一、索引表与逐步回归算法的改进与应用（论文文献综述）
李叶光[1]（2021）在《视频大数据内容分析关键技术研究》文中研究指明近些年,随着物联网、云计算、人工智能等新一代信息技术的应用,加速了电脑、手机、摄像头等终端设备对视频数据处理技术的发展。社交、安防、交通等领域产生的视频数据量与日俱增,标志着我们已经进入了视频大数据时代。在此背景下,对这些海量视频数据进行事件检索、行为检测等内容分析工作具有重要的研究意义。本文主要研究成果如下:1.针对视频大数据中的事件检索问题,基于文本属性检索的方法数据标注的工作量庞大且文字描述也有一定的局限性,不能充分的表达视频中事件的内容;基于内容的视频事件检索技术虽然准确率高,但高维特征的复杂计算成为了提升检索效率的一个重要瓶颈。针对以上问题,本文设计一种基于哈希的视频大数据相似事件检索框架,利用离线模式和在线模式分别对视频中的相似事件进行存储和检索。在框架的算法设计上,采用视频的哈希编码来减少特征值的维度,降低计算复杂度,建立多哈希索引表并结合相似事件排名算法进行多探针查询,有效地提高对视频事件的检索速度,同时保证了对相似事件的检索准确率。通过实验对比结果表明,本文提出的检索框架及相关算法有着很好的表现,充分验证了该框架的有效性。2.视频行为检测的准确率随着深度学习的不断发展而逐渐提高。很多研究利用改善候选区域特征来提高行为检测的准确率,但是很少有人考虑候选区域之间的相关性,这会导致生成很多冗余的候选区域,降低检测效率。针对以上问题,本文提出一种基于候选区域的自注意力机制算法（Proposal-based Self-attention Mechinism,PSM）。PSM利用C3D模型的卷积层,通过三维卷积来生成候选区域,对受注意力影响的候选区域特征（query）和其他候选区域对象特征（key-value）的三种向量进行点积计算来衡量相似性。在候选区域相关性的计算方法中,将原始空间特征fA与时序特征fT分别经线性计算后投影到子空间中,挖掘不同候选区域之间的空间相关性和时间相关性,以此来提高视频行为检测的效率。在实验过程中,从多个不同的实验方式证明了PSM的有效性,并与最新的一些研究做对比,实验结果有明显的提高。3.对视频大数据的内容分析,给存储资源和运算资源带来了极大的负担。特别是采用深度学习模型,由于其模型参数过于庞大和迭代运算的计算性能要求过高,给计算设备造成了高额的硬件成本和时间成本。针对上述问题,本文提出:（1）分布式事件检索模型,利用HDFS文件存储结构、流式访问模式来处理视频数据,结合Map-Reduce计算模型,通过对视频的分布式预处理、离线模式的分布式存储和在线模式的分布式检索等方式,提高对视频大数据处理的速度。（2）分布式行为检测模型,采用数据并行的随机梯度下降算法,将训练数据平均分配到各计算节点单独训练,利用环形参数共享模式降低网络传输成本,达到计算和传输接近于并行执行,使GPU的分布式加速训练效果更好。通过实验证明,采用分布式计算模式进行事件检索和行为检测都取得了不错的效果,比单机计算模式的结果提升明显并且保证了实验精度。
李鑫[2]（2021）在《铁路机车设备画像理论及关键技术研究》文中提出铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
渠涧涛[3]（2021）在《LTE-R网络智能故障诊断与预测方法研究》文中研究说明随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R（Long Term Evaluation-Railways）技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:（1）针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统（GIS）技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。（2）在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络（GAN）方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法（NSGA-Ⅲ）对网络参数进行优化。最后,使用逼近理想解排序法（TOPSIS）从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。（3）为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络（CNN）的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。（4）针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载（E-RAB）异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解（CEEMDAN）对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络（LSTM）和注意力机制构建预测模型。此外,又引入了粒子群优化（PSO）算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。（5）考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化（BPSO）算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。
