导读:本文包含了概念检测论文开题报告文献综述及选题提纲参考文献，主要关键词:增材制造,无损检测,缺陷,检测标准
概念检测论文文献综述
孙长进,赵宇辉,王志国,吴嘉俊,何振丰[1]（2019）在《增材新概念结构无损检测技术发展现状及趋势研究》一文中研究指出增材制造在近年来取得了长足的发展使其大规模应用在工业领域成为可能,对相关制品的无损检测则越来越受到各方面的重视。本文简要论述了金属增材结构目前的应用情况和主要的缺陷特征,适用于增材结构的主要无损检测方法及其特点,检测难点和研究进展,及无损检测标准方面的现状。并据此提出相关的研究方向建议。(本文来源于《真空》期刊2019年04期）
张鹏,叶剑,张鹏[2]（2019）在《基于概念漂移检测的大数据交易过程模型优化方法》一文中研究指出通过大数据交易过程模型优化,实现对大数据交易过程的精确建模,对于构建稳定、鲁棒和精确的交易平台至关重要.然而,大数据交易流程随时间而变化,传统的静态模型优化方法无法反映现实流程模型的时态变化特征.为此,本文提出一种基于概念漂移的大数据交易模型优化方法,在概念漂移点检测和定位的基础上,设计大数据交易日志分割算法,演算日志精准分割点,构建具有时变特性的大数据交易分段模型,实现基于日志分割的模型优化.该方法在天元大数据交易平台的应用实践表明,优化模型在拟合度和精确度方面均优于静态模型,对大数据交易演化过程的适配性更强.(本文来源于《电子学报》期刊2019年07期）
武浩,韩华,崔晓钰,范雨强,徐玲[3]（2019）在《基于概念漂移检测的制冷系统故障诊断模型自适应》一文中研究指出制冷系统实际运行中,故障诊断模型可能出现诊断性能波动或下降等情况,需具备再学习能力以适应现场数据。本文设计了一种基于正确率阈值的概念漂移检测机制及支持向量机增量学习的故障诊断自适应模型,并将其应用于制冷剂过量故障的再学习。该算法通过两次优化选择、过滤数据信息,保留原有诊断知识,仅学习未知样本信息,可极大地节约模型学习时间,快速适应新环境。结果表明,新的故障种类出现时,诊断模型检测到概念漂移,进而通过增量学习进行自我更新,实现对新故障的学习与诊断。1 400个过量故障样本中诊断模型只需要学习600个,且保证最终模型对后续数据流具有较佳诊断性能,正确率高达99%。在现场制冷系统故障诊断应用中,诊断模型的再学习和自适应体现出良好的应用前景。(本文来源于《制冷学报》期刊2019年04期）
沈洪[4]（2019）在《地基基础工程检测中常见易混概念解析》一文中研究指出在地基基础工程检测过程中,往往会遇到一些难以厘清或容易混淆的概念,同一个概念在执行不同的规范时,其所代表的含义也不尽相同,值得相关从业人员关注。(本文来源于《四川建材》期刊2019年06期）
徐彬[5]（2019）在《基于概念漂移的流数据异常检测平台研究》一文中研究指出随着传感器技术、互联网技术的发展,以及IPV6的推行,物联网将会把互联网技术推进一个新的时代。在万物互联的世界中,用户将对数据的收集和共享提出更多需求,以至于数据量的极速增长。与传统的批处理数据相比,流数据作为一种新的数据形式,主要具有以下叁个特征:一是对数据处理具有较强的实时性要求;二是数据分布可能随时间不断变化;叁是数据规模极其庞大。如金融股票、网络流量监控、用户购物浏览信息、无线传感器网络等领域,数据均是以流的形式存在的。由于在实际场景中流数据的广泛应用,针对流数据可靠性的相关研究迅速得到人们的重视。而异常检测作为可靠性分析的重要组成部分,也成为了流式数据的研究热点之一。异常检测拥有广泛的应用场景,例如入侵检测、日志分析、复杂系统故障检测和智能家居报警等。流数据的异常检测与传统数据异常检测存在较大的区别,其中最主要的影响因素是流数据具有概念漂移的特性。概念漂移即数据分布会随着时间的推移不断变化。在传统的异常检测算法一般假设数据分布是稳定不变的,因此若将传统异常检测算法直接应用于流数据,则无法识别并处理概念漂移,从而使得检测性能不断恶化。本文将针对存在概念漂移的数据流,研究流数据的异常检测算法,并在Storm平台上进行实现。