一、多通道融合算法和软件平台的实现（论文文献综述）
杨朔[1]（2021）在《基于深度学习的心肌梗死识别方法研究》文中研究表明心血管疾病是世界范围内影响人类健康的主要疾病之一。世界卫生组织的最新统计数据显示,全世界5800万例死亡人口中约有30%是由心血管疾病引起的。心肌梗死是日常生活中最常见的心血管疾病之一。心肌梗死发生后,会造成心肌细胞不可逆转的永久性损伤,因此早期诊断十分必要。心电图是反映心脏活动状况的电信号,具有获取简便、成本低廉、使用简单、没有创伤等特点,所以被广泛应用于临床检测。近年来,通过12导联心电图完成心肌梗死的模式识别任务成为心血管疾病领域研究的热点。然而现有心肌梗死的自动识别方法有一定局限性,主要体现在模型识别对象为长序列信号,导致心梗识别的实时性差;模型泛化性能不足,导致病人间范式的识别精度低。克服心梗识别局限性亟待解决的关键科学问题是如何充分考虑多导联之间存在的结构关系,提高模型的特征表达能力,如何将临床医生的诊断逻辑与实际应用相结合,使得设计的模型具备可解释性。面向上述问题,提出一套模拟医生分析心电图感受野的深度学习理论与方法,提高了心电图多导联数据结构的特征学习效率和可解释性,实现了病人间范式的逐心拍心梗识别,突破了当前心肌梗死识别的瓶颈。主要研究内容如下:（1）基于病人内和逐心拍识别范式,提出了一个基于多分支加权特征神经网络模型。该模型首先对12导联心拍样本同时、单独进行特征提取,在获取各导联局部特征的同时通过加权融合得到一部分关联信息;其次通过拼接将12导联特征融合并继续进行特征提取,在获取12导联整体特征的同时,进一步挖掘内在关联信息以达到精准识别心肌梗死的目的。在PTB数据集上通过5折交叉验证,该模型取得了平均准确率99.95%、平均敏感性99.97%、平均特异性99.86%的良好表现。（2）基于病人间和逐心拍取样范式,提出了一个基于多通道融合神经网络模型。通过引入医生感受野作为该模型框架设计的指导原则,搭建了用于提取单个导联浅层特征的底层神经网络和提取多个导联深层特征的高层神经网络。在通用特征的基础上,进一步提取时序特征,挖掘蕴含的因果关系,以达到精准识别心肌梗死的目的。在PTB数据集上通过5折交叉验证,该模型取得了平均准确率91.90%,平均敏感性92.15%,平均特异性90.63%的良好表现。鉴于该模型出色的性能,可以应用到计算机辅助诊断设备上,协助临床医生诊断心肌梗死。
许文凯[2]（2020）在《基于卷积神经网络的管廊火灾图像识别方法研究》文中研究说明随着社会的进步和城市地下综合管廊的发展,城市地下综合管廊集电力、通信、燃气、供热、给排水等各种工程管线一体,发挥着重要的社会作用。城市地下综合管廊一旦发生火灾就会造成巨大的社会经济损失,在火灾造成巨大损失前发现火灾并扑灭有着十分重要的意义。采用温感传感器或烟感传感器为主的传统火灾报警方法,会因为环境因素的大量干扰从而出现误报、漏报的现象。而采用数字图像处理技术的火灾自动检测报警方法利用的是摄像头对监控场景进行视频检测,然后利用设计好的数字图像处理算法对图像进行处理,接着将疑似区域中的特征提取出来,最后采用模式识别的方法实现对火灾的图像识别。因此对比之下,采用图像处理技术的火灾检测方法可监控并取得更多的现场信息,从而使得系统对火灾的反应更加的敏捷,更适合用在早期的火灾检测系统当中。本文对基于卷积神经网络的管廊火灾图像识别方法进行了深入研究,论文的主要研究成果如下:研究了一种火灾图像亮度增强方法,有效解决管廊火灾图像亮度不足的问题。现阶段,管廊火灾图像主要存在亮度分布不均衡和离散点干扰导致的图像质量受损的问题。针对以上问题,本文将多通道融合技术应用于提高管廊火灾图像质量,首先将原始RGB通道转换为HSV通道并分离出三个独立的通道分别是色调通道、饱和度通道和亮度通道,接着对亮度通道进行直方图均衡化处理,可以显着的增强亮度。然后在图像亮度增强的前提下对图像进行中值滤波操作,去除火灾图像中的离散值干扰,使V通道清晰度有效提高。最后将分离出来的三个通道进行融合并转换到RGB通道,使图像质量有效提高。在对具有明显亮度值偏低且离散噪声较多的管廊火灾图像处理中,所提出的多通道融合算法具有明显的图像质量提高效果。研究了一种基于粒子群算法（Particle Swarm Optimization,PSO）优化的k近邻算法,用于有效解决k近邻算法聚类缓慢计算量大的问题。现阶段k近邻算法处理管廊火灾图像主要存在的问题是火灾图像数据量大,导致k近邻算法计算量大耗时久;聚类算法对初始值敏感,不同的初始值会导致不同的结果。针对以上问题,本文首先将PSO应用于k中值聚类算法,PSO的优势在于将速度-位移模型应用在全局搜索策略当中,很大程度的减少了计算复杂度。然后确定聚类数使算法达到最大适应度,有效提高算法的计算效率。对于在管廊火灾图像区域分割应用中,所提出的算法在样本集较大时也能取得较好的区域分割效果。研究了一种基于自适应池化的卷积神经网络算法。传统的卷积神经网络池化方法包括最大值池化和均值池化,这些方法没有考虑到极端值干扰的问题,在某些情况下会对原图信息造成损失。针对以上问题,本文首先将火灾区域分割后的图像输入卷积神经网络,避免网络学习到大量非火灾特征信息,减少训练时间。然后基于自适应池化方法,建立了动态池化方法选择模型,提高了池化操作的稳定性。对于在管廊火灾图像识别的应用中,所提出的算法较使用传统池化方法的神经网络具有更高的火灾识别准确率。设计了一套基于PyQt的管廊火灾图像识别软件。该软件系统主要实现了对管廊火灾的图像识别,主要设计了三大模块分别是主界面、系统首页和登录界面。在主界面中,针对本文提出的算法设计了相应的结果显示界面,实现了管廊火灾图像识别的完整流程。在登录界面中利用My SQL与后台数据库建立连接来验证登录用户信息的正确性,保证了软件的登录和使用安全。对于在管廊火灾图像识别的操作中,所设计的软件具有较好的易操作性。
