一、基于神经元网络的快速监控功能(论文文献综述)
马永杰,程时升,马芸婷,马义德[1](2021)在《卷积神经网络及其在智能交通系统中的应用综述》文中研究说明从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明:卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。
孙肖坤[2](2021)在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中进行了进一步梳理随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:(1)基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。(2)复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。(3)复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。(4)复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
司振宇[3](2021)在《香菇菌棒成熟度识别与生产管理系统研发》文中进行了进一步梳理本文针对香菇菌棒生产过程中刺孔、成熟度识别等关键环节凭经验,精准化管控困难,菌棒培养数据手工填报繁琐以及统计分析困难等问题,依托智慧七河创新工程项目,研究了香菇菌棒成熟度识别方法,构建了菌棒生产专题数据库,设计并实现了香菇菌棒生产管理系统,主要研究内容如下:(1)构建了基于深度卷积神经网络的香菇菌棒成熟度识别模型。结合菌棒培养实际情况,通过Res Net50、VGG16、Alex Net三种深度卷积神经网络特征提取结果与SIFT和SURF传统特征提取结果进行对比,结果表明了深度卷积神经网络优秀的特征提取能力。最后分别采用softmax和SVM、KNN、贝叶斯四种分类器将全连接层与输出层进行连接,分类结果经过对比可以看出基于Res Net50的深度网络特征提取结果在softmax分类器上具有较好的分类表现,达到了78.94%的识别精度。(2)构建了香菇菌棒生产专题数据库。包括基础信息数据库、装袋管理数据库、接种管理数据库、培养管理数据库、仓库结转管理数据库、工作量统计数据库等,为生产系统提供数据服务。(3)设计并实现了香菇菌棒生产管理系统。通过构建香菇菌棒生产专题数据库,响应式前端框架等技术,构建了香菇菌棒生产管理模型,设计并研发了香菇菌棒生产管理系统,主要实现了香菇菌棒生产装袋管理、接种管理、培养管理、培养操作指导、仓库结转、工作量统计等功能。系统模型对菌棒成熟度判断及刺孔操作时间提供了科学指导,解决了人力成本较高,培养效率较低的问题。系统为生产人员解决了生产过程纸质化的记录较多,统计复杂的问题,为管理人员规划、调度生产提供了便利。系统已在山东省淄博市七河生物科技股份有限公司双泉、西楼、文昌湖三个工厂使用,降低了人力成本,提高了生产效率。
李斌[4](2021)在《重力坝变形监控的智能分析方法研究》文中研究说明重力坝变形监测数据包含了大坝变形过程的重要信息,对其信息挖掘、分析预测、安全评价是掌握大坝安全性态至关重要的技术方法。随着大坝安全监控的发展,监测数据的采集方式越来越全面、越来越智能,数据量也越来越大,这就对数据的分析处理能力提出了更高的要求。如何在海量数据中挖掘更多的有用信息,是了解大坝运行性态的基础;如何对海量数据进行预处理,是提高数据质量的前提;而对效应量保持长期精准的预测以及科学合理的安全评价,是大坝安全管理的重要内容。因此,在人工智能快速发展的时代背景下,本文以重力坝变形监测相关数据为研究对象,引入数据挖掘、智能算法、机器学习等方法,用于监测数据的异常值检测、预测预报、安全评价等分析方法的研究。主要研究内容和成果如下:(1)通过理论分析与实测数据验证,总结了重力坝变形的一般规律。首先,对空间维度的面板数据进行了相关分析,结果表明不同坝段之间均具有高度线性相关性;在此基础上,提出了形状相似系数,用于描述不同测点在变形幅度上的大小关系,计算结果表明:以中间坝段为中心将坝体对称分开,一般情况下,处于对称位置的坝段变形相似度较高,同时相邻坝段的变形相似度也较高。然后,对时间维度的单测点数据进行了自相关和偏自相关分析,从而得知某个数据与其前1时刻、前2时刻、或前3时刻有显着相关性。最后,从整体、局部和空间3个方面对重力坝变形监测数据的变化特征进行了分析和总结,以期研究适合该类数据特征的异常值检测算法。(2)对重力坝变形监测数据中的异常值进行了定义,并总结了异常值的分类与特征。然后分析了基于距离的异常值检测算法在重力坝变形监测数据分析中的适用性,并借鉴该类算法的思想,提出了多重局部异常系数法,该方法通过提取待检测值前k个数据组成的局部窗口数据,并根据设定的判别准则,可简单、快速地进行异常值实时检测。该算法主要针对原位监测数据中异常值的预处理检测,目的是为了获得高质量数据,便于后续建模分析。