一、A GLOBALLY CONVERGENT ALGORITHM FOR THE EUCLIDEAN MULTIPLICITY LOCATION PROBLEM（论文文献综述）
杨胜[1]（2021）在《多模态优化算法研究及应用》文中指出科学研究和实际应用中的许多问题可以转化为优化问题,而这些优化问题有一部分是多模态的,即在求解区域内同时具有多个全局最优解点.如何有效的一次性求出全部最优解点一直是多模态优化领域研究的热点问题。本文以多模态优化问题为主要研究对象,基于差分进化算法及小生境思想对多模态优化问题进行了深入地分析和研究,提出了两个求解多模态优化问题和一个求解约束多模态优化问题的有效算法.主要研究工作有以下几个方面.（1）针对传统小生境差分进化算法在解决多模态优化问题上的不足,提出了基于最近更好聚类邻域变异差分进化算法.该算法基于邻域变异思想,并结合小生境技术求解多模态优化问题,它能够实现邻域范围大小的自适应调节,进而提高种群的多样性,提高算法的探索和维持多个最优解点的能力.（2）提出了基于邻域低密度个体差分进化算法.该算法在每一代,首先使用密度峰值聚类的方法求得每一个个体的密度,然后,将当前个体邻域范围内密度更低的个体作为变异算子的基向量,随着种群的进化,算法将会自动从探索阶段转化为收敛阶段,进而平衡算法的探索与收敛能力.保证了算法具有收敛速度快、精度高的优点.（3）为了求解带约束的多模态优化问题,提出了一种改进算法,对本文提出的两种算法进行改进,得到了求解约束多模态优化问题的两种改进算法.数值模拟结果表明改进的两种算法在求解约束多模态优化问题时是可行且有效的.（4）对本文提出的各种算法,编制了数值计算程序,通过对测试函数、实际应用中的非线性方程组求解和超越方程求根进行数值模拟计算,结果表明本文算法在一定程度上优于其它算法,且具有通用性强、计算效率高的特点.
丁颖[2]（2021）在《低偏差无线定位算法设计与硬件加速》文中研究指明无线定位技术的发展伴随着不断优化定位算法提高定位精度的历程。经典算法的设计对定位场景设定了很多理想化的假设。实际的定位场景中存在普遍的障碍物、人群的活动以及非理想的信道环境,造成一系列的干扰误差。若这些干扰误差没有通过优化定位算法得到相应的处理,就会严重影响定位精度。衡量定位精度的主要指标之一是定位偏差。因此,本文主要研究低偏差无线定位算法的设计与实现。本文首先对定位系统中定位算法误差进行理论分析,为后文低偏差定位算法的设计提供理论依据。理论分析表明,定位算法误差可分为迭代类算法误差和闭式类算法误差。收敛门限和迭代初始值的精度决定了迭代类算法误差;闭式类算法误差则来源于对非线性观测模型进行了过于简单的线性化。常用的伪线性模型忽略了观测误差向量之间的相关性以及高次误差项,导致了较大的定位偏差。本文研究了椭圆定位和双曲线定位的低偏差算法,分别减小高次误差项和观测误差之间的相关性引起的定位偏差。基于对定位算法误差中伪线性观测模型偏差的分析,本文首先提出了一种基于半定规划（Semidefinite Programming,SDP）的低偏差椭圆定位算法。在椭圆定位模型中,将位置估计问题转化为负对数似然（Negative Log-likelihood,NLL）函数最小化问题,并将其转化为具有多个二次等式/不等式约束的二次规划问题。通过等价变换以及将非凸的秩1约束进行松弛,将具有多个二次等式/不等式约束的二次规划问题转化为半定规划问题并计算得出最终的定位解。该方案从原始的似然函数出发,在非线性观测模型与伪线性观测模型间取得了一个平衡。既避免了对非线性观测模型的迭代求解,又因无需线性化,规避了因忽略高次误差项引起的伪线性观测模型偏差,同时保证了定位精度与定位算法的计算效率。本文中不仅给出了算法详细推导过程,并通过蒙特卡洛仿真实验分析对比了在不同噪声水平下目标位置的估计性能。仿真实验表明,在不同的噪声水平下,该算法无需进行后处理,近似给出了目标位置的最小方差无偏估计。区别于上述算法对伪线性观测模型的规避使用,本文接下来提出了基于约束总体最小二乘（Constrained Total Least Squares,CTLS）的低偏差双曲线定位算法。在该算法中,首先给出双曲线定位问题的伪线性观测模型。根据伪线性观测模型偏差分析,考虑二次误差项以及观测误差之间的相关性,给出了基于CTLS估计理论下的定位模型,并通过牛顿迭代法得到定位问题的迭代解。接下来,同样考虑了二次误差项以及观测误差之间的相关性,并为了在一般的观测误差模型下保持位置参量的估计性能,提出了基于广义总体最小二乘（Generalized Total Least Squares,GTLS）估计理论下的定位模型。通过矩阵分解与矩阵变换得到定位问题闭式解,计算简便,且避免了矩阵开方与求逆,数值稳定性强。仿真实验表明,在不同的噪声水平下,CTLS估计量与GTLS估计量均近似达到了最优的统计性能,有效降低了因忽略观测误差向量之间的相关性以及二次误差项而引入的定位偏差。在设计基于GTLS的低偏差定位算法时,通过矩阵变换与分解等方法,避免了对定位问题的迭代求解,保证了算法的收敛性,但同时也引入了求解过程中的计算瓶颈:奇异值分解（Singular Value Decomposition,SVD）。因此,本文的最后对奇异值分解在FPGA异构平台上实现硬件加速,完成了奇异值分解的并行化算法在硬件平台上的加速实现。实验结果表明,本文所提出的奇异值分解加速方案消耗硬件资源较少,计算误差在允许范围内,且与奇异值分解在MATLAB上的计算时间相比较,计算时间显着降低,加速效果明显。
