一、“3+X”评定度长短（论文文献综述）
李超[1]（2021）在《三人篮球运动员竞技能力构成要素研究》文中进行了进一步梳理近年来,在国际篮联的助力下三人篮球项目迅速崛起,如今已跻身于奥运会竞赛项目的行列,由此该项目的国际关注度空前提高,国际赛场上各国对冠军的角逐势在必行。综观我国参加国际三人篮球赛事的情况发现,我国男、女队在亚洲范围内取得的运动成绩较为突出,FIBA3x3积分排名升至前列,并都获得奥运会参赛资格。但在世界赛场上对阵世界强队,我国三人篮球并未取得明显的竞技优势,运动员的竞技能力亟待提高。而想要提高该项目运动员的竞技能力,就必须结合其竞技特点,了解运动员竞技能力的构成要素,明晰各要素的重要性,从而保证专项竞技能力训练的科学性与实效性,进而实现竞技能力的跨越式提升。三人篮球与五人篮球之间既有相同又有差异,但受五人篮球的影响,人们对三人篮球的竞技特点、竞技能力构成及训练等方面所存在的特性缺乏更深入的认知。因此,本文依据运动训练学理论和借鉴五人篮球相关研究,以明确三人篮球竞技能力构成要素内容和特点,认清各要素间的关系及探析其训练理论与方法为主要研究问题。针对上述研究问题,本文运用文献资料法,通过查阅相关文献资料,为拟定三人篮球运动员竞技能力构成要素提供素材支持;运用德尔菲法、问卷调查法,在所选专家组的帮助下对拟定的竞技能力构成要素进行筛选,最终明确竞技能力构成要素的具体内容;运用变异系数法、数理统计法,计算各级各项构成要素的权重值,检验调查数据的相关性和拟定要素的合理性,以保证专家评分结果的有效性、合理性;运用逻辑分析法,探究竞技能力构成要素的特点,各要素间的关系及其训练理论与方法。本文研究结论如下:第一,时间、空间、犯规罚则等规则的改变,使比赛呈现出快节奏、高速度、强对抗、短间歇、不间断及可持续的竞技特点。这些竞技特点对三人篮球运动员竞技能力的构成及各项要素的重要性起着重要的影响。第二,运用德尔菲法、变异系数法,明确了三人篮球运动员竞技能力构成要素的具体内容,并确定了各项要素的权重值。其中一级构成要素5项,按权重值大小排序为:运动技能、专项体能、运动战术、运动心理和运动智能。二级构成要素11项,按权重值大小排序为:进攻技术、防守技术、身体机能、运动素质、进攻战术、身体形态、防守战术、运动意志、运动感知、运动观察和运动思维。三级构成要素23项,按权重值大小可分为关键要素和重要要素。其中关键要素有投篮技术、突破技术、进攻篮板技术、防守脚步移动、防守篮板技术、无氧代谢能力、有氧代谢能力、速度素质等15项。重要要素有克托莱指数、观察对手能力、观察局势能力、思维创新能力等8项。第三,三人篮球运动员竞技能力专项特点为进攻、防守技术的基础性、高效性;进攻、防守战术的简单性、针对性;无氧供能的主导性;运动素质的全面性;身体形态的均衡性;运动意志的坚定性;运动感知的清晰性;运动观察的广泛性;运动思维的敏捷性等。第四,三人篮球运动员竞技能力各要素间的关系也是相辅相成、相互影响的。第五,结合竞技特点选择训练方法,突出竞技能力关键要素,其中提高无氧、有氧混合供能能力的训练方法有间歇训练法、重复训练法等;速度耐力、快速力量及反应灵敏等素质训练方法较多,运用时注重突出其专项性特点。而专项技术和战术训练依据不同的训练目的可采用程序训练法、比赛训练法等;专项心理能力训练可采用模拟训练法、表象训练法等;专项运动智能训练可采用从理论到实践或先实践、后理论的训练方法。
林景峰[2]（2021）在《基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立》文中提出研究背景和目的抑郁症（depression）又称为抑郁障碍,是指由于各种原因引起的,以持久、显着的心境低落为主要特征,常伴焦虑、躯体化症状、思维和认知功能减退等表现的一类心境障碍。中医学将抑郁症归属于“郁病/证”范畴,主要可分为肝气郁结、肝郁脾虚、肾虚肝郁、心脾两虚、气郁化火等证型。在抑郁症的中医辨证方面,目前中医抑郁症证候分型诊断方式主要有中医直接辨证和诊断量表分型。但目前抑郁症的证候分型方式离不开中医师的主观判断。为了从舌诊、脉诊、情绪识别、病历数据等多个层面客观化抑郁症患者信息,从而辅助对抑郁症患者进行抑郁症辨证,我们设计了此研究。本研究从舌诊、脉诊、情绪识别、病历数据四个层面对于患者的数据进行分析。并对数据利用深度学习和机器学习算法进行辨证识别。最后对四个层面的数据进行结合,尝试完成抑郁症患者的辨证识别。同时为其他疾病的人工智能中医辨证系统的建立与优化提供一定的参考。方法1.抑郁症中医人工智能舌诊方案的建立与验证使用python网络爬虫技术对互联网上有关舌象、舌诊等内容进行爬取。选取其中包含完整舌象、且舌象清晰的图片。利用Yolo v3目标识别算法对所得到的舌象图片进行目标识别,并进行截取,得到舌象图数据库。利用颜色校正算法等对所得到的目标图像进行颜色校正。对得到的目标舌象图片数据集进行人工分类。由2名中医师将所得到的舌象图片分为淡红舌、淡白舌、红绛舌,白苔、黄苔,厚苔、薄苔。接下来利用基于Keras框架的深度学习算法,对所得到的数据集进行深度学习,并得到学习结果的准确率、召回率值。确认结果较好后,选取临床抑郁症患者的舌象,利用Keras深度学习模型进行舌质、舌苔的判断,并与人工判断结果比较,得到最终结果的准确率、召回率等。2.抑郁症中医人工智能脉诊方案的建立与验证利用光电脉搏波原理,对食指指尖脉搏波和桡动脉关脉部位的脉搏波进行收集。指尖脉搏波每次收集时间在20s-2min左右,桡动脉脉搏波每次收集时间在3min左右,得到较为稳定的脉搏波数据。由2名中医师对脉象进行识别。利用Keras深度学习算法对所得到的数据集进行深度学习,并得到学习结果的准确率、召回率值。确认其结果是否较好。若得到的结果较好,可进一步在抑郁症患者上进行验证。3.基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证选取并收集轻中度抑郁症患者和健康人群的心电波和脉搏波。对所选取的受试者进行中医症状和体征信息的采集与评分和中医辨证。继而予患者观看30分钟情绪激发视频,视频包括7段激发患者产生平静、快乐、悲伤、恐惧、愤怒、惊讶和厌恶7种情绪的视频片段。利用软件对情绪激发时得到的心电和脉搏波数据进行记录。尝试利用深度学习算法对患者情绪进行识别,利用深度识别算法分别识别出抑郁症患者和健康人群,建立患者情绪与中医辨证之间的关系,尝试利用情绪识别方式对患者进行中医辨证和中医体质识别。4.依据病历系统患者症状的抑郁症患者中医辨证识别纳入北京中医药大学深圳医院（龙岗）自2016年1月1日开始的抑郁障碍病例,及其就诊病历。对就诊病历进行信息提取,并对提取的信息进行相应证型的对应。建立Logistic回归抑郁症中医辨证预测模型,评估模型的优劣;利用机器学习算法根据提取的病历信息（如患者的症状、体征）进行中医辨证。并计算其算法的准确率等。结果在人工智能舌诊识别方面,网络爬虫总共获得2515张相关舌象图片,经过筛选,共获得1427张存在目标区域的图片。利用YOLO v3进行目标识别,对266个标注结果进行学习。将266个标注结果按照1:1的比例分为训练集、验证集。经过两批73轮的训练,得到模型。模型的舌头目标识别准确率为96.10%,精确率为96.61%,召回率为98.85%。对目标识别结果进行舌色、苔的厚薄和苔色的深度学习识别,主要利用Keras深度学习模型结合K折交叉检验进行识别,对于舌色识别准确率在75%-82%左右,对于舌苔颜色识别的准确率在82%-95%左右,对于舌苔厚薄识别准确率在87%-92%左右。在人工智能脉象识别方面,我们以光电容积脉搏波作为研究对象,分别利用可穿戴式、手表式光电容积脉搏波设别对光电容积指尖脉搏波和光电容积桡动脉脉搏波进行收集,继而进行机器学习和深度学习分析。由于光电容积指尖脉搏波收集位置与桡动脉搏动位置较远,手表可穿戴式桡动脉脉搏波收集存在一定的位置偏倚、松紧度差异,导致学习结果欠佳。总共收集162名受试者的指尖脉搏波和43名受试者的桡动脉脉搏波。其中,收集桡动脉脉搏波时,我们可以见到数据存在位置偏倚、松紧度差异、数据溢出等异常情况,故提前终止数据收集。在指尖脉搏波的识别结果方面,机器学习算法的准确率在31%-40%之间,深度学习算法的准确率在44%左右。在桡动脉脉搏波方面,机器学习算法的最高准确率在64%左右,深度学习的准确率在22%左右。选取典型的脉搏波进行分析,机器学习算法的最高准确率在53%左右。在尝试基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证方面,我们首先利用既往两个数据集（Ascertain数据集和Dreamer数据集）进行基于心电波进行情绪识别算法的验证。对于Ascertain数据集,四分类情绪识别深度学习准确率为30%左右。对于Dreamer数据集,九分类情绪识别准确率在16%左右。在本团队收集的数据方面,共有75名受试者参与了情绪激发心电波与脉搏波的收集。其中36名试验组,39名对照组。在基线资料方面,男性36人,女性39人,平均年龄为44.08± 12.19岁。对照组与试验组的体质评分均存在明显的差异。其中,试验组在阳虚体质、阴虚体质、气虚体质、痰湿体质、湿热体质、血瘀体质、特禀体质、气郁体质的得分方面明显高于对照组,在平和体质的得分方面明显低于对照组。试验组的抑郁症中医辨证评分中,肝郁脾虚最高,其次为心肝火旺、肝肾阴虚、痰浊内蕴等证型,气滞血瘀的得分最低。在抑郁、焦虑量表评分方面,试验组与对照组相比,试验组HAMD总分和HAMD七项因子分均显着高于对照组,试验组HAMA总分和HAMA两项因子分均显着高于对照组。Pearson相关分析显示,不同体质与不同情绪激发分数的相关系数的绝对值基本在0.3以下。不同体质评分与情绪激发程度无绝对明显的相关性。抑郁症患者不同辨证分型与不同情绪激发分数的相关系数的绝对值基本在0.3以下。