一、一维向量轮换的几种算法和程序实现（论文文献综述）
李皎皎[1]（2021）在《超光谱数据无损压缩及CUDA并行加速研究》文中研究指明本文研究的超光谱数据具体指高光谱遥感图像和极光光谱数据。高光谱遥感图像在农林业、军事侦察、城市规划、污染监测等领域都有广泛应用。研究极光对研究太阳活动及其对地球的影响有重大意义。但是高光谱遥感图像和极光光谱数据的数据量都很大。例如一幅由AVIRIS采集的高光谱遥感图像的大小超过148 MB,并且随着空间分辨率和谱间分辨率的不断提高,高光谱遥感图像的大小还在不断增大。而极光是动态变化的,探测设备在持续不断的采集,一天采集的极光光谱数据总量可达数GB。巨大的数据量给存储、传输和处理都带来极大挑战,因此必须通过数据压缩技术减小数据量。另外,因为数据量巨大,压缩也非常耗时。对于高光谱遥感图像来说,压缩引入的巨大时间开销是一些对实时性有要求的应用场景所无法接受的;对于极光光谱数据来说,如果要实现极光光谱数据从极地科考站到国内的实时传输,压缩引入的巨大时间开销也是无法接受的。因此必须对高光谱遥感图像和极光光谱数据的压缩进行加速。本文利用GPU来并行加速高光谱遥感图像和极光光谱数据的压缩。GPU具有强大的并行计算能力,可以在不影响压缩性能的前提下大大提高压缩速度。本文的主要研究内容及特色如下:1.研究了C-DPCM高光谱遥感图像无损压缩算法,对算法的压缩性能进行了测试并与其它几种优秀的无损压缩算法进行了对比。实验结果表明,C-DPCM高光谱遥感图像无损压缩算法具有优秀的压缩性能,但在CPU上串行压缩一幅高光谱遥感图像的时间在大约17～38分钟之间。为了提高高光谱遥感图像的压缩速度,本文采用GPU来并行加速C-DPCM算法,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对C-DPCM算法的CUDA实现进行优化。最终将高光谱遥感图像的压缩时间缩短为2秒左右,加速比最高接近700倍。2.研究了基于在线线性回归预测的极光光谱数据无损压缩算法,对算法中的预测系数计算和残差编码进行了改进,并通过实验验证了所提出的改进措施对提高压缩性能的有效性。另外,由于在预测系数计算过程中存在大量重复计算,不仅浪费计算资源,还严重影响压缩速度,因此本文提出了预测系数的分解计算方法,消除了重复计算,大大提高了计算速度。经过测试,在CPU上串行压缩时一幅极光光谱图像的压缩时间大约为11秒。为进一步提高压缩速度,本文采用GPU来并行加速极光光谱图像的压缩,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对CUDA并行程序进行优化。最终,将极光光谱图像的压缩时间缩短为大约620毫秒,加速比约为18倍。虽然加速比不高,但极光光谱图像数据量巨大,因此并行压缩相比于串行压缩依然可以节省大量时间。3.将深度神经网络应用于极光光谱图像压缩,设计了一个基于LSTM的极光光谱数据无损压缩框架。压缩的时候,首先用训练好的神经网络预测极光光谱图像中的每一个像素,然后原始的极光光谱图像减去预测图像得到残差图像,最后对残差图像熵编码。实验结果表明,本文设计的LSTM神经网络具有良好的压缩性能,平均压缩码率比本文的在线线性回归预测算法低0.11 bpp,有效提高了极光光谱图像的压缩性能。
邓锬[2]（2020）在《混合IWO算法在参数优化中的应用研究》文中进行了进一步梳理随着现代技术的高度发展,智能算法被用来解决众多应用领域的优化问题,因此智能优化算法得到了许多学者和研究人员的关注。在实际的工程问题中,优化方法是解决问题的关键手段。精确的优化方法或确定性方法在解决大多数实际应用中存在的复杂非线性、多模态和参数优化问题时可能无法通过计算达到理想效果,在过去的几十年里,研究人员采用一些灵感来自生物和自然系统的方法来解决复杂的优化问题。在现有的智能优化算法中,大部分的智能优化算法都是学者们通过观察自然界中生物进化、聚集等行为提出的,入侵杂草优化算法（Invasive Weed Optimization）是一种新兴的数值随机优化算法,它的思想源于农业生产发展中杂草生长,繁衍,竞争淘汰现象,杂草强壮且具有抗性,繁殖能力强,所以它们表现出侵入增长的行为。因此在2006年Mehrabian和Lucas提出了IWO优化算法。IWO算法作为启发式算法具有全局搜索能力强,参数少,易于操作,容易实现,鲁棒性强等优点。在许多学术领域中都广泛用到IWO优化算法。IWO算法已经被用来解决各种各样的复杂优化问题。本文使用四种混合IWO算法分别求解参数反演问题、药代动力学参数优化问题、Muskingum模型参数优化问题、土壤水分特征曲线参数优化问题。针对具有整数变量的太阳影子模型的参数反演问题,提出了一种基于拟牛顿算法（BFSG）的混合入侵杂草优化算法（HIWO）。我们提出的算法不仅可以最大程度上利用BFGS算法的局部搜索能力和入侵杂草优化算法的全局搜索能力,此外还能够利用具有向最优个体学习的改进策略进一步提高算法的寻优能力。除了太阳影子模型的参数反演问题,我们还利用12个基准测试函数来验证HIWO算法的计算精度和收敛速度等相关性能。在基准测试函数实验中,HIWO算法不仅能够的到相对于其他对比算法更高的计算精度,而且在收敛速度方面也表现出了比较强势的竞争力,即收敛速度更快。针对太阳影子模型的参数反演问题实验,HIWO算法不仅可以成功地反转太阳阴影模型的日期,而且还可以克服经典数学方法难以通过算法中的一些随机变量中的整数来解决整数非线性优化问题的缺点。实验结果数据表明,HIWO算法不仅计算精度高,而且收敛速度较快。HIWO可以有效地提高太阳阴影定位技术的准确性和效率,以及一种有效且高效的技术来处理工程应用中的整数参数反演问题。鉴于传统的估计药代动力学参数的方法受其初始值的敏感性和进化算法无法确定搜索范围的限制,本文提出了一种结合Hooke-Jeeves（HJ）和自适应入侵杂草优化算法（IWO）的混合入侵杂草优化（HJIWO）算法。最终我们通过基准测试函数和血管外给药二室模型两个实验来验证本文所提出HJIWO算法的性能。在基准测试函数实验中,我们选取了15个基准测试函数。通过分析实验数据,我们发现HJIWO算法在计算精度和收敛速度两方面都表现出了比其他对比算法更强的竞争力和优越性。在血管外给药二室模型实验中,利用HJIWO算法进行参数优化,我们可以看出,HJIWO不仅在数值稳定性方面优于传统的FM算法,且在误差最小化方面也要优于HJ和IWO两种对比算法。实验结果表明,HJIWO算法是一种求解药代动力学参数问题的可行方法,与其他技术相比具有更高的精度和更强的鲁棒性。针对入侵杂草优化算法（IWO）在求解马斯京根（Muskingum）模型参数优化问题方面收敛速度慢,计算精度较差等问题。本文采用了一种基于Powell算法和全局导向最优策略的混合入侵杂草优化算法（PIWO）。这种混合算法利用了Powell算法的局部搜索能力,对种群进行初始化,使种子能在初始化时得到较优的解。在进化过程中,具有全局导向最优策略和入侵杂草优化算法的基本进化策略都会发挥相应的作用,能够进一步提高算法的计算精度和收敛速度。为了能够使PIWO算法的优化性能更具说服力,本文不仅采用16基准测试函数,还有马斯京根模型参数优化问题。