一、基于自适应投影学习算法的RBF神经网络多用户检测方法（论文文献综述）
张常运[1]（2020）在《基于机器学习的多用户干扰消除技术》文中提出近年来,随着互联网的蓬勃发展,移动通信中的用户数变得越来越多,数据流量大量增加,能源的消耗也变得日益严重,在未来的通信中面临着降低成本、提高性能的挑战。为了提高系统的性能,如何消除多用户干扰便成为了一个越来越重要的课题。然而,随着通信的发展,现有的多用户干扰消除算法如多用户检测技术等无法普遍满足于各种应用场景的需求。所以,本文进一步研究使用机器学习算法消除多用户干扰这个问题。深度学习是机器学习中的一个重要方向,它具有自学习、自适应、自组织能力,有较好的容错能力和处理能力。越来越多的学者将深度学习应用于各种通信任务,如调制识别、信号检测等问题。所以,本文研究将深度学习与传统的机器学习算法应用到多用户干扰消除当中。本文主要的研究内容如下:1)在单天线输入单天线输出（SISO）系统中,基本上现有的这些应用都只关注于接收机处对系统的影响,而在本文中同时考虑了发射机和接收机的端到端通信系统。并且引入了信道效应（包括瑞利信道与莱斯信道）。并使用机器学习算法分别设计了上行链路与下行链路的方案,在上行链路中有多个发射机和一个接收机,在下行链路中有一个发射机和多个接收机,其中每个发射机和接收机都用机器学习模型构建。多个用户共享同一信道并在训练期间优化它们,以便利用机器学习算法消除它们之间的干扰。用本文提出的方案与现有的多用户检测技术进行仿真比较,可以看出该方案提高了系统的性能。2)在本文中扩展了SISO系统的方案,在多天线输入多天线输出（MIMO）系统中分别设计了上行链路与下行链路的方案。MIMO系统是现代通信的主要研究方向,它在发送端和接收端都使用多根天线,具有极高的频谱利用效率,在对现有频谱资源充分利用的基础上通过利用空间资源来获取可靠性与有效性两方面增益,可以极大地提高信道容量。在MIMO系统中的发射机和接收机都由机器学习模型构成,但是由于天线数量的增多,系统变的更加复杂。用该模型训练的网络可以很好的消除了多个用户之间的干扰,相比于现在的多用户检测技术,该模型很好的提升了系统的性能。
王砚[2]（2007）在《基于径向基函数神经网络多用户检测算法的研究》文中研究指明码分多址通信系统是一种干扰受限系统，不同用户的随机接入，导致用户之间扩频码不完全正交，产生了多址干扰和远近效应等问题。多用户检测是解决这些问题的关键技术，能使系统具有优良的抗干扰性能，降低系统对功率控制精度的要求，显着提高系统容量。多用户检测本质上是一个组合优化问题，而径向基函数（RBF）神经网络具有很强的函数逼近能力、简单的网络结构和快速易行的训练方法，是解决这类问题的一种有效手段。将二者有机结合，期望获取更好的检测性能，是近来的一大研究热点。本文的主要工作有：（1）综述了多用户检测的发展方向和研究现状，并进行了分类；通过仿真实验比较了几种典型的多用户检测，为后面算法的性能比较奠定了基础。（2）阐述了RBF神经网络的基本原理，分析比较了几种常用的学习算法的特点，讨论了RBF神经网络多用户检测的原理和系统结构。（3）分析了梯度下降法训练的RBF神经网络多用户检测中学习速率和隐含层节点数对算法性能的影响。针对其不足，分别引入一种变学习速率梯度下降法和最近邻聚类算法，构成混合学习算法训练RBF神经网络，并应用到多用户检测中。仿真表明，新算法计算速度快，性能优于传统算法和OLS算法训练的RBF神经网络多用户检测。（4）提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数，引入了改进的染色体编码方案，用基于奇异值分解的最小二乘法计算网络输出层权值，提高了遗传搜索的效率，精简了网络结构；并用变学习速率梯度下降法优化遗传训练出的最优网络，应用到多用户检测中。仿真表明，新混合学习算法训练出的网络结构优于其他算法训练的网络结构，并且性能良好。
王焱滨[3]（2003）在《若干计算智能方法在CDMA多用户检测中的应用研究》文中研究表明我们知道，在以码分多址（CDMA）技术作为首选多址接入标准的第三代（3G）蜂窝移动通信系统中，对于信道编译码、多用户检测（MUD）、软件无线电和智能天线等关键技术的研究，近年来已受到人们的广泛关注。本文主要致力于计算智能方法在多用户检测中的应用研究。由于采用最大似然检测（MLD）的最优多用户检测方法具有指数的计算复杂度，因此，研究能够有效抑制多址干扰（MAI）、具有低误码率（BER）和合理的计算复杂度、对远近问题不敏感的次优检测方法是本文的主要内容。本文主要包括以下创新之处：（1） 本文首先提出了一种基于禁忌搜索的多用户检测算法。这种方法采用传统检测器的输出作为初始解，以与当前解的汉明距为1的点组成邻域，每一次搜索所得解直接置于禁忌表中并令其永远处于禁忌状态。这种方法具有多项式的计算复杂度，对远近问题不敏感，并且能够得到良好的检测误码性能。（2） 结合禁忌搜索和多级检测，提出两种混合多用户检测算法：一种方法是将多级检测应用于禁忌搜索算法每次迭代所产生的解，另一种方法是将多级检测应用于禁忌搜索算法每次迭代邻域中的所有点。仿真结果表明，相对于单独采用多级检测或禁忌搜索的多用户检测方法，这两种方法的混合既可以减少禁忌搜索算法的计算量，又可以改善多级检测方法的性能。（3） 提出一种应用禁忌学习神经网络的多用户检测方法。这种方法将多用户检测目标函数转化成神经网络能量函数；根据禁忌搜索的概念在能量函数中引入罚项，从而解的搜索朝着未访问过的状态方向进行，这就使得搜索过程能够避免陷入局部极小值点，最后得到全局最优或近似全局最优解。这种方法具有平方的计算复杂度，仿真结果验证了其全局收敛性。（4） 利用遗传算法和Hopfield神经网络的优点，提出一种基于遗传算法和神经网络的多用户检测器。该检测器中，遗传算法首先给神经网络提供一个较好的初始解，神经网络在此基础上按梯度下降的机制进行局部寻优。这种GA和HNN结合的方法具有平方的计算复杂度，相对于单独采用遗传算法的检测器，能够极大地减少计算量；而且能够获得比单独采用Hopfield神经网络更好的检测性能。<WP=5>（5） 提出一种新的径向基函数神经网络多用户检测方法。该方法采用自适应投影算法来构造和训练径向基函数神经网络，只需一组接收信号训练样本，就可以通过迭代确定RBF函数的个数、中心的位置和网络的权系数。这种方法对远近问题不敏感，相对于有监督聚类和K平均聚类的径向基函数神经网络检测方法，节省了先验信息的需求，并能获得与有监督聚类RBF网络检测方法接近的良好检测性能。