抑郁症患者不同中医辨证与情绪激发程度无绝对明显的相关性。在机器学习方面,利用平静、愉悦、悲伤、恐惧、愤怒、惊奇、厌恶等情绪心电波区分试验组和对照组（抑郁症患者和正常受试者）,其最高准确率分别是70%、72%、73%、77%、82%、69%、75%。对各种算法的平均准确率进行比较,高斯贝叶斯算法的平均准确率最高,达到73%。利用高斯贝叶斯算法进行整段心电波和受试者识别,其心电波段判定准确率均在70%左右,受试者组别的判定准确率为73.6%。利用七分法进行情绪识别,其不同算法情绪识别的准确率最高在30%。由于机器学习区分抑郁症患者的准确率、情绪识别的准确率、抑郁量表评分与体质和辨证的相关系数绝对值均不是非常高,我们认为原假设不成立。故未利用数据集进行中医抑郁症辨证和体质分型的识别。在基于病历系统患者症状特征选择的抑郁症患者中医辨证识别中,共纳入北京中医药大学深圳医院（龙岗）自2016年1月1日开始的567例病例,及其1128次的就诊病历。其中,男性患者280人,女性患者287人。在所有抑郁患者群体中,心脾两虚所占比例最大（16.98%）,其次为肾虚血瘀（9.57%）、肝郁脾虚（4.94%）等证型。症状方面,心情差、焦虑、乏力、入睡困难、多梦、头晕、腰酸、心烦、心悸等症状是就诊的抑郁患者的最核心症状。通过对症状的主成分分析（principal component analysis,PCA）,能较好地对心脾两虚、肾虚血瘀、肝郁脾虚等不同证型进行良好区分。利用logistic回归建立预测模型,通过受试者工作特征曲线（receiver operating characteristic curve,ROC）曲线下面积（C指数）来评价预测模型的区分度。结果显示,心脾两虚证型的C指数为0.77,肾虚血瘀证型的C指数为0.89,肝郁脾虚证型的C指数为0.85。模型具有较好的区分度。利用机器学习算法根据症状预测中医证型,运用五分类机器学习算法预测中医证型,准确率达到了 72%。利用机器学习算法预测中医证素,运用二分类机器学习算法,肝郁证素准确率为86%,脾虚证素准确率为86%,血瘀证素准确率为78%,肾虚证素准确率为88%,气虚证素准确率为97%。结论1.抑郁症的舌诊和基于病历系统患者症状的中医辨证识别在我们的研究中实现较好,而抑郁症的脉诊和基于情绪识别的抑郁症辨证和中医体质分析在我们的研究中实现欠佳。从整体上看,抑郁症舌诊研究、基于病历系统患者症状的中医辨证识别对于舌诊照片、病历系统数据的要求不是很高,易于实现,有较好的深入研究与广泛推广意义。而抑郁症脉诊研究（特别是手表式可穿戴设备脉诊研究）、利用生理信号进行情绪识别并进行中医辨证和中医体质识别,对数据收集设备等的要求较高,结果亦欠佳,仍有一些问题尚待确认、改进、解决。2.利用目标识别舌诊图片、截取目标识别结果后进行深度识别,能较好的识别舌色、舌苔颜色、舌苔厚薄。对识别模型在抑郁症患者的舌象图片上进行运用,结果较好。该模型对于照片采集设别、拍照姿势等的要求不高,易于操作。3.利用机器学习算法,依据指尖脉搏波或桡动脉脉搏波识别脉象,结果欠佳。其原因可能与指尖脉搏波与脉象相关度不高、手表可穿戴式采集设备采集的桡动脉脉搏波存在数据易受采集位置影响、数据溢出等状况有关。抑郁症患者的人工智能脉诊识别与采集设备具有非常强的相关性,对采集设备等的要求较高。4.利用机器学习算法和观看情绪激发视频时的脉搏波和心电波,可在一定程度上对抑郁症患者和正常人群进行识别,亦可在一定程度上识别受试者的不同情绪。但从目前的设备条件看,本研究团队难以完成对抑郁症患者的中医辨证和中医体质识别。其识别结果也与数据采集结果、情绪激发与否、情绪激发程度存在较强的相关性。对数据采集设别、采集环境等有较高的要求。同时,本研究未能标出情绪激发的具体时间与心电、脉搏波片段,导致无法提取各种情绪激发时心电波、脉搏波的具体形态。如何捕捉到情绪激发时的精准心电、脉搏波片段,亦值得更深入的研究。5.在基于病历系统患者症状特征选择的抑郁症患者中医辨证识别中,利用logistic回归建立预测模型、机器学习算法预测抑郁症患者中医证型与证素均能得到较好的结果。本研究选取的病历系统数据质量较为一般,符合真实世界中的一般情况。虽然如此,研究仍得到了较好的结果,我们认为其建立模型的方法具有较好的推广性,值得在更大样本量病例数据中进行更深入的研究与验证。
徐策[3]（2021）在《空间飞行机器人运动控制技术及地面模拟实验研究》文中提出随着人类对宇宙空间的探测,对超大口径空间遥感器的需求越来越迫切。然而,因受到航天器发射尺寸的影响,整体式空间遥感器无法满足口径要求。采用分体式超大口径空间遥感器便成为解决此类问题的有效方案。其中,分体式空间组装是最具有竞争力的技术方案之一。在此技术中,需要对空间飞行机器人相关技术进行完善,特别是机器人的自主导航能力和运动控制技术。这些技术的完善能够帮助空间机器人自主地完成空间任务。此外,也应该开展相应的地面模拟实验。地面模拟实验有助于验证相关技术的有效性和可靠性,加速空间飞行机器人的实际应用。本文根据实际工程及预研需求,对空间飞行机器人的运动控制技术和地面模拟实验技术进行了研究。具体内容如下:建立了空间飞行机器人的运动学和动力学模型,包括坐标系之间的转换、运动学与动力学的关系以及喷嘴的布置方式。虽然这些理论模型已经得到了应用,但它们是机器人规划轨迹以及控制算法实现的基础,仍有分析的必要性。基于单个机器人的数学模型,研究了多个机器人协同工作时喷嘴的重构算法,分别设计了标准模式、节能模式和差动模式这三种分配模式。在分析重构算法时,发现差动模式可以很好地解决最小脉冲宽度限制问题。这一模式不仅可以用于多体系统中,还可以应用于单个空间飞行机器人的控制中。对单个喷嘴的脉冲调制进行了理论分析,分别给出了在标准情况下、带有最小脉冲宽度限制情况下以及带有脉冲宽度饱和问题情况下的脉冲调制方法。实验结果表明:建立的喷嘴布置方式和设计的脉冲调制方法是有效的;结合差动模式的喷嘴控制效果要比传统的喷嘴控制效果更好。基于空间飞行机器人的数学理论模型,研究了空间飞行机器人轨迹规划的算法,提出了一种基于模糊规则与虚拟目标点的多窗口动态窗口法。首先分析了传统的轨迹规划算法,即基于变分法的轨迹规划以及基于样条曲线算法数值方式的轨迹规划。分析结果表明虽然此类方法能够在已知的静态环境中规划空间飞行机器人的运动轨迹,但对于动态环境的处理能力较差。考虑到空间飞行机器人还会受到运动和工作环境的限制,本文引入了动态窗口法,建立了双动态窗口和虚拟目标以解决规划算法因速度小或U型障碍物而导致的最小值问题。利用模糊规则调节评价函数的各项参数比重以提高机器人对动态环境的适应能力。仿真结果表明:该算法能够应用到多个空间机器人的协同工作中,能有效地避免最小值问题,能有效地避开动态障碍物。为了保证空间飞行机器人能够精确跟踪自主规划的轨迹,研究了空间飞行机器人的运动控制技术。在研究这类技术的过程中,不可避免的会遇到非线性、参数时变性和耦合性等问题。因此,本文研究了滑模控制算法,提出了一种带有边界层的双闭环滑模控制算法。利用模糊规则减弱靠近滑模面时的控制增益大小,以平滑控制信号。分别设计了分数阶和动态边界层以解决滑模控制算法中的高频抖振问题。仿真和实验结果表明:该控制算法比其他相同类型算法的抖振更小;比传统的PID控制算法控制效果更好。为了验证以上算法的有效性和可靠性,本文设计了一种基于冷气推进并能够自由漂浮的飞行机器人模拟器。该模拟器具有能够装载多种工具、承载能力大及续航时间长的优点。设计该模拟器的结构时,采用了模块化设计思路,将不同的功能区划分为不同的模块以实现整体结构的单元组装。为了达到整个模拟装置的承载要求,设计了一种能够自平面的气浮轴承装置,使得整个装置的承载能力达到800Kg。重点研究了模拟器推进系统的性能,结合喷嘴推力实验和承载能力实验,确定地面实验系统的额定气压为0.4MPa,整体运行时间可以达到30min。其次,重点研究了地面模拟器的定位算法,提出了一种基于激光雷达和陀螺仪的定位算法。相对于其他定位方法,该算法简单、经济且适用性强。实验结果表明:所研制的地面模拟器系统能够很好地达到实验要求;所提出的二维定位算法是可行和可靠的。
豆佳敏[4]（2021）在《基于深度学习的冲击波信号压缩感知方法》文中研究指明炮口产生的冲击波会对周围人员和采集仪器造成严重危害,因此对冲击波信号进行准确地测量,在武器的研制和改进中具有重要作用。冲击波信号作为一种瞬态信号,其有效信息在整个采集时段中的占比较小,而且其频率成分复杂并含有高频分量。基于传统奈奎斯特原理采集冲击波信号时须保持高采样率,这会产生大量的冗余数据,严重消耗网络传输带宽和内存空间。为了突破奈奎斯特原理限制,压缩感知理论被引入到冲击波信号的处理过程中,然而,信号的重构效果会受到以下条件的影响:压缩感知中须选取合适的稀疏矩阵、稀疏矩阵和观测矩阵必须满足不相关性以及在多个测量向量重构过程中要求信号满足联合稀疏先验性。针对以上问题,本文在压缩感知技术中引入了深度学习理论,设计了基于深度学习的冲击波信号压缩感知方法。本文主要研究内容如下:1)针对压缩感知技术中稀疏矩阵选取不当,造成信号重构误差较大的问题,本文提出了一种深度卷积生成网络与压缩感知相结合的算法。该算法将固定的随机信号作为网络输入,通过设计的损失函数优化网络参数,最后输出重构信号。且该算法是一种数据惰性学习方法,不需要大量数据对网络模型进行训练,而是对每一个信号进行单独学习,进而实现信号端到端的恢复,规避了稀疏矩阵的设计环节,并通过仿真验证了重构误差的减少。在15psi和5psi量程传感器实测冲击波信号的实验中表明,该算法相比于传统压缩感知技术具有更好的重构效果,其重构误差在稳定时约为DFTOMP算法和DCT-OMP算法在测量数为2400时误差值的0.5倍。2)针对分布式压缩感知重构算法在处理多个测量向量时要求不同通道的信号须满足联合稀疏先验条件的问题,本文提出了一种长短时记忆网络与压缩感知相结合的算法。该算法通过给定所有通道的初始残差值,计算出每个向量中每项非零值的条件概率来捕获事先未知的依赖关系,进而在重构算法中使用学习到的依赖结构。其中,长短时记忆网络用来估计向量中非零值的条件概率,且该网络是一种专门处理时间序列问题的数据驱动模型,是通过最小化交叉熵代价函数来进行网络模型参数的训练。为了找到向量中非零条目的值,需要利用最小二乘法进行求解。最后,在15psi和5psi量程传感器实测冲击波信号的实验结果中表明,该算法的重构性能优于传统的SOMP、BCS和MT-BCS算法,可以在一定程度上,提高分布式压缩感知技术的重构性能。
