一、智能ABC常用输入技巧（论文文献综述）
尤达[1]（2021）在《网络时代美国创剧人研究》文中认为美国创剧人,英文为the creator of American TV soaps,sitcoms and series,原指提供故事创意或者完成试播集剧本向各大电视网推销的人,在实际生产中演变为美剧的创作主体,即具有创作剧本能力的执行制片人。从历史观之,电视时代的创剧人在美剧生产过程中流露出普遍性特点,由此形成的群体特征深刻影响着创剧人自身的演变:从身份的确立到群体的形成,再到阶层的固化。网络时代的创剧人致力于群体特征的变革,以此打破阶层的桎梏。立足创剧人文本的内容与形式观之,所谓“变革”与以往并非只是理念上的区分,在实践场域的分野十分明晰。创剧人既对美剧成规化生产模式进行大胆革新,又依据“自我”的觉感与体认进行个性化创造。更为重要的是,创剧人调和了成规与个性间的对立关系,在文本的内容选择上追求“他者互文”与“自我表现”的紧密结合,表现形式上注重制作范式与创作风格的高度统一,由此在作品中反映出多元且精彩的主题,满足受众不断增长和变化的娱乐需求。这便使得创剧人不再只是播出机构定义下一味媚俗的符号客体,而是被赋予对超越性的追求。本文从历史与现实的维度探讨美国创剧人群体的演变;从文本的内容选择与表现形式上深入考察网络时代创剧人的变革举措,指出其群体特征的两个维度;进而分析这两个维度的相互关系与共同作用;最后基于媒介场域的变化探讨群体特征发生变革的外在成因,从创剧人心理探讨变革的内在动因。如此,形成了对网络时代美国创剧人从表象到本质的考察。揆诸现实,这一研究的目的在于面对美剧在全球范围内卓越的传播力,从创作主体维度探寻美剧的成功之道,以求能在去芜存菁中有效“吸收外来”,为国产电视剧的发展带来启示意义。
王瑞知[2]（2021）在《基于改进WOA优化CRHJ网络的矿井水源判别模型研究》文中指出减少矿井水害事故的发生对于煤矿安全生产十分重要,但矿区水文地质复杂,预防矿井水害事故难度较大。有效快速地进行矿井水源类型判别,不仅能预防水害事故的发生,且在水害发生时能迅速定位发生地,便于煤矿企业采取应对措施,对矿井水害的预防和治理起着至关重要的作用。因此建立合理有效的矿井水源判别模型是防治矿井水害事故的关键。神经网络具有较强的非线性拟合能力,被广泛应用于分类问题,故采用确定性分层循环跳跃网络（CRHJ）作为基本模型进行矿井水源类型判别。为提高模型判别精度,提出混合策略改进的鲸鱼优化算法（MSWOA）,利用MSWOA优化CRHJ网络的权重参数,建立MSWOA-CRHJ矿井水源判别模型。主要研究工作如下:（1）针对传统鲸鱼优化算法（WOA）存在易陷入局部极值、收敛速度慢等缺陷,采用不同策略对WOA进行改进,提出混合策略改进的鲸鱼优化算法（MSWOA）。该算法提升了 WOA四个方面的性能:针对算法收敛速度较慢的问题,采用低偏差序列初始化种群,提高初始解在解空间的覆盖率,提高算法收敛速度;针对算法对勘探和开采平衡能力较差的问题,提出非线性时变因子和自适应权重策略,提高算法对全局搜索和局部开发的平衡能力;针对算法随机搜索不彻底的问题,引入随机性学习策略增加种群多样性,提高全局搜索性能;针对易陷入局部极值的问题,采用柯西变异算子增强算法跳出局部极值的能力。通过对12个基准函数和1个实际工程问题进行实验,结果表明,MSWOA算法在寻优精度及收敛速度上均有明显提升,验证了 MSWOA算法的有效性。（2）针对CRHJ网络权重参数较多且取值随机而影响网络性能的问题,采用MSWOA算法对CRHJ网络性能进行优化,提出MSWOA-CRHJ算法,并将该算法用于矿井水源判别,建立MSWOA-CRHJ矿井水源判别模型。在矿井水源判别的过程中,利用主成分分析法对原始水质数据进行降维和去噪处理,将判别结果的误差函数作为适应度函数,并输入重构主成分数据以训练模型,最后模型输出对待判水源样本的最优判别结果。将MSWOA-CRHJ矿井水源判别模型应用于山东省东滩矿算例进行实验,结果表明,MSWOA-CRHJ矿井水源判别模型的判别准确率为100%,超过PCA-CRHJ的90.909%、CRHJ 的 81.818%、CRJ 的 81.81 8%、ESN 的 72.727%,证明该模型可准确判断水源类型,具有较高判别精度,验证了所提模型的可靠性。
杨绪勇[3]（2021）在《基于美学感知的多媒体图文智能合成研究》文中进行了进一步梳理多媒体图文智能合成一直是工业界和学术界的新兴热点话题。视觉元素与可读文字的良好结合,可以达到赏心悦目的效果,因此具有巨大的商业潜力。虽然该领域活跃而重要,但由于异质的媒体元素、美的抽象性、设计原则和布局优化等原因,基于美学感知的多媒体图文智能合成仍然具有挑战性。本文进行了基于美学感知的多媒体图文智能合成研究,对人的美学感知进行建模和挖掘,让机器能理解、辅助和自动合成有美感的图文展示。希望该研究工作能帮助设计师减少重复工作而有更多精力实现创意创造,也赋能普通人实现有美感的设计。对于美学感知的表达,本文有以下发现:美感可以被设计在美学模版中,其中包含布局美学和颜色美学的数学模型以及文本位置、大小、字体和颜色的相互约束关系,本文验证了美学模版能实现专家美学经验的有效传递;本文也发现了图文合成中的设计样式和图像本身的颜色风格有极大的相关性,因此相似颜色风格的多媒体图文有极相似的设计风格和美学感知;本文还发现深度神经网络能对设计作品的美学感知进行有效的编码,表达出更多隐藏的特征。基于这些发现,本文主要研究内容和创新成果如下:1.提出一种基于美学模版的可计算图文智能合成框架。本文利用模版中的自上而下的美学原理,结合图文分析中自下而上的元素特性,构建一套可计算的系统框架,将文本排版问题建模成在模版美学约束条件下的能量最小化问题,并借助模版中的美学模型对文字颜色等属性完成求解,从而实现图文智能合成。该工作因为对美学感知的创新表达方式以及实现了计算美学在图文合成领域的有效应用,获得TOMM授予了 2017年年度最佳论文奖。2.提出一种基于深度学习的图文合成颜色推荐算法。本文通过有美学得分的颜色主题数据训练学习颜色和谐性评分子网络,并通过设计作品数据集训练学习文字可读性评分子网络,最终设计了图文合成过程中文字颜色的推荐网络,辅助图文智能合成。3.提出一种基于颜色风格特征提取和检索的方法进行设计样式推荐。基于对设计样式的研究,本文设计出高效而准确度量的图像颜色风格特征,以及特征之间有效的距离度量,实现一种基于图像颜色风格的检索方法,帮助寻找到与当前图像有相似设计风格的多媒体图文,对图文合成的字体样式和颜色进行推荐,辅助图文智能合成。4.提出一种基于深度学习的图文智能合成神经网络。该网络模仿设计师的设计行为,在每一个阶段,网络会根据上一阶段得到的结果,预测本阶段待加入文本的位置、大小、样式和颜色属性。逐层预测后,网络对所有阶段的预测结果进行融合得到最后的输出,实现基于深度学习的全要素预测图文智能合成。深度学习的方法能发现图文设计作品中隐含的美学原理,合成结果拥有相对传统方法更好的创新性和设计感。
曲蕴慧[4]（2021）在《高速宽幅纸机纸病在线诊断关键算法研究》文中研究指明纸张抄造过程中出现的诸如脏点、孔洞、褶皱、划痕、尘埃以及裂缝等表面瑕疵统称为纸病。纸病的出现,会对纸张,尤其是对航天航空用纸、电解电容器纸以及壁纸原纸等附加值大的特种纸张的后续使用带来不良的影响,甚至是巨大的经济损失。因此,需要在纸张抄造的过程中及时发现这类纸张的表面瑕疵并进行标记处理,必要时甚至需要对纸病产生的原因进行溯源。纸病诊断技术是指通过工业相机在线采集纸张图像来判断纸张是否含有纸病,并对含有纸病的纸张图像进行纸病分类,对纸病大小、位置等信息进行在线识别。一般而言,纸病诊断过程可以分为纸张图像采集及预处理、纸病在线检测、纸病分类和识别三个主要阶段。随着纸机车速的提高和幅宽的加大,纸病出现的可能性也随之增大,同时采集到的纸张图像数据量会随之成倍增长,使得实时检测以及分类识别的难度也随之增大。而现有的纸病诊断系统存在纸病在线检测精度较低,可分类的纸病种类少,分类器可扩展性差等问题。为解决以上问题,本文对纸病诊断过程中的纸张图像预处理、纸病在线检测、纸病分类和识别三个阶段的关键算法开展基础理论及实验验证研究。论文的主要工作及贡献可总结为以下四个方面。（1）基于DCT同态滤波的纸张图像去噪算法。针对纸张图像采集过程中由于光源所产生的噪声无法通过常用的空间域以及频率域滤波器直接滤除的问题,结合纸病预处理过程对实时性的要求,提出基于分块DCT（Discrete Cosine Transform）的同态滤波算法。在保证滤波效果的前提下,使用分块DCT变换替代传统同态滤波的傅里叶变换,提高滤波速度以满足后续纸病检测实时性的需求。