一、Multi-layer perception approach to identification of compound information（论文文献综述）
王昱人[1]（2021）在《CPS环境下异类信息融合技术应用研究》文中进行了进一步梳理信息物理融合系统（Cyber-physical system,CPS）是计算单元和物理对象在网络环境中高度集成交互而成的智能系统。安全性与安全监控问题是它正常运行的关键。随着技术发展,以震网攻击为代表的长期潜伏、擅长伪装、多种攻击混合进行的攻击事件使得在单一维度下进行安全监控的难度越来越大。需要通过多源信息融合,从时间和空间的不同的维度来扩展素材,从而更好的识别攻击事件。物理信息融合系统的现场环境由现场人员、物理设备以及信息系统组成。CPS具有异构异质、时空约束、领域相关等独特的特点,使得利用信息融合方法进行安全监控变得困难。尚未存在一套模型可以融合分析现场人员、物理设备以及信息系统所关联的所有安全信息。因此本文希望能构建这样一套能充分利用CPS环境下的各类安全相关信息的模型,从而可以更全面有效的监控系统的安全风险。由于系统出现的异常或安全问题不能一概而论,需要分层次、分类别地进行分析。所以本文首先对CPS环境下的多源异类安全监控设备或软件进行了分类和建模。并且将入侵检测消息交换格式（IDMEF）的应用场景进行扩展,从而统一了异类告警信息的格式。再提出了异常事件多级抽象模型（Multi-level abstract model of abnormal events,MLAMOAE）。该模型对异常事件进行了多级抽象划分,用于指导异类告警信息的融合分析,用于将安全监控问题划分为两类问题:“是否存在异常”与“存在什么样的异常”,从而可以更加清晰的认识并解决问题。基于这套模型,设计了一套异常风险评估流程,用于将“是否存在异常”与“存在什么样的异常”问题映射到D-S理论的识别框架,形成两种不同的评估方法和输出格式。并且规定了这两种评估方法之间如何进行转换。为了在CPS环境下实现该异常风险评估流程,提出了异类信息多级融合模型（Multi-level fusion model of heterogeneous information,MLFM）并通过仿真实验对模型的效果进行了验证。该模型通过多源异类信息融合的方法,综合分析来自不同时间、空间维度的信息,实现对系统安全风险的多维度、多层次地评估与检测。采用决策级融合的D-S证据理论实现对异类信息的融合判决,保障了模型的泛用性与可扩展性,可以方便的将新的信息来源加入或剔除融合模型。
李垣涛[2]（2021）在《基于深度学习的超声降采样RF数据成像方法及应用研究》文中指出医学超声成像技术是临床常用的一种辅助医疗诊断的手段,传统的B型超声成像设备体积庞大、价格不菲,随着超大规模集成电路的不断发展进步,使得将传统的B型超声成像设备便携化成为可能。在便携式超声成像系统中,常使用数量更少、尺寸更小的阵元来平衡功耗;另一方面,为实现较高的成像帧率,也会相应地减少发射事件的数量。在这些情形下,使用标准的波束形成方法会导致图像质量恶化。因此,尝试用深度学习方法对传感器获取到的有限射频数据重建出高质量的超声图像有其重要的现实意义。首先,本文的研究工作通过对射频数据以不同的倍率进行降采样,模拟了便携式设备减少发射事件次数的场景,在聚焦线扫描成像、远聚焦像素成像和平面波成像这三种成像方式下,都做了相关的仿真和人体实验,用以探究数据降采样对成像结果的影响。在此基础上,本文提出了一种基于先验知识的深度学习算法来取代传统的波束形成器,可使用有限的射频数据获得高质量的超声图像。该算法在经充分训练后,可直接处理任意降采样率的射频数据,并且,对实验中涉及到的三种成像方式对应的射频数据都有很好的成像效果,对各种场景具有良好的适应性和泛化能力。其次,文中主要采用了深度学习领域内泛用性很好的两种网络架构:卷积神经网络和U-Net。在研究中发现,深度神经网络的表达能力主要随网络深度的增加而得到提升,因此在网络设计中,仅使用了深度学习领域内的常见模块。设计的网络通过卷积层提取射频数据中的主要特征,使用池化层压缩信息,由Re LU激活函数层提供高效的非线性表达能力,借助跳跃连接层避免因加深网络而导致的梯度消失问题。最终,提出的方法在三种成像方式下的降采样射频数据成像任务中,都有突出的表现。在聚焦线扫描成像任务中,成功解决了降采样成像结果细节模糊,感兴趣区域因降采样而发生偏移的问题;在远聚焦像素成像任务中,增强了图像的对比度;在平面波成像任务中,有效地抑制了旁瓣,消除了伪影。对比两种网络的重建结果,U-Net比卷积神经网络有更好的稳定性和场景适应性。综上,本文为降采样射频数据场景提供了一种深度学习成像方案,可有效提升重建出的图像质量,为便携式设备所面临的内存受限和算力不足问题,提供了一种可行的解决思路。
李政彤[3]（2021）在《基于视觉的机器人自动制孔在线检测技术研究》文中进行了进一步梳理随着机械制造业智能化的不断提升,航空工业发展迅猛,对现代航空制造业的加工质量与加工效率提出更高要求,而飞机作为航空工业最具代表性的产品,实现飞机零部件加工中的自动化制孔、装配及检测,是提高飞机制造效率与质量的有效途径。应用在航空工业中传统的人工检测方法,速度慢,效率低,易造成漏检、错检等情况。为提高加工装配的效率,构建实时、高效的在线检测系统用于提升机器人自动制孔技术显得尤为重要。本文基于机器视觉方法对机器人自动制孔在线检测系统进行研究,主要研究内容如下:首先,设计机器人自动制孔在线检测系统总体方案,采用Eye-in-Hand手眼标定系统构型,建立机器人系统坐标系,对机器人坐标系、工件坐标系及相机坐标系进行坐标变换确定相机内外参。通过模板匹配的方法识别制孔位置,再利用Hough圆检测算法对孔边缘拟合,根据手眼标定结果实现孔的尺寸检测。其次,研究碳纤维增强复合材料（Carbon Fibre Reinforced Plastics,CFRP）孔出入口缺陷,利用加权平均值灰度化法、自适应混合滤波降噪方法、对数变换图像增强法对CFRP孔出入口缺陷图像进行预处理。通过OTSU自适应阈值选取算法确定图像的ROI区域,并利用开闭合运算对分割出的缺陷区域二值图像进行孔洞填充以及边缘完整化。基于Canny算子获取孔表面缺陷像素级边缘,对边缘进行精准定位,获取完整的缺陷轮廓信息。再次,为实现孔出入口缺陷分类,设计了基于多层感知器（Multi Layer Perceptron,MLP）的缺陷分类器。对MLP分类器识别准确率和检测时间进行测试,并通过实验验证其分类的准确性,将MLP分类器应用在机器人自动制孔在线检测系统中。最后,对机器人自动制孔在线检测系统硬件进行选择并将其集成到多功能末端执行器上,利用Visual Studio 2015开发工具中MFC应用程序模块,结合Open CV图像处理库、Halcon图像处理库混合编程开发在线检测模块和离线检测图像处理模块,完成机器人自动制孔在线检测系统软硬件的开发。