本文主要研究内容包含以下叁个部分:(1)基于概念漂移的异常检测算法研究该部分研究结合聚类、马尔可夫模型和窗口理论,针对现有的流数据异常检测算法存在的新概念检测的滞后性问题进行优化。(2)基于上下文信息的数据补全算法研究该部分解决的问题主要包括两类:一是在概念漂移的状态下对数据进行分类;二是在数据属性缺失过多无法分类时,结合上下文信息对其进行分类。(3)Storm分布式实时异常检测平台的实现结合1和2中的理论研究,在Storm平台上部署实时异常检测算法。本文实验结果表明,改进后的异常检测算法聚类效果更稳定,获取新概念的能力更强。参考上下文信息的数据补全算法解决了原有的分类特征缺失过多而无法分类的问题。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
刘娜[6]（2019）在《业务流程概念漂移检测与决策点挖掘算法的研究》一文中研究指出计算机数据存储、传输、处理能力的提高,使工作流管理系统、业务流程管理系统等信息系统数据量显着增加,如何高效使用相关数据挖掘业务流程信息成为近十年业务流程管理领域的研究热点,并促使流程挖掘这一学科的创立。尽管目前流程挖掘的多项研究成果已在工业界实现应用,但仍存在一些问题。在由超过75位来自50多个组织的学者共同撰写的《流程挖掘声明》[1]169中,列出了 11个流程挖掘领域亟待解决的问题,包括:流程数据的识别、融合和清洗,概念漂移检测,将流程挖掘与其他学科相结合,跨组织流程挖掘等。本文针对其中的概念漂移检测,以及将流程挖掘和机器学习相结合进行决策挖掘展开研究。在概念漂移检测的研究方面,已有多位学者做出了开拓性的研究成果,但他们多专注于离线概念漂移检测,且多使用假设检验和滑动窗口的方法。这些方法由于需要同时读入大量数据和实时性差等特点无法直接应用于在线领域,为了解决此问题本文提出了一个在线业务流程概念漂移检测的框架,此框架包含叁个业务流程模型库,用于存储当前模型、候选模型和先前模型。当前模型用于存储目前正在运行的业务流程模型,作为检测概念漂移的基准,候选模型用于去噪,先前模型用于确定概念漂移类型。同时,本文根据此框架提出了一个业务流程概念漂移检测的方法,此方法使用关系提取和模型精确度检测识别业务流程概念漂移。对比实验的结果显示,本文提出的框架和方法可以准确、高效地进行在线业务流程概念漂移检测。在决策挖掘的研究方面,现有研究方法分为叁个步骤,首先,使用已有控制流流程挖掘算法挖掘出业务流程的控制流模型,其次,根据控制流模型确定决策点,最后,使用机器学习的方法如决策树算法挖掘出决策信息。使用控制流流程挖掘算法挖掘出的业务流程模型可能存在日志中的活动没有在模型中体现,不够简洁,模型中包含日志中不存在的活动等问题,以此算法为基础进行的控制流挖掘准确度势必将受到影响。本文通过挖掘流程中活动间控制流关系确定决策点,有效地提高了决策挖掘的准确度。(本文来源于《北京邮电大学》期刊2019-05-31）
林汤权[7]（2019）在《协同任务中关键资源服务链发现与概念漂移检测方法》一文中研究指出在协同任务环境下,借助工作流管理系统实现企业业务、信息和资源整合,使得多组织参与的业务过程执行更加高效。但是,由于资源服务数量巨大,种类庞杂,资源服务选取效率亟待提高。伴随着业务过程的执行,服务于业务活动的资源服务形成资源服务链(Resource-Service Chain,RSC),挖掘资源服务链对于提高资源服务选取效率以及优化业务过程执行具有重要意义。由于资源服务往往由其特征描述,这些特征间又存在相关性,因此,从特征间相关性分析入手,基于数据挖掘的方法分析资源服务链,本文的研究工作如下:(1)关键资源服务链发现方法。通过分析业务数据集,研究资源服务链中上游资源服务对下游资源服务的影响程度。具体地,资源服务间的影响关系由资源服务特征间的关联程度决定,基于资源服务特征值的定基指标,研究资源服务间的关联程度,即影响度;基于资源服务特征间的影响度,研究关键资源服务链的发现方法;并以电器类产品设计与制造过程为例进行仿真实验,验证本文提出的关键资源服务链发现方法的有效性。