(3)改进了自适应差分进化算法关于初始解的选择方式,得到了改进的自适应差分进化算法(Improved Self-Adaptive Differential Evolution Algorithm,ISADE),这提高了该算法的全局优化能力,然后将其用于在线极限学习机(Online Sequential Extreme Learning Machine,OSELM)的优化,提出并建立了基于ISADE-OSELM的重力坝变形预测模型。该模型仅通过训练最新数据便可更新已有模型的参数,可实现模型的自我更新,改善了传统模型的更新方式,同时结合优化算法,提高了模型的精度和泛化性。实例计算结果表明:ISADE-OSELM模型的综合性能优于逐步回归模型、ELM模型和OSELM模型。(4)在传统置信区间法拟定监控指标的基础上,考虑了监测数据的随机性和模糊性,将云模型融入其中,使得一个具有明确边界的置信区间,拓展为一个以区间为边界的置信区间。提出并建立了云置信区间法的重力坝变形监控指标,该方法以ISADE-OSELM预测模型的误差为研究对象,因此可随着ISADE-OSELM模型的更新而更新,这使得监控指标的拟定方式更加高效。实例计算结果表明,云置信区间不仅具有传统置信区间的功能,还可按一定隶属度评价接近置信区间边界数据的安全性,这种评价方式更符合实际情况,对大坝的变形监控更加合理。
胡祚晨[5](2021)在《基于STL-CS-LSTM组合模型的大坝变形预测方法研究》文中指出截止到2018年,中国已经建设完成大坝9.8万余座,是世界上拥有大坝数量最多的国家。大坝不仅能调度水利资源的时空分布,同时也是合理配置水资源的最为重要的工程措施之一。大坝具有防洪、抗旱、发电、航运、灌概、养殖、旅游等功能。因此大坝在我国的国民经济建设中发挥着至关重要的作用。然而溃坝事件时常发生,在影响国家的经济效益的同时,还会对周围的百姓造成十分巨大的生命和财产的损失。而大坝的损坏一般都是由量变到质变的,这个过程是不可能靠人的直觉来发现的,因而必须进行完善可靠的变形监测工作。因此对大坝变形进行有效的监测并对获取到的变形监测数据进行准确的预测,是确保大坝安全运行的十分必要的手段。大坝变形受水压、气温、地质条件等多种因素的影响,受限于管理成本和水平,小型水库大坝通常难以获取上述监测数据。因此对于小型水库来说仅使用历史大坝变形监测数据来进行预测是一种既能节约成本又行之有效的方法。本文使用小型水库利山水库大坝获取的5个点位的水平位移数据进行实验,数据为2018年12月16日至2019年1月12日测得。将5组数据的异常值剔除并对缺失值进行插值填补,得到5组有672条数据的水平位移数据。水平位移数据选择前500条数据为训练集,后172条数据为测试集。针对大坝变形监测数据同时存在非线性、趋势性、周期性和随机性的特征的问题,本文选择基于局部加权回归的周期趋势分解(Seasonal-Trend decomposition procedure based on Loess,STL)、布谷鸟搜索算法(Cuckoo Search,CS)和长短期记忆神经网络(Long Term and Short Term Memory neural network,LSTM)构建了组合模型STL-CS-LSTM,该模型首先使用STL方法将时间序列分解成趋势分量、周期分量和余项分量,使用基于布谷鸟搜索算法优化过的LSTM模型对趋势分量和余项分量进行预测;周期分量则使用简单周期估计方法预测,本文采用的数据是逐小时的,周期设置为24,也就是t时刻的序列值等于(t+24)时刻的序列值。最后将三个分量的预测值相加得到最后的预测结果。对数据进行预处理后,将组合模型STL-CS-LSTM的预测结果与LSTM模型、FNN模型、SVR模型、XGBoost模型、GRU模型的预测结果进行对比分析,可得6个模型的预测精度从高到底依次为:STL-CS-LSTM模型、LSTM模型、FNN模型、SVR模型、GRU模型、XGBoost模型。预测性能最好的STL-CS-LSTM模型的RMSE小于0.028mm,MAE小于0.025mm,而R2高于0.9,预测精度能够满足工程的实际需要。
王鹏[6](2021)在《面向配电站的智能监控终端研究与实现》文中研究表明
曹浏[7](2021)在《基于BP优化的卡尔曼滤波算法在行人跟踪中的应用》文中指出行人跟踪在现代计算机视觉领域中,一直是众多学者所关注的热点问题,随着近几年各项技术壁垒的突破,行人跟踪己经在生活中得到了广泛的应用。近几年,基于检测器和跟踪器的行人跟踪方法已经成为当前热门的研究方向之一。针对当前行人跟踪在进行多目标跟踪时因算法误判导致身份标识切换(ID switch)的问题,本文提出了基于YOLOv5检测模块和卡尔曼滤波跟踪模块相结合的行人跟踪算法。首先,选用卡尔曼滤波算法作为跟踪模块,是因为该算法是基于预测来进行跟踪,运算快速,保证了跟踪的稳定性。而针对卡尔曼滤波算法在非线性系统下跟踪误差较大的缺点,本文提出了一种利用BP神经网络优化卡尔曼滤波算法的方式,接着通过与其他滤波算法的仿真实验对比,证明了本文的优化方法能有效的提升卡尔曼滤波算法的性能。其次,选用YOLOv5作为检测模块,是因为YOLOv5极快的推理能力,能大大减少检测行人所需的时间。为了进一步提升YOLOv5网络模型检测的精确度,在合理调整训练参数的同时,本文在原有数据集的基础上额外加入带有行人遮挡以及带有小目标行人的负样本,通过对比推理结果可得,对数据集进行针对性的拓展能改善YOLOv5 网络模型的训练结果。最后,搭建整体算法框架,在对多目标行人进行跟踪时,通过判断检测框是否有预测框与之匹配来决定是否赋予行人新的ID或者继承之前的ID。最终通过在MOT Challenge数据集上与其他跟踪算法进行实验对比,可验证本文的行人跟踪算法确实达到了预期的效果,能有效减少多目标行人跟踪时ID的误判。
