一、回归SDM模型及其在函数逼近和识别中的应用研究（论文文献综述）
姜尚磊[1]（2020）在《曲面薄壁构件侧铣加工动力学建模及稳定性预报研究》文中研究指明发动机机匣、整体叶轮、气波制冷装备转毂等曲面薄壁构件,是航空航天、能源动力等领域高端装备的关键件,这些结构件的某些部位或其整体多采用侧铣加工方式,对性能和加工表面质量的要求极其苛刻。然而,由于这些构件壁薄、形状复杂、材料去除量大,不仅自身刚性较弱,且加工过程中刚度时变、刀具悬伸大,若加工参数选取不当,极易诱发表面质量退化、颤振失稳等问题,难以满足加工要求。因此,构建加工工艺系统的动力学模型,提出稳定性极限的精确预报方法,寻求合理的工艺参数组合,对实现曲面薄壁构件的高质高效加工具有极为重要的意义。为此,本文以曲面薄壁构件的侧铣加工为研究对象,开展了考虑刀具与工件柔性的加工动力学建模与稳定性预报研究,深入揭示了刀具与工件的激励响应机制与动态交互作用机理,为气波制冷装备转毂空间曲折流道的高质高效加工提供了重要的理论依据与技术支持。论文的主要研究内容如下:（1）建立了多点接触的五轴侧铣动态切削力模型。首先,给出了五轴侧铣加工的路径表达以及刀具坐标系与工件坐标系间的转换关系,确定了齿间角和螺旋角同时变化下不同切削微元的位置角。然后,提出了基于实体裁剪技术的刀具-工件接触域提取新方法,计算了考虑刀具跳动效应的瞬时未变形切厚,给出了基于最小静态瞬时未变形切厚原则的多重再生索引确定方法。在此基础上,进一步建立了多点接触的动态切削力模型,并给出了动态切削力模型在模态空间下的表达形式。最后,提出了并行标定变齿间角/螺旋角刀具切削力系数和刀具跳动参数的方法。所建立的动态切削力模型为侧铣加工的精确动力学建模提供了力学基础。（2）提出了针对细长刀具的模态测试与参数辨识方法。基于模态分析理论,提出了一种跨轴跨点模态测试方法,解决了常规测试方法由于忽略结构跨轴和跨点模态对细长刀具造成的动力学参数辨识失准问题。提出了与新模态测试方法配套的动力学参数辨识方法,给出了多频响函数的分组参数辨识策略,进而确定了整个刀具结构的动力学参数。测试与辨识实验结果表明:通过所提方法辨识出了具有主振动方向属性的刀具动力学参数,弥补了常规方法在振型向量辨识精度方面的不足。所提方法为考虑跨轴跨点模态耦合效应的刀具动力学方程提供了准确可靠的动力学参数。（3）建立了考虑刀具与工件柔性的侧铣加工动力学模型。针对侧铣工况,建立了考虑跨轴和跨点模态耦合效应的刀具动力学方程,并给出了与刀具动力学方程相匹配的参数矩阵拼装方法。仿真与实验结果表明:考虑跨轴和跨点模态耦合效应的动力学模型使得稳定性边界的预报精度显着提升。针对薄壁结构件侧铣工况,综合考虑切削过程中的材料去除效应和静力诱使变形影响等,建立了工件柔性下和刀具与工件双柔性下的工件动力学方程。考虑实际材料去除效应,给出了切削过程工件动力学参数的快速提取方法,考虑静力诱使变形影响,提出了刀具与工件实际啮合角边界的迭代求解方法。仿真和实验结果表明:考虑静力诱使变形影响能够提升切削力的预报精度,使得动力学模型所预报的稳定性边界与实验结果更加吻合,特别是对于壁厚越薄的薄壁结构件。（4）提出了具有高收敛率的铣削稳定性预报方法。面向单时滞铣削系统,提出了基于精细时程积分的二阶半离散法。该方法采用二阶牛顿插值公式逼近Duhamel积分的时滞项,获得了对系统状态响应更精确的逼近;对于逼近过程中所产生的大量指数矩阵及其与多项式函数乘积的积分,给出了基于精细时程积分算法的高效求解策略。面向多时滞铣削系统,提出了基于精细时程积分的多步Adams法。该方法采用多步Adams公式分别对系统状态响应的动态和静态组量进行精确逼近,具备同步预报系统动态位移及表面位置误差的能力。逼近过程中所产生的大量指数矩阵及其与多项式函数乘积的积分同样通过精细时程积分算法实现高效求解。标准算例仿真结果表明:二阶半离散法与多步Adams法与国际通用的主流方法相比均具有显着更高的收敛性,在较小的离散数下即可获得较高的计算精度。在计算效率方面,二阶半离散法相比一阶半离散法提升65%以上,不同步数下的多步Adams法均高于不同阶数下的全离散法,且随步数增加其计算时间增长的趋势较缓。（5）进行了曲面薄壁构件的加工验证。将本文提出的侧铣加工动力学模型及稳定性预报方法应用于气波装备转毂的侧铣加工中,形成了转毂上环状均布的空间曲折流道的加工工艺路线。设计了具有刚度增强功能的定位及装夹方案,划分了涉及应用变齿间角刀具的加工阶段并生成了各加工阶段下的侧铣刀具路径,分析了变齿间角刀具带来的抑振作用效果,给出了依据稳定性极限图的侧铣加工参数优选策略。仿真结果表明:在某些转速范围内,使用变齿间角刀具可将临界径向切深提升一倍以上。加工实验结果表明:该工艺路线有效避免并抑制了加工颤振,实现了气波制冷机转毂薄壁流道的高效稳定加工,验证了本文所提模型与方法在实际工程应用中的可行性。
赵集[2]（2020）在《Alpha稳定分布环境下自适应滤波算法研究》文中研究说明高斯分布模型历来在信号处理领域中占据主导地位,其原因在于:理论上的完整性、工程应用中的简洁性以及非线性问题的规避性。然而,大量的研究表明在诸如:雷达探测、电力通信、大气环境、水下声波、地震勘测、生物医学以及经济计量学等实际领域的应用中,往往存在许多具有脉冲幅度特性的噪声或干扰。因此,现实中的非高斯脉冲特性会导致基于高斯分布模型所设计的最优信号处理系统（或算法）的性能显着退化,甚至于不能正常工作。α稳定分布模型作为一类能有效地统一描述重尾分布的非高斯模型在鲁棒信号处理领域逐渐受到广泛关注与应用。服从α稳定分布的噪声所携带的脉冲幅度特性会严重阻碍传统自适应滤波算法在系统辨识、信道均衡、信号回归以及时间序列预测等信号处理领域中的应用。本文针对前述问题,对基于α稳定分布噪声环境的自适应滤波算法进行研究。本论文的主要工作与贡献如下:1.因为符号函数仅提取相关信号的方向属性,所以对脉冲噪声具有良好的抑制能力。故最小l1-范数准则在鲁棒自适应滤波算法中受到广泛研究。因为相关熵诱导度量（CIM）可视为l0-范数的良好平滑近似,所以在稀疏自适应滤波算法中得到越来越多的关注。本文研究基于最小l1-范数准则和CIM的鲁棒仿射比例自适应滤波算法（CI-M-IP-APSA）用于脉冲噪声环境下的稀疏系统辨识;利用泰勒展开对CIM进行约化,得到相关的简化算法,即:简化的基于CIM的记忆比例APSA算法。该简化算法在保留原始基于CIM的记忆比例APSA算法良好性能的前提下,有效地降低了原始算法的计算复杂度。2.作为最大相关熵（MC）准则的扩展形式,广义最大相关熵（GMC）准则具有优良的非高斯噪声抑制能力。基于GMC准则的鲁棒自适应滤波算法逐渐得到研究者们的关注。本文研究基于GMC准则下的不动点自适应滤波算法,即:不动点广义最大相关熵算法（FP-GMC）,并利用Banach不动点原理导出该算法收敛的充分条件。利用滑动窗口技术和递归迭代方法得到该不动点算法的两种在线更新形式,分别为:滑动窗口GMC算法（SW-GMC）和递归GMC算法（RGMC）。由于递归GMC算法解的非解析性,导致该算法在非平稳环境下收敛速率降低。为克服该问题,本文进一步基于凸组合原理设计出自适应凸组合递归GMC算法（AC-RGMC）。此外,本文利用权重转移技术以进一步提升组合算法在非平稳环境下的收敛能力。3.核自适应滤波（KAF）算法由于其独特且优良的非线性建模能力,在非线性回归、时间序列预测等方面受到广泛研究与关注。本文基于权重化输出信息和MC准则得到加权输出信息的核递归最大相关熵算法（KRMC-W）。为进一步拓展该算法的建模能力,本文利用GMC准则替换KRMC-W算法中的MC准则,得到核递归广义最大相关熵算法（KRGMC）。由于线性增长的核函数网络极大地限制KAF算法的实际应用,故本文提出基于重构核希尔伯特空间（RKHS）向量相似性的核函数网络向量投影技术（VP）。同时,将VP方法应用于KRMC-W算法并得到相应的稀疏化算法,即:投影加权输出信息的核递归最大相关熵算法（PKRMC-W）。上述各类算法通过相关仿真实验进行分析与比较,结果表明,在脉冲噪声或强干扰环境下所提算法具备良好的系统辨识能力。
