一、数据处理技术在粒度图像分析中的应用（论文文献综述）
赵耀,田永鸿,党建武,付树军,王恒友,万军,安高云,杜卓然,廖理心,韦世奎[1]（2021）在《面向智慧城市的交通视频结构化分析前沿进展》文中进行了进一步梳理随着智慧城市建设的不断深入,大量的传感器设备铺置在城市公路和轨道等交通场景,为多维度全方位感知城市交通状态构建了广泛的感知网络,产生了海量的交通视频数据。海量交通视频数据是城市管理的数据宝藏,理解与分析这些数据是智慧城市建设的关键。面对高度冗余的交通视频数据,如何高效准确地挖掘和提取结构化信息,实现对重点目标（如人、车、物）的快速检测、识别与检索,是交通视频处理的核心问题——交通视频结构化分析。交通视频结构化分析包括车辆视频结构化分析、人员结构化分析及其行为分析。其中,车辆结构化作为一个复杂的多步骤任务,主要由车辆的检测、车辆的属性（车牌、车型和颜色）识别以及车辆的检索和重识别等子任务构成。人脸结构化和行人结构化是交通视频中行人结构化智能分析中的两个重要研究方向,主要分析人脸或者行人的一些表观属性。行人行为分析是指对行人在复杂交通环境下做出的动作进行识别和预测。本文从交通视频中的车辆、行人及其行为分析等方面,阐述交通视频结构化分析领域的研究热点及前沿进展,汇总比较国内外的相关成果,并对交通视频结构化分析领域的研究进行总结分析与展望。
林萍萍[2]（2021）在《基于情感分析的人机谈判研究》文中进行了进一步梳理电子商务的发展使得在线交易日益频繁,在线交易规模也日益扩大。消费者与商家的交互越来越多,不可避免地要进行在线谈判。传统的在线谈判方式是低效的人工谈判,人工谈判已经不能满足广大消费者日益增长的潜在需求。随着人工智能技术的发展,智能主体技术已日益成熟,使得电子商务领域的自动谈判成为了可能。智能主体能够随时与人类进行高效的谈判,节约了大量人工成本。因此,人机谈判吸引越来越多的学者的兴趣。目前有很多关于自动谈判系统的研究,大多数是计算机与计算机的自动谈判系统,而关于人机谈判的研究相对较少。即使有少许关于人机谈判的研究,也往往忽略了人类谈判方的情感因素,不能根据人类谈判方的情感采用相应的谈判策略,从而导致谈判对话生硬,用户体验感较差。设计合理的自动谈判系统可以帮助买家和卖家在合理的时间范围内就价格、数量以及其他条款上达成协议。为此,本文以自动谈判理论、谈判心理学为基础,利用情感分析技术,设计新的谈判策略,并研发出了具备情感能力的人机谈判系统。本文主要有以下几个方面的贡献。第一、综述了情感分析、自动谈判、人机谈判以及对话系统。我们详细分析和比较了情感分析技术以及其广泛应用,对比了情感分析技术在不同领域的应用,并说明可以继续研究的方向。第二、创新性地将情感分析引入到人机谈判中,提出了相应情感分析方法。第三、设计基于情感的人机谈判策略。第四、利用自然语言处理技术、情感分析技术、对话系统技术开发出了人机谈判系统。第五、进行大量实验证实我们融入情感分析的人机谈判系统能够提高谈判双方的联合效用,并且提升人类谈判方的体验感。因此,我们的人机谈判系统是有效的,能很好地满足当下电子商务的需求。
黄逸杰[3]（2020）在《面向医学影像分析的成本敏感深度学习研究》文中研究说明深度学习是目前医学影像分析领域中对病灶及器官进行检测、分割及疾病分类的主流方法。然而,深度学习技术的有效应用通常依赖于大数据量的样本标注,而且其训练过程需要在昂贵的专业设备上进行。这导致深度学习的应用需要投入过高的成本,包括标注大量病灶或器官样本的人力需求及向临床现场部署工作站的设备开销,阻碍了其在临床影像分析中的广泛应用。如何提升深度学习技术的成本效率,即在有限的标注与设备成本约束下保证深度学习技术的准确性成为医学影像分析领域亟需解决的问题。围绕该问题,本论文对几个关键问题展开研究,包括:（1）三维深度网络分割模型设计问题:目的是在三维图像分割任务中减少存储空间需求,使模型在临床现场现有计算设备上可以对高分辨率的全幅三维医学图像中的病灶和器官进行端到端的精准分割;（2）混合监督学习问题:依赖精标注的强监督学习标注成本太高,依赖粗标注的弱监督学习虽然标注成本较低但准确度不足,目的是提出一种混合监督学习方法,通过引入少量病灶区域包围盒精标注（Bounding Box）来解决弱监督学习在训练样本上分类结果正确但对分类作出主要贡献的区域并不聚焦于病灶的错误支持区域（Mis-located Supporting Regions）问题,以在较低的成本下提升模型准确度。（3）混合监督学习中精标注样本的选择问题:目的是通过设计合适的样本选择策略,仅仅对修正错误支持区域所必需的少量样本进行标注,减少精标注样本数量需求。（4）弱监督学习中的样本训练策略问题:目的是采取从容易样本到困难样本的渐进学习策略以缓解错误支持区域问题、训练出注意力更加正确的弱监督模型。以这样的弱监督模型为基础的混合监督学习仅需要更少量的精标注样本就能实现更好的准确度。针对以上四个关键问题,本研究所做出的贡献与创新如下:（1）本研究提出了一种基于非对称全卷积网络的三维医学图像分割方法,有效减少了模型存储空间占用。为了改进基于对称式编码器-解码器的三维全卷积网络空间占用过高的缺陷,该方法设计了一种能够端到端训练全局编码器和局部解码器的三维图像分割模型,在不牺牲网络深度和表征能力的前提下使存储占用大幅减少、预测速度大幅加快;同时,该方法使局部解码器能融合全局编码器的特征输入,以充分利用具有大感受野的全局编码信息,相比全局感知能力受限的现存方法显着提升了分割准确度。由于以上优点,该模型能部署在临床现场的现有计算设备上以高实时性分割全幅三维图像,从而减少了更换昂贵计算设备的成本需求。（2）本研究提出了一种基于对抗学习的混合监督学习方法,利用额外精标注信息修正弱监督学习模型的空间注意力,解决错误支持区域问题。首先,本研究向弱监督学习模型中加入一种屏蔽特定图像区域对分类器贡献的全局池化层。其次,提出屏蔽精标注中疾病区域对分类器的贡献以构造具有伪类标的对抗样本。学习正确分类对抗样本将使模型空间注意力向疾病区域集中,从而使利用成本较低的包围盒（Bounding Box）式精标注修正空间注意力成为可能。相比现存混合监督学习方法必须使用昂贵的像素级掩模（Pixel-level Masks）式精标注,本方法标注成本更低且更适用于难以精确描述边界的模糊病灶。该方法实现了不同粒度标注资源的优势互补,不论加入粗标注还是加入精标注都能提升模型准确度。（3）本研究提出了一种基于注意力不确定性的主动学习方法自动筛选易受错误支持区域问题影响的样本子集,解决为混合监督学习选择性地做精标注的问题。由于受错误支持区域问题影响的模型所产生的分类概率正确性与注意力正确性关联性较弱,现存基于分类概率的主动学习方法不能有效度量在给定样本上出现该问题的风险。为此,本研究提出利用注意力不确定性作为主动学习度量,以更加有效地评估样本的标注价值,并针对注意力图的模糊特性设计了更具区分力的峰值点集距离度量。该方法大幅减少了混合监督学习所需引进的精标注数量。（4）本研究提出了一种自步注意力学习方法,设计由易到难的样本学习顺序改善弱监督学习模型的注意力正确性。基于对错误支持区域问题成因的充分分析,该方法提出了优先学习注意力确定性强的样本、延迟学习其它样本的样本排序策略;同时,还提出一种基于注意力学习的可靠认知固化策略,利用模型在简单样本上的可靠空间注意力自动生成伪标注以修正模型注意力质量,对抗引入困难样本带来的认知漂移问题。相比常规自步学习方法,该方法能利用注意力机制更有效地对抗错误支持区域问题,得到更优的注意力准确度。以该方法所训练得到的弱监督学习模型为基础,混合监督学习只需要更少的精标注数量就能实现更高的准确度。