樊彦艳[4]（2020）在《基于石墨烯和Mxene的柔性传感器关键技术和应用研究》文中进行了进一步梳理近年来,柔性传感器在健康医疗监测、人体运动监测、人工智能等领域展现出广阔的应用前景。随着石墨烯的研究重点已经从材料制备转移到应用研究,基于石墨烯的传感器逐渐用于制备各种新型人体健康监测传感器。然而,这些石墨烯基传感器不仅在灵敏度、监测范围等关键指标上存在挑战,还缺少它们在人体生理信息监测上的全面应用研究。Mxene,作为一种类石墨烯的新型二维材料,同样具有优异的物理化学性能,但将Mxene材料应用于柔性传感领域的研究甚少,实现Mxene材料在柔性可穿戴器件中的应用研究,不仅具有重要意义,而且充满挑战。本论文根据不同柔性器件对活性材料的需求,基于二维材料石墨烯和Mxene在电学性能和力学性能上的优势,设计制备了一系列不同结构及功能的柔性传感器件,并对器件的性能进行了较为系统深入地研究,展示了它们在柔性传感领域中的应用,为促进并拓展柔性传感器件的发展与应用提供了基础。论文主要研究内容包括以下几个方面:（1）以制备高灵敏柔性压力传感器为目标,将二维结构石墨烯和三维结构的织物有机结合,构建了一种基于石墨烯的织物压力传感器。研究发现,该传感器具有灵敏度高、量程大的特点,可以实现步态识别、指部按压等人体运动信息检测。（2）以石墨烯墨水作为应力传感材料,并与柔性衬底Ecoflex结合制备应力传感器,研究了应力传感器高灵敏度和宽检测范围相互矛盾的问题。通过“碎片-电阻”模型合理设计优化了其应力传感响应,实现了高拉伸性以及高拉伸下的高灵敏度。研究了应力传感性能及工作机制,实现了对人体微弱物理信号及对肢体运动等大应变物理信号的监测。（3）提出并设计了一种柔性石墨烯眼压监测传感器,基于惠斯通电桥工作原理,通过建立模型、计算模拟和具体实验手段验证了该柔性传感器对眼压的静态及动态监测能力。初步实验结果证明该传感器性能稳定,具有重复性好、线性度好和灵敏度高的特点,可以实现长时间、连续性监测眼压,扩大了基于石墨烯的柔性传感技术在医疗健康监测领域的应用。（4）研究了基于多孔结构和化学修饰制备得到石墨烯基NO2气体传感器,制备得到的传感器具有低功耗、低检测限的特点,在室温下可以对低浓度的NO2气体快速做出响应,可应用于日常生活中对有毒气体的监测,特别是对于肺部有疾病患者,有重要的意义。（5）以通过制备合成Ti3C2Tx薄膜,研究其在力学传感器中的应用。聚醚砜抽滤膜为基底,真空抽滤得到了柔韧性好的自支撑Ti3C2Tx薄膜,并且制备出了可同时对压缩应力、拉伸应力和弯曲应力等多种微信号检测的力学传感器。研究表明,该传感器能够快速、灵敏地监测人的多种生理状态（如脉搏、手势识别、微笑、发声等）,在人机交互、智能机器人及移动医疗等领域具有应用前景。（6）设计并制备了以多孔结构的丁苯橡胶海绵为宏观三维模板,通过浸涂的方法将二维层状Ti3C2Tx纳米片均匀地包覆到海绵的骨架表面,形成具有双重网络结构的Ti3C2Tx三维宏观组装体,制备了可对压力和应力同时响应的多功能力学传感器,研究发现该传感器可以实现对人体压力和应力生理信号监测的全覆盖。
陈金阳[5]（2020）在《基于情绪识别的机器人辅助康复人机交互控制方法研究》文中认为由于我国人口老龄化的现状,脑卒中的发病率逐年攀升,因此脑卒中人群的康复治疗显得尤为重要。临床医学研究证明,积极的情绪状态有助于中风患者康复治疗。目前现有的康复机器人主要通过力反馈实现交互控制,其单调的重复性训练动作未能实现预期的临床康复效果。在康复机器人接下来的发展中,如何调动患者的积极性,从患者心理层面出发,保证患者在康复训练过程中时的积极情绪是使康复机器人更快进入临床应用的一条捷径。由于以上原因,本文开展了基于情绪识别的机器人辅助康复人机交互控制方法研究,具体工作内容如下:首先,对脑卒中疾病相关的背景知识进行了简单地介绍,针对传统康复训练方式的不足,提出了基于情绪识别的机器人辅助康复训练系统,同时探讨了国内外机器人辅助康复训练的研究现状及发展趋势。其次,结合游戏设计了针对脑卒中患者的虚拟康复训练实验,利用Unity3D技术设计虚拟康复训练实验场景,构建虚拟康复训练仿真平台,采取正常人和患者不同被试的生理信号（呼吸、脉搏、肌电、心电、皮电）,记录实验时的表现数据,并在实验后对被试进行问卷调查。对采集到的生理信号进行特征提取。再次,对提取出的特征进行特征分析,利用统计学分析来对情绪诱发的有效性进行评估,验证不同训练任务生理信号和表现数据之间的差异性以及生理信号和表现数据与自我报告问卷之间的相关性。最后,设计基于情绪识别的智能康复训练系统,介绍情绪调节机制,通过多层感知器、支持向量机、K-近邻、线性判别式4种常见的机器学习算法训练情绪分类器,支持向量机算法取得了最高的识别准确率为86.5%。利用支持向量机算法对健康人群,患者健侧和患者患侧所获得的数据进行交叉验证。将基于情绪识别的人机交互康复效果与基于表现数据的人机交互康复效果进行对比,发现基于情绪识别的机器人辅助康复训练系统的任务选择更具有挑战性,且该系统的任务难度选择与患者主观意愿吻合度高达85%,能够保证患者在康复训练时,能以积极情绪完成适合自身状况的康复训练任务,有助于提高康复效率。
袁儒鹏[6]（2020）在《室内移动机器人位姿估计与避障方法研究》文中研究说明室内移动机器人具有广泛的运用,在提升生产效率的同时还能降低人力成本。通过多种输入的传感器信息,机器人可以在具有先验信息或不具有先验信息的环境中实现自主导航。激光雷达与摄像头是自主导航两种常用的传感器。激光雷达能够进行准确的测量,而摄像头能感知环境中丰富的信息。机器人可以利用这些信息实现实时的位姿估计与避障。位姿估计解决了机器人“在哪里”的问题,实时避障解决了机器人沿着无碰撞路径到达目标的问题。为了使位姿估计方法在满足计算复杂度的基础上,反馈实时准确的位姿信息,以及在具有先验信息与无先验信息的环境中实现动态避障,本论文提出以下主要研究内容:针对室内移动机器人位姿估计快速性、准确性要求,本研究提出了基于渐进式扫描匹配的位姿估计算法,该算法可在参考地图中进行实时的位姿估计。算法分别生成旋转样本和渐进式平移样本以降低计算复杂度并保证精度。非线性优化算法的引入可以进一步优化位姿估计结果,从而获得更精确的信息。基于渐进式扫描匹配的位姿估计结果加入传感器信息可以更新栅格的灰度值并构建栅格地图。针对重要特征被遮挡引起渐进式扫描匹配的位姿估计结果发生误差的问题,本研究提出视觉里程计辅助位姿估计算法。算法对输入图像做预处理以提高运算效率和可靠性,然后通过匹配特征点估计机器人的位姿。接着使用数理统计方法分析基于渐进式扫描匹配的样本评分分布。如果位姿估计的结果有误差,需根据主成分分析确定位姿估计的最大误差方向,并使用视觉里程计的结果在该方向上进行误差补偿,提高位姿估计结果的准确度。针对环境模型已知情况下的避障问题,本研究提出基于多信息膨胀地图的避障方法,使用多信息膨胀地图对先验环境信息进行建模。多信息膨胀地图的静态层需要预处理,其他语义层在每次接收到传感器信息后进行更新。不同的障碍物信息在相应的语义层中标记与更新,并加入到静态层。在多信息膨胀地图处理完当前传感器信息并保存在地图中后,避障算法判断避障状态,并采取相应的避障策略。针对环境模型未知情况下的避障问题,本研究提出基于仿人推理的Qlearning避障方法使机器人能够在无先验环境模型的条件下有效实施避障。算法根据仿人感知的方式定义机器人的状态与评价函数,使机器人依次避开前方的动态障碍物抵达目标。同时在行为定义中引入动态窗口,使移动机器人的运动控制指令能够始终在运动学允许的情况下给出。该方法无需对环境建模的同时兼顾了机器人的运动学性能,能够满足在不具有先验信息环境中的避障要求。在实验研究中,首先对移动机器人的搭建与传感器标定做了简要介绍。基于渐进式扫描匹配的位姿估计实验验证了位姿估计的准确性与实时性。视觉里程计辅助位姿估计实验验证了在具有遮挡环境中算法对基于渐进式扫描匹配位姿估计误差的补偿。基于多信息膨胀地图的避障实验验证了多信息膨胀地图的性能以及避障算法的有效性。基于仿人推理的Q-learning避障实验验证了机器人能够在动态环境中在其运动学限制下进行避障。可移植性实验验证了所提出的位姿估计与避障方法在其他构型机器人平台的移植,展示了方法的通用性。
