一、小波图像编码器研究进展（论文文献综述）
胡钧剑[1]（2021）在《基于深度学习理论的桥梁结构损伤识别研究》文中认为桥梁作为交通运输工程中的重要项目,是连接不同线路的关键节点。桥梁结构在其服役期间,由于外部荷载、自然环境、材料性质等因素,必然会发生不同程度的疲劳和损伤,严重影响结构的安全性、适用性和耐久性,关系到人民群众的生命财产安全,因此有必要采取准确的损伤识别方法,及时发现结构的损伤状况。传统的识别方法在处理海量的数据方面存在计算能力不足、识别准确率偏低的问题,深度学习凭借其多层次的感知器,可以处理高维海量的数据,因此在损伤识别领域相比传统的模式识别方法有较大的优势。本文的主要研究工作有:（1）阐述了深度学习的理论发展,介绍了目前主流的三种深度学习网络模型,比较各自的性能,通过对比,选择深度置信网络作为桥梁损伤识别的方法。（2）提出基于深度置信网络的桥梁结构损伤识别方法,搭建适用于桥梁损伤识别特点的深度置信网络。（3）以简支钢梁为例,利用所提出的方法对直接提取的结构竖向加速度响应做损伤识别分析,得到关于结构的损伤位置和损伤程度的识别结果,并与传统的SVM支持向量机、BP神经网络作比较,结果表明:该方法识别性能明显优于传统的识别方法,且抗噪性能优异,识别准确率均在85%以上。（4）以预应力混凝土连续梁为例,设置多损伤工况,比较所提方法与SVM支持向量机、BP神经网络的识别结果,结果表明:该方法在多损伤工况下识别性能与传统方法相比有优势,在多损伤工况下具备一定的抗噪性能,在30%的噪声状况下损伤定位识别准确率在85%以上,定量识别准确率略低,在70%左右浮动。（5）提出基于小波变换和深度置信网络的识别方法,对斜拉桥的多损伤工况展开识别,比较所提出的深度置信网络的识别方法,对比结果表明:该方法的抗噪性能要明显优于深度置信网络的识别方法。（6）运用所提出的基于小波变换和深度置信网络的识别方法,对工字钢梁展开损伤识别的试验验证,试验结果表明:该方法在实际情况下能够识别出结构的损伤状况,且识别准确率较高,损伤定位和损伤定量的结果均在80%以上。综上所述,基于深度学习理论的损伤识别方法可以用于桥梁结构,且性能较好,但是如何在实际条件下施行该方法还有待更深入的研究。
张梦磊[2]（2021）在《非限制场景人脸图像超分辨率重建算法研究》文中研究说明随着社会经济与科技水平的发展,手机、无人机、监控摄像头等非限制场景图像采集设备越来越普及,基于这类非限制场景图像采集设备和计算机视觉算法的人脸识别应用逐渐走入了人们的生活。相对于限制场景中采集到的清晰、高分辨率正脸图片,非限制场景采集的小尺度带噪声模糊等降质因素的人脸图片区分度和信息量都大大降低,对于人脸识别算法鲁棒性要求较高。因此非限制场景人脸识别系统需要针对小尺度、噪声、模糊这些图像降质因素进行特殊优化。非限制场景低分辨率人脸图像的超分辨率重建任务对于人脸识别的大规模应用来说具有非常重大的意义。近些年学术界和工业界针对普通图像超分辨率重建问题和人脸图像超分辨率重建问题已经进行了非常深入的研究。随着深度卷积神经网络和生成对抗网络引入到人脸图像超分辨率重建问题,超分辨率重建算法性能越来越强大。但是大都数算法主要针对理论场景达到较好的效果,很难应用于真实世界非限制场景。而现有少量针对非限制场景的算法大多使用条件较苛刻或者时间复杂度较高、训练方法很难推广。本文主要针对非限制场景人脸图像超分辨率重建的身份信息恢复问题、任意缩放因子问题以及真实世界未知噪声和降质模式问题进行了深入的分析和研究,并分别提出算法解决对应问题。本文针对非限制场景人脸图像超分辨率重建问题的主要的研究成果包括:1)提出一种基于身份先验信息有监督逐像素生成对抗网络的人脸图像超分辨率重建算法。本算法将身份先验信息引入到判别器网络中,以利用判别器增强人脸识别相关的纹理细节。并且与传统无监督生成对抗网络不同,我们提出了一种新颖的有监督对抗损失函数,以强制生成的人脸图像的每个像素都在感知领域接近真实高分辨率人脸图像的对应像素。同时为了增强对抗损失函数的监督强度,我们还提出了一种逐像素判别器结构。由于逐像素判别器结构和对抗损失函数的有监督机制,本算法可以生成更准确逼真的高分辨率人脸图像,并有效避免其它基于无监督生成对抗网络方法引入的伪像问题。2)提出一种基于双边上采样网络的任意缩放因子人脸图像超分辨率重建算法。现有的图像超分辨率重建算法需要针对每个缩放因子训练不同模型,且主要针对整数倍放大倍数。为了解决单一模型任意缩放因子问题,我们提出了一种双边上采样网络。其使用缩放因子和输入图像的内容信息来预测双边上采样滤波器的权重。然后,将双边上采样滤波器提供给逐通道特征特征上采样卷积层,作为卷积核权重,将低分辨率特征图上采样到高分辨率特征空间。由于双边上采样滤波器权重可以根据不同的图像内容和缩放因子自适应的学习,本算法可以同时获得纹理增强和结构准确的超分辨率重建结果。3)提出一种基于降质变分自编码器的非限制场景人脸图像超分辨率重建方法。现有的基于学习的超分辨率重建方法大都依赖于监督学习,他们需要成对的低分辨率和真实高分辨率图像数据集来学习映射关系。为了模拟真实图像噪声和降质模式,我们提出了一种基于变分自编码器的图像降质模型,并基于无监督的循环训练策略对模型进行训练,使得模型能够从真实世界低分辨率图像中学习到真实世界噪声分布和降质模式。通过对高质量清晰图像进行降质处理,我们可以使用有监督方法训练一个超分辨率模型,该模型可以针对真实世界噪声和降质具有非常强的鲁棒性。
殷列栋[3]（2021）在《基于重构残差的轮胎缺陷X光图像异常检测算法研究》文中提出基于轮胎X光图像的轮胎缺陷检测是轮胎生产过程中一道重要的工序,我国目前主要依靠人工肉眼判断轮胎X光图像上有无缺陷,本文结合机器学习与深度学习提出一种能够自动识别轮胎缺陷的异常检测算法。在工业场景下,往往只能收集到较少轮胎缺陷图像样本以及大量的无缺陷图像样本。经典的目标检测等算法往往需要大量的缺陷样本去训练模型,在工业场景中运用受限,由此,本文设计出了一种使用图像重构与残差计算的异常检测思路。首先,本文基于PCA算法与小波滤波算法对缺陷检测问题展开研究,并提出了一种名为Wavelet-PCA的缺陷检测算法,将PCA重构引入到小波滤波的阈值确定中,并使用了新的阈值函数,提高了图片的重构质量,最后使用了重构的图片与原图进行残差运算,模型的正确率达到了 75.3%,缺陷的召回率达到了65.8%,AUC 值达到了 0.803。其次,本文设计多通道自编码器进行图像重构,自编码器在训练阶段只输入无缺陷图片,深入学习轮胎图像特征,同时使用多通道结构能够更好得捕捉轮胎特征。在完成轮胎图像重构后,使用孪生神经网络模型,判断原图与重构图之间的差异,对特征向量进行压缩与辅助分类。孪生神经网络需要训练的参数较少,只使用了少量的缺陷样本训练该网络,并将大量的缺陷样本用于测试,以模拟工业中缺陷样本较少的场景,最终模型的正确率达到了 85.5%,缺陷的召回率达到了 89.9%,AUC值达到了 0.932,并且样本较少的几类缺陷的召回率与样本较多的几类缺陷的召回率非常接近,证明了该模型可以在缺陷样本较少时完成检测,且针对各类缺陷都效果较好。最后,本文设计了一种名为 FMD-G AN（Feature module-driven defect detection Generative Adversarial Networks）的图像重构模型,引入了生成对抗的思想,重构出更清晰的图像。同时,本文设计了基于动量更新的MUSNN（Momentum Update-based Siamese neural network）模型用于判断重构图与原图直接的差异,该模型不仅增广了训练样本,同时能够更好地识别无缺陷图像,减少了对于无缺陷图片的误判,最终,模型的正确率达到了 94.7%,召回率达到了 96.8%,AUC值提升到了 0.991,此外,该模型对于缺陷样本数量多少不敏感,对于各类缺陷都有极好的召回率。