周树斌[4]（2020）在《基于PXRF技术的黑龙江阿城白岭铜锌多金属矿区砷元素污染评估》文中研究指明砷污染是一个全球性的环境问题,矿业活动是砷污染来源之一。对砷污染的监测和评估是治理砷污染的前提。便携式X荧光光谱仪（PXRF）是一种可实现快速、无损、经济及多元素分析的便携式设备。本文利用便携式X荧光仪对白岭铜锌多金属矿区砷元素的粉尘污染、土壤污染以及砷元素在植物中的富集水平进行了评估,研究了样品制备、数据质量、校正模型等相关问题,依据PXRF数据综合评估了白岭铜锌多金属矿区的砷污染水平。白岭铜锌多金属矿区的森林覆盖区受到矿区公路扬尘的污染,利用便携式X荧光光谱仪分析了该研究区中裸露树桩横截面和对应土壤的元素含量,树桩横截面和土壤中As、Zn和Fe元素在垂直公路方向上出现了明显的分带性,距公路最近处含量最高。其中As和Zn元素的含量随距公路距离的增加而降低并符合幂律分布。微区X射线荧光光谱仪扫描的图像表明树桩中As、Zn、Fe等元素富集于树桩横截面及裂隙中,指示了由公路扬尘的重新沉降引起的污染。该区公路扬尘污染是砷暴露的主要途径之一。基于PXRF技术对矿区农田土壤砷污染情况进行了评估。实验室条件下的PXRF分析实现了对As、Mn、Fe、Zn等元素的定量分析,通过对土壤中各元素含量的相关分析确定了As与其他元素（Ca、Mn、Fe、Zn、Pb、V、Ti、Rb、K）的相关关系。砷元素在农田西侧近河流处出现了显着的高异常,垂向上As元素出现了自地表向地下降低的趋势。钻孔中土壤样品的顺序提取（偏提取）结果表明在近地表处土壤的弱酸提取态和可还原态砷的百分含量远高于深部土壤样品的弱酸提取态和可还原态砷的百分含量。农田土壤中各元素的空间分布和形态分析结果共同指示了农田土壤中砷元素的来源,即强降雨过后河水漫溢农田,河水中的As经过共同沉淀或被土壤中的铁锰氧化物吸附进入土壤体系。通过模拟实验并利用PXRF分析有机质样品确定了样品湿度、样品密度和样品厚度对PXRF读数的影响,提出了针对有机质样品的预处理方法,最终建立了线性回归校准曲线以校正基体效应对PXRF读数的影响。验证结果表明该线性回归校正模型可大幅度提高PXRF测定有机质样品的数据的准确度,PXRF可基本实现对有机质样品的定量分析。基于以上样品预处理方法和校正模型,利用PXRF对矿区中植物的元素含量进行了分析,PXRF结果表明:野生食用菌（如趟子蘑）是砷暴露的途径之一,同时PXRF具备筛选砷的超富集植物的能力。
庄宁[5]（2020）在《面向视觉行为理解的时空多粒度特征分析算法研究》文中提出视觉行为理解指描述、识别和理解个人行为意图、群体中人与人的交互行为,以及个人/群体与场景之间的交互行为。随着经济社会的不断发展,视觉行为理解在各行各业中都得到了十分广泛的应用。例如,虚拟现实、智能监控、基于内容的视频解说、以致高级人机交互等方面都有着广泛的应用场景和潜在的商业价值。本文主要聚焦于视觉行为理解问题,其输入是反映特定场景下个体/群体行为的图片或视频,通过特征提取和建模分析,输出符合预期要求的行为理解结果。研究成果涵盖了丰富的应用场景,在相关行业中均具备广泛的应用价值。本文基于视觉行为理解的需求,提出时空多粒度特征学习的研究方法,结合分析“行为”、“关注点”、“个体”、“群体”、“场景”之间关系的研究思路,重点探讨了视觉行为理解中:长时间跨度下的行为预测分析,多个体共同意图预测,多粒度下群体行为的画像分析三个方向的研究问题。从研究方法角度,本文提出时空多粒度特征学习的思想,即:1)设计细粒度特征;2)设计时空域分析特征的粒度;3)融合多粒度分析得到最终结果。该思想具有精细化、系统化、多样化的特点。所谓精细化,指的是通过不同粒度的特征学习获取到单一粒度难以捕获的细节特征和多重语义信息。所谓系统化,指的是时空多粒度特征学习模型并不限于处理特定的特征信息,可以套用在符合研究思想的不同的特征信息上,最后通过特征融合得到高性能的结果。所谓多样化,指的是可以基于该思想,针对不同的视觉行为理解研究问题,设计一系列新颖的时空多粒度特征学习模型。本文的主要工作与创新如下:（1）长时间跨度下的行为预测分析:我们创新性地提出了一个关注点驱动的异步事件因果关联分析模型,解决了大时间跨度下的行为分析问题,使行为预测的精度获得了大幅度的性能提升。该分析模型基于时域多粒度特征学习算法,以及人类关注点和人类意识行为之间的内在依赖关系分析。1)一路同步模型分析时间维度上的视频帧序列,模型在时域上感受野较大,相应对特征的分析粒度较大,获取了行为特征在时间维度上长距离之间的依赖性信息。2)另一路模型在时间维度上采用自适应的动态粒度,用行为意图事件作为LSTM网络的门信号,来动态划分时间维度上的序列信息的特征分析粒度大小。实验结果证明,所提出分析模型能有效融合时间维度上的行为同步特征和行为意图事件异步特征,过滤噪声数据,在行为预测方面具有很高的准确性。（2）多个体共同意图预测:我们的第二个创新工作研究了视觉行为理解中的多个体共同意图预测问题,定义了群体关注点这个崭新的概念,把研究的具体任务设定为群体场景中对群体关注点的预测。我们基于个体关注点与群体关注点在场景中的关系分析,提出了一个新颖的空域多粒度特征学习算法框架,称为多粒度群体关注点学习预测框架（MUlti-granularity Group Gaze Learning and Estimation-MUGGLE）,为群体行为意图的主动预测与推理奠定了技术支撑。MUGGLE的基础结构包括两个推理路径:1)一路从全局粒度上对个体特征进行分析,通过把个体注视特征融合成注视流映射图,输入到深层卷积网络来分析场景中有关个体人物的全局几何分布和相关场景的上下文;2)一路从个体粒度上对个体特征进行聚合,创新性的把时序的LSTM用于空域的分析,通过递归网络结构从个体粒度上对个体特征进行鲁棒地聚合。两路网络模型无缝集成为一个融合的整体网络。我们还创建了一个包含8000多张带有完整标注图片的数据库,数据库覆盖了广泛的群体场景,例如超市、课堂、公共广告等等。实验结果证明,所提出空域多粒度特征学习模型能有效融合空间维度上的个体观察者注视特征,过滤噪声异常值,在群体关注点预测方面具有很高的准确性。（3）多粒度下群体行为的画像分析:我们的第三个创新工作提出了多粒度群体行为交互特征学习模型,实现了在时空域上对群体行为意图的多粒度分析,相比于现有方法,具有对场景中群体行为意图的理解更准确更全面的优势。针对输出多粒度的群体行为事件画像这个研究问题,我们设计了对团体运动视频中群体行为全维度的理解和表述来作为研究的具体度量任务。我们的研究思路是在时间和空间维度上,综合分析研究“个体行为”、“群体行为”以及“场景”之间的交互关系。我们提出了一个新的框架,称为基于图的多粒度交互特征学习模型（Graph-based Learning for Multi-Granularity Interaction Representation-GLMGIR）。该模型包括:1)一个时空域多粒度交互编码模型,以渐进方式提取场景内运动者之间的交互特征,并对这些团队内和团队间的交互特征进行编码。2)以及一个时空域多粒度注意力模型,以分析多个时空尺度下的行为交互特征编码所对应的描述语义。与此同时,我们创建了一个专注于群体视觉行为理解的新视频数据集,包含6K段团队体育视频和10K个标注的描述语句。我们在这个数据集上对本文提出的时空域多粒度交互特征学习模型进行了实验分析。大量实验证明了,所提出的基于时空域多粒度的群体行为交互特征分析方法,在自动生成激烈对抗团队体育运动的描述语句方面上的准确性。综上所述,本文面向视觉行为理解的不同研究问题,设计了适合不同任务的时空多粒度特征学习模型。针对长时间跨度下的行为预测分析,本文提出了时域多粒度特征学习模型。针对多个体共同意图预测,本文提出了空域多粒度特征学习模型。针对多粒度下群体行为的画像分析,本文提出了时空域多粒度特征学习模型。大量的实验结果和广泛的理论分析表明,本文所提出的时空域多粒度特征学习方法在不同视觉行为理解任务中都存在着优越性。