柴睿[3]（2021）在《直流配电网优化重构及故障自愈算法研究》文中研究指明直流配电网效率高、电能质量好,可更方便、经济地接入新能源分布式发电,成为未来解决城市配电系统供电能力不足、提升电能质量的新方案,但由于直流配电网中可变负荷功率波动大,当换流器功率传输裕度较小时,换流器传输功率易达限值,失去对潮流变化的响应能力,且需对直流配电网运行时及故障发生后的网络进行优化,以期实现对电能的高效利用。论文通过将换流器自适应下垂系数、网络损耗、节点电压偏移作为寻优目标,对直流配电网静态网架结构与切除故障线路后的系统进行重构优化,主要的研究内容如下:（1）分析了目前比较常见的几种直流配电网拓扑结构和接线方式的优缺点,明确在直流配电网中适用的拓扑及接线方式,并对直流系统中常见的设备如电压源控制型换流器、DC-DC直流变压器常见类型及常用拓扑作了阐述,进一步对照得出采用不同类型拓扑对于直流配电网运行的影响。（2）研究了直流配电网的潮流计算模型,包括采用下垂控制时的VSC换流器潮流模型、DC-DC直流变压器模型以及直流配电网中的节点类型,进而采用修改后的牛顿拉夫逊算法,结合换流器的准确损耗模型对直流配电网进行潮流计算,求得节点电压,网络损耗等指标作为后文优化的基础。（3）通过研究得出表征换流器功率传输裕度的自适应下垂系数,结合直流系统各节点电压、网络损耗,利用隶属函数模糊化的方法,借助欧氏距离将三者整合,在满足约束的条件下利用二进制粒子群算法求解直流配电网静态条件下的最优网架拓扑,通过修改的IEEE33节点直流系统验证了所提方法能够求得上述三个指标综合最优时的网络拓扑。（4）基于第四章所提优化算法,在分析了直流配电网常见故障类型及其故障特征基础上,结合相应的直流配电网保护原理要求,对故障发生后的直流系统进行处理,并对切除故障后的直流配电系统按照分级式的响应进行恢复重构,最终实现在恢复尽量多负荷且开关次数尽量少的目标下优化运行,通过对修改后的IEEE33节点直流系统不同情况下的故障恢复重构验证了所提自愈恢复策略的有效性。
何波[4]（2021）在《求解Minimax问题的异步水平束方法》文中研究表明非光滑优化问题是一类应用背景广泛,理论研究深刻的优化问题.领域内的优化理论和数值算法在大数据,工程应用,社会服务等诸多领域有着广泛的应用,长期以来一直受到国内外学者的广泛关注.非光滑优化领域的优化理论和算法被广泛应用于机器学习、工程设计与优化、图像去噪、图像恢复、发电机组优化以及金融等领域.Minimax问题考虑目标函数为多个分量函数极大化的情形,具有分解式的特殊结构以及非光滑的特性,此类问题产生于最优控制、环境保护与能源利用等众多领域.一些经典的非光滑优化算法自然地适用于求解此类问题.由于此类问题具有极大极小和分解式的特殊问题结构,利用其特殊的分解式结构设计合理高效的优化算法同样是研究此类问题的一个重要方向.本学位论文针对一类结构特殊的非光滑问题,即Minimax问题,提出了两种异步类型的水平束方法首先,为求解带约束的Minimax问题建立了异步水平束方法.在经典的水平束方法的基础上,基于Minimax问题分解式的特殊结构,算法的每次迭代只需借助某个分量函数延迟的一阶信息便能建立对目标函数的线性化下近似.因此引入异步策略,使得算法在迭代的过程中有效的避免不同分量函数在计算一阶信息时的延迟和等待,一定程度上提高算法的计算效率;证明算法的一些基本性质以及异步迭代策略的合理性,并在此基础上建立了算法的全局收敛性结论.其次,为求解带约束的Minimax问题,建立了基于定位器技术的协调异步水平束方法.上述的异步水平束方法在迭代过程中,在每个迭代点处利用某个分量函数的线性化模型近似目标函数,不能够很好的近似目标函数,导致算法本身具有一定的不稳定性.通过引入协调步策略,使得算法在一定条件下产生协调步,在协调步处,我们能够得到关于目标函数完整的近似信息,从而有效地平衡由于异步迭代造成的算法的不稳定性.我们进一步地考虑用非欧距离代替欧式距离,一方面能够合理地利用可行集的结构,另一方面,在算法中引入关于水平集的定位器序列,能够有效的调整和控制子问题约束的数量,降低子问题的求解难度;证明了算法的相关性质并建立了算法的全局收敛性结论.最后,利用Python编程实现本文建立的异步算法,并完成了一些初步的数值试验.数值结果表明异步迭代策略的有效性.
