一、.NET框架下Layered Application模式应用（论文文献综述）
岳鹏宇[1]（2021）在《目标驱动的移动机器人自主导航研究》文中认为目前,移动机器人导航技术已经广泛应用于边境巡逻、反恐行动、安保物流等军用、民用领域。随着应用范围的扩大,机器人在未知环境下导航问题,已经成为机器人技术中最实用,最具有挑战的研究主题之一。由于应用场景常常难以预测,基于地图信息的传统导航方法很难推广到未知环境中。因此,使机器人在复杂未知环境中安全的探索环境,高效自主的确定目标位置,高鲁棒性的完成导航任务,是移动机器人得以广泛应用的关键点和难点。为此,本文以TurtleBot2移动机器人作为控制对象,深入研究了目标驱动的移动机器人自主导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,实现了自然场景下移动机器人对动态目标的自主导航,提高了动态目标导航中深度强化学习算法的收敛性和可靠性。主要工作如下:（1）基于深度强化学习的移动机器人静态目标导航实验研究。在深度强化学习理论框架下,采用深度Q网络（DQN）,实现了原始图像到移动机器人最优动作的映射。在室内自然场景下,完成了多种挑战性情况下的移动机器人静态目标导航实验,包括导航过程中目标位置突变、环境突变、绑架机器人等,实验结果表明所设计的方法在无地图的情况下,可以使移动机器人系统仅通过视觉信息,完成从起始位置到静态目标物体的无碰撞自主导航运动。（2）针对运动目标导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,包括多智能体协同逼近导航策略的网络结构和针对该网络的训练算法。首先,为简化导航网络所逼近的-策略,导航网络由两个智能体构成,分别控制导航机器人的运动速度与运动方向,两个智能体都将运动控制视为标准的强化学习问题,与环境进行交互,利用值函数法最大化奖励。随后,为提高算法的收敛性与训练效率,基于上述网络结构,结合分段式强化学习与对抗强化学习,提出了针对多智能体协同控制的训练方法。最后,为验证算法的有效性,在室内自然场景下,利用TurtleB ot2机器人完成了无地图情况下的多组移动机器人动态目标导航实验。实验结果表明,所提的Teamwork-Net算法在导航机器人未发现目标的情况下,能够利用视觉安全的避开障碍物并高效探索环境寻找目标。当目标出现在视野范围内时,导航机器人能够准确的识别目标物体、分析出目标的运动意图（运动方向、位置等）,并成功的导航到一个具有反跟踪能力的运动目标。（3）针对迁移过程中的现实鸿沟问题,本文对Teamwork-Net控制网络的特征提取结果进行了可视化处理,对比了模拟环境与现实环境的特征提取结果。对比结果表明,经过训练获得的Teamwork-Net网络模型能够直接应用在实际环境中。
代健美[2]（2021）在《面向无线视频业务的边缘缓存与多播技术研究》文中研究指明随着在线/移动社交媒体和移动网络的快速发展,移动视频业务种类更加多样,视频数据速率、分辨率、帧率越来越高,导致移动视频数据流量急剧增加,现有无线网络将很难满足用户高质量视频通信的需求。构建面向视频业务的新型无线网络传输架构,应用缓存、多播等技术减少视频流量冗余,是降低无线网络压力的有效途径,具有重要的研究价值。为此,本文以提升无线视频业务性能、降低无线网络负载为目标,以优化理论为数学基础,通过挖掘各种典型视频业务特征,分别设计了面向普通视频、可伸缩视频编码（Scalable Video Coding,SVC）视频、虚拟现实（Virtual Reality,VR）视频等业务的新型无线传输架构,提出了适应传输架构特点和视频业务特性的无线边缘缓存优化方案及侧链路辅助的无线多播优化方案,有效降低了各类视频业务的平均下载时延,提高了传输质量,提升了用户体验。具体的研究工作及成果概括如下:首先,提出一种面向普通视频业务的主动无线边缘缓存策略。利用下一代无线接入网（Next Generation Radio Access Networks,NG-RAN）的云计算和分布式存储能力,构建了基于NG-RAN的无线视频传输架构,设计部署了缓存管理控制器和基于中心单元（Central Units,CU）-分布式单元（Distributed Units,DU）的二级缓存。为最小化平均传输时延,联合考虑用户移动概率和视频观看行为特点,分别提出了“用户移动性感知”和“用户移动性与视频片段流行度联合感知”的主动边缘缓存算法。理论分析和仿真证明,与已有典型算法相比,所提算法具有较低的复杂度,平均下载时延降低约10%,缓存命中率提高约20%。接着,提出一种面向SVC视频业务的无线边缘缓存策略。考虑到SVC提供的可伸缩性有利于视频交付,而NG-RAN具有灵活的网络结构,设计了基于NG-RAN的SVC视频传输架构。为最小化平均传输时延,联合考虑用户移动性、NG-RAN分层结构和SVC视频分层结构,提出了一种基于缓存优先级的启发式分层缓存算法。针对远端下载传输时延远高于边缘下载传输时延的特殊场景,提出了一种具有1/2近似比的简化算法。仿真结果验证了所提算法的有效性。相比较现有典型算法,所提算法的平均等待时间降低约16%,缓存命中率提高约30%。然后,提出一种面向360°VR视频业务的无线边缘缓存策略。针对VR业务的时延敏感性和计算密集性,设计具有视场合成和二级缓存功能的360°VR视频传输架构。以最小化平均下载时延为目标,建模了分层协作缓存优化问题并给出了理论最优解。针对最优解方案的NP-hard问题,提出了基于“最小距离数最大化”的低复杂度在线缓存算法,理论证明了所提算法与最优算法的近似比。仿真实验表明,所提算法比现有典型算法的平均等待时间降低约7%,回程流量降低约24%,而体验质量（Quality of Experiment,QoE）提升约 60%,实现了 360° VR 视频在NG-RAN网络中的低时延高效传输。最后,提出一种面向多质量贴片360°VR视频的侧链路辅助多播优化策略。针对传统无线多播容量受限于较差信道用户的问题,构建了侧链路辅助的360° VR视频无线多播传输系统,设计了两时隙流水线数据传输方案,提出了独立解码和联合解码两种侧链路辅助多播场景。针对不同场景分别建模了效用函数最大化问题,并给出了理论最优解方案。针对最优解实现复杂度过高的问题,提出了基于贪婪搜索和连续松弛的两阶段优化算法。通过对多播用户数、侧链路发送用户、带宽资源、接收视频贴片质量等级等进行联合优化,算法在无线资源消耗与多播容量之间实现权衡,获得了接近上界的次优解。仿真结果表明,算法具有较低的时间复杂度和很快的收敛速度,与传统多播算法相比,总效用值可获得10%的增益,可实现多质量贴片360°VR视频的高质量传输。
宁念文[3]（2021）在《基于表示学习的多层网络融合关键技术的研究》文中提出网络本质上是对底层复杂系统信息进行编码的一种方式。对普遍存在的网络数据中所编码的信息进行提取、表示和融合具有重要的研究意义和实用价值。目前人们已经对复杂网络及其普遍的性质进行了研究,其成果表明大多数复杂系统很少单独存在和运行。从社交网络、基础设施、运输系统到细胞和大脑,这些都是由多个相互作用的网络构成的“多层网络”,其中每一层代表特定的交互类型或视角。对多层网络中所编码信息的融合可以获得更全面和更有价值的信息。然而,目前多层网络融合研究面临着两方面的挑战:第一,由于隐私保护和技术的限制,对于不同网络中相同节点的识别更加困难;第二,图数据的碎片化、多视图的完备性和数据的多源异构性引入了更加复杂的特性,这使得网络信息的挖掘更加困难。现有的分析方法在信息提取和融合方面仍存在缺陷,不能很好地提取更深层次、更完整的信息以解决相关的实际问题。本文综合利用多层网络相关性质和网络表示学习方法,研究一套完整的多层网络融合技术。本文从层间对齐、结构融合以及空间嵌入融合三方面的研究出发,对多层网络信息提取与融合中的一系列关键技术进行研究,主要研究成果如下:1.本文研究基于图神经网络的多层网络层间对齐问题,该问题是蛋白质功能推断、跨域推荐、级联故障预测和疾病防控等实际应用的重要基础。为了实现层间对齐节点对的识别,本文给出了一种基于图-序列生成的节点排序图对齐神经网络模型。针对已有的基于网络表示学习对齐算法的缺陷,本文在构建的一对一嵌入约束的基础上,实现了保存层内节点邻近性和层间网络相关性的嵌入约束和空间对齐。然后,基于源网络的节点嵌入利用图-序列生成模型和注意力机制对目标网络中的节点进行排序,将最应该对齐的正确节点置于序列的首位。2.本文研究多层网络的结构融合问题,该问题在多领域知识图谱融合、生物多组学数据的集成和分子新结构研发等方面有很大的应用场景。为了实现碎片化图数据融合、多视图数据的完备性重构,本文从层间结构信息的一致性和互补性出发,以构建更加全面的网络结构为目标,提出了一种非线性多层网络结构融合模型。该模型通过保存多个网络中高重复性的边以保存结构一致性信息,保存较少出现的高相似性的边来保存互补性信息。同时,本文进一步通过高阶相似性缓解融合网络的构建质量对嵌入质量的依赖问题,进而得到新的、完整的图结构。3.本文研究保存多层网络中层间相关性的空间嵌入融合问题,该问题在信息的传播与检索、用户异常检测和跨域推荐等研究中具有重要的意义。针对当前方法中采样的偏执问题和结构多层性导致的采样边类型失衡问题,本文提出了一种基于自适应采样的多层网络空间嵌入融合框架并实现了两种带有跨层约束的多层网络嵌入方法。其中,为了对多层网络中层间相关性进行量化,本文严格定义了一种邻居分布系数并根据该系数实现自适应的跨层跳转。本文将采样的节点序列输入Skip-Gram模型中实现多层网络中节点的空间嵌入融合。4.本文研究保存多层属性网络中节点高阶依赖关系的空间嵌入融合问题,该问题在图谱补全、画像构建和用户属性补全等需求中具有广泛应用前景。本文发现多层网络中并非只有节点之间的依赖,节点属性与所在层局部结构之间也存在着高阶依赖,进而提出了一种保存节点高阶依赖关系的无监督空间嵌入融合模型。其中,通过设计的对称图卷积-反卷积模型精细化图神经网络聚合与更新操作中不同结构的语义对节点属性的依赖。本文也利用图自编码器架构作为全局无监督学习的框架以实现节点原始属性的重构,进而得到更加准确和细粒度的空间嵌入融合。