张鑫[8](2021)在《基于红外图像的发电机碳刷温度监测系统研究》文中研究指明电力关乎国计民生,发电机作为火电机组的三大主机之一,其设备可靠性对机组的运行有着重大影响。发电机励磁系统导流过程中,当碳刷中的电流超过80A时,会使得碳刷和其连接的滑环温度异常升高,甚至引起环火。本文针对这一现实问题,围绕发电机碳刷温度测量和红外成像关键技术开展研究,设计并实现了一款基于红外图像的发电机碳刷温度监测系统。首先,分析行标《发电机红外检测方法及评定导则》的相关要求,设计了监测系统的总体方案,完成硬件平台的搭建,实现非接触测量、云远程实时传输红外图像等功能;其次,设计了发电机碳刷温度监测系统的软件系统,包括:发电机碳刷在线分析系统、数据管理系统和移动终端监测系统,实现了温度显示、数据储存和人机交互方面的功能;针对红外图像显示方面的要求,利用双稳随机共振对含有几种典型红外噪声的图像进行去噪处理,通过进一步研究基于PSO参数的双稳随机共振红外图像去噪,复原了在不同强度噪声污染下的碳刷红外图像,并且通过PSNR与传统去噪算法比较,分析随机共振算法的优势,为图像特征提取奠定基础,同时,采用聚焦处理算法,获得清晰度最高的红外图像;最后,使用从电厂采集的实际碳刷温度数据,利用LSTM预测分析碳刷温度发展趋势,并且与BP神经网络和Elman神经网络通过多个指标综合比较分析,LSTM碳刷温度预测的精度最好。通过建立LSTM-BP组合模型,利用红外图像特征信息与碳刷温度信息融合,提取红外图像中碳刷温度面积,采用基于无缺失值的数据填充法进行数据预处理,进一步提升温度预测精度。在实验室和现场分别对系统功能进行了各项调试,结果表明,系统各功能运行正常,红外图像远程传输和碳刷温度状态监测效果良好,可分辨0.1℃甚至更小的温差,精度可达±2℃。系统的研发,解决了目前对发电机碳刷温度监测方法中存在采集数据量少、测温精度低、显示图像不清晰和缺少数据分析等问题。通过较少的投入,保证了发电机运行的安全,并且可以实现多种场景监测,具有较好的应用前景。
王仪[9](2021)在《基于Kubernetes的容器云平台资源调度策略研究》文中认为随着容器技术的快速发展,Docker凭借轻量级、启动快、隔离性高和资源损耗低等优势,迅速成为了当前企业部署云平台的首选。在容器云平台中存在大量容器,因此需要一个高效的容器编排系统对集群进行管理。在市场上众多的产品中,具有代表性的开源工具Kubernetes作为新一代的佼佼者,其卓越的性能可以为广大用户提供更加便捷的服务。本文以Kubernetes作为研究对象,介绍了 Kubernetes的系统架构和功能设计,分析了 Kubernetes系统默认的调度机制。在云平台运行过程中,调度任务具有随机性和多元性特征,资源需求处于不断变化的过程。固有的静态资源分配机制缺乏灵活性,很难满足需求变化,资源浪费现象比较严重。针对上述问题,本文设计了一套资源调度的优化策略。首先,针对目前静态资源调度方案滞后性的问题,提出了一种基于预测模型的资源调度机制。通过对云平台资源使用量特性进行观察,发现资源使用量会随着应用负载的波动而变化,包含线性和非线性的特征。因此对适合线性序列预测的ARIMA模型及适合预测非线性序列的BP神经网络进行了研究,并结合两种预测模型提出一种组合预测模型。其次,Kubernetes调度组件无法在应用出现资源消耗瓶颈之前触发资源调度,很容易造成资源消耗的瓶颈。为了提升Kubernetes系统中应用程序的服务质量,将组合预测模型结果应用到资源调度模块中,使得Kubernetes集群应用可以动态地选择调度方案。最后,对当前Kubernetes基础架构进行优化,增加了监控模块、预测模块、自动伸缩模块和资源调度模块等四个模块,并分别对以上模块进行设计与实现。为了验证改进后的Kubernetes云平台使用效果,本文对预测模型的精度、自动伸缩策略和资源调度策略进行了一系列实验。实验结果表明,提出的组合预测模型误差较小,能够较好地反映出应用资源的请求变化规律;自动伸缩策略能够随负载增大而扩大集群规模,提升了集群的可用性;资源调度机制可以更有效地提升应用的资源平衡度,提高了应用的服务质量。