万莹莹[5]（2021）在《基于图卷积网络的半监督图分类研究》文中进行了进一步梳理图作为一种无处不在的数据结构,因其强大的表示能力,广泛存在于社交网络、推荐系统、生物化学和金融系统等领域中。由于这些图数据中往往存储着很多有价值的信息,不少学者进行图数据研究以探索数据中的重要信息,其中节点分类是图数据研究中的一项热门任务。例如,在蛋白质分子网络中,通过分析蛋白质网络的相互关系进行分类学习,从而得到蛋白质的相关性质。这不仅有利于理解蛋白质的特性,而且对生物制药,农林科技等领域同样具有指导意义。然而,现如今数据以几何速度增长,数据中存在着大量未标记的节点,采用有监督学习较为困难。早期利用专家的先验知识进行人工数据标记,但标记大量数据的代价较大,并且费时费力,因此学者们提出了半监督学习。不同于监督学习和无监督学习,半监督学习在保证模型良好的泛化能力的基础上解决了标记数据大量缺少的问题,同时提升了人工标记的效率和模型学习性能。如何利用现有的半监督分类学习模型对图网络中的未标记节点进行分类预测成为热点话题。随着深度学习的快速发展,图卷积网络成为处理图上不规则结构数据的有力工具,在节点分类等图表示学习任务上取得了令人满意的效果。本文通过对已有的图卷积网络算法和半监督学习算法进行分析发现,在半监督图卷积网络中,图结构用于指导图卷积运算。在图结构不准确甚至是不可用的情况下,可以从数据中推断或学习图结构用于指导后续的卷积操作。但是现有的研究常基于简单距离度量来构造图结构（例如k-近邻图）,简单的图结构不一定能充分挖掘节点之间的相似关系导致节点分类任务性能较差。因此,本文将针对现有图卷积网络模型在图结构上存在的问题,基于自适应图学习,低秩学习、稀疏学习和多视图学习提出两种生成高质量图结构的方法,并用于图卷积网络作半监督分类。主要内容如下:（1）基于超图的半监督学习图卷积网络。现有的图卷积网络大多忽略图结构的质量,从而导致分类性能不理想。针对这个问题,本文提出一种新的图学习方法来输出高质量的图结构。首先,采用自适应图学习获取数据内在的低层相关性,并从超图中学习更有价值的高层相关性。然后,将稀疏学习和低秩约束分别与图学习相结合,去除冗余信息。最后得到一个紧凑的图结构以促进图卷积网络的信息聚合。实验结果表明,本文提出的图学习方法能够显着提高图卷积网络的半监督分类性能。（2）基于多视图学习的图卷积网络半监督分类。一般情况下,图卷积网络仅利用单一视图来指导图卷积运算,但单视图只考虑视图内的结构信息,而没有充分利用到不同视图间的相关信息。针对这个问题,本文提出一种基于多视图学习的图卷积网络半监督分类方法。首先,采用多视图学习,同时结合低秩约束降低数据的冗余信息带来的影响,从多视图数据中学习一个共享的高质量图结构,最后将该图结构输入到图卷积网络作半监督分类。实验结果表明,本文提出的多视图学习方法在图卷积网络的半监督分类任务上优于其它对比方法。针对现有的图卷积网络大多忽略图结构质量这个问题,本文对图学习方法进行了改进,并将半监督分类算法作为实验的评估途径。实验结果表明本文提出的图学习方法在图卷积网络的半监督分类性能上优于选取的对比方法。在未来的工作中,将考虑探索如何动态地进行图学习,同时将图卷积集成到一个统一的框架中进行学习,从而获得更优的图结构。此外,还将探索不同多图融合的方法对半监督图卷积网络模型中图结构质量的影响。
李海啸[6]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中研究指明随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
胡文波[7]（2021）在《流形上的子空间聚类算法及应用》文中研究说明聚类分析作为数据挖掘和模式识别等领域的重要工具,一直以来都是非常热门的研究话题之一,并得到了非常广泛的应用。但是,随着应用环境的不断变化,特别是进入“大数据”时代,数据规模的庞大性和结构的复杂性对聚类分析提出了越来越严峻的挑战,特别是数据的高维度越来越普遍,包括各种图像数据、生物基因表达数据、搜索引擎数据等的维度往往高达上万维。传统聚类算法通常是针对低维度数据设计开发的,在进行高维数据的分析处理时通常会遇到严重瓶颈,无法满足高维数据的稀疏性以及避免“维数灾难”的影响。如何设计开发高维数据聚类算法,满足日益增长的需求,正成为数据挖掘和模式识别领域的重要研究课题。高维非线性数据的表示是困扰聚类任务的一个难题。现有的聚类算法尽管可以通过凸松弛来缓解这个问题,但毫无疑问这不是原始问题的最优解。近年来,流形学习理论揭示了图像视频等数据具有潜在的非线性低维流形结构,从而成为图像视频等高维数据的处理和表示提供了有效的理论和技术工具。本文在基于自表示的子空间聚类的基础上,通过结合数据的流形表示和子空间聚类的方法,在符合数据内在结构的流形空间上进行聚类,探索数据的流形表示和子空间聚类更优的结合方案以及合适的应用场景,构造新的子空间自表示聚类模型,并给出相应的优化求解方法。本文的主要工作概括如下:（1）提出了一种利用多阶统计特征的子空间聚类表示模型。对于无监督的任务,充分利用先验信息非常重要。基于此,我们使用多阶统计特征从不同视角对数据集进行特征描述提出了多几何稀疏子空间聚类算法（MGSSC）。从其在人脸,物体,纹理等数据集上的实验结果可以看出我们提出的方案是可行和有效的。（2）提出了一种在SPD流形上基于低秩核子空间聚类表示模型。实验发现,构造样本的协方差矩阵作为样本的二阶特征能够获得较优的聚类结果。这是因为高维图像数据的SPD流形表示具有捕获数据非线性流形结构固有分布特征的能力。然而,仅仅将流形数据映射到能够使用欧氏方法的特征空间可能无法让流形数据在高维特征空间形成线性的子空间结构。基于此,我们使用SPD流形作为图像样本的流形表示,首先提出了一种基于SPD流形表示的低秩核子空间聚类算法。此外,基于核方法的聚类,其聚类表现很大程度上取决于核函数的选择,而对于无监督的聚类问题无法获得充足的先验信息选择合适的核函数。因此,我们进一步将多核学习能力结合起来,进一步的拓展了我们的模型。大量的实验表明,本章所提出的模型与现有的模型相比具有优越性。（3）提出了一种在Grassmann流形上的低秩核子空间聚类表示模型。