一、网络技术在《计算机原理》实验中的应用（论文文献综述）
何琼[1]（2021）在《虚拟网络技术在计算机网络安全中的应用》文中研究表明现阶段很多企业的跨地域网络应用以及机构和部门的垂直分层网络管理,给网络信息安全带来了非常严重的威胁。虚拟专用网是在公共网络上建立临时安全连接,并建立安全可靠的通信通道。在虚拟网络中,两个节点之间的连接不同于专用网络中的正常物理链路,通过对用户数据进行加密来降低网络信息安全风险。笔者根据虚拟网络技术的特点,研究了虚拟专用网技术在计算机网络信息安全中的应用。
管晓伟[2]（2021）在《复杂交通场景下车道线检测算法研究》文中进行了进一步梳理车道线检测是智能汽车环境感知的重要任务,能够为车辆提供可行驶区域信息。现阶段车道线检测算法存在场景适应性较差的问题,限制了车道偏离预警系统与车道保持辅助系统等ADAS功能的应用范围。因此,本文以提高复杂交通场景下车道线检测算法的适应性为目标开展研究,对于提升驾驶辅助系统的可靠性具有重要意义。首先完成车道线检测系统的搭建,通过分析不同车道线检测算法实现流程并对比其检测效果,总结影响算法在不同场景下表现的关键因素,然后对基于显性特征的车道线检测算法进行研究,探索并总结有助于提升算法检测能力的先验信息,最后将先验信息引入基于隐性特征的车道线检测网络中,增强神经网络对于车道线共性特征的学习能力,提升算法的场景适应性。在对基于显性特征的车道线检测算法研究中,本文首先利用相邻帧间关联实现动态感兴趣区域选取与自适应逆透视变换,提高算法在变化道路场景下获取的鸟瞰图质量,然后提出基于形状位置筛选的干扰信息滤除方法,去除鸟瞰图中形态与位置不符合车道线属性的信息,最后采用滑动窗搜索的方式统计车道线有效像素坐标并根据其分布情况自动选取拟合线型表达车道线检测结果。此外,还基于车道宽度信息实现了漏检车道线位置推理。测试结果表明,自适应逆透视变换、鸟瞰图有效信息筛选以及漏检车道线推理等先验信息的运用能够有效提升算法的检测能力。在对基于隐性特征的车道线检测网络改进中,本文首先明确采用基于候选行分类的算法基本流程,根据基于显性特征车道线检测算法研究过程中总结的有效先验信息,建立车道线连续性和车道宽度一致性先验模型,并以损失函数的形式作用于网络训练过程,然后提出基于特征图融合的图像预处理模块,以鸟瞰融合特征图作为网络输入,降低不同道路场景的差异性,削弱神经网络对于场景迁移的敏感程度,最后制作一定规模的鸟瞰特征图数据集对改进前后的算法进行训练和测试,以一定的评价指标对比其在检测性能、实时性、计算资源占用量三方面的性能。在基于鸟瞰特征图测试集的实验中,改进算法获得了与原算法相当的Io U与F1-measure指标值,而在测试集外的差异场景实验中,改进算法取得了明显优于原算法的检测效果,表明改进后算法具有更好的泛化性能。此外,算法能够以41fps的速度运行,满足实时性要求。
宋柯[3]（2021）在《基于深度学习的遥感图像无锚框检测技术研究》文中研究指明近年来,随着计算机计算能力的不断提高,以卷积神经网络为代表的深度学习技术在不同场景中得到广泛应用。一方面,在以目标检测为代表的计算机视觉领域中,深度神经网络的使用能够使检测性能得到巨大的提升;另一方面,随着无人机技术以及遥感技术的发展,遥感图像分析在军事和民用领域的重要性不断体现并成为了一个热点。目标检测作为计算机视觉领域的基础任务,能够精确捕捉目标,为后续任务提供丰富和准确的信息。目标检测在自然图像中得到了广泛和深入的研究,尤其是在以深度学习技术为代表的工作中,检测器的检测性能不断提高。然而,遥感图像相对于自然图像存在相当多的特殊问题。第一,由于遥感图像一般是以鸟瞰的视角拍摄,目标通常是任意方向的;第二,遥感图像中目标类别丰富,且由于拍摄高度等原因导致不同目标大小差异巨大;第三,遥感图像中目标位于多变的环境中,复杂的背景为检测带来了一定的难度。若简单的将通用目标检测器应用到遥感图像的目标检测中,效果通常不理想,需要针对遥感图像中的特殊问题对检测器进行特殊的设计。本文围绕以上三个问题从四个方面展开研究,主要内容包括:（1）针对目标方向任意的问题,本文设计了目标检测器的基线模型。对于角度的获取,设计了一种间接的旋转框表示方式,即通过将目标旋转框回归分解为正框回归与旋转框坐标点偏移量回归两个子任务来消除歧义。同时,采用了“无锚框”方式检测器作为模型的基本架构,避免了复杂的锚框设计。（2）对于目标大小尺度不一的问题,本文在特征金字塔网络的基础上分析并设计了精细的自适应邻接层级特征融合网络来获得更加丰富和准确的特征信息,以减少特征金字塔中目标粗糙分配方式的影响,提升了模型的整体性能。（3）对于遥感图像中背景噪声问题,一方面通过结合有监督的像素注意力网络以及通道注意力网络设计了前景增强网络,使神经网络学习到的中间特征更加聚焦于目标实例的表示;另一方面,设计了新的正负样本定义策略,能够获得更高质量的样本,更有效地区分前背景区域。（4）对于由于目标方向任意造成的一般卷积提取的特征不对齐的问题,从可变形卷积出发,设计了角度适应特征处理网络。设置了具有不同角度偏移的多个支路,并通过像素注意力网络对不同支路的特征加权结合。所提出的角度适应模块增强了检测器的鲁棒性。
