导读:本文包含了容量获取论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:视觉,字典,算法,容量,模型,场景,蜂窝。
容量获取论文文献综述
张文天[1]（2019）在《联合优化内容获取与系统容量的蜂窝关联方案研究》一文中研究指出近年来,随着物联网、第五代移动通信系统(5G)等无线移动通信网络技术的迅速发展,终端数目以指数形式迅速增长,且新型通信业务也不断出现,这使我们进入了一个终端数目庞大、业务特征复杂的通信大数据时代。5G预期将达到更高的数据速率、更大的系统容量、更低的延迟以及更好的终端服务质量。高密度蜂窝网络(Ultra-Dense Cellular Network,UDCN)是5G系统中的关键技术之一,通过在传统大功率宏基站的覆盖范围内大规模密集部署低功率微微蜂窝和飞蜂窝,高密度小蜂窝能够有效提升频谱复用率,拉近终端与服务基站之间的距离,提升系统吞吐量。其次,随着智能移动终端的大规模流行和无线多媒体数据业务的广泛应用,移动数据业务流量成几何倍增长。因此,在未来高密度蜂窝网络中终端如何选择最合适的基站接入并快速获取所需媒体信息内容成为领域内一个重要的科学问题。本学位论文研究了联合优化内容获取与系统容量的蜂窝关联问题,提出了一种联合优化单内容获取与系统容量的蜂窝关联方案。在基于容量最大化的蜂窝关联方案中融入内容获取跳数,从而使得终端在关联到相应蜂窝后能快速获取所需内容。为了减少内容获取跳数,我们首先设计了一种基于贪婪算法的内容部署方案以用来在基站中部署内容。然后借助虚拟基站的方法,将效用函数最大化问题转化为基于二部图的最优匹配,并使用匈牙利算法求得最优解。仿真结果表明,该方案使得两者联合组成的效用函数最大化的同时极大地减少了内容获取跳数。为了验证所提方案适应于更多场景,本学位论文进一步展开了联合优化多内容获取与系统容量的蜂窝关联仿真实验。通过对网络中存在两个和四个内容的场景进行仿真实验,得到了与单内容近似的结论,验证了所提方案也适应于多内容场景。(本文来源于《合肥工业大学》期刊2019-05-01）
李庆[2]（2018）在《快速获取电脑最大支持内存容量》一文中研究指出当电脑内存不够用时,很多朋友都会给自己的电脑加内存来进行扩充,但却不知道自己的电脑究竟能支持多大的内存。只有当你知道内存最大支持多少时,才能保证将内存完全加满,不会浪费内存插槽,特别是对于内存插槽较少的笔记本电脑来说更是如此。本文在这里给出两种快速获取最大内存容量的方法。(本文来源于《电脑知识与技术(经验技巧)》期刊2018年09期）
张艺,钟映春,陈俊彬[3]（2015）在《基于视觉字典容量自动获取的LDA场景分类研究》一文中研究指出提出了一种高效获取词包模型中视觉字典容量的方法,并研究了该方法与隐狄利克雷分配模型(Latent Dirichlet Allocation,LDA)相结合情况下的场景分类性能.在用SIFT特征构建场景图像数据集特征矩阵的基础上,首先采用吸引子传播方法获取场景图像集特征矩阵的合理聚类数目族,并将其中的最小聚类数目作为视觉字典容量,进而生成视觉字典;然后利用所构建视觉字典中的单词描述场景图像训练集和测试集;最后采用LDA模型对场景图像测试集进行场景分类实验.实验结果表明,提出的方法不仅保持了较高场景分类准确率,同时显着提高了场景分类的效率.(本文来源于《广东工业大学学报》期刊2015年04期）
钟宝麟[4]（2015）在《融合AP聚类的视觉字典容量获取及其PLSA场景分类评价》一文中研究指出场景分类是图像理解研究的热点,是研究人类理解图像语义含义的重要方向之一。近年以来,场景分类在医学图像的识别、计算机视觉、图像检索等领域具有重要的应用前景。随着时代的进步,人类所产出的数字图像数量越来越大,只依靠人工标注的方式对图像进行标注获取图像特征,然后再进行分类的方法已不能满足人类的需求,因此,自动化的场景分类的研究越来越重要。目前,场景分类的经典流程是：图像特征提取、构建视觉字典、选取算法分类等。其中构建视觉字典是场景分类中的关键环节之一,本文采用AP (Affinity propagation,吸引子传播)聚类算法自动获取视觉字典容量来构建,相对于经典的大量试验去获得的方法,效率显着提高。另外,本文选取了PLSA(probabilistic latent semantic analysis)算法构建概率生成模型进行场景分类。本文的主要工作如下：第一,本文介绍场景分类的相关背景知识和它们的研究意义,同时分析了聚类算法和获取视觉字典容量的研究现状。