一、实验观测数据的最优正则平滑方法（论文文献综述）
罗树林[1]（2021）在《基于高通量计算与机器学习的材料设计方法与软件的开发与应用》文中研究表明随着第一性原理密度泛函理论的不断发展,以高通量计算、晶体结构预测为代表的材料设计方法在材料研究中的地位正在快速上升。第一性原理高通量计算,可以大规模搜索材料相空间,发现新的材料、性质及原理。近年来,以人工智能图像识别等技术为突破口,机器学习算法快速应用在多个不同的学科领域。机器学习与材料设计方法的交叉融合,在新材料、新的构效规律、设计原则等的发现上取得了显着的进展,进一步刺激了众多科研力量的持续关注。实现高通量计算等材料设计方法与机器学习算法的有效结合,依赖于开发新的算法及软件基础架构。如何高效地产生、收集、管理、学习和挖掘大规模材料数据,是当前该研究方向涉及的算法开发及软件设计过程中面临的主要难点。针对以上问题,我们发展了三个基于高通量计算与机器学习的计算方法与软件,并将其应用于一些典型半导体光电材料物性的研究,取得了以下创新性成果或进展:（1）参与开发了人工智能辅助、数据驱动的高通量计算材料设计软件JAMIP（Jilin Artificial-intelligence aided Materials-design Integrated Package）中的晶体结构数据读写模块的核心算法及结构原型数据库接口,并对JAMIP做了千百级高通量计算任务测试。材料晶体结构信息的保存具有多种不同的数据格式。正确读取,写入这些不同类型的结构文件,是材料设计软件开发中的重要任务之一。我们针对不同结构文件,设计开发了结构文件读写算法。特别重要的是,对各种非标准格式的晶体学信息文件（CIF）,现有其他发布的同类算法存在无法正确识别所有非标准类型的CIF文件的问题,我们设计并发展了新的自适应算法来处理这些不同类型的非标准CIF文件,确保结构读写模块的更广泛的普适性。同时,我们开发了JAMIP软件的晶体结构原型数据库接口及配套工具,方便高通量结构建模及计算。此外,我们还对开发的JAMIP材料设计软件,开展了百千级高通量计算任务测试,验证了软件的可靠性。（2）发展了一种基于人工智能聚类算法的结构原型生成算法及软件SPGI（Structure Prototype Generator Infrastructure）,并用此软件创建了一个大型无机晶体结构原型数据库LAE-ICSPD（Local Atomic Environment based Inorganic Crystal Structure Prototype Database）。通常,高通量计算方法是基于一些结构原型,进行候选元素替换,通过批量计算来快速筛选潜在的候选材料。因此,高质量、高独占性的结构原型数据库对于高通量计算具有重要的实际使用价值。晶体的原子局域环境编码了晶体结构的所有原子配置信息,能很好地代表结构的独占性。我们开发了一种新的人工智能晶体结构原型生成软件SPGI,其基于无监督学习策略,以晶体结构的局域原子环境作为描述符,对所有实验上已合成的无机晶体结构做聚类分析,从中挑选出来了15613个结构原型,并以此构造了一个大型无机晶体结构原型数据库LAE-ICSPD,为高通量计算或机器学习等材料设计方法提供所需的晶体结构原型数据。（3）发展了一种新的、可逆推回晶体结构的晶体结构表征方法,并基于此结构表征方法设计了一种基于高通量计算和机器学习算法的逆向晶体结构预测策略。基于晶体结构投影分解算法,我们发展了一种新的可逆推回晶体结构的结构表征方法“二维切片格点图”。其核心思想是:对三维晶体结构做切片投影处理,将属于同一平面上的原子“切片”（投影）到同一个二维格点图上。该描述符可以同时用作监督学习预测模型（如深度神经网络）和无监督学习生成式模型（如变分自编码器,生成对抗神经网络）所需的材料特征描述符。同时,结合晶体结构原型数据库、监督学习性质预测模型/无监督学习生成式模型,我们设计了一种新的以材料目标性质为导向的逆向晶体结构预测策略。（4）通过理论与实验相结合,成功解析了实验观测到的Cs Pb Br3钙钛矿在两个不同表面上的具体原子排布,并解释了这两个不同表面间的相互转变机制。实验上用扫描隧道显微镜（STM）观测到了无机钙钛矿Cs Pb Br3材料有两个不同的稳定表面,即“stripe”表面和“armchair”表面。其中,“stripe”表面区域面积比“armchair”表面区域面积更大。但是实验上无法确定这两个表面对应的具体的表面原子排布,也无法解释为什么“stripe”表面区域面积更大。通过采用自主开发的JAMIP软件,我们开展了Cs Pb Br3钙钛矿STM图像的高通量模拟。我们发现了两个构建表面的模拟STM图像与实验观测图像吻合,进而解析了实验上观测到的“stripe”,“armchair”两种STM图像对应的具体表面原子排布:“stripe”图像是由于表面Br原子对及其两侧的Cs原子的长程和短程间隔排布所形成;而“armchair”图像是由于表面Br原子对及其两侧的Cs原子分层排布所形成。通过计算这两个表面结构的表面能,我们发现“stripe”表面的表面能略低于“armchair”表面的表面能,具有更好的稳定性。这是“armchair”表面自发地转变为“stripe”表面的主要原因,解释了“stripe”表面区域具有更大面积的实验事实。（5）基于第一性原理高通量计算方法,探索了纯MAPb I3钙钛矿中掺杂5-AVA分子可以提高材料热力学稳定性的原因,以及二维层状硒化铟材料的β相和γ相中带隙值和电子迁移率随原子层层数的变化规律。对于有机钙钛矿MAPb I3材料,实验上发现往其纯相中掺杂5-AVA分子,使其变成（5-AVA）xMA1-xPb I3体系后,能显着提高其在各种复杂条件下的稳定性。通过采用高通量筛选方法,我们批量计算了数十个不同的MAPb I3相和（5-AVA）xMA1-xPb I3相的形成能,获得了能量最低的两个MAPb I3相和两个（5-AVA）xMA1-xPb I3相。通过分析筛选出的四个相的分解焓及结构中八面体的形变程度,我们发现:5-AVA离子与I离子间有更强的键合作用,使得掺杂相中具有更大的八面体畸变程度;（5-AVA）xMA1-xPb I3体系具有更低的分解焓。因此,理论计算结果显示:5-AVA分子的加入,使得有机钙钛矿中的有机分子更难逃逸。这是纯MAPb I3钙钛矿中掺杂5-AVA分子可以提高材料热力学稳定性的主要原因。此外,通过开发电子输运计算的高通量计算流程方法及模块,与合作者开展了对两种相（β相和γ相）的二维层状硒化铟材料从单层到十层结构的带隙值、电子迁移率等物性随着原子层层数的变化规律的研究。我们发现:两种相的带隙值都是随着原子层层数的增加而减小,两种相的电子迁移率都是随着原子层层数的增加而增大。
吴开金[2]（2021）在《“矛与盾”式生物竞争启发的高性能结构多尺度力学设计方案》文中认为自然界“矛与盾”式的捕食者与被捕食者之间的生存竞争是提升生物结构材料力学性能的驱动力。“适者生存”的自然法则使得生物结构材料,如螳螂虾外骨骼、贝壳珍珠层等,兼具轻质、高强度、高韧性和高抗冲击性。生物材料优异力学性能与跨尺度、多层级的结构形式和界面特征密切相关。“师法自然”,利用多尺度力学方法提炼生物材料“结构-界面-性能”间的内在联系,可以为高性能仿生结构材料的制备提供新的力学设计方案。生物材料不同结构和界面特征会导致丰富的增韧策略,如裂纹偏转、裂纹桥联、界面脱层等。但是,先前研究多关注于单一增韧策略,而生物结构材料中往往同时存在多种增韧策略,这种混合增韧策略与结构形式、界面特征间的关联机制仍不清楚。因此,本文发展表征生物结构材料的多尺度力学模型,分析多种增韧策略间的竞争与协同关系,为仿生材料的强度、韧性和抗冲击性的优化设计提供结构几何、界面性质方面的参数化方案。本文主要工作如下:第一,发展表征石墨烯基仿珍珠层材料力学性能的多尺度力学模型,分析交联官能团引起的石墨烯层间剪切性质与层内拉伸性质间的竞争关系,发现存在强度和韧性峰值对应的临界交联密度,同时交联密度的增加会加剧界面剪力分布局域化。最后,我们给出通过调控交联官能团密度实现强度和韧性同步优化的力学设计方案。第二,研究低速冲击下仿珍珠层结构中裂纹扩展和界面脱层模式间的竞争与协同关系。在临界界面强度下两种耗能模式间的协同作用导致优化的抗冲击性,且临界界面强度值随冲击速度增加而减小。最后,我们给出通过调控界面强度实现不同冲击速度下仿珍珠层结构抗冲击性优化的力学设计方案。第三,提出优化仿珍珠层结构抗冲击性的仿生预应力策略,揭示临界预应力起源于预应力促进砖块滑移和预应力削弱结构完整性之间的竞争关系。结合3D打印和落锤冲击测试证明了仿生预应力策略的合理性,并应用仿生预应力方案实现抗冲击仿珍珠层锂电池隔膜的制备。第四,受螳螂虾和贝壳间的生存战启发,设计对裂尖取向不敏感的高韧性非连续纤维Bouligand结构,发展断裂力学模型揭示裂纹扭转和纤维桥联间的竞争与协同作用,给出通过调控裂纹桥联韧性、螺旋角、纤维长度和扭转角的分布实现适应不同加载方向的高韧性仿生复合材料的优化设计方案,并应用该方案制备了兼具高强度、高韧性和高抗冲击性的仿生结构材料。第五,关注生物结构材料中复合型断裂、界面性质对三维裂纹形貌的影响,利用相场断裂法模拟了 Ⅰ+Ⅲ复合型断裂的裂纹扭曲扩展过程,分析了层状结构Ⅰ+Ⅲ复合型断裂的裂纹扭转和界面脱层间的协同增韧作用,再现了扭转界面结构中裂纹扭转和界面脱层耦合的三维形貌演化过程。