黎波[3]（2020）在《基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究》文中认为遥感高光谱成像是一种将遥感探测的二维空间信息和光谱信息相结合的具有多波段的影像数据。它可以较好地获取连续的窄波段图像数据信息,这些图像具有高分辨率的特点,可提供丰富的地物细节和特征,因此被广泛应用于地质勘探、植被生态监测、大气环境监测、农业遥感、海洋勘测等各应用领域。然而,由于高光谱成像属于被动式成像,且遥感平台离地观测距离较远,在传感器获取影像过程中,会受到多种因素的影响,如:传感器系统硬件、感光元件随机故障、非均匀的光照强度以及大气湍流等,获取的影像常会出现空间分辨率较低、像元丢失、条纹噪声、模糊、亮度分布不均、阴影、云遮挡等影像质量问题,通常带有多类型强度不同的混合噪声,如高斯噪声、随机噪声和条纹噪声等,对高光谱图像的后期地物分类等应用造成极大困难。论文以遥感高光谱图像为研究对象,对条纹噪声和混合噪声的去除展开研究,利用张量分解联合高光谱图像的空间和谱间信息以及高光谱影像低秩稀疏表示的特点,提出了一系列的针对高光谱图像去噪方法。论文的主要研究工作及成果如下:（1）提出了一种基于最小最大非凸惩罚范数（MCP）约束、单向Tchebichef距差分自适应全变分正则化的去条纹模型（TMCP-SDM）。针对基于全变分TV正则化去条纹噪声算法产生阶梯效果,同时不能有效地去除混合的和不规则条纹噪声,条纹噪声去除过程中丢失影像细节的问题,论文通过研究条纹噪声所固有的方向性和结构特征,提出了去条纹模型TMCP-SDM。首先,图像层在条纹噪声的垂直方向平滑并具有典型的结构性。因此,利用Tchebichef距的UTV来抑制光滑子空间,可以有效地保留图像结构信息不被去除,同时减轻估计图像的阶梯效果。其次,模型使用非凸MCP-norm来表征条纹噪声的低秩性,由于非凸近似逼近低秩方法比使用?1范数和核范数等凸近似方式来代替?0范数和rank函数更加准确,更能体现条纹成分的低秩性和稀疏性特点。在TMCP-SDM模型中,分别构建恢复影像方向Tchebichef距的最小最大非凸惩罚正则化约束和影像低秩近似逼近估计项作为恢复高光谱低秩影像及条纹噪声分量的先验信息,通过ADMM优化模型为基础,提出求解方法,计算出恢复影像和条纹噪声分量,从而有效地将条纹噪声从获取的含噪影像中分离出并获得无噪的干净复原影像。（2）提出了一种新的基于非凸低秩张量逼近和相位一致性的混合噪声去除方法（Nonconvex Low Rank Tensor approximation and Phase Consistency for mixed denoising,NLRTAPC）。针对分波段TV正则化和低秩张量去噪方法存在无法有效利用局部邻域信息,且会引入阶梯状效应,容易导致―人造伪影‖现象的缺点,特别是在弯曲的边缘部分,梯度信息无法准确描述图像的真实结构。因此,论文提出了一种新的非凸平滑秩近似模型处理高光谱图像的混合噪声,利用归一化的拉普拉斯函数非凸低秩矩阵逼近代替核范数,融合相位一致性约束的?p范数约束,建立一种新的相位一致性?p范数模型实现对高光谱图像空间结构信息约束,可有效去除高光谱图像的混合噪声。由于非凸低秩近似在低秩和稀疏结构方面表现更优良,还可较好地解决高光谱图像去噪过程中出现的―人造伪影‖现象。（3）提出了一种低秩混合张量近似分解模型HLRTD和加权的空间与光谱TV的SSTV总变分正则化张量低秩混合的分解模型HLRTD-SSTV。现有基于低秩张量分解的高光谱图像的诸多去噪方法中,普遍无法提取张量内部的细粒度稀疏性,因此,论文提出在低秩张量近似下,通过同时联合最小化CP秩和Tucker秩利用两种数据结构准确描述张量的低秩结构和稀疏性,使之有利于进行图像恢复。论文中提出一种低秩混合张量低秩分解模型（HLRTD）用于准确描述HSI的低秩结构和稀疏性信息。为了充分利用高光谱图像中高维结构信息,低秩混合张量近似分解模型（HLRTD）将CP模型分解秩和Tucker模型秩联合使用低秩近似逼近高光谱图像的自然结构,将加权的空间和光谱TV（SSTV）总变差正则化引入到张量低秩混合分解模型中,在消除混合噪声时,保证恢复图像具有较好的局部平滑结构和获得额外的光谱互补信息,以减小谱失真。利用交替方向乘法（ADMM）将两个张量秩的优化模型转化为两个子问题,每个子问题只有一个张量秩的优化。对于两个分解的子问题分别采用张量低秩逼近更新法和矩阵加权核范数最小化法优化求解。从仿真实验和真实数据实验的结果发现,HLRTD-SSTV模型可以有效地处理高斯噪声、条带噪声和混合噪声等,该方法通过评价指标和视觉评价对比目前最先进的典型方法,均表现出较好的指标结果。（4）将TMCP-SDM、NLRTAPC和HLRTD-SSTV三种模型整合并应用在实际高光谱数据场景数据集,通过视觉和定量定性等评价手段将提出的三种模型应用到实际的高光谱数字图像HYDICE Urban数据集,进一步验证所设计的模型对真实的高光谱图像复原的有效性。
马家欣[4]（2020）在《一种非线性自回归时序模型及其应用研究》文中指出时间序列分析作为数理统计学的一个分支,广泛应用于社会科学、自然科学、管理工程和工程技术等众多领域。近半个世纪以来,其在机械类工程中的应用发展非常迅速,尤其是在预测预报、频谱分析、故障诊断、表面形貌识别、模态参数估计、结构损伤识别等方面都有良好的应用。目前,线性时序模型理论研究已较为成熟,非线性时间序列分析近年来发展较快,但仍有着很大的发展空间和研究价值。本文在线性/非线性自回归模型一般表达式（General expression for linear and nonlinear auto-regressive models,GNAR）的基础上,提出了带有外部输入的GNAR模型（GNARX）,系统研究了模型的基本特性、参数估计和结构辨识、适用性检验、模式识别和故障诊断应用、结构损伤识别应用等问题。论文主要工作如下:（1）针对系统部分输入已知的特点,对比传统的系统辨识与常规时序建模策略,研究了带有外部输入的时序建模策略的优越性。提出了GNARX模型,推导了模型表达式,并通过分析其与GNAR模型、传统输入/输出模型、Volterra级数模型和Sigma-Pi神经网络的关联,阐述了模型内涵。通过对AR、ARX、GNAR和GNARX模型数据的拟合,验证了GNARX模型的广泛适用性,通过对不同白噪声及不同输入下的数据拟合,验证了模型线性和非线性项参数都具有良好的稳健性,从理论分析和数据验证两个角度对比其他模型,论述和验证了GNARX模型良好的建模预测效果。（2）研究了最小二乘法和加权最小二乘法的不足,两者的共同问题是只考虑了数据的均值特性,而没考虑数据的其他统计特性,因此在考虑了数据总体的二阶矩特性的基础上,提出了改进马氏距离的最小二乘法,用于GNARX模型的参数估计,效果优于传统最小二乘法和加权最小二乘法。针对GNARX模型结构特点,研究了结构穷举算法的复杂性和随机剪枝法的不稳定性,提出了基于参数离差率的结构剪枝算法,用于GNARX模型结构辨识,通过仿真和实际数据的建模,对比其他算法效果,验证了基于参数离差率的结构剪枝算法的优越性。（3）针对相关性检验,研究了自相关系数准则可用于线性时序模型的适用性检验但对非线性时序模型失效的问题,提出了多元互相关系数检验准则,检验GNARX模型的适用性,并通过仿真数据对比,验证了准则的优越性。针对频域检验,研究了残差功率谱检验适用于线性模型但不适用于非线性模型的问题,提出了残差标准化的双谱检验方法,即求得标准化残差的三角主域平均积分双谱与相同数据长度的高斯白噪声对比,检验GNARX模型的适用性,并通过数据仿真,验证了方法的有效性。（4）通过工程实例,研究了时序方法应用于模式识别和故障诊断的一般步骤。提出了基于多状态模型结构辨识的模式向量选取方法,有效解决了很难用同一GNARX模型结构对同一系统不同状态的数据进行建模的问题,用仿真数据验证了方法的可行性。根据不同类内距离的GNARX模型参数对分类精度的贡献不同,定义了参数重要度,对不同参数赋予了不同的重要度系数,提出了基于参数重要度的特征向量提取方法,进一步提高了故障诊断精度,通过仿真数据验证了方法的有效性。（5）通过仿真弹簧质量阻尼系统,研究了GNARX模型对振动信号的建模机理,并推广到起重机主梁振动信号的建模机理,进一步提出了无基准的结构损伤识别方法。建立了桥式起重机主梁的有限元模型,模拟起吊重物时主梁受到的冲击载荷,提取各位置振动信号验证方法的可行性。搭建了实验室桥式起重机模型,制备了不同截面尺寸及有着不同位置不同深度裂纹的主梁模型,采集起重机升降重物时主梁各位置的振动信号,从实验的角度进一步验证GNARX模型应用于结构损伤识别的有效性。