赵红燕[4]（2021）在《基于框架语义表示的关系抽取技术研究》文中指出关系抽取是信息抽取的关键任务,其目的是从给定的自然语言文本中识别实体与实体之间的关系,并转化为人机可读的结构化形式存储。该任务不仅对知识图谱构建和扩充具有重用的作用,而且在智能搜索、自动问答及知识推理等任务中具有重要的应用价值。传统的关系抽取方法依赖特征工程和关系抽取模式,无法满足动态海量文本关系抽取的需求。近年来,随着深度学习技术在自然语言处理不同任务上的成功应用,深度学习成为关系抽取的主流方法。基于深度学习的关系抽取能够从大规模文本中自动学习关系表达的语义特征和关系模式,在性能上已经显着超越了传统模型,但仍然在语义表示、远程监督噪音、数据不平衡等方面存在着亟待解决的问题。框架语义知识库,从人类认知角度出发,以框架为研究对象,通过词元、框架元素、框架关系等框架语义要素对实体、实体之间的关系以及实体参与的事件等语义场景进行了细粒度的刻画。在基于深度学习的关系抽取模型中,引入框架语义要素实现实体语义场景表示,能够增强实体上下文语义表征,改善关系抽取模型的性能。为此,本文围绕关系抽取的挑战问题,结合框架语义知识,从框架识别及框架语义要素抽取、关系抽取语义表示、远程监督关系抽取噪音以及关系抽取的数据不平衡四个方面展开研究。本文主要研究内容和贡献如下:（1）框架识别与框架语义要素抽取。框架识别是本文所有研究的一个基础性工作,它直接关系到对实体语义场景描述的是否准确。为此,本文提出了一种基于DNN的汉语框架识别模型,利用依存关系及依存词的词向量等特征表示目标词的上下文,通过神经网络自动学习目标词的上下文特征。为了使重要特征获得更大的关注,提出了一种基于两级注意力机制的卷积神经网络框架识别模型。该模型分别在输入层和池化层引入注意力机制,引导模型在学习过程中更关注和目标词密切相关的词和n-gram特征;采用多尺寸的滤波器,捕获不同粒度的特征,模型性能显着好于所有基线模型。在框架识别的基础上,提出了单框架语义要素抽取算法和扩展框架语义要素抽取算法,为基于框架语义关系抽取的相关任务提供技术支持。（2）基于框架语义和序列特征的关系抽取。针对神经关系抽取模型的语义表示问题,提出了一种融合框架语义和序列表示的关系抽取模型。研究了基于注意力机制的单框架语义要素融合方法和基于注意力机制的扩展框架语义要素融合方法;提出了多层次框架语义要素融合模型,在实体对语义场景表示中充分考虑了框架内和框架间的语义信息;在此基础上,提出了一种基于框架语义要素和序列特征相结合的句子表示模型;使用自注意力机制的Transformer神经网络架构建模实体提及之间的长距离依赖,在中英文数据集上均优于所有的基线模型。（3）基于框架语义上下文感知的远程监督关系抽取。针对远程监督关系抽取的噪音问题,提出了一种基于规则的实例选择方法和基于框架语义上下文感知的远程监督关系抽取模型。首先通过基于规则的方法对包中的实例进行选择,为关系抽取模型提供更加干净的训练实例;提出了层次化的框架语义表示模型,通过两层注意力机制使模型在框架语义表示时更加关注对目标关系重要的框架和语义场景,实现了基于框架语义的远程监督关系抽取。实验结果表明提出的方法能够有效降低远程监督关系抽取的噪音问题。（4）基于框架语义和多实例学习的非平衡数据关系抽取。针对关系抽取标注数据不平衡问题,提出了一种基于框架语义和多任务学习的关系抽取模型。该模型在实体上下文表示时引入实体对语义场景的框架表示,旨在从小样本关系实例中学习一种通用的实体上下文表示模式,缓解样本不平衡问题;引入语义场景的表示,增强了正例和负例的区分度,减弱负例对模型性能的影响;针对负样本过多问题,采用多任务学习方法,把关系抽取任务分为关系识别和关系分类两个子任务,使用参数共享机制,联合优化两种任务的目标函数,降低了负样本对关系抽取性能的影响。
何泽洲[5]（2021）在《非共价界面层状纳米复合材料的多尺度力学与设计》文中研究表明重大工程应用和可持续发展需求为开发新型绿色环保的高性能结构与功能纳米复合材料提供了战略机遇和挑战。纳米复合材料的优异性质主要来源于其纳米功能单元,而最主要的挑战是如何有效地将功能单元纳尺度突出的特性传递到宏观尺度。同时,如何解决强度和韧性之间的矛盾,实现纳米复合材料的强韧化设计一直是力学与材料前沿交叉研究中的关键科学问题。生物结构材料因其复杂而精细的层次结构和界面,表现出卓越的力学性能和多功能性。其中,弱界面与微结构协同工作,同时在多个尺度上控制着材料的非弹性变形和增韧机制,实现了材料独特的刚度、强度与韧性的组合,激发了高性能仿生纳米复合材料的发展。非共价界面作为一类弱界面,能在变形过程中动态地断裂和重构,始终保持载荷传递能力,并在界面上允许大的非弹性变形。因此,在材料中引入非共价界面能有效地调控增韧机制,平衡刚度、强度和韧性,从而有望解决纳米复合材料中的主要挑战和关键科学问题。本文围绕着纳米复合材料中非共价界面的多尺度力学框架、基于界面调控的力学优化设计、二维材料的界面力学行为和机理等三个关键科学问题,进行了系统研究。本文首先通过扩展界面本构关系,提出了一个针对砖块和界面系统自下而上的多尺度理论框架。阐明了由于界面本构关系的周期性,规则界面在不同的界面重叠长度下有均匀、局部化和扭结变形三种变形模式,由此定义了两个临界长度以描述非共价界面变形模式的转变。界面扭结表现为多个拓扑缺陷在界面上成核和扩展,从而同时提高了材料的强度和韧性。对不同界面堆叠构型的分析发现,相称界面的变形行为与规则界面相似,而线性滑动模型能很好地描述非相称和随机界面的变形行为。当重叠长度足够长时,由于抗滑性随机界面的荷载传递能力会超过规则界面。理论预测和力学框架通过大规模分子动力学模拟得到了验证。由此,结合通用的特征参数,提出了一个变形模式相图,给出了界面变形模式、关键特征尺寸、材料力学性能之间的内在关联,揭示了非共价界面层状纳米复合材料的一般性强韧化机制。本文接着研究了石墨烯基仿贝壳材料层间强非共价键调控与强韧性优化。考虑层间滑移与结构稳定性的耦合作用,修正了剪滞模型来描述片层拔出过程的增韧效应,明确了石墨烯基仿贝壳材料的强度同时受到界面韧性和剪切强度的影响,而韧性主要由片层拔出过程产生的能量耗散主导。由于三聚氰胺分子与氧化石墨烯之间超强的非共价作用,优选三聚氰胺分子作为层间交联剂。发现了三聚氰胺分子通过反常的氢键作用极大提高了界面剪切应力,增强了层间能量耗散。通过平衡氧化石墨烯面内拉伸强度、层间剪切强度和界面韧性三者之间的竞争,给出了一个同时提高石墨烯基仿贝壳材料强度和韧性的优化策略。进而提出了一个标度律作为评价机制,以联系石墨烯基仿贝壳材料内部非弹性变形与其力学性能,揭示了层间强非共价作用相对其他交联剂的优势,建立了一种基于界面调控兼顾强度和韧性的材料力学设计理论。本文最后研究了二维材料组装结构在范德华作用下的力学行为和机理。结合非线性剪滞模型和分子动力学模拟,明确了由于层间范德华吸引力引起的边缘效应,经典的剪滞模型不能准确地描述多层二维材料的面内变形。在剪滞模型框架下,通过引入两个特征常数来描述边缘剪切应力,发展了考虑边缘效应的剪滞模型,定量地揭示了层间滑移、边缘效应剪切应力和二维材料薄片的弹性变形对多层二维材料组装结构变形的贡献。随后,研究了自折叠石墨烯在外力和热激活作用下从基底上的剥离和撕裂行为,发现了由于基底的范德华作用,石墨烯的撕裂锥角关于基底黏附强度遵循不同于宏观尺度的标度律;在热激活作用下,自折叠石墨烯由于层间范德华作用可以通过自剥离和自撕裂的方式在基底上实现自组装。综上所述,本文结合理论模型和分子动力学模拟,系统地研究了非共价界面层状纳米复合材料的多尺度力学与设计,不仅为力学与材料科学前沿交叉研究中诸多关键科学问题提供了新认识和新理论,还为先进纳米复合材料走向工程应用奠定了理论基础。
宋凯文[6]（2021）在《面向分层网络体系结构的分布式神经网络系统设计及算法研究》文中指出近十余年来,以深度神经网络为主的机器学习技术取得了长足的进步,这得益于高性能计算软硬件和实际应用的不断发展。现如今已有大量组织和企业提供基于机器学习系统向大众提供服务,例如面部、语音识别、照片优化等等。深度神经网络对算力的需求也不同以往,因此对分布式神经网络系统的需求也逐渐增加。另一方面,在边缘计算应用的不断深入,云端、边缘和终端的分层网络日渐成熟,这带来了更丰富的数据来源、计算设备、应用需求和隐私保护的挑战。为此,适用于分层网络体系结构的分布式神经网络系统应运而生。这种分布式神经网络基于分割网络的思想,能够充分利用各设备计算资源、在神经网络上联通用户与云端。分布式神经网络变化灵活,为解决模型计算、推理性能、提升实时性、改善用户服务质量提供了新的可能性。但同时分布式系统天生具有的复杂性也为分布式神经网络带来了挑战。分布式环境下,时常会有在线数据分布不一致的问题,这严重影响了模型的训练与实际性能。针对这种现状,本文从算法和系统两个方面对分布式神经网络进行了研究。本文的主要工作如下:1.本文提出神经网络分布式训练算法,在保护用户隐私的前提下,面向分层网络体系结构,对部署后的神经网络在线进行训练,缓解分布式神经网络部署前后数据分布不一致、终端间数据分布不一致所带来的影响。这种方法同样具有较好的灵活性,能有效的扩展,或与其它相关算法结合,进一步改善分层网络体系下分布式神经网络的表现;2.本文设计了方便在仿真网络环境中运行的分布式神经网络系统,结合Linux操作系统网络特性和现有机器学习主流框架,能够灵活的实现分布式神经网络相关算法和实验,对算法的性能进行测试,从而提升相关算法和系统的研究开发效率。本文进行了简单实验,测试了分布式神经网络仿真系统的有效性和相关性能,确保系统有效,为后续实验提供保障。最后本文通过搭建仿真网络,通过仿真系统实现分布式训练算法,针对数据分布不一致的问题设计实验,测试和对比分布式训练算法的实际性能。通过实验可以看到分布式训练算法能对分层网络下的分布式神经网络有效进行训练,在数据不一致的情况下达到良好的准确率,同时避免了分享用户原始数据造成的隐私泄露。同时,本文紧密的实验对算法的相关参数进行了测试,体现了算法的各项性能特点。