陈温蒙[3]（2020）在《基于计算机视觉的车辆和车道线检测技术研究》文中认为随着我国政治经济实力的快速提高,人们对生活质量的要求也越来越高,汽车等大宗消费品开始进入越来越多的普通家庭,但是随着汽车的广泛使用,也带来了空气污染加剧、石油资源大量消耗、交通事故频发、城市交通拥堵等一系列环境和社会问题,这些问题不断推动着自动驾驶汽车技术的发展。本文针对自动驾驶技术领域中涉及到车外环境感知的车辆检测和车道线检测部分进行了深入研究。分别设计检测算法实现了行车过程中前方车辆的检测和道路上车道线标识的检测,本文主要的工作和创新点如下:1、针对车辆目标检测,采用了改进HOG特征和SVM分类器的方法。在常规HOG特征的基础上,本文提出一种基于HSL色彩空间的三通道融合HOG特征方法,分别对H、S、L三个通道进行HOG特征提取,采用积分图技术加速HOG特征的提取过程,然后将三个通道的HOG特征进行加权融合,并采用PCA降维算法对融合HOG特征进行降维,以提高分类器检测速度。2、在车道线检测任务中,提出了一种基于深度学习的车道线检测算法。算法采用堆积沙漏网络对车道线进行关键点预测,然后将关键点进行连接完成车道线的检测。本算法的实现采用了模块化思想,使用深度可分离卷积设计了基本卷积层,并在此基础上构建了残差模块,由残差模块组成堆积沙漏网络。最后基于聚类思想,设计了嵌入输出分支,用于将预测的关键点划分到不同的车道线实例中。3、本文提出的车道线检测算法在Tusimple、CULanes、Caltech-lanes等公开数据集和Udacity自建数据集上进行了训练和测试。其中,在对数据集进行处理过程中,设计了CULanes数据集的标注信息的转换算法,将数据集的原始标签格式转换为Tusimple数据集格式,便于算法的训练和测试。最后与其他主流算法进行对比,实验表明本文提出的检测算法具有良好的性能。
孙霞[4]（2020）在《基于深度学习的中草药粉末显微特征研究》文中研究表明随着计算机图像处理技术的不断发展与进步,中草药粉末的显微图像鉴别技术以其独特的优势在中草药识别领域得到进一步发展,但是传统的图像鉴别算法在大数据量和多类别的显微特征图像鉴定中存在准确性低和普适性差等问题。针对这一问题,本文提出基于深度学习的中草药粉末显微特征识别方法研究。本文的主要工作和创新点如下:（1）根据中草药粉末显微图像检测分类的实际需求制定出一套合理的显微特征图像分类标准,创建中草药粉末显微特征图像数据集。为了去除图像数据库中光照变化、角度偏移、尺度不同等干扰因素对实验结果的影响,使用多种图像增强的预处理方法来获得更具多样性的中草药粉末显微特征图像数据,提高了显微特征图像检测和识别的准确率。（2）提出了一种基于SSD网络的改进型检测算法。针对显微特征图像中存在的目标断裂残缺的问题,在SSD网络的预测卷积图之后添加SE模块,对检测结果起较大作用的特征通道获得较大的权重,使网络更好地对重要的特征通道信息进行充分学习。另外改进后的网络将前后层特征图包含的信息进行充分融合,有利于网络对显微特征图像信息的有效学习,提高了最终的检测效果。对厚壁细胞、导管和花粉孢子这三类显微特征图像进行检测实验,结果表明经过改进后算法的检测均值平均精度（Mean Average Precision,m AP）提升到81.5%。（3）提出了二值图转化方法与图像类型多通道融合识别算法。针对导管的显微图像特点,将第三章检测网络输出的图像进行类型转化,并且将RGB图像、灰度图和二值图通过数据类型的多通道融合来丰富和扩充图像的信息,使得深度学习网络能学习到更多层次和更有效的图像信息。对融合后的图像采用ACNet算法进行中草药类别的识别判定,结果表明融合的显微特征图像的正确识别率达到94.5%。
千佳[5]（2020）在《基于结构光照明的全彩色三维光切片成像方法研究》文中研究说明近年来,随着科学技术的不断进步与发展,各种各样的光学方法已经成功应用于生物医学、材料科学、古生物学等领域的三维成像中,为各个领域的科学研究提供了最直接的证据。利用光学的方法进行三维成像具有非接触,快速,精度高等优点。结构光照明显微成像技术（SIM,Structured Illumination Microscopy）是一种宽场显微成像技术,是最近二十年发展起来的一项新兴的成像方法,它既可以实现三维光切片成像,也能实现超分辨成像,凭借空间分辨率高、成像速度快、光毒性小、三维成像能力出众等众多优点,已经成为最适合活体生物组织超分辨动态成像和结构观察中真三维快速成像的工具,受到了国内外众多科研机构的广泛关注。本文主要围绕结构光照明三维显微成像,设计搭建了一套全彩色SIM成像系统,并在全彩色光切片算法、大视场高分辨三维成像及其数字化等方面开展了相关研究。主要研究内容如下:1.通过对传统SIM显微成像系统进行深入分析,设计搭建了一套能够实现厘米量级样品高分辨彩色三维成像的紧凑化成像系统,可实现普通宽场成像、SIM超分辨成像、SIM大视场彩色光切片成像及白光干涉成像等多种成像模式。紧凑化的SIM系统实际尺寸约为30cm×30cm×30cm（长×宽×高）,约为原有成像系统的1/4。紧凑化的实验系统使得照明均匀度有了大幅提升,光能利用率较原有系统提升了3-4倍,大幅降低了成像时间,对于同样的样品,曝光时间提升了一个数量级,最大切片成像速度为100fps@1024×1024像素,横向分辨率520nm@20X/NA0.45,使厘米量级样品的高分辨率成像得以实现。此外,系统的硬件控制、数据采集与处理均为自行设计开发。2.由于RGB色彩空间的三基色通道之间存在串扰,并且颜色信息和亮度信息也没有分离,使得基于多通道融合的方法在色彩复原时会产生一定程度的失真,无法准确还原样品的色彩信息。为解决这一问题,提出了一种基于HSV彩色空间的彩色解码算法（HSV Color Space-Root Mean Square algorithm,HSVRMS算法）,能够有效避免RGB三通道融合算法带来的色彩失真问题,可以获得物体的高分辨率全彩色三维图像。结合快速视场拼接技术,获得了尺寸为2cm左右的昆虫样品的高分辨率全彩色光切片图像,并对其表面的微纳结构进行了三维形貌定量分析。结合3D打印技术,样品成像的三维数字化得以实现。3.提出了一种基于希尔伯特变换的彩色光切片算法。基于HSV彩色空间的结构光照明全彩色三维光切片成像技术可以复原样品表面的真彩色信息,但每一层光切片都需要采集三幅固定相移差的原始图像,这对于需要多视场拼接的大尺寸样品而言,图像采集数据量大、图像重构时间长的缺点将凸显出来。鉴于此,本文提出一种基于希尔伯特变换的结构光照明快速三维彩色显微成像方法（Hilbert Transform based Color Opitcal Sectioning alogorithm,HT-COS算法）,只需在样品的每一层采集两幅原始图像便可以重构出该层的全彩色光切片图像,因此图像采集量减少了1/3,图像重构时间节约了约28%,有效提高了彩色三维成像的效率和速度。模拟和实验验证了噪声及相移误差对HSV-RMS算法和HTCOS算法重构光切片图像质量的影响,证明了HT-COS算法具有更高的普适性和可行性。4.将深度学习应用于SIM成像中。传统的SIM三维光切片成像在每一层至少需要采集三幅不同相移的原始图像,对于需要多视场拼接的大尺寸的样品而言,这一过程不仅异常耗时,而且采集到的数据量也是巨大的。利用已有实验采集到的大量的宽场图像作为输入数据,将重构的光切片图像叠加而成的最大值投影图像（扩展景深图像）作为输出目标,在构建的卷积神经网络中进行训练,最终实现了由宽场图像直接复原出大景深的光切片图像的目的,原始图像的数据量较传统RMS算法减少了21倍,并且图像质量和分辨率基本维持不变。