赵伟[10](2021)在《水下机械臂控制方法与系统集成研究》文中研究说明水下机械臂是广泛使用的水下装置,但水下环境复杂,水流的冲击与干扰增加了水下机械臂的控制难度,因此研究高性能的运动控制系统对水下机械臂的设计研究有着重要意义。本文基于R5M水下机械臂,开展了关于水下机械臂运动学与动力学建模、运动控制方法与控制系统集成的研究。使用D-H表示法建立了水下机械臂的正运动学方程,在此基础上运用代数求解法进行了逆运动学求解与分析。在Matlab仿真环境中,结合运动学方程与蒙特卡洛法求解出水下机械臂的运动空间。对水下机械臂在水环境中的受力情况进行了分析,求解了水下机械臂在水环境中受到的水作用力,在Lagrange动力学方程的基础上,建立了水下机械臂在水环境中的动力学模型。通过动力学仿真实验,分析了水作用力对水下机械臂运动的影响。针对水下机械臂的运动控制,提出了一种基于动力学模型分块逼近的RBF(Radial Basis Function)神经网络滑模控制方法。该方法在滑模控制的基础上,使用了五个RBF神经网络逼近水下机械臂的名义模型参数,并将控制律中的符号函数替换为饱和函数。经仿真实验验证,该方法可以快速补偿计算模型与实际模型的误差,并减弱了控制系统的抖振效应,从而提升水下机械臂控制的响应速度与稳态精度。利用ROS的分布式特性,设计了远程PC与嵌入式系统协同工作的水下机械臂控制系统。在Zynq-7020硬件平台中完成了硬件接口电路的设计与ROS操作系统的部署;在ROS软件框架下完成运动控制、运动规划功能模块的设计。搭建了实验平台,进行了 R5M水下机械臂控制实验。
二、基于神经元网络的快速监控功能(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、基于神经元网络的快速监控功能(论文提纲范文)
(1)卷积神经网络及其在智能交通系统中的应用综述(论文提纲范文)
0 引 言 |
1 卷积神经网络 |
1.1 卷积层 |
1.2 池化层 |
1.2.1 基于值的池化方法 |
1.2.2 基于等级的池化方法 |
1.2.3 基于概率的池化方法 |
1.2.4 基于变化域的池化方法 |
1.3 激活函数 |
1.3.1 ReLU及代表性的改进方法 |
1.3.2 其他代表性的改进方法 |
1.4 卷积神经网络的基本工作原理 |
1.5 优化算法 |
1.5.1 基本算法 |
1.5.2 自适应学习率算法 |
2 卷积神经网络在智能交通的研究及应用 |
2.1 车牌识别 |
2.2 交通标志识别 |
2.3 车型识别 |
2.4 短时交通流预测 |
2.5 其他应用 |
2.6 卷积神经网络与ITS常用算法的比较 |
3 结 语 |
(1)网络结构的进一步优化。 |
(2)开发并行训练算法。 |
(3)无监督学习。 |
(2)复杂大型建设项目费用偏差控制方法及信息系统设计(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 复杂大型建设项目研究现状 |
1.2.2 项目费用控制研究现状 |
1.2.3 预警方法研究现状 |
1.2.4 纠偏策略研究现状 |
1.2.5 信息系统应用研究现状 |
1.3 主要研究内容和技术路线 |
1.4 主要创新点 |
第2章 相关基础理论研究 |
2.1 复杂大型建设项目特点及费用控制分析 |
2.1.1 复杂大型建设项目特点分析 |
2.1.2 复杂大型建设项目费用偏差控制参与主体 |
2.1.3 复杂大型建设项目费用控制复杂性分析 |
2.2 费用偏差控制相关理论研究 |
2.2.1 费用偏差控制内涵 |
2.2.2 费用偏差影响因素分析 |
2.2.3 费用偏差控制基本原则 |
2.3 费用偏差控制模型及方法研究 |
2.3.1 偏差特征系统动力学理论 |
2.3.2 神经网络模型 |
2.3.3 费用偏差预警聚类方法 |
2.3.4 费用偏差控制策略及评价理论 |
2.4 本章小结 |
第3章 基于系统动力学的费用偏差影响因素识别研究 |
3.1 复杂大型建设项目费用监控模式 |
3.1.1 费用监控模式特征分析 |
3.1.2 费用监控模式构建 |
3.1.3 费用监控模式运行流程 |
3.2 费用偏差影响因素的系统动力学模型构建 |
3.2.1 系统动力学的基本理论 |
3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
3.2.3 系统动力学模型构建 |
3.3 费用偏差影响因素的子系统方程式建立 |
3.3.1 系统动力学建模中涉及到的数学方法 |
3.3.2 影响因素的子系统方程式建立 |
3.4 系统动力学模型仿真和分析 |
3.5 本章小结 |
第4章 基于改进神经网络模型的费用偏差控制方法研究 |
4.1 工程建设项目费用偏差计算需求及特点分析 |
4.2 基于K-means算法的费用偏差警情计算模型研究 |
4.2.1 K-means聚类理论及缺陷分析 |
4.2.2 K-means聚类方法改进及适用性研究 |
4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
4.3 基于改进神经网络模型的费用偏差计算模型研究 |
4.3.1 神经网络模型原理分析 |
4.3.2 神经网络模型的改进及适用性研究 |
4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
