一、蓝牙协议测试集的自动生成技术（论文文献综述）
武立群[1]（2021）在《人体反应速度测试系统的设计》文中研究表明随着中国国民体质第五次检测全面推进,人体反应速度检测也被越来越重视,目前该检测也在各类运动员选拔甚至飞行员的选拔恢复训练中占据着一席之地。而市面上可以实现大众检测的反应测试系统仪器的测试参数较少,无法在同一测试系统中完成相关的反应速度训练、选拔功能甚至是后续的检测分析功能。针对目前人体反应速度检测系统存在的问题,本文研究了一种人体反应速度检测系统,并对后续测试情况进行了合理的数据分析功能。本文的主要研究成果如下:1.将人体与控制系统相结合,提出了人体控制系统二阶单位阶跃函数数学模型,利用人体对函数信号的响应来衡量人体反应速度,将控制系统中的上升时间峰值时间等衡量系统性能的参数作为衡量人体反应速度的指标,多角度全面的体现了人体的反应速度。2.设计了硬件电路,选取了STM32F103C8T6单片机作为主控芯片设计了电路并完成了PCB制板,选取了PS2双轴摇杆作为测量操控的工具,采用蓝牙HC-06模块进行便携式的近距离传输,完成了整体硬件系统的搭建,解决了市面上仪器价格高昂的问题。3.在软件设计方面,利用C语言完成硬件电路与上位机的串口通讯功能,利用G语言完成了相关数学模型的搭建,测试了包括有延时反应时间、稳定反应时间、过冲反应时间、过冲值四个参数,并进行了测试功能的难度选择,实现了测试功能与数据保存,软件设计是本论文的重点内容,解决了人体反应速度的检测和特殊人群的筛选和反应速度训练功能。4.算法上以K均值聚类结合极限学习机分类系统和K均值聚类结合支持向量机的半监督学习分类系统对所采集的数据进行了聚类分析,对比了两者的分类准确率,得出后者适用于本系统数据分析,其算法准确率达95%以上。5.测定了本校部分20-29岁学生的反应速度,实现了预期测试筛选和训练功能,得出了随着年龄的增加反应速度下降,同龄情况下男生的反应速度要优于女生,训练后人员的反应速度显着提升的结论,证明这个模型是有效的。
周葛[2]（2021）在《用于心律失常自动诊断的动态心电监测系统的研究》文中研究指明心律失常是指心跳的频率或节律出现异常,严重的心律失常可危及生命。心电图（Electrocardiogram,ECG）是一种记录心脏每个心动周期产生的电活动变化图形的技术。临床上医生能根据病人的ECG图形并结合相关病史和临床表现而得出心律失常的诊断。但异常ECG或许是偶然出现,人工分析不仅费时费力并难免带入主观片面性,且先记录后分析诊断模式多耗时较长也难以应对突发风险。随着技术的发展,在心电采集领域和心律失常分类算法领域,国内外的研究取得了不错的进展。然而,将“心电采集+心电诊断+远程管理”一体化研究的比较少。因此,研究适用于个人、家庭、社区以及医院的使用方便且具有心律失常自动诊断和远程数据管理功能的动态心电监测系统非常有意义。一方面可以帮助用户预防突发风险,另一方面能帮助有效的节约医疗资源。本文主要研究用于心律失常自动诊断的动态心电监测系统,主要内容如下:1、设计开发了动态心电数据采集器。该采集器以STM32F405RG为核心,采用24位集成模拟前端ADS1291设计信号调理模块,可实时获取使用者的心电信号,将其以无线方式传输至心电监测客户端,或保存至TF存储卡中。该采集器具有低功耗、小型化及可穿戴的技术特点。2、设计开发了心电监测客户端软件和心电数据远程记录管理系统。心电监测客户端软件基于Python的Py QT5界面库开发,具有心电预处理、心律失常诊断、可视化等功能和部署灵活的特点。心电数据远程记录管理系统在Django框架下开发,提供RESTful接口上传客户端数据,并设计了数据管理web后台。3、研究了基于深度神经网络的实时心律失常诊断方法。首先设计实时QRS波群检测的前向反馈神经网络模型,通过R波位置提取到ECG时域特征,以此构建用于实时心律失常诊断的一维卷积神经网络模型。最后利用MIT-BIH心律失常数据库对模型进行训练并对诊断算法进行了测试。结果表明,该算法对于跨病人的QRS波群位置检测查全率为98.0%、查准率为99.5%以及整体正确率为97.6%,对于5分类的心律失常检测正确率为91.5%。论文最后对本研究的动态心电监测系统的功能进行了验证,结果表明,本文研究的用于心律失常自动诊断的动态心电监测系统,具有心电实时采集、无线传输、实时QRS波群检测以及远程心电数据管理的功能,满足设计要求。
兰星[3]（2021）在《小型智能家居系统研究与设计》文中认为随着信息技术的快速发展与人们对美好生活的不断追求,智能家居产品越来越受到大众的青睐。目前智能家居存在两方面的突出问题:一是其标准尚未统一,导致智能家居设备之间难以互联互通;二是大量智能家居设备存在安全漏洞,容易遭到攻击,造成隐私泄露甚至影响社会稳定。针对这些问题,国内外研究者提出了一些解决方案,但还存在一些不足。因此,研究智能家居系统的兼容性和安全性十分有必要并且具有重要意义。本文主要研究内容如下:（1）研究了智能家居系统的兼容性。由于不同类型智能家居设备的通信协议不同,智能家居系统集中管控较难。本文分析智能家居的特点、体系结构及通信技术,提出了小型智能家居系统框架,基于开源软件Home Assistant搭建小型智能家居系统,实现了家居设备接入模块、第三方资源接入模块、设备控制模块、数据管理模块四个主要功能模块。（2）研究了智能家居的安全性。分析智能家居在感知层、传输层及应用层的安全威胁,描述智能家居面临的中间人攻击、拒绝服务攻击和恶意软件攻击,提出了智能家居系统安全模型。通过分析小型智能家居系统的安全需求,将主动安全防御和被动安全防御机制相结合,提出小型智能家居系统安全框架,设计了身份认证、加密传输、访问控制和入侵检测的安全机制,提升了小型智能家居系统的安全性。（3）重点研究了小型智能家居系统中的入侵检测机制。首先分析智能家居流量特征,提出了分层的智能家居入侵检测模型,设计了各层的功能模块。在入侵检测层,将机器学习算法中的随机森林和Light GBM相结合,提出了双层特征选择算法。该算法通过特征重要性进行特征选择,可以提升入侵检测模型分类器性能。最后将Light GBM作为入侵检测模型的分类器,对智能家居流量进行分类,实现攻击流量识别。对小型智能家居系统进行了兼容性和安全性测试。在兼容性方面:该系统能较好接入、管控部分智能家居设备。在安全性方面:该系统具有身份认证、加密传输、访问控制功能,提供了被动安全防护能力。此外,对小型智能家居系统的入侵检测模型进行了仿真测试,实验数据表明该模型能够对正常流量和恶意流量进行区分,具有较高的准确率和较低的漏报率,并能识别不同类型的攻击。