雷晨[4]（2021）在《基于Spark的并行随机森林算法研究》文中研究说明随着互联网技术和高通量技术的迅猛发展,使得大数据相较于传统数据,具有了4V特性——海量（Volume）、变化速度快（Velocity）、多模态（Variety）、价值总量高（Value）,4V特性导致传统分类算法和单实例处理平台很难处理大数据,近年来并行化技术和特征选择型分类算法的发展为大数据处理提供了一个新视角。随机森林（Random Forest）是其中一类重要算法,相比其他分类算法而言具有诸多优势,分类效果上的优势体现在函数逼近能力强、泛化误差小而且有能力处理高维数据;训练过程的优势体现在算法学习过程快速而且易于并行化。因此,基于大数据的随机森林研究已经成为数据发掘分类领域的研究热点。目前,Spark环境下基于特征寻优和子空间分层构建的并行随机森林算法虽然取得了一定的成效,但由于样本数据特征的不可靠性、网络的小世界性和复杂性,以及目前随机森林算法自身的局限性,使得现有并行随机森林算法普遍存在两个问题,分类准确率不高和并行效率较低。本文主要从两个方向着手解决,一是,从特征信息素出发,先是利用主成分分析并结合误差约束分层构建具有高信息浓度的特征子空间,最后以RDD（Resilient Distributed Datasets）数据特征复用的方式训练,获得高精度子森林;二是,从特征优化的角度考虑,先通过非线性调整策略改进蝗虫优化算法,压缩原始特征集,并利用特征评估函数构建具有一定知识规模的特征子空间,再结合DAG（Directed Acyclic Graph）任务双并行化策略,完成模型训练。本文具体工作如下:1)针对大数据背景下随机森林算法中存在协方差矩阵规模较大、子空间特征信息覆盖不足和节点通信开销大的问题,提出了基于PCA（Principal Component Analysis）和子空间分层选择的并行随机森林算法PLA-PRF（PCA and subspace Layer sampling on Parallel random forest algorithm）。首先,对初始特征集,提出了基于PCA的矩阵分解策略（Matrix factorization strategy,MFS）,压缩原始特征集,提取主成分特征,解决特征变换过程中协方差矩阵规模较大的问题;其次,基于主成分特征,提出基于误差约束的分层子空间构造算法（Error-constrained hierarchical subspace construction algorithm,EHSCA）,分层选取信息素特征,构建特征子空间,解决子空间特征信息覆盖不足的问题;最后,在Spark环境下并行化训练决策树的过程中,设计了一种数据复用策略（data reuse strategy,DRS）,通过垂直划分RDD数据并结合索引表,实现特征复用,以降低节点通信开销。实验表明,该算法不仅提高了随机森林训练模型在大数据环境下的分类准确率,而且提高了并行系统的并行化性能。2)针对大数据背景下随机森林算法中存在特征寻优精度不佳、节点通信开销大的问题,提出了基于改进蝗虫优化的并行随机森林算法IGO-PRF（Parallel random forest algorithm based on improved Grasshopper optimization）。首先,针对原始特征集,提出基于非线性调整策略（Non-linear adjustment strategy,NAS）的蝗虫优化算法（The improved grasshopper optimization algorithm,IGOA）,加强群智能算法在特征选择中的局部开发能力,进而提高特征寻优精度,获得压缩后的特征集;其次,基于优化特征集,设计了特征评估函数（Feature evaluation function,FEF）,评估特征信息浓度,分层构建特征子空间;最后,在结合Spark进行任务并行化的过程中,设计了DAG（Directed Acyclic Graph）计算任务双并行化策略（DAG task double parallelization strategy,DPS）,实现信息增益任务和节点拆分任务的并行执行和调度,降低了节点的通信开销。实验结果表明,该算法,不仅有效提高了并行效率,还有效降低了并行环境下的计算代价,而且,与其它4种并行随机森林算法相比,还兼具有较高的分类准确率。
庞杰[5]（2021）在《混凝土坝表观裂纹的图像识别关键技术研究》文中研究表明裂纹是水利水电工程混凝土坝表观的重要缺陷之一,直接威胁到了坝体的寿命与安全,为了保持这类坝体的良好状态并延长使用寿命,对裂纹进行快速准确的识别是水利水电工程维护工作的重要任务之一。目前,混凝土坝表观缺陷的巡检工作仍以人工为主,存在耗时、危险、成本高等问题。此外,国内外学者围绕各类建筑表观裂纹识别方法及系统开展了大量研究工作,由于混凝土坝表观图像存在光照变化、背景噪声复杂等问题,已有图像识别方法存在泛化能力弱、实用性差等问题。近年来基于深度学习的图像识别技术在包括缺陷识别的诸多任务中出现了较多的研究。本文将基于混凝土坝表观场景及裂纹特征,对裂纹检测和量化特征提取等关键技术展开系统性研究,探索具有实用性的表观裂纹识别方法,为混凝土坝健康诊断与预警提供智能化的技术参考。本文的工作内容及创新主要为以下几个方面:（1）针对裂纹形态及尺度不规则、边缘细节丰富的特点,基于深度学习理论设计了一种兼顾精度与速度的裂纹分割网络。首先使用轻量级深层卷积网络提取的三级低分辨率特征融合后作为高维全局结构特征,并使用金字塔池化与注意力机制对特征进行优化;同时使用低步长的浅层卷积模块来补偿高分辨率局部细节信息。在自建坝面裂纹检测数据集及4种公开数据集上的多组实验结果表明,本文提出的分割网络取得了比现有方法更好的裂纹分割精度及优异的推理速度,具有明显的实用性优势。（2）针对混凝土坝表观场景背景噪声复杂的特点,改进骨架细化算法提升了裂纹量化方法的噪声抑制能力。通过二叉树结构来表征Zhang-Suen骨架细化算法后的单像素骨架,并通过遍历剪枝剔除干扰噪声分支;设计邻域算子逐位置提取裂纹的法线信息,进而计算出对应位置的宽度特征,结合长度、面积等特征实现对裂纹区域的量化。在自制坝面数据集上的实验结果表明,本文方法在不明显增加计算量下增强了背景噪声抑制能力,取得了准确的量化特征提取效果,所提取的三种量化特征的误差率小于10%,能够更有效评估裂纹的危险程度。通过上述的研究与论证,本文研究了一种完整的混凝土坝表观裂纹诊断的智能化算法,能够实时、准确地对裂纹缺陷进行检测及量化特征提取,对水利水电工程混凝土坝的缺陷巡检工作具有实际的应用参考价值。