高昕[7]（2021）在《基于Hi3559的智能相机系统软件研发》文中研究指明随着人工智能和大数据的发展,智能物联网产品获得了广泛的普及和市场认可,也面临着海量数据传输、运算和存储的挑战。与传统的网络摄像头相比,智能相机能够在数据采集的源端执行智能分析任务,辅助快速决策,减少了对网络带宽的占用,对于构建去中心化的、实时的智能视频监控系统有着重要的工程应用价值。为此,本文针对实时的智能视频监控研发了基于Hi3559芯片的智能相机系统应用软件,利用Hi3559的AI协处理器研发和部署实时智能分析算法,并采取模块化的思路将系统分为三个部分:系统业务模块、视频业务模块和智能分析模块。系统业务模块通过网页提供设备运维界面,采用专有的会话和升级协议实现视频预览、参数配置和应用升级等交互功能。视频业务模块实现实时视频的采集编码和基于主流的RTSP和HTTP-FLV流媒体协议的视频传输,提供个性化的码流配置功能。智能分析模块中,本文设计了以Hi3559神经网络推断引擎为处理核心的、可扩展的智能分析软件框架。基于该框架,开发者能够快速高效地部署智能分析任务,以软硬件协同的方式对采集的视频帧进行实时分析和标注。本文以人脸识别和行人检测为例进行了部署,前者采用了Retina Face、Mobile Face Net网络以及NMS算法、仿射变换、余弦相似度等技术,后者采用了Faster R-CNN双阶段网络和基于推荐区域的边界框回归技术。经测试,该系统实现了1080P/30fps实时视频流的采集和传输,并提供了较为完备的高清相机配置功能。智能分析软件框架中部署的人脸识别和行人检测功能的实时性和准确性较好,能够满足具体场景下的应用需求。
周翔宇[8]（2020）在《面向自主船舶的危险分析方法研究》文中认为继蒸汽技术革命、电力技术革命、计算机及信息技术革命之后,以人工智能、物联网、云计算、虚拟现实、量子信息技术等为代表的第四次工业革命正在改变世界。信息和通信技术的进步、信息分析能力的提高为各行各业创造了革命性的发展机会,在航运业中,以更为安全、高效、绿色的方式运载货物和乘客的自主船舶正受到前所未有的关注,并已成为航运业未来的发展方向。作为航运业数字化转型和新技术革新的代表,相较于仅由人工控制的常规船舶,自主船舶将在总体设计结构、系统交互方式、动力驱动来源等方面发生颠覆性的变化,同时,随着船岸间、船舶各子系统间的互联互通,自主船舶将成为现代航运生态体系中的传感器中枢和数据生成器。在此背景下,为避免由于自主船舶的引入对当前海上交通状况可能造成的负面影响,并确保自主船舶的预期安全水平至少不低于常规船舶的现有安全水平,不仅需要关注包括航行安全、货物安全在内的传统安全,还需要考虑以网络安全为代表的非传统安全。因此,针对自主船舶的安全性开展理论研究是十分必要且具有重要意义的。本文围绕自主船舶的安全性,以危险分析方法为研究对象,在明确自主船舶运行特点的基础上,提出了一种适用于自主船舶的安全性协同分析方法。以远程控制船舶为例,使用所提出的方法对其进行了危险分析,并利用模型检测工具UPPAAL验证了危险分析结果的正确性。本文的主要研究工作及成果如下。（1）自主船舶的定义及自主水平分级方法研究。从自主船舶的历史沿革和发展历程入手,在明确自主船舶的定义及其中英文表述的基础上,分析了现有自主水平分级标准存在的局限性,并提出了一种基于航海实践的自主水平分级方法。研究结果表明,划分自主水平的关键在于能否独立于人的干预完成相应的任务或实现相应的功能,而非取决于船舶自动化水平和/或决策地点。以2艘搭载自主航行技术的测试船舶为例,相较于现有自主水平分级标准,所提出的自主水平分级方法有效避免了由于单一功能的自主实现导致船舶整体自主水平认定不准确的弊端,得出的分级结果更符合客观事实。（2）危险分析方法的适用性研究。为筛选出一种或多种能够捕获自主船舶运行特点的危险分析方法,面向自主船舶提出了一种基于系统工程的适用性评估方法。该方法依据制定的适用性评估程序,生成了以功能方式描述的系统级安全需求和与自主船舶设计目标相联系的评估准则。适用性评估过程面向29种广泛使用的危险分析方法展开,结果表明,系统理论过程分析（System-Theoretic Process Analysis,STPA）方法满足了所有的评估准则,其能够更好地理解系统行为、识别危险,并揭示危险致因因素,是目前适用于自主船舶的、最具潜力和发展前途的危险分析方法之一。（3）面向自主船舶的安全性协同分析方法研究。在明确自主船舶运行特点的基础上,考虑到日益增加的网络威胁对自主船舶系统安全性的负面影响,提出了一种基于STPA 的安全性协同分析方法,即 STPA-SynSS（STPA-based analysis methodology that Synthesizes Safety and Security）。该方法在STPA的基础上提出了 6项改进,并提供了一个识别危险并揭示危险致因因素的综合过程,有效实现了对潜在危险的持续跟踪和闭环管理。以远程控制船舶的避碰场景为例,使用所提出的方法对该场景进行了详细的危险分析,并生成了具体的危险控制策略。危险分析结果的对比分析表明,相较于STPA,STPA-SynSS能够识别出更多的不安全控制行为和损失场景,同时,能够生成更具针对性的危险控制策略,证明了该方法的有效性和先进性。（4）考虑退化组件的自主船舶安全性建模研究。使用STPA-SynSS生成损失场景时,需要考虑因组件性能退化导致的不安全控制行为。为表征自主船舶的系统安全性状态随时间退化的特性,将系统安全性分析由“二态假设”扩展为多状态。根据STPA-SynSS实例分析中构建的控制结构,对远程控制船舶的安全性进行建模,构建了服从指数分布的安全性函数和描述系统达到安全性极限状态的时间分布函数。该模型可用于指导设计人员将更有针对性的安全性设计纳入到系统中,并面向退化组件建立相应的保护机制,以避免危险从潜在状态向可能导致损失的现实事故状态转移。（5）自主船舶的形式化建模与危险分析结果验证研究。为克服危险分析结果的正确性和完整性无法得到验证的限制,创新性地将形式化方法引入危险分析过程,提出了一种基于时间自动机的STPA-SynSS扩展流程。在构建时间自动机网络模型的基础上,通过利用模型检测工具UPPAAL对系统模型的有穷状态空间进行穷尽搜索,以检验语义模型与其性质规约间的满足关系,从而验证系统建模的活性和危险分析结果的正确性。验证结果表明,远程控制船舶时间自动机网络模型无死锁且运行正确,STPA-SynSS识别的不安全控制行为均会发生,即验证了 STPA-SynSS危险分析结果的正确性,同时,证明了所提出的STPA-SynSS扩展流程的有效性。本文的研究结论为识别、控制自主船舶的潜在危险奠定了较为坚实的理论基础,在一定程度上满足了航运业对于明确并提高自主船舶安全性的迫切需求。同时,可为自主船舶的安全性设计提供参考,有力保障自主船舶的安全运营。
朱光辉[9]（2020）在《分布式与自动化大数据智能分析算法与编程计算平台》文中研究说明与传统小规模数据场景下的智能化分析应用不同,大数据场景下的智能化分析应用,不再是单一的单机AI算法模型问题,而是大数据、大模型、大计算的融合,需要同时考虑算法模型设计、大数据处理以及高效的分布并行计算问题,这对大数据智能分析基础理论方法与关键技术研究,带来了一系列新的挑战和问题。首先,现实世界大规模数据场景下的复杂数据挖掘与机器学习,存在突出的计算效率问题。大数据动摇了传统计算复杂性理论和方法。在大数据场景下,传统的多项式复杂度算法难以完成大数据、大模型计算问题,因此,需要研究设计大规模数据场景下高效的分布式并行化方法与算法,以此提升大数据智能分析计算效率。然而,高效的分布式数据挖掘和机器学习方法与算法设计,面临一系列复杂的基础理论方法与关键技术问题,不仅需要考虑单机串行算法固有的计算复杂性,还需要考虑并研究解决在分布并行环境下,大数据分布式算法的可并行度、存储、I/O和网络通信等系统复杂性,以及分布式算法性能的深度优化问题。除了计算效率问题外,现有的大数据智能分析技术和平台还存在突出的易用性问题。一方面,现有大数据智能建模方法技术门槛高、大量依赖专家经验,为此,需要研究高效的自动化机器学习（Auto ML）建模方法,以此降低AI建模技术门槛,大幅提升AI建模效率。但Auto ML自动化机器学习面临着搜索与建模方法的有效性、搜索计算效率优化等诸多基础理论方法与难点技术问题。另一方面,如前所述,大数据场景下的智能化分析应用开发,不仅仅是算法模型设计问题,还是一个大数据和大计算问题,这就需要研究解决大数据智能化分析建模与分布并行计算系统交叉融合的关键技术问题,以此构建一个融算法模型设计与大数据编程计算能力于一体的统一大数据智能分析编程计算支撑平台。围绕以上关键科学问题,本文在大数据分布式数据挖掘与机器学习、自动化机器学习以及大数据编程计算方法等基础理论与方法研究基础上,结合算法本身的重要性和技术挑战性以及业界的实际应用需求背景,首先选取了一系列基础常用、复杂性高、计算效率问题突出、且分布式算法设计难度大的数据挖掘与机器学习算法,开展了高效大规模分布式并行化数据挖掘与机器学习方法与算法研究;其次,开展了面向不同任务场景的高效Auto ML自动化机器学习方法与算法研究;最后,在融合分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究构建了高效易用的统一大数据智能分析编程计算方法与系统平台,并进行了实际应用验证。