在基准测试函数实验中,PIWO算法能够得到计算精度更高的结果和收敛速度更快的进化过程。在马斯京根模型参数优化问题的仿真实验中,实验结果数据表明PIWO算法具有较高的收敛精度以及相对较快的收敛速度。这为求解马斯京根线性模型参数优化问题提供了一种新型有效的方法。在研究土壤水运动的领域中,土壤水分特征曲线是一个非常重要的参数。到目前为止,其中运用最广泛的土壤水分特征曲线方程是Van Genuchten方程（简称VG方程）。将VG方程参数计算问题转化为一个非线性优化问题,然后本文在基本IWO算法的基础上引入莱维飞行对其进行参数估计。通过对仿真实验得到的结果进行分析,可以得出结论:采用基于莱维飞行的IWO混合算法解决VG方程参数估计问题,比随机粒子群算法和混合遗传算法有更好的效果。此外我们还利用15个基准测试函数进一步验证LIWO算法的性能优越性,在该部分实验中,我们通过分析实验数据发现LIWO算法在计算精度方面要远超其他几种对比算法,以及在对比进化过程曲线图时,我们也能够发现LIWO算法也表现出了比较明显的竞争力,即收敛速度更快。这些实验数据都表明LIWO算法具有更高的计算精度和更强的鲁棒性。
石颖[3]（2020）在《基于监控数据的人群运动模式学习与异常检测》文中指出近年来,随着人们安全防控意识的提高,越来越多的监控设备被装设在街道、商场、体育馆、办公楼等各类公共空间中,这些监控数据中,蕴含着海量的信息亟待筛选和甄别,加之计算机技术的不断发展,对于人群轨迹数据的挖掘和分析,逐渐成为一个热门的研究方向,其涉及到安全防护,公共空间设计,活动预案订立等众多方面,十分值得深入研究。本文针对监控中的人群轨迹数据,对人群行为进行分析,主要从运动模式学习,异常轨迹检测以及轨迹预测三个方面来进行研究。在运动模式学习方面,首先提出了结构保持复合算法（Structure Preserving Compound Algorithm,SPC）对轨迹进行预处理,将轨迹编码而后降维,以方便后续聚类算法的计算;然后提出了AEM-LDA算法（Annealing-based Expectation Maximization for Latent Dirichlet Allocation）对轨迹进行聚类,针对EM算法在LDA模型参数推断过程中可能陷入局部最优的问题,使用模拟退火对其进行改进,提高了模型训练的精度,并得到轨迹类;最后对轨迹类进行统计和分析,得到两类感兴趣区域,分别是优化路径和关键区域,用以描述人群运动模式。在人群轨迹预测方面,现有的神经网络预测算法直接预测得出一个确定的结果,无法体现预测中存在的不确定性。本文在conv LSTM神经网络的基础上进行改进,通过在网络结构中添加混合密度网络层（Mixed Density Network,MDN）,利用高斯核函数的线性组合模拟输出的概率分布,而不是使用唯一确定的位置来进行轨迹预测,有效地提高了预测的准确度。在异常轨迹检测方面,针对独立使用异常检测算法检测标准单一,检测精确度低的问题,本文提出了一个新的异常检测框架。首先提出了基于隔离的异常检测算法（IAD,Isolation based Anomaly Detection）对轨迹进行分类,并在类内进行异常检测,得到初步检测结果后,再结合实补偿编辑距离方法（Edit Distance on Real Penalty,ERP）对异常轨迹进行轨迹相似性度量,进一步甄别轨迹是否异常,从而可以有效提高异常检测的精度,降低误报率。
孟丹丹[4]（2020）在《基于正则化稀疏恢复的稳健测向算法研究》文中进行了进一步梳理稳健测向算法的研究是信号处理方向的一个重要分支,尤其是近几年在无人驾驶,雷达,医学成像等方面起到了至关重要的作用。传统的测向算法大多是基于子空间类算法,但是这些算法在低信噪比（Signal-to-Noise-Ratio,SNR）或者有限快拍数的情况下,很难进行稳健的目标角度估计,而且当信号之间是相干时,大多数子空间类算法的估计性将会面临下降甚至于失效。近些年,压缩感知（Compressed sensing,CS）理论逐渐得到发展,稀疏恢复理论被人们所研究并加以利用,其相对于子空间类算法可以很好的适应现实中恶劣的测向环境。同时由于阵列天线间电磁场的干扰,阵元之间会存在未知互耦效应,破坏了传统的阵列接收数据模型结构。因此,本文将研究在未知互耦条件下,基于均匀线性阵列（Uniform Linear Array,ULA）以及单基地MIMO雷达背景下的稳健测向算法。首先介绍了阵列信号模型及矩阵分析的基础概念,并详细介绍了基于子空间类测向算法步骤和原理;然后介绍了稀疏恢复的基础知识和一些代表性算法;最后利用MATLAB仿真实验,分析了此类算法的估计性能。其次,针对天线阵元间存在未知互耦效应问题,提出了基于数据域的稳健阵列测向算法。给出了未知互耦条件下通过参数化互耦导向矩阵构建的块结构表示接收数据模型,详细研究了稳健的重加权块稀疏恢复阵列测向算法;最后通过仿真实验验证了所提出算法在未知互耦效应存在条件下的稳健DOA估计性能。然后针对基于数据域的稳健阵列测向算法存在的缺陷,提出了多种基于协方差域的稳健阵列测向算法。首先介绍了协方差矩阵的稀疏表示形式及1l-SRACV算法;然后针对块稀疏矩阵不仅存在块稀疏性也存在秩稀疏性,提出了重加权1l范数最小化算法及重加权核范数最小化算法;并为了进一步提高接收数据信息的利用率,将加权子空间拟合思想与稀疏恢复结合,提出了基于加权子空间拟合的块稀疏恢复算法;最后通过仿真分析及性能比较,验证了所提出算法的优越性。最后,我们将上述技术引入到单基地MIMO雷达中,提出了一种单基地MIMO雷达重加权块稀疏重构算法。该算法通过参数化互耦发射-接收导向矩阵构建MIMO雷达接收数据模型,然后通过加权矩阵的构造,将MIMO雷达的DOA估计问题转化为加权块稀疏恢复问题。此算法同样避免了未知互耦的影响及阵列孔径的损失,从而提高了单基地MIMO雷达在未知互耦误差下的DOA估计性能。
沈延延[5]（2020）在《基于运动分解模型的双X射线影像2D-3D配准算法研究》文中进行了进一步梳理随着医疗技术的发展,图像引导放疗已经逐渐成为癌症治疗的重要方法之一。在治疗过程中,为了保证放疗精度,需要利用术前3D CT影像与术中2D X射线影像进行2D-3D配准,以估计患者当前姿态。然而,由于单幅X射线影像难以全面反映患者的空间运动,在优化中需要多次迭代。并且每次迭代中,数字重建放射影像（Digitally Reconstructed Radiograph,DRR）生成的计算量较大。因此,在临床中,2D-3D配准算法的速度较慢。针对以上的问题,本文开展了以下两个方面的工作。（1）提出了一种基于2D预配准的双X射线影像2D-3D配准方法。首先,在2D-3D配准中更新DRR时,采用DRR像素和射线源的逆变换代替了CT体素的空间变换,并且利用图形处理器（Graphics Processing Unit,GPU）的每个核心负责一个DRR像素值的计算,有效降低了整个DRR生成过程的计算复杂度,同时光线追踪的计算也得到充分并行化。进一步地,根据一对X射线影像所在平面坐标系与CT所在空间坐标系之间的几何关系,将CT的刚体运动分解到正交平面上,并且在平面上进行2D-2D近似刚体配准。最后,利用2D-2D的配准结果,引导2D-3D配准中的参数优化。在头颅模体CT和截断的胸部CT上进行了实验,结果表明所提出的方法显着地降低了配准时长,同时使得配准精度也有一定提升。（2）提出一种基于卷积神经网络（Convolutional Neural Networks,CNN）的双X射线影像2D-3D配准方法。首先,将2D-3D配准问题看作从术中X射线影像和DRR之间的残差图像到患者摆位误差之间的映射。同时,通过将CT的刚体运动解为平面内参数估计与平面外参数估计,降低了整个配准问题的复杂程度。其次,设计了新的卷积网络,并通过三个独立神经网络模型之间的并联、串联逐步回归出摆位误差。将该模型在数十万幅的DRR和仿真X射线影像上进行了训练和测试,由于训练后的网络模型计算摆位误差的过程中无需迭代优化,该方法在实验中接近实时配准的速度。