李润东[3]（2021）在《基于深度学习的通信信号智能盲检测与识别技术研究》文中认为非合作接收条件下的通信信号检测、调制识别、辐射源个体识别等盲检测与识别处理,是开展无线电频谱监测和战场通信侦察对抗的重要基础。然而,受限于非合作接收时强干扰和快变化的恶劣电磁环境、复杂多样的通信信号体制、无法全面掌握信号先验信息等不利因素影响,通信信号盲检测与识别是一项极具挑战性的研究课题。本文在全面梳理基于专家经验特征的传统盲检测与识别方法的基础上,针对其特征提取依赖人工经验的主要问题,基于深度学习的特征自主学习框架,提出了通信信号智能检测、智能调制识别、智能辐射源个体识别等智能盲检测与识别方法。通过仿真和实测数据验证了算法有效性,并设计实现工程系统,验证了算法和系统对于实际通信信号的检测与识别效能。本文的主要工作和贡献包括:1、在通信信号宽带检测方面,针对传统检测方法信号参数获取不完整和易受噪声影响的问题,提出了基于YOLOv3（You Only Look Once v3）目标检测网络优化改进的智能宽带检测方法,从宽带时频图中完成了高效准确的信号盲检测。首先,采用小样本量信号自动标注构建宽带时频图数据集,解决了海量样本标注难题;其次,根据通信信号时频特性自适应设置先验锚框,保证了网络对通信信号的适应性与高效检测能力;最后,针对原有网络训练和推断时数据分布不一致所导致的检测精度低问题,采用CIOU（Complete-Intersection Over Union）算法改进训练代价函数,利用DIOU（Distance-Intersection Over Union）算法改进推断时的非极大值抑制准则,在提高训练速度的同时达到了较高的检测精度。2、在窄带突发通信信号体制识别方面,针对深度学习方法难以区分时频特征相近信号、模板匹配方法需要先验规格且计算量大的问题,提出了将深度学习时频图识别与前导码滑动相关频谱峰值检测进行级联融合的智能窄带突发信号识别方法,实现了精确的信号体制识别和参数估计。首先,设计了时频多维参数偏移算法来增强训练数据集,降低了数据收集难度且提升了训练数据的全面性和多样性;然后,引入改进的深度残差注意力网络,提取了重点时频特征进行体制初步识别,再基于信号与前导码滑动相关后的频谱峰值检测结果,对不可分信号进行细化判证,实现了对窄带突发信号体制类型、载频、突发时刻等参数的精确获取。3、在通信信号调制识别方面,针对传统识别方法依赖专家经验和信号条件的问题,提出了基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法,实现了模拟调制和低阶数字调制信号的鲁棒识别。首先,对信号循环谱进行低秩表示降噪处理,净化数据以降低网络训练难度;其次,设计了一种新型的稀疏滤波准则对网络进行逐层无监督预训练,有效挖掘了循环谱的稀疏特性,利用小规模卷积网络即可实现鲁棒可靠的调制识别。更进一步,为适应对高阶数字调制信号的识别,提出了一种基于新型深度几何卷积网络的智能调制识别方法,设计了具备多尺度和多方向特性的几何滤波器,从信号的魏格纳-威利分布映射图中学习更具有分辨力的多尺度和多方向几何特征,提高了调制识别的准确率和鲁棒性。4、在通信信号调制编码联合识别方面,为了能以端到端的方式同时识别信号的调制方式和信道编码类型,研究探索了一种基于深度注意力门控卷积网络的智能调制编码联合识别方法,实现了多类型调制编码信号的有效识别。首先,为避免时频图变换带来的高计算复杂度,针对一维原始波形数据,设计了一维卷积层来提取调制结构特征;其次,利用门控循环模块提取信号时序监督特征,并设计“显着”注意力机制对时序特征开展注意力变换以增强特征提取与识别效能。5、在通信辐射源个体识别方面,针对传统识别方法难以全面表征辐射源本质特性、易受信号与目标变化影响的缺点,提出了基于多域特征融合学习的智能辐射源个体识别方法,在多目标辐射源集合上达到了较好的识别效果。首先,对接收信号进行精确的参数“校准”预处理以去除信号中的不稳定因素,再对校准后信号进行高精度星座矢量图映射以表征辐射源发射机的联合畸变特性;其次,设计了新型一维复数密集连接卷积网络、引入了具有高层特征全局注意力机制的新型Bo TNet（Bottleneck Transformer Networks）模型,分别对波形与频谱、波形与星座矢量图数据开展高效的复杂多域特征提取;最后,设计了三种融合策略对多域特征进行融合学习,提取了更全面完整的个体特征。同时,还研究了基于迁移学习的新辐射源目标集识别网络设计和训练方法,有效利用了大样本训练得到的基础模型的先验知识,实现了小样本条件下新辐射源目标的准确识别。6、在工程实现方面,设计构建了通信信号智能检测识别系统,对本文提出的各类通信信号智能检测与识别方法开展转化与集成,解决了快速并行信道化与深度学习推断加速等工程实现关键问题,对实际短波、卫星、超短波等通信信号实现了高性能的盲信号检测、调制识别和辐射源个体识别。
吴秋雨[4]（2021）在《基于生成式对抗网络的气动外形优化方法研究》文中进行了进一步梳理随着人类对空间的探索以及对更快速交通工具的追求,更加高效和安全的飞行器设计变得更加被人们需要。飞行器设计作为空气动力学的一个应用,是当代最重要的学科领域之一。空气动力学是研究空气的运动规律以及空气与物体之间的相互作用力的科学。现代飞行器设计过程不仅运用到了空气动力学的基本原理,还和计算机相关技术进行了结合。机翼是飞行器产生向上升力的重要组件和来源,它通常具有以机身作为中轴的对称面。从垂直于机翼对称面的方向,截取得到的平面称为翼剖面（profile）或者翼型（airfoil）。由于翼型设计的好坏在很大程度上决定了机翼以及“机翼-机身”整体的气动性能,因此通常在飞行器设计前要进行的一项必不可少的工作就是翼型气动外形的设计和优化。空气动力学外形优化（Aerodynamic Shape Optimization,ASO）通常需要使用计算流体力学（Computational Fluid Dynamics,CFD）来进行数值模拟仿真,由于空气动力学外形的设计空间往往具有高维度的特征,而该过程通常会耗费巨大的计算机算力。解决此问题的一种方法是将设计空间进行降维处理——例如,过去传统方法通过构造低维度的参数方程,进而替换为对这些参数进行优化。然而这些方法通常不能准确地提取主要特征变量,其优化结果往往不够理想。相比之下,本文基于机器学习理论,采用了基于生成式对抗网络（Generative Adversarial Networks,GAN）进行气动外形降维的方法,该方法能够从UIUC翼型数据库中学习翼型形状的变化特征,从而达到降维和提取可解释特征变量的目的,最终加速气动外形的优化过程。本文方法和研究内容概括如下:1.翼型设计空间降维方法的探索。在传统气动外形优化方法面临需要耗费巨大计算力的难题下,探索了基于机器学习算法的翼型设计空间的降维方法。主要方法有基于主成分分析法（Principal Component Analysis,PCA）的线性降维方法以及基于生成式对抗网络的非线性降维方法,最终它们能够加速优化收敛的速度。2.在面临使用基于UIUC数据库的翼型数据集的场景下,探索适合气动外形作为输入数据的生成式对抗网络的结构。针对UIUC翼型曲线数据,结合Info GAN和翼型曲线参数化技术,构造创新的生成式对抗网络,从而能够生成逼真的翼型曲线,同时能够提取相关可解释的翼型特征,提升模型精度。3.探索能够对于GAN生成的翼型数据结果进行分析的方法。主要对GAN生产的翼型曲线进行分析,从而提取出具有物理意义的潜在编码（latent code）特征变量,在翼型设计空间降维的同时获得具有可解释性的潜在编码。