薛梅婷[6]（2020）在《基于FPGA异构平台的关系型数据库加速技术研究》文中进行了进一步梳理数据库是管理信息社会的重要工具。在“大数据”时代,临床医疗、公共卫生、医药研发、健康网络与媒体等行业均会产生大量在线数据。因而数据库系统面临着数据量庞大、数据结构多样以及数据处理实时化的要求,上述要求对依托于冯·诺依曼体系架构的同构计算模式提出了挑战。为了打破同构计算模式处理能力和数据增长速度之间的壁垒,以新一代高性能计算芯片为核心的异构并行计算体系架构开始得到人们的重视,以实现更高的性能。现场可编程逻辑门阵列（field programmable gate array,FPGA）作为一种可编程芯片,在流水线并行计算、响应延时等方面优于通用处理器。于是FPGA与CPU协同的异构加速架构开始在数据库领域中得到应用,基于FPGA的关系型数据库加速成为一个很有价值的研究方向。对关系型数据库的操作是通过结构化查询语言（structured query language,SQL）进行的。排序和连接操作是数据库领域中被频繁使用且非常耗时的两个操作,二者作为典型的计算与数据密集型操作,一直是数据库加速领域的重点研究对象。因此,本文以排序和连接操作为切入点,提出了基于FPGA的加速实现方法,并进一步提出了面向不同关系型数据库的异构加速系统架构。本文的研究内容如下:（1）以排序操作为核心的硬件加速器:在数据库中,诸如聚合、排序合并连接算法的实现都与排序密切相关,同时数据库多位宽数据类型的特点对排序算法的硬件实现提出了新的要求。因此,本文提出了一种排序操作硬件实现方法,以解决当前数据库多数据类型流水线执行的问题,并基于该方法给出了三种适用于不同情况的执行模型。该硬件排序方法支持连续、不同数据宽度的数据序列,符合数据库多数据类型的特征。除此之外,本文还实现了一种等值连接结构和选择过滤结构,在所提排序结构的配合下,该加速器可实现如排序、排序合并连接、选择过滤等数据库操作。（2）面向哈希连接算法的硬件加速:哈希连接算法是数据库中应用最广泛的连接算法之一。哈希连接算法硬件实现的性能深受哈希冲突解决方式和哈希表流水线访问方式的影响。基于这两个优化方向,本文给出了两种哈希连接硬件实现方法。对于连接属性不唯一的应用场景,提出了使用布谷鸟哈希算法加链表法的策略以解决哈希冲突,同时减少内存访问次数和提升哈希连接效率;对于连接属性唯一的应用场景,则提出了哈希表加内容寻址寄存器的方法以解决哈希冲突,同时完成了一种适用于该方法的串并行流水线策略,进一步提升连接效率。（3）数据库异构加速系统架构:在不同的应用场景中,多种异构技术各具优势。基于异构平台设计数据库加速方案时,在保证可扩展性与灵活性之余,需尽可能降低数据分析与用户间的通讯延时,同时提高数据处理速度。因此,本文提出了一种基于FPGA的数据库通用加速系统架构。该架构在硬件层面对不同的数据操作提出了针对性的优化方法,同时为不同的数据库软件提供了统一的调用接口,保证了与数据库软件的松耦合,适用范围更广。最后,在标准测试数据集上的多项实验证明了架构的有效性,与传统数据库软件相比达到了最高16倍的性能提升。
张玲[7]（2020）在《SWAT模型在南小河沟流域绿水评价中的应用》文中进行了进一步梳理黄土高原沟壑区是我国重要的粮食生产基地及雨养农业区,但受温带大陆性季风气候的影响,该区域内降雨量相对偏少且时空分布极不均匀,导致水资源短缺已成为该区环境与发展的最大制约因子。绿水作为支撑陆地生态系统和雨养农业生产的主要水源,无疑对当地的农业生产起着至关重要的作用。因此,深入理解黄土高原沟壑区绿水水文过程,合理利用水资源,对流域的粮食生产和生态恢复都有重要作用。本研究以黄土高原沟壑区典型小流域——南小河沟流域为研究对象,分析流域降水和气温的趋势、突变和周期性特征,并采用统计降尺度方法对研究区两种气候情景下未来三个时期的气候变化进行预测。建立南小河沟流域的SWAT模型,采用SWAT-CUP模型进行参数敏感性分析和率定,通过模型的评价指标和流域绿水模拟结果与其他方法计算结果对比,综合评价模型的适用性。在此基础上,运用率定的SWAT模型对未来气候变化情景下的蓝绿水资源进行评估,并预估未来绿水变化趋势,以期为黄土高原沟壑区生态环境恢复、水资源规划管理等提供合理有效的理论依据。论文的主要研究结论如下:（1）对南小河沟流域1955～2018年的年降水、气温值进行趋势、突变和周期统计分析可知,流域降水量整体呈下降趋势,其减少趋势不显着且在研究时段内未发生显着突变,计算统计期间流域降水量存在3～8a、9～15a和18～25a三个阶段的周期变化。流域统计期内的气温呈上升趋势,在1996年发生了突变,1997年开始气温呈现显着的上升趋势,气温震荡周期较为明显,周期变化主要分为4～8a、12～15a、20～23a、25～30a等阶段,年均气温在研究区内周期性变换规律较弱。未来降水量最大的时期是2030s,降水量较基准期均有所增加,未来气温是一直逐渐升高,在未来3个阶段内气温最高出现在2040s,RCP8.5情境下的气温均高于RCP4.5。（2）水量平衡法求得流域1955～2018年平均绿水量为508mm,绿水资源量占降水资源总量的95%。利用微气象学法求得1955～2018年平均潜在蒸散发量为920.4mm;利用Zhang模型计算出的南小河沟流域年平均绿水资源量为440.5mm,占流域降水资源总量的82.6%,绿水量的变化与降水量变化规律一致。微气象学法的计算结果更接近流域实际情况。（3）研究中采用西峰站、杨家沟、董庄沟和十八亩台四个站点1955-2018年的降水和气温数据,径流资料来自于流域控制断面十八亩台。本文所用的建立空间数据库的DEM数据、土地利用数据和土壤数据均来自于相应的国家网站。模型将流域划分为25个子流域,217个水文响应单元。