一、频带压缩、数据压缩、数据平滑（论文文献综述）
刘娜[1]（2021）在《PhaseOTDR振动数据的梯次精简与编码存储研究》文中研究表明近年来,分布式光纤传感技术因其无源、抗电磁干扰以及可远距离大范围监测等特性,在公共建筑、桥梁隧道等基础设施安全监测领域中得到了广泛应用并发挥着举足轻重的作用,引起了国内外学者的重点关注和深入研究。但是,全分布式光纤传感系统在对基础设施进行全范围连续监测的过程中会得到巨大的数据量,并且随着分布式光纤传感系统性能指标的提升,单位时间内采集得到的数据会几十倍甚至上百倍地增加,由此导致的数据膨胀问题对数据存储和后续数据处理造成了严重影响,使其在实际应用中不能充分发挥其优势和作用。本文针对上述问题,围绕Phase-OTDR分布式光纤振动数据的梯次精简和编码存储展开了如下研究:（1）Phase-OTDR分布式光纤振动数据信噪分离。根据Phase-OTDR分布式光纤振动数据中信号和噪声的幅值差异,提出了一种基于模拟退火寻优的Ostu信噪分离方法。利用振动信号和噪声信号幅值上的差异,采用模拟退火寻优的Ostu阈值算法对Phase-OTDR分布式光纤振动数据进行了去噪处理,并与现有常用的经验模态分解方法对比了去噪效果,完成了 Phase-OTDR分布式光纤振动数据信噪分离的研究。（2）Phase-OTDR分布式光纤振动数据时空压缩。根据Phase-OTDR分布式光纤振动数据的二维时空结构,提出了一种基于改进Shearlet稀疏性表示的二维时空数据压缩方法。利用Shearlet变换对信噪分离后的分布式光纤振动信号进行了稀疏性表示,通过频带选取和系数选取完成了 Phase-OTDR分布式光纤振动数据的时空压缩。同时,采用信噪比和压缩比两项指标与基于二维小波变换的压缩方法进行了性能评估和效果对比。振动信号经过本文压缩方法压缩后,压缩比最高可达71%,验证了本文数据压缩方法的可行性,完成了 Phase-OTDR分布式光纤振动数据时空压缩的研究。（3）Phase-OTDR分布式光纤振动数据频谱分析。在对分布式光纤振动数据进行信噪分离的过程中,不可能将振动信号完全从噪声中分离,同时,时空压缩的过程中由于采用有损压缩也会损失信号部分特征信息。在对分布式光纤振动数据的梯次精简效果评估中,采用的压缩比和信噪比等指标仅能说明本文方法取得了较好的梯次精简效果,并不能对精简后数据特征信息的保留程度进行验证,所以本文从信号能量、信号幅度和频带宽度等几个方面对压缩重构前后的振动信号进行了频谱分析。提取压缩重构前后信号的10类时频特征,建立了随机森林分类模型对其进行识别分类,模型对压缩重构前后的信号识别率均保持在95%以上。此外,还建立了 SVM和KNN两种典型的分类模型,二者对压缩前后的振动信号也均保持较高的分类准确率,从而验证了本文梯次精简方法能够较好地保留信号有效特征。（4）Phase-OTDR分布式光纤振动数据编码存储。根据压缩后剪切波系数双精度浮点型的保存格式,提出了一种改进的Huffman编码压缩存储方法。在梯次精简的基础上,对无损压缩方法中的Huffman编码方法进行了研究,通过改变Huffrman编码过程中Huffman树的构造方式来提高编码效率。时空压缩后的Phase-OTDR分布式光纤振动数据经过进一步编码后,存储空间降低了近30%,实现了最大化的压缩,完成了 Phase-OTDR分布式光纤振动数据编码存储研究。本文关于Phase-OTDR分布式光纤振动数据的梯次精简与编码存储研究,可以最大化地对监测数据进行压缩,从而降低数据的存储空间,提高数据传输效率,在分布式光纤传感领域具有很大的应用价值。
李连杰[2]（2021）在《基于张量理论的频谱数据处理研究》文中认为当下,人类社会在信息时代的推动下高速发展,人们对移动通信的需求也在不断提升,未来频谱数据将爆炸式的增长,频谱资源需求将加倍增加。然而,频谱大数据高速处理研究尚未成熟,频谱资源的有限性无法改变。张量分析作为一种多维数据高效处理工具,能综合多维度信息,为频谱数据压缩、频谱资源优化提供了不同的解决思路。本文探讨了张量理论在解决频谱数据量大、频谱资源匮乏方面的优势,从频谱数据压缩、频谱感知、频谱预测等研究方向入手,引入张量理论,根据张量分解和张量补全算法的特点,提出应用于频谱数据处理可行性方案,探究破解频谱大数据与频谱资源短缺难题的方法,并利用Matlab软件进行仿真和验证。本文的主要工作如下:（1）针对未来频谱数据量大的问题,从主成分分析的角度出发,提出基于张量分解的频谱数据压缩方案,解决高阶数据冗余压缩的问题,仿真表明,基于张量分解的压缩方法更具优势;（2）针对未来通信频谱利用率低的问题,提出基于张量补全的频谱感知方案,描述其解决方案的,结合宽带感知、协作感知的优势,提高频谱状态的检测率;并利用定性分析的方法证明方案的有效性。（3）针对未来频谱数据之间具有相关性的特点,提出基于张量补全的频谱预测方案,利用预填充方法与张量补全算法相结合的形式,对下一时刻频谱状态进行预测,并分析其预测性能。
徐昊[3]（2021）在《卫星宽带跳频系统的干扰检测识别技术研究》文中指出卫星宽带跳频系统具有抗衰落、抗干扰和低截获的性能优势,但不断增强的干扰和侦查设备正在削弱宽带高速跳频带来的抗干扰增益。为保障通信系统的传输可靠性和资源利用率,卫星宽带跳频系统需要具备对典型人为恶意干扰的检测和识别能力,以便及时调整系统的抗干扰策略。为此,本论文重点研究卫星宽带跳频系统中典型人为恶意干扰的干扰检测和分类识别技术,主要内容包含四部分:第二章设计了卫星宽带跳频系统的干扰检测识别方案。在分析了卫星宽带跳频系统的干扰威胁后,首先设计了基于正交子带分割的干扰检测识别方案,将宽频带的干扰认知转化为多个窄带的干扰认知,在保证频域分析精度的同时降低了方案的实现复杂度;接着提出了多子带干扰认知综合策略,通过综合多个子带的干扰认知结果获得全频带的干扰分布情况。第三章研究了卫星宽带跳频系统的干扰检测算法。根据跳频信号与干扰信号的时频特性差异,提出了一种基于多段谱聚类（Multi-segment Signals Spectrum Clustering,MSSC）的干扰检测算法。首先阐述了基于Welch谱前向连续均值消除的信号簇检测算法,并理论分析了检测门限因子;然后提出了基于MSSC的干扰簇鉴别算法和静默期信号段搜索算法;最后分析了算法的复杂度。仿真结果表明,当跳频信号信噪比大于-4d B时,传统算法的干扰误检概率大于60%,而MSSC算法则小于10-4,且MSSC算法显着降低了干扰参数的估计误差。第四章研究了卫星宽带跳频系统的干扰分类算法。首先提出一种基于人工特征提取深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）的干扰分类算法,构建了一组优良的多域干扰特征库,并训练了基于DNN的干扰分类器;仿真结果表明,MFE-DNN算法能够在干噪比（Jamming-to-Noise Ratio,JNR）≥-4d B时准确分类12种干扰。然后研究了不同输入数据对象下基于卷积神经网络（Convolutional Neural Networks,CNN）自动特征提取的干扰分类器性能,并提出了基于CNN联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰分类算法;仿真结果表明,当JNR≥-6d B时CNN-JMDFE干扰分类器可准确分类13种干扰,明显优于采用单一数据对象的CNN干扰分类器;与MFE-DNN算法相比,CNN-JMDFE算法能够显着提升11类干扰在低JNR下的分类准确率,增益为2d B～12d B。第五章设计了基于MSSC和CNN-JMDFE算法的卫星宽带跳频干扰认知系统模型。仿真结果表明,该模型对单干扰和复合干扰均具有良好的分类效果,14类单干扰非静默期的分类性能与静默期一致,10类复合干扰在JNR≥0d B时可被准确分类;与无干扰检测的CNN-JMDFE算法相比,该模型提升了单干扰和复合干扰6d B和8d B的分类准确率;对于宽频带,该模型能准确估计干扰参数和干扰类型。
