一、非线性编辑系统及其网络架构（论文文献综述）
文诗涵[1]（2021）在《基于全卷积网络的语义分割算法研究与系统实现》文中研究说明语义分割是计算机视觉中的一个重要课题,被广泛应用于自动驾驶和医学图像分析等不同领域。它为图像中的每个像素点都标记一个语义标签,实现像素级的分类。本文提出了两种改进的语义分割网络,分别应用于二维场景图像和三维脑部MRI图像,即场景解析与MRI分割。论文的主要内容如下:（1）语义分割网络中多阶段的卷积和池化会减小图像尺寸,从而损失位置信息。此外,当图像中的类别数量较多时,语义分割的准确性会降低。针对以上问题,本文将基于分组卷积和注意力机制的ResNeSt与基于多尺度特征融合的PPM进行结合,形成一种新的语义分割网络。它通过注意力机制提取并融合不同分组卷积中相对重要的特征,减少了下采样过程中图像特征的丢失,从而获得更准确的位置信息。在ADE20K数据集上的实验表明,MIoU达到41.54%,PA达到80.21%。与PSPNet相比,MIoU提升了 0.81%,PA提升了 0.44%。（2）由于三维脑部MRI图像体积较大,每块GPU只能加载1或2个样本,批次数量小容易导致批归一化对数据分布估计不准确,而引起内部协变量偏移。本文使用组归一化代替批归一化来改进3D U-Net,组归一化对通道分组,在通道维度上对每组进行归一化,可以用来解决批次数量小带来的问题。在ADNI数据集上的实验表明,改进后的3D U-Net的平均Dice系数为0.8261,高于原始3D U-Net的0.8151。（3）基于本文提出的两种网络,设计并实现语义分割系统,可对单个或批量的二维场景图像和三维脑部MRI图像进行语义分割。该系统还实现了在线的二维和三维图像叠加查看器,用于以不同混合比例同时展示原图和分割结果图。此外,该系统还包含多个管理模块,方便管理员用户对所有用户、任务、容器、日志进行管理。本文设计、实现并运行了所提出的二维和三维语义分割网络,验证了网络的有效性。随后,将分割程序封装为HTTP服务,并与训练好的模型一起打包成Docker镜像,以便于快速分发与部署。最后,本文实现语义分割系统,使用户可以快速方便地调用二维场景解析和三维MRI分割服务。
彭海德[2]（2021）在《汽车CAN网络的入侵检测方法研究》文中认为随着智能网联汽车大规模的应用,其安全性问题也日益凸显,涉及大量数据泄露和汽车破解事件。CAN网络作为车辆重要的底层控制网络,是黑客攻击的首要目标。在CAN网络安全防护技术中,入侵检测技术由于不会造成网络通信延迟而被广泛关注。为此,本文以CAN网络入侵检测技术为研究对象,提出了一种基于ID熵和支持向量机-数据关联性（SVM-DR）的检测方案,设计了车载CAN网络入侵检测装置,能够准确地应对典型CAN网络攻击。论文主要研究内容包括:（1）研究了CAN网络通信原理及其报文格式,分析了CAN网络协议在智能网联背景下的局限性和典型攻击类型后,提出了一种针对周期性报文和非周期性报文的基于ID熵和支持向量机-数据关联性（SVM-DR）的入侵检测方案。（2）针对周期性报文,选取CAN报文的ID标识符作为检测特征,提出了一种基于ID熵的入侵检测方案。在方案中:建立白名单库,对CAN网络中的非法ID进行检测并过滤;结合CAN报文ID信息熵值,分析并判断CAN网络通信的异常状态;采用CAN报文ID相对熵值,对异常报文进行定位。通过该种方案实现了对重放攻击、DoS攻击以及丢弃攻击的准确无误检测,并且能够定位异常报文。（3）针对非周期性及携带重要信息的报文,选取数据域作为检测特征,提出了一种基于支持向量机-数据关联性（SVM-DR）的入侵检测方案,建立了发动机转速、车速、档位、车门锁状态信号的异常检测模型。将CAN报文异常与否（数据关联性存在与否）问题转化为机器学习二分类问题,用于检测篡改攻击。仿真结果显示,该模型对报文的篡改类攻击有很好地检测效果,其检测准确率为97.14%。（4）设计并研制了车载CAN网络入侵检测装置,完成了硬件模块和入侵检测软件的开发。实车（现代i30）实验结果表明,该装置可准确检测重放、DoS、丢弃以及篡改等典型攻击,验证了本文方法的合理性。
王晓东[3]（2020）在《基于多源数据融合的风电机组主传动链故障预警研究》文中研究表明近十多年来,我国风电产业发展迅速,风电装机规模迅速扩大。由于风电机组大多处于边远地区和山区,运行环境恶劣,风电机组的运维是个难题。随着越来越多的风电机组出质保,风电机组的智能化运维越来越受到重视。风电机组的智能化运维工作中,风电机组主传动链运维是最为核心的工作。原因是:风电机组主传动链是风电机组故障多发、故障恢复时间最长、故障损失最大的机械部件,其故障频率直接影响风电场运行的可靠性与经济收益。因此,研究风电机组主传动链的智能化故障预警技术,在风电机组主传动链故障发生之前对其进行及时的维护,降低风电机组主传动链故障带来的损失,对我国风电产业的健康发展具有重要意义。本文以双馈风电机组主传动链为研究对象,研究风电机组主传动链的智能化故障预警技术,并设计和研制风电机组主传动链的故障预警系统,实现风电机组主传动链的智能运维。本文的主要研究工作包括:1、研究风电机组主传动链故障预警的基本原理,在分析风电机组主传动链典型故障发生过程及其原因的基础上,归纳风电机组主传动链典型故障的特征提取技术与故障预警算法,为进一步研究风电机组主传动链的故障预警技术奠定理论基础。2、由于基于风电机组SCADA监测系统数据源的故障预警技术存在局限性,提出多源数据融合方法:融合风电机组SCADA系统监测数据和风电机组主传动链的高频振动监测数据这两类数据提取的故障特征,提出基于多源数据融合的风电机组主传动链故障特征提取方法,搭建基于深度自编码网络的多源数据融合故障预警模型,根据多类数据融合的故障特征的重构误差,判断主传动链运行状态是否正常,是否有故障发生的趋势。3、基于深度自编码网络的多源数据融合故障预警模型,研制风电机组主传动链故障预警系统并进行工程应用:对故障预警系统的逻辑架构、硬件架构和功能架构进行设计,并将研发的故障预警系统应用于实际风电场中。故障预警系统试运行结果表明,所研究的故障预警技术能够灵敏地发现主传动链的潜在缺陷,对于发现风电机组主传动链的早期故障有重要价值。