乔齐[5]（2021）在《长沙常见鸣鸟类声音识别和愉悦度评价》文中认为自然界的野生动物是生态系统的重要组成成分,鸟类是野生动物组成中重要的一环,它是一种对生态环境和栖息地变化十分敏感的物种,无论是在自然环境下,还是在人工环境下,对所处的环境的生态功能和生物多样性监测能够有重要的指示作用;同时在城市快速高压的生活环境下,城市中的绿地承载着舒缓心情,恢复注意力的主要场地,鸟鸣作为城市环境,特别是绿地中容易被人们所感知的声源,为城市环境带来积极的作用。本文研究即是以声音识别技术和声景评价方法为支撑,以城市绿地部分常见鸟类鸣声为研究对象,将生物多样性监测识别与人为感知相联系,从而为城市中鸟类分布监测识别提供技术支持,为城市中鸟类声景评价奠定基础。本文的主要工作和结论如下:（1）信号素材库的收集和处理。经过实地调研和资料收集,确定了研究区域的23种常见鸟种,通过世界野生鸟类声音网和实地采集,收集了特定鸟种的鸣声素材,并进行了预加重,分帧加窗等处理。根据本文声音识别技术的特点,建立了研究区域的常见鸟鸣Mel语谱图库。（2）基于ResNet结构深度卷积神经网络的鸟鸣信号识别。针对传统声音识别的出现的识别上的训练时间长,识别率不高的问题,本文提出了将深度学习用于鸟鸣信号识别,传统识别中的效率低下的问题。在对于深度学习中出现的过拟合的问题中,本文提出了使用ResNet50的深度卷积神经网络结构,解决了过拟合的问题并且有泛化能力的优点。然后通过ResNet的训练得出,通过配置合理的参数和训练模型层次,可以用于批量处理信号并进行识别分类。通过实验,ResNet50在18种鸣声信号中,平均识别率达到了 95.44%。（3）提取了基于鸟鸣的愉悦度评价指标并得出长沙常见鸟鸣的愉悦度的评级。本研究在阅读大量的国内外研究资料和文献后,选取了前人在声景观中使用的28个声景评价指标与情绪认知理论中的19个愉悦度评价指标,将两种指标进行初步筛选,在通过试验后取其中的5个指标作为愉悦度的评价指标。将选取的评价指标带入语义细分法的形容词中,通过五级评价尺度获得各个声音得到18种鸟鸣的愉悦度的指标的评价数据,再通过主成分分析法得到每一种鸟类的愉悦度评价,愉悦度评价较好的有白头鹎,矶鹬,乌鸫等,评价较差的有松鸦、山斑鸠、池鹭、牛背鹭。（4）比较不同人群对鸟类的愉悦度评价,探讨了不同人群和愉悦度评分的关系。对被试者人群依据性别、专业、学历,进行分类,发现鸟鸣愉悦度评价与人群没有显着的相关性,总体来说均为积极的评价;其中研究生这一群体对鸟鸣愉悦度评价要高于其他的人群,女生这一群体对鸟鸣愉悦度评价要低于其他的人群。综上所述,本文采用了 ResNet结构深度卷积神经网络对长沙常见的18种鸟类进行了声音信号识别,并且获得了比较好的识别效率和应用能力。并对这些鸟鸣进行了愉悦度评价上的研究得出了不同鸟鸣的愉悦度评价,探究了不同鸟种对不同人群的影响,为鸟类声音识别和鸟类声景评价提供了技术手段和理论依据。
倪富陶[6]（2021）在《基于深度学习的结构外观病害检测与监测数据挖掘》文中提出土木基础设施是体现国家综合国力及科学技术发展水平的重要标志,其安全服役关乎国计民生。结构检测评估和结构健康监测是当前桥梁结构管养进行决策的主要依据,不管是结构检测评估还是结构健康监测,都会产生大量的数据,传统的数据分析手段难以对检、监测数据进行高效的分析处理。如何快速的分析海量数据、挖掘数据深层特征以及将分析结果反馈应用到后续桥梁运维管理中,成为土木领域当下研究的前沿热点。基于此研究背景,本文从结构外观检测数据和结构健康监测数据两方面出发,以数据挖掘中的分类问题为重点,利用深度学习技术深入挖掘大量外观检测数据和健康监测数据的内在特征。在依托海量检测数据的研究方面,本文主要研究了基于检测图像的裂缝自动分割方法,分为三个阶段逐步深入。在依托海量健康监测数据的研究方面,本文侧重于研究大数据问题处理框架中的前两个阶段,即数据预处理和数据存储阶段。论文的主要创新点如下:（1）提出了基于深度学习和Zernike正交矩的裂缝分割及宽度测量方法。针对传统方法适用性差的缺点,将深度学习算法和传统的基于数字图像处理的算法结合起来,在深度学习定性分类能力的基础上将图像中裂缝的检测分为“判断有无”、“自动勾画”和“宽度测量”三个层次。采用多个尺度的深度学习缩小裂缝的范围,并在传统方法初步分割出裂缝的基础上,再次利用深度学习筛选初步分割的裂缝,从而大大提高了裂缝分割的精度以及复杂环境下的抗噪性。在宽度测量方面,针对传统的“数像素”方法对于5像素以内细微裂缝测量误差大的缺点,提出了基于Zernike正交矩的细微裂缝宽度测量方法,直接利用裂缝的灰度信息计算裂缝的宽度,提高图像中细微裂缝的宽度测量精度。（2）提出了基于多尺度特征融合网络的像素级裂缝分割方法,实现完全依靠深度学习本身提取特征的裂缝分割。提出框架可以分为特征提取和特征融合两大块,而特征融合又可以分为不同尺度特征简单的像素级融合和不同尺度特征不同维度之间的深层次融合。在特征提取和像素级融合方面,采用自下而上和自上而下两种策略设计了不同的特征融合网络,基于不同裂缝测试集详细分析了高、低阶特征对最终裂缝分割结果的影响。发现低阶特征主要表征裂缝的形态信息,对于裂缝的细节描述更加有效,而高阶特征对于图像中裂缝的语义特征描述更加有效,需要把高低阶特征同时考虑到裂缝分割的框架中。（3）基于对抗深度学习增强的轻量级裂缝检测网络。前两章提出的裂缝分割方法虽然能高精度的分割出裂缝,但是其检测效率并不能够满足自动化检测的实时性要求。因此,本章提出了一种轻量级的裂缝检测框架,并提出了基于对抗深度学习的轻量级网络增强算法。提出框架从两方面对网络进行优化,一方面是深度学习特征提取模块的优化,采取更加轻型、高效的框架;另一方面,针对网络的训练策略提出算法创新,引入了生成对抗距离来衡量相似性,使轻量级网络的输出分布和人工标记的分布相逼近,从而提高轻量级网络的检测效果。最后,将本章提出的算法应用到新华路桥的桥墩裂缝检测中。（4）针对海量监测数据预处理的自动化异常检测需求,提出了基于一维卷积网络的健康监测异常数据识别方法,可以将健康监测系统采集数据直接输入到网络中,利用深度学习挖掘异常数据的本质特征,实现对异常数据的自动识别。随后将提出的方法应用到了江阴大桥吊杆监测数据的异常识别中,与人工检测的结果相对比,发现提出方法可以高精度的识别出健康监测系统采集的异常数据。相比传统的基于数学模型的异常数据识别方法,本文提出方法适用性广泛,可以高精度检测出各种类型的异常数据。相比于基于长短记忆网络的异常识别算法,提出方法不需要人工设定阈值。而相比于基于图像识别的异常检测方法,提出的方法不需要小心调整观测数据的尺度,不需要担心图像中超高维压缩带来的异常信息损失。（5）针对海量监测数据存储的问题,提出了基于卷积自编码网络的长期监测数据压缩方法。提出数据压缩方法可以分为数据压缩网络和数据重建网络两个部分,其中数据压缩网络用于将输入的原始数据压缩到指定的大小,数据数据重建网络用于将压缩后的数据进行还原。本文将提出方法和传统的基于DCT变换的数据压缩方法及压缩感知方法进行对比,发现在较低的压缩率下,本章提出的方法相对传统方法具有更小的重建误差和更高的相关系数。并将提出方法在江阴大桥长期吊杆监测数据下进行验证,发现对于识别为异常的数据,其压缩后重建的精度较低,而对于识别为正常的数据,能够在较低的压缩率下实现高精度的数据重建。
朱晓龙[7]（2020）在《基于深度卷积神经网络的树木生境叶片识别方法研究》文中指出由于野外树木种类繁多且周围环境复杂,因此采用先进的目标检测技术对自然生境下的树木进行识别,在提高森林资源勘探质量和效率方面有极为重要的意义。树木的叶片包含着纹理结构、形状特征、颜色等大量的物种信息,这使得在复杂环境下通过叶片进行树种识别成为可行之举。与树木的花朵或果实相比,树木叶片的存活时间较长,便于图像样本的采集和样本数据集的构建。机器视觉技术和深度学习领域的快速发展使得在现实的复杂环境下对特定目标的识别成为可能。在深度学习的识别领域中,深度卷积神经网络具有极为重要的贡献。这主要归功于深度卷积神经网络拥有较强的拟合能力、表征能力和提取抽象特征的能力。本文主要以我国北方地区生长的十种树木叶片作为研究对象,对其进行图像样本采集,并通过特征融合与卷积神经网络的结合改进生成对抗网络,从而实现对叶片样本的扩增和叶片数据集的创建。然后再根据图像尺寸、叶片种类和数目等因素的不同,有针对性的增强深度卷积神经网络对树木叶片识别的能力。本文提出的深度卷积神经网络主要是通过优化模型的结构和算法,组建适用于叶片小目标判别的深度学习框架,进而探究在复杂的生境下对多种树木叶片识别的方法。本研究主要内容如下:（1）选取多个成长时期、不同光照和生境下的十种双子叶树木叶片（丁香、紫椴、水曲柳、色木槭、山楂、重阳木、扶芳藤、榆树、紫叶李、垂柳）作为研究对象,并构建复杂生境下的树木叶片数据集。针对传统的生成对抗网络生成的目标图像局部特征崩坏且缺乏多样性的问题,提出特征融合的深度卷积生成对抗网络模型用于生成叶片图像。该模型采用卷积神经网络代替多层感知器,通过在生成网络和判别网络中增添小尺寸卷积核辅助模型学习树木叶片特征,并在判别网络中引入特征融合的网络结构,使该模型学习到更加丰富的目标细节。