一、神经模糊技术在车型自动分类中的应用（论文文献综述）
金田[1]（2021）在《汽车前脸造型自动化关键技术研究》文中研究说明随着乘用车市场的竞争日益加剧,在确保汽车功能品质的同时,汽车造型的家族化与新颖性逐渐成为汽车竞争力的核心因素。作为汽车核心的差异化设计区域之一,汽车前脸造型在提升品牌竞争力方面受到广泛关注。实现汽车前脸造型的自动化,在保持家族化设计的同时,可以提供更加多样化的汽车前脸造型,从而提高汽车概念设计效率。由于汽车前脸的拓扑高度复杂性及设计语义编辑的不可控性等诸多因素,汽车前脸造型设计的自动化非常困难。本文针对汽车前脸造型自动化中的关键技术开展大数据驱动的系列研究,通过汽车前脸的整理分类、创建大规模汽车前脸造型图像库、前脸类型自动识别及关键区域检测、关键造型特征点的自动提取以及对应的特征点驱动下的形变方法,实现汽车前脸的设计空间漫游。具体内容如下:汽车前脸的拓扑分析、基于深度学习网络的自动识别与区域检测。针对汽车前脸造型的拓扑复杂性问题,本文依据格式塔心理学理论,通过整理与分析大量汽车前脸图像数据,对汽车前脸造型分为五大类,并依据分类结果创建对应的汽车前脸分类及检测数据集AFCD4000。在此基础上,采用YOLO V5l算法进行汽车前脸的类别自动识别和检测,数值实验表明,本文采用的分类识别及检测方法,其交并比在0.5至0.95的平均精度均值可以达到99%,有效鲁棒,为后续步骤奠定基础。基于深度学习的汽车前脸关键特征点的自动提取。汽车前脸造型关键特征点一方面能够反映车型的本质造型特征,另一方面可以作为图像变形及形变的驱动元素。通过整理分析,本文定义了汽车前脸的44个统一关键特征点,涵盖了汽车前脸的核心造型关键元素,在AFCD4000的基础上创建了汽车前脸图像关键特征点数据集。进一步地,本文提出了一种基于级联的DAN-Res Net50特征点提取算法进行汽车前脸关键特征点的自动提取,数值实验表明,本文特征点提取方法其平均误差为0.0149,较原来降低了6.2%,精度更高。基于图像形变的汽车前脸设计空间漫游。针对输入的汽车前脸图像序列,首先进行汽车前脸分类及目标区域检测,然后通过自动提取方法得到汽车前脸关键特征点,以关键特征点为驱动元素生成形变控制网格,采用网格驱动的图像局部仿射变换实现汽车前脸的设计空间漫游,进而在保持汽车家族化特征的同时,得到丰富的多样化汽车前脸造型。此外,本文还进行了汽车前脸设计空间的跨类别、跨品牌等系列探索研究,以进一步拓展汽车前脸设计空间。
陆世豪[2]（2021）在《基于多头注意力RCNN网络的电力设备缺陷文本分类方法研究》文中进行了进一步梳理随着电力系统的规模越来越庞大,设备的数量也成倍增长,极大地增加了巡检工作量。同时,设备投运时间增长和操作频次增加,加大了设备缺陷的出现几率,这些缺陷若不及时发现并消除,会危及电力系统的运行安全。根据规定设备缺陷分为三类等级,每类等级的缺陷对电网运行的风险不同,要求消缺的时限也不一样。电力设备缺陷用文本的形式记录并上报,目前大量上报的设备缺陷等级分类工作仍需要人工进行,耗时耗力、效率低下而且受限于运检人员的知识储备,常常处于难以精确判断的尴尬局面,分类准确性受到影响,进而影响消缺进度。电网缺陷管理系统中存有大量闲置的历史输变电设备缺陷记录单,若使用自然语言处理的方法对缺陷记录挖掘分析实现自动分类,则可提升缺陷等级判断的速度和准确性,同时提高检修效率。电力设备缺陷描述源于巡检人员口语化的表达,没有固定格式,表述不规范,对于同样的缺陷表达并不统一。并且与普通的中文文本不同,缺陷描述文本带有很强的专业性,所以准确理解和使用难度大。由于传统的专家系统通过制定规则无法准确理解句子的语义,所以如何充分利用历史缺陷文本对新出现的设备故障进行快速分类定级成为目前迫切解决的问题。鉴于此,本文提出一种基于多头注意力循环卷积神经网络（MAT-RCNN）的电力设备缺陷文本分类方法。首先,对文本进行预处理,通过建立专有名词词典和停用词表,实现词汇的正确切分以及冗余信息的剔除。将切分好的文本作为语料库,利用Word2vec模型训练出每个词的词向量。然后,考虑到词向量不会随上下文语境变化以及RCNN网络无法自动关注重点词汇,因此引入多头注意力机制从多个维度挖掘文本内部联系,同时分配不同词语相应权重,使输出的词向量按语境变化,并且通过加权突出重要信息,让RCNN网络能够关注关键信息,将RCNN网络结构优化使得其与多头注意力机制融合效果更好。最后,构建多头注意力RCNN电力设备缺陷文本分类模型,并在此基础上实现设备缺陷的自动定级。经过实验分析,对比传统机器学习文本分类模型和CNN、RNN等深度学习文本分类模型,从多分类综合评价指标MF1、分类准确率Acc以及模型耗时等方面测评模型分类效果,实验表明本文所提方法,在语义学习能力、提取特征效果、分类效果等方面优于RNN等常规方法。所以,本文所提出的方法充分利用历史缺陷数据,实现电力设备缺陷文本快速分类定级,在提高定级准确率同时减少人力分配,有效提升电网运维效率,具有很强的实用价值。
秦耿耿[3]（2021）在《乳腺X射线图像智能辅助诊断方法及临床应用研究》文中研究指明国际癌症研究机构（international agency for research on cancer,IARC）2020 年发布的最新数据表明,乳腺癌首次正式取代肺癌成为全球第一大癌症。乳腺癌发病率持续上升,但值得庆幸的是,从1989年到2014年,乳腺癌的总体死亡率下降了 38%,这可能部分归因于乳腺癌筛查的持续开展。早期发现、早期诊断、早期治疗可以显着提高乳腺癌患者的生存率。乳腺影像学检查是乳腺癌筛查最重要的检查手段,并且高度依赖放射科医生的经验。以深度学习为基础的计算机辅助诊断（computer aided diagnosis,CAD）可以降低乳腺癌诊断过程中对放射科医生经验水平的依赖程度,提高其对恶性病灶的诊断率,减少漏诊,缩减诊断时间。目前基于人工智能的乳腺影像辅助诊断应用研究集中在乳腺病灶检出及病灶分类,总体来说,检出率及准确率在不断提高,但应用面仍不够广泛。本研究旨在紧贴临床实际需求,寻找乳腺影像筛查与人工智能的结合点,进一步拓展人工智能在乳腺影像辅助诊断中的应用范围。在乳腺癌影像筛查方面,目前有多种检查方法,如全视野数字化乳腺X射线摄影（full-field digital mammography,FFDM）、数字化乳腺断层摄影（digital breast tomosynthesis,DBT）、乳腺超声（ultrasound,US）、电子计算机断层扫描（computed tomography,CT）、磁共振（magnetic resonance,MR）及核医学检查。影像组学（radiomics）和深度学习（deep learning,DL）的兴起为CAD提供了新的思路和机会,让不同模态图像的CAD均获得性能的提升,但在临床应用层面,仍有一系列问题尚未解决。首先,乳腺X射线密度分类存在一定主观性且耗时耗力,由于诊断经验与水平的差异,不同放射科医生之间对乳腺X射线密度的判读存在一定的差异性,尤其是第5版BI-RADS分类中,b类散在纤维腺体类（乳腺内散在纤维腺体密度区域）与c类不均匀致密类（乳腺组织密度不均,可能使小的肿块被遮挡）的分类改为医生主观分类,不再是腺体百分比分类,导致分类的准确率及一致性较差,目前的算法大多针对百分比分类,难以满足临床需求。其次,在乳腺X射线摄影过程中,通常要获得一个乳腺的两个投照体位影像:头尾位（craniocaudal,CC）和内外侧斜位（mediolateral oblique,MLO）图像,因为它们能提供比单一投照图像更全面的诊断信息。在临床上,放射科医生通过观察对应的空间位置和特征相似性来匹配CC位和MLO位图像上的同一感兴趣区（region of interest,ROI）,在腺体遮蔽和乳腺压缩变形的情况下,这一任务的难度通常不低,需要有经验的放射科医生才能准确判断。因此,若能帮助放射科医生识别CC位和MLO位图像上对应的ROI位置信息,对于辅助医生发现和诊断乳腺病灶而言是非常有价值的。此外,微钙化和囊性或实性肿块是诊断乳腺肿瘤的重要特征。在FFDM和DBT上更容易发现钙化,肿块的囊性或实性则通过超声检查来判断更佳。然而FFDM和DBT检查都会给患者带来一定的辐射风险。