实验对比结果表明本文所提出的滤波算法可以有效地去除光照的干扰,增强纸病区域图像,并且时间复杂度远远低于传统的同态滤波算法。（2）基于二维阈值的纸病图像分割算法。纸病图像分割是纸病在线检测过程中的一个重要技术环节,它是依据纸张图像的灰度、纹理和边缘等特征,把含有疑似纸病的图像区域分离出来。针对当前纸病检测过程检测精度低,速度慢的问题,提出两种基于二维阈值的纸病图像分割方法。考虑到高速宽幅纸机,纸机速度快,幅宽较宽,在一帧纸张图像中可能会出现多个不同类型,不同灰度值的纸病的问题,提出基于快速二维阈值分割的多纸病检测算法。首先采用差影法解决多纸病问题;其次对二维Otsu算法进行改进,将二维阈值分割为两个一维阈值进行求解,同时根据差影后纸病图像灰度分布特点,缩小阈值搜索范围,进一步加快了最优阈值的选择。实验结果表明:本文方法在保证检测速度的前提下,分割精度较基于一维阈值分割的纸病检测算法有明显调高。对于某些对于纸张质量要求更高的特种纸生产线的纸病检测,提出一种基于改进人工蜂群（Artificial Bee Colony,ABC）优化的低对比度纸病检测。首先使用Gabor滤波滤除纸病纹理的干扰;然后对ABC算法进行改进,加快其优化速度;最后使用改进后的ABC优化算法求解二维分割阈值,来对纸病图像进行分割。实验证明此方法对低对比度纸病的检测正确率有了进一步的提高。（3）基于卷积神经网络的纸病分类算法。针对传统纸病分类首先需要进行特征提取,然后根据所提取的特征设计分类器,分类效果的好坏首先取决于特征的选取,并且可扩展性差的问题,将卷积神经网络（Convolutional Neural Networks,CNN）用于纸病图像分类过程中;针对纸病图像数据少所导致的在训练卷积神经网络分类器过程容易产生的过拟合问题,引入迁移学习的策略。首先使用公开的图像数据集ImageNet对VGG16卷积神经网络进行训练,固定其部分卷积层参数;然后使用自建的纸病图像数据集对其余卷积层参数进行微调;最后,为适合所需的纸病图像种类,改进VGG16全连接层完成纸病图像的分类。实验结果证明了此方法在训练过程中收敛速度快,无过拟合现象的出现,并且纸病分类的准确率较高。（4）基于可变形卷积神经网络的纸病识别算法。采用基于迁移的卷积神经网络纸病图像分类算法虽很好的解决了传统的纸病分类过程对图像特征提取的依赖以及分类器扩展性问题,但由于每种卷积神经网络对输入图像的大小是由严格要求的,故在实际进行分类时,首先需要对输入纸病图像进行相应处理,才能进行分类。同时分类器无法直接标识出纸病区域在采集到的纸张图像的位置。针对以上问题,提出一种基于可变形卷积的纸病识别算法,将两阶段图像检测算法Faster R-CNN引入纸病图像识别过程。针对纸病图像所占图像区域较小或形态不规则而导致的Faster R-CNN算法在纸病识别中定位不够精确,分类准确率低等问题,在传统卷积层之后加入两个可变形卷积;同时,使用可变形感兴趣区域（Region-of-Interest,RoI）池化替代普通的RoI池化,来更加精确的提取纸病区域特征。实验证明了该算法在分类正确率以及可扩展性方面较之前算法有了进一步的提高。综上所述,本文围绕纸病诊断过程的关键算法——纸张图像去噪算法、纸病图像分割算法、纸病分类及识别算法,开展理论研究及实验探究工作。同时,为了解决深度学习以及卷积神经网络在模型训练测试过程中所遇到的数据缺乏问题,采用实际采集与图像处理相结合的手段,建立了图像大小分别为224×224像素以及227×227像素的纸病图像数据集,供本文以及后续研究所使用。实验结果表明:本文所提算法可做到纸病检测过程速度快、精度高,纸病分类及识别过程准确率高,可扩展性好,能够有效解决纸病诊断过程遇到的关键问题。研究成果为开展造纸工业纸病诊断系统的自主研制、进一步提高纸张生产质量以及企业效益具有一定意义。
史特[5]（2021）在《面向轻算力的深度模型自动生成关键技术研究与原型实现》文中提出近年来,各行业都依赖机器学习模型进行技术的提升和创新。但是,模型生成的任务非常繁重,因为人工为某个特定任务进行模型设计会非常耗时耗力,且训练模型时,对计算机硬件配置要求较高,对领域专家的专业知识依赖较高。以上原因,都阻碍了目前深度学习的发展,因此使得机器学习的流程变得轻量化、自动化的研究逐渐变成了研究人员的重点关注内容。本课题围绕着自动机器学习的主要研究内容,包括自动数据增强和自动模型设计两个重要环节,进行了有限实验资源下、短时间内生成深度模型的研究,目的是将模型生成的任务变“轻”。并且,构建了面向轻算力的深度模型自动生成的平台,并将自动生成的模型部署到了移动端。本课题针对面向轻算力的深度模型自动生成关键技术,重点研究了基于可微分梯度估计的轻算力自动数据增强方法、降低深度间隔的轻算力自动模型设计方法以及平台设计,主要内容如下:（1）研究基于轻算力的自动数据增强方法。与目前较为成熟的Auto Augment算法不同,本课题将自动数据增强的搜索空间处理为连续化的,并用sigmoid函数来打破多个操作之间相互抑制的困境,在搜索策略的选择上提出使用小批量梯度下降的方式,并使用了梯度估计的技巧,研究了基于可微分梯度估计的轻算力自动数据增强方法,使得时间成本大大降低,且产生的数据集质量仍然和Auto Augment算法产生的数据集质量具有可比性。（2）研究基于轻算力的自动模型设计方法。与目前较为成熟的DARTS算法不同,本课题将神经网络结构搜索的搜索过程分成4个阶段,使用了回馈更新的机制,并借助早停和dropout的方式来限制跳跃连接的个数,以此来缩小网络之间的深度间隔。同时,优化了候选操作的类型,并设计了新的损失函数,研究了降低深度间隔的轻算力自动模型设计方法,使得神经网络结构搜索的时间相比于DARTS大大降低,且产生的模型质量也和DARTS产生的模型质量相当。（3）最后,构建了一种面向轻算力的深度模型自动生成平台,并将生成的模型部署到移动端。
塔什甫拉提·尼扎木丁（NIZAMIDIN Tashpolat）[6]（2021）在《维吾尔语语音情感特征分析与识别算法研究》文中提出机器翻译,自动语音识别等领域已经被研究了半个多世纪。这些系统要实现功能是在人与机器,甚至在机器与机器之间能够像人与人一样自然地进行互动。传统的语音识别系统只对说话人的讲话内容进行语音到文字的转换,而不考虑说话人的状态、情绪等特征。语音情感识别正是研究说话人的情感状态。但是相比于语音识别等传统任务,语音情感识别任务缺少大规模的情感语音数据库,而且很多种语言没有情感语音数据库。因此,通过传统深度学习的方法进行语音情感识别效果不佳。针对上述问题,本文从数据库建立、特征空间变换及模型建立方面进行研究,主要做了以下工作:1.针对国内少数民族语言语音情感数据库空白的问题,本课题设计了相关实验场景并建立了维吾尔语语音情感数据库。母语为维吾尔语的20名表演者（10名女性和10名男性）模拟6种情绪,总共收集了1200个语音情感样本。表演人员在录制过程中被情感场景句子诱发对应的情感,从而逼近真实的情感语音。基于上述维吾尔语语音情感数据库分析了各情感语音的声学特征,以及观察声学特征对语音情感识别的区分能力。2.情感特征空间的学习是语音情感领域最重要的一个研究方向,为了在语音情感识别中获得高效、紧凑的低维特征,本文提出了一种新的基于不确定线性判别分析的特征约简方法。用与传统LDA相同的原则,在最大判别方向的估计中引入带噪声或失真输入数据的不确定性。在维吾尔语语音情感识别任务上验证了不确定性判别分析的有效性。获得了比其他常用降维技术更好的结果。实验结果表明,采用适当的不确定性估计算法时,在维吾尔语音情感识别任务上,不确定性线性判别分析（ULDA）算法优于传统LDA降维算法。另外,本文又提出了一种原子表示模型的分类方法实现维吾尔语语音情感识别。基于表示模型的分类算法,如稀疏表示方法,近年来在模式识别领域引起人们的极大兴趣,而且获得了较好的效果。有效的表示情感特征对语音情感识别效果影响较大。从维吾尔语语音中提取情感特征,用原子表示模型对这些提取的情感特征空间进行建模,在构建好的情感空间模型中选出最逼近的情感类别,从而达到情感识别的目的。本文所提出的方法实验结果表明,该方法优于传统方法,在维吾尔语情感语音库上的识别率达到64.17%。3.目前的深度学习方法在使用大量的训练数据时可以取得很好的效果,但是语音情感语料库训练实例的不足使得常用的深度学习方法很难达到令人满意的结果。因此,本文提出了一种孪生神经网络框架,该网络通过成对训练,可以在有限的数据下训练并取得较好的效果,缓解样本不足带来的影响,并提供足够的迭代次数。在孪生网络的框架中,我们设计了两个基于注意力机制的长短期记忆网络,对称的两个网络互相分享权重,并且我们给这些网络按循序地输入帧级特征,而不是整个语音静态的统计特征,以保留原始语音中的时序信息。结果表明,与传统的深度学习方法相比,该方法在语音情感识别结果上有了显着的提高。另外,为了有效解决退化问题,本文提出了一种基于注意力的密集LSTM语音情感识别方法。在LSTM网络中引入基于注意力的密集连接,构造了能够处理语音等时间序列的LSTM网络。即在每层的跳转连接中加入权重系数,以区分层间情感信息的差异,避免底层冗余信息对上层有效信息的干扰。实验结果表明,该方法在e NTERFACE和IEMOCAP语料库上的识别性能分别提高了12%和7%。4.针对现有情感计算算法中存在情感跟踪延迟及忽视情感状态连续性的问题,本文提出了一种结合数据场情感空间和混合蛙跳算法的连续语音情感变化趋势检测技术。首先构建数据场情感空间,利用情感特征量模拟数据场粒子,用势能函数描述粒子之间的相互作用,然后运用混合蛙跳算法技术,用青蛙个体来模拟情感状态变化过程中的情感特征量,得到情感变化的趋势。通过对变化趋势的分析,可以达到情感预测的目的。经实验证明,该算法性能比现有算法有较大的改进。