王璐琪[5]（2019）在《交通基础设施对区域碳排放的影响研究》文中研究指明全球气候变暖已经成为人类发展面临的重大挑战,减少二氧化碳的排放量是各国应对气候变化问题的重大现实需求,也是可持续发展的内在要求。国家层面的二氧化碳减排目标需要在区域层面上具体落实。交通基础设施是支撑区域经济社会发展的重要保障和连接区域间经济活动的重要纽带,其建设和扩张促进了交通运输活动的增加,直接增加了能源消耗和碳排放,同时产生社会经济的集聚效应,对区域整体的碳排放产生间接的溢出效应。已有研究表明,交通基础设施的深度结构化改革通过直接和间接的方式可以影响80%的区域二氧化碳减排量。随着我国交通基础设施投资规模逐渐扩大和稳步增长,明确交通基础设施对区域碳排放的影响及其减排潜力成为区域可持续发展政策优化的重要参考和迫切需求。本研究通过梳理交通基础设施、区域碳排放和交通基础设施对区域碳排放影响的相关研究成果,基于复杂系统、可持续发展、环境经济地理和外部性理论,综合运用文献计量、空间计量分析、系统动力学仿真分析、非参数性预测和情景分析等研究方法,从交通基础设施对区域碳排放影响的内涵、机理、影响程度测度、影响路径仿真以及交通基础设施影响下的区域碳减排情景和路径等方面进行研究。主要的研究内容如下:本文界定了交通基础设施对区域碳排放影响的内涵,明确空间要素的重要性以及影响是在多种要素耦合作用下产生;识别交通基础设施对区域碳排放影响的所有系统要素;在系统要素耦合视角下,分析交通基础设施对区域碳排放影响的驱动力、直接影响关系和间接影响关系;构建交通基础设施对区域碳排放影响的概念模型和要素拓展STIRPAT理论模型,揭示交通基础设施对区域碳排放的影响机理。以区域碳排放的空间特征为研究起点,在拓展STIRPAT理论模型的基础上,应用探索性空间数据分析方法（ESDA）分析要素的空间相关关系;基于中国1997-2015年间30个省级区域的面板数据,通过变量的特征分析和数据的预检验,比较不同空间计量模型的有效性,构建解释能力较强的STIRPAT-SDM模型;分析各种驱动要素耦合作用下对区域碳排放的影响,以及各要素的空间作用关系;测度交通基础设施对区域碳排放的影响程度。根据具体要素之间的因果关系,将理论模型STIRPAT的驱动要素进一步扩展为不同的系统模块,每个系统模块包含不同的要素;在明确各要素关系和影响机理的基础上,应用系统动力学（System Dynamic,SD）方法,可视化表达具体要素的因果联系、相互影响和系统反馈回路关系,绘制系统流图;构建交通基础设施对区域碳排放影响的路径仿真模型STIRPAT-SD;并对模型进行直观性、有效性和灵敏度检验,保证仿真模型的解释能力。在以上研究内容的基础上,从两个角度进行情景模拟和减排路径识别,根据交通基础设施对区域碳排放影响程度的测度结果,将这些显着影响区域碳排放水平的要素作为预测要素,构建了非参数性机器学习预测模型STIRPAT-PSOSVM对2015-2030年我国区域碳排放水平进行情景模拟;根据交通基础设施对区域碳排放的影响路径模型,对我国交通碳排放水平进行预测和情景模拟;在相同的情景设定下,对交通基础设施的直接碳排放和交通基础设施影响的区域碳排放进行联合情景模型,识别综合性减排路径和阈值情景,提出对应的政策性建议。本研究从空间计量视角测度交通基础设施对区域碳排放的影响程度,证明了交通基础设施要素是影响区域碳排放的重要驱动要素,提出拓展了交通要素的STIRPAT理论模型,进一步拓展了STIRPAT理论模型的内容;从联合情景模拟视角,集成非参数预测和参数预测方法,通过定性和定量相结合的手段,识别区域碳减排路径和阈值情景,提高了情景模拟的准确度,丰富了低碳情景模拟和路径识别的方法体系;本研究识别的交通基础设施影响下的区域碳减排阈值情景、路径和方案,为区域低碳发展提供政策性参考。总的来看,本文的研究成果有利于深入理解交通基础设施对区域碳排放影响的的内在机理,为交通基础设施相关的区域碳减排研究提供理论依据和实践参考。
王其鑫[6]（2020）在《基于神经网络的自监督双目视觉及其在血管深度测量中的应用》文中提出近年来,随着学科交叉的发展,立体匹配理论的研究逐渐丰富。然而医学图像普遍存在噪声多、结构复杂和数据采集困难等特点,传统的双目匹配技术难以获得准确的匹配结果。此外,准确的标签数据获取困难,制约着监督式的训练。针对以上问题,本文将自监督方法引入医学图像立体匹配,利用深度学习来提高匹配精度。主要研究工作如下:（1）针对标签数据难获取的问题,提出了一种自监督图像立体匹配模型SDMNet（Self-supervised Disparity Matching Network）,本模型引入自监督、感知损失、区域裁剪和损失均衡计算四个模块,并在公共数据集KITTI基准上达到主流自监督算法最高精度,在公共数据集KITTI2015和2012基准上获得3.39%和2.25%的错误率。（2）针对立体匹配中遮挡点的问题,在SDMNet的基础上,利用先验驱动数据学习、快速特征点提取和描述算法ORB（Oriented FAST and Rotated BRIEF）,构建了基于稀疏自编码的图像立体匹配模型ORB-SDMNet。本模型充分利用几何先验,引入了稀疏点云生成、稀疏自编码和损失均衡计算三个模块,并在公共数据集上与其他算法对比,超越部分监督算法,在公共数据集KITTI2015和2012基准上获得3.31%和2.20%的错误率。（3）针对血管显像及其病理诊断对三维成像的需求,结合血管及相关组织的图像数据特性,研究以上述匹配模型为核心的非侵入式高精度血管三维成像技术,搭建了血管三维成像系统,可输出令人满意的定性成像结果。为类比成像特性,模拟手背血管成像环境,搭建了模拟血管三维成像系统,通过采集模拟血管数据并获得视差标签,将自监督立体匹配模型算法在模拟数据上进行定量评估,MAE（平均绝对误差）平均误差比主流算法低0.57。
刘健[7]（2019）在《基于迁移学习的人脸特征提取与定位算法研究》文中研究表明人脸特征提取与定位是计算机视觉中的经典问题之一,是解决很多人脸相关问题的基础,准确的人脸特征点定位结果对视觉任务如:人脸识别、3D人脸重建、人脸表情分析、人脸姿态估计等具有非常重要的意义。近年来,人脸特征点定位研究取得了巨大进步,约束人脸的特征点定位精度已经能满足实际应用需求,而非约束人脸图像（即人脸图像存在姿态、表情、遮挡、照明、年纪和化妆等变化）的特征点定位仍存在定位不准确、精度低等问题。本文主要研究基于迁移学习的人脸特征提取与定位算法,该算法针对两种非约束人脸（即:稀疏人脸和稠密人脸）的表述,设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,实现了稀疏人脸特征点定位,并将其迁移学习至局部二进制特征（LBF:Local Binary Feature）的方法中,进一步解决了稠密人脸的特征提取与定位问题。本文重点完成了以下的工作:（1）设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,完成了稀疏人脸特征提取和定位。利用深度卷积神经网络构建了一个三层级联的CNN网络结构,使用ReLU激活函数在同一网络结构下具有更加快速的收敛。该方法其应用于稀疏人脸特征点定位中,选用在人脸图像存在部分遮挡和不同表情背景下,与L.Liang的方法、M.Valstar的方法和Luxand的方法进行了对比试验,该方法的平均错误率和失败率低于2%,取得了比较理想定位效果。（2）设计了一种迁移学习算法,完成了稠密人脸特征提取和定位。迁移学习利用预训练的知识,加速深度卷积神经网络的训练过程。论文将深度卷积神经网络与迁移学习进行结合,把基于深度卷积神经网络的人脸特征提取与定位算法迁移学习到局部二进制特征方法中,提出了两种基于迁移学习的人脸特征提取与定位算法,分别是直接迁移的方法和级联精调迁移的方法。利用迁移学习,本文方法能迁移卷积神经网络来提取面部局部特征,再对单独提取的每个特征点进行串联,进行一个全局约束回归,最终准确地预测出稠密人脸特征点。（3）通过实验,将论文提出的方法与主流的人脸特征点定位方法（如:RCPR、ESR、SDM、CFAN、DeFA、LBF、CFSS、3DDFA、LAB、Wing-Loss）进行了对比分析,从平均错误率上看,定位效果达到了主流方法的平均水平。在与个别算法（如:RCPR、ESR、SDM、CFAN、3DDFA）的对比中,本文方法在定位精度上处于领先地位;与LBF方法相比,定位效果相当,但本文提取到的特征由原来的100K+维降低到了4352维。与目前最新的算法Wing-Loss对比,本文方法在迭代次数少一倍情况下,效率（EFFECTIVE）提高一倍多。证实了本文提出的基于移学习算法在人脸特征提取与定位方面,取得了较好的应用效果。
朱茜婧[8]（2019）在《基于监督下降法的人脸对齐算法研究》文中研究表明人脸对齐任务是在一张人脸图像上自动定位出人脸特征点位置的过程,它是人脸识别中关键的一步,也是很多人脸信息处理任务的基础,如人脸跟踪、表情识别、头部姿态估计等。由于许多复杂因素,如遮挡、表情变化、光照条件等,人脸对齐任务仍然面对着很大的挑战。级联回归由于其在精度和速度方面都表现得非常优秀,已经成为最流行和最先进的人脸对齐方法之一,而监督下降法（SDM）就是一种经典的级联回归方法,它由牛顿法演变而来,在人脸对齐方向取得了很好的结果。但SDM算法仍然存在提升的空间。本文从两个方面入手改进了SDM算法,主要工作内容如下:（1）当SDM算法采用不同特征时会产生不同的结果,而不同特征在每一次迭代时对形状增量的影响也有区别。因此,本文用多特征选择的方式对SDM算法进行优化,在SDM训练的每一次迭代,都使用三种特征分别进行训练和形状更新,计算更新后的三个形状坐标与真实的形状坐标之间的均方误差,哪一个值更低,当前迭代就选择哪种特征。实验结果表明这种改进思想是有效的。（2）在一些复杂条件下,比如表情夸张或头部姿态变化过大,这时初始形状与真实形状的差距过大,SDM往往无法取得较好的结果。针对这一问题,本文提出一种由粗略到精细的SDM人脸对齐算法（CFSDM）,先用简单的卷积神经网络（CNN）结构预测人脸特征点的大致位置,然后将得到的坐标赋予SDM作为它的初始形状坐标,再进行后续的对齐操作。实验结果表明,在一些复杂条件下,本文提出的方法可以提升原算法实验的精度,取得更好的对齐结果。