王焱滨,胡志恒,虞厥邦[4]（2002）在《基于自适应投影学习算法的RBF神经网络多用户检测方法》文中认为自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。
王砚,魏建荣,张立毅[5]（2006）在《基于RBF神经网络的多用户检测算法的研究》文中进行了进一步梳理径向基函数神经网络是一种具有较强函数逼近能力、分类能力和较快学习速度的三层前馈神经网络,本文论述了几种基于径向基函数神经网络的多用户检测的原理和特点。实验结果表明,基于 RBF神经网络的多用户检测器具有较强的抑制多址干扰、噪声干扰和克服远近效应的能力。
陈善[6]（2020）在《基于心电动力学图的多平台心肌缺血临床检测系统的设计与实现》文中研究表明心血管疾病,是人类健康的头号杀手。心肌缺血是常见的心血管疾病,做好心肌缺血检测工作具有重要意义。心电图检查是临床上应用最广泛的心肌缺血检测手段,传统检查方式的准确率不高,容易出现“漏”诊。随着计算机技术的飞速发展,心电图的自动化分析成为了研究趋势。一种基于心电动力学图（Cardiodynamicsgram,CDG）的心肌缺血检测技术,在临床中取得了较好的应用成效。它通过确定学习理论,对从常规的心电图截取的ST-T环进行局部精确动力学辨识,并以三维可视化的形式展示建模的结果,即心电动力学图。大量的实验表明,正常个体与心肌缺血患者的CDG差异明显,通过CDG检查心肌缺血具有较高的准确率。随着基于心电动力学图的心肌缺血检测临床应用的深入,医院医护人员和实验室研究人员,分别从临床上的电子病历存储、电子病历查阅、CDG检测和数据统计分析等方面提出了不同的需求。因此,本文设计并实现了基于心电动力学图的多平台心肌缺血临床检测系统,该系统整体分为三个部分:心肌缺血临床电子病历数据库、心肌缺血检测MATLAB研究平台和心肌缺血Web远程检测平台。心肌缺血临床电子病历数据库,基于关系型数据库My SQL进行实现,可满足对心肌缺血临床患者大数据的高效存储和访问需求,它对心肌缺血的进一步研究具有重要意义;心肌缺血检测MATLAB研究平台,为研究人员管理病历大数据、进行CDG检测以及对临床病历大数据进行分析统计提供了有力的工具;基于Spring Boot框架及其相关组件实现的心肌缺血Web远程检测平台,使得医院医务人员通过浏览器即可访问到心肌缺血CDG检测服务,并同时具备多个功能界面,方便了医务人员进行临床电子病历的远程管理。
刘辉翔[7]（2020）在《MOS型电子鼻关键问题研究及其应用》文中研究说明在电子鼻系统中,金属氧化物半导体（Metal Oxide Semiconductor,MOS）型气体传感器由于其灵敏度高、响应快和成本低等优点被广泛应用。但其在应用中易受到自身漂移、环境干扰等因素的影响,导致电子鼻出现精度低、泛化性差等问题。本文针对MOS型电子鼻在应用过程中暴露的关键问题,从模式识别与机器学习算法的角度开展了理论研究,并在茶叶、酒类品质检测等方面开展了相关的应用研究。（1）当电子鼻应用于气体定性分析时,气体浓度成为了重要干扰因素。因此,本文首先从特征提取角度提出了一种基于直推式迁移学习方法（Maximum Independence of the Concentration Features-Iterative Fisher Linear Discriminant,MICF-IFLD）用于抑制气敏传感器信号漂移。MICF从数据分布角度降低了样本间由浓度引起的数据分布差异,IFLD进一步提取传感器响应信号的深层特征,减少了样本间的类内差异同时增加其类间差异。MICF-IFLD提高了样本分布的一致性,提升了分类模型在气体定性分析中的准确性和泛化性。（2）针对传感器信号漂移问题,不再细分引起漂移的因素。基于域自适应学习理论,提出了一种基于长短时记忆（Long Short-Term Memory,LSTM）网络的域自适应学习模型（Domain Adaptation-Long Short-Term Memory,DALSTM）。通过引入对比损失函数,同时借助于目标域中少量的标记样本,模型自适应地实现了对数据漂移的补偿,并展现出了良好的性能,而且避免了特征提取过程的繁琐。尤其,注意力机制的引入,使得模型DALSTM的泛化性能得到了进一步的提高。（3）对于气体的定性、定量分析,构建了基于长短时记忆（Long Short-Term Memory,LSTM）网络的多任务学习框架（MLSTM）,同时执行气体识别和浓度估计。框架中两个任务共享底层特征,任务之间协同训练有效提高了气体识别和浓度估计的精度,并在一定程度上解决了先识别气体类型再预估其浓度这种串行方法中可能由于识别错误而带来的浓度估计偏差。同时,应用粒子群优化（Particle Swarm Optimization,PSO）算法来优化多任务学习框架中的超参数,并取得了良好的效果。更进一步,多任务学习框架被拓展应用在红酒属性检测,分别提出了基于BPNN和CNN的多任务模型,用于同时识别葡萄酒的四种不同属性。（4）针对MOS型电子鼻在茶叶、酒类等品质检测中的应用问题,发展了一套鲁棒性强、泛化性好、准确性高的模式识别方法,准确地辨识了茶叶的品牌、产地、质量等信息,并利用气相色谱-质谱联用仪（Gas Chromatography-Mass Spectrometer,GC-MS）,探索了不同类型茶叶样本的差异所在,验证了电子鼻在茶叶检测中的有效性和准确性。本文提出的漂移抑制方法、机器学习模型等,可为多个行业（食品、环保、危险品探测等）中的气体分析提供科学支撑。研究结果也具有明确的经济意义和潜在的市场价值,有助于推广MOS型电子鼻设备的商业化应用。