为了提升在非监督情况下对每种叶片目标的拟合能力,采用最小二乘法损失函数代替交叉熵损失函数。通过对比实验表明,提出的网络模型能够有效的降低判别网络损失和生成网络损失,进而生成带有更多不同复杂生境背景的树木叶片图像,实现对叶片样本扩增的目的。此外,根据不同的树木类别制定叶片样本图像的序号、命名规则等,进而构建出树木叶片数据集为深度卷积神经网络的训练提供数据支持。（2）针对复杂生境下的小尺寸图像中的单种树木叶片识别,为了让识别模型具有较好的表征能力且避免增加参数的计算量,提出基于多通道多种卷积核分解的网络模型。该模型主要是针对特征提取网络的结构进行设计,通过在深层的特征提取层内采用多分支的多种卷积核对叶片图像进行多维度特征提取,增强网络模型对相似的抽象叶片特征的辨别能力。同时有针对性的引入卷积核通道数分解和卷积核尺寸分解两种改进方式对网络结构进行优化,致力于降低模型的计算参数,使其更适用于小尺寸图像的叶片识别。通过实验对比,从卷积核尺寸、损失函数和多种卷积核分解三个方面表明提出的方法能够有效提升自然环境下的单种树木叶片识别的准确性。（3）针对复杂生境下的大尺寸图像中的多种树木叶片识别,为了确保设计的深度网络模型学习到的叶片特征在深层的网络传播中具有较好的稳定性,提出基于深度残差卷积连接的识别模型。该模型主要是通过构建三种不同的残差卷积模块用于学习相似叶片之间的细微差别。这三种模块分别为并行的等价支路残差模块、跨级的等价支路残差模块和改进的卷积支路残差模块。其中,并行的等价支路残差模块和跨级的等价支路残差模块用于增加网络的深度;改进的卷积支路残差模块用于在深层网络中代替池化层调整特征图的尺寸和通道数。此外,为了让网络模型的识别准确率不受限于每次训练样本的数量,提出增强的特征标准化算法对输入的树木叶片特征进行处理,从而降低由于叶片图像信息较大、每次训练样本数量较小而产生的偏差。通过实验对比,表明提出的方法能够在不依赖于训练样本数量的同时,提升对多种树木叶片识别的准确性。综上所述,本文基于深度卷积神经网络的树木生境叶片识别方法研究能够实现在复杂生境下对多种树木叶片小目标进行准确识别。此外,本文在树木种类的鉴别和保护方面具有一定的研究价值和指导意义。
宋文豪[8]（2020）在《基于深度学习的说话人识别技术应用》文中研究表明随着信息化时代的不断推进,人们对系统身份认证可靠性和服务提供个性化的需求不断提升,基于用户语音的说话人识别和说话人属性分类技术迅速成为信号处理领域的研究热点。现有的基于深度学习方法的说话人识别及说话人属性分类任务仍然受限于环境噪声及信道失配问题,本论文旨在基于深度学习研究具有较高鲁棒性的说话人识别和说话人属性分类系统,提升复杂场景下的识别和分类准确率。为了实现上述研究目标,本文对话人识别及说话人属性分类展开以下研究:针对说话人识别,本论文提出基于残差网络及双向长短时记忆网络的ResNet-BLSTM网络结构,使用语谱图作为网络输入,提取出了对于语速鲁棒且表征信息更丰富的深度特征。在训练阶段提出了基于改进三元组损失的T-Triplet Loss,严格控制特征向量的类内聚集及类间分离,使模型在噪声语料集下也能准确地聚类同说话人语音。最后分别在Voxceleb、LibriSpeech和AISHELL-1三个语料集上开展实验,并在三个数据集上都取得了较为接近的识别等错误率,验证了系统在多种语音环境下的鲁棒性,且更是在噪声数据集Voxceleb上相较于基线系统i-vector/PLDA取得了 63%的等错误率下降。针对说话人属性分类,本论文提出了包含瓶颈网络层的DBN网络结构,抽取瓶颈网络下层的所有网络结构作为深度特征提取器。深度特征提取器提取MFCC的高层特征D-MFCC作为GMM-UBM模型的输入来训练性别-年龄段分类模型。最后的分类实验在aGender数据集上展开,对比分别以MFCC和D-MFCC作为分类模型训练输入的分类准确率,D-MFCC总体取得了 32.33%的分类准确率提升,且在成年女性和老年男性的分类任务中取得了较大幅度的性能提升。本论文分别对说话人识别和说话人分类的特征提取及模型构建进行研究改进,提取出表征性良好的声学特征,并基于这些特征集训练构建出稳健的说话人识别/分类模型,使得识别/分类任务在实验语料集下表现出优越的性能。
陈欣[9]（2020）在《基于项目教学开展大班幼儿测量活动的行动研究》文中研究说明测量,是人类运用较广的数学技能之一,也是幼儿数学学习中一个重要的领域。开展测量教学活动,不仅有助于幼儿认识数与量的关系、培养幼儿数学思维,还有助于幼儿能够科学、全面的认识客观世界,体验数学在实际生活情景中的运用。项目教学主要是以幼儿兴趣为基础,以问题为核心,以行为为导向,以小组为主要活动途径,其优势和特征有助于幼儿在具体的情景中认识测量意义、探索测量方法、运用测量技能。本研究主要运用了问卷法、访谈法、观察法、行动研究法,在了解大班测量活动开展现状的基础上,探讨运用项目教学开展大班测量活动对解决当前测量活动存在的问题的效果。依据研究目的,研究主要分为现状调查阶段和行动研究阶段。现状调查,研究者采用分层抽样抽取了成都市三所一级幼儿园和三所二级幼儿园,采用问卷法和访谈法对幼儿园大班测量活动的开展进行了现状调查。通过对问卷和访谈资料的分析,发现幼儿园大班测量活动存在以下问题:教师对测量的态度与认识不匹配;测量在幼儿数学中被忽视;测量活动内容单一,形式固定;测量活动的开展未体现幼儿的需要。现状调查阶段的研究结论为第二阶段行动研究的开展奠定了基础。行动研究,研究者选择了现状调查阶段的A幼儿园为合作园,该园W教师为合作教师,D3班为合作班级。首先,研究者对D3班33名幼儿的长度测量能力进行测查;然后,研究者与合作教师在D3班开展了基于项目教学的测量活动。通过两个月的行动研究,研究结果显示基于项目教学的测量活动具有以下特征:活动进程具有动态生成性;操作材料的开放性与限定性并存;强调“测量”作为解决问题的方法和途径的价值。基于项目教学的测量活动的目标需要从“繁杂”变“分层”;活动内容需要从“单一”走向“多样”;活动形式需要由“静态”转向“动态”。基于项目教学的测量活动在主题选择上应该遵循幼儿的兴趣和能力,以及幼儿的发展需要;在主题选择的依据上应该遵循实操性、聚焦性、综合性。从研究效果来看,幼儿方面,基于项目教学的测量活动能够提升幼儿测量意识及参与测量活动的兴趣,让幼儿逐步掌握运用非标准单位进行长度测量的方法,理解测量工具与测量结果之间的关系,以及提升了幼儿长度测量能力;从合作教师角度分析,三个月的行动研究一定程度上改变了教师的教育观念,提升了教师组织测量活动的能力。通过行动研究总结出基于项目教学开展测量活动的几点策略:以问题为核心,开展基于真实情景的测量活动;以行为为导向,开展支持幼儿持续探索的测量活动;以小组为途径,开展满足不同测量水平幼儿的测量活动。基于研究结论和研究过程中存在的问题,研究者对以下三个方面进行了讨论:基于项目教学开展测量活动存在的问题的再认识;项目教学与其他教学模式的整合运用;理想中的测量活动的实施策略。综合以上分析和讨论,研究者提出后续研究和教学的建议:项目教学需要将理论学习与反思性实践相结合;在掌握PCK理论的基础上,注重测量活动的特殊性;应有效利用多方资源,丰富幼儿测量经验来源;要正确把握教育契机,推进测量活动的深入开展;可以合理利用时间和空间,支持幼儿测量经验的连续性。
赵曰强[10]（2019）在《防空导弹武器系统费效分析建模及方法研究》文中研究表明防空导弹武器系统费用效能的评定问题是一个特别重要的基础理论研究课题,是指导防空导弹武器系统的设计、研制、生产和使用、部署、指挥决策的导向问题,越来越受到各方重视。防空导弹武器系统的费用效能分析目前仍处于应用研究阶段,也在随着防空导弹武器系统在技术进步和系统复杂性方面的发展而不断发展。现有国内外的研究,对这一问题从不同的侧面提出了不少新观点和计算方法,但是还未见有针对性强的、可操作的整套模型。本文以防空导弹武器系统费用与效能为研究对象,以系统性能指标选取与任务分解为基础,分析了寿命周期费用（Life Cycle Cost,LCC）、系统效能和费效分析的概念和内涵,并建立了防空导弹武器系统费用效能分析模型。对费用效能分析的方法进行了梳理分析和研究对比。研究了每种方法的适用条件、优缺点,并指出了防空导弹武器系统寿命周期的不同阶段适合采用的不同方法,以及不同性能指标的适宜处理方法。这些方法的梳理和对比分析为复杂的防空导弹武器系统费用与效能的评估建模奠定了方法基础。建立了基于导弹采购单价的防空导弹武器系统全寿命周期费用LCC模型,分析了多种要素对防空导弹武器系统的影响,并进行了模型比较。在国内外武器装备费用研究现状的基础上,从武器系统工作分解结构、费用参数分析出发,建立了防空导弹武器系统LCC度量体系和参数模型。在该模型框架内,提出了以导弹采购单价的估算为基础构建防空导弹武器系统LCC模型的新思路。通过大量历史数据的多元回归分析,确定了模型中各指标参量对费用的影响程度,并采用类推法、工程法向研制费、使用保障费进行扩展。在费用估算中引入“制导精度”和“目标通道数”等新的技术参数,找到了解决新型武器系统费用评估的适用性的方案。并通过建立线性和非线性模型的比较分析,论证了模型在新型防空导弹武器系统LCC度量中的精度。建立了基于ADC法（Availability Dependability Capability,ADC）的防空导弹武器系统系统效能评估模型。针对防空导弹武器系统复杂的特点,构建了多状态及状态转移的路径,充分体现了武器系统的可靠性水平,建立了可用性和可信度模型;同时以系统能力为重点,对量纲类指标（拦截远界R、低界RL、目标通道数T、上架导弹数n、系统反应时间tr）采用效用函数法或尺度标度法进行计算,对定量概率指标(发现概率PG1、杀伤概率PG2)采用参数法进行建模,对定性概率指标(指控能力PG3、抗干扰能力PG4、生存能力PG5)采用标度法结合德尔菲法进行量化计算。克服已有模型的不足,统一能力指标的选取和处理,并对系统能力矩阵进行拓展,考虑了指控能力、抗干扰能力和生存能力等综合性指标。同时目标通道数反映武器的多目标能力,避免了对群目标的杀伤概率计算的对目标的依赖。考虑了对目标多发杀伤能力、抗饱和攻击能力、多次拦截能力。经过算例的验证模型准确、适用,突破了已有模型的局限,使系统效能的评估更趋完善。提出了一套防空导弹武器系统的费效分析方法,运用多种方法组合建立解析模型,来进行定量化计算。在LCC和系统效能建模的基础上,将效费比研究与LCC估算、系统效能评估结合起来,将LCC和系统效能归一化、无量纲处理,得到定费用、定效能或费效比最优的量化结果,使防空导弹武器系统费效分析问题更加明确具体,便于科学决策。并以“霍克改”、“爱国者”PAC-2和“格龙布”C-300ЛМУ-1为算例描述了具体的分析过程和方法,进行了费效的决策权衡,填补了目前研究的不足。本文建立的一套针对性强的、可操作的模型以及相关分析方法,对于指导防空导弹武器系统的研制和使用,提供了可量化决策工具;经过实际数据的对比、分析以及算例验证,可靠适用,可供进行武器系统费用效能评估和论证规划时参考;也对于其他装备评估分析有一定的推广价值。