王娈[6]（2019）在《基于微纳卫星的AIS接收机关键技术研究与实现》文中研究表明随着全球航运业务的高速发展,如何实现水域监管网络的全球覆盖与船舶信息的实时获取逐渐走入人们的视野,星载船舶自动识别系统（Automatic Identification System,AIS）的出现解决了这一难题。但同时搭载平台由地面到微纳卫星的转变,也带来了时隙碰撞、多普勒频偏、接收机尺寸与功耗限制等技术难题。其中,星载AIS信号的时隙碰撞问题是造成AIS报文信息丢失,影响接收机性能的重要原因,因此本文重点研究了AIS碰撞信号的分离技术。主要工作如下:1)针对星载AIS信号的时隙碰撞问题,建立了基于阵列接收的多通道碰撞信号分离模型。在对经典独立成分分析算法进行研究的基础上,提出了基于Nadam的信息极大化碰撞信号分离算法。算法利用Nesterov加速自适应矩估计改善了信息极大算法在寻优过程中使用随机梯度下降易陷入局部最优的缺点,能够利用一阶矩与二阶矩信息对学习速率进行自适应调整,取得了很好的碰撞信号分离效果。2)提出了基于L-BFGS的人工蜂群碰撞信号分离算法。在人工蜂群算法的雇佣蜂与观察蜂阶段采用双循环递归的L-BFGS拟牛顿算法进行快速收敛的局部寻优,算法在利用侦查蜂搜索策略保持人工蜂群算法全局寻优能力的同时,拥有更好的局部搜索能力,取得了优异的碰撞信号分离效果。3)针对微纳卫星搭载平台,提出了星载AIS接收机的系统设计方案,给出了信号处理流程设计,完成了小型化、低功耗、高可靠性的星载AIS接收机设计与实现,并对接收机的灵敏度、动态范围、抗多普勒频偏范围以及解碰撞性能进行测试,测试结果表明,接收机性能指标达到设计要求。
韩韬[7]（2018）在《基于深度学习的柔性压力阵列信息的压缩采样、重构和预测》文中认为随着信息技术的发展,网络和工业过程中需要采样和传输的数据越来越多,在对大量数据进行采样、传输和存储过程中,信息系统承受着越来越重的负荷。压缩感知理论可以使用远低于奈奎斯特采样频率的要求获取数据,并可以准确地重构出数据,大大减小了信息系统处理大量数据的负担。深度学习通过低层特征形成更加抽象的高层表示属性,以发现数据的特征表示。其目的在于模拟人类大脑分析学习的能力,并构建类脑生物机制的神经网络结构,模仿人类大脑的生物机制处理各种类型的数据。人类的大脑是由数百种不同类型的上千亿个神经细胞所构成的极其复杂的生物组织,包含了感知能力、记忆力和神经注意力等多种生物机制。因此借鉴人脑的神经结构、生物机制以及信息处理机制,设计和改进现有的深度神经网络模型,能提升信息系统感知和处理大量数据的能力。本文基于智能感知和深度学习理论,提出了面向柔性压力阵列的压缩采样、数据重构和预测数据方法,并通过人体着装微小压力信息处理对所提出的方法进行了验证,主要内容如下:（1）为了提高基于压缩感知理论的柔性阵列人体微小压力数据采集效率,建立了基于稀疏自编码器的压缩感知模型。对压缩感知理论中的稀疏表示、观测向量进行研究,将深度学习中的稀疏自编码器模型的思想整合到压缩感知理论中,为深度学习和压缩感知理论之间的研究提供了桥梁。利用所提出的模型,改进了压缩感知理论中压缩采样的过程,并计算重构数据与原始数据之间的误差。所提出的模型能够根据设置的重构误差限制不断调整稀疏度值和观测向量的长度,使输出的重构数据满足误差要求。通过柔性压力阵列的人体着装微小压力信息采样实验,证明了所提出方法的有效性。（2）针对采样向量的观测长度较小时,微小压力信息重构精度不高的问题,提出了一种新的神经网络模型——压缩感知网络（Compressed Sensing Network,ComsensNet）。首先,将压缩感知理论中的压缩采样过程建模为神经网络形式,并提出一种基于深度学习思想的栈式长短时记忆网络作为压缩感知的重构算法。进而,根据深度学习中的稀疏自编码器的思想,将提出的压缩采样过程的神经网络和栈式长短时记忆网络重构算法,整合成一个新的神经网络模型——压缩感知网络。最后柔性压力阵列的人体模型微小压力信息采集实验验证了所提出方法的优越性。（3）针对采样微小压力信息分布密集部位重构准确度不高的问题,提出了基于人脑记忆力机制和神经注意力机制的压缩感知重构算法。首先,根据人脑记忆力机制的思想,提出了一种多层长短时记忆神经网络模型。进一步,将人脑的神经注意力机制与所提出的多层长短时记忆网络模型相结合。进而,通过人脑这两种生物机制的结合,设计了一种新的压缩感知重构算法。最后,通过人体模型微小压力信息分布密集部位重构实验验证了方法的有效性。（4）针对人体着装时不同部位的压力信息需要多次测量采样的问题,提出了一种深度门限循环单元神经网络结构。进而由人体某一个部位的压力信息预测出人体上半身部分关键点的压力信息分布。通过深度门限循环单元神经网络学习获得人体着装时不同部位之间压力信息存在的关联,以提高采样和测量人体着装压力信息的效率,缩短测量时间。人体不同部位微小压力信息的预测实验,验证了所提出方法的有效性。最后,对本论文的研究内容进行了总结和展望,指出了研究中存在的不足,并对后续的研究内容和相关工作进行了展望。
孔威[8]（2018）在《基于WEB的三维点云重建研究与实现》文中研究表明在计算机视觉和计算机图形学中,三维重建是获取真实物体的形状和外观的常用方法,目前已经有不同方向的深入研究发展。三维重建的场景模型,比二维平面反映出更丰富直观的信息,广泛应用于数字化文化遗产保护、游戏电影场景、医疗图像、立体漫游、虚拟现实等各行业。论文基于立体视觉重建方法,实现了从WEB端重建和展示物体点云模型。论文的主要研究内容包括相机标定与稀疏点云生成,多视图立体重构,WEB端自动化稠密点云重建,点云网格化这几个方面。论文主要工作分为以下几个部分:第一部分是相机标定与稀疏点云生成,论文使用一种从运动恢复结构的自标定方法。使用普通相机,对需要重建物体从多个视角拍摄多幅图片,通过成对图像间的特征点匹配计算相机的姿态,通过相机的EXIF信息求取相机内部参数,在此基础上进行三角定位还原特征点在三维空间中位置,建立稀疏点云。第二部分是多视图立体重建。论文使用基于面片的稠密点云重建方法,利用第一部分生成的相机参数及稀疏点云,通过特征点匹配、扩展及匹配过滤等步骤,生成模型的稠密点云。第三部分是实现了一个基于WEB端的自动化重建系统。在前两部分的基础上,实现了 WEB端自动化稠密点云重建及展示。只需要在该网站中上传物体不同视角的多幅图片,提交后便可自动重建所拍摄物体的稠密点云模型,重建完成后物体点云模型将在浏览器中展示。第四部分是点云的网格化研究。分别使用了滚球算法及泊松表面重建算法,对点云模型进行网格化,并对两种点云网格化算法生成的网格模型所用时间、网格完整性等指标进行了对比分析,探讨两种算法的适用场景。