李鸿博[4]（2021）在《基于近红外光谱的红松子品质检测模型研究》文中研究表明红松子也称东北松子,主要分布于我国长白山和小兴安岭林区,是林区增收的重要经济作物。红松子仁富含对人体有益的不饱和脂肪酸,因此深受消费者喜爱。我国质量监督机构对食品品质的监管也趋于标准严格化,这促进了松子品质检测方法研究的开展。成熟年份、产地和营养物质含量是影响红松子食用价值和育种价值的重要性质,但是通过外在特征很难分辨,营养物质含量的传统化学检测方法耗时较长、操作繁琐并且对样本具有破坏性,难以满足生产检测的需求。近红外光谱分析法因其测试快捷、操作方便、经济实用等特性逐步成为近些年来无损检测领域的热门方法。本研究采用近红外光谱分析技术,针对光谱数据维度高并且关键特征隐蔽性强的特点,提出 了基于 t-分布邻域嵌入（t-distributed Stochastic Neighbor Embedding,t-SNE）数据降维的红松子成熟年份与产地鉴别模型,解决了以往建模过程运算量巨大耗时过长的问题。降维的同时将数据聚类,从而强化了输入特征,降低了训练难度提升了模型鉴别的准确率。利用标准正态变量变换（Standard Normalized Variable,SNV）、一阶导数以及Savitzky-Golay（S-G）卷积平滑算法对原始光谱进行预处理,将处理结果进行线性与非线性数据降维。通过数据可视化以及聚类参数的输出,比较得出t-SNE降至二维为效果较好的降维方案,此时两分类数据集的轮廓系数、CH指标和互信息分别为0.8200、2972.0127、0.8742 和 0.8222、1928.2249、0.8883。以降维结果作为输入,建立年份和产地分类的支持向量机（Support Vector Machine,SVM）校正模型。当核函数选择RBF,K取值为5,γ取82.54和57.33,惩罚系数C为383.12和507.37时,所建立的t-SNE-SVM分类模型准确度可达97.5%以上。说明t-SNE-SVM模型能够对红松子性状实现有效鉴别,并且模型精度高、运算量小。在红松子品质定性检测的基础上,分析研究了近红外光谱对红松子内仁粉末的营养物质含量检测。为了深入挖掘光谱数据中隐含的有用信息并进一步消除噪声信号,提出将小波变换（Wavelet Transformation,WT）作用于光谱数据并对其进行分解与重构,从而实现数据的压缩和降噪。对得到的小波系数进行特征提取,提出了一种经蒙特卡洛（Monte Carlo method,MC）优化的无信息变量消除算法（Uninformative Variable Elimination,UVE）,提升了样本之间内相关性的利用率,解决了 UVE算法保留变量依旧较多的问题。最后将所选特征结合偏最小二乘法（Partial Least-Square,PLS）建立了WT-MCUVE-PLS脂肪含量回归预测模型。当采用多元散射校正（Multiplicative Scatter Correction,MSC）结合S-G卷积平滑进行预处理,选择“bior4.4”小波滤波器硬阈值函数作用下的通用阈值压缩降噪,MCUVE提取前70个小波系数时,WT-MCUVE-PLS回归模型与其它模型的比较中也展现出更好的预测效果。交叉验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）最小,分别为0.0098和0.0390。定量分析模型的决定系数R2最大,校正集和预测集的R2分别为0.9485和0.9369。说明近红外光谱的WT-MCUVE-PLS回归模型可以对红松子脂肪含量进行准确表征,WT和MCUVE优化了模型的输入特征质量,最终提升了模型的预测精度。针对储存时间、产地甚至一些复杂且不可量化的因素造成离线定量分析模型对不同批次样本检测结果不理想的问题。本研究在定量分析模型的基础上提出了一种基于在线多元散射校正（Online Multiplicative Scatter Correction,OMSC）预处理的递归偏最小二乘（Recursive Partial Least Squares regression,RPLS）在线学习模型,实现了对原检测模型的在线更新,并提升其泛化能力。在线模型具有动态化、延续性的特点,做到一次建模长期使用。OMSC算法的提出对用于更新模型的新增样本进行了有效预处理,解决了以往更新模型的数据集无法进行散射校正导致的预测误差。在进行小波压缩降噪后,适当提高MCUVE选择的特征数,为更新模型过程中被选特征波段的变化扩大空间。将新增样本特征数据结合RPLS迭代出最终的更新模型。结果表明:当MCUVE选择特征数升至100时,新增预测集的R2为0.8581,RMSEP为0.0621,远高于原离线模型新增预测集的R2和RMSEP,分别为0.7193和2.1174。说明此方法不仅避免了重新建模、减少了工作量,并且展现出很好的预测效果。将近红外光谱检测用以实现红松子的储存期检测、产地鉴别以及营养物质含量检测是本研究的核心,对化学计量学、机器学习和在线学习方法进行深入研究并有机结合。建立一种评价红松子品质的性质鉴别和营养物质含量检测模型,并结合在线学习相关研究在离线模型基础上实现在线学习模型的更新。对于其它坚果类产品的定性定量分析、品质检测以及在线学习研究均具有一定的应用价值。
王雨虹[5]（2020）在《煤与瓦斯突出态势感知方法研究》文中提出煤与瓦斯突出是煤矿瓦斯典型动力灾害形式之一,煤与瓦斯突出事故的发生会给煤矿企业造成巨大的经济损失和不良的社会影响。为了尽早的发现煤与瓦斯突出风险,及时地采取科学的防突措施,本文借鉴态势感知的基本思想,利用安全风险管理、压缩感知、模式识别、信息融合、机器学习等技术理论,采用现场调研、理论分析、数值模拟和现场试验相结合的研究方法,从煤与瓦斯突出态势觉察、态势理解和态势预测等几个方面开展煤与瓦斯突出态势感知的深入研究。研究内容及成果为构建煤与瓦斯突出态势感知体系奠定理论基础,为瓦斯动力灾害的科学治理提供辅助决策。在分析煤与瓦斯突出过程及影响因素的基础上,通过理论分析、现场数据分析和数值模拟实验,分析了煤与瓦斯突出过程中,瓦斯涌出规律以及煤岩体破裂声发射的演化特征。结果表明,瓦斯涌出量、声发射信号都具有明显的突出前兆特征。提出了煤与瓦斯突出态势感知的基本任务,构建了局部态势感知和全局态势感知相融合的煤与瓦斯突出态势感知模型。提出了煤与瓦斯突出态势要素的选取应满足科学性、前兆性、实时性、可操作性、全面性和敏感性等原则。以赵各庄矿为例,选取瓦斯涌出及声发射实时监测信息作为主要的煤与瓦斯突出态势要素,将钻屑量、钻屑解吸指标、瓦斯压力、瓦斯含量等作为辅助态势要素,并对突出态势要素选取的可行性进行了分析论证。提出了基于压缩感知的煤与瓦斯突出态势要素有效信息提取方法。以不完全瓦斯涌出时间序列为研究对象,利用压缩感知实现了对缺失率小于30%的瓦斯涌出时间序列的修复。针对噪声背景下的煤岩体声发射信号提取问题,将压缩感知与小波去噪方法相结合,实现了噪声信号和有效煤岩体声发射信号的分离。研究煤与瓦斯突出灾变特征提取方法。提出了基于五点三次平滑处理与非线性分段相结合的瓦斯涌出时间序列趋势特征提取方法。将瓦斯涌出时间序列均值、趋势斜率、波动率等作为瓦斯涌出异常时间序列辨识指标,利用动态模式匹配距离结合层次聚类,实现了对包含突出灾变在内的瓦斯涌出异常时间序列的识别。研究了煤与瓦斯突出过程中声发射信号时域、频域和时频域特征,利用小波包能量谱和小波包能量熵提取声发射信号能量特征。结果表明,突出过程中,声发射信号呈现低频高幅值变化,能量向优势频段集中,小波包能量熵值降低等特征,提出将声发射信号能量熵值变化率作为煤与瓦斯突出前兆辨识指标。构建了煤与瓦斯突出态势评估指标体系,建立了基于信息融合的煤与瓦斯突出态势评估模型。为解决随机性、模糊性等不确定性因素对煤与瓦斯突出态势评估的影响,提出了基于云模型-改进证据理论的煤与瓦斯突出态势评估方法,利用云模型构建证据体的mass函数,采用组合加权的证据理论降低证据间冲突程度,以提高煤与瓦斯突出态势评估的准确性。提出基于机器学习的煤与瓦斯突出态势预测方法。利用天牛群算法（Beetle Swarm Optimization,BSO）优化长短期记忆网络（Long short-term memory,LSTM）的超参数组合,建立了基于BSO-LSTM的瓦斯浓度预测模型。分析掘进工作面瓦斯浓度时空相关性,从时空角度优化预测模型输入。结果表明,基于时空耦合的BSO-LSTM的瓦斯浓度预测模型预测精度较高,结合云模型-改进证据理论对瓦斯浓度预测结果进行基于瓦斯涌出监测信息的突出态势局部预测。就煤与瓦斯突出态势全局预测而言,将态势评估结果量化为态势值,建立基于混沌免疫粒子群（Chaos Immune Particle Swarm Optimization,CIPSO）优化的广义回归网络（Generalized Regression Neural Network,GRNN）的煤与瓦斯突出态势值预测模型,实现了煤与瓦斯突出全局态势的短期预测。工程测试结果表明,煤与瓦斯突出态势感知方法能够准确地感知掘进工作面所面临的煤与瓦斯突出危险威胁,采用瓦斯压力、瓦斯含量、钻屑量等指标验证了利用瓦斯涌出、声发射等实时监测信息感知掘进工作面煤与瓦斯突出态势的结果,进一步说明了煤与瓦斯突出态势感知方法可以提高煤矿防治煤与瓦斯突出灾害的能力,保障矿井安全生产。该论文有图91幅,表29个,参考文献188篇。