二、“3+X”评定度长短（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、“3+X”评定度长短（论文提纲范文）
（1）三人篮球运动员竞技能力构成要素研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 选题依据 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究重难点 |
| 1.3.1 研究重点 |
| 1.3.2 研究难点 |
| 2 文献综述 |
| 2.1 国内研究现状分析 |
| 2.1.1 竞技能力概念及理论运用研究概况 |
| 2.1.2 竞技能力内部结构构成的研究概况 |
| 2.1.3 有关篮球项目竞技能力的研究概况 |
| 2.1.4 三人篮球运动项目的研究概况 |
| 2.2 国外研究现状分析 |
| 2.2.1 关于竞技能力的研究概况 |
| 2.2.2 有关篮球项目竞技能力的研究概况 |
| 2.2.3 三人篮球运动研究概况 |
| 2.3 文献述评 |
| 3 研究对象与方法 |
| 3.1 研究对象 |
| 3.2 研究方法 |
| 3.2.1 文献资料法 |
| 3.2.2 德尔菲法 |
| 3.2.3 变异系数法 |
| 3.2.4 问卷调查法 |
| 3.2.5 数理统计法 |
| 3.2.6 逻辑分析法 |
| 4 研究结果与分析 |
| 4.1 规则变化对三人篮球竞技特点的影响 |
| 4.1.1 时空规则变化对三人篮球竞技特点的影响 |
| 4.1.2 犯规罚则变化对三人篮球竞技特点的影响 |
| 4.1.3 其他规则变化对三人篮球竞技特点的影响 |
| 4.1.4 小结 |
| 4.2 三人篮球运动员竞技能力构成要素筛选 |
| 4.2.1 运动员竞技能力构成要素初步拟定 |
| 4.2.2 运动员竞技能力构成要素筛选过程 |
| 4.2.3 运动员竞技能力构成要素的合理性检验 |
| 4.2.4 运动员竞技能力构成要素的权重值计算结果 |
| 4.2.5 竞技能力构成要素重要性专家评分的相关性分析 |
| 4.3 三人篮球运动员竞技能力构成要素特点分析 |
| 4.3.1 运动员竞技能力一级构成要素特点分析 |
| 4.3.2 运动员竞技能力二级构成要素特点分析 |
| 4.3.3 运动员竞技能力三级构成要素特点分析 |
| 4.3.4 小结 |
| 4.4 三人篮球运动员竞技能力各构成要素关联性分析 |
| 4.4.1 专项技术与战术的关联性分析 |
| 4.4.2 专项体能与技术、战术的关联性分析 |
| 4.4.3 心理能力与专项体能、技术及战术的关联性分析 |
| 4.4.4 运动智能与专项技术、战术的关联性分析 |
| 4.4.5 小结 |
| 4.5 三人篮球运动员专项竞技能力训练理论与方法探析 |
| 4.5.1 三人篮球运动员专项体能训练探析 |
| 4.5.2 三人篮球运动员专项技术训练探析 |
| 4.5.3 三人篮球运动员专项战术训练探析 |
| 4.5.4 三人篮球运动员专项心理训练探析 |
| 4.5.5 三人篮球运动员专项运动智能训练探析 |
| 5 结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 致谢 |
| 在读期间取得的学术成果 |
（2）基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩略词表 |
| 第一章 文献综述 |
| 综述一 中医人工智能舌诊、脉诊方法和应用结果及其与抑郁症关系的文献综述 |
| 1. 人工智能舌诊方案的研究现状 |
| 2. 人工智能脉诊方案的研究现状 |
| 3. 既往脉象模型及其波形所代表的意义 |
| 4. 抑郁症患者的人工智能舌诊、脉诊或相关中医四诊的研究 |
| 5. 小结 |
| 综述二 人工智能情绪识别及情绪与抑郁症关系的文献综述 |
| 1. 情绪识别人工智能算法的研究背景 |
| 2. 基于心电和脉搏波变化的机器学习算法判断情绪 |
| 3. 抑郁症与人工智能情绪识别 |
| 4. 小结 |
| 综述三 基于患者病历系统中症状等因素的诊断模型与抑郁症关系的文献综述 |
| 1. 基于患者病历系统建立诊断预测模型的研究背景 |
| 2. 抑郁症患者的诊断预测模型 |
| 3. 小结 |
| 前言 |
| 第二章: 中医人工智能舌诊方案建立与验证 |
| 深度学习算法背景与算法选择 |
| 网络爬虫算法 |
| Yolo v3深度学习目标识别算法 |
| Tensorflow与Keras深度学习框架 |
| 1. 研究方法 |
| 1.1 深度学习算法舌诊方案的建立 |
| 1.1.1 网络爬虫获取相应数据 |
| 1.1.2 Yolo v3进行目标识别 |
| 1.1.3 颜色校正 |
| 1.1.4 基于Tensorflow的Keras学习框架进行深度学习 |
| 1.2 舌诊的方案的验证 |
| 2. 研究结果 |
| 2.1 爬虫数据结果 |
| 2.2 目标识别结果 |
| 2.3 颜色校正结果 |
| 2.4 深度学习识别算法实现与优化 |
| 2.5 方案的验证结果 |
| 3. 讨论与结论 |
| 3.1 结果讨论 |
| 3.2 结论 |
| 第三章: 中医人工智能脉诊方案建立与验证 |
| 光电容积脉搏波信号的原理 |
| 光电容积脉搏波的相关研究 |
| 1. 研究方法 |
| 1.1 试验一：以光电容积指尖脉搏波为基础的中医脉象识别研究 |
| 1.2 试验二：以光电容积桡动脉脉搏波为基础的中医脉象识别研究 |
| 2. 试验一 研究结果 |
| 2.1 基线数据结果 |
| 2.2 指尖脉搏波深度学习结果 |
| 3. 试验一 结果讨论 |
| 4. 试验二 研究结果 |
| 4.1 基线数据结果 |
| 4.2 深度学习算法结果 |
| 4.3 选取典型脉搏波的分析结果 |
| 5. 试验二 结果讨论 |
| 第四章: 基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证 |
| 心电、脉搏波变化与情绪识别的联系具备生理基础 |
| 抑郁症患者的中医辨证分型诊断量表、体质分类量表的选择及情绪种类的选择 |
| 情绪种类选择 |
| 假说的提出 |
| 1. 研究方法 |
| 1.1 既往研究资料再分析 |
| 1.2 Ascertain数据集的再挖掘分析 |
| 1.3 Dreamer数据集的再挖掘分析 |
| 1.4 基于人工智能情绪识别的抑郁症中医辨证与中医体质研究 |
| 2. 研究结果 |
| 2.1 基本信息与基线资料 |
| 2.2 中医体质与抑郁症中医证型分布分析 |
| 2.3 HAMD量表在对照组与试验组的评分与因子分析 |
| 2.4 HAMA量表在对照组与试验组的评分与因子分析 |
| 2.5 情绪测试激发结果在试验组和对照组之间的对比分析 |
| 2.6 情绪激发与证型、体质、量表评分的相关关系和线性回归分析 |
| 2.7 抑郁症组与对照组情绪测试不耐受情况统计 |
| 2.8 情绪识别的研究 |
| 2.9 利用心电信号区分对照组和试验组 |
| 2.10 利用脉搏波信号区分对照组和试验组 |
| 2.11 受试者的情绪识别 |
| 3. 讨论与结论 |
| 第五章: 基于病历系统患者症状特征的抑郁症患者中医辨证识别 |
| 1. 研究方法 |
| 1.1 研究对象 |
| 1.2 纳入标准 |
| 1.3 排除标准 |
| 1.4 统计学及大数据分析 |
| 2. 研究结果 |
| 2.1 患者基本信息 |
| 2.2 中医证型证素分类 |
| 2.3 证型证素分布与患者基本信息的危险因素分析 |
| 2.4 患者症状体征分布统计 |
| 2.5 患者症状、体征、证型证素的相关分析、聚类分析和关联规则分析 |
| 2.6 症状体征与不同中医证型、证素的PCA分析 |
| 2.7 logistic回归预测模型与机器学习算法及其结果 |
| 2.8 机器模型预测中医证型 |
| 3. 讨论与结论 |
| 整体讨论与总结 |
| 参考文献 |
| 创新点分析 |
| 不足与展望 |
| 致谢 |
| 在学期间主要研究成果 |
（3）空间飞行机器人运动控制技术及地面模拟实验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 空间机器人发展现状 |