王康[6]（2020）在《虚实融合的交互式实验环境的用户意图理解应用研究》文中进行了进一步梳理长期以来,国家对教育事业的发展都十分重视,新课程改革也越来越注重对学生自主创新能力和动手能力的培养。在国内中学实验教学中,学生动手实验经常受到区域性教育资源分布不均衡,一些危险实验、观察效果不明显的实验和材料昂贵的实验难以展开,和教师教学理念差异的影响。因此,在实际的实验教学中常采用讲授与视频教学相结合回合教学方式或使用虚拟仿真实验教学的方式展开。该方式,首先无法保证学生对实验过程的重点、实验的机理和现象的深入了解;其次缺乏体验感和沉浸感,学生很难通过探索实验体验到其中的乐趣,同时,由于缺乏实际操作感,也不利于学生动手能力的培养。2018年,国家重点研发计划项目——“多模态自然交互的虚实融合开放式实验教学环境”立项成功,该项目的主要研究问题是面向中学主干课程实验教学的多种交互模型的融合共存、多模态交互意图的精确理解等科学问题,旨在推动中学智能实验教学的发展,提供复杂实验教学环境中虚实融合的实时仿真、多通道感知（视、听、触、嗅）同步呈现等教学实验效果。并且,预期实现我国优质教学资源远程教育的共建共享,同时通过虚实融合的更具沉浸感的实验来更好地阐释和展现科学原理,并突破原有的实验教学模式,开发新型实验,进而解决现有中学实验课程中存在的自主性差、探究性弱、缺乏沉浸感与体验感、精准性低、实验成本高等系列难题。因此,本文以该项目为基础,以中学实验教学为应用背景,以解决现阶段中学实验教学中出现的痛点问题和难点问题,提升实验教学体验为目的,开展课题研究,本文的主要创新点如下:（1）设计并制作了面向虚实融合实验的智能交互设备。针对虚拟仿真实验缺乏真实的操作感和良好沉浸感的问题,本文仿照实际实验器材设计并制作了用于虚实融合实验的智能交互设备,其一是用于中学生物实验的导航式显微镜,其二是一组用于中学化学实验的烧杯套件。该设备不仅具有传统实验设备的操作功能,还突破了现有虚拟实验仪器交互功能弱、与学生真实实验操作过程不一致的局限。在设计上,我们利用微型传感器搜集用户的操作数据,将硬件设备与虚拟场景相融合,并通过交互算法使用户操作得到及时有效的反馈,进而使用户感觉到犹如使用实际实验器材一样的操作体验。实验表明,这种设计不仅加深了用户对实验操作步骤和要点的了解,而且在提升用户体验和教学效果上也有明显帮助。（2）提出基于深度图像和RGB图像特征融合的静态手势识别算法。基于卷积神经网络的小样本的手势识别模型训练中,对于深度手势图像,其内部纹理不清晰,但是很容易屏蔽周围环境的影响。对于RGB手势图像,内部纹理清晰,但是容易受到复杂背景的影响。本文基于caffenet网络框架构建了将两种手势图像特征相融合的双通道卷积神经网络。不同于单一通道卷积网络的静态手势识别框架,该双通道卷积神经网络可以通过不同通道,同时提取同种手势的不同格式的图像特征。并将部分特征降维处理并映射到融合层进行融合,最后,把融合层特征用于分类器训练。实验分析得到,该静态手势识别模型较单通道手势识别模型和一些典型的识别模型,拥有更高的识别精度。（3）提出基于多通道信息融合策略的用户意图理解算法。针对目前单一模态难以充分表达用户意图,多模态信息不易管理和利用的问题,提出一种用于用户意图理解的多通道信息融合策略和基于用户意图理解的导航式交互算法。首先,调研并分析现阶段中学实验中由于单模态交互带来的实验缺乏真实感和体验感的问题,然后结合不同模态信息获取的办法,利用实物交互套件,对多模态异源数据进行收集,接着设计多通道信息融合策略,通过不同通道信息的整合与管理,完成对用户意图的理解,根据用户意图完成智能的导航式交互,最终形成一套从算法到硬件设备都可行的智能中学实验工具并用于教学研究。（4）构建了面向虚实融合实验的新型交互模式。针对现阶段中学教学实验中存在的采用混合教学实验和采用虚拟实验教学带来的缺乏体验、体验感差和操作过程单一乏味的问题,同时,也为了使虚实融合技术更好的融入中学实验教学中,激发学生自主探索学习的精神。本文提出了一种新颖的面向虚实融合实验的“闯关式”实验教学模式,该模式突破了传统实验教学模式和虚拟实验教学的实验方式,主张自主探索式的实验学习方式。首先,本文给出了该教学模式的整体设计原则,然后,从数据结构和闯关流程上给出“闯关式”教学的关卡设计方法。最后,本文以钠水反应化学实验为教学案例,在智能实验设备和多通道信息整合算法的基础上,开发了闯关式实验教学系统。实验结果表明,该模式可以很好的激发学生的实验兴趣,帮助学生进行探究性学习,从而加深学生对实验操作和要点的理解。
刘海艳[7]（2020）在《基于神经网络与信息核的物品推荐算法研究》文中研究表明目前,推荐系统已经成为解决信息过载的重要工具,协同过滤算法是推荐算法中的应用较为广泛的算法。但随着数据量的不断增加,数据稀疏性问题和可扩展性问题成为限制协同过滤算法性能提升的重要因素,研究者对此进行了大量的研究。对于数据稀疏性问题,增加辅助信息及扩充样本能够有效地缓解该问题。基于网络学习的推荐算法能够从用户的历史行为数据中更充分地学习用户偏好,并在一定程度上缓解推荐中可扩展性问题。在基于用户的协同过滤算法中,从所有用户中选取信息核,并利用信息核进行协同过滤推荐,能够提高在线推荐的效率,有效地解决可扩展性问题。考虑不同方法的特点,本文研究基于神经网络与信息核的物品推荐方法,以缓解稀疏性和可扩展性问题,同时提升推荐性能。具体工作如下:（1）提出了一种基于矩阵分解与神经协同过滤的物品评分预测方法,首先将用户物品评分矩阵通过矩阵分解方法,得到用户特征矩阵和物品特征矩阵,基于得到的用户特征矩阵,构建最近邻居特征矩阵,然后,利用神经协同过滤网络提取嵌入层的用户特征和物品特征,最后,将不同的用户和物品特征输入全连接神经网络,通过训练全连接神经网络学得用户的兴趣偏好,从而实现用户对未评价物品的评分预测。实验结果表明,基于矩阵分解与神经协同过滤的物品评分预测方法能够有效地缓解数据稀疏性影响,更充分地学习用户物品之间的联系,获得较高的预测评分准确度。（2）提出了一种基于自编码器与信息核的混合推荐方法。首先,利用物品的邻居信息构建虚拟物品进行样本集扩充,以缓解数据稀疏性问题,然后利用基于自编码器的推荐模型进行训练,并提取隐层的信息,将其作为信息核用于协同过滤推荐,最后,将自编码器模型的预测评分与基于信息核的协同过滤的预测评分相结合,并进行top-N推荐。实验结果表明,基于自编码器与信息核的混合推荐方法能够更充分地学习用户的偏好,并在缓解可扩展性问题上实现二者的相互增强,获得更高质量的推荐性能。（3）提出了一种基于物品相似性与聚类的双分支自编码网络推荐方法。首先,为了进一步地缓解数据稀疏性问题,利用物品相似性和聚类算法分别构建了相似虚拟物品集和聚类虚拟物品集。然后,构建了双分支自编码网络结构,其隐层采用了多通道编码方式更充分地挖掘用户信息,最后,将两种扩充样本输入双分支自编码网络中通过训练学习用户的偏好,并实现物品推荐。实验结果表明,基于物品相似性与聚类的双分支自编码网络推荐方法能够进一步地缓解稀疏数据的影响,提高了推荐的准确度,将其比现有的基于自编码器推荐框架的一系列算法相比,该算法在top-N推荐性能上具有较大的优势。