刘卫强[6]（2020）在《基于机器学习的分布式全波形激电信噪分离与反演成像方法》文中研究说明激发极化电法勘探（激电法）是一种针对地质体导电性和激电性差异进行探测的地球物理分支方法。近年来国内外先后研发了分布式全波形电法勘探仪器设备,激电数据采集效率得到迅速发展,但相应的数据处理解释方法依然有所滞后。本文的研究目的是针对分布式激电勘探产生的大规模数据,建立一套初步智能化的信噪分离与反演成像方法,提高激电勘探的数据质量和应用效果。为了提高分布式激电抗干扰数据处理的精度和效率,本文提出了基于降噪方法库与统计决策的抗干扰技术。首先实现了三维介质的激电全波形响应正演模拟,通过分析生成的激电全波形理论信号与不同类型噪声干扰特征,提取最能表征时间序列类型的八个时/频域统计分量。继而模拟生成激电信号库与噪声库,通过支持向量机（SVM）分类算法实现机器对时间序列中不同噪声干扰的判断识别。然后,通过学习总结信号处理领域的相关知识,优选并改进五种有针对性的信号处理技术,包括:经验模态分解、波形匹配、稳健估计、主成分分析和小波分析等,并集成为一个降噪方法库,供决策系统自动选择相应的信号处理技术,实现干扰压制。上述方法是一种基于统计分析与信号处理知识驱动的自动化抗干扰算法。为了克服激电反演成像中常规拟线性最优化算法依赖初始模型、分辨率不足等问题,本文对两种机器学习算法进行改进,提出了样本压缩神经网络算法和自适应聚类分析算法,分别应用于激电勘探数据反演和边界识别。首先通过随机介质模型理论生成电性介质模型样本,通过分布式计算正演产生理论响应,然后用理论模型和响应数据训练神经网络模型,对新数据进行预测。为降低数据冗余性,本文将数据压缩技术与人工神经网络相结合,降低输入输出样本维度,提高神经网络反演的速度与精度。为了进一步根据反演结果划分异常体的边界,本文对聚类分析进行改进,根据原始数据的分布特征和稳健统计,实现聚类数目的自动确定,进而对反演结果进行属性聚类、边界拾取和异常中心定位。上述方法进一步提高了激电反演成像的精度和自动化水平。最后,将本文提出的方法应用于我国西南某铅锌多金属矿区的实测激电数据,获得了超过5000个测点上的高品质激电数据。分析了不同电极极距与不同观测频率下的抗干扰效果,对误差进行了统计;并将抗干扰处理前后的电性扫面和测深数据进行了对比。同时采用新的反演成像算法,根据实测的全波形数据分别进行了平面激电参数反演、二维电测深反演、三维多剖面反演等处理,并对反演结果进行边界拾取和属性聚类。数据处理结果反映出了测区地下介质电阻率极化率的异常特征,结合测区地质资料推断了成矿有利区,算法效果得到验证。综上,为了提高分布式全波形激电勘探的数据质量和应用效果,本文开展了两种综合算法研究,包括:基于降噪方法库与统计决策的干扰压制算法,基于样本压缩神经网络和自适应聚类的反演成像算法。模拟和实测数据的测试表明,新算法可有效提高激电数据质量并增强观测数据对地下异常体的反映能力,同时提高数据处理解释的精度与自动化水平。本文的框架和算法可进一步迁移到其他人工源电磁勘探方法中,目前相关研究已经开展。
郑泽鸿[7]（2020）在《星型网络结构的鸟声采集系统研究》文中研究说明鸟类是自然界中的重要成员之一,鸟声是鸟类的一种生物学特征,可用于识别鸟的种类,在生物多样性监测和生态环境保护中具有重要意义。现有的鸟声采集方法一般通过将录音设备放置在野外相关区域按设定的程序进行录制与存储,工作人员定期取回存储卡后再对数据进行人工处理分析。这种方法可以对目标区域进行长达两三个月的声音数据连续录制,无需人工值守,但实时性差,并且存储许多没有鸟声的声音信号,耗费存储资源。为了增强时效性,可由工作人员去野外现场录制鸟声,但录音区域范围有限,录制的鸟声数据量少,且人在现场会影响鸟类活动。或将待测鸟类从野外捕捉回来,在实验室环境进行鸟声采集,虽然鸟声音质极佳,但严重影响鸟类的正常生活。随着无线通信技术的发展,出现了一些基于无线网络的远程采集系统,实现无需人工介入的实时数据采集,为鸟声采集带来极大便利。但目前的远程采集系统仍存在一些问题,比如无线网络的限制、数据共享的局限和设备的生产成本等,导致无法进行大规模部署。为适合各种野外环境的鸟声远程采集和无线传输,本文研究并设计一种星型网络结构的鸟声采集系统,主要工作如下:一、设计了远程鸟声采集系统方案,包括信号采集终端、无线网关、阿里云服务器。为方便大规模部署,以成本较低的单片机为主处理芯片,终端采用NXP RT1052,无线网关采用STM32F407ZGT6,终端与无线网关之间通过LoRa传输数据和命令,无线网关通过4G网络与阿里云服务器通信。二、设计了鸟声采集终端的声信号预处理算法,包括降噪、分段、筛选和压缩。以WebRTC的降噪算法为基础,提出基于最大后验估计器的改进方法,有效抑制背景噪声;采用基于先验概率的分段算法对声信号进行分段,提出一种非线性频率域的分析方法;基于线性预测的共振峰估计方法得到有声段中每个子片的特征信息,通过分类统计的方式判断有声段中是否存在鸟声信号,进一步筛选得到含有鸟声的片段;对鸟声片段进行MP3压缩,减少数据量。三、采用星型拓扑结构的组网方式,网关通过LoRa模块分时轮询并获取各鸟声采集终端的鸟声音频文件,再通过4G无线网络将这些鸟声文件上传至阿里云服务器,实现数据到云端的过程,进而扩展物种识别等应用服务。本设计系统实现了远程的鸟声数据采集,可以为鸟声识别和动物声学的研究以及生态环境的监测提供现场声音数据。
姜智翔[8]（2020）在《基于频域处理的全息图压缩方法研究》文中进行了进一步梳理三维显示及成像技术拥有广阔的市场应用空间,近年来随着研究的不断深入已广泛应用于军事、通信、娱乐和医学等方面。然而目前已投入实际应用的三维显示技术多是基于人眼的双目视差,这种以有限深度线索呈现的视觉效果并不理想。而全息技术的应用使得真三维成像和显示成为现实,它能够提供连续的基于头部运动的视差、自然视觉聚散调节以及所有深度信息,应用潜力极大。由于全息技术可以记录物光场的全部信息,包含了大量的数据,这对于数据的传输、存储和处理极其不利,因此需要对全息数据进行压缩。而拍摄获得全息图是由包含大量不同亮点的干涉条纹组成的,其像素之间没有相关性,所以难以用现有的图像及视频编码方法进行压缩。因此,对于全息数据的压缩编码方法的研究已经引起了广泛的关注。基于此问题,本文主要研究的内容是如何改进或整合现有的压缩算法以提高全息图的压缩效率,并最大限度的降低再现像的质量损失。本文内容概述如下:首先,对全息压缩技术的研究进展进行了简单的概述,介绍全息数据压缩的研究意义、国际主流技术方法和未来具有潜力的研究方案。其中国际主流观点将现有的全息压缩编码方法分为基于量化、基于变换和基于标准三种,本文分别介绍并分析了这三种方法的优劣,为本文所提出的方法提供理论依据和研究思路。其次,从现有图像及视频的压缩编码方法和全息图生成及再现的原理出发,结合数字全息技术和衍射计算理论,说明全息数据压缩要求。接着,研究了小波变换用于全息图频域压缩编码的方法,采用频域小波分解、阈值、量化和空域编码的方法,对模拟生成的全息图进行了测试,确定各项参数的设置。然后利用选取最佳的参数,对实际拍摄的数字全息图进行压缩编码,并将最后结果进行了比较和分析。最后,提出并研究了小波变化与二次量化用于彩色数字全息图的压缩和编码方法,有效的实现了大压缩比下的全息图压缩。此外,这种方法利用按比例切割较长波长的全息图的颜色分量的方式,保证了压缩后的再现像不会出现颜色混叠和位置偏移等问题。并且这种方法可以在相对较短的时间内实现编解码,同时再现像的质量损失极小。