欧氏距离这种线性的度量方法不适用于图像视频等具有复杂非线性结构的高维数据。基于此,我们利用基于正交子空间的流形表示方法将图像集、视频数据建模到Grassmann流形上,通过使用核方法将Grassmann流形数据映射到再生核希尔伯特空间中,并且对这个过程施加了低秩约束,以期望能够在高维特征空间中形成线性的子空间结构。并且我们将相似度矩阵计算和后续谱聚类过程融合到同一个模型当中。此外,在本章中,我们提出了一个新的JN-art style图像集数据集,包含了中外15位画家的共300幅画作。在多个图像集以及视频数据集上的实验结果可以看出我们提出的方案是可行的,并且获得了很好的聚类效果。（4）提出了一种针对行为识别视频数据的多流形子空间聚类表示模型。针对视频数据,尤其是行为数据集,时序信息可能会对聚类效果有所帮助。此外,不同的行为视频所对应的声音信息往往也很有鉴别性。基于此,我们在利用原始视频数据中的图像信息为基础,通过利用提取视频的光流特征以及视频对应的声音信息,并建模到流形空间中,提出了一种新的多流形子空间聚类表示模型。通过研究多流形表示间的差异,实现多个流行表示的互补性,以此增强该模型对于视频数据的聚类性能。
杜恒晨[8]（2021）在《基于三维图像的人体姿态识别研究》文中提出随着RGB-D三维视频采集设备的日益普及,针对RGB-D视频的计算机视觉任务的研究越来越受到重视。相比于传统的RGB视频,增加的深度信息可以有效恢复场景的纵深信息,从而提升后续识别任务的精度。在此背景下,本文主要对RGB-D视频的人体姿态识别进行研究,利用深度神经网络进行三维关节点识别,并利用识别出的关节点数据进行后续动作分类,并在车内场景中验证所提算法的可行性,将算法与实际需求相结合。以下是本文的主要研究内容和贡献:第一,构建了一套车内的RGB-D姿态数据集,利用RGB-D摄像头和可穿戴惯性传感器采集数据。该数据集包含RGB视频、深度图像以及驾驶员三维关节点信息;并提出了一种时空同步方法,利用特定信号对齐和摄像机投影回归将多个数据流进行时间、空间对齐;通过特定人工标注帧的标注结果拟合实现大规模数据自动标注,减少人工工作量,为后续的姿态估计和动作识别提供可靠的车内场景数据。第二,设计了一种基于RGB-D数据的人体姿态估计算法模型。整个算法分为相对姿态估计和绝对姿态估计。相较于只使用2D姿态回归3D姿态的一些相对姿态估计算法,本文额外使用深度图像以弥补RGB图像的深度缺失。首先将典型2D姿态估计算法的结果和深度图像特征作为输入,结合空间注意力机制对深度图像特征提取,用深度特征和2D姿态回归出人体相对3D姿态;绝对姿态估计使用深度图像进行特征提取,检测出人体的根节点位置,结合相对姿态的估计结果即可得到人体的绝对姿态。在Human3.6M数据集上对算法性能进行测试,并与只用2D姿态的基线算法进行了对比。实验结果表明,提出的人体姿态估计算法能够有效减少平均关节点误差和根节点定位误差。第三,提出了一种基于三维骨骼序列信息的多尺度共现特征动作识别算法。目前学术界许多用于动作识别的图卷积模型将重点放在空间特征的学习上。提出的算法模型引入多尺度时域特征,采用多尺度时域卷积核提升模型对于时域特征信息的学习能力,从而使模型能够对不同持续时间的动作进行更好的识别;该算法使用图卷积模块学习人体拓扑关系特征,利用卷积的特性以及注意力机制学习非直连关节点的相关性,使空间特征的学习不受限于人体结构。实验结果表明该模型在NTU-RGB-D和Kinetics数据集的实验性能均超过了基线模型,并能够在车内数据集中对异常驾驶行为有效识别。
尤越[9]（2021）在《二维静态环境下路径规划算法研究》文中研究说明有关于移动机器人的研究一直是控制领域的热门问题,而路径规划算法对于移动机器人而言也尤为重要。本文主要对移动机器人在二维静态环境下的路径规划进行了研究,本文主要针对完善人工势场法和RRT算法的缺陷提出了三种优化算法。本文针对人工势场法面对大型凹形障碍物时极易产生局部极小点问题进行了讨论,本文引入了A*算法,将其和人工势场法组合起来,依据特定的切换方式在二者之间进行切换以满足不同的路径状态,以此来解决移动机器人在局部极小点震荡的问题,提高了路径规划的成功率,减少了路径规划所用的时间,缩短了路径距离。此外,本文还对RRT算法进行了改良,针对该算法随机性过大、路径冗长等问题,本文提出了黏菌生物模型的思想,在传统快速搜索随机树算法的基础上加入了黏菌生物模型的理念,加快了算法的收敛速度,降低了算法的随机性,缩短了路径距离。本文还对RRT的渐进最优性进行了研究,并提出了基于多次规划的路径重构RRT优化算法,将路径规划问题视为信息滤波问题,将数据通过贝叶斯滤波后进行数据处理,从而得到较优路径,优化路径结果,减小了生成路径的曲率,增加了路径平滑度。本文还对以上三种算法分别进行了正确性、完备性和复杂度分析,以此来保证以上三种算法在数学上的合理性,并将分析结果和原算法进行了对比,以此来说明改良后的算法更优。针对以上三种方案,本文均用MATLAB软件进行了路径仿真,并将仿真数据与原始算法和其他研究者提出的改进算法进行了对比,实验结果证明,本文提出的三种算法均有效且稳定。实验结果表明,本论文算法在减少运算时间、提高运算效率、缩短所得路径和提高路径质量方面均有效,以此说明了本论文研究的价值意义和实用性。