刘亚鹏[5]（2021）在《非球形气溶胶粒子谱分布的反演算法研究》文中提出通常,在利用激光雷达数据反演气溶胶粒子谱分布的时候,我们一般将气溶胶粒子看作是球形的。使用米散射理论计算球形粒子的散射特性,来反演气溶胶粒子谱分布。但在实际情况中,气溶胶粒子组成复杂,形态多样。只有充分考虑到非球形粒子的多种形状才可以使结果更贴合实际情况。针对上述问题,本文提出了一种经遗传算法改进后的Tikhonov正则化方法来反演非球形气溶胶粒子谱分布。首先利用T矩阵方法计算了不同种类、不同形状、不同粒径下非球形粒子的消光、散射、吸收特性。然后将T矩阵计算结果与米散射理论计算结果进行对比,并且验证了T矩阵方法的准确性,为下一步反演谱分布提供理论支撑。然后对遗传算法与Tikhonov正则化方法的结合算法进行设计,通过实验确定了遗传算法的初始种群、交叉概率、变异概率和最大进化代数,对适应度函数进行计算得到了最优的正则参数。接下来在粒径范围为0-3μm的沙尘环境中,对不同形状的椭球形粒子和圆柱体粒子进行了粒子谱分布的反演。然后将遗传算法改进的Tikhonov正则化方法反演的谱分布结果与GCV方法反演的谱分布结果进行对比和分析。发现无论非球形粒子的形状如何变化,遗传算法改进的Tikhonov正则化方法的反演效果比GCV方法更好。利用此方法得到的数浓度谱分布结果、体积谱分布结果都更加接近于理想分布。通过抗噪性能分析,经遗传算法改进后的Tikhonov正则化方法得到的均方误差仍然小于GCV方法得到的均方误差,证明了经遗传算法改进后的Tikhonov正则化法比GCV方法稳定性更高。最终由实验可以得知,本文提出的遗传算法改进后的Tikhonov正则化方法是反演非球形粒子谱分布的一个有效方法,且反演效果更好。
徐继伟[6]（2020）在《气溶胶和水云宏微观参数的激光与微波联合遥感反演》文中进行了进一步梳理气溶胶和云是大气重要的组成部分,其辐射效应在气候变化和评估中具有较强的不确定性,这与气溶胶和云自身的参数有关。激光雷达和毫米波雷达具有观测连续性好,时、空分辨率高等特点,是遥感探测气溶胶和云的有效技术手段。激光雷达和毫米波雷达对气溶胶和云宏、微观参数的协同观测,发挥了激光短波段探测气溶胶和冰晶小粒子,微波长波段探测云和降水的优势,一方面为气溶胶和云宏、微观参数的反演提供更多的信息,另一方面为气溶胶和云相互作用实验研究提供不可或缺的有效途径。精确反演气溶胶和云的宏、微观参数,是研究其辐射效应和相互作用的前提。宏观参数包括光学厚度、几何高度等,反演方法比较直接,难度较低。微观参数主要包括尺度大小、单次散射反照率等,反演方法比较复杂,难度较高。本文对气溶胶微观参数的反演,使用了激光雷达在山西文水实验中观测得到的数据,该雷达是一台自行研制的多波长拉曼偏振激光雷达。对其中两个时间段的雷达数据进行反演,得到了气溶胶的光学参数3β+2α,即三波长后向散射系数（355 nm,532 nm,1064 nm波长）和两波长消光系数（355 nm,532 nm波长）,然后在米散射理论的基础上建立正演模型并用于实际探测数据气溶胶谱分布的反演,得到了气溶胶的微物理参数包括尺度谱、复折射指数以及单次散射反照率等。与常用的正则化方法不同,本文使用气溶胶组分模态构建气溶胶谱分布基函数并考虑了相对湿度对气溶胶的影响。将激光雷达数据反演得到的气溶胶粒子数浓度、体积浓度、有效粒子半径与同时进行的飞机采样探测结果进行了比较,结果表明在直径为0.1 um～3 um的范围内,2013年8月8日两者的结果具有较好的一致性。对云宏、微观参数的反演利用了三个月的激光雷达和毫米波雷达在合肥的联合观测实验数据。分析了激光雷达和毫米波雷达在观测云宏观特征方面的优势和劣势,并通过联合反演算法得到了云的宏观参数和垂直分布特征。理论模拟了激光雷达和毫米波雷达对水云粒子谱分布的联合反演方法,将其应用到实际测量中,得到了云滴粒子尺度谱和液态水含量廓线。结果表明,激光雷达和毫米波雷达联合反演可以得到更好的云宏观参数,在此基础上,联合反演水云的微物理参数,相比单用毫米波雷达数据的反演方法可以减少假设条件,改善云微物理参数的反演精度。除了地基遥感,还将星载激光雷达CALIOP（/CALIPSO）和毫米波雷达CPR（/CloudSat）十年观测数据,与MODIS卫星反演的云微物理参数产品相结合,研究了东亚地区气溶胶对水云宏、微观参数的影响,给出了气溶胶和水云在东亚地区的分布特征,分析了气溶胶光学厚度与水云粒子有效半径和降水云比例之间的关系。结果表明,当云液态水路径较小时,云滴有效半径和气溶胶的光学厚度存在正相关关系;当云液态水路径较大时,两者存在负相关关系。这可能与海陆的气象条件和气溶胶类型有关,需要进一步研究。
孙志强[7]（2020）在《基于深度学习的Android恶意软件检测模型的研究与实现》文中研究说明当前,Android手机为人们的生活带来便利、快捷服务的同时,其用户隐私泄露事件也屡屡出现,Android软件作为恶意行为的载体,对其的安全检测已迫在眉睫。传统的机器学习模型在面对多类特征组成的检测依据数据时,会由于数据维度高、噪声多,顾无法对关键信息进行有效地提取,而深度学习方法具有极强的学习特征规律的能力,适合处理这种高维、复杂的多特征数据,基于此,本文提出一种基于深度收缩降噪自编码网络和一种基于深度双通路卷积神经网络的Android恶意软件检测模型。基于深度收缩降噪自编码网络的Android恶意软件检测模型研究中,首先,逆向分析APK文件获取权限、敏感API等七类信息作为特征属性;然后,将特征属性作为深度收缩降噪自编码网络的输入,使用贪婪算法自底向上逐层的对原始特征信息进行抽取,获取最优的低维表示;最后,使用反向传播算法对获取的低维表示进行训练和分类。对输入数据添加噪声,使得重构后的数据具有更强的鲁棒性,同时加入雅克比矩阵作为惩罚项,增强了深度自编码网络的抗扰动能力。实验结果验证了本模型的可行性和高效性,并且具有较高的检测率。基于深度双通路卷积神经网络的Android恶意软件检测模型研究中,首先,将数字数据可视化为图像数据;然后,为提取更多有效信息,设计了一个有两种不同大小且独立工作的卷积核的深度双通路卷积神经网络模型,通过两层双通路卷积层和池化层对图像压缩处理,获取关键信息;最后使用Sigmoid分类器对获取的低维信息进行分类。引入Relu函数,避免了梯度消失并加快了收敛速度,同时添加BN层和Dropout方法,增强了模型的泛化能力。实验结果表明本模型能更好地获取特征数据的关键信息,准确率达到了98.6%且误报率仅有1.19%。
洪朝飞[8]（2020）在《基于脉冲神经网络误差反传算法的脑功能模拟与机制分析》文中进行了进一步梳理生物大脑的认知功能和信息处理机制的研究具有重要的科学意义和实用价值。近年来,受神经系统启发的深度学习方法在图像识别、语音识别、策略游戏等人工智能应用上取得了巨大的成功。但相比之下,人们对大脑实现这些认知功能的机制理解仍非常有限。而深度学习模型在工作机制上与生物神经系统也存在巨大的差异。与之相反,脉冲神经网络是更加符合生物电生理机制的神经网络模型,一直是神经科学领域建模的重要工具,在发展强人工智能系统方面也更具潜力。但是,由于脉冲神经网络的复杂性,一直缺少令人满意的方法实现复杂认知功能的模拟。这导致很难在介观层面建模和研究大脑功能机制,也导致宏观层面的理论很难联系到微观的生物细节。因此,本文基于脉冲神经网络模型,提出了通过放电时刻学习算法模拟大脑认知功能,并通过改变训练网络的生理约束和网络结构分析脑功能机制的研究思路。首先,网络结构和集群活动是脑功能的基本载体,而神经元的放电动力学活动是进行信息处理的基本单元。本文提出了可以进行训练并能精确模拟神经动力学特性的单神经元模型,并对神经网络动态活动建模进行了研究。基于积分放电类（LIF）神经元模型提出了扩展的广义积分放电（GLIF）模型,用以准确模拟生物神经元多时标的、非线性的脉冲放电过程。通过构建基本的神经网络结构,分析了关键的结构特性对神经集群的振荡、相关性、规则性等活动特性的影响规律,并验证了通过时间编码传递信息的可行性。神经元及网络动力学的研究为进一步构建具有实际功能的神经网络提供了理论基础。其次,提出了改进的放电时刻的误差反传算法,实现了在复杂网络结构和动力学状态下脉冲神经网络的稳定学习。