刘辉[7]（2020）在《基于机器学习的煤矿冲击危险性综合预测方法研究》文中研究表明由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。
张蕊[8]（2020）在《氧化物半导体结型微纳结构的构筑及其气敏特性的研究》文中研究表明近几十年来,我国的经济迅猛发展。同时,伴随着人民生活水平的提高,越来越多的人开始关注周围环境的空气质量情况。气体传感器是一种可以对气体进行识别和监测的传感装置,其在医疗诊断、工业安全、农业生产和空气质量监测等领域广为应用。敏感材料是气体传感器发展的核心所在。因此,为了推动气体传感器产业的发展,应大力研发高性能传感材料。以金属氧化物半导体（MOSs）为气敏材料时,其微观结构和组成对敏感性能有重要的影响。从材料结构上看,一方面,核壳（分等级）结构通常具有较高的比表面积,可以为气体分子提供充足的表面吸附位点;另一方面,核壳结构具有兼容性,可以充分发挥内核和外壳的独特属性。从材料组份上看,结型材料的设计可以为复合材料带来特殊的电子效应、化学效应和几何效应,进而增强敏感性能。本文从几种常见的MOSs入手,在构筑核壳（分等级）结构基础上对其组份进行改性形成结型敏感材料。详细讨论了敏感材料的结构和组份与器件敏感性能之间的关系。为开发新型敏感材料提供了一些新的思路。本文具体工作列举如下:1.以提高敏感材料对气体分子的识别功能、转换功能和敏感体利用效率为目标,设计并合成了基于四种不同MOSs的核壳结构,分别为SnO2核壳、Co3O4核壳、NiO核壳和Cu2O核壳结构。然后分析讨论了材料的微观结构与其敏感性能之间的联系。将材料构筑成核壳结构有效解决了纳米粒子由于表面的范德华力发生团聚的问题,为气体分子扩散、吸附和电子的转移提供充足的反应空间,最终实现对敏感材料的增感,主要体现在灵敏度被大幅度提升。2.以核壳（分等级）结构为基础,通过分别与Ti O2和C复合制备SnO2结型敏感材料。SnO2-TiO2多层结构中粒子之间形成n-n异质结。SnO2/C核壳结构中粒子之间形成n-p异质结。在深入研究核壳结构对材料增敏机制过程中,同时考虑异质界面效应。在微观界面形成异质结有效解决了单一SnO2材料选择性差的问题。3.对p型Co3O4进行组份改性,通过复合In2O3和MWCNTs分别形成p-n和p-p异质结构。实验中,讨论了复合材料中不同的组份比例以及MOSs粒子表面缺陷态对敏感性能的影响作用。进一步揭示了气体传感器的敏感性能与形貌和组份的依赖关系。通过将材料进行结型构筑显着增加了Co3O4材料的灵敏度,同时降低了功耗。4.以p型NiO材料为基体,首先引入ZnO制得包含p-n异质结的多层核壳结构。详细讨论了ZnO的引入对敏感材料形貌和气体传感性能的带来的变化和原因。另外,仍以NiO材料作为主体敏感材料,进一步合成一种包含两种异质结（n-n和n-p）的新型复合敏感材料,丰富了结型材料的研究体系,为深入研究不同异质结共存条件下的界面效应提供了基础。结型结构的形成改善了材料的敏感性能,体现为灵敏度增加,同时工作温度下降。本论文详细阐述了从材料设计、样品制备、敏感性能测试到机理分析整个过程。一定程度上明晰了敏感材料微观结构和相组份与敏感性能之间的关系,丰富气敏材料体系和气体传感机制的同时,为气体传感器的研究和应用提供了更多新的思路。
吕超贤[9]（2020）在《基于数据驱动的工控设备故障检测技术研究》文中进行了进一步梳理随着工控系统的复杂性和维护成本的不断增加以及信息技术的飞速发展,工控设备对性能下降、生产率降低以及安全隐患的容忍度越来越低,及时发现工控设备的故障对于工控系统安全、降低维护成本有着重大的意义。随着工业互联网的发展,接入到网络中的工控设备越来越多,工控设备运行状态的数据采集工作也更为容易,这为基于数据驱动的故障诊断提供了研究基础。论文从安全性、可靠性、准确性、扩展性等角度出发,对工控设备的故障检测方法进行研究。论文首先对现有的故障诊断理论进行了介绍和总结,分析了故障数据预处理方法的优缺点。针对当前工业互联网环境下,许多工控设备暴露在互联网中、易被攻击、设备运行状态数据易被篡改、故障数据来源不可靠等问题,论文提出一种基于不可见字符的故障数据水印设计方案,该方案能够在不影响故障数据外观的情况下保障设备状态数据安全性、可信性以及防篡改性。针对目前工控设备故障诊断算法不成体系、诊断架构不利于扩展、诊断算法难以支撑海量数据等问题,论文提出一套基于Dev Ops理念和深度卷积神经网络的故障诊断体系,该体系具有较高的可扩展性,能够根据原始故障数据进行高准确率的故障诊断。针对工控环境不稳定,工控设备的工作参数易变化的问题,为了实现智能预测,论文提出一种基于集成学习的工控设备故障诊断方法,该方法具有较强的自适应性,能够很好地应对工控环境的变化问题,做到故障类型智能检测。
朱南楠[10]（2020）在《无人驾驶汽车周边车辆行为识别及预测方法研究》文中提出无人驾驶汽车周边车辆行为识别及预测方法是实现无人驾驶技术的重要模块,该模块承接感知模块获得的周边车辆行驶信息,通过算法识别周边车辆的当前行为、预测其未来行为和轨迹,将识别及预测结果输入到决策规划模块中,作为该模块的参考信息。所以无人驾驶汽车周边车辆行为识别及预测模块能够保证其在真实交通场景下安全、高效地驾驶。本课题针对无人驾驶汽车在结构化道路上对周边车辆当前时刻的行为识别、对未来行为和未来轨迹的预测问题展开研究。一、比较了在车辆行为识别及预测领域两大自然驾驶车辆轨迹数据集,分析两个数据集的优缺点,为本文研究内容提供数据支持;描述了车辆行为的分类方式,将车辆横向行为作为本文研究重点并确定了观测序列对应行为标签的制作方法;引入轨迹片段坐标系,将原始数据集中的坐标系和无人驾驶汽车全局坐标系统一到同一坐标系下,同时指出邻居车辆对周边目标车辆行为的影响,在原始数据集中抽取相应的行为样本后建立了本文所需的车辆行为识别数据集、车辆行为及轨迹预测数据集。二、针对目前无人驾驶汽车周边车辆行为识别研究中,多数研究忽略了邻居车辆对周边目标车辆影响的问题,提出了一种将隐马尔可夫模型（Hidden Markov Model,HMM）和多层感知器（Multi-Layer Perceptron,MLP）结合的复合模型,利用HMM对目标车辆的横向位移,横纵向速度等连续观测变量的时序建模能力对车辆行为进行初步的识别,将各HMM行为识别模型输出的似然概率与目标车辆的邻居信息相结合,输入到MLP模型中完成对周边目标车辆最终的行为识别。通过模型在测试集上的表现验证了其有效性。三、提出了基于注意力机制的周边车辆行为及轨迹预测方法,在长短时记忆网络编码器-解码器架构的基础上加入注意力机制,使得在每个预测时步,算法能够根据各个历史时步信息对当前预测时步的影响大小而为其分配不同的权重;提出车辆和轨迹预测多任务训练方法使得模型能够同时对周边车辆未来行为和未来轨迹进行预测,该算法更加关注对周边车辆未来轨迹预测这一微观行为预测任务的效果,通过算法在测试集上的表现验证了其有效性。四、利用“艾瑞泽5E”实车实验平台,通过算法在真实场景下的表现,验证本文无人驾驶汽车周边车辆行为识别及预测方法的有效性和可靠性。