彭悦[10]（2021）在《几何优化的安德森加速方法研究》文中研究说明计算机图形学中问题需要在某些约束的前提下,计算模型的几何形状。这通常可以表达为包含全局耦合变量的非线性非凸优化问题。这类问题的求解困难,给交互式应用程序的开发带来了挑战。迭代求解器可以快速计算出这类问题的近似解,因此广泛应用于计算机图形学、计算机视觉、机器学习等领域。大部分问题中,需要对变量施加各类约束。约束的表达方式一般分为两类,一类是软约束,即在目标函数中加入对违反约束的惩罚项,得到一个最小二乘意义下的解,但不能保证所有约束条件都被满足;另一种方式则是引入硬约束,能够很好的保证约束条件满足用户需求,但是相比引入软约束,求解更为复杂。全局-局部求解器是一种用于求解包含软约束的优化问题的迭代方法。它的收敛速度极慢,很难在有限的时间内得到高精度解。为了加速这类算法的收敛性、提高解的精度,本文提出了一种简单有效的方法来加速该求解器的收敛。通过将局部-全局迭代视为不动点迭代,我们使用了一种用于不动点迭代的成熟技术——安德森加速,来加速该求解器的收敛。为了解决经典安德森加速的稳定性问题,本文提出了一种简单的策略来保证目标能量的单调下降,同时,由于目标能量有下界,从而能确保该算法收敛。由于全局-局部求解器自身的局限性,它无法求解包含硬约束的优化问题,因此阻碍了将该加速方法推广到更广泛、平凡的问题上。我们进一步研究了对于包含硬约束的几何处理问题的快速求解。交替方向乘子法是一种用于解决非光滑且具有严格约束的优化问题的优化方法。类似地,它和全局-局部求解器有相似的收敛性质——能够快速收敛到低精度解,但收敛到高精度解需要很长时间。我们观察到,交替方向乘子法的求解过程实际上也是一种不动点迭代,从而可以使用安德森加速来改善其收敛速度。通过调整应用于全局-局部求解器的能量下降策略,来保证了安德森加速在应用于交替方向乘子法时,也具有良好的稳定性。本文研究了如何将超弹性材料模拟与几何优化问题在统一的框架下表达,阐述了弹性体模拟同样可以采用上述加速方法进行加速。本文进一步分析了安德森加速和拟牛顿法之间的联系,通过利用前序迭代的信息,结合安德森加速的拟牛顿本质,可以推断下一个候选点。因此我们的方法还可以有效应用于其它具有相似结构的迭代算法。本文展示了将安德森加速应用于计算机图形学中的各种优化问题时,迭代器的优秀表现——相比其它的经典方法,由于它显着减少了计算出精确结果所需的迭代次数,且每次迭代的计算成本仅略有增加,所以其收敛速度有了显着提高。我们在各种几何优化和超弹性体模拟问题上进行了测试,全面评估了的我们方法的性能。它的简单性和有效性使其成为加速现有算法、设计高效新算法的有发展潜力的工具。
二、A GLOBALLY CONVERGENT ALGORITHM FOR THE EUCLIDEAN MULTIPLICITY LOCATION PROBLEM（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、A GLOBALLY CONVERGENT ALGORITHM FOR THE EUCLIDEAN MULTIPLICITY LOCATION PROBLEM（论文提纲范文）
（1）多模态优化算法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.3 研究内容与论文安排 |
| 2 预备知识 |
| 2.1 差分进化算法简介 |
| 2.2 基于邻域变异的差分进化算法 |
| 2.3 最近更好聚类 |
| 2.4 本章小结 |
| 3 最近更好聚类的邻域差分进化算法 |
| 3.1 最近更好聚类的邻域差分进化算法 |
| 3.2 多模态优化测试函数简介 |
| 3.3 数值实验 |
| 3.4 本章小结 |
| 4 邻域低密度个体差分进化算法 |
| 4.1 密度峰值聚类 |
| 4.2 邻域低密度个体差分进化算法 |
| 4.3 数值实验 |
| 4.4 本章小结 |
| 5 求解约束多模态问题的算法 |
| 5.1 算法改进 |
| 5.2 数值算例 |
| 5.3 实际问题 |
| 5.4 本章小结 |
| 6 实际应用 |
| 6.1 问题背景 |
| 6.2 非线性方程组求解 |
| 6.2.1 问题背景 |
| 6.2.2 数值算例 |
| 6.2.3 数值实验 |
| 6.2.4 实验结论 |
| 6.3 超越方程求根 |
| 6.3.1 问题背景 |
| 6.3.2 数值实验 |
| 6.3.3 数值算例 |
| 6.3.4 实验结论 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）低偏差无线定位算法设计与硬件加速（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 |
| 1.2.1 无线定位技术 |
| 1.2.2 低偏差无线定位算法 |
| 1.3 论文主要研究内容和论文结构 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 无线定位常用模型 |
| 2.2.1 双曲线定位模型 |
| 2.2.2 椭圆定位模型 |
| 2.3 定位性能评估 |
| 2.3.1 偏差、均方误差与均方根误差 |
| 2.3.2 克拉默-拉奥下界 |
| 2.4 定位算法偏差分析 |
| 2.4.1 定位算法误差 |
| 2.4.2 伪线性模型及其偏差分析 |
| 2.5 半定规划简介 |
| 2.6 约束总体最小二乘简介 |
| 2.6.1 最小二乘与总体最小二乘 |
| 2.6.2 约束总体最小二乘 |
| 2.7 奇异值分解与广义奇异值分解 |
| 2.7.1 奇异值分解 |
| 2.7.2 广义奇异值分解 |
| 2.8 小结 |
| 第三章 基于半定规划降低椭圆定位的偏差 |
| 3.1 引言 |
| 3.2 椭圆定位的正态估计模型及其性能界 |
| 3.2.1 椭圆定位的正态估计模型 |
| 3.2.2 性能界 |
| 3.3 最大似然估计量 |
| 3.4 半定松弛估计量 |
| 3.4.1 等价变换 |
| 3.4.2 半定松弛 |
| 3.5 仿真实验 |
| 3.5.1 仿真场景与参数的设置 |
| 3.5.2 目标基站测试点的选取 |
| 3.5.3 两个目标基站测试点的实验结果 |
| 3.6 小结 |
| 第四章 基于约束总体最小二乘降低双曲线定位的偏差 |
| 4.1 引言 |
| 4.2 双曲线定位模型及其伪线性化 |
| 4.2.1 双曲线定位模型 |
| 4.2.2 性能界 |
| 4.2.3 伪线性化 |
| 4.3 基于约束总体最小二乘的定位算法 |
| 4.3.1 约束总体最小二乘算法模型 |
| 4.3.2 基于牛顿迭代算法的求解 |
| 4.4 基于广义总体最小二乘的定位算法 |
| 4.4.1 广义总体最小二乘算法模型 |
| 4.4.2 估计模型求解推导 |