陈頔[4]（2020）在《异构移动物联网的融合与安全通信研究》文中研究表明随着移动通信技术的不断演化,第五代移动网络（5th Generation Mobile Networks,5G）已经正式商用。这为物联网带来了广覆盖、大连接和低时延的网络接入服务,万物互联的时代已经到来。面对异构的网络接入技术,移动物联网数据呈现出海量性、异构性和动态性等特点。消息服务系统需要支持大规模消息的接入和管理,提供高效可靠的信令控制能力和调度能力。此外,物联网边缘设备计算能力和存储能力有限,异构移动物联网系统间的融合通信变得越来越困难,信息安全问题也更加突出。传统的入侵检测系统（Intrusion Detection System,IDS）缺少动态学习和更新能力,模型训练代价较大,无法有效检测异构的和未知的异常,存在冷启动的问题。针对移动物联网的异构融合组网、异构消息服务、异构数据特征融合和识别、异构网络安全防护及其升级等融合和安全通信的关键问题。本文主要开展了以下研究工作:受生物器官移植免疫技术的启发,提出利用免疫耐受诱导抗排斥反应的机制,解决异构移动通信系统之间的融合问题。以移植免疫为技术机理,构建基于免疫耐受机制的5G非独立组网（Non-Standalone,NSA）融合架构。利用深度学习模型来识别供体协议类型,并对供体信令进行基于“异或”操作的解码,以及基于基因位域的再次编码。仿真结果表明,本方案可以有效识别供体信令,提高异构信令的亲和力和编解码效率,实现免疫耐受机制和算法的互补。为提高移动通信网络中消息的调度和分发能力,提出将人工免疫理论应用于移动通信系统的消息服务。利用模拟免疫应答机制,提出基于半分布式免疫动态自适应网络架构,构建检测器动态学习机制和免疫记忆机制。提出免疫消息分发系统的概念,利用克隆选择算法对消息头进行分类克隆,结合肯定选择算法,对消息体进行高频变异。在保证抗体多样性的前提下,解决哈希映射算法的空间消耗问题。仿真结果表明,消息识别能力和消息分发能力得到提升。针对物联网安全防护设备的计算资源有限的问题,以及升级更新的困难,以5G窄带物联网（Narrowband IoT,NB-IoT）为技术应用背景,提出一种基于免疫动态自适应机制的窄带物联网IDS架构,解决窄带物联网各网元异常特征库协同更新问题。设计基于免疫的增量数据提取方法,进而提出基于增量数据的模型权重更新训练方法。为降低边缘设备计算资源,构建基于简单结构的多层感知器,长短时记忆和卷积神经网络的IDS模型,并验证其静态检测效率。在多个场景中评估不同模型的增量学习性能,讨论不同模型在窄带物联网的适配性。仿真结果表明,所提方案可以满足窄带物联网小数据包和大接入量的需求,训练指标变化更加平稳。弥补静态模型无法自适应更新的局限性,降低数据完整性被破坏的风险,缩短模型更新周期,节省计算资源和存储资源。面对异构移动物联网入侵检测面临的数据识别和融合的挑战,提出一种基于词嵌入深度迁移学习的IDS。利用一种简单的域对齐方式,以保持源域张量和目标域张量的一致性,完成样本迁移。利用异构网络间的特征相关性,使用词嵌入将物理网络的数理逻辑特征映射为特征空间向量,完成特征迁移。利用不同的深度学习算法,完成模型迁移。并在多个异构数据集和多个场景中验证所提方案的有效性。仿真结果表明,本方案可以完成异构物联网IDS邻域数据的特征提取,节省异构物联网IDS模型的数据预处理时间和训练时间,解决异构物联网IDS的冷启动问题。
谢昊洋[5]（2020）在《高精度三维人体重建及其在虚拟试衣中的应用》文中研究说明三维人体和虚拟服装作为两种常见的三维模型,一直是计算机图形学和计算机视觉中重要的研究内容,已广泛应用于影视动画、三维游戏、服装设计、虚拟试衣、电子商务等领域。目前三维人体和服装建模仍主要依赖三维扫描或由具有专业知识的设计师利用建模软件手工设计,成本高、效率低,难以满足在线试衣等实时应用。虽然近年来有基于学习的方法可快速生成人体模型,但多关注于姿态估计,并未强调重建体型在人体测量学上的精度,而准确的三维人体往往是虚拟试衣、尺码推荐、服装设计等与服装相关应用的基础。本文旨在重建出高精度的三维人体模型并探索其在虚拟试衣方面的相关应用。为了量化评估重建出的三维人体模型在人体测量学上的精度,本文首先研究了适用于三维人体网格的分割算法,并在此基础上设计了一套完整准确的自动化三维人体关键点提取及特征尺寸测量方法。其次,本文从不同的角度分别提出了基于传统优化和图卷积神经网络的两种高精度非参数化三维人体重建方法。最后,本文在两种重建方法的基础上进行应用扩展,提出了一种可用于三维服装重定向的深度网络架构。具体来说,本文的主要研究内容和贡献包括:1)非刚性三维网格谱域分割。为了便于准确地提取出三维人体关键点,本文首先提出了在谱域中基于组合描述子的三维人体网格分割方法,设计了一种包含网格显着性的线性拉普拉斯算子,并融合了由显着性拉普拉斯谱计算的全局特征和局部特征以构建组合描述子,最后在谱域中通过谱聚类完成自动分割。在此过程中,本文设计了一种基于面的凹顶点过滤方法,在显着性判定中有效降低了噪声的影响,使得分割边界处于人体关节区域。此外,本文采用了一种自动判定分割数目的方法,且对于形状较为复杂的网格模型,也可交互式地确定多种合理的分割方式,提高了算法的实用性。与其它分割算法的定性和定量比较说明,本文方法对于包括人体在内的非刚性三维网格具有较好的分割效果,且对一定程度的噪声及拓扑变化鲁棒。在此基础上,本文也探索了该分割方法在骨骼提取及蒙皮方面的应用。2)三维人体关键点提取及特征尺寸测量。在人体分割的基础上,提出了一套完整的三维人体关键点自动检测及特征尺寸测量方法,为量化评估重建人体的精度提供了算法基础,且提取的关键点可作为后续重建算法的输入。利用分割后的三维人体,借助K-近邻、回归、骨骼提取、局部环切等多种技术和方法,直接从三维数据中提取关键点,并基于提取的关键点测量相关人体数据。依据本文方法,至少可以自动提取出22个关键点,其数量和质量均可满足服装领域多种测量要求。本文也与相关的人体测量方法进行了量化比较,不仅在多项测量尺寸上取得最优,测量精度亦满足GB/T23698-2009《三维扫描人体测量方法的一般要求》所规定的误差要求。