张晓普[9]（2019）在《分布式地震数据智能感知采集方法研究》文中提出地震勘探因其具有较强的地层穿透能力,成为油气矿产勘探领域的有效手段。在我国油气资源对外依存度逐渐升高以及“向地球深部进军”被确定为必须解决的战略科技问题的大背景下,如何实现大规模地震数据采集已成为当前工业界和学术界研究的热点问题。目前,由于勘探成本和野外环境等因素的限制,提升硬件资源的使用效率是实现更大规模地震数据采集工作的一个新思路。因地震数据具有非线性特征多样化的特点,现有的地震数据高效采集方法在自适应性、特征关系提取等方面均有不足之处。针对现有方法的不足之处,本文结合压缩感知、稀疏表示、机器学习三种理论,提出了智能感知采集方法。根据两种常见的地震数据采集工作场景（常规地震勘探和压裂微地震监测）的特点,设计了两种不同的分布式地震数据智能采集方法:基于多跳网络的地震数据智能感知采集方法和基于微地震事件检测的智能感知采集方法,并且通过数值试验证明了两种方法对采集效率的提升水平。论文的主要研究内容如下:（1）研究了地震数据高效采集方法的相关理论:包括压缩感知、稀疏表示、机器学习,针对这几种理论的优缺点,结合地震数据采集的特点,以互补的方式对三种理论进行融合,提出了智能感知采集方法。具体而言,智能感知采集方法以压缩感知理论为基本框架,通过引入稀疏表示与机器学习算法实现稀疏性约束条件下基于数据驱动方式的非线性特征提取与拟合能力,从而既能保证该方法具有较强的自适应性,又能同时解决传统高效采集算法忽略输入数据稀疏性特征、非线性特征的问题。（2）针对地震数据的特征和采集系统网络结构特点,设计了分布式地震数据智能感知采集方法的总体方案。通过从地震波动方程和信息熵理论两个方面对地震数据稀疏性进行分析,论证了地震数据满足进行高效采集方法研究的前提条件。结合地震数据采集工作的两类主要应用场景:常规地震勘探和压裂微地震监测,分析了二者的网络结构特点。根据智能感知采集方法的基本思想,将数据采集策略与应用场景的特有规律（地震数据特征、网络结构特点）相结合,提出了这两种应用场景所对应的智能感知方案:基于多跳网络的地震数据智能感知方案和基于微地震事件检测的智能感知方案,完成了地震数据智能感知采集方法的总体设计。（3）根据基于多跳网络的地震数据智能感知方案和常规地震勘探数据采集工作的特点,提出了基于多跳网络的地震数据智能感知采集方法。针对常规地震勘探中存在的多跳数据传输不平衡问题,设计了基于多跳网络的压缩编码框架。该编码框架将压缩感知的观测过程与网络拓扑结构进行结合,在数据传输的同时进行基于测量矩阵的压缩编码。针对测量矩阵优化问题和数据重构问题,提出了基于生成对抗网络的压缩感知算法。该项关键技术将生成对抗网络与压缩感知理论相结合,根据压缩感知过程设计生成对抗网络的基本结构,以压缩感知理论约束生成对抗学习过程,通过生成对抗机制和卷积神经网络为压缩感知算法自适应地提取信号特征,从而实现高质量的数据重构。根据数值试验结果,基于多跳网络的地震数据智能感知采集方法能够在只引入信号能量的11000左右的噪声水平下,将测线能够支持的最大采集规模扩大为原来的16倍,而且还将整条测线中数据传输的能耗降为原来的81。（4）根据基于微地震事件检测的智能感知方案和压裂微地震监测数据采集工作的特点,提出了基于微地震事件检测的智能感知采集方法。针对压裂微地震监测中存在大量无关数据被传输的现象,提出了基于微地震事件检测的压缩采样技术。该项关键技术将基于机器学习的分类算法与压缩采样结合,根据地震信号在时间域的尺度和随机采样理论,设计了广义抖动随机采样方法在时间域对地震数据进行欠采样;然后根据微地震信号在局部形态、时序关系、概率分布三个方面的特征,设计了融合卷积神经网络、递归神经网络和概率图模型的机器学习算法来识别微地震事件,进而减少微地震数据在时间域的冗余度。针对微地震数据的稀疏表示问题,提出了基于奇异值分解的聚类字典学习算法。该算法通过奇异值分解提取信号的特征作为初始稀疏基,然后通过更新位置限制和聚类方法进行近似值优化以不断更新稀疏基。最后通过SPGL1算法使用该稀疏基将欠采样数据恢复成微地震信号。根据数值试验结果,基于微地震事件检测的智能感知采集方法能够在引入噪声的功率为原始信号的1100时,减少30%的数据记录能耗,且在低信噪比（-15dB）环境下维持高准确率（96.83%）的微地震检测,以减少大量无关数据的传输（通常减少90%以上）,即在同等通信水平下,大幅度提高系统支持的最大采集规模（10倍）。综上所述,本文研究的分布式地震数据智能感知采集方法能够大幅度提高采集系统对带宽、能量的使用效率,从而能够在硬件条件不变的情况下,容纳更多的采集节点,实现更大规模的数据采集工作,进而为大规模地震数据采集系统的发展提供了新的思路,也为深部油气资源勘查装备的智能化研究提供了理论参考。
高志荣[10]（2019）在《基于稀疏与低秩理论的图像表示及重建》文中研究指明随着数字技术与互联网技术的兴起和快速发展,图像已成为当今人们信息获取和利用的主要载体,数字图像处理技术在现代科学与工程的诸多领域得到了广泛的应用,数字图像的有效获取、重建与增强是该领域一直关注的核心问题。图像信号具有的局部相似与非局部结构相似特性,使其表现了广泛存在的稀疏和低秩特性,为解决图像处理的诸多问题提供了重要基础。作为近年来提出的信号采样新理论,压缩感知理论证明了:如果信号具有稀疏性,则可以对其进行降维采样并实现后期的准确重构。压缩感知不仅为实现图像的低成本低延时获取提供了一种极好的解决方案,同时也为解决图像处理领域的其它问题提供了有效思路,其在医学成像、图像压缩、图像复原等领域的应用,已得到国内外学者的广泛关注和深入研究。基于以上背景,本文以图像稀疏表示与低秩分解理论为基础,对图像的压缩感知编码、图像的压缩感知高质量重建、以及图像的超分辨率重构等问题,开展了深入研究。具体工作包括:（1）基于图像分块变换的自适应图像压缩感知编码方法研究;（2）基于图像非局部组稀疏及多稀疏联合规则化的图像压缩感知重建方法研究;（3）基于图像非局部自适应截断低秩的图像超分辨率方法研究。主要创新之处在于:1、提出了一种采用块变换子带系数随机置换,并结合人眼感知特性的压缩感知图像编码方法。针对传统的采用非自适应投影变换的图像压缩感知方法中,存在压缩测量效率低下的问题,结合图像块离散余弦变换域的能量分布特性,提出了一种自适应压缩感知测量矩阵设计方法;针对图像统计特性的非平稳导致不同分块稀疏性的差异性,进而引起测量效率低下的问题,提出了一种基于图像块离散余弦变换域系数随机置换的压缩感知编码方法。该项成果可有效用于鲁棒性图像编码、加密图像编码等应用领域。2、提出了一种基于迭代重加权组稀疏表示的压缩感知图像重构方法。图像内部固有的结构相似性为稀疏表示图像信号提供了更多新的可能。基于图像的非局部稀疏理论,构建了一种基于图像相似块组稀疏域重加权的规则化压缩感知重构方法。首先对图像相似块组进行自适应的主成分分析变换,然后对变换域系数进行自适应加权,最后利用加权系数的稀疏表示规则化重构。通过采用变分法,提出了利用迭代自适应软阈值滤波求解重构模型的算法。提出的迭代重加权重构方法,通过自适应提取图像的更多高频成分,可实现图像重建质量的有效提升。3、提出了一种图像相似块组变换域的标准化稀疏表示方法,以及结合全变差的多稀疏联合规则化的图像压缩感知重建方法。考虑到自然图像信号具有的非平稳性,不同分块图像稀疏的差异性,以及变换域不同分量系数的不同统计分布特性,构建了图像相似块组变换域的标准化系数表示方法,以及基于此的规则化压缩感知恢复方法。首先对相似图像块组进行自适应稀疏变换,然后对变换域系数进行分量级的标准化表示,最后基于该标准化稀疏表示结合全变差稀疏,构建了一种多稀疏联合规则化的压缩感知重构算法。通过图像块组的变换域分量级的自适应滤波恢复,可更好地保留图像的细节信息,进一步提升重构图像的质量。4、提出了一种基于图像非局部自适应截断低秩表示的图像超分辨率方法。利用非局部相似图像块组具有的低秩特性,构建了基于图像结构块组低秩规则化的图像超分辨率模型;提出利用结构相似块组的熵信息进行数据块组的秩自适应估计,进而采用部分奇异值软阈值收缩实现模型求解的方法。与同类方法相比,该方法能够得到更好的图像纹理细节信息。理论分析和大量仿真实验结果验证了提出方法的有效性。