如果能从超声图像上生成FFDM和DBT图像,可以在一定程度上给放射科医生提供更多的附加诊断信息,从而辅助医生提高诊断的准确率。最后,放射科医生通过观察乳腺X射线图像上肿块的密度、边缘、大小、形态及其伴随征象（如皮肤改变、周围小梁结构改变、淋巴结形态与密度等）对所发现的乳腺肿块做出定性诊断。乳腺肿块的形状一直被认为是预测恶性病灶的最重要的指标之一。另外,肿瘤区域内的密度和质地及邻近肿瘤的正常组织（normal tissue adjacent to the tumor,NAT）也在恶性病变预测中起到重要作用。乳腺肿块的诊断准确率受放射科医生的经验、年限影响,有可能会因为医生的个人经验与诊断水平不足而导致误诊。而利用深度学习对肿瘤及NAT进行联合建模,可以融合有效信息,提高分类性能。本文针对以上问题,运用机器学习及深度学习的方法,开展散在纤维腺体类与不规则致密类乳腺X射线密度分类、乳腺X射线图像双体位ROI匹配、超声图像-DBT图像虚拟生成、联合病灶和边缘区域病灶分类四个方面的研究。一、基于深度学习的散在纤维腺体类与不规则致密类乳腺X射线密度自动分类研究。从第5版BI-RADS对乳腺X射线密度的定义中,我们将4个分类中最难分辨的散在纤维腺体类（b类）、不均匀致密类（c类）单独提出来,基于CNN的方法实现对乳腺密度分类难度较大的b类及c类进行自动分类,并采用迁移学习、集成学习及结果可视化等方法改进模型性能。基于CNN的集成模型敏感度为0.82,特异度为0.96,准确率为0.89,AUC为0.95;使用迁移学习的集成模型敏感度为0.88,特异度为0.98,准确率为0.93,AUC为0.99。CNN集成模型分类的性能和一致性均较高。二、基于BP神经网络（back propagation neural network,BPNN）和 Faster R-CNN的乳腺X射线CC位和MLO位图像ROI对应匹配方法。我们提出一种基于BPNN和Faster R-CNN对乳腺X射线双体位图像ROI进行匹配的方法。与传统的采用直线型或弧线型模型对不同体位图像进行区域刚性匹配的ROI匹配方法不同,本部分研究采用BPNN对弧线型和直线型匹配区域进行组合构建匹配模型,以减小配准面积,配准面积越小,匹配敏感度越高,假阳性（falsepositive,FP）率越低。此外,使用Faster R-CNN定位匹配区域图像上ROI的对应位置,结果显示Faster R-CNN+VGG16在50%和75%重叠时的平均距离误差为4.58 mm,准确率分别为0.87和0.85。与其他方法相比,基于Faster R-CNN+VGG-16的ROI对应定位方法准确率更高、耗时更短。三、基于Dual Attention CycleGAN的超声图像与DBT图像虚拟生成。该章节中,我们提出了一种基于Dual Attention CycleGAN的超声图像至DBT图像生成的办法。该方法构造了一个由全卷积网络作为判别器的体系结构,它预测patch标签而不是传统的数字标签来区分真伪图像。对于生成网络,我们验证了不同的类U-net结构,并在实验性能上采用了 Dual Attention U-net（DA-Unet）,DA-Unet适合于CycleGAN的生成器结构,它可以获得较低的FID（Frechlet Inception Distance）得分:208.7。在放射科医生评价中,DA-Unet与真实DBT的效果相近,准确率为0.83,敏感度为0.71,特异度为0.90。通过客观指标和放射科医生的评价,证明我们提出的方法所合成的DBT图像与真实DBT图像具有一定的可比性。四、基于联合病灶和边缘区域的乳腺病灶分类研究。该章节中,以乳腺DBT病灶为例,采用深度学习和机器学习模型融合的方法,结合病灶和边缘区域信息模拟医生的决策过程。在信息融合后,分类性能获得提高。病灶及边缘区域融合后的AUC高达0.91。通过与医生对比,发现融合模型的性能与中年资放射科医生相当,优于低年资放射科医生,稍逊于高年资放射科医生。而在模型的辅助下,大多数放射科医生的对乳腺肿块的鉴别诊断能力得以提高。本研究对UNet、VGG-16、VGG-19、ResNet-50、DenseNet、SVM 等相关人工智能方法进行应用探索,并应用于解决散在纤维腺体类与不规则致密类乳腺密度分类、双体位乳腺X射线图像ROI匹配、乳腺超声图像-DBT图像虚拟生成及联合病灶和边缘区域乳腺X射线病灶分类等问题。研究结果表明人工智能的强大能力及无限潜力,将在乳腺影像辅助诊断领域继续发挥重要作用。
阮曙芬[4]（2021）在《属性加权多项式朴素贝叶斯算法及应用研究》文中研究指明随着科学技术的迅速发展,各专业领域的文本数据呈爆炸式增长趋势,如何从非结构化文本数据中挖掘出有用的信息成为一个挑战。文本分类作为处理和组织大量文本数据的关键技术,在各专业领域都有广泛的应用。常用的文本分类算法包括:朴素贝叶斯、决策树、支持向量机、深度学习等。其中多项式朴素贝叶斯由于其简单、计算高效的特点被广泛应用于文本分类问题。但是多项式朴素贝叶斯的一个主要假设是在给定文档类变量的情况下属性变量之间相互独立,这个假设在现实中往往难以成立。同时随着不断更新的文本数据呈现的各种新特征,如非线性结构、类别不平衡、数据冗余等,使得传统算法无法在分类精度和时间复杂度上达到理想的平衡效果。针对上述问题,本文从一般属性加权、类依赖属性加权、混合属性加权三个方面分别对多项式朴素贝叶斯文本分类算法进行了深入的研究。首先,围绕属性与类别的非线性关联问题,结合逆文档频率信息与深度属性加权思想,对距离相关系数进行改进,提出了一种基于改进距离相关系数的属性加权多项式朴素贝叶斯文本分类算法;其次,针对一般属性加权在加权过程中忽略属性对不同类别的贡献差异,引入类依赖属性加权思想,结合文本自身特点,对卡方统计理论进行扩展,提出了一种类依赖属性加权多项式朴素贝叶斯文本分类算法;然后,针对文本数据中属性与属性的冗余性问题,引入快速属性选择方法,结合扩展互信息理论,提出了一种混合属性选择与加权的多项式朴素贝叶斯文本分类算法;最后,研究了所提算法在地质文本数据分类中的实际应用。本文的主要研究内容如下:（1）提出了一种基于改进距离相关系数的属性加权多项式朴素贝叶斯文本分类算法（Improved Distance Correlation Coefficient-based Feature Weighted Multinomial Naive Bayes,IDCWMNB）。该算法在属性权值的设置过程中,从属性与类别之间的特征分布函数着手,结合文本数据自身异构的特点,通过引入逆文档频率对距离相关系数进行改进,提出了新的权值度量函数,改进后的权值度量函数更好地刻画了属性与类别之间的依赖关系。本文在大量标准文本分类数据集上比较了新算法与现有经典多项式朴素贝叶斯算法的分类性能。（2）提出了一种类依赖属性加权多项式朴素贝叶斯文本分类算法（ClassDependent Feature Weighted Multinomial Naive Bayes,CDFWMNB）。该算法引入类依赖思想,为每个属性在不同类别上设置了不同的权值。权值的度量综合考虑同一属性在不同类别中的分布情况,同一类别中不同属性的分布情况以及属性和类别的整体分布情况。相比传统的一维权值矢量,新算法产生的二维权值矩阵,包含信息更全面,描述更加精准。本文在大量标准文本分类数据集上比较了新算法与现有经典多项式朴素贝叶斯算法的分类性能。（3）提出了一种混合属性选择与加权的多项式朴素贝叶斯文本分类算法（Mixed Feature Selection and Weighting Multinomial Naive Bayes,MSWMNB）。该算法首先通过快速属性选择方法,过滤掉冗余属性,然后基于改进的互信息理论对所选属性进行加权。新算法的创新之一是,在属性选择和加权的过程中,评价函数均考虑了属性间的冗余性,且为了解决冗余性导致计算成本过高的问题,将快速属性选择思想引入文本分类问题;创新之二是,在属性加权过程中,结合词频信息和类别信息对互信息进行扩展,提出了新的权值度量标准。本文在大量标准文本分类数据集上比较了新算法与现有经典多项式朴素贝叶斯算法的分类性能。（4）研究了所提算法在地质文本数据分类中的实际应用。通过对工程地质勘查文本和矿产地质勘查文本进行分类,发现本文所提算法能在海量的专业文本数据中及时、准确地找到所需要的数据,挖掘蕴含在数据中的关联知识,适应多变的应用环境和专题检索的需求,比传统的多项式朴素贝叶斯文本分类算法效果更好。其结果可以为地质工程、地质矿产战略研究等提供知识支撑。