（4）利用SWAT-CUP模型进行参数敏感性分析时选取了与南小河沟流域相关的21个参数,分析结果表明敏感性前三名的因子分别为SCS径流曲线系数f（CN2）、基流α因子（ALPHABF）和土壤蒸发补偿系数（ESCO）,敏感值分别为42.32、36.42和26.32,敏感程度为非常敏感。SWAT-CUP的径流模拟值和观测值变化趋势相同且数值相近,除个别月份极端降雨造成的观测值远大于模拟值之外,其余月份观测值和模拟值均处于95PPU范围之内,模拟值在多数结果中大于观测值。（5）主要选取3个SWAT-CUP模型评价指标,分别是效率系数Ens、决定系数R2和误差百分比Re。结果显示,率定期Ens、R2和Re分别为0.73、0.69和9.86%,验证期Ens、R2和Re分别为0.76、0.72和10.11%,参数率定结果可信。运用率定完成的SWAT模型模拟南小河沟流域1955～2018年降水量与绿水量。经统计分析可知,SWAT模型模拟的流域多年平均绿水资源量为431.5mm,占流域降水资源量的81.0%。SWAT模型的模拟结果与微气象学法计算结果接近。（6）对流域未来气候情景下的蓝水资源分析可知,在RCP4.5情景下未来3个时期的增量分别为-9.90%、-14.77%、4.36%。在RCP8.5情景下未来3个时期的蓝水资源增量分别为5.66%、4.68%、-19.40%。流域未来蓝水资源量呈减少的趋势。（7）对流域未来气候情景下的绿水资源分析可知,在RCP4.5和RCP8.5情景下,与基准期相比,流域绿水资源量在未来3个时期均增加,但在2020s时期绿水增加量为未来3个时期最大值,2040s时期为3个时期增加量最少。流域绿水流在未来3个时期均增加,但在2040s时期绿水流增加量为未来3个时期最大值,2040s时期为3个时期增加量最少。南小河沟未来3个时期的绿水存储均减少,未来3个时期中绿水存储量最低的是2030s时期,最高的是2040s时期。
高志龙[8]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中研究说明柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
陈凡[9]（2020）在《视频检索与推荐系统的设计与实现》文中研究指明随着互联网的持续发展,视频数据大量积累,人们对于视频的有效获取有了更高的要求。目前,一般的检索系统没有评估资源的好坏,也没有对用户做有针对性的检索,个性化推荐时也并未考虑当前用户的意图。为了使用户检索视频资源时能够获取质量相对较高并且和用户相关程度较大的视频,也为了使用户能够获取个性化推荐的视频,加快用户获取合适资源的效率,缓解用户在检索效果上的体验不佳,设计并实现了视频检索与推荐系统。系统首先抽取了用户的历史检索文本以及各个视频资源的相关文本,采用基于信息熵和互信息的命名实体识别技术获取了视频领域的命名实体,作为后续分词的重要依据。通过设计倒排索引表,计算出检索文本与视频资源的匹配度得分。通过设计计算规则来计算视频资源的质量得分,以及采用词频-逆词频（TF-IDF）技术计算出视频与用户的相关度得分,最终根据上述三种评分对检索到的候选视频重新排序,按照得分顺序展示搜索结果。通过文本卷积神经网络（Text-Convolutional Neural Network）对检索文本分类,识别出用户的检索意图,获取意图分类下的热门视频作为待推荐视频。根据用户的历史行为记录,采用基于用户的协同过滤算法以及基于视频资源的协同过滤算法得到两种待推荐视频。最终,综合考虑三部分待推荐视频的质量得分排序给用户个性化推荐视频。系统详细介绍了检索和推荐的原理及实现过程,在完成各个模块之后,对各个模块做了功能测试和性能测试,测试表明各个模块都能正常工作,检索到的资源与检索文本一致,推荐的视频合理。
朱道恒[10]（2020）在《基于Hadoop的语义Web服务发现的研究》文中进行了进一步梳理大数据背景下,以互联网为信息交换媒介的各行业每天都在产生大量的数据。语义网的蓬勃发展使得Web服务的数量呈几何级增长,Web服务的发现作为Web服务体系结构中重要的一环,引起越来越多科研机构和高校的重视。面对海量的Web服务,如何更加高效、准确、快速地发现满足用户需求的Web服务已经成为一个具有挑战性的问题。大多数Web服务是用Web本体描述语言（Web Ontology Language,OWL）或本体服务描述语言（Ontology Web Language for Service,OWL-S）来描述的。本文先将描述Web服务的OWLS文件转化为三元组形式的Web服务语义数据文件,再对Web服务语义数据进行存储和查询,进而实现语义Web服务的发现。本文主要的研究内容如下:（1）通过在分布式平台Hadoop上搭建Spark集群,将HBase作为数据库,利用Spark基于内存进行分布式计算的优势和HBase基于列存储、容易横向扩展的特性来提升数据存储和查询的性能。（2）为高效存取海量的Web服务语义数据,设计并实现了三张表:表SP＿O、表PO＿S和表OS＿P,用来存放三元组结构的数据,并将Spark操作HBase表数据的几种方式作出对比,选出效率更高的方式应用到本文系统中。（3）提出用City Hash编码模型来编码待存储的Web服务语义数据,通过分析分析几种编码算法的碰撞率和平均执行时间,对比编码串的长度,验证了本文使用的编码方案能有效节省存储空间。（4）提出一种将SPARQL查询语句转化为对HBase表数据查询的方法,结合SPARQL查询的几种模式来设计基于SPARQL的Web服务发现的具体算法。（5）采用标准的Web服务测试集和不同规模的LUBM数据集进行大量的实验来测试系统的存储和查询性能。通过与前人的实验方案做对比,验证本文所设计的存储和查询方案的有效性,达到语义Web服务查询的目的。
二、索引表与逐步回归算法的改进与应用（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、索引表与逐步回归算法的改进与应用（论文提纲范文）
