一、借助图形使分类避免“重”“漏”（论文文献综述）
汤萍萍[1]（2021）在《QoS感知的网络流分类和聚集方法研究》文中进行了进一步梳理网络流量分类是执行网络监测、资源管理和安全控制的必要技术手段,是通信网络领域的一个重点关注问题。传统的网络流量分类技术在处理加密流量以及用户隐私方面存在局限性而逐渐被淘汰,基于流特征的分类方法正成为研究热点。根据流特征的不同提取方式,可进一步划分为统计特征方法和深度学习方法。随着分类粒度变细统计特征方法因“特征工程”问题陷入困境;而深度学习方法则要求目标类固定且系统的训练过程庞杂,此外深度学习暂不具备自学习和自适应的能力,因此不适用于在线网络分类。于是本文深入分析网络流量特性,解析流量分类所处困境的根源,在数据相关性的基础上寻求问题解决的关键点,继而引入分形理论实现流量分类技术的革新。此外,流量分类技术最主要的目的是实现区分服务并保障异构网络环境下的端到端Quality of Service（QoS）。流量在分类传输时如果孤立与QoS的关系将会导致:同一个聚集流里的业务流可能有截然不同的QoS需求;而不同聚集流里的一些业务流可能有相同的QoS需求。这样的聚集结果明显不利于端到端QoS的执行,也有悖于众多QoS框架。为此,流量分类聚集研究需要以QoS为驱动,而现有的网络业务流到QoS类的映射一般采用定量的方式,这类方法需要业务流给出确定的QoS参数值以及QoS参数权值,而现实中这些因素往往是不确定且不精确的,于是基于偏好逻辑理论,本文提出一种定性的网络流映射方法以解决上述问题。本文主要研究工作和贡献如下:1)基于流量分形理论提出流分形特性。对流量数据进行大量观测和分析,发现导致统计特征失效的原因在于统计独立性假设,也即,假设流中持续到达的包是统计独立的,包的大小以及间隔时间也是统计独立的;但研究表明这些数据之间是紧密相关的。于是本文摈弃独立性假设,基于数据包相关性论证网络流具有分形的特性,为流分形特征用于网络流量分类提供理论基础。2)基于分形指数的流分类。众多研究表明应用程序发出的数据流总是遵循着特定的协议、传输方式和对话规则,因此同类型的业务流往往有着类似的“流形”。分形指数是分形事物描述自相似程度的一种总体表征,可借助分形指数来粗略描述流量的流形之间存在的总体差异并以此分类。实验数据表明基于分形指数的流分类技术对QQ、PPlive、GAME、BT四种视频流的分类准确率高达97%。可见分形指数对于粗粒度的流分类具有实际意义。3)小波域分形指数感知的流分类。分形指数粗略体现流形的差异,可应用于网络流量的粗粒度分类;但是随着分类粒度变细流形之间的差异减小,模糊的分形指数会导致分类不稳定,为此在小波域内提出一种获得精确分形指数的计算模型以改进不足。在该模型中,首先推导小波域内分形指数的形成过程,再基于代价函数分析最优分段,用聚类差异度方法计算分段分形指数的总体差异量,最后基于最大类间方差阈值实施分类。研究结果表明小波域分形指数具有非常强的稳定性,当实验环境发生变化该方法适应能力较强。4)基于分形谱的QoS感知流量细分类。分形指数的本质是对流形的宏观表征,因其缺乏细节特征而无法应用于细粒度的网络流量分类,为此引入分形谱来描述流形在多尺度上的复杂分形特征,刻画突发数据的细节特点并以此进行细分类。然而在现实中要准确计算网络流量的分形谱并非易事。本文采用数值分析的方法得到其估计值,为此首先定义流的测度函数τ（q）,再基于经典的勒让德变换推导分形谱与测度函数τ（q）之间的等价关系,从而使用现实中容易得到的τ（q）谱来描述流在理论上的复杂分形特征并用于流量的细分类。在测试时从即时视频、流媒体等20种QoS类中随机选取500条流,实验结果表明分形谱感知的流量分类方法在QoS感知的细分类方面性能优越。5)粒子域内QoS感知的流量软分类。在动态网络中数据丢包、重传、乱序随时出现,导致待测数据与训练数据之间出现较大的偏差而不能被正确识别,为此引入粒子计算理论,提出一种改进的流量软分类模型。在软分类模型中,首先定义网络流量粒子,然后分析粒子间的分形特征形成粒关系矩阵。传统的包统计特征是粒关系矩阵当观测角度达到最大时的特例,因此粒关系矩阵对流量特性的描述更为全面,以此进行分类也更为精准。最后将本文方法与I-SVM（Support Vector Machine）,K-L（Kullback Leibler）,SFNN（Traffic Classification with Nearest Neighbor）等方法做比较,当QoS类动态变化时本文方法显示出较好的性能。