董真杰[9]（2018）在《水声阵列定位和受约束阵型选择研究》文中研究说明海洋占地球面积的70%以上,蕴含着丰富的资源。但海洋探测技术远远落后于无线电技术,导致海洋资源的探索、开发极为缓慢。在广阔的海洋水下空间中,声波是目前已知的水下传播距离最远的能量辐射形式,所以水声技术是海洋资源的探测和开发特别是海洋水下工程最重要的技术手段。水声技术中一个最重要且最基本的问题就是水声定位技术,确定目标的存在和位置是海洋开发中一个重要的课题。大多数声学定位系统利用时间差或相位差一次只能定位一个目标,无法在多目标定位场景中使用。为了解决这个问题,提出了将应用于空气信道的阵列信号处理技术经过适配后用于水下信道。利用特征结构的子空间方法,对多个空间信号到达方向（DOA）进行研究。本文取得的主要研究成果如下:（1）首先介绍了水声信道的特点及水声定位系统主要组成、阵列信号处理阵列流型及本文将用到的算法。根据水声信号特点,设计制作了可用于水下声学定位的硬件平台。由于阵元数多于采集通道数,为了灵活选择不同阵型,设计了不同阵元进入采集通道的选择电路。每路通道进行信号预处理,提高信噪比。同步采集多路水声信号,挑选出其中包含信号的数据段,将有用数据进行存储。（2）在水听器阵列共48路呈12*4排布的阵元中选取12路作为阵型,配合相应的算法,比较各阵型及适配的算法在精度和运算时间上的优劣,选取综合性能良好,本文适用的阵型及算法,并可根据使用的不同场合改用不同阵型及算法。本文选取一维线阵、L型阵、双L型阵、均匀面阵、“口”字型阵这几种阵型,每种阵型选用一至三种算法,比较每种情况下的性能及运行时间,为实际应用提供可供参考的理论依据。（3）分析了同一种算法在不同阵型下的不同表现,找出差异的原因,以及分析对以后设计高精度的水下定位系统需要注意的问题。
赵晓冬[10]（2017）在《光学遥感影像超分辨率重构算法研究》文中进行了进一步梳理高分辨率图像在测绘、军事、民用领域一直有着迫切的需求,高分辨率遥感影像的获取技术是遥感领域人员研究的重要课题之一,然而在获取过程当中,图像会受到各种降质因素影响,无法完全满足应用需求。超分辨率（Super resolution,SR）重构技术可以在现有的成像系统基础上,利用信号处理知识,由单帧或多帧低分辨率图像,重构出具备丰富细节和高像素密度的高分辨率图像,已经在众多领域广泛应用,是图像复原领域最有前景的研究方向之一。本文首先介绍了超分辨率重构课题的研究意义、现状和发展趋势;系统阐述了超分辨率重构的理论依据、遥感影像成像技术、经典算法类别和理论架构、重构评价方法;基于特征点检测理论,研究亚像元配准方法及其并行设计;以空域正则化算法为主线,应用偏微分方程和基于稀疏表示的学习理论,实现单帧和多帧算法的超分辨率重构。本论文在提出多种超分辨率重构技术相关算法,取得一定理论创新的基础上,进一步将研究成果应用于遥感领域的面阵和线阵影像中进行实际工程应用。本文的研究成果以及创新点包含以下方面:1.提出一种针对多帧图像的帧间配准算法及其并行化设计方法。该算法实现了基于自适应梯度双边张量滤波的改进型特征点检测,进行多尺度扩展,剔除冗余点,并进行加权高斯曲面亚像素插值,生成描述子进行配准,更好地保证配准精度。此外,在图形处理器平台和多核CPU平台分别基于统一计算设备架构和OpenMP进行算法操作级和任务级并行设计,有效提高配准速度。2.提出一种结合非线性各向异性张量扩散和改进梯度矢量流连续性约束的双正则项多帧超分辨率重构算法。该算法基于偏微分方程的设计思想,首先基于非线性扩散张量构造正则项,充分利用其方向选择平滑特性,更直观地刻画在平坦、边缘、角形结构区域的滤波性能,使得在重构求解过程当中,求解方向在边缘及纹理区域沿着切线方向优化,在梯度方向限制其优化。其次提出改进的梯度矢量场一致连续性正则项,可以对高低分辨率图像进行更好的一致连续性约束,在对噪声具备鲁棒性的同时,对纹理结构信息进行更好的保留。3.提出一种改进初始聚类中心的K-PCA自适应字典学习算法。该算法结合非局部均值非线性张量滤波和非线性扩散张量保边核回归两项正则项约束进行基于学习的单帧超分辨率重构。首先基于结构张量空间特性测度度量进行聚类初始中心的筛选,其次同时考虑灰度和几何结构相似度量,结合非线性张量、双边张量和模糊熵,提出非局部均值的改进正则项,并提出基于非线性扩散张量核回归和Gaman-McClure核函数改进的重构约束项,进行仿真实验分析,并将该算法重构的结果作为多帧图像重构的初始输入,进行多帧重构算法应用。4.提出一种基于偏微分方程统一框架的单帧超分辨率重构算法。该算法充分结合局部边缘结构和纹理保持特性分析、高阶张量分析、多方向估计分析、梯度向量场和非线性张量扩散分析,能够更好地适应各种噪声强度的图像重构。基于各向异性非线性结构张量的方向扩散项,综合考虑各通道信息防止奇异结果的发生,取得了较好的边缘纹理保持和图像去噪效果,高阶结构张量可以更准确地估计角点和结构信息,多方向估计通过求解二次多项式将混合方向参数分解为两个方向,改进的冲击滤波器可以更好地实现噪声情况下的边缘增强。5.在以上并行亚像素配准算法、基于偏微分方程的多帧和单帧超分辨率重构算法、基于稀疏表示单帧超分辨率重构算法提出并实现的基础上,结合实测遥感面阵和线阵影像,进行全部算法的工程应用分析。实验结果表明,基于并行设计的改进型特征点配准算法针对遥感影像取得了配准精度和配准速度的两方面提升,基于偏微分方程和学习的重构算法对于遥感影像超分辨率重构的实现取得了主观和客观两方面较好的重构结果。
二、一维向量轮换的几种算法和程序实现（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、一维向量轮换的几种算法和程序实现（论文提纲范文）
（1）超光谱数据无损压缩及CUDA并行加速研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 高光谱遥感图像压缩的背景和意义 |
| 1.1.2 极光光谱数据压缩的背景和意义 |
| 1.1.3 GPU并行加速高光谱遥感图像和极光光谱数据压缩的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像无损压缩算法国内外研究现状 |
| 1.2.2 GPU并行加速图像压缩国内外研究现状 |
| 1.2.3 基于人工神经网络的图像压缩算法国内外研究现状 |
| 1.3 论文主要研究内容及结构安排 |
| 1.4 论文主要创新点 |
| 第二章 高光谱遥感图像和极光光谱数据空谱相关性分析及CUDA编程基础介绍 |
| 2.1 引言 |
| 2.2 高光谱遥感图像数据集介绍及空谱相关性分析 |
| 2.2.1 AVIRIS高光谱遥感图像数据集 |
| 2.2.2 AVIRIS图像空谱相关性分析 |
| 2.3 极光光谱数据空谱相关性分析 |
| 2.4 GPU编程基础知识 |
| 2.4.1 GPU编程模型及并行加速思想 |
| 2.4.2 GPU常用存储器及其特性 |
| 2.4.3 GPU编程常用优化技术 |
| 2.5 本章小结 |