此外,本文根据提取出的关键点进一步优化了三维人体的分割结果,分割边界可准确地位于提取到的关键点处,且边界也更为平滑。3)基于几何优化的结构一致性三维人体重建。本文利用传统的几何优化方法完成了非参数化高精度三维人体重建,所有重建模型不仅具有完全相同的拓扑结构,也具有真实的高频细节,且人体关键点具有相同的顶点索引。该方法在传统网格输入的基础上增加了稀疏关键点对应关系,其本质是利用数值优化方法,借助稀疏对应关系作为“硬约束”,通过设计良好的迭代方式、目标函数及相关参数,将模板人体准确地变形为目标人体。该方法对输入的目标人体不做过多要求,目标人体可以具有边界和孔洞,甚至可以是非二维流形,从而最大限度地保证了算法的适用性。4)基于人体测量图卷积网络的三维人体重建。本文也设计了一种非参数化人体测量图卷积神经网络,不依赖于任何参数化人体模型,只需输入人体掩码图像及少量的人体测量尺寸,即可显式地预测出三维人体顶点坐标。实验证明,通过将人体测量参数显式地融入本文的网络架构并辅以相应的损失函数,极大地提高了重建结果在人体测量学上的精度,也使得重建过程更加可控。通过对人体测量图卷积网络进行扩展,也可用回归某一参数空间的方式完成参数化重建。与其它基于深度学习的人体重建方法相比,本文方法在重建精度上有了大幅提升。此外,该方法也具备从单张图片重建完整三维人体的能力。在此基础上,我们也探索了本文方法在基于人体测量的体型设计方面的应用,可用少量的测量尺寸生成对应的人体模型。5)用于着装的三维服装重定向网络。虚拟试衣是三维人体的重要应用之一,如何高效地将虚拟服装穿在多样化的三维人体上并展示具有真实感的服装效果一直是虚拟试衣的研究热点。在前述两种人体重建方法的基础上,本文首先设计了一种基于几何优化的服装重定向方法,并以此生成了部分训练数据。其次,本文提出了一个用于服装重定向的双分支图卷积网络。该网络以人体掩码、测量尺寸和包含服装褶皱的手绘草图作为输入,采用联合训练的方式直接重建出无穿透的着装人体,且人体与服装均以独立网格模型表示。通过在基于物理仿真的数据上进行学习,该网络可以生成具有真实感的服装细节。相比于传统方法,算法效率极大提升,可满足实时应用场景。与其它相关算法相比,不仅生成的服装具有丰富且真实的褶皱效果,精度亦有较大提升。
张丙强[6]（2020）在《基于卷积神经网络和循环神经网络的结构损伤识别》文中认为建筑工程结构随着人们使用的时间和外部环境的作用,会发生相应的老化并出现不同程度、不同形式的结构损伤。结构损伤的识别、检测以及修复维护对于结构安全具有重要的作用。同时,越早发现结构的损伤位置和损伤程度,维修维护的费用也越少。因此,工程结构的损伤位置识别和损伤程度的鉴定具有重大的意义。卷积神经网络和循环神经网络是近些年来人工智能领域的重要研究成果,这两种方法和传统模式的识别方法相比有其特别之处,检测得到数据后,利用此方法便可以使其进行自我学习和训练,从而获得结构的相关损伤情况。利用卷积神经网络和长短期记忆网络（循环神经网络的一种）,基于数据分析,找寻这些数据背后的科学规律,发现损伤之处和损伤程度,这也正是本文的特别之处。但关于卷积神经网络尤其是循环神经网络在结构损伤识别领域中应用的现有研究较为有限,因此本文对这两种神经网络在结构损伤识别中的应用进行相关研究。主要工作有以下内容:（1）对人工智能领域在结构损伤识别的研究进行综述,介绍几种深度学习方法在结构损伤识别的研究。（2）用简支梁来模拟桥梁结构,在匀速移动的集中荷载作用下,通过ANSYS的仿真分析,提取测点处的竖向位移,并基于MATLAB搭建网络构架,分别用两种卷积神经网络和长短期记忆网络进行简支梁的损伤识别,通过比较这三者的损伤识别效果,初步探索哪种神经网络更适合于该结构类型的损伤识别以及影响损伤识别准确率的主要因素。（3）以典型框架结构为例,在包含自重的Elcentro地震波激励下,通过ANSYS的仿真分析,提取柱节点的加速度,并对提取的数据进行预处理。用MATLAB搭建网络构架,初步探讨长短期记忆网络技术在该种结构类型上损伤识别的可行性。
徐曼[7]（2020）在《基于3D卷积神经网络的MRI医学影像分类算法研究》文中研究表明利用卷积神经网络等深度学习技术进行医学影像分类,是深度学习技术在医学领域的重要应用之一。阿尔茨海默症（Alzheimer’s Disease,AD）是一种引起认知障碍且致死率较高的神经退行性疾病,HIV相关神经认知功能障碍综合征（HIV-associated Nurocognitive Disorders,HAND）是HIV感染早期（1周）表现的病症,通过卷积神经网络在AD或者HAND早期阶段精准诊断并进行针对性预防及干预,有可能延缓或逆转病症的病理生理进程,这对改善患者预后、提高患者生存质量具有重要的科学意义和临床价值。本文主要解决首都医科大学附属北京佑安医院提供的HAND数据集的ANI/NC二分类问题,搭建基于3D卷积神经网络的MRI医学影像分类模型,先在阿尔茨海默症公开数据集ADNI-1上,研究利用多模态模型优化分类性能的问题;然后基于上述研究,进一步利用多尺度模型继续优化HAND数据集的分类性能。本文创新点之一是提出采用基于图卷积神经网络的多模态分类算法,突破现有分类算法只利用单一模态信息的局限性,实验表明,基于图卷积神经网络的多模态分类模型,相比于单模态分类模型,在ADNI-1数据集中能够显着提升分类性能。借助3D卷积神经网络获取图像特征,并充分利用受试者的年龄、性别、临床诊断、认知功能测试结果等电子病历信息,构建多模态医学影像分类模型。以受试者为节点、以病历信息为边、以获取到的图像特征为特征向量构建拓扑图,在充分利用医学影像图像特征的同时,也利用从电子病历数据中提取到的受试者之间的相似性和相互作用等特征,整合多模态特征构建分类模型。但是,ADNI-1作为阿尔茨海默症的公开数据集,具有样本质量较高、标注完善、数据充足等特点,而类似HAND等真实临床医学影像数据很难达到此标准,实验结果也表明基于图卷积神经网络的多模态模型在ADNI-1数据集上达到较高性能;但是在HAND数据集上,并不能取得较好的分类性能。