李芸[8]（2020）在《基于特定样本的人脸检测识别算法研究》文中进行了进一步梳理人脸识别是一种方便友好、不易伪造、隐蔽性好的生物特征识别技术,不仅具有广阔的应用前景和丰厚的市场经济效益,而且具有极高的学术研究意义。但由于人脸图像的分类、识别易受外界环境因素的影响,识别效果仍有待提高。针对家庭智能安防系统或公司门禁系统等使用背景,本文主要研究基于特定样本的人脸检测、特征提取与人脸识别算法,有效地提高了检测率和降低了误检率,缩短了检测时间,增强了算法的鲁棒性。主要的研究内容如下:1)提出了一种自适应相关加权LDA/QR算法,巧妙的解决了多分类情况下,投影空间出现类与类重叠从而影响分类效果的问题。引入自适应的权重参数改进类间散度、类内散度和判别准则的定义,避免出现散布矩阵奇异的情况,直接快速有效地实现类间距均匀分布;通过迭代优化方法来更新概率参数和转换矩阵,并利用QR分解矩阵分析快速求解转换矩阵,提高了识别率,缩短了算法的执行时间。2)提出一种改进多分类情况下的一对一投票SVM分类方法。当投票数获得多个最大值时,通过计算测试样本与多个最大投票数的距离,判定最终分类结果,实现了具有较强鲁棒性的人脸识别算法,算法的识别率也得到了提高。基于特定样本数不足的情况,进行核空间分析,研究有限样本的经验质心的置信度。理论上分析SVM核矩阵的经验质心与基于样本数无穷大得到的真实质心在概率论上一致的可能性。3)提出了将多类别人脸样本进行混叠的人脸识别。实验证明,与基于单一类别样本的识别率相比,多类别混叠后,改进的基于RBF核函数的支持向量机的性能略有退化,但是仍保持了较高的识别正确率。
李霏[9]（2020）在《污水处理过程智能检测与优化控制的研究》文中认为污水处理过程（Wastewater treatment process,WWTPs）具有复杂的生物、物理和化学特性,且因其变量之间严重的耦合关系和高度的非线性而难以控制。目前,我国采用活性污泥法去除水中的污染物,该生化反应过程耗电量高,产生了巨大的运行成本,且鲜有研究专注于减少或完全消除污染物浓度峰值超标的问题。此外,随着世界范围内实施愈加严格的标准和法规,高额的罚款将导致成本增加。因此,如何实现污水处理全流程出水水质实时达标,提高污水处理质量并减少能耗是一个亟待解决的难题。其主要体现在:1)出水氨氮（Ammonia nitrogen,NH4-N）做为污水处理过程中水污染控制系统的关键因素,水质在线检测难以实现并具有挑战性;2)如何求得收敛性与分布性最好的帕累托（Pareto）最优解,从而获得最佳的溶解氧和硝态氮设定值;3)WWTPs的评估策略不仅仅涉及一个目标,而是多个目标,如出水水质、运行成本及系统的稳定性。如何实现在保证平均出水水质达标的前提下降低成本显得尤为重要;4)污水处理过程是一个复杂动态系统,多个目标随时间变化,如何采用动态控制策略实现在环境发生变化时快速跟踪移动的Pareto前沿,实现污水处理的优化运行;5)如何实时在完全消除出水峰值超标的前提下,提高污水处理质量并减少能耗。针对以上问题,本文提出了污水处理过程智能检测与优化控制的研究策略。首先,分析了污水处理过程特性,建立基于数据驱动的污水处理过程智能检测方法预测出水氨氮浓度。其次,设计能耗和水质多目标优化算法,求取溶解氧和硝态氮的优化设定值,并采用自组织跟踪控制器来追踪该设定值。此外,提出动态多目标优化控制方法,从而应对环境的动态变化,获得较好的控制性能。最后,依据关键水质智能检测结果,设计知识决策方案,提供抑制峰值超标的优化控制策略,并采用国际基准仿真平台（Benchmark Simulation Model No.1,BSM1）进行验证。论文主要研究工作和创新点如下:（1）基于人工免疫自组织径向基神经网络（Radial basis function neural network,RBFNN）出水NH4-N预测器水污染是一个重要的环境问题,水质在线检测仍是亟待解决的难题,特别是出水NH4-N超标已成为焦点之一。NH4-N超标可能引起水体富营养化,增加污水遗传毒性,危及人类健康。为了使污水处理过程能够实时了解NH4-N浓度,本论文提出了一种基于距离浓度人工免疫自组织RBFNN（Self-organizing RBF neural network based on distance concen-tration immune algorithm,DCIA-SORBF）的NH4-N预测器。首先,对实际采集到的数据进行预处理,并选择与出水NH4-N具有较强相关性的过程变量。此外,采用RBFNN创建出水NH4-N的软测量模型,并通过距离浓度人工免疫算法对其结构和参数自组织调整。最后,采用训练好的DCIA-SORBF模型对出水NH4-N进行实时预测。实验结果表明,所提出的出水NH4-N预测器在效率和精度上具有显着的优越性。（2）基于均匀分布的自适应混合进化人工免疫算法通常,在迭代过程中的进化算法,无论是多目标优化问题还是单目标优化问题,目标空间都存在个体分布不均匀的问题。这种不均匀的分布大大降低了种群的多样性和收敛速度。为此,本论文提出了一种基于均匀分布选择机制的自适应混合进化免疫算法（Adaptive hybrid evolutionary immune algorithm based on a uniform distribution selection mechanism,AUDHEIA）。在该算法中,种群中的个体被映射到与目标空间相对应的超平面,并聚类以增加种群中个体的多样性。为了改善解的分布性,将映射的超平面进行均匀分区。随着迭代过程中分布性的不断变化,自适应地调整判断种群分布标准的阈值。当相应区间内不满足阈值时,激活分布性增强模块。随后,在每个区间内选择相同数量的个体。然而,在迭代过程中,有时某些区间内没有足够的个体或为空。此时,采用最优个体的极限优化变异策略来补足个体。实验结果表明,该算法能够较好地跳出局部最优,具有较高的收敛速度。此外,该算法的分布性和收敛性均优于文中同类的测试算法。（3）污水处理过程免疫多目标优化控制方法针对污水处理过程控制中能耗过大,出水水质严重超标等问题,提出了一种基于免疫优化的智能控制方法。首先,该方法以污水处理能耗和出水水质作为优化目标,建立优化目标函数模型。其次,采用本论文提出的AUDHEIA来获得收敛性和分布性较好的Pareto解,从而得到最佳的溶解氧和硝态氮优化设定值。最后,应用自组织递归模糊神经网络控制器对该设定值进行底层的跟踪控制。为了验证算法的有效性,在国际基准的污水处理仿真平台BSM1上进行实验。结果显示,所提出的免疫优化控制方法,能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。（4）污水处理动态过程免疫优化控制方法由于污水处理过程动态变化,且能耗和水质存在相互冲突的耦合关系。在环境发生变化时,固定的优化设定值已无法有效地快速实现污水处理的优化运行。为此,本论文提出了一种动态多目标免疫优化控制（Dynamic multi-objective immune optimization control,DMOIA-OC）方法。