| 第三章 C-DPCM高光谱遥感图像无损压缩算法 |
| 3.1 引言 |
| 3.2 C-DPCM高光谱图像无损压缩算法概述 |
| 3.2.1 光谱聚类 |
| 3.2.2 线性预测 |
| 3.3 聚类数和预测阶数的调优 |
| 3.4 实验结果与分析 |
| 3.4.1 C-DPCM算法压缩性能 |
| 3.4.2 C-DPCM算法压缩效率 |
| 3.5 本章小结 |
| 第四章 C-DPCM高光谱图像无损压缩算法CUDA并行加速 |
| 4.1 引言 |
| 4.2 C-DPCM算法CUDA实现的总体框架 |
| 4.3 C-DPCM算法中预测系数的CUDA并行计算 |
| 4.3.1 矩阵乘法的CUDA实现 |
| 4.3.2 矩阵求逆的CUDA实现 |
| 4.4 实验结果与分析 |
| 4.4.1 共享内存和寄存器优化C-DPCM算法 |
| 4.4.2 多CUDA流技术优化C-DPCM算法 |
| 4.4.3 多GPU技术优化C-DPCM算法 |
| 4.5 本章小结 |
| 第五章 基于在线线性回归预测的极光光谱数据无损压缩 |
| 5.1 引言 |
| 5.2 极光光谱数据在线线性回归预测算法 |
| 5.3 对在线线性回归预测算法的改进 |
| 5.3.1 对预测系数计算的改进 |
| 5.3.2 对残差编码的改进 |
| 5.4 预测阶数、每行建立的方程数和异常值阈值的最优化 |
| 5.4.1 在空间方向预测时预测参数的优化 |
| 5.4.2 在谱方向预测时预测参数的优化 |
| 5.5 实验结果与分析 |
| 5.5.1 空间方向预测和谱方向预测时压缩性能的对比 |
| 5.5.2 极光光谱数据在线线性回归预测算法的压缩性能 |
| 5.5.3 极光光谱数据在线线性回归预测算法的压缩效率 |
| 5.6 本章小结 |
| 第六章 极光光谱数据在线线性回归预测算法CUDA并行加速 |
| 6.1 引言 |
| 6.2 预测系数的分解计算方法 |
| 6.3 前缀求和的CUDA并行实现 |
| 6.4 矩阵乘法和矩阵求逆的CUDA并行计算 |
| 6.5 实验结果与分析 |
| 6.5.1 共享内存和寄存器优化在线线性回归预测算法 |
| 6.5.2 多CUDA流技术优化在线线性回归预测算法 |
| 6.5.3 多GPU技术优化在线线性回归预测算法 |
| 6.6 本章小结 |
| 第七章 基于深度学习的极光光谱数据无损压缩 |
| 7.1 引言 |
| 7.2 基于LSTM的极光光谱图像压缩框架 |
| 7.2.1 压缩框架概述 |
| 7.2.2 边界问题处理 |
| 7.3 实验结果与分析 |
| 7.3.1 LSTM压缩框架中参数的优化 |
| 7.3.2 LSTM神经网络的压缩性能 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）混合IWO算法在参数优化中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 概述 |
| 1.2 参数优化问题概述 |
| 1.3 入侵杂草优化算法研究现状 |
| 1.3.1 入侵杂草优化算法的性能改进研究 |
| 1.3.2 入侵杂草优化算法的相关应用研究 |
| 1.3.3 太阳影子定位的应用研究 |
| 1.3.4 药代动力学的应用研究 |
| 1.3.5 马斯京根模型的应用研究 |
| 1.3.6 VG方程的应用研究 |
| 1.4 本课题研究思路及意义 |
| 1.5 本课题研究内容及创新点 |
| 1.6 算法与应用分析 |
| 1.7 本课题内容安排 |
| 第2章 入侵杂草优化算法的研究基础 |
| 2.1 优化算法的基本概念 |
| 2.1.1 按算法求解机制分类 |
| 2.1.2 按求解搜索的目标点分类 |
| 2.2 智能优化算法 |
| 2.2.1 进化算法 |
| 2.2.2 群体算法 |
| 2.2.3 其他算法 |
| 2.3 入侵杂草优化算法 |
| 第3章 HIWO算法在参数反演问题中的应用 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 非线性太阳影子模型 |
| 3.4 HIWO算法的构造 |
| 3.4.1 改进策略 |
| 3.4.2 BFGS算法 |
| 3.4.3 HIWO算法步骤 |
| 3.5 仿真实验 |
| 3.5.1 实验平台 |
| 3.5.2 基准函数实验 |
| 3.5.3 太阳影子定位模型实验 |
| 3.6 本章小结 |
| 第4章 HJIWO算法在药代动力学参数优化中应用 |
| 4.1 引言 |
| 4.2 房室模型 |
| 4.2.1 房室模型 |
| 4.2.2 血管外给药二室模型及其解决方案 |
| 4.2.3 模型假设 |
| 4.2.4 模型的建立及解决方法 |
| 4.3 改进IWO算法 |
| 4.3.1 自适应调节机制 |
| 4.3.2 Hooke-Jeeves算法 |
| 4.3.3 HJIWO算法 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 基准测试函数实验 |
| 4.4.3 血管内给药二室模型在药代动力学参数优化中的应用 |
| 4.5 本章小结 |
| 第5章 PIWO算法求解Muskingum模型参数优化问题 |
| 5.1 引言 |
| 5.2 马斯京根模型 |
| 5.2.1 模型描述 |
| 5.2.2 流量系数的优化及参数k ,x的反转 |
| 5.3 算法改进策略 |
| 5.3.1 全局导向最优策略 |
| 5.3.2 Powell算法 |
| 5.4 PIWO改进算法 |
| 5.4.1 PIWO算法步骤 |
| 5.5 仿真实验 |
| 5.5.1 基准函数实验 |
| 5.5.2 马斯京根模型实验 |
| 5.6 本章小结 |
| 第6章 基于自适应莱维飞行的IWO算法的VG方程参数估计 |
| 6.1 引言 |
| 6.2 VG方程 |
| 6.3 改进IWO算法的构造 |
| 6.3.1 莱维飞行 |
| 6.3.2 LIWO算法的构造 |
| 6.4 仿真实验与结果分析 |
| 6.4.1 基准函数实验 |
| 6.4.2 参数反演实验 |
| 6.5 本章小结 |
| 第7章 结束语与未来工作 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（3）基于监控数据的人群运动模式学习与异常检测（论文提纲范文）
| 致谢 |
| 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 智能监控技术研究现状 |
| 1.2.2 人群行为分析研究现状 |
| 1.3 论文研究工作内容 |
| 1.4 论文组织结构 |
| 2 相关研究工作综述 |
| 2.1 监控场景分类 |
| 2.2 轨迹预处理 |
| 2.3 运动模式学习 |
| 2.4 行人轨迹预测 |
| 2.5 异常轨迹检测 |
| 2.6 本章小结 |
| 3 基于LDA主题模型的运动模式学习 |
| 3.1 基于SPC算法的轨迹预处理 |
| 3.1.1 方向特征计算 |
| 3.1.2 轨迹分段处理 |