具体而言,本文工作包括以下主要研究内容和创新:（1）研究实现了基于属性重排序的大规模分布式函数依赖发现算法。函数依赖是数据挖掘中基础常用的数据结构,但是函数依赖发现任务计算复杂度与内存复杂度高,尤其在大规模数据场景下,算法运行时间和内存开销巨大。为此,本文研究提出了基于属性重排序的大规模分布式函数依赖发现算法Smart FD。在数据预处理阶段,研究提出了一种高效的基于倾斜度和基数的属性重排序方法;在函数依赖发现阶段,研究提出了一种基于快采样早聚合机制的分布式采样方法、基于索引的验证方法以及采样验证自适应切换方法。实验结果表明,与已有算法相比,Smart FD可以实现一到两个数量级的性能提升,且具有良好的数据可扩展性与系统可扩展性。（2）研究实现了基于分布式数据并行的大规模并行化谱聚类算法。谱聚类算法聚类效果优于传统聚类算法,但其存在计算流程复杂、计算复杂度高以及计算耗时长等问题,尤其在大规模数据场景下,计算效率问题更为突出。为此,本文研究提出了基于分布式数据并行模式的大规模并行化谱聚类算法SCo S,实现了谱聚类算法中相似度矩阵构建与稀疏过程并行化、Laplacian矩阵构建与正规化过程并行化、正规化Laplacian矩阵特征向量计算并行化以及k-means聚类并行化。实验结果表明,SCo S算法在大规模数据场景下表现出了良好的数据及系统可扩展性。（3）研究实现了基于子森林均匀划分的分布式任务并行深度森林训练方法与算法。近年来,研究人员提出了可与深度神经网络相媲美的深度森林模型。但已有的深度森林训练算法是单机串行的,计算效率低、可扩展性差,难以满足大数据场景下深度森林训练的应用需求。为此,本文研究提出了基于细粒度子森林均匀划分、任务并行的分布式深度森林训练方法与算法Forest Layer,在提升计算并发度的同时,优化和降低网络通信开销。另外,进一步实现了延迟扫描、预池化以及部分传输三种系统层优化方法。实验结果表明,与已有深度森林训练算法相比,Forest Layer能够实现7到20倍的加速比,并具有近线性的可扩展性及良好的负载均衡。（4）研究实现了面向不同任务场景的Auto ML大数据自动化机器学习方法与算法。首先,针对全流程化大数据分析场景,研究提出了基于强化学习和贝叶斯优化的机器学习流水线自动化设计算法Robo ML,实现交替的流水线结构自动搜索和超参数优化。针对资源受限场景,研究提出了一种基于自适应连续过滤的Auto ML算法BOASF,将Auto ML问题统一抽象为多臂赌博机问题,通过自适应快速过滤以及自适应资源分配等方法加速Auto ML搜索过程。最后,针对终生学习场景的概念漂移问题,研究提出了基于自适应加权集成学习的自动化终生学习算法Auto LLE,集成了全局增量模型和局部集成模型,并基于时间窗口和误差度量自适应调整各模型权重,有效捕捉概念漂移,大幅提高模型的准确性。（5）研究实现了高效的Auto DL大数据自动化深度学习方法与算法。为了提升深度神经网络超参数优化的计算效率,研究提出了一种结合渐进多保真度优化和Successive Halving优化的超参数优化方法Fast HO,通过尽早过滤掉表现较差的超参数配置,并为剩余超参数配置分配更多的资源,从而提升超参数优化的效率。其次,为了提升深度神经网络架构搜索效率,研究提出了基于最小化离散性能偏差的可微分架构搜索算法MGDARTS,通过设计更容易饱和的权重函数以及对超网络每条边的权重之和做整体性约束,尽量减少超网络离散化后的性能损失。实验结果表明,所提出的算法优于现有算法的性能。（6）研究实现了高效易用的统一大数据智能分析编程计算方法与平台。为了有效支持大数据智能化分析应用的开发,在融合上述分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究设计并实现了一个支持多计算模式、高效易用的跨平台统一大数据智能分析编程模型与计算平台。首先研究提出了覆盖表模型、矩阵模型、张量模型、图模型、流式数据模型等多种计算模型的跨平台统一大数据智能分析编程计算模型。在此基础上,研究设计了基于计算流图的大数据智能分析编程方法。其次,研究实现了统一大数据智能分析平台集成框架以及跨平台统一的作业调度方法。最后,基于统一大数据智能分析与可视化编程系统平台,进行了实际的应用验证。本文工作发表第一作者研究论文7篇（其中CCF A类期刊/会议论文2篇,B类期刊/会议2篇,中文CCF A类期刊论文1篇）。此外,在Auto ML自动化机器学习方面的研究工作,在Neur IPS、KDD、PAKDD等国际顶级人工智能会议上举办的Auto ML大赛中,共计荣获9项大奖,并在教育部主办的第五届中国“互联网+”大学生创新创业大赛中,荣获全国金奖。另外,大规模分布式数据挖掘与机器学习以及Auto ML自动化机器学习等相关技术研究成果已转让给国内华为、360等多个大型IT企业落地应用。
陈鹏[10]（2020）在《关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究》文中研究说明高端智能制造是未来制造业的竞争中心,也是国家核心竞争力的重要标志,因此针对高科技、精密、尖端的机械工业装备的智能运行与维护保障已成为国内外的研究焦点。高速、重载、高温、高寒等极端的服役环境,致使机械装备的关键传动件的性能不可避免地出现衰老、退化等趋势,甚至时有故障发生而引发停机等事故。因此开展针对机械装备关键传动件的智能监测和故障诊断的研究,可以准确及时地对装备的整个运行过程进行全周期的监控和维护,以保障安全、可靠地运行,从而避免经济损失和灾难性事故的发生。机械装备的关键传动件如齿轮箱、轴承长期在变工况下运行,因局部故障、瞬变转速、时变载荷等激励的影响,关键传动件将产生瞬变动态、非平稳振动信号。对变工况的处理,尤其是对变工况产生的瞬变动态、非平稳信号的解调分析问题已成为关键传动件智能监测和故障诊断的重要研究课题。尽管当前的非线性、非平稳信号处理技术已经取得了长足的发展并在一定的工业场合得到了应用,但是其仍未能适应变工况变化,尤其是无法满足因变工况下机械关键传动件产生的时变、瞬态、非平稳信号的分析需求。为此,本文以机械装备面临大数据、智能运维的重大工程需求为背景,以对机械装备健康监测和故障诊断趋向自动化、智能化以及数字化方向发展为目标,针对当前传统的时频分析方法无法满足变工况下快时变、强调频、交叉混叠的非平稳瞬态信号的分析要求,研究了时频空间能量表征方法、交叉混叠信号的解耦方法、健康状态监测中阈值设定自适应方法、时变服役工况下智能诊断和不同工况域之间的迁移诊断等基础科学问题和实际的工程应用技术。解决了对快时变、强调频、交叉混叠、非平稳信号的解调分析及对变工况自适应诊断的问题。论文的主要研究工作及创新点总结如下:（1）针对当前主流的时频分析方法在表征快时变、强调频瞬态非平稳信号时,存在时频能量汇聚性低、时频表征性能差、对特定信号分量的重构性能不足以及对设备健康诊断过程的影响问题,提出了一种基于短时傅里叶框架下的二阶同步提取变换的信号分析方法,重点解决了对瞬态非平稳信号的局部瞬时频率精确化估计问题,从而满足了对频率变化快及强调制的非平稳信号的分析需求。以此为基础,实现了在强背景噪声环境下对变化快且强调制的瞬态信号成分的有效提取,并将其成功应用于油膜轴承的振动信号分析中。（2）针对机械装备振动信号中出现快时变、强调频以及交叉频率成分的耦合时,传统的时频解调分析方法受到时频表征不强、时频可读性能差甚至出现时频解调失效的制约。提出了一种递归映射解调高阶同步提取变换的时频分析方法。重点解决了外界干扰的交叉混叠信号成分的解调及对局部瞬时频率的高阶化精确估计问题,以此为基础,并最终将其应用于机械装备的关键传动件行星齿轮箱的特征提取及故障检测、诊断中。（3）针对某些特定的机械装备如风力发电机组,因运行周期久、使用寿命长,故而故障数据非常稀缺。当前的无监督深度学习方法在对风机健康状态监测时,面临人工设定阈值函数的瓶颈,提出了一种阈自适应神经网络模型的风机健康监测方法。解决了当前基于深度学习的无监督健康监测方法在阈值函数人工设定上的难题。同时,为了进一步量化不同时期风机的健康等级,提出了一种基于生成对抗网络输出样本区分度的方法,以满足对风机的不同健康等级进行量化评估的需求。以此为基础,通过对两个实际运行的风机进行健康状态监测评估以验证所提出算法的准确性及稳健性。（4）针对常规的信号处理方法对机械装备海量数据进行故障检测与诊断时耗时、耗力、过多依赖于人工经验以及为适应变工况下的诊断需求问题,提出了一个工况自适应神经网络模型来对机械装备的关键传动件行星齿轮箱进行故障检测、诊断。解决了时变工况下对关键传动件的端对端学习问题,以此为基础,通过对实际运行的行星齿轮箱的数据采集分析以验证所提出算法的有效性。（5）针对当前的样本迁移学习模型大多拘泥于源域和目标域之间的数据差异性,极少关注机械装备运行服役工况信息对模型训练的驱动作用,尤其是不同的非平稳工况之间的迁移学习问题。提出了一种新的知识迁移学习模型用于对时变工况下的滚动轴承进行故障检测、诊断。解决了不同的非平稳工况之间的迁移学习问题,以此为基础,通过对实际运行的滚动轴承运行数据的分析以验证所提出的知识迁移学习模型的有效性和鲁棒性。
二、.NET框架下Layered Application模式应用（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、.NET框架下Layered Application模式应用（论文提纲范文）
（1）目标驱动的移动机器人自主导航研究（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 |
| 1.2.1 传统导航方法研究现状 |
| 1.2.2 深度强化学习导航方法研究现状 |
| 1.3 本文主要研究内容和章节安排 |