李龙基[4]（2021）在《面向家庭服务的智能健康监护系统设计与实现》文中进行了进一步梳理近年来,我国老龄化程度日益加剧,人民生活压力逐渐增大,导致慢性病患病率不断提升,患病者基数不断扩大,而我国的医疗资源相对匮乏,且分配不均,使得很多患者无法得到及时、有效地治疗,以心血管疾病为代表的慢性病已成为危害国民健康的一大杀手,引起了社会的高度重视。如今随着物联网、可穿戴、网络通信与人工智能技术的快速发展,为家庭监护与远程医疗这种新兴健康医疗监护模式带来了契机。因此开发一套易于使用、检测全面、可长期监护的家庭健康监护系统对预防和治疗心血管疾病具有着重要意义。本文的具体工作与研究内容如下:（1）对国内外远程医疗、家庭监护技术进行了详细的分析。对比当前具有代表性的家庭监护系统的优点与不足,凭借着我校医工结合的优势,利用本实验室多节点可穿戴健康监护设备,确定家庭服务式医疗监护系统的需求,并提出系统的总体设计方案,完成系统开发平台的搭建。（2）设计并实现了基于Tornado与Web Socketd的异步非阻塞Web服务平台。采用MVVM模式进行前后端分离开发,利用Boot Strap框架进行前端UI设计,通过Echarts图标库进行数据可视化;通过构建系统用例图、动态时序图、静态类图完成家庭监护、远程诊断、系统管理三个模块的设计。按照系统设计进行系统软件流程图的构建以及代码的编写。（3）开发一款智能多模网关设备,专门用来实现穿戴设备多节点数据的蓝牙接收汇聚与无线网络传输。该网关一方面作为蓝牙主机,可以发现并连接多个生理信号采集节点,进行多生理信号参数的汇聚功能;另一方面作为TCP客户端可以向云端服务器发起连接请求,通过Wi Fi将生理数据传输到云端服务器进行分析与存储。（4）进行系统的整体测试,验证系统的功能与性能,确保系统可以为居家用户提供长期有效地健康监护服务,并将最终工程部署到阿里云服务器,开启服务。凭借该系统,用户无需昂贵的医疗设备,也不必亲身前往医院就医,只需在舒适的家庭环境中,便可以随时进行心电与体温等健康参数的实时监测,完成常规心电图与健康综合指标检测并获得全面的检测报告,自动生成心率、HRV时频域特征参数与心率失常分类结果,评估心脏健康状况,建立个人医疗档案。
汪哲宇[5]（2021）在《数字化慢病管理系统的研究与实践》文中提出为了应对以长期性、非传染性与难治愈性为主要特征的慢性疾病的复杂护理需求,“慢病管理”——一种以患者为中心的新型卫生服务模式——自上世纪八十年代开始逐渐涌现并不断发展。协同护理是慢病管理区别于传统卫生服务模式的关键要素,其目标是为患者提供有组织性的协同化医疗服务。以移动健康和人工智能为代表的信息技术能够提升慢病管理的协同效率,帮助患者与护理提供者之间形成完整的闭环反馈,将循证知识与健康数据中蕴含的信息集成到管理过程之中,推动慢病管理逐渐从传统方式向全面的数字化方式过渡。虽然以慢性病照护模型为代表的慢病管理理论模型已经发展得较为成熟,且其有效性已经在多个国家得到了验证,但在当前我国的慢病管理实践中,仍然存在着一系列的关键问题,导致以协同护理为核心的数字化慢病管理技术尚未得到有效应用。同时,数字化慢病管理领域的相关实施性研究也存在着一定的局限性。针对这些关键问题,本论文系统性地研究了如何在我国的医疗场景下形成以协同护理为特征的数字化慢病管理关键方法,具体内容包括:（1）数字化慢病协同管理模型的构建与表达方法研究。针对我国慢病管理实践存在的管理角色分工不明确、缺乏数字化全流程决策支持等问题,使用路径的方式对通用性慢病管理方法进行明确可执行的表示,通过对高血压、糖尿病与慢阻肺三类常见慢病国内外指南的分析与归纳,提炼出了包含九类共通任务的通用性管理路径,并对数字化场景下各病种的具体路径进行了明确。在此基础上,面向我国管理模式构建了路径驱动的数字化协同管理模型,并通过本体对模型中包含的结构化知识与具体路径中的医学决策知识进行了表达。（2）数字化背景下面向患者依从性增强的个性化管理方法研究。针对患者自我管理依从性问题与相关个性化管理研究的局限性,一方面,从移动健康应用的个性化需求分析入手,基于目标导向型设计方法中的用户建模过程,结合相关健康行为理论,提炼了面向患者自我管理依从性提升的用户模型,结合问卷与访谈结果识别出了三类患者虚拟角色与其对应的个性化需求。另一方面,从人工智能技术的管理实践入手,基于本体与多种自然语言处理技术实现了一种根据患者特征为其推荐相关文章的个性化健康教育方法;基于强化学习技术实现了一种在虚拟管理环境中根据患者与管理师状态给出干预建议的个性化管理策略生成方法。（3）数字化慢病闭环管理系统的设计与实现。针对我国慢病管理信息化实践中存在的缺乏理论指导以及多病种集成性较低等问题,基于所构建的模型与个性化管理方法,设计并实现了包含智能服务引擎与客户端两大组件的数字化慢病闭环管理系统。智能服务引擎以通用性慢病管理路径本体为核心,能够通过多种类型的接口为系统提供数据存储与全场景决策支持服务;客户端中的医生工作平台基于共通性路径任务设计,能够辅助不同角色的医护人员执行具有时序性与闭环性的协同式管理;客户端中的患者移动终端基于所提炼的个性化需求与行为改变轮设计,能够为患者提供全方位的自我管理支持,并在一定程度上改善患者依从性。所实现系统目前已在我国多个地区进行了实际的部署与应用。（4）面向数字化慢病管理的评价体系构建与实践。针对数字化场景下管理系统评价方面存在的局限性,基于面向远程医疗的综合评估模型,提炼了包含评价角色、评价重点与评价角度三个维度的面向个体层面的数字化慢病管理评估模型,并依据该模型对所实现系统进行了不同证据水平的实践评价,包括基于系统真实数据的回顾性评价、面向慢阻肺患者的前后对比试验与面向高血压患者的随机对照试验。评价结果表明,当前系统能够帮助医护人员与患者共同合作,开展医患之间高效互动的闭环式协同管理,并在一定程度上改善患者的疾病控制情况、日常生活质量与疾病认知水平。总的来看,本论文所提出的路径驱动的数字化慢病管理系统能够在一定程度上解决我国慢病管理实践与慢病管理领域相关研究中存在的多种问题,为数字化慢病管理在我国的推广与应用提供了理论指导与实践验证。