吕宏伟[6]（2020）在《基于人工智能的多路高速光信号频谱分析技术及应用》文中提出由于各种互联网新兴业务的不断兴起和发展,光通信系统在满足不断增长的用户数量和每个用户消耗的带宽需求中显示了不可替代的作用。目前光网络正朝着频谱栅格弹性可变、调制格式复杂多样、传输速率动态可调的方向发展,这对传统的光性能监测技术提出了新的挑战。目前人工智能技术已广泛被应用于光通信中,以解决现有光通信系统灵活性和自适应性不足的问题。其中基于人工智能的光性能监测方法大多是经过光电探测后对时域信号波形进行分析与处理。在光通信系统中除了时域信号波形之外,频域光谱数据也同样包含了丰富的光信号和系统性能的信息,因此光谱分析是进行光信号处理与光性能监测的重要研究内容。然而,目前在光通信系统中,基于人工智能的光谱分析技术尚未得到广泛关注与深入研究。随着灵活动态光网络的发展,基于人工智能的光谱分析技术具有重要的研究价值和应用潜力。本论文围绕基于机器学习算法和深度学习算法的光谱分析技术展开研究,提出并验证了两个解决技术方案。本论文的主要创新点如下所述:第一,针对传统的光谱仪中光谱分析算法不灵活、不同参数需要不同算法分析且复杂度较高的问题,提出了一种基于机器学习的多功能单波长光谱分析方案,在进行光谱的常规参数分析外,还可以对分析光信号受到滤波器级联及中心频率偏移的损伤,并对损伤程度进行估计。通过仿真分析与实验验证,证明基于支持向量机的多功能单波长光谱分析技术的可行性,包括光信噪比估计、中心波长识别、带宽识别,此外还可以进行滤波器级联以及中心频率偏移损伤诊断、并对损伤程度进行估计。传统的光谱分析算法,仅分析一种参数时可能就需要多种算法,这需要很大的计算量。例如用插值法计算光信噪比时其复杂度为O[3（n/2）],分析多个参数时其复杂度是每个算法复杂度的和,这个值很大,而支持向量机可以同时分析多个参数,且其复杂度仅为O（nn sv+nsv 3）,其中n为采样点数,nsv为支持向量,其数量较少,且在支持向量机进行多个参数估计时,与n无关,这极大的降低了光谱分析算法的复杂度,比传统的算法更加灵活且功能更加丰富。第二,针对传统算法只能同时对单个信道的单个参数进行分析以及上述基于支持向量机的多功能单波长光谱分析算法只能同时对单个信道的多个参数进行分析的问题,这显然无法适应未来频谱栅格弹性可变、调制格式复杂多样的、传输速率动态可变的弹性光网络,因此在上述方案只能对单信道光谱同时进行多个参数分析的基础上,提出了一种基于目标检测的多信道弹性光谱分析方案,并分别搭建了仿真分析平台和实验分析平台。仿真和实验结果表明,该方案可以通过光谱同时监测多个信道的光信噪比、带宽、中心波长和调制格式。此外,由于目标检测算法是基于图像进行分析的,经过验证表明,将二维光谱数据转化为图像数据可以极大的节省内存空间,本论文中将仿真数据转为图像数据节省了 9倍存储空间,将实验数据转为图像数据节省了 2.5倍存储空间,对传统的针对二维光谱进行分析比较浪费内存空间的缺点也是一个改进。
王益成[7]（2020）在《数据驱动下科技情报智慧服务模式研究》文中提出从“信息时代”到“数据驱动”的智慧服务时代,多源异构且海量的数据资源成为人们解决问题的出发点。将多源异构且海量的数据资源纳入科技情报智慧服务模式中,不再局限于传统科技情报服务涉及的专利数据、科技文献数据、实地调研数据与科技项目数据等,还应该涵盖更广范围的互联网数据资源、科研社交媒体数据资源、社交网络数据资源与政府开放数据资源等多种来源的数据形式。数据资源驱动着科技情报服务从用户需求感知、科技情报内容获取与科技情报服务场景化推送这三个核心功能实现科技情报智慧服务模式,实现了科技情报服务流程的创新。本研究旨在以新视角探索数据驱动时代科技情报智慧服务模式及其实现,解析科技情报智慧服务构成要素及其特征,以实证分析探索数据驱动时代科技情报服务向智慧服务模式转型的思路,为科技情报机构科学转型提供理论与实践支撑。基于此,通过界定“数据驱动”、“情报、智能与智慧的辩证关系”、“智慧服务”与“科技情报智慧服务”等相关概念,以回顾智慧服务、科技情报服务与科技情报智慧服务研究现状为基础,综合运用文献调研法、问卷调查法、情境实验法、案例分析法与模式构建法分析了科技情报智慧服务的数据环境、驱动模式、创新模式与模式实现以及保障策略的制定。围绕科技情报智慧服务模式这一核心研究内容,本文第三章从科技情报智慧服务模式构成要素及表现特征为出发点对智慧数据、用户需求、智能技术、智慧情报、情报工作者、智慧服务平台与情报分析方法这七个维度进行详细阐述,分析了各构成要素在科技情报智慧服务模式中的地位以及数据驱动各构成要素的融合协作的服务特征;第四章以“数据驱动”视角切入科技情报智慧服务模式构建研究,更多的体现智慧数据服务作为智慧服务的核心构成要素,实现数据驱动科技情报智慧服务,获取用户需求,利用智能技术分析获取情报,实现场景化服务推送与嵌入式的科技情报服务;第五章就如何实现数据驱动科技情报智慧服务进行了详细阐述,从多源数据分析切入科技情报智慧服务模式的实现研究过程,体现了数据驱动作为科技情报服务的新范式与新思想,着重从需求感知、内容获取与服务推送等三个科技情报服务流程构成解析科技情报智慧服务模式实现路径,综合运用用户画像方法、数据挖掘方法与场景分析和需求侦测方法对科技情报智慧服务模式进行解析,并融入科研大数据在此过程中结构、类型与属性分析结果进行解析,探究这些数据在需求感知、内容获取与服务推送中的应用关系,进而实现科技情报智慧服务模式并完善科技情报智慧服务研究体系;第六章采用单案例横向研究方法研究格微软件数据驱动背景下科技情报智慧服务模式的系统优化策略;第七章就如何实现科技情报机构实现智慧服务模式转型升级分析了相关保障策略。具体内容如下:（1）系统分析了科技情报智慧服务模式核心构成要素与特征。构成要素涵盖数据、用户、技术、智慧情报、科技情报工作者、智慧服务平台与方法等七个维度,将从这七个维度进行深入分析,并在此基础上讨论数据驱动下科技情报智慧服务实现的理论与实践基础,进而对科技情报智慧服务的需求敏感性、数据多源性、技术智能性与服务场景化等四个主要特征进行解读。系统分析科技情报智慧服务构成要素是构建科技情报智慧服务模式的基础,在文献调研并借鉴其它领域实践经验的基础上对各个构成要素进行详细分析。数据、用户、技术、内容、科技情报工作者、智慧服务平台与方法等七个维度间相互关联、相互印证,进一步丰富着科技情报智慧服务研究领域的知识体系。（2）构建了数据驱动下的科技情报智慧服务模式。从“数据驱动”视角切入科技情报智慧服务模式构建研究,更多的体现智慧数据服务作为智慧服务的核心构成要素,实现数据驱动科技情报智慧服务,获取用户需求,利用智能技术分析获取情报,实现场景化服务推送与嵌入式的科技情报服务。在此过程中优化传统科技情报服务模式,优化构成科技情报智慧服务的各个构成要素,实现模式最优化并体现科技情报智慧服务的四个特征,通过文献调研法探讨已有服务模式的优劣势,重构科技情报服务模式与流程,重点突出智慧实现流程,数据如何驱动智慧情报服务。（3）分析了数据驱动下科技情报智慧服务的实现路径。以科技情报智慧服务模式实现的三项核心功能为基础,在实现智慧服务核心功能基础上实现科技情报智慧服务,从多源科研大数据分析切入科技情报智慧服务模式的实现研究过程,体现了数据驱动作为科技情报服务的新范式与新思想,着重从需求感知、内容获取与服务推送等三个科技情报服务流程构成解析科技情报智慧服务模式实现路径,综合运用用户画像方法、数据挖掘方法与场景分析和需求侦测方法对科技情报智慧服务模式进行解析,并融入科研大数据在此过程中结构、类型与属性分析结果进行解析,探究这些数据在需求感知、内容获取与服务推送中的应用关系,进而实现科技情报智慧服务模式并完善科技情报智慧服务研究体系。（4）采用单案例横向研究方法研究格微软件数据驱动背景下科技情报智慧服务模式的系统优化策略,在分析格微软件基本概况与发展现状的基础上,进而分析格微软件科技情报智慧服务发展模式,并对其较为超前的实践应用成果进行分析,然后借鉴前述构建的科技情报智慧服务模式及其实现研究,提出格微软件在数据驱动背景下科技情报服务模式优化的策略。（5）制定数据驱动下科技情报智慧服务模式保障策略。以构成数据驱动下科技情报智慧服务模式的构成要素以及智慧服务模式实现过程为主体制定数据驱动下科技情报智慧服务模式保障策略,具体维度包含数据、用户、科技情报工作者、科技情报服务机构、政府部门、技术与方法等维度。如完善数据安全保障机制,完备数据分析技术、方法与工具,科技情报服务人才队伍建设,建立健全相关法律法规等。制定数据驱动下的科技情报智慧服务模式保障策略应依据重点保障关键要素、完备并疏通科技情报智慧服务流程、科技情报智慧服务整体平衡、联合共建共享等四项基本原则。数据驱动时代,传统科技情报服务模式已然无法满足用户崛起的趋势以及内外环境面临的机遇与挑战,界定数据驱动科技情报智慧服务的内涵与外延,探索科技情报智慧服务模式的实现,有利于从方法论认知层面为科技情报智慧服务的转型升级提供理论支撑,本文构建的数据驱动科技情报智慧服务模式也更具实践价值。