二、Multi-layer perception approach to identification of compound information（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、Multi-layer perception approach to identification of compound information（论文提纲范文）
（1）CPS环境下异类信息融合技术应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 CPS模型与面临的安全风险 |
| 1.2.2 多源异类信息融合 |
| 1.3 本文的研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术理论 |
| 2.1 CPS环境下安全监测技术简述 |
| 2.1.1 物理信息异常监测技术 |
| 2.1.2 入侵检测技术 |
| 2.1.3 人脸识别技术 |
| 2.2 多源异类信息融合算法 |
| 2.2.1 信息融合算法分类 |
| 2.2.2 多源异类信息融合算法的选择 |
| 2.2.2.1 特征级融合算法对比分析 |
| 2.2.2.2 决策级融合算法对比分析 |
| 2.2.3 D-S证据理论基本概念 |
| 2.2.4 D-S理论融合规则的选择 |
| 2.3 其他相关算法 |
| 2.4 本章小结 |
| 第三章 异类信息多级融合模型 |
| 3.1 目标分析 |
| 3.2 场景建模 |
| 3.2.1 信息源 |
| 3.2.1.1 信息源的分类 |
| 3.2.2 告警信息格式规范化 |
| 3.2.2.1 入侵检测消息交换格式(IDMEF) |
| 3.2.2.2 统一告警信息类 |
| 3.2.3 异常事件多级抽象模型 |
| 3.2.3.1 异常事件多级抽象模型 |
| 3.2.3.2 异常事件的类别/证据的类别 |
| 3.2.4 异常风险评估流程 |
| 3.2.4.1 MLFM模型中异常风险评估流程 |
| 3.2.4.2 “证据”格式 |
| 3.2.4.3 “异常事件风险评估信息”格式 |
| 3.3 异类信息多级融合模型 |
| 3.3.1 算法模型结构 |
| 3.3.2 预处理并缓存 |
| 3.3.3 告警-证据映射阶段 |
| 3.3.4 同类证据融合阶段 |
| 3.3.5 异类信息融合阶段 |
| 3.3.6 时域融合阶段 |
| 3.3.7 事件响应和评估反馈 |
| 3.4 本章小结 |
| 第四章 仿真实验设计与结果分析 |
| 4.1 多源异类信息融合系统结构 |
| 4.2 仿真实验设计 |
| 4.2.1 仿真实验方案 |
| 4.2.2 数据来源 |
| 4.2.3 网络信息源选择与处理 |
| 4.2.4 物理信息源选择与处理 |
| 4.2.5 人员信息类信息源选择与处理 |
| 4.3 仿真分析和结果展示 |
| 4.3.1 单个信息源检测效果 |
| 4.3.1.1 网络信息源检测效果 |
| 4.3.1.2 基于异常检测的物理信息源检测效果 |
| 4.3.1.3 基于参数状态估计的物理信息源检测效果 |
| 4.3.1.4 人员信息类信息源源检测效果 |
| 4.3.2 同类证据融合阶段效果验证 |
| 4.3.2.1 多种融合判决方式效果对比 |
| 4.3.3 异类信息融合阶段效果验证 |
| 4.3.4 单判决周期内复合攻击场景检测效果验证 |
| 4.3.5 时域融合阶段检测效果验证 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 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 |
（2）基于深度学习的超声降采样RF数据成像方法及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展 |
| 1.3 研究内容和结构安排 |
| 第二章 医学超声成像基本理论 |
| 2.1 医学超声成像基本原理 |
| 2.2 波束控制 |
| 2.2.1 动态聚焦 |
| 2.2.2 幅度变迹 |
| 2.2.3 延时叠加算法 |
| 2.3 成像质量评价指标 |
| 2.4 本章小结 |
| 第三章 不同超声成像方式的原理及相关数据降采样成像实验 |
| 3.1 聚焦线扫描成像 |
| 3.1.1 Field II仿真平台 |
| 3.1.2 波束控制仿真成像 |
| 3.1.3 降采样仿真成像 |
| 3.1.4 降采样实验成像 |
| 3.2 远聚焦像素成像 |
| 3.2.1 降采样仿真成像 |
| 3.2.2 降采样实验成像 |
| 3.2.3 降采样人体颈动脉实验成像 |
| 3.3 平面波成像 |
| 3.3.1 降采样仿真成像 |
| 3.3.2 降采样实验成像 |
| 3.3.3 降采样人体颈动脉成像 |
| 3.4 本章小结 |
| 第四章 基于深度神经网络的降采样RF数据成像算法研究 |
| 4.1 输入RF数据介绍 |
| 4.2 基于深度学习的成像方案 |
| 4.3 基于卷积神经网络的降采样RF数据超声成像模型设计 |
| 4.3.1 卷积神经网络介绍 |
| 4.3.2 模型设计 |
| 4.4 基于U-Net的降采样RF数据超声成像模型设计 |
| 4.4.1 U-Net网络介绍 |
| 4.4.2 模型设计 |
| 4.5 本章小结 |
| 第五章 基于深度学习算法的降采样RF数据成像实验 |
| 5.0 数据集和超参数设置 |
| 5.1 深度学习成像质量评价指标 |
| 5.2 聚焦线扫描成像 |
| 5.2.1 降采样实验点成像 |
| 5.2.2 降采样实验斑成像 |
| 5.3 远聚焦像素成像 |
| 5.3.1 降采样仿真成像 |
| 5.3.2 降采样实验成像 |
| 5.3.3 降采样人体颈动脉成像 |
| 5.4 平面波成像 |
| 5.4.1 降采样仿真成像 |
| 5.4.2 降采样实验成像 |
| 5.4.3 降采样人体颈动脉成像 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）基于视觉的机器人自动制孔在线检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及目的意义 |
| 1.3 国内外研究现状 |
| 1.3.1 机器人自动制孔技术国内外研究现状 |
| 1.3.2 机器人视觉检测技术国内外研究现状 |
| 1.4 主要研究内容 |
| 第2章 机器人自动制孔孔尺寸视觉检测算法研究 |
| 2.1 引言 |
| 2.2 机器人自动制孔在线检测系统总体方案设计 |