王淼[4]（2021）在《基于深度学习的人脸表情识别算法研究》文中提出人脸表情是传递人类情感状态最直观的方式,通过分析面部表情,可以获得某人在某时刻的精神和身体状况。所以表情识别在人机交互、自动驾驶、医疗等领域具有重要的应用价值,并成为一个热门的研究课题。随着深度学习的普及,表情识别研究逐渐从传统的图像处理的方法转变为基于深度学习的方法,但是在现实生活中,标注精确的表情数据集样本数量较小,同时受到硬件设备的影响,导致通过增加网络模型的深度来提高表情识别的准确率的方法受到限制。本文对表情识别算法进行了研究,主要工作如下:（1）基于改进AlexNet的表情识别算法研究。针对AlexNet在表情识别中展现出低识别率的问题,在对AlexNet网络进行深入研究的基础上,同时受VGG网络的启发,对卷积核以及卷积层的数量进行优化,将11×11的卷积核替换成5×5的卷积核,同时使用级联的小卷积核代替5×5大卷积核,并在网络特定层中引入了非对称卷积,增加了非线性映射的同时减少了模型的参数量,接着使用了批归一化操作加快网络的收敛速度。改进后的网络相比较原网络具有更好的特征提取能力。（2）基于双路特征融合的人脸表情识别算法研究。针对使用卷积神经网络提取的特征忽略了面部表情活跃区域的细微变化的问题,本文设计了基于双路特征融合的表情识别算法,第一路以ROI区域的Gabor特征作为输入,为了充分利用人脸表情活跃区域的细节特征,先从原始人脸图像中分割出表情活跃区域,使用Gabor变换提取该区域的特征,更侧重于局部区域的细节描述;第二路以完整纯人脸图像作为输入,使用改进的AlexNet网络进行特征提取,更倾向于表示表情的完整性,这两者之间正好是互补的。最后对两路特征进行融合,对融合后的特征进行表情分类。在不同数据集上实验验证了算法具有较好的识别效果。（3）基于变分自编码器的人脸表情识别算法研究。针对由于表情数据集较少导致网络训练困难,从而影响表情识别精度的问题,本文将变分自编码器引入表情识别中,同时将注意力模型嵌入变分自编码器网络,使网络更加关注对表情识别至关重要的有用特征。使用大量未标记的数据训练变分自编码器,训练好的变分自编码器的编码部分能够很好的从输入图像中提取到特征,将其作为特征提取器,在特征提取器的基础上添加全连接层和Softmax层,再采用带标签的数据集以监督的方式对网络进行微调训练,赋予其区分不同面部表情的能力。在不同数据集上实验验证了算法具有较好的识别效果。
夏冬[5]（2020）在《基于堆栈自编码器的脉搏信号的去噪和检测研究》文中研究指明心率是人体最重要的生理参数之一,在临床诊断与病人的健康监护上起很大作用。心率异常是多种心血管疾病的高危因素,通过监测心率,可以提前预防很多心血管疾病的发生。目前,测量心率最准确的方法有心电图和脉搏血氧饱和度传感器等,医院中精度高但使用不便的心电图仪已不能满足人们对心脏进行日常监护的需求。因此基于光电容积脉搏波（Photo Plethysmo Graphy,简称PPG）技术的可穿戴式心率测量设备被广泛应用于心率监测领域。基于PPG的穿戴心率检测系统成本较低,应用比较普遍,但易受干扰,测量精度有待提高。PPG信号采集过程中,往往包含工频干扰、基线漂移、肌电噪声等信号,针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法对PPG信号去噪与心率检测。堆栈降噪自编码网络是一种无监督的深度学习模型,通过类似于深度网络的逐层叠加机制,由若干个降噪自编码器堆叠起来而成。本文对堆栈自编码器进行脉搏信号的去噪和检测展开了研究,其中第一部分是脉搏信号的去噪和心率测量,另一部分是心率异常检测研究。本文主要内容如下:（1）对PPG信号去噪,即如何消除PPG信号中运动噪声对进行可靠的心率测量的影响。同时,使用PPG信号测量心率。在生理参数检测中,心率可用于监测人体每日的运动量是否超标,也能够为医学诊断提供参考。对比傅里叶变换和小波变换,本文基于堆栈自编码器的脉搏信号的去噪,结合自适应阈值（ADT）方法计算心率,从而实现对运动状态下干扰严重的PPG信号进行心率测量。（2）使用PPG信号计算心率进行心率异常检测。每个测试者PPG信号都对应其独有特征,深度学习学习到这些特征内在规律。本文采用深度学习卷积神经网络分类方法,判别心率异常或正常的诊断。针对传统心率失常智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从PPG信号数据出发对心率失常状态进行分类识别的新方法。该方法由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。实验所研究的方法对心率异常检测的实现具有较好的识别能力,能够完成心率失常特征的自适应提取,增强了医疗心率信号去噪和异常检测的智能性。
冯文钊[6]（2020）在《无线传感器网络野外监测图像高效编码与传输方法》文中研究指明无线图像传感器网络（WISNs）在远程、实时、精准信息监测领域有着广泛发展潜力。针对传感器功耗限制强、感知环境复杂、图像重要区域重构质量不高、图像传输缓慢且抗干扰能力弱等挑战,探索适合于大数据量、强噪声的野外监测图像高效编码与传输是解决问题的关键。以野生动物监测作为应用场景,本文以兼顾无线传感器网络模式下野生动物监测图像的重构质量、传输效率和能量消耗之间的平衡为目标,力图实现野生动物监测图像的高效编码与传输。研究基于改进直方图对比度的显着性目标检测方法,进而生成显着性目标区域的掩模图像,为提升图像中重要区域像素点的传输优先级提供参考依据;探索一种无线传感器网络模式下图像渐进式压缩编码算法以及分布式机制下图像数据分配的高效传输策略,保障了图像重点区域的重构质量以及网络资源的合理利用;提出一种基于改进自编码器的缺失图像自动恢复算法,提高复杂条件下图像样本的可利用性,为后续相关科学研究提供数据保障。（1）设计了基于WISNs远程监测系统,并对图像样本库进行建立,解决了野外环境信息获取滞后的问题。本文总共建立了包含马鹿、野猪、狍子、猞猁、貉、斑羚在内的10720张野生动物监测图像样本库,为后续开展算法实验提供了研究素材和数据保障。同时制作了野生动物区域的Ground truth真值图像,为后续野生动物显着性目标检测、压缩编码与传输等实验对比提供理论依据。（2）提出了基于改进直方图对比度的图像显着性目标检测算法,克服了野外监测图像背景复杂、数据量大、噪声干扰严重等问题。在传统的直方图对比度算法的基础上,本文结合图像主结构提取、边缘检测和位置显着图等策略,对图像显着性目标区域进行检测及提取,实现了图像纹理信息的平滑与图像噪声抑制。通过本文算法对野生动物监测样本库进行实验的平均Pr、Re和F-measure值分别达到了0.4895、0.7321、0.5300,相较于表现性能较好的HC和MC算法在每个评价指标方面分别提高了18.37%、19.53%、19.05%和6.42%、21.99%、8.74%。（3）探索了基于视觉感知的图像渐进式压缩编码算法,解决了WISNs图像压缩无法体现重要区域优先性的问题。本文在图像显着性目标检测结果的基础上,采用位平面提升和混合编码算法对野生动物监测图像进行分层渐进式压缩编码,分别实现了显着性目标区域的无损压缩和背景区域的有损压缩,保证了图像中重要区域信息的重构质量。本文算法在PSNR、SSIM方面的实验结果平均值分别为39.0365d B和0.9014,相较于EZW和DCT算法分别提高了21.11%、14.72%和9.47%、6.25%。（4）探索了基于分布式传输机制的图像数据分配策略,解决了由于WISNs自组织、多跳的传输模式造成的网络资源浪问题。通过对联合信号进行独立编码和联合解码的方法提出了一种显着性目标区域图像和背景区域图像分布式协同传输策略,其中显着性目标区域直接由簇头节点进行传输,而数据量相对较大的背景区域通过在同一传输级的簇内节点之间进行分配,实现了网络资源的合理利用。本文算法在PSNR和SSIM方面,与DCT和EZW相比,分别提高了7.47%、9.06%和16.98%、19.50%;在能量消耗方面,与多跳和单跳传输等单一模式相比,分别降低了29.96%和40.84%。（5）提出了基于改进自编码器的图像自动恢复算法研究,解决了由于外界环境干扰造成的WISNs图像内容缺失问题。本文针对不同区域图像间纹理信息的不同,通过将显着性目标区域和背景区域样本图像分开训练和测试的方法提出了一种基于改进自编码器的WISNs缺失图像自动恢复算法,实现了图像样本中重要缺失信息的自动恢复。实验结果表明,本文算法在PSNR和SSIM方面,相较于SPHIT和EZW算法,分别提升了7.93%、18.15%和7.01%、12.67%,保证了监测数据的可靠性,为后续相关科学研究提供素材保障。综上所述,本文针对大数据量、背景复杂的野外监测图像,提出了一种适用于WISNs的高效编码与传输方法,包括WISNs监测系统的设计、图像显着性目标检测、图像渐进式压缩编码与分布式传输策略以及图像缺失内容的自动恢复,为无线传感器网络在智能信息监测领域的推广提供了理论指导。