(2)关键资源服务链的概念漂移检测方法。通过分析业务数据集,研究资源服务间影响度的变化。首先提出一种融合密度和秩次的聚类方法(Clustering Combining Density with Rank,Den_Rank),在不同时间窗口下,对上下游资源服务特征的影响度进行聚类,建立资源服务链的影响度基准;再从关键特征序列层面对关键资源服务链进行概念漂移检测,并设计实验验证本文提出的关键资源服务链概念漂移检测方法的有效性。最后,探讨本文提出的基于关键资源服务链的概念漂移检测方法在中小企业云制造公共服务平台系统中的应用过程。(本文来源于《华侨大学》期刊2019-05-23）
奠雨洁,金琴[8]（2019）在《视听相关的多模态概念检测》一文中研究指出随着在线视频应用的流行,互联网上的视频数量快速增长.面对互联网上海量的视频,人们对视频检索的要求也越来越精细化.如何按照合适的语义概念对视频进行组织和管理,从而帮助用户更高效、更准确地获取所需视频,成为亟待解决的问题.在大量的应用场景下,需要声音和视觉同时出现才能确定某个视频事件.因此,提出具有视听信息的多模态概念的检测工作.首先,以名词-动词二元组的形式定义多模态概念,其中名词表达了视觉信息,动词表达了听觉信息,且名词和动词具有语义相关性,共同表达语义概念所描述的事件.其次,利用卷积神经网络,以多模态概念的视听相关性为目标训练多模态联合网络,进行端到端的多模态概念检测.实验表明:在多模态概念检测任务上,通过视听相关的联合网络的性能超过了单独的视觉网络和听觉网络.同时,联合网络能够学习到精细化的特征表示,利用该网络提取的视觉特征,在Huawei视频数据集某些特定的类别上超过ImageNet预训练的神经网络特征;联合网络提取的音频特征,在ESC50数据集上,也超过在Youtube8m上训练的神经网络音频特征约5.7%.(本文来源于《计算机研究与发展》期刊2019年05期）
尹玉[9]（2019）在《基于Spark的半监督集成学习的视频语义概念检测》一文中研究指出随着智能携带设备所代表的移动互联网的兴起,视频语义概念检测技术越来越成为当今的热门研究方向。视频语义概念检测应用活跃在人们日常生活中的互联网视频、交通安全、视频监控和视频医疗等各个角落,但是由于视频内容的复杂、多变和噪声等问题的存在,视频语义概念检测研究仍然面临着巨大的挑战。在研究了大量的国内外文献之后,首先,对视频语义概念检测的背景、意义和国内外研究现状进行了简单的陈述;其次,简述了半监督学习、集成学习、视频语义概念检测技术的相关知识;再次,针对国内外的研究所存在问题,本文重点研究了伪标签置信选择的半监督集成学习的视频语义概念检测方法和基于Spark的视频语义概念处理检测框架,并且为了验证所提方法和框架的可用性,设计实现了基于Spark的视频语义概念检测原型系统。本文的主要研究工作如下:(1)为了解决有标记样本不足会严重影响视频语义概念检测的性能问题和伪标签样本中的噪声会导致集成学习基分类器性能提升不足问题,提出了一种伪标签置信选择的半监督集成学习的视频语义概念检测方法。首先,在叁个不同的特征空间上训练出叁个基分类器,得到基分类器的标签矢量;然后,引入加权融合样本所属某个类别的最大概率与次大概率的误差和样本所属某个类别的最大概率与样本所属其它各类别的平均概率误差,作为基分类器的标签置信度,融合标签矢量和标签置信度得到样本的伪标签和伪标签置信度;接着,选择伪标签置信度高的样本加入到有标签的样本集,迭代训练基分类器;最后,采用训练好的基分类器集成协作检测视频语义概念。本方法选择的伪标签能体现样本所属类别与其它类别的总体差异性,又体现所属类别的唯一性,可减少利用伪标签样本的风险,实验结果表明,本方法可有效提高视频语义概念检测的准确率。(2)为了解决视频语义概念检测运行效率低下的问题,提出了一种基于Spark的视频语义概念处理检测框架。