| 2.2.1 机器人自动制孔总体方案 |
| 2.2.2 在线检测系统总体方案设计 |
| 2.3 工业相机标定 |
| 2.3.1 机器人手眼系统构型的确立 |
| 2.3.2 工业像机成像原理 |
| 2.3.3 坐标系建立与转换 |
| 2.3.4 基于Halcon的工业相机标定 |
| 2.4 孔识别定位及检测算法研究 |
| 2.4.1 基于模板匹配的孔识别定位算法研究 |
| 2.4.2 基于Hough变换的圆孔检测算法研究 |
| 2.5 本章小结 |
| 第3章 孔出入口缺陷图像处理算法研究 |
| 3.1 引言 |
| 3.2 CFRP孔出入口缺陷分析 |
| 3.3 CFRP孔缺陷图像预处理算法研究 |
| 3.3.1 图像灰度化方法对比分析 |
| 3.3.2 孔缺陷图像滤波算法研究 |
| 3.3.3 图像增强算法研究 |
| 3.4 孔出入口缺陷图像特征提取 |
| 3.4.1 孔缺陷图像ROI区域提取方法研究 |
| 3.4.2 孔缺陷的二值图像形态学处理 |
| 3.4.3 孔缺陷检测边缘提取算法研究 |
| 3.5 本章小结 |
| 第4章 基于模式识别的CFRP孔缺陷分类 |
| 4.1 引言 |
| 4.2 模式识别理论及实现过程 |
| 4.2.1 模式识别技术概述 |
| 4.2.2 模式识别中分类器的设计 |
| 4.2.3 基于模式识别的孔缺陷分类方法及特性 |
| 4.3 孔出入口缺陷分类的实现 |
| 4.3.1 孔缺陷分类实现过程 |
| 4.3.2 MLP训练器参数对孔缺陷分类结果的影响 |
| 4.3.3 MLP分类器孔缺陷识别准确率测试 |
| 4.4 本章小结 |
| 第5章 机器人自动制孔尺寸检测实验研究 |
| 5.1 引言 |
| 5.2 检测系统硬件的选择 |
| 5.2.1 工业相机的选择 |
| 5.2.2 镜头的选择 |
| 5.2.3 光源的选择 |
| 5.3 孔尺寸检测实验过程及结果分析 |
| 5.3.1 孔尺寸检测实验 |
| 5.3.2 实验结果分析 |
| 5.4 机器人自动制孔在线检测系统软件设计 |
| 5.4.1 软件系统需求分析 |
| 5.4.2 检测系统功能总体框架及软件开发流程 |
| 5.4.3 软件设计流程 |
| 5.4.4 检测系统主界面设计及各模块功能介绍 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（4）基于石墨烯和Mxene的柔性传感器关键技术和应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 石墨烯概述 |
| 1.1.1 石墨烯的结构及性能 |
| 1.1.2 石墨烯的制备方法 |
| 1.2 Mxene概述 |
| 1.2.1 Mxene材料的结构及性能 |
| 1.2.2 Mxene材料的制备方法 |
| 1.3 基于石墨烯及Mxene的柔性传感器研究现状 |
| 1.3.1 基于石墨烯及Mxene的柔性力学传感器 |
| 1.3.2 基于石墨烯的柔性气体传感器 |
| 1.3.3 基于石墨烯及Mxene的柔性传感器存在的问题 |
| 1.4 论文研究的内容及意义 |
| 1.4.1 研究内容 |
| 1.4.2 研究意义 |
| 2 基于石墨烯墨水的织物压力传感器 |
| 2.1 引言 |
| 2.2 石墨烯织物压力传感器制备 |
| 2.2.1 主要实验材料和设备 |
| 2.2.2 石墨烯织物压力传感器制备工艺 |
| 2.3 石墨烯织物表征 |
| 2.3.1 石墨烯织物形貌分析 |
| 2.3.2 石墨烯织物拉曼表征 |
| 2.4 石墨烯织物压力传感器的力电性能与应用 |
| 2.4.1 石墨烯织物压力传感器测试平台 |
| 2.4.2 石墨烯织物压力传感器的力电性能 |
| 2.4.3 石墨烯织物压力传感器的应用 |
| 2.5 石墨烯织物压力传感器传感机制分析 |
| 2.5.1 石墨烯织物压力传感器结构设计 |
| 2.5.2 石墨烯织物压力传感器建模与仿真 |
| 2.6 本章小结 |
| 3 基于石墨烯墨水的应力传感器 |
| 3.1 引言 |
| 3.2 基于石墨烯墨水的应力传感器制备 |
| 3.2.1 主要实验材料和设备 |
| 3.2.2 石墨烯应力传感器制备工艺 |
| 3.3 石墨烯应力传感材料表征 |
| 3.3.1 石墨烯应力传感材料形貌表征 |
| 3.3.2 石墨烯应力传感材料拉曼表征 |
| 3.4 基于石墨烯墨水的应力传感器的性能 |
| 3.4.1 石墨烯应力传感器的电学性能测量 |
| 3.4.2 石墨烯应力传感器的理论分析 |
| 3.5 石墨烯应力传感器应用 |
| 3.5.1 微弱人体生理信号监测 |
| 3.5.2 大变形运动监测 |
| 3.6 本章小结 |
| 4 石墨烯隐形眼镜式眼压监测传感器 |
| 4.1 引言 |
| 4.2 石墨烯隐形眼镜式眼压监测传感器模型设计 |
| 4.2.1 石墨烯隐形眼镜式眼压监测传感器的工作原理 |
| 4.2.2 石墨烯隐形眼镜式眼压监测传感器设计 |
| 4.2.3 石墨烯隐形眼镜式眼压监测传感器模型仿真 |
| 4.3 石墨烯隐形眼镜式眼压监测传感器制备 |
| 4.3.1 基于超声雾化器的喷涂沉积系统搭建 |
| 4.3.2 硬掩模版二次对准平台搭建 |
| 4.3.3 石墨烯隐形眼镜式眼压监测传感器制备 |
| 4.4 石墨烯隐形眼镜式眼压监测传感器性能表征 |
| 4.4.1 石墨烯传感功能层表征 |
| 4.4.2 石墨烯隐形眼镜式眼压监测传感器力电性能测试平台 |
| 4.4.3 石墨烯隐形眼镜式眼压监测传感器力电性能测试及分析 |
| 4.4.4 石墨烯隐形眼镜式眼压监测传感器温度生物兼容性测试 |
| 4.5 本章小结 |
| 5 多孔石墨烯NO_2气体传感器 |
| 5.1 引言 |
| 5.2 多孔石墨烯NO_2气体传感器制备 |
| 5.2.1 主要实验材料 |
| 5.2.2 多孔石墨烯N02气体传感器制备 |
| 5.3 多孔石墨烯材料表征 |
| 5.3.1 多孔石墨烯形貌表征 |
| 5.3.2 多孔石墨烯拉曼表征 |
| 5.4 多孔石墨烯NO_2气体传感器测试 |
| 5.4.1 灵敏度与响应时间标定 |
| 5.4.2 选择性与稳定性测试 |
| 5.5 多孔石墨烯NO_2气体传感器传感机理分析 |
| 5.6 本章小结 |
| 6 基于自支撑Ti_3C_2T_x薄膜的力学传感器 |
| 6.1 引言 |
| 6.2 自支撑Ti_3C_2T_x薄膜的力学传感器 |
| 6.2.1 主要实验材料和设备 |
| 6.2.2 自支撑Ti_3C_2T_x薄膜制备 |
| 6.2.3 自支撑Ti_3C_2T_x薄膜力学传感器制备 |
| 6.3 自支撑Ti_3C_2T_x薄膜表征 |
| 6.3.1 自支撑Ti_3C_2T_x薄膜形貌表征 |
| 6.3.2 自支撑Ti_3C_2T_x薄膜成分表征 |
| 6.4 自支撑Ti_3C_2T_x薄膜力学传感器性能与应用 |
| 6.4.1 自支撑Ti_3C_2T_x薄膜力学传感器性能 |
| 6.4.2 自支撑Ti_3C_2T_x薄膜力学传感器的应用 |