余萍[7]（2020）在《基于智能技术的一类非线性系统故障诊断与预测方法研究》文中研究表明如何减少生产过程中的故障隐患,提高系统的安全性和可靠性,已成为现代工业系统发展中不可回避的重大问题。故障诊断与预测技术是提高系统运行可靠性、降低系统运行风险的重要方法和必要手段。现代工业系统大多为非线性系统,具有干扰强、结构复杂、参数不确定、动态时变、故障耦合性强等特点,致使故障诊断与预测难度大。因此,探究如何利用先进的科学技术,有目的、有方法、有针对性地对系统进行故障诊断和预测,是非常有意义的研究课题。本文以实际非线性系统为研究对象,基于滤波技术、信号处理、优化算法、神经网络、深度学习等智能技术,对非线性系统故障诊断与预测方法展开研究。论文的主要创新研究成果如下:（1）提出了两种基于智能优化粒子滤波的故障诊断方法。针对粒子滤波算法中由于粒子退化和多样性缺失而导致系统突变情况下状态估计精度下降,从而影响基于粒子滤波的故障诊断方法故障诊断准确性和诊断系统鲁棒性的问题,以重采样策略的改进为切入点,结合变频变异策略和天牛群搜索算法,分别提出了变频变异粒子滤波算法（variable frequency based mutation for particle filter algorithm,VFM-PF）和改进天牛群搜索优化粒子滤波（beetle swarm antennae search for particle filter algorithm,BSAS-PF）两种改进算法。VFM-PF融合了免疫理论中的变异思想和工业生产过程中的变频节能策略,通过变频算子实时调节变异粒子数目,并针对不同权值的粒子采取不同形式的变异操作,从而在克服粒子退化、增加粒子多样性的同时提高了运算效率,算法的综合性能得到显着提升;BSAS-PF结合了天牛群搜索算法的寻优特性,引导低权值粒子向高似然区移动,克服了粒子退化和多样性缺失等问题,具有更优秀的状态估计精度。在此基础上,开展了复杂非线性系统故障诊断问题研究,提出了两种基于智能优化粒子滤波的故障诊断方法,并以风力发电系统中的双馈发电机和污水处理系统中的曝气池溶解氧过程为对象验证了方法的有效性,结果表明,所提出方法能够实现系统突变情况下高准确性故障诊断,诊断系统鲁棒性强,运算效率更高。（2）提出了一种基于ADCS-ELM的故障诊断方法。针对非线性系统结构复杂、故障耦合性程度高,建立准确的数学模型困难,致使基于模型的故障诊断方法难以实现或诊断精度受限等问题,从数据驱动的角度出发,提出了一种基于ADCS-ELM的故障诊断方法。该方法首先对非线性、非平稳的轴承振动信号进行集合经验模态分解（ensemble empirical mode decomposition,EEMD）,获得故障信号的IMF（intrinsic mode function）能量特征数据集。然后,利用加入了动态自适应步长调整策略的布谷鸟搜索算法（cuckoo search,CS）实现了传统极限学习机（extreme learning machine,ELM）网络连接权值和隐含层阈值等参数的优化确定,提高了ELM网络的稳定性、鲁棒性和分类精度。最后,训练并测试ADCS-ELM网络的故障诊断性能,结果表明,本文方法可以达到平均99.51%的故障诊断精度,实现了轴承滚动体、内圈、外圈裂纹等故障的高准确性故障诊断。（3）提出了一种基于优化堆叠降噪自动编码的故障诊断方法。非线性故障具有可传播性、耦合性、继发性、不确定性和多样性等特点,导致了故障成因难以有效溯源、故障诊断准确性不高等问题。相较于传统故障诊断方法,深度堆叠降噪自动编码器（stacked denoising auto-encoder,SDAE）能够从海量数据中自适应地提取更深层次的故障特征,避免了手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。然而,采用经验枚举获得的SDAE网络超参数使得网络在不同领域的故障诊断问题中泛化能力较弱,且选参过程与设计人员经验有关,效率低。因此,本文利用新设计的人工变性天牛算法（artificial transgender longicorn algorithm,ATLA）对SDAE网络超参数进行自适应选取,优化确定网络结构,提高了网络模型的泛化能力和识别准确性。在此基础上,提出了一种基于优化堆叠降噪自动编码器的故障诊断方法,并通过多工况条件下滚动轴承故障诊断仿真实验进行了有效性验证,结果表明本文方法在故障识别准确率、泛化性能等方面优于基于BP（back propagation）神经网络、支持向量机（support vector machine,SVM）以及卷积神经网络（convolutional neural networks,CNN）的故障诊断方法,与同为深度学习模型的CNN网络相比,运算效率更高,实时性更强。（4）提出了一种基于ICS-ELM的复杂系统过程关键参数实时预测方法。通过过程关键参数的实时预测来实现系统故障的实时预测是一种有效的故障预测方法。本文利用软测量的间接测量思想,构建了ICS-ELM神经网络模型来实现系统关键参数的准确预测。首先,在动态自适应搜索步长调整的基础上,增加基于搜索进程的动态被发现概率调整策略,设计了布谷鸟搜索算法（CS）的改进算法ICS;其次,利用ICS实现了ELM回归网络的连接权值和隐含层阈值的参数优化,提高了网络稳定性和预测精度;然后,利用主成分分析（principal components analysis,PCA）完成了过程数据的降维和属性约简,实现软测量辅助变量选择;最后,建立过程关键参数的ICS-ELM预测模型,并以污水处理过程关键参数生化需氧量（biochemical oxygen demand,BOD）为预测对象,建立基于ICS-ELM的BOD故障预测模型。实验结果表明,本文方法不仅可以实现BOD的精确预测,也为其他过程关键参数的故障预测提供了一个可行的解决方案,具有一定的推广价值。（5）提出了一种基于卷积神经网络的剩余寿命预测方法。设备的剩余寿命预测是系统故障预测中的重要研究内容,然而复杂非线性系统参数众多,过程数据量大且维度高,致使预测模型难以准确建立,预测方法少。对此,本文提出了一种基于CNN-HI健康指数的剩余寿命预测方法。首先,对数据样本进行预处理,建立故障预测图像数据集;然后,借助CNN网络强大的图像特征提取能力,实现基于优化CNN网络的健康指数（CNN-HI）高品质构造与估计;最后,通过高斯过程回归分析实现剩余寿命预测,并通过滚动轴承PRONOSTIA数据集验证了方法的性能,结果表明本文方法可以有效估计轴承的退化状态,实现了轴承RUL高准确性预测,为轴承及其余设备的剩余寿命预测研究提供了重要的理论参考,具备重要的实践价值。本文结合系统非线性特点,在强噪声、多干扰背景下,就基于模型和基于数据驱动的故障诊断与预测方法进行了深入的研究,提出了多种故障诊断和预测新方法,一定程度上解决了系统突变、多工况等各种复杂情况下,由于系统复杂性、故障耦合性及不确定性等所带来的诊断准确率低、实时性差、鲁棒性弱及预测方法缺乏等问题。本文研究成果对非线性系统智能诊断技术的发展及保障系统运行的安全性和可靠性具有重要的参考价值和实践意义。
