一、采用HT技术的P4 3.06GHz处理器的测试数据（论文文献综述）
刘丹[1]（2021）在《物联网中继与移动边缘学习系统性能优化算法研究》文中研究说明物联网（Internet of Things,IoT）是5G及之后移动网络最有前途的技术之一。IoT中低功耗电池供电IoT设备随时可能由于距离汇聚节点远或障碍物而经历服务质量（Quality of Service,QoS）的降低。因此,将中继技术融入IoT提升QoS的研究工作具有重要实际意义。深度学习（Deep Learning,DL）促进人工智能（Artificial Intelligence,AI）在无线网络边缘获得大量应用,进而在边缘侧催生出海量数据。边缘计算（Edge Computing,EC）可以缓解IoT设备资源受限问题。近年来,将基于云的DL计算下沉到靠近IoT设备和数据源侧的边缘学习（Edge Learning,EL）成为研究热点,其中边缘端海量数据收集成为关键问题之一。将无人地面车（Unmanned Ground Vehicle,UGV）作为移动边缘服务器引入IoT EL系统中以辅助数据高效收集是一个可行且有价值的尝试,同时关于IoT移动EL系统的构建及其性能优化算法的研究具有重要意义。与此同时,IoT中继系统中存在频谱资源受限和能量受限问题,全双工（Full Duplex,FD）技术和双向中继技术分别是提高系统频谱效率和频谱利用率而缓解频谱资源压力的高效方案之一;无线携能（Simultaneous Wireless Information and Power Transfer,SWIPT）技术是为能量受限网络提供稳定和永久电能供应、保持设备持久连接性的非常有前途的解决方案。基于以上问题,本文开展相关研究,主要工作包括:针对信道状态信息（Channel State Information,CSI）非完美估计下的IoT MIMO SWIPT FD中继系统,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）的几何规划算法。其中,中继采用放大转发（Amplifying-and-forward,AF）方式并使用时间切换中继（Time Switching Relaying,TSR）携能策略。针对这一系统,建立了在发送功率和收集能量的约束下最大化系统可达速率的源传感器节点波束赋形矩阵和中继节点波束赋形矩阵的联合优化问题模型,提出了基于SVD算法的几何规划（Geometric Programming,GP）方法的非凸问题优化求解方案。建立了中继节点的天线数不少于源传感节点天线数情况下的GP推导的一般表达式。通过对比不同参数下所提方案与波束赋形矩阵设置为初始值的独立方案及基于SVD的交替优化（Alternating Optimization,AO）方案的仿真实验结果,验证了所提方案的有效性及优越性。针对IoTMIMO双向FD设备节点携能中继系统,设计了一种使系统总均方误差最小化的联合优化设计方案,提出了基于可行点追踪逐次凸逼近（Feasible Point Pursuit-Successive Convex Approximation,FPP-SCA）的AO与基于对角化算法的低复杂度AO两种优化算法。首先构建了在所有节点发送功率及传感器设备节点无线携能接收机收集能量的约束下使系统总均方误差（Mean Square Error,MSE）最小化的传感器设备节点波束赋形矩阵、中继节点波束赋形矩阵以及传感器设备节点接收矩阵的联合优化问题模型。然后提出了基于FPP-SCA的AO与基于对角化算法的低复杂度AO两种多变量耦合非凸问题求解方案。以总MSE及误码率（Bit Error Rate,BER）作为系统性能评价指标并与独立方案及常规SDR方案进行仿真实验结果对比,展现出两种方案的有效性、优越性及适用性。同时,通过对比仿真实验结果证实,在不同的SNR值下,所提出系统性能也优于MIMO双向HD传感器节点携能中继通信系统,验证了所提方案的有效性。针对IoTEL系统中,基于UGV进行数据收集和处理时所遇到的学习性能优化及无线通信路径损耗下的系统性能受限问题。