续婷[4]（2021）在《基于群智能算法与机器学习的预测与分类研究》文中研究说明随着现代科技的飞速发展,人工智能已被广泛应用于人们生活中的方方面面。作为人工智能核心技术的机器学习在各个领域都迎来了新的挑战,如何提高机器学习在新环境新问题中对数据的分析与应用效率,已经成为了全球学者关注的热点问题。本文主要对海鸥优化算法（Seagull Optimization Algorithm,SOA）、粒子群优化算法（Particle Swarm Optimization,PSO）等群智能优化算法与支持向量回归（Support Vector Regression,SVR）、支持向量机（Support Vector Machine,SVM）分类、极限学习机（Extreme Learning Machine,ELM）等机器学习方法进行研究,并将这些方法成功应用于空气质量预测、激光超声缺陷检测以及混凝土砖图像识别等问题中。本文主要成果包括:（1）针对COVID-19的一些防治措施对空气质量的影响,首先,使用数值统计方法与灰色关联度分析（Grey Relational Analysis,GRA）方法对包含COVID-19爆发期在内的四个相关时段内的空气质量与六种主要污染浓度做了评价和分析。其次,基于SOA算法只考虑全局最优影响而忽略个体最优影响等特点,提出了改进的SOA算法,并与SVM模型相结合,建立了混合预测模型ISOA-SVR。最后,利用所提出的ISOA-SVR方法对空气质量指数（Air Quality Index,AQI）进行预测。在两种不同数据上的实验结果表明,提出的ISOA-SVR方法与其它模型相比,具有更好的预测性能、泛化能力和鲁棒性。（2）针对激光超声缺陷检测中信号的高维数以及所获取数据的少样本等问题,建立了基于稀疏表示的信号特征提取模型。提出了基于TDIW惯性权重策略的TPSO算法。同时通过引入非线性收缩因子和更多的随机变量,进一步提出了IPSO算法,提升了算法的寻优性能,有效避免了算法陷入局部极小值的问题。建立了TPSO-SVM和IPSO-SVM分类模型,并将其应用于激光超声缺陷信号的检测识别中。通过与其它分类模型的比较,验证了所提模型具有更优越的分类检测性能。（3）针对混凝土砖图像的分类与识别问题,首先,提出了RGB空间平均像素与HSV空间平均灰色共生矩阵（Gray Level Co-Occurrence Matrix,GLCM）特征相融合的图像特征提取方法,并将提取到的融合特征分别输入到SVM分类模型、BPNN、ELM模型中实现了混凝土砖图像的自动分类识别。通过实验结果对比,SVM方法在混凝土砖图像自动分类识别中获得了较高的识别准确率。其次,提出了基于ISOA算法的混合分类模型ISOA-SVM,利用ISOA算法优化了SVM的模型参数,通过在两个不同混凝土砖图像样本集上的实验结果表明,与SOA-SVM、PSO-SVM、IPSO-SVM、SCA-SVM、WOA-SVM、DE-SVM以及SVM等分类方法相比,提出的ISOA-SVM方法具有更好的分类识别准确率。最后,建立了基于Bagging算法的ELM集成分类模型,通过在两个不同混凝土砖样本集上的实验结果表明,提出的ELM集成模型有效的提高了单一ELM模型在混凝土砖图像分类识别上的识别精度。本文研究的几类群智能算法和机器学习方法的改进,极大提升了原有算法的性能,同时在空气质量问题、激光超声缺陷检测问题以及混凝土砖图像分类与识别问题中得到了成功的应用,具有一定的实用价值。
李兴龙[5]（2021）在《基于BP神经网络的超声定量评估技术研究》文中提出随着科学技术的发展,各行各业对材料以及结构的安全性要求日益提高。由于材质自身缺陷以及长期受到各种载荷的影响,材料和结构在生产及服役的过程中会产生各种类型的缺陷,比如裂纹、孔洞以及夹杂等,进而导致重大安全事故,造成人员伤亡和巨额财产损失。因此发展有效的无损检测技术至关重要。超声检测技术由于其具有灵敏度高、穿透能力强、缺陷定位准确、操作简单、对人体无害等优点被广泛应用。但是该方法针对复杂形状缺陷的定位及定量仍具有一定的难度,并且超声成像所需数据量比较大,效率比较低等。本文基于超声A扫描技术,针对不同形状的缺陷开展数值模拟和实验测试,获得了超声信号的变化特征,结合信号处理技术获得了对缺陷敏感的损伤特征参数,最后利用BP神经网络、图像处理技术及数据融合技术,对单缺陷及多缺陷的反演成像开展了研究。本文具体的研究内容及创新点如下:（1）利用COMSOL软件建立了超声传播的有限元模型,分析了在2024铝中,超声传播与三角形缺陷、圆形缺陷之间的作用关系;然后搭建了超声检测系统,对含有不同形状通孔缺陷的铝块试样进行检测;仿真结果及实验结果都表明了不同缺陷之间的超声信号存在差异,例如信号的幅值、宽度及对称性等,其差异性为缺陷特征的进一步提取奠定基础;同时,仿真结果与实验结果趋势的一致性,进一步验证了有限元仿真结果的正确性。（2）利用信号处理技术从时域、频域及形态三方面提取了19个特征,进一步分析特征与缺陷之间的规律,得到11个对缺陷敏感的特征值:包含4个时域特征,即峰值、幅值减少的时间、0.1Im直线的持续时间、0.5Im直线的持续时间;3个频域特征,即频谱峰值、低频分量、-1d B带宽;和4个形态特征,即形状系数、标准差、归一化能量、幅度均值。为缺陷反演奠定了基础。（3）利用BP神经网络及D-S证据理论融合技术,实现了对三角形单缺陷、圆形单缺陷以及多缺陷的反演,为复杂形状缺陷的反演提供了新方法;同时对同一缺陷不同位置处采集的信号的反演结果进行融合,与单一位置处信号的反演结果相比,其充分利用了缺陷的不同方向所反射的信号,进一步提高了缺陷反演的准确性与可靠性。