| 2 强化学习与深度强化学习理论基础 |
| 2.1 引言 |
| 2.2 强化学习理论基础 |
| 2.2.1 马尔科夫决策过程 |
| 2.2.2 传统强化学习方法 |
| 2.3 深度强化学习理论基础 |
| 2.3.1 值函数方法 |
| 2.3.2 策略梯度方法 |
| 2.5 本章小结 |
| 3 基于深度强化学习的移动机器人静态目标导航 |
| 3.1 引言 |
| 3.2 算法整体框架 |
| 3.3 模拟环境下的导航实验结果及分析 |
| 3.4 真实场景下的导航实验结果与分析 |
| 3.4.1 导航过程中目标物体变化 |
| 3.4.2 导航过程中环境变化 |
| 3.4.3 绑架机器人问题 |
| 3.5 本章小结 |
| 4 基于深度强化学习的移动机器人动态目标导航算法 |
| 4.1 引言 |
| 4.2 Teamwork-net原理 |
| 4.2.1 系统框架 |
| 4.2.2 网络结构 |
| 4.2.3 训练方法 |
| 4.2.4 动作定义 |
| 4.2.5 奖励构造 |
| 4.3 本章小结 |
| 5 动态目标导航实验 |
| 5.1 引言 |
| 5.2 移动机器人动态目标导航模拟实验 |
| 5.2.1 模拟环境搭建 |
| 5.2.2 任务定义 |
| 5.2.3 分段式训练 |
| 5.3 动机器人动态目标导航模拟实验结果与分析 |
| 5.3.1 低速状态下的运动目标导航实验结果与分析 |
| 5.3.2 速状态下的运动目标导航实验结果与分析 |
| 5.3.3 摸拟场景训练结果可视化与分析 |
| 5.4 基于深度强化学习的移动机器人动态目标导航实物实验 |
| 5.4.1 目标机器人初始位置可见实验结果 |
| 5.4.2 目标机器人初始位置不可见实验结果 |
| 5.4.3 真实场景训练结果可视化与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）面向无线视频业务的边缘缓存与多播技术研究（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 研究现状 |
| 1.2.1 新型无线网络架构 |
| 1.2.2 面向视频业务的无线边缘缓存 |
| 1.2.3 面向视频业务的无线多播 |
| 1.3 论文主要工作及结构安排 |
| 1.3.1 研究内容及创新点 |
| 1.3.2 论文组织结构 |
| 第二章 用户移动性和视频片段流行度感知的无线边缘缓存 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.2.1 时延模型 |
| 2.2.2 用户移动性模型 |
| 2.2.3 视频片段流行度模型 |
| 2.3 问题建模 |
| 2.3.1 用户移动性感知的时延最小化问题 |
| 2.3.2 用户移动性和视频片段流行度联合感知的时延最小化问题 |
| 2.4 视频缓存算法 |
| 2.4.1 用户移动性感知的主动缓存算法 |
| 2.4.2 用户移动性和视频片段流行度联合感知的主动缓存算法 |
| 2.4.3 算法复杂度分析 |
| 2.5 仿真分析 |
| 2.5.1 仿真场景 |
| 2.5.2 基线算法 |
| 2.5.3 性能评估 |
| 2.6 本章小结 |
| 第三章 基于可伸缩特性的SVC视频无线边缘缓存 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 时延模型 |
| 3.2.2 视频交付模型 |
| 3.3 问题建模 |
| 3.4 面向SVC视频的分层缓存 |
| 3.4.1 基于机器学习的缓存优先级确定 |
| 3.4.2 基于缓存优先级的分层缓存算法 |
| 3.4.3 PrioCaching算法的复杂度分析 |
| 3.5 针对高时延远程下载场景的SVC视频分层缓存 |
| 3.5.1 简化的分层缓存算法 |
| 3.5.2 SimPrioCaching算法的复杂度分析 |
| 3.6 仿真分析 |
| 3.6.1 仿真场景 |
| 3.6.2 基线算法 |
| 3.6.3 性能评估 |
| 3.7 本章小结 |
| 第四章 基于视场合成特性的360°VR视频无线边缘缓存 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 缓存模型 |
| 4.2.2 VR视频模型 |
| 4.2.3 时延模型 |
| 4.3 问题建模 |
| 4.4 基于视场合成的视频缓存算法 |
| 4.4.1 理论最优解 |
| 4.4.2 整体缓存过程 |
| 4.4.3 MaxMinDistance算法 |
| 4.4.4 MMD在线缓存算法复杂度及性能分析 |
| 4.5 仿真分析 |
| 4.5.1 仿真场景 |
| 4.5.2 基线算法 |
| 4.5.3 性能评估 |
| 4.6 本章小结 |
| 第五章 侧链路辅助的多质量贴片360° VR视频无线多播 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 传输模型 |
| 5.2.2 信道容量模型 |
| 5.2.3 多质量贴片360° VR视频模型 |
| 5.2.4 效用模型 |
| 5.3 问题建模 |
| 5.3.1 InD场景的问题表述 |
| 5.3.2 JnD场景的问题表述 |
| 5.3.3 问题求解 |
| 5.4 两阶段优化算法 |
| 5.4.1 第一阶段: 多播接收用户及侧链路发送用户搜索 |
| 5.4.2 第二阶段: 带宽分配和贴片质量等级选择 |
| 5.4.3 两阶段迭代 |
| 5.4.4 JnD场景的两阶段算法 |
| 5.4.5 算法复杂度分析 |
| 5.5 仿真分析 |
| 5.5.1 仿真场景 |
| 5.5.2 基线算法 |
| 5.5.3 性能评估 |
| 5.6 本章小结 |
| 第六章 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 附录A 定理3.1的证明 |
| 附录B 定理4.1的证明 |
| 附录C 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）基于表示学习的多层网络融合关键技术的研究（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 国内外研究现状 |
| 1.2.1 网络对齐研究 |
| 1.2.2 多层网络的结构融合研究 |
| 1.2.3 多层网络的空间嵌入融合研究 |
| 1.3 本文研究面临的挑战 |
| 1.4 本文主要研究内容和创新点 |
| 1.5 论文结构安排 |
| 第二章 相关知识 |
| 2.1 多层网络模型 |
| 2.1.1 数学描述 |
| 2.1.2 基本性质 |
| 2.2 多层网络的层间对齐研究 |
| 2.3 多层网络融合研究 |
| 2.3.1 多层网络的结构融合问题 |
| 2.3.2 多层网络的空间嵌入融合问题 |
| 2.4 网络表示学习研究 |
| 2.4.1 基于矩阵分解的网络表示学习研究 |
| 2.4.2 基于随机游走的网络表示学习研究 |
| 2.4.3 基于深度学习的网络表示学习研究 |
| 2.5 解纠缠表示学习问题 |
| 2.6 本章小结 |
| 第三章 基于图-序列生成的节点排序图对齐神经网络模型 |
| 3.1 研究背景 |
| 3.2 相关问题与定义 |
| 3.3 基于图-序列生成的节点排序图对齐神经网络模型 |
| 3.3.1 预处理阶段 |
| 3.3.2 网络的层内嵌入阶段 |
| 3.3.3 网络的嵌入空间对齐阶段 |
| 3.3.4 基于图-序列生成的网络匹配阶段 |
| 3.3.5 GANN算法 |
| 3.4 实验结果 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果与分析 |
| 3.4.3 模型的参数敏感性分析 |
| 3.4.4 有效性验证实验 |
| 3.5 本章小结 |
| 第四章 基于层间一致性和互补性的多层网络结构融合模型 |
| 4.1 研究背景 |
| 4.2 相关问题与定义 |
| 4.3 非线性多层网络结构融合 |
| 4.3.1 网络特征的提取 |
| 4.3.2 增强迭代融合 |
| 4.3.3 高阶邻近性 |
| 4.4 实验结果 |
| 4.4.1 实验设置 |
| 4.4.2 数据集 |
| 4.4.3 对比算法 |
| 4.4.4 跨域链接预测 |
| 4.4.5 共享社区发现 |
| 4.4.6 模型的参数敏感性分析 |
| 4.4.7 消融实验 |
| 4.4.8 效率对比实验 |
| 4.5 本章小结 |
| 第五章 保存多层网络层间结构相关性的空间嵌入融合框架 |
| 5.1 研究背景 |
| 5.2 相关问题与定义 |
| 5.3 基于自适应采样的多层网络空间嵌入融合框架 |
| 5.3.1 自适应跨层跳转问题 |
| 5.3.2 采样边类型不平衡问题 |
| 5.3.3 基于自适应采样的节点嵌入 |
| 5.3.4 模型优化 |
| 5.4 实验结果 |
| 5.4.1 实验设置 |
| 5.4.2 跨域链接预测 |
| 5.4.3 共享社区发现 |
| 5.4.4 框架的参数敏感性分析 |
| 5.5 本章小结 |
| 第六章 保存节点高阶依赖关系的空间嵌入融合模型 |
| 6.1 研究背景 |
| 6.2 相关问题与定义 |
| 6.3 保存节点高阶依赖关系的空间嵌入融合 |
| 6.3.1 保存高阶邻近性 |
| 6.3.2 保存层间依赖性 |
| 6.3.3 保存属性和拓扑之间的依赖性 |
| 6.3.4 模型优化和时间复杂度 |