4.4 算例分析 |
4.5 本章小结 |
第5章 基于流程再造的费用偏差控制策略及效果评价 |
5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
5.1.1 费用偏差控制中流程再造与协同的目标 |
5.1.2 费用偏差控制中流程再造与协同的原则 |
5.2 复杂大型建设项目各阶段费用偏差控制策略 |
5.2.1 前期决策阶段的费用偏差控制策略 |
5.2.2 中期实施阶段的费用偏差控制策略 |
5.2.3 后期运维阶段的费用偏差控制策略 |
5.3 复杂大型建设项目费用偏差控制效果评价 |
5.3.1 费用偏差控制效果评价指标体系 |
5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
5.3.3 算例分析 |
5.4 本章小结 |
第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
6.1 复杂大型建设项目CDMIS分析 |
6.1.1 复杂大型建设项目CDMIS的定义 |
6.1.2 复杂大型建设项目CDMIS的建设目标 |
6.1.3 复杂大型建设项目CDMIS的用户分析 |
6.1.4 复杂大型建设项目CDMIS的需求分析 |
6.2 复杂大型建设项目CDMIS设计 |
6.2.1 系统的总体设计原则及开发方法 |
6.2.2 系统的平台整体设计 |
6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
6.2.4 复杂大型建设项目CDMIS的数据库设计 |
6.3 复杂大型建设项目CDMIS关键技术 |
6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
6.4 本章小结 |
第7章 研究成果和结论 |
参考文献 |
附录 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(3)香菇菌棒成熟度识别与生产管理系统研发(论文提纲范文)
中文摘要 |
abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.1.1 食用菌信息化系统研究现状 |
1.1.2 深度卷积神经网络研究现状 |
1.3 研究内容及技术路线 |
1.3.1 主要研究内容 |
1.3.2 技术路线 |
1.4 论文组织结构 |
2 基于深度卷积神经网络的香菇菌棒成熟度识别 |
2.1 香菇菌棒图像数据集的采集与处理 |
2.2 卷积神经网络基本架构 |
2.2.1 卷积层 |
2.2.2 池化层 |
2.2.3 全连接层 |
2.2.4 激活函数 |
2.2.5 卷积神经网络训练过程 |
2.3 基于深度卷积神经网络的香菇菌棒成熟度分类模型 |
2.3.1 深度卷积神经网络模型 |
2.3.2 深度卷积神经网络优化算法 |
2.3.3 超参数设计 |
2.4 识别结果分析 |
2.4.1 特征可视化对比 |
2.4.2 分类结果评价指标 |
2.4.3 分类结果对比分析 |
2.4.4 识别结果系统应用 |
2.5 本章小结 |
3 香菇菌棒生产管理系统需求分析 |
3.1 企业概况 |
3.2 用户分析 |
3.3 功能性需求分析 |
3.4 非功能性需求分析 |
3.5 本章小结 |
4 香菇菌棒生产管理系统设计与实现 |
4.1 系统总体框架设计 |
4.2 系统功能模块设计 |
4.2.1 基础信息设置模块 |
4.2.2 装袋管理模块 |
4.2.3 接种管理模块 |
4.2.4 培养管理模块 |
4.2.5 仓库结转管理模块 |
4.2.6 工作量统计模块 |
4.3 系统数据库设计 |
4.3.1 数据库构成 |
4.3.2 数据库实体 |
4.4 香菇菌棒生产管理系统实现 |
4.4.1 主要技术 |
4.4.2 系统实现 |
4.5 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 主要创新点 |
5.3 展望 |
致谢 |
参考文献 |
攻读学位期间取得的成果和参加的科研项目 |
(4)重力坝变形监控的智能分析方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 大坝安全监测数据异常检测研究进展 |
1.2.2 大坝安全监控模型研究进展 |
1.2.3 大坝变形监控指标拟定研究进展 |
1.3 问题的提出 |
1.4 研究内容和技术路线 |
1.5 创新点 |
2 变形监测数据的规律与特征分析 |
2.1 引言 |
2.2 重力坝变形影响因子及其规律分析 |
2.2.1 水压因子 |
2.2.2 温度因子 |
2.2.3 时效因子 |
2.2.4 重力坝的一般变形规律 |
2.3 变形监测数据的相关性分析 |
2.3.1 面板数据的相关性分析 |
2.3.2 面板数据的形状相似性分析 |
2.3.3 时序数据的自相关与偏自相关分析 |
2.4 变形监测数据的特征分析 |
2.4.1 整体特征 |