汪连坡[6]（2021）在《数字图像相关方法在特殊应用场景中的关键技术研究》文中认为数字图像相关（DIC）技术本质上是一种图像处理技术,除了具有非接触、全场测量的能力外,它还具有一些特有的优点,如:实验装置简单、价格低廉、易于实现、适用范围广、时空分辨率可调,以及对环境振动和环境光的变化相对鲁棒。这些突出的优势使得DIC技术在过去40年里得到了快速普及,也使得各种商用DIC系统相继推出。这也决定了 DIC方法超过如干涉光学法、电子散斑干涉法和云纹干涉法等竞争对手,在实验力学界占据主导地位。现在DIC技术也在材料科学、生物力学、土木工程、电子印刷、机械制造、岩土工程和航空航天工程等新的应用领域被广泛应用。尽管DIC技术不管是在理论研究还是在工程应用中都已趋于完善,但是DIC技术在一些特殊应用场景中,还是会出现一些新的挑战:1.由于待测物体的泊松比往往不为0,待测物体在拉伸或压缩时就会产生离面运动,进而导致2D-DIC测量结果产生系统误差;2.当图像发生大帧间变形时会导致参考子区和变形子区的相关性下降,使得相关性图没有明显峰值而无法得到匹配位置,这也被称为退相关现象:进一步来说,不仅待测物体发生大变形会导致退相关现象,一些物体由于整体旋转（如风电叶片等）、离面平移（如捕蝇草的开合等）等原因导致拍摄图像发生大帧间旋转、大帧间缩放变形也会导致退相关现象。针对DIC技术在以上应用场景中面临的挑战,本文的主要研究工作如下:（1）为了克服离面运动和非垂直安装产生系统误差的问题,本文第二章节在Sutton误差模型的基础上发展出了一个更为完善的统一误差模型。基于新的误差模型,我们发现只需要测得离面运动量（包括离面平移和离面旋转）和非垂直安装角度就可以计算得到伪应变,并可加以补偿。本文进一步提出了基于十字型结构光的方法来实时重建待测试件表面的空间方程,从而可以得到离面运动量和非垂直安装角度。为了避免结构光光条与散斑图像相互影响,本文还提出了用彩色相机的不同通道分别进行DIC测量和补偿的方法。（2）为了克服图像发生大帧间旋转变形时DIC会出现退相关现象的问题,本文第三章节将旋转不变的模板匹配与DIC的灰度匹配相结合,提出了基于圆环投影变换特征和方向码特征的旋转不变DIC（RIDIC）算法。为了进一步提高RIDIC算法的速度,本文又提出了更高效的局部圆环模式特征和小波金字塔分层搜索的方法,最后得到了快速旋转不变DIC（fast-RIDIC）算法。（3）为了克服图像发生大帧间缩放变形时DIC会出现退相关现象的问题,本文第四章节提出了利用彩色信息进行DIC匹配的新思路。得益于颜色直方图特征的缩放不变性和旋转不变性,进而提出了基于颜色直方图特征的缩放、旋转不变的DIC（SRIDIC）算法。为了提高SRIDIC算法的匹配速度,提出了反向检索代替前向搜索的搜索策略。为了充分利用彩色散斑的颜色信息,本文还对亚像素匹配中的相关函数进行了改进,使得新的相关函数对光源强度和位置的变化更加鲁棒。
王仕勋[7]（2020）在《计算机网络技术在农产品资源整合分析路径中的应用——评《计算机信息技术》》文中研究表明农产品资源整合成效对扩大乡村经营优势、壮大乡村产业发展基础有重要意义。因此,利用计算机网络技术对农产品资源整合分析,融入网络时代特色,对当前扩大农产品资源优势具有重要意义。本文将结合《计算机信息技术》一书,探讨计算机网络技术在农产品资源整合分析中的应用优势,提出具体应用路径,以期为当前推动农产品资源开发、升级提供有力借鉴。
童瀛,周宇,姚焕章,梁剑[8]（2020）在《虚拟网络技术在计算机网络安全中的应用价值探析》文中研究表明虚拟网络技术在计算机网络安全中的应用,无须连接外部物理设备,能够更加简单地完成网络状态防护。利用虚拟网络技术,在主机上部署节点,采集并存储网络实时数据。分析网络运行数据状态,对超出阈值范围数据做出预警,并判断其节点状态。设计仿真实验,在同一仿真环境下对比传统网络安全防护效果与虚拟网络安全效果,证明虚拟网络技术应用有效性。
宋佳楠[9]（2020）在《面向一维时序信号的二值化网络系统设计》文中指出一维时序信号处理技术凭借其对时间属性的强依赖及有用信息量的庞大承载量在生活及工业界中的应用愈加广泛。例如,音频事件检测及光网络故障预测这两类一维时序信号处理技术分别在多重场景分析、通信信息传播中具有重要的应用价值。深度学习算法在音频事件检测和光网络故障预测中都体现了优于传统算法的性能,因而得到广泛关注。深度学习算法对大量抽象数据的强拟合建模能力得益于深度学习网络模型中庞大的参数量及其复杂的计算迭代过程,然而这一过程通常需要消耗大量的计算资源及存储资源来完成模型的训练过程。目前基于深度学习算法的一维时序信号处理通常是在价格昂贵且功耗较大的GPU上完成的,这对其硬件化的落地实现提出了挑战。二值化网络将原始浮点型网络模型中的权重和激活值量化为两种固定值,可以提升模型的训练效率,并对传统深度学习网络模型进行压缩,从而降低模型对计算资源及存储资源的要求。因此,二值化网络模型具有计算简单且占用内存低的特点,有助于推进基于深度学习算法的一维时序信号处理在嵌入式系统的研发部署。本论文对一维时序信号处理的二值化网络模型展开研究设计,并以音频事件检测和光网络故障预测为例对所提出的方案进行验证分析。主要研究工作和创新点如下:提出并实现了面向一维时序信号处理的浮点型网络的二值化设计方案,采用基于浮点型数据的深度神经网络DNN模型及卷积神经网络CNN模型,分别对该两类模型进行二值化并搭建二值化深度神经网络（BDNN）及二值化卷积神经网络（BCNN）模型,在性能损失不大的前提下对音频事件检测和光网络故障预测两类场景进行二值化设计及分析。