| 6.4 实验结果 |
| 6.4.1 实验设置 |
| 6.4.2 跨域链接预测 |
| 6.4.3 共享社区发现 |
| 6.4.4 模型的参数敏感性分析 |
| 6.4.5 消融实验 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读博士学位期间参与的科研项目 |
（4）基于框架语义表示的关系抽取技术研究（论文提纲范文）
| 中文摘要 |
| 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 关系抽取研究现状 |
| 1.2.1 基于模式的关系抽取 |
| 1.2.2 基于传统机器学习的关系抽取 |
| 1.2.3 基于深度学习的关系抽取 |
| 1.3 关系抽取的挑战问题 |
| 1.4 框架语义分析及其应用研究现状 |
| 1.4.1 框架语义分析研究现状 |
| 1.4.2 框架语义应用研究现状 |
| 1.5 研究内容和组织结构 |
| 1.6 本章小结 |
| 第二章 框架识别及框架语义要素抽取 |
| 2.1 引言 |
| 2.2 基于DNN的汉语框架识别模型 |
| 2.2.1 算法模型 |
| 2.2.2 实验与分析 |
| 2.3 基于两级注意力机制的卷积神经网络框架识别模型 |
| 2.3.1 算法模型 |
| 2.3.2 实验与分析 |
| 2.4 框架语义要素抽取 |
| 2.4.1 单框架语义要素抽取算法 |
| 2.4.2 扩展框架语义要素抽取算法 |
| 2.5 本章小结 |
| 第三章 基于框架语义和序列表示的关系抽取 |
| 3.1 引言 |
| 3.2 多层次框架语义要素融合模型 |
| 3.2.1 基于注意力的单框架语义要素融合模型 |
| 3.2.2 基于注意力的扩展框架语义要素融合模型 |
| 3.3 多视角句子表示模型 |
| 3.3.1 基于序列的句子表示模型 |
| 3.3.2 基于框架语义的句子表示模型 |
| 3.3.3 融合框架语义和序列特征的句子表示模型 |
| 3.4 融合多源信息的关系抽取模型 |
| 3.4.1 算法模型 |
| 3.4.2 实验与分析 |
| 3.5 本章小结 |
| 第四章 基于框架语义上下文感知的远程监督关系抽取 |
| 4.1 引言 |
| 4.2 远程监督实例选择 |
| 4.2.1 线索词抽取 |
| 4.2.2 实例选择 |
| 4.3 融合多粒度框架语义要素的关系抽取模型 |
| 4.3.1 句子上下文编码器 |
| 4.3.2 语义场景编码器 |
| 4.3.3 包上下文编码器 |
| 4.3.4 关系分类器和训练 |
| 4.4 实验与分析 |
| 4.4.1 数据集和评价指标 |
| 4.4.2 实验设置 |
| 4.4.3 基线模型 |
| 4.4.4 实验结果 |
| 4.5 本章小结 |
| 第五章 基于框架语义及多任务学习的非平衡数据关系抽取 |
| 5.1 引言 |
| 5.2 上下文表示学习 |
| 5.2.1 实体的上下文表示 |
| 5.2.2 语义场景上下文表示 |
| 5.3 基于多任务学习的关系抽取模型 |
| 5.3.1 算法模型 |
| 5.3.2 结果预测 |
| 5.4 实验与分析 |
| 5.4.1 数据集与评价指标 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（5）非共价界面层状纳米复合材料的多尺度力学与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 层状纳米复合材料的研究现状 |
| 1.2.1 生物结构材料的构效关系 |
| 1.2.2 层状纳米复合材料的力学特性 |
| 1.2.3 层状纳米复合材料的多尺度力学分析方法 |
| 1.2.4 层状纳米复合材料的力学优化设计 |
| 1.3 层状纳米复合材料设计中的关键科学问题 |
| 1.3.1 非共价界面的多尺度力学框架 |
| 1.3.2 基于非共价界面调控的力学优化设计 |
| 1.3.3 二维材料中的界面力学行为和机理 |
| 1.4 本文的主要研究内容 |
| 第2章 非共价界面层状纳米复合材料的研究方法 |
| 2.1 引言 |
| 2.2 分子动力学模拟 |
| 2.2.1 分子动力学简介 |
| 2.2.2 分子动力学模拟的基本过程和概念 |
| 2.2.3 相关力学量计算 |
| 2.3 非共价界面相关分析方法 |
| 2.3.1 原子应变 |
| 2.3.2 氢键分析 |
| 2.4 本章小结 |
| 第3章 非共价界面层状纳米复合材料的一般力学框架 |
| 3.1 引言 |
| 3.2 界面本构关系 |
| 3.2.1 官能团的影响 |
| 3.2.2 官能团分布的影响 |
| 3.3 连续剪滞模型分析 |
| 3.3.1 界面尺度的剪滞模型 |
| 3.3.2 结构尺度的剪滞模型 |
| 3.3.3 变形模型的转换 |
| 3.4 离散剪滞模型分析 |
| 3.4.1 离散剪滞模型 |
| 3.4.2 界面构型的影响 |
| 3.5 结果与讨论 |
| 3.5.1 分子动力学模拟中的变形模型 |
| 3.5.2 尺寸效应和界面设计 |
| 3.6 本章小结 |
| 第4章 石墨烯基仿贝壳材料的界面调控与优化设计 |
| 4.1 引言 |
| 4.2 石墨烯基仿贝壳材料的变形模式 |
| 4.2.1 弹塑性变形 |
| 4.2.2 片层拔出 |
| 4.3 小分子对层间力学性能的影响 |
| 4.3.1 小分子对氧化石墨烯界面的增强 |
| 4.3.2 小分子对错列结构的影响 |
| 4.4 氧化石墨烯的力学性能 |
| 4.5 石墨烯基类珍珠材料的优化设计 |
| 4.5.1 最佳小分子含量和氧化程度 |
| 4.5.2 各种层间交联的对比 |
| 4.6 本章小结 |
| 第5章 二维材料组装结构中的范德华作用及其边缘效应 |
| 5.1 引言 |
| 5.2 多层二维材料组装结构中边缘效应对层间剪切的影响 |
| 5.2.1 模型和方法 |
| 5.2.2 多层二维材料组装结构的变形行为 |
| 5.2.3 多层二维材料组装结构的边缘效应 |
| 5.3 石墨烯在基底上撕裂和剥离的自组装力学行为 |
| 5.3.1 模型和方法 |
| 5.3.2 石墨烯从基底上的撕裂 |
| 5.3.3 石墨烯的自折叠和自撕裂 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录A 铜纳米线八面体桁架构架材料的力学性能 |
| A.1 引言 |
| A.2 纳米构架材料的变形机制 |
| A.3 分析建模与讨论 |
| A.3.1 有效模量 |
| A.3.2 有效屈服强度 |
| A.4 轻质高强的纳米构架材料 |
| A.5 结论与展望 |
| 附录B 非共价界面一般力学框架中的数值方法 |
| B.1 分子动力学模拟 |
| B.2 非线性剪滞模型数值求解 |
| B.3 扩展Dugdale模型的理论解 |
| 附录C 石墨烯基仿贝壳材料中的方程求解与数值模拟 |
| C.1 分子动力学模拟 |
| C.2 弹塑性变形阶段位移场的求解过程 |
| C.3 片层拔出过程的线性剪滞分析 |
| C.4 石墨烯基纳米复合材料的力学性能 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（6）面向分层网络体系结构的分布式神经网络系统设计及算法研究（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 国内外研究历史与现状 |
| 1.3 研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术介绍 |
| 2.1 神经网络与深度学习 |
| 2.1.1 神经网络 |
| 2.2 分布式深度神经网络DDNN |
| 2.2.1 分支网络 |
| 2.2.2 部署及推理 |
| 2.3 分布式正则化 |
| 2.4 网络仿真 |
| 2.4.1 Linux网络路径 |
| 2.4.2 虚拟网络设备 |
| 2.4.3 命名空间 |
| 2.4.4 Mininet |
| 2.5 本章小结 |
| 第三章 面向分层网络体系结构的分布式神经网络算法研究 |
| 3.1 概述 |
| 3.2 分割学习网络结构 |
| 3.2.1 分割方法 |
| 3.2.2 子模型部署 |
| 3.3 分层网络各部分训练算法 |
| 3.3.1 一对一模式训练 |
| 3.3.2 Y型模式下的分布式训练(DGA方法) |
| 3.3.3 模型版本号与同步 |
| 3.3.4 对其它子模型的影响 |
| 3.3.5 处理延迟节点 |
| 3.3.6 Y型模式下的分布式训练(参数服务器方法) |
| 3.3.7 对比DGA方法和参数服务器方法 |
| 3.4 总述面向分层网络体系结构的分布式神经网络训练算法 |
| 3.5 跨边缘节点训练方法 |
| 3.6 本章小结 |
| 第四章 分布式神经网络仿真系统方案设计 |
| 4.1 系统需求 |
| 4.2 系统总体设计 |
| 4.2.1 控制端 |
| 4.2.2 对等服务端 |
| 4.3 系统详细设计 |
| 4.3.1 控制端设计 |
| 4.3.2 对等服务器设计 |
| 4.3.3 控制命令设计 |
| 4.3.4 自动反向传播 |
| 4.4 系统优化设计 |
| 4.4.1 对象ID |
| 4.4.2 同步与异步实现 |
| 4.4.3 对象方法调用 |
| 4.4.4 优化远程对象获取 |
| 4.4.5 常量优化 |
| 4.5 本章小结 |
| 第五章 分布式神经网络仿真系统实现 |
| 5.1 系统实现架构 |