韩冰[5]（2021）在《泛在统计图表自动分类与信息提取方法研究》文中研究说明近年来,随着互联网、物联网和智能移动终端技术的飞速发展,泛在网络的广度与深度也随之增加,与之而来的就是泛在信息的爆发式增长。作为泛在信息的一种重要表现形式,泛在统计图表能将繁冗的统计数据以直观形象的形式展现出来,在地理信息表达和传输等领域应用广泛,其中包含了大量具有重要价值的信息,实现泛在统计图表中信息的智能解译可以为各种地图产品的具体应用提供数据支撑。泛在统计图表的数据格式为栅格型图像,因此可以依靠计算机视觉的相关技术完成对泛在统计图表的分类与信息提取工作。由于不同类别统计图表通过不同的图形对数据进行展示,因此进行泛在统计图表信息智能解译的基础是依据图形特征对泛在统计图表的自动分类,之后根据统计图表类型标签采用不同的信息提取方法。然而,由于泛在信息具有离散化、噪声大、模糊性强、非结构化等特征,现阶段依靠单一特征的分类与信息提取方法难以取得良好的效果。因此针对泛在信息的特征,研究适合泛在统计图表的自动分类与信息提取方法具有重要实用意义。本文在泛在统计图表的分类与信息提取方法方面开展深入研究,通过分析当前统计图表的分类与信息提取方法上存在的问题,提出了四类常见泛在统计图表的分类模型,并对泛在统计图表的视觉特征进行了归纳与总结,最后以柱状图表为例探索泛在统计图表的信息提取方法,论文主要工作如下:（1）对迁移学习相关理论进行了研究,建立了一种基于迁移学习的泛在统计图表自动分类模型,并通过参数优化与模型结构优化的方法对分类模型进行针对性改进。（2）针对泛在统计图表自动分类模型泛化性不足的问题,以地图符号的视觉变量理论为基础,对泛在统计图表视觉特征进行了定量描述,提出了一种考虑泛在统计图表视觉特征的数据增强方法,并采用该方法对泛在统计图表自动分类模型的训练数据集进行了数据增强。（3）对泛在统计图表的信息提取思路与流程进行了梳理,提出了一种基于Paddle OCR与色彩特征的泛在统计图表信息识别与提取方法,以柱状图表为例说明了各类信息提取算法的原理,并通过实验验证了算法的可行性。
唐忠[6]（2021）在《支持产品概念设计的专利知识挖掘方法及其原型系统研究》文中认为概念设计是产品创新的核心,是一种基于知识驱动的问题求解过程,其实质是对知识进行迁移和重组的过程。作为创新设计的产物,专利文献成为了一种新的激发设计者获得创新灵感的知识资源,它与产品创新活动关系最为密切。因此,如何从海量专利文献中挖掘并利用专利知识辅助概念设计就成为了产品创新设计的关键。专利文献的分类和检索是专利知识挖掘与支持产品概念设计的必要工具和重要研究内容。本论文以中文专利文献为研究对象,以获取产品概念设计所需知识为目的,从专利分类和专利知识检索的角度出发,对其中存在的一些关键问题和支持产品概念设计的方法与工具进行研究,提出了支持产品概念设计的专利知识挖掘新方法。本论文的主要研究内容如下:（1）根据现有概念设计求解过程模型的相关研究,对构成概念设计求解过程模型的设计元素信息进行分析,构建了专利知识辅助产品概念设计的需求-功能-原理-结构（Requirement-Function-Principle-Structure,RFPS）过程模型,建立了功能基来规范表达该模型中的功能,并对模型中各层的作用及其相互关系进行了详细的论述。（2）以现有的几种特征权重计算方法为例,首先分析并阐述了专利分类中如何合理地对测试集专利进行特征权重计算,并在此基础上提出了五种无监督特征权重计算方法。然后,针对目前有监督词语权重方法在专利分类方面表现出的不足,建立了一种融合词-文本-类别的多层次专利特征权重计算模型,并在此基础上,基于累积剩余熵提出了一种有监督词语权重方法。最后,针对无监督和有监督特征权重计算方法均未考虑词语之间的语义关系问题,构建了加权词向量并引入证据理论、圆周卷积和卷积神经网络来完成加权词向量的合成。更进一步地,为了解决传统向量空间模型存在的稀疏问题,提出了一种基于语义的向量空间模型来实现专利的特征权重计算。通过实验分别验证了所提方法的可行性和有效性。（3）根据专利中所蕴藏的设计知识的特点,分别用动名词词组（动词+名词对）、动词和名词代表专利中的功能知识、原理知识和结构知识,完成了专利知识的表示。以Stanford Corenlp为词性标注工具,阐述了专利知识的提取规则。针对专利中的附图知识,给出了从专利中提取专利附图的算法。建立了以专利标题和摘要为索引的专利知识组织与存储策略,为进一步地实现专利知识的检索提供了支持。（4）作为利用专利知识的必要工具之一,专利知识检索决定了专利知识应用（即迁移与重组）的效率与效果。针对关键词检索方法会出现使用同义词的现象以及关键词不能充分表达检索意图的问题,根据国际专利分类表（IPC）建立了意图单元来识别与理解检索意图,提出了基于IPC的专利知识检索方法,并详细阐述了该方法的计算流程。考虑到每个意图单元和每个专利中所包含的功能动词数不可能完全彼此相同,分别从IPC和专利中提取了完整的用于描述动作的功能动词集,进而定义了用于专利知识检索的功能绝对性指标,解决了专利知识检索中仅用余弦函数计算相似度存在的问题,提高了专利知识检索的准确性。（5）以前述理论研究为基础,开发了支持产品概念设计的专利知识挖掘原型系统（Patent Knowledge Mining Prototype System,PKMPS）。将PKMPS应用于压水型反应堆辐照样品孔塞的创新设计中,展示了PKMPS各功能模块的窗口布局,同时详细介绍了各功能模块的操作规则与使用方法。初步验证了PKMPS在辅助产品概念设计上的可行性和实用性。
何春柳[7]（2021）在《基于OCT影像的动脉粥样硬化斑块类型识别研究》文中进行了进一步梳理急性冠脉事件严重危害人们生命安全,动脉粥样硬化斑块突然破裂是其中的主要诱因。影像诊断学已经成为医学不可分割的重要组成部分,尤其是心脏病学介入影像技术,已成为临床诊疗的重要手段。光学相干断层成像（OCT）技术是目前空间分辨率最高的腔内介入影像学技术,可以提供高清晰的血管腔横断面图像。目前,基于OCT成像技术的临床诊断主要依赖心内科医生在OCT成像完成后,多次重复性回顾以及手工测量血管管腔的狭窄程度、纤维帽厚度、斑块组分等进而确定下一步的临床决策。这个过程繁琐,耗时且常常局限于测量者的差异性。因此,有必要开发基于OCT图像的斑块类型识别的自动化程序,从而更加客观地辅助临床诊断。本研究围绕OCT图像的动脉粥样硬化斑块类型识别这一目标,研究了基于OCT图像的几种常见滤波算法、冠脉血管管腔边界检测算法、斑块类型分类算法以及斑块组分分割算法。主要内容总结如下:比较分析了基于OCT图像的不同预处理算法,如滤波算法、管腔边界检测算法。本文将OCT图像中的散斑作为噪声处理,比较和分析了几种常见的图像滤波算法对散斑噪声去除效果的影响。比较结果表明,双边滤波算法在综合考虑计算时长和散斑去除效果时最优。血管管腔边界检测是基于OCT图像分析动脉粥样硬化斑块的重要步骤。本文采用动态规划算法检测管腔边界,结果表明,动态规划算法与手工方法的相关性较高（大于0.95）。开展了基于OCT图像的动脉粥样硬化斑块组分特征化方法的验证实验。本文利用OCT成像系统采集离体颈动脉组织的OCT图像,采集完图像之后,将颈动脉组织进行包埋、切片、染色等操作,获取相应的颈动脉组织学图像。依据组织学图像中的斑块组分注解OCT图像,随后提取OCT图像的形态学特征、光学衰减特征和相对位置信息特征,建立纤维、钙化以及脂质组分的特征化模型。研究结果表明,所发展方法实现了以组织学为金标准的斑块组分特征化的像素级分割精度:纤维组分（80.0%）,钙化组分（62.0%）和脂质组分（83.1%）。建立了ResNet-3D网络自动分类OCT回撤图像中钙化/非钙化组分图像。为了减少网络的训练时间和训练参数,本文将ResNet-2D网络架构中的二维卷积核全部转变为三维卷积核,并将其中的一维卷积核采用ResNet-2D网络的预训练参数初始化,剩下的两维卷积核采用零填充或者非零填充方式初始化。