李颖杰[6]（2021）在《基于物联网的智慧教室数据分析控制系统研究与实践》文中指出现如今物联网的发展速度已经超出了人们的想象,万物互联已经是大势所趋,人们身边已经充斥着各种各样的物联网应用成果,家中有智能家居,农业有农业物联网,工业有工业物联网,汽车有车联网,学校中有教育信息化。针对高校而言,物联网的发展给学校带来了新的提升教育信息化水平、减少能源浪费的机会。论文以此为背景,设计了一个基于物联网的云数据采集分析控制系统,通过在教室安装智能设备（如日光灯、空调、投影等）,以及多种传感器（温度、湿度、光、二氧化碳、PM2.5）,通过网络远程实时采集多个环境参数,以及记录室内的环境变化情况以及电器的使用情况,并在后期进行机器学习,使用机器学习的结果对教室进行智能控制,实现提高教室利用率,减少资源能源浪费。该系统包括数据采集设备控制节点、云服务器、数据分析设备控制云平台。数据采集节点使用蓝牙组网的模式,将各个传感器以及智能设备通过蓝牙组网的方式连接在一起,单片机Arduino Nano通过JDY-10M蓝牙模块读取各个传感器的数据以及设备的使用情况,利用Wi-Fi无线通讯的方式实现数据整合上传,以及接收数据分析设备控制云平台的控制指令对设备进行控制;云服务器部分,使用树莓派4B搭建运行环境,通过端口映射的方式建立与数据采集节点的连接,对采集到的数据进行存储与管理;云平台部分,利用Django框架以及Tensorflow框架搭建数据分析设备控制云平台,Django框架用来搭建友好的人机交互页面,方便对云服务器的数据进行存储与管理以及控制,Tensorflow机器学习框架用来对存储的数据搭建机器学习模型进行机器学习,用来对未来一周的教室设备使用情况进行预测分析,通过Django框架进行绘图展示,最后将学习好的模型进行部署,用来控制教室的设备,实现提升教育信息化、减少能源浪费的目的。最后通过测试云服务器、数据分析设备控制云平台与数据采集设备控制节点的通信,以及搭建机器学习模型对设备使用情况进行预测,并以此为基准进行设备控制。实验结果表明,该系统具有良好的远程访问和控制功能,并且搭建的机器学习模型可以有效的对设备使用情况进行预测,达到了一定程度上减少教室能源浪费以及提升教育信息化的目标。
王昭宁[7]（2020）在《移动网络中面向终端用户的服务生成关键技术研究》文中研究说明随着科技的进步,无线网络技术和移动互联网产业快速发展,诸如智能手机、平板电脑、移动穿戴等移动智能设备功能在也变得更加强大,基于移动设备的丰富功能服务和移动网络中种类繁多的Web服务,开发人员创造出了大量的移动应用,使得移动技术愈发融入人们的日常生活,同时激发了用户对于移动应用和服务更加个性化和多样化的需求。传统的移动应用由专业的开发人员在编程的环境中进行开发,他们对用户的需求进行调研和分析,并根据需求针对特定的系统平台设计和实现相应的移动应用。这样的开发过程流程复杂周期冗长,不利于移动应用的跨平台适配,难以满足用户个性化的需求。为了解决以上的问题,本论文在面向服务架构的基础上,研究并提出了面向终端用户的服务生成的关键技术,一方面让终端用户利用跨平台图形化的应用开发环境,根据自己的需求基于组件化的应用生成模型独立开发移动应用,同时研究了 QoS感知自动化的服务组合技术,以用户需求为驱动实现在移动网络中自动化地服务供给,并提出了优化算法。论文的主要的工作和贡献包含了以下三个方面:1)面向终端用户的基于组件的跨平台移动应用生成模型研究。针对面向终端用户服务生成中移动应用开发的问题,提出了一个组件化的跨平台移动应用生成模型。在应用生成模型中,定义了一个服务组件模型和组件插件模型,基于事件驱动的组件聚合方法跨平台构建的移动应用。基于应用生成模型实现的EasyApp系统,为终端用户提供了一个图形化开发移动应用的编辑器和一系列可用于应用开发的Web组件库,能够快速构建跨平台的移动应用。最后演示了应用开发过程,对开发环境在终端用户中的可用性进行了评估,相比对比系统,终端用户使用EasyApp的开发应用的时间减少了约18%。2)QoS感知的自动化服务组合研究。针对移动网络中Web服务供给的问题,研究了 QoS感知的自动化服务组合问题并且提出了两方面的优化方案。一方面研究了自动规划技术中的图规划算法和启发式搜索算法,并使用了自动规划模型,将图规划与启发式搜索相结合,提出了 Q-Graphplan算法,求解QoS感知的自动化服务组合问题。用标准测试集对算法性能进行了测试,并同经典的图规划服务组合算法进行了比较分析,实验结果表明Q-Graphplan减少了约77%冗余服务,平均组合时间降低了约24%。另一方面,为了解决服务组合优化问题中需要考虑的大量的QoS属性的问题,提出了一种多QoS优化目标的服务组合的MaSC算法,它借助了一个全新的时态模型,把待解决的服务组合复杂问题分解成为若干个简单的子问题,并且采用了 一个多目标的演化过程搜索近似最优的组合服务集合。采用标准测试集对算法性能进行了测试,并同现有的算法进行了比较分析,MaSC算法求得的服务组合解与最优的偏差减少了约28%,而平均组合时间降低了约73%。3)移动动态网络中的实时服务组合研究。针对在动态的移动网络环境中的服务供给问题,重点关注了在移动自组织网络中服务发现与实时组合的问题。移动自组织网络环境具有缺少中心管理节点、服务主机持续移动等特点,于是将移动服务组合问题建模为实时规划问题,并提出RTASC算法动态地构建移动网络中的服务流程并实时执行。RTASC可分为服务发现和服务执行两个步骤,在服务发现阶段,RTASC采用了去中心化的启发式的服务发现机制,在分散的服务主机节点中发现当前可用的移动服务,并根据服务的依赖关系反向构建启发式覆盖网络。在服务执行阶段,RTASC采用了一种带有前向探测的边规划边执行的策略,实时的规划和执行组合服务。在模拟环境下测试了算法性能,并和现有的同类算法进行了比较分析,结果表明RTASC的组合时间降低了约20%,组合失败率降低了约35%。
肖钢[8]（2020）在《基于物联网与极限学习机的大坝安全在线监测与预测分析研究》文中研究说明近些年来,由于水库大坝坝体规模的不断扩大以及坝体结构的日益复杂,如何保证大坝运行期间的安全成为越来越受关注的话题之一。有效的监测手段和可靠的数据分析方法作为大坝安全防护最有效的两大手段,共同发挥着巨大的作用。论文从大坝监测和大坝变形预测两方面入手,结合信息化手段研究新时代背景下大坝安全防护方法。大坝监测方面,传统方法依靠人工的方式完成一些简单的监测,不仅耗费了大量的人力物力,同时也出现了监测效率不高、监测效果欠佳的问题。近十年来,物联网技术与无线通信技术越来越成熟,采用物联网实现大坝安全监测已成为一种新手段。大坝变形预测方面,由于大坝变形受多种因素的影响,并且变形过程存在随机性与高度非线性,传统的预测模型难以适应,随着计算机硬件水平的不断提高,基于有限样本下的机器学习方法在变形预测方面取得了越来越好的效果。因此,论文基于物联网与极限学习机实现大坝安全的在线监测与预测分析,主要研究内容如下。1)大坝安全数据采集方法研究。借助物联网技术实现大坝数据采集,整个采集方案分三层。感知层以小型模块化的传感器作为数据采集单元,完成数据的获取;传输层以DTU设备作为现场数据传输中心,实现数据的远程交互;应用层又称用户层,负责可视化交互。2)优化极限学习机实现高精度的大坝变形预测。以极限学习机（ELM）为初始模型,并逐步优化其性能。针对极限学习机随机给定隐含层参数导致的不稳定性问题,采用核函数映射取代随机映射;针对单核极限学习机（KELM）存在局部核学习能力强但泛化性能弱,全局核泛化性能强但泛化性能弱的不足,构建一种由多项式核的全局核与高斯RBF核的局部核组合的PGKELM模型;为解决PGKELM模型的寻优问题,引入蝙蝠算法寻参,提出BAPGKELM模型;由于蝙蝠算法训练时间长且易陷入局部最优解,采用既可增强局部搜索,同时又具备跳出局部最优能力的莱维飞行优化改进,提出最终的LBAPGKELM模型。