一、光学神经网络研究及其在模式识别中的应用（论文文献综述）
翟肇裕,曹益飞,徐焕良,袁培森,王浩云[1]（2021）在《农作物病虫害识别关键技术研究综述》文中指出农作物病虫害的预防与治理对农业生产具有十分重要的作用,病虫害防治工作的前提是准确识别病虫害目标。传统的病虫害识别方法包括人工识别和仪器识别,传统识别方法在识别效率、识别准确性、应用场景等方面已无法满足科学研究和生产的需要。深度学习是机器学习的一个重要分支,能够自动、高效、准确地从大规模数据集中学习到待识别目标的特征,从而替代传统依赖手工提取图像底层特征的识别方法,因此,将结合图像处理的深度学习技术应用于农作物病虫害识别是未来精准农业发展的必然趋势。农作物病虫害识别所涉及的关键技术以农作物病虫害数据为基础展开,通过阐述病虫害数据获取、数据预处理、数据增强、深度学习网络优化、识别结果可视化、识别结果可解释性、预测预报等关键技术的研究现状,归纳与总结了各关键技术应用中存在的问题和面临的挑战,最后指出农作物病虫害识别未来的研究发展方向,即在数据获取方面,构建多源农业数据集和积极打造数据共享资源平台,在数据处理方面,结合迁移学习算法、使用新型数据增强方法,在数据应用方面,积极开展可视化、可解释性和预测预报等工作。
范路,陆云才,陶风波,尹毅[2]（2021）在《人工智能在局部放电检测中的应用（二）：模式识别与状态评估》文中认为故障类型的模式识别以及状态评估对于故障诊断和维修至关重要。不同缺陷类型将产生具有差异性的局部放电信号,缺陷的严重程度以及局部放电的演变过程同样会引起局部放电信号的改变,这种情况能够转化为不同严重等级和发展阶段的模式识别,模式识别属于典型的分类问题。本文对模式识别和状态评估这类分类问题进行综述。相比基于数理统计的分类结果,人工智能算法实现了接近100%的识别准确率。然而当前研究中仍存在一些不足,对此本文给出了解决策略并对未来的研究方向进行了展望。
张柏行[3]（2021）在《基于高光特征的表面粗糙程度检测及其应用》文中提出当光照射物体时,物体表面一定区域会生成大小形状不一的亮斑,该亮斑区域称为高光区域。高光的存在会使图像局部产生颜色畸变导致信息丢失,因此高光通常会被当作噪声筛除。在使用非接触类检测方法检测物体表面粗糙程度时,强光环境会使物体表面产生高光区域,从而对检测结果造成影响。但高光区别于过曝,能通过亮度震荡的形式反映物体表面粗糙程度。本文将高光定义为一种可以反映物体表面凹凸不平信息的局部特征,记为高光特征。对比三种经典的光照模型,建立针对高光特征这一局部特征的高光光照模型记为Highlight模型。通过Highlight模型利用最小二乘法曲线拟合和小波变换结合的方法提取高光特征。并分析高光特征与表面粗糙程度的关系,提出了一种基于高光特征的表面粗糙程度检测方法,使高光特征应用于表面粗糙程度检测。本文对瓷砖的检测实验表明了基于高光特征的表面粗糙程度检测的有效性,并且基于不同材料的高光特征有较为明显的区分度。高光特征对于物体识别也具有一定的研究应用价值。本文搭建了高光图像采集平台,调整光照环境与图像采集装置的相关参数,确保能准确清晰地采集到高光图像,且图像不会过曝。对采集的高光图像提取高光特征,基于高光特征检测物体表面粗糙程度以及物体识别。具体研究内容如下:1、分析Lambertian模型、Phong模型、Rendering Equation模型三种经典光照模型的原理与应用场景。提出了一种基于暗室且光源为唯一直射光源环境下的Highlight模型,通过该模型突出高光特征这一局部特征。2、针对提出的Highlight模型,采用最小二乘法曲线拟合和小波变换结合的方法提取高光特征,使高光特征表征为一种频域上的明暗振荡趋势,并选用几种材料测试高光检测算法。3、对高光特征做进一步描述,取得高光特征值Z。通过高光特征值Z检测不同瓷砖的表面粗糙程度;基于不同材料样本的高光特征值Z区分度较高,搭建卷积神经网络（CNN,Convolutional Neural Networks）,基于高光特征识别瓷砖,识别率达到了82%。
孙哲南,赫然,王亮,阚美娜,冯建江,郑方,郑伟诗,左旺孟,康文雄,邓伟洪,张杰,韩琥,山世光,王云龙,茹一伟,朱宇豪,刘云帆,何勇[4]（2021）在《生物特征识别学科发展报告》文中认为从手机解锁、小区门禁到餐厅吃饭、超市收银,再到高铁进站、机场安检以及医院看病,人脸、虹膜和指纹等生物特征已成为人们进入万物互联世界的数字身份证。生物特征识别赋予机器自动探测、捕获、处理、分析和识别数字化生理或行为信号的高级智能,是一个典型而又复杂的模式识别问题,一直处于人工智能技术发展前沿,在新一代人工智能规划、"互联网+"行动计划等国家战略中具有重要地位。由于生物特征识别涉及公众利益攸关的隐私、道德和法律等问题,近期也引起了广泛的社会关注。本文系统综述了生物特征识别学科发展现状、新兴方向、存在问题和可行思路,深入梳理了人脸、虹膜、指纹、掌纹、静脉、声纹、步态、行人重识别以及多模态融合识别的研究进展,以人脸为例重点介绍了生物特征识别领域近些年受到关注的新方向——对抗攻击和防御、深度伪造和反伪造,最后剖析总结了生物特征识别领域存在的3大挑战问题——"感知盲区"、"决策误区"和"安全红区"。本文认为必须变革和创新生物特征的传感、认知和安全机制,才有可能取得复杂场景生物识别学术研究和技术应用的根本性突破,破除现有生物识别技术的弊端,朝着"可感"、"可知"和"可信"的新一代生物特征识别总体目标发展。
林晓东[5]（2021）在《基于荧光光谱的茶藻斑病病害程度判别方法研究》文中研究指明茶叶是我国最主要的饮品之一,并且中国也是茶叶种植规模最大的国家之一,而茶叶的各种病害一直严重影响着茶叶的产量和质量。藻斑病作为主要病害之一,其覆盖辽阔,在全国主要茶区均有发生。藻斑病会对茶树正常代谢造成胁迫,导致茶叶产量和品质下降,给茶农造成直接经济损失。当前,藻斑病的传统检测方法时限长、预处理复杂且成本较高,难以在实际生产中大面积推广应用。因此,准确识别茶叶病害及时采取防治措施成为茶产业发展的关键。本论文开展基于荧光光谱的茶藻斑病识别研究,探索一种无损、快速的茶藻斑病识别方法,为叶绿素荧光结合遥感技术大面积应用于农业领域提供参考。主要研究内容和结论如下:（1）测量了正常、轻度藻斑病和重度藻斑病3类叶片的叶绿素含量,对3类叶片的叶绿素含量进行单因素方差分析,结果显示3类叶片间存在显着性差异,但并未说明3类叶片两两之间的差异性;继而对3类叶片叶绿素含量值进行多重相关性分析,塔姆黑尼（Tamhane’s T2）和邓尼特（Dunnett’s T3）方法结果均显示三类叶片两两之间的显着性值概率P小于0.05,表明正常叶片与轻度藻斑病和重度藻斑病具有显着性差异,轻度藻斑病与正常叶片和重度藻斑病具有显着性差异,重度藻斑病与正常叶片和轻度藻斑病具有显着性差异,这为基于叶绿素荧光光谱的茶藻斑病判别奠定理论基础。