推导了提出的三类广义积分放电模型的神经网络梯度反传算法,保证算法在任意放电形式和网络结构下的有效性。分析了Spike Prop类学习算法学习效率低和训练不稳定问题的主要原因。并基于分析结果和生理理论依据,提出了梯度动态阈值方法以及放电率和突触权值等的调制方法。基于学习算法,提出了通过认知任务的训练进行神经网络功能的建模和机制分析的研究框架。最后,基于提出的研究框架,实现了同步、连续放电等不同网络动态和视觉、运动等功能的建模和机制分析,验证了算法的灵活性和有效性。本文将提出的网络模型和学习算法应用于不同的认知任务的学习中,并基于训练得到的网络分析了神经网络实现这些功能的机制。通过构建不同的神经网络结构、采用不同的网络活动状态和损失函数,本文分别训练实现了图像识别任务、运动规划任务以及反馈运动控制任务。在图像识别任务中,分别采用全连接前馈网络以及具有局部结构的前馈网络学习了MNIST手写集和Caltech数据集的图像识别,并进一步分析了多种生理机制和网络结构特性对学习过程及网络信息处理机制的影响。在运动控制任务中,本文基于多时标的GLIF神经元模型和放电时刻编码的学习算法,实现了通过神经网络连续放电活动进行运动控制的功能的学习。运动规划任务实现了将同步放电编码的运动指令转化为连续脉冲序列表征的运动轨迹,证明同步放电编码的信息可以快速转换成连续脉冲序列表征的信息。进一步,采用了有监督学习和增强学习的方法实现了基于时间编码的反馈运动控制。分析了神经网络实现反馈运动控制的网络结构和动力学机制,同时讨论了实际应用中非常重要的力输出优化以及对被控对象参数变化的鲁棒性等问题。上述应用研究展示了脉冲神经网络学习算法与多种网络结构、动态及生理特性的兼容性。后续研究可以加入更多的生理机制,从而探索更复杂和更真实的大脑认知功能和机制的模拟。同时,这些应用研究也向机器学习体系加入了更多的仿生机制和生物信息处理原则,拓宽了人工智能领域的理论框架。本文的研究思路既为神经科学理论研究提供了有效的功能建模工具,又为发展强人工智能系统提供了新的模型框架。
杨旭辉[9]（2020）在《模型启发的图像去噪学习技术研究》文中进行了进一步梳理图像去噪是图像处理里的一个基本问题,也在很多高级视觉任务中扮演了重要角色。图像去噪的目的是从受到噪声污染的图像中恢复出原始图像,是一个被广泛研究但很大程度上未被解决的问题。现阶段,大多数图像去噪方法是基于学习的方法,这些方法凭借优于传统方法的去噪效果吸引了很多研究注意力。但是这些方法也是存在问题的,因为它们是数据驱动形式的,很多时候会依赖于训练数据。如果训练数据不够,容易导致映射函数过拟合,如果训练数据存在偏置,函数拟合的边界可能会偏离真实的数据分布。尽管目前传统方法不太流行,但是传统方法,尤其是基于图像先验优化模型的传统方法,在其优化模型的求解过程中提供了一个在去噪过程中保护图像结构的良好先验。因此,本文通过挖掘这些先验知识,将它们应用到去噪学习的过程设计上,给学习的过程加上一定的正则化约束。这样的去噪方法能在一定程度上减少对数据的依赖性,更好地避免数据过拟合和克服数据偏置带来的影响。基于传统方法的去噪优化模型,受求解时展开成迭代过程形式的启发,我们结合数据驱动方法的优势做了深入的研究工作。提出了模型启发的图像去噪集成学习方法:（1）结合集成学习技术,提出了一种灵活的图像去噪集成框架。该方法通过聚合一组简单的元去噪器,组建成更强的图像集成去噪器。在我们的知识范围内,这是利用集成学习技术研究图像去噪问题的第一篇论文,不仅显示了集成学习在图像去噪中的潜力,而且提供了性能可靠的有效解决方案。（2）基于不同类型的图像先验,提出了两种类型的小波阈值化形式的元去噪器,并利用Gabor基函数构成了拟合能力较强的收缩函数,为设计基于其它图像先验的元去噪器提供了一些基本思路。提出了模型启发的图像去噪深度学习方法:（1）结合深度学习的强大学习能力,把传统方法的去噪优化过程网络化,构建了一个各网络模块具有较强解释性的图像去噪网络。同时,该方法也可以看成是集成学习去噪方法在深度学习方向上的延续和扩展,在公开的数据集上取得了国际领先的结果。（2）在该深度学习去噪方法中,根据一维滤波器与二维滤波器的关系,我们提出了方向卷积的概念。利用方向卷积,不仅能减少网络参数,还能在不采用非局部操作的情况下有效地保护图像中的边缘和纹理,为图像细节信息的保护提供了新思路。我们把所提出的方法在多个图像去噪常用数据集分别进行测试和实验对比,实验结果证实了本文方法的有效性。本文的研究工作对图像去噪的研究发展具有重要意义,也为图像去噪算法、理论开拓了思路。
陈韵[10]（2019）在《单壁碳纳米管的吸附机理及功能化研究》文中研究表明功能化纳米器件在纳米机电、生物技术以及电子信息领域均扮演着至关重要的角色。单壁碳纳米管凭借独特的一维拓扑结构、优异的电学、光学以及机械行为特性,成为了开发功能化纳米器件的热门材料之一,并已成功用于分子齿轮、生物探测器以及纳米集成逻辑电路。碳纳米管的吸附及与其他纳米材料的相互作用是实现功能化的关键,然而现阶段仍缺乏对于其吸附及相关摩擦行为的系统性机理研究。碳纳米管与吸附质之间的相互作用决定了体系的吸附行为,因此揭示碳纳米管结构、尺寸及介电性质等本征特性在吸附行为中的作用,并探讨吸附质结构、吸附构型、吸附位置以及吸附率对于吸附行为的影响是理解碳管吸附机理的关键所在。当碳纳米管与吸附基底发生相对运动时,吸附行为的连续性动态变化会进一步导致摩擦的产生。由于吸附行为动态变化的方式主要取决于碳管的运动模式,因此除需考虑材料的本征特性之外,分析运动方式对碳管与基底之间相互作用动态变化的影响,揭示运动行为的竞争机制是碳管纳米摩擦行为研究的核心要务。上述基础科学问题的研究不仅对于设计基于物理吸附的金属性/半导体性单壁碳纳米管的有效区分方法至关重要,同时还能够为合理设计碳纳米管基功能器件提供可靠的理论指导。因此,本论文利用多体色散修正的密度泛函理论方法（DFT+MBD）围绕上述问题对单壁碳纳米管展开了系统性研究。首先,我们研究了碳纳米管本征特性在吸附行为中的作用。我们利用各向同性的稀有气体Xe、Kr原子以及具有各向异性的正庚烷分子系统研究了金属性和半导体性单壁碳纳米管的吸附行为,揭示了碳纳米管的物理吸附行为主要取决于电荷密度振荡波。同时,发现两种碳管截然不同的介电性质导致了两者差异显着的物理吸附行为,而碳纳米管的直径、吸附质结构、吸附位置以及吸附率等特性也同样对其吸附行为具有重要影响。基于上述研究,我们依据正庚烷分子在金属性和半导体性单壁碳纳米管上差异显着的物理吸附行为,提出了一种基于物理吸附手段对两种单壁碳纳米管进行有效区分的方法。为进一步探讨吸附质对碳纳米管吸附行为的影响,我们研究了具有高度各向异性的平面Au6团簇在单壁碳纳米管上的吸附行为,揭示了化学结合力、泡利排斥力、色散相互作用以及静电相互作用之间的平衡是Au6团簇实现稳定构型的关键。同时,发现在吸附行为中色散相互作用的多体效应对于体系稳定性的影响能够通过泡利排斥力和化学结合力进行有效调控,同时其强烈依赖于吸附质的原子体积、各向异性以及吸附构型等特性。结果表明Au6团簇在N掺杂（14,0）碳纳米管上能够实现平躺和站立双重稳态构型,因此基于该吸附体系实现了碳纳米管基分子开关的设计。基于上述吸附机理研究,我们进一步探讨了碳纳米管在石墨烯上的滚动、滑动摩擦机理及竞争机制,揭示了泡利排斥力主导滚动摩擦,多体色散相互作用决定滑动摩擦,并发现纳米尺度下显着的尺寸效应会导致随着尺寸增加碳纳米管的最优运动方式发生由滑动到滚动的转变。同时,我们通过Prandtl-Tomlinson模型进一步证明了碳纳米管滑动、滚动摩擦的粘性行为特性,并利用运动势垒对该体系的摩擦行为进行了理论模型构建,最终实现了对滑动、滚动粘性摩擦行为实验级别精度的准确预测。综上,本论文围绕碳纳米管的吸附机理及相关摩擦行为进行了系统研究。研究结果揭示了碳纳米管吸附的电子结构起源,以及滑动和滚动摩擦的竞争机制,为金属性/半导体性碳管的有效分离以及碳管基纳米器件的发展奠定了理论基础,并提供了新的设计思路。
二、实验观测数据的最优正则平滑方法（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、实验观测数据的最优正则平滑方法（论文提纲范文）
（1）基于高通量计算与机器学习的材料设计方法与软件的开发与应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 材料领域高通量计算工具概述 |