二、频带压缩、数据压缩、数据平滑（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、频带压缩、数据压缩、数据平滑（论文提纲范文）
（1）PhaseOTDR振动数据的梯次精简与编码存储研究（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 研究现状 |
| 1.3 研究内容 |
| 1.3.1 工作内容 |
| 1.3.2 创新点 |
| 1.4 论文结构 |
| 第二章 分布式光纤振动数据信噪分离 |
| 2.1 振动数据信噪分离方法原理 |
| 2.1.1 基于经验模态分解的信噪分离 |
| 2.1.2 基于模拟退火寻优的Ostu信噪分离 |
| 2.2 振动数据信噪分离实验 |
| 2.2.1 经验模态分解方法 |
| 2.2.2 基于模拟退火寻优的Ostu方法 |
| 2.3 信噪分离效果评估 |
| 2.3.1 评估指标 |
| 2.3.2 效果对比 |
| 2.4 本章小结 |
| 第三章 分布式光纤振动数据时空压缩 |
| 3.1 基于二维小波变换的时空压缩原理 |
| 3.1.1 小波变换中常用的小波函数 |
| 3.1.2 二维小波变换基本原理 |
| 3.2 基于剪切波变换的时空压缩原理 |
| 3.2.1 剪切波变换 |
| 3.2.2 频带选取 |
| 3.2.3 系数选取 |
| 3.3 振动数据时空压缩实验 |
| 3.3.1 二维小波变换时空压缩方法 |
| 3.3.2 剪切波变换时空压缩方法 |
| 3.4 时空压缩信号重构 |
| 3.5 时空压缩效果评估 |
| 3.5.1 评估指标 |
| 3.5.2 效果对比 |
| 3.6 本章小结 |
| 第四章 分布式光纤振动数据频谱分析 |
| 4.1 快速傅里叶变换原理 |
| 4.2 随机森林分类模型原理 |
| 4.3 频谱分析与分类建模 |
| 4.3.1 频域分析 |
| 4.3.2 信号分帧及特征提取 |
| 4.3.3 信号分类 |
| 4.4 本章小结 |
| 第五章 分布式光纤振动数据编码存储 |
| 5.1 哈夫曼编码原理 |
| 5.2 振动数据编码存储实验 |
| 5.2.1 剪切波系数编码 |
| 5.2.2 编码存储效果评估 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 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目录 |
（2）基于张量理论的频谱数据处理研究（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 国内外研究现状与趋势 |
| 1.3 论文内容与安排 |
| 第二章 张量分解与补全 |
| 2.1 引言 |
| 2.2 张量分解 |
| 2.2.1 CP分解 |
| 2.2.2 Tucker分解 |
| 2.3 张量补全 |
| 2.3.1 基于张量分解的张量补全算法 |
| 2.3.2 基于低秩假设的张量补全算法 |
| 2.4 本章总结 |
| 第三章 基于张量分解的频谱数据压缩研究 |
| 3.1 引言 |
| 3.2 频谱数据场景建模 |
| 3.2.1 四阶频谱张量数据建模 |
| 3.2.2 频谱张量相关性验证 |
| 3.3 基于张量分解的频谱数据压缩方案 |
| 3.3.1 压缩方案分析 |
| 3.3.2 压缩方案实验 |
| 3.4 本章总结 |
| 第四章 基于张量补全的频谱感知与预测研究 |
| 4.1 引言 |
| 4.2 基于张量补全的频谱感知方案 |
| 4.2.1 感知方案设计 |
| 4.2.2 感知方案分析 |
| 4.3 基于张量补全的频谱预测方案 |
| 4.3.1 预测方案设计 |
| 4.3.2 预测方案仿真 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间参与的科研项目及取得的成果 |
| 学位论文评阅及答辩情况表 |
（3）卫星宽带跳频系统的干扰检测识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 主要技术研究现状 |
| 1.2.1 卫星宽带跳频通信系统研究现状 |
| 1.2.2 干扰检测技术研究现状 |
| 1.2.3 干扰分类识别技术研究现状 |
| 1.3 论文主要的研究内容以及结构安排 |
| 第二章 卫星宽带跳频系统干扰检测识别方案设计 |
| 2.1 卫星宽带跳频系统干扰威胁分析 |
| 2.1.1 瞄准式窄带干扰 |
| 2.1.2 部分频带噪声干扰 |
| 2.1.3 随机梳状干扰 |
| 2.1.4 调频类干扰 |
| 2.1.5 周期脉冲噪声干扰 |
| 2.2 卫星宽带跳频系统干扰检测识别方案 |
| 2.2.1 卫星宽带跳频系统结构 |
| 2.2.2 干扰检测识别总体框架 |
| 2.2.3 多子带干扰认知结果数据结构 |
| 2.2.4 多子带认知结果综合策略 |
| 2.3 干扰信号数据库构建 |
| 2.3.1 单干扰参数设置 |
| 2.3.2 复合干扰定义与参数设置 |
| 2.3.3 多子带干扰分布情况的参数设置 |
| 2.4 本章小结 |
| 第三章 基于多段谱聚类的卫星宽带跳频系统干扰检测算法研究 |
| 3.1 传统的干扰检测算法 |
| 3.2 基于多段谱聚类的干扰检测算法 |
| 3.2.1 算法模型 |
| 3.2.2 基于Welch谱 FCME的信号簇检测 |
| 3.2.3 基于多段谱聚类的干扰簇鉴别 |
| 3.2.4 算法性能评估指标与复杂度分析 |
| 3.3 宽带跳频系统干扰检测算法性能仿真分析 |
| 3.3.1 算法仿真参数 |
| 3.3.2 子带内干扰检测性能 |
| 3.3.3 多子带干扰检测性能 |
| 3.4 本章小结 |
| 第四章 基于深度神经网络的卫星宽带跳频系统干扰分类识别算法研究 |
| 4.1 基于人工特征提取深度神经网络的干扰分类算法 |
| 4.1.1 算法模型 |
| 4.1.2 人工干扰特征提取 |
| 4.1.3 基于深度神经网络的干扰分类器 |
| 4.1.4 算法性能仿真分析 |
| 4.2 基于卷积神经网络自动特征提取的干扰分类算法 |
| 4.2.1 算法模型 |
| 4.2.2 卷积神经网络的基本原理 |
| 4.2.3 基于多种数据对象的CNN干扰分类器 |
| 4.2.4 适用于不同数据对象的CNN网络结构 |
| 4.2.5 算法性能仿真分析 |
| 4.3 基于卷积神经网络联合多域特征提取的干扰分类算法 |
| 4.3.1 联合多域特征提取的CNN干扰分类器 |
| 4.3.2 联合多域特征提取的CNN网络结构 |
| 4.3.3 算法性能仿真分析 |
| 4.4 本章小结 |
| 第五章 卫星宽带跳频系统干扰检测识别性能分析 |
| 5.1 基于MSSC和 CNN-JMDFE算法的卫星宽带跳频干扰认知系统模型 |
| 5.2 子带内干扰检测识别性能仿真分析 |
| 5.2.1 单干扰分类性能 |
| 5.2.2 复合干扰分类性能 |
| 5.2.3 与无干扰检测的干扰分类器性能对比 |
| 5.3 多子带干扰检测识别性能仿真分析 |
| 5.4 本章小结 |
| 第六章 总结 |
| 6.1 本文主要贡献 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历 |