（2）以正常、轻度和重度藻斑病茶叶叶片为研究对象,分析了不同病害程度叶绿素荧光光谱的差异性。利用主成分分析（Principal Component Analysis,PCA）和连续投影算法（Successive Projections Algorithm,SPA）对光谱变量进行挑选,以全光谱变量及经PCA、SPA挑选后的变量作为支持向量机（SVM）和偏最小二乘判别分析（PLS-DA）模型的输入变量,建立了不同核函数的SVM模型和PLS-DA模型。结果表明,变量挑选算法并不适用于PLS-DA模型,但是对SVM模型有较好的效果,且在径向基核函数（Rbf-Kernel）模型中效果最好;采用SPA结合径向基核函数建立的支持向量机模型对正常、轻度藻斑病和重度藻斑病3类叶片判别效果较优,误判率为4.69%。（3）由于物质对光的吸收具有选择性,且不同波长的激发光源所激发物质的荧光效率相差巨大。采集了中心波长为405nm的半导体（Light Diode,LD）激光光源和405、470、533、635nm的发光二极管（Light Emitting Diode,LED）激光光源所激发的叶片叶绿素荧光并分析了光谱差异性。建立了不同光源与正常、轻度、重度藻斑病3类混合叶片叶绿素含量的定量分析模型,研究不同光源对3类混合样品叶绿素含量定量模型的影响。结果表明,LED 405nm作为叶绿素荧光的激发光源,模型效果最优;该模型校正集相关系数（Coefficient of Correlation for Calibration,Rc）和校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）分别为0.90和6.10;预测集相关系数（Coefficient of Correlation for Prediction,Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.88和6.80。（4）由于不同采集角度改变叶片的荧光光路,导致叶绿素对荧光的重吸收效应发生变化。在不同光源模型研究的基础上,以LED 405nm的激发光源为基准,设计了90°,75°,60°和30°的采集实验,采集不同角度叶片反射的叶绿素荧光,建立了不同采集角度的荧光光谱与3类混合样品叶绿素含量的定量分析模型,研究不同采集角度对模型效果的影响。结果表明,当采集角度为90°（即光纤探头与水平叶片垂直采集）时,模型效果最优。（5）在最佳光源及最佳采集角度的基础上,研究了不同预处理方法与变量优选算法对模型效果的影响,得出一阶导数预处理对模型有明显提升;其次结合4种变量筛选算法对变量进行优选,建立最佳藻斑病定量预测模型,模型对正常叶片、轻度藻斑病、重度藻斑病叶片及三类混合样本的预测性能进行评价。对正常叶片的Rp和RMSEP为0.91、5.88,对轻度藻斑病叶片的Rp和RMSEP为0.74、7.66,对重度藻斑病叶片的Rp和RMSEP为0.86、6.81,对三类叶片混合样品的Rp和RMSEP为0.87、6.84。
曹智[6]（2021）在《基于深度学习和多信息融合的GIS特高频局部放电类型识别研究》文中研究表明气体绝缘组合电器（GIS）凭借其良好的绝缘性能、较高的供电可靠性以及占地面积小等诸多优点,在输配电领域中得到了广泛的使用。伴随着电力系统中已投运GIS数量的增长,因设备制造、运输、装配以及长期运行过程中形成的缺陷导致的故障也逐渐增多。不同类型绝缘缺陷引发的局部放电对设备绝缘造成的危害和发生击穿的风险不同,开展缺陷类型的识别对缺陷处理和检修决策具有重要指导意义。由于局部放电现象的多样性和复杂性,现有通过实验室典型缺陷模型建立的局放样本,通过单一模式识别算法进行缺陷诊断的方式,在工程现场应用的效果不佳。为此,本文通过实验完善局部放电样本库,综合BP神经网络与卷积神经网络,研究了基于多模型互补加权融合的GIS特高频局部放电类型识别方法,致力于提升局部放电模式识别的准确性。本文设计了五种典型绝缘缺陷模型,在保留其特有的典型结构特征的同时,通过改变缺陷的尺寸、形状、施加不同的电压水平等方式,开展局部放电实验。采用特高频检测方法获取了大量的局部放电样本数据,构建了较为完备的局部放电样本库。为了更全面地利用放电数据的信息,构建了反映放电脉冲的相位统计分布、相邻脉冲的发生时间间隔和相邻放电脉冲发生时外施电压差信息的PRPD、△t、Δu三种图像,搭建卷积神经网络模型进行三种图像的分类识别;同时并行地提取特高频局部放电序列信号的数值化统计特征参数、分形特征参数和图像特征共计26种特征参量,训练BP神经网络。为了克服单一分类器的不足,提出一种融合卷积神经网络和BP神经网络两种算法模型的GIS局部放电类型识别方法,综合运用了局部放电数据构造的统计图谱信息和数值特征计算后的放电脉冲序列信息,最后在放电类型识别诊断时,把待测样本经4种模型输出的识别结果加权融合,并由此得到最终的放电类型识别结果。研究结果表明,本文提出的基于深度学习和多信息融合的放电类型识别算法,采用多种模型相互佐证的方式,能够更加充分利用局部放电信号的多维度信息,克服单一诊断方法对某些缺陷识别率低的问题,有效提高了局部放电识别的准确性和工程实用性。
张耀鲁[7]（2021）在《分布式光纤振动传感系统信号提取和模式识别方法研究》文中指出分布式光纤振动传感系统的主要应用形式为相位敏感光时域反射（Phase-Sensitive Optical Time-Domain Reflectometer,Φ-OTDR）,其感知器件为光纤,具备功耗低、抗电磁干扰的独特优势,可实时监测外界各种类型的振动,在周界安防、输油气管道泄漏监测、城市管廊以及建筑物结构健康监测等领域具有重要的应用价值。目前,该系统尚存在振动信息获取不准确、系统信噪比较低、识别算法准确率和效率较低等问题,因此对振动信息的准确提取和有效模式识别算法的研究至关重要。本文的主要研究内容包括在Φ-OTDR系统中采用正交相位解调的方法实现对振动信号的准确还原,采用变分模态分解（Variational Mode Decomposition,VMD）与排列熵相结合的方法去除系统的随机噪声,采用Wavenet波网络深度学习算法实现对时间-空间振动数据模式识别,仿真和实测效果良好,最终达到对不同振动类型的精准、快速的模式识别,有助于Φ-OTDR系统在实际应用中发挥其最佳的工作性能。具体的工作及结果如下:1.推导了外差相干Φ-OTDR系统探测振动信号的工作过程,分析了系统中的偏振衰落噪声与相干衰落噪声。