2.4.2 局部特征 |
2.4.3 空间特征 |
2.5 本章小结 |
3 基于多重局部异常系数法的异常值预处理 |
3.1 引言 |
3.2 异常值的基本概念 |
3.2.1 异常值定义 |
3.2.2 异常值的分类 |
3.2.3 异常值的特征 |
3.3 基于距离的异常值检测算法 |
3.3.1 距离的度量方法 |
3.3.2 局部离群因子算法 |
3.3.3 K近邻算法 |
3.4 多重局部异常系数算法研究 |
3.4.1 多重局部异常系数算法 |
3.4.2 窗口长度的选择 |
3.4.3 阈值的选择 |
3.4.4 多重局部异常系数 |
3.4.5 实例计算 |
3.5 本章小结 |
4 ISADE-OSELM重力坝变形预测模型研究 |
4.1 引言 |
4.2 在线极限学习机 |
4.2.1 单隐层前馈神经网络 |
4.2.2 极小范数最小二乘解 |
4.2.3 极限学习机 |
4.2.4 在线极限学习机 |
4.3 在线极限学习机的优化研究 |
4.3.1 自适应差分进化算法 |
4.3.2 自适应差分进化算法的改进 |
4.3.3 ISADE-OSELM预测模型 |
4.4 ISADE-OSELM预测模型应用研究 |
4.4.1 工程概况 |
4.4.2 模型拓扑结构 |
4.4.3 参数选择 |
4.4.4 ISADE-OSELM模型预测结果 |
4.5 本章小结 |
5 基于云置信区间法的重力坝变形监控指标研究 |
5.1 引言 |
5.2 置信区间法的变形监控指标拟定 |
5.2.1 置信区间法 |
5.2.2 误差序列的分布检验 |
5.2.3 置信区间法拟定的监控指标 |
5.3 云置信区间 |
5.3.1 云模型 |
5.3.2 云置信区间的组成 |
5.3.3 云置信区间的计算步骤 |
5.3.4 云区间的选择 |
5.4 云置信区间法的变形监控指标拟定 |
5.4.1 数据转换 |
5.4.2 云区间的计算 |
5.4.3 云置信区间法拟定的监控指标 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
攻读博士学位期间主要研究成果 |
(5)基于STL-CS-LSTM组合模型的大坝变形预测方法研究(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 国内外研究现状 |
1.2.1 大坝变形监测研究现状 |
1.2.2 大坝变形预测研究现状 |
1.3 研究内容 |
1.4 技术路线 |
1.5 章节安排 |
1.6 本章小结 |
第二章 大坝变形监测相关方法 |
2.1 大坝的分类 |
2.2 大坝变形监测主要的内容及过程 |
2.3 大坝变形监测常用技术 |
2.4 大坝变形监测精度要求 |
2.5 本章小节 |
第三章 机器学习概论与研究方法 |
3.1 机器学习概论 |
3.1.1 机器学习的简介及发展历史 |
3.1.2 机器学习算法的分类 |
3.1.3 回归问题 |
3.2 数据预处理与数据集划分方法 |
3.3 机器学习模型介绍 |
3.3.1 长短期记忆神经网络(LSTM) |
3.3.2 前馈神经网络(FNN) |
3.3.3 支持向量回归(SVR) |
3.3.4 极度梯度提升(XGBoost) |
3.3.5 门控循环单元网络(RGU) |
3.4 基于局部加权回归的周期趋势分解(STL) |
3.5 布谷鸟搜索算法(CS) |
3.6 STL-CS-LSTM模型构建 |
3.6.1 组合模型构建方式 |
3.6.2 STL-CS-LSTM模型构建流程 |
3.7 模型评价指标 |
3.8 本章小结 |
第四章 基于组合模型STL-CS-LSTM的大坝变形预测 |
4.1 研究区及数据 |
4.1.1 研究区概况 |
4.1.2 数据来源 |
4.2 大坝水平位移变化分析 |
4.3 基于STL模型大坝变形监测数据分解 |
4.4 基于CS-LSTM模型的单一分量预测结果 |
4.4.1 趋势分量预测结果 |
4.4.2 余项分量预测结果 |
4.5 预测结果对比 |
4.5.1 点1水平位移预测 |
4.5.2 点2水平位移预测 |
4.5.3 点3水平位移预测 |
4.5.4 点4水平位移预测 |
4.5.5 点5水平位移预测 |
4.6 模型预测性能分析与讨论 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(7)基于BP优化的卡尔曼滤波算法在行人跟踪中的应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外研究进展 |
1.2.1 行人检测研究现状 |
1.2.2 行人跟踪研究现状 |
1.3 研究难点 |
1.4 本文的主要内容及章节安排 |
2 卡尔曼滤波算法的基本理论 |
2.1 贝叶斯滤波理论 |
2.2 线性卡尔曼滤波理论 |
2.3 非线性卡尔曼滤波理论 |
2.3.1 扩展卡尔曼滤波器 |
2.3.2 无迹卡尔曼滤波器 |
2.3.3 容积卡尔曼滤波器 |
2.4 仿真实验 |
2.4.1 各个维度下不同滤波算法的对比 |