6)基于偏好逻辑的QoS感知流聚集。流量聚集传输必须建立在QoS基础之上,为此本文提出一种定性的聚集方法,该方法基于偏好逻辑和QoE（Quality of Experience）建模网络业务流的QoS需求,借助非单调推理在动态变化的候选集QoS队列中进行选择,最终实现一种动态聚集方法。实验结果表明本文提出的流聚集方法可有效建模业务流的QoS需求;在高可变的动态环境中,当业务流QoS参数的数值或权重发生变化,或QoS队列发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源。与其他聚集方法相比,本文所提的基于偏好逻辑的流聚集方法在延时、丢包率、吞吐量方面表现优良。
靳婉蓉[2]（2021）在《基于多特征融合的GF-2遥感影像土地覆被分类方法研究》文中研究表明
周丽莹[3]（2021）在《垃圾分类标准普及与视觉设计研究》文中研究表明
张若涵[4]（2021）在《基于问答系统的H公司变压器检修流程优化研究》文中研究说明
宋陵灿[5]（2021）在《基于电机定子电流特征的高压隔离开关机构故障诊断研究》文中研究表明高压隔离开关作为牵引供电系统中使用最多的高压开关设备,其常年暴露在户外极端恶劣的环境中,受到尘雾、风、雨、雪等环境影响,极其容易出现机构腐蚀、弹簧失效、机构疲惫等机构故障问题,从而在分合闸过程中出现卡涩、不到位、弹簧故障等问题,这严重威胁到牵引供电系统的安全稳定运行。为此已有很多用于诊断机构故障的方法被提出,但仍存在诊断精度不足、智能化程度不高等缺点。因此,本文针对牵引供电系统高压隔离开关机构故障诊断问题展开研究,提出了一种基于定子电流特征的高压隔离开关机构故障诊断方法,以电机定子电流特征作为诊断算法的输入,以此判断故障类型,所提方法为高压开关设备的故障诊断提供了新思路。文中从电机故障信号、采样滤波设计、特征量提取、诊断算法和系统搭建等方面展开说明,主要内容有:1)分析研究了由机构故障所引起的电机定子电流特征。依据推导所得的隔离开关操作力矩和电机电流的关系,得出操作力矩与电机定子电流的函数关系。再分析电机定子电流信号特征,建立了出现机构故障时由力矩变化引起的电流波动与基波和频率为（1?2s）f1的边频分量的函数关系。由此为利用定子电流的基波和45Hz～55Hz边频带分量作为诊断故障的特征量提供理论依据。2)研究了电机定子电流特征量采样、提取方法。针对定子电流包含大量的谐波电流,设计了低通Butterworth滤波器+数字FIR带通滤波器的采样滤波组合,可降低采样干扰的同时滤除了电流所包含大量的谐波分量,提高了诊断分析的鲁棒性;采用快速傅里叶变换提取电流的45-55Hz幅频特性和均方根值法计算得到定子电流信号的基波电流有效值-时间t关系,并且在文中比较分析了不同故障类型下两种电流特征的区别。3)分析比较了电流特征量与不同算法相融合后对故障的诊断精度。以归一化处理后的定子电流基波和45Hz～55Hz边频带分量作为算法的输入量,对比K-means聚类分析法、SVM分类模型和BP神经网络三种算法对故障诊断的精度,结果表明BP神经网络诊断正确率最高,为97.9%,高于K-means聚类分析92.5%的精度和SVM故障分类模型95.8%的精度,体现出BP神经网络对大样本数据处理预测分析能力更强。而四种故障中,对机构卡涩的诊断精度较低,这是由于轻微的卡涩并不能很明显的在定子电流特征中显现出。4)设计了基于Lab VIEW和DSP的隔离开关机构故障诊断装置。文中从硬件部分和上位机软件部分两大方面出发,详细介绍了DSP板的采样滤波单元、供电单元等外围电路设计和DSP板软件开发环境配置等部分;并利用Lab VIEW设计了上位机软件,其中故障诊断算法采用精度更高的BP神经网络,利用上位机实现了对电流信号、特征量显示和对机构故障的警报。
杨尚桥[6]（2021）在《基于分形理论的调制信号识别方法研究》文中提出
谷力[7]（2021）在《基于虚拟现实的人-机器人交互条件下的人类情绪建模与分析》文中研究说明
王璐[8]（2021）在《软件源代码安全漏洞表示学习及检测技术研究与实现》文中研究指明
潘霞[9]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中研究说明以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