2.采用正交（In-phase/Quadrature,I/Q）相位解调方法,以压电陶瓷模拟振动源进行实验验证。结果表明该相位解调方法能准确解调出单频扰动（10Hz～1500Hz）以及混频扰动,且扰动幅度和解调相位幅度呈正相关,线性拟合度约为0.9879。3.将排列熵应用于VMD算法中,以确定最优分解层数K值,实现去噪功能。并通过仿真对比分析了经验模态分解（Empirical Mode Decomposition,EMD）、完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition,CEEMD）算法、改进的集合经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）算法应用于去噪的效果。结果表明,VMD去噪算法具有最好的完备性和正交性,分别为0.1694和0.0030,有效抑制了EMD方法中的模态混叠和伪分量,信噪比高达17.0834dB;且相比CEEMD方法和MEEMD方法处理效率更高,计算时间较短,仅0.3331s。4.基于输入振动信号的时序性,将Wavenet模型应用于Φ-OTDR系统模式识别中,其内部的因果卷积结构能够充分分析输入信号的上下文关系,以提升识别的准确率;空洞卷积结构进一步扩大了模型对输入信号的感知范围;残差网络使模型更快收敛,以提升训练效率。从模型结构角度分析对比了一维卷积神经网络（Convolutional Neural Network,CNN）、长短期记忆网络（Long Short-Term Memory,LSTM）对时序输入信号识别的过程及优缺点。5.最后,搭建实验系统验证算法的有效性。采集行走、车轮碾压、电钻扰动、风吹、雨淋和触网六种动作,依次进行相位解调、VMD去噪处理后,形成50×50的时间-空间数组;制作数据集后,分别输入到一维CNN、LSTM和Wavenet模型中,进行训练和测试。实验结果表明,与一维CNN和LSTM相比,Wavenet识别准确率高达98.55%;且训练耗时较少,约为200s,测试耗时也仅为30ms,满足应用实时性的要求。该方法既具有高准确率又具有较高实时性,对于Φ-OTDR系统在非法入侵、非法施工破坏等实际场景中的应用具有重要意义。
孙伟忠[8]（2021）在《基于图像光谱特征的纸币新旧识别关键技术研究》文中研究指明随着商品经济的发展,货币的出现让人类金融交易更加便捷,商品流通的速度越来越快。纸币在人们日常的商业活动中扮演着重要的角色,是商品交换的基础,遍布于人们进行商品交换的各个领域。随着世界各国经济的迅速发展,商业活动十分频繁,使得纸币发行量逐年增加。世界上每天都有大量的现金交易,这给银行部门带来了繁重的纸币处理工作。传统的人工清点由于工作环境恶劣、清点速度慢和易出错等原因,已经不能满足社会发展对纸币的需求,纸币清分设备的出现正在逐渐解决央行和商业银行所面临的问题。清分技术的应用,不仅大幅度降低了银行工作人员的劳动强度,还大大提高了工作人员的工作效率,同时也明显提升了纸币的清点质量。尽管纸币清分技术在近几年得到了大力发展,但纸币的新旧、污渍和字迹检测技术还不能满足行业需求。其主要原因有以下几个方面:首先,纸币的新旧是一个模糊的概念,不同的人理解不同;其次,纸币本身的图案纹理复杂,这给纸币检测带来了巨大的难度;再次,污渍所在的位置不固定,深浅不一,形状各异,这同样加大了检测难度;最后,字迹的粗细、颜色、形状和大小不同,这对纸币的检测来说更是难上加难。针对上述问题,论文提出了一种基于图像光谱特征的纸币新旧识别方法。该方法以CIS图像传感器采集到的多光谱纸币图像为研究对象,针对纸币的新旧、污渍和字迹特征把纸币的新旧检测分为整张的新旧纸币和局部的脏污纸币,提出一种基于纸币图像灰度共生矩阵的纹理特征提取方法来分析不同光源对于纸币新旧检测的影响,并提出了一种基于图像纹理特征的WOA-MLSVMs纸币新旧识别方法。此外,论文还提出一种基于卷积神经网的多光谱纸币新旧识别方法和一种基于高斯置信度的多光谱纸币脏污检测方法。论文的主要研究工作和贡献如下:第一,提出了一种FPGA+CPU的嵌入式数字图像处理平台架构,并基于该平台架构设计实现了采用XC7Z020核心FPGA芯片的嵌入式数字图像处理单元。首先,该平台通过CIS图像传感器采集纸币图像,并对采集到的纸币图像在硬件上进行图像像素校正和漂移校正。其次,使用基于搜索的直线扫描检测算法对采集到的纸币图像进行边缘检测,并利用仿射变换等算法对纸币图像进行正规化处理。再次,使用一种多光谱模板匹配的纸币面值面向识别算法对纸币的基本信息进行识别。最后,通过实验验证该平台的可靠性,为后续的研究提供了有利的支撑。第二,提出了一种基于纸币图像灰度共生矩阵的纹理特征提取方法,有效降低了不同光源对于纸币新旧检测的影响。该方法使用纸币在红光、绿光、蓝光、红外光和紫外光下的双面反射图像,以及绿光透射和红外光透射图像为研究对象。首先,通过灰度共生矩阵提取纸币图像的诸如能量、熵及惯性等纹理特性参数来描述纸币新旧的视觉特征,分析确定了红光反射和紫外光反射的双面图像的纹理特征对纸币新旧识别效果不明显。其次,采取其它8幅图像提取的纹理特征建立纸币新旧识别模型,并结合5种本质维数估计方法和17种数据降维方法确定本质维数和最优降维方法。最后,使用基于鲸鱼优化算法的MLSVMs实现全光谱纸币新旧识别,并通过仿真测试结果表明所提方法的有效性。第三,提出了一种基于卷积神经网的多光谱纸币新旧识别方法。该方法使用绿光和蓝光下的双面反射图像,以及绿光和红外光下的透射图像为研究对象。首先,构建一种适用于纸币新旧识别的卷积神经网络,该网络具有9层深度,其中构建了3层卷积层、3层池化层和3层全连接层。其次,描述了该卷积神经网的损失函数以及前向传播训练阶段和反向传播训练阶段的训练过程和方法。最后,通过实验训练了人民币2015版100元、2005版50元和2005版20元的网络参数,并通过对比实验验证了该方法的有效性和准确性。第四,提出了一种基于高斯置信度的多光谱纸币脏污检测方法。该方法使用红光、绿光、蓝光和红外光下的双面反射图像为研究对象。首先,使用高斯置信度特征提取算法对纸币的多光谱图像进行建模和特征提取。其次,使用边界跟踪的图像拓扑结构分析算法对检测到的纸币脏污特征进行轮廓检测,实现特征提取后的定量计算,给出脏污纸币的量化指标。最后,以具有污渍的纸币和字迹的纸币为例,展示该方法在各个阶段对脏污纸币不同光谱下采集到的图像的处理结果,验证了该方法的有效性。