该方法通过数据建模获得动态变化的目标函数,并设计动态免疫优化（Dynamic multi-objective immune algorithm,DMOIA）算法来获取随环境动态变化的溶解氧和硝态氮的最佳设定值。DMOIA采用多向预测策略,以提高进化算法求解动态多目标优化问题的性能。为了更精确地预测Pareto解集的移动位置,通过自适应均匀分布策略将种群聚类为多个代表性的组,并根据环境变化预测个体进化方向,在预测的新位置周围重新初始化种群。最后,该方法通过BSM1仿真平台进行验证。实验结果表明,所提出的DMOIA-OC方法与同类方法相比,控制性能显着提高。（5）污水处理过程智能检测与优化控制系统为了实现污水处理过程全流程有效抑制出水水质峰值超标且节能降耗的目的,本论文提出了污水处理过程智能检测与优化控制（Intelligent detection and optimal control of wastewater treatment process,IDOC）系统。首先,该系统采用提出的DCIA-SORBF软测量模型预测出水氨氮和总氮浓度。并根据该预测结果与专家知识,设计污水处理过程全流程优化控制策略。当预测水质达标时,采用动态免疫优化算法求取高质量的溶解氧和硝态氮设定值,以达到节能降耗的目的。当预测出水水质不达标时,启动峰值超标抑制控制策略实现出水水质实时达标。最后,采用BSM1仿真模型对该方法进行验证。实验结果表明,所提出的IDOC系统可以实现全流程污水处理实时达标并能够有效地降低能耗,从而具有较好的实际应用价值。
罗瑞荣[10]（2020）在《LED外观缺陷的在线视觉检测分类方法与系统开发》文中认为随着照明技术与产业的发展,发光二极管（Light Emitting Diode,LED）元件的高速自动化缺陷检测已成为产业急切需求。LED生产过程繁琐,容易在环氧树脂内外、环氧树脂边缘等区域产生多类缺陷,缺陷尺寸差异大、边界模糊、对光亮度敏感,导致缺陷特征提取困难,影响高速准确检测过程的效率。针对当前LED缺陷检测存在的速度慢、对光亮度变化鲁棒性低、缺陷分类不准确等问题,提出自适应光亮度的高速准确缺陷检测方法、边界模糊缺陷聚类分割算法以及基于局部图像降维与卷积神经网络的多类缺陷准确分类方法,实现LED外观缺陷在线检测与分类系统,主要研究内容如下:1.深入调研LED缺陷检测设备的功能需求与国内外研究现状,分析缺陷检测过程中视觉系统的关键技术和存在的开发难点,明确论文的研究目标及研究内容。2.分析LED存在的各类缺陷的特点,针对环氧树脂内的缺陷对光亮度敏感提出自适应光亮度的LED缺陷快速检测算法,根据光亮度对图像分割阈值进行调整,提高在光亮度变化情况下的缺陷分割鲁棒性;同时针对缺陷边界模糊、难以准确分割特征的问题,提出集成空间约束的核模糊C均值聚类算法,修改核模糊C均值聚类算法的目标函数与隶属度函数,使像素聚类过程受邻域像素灰度值与隶属度值约束,提高聚类分割算法的抗噪能力,对LED环氧树脂内缺陷进行准确分割。3.针对存在于环氧树脂边缘的胶量缺陷特征难以提取的问题,提出基于局部图像极坐标变换的图像降维特征提取方法,提取胶量区域的主成分特征;利用网格搜索结合交叉验证的方法对RBF-SVM分类器进行超参数寻优,得到对胶量特征准确分类的最优分类超平面。4.针对LED环氧树脂内的多类缺陷难以使用传统算法进行统一特征提取与分类的问题,研究基于卷积神经网络的LED缺陷分类方法,对环氧树脂内的缺陷准确分类。针对样本量少与模型训练数据需求大的矛盾,采用迁移学习策略微调经过大规模数据集Image Net预训练的模型。经过实验验证,模型对环氧树脂内的缺陷分类准确率达95.65%,解决LED的多类缺陷分类问题。5.基于C++/Python编程,开发视觉检测系统的控制模块,和视觉检测与分类算法模块,实现视觉成像系统硬件选型,确定平台的LED上料、传输、分选系统,搭建可实际应用的缺陷检测平台,实现LED缺陷快速检测与准确分类功能,并通过实验验证系统的有效性。
二、基于自适应投影学习算法的RBF神经网络多用户检测方法（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：
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、基于自适应投影学习算法的RBF神经网络多用户检测方法（论文提纲范文）
（1）基于机器学习的多用户干扰消除技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多用户干扰消除技术 |
| 1.2.2 基于机器学习的多用户干扰消除技术 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 第2章 相关技术的基础理论 |
| 2.1 多用户干扰消除技术 |
| 2.1.1 MMSE多用户干扰消除技术 |
| 2.1.2 SIC多用户干扰消除技术 |
| 2.2 机器学习 |
| 2.2.1 k-近邻算法 |
| 2.2.2 朴素贝叶斯 |
| 2.3 深度学习 |
| 2.3.1 全连接层神经网络 |
| 2.3.2 激活函数 |
| 2.3.3 损失函数 |
| 2.3.4 反向传播算法 |
| 2.4 本章小结 |
| 第3章 在SISO系统中基于机器学习的多用户干扰消除技术 |
| 3.1 系统模型 |
| 3.1.1 信道模型 |
| 3.1.2 上行链路 |
| 3.1.3 下行链路 |
| 3.2 基于机器学习的SISO发射接收机设计 |
| 3.2.1 基于机器学习的上行链路模型 |
| 3.2.2 基于机器学习的下行链路模型 |
| 3.3 实验结果对比与分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第4章 在MIMO系统中基于机器学习的多用户干扰消除技术 |
| 4.1 系统模型 |
| 4.1.1 上行链路 |
| 4.1.2 下行链路 |
| 4.2 基于机器学习的MIMO发射接收机设计 |
| 4.2.1 基于机器学习的上行链路模型 |
| 4.2.2 基于机器学习的下行链路模型 |
| 4.3 实验结果对比与分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