刘杨[8]（2020）在《基于弱监督信息的细粒度图像识别方法研究》文中研究说明细粒度图像识别是计算机视觉领域中一项颇具挑战性的研究课题,目的是区分同一大类下各个不同的子类。与跨物种的粗粒度图像识别任务相比,细粒度图像数据集内不同种类的目标外观相似程度较高,而同一种类的目标由于姿势、视角和光照等因素导致视觉差异显着,因此使用普通的深度学习图像识别技术难以精准地判断细粒度目标类别。强监督细粒度识别算法借助目标边界框或部位标注点等额外的监督信息构建检测模型,从而对图像判别性区域进行定位,促使识别精度显着提升。然而,这种手工标注的监督信息获取代价高昂,致使这项技术无法应用于大规模真实场景。与此同时,弱监督细粒度识别算法仅利用图像级标签即可较为准确地完成图像分类任务,引起学术界与工业界的广泛关注。本文从基于弱监督信息的细粒度图像识别问题出发,针对现有技术的弊端与缺陷,设计出三种优化网络结构,具体内容如下:1.针对双线性细粒度识别模型Bilinear CNN中局部小尺度细节信息丢失和特征表达能力不足的问题,提出一种交叉多流融合多尺度特征的混合阶卷积神经网络。该网络首先依据深度神经网络特征金字塔结构,采用多尺度特征融合策略将同一基础网络中不同卷积层的输出特征进行合并,之后通过混合阶池化操作汇聚原始卷积特征的一阶和二阶统计信息,增强特征学习能力,最后利用建立在三路非对称基础网络之上的交叉多流网络框架进一步组合特征多样性。实验结果表明,与现有算法相比,交叉多流融合多尺度特征的混合阶卷积神经网络在CUB-200-2011、FGVC Aircraft和Stanford Cars细粒度图像数据集上识别准确率有所提升,达到行业领先水平。2.针对双线性细粒度识别模型Bilinear CNN中图像特征描述向量维度过高引发的模型参数量与计算量增加的问题,设计出一种适用于真实场景的跨层特征交互的轻量级卷积神经网络。该网络利用多层聚合分组卷积运算代替常规卷积构建出一种新型残差模块,并将其直接嵌入深度残差网络框架,从而减少基础网络的存储空间和计算成本。此外,该网络结合张量分解思想推导出一种计算高效的新型池化方案,能够有效压缩图像特征描述向量维度,进而缩减全连接层权重参数矩阵的尺寸。最后,该网络通过跨层特征交互网络框架汇集各特征层之间的交互信息,增强网络的特征学习与表达能力。实验结果表明,在未牺牲识别准确率的情况下,基于跨层特征交互的轻量级卷积神经网络的参数量和计算量显着降低,能够满足实时性识别任务要求,在识别准确率、计算复杂度和技术可行性三个方面获得更优的平衡。3.针对多数弱监督细粒度识别算法割裂判别性区域定位与细粒度特征学习之间的联系导致后续发展受限的问题,构建出一种包含student-model、teacher-model和classification-model模块的基于自注意力机制的循环卷积神经网络。该网络结合区域建议网络的锚框思想与基于排序学习算法的Teacher-Student循环反馈机制搭建出自注意力区域推荐网络,能够在仅使用图像级标签的情况下较为准确地检测细粒度图像判别性区域并提取对应特征信息。此外,在多任务联合学习过程中,该网络通过参数硬共享机制降低过拟合风险,并采用动态权重分配机制根据每一子任务自身损失函数变化情况自适应地调整其权重系数,减少人为设定超参数量,促使权重分配更加合理。实验结果表明,基于自注意力机制的循环卷积神经网络通过相互增强、彼此促进的方式加深判别性区域定位和细粒度特征学习间的关联,使得网络具备自主检测目标及局部关键部位的能力,从而降低图像背景干扰,在CUB-200-2011、FGVC Aircraft和Stanford Cars细粒度图像识别任务中表现优异,同时整体网络通过端到端的单阶段训练方式即可完成优化,极大地减轻设计负担。
李锦妮[9]（2020）在《监测数据变化趋势自动提取与分析方法研究》文中进行了进一步梳理在大数据化时代背景下,通过数据分析从复杂数据中提取有价值的信息是非常必要的,数据趋势分析则是其中重要的一部分。通过对数据趋势的分析,不仅可以对比数据当前状态与历史知识库中真实状态之间的差别,还可以对数据未来的变化状态进行预测。定性趋势分析（Qualitative Trend Analysis,QTA）是目前数据趋势分析中的常用技术,本文针对其存在的问题展开了如下工作:1、针对传统的定性趋势分析中存在窗口长度自适应差和误差阈值人为设定,导致趋势提取不准确的问题,本文研究了定性趋势分析中七种基元的分类特点,提出了一种基于自适应窗口的数据局部趋势自动提取方法。该方法平衡了数据局部与整体的关系,使得提取的趋势既不会太细致,陷于数据的局部细节;也不会太粗糙,丢失数据的真实信息。并以列车轴温数据为对象,与传统的固定窗口和可变窗口提取趋势的方法进行了对比,通过实验分析证明,本文方法能够针对数据自身特点准确地实现数据趋势的自动提取与分析。2、针对传统的定性趋势分析在实际应用中存在趋势基元匹配不精确的问题,本文提出了一种定性与定量结合的方法对现有的七种定性基元进行了扩充,修正了现有的匹配度矩阵。该方法避免了定性基元非量化的单一性表示,实现了对相同类型基元的准确区分。3、针对现有的定性趋势分析方法关注点都在局部趋势分析上,未考虑到数据整体趋势的问题,本文提出了将数据局部趋势与Mann-Kendall（M-K）趋势检验算法相结合实现了数据整体趋势的准确提取与分析,获得了数据在整个时间轴上的大致变化,有利于从全局角度出发把握数据的整体状态,并通过实验分析验证了方法的有效性。4、在实际中研究人员更偏向于用图形曲线的方式观察数据的历史趋势状态,因此本文提出了一种将数据域转化到图像域分析数据趋势的新思路。研究了基于尺度变化的趋势提取方法,首先引入一个尺度因子伸缩图像来表示局部与整体的关系,其次经过图像处理过程提取出趋势片段后,再将图像域映射到数据域,最后通过实验分析验证了该方法能够准确提取趋势,并且能直观地表示出趋势状态。
尚进鑫[10]（2020）在《强时效性的基于数字图像处理的粗颗粒土粒径信息识别技术研究》文中提出进行粗粒土土样粒径分析并获得颗粒级配曲线的传统方法是筛分法,虽然采用筛分法进行粒径分析简单直观,但是操作繁琐且不能即时得到室外原状土的颗粒级配信息。为了解决这一问题,开展了基于数字图像处理的粗颗粒土级配信息识别技术研究,主要研究内容及成果如下:（1）对常用的图像分析方法进行研究比选,使用局部自适应阈值法对图像进行二值化处理,使用分水岭算法对图像中的粘结部分进行分割,可以在保留更多细节的同时,对颗粒的接触部分更好的分割,并分别对颗粒数目较少和较多时等不同类别的图像分别进行了分析,验证了结果的可靠性;（2）基于数字图像处理技术开发了强时效的粗颗粒土粒径分析系统,可以通过手机摄像头获取图像照片,然后通过对图像的分析识别获取土颗粒的颗粒级配曲线,并根据颗粒级配曲线可得到土颗粒的d10、d30、d60、Cu、Cc等信息;（3）将开发的程序应用于TBM传送带渣料监控,对渣料图像进行实时处理和分析,通过所建立渣料破碎情况与TBM工作性能的关系,获得TBM的工作性能（如耗刀量等）和掌子面处围岩的分级情况。
二、数据处理技术在粒度图像分析中的应用（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、数据处理技术在粒度图像分析中的应用（论文提纲范文）
（1）面向智慧城市的交通视频结构化分析前沿进展（论文提纲范文）
| 0 引 言 |
| 1 国际研究现状 |
| 1.1 交通视频车辆结构化 |
| 1.1.1 车辆检测 |
| 1.1.2 车辆属性识别 |
| 1.1.3 车辆检索与重识别 |
| 1.2 交通视频人员结构化 |
| 1.2.1 人脸结构化分析 |
| 1)基于注意力机制的人脸结构化分析。 |
| 2)基于级联式的人脸结构化分析。 |
| 3)基于多任务学习的人脸结构化分析。 |
| 4)基于辅助信息的人脸结构化分析。 |
| 5)人脸结构化分析中的数据均衡。 |
| 1.2.2 行人结构化分析 |
