导读:本文包含了智能识别方法论文开题报告文献综述及选题提纲参考文献，主要关键词:无线射频,高速公路,机电设备,运行故障
智能识别方法论文文献综述
王振祥,邵宗翰[1]（2019）在《基于无线射频的高速公路机电设备运行故障智能识别方法》一文中研究指出为了提高对高速公路机电设备的智能状态监测和故障诊断能力,提出一种基于无线射频的高速公路机电设备运行故障智能识别方法。采用多维传感器无线射频技术进行高速公路机电设备的运行状态信息采集,对采集的高速公路机电设备的状态特征信息进行信号建模,拟合高速公路机电设备运行故障信号,对故障信号进行频谱加窗处理,结合频谱分析和智能信息检测方法实现对高速公路机电设备故障信号的特征检测和滤波分析,对高速公路机电设备故障信号检测到的特征量进行分类识别,采用BP神经网络分类器,实现对高速公路机电设备运行故障特征的智能分类和辨识,提高对高速公路机电设备的故障智能识别能力。仿真结果表明,采用该方法进行高速公路机电设备运行故障智能诊断的智能识别性能较好,故障检测的抗干扰性和精度较高。(本文来源于《自动化与仪器仪表》期刊2019年11期）
吴钊,王倩,胡全贵[2]（2019）在《基于人工智能的电力状态评估系统不良数据高效识别方法》一文中研究指出为了提高电力状态评估能力,需要对电力状态评估系统不良数据进行准确识别,提出基于人工智能的电力状态评估系统不良数据高效识别方法,采用无线传感器网络进行电力状态评估系统的数据采集,对采集的大数据采样区域状态空间结构重组方法进行数据特征重构,提取电力状态评估系统不良数据的统计特征量,采用多层模板特征匹配方法进行电力状态评估系统不良数据的模糊聚类融合处理,根据特征提取结果进行电力状态评估系统不良数据的分组检测,结合自回归分析方法,提高对电力状态评估系统不良数据识别能力。仿真结果表明,采用该方法进行电力状态评估系统不良数据识别的准确性较高,稳定性较好。(本文来源于《自动化与仪器仪表》期刊2019年11期）
孙敏[3]（2019）在《TFDS系统图像故障智能识别方法研究》一文中研究指出结合当下TFDS系统人机结合检车方式在使用过程中出现的问题和弊端,提出实现TFDS系统图像故障自动识别的观点。在总结和分析目前几种常用的单一故障图像自动识别算法及思想的前提下,提出两种典型的故障识别方法,为TFDS系统智能化全自动化的实现奠定基础。(本文来源于《科技经济导刊》期刊2019年31期）
李田英[4]（2019）在《基于大数据分析的网络资源缺失信息碎片智能识别方法》一文中研究指出针对传统网络资源缺失信息碎片识别方法中识别准确度较低、完成时间较长、能量消耗较大等问题,提出一种基于大数据分析的网络资源缺失信息碎片识别方法。通过对网络资源信息分析,利用非线性时间序列对网络资源不完整信息进行相空间重建,引入关联维数对网络资源不完整信息特征提取;考虑到不完整信息特征中缺失信息碎片对信息类别的贡献度,利用信息熵来衡量缺失信息碎片之间的差异,利用以BP神经网络为基础的集成分类器对缺失信息碎片分类,完成缺失信息碎片识别。结果表明,所提方法识别准确度较高、完成时间较短、能量消耗较小。(本文来源于《山东农业大学学报(自然科学版)》期刊2019年05期）
吕磊,李文彬[5]（2019）在《目标关键部位智能识别学习训练方法平台》一文中研究指出以人工智能为基础,提出了基于卷积神经网络的目标智能识别方法,建立了目标关键部位识别的学习和训练方法,并由构建的目标关键部位智能训练的平台系统,分析了训练系统在未来智能弹药技术中的应用,为智能弹药技术的发展奠定基础。(本文来源于《国防科技》期刊2019年05期）
张晓冉[6]（2019）在《图像信息识别的智能处理方法分析》一文中研究指出智能化图像信息识别技术的发展有着重要意义。分析图像信息识别的智能处理方法,讨论图像信息识别智能处理方法的理论基础。(本文来源于《集成电路应用》期刊2019年11期）
周挺,杨荣[7]（2019）在《多媒体网络语音音调数据特征智能识别方法》一文中研究指出利用传统方法对多媒体网络语音音调数据特征进行识别,存在识别准确性低,识别速度慢的问题。针对上述问题,提出一种新的多媒体网络语音音调数据特征智能识别方法。该方法分为叁部分:第一对输入的多媒体网络语音音调数据进行预处理,包括数据转换、预加重、分帧加窗和端点检测等4步;第二提取预处理数据特征参数,包括基音频率、共振峰、mel倒谱系数;第叁利用GMM-SVM模型在提取到的特征参数基础上进行智能识别。结果表明:利用本方法对多媒体网络语音音调数据特征进行智能识别,与基于人工神经网络的语音特征识别方法和基于蚁群算法特征选择的语音识别方法相比,平均正确识别率提高8.3%和12.4%,平均所用时间减少0.7 s和1.24 s,识别速度加快。(本文来源于《自动化与仪器仪表》期刊2019年09期）
