导读:本文包含了自适应算法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:算法,自适应,图像,尺度,模型,载荷,吞吐量。
自适应算法论文文献综述
冯红波,李萍,王博[1]（2020）在《基于自适应权重Retinex和小波变换的彩色图像增强算法》一文中研究指出针对现有图像增强技术容易出现细节丢失、局部曝光不足、过曝光或颜色失真,不能兼顾对比度和色彩保真的问题,提出了基于自适应权重Retinex与小波变换结合的彩色图像增强算法(AMSR-WT)。将图像从RGB空间转换到HSI空间,对亮度分量I进行小波变换分解为低频亮度图像和若干高频亮度图像,对低频图像使用自适应权重Retinex进行增强,对高频图像使用改进的阈值去噪算法进行去噪,通过小波逆变换重构亮度分量,经过Gamma校正进一步增强对比度并转换回RGB空间得到增强图像。实验结果表明,该算法有效提高了图像对比度和颜色保真度,较好地保留了图像的细节和纹理。(本文来源于《无线电工程》期刊2020年01期）
赵柏山,李嘉欣,陈瑜[2]（2020）在《一种基于RBAR的高效速率自适应算法》一文中研究指出在动态变化的无线信道环境下传输数据时,选择适当的传输速率可以提高数据传输系统的性能,目前已经有多种速率自适应算法被提出。针对RBAR速率自适应算法需多次发送RTS/CTS控制帧浪费网络带宽这一缺点,提出一种改进速率自适应算法。改进后算法兼容IEEE802.11标准,通过监测系统吞吐量的变化,判断是否发送RTS/CTS帧更新传输速率,减少RTS/CTS控制帧的发送次数,提高系统整体性能。对系统吞吐量进行理论推导,通过仿真实验验证改进算法,可以通过减少RTS/CTS控制帧的发送次数提高系统吞吐量。(本文来源于《无线电工程》期刊2020年01期）
苗晓锋,刘志伟[3]（2019）在《引入反向学习机制的自适应差分进化算法研究》一文中研究指出差分进化算法(DE)是一种着名的处理非线性复杂问题的优化技术,为改进其计算开销大,参数设置与问题本身特性过于相关等缺陷,提出了一种新的差分进化算法(MDE)。它结合了反向学习(OBL)和自适应控制机制来进行参数调整,从而能加速算法收敛,同时提高求解成功率。在Matlab环境中进行的测试实验结果表明,MDE在收敛速度、鲁棒性和计算开销等方面的性能在大部分测试用例上优于已有的多种算法,证明混合策略是一种行之有效的差分进化算法的研究路径。(本文来源于《计算机与数字工程》期刊2019年12期）
向新胜,贡军民,刘牧洲,郭登明,代慧[4]（2019）在《载荷自适应五连杆抽油机的算法实现》一文中研究指出介绍了新型载荷自适应节能抽油机的数值求解算法:首先确定了驴头上下冲程死点的位置,然后对游梁摆角和平衡扭矩的迭代算法和收敛性进行分析。以CYJZ10-4.2-53HF型载荷自适应抽油机为计算实例,对静、动载荷下悬点角位移、速度、加速度进行对比。结果表明,载荷自适应节能抽油机的数值求解算法计算是可行的,计算结果是收敛的,并得到了现场的进一步验证。(本文来源于《长江大学学报(自然科学版)》期刊2019年12期）
卢海涛,田爱奎,王振,韩雪莲[5]（2019）在《数据统计查询自适应加权算法》一文中研究指出为解决汉明距离检索大量数据点共享相同汉明距离,检索结果排序模糊的问题,提出一种利用数据原始特征的加权距离检索算法。在数据集特征二值化前获得统计信息,使用查询向量的哈希特征替换二值编码计算权重值。利用数据集统计信息、查询向量和数据库二值编码计算权重值,避免由二值化引起的原始数据信息的大量丢失,更好保留了查询图像之间的差异。在两个数据集上进行实验对比,对比结果表明,该算法排序更精确,性能更优越。(本文来源于《计算机工程与设计》期刊2019年12期）
胡云层,路红,杨晨,花湘,彭俊[6]（2019）在《融合DSST和KCF的尺度自适应跟踪算法》一文中研究指出针对核相关滤波(kernelized correlation filters,KCF)算法无法对目标尺度变化做出响应,和判别型尺度空间跟踪(discriminative scale space tracking,DSST)算法计算效率较低,难以实现实时跟踪的问题,提出一种融合KCF与DSST的跟踪算法。用最小二乘法获得位置滤波器,检测候选样本并估计目标位置;从目标位置中心提取33种不同尺度下的梯度直方图特征作为样本训练获得尺度滤波器;在目标位置应用尺度滤波器来获得目标尺寸的准确估计。实验结果表明,该算法对目标尺度变化有较强的自适应能力,在测试集上平均速度达到103.7帧/秒,满足实时性要求。(本文来源于《计算机工程与设计》期刊2019年12期）