以音频事件检测为例,实验结果表明,在基于DCASE2018鸟叫声检测任务上,本论文中设计的BCNN模型可保留82.9%的CNN网络模型性能,BDNN模型体现了优于DNN模型0.6%的检测性能,同时二值化网络模型在新数据集上体现了更强的泛化性能,在训练过程中具有更快的收敛速度。以光网络故障预测为例,实验结果表明,通过运营商的现网数据进行比对,BDNN对光传送网系统故障预测的准确率可达97.79%,与浮点型DNN模型性能相当,且BDNN具有更快的模型收敛速度和更强的泛化性能。最后,以光网络故障预测为例,对所提出的一维时序信号深度学习处理算法的二值化方案进行了硬件计算资源占用量的对比分析。实验首先在FPGA上测试了不同比特数在乘加运算器、比较器的资源占用情况,并以网络模型中的单层神经元为例对比了二值化前后的理论资源占用量。实验结果表明,在单层前向传播计算过程中BDNN仅占用DNN所需资源的1.43%即可实现与DNN性能相当的性能效果,且BDNN中的通过两种值可在硬件中将原始网络的乘加运算简化为异或运算。
康帅[10]（2020）在《语音对抗攻击技术研究》文中指出随着神经网络技术的不断成熟和完善,其已经被广泛应用于人们日常生活相关的各个领域,并已取得了非常显着的效果,然而对抗样本能够十分轻易地攻击神经网络,严重威胁着当前应用广泛的神经网络技术的安全。目前针对对抗样本的研究主要集中在计算机视觉领域,如自动驾驶、人脸识别、目标检测等任务中,通过深入研究对抗样本的攻击和防御从而有效保障神经网络的安全,而针对语音领域的对抗样本研究尚处于起步阶段,相关研究较为薄弱。语音领域对抗样本的生成方法主要包括两种类型:白盒攻击和黑盒攻击。针对白盒攻击,目前主要使用基于优化的C&W攻击算法设计,在整个原始语音上迭代地优化目标损失直至找到一个最小的对抗扰动。这种类型的攻击需要很大的计算资源和时间开销,同时算法生成的语音对抗样本鲁棒性较差。针对更为复杂的黑盒攻击,主要使用遗传算法设计,不仅需要大量的计算资源而且攻击效果不够理想。针对上述问题,本文进行了深入的研究和讨论,主要研究内容分为以下三部分:（1）设计了一种高效的白盒语音对抗攻击算法。基于梯度的攻击算法设计,结合语音数据特点,本文设计了更加高效的FTA语音对抗攻击算法。较目前语音领域中主流的基于优化的C&W语音对抗攻击算法而言,本算法最大能够将攻击效率提升8倍,更加高效快速地生成人耳难以察觉的语音对抗样本。（2）提出了一种鲁棒的白盒语音对抗攻击算法。基于语音领域中的时间依赖性特点考虑,本文首次提出了基于语音内容的CPFTA语音对抗攻击算法,可以仅将对抗扰动点平均添加在原始语音的63.12%区域,相比主流的C&W语音对抗攻击算法受到干扰的语音区域大幅减小。本算法首次探究了利用语音领域中固有的时间依赖性提升语音对抗样本鲁棒性的可行性,为后续语音对抗攻击算法的设计提供了新的参考。（3）提出了一种基于梯度估计策略的黑盒语音对抗攻击算法。针对黑盒语音对抗样本生成,本文有效结合语音数据的特点对目前计算机视觉领域中应用广泛的NES梯度估计算法进行改进,设计了适用于语音领域的NESA梯度估计算法。同时在该算法基础上有效结合FTA语音对抗攻击算法,本文首次提出了完全基于梯度估计策略设计的NESA-FTA黑盒语音对抗攻击算法。该算法对当前识别效果显着的Deep Speech语音识别模型的无目标攻击成功率可以达到100%,有效验证了基于梯度估计策略设计黑盒语音对抗攻击算法的可行性,为后续黑盒语音对抗攻击算法的设计提供了新的思路。
二、网络技术在《计算机原理》实验中的应用（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、网络技术在《计算机原理》实验中的应用（论文提纲范文）
（1）虚拟网络技术在计算机网络安全中的应用（论文提纲范文）
| 0 引言 |
| 1 虚拟网络技术概述 |
| 1.1 虚拟网络技术服务方式 |
| 1.2 虚拟网络技术内容 |
| 1.2.1 解密和加密技术 |
| 1.2.2 隧道技术 |
| 1.2.3 身份认证技术 |
| 1.2.4 密钥管理技术 |
| 2 影响计算机网络安全的因素 |
| 2.1 计算机网络的硬件配置缺少协调性 |
| 2.2 网络木马程序 |
| 2.3 可植入病毒 |
| 2.4 计算机网络攻击 |
| 3 基于虚拟网络技术的计算机网络安全系统应用 |
| 3.1 系统框架 |
| 3.2 实验环境 |
| 3.3 实验结果对比 |
| 4 结语 |
（2）复杂交通场景下车道线检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于显性特征的车道线检测 |
| 1.2.2 基于隐性特征的车道线检测 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 2 车道线检测系统构建及算法分析 |
| 2.1 车道线检测数据集及实验装置 |
| 2.1.1 开源数据集 |
| 2.1.2 实车采集测试系统 |
| 2.2 基于显性特征的车道线检测算法 |
| 2.2.1 图像预处理方法 |
| 2.2.2 基于霍夫变换的车道线检测 |
| 2.2.3 基于鸟瞰图多项式拟合的车道线检测 |
| 2.3 基于隐性特征的车道线检测算法 |