魏久晰[9]（2021）在《时变滤波算法研究及其在通信信号识别中的应用》文中指出通信技术不断发展的同时,通信信号的调制类型也日趋复杂,如何快速、准确地识别通信信号的调制类型在军事和民用领域都具有重要的意义。在低信噪比环境下,噪声对通信信号的特征提取和识别造成了干扰,严重影响了通信信号识别效果,有必要对信号进行去噪预处理。传统的滤波方法只能实现时域或频域的单一滤波,无法结合通信信号的时变特性,其滤波效果不理想。因此如何设计合适的时变滤波算法,在保留信号特征的同时,滤除其中的噪声,对提高通信信号识别率具有重要研究意义。针对低信噪比条件下噪声严重影响通信信号识别性能的问题,本文设计时变滤波算法,在通信信号预处理阶段滤除噪声,利用基于卷积神经网络的信号识别分类器实现低信噪比下通信信号调制模式识别。本文首先对通信信号的调制原理和时频特征提取进行研究和分析,并介绍了卷积神经网络的相关基础理论,为后续基于卷积神经网络的通信信号识别算法设计提供理论基础;然后对通信信号时变滤波算法进行了研究,分别针对频移键控信号类内识别和幅度键控信号、频移键控信号、相移键控信号三种通信信号类间识别提出了基于时变频率提取的时变滤波算法和基于时变频率掩码的时变滤波算法,消除噪声对信号时频特征的干扰;最后通过对卷积神经网络模型进行搭建、训练以及性能分析,设计了基于卷积神经网络的信号识别分类器。本文最后通过所设计的基于卷积神经网络的通信信号识别算法,分别对时变滤波处理前后的频移键控信号类内识别和幅度键控信号、频移键控信号、相移键控信号三种通信信号类间识别进行仿真验证和性能对比分析。实验结果表明:本文设计的时变滤波算法有效地滤除了噪声对信号时频特征的干扰,显着地提高了通信信号调制类型的识别率,对通信信号识别领域的研究和发展具有重要的参考价值。
刘炫麟[10]（2021）在《基于无人机航拍图像的植物种类智能识别研究》文中研究表明随着近年来深度学习技术在植物图像的识别分类任务中广泛运用,对植物的分类识别领域发展起到了一定的促进作用,并且给农林类学科的发展给予了很大帮助。并且随着在计算机视觉领域相关研究的深入,也为无人机航拍图像的场景分类、目标检测、图像分割等任务提供了一项新型的技术手段。过去在进行园林城市的对植物种类信息的调查方法需要耗费大量的时间和精力,通过借助无人机航拍图像和深度学习进行对植物种类的识别,可以极大地减少对植物种类调查所需要的时间,降低了调查的人工成本,提高了识别的效率,但受气象条件影响大、精度较低、制图周期长、实时性低,并且需要支付高昂的资料购买费用。无人机是一种高效、快速获取区域内实时高分辨率图像数据的平台,通过使用人工智能对植物种类进行识别,为城市植物资源的调查研究提供更多的可能性。本研究以湖南长沙圭塘河风光带中一段区域的植物为研究对象,主要研究无人机航拍图像处理以及深度学习在无人机航拍图像植物识别中的应用,利用无人机RGB航拍正射影像数据,采用以基于Resnet三种不同层次结构的Mask R-CNN实例分割模型对研究区域内的7类优势树种进行分类和识别,识别对象为不同种类的植物,实现在航拍图像中对于植物种类的智能识别。本文主要研究内容如下:利用无人机采集基于正射影像下城镇植物的树冠图像,构建了一个在复杂背景下包含图像多种植物的图像数据集。采用水平翻转,调整亮度、对比度、饱和度和色调等方式对数据集进行增强和补充。通过Mask R-CNN模型对数据集中的图像数据进行实验,采用先进行在COCO数据集上预训练后再进行迁移学习的方式,证明深度学习方法在航拍图像中植物识别的有效性,无人机RGB航拍正射影像在一定空间范围内的城镇植物种类的智能识别与分类中有较强的应用潜力,且不同层次的网络结构与不同的背景复杂程度会影响分类结果的准确性。以Resnet-101为主干网络的Mask R-CNN实例分割模型实现了相对较高的识别精度（BboxmmAP为0.8052,MaskmmAP 为 0.8045,kappa系数为0.7635）,其次是以Resnet-50为主干网络的Mask R-CNN实例分割模型（BboxmmAP为0.7696,MaskmmAP为0.7560,kappa系数为0.7232）,以 Resnet-18为主干网络的 Mask R-CNN实例分割模型（BboxmmAP为0.7021,MaskmmAP为0.7522,kappa系数为0.7092）总体表现相对较差表明基于无人机航拍图像可作为未来城市植物资源调查研究的一种方式。不同类别植物的颜色、纹理、形状等特征对识别结果的影响差异较大,但主要还是受到高度及光照产生的影响,使得较为低矮的海桐及鸡爪槭的细节信息的数据不够清晰,降低了最终识别的准确率。不同的背景下,植物的识别结果也有所不同。如在简单背景下的香樟,识别准确率大幅高于复杂背景下其他类别的植物,其识别准确率均达90%以上。实地调查所产生的地面样本参考数据的准确性也对植物种类的识别结果产生较为明显的影响。地面样本参考数据越详实,其数据集中标注的数据也越准确,使得模型能够更好的识别出不同类别植物间的特征,导致识别结果的准确率得到相应提升。
二、光学神经网络研究及其在模式识别中的应用（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、光学神经网络研究及其在模式识别中的应用（论文提纲范文）
（1）农作物病虫害识别关键技术研究综述（论文提纲范文）
| 0 引言 |
| 1 农作物病虫害识别方法概述 |
| 1.1 农作物病虫害的特点 |
| 1.2 农作物病虫害识别方法发展历程 |
| 1.2.1 基于人工的识别方法 |
| 1.2.2 基于仪器的识别方法 |
| 1.2.3 基于数理统计的识别方法 |
| 1.2.4 基于模式识别和机器学习的识别方法 |
| 1.2.5 基于深度学习的识别方法 |
| 1.2.6 识别方法分析 |
| 1.3 农作物病虫害识别过程 |
| 2 农作物病虫害识别关键技术 |
| 2.1 病虫害数据获取关键技术 |
| 2.1.1 利用公开数据集 |
| 2.1.2 自定义数据集 |
| (1)基于田间/室内移动或固定的数据获取技术 |
| (2)手持式数据获取技术 |
| (3)基于无人机的数据获取技术 |
| 2.2 病虫害数据处理关键技术 |
| 2.2.1 数据预处理 |
| 2.2.2 数据增强 |
| 2.2.3 深度学习网络优化 |
| 2.3 病虫害识别结果应用关键技术 |
| 2.3.1 可视化界面 |
| 2.3.2 可解释性 |
| 2.3.3 预测预报 |
| (1)静态预测预报技术 |
| (2)时序动态预测预报技术 |
| (3)空间传播预测预报技术 |
| 3 发展展望 |
（2）人工智能在局部放电检测中的应用（二）：模式识别与状态评估（论文提纲范文）
| 0 引言 |
| 1 人工智能算法的基本思想 |
| 1.1 人工神经网络 |