（1）视频大数据内容分析关键技术研究（论文提纲范文）
| 附件 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频的哈希检索 |
| 1.2.2 视频行为检测 |
| 1.2.3 分布式计算 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关研究综述 |
| 2.1 视频的哈希检索 |
| 2.1.1 哈希编码 |
| 2.1.2 哈希索引表 |
| 2.2 视频行为检测 |
| 2.2.1 行为检测模型 |
| 2.2.2 注意力机制 |
| 2.3 分布式计算 |
| 2.3.1 Hadoop分布式平台 |
| 2.3.2 分布式深度学习 |
| 2.4 本章小结 |
| 第3章 基于哈希的视频大数据相似事件检索 |
| 3.1 视频大数据事件检索框架 |
| 3.2 视频哈希编码 |
| 3.2.1 关键帧提取 |
| 3.2.2 特征提取 |
| 3.2.3 哈希编码 |
| 3.3 相似事件检索 |
| 3.3.1 建立哈希表 |
| 3.3.2 哈希编码检索 |
| 3.3.3 关键帧相似性 |
| 3.3.4 视频事件相似性 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集和评价指标 |
| 3.4.2 编码长度对比实验 |
| 3.4.3 算法对比实验 |
| 3.4.4 相似度排名对比实验 |
| 3.4.5 检索效果验证 |
| 3.5 本章小结 |
| 第4章 基于候选区域的视频行为检测 |
| 4.1 候选区域生成 |
| 4.2 自注意力机制 |
| 4.3 候选区域相关性 |
| 4.3.1 候选区域的空间相关性 |
| 4.3.2 候选区域的时间相关性 |
| 4.3.3 相关性的传播 |
| 4.4 实验结果与分析 |
| 4.4.1 评价指标 |
| 4.4.2 模型简化测试 |
| 4.4.3 不同模型的对比实验 |
| 4.4.4 模型的资源消耗 |
| 4.5 本章小结 |
| 第5章 分布式视频大数据处理架构 |
| 5.1 分布式事件检索 |
| 5.1.1 数据分片 |
| 5.1.2 分布式提取关键帧 |
| 5.1.3 离线视频数据处理 |
| 5.1.4 在线视频数据处理 |
| 5.2 分布式行为检测 |
| 5.2.1 基于数据并行的随机梯度下降算法 |
| 5.2.2 环形共享参数计算模式 |
| 5.2.3 分布式行为检测 |
| 5.3 实验结果与分析 |
| 5.3.1 分布式事件检索实验 |
| 5.3.2 分布式行为检测实验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（2）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（3）LTE-R网络智能故障诊断与预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 智能故障诊断及预测研究现状及进展 |
| 1.2.1 智能故障诊断与预测概述 |
| 1.2.2 智能故障诊断方法 |
| 1.2.3 智能故障预测方法 |
| 1.2.4 智能故障诊断与预测方法总结 |
| 1.3 LTE-R网络故障诊断与预测问题研究 |
| 1.3.1 相关数据和指标 |
| 1.3.2 LTE-R网络故障诊断问题研究 |
| 1.3.3 LTE-R网络故障预测问题研究 |
| 1.3.4 LTE-R网络故障诊断与预测结果评价 |
| 1.4 本文主要研究内容与结构安排 |
| 2 基于大数据及GIS技术的LTE-R覆盖及切换问题检测 |
| 2.1 引言 |
| 2.2 相关技术简介 |
| 2.2.1 大数据相关技术 |
| 2.2.2 “天地图”地理信息平台 |
| 2.2.3 LTE-R覆盖及切换问题 |
| 2.3 方法设计 |
| 2.4 方法实现 |
| 2.4.1 数据预处理 |
| 2.4.2 数据分析 |
| 2.4.3 基于GIS技术的可视化 |
| 2.5 实验与分析 |
| 2.6 本章小结 |
| 3 基于深度学习及多目标优化的LTE-R通信性能劣化小区检测 |
| 3.1 引言 |
| 3.2 方法设计与实现 |
| 3.2.1 方法设计 |
| 3.2.2 双编码器DAE神经网络 |
| 3.2.3 基于GAN的逐层训练方法 |
| 3.2.4 利用NSGA-Ⅲ优化模型参数 |
| 3.2.5 用TOPSIS方法对非支配解集进行排序 |
| 3.3 实验与分析 |
| 3.3.1 对比方法 |
| 3.3.2 KEEL数据描述 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果及分析 |
| 3.4 LTE-R通信性能劣化小区检测 |
| 3.4.1 数据描述及预处理 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测 |
| 4.1 引言 |
| 4.2 相关定义 |
| 4.3 方法设计与实现 |
| 4.3.1 方法设计 |
| 4.3.2 基于CNN的特征提取网络 |
| 4.3.3 不平衡序列特征提取的优化目标 |
| 4.3.4 利用差分进化算法训练网络权值 |
| 4.4 实验与分析 |
| 4.4.1 数据描述及预处理 |
| 4.4.2 实验设置 |
| 4.4.3 对比与讨论 |
| 4.5 本章小结 |
| 5 基于PA-LSTM的 LTE-R小区通信性能预测方法 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 方法设计与实现 |
| 5.3.1 总体框架设计 |
| 5.3.2 基于CEEMDAN的数据预处理 |