| 4.4.3 实现细节 |
| 4.5 仿真实验 |
| 4.5.1 仿真场景与参数的设置 |
| 4.5.2 不同算法近场/远场定位性能对比 |
| 4.6 小结 |
| 第五章 硬件加速 |
| 5.1 引言 |
| 5.2 单边Jacobi变换及SVD算法流程 |
| 5.2.1 单边Jacobi变换算法 |
| 5.2.2 基于单边Jacobi变换实现SVD的算法流程 |
| 5.3 奇异值分解算法的Xilinx HLS实现 |
| 5.4 基于UDP协议的PC端与FPGA端的通信实现 |
| 5.4.1 以太网数据包及UDP协议 |
| 5.4.2 FPGA端UDP协议的硬件设计 |
| 5.4.3 PC端UDP协议的驱动程序设计 |
| 5.5 整体架构实现 |
| 5.6 性能评估 |
| 5.7 小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A:关键符号与含义 |
| 附录 B:主要缩略词 |
| 附录 C:作者在攻读硕士学位期间发表的论文 |
（3）直流配电网优化重构及故障自愈算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 直流配电网目前研究现状 |
| 1.3 直流配电网优化重构国内外研究现状 |
| 1.4 直流配电网故障自愈国内外研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 直流配电网网架结构及常用设备类型 |
| 2.1 引言 |
| 2.2 直流配电网典型拓扑 |
| 2.3 电压源控制型换流器(VSC)常见类型 |
| 2.4 DC-DC直流变压器常用拓扑 |
| 2.5 光伏电源 |
| 2.6 负荷模型 |
| 2.7 本章小结 |
| 第3章 直流配电网潮流计算 |
| 3.1 引言 |
| 3.2 直流配电网潮流计算模型 |
| 3.2.1 采用下垂控制的电压源型换流器(VSC)潮流计算模型 |
| 3.2.2 DC-DC直流变压器潮流计算模型 |
| 3.2.3 直流配电网节点类型 |
| 3.3 直流配电网潮流计算方法 |
| 3.3.1 传统潮流计算方法 |
| 3.3.2 考虑换流器准确损耗模型计算潮流 |
| 3.4 直流配电网潮流计算过程及算例分析 |
| 3.5 本章小结 |
| 第4章 直流配电网优化重构 |
| 4.1 引言 |
| 4.2 直流配电网多目标重构数学模型构建 |
| 4.2.1 多优化目标选取 |
| 4.2.2 约束条件 |
| 4.2.3 优化目标模糊化处理 |
| 4.2.4 综合适应度 |
| 4.3 直流配电网多目标重构数学模型求解 |
| 4.3.1 二进制粒子群算法原理 |
| 4.3.2 直流配电网多目标优化求解过程 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 直流配电网故障自愈 |
| 5.1 引言 |
| 5.2 直流配电网常见故障类型及其特征 |
| 5.3 直流配电网故障定位保护方法 |
| 5.4 直流配电网故障自愈算法 |
| 5.4.1 故障恢复目标函数 |
| 5.4.2 约束条件 |
| 5.4.3 基于图论的直流配电网故障自愈算法 |
| 5.5 算例分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 修改的IEEE33节点系统参数 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）求解Minimax问题的异步水平束方法（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 |
| 1.3 本文研究内容与结构 |
| 第2章 理论基础 |
| 2.1 符号说明 |
| 2.2 基本定义 |
| 2.3 基本结论 |
| 2.4 水平束方法 |
| 2.5 本章小结 |
| 第3章 求解Minimax问题的异步水平束方法 |
| 3.1 算法设计 |
| 3.2 全局收敛性 |
| 3.3 本章小结 |
| 第4章 基于定位器的协调异步水平束方法 |
| 4.1 算法设计 |
| 4.2 收敛性分析 |
| 4.3 本章小结 |
| 第5章 数值试验 |
| 5.1 数值算例 |
| 5.2 参数设置 |
| 5.3 数值结果 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 6.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间概况 |
（5）基于图卷积网络的半监督图分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 节点分类 |
| 1.2.2 图卷积网络 |
| 1.3 组织框架 |
| 第二章 相关技术综述 |
| 2.1 分类问题 |
| 2.2 图论与图学习 |
| 2.2.1 图的基本概念 |
| 2.2.2 图的拉普拉斯矩阵 |
| 2.2.3 超图学习 |
| 2.3 基于图的半监督学习 |
| 2.4 多视图学习 |
| 2.5 卷积神经网络 |
| 2.6 图卷积网络 |
| 2.6.1 基于谱方法的图卷积网络 |
| 2.6.2 基于空间方法的图卷积网络 |
| 2.7 稀疏学习 |
| 2.8 低秩学习 |
| 第三章 基于超图的半监督学习图卷积网络 |
| 3.1 引言 |
| 3.2 算法及优化 |
| 3.2.1 算法描述 |
| 3.2.2 算法优化 |
| 3.3 实验分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 对比方法 |
| 3.3.4 实验结果 |
| 3.4 本章小结 |
| 第四章 基于多视图学习的图卷积网络半监督分类 |
| 4.1 引言 |
| 4.2 算法及优化 |
| 4.2.1 算法描述 |
| 4.2.2 算法优化 |