| 1.1.1 概率神经网络 |
| 1.1.2 自组织映射神经网络 |
| 1.1.3 卷积神经网络 |
| 1.1.4 循环神经网络 |
| 1.1.5 自编码器 |
| 1.1.6 生成对抗网络 |
| 1.2 聚类算法 |
| 1.3 降维算法 |
| 1.3.1 主成分分析 |
| 1.3.2 局部线性嵌入 |
| 1.3.3 t分布随机近邻嵌入 |
| 1.4 模糊理论 |
| 1.5 支持向量机 |
| 1.6 分形理论 |
| 2 人工智能在模式识别中的应用 |
| 2.1 聚类算法的应用 |
| 2.2 神经网络的应用 |
| 2.3 支持向量机的应用 |
| 2.4 深度神经网络的应用 |
| 2.5 模糊分类器 |
| 2.6 集成学习 |
| 2.7 伪放电信号的生成 |
| 3 人工智能算法在状态评估中的应用 |
| 4 存在问题、解决策略及展望 |
（3）基于高光特征的表面粗糙程度检测及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 选题背景及其研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光 |
| 1.2.2 检测表面粗糙度 |
| 1.2.3 模式识别 |
| 1.3 本文主要研究内容 |
| 第二章 光照模型 |
| 2.1 光照模型概述 |
| 2.2 经典光照模型 |
| 2.2.1 理想漫反射模型——Lambert光照模型 |
| 2.2.2 理想镜面反射模型 ——Phong光照模型 |
| 2.2.3 全局光照模型与Rendering Equation |
| 2.3 高光光照模型 |
| 2.4 本章小结 |
| 第三章 高光特征提取 |
| 3.1 成像装置 |
| 3.2 高光特征提取方法 |
| 3.3 高光特征提取实验 |
| 3.4 本章小结 |
| 第四章 基于高光特征的表面粗糙程度判断以及物体识别 |
| 4.1 基于高光特征检测表面粗糙实验 |
| 4.1.1 高光特征值Z |
| 4.1.2 验证 |
| 4.2 基于高光特征的物体识别实验 |
| 4.2.1 数据集构建 |
| 4.2.2 搭建CNN网络结构 |
| 4.2.3 训练与验证 |
| 4.2.4 实验结果分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究成果总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要科研成果 |
（4）生物特征识别学科发展报告（论文提纲范文）
| 1 生物特征识别总体发展态势 |
| 1)学术研究欣欣向荣。 |
| 2)产业应用如火如荼。 |
| 3)各国政府高度重视。 |
| 4)生物识别隐私、道德、伦理等问题引起广泛社会关注。 |
| 2 人脸识别研究现状 |
| 2.1 人脸检测 |
| 2.2 面部关键点检测 |
| 2.3 2D人脸特征提取与识别 |
| 2.4 三维人脸识别 |
| 2.5 人脸活体检测 |
| 2.6 基于人脸视频的生理信号测量 |
| 3 虹膜识别研究现状 |
| 1) 唯一性。 |
| 2) 稳定性。 |
| 3) 非接触。 |
| 4) 便于信号处理。 |
| 5) 防伪性好。 |
| 3.1 虹膜图像获取 |
| 3.2 虹膜分割和定位 |
| 3.3 虹膜活体检测 |
| 3.4 虹膜图像质量评价 |
| 3.5 虹膜特征提取 |
| 3.6 异质虹膜识别 |
| 3.7 虹膜与其他模态融合 |
| 3.8 虹膜识别系统安全性问题 |
| 3.9 虹膜识别发展趋势 |
| 4 指纹识别研究现状 |
| 4.1 现场指纹识别 |
| 4.2 活体指纹检测 |
| 4.3 变形指纹处理 |
| 4.4 三维指纹采集 |
| 4.5 问题与趋势 |
| 1)通过指纹合成克服数据共享难的问题。 |
| 2)活体指纹检测技术的泛化能力有待提高。 |
| 3)非接触指纹采集的图像质量有待提高。 |
| 4)指纹特征提取与匹配算法还有进一步提升的空间。 |
| 5 掌纹识别研究现状 |
| 1)低质量图像的掌纹识别。 |
| 2)低资源掌纹识别。 |
| 3)多模态掌纹识别。 |
| 4)移动端掌纹识别。 |
| 6 静脉识别研究现状 |
| 6.1 指静脉认证研究 |
| 6.2 手背静脉认证研究 |
| 6.3 掌静脉认证研究 |
| 6.4 静脉认证的问题和趋势 |
| 7 步态识别研究现状 |
| 7.1 基于人体模型的方法 |
| 7.1.1 2D人体模型 |
| 7.1.2 3D人体模型 |
| 7.2 基于非模型的方法 |
| 7.2.1 基于特征模型的方法 |
| 7.2.2 基于直接从视频提取特征的方法 |
| 7.2.3 基于步态剪影序列集合提取特征的方法 |
| 7.3 数据库与评价标准 |
| 7.4 步态识别未来重要的研究方向 |
| 1)基于弱监督或无监督的步态识别。 |
| 2)基于身体模型(model-based)和非模型(model-free)步态识别方法的融合。 |
| 3)大规模和多信息的公开数据集。 |
| 8 行人重识别研究现状 |
| 8.1 行人重识别研究总体态势 |
| 8.2 行人重识别主要研究方向 |
| 8.2.1 监督学习 |
| 8.2.2 无监督与弱监督 |
| 8.2.3 行人换装 |
| 8.2.4 虚拟化 |
| 8.2.5 生成模型 |
| 8.2.6 黑衣人行人重识别 |
| 8.2.7 遮挡条件下行人重识别 |
| 8.3 行人重识别常用数据集 |
| 1) Market-1501: |
| 2) DukeMTMC: |
| 3) CUHK03: |
| 4) MSMT17: |
| 8.4 行人重识别未来发展思路 |
| 9 声纹识别研究现状 |
| 9.1 声纹识别发展历史 |
| 9.1.1 基于知识驱动的特征提取方法设计 |
| 9.1.2 基于线性高斯混合的统计模型方法 |
| 9.1.3 基于深度学习的方法 |
| 9.2 声纹识别的鲁棒性研究 |
| 9.3 声纹识别的攻与防 |
| 9.3.1 合成音攻击与防御 |
| 9.3.2 录音重放攻击与防御 |
| 9.3.3 对抗样本攻击与防御 |
| 9.4 声纹识别数据库 |
| 9.5 问题和趋势 |
| 10 多模态生物特征融合研究现状 |
| 10.1 基于不同操作方式的融合 |
| 10.2 基于不同层面的融合 |
| 10.3 基于深度神经网络的融合 |
| 1)对特征分布的讨论。 |