李睿敏[7]（2020）在《基于视觉数据的人体动作精细分类及评估方法研究》文中研究指明人体动作是人类最主要的生物特征之一,让传感器和计算机学会像人类一样感知和理解人体动作具有重要意义。基于视觉数据的人体动作精细分类及评估以其非接触、低成本等优势,广泛地应用于智能安防、人机交互和康复医疗等领域。基于视觉数据的人体动作精细分类及评估指的是利用计算机视觉技术对视频中发生的人类动作进行动作类别预测、时间上的精细分类和动作质量评分,主要包括动作分类、动作检测和动作评估三大模块。目前的研究工作主要存在以下问题:（1）现有的动作分类方法大多数依赖于深度神经网络,难以对动作内部进行深入剖析和研究;（2）目前的动作检测算法没有考虑动作的完整性,定位精度低,难以满足实际场景下的需求;（3）在动作评估研究中,评估动作简单,且局限于对体育赛事的评估。针对以上存在的问题,本文从动作分类、动作检测和动作评估三方面入手,首先提出了可解释的动作分类算法,用于对视频中发生的人类动作进行类别预测。考虑到实际场景下获取的视频通常为未剪切的长视频,进一步提出了渐进式动作检测算法对未剪切长视频中的人类动作进行时间上的精细定位。然后,提出了精细动作评估算法用于对已知类别和精确定位得到的人体动作进行定量评估。最后设计了康复医疗场景下的数字化视觉动作追踪系统,应用提出的动作精细分类及评估算法实现相关疾病的辅助诊断和机制探索。主要研究工作总结如下:1.提出了一种可解释的基于关键片段描述子和步长矩阵模型的人体动作分类算法。将动作单元定义为由连续几帧具有相似空间结构的骨骼帧构成的骨骼片段,提取骨骼片段的时空特征进行聚类形成关键片段字典,将骨骼序列表示为词序列。构建步长矩阵模型,用于编码动作序列的多尺度全局时序信息,通过计算测试样本的步长矩阵与各类别动作的步长矩阵的响应实现动作分类。该算法在Northwestern-UCLA数据库、MSRC-12数据库和CAD-60数据库上的动作分类准确率分别达到78.96%、91.84%和91.18%。2.提出了一种基于深度残差网络和实例搜索的渐进式动作检测算法,专注于实现高精度的动作精细定位。提出用于量化表示当前帧动作进度的进度标签,设计了基于Res Net-50的53层进度标签预测网络LPNet-53,用于实现单帧图像的进度标签回归。提出渐进式动作搜索算法,基于进度标签序列精细定位动作实例发生的区间位置。构建DFMAD-70数据库,用于评估渐进式动作检测算法的性能。该算法在DFMAD-70数据库上的检测精度为:当t Io U=0.5时,m AP=97.0%,当t Io U=0.8时,m AP=76.0%。3.针对康复医疗场景下动作评估自动化的需求,提出了一种基于时域滤波卷积神经网络的动作检测方法,实现了交互过程中的精细动作评估。应用设计的视觉动作追踪系统记录实验对象在精细动作评估任务中的动作数据,构建动作评估数据库。实验结果表明,所提出的动作评估方法的预测结果与人工评分的平均误差为1.83,有效实现了精细动作的自动化评估。4.开发了一套无标记的低成本数字化视觉动作追踪系统,系统由Kinect和头戴式眼动仪组成,Kinect用于捕获记录实验对象动作数据的RGB图像、深度图像和骨骼数据,眼动仪用于捕获实验对象的眼动信息和第一视角下的动作数据。该系统可用于同步记录康复医疗场景下动作评估过程中的动作数据和眼动数据,实现了运动障碍相关疾病的辅助诊断和机制探索。
廖梦怡[8]（2020）在《共情视角下融合多模态数据的自闭症谱系障碍儿童识别》文中研究表明自闭症谱系障碍（Autism spectrum disorder,ASD）是一种发病于儿童早期的广泛性神经发育障碍,其特征为社交障碍、语言和非语言交流障碍、兴趣狭隘、重复和刻板行为。因其生活难以自理、社会适应不良,无有效药物治愈并极易发展为终身残障,只能依靠长期教育干预训练辅助矫治,给家庭和社会带来巨大的经济及精神负担。目前,自闭症的病因尚不清楚,在医学领域也没有可以治愈的特效药。临床对照研究表明,早期发现和及时干预可以显着改善预后,能够很大程度上改善自闭症儿童的语言能力、认知能力以及行为习惯。因此,自闭症的早期识别工作意义重大,越来越多的研究人员开始探索自闭症早期识别方法。婴幼儿的社会交往能力、游戏技能、语言和认知能力在早期自闭症识别中具有良好的区分度,在此基础上,结合婴幼儿在不同年龄段的生长发育规律以及专科医生的临床诊断标准,研究者们开发出了多种自闭症早期识别工具,这些工具大多通过标准问卷由家长或其他看护人员完成,搜集儿童的日常行为习惯和认知能力,或通过人工观察,由专家在严格控制的临床环境下使用。但这些工具在应用过程中存在一些问题,主要体现在以下几方面:（1）儿童评估过程需要专业的评估人员参与,而有经验的评估人员相对匮乏;（2）评估过程耗时费力、效率低下;（3）评估过程容易受各种主客观因素影响,评估结果的客观性有待提升。随着移动互联网、智能传感器、云计算等信息技术的发展,人工智能技术越来越多地应用于医学和教育领域。目前,自闭症的诊断和治疗领域每天都产生大量的数据,基础数据的积累量已达到一定规模,海量的历史数据可成为自闭症识别的判断依据,人工智能技术有望提供一种精准、快速、智能化的自闭症识别方法。另外,大量研究表明自闭症儿童存在共情能力缺陷,共情条件下的多模态数据能够提供更多的自闭症儿童特征性信息,有利于提升自闭症儿童的识别精度。因此,本文研究了共情条件下融合多模态数据的自闭症儿童识别方法,该研究主要探索以下问题:（1）自闭症儿童的共情能力缺陷主要存在于共情过程中的哪一个阶段?哪些数据可以有效表征这些缺陷?（2）如何通过人工智能技术提取各种数据的有效特征,探索各模态数据之间是否存在有利于提升识别精度的互补性信息?（3）针对多模态的多源异步数据,如何充分利用数据之间的互补性信息进行数据融合,提升自闭症儿童的识别精度?本研究从问题出发——自闭症儿童存在共情能力缺陷,通过共情能力缺陷在生理数据、行为数据和认知数据方面的量化研究,进而提出假设——自闭症儿童共情条件下的行为数据、认知数据可以用于自闭症早期识别,然后应用假设——提出基于单模态数据（行为数据或认知数据）的自闭症儿童早期识别方法,并提出融合多模态数据的自闭症儿童识别方法,最后验证假设——将本文提出的智能化自闭症识别方法与传统方法识别结果进行一致性检验。具体的研究内容包括:（1）共情条件下自闭症儿童生理、行为、认知数据特异性研究;（2）基于单模态数据的自闭症儿童识别方法;（3）基于多源异步多模态数据的自闭症儿童识别方法;（4）智能化的自闭症识别方法与传统方法识别结果的一致性检验。本文的主要贡献如下:（1）本文研究和分析了共情条件下自闭症儿童和典型发展儿童的生理数据、行为数据和认知数据,发现自闭症儿童的共情能力缺陷主要体现在较差的认知共情能力和较差的面部表情模仿能力;自闭症儿童的共情过程存在正常的自下而上的情绪分享过程和异常的自上而下的认知调节过程。因此,我们提出共情条件下的行为数据、认知数据可应用于自闭症儿童早期识别。（2）本文将儿童眼动数据、面部表情数据、认知数据分别应用于自闭症的早期识别,并探索每种数据对自闭症儿童和典型发展儿童的识别能力,发现眼动数据、面部表情数据以及认知数据都是识别自闭症儿童的有效指标,这些数据之间存在互补性信息,融合这些互补性信息有利于提升识别精度。（3）本文提出基于互信息的加权随机森林算法对儿童数据进行分类,使用互信息评估每棵决策树的分类能力,为每棵决策树分配预测权重,根据每棵决策树预测权重进行加权投票,有效提高了随机森林的预测精度,有利于提升自闭症儿童的识别精度。（4）本文提出基于多源异步多模态数据的自闭症儿童识别方法,将多模态数据进行混合融合,混合融合过程分为两个层次:第一层对具有时间同步性的不同源数据进行特征融合,融合得到行为特征向量和认知特征向量,分别使用行为特征向量和认知特征向量进行决策;第二层对行为数据和认知数据各自的识别结果赋予决策融合权重,然后进行决策融合。混合融合方法既充分利用了不同数据之间的互补性信息,又保证了数据决策的灵活性和客观性。