| 6.4.3 自支撑Ti_3C_2T_x薄膜力学传感器传感机理 |
| 6.5 本章小结 |
| 7 基于Ti_3C_2T_x-SBR的力学传感器 |
| 7.1 引言 |
| 7.2 基于Ti_3C_2T_x-SBR的多功能力学传感器 |
| 7.2.1 主要实验材料和设备 |
| 7.2.2 Ti_3C_2T_x溶液制备工艺 |
| 7.2.3 基于Ti_3C_2T_x-SBR的多功能力学传感器制备工艺 |
| 7.3 Ti_3C_2T_x-SBR复合海绵表征 |
| 7.3.1 Ti_3C_2T_x-SBR形貌表征 |
| 7.3.2 Ti_3C_2T_x-SBR成分表征 |
| 7.4 Ti_3C_2T_x-SBR的多功能力学传感器性能与应用 |
| 7.4.1 Ti_3C_2T_x-SBR的多功能力学传感器压缩性能 |
| 7.4.2 Ti_3C_2T_x-SBR的多功能力学传感器拉伸性能 |
| 7.4.3 Ti_3C_2T_x-SBR的多功能力学传感器应用 |
| 7.5 Ti_3C_2T_x-SBR的多功能力学传感器传感原理 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 论文工作总结 |
| 8.2 论文主要创新点 |
| 8.3 下一步研究工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的学术成果 |
| 致谢 |
| 作者简介 |
（5）基于情绪识别的机器人辅助康复人机交互控制方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内外研究现状总结 |
| 1.3 论文主要研究内容及组织结构 |
| 第二章 情绪生理测量实验设计 |
| 2.1 情绪的定义及分类 |
| 2.1.1 情绪的定义 |
| 2.1.2 情绪的分类 |
| 2.2 情绪诱发实验设计 |
| 2.2.1 情绪诱发原理 |
| 2.2.2 被试人员 |
| 2.2.3 虚拟实验场景 |
| 2.3 情绪生理测量实验 |
| 2.3.1 实验平台 |
| 2.3.2 数据采集设备 |
| 2.3.3 实验流程 |
| 2.4 本章小结 |
| 第三章 情绪生理响应特征提取 |
| 3.1 生理信号特征提取 |
| 3.1.1 呼吸信号 |
| 3.1.2 脉搏信号 |
| 3.1.3 心电信号 |
| 3.1.4 皮电信号 |
| 3.1.5 肌电信号 |
| 3.2 表现数据特征提取 |
| 3.3 本章小结 |
| 第四章 情绪生理响应特征分析 |
| 4.1 情绪问卷调查因子分析 |
| 4.1.1 分析目的 |
| 4.1.2 分析结果 |
| 4.2 情绪生理响应及表现数据显着性差异分析 |
| 4.2.1 不同任务情绪生理特征参数与平静状态下显着性差异分析 |
| 4.2.2 不同训练任务生理特征及表现数据显着性差异分析 |
| 4.3 相关性分析 |
| 4.4 分析结果 |
| 4.5 本章小结 |
| 第五章 基于情绪识别的人机交互控制方法 |
| 5.1 智能康复训练控制系统 |
| 5.1.1 系统组成及控制机制 |
| 5.1.2 系统结构 |
| 5.2 基于机器学习的分类器 |
| 5.2.1 多层感知器 |
| 5.2.2 支持向量机 |
| 5.2.3 K-近邻节点算法 |
| 5.2.4 线性判别式分析算法 |
| 5.3 不同机器学习机制的分类结果 |
| 5.4 人机交互控制效果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 存在的问题与建议 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）室内移动机器人位姿估计与避障方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 室内移动机器人研究现状 |
| 1.3 室内移动机器人位姿估计研究综述 |
| 1.3.1 基于激光雷达的位姿估计方法研究 |
| 1.3.2 基于相机的位姿估计方法研究 |
| 1.4 室内移动机器人避障研究综述 |
| 1.4.1 基于确定模型的避障方法研究 |
| 1.4.2 基于学习方法的避障方法研究 |
| 1.5 室内移动机器人位姿估计与避障存在的问题 |
| 1.6 主要研究内容 |
| 第2章 基于渐进式扫描匹配的位姿估计方法研究 |
| 2.1 引言 |
| 2.2 位姿估计算法框架建立 |
| 2.2.1 实时位姿估计方法设计 |
| 2.2.2 位姿估计参考地图方法设计 |
| 2.3 PTPSM位姿估计原理 |
| 2.3.1 栅格地图的预处理与位姿预测 |
| 2.3.2 激光雷达信息均匀采样 |
| 2.3.3 渐进式样本生成 |
| 2.3.4 快速评分与精细优化 |
| 2.4 二维栅格地图的实时构建 |
| 2.4.1 栅格概率列表预处理 |
| 2.4.2 基于线束追踪的二维栅格更新 |
| 2.4.3 激光雷达建图对比研究 |
| 2.5 小结 |
| 第3章 视觉里程计辅助位姿估计方法研究 |
| 3.1 引言 |
| 3.2 遮挡环境下视觉里程计辅助位姿估计框架建立 |
| 3.3 VO特征筛选与采样 |
| 3.3.1 行人识别与特征筛选区域设定 |
| 3.3.2 ORB特征的均匀采样算法 |
| 3.4 VO位姿估计 |
| 3.4.1 帧间路标点特征的搜索与匹配 |
| 3.4.2 帧间位姿估计 |
| 3.4.3 局部地图更新与维护 |
| 3.5 遮挡环境下位姿估计异常检测与误差补偿 |
| 3.5.1 PTPSM样本数理分析 |
| 3.5.2 最大位姿误差方向识别与误差补偿 |
| 3.6 小结 |
| 第4章 基于多信息膨胀地图的避障方法研究 |
| 4.1 引言 |
| 4.2 多信息膨胀地图的设计 |
| 4.2.1 多信息膨胀地图的原理 |
| 4.2.2 膨胀地图信息预处理 |
| 4.2.3 多信息膨胀地图更新与重置 |
| 4.3 避障状态判断与避障路径生成 |
| 4.3.1 避障状态判断 |
| 4.3.2 全局避障路径生成 |
| 4.4 避障路径检测与避障运动规划 |
| 4.4.1 避障路径检测 |
| 4.4.2 避障运动规划 |
| 4.5 小结 |
| 第5章 基于仿人推理的Q-learning避障方法研究 |
| 5.1 引言 |
| 5.2 基于仿人推理的Q-learning避障方法设计 |
| 5.2.1 基于仿人感知的机器人状态 |
| 5.2.2 基于动态窗口的行为 |
| 5.2.3 评价函数 |
| 5.2.4 价值函数 |
| 5.3 训练流程与避障策略 |
| 5.3.1 Q-learning算法中的训练过程 |
| 5.3.2 利用训练学习的策略避障 |
| 5.4 算法仿真 |
| 5.4.1 训练过程 |
| 5.4.2 避障测试 |
| 5.4.3 非学习类避障方法对比研究 |
| 5.4.4 基于Q-learning的避障方法对比研究 |
| 5.4.5 避障率统计结果 |
| 5.5 小结 |
| 第6章 实验研究 |