3)设计并实现大坝安全在线监测与分析系统。为提高系统的灵活性,将系统分为数据采集服务和远程监测平台两个子系统。数据采集服务使用Socket套接字进行通信,首先基于Socket设计一个通用的远程通信库,然后在此基础进行二次开发实现大坝数据采集服务。远程监测平台发布为一个web网站,借助Asp.net平台实现可视化的用户交互功能。4)以利山水库为工程实例,说明大坝变形监测的实际过程并证明大坝安全在线监测与分析系统的可行性,同时使用采集的数据验证LBAPGKELM模型的优越性。通过工程应用可知,论文设计的数据采集方案具有切实的可行性,满足大坝监测过程的数据采集、数据传输等一系列要求,以此为基础开发的监测系统扩展性强,不仅可以方便的扩展新的采集设备,同时可在不修改逻辑代码的前提下将系统应用于不同的领域。由实测数据验证可知,基于莱维飞行优化的LBA算法改善了BA算法训练时间长、易陷入局部最优的缺陷,对比单核KELM,基于混合核的KELM实现了对LBASVM算法的反超,说明论文提出的LBAPGKELM模型能够有效提高大坝变形预测的精度。
郑荣焘[9]（2020）在《基于Android平台的电机远程监测与故障诊断系统》文中研究指明工控电机的实时监测与故障诊断的研究具有巨大的经济意义。目前,电机监测一般是由工作人员在中控室使用PC端完成的,这在一定程度上限制了监测的方式与地域。物联网技术发展和智能手机的广泛应用为电机的监测方式提供了新的思路。本文充分发挥物联网技术、云计算技术和5G网络的优势,设计并实现了基于Android平台的电机远程监测与故障诊断系统,具体内容如下:（1）参照物联网的结构,远程监测系统由感知层、传输层和应用层组成。其中,感知层负责采集电机运行的状态数据,并按照特定格式保存数据。传输层负责电机运行数据的传输与保存,一方面将感知层的电机运行数据传输到服务器并保存在数据库中,另一方面监听并响应客户端的数据请求,在收到指令后,将相应的数据发送到客户端;应用层为Android设备,负责与服务器的数据交互,并显示电机的运行状态。系统的各个部分协同工作,实现了远程、实时监测电机的运行状态。（2）为丰富电机监测的方式,使用蓝牙技术建立基于蓝牙通信的电机本地监测系统。其中,系统使用蓝牙模块完成电机与Android设备之间的数据传输,并根据电机各个运行参数的特性,在移动设备上使用不同的自定义控件显示电机的运行状态。（3）使用支持向量机作为电机故障诊断的方法。在比较多种参数寻优算法后,确定遗传算法作为模型参数的寻优算法。通过比较基于遗传算法的支持向量机（GA-SVM）、概率神经网络、基于Kohenen网络的聚类算法和K最邻近分类算法的故障诊断结果,系统使用具有良好的泛化能力、能保证高准确率和短的检测时间的GA-SVM模型进行故障诊断,并在Android平台上完成了遗传算法和支持向量机模型的布置,实现了在Android平台上使用GA-SVM对电机进行故障诊断。通过多组试验检验系统的各项功能,试验结果表明:该系统能通过Android平台对电机进行实时的远程监测与本地监测及有效的故障诊断。
王政皓[10]（2020）在《基于ZigBee技术的亚洲玉米螟监测系统研究》文中提出玉米是我国重要粮食产物之一,其产量占全国粮食总产量的22%左右,近年来我国粮食加工产业和畜牧业发展较为迅速,加大了玉米的需求量,致使玉米种植备面积逐渐扩大,但其种植环境的好坏多采用人工判别或者利用测试仪器现场测量的方式,缺少自动化远程监测手段;农作物产生病虫害将直接影响农作物的质量和产量,而在我国随着玉米种植面积不断扩大,亚洲玉米螟已成为危害玉米增产的主要因素,据了解,我国已有11个省份种植的玉米出现了玉米螟危害现象,致使玉米产量大幅度降低,最高产量降低幅度达到了51.6%,最低减产幅度为17.5%,但现阶段缺少专门预测亚洲玉米螟灾害发生程度的远程监测系统,以实现对虫害的预警和防治。针对以上不足之处,本文设计了可以实现玉米种植环境远程监测和对亚洲玉米螟发生程度进行预测的亚洲玉米螟监测系统。本系统由玉米田间数据采集终端、亚洲玉米螟预测模型和上位机监测软件构成,其中玉米田间数据采集终端通过风向传感器、风速传感器、土壤温湿度传感器、光照温湿度传感器、雨量器、摄像头模块和CO2传感器采集玉米种植环境中的气象信息,利用Zig Bee模块将终端各个子节点的数据汇集到终端的主要节点,最后通过4G通讯模块将数据传输至上位机监测软件;根据田间采集的数据和玉米虫株率等信息,利用Python语言构建了亚洲玉米螟预测模型,实现对亚洲玉米螟发生程度的预测;使用上位机监测软件实时显示采集的数据,并将数据处理后导入建立的亚洲玉米螟预测模型,可较为准确的预测出亚洲玉米螟的虫株率,实现了对玉米生长环境数据的远程监测和亚洲玉米螟虫灾的预测预警。为测试本系统的准确性和可靠性,分别进行了实验室测试和田间试验,实验室测试结果表明:除了雨量器采用人工观测式雨量器测量,致使传感器得出的监测精度较低以外,其余各个传感器的监测精度基本都在96%以上,满足系统测量精度的需求;4G通讯模块通讯稳定,传输数据准确可靠;8个Zig Bee模块可以实现自组网,且传输数据准确,通讯质量稳定。田间试验结果表明:玉米田间数据采集终端各个节点的传感器监测精度在96%以上,本文设计的玉米田间数据采集终端可以满足系统采集玉米种植地各种数据的要求,符合系统设计的需要;玉米田间数据采集终端各个节点采集的传感器数据可以准确完整的传输至上位机监测软件,且建立的亚洲玉米螟预测模型其最低预测精度在84%以上,预测结果较为准确。本文利用物联网技术和上位机软件实现了对玉米种植环境的远程监测和亚洲玉米螟发生程度的预测,并可以通过上位机软件和手机短信对发生亚洲玉米螟灾害的区域进行预警,为亚洲玉米螟虫灾的防治提供了一个切实有效的解决方案。
二、蓝牙协议测试集的自动生成技术（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、蓝牙协议测试集的自动生成技术（论文提纲范文）
（1）人体反应速度测试系统的设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 选题背景和研究意义 |
| 1.1.1 选题背景和意义 |
| 1.1.2 反应时及仪器的国内外研究现状 |
| 1.1.3 控制系统性能理论背景 |
| 1.1.4 课题的提出 |
| 1.2 论文的研究内容和章节安排 |
| 1.3 本章小结 |
| 第二章 系统概述和相关性原理 |
| 2.1 总体设计方案 |
| 2.2 测试参数的选取与设定 |
| 2.3 本章小结 |
| 第三章 人体反应速度测试系统的硬件电路设计 |