李峰[9]（2020）在《云模型优化的模拟电路故障诊断智能方法研究》文中认为集成电路技术的不断发展,使得系统中电路不断往大规模方向发展,在增加电路系统复杂度的同时,也带来了电路测试的一系列问题。据研究,现在电路系统的测试成本已经远远的超出电路系统的研制成本,虽然电路系统中模拟电路所占的比例只有整个电路的20%,但是故障率却占到80%,并且由于模拟电路元器件的容差和非线性等特点,导致模拟电路故障测试技术相较于数字电路发展缓慢。而且随着电路集成度的提高,传统的模拟电路故障诊断技术越来越不满足现代电路测试的需求,研究新的模拟电路测试技术迫在眉睫。近年来由于人工智能算法的兴起,大部分学者将人工智能算法引入到模拟电路故障诊断中,因此为模拟电路故障诊断技术的发展带来了新的思路。本文以人工智能算法为测试方法,以两个国际基准电路Sallen＿key和CTSV电路为验证对象,以云模型为基础从电路特征提取以及电路故障诊断两方面出发,对模拟电路有关的测试方法进行了研究。本文涉及的工作和主要内容如下:（1）模拟电路特征提取的研究。特征提取是对电路进行故障诊断的一项关键技术,特征提取的优劣直接影响到模拟电路的故障诊断结果。针对模拟电路存在的非线性和非平稳性,以及电路故障诊断时存在的模糊性与随机性问题,并且通过对局域均值分解算法（Local Mean Decomposition,LMD）和云模型的研究,提出了一种结合局域均值分解算法和云模型的模拟电路特征提取方法。该方法首先通过LMD算法对模拟电路的原始信号进行分解,然后利用逆向云发生器提取所选取的分解信号的三个数字特征值。在使用该方法进行云数字特征值提取时,不但大大的压缩了模拟电路的特征维数,同时也丢失了电路的部分细节信息。而且传统的逆向云发生器在求解云数字特征时误差大、稳定性不强。因此为了使云特征数据能更好的反映模拟电路的本质信息,以及增加逆向云发生器的稳定性和减少求解云特征数据的估计误差,提出了另外一种特征提取法,即相空间重构（Phase Space Reconstruction,PSR）优化多步逆向云算法。该方法在进行特征提取时,对三个云数字特征值的求解过程进行了改进,并用PSR技术对其进行了优化。通过与结合LMD云模型的特征提取方法相比,模拟电路故障诊断率得到了有效的提高。（2）模拟电路故障分类的研究。本文通过对最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的逐渐深入研究,发现LSSVM的核函数参数以及惩罚因子是影响分类效果的重要因素。又因为人工蜂群算法（Artificial Bee Colony algorithm,ABC）具有良好的全局寻优能力,所以在进行故障诊断时使用ABC算法对LSSVM的参数进行优化,并成功的构建了ABC-LSSVM的故障诊断模型。但是标准的ABC算法在对LSSVM的参数进行优化时使用随机赋值的方法会对ABC-LSSVM网络的稳定性有一定的影响,因此本文使用反向学习机制对ABC算法的初始化进行改进。另外为了增加ABC算法解的多样性和增强其探索能力,使用云模型改进ABC算法的概率选择机制,同时为了改进ABC算法的寻优速度,使用最优个体对标准ABC算法的搜索方式进行引导。因此提出了最优引导反向云模型算法（Optimal Guidance Reverse Cloud Model,简称GRC）优化ABC算法,并构建了GRCABC-LSSVM模拟电路故障诊断模型。通过与ABC-LSSVM比较,GRCABC-LSSVM具有更快的收敛速度,而且也得到了更好的模拟电路故障诊断效果。
卫佳敏[10]（2020）在《群智能优化算法及其在分数阶系统参数辨识中的应用研究》文中研究指明群智能优化算法是一类通过模拟自然界生物种群的智能行为而产生的随机优化算法,具有对目标函数的要求不高、不依赖于初值的选取等特点,为许多领域中的优化问题提供了卓有成效的解决方案.目前,已经提出了多种新兴或改进的群智能优化算法,其中一些算法的有效性不仅在理论上得到了验证,在实际中也得到了应用,但是对群智能优化算法的研究在很多方面仍存在可以提升的空间.例如,如何在算法的探索能力和开发能力之间达到较好的平衡仍是一个值得探讨的问题.另外,有些算法在解决实际问题时存在计算精度不高、收敛速度慢或易于陷入局部最优等问题,提出相应的改进算法具有重要意义.此外,已提出的优化算法通常是针对某个特定问题而设计的,当将其应用到其他问题时存在失去效力的风险,具有一定的局限性,因此,采用具有不同复杂特性的测试函数来综合评判算法的优化性能很有必要.另一方面,分数阶系统的参数辨识问题是非线性系统的控制与同步领域中非常重要的一个研究课题,可以通过建立数学模型将其转化为一个多维优化问题,然而由于分数阶微分算子的引入和非线性系统的复杂性,构造的适应度函数可能存在多个局部极值点,传统的优化算法往往难以处理,而原始的群智能优化算法也存在一定的缺陷,提出新的改进算法不仅可以改善算法的优化性能,同时将为参数辨识问题提供更加有效的解决方案.综上所述,本文主要研究了以布谷鸟搜索（CS）算法为代表的一类群智能优化算法,通过分析算法的特点和不足,提出了一系列改进的群智能优化算法,并将其应用到分数阶（整数阶）非线性系统的参数辨识问题中.此外,为了更加全面地研究算法的优化性能,选取一系列函数优化问题对算法的优化性能进行测试和评价,最后再次采用参数辨识问题来验证算法的有效性和通用性.本文的具体内容如下:（1）基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识.CS算法在其局部搜索阶段采用了比较简单的随机游走机制,搜索速度快,但是解的多样性较低.针对这个问题,提出了一种混合布谷鸟搜索（HCS）算法.HCS算法在CS算法的局部随机搜索阶段,引入了一种参数自适应的差分进化策略,给出了基于差分进化的随机游走.此外,在算法的初始化和每次迭代的最后结合了反向学习方法,引导种群向更有潜力的区域进行搜索.最后,将HCS算法应用到整数阶无时滞和时滞混沌系统的参数辨识中,数值实验结果表明,HCS算法可以得到较为精确的参数辨识值,并且收敛速度较快,在与其他算法比较时也具有一定的竞争优势.（2）基于改进的量子行为粒子群优化算法的分数阶非线性系统的参数辨识.为了改善量子行为粒子群优化（QPSO）算法易于陷入局部最优这一缺陷,同时保留其收敛速度快、控制参数少等优点,通过在QPSO算法中引入基于适应度值的平均最优位置、推广的反向学习方法和差分变异算子,提出了一种改进的量子行为粒子群优化（IQPSO）算法,并将该算法应用到分数阶混沌系统的参数辨识中,其中系统参数和分数阶阶数被设定为未知参数,此外,还考虑了噪声对参数辨识结果的影响,相比以往的研究工作,具有更高的维数和要求,处理起来难度更高.通过分析实验结果得出,IQPSO算法可以被认为是一种精确度高、通用性强、鲁棒性好的分数阶系统的参数辨识方法,相比其他算法具有一定的优越性.（3）基于两种改进的布谷鸟搜索算法的函数优化及应用.通过对分数阶系统的参数辨识问题的研究,我们发现针对特定问题而设计的群智能优化算法往往具有一定的局限性,仅在某些特定问题中体现出其优势.因此,在已有研究工作的基础上考虑了函数优化问题.同时,为了进一步提高CS算法的优化能力,增强其探索能力和开发能力,分别针对全局搜索阶段和局部搜索阶段做出改进,提出了兼具高优化性能和广泛通用性的两种CS改进算法:参数自适应的新型布谷鸟搜索（CSAPC）算法和带有外部存档的自适应布谷鸟搜索（ACS-OEA）算法.并采用具有单峰、多峰、旋转和/或移位等复杂性质的测试函数问题从不同方面对所提出算法的性能进行评价,此外,为了进一步验证算法的有效性,还将两种算法应用到分数阶系统的参数辨识问题中.通过分析数值实验结果可以得出,两种改进的布谷鸟搜索算法均具有较高的计算精度和收敛效率,同时具有一定的通用性.（4）对布谷鸟搜索算法中分布函数的分析.算法的探索能力与分布函数产生的随机数之间有着密切的联系,CS算法因为采用了基于L′evy重尾分布的L′evy飞行而具有较强的全局优化能力.然而采用不同的重尾分布也可能在一定程度上提高CS算法的搜索能力,因此,我们对基于不同重尾分布的CS算法进行了分析,主要采用四种经典的重尾分布,即Mittag-Leffler分布、Pareto分布、Cauchy分布和Weibull分布,来替换CS算法中的L′evy分布,提出了基于相应重尾分布的布谷鸟搜索算法.数值实验结果表明,采用不同的重尾分布可以有效地增强CS算法的探索能力.