| 1)基于区域的行人结构化分析。 |
| 2)基于注意力机制的行人结构化分析。 |
| 3)基于相关性探索的行人结构化分析。 |
| 4)基于辅助信息的行人结构化分析。 |
| 1.3 交通视频行人行为分析 |
| 1.3.1 传统手工特征提取方法 |
| 1.3.2 基于深度学习的特征提取方法 |
| 2 国内研究进展 |
| 2.1 交通视频车辆结构化 |
| 2.1.1 车辆检测 |
| 2.1.2 车辆属性识别 |
| 1)车牌识别。 |
| 2)车型识别。 |
| 3)车辆颜色识别。 |
| 2.1.3 车辆检索与重识别 |
| 1)车辆检索。 |
| 2)车辆重识别。 |
| 2.2 交通视频行人结构化分析 |
| 2.2.1 人脸结构化分析 |
| 1)基于注意力机制的人脸结构化分析。 |
| 2)基于级联式的人脸结构化分析。 |
| 3)基于多任务学习的人脸结构化分析。 |
| 4)基于辅助信息的人脸结构化分析。 |
| 5)人脸结构化分析中的数据均衡。 |
| 2.2.2 行人结构化分析 |
| 1)基于区域的行人结构化分析。 |
| 2)基于注意力机制的行人结构化分析。 |
| 3)基于相关性探索的行人结构化分析。 |
| 4)基于辅助信息的行人结构化分析。 |
| 2.3 交通视频行人行为分析 |
| 2.3.1 传统手工特征提取方法 |
| 2.3.2 基于深度学习的特征提取方法 |
| 3 国内外研究进展比较 |
| 4 发展趋势与展望 |
（2）基于情感分析的人机谈判研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 动机 |
| 1.2.1 情感因素对于人类谈判的影响 |
| 1.2.2 情感因素对于人机谈判的影响 |
| 1.2.3 研发基于情感的人机谈判系统的意义 |
| 1.3 研究思路和技术路线 |
| 1.4 本文的主要贡献 |
| 1.5 本文的组织结构 |
| 第2章 文献综述 |
| 2.1 引言 |
| 2.2 基于机器学习的情感分析 |
| 2.2.1 基于线性分类器的方法 |
| 2.2.2 基于概率分类器的方法 |
| 2.2.3 其它基于机器学习的方法 |
| 2.2.4 讨论 |
| 2.2.5 小结 |
| 2.3 基于深度学习的情感分析 |
| 2.3.1 基于卷积神经网络的方法 |
| 2.3.2 基于循环神经网络的方法 |
| 2.3.3 混合的方法 |
| 2.3.4 其它基于深度学习的方法 |
| 2.3.5 多模态的情感分析 |
| 2.3.6 小结 |
| 2.4 情感分析技术的应用 |
| 2.4.1 商业应用 |
| 2.4.2 中国的智能客服系统 |
| 2.4.3 非商业应用 |
| 2.4.4 关系和事件预测 |
| 2.4.5 对话系统 |
| 2.4.6 讨论与挑战 |
| 2.4.7 小结 |
| 2.5 自动谈判 |
| 2.5.1 机器对机器的自动谈判 |
| 2.5.2 人机自动谈判 |
| 2.6 对话系统 |
| 2.6.1 对话理解 |
| 2.6.2 对话管理 |
| 2.6.3 对话生成 |
| 2.7 本章小结 |
| 第3章 系统结构及原理 |
| 3.1 引言 |
| 3.2 模型定义 |
| 3.3 系统框架 |
| 3.4 系统主函数 |
| 3.5 界面设计 |
| 3.6 情感分类 |
| 3.6.1 情感分类标准 |
| 3.6.2 情感强度分类标准 |
| 3.6.3 情感关键词库 |
| 3.7 意图特征和情感特征抽取 |
| 3.7.1 意图特征抽取 |
| 3.7.2 情感特征抽取 |
| 3.8 意图分类 |
| 3.9 情感分类 |
| 3.10 价格特征词及其值抽取 |
| 3.11 谈判决策 |
| 3.11.1 安抚策略 |
| 3.11.2 让步策略 |
| 3.11.3 谈判算法 |
| 3.12 生成回复 |
| 3.13 本章小结 |
| 第4章 系统的实现 |
| 4.1 概述 |
| 4.2 收集语料与预处理 |
| 4.3 交互界面 |
| 4.4 意图和情感特征抽取 |
| 4.5 意图识别与分类 |
| 4.6 情感识别与分类 |
| 4.7 价格特征及其值抽取 |
| 4.8 谈判策略 |
| 4.9 生成回复 |
| 4.10 本章小结 |
| 第5章 谈判实例与分析 |
| 5.1 谈判成功样例分析 |
| 5.2 谈判破裂样例分析 |
| 5.3 两样例总分析 |
| 5.4 本章小结 |
| 第6章 系统评估与分析 |
| 6.1 意图和情感分类模型的性能评估 |
| 6.2 谈判成功率 |
| 6.3 谈判结果的效用 |
| 6.4 人类谈判对手满意度 |
| 6.5 本章小结 |
| 第7章 结束语 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录A 部分意图语料 |
| A.1 问候意图类 |
| A.2 讲价意图类 |
| A.3 破裂意图类 |
| A.4 成交意图类 |
| 附录B 部分情感语料 |
| B.1 愤怒情感类 |
| B.2 生气情感类 |
| B.3 失望情感类 |
| B.4 着急情感类 |
| B.5 担心情感类 |
| B.6 委屈情感类 |
| B.7 高兴情感类 |
| B.8 感激情感类 |
| 附录C 部分回复模板 |
| C.1 愤怒回复模板库 |
| C.2 生气回复模板库 |
| C.3 失望回复模板库 |
| C.4 着急回复模板库 |
| C.5 担心回复模板库 |
| C.6 委屈回复模板库 |
| C.7 高兴回复模板库 |
| C.8 感激回复模板库 |
| C.9 问候类回复模板库 |
| C.10 讲价类回复模板库 |
| C.11 破裂类回复模板库 |
| C.12 成交类回复模板库 |
| 读硕期间获得的成果与奖励 |
| 致谢 |
（3）面向医学影像分析的成本敏感深度学习研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于强监督学习的医学图像分割 |
| 1.2.2 基于弱监督学习的疾病分类 |
| 1.2.3 基于多粒度标注样本的混合监督学习 |
| 1.2.4 基于主动学习的样本选择性标注 |
| 1.2.5 基于课程学习与自步学习的渐进训练策略 |
| 1.3 医学图像分析中的成本效率问题 |
| 1.3.1 三维图像分割中的存储空间瓶颈问题 |
| 1.3.2 弱监督学习的错误支持区域问题 |
| 1.3.3 混合监督学习中的精标注形式选择问题 |
| 1.3.4 混合监督学习的精标注子集自动选择问题 |
| 1.3.5 弱监督学习中的注意力自我修正问题 |
| 1.4 本文主要工作与组织结构 |
| 1.4.1 本文主要工作及创新点 |
| 1.4.2 本文的组织和架构 |
| 第二章 面向三维医学图像全幅分割的低存储占用深度网络 |
| 2.1 引言 |
| 2.2 存储空间限制下的有效感受野问题 |
| 2.3 全局编码与局部解码一体化模型 |
| 2.3.1 网络结构 |
| 2.3.2 多任务混合损失函数 |
| 2.3.3 多感受野模型集成 |
| 2.4 实验:MRI结直肠癌分割 |
| 2.4.1 实验设置 |
| 2.4.2 实验结果 |
| 2.5 扩展应用一:面部 3D CT中的下颌骨与咬肌分割 |
| 2.5.1 方法扩展 |
| 2.5.2 实验设置 |
| 2.5.3 实验结果 |
| 2.6 扩展应用二:腹部 3D CT中的多器官分割 |
| 2.6.1 方法扩展 |
| 2.6.2 实验设置 |
| 2.6.3 实验结果 |
| 2.7 讨论 |
| 2.8 本章小结 |
| 第三章 基于多粒度标注的混合监督学习 |
| 3.1 引言 |
| 3.2 混合监督学习的必要性及其问题 |
| 3.3 基于对抗学习的间接注意力拟合 |
| 3.3.1 错误关联解耦 |
| 3.3.2 独立实例增强 |
| 3.3.3 对抗学习对注意力挖掘的影响 |