何强[8]（2020）在《基于多模态分层融合策略及其在影像组学中的应用研究》文中研究说明影像组学（Radiomics）是一种从放射图像中提取海量的定量图像特征,创建可挖掘数据的技术,能够为临床诊断、预后预测或者临床决策提供有价值的信息。目前,已有大量的研究证明了影像组学在器官毒性预测、生存状态分析以及肿瘤的良恶性分类等方面的优越性。然而从实践的角度来看,在管理各种不同模态的特征源（如手动提取的特征,临床特征和自动学习得到的特征等）以及根据分类器的偏好选择合适的分类器模型以完成特定的预测任务等方面仍然存在挑战。本文针对选择合适分类器的问题,提出一种新型的多分类器融合算法,规避了选择“最适合”分类器的过程,并在此算法的基础上构建了多模态分层融合框架,为组合不同模态的特征提供一种新的思路,主要内容如下:一、基于多准则决策（Multi-criterion decision-making,MCDM）的多分类融合算法（MCF）。本研究将分类器融合看成是一个多准则决策的过程,将不同的分类器看成一组替代方案,通过评估某些特定的评价指标或者评价标准来为每一个替代方案分配一个权重。本文于UCI数据库中选择了 10套二分类的数据集来对该融合算法进行验证,结果显示与其他常用的5种分类器融合方法相比在准确率（accuracy）、受试者工作特征（Receiver Operating Characteristic,ROC）曲线下的面积（Area Under Curve,AUC）、灵敏度（sensitivity）和特异性（specificity）上均取得了较好的效果。统计分析的结果显示,基于当前10套数据,该方法与其他五种融合算法在accuracy和AUC上均存在统计学差异。二、多模态特征及多分类器分层融合框架。本研究基于提出的多分类器融合算法构建了一种分层的多模态特征及多分类器融合框架,对于多模态、多分类器的问题,首先在分类器层面上进行第一层融合,然后在多模态的层面上进行第二层融合。本文对该分层模型的验证主要分为以下几个方面:第一,非小细胞肺癌患者的生存预测研究。通过融合临床指标和影像组学特征以及5种不同的基分类器对非小细胞肺癌患者的生存状态进行预测,与其他融合框架相比,在accuracy、AUC、sensitivity和specificity上都取得了较好的效果,分别为0.75、0.81、0.73和0.80。第二,前列腺癌放疗的直肠毒性预测研究。通过融合临床指标和剂量学特征两种不同模态的特征,在accuracy、AUC、sensitivity和specificity上取得了最好的效果,分别为0.78,0.83,0.76和0.79。三,多模态多通道乳腺组织良恶性分类研究。本研究是在前面两项研究的基础上,将分类器融合算法从二分类推广到多分类,对融合框架的结构进行了一点改变,以适应于乳腺组织多分类问题的研究。融合数字乳腺断层摄影（Digital Breast Tomosynthesis,DBT）和数字化乳腺摄影（Full-field Digital Mammography,FFDM）两种模态的信息,手动提取特征与深度卷积神经网络（Deep Convolutional Neural Network,DCNN）自动提取的特征相结合,构建了一个较为精准的乳腺组织预测模型,在预测准确性方面马修斯相关系数（Matthews Correlation Coefficient,MCC）达到 81.72%。在本文中,我们提出了一种多分类器融合的算法以及一种分层的多模态融合框架,并在10个UCI公开数据库以及3个临床应用方向上对该算法及框架进行验证,实验结果显示该算法及框架均具有可行性和有效性。
汪东[9]（2020）在《基于深度学习理论的个性化推荐算法研究》文中研究说明随着移动云计算、大数据、人工智能、5G技术的飞速发展,我国进入了全新的工业4.0时代。当前小微互联网企业通过手机移动端和互联网客户端提供信息服务平台种类越来越多,如快手、抖音等,这些软件产品的火爆引发了数据规模呈爆炸式增长。面对这些数据,怎样快速准确地挖掘出有用信息是十分关键的,而这些平台都创新性地提出自己的核心推荐算法让用户被动式地接受他们感兴趣的信息。在这种发展背景下,平台下的推荐算法成为了一个研究热点课题。本文通过研究和利用卷积神经网络、自编码器等深度学习技术,对推荐算法展开研究,提出了两种基于深度神经网络的个性化推荐算法:1)融合文本卷积的深度自编码器视频个性化推荐算法。该算法结合卷积神经网络和深度自编码器网络,通过利用视频数据集的辅助信息（如用户信息和项目信息）,深入挖掘潜在信息,引入一种新的基于深度学习的推荐模型来迭代训练视频用户、项目与评分之间的隐含关系,预测用户对未知项目的评分进行推荐。相对于传统推荐算法,该算法不仅提高了推荐精度,也解决了推荐算法中稀疏性和冷启动问题。2)基于可扩展的多通道融合策略自动编码器视频个性化推荐算法。该算法结合自编码网络和图像卷积多通道思想,通过利用用户对项目的历史交互评分偏好矩阵来挖掘用户和项目的潜在特征。进而根据建立的模型迭代训练得出用户、项目、评分三者的关系预测出用户对未知项目的评分进行推荐。相对于传统推荐算法,该算法的推荐精度不仅有了大大的提升,模型也十分灵活通用。最后,本文对所提出的推荐算法都进行了相应的针对性实验来测试算法的性能,与传统推荐算法相比,在不同评价指标上都有相应的提高。