该框架包括基于Spark的视频语义关键帧提取框架、基于Spark的视频语义特征提取框架、基于Spark的半监督集成分类器模型训练框架和基于Spark的视频语义分类检测框架。该框架可以内存式并行化处理视频语义关键帧提取、特征提取、模型训练和视频语义分类检测。在不同实验环境上做了对比实验,实验结果表明,所提框架可以明显提升关键帧提取、特征提取、视频语义模型训练和分类检测的运行速度,提高其运行效率。同时,还总结了集群可用CPU核心数和集群可用内存大小对本框架运行效率的影响趋势和制约本框架效率提升的影响因素。(3)为了验证所提出的伪标签置信选择的半监督集成学习视频语义概念检测方法和基于Spark的视频语义概念处理检测框架的可用性,选用Ubuntu16.04、HDFS、Python、Sklearn和OpenCV等技术或者环境,设计并且实现了基于Spark的视频语义概念检测原型系统。系统界面简洁,使用简单,对用户友好,验证了所提方法和框架的可用性。(本文来源于《江苏大学》期刊2019-04-01）
刘红庆,舒底清,刘燕,黄雁[10]（2019）在《基于加权机制概念漂移的数据流GNB分类检测》一文中研究指出为提高数据流分类检测精度和检测效率,提出一种基于加权机制概念漂移策略的数据流高斯朴素贝叶斯分类检测算法。首先,对所提算法框架进行设计,利用输入数据流直接建立信息表,并构建基于信息表的高斯朴素贝叶斯分类器;其次,利用"Kappa统计"方法建立基于加权机制的概念漂移检测方法,根据输入数据波动性,分别采取线性函数和贝叶斯(非线性)函数进行检测,并利用专家点删除和信息表来处理经常性的概念漂移,实现漂移检测精度和效率的提升;最后,通过仿真实验,显示所提算法在SEA测试集、Hyperplane数据集和SQD测试集上的分类精度分别比选取的对比算法提高分类精度10.3%、16.8%和20.5%以上,验证了所用分类检测算法的有效性。(本文来源于《控制工程》期刊2019年03期）
概念检测论文开题报告
（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：
通过大数据交易过程模型优化,实现对大数据交易过程的精确建模,对于构建稳定、鲁棒和精确的交易平台至关重要.然而,大数据交易流程随时间而变化,传统的静态模型优化方法无法反映现实流程模型的时态变化特征.为此,本文提出一种基于概念漂移的大数据交易模型优化方法,在概念漂移点检测和定位的基础上,设计大数据交易日志分割算法,演算日志精准分割点,构建具有时变特性的大数据交易分段模型,实现基于日志分割的模型优化.该方法在天元大数据交易平台的应用实践表明,优化模型在拟合度和精确度方面均优于静态模型,对大数据交易演化过程的适配性更强.
（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。
概念检测论文参考文献
[1].孙长进,赵宇辉,王志国,吴嘉俊,何振丰.增材新概念结构无损检测技术发展现状及趋势研究[J].真空.2019
[2].张鹏,叶剑,张鹏.基于概念漂移检测的大数据交易过程模型优化方法[J].电子学报.2019
[3].武浩,韩华,崔晓钰,范雨强,徐玲.基于概念漂移检测的制冷系统故障诊断模型自适应[J].制冷学报.2019
[4].沈洪.地基基础工程检测中常见易混概念解析[J].四川建材.2019
[5].徐彬.基于概念漂移的流数据异常检测平台研究[D].哈尔滨工业大学.2019
[6].刘娜.业务流程概念漂移检测与决策点挖掘算法的研究[D].北京邮电大学.2019
[7].林汤权.协同任务中关键资源服务链发现与概念漂移检测方法[D].华侨大学.2019
[8].奠雨洁,金琴.视听相关的多模态概念检测[J].计算机研究与发展.2019
[9].尹玉.基于Spark的半监督集成学习的视频语义概念检测[D].江苏大学.2019
[10].刘红庆,舒底清,刘燕,黄雁.基于加权机制概念漂移的数据流GNB分类检测[J].控制工程.2019