| 3.1.3 轨迹编码 |
| 3.1.4 轨迹数据降维 |
| 3.2 改进的AEM-LDA聚类算法 |
| 3.2.1 LDA模型数学基础 |
| 3.2.2 LDA主题模型 |
| 3.2.3 AEM改进聚类算法 |
| 3.2.4 基于AEM-LDA的轨迹聚类 |
| 3.3 基于LDA主题模型的运动模式学习 |
| 3.3.1 优化路径 |
| 3.3.2 关键区域 |
| 3.4 实验结果及分析 |
| 3.4.1 数据描述与评价指标 |
| 3.4.2 轨迹聚类实验分析 |
| 3.4.3 运动模式学习实验分析 |
| 3.5 本章小结 |
| 4 基于卷积长短期记忆神经网络的轨迹预测 |
| 4.1 卷积长短期记忆神经网络基础 |
| 4.2 基于卷积长短期记忆网络的轨迹预测算法 |
| 4.2.1 混合密度网络层 |
| 4.2.2 概率预测模块 |
| 4.2.3 轨迹预测算法实现 |
| 4.3 实验结果及分析 |
| 4.3.1 数据描述与评价指标 |
| 4.3.2 实验参数设置 |
| 4.3.3 轨迹预测实验及分析 |
| 4.4 本章小结 |
| 5 基于隔离的异常轨迹检测 |
| 5.1 隔离树和隔离森林算法 |
| 5.2 轨迹相似性度量 |
| 5.2.1 轨迹相似性度量方法 |
| 5.2.2 基于实补偿编辑距离算法的轨迹相似性度量 |
| 5.3 基于隔离的异常轨迹检测方法 |
| 5.3.1 隔离森林训练 |
| 5.3.2 相似性度量 |
| 5.3.3 异常轨迹检测 |
| 5.4 实验结果及分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 基于隔离的异常轨迹检测 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于正则化稀疏恢复的稳健测向算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外测向算法研究现状及发展趋势 |
| 1.2.1 基于子空间类测向算法研究现状及趋势 |
| 1.2.2 基于稀疏恢复的测向算法研究现状及趋势 |
| 1.2.3 未知互耦下测向算法研究现状及趋势 |
| 1.3 本文主要研究内容及论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 第2章 空间谱估计的基础理论 |
| 2.1 基本数学模型 |
| 2.2 矩阵分析基础概念 |
| 2.2.1 特征值分解 |
| 2.2.2 奇异值分解 |
| 2.2.3 Kronecker积 |
| 2.2.4 Khatri-Rao积 |
| 2.2.5 Toeplitz矩阵 |
| 2.3 基于子空间类测向算法 |
| 2.3.1 MUSIC算法 |
| 2.3.2 ESPRIT算法 |
| 2.3.3 WSF算法 |
| 2.4 稀疏恢复的基础理论 |
| 2.4.1 信号的稀疏性及重构条件 |
| 2.4.2 稀疏重构类算法 |
| 2.4.3 阵列接收数据的稀疏表示模型 |
| 2.4.4 基于l_1-SVD的测向算法基础研究 |
| 2.5 算法仿真及性能分析 |
| 2.6 本章小结 |
| 第3章 未知互耦下基于数据域阵列测向算法 |
| 3.1 未知互耦下ULA接收数据模型 |
| 3.2 基于选择矩阵的l_1-SVD算法 |
| 3.3 BSR算法 |
| 3.3.1 参数化互耦导向矩阵 |
| 3.3.2 块稀疏恢复模型 |
| 3.4 重加权BSR算法 |
| 3.5 算法仿真及性能分析 |
| 3.6 本章小结 |
| 第4章 未知互耦下基于协方差域的阵列测向算法 |
| 4.1 l_1-SRACV算法 |
| 4.2 重加权l_1范数最小化算法 |
| 4.3 重加权核范数最小化算法 |
| 4.4 基于加权子空间拟合的块稀疏恢复算法 |
| 4.5 算法仿真及性能分析 |
| 4.6 本章小结 |
| 第5章 未知互耦下基于单基地MIMO雷达测向算法 |
| 5.1 未知互耦下单基地MIMO雷达的信号模型 |
| 5.2 重加权块稀疏重构算法 |
| 5.2.1 参数化发射-接收互耦导向矩阵 |
| 5.2.2 降维矩阵 |
| 5.2.3 重加权块稀疏重构算法 |
| 5.3 算法仿真及性能分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间取得的科研成果 |
| 致谢 |
（5）基于运动分解模型的双X射线影像2D-3D配准算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文内容安排 |
| 第二章 2D-3D配准相关知识简介 |
| 2.1 引言 |
| 2.2 图像相似度 |
| 2.2.1 累计均方误差 |
| 2.2.2 归一化互相关 |
| 2.2.3 梯度相关 |
| 2.2.4 互信息 |
| 2.3 图像空间变换与插值 |
| 2.3.1 像素点空间变换 |
| 2.3.2 双线性插值 |
| 2.3.3 立方卷积插值 |
| 2.3.4 PV插值 |
| 2.4 参数优化搜索方法 |
| 2.4.1 梯度下降法 |
| 2.4.2 牛顿法 |
| 2.4.3 Powell搜索 |
| 2.4.4 启发式算法 |
| 2.5 DRR生成与GPU并行计算 |
| 2.5.1 X射线影像生成的物理基础 |
| 2.5.2 光线追踪生成DRR |
| 2.5.3 CUDA框架 |
| 2.6 本章小结 |
| 第三章 基于2D预配准的双X射线影像2D-3D配准算法 |
| 3.1 引言 |
| 3.2 基于2D预配准的双X射线影像2D-3D配准算法介绍 |
| 3.2.1 运动分解模型 |
| 3.2.2 空间逆变换与GPU加速DRR生成 |
| 3.2.3 2D-2D近似刚体配准 |
| 3.2.4 2D-2D预配准引导空间参数搜索 |
| 3.3 实验结果 |
| 3.3.1 实验数据 |
| 3.3.2 实验结果的展示与分析 |
| 3.4 本章小结 |
| 第四章 基于CNN的双X射线影像2D-3D配准算法 |
| 4.1 引言 |
| 4.2 基于CNN的双X射线影像2D-3D配准算法介绍 |
| 4.2.1 双X射线影像配准分析 |
| 4.2.2 平面内参数估计 |
| 4.2.3 平面外参数估计 |
| 4.3 实验结果 |
| 4.3.1 实验数据 |
| 4.3.2 实验结果的展示与分析 |
| 4.4 本章小结 |
| 结论 |
| 本文工作和创新点 |
| 前景与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 攻读硕士学位期间参与的科研项目 |
| 致谢 |
（6）基于微纳卫星的AIS接收机关键技术研究与实现（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 |
| 1.3 论文主要内容及章节安排 |
| 2 星载AIS系统关键技术 |
| 2.1 星载AIS系统概述 |
| 2.1.1 星载AIS系统 |