高硕[8]（2020）在《基于深度学习的三维高分辨率脑图像压缩》文中研究表明随着生物显微成像技术的快速发展,单神经元分辨率级的三维全脑成像技术取得了很大进展,其产生的三维脑图像具有很高的分辨率,可以清晰地显示脑神经元的胞体、树突和轴突等结构,对于神经元形态和结构的研究以及人工智能的发展有重要意义。然而,如此高分辨率的三维图像为存储和传输带来了巨大挑战,因此寻找三维高分辨率脑图像的高效压缩方法成为了一项迫切任务。目前三维医学图像压缩方法大多采用基于小波变换的方法,其中JP3D方法是JPEG2000压缩标准的三维扩展,它可以实现对高位深三维图像进行较高效的压缩。但是该方法有两个缺点,首先,经过该方法解码后的图像中存在失真效应,且压缩率越大,失真效应越明显,这些失真会对脑图的研究造成影响。其次,JP3D的熵编码算法EBCOT没有利用子带间的相关性信息,导致熵编码效率较低。近年来,基于深度学习的二维自然图像压缩方法实现了高效的压缩性能,其压缩性能优于现有的传统图像压缩方法,如BPG、JPEG2000、JPEG。虽然基于深度学习的二维图像压缩方法已经取得了很大进展,但是目前基于深度学习的三维图像压缩方法的研究还很少。本文旨在运用深度学习的方法提高三维高分辨率脑图像的压缩效率,使得在相同码率下可以获得质量更高的解码图像。受基于深度学习的二维图像压缩方法的启发,本文做了两方面的工作:1.研究基于深度学习的JP3D压缩方法的改进。一方面,为了减少压缩图像中的失真效应,本文提出了一个基于神经网络的三维脑图像压缩后处理方法,运用卷积神经网络提取三维脑图中每个维度的特征,同时引入三维残差模块以加速网络收敛,实验结果表明该方法显着减轻了压缩脑图像的失真效应,且在三维高动态范围脑图像上也有很好的效果。另一方面,本文将基于3D PixelCNN和RNN模型的熵编码算法与JP3D相结合,利用三维小波变换系数的子带间相关性提高熵编码效率。2.研究基于深度学习的三维图像压缩方法。本文提出了一个基于神经网络的三维端到端图像压缩方法,该模型采用自编码器将三维输入图像变换为维度较低的隐空间,然后利用超先验模型和条件上下文模型作为熵编码模型,共同估计隐空间的概率分布以提高编码效率。同时,本文引入三维非局部注意力模型以利用输入图像的全局相关性,且为了降低模型的复杂度,采用基于3D ConvLSTM的上下文熵编码模型,将隐空间特征沿通道维度展成序列依次对其进行编码,以提取通道间的因果相关性。压缩框架中的每个模块通过一个率失真损失函数进行优化。实验结果表明,相比于最优的基于深度学习的二维图像压缩方法,本文提出的三维图像压缩方法在压缩性能上有显着优势,且实验结果表明本文的方法性能优于JP3D及HEVC方法,尤其在较低码率点。
王晟玮[9]（2020）在《面向全景应用的图像和视频压缩算法研究》文中研究说明随着多媒体技术的高速发展,全景应用逐渐吸引了人们的广泛关注。区别于传统的二维（two dimension,2D）应用,全景应用可以为用户立体的呈现完整的场景信息,并且,给予了用户在全场景范围内任意选择视点观看的自由,实现了用户与场景的自然交互。然而,全景应用在实现全场景的观看体验的同时也给数据的存储、编码、传输带来了巨大的压力。在此背景下,研究人员根据全景应用的实际需求,设计了球形全景应用系统和对象全景应用系统。在实际应用中,两套全景系统有效的减少了全景应用中需要传输的数据量,然而,却引入了全景图像和立体视频这两种新数据格式。针对新的数据格式,设计高效的编解码方案以充分提升全景应用的性能也随之具有了重要的研究意义。因此,本文从以下三个方面对全景应用系统中全景图像和立体视频的压缩方法展开研究:球形全景系统中的全景图像编码;对象全景系统中的立体视频编码;全景系统中的低复杂度编码。首先,为实现球形全景系统中全景图像的高效编码,本文从全景图像自身的性质入手,提出了一个基于密集连接网络的压缩自编码器,实现了全景图像端到端的编码压缩。在提出的自编码器中,本文专门设计了密集连接网络块,实现了全景图像的特征提取、特征复用、特征冗余削减等功能,充分提升了全景图像的压缩性能。并在此基础上,结合全景图像在投影中像素点具有位置独立的权重的特征,设计了带权损失函数,为每一个像素点指定了权重项,确保了压缩自编码器可以切合全景图像的投影特性,针对性的优化网络参数。最后,结合设计的压缩自编码器结构对称的特性设计了贪婪的分块训练方法,实现了压缩自编码器网络的快速训练,避免了梯度消失的问题,提升了网络的整体性能。其次,本文研究了对象全景系统中立体视频的高效编码。考虑到在对象全景应用系统中,立体视频的编码传输不仅需要保证本身视频的质量,还应当确保在用户端可以高质量的生成任意视点的虚拟视频。因此,本文从虚拟视点视频的结构相似性度量（structural similarity index measurement,SSIM）质量入手,逐步推导出了对象全景系统中立体视频失真与虚拟视点视频失真之间的数学关系,建立起了完整的虚拟视点视频失真模型,实现了虚拟视频质量指导的立体视频内部纹理视频分量和深度视频分量间的码率分配,提升了立体视频的编码性能。随后,本文针对已分配好码率的深度视频,设计了使用虚拟视点质量衡量参考深度视频质量的方法,并在此基础上,对深度视频块进行了自适应的分类,建立了深度视频块的码率-失真（rate-distortion,R-D）模型和码率-量化（rate-quantization,R-Q）模型,实现了深度视频分量的块级码率分配。进一步的,利用建立好的模型,本文设计了立体视频的率失真优化（rate distortion optimization,RDO）算法,提升了对象全景系统中立体视频的整体编码效率。然后,本文考虑到各类采集设备在计算资源和能源上的局限性,设计了低复杂、低能耗的编码器,以满足这些设备的实际工况。具体而言,本文结合全景系统中图像和视频数据的特征,在压缩感知理论的基础上自行设计了一套完整的的编解码方案。该方案不仅可以实现全景应用的图像和视频数据的高质量压缩编码,还具有低复杂、低能耗的特点,能够充分满足采集设备的实际需求。同时,本文为搭建好的全景系统的低复杂度编解码器专门设计了基于局部熵最小化的自适应小波分解算法和基于块平均值的运动估计算法。前者可以在无损降低图像和视频块局部信息量的同时,分离出块的高低频分量,为后续结合块特性的差异化量化和采样奠定了基础。后者则在复杂度和性能间取得了平衡,实现了快速的运动估计,降低了立体视频帧间的时域冗余。针对设计的编码器,本文还探索了量化参数（quantization parameter,QP）和测量率对编码码率和编码失真的影响,并在此基础上建立了QP和测量率的联合优化算法,实现了图像和视频的块级码率分配,让有限的码率可以依据不同块的特性得到合理分配,进一步的提升了编码器的性能,实现了全景系统中图像和视频的高质量、低复杂度编码。最后,本文对以上研究内容和创新点进行了归纳和总结,并对全景技术的发展趋势和未来研究方向进行了展望。作为面向全景应用的图像和视频压缩算法的研究,本文为全景应用中实际使用到的全景图像和立体视频的压缩编码提供了新的研究思路、解决办法和发展方向。
陈丹敏[10]（2020）在《基于迁移学习的故障诊断方法研究》文中研究说明机电设备关键部件的健康稳定运行是智能制造过程高质高效生产的保障。开展智能故障诊断方法研究是提高机电设备安全性的重要技术支撑。随着计算机技术的不断革新和数字传感器的广泛应用,设备健康监控系统积攒了海量数据资源。通过深度学习充分挖掘设备运行状态大数据中的潜在特征,可以克服数据丰富但机理模型和专家信息缺乏的不足。基于深度学习方法的有效性取决于样本的数量和质量,但是设备健康监控大数据中采集的早期微小故障样本量少,传感器多速率采样、随机丢包、传感器类型多样性和所采集信息存储形式不同导致样本质量低。针对设备健康监控中故障样本数量少质量低的问题,本文通过迁移学习的思想,解决微小故障特征抽取、结构不一致样本的深度特征提取,多源异构信息充分利用等难题,重点研究把迁移学习应用到故障诊断中产生的不同故障程度、不同结构样本、多源异构信息所建立的深度学习模型间迁移的关键问题,达到领域内信息的充分使用,领域间信息的高效助力。本文主要研究内容和创新如下:1.针对带标签的微小故障样本数量少的问题,提出了基于深层迁移网络的微小故障诊断方法,旨在利用大量有标签的显着故障样本优化早期微小故障小样本的深度学习模型。其主要工作是设计不同工况下显着故障诊断模型到微小故障诊断模型的迁移机制,达到将显着故障特征提取模型迁移到微小故障的深度学习模型,以解决微小故障样本量少、诊断精度低的问题。实现领域内不同工况不同故障程度所建立深度学习模型间迁移层面的创新。2.针对多速率采样下不同时刻样本结构不一致的问题,提出了多速率采样下基于迁移学习的故障诊断方法,旨在通过充分利用结构不一致的样本,建立从部分到全局,从全局到部分的双向迁移机制。