义概念分析 |
| 4.1 常用的池化方法 |
| 4.1.1 最大池化 |
| 4.1.2 平均池化 |
| 4.2 基于自适应阈值的混合池化 |
| 4.3 实验结果与分析 |
| 4.3.1 TRECVID视频数据集实验数据比较与分析 |
| 4.3.2 UCF11视频数据集实验数据比较与分析 |
| 4.4 本章小结 |
| 第5章 视频语义分析原型系统设计与实现 |
| 5.1 系统开发工具 |
| 5.2 原型系统的框架结构 |
| 5.3 原型系统的算法实现概况 |
| 5.3.1 视频数据的预处理 |
| 5.3.2 模型的构建及训练 |
| 5.3.3 语义概念检测 |
| 5.4 原型系统的界面介绍 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表的论文 |
四、解抽象函数问题的几种模型（论文参考文献）
- [1]基于腐蚀大数据技术的含Cr低合金钢耐蚀性能调控研究[D]. 杨小佳. 北京科技大学, 2021(08)
- [2]基于SLAM技术的飞机驾驶舱视觉定位方法研究[D]. 陈华杰. 中国民用航空飞行学院, 2021
- [3]面向智能车场景的语义分割算法研究[D]. 向石方. 华南理工大学, 2020(02)
- [4]融合深度与集成学习的降水预报时空序列预测研究[D]. 张春杨. 南京航空航天大学, 2020(07)
- [5]文本图像二值化的偏微分方程模型研究[D]. 张凯旋. 重庆大学, 2019(09)
- [6]基于时间可控的生鲜农产品产运销供应链决策与协调[D]. 王同心. 中国矿业大学, 2019(09)
- [7]巧用导数运算法则构造函数解抽象不等式[J]. 吴志坚,赵艳侠,童嘉森. 高中数理化, 2017(21)
- [8]基于BIM技术的城市轨道交通线路设计方法研究[D]. 孙培培. 石家庄铁道大学, 2017(03)
- [9]基于词向量的初等数学问题题意理解[D]. 刘永宜. 电子科技大学, 2017(02)
- [10]基于卷积神经网络的视频语义概念分析[D]. 詹智财. 江苏大学, 2016(11)