| 3.3.4 损失函数设计 |
| 3.3.5 贡献屏蔽模块设计 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 面向混合监督学习的主动学习 |
| 4.1 引言 |
| 4.2 分类正确性与注意力正确性的不协同问题 |
| 4.3 基于注意力不确定性度量的主动学习 |
| 4.3.1 主动学习框架 |
| 4.3.2 注意力不确定性度量计算 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 自步注意力学习 |
| 5.1 引言 |
| 5.2 可靠注意力固化中的伪标签噪声问题 |
| 5.3 基于样本优先级和可靠注意力固化的自步注意力学习 |
| 5.3.1 基于注意力不确定性度量的样本优先级排序 |
| 5.3.2 基于抗噪伪标注学习的可靠注意力固化 |
| 5.4 实验 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）基于PXRF技术的黑龙江阿城白岭铜锌多金属矿区砷元素污染评估（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.1.1 研究目的 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 PXRF研究现状 |
| 1.2.2 矿业活动引发的砷污染的研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 主要工作量 |
| 1.6 论文主要创新点 |
| 第2章 X射线荧光分析技术 |
| 2.1 XRF技术与设备简介 |
| 2.1.1 X射线荧光分析技术 |
| 2.1.2 便携式X射线荧光光谱仪 |
| 2.1.3 微区X射线荧光光谱仪 |
| 2.2 PXRF读数的影响因子及数据校正方法 |
| 2.2.1 基体效应 |
| 2.2.2 湿度效应 |
| 2.2.3 膜效应 |
| 2.2.4 测量时间 |
| 2.2.5 不平度效应 |
| 2.2.6 粒度效应 |
| 第3章 研究区概况 |
| 3.1 研究区范围及自然地理条件 |
| 3.2 研究区地质背景 |
| 3.2.1 区域成矿背景 |
| 3.2.2 矿床地质特征 |
| 第4章 基于PXRF技术评价矿区公路扬尘砷污染 |
| 4.1 工作区A的树桩横截面中元素的空间分布 |
| 4.1.1 PXRF对树桩横截面分析方法 |
| 4.1.2 树桩横截面各元素空间分布 |
| 4.1.3 树桩横截面As/Zn元素含量与距公路距离关系 |
| 4.2 树桩对应位置土壤中各元素的空间分布 |
| 4.2.1 PXRF对土壤分析方法 |
| 4.2.2 树桩对应位置土壤中各元素空间分布 |
| 4.2.3 树桩下方土壤中As/Zn元素含量与距公路距离关系分析 |
| 4.3 树桩垂直切面的微区X射线荧光光谱仪扫描 |
| 4.3.1 微区X荧光单点测试时间选定 |
| 4.3.2 树桩垂直切面中元素分布及X射线荧光光谱谱图分析 |
| 4.4 剖面验证 |
| 4.5 小结与讨论 |
| 第5章 矿区农田土壤砷污染评估 |
| 5.1 基于PXRF技术的农田土壤砷污染评估 |
| 5.1.1 工作区地理位置及工作方法 |
| 5.1.2 PXRF数据的质量控制及误差分析 |
| 5.1.3 基于实地/实验室PXRF数据的元素空间分布 |
| 5.1.4 剖面验证 |
| 5.2 土壤中砷元素形态分析 |
| 5.2.1 顺序提取法介绍 |
| 5.2.2 采样位置及样品描述 |
| 5.2.3 土壤样品中砷形态分析结果 |
| 5.3 小结与讨论 |
| 第6章 PXRF法评估矿区植物中砷元素富集水平 |
| 6.1 PXRF对有机质样品的分析方法 |
| 6.1.1 PXRF分析模式选取与实验室ICP方法介绍 |
| 6.1.2 有机质样品湿度、密度、厚度对PXRF读数的影响——建立PXRF法分析有机质样品的样品预处理流程 |
| 6.2 PXRF测量有机质样品数据的校正模型 |
| 6.2.1 建立有机质样品PXRF数据的线性回归校正模型 |
| 6.2.2 验证有机质样品PXRF数据的线性回归校正模型 |
| 6.3 基于PXRF方法分析矿区植物砷元素含量 |
| 6.3.1 样品采集与PXRF分析 |
| 6.3.2 PXRF分析结果与讨论 |
| 6.4 小结与讨论 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）面向视觉行为理解的时空多粒度特征分析算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要术语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 卷积神经网络 |
| 1.2.2 循环神经网络 |
| 1.2.3 长时间跨度下的行为预测分析 |
| 1.2.4 多个体共同意图预测分析 |
| 1.2.5 多粒度下行为分析 |
| 1.2.6 特征融合算法分析 |
| 1.3 本文主要研究工作和创新点 |
| 1.4 本文的章节安排 |
| 第二章 基于时域多粒度特征学习的行为预测算法 |
| 2.1 引言 |
| 2.2 相关研究工作 |
| 2.3 时域多粒度特征学习模型 |
| 2.3.1 方法总括 |
| 2.3.2 特征值提取 |
| 2.3.3 时域大粒度网络模型 |
| 2.3.4 时域动态粒度网络模型 |
| 2.3.5 行为演化曲线预测模型 |
| 2.4 实验与分析 |
| 2.4.1 实验数据集和训练方法 |
| 2.4.2 行为预测对比实验分析 |
| 2.4.3 行为演化曲线预测实验分析 |
| 2.5 本章小结 |
| 第三章 基于空域多粒度特征学习的群体共同意图预测算法 |
| 3.1 引言 |
| 3.2 相关研究工作 |
| 3.3 全新的群体关注点数据集 |
| 3.3.1 数据集的建立 |
| 3.3.2 数据集分析 |
| 3.4 空域多粒度特征学习模型 |
| 3.4.1 方法总括 |
| 3.4.2 特征值提取 |
| 3.4.3 空域全局粒度网络模型 |
| 3.4.4 空域个体粒度网络模型 |
| 3.4.5 融合网络模型 |
| 3.4.6 Muggle框架优势分析 |
| 3.5 实验与分析 |
| 3.5.1 实验设置 |
| 3.5.2 对比实验分析 |
| 3.5.3 消融实验分析 |
| 3.5.4 鲁棒性实验分析 |
| 3.5.5 敏感性实验分析 |
| 3.6 本章小结 |
| 第四章 基于时空域多粒度特征学习的群体行为分析算法 |
| 4.1 引言 |
| 4.2 相关研究工作 |
| 4.3 全新的多粒度描述数据集 |
| 4.3.1 数据集的建立 |
| 4.3.2 数据集分析 |
| 4.4 时空域多粒度特征学习模型 |
| 4.4.1 方法总括 |
| 4.4.2 特征值提取 |
| 4.4.3 时空域多粒度交互编码模型 |
| 4.4.4 时空域多粒度注意力模型 |
| 4.5 多粒度描述评估指标 |
| 4.6 实验与分析 |
| 4.6.1 对比实验分析 |
| 4.6.2 特征值实验分析 |
| 4.6.3 子模块实验分析 |
| 4.6.4 敏感性实验分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的国际专利与接收的国际提案 |
（6）基于人工智能的多路高速光信号频谱分析技术及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 光性能监测技术的研究现状和发展趋势 |
| 1.2.1 直接检测系统中的光性能监测技术 |
| 1.2.2 相干接收系统中的光性能监测技术 |
| 1.3 人工智能在光性能监测技术中的应用 |
| 1.3.1 机器学习背景 |
| 1.3.2 机器学习在光性能监测技术中的应用 |