| 2.3.1 神经网络检测车道线相关技术 |
| 2.3.2 基于实例分割的车道线检测 |
| 2.3.3 基于候选行分类的车道线检测 |
| 2.4 车道线检测算法关键问题分析 |
| 2.5 本章小结 |
| 3 基于显性特征的车道线检测算法场景适应性研究 |
| 3.1 基于动态感兴趣区域选取的逆透视变换 |
| 3.1.1 动态感兴趣区域选取 |
| 3.1.2 自适应逆透视变换 |
| 3.2 基于鸟瞰图形状位置筛选的干扰信息滤除 |
| 3.2.1 干扰信息类型及特点分析 |
| 3.2.2 基于形状约束的干扰滤除 |
| 3.2.3 基于位置约束的干扰滤除 |
| 3.2.4 干扰信息滤除结果分析 |
| 3.3 车道线信息搜索及多项式拟合 |
| 3.3.1 基于滑动窗生长的车道线信息搜索 |
| 3.3.2 基于多项式拟合的车道线表达 |
| 3.3.3 基于车道结构信息的漏检车道线推理 |
| 3.4 本章小结 |
| 4 引入结构先验信息与融合特征图的车道线检测 |
| 4.1 引入融合特征图的车道线检测网络结构 |
| 4.2 基于车道结构信息的先验模型建立 |
| 4.2.1 车道线分布结构特点分析 |
| 4.2.2 车道线连续性先验模型 |
| 4.2.3 车道宽度一致性先验模型 |
| 4.3 基于特征图融合的图像预处理 |
| 4.3.1 多特征图融合模块 |
| 4.3.2 鸟瞰特征图数据集制作 |
| 4.4 车道线检测网络训练及结果分析 |
| 4.4.1 神经网络损失函数建立 |
| 4.4.2 神经网络训练 |
| 4.4.3 算法检测结果分析 |
| 4.5 本章小结 |
| 5 算法测试与验证 |
| 5.1 车道线检测算法评价指标 |
| 5.1.1 检测性能指标 |
| 5.1.2 实时性指标 |
| 5.1.3 计算资源占用量 |
| 5.2 车道线检测算法测试 |
| 5.2.1 检测性能测试 |
| 5.2.2 泛化性能测试 |
| 5.2.3 实时性测试 |
| 5.2.4 计算资源占用量测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A TuSimple数据集标注样例 |
| 致谢 |
（3）基于深度学习的遥感图像无锚框检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自然图像目标检测研究现状 |
| 1.2.2 遥感图像目标检测研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 主要标准数据库 |
| 1.4.1 DOTA数据集 |
| 1.4.2 HRSC2016数据集 |
| 1.4.3 UCAS-AOD数据集 |
| 1.5 本文的组织结构 |
| 第二章 基于无锚框形式的遥感图像旋转目标检测网络 |
| 2.1 遥感图像旋转目标检测基线网络的问题分析 |
| 2.1.1 旋转边界框表示形式的分析 |
| 2.1.2 锚框设置的分析 |
| 2.2 基线网络结构介绍 |
| 2.2.1 网络总体结构 |
| 2.2.2 骨干网络ResNet |
| 2.2.3 无锚框方式的实现细节 |
| 2.2.4 网络损失函数 |
| 2.2.5 检测框后处理 |
| 2.3 实验与结果分析 |
| 2.3.1 数据集预处理 |
| 2.3.2 训练细节设置 |
| 2.3.3 实验结果与分析 |
| 2.4 本文提出的目标检测网络的结构简介 |
| 2.5 本章小结 |
| 第三章 基于自适应邻接层级特征融合网络的遥感图像旋转目标检测网络 |
| 3.1 引言 |
| 3.2 特征融合网络 |
| 3.2.1 特征金字塔网络 |
| 3.2.2 特征金字塔网络的改进 |
| 3.3 自适应邻接层级特征融合网络 |
| 3.3.1 特征金字塔网络的问题分析 |
| 3.3.2 邻接层级特征融合网络 |
| 3.3.3 自适应的特征融合 |
| 3.4 实验与结果分析 |
| 3.4.1 训练细节设置 |
| 3.4.2 消融实验 |
| 3.4.3 与现有方法的对比试验及分析 |
| 3.5 本章小结 |
| 第四章 基于注意力机制及灵活采样的遥感图像旋转目标检测网络 |
| 4.1 引言 |
| 4.2 算法思想 |
| 4.2.1 注意力机制介绍 |
| 4.2.2 前景增强网络 |
| 4.2.3 正负样本定义策略 |
| 4.3 实验与结果分析 |
| 4.3.1 训练细节设置 |
| 4.3.2 实验结果与分析 |
| 4.3.3 遥感图像目标检测总体系统的实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于角度适应的遥感图像旋转目标检测网络 |
| 5.1 引言 |
| 5.2 算法思想 |
| 5.2.1 多角度特征表征的相关算法 |
| 5.2.2 可变形卷积 |
| 5.2.3 基于角度适应的特征处理 |
| 5.3 实验与结果分析 |
| 5.3.1 训练细节设置 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（4）基于群智能算法与机器学习的预测与分类研究（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 群智能算法概述 |