（2）基于径向基函数神经网络多用户检测算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 多用户检测的研究意义和发展动态 |
| 1.1.1 多用户检测的研究意义 |
| 1.1.2 多用户检测的国内外研究动态 |
| 1.2 基于神经网络的多用户检测的研究现状 |
| 1.2.1 基于Hopfield神经网络的多用户检测 |
| 1.2.2 基于BP神经网络的多用户检测 |
| 1.2.3 基于RBF神经网络的多用户检测 |
| 1.3 论文内容与结构安排 |
| 第二章 多用户检测与RBF神经网络基本原理 |
| 2.1 多用户检测的系统模型 |
| 2.1.1 离散时间同步信道模型 |
| 2.1.2 离散时间异步信道模型 |
| 2.2 多用户检测的性能指标 |
| 2.2.1 误码率 |
| 2.2.2 渐进多用户有效性 |
| 2.2.3 抗远近能力 |
| 2.3 几种典型多用户检测 |
| 2.3.1 传统检测器 |
| 2.3.2 最优多用户检测器 |
| 2.3.3 解相关多用户检测器 |
| 2.3.4 计算机仿真 |
| 2.4 RBF神经网络的基本原理 |
| 2.4.1 神经网络概述 |
| 2.4.2 RBF神经网络的结构 |
| 2.5 RBF神经网络的学习算法 |
| 2.5.1 基于随机选取中心的RBF网络学习算法 |
| 2.5.2 基于的K-means聚类的RBF网络学习算法 |
| 2.5.3 基于梯度下降法的RBF网络学习算法 |
| 2.5.4 基于OLS算法的RBF网络学习算法 |
| 2.6 基于RBF神经网络的多用户检测的原理 |
| 2.7 本章小结 |
| 第三章 基于RBF神经网络混合学习算法的多用户检测 |
| 3.1 基于改进梯度下降法的RBF网络多用户检测 |
| 3.1.1 基于梯度下降法的RBF网络多用户检测 |
| 3.1.2 基于变学习速率梯度下降法的RBF网络多用户检测 |
| 3.1.3 计算机仿真 |
| 3.2 基于最近邻聚类算法的RBF网络多用户检测 |
| 3.2.1 最近邻聚类算法特点 |
| 3.2.2 算法设计 |
| 3.2.3 计算机仿真 |
| 3.3 基于最近邻梯度混合学习算法的RBF网络多用户检测 |
| 3.3.1 在线生成隐含层节点 |
| 3.3.2 网络参数学习 |
| 3.3.3 混合学习算法的实现 |
| 3.3.4 计算机仿真 |
| 3.4 本章小结 |
| 第四章 基于RBF神经网络混合遗传算法的多用户检测 |
| 4.1 遗传算法基本原理与操作 |
| 4.1.1 遗传算法的特点 |
| 4.1.2 遗传算法的流程 |
| 4.1.3 遗传算法的基本操作 |
| 4.2 混合递阶遗传算法优化RBF网络 |
| 4.2.1 递阶遗传算法优化RBF网络 |
| 4.2.2 混合递阶遗传算法优化RBF网络 |
| 4.3 基于递阶遗传梯度混合学习算法的RBF网络多用户检测 |
| 4.3.1 改进的递阶遗传编码 |
| 4.3.2 初始化种群 |
| 4.3.3 适应度函数设计 |
| 4.3.4 遗传操作 |
| 4.4 计算机仿真 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文所作的工作 |
| 5.2 进一步研究的方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）若干计算智能方法在CDMA多用户检测中的应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 第三代移动通信关键技术 |
| 1.1.1 智能天线技术 |
| 1.1.2 软件无线电技术 |
| 1.1.3 高效信道编译码技术 |
| 1.1.4 多用户检测技术 |
| 1.2 多用户检测研究介绍 |
| 1.2.1 多用户检测问题的提出 |
| 1.2.2 多用户检测技术的发展 |
| 1.2.3 多用户检测算法 |
| 1.3 多用户检测系统数学模型 |
| 1.3.1 离散时间同步模型 |
| 1.3.2 离散时间异步模型 |
| 1.4 多用户检测的性能测度 |
| 1.4.1 误码率 |
| 1.4.2 渐近有效性 |
| 1.4.3 抗远近能力 |
| 1.5 计算智能方法概述 |
| 1.5.1 神经网络 |
| 1.5.2 遗传算法 |
| 1.5.3 禁忌搜索 |
| 1.6 本文的主要工作和内容安排 |
| 第二章 几种多用户检测方法介绍 |
| 2.1 传统及最优检测方法 |
| 2.1.1 传统检测方法 |
| 2.1.2 最优检测方法 |
| 2.2 解相关多用户检测器 |
| 2.2.1 同步信道的解相关检测器 |
| 2.2.2 异步信道的解相关检测器 |
| 2.3 线性MMSE多用户检测器 |
| 2.4 干扰消除检测方法 |
| 2.4.1 多级检测器 |
| 2.4.2 判决反馈检测器 |
| 2.5 自适应多用户检测器 |
| 2.6 盲多用户检测 |
| 2.6.1 线性多用户检测器的典范表示 |
| 2.6.2 MOE检测器 |
| 2.6.3 盲多用户检测的自适应算法 |
| 2.7 本章小结 |
| 第三章 禁忌搜索在多用户检测中的应用研究 |
| 3.1 禁忌搜索（TS）算法 |
| 3.1.1 禁忌搜索算法中的几个概念 |
| 3.1.2 禁忌搜索算法的描述 |
| 3.2 基于禁忌搜索的多用户检测方法 |
| 3.2.1 用于多用户检测的TS算法设计 |
| 3.2.2 计算复杂度分析 |
| 3.2.3 计算机仿真结果及说明 |
| 3.3 禁忌搜索和多级结合的多用户检测方法 |
| 3.3.1 禁忌搜索算法的设计 |
| 3.3.2 禁忌搜索和多级检测相结合的混合多用户检测算法 |
| 3.3.3 计算复杂度分析 |
| 3.3.4 计算机仿真结果及说明 |
| 3.4 基于禁忌学习神经网络的多用户检测方法 |
| 3.4.1 Hopfield神经网络 |
| 3.4.2 禁忌学习原理 |
| 3.4.3 禁忌学习神经网络应用于多用户检测 |
| 3.4.4 计算机仿真结果及说明 |
| 3.5 本章小结 |
| 第四章 遗传算法在多用户检测中的应用研究 |
| 4.1 遗传算法介绍 |