| 1.3.3 深度学习在光性能监测技术中的应用 |
| 1.4 人工智能在光谱分析中的应用 |
| 1.5 论文主要内容与结构 |
| 第二章 机器学习算法及目标检测算法的基本原理 |
| 2.1 机器学习算法 |
| 2.1.1 支持向量机 |
| 2.1.2 人工神经网络 |
| 2.1.3 决策树 |
| 2.1.4 K近邻算法 |
| 2.2 基于深度学习的目标检测算法 |
| 2.2.1 Faster R-CNN算法 |
| 2.2.2 SSD算法 |
| 2.2.3 RefineDet算法 |
| 2.3 本章小结 |
| 第三章 基于机器学习的多功能单波长光谱分析与研究 |
| 3.1 单波长光谱分析及其仿真实现 |
| 3.2 基于光谱的常规参数分析 |
| 3.2.1 波长和OSNR监测及结果分析 |
| 3.2.2 带宽监测及结果分析 |
| 3.2.3 波长、带宽和OSNR同时监测 |
| 3.3 基于机器学习的光谱损伤诊断分析 |
| 3.3.1 滤波器级联监测及结果分析 |
| 3.3.2 中心频率偏移监测及结果分析 |
| 3.4 本章小结 |
| 第四章 基于目标监测的多波长弹性光谱分析技术 |
| 4.1 基于目标检测的FWDM仿真光谱分析模型 |
| 4.1.1 基于目标检测的FWDM系统仿真光谱分析平台 |
| 4.1.2 仿真数据采集和预处理 |
| 4.2 基于目标监测算法的FWDM系统仿真光谱分析 |
| 4.2.1 OSNR监测及结果分析 |
| 4.2.2 波长监测及结果分析 |
| 4.2.3 带宽监测及结果分析 |
| 4.2.4 调制格式识别及结果分析 |
| 4.2.5 基于仿真光谱多参数联合分析 |
| 4.3 基于目标监测算法的FWDM系统实验光谱分析模型 |
| 4.3.1 基于目标检测的FWDM系统实验光谱分析平台 |
| 4.3.2 实验数据采集和预处理 |
| 4.4 基于目标监测算法的FWDM系统实验光谱分析 |
| 4.4.1 OSNR监测及结果分析 |
| 4.4.2 波长监测及结果分析 |
| 4.4.3 带宽监测及结果分析 |
| 4.4.4 基于实验光谱的多参数联合分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（7）数据驱动下科技情报智慧服务模式研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与创新点 |
| 1.2.1 研究内容 |
| 1.2.2 研究创新点 |
| 1.3 研究方法与技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 研究技术路线 |
| 第2章 文献综述与理论基础 |
| 2.1 国内外研究现状 |
| 2.1.1 智慧服务研究现状 |
| 2.1.2 科技情报服务研究现状 |
| 2.1.3 科技情报智慧服务研究现状 |
| 2.1.4 研究现状述评 |
| 2.2 相关理论基础 |
| 2.2.1 相关概念界定 |
| 2.2.2 信息链理论 |
| 2.2.3 用户场景理论 |
| 2.2.4 需求层次理论 |
| 2.2.5 生命周期理论 |
| 第3章 科技情报智慧服务构成要素及特征 |
| 3.1 科技情报智慧服务构成要素 |
| 3.1.1 智慧数据 |
| 3.1.2 用户需求 |
| 3.1.3 智能技术 |
| 3.1.4 智慧情报 |
| 3.1.5 科技情报工作者 |
| 3.1.6 科技情报智慧服务平台 |
| 3.1.7 科技情报分析方法 |
| 3.2 科技情报智慧服务模式要素间关联关系 |
| 3.3 科技情报智慧服务特征 |
| 3.3.1 数据多源性 |
| 3.3.2 需求敏感性 |
| 3.3.3 技术智能性 |
| 3.3.4 服务场景化 |
| 3.4 本章小结 |
| 第4章 数据驱动下科技情报智慧服务模式构建 |
| 4.1 多源数据驱动 |
| 4.1.1 数据多源性 |
| 4.1.2 多源数据融合 |
| 4.2 智慧服务模式构建思路 |
| 4.3 智慧服务模式核心功能设计 |
| 4.3.1 用户需求智慧感知功能 |
| 4.3.2 情报服务智慧决策功能 |
| 4.3.3 用户服务智能推送功能 |
| 4.4 科技情报智慧服务模式 |
| 4.5 本章小结 |
| 第5章 数据驱动下科技情报智慧服务实现 |
| 5.1 多源科研数据调研 |
| 5.1.1 数据结构 |
| 5.1.2 数据类型 |
| 5.1.3 数据属性 |
| 5.2 基于用户动态画像的科技情报用户需求智慧感知 |
| 5.2.1 用户结构分析 |
| 5.2.2 用户分层画像 |
| 5.2.3 用户动态画像 |
| 5.2.4 用户需求模型构建 |
| 5.3 基于网络文本挖掘的公众政策感知智慧研究 |
| 5.3.1 运用网络文本挖掘分析公众政策感知 |
| 5.3.2 人工智能产业政策公众感知的特征 |
| 5.3.3 人工智能产业政策公众感知热点主题 |
| 5.4 基于向量空间模型的科技情报服务场景化推送 |
| 5.4.1 向量空间模型的应用 |
| 5.4.2 场景化服务 |
| 5.4.3 场景化服务接受效用 |
| 5.4.4 场景化服务推送模型 |
| 5.4.5 场景化服务推送实验 |
| 5.5 科技情报服务智慧反馈机制 |
| 5.6 本章小结 |
| 第6章 案例研究 |
| 6.1 格微软件科技情报智慧服务发展现状 |
| 6.1.1 基本概况 |
| 6.1.2 科技情报智慧服务发展现状 |
| 6.2 格微软件科技情报智慧服务发展模式 |
| 6.2.1 发展模式分析 |
| 6.2.2 实现路径 |
| 6.3 格微软件向科技情报智慧服务模式转变的优化 |
| 6.3.1 用户维度优化 |
| 6.3.2 情报维度优化 |
| 6.3.3 服务维度优化 |
| 6.4 本章小结 |
| 第7章 数据驱动下科技情报智慧服务保障策略 |
| 7.1 政策保障层面 |
| 7.1.1 建立健全法律法规保障体系 |
| 7.1.2 优化科技情报机构管理架构 |
| 7.2 资源保障层面 |
| 7.2.1 完善科研数据安全保障策略 |
| 7.2.2 推进科研数据开放保障策略 |
| 7.2.3 科技情报数据资源保障策略 |
| 7.3 技术保障层面 |
| 7.3.1 完善技术体系建设保障策略 |
| 7.3.2 完善科技情报服务反馈体系 |
| 7.3.3 创新大数据分析方法及工具 |
| 7.4 人才保障层面 |
| 7.4.1 完善人才队伍建设保障策略 |
| 7.4.2 完善科技情报人才教育体系 |
| 7.5 本章小结 |
| 第8章 研究总结与展望 |
| 8.1 研究总结 |
| 8.2 研究创新点 |
| 8.3 研究局限与展望 |
| 8.3.1 研究局限 |
| 8.3.2 研究展望 |
| 参考文献 |
| 作者简介与研究成果 |
| 致谢 |
（8）基于弱监督信息的细粒度图像识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统细粒度图像识别技术 |
| 1.2.2 深度学习细粒度图像识别技术 |
| 1.2.3 常用的细粒度图像数据集 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 细粒度图像识别基础理论 |
| 2.1 引言 |
| 2.2 卷积神经网络基本结构 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活层 |
| 2.2.4 批量标准化层 |
| 2.2.5 全连接层 |
| 2.3 细粒度图像识别方法 |
| 2.3.1 强监督细粒度模型Mask-CNN |
| 2.3.2 弱监督细粒度模型Bilinear CNN |
| 2.4 本章小结 |
| 第三章 交叉多流融合多尺度特征的混合阶卷积神经网络 |
| 3.1 引言 |
| 3.2 多尺度特征融合策略 |