| 5.3.3 基于PA-LSTM构建预测模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验设置 |
| 5.4.3 对比与讨论 |
| 5.5 本章小结 |
| 6 面向LTE-R小区通信性能预测的多维时间序列预测方法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 方法设计与实现 |
| 6.3.1 总体设计 |
| 6.3.2 数据预处理 |
| 6.3.3 基于MRMR准则以及BPSO的特征选择 |
| 6.3.4 深度特征提取及结果预测 |
| 6.4 实验与分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验设置 |
| 6.4.3 特征选择实验 |
| 6.4.4 模型训练及评估 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于Spark的并行随机森林算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文的组织结构 |
| 第二章 算法及相关概念介绍 |
| 2.1 蝗虫优化算法 |
| 2.2 PCA变换模型 |
| 2.3 Frobenius norm |
| 2.4 增益率 |
| 2.5 误差约束分层 |
| 2.6 KD树 |
| 2.7 Spark相关技术介绍 |
| 2.7.1 Spark运行架构 |
| 2.7.2 弹性式分布数据对象 |
| 2.7.3 作业调度机制 |
| 2.8 本章小结 |
| 第三章 Spark下基于PCA和分层选择的随机森林算法 |
| 3.1 特征变换 |
| 3.2 子空间选择 |
| 3.3 并行训练决策树 |
| 3.4 算法步骤 |
| 3.5 时间复杂度分析 |
| 3.6 实验结果以及分析 |
| 3.6.1 实验环境 |
| 3.6.2 数据来源 |
| 3.6.3 评价指标 |
| 3.6.4 不同森林规模下的算法准确率分析 |
| 3.6.5 不同数据集下的算法准确率分析 |
| 3.6.6 算法性能比较 |
| 3.7 本章小结 |
| 第四章 基于改进蝗虫优化的并行随机森林算法 |
| 4.1 特征压缩 |
| 4.1.1 IGOA算法 |
| 4.1.2 基于IGOA的特征压缩方法 |
| 4.2 子空间选择 |
| 4.3 并行构建模型 |
| 4.3.1 创建决策树DAG |
| 4.3.2 调度DAG完成模型构建 |
| 4.4 算法步骤 |
| 4.5 算法时间复杂度分析 |
| 4.6 实验结果及比较 |
| 4.6.1 实验环境 |
| 4.6.2 实验数据 |
| 4.6.3 评价指标 |
| 4.6.4 不同数据集下的算法准确率分析 |
| 4.6.5 不同森林规模下的算法准确率分析 |
| 4.6.6 算法性能比较 |
| 4.7 本章小结 |
| 第五章 工作总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的科研成果 |
（5）混凝土坝表观裂纹的图像识别关键技术研究（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 裂纹检测技术研究现状 |
| 1.2.2 裂纹量化技术研究现状 |
| 1.2.3 坝面表观裂纹缺陷识别存在的问题 |
| 1.3 主要研究内容及创新 |
| 1.4 章节安排 |
| 2 裂纹识别技术基础 |
| 2.1 数据集建立及分析 |
| 2.1.1 公共数据集 |
| 2.1.2 坝面数据集采集及标注 |
| 2.1.3 裂纹图像数据分析 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 损失函数 |
| 2.2.5 优化器 |
| 2.3 基于图像识别技术的裂纹缺陷识别 |
| 2.3.1 基于传统方法的裂纹检测 |
| 2.3.2 基于卷积神经网络的裂纹检测 |
| 2.3.3 量化特征提取 |
| 2.3.4 目前方法主要问题 |
| 2.4 本章小结 |
| 3 基于卷积神经网络的轻量化坝面裂纹分割方法 |
| 3.1 裂纹分割方法描述 |
| 3.2 全局结构特征提取网络 |
| 3.2.1 金字塔池化模块 |
| 3.2.2 特征融合模块 |
| 3.2.3 注意力机制模块 |
| 3.3 局部细节特征提取网络 |
| 3.4 多级特征监督模块 |
| 3.5 目标函数设计 |
| 3.6 本章小结 |
| 4 基于骨架提取的裂纹量化方法 |
| 4.1 裂纹量化方法描述 |
| 4.2 Zhang-Suen骨架细化算法 |
| 4.3 基于二叉树的裂纹骨架细化改进 |
| 4.3.1 二叉树裂纹骨架表征 |
| 4.3.2 基于剪枝的毛刺剔除 |
| 4.4 量化特征提取 |
| 4.5 本章小结 |
| 5 实验验证及结果分析 |
| 5.1 图像预处理 |
| 5.2 实验环境 |
| 5.3 裂纹分割实验 |
| 5.3.1 分割算法的评价标准 |
| 5.3.2 分割实验结果及分析 |
| 5.4 裂纹量化实验结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| (一)发表学术论文及专利 |
| (二)获奖情况 |
（6）基于FPGA异构平台的关系型数据库加速技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 数据库系统 |
| 1.2.2 异构加速平台 |
| 1.2.3 异构平台加速架构 |
| 1.3 研究目标与研究思路 |
| 1.4 论文主要工作和创新点 |
| 1.5 论文结构安排 |
| 第2章 研究现状与相关技术 |
| 2.1 引言 |
| 2.2 数据库查询执行技术研究现状 |
| 2.2.1 关系型数据库的发展 |