针对HAND数据集的分类任务,本文提出结合多尺度3D卷积神经网络和多尺度3D卷积自编码器的分类算法,从不同尺度的医学影像中提取更多层面的低阶和高阶图像特征。通过降采样方法得到不同尺度的图像样本,利用多尺度模型能够捕获到以体素为中心更大邻域内的特征。实验结果表明,本文提出的多尺度分类算法能够提高基于HAND数据集的分类模型的性能。同时通过数据增强和迁移学习解决样本较少问题。本文基于ADNI-1和HAND两个数据集,分别提出利用多模态和多尺度思想构建医学影像分类模型的算法,并通过与基于支持向量机、基于ResNet等单一尺度或单一模态的分类模型性能相对比,结果表明,基于GCN的多模态模型能够显着提升ADNI-1的三分类模型的性能,但是在HAND数据集上性能较差。为进一步优化基于HAND数据集的分类性能,采用数据增强、迁移学习和多尺度分类算法提升HAND数据集的分类模型性能,实验结果表明能够达到较为理想的分类效果。
陈浩[8]（2020）在《基于OneNET平台的小型泵站控制系统研究与实现》文中指出随着国家政策扶持乡村全方面发展,农业发展得到了历史性突破。为了让科技更好地服务于农村发展,国家正投入大量人力、物力、财力支持农村产业转型,大力发展智慧农业,缓解农村劳动力的缺失,提高水资源利用率和农作物收获率,推动农业向智能化、高科技化方向发展。根据乡村全方位和智慧农业发展战略,本文是以基于物联网技术进行农业智能化灌溉为研究对象,结合当下移动4G通信技术,设计了一套基于OneNET云平台的小型泵站控制系统,并且在如皋市一体化智能泵站建设中得到了应用。本文主要研究是基于OneNET云平台的小型泵站控制系统的硬件和软件设计。以当前小型泵站发展现状和物联网技术运用为研究背景,分析了现有的4种移动通信技术特点,选定了移动4G通信技术作为控制系统的数据传输与下发的通信方式。硬件部分采用了ARM公司研发的低功耗、高性能单片机STM32F103ZET6作为核心CPU,由4G通信模块供电电路与继电器控制电路等构成外围电路,外围电路还包括:电源电路、晶振电路、复位电路、传感器采集电路以及泵站机房控制电路等。硬件设计考虑到后续的功能需求保留了可扩展部分,这样既节约成本又方便后期升级改造。软件部分充分利用了单片机STM32F103ZET6内部资源和外围电路,集成了数据采集、存储与下发的功能,同时还兼顾了 OneNET云平台数据解析Lua脚本的开发,Lua脚本将传感器传输的数据转换成JSON格式存储在OneNET云平台上。恒压供水系统中利用MATLAB中SIMULINK模块建立电机转速的仿真模型,通过比较PID控制与模糊PID控制效果,最终选定模糊PID控制来实现恒压供水的稳定性。基于OneNET云平台的小型泵站控制系统实现了小型泵站数据采集、通信连接、远程控制、恒压供水灌溉等功能。最终研究设计的控制系统设备在如皋市农村泵站建设中得到了应用,实现了远程监测和控制功能。设计智能泵站控制系统所涉及知识而比较广泛,运用新的科学手段使得小型泵站控制更加人性化、智能化,极大减少了人工日常维护的成本。本次设计开发的控制系统有很高的拓展空间和平台数据安全保障,结合4G通信技术传输速度快、大容量的特点,为以后的升级改造提供了技术支持。
吕鸿运[9]（2019）在《文本与3D形状的相互转化系统设计与实现》文中研究说明近年来,随着3D传感器功能的愈发强大,3D数据的获取也越来越容易。而3D数据更加接近现实世界维度,能够更加逼真地展示现实世界的方方面面,这也导致了当前VR,AR等3D应用的愈发火爆。如何理解这些3D数据成为了人们的迫切需求。而文字是人类文明的高度凝练和智慧结晶,让人们能够交流思想,感受和想法,精准地描述现实世界,是人类理解世界的主要方式之一。找到文字和3D数据之间的某种仍未发现的内在联系成为了人们的兴趣。本文的文本和3D形状的相互转化系统则试图在自然语言和3D视觉模式之间发现一种内在联系。本文通过系统需求分析,将整个系统合理划分为三个模块,设计并实现了:（1）实例级关联学习,结合联合学习与度量学习,解决文本和3D形状之间的跨模态语义联系学习问题;（2）文本嵌入解码器,使用GRU Encoder-Decoder模型,解决长短期记忆学习和参数量问题,使得文本和文本嵌入的相互转化更加准确高效;（3）文本嵌入和3D形状相互转化的模型,使用CycleGAN算法,充分利用文本嵌入和3D形状之间的监督信息,解决两者相互转化的对应问题,从而提高整个系统的转化准确率。最后的实验结果证明本文的系统效果比之前的相关系统方法表现优异。本文弥补了文本和3D形状的跨模态学习和转化的技术空白,通过跨模态学习,文本与文本嵌入的相互转化,以及文本嵌入和3D形状的相互转化,间接设计并实现了文本与3D形状的相互转化系统。该系统能够减少节省时间,金钱和人力成本,具有一定的商业价值,同时,对于未来的自然语言和3D视觉模式之间内在关联的应用研究和落地产品有一定的参考意义。
张玉兰[10]（2007）在《非线性编辑网络实验室的构建》文中认为数字非线性编辑实验室建设由于现实条件的原因情况不尽相同,但都存在一个相同的问题,单机环境无法适应实验教学需要和电视节目制作数字化的发展。因此,必须对非线性编辑实验室进行网络化建设,使单机编辑过度到网络编辑。本文提出非线性编辑实验室网络化建设的一些思路,主要介绍网络方案选择和网络组建。
二、非线性编辑系统及其网络架构（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、非线性编辑系统及其网络架构（论文提纲范文）
（1）基于全卷积网络的语义分割算法研究与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卷积神经网络的发展 |
| 1.2.2 语义分割网络的发展 |
| 1.3 主要内容 |
| 1.4 结构安排 |
| 第二章 融合ResNeSt与PPM的二维语义分割网络 |
| 2.1 分组卷积 |
| 2.2 注意力机制 |
| 2.3 融合ResNeSt与PPM |
| 2.3.1 ResNeSt |
| 2.3.2 PPM |
| 2.4 实验验证 |
| 2.4.1 数据集 |