| 攻读硕士学位期间的研究成果 |
（4）基于近红外光谱的红松子品质检测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内外应用领域与研究成果 |
| 1.3.2 近红外光谱坚果品质检测的研究现状 |
| 1.3.3 近红外光谱数据处理研究现状 |
| 1.4 研究内容 |
| 1.5 本研究技术路线 |
| 1.6 本文组织结构 |
| 2 红松子近红外光谱数据获取及其预处理 |
| 2.1 近红外光谱与化学计量学 |
| 2.1.1 近红外光谱检测技术原理与实验设备 |
| 2.1.2 近红外光谱检测技术在化学计量学中的应用 |
| 2.2 近红外光谱采集实验 |
| 2.2.1 红松子样本的选取与制备 |
| 2.2.2 近红外光谱采集实验平台 |
| 2.2.3 光谱数据采集 |
| 2.3 化学实验数据获取以及数据集划分 |
| 2.3.1 索氏抽提实验步骤 |
| 2.3.2 数据集划分 |
| 2.4 近红外光谱原始数据特性 |
| 2.5 近红外光谱的预处理算法 |
| 2.6 预处理算法选取原则与方案制定 |
| 2.7 本章小结 |
| 3 基于数据降维的红松子品性鉴别模型研究 |
| 3.1 引言 |
| 3.2 数据降维及其评价指标 |
| 3.2.1 线性降维 |
| 3.2.2 非线性降维 |
| 3.2.3 数据降维性能度量 |
| 3.3 红松子定性分析建模方法与模型评价指标 |
| 3.4 红松子成熟年份和产地鉴别模型结果分析 |
| 3.4.1 数据降维结果分析 |
| 3.4.2 模型的预测效果与分析 |
| 3.5 本章小结 |
| 4 基于特征选择的红松子脂肪含量检测模型研究 |
| 4.1 引言 |
| 4.2 小波分析 |
| 4.2.1 连续小波变换及其离散化 |
| 4.2.2 Mallat算法 |
| 4.2.3 小波阈值去噪方法 |
| 4.2.4 小波族函数 |
| 4.2.5 阈值选取 |
| 4.2.6 阈值函数 |
| 4.3 特征选择优化算法 |
| 4.3.1 无信息变量消除算法 |
| 4.3.2 蒙特卡洛算法 |
| 4.3.3 蒙特卡洛改进的无信息变量消除算法 |
| 4.4 红松子定量分析建模方法与模型评价指标 |
| 4.5 基于WT-MCUVE-PLS的红松子脂肪含量预测模型结果分析 |
| 4.5.1 小波压缩结果分析 |
| 4.5.2 特征选择结果分析 |
| 4.5.3 校正模型的建立 |
| 4.5.4 回归模型的预测效果与分析 |
| 4.6 本章小结 |
| 5 基于在线多元散射校正的红松子脂肪含量在线学习模型研究 |
| 5.1 引言 |
| 5.2 在线多元散射校正算法 |
| 5.3 递归偏最小二乘算法 |
| 5.4 基于OMSC算法的RPLS红松子脂肪含量在线学习模型结果分析 |
| 5.4.1 新增样本数据集划分 |
| 5.4.2 特征选择更新及其结果 |
| 5.4.3 预测效果的比较与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表学术论文、发明专利与参加的科研工作 |
| 致谢 |
| 东北林业大学 博士学位论文修改情况确认表 |
（5）煤与瓦斯突出态势感知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 存在问题及不足 |
| 1.4 研究内容与技术路线 |
| 2 煤与瓦斯突出过程与突出态势感知 |
| 2.1 煤与瓦斯突出过程及影响因素 |
| 2.2 煤与瓦斯突出前兆信号特征分析 |
| 2.3 煤与瓦斯突出态势感知 |
| 2.4 本章小结 |
| 3 基于压缩感知的煤与瓦斯突出态势要素提取 |
| 3.1 煤与瓦斯突出态势信息的压缩感知 |
| 3.2 不完全瓦斯涌出时间序列处理方法 |
| 3.3 噪声背景下声发射信号提取方法 |
| 3.4 本章小结 |
| 4 煤与瓦斯突出灾变特征提取方法 |
| 4.1 基于趋势分析的瓦斯涌出异常时间序列辨识 |
| 4.2 煤与瓦斯突出声发射信号前兆特征提取 |
| 4.3 本章小结 |
| 5 基于信息融合的煤与瓦斯突出态势评估 |
| 5.1 煤与瓦斯突出态势评估模型 |
| 5.2 煤与瓦斯突出态势评估方法 |
| 5.3 本章小结 |
| 6 基于机器学习的煤与瓦斯突出态势预测方法 |
| 6.1 基于时空耦合的瓦斯浓度态势预测模型 |
| 6.2 基于广义回归网络的煤与瓦斯突出态势值预测模型 |
| 6.3 本章小结 |
| 7 煤与瓦斯突出态势感知的工程测试 |
| 7.1 煤与瓦斯突出态势要素获取及评估临界值的确定 |
| 7.2 煤与瓦斯突出态势评估方法验证 |
| 7.3 煤与瓦斯突出态势预测方法验证 |
| 7.4 本章小结 |
| 8 结论、创新点及展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 查新结论 |
| 作者简历 |
| 学位论文数据集 |
（6）基于机器学习的分布式全波形激电信噪分离与反演成像方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据及意义 |
| 1.1.1 激电法基本原理与最新进展 |
| 1.1.2 本文的研究方向与研究意义 |
| 1.2 研究现状 |
| 1.2.1 激电法抗干扰研究现状 |
| 1.2.2 激电反演方法研究现状 |
| 1.2.3 机器学习算法应用现状 |
| 1.3 研究内容及方案 |
| 1.3.1 整体研究框架 |
| 1.3.2 主要研究内容 |
| 1.4 本章小结 |
| 第二章 三维主轴各向异性介质的激电全波形响应正演模拟 |
| 2.1 三维正演方法 |
| 2.1.1 有限体积三维正演算法 |
| 2.1.2 大型方程组加速求解策略 |
| 2.1.3 Cole-Cole模型参数估计 |
| 2.1.4 傅里叶级数分解与合成 |
| 2.2 算法精度验证 |
| 2.3 模型响应分析 |
| 2.3.1 各向异性模型响应计算与分析 |
| 2.3.2 激电时间序列响应计算与分析 |
| 2.3.3 不同激电视参数的分辨率对比 |
| 2.4 本章小结 |
| 第三章 基于降噪知识驱动的全波形激电自动化抗干扰方法 |
| 3.1 统计决策与信噪识别 |
| 3.1.1 激电勘探常见噪声干扰及统计特征分析 |
| 3.1.2 基于激电时间序列统计决策的信噪识别 |
| 3.2 降噪方法库的建立与完善 |
| 3.2.1 改进经验模态分解用于压制低频趋势项干扰 |
| 3.2.2 波形匹配法用于短时强干扰剔除与数据挑选 |
| 3.2.3 稳健统计方法用于压制尖峰脉冲离群值干扰 |
| 3.2.4 主成分分析与小波分析法用于压制随机噪声 |
| 3.3 仿真数据测试分析 |
| 3.4 本章小结 |
| 第四章 基于模型数据驱动的激电二三维反演成像方法 |
| 4.1 样本压缩人工神经网络反演算法 |
| 4.1.1 人工神经网络反演基本原理与算法 |
| 4.1.2 输入输出样本数据的压缩重构方法 |
| 4.1.3 基于随机介质模型的样本生成方法 |
| 4.2 自适应聚类分析与边界识别 |
| 4.2.1 自适应聚类分析计算方法 |
| 4.2.2 二三维图像边界识别效果 |
| 4.3 仿真数据测试分析 |
| 4.3.1 激电数据频谱参数反演测试 |
| 4.3.2 激电仿真数据二维反演测试 |
| 4.3.3 激电仿真数据三维反演测试 |
| 4.3.4 神经网络反演影响因素分析 |
| 4.4 本章小结 |
| 第五章 分布式全波形激电勘探实测数据的综合处理与分析 |
| 5.1 激电勘探分布式全波形数据采集 |
| 5.2 激电抗干扰处理效果与误差统计 |
| 5.2.1 不同频率/不同极距下抗干扰处理分析 |
| 5.2.2 激电扫面与测深数据抗干扰处理效果 |
| 5.3 激电法实测数据反演测试与分析 |