| 2)对多模态这一概念的扩展。 |
| 10.4 问题和趋势 |
| 11 生物识别安全领域的新方向 |
| 11.1 生物特征识别对抗攻防方法 |
| 11.2 人脸编辑与深度伪造 |
| 11.2.1 基于人脸重演的深度伪造 |
| 1) 表情与姿态重演。 |
| 2) 唇形重演。 |
| 11.2.2 基于人脸交换的深度伪造 |
| 11.2.3 基于人脸属性编辑的深度伪造 |
| 11.2.4 人脸编辑与深度伪造的问题与趋势 |
| 1)基于样例的可控人脸生成。 |
| 2)多属性联合驱动的人脸表情迁移。 |
| 3)小样本或零样本下的对偶数据增广和生成。 |
| 11.3 人脸深度伪造检测方法 |
| 11.3.1 基于图像序列的检测方法 |
| 1) 基于传统图像取证的检测技术。 |
| 2) 基于真伪图像差异的检测技术。 |
| 3) 基于GAN指纹特征的检测技术。 |
| 11.3.2 基于视频序列的检测方法 |
| 1) 基于单通道视频帧间连续性的检测技术。 |
| 2) 基于多通道视频帧间连续性的检测技术。 |
| 11.3.3 深伪检测公开数据库 |
| 12 生物识别挑战问题和发展思路 |
| 12.1 生物识别的三大挑战问题 |
| 12.2 生物识别的发展思路 |
| 12.2.1 如何可感?——All-In-Focus的生物特征高通量计算成像系统 |
| 12.2.2 如何可知?——Face 2.0精准身份识别 |
| 12.2.3 如何可信?——生物识别安全防御进化智能SecureID |
| 13 总结与展望 |
（5）基于荧光光谱的茶藻斑病病害程度判别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 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 国内外研究现状 |
| 1.2.1 PCR检测在植物病害识别中的研究现状 |
| 1.2.2 机器学习在植物病害识别中的研究现状 |
| 1.2.3 光谱检测技术在植物病害识别中的研究现状 |
| 1.2.4 国内外研究总结 |
| 1.3 研究内容和技术方案 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第二章 叶绿素荧光光谱理论基础与方法 |
| 2.1 荧光光谱技术 |
| 2.1.1 荧光的产生原理 |
| 2.1.2 影响荧光生成的因素 |
| 2.2 植物叶绿素荧光 |
| 2.3 叶绿素荧光分析方法 |
| 2.3.1 荧光动力学曲线分析 |
| 2.3.2 荧光光谱分析法 |
| 2.4 荧光光谱分析仪器 |
| 2.5 荧光数据分析与建模方法 |
| 2.5.1 光谱预处理方法 |
| 2.5.2 支持向量机分类建模 |
| 2.5.3 偏最小二乘回归建模 |
| 2.5.4 模型评价指标 |
| 2.6 本章小结 |
| 第三章 茶叶叶片PCR实验及叶绿素含量分析研究 |
| 引言 |
| 3.1 实验样品与仪器 |
| 3.1.1 实验样品 |
| 3.1.2 实验仪器 |
| 3.2 茶叶叶片PCR测试 |
| 3.2.1 茶叶叶片PCR测试原理 |
| 3.2.2 PCR测试材料与前处理 |
| 3.2.3 形态学鉴定结果 |
| 3.2.4 藻斑病基因组DNA提取 |
| 3.2.5 PCR测试验证结果 |
| 3.3 茶叶叶片叶绿素含量分析 |
| 3.3.1 实验样品及仪器 |
| 3.3.2 叶绿素含量检测原理 |
| 3.3.3 叶片叶绿素含量与茶叶藻斑病的相关关系分析 |
| 3.4 茶叶叶片叶绿素含量分布规律分析 |
| 3.4.1 叶片叶绿素含量分析 |
| 3.4.2 叶绿素含量分布规律分析 |
| 3.5 本章小结 |
| 第四章 基于荧光光谱的茶叶藻斑病定性模型研究 |
| 引言 |
| 4.1 实验样品与仪器 |
| 4.1.1 实验样品 |
| 4.1.2 实验仪器 |
| 4.2 茶叶叶片荧光光谱采集与特征光谱分析 |
| 4.2.1 茶叶叶片的荧光光谱采集 |
| 4.2.2 茶叶叶片荧光光谱特征分析 |
| 4.3 茶叶叶片光谱变量降维及特征筛选 |
| 4.3.1 光谱变量降维 |
| 4.3.2 连续投影算法 |
| 4.4 基于光谱特征的茶叶叶片判别模型建立与预测 |
| 4.4.1 基于荧光光谱的叶片藻斑病偏最小二乘判别模型研究 |
| 4.4.2 基于荧光光谱的叶片藻斑病支持向量机判别模型研究 |
| 4.5 定性判别模型的对比分析 |
| 4.6 本章小结 |
| 第五章 基于荧光光谱的茶叶叶片叶绿素含量定量模型研究 |
| 引言 |
| 5.1 实验样品与仪器 |
| 5.1.1 实验样品 |
| 5.1.2 实验仪器 |
| 5.2 不同激发光源叶绿素含量模型研究 |
| 5.2.1 不同激发光源下的荧光数据获取 |
| 5.2.2 不同激发光源的叶绿素荧光光谱分析 |
| 5.2.3 不同激发光源的茶叶叶片光谱定量模型研究 |
| 5.3 不同角度激发叶绿素荧光定量模型研究 |
| 5.3.1 不同激发角度的荧光数据获取 |
| 5.3.2 不同激发角度的叶绿素荧光光谱分析 |
| 5.3.3 不同激发角度的茶叶叶片光谱定量模型研究 |
| 5.4 最佳茶叶叶片叶绿素含量定量模型研究 |
| 5.4.1 光谱数据预处理 |
| 5.4.2 光谱变量压缩及变量筛选对模型的影响研究 |
| 5.4.3 模型评价及验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 本文主要创新点 |
| 6.3 进一步研究展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）基于深度学习和多信息融合的GIS特高频局部放电类型识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GIS局部放电检测技术研究现状 |
| 1.2.2 GIS局部放电模式识别研究现状 |
| 1.3 目前存在的问题 |
| 1.4 本文的主要工作 |
| 第2章 基于特高频法的GIS绝缘缺陷局放实验 |
| 2.1 GIS局部放电实验数据采集 |
| 2.1.1 局部放电实验系统 |
| 2.1.2 GIS局部放电缺陷模型 |
| 2.2 实验操作方法及步骤 |
| 2.3 GIS局部放电实验样本采集 |
| 2.4 本章小结 |
| 第3章 基于迁移学习的局部放电类型识别研究 |
| 3.1 特高频局部放电数据的特征构造 |