第二,本文给出了场景分类的基本流程图。介绍了获取SIFT(Scale-invariant feature transform,尺度不变特征转换)特征的过程、K-均值聚类算法和AP聚类算法,另外还分析了随机产生的100个数据点的聚类结果和比较它们的优缺点。同时详细介绍了PLSA算法。第叁,本文深入研究提取SIFT特征的几种方法,并通过实验分析了采用均匀网格采样法和随机采样法来提取图像的SIFT特征的优缺点,最后得出采用均匀采样法更适合本文对场景分类的研究。第四,本文分别采用K-均值聚类算法和AP聚类算法获取视觉字典容量,然后用PLSA算法进行场景分类,并分析采用这两种方法的优缺点。经典的采用K-均值聚类算法需要大量的试验才可以获得码本,而AP聚类算法一次就可以自动获得码本,显着提高了场景分类的效率。另外研究PLSA算法和采用PLSA算法进行场景分类的过程以及研究了PLSA算法的输入参数k(主题数)的选取,通过选取不同的主题数进行实验,并分析每一次实验的结果,最后得出比较合理的主题数。第五,本文对实验结果进行分析。首先分析采用K-means聚类算法获得码本和采用AP聚类算法自动获得码本并进行的场景图像的分类的两组实验结果。结果表明,采用AP聚类算法获得码本的场景分类比K-means聚类算法获得码本的场景分类的识别率和效率都要高。然后分析在不同的主题数k的PLSA的场景分类的实验结果,作出它们各自的实验识别率的曲线图,从图中可知,当主题数为55时可以获得比较高的识别率。第六,对本文所做的工作做出了总结,并给出了后续的研究建议。(本文来源于《广东工业大学》期刊2015-06-01）
张艺[5]（2015）在《基于视觉字典容量自动获取的LDA场景分类研究》一文中研究指出随着计算机技术和互联网技术的迅速普及与应用,每天都会产生大量的数字图像。面对海量的图像数据集,如何使计算机按照人类认知的方式对这些图像数据集进行高效地分类已成为了图像理解研究领域的一个热点问题。场景图像分类的方法多种多样,其中,利用LDA(Latent Dirichlet Allocation,隐狄利克雷分配)模型实现场景图像分类是目前研究的一个热点。基于LDA模型的场景分类方法的经典流程是：首先提取所有场景图像的SIFT (Scale-invariant feature transform,尺度不变特征转换)特征,并利用K-means聚类算法对场景图像的SIFT特征进行聚类,构建视觉字典,然后计算场景图像SIFT特征与视觉字典中单词的欧氏距离,生成词频矩阵,最后利用LDA模型学习并完成场景分类。由于采用K-means聚类算法获取视觉字典容量时,需要人为反复试验才能确定合理的视觉字典容量,效率极其低下。针对这个问题,本文提出采用AP(Affinity Propagation,吸引子传播)聚类算法自动获取合理的视觉字典容量,进而实现LDA模型场景分类,提高场景分类效率。本文的主要工作如下：首先,本文介绍了场景分类的背景以及研究意义；分析了场景分类的研究现状,并介绍了本文的研究工作和主要研究成果。其次,本文介绍了场景分类方法的相关理论。给出了场景分类的整体框架,阐述了场景图像SIFT特征提取的具体流程；列出了聚类算法的种类,详细介绍K-means聚类算法和AP聚类算法,并分析比较了这两种聚类算法的优缺点。第叁,提出了一种基于视觉字典容量自动获取的LDA场景分类方法。利用SIFT算法提取场景图像的SIFT特征,然后分别使用K-means聚类算法和AP聚类算法获取视觉字典容量,构建视觉字典并生成图像SIFT特征与视觉字典中单词的词频矩阵,最后利用LDA模型学习潜在主题分布,实现场景分类。实验结果表明,本文提出的场景分类方法更高效。第四,本文对实验结果进行了分析。将基于K-means聚类算法的LDA场景分类方法与基于AP聚类算法的LDA场景分类方法的实验结果进行了对比。实验结果表明：基于AP聚类的LDA建模方法不仅能够较快的获取合理的视觉字典容量,而且场景分类的准确率可达到79%以上,而基于K-means聚类的LDA建模方法得到的分类准确率与视觉字典容量之间的关系曲线并无规律可循,分类准确率最高为78.10%。接着,研究LDA模型主题数对场景分类性能的影响,实验结果表明在主题数相对较少时具有相对较高的分类准确率；LDA模型中的两个超参数α和β对分类效率没有影响,超参数α的改变对分类准确率的影响呈现无规律性,而超参数β的增大,会导致分类准确率逐渐降低。最后,通过对图像场景分类结果的混淆矩阵的分析,结果表明：LDA模型对室内场景的分类准确率较低。最后,对本文的研究成果做出总结,指出本文主要的贡献,并给出了后续的研究建议。(本文来源于《广东工业大学》期刊2015-05-01）