| 6.1 引言 |
| 6.2 移动机器人搭建与传感器标定 |
| 6.2.1 移动机器人系统搭建 |
| 6.2.2 移动机器人传感器标定 |
| 6.3 基于激光雷达位姿估计实验 |
| 6.3.1 栅格地图预处理 |
| 6.3.2 测试位姿估计的准确性与实时性 |
| 6.3.3 验证从错误初值重定位 |
| 6.3.4 建图算法实验验证 |
| 6.4 视觉里程计辅助位姿估计实验 |
| 6.4.1 视觉里程计特征提取与点云预处理 |
| 6.4.2 VO性能测试与PTPSM样本分析 |
| 6.4.3 VOAPT位姿估计测试 |
| 6.5 基于多信息膨胀地图的避障与避障规划实验 |
| 6.5.1 多信息膨胀地图性能测试 |
| 6.5.2 基于多信息膨胀地图的避障测试 |
| 6.5.3 基于多信息膨胀地图的避障规划测试 |
| 6.5.4 基于多信息膨胀地图的综合避障测试 |
| 6.6 基于仿人推理的Q-learning避障算法实验 |
| 6.6.1 在动态环境中测试机器人 |
| 6.6.2 与快速搜索树的比较实验 |
| 6.7 可移植性研究 |
| 6.7.1 移植平台及验证环境介绍 |
| 6.7.2 位姿估计与避障方法移植 |
| 6.7.3 位姿估计方法移植实验 |
| 6.7.4 避障方法移植实验 |
| 6.8 小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（7）基于机器学习的煤矿冲击危险性综合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文主要内容和研究方法 |
| 2 基于人工神经网络的矿震监测与矿震强度预测方法研究 |
| 2.1 深井矿震分类和影响因素分析 |
| 2.2 “区域-局部”式矿震监测 |
| 2.3 矿震强度神经网络预测方法及算法 |
| 2.4 样本矿井概况 |
| 2.5 实际资料处理与分析 |
| 2.6 本章小结 |
| 3 基于贝叶斯网络推理的冲击危险性等级分析 |
| 3.1 冲击地压影响因素分析 |
| 3.2 冲击地压危险等级分类研究 |
| 3.3 基于贝叶斯网络的冲击危险性等级预测方法 |
| 3.4 实际资料处理与分析 |
| 3.5 本章小结 |
| 4 基于深度神经网络的冲击类型和冲击危险性等级判别 |
| 4.1 微震信号特征分析 |
| 4.2 深度循环神经网络预测模型 |
| 4.3 基于深度循环神经网络的冲击地压诱因分析 |
| 4.4 基于深度受限玻尔兹曼机过程神经网络的冲击等级预测分析 |
| 4.5 实际资料处理与分析 |
| 4.6 本章小结 |
| 5 基于动态模糊推理网络的冲击危险性预测 |
| 5.1 冲击地压煤矿开采地质影响因素综合分析 |
| 5.2 模糊信息处理与模糊神经网络 |
| 5.3 动态模糊推理神经网络预测模型 |
| 5.4 实际资料验证 |
| 5.5 本章小结 |
| 6 工作面冲击地压综合预测应用 |
| 6.1 1412工作面概况 |
| 6.2 冲击地压监测情况 |
| 6.3 1412工作面冲击危险性综合预测分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 学位论文数据集 |
（8）氧化物半导体结型微纳结构的构筑及其气敏特性的研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 气体传感器 |
| 1.2.1 气体传感器简介及主要分类 |
| 1.2.2 气敏性能的重要参数 |
| 1.2.3 氧化物半导体气体传感器的基本敏感机理 |
| 1.2.4 氧化物半导体气体传感器面临的挑战和发展趋势 |
| 1.3 氧化物半导体气敏材料的改性研究 |
| 1.3.1 核壳/分等级结构纳米材料在气体传感器中的应用 |
| 1.3.2 异质结构纳米材料在气体传感器中的应用 |
| 1.4 本论文内容和研究思路 |
| 第2章 几种单一氧化物半导体的微纳结构设计及其气敏性质的研究 |
| 2.1 引言 |
| 2.2 SnO_2核壳结构的设计及其气敏性质的研究 |
| 2.2.1 实验方案和样品表征 |
| 2.2.2 气敏性能测试 |
| 2.2.3 气敏机理分析 |
| 2.3 CO_3O_4核壳结构的设计及其气敏性质的研究 |
| 2.3.1 实验方案和样品表征 |
| 2.3.2 气敏性能测试 |
| 2.3.3 气敏机理分析 |
| 2.4 NiO核壳结构的设计及其气敏性质的研究 |
| 2.4.1 实验方案和样品表征 |
| 2.4.2 气敏性能测试 |
| 2.4.3 气敏机理分析 |
| 2.5 Cu_2O核壳结构的设计及其气敏性质的研究 |
| 2.5.1 实验方案和样品表征 |
| 2.5.2 气敏性能测试 |
| 2.5.3 气敏机理分析 |
| 2.6 本章小结 |
| 第3章 SnO_2结型微纳结构的设计及其气敏性质的研究 |
| 3.1 引言 |
| 3.2 SnO_2-Ti O2 核壳结构的设计及其气敏性质的研究 |
| 3.2.1 实验方案和样品表征 |
| 3.2.2 气敏性能测试 |
| 3.2.3 气敏机理分析 |
| 3.3 SnO_2/C核壳结构的设计及其气敏性质的研究 |
| 3.3.1 实验方案和样品表征 |
| 3.3.2 气敏性能测试 |
| 3.3.3 气敏机理分析 |
| 3.4 本章小结 |
| 第4章 Co_3O_4结型微纳结构的设计及其气敏性质的研究 |
| 4.1 引言 |
| 4.2 Co_3O_4-In_2O_3 分等级结构的设计及其气敏性质的研究 |
| 4.2.1 实验方案和样品表征 |
| 4.2.2 气敏性能测试 |
| 4.2.3 气敏机理分析 |
| 4.3 Co_3O_4/MWCNTs分等级结构的设计及其气敏性质的研究 |
| 4.3.1 实验方案和样品表征 |
| 4.3.2 气敏性能测试 |
| 4.3.3 气敏机理分析 |
| 4.4 本章小结 |
| 第5章 NiO结型微纳结构的设计及其气敏性质的研究 |
| 5.1 引言 |
| 5.2 NiO-ZnO核壳结构的设计及其气敏性质的研究 |
| 5.2.1 实验方案和样品表征 |
| 5.2.2 气敏性能测试 |
| 5.2.3 气敏机理分析 |
| 5.3 NiO/(SnO_2-ZnO)分等级结构的设计及其气敏性质的研究 |
| 5.3.1 实验方案和样品表征 |
| 5.3.2 气敏性能测试 |
| 5.3.3 气敏机理分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 作者简介及博士研究生期间所取得的科研成果 |
| 致谢 |
（9）基于数据驱动的工控设备故障检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障数据预处理技术研究现状 |
| 1.2.2 基于KNN的故障诊断技术研究现状 |
| 1.2.3 基于朴素贝叶斯的故障诊断技术研究现状 |
| 1.2.4 基于支持向量机的故障诊断技术研究现状 |
| 1.2.5 基于人工神经网络的故障诊断技术研究现状 |