康童[9]（2019）在《新颖元启发式智能优化算法及其在电力系统中的应用研究》文中研究表明目前电力系统变得越来越复杂,且各种分布式可再生能源发电大量渗透。电力系统领域内柔性交流输电系统（Flexible AC Transmission Systems,FACTS）设备优化配置和太阳能光伏模型参数辨识这两大关键科学技术对于我国在能源转型中构建安全高效、绿色低碳、可持续发展的现代能源体系意义重大。因此,研究探索新颖元启发式智能优化算法及其在电力系统中的应用无论在理论上还是现实工程应用上皆拥有重要价值和意义。本文主要以电力系统领域FACTS设备优化配置和太阳能光伏模型参数辨识两大关键科学技术问题为切入点,着重研究分析布谷鸟搜索算法（Cuckoo Search Algorithm,CSA）和共生生物搜索算法（Symbiotic Organisms Search,SOS）这两种新颖元启发式智能优化算法,从两种算法的性能改进和算法的工程应用角度展开研究探索,充分发挥多学科交叉研究,重点对CSA算法和SOS算法这两种算法及它们的改进算法在电力系统领域的上述两大关键科学问题中的应用进行研究,主要工作和创新点体现在:（1）针对如何在正常运行条件下甚至最严重的单线故障条件下最大化考虑线路潮流和电压水平的电力系统静态安全问题,提出了采用一种混合方法来寻找两种典型的FACTS设备即晶闸管控制串联电容器（Thyristor-Controlled Series Compensator,TCSC）和静止无功补偿器（Static Var Compensator,SVC）的最优安装位置和容量。所提混合方法需要两步策略。首先,为了降低问题的解的搜索空间范围,提出了采用最小切割算法（Min Cut Algorithm,MCA）和切向量技术（Tangent Vector Technique,TVT）来分别确定TCSC和SVC安装的合适的候选位置,这大大减少了必须通过调查电网中的线路和母线来分别确定TCSC和SVC安装的最优位置的线路和母线的数量,这样直接减少了接下来利用CSA算法来求解研究问题的计算量;接着提出了利用CSA算法通过同时优化TCSC和SVC的候选位置和容量来解决该问题。最后,通过在IEEE测试系统中仿真验证了所提混合方法能够找到TCSC和SVC安装的最优位置和容量,且所提方法能以有效的方式通过在正常运行条件下甚至最严重的单线故障条件下消除或者缓解线路过载和电压越限途径来提高电力系统静态安全。（2）针对太阳能电池模型即单二极管模型（Single Diode Model,SDM）和双二极管模型（Double Diode Model,DDM）参数辨识问题,为了加速标准CSA算法收敛率并增强其求解准确性,提出了一种基于准对立种群初始化策略改进CSA算法,记作QOPIS-CSA算法来解决基于太阳能电池的实验测量电流电压（Current versus Voltage,I-V）数据的太阳能电池模型参数辨识问题。该算法在标准CSA算法的种群初始化阶段采用准对立学习机制（Quasi-Opposition based Learning,QOBL）。所提出的QOPIS-CSA算法已经在不同的太阳能电池模型,如SDM和DDM中进行了验证。实验结果以及与最近文献中报道的其他不同辨识方法的结果比较证实了所提QOPIS-CSA算法的优越性能。（3）针对光伏组件模型参数辨识问题,提出了一种采用改进型共生生物搜索算法的光伏组件模型参数辨识方法。首先,为提高标准SOS算法的寻优性能,提出了新的改进型SOS算法,记作ImSOS算法。该算法在标准SOS算法的生物种群初始化阶段采用了准反射学习机制（Quasi-Reflection-based Learning,QRBL）;在互利共生搜索阶段采用了改进受益因子策略;在偏利共生搜索阶段采用了收缩随机数产生因子区间策略。其次,给出了采用所提ImSOS算法求解基于实验测量电流-电压（Current versus Voltage,I-V）数据的光伏组件模型参数辨识问题的具体步骤及实现流程。最后,利用实际Sharp ND-R250A5光伏组件进行实验,通过与标准SOS算法以及其他7种新颖元启发式智能优化算法进行对比验证,结果表明了所提ImSOS算法在光伏组件模型参数辨识的有效性和优越性。（4）针对当前大部分光伏模型参数辨识算法均存在准确性低和可靠性差等问题,提出了采用一种新的改进型布谷鸟搜索算法,记作ImCSA算法来估计基于实际光伏电池与组件的实验测量I-V数据的光伏模型参数。为克服标准CSA算法的不足而增强其寻优能力,提出了ImCSA算法,该算法通过三种策略来改善标准CSA算法的优化性能。第一,在标准CSA算法的种群初始化阶段采用QOBL策略。第二,采用动态自适应步长大小策略来代替标准CSA算法中的莱维（Lévy）飞行步长大小,这样使得步长大小可以根据每次迭代过程中单个鸟巢所对应的适应度值以及当前迭代次数来自适应地调整,无需事先设置任何参数值。第三,采用动态调整发现概率Pa的策略来更好地平衡算法的探索和开采能力以增强其优化搜索性能。最后,所提ImCSA算法已经在不同光伏模型如SDM、DDM和光伏组件模型（PV Module Model,PMM）中进行了全面验证,结果表明了所提ImCSA算法能够有效地找出光伏模型中未知参数的最佳取值,使得模型最大程度地逼近实际光伏电池和组件的实验测量I-V数据。通过与标准CSA算法以及其他文献中已有方法进行对比分析,体现了所提ImCSA算法的优越性能。
陈宇[10]（2019）在《基于深度学习的特征点定位算法研究》文中认为特征点定位（又称关键点检测）是众多计算机视觉任务中需要解决的基础问题。常见的特征点定位问题包括人脸特征点定位、人体姿态估计（即人体关节点定位）等。近年来随着人机互动设备的快速发展,特征点定位成为了众多视觉算法产品中不可或缺的部分,因此也成为了计算机视觉算法研究中的一个热门课题。针对该领域尚待解决的问题,本文研究以下四个重要内容:对大姿态和遮挡的鲁棒性、模型的简化与端对端化、模型的通用性以及对图片噪声的鲁棒性。从方法论上,首先基于传统特征,探讨如何利用深度神经网络学习更好的特征到坐标的映射。然后进一步设计了用于特征点定位的深度卷积神经网络,在一个简单有效的端对端网络框架中同时解决特征表达和坐标映射学习的问题。从应用范围上,首先针对人脸特征点定位进行了研究,然后通过设计泛化性能更强的深度模型,在一个框架中实现人脸特征点、人体姿态估计等多个特征点问题的处理,最终还针对低分辨率输入等图像质量较差的极端情形研究了相应算法。本文具体工作概括如下:1.本文设计了一个自动编码器网络学习从特征到坐标的映射,处理人脸特征点定位问题。首先通过使用深层自动编码器网络从图像学习得到了初始的人脸特征点位置和姿态信息,利用姿态信息对不同的姿态进行分类处理,减少跨姿态高度非线性映射不易学习的问题。然后通过级联的自动编码器网络,从粗到精的学习特征点附近传统特征到坐标修正量的映射,在初始位置基础上对特征点位置进行修正。通过这种方式,特征映射的复杂度得到降低,深度神经网络学习得到的映射效果超过了传统的特征点定位方法。2.本文设计了一个递归神经网络处理视频和单张图片中的人脸特征点定位问题。对于视频序列中的特征点定位,使用递归神经网路考察不同时刻之间人脸特征的关联性,使得序列里中立表情能够对于序列中大姿态剧烈表情进行约束。对于单张图片的特征点定位,设计了一个空间递归神经网络来考察不同特征点附近传统特征之间的空间位置关系,从而在局部特征的基础上融合人脸的结构信息。为了获得较长的时序上和不相邻的特征点之间的关系,采用了长短时记忆模块进行递归神经网络的学习。同时学习特征点之间的关系和坐标映射帮助模型估计出了更加准确的特征点位置。3.本文提出了一个基于对抗学习和深层卷积神经网络的特征点定位算法框架,可以处理人脸特征点定位、人体姿态估计等多个问题。由于各种特征点定位问题的高度非线性,人们以往通常认为直接学习从图像到坐标的映射?分困难,然而我们通过两个策略解决了这个问题。首先利用深层卷积神经网络学习图像浅层特征和高层特征,克服了传统特征在特征表示上的局限性。其次设计了基于对抗学习的策略来克服卷积神经网络在预测过程中可能产生不合理姿态的问题。该方法在一个简洁高效的端对端网络中实现特征点定位,避免了以往方法中复杂的级联策略。该算法被同时运用到人脸特征点、二维和三维人体姿态估计上,并都取得了优异的效果。4.本文提出了一个联合进行人脸超分辨重构和先验估计的深度卷积神经网络,处理低分辨模糊图像的人脸特征点估计和超分辨率重构问题。以往特征点定位算法无法处理低分辨率模糊人脸图像,而以往人脸超分辨率模型对于人脸先验的使用又比较匮乏。为了同时解决这两个问题,本文设计了以下方法。首先使用一个简单的深层卷积神经网络进行粗略的超分辨率重构,然后提出了一个人脸先验估计网络进行先验估计,并将其结果看做一种先验特征。随后使用一个深层的卷积神经网络提取图片的深层超分辨率特征,通过将先验特征与超分辨率特征融合后解码,恢复得到高分辨率图像。该方法在一个高效简洁的端对端网络中完成了超分辨率重构和人脸特征点估计两个任务,在低分辨率图像上的特征点估计取得了与其他方法在高分辨率原图上直接估计时相当的效果。