| 1.3 空间飞行机器人模拟器的发展现状 |
| 1.4 空间飞行机器人控制技术文献综述 |
| 1.5 主要研究内容及章节安排 |
| 第2章 空间飞行机器人理论建模及分析 |
| 2.1 引言 |
| 2.2 空间飞行机器人系统数学建模 |
| 2.2.1 坐标系定义及转换 |
| 2.2.2 空间飞行机器人动力学建模 |
| 2.3 多空间飞行机器人喷嘴可重构算法 |
| 2.3.1 空间飞行机器人参数估计 |
| 2.3.2 喷嘴可重构算法 |
| 2.4 脉冲调制模块设计 |
| 2.5 本章小结 |
| 第3章 空间飞行机器人路径规划 |
| 3.1 引言 |
| 3.2 基于样条曲线的空间飞行器轨迹规划 |
| 3.3 基于动态窗口法的轨迹规划 |
| 3.3.1 动态窗口法 |
| 3.3.2 基于模糊规则的动态窗口法 |
| 3.3.2.1 双动态窗口 |
| 3.3.2.2 局部目标点 |
| 3.3.2.3 DF_DWA的评估函数 |
| 3.3.2.4 DF_DWA的模糊规则 |
| 3.4 基于模糊规则的动态窗口法仿真验证 |
| 3.4.1 静态障碍物避障 |
| 3.4.2 动态障碍物避障 |
| 3.5 本章小结 |
| 第4章 基于滑模控制的空间飞行机器人控制策略 |
| 4.1 引言 |
| 4.2 滑模变结构(SMC)控制器 |
| 4.2.1 滑模控制原理 |
| 4.2.2 空间飞行机器人滑模控制器设计 |
| 4.2.3 模糊控制规则选择 |
| 4.2.4 带有边界层的模糊滑模控制 |
| 4.3 滑模控制器仿真验证 |
| 4.3.1 跟踪轨迹 |
| 4.3.2 控制输入 |
| 4.3.3 滑动面 |
| 4.4 本章小结 |
| 第5章 地面模拟实验方法研究 |
| 5.1 引言 |
| 5.2 气浮式模拟器构造及工作原理 |
| 5.3 空气静压轴承承载能力计算与分析 |
| 5.4 机械结构建模及分析 |
| 5.5 气路系统搭建 |
| 5.5.1 影响喷嘴推力与气体流量的分析 |
| 5.5.2 喷嘴特性实验研究 |
| 5.5.3 系统运行时间的计算 |
| 5.6 地面模拟器PID控制器 |
| 5.6.1 模拟器动力学分析 |
| 5.6.2 PID控制器 |
| 5.7 本章小结 |
| 第6章 空间飞行机器人地面装置综合实验 |
| 6.1 引言 |
| 6.2 地面装置的总体系统介绍 |
| 6.3 定位算法 |
| 6.4 机器人地面装置实验 |
| 6.4.1 到达指定角度实验 |
| 6.4.2 到达指定点的运动实验 |
| 6.4.3 特定轨迹实验 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录Ⅰ |
| 附录Ⅱ |
| 附录Ⅲ |
| 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 |
（4）基于深度学习的冲击波信号压缩感知方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 冲击波压力信号测试领域研究现状 |
| 1.2.2 压缩感知理论与应用研究现状 |
| 1.2.3 基于深度学习的压缩感知技术研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 本文创新点 |
| 1.4 论文的章节安排 |
| 1.5 本章小结 |
| 第2章 相关理论基础 |
| 2.1 理想冲击波信号模型 |
| 2.2 压缩感知技术理论 |
| 2.2.1 压缩感知技术原理 |
| 2.2.2 压缩感知技术模型 |
| 2.3 深度学习中的生成对抗网络 |
| 2.3.1 生成对抗网络原理 |
| 2.3.2 生成对抗网络模型 |
| 2.4 深度学习中的长短时记忆网络 |
| 2.4.1 长短时记忆网络原理 |
| 2.4.2 长短时记忆网络模型 |
| 2.5 本章小结 |
| 第3章 基于深度卷积生成网络的压缩感知方法设计 |
| 3.1 深度卷积生成网络模型设计 |
| 3.2 DCGN-CS算法的具体实现 |
| 3.2.1 DCGN-CS算法整体框架设计 |
| 3.2.2 基于冲击波信号的DCGN-CS的具体实现 |
| 3.3 传统压缩感知算法 |
| 3.3.1 稀疏矩阵的选择 |
| 3.3.2 OMP重构算法 |
| 3.3.3 观测矩阵的选择 |
| 3.4 DCGN-CS算法性能分析 |
| 3.4.1 实验平台 |
| 3.4.2 建立DCGN-CS所需数据集及参数设置 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于长短时记忆网络的压缩感知方法设计 |
| 4.1 LSTM-CS算法原理及模型 |
| 4.1.1 LSTM-CS算法原理 |
| 4.1.2 LSTM-CS算法模型 |
| 4.2 算法流程设计 |
| 4.2.1 LSTM-CS算法整体流程 |
| 4.2.2 LSTM网络模型流程 |
| 4.3 训练数据的构建方法 |
| 4.4 CS技术中的重构算法 |
| 4.5 LSTM-CS算法性能分析 |
| 4.5.1 实验数据处理及参数设置 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（5）长沙常见鸣鸟类声音识别和愉悦度评价（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 鸟种识别 |
| 1.1.2 鸟鸣声景评价 |
| 1.2 目的与意义 |
| 1.3 研究进展 |
| 1.3.1 鸟鸣声音识别研究近况 |
| 1.3.2 声景评价研究进展 |
| 1.4 问题与研究思路 |
| 1.5 研究目标 |
| 1.6 研究内容 |
| 1.7 技术路线 |
| 2 材料与方法 |
| 2.1 训练数据来源 |
| 2.2 实测数据来源 |
| 2.3 鸣声信号采集 |
| 2.4 信号处理方法 |
| 2.4.1 信号前端处理 |
| 2.4.2 语谱图 |
| 2.5 分类器 |
| 2.5.1 基于Res Net50的网络模型设计 |
| 2.5.2 ResNet50网络模型结构 |
| 2.5.3 算法原理 |
| 2.6 声景愉悦度评价 |
| 2.6.1 愉悦度评价理论 |
| 2.6.2 声景漫步法 |
| 2.6.3 语义细分法 |
| 2.7 声景愉悦度评价指标的确定 |
| 2.7.1 声景漫步 |
| 2.7.2 声景评价指标 |
| 2.8 愉悦度评价的问卷调查 |
| 2.8.1 试验材料 |
| 2.8.2 试验内容 |
| 2.8.3 被试情况 |
| 2.8.4 被试者样本特征 |
| 3 结果与分析 |
| 3.1 鸣鸟识别实验结果与分析 |
| 3.1.1 语谱图的提取结果 |
| 3.1.2 训练结果分析 |
| 3.1.3 实录鸟鸣的测验 |
| 3.2 愉悦度实验结果与分析 |
| 3.2.1 综合评价平均值统计及分析 |
| 3.2.2 主成分分析法 |
| 4 讨论 |
| 4.1 鸣鸟识别 |
| 4.2 愉悦度 |
| 4.3 启示 |
| 4.4 研究局限 |
| 4.5 展望 |
| 4.6 创新点 |
| 5 结论 |
| 参考文献 |
| 附录A 鸟鸣声景愉悦度评价调查表 |
| 致谢 |
（6）基于深度学习的结构外观病害检测与监测数据挖掘（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 桥梁维护管理现状 |
| 1.1.1 桥梁维护管理现状及意义 |
| 1.1.2 桥梁检测评估 |
| 1.1.3 结构健康监测 |
| 1.2 结构维护管理与大数据技术融合发展的趋势 |
| 1.2.1 大数据背景技术 |
| 1.2.2 融合发展的需求 |
| 1.3 传统数据挖掘方法 |
| 1.3.1 数据挖掘主要解决的四类问题 |
| 1.3.2 数据挖掘经典算法 |
| 1.4 深度学习的发展 |
| 1.4.1 深度学习相关领域学科关系 |
| 1.4.2 深度学习5 种常见网络类型 |
| 1.5 深度学习在土木工程中的应用 |
| 1.5.1 一维数据 |
| 1.5.2 二维数据 |
| 1.5.3 多维数据 |
| 1.6 本文研究目标与研究内容 |
| 1.6.1 研究思路及内容 |
| 1.6.2 论文结构安排及创新点 |
| 第2章 基于深度学习和Zernike正交矩的裂缝分割及宽度测量 |
| 2.1 基于数字图像处理的裂缝检测 |
| 2.1.1 传统裂缝分割方法及其局限性 |
| 2.1.2 传统裂缝宽度测量方法及其局限性 |
| 2.2 基于多尺度深度学习的裂缝分割 |
| 2.2.1 整体思路 |
| 2.2.2 GoogLeNet网络结构 |
| 2.2.3 深度残差网络结构 |
| 2.2.4 基于深度学习的裂缝定位及初始分割 |
| 2.2.5 基于深度学习的裂缝精细化分割 |
| 2.3 基于Zernike正交矩的裂缝宽度测量 |
| 2.3.1 正交矩宽度测量原理 |
| 2.3.2 原理误差补偿 |
| 2.3.3 裂缝宽度测量数值计算步骤 |
| 2.4 实验验证 |
| 2.4.1 裂缝定性检测 |
| 2.4.2 裂缝自动勾画 |
| 2.4.3 裂缝宽度测量 |
| 2.5 本章小结 |
| 第3章 基于多尺度特征融合网络的像素级裂缝分割 |
| 3.1 多尺度特征融合网络 |
| 3.1.1 特征提取网络及特征可视化 |
| 3.1.2 像素级特征融合 |
| 3.1.3 连续全卷积层 |
| 3.1.4 损失函数 |