| 3.1 硬件的选型 |
| 3.1.1 主控芯片的选择 |
| 3.1.2 无线通信模式的选择与配置 |
| 3.2 整体硬件电路的设计 |
| 3.2.1 STM32F103C8T6 控制器核心电路 |
| 3.2.2 蓝牙HC-06 模块电路 |
| 3.2.3 摇杆的选择 |
| 3.2.4 STM32F103C8T6 控制器核心电路的PCB设计和实物图 |
| 3.3 本章小结 |
| 第四章 人体反应时测试系统软件设计 |
| 4.1 软件开发和系统总体结构 |
| 4.1.1 软件开发环境 |
| 4.1.2 系统的总体结构 |
| 4.2 各部分子程序 |
| 4.2.1 用户任务程序 |
| 4.2.2 定时器程序 |
| 4.2.3 采AD值程序 |
| 4.2.4 串口通信协议 |
| 4.3 人机交互界面设计 |
| 4.3.1 Lab VIEW及其相关介绍 |
| 4.3.2 软件系统总体设计方案 |
| 4.3.3 上位机主界面、登录模块 |
| 4.3.4 上位机串口设计模块 |
| 4.3.5 数据设计模块 |
| 4.4 本章小结 |
| 第五章 数据采集 |
| 5.1 系统调试 |
| 5.2 数据测试标准 |
| 5.3 测试数据 |
| 5.4 本章小结 |
| 第六章 数据的处理与分析 |
| 6.1 聚类算法 |
| 6.2 极限学习机算法 |
| 6.3 支持向量机算法 |
| 6.4 程序设计与实现 |
| 6.5 数据处理与结果 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文主要工作以及贡献 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 读研期间获奖情况 |
（2）用于心律失常自动诊断的动态心电监测系统的研究（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 国内外发展现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文的结构和安排 |
| 第2章 心律失常相关理论与系统整体设计 |
| 2.1 心电与心律失常相关理论 |
| 2.1.1 心电图基础 |
| 2.1.2 心律失常的产生与分类 |
| 2.2 系统需求分析与整体设计 |
| 2.2.1 系统需求分析 |
| 2.2.2 系统整体结构 |
| 2.3 本章小结 |
| 第3章 动态心电数据采集器设计 |
| 3.1 动态心电数据采集方案 |
| 3.2 心电数据采集器硬件电路 |
| 3.2.1 整体硬件设计 |
| 3.2.3 核心板电路设计 |
| 3.2.4 功能板电路设计 |
| 3.3 传输协议设计 |
| 3.4 心电数据采集器软件设计 |
| 3.5 本章小结 |
| 第4章 心电监测客户端及数据管理系统设计 |
| 4.1 整体设计 |
| 4.2 心电数据管理系统设计 |
| 4.2.1 Django框架介绍 |
| 4.2.2 数据库设计 |
| 4.2.3 RESTful API接口设计 |
| 4.2.4 web后台管理系统设计 |
| 4.3 心电监测客户端软件设计 |
| 4.3.1 整体设计 |
| 4.3.2 Py Qt5 介绍 |
| 4.3.3 数据网关模块 |
| 4.3.4 数据处理模块 |
| 4.3.5 串口转Socket模块 |
| 4.3.6 数据回放模块 |
| 4.3.7 心电诊断模块 |
| 4.3.8 数据上传模块 |
| 4.4 本章小结 |
| 第5章 基于深度神经网络的心律失常诊断方法 |
| 5.1 深度神经网络相关理论 |
| 5.2 整体算法设计 |
| 5.3 深度神经网络模型设计 |
| 5.4 MIT-BIH数据库 |
| 5.5 模型训练 |
| 5.5.1 数据集准备 |
| 5.5.2 算法模型的训练 |
| 5.6 本章小结 |
| 第6章 整体测试与验证 |
| 6.1 心律失常诊断算法性能测试与分析 |
| 6.2 心电数据采集功能测试 |
| 6.2.1 硬件电路实物 |
| 6.2.2 无线连接配置 |
| 6.2.3 心电数据采集器测试 |
| 6.3 心电监测与远程数据管理功能测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）小型智能家居系统研究与设计（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 |
| 1.3 本文组织结构 |
| 2 相关理论及技术基础 |
| 2.1 智能家居 |
| 2.2 入侵检测 |
| 2.3 机器学习 |
| 2.4 本章小结 |
| 3 小型智能家居系统设计 |
| 3.1 小型智能家居系统 |
| 3.2 智能家居安全威胁 |
| 3.3 智能家居安全模型 |
| 3.4 小型智能家居系统安全机制 |
| 3.5 本章小结 |
| 4 基于特征选择及Light GBM的智能家居入侵检测模型 |
| 4.1 总体设计 |
| 4.2 数据获取模块 |
| 4.3 数据预处理模块 |
| 4.4 入侵检测模块 |
| 4.5 告警响应模块 |
| 4.6 本章小结 |
| 5 测试与分析 |
| 5.1 分类器对比 |
| 5.2 智能家居入侵检测模型仿真测试 |
| 5.3 小型智能家居系统测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
| 科研项目 |
（4）面向家庭服务的智能健康监护系统设计与实现（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 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 本课题研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 系统需求分析与总体设计 |
| 2.1 系统的需求分析 |
| 2.1.1 用户需求分析 |
| 2.1.2 功能需求分析 |
| 2.1.3 性能需求分析 |
| 2.2 系统总体设计 |
| 2.2.1 系统设计原则与设计思想 |
| 2.2.2 系统总体结构设计 |
| 2.2.3 系统开发平台构建 |
| 2.3 本章小结 |
| 第三章 系统开发相关技术与理论概述 |
| 3.1 应用交互层相关技术 |
| 3.1.1 系统软件架构 |
| 3.1.2 建模方法 |
| 3.1.3 系统后台技术简介 |
| 3.1.4 系统前端技术简介 |
| 3.2 传输层无线通信相关技术 |
| 3.3 可穿戴设备简述 |