此外,本文还采用了两阶段训练法解决分类钙化/非钙化组分图像数据不平衡问题。最后,本文采用多数选举法评估了不同数目图像输入对ResNet-3D分类网络性能的影响。实验结果表明:ResNet-3D网络在钙化/非钙化组分图像上的分类性能明显优于ResNet-2D网络,ResNet-3D网络最好的F1-scores结果达到了96.1%±3.4%。建立了ResUnet分割网络自动评价富含脂质组分的OCT图像中的纤维帽厚度（FCT）。ResUnet的编码部分是ResNet-50网络架构,ResUnet网络的解码部分是U-Net网络的解码部分。为了减少分割模型的拟合误差,本文将ResNet-2D网络的训练参数填充ResUnet网络的编码部分。本文利用dice损失函数补偿由于纤维组分/脂质组分分布不平衡带给网络的偏差;此外,本文采用全连接的条件随机场（CRF）作为ResUnet网络分割之后的后处理步骤,经过CRF处理之后的结果作为最后的分割结果。结果表明,ResUnet网络和CRF后处理的Jaccard系数比U-Net网络提升2%（纤维组分）、7%（脂质组分）和3%（纤维组分）、10%（脂质组分）。在分割结果的基础上自动化测量纤维帽的厚度,就可以得到FCT所在的OCT图像帧。本文比较了不同的滤波算法对散斑噪声的抑制效果;比较和分析了动态规划算法和手工方法对冠脉血管管腔边界检测的影响;以组织学为金标准,验证了基于传统机器学习算法的斑块组分特征化训练模型;基于一段完整OCT回撤,比较和分析了2D/3D卷积神经网络在分类钙化组分/非钙化组分图像中的性能差异;以深度分割网络为基础,分析了不同坐标系图像在量化纤维帽厚度中的差异性。本文建立的基于OCT图像的斑块类型识别的自动化程序,有助于开发冠脉介入诊断工具,为临床诊断提供辅助。
石龙杰[8]（2020）在《基于机器视觉的汽车换挡面板自动分类与字符缺陷检测技术研究》文中研究指明汽车换挡面板起到标记档位字符和提高汽车内饰美观度的作用,在汽车报废后可以回收利用,但在回收前需要进行分类及字符缺陷检测。传统方法是通过人工对汽车换挡面板进行分类及字符缺陷检测,人工分类检测的主观性强,检测效率低下。机器视觉技术是实现工业自动化的重要手段之一,其应用领域包括但不限于产品的分类及缺陷检测。本文针对汽车换挡面板自动分类及字符缺陷检测的问题,提出了基于机器视觉技术的解决方案,主要研究工作如下:1.针对汽车换挡面板自动分类及字符缺陷检测效率低的问题,本文提出了基于机器视觉技术的汽车换挡面板自动分类及字符缺陷检测解决方案。首先研究了机器视觉系统的组成原理,完成了检测系统的搭建,通过分析汽车换挡面板图像的特点并结合自动分类和字符缺陷检测的要求,本文提出了一种有效的图像处理算法,同时对检测系统的软件和硬件进行选型,并对选型依据做出了详细阐述。2.针对汽车换挡面板图像预处理过程中目标检测的问题,本文提出了一种自适应的目标检测方案。首先使用Canny算子检测图像中汽车换挡面板的目标边缘,其次使用形态学开运算操作扩大目标区域范围并将目标区域转换成凸包。最后将凸包作为背景与原图像进行差分处理,进而完成汽车换挡面板图像目标的自适应检测。3.针对汽车换挡面板自动分类的问题,提出了一种基于形状特征的MLP模型自动分类方案。在完成图像目标检测的基础上,本方案进一步设计并提取了图像的9种形状特征,根据特征数量和样本种类构建一种基于MLP模型的网络结构,用于提取180幅典型的汽车换挡面板图像的特征并进行MLP模型训练,利用训练好的模型对汽车换挡面板进行分类,分类准确率达100%。4.针对汽车换挡面板字符缺陷检测的速率和精度问题,提出了一种基于仿射变换的形状模板字符匹配定位方法,完成字符定位后结合Blob分析实现字符缺陷检测。首先,使用无字符缺陷的图像建立形状模板,将分类后的图像仿射变换到模板图像的位置。然后,针对所定位的字符区域进行增强处理并使用OTSU方法二值化字符区域。最后,通过Blob分析获取每个字符的八连通区域内的像素数特征,根据特征差异得出检测结果并实现人机交互。结果表明,基于机器视觉技术的汽车换挡面板自动分类与字符缺陷检测方法能有效提高检测效率与准确率,在汽车换挡面板自动分类与字符缺陷检测领域具有一定的研究意义和实用价值。
郑志峰[9]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中研究说明随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
刘慧勇[10]（2020）在《基于DAS技术的车辆交通状态辨识与防碰撞预警研究》文中指出智能交通系统（Intelligent Transportation System,ITS）,是将先进的信息技术、传感器技术、电子控制技术、系统工程及人工智能技术等有效地综合运用、集成到交通管理中,从而实现保障安全、提高效率、改善环境、节约能源的先进交通系统。实现道路交通状态的智能管控与动态安全预警是道路智能交通系统建设的重要目标,而车辆交通状态的准确检测与辨识则是实现该目标的重要依据。因此,对道路交通状态辨识与车辆防碰撞预警问题的研究,已经成为道路智能交通系统研究领域广泛关注的重大课题。分布式光纤声学传感（Distributed Fiber Optic Acoustic Sensing,DAS）技术,以光纤作为传感传输媒介,是目前最先进的振动声学传感技术。DAS技术具有结构简单、使用方便、测量范围广、灵敏度高、动态范围大以及抗电磁干扰等明显优势。如何将DAS技术应用于车辆交通状态辨识的实际,并提出相应交通状态振动信号处理模型与算法,从而提高交通状态数据检测的准确率和安全性,是当前道路智能交通系统研究的一个重要方向。本论文基于分布式光纤声学传感技术,针对车辆交通状态辨识与防碰撞预警策略问题进行了选题研究。论文以交通状态理论和复杂信号分析理论作为基础,综合运用模式识别、参数估计和信号处理等多个学科方法,通过系统分析与实例实验仿真模拟相结合、定性分析与定量分析相结合,系统地探索如何基于DAS技术,解决交通状态实践过程中车辆交通状态辨识、车辆类型分类以及车辆防碰撞预警等具体问题。本文从这三个具体问题的需求特殊性和现实实践痛点出发,分别提出了基于DAS技术的车辆交通状态辨识模型、基于DAS技术的车辆类型特征参数辨识模型和基于DAS技术的车辆防碰撞预警策略。论文的主要研究内容及成果如下:（1）基于DAS技术的车辆交通状态辨识模型研究。与传统的车辆交通状态辨识模型不同,该模型是基于DAS技术构建检测系统,采用普通光纤电缆进行交通振动信号检测,可以在整个光纤链路覆盖范围内接收全分布式的振动信息,实现对范围内任意点的振动信号的检测和定位。该模型利用DAS技术获取交通振动数据,并且根据振动数据的特征改进了小波阈值算法和双阈值算法,前者实现了对振动数据的预处理,后者可以处理分析出振动信号的车辆交通状态并估计车辆速度。实验表明,在车辆计数试验中,单辆车通过检测区域的计数误差较小;当多辆车连续通过检测区域时的计数误差较大;在车速估计试验中,计算结果具有较好的精度,误差控制在5%以内。（2）基于DAS技术的车辆类型特征参数辨识模型研究。DAS技术具有对车辆振动信号分类方法维护成本低,且可实现更大规模车辆分类数据采集的特点,该模型利用传感光纤以分布式传感器形式采集交通振动信号,并通过相应的信号处理算法从信号中提取若干特征来识别车辆类别。在深入分析车辆分类问题的基础上,模型针对实验场景提出了车辆类型分类标准;在信号处理步骤上,本文提出了基于遗传算法的支持向量机算法（Support Vector Machine,SVM）,并以对比实验的方式对多种支持向量机算法进行了比较分析。结果表明这种改进型支持向量机算法能够降低分类误差。通过设计实际场景对模型进行实验,结果表明本文设计的基于DAS技术的分类检测器在进行车型分类时其精度大于70%。（3）基于DAS技术的车辆防碰撞预警策略研究。在对基于DAS技术的车辆交通状态辨识和车辆类型分类特征参数辨识模型研究的基础上,进一步对车辆防碰撞预警策略进行了深入研究。本部分提出了一种新型车辆防碰撞预警策略,与传统的预警策略区别在于该方案是一种基于DAS系统检测路段的全路段、全方位的车辆防碰撞预警策略,针对检测区域的车辆进行防碰撞预警。该安全策略中首先建立了适用于车辆防碰撞预警策略中的车辆安全距离模型,然后提出了一种综合考虑车辆运动、车辆位置、驾驶员行为、道路信息以及车辆类型的车辆防碰撞风险评估方法。最后,通过对防碰撞预警方案进行了仿真实验,验证了碰撞风险评估方法的准确性。仿真结果表明,该策略能有效地检测车辆碰撞风险,并及时给出准确的车辆防碰撞预警。（4）论文结合参加实际科研项目,对提出的模型与算法进行了实例实验和实证分析,研究成果对建立和完善基于DAS技术的车辆交通状态辨识理论体系具有重要参考价值,为实际规划和建设基于DAS技术的道路智能交通系统提供了科学依据。图49幅,表8个,参考文献216篇。