| 3.2 两种策略搭建特征融合网络 |
| 3.2.1 自下而上的融合策略 |
| 3.2.2 自上而下的融合策略 |
| 3.3 不同尺度特征影响分析 |
| 3.3.1 搭建数据库 |
| 3.3.2 特征影响直观分析 |
| 3.3.3 训练过程对比分析 |
| 3.4 其他网络参数影响分析 |
| 3.4.1 全卷积层参数影响分析 |
| 3.4.2 特征提取层参数影响分析 |
| 3.5 模型测试结果与讨论 |
| 3.5.1 不同区间测试样本分析 |
| 3.5.2 完整图像裂缝检测 |
| 3.6 本章小结 |
| 第4章 基于对抗深度学习增强的轻量级裂缝检测网络 |
| 4.1 轻量级网络优化方法 |
| 4.1.1 生成对抗网络的发展 |
| 4.1.2 基于生成对抗的距离 |
| 4.1.3 轻量化网络结构设计 |
| 4.1.4 对抗分支网络 |
| 4.2 网络训练与对比分析 |
| 4.2.1 考虑模糊的数据集增强 |
| 4.2.2 网络优化策略 |
| 4.2.3 提出方法和传统FCN对比分析 |
| 4.2.4 对抗策略对不同网络影响分析 |
| 4.3 实桥裂缝检测 |
| 4.4 本章小结 |
| 第5章 基于一维卷积网络的健康监测异常数据检测 |
| 5.1 健康监测常见异常数据 |
| 5.1.1 数据异常检测的意义 |
| 5.1.2 异常数据类型 |
| 5.2 传统数据异常检测方法及其局限性 |
| 5.2.1 基于单个传感器数据的异常检测 |
| 5.2.2 基于多元统计分析的异常检测 |
| 5.2.3 基于深度学习的异常检测 |
| 5.2.4 传统方法的局限性 |
| 5.3 基于一维卷积网络的数据异常检测方法 |
| 5.3.1 一维卷积网络框架 |
| 5.3.2 损失函数 |
| 5.3.3 Adam优化策略 |
| 5.4 江阴大桥吊杆监测数据异常检测 |
| 5.4.1 数据集准备 |
| 5.4.2 网络训练及参数设置 |
| 5.4.3 基于T-SNE降维的特征分析 |
| 5.4.4 长期监测数据异常识别结果 |
| 5.5 本章小结 |
| 第6章 基于卷积自编码网络的长期监测数据压缩 |
| 6.1 传统数据压缩技术 |
| 6.1.1 无损压缩 |
| 6.1.2 有损压缩 |
| 6.2 卷积自编码网络结构 |
| 6.2.1 研究框架 |
| 6.2.2 重建网络 |
| 6.2.3 损失函数 |
| 6.3 江阴大桥吊杆长期监测数据压缩 |
| 6.3.1 数据集准备 |
| 6.3.2 网络训练及参数设置 |
| 6.3.3 压缩率对重建精度影响分析 |
| 6.3.4 与传统数据压缩方法对比 |
| 6.3.5 长期监测数据压缩结果 |
| 6.4 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 本文主要成果与创新 |
| 7.2 后续工作展望 |
| 参考文献 |
| 个人简历、在读期间发表学术论文与研究成果 |
| 致谢 |
（7）基于深度卷积神经网络的树木生境叶片识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的叶片识别方法的研究现状 |
| 1.2.2 卷积神经网络在叶片识别的研究现状 |
| 1.2.3 叶片识别亟待改善的方面 |
| 1.3 本文的研究内容与技术路线 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的技术路线 |
| 1.3.3 本文的章节安排 |
| 2 卷积神经网络的基础知识 |
| 2.1 卷积神经网络的组成 |
| 2.1.1 基础网络层 |
| 2.1.2 激活函数 |
| 2.1.3 分类器 |
| 2.2 卷积神经网络的传播方式 |
| 2.2.1 前向传播 |
| 2.2.2 反向传播 |
| 2.3 目标识别的评价标准 |
| 2.3.1 准确率与召回率 |
| 2.3.2 平均准确度与均值平均准确度 |
| 2.4 本章小结 |
| 3 基于生成对抗网络的树木叶片数据集建立 |
| 3.1 引言 |
| 3.2 叶片样本的基本信息 |
| 3.2.1 被子植物与双子叶植物 |
| 3.2.2 叶片样本的特征特点 |
| 3.3 叶片样本的采集与预处理 |
| 3.3.1 叶片样本的采集 |
| 3.3.2 叶片样本的预处理 |
| 3.4 特征融合的深度卷积生成对抗网络 |
| 3.4.1 生成对抗网络 |
| 3.4.2 特征融合的生成对抗网络结构 |
| 3.4.3 生成对抗网络的评价标准 |
| 3.4.4 实验结果与分析 |
| 3.5 叶片样本的命名与标注 |
| 3.6 本章小结 |
| 4 基于多通道多种卷积核分解的单种叶片识别方法 |
| 4.1 引言 |
| 4.2 多通道多种卷积核的设计结构 |
| 4.2.1 多通道卷积的设计结构 |
| 4.2.2 多种卷积核的设计结构 |
| 4.3 改进的卷积核分解设计结构 |
| 4.3.1 卷积核的通道数分解 |
| 4.3.2 卷积核的尺寸分解 |
| 4.4 多通道多种卷积核分解的识别网络 |
| 4.4.1 区域建议网络 |
| 4.4.2 感兴趣区域池化层 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据与环境配置 |
| 4.5.2 实验详情与结果 |
| 4.6 本章小结 |
| 5 基于深度残差卷积连接的多种叶片识别方法 |
| 5.1 引言 |
| 5.2 残差连接 |
| 5.2.1 残差连接结构 |
| 5.2.2 批量标准化 |
| 5.3 增强的特征标准化算法 |
| 5.3.1 特征标准化 |
| 5.3.2 增强的特征标准化 |
| 5.4 残差卷积模块的设计结构 |
| 5.4.1 并行的等价支路残差模块 |
| 5.4.2 跨级的等价支路残差模块 |
| 5.4.3 改进的卷积支路残差模块 |
| 5.5 深度残差卷积连接的识别网络 |
| 5.6 实验结果与分析 |
| 5.6.1 实验数据与环境配置 |
| 5.6.2 实验详情与结果 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（8）基于深度学习的说话人识别技术应用（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 说话人识别研究现状 |
| 1.2.2 说话人分类研究现状 |
| 1.3 本论文的主要研究内容 |
| 1.4 本论文的组织结构 |
| 第二章 背景知识与相关理论 |
| 2.1 语音信号的特征提取 |
| 2.1.1 梅尔倒频系数 |
| 2.1.2 深度表征向量 |
| 2.2 说话人识别模型 |
| 2.2.1 GMM-UBM |
| 2.2.2 I-vector |
| 2.3 相似度计算方法 |
| 2.3.1 余弦相似度 |
| 2.3.2 欧式距离 |
| 2.3.3 概率线性判别 |
| 2.4 本章小结 |
| 第三章 基于ResNet-BLSTM的说话人识别 |
| 3.1 语音信号的前端处理 |
| 3.1.1 语音预处理 |
| 3.1.2 基于谱熵的端点检测 |
| 3.2 语谱图生成 |
| 3.3 说话人识别网络架构设计 |
| 3.3.1 残差网络模块设计 |
| 3.3.2 双向长短时记忆网络模块设计 |
| 3.4 基于T-Triplet的说话人模型训练 |
| 3.4.1 训练数据标签化 |
| 3.4.2 Triplet Loss计算 |
| 3.4.3 三元组构造策略 |
| 3.4.4 Center Loss计算 |
| 3.4.5 改进损失T-Triplet计算 |
| 3.5 实验与分析 |
| 3.5.1 实验介绍 |
| 3.5.2 数据集及设置 |
| 3.5.3 结果与分析 |
| 3.6 本章小结 |
| 第四章 基于DBN-GMM-UBM的说话人属性识别 |
| 4.1 说话人属性分类网络架构设计 |
| 4.1.1 深度置信网络 |
| 4.1.2 DNN总体网络结构设计 |
| 4.2 网络模型训练及瓶颈特征提取 |
| 4.2.1 特征提取模型训练 |
| 4.2.2 Bottleneck特征提取器 |
| 4.2.3 基于D-MFCC的属性分类器训练 |
| 4.3 实验与分析 |
| 4.3.1 实验介绍 |
| 4.3.2 数据集及设置 |
| 4.3.3 结果与分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的多功能说话人识别系统原型实现 |
| 5.1 系统目标 |
| 5.1.1 原型系统架构 |
| 5.1.2 系统模块关系 |
| 5.2 界面展示 |
| 5.2.1 系统功能页面展示 |
| 5.2.2 说话人注册展示 |
| 5.2.3 说话人识别展示 |
| 5.2.4 说话人属性分类展示 |
| 5.3 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的成果 |
（9）基于项目教学开展大班幼儿测量活动的行动研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究缘由 |
| 1.1.1 幼儿数学活动逐渐受到重视 |
| 1.1.2 教师教学方式与幼儿学习方式正在发生转变 |
| 1.1.3 测量活动对幼儿认识事物特性,发展数学思维具有重要意义 |
| 1.1.4 当前大班幼儿测量活动的开展存在较多问题 |
| 1.1.5 项目教学的特征与优势能够有助于解决当前测量活动存在的问题 |