| 3.4 心电信号简介 |
| 3.5 小波变换 |
| 3.6 支持向量机SVM |
| 3.7 本章小结 |
| 第四章 健康监护系统设计 |
| 4.1 应用交互层功能设计 |
| 4.1.1 用户认证模块设计 |
| 4.1.2 家庭监护模块设计 |
| 4.1.3 远程诊断模块设计 |
| 4.1.4 系统管理模块设计 |
| 4.1.5 微信小程序设计 |
| 4.2 数据服务层功能设计 |
| 4.2.1 设备服务功能设计 |
| 4.2.2 数据库存储结构设计 |
| 4.3 多模网关功能设计 |
| 4.4 本章小结 |
| 第五章 健康监护系统实现 |
| 5.1 应用交互层的实现 |
| 5.1.1 用户认证模块实现 |
| 5.1.2 家庭监护模块实现 |
| 5.1.3 远程诊断模块实现 |
| 5.1.4 系统管理模块实现 |
| 5.2 数据服务层功能实现 |
| 5.3 智能多模网关的实现 |
| 5.4 本章小结 |
| 第六章 系统测试与结果分析 |
| 6.1 智能多模网关测试 |
| 6.2 家庭健康监护系统测试 |
| 6.2.1 功能测试 |
| 6.2.2 性能测试 |
| 6.3 小程序测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）数字化慢病管理系统的研究与实践（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单和术语表 |
| 第一章 绪论 |
| 1.1 慢病管理概述 |
| 1.1.1 慢病的定义与分类 |
| 1.1.2 慢病的全球化流行趋势 |
| 1.1.3 慢病管理的定义与基本要素 |
| 1.1.4 我国慢病流行趋势及管理现状 |
| 1.2 慢病管理领域研究综述 |
| 1.2.1 基于协同护理的慢病管理理论模型发展综述 |
| 1.2.2 基于CCM框架的慢病管理实施性研究综述 |
| 1.3 数字化慢病管理研究进展及应用实践 |
| 1.3.1 数字化背景下的慢病管理理论模型发展 |
| 1.3.2 数字化背景下的慢病管理实施性研究进展 |
| 1.3.3 数字化慢病管理国内外代表性应用实践 |
| 1.4 关键问题分析与论文研究内容 |
| 1.4.1 关键问题分析 |
| 1.4.2 论文的研究内容及创新点 |
| 第二章 路径驱动的数字化慢病协同管理模型构建与表达 |
| 2.1 路径驱动的数字化慢病协同管理模型构建 |
| 2.1.1 通用性慢病管理路径提炼与多病种实现 |
| 2.1.2 面向我国管理模式的数字化协同管理模型构建 |
| 2.2 基于本体的模型知识表达与验证 |
| 2.2.1 本体相关概念与构建方法 |
| 2.2.2 慢病协同管理模型基础本体构建 |
| 2.2.3 基于演绎推理的路径化决策支持 |
| 2.2.4 本体构建结果与技术性评估 |
| 2.3 本章小结 |
| 第三章 面向患者依从性增强的个性化管理方法研究 |
| 3.1 基于健康行为理论的患者个性化管理需求分析 |
| 3.1.1 移动健康应用设计方法概述 |
| 3.1.2 面向自我管理依从性增强的用户模型提炼 |
| 3.1.3 用户虚拟角色构建与需求识别 |
| 3.2 基于健康推荐系统的个性化健康教育方法研究 |
| 3.2.1 健康推荐系统相关概念与研究进展 |
| 3.2.2 健康知识推荐系统的设计与实现 |
| 3.2.3 基于测试集的推荐系统评估 |
| 3.3 基于强化学习的个性化管理策略生成方法研究 |
| 3.3.1 强化学习相关理论与研究进展 |
| 3.3.2 策略生成模型的设计与实现 |
| 3.3.3 基于虚拟环境的训练结果与模型评估 |
| 3.4 本章小结 |
| 第四章 数字化慢病闭环管理系统设计与实现 |
| 4.1 面向全场景决策支持的智能化慢病服务引擎构建 |
| 4.1.1 以引擎为核心的系统整体架构设计 |
| 4.1.2 基于多种软件框架的云端引擎实现 |
| 4.2 基于路径任务的医生协作工作平台设计与实现 |
| 4.2.1 路径任务驱动的协作工作平台功能设计 |
| 4.2.2 基于网页的协作工作平台功能实现 |
| 4.3 基于行为改变技术的患者移动终端设计与实现 |
| 4.3.1 行为改变轮驱动的干预功能设计 |
| 4.3.2 面向多平台的移动终端功能实现 |
| 4.3.3 面向患者依从性的移动终端试点性应用评价 |
| 4.4 系统部署与实际应用情况 |
| 4.5 本章小结 |
| 第五章 面向数字化慢病管理的多维度评价体系研究 |
| 5.1 数字化慢病管理系统多维度评价体系构建 |
| 5.1.1 慢病管理领域评价方法概述 |
| 5.1.2 面向个体层面的数字化慢病管理评估模型提炼 |
| 5.2 基于系统观察性数据的回顾性评价 |
| 5.2.1 研究设计与数据分析方法 |
| 5.2.2 回顾性评价结果总结 |
| 5.3 基于多层次临床试验的前瞻性评价 |
| 5.3.1 探究慢阻肺患者院外管理效果的前后对比试验 |
| 5.3.2 探究高血压患者院外管理效果的随机对照试验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 个人简历 |
| 攻读博士学位期间的主要研究成果 |
（6）基于物联网的智慧教室数据分析控制系统研究与实践（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作与章节安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 论文组织结构 |
| 第二章 相关技术理论概述 |
| 2.1 无线通信技术 |
| 2.2 云服务器设计关键技术 |
| 2.2.1 MySQL |
| 2.2.2 Socket技术 |
| 2.3 云平台设计关键技术 |
| 2.3.1 Django |
| 2.3.2 LSTM |
| 2.3.3 Bi-LSTM |
| 2.3.4 Tensorflow |
| 2.4 本章小结 |
| 第三章 系统总体方案设计 |
| 3.1 智慧教室数据分析控制系统结构设计 |
| 3.2 智慧教室感知层 |
| 3.3 智慧教室传输层 |
| 3.4 智慧教室云服务层 |
| 3.5 智慧教室应用层 |
| 3.6 本章小结 |
| 第四章 智慧教室感知层智能节点设计与实现 |
| 4.1 智能节点结构分析与功能设计 |
| 4.2 智能节点传感器设计 |
| 4.2.1 温湿度传感器 |
| 4.2.2 PM2.5传感器 |
| 4.2.3 二氧化碳传感器 |
| 4.3 智能节点通信模块和主控模块设计 |