2.5 本章小结 |
3 基于BP神经网络优化的卡尔曼滤波器 |
3.1 BP神经网络概述 |
3.1.1 BP神经网络的基本原理 |
3.1.2 BP算法的步骤及流程图 |
3.2 BP神经网络修正卡尔曼滤波算法原理 |
3.2.1 BP神经网络的设计 |
3.2.2 卡尔曼滤波和BP算法相结合的预测方法 |
3.3 仿真与分析 |
3.3.1 无人机模型仿真实验说明 |
3.3.2 本文优化算法与其他算法仿真结果对比 |
3.3.3 地铁工程预测仿真实验说明 |
3.3.4 不同条件下的本文算法以及原论文中的组合模型仿真结果对比 |
3.4 本章小结 |
4 行人检测系统 |
4.1 行人检测方法 |
4.1.1 基于运动检测的算法 |
4.1.2 基于特征学习的算法 |
4.1.3 行人检测算法总结 |
4.2 基于YOLOv5 的行人检测 |
4.2.1 YOLOv5 算法介绍 |
4.2.2 行人检测常用的数据集与评测指标 |
4.2.3 实验说明 |
4.2.4 第一次训练结果分析 |
4.2.5 第二次训练结果分析 |
4.3 本章小结 |
5 基于YOLOv5与BP-KF的行人跟踪方法 |
5.1 行人跟踪系统框架 |
5.1.1 基于YOLOv5与BP-KF的行人跟踪算法框架和流程 |
5.2 实验与结果分析 |
5.2.1 数据集与评价指标 |
5.2.2 在MOT16 数据集上进行测试并与其他算法的性能相对比 |
5.2.3 在MOT2015-AVG-Town Centre视频序列上的实验对比 |
5.3 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
(8)基于红外图像的发电机碳刷温度监测系统研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 发电机碳刷测温国内外研究现状及发展趋势 |
1.2.1 发电机碳刷测温的国内外研究现状 |
1.2.2 发电机碳刷测温的发展趋势 |
1.2.3 发电机碳刷温度测量标准 |
1.3 课题主要工作及研究内容 |
2 发电机碳刷监测系统方案设计 |
2.1 红外热像仪及测温原理 |
2.1.1 红外辐射基本理论 |
2.1.2 红外热像仪成像技术 |
2.1.3 红外热像仪测温原理 |
2.2 系统总体方案设计 |
2.2.1 系统功能需求分析 |
2.2.2 总体方案设计 |
2.2.3 温度监测系统硬件方案设计 |
2.2.4 温度监测系统软件方案设计 |
2.3 硬件平台的搭建 |
2.3.1 系统实施方案 |
2.3.2 热像仪安装方式及数量 |
2.3.3 远程传输配置 |
2.4 本章小结 |
3 发电机碳刷监测系统软件功能 |
3.1 发电机碳刷温度在线分析系统 |
3.1.1 软件框架设计 |
3.1.2 软件运行流程 |
3.1.3 软件功能 |
3.1.4 软件用户界面 |
3.2 数据管理系统 |
3.2.1 My SQL数据库 |
3.2.2 本地数据管理系统 |
3.2.3 云端数据管理系统 |
3.3 移动终端监测系统 |
3.3.1 软件架构设计 |
3.3.2 软件运行流程及功能 |
3.4 本章小结 |
4 发电机碳刷红外图像处理算法研究 |
4.1 红外图像噪声 |
4.2 图像去噪概述 |
4.3 双稳随机共振的碳刷红外图像去噪 |
4.4 基于PSO参数的双稳随机共振碳刷红外图像去噪 |
4.4.1 PSO参数优化算法 |
4.4.2 强噪声下的碳刷红外图像自适应随机共振去噪 |
4.5 发电机碳刷红外图像的聚焦算法 |
4.6 本章小结 |
5 发电机碳刷温度趋势预测及分析 |
5.1 时间序列预测分析 |
5.2 基于LSTM的发电机碳刷温度预测 |
5.2.1 LSTM介绍 |
5.2.2 模型构建 |
5.2.3 数据处理 |
5.2.4 评价指标 |
5.2.5 仿真结果分析 |
5.3 人工神经网络预测 |
5.3.1 BP模型预测 |
5.3.2 Elman模型预测 |
5.4 不同实验对比分析 |
5.5 基于LSTM-BP组合模型和红外图像特征的发电机碳刷温度预测 |
5.5.1 组合模型构建 |
5.5.2 红外图像中的碳刷轮廓提取 |
5.5.3 LSTM-BP组合模型模型仿真及及结果分析 |
5.6 本章小节 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要成果 |
(9)基于Kubernetes的容器云平台资源调度策略研究(论文提纲范文)
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 容器技术研究现状 |
1.2.2 云资源调度策略研究现状 |
1.3 研究内容及论文结构 |
1.3.1 研究内容 |
1.3.2 论文结构 |
1.4 本章小结 |
2 相关理论与技术 |
2.1 虚拟化技术 |
2.1.1 传统虚拟化 |
2.1.2 容器虚拟化 |
2.1.3 Docker轻量级虚拟化 |
2.2 容器集群资源编排系统 |