| 5.1.1 控制端实现架构 |
| 5.1.2 对等服务器架构 |
| 5.2 系统接口设计与实现 |
| 5.2.1 c2n接口 |
| 5.2.2 n2n接口 |
| 5.2.3 接口共用结构 |
| 5.3 系统实现 |
| 5.3.1 控制端实现 |
| 5.3.2 内存管理 |
| 5.3.3 对等服务端实现 |
| 5.4 系统测试 |
| 5.4.1 基础测试实验与模型 |
| 5.4.2 测试结果与分析 |
| 5.5 本章小结 |
| 第六章 基于仿真系统的分布式神经网络算法测试及分析 |
| 6.1 主实验 |
| 6.1.1 实验环境 |
| 6.1.2 分层网络场景 |
| 6.1.3 数据集与模型设置 |
| 6.1.4 实验与算法实现 |
| 6.1.5 实验结果与分析 |
| 6.2 跨边缘节点实验 |
| 6.3 本章小节 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（7）基于Hi3559的智能相机系统软件研发（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术介绍 |
| 2.1 嵌入式AI芯片 |
| 2.2 卷积神经网络 |
| 2.2.1 RetinaFace人脸检测网络 |
| 2.2.2 MobileFaceNet人脸特征提取网络 |
| 2.2.3 Faster R-CNN目标检测网络 |
| 2.3 流媒体协议 |
| 2.3.1 RTSP协议 |
| 2.3.2 HTTP-FLV协议 |
| 2.4 本章小结 |
| 第3章 系统总体设计 |
| 3.1 系统需求分析 |
| 3.2 系统技术路线 |
| 3.3 硬件框架设计 |
| 3.4 软件框架设计 |
| 3.5 本章小结 |
| 第4章 视频及系统业务模块研发 |
| 4.1 视频业务模块 |
| 4.1.1 模块通用性设计 |
| 4.1.2 视频采集模块 |
| 4.1.3 视频编码模块 |
| 4.1.4 视频传输模块 |
| 4.2 系统业务模块 |
| 4.2.1 会话配置模块 |
| 4.2.2 升级维护模块 |
| 4.3 本章小结 |
| 第5章 智能分析模块研发 |
| 5.1 智能分析软件框架 |
| 5.1.1 NNIE部署流程 |
| 5.1.2 网络层移植 |
| 5.1.3 网络推断 |
| 5.2 人脸识别软件实现 |
| 5.2.1 人脸检测子模块 |
| 5.2.2 人脸特征提取子模块 |
| 5.3 行人检测软件实现 |
| 5.3.1 Proposal层实现 |
| 5.3.2 后处理操作 |
| 5.4 本章小结 |
| 第6章 系统测试及结果分析 |
| 6.1 测试概要 |
| 6.1.1 测试系统 |
| 6.1.2 测试环境 |
| 6.2 测试结果及分析 |
| 6.2.1 视频业务测试 |
| 6.2.2 智能分析业务测试 |
| 6.2.3 系统业务测试 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
（8）面向自主船舶的危险分析方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的必要性及意义 |
| 1.3 国内外相关研究现状及进展 |
| 1.3.1 自主船舶的安全性研究 |
| 1.3.2 危险分析方法的发展与演变 |
| 1.3.3 系统理论过程分析的应用 |
| 1.4 自主船舶安全性研究中存在的问题及解决思路 |
| 1.5 主要研究内容与结构框架 |
| 1.5.1 主要研究内容 |
| 1.5.2 结构框架 |
| 1.6 本章小结 |
| 2 自主船舶的定义及其自主水平的界定 |
| 2.1 自主船舶的历史沿革 |
| 2.2 自主船舶的发展历程 |
| 2.3 自主船舶的定义与自主化演变 |
| 2.3.1 自主船舶的定义 |
| 2.3.2 船舶自主化的演变 |
| 2.4 自主水平分级标准 |
| 2.4.1 LR自主水平分级标准 |
| 2.4.2 NFAS自主水平分级标准 |
| 2.4.3 DMA自主水平分级标准 |
| 2.4.4 MASRWG自主水平分级标准 |
| 2.4.5 BV自主水平分级标准 |
| 2.4.6 IMO自主水平分级标准 |
| 2.5 自主水平分级标准的划分依据 |
| 2.6 基于航海实践的自主水平分级方法 |
| 2.7 实例分析 |
| 2.7.1 “Folgefonn”号渡轮自主水平分级 |
| 2.7.2 “Falco”号渡轮自主水平分级 |
| 2.8 本章小结 |
| 3 面向自主船舶的危险分析方法适用性评估 |
| 3.1 危险分析方法的选取与概述 |
| 3.1.1 基于事件链的危险分析方法 |
| 3.1.2 基于能量转移的危险分析方法 |
| 3.1.3 基于状态迁移的危险分析方法 |
| 3.1.4 基于系统理论的危险分析方法 |
| 3.1.5 其他危险分析方法 |
| 3.2 基于系统工程的适用性评估方法 |
| 3.2.1 文献综述的数据准备 |
| 3.2.2 危险分析方法的筛选 |
| 3.2.3 评估程序的确定 |
| 3.2.4 评估准则的生成 |
| 3.3 适用性评估过程 |
| 3.3.1 聚类分析 |
| 3.3.2 适用性评估结果 |
| 3.4 适用性评估结果分析 |
| 3.4.1 存在局限性的危险分析方法 |
| 3.4.2 STPA的适用性分析 |
| 3.5 本章小结 |
| 4 面向自主船舶的危险分析与安全性建模 |
| 4.1 自主船舶的系统安全描述 |
| 4.1.1 自主船舶的运行特点 |
| 4.1.2 自主船舶面临的系统风险 |
| 4.2 危险分析的基本原理 |
| 4.2.1 危险及其相关术语的定义 |
| 4.2.2 危险的转化 |
| 4.2.3 危险分析过程 |
| 4.3 基于STPA的安全性协同分析方法 |
| 4.3.1 STPA及其扩展方法的局限性 |
| 4.3.2 STPA-SynSS的提出 |
| 4.4 考虑退化组件的自主船舶安全性建模 |
| 4.5 实例分析 |
| 4.5.1 基于STPA-SynSS的远程控制船舶危险分析 |
| 4.5.2 考虑退化组件的远程控制船舶安全性建模 |
| 4.6 STPA-SynSS与STPA危险分析结果的对比分析 |
| 4.7 本章小结 |
| 5 面向自主船舶的形式化建模与危险分析结果验证 |
| 5.1 形式化方法概述 |
| 5.2 基于时间自动机的模型检测方法 |
| 5.2.1 模型检测的基本原理 |
| 5.2.2 时间自动机理论 |
| 5.2.3 时间自动机网络 |
| 5.2.4 模型检测工具UPPAAL概述 |
| 5.3 基于时间自动机的STPA-SynSS扩展流程 |
| 5.4 远程控制船舶时间自动机网络模型的构建 |
| 5.5 STPA-SynSS危险分析结果的验证 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（9）分布式与自动化大数据智能分析算法与编程计算平台（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与概况 |
| 1.1.1 研究背景与基本问题 |
| 1.1.2 难点技术与关键科学问题 |
| 1.1.3 国内外发展概况 |
| 1.2 国内外研究现状与趋势 |
| 1.2.1 大数据分析挖掘和机器学习并行化算法 |
| 1.2.2 大数据自动化机器学习技术 |
| 1.2.3 大数据智能分析编程计算方法与平台 |
| 1.3 现有研究工作和技术存在的不足 |
| 1.4 本文组织架构 |
| 1.5 本文的研究内容和主要工作 |
| 1.5.1 总体研究目标与研究内容 |
| 1.5.2 本文主要研究内容 |
| 第二章 高效的大规模分布式函数依赖发现算法 |
| 2.1 研究背景与问题 |
| 2.2 背景知识与相关工作 |
| 2.2.1 函数依赖基本定义 |
| 2.2.2 基于采样-验证的函数依赖发现 |
| 2.2.3 已有函数依赖发现算法 |
| 2.3 基于属性重排序的算法框架 |
| 2.4 数据预处理 |
| 2.4.1 属性信息统计 |
| 2.4.2 属性重排序 |
| 2.4.3 记录编码 |
| 2.5 AFDD算法 |
| 2.5.1 总体流程 |
| 2.5.2 分布式成对采样 |
| 2.5.3 属性并行的剪枝-生成 |
| 2.5.4 分布式基于索引的验证 |
| 2.5.5 自适应的采样-验证切换 |
| 2.5.6 复杂度分析 |
| 2.6 Batch AFDD算法 |
| 2.7 性能评估 |
| 2.7.1 实验环境 |
| 2.7.2 性能比较 |
| 2.7.3 扩展性评估 |
| 2.7.4 属性重排序评估 |
| 2.7.5 分布式探测评估 |
| 2.8 本章小结 |
| 第三章 高效的大规模分布式并行化谱聚类算法 |
| 3.1 研究背景与问题 |
| 3.2 背景知识与相关工作 |
| 3.2.1 谱聚类算法基本原理 |
| 3.2.2 样本间相似性度量方法 |
| 3.2.3 谱聚类算法主要流程 |
| 3.3 相似度矩阵构建及稀疏化并行化 |
| 3.3.1 相似度并行计算 |
| 3.3.2 相似度矩阵稀疏化 |
| 3.4 Laplacian矩阵构建及正规化并行化 |
| 3.4.1 Laplacian矩阵构建 |
| 3.4.2 Laplacian矩阵正规化 |
| 3.5 特征向量计算并行化 |
| 3.5.1 精确特征向量并行化求解 |
| 3.5.2 近似特征向量并行化求解 |
| 3.6 k-means聚类并行化 |