| 4.3 实验分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 对比方法 |
| 4.3.4 实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间取得的科研成果 |
| 致谢 |
（6）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）流形上的子空间聚类算法及应用（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 子空间聚类研究进展 |
| 1.3 流形学习及基于流形表示的研究进展 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关准备知识 |
| 2.1 黎曼流形的相关概念 |
| 2.1.1 对称正定流形的相关概念 |
| 2.1.2 Grassmann流形的相关概念 |
| 2.1.3 非线性流形的核方法 |
| 2.2 在欧式空间的子空间聚类算法基础 |
| 2.2.1 谱聚类 |
| 2.2.2 基于自表示的子空间聚类算法 |
| 2.3 实验环境及评价指标 |
| 2.3.1 实验环境 |
| 2.3.2 算法评价指标 |
| 2.4 本章小结 |
| 第三章 多几何稀疏子空间聚类 |
| 3.1 引言 |
| 3.2 构造多阶统计特征 |
| 3.3 多阶统计特征核化操作 |
| 3.4 多几何稀疏子空间聚类算法 |
| 3.5 实验与分析 |
| 3.5.1 基于Yale数据集的人脸图像聚类 |
| 3.5.2 基于ORL数据集的人脸图像聚类 |
| 3.5.3 基于KTH-TIPS数据集的人脸图像聚类 |
| 3.5.4 基于COIL-100数据集的人脸图像聚类 |
| 3.5.5 参数选择和收敛验证 |
| 3.6 本章小结 |
| 第四章 SPD流形上的低秩核稀疏子空间聚类模型 |
| 4.1 引言 |
| 4.2 特征提取并构造图像的SPD流形表示 |
| 4.3 在SPD流形上的低秩核子空间表示模型 |
| 4.4 在SPD流形上基于低秩一致核学习的多核子空间表示模型 |
| 4.5 核函数的选择 |
| 4.6 实验与分析 |
| 4.6.1 基于Yale数据集的人脸图像聚类 |
| 4.6.2 基于ORL数据集的人脸图像聚类 |
| 4.6.3 基于KTH-TIPS数据集的纹理聚类 |
| 4.6.4 基于COIL-100数据集的物体聚类 |
| 4.6.5 抗噪实验 |
| 4.6.6 参数选择和收敛验证 |
| 4.7 本章小结 |
| 第五章 Grassmann流形上的低秩核稀疏子空间表示模型 |
| 5.1 引言 |
| 5.2 数据的Grassmann流形表示 |
| 5.3 Grassmann流形上低秩核稀疏子空间表示模型 |
| 5.4 实验与分析 |
| 5.4.1 实验数据 |
| 5.4.2 实验结果 |
| 5.4.3 消融实验 |
| 5.4.4 参数选择和收敛验证 |
| 5.5 本章小结 |
| 第六章 针对行为识别视频数据的多流形聚类算法 |
| 6.1 引言 |
| 6.2 基于音频信息的子空间聚类 |
| 6.2.1 音频信息的语谱图纹理特征提取 |
| 6.2.2 基于音频信息的子空间聚类方案 |
| 6.2.3 基于音频信息的子空间聚类实验 |
| 6.3 多流形稀疏子空间聚类 |
| 6.3.1 多分支特征 |
| 6.3.2 自适应多流形融合子空间聚类 |
| 6.4 实验与分析 |
| 6.4.1 实验数据 |
| 6.4.2 实验结果 |
| 6.4.3 消融实验 |
| 6.4.4 参数选择和收敛验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录: 攻读硕士期间完成的论文 |
（8）基于三维图像的人体姿态识别研究（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 国内外研究现状 |
| 1.2.1 2D人体姿态估计 |
| 1.2.2 3D姿态估计 |
| 1.2.3 动作识别 |
| 1.3 本文主要研究内容和贡献 |
| 1.4 本文的内容安排 |
| 第二章 相关技术理论简介 |
| 2.1 深度学习相关技术介绍 |
| 2.1.1 图卷积网络 |
| 2.1.2 注意力机制 |
| 2.1.3 图像特征提取网络 |
| 2.2 3D人体姿态估计回归算法介绍 |
| 2.3 相机成像几何模型技术简介 |
| 2.4 本章小结 |
| 第三章 自建车内数据集 |
| 3.1 姿态数据集现状 |
| 3.2 数据集总览 |
| 3.2.1 数据集描述 |
| 3.2.2 数据采集系统 |
| 3.3 数据对齐 |
| 3.3.1 数据时域对齐 |
| 3.3.2 数据空间对齐 |
| 3.4 本章小结 |
| 第四章 基于RGB-D数据的3D姿态估计 |
| 4.1 研究现状及存在问题 |
| 4.2 基于RGB-D的3D姿态估计算法 |
| 4.2.1 相对姿态估计算法 |
| 4.2.2 核生成模块 |
| 4.2.3 回归模块 |
| 4.2.4 基于深度图像的根节点定位算法 |
| 4.3 实验设计 |
| 4.3.1 数据集介绍 |
| 4.3.2 深度图像处理 |
| 4.3.3 中间监督 |
| 4.3.4 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于骨骼序列的动作识别 |
| 5.1 研究现状及存在问题 |
| 5.2 基于多尺度卷积的共现特征动作识别算法 |
| 5.2.1 图卷积层 |
| 5.2.2 时域差分 |
| 5.2.3 时域卷积层 |
| 5.2.4 共现卷积层 |
| 5.3 实验设计 |