| 4.2 遗传算法用于多用户检测 |
| 4.2.1 遗传算法单独用于多用户检测 |
| 4.2.2 基于遗传算法和神经网络的多用户检测方法 |
| 4.3 计算复杂度分析 |
| 4.4 计算机仿真实验 |
| 4.5 本章小结 |
| 第五章 基于神经网络的多用户检测算法研究 |
| 5.1 径向基函数神经网络 |
| 5.2 RN中的自适应投影算法及收敛性 |
| 5.3 基于自适应投影算法的径向基函数网络设计 |
| 5.4 结合自适应投影算法的RBF网络用于多用户检测 |
| 5.5 计算机仿真结果 |
| 5.6 本章小结 |
| 第六章 全文总结 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间参加的科研项目及发表的学术论文 |
（6）基于心电动力学图的多平台心肌缺血临床检测系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文结构 |
| 第二章 预备知识 |
| 2.1 心脏电生理 |
| 2.1.1 心电图 |
| 2.1.2 心电向量图 |
| 2.1.3 心肌缺血检测方法 |
| 2.2 确定学习理论 |
| 2.2.1 RBF神经网络 |
| 2.2.2 RBF持续激励条件 |
| 2.2.3 离散系统的确定学习 |
| 2.2.4 确定学习在心肌缺血检测上的应用 |
| 2.3 本章小结 |
| 第三章 多平台系统需求分析及框架设计 |
| 3.1 多平台系统需求分析 |
| 3.1.1 电子病历存储和访问需求 |
| 3.1.2 心肌缺血检测研究平台需求 |
| 3.1.3 心肌缺血远程检测平台需求 |
| 3.2 电子病历数据库方案的选取 |
| 3.3 心肌缺血检测研究平台方案选取 |
| 3.4 心肌缺血远程检测平台方案选取 |
| 3.5 多平台系统整体框架 |
| 3.6 本章小结 |
| 第四章 心肌缺血数据库服务实现 |
| 4.1 电子病历数据库设计 |
| 4.1.1 数据来源及需求分析 |
| 4.1.2 数据库结构设计 |
| 4.1.3 数据库构建 |
| 4.1.4 数据库优化 |
| 4.2 数据库集群部署 |
| 4.2.1 数据库集群搭建 |
| 4.2.2 电子病例数据库程序部署 |
| 4.3 数据库信息脱敏 |
| 4.3.1 脱敏方案选择 |
| 4.3.2 数据脱敏实现 |
| 4.4 数据库访问API |
| 4.4.1 添加电子病历API |
| 4.4.2 更新电子病历API |
| 4.4.3 查询电子病历API |
| 4.5 本章小结 |
| 第五章 多平台系统的整体实现 |
| 5.1 心肌缺血检测MATLAB研究平台实现 |
| 5.1.1 界面设计 |
| 5.1.2 逻辑层实现 |
| 5.1.3 计算层实现 |
| 5.2 心肌缺血检测研究平台功能展示 |
| 5.2.1 病历查询功能 |
| 5.2.2 CDG检测 |
| 5.2.3 全屏显示 |
| 5.2.4 病历添加 |
| 5.2.5 病历修改 |
| 5.2.6 指标分布图 |
| 5.3 Web远程检测平台的后台实现 |
| 5.3.1 SpringBoot及其组件 |
| 5.3.2 后台项目结构 |
| 5.3.3 CDG检测程序调用 |
| 5.3.4 数据库连接池 |
| 5.3.5 用户权限认证与授权 |
| 5.4 Web远程检测平台前端页面实现 |
| 5.4.1 平台首页 |
| 5.4.2 病历查询界面 |
| 5.4.3 病历添加界面 |
| 5.4.4 病历修改界面 |
| 5.4.5 CDG诊断界面 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）MOS型电子鼻关键问题研究及其应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 电子鼻关键技术研究现状 |
| 1.2.1 MOS型传感器 |
| 1.2.2 模式识别与机器学习方法 |
| 1.2.3 传感器漂移抑制方法 |
| 1.3 电子鼻在茶叶品质检测中的应用 |
| 1.4 研究内容及论文结构 |
| 1.4.1 研究内容与主要贡献 |
| 1.4.2 论文结构 |
| 2 基于直推式迁移学习的MOS型电子鼻信号漂移抑制 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 希尔伯特-施密特独立性准则 |
| 2.2.2 费舍尔线性判别 |
| 2.2.3 迁移学习概述 |
| 2.2.4 BP神经网络 |
| 2.3 基于HSIC和FLD的特征提取 |
| 2.3.1 最大独立于浓度信息的特征(MICF) |
| 2.3.2 迭代式费舍尔线性判别(IFLD) |
| 2.4 实验结果与讨论 |
| 2.4.1 实验数据介绍 |
| 2.4.2 实验方法 |
| 2.4.3 结果分析与讨论 |
| 2.4.4 泛化性验证实验-基于中国商品白酒样本 |
| 2.5 本章小结 |
| 3 基于半监督域自适应学习的传感器漂移补偿 |
| 3.1 引言 |
| 3.2 长短时记忆网络(LSTM) |
| 3.3 基于半监督域自适应学习的传感器漂移补偿 |
| 3.3.1 基于LSTM的域自适应网络 |
| 3.3.2 注意力机制的引入 |
| 3.4 实验结果与讨论 |
| 3.4.1 实验数据介绍 |
| 3.4.2 实验方法 |
| 3.4.3 结果分析与讨论 |
| 3.5 本章小结 |
| 4 基于多任务学习框架的气体辨识 |
| 4.1 引言 |
| 4.2 粒子群优化算法(PSO) |
| 4.3 基于LSTM网络多任务学习框架(MLSTM) |
| 4.3.1 多任务学习基本原理 |
| 4.3.2 基于LSTM网络的多任务学习框架 |
| 4.4 实验结果与讨论 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验方法 |
| 4.4.3 实验结果分析 |
| 4.5 多任务学习框架应用拓展 |
| 4.5.1 基于MOS型传感器的实验室电子鼻 |
| 4.5.2 基于BPNN和CNN的多任务模型 |