| 3.2 基于迁移学习的局部放电模式识别方法 |
| 3.2.1 卷积神经网络的结构 |
| 3.2.2 基于迁移学习的局部放电模式识别 |
| 3.3 实验结果与分析 |
| 3.3.1 不同网络模型的识别结果 |
| 3.3.2 迁移学习特征参数与统计特征参数识别效果对比 |
| 3.4 本章小结 |
| 第4章 基于多信息融合的局部放电类型识别研究 |
| 4.1 基于多信息融合的局部放电模式识别方法 |
| 4.1.1 卷积神经网络结构设计 |
| 4.1.2 局部放电多信息融合类型识别策略 |
| 4.2 实验结果与分析 |
| 4.2.1 不同特征参量的识别效果 |
| 4.2.2 多模型分类结果加权融合后的识别效果 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 进一步研究工作的展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（7）分布式光纤振动传感系统信号提取和模式识别方法研究（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 相位敏感光时域反射系统概述 |
| 1.3 相位解调算法研究现状 |
| 1.4 DVS系统去噪算法研究现状 |
| 1.5 DVS系统模式识别研究现状 |
| 1.6 本文研究内容 |
| 第二章 Φ-OTDR系统工作原理分析 |
| 2.1 光纤瑞利散射 |
| 2.2 Φ-OTDR工作原理 |
| 2.3 相干探测型Φ-OTDR系统结构 |
| 2.4 Φ-OTDR系统中的主要噪声 |
| 2.4.1 偏振衰落噪声 |
| 2.4.2 相干衰落噪声 |
| 2.5 本章小结 |
| 第三章 正交(I/Q)相位解调 |
| 3.1 正交相位解调原理 |
| 3.2 相位值域扩展及解卷绕算法 |
| 3.3 相干探测型Φ-OTDR系统相位解调实验 |
| 3.3.1 振动定位 |
| 3.3.2 相位解调 |
| 3.4 本章小结 |
| 第四章 信号去噪方法研究 |
| 4.1 EMD信号去噪研究 |
| 4.1.1 EMD原理 |
| 4.1.2 EMD信号去噪设计及分析 |
| 4.2 CEEMD去噪研究 |
| 4.3 MEEMD去噪研究 |
| 4.3.1 排列熵及其去噪阈值分析 |
| 4.3.2 去噪分析 |
| 4.4 VMD去噪研究 |
| 4.4.1 VMD原理 |
| 4.4.2 VMD分解层数确定及去噪分析 |
| 4.5 四种去噪算法对比分析 |
| 4.6 本章小结 |
| 第五章 模式识别方法研究 |
| 5.1 输入数据形式及输出类别设定 |
| 5.2 机器学习和深度学习 |
| 5.3 一维CNN分类模型设计 |
| 5.3.1 卷积提取特征 |
| 5.3.2 池化降维 |
| 5.3.3 分类模型搭建 |
| 5.4 LSTM分类模型设计 |
| 5.4.1 LSTM时序信号分析 |
| 5.4.2 分类模型搭建 |
| 5.5 Wavenet分类模型设计 |
| 5.5.1 Wavenet时序信号分析 |
| 5.5.2 分类模型搭建 |
| 5.6 三种网络模型分析对比 |
| 5.7 本章小结 |
| 第六章 多振动信号准确提取和模式识别实验 |
| 6.1 实验系统 |
| 6.2 多种类振动信号数据准确提取 |
| 6.3 多种类振动信号模式识别 |
| 6.3.1 制作数据集 |
| 6.3.2 模型训练及测试结果 |
| 6.3.2.1 准确率对比 |
| 6.3.2.2 效率对比 |
| 6.4 本章小结 |
| 第七章 结论 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（8）基于图像光谱特征的纸币新旧识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 纸币业务需求层面 |
| 1.1.2 国家标准和规范层面 |
| 1.1.3 技术难点层面 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外技术路线分析 |
| 1.3 论文研究内容安排 |
| 第2章 纸币数字图像处理平台架构的实现 |
| 2.1 纸币数字图像处理平台架构 |
| 2.1.1 纸币图像采集系统整体框架 |
| 2.1.2 系统内部模块设计 |
| 2.2 CIS图像采集校正算法 |
| 2.2.1 CIS图像传感器物理特性 |
| 2.2.2 CIS图像传感器像素校正 |
| 2.2.3 CIS图像传感器漂移校正 |
| 2.2.4 实验与分析 |
| 2.3 纸币图像预处理算法 |
| 2.3.1 纸币图像边缘检测 |
| 2.3.2 纸币图像仿射变换 |
| 2.3.3 实验与分析 |
| 2.4 纸币面值面向识别算法 |
| 2.4.1 纸币特征提取 |
| 2.4.2 构建纸币图像模板 |
| 2.4.3 模板匹配识别纸币面值面向 |
| 2.4.4 实验与分析 |
| 2.5 本章小结 |
| 第3章 基于GLCM的纸币图像光谱分析及纹理特征提取 |
| 3.1 相关研究 |
| 3.2 纸币图像数据准备 |
| 3.3 基于灰度共生矩阵的纸币图像纹理特征提取 |
| 3.3.1 数字图像处理 |
| 3.3.2 纸币图像纹理特征提取 |
| 3.3.3 纸币图像纹理特征时间复杂性分析 |
| 3.3.4 纸币图像纹理特征数据集 |
| 3.4 纸币图像纹理特征分析 |
| 3.5 本章小结 |
| 第4章 基于图像纹理特征的WOA-MLSVMs纸币新旧识别方法 |
| 4.1 相关研究 |
| 4.2 基于纸币图像纹理特征的MLSVMs脏污度识别 |
| 4.2.1 支持向量机 |
| 4.2.2 基于纸币图像纹理特征的MLSVMs脏污度识别 |
| 4.3 本质维数估计及高维特征数据降维 |
| 4.3.1 本质维数估计 |
| 4.3.2 高维特征数据降维 |
| 4.4 基于鲸鱼优化算法的纸币脏污度MLSVMs识别方法 |
| 4.4.1 鲸鱼优化算法 |
| 4.4.2 纸币脏污度WOA-MLSVMs识别方法 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网的多光谱纸币新旧识别算法 |
| 5.1 相关研究 |
| 5.2 卷积神经网算法 |
| 5.2.1 神经元模型介绍 |
| 5.2.2 卷积神经网络基本结构 |
| 5.2.3 卷积神经网络的训练过程 |