其主要创新点是利用大量结构不完整样本和少量结构完整样本,建立从结构不完整样本的故障诊断模型到结构完整样本的故障诊断模型和从结构完整样本的故障诊断模型到结构不完整样本的故障诊断模型的双向迁移机制,在此基础上构建了多速率采样下的实时故障诊断系统,实现了结构不一致样本的在线故障诊断,提高多速率采样下深度学习故障诊断模型的精确性和实时性。实现领域内不同结构样本所建立深度学习模型间迁移层面的创新。3.针对多源异构信息和外领域数据利用不充分的问题,提出了一种基于多源异构信息迁移学习的融合故障诊断方法。该方法旨在通过利用多源异构信息和外领域信息,建立多源异构信息融合的迁移机制。其主要工作是利用在自然图像数据集上已训练好的VGG16网络,通过模型迁移来优化截屏图像的卷积神经网络模型,以解决截屏图像数量少导致的故障诊断模型不精确的问题。其次构建了一维序列信号的特征提取模型,最后设计一个深层融合网络更好地提取一维序列信号和二维截屏图像的融合特征。实现领域间特征迁移和多源异构数据充分利用层面的创新。4.针对多源异构信息和外领域数据充分利用时面临的故障诊断算法实时性差的问题,提出了一种基于两级迁移学习的多源异构信息融合故障诊断方法。该方法旨在充分利用多源异构信息和外领域数据,构建两级迁移机制将多源异构信息进行融合,避免卷积运算,达到实时故障诊断的目的。其主要工作是构建了截屏图像的特征提取网络模型,设计了从截屏图像的特征提取模型到一维序列信号深度学习模型的迁移机制,实现了从卷积神经网络到深层神经网络的迁移。经过两级迁移的故障诊断模型不仅融合了一维序列信号和截屏图像的特征,而且该模型避免了卷积运算,时间复杂度低。实现面向故障诊断的实时性改进迁移机制层面的创新。
二、小波图像编码器研究进展（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、小波图像编码器研究进展（论文提纲范文）
（1）基于深度学习理论的桥梁结构损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 桥梁结构损伤识别的现状 |
| 1.3.1 基于振动的桥梁结构损伤识别 |
| 1.3.2 基于智能算法的桥梁结构损伤识别 |
| 1.4 本文的主要研究内容 |
| 第二章 深度学习理论 |
| 2.1 深度学习的发展历程 |
| 2.2 基于堆叠去噪自编码器的理论研究 |
| 2.2.1 自编码器的结构 |
| 2.2.2 去噪自编码器的结构堆叠 |
| 2.2.3 堆叠去噪自编码器的网络训练 |
| 2.3 基于卷积神经网络的理论研究 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 网络训练方式 |
| 2.4 基于深度置信网络的理论研究 |
| 2.4.1 限制玻尔兹曼机网络结构 |
| 2.4.2 限制玻尔兹曼机学习算法 |
| 2.4.3 深度置信网络 |
| 2.5 深度学习算法比较 |
| 第三章 基于深度置信网络的桥梁结构损伤识别数值模拟分析 |
| 3.1 基于深度置信网络的桥梁结构损伤识别方法 |
| 3.1.1 深度置信网络的构建 |
| 3.1.2 损伤指标的选择 |
| 3.1.3 函数关系的选择 |
| 3.1.4 分类器的选择 |
| 3.1.5 噪声添加的方式 |
| 3.1.6 损伤识别方法的流程 |
| 3.2 简支梁的数值模拟验证 |
| 3.2.1 模型概况及工况设置 |
| 3.2.2 样本库的构建 |
| 3.2.3 损伤识别结果 |
| 3.2.4 噪声状况下损伤识别结果 |
| 3.3 预应力混凝土连续梁桥的损伤识别 |
| 3.3.1 模型概况 |
| 3.3.2 单处损伤的识别分析 |
| 3.3.3 多处损伤的识别分析 |
| 3.4 本章小结 |
| 第四章 基于小波变换和深度置信网络的斜拉桥损伤识别研究 |
| 4.1 小波变换的理论研究 |
| 4.1.1 傅里叶变换 |
| 4.1.2 小波变换 |
| 4.1.3 小波去噪的原理及步骤 |
| 4.2 斜拉桥损伤识别分析 |
| 4.2.1 模型概况 |
| 4.2.2 损伤工况的设置 |
| 4.2.3 小波去噪函数的选择 |
| 4.2.4 损伤识别分析 |
| 4.3 本章小结 |
| 第五章 工字钢梁损伤识别试验验证 |
| 5.1 试验概况 |
| 5.1.1 试验目的 |
| 5.1.2 试验材料 |
| 5.1.3 数据采集设备 |
| 5.1.4 激振方式 |
| 5.1.5 传感器布置形式 |
| 5.1.6 主要问题及应对措施 |
| 5.2 损伤工况设定 |
| 5.2.1 损伤程度的设置 |
| 5.2.2 损伤单元的选择 |
| 5.3 试验过程 |
| 5.4 损伤识别分析 |
| 5.4.1 构建样本库 |
| 5.4.2 搭建深度置信网络 |
| 5.4.3 分析结果 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（2）非限制场景人脸图像超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 关键技术及难点分析 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究成果和创新点 |
| 1.5 论文结构安排 |
| 第2章 人脸图像超分辨率重建算法概述 |
| 2.1 普通图像超分辨率重建方法 |
| 2.1.1 网络结构 |
| 2.1.2 损失函数 |
| 2.2 人脸图像超分辨率重建方法 |
| 2.2.1 人脸先验信息 |
| 2.2.2 非限制场景人脸图像超分辨率场景方法 |
| 2.3 本章小结 |
| 第3章 基于逐像素生成对抗网络的人脸图像超分辨算法 |
| 3.1 基于生成对抗网络的人脸图像超分辨率重建方法概述 |
| 3.2 极低分辨率人脸图像超分辨率重建算法 |
| 3.2.1 问题描述 |
| 3.2.2 有监督逐像素生成对抗网络 |
| 3.2.3 基于身份先验信息的逐像素判别器 |
| 3.2.4 损失函数 |
| 3.3 实验结果与分析 |
| 3.3.1 实现细节 |
| 3.3.2 评价指标 |
| 3.3.3 不同放大倍数人脸图像超分辨率重建效果 |
| 3.3.4 消融实验 |
| 3.3.5 与现有最优方法对比 |
| 3.3.6 算法鲁棒性分析 |
| 3.4 本章小结 |
| 第4章 基于双边上采样网络的人脸图像超分辨算法 |
| 4.1 任意倍数图像超分辨率重建算法概述 |
| 4.2 基于双边上采样网络的任意倍数人脸图像超分辨率重建算法 |
| 4.2.1 双边上采样滤波器权重预测网络 |
| 4.2.2 逐通道特征上采样卷积层 |
| 4.2.3 递归双边上采样滤波器 |
| 4.2.4 实现细节 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 单一模型处理任意缩放因子 |
| 4.3.3 消融实验 |
| 4.3.4 与现有方法对比 |
| 4.3.5 模型复杂度分析 |
| 4.4 本章小结 |
| 第5章 基于降质变分自编码器的人脸图像超分辨算法 |
| 5.1 非限制场景人脸图像超分辨率重建算法综述 |
| 5.2 基于降质变分自编码器的非限制场景人脸图像超分辨率重建算法 |
| 5.2.1 降质变分自编码网络 |
| 5.2.2 循环一致损失函数 |
| 5.2.3 实现细节 |
| 5.3 实验结果与分析 |
| 5.3.1 训练细节 |
| 5.3.2 数据集与评价指标 |
| 5.3.3 消融实验 |
| 5.3.4 与现有方法进行比较 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究成果与创新点 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于重构残差的轮胎缺陷X光图像异常检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轮胎X光图像检测软件 |
| 1.2.2 缺陷检测算法 |
| 1.3 研究思路 |
| 1.4 论文章节安排 |