二、回归SDM模型及其在函数逼近和识别中的应用研究（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、回归SDM模型及其在函数逼近和识别中的应用研究（论文提纲范文）
（1）曲面薄壁构件侧铣加工动力学建模及稳定性预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 论文选题背景 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 动态切削力建模研究 |
| 1.2.2 铣削动力学建模研究 |
| 1.2.3 铣削稳定性预报研究 |
| 1.3 当前研究存在的不足 |
| 1.4 主要研究内容 |
| 2 五轴侧铣动态切削力建模 |
| 2.1 引言 |
| 2.2 五轴侧铣路径表达与坐标变换 |
| 2.2.1 路径表达 |
| 2.2.2 坐标变换 |
| 2.3 刀具与工件接触区域提取 |
| 2.4 变齿间角/螺旋角刀具位置角计算 |
| 2.5 考虑刀具跳动的瞬时未变形切厚模型 |
| 2.6 多点接触的侧铣动态切削力模型 |
| 2.7 切削力系数与刀具跳动参数的并行标定 |
| 2.8 本章小结 |
| 3 跨轴跨点模态测试与参数辨识方法 |
| 3.1 引言 |
| 3.2 跨轴跨点模态测试理论基础 |
| 3.3 跨轴跨点频率响应函数测量 |
| 3.4 动力学参数辨识 |
| 3.5 模态测试与参数辨识实例 |
| 3.6 本章小结 |
| 4 考虑刀具和工件柔性的侧铣加工动力学模型 |
| 4.1 引言 |
| 4.2 侧铣加工动力学方程 |
| 4.2.1 考虑刀具柔性的动力学方程 |
| 4.2.2 考虑工件柔性的动力学方程 |
| 4.2.3 同时考虑刀具和工件柔性的动力学方程 |
| 4.3 考虑实际材料去除的薄壁结构件动力学参数提取 |
| 4.4 静力诱使变形影响下的刀具与薄壁结构件啮合角边界计算 |
| 4.4.1 啮合角边界的迭代求解方法 |
| 4.4.2 节点切削力的自适应分配 |
| 4.4.3 仿真与实验验证 |
| 4.5 本章小结 |
| 5 基于精细时程积分的铣削稳定性预报方法 |
| 5.1 引言 |
| 5.2 动力学方程的状态空间变换 |
| 5.3 面向单时滞铣削系统稳定性预报的二阶半离散法 |
| 5.3.1 方法构建 |
| 5.3.2 精细时程积分在二阶半离散法中的应用 |
| 5.3.3 二阶半离散法收敛性分析 |
| 5.3.4 二阶半离散法计算精度与效率分析 |
| 5.4 面向多时滞铣削系统稳定性预报的多步Adams法 |
| 5.4.1 方法构建 |
| 5.4.2 精细时程积分在多步Adams法中的应用 |
| 5.4.3 多步Adams法的收敛性分析 |
| 5.4.4 多步Adams法计算精度与效率分析 |
| 5.5 不同工况下动力学模型实验验证 |
| 5.5.1 细长刀具侧铣工况 |
| 5.5.2 薄壁件侧铣工况 |
| 5.6 本章小结 |
| 6 气波制冷机转毂空间流道的侧铣加工验证 |
| 6.1 引言 |
| 6.2 定位与装夹方案 |
| 6.3 加工阶段划分及刀具路径生成 |
| 6.4 基于稳定性预报的加工参数优选 |
| 6.5 加工实验及结果分析 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 研究内容总结 |
| 7.2 主要创新点 |
| 7.3 后续研究展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（2）Alpha稳定分布环境下自适应滤波算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和发展态势 |
| 1.2.1 α稳定分布研究及其应用 |
| 1.2.2 自适应滤波原理及典型应用 |
| 1.2.3 自适应滤波算法的研究进展 |
| 1.2.4 基于核方法的非线性自适应滤波算法 |
| 1.3 本文主要工作以及章节安排 |
| 第二章 α稳定分布环境下自适应滤波算法理论基础 |
| 2.1 α稳定分布模型 |
| 2.1.1 α稳定分布特征函数 |
| 2.1.2 α稳定分布重要性质 |
| 2.2 相关熵 |
| 2.2.1 相关熵的概念 |
| 2.2.2 相关熵的性质 |
| 2.2.3 广义相关熵的概念 |
| 2.2.4 广义相关熵的性质 |
| 2.3 核自适应滤波算法 |
| 2.3.1 Mercer核函数 |
| 2.3.2 重构核希尔伯特空间 |
| 2.3.3 特征空间 |
| 2.3.4 基于Gaussian核函数的自适应滤波算法 |
| 2.4 本章小结 |
| 第三章 比例仿射投影符号算法 |
| 3.1 仿射投影算法 |
| 3.2 仿射投影符号算法 |
| 3.3 比例仿射投影符号算法 |
| 3.3.1 实系数比例仿射投影符号算法 |
| 3.3.2 改进的实系数比例仿射投影符号算法 |
| 3.3.3 记忆改进比例仿射投影符号算法 |
| 3.3.4 有效的记忆比例仿射投影符号算法 |
| 3.3.5 改进的记忆比例仿射投影符号算法 |
| 3.4 实验仿真 |
| 3.5 本章小结 |
| 第四章 不动点广义最大相关熵算法 |
| 4.1 引子 |
| 4.2 不动点广义最大相关熵算法 |
| 4.3 不动点广义最大相关熵算法收敛性分析 |
| 4.4 实时的不动点广义最大相关熵算法 |
| 4.4.1 滑动窗口广义最大相关熵算法 |
| 4.4.2 递归广义最大相关熵算法 |
| 4.5 自适应凸组合递归广义最大相关熵算法 |
| 4.6 实验仿真 |
| 4.7 本章小结 |
| 第五章 核递归最大相关熵算法 |
| 5.1 引子 |
| 5.2 核递归最小二乘算法 |
| 5.3 核递归最大相关熵算法 |
| 5.4 加权输出信息的核递归最大相关熵算法 |
| 5.5 核递归广义最大相关熵算法 |
| 5.6 稀疏化的核自适应滤波算法 |
| 5.6.1 向量投影方法 |
| 5.6.2 投影加权输出信息的核递归最大相关熵算法 |
| 5.7 实验仿真 |
| 5.8 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 高光谱图像去噪方法和研究现状 |
| 1.2.1 基于空间域去噪方法 |
| 1.2.2 基于光谱域的去噪方法 |
| 1.2.3 基于模型优化去噪方法 |
| 1.2.4 高光谱图像去条纹噪声研究现状 |
| 1.3 高光谱图像去噪方法研究存在的问题 |
| 1.4 本文主要研究内容和章节安排 |
| 本章小结 |
| 第2章 基于低秩张量的高光谱图像重建理论基础 |
| 2.1 相关研究技术简述 |
| 2.2 高光谱图像的自相似和低秩特性 |
| 2.2.1 高光谱图像(HSI)的自相似特性 |
| 2.2.2 高光谱图像的低秩特性 |
| 2.3 张量表示 |
| 2.3.1 三阶张量的表示 |
| 2.3.2 张量的秩 |
| 2.3.3 张量的代数运算 |
| 2.4 ADMM优化模型 |
| 本章小结 |
| 第3章 基于MCP低秩近似和Tchebichef距约束的全变分条纹噪声去除研究 |
| 3.1 引言 |
| 3.2 高光谱影像数据的条纹噪声和特征 |
| 3.2.1 条纹噪声问题模型描述 |
| 3.2.2 条纹的方向性和稀疏结构特性 |
| 3.2.3 全变分单向TV与MCP约束 |
| 3.2.4 基于Tchebichef矩的稀疏正则化 |
| 3.3 基于TMCP-SDM模型的条纹噪声去除方法 |
| 3.3.1 TMCP-SDM模型 |
| 3.3.2 模型的优化求解 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境和评价指标 |
| 3.4.2 周期性条纹实验 |
| 3.4.3 非周期性条纹实验 |
| 本章小结 |
| 第4章 基于非凸低秩张量近似和相位一致性约束的高光谱图像去噪研究 |
| 4.1 引言 |
| 4.2 相关研究技术 |
| 4.2.1 相位一致性Schatten p范数 |