二、智能ABC常用输入技巧（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、智能ABC常用输入技巧（论文提纲范文）
（1）网络时代美国创剧人研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 绪论 |
| 第一节 研究缘起 |
| 第二节 文献综述 |
| 第三节 研究对象 |
| 第四节 研究思路和方法 |
| 第一章 身份与阶层:美国创剧人群体的演变 |
| 第一节 电视时代创剧人的身份界定(1928-1963) |
| 一、创剧人身份的探索:从发明家到电视人 |
| 二、创剧人身份的确立:首席编剧与执行制片人 |
| 第二节 电视时代创剧人的阶层分析(1964-1998) |
| 一、创剧人群体的形成:三大剧种创剧人群体 |
| 二、创剧人阶层的出现:三大阶层创剧人分布 |
| 第三节 网络时代创剧人的阶层突破(1999-2019) |
| 一、模型构建:多源异构数据下的第一阶层创剧人画像 |
| 二、画像分析:从第一阶层创剧人到创剧人“职业群体” |
| 第二章 他者与自我:网络时代创剧人文本的内容选择 |
| 第一节 他者互文:临摹现实文本下的客观写实 |
| 一、效仿现实生活:从真人真事中取材 |
| 二、互文经典作品:从文学与影视中取材 |
| 第二节 自我表现:“三重自我建构”下的主观抒情 |
| 一、对“个体自我”的探寻 |
| 二、对“关系自我”的定位 |
| 三、对“集体自我”的认知 |
| 第三节 紧密结合:创剧人文本内容层面的群体特征 |
| 一、他者故事中自我的汇入 |
| 二、自我镜像中他者的虚构 |
| 第三章 制作与创作:网络时代创剧人文本的表现形式 |
| 第一节 制作范式:视听电影化与叙事文学性 |
| 一、电影化影像策略:质感营造与“景观”制造 |
| 二、文学性叙事策略:叙事结构与叙事线索 |
| 第二节 创作风格:视听个性化与叙事风格化 |
| 一、个性化的长镜头与蒙太奇 |
| 二、风格化的“话语”建构 |
| 第三节 高度统一:创剧人文本形式层面的群体特征 |
| 一、制作范式中个性的凸显 |
| 二、创作风格中成规的体现 |
| 第四章 互构与升华:群体特征两个维度的相互关系与共同作用 |
| 第一节 相互关系:成规与个性的互构 |
| 一、同源性:相近起源与发展 |
| 二、同构性:相互建塑和形构 |
| 三、共生性:互相依存与协作 |
| 第二节 共同作用:多元且精彩的主题 |
| 一、世界观的引导:个人信仰与哲学思辨 |
| 二、人生观的认同:女性主义、反同性歧视和反种族歧视 |
| 三、价值观的迎合:反英雄、非英雄与集体无意识 |
| 第五章 环境与心理:网络时代创剧人群体特征的成因 |
| 第一节 外在环境之变:媒介场域架构下的特征成因 |
| 一、网络时代媒介场域的架构变化 |
| 二、媒介与受众博弈下的底层逻辑 |
| 第二节 内在心理动因:“人类动机理论”下的特征成因 |
| 一、自我求生:生活困难者的生理需要 |
| 二、自我救赎:面临威胁者的安全需要 |
| 三、自我倾诉:身份认同困惑者的归属需要与情感缺失者的情感需要 |
| 四、自我证明:事业受挫者的尊重需要 |
| 五、自我实现:美国创剧人的终极追求 |
| 结语 |
| 第一节 从传播到效仿:美剧强大的影响力 |
| 第二节 在分辨中学习:现状、启示与反思 |
| 附录 |
| 参考文献 |
| 在校期间取得的成果 |
| 致谢 |
（2）基于改进WOA优化CRHJ网络的矿井水源判别模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 矿井水源判别研究现状 |
| 1.2.2 确定性分层循环跳跃网络研究现状 |
| 1.2.3 传统鲸鱼优化算法研究现状 |
| 1.3 论文研究内容及创新点 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文创新点 |
| 1.4 论文组织结构 |
| 2 相关理论及模型概述 |
| 2.1 确定性分层循环跳跃网络 |
| 2.1.1 CRHJ网络结构模型 |
| 2.1.2 CRHJ网络训练过程 |
| 2.1.3 CRHJ网络影响因素分析 |
| 2.2 传统鲸鱼优化算法 |
| 2.2.1 WOA算法基本原理 |
| 2.2.2 WOA算法基本流程 |
| 2.2.3 WOA算法影响因素分析 |
| 2.3 主成分分析法 |
| 2.4 本章小结 |
| 3 基于混合策略改进的鲸鱼优化算法 |
| 3.1 MSWOA算法的改进策略 |
| 3.1.1 低偏差序列优化种群初始化 |
| 3.1.2 非线性时变因子和自适应权值 |
| 3.1.3 随机性学习策略 |
| 3.1.4 柯西变异策略 |
| 3.2 MSWOA算法的基本流程 |
| 3.3 算例与结果分析 |
| 3.3.1 实验环境及参数设置 |
| 3.3.2 算例及评价指标 |
| 3.3.3 对比模型及结果分析 |
| 3.4 本章小结 |
| 4 基于MSWOA优化CRHJ网络的矿井水源判别模型 |
| 4.1 矿井水源判别问题描述 |
| 4.2 矿区水文地质概况 |
| 4.2.1 东滩矿概况 |
| 4.2.2 东滩矿水文地质类型 |
| 4.3 MSWOA-CRHJ矿井水源判别模型 |
| 4.3.1 基于MSWOA优化CRHJ网络算法 |
| 4.3.2 MSWOA-CRHJ井水源判别模型框架 |
| 4.4 算例与结果分析 |
| 4.4.1 实验环境及参数设置 |
| 4.4.2 算例及评价指标 |
| 4.4.3 数据去噪处理 |
| 4.4.4 对比模型及结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A:山东东滩矿水质数据 |
| 附录 B:重构水质数据 |
| 攻读硕士学位期间主要研究成果 |
（3）基于美学感知的多媒体图文智能合成研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 本文研究内容和主要工作 |
| 1.3 本文的结构安排 |
| 第2章 国内外研究现状和背景知识 |
| 2.1 背景知识 |
| 2.1.1 颜色美学 |
| 2.1.2 布局美学 |
| 2.2 图文自动合成研究 |
| 2.2.1 美学理论研究现状 |
| 2.2.2 图像自动剪切 |
| 2.2.3 图像显着性分析 |
| 2.2.4 字体样式相似性 |
| 2.2.5 图文合成算法 |
| 2.3 深度学习相关研究 |
| 2.3.1 深度神经网络理论 |
| 2.3.2 深度学习在图文设计中的应用 |
| 2.3.3 图像美学评估中patch思路 |
| 2.3.4 多任务深度方法 |
| 2.3.5 难分样本挖掘方法 |
| 第3章 基于美学感知模版的图文自动合成研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 模版设计 |
| 3.3.1 美学原则 |
| 3.3.2 模版数据库 |
| 3.4 图文展示的合成算法 |
| 3.4.1 基于综合重要度的图像自动剪裁 |
| 3.4.2 自动布局和着色 |
| 3.5 实验与结果分析 |
| 3.5.1 对比实验 |
| 3.5.2 实验设置 |
| 3.5.3 量化评估 |
| 3.6 本章小结 |
| 第4章 基于深度神经网络的图文合成颜色推荐 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于全局和谐性和局部可读性最优的深度网络推荐 |
| 4.3.1 整体框架介绍 |
| 4.3.2 文字颜色推荐网络 |
| 4.3.3 局部可读性评价网络 |
| 4.3.4 全局和谐性评价网络 |
| 4.3.5 损失函数与训练策略 |
| 4.4 实验与结果分析 |
| 4.4.1 数据集 |
| 4.4.2 训练细节 |
| 4.4.3 网络设计的有效性 |
| 4.4.4 和其他方法的对比实验 |
| 4.4.5 用户评价 |
| 4.5 本章小结 |
| 第5章 基于图像颜色风格的设计样式检索 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 深度神经网络图像风格特征提取 |
| 5.2.2 主题色风格特征提取 |
| 5.2.3 特征之间的距离度量 |
| 5.3 基于分层前背景的颜色风格特征和距离度量算法 |
| 5.3.1 主题色提取和优化 |
| 5.3.2 前景背景分离和颜色风格特征 |
| 5.3.3 对前景敏感的颜色风格距离度量 |
| 5.4 实验 |
| 5.4.1 数据集 |
| 5.4.2 实验方法对比基准线 |
| 5.4.3 实验结果 |
| 5.4.4 基于颜色风格进行图文合成的颜色和设计样式推荐 |
| 5.5 本章小结 |
| 第6章 基于深度神经网络的图文自动合成研究 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.2.1 重叠型图文合成的相关研究 |
| 6.2.2 文本颜色和谐性相关研究 |
| 6.2.3 字体样式相似度相关研究 |
| 6.2.4 多任务深度神经网络 |
| 6.3 算法 |
| 6.3.1 DesignNet系统框架 |
| 6.3.2 阶段预测网络 |
| 6.3.3 文本属性预测子网络 |
| 6.3.4 损失函数 |
| 6.4 实验 |
| 6.4.1 数据集 |
| 6.4.2 训练细节 |
| 6.4.3 用户评价和结论 |
| 6.5 本章小结 |
| 第7章 总结、商业应用及展望 |
| 7.1 本文研究重点回顾 |
| 7.2 商业应用实例 |