钟映春,钟宝麟[6]（2015）在《融合AP聚类视觉字典容量获取及其PLSA评价研究》一文中研究指出针对目前需要大量实验方可获得视觉字典的不足,提出了一种一次既可获得合理的视觉字典方法。首先,采用尺度不变特征转换SIFT[1](Scale-invariant feature transform)局部描述子构建场景图像数据集的特征矩阵;其次,采用AP聚类算法对场景图像的特征矩阵进行聚类,获得聚类中心数,也就是合理的视觉字典容量,并结合K-means算法获得共现矩阵,再用PLSA算法构建概率模型,然后用SVM[2]进行分类得出正确率。最后,用该方法与传统的通过大量实验的获得合理的视觉容量的方法进行对比分析主题数K(PLSA的参数之一)对实验结果影响。(本文来源于《工业控制计算机》期刊2015年04期）
谢世雄[7]（2014）在《高速图像获取和大容量数据存储系统的设计》一文中研究指出近些年来,无人机航拍迅猛发展,其优越的灵活性与机动性使之迅速占据了航拍应用的主导地位。同时航拍使用的成像探测器趋向于高分辨率和高帧频化,这对高速图像获取和大容量数据存储系统的设计提出了更高的要求。由于无人机机载航拍的特殊性,这样的系统必须满足体积小、重量轻、带宽高、容量大、稳定性好等要求,增加了开发的难度。本课题来源于实际项目,针对Photonfocus公司开发的CMOS相机设计一款应用于无人机上的电子学系统,系统需要采集相机航拍记录数据,连同其他飞行、坐标信息一同进行存储以满足4小时的航拍记录。本文对此设计了一款由电源系统,采集板以及存储板组构成的电子学系统。通过层迭连接结构满足了系统尺寸要求,并且采用了FPGA与NAND FLASH架构组成的存储系统,满足了存储带宽和容量要求。文章首先从项目需求出发,分析了电子学系统应用环境和设计的特殊性,介绍了电子学系统的框架设计,核心器件选型及各部分电路设计。其次确定了系统对外及内部接口,制定了通信协议,在此基础之上分别对采集板与存储板进行软件实现。最后通过分立和级联验证,确定系统在满足项目需求的144MByte/s带宽和1.98TByte容量基础之上,能够达到400MByte/s的带宽,并且在电源系统供能允许范围之内,存储容量可以以320GByte为单位继续增加。(本文来源于《西安电子科技大学》期刊2014-12-01）
钟映春,谭志,孙伟,连伟烯[8]（2014）在《视觉字典合理容量的自动获取研究》一文中研究指出针对当前完全依赖反复人为实验摸索才能获得视觉字典容量的现状,提出一种自动计算视觉字典合理容量的方法。采用尺度不变特征转换(SIFT)局部描述子构建场景图像数据集的特征矩阵,采用主成分分析(PCA)方法进行降维处理;采用吸引子传播聚类方法 (AP聚类)对特征矩阵进行聚类处理,估算获得视觉字典的合理容量,并将合理容量的视觉字典用于支持向量机(SVM)中进行场景分类的训练和识别。将该方法与经典的K-means视觉字典容量获取方法进行对比,对比结果表明,该方法提高了场景分类的精度,显着减少了场景分类的运行时间,提高了计算效率。(本文来源于《计算机工程与设计》期刊2014年09期）
谭志[9]（2014）在《场景分类视觉字典容量的自动获取研究》一文中研究指出根据场景含义对图像进行分类是图像理解研究的热点,是研究人类理解图像语义含义的重要方向之一。近年来,场景分类在图像检索、医学图像的识别、计算机视觉和机器人,对周围环境的感知等领域具有重要而现实的应用前景。面对日益庞大的数字图像,依靠经典的人工标注的方式对图像进行标注获取图像特征,然后对图像进行分类的工作量将变得难以承受,因此,研究更智能化的场景分类方式愈加重要。场景分类的过程包括：场景图像的特征提取、视觉字典的构建、分类结果预测等。在视觉字典的构建过程中,视觉字典合理容量的获取就成为了影响场景分类的精度与效率一个关键因素。针对当前完全依赖反复人为实验摸索才能获得视觉字典容量的现状,提出了一种使用AP聚类算法自动计算视觉字典合理容量的方法。这个方法避免了人为实验摸索去获得视觉字典容量,显着提高了算法的运算效率。本文的主要工作如下：首先,本文介绍了场景分类等相关的背景知识,以及它们的研究意义；分析了聚类算法和视觉字典容量获取的研究现状。其次,本文给出了场景分类的基本流程图。阐述了获取SIFT (Scale-invariant feature transform,尺度不变特征转换)特征的详细过程、K-均值聚类算法和AP (Affinity Propagation,吸引子传播)聚类算法,并且通过对随机产生的100个数据点的聚类结果进行对比,分析比较了两种聚类算法的优缺点。