二、神经模糊技术在车型自动分类中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经模糊技术在车型自动分类中的应用（论文提纲范文）
（1）汽车前脸造型自动化关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 汽车前脸造型自动化关键技术 |
| 1.2.1 汽车造型设计 |
| 1.2.2 汽车前脸造型 |
| 1.2.3 造型图像自动化 |
| 1.3 主要工作 |
| 1.4 本章小结 |
| 2 汽车前脸自动分类与检测 |
| 2.1 汽车前脸分类 |
| 2.1.1 汽车前脸中的格式塔理论 |
| 2.1.2 汽车前脸造型分类 |
| 2.2 汽车前脸自动分类与检测 |
| 2.2.1 YOLO V3 网络 |
| 2.2.2 YOLO V5 网络 |
| 2.3 数值实验 |
| 2.3.1 汽车前脸检测数据库 |
| 2.3.2 基于YOLO算法的汽车前脸检测 |
| 2.4 本章小结 |
| 3 汽车前脸特征点提取 |
| 3.1 特征点提取算法 |
| 3.1.1 基于级联的人脸关键点检测算法 |
| 3.1.2 ResNet算法概述 |
| 3.2 特征点定义 |
| 3.3 数值实验 |
| 3.4 本章小结 |
| 4 汽车前脸设计空间漫游 |
| 4.1 图像形变技术 |
| 4.2 汽车前脸设计空间漫游 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）基于多头注意力RCNN网络的电力设备缺陷文本分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题的研究现状 |
| 1.2.1 自然语言处理技术的发展趋势及应用 |
| 1.2.2 自然语言处理技术在电力系统文本中的应用研究 |
| 1.3 论文主要工作 |
| 第二章 文本数据预处理 |
| 2.1 电力设备缺陷描述文本来源 |
| 2.2 电力设备缺陷描述文本特点 |
| 2.3 文本预处理 |
| 2.3.1 中文分词 |
| 2.3.2 去停用词 |
| 2.4 文本的表示方法 |
| 2.4.1 词袋模型 |
| 2.4.2 词嵌入模型 |
| 2.5 本章小结 |
| 第三章 基于多头注意力RCNN网络的文本分类方法 |
| 3.1 多头注意力机制 |
| 3.2 循环神经网络文本分类模型(Text-RNN) |
| 3.2.1 循环神经网络(RNN) |
| 3.2.2 双向循环神经网络文本分类模型(Text-Bi-RNN) |
| 3.3 卷积神经网络文本分类模型(Text-CNN) |
| 3.4 循环卷积神经网络文本分类模型(Text-RCNN) |
| 3.5 多头注意力循环卷积神经网络文本分类模型(Text-MAT-RCNN)搭建 |
| 3.6 本章小结 |
| 第四章 模型实验分析及应用 |
| 4.1 样本分布情况与分类的评价指标 |
| 4.1.1 样本的分布情况 |
| 4.1.2 分类评价指标 |
| 4.2 实验环境介绍 |
| 4.3 实验与分析 |
| 4.3.1 模型的参数设置 |
| 4.3.2 多头注意力超参数取值研究 |
| 4.3.3 模型泛化能力研究 |
| 4.3.4 与传统文本分类模型性能对比实验 |
| 4.3.5 与CNN、RNN、RCNN模型对比实验 |
| 4.3.6 注意力可视化 |
| 4.4 模型的应用 |
| 4.4.1 自动定级流程 |
| 4.4.2 算例分析 |
| 4.5 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 |
| 攻读硕士学位期间取得的研究成果 |
（3）乳腺X射线图像智能辅助诊断方法及临床应用研究（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 中国乳腺癌筛查面临的挑战 |
| 1.2.1 中国乳腺癌流行病学现状 |
| 1.2.2 乳腺癌影像诊断与筛查现状 |
| 1.3 影像组学与深度学习应用现状 |
| 1.3.1 影像组学技术基础 |
| 1.3.2 深度学习技术原理 |
| 1.4 人工智能技术在乳腺影像辅助诊断中的应用 |
| 1.4.1 乳腺X射线密度评估中的应用 |
| 1.4.2 乳腺X射线双体位图像ROI匹配中的应用 |
| 1.4.3 图像虚拟生成中的应用 |
| 1.4.4 病灶分类中的应用 |
| 1.5 课题的主要研究内容和组织结构 |
| 第二章 散在纤维腺体类与不规则致密类乳腺X射线图像自动分类研究 |
| 2.1 引言 |
| 2.2 方法和材料 |
| 2.2.1 深度学习模型构建 |
| 2.2.2 轮廓提取和分割 |
| 2.2.3 训练策略 |
| 2.2.4 CAM特征可视化 |
| 2.2.5 实验指标 |
| 2.2.6 放射科医生评估 |
| 2.2.7 数据收集 |
| 2.3 实验结果 |
| 2.3.1 CNN模型结果 |
| 2.3.2 使用迁移学习的CNN模型结果 |
| 2.3.3 CAM结果 |
| 2.3.4 CNN分类模型与临床评估对比分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 基于BPNN和Faster R-CNN的双体位乳腺X射线图像ROI匹配方法 |
| 3.1 引言 |
| 3.2 方法和材料 |
| 3.2.1 基于BPNN的弧型或直型条带匹配 |
| 3.2.2 用Faster R-CNN进行ROI匹配 |
| 3.2.3 临床资料采集 |
| 3.3 实验结果 |
| 3.3.1 基于BPNN的条带匹配结果 |
| 3.3.2 Faster R-CNN的ROI匹配结果 |
| 3.4 计论 |
| 3.5 小结 |
| 第四章 基于Dual Attention CycleGAN的乳腺超声图像到DBT图像虚拟生成研究 |
| 4.1 引言 |
| 4.2 方法和材料 |
| 4.2.1 基于CycleGAN框架的技术方案 |
| 4.2.2 判别器网络体系结构 |
| 4.2.3 超声图像和DBT图像的范围选择 |
| 4.2.4 实施细节 |
| 4.3 结果 |
| 4.3.1 定量评价指标 |
| 4.3.2 放射科医生评估 |
| 4.3.3 定性评价结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 联合病灶和边缘区域的DBT图像病灶分类研究 |
| 5.1 引言 |
| 5.2 方法和材料 |
| 5.2.1 联合深度学习框架 |
| 5.2.2 病灶及边缘区域定义 |
| 5.2.3 VGG-16网络简介 |
| 5.2.4 预测模型构建 |
| 5.2.5 训练过程及评价指标 |
| 5.2.6 数据收集 |
| 5.2.7 病灶勾画 |
| 5.3 实验结果 |
| 5.3.1 模型评估结果 |
| 5.3.2 模型与医生对比结果 |
| 5.4 讨论 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 研究成果与总结 |
| 6.2 未来工作展望 |
| 附录 各模型分类评价指标 |
| 参考文献 |
| 攻读博士期间的研究成果 |