构建了基于F-measure的优化模型,提出了一种基于禁忌搜索（Tabu Search,TS）的路径优化算法。设计UGV辅助的IoT移动EL系统,即EL-UGV系统,该系统包括路径规划、能量规划以及样本量规划模块,UGV使用时分多址（Time Division Multiple Access,TDMA）协议访问 IoT设备且以单跳方式收集数据,支持多DL任务。提出使用F-measure作为性能指标评价数据样本不平衡下的系统性能,并在仿真验证所提出的基于F-measure的学习曲线模型的合理与准确基础上,建立了一个在通信容量、总执行时间、总能量消耗以及图移动性约束下使得系统中所有任务的最小F-measure性能最大的联合UGV移动路径、发送时间、发送功率以及少数类样本量规划的优化问题,即JPESP优化问题模型,提出了求解所建立的大规模混合整数非线性规划（Mixed Integer Nonlinear Programming,MINLP）问题的基于 TS 的算法方案。通过对比UGV始终停靠于起始点的固定EL方案及UGV访问所用顶点的全路径EL方案,仿真实验结果验证了所提方案的可行性、优越性和智能性。论文提出了 IoT中继与移动EL学习系统遇到的频谱资源受限、能量受限以及UGV移动边缘服务器进行高效数据传送中的学习性能优化和无线通信路径损耗下系统性能受限问题的解决方案,并通过仿真验证了系统的有效性和可行性,为深化IoT相关研究提供了有效实验方法及理论依据。
张雨姗[2]（2021）在《面向关键业务网络的流量异常检测系统的设计与实现》文中研究表明近年来,随着科技的飞速发展,关键信息基础设施作为最重要的基础设施,已成为人们日常生活和工作必不可少的组成部分。关键业务网络中传输和存储的信息数据蕴藏着巨大的经济价值,因此许多网络攻击者处心积虑地想获取业务网络中的潜藏利益。关键业务网络正面临着巨大安全威胁,目前迫切需要采用有效的异常流量检测方法实现网络安全事件的告警功能,快速、准确地对网络运行状况进行检测与分析,找到异常发生的根本原因,以防止攻击事件对关键业务网络造成更加严重的危害。面向关键业务网络的流量异常检测系统必须要满足准确率高、误报率低、效率高这三点要求,故本文提出了一种基于信息熵与LSTM相结合的流量异常检测方法。首先通过计算所选取特征的信息熵来对流量进行初步检测,将得到的熵值与设定阈值比较得出粗略判断结果。如果检测到可疑流量,再利用LSTM进行深度检测。通过LSTM对可疑流量序列进行预测,得到预测值后与实际值进行比对,来最终确定可疑流量是否为攻击流量。信息熵可以体现网络的明显变化,迅速发现并定位网络异常,而LSTM则非常适合用于对具有固定工作序列的网络行为进行建模与预测,二者相互补足,很大程度上克服了误报率高和检测效率低的弊端。使用CICIDS2017数据集对该流量异常检测方法进行评估,实验表明,该方法可在极大程度上满足对流量异常的高效检测,印证了其可行性和准确性。基于对上述流量异常检测方法的验证结果,本文设计并实现了一个面向关键业务网络的流量异常检测系统。通过对该系统的总体架构设计、功能模块组成、各模块实现流程的详尽介绍,从整体到局部来展现整个系统的设计思想与实现过程。在此基础上,通过仿真实验对系统的各项功能展开验证,并对检测性能进行评估。仿真实验结果显示,本系统在针对关键业务网络的流量异常检测方面,很大程度上满足了准确率高、误报率低、效率高的流量异常检测要求。