彭统乾[8]（2019）在《基于智能视觉的船体焊接坏点识别方法》一文中研究指出传统的船体焊接坏点识别方法会受周围因素的影响,无法得出准确的识别结果,为了解决这个问题,提出基于智能视觉的船体焊接坏点识别方法。利用智能视觉技术采集船体焊接图像,并对图像进行二值化处理,得到经过去燥处理的船体焊接图像,在完成上述步骤后,利用智能视觉船体焊接坏点识别模型对船体焊接坏点结构进行故障识别,为确保识别结果的准确性,应用映射计算法对其进行进一步处理。由此,完成基于智能视觉的船体焊接坏点识别方法的设计。在实验中,随机选取800张船体焊接坏点结构图像,分别对这2种方法进行实验分析,实验结果表明,所提方法的准确性更高,更适合推广使用。(本文来源于《舰船科学技术》期刊2019年18期）
杨花雨[9]（2019）在《海上视频监控系统组合相似度图像智能识别方法》一文中研究指出在海上防御中,准确识别目标物体具有重要的现实意义。为此,针对2种传统图像目标识别方法存在的精度问题,研究一种海上视频监控系统组合相似度图像智能识别方法。该方法主要分为3步骤,首先对海上监控系统采集到的图像进行预处理,包括图像灰度化、图像平滑去噪、图像增强、图像分割等,然后利用HOG特征提取算法对处理好的图像进行特征提取,最后通过距离公式计算目标特征与数据库中相似性评价标准之间的相似度,完成相似度匹配,实现目标识别。结果表明:与基于K-means聚类、CNN模型等2种传统图像目标识别方法相比,利用本方法编程的软件程序进行25000个海上目标识别,识别准确性分别提高8.1%和7%,提高了海上防御的安全性。(本文来源于《舰船科学技术》期刊2019年18期）
张康,郭双喜,黄鹏起,屈玲,鲁远征[10]（2019）在《一种海洋混合层深度的智能识别方法研究》一文中研究指出文章提出了一种识别混合层深度的人工智能方法。该方法在温度(密度)与压强(或深度)间建立线性模型,并且将其系数和方差做成一组表征廓线特征的统计量。初始时为模型设定一个主观的先验分布,在一个自海表向下移动的窗口内通过贝叶斯链式法则和最小描述长度原理学习新数据,得到系数均值的最大后验概率估计。用F-检验识别系数发生突变的位置,以此确定混合层的存在性及其深度。通过2017年2月太平洋海域的地转海洋学实时观测阵(Arrayfor Real-timeGeostrophicOceanography,ARGO)数据进行测试,并且以质量因子(QualityIndex,QI)值作为判断识别混合层深度结果准确性的依据,发现该方法相比于梯度法、阈值法、混合法、相对变化法、最大角度法和最优线性插值法在识别结果上具备更大的QI值。表明该方法能够准确识别混合层深度。(本文来源于《热带海洋学报》期刊2019年05期）
智能识别方法论文开题报告
（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：
为了提高电力状态评估能力,需要对电力状态评估系统不良数据进行准确识别,提出基于人工智能的电力状态评估系统不良数据高效识别方法,采用无线传感器网络进行电力状态评估系统的数据采集,对采集的大数据采样区域状态空间结构重组方法进行数据特征重构,提取电力状态评估系统不良数据的统计特征量,采用多层模板特征匹配方法进行电力状态评估系统不良数据的模糊聚类融合处理,根据特征提取结果进行电力状态评估系统不良数据的分组检测,结合自回归分析方法,提高对电力状态评估系统不良数据识别能力。仿真结果表明,采用该方法进行电力状态评估系统不良数据识别的准确性较高,稳定性较好。
（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。
智能识别方法论文参考文献
[1].王振祥,邵宗翰.基于无线射频的高速公路机电设备运行故障智能识别方法[J].自动化与仪器仪表.2019
[2].吴钊,王倩,胡全贵.基于人工智能的电力状态评估系统不良数据高效识别方法[J].自动化与仪器仪表.2019
[3].孙敏.TFDS系统图像故障智能识别方法研究[J].科技经济导刊.2019
[4].李田英.基于大数据分析的网络资源缺失信息碎片智能识别方法[J].山东农业大学学报(自然科学版).2019
[5].吕磊,李文彬.目标关键部位智能识别学习训练方法平台[J].国防科技.2019
[6].张晓冉.图像信息识别的智能处理方法分析[J].集成电路应用.2019
[7].周挺,杨荣.多媒体网络语音音调数据特征智能识别方法[J].自动化与仪器仪表.2019
[8].彭统乾.基于智能视觉的船体焊接坏点识别方法[J].舰船科学技术.2019
[9].杨花雨.海上视频监控系统组合相似度图像智能识别方法[J].舰船科学技术.2019
[10].张康,郭双喜,黄鹏起,屈玲,鲁远征.一种海洋混合层深度的智能识别方法研究[J].热带海洋学报.2019