| 发表期刊或会议论文 |
| 申请及获得专利 |
| 主持课题 |
| 致谢 |
（4）属性加权多项式朴素贝叶斯算法及应用研究（论文提纲范文）
| 作者简历 |
| 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 |
| 1.2.1 文本分类的发展历史 |
| 1.2.2 文本分类的研究现状 |
| 1.3 论文的研究内容和创新点 |
| 1.4 论文技术路线及结构安排 |
| 第二章 多项式朴素贝叶斯文本分类算法 |
| 2.1 引言 |
| 2.2 文本分类简介 |
| 2.2.1 文本预处理 |
| 2.2.2 文本数据表示 |
| 2.2.3 属性降维 |
| 2.3 朴素贝叶斯文本分类算法 |
| 2.3.1 朴素贝叶斯模型 |
| 2.3.2 朴素贝叶斯文本分类算法 |
| 2.4 拓展的多项式朴素贝叶斯文本分类算法 |
| 本章小结 |
| 第三章 属性加权多项式朴素贝叶斯文本分类算法 |
| 3.1 引言 |
| 3.2 属性加权方法 |
| 3.3 基于改进距离相关系数的属性加权多项式朴素贝叶斯算法 |
| 3.3.1 距离相关系数 |
| 3.3.2 改进的距离相关系数 |
| 3.3.3 基于改进距离相关系数的文本分类算法 |
| 3.4 实验设计与结果分析 |
| 3.4.1 实验平台 |
| 3.4.2 模型评估 |
| 3.4.3 实验设计 |
| 3.4.4 结果分析 |
| 本章小结 |
| 第四章 类依赖属性加权的多项式朴素贝叶斯文本分类算法 |
| 4.1 引言 |
| 4.2 类依赖属性加权方法 |
| 4.3 基于改进卡方统计的类依赖属性加权多项式朴素贝叶斯算法 |
| 4.3.1 卡方统计加权算法 |
| 4.3.2 改进的卡方统计加权算法 |
| 4.3.3 基于改进卡方统计的文本分类算法 |
| 4.4 实验设计与结果分析 |
| 4.4.1 实验设计 |
| 4.4.2 结果分析 |
| 本章小结 |
| 第五章 混合属性选择与加权的多项式朴素贝叶斯文本分类算法 |
| 5.1 引言 |
| 5.2 属性选择方法 |
| 5.3 基于改进互信息的混合属性选择与加权多项式朴素贝叶斯算法 |
| 5.3.1 基于互信息的属性选择算法 |
| 5.3.2 基于改进互信息的属性选择算法 |
| 5.3.3 基于改进互信息的快速属性选择算法 |
| 5.3.4 基于改进互信息的混合属性选择与加权文本分类算法 |
| 5.4 实验设计和结果分析 |
| 5.4.1 实验设计 |
| 5.4.2 结果分析 |
| 本章小结 |
| 第六章 改进算法在地质文本数据分类中的应用 |
| 6.1 引言 |
| 6.2 工程地质勘查文本分类 |
| 6.2.1 应用背景 |
| 6.2.2 数据来源与预处理 |
| 6.2.3 词云分析 |
| 6.2.4 实验设计和结果分析 |
| 6.3 矿产地质勘查文本分类 |
| 6.3.1 应用背景 |
| 6.3.2 实验数据及预处理 |
| 6.3.3 实验设计和结果分析 |
| 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（5）泛在统计图表自动分类与信息提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 统计图表手工分类与信息表达研究 |
| 1.2.2 基于浅层特征的统计图表自动分类与信息提取研究 |
| 1.2.3 基于深度学习的统计图表智能分类与信息提取研究 |
| 1.2.4 统计图表数据集研究现状 |
| 1.2.5 研究现状评述 |
| 1.3 研究内容与组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 泛在统计图表自动分类与信息提取的技术基础 |
| 2.1 泛在统计图表的类型与特征 |
| 2.2 泛在统计图表自动分类与信息提取技术 |
| 2.2.1 泛在统计图表自动分类技术 |
| 2.2.2 泛在统计图表信息提取技术 |
| 2.3 泛在统计图表自动分类与信息提取技术框架 |
| 2.4 本章小结 |
| 第三章 基于迁移学习的泛在统计图表自动分类 |
| 3.1 基于Inception V3 迁移学习的泛在统计图表自动分类方法 |
| 3.1.1 迁移学习方法基本原理 |
| 3.1.2 基于Inception V3 迁移学习的泛在统计图表自动分类模型 |
| 3.1.3 泛在统计图表自动分类实验 |
| 3.2 泛在统计图表自动分类模型的参数优化 |
| 3.2.1 学习率参数优化原理 |
| 3.2.2 泛在统计图表自动分类模型参数优化实验 |
| 3.3 泛在统计图表自动分类模型的结构优化 |
| 3.3.1 泛在统计图表自动分类模型结构优化原理 |
| 3.3.2 泛在统计图表自动分类模型结构优化实验 |
| 3.4 本章小结 |
| 第四章 考虑视觉特征的泛在统计图表数据增强 |
| 4.1 泛在统计图表视觉特征的定量描述 |
| 4.1.1 泛在统计图表视觉特征的分类及影响因素 |
| 4.1.2 基于视觉变量理论的泛在统计图表视觉特征描述方法 |
| 4.1.3 泛在统计图表视觉特征的参数化 |
| 4.2 泛在统计图表视觉特征增强方法 |
| 4.2.1 泛在统计图表视觉特征增强方法设计思路 |
| 4.2.2 泛在统计图表视觉特征参数值统计结果 |
| 4.2.3 泛在统计图表视觉特征参数值的聚类与分析 |
| 4.2.4 泛在统计图表特征增强训练集的构建 |
| 4.3 实验与分析 |
| 4.3.1 实验环境及参数设置 |
| 4.3.2 数据增强必要性论述实验 |
| 4.3.3 数据增强方法对比试验 |
| 4.3.4 常见分类模型适应性实验 |
| 4.3.5 各类视觉特征对分类结果影响规律实验 |
| 4.4 本章小结 |
| 第五章 基于Paddle OCR与色彩特征的泛在图表信息提取 |
| 5.1 泛在统计图表信息提取框架 |
| 5.1.1 泛在统计图表信息提取思路 |
| 5.1.2 泛在统计图表信息提取流程 |
| 5.2 柱状图表信息提取方法 |
| 5.2.1 结构信息提取方法 |
| 5.2.2 文字信息提取方法 |
| 5.2.3 属性信息提取方法 |
| 5.3 柱状图表信息提取实验与分析 |
| 5.3.1 实验环境及数据描述 |
| 5.3.2 结构信息提取实验 |
| 5.3.3 文字信息提取实验 |
| 5.3.4 属性信息提取实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结与创新点 |
| 6.1.1 论文主要工作 |
| 6.1.2 论文创新点 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（6）支持产品概念设计的专利知识挖掘方法及其原型系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 产品概念设计概述 |
| 1.2.1 产品创新设计相关概念 |
| 1.2.2 概念设计的内涵 |
| 1.2.3 概念设计过程模型的研究 |
| 1.3 辅助产品创新设计的功能基和专利知识研究 |
| 1.3.1 产品功能的定义与表达 |
| 1.3.2 功能基支持产品创新设计的研究 |
| 1.3.3 基于专利知识辅助产品创新设计的研究 |
| 1.4 面向产品创新设计的专利分类与检索研究 |
| 1.4.1 面向产品创新设计的专利分类研究 |
| 1.4.2 面向产品创新设计的专利检索研究 |
| 1.5 存在的主要问题与本论文研究的技术路线 |
| 1.5.1 存在的主要问题 |
| 1.5.2 本论文研究的技术路线 |
| 1.6 论文的体系架构与主要研究内容 |
| 2 专利知识辅助产品概念设计过程模型及其关键技术 |
| 2.1 引言 |
| 2.2 基于功能基的概念设计求解过程模型 |
| 2.2.1 功能基的建立 |
| 2.2.2 建立基于功能基的概念设计求解过程模型 |