陈鑫[3]（2021）在《基于图卷积网络的癫痫脑电信号分析与研究》文中提出作为神经科的常见病之一,癫痫是由大脑神经细胞异常放电,导致神经系统功能短暂性紊乱引起的。传统诊断中,医生会凭借丰富的工作经验,通过人工解析脑电图进行病情的分析、探讨和诊断。而人工视觉检测的效率缺乏保障,这促进了基于计算机的癫痫脑电自动检测技术的发展,并逐渐成为科研院所的研究热点。本文发现由于癫痫发作是若干脑区协同作用的结果,用于采集脑电信号的各个通道分别记录了不同脑区的活动变化,所以通道间必然存在一定的关系。然而,大多数癫痫脑电研究算法集中于研究各通道的脑电数据本身,较少的算法充分地关注脑电通道与通道之间的相互关系,针对癫痫脑电多通道空间信息的挖掘深度较浅,分析维度较窄,一定程度上影响了癫痫脑电自动检测或发作预测的最终效果。针对上述发现的问题,本文以癫痫脑电多通道空间关系为突破口,从图论角度出发,提出了特定映射关系,将通道与通道间的相互关系映射至图数据进行处理,先后从多通道空间层面、多通道“空+时”层面、多通道“频+空+时”层面进行分析与建模,提出了基于图卷积网络（Graph Convolutional Network,GCN）的“递进式、融合型”癫痫脑电分析模型,深入探索了多通道隐藏空间关系对癫痫脑电自动检测及发作预测的贡献度。本文的主要创新点和贡献如下:（1）针对癫痫脑电多通道之间关联性挖掘深度不足的问题,本文提出了基于图卷积网络的癫痫脑电自动检测模型。该模型从图论角度提出了特定映射关系,将癫痫脑电各通道数据本身映射至图的顶点,将通道间的相互关系映射至图的边,构建了以图卷积网络为核心的检测模型,充分利用了图卷积网络在处理图等非结构化数据中的优势,提取相关数据的高维度特征,深入挖掘多通道间的关联性。通过国际公开癫痫脑电数据集CHB-MIT（Children’s Hospital Boston--Massachusetts Institute of Technology,CHB-MIT）的测验,证明了该模型在癫痫脑电自动检测方面的有效性。（2）针对癫痫脑电多通道空间关系的分析维度不足的问题,本文依托第一阶段探索获得的多通道隐藏空间关系,继续深入探索了相关数据在时序层面的规律,提出了基于图卷积网络的癫痫脑电空时发作预测模型。该模型包括图编码器和空时预测器两部分,依次对癫痫脑电的多通道空间特性和时间特性进行探索,加强了挖掘深度,拓宽了分析维度。经数据测验,展现出了较好的预测性能。（3）针对第二阶段所提空时发作预测模型进行改进及优化的问题,本文从“频+空+时”多层面考虑,提出了基于图卷积网络的多维增强发作预测模型。改进方面,本文构建了信息重构空间,从频带层面重构了数据单元,进行特征增强,更新了图的编码表示,进一步加强探索频空时关联。优化方面,本文改进了空时预测器中处理时序数据的网络单元,减少了模型参数,优化了模型结构。总体上,该模型包括信息重构空间、图编码器及空时预测器三个部分,分别探索了癫痫脑电信号在多频带、多通道空间关系及时序关系的规律。通过标准数据集CHB-MIT的测验,达到了预期效果。综上所述,本文提及的三项主要工作,主要围绕癫痫脑电通道与通道之间的隐藏空间关系展开研究,从多通道的“空”、“空+时”、“频+空+时”方面,以递进承接的形式,综合了若干技术优势,提出了基于图卷积网络的“递进式、融合型”癫痫脑电分析算法。通过分析更丰富的多通道特征数据,为癫痫诊断提供了更有效的数据支撑,也为相同领域的研究人员及医生工作者提供了更新颖的分析思路。
吴晓伦[4]（2021）在《基于深度学习的大型风电机组叶片表面损伤边云协同检测架构及方法研究》文中进行了进一步梳理风能作为一种清洁能源在我国电源结构中所占比例逐年攀升。叶片是风力发电机捕获风能的重要部件,其表面完整性不仅关乎风机的安全还会影响发电效率。近些年来国内部分风电场开始使用无人机来对风机叶片进行巡检,不过其形式仍然停留在无人机采集叶片图像数据后进行人工检测的阶段。虽然巡检的安全性得到了提升,但是人力和时间成本却没有降低多少。在此背景下,本文针对基于无人机摄像的风机叶片巡检场景提出了以边云协同为计算架构、以深度学习为识别算法的叶片表面损伤检测方法。具体如下:根据无人机巡检方式将叶片巡检场景划分为人工操控无人机巡检和全自主无人机巡检,并介绍了二者的叶片图像采集流程;依据边缘计算和云计算各自的优势建立了叶片损伤检测的“云—边—端”三层架构;对两种无人机巡检场景进行了需求分析,制定了考虑实时响应、考虑精度优先的边云协同计算卸载策略。针对人工操控无人机巡检的实时性需求,对损伤检测算法的主干网络进行了轻量化设计;采用基于敏感度分析的卷积层滤波器剪裁方法对模型进行可控压缩,使其可以部署到风电场附近的边缘节点上,实现了无人机即拍即检的检测效果;对于叶片损伤检测精度下降的问题,采用知识蒸馏方法降低了轻量化手段对模型精度的影响。针对全自主无人机巡检的高传输带宽、高精度需求,基于边云协同架构,在边缘侧,部署叶片图像质量检测算法,移除过于模糊或者叶片面积占比过小的叶片图像,减少了无用数据对上传带宽的占用;在云侧,采用层数更深、性能更强的主干网络和两种基于交并比的模型优化方法检测叶片损伤,满足了高精度的需求。