| 7.3 未来研究展望 |
| 参考文献 |
| 附录 A 论文发表中使用的图像授权说明 |
| 附录 B VTDSet数据集的网页设计工具 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）高速宽幅纸机纸病在线诊断关键算法研究（论文提纲范文）
| 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 研究目的及意义 |
| 1.2 国内外研究现状及目前所存在的问题 |
| 1.2.1 国外研究开发现状 |
| 1.2.2 国内研究开发现状 |
| 1.2.3 尚待解决的关键问题 |
| 1.3 论文主要研究工作及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 2 实验平台搭建及纸病图像数据集的建立 |
| 2.1 实验平台的搭建 |
| 2.1.1 纸机架卷曲结构的安装 |
| 2.1.2 相机的选择 |
| 2.1.3 光源的配置 |
| 2.1.4 软件平台 |
| 2.2 纸病图像数据集的建立 |
| 2.2.1 纸病图像的采集及预处理 |
| 2.2.2 纸病图像集的扩充 |
| 2.3 本章小结 |
| 3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.1 图像噪声及去噪 |
| 3.1.1 噪声的产生及分类 |
| 3.1.2 图像去噪 |
| 3.1.3 纸病图像噪声 |
| 3.2 图像形成的模型及同态滤波 |
| 3.2.1 图像的照射/反射模型 |
| 3.2.2 同态滤波 |
| 3.3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.3.1 分块DCT变换 |
| 3.3.2 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 本章算法效果 |
| 3.4.3 不同滤波算法效果对比 |
| 3.5 本章小结 |
| 4 基于二维阈值分割的纸病图像检测算法 |
| 4.1 图像分割算法 |
| 4.1.1 图像分割的概念 |
| 4.1.2 常用的图像分割方法 |
| 4.1.3 基于阈值的图像分割方法 |
| 4.2 快速二维阈值分割的多纸病图像检测算法 |
| 4.2.1 多纸病图像处理 |
| 4.2.2 快速二维阈值算法 |
| 4.2.3 基于差影法以及快速二维阈值法的多纸病图像检测 |
| 4.2.4 实验结果与分析 |
| 4.3 基于人工蜂群优化的低对比度纸病图像检测算法研究 |
| 4.3.1 低对比度纸病图像滤波 |
| 4.3.2 改进人工蜂群优化算法 |
| 4.3.3 基于改进人工蜂群优化的低对比度纸病检测 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于卷积神经网络的纸病分类算法 |
| 5.1 传统纸病分类方法 |
| 5.1.1 纸病图像特征 |
| 5.1.2 纸病分类算法 |
| 5.1.3 传统纸病分类方法所存在的问题 |
| 5.2 卷积神经网络 |
| 5.2.1 深度学习及其特点 |
| 5.2.2 卷积神经网络 |
| 5.2.3 卷积神经网络基本结构 |
| 5.2.4 经典的网络模型 |
| 5.3 基于卷积神经网络及迁移学习的纸病分类算法 |
| 5.3.1 迁移学习 |
| 5.3.2 基础网络的选择 |
| 5.3.3 改进VGG16纸病图像分类器 |
| 5.4 实验结果与分析 |
| 5.4.1 实验环境及参数设置 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 6 基于可变形卷积神经网络的纸病识别算法 |
| 6.1 目标检测网络Faster R-CNN |
| 6.1.1 图像目标检测 |
| 6.1.2 Faster R-CNN |
| 6.2 可变形卷积神经网络 |
| 6.2.1 可变形卷积 |
| 6.2.2 可变形卷积的实现 |
| 6.2.3 可变形卷积的优点 |
| 6.3 基于可变形卷积神经网络的纸病识别算法 |
| 6.3.1 基于可变形卷积神经网络的网络结构设计 |
| 6.3.2 损失函数 |
| 6.3.3 网络正则化 |
| 6.4 实验结果与分析 |
| 6.4.1 实验环境及参数设置 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究的创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的成果 |
（5）面向轻算力的深度模型自动生成关键技术研究与原型实现（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 国内外研究历史与现状 |
| 1.2.1 传统机器学习 |
| 1.2.2 自动机器学习(AUTOML) |
| 1.2.3 研究现状小结 |
| 1.3 本文的主要贡献 |
| 1.4 本课题的结构安排 |
| 第二章 相关基础理论与相关技术 |
| 2.1 数据预处理 |
| 2.1.1 传统数据增强 |
| 2.1.2 自动数据增强 |
| 2.2 模型设计 |
| 2.2.1 传统模型设计 |
| 2.2.2 自动模型设计 |
| 2.3 本章小结 |
| 第三章 基于可微分梯度估计的轻算力自动数据增强方法 |
| 3.1 引言 |
| 3.2 数据增强的基本流程 |
| 3.3 AUTOAUGMENT算法研究 |
| 3.3.1 搜索空间 |
| 3.3.2 搜索策略 |
| 3.4 基于可微分梯度估计的自动数据增强方法的主要思想 |
| 3.4.1 搜索空间连续化 |
| 3.4.2 定义搜索策略算法 |
| 3.4.3 梯度估计 |
| 3.5 实验与结果分析 |
| 3.5.1 实现方案 |
| 3.5.2 实验过程 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 降低深度间隔的轻算力自动模型设计方法 |
| 4.1 引言 |
| 4.2 模型自动设计的基本流程 |
| 4.3 DARTS算法研究 |
| 4.3.1 可微分搜索空间 |
| 4.3.2 参数优化 |
| 4.4 降低深度间隔的轻算力自动模型设计方法的主要思想 |
| 4.4.1 搜索过程阶段化 |
| 4.4.2 使用回馈更新方法 |
| 4.4.3 构建候选操作 |
| 4.4.4 定义损失函数 |
| 4.5 实验与结果分析 |
| 4.5.1 实现方案 |
| 4.5.2 实验过程 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 面向轻算力的模型自动生成原型实现 |
| 5.1 需求分析 |
| 5.1.1 业务需求 |
| 5.1.2 功能需求 |
| 5.1.3 性能需求 |
| 5.1.4 运行需求 |
| 5.2 系统设计 |
| 5.2.1 总体架构设计 |
| 5.2.2 系统流程设计 |
| 5.2.3 系统技术路线 |
| 5.3 系统功能设计及展示 |
| 5.4 系统测试 |
| 5.4.1 功能测试 |
| 5.4.2 性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）维吾尔语语音情感特征分析与识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语 |
| 第1章 绪论 |
| 1.1. 研究背景 |
| 1.2. 情感语音的常规处理 |
| 1.2.1. 预处理 |
| 1.2.2. 情感特征 |
| 1.2.3. 情感识别的常用算法 |
| 1.2.3.1. 隐马尔可夫模型 |
| 1.2.3.2. 高斯混合模型 |
| 1.2.3.3. 支持向量机模型 |
| 1.2.3.4. 决策树模型 |
| 1.2.3.5. 长短记忆神经网络 |
| 1.2.4. 评价指标 |
| 1.3. 情感数据库 |
| 1.4. 语音情感识别的挑战 |
| 1.5. 本文研究内容与结构安排 |
| 1.5.1. 本文研究内容 |
| 1.5.2. 章节安排 |
| 第2章 维吾尔语情感语音的数据采集与特征分析 |
| 2.1. 数据采集 |
| 2.2. 维吾尔语语音的情感特征分析 |
| 2.2.1. 短时能量 |
| 2.2.2. 短时过零率 |
| 2.2.3. 基音周期 |
| 2.2.4. 响度 |
| 2.3. 主流情感库的情感特征分析 |
| 2.4. 实验设置与分析 |
| 2.5. 本章小结 |
| 第3章 基于特征空间变换的语音情感识别 |
| 3.1. 基于不确定性判别分析的语音情感识别 |
| 3.1.1. 引言 |
| 3.1.2. 基本理论 |
| 3.1.3. 基于不确定性线性判别分析的语音情感识别 |
| 3.1.4. 实验设置 |
| 3.1.5. 本节结论 |
| 3.2. 基于原子表示法的维吾尔语语音情感识别算法 |
| 3.2.1. 引言 |
| 3.2.2. 基于原子表示法的维吾尔语语音情感识别算法 |
| 3.2.2.1. 原子表示法的分类算法 |
| 3.2.2.2. 优化算法 |
| 3.2.3. 情感识别结果及分析 |
| 3.2.3.1. 情感识别实验结果 |
| 3.2.4. 本节结论 |
| 第4章 基于注意力LSTM网络的语音情感识别算法 |
| 4.1. 基于孪生注意力LSTM网络的语音情感识别算法 |
| 4.1.1. 引言 |
| 4.1.2. 相关工作 |
| 4.1.2.1. 孪生网络 |
| 4.1.2.2. 传统长短时记忆网络 |