| 1.2 研究目的 |
| 1.3 研究内容 |
| 1.4 国内外相关研究综述 |
| 1.4.1 关于幼儿测量的研究 |
| 1.4.2 关于项目教学的研究 |
| 1.4.3 项目教学运用于学前教育的研究 |
| 1.4.4 对已有研究的述评 |
| 1.5 概念界定 |
| 1.5.1 项目教学 |
| 1.5.2 大班幼儿 |
| 1.5.3 测量活动 |
| 1.5.4 行动研究 |
| 1.6 研究意义 |
| 1.6.1 理论意义 |
| 1.6.2 实践意义 |
| 2 研究设计 |
| 2.1 研究对象的选取 |
| 2.1.1 现状调查阶段幼儿园的选择及抽样 |
| 2.1.2 行动研究阶段研究对象的选择 |
| 2.2 研究方法 |
| 2.2.1 行动研究法 |
| 2.2.2 行动研究中的具体研究方法 |
| 2.3 研究资料的获取与处理 |
| 2.3.1 研究工具的信效度 |
| 2.3.2 研究资料的获取 |
| 2.3.3 研究资料的编码 |
| 2.4 研究思路 |
| 3 基于项目教学开展大班幼儿测量活动的实施过程 |
| 3.1 实施前的现状调查及分析 |
| 3.1.1 幼儿园大班测量活动开展的现状 |
| 3.1.2 幼儿园大班测量活动存在的问题 |
| 3.1.3 幼儿园大班测量活动存在问题的原因 |
| 3.2 实施前的准备 |
| 3.2.1 合作教师访谈分析 |
| 3.2.2 合作教师相关理论知识准备 |
| 3.2.3 合作班级幼儿现有的测量经验 |
| 3.3 行动研究实施 |
| 3.3.1 第一次行动实施——《裁缝店》 |
| 3.3.2 第二次行动实施——《奇妙的身体》 |
| 3.3.3 第三次行动实施——《多彩的线》 |
| 3.4 基于项目教学开展大班测量活动的结果分析 |
| 3.4.1 活动的开展对幼儿的影响 |
| 3.4.2 开展活动对合作教师的影响 |
| 3.4.3 研究者的成长与收获 |
| 4 研究结果 |
| 4.1 基于项目教学开展的测量活动的特征 |
| 4.1.1 活动进程具有动态生成性 |
| 4.1.2 操作材料的开放性与限定性并存 |
| 4.1.3 强调“测量”作为解决问题的方法和途径的价值 |
| 4.2 基于项目教学开展测量活动的设计原则 |
| 4.2.1 测量活动目标需要从“繁杂”变“分层” |
| 4.2.2 测量活动内容需要从“单一”走向“多样” |
| 4.2.3 测量活动形式需要由“静态”转向“动态” |
| 4.3 基于项目教学开展测量活动的主题的选择依据与原则 |
| 4.3.1 项目活动主题选择的依据 |
| 4.3.2 项目活动主题选择的原则 |
| 4.4 基于项目教学开展测量活动的策略 |
| 4.4.1 以问题为核心,开展基于真实情景的测量活动 |
| 4.4.2 以行为为导向,开展支持幼儿持续探索的测量活动 |
| 4.4.3 以小组为途径,开展满足不同测量水平幼儿的测量活动 |
| 5 讨论与建议 |
| 5.1 讨论 |
| 5.1.1 基于项目教学开展测量活动存在的问题的再思考 |
| 5.1.2 项目教学与其他教学模式的整合运用 |
| 5.1.3 理想中的测量活动的实施策略 |
| 5.2 建议 |
| 5.2.1 项目教学需要将理论学习与反思性实践相结合 |
| 5.2.2 在掌握PCK理论的基础上,注重测量活动的特殊性 |
| 5.2.3 应有效利用多方资源,丰富幼儿测量经验来源 |
| 5.2.4 要正确把握教育契机,推进测量活动的深入开展 |
| 5.2.5 可以合理利用时间和空间,支持幼儿测量经验的连续性 |
| 6 研究反思及展望 |
| 6.1 研究的不足 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（10）防空导弹武器系统费效分析建模及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 防空导弹的形成和发展概况 |
| 1.1.2 论文研究的目的和意义 |
| 1.2 国内外相关领域的研究发展概况 |
| 1.2.1 系统费用的研究综述 |
| 1.2.2 系统效能的研究综述 |
| 1.2.3 费效分析的研究综述 |
| 1.2.4 目前本领域研究应用的不足 |
| 1.3 论文主要研究内容及方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要研究方法 |
| 第2章 系统费用效能研究方法分析 |
| 2.1 系统费用估算方法的分析对比 |
| 2.1.1 费用估算方法与对比 |
| 2.1.2 费用估算建模方法与对比 |
| 2.1.3 费用估算的工程辅助工具 |
| 2.2 系统效能评估方法的分析对比 |
| 2.2.1 效能评估方法的分类 |
| 2.2.2 评估中采用的数学方法 |
| 2.2.3 效能指标的计算方法 |
| 2.2.4 多指标参数聚合方法 |
| 2.3 费效分析和权衡的方法 |
| 2.3.1 模糊推理柔性决策 |
| 2.3.2 关联矩阵法 |
| 2.3.3 基于理想点的多目标决策评价法 |
| 2.3.4 费效比评价准则 |
| 2.4 本章小结 |
| 第3章 防空导弹武器系统费用估算模型 |
| 3.1 费用估算建模的步骤 |
| 3.1.1 费用估算模型的建立步骤 |
| 3.1.2 费用估算方法的选择 |
| 3.2 样本数据的采集与费用变量的选择 |
| 3.2.1 样本数据的采集与整理 |
| 3.2.2 费用变量的分析与选择 |
| 3.3 导弹采购单价线性模型的建立 |
| 3.3.1 大中型导弹采购单价模型 |
| 3.3.2 小型导弹采购单价模型 |
| 3.3.3 导弹采购单价多元线性回归模型 |
| 3.4 导弹采购单价非线性模型的建立 |
| 3.4.1 建立二次函数费用模型 |
| 3.4.2 任意次幂函数费用模型 |
| 3.5 武器系统LCC模型的建立 |
| 3.5.1 地面设备采购价格模型 |
| 3.5.2 武器系统采购费用模型 |
| 3.5.3 武器系统研制费用模型 |
| 3.5.4 使用维护费的估算模型 |
| 3.5.5 武器系统LCC费用模型 |
| 3.5.6 模型参数敏感性分析 |
| 3.6 本章小结 |
| 第4章 防空导弹武器系统效能评估模型 |
| 4.1 系统效能建模的步骤 |
| 4.2 系统性能指标的分析与选择 |
| 4.2.1 系统层次结构性能指标分析 |
| 4.2.2 系统性能指标的选择 |
| 4.3 系统的可用性模型的建立 |
| 4.3.1 串联系统的可用性向量 |
| 4.3.2 并联系统的可用性向量 |
| 4.3.3 复杂系统可用性向量 |
| 4.3.4 可用性向量的状态约束 |
| 4.4 系统的可信度模型的建立 |
| 4.4.1 系统的状态及状态转移 |
| 4.4.2 系统可信度的量度 |
| 4.4.3 不同系统结构的可靠度的计算 |
| 4.4.4 系统可信度矩阵模型的建立 |
| 4.4.5 可信度矩阵模型的验证 |
| 4.5 系统的能力模型的建立 |
| 4.5.1 量纲类指标计算 |
| 4.5.2 定量概率类指标计算 |
| 4.5.3 定性概率类指标计算 |
| 4.5.4 系统的能力模型 |
| 4.6 算例 |
| 4.6.1 可用性向量的计算 |
| 4.6.2 可信度矩阵的计算 |
| 4.6.3 能力向量的计算 |
| 4.6.4 系统效能的计算 |
| 4.7 本章小结 |
| 第5章 防空导弹武器系统费效分析方法 |
| 5.1 武器系统费用和效能的关系 |
| 5.2 费效分析各阶段的目的和任务 |
| 5.2.1 费效分析的目的 |
| 5.2.2 费效分析的任务 |
| 5.3 费效分析的步骤与方法选择 |
| 5.4 防空导弹武器系统费效分析与计算 |
| 5.4.1 寿命周期费用的分析计算 |
| 5.4.2 系统效能的分析计算 |
| 5.4.3 费效分析与权衡 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 费用多元线性和非线性回归Matlab程序 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
| 个人简历 |
四、“3+X”评定度长短（论文参考文献）
- [1]三人篮球运动员竞技能力构成要素研究[D]. 李超. 曲阜师范大学, 2021(02)
- [2]基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立[D]. 林景峰. 北京中医药大学, 2021(02)
- [3]空间飞行机器人运动控制技术及地面模拟实验研究[D]. 徐策. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [4]基于深度学习的冲击波信号压缩感知方法[D]. 豆佳敏. 长春理工大学, 2021(02)
- [5]长沙常见鸣鸟类声音识别和愉悦度评价[D]. 乔齐. 中南林业科技大学, 2021(01)
- [6]基于深度学习的结构外观病害检测与监测数据挖掘[D]. 倪富陶. 东南大学, 2021
- [7]基于深度卷积神经网络的树木生境叶片识别方法研究[D]. 朱晓龙. 东北林业大学, 2020(09)
- [8]基于深度学习的说话人识别技术应用[D]. 宋文豪. 电子科技大学, 2020(08)
- [9]基于项目教学开展大班幼儿测量活动的行动研究[D]. 陈欣. 四川师范大学, 2020(08)
- [10]防空导弹武器系统费效分析建模及方法研究[D]. 赵曰强. 哈尔滨工业大学, 2019(01)