| 2 轮胎缺陷检测基础 |
| 2.1 轮胎结构及缺陷介绍 |
| 2.1.1 轮胎结构 |
| 2.1.2 轮胎常见缺陷 |
| 2.1.3 数据介绍 |
| 2.2 缺陷检测算法 |
| 2.2.1 有监督的缺陷检测算法 |
| 2.2.2 异常检测算法 |
| 2.3 评价指标 |
| 2.4 本章小结 |
| 3 基于机器学习的缺陷检测模型 |
| 3.1 引言 |
| 3.2 缺陷检测模型介绍 |
| 3.2.1 基于主成分分析的缺陷检测 |
| 3.2.2 基于小波滤波的缺陷检测 |
| 3.2.3 基于Wavelet-PCA算法的缺陷检测算法 |
| 3.3 检测结果与分析 |
| 3.3.1 模型重构结果 |
| 3.3.2 算法的检测结果及分析 |
| 3.4 本章小结 |
| 4 基于多通道自编码器的缺陷检测模型 |
| 4.1 引言 |
| 4.2 自编码器介绍 |
| 4.2.1 欠完备自编码器 |
| 4.2.2 去噪自编码器 |
| 4.3 基于图像金字塔结构的多通道栈式自编码器 |
| 4.3.1 栈式自编码器 |
| 4.3.2 损失函数 |
| 4.3.3 轮胎缺陷尺度及比例分布 |
| 4.3.4 金字塔结构 |
| 4.4 孪生神经网络 |
| 4.4.1 孪生神经网络介绍 |
| 4.4.2 孪生神经网络结构 |
| 4.5 模型检测结果及分析 |
| 4.5.1 重构结果分析 |
| 4.5.2 缺陷检测结果分析 |
| 4.6 本章小结 |
| 5 基于FMD-GAN的缺陷检测模型 |
| 5.1 引言 |
| 5.2 生成对抗网络 |
| 5.2.1 生成对抗网络简介 |
| 5.2.2 生成对抗网络的变式 |
| 5.3 基于FMD-GAN的重构模型 |
| 5.3.1 记忆增强模块 |
| 5.3.2 FMD-GAN模型 |
| 5.3.3 损失函数 |
| 5.4 基于动量更新的孪生神经网络算法 |
| 5.4.1 动量更新 |
| 5.4.2 算法模型 |
| 5.5 模型训练及结果分析 |
| 5.5.1 重构模型的重构效果 |
| 5.5.2 模型的分类效果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要的研究成果 |
（4）基于深度学习的人脸表情识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 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 研究现状 |
| 1.2.1 情感识别研究现状 |
| 1.2.2 人脸表情识别研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 2 相关技术基础 |
| 2.1 卷积神经网络 |
| 2.2 表情识别流程 |
| 2.2.1 人脸检测与预处理 |
| 2.2.2 特征提取 |
| 2.2.3 表情分类 |
| 2.3 表情识别算法评价指标 |
| 2.4 本章小结 |
| 3 基于改进AlexNet的表情识别算法 |
| 3.1 引言 |
| 3.2 整体概述 |
| 3.3 基于改进AlexNet的表情识别算法 |
| 3.3.1 AlexNet网络结构 |
| 3.3.2 改进的AlextNet网络设计 |
| 3.4 实验验证 |
| 3.4.1 实验设计 |
| 3.4.2 数据集 |
| 3.4.3 数据预处理 |
| 3.4.4 识别结果 |
| 3.5 本章小结 |
| 4 基于双路特征融合的人脸表情识别算法 |
| 4.1 引言 |
| 4.2 整体概述 |
| 4.3 基于双路特征融合的人脸表情识别算法 |
| 4.3.1 ROI区域划分 |
| 4.3.2 特征提取 |
| 4.3.3 特征融合 |
| 4.3.4 识别网络 |
| 4.4 实验验证 |
| 4.4.1 实验设计 |
| 4.4.2 识别结果 |
| 4.5 本章小结 |
| 5 基于变分自编码器的人脸表情识别算法 |
| 5.1 引言 |
| 5.2 整体概述 |
| 5.3 基于变分自编码器的人脸表情识别算法 |
| 5.3.1 变分自编码器设计 |
| 5.3.2 融合注意力机制的变分自编码器设计 |
| 5.3.3 识别网络 |
| 5.4 实验验证 |
| 5.4.1 实验设计 |
| 5.4.2 识别结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及专利目录 |
| 攻读硕士学位期间参加的科研项目和获奖情况 |
（5）基于堆栈自编码器的脉搏信号的去噪和检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 1.5 本章小结 |
| 第2章 国内外研究现状 |
| 2.1 脉搏波 |
| 2.1.1 脉搏波特征点 |
| 2.1.2 脉搏波特征参数提取 |
| 2.1.3 光电容积脉搏波描记法 |
| 2.2 PPG信号的去噪方法 |
| 2.2.1 小波变换 |
| 2.2.2 小波变换多尺度空间下的脉搏波预处理 |
| 2.3 心率和心率检测方法 |
| 2.3.1 心率与心率变异性 |
| 2.3.2 心率变异性分析 |
| 2.3.3 心率检测算法 |
| 2.4 深度学习网络模型 |
| 2.4.1 深度学习框架 |
| 2.4.2 自动编码器(AUTOENCODER) |
| 2.4.3 降噪自动编码器(DENOISING AUTOENCODER) |
| 2.4.4 堆栈降噪自编码网络 |
| 2.5 基于深度学习的脉搏波信号分类 |
| 2.6 本章小结 |
| 第3章 基于堆栈自编码器的PPG信号去噪和心率测量 |
| 3.1 PPG信号实验数据获取 |
| 3.1.1 校企合作单位的数据集 |
| 3.1.2 MIT-BIH数据库及数据获取 |
| 3.2 PPG信号的去噪 |
| 3.2.1 傅里叶变换信号去噪 |
| 3.2.2 小波变换信号去噪 |
| 3.2.3 堆栈自编码器网络模型 |
| 3.2.4 基于堆栈自编码器的PPG信号去噪 |
| 3.3 PPG信号的心率测量 |
| 3.3.1 基于秒表的脉搏心率测量 |
| 3.3.2 基于小米运动手环的PPG信号心率测量 |
| 3.3.3 基于自适应阈值(ADT)和pan_tompkin算法的心率测量 |
| 3.4 本章小结 |
| 第4章 基于深度学习的PPG信号心率异常检测 |
| 4.1 PPG信号深度学习心率异常检测 |
| 4.1.1 PPG信号特征提取 |
| 4.1.2 PPG信号心率异常检测 |
| 4.2 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）无线传感器网络野外监测图像高效编码与传输方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1. 选题背景及意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. WISNs监测系统研究现状 |
| 1.2.2. 图像压缩编码研究现状 |
| 1.2.3. 视觉感知目标检测研究现状 |
| 1.2.4. WISNs图像传输研究现状 |
| 1.2.5. 图像恢复研究现状 |
| 1.3. 本文的研究内容及研究路线 |
| 1.3.1. 研究内容 |
| 1.3.2. 研究路线 |
| 2.基于WISNs的远程监测系统设计及图像样本库建立 |
| 2.1. 样本图像采集区域概况 |
| 2.2. WISNs远程监测系统设计 |
| 2.2.1. 监测系统架构分析 |
| 2.2.2. 终端节点设计分析 |
| 2.2.3. 协调节点设计分析 |
| 2.3. 图像样本数据库建立 |
| 2.3.1. 监测图像样本获取 |
| 2.3.2. 监测图像人工标注 |
| 2.4. 本章小结 |
| 3.基于改进直方图对比度的图像显着性目标检测算法 |
| 3.1. 直方图对比度显着性检测理论 |
| 3.2. 基于改进HC的图像显着性目标检测算法 |