| 2.4.2 评价指标 |
| 2.4.3 网络训练 |
| 2.4.4 实验结果分析 |
| 2.5 本章小结 |
| 第三章 基于改进的3D U-Net的三维语义分割网络 |
| 3.1 批归一化与组归一化 |
| 3.2 改进的3D U-Net |
| 3.3 实验验证 |
| 3.3.1 数据集 |
| 3.3.2 数据预处理 |
| 3.3.3 评价指标 |
| 3.3.4 网络训练 |
| 3.3.5 实验结果分析 |
| 3.4 本章小结 |
| 第四章 语义分割系统的设计与实现 |
| 4.1 系统需求分析 |
| 4.2 系统概要设计 |
| 4.3 系统详细设计 |
| 4.3.1 数据库设计 |
| 4.3.2 接口设计 |
| 4.3.3 文件管理模块设计 |
| 4.3.4 语义分割模块设计 |
| 4.4 系统实现 |
| 4.4.1 技术介绍 |
| 4.4.2 系统概览 |
| 4.4.3 场景解析 |
| 4.4.4 MRI分割 |
| 4.4.5 管理模块 |
| 4.5 系统测试 |
| 4.5.1 测试环境 |
| 4.5.2 功能测试 |
| 4.5.3 性能测试 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）汽车CAN网络的入侵检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 2 汽车CAN网络安全分析及方案 |
| 2.1 汽车CAN网络研究 |
| 2.1.1 CAN网络工作原理研究 |
| 2.1.2 车联网下的汽车CAN网络 |
| 2.2 汽车CAN网络信息安全分析 |
| 2.2.1 CAN网络特点及其局限性研究 |
| 2.2.2 CAN网络攻击入口 |
| 2.2.3 CAN网络攻击类型 |
| 2.3 汽车CAN网络安全防护技术及方案研究 |
| 2.3.1 CAN网络入侵检测技术 |
| 2.3.2 本文制定的解决方案 |
| 2.4 小结 |
| 3 基于ID熵的入侵检测方法 |
| 3.1 CAN网络ID熵分析 |
| 3.1.1 CAN网络ID信息熵 |
| 3.1.2 CAN网络ID相对熵 |
| 3.1.3 CAN网络ID熵值特性 |
| 3.2 基于ID熵的入侵检测方案 |
| 3.2.1 CAN网络ID熵理论计算 |
| 3.2.2 基于ID熵的入侵检测方案 |
| 3.3 仿真分析 |
| 3.3.1 CAN网络报文的仿真 |
| 3.3.2 CAN网络ID熵入侵检测模型的标定与训练 |
| 3.3.3 重放攻击模拟与检测 |
| 3.3.4 DoS攻击模拟与检测 |
| 3.3.5 丢弃攻击模拟与检测 |
| 3.4 小结 |
| 4 基于支持向量机-数据关联性的入侵检测方法 |
| 4.1 汽车报文数据关联性分析 |
| 4.2 基于支持向量机-数据关联性的入侵检测方案 |
| 4.2.1 理论建模 |
| 4.2.2 基于支持向量机-数据关联性的入侵检测方案 |
| 4.3 仿真分析 |
| 4.3.1 CAN网络报文的仿真 |
| 4.3.2 篡改攻击的检测模型的训练和测试 |
| 4.4 小结 |
| 5 车载CAN网络入侵检测装置研制与实车验证 |
| 5.1 车载CAN网络入侵检测装置设计 |
| 5.1.1 车载CAN网络入侵检测装置硬件设计 |
| 5.1.2 车载CAN网络入侵检测装置软件设计 |
| 5.2 实验平台搭建 |
| 5.3 实车测试与数据分析 |
| 5.3.1 基于ID熵方案的实车检测及数据分析 |
| 5.3.2 基于SVM-DR方案的实车检测及数据分析 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（3）基于多源数据融合的风电机组主传动链故障预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 风电机组主传动链典型故障特征提取技术研究现状 |
| 1.2.2 风电机组主传动链典型故障预警算法研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 第二章 风电机组主传动链典型故障预警基本原理 |
| 2.1 风电机组主传动链典型故障过程分析 |
| 2.1.1 风电机组主传动链基本结构 |
| 2.1.2 风电机组主传动链典型故障过程及其原因分析 |
| 2.2 风电机组主传动链典型故障特征提取方法 |
| 2.2.1 基于SCADA系统监测数据的主传动链典型故障特征监测 |
| 2.2.2 基于高频振动监测数据的主传动链典型故障特征提取方法 |
| 2.3 风电机组主传动链典型故障预警算法 |
| 2.3.1 传统阈值分析方法 |
| 2.3.2 智能化分析方法 |
| 2.4 本章小结 |
| 第三章 基于多源数据融合的风电机组主传动链典型故障预警方法 |
| 3.1 风电机组主传动链多源数据融合的故障特征提取方法 |
| 3.1.1 基于单一数据源的主传动链故障特征提取方法局限性分析 |
| 3.1.2 多源数据融合的主传动链典型故障特征提取流程 |
| 3.1.3 多源数据融合的主传动链典型故障特征提取 |
| 3.2 基于多源数据融合的风电机组主传动链故障预警模型 |
| 3.2.1 深度自编码网络基本原理 |
| 3.2.2 基于DA的多源数据故障融合预警模型 |
| 3.3 算例分析 |
| 3.3.1 参数选择 |
| 3.3.2 模型训练 |
| 3.3.3 模型测试 |
| 3.3.4 多特征融合对比 |
| 3.4 本章小结 |
| 第四章 基于多源数据融合的风电机组主传动链典型故障预警系统设计 |
| 4.1 系统架构设计 |
| 4.2 系统硬件构成 |
| 4.2.1 硬件配置 |
| 4.2.2 传感器选型与测点配置 |
| 4.3 系统功能设计 |
| 4.4 本章小结 |
| 第五章 风电机组主传动链典型故障预警系统应用分析 |
| 5.1 风电机组齿轮箱齿轮故障案例分析 |