宫宇[10]（2020）在《5G智能通信系统中关键技术研究及实现》文中研究指明在5G通信系统中,一方面需要扩大带宽以提供更高的通信质量和更低的通信延迟,另一方面需要与人工智能结合以支撑更广泛的应用场景。然而,宽带通信会大大增加5G系统中数字多波束合成的计算复杂度和信号处理复杂度;另外,以深度学习为代表的人工智能技术的计算复杂度很高,很难直接部署在5G通信的边缘应用场景;这些都大大增加了5G智能通信系统的实现难度。针对上述问题,本文提出了一种宽带数字多波束合成的实现方案,并提出了一种高速率、高吞吐率的深度神经网络加速方案,在此基础上设计并实现了一套适用于5G智能通信系统的高速数字信号处理硬件平台。本文的主要研究内容包括:（1）设计了一种适用于5G智能通信系统的大带宽、低延迟、低计算复杂度的数字多波束合成技术方案。该技术方案基于先抽取再滤波和多相滤波的方法,对传统数字波束合成方案做了改进,降低了系统的计算复杂度和延迟。该技术方案相比于传统的数字波束合成方案,能够在处理大带宽的高速信号时达到100%的数据吞吐率,在8通道合成2波束时,相较分数延迟滤波器算法,计算复杂度只有其47.9%;在单通道单波束时,延迟只有其64.53%。并且随着通道数目和合成波束数目的增加,延迟和计算复杂度的优势更加明显。（2）设计了一种低延迟、实时的、大数据吞吐率的神经网络硬件加速方案。该技术方案基于FPGA平台,通过对乘法器的合理分配和乘法器分时复用实现了多通道卷积核并行计算。同时对池化层和全连接层的实现做了优化,降低了计算延迟的同时,保证了工程的可实现,实现了神经网络推断的实时性。对每层网络单独的定点量化策略保证了计算的精度和结果的准确性。实验表明,本方案的神经网络推断可以达到95.4%的准确率,且速度可以达到1060FPS,远高于CPU,略低于GPU。同时由于FPGA功耗低的特性,本方案推断每张图的功耗仅为0.01188W,远远低于GPU和CPU。（3）设计并实现了一套适用于大带宽5G智能通信系统的数字信号处理硬件平台。该硬件平台采用单板级硬件扩展成为系统级平台的设计方案,根据波束合成和边缘计算的核心算法,根据5G通信系统中大带宽和低延迟的技术特点,集成了信号接收、信号处理、信号传输和控制信号传输的功能。单板级平台可以8通道接收1Gbps的高速400MHz的宽带信号,通过高速FPGA协同实时处理高速信号,高速QSFP+光收发器和千兆Ethernet接口提供两种高速数据传输方式,最高速度可达到6.25Gbps,同时PCIe提供上位机扩展接口和控制信号接口。该硬件平台对5G智能通信系统中的核心算法可以实现高速实时运行,同时满足信号的接收、传输以及多通道扩展的需求。对5G智能通信系统的落地实现起了推动性作用。
二、多通道融合算法和软件平台的实现（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、多通道融合算法和软件平台的实现（论文提纲范文）
（1）基于深度学习的心肌梗死识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心电信号特征提取技术研究现状 |
| 1.2.2 心电信号分类算法研究现状 |
| 1.3 心肌梗死识别面临的挑战 |
| 1.4 论文的主要研究内容和章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第2章 心电信号处理基础 |
| 2.1 心电信号概述 |
| 2.1.1 心电信号形成机理 |
| 2.1.2 心电信号基本构成 |
| 2.1.3 12 导联心电体系 |
| 2.1.4 心肌梗死临床表现 |
| 2.2 心电信号处理标准 |
| 2.2.1 检验标准 |
| 2.2.2 取样标准 |
| 2.3 心电信号预处理 |
| 2.3.1 信号去噪 |
| 2.3.2 R波检测 |
| 2.3.3 取样 |
| 2.4 深度学习 |
| 2.4.1 卷积神经网络 |
| 2.4.2 长短时记忆网络 |
| 2.5 PTB数据集 |
| 2.6 本章小结 |
| 第3章 基于病人内范式的心肌梗死识别方法 |
| 3.1 引言 |
| 3.2 基于多分支加权特征网络的心肌梗死识别方法 |
| 3.2.1 多分支加权特征神经网络模型 |
| 3.2.2 分类器 |
| 3.3 实验结果与分析 |
| 3.3.1 实验配置 |
| 3.3.2 评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于病人间范式的心肌梗死识别方法 |
| 4.1 引言 |
| 4.2 基于多通道融合神经网络的心肌梗死识别方法 |
| 4.2.1 多通道融合神经网络模型 |
| 4.2.2 分类器 |
| 4.3 实验结果与分析 |
| 4.3.1 实验配置 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 未来研究工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（2）基于卷积神经网络的管廊火灾图像识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外火灾图像识别的研究现状 |
| 1.3 本文的主要内容及章节安排 |
| 2 图像预处理 |
| 2.1 灰度均衡处理 |
| 2.2 中值滤波 |
| 2.3 本章小结 |
| 3 火焰区域分割 |
| 3.1 基于颜色特征的传统分割方法 |
| 3.2 基于改进K近邻算法的图像火焰区域分割 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于卷积神经网络的火灾图像识别 |
| 4.1 卷积神经网络 |
| 4.2 自适应池化方法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于PyQt的火灾图像识别软件的设计 |
| 5.1 PyQt简介 |
| 5.2 软件框架构造 |
| 5.3 建立GUI |
| 5.4 用户界面调试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 本文的创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间获得的科研成果 |
| 学位论文数据集表 |
（3）基于计算机视觉的车辆和车道线检测技术研究（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 国内外研究现状和发展趋势 |
| §1.2.1 智能网联汽车概述 |
| §1.2.2 目标检测研究现状 |
| §1.2.3 车道线检测研究现状 |
| §1.3 论文研究内容和组织结构 |
| 第二章 深度学习基础理论介绍 |
| §2.1 卷积神经网络(CNN)的发展 |
| §2.2 卷积神经网络的结构和训练 |
| §2.3 损失函数 |
| §2.4 网络模型优化 |
| §2.4.1 批标准化 |
| §2.4.2 优化算法 |