| 1.2.6 基于深度学习的故障诊断技术研究现状 |
| 1.3 论文组织结构 |
| 2 故障诊断相关理论 |
| 2.1 故障数据处理方法 |
| 2.1.1 快速傅里叶变换 |
| 2.1.2 小波变换 |
| 2.1.3 故障序列相似性分析方法 |
| 2.2 主流故障诊断技术介绍 |
| 2.2.1 基于KNN的故障诊断 |
| 2.2.2 基于支持向量机的故障诊断 |
| 2.2.3 基于朴素贝叶斯的故障诊断 |
| 2.2.4 基于人工神经网络的故障诊断 |
| 2.2.5 基于深度学习的故障诊断 |
| 2.2.6 主流故障诊断技术总结 |
| 2.3 基于故障序列的信息隐藏技术分析 |
| 2.4 本章小结 |
| 3 基于不可见字符的故障序列水印设计 |
| 3.1 引言 |
| 3.2 故障序列水印信号选取 |
| 3.3 水印数据处理方案 |
| 3.3.1 故障序列水印数据编码方法 |
| 3.3.2 故障数据防篡改方案 |
| 3.3.3 水印提取方案 |
| 3.4 实验结果与分析 |
| 3.4.1 故障序列膨胀率分析 |
| 3.4.2 故障序列防篡改分析 |
| 3.4.3 恶意序列识别分析 |
| 3.5 本章小结 |
| 4 基于DevOps理念和深度卷积神经网络故障诊断体系 |
| 4.1 引言 |
| 4.2 基于DevOps理念的故障诊断体系 |
| 4.2.1 DevOps基本思想 |
| 4.2.2 工控设备故障诊断体系具体构建方案 |
| 4.3 卷积神经网络基本原理 |
| 4.3.1 卷积层 |
| 4.3.2 激活层 |
| 4.3.3 池化层 |
| 4.3.4 全连接层 |
| 4.4 基于深度卷积神经网络的故障诊断 |
| 4.4.1 基于周期性重叠采样的故障数据集增强方法 |
| 4.4.2 基于滑动窗口的噪声标签识别方法 |
| 4.4.3 基于Dropout的正则化解决方案 |
| 4.4.4 基于Adam的自适应学习率算法 |
| 4.5 实验与结果分析 |
| 4.5.1 数据集描述 |
| 4.5.2 诊断模型基本性能验证 |
| 4.5.3 抗噪性分析 |
| 4.5.4 样本不平衡问题解决方案分析 |
| 4.6 本章小结 |
| 5 自适应工控设备故障诊断方法研究 |
| 5.1 引言 |
| 5.2 基于集成学习的工控设备故障检测模型 |
| 5.2.1 基于Bagging的故障诊断集成模型 |
| 5.2.2 基于投票法的故障诊断组合策略 |
| 5.3 基于动态规划的投票权重调整方法 |
| 5.4 实验结果与分析 |
| 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 |
| 附录 |
（10）无人驾驶汽车周边车辆行为识别及预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 选题意义 |
| 1.3 国内外研究现状 |
| 1.3.1 无人驾驶技术研究现状 |
| 1.3.2 目标车辆行为识别研究现状 |
| 1.3.3 目标车辆预测方法研究现状 |
| 1.4 目前存在的问题 |
| 1.5 本文的研究内容 |
| 第二章 车辆行为数据集的建立 |
| 2.1 车辆轨迹数据集 |
| 2.1.1 NGSIM数据集介绍 |
| 2.1.2 NGSIM数据后处理 |
| 2.1.3 HighD数据集介绍 |
| 2.1.4 数据集对比 |
| 2.2 车辆行为数据集 |
| 2.2.1 车辆行为分类 |
| 2.2.2 行为标签制定 |
| 2.2.3 轨迹片段坐标系 |
| 2.2.4 邻居车辆信息提取 |
| 2.2.5 车辆行为数据集 |
| 2.3 本章小结 |
| 第三章 基于HMM-MLP复合模型的车辆行为识别方法 |
| 3.1 相关算法阐述 |
| 3.1.1 隐马尔可夫模型(HMM)介绍 |
| 3.1.2 多层感知器(MLP)介绍 |
| 3.2 周边车辆行为识别模型设计 |
| 3.2.1 建模分析 |
| 3.2.2 HMM观测变量选择 |
| 3.2.3 HMM模型参数制定 |
| 3.2.4 HMM模型参数训练 |
| 3.2.5 MLP模型输入 |
| 3.2.6 MLP模型训练 |
| 3.3 行为识别结果及分析 |
| 3.3.1 行为识别效果 |
| 3.3.2 行为识别算法整体表现 |
| 3.3.3 定量和定性分析 |
| 3.4 本章小结 |
| 第四章 基于注意力机制的车辆行为及轨迹预测方法 |
| 4.1 相关算法阐述 |
| 4.1.1 长短时记忆网络(LSTM)算法介绍 |
| 4.1.2 LSTM编码器-解码器与注意力机制 |
| 4.1.3 Convolutional Social LSTM算法介绍 |
| 4.2 基于注意力机制的车辆行为及轨迹预测方法 |
| 4.2.1 基于注意力机制的车辆行为及轨迹预测网络结构 |
| 4.2.2 模型训练 |
| 4.3 预测结果及分析 |
| 4.3.1 行为及轨迹预测效果 |
| 4.3.2 预测结果对比 |
| 4.3.3 定量和定性分析 |
| 4.4 本章小结 |
| 第五章 识别及预测算法实车实验 |
| 5.1 无人驾驶平台简介 |
| 5.2 硬件平台介绍 |
| 5.2.1 感知及定位系统 |
| 5.2.2 数据传输中心 |
| 5.2.3 决策系统 |
| 5.2.4 控制系统 |
| 5.3 周边车辆行为识别及预测算法的应用 |
| 5.3.1 测试路段及可视化 |
| 5.3.2周边车辆行为识别实车实验 |
| 5.3.3周边车辆行为及轨迹预测实车实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目及学术成果 |
四、Multi-layer perception approach to identification of compound information（论文参考文献）
- [1]CPS环境下异类信息融合技术应用研究[D]. 王昱人. 电子科技大学, 2021(01)
- [2]基于深度学习的超声降采样RF数据成像方法及应用研究[D]. 李垣涛. 合肥工业大学, 2021(02)
- [3]基于视觉的机器人自动制孔在线检测技术研究[D]. 李政彤. 哈尔滨理工大学, 2021
- [4]基于石墨烯和Mxene的柔性传感器关键技术和应用研究[D]. 樊彦艳. 北京有色金属研究总院, 2020(01)
- [5]基于情绪识别的机器人辅助康复人机交互控制方法研究[D]. 陈金阳. 南京邮电大学, 2020
- [6]室内移动机器人位姿估计与避障方法研究[D]. 袁儒鹏. 哈尔滨工业大学, 2020(02)
- [7]基于机器学习的煤矿冲击危险性综合预测方法研究[D]. 刘辉. 山东科技大学, 2020(04)
- [8]氧化物半导体结型微纳结构的构筑及其气敏特性的研究[D]. 张蕊. 吉林大学, 2020(01)
- [9]基于数据驱动的工控设备故障检测技术研究[D]. 吕超贤. 南京理工大学, 2020(01)
- [10]无人驾驶汽车周边车辆行为识别及预测方法研究[D]. 朱南楠. 江苏大学, 2020(02)