| 4.2.2 张量奇异值分解 |
| 4.2.3 非凸函数低秩逼近 |
| 4.3 基于非凸低秩张量逼近和相位一致性约束的高光谱图像(HSI)去噪算法模型 |
| 4.3.1 模型描述 |
| 4.3.2 模型求解 |
| 4.3.3 去噪算法流程 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真实验环境和参数设置 |
| 4.4.2 仿真实验结果分析 |
| 4.4.3 计算复杂度分析 |
| 本章小结 |
| 第5章 基于低秩近似混合张量分解的高光谱图像重建研究 |
| 5.1 引言 |
| 5.2 张量分解模型 |
| 5.2.1 符号和数据表示 |
| 5.2.2 Tucker分解三阶张量 |
| 5.2.3 CANDECOMP/PARAFAC(CP)分解三阶张量 |
| 5.3 基于HLRTD-SSTV模型的高光谱图像重建方法 |
| 5.3.1 问题描述 |
| 5.3.2 全变分正则化低秩张量恢复 |
| 5.3.3 HLRTD-SSTV模型描述 |
| 5.3.4 HLRTD-SSTV模型分解和优化求解 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真实验环境与噪声 |
| 5.4.2 实验结果评价与分析 |
| 5.4.3 参数讨论与收敛性分析 |
| 本章小结 |
| 第6章 模型整合及在真实高光谱数据场景应用 |
| 6.1 模型整合 |
| 6.2 实际高光谱数据场景应用 |
| 6.2.1 TMCP-SDM+NLRTAPC联合模型在实际高光谱场景的应用 |
| 6.2.2 TMCP-SDM+HLRTD-SSTV联合模型在实际高光谱场景的应用 |
| 本章小结 |
| 第7章 结论与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得学术成果 |
| 攻读博士学位期间参与的科研项目 |
（4）一种非线性自回归时序模型及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 时间序列分析的研究现状 |
| 1.2.2 参数估计的研究现状 |
| 1.2.3 结构辨识的研究现状 |
| 1.2.4 适用性检验的研究现状 |
| 1.2.5 模型工程应用的研究现状 |
| 1.3 论文主要研究内容 |
| 第二章 GNARX模型及其特性研究 |
| 2.1 引言 |
| 2.2 系统辨识与时序建模策略分析 |
| 2.3 GNARX模型表达式 |
| 2.3.1 模型表达式推导 |
| 2.3.2 模型表达式内涵 |
| 2.4 GNARX模型基本特性 |
| 2.4.1 模型适用性能分析 |
| 2.4.2 模型参数稳健性分析 |
| 2.4.3 建模预测特性分析 |
| 2.5 本章小结 |
| 第三章 GNARX模型改进的参数估计及结构辨识 |
| 3.1 引言 |
| 3.2 基于改进马氏距离的最小二乘法的参数估计 |
| 3.2.1 最小二乘法和加权最小二乘法的问题 |
| 3.2.2 改进马氏距离的最小二乘法的提出 |
| 3.2.3 算法对比 |
| 3.3 基于参数离差率结构剪枝算法的结构辨识 |
| 3.3.1 基于修正AIC准则的结构穷举法和随机剪枝法的问题 |
| 3.3.2 基于参数离差率的结构剪枝算法的提出 |
| 3.3.3 算法效果对比 |
| 3.4 本章小结 |
| 第四章 GNARX模型的多元互相关及残差双谱检验 |
| 4.1 引言 |
| 4.2 多元互相关系数检验准则 |
| 4.2.1 自相关系数准则的失效问题 |
| 4.2.2 多元互相关系数检验准则的提出 |
| 4.2.3 准则效果对比 |
| 4.3 残差标准化双谱检验 |
| 4.3.1 残差功率谱检验的失效问题 |
| 4.3.2 残差标准化双谱检验的提出 |
| 4.3.3 检验效果对比 |
| 4.4 本章小结 |
| 第五章 GNARX模型的模式识别与故障诊断应用 |
| 5.1 引言 |
| 5.2 时序方法的模式识别与故障诊断应用 |
| 5.3 模式向量选取 |
| 5.3.1 基于多状态模型结构辨识的模式向量选取 |
| 5.3.2 算法验证 |
| 5.4 特征向量提取 |
| 5.4.1 基于参数重要度的特征向量提取 |
| 5.4.2 算法验证 |
| 5.5 本章小结 |
| 第六章 GNARX模型的起重机无基准结构损伤识别应用 |
| 6.1 引言 |
| 6.2 GNARX模型用于结构损伤识别的机理研究 |
| 6.2.1 振动信号的GNARX建模机理研究 |
| 6.2.2 无基准结构损伤识别方法研究 |
| 6.2.3 仿真数据验证 |
| 6.3 桥式起重机主梁有限元模型 |
| 6.3.1 有限元模型建立 |
| 6.3.2 有限元模型瞬态分析 |
| 6.3.3 有限元模型数据验证 |
| 6.4 实验验证 |
| 6.4.1 实验平台搭建 |
| 6.4.2 实验数据采集 |
| 6.4.3 实验结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
（5）交通基础设施对区域碳排放的影响研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与问题提出 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状及评述 |
| 1.3.1 交通基础设施影响力相关研究 |
| 1.3.2 区域碳排放相关研究 |
| 1.3.3 交通基础设施对区域碳排放影响的相关研究 |
| 1.3.4 国内外研究现状评述 |
| 1.4 研究内容和研究方法 |
| 1.4.1 研究对象 |
| 1.4.2 研究内容 |
| 1.4.3 研究方法 |
| 1.4.4 技术路线 |
| 第2章 交通基础设施对区域碳排放影响的理论分析 |
| 2.1 交通基础设施对区域碳排放影响的相关概念 |
| 2.1.1 交通基础设施相关概念 |
| 2.1.2 区域碳排放相关概念 |
| 2.2 交通基础设施对区域碳排放影响的理论基础 |
| 2.2.1 复杂系统理论 |
| 2.2.2 可持续发展理论 |
| 2.2.3 环境经济地理理论 |
| 2.2.4 外部性理论 |
| 2.3 交通基础设施对区域碳排放的影响的理论分析框架 |
| 2.3.1 交通基础设施对区域碳排放影响的基本内涵 |
| 2.3.2 交通基础设施对区域碳排放影响的空间特征 |
| 2.3.3 交通基础设施对区域碳排放影响的系统耦合 |
| 2.3.4 交通基础设施对区域碳排放影响的理论框架构建 |
| 2.4 本章小结 |
| 第3章 交通基础设施对区域碳排放的影响机理 |
| 3.1 交通基础设施对区域碳排放影响的要素识别 |
| 3.1.1 交通基础设施对区域碳排放影响的文献计量分析 |
| 3.1.2 交通基础设施对区域碳排放影响的核心要素 |
| 3.2 交通基础设施对区域碳排放的影响机理分析 |
| 3.2.1 交通基础设施对区域碳排放影响的驱动力 |
| 3.2.2 交通基础设施对区域碳排放的直接影响 |
| 3.2.3 交通基础设施对区域碳排放的间接影响 |
| 3.2.4 交通基础设施对区域碳排放影响的概念模型 |
| 3.3 交通基础设施对区域碳排放影响的理论模型 |
| 3.3.1 STIRPAT理论模型概述 |
| 3.3.2 拓展STIRPAT理论模型构建 |
| 3.4 本章小结 |
| 第4章 交通基础设施对区域碳排放影响的测度 |
| 4.1 交通基础设施对区域碳排放影响的空间计量方法 |
| 4.1.1 空间计量模型及特征 |
| 4.1.2 空间计量模型分析步骤及工具 |
| 4.1.3 交通基础设施对区域碳排放影响的空间计量研究设计 |
| 4.2 区域碳排放的空间相关性分析 |
| 4.2.1 探索性空间数据分析 |
| 4.2.2 空间权重设定 |
| 4.2.3 区域碳排放的时空演变趋势和空间相关性 |
| 4.3 交通基础设施对区域碳排放影响的测度模型 |
| 4.3.1 模型面板数据预检验 |
| 4.3.2 理论模型构建 |
| 4.3.3 STIRPAT-SDM空间计量模型构建 |
| 4.4 交通基础设施对区域碳排放影响的模型参数估计与检验 |
| 4.4.1 STIRPAT-SDM模型参数估计 |
| 4.4.2 交通基础设施对区域碳排放的影响程度 |
| 4.4.3 STIRPAT-SDM模型稳定性检验 |
| 4.5 本章小结 |
| 第5章 交通基础设施对区域碳排放影响的系统动力学仿真 |
| 5.1 交通基础设施对区域碳排放影响的系统动力学建模方法 |
| 5.1.1 系统动力学模型及特征 |