| §2.4.3 残差网络 |
| §2.5 本章小结 |
| 第三章 改进HOG特征和SVM分类器的车辆检测算法 |
| §3.1 HOG特征提取 |
| §3.2 改进HOG特征 |
| §3.2.1 多通道融合HOG特征 |
| §3.2.2 主成分分析 |
| §3.3 支持向量机 |
| §3.3.1 支持向量机原理 |
| §3.3.2 SVM核函数 |
| §3.4 实验结果与分析 |
| §3.4.1 实验数据集 |
| §3.4.2 实验结果与分析 |
| §3.5 本章小结 |
| 第四章 基于深度学习的车道线检测算法 |
| §4.1 深度可分离卷积 |
| §4.2 堆叠沙漏网络 |
| §4.3 车道线检测网络 |
| §4.4 数据集准备工作 |
| §4.5 网络模型训练 |
| §4.6 实验结果与分析 |
| §4.6.1 实验软硬件环境 |
| §4.6.2 实验评价指标 |
| §4.6.3 实验结果与分析 |
| §4.7 本章小结 |
| 第五章 总结与展望 |
| §5.1 论文总结 |
| §5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（4）基于深度学习的中草药粉末显微特征研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 中草药识别技术介绍 |
| 1.2 中草药粉末显微特征图像鉴别的特点和优势 |
| 1.3 中草药粉末显微特征图像的研究现状和重点研究问题 |
| 1.3.1 中草药粉末显微特征图像的研究现状 |
| 1.3.2 中草药粉末显微特征图像识别的重点问题 |
| 1.4 本文主要工作内容 |
| 第二章 中草药粉末显微特征图像数据库的建立与图像增强 |
| 2.1 中草药粉末显微特征图像数据库的建立 |
| 2.1.1 中草药粉末显微特征图像的采集 |
| 2.1.2 中草药粉末显微特征图像的类别划分 |
| 2.2 中草药粉末显微特征图像识别研究方案 |
| 2.2.1 中草药粉末显微特征图像识别方法选择 |
| 2.2.2 中草药粉末显微特征图像检测识别技术方案 |
| 2.3 中草药粉末显微特征图像增强 |
| 2.3.1 图像数据的色彩调整 |
| 2.3.2 图像裁剪 |
| 2.3.3 随机水平翻转 |
| 2.3.4 去均值 |
| 2.4 实验结果 |
| 2.5 本章小结 |
| 第三章 基于改进型SSD算法的中草药特征检测 |
| 3.1 基于SE模块的SSD检测算法 |
| 3.1.1 SSD算法 |
| 3.1.2 SE模块 |
| 3.1.3 基于SE模块的改进型SSD算法 |
| 3.2 基于特征融合和SE模块的SSD检测算法 |
| 3.3 实验结果 |
| 3.4 本章小结 |
| 第四章 基于数据类型的多通道融合的中草药种类识别 |
| 4.1 显微图像数据类型 |
| 4.1.1 RGB图像 |
| 4.1.2 灰度图 |
| 4.1.3 二值图像 |
| 4.2 基于数据类型融合的图像识别 |
| 4.2.1 ACNet分类识别网络介绍 |
| 4.2.2 基于数据类型的多通道融合识别 |
| 4.3 实验结果 |
| 4.4 中草药粉末显微特征图像检测与识别系统 |
| 4.4.1 多种显微特征图像决策融合 |
| 4.4.2 显微图像检测识别应用系统 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于结构光照明的全彩色三维光切片成像方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 光学显微技术的发展史 |
| 1.2 三维光学成像技术 |
| 1.2.1 宏观物体的三维成像技术 |
| 1.2.2 三维显微成像技术 |
| 1.3 结构光照明显微成像技术 |
| 1.3.1 结构光照明光切片显微技术 |
| 1.3.2 结构光照明超分辨显微技术(SR-SIM) |
| 1.3.3 SIM的国内外发展现状及趋势 |
| 1.4 本论文的研究目的和意义 |
| 1.5 本论文的研究内容和章节安排 |
| 第2章 结构光照明显微成像系统的设计及搭建 |
| 2.1 产生结构光照明的主要方法 |
| 2.1.1 干涉法产生结构光照明 |
| 2.1.2 投影法产生结构光照明 |
| 2.2 基于DMD投影和LED照明的结构光照明显微成像系统 |
| 2.2.1 DMD-LED的耦合方法及实现 |
| 2.2.2 D-SIM系统小型化设计 |
| 2.2.3 系统软硬件同步控制 |
| 2.3 本章小结 |
| 第3章 基于HSV色彩空间的三维全彩色光切片技术 |
| 3.1 OS-SIM的基本原理和算法 |
| 3.1.1 基于2π/3相移差的RMS算法 |
| 3.1.2 基于π/2相移差的RMS算法 |
| 3.1.3 基于多通道融合的彩色OS-SIM |
| 3.2 彩色空间 |
| 3.2.1 面向硬件和物理学的彩色空间 |
| 3.2.2 基于人类彩色感知的彩色空间 |
| 3.3 基于HSV彩色空间的三维全彩色光切片成像技术 |
| 3.3.1 基于HSV彩色空间的彩色解码算法 |
| 3.3.2 理论模拟和分析 |
| 3.3.3 实验结果 |
| 3.4 大视场高分辨全彩色三维成像 |
| 3.4.1 视场拼接技术 |
| 3.4.2 快速视场拼接方法 |
| 3.4.3 大视场三维全彩色成像结果及分析 |
| 3.4.4 三维成像结果的数字化 |
| 3.5 本章小结 |
| 第4章 基于希尔伯特变换的快速彩色光切片算法 |
| 4.1 基于希尔伯特变换的光切片算法 |
| 4.2 基于希尔伯特变换的彩色光切片算法 |
| 4.2.1 相移误差对HSV-RMS算法和HT-COS算法的影响对比 |
| 4.2.2 噪声对HSV-RMS算法和HT-COS算法的影响对比 |
| 4.2.3 HSV-RMS算法和HT-COS算法色彩复原保真度对比 |
| 4.3 实验结果 |
| 4.3.1 荧光样品实验 |
| 4.3.2 反射式样品实验 |
| 4.4 本章小结 |
| 第5章 基于深度学习的SIM |
| 5.1 深度学习的基本模型 |
| 5.2 深度学习在SIM中的应用 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 致谢 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）虚实融合的交互式实验环境的用户意图理解应用研究（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 研究现状分析 |