| 4.1.3. 孪生注意力LSTM |
| 4.1.3.1. 注意力LSTM |
| 4.1.3.2. 孪生损失函数 |
| 4.1.4. 实验 |
| 4.2. 基于跳跃结构LSTM的语音情感识别 |
| 4.2.1. 引言 |
| 4.2.2. 基于注意力的跳跃连接LSTM |
| 4.2.2.1. 时间维度的注意力权重 |
| 4.2.2.2. 特征维度的注意力权重 |
| 4.2.3. 实验结果与分析 |
| 4.2.3.1. 实验设置 |
| 4.2.3.2. 情感特征 |
| 4.2.3.3. 收敛性能比较 |
| 4.2.3.4. 方法性能比较 |
| 4.2.4. 本节小结 |
| 第5章 结合数据场情感空间和混合蛙跳算法的连续语音情感变化趋势检测 |
| 5.1. 引言 |
| 5.2. 情感空间模型的建立 |
| 5.2.1. 对情感的理解 |
| 5.2.2. 数据场的引入 |
| 5.2.3. 数据场模拟情感空间 |
| 5.3. 数据场情感空间与混合蛙跳算法的结合 |
| 5.3.1. 连续语音中情感变化的研究 |
| 5.3.2. 混合蛙跳算法 |
| 5.3.3. 数据场情感空间与混合蛙跳算法的结合 |
| 5.4. 实验结果与分析 |
| 5.4.1. 情感识别实验结果的比较和分析 |
| 5.4.2. 情感预测结果 |
| 5.5. 本章小结 |
| 第6章 总结与展望 |
| 6.1. 总结 |
| 6.2. 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间研究成果 |
（7）基于视觉数据的人体动作精细分类及评估方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩略词说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 动作精细分类及评估的定义 |
| 1.3 国内外研究现状 |
| 1.3.1 人体动作分类 |
| 1.3.2 人体动作评估 |
| 1.4 存在的主要问题 |
| 1.5 本文主要研究内容 |
| 1.6 本论文章节安排 |
| 第2章 基于关键片段描述子和步长矩阵模型的动作分类算法 |
| 2.1 引言 |
| 2.2 骨骼数据获取方法 |
| 2.3 动作单元的定义 |
| 2.4 骨骼数据归一化 |
| 2.4.1 骨骼数据的表示 |
| 2.4.2 视角对齐 |
| 2.4.3 尺度归一化 |
| 2.5 基于动作单元的关键片段描述子 |
| 2.5.1 动态分割策略 |
| 2.5.2 特征提取 |
| 2.5.3 词序列描述子 |
| 2.6 时序模型 |
| 2.6.1 基于词袋模型的基线方法 |
| 2.6.2 步长矩阵模型 |
| 2.7 实验分析 |
| 2.7.1 Northwestern-UCLA数据库 |
| 2.7.2 MSRC-12数据库 |
| 2.7.3 CAD-60数据库 |
| 2.7.4 步长设置讨论 |
| 2.7.5 参数设置讨论 |
| 2.7.6 算法运行时间分析 |
| 2.7.7 算法稳定性分析 |
| 2.8 本章小结 |
| 第3章 基于深度残差网络和实例搜索的渐进式动作检测算法 |
| 3.1 引言 |
| 3.2 渐进式动作 |
| 3.3 进度标签 |
| 3.4 进度标签预测 |
| 3.4.1 卷积神经网络 |
| 3.4.2 进度标签预测网络 |
| 3.5 渐进式动作搜索算法 |
| 3.6 实验分析 |
| 3.6.1 渐进式动作检测数据库 |
| 3.6.2 动作检测评价指标 |
| 3.6.3 进度标签预测网络评估 |
| 3.6.4 渐进式动作检测评估 |
| 3.6.5 PAS算法下采样讨论 |
| 3.6.6 算法运行时间分析 |
| 3.6.7 算法比较讨论 |
| 3.7 本章小结 |
| 第4章 发展性协调障碍精细动作评估方法 |
| 4.1 引言 |
| 4.2 DCD评估工具 |
| 4.3 动作评估数据库 |
| 4.3.1 评估任务及标准 |
| 4.3.2 动作数据采集 |
| 4.4 动作任务定位 |
| 4.4.1 带时域滤波的卷积神经网络 |
| 4.4.2 边界定位算法 |
| 4.5 目标动作评估 |
| 4.5.1 动作任务1的评估 |
| 4.5.2 动作任务2的评估 |
| 4.5.3 动作任务3的评估 |
| 4.6 实验分析 |
| 4.6.1 动作任务定位结果 |
| 4.6.2 精细动作评估结果 |
| 4.7 本章小结 |
| 第5章 无标记的数字化视觉动作追踪系统 |
| 5.1 引言 |
| 5.2 Mircrosoft Kinect |
| 5.3 Pupil Core眼动仪 |
| 5.4 无标记视觉动作追踪系统 |
| 5.4.1 系统结构图 |
| 5.4.2 系统同步与融合 |
| 5.5 大动作肢体运动分析 |
| 5.5.1 扔沙包运动分析 |
| 5.5.2 抛接球运动分析 |
| 5.6 精细动作中的手眼协调分析 |
| 5.6.1 Open Pose手部关键点检测 |
| 5.6.2 手眼协调分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 论文的主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）共情视角下融合多模态数据的自闭症谱系障碍儿童识别（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 研究内容 |
| 1.3 研究思路和研究目标 |
| 1.4 本文的创新点 |
| 1.5 论文的结构安排 |
| 第2章 自闭症儿童识别相关研究综述 |
| 2.1 自闭症儿童共情能力研究综述 |
| 2.1.1 共情的相关概念 |
| 2.1.2 自闭症儿童共情能力缺陷的发生机制 |
| 2.1.3 自闭症儿童共情能力的研究现状 |
| 2.1.4 生理、行为和认知数据评估自闭症儿童共情能力的应用现状 |
| 2.2 传统的自闭症儿童识别方法综述 |
| 2.2.1 自闭症儿童识别依据 |
| 2.2.2 临床识别方法 |
| 2.2.3 非临床识别方法 |
| 2.2.4 传统识别方法的弊端 |
| 2.3 智能化的自闭症儿童识别研究综述 |
| 2.3.1 机器学习技术应用于自闭症儿童识别 |
| 2.3.2 智能化自闭症儿童识别方法 |
| 2.3.3 智能化的自闭症儿童识别存在的问题 |
| 2.4 本章小结 |
| 第3章 自闭症儿童共情条件下生理、行为和认知特异性研究 |
| 3.1 被试与实验设计 |
| 3.1.1 被试 |
| 3.1.2 实验程序和实验材料 |
| 3.1.3 数据及处理方法 |
| 3.2 数据分析方法 |
| 3.2.1 生理信号的采集与预处理 |
| 3.2.2 面部表情数据的采集与预处理 |
| 3.2.3 认知效果反馈数据的采集与预处理 |
| 3.3 结果与分析 |
| 3.3.1 两组儿童对不同情绪刺激的自动感知能力 |
| 3.3.2 两组儿童对不同情绪表情的模仿能力 |
| 3.3.3 两组儿童在不同情绪刺激下的认知共情能力 |
| 3.4 讨论 |
| 3.4.1 自闭症儿童情绪共情能力发展特点 |
| 3.4.2 自闭症儿童认知共情能力发展特点及其与情绪共情的关系 |
| 3.5 本章小结 |
| 第4章 基于单模态数据的自闭症儿童识别方法 |
| 4.1 研究对象与方法 |
| 4.1.1 研究对象 |
| 4.1.2 实验材料和实验程序 |
| 4.1.3 研究方法 |
| 4.1.4 形式化定义 |
| 4.2 数据特征的提取方法 |
| 4.2.1 眼动数据特征的提取 |
| 4.2.2 儿童面部表情特征的提取 |
| 4.2.3 认知数据特征的提取 |
| 4.3 实验与分析 |
| 4.3.1 分类和测试方法 |
| 4.3.2 单模态数据识别精度比较和分析 |
| 4.3.3 各模态数据分类信息互补性分析 |
| 4.4 本章小结 |
| 第5章 基于多源异步多模态数据的自闭症儿童识别方法 |
| 5.1 传统多模态数据融合方法 |
| 5.1.1 多模态数据融合的层次 |
| 5.1.2 多模态数据融合的方法 |
| 5.2 基于互信息的加权随机森林算法 |
| 5.2.1 随机森林投票过程 |
| 5.2.2 互信息 |
| 5.2.3 加权随机森林算法 |
| 5.3 多源异步多模态数据融合方法 |
| 5.4 实验与分析 |
| 5.4.1 测试方法 |
| 5.4.2 算法时间复杂度分析 |
| 5.4.3 多模态数据混合融合方法识别性能分析 |
| 5.5 本章小结 |
| 第6章 智能化自闭症识别方法与传统方法识别结果的一致性检验 |
| 6.1 对象与方法 |
| 6.1.1 被试 |
| 6.1.2 调查工具 |
| 6.1.3 研究方法 |
| 6.1.4 统计学方法 |
| 6.2 结果与分析 |
| 6.2.1 ICC组内相关系数一致性检验结果 |
| 6.2.2 Kappa一致性检验结果 |
| 6.3 讨论 |
| 6.3.1 基于单模态数据的自闭症儿童识别结果有效性分析 |
| 6.3.2 基于多源异步多模态数据的自闭症儿童识别结果有效性分析 |
| 6.4 本章小结 |
| 第7章总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 自闭症行为评定量表（ABC量表） |
| 攻读博士期间科研成果 |
| 致谢 |
（9）云模型优化的模拟电路故障诊断智能方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 模拟电路研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| §1.4 本章小结 |