| 4.3.1 JDY-10M蓝牙模块设计与组网设计 |
| 4.3.2 ESP8266 WIFI模块与联网设置 |
| 4.3.3 主控模块 |
| 4.4 本章小结 |
| 第五章 基于树莓派4B的云服务器设计与实现 |
| 5.1 云服务器开发环境设计 |
| 5.2 云服务器数据库的搭建 |
| 5.3 云服务器TCP服务的设计与搭建 |
| 5.4 本章小结 |
| 第六章 基于Django框架的云平台设计与实现 |
| 6.1 云平台功能设计 |
| 6.2 通信模块 |
| 6.3 管理员登录模块 |
| 6.4 数据监测模块 |
| 6.5 设备管理模块 |
| 6.6 数据导出模块 |
| 6.7 机器学习模块 |
| 6.7.1 数据预处理 |
| 6.7.2 模型搭建 |
| 6.8 本章小结 |
| 第七章 功能测试与模型评估 |
| 7.1 系统功能测试 |
| 7.2 模型评估 |
| 7.2.1 评价指标 |
| 7.2.2 实验结果与分析 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文 |
（7）移动网络中面向终端用户的服务生成关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略语及中英文对照 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 Web组件与跨平台移动应用开发 |
| 1.1.2 Web服务与面向服务的计算 |
| 1.1.3 移动动态网络中的服务组合 |
| 1.2 研究内容与主要贡献 |
| 1.3 本文的组织结构 |
| 第二章 相关研究综述 |
| 2.1 整体研究规划 |
| 2.2 面向终端用户的移动应用开发技术介绍 |
| 2.2.1 编程式开发环境 |
| 2.2.2 图形化开发环境 |
| 2.2.3 跨平台技术介绍 |
| 2.2.4 Web组件技术介绍 |
| 2.3 QoS感知的自动化服务组合技术 |
| 2.3.1 Web服务技术 |
| 2.3.2 静态的服务组合技术 |
| 2.3.3 自动化的服务组合技术 |
| 2.4 移动动态网络中的服务组合技术 |
| 2.4.1 开放式服务发现技术 |
| 2.4.2 分布式服务组合技术 |
| 2.4.3 实时启发搜索技术 |
| 2.4.4 本章小结 |
| 第三章 面向终端用户基于组件的跨平台移动应用生成模型研究 |
| 3.1 引言 |
| 3.2 研究动机及问题分析 |
| 3.3 跨平台移动应用组件化生成模型 |
| 3.3.1 服务组件模型 |
| 3.3.2 跨平台移动应用模型 |
| 3.4 系统架构 |
| 3.5 系统演示和评估 |
| 3.5.1 系统实现 |
| 3.5.2 示例应用开发 |
| 3.5.3 可用性评估 |
| 3.6 结论与展望 |
| 第四章 基于扩展图规划的QoS感知的自动化服务组合方法研究 |
| 4.1 引言 |
| 4.2 研究动机及问题分析 |
| 4.3 服务组合相关概念定义 |
| 4.3.1 服务模型 |
| 4.3.2 QoS模型 |
| 4.3.3 问题定义与映射 |
| 4.4 Q-Graphplan |
| 4.4.1 构建扩展的规划图 |
| 4.4.2 提取启发信息 |
| 4.4.3 转换图 |
| 4.4.4 反向A~*搜索 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境与数据集 |
| 4.5.2 实验结果与分析 |
| 4.6 结论与展望 |
| 第五章 基于时态模型和多目标优化的QoS感知自动化服务组合方法研究 |
| 5.1 引言 |
| 5.2 研究动机及问题分析 |
| 5.3 问题定义与概念描述 |
| 5.3.1 问题定义 |
| 5.3.2 Pareto集合概念 |
| 5.4 时间线模型概念 |
| 5.4.1 时态子目标 |
| 5.4.2 服务执行时间线 |
| 5.5 多目标优化的QoS感知自动化服务组合方法 |
| 5.5.1 流程概述 |
| 5.5.2 初始化过程 |
| 5.5.3 演化过程 |
| 5.6 实验测试与结果分析 |
| 5.6.1 实验数据集 |
| 5.6.2 实验环境与参数配置 |
| 5.6.3 实验结果分析 |
| 5.6.4 复杂度分析 |
| 5.7 结论和展望 |
| 第六章 移动动态网络中实时自动化服务组合方法研究 |
| 6.1 引言 |
| 6.2 研究动机及问题分析 |
| 6.3 实时服务组合基本概念 |
| 6.3.1 服务模型 |
| 6.3.2 实时约束 |
| 6.3.3 问题定义 |
| 6.4 基于前向探测的实时自动化服务组合方法 |
| 6.4.1 流程概述 |
| 6.4.2 启发式服务发现方法 |
| 6.4.3 基于前向探测的实时组合 |
| 6.5 实验测试与结果分析 |
| 6.5.1 实验环境与参数配置 |
| 6.5.2 实验结果与分析 |
| 6.6 结论与展望 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（8）基于物联网与极限学习机的大坝安全在线监测与预测分析研究（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 大坝安全监测的研究背景 |
| 1.1.2 大坝安全监测的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝安全监测研究现状 |
| 1.2.2 物联网在大坝安全监测中的应用现状 |
| 1.2.3 大坝安全监测分析模型的研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 章节安排 |
| 1.4 本章小结 |
| 第二章 大坝安全监测整体设计 |
| 2.1 大坝安全监测方法 |
| 2.1.1 大坝安全监测方式 |
| 2.1.2 大坝安全监测过程 |
| 2.2 大坝安全监测可靠性分析 |
| 2.2.1 系统设备可行性 |
| 2.2.2 数据采集可行性 |
| 2.2.3 数据通信可行性 |
| 2.3 大坝安全监测方案设计 |
| 2.3.1 整体方案概览 |
| 2.3.2 数据采集与传输方案 |
| 2.3.3 数据处理与分析方案 |
| 2.4 本章小结 |
| 第三章 基于蝙蝠算法优化混合核极限学习机的大坝变形预测模型 |
| 3.1 基本原理 |
| 3.1.1 极限学习机 |
| 3.1.2 基于核函数的极限学习机 |
| 3.1.3 蝙蝠算法 |
| 3.2 模型建立 |
| 3.2.1 影响因素与样本输入 |