| 3.2.1. 基于窗口总变差的图像主结构提取 |
| 3.2.2. 基于直方图对比度的图像显着性检测 |
| 3.2.3. 图像边缘完整性检测算法 |
| 3.2.4. 基于汉宁窗理论的图像显着图优化 |
| 3.3. 实验结果与分析 |
| 3.4. 本章小结 |
| 4.基于显着性感知的图像渐进式压缩编码算法 |
| 4.1. 图像小波变换Mallat分解与重构 |
| 4.2. 显着性目标区域小波系数掩模标记 |
| 4.3. 显着性目标区域系数位平面提升 |
| 4.3.1. 一般位移法 |
| 4.3.2. 交错平面位移法 |
| 4.3.3. 最大位移法 |
| 4.4. 基于小波变换的图像混合编码算法 |
| 4.4.1. 显着性目标区域图像编码算法 |
| 4.4.2. 背景区域图像编码算法 |
| 4.5. 实验结果与分析 |
| 4.6. 本章小结 |
| 5.基于分布式传输机制的数据分配策略 |
| 5.1. 分布式图像压缩编码理论 |
| 5.1.1. Slepian-Wolf无损分布式编码理论 |
| 5.1.2. Wyner-Ziv有损分布式编码理论 |
| 5.2. WISNs分布式图像传输模型的建立 |
| 5.2.1. 传统WISNs图像分布式传输策略 |
| 5.2.2. WISNs图像分布式数据分配策略 |
| 5.3. 基于压缩感知的图像压缩算法 |
| 5.3.1. 信号稀疏表示 |
| 5.3.2. 信号线性测量 |
| 5.3.3. 信号重构过程 |
| 5.4. 分布式图像压缩感知算法 |
| 5.4.1. 联合稀疏信号模型建立 |
| 5.4.2. 重构端联合解码算法实现 |
| 5.5. 实验结果与分析 |
| 5.5.1. 图像重构质量评价 |
| 5.5.2. 网络能量消耗分析 |
| 5.6. 本章小结 |
| 6.无线传感器网络监测图像自动恢复算法 |
| 6.1. 深度学习网络结构特征学习模式 |
| 6.1.1. 监督学习训练模式 |
| 6.1.2. 无监督学习训练模式 |
| 6.1.3. 半监督学习训练模式 |
| 6.2. 传统自编码器神经网络算法概述 |
| 6.2.1. 自编码器神经网络结构 |
| 6.2.2. 变分自编码器网络结构 |
| 6.2.3. 深度自编码器神经网络结构 |
| 6.3. 基于改进自编码器的无监督图像自动恢复算法 |
| 6.3.1. 基于跳跃层短连接的自编码神经网络 |
| 6.3.2. 损失函数设计 |
| 6.4. 实验结果与分析 |
| 6.4.1. 图像恢复质量分析 |
| 6.4.2. 图像恢复可靠性分析 |
| 6.5. 本章小结 |
| 7.结论与展望 |
| 7.1. 结论 |
| 7.2. 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（7）基于智能技术的一类非线性系统故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语说明 |
| 第一章 绪论 |
| 1.1 论文的背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性系统的故障诊断与预测问题描述 |
| 1.2.2 故障诊断与预测方法研究现状 |
| 1.3 存在的问题和研究难点 |
| 1.4 研究内容及思路 |
| 1.5 论文结构安排及课题来源 |
| 1.5.1 论文结构安排 |
| 1.5.2 课题来源 |
| 第二章 基于智能优化粒子滤波的故障诊断方法研究 |
| 2.1 引言 |
| 2.2 粒子滤波算法 |
| 2.2.1 状态空间模型 |
| 2.2.2 标准粒子滤波 |
| 2.3 变频变异粒子滤波(VFM-PF) |
| 2.3.1 变频变异策略 |
| 2.3.2 变频变异粒子滤波算法 |
| 2.3.3 算法性能实验及结果分析 |
| 2.4 基于VFM-PF的曝气池溶解氧过程故障诊断 |
| 2.4.1 活性污泥法污水处理及曝气池溶解氧过程 |
| 2.4.2 曝气池溶解氧过程故障诊断模型 |
| 2.4.3 基于VFM-PF的曝气池溶解氧过程故障诊断实验及结果分析 |
| 2.5 基于改进天牛群搜索算法的粒子滤波(BSAS-PF) |
| 2.5.1 天牛群搜索算法 |
| 2.5.2 改进天牛群搜索算法 |
| 2.5.3 基于改进天牛群搜索算法的粒子滤波 |
| 2.5.4 算法性能实验及结果分析 |
| 2.6 基于BSAS-PF的双馈风力发电机故障诊断 |
| 2.6.1 风力发电系统概述 |
| 2.6.2 双馈发电机故障诊断模型 |
| 2.6.3 基于BSAS-PF的双馈发电机故障诊断实验及结果分析 |
| 2.7 本章小结 |
| 第三章 基于ADCS-ELM的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 本章相关技术概述 |
| 3.2.1 经验模态分解和集合经验模态分解 |
| 3.2.2 极限学习机 |
| 3.3 ADCS-ELM神经网络 |
| 3.3.1 改进布谷鸟搜索算法 |
| 3.3.2 基于ADCS的改进ELM神经网络 |
| 3.4 基于ADCS-ELM的故障诊断 |
| 3.4.1 故障诊断流程 |
| 3.4.2 基于EEMD的特征提取 |
| 3.4.3 基于ADCS-ELM的故障模式识别 |
| 3.5 故障诊断实验及结果分析 |
| 3.5.1 数据来源 |
| 3.5.2 故障特征提取实验 |
| 3.5.3 故障分类识别实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于堆叠降噪自动编码器的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 堆叠降噪自动编码器(SDAE) |
| 4.2.1 自动编码器(AE) |
| 4.2.2 稀疏自动编码器(SAE) |
| 4.2.3 降噪自动编码器(DAE) |
| 4.2.4 堆叠降噪自动编码器(SDAE) |
| 4.3 基于人工变性天牛算法的改进堆叠降噪自动编码器(ATLA-SDAE) |
| 4.3.1 人工变性天牛算法(ATLA) |
| 4.3.2 基于ATLA的 SDAE超参数优化 |
| 4.4 基于ATLA-SDAE的故障诊断 |
| 4.5 故障诊断实验及结果分析 |
| 4.5.1 多工况轴承数据与特征集的构造 |
| 4.5.2 故障诊断实验及结果分析 |
| 4.6 本章小结 |
| 第五章 基于ICS-ELM的故障预测方法研究 |
| 5.1 引言 |
| 5.2 基于ICS-ELM的污水处理过程BOD预测 |
| 5.2.1 改进布谷鸟搜索算法(ICS) |
| 5.2.2 基于ICS的改进ELM神经网络污水处理过程BOD预测 |
| 5.3 基于ICS-ELM的 BOD实时故障预测实验及结果分析 |
| 5.3.1 实验数据的获取 |
| 5.3.2 实验数据的预处理 |
| 5.3.3 BOD预测实验及结果分析 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的剩余寿命预测方法研究 |
| 6.1 引言 |
| 6.2 本章相关技术概述 |
| 6.2.1 连续小波变换 |
| 6.2.2 卷积神经网络CNN |
| 6.3 CNN预测模型结构设计 |
| 6.4 基于CNN-HI的滚动轴承剩余寿命预测 |
| 6.5 基于CNN-HI的轴承RUL预测实验及结果分析 |
| 6.5.1 PRONOSTIA轴承加速全寿命数据集 |
| 6.5.2 预测实验及结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
（8）基于深度学习的三维高分辨率脑图像压缩（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 研究内容 |
| 1.3 国内外研究现状 |
| 1.3.1 三维医学图像压缩 |
| 1.3.2 图像压缩后处理 |