| 2.2.2 SQL语句执行流程 |
| 2.2.3 SQL语句的查询优化 |
| 2.2.4 SQL语句的查询执行 |
| 2.3 不同类型异构加速平台对比 |
| 2.3.1 异构加速平台 |
| 2.3.2 数据库异构加速系统性能指标 |
| 2.3.3 不同异构加速平台对比 |
| 2.4 异构平台加速数据库的研究现状 |
| 2.4.1 第三方数据库加速技术研究现状 |
| 2.4.2 异构平台排序操作加速研究 |
| 2.4.3 异构平台连接操作加速研究 |
| 2.4.4 异构平台过滤操作加速研究 |
| 2.5 异构平台并行计算相关技术 |
| 2.5.1 并行编程模型 |
| 2.5.2 Open CL编程模型体系结构 |
| 2.5.3 Open CL在 FPGA上的实现 |
| 2.6 本章小结 |
| 第3章 以排序操作为核心的加速器 |
| 3.1 排序操作的硬件实现方式 |
| 3.1.1 排序网络结构 |
| 3.1.2 线性比较器结构 |
| 3.2 排序矩阵整体结构 |
| 3.2.1 基本排序单元 |
| 3.2.2 比较规则 |
| 3.2.3 排序矩阵 |
| 3.3 模块化排序矩阵工作模型 |
| 3.3.1 单路串行高位宽单层级模型 |
| 3.3.2 多路并行低位宽单层级模型 |
| 3.3.3 单路串行高位宽多层级模型 |
| 3.4 等值连接 |
| 3.5 选择过滤 |
| 3.6 加速器整体结构 |
| 3.7 实验分析 |
| 3.7.1 实验配置 |
| 3.7.2 实验结果与对比 |
| 3.8 本章小结 |
| 第4章 面向哈希连接算法的硬件加速 |
| 4.1 硬件加速哈希连接的研究现状 |
| 4.2 哈希连接不同阶段性能瓶颈 |
| 4.2.1 哈希连接算法的构建阶段 |
| 4.2.2 哈希连接的探测阶段 |
| 4.3 面向连接结果不唯一应用场景的哈希连接结构 |
| 4.3.1 布谷鸟哈希算法 |
| 4.3.2 改进的布谷鸟哈希表 |
| 4.3.3 LCHJ结构系统组成 |
| 4.3.4 LCHJ结构不同阶段状态变化 |
| 4.4 面向连接结果唯一应用场景的哈希连接结构 |
| 4.4.1 改进的哈希冲突解决策略 |
| 4.4.2 改进的流水线访问方式 |
| 4.4.3 NLPHJ结构系统组成 |
| 4.4.4 NLPHJ结构构建阶段 |
| 4.4.5 NLPHJ结构探测阶段 |
| 4.5 性能分析 |
| 4.5.1 时间复杂度 |
| 4.5.2 内存占用 |
| 4.5.3 哈希冲突概率 |
| 4.5.4 内容寻址寄存器容量 |
| 4.6 实验分析 |
| 4.6.1 实验配置 |
| 4.6.2 实验结果与对比 |
| 4.7 本章小结 |
| 第5章 数据库异构加速系统 |
| 5.1 数据库异构加速系统分类 |
| 5.1.1 基于用户自定义函数的异构系统 |
| 5.1.2 基于存储引擎的异构系统 |
| 5.1.3 基于可卸载插件的异构系统 |
| 5.2 查询语句异构平台执行流程 |
| 5.2.1 基于异构平台的查询语句执行 |
| 5.2.2 执行优化及需要解决的问题 |
| 5.3 数据库异构加速系统执行代价 |
| 5.3.1 数据传输代价 |
| 5.3.2 数据执行代价 |
| 5.3.3 可重构代价 |
| 5.3.4 加速效果 |
| 5.4 数据库异构系统加速架构组成 |
| 5.4.1 数据库交互层 |
| 5.4.2 通用加速库层 |
| 5.4.3 设备管理层 |
| 5.4.4 设备抽象层 |
| 5.4.5 设备驱动层 |
| 5.5 实验分析 |
| 5.5.1 实验配置 |
| 5.5.2 实验结果与对比 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
| 作者简历 |
（7）SWAT模型在南小河沟流域绿水评价中的应用（论文提纲范文）
| 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 绿水概念的研究进展 |
| 1.2.2 绿水评价方法的研究进展 |
| 1.2.3 SWAT模型的研究进展 |
| 1.2.4 目前研究存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 研究区概况及研究方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 土壤地质 |
| 2.1.4 水文气候 |
| 2.1.5 植被类型 |
| 2.2 SWAT模型模拟方法 |
| 2.2.1 数据收集及处理方法 |
| 2.2.2 SWAT模型建立与模拟方法 |
| 2.2.3 模型率定与校正方法 |
| 2.3 试验方案 |
| 3 流域气候变化特征分析及预测 |
| 3.1 研究方法 |
| 3.1.1 Mann-Kendall检验法 |
| 3.1.2 滑动t检验法 |
| 3.1.3 小波分析法 |
| 3.2 降水变化特征分析 |
| 3.3 气温变化特征分析 |
| 3.4 流域未来气候变化预测 |
| 3.5 小结 |
| 4 基于传统方法的流域绿水资源量计算 |
| 4.1 绿水资源量计算方法 |
| 4.1.1 水量平衡法 |
| 4.1.2 微气象学法 |
| 4.2 流域绿水资源量计算结果分析 |
| 4.2.1 水量平衡法计算结果 |
| 4.2.2 微气象学法计算结果 |
| 4.3 小结 |
| 5 基于SWAT模型的绿水模拟 |
| 5.1 SWAT模型原理 |
| 5.2 基础数据的收集与数据库建立 |
| 5.2.1 水文、气象数据 |
| 5.2.2 DEM数据 |
| 5.2.3 土地利用数据 |
| 5.2.4 土壤数据 |
| 5.3 SWAT模型的模拟运行 |
| 5.3.1 子流域的划分 |
| 5.3.2 水文响应单元的划分 |
| 5.3.3 气象数据的输入 |