李庆忠,赵峂,牛炯[7]（2019）在《低照度图像自适应颜色校正与对比度增强算法》一文中研究指出光照变化会造成图像颜色失真和清晰度的下降,为了使计算机视觉系统具有颜色恒常感知功能,提出了一种基于极限学习机和杜鹃搜索算法的图像颜色校正与对比度增强算法.首先对于输入图像,提取该图像的17维特征向量,并利用训练好的极限学习机神经网络自适应地选择适合该图像的最佳颜色恒常算法,并进行相应的颜色校正;然后,针对图像的亮度分量,利用杜鹃搜索算法自动确定亮度增强函数的最优参数,并进行相应的对比度增强.基于Funt数据集的实验结果表明,文中算法不仅能有效地完成图像颜色校正,还能自适应地提高图像的信息量和对比度,获得图像颜色和对比度的综合最佳视觉质量.(本文来源于《计算机辅助设计与图形学学报》期刊2019年12期）
莫伟杏,胡春筠,蔡坤[8]（2019）在《基于正弦自适应权重的模拟退火粒子群算法》一文中研究指出将模拟退火算法混合到粒子群算法中,虽然能够有效地解决粒子群算法容易陷入局部极值的问题,但是在用此混合算法求解复杂高维函数时,收敛速度较慢、精确度较低。为解决此问题,提出对惯性权重的正弦自适应变化的方案,即正弦自适应权重的模拟退火粒子群算法。本文采取四个基准函数来对提出的优化算法进行仿真,同时与改进前的模拟退火粒子群算法和其他人所提出的基于惯性权重改进的优化方案进行比较。结果表明,优化后的算法拥有更强的收敛能力,更高的精确度,更加稳定的优化值。(本文来源于《电子世界》期刊2019年23期）
吕艳霞,刘波男,王翠荣,王聪,万聪[9]（2019）在《面向概念漂移数据流的自适应增量集成分类算法》一文中研究指出利用集成模型可以应对实时数据流分类问题中的概念漂移.许多经典集成算法都是通过对数据采样,或者通过对概念漂移的检测从而进行集成模型的更新来应对数据流种产生的概念漂移问题的.如何使得模型可以及时的在当前的概念上迅速建立模型一直是在线数据流学习关注的问题.本文使用增量学习和迁移学习的思想提出了一种新的历史模型自适应概念漂移的数据流集成分类算法HAEL,在集成模型中引入注意力机制,可以始终优先关注当前的数据来构建和更新分类模型,并且提出通过利用准确率比较范围参数来调整模型对当前数据的关注程度,从而使得模型更好的应对概念漂移.通过在四种类型的概念漂移数据集上的实验表明,HAEL与传统算法相比均表现出更高的分类准确率.(本文来源于《小型微型计算机系统》期刊2019年12期）
潘韬丞,严高艳,蔡光程[10]（2019）在《基于改进自适应TV模型的全自适应去噪算法》一文中研究指出为使保边性更好的去噪模型在邻近图像边缘处得到应用,同时在图像平坦处得到平滑性更好的模型,解决选择单一的正则项系数对图像处理结果造成的不良影响,有效地自适应选取正则项系数,采用基于小波变换的图像分割技术将图像分为边缘区域和平坦区域,通过修改TV模型的数值解法和ROF算法,实现自适应正则项系数算法。实验结果表明,改进的模型和自适应正则项系数选取算法得出的图像,均方误差为56.69,峰值信噪比为31.00,平均相似度为0.84。改进的TV模型在图像去噪效果方面优于原模型,自适应正则项系数算法能够弥补原图像去噪方法的不足。(本文来源于《软件导刊》期刊2019年12期）
自适应算法论文开题报告
（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：
在动态变化的无线信道环境下传输数据时,选择适当的传输速率可以提高数据传输系统的性能,目前已经有多种速率自适应算法被提出。针对RBAR速率自适应算法需多次发送RTS/CTS控制帧浪费网络带宽这一缺点,提出一种改进速率自适应算法。改进后算法兼容IEEE802.11标准,通过监测系统吞吐量的变化,判断是否发送RTS/CTS帧更新传输速率,减少RTS/CTS控制帧的发送次数,提高系统整体性能。对系统吞吐量进行理论推导,通过仿真实验验证改进算法,可以通过减少RTS/CTS控制帧的发送次数提高系统吞吐量。
（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。
自适应算法论文参考文献
[1].冯红波,李萍,王博.基于自适应权重Retinex和小波变换的彩色图像增强算法[J].无线电工程.2020
[2].赵柏山,李嘉欣,陈瑜.一种基于RBAR的高效速率自适应算法[J].无线电工程.2020
[3].苗晓锋,刘志伟.引入反向学习机制的自适应差分进化算法研究[J].计算机与数字工程.2019
[4].向新胜,贡军民,刘牧洲,郭登明,代慧.载荷自适应五连杆抽油机的算法实现[J].长江大学学报(自然科学版).2019
[5].卢海涛,田爱奎,王振,韩雪莲.数据统计查询自适应加权算法[J].计算机工程与设计.2019
[6].胡云层,路红,杨晨,花湘,彭俊.融合DSST和KCF的尺度自适应跟踪算法[J].计算机工程与设计.2019
[7].李庆忠,赵峂,牛炯.低照度图像自适应颜色校正与对比度增强算法[J].计算机辅助设计与图形学学报.2019
[8].莫伟杏,胡春筠,蔡坤.基于正弦自适应权重的模拟退火粒子群算法[J].电子世界.2019
[9].吕艳霞,刘波男,王翠荣,王聪,万聪.面向概念漂移数据流的自适应增量集成分类算法[J].小型微型计算机系统.2019
[10].潘韬丞,严高艳,蔡光程.基于改进自适应TV模型的全自适应去噪算法[J].软件导刊.2019
论文知识图