| 1.3.3 基于深度学习的图像压缩 |
| 1.4 论文工作和安排 |
| 第2章 图像压缩及神经网络简介 |
| 2.1 数字图像概念及压缩原理 |
| 2.1.1 数字图像格式 |
| 2.1.2 图像压缩原理 |
| 2.2 图像压缩标准方法 |
| 2.2.1 JPEG压缩标准 |
| 2.2.2 JPEG2000压缩标准 |
| 2.2.3 三维图像压缩标准JP3D |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 非线性激活函数 |
| 2.3.3 损失函数 |
| 2.4 循环神经网络 |
| 2.4.1 长短时记忆网络 |
| 2.4.2 卷积长短时记忆网络 |
| 2.5 图像质量评价标准 |
| 2.6 本章小结 |
| 第3章 基于深度学习的JP3D压缩方法的改进 |
| 3.1 三维图像压缩后处理网络 |
| 3.1.1 脑图像数据 |
| 3.1.2 三维卷积神经网络 |
| 3.1.3 网络结构设计 |
| 3.1.4 实验结果及分析 |
| 3.2 基于深度学习的三维熵编码模型 |
| 3.2.1 基于三维PixelCNN的子带内熵编码 |
| 3.2.2 引入RNN的子带间熵编码 |
| 3.2.3 实验结果及分析 |
| 3.3 本章小结 |
| 第4章 基于深度学习的三维端到端脑图像压缩 |
| 4.1 三维端到端图像压缩框架 |
| 4.2 三维非局部注意力机制 |
| 4.2.1 三维非局部模块 |
| 4.2.2 三维非局部注意力模型结构 |
| 4.3 熵编码模型 |
| 4.3.1 超先验熵编码模型 |
| 4.3.2 基于3D ConvLSTM的上下文熵编码模型 |
| 4.3.3 熵参数网络 |
| 4.4 实验结果及分析 |
| 4.4.1 网络训练 |
| 4.4.2 测试数据 |
| 4.4.3 三维端到端图像压缩性能 |
| 4.4.4 消融实验结果及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（9）面向全景应用的图像和视频压缩算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文名称缩写一览表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究目的与意义 |
| 1.4 研究内容 |
| 1.5 论文组织 |
| 2 球形全景系统中全景图像的编码 |
| 2.1 引言 |
| 2.2 压缩自编码器 |
| 2.3 全景图像压缩自编码器的结构 |
| 2.4 全景图像压缩自编码器的带权损失函数 |
| 2.5 全景图像压缩自编码器的贪心逐块训练 |
| 2.6 实验结果分析 |
| 2.7 本章小结 |
| 3 对象全景系统中立体视频的编码 |
| 3.1 引言 |
| 3.2 图像的SSIM |
| 3.3 对象全景系统中立体视频分量间的码率分配 |
| 3.4 对象全景系统中深度视频分量的块级码率分配 |
| 3.5 对象全景系统中立体视频的率失真优化 |
| 3.6 实验结果分析 |
| 3.7 本章小结 |
| 4 全景系统中图像和视频的低复杂度编码 |
| 4.1 引言 |
| 4.2 图像视频编码中的压缩感知 |
| 4.3 全景系统中图像和视频的编解码器 |
| 4.4 全景系统编码器中QP和测量率的联合优化 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 5 全文总结 |
| 5.1 总结 |
| 5.2 未来工作 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间主要成果 |
（10）基于迁移学习的故障诊断方法研究（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 国内外研究现状分析 |
| 1.2.1 基于深度学习的故障诊断方法研究现状 |
| 1.2.2 基于迁移学习的故障诊断方法研究现状 |
| 1.2.3 现有相关研究分析 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 相关理论与技术 |
| 2.1 引言 |
| 2.2 堆叠自编码器 |
| 2.2.1 自编码器 |
| 2.2.2 堆叠自编码器训练过程 |
| 2.3 VGG16 |
| 2.4 本章小结 |
| 第三章 基于迁移学习的微小故障诊断 |
| 3.1 引言 |
| 3.2 基于深层迁移网络的微小故障诊断 |
| 3.3 实验与分析 |
| 3.3.1 数据描述 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 多速率采样下基于迁移学习的故障诊断 |
| 4.1 引言 |
| 4.2 多速率采样下基于迁移学习的故障诊断 |
| 4.2.1 从结构不完整DNN模型迁移到结构完整DNN模型的故障诊断 |
| 4.2.2 从结构完整DNN模型迁移到结构不完整DNN模型的故障诊断 |
| 4.2.3 多速率采样下的在线故障诊断 |
| 4.3 齿轮箱数据实验分析 |
| 4.3.1 数据描述 |
| 4.3.2 从结构不完整的故障诊断模型到结构完整的故障诊断模型的迁移 |
| 4.3.3 从结构完整的故障诊断模型到结构不完整的故障诊断模型的迁移 |
| 4.3.4 在线故障诊断 |
| 4.4 TE过程数据实验分析 |
| 4.4.1 数据描述 |
| 4.4.2 实验结果分析 |
| 4.5 时间复杂度分析 |
| 4.6 本章小结 |
| 第五章 基于多源异构信息迁移学习的融合故障诊断 |
| 5.1 引言 |
| 5.2 基于多源异构信息迁移学习的融合故障诊断 |
| 5.2.1 基于历史数据的多源异构信息融合故障诊断模型的构建 |
| 5.2.2 在线故障诊断 |
| 5.3 齿轮箱数据实验分析 |
| 5.3.1 数据描述 |
| 5.3.2 实验结果分析 |
| 5.4 轴承数据实验分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验结果分析 |
| 5.5 时间复杂度分析 |
| 5.6 本章小结 |
| 第六章 基于两级迁移学习的多源异构信息融合故障诊断 |
| 6.1 引言 |
| 6.2 基于两级迁移学习的多源异构信息融合故障诊断 |
| 6.3 时间复杂度分析 |
| 6.4 齿轮箱数据实验分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验结果分析 |
| 6.5 轴承数据实验分析 |
| 6.5.1 数据描述 |
| 6.5.2 实验结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
四、小波图像编码器研究进展（论文参考文献）
- [1]基于深度学习理论的桥梁结构损伤识别研究[D]. 胡钧剑. 华东交通大学, 2021(01)
- [2]非限制场景人脸图像超分辨率重建算法研究[D]. 张梦磊. 中国科学技术大学, 2021(09)
- [3]基于重构残差的轮胎缺陷X光图像异常检测算法研究[D]. 殷列栋. 浙江大学, 2021(01)
- [4]基于深度学习的人脸表情识别算法研究[D]. 王淼. 陕西科技大学, 2021(09)
- [5]基于堆栈自编码器的脉搏信号的去噪和检测研究[D]. 夏冬. 湖北工业大学, 2020(03)
- [6]无线传感器网络野外监测图像高效编码与传输方法[D]. 冯文钊. 北京林业大学, 2020
- [7]基于智能技术的一类非线性系统故障诊断与预测方法研究[D]. 余萍. 兰州理工大学, 2020
- [8]基于深度学习的三维高分辨率脑图像压缩[D]. 高硕. 中国科学技术大学, 2020(01)
- [9]面向全景应用的图像和视频压缩算法研究[D]. 王晟玮. 华中科技大学, 2020(01)
- [10]基于迁移学习的故障诊断方法研究[D]. 陈丹敏. 战略支援部队信息工程大学, 2020(03)