| 5.1.2 交通基础设施对区域碳排放影响的建模步骤 |
| 5.1.3 交通基础设施对区域碳排放影响的建模工具 |
| 5.2 交通基础设施对区域碳排放影响的仿真模型 |
| 5.2.1 仿真模型的边界及系统要素 |
| 5.2.2 STIRPAT-SD系统动力学仿真模型结构 |
| 5.3 交通基础设施对区域碳排放影响仿真模型的参数估计 |
| 5.3.1 STIRPAT-SD模型经济模块参数 |
| 5.3.2 STIRPAT-SD模型技术及人口模块参数 |
| 5.3.3 STIRPAT-SD模型交通模块参数 |
| 5.3.4 STIRPAT-SD模型环境模块参数 |
| 5.4 交通基础设施对区域碳排放影响仿真模型的检验 |
| 5.4.1 STIRPAT-SD模型直观性检验 |
| 5.4.2 STIRPAT-SD模型有效性检验 |
| 5.4.3 STIRPAT-SD模型灵敏度检验 |
| 5.5 本章小结 |
| 第6章 交通基础设施对区域碳排放影响的情景模拟和减排路径 |
| 6.1 交通基础设施对区域碳排放影响的情景分析方法 |
| 6.1.1 情景分析方法及特征 |
| 6.1.2 交通基础设施对区域碳排放影响的情景分析步骤 |
| 6.1.3 交通基础设施对区域碳排放影响的情景要素及基本设定 |
| 6.2 基于影响程度测度的区域碳排放预测和情景模拟 |
| 6.2.1 预测要素及变量选取 |
| 6.2.2 混合STIRPAT-PSO-SVM预测模型构建 |
| 6.2.3 混合STIRPAT-PSO-SVM模型预测效果分析 |
| 6.2.4 混合STIRPAT-PSO-SVM模型碳排放预测和情景模拟 |
| 6.3 基于影响路径仿真的交通碳排放预测和情景模拟 |
| 6.3.1 交通结构性优化下碳排放预测和情景模拟 |
| 6.3.2 交通技术性优化下碳排放预测和情景模拟 |
| 6.4 交通基础设施影响下区域碳减排路径选择 |
| 6.4.1 交通基础设施影响下的减排路径识别 |
| 6.4.2 交通基础设施影响下的优化方案和阈值情景 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（6）基于神经网络的自监督双目视觉及其在血管深度测量中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 立体视觉研究现状及其在血管测量中的应用需求 |
| 1.2.1 传统的立体匹配方法 |
| 1.2.2 基于深度学习的立体匹配方法 |
| 1.2.3 静脉血管成像技术 |
| 1.3 本文主要研究内容与章节安排 |
| 2 基于深度学习的图像立体匹配相关理论 |
| 2.1 立体匹配算法 |
| 2.2 卷积神经网络 |
| 2.2.1 多尺度特征提取模型 |
| 2.2.2 Res Net模型 |
| 2.2.3 Siamese Network模型 |
| 2.2.4 Hourglass Network模型 |
| 2.3 基于深度学习的立体匹配算法 |
| 2.3.1 GC-NET算法 |
| 2.3.2 Seg Stereo算法 |
| 2.3.3 Gwc Net-g算法 |
| 2.4 本章小结 |
| 3 自监督图像立体匹配模型 |
| 3.1 基于自监督的图像立体匹配模型 |
| 3.1.1 SDMNet整体网络结构 |
| 3.1.2 自监督模块 |
| 3.1.3 损失均衡计算模块 |
| 3.1.4 感知损失模块 |
| 3.1.5 区域裁剪模块 |
| 3.1.6 性能分析 |
| 3.2 基于稀疏自编码的图像立体匹配模型 |
| 3.2.1 ORB-SDMNet整体网络结构 |
| 3.2.2 稀疏点云生成模块 |
| 3.2.3 稀疏自动编码器模块 |
| 3.2.4 损失均衡计算模块 |
| 3.2.5 性能分析 |
| 3.3 本章小结 |
| 4 基于自监督图像立体匹配的血管三维成像 |
| 4.1 血管三维成像系统 |
| 4.1.1 系统搭建 |
| 4.1.2 波段优化模块 |
| 4.1.3 血管图像预处理模块 |
| 4.1.4 血管立体匹配模块 |
| 4.1.5 误差评价模块 |
| 4.2 模拟血管的三维成像系统 |
| 4.2.1 系统搭建 |
| 4.2.2 模拟血管退化模块 |
| 4.2.3 误差评价模块 |
| 4.3 性能测试与实验分析 |
| 4.3.1 自监督模块 |
| 4.3.2 稀疏自编码模块 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 后期工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于迁移学习的人脸特征提取与定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸特征提取与定位方法研究现状 |
| 1.2.2 人脸识别方法研究现状 |
| 1.2.3 迁移学习的研究现状 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文组织结构 |
| 第2章 相关理论及技术 |
| 2.1 人脸识别与人脸特征定位概述 |
| 2.2 卷积神经网络原理简介 |
| 2.2.1 卷积层的概述 |
| 2.2.2 池化层的概述 |
| 2.2.3 激活函数的概述 |
| 2.2.4 优化算法的概述 |
| 2.3 迁移学习基本方法简介 |
| 2.3.1 迁移学习概述 |
| 2.3.2 迁移学习的分类 |
| 2.3.3 负迁移学习的简介 |
| 2.4 小结 |
| 第3章 基于迁移学习的人脸特征提取与定位算法设计 |
| 3.1 算法设计思路 |
| 3.1.1 人脸特征点分类 |
| 3.1.2 人脸特征提取与定位算法设计思路 |
| 3.2 基于CNN的稀疏人脸特征提取与定位算法设计 |
| 3.2.1 稀疏人脸特征点定位问题形式化 |
| 3.2.2 基于CNN的稀疏人脸特征提取与定位算法核心 |
| 3.2.3 基于CNN的稀疏人脸特征提取与定位算法设计 |
| 3.3 基于迁移学习的稠密人脸特征提取与定位算法设计 |
| 3.3.1 稠密人脸特征点定位问题形式化 |
| 3.3.2 算法核心 |
| 3.3.3 算法原理详述 |
| 3.4 小结 |
| 第4章 人脸特征提取与定位实验与分析 |
| 4.1 实验环境与数据集描述 |
| 4.1.1 算法实验平台 |
| 4.1.2 稀疏人脸数据集 |
| 4.1.3 稠密人脸数据集 |
| 4.2 稀疏人脸特征点定位实验与分析 |
| 4.2.1 实验评价指标 |
| 4.2.2 网络训练与测试 |
| 4.2.3 实验结果与分析 |
| 4.3 稠密人脸特征点定位实验与分析 |
| 4.3.1 实验评价指标 |
| 4.3.2 模型训练与测试 |
| 4.3.3 实验结果与分析 |
| 4.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得成果 |
（8）基于监督下降法的人脸对齐算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人脸对齐国内外研究概述 |
| 1.2.1 研究概述 |
| 1.2.2 研究难点 |
| 1.2.3 人脸对齐常用数据集 |
| 1.3 本文的主要研究内容及章节安排 |
| 第二章 人脸对齐关键技术 |
| 2.1 生成性方法 |
| 2.1.1 使用整体表示的主动外观模型 |
| 2.1.2 基于局部的生成模型 |
| 2.2 判别性方法 |
| 2.2.1 约束局部模型 |
| 2.2.2 约束局部回归 |
| 2.2.3 可变形局部模型 |
| 2.2.4 全局回归投票 |
| 2.2.5 级联回归 |
| 2.2.6 深度学习 |
| 2.3 本章小结 |
| 第三章 基于SDM的人脸对齐算法及改进 |
| 3.1 基于SDM的人脸对齐介绍 |
| 3.1.1 SDM的推导 |
| 3.1.2 训练阶段 |
| 3.1.3 测试阶段 |
| 3.2 基于多特征选择的改进 |
| 3.2.1 使用的几种特征 |
| 3.2.2 多特征选择 |
| 3.2.3 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 由粗略到精细的SDM人脸对齐算法 |
| 4.1 级联回归方法与深度学习方法的比较 |
| 4.2 基于CNN网络的粗略定位 |
| 4.2.1 卷积神经网络(CNN) |
| 4.2.2 网络结构 |
| 4.3 基于SDM的精细定位 |
| 4.4 实验结果及分析 |
| 4.4.1 消融实验 |