| 2.3 专利知识辅助产品概念设计过程模型 |
| 2.4 基于功能基的专利分类关键技术 |
| 2.4.1 专利获取及其标签设定 |
| 2.4.2 专利成分选择及预处理 |
| 2.4.3 特征选择与专利向量化表示模型 |
| 2.4.4 专利分类算法与分类性能评价 |
| 2.5 本章小结 |
| 3 基于功能基的专利分类特征权重计算方法研究 |
| 3.1 引言 |
| 3.2 专利分类中测试集专利特征权重计算方法分析 |
| 3.2.1 现有的无监督特征权重计算方法分析 |
| 3.2.2 现有的有监督特征权重计算方法分析 |
| 3.3 无监督的专利特征权重计算方法 |
| 3.4 有监督的专利特征权重计算方法 |
| 3.4.1 融合词-文本-类别的多层次专利特征权重计算模型 |
| 3.4.2 基于累积剩余熵的专利特征权重计算 |
| 3.5 基于语义的专利特征权重计算方法 |
| 3.5.1 词向量模型及基于词向量的专利特征权重计算 |
| 3.5.2 基于加权词向量的专利特征权重计算 |
| 3.5.3 基于证据理论的专利特征权重计算 |
| 3.5.4 基于圆周卷积的专利特征权重计算 |
| 3.5.5 基于卷积神经网络的专利特征权重计算 |
| 3.5.6 基于语义向量空间模型的专利特征权重计算 |
| 3.6 实验设计及结果分析 |
| 3.6.1 无监督的专利特征权重计算结果与分析 |
| 3.6.2 有监督的专利特征权重计算结果与分析 |
| 3.6.3 基于语义的专利特征权重计算结果与分析 |
| 3.7 本章小结 |
| 4 支持产品概念设计的专利知识挖掘与检索方法研究 |
| 4.1 引言 |
| 4.2 专利知识表示及其提取规则 |
| 4.2.1 专利知识的表示 |
| 4.2.2 专利知识的提取规则 |
| 4.3 基于国际专利分类表的专利知识检索意图识别与理解方法 |
| 4.3.1 问题的提出 |
| 4.3.2 建立基于国际专利分类表的意图单元 |
| 4.4 基于国际专利分类表的专利知识检索方法 |
| 4.4.1 功能动词的建立 |
| 4.4.2 基于国际专利分类表的专利知识检索流程 |
| 4.5 本章小结 |
| 5 支持产品概念设计的专利知识挖掘原型系统及其应用实例 |
| 5.1 引言 |
| 5.2 系统开发环境及总体框架 |
| 5.2.1 系统开发环境 |
| 5.2.2 系统总体框架 |
| 5.3 专利知识挖掘原型系统开发及其应用实例 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
（7）基于OCT影像的动脉粥样硬化斑块类型识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 动脉粥样硬化 |
| 1.1.1 动脉粥样硬化的病理 |
| 1.1.2 易损斑块 |
| 1.2 动脉粥样硬化的影像学检测技术 |
| 1.2.1 非侵入性-无创成像技术 |
| 1.2.1.1 B型超声 |
| 1.2.1.2 计算机断层扫描技术 |
| 1.2.1.3 核磁共振成像技术 |
| 1.2.1.4 正电子发射断层成像技术 |
| 1.2.1.5 非侵入影像学技术的应用及优缺点 |
| 1.2.2 侵入性-微创成像技术 |
| 1.2.2.1 冠状动脉造影 |
| 1.2.2.2 血管内窥镜 |
| 1.2.2.3 近红外光谱技术 |
| 1.2.2.4 血管内超声 |
| 1.2.2.5 血管内相干断层成像技术 |
| 1.2.2.6 侵入性影像学技术的应用及优缺点 |
| 1.3 血管内OCT图像分析技术的研究现状 |
| 1.3.1 血管内OCT图像血管管腔边界检测 |
| 1.3.2 动脉粥样硬化组分分类 |
| 1.3.3 动脉粥样硬化斑块组分特征化 |
| 1.4 研究目标及主要贡献 |
| 1.5 论文章节安排 |
| 第二章 血管内OCT成像基础 |
| 2.1 光与生物组织相互作用 |
| 2.1.1 生物组织光学基础 |
| 2.1.1.1 吸收系数 |
| 2.1.1.2 散射系数 |
| 2.1.1.3 相函数与各向异性散射 |
| 2.1.1.4 光学相干断层扫描:多次散射 |
| 2.1.2 生物组织中的光传输理论 |
| 2.2 血管内OCT成像技术的基本原理 |
| 2.2.1 光学原理 |
| 2.2.2 光学扫描方式 |
| 2.2.3 计算机重建图像 |
| 2.3 OCT成像系统:成像导管与成像程序 |
| 2.4 冠脉动脉粥样硬化斑块的OCT图像特征 |
| 2.4.1 正常冠脉的OCT图像特征 |
| 2.4.2 动脉粥样硬化斑块的OCT图像特征 |
| 2.5 本章小结 |
| 第三章 OCT影像的预处理方法 |
| 3.1 散斑噪声去除 |
| 3.1.1 空间域去噪算法 |
| 3.1.1.1 局部滤波 |
| 3.1.1.2 非局部滤波 |
| 3.1.2 变换域去噪算法 |
| 3.1.3 混合方法 |
| 3.1.4 去噪效果评价 |
| 3.1.5 去噪算法的参数选择 |
| 3.1.6 去噪结果分析 |
| 3.2 血管管腔边界检测 |
| 3.2.1 血管管腔边界检测研究现状 |
| 3.2.2 血管管腔边界DP检测算法 |
| 3.2.3 管腔边界检测算法评价指标 |
| 3.2.4 血管管腔边界检测结果与讨论 |
| 3.3 本章小结 |
| 第四章 基于OCT图像的动脉粥样硬化组织表征:体外验证 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 颈动脉组织获取 |
| 4.2.2 OCT图像采集和预处理 |
| 4.2.3 组织学图像分析 |
| 4.2.3.1 OCT图像与组织学图像配准 |
| 4.2.3.2 OCT图像注解 |
| 4.2.3.3 斑块组分注解的可重复性 |
| 4.2.4 逐像素特征提取 |
| 4.2.4.1 光学参数 |
| 4.2.4.2 纹理特征 |
| 4.2.5 随机森林分类器 |
| 4.2.6 评价标准 |
| 4.2.7 实施细节 |
| 4.3 结果 |
| 4.3.1 组织学和OCT图像配准结果 |
| 4.3.2 可重复性结果 |
| 4.3.3 颈动脉斑块组分自动分类结果 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第五章 基于3D卷积神经网络自动分类OCT回撤中的钙化组分图像 |
| 5.1 引言 |
| 5.2 钙化组分的量化和特征化的相关工作 |
| 5.3 方法 |
| 5.3.1 OCT数据集 |
| 5.3.2 OCT图像预处理 |
| 5.3.2.1 2D网络架构 |
| 5.3.2.2 双路残差网络架构 |
| 5.3.2.3 ResNet-3D网络架构 |
| 5.3.3 损失函数 |
| 5.3.4 网络训练 |
| 5.3.4.1 ResNet-2D网络训练 |
| 5.3.4.2 ResNet-3D网络训练 |
| 5.3.4.3 双路网络 |
| 5.3.5 训练参数细节 |
| 5.3.6 评价准则 |
| 5.4 分类结果 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 基于OCT图像的深度卷积网络自动评价纤维帽厚度 |
| 6.1 引言 |
| 6.2 LFCT自动化量化的相关工作 |
| 6.3 方法论 |
| 6.3.1 数据集 |
| 6.3.2 OCT图像预处理 |
| 6.3.3 卷积神经网络 |
| 6.3.3.1 ResUNet网络 |
| 6.3.3.2 全连接CRF |
| 6.3.4 斑块组分注解 |
| 6.3.5 LFCT测量 |
| 6.3.6 损失函数 |
| 6.3.7 算法细节 |
| 6.3.7.1 训练 |
| 6.3.8 评价准则 |
| 6.4 分割结果 |
| 6.4.1 U-Net网络分割结果 |
| 6.4.2 ResUnet网络分割结果及CRF后处理结果 |
| 6.4.3 LFCT结果 |