| 5.3.4 模拟方法的选择与模型运行 |
| 5.4 基于SWAT-CUP的模型校准 |
| 5.4.1 SWAT-CUP模型简介 |
| 5.4.2 参数的敏感性分析 |
| 5.4.3 参数的率定与检验 |
| 5.4.4 SWAT-CUP模型评价指标分析 |
| 5.5 流域绿水模拟结果 |
| 5.6 小结 |
| 6 绿水资源量的评价结果对比及未来预测 |
| 6.1 三种方法模拟结果对比分析 |
| 6.1.1 三种方法的绿水计算结果分析 |
| 6.1.2 不同降水频率下的流域绿水资源量 |
| 6.2 未来气候变化条件下的绿水评估 |
| 6.2.1 未来气候情景下蓝水资源量分析 |
| 6.2.2 未来气候情景下绿水资源量分析 |
| 6.3 小结 |
| 7 结论与建议 |
| 7.1 结论 |
| 7.2 建议 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（8）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（9）视频检索与推荐系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 本章小节 |
| 2 总体设计 |
| 2.1 软硬件平台 |
| 2.2 主要模块介绍 |
| 2.3 主要流程介绍 |
| 2.4 本章小结 |
| 3 详细设计及实现 |
| 3.1 命名实体识别 |
| 3.2 构建索引表 |
| 3.3 Page Rank设计 |
| 3.4 意图识别 |
| 3.5 基于用户的协同过滤 |
| 3.6 基于视频资源的协同过滤 |
| 3.7 本章小结 |
| 4 系统测试 |
| 4.1 功能测试 |
| 4.2 性能测试 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
（10）基于Hadoop的语义Web服务发现的研究（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 相关研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关技术综述 |
| 2.1 语义网和Web服务 |
| 2.2 语义网相关技术 |
| 2.2.1 本体及其描述语言 |
| 2.2.2 RDF与 RDFS |
| 2.2.3 SPARQL查询语言 |
| 2.2.4 Jena简介 |
| 2.3 Web服务发现方法 |
| 2.3.1 传统的Web服务发现 |
| 2.3.2 OWL-S与三元组的映射关系 |
| 2.4 分布式计算相关技术 |
| 2.4.1 Hadoop |
| 2.4.2 Spark |
| 2.4.3 NoSQL |
| 2.4.4 HBase |
| 2.5 现有三元组数据存储模型 |
| 2.5.1 集中式关系型存储模型 |
| 2.5.2 分布式存储模型 |
| 2.6 本章小结 |
| 第3章 Web服务语义数据存储方案设计 |
| 3.1 系统整体框架 |
| 3.2 系统主要模块 |
| 3.2.1 数据预处理模块 |
| 3.2.2 数据存储模块 |
| 3.2.3 数据查询解析模块 |
| 3.3 City Hash编码模型设计 |
| 3.3.1 City Hash算法 |
| 3.3.2 Web服务语义数据编码设计 |
| 3.4 Web服务语义数据存储模型 |
| 3.4.1 三元组数据存储 |
| 3.4.2 Web服务语义数据存储结构设计 |
| 3.5 本章小结 |
| 第4章 基于SPARQL的 Web服务发现算法设计 |
| 4.1 基于SPARQL的语义Web服务发现整体方案 |
| 4.2 SPARQL查询预处理 |
| 4.3 SPARQL查询算法 |
| 4.3.1 Triple Pattern与三元组匹配算法 |
| 4.3.2 Triple Pattern查询算法 |
| 4.3.3 Triple Pattern查询算法的改进 |
| 4.3.4 基于贪心选择的BGP查询算法 |
| 4.4 SPARQL BGP查询实例 |
| 4.5 本章小结 |
| 第5章 实验测试与分析 |
| 5.1 实验环境和数据集 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据集 |
| 5.2 实验效果与分析 |
| 5.2.1 数据加载实验 |
| 5.2.2 数据查询实验 |
| 5.2.3 系统对比与分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、索引表与逐步回归算法的改进与应用（论文参考文献）
- [1]视频大数据内容分析关键技术研究[D]. 李叶光. 吉林大学, 2021
- [2]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [3]LTE-R网络智能故障诊断与预测方法研究[D]. 渠涧涛. 北京交通大学, 2021(02)
- [4]基于Spark的并行随机森林算法研究[D]. 雷晨. 江西理工大学, 2021(01)
- [5]混凝土坝表观裂纹的图像识别关键技术研究[D]. 庞杰. 西南科技大学, 2021(08)
- [6]基于FPGA异构平台的关系型数据库加速技术研究[D]. 薛梅婷. 浙江大学, 2020(01)
- [7]SWAT模型在南小河沟流域绿水评价中的应用[D]. 张玲. 西安理工大学, 2020(01)
- [8]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [9]视频检索与推荐系统的设计与实现[D]. 陈凡. 华中科技大学, 2020(01)
- [10]基于Hadoop的语义Web服务发现的研究[D]. 朱道恒. 贵州大学, 2020(04)