| 1.1.1 大型材料结构及物性计算数据库 |
| 1.1.2 现有高通量计算软件包 |
| 1.2 用于材料学领域的机器学习算法概述 |
| 1.2.1 监督学习算法 |
| 1.2.2 无监督学习算法 |
| 1.3 论文选题目的及意义 |
| 1.4 论文的结构安排 |
| 第二章 计算材料学的理论背景和物性计算方法 |
| 2.1 密度泛函理论概述 |
| 2.1.1 密度泛函理论的发展历史 |
| 2.1.2 Hohenberg-Kohn定理 |
| 2.1.3 Kohn-Sham方程 |
| 2.1.4 交换关联泛函 |
| 2.2 材料的第一性原理物性计算 |
| 2.2.1 材料的第一性原理物性计算概述 |
| 2.2.2 本文中涉及到的材料第一性原理物性计算 |
| 2.2.2.1 表面原子的STM图像 |
| 2.2.2.2 表面能 |
| 2.2.2.3 原子填充因子 |
| 2.3 结构描述符 |
| 2.3.1 材料的结构表征方法概述 |
| 2.3.2 本论文中涉及到的材料结构表征方法 |
| 2.3.2.1 原子成键键取向序列(BOO) |
| 2.3.2.2 原子位置平滑重叠(SOAP) |
| 2.4 新材料的计算设计方法 |
| 2.4.1 基于高通量计算的计算设计方法 |
| 2.4.2 基于结构预测的计算设计方法 |
| 2.4.3 基于机器学习的计算设计方法 |
| 第三章 开发机器学习辅助的高通量计算材料设计工具 |
| 3.1 参与开发机器学习辅助的高通量计算材料设计软件JAMIP |
| 3.1.1 开发背景 |
| 3.1.2 开发工具 |
| 3.1.3 开发细节 |
| 3.1.3.1 晶体结构的文本文件格式转换 |
| 3.1.3.2 结构原型数据库 |
| 3.1.3.3 百千级高通量计算任务测试 |
| 3.1.4 本节小结 |
| 3.2 基于无监督学习及高通量计算开发晶体结构原型生成软件SPGI及数据库LAE-ICSPD |
| 3.2.1 开发背景 |
| 3.2.2 开发工具 |
| 3.2.3 开发细节 |
| 3.2.3.1 创建LAE-ICSPD的流程概述 |
| 3.2.3.2 初始结构的筛选及预处理 |
| 3.2.3.3 结构局域原子环境的表征 |
| 3.2.3.4 聚类分析 |
| 3.2.3.5 无机晶体结构原型数据库LAE-ICSPD的创建 |
| 3.2.3.6 结构原型生成软件SPGI |
| 3.2.3.7 基于密度泛函理论的高通量计算 |
| 3.2.4 本节小结 |
| 3.3 结合机器学习与高通量计算的逆向晶体结构预测策略 |
| 3.3.1 逆向晶体结构预测的研究现状 |
| 3.3.2 可逆结构表征方法“二维切片格点图” |
| 3.3.3 结合监督学习与无监督学习的逆向晶体结构预测策略 |
| 3.3.4 本节小结 |
| 3.4 本章小结 |
| 第四章 自主研发的高通量计算方法与软件在设计半导体光电材料中的应用 |
| 4.1 高通量计算材料设计方法用于设计半导体光电材料的研究现状 |
| 4.2 JAMIP在研究半导体光电材料的结构及性质中的应用 |
| 4.2.1 JAMIP在研究钙钛矿材料CsPbBr_3表面中的应用 |
| 4.2.1.1 CsPbBr_3钙钛矿薄膜样本的实验合成方法及STM观测结果 |
| 4.2.1.2 高通量计算模拟表面原子STM图像的方法及结果 |
| 4.2.2 用JAMIP做高通量计算研究钙钛矿(5-AVA)_xMA_(1-x)PbI_3的稳定性.. |
| 4.2.2.1 (5-AVA)_xMA_(1-x)PbI_3钙钛矿的实验合成方法及稳定性测试 |
| 4.2.2.2 高通量计算辅助研究(5-AVA)_xMA_(1-x)PbI_3钙钛矿的稳定性 |
| 4.2.3 高通量计算二维层状硒化铟材料的电子性质 |
| 4.2.3.1 二维层状硒化铟材料的带隙值随层数的变化规律 |
| 4.2.3.2 二维层状硒化铟材料的电子迁移率随层数的变化规律 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间公开发表的学术论文 |
| 致谢 |
（2）“矛与盾”式生物竞争启发的高性能结构多尺度力学设计方案（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 “矛与盾”式生物竞争现象 |
| 1.2 生物结构材料 |
| 1.2.1 “盾”-贝壳 |
| 1.2.2 “矛”-螳螂虾 |
| 1.2.3 结构和界面特征 |
| 1.3 多尺度混合增韧策略 |
| 1.3.1 界面增韧 |
| 1.3.2 结构失效 |
| 1.3.3 混合增韧 |
| 1.4 仿生结构材料的力学设计方法 |
| 1.4.1 多尺度力学计算方法 |
| 1.4.2 仿生结构3D打印设计 |
| 1.5 本文关注的科学问题 |
| 1.5.1 仿生结构强韧性优化的多尺度力学设计 |
| 1.5.2 仿生结构抗冲击性优化的界面调控方案 |
| 1.5.3 仿生结构多种增韧策略间的竞争与协同 |
| 1.5.4 仿生结构力学设计新方案的验证及应用 |
| 1.5.5 仿生结构三维裂纹路径和形貌表征设计 |
| 1.6 本文的主要工作 |
| 第2章 仿生异质材料的多尺度力学方法 |
| 2.1 引言 |
| 2.2 本文使用的多尺度力学方法介绍 |
| 2.2.1 纳尺度计算方法 |
| 2.2.2 介尺度力学模型 |
| 2.2.3 相场断裂方法 |
| 2.2.4 宏观有限元模拟 |
| 2.3 3D打印设计和力学测试 |
| 2.3.1 参数化模型 |
| 2.3.2 3D打印 |
| 2.3.3 力学测试 |
| 2.4 本章小结 |
| 第3章 石墨烯基仿珍珠层材料的界面设计 |
| 3.1 引言 |
| 3.2 石墨烯复合材料的跨尺度力学模型 |
| 3.2.1 原子模拟提炼本构关系 |
| 3.2.2 剪滞模型计算强度韧性 |
| 3.3 界面交联与石墨烯承载间的竞争机制 |
| 3.3.1 强度优化 |
| 3.3.2 韧性优化 |
| 3.3.3 尺寸效应 |
| 3.4 本章小结 |
| 第4章 抗冲击仿珍珠层结构的界面设计 |
| 4.1 引言 |
| 4.2 模型与方法 |
| 4.2.1 有限元模型 |
| 4.2.2 3D打印设计 |
| 4.2.3 落锤冲击测试 |
| 4.3 界面脱粘与砖块失效间的竞争机制 |
| 4.3.1 界面强度优化 |
| 4.3.2 冲击速度效应 |
| 4.3.3 实验结果 |
| 4.4 力学方案应用:仿珍珠层抗冲击电池隔膜 |
| 4.4.1 样品制备和结构表征 |
| 4.4.2 抗冲击力学机理分析 |
| 4.4.3 电化学响应 |
| 4.5 本章小结 |
| 第5章 仿生预应力策略实现抗冲击性优化 |
| 5.1 引言 |
| 5.2 模型与方法 |
| 5.2.1 有限元模拟 |
| 5.2.2 3D打印设计 |
| 5.2.3 预拉伸落锤冲击测试 |
| 5.2.4 仿珍珠层隔膜制备和表征 |
| 5.3 预应力调控的抗冲击机制 |
| 5.3.1 贝壳中的残余应力 |
| 5.3.2 预应力优化 |
| 5.3.3 实验验证 |
| 5.4 仿生预应力策略的应用 |
| 5.4.1 预应力对隔膜冲击形貌的影响 |
| 5.4.2 预应力对隔膜电化学响应的影响 |
| 5.5 本章小结 |
| 第6章 仿生非连续纤维Bouligand结构设计 |
| 6.1 引言 |
| 6.2 模型与方法 |
| 6.2.1 3D打印DFB结构设计 |
| 6.2.2 DFB结构的断裂力学模型 |
| 6.2.3 3D打印DFB结构的断裂测试 |
| 6.3 DFB结构的混合增韧机制 |
| 6.3.1 3D打印DFB结构的断裂响应 |
| 6.3.2 裂纹扭转和纤维桥联增韧策略 |
| 6.3.3 高韧性DFB结构的优化设计方案 |
| 6.4 力学方案应用:人造非连续纤维Bouligand结构材料 |
| 6.5 本章小结 |
| 第7章 仿生异质结构三维裂纹形貌演化 |
| 7.1 引言 |
| 7.2 模型与方法 |
| 7.2.1 相场断裂法基本理论 |