K-均值聚类算法的聚类中心数目要人为预先指定,而且初始聚类中心的不同会导致聚类结果的不同。而AP聚类则是通过算法的迭代自动获取聚类中心,而且在迭代的过程中,经过44次就趋于稳定。此外,还分析了AP聚类算法中的两个参数对聚类结果的影响。实验表明,在无先验知识的情况下,AP聚类算法要优于K-均值聚类算法。第叁,本文对SIFT特征的提取方法进行了深入研究,给出了当前提取SIFT特征构建视觉单词的几种方法。通过实验仿真对比了使用均匀网格采样法和随机采样法提取场景图像SIFT特征的优缺点,实验结果表明,均匀采样法更适用于本文对场景分类的研究。第四,本文对提取得到的特征矩阵数据进行了预处理。然后分别使用K-均值聚类算法和AP聚类算法获取视觉字典容量,使用SVM进行场景分类。使用K-均值聚类算法获取了一条视觉字典容量和识别率之间的关系曲线。然后改变AP聚类中的参数-参考度,分析了参数对场景分类的影响。并使用IGP (In-Group Proportion,类内比例)指标对聚类效果进行了评价。第五,本文对实验结果进行了分析。首先,把用K-means聚类算法得出的识别率与视觉字典容量之间的关系曲线和通过AP聚类算法自动获取视觉字典容量进行了对比。实验结果表明：使用AP聚类算法能够较快的获取视觉字典容量,而且场景分类的识别率可以达到81%以上。而使用K-means聚类算法,得出的识别率与视觉字典容量之间的关系曲线并无规律,分类精度最高的视觉字典容量分别为350、750、1100和1350。本文还给出了几个重要的参数对实验结果的影响,通过IGP的值选择参考度的值,验证了AP聚类的有效性和得到的视觉字典容量的合理性。最后,通过混淆矩阵来评价分类的结果。第六,对本文所做的工作做出了总结,并给出了后续的研究建议。(本文来源于《广东工业大学》期刊2014-05-01）
张放,刘继春,高红均,黄山,张凯杰[10]（2013）在《基于风电不确定性的电力系统备用容量获取》一文中研究指出针对风电功率预测的不确定性对电力系统备用容量的影响,建立了基于风电不确定性的备用容量获取模型。首先利用场景法模拟生成风电功率、负荷及常规机组的不确定性模型,进而对生成场景进行概率统计得出系统差额概率密度函数,得出系统电量不足期望(EENS)和风能浪费风险(EWWR)指标,并通过EENS和EWWR指标及备用容量成本从系统可靠性和经济性两方面折中进行系统正、负备用容量的确定。最后通过10机系统仿真,验证了该方法在满足可靠性前提下有效地减少了备用成本和弃风量。(本文来源于《电力系统保护与控制》期刊2013年13期）
容量获取论文开题报告
（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：
当电脑内存不够用时,很多朋友都会给自己的电脑加内存来进行扩充,但却不知道自己的电脑究竟能支持多大的内存。只有当你知道内存最大支持多少时,才能保证将内存完全加满,不会浪费内存插槽,特别是对于内存插槽较少的笔记本电脑来说更是如此。本文在这里给出两种快速获取最大内存容量的方法。
（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。
容量获取论文参考文献
[1].张文天.联合优化内容获取与系统容量的蜂窝关联方案研究[D].合肥工业大学.2019
[2].李庆.快速获取电脑最大支持内存容量[J].电脑知识与技术(经验技巧).2018
[3].张艺,钟映春,陈俊彬.基于视觉字典容量自动获取的LDA场景分类研究[J].广东工业大学学报.2015
[4].钟宝麟.融合AP聚类的视觉字典容量获取及其PLSA场景分类评价[D].广东工业大学.2015
[5].张艺.基于视觉字典容量自动获取的LDA场景分类研究[D].广东工业大学.2015
[6].钟映春,钟宝麟.融合AP聚类视觉字典容量获取及其PLSA评价研究[J].工业控制计算机.2015
[7].谢世雄.高速图像获取和大容量数据存储系统的设计[D].西安电子科技大学.2014
[8].钟映春,谭志,孙伟,连伟烯.视觉字典合理容量的自动获取研究[J].计算机工程与设计.2014
[9].谭志.场景分类视觉字典容量的自动获取研究[D].广东工业大学.2014
[10].张放,刘继春,高红均,黄山,张凯杰.基于风电不确定性的电力系统备用容量获取[J].电力系统保护与控制.2013
论文知识图