2.2.1 集中式调度系统 |
2.2.2 双层式调度系统 |
2.2.3 共享式调度系统 |
2.3 Kubernetes容器云平台 |
2.3.1 Kubernetes介绍 |
2.3.2 Kubernetes架构 |
2.4 本章小结 |
3 资源使用量预测模型 |
3.1 建模思想 |
3.2 ARIMA时间序列模型 |
3.2.1 ARIMA时间序列模型概念与特征 |
3.2.2 ARIMA时间序列原理 |
3.3 BP神经网络 |
3.3.1 BP神经网络预测模型概念与特征 |
3.3.2 BP神经网络算法原理 |
3.4 基于ARIMA-BP的组合预测模型 |
3.5 预测模型评价指标 |
3.6 本章小结 |
4 Kubernetes云平台调度策略 |
4.1 总体架构 |
4.2 监控模块 |
4.3 预测模块 |
4.4 自动伸缩模块 |
4.5 资源调度模块 |
4.6 本章小结 |
5 实验与结果分析 |
5.1 测试环境搭建 |
5.2 资源使用量预测模型实验 |
5.2.1 预测实验过程 |
5.2.2 预测实验结果分析 |
5.3 Kubernetes资源动态调度实验 |
5.3.1 自动伸缩模块实验 |
5.3.2 资源调度模块实验 |
5.4 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(10)水下机械臂控制方法与系统集成研究(论文提纲范文)
摘要 |
英文摘要 |
1 绪论 |
1.1 课题的研究背景与意义 |
1.2 水下机械臂研究现状 |
1.2.1 国外水下机械臂研究 |
1.2.2 国内水下机械臂研究 |
1.3 水下机械臂控制技术国内外研究现状 |
1.3.1 水下机械臂动力学建模研究现状 |
1.3.2 水下机械臂运动控制方法研究现状 |
1.4 本文主要研究内容 |
2 水下机械臂运动学分析 |
2.1 引言 |
2.2 D-H表示法 |
2.3 水下机械臂运动学分析 |
2.3.1 R5M水下机械臂 |
2.3.2 水下机械臂正运动学分析 |
2.3.3 水下机械臂逆运动学分析 |
2.4 水下机械臂运动学仿真 |
2.5 本章小结 |
3 水下机械臂动力学分析 |
3.1 引言 |
3.2 水下机械臂动力学分析 |
3.2.1 水下机械臂动力学参数求解 |
3.2.2 Lagrange动力学建模 |
3.2.3 水下机械臂动力学建模 |
3.3 水下机械臂动力学仿真 |
3.4 本章小结 |
4 水下机械臂运动控制方法研究 |
4.1 引言 |
4.2 控制方法原理简述 |
4.2.1 滑模变结构控制方法 |
4.2.2 RBF神经网络控制方法 |
4.3 控制器设计 |
4.3.1 控制律设计 |
4.3.2 稳定性分析 |
4.4 水下机械臂仿真控制实验及分析 |
4.4.1 仿真实验参数设置 |
4.4.2 仿真结果分析 |
4.5 本章小结 |
5 水下机械臂控制系统研究 |
5.1 引言 |
5.2 控制系统软硬件平台简介 |
5.2.1 ROS机器人操作系统简介 |
5.2.2 Zynq-7020硬件平台简介 |
5.3 水下机械臂控制系统总体设计方案 |
5.4 水下机械臂控制系统硬件功能设计 |
5.4.1 水下机械臂控制器硬件结构 |
5.4.2 串口通信IP核设计 |
5.4.3 图像采集IP核设计 |
5.4.4 嵌入式系统部署 |
5.5 水下机械臂控制系统软件功能设计 |
5.5.1 水下机械臂URDF模型设计 |
5.5.2 水下机械臂MoveIt!功能包配置 |
5.5.3 水下机械臂ROS控制器配置 |
5.6 水下机械臂控制实验 |
5.7 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 |
四、基于神经元网络的快速监控功能(论文参考文献)
- [1]卷积神经网络及其在智能交通系统中的应用综述[J]. 马永杰,程时升,马芸婷,马义德. 交通运输工程学报, 2021(04)
- [2]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [3]香菇菌棒成熟度识别与生产管理系统研发[D]. 司振宇. 山东农业大学, 2021(01)
- [4]重力坝变形监控的智能分析方法研究[D]. 李斌. 西安理工大学, 2021(01)
- [5]基于STL-CS-LSTM组合模型的大坝变形预测方法研究[D]. 胡祚晨. 江西理工大学, 2021(01)
- [6]面向配电站的智能监控终端研究与实现[D]. 王鹏. 重庆邮电大学, 2021
- [7]基于BP优化的卡尔曼滤波算法在行人跟踪中的应用[D]. 曹浏. 西安理工大学, 2021(01)
- [8]基于红外图像的发电机碳刷温度监测系统研究[D]. 张鑫. 西安理工大学, 2021(01)
- [9]基于Kubernetes的容器云平台资源调度策略研究[D]. 王仪. 西安理工大学, 2021(01)
- [10]水下机械臂控制方法与系统集成研究[D]. 赵伟. 西安理工大学, 2021(01)