| 2.1.2 AIS技术标准 |
| 2.2 基于微纳卫星的AIS接收机设计难题 |
| 2.2.1 微纳卫星搭载平台 |
| 2.2.2 多普勒频偏 |
| 2.2.3 时隙碰撞 |
| 2.3 基于微纳卫星的AIS接收机关键技术分析 |
| 2.3.1 全数字接收解调技术 |
| 2.3.2 碰撞信号分离技术 |
| 2.4 本章小结 |
| 3 基于Nadam的信息极大化碰撞信号分离算法 |
| 3.1 独立成分分析 |
| 3.1.1 ICA预处理 |
| 3.1.2 ICA经典算法 |
| 3.2 基于Nadam的信息极大化碰撞信号分离算法 |
| 3.2.1 信息极大化分离算法 |
| 3.2.2 Nesterov加速自适应矩估计 |
| 3.2.3 基于Nadam的信息极大化碰撞信号分离算法实现 |
| 3.3 仿真设计与结果分析 |
| 3.4 本章小结 |
| 4 基于L-BFGS的人工蜂群碰撞信号分离算法 |
| 4.1 人工蜂群碰撞信号分离算法 |
| 4.1.1 人工蜂群算法 |
| 4.1.2 人工蜂群碰撞信号分离算法实现 |
| 4.2 L-BFGS拟牛顿算法 |
| 4.2.1 L-BFGS基本理论 |
| 4.2.2 步长与线搜索 |
| 4.3 基于L-BFGS的人工蜂群碰撞信号分离算法实现 |
| 4.4 仿真设计与结果分析 |
| 4.5 本章小结 |
| 5 基于微纳卫星的AIS接收机系统设计与实现 |
| 5.1 微纳卫星AIS数字接收机系统设计方案 |
| 5.1.1 接收机技术指标与总体设计方案 |
| 5.1.2 数字下变频与抽取滤波 |
| 5.1.3 帧头突发检测 |
| 5.1.4 碰撞信号分离 |
| 5.1.5 频偏估计与补偿 |
| 5.1.6 符号定时同步 |
| 5.1.7 GMSK解调 |
| 5.2 接收机硬件设计与实现 |
| 5.3 样机性能测试 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果及参与的科研项目 |
（7）基于深度学习的柔性压力阵列信息的压缩采样、重构和预测（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 国内外研究现状 |
| 1.2.1 压缩感知理论研究现状 |
| 1.2.2 压缩感知的应用 |
| 1.2.3 深度学习研究现状 |
| 1.2.4 深度学习的应用 |
| 1.2.5 柔性压力阵列信息采集研究现状 |
| 1.3 主要研究内容与创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 论文的章节安排 |
| 第二章 相关理论和生物学基础、问题描述和数据采集 |
| 2.1 相关理论 |
| 2.1.1 压缩感知理论 |
| 2.1.2 深度学习中的稀疏自编码器 |
| 2.1.3 循环神经网络 |
| 2.2 相关生物学基础 |
| 2.2.1 人脑记忆力机制 |
| 2.2.2 人脑神经注意力机制 |
| 2.2.3 人脑神经突触、树突和轴突 |
| 2.3 问题描述 |
| 2.4 柔性压力阵列、数据采集和实验仪器 |
| 2.4.1 柔性压力阵列的数据采集 |
| 2.4.2 计算工作站 |
| 2.5 小结 |
| 第三章 基于稀疏自编码器的压缩感知方法 |
| 3.1 引言 |
| 3.2 基于稀疏自编码器的压缩感知方法 |
| 3.2.1 深度学习中的稀疏自编码器的结构 |
| 3.2.2 SAECS方法的思想 |
| 3.2.3 SAECS算法模型 |
| 3.3 柔性压力阵列采样人体着装微小压力信息实验 |
| 3.3.1 第一组实验 |
| 3.3.2 第二组实验 |
| 3.3.3 运行时间 |
| 3.4 小结 |
| 第四章 压缩感知网络—压缩采样和基于栈式长短时记忆网络的重构算法 |
| 4.1 引言 |
| 4.2 压缩感知网络：ComsensNet |
| 4.2.1 长短时记忆细胞结构 |
| 4.2.2 压缩采样过程 |
| 4.2.3 栈式长短时记忆网络重构算法 |
| 4.2.4 压缩感知网络：ComsensNet |
| 4.3 压缩感知网络用于采集人体微小压力信息 |
| 4.3.1 压缩感知网络的实验 |
| 4.3.2 重构结果的对比 |
| 4.3.3 重构时间的对比 |
| 4.4 小结 |
| 第五章 人脑生物机制启发的压缩感知重构方法 |
| 5.1 引言 |
| 5.2 人脑生物机制启发的压缩感知重构算法 |
| 5.2.1 记忆力机制：多层长短时记忆网络重构算法 |
| 5.2.2 神经注意力机制：引入神经注意力机制的多层记忆网络重构算法 |
| 5.3 实验与分析 |
| 5.3.1 人脑生物机制启发的重构算法实验与分析 |
| 5.3.2 重构算法结果对比 |
| 5.3.3 重构算法时间对比 |
| 5.5 小结 |
| 第六章 基于深度门限循环单元神经网络的人体服装微小压力信息预测 |
| 6.1 引言 |
| 6.2 深度门限循环单元神经网络模型及压力信息预测 |
| 6.2.1 门限循环单元神经网络 |
| 6.2.2 深度门限循环单元神经网络 |
| 6.2.3 基于深度门限循环单元神经网络的压力信息预测 |
| 6.2.4 模型整合后的人体着装微小压力信息预测 |
| 6.3 实验与分析 |
| 6.3.1 实验设备与仪器 |
| 6.3.2 结果和分析 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间取得的成果 |
| 附录B 攻读博士学位期间承担的项目 |
| 附录C 攻读博士学位期间获得的奖励 |
（8）基于WEB的三维点云重建研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 论文结构安排 |
| 第二章 相机标定 |
| 2.1 成像模型与相机参数 |
| 2.1.1 四个坐标系模型 |
| 2.1.2 相机内参矩阵获取 |
| 2.2 相机外参矩阵获取 |
| 2.2.1 特征点提取与匹配 |
| 2.2.2 基本矩阵与本质矩阵 |
| 2.2.3 基本矩阵的求解法 |
| 2.3 相机标定实现 |
| 2.4 本章小结 |
| 第三章 多视图立体视觉三维重建 |
| 3.1 多视图立体视觉中光度一致性 |
| 3.1.1 零均值归一化相关性 |
| 3.1.2 平方差总和相关性 |
| 3.1.3 绝对差异和相关性 |
| 3.2 几种不同多视图立体视觉三维重建算法 |
| 3.2.1 基于深度图的三维重建 |
| 3.2.2 基于点云的三维重建 |
| 3.2.3 基于体积标量的三维重建 |
| 3.2.4 基于网格的三维重建 |
| 3.3 使用PMVS进行稠密点云重建 |
| 3.3.1 基本概念 |
| 3.3.2 面片的重构 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 第四章 WEB上三维重建系统实现 |
| 4.1 服务器端设计 |
| 4.2 点云的解析与显示 |
| 4.3 自动化流程的实现 |
| 4.4 本章小结 |