| 4.5.3 实验样本与数据采集 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 5 MOS型电子鼻在茶叶品质检测中的应用 |
| 5.1 引言 |
| 5.2 基于电子鼻和机器学习方法的地域性名茶识别 |
| 5.2.1 实验数据与方法 |
| 5.2.2 实验结果与讨论(基于样本集A) |
| 5.2.3 实验结果与讨论(基于样本集B) |
| 5.2.4 小结 |
| 5.3 基于电子鼻和机器学习方法的茶叶品质评估 |
| 5.3.1 实验样本与数据采集 |
| 5.3.2 数据处理方法 |
| 5.3.3 实验结果与讨论 |
| 5.3.4 小结 |
| 5.4 基于电子鼻和GC-MS的茶叶挥发性成分分析 |
| 5.4.1 实验材料与方法 |
| 5.4.2 实验结果与讨论 |
| 5.4.3 小结 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（8）基于特定样本的人脸检测识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 人脸检测识别的研究背景及意义 |
| 1.2 人脸检测识别的主要研究算法 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸特征提取算法 |
| 1.2.3 人脸识别方法 |
| 1.2.4 云边结合的人脸识别系统 |
| 1.3 本文的研究内容和研究方法 |
| 1.4 本文的章节安排 |
| 第二章 基于肤色及Ada Boost的人脸检测算法 |
| 2.1 基于肤色模型的肤色分割 |
| 2.1.1 图像光照补偿 |
| 2.1.2 颜色空间的选择 |
| 2.1.3 建立肤色高斯模型 |
| 2.2 基于Ada Boost的人脸检测 |
| 2.2.1 Haar特征与积分图 |
| 2.2.2 训练级联结构的Ada Boost分类器 |
| 2.3 基于肤色与Ada Boost结合的人脸检测 |
| 2.4 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 自适应相关加权LDA/QR算法 |
| 3.1 经典的LDA算法 |
| 3.1.1 LDA算法原理 |
| 3.1.2 小样本问题的解决方法 |
| 3.2 相关加权LDA算法 |
| 3.3 自适应的相关加权LDA/QR算法 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 第四章 基于SVM的人脸识别算法 |
| 4.1 支持向量机的理论基础 |
| 4.1.1 支持向量机的原理 |
| 4.1.2 经验质心置信度的分析研究 |
| 4.1.3 改进的一对一投票SVM分类方法 |
| 4.2 RBF支持向量机在多类混叠人脸识别上的应用 |
| 4.3 人脸识别系统的搭建 |
| 4.3.1 人脸图像的矫正 |
| 4.3.2 系统的搭建 |
| 4.3.3 SVM的参数优化 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 作者简历 |
（9）污水处理过程智能检测与优化控制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 污水处理过程国内外研究现状 |
| 1.2.1 污水处理氨氮预测研究现状 |
| 1.2.2 污水处理过程优化控制研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文的组织构架 |
| 第2章 污水处理过程特性分析及控制系统设计 |
| 2.1 引言 |
| 2.2 污水处理过程概述 |
| 2.2.1 污水处理过程机理分析 |
| 2.2.2 污水处理过程工艺分析 |
| 2.2.3 污水处理过程影响要素分析 |
| 2.3 污水处理过程控制系统架构 |
| 2.3.1 污水处理过程控制流程 |
| 2.3.2 污水处理过程控制主要组成 |
| 2.4 污水处理过程关键变量检测 |
| 2.4.1 污水处理过程水质变量分析 |
| 2.4.2 污水处理过程水质状态分析 |
| 2.5 污水处理过程能耗和水质优化分析 |
| 2.5.1 污水处理过程能耗和水质多目标优化 |
| 2.5.2 污水处理动态过程能耗和水质优化 |
| 2.6 污水处理过程智能控制 |
| 2.6.1 污水处理过程控制目标分析 |
| 2.6.2 污水处理过程优化控制分析 |
| 2.6.3 污水处理动态过程优化控制分析 |
| 2.6.4 污水处理过程水质超标抑制控制分析 |
| 2.7 本章小结 |
| 第3章 污水处理过程出水氨氮预测 |
| 3.1 引言 |
| 3.2 城市污水处理过程水质变量分析 |
| 3.2.1 污水处理过程数据采集与预处理 |
| 3.2.2 污水处理过程水质参数特征变量选取 |
| 3.3 基于距离浓度的人工免疫自组织RBF神经网络 |
| 3.3.1 RBF神经网络结构 |
| 3.3.2 距离浓度人工免疫算法 |
| 3.3.3 人工免疫自组织RBF神经网络结构设计 |
| 3.3.4 收敛性分析 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真实验设计 |
| 3.4.2 仿真实验结果 |
| 3.4.3 实验结果讨论 |
| 3.5 本章小结 |
| 第4章 基于自适应混合进化人工免疫的多目标优化算法 |
| 4.1 引言 |
| 4.2 多目标优化问题 |
| 4.2.1 基本概念 |
| 4.2.2 免疫多目标优化 |
| 4.3 AUDHEIA算法设计与分析 |
| 4.3.1 映射和聚类 |
| 4.3.2 分布性判断模块 |
| 4.3.3 分布性加强模块 |
| 4.3.4 局部变异策略 |
| 4.3.5 进化策略 |
| 4.3.6 AUDHEIA算法 |
| 4.4 实验结果及分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 仿真实验结果 |
| 4.4.3 实验结果讨论 |
| 4.5 本章小结 |
| 第5章 基于AUDHEIA算法的污水处理优化控制方法 |
| 5.1 引言 |
| 5.2 污水处理过程分析 |