| 第二章 模拟电路特点及故障诊断方法 |
| §2.1 模拟电路故障分类 |
| §2.2 模拟电路故障诊断特点与诊断方法研究 |
| §2.2.1 模拟电路故障诊断特点 |
| §2.2.2 模拟电路故障诊断方法 |
| §2.3 云模型在模拟电路故障诊断中的应用情况 |
| §2.4 LMD云模型和LSSVM故障诊断方法可行性分析 |
| §2.4.1 云模型运用于对数放大器电路的可行性分析 |
| §2.4.2 LMD算法运用于对数放大器电路的可行性分析 |
| §2.4.3 LSSVM运用于对数放大器电路的可行性分析 |
| §2.5 本章小结 |
| 第三章 基于云模型的模拟电路特征提取 |
| §3.1 局部均值分解 |
| §3.1.1 局部均值分解概述 |
| §3.1.2 局部均值分解原理 |
| §3.2 云模型 |
| §3.2.1 云模型概述 |
| §3.2.2 云模型原理 |
| §3.3 小波分析 |
| §3.3.1 小波分析概述 |
| §3.3.2 小波分析原理 |
| §3.3.3 小波能量特征提取 |
| §3.4 相空间重构 |
| §3.4.1 相空间重构概述 |
| §3.4.2 相空间重构原理 |
| §3.4.3 相空间重构参数求解法 |
| §3.5 基于云模型的特征提取方法 |
| §3.5.1 LMD与云模型特征提取步骤 |
| §3.5.2 相空间重构优化多步逆向云算法原理 |
| §3.5.3 LMD相空间重构优化多步逆向云算法特征提取步骤 |
| §3.6 本章小结 |
| 第四章 云模型优化的模拟电路故障诊断分类器方法设计 |
| §4.1 分类选择算法 |
| §4.1.1 LSSVM算法概述 |
| §4.1.2 LSSVM算法原理 |
| §4.1.3 LSSVM各影响参数分析 |
| §4.2 分类算法参数寻优算法 |
| §4.2.1 人工蜂群算法概述 |
| §4.2.2 人工蜂群算法原理 |
| §4.2.3 云模型优化人工蜂群算法 |
| §4.2.4 ABC 算法与GRCABC 算法优化性能比较 |
| §4.3 LSSVM参数优化模型研究 |
| §4.3.1 ABC优化LSSVM故障诊断方法 |
| §4.3.2 GRCABC优化LSSVM故障诊断方法 |
| §4.4 本章小结 |
| 第五章 云模型优化的模拟电路故障诊断实例验证及分析 |
| §5.1 LMD云模型和ABC-LSSVM故障诊断 |
| §5.2 LMD相空间重构优化多步逆向云算法和ABC-LSSVM故障诊断 |
| §5.3 LMD云模型和GRCABC-LSSVM故障诊断 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 本文工作总结 |
| §6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（10）群智能优化算法及其在分数阶系统参数辨识中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 优化问题与优化算法概述 |
| 1.1.1 优化问题及其分类 |
| 1.1.2 优化算法的研究现状 |
| 1.2 群智能优化算法概述 |
| 1.2.1 群智能优化算法的发展历程 |
| 1.2.2 群智能优化算法的研究现状 |
| 1.3 分数阶系统参数辨识的研究现状 |
| 1.3.1 混沌控制与同步概述 |
| 1.3.2 整数阶非线性系统的参数辨识方法 |
| 1.3.3 分数阶非线性系统的参数辨识方法 |
| 1.4 本文的主要工作 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的组织结构 |
| 第二章 基础知识 |
| 2.1 布谷鸟搜索算法 |
| 2.1.1 布谷鸟搜索算法的启发背景 |
| 2.1.2 布谷鸟搜索算法的原理 |
| 2.1.3 布谷鸟搜索算法的研究现状 |
| 2.2 其他几种常见的群智能优化算法 |
| 2.2.1 蚁群优化算法 |
| 2.2.2 粒子群优化算法 |
| 2.2.3 人工蜂群算法 |
| 2.3 分数阶微积分概述 |
| 2.3.1 分数阶微积分的定义和性质 |
| 2.3.2 分数阶微分方程的数值解法 |
| 2.4 基于优化方法的分数阶系统的参数辨识 |
| 2.4.1 整数阶非线性系统的参数辨识模型 |
| 2.4.2 分数阶非线性系统的参数辨识模型 |
| 2.4.3 群智能优化算法对系统未知参数的辨识 |
| 第三章 基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识 |
| 3.1 引言 |
| 3.2 混合布谷鸟搜索(HCS)算法 |
| 3.2.1 基于差分进化的随机游走 |
| 3.2.2 反向学习方法 |
| 3.2.3 HCS算法的操作步骤 |
| 3.3 数值实验及结果分析 |
| 3.3.1 无时滞混沌系统的参数辨识 |
| 3.3.2 时滞混沌系统的参数辨识 |
| 3.3.3 HCS算法组成部分有效性的测试 |
| 3.4 本章小结 |
| 第四章 基于改进的量子行为粒子群优化算法的分数阶系统的参数辨识 |
| 4.1 引言 |
| 4.2 量子行为粒子群优化算法简介 |
| 4.2.1 量子行为粒子群优化算法的启发背景 |
| 4.2.2 量子行为粒子群优化算法原理 |
| 4.3 改进的量子行为粒子群优化(IQPSO)算法 |
| 4.3.1 基于适应度值的平均最优位置 |
| 4.3.2 推广的反向学习方法 |
| 4.3.3 差分变异算子 |
| 4.3.4 IQPSO算法的操作步骤 |
| 4.4 数值实验及结果分析 |
| 4.4.1 不同阶次分数阶经济混沌系统的参数辨识 |
| 4.4.2 不同阶次分数阶R¨ossler混沌系统的参数辨识 |
| 4.5 本章小结 |
| 第五章 基于参数自适应的新型布谷鸟搜索算法的函数优化及应用 |
| 5.1 参数自适应的新型布谷鸟搜索(CSAPC)算法 |
| 5.1.1 CSAPC算法的思想 |
| 5.1.2 CSAPC算法的操作步骤 |
| 5.2 数值实验及结果分析 |
| 5.2.1 测试函数和参数设置 |
| 5.2.2 参数自适应策略对CS算法的有效性研究 |
| 5.2.3 维数对CSAPC算法的影响研究 |
| 5.2.4 种群大小对CSAPC算法的影响研究 |
| 5.2.5 与其他CS改进算法的对比 |
| 5.2.6 与其他不同优化算法的对比 |
| 5.2.7 优化CEC2013测试函数集的实验结果 |
| 5.3 CSAPC算法及其改进算法在分数阶系统参数辨识中的应用 |
| 5.3.1 CSAPC算法对分数阶混沌系统未知参数的辨识 |
| 5.3.2 改进的CSAPC算法对分数阶生物系统未知参数的辨识 |
| 5.4 本章小结 |
| 第六章 基于带有外部存档的自适应布谷鸟搜索算法的函数优化及应用 |
| 6.1 带有外部存档的自适应布谷鸟搜索(ACS-OEA)算法 |
| 6.1.1 ACS-OEA算法的思想 |
| 6.1.2 ACS-OEA算法的操作步骤 |
| 6.2 数值实验及结果分析 |
| 6.2.1 测试函数和参数设置 |
| 6.2.2 搜索趋势的研究 |
| 6.2.3 所提出策略对CS算法的有效性研究 |
| 6.2.4 维数对ACS-OEA算法的影响研究 |
| 6.2.5 与其他CS改进算法的对比 |
| 6.2.6 与其他不同优化算法的对比 |
| 6.2.7 优化CEC2013测试函数集的实验结果 |
| 6.3 ACS-OEA算法在分数阶忆阻器系统参数辨识中的应用 |
| 6.4 本章小结 |
| 第七章 对布谷鸟搜索算法中概率分布函数的分析 |
| 7.1 引言 |
| 7.2 基于不同重尾分布的布谷鸟搜索算法 |
| 7.2.1 几种常见的重尾分布 |
| 7.2.2 算法步骤 |
| 7.3 数值实验及结果分析 |
| 7.3.1 测试函数和参数设置 |
| 7.3.2 不同重尾分布对CS算法的影响研究 |
| 7.3.3 维数对算法的影响研究 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、智能ABC常用输入技巧（论文参考文献）
- [1]网络时代美国创剧人研究[D]. 尤达. 南京艺术学院, 2021(12)
- [2]基于改进WOA优化CRHJ网络的矿井水源判别模型研究[D]. 王瑞知. 西安科技大学, 2021(02)
- [3]基于美学感知的多媒体图文智能合成研究[D]. 杨绪勇. 中国科学技术大学, 2021(09)
- [4]高速宽幅纸机纸病在线诊断关键算法研究[D]. 曲蕴慧. 陕西科技大学, 2021
- [5]面向轻算力的深度模型自动生成关键技术研究与原型实现[D]. 史特. 电子科技大学, 2021(01)
- [6]维吾尔语语音情感特征分析与识别算法研究[D]. 塔什甫拉提·尼扎木丁（NIZAMIDIN Tashpolat）. 东南大学, 2021(02)
- [7]基于视觉数据的人体动作精细分类及评估方法研究[D]. 李睿敏. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [8]共情视角下融合多模态数据的自闭症谱系障碍儿童识别[D]. 廖梦怡. 华中师范大学, 2020(02)
- [9]云模型优化的模拟电路故障诊断智能方法研究[D]. 李峰. 桂林电子科技大学, 2020(02)
- [10]群智能优化算法及其在分数阶系统参数辨识中的应用研究[D]. 卫佳敏. 北京交通大学, 2020(03)