| 5.3 纸币新旧识别卷积神经网 |
| 5.3.1 构建卷积神经网 |
| 5.3.2 训练卷积神经网络 |
| 5.4 实验与分析 |
| 5.5 本章小结 |
| 第6章 基于高斯置信度的多光谱纸币脏污检测算法 |
| 6.1 相关研究 |
| 6.2 纸币脏污特征提取方法 |
| 6.2.1 高斯置信度算法介绍 |
| 6.2.2 特征图像建模 |
| 6.2.3 实验与分析 |
| 6.3 纸币脏污轮廓检测方法 |
| 6.3.1 边界跟踪的图像拓扑结构分析算法 |
| 6.3.2 实验与分析 |
| 6.4 本章小结 |
| 第7章 结束语 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读学位期间发表的学术论文与研究成果 |
（9）时变滤波算法研究及其在通信信号识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时变滤波研究现状 |
| 1.2.2 通信信号识别技术研究现状 |
| 1.3 本文主要内容及章节安排 |
| 第2章 通信信号识别理论基础 |
| 2.1 通信信号调制原理 |
| 2.2 调制识别相关基础理论 |
| 2.3 通信信号时频特征提取 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 改进Wigner-Ville分布 |
| 2.4 卷积神经网络相关理论 |
| 2.4.1 卷积神经网络基本结构 |
| 2.4.2 卷积神经网络训练过程 |
| 2.4.3 卷积神经网络特性 |
| 2.4.4 常用的激活函数 |
| 2.5 本章小结 |
| 第3章 通信信号时变滤波算法研究 |
| 3.1 基于时变频率提取的时变滤波算法 |
| 3.1.1 基于时变频率提取的时变滤波基本原理 |
| 3.1.2 基于相关熵理论的滤波迭代次数分析 |
| 3.1.3 FSK信号时变滤波效果分析 |
| 3.2 基于时变频率掩码的时变滤波算法 |
| 3.2.1 基于时变频率掩码的时变滤波算法基本原理 |
| 3.2.2 三种常见通信信号时变滤波效果分析 |
| 3.3 本章小结 |
| 第4章 时变滤波算法在通信信号识别中的应用 |
| 4.1 通信信号识别总体流程 |
| 4.2 预处理 |
| 4.2.1 归一化处理 |
| 4.2.2 时频灰度特征图像生成 |
| 4.2.3 数据集生成 |
| 4.3 基于卷积神经网络的信号识别分类器设计 |
| 4.3.1 卷积神经网络模型结构设计 |
| 4.3.2 卷积神经网络模型训练与评估 |
| 4.4 基于卷积神经网络的调制识别分类器测试结果 |
| 4.4.1 FSK信号类内识别测试结果及分析 |
| 4.4.2 时变滤波对FSK信号类内识别性能影响仿真及分析 |
| 4.4.3 三种典型通信信号类间识别测试结果及分析 |
| 4.4.4 时变滤波对通信信号类间识别性能影响仿真及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文主要工作及总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（10）基于无人机航拍图像的植物种类智能识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 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 |
| 1.2 国内外研究进展 |
| 1.2.1 无人机技术 |
| 1.2.2 图像识别 |
| 1.2.3 植物识别 |
| 1.2.4 实例分割的概述 |
| 1.3 研究思路 |
| 1.4 主要创新点 |
| 1.5 研究目标及内容 |
| 1.5.1 研究目标 |
| 1.5.2 研究内容 |
| 1.6 技术路线 |
| 2 基于无人机航拍图像植物智能识别的研究方法 |
| 2.1 概述 |
| 2.2 精度评价指标 |
| 2.3 数据获取与处理 |
| 2.3.1 研究区域概况 |
| 2.3.2 无人机航拍图像数据的获取与处理 |
| 2.3.3 数据集的制作 |
| 2.4 基于航拍图像的植物智能识别模型研究 |
| 2.4.1 模型方法 |
| 2.4.2 实验方案 |
| 2.4.3 航拍正射影像下植物树冠的实例分割研究 |
| 3 实验结果及分析 |
| 3.1 实验结果 |
| 3.2 结果分析 |
| 3.2.1 不同结构的模型识别结果分析 |
| 3.2.2 单类别植物识别结果分析 |
| 3.2.3 不同实验区域的识别结果分析 |
| 4 讨论与结论 |
| 4.1 讨论 |
| 4.2 结论 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录A |
| 附录B (攻读学位期间的主要学术成果) |
| 致谢 |
四、光学神经网络研究及其在模式识别中的应用（论文参考文献）
- [1]农作物病虫害识别关键技术研究综述[J]. 翟肇裕,曹益飞,徐焕良,袁培森,王浩云. 农业机械学报, 2021(07)
- [2]人工智能在局部放电检测中的应用（二）：模式识别与状态评估[J]. 范路,陆云才,陶风波,尹毅. 绝缘材料, 2021(07)
- [3]基于高光特征的表面粗糙程度检测及其应用[D]. 张柏行. 广西大学, 2021(12)
- [4]生物特征识别学科发展报告[J]. 孙哲南,赫然,王亮,阚美娜,冯建江,郑方,郑伟诗,左旺孟,康文雄,邓伟洪,张杰,韩琥,山世光,王云龙,茹一伟,朱宇豪,刘云帆,何勇. 中国图象图形学报, 2021(06)
- [5]基于荧光光谱的茶藻斑病病害程度判别方法研究[D]. 林晓东. 华东交通大学, 2021(01)
- [6]基于深度学习和多信息融合的GIS特高频局部放电类型识别研究[D]. 曹智. 华北电力大学(北京), 2021(01)
- [7]分布式光纤振动传感系统信号提取和模式识别方法研究[D]. 张耀鲁. 吉林大学, 2021(01)
- [8]基于图像光谱特征的纸币新旧识别关键技术研究[D]. 孙伟忠. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(01)
- [9]时变滤波算法研究及其在通信信号识别中的应用[D]. 魏久晰. 吉林大学, 2021(01)
- [10]基于无人机航拍图像的植物种类智能识别研究[D]. 刘炫麟. 中南林业科技大学, 2021(01)