| 1.2.1 基于虚拟实验的中学实验研究现状 |
| 1.2.2 虚实融合实验的研究现状 |
| 1.2.3 用户意图理解的研究现状 |
| 1.3 主要研究内容 |
| 1.4 拟解决的关键性科学问题 |
| 1.5 本文组织结构 |
| 第二章 基于多模态交互的实验套件设计与实现 |
| 2.1 虚实融合的智能实验设备的硬件设计 |
| 2.1.1 虚实融合的化学实验器材的硬件设计 |
| 2.1.2 虚实融合的智能显微镜的硬件设计 |
| 2.2 基于深度图像和RGB图像特征融合的静态手势识别算法 |
| 2.2.1 融合RGB和深度图像的手势识别方法的构建 |
| 2.2.2 对比实验 |
| 2.3 其它通道信息获取策略 |
| 2.3.1 语音识别 |
| 2.3.2 基于智能传感的触觉信息获取 |
| 2.4 本章小结 |
| 第三章 基于多通道融合的用户意图理解算法 |
| 3.1 引言 |
| 3.2 多通道信息整合模型与用户意图理解 |
| 3.2.1 双通道信息整合 |
| 3.2.2 多通道信息整合策略 |
| 3.2.3 基于多通道整合策略的用户意图推测 |
| 3.3 基于用户意图理解的导航式交互范式 |
| 3.4 算法分析 |
| 3.5 实验结果及用户体验调查 |
| 3.5.1 实验效果展示 |
| 3.5.2 对比实验 |
| 3.5.3 用户评价 |
| 3.6 本章小结 |
| 第四章 一种面向虚实融合实验的新型交互模式 |
| 4.1 虚实融合实验方式的应用背景 |
| 4.2 面向虚实融合实验的闯关式交互模式的构建 |
| 4.2.1 闯关式实验交互模型的设计 |
| 4.2.2 关卡的数据结构形式与关卡互动算法设计 |
| 4.3 面向虚实融合实验的闯关式实验系统 |
| 4.3.1 构建原则 |
| 4.3.2 开发平台 |
| 4.4 实验的设计流程与应用功能展示 |
| 4.4.1 虚实融合的钠水反应实验设计流程 |
| 4.4.2 虚实融合的钠水反应实验结果展示 |
| 4.5 系统测试 |
| 4.5.1 测试环境 |
| 4.5.2 测试方法与测试用例 |
| 4.5.3 测试步骤与测试结果 |
| 4.6 系统的用户评价 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）基于神经网络与信息核的物品推荐算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 推荐系统概述 |
| 1.1.2 推荐系统研究进展 |
| 1.1.3 推荐算法的分类 |
| 1.1.4 协同过滤算法的一般框架 |
| 1.2 基于深度学习的推荐算法的研究进展 |
| 1.3 基于信息核的推荐算法的研究进展 |
| 1.4 基于自编码器的推荐算法的研究进展 |
| 1.5 论文的工作与内容安排 |
| 第二章 基于矩阵分解与神经协同过滤的物品评分预测 |
| 2.1 引言 |
| 2.2 推荐系统中常用评价指标 |
| 2.3 基于矩阵分解与神经协同过滤的物品评分预测 |
| 2.3.1 算法构建动机 |
| 2.3.2 基于矩阵分解的推荐算法及构建最近邻居特征 |
| 2.3.3 神经协同过滤推荐算法及提取嵌入层特征 |
| 2.3.4 基于矩阵分解与神经协同过滤的评分预测 |
| 2.3.5 算法流程 |
| 2.4 实验结果分析 |
| 2.4.1 实验数据集及其划分 |
| 2.4.2 参数设置 |
| 2.4.3 实验设计 |
| 2.4.4 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 基于自编码器与信息核的混合推荐 |
| 3.1 引言 |
| 3.2 基于自编码器与信息核的混合推荐 |
| 3.2.1 算法构建动机 |
| 3.2.2 构建虚拟物品以扩充样本集 |
| 3.2.3 基于自编码器提取虚拟信息核,用于协同过滤推荐 |
| 3.2.4 基于自编码器与信息核的混合推荐方法 |
| 3.2.5 算法流程 |
| 3.3 实验结果分析 |
| 3.3.1 实验数据集及其划分 |
| 3.3.2 参数设置 |
| 3.3.3 实验设计 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于物品相似性与聚类的双分支自编码网络推荐 |
| 4.1 引言 |
| 4.2 基于物品相似性与聚类的双分支自编码网络推荐方法 |
| 4.2.1 基于降维和聚类算法构建虚拟的物品样本集 |
| 4.2.2 多通道自编码网络 |
| 4.2.3 基于双分支自编码网络推荐过程 |
| 4.2.4 算法流程 |
| 4.3 实验结果分析 |
| 4.3.1 实验数据集 |
| 4.3.2 实验设计与参数设置 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于多模态分层融合策略及其在影像组学中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 影像组学简介 |
| 1.3 多模态机器学习简介 |
| 1.4 主要研究工作 |
| 第二章 基于多准则决策的多分类器融合算法 |
| 2.1 引言 |
| 2.2 方法和材料 |
| 2.2.1 多分类器融合算法 |
| 2.2.2 实验数据 |
| 2.2.3 实验设置 |
| 2.2.4 评价标准 |
| 2.3 结果 |
| 2.4 小结与讨论 |
| 第三章 多模态特征及多分类器分层融合框架研究 |
| 3.1 引言 |
| 3.2 方法和材料 |
| 3.2.1 多模态特征及多分类器分层融合框架 |
| 3.2.2 实验数据 |
| 3.2.3 特征提取 |
| 3.2.4 特征选择 |
| 3.2.5 实验设置 |
| 3.2.6 评价标准 |
| 3.3 实验结果 |
| 3.3.1 非小细胞肺癌患者生存状态预测结果 |
| 3.3.2 前列腺癌患者直肠放疗毒性 |
| 3.3.3 统计分析结果 |
| 3.4 小结与讨论 |
| 第四章 多模态多通道融合的乳腺组织分类模型研究 |
| 4.1 引言 |
| 4.2 方法和材料 |
| 4.2.1 实验数据 |
| 4.2.2 ROI提取 |
| 4.2.3 基于多准则决策的多通道融合模型(MDMF) |