| 7.2.2 相场断裂模型求解 |
| 7.3 算例 |
| 7.3.1 Ⅰ+Ⅲ复合型裂纹形貌 |
| 7.3.2 层状结构的Ⅰ+Ⅲ复合型裂纹形貌 |
| 7.3.3 扭转界面结构的三维裂纹形貌 |
| 7.4 本章小结 |
| 第8章 总结和展望 |
| 8.1 工作总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 附录A 石墨烯基仿珍珠层材料的连续介质力学模型 |
| A.1 石墨烯基仿珍珠层结构的非线性剪滞模型推导 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于深度学习的通信信号智能盲检测与识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.2.1 通信信号检测方法研究现状 |
| 1.2.2 通信信号调制识别方法研究现状 |
| 1.2.3 通信信号辐射源个体识别方法研究现状 |
| 1.3 存在的问题挑战与研究思路 |
| 1.4 论文的结构安排与主要工作 |
| 第二章 深度学习理论基础 |
| 2.1 引言 |
| 2.2 深度学习概述 |
| 2.2.1 发展历程 |
| 2.2.2 从浅层到深度学习 |
| 2.3 典型深度学习网络 |
| 2.3.1 卷积神经网络 |
| 2.3.2 循环神经网络 |
| 2.4 深度学习应用于通信信号智能盲检测与识别的思考 |
| 2.5 本章小结 |
| 第三章 基于深度学习的通信信号智能检测方法 |
| 3.1 引言 |
| 3.2 基于自适应频谱噪底抵消的能量检测方法 |
| 3.2.1 宽带频谱估计 |
| 3.2.2 自适应噪底估计 |
| 3.2.3 噪底抵消和信号检测 |
| 3.3 基于目标检测网络的通信信号智能宽带检测方法 |
| 3.3.1 宽带时频图数据集标注与构建 |
| 3.3.2 ISD-ODN智能宽带检测网络 |
| 3.3.3 算法流程总结 |
| 3.3.4 实验结果与分析 |
| 3.4 基于级联分类树的智能窄带突发信号识别方法 |
| 3.4.1 双滑动窗突发信号检测 |
| 3.4.2 窄带时频图数据增强 |
| 3.4.3 深度残差注意力信号识别网络 |
| 3.4.4 基于前导码滑动相关频谱峰值检测的信号识别 |
| 3.4.5 算法流程总结 |
| 3.4.6 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的通信信号智能调制识别方法 |
| 4.1 引言 |
| 4.2 基于专家经验特征的调制识别方法 |
| 4.2.1 信号参数统计特征 |
| 4.2.2 高阶统计量特征 |
| 4.2.3 循环平稳特征 |
| 4.2.4 基于特征分类的调制识别 |
| 4.3 基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法 |
| 4.3.1 二维循环谱变换 |
| 4.3.2 低秩表示降噪 |
| 4.3.3 稀疏滤波卷积网络 |
| 4.3.4 算法流程总结 |
| 4.3.5 实验结果与分析 |
| 4.4 基于魏格纳-威利分布与深度几何卷积网络的智能调制识别方法 |
| 4.4.1 魏格纳-威利分布映射 |
| 4.4.2 维度不可分的几何滤波器 |
| 4.4.3 深度几何卷积网络 |
| 4.4.4 算法流程总结 |
| 4.4.5 实验结果与分析 |
| 4.5 基于深度注意力门控卷积网络的智能调制编码联合识别方法 |
| 4.5.1 一维卷积模块 |
| 4.5.2 注意力机制门控循环模块 |
| 4.5.3 深度注意力门控卷积网络 |
| 4.5.4 算法流程总结 |
| 4.5.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于深度学习的智能通信辐射源个体识别方法 |
| 5.1 引言 |
| 5.2 基于专家经验特征的辐射源个体识别方法 |
| 5.2.1 信号参数统计特征 |
| 5.2.2 信号变换域统计特征 |
| 5.2.3 机理模型特征 |
| 5.2.4 辐射源特征降维和分类器 |
| 5.3 基于时域与频域特征融合学习的智能辐射源个体识别方法 |
| 5.3.1 信号精细预处理及表示 |
| 5.3.2 IRI-TFF多域特征融合识别网络 |
| 5.3.3 算法流程总结 |
| 5.3.4 实验结果与分析 |
| 5.4 基于波形与星座矢量图特征融合学习的智能辐射源个体识别方法 |
| 5.4.1 信号精细预处理及表示 |
| 5.4.2 IRI-WCF多域特征融合识别网络 |
| 5.4.3 基于迁移学习的小样本新目标SEI方法 |
| 5.4.4 算法流程总结 |
| 5.4.5 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 通信信号智能检测识别系统及实验结果 |
| 6.1 引言 |
| 6.2 系统组成和关键技术 |
| 6.2.1 系统框架和组成 |
| 6.2.2 系统实现关键技术 |
| 6.3 实验验证与分析 |
| 6.3.1 实际短波信号智能检测实验 |
| 6.3.2 实际卫星信号智能调制识别实验 |
| 6.3.3 实际超短波信号智能辐射源个体识别实验 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 论文主要贡献 |
| 7.2 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 |
（4）基于生成式对抗网络的气动外形优化方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 基于线性技术的气动研究方法 |
| 1.2.2 基于人工神经网络的气动研究方法 |
| 1.3 本文研究内容及创新 |
| 1.4 论文结构安排 |
| 第二章 相关理论与技术 |
| 2.1 空气动力学基础 |
| 2.1.1 空气动力学概述 |
| 2.1.2 空气动力学基本概念 |
| 2.2 翼型相关知识 |
| 2.2.1 翼型参数 |
| 2.2.2 翼型优化问题 |
| 2.3 翼型曲线处理方法 |
| 2.3.1 翼型曲线参数化描述 |
| 2.3.2 Bézier曲线 |
| 2.4 深度学习相关理论 |
| 2.4.1 生成式对抗网络 |
| 2.4.2 InfoGAN |
| 2.4.3 卷积神经网络 |
| 2.5 本章小结 |
| 第三章 基于传统方法的气动外形优化方法研究 |
| 3.1 研究方案总设计 |
| 3.1.1 实验组成及章节安排 |
| 3.1.2 实验流程设计 |
| 3.1.3 曲线参数化 |
| 3.1.4 基于NURBS的曲线参数化处理 |
| 3.1.5 翼型的初始估计 |
| 3.2 气动外形优化方法研究 |
| 3.2.1 目标函数 |
| 3.2.2 优化算法 |
| 3.3 XFOIL |
| 3.3.1 获取翼型气动性能 |
| 3.4 本章小结 |
| 第四章 基于生成式对抗网络的气动外形降维方法研究 |
| 4.1 主要工作概要 |
| 4.2 Bézier GAN网络研究 |
| 4.2.1 概览 |
| 4.2.2 网络架构 |
| 4.2.3 Bézier层 |
| 4.2.4 损失函数 |
| 4.2.5 正则项 |
| 4.3 PCA降维方法研究 |
| 4.3.1 PCA降维设计 |
| 4.4 基于潜在编码的气动外形优化 |
| 4.5 潜在编码的相关性分析方法研究 |
| 4.5.1 获取翼型物理参数 |
| 4.5.2 相关性分析 |
| 4.6 本章小结 |
| 第五章 实验及结果分析 |
| 5.1 实验环境 |
| 5.2 实验数据 |
| 5.2.1 数据预处理 |
| 5.3 气动外形降维实验 |
| 5.3.1 基于Bézier GAN的数据降维 |
| 5.3.2 生成数据评价指标 |
| 5.3.3 Bézier GAN的验证 |
| 5.3.4 基于PCA的数据降维 |
| 5.3.5 潜在编码相关性分析 |
| 5.4 气动外形优化实验 |
| 5.4.1 NURBS曲线参数化 |