| 1.3 机器学习概述 |
| 1.3.1 机器学习发展简史 |
| 1.3.2 机器学习的研究现状 |
| 1.3.3 机器学习面临的挑战 |
| 1.4 本文主要研究内容 |
| 第2章 基于GRA与改进SOA-SVR模型的空气质量分析与AQI预测.. |
| 2.1 空气质量问题 |
| 2.2 改进的海鸥优化算法 |
| 2.2.1 海鸥优化算法(SOA) |
| 2.2.2 改进的海鸥优化算法(ISOA) |
| 2.3 支持向量机回归模型(SVR) |
| 2.4 基于ISOA算法优化的SVR模型 |
| 2.5 实验准备 |
| 2.6 空气质量与空气污染物分析 |
| 2.6.1 灰色关联度分析(GRA) |
| 2.6.2 基于GRA方法的空气质量和空气污染物分析 |
| 2.7 基于ISOA算法优化的SVR模型在AQI预测问题中的应用 |
| 2.7.1 实验一结果与分析 |
| 2.7.2 实验二结果与分析 |
| 2.8 本章小结 |
| 第3章 基于稀疏表示与改进PSO-SVM模型的激光超声缺陷信号检测.. |
| 3.1 激光超声缺陷检测问题 |
| 3.2 稀疏表示理论 |
| 3.3 改进的粒子群优化算法 |
| 3.3.1 粒子群优化算法(PSO) |
| 3.3.2 惯性权重的几种变体 |
| 3.3.3 改进的粒子群算法 |
| 3.4 支持向量机分类模型(SVM) |
| 3.5 基于改进PSO算法优化的SVM模型 |
| 3.6 基于改进PSO算法优化的SVM模型在激光超声缺陷检测问题中的应用 |
| 3.6.1 激光超声表面声波探伤实验 |
| 3.6.2 基于稀疏表示的特征提取 |
| 3.6.3 TPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.6.4 IPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.7 本章小结 |
| 第4章 基于多特征融合与机器学习的混凝土砖图像分类与识别 |
| 4.1 混凝土砖图像分类识别问题 |
| 4.2 数据来源与数据处理 |
| 4.3 特征提取 |
| 4.3.1 RGB空间每个通道的平均像素值 |
| 4.3.2 灰色共生矩阵(GLCM) |
| 4.3.3 HSV空间的GLCM纹理特征 |
| 4.4 机器学习方法在混凝土砖图像分类识别中的应用 |
| 4.4.1 SVM分类模型在混凝土砖图像分类识别中的应用 |
| 4.4.2 BP神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.3 ELM神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.4 不同分类器的分类识别结果对比分析 |
| 4.5 本章小结 |
| 第5章 改进SOA-SVM模型在混凝土砖图像分类识别中的应用 |
| 5.1 基于ISOA算法优化的SVM模型 |
| 5.2 混凝土砖图像数据集介绍 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 基于Bagging算法的ELM集成分类模型在混凝土砖图像分类识别中的应用 |
| 6.1 Bagging算法 |
| 6.2 基于Bagging算法的ELM集成模型 |
| 6.3 实验结果与分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要研究工作 |
| 7.2 论文创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）基于BP神经网络的超声定量评估技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 无损检测技术概况 |
| 1.3 超声检测技术概况 |
| 1.3.1 超声无损检测技术的发展趋势 |
| 1.3.2 超声检测的不足 |
| 1.4 相关技术在超声检测领域应用研究 |
| 1.4.1 数值模拟技术在超声检测中的应用 |
| 1.4.2 信号处理技术在超声检测中的应用 |
| 1.4.3 图像处理技术在超声检测中的应用 |
| 1.4.4 神经网络技术在超声检测中的应用 |
| 1.4.5 数据融合技术在超声检测中的应用 |
| 1.5 本文的主要内容及章节安排 |
| 2 超声检测及相关技术的基础理论 |
| 2.1 引言 |
| 2.2 超声检测技术 |
| 2.2.1 超声的概念 |
| 2.2.2 超声场的特征参量 |
| 2.2.3 超声波的分类 |
| 2.2.4 超声检测的原理及分类 |
| 2.3 有限元分析技术 |
| 2.3.1 有限元分析的基本理论 |
| 2.3.2 有限元分析的基本步骤 |
| 2.4 信号处理技术 |
| 2.4.1 离散傅里叶变换 |
| 2.4.2 快速傅里叶变换 |
| 2.5 神经网络技术 |
| 2.5.1 人工神经网络的理论及分类 |
| 2.5.2 BP神经网络理论及算法 |
| 2.6 图像处理技术 |
| 2.7 本章小结 |
| 3 超声检测模拟仿真与实验 |
| 3.1 引言 |
| 3.2 基于COMSOL软件的仿真模拟 |
| 3.2.1 构件及缺陷设计 |