| 6.5 讨论 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 论文工作总结 |
| 7.2 论文不足和展望 |
| 致谢 |
| 博士期间发表论文 |
| 参考文献 |
（8）基于机器视觉的汽车换挡面板自动分类与字符缺陷检测技术研究（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 研究背景 |
| 1.1.2 研究意义 |
| 1.2 机器视觉在汽车零部件检测中的应用 |
| 1.2.1 机器视觉在汽车零部件自动分类中的应用 |
| 1.2.2 机器视觉在汽车零部件缺陷检测中的应用 |
| 1.3 课题研究内容 |
| 第2章 面板自动分类及字符缺陷检测系统设计 |
| 2.1 机器视觉检测系统概述 |
| 2.2 检测系统需求分析及框架设计 |
| 2.3 检测系统硬件选型 |
| 2.3.1 相机选型 |
| 2.3.2 镜头选型 |
| 2.3.3 光源选型 |
| 2.4 检测系统软件设计 |
| 2.4.1 Halcon软件概述 |
| 2.4.2 图像处理算法设计 |
| 2.5 本章小结 |
| 第3章 汽车换挡面板图像目标检测 |
| 3.1 目标检测常用算法 |
| 3.1.1 帧间差分法 |
| 3.1.2 背景差分法 |
| 3.1.3 深度学习目标检测 |
| 3.2 汽车换挡面板目标检测算法 |
| 3.2.1 边缘检测 |
| 3.2.2 形态学操作 |
| 3.2.3 图像裁剪 |
| 3.3 本章小结 |
| 第4章 汽车换挡面板自动分类 |
| 4.1 汽车换档面板图像特征分析 |
| 4.2 汽车换挡面板图像特征提取 |
| 4.3 图像分类常用算法 |
| 4.3.1 KNN算法 |
| 4.3.2 SVM分类器 |
| 4.3.3 MLP分类器 |
| 4.4 实验过程及结果分析 |
| 4.4.1 实验过程 |
| 4.4.2 识别评价指标 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第5章 汽车换挡面板字符识别及缺陷检测 |
| 5.1 汽车换挡面板字符缺陷特征分析与算法设计 |
| 5.2 字符区域的模板匹配 |
| 5.2.1 基于灰度值的模板匹配 |
| 5.2.2 基于相关性的模板匹配 |
| 5.2.3 基于形状的模板匹配 |
| 5.2.4 创建字符区域形状模板 |
| 5.3 汽车换挡面板字符提取 |
| 5.3.1 图像仿射变换 |
| 5.3.2 定位字符区域 |
| 5.3.3 字符区域二值化 |
| 5.4 字符识别与缺陷检测 |
| 5.4.1 Blob分析 |
| 5.4.2 缺陷检测 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第6章 系统界面设计与测试 |
| 6.1 检测系统操作界面设计 |
| 6.2 实验测试 |
| 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 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
（9）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于DAS技术的车辆交通状态辨识与防碰撞预警研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 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 国内外研究现状 |
| 1.2.1 交通流量检测器研究现状 |
| 1.2.2 车辆类型分类研究现状 |
| 1.2.3 车辆防碰撞预警策略研究现状 |
| 1.2.4 既有研究评价 |
| 1.3 本文主要研究内容与思路 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架及技术路线 |
| 2 分布式光纤声学传感技术及信号处理相关理论 |
| 2.1 分布式光纤声学传感技术的检测原理及系统设置 |
| 2.1.1 分布式光纤声学传感技术的基本检测原理 |
| 2.1.2 分布式光纤声学传感技术的系统设计 |
| 2.2 交通状态辨识的信号处理相关理论 |
| 2.2.1 小波阈值信号处理去噪算法 |
| 2.2.2 双阈值信号处理算法 |
| 2.2.3 支持向量机信号处理算法 |
| 2.3 本章小结 |
| 3 基于DAS技术的车辆交通状态辨识模型研究 |
| 3.1 引言 |
| 3.2 道路交通状态辨识参数分析 |
| 3.2.1 道路交通流量参数 |
| 3.2.2 道路交通车辆速度参数 |
| 3.2.3 道路交通占有率参数 |
| 3.3 基于DAS技术的车辆交通状态辨识模型设计 |
| 3.3.1 改进型小波阈值去噪信号处理算法的研究 |
| 3.3.2 改进型双阈值车辆检测信号处理算法的研究 |
| 3.3.3 车辆速度参数估计算法的研究 |
| 3.4 实例分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果和讨论 |
| 3.5 本章小结 |
| 4 基于DAS技术的车辆类型特征参数辨识模型研究 |
| 4.1 引言 |
| 4.2 基于DAS技术的车辆类型分类问题分析 |
| 4.2.1 车辆类型分类标准及振动信号特征分析 |
| 4.2.2 车辆类型分类特征参数辨识基本原理 |
| 4.3 基于DAS技术的车辆类型特征参数辨识模型设计 |
| 4.3.1 车辆特征提取方法 |
| 4.3.2 车辆分类模式识别算法 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 基于DAS技术的车辆防碰撞预警策略研究 |
| 5.1 引言 |
| 5.2 车辆安全距离模型建立 |
| 5.2.1 车辆安全距离建模目的 |
| 5.2.2 车辆制动过程行驶距离建模分析 |
| 5.3 基于DAS技术的车辆防碰撞预警策略方案 |
| 5.3.1 防碰撞问题描述 |
| 5.3.2 防碰撞车辆检测方法 |
| 5.3.3 防碰撞车辆跟踪模型及算法 |
| 5.3.4 防碰撞预警策略判决模型 |
| 5.4 基于DAS技术的车辆防碰撞安全预警策略的仿真与分析 |
| 5.4.1 仿真与评估分析 |
| 5.4.2 实验结果及讨论 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究结论及创新点 |
| 6.2 论文工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、神经模糊技术在车型自动分类中的应用（论文参考文献）
- [1]汽车前脸造型自动化关键技术研究[D]. 金田. 大连理工大学, 2021(01)
- [2]基于多头注意力RCNN网络的电力设备缺陷文本分类方法研究[D]. 陆世豪. 广西大学, 2021(12)
- [3]乳腺X射线图像智能辅助诊断方法及临床应用研究[D]. 秦耿耿. 南方医科大学, 2021
- [4]属性加权多项式朴素贝叶斯算法及应用研究[D]. 阮曙芬. 中国地质大学, 2021(02)
- [5]泛在统计图表自动分类与信息提取方法研究[D]. 韩冰. 战略支援部队信息工程大学, 2021(01)
- [6]支持产品概念设计的专利知识挖掘方法及其原型系统研究[D]. 唐忠. 四川大学, 2021(12)
- [7]基于OCT影像的动脉粥样硬化斑块类型识别研究[D]. 何春柳. 东南大学, 2021(02)
- [8]基于机器视觉的汽车换挡面板自动分类与字符缺陷检测技术研究[D]. 石龙杰. 浙江科技学院, 2020(03)
- [9]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [10]基于DAS技术的车辆交通状态辨识与防碰撞预警研究[D]. 刘慧勇. 北京交通大学, 2020(06)