| 5.4.2 多种方法优化对比 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）非球形气溶胶粒子谱分布的反演算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 第二章 激光雷达与气溶胶粒子谱的理论基础 |
| 2.1 激光雷达大气遥感技术 |
| 2.2 大气气溶胶消光系数反演算法 |
| 2.3 气溶胶粒子谱理论基础 |
| 2.4 本章小结 |
| 第三章 球形与非球形气溶胶粒子的光散射特性 |
| 3.1 球形气溶胶粒子的米散射理论 |
| 3.2 非球形气溶胶粒子的散射理论 |
| 3.3 非球形气溶胶粒子的T矩阵方法及计算 |
| 3.4 球形粒子和非球形粒子的光散射特性 |
| 3.5 本章小结 |
| 第四章 非球形气溶胶粒子谱分布的反演算法设计 |
| 4.1 气溶胶粒子谱的反演算法 |
| 4.2 Tikhonov正则化方法 |
| 4.3 遗传算法 |
| 4.4 遗传算法与Tikhonov正则化结合的算法设计 |
| 4.5 本章小结 |
| 第五章 非球形气溶胶粒子谱分布的反演算法实验研究 |
| 5.1 基于改进的Tikhonov正则化方法的粒子谱实验仿真 |
| 5.2 反演算法的抗噪能力分析 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（6）气溶胶和水云宏微观参数的激光与微波联合遥感反演（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 大气气溶胶及其源和汇 |
| 1.2 水云的特征 |
| 1.3 大气气溶胶的气候效应 |
| 1.4 激光遥感大气气溶胶参数 |
| 1.5 激光、微波联合遥感水云的宏、微观参数 |
| 1.6 研究目的、意义和目前的研究现状 |
| 1.7 论文的创新性和主要内容 |
| 第2章 实验遥感探测设备介绍 |
| 2.1 多波长拉曼偏振激光雷达系统 |
| 2.2 多波长水汽气溶胶激光雷达系统 |
| 2.3 毫米波雷达系统 |
| 第3章 气溶胶光学和微物理参数的反演 |
| 3.1 研究背景 |
| 3.2 激光雷达数据预处理 |
| 3.3 气溶胶光学参数的反演 |
| 3.3.1 Mie散射技术反演气溶胶光学参数的方法 |
| 3.3.2 Raman-Mie散射技术反演气溶胶光学参数的方法 |
| 3.3.3 退偏振比的计算方法 |
| 3.3.4 利用实验观测数据反演气溶胶的光学参数 |
| 3.4 气溶胶微物理参数的反演 |
| 3.4.1 气溶胶的谱分布模型 |
| 3.4.2 利用Mie散射理论构建正演模型 |
| 3.4.3 气溶胶谱分布反演方法 |
| 3.4.4 谱分布理论模拟研究 |
| 3.4.5 实验反演结果和机载观测结果的对比 |
| 3.5 本章总结 |
| 第4章 云宏微观参数的反演 |
| 4.1 研究背景 |
| 4.2 毫米波雷达数据预处理 |
| 4.3 云宏观参数的反演 |
| 4.4 水云相态的识别方法 |
| 4.5 激光、微波联合反演云微物理参数的方法 |
| 4.6 本章总结 |
| 第5章 大气气溶胶与水云相互作用的星载观测 |
| 5.1 研究背景 |
| 5.2 星载观测与数据介绍 |
| 5.3 东亚地区气溶胶与水云的分布特征 |
| 5.4 气溶胶光学厚度与水云粒子有效半径的关系 |
| 5.5 本章总结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 论文的创新性 |
| 6.3 展望 |
| 参考文献 |
| 附录A 缩写 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（7）基于深度学习的Android恶意软件检测模型的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论与关键技术 |
| 2.1 Android软件检测技术 |
| 2.1.1 Android系统架构 |
| 2.1.2 Android安全机制 |
| 2.1.3 Android软件分析与检测方法 |
| 2.2 深度学习技术 |
| 2.2.1 深度学习概述 |
| 2.2.2 深度学习模型 |
| 2.3 本章小结 |
| 第三章 Android软件特征分析与选择 |
| 3.1 APK文件与反编译 |
| 3.2 特征的分析与提取 |
| 3.3 基于卡方检验和信息增益的特征筛选 |
| 3.3.1 基于卡方检验的特征筛选 |
| 3.3.2 基于信息增益的特征筛选 |
| 3.4 本章小结 |
| 第四章 基于深度自编码网络的Android恶意软件检测模型的研究与实现 |
| 4.1 预期目标 |
| 4.2 自编码网络和BP神经网络 |
| 4.2.1 自编码网络 |
| 4.2.2 BP神经网络 |
| 4.3 模型设计 |
| 4.3.1 模型总体架构 |
| 4.3.2 数据预处理 |
| 4.3.3 深度收缩降噪自编码网络模型构建 |
| 4.3.4 DCDAN算法步骤 |
| 4.3.5 模型优化 |
| 4.3.6 模型实现 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 评价指标 |
| 4.4.3 结构分析与参数设置 |
| 4.4.4 对比实验 |
| 4.5 本章小结 |
| 第五章 基于深度卷积神经网络的 Android 恶意软件检测模型的研究与实现 |
| 5.1 预期目标 |
| 5.2 模型设计 |
| 5.2.1 模型总体架构 |
| 5.2.2 可视化处理 |
| 5.2.3 深度双通路卷积神经网络模型构建 |
| 5.2.4 DDPCNN算法步骤 |
| 5.2.5 模型优化 |
| 5.2.6 模型实现 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境和评价指标 |
| 5.3.2 模型参数 |
| 5.3.3 实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 图附 |
| 表附 |
（8）基于脉冲神经网络误差反传算法的脑功能模拟与机制分析（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 相关领域的研究现状分析 |
| 1.2.1 计算神经科学相关问题的研究现状 |
| 1.2.2 人工神经网络领域相关问题的研究现状 |
| 1.2.3 脉冲神经网络学习的相关研究现状 |
| 1.3 本文研究思路及章节安排 |
| 1.4 本文主要创新点 |
| 第2章 单神经元动力学模型 |
| 2.1 神经元的结构及电生理特性 |
| 2.2 单神经元模型 |
| 2.2.1 经典LIF模型及其SRM形式 |
| 2.2.2 多时标的广义LIF模型 |
| 2.2.3 基于膜电压梯度的神经元放电阈值 |
| 2.2.4 分段线性化的神经元模型 |
| 2.3 各种神经元模型对生理放电数据的拟合 |
| 2.4 本章小结 |
| 第3章 神经元网络建模与网络活动分析 |
| 3.1 生物神经元网络结构及集群活动的基本概念 |
| 3.2 神经网络结构特性及网络建模 |
| 3.3 皮层网络连接特性及其对网络振荡活动影响 |
| 3.3.1 网络活动的数据分析方法 |
| 3.3.2 网络结构特性对网络活动振荡的影响 |
| 3.4 基于同步振荡的前馈网络信息传递 |
| 3.4.1 同步振荡信号稳定传递的网络基础 |
| 3.4.2 网络结构对同步放电相关性和规则性的影响 |
| 3.4.3 噪声对同步放电时刻准确性的影响 |
| 3.4.4 网络结构对时间编码信息传递的影响 |
| 3.5 本章小结 |
| 第4章 脉冲神经元网络的学习与调制算法 |
| 4.1 引言 |
| 4.1.1 生物神经系统的突触可塑性机制 |
| 4.1.2 脉冲神经网络学习算法概述 |
| 4.1.3 本文学习算法流程概述 |
| 4.2 基于梯度误差反传的监督学习算法 |
| 4.2.1 LIF模型的梯度误差反传算法 |
| 4.2.2 多时标的广义LIF模型的梯度误差反传算法 |