金佩佩[10]（2021）在《小学五年级学生数学分类思想方法掌握现状研究 ——以上海市Z小学为例》文中研究表明数学中的分类是按照数学对象的相同点和差异点,将数学对象区分为不同种类的一种数学思想方法。分类作为一种重要的数学思想方法,在数学教学中广泛存在着,也一直以来都广受教育工作者的重视。目前,关于数学分类思想方法的研究越来越多,已有研究多为教学层面渗透分类思想方法的论述,但专门针对学生的掌握现状的研究还比较匮乏。基于此,本研究将着重通过对学生分类思想方法掌握现状的调查,探讨其在掌握上存在的问题,旨在为小学数学分类思想方法的渗透提出建议。本研究主要采用测验法调查小学五年级学生分类思想方法的掌握情况,同时结合访谈法深入了解学生对分类思想方法的认识和学习情况。测验采用自编测试卷对上海市Z小学105名五年级学生进行测试。首先从分类的意识、分类标准、分类的条理性、分类的全面性和解决问题等五个维度对测试结果进行分析;其次,通过对学生答题情况的分析,总结出小学生分类时存在的问题;最后针对这些问题,提出针对性的教学策略。本研究结果表明:五年级学生分类意识维度,表现出较弱的分类解决问题的意识;五年级大多数学生体现出不同情境下有不同的概括能力,表现出容易分类直观的对象,不易分类抽象的对象的特点;五年级学生分类的条理性总体较好;五年级绝大多数学生都会出现分类不全面的问题;五年级绝大多数学生不能完整解决需要分类讨论的问题。同时发现五年级学生在分类思想方法的掌握上存在如下问题:一是概念的掌握不扎实,二是不了解分类的原则,三是分类讨论意识不强,思考问题不全面,四是对分类的过程认识不足。最后针对上述问题提出如下教学策略:积累学生分类活动经验,促进学生对分类的认识;强调分类的原则,培养学生良好的分类习惯;深化概念教学,为正确分类作铺垫;激发学生学习兴趣,提高分类解决数学问题的意识。
二、借助图形使分类避免“重”“漏”（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、借助图形使分类避免“重”“漏”（论文提纲范文）
（1）QoS感知的网络流分类和聚集方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 流分类技术研究 |
| 1.2.2 流聚集技术研究 |
| 1.3 流分类和聚集关键技术问题 |
| 1.3.1 QoS框架 |
| 1.3.2 QoS类边界 |
| 1.3.3 QoS类粒度 |
| 1.3.4 运算速度 |
| 1.3.5 数据偏离问题 |
| 1.3.6 自学习问题 |
| 1.4 本文问题描述 |
| 1.4.1 基于QoS的分类问题描述 |
| 1.4.2 基于QoS的流聚集问题描述 |
| 1.5 本文研究内容 |
| 1.6 本文研究过程 |
| 1.7 论文的主要创新点 |
| 1.8 组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 分形理论 |
| 2.2 粒子计算理论 |
| 2.3 偏好逻辑 |
| 2.4 本章小结 |
| 第三章 网络流分形 |
| 3.1 流量特性研究 |
| 3.2 网络流分形的论证 |
| 3.3 本章小结 |
| 第四章 分形指数感知的流分类 |
| 4.1 分形指数 |
| 4.2 流分形指数特性 |
| 4.3 基于分形指数的差异度量 |
| 4.3.1 确定分段的最佳个数 |
| 4.3.2 基于阈值的累积差异分析判断 |
| 4.4 实验 |
| 4.4.1 分类系统框架 |
| 4.4.2 实验配置 |
| 4.4.3 评价标准 |
| 4.4.4 计算分形指数 |
| 4.4.5 序列分段问题 |
| 4.4.6 测试分类效果 |
| 4.4.7 与现有方法的对比 |
| 4.5 本章小结 |
| 第五章 小波域内分段Hurst分形指数感知的流分类 |
| 5.1 小波域内精确估计分形指数 |
| 5.2 小波域内分段Hurst指数 |
| 5.3 总体差异量分析 |
| 5.4 实验 |
| 5.4.1 实验配置 |
| 5.4.2 评价标准 |
| 5.4.3 分类系统训练过程 |
| 5.4.4 小波域分形指数 |
| 5.4.5 序列分段问题 |
| 5.4.6 测试分类效果 |