| 5.2.1 污水处理过程BSM1仿真模型 |
| 5.2.2 能耗和水质模型 |
| 5.3 污水处理过程优化控制方法 |
| 5.3.1 污水处理过程控制目标 |
| 5.3.2 污水处理过程多目标控制优化层设计 |
| 5.3.3 污水处理过程底层控制器设计 |
| 5.3.4 污水处理过程智能优化控制整体流程 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真实验设计 |
| 5.4.2 仿真实验结果 |
| 5.4.3 实验结果讨论 |
| 5.5 本章小结 |
| 第6章 城市污水处理动态过程优化控制方法 |
| 6.1 引言 |
| 6.2 城市污水处理动态特性分析 |
| 6.3 基于DMOIA的动态优化控制器 |
| 6.3.1 目标函数的设计 |
| 6.3.2 动态免疫优化算法设计 |
| 6.3.3 基于DMOIA的动态优化控制 |
| 6.4 实验结果与分析 |
| 6.4.1 仿真实验设计 |
| 6.4.2 仿真实验结果 |
| 6.4.3 实验结果讨论 |
| 6.5 本章小结 |
| 第7章 污水处理过程智能检测与优化控制系统 |
| 7.1 引言 |
| 7.2 污水处理数据分析 |
| 7.3 污水处理过程智能检测与优化控制 |
| 7.3.1 知识决策层 |
| 7.3.2 智能检测与优化控制系统结构 |
| 7.4 实验结果与分析 |
| 7.4.1 仿真实验设计 |
| 7.4.2 仿真实验结果 |
| 7.4.3 实验结果讨论 |
| 7.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
（10）LED外观缺陷的在线视觉检测分类方法与系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 LED外观缺陷简介 |
| 1.2.1 LED生产工艺与缺陷分类 |
| 1.2.2 LED缺陷特点 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 传统视觉检测方法 |
| 1.3.2 深度学习检测方法 |
| 1.3.3 缺陷检测中的问题分析 |
| 1.4 论文研究内容 |
| 第二章 LED外观缺陷快速检测与分割算法 |
| 2.1 LED外观缺陷的检测流程 |
| 2.2 基于灰度梯度的LED特征区域提取 |
| 2.2.1 基于局部阈值处理的LED位置校正 |
| 2.2.2 基于灰度梯度的特征圆检测 |
| 2.3 自适应光亮度的LED缺陷分割 |
| 2.3.1 特征增强 |
| 2.3.2 适应光亮度的阈值自调整算法 |
| 2.4 改进核模糊C均值聚类的LED缺陷分割 |
| 2.4.1 聚类算法概述 |
| 2.4.2 核模糊C均值聚类 |
| 2.4.3 集成空间约束的核模糊C均值聚类 |
| 2.4.4 聚类效果评价 |
| 2.5 实验结果与分析 |
| 2.5.1 自适应光亮度的缺陷分割实验 |
| 2.5.2 改进的核模糊C均值聚类缺陷分割 |
| 2.5.3 算法效果对比 |
| 2.6 本章小结 |
| 第三章 基于局部图像降维的LED胶量缺陷分类 |
| 3.1 LED胶量特征区域 |
| 3.2 基于局部图像降维的LED缺陷特征提取 |
| 3.2.1 主成分分析理论 |
| 3.2.2 基于主成分分析的缺陷特征提取 |
| 3.2.3 基于图像空间变换的主成分分析缺陷特征提取 |
| 3.2.4 不同降维方法特征提取实验 |
| 3.3 基于支持向量机的LED胶量缺陷分类 |
| 3.3.1 支持向量机理论 |
| 3.3.2 分类器超参数选择 |
| 3.3.3 缺陷分类实验 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的LED非胶量缺陷分类 |
| 4.1 引言 |
| 4.2 卷积神经网络结构 |
| 4.2.1 特征提取结构 |
| 4.2.2 全连接层 |
| 4.2.3 输出层 |
| 4.3 基于深度网络迁移的LED缺陷图像分类 |
| 4.3.1 深度网络迁移方法 |
| 4.3.2 LED缺陷样本集处理策略 |
| 4.3.3 多类LED缺陷分类网络选择与训练 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 LED缺陷在线视觉检测系统开发 |
| 5.1 LED缺陷检测与分类系统软件设计 |
| 5.1.1 控制模块 |
| 5.1.2 视觉系统检测流程 |
| 5.2 LED缺陷视觉检测与分类系统搭建 |
| 5.2.1 视觉成像系统选型 |
| 5.2.2 视觉系统架构 |
| 5.3 系统检测结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、基于自适应投影学习算法的RBF神经网络多用户检测方法（论文参考文献）
- [1]基于机器学习的多用户干扰消除技术[D]. 张常运. 深圳大学, 2020(10)
- [2]基于径向基函数神经网络多用户检测算法的研究[D]. 王砚. 太原理工大学, 2007(04)
- [3]若干计算智能方法在CDMA多用户检测中的应用研究[D]. 王焱滨. 电子科技大学, 2003(02)
- [4]基于自适应投影学习算法的RBF神经网络多用户检测方法[J]. 王焱滨,胡志恒,虞厥邦. 信号处理, 2002(06)
- [5]基于RBF神经网络的多用户检测算法的研究[A]. 王砚,魏建荣,张立毅. 2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）, 2006
- [6]基于心电动力学图的多平台心肌缺血临床检测系统的设计与实现[D]. 陈善. 华南理工大学, 2020(02)
- [7]MOS型电子鼻关键问题研究及其应用[D]. 刘辉翔. 北京科技大学, 2020(01)
- [8]基于特定样本的人脸检测识别算法研究[D]. 李芸. 苏州科技大学, 2020(08)
- [9]污水处理过程智能检测与优化控制的研究[D]. 李霏. 北京工业大学, 2020
- [10]LED外观缺陷的在线视觉检测分类方法与系统开发[D]. 罗瑞荣. 广东工业大学, 2020(07)