| 3.2.2 模拟参数设置 |
| 3.2.3 探头步进的确定 |
| 3.2.4 声波的传播 |
| 3.3 基于不同形状缺陷的超声实验测试 |
| 3.3.1 试块的制备 |
| 3.3.2 超声缺陷检测系统 |
| 3.3.3 实验结果 |
| 3.4 实验与仿真模拟的对比分析 |
| 3.5 本章小结 |
| 4 超声信号多值域特征提取 |
| 4.1 引言 |
| 4.2 基于信号时域的特征提取与分析 |
| 4.3 基于信号频域的特征提取与分析 |
| 4.4 基于信号形态的特征提取与分析 |
| 4.5 训练数据库及验证数据库的建立 |
| 4.5.1 训练数据库的建立 |
| 4.5.2 验证数据库的建立 |
| 4.6 小结 |
| 5 缺陷的定量评估 |
| 5.1 引言 |
| 5.2 BP神经网络的结构设计 |
| 5.3 BP神经网络的训练 |
| 5.4 BP神经网络的性能预测 |
| 5.4.1 误差参数 |
| 5.4.2 单缺陷反演的预测分析 |
| 5.4.3 多缺陷反演的预测分析 |
| 5.5 不同位置多源数据的融合 |
| 5.5.1 D-S证据理论 |
| 5.5.2 不同信息源融合的缺陷反演 |
| 5.6 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）数字图像相关方法在特殊应用场景中的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 数字图像相关方法的起源与发展 |
| 1.2 数字图像相关方法的基本原理及概念 |
| 1.2.1 试件准备和实验装置 |
| 1.2.2 二维数字图像相关方法的原理 |
| 1.2.3 三维数字图像相关方法的原理 |
| 1.3 数字图像相关方法的应用及挑战 |
| 1.4 研究内容和章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 1.5 本章小节 |
| 第2章 基于十字型结构光的离面运动和非垂直安装的误差补偿方法 |
| 2.1 工程背景及研究现状 |
| 2.2 误差模型 |
| 2.2.1 试件离面平移产生误差的模型 |
| 2.2.2 试件离面旋转产生误差的模型 |
| 2.2.3 统一的误差模型 |
| 2.3 基于十字型结构光的误差补偿方法 |
| 2.3.1 结构光测量原理 |
| 2.3.2 利用彩色相机不同通道信息进行误差补偿 |
| 2.3.3 结构光平面参数和相机的联合标定 |
| 2.4 实验验证与分析 |
| 2.4.1 仿真实验 |
| 2.4.2 骨头棒型聚丙烯塑料拉伸实验 |
| 2.5 本章小节 |
| 第3章 基于旋转不变特征的大帧间旋转变形物体的DIC测量 |
| 3.1 工程背景及研究现状 |
| 3.2 基于圆环投影变换特征和方向码特征的旋转DIC算法 |
| 3.2.1 圆形窗口 |
| 3.2.2 基于圆环投影变换特征的粗匹配 |
| 3.2.3 基于方向码特征的精匹配 |
| 3.3 基于局部圆环模式特征和小波金字塔的旋转DIC快速算法 |
| 3.3.1 基于小波金字塔的分层搜索 |
| 3.3.2 基于局部圆环模式特征的图像匹配 |
| 3.4 实验验证与分析 |
| 3.4.1 仿真实验验证 |
| 3.4.2 实际实验验证 |
| 3.5 本章小节 |
| 第4章 基于彩色散斑的大帧间缩放变形物体的DIC测量 |
| 4.1 工程背景及研究现状 |
| 4.2 基于颜色信息特征的整像素匹配 |
| 4.2.1 基于颜色直方图特征的整像素匹配 |
| 4.2.2 基于反向检索策略的快速搜索方法 |
| 4.3 基于颜色信息特征的亚像素匹配 |
| 4.3.1 光度学分析 |
| 4.3.2 基于颜色三通道信息的相关函数 |
| 4.4 实验验证与分析 |
| 4.4.1 仿真实验验证 |
| 4.4.2 双目三维DIC拉伸实验 |
| 4.5 本章小节 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 工作创新点 |
| 5.3 待研究内容及展望 |
| 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 |
（7）计算机网络技术在农产品资源整合分析路径中的应用——评《计算机信息技术》（论文提纲范文）
| 一、内容丰富，结构合理 |
| 二、论述全面，构思新颖 |
| 三、突出应用，强化实践 |
（8）虚拟网络技术在计算机网络安全中的应用价值探析（论文提纲范文）
| 一、计算机虚拟网络安全防护系统 |
| 1.1系统框架 |
| 1.2数据采集与存储模块 |
| 1.3安全防护模块 |
| 二、仿真实验 |
| 2.1实验准备 |
| 2.2实验结果对比 |
| 三、结束语 |
（9）面向一维时序信号的二值化网络系统设计（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 论文主要研究内容 |
| 1.3 论文结构安排 |
| 第二章 相关理论基础与技术原理 |
| 2.1 一维时序信号场景的研究现状 |
| 2.1.1 音频检测技术 |
| 2.1.2 光网络故障预测 |
| 2.2 深度学习算法 |
| 2.3 深度学习网络压缩技术 |