| 5.3.1 中梯数据激电谱参数反演 |
| 5.3.2 二维电测深激电数据反演 |
| 5.3.3 三维多剖面激电数据反演 |
| 5.3.4 成矿背景及激电数据解释 |
| 5.4 本章小结 |
| 第六章 机器学习算法在电磁测深数据处理中的应用分析 |
| 6.1 基于多尺度分解与波形匹配的可控源电磁抗干扰研究 |
| 6.2 基于改进神经网络与自适应聚类的大地电磁反演研究 |
| 6.3 本章小结 |
| 第七章 结论与下一步研究 |
| 7.1 主要结论 |
| 7.2 存在问题 |
| 7.3 下一步研究计划 |
| 致谢 |
| 参考文献 |
| 个人简历及攻读博士期间学术成果清单 |
（7）星型网络结构的鸟声采集系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外发展现状 |
| 1.2.1 基于无线网络的鸟声采集系统 |
| 1.2.2 鸟声信号的预处理 |
| 1.2.3 无线通信技术在鸟声采集中的应用 |
| 1.3 论文的研究目的和研究内容 |
| 1.4 论文章节安排 |
| 第二章 系统的整体框架与需求分析 |
| 2.1 鸟声智能采集识别平台的整体框架 |
| 2.2 鸟声采集系统的需求分析 |
| 2.3 鸟声采集系统的硬件设计 |
| 2.3.1 终端设备的硬件设计 |
| 2.3.2 网关设备的硬件设计 |
| 2.4 本章小结 |
| 第三章 鸟声降噪算法的研究与应用 |
| 3.1 引言 |
| 3.2 鸟声降噪算法的选择 |
| 3.2.1 常用开源降噪算法的概述 |
| 3.2.2 三种开源算法的鸟声降噪测试 |
| 3.3 WebRTC降噪算法的原理分析 |
| 3.4 基于最大后验估计器改进的鸟声降噪算法 |
| 3.4.1 基于最大后验估计器的算法改进 |
| 3.4.2 改进的鸟声降噪算法的仿真测试 |
| 3.4.3 改进的鸟声降噪算法的硬件测试 |
| 3.5 本章小结 |
| 第四章 鸟声提取算法的研究与应用 |
| 4.1 引言 |
| 4.2 鸟声的分段处理 |
| 4.2.1 基于先验概率的鸟声分段算法分析 |
| 4.2.2 鸟声分段算法的性能测试 |
| 4.2.3 基于非线性频率域的鸟声分段算法改进 |
| 4.2.4 改进的鸟声分段算法的性能测试 |
| 4.3 鸟声的筛选处理 |
| 4.3.1 鸟声的共振峰特征分析 |
| 4.3.2 基于共振峰估计的鸟声筛选算法 |
| 4.3.3 鸟声筛选算法的性能测试 |
| 4.4 鸟声的数据压缩 |
| 4.5 鸟声提取算法的硬件测试 |
| 4.6 本章小结 |
| 第五章 星型网络结构的鸟声数据无线传输设计 |
| 5.1 引言 |
| 5.2 网关与鸟声采集终端的通信设计 |
| 5.2.1 LoRa网络拓扑结构的选择 |
| 5.2.2 LoRa网关通信方案的选择 |
| 5.2.3 网关与终端的LoRa通信设计 |
| 5.3 网关与服务器的通信设计 |
| 5.3.1 鸟声音频文件上传的实现过程 |
| 5.3.2 鸟声文件信息发布的实现过程 |
| 5.4 鸟声采集系统的实验测试 |
| 5.4.1 鸟声音频文件的无线传输测试 |
| 5.4.2 鸟声采集系统与鸟声识别服务器的对接测试 |
| 5.4.3 鸟声采集系统的无线数据传输距离测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 下一步研究方向 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（8）基于频域处理的全息图压缩方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 基于量化的全息压缩 |
| 1.2.2 基于变换的全息压缩 |
| 1.2.3 基于标准的全息压缩 |
| 1.2.4 其它具有研究潜力的全息压缩方法与存在的问题 |
| 1.3 论文主要内容及结构安排 |
| 第二章 全息技术与图像压缩原理研究 |
| 2.1 标量衍射理论 |
| 2.1.1 惠更斯—菲涅耳原理与基尔霍夫衍射公式 |
| 2.1.2 衍射的角谱理论 |
| 2.1.3 菲涅耳衍射理论 |
| 2.2 全息术原理与分类 |
| 2.2.1 光学全息术概述 |
| 2.2.2 波前记录 |
| 2.2.3 波前再现 |
| 2.3 图像压缩理论和方法分析 |
| 2.3.1 图像的无损压缩 |
| 2.3.2 图像的有损压缩 |
| 2.4 图像标准编码格式 |
| 2.4.1 JPE G与 JP EG200 0 图像压缩编码系统 |
| 2.4.2 MPE G与 H.26x系列标准 |
| 2.5 全息图的压缩编码要求及分析 |
| 2.6 本章小结 |
| 第三章 频域小波变换的全息图压缩实现 |
| 3.1 用于图像压缩的小波变换概述 |
| 3.1.1 二维离散小波变换 |
| 3.1.2 适应于应用环境的快速算法 |
| 3.1.3 小波变换用于图像压缩的实例 |
| 3.2 全息图空域与频域的小波变换 |
| 3.2.1 度量标准与测试说明 |
| 3.2.2 全息图空域小波变换 |
| 3.2.3 全息图频域小波变换 |
| 3.3 模拟仿真实验与分析 |
| 3.3.1 小波变换频域测试 |
| 3.3.2 系数量化 |
| 3.3.3 编码压缩 |
| 3.4 实际全息图的压缩测试 |
| 3.5 本章小结 |
| 第四章 空域和频域复合压缩用于彩色数字全息图 |
| 4.1 彩色数字全息图的记录与再现 |
| 4.1.1 彩色数字全息图的记录 |
| 4.1.2 割补法再现彩色数字全息图 |
| 4.1.3 彩色数字全息图再现的其它方法 |
| 4.2 小波阈值的类型与分析 |
| 4.2.1 缺省的阈值模型 |
| 4.2.2 Bir ge-Mas sart策略确定阈值 |
| 4.2.3 小波包变换中的penal ty阈值 |
| 4.2.4 硬阈值和软阈值 |
| 4.3 模拟仿真与对比分析 |
| 4.3.1 模拟生成彩色全息图 |
| 4.3.2 频域小波分解、阈值及量化 |
| 4.3.3 空域二次量化 |
| 4.4 实际彩色全息图的压缩测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要工作总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表论文 |
（9）分布式地震数据智能感知采集方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究目的和意义 |
| 1.2 地震数据采集方法研究现状及存在的主要问题 |
| 1.2.1 地震数据采集方法的发展趋势 |
| 1.2.2 国内外地震数据高效采集方法的研究现状 |
| 1.2.3 地震数据高效采集方法存在的主要问题 |
| 1.3 论文研究思路和结构安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文结构安排 |
| 第2章 地震数据智能感知的理论基础 |
| 2.1 引言 |
| 2.2 压缩感知理论 |
| 2.2.1 压缩感知理论的数学模型及常用算法 |
| 2.2.2 基于压缩感知的地震数据处理方法 |
| 2.3 稀疏表示理论 |
| 2.3.1 稀疏表示理论的数学模型及常用算法 |
| 2.3.2 基于稀疏表示的地震数据处理方法 |
| 2.4 机器学习理论 |
| 2.4.1 机器学习算法 |
| 2.4.2 基于机器学习的地震数据处理方法 |
| 2.5 智能感知采集方法 |
| 2.5.1 智能感知采集方法的基本思想 |
| 2.5.2 智能感知采集方法的理论支撑 |
| 2.6 本章小结 |
| 第3章 地震数据智能感知的总体方案设计 |
| 3.1 引言 |
| 3.2 地震数据的稀疏性分析 |
| 3.2.1 基于地震波场理论的稀疏性分析 |