| 5.4.7 与现有方法的对比 |
| 5.5 本章小结 |
| 第六章 基于分形谱的QoS感知流量细分类 |
| 6.1 分形谱 |
| 6.2 核域 |
| 6.3 灰色关联度分析谱差异 |
| 6.4 实验 |
| 6.4.1 数据集 |
| 6.4.2 验证单条流的谱特性 |
| 6.4.3 核域Q|(-q, +q) |
| 6.4.4 分类效果 |
| 6.4.5 与现有方法的对比 |
| 6.5 本章小结 |
| 第七章 粒子域内QoS感知的流量细分类 |
| 7.1 粒子计算与流分类 |
| 7.2 粒计算分类模型GrC |
| 7.2.1 流量粒子 |
| 7.2.2 基于分形的结构粒 |
| 7.2.3 粒关系矩阵 |
| 7.2.4 粒关系矩阵差异度 |
| 7.2.5 判别与阈值设定 |
| 7.2.6 复杂度理论分析 |
| 7.3 实验 |
| 7.3.1 配置环境 |
| 7.3.2 数据集 |
| 7.3.3 计算单条流的粒关系矩阵 |
| 7.3.4 测试分类效果 |
| 7.3.5 与现有方法的对比 |
| 7.3.6 动态性能测试 |
| 7.3.7 时空复杂度 |
| 7.4 本章小结 |
| 第八章 基于偏好逻辑的QoS感知流聚集方法 |
| 8.1 偏好逻辑与流聚集 |
| 8.2 动态聚集方法PLM |
| 8.2.1 基于QoE建模业务流的QoS需求 |
| 8.2.2 最优选项集 |
| 8.2.3 偏好冲突检测与消除 |
| 8.2.4 比例公平配对 |
| 8.2.5 算法复杂度分析 |
| 8.3 实验 |
| 8.3.1 实验环境 |
| 8.3.2 单条流到QoS队列的聚集过程 |
| 8.3.3 适应能力测试 |
| 8.3.4 与现有方法的对比 |
| 8.3.5 变化的QoS需求 |
| 8.3.6 变化的QoS队列 |
| 8.3.7 延时分析 |
| 8.3.8 丢包率分析 |
| 8.3.9 吞吐量分析 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 工作总结 |
| 9.2 工作展望 |
| 参考文献 |
| 附录1 算法伪程序清单 |
| 附录2 攻读博士学位期间撰写的论文 |
| 附录3 攻读博士学位期间申请的专利 |
| 附录4 攻读博士学位期间主持和参加的科研项目 |
| 致谢 |
（5）基于电机定子电流特征的高压隔离开关机构故障诊断研究（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 国内外研究现状及发展趋势 |
| 1.2.1 高压隔离开关故障诊断研究现状 |
| 1.2.2 电机电流特征研究现状 |
| 1.2.3 故障诊断算法研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 电机定子电流特征信号分析 |
| 2.1 电机电流–操作力矩关系推导 |
| 2.2 电机电流信号特征 |
| 2.3 本章小结 |
| 第三章 电机定子电流采样滤波设计 |
| 3.1 低通Butterworth滤波器原理 |
| 3.2 自适应FIR数字带通滤波器 |
| 3.3 滤波器设计 |
| 3.3.1 低通Butterworth滤波器设计 |
| 3.3.2 自适应FIR滤波器设计 |
| 3.4 本章小结 |
| 第四章 电流特征信号的提取与分析 |
| 4.1 边频分量特征提取 |
| 4.2 电流有效值计算 |
| 4.3 定子电流特征量分析 |
| 4.4 本章小结 |
| 第五章 基于电流特征的诊断策略实现 |
| 5.1 故障检测分类算法 |
| 5.1.1 K-means聚类分析法 |
| 5.1.2 SVM分类模型 |
| 5.1.3 BP神经网络模型 |
| 5.2 故障分类结果分析 |
| 5.3 本章小结 |
| 第六章 隔离开关机构故障诊断装置 |
| 6.1 机构故障诊断装置概述 |
| 6.2 诊断平台硬件部分 |
| 6.2.1 GW4 型隔离开关 |
| 6.2.2 数字信号处理单元 |
| 6.2.3 采样滤波单元设计 |
| 6.2.4 供电单元设计 |
| 6.3 上位机部分 |
| 6.4 本章小结 |