| 5.1.1 23#机组中速小齿轮断齿案例分析 |
| 5.1.2 32#机组一级内齿圈小齿轮断齿案例分析 |
| 5.1.3 15#机组一级内齿圈小齿轮断齿案例分析 |
| 5.2 风电机组齿轮箱轴承故障案例分析 |
| 5.3 风电机组发电机轴承故障案例分析 |
| 5.3.1 13#机组发电机后轴承磨损案例分析 |
| 5.3.2 27#机组发电机后轴承内圈碎裂案例分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
| 附件 |
（4）异构移动物联网的融合与安全通信研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 异构融合组网和异构消息服务 |
| 1.2.2 异构移动物联网的安全防护 |
| 1.2.3 基于人工免疫的应用研究 |
| 1.2.4 基于深度学习的入侵检测研究 |
| 1.2.5 存在的主要问题 |
| 1.3 本文研究的主要内容 |
| 1.4 本文各章节结构安排 |
| 第2章 基于移植免疫的5G非独立组网融合网络 |
| 2.1 引言 |
| 2.2 5G非独立组网的融合需求 |
| 2.3 移植免疫的主要措施 |
| 2.3.1 T细胞克隆清除 |
| 2.3.2 T细胞克隆无能 |
| 2.3.3 免疫耐受机制实施步骤总结 |
| 2.4 5G非独立组网的免疫耐受机制构建 |
| 2.5 消息免疫耐受模块的实现 |
| 2.5.1 供体PDU抗原特征的提取和判断 |
| 2.5.2 计算抗原和抗体的亲和力 |
| 2.5.3 抗体多样性 |
| 2.5.4 PDU基因编码和解码 |
| 2.5.5 抗体浓度计算 |
| 2.6 实验结果与分析 |
| 2.6.1 实验环境和实验过程 |
| 2.6.2 协议分类实验结果 |
| 2.6.3 PDU编码和解码实验结果 |
| 2.6.4 场景仿真 |
| 2.7 本章小结 |
| 第3章 基于免疫动态自适应的异构消息服务系统 |
| 3.1 引言 |
| 3.2 消息动态自适应更新机制 |
| 3.2.1 系统软件架构 |
| 3.2.2 半分布式的免疫动态自适应机制 |
| 3.3 免疫消息分发系统的实现 |
| 3.3.1 抗体与抗原编码 |
| 3.3.2 抗体与抗原的亲和力的计算 |
| 3.3.3 克隆选择和克隆扩增 |
| 3.3.4 高频变异 |
| 3.3.5 免疫记忆 |
| 3.3.6 抗体的自适应增殖和抑制 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第4章 基于免疫自适应增量学习的5G窄带物联网入侵检测 |
| 4.1 引言 |
| 4.2 5G窄带物联网增量数据传输架构和机制 |
| 4.2.1 信道收发模式 |
| 4.2.2 学习和免疫更新的周期 |
| 4.2.3 控制面数据传输 |
| 4.2.4 用户面数据传输 |
| 4.3 免疫动态自适应增量深度学习 |
| 4.3.1 抗原和抗体 |
| 4.3.2 亲和力计算 |
| 4.3.3 免疫应答过程 |
| 4.3.4 克隆选择 |
| 4.3.5 抗体浓度更新 |
| 4.3.6 增量深度学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 模型训练结果 |
| 4.4.3 增量深度学习训练的实验结果 |
| 4.4.4 模型传输效率的实验结果 |
| 4.5 本章小结 |
| 第5章 基于词向量深度学习的异构物联网入侵检测 |
| 5.1 引言 |
| 5.2 词嵌入迁移深度学习 |
| 5.2.1 基于域对齐的样本迁移 |
| 5.2.2 基于词嵌入的特征迁移 |
| 5.2.3 基于深度学习的模型迁移 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（5）高精度三维人体重建及其在虚拟试衣中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 三维网格分割 |
| 1.2.2 三维人体测量 |
| 1.2.3 三维人体重建 |
| 1.2.4 三维虚拟试衣 |
| 1.3 研究内容 |
| 1.4 结构安排 |
| 第2章 谱域中基于组合描述子的非刚性三维网格分割 |
| 2.1 引言 |
| 2.2 融合显着性的拉普拉斯谱嵌入 |
| 2.2.1 拉普拉斯算子及其离散化 |
| 2.2.2 网格显着性介绍 |
| 2.2.3 计算显着性拉普拉斯矩阵谱嵌入 |
| 2.3 基于全局和局部特征的谱嵌入 |
| 2.3.1 表征全局与局部特征 |
| 2.3.2 组合描述子的谱嵌入 |
| 2.4 谱域分割 |
| 2.5 分割结果与分析 |
| 2.6 应用:骨骼提取 |
| 2.7 本章小结 |
| 第3章 自动化三维人体关键点提取及特征尺寸测量 |
| 3.1 引言 |
| 3.2 网格预处理及分割结果回顾 |
| 3.3 关键点提取 |
| 3.3.1 肩点提取 |
| 3.3.2 颈点提取 |
| 3.3.3 腋窝点提取 |
| 3.3.4 肘点提取 |
| 3.3.5 裆底点提取 |
| 3.3.6 臀高点提取 |
| 3.3.7 肚脐点提取 |
| 3.3.8 乳尖点提取 |
| 3.3.9 手腕点提取 |
| 3.3.10 膝点提取 |
| 3.3.11 脚踝点提取 |
| 3.4 人体测量 |
| 3.4.1 长度测量 |
| 3.4.2 围度测量 |
| 3.5 测量结果与分析 |
| 3.5.1 回归分析 |
| 3.5.2 可视化关键点提取及测量 |
| 3.5.3 量化对比分析 |
| 3.5.4 运行效率 |
| 3.5.5 分割优化 |
| 3.6 本章小结 |
| 第4章 基于几何优化的结构一致性三维人体重建 |
| 4.1 引言 |
| 4.2 几何优化重建 |
| 4.3 实施细节 |
| 4.3.1 模板选择 |
| 4.3.2 “硬约束”提取 |
| 4.3.3 目标人体预处理 |