| 3.2.2 基于蝙蝠算法优化核极限学习机 |
| 3.3 模型优化 |
| 3.3.1 基于莱维飞行的BA算法 |
| 3.3.2 组合KELM |
| 3.3.3 LBA算法优化PG_KELM |
| 3.4 模型重建 |
| 3.5 本章小结 |
| 第四章 大坝安全在线监测与分析系统设计及实现 |
| 4.1 数据库设计 |
| 4.2 数据采集服务 |
| 4.2.1 总体设计 |
| 4.2.2 数据采集通用库实现 |
| 4.2.3 可扩展的物联网采集服务 |
| 4.3 远程监测平台 |
| 4.3.1 项目管理子模块 |
| 4.3.2 设备管理子模块 |
| 4.3.3 巡检管理子模块 |
| 4.3.4 实时监测与数据分析子模块 |
| 4.4 本章小结 |
| 第五章 工程应用实例 |
| 5.1 研究区概况 |
| 5.2 系统布设与数据采集 |
| 5.2.1 监测点设计 |
| 5.2.2 现场布设与安装 |
| 5.2.3 系统运行 |
| 5.3 数据分析与预测 |
| 5.3.1 性能评价指标 |
| 5.3.2 数据处理与参数设置 |
| 5.3.3 结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）基于Android平台的电机远程监测与故障诊断系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 监测系统的研究现状 |
| 1.2.2 智能故障诊断方法的研究现状 |
| 1.3 论文组织结构 |
| 2 基于Android平台的电机远程监测方法 |
| 2.1 Android系统的简介 |
| 2.1.1 Android系统的架构 |
| 2.1.2 Android系统的核心组件 |
| 2.1.3 Android系统的数据存储 |
| 2.2 远程监测系统的结构 |
| 2.2.1 系统组成 |
| 2.2.2 客户端与服务器的结构 |
| 2.2.3 传输层与应用层的通信 |
| 2.3 应用程序的编程 |
| 2.3.1 应用程序的功能需求 |
| 2.3.2 移动端与服务器的通信 |
| 2.3.3 实时数据显示 |
| 2.3.4 故障报警 |
| 2.3.5 地图模块 |
| 2.3.6 历史数据查询 |
| 2.3.7 数据存储 |
| 2.4 远程监测系统的试验 |
| 2.5 本章小结 |
| 3 基于蓝牙通信的电机本地监测方法 |
| 3.1 短距离通信技术 |
| 3.2 蓝牙协议栈 |
| 3.3 蓝牙模块 |
| 3.3.1 HC-05模块的简介 |
| 3.3.2 HC-05模块的使用 |
| 3.4 蓝牙通信的实现 |
| 3.5 蓝牙通信系统的试验 |
| 3.6 本章小结 |
| 4 基于Android平台的电机故障诊断方法 |
| 4.1 统计学理论 |
| 4.1.1 经验风险最小化原则 |
| 4.1.2 VC维 |
| 4.1.3 推广性的界 |
| 4.1.4 结构风险最小化原则 |
| 4.2 支持向量机及其参数 |
| 4.2.1 线性情况和非线性情况 |
| 4.2.2 核函数 |
| 4.2.3 惩罚因子 |
| 4.2.4 核参数 |
| 4.3 参数寻优算法 |
| 4.3.1 遗传算法 |
| 4.3.2 粒子群优化算法 |
| 4.3.3 网格搜索法 |
| 4.4 SVM的特征向量 |
| 4.5 支持向量机的故障诊断 |
| 4.5.1 选定样本集 |
| 4.5.2 数据预处理 |
| 4.5.3 参数寻优 |
| 4.5.4 SVM故障诊断结果的分析与比较 |
| 4.6 GA-SVM在移动端的实现 |
| 4.6.1 GA-SVM在移动端的编程 |
| 4.6.2 GA-SVM在移动端的试验 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）基于ZigBee技术的亚洲玉米螟监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 农业物联网技术研究现状 |
| 1.3 农作物病虫害监测研究现状 |
| 1.4 现阶段问题及论文研究内容 |
| 1.5 论文章节简述 |
| 第二章 系统方案设计及原理 |
| 2.1 系统结构及原理 |
| 2.2 玉米田间数据采集终端结构及原理 |
| 2.3 亚洲玉米螟产生的影响因素 |
| 2.4 系统关键技术 |
| 2.5 本章小结 |
| 第三章 玉米田间数据采集终端设计 |
| 3.1 玉米田间数据采集终端硬件设计 |
| 3.2 玉米田间数据采集终端软件设计 |
| 3.3 本章小结 |
| 第四章 基于SVM算法的亚洲玉米螟预测模型 |
| 4.1 SVM算法 |
| 4.2 基于SVM算法的亚洲玉米螟预测模型构建 |
| 4.3 本章小结 |
| 第五章 上位机监测软件设计 |
| 5.1 上位机监测软件功能设计 |
| 5.2 用户管理模块设计 |
| 5.3 远程数据监测与预警模块设计 |
| 5.4 数据查询模块设计 |
| 5.5 数据存储模块设计 |
| 5.6 发送手机短信模块设计 |
| 5.7 本章小结 |
| 第六章 实验室测试及田间试验 |
| 6.1 实验室测试 |
| 6.2 田间试验 |
| 6.3 试验总结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
四、蓝牙协议测试集的自动生成技术（论文参考文献）
- [1]人体反应速度测试系统的设计[D]. 武立群. 内蒙古大学, 2021(12)
- [2]用于心律失常自动诊断的动态心电监测系统的研究[D]. 周葛. 吉林大学, 2021(01)
- [3]小型智能家居系统研究与设计[D]. 兰星. 四川师范大学, 2021(12)
- [4]面向家庭服务的智能健康监护系统设计与实现[D]. 李龙基. 电子科技大学, 2021(01)
- [5]数字化慢病管理系统的研究与实践[D]. 汪哲宇. 浙江大学, 2021(01)
- [6]基于物联网的智慧教室数据分析控制系统研究与实践[D]. 李颖杰. 上海海洋大学, 2021(01)
- [7]移动网络中面向终端用户的服务生成关键技术研究[D]. 王昭宁. 北京邮电大学, 2020(02)
- [8]基于物联网与极限学习机的大坝安全在线监测与预测分析研究[D]. 肖钢. 江西理工大学, 2020(01)
- [9]基于Android平台的电机远程监测与故障诊断系统[D]. 郑荣焘. 大连理工大学, 2020(02)
- [10]基于ZigBee技术的亚洲玉米螟监测系统研究[D]. 王政皓. 吉林农业大学, 2020(03)