| 4.2.4 分层的多模态图像多通道融合模型(HFMM) |
| 4.2.5 实验设置 |
| 4.2.6 评价标准 |
| 4.3 实验结果 |
| 4.3.1 不同通道组合方式的MCC结果 |
| 4.3.2 不同通道组合方式的accuracy结果 |
| 4.3.3 MDMF与特征层面融合的结果分析 |
| 4.3.4 MDMF与其他决策融合方法的结果分析 |
| 4.3.5 HFMM与通道融合的结果分析 |
| 4.3.6 HFMM与特征融合的结果分析 |
| 4.4 小结和讨论 |
| 第五章 总结与展望 |
| 5.1 研究成果与总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间成果 |
| 致谢 |
（9）基于深度学习理论的个性化推荐算法研究（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 |
| 1.2.1 个性化推荐的研究现状 |
| 1.2.2 卷积神经网络在个性化推荐中的研究现状 |
| 1.2.3 自编码器在个性化推荐中的研究现状 |
| 1.3 论文主要研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 个性化推荐系统及相关技术 |
| 2.1 推荐系统概述 |
| 2.2 推荐系统的相关算法 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 基于知识的推荐算法 |
| 2.2.3 基于关联规则的推荐算法 |
| 2.2.4 基于协同过滤的推荐算法 |
| 2.2.5 混合推荐算法 |
| 2.3 推荐系统存在的问题 |
| 2.4 推荐系统性能评价指标 |
| 2.4.1 预测精准度 |
| 2.4.2 分类准确度 |
| 2.5 本章总结 |
| 第三章 融合文本卷积的深度自编码器视频个性化推荐算法 |
| 3.1 模型结构描述 |
| 3.2 数据获取与数据预处理 |
| 3.3 具体实现步骤 |
| 3.3.1 嵌入层 |
| 3.3.2 卷积层 |
| 3.3.3 共享层 |
| 3.3.4 自解码层 |
| 3.3.5 多层感知层 |
| 3.3.6 损失函数 |
| 3.4 生成推荐列表 |
| 3.5 实验和结果分析 |
| 3.5.1 数据描述 |
| 3.5.2 实验环境 |
| 3.5.3 算法对比 |
| 3.5.4 实验结果 |
| 3.6 本章小结 |
| 第四章 基于可扩展的多通道融合策略自动编码器视频个性化推荐算法 |
| 4.1 算法流程概述 |
| 4.2 相关知识背景 |
| 4.3 模型理论分析与生成推荐 |
| 4.3.1 算法与理论分析 |
| 4.3.2 提出算法 |
| 4.3.3 生成推荐列表 |
| 4.4 实验与结果分析 |
| 4.4.1 数据描述 |
| 4.4.2 实验环境 |
| 4.4.3 算法对比 |
| 4.4.4 实验结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（10）5G智能通信系统中关键技术研究及实现（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 波束合成与神经网络边缘计算加速研究现状和发展趋势 |
| 1.3 本文章节安排 |
| 第二章 波束合成与神经网络加速技术概述 |
| 2.1 波束合成技术概述 |
| 2.1.1 波束合成数学模型 |
| 2.1.2 模拟波束合成技术 |
| 2.1.3 数字波束合成技术 |
| 2.2 神经网络边缘计算硬件加速技术概述 |
| 2.2.1 神经网络简介 |
| 2.2.2 神经网络的边缘计算 |
| 2.3 本章小结 |
| 第三章 大宽带低延迟DBF技术方案 |
| 3.1 低复杂度数字多波束合成算法设计 |
| 3.2 低复杂度数字波束合成系统实现优化 |
| 3.3 系统方案分析 |
| 3.3.1 子信道数目K分析 |
| 3.3.2 系统计算复杂度分析 |
| 3.3.3 系统延迟分析 |
| 3.4 波束合成分析 |
| 3.4.1 覆盖范围分析 |
| 3.4.2 旁瓣抑制分析 |
| 3.5 本章小结 |
| 第四章 神经网络边缘计算加速 |
| 4.1 基于FPGA的神经网络硬件加速系统架构设计 |
| 4.2 基于FPGA的神经网络硬件加速系统实现优化 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.3 定点量化策略 |
| 4.4 系统性能分析 |
| 4.5 本章小结 |
| 第五章 5G智能通信系统硬件平台设计与实现 |
| 5.1 系统技术指标 |
| 5.2 系统级平台设计 |
| 5.3 单板级平台设计 |
| 5.3.1 单板硬件设计 |
| 5.3.2 信号接收设计 |
| 5.3.3 信号处理设计 |
| 5.3.4 信号传输设计 |
| 5.4 系统性能测试及分析 |
| 5.4.1 单板级平台性能测试 |
| 5.4.2 系统级平台性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
四、多通道融合算法和软件平台的实现（论文参考文献）
- [1]基于深度学习的心肌梗死识别方法研究[D]. 杨朔. 鲁东大学, 2021(12)
- [2]基于卷积神经网络的管廊火灾图像识别方法研究[D]. 许文凯. 广东技术师范大学, 2020(02)
- [3]基于计算机视觉的车辆和车道线检测技术研究[D]. 陈温蒙. 桂林电子科技大学, 2020(03)
- [4]基于深度学习的中草药粉末显微特征研究[D]. 孙霞. 北方工业大学, 2020(02)
- [5]基于结构光照明的全彩色三维光切片成像方法研究[D]. 千佳. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020
- [6]虚实融合的交互式实验环境的用户意图理解应用研究[D]. 王康. 济南大学, 2020(01)
- [7]基于神经网络与信息核的物品推荐算法研究[D]. 刘海艳. 西安电子科技大学, 2020(05)
- [8]基于多模态分层融合策略及其在影像组学中的应用研究[D]. 何强. 南方医科大学, 2020(01)
- [9]基于深度学习理论的个性化推荐算法研究[D]. 汪东. 河北工业大学, 2020
- [10]5G智能通信系统中关键技术研究及实现[D]. 宫宇. 上海交通大学, 2020(09)