| 3.6.1 k-means聚类算法描述 |
| 3.6.2 k-means聚类并行化 |
| 3.6.3 距离计算优化 |
| 3.7 性能评估 |
| 3.7.1 实验环境及数据 |
| 3.7.2 聚类效果评估 |
| 3.7.3 算法性能评估 |
| 3.7.4 数据可扩展性评估 |
| 3.7.5 节点可扩展性评估 |
| 3.8 本章小结 |
| 第四章 高效的分布式深度森林训练方法与算法 |
| 4.1 研究背景与问题 |
| 4.2 背景知识与相关工作 |
| 4.2.1 深度森林 |
| 4.2.2 Ray |
| 4.2.3 多层表征学习 |
| 4.2.4 机器学习框架与声明式编程模型 |
| 4.3 基于子森林划分的任务并行训练算法 |
| 4.3.1 设计动机 |
| 4.3.2 划分和合并 |
| 4.3.3 复杂度分析 |
| 4.4 系统设计与优化 |
| 4.4.1 系统概述 |
| 4.4.2 高层编程API |
| 4.4.3 系统层优化 |
| 4.5 性能评估 |
| 4.5.1 实验环境及数据 |
| 4.5.2 模型配置 |
| 4.5.3 性能对比 |
| 4.5.4 扩展性评估 |
| 4.5.5 负载均衡评估 |
| 4.5.6 系统层优化评估 |
| 4.5.7 划分粒度分析 |
| 4.6 本章小结 |
| 第五章 大数据AutoML自动化机器学习方法与算法 |
| 5.1 研究背景与内容概述 |
| 5.2 相关工作 |
| 5.3 基于强化学习和贝叶斯优化的机器学习流水线自动化设计 |
| 5.3.1 研究背景与问题 |
| 5.3.2 基于强化学习的结构搜索 |
| 5.3.3 基于贝叶斯优化的算法超参优化 |
| 5.3.4 分布式并行的流水线设计 |
| 5.3.5 性能评估 |
| 5.3.6 小结 |
| 5.4 资源受限场景下基于自适应连续过滤的自动化机器学习 |
| 5.4.1 研究背景与问题 |
| 5.4.2 自适应连续过滤算法BOASF |
| 5.4.3 基于BOASF的模型选择 |
| 5.4.4 基于BOASF的超参数优化 |
| 5.4.5 性能评估 |
| 5.4.6 小结 |
| 5.5 终生学习场景下基于加权集成的自动化机器学习 |
| 5.5.1 研究背景与问题 |
| 5.5.2 自动化终生学习问题定义 |
| 5.5.3 基于加权集成学习的算法框架 |
| 5.5.4 针对概念漂移的自适应权重设计 |
| 5.5.5 性能评估 |
| 5.5.6 小结 |
| 5.6 本章小结 |
| 第六章 大数据AutoDL自动化深度学习方法与算法 |
| 6.1 研究背景与内容概述 |
| 6.2 相关工作 |
| 6.3 基于渐进式多保真度评估的超参数优化 |
| 6.3.1 研究背景与问题 |
| 6.3.2 低保真度评估偏差 |
| 6.3.3 渐进式多保真度评估 |
| 6.3.4 贝叶斯模型构建及其热启动 |
| 6.3.5 性能评估 |
| 6.3.6 小结 |
| 6.4 最小化离散性能偏差的可微分网络架构搜索 |
| 6.4.1 研究背景与问题 |
| 6.4.2 可微分的网络架构搜索 |
| 6.4.3 最小化离散性能偏差 |
| 6.4.4 随机固定规约单元的架构搜索 |
| 6.4.5 性能评估 |
| 6.4.6 小结 |
| 6.5 本章小结 |
| 第七章 统一大数据智能分析编程计算方法与平台 |
| 7.1 研究背景与问题 |
| 7.2 相关工作 |
| 7.3 跨平台统一大数据智能分析编程计算模型与方法 |
| 7.3.1 跨平台统一大数据智能分析编程计算模型 |
| 7.3.2 基于计算流图的大数据智能分析编程方法 |
| 7.4 统一大数据智能分析平台集成与调度优化 |
| 7.4.1 统一大数据智能分析平台集成框架 |
| 7.4.2 跨平台统一调度优化 |
| 7.5 统一大数据智能分析算法集成与自动化机器学习建模 |
| 7.5.1 统一大数据智能分析算法集成框架 |
| 7.5.2 自动化机器学习建模工具平台 |
| 7.6 统一大数据智能分析与可视化编程原型系统设计与实现 |
| 7.6.1 系统总体架构 |
| 7.6.2 系统主要功能与模块设计实现 |
| 7.6.3 系统基本操作使用与大数据智能分析示例 |
| 7.6.4 系统技术特征总结 |
| 7.7 关键技术应用验证 |
| 7.7.1 分布式数据挖掘与机器学习算法应用验证 |
| 7.7.2 AutoML自动化机器学习算法应用验证 |
| 7.8 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 进一步的工作与研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间已发表论文列表 |
| 攻读博士期间参研项目列表 |
| 攻读博士期间获奖情况列表 |
| 攻读博士期间学术服务列表 |
| 应用成果证明 |
（10）关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 机械装备关键传动件故障诊断及健康状态监测技术的研究现状与发展趋势 |
| 1.3 变工况下特征提取以及信号处理技术的研究现状与发展趋势 |
| 1.3.1 基于时频空间能量分布的瞬态信号解调分析技术 |
| 1.3.2 基于外界干扰下的复合信号解耦分析技术 |
| 1.3.3 基于变工况下网络自适应监测及故障诊断技术 |
| 1.4 机械装备关键传动件的智能故障诊断与健康状态监测所面临的挑战 |
| 1.5 本文的主要研究内容及章节安排 |
| 第二章 短时傅里叶框架下的二阶同步提取变换 |
| 2.1 引言 |
| 2.2 局部瞬时频率的估计问题 |
| 2.3 短时傅里叶框架下的二阶同步提取变换 |
| 2.4 二阶同步提取变换的仿真实验验证 |
| 2.4.1 单分量仿真信号分析 |
| 2.4.2 多分量仿真信号分析 |
| 2.5 在旋转机械振动信号分析中的应用 |
| 2.5.1 案例一:单分量机械振动信号分析 |
| 2.5.2 案例二:多分量机械振动信号分析 |
| 2.6 本章小结 |
| 第三章 递归映射解调高阶同步提取变换 |
| 3.1 引言 |
| 3.2 广义解调 |
| 3.3 递归映射解调高阶同步提取变换理论分析 |
| 3.3.1 单分量信号模型的递归映射解调高阶同步提取变换 |
| 3.3.2 多分量信号模型的递归映射解调高阶同步提取变换 |
| 3.4 仿真信号验证分析 |
| 3.5 在动力传动装置行星齿轮箱故障诊断中的应用 |
| 3.6 本章小结 |
| 第四章 阈自适应神经网络模型的风机健康状态监测 |
| 4.1 引言 |
| 4.2 自编码模型 |
| 4.3 生成对抗网络模型 |
| 4.3.1 标准生成对抗网络模型 |
| 4.4 阈自适应生成对抗网络模型 |
| 4.5 在风力发电系统关键传动件的健康状态监测中的应用 |
| 4.5.1 数据预处理分析 |
| 4.5.2 案例一:鲁南风场14号风力发电机组健康状态监测 |
| 4.5.3 案例二:荣成风场15号风力发电机组健康状态监测 |
| 4.6 本章小结 |
| 第五章 工况自适应神经网络模型的行星齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 相关的理论 |
| 5.2.1 全连接神经网络 |
| 5.2.2 卷积神经网络 |
| 5.2.3 t-分布邻域嵌入算法 |
| 5.3 工况自适应神经网络模型 |
| 5.4 工况自适应网络模型在行星齿轮箱故障诊断中的应用 |
| 5.4.1 实验设备简介及数据描述 |
| 5.4.2 行星齿轮箱故障检测及诊断结果分析 |
| 5.5 本章小结 |
| 第六章 时变工况下滚动轴承知识迁移学习模型的故障诊断 |
| 6.1 引言 |
| 6.2 稀疏自编码网络 |
| 6.3 提出的知识迁移学习网络模型 |
| 6.4 在轴承系统的诊断中的应用 |
| 6.4.1 实验设备简介 |
| 6.4.2 数据描述 |
| 6.4.3 轴承故障结果验证及对比分析 |
| 6.5 本章小结 |
| 第七章 结论和展望 |
| 7.1 研究结论 |
| 7.2 研究创新点总结 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、.NET框架下Layered Application模式应用（论文参考文献）
- [1]目标驱动的移动机器人自主导航研究[D]. 岳鹏宇. 西安理工大学, 2021(01)
- [2]面向无线视频业务的边缘缓存与多播技术研究[D]. 代健美. 北京邮电大学, 2021(01)
- [3]基于表示学习的多层网络融合关键技术的研究[D]. 宁念文. 北京邮电大学, 2021(01)
- [4]基于框架语义表示的关系抽取技术研究[D]. 赵红燕. 山西大学, 2021(01)
- [5]非共价界面层状纳米复合材料的多尺度力学与设计[D]. 何泽洲. 中国科学技术大学, 2021(09)
- [6]面向分层网络体系结构的分布式神经网络系统设计及算法研究[D]. 宋凯文. 电子科技大学, 2021(01)
- [7]基于Hi3559的智能相机系统软件研发[D]. 高昕. 浙江大学, 2021(01)
- [8]面向自主船舶的危险分析方法研究[D]. 周翔宇. 大连海事大学, 2020(04)
- [9]分布式与自动化大数据智能分析算法与编程计算平台[D]. 朱光辉. 南京大学, 2020(12)
- [10]关键传动件变工况下的时变信号特征表征及自适应监测诊断方法研究[D]. 陈鹏. 电子科技大学, 2020