| 4.2.3 分段线性化的神经元模型的梯度误差反传算法 |
| 4.2.4 采用优化算法加快学习效率 |
| 4.2.5 放电时刻传递和反传特性的讨论 |
| 4.3 学习算法效率分析及相应的网络调制策略 |
| 4.3.1 基于梯度反传学习算法的稳定性问题分析 |
| 4.3.2 电压梯度的阈值策略对梯度反传稳定性的作用 |
| 4.3.3 神经元放电率自稳定调制 |
| 4.3.4 神经元突触强度缩放调制 |
| 4.3.5 神经网络学习率波动衰减 |
| 4.3.6 神经网络剪枝 |
| 4.4 PWL模型学习算法实验验证 |
| 4.5 本章小结 |
| 第5章 视觉神经通路的学习与信息处理机制讨论 |
| 5.1 引言 |
| 5.1.1 视觉神经通路基本结构 |
| 5.1.2 视觉信息编码及信息传递和处理过程 |
| 5.1.3 神经网络在图像识别上的研究进展 |
| 5.2 脉冲神经网络图像识别功能的学习 |
| 5.2.1 数据集及神经编码方式描述 |
| 5.2.2 神经网络基本结构 |
| 5.2.3 神经元特征选择性估计方法 |
| 5.3 图像识别实验结果及神经网络生理特性对信息处理的影响 |
| 5.3.1 MNIST识别任务学习实验和结果分析 |
| 5.3.2 Caltech识别任务学习实验和结果分析 |
| 5.3.3 噪声对信息处理的影响 |
| 5.3.4 兴奋抑制性分离对信息处理能力的影响 |
| 5.3.5 神经网路对图像空间不变性的学习与机制讨论 |
| 5.3.6 网络空间结构特性对信息处理的影响 |
| 5.3.7 神经网络剪枝机制对信息处理的影响 |
| 5.4 本章小结 |
| 第6章 运动控制系统的学习与长短时程信息处理机制讨论 |
| 6.1 引言 |
| 6.2 运动轨迹规划任务学习 |
| 6.2.1 运动规划任务的神经科学背景 |
| 6.2.2 运动规划任务描述 |
| 6.2.3 神经网络构建及训练参数设置 |
| 6.3 运动控制的监督学习任务 |
| 6.3.1 有监督运动控制任务的神经科学背景 |
| 6.3.2 有监督运动控制任务描述 |
| 6.3.3 神经网络构建及参数设置 |
| 6.3.4 运动控制任务有监督学习的实验结果分析 |
| 6.4 运动控制的增强学习任务 |
| 6.4.1 增强学习的理论和神经科学背景 |
| 6.4.2 增强学习的控制任务设置以及神经网络构建 |
| 6.4.3 增强学习控制任务的实验结果分析 |
| 6.5 本文运动控制学习算法与相关研究的对比讨论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录1:脉冲神经网络仿真及训练平台框架 |
| 附录2:广义LIF神经元模型梯度反传公式具体形式 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）模型启发的图像去噪学习技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 图像滤波 |
| 1.2.2 变分模型 |
| 1.2.3 稀疏表示 |
| 1.2.4 低秩近似 |
| 1.2.5 先验学习 |
| 1.2.6 深度学习 |
| 1.3 研究内容与意义 |
| 1.4 本文结构安排 |
| 第二章 相关理论与技术 |
| 2.1 小波变换 |
| 2.1.1 频率分析 |
| 2.1.2 时频分析 |
| 2.1.3 小波收缩方法 |
| 2.1.4 收缩函数 |
| 2.2 集成学习 |
| 2.2.1 基本概念 |
| 2.2.2 集成方法 |
| 2.3 神经网络 |
| 2.3.1 神经元 |
| 2.3.2 三大要素 |
| 2.3.3 优化算法 |
| 2.3.4 优化挑战 |
| 2.4 本章总结 |
| 第三章 模型启发的图像去噪集成学习方法 |
| 3.1 引言 |
| 3.2 动机和理由 |
| 3.3 相关工作 |
| 3.4 集成学习去噪方法 |
| 3.4.1 去噪框架 |
| 3.4.2 元去噪器 |
| 3.4.3 集成结构 |
| 3.4.4 参数学习 |
| 3.4.5 重采样 |
| 3.5 实验内容 |
| 3.5.1 实验设置 |
| 3.5.2 性能评估 |
| 3.5.3 参数影响分析 |
| 3.5.4 其它实验观测 |
| 3.6 本章小结 |
| 第四章 模型启发的图像去噪深度学习方法 |
| 4.1 引言 |
| 4.1.1 动机 |
| 4.1.2 基本思想 |
| 4.2 相关工作 |
| 4.3 网络设计 |
| 4.3.1 主干结构 |
| 4.3.2 方向卷积 |
| 4.3.3 Inception模块 |
| 4.3.4 阶段式连接 |
| 4.3.5 结构细节 |
| 4.4 实验内容 |
| 4.4.1 实验设置 |
| 4.4.2 消融实验 |
| 4.4.3 对比实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）单壁碳纳米管的吸附机理及功能化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 单壁碳纳米管的电学行为研究 |
| 1.1.1 单壁碳纳米管的电学特性 |
| 1.1.2 单壁碳纳米管在电子器件领域的应用 |
| 1.2 单壁碳纳米管的机械行为研究 |
| 1.2.1 单壁碳纳米管的摩擦特性 |
| 1.2.2 单壁碳纳米管在纳米机电系统的应用 |
| 1.3 单壁碳纳米管的制备与分离 |
| 1.4 单壁碳纳米管研究应用中面临的问题 |
| 1.5 本论文的研究内容 |
| 第2章 理论基础 |
| 2.1 第一性原理方法 |
| 2.1.1 波恩-奥本海默绝热近似 |
| 2.1.2 Hartree-Fock理论 |
| 2.1.3 密度泛函理论 |
| 2.1.4 交换关联近似及杂化泛函 |
| 2.2 vdW色散相互作用修正方法 |
| 2.2.1 TS两体色散修正方法 |
| 2.2.2 MBD多体色散修正方法 |
| 2.3 纳米摩擦理论模型 |
| 2.3.1 纳米摩擦能量耗散原理 |
| 2.3.2 纳米摩擦运动行为方式 |
| 2.3.3 Prandtl-Tomlinson模型 |
| 第3章 基于物理吸附的金属性/半导体性单壁碳纳米管有效区分方法 |
| 3.1 引言 |
| 3.2 计算方法 |
| 3.3 结果与讨论 |
| 3.4 本章小结 |
| 第4章 基于Au_6团簇/单壁碳纳米管吸附体系的分子开关设计 |
| 4.1 引言 |
| 4.2 计算方法 |
| 4.3 结果与讨论 |
| 4.4 本章小结 |
| 第5章 单壁碳纳米管滑动、滚动行为摩擦机理研究 |
| 5.1 引言 |
| 5.2 计算方法 |
| 5.3 结果与讨论 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻读期间发表的论文 |
| 致谢 |
四、实验观测数据的最优正则平滑方法（论文参考文献）
- [1]基于高通量计算与机器学习的材料设计方法与软件的开发与应用[D]. 罗树林. 吉林大学, 2021(01)
- [2]“矛与盾”式生物竞争启发的高性能结构多尺度力学设计方案[D]. 吴开金. 中国科学技术大学, 2021(09)
- [3]基于深度学习的通信信号智能盲检测与识别技术研究[D]. 李润东. 电子科技大学, 2021(01)
- [4]基于生成式对抗网络的气动外形优化方法研究[D]. 吴秋雨. 电子科技大学, 2021(01)
- [5]非球形气溶胶粒子谱分布的反演算法研究[D]. 刘亚鹏. 北方民族大学, 2021(08)
- [6]气溶胶和水云宏微观参数的激光与微波联合遥感反演[D]. 徐继伟. 中国科学技术大学, 2020
- [7]基于深度学习的Android恶意软件检测模型的研究与实现[D]. 孙志强. 贵州大学, 2020(04)
- [8]基于脉冲神经网络误差反传算法的脑功能模拟与机制分析[D]. 洪朝飞. 天津大学, 2020
- [9]模型启发的图像去噪学习技术研究[D]. 杨旭辉. 华南理工大学, 2020(01)
- [10]单壁碳纳米管的吸附机理及功能化研究[D]. 陈韵. 吉林大学, 2019(02)