| 3.2.2 基于信息理论的稀疏性分析 |
| 3.3 地震数据采集的工作场景及网络结构 |
| 3.3.1 常规地震勘探工作场景及网络结构 |
| 3.3.2 压裂微地震监测工作场景及网络结构 |
| 3.4 基于常规地震勘探的高效地震数据采集方案设计 |
| 3.4.1 常规地震勘探中采集效率分析 |
| 3.4.2 提高常规地震勘探中采集效率的策略研究 |
| 3.4.3 基于多跳网络的地震数据智能感知方案 |
| 3.5 基于压裂微地震监测的高效地震数据采集方案设计 |
| 3.5.1 压裂微地震监测中采集效率分析 |
| 3.5.2 提高压裂微地震监测中采集效率的策略研究 |
| 3.5.3 基于微地震事件检测的智能感知方案 |
| 3.6 本章小结 |
| 第4章 基于多跳网络的地震数据智能感知采集方法研究 |
| 4.1 引言 |
| 4.2 基于多跳网络的地震数据智能感知采集方法概述 |
| 4.2.1 基于多跳网络的地震数据智能感知采集方法的设计思想 |
| 4.2.2 基于多跳网络的地震数据智能感知采集方法的训练阶段 |
| 4.2.3 基于多跳网络的地震数据智能感知采集方法的采集阶段 |
| 4.3 基于多跳网络的压缩编码框架 |
| 4.4 基于生成对抗网络的压缩感知算法的框架 |
| 4.4.1 基于生成对抗网络的压缩感知算法的设计思想 |
| 4.4.2 基于生成对抗网络的压缩感知算法的基本结构 |
| 4.4.3 基于生成对抗网络的压缩感知算法中对抗机制 |
| 4.4.4 基于生成对抗网络的压缩感知算法中交替方向搜索机制 |
| 4.5 基于生成对抗网络的压缩感知算法的判别器设计 |
| 4.5.1 判别器的设计思想 |
| 4.5.2 判别器的网络结构 |
| 4.5.3 判别器的损失函数 |
| 4.6 基于生成对抗网络的压缩感知算法的生成器设计 |
| 4.6.1 生成器的设计思想 |
| 4.6.2 生成器的网络结构 |
| 4.6.3 生成器的损失函数 |
| 4.7 基于多跳网络的地震数据智能感知采集方法的数值试验 |
| 4.7.1 数值试验的总体思路 |
| 4.7.2 合成地震数据试验 |
| 4.7.3 实际地震数据试验 |
| 4.8 本章小结 |
| 第5章 基于微地震事件检测的智能感知采集方法研究 |
| 5.1 引言 |
| 5.2 基于微地震事件检测的智能感知采集方法概述 |
| 5.2.1 基于微地震事件检测的智能感知采集方法的设计思想 |
| 5.2.2 基于微地震事件检测的智能感知采集方法的训练阶段 |
| 5.2.3 基于微地震事件检测的智能感知采集方法的采集阶段 |
| 5.3 基于微地震事件检测的压缩采样技术 |
| 5.3.1 基于微地震事件检测的压缩采样技术的核心思想 |
| 5.3.2 微地震数据的时间域随机压缩采样 |
| 5.3.3 基于机器学习的微地震事件检测算法 |
| 5.4 微地震数据压缩采样的数据重构方法 |
| 5.4.1 微地震数据压缩采样的数据重构的思路 |
| 5.4.2 基于奇异值分解的聚类字典学习算法 |
| 5.4.3 微地震数据压缩采样后的数据恢复过程 |
| 5.5 基于微地震事件检测的智能感知采集方法的数值试验 |
| 5.5.1 数值试验的总体思路 |
| 5.5.2 合成微地震数据试验 |
| 5.5.3 实际微地震数据试验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 作者简介及攻读博士期间科研成果 |
| 致谢 |
（10）基于稀疏与低秩理论的图像表示及重建（论文提纲范文）
| 论文创新点 |
| 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 压缩感知与重构 |
| 1.2.2 基于压缩感知的图像压缩 |
| 1.2.3 图像的超分辨率重建 |
| 1.3 图像质量评价 |
| 1.4 研究内容与文章结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 文章的内容与安排 |
| 1.5 本章小结 |
| 2 压缩感知与稀疏表示理论 |
| 2.1 引言 |
| 2.2 压缩感知原理 |
| 2.2.1 稀疏表示 |
| 2.2.2 不相干测量 |
| 2.2.3 非线性重构 |
| 2.3 稀疏表示 |
| 2.3.1 传统正交变换 |
| 2.3.2 多尺度几何分析 |
| 2.3.3 字典学习 |
| 2.4 低秩矩阵恢复 |
| 2.4.1 迭代阈值算法 |
| 2.4.2 加速近端梯度方法 |
| 2.4.3 增广拉格朗日乘子法 |
| 2.5 本章小结 |
| 3 图像分块自适应压缩感知编码 |
| 3.1 引言 |
| 3.2 图像分块压缩感知 |
| 3.2.1 图像分块压缩感知理论 |
| 3.2.2 图像分块压缩感知编码 |
| 3.3 块变换域系数随机置换的压缩感知 |
| 3.3.1 算法思想 |
| 3.3.2 算法描述 |
| 3.4 基于自适应测量矩阵的压缩感知 |
| 3.4.1 自适应测量矩阵的设计 |
| 3.4.2 自适应测量矩阵的实现 |
| 3.4.3 自适应测量矩阵的特点 |
| 3.5 实验结果与讨论 |
| 3.5.1 CRP均衡矢量稀疏性的测试 |
| 3.5.2 CRP+AS的性能测试 |
| 3.5.3 基矢量重正交化对增加测量效率的测试 |
| 3.6 本章小结 |
| 4 非局部组稀疏与多稀疏联合规则化的压缩感知重建 |
| 4.1 引言 |
| 4.2 图像的非局部稀疏 |
| 4.2.1 图像的非局部相似 |
| 4.2.2 图像块组稀疏表示 |
| 4.3 迭代重加权组稀疏表示的压缩感知恢复 |
| 4.3.1 基于组稀疏表示的压缩感知重构 |
| 4.3.2 迭代重加权组稀疏规则化的压缩感知重构 |
| 4.3.3 实验结果与分析 |
| 4.4 联合标准化组稀疏表示的压缩感知恢复 |
| 4.4.1 图像块组变换域标准化表示 |
| 4.4.2 提出的重构模型与求解 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 自适应截断低秩正则化的图像超分辨率 |
| 5.1 引言 |
| 5.2 单帧图像超分辨率 |
| 5.2.1 基于插值的方法 |
| 5.2.2 基于模型的方法 |
| 5.2.3 基于学习的方法 |
| 5.3 基于低秩分解的超分辨率 |
| 5.3.1 低秩邻域嵌入的超分辨率 |
| 5.3.2 结构低秩正则化的超分辨率 |
| 5.4 自适应低秩正则化的图像超分辨率 |
| 5.4.1 自适应非局部低秩近似 |
| 5.4.2 自适应截断低秩表示的超分辨率 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
四、频带压缩、数据压缩、数据平滑（论文参考文献）
- [1]PhaseOTDR振动数据的梯次精简与编码存储研究[D]. 刘娜. 北京邮电大学, 2021
- [2]基于张量理论的频谱数据处理研究[D]. 李连杰. 山东大学, 2021(12)
- [3]卫星宽带跳频系统的干扰检测识别技术研究[D]. 徐昊. 电子科技大学, 2021(01)
- [4]基于近红外光谱的红松子品质检测模型研究[D]. 李鸿博. 东北林业大学, 2021(09)
- [5]煤与瓦斯突出态势感知方法研究[D]. 王雨虹. 辽宁工程技术大学, 2020
- [6]基于机器学习的分布式全波形激电信噪分离与反演成像方法[D]. 刘卫强. 中国地质科学院, 2020
- [7]星型网络结构的鸟声采集系统研究[D]. 郑泽鸿. 广州大学, 2020(02)
- [8]基于频域处理的全息图压缩方法研究[D]. 姜智翔. 昆明理工大学, 2020(04)
- [9]分布式地震数据智能感知采集方法研究[D]. 张晓普. 吉林大学, 2019
- [10]基于稀疏与低秩理论的图像表示及重建[D]. 高志荣. 武汉大学, 2019