| 第五章 点云模型网格化研究 |
| 5.1 滚球算法网格化点云模型 |
| 5.1.1 滚球算法基本概念 |
| 5.1.2 滚球算法实现点云网格化 |
| 5.2 泊松表面重建 |
| 5.2.1 泊松表面重建算法定义 |
| 5.2.2 泊松算法实现点云网格化 |
| 5.3 两种重建方法实验与对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 致谢 |
（9）水声阵列定位和受约束阵型选择研究（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 |
| 1.3 论文研究内容及章节安排 |
| 2 水声信道和水声定位系统 |
| 2.1 水声信道的主要特征 |
| 2.2 水声信道模型 |
| 2.3 水声定位系统主要组成 |
| 2.4 本章小结 |
| 3 阵列信号处理模型与算法 |
| 3.1 阵列定位数学模型 |
| 3.2 DOA估计算法 |
| 3.3 本章小结 |
| 4 硬件平台及数据采集软件 |
| 4.1 硬件组成 |
| 4.2 多通道数据采集软件 |
| 4.3 本章小结 |
| 5 不同阵型及适配算法仿真 |
| 5.1 一维DOA估计 |
| 5.2 二维DOA估计 |
| 5.3 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）光学遥感影像超分辨率重构算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究目的和意义 |
| 1.3 课题研究现状和发展趋势 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 发展趋势 |
| 1.4 论文研究内容和结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 第二章 超分辨率重构理论和遥感影像成像技术 |
| 2.1 超分辨率实现的理论依据 |
| 2.1.1 解析延拓理论 |
| 2.1.2 重构中的数学反问题 |
| 2.1.3 病态性问题解决方法 |
| 2.2 遥感影像成像技术 |
| 2.2.1 遥感影像成像模型 |
| 2.2.2 遥感影像降质模型 |
| 2.2.3 遥感影像模糊辨识 |
| 2.2.4 遥感影像几何校正 |
| 2.2.5 遥感影像重构应用 |
| 2.3 经典的超分辨率重构方法 |
| 2.3.1 最大后验估计算法 |
| 2.3.2 确定性正则化算法 |
| 2.3.3 迭代反投影算法 |
| 2.3.4 三角网重构算法 |
| 2.3.5 凸集投影重构算法 |
| 2.3.6 稀疏表示重构算法 |
| 2.4 影像质量评价方法 |
| 2.4.1 无参考影像评价方法 |
| 2.4.2 有参考影像评价方法 |
| 2.5 本章小结 |
| 第三章 基于改进型特征点检测的多尺度图像配准 |
| 3.1 图像配准概念 |
| 3.1.1 图像配准定义 |
| 3.1.2 图像配准算法 |
| 3.2 基于自适应双边结构张量的多尺度检测与配准 |
| 3.2.1 自适应双边结构张量滤波的角点检测 |
| 3.2.2 加权高斯曲面亚像素插值 |
| 3.2.3 多尺度扩展及描述子生成 |
| 3.2.4 配准实验验证分析 |
| 3.3 基于CUDA和OpenMP平台的算法设计 |
| 3.3.1 算法的并行加速设计 |
| 3.3.2 配准性能验证分析 |
| 3.4 遥感影像的配准 |
| 3.4.1 面阵遥感影像配准 |
| 3.4.2 线阵遥感影像配准 |
| 3.5 本章小结 |
| 第四章 基于双正则项和学习结合的多帧超分辨率重构 |
| 4.1 多帧超分辨率重构基本模型 |
| 4.2 相关偏微分方程经典模型 |
| 4.2.1 热扩散模型 |
| 4.2.2 P-M非线性扩散模型 |
| 4.2.3 MCM及其改进模型 |
| 4.2.4 张量扩散模型 |
| 4.2.5 高阶模型 |
| 4.3 基于双正则项的多帧重构方法 |
| 4.3.1 结构张量特性分析 |
| 4.3.2 非线性扩散张量正则项 |
| 4.3.3 离散化推导形式 |
| 4.3.4 梯度矢量流改进的正则项 |
| 4.3.5 多帧重构PDE及实验结果分析 |
| 4.4 基于学习的高分辨率初始图像生成 |
| 4.4.1 超分辨率稀疏重构模型 |
| 4.4.2 改进的K-PCA自适应字典学习 |
| 4.4.3 非局部均值非线性张量滤波正则项 |
| 4.4.4 非线性扩散张量保边核回归正则项 |
| 4.4.5 目标方程及实现方法 |
| 4.4.6 初始图像生成仿真分析 |
| 4.4.7 双正则项结合学习的仿真分析 |
| 4.5 遥感影像的多帧超分辨率重构 |
| 4.5.1 基于学习的初始遥感影像生成 |
| 4.5.2 面阵遥感影像重构 |
| 4.5.3 线阵遥感影像重构 |
| 4.6 本章小结 |
| 第五章 基于张量扩散和方向估计的单帧超分辨率重构 |
| 5.1 单帧超分辨率重构基本模型 |
| 5.2 相关偏微分方程经典模型 |
| 5.2.1 冲击滤波器及其改进模型 |
| 5.2.2 MCF、GVF及其改进模型 |
| 5.3 结合张量扩散和方向估计的单帧重构方法 |
| 5.3.1 非线性结构张量的去噪性能分析 |
| 5.3.2 基于高阶张量分析的正则项 |
| 5.3.3 各向异性冲击滤波器正则项 |
| 5.3.4 单帧重构实验结果分析 |
| 5.4 遥感影像的单帧超分辨率重构 |
| 5.4.1 面阵遥感影像重构 |
| 5.4.2 线阵遥感影像重构 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 作者简介及在学期间发表的学术论文与研究成果 |
四、一维向量轮换的几种算法和程序实现（论文参考文献）
- [1]超光谱数据无损压缩及CUDA并行加速研究[D]. 李皎皎. 西安电子科技大学, 2021(02)
- [2]混合IWO算法在参数优化中的应用研究[D]. 邓锬. 湖南大学, 2020(08)
- [3]基于监控数据的人群运动模式学习与异常检测[D]. 石颖. 北京交通大学, 2020(03)
- [4]基于正则化稀疏恢复的稳健测向算法研究[D]. 孟丹丹. 海南大学, 2020(07)
- [5]基于运动分解模型的双X射线影像2D-3D配准算法研究[D]. 沈延延. 安徽大学, 2020(07)
- [6]基于微纳卫星的AIS接收机关键技术研究与实现[D]. 王娈. 南京理工大学, 2019(06)
- [7]基于深度学习的柔性压力阵列信息的压缩采样、重构和预测[D]. 韩韬. 东华大学, 2018(06)
- [8]基于WEB的三维点云重建研究与实现[D]. 孔威. 云南大学, 2018(01)
- [9]水声阵列定位和受约束阵型选择研究[D]. 董真杰. 华中科技大学, 2018(06)
- [10]光学遥感影像超分辨率重构算法研究[D]. 赵晓冬. 中国科学院大学(中国科学院西安光学精密机械研究所), 2017(06)