| 第七章 工作总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（9）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）小学五年级学生数学分类思想方法掌握现状研究 ——以上海市Z小学为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究缘起 |
| 1.2 研究现状综述 |
| 1.2.1 数学分类思想方法概述 |
| 1.2.2 数学分类思想方法教学的研究 |
| 1.2.3 学生数学分类思想方法掌握现状研究 |
| 1.2.4 研究述评 |
| 1.3 概念界定 |
| 1.4 研究问题 |
| 1.5 研究意义 |
| 1.5.1 理论意义 |
| 1.5.2 实践意义 |
| 第2章 研究设计 |
| 2.1 研究过程 |
| 2.2 研究方法 |
| 2.2.1 文献研究法 |
| 2.2.2 测试法 |
| 2.2.3 问卷调查法 |
| 2.2.4 访谈法 |
| 2.3 研究框架 |
| 2.4 研究对象 |
| 2.5 研究工具 |
| 2.5.1 测试卷的编制 |
| 2.5.2 测试卷的评分标准 |
| 2.5.3 测试卷编码 |
| 2.5.4 测试卷的信度和效度 |
| 第3章 小学五年级学生数学分类思想方法掌握现状分析 |
| 3.1 学生数学分类思想方法掌握情况总体分析 |
| 3.2 学生数学分类思想方法掌握情况各维度分析 |
| 3.2.1 分类意识分析 |
| 3.2.2 分类标准分析 |
| 3.2.3 分类的条理性分析 |
| 3.2.4 分类的全面性分析 |
| 3.2.5 分类解决问题分析 |
| 3.3 学生数学分类思想方法掌握差异分析 |
| 3.3.1 不同性别学生数学分类思想方法掌握差异分析 |
| 3.3.2 对数学喜好程度不同的学生数学分类思想方法掌握差异分析 |
| 第4章 小学五年级学生数学分类思想方法掌握存在的问题 |
| 4.1 学生各题答题情况分析 |
| 4.2 学生数学分类思想方法掌握存在的问题 |
| 4.2.1 概念的掌握不扎实 |
| 4.2.2 不了解分类的原则 |
| 4.2.3 分类讨论意识不强,思考问题不全面 |
| 4.2.4 对分类的过程认识不足 |
| 第5章 小学数学分类思想方法的教学策略 |
| 5.1 积累分类活动经验,促进学生对分类的认识 |
| 5.2 强调分类的原则,培养学生良好的分类习惯 |
| 5.3 深化概念教学,为正确分类作铺垫 |
| 5.4 激发学生学习兴趣,提高分类解决数学问题的意识 |
| 第6章 研究结论及反思 |
| 6.1 研究结论 |
| 6.1.1 小学五年级学生数学分类思想方法掌握情况 |
| 6.1.2 小学五年级学生数学分类思想方法掌握存在的问题 |
| 6.1.3 小学数学分类思想方法教学策略 |
| 6.2 研究反思 |
| 参考文献 |
| 附录一 教材中蕴含分类思想方法内容汇总 |
| 附录二 预测试卷 |
| 附录三 正式测试卷 |
| 附录四 学生访谈提纲 |
| 致谢 |
四、借助图形使分类避免“重”“漏”（论文参考文献）
- [1]QoS感知的网络流分类和聚集方法研究[D]. 汤萍萍. 南京邮电大学, 2021
- [2]基于多特征融合的GF-2遥感影像土地覆被分类方法研究[D]. 靳婉蓉. 南京师范大学, 2021
- [3]垃圾分类标准普及与视觉设计研究[D]. 周丽莹. 南京师范大学, 2021
- [4]基于问答系统的H公司变压器检修流程优化研究[D]. 张若涵. 河北科技大学, 2021
- [5]基于电机定子电流特征的高压隔离开关机构故障诊断研究[D]. 宋陵灿. 华东交通大学, 2021(01)
- [6]基于分形理论的调制信号识别方法研究[D]. 杨尚桥. 哈尔滨工程大学, 2021
- [7]基于虚拟现实的人-机器人交互条件下的人类情绪建模与分析[D]. 谷力. 沈阳工业大学, 2021
- [8]软件源代码安全漏洞表示学习及检测技术研究与实现[D]. 王璐. 北京邮电大学, 2021
- [9]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [10]小学五年级学生数学分类思想方法掌握现状研究 ——以上海市Z小学为例[D]. 金佩佩. 上海师范大学, 2021(07)