| 5.3.1 数据集介绍 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录1 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（9）二维静态环境下路径规划算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 路径规划算法 |
| 1.2.1 人工势场法发展现状 |
| 1.2.2 A*算法发展现状 |
| 1.2.3 RRT算法发展现状 |
| 1.3 当前路径规划算法存在的问题 |
| 1.4 本文的结构安排 |
| 第2章 相关工作 |
| 2.1 人工势场法 |
| 2.1.1 人工势场法基本原理 |
| 2.1.2 人工势场法缺陷 |
| 2.2 A*算法 |
| 2.2.1 A*算法原理 |
| 2.2.2 A*算法性质 |
| 2.3 快速搜索随机树算法 |
| 2.3.1 RRT算法原理 |
| 2.3.2 RRT-Connect算法原理 |
| 2.3.3 RRT*算法原理 |
| 2.4 本章小结 |
| 第3章 针对大型凹形障碍物的路径规划 |
| 3.1 数学模型分析 |
| 3.1.1 大型凹形障碍物建模 |
| 3.1.2 移动机器人动力学模型描述 |
| 3.2 基于人工势场法与A*算法的组合导航算法 |
| 3.3 算法分析 |
| 3.3.1 最优性分析 |
| 3.3.2 复杂度分析 |
| 3.3.3 完备性分析 |
| 3.4 路径仿真 |
| 3.4.1 针对大型凹形障碍物仿真结果 |
| 3.4.2 其他场景仿真结果 |
| 3.5 本章小结 |
| 第4章 基于黏菌生物模型改进RRT算法 |
| 4.1 黏菌特性 |
| 4.2 基于黏菌生物模型的RRT优化算法 |
| 4.3 算法分析 |
| 4.3.1 正确性分析 |
| 4.3.2 完备性分析 |
| 4.3.3 复杂度分析 |
| 4.4 仿真结果对比 |
| 4.4.1 S-RRT与传统算法对比 |
| 4.4.2 S-RRT与最新优化算法对比 |
| 4.5 本章小结 |
| 第5章 基于多次规划的改进RRT算法 |
| 5.1 R-RRT算法原理及步骤 |
| 5.1.1 贝叶斯模型 |
| 5.1.2 R-RRT算法步骤 |
| 5.2 算法分析 |
| 5.2.1 正确性分析 |
| 5.2.2 完备性分析 |
| 5.2.3 复杂度分析 |
| 5.3 仿真结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它科研成果 |
（10）几何优化的安德森加速方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题描述和研究意义 |
| 1.2 本文主要贡献及结构安排 |
| 第2章 研究背景和基础知识 |
| 2.1 几何处理问题 |
| 2.1.1 建筑几何 |
| 2.1.2 参数化 |
| 2.1.3 线网(Wire Mesh)设计 |
| 2.2 物理模拟问题 |
| 2.2.1 基于有限元的物理模拟 |
| 2.2.2 隐式时间积分 |
| 2.3 迭代求解器 |
| 2.3.1 局部-全局迭代器 |
| 2.3.2 交替方向乘子法 |
| 2.4 几何优化的快速求解 |
| 2.5 安德森加速 |
| 第3章 软约束优化的安德森加速方法 |
| 3.1 安德森加速 |
| 3.1.1 局部-全局求解器的不动点迭代本质 |
| 3.1.2 稳定性的提升 |
| 3.1.3 m的选择 |
| 3.1.4 加速效果分析及与拟牛顿法的关系 |
| 3.1.5 其它求解器的加速 |
| 3.2 实验和比较 |
| 3.2.1 几何优化 |
| 3.2.2 物理模拟 |
| 3.2.3 其它求解器的加速结果 |
| 3.2.4 压力测试 |
| 3.3 小结 |
| 第4章 硬约束优化的安德森加速方法 |
| 4.1 交替方向乘子法的安德森加速 |
| 4.2 交替方向乘子法的不动点迭代本质 |
| 4.3 算法 |
| 4.3.1 一般情形 |
| 4.3.2 目标函数可分离问题的加速 |
| 4.3.3 z-x-u迭代 |
| 4.4 实验和比较 |
| 4.4.1 物理模拟 |
| 4.4.2 几何处理 |
| 4.4.3 图像处理 |
| 4.5 小结 |
| 第5章 基于DR分裂的安德森加速方法 |
| 5.1 交替方向乘子法加速的进一步探索 |
| 5.2 基于DR分裂的ADMM加速算法 |
| 5.2.1 近端算子 |
| 5.2.2 加速解的接受准则 |
| 5.2.3 x,y,z的恢复 |
| 5.3 实验和比较 |
| 5.3.1 l_q-正则化逻辑回归 |
| 5.4 小结 |
| 第6章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
四、A GLOBALLY CONVERGENT ALGORITHM FOR THE EUCLIDEAN MULTIPLICITY LOCATION PROBLEM（论文参考文献）
- [1]多模态优化算法研究及应用[D]. 杨胜. 西安理工大学, 2021(01)
- [2]低偏差无线定位算法设计与硬件加速[D]. 丁颖. 江南大学, 2021(01)
- [3]直流配电网优化重构及故障自愈算法研究[D]. 柴睿. 太原理工大学, 2021(01)
- [4]求解Minimax问题的异步水平束方法[D]. 何波. 广西大学, 2021(12)
- [5]基于图卷积网络的半监督图分类研究[D]. 万莹莹. 广西师范大学, 2021(09)
- [6]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [7]流形上的子空间聚类算法及应用[D]. 胡文波. 江南大学, 2021(01)
- [8]基于三维图像的人体姿态识别研究[D]. 杜恒晨. 北京邮电大学, 2021(01)
- [9]二维静态环境下路径规划算法研究[D]. 尤越. 齐鲁工业大学, 2021(10)
- [10]几何优化的安德森加速方法研究[D]. 彭悦. 中国科学技术大学, 2021(09)