| 4.3.4 迭代方式 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于非参数化人体测量图卷积网络的三维人体重建 |
| 5.1 引言 |
| 5.2 非参数化人体测量图卷积设计 |
| 5.2.1 掩码图像特征提取 |
| 5.2.2 人体测量特征提取 |
| 5.2.3 图卷积神经网络设计 |
| 5.3 PCA空间及参数化扩展 |
| 5.4 重建结果与分析 |
| 5.4.1 数据集 |
| 5.4.2 实施及训练细节 |
| 5.4.3 结果及分析 |
| 5.4.4 人体测量体型设计 |
| 5.5 与基于几何优化重建的对比分析 |
| 5.6 本章小结 |
| 第6章 用于着装的三维服装重定向网络 |
| 6.1 引言 |
| 6.2 三维着装数据集创建 |
| 6.2.1 基于几何优化的服装数据生成 |
| 6.2.2 基于物理仿真的三维服装创建 |
| 6.2.3 数据集 |
| 6.3 三维服装重定向网络 |
| 6.3.1 人体分支网络 |
| 6.3.2 服装分支网络 |
| 6.3.3 融合网络 |
| 6.3.4 损失函数 |
| 6.4 服装重定向结果与分析 |
| 6.4.1 训练细节 |
| 6.4.2 评估指标 |
| 6.4.3 结果与分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间的主要研究成果 |
| 致谢 |
（6）基于卷积神经网络和循环神经网络的结构损伤识别（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 结构损伤检测技术的研究发展 |
| 1.3 本论文的主要工作和创新点 |
| 第二章 机器学习和深度学习理论 |
| 2.1 引言 |
| 2.2 机器学习 |
| 2.2.1 机器学习的基本概念与学习系统 |
| 2.2.2 机器学习的研究任务和进展 |
| 2.2.3 机器学习的主要策略 |
| 2.2.4 深度学习和机器学习的区别 |
| 2.3 深度学习的理论基础 |
| 2.3.1 感知机 |
| 2.3.2 反向传播算法 |
| 2.3.3 非线性激活函数 |
| 2.3.4 损失函数 |
| 2.3.5 正则化 |
| 2.3.6 学习速率 |
| 2.3.7 批标准化 |
| 2.3.8 优化算法 |
| 第三章 匀速移动集中荷载作用下简支梁的损伤识别 |
| 3.1 引言 |
| 3.2 数值模拟 |
| 3.3 简支梁损伤识别 |
| 3.3.1 引言 |
| 3.3.2 卷积神经网络的三个重要特点 |
| 3.3.3 深度学习训练进程的监控 |
| 3.3.4 判断是否损伤 |
| 3.3.5 损伤定位 |
| 3.3.6 损伤程度 |
| 3.4 简支梁损伤识别影响因素的探讨 |
| 3.4.1 引言 |
| 3.4.2 数值模拟 |
| 3.4.3 样本数据处理 |
| 3.4.4 损伤识别 |
| 3.4.5 两者识别效果对比 |
| 3.5 采用LSTM网络的简支梁损伤识别 |
| 3.5.1 引言 |
| 3.5.2 循环神经网络 |
| 3.5.3 LSTM网络 |
| 3.5.4 BPTT算法 |
| 3.5.5 判断是否损伤 |
| 3.5.6 损伤定位和损伤程度识别 |
| 3.6 三种方法的损伤识别效果对比 |
| 3.6.1 是否损伤识别的对比 |
| 3.6.2 损伤定位识别的对比 |
| 3.6.3 损伤程度识别的对比 |
| 3.7 本章小结 |
| 第四章 框架结构在地震和自重作用下的损伤识别 |
| 4.1 引言 |
| 4.2 数值模拟 |
| 4.2.1 损伤指标的确定 |
| 4.2.2 地震波的选择 |
| 4.3 分析模型及工况设定 |
| 4.4 损伤识别 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 A 论文部分MATLAB程序的代码 |
| 1、简支梁损伤识别CNNL11.m |
| 2、简支梁损伤识LSTM10.m |
| 3、框架结构损伤定位识别识别CNNL1S11.m |
| 附录 B 论文部分ANSYS APDL命令流 |
| 1、简支梁损伤模型 |
| 2、框架结构损伤模型 |
| 致谢 |
（7）基于3D卷积神经网络的MRI医学影像分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 国内外研究现状 |
| 1.3 医学影像分类算法的局限性 |
| 1.4 本文主要工作及论文组织结构 |
| 1.4.1 本文主要工作及创新点 |
| 1.4.2 论文组织结构 |
| 1.5 本章小结 |
| 第二章 基于卷积神经网络的医学影像分类算法相关研究 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层和批正则化层 |
| 2.2 基于卷积神经网络的图像分类模型 |
| 2.2.1 AlexNet |
| 2.2.2 VGGNet |
| 2.2.3 GoogLeNet |
| 2.2.4 ResNet |
| 2.2.5 3D卷积神经网络 |
| 2.3 医学影像及实验数据集简介 |
| 2.3.1 医学影像简介 |
| 2.3.2 阿尔茨海默症数据集简介 |
| 2.3.3 HAND数据集简介 |
| 2.4 医学影像特征提取与特征选择相关算法 |
| 2.4.1 医学影像数据预处理方法 |
| 2.4.2 医学影像特征提取方法 |
| 2.4.3 医学影像的特征选择 |
| 2.5 迁移学习 |
| 2.6 本章小结 |
| 第三章 基于GCN-Multi-Modal的医学影像分类 |
| 3.1 图卷积神经网络 |
| 3.2 数据集 |
| 3.3 模型的验证与评估方法 |
| 3.4 基于ADNI-1的GCN-Multi-Modal分类算法 |
| 3.4.1 基于ResNet的医学影像特征提取 |
| 3.4.2 基于GCN-Multi-Modal分类模型详述 |