| 3.2.1 特征融合基本方式 |
| 3.2.2 自下而上的多尺度特征融合 |
| 3.3 混合阶池化 |
| 3.4 交叉多流网络框架 |
| 3.4.1 直接相加法 |
| 3.4.2 权重相加法 |
| 3.5 实验细节与结果分析 |
| 3.5.1 实验平台与参数设置 |
| 3.5.2 多尺度特征融合策略对模型性能的影响 |
| 3.5.3 混合阶池化对模型性能的影响 |
| 3.5.4 交叉多流网络框架对模型性能的影响 |
| 3.6 本章小结 |
| 第四章 跨层特征交互的轻量级卷积神经网络 |
| 4.1 引言 |
| 4.2 轻量级基础特征提取网络 |
| 4.2.1 分组卷积 |
| 4.2.2 ResNet-50 轻量化 |
| 4.3 低秩近似多项式核函数 |
| 4.3.1 数学准备 |
| 4.3.2 低秩近似多项式核池化 |
| 4.3.3 误差反向传播 |
| 4.4 跨层特征交互网络框架 |
| 4.5 实验细节与结果分析 |
| 4.5.1 实验平台与参数设置 |
| 4.5.2 轻量级基础特征提取网络对模型性能的影响 |
| 4.5.3 低秩近似多项式核池化对模型性能的影响 |
| 4.5.4 跨层特征交互网络框架对模型性能的影响 |
| 4.5.5 可视化结果 |
| 4.6 本章小结 |
| 第五章 基于自注意力机制的循环卷积神经网络 |
| 5.1 引言 |
| 5.2 自注意力区域推荐网络 |
| 5.2.1 student-model候选区域建议网络 |
| 5.2.2 Teacher-Student循环反馈机制 |
| 5.2.3 排序学习 |
| 5.3 整体网络结构 |
| 5.4 多任务学习 |
| 5.4.1 损失函数 |
| 5.4.2 动态权重分配机制 |
| 5.5 实验细节与结果分析 |
| 5.5.1 实验平台与参数设置 |
| 5.5.2 注意力区域推荐网络对模型性能的影响 |
| 5.5.3 动态权重分配机制对模型性能的影响 |
| 5.5.4 可视化结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| 作者简介(包括论文和成果清单) |
（9）监测数据变化趋势自动提取与分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 趋势提取方法研究 |
| 1.2.2 趋势描述与分析方法研究 |
| 1.3 主要研究内容 |
| 1.4 本文的组织结构 |
| 2 工业数据趋势提取与分析算法 |
| 2.1 固定窗口长度拟合趋势提取 |
| 2.2 可变窗口长度拟合趋势提取 |
| 2.3 定性趋势基元模型 |
| 2.3.1 三种定性趋势基元模型 |
| 2.3.2 七种定性趋势基元模型 |
| 2.4 实验分析 |
| 2.5 本章小结 |
| 3 基于自适应窗口的数据局部趋势提取与分析 |
| 3.1 最优包络中心线下的局部趋势提取与分析 |
| 3.1.1 最优包络中心线 |
| 3.1.2 极值点计算 |
| 3.1.3 极值点划分数据块 |
| 3.1.4 实验分析 |
| 3.2 基于小波多尺度分析的局部趋势提取与分析 |
| 3.2.1 数据的小波分解 |
| 3.2.2 去除伪极值点 |
| 3.2.3 实验分析 |
| 3.3 不同数据粒度因子下的局部趋势提取与分析 |
| 3.3.1 数据粒度因子 |
| 3.3.2 实验分析 |
| 3.4 定性与定量相结合的局部趋势分析 |
| 3.5 本章小结 |
| 4 局部趋势与Mann-Kendall算法相结合的数据整体趋势分析 |
| 4.1 M-K趋势检验 |
| 4.2 M-K突变检验 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 5 基于尺度变化的趋势提取方法 |
| 5.1 数据域到图像域的转化 |
| 5.2 图像域下的趋势分析 |
| 5.2.1 可变尺度因子v |
| 5.2.2 图像处理 |
| 5.2.3 曲线中心线提取 |
| 5.2.4 拐点检测 |
| 5.2.5 分段趋势模型匹配 |
| 5.3 图像域到数据域的映射 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
| 致谢 |
（10）强时效性的基于数字图像处理的粗颗粒土粒径信息识别技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统颗粒级配信息的分析方法 |
| 1.2.2 图像处理技术在岩土相关领域的应用 |
| 1.3 主要的研究内容和目的 |
| 1.4 难点和创新点 |
| 2 颗粒图像处理的基本流程和方法比选 |
| 2.1 数字图像的基本概念 |
| 2.1.1 图像在计算机的存在形式 |
| 2.1.2 颜色空间及其类型 |
| 2.2 图像处理的基本方法 |
| 2.2.1 图像的灰度化处理 |
| 2.2.2 图像的二值化处理 |
| 2.3 接触部分的分割 |
| 2.3.1 形态学方法分割 |
| 2.3.2 凹点检测方法分割 |
| 2.3.3 分水岭法分割 |
| 2.4 本章小结 |
| 3 颗粒数量较少时的粒径分析 |
| 3.1 颗粒之间未发生接触时的图像分析 |
| 3.1.1 实际测量结果 |
| 3.1.2 颗粒之间未发生接触时的图像分析结果 |
| 3.1.3 实测结果和程序计算结果的比较 |
| 3.2 颗粒之间发生接触时的图像分析 |
| 3.2.1 颗粒之间发生简单接触时的分析结果 |
| 3.2.2 颗粒之间发生复杂接触时的分析结果 |
| 3.3 图像分析的后处理 |
| 3.4 本章小结 |
| 4 颗粒数量多时的粒径分析 |
| 4.1 颗粒粒径相差较小时的粒径分析 |
| 4.1.1 碎石图像的粒径分析 |
| 4.1.2 砂石图像的粒径分析 |
| 4.2 颗粒粒径相差较大时的粒径分析 |
| 4.3 实验结果验证 |
| 4.3.1 筛分实验结果 |
| 4.3.2 图像识别结果 |
| 4.4 本章小结 |
| 5 基于图像处理的颗粒级配分析在实际中的应用 |
| 5.1 基于手机拍照的粗颗粒土粒径信息识别 |
| 5.1.1 参照物的确定 |
| 5.1.2 实验结果验证 |
| 5.2 基于渣料图像判断TBM工作效率的分析 |
| 5.2.1 渣料与TBM工作效率的关系 |
| 5.2.2 光照对识别结果的影响 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 参与科研项目 |
| 学位论文数据集 |
四、数据处理技术在粒度图像分析中的应用（论文参考文献）
- [1]面向智慧城市的交通视频结构化分析前沿进展[J]. 赵耀,田永鸿,党建武,付树军,王恒友,万军,安高云,杜卓然,廖理心,韦世奎. 中国图象图形学报, 2021(06)
- [2]基于情感分析的人机谈判研究[D]. 林萍萍. 广西师范大学, 2021(09)
- [3]面向医学影像分析的成本敏感深度学习研究[D]. 黄逸杰. 上海交通大学, 2020(01)
- [4]基于PXRF技术的黑龙江阿城白岭铜锌多金属矿区砷元素污染评估[D]. 周树斌. 中国地质大学(北京), 2020(04)
- [5]面向视觉行为理解的时空多粒度特征分析算法研究[D]. 庄宁. 上海交通大学, 2020(01)
- [6]基于人工智能的多路高速光信号频谱分析技术及应用[D]. 吕宏伟. 北京邮电大学, 2020(05)
- [7]数据驱动下科技情报智慧服务模式研究[D]. 王益成. 吉林大学, 2020(08)
- [8]基于弱监督信息的细粒度图像识别方法研究[D]. 刘杨. 东南大学, 2020(01)
- [9]监测数据变化趋势自动提取与分析方法研究[D]. 李锦妮. 西安理工大学, 2020(01)
- [10]强时效性的基于数字图像处理的粗颗粒土粒径信息识别技术研究[D]. 尚进鑫. 北京交通大学, 2020(03)