| 4.4.2 对比实验与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）新颖元启发式智能优化算法及其在电力系统中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 元启发式智能优化算法的研究现状 |
| 1.2.2 FACTS设备优化配置的研究现状 |
| 1.2.3 太阳能光伏模型参数辨识的研究现状 |
| 1.2.4 研究存在的不足 |
| 1.3 本文主要研究内容及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要创新点 |
| 第2章 新颖元启发式智能优化算法 |
| 2.1 标准布谷鸟搜索算法 |
| 2.1.1 布谷鸟繁殖行为 |
| 2.1.2 莱维飞行模式 |
| 2.1.3 CSA算法的具体实现 |
| 2.2 标准共生生物搜索算法 |
| 2.2.1 生物种群随机初始化阶段 |
| 2.2.2 互利共生搜索阶段 |
| 2.2.3 偏利共生搜索阶段 |
| 2.2.4 寄生阶段 |
| 2.2.5 SOS算法的具体实现 |
| 2.3 两种算法的优势与不足 |
| 2.3.1 CSA算法的优势与不足 |
| 2.3.2 SOS算法的优势与不足 |
| 2.4 本章小结 |
| 第3章 采用混合方法的FACTS设备优化配置以提高电力系统安全 |
| 3.1 问题描述 |
| 3.1.1 FACTS设备的数学模型 |
| 3.1.2 目标函数 |
| 3.2 FACTS安装的合适候选位置的确定 |
| 3.2.1 最小切割算法 |
| 3.2.2 基于最小切割算法的电力网络模型的构建 |
| 3.2.3 切向量技术方法 |
| 3.3 采用CSA算法的TCSC与 SVC的优化选址定容步骤 |
| 3.4 所提混合方法的具体实现 |
| 3.5 仿真结果与讨论 |
| 3.5.1 IEEE-6 测试系统 |
| 3.5.2 修改的IEEE-14 测试系统 |
| 3.6 本章小结 |
| 第4章 基于准对立种群初始化策略改进CSA算法的太阳能电池参数辨识 |
| 4.1 太阳能电池模型与问题描述 |
| 4.1.1 单二极管模型 |
| 4.1.2 双二极管模型 |
| 4.1.3 目标函数 |
| 4.2 所提准对立种群初始化策略改进CSA算法与应用 |
| 4.2.1 准对立学习机制 |
| 4.2.2 所提QOPIS-CSA算法及其实现 |
| 4.2.3 基于QOPIS-CSA算法的太阳能电池参数辨识实现流程 |
| 4.3 实验结果及讨论 |
| 4.3.1 算例1 单二极管模型 |
| 4.3.2 算例2 双二极管模型 |
| 4.4 本章小结 |
| 第5章 采用改进型共生生物搜索算法的光伏组件模型参数辨识 |
| 5.1 光伏组件数学模型 |
| 5.1.1 SDPM模型 |
| 5.1.2 DDPM模型 |
| 5.2 所提改进型共生体生物搜索算法及其实现 |
| 5.3 光伏组件模型参数辨识的ImSOS算法设计 |
| 5.3.1 参数辨识目标函数的构建 |
| 5.3.2 采用ImSOS算法的光伏组件模型参数辨识基本步骤 |
| 5.4 算例分析 |
| 5.4.1 算例1 光伏组件的SDPM模型参数辨识 |
| 5.4.2 算例2 光伏组件的DDPM模型参数辨识 |
| 5.5 本章小结 |
| 第6章 采用新颖改进型布谷鸟搜索算法的光伏模型参数估计 |
| 6.1 光伏模型建立与问题描述 |
| 6.1.1 光伏电池模型 |
| 6.1.2 光伏组件模型 |
| 6.1.3 目标函数的构建 |
| 6.2 所提新颖改进型布谷鸟搜索算法及其应用 |
| 6.2.1 所提ImCSA算法与实现 |
| 6.2.2 基于所提ImCSA算法的光伏模型参数辨识步骤 |
| 6.3 实验结果与讨论 |
| 6.3.1 标准数据集的测试结果 |
| 6.3.2 光伏面板的实际测量数据集的测试结果 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间的主要成果 |
（10）基于深度学习的特征点定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 特征点定位问题难点 |
| 1.3 特征点定位研究综述 |
| 1.3.1 基于形状模型的特征点定位方法 |
| 1.3.2 基于有约束局部模型的特征点定位方法 |
| 1.3.3 基于级联回归的特征点定位方法 |
| 1.3.4 基于深度学习的特征点定位方法 |
| 1.4 有待研究的问题 |
| 1.5 本文涉及的数据库 |
| 1.6 本文的研究工作概述 |
| 1.7 论文组织安排 |
| 2 基于姿态分类自动编码器的人脸特征点定位 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 基于姿态分类自动编码器网络的人脸特征点定位 |
| 2.3.1 级联模块分析 |
| 2.3.2 全局姿态引导网络 |
| 2.3.3 基于部件搜索的局部修正网络 |
| 2.3.4 坐标微调和训练 |
| 2.3.5 三个级联网络的关系讨论 |
| 2.4 实验 |
| 2.4.1 全局定位网络的性能 |
| 2.4.2 局部定位后网络的性能 |
| 2.5 本章小结 |
| 3 基于递归神经网络的人脸特征点定位 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 基于递归神经网络的人脸特征点定位 |
| 3.3.1 双向的长短时记忆结构 |
| 3.3.2 用于视频序列中的特征点定位 |
| 3.3.3 用于单张图片中的特征点定位 |
| 3.3.4 和以往方法的比较 |
| 3.4 实验 |
| 3.4.1 实验参数设置 |
| 3.4.2 视频实验结果 |
| 3.4.3 单帧图片实验结果 |
| 3.5 本章小结 |
| 4 基于对抗学习和全卷积神经网络的特征点定位 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于对抗学习和全卷积神经网络的特征点定位 |
| 4.3.1 生成网络 |
| 4.3.2 鉴别网络 |
| 4.3.3 对抗生成训练 |
| 4.4 实验 |
| 4.4.1 人脸特征点定位 |
| 4.4.2 二维人体姿态估计 |
| 4.4.3 3D人体姿态估计 |
| 4.5 本章小结 |
| 5 基于端对端卷积神经网络的人脸超分辨率和特征点定位 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 人脸超分辨率和特征点定位网络 (FSRNet) |
| 5.3.1 总体构架 |
| 5.3.2 粗超分辨率网络 |
| 5.3.3 精超分辨率和先验估计网络 |
| 5.3.4 对抗学习策略 |
| 5.4 人脸形状对于超分辨率的作用 |
| 5.4.1 人脸先验信息的作用 |
| 5.4.2 使用不同先验时对性能上限模型的影响 |
| 5.5 实验 |
| 5.5.1 实现细节 |
| 5.5.2 网络模块分析 |
| 5.5.3 先验估计性能 |
| 5.5.4 超分辨率性能 |
| 5.5.5 扩大数据集训练结果 |
| 5.5.6 对人脸各种变化的鲁棒性 |
| 5.6 本章小结 |
| 6 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
四、回归SDM模型及其在函数逼近和识别中的应用研究（论文参考文献）
- [1]曲面薄壁构件侧铣加工动力学建模及稳定性预报研究[D]. 姜尚磊. 大连理工大学, 2020
- [2]Alpha稳定分布环境下自适应滤波算法研究[D]. 赵集. 电子科技大学, 2020(07)
- [3]基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究[D]. 黎波. 成都理工大学, 2020(04)
- [4]一种非线性自回归时序模型及其应用研究[D]. 马家欣. 东南大学, 2020
- [5]交通基础设施对区域碳排放的影响研究[D]. 王璐琪. 哈尔滨工业大学, 2019(01)
- [6]基于神经网络的自监督双目视觉及其在血管深度测量中的应用[D]. 王其鑫. 南京理工大学, 2020(01)
- [7]基于迁移学习的人脸特征提取与定位算法研究[D]. 刘健. 成都理工大学, 2019(02)
- [8]基于监督下降法的人脸对齐算法研究[D]. 朱茜婧. 合肥工业大学, 2019(01)
- [9]新颖元启发式智能优化算法及其在电力系统中的应用研究[D]. 康童. 湖南大学, 2019(07)
- [10]基于深度学习的特征点定位算法研究[D]. 陈宇. 南京理工大学, 2019(01)