| 3.5 实验结果分析 |
| 3.5.1 基于ADNI-1数据集的实验结果分析 |
| 3.5.2 基于HAND数据集的实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于Multi-Scale-3DCNN-3DCAE的医学影像分类 |
| 4.1 基于HAND数据集的数据增强和迁移学习 |
| 4.2 基于Multi-Scale-3DCNN-3DCAE的分类算法 |
| 4.2.1 Multi-Scale-3DCNN-3DCAE架构组成 |
| 4.2.2 多尺度3D卷积神经网络分支 |
| 4.2.3 多尺度3D卷积自编码器分支 |
| 4.3 基于Multi-Scale-3DCNN-3DCAE模型的实验 |
| 4.3.1 HAND数据集 |
| 4.3.2 Multi-Scale-3DCNN-3DCAE模型训练 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
| 课题来源 |
（8）基于OneNET平台的小型泵站控制系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外发展现状与趋势 |
| 1.3 本课题研究意义及主要内容 |
| 第二章 系统关键技术介绍 |
| 2.1 现场控制单元技术 |
| 2.2 通信技术及通信协议 |
| 2.2.1 4G关键技术 |
| 2.2.2 4G核心网络架构 |
| 2.2.3 TCP网络传输协议 |
| 2.3 OneNET云平台 |
| 2.3.1 云平台概述 |
| 2.3.2 OneNET云平台用户使用 |
| 2.4 本章小结 |
| 第三章 系统硬件设计 |
| 3.1 系统设计方案 |
| 3.2 系统硬件结构 |
| 3.3 泵站电机控制电路设计 |
| 3.4 主控板电路设计 |
| 3.4.1 微处理器 |
| 3.4.2 复位电路 |
| 3.4.3 晶振电路 |
| 3.4.4 仿真器下载电路 |
| 3.4.5 供电电路 |
| 3.4.6 温度采集模块 |
| 3.4.7 继电器控制电路 |
| 3.4.8 主控电路PCB板设计 |
| 3.5 通讯电路设计 |
| 3.5.1 4G通信模块 |
| 3.5.2 4G模块供电电路设计 |
| 3.6 现场控制单元设备选择 |
| 3.6.1 处理器的选择 |
| 3.6.2 传感器选择 |
| 3.7 本章小结 |
| 第四章 系统软件设计 |
| 4.1 系统软件设计流程 |
| 4.2 现场数据采集传输软件设计 |
| 4.2.1 系统初始化 |
| 4.2.2 数据采集 |
| 4.2.3 单片机串口通信 |
| 4.3 4G模块软件设计 |
| 4.3.1 通讯指令 |
| 4.3.2 联网调试 |
| 4.4 OneNET云平台软件设计 |
| 4.4.1 Lua脚本编辑软件 |
| 4.4.2 OneNET云平台接收与下发数据 |
| 4.5 泵站电机变频调速软件设计 |
| 4.5.1 恒压供水系统 |
| 4.5.2 变频调速软件设计 |
| 4.6 本章小结 |
| 第五章 系统实现 |
| 5.1 一体化智能泵站的研发 |
| 5.2 一体化智能泵站结构 |
| 5.2.1 泵房 |
| 5.2.2 控制箱 |
| 5.2.3 水泵电机 |
| 5.3 控制系统实现功能 |
| 5.3.1 泵站电机启动方式 |
| 5.3.2 定时定量控制 |
| 5.3.3 新型量水计 |
| 5.3.4 恒压控制 |
| 5.3.5 水肥一体化灌溉 |
| 5.3.6 视频远程监视和红外报警 |
| 5.3.7 后台数据管理 |
| 5.4 一体化智能泵站的应用 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）文本与3D形状的相互转化系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状以及技术难点 |
| 1.3 研究内容和创新点 |
| 1.4 论文结构安排 |
| 2 相关技术研究 |
| 2.1 卷积神经网络 |
| 2.2 跨模态学习 |
| 2.3 机器翻译 |
| 2.4 图像转化 |
| 2.5 数据集 |
| 2.6 本章小结 |
| 3 系统设计 |
| 3.1 实例级关联学习设计 |
| 3.2 文本嵌入解码器设计 |
| 3.3 文本嵌入和3D形状相互转化的模型设计 |
| 3.4 本章小结 |
| 4 系统实现与实验结果 |
| 4.1 实例级关联学习 |
| 4.2 文本嵌入解码器 |
| 4.3 文本嵌入和3D形状相互转化的模型 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
四、非线性编辑系统及其网络架构（论文参考文献）
- [1]基于全卷积网络的语义分割算法研究与系统实现[D]. 文诗涵. 北京邮电大学, 2021(01)
- [2]汽车CAN网络的入侵检测方法研究[D]. 彭海德. 大连理工大学, 2021(01)
- [3]基于多源数据融合的风电机组主传动链故障预警研究[D]. 王晓东. 华南理工大学, 2020(05)
- [4]异构移动物联网的融合与安全通信研究[D]. 陈頔. 哈尔滨理工大学, 2020(04)
- [5]高精度三维人体重建及其在虚拟试衣中的应用[D]. 谢昊洋. 东华大学, 2020(01)
- [6]基于卷积神经网络和循环神经网络的结构损伤识别[D]. 张丙强. 广州大学, 2020(02)
- [7]基于3D卷积神经网络的MRI医学影像分类算法研究[D]. 徐曼. 北京邮电大学, 2020(05)
- [8]基于OneNET平台的小型泵站控制系统研究与实现[D]. 陈浩. 扬州大学, 2020(06)
- [9]文本与3D形状的相互转化系统设计与实现[D]. 吕鸿运. 华中科技大学, 2019(03)
- [10]非线性编辑网络实验室的构建[J]. 张玉兰. 职业圈, 2007(15)