| 2.3.1 网络模型的压缩技术 |
| 2.3.2 二值化网络技术原理 |
| 2.4 二值化网络的FPGA实现 |
| 2.5 本章小结 |
| 第三章 基于音频事件检测的二值化网络系统设计 |
| 3.1 音频数据预处理及特征提取 |
| 3.2 深度学习网络模型搭建 |
| 3.2.1 系统评价指标 |
| 3.2.2 卷积神经网络模型搭建 |
| 3.2.3 深度神经网络模型搭建 |
| 3.3 二值化网络模型设计及实验结果分析 |
| 3.3.1 卷积神经网络的二值化网络模型设计 |
| 3.3.2 深度神经网络的二值化网络模型设计 |
| 3.3.3 二值化前后网络模型的实验结果及对比 |
| 3.4 本章小结 |
| 第四章 基于光网络故障预测的二值化网络系统设计 |
| 4.1 光网络数据的预处理 |
| 4.2 深度神经网络模型搭建 |
| 4.3 二值化网络系统设计及实验结果分析 |
| 4.3.1 二值化网络模型设计 |
| 4.3.2 二值化前后网络模型的实验结果及对比 |
| 4.4 深度神经网络二值化前后FPGA理论计算资源占用情况 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文主要工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）语音对抗攻击技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 主要内容 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 相关理论和技术 |
| 2.1 对抗样本 |
| 2.1.1 对抗样本概览 |
| 2.1.2 对抗样本应用 |
| 2.2 对抗贴纸 |
| 2.2.1 对抗贴纸定义 |
| 2.2.2 对抗贴纸发展 |
| 2.3 Deep Speech语音识别模型 |
| 2.3.1 循环神经网络RNN |
| 2.3.2 CTC loss |
| 2.4 心理声学模型 |
| 2.4.1 掩蔽阈值 |
| 2.4.2 损失函数 |
| 2.5 本章小结 |
| 第三章 高效白盒语音对抗攻击研究 |
| 3.1 白盒语音对抗攻击概述 |
| 3.2 FTA语音对抗攻击算法 |
| 3.2.1 理论分析 |
| 3.2.2 FTA语音对抗攻击算法 |
| 3.2.3 实现细节 |
| 3.3 实验和结果 |
| 3.3.1 实验数据 |
| 3.3.2 评估标准 |
| 3.3.3 实验环境 |
| 3.3.4 实验设计 |
| 3.3.5 结果分析 |
| 3.4 讨论与分析 |
| 3.4.1 语音相似度损失 |
| 3.4.2 心理声学模型 |
| 3.5 本章小结 |
| 第四章 基于时间依赖性的鲁棒白盒语音对抗攻击研究 |
| 4.1 CPFTA语音对抗攻击算法 |
| 4.1.1 理论分析 |
| 4.1.2 CPFTA语音对抗攻击算法 |
| 4.1.3 实现细节 |
| 4.2 实验和结果 |
| 4.2.1 实验数据 |
| 4.2.2 评估标准 |
| 4.2.3 实验环境 |
| 4.2.4 实验设计 |
| 4.2.5 结果分析 |
| 4.3 讨论和分析 |
| 4.4 本章小结 |
| 第五章 基于梯度估计的黑盒语音对抗攻击研究 |
| 5.1 黑盒语音对抗攻击概述 |
| 5.2 NESA-FTA黑盒语音对抗攻击算法 |
| 5.2.1 NESA梯度估计算法 |
| 5.2.2 NESA-FTA黑盒语音对抗攻击算法 |
| 5.3 实验和结果 |
| 5.3.1 实验数据 |
| 5.3.2 评估标准 |
| 5.3.3 实验环境 |
| 5.3.4 实验结果 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文工作总结 |
| 6.2 进一步工作方向 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、网络技术在《计算机原理》实验中的应用（论文参考文献）
- [1]虚拟网络技术在计算机网络安全中的应用[J]. 何琼. 信息与电脑(理论版), 2021(11)
- [2]复杂交通场景下车道线检测算法研究[D]. 管晓伟. 大连理工大学, 2021(01)
- [3]基于深度学习的遥感图像无锚框检测技术研究[D]. 宋柯. 北京邮电大学, 2021(01)
- [4]基于群智能算法与机器学习的预测与分类研究[D]. 续婷. 中北大学, 2021(01)
- [5]基于BP神经网络的超声定量评估技术研究[D]. 李兴龙. 北京交通大学, 2021(02)
- [6]数字图像相关方法在特殊应用场景中的关键技术研究[D]. 汪连坡. 中国科学技术大学, 2021(06)
- [7]计算机网络技术在农产品资源整合分析路径中的应用——评《计算机信息技术》[J]. 王仕勋. 热带作物学报, 2020(10)
- [8]虚拟网络技术在计算机网络安全中的应用价值探析[J]. 童瀛,周宇,姚焕章,梁剑. 中国新通信, 2020(20)
- [9]面向一维时序信号的二值化网络系统设计[D]. 宋佳楠. 北京邮电大学, 2020(04)
- [10]语音对抗攻击技术研究[D]. 康帅. 西安电子科技大学, 2020(05)