高佳[5]（2021）在《基于视觉学习的波束追踪增强方法的设计与实现》文中研究指明得益于高频段丰富的频谱资源,基于毫米波的无线通信系统是未来提升业务服务能力重要手段之一。由于毫米波信号的高路径损耗特点,需要利用波束赋形技术形成高增益的窄波束进行通信。在高速移动场景下,由于收发端相对位置的不断变化,需要频繁地进行波束赋形。然而,传统的波束赋形算法需要进行复杂度较高的信道估计,造成较大的系统开销。由于毫米波的短波长特点,收发机之间的通信链路越来越短,趋近于视距连接,可以通过视觉图片中的额外信息辅助波束预测。因此,本文的研究内容是在嵌入式平台上设计和实现基于视觉学习的毫米波波束追踪增强算法,具体研究内容包括:（1）基于视觉学习的波束追踪增强算法设计为解决在高移动性场景中传统波束追踪算法的高系统开销问题,本文针对车辆移动场景进行了基于视觉学习的波束追踪增强算法设计。首先,对波束追踪任务进行系统和信道建模,并对任务的目标进行数学定义;其次,融合了视觉特征和波束赋形向量,提出了基于视觉学习的波束追踪增强算法,主要包括特征提取模块、数据预处理模块和波束预测模块等,通过历史序列数据对未来多个时刻的波束赋形向量进行预测;此外,为提升模型的泛化性能,本文还设计了多个相关学习损失函数进行联合多任务学习训练;最后,通过与基准模型的对比实验和自身消融实验验证了本文所提出算法的有效性。（2）波束追踪算法在嵌入式平台的实现为验证算法的可实施性,本文在嵌入式平台上进行了算法部署。首先,为方便模型部署,进行了算法移植,把服务器端训练好的Pytorch模型转换成TFLite模型;同时,在嵌入式平台上实现了数据预处理模块和推理模块用于实际的算法运行;其次,为进一步提升算法的推理速度,本文进行了模型优化设计,包括基于通道剪枝的模型压缩、模型权值量化和联合编译优化;最后,对设计的优化进行了测试实验,验证了优化的有效性,并说明了本文所提出算法的工程可实现性。
刘孚安[6]（2021）在《新型碲酸盐声光材料制备与器件研究》文中研究说明激光调Q是在时域上将激光能量压缩到宽度极窄的一种调制技术。该技术的进步是激光发展史上一个重要的突破,拓展了激光的应用范围。基于声光基质材料的声光调Q器件具有驱动电压低、重频高、插入损耗小、成本低等优势。因此以声光调Q器件为基础的高重频、高功率全固态激光器和光纤激光器得到了广泛的研究。声光基质材料是声光调制器件的基础。随着声光晶体的发展,如TeO2、PbMoO4、GaP等,声光器件的性能得到了极大的提高。激光应用领域的不断拓展对声光器件提出了更高的要求。由于传统声光材料的器件已不能完全满足声光器件的需求,因此发展新型高效的声光晶体成为突破声光器件的关键。近年来,本课题组一直致力于新型光电功能晶体的研究。在二阶姜-泰勒效应（SOJT）指导下,课题组生长出10余种以BaTeMo209为代表的钨/钼酸盐晶体,在2017和 2020 年分别报道了 β-BaTeMo2O9（β-BTM）和 α-BaTeMo209（α-BTM）声光器件,并获得多项国内和国际专利。低频条件下,声光玻璃得到了广泛的应用。碲酸盐玻璃声光优值大、对超声波吸收小,理论上是最有前景的声光基质材料。同时,玻璃制备过程简单,制备成本低,玻璃器件的驱动电压低,器件体现出各向同性。此外,玻璃和声光晶体工作频率相结合可以覆盖低频和高频。基于以上分析,本论文主要研究方向是新型碲酸盐声光材料的探索与声光器件的制备。本论文共分为六章,主要的研究内容和研究结果如下:Ⅰ.声光效应的简介主要是对于声光器件的概念和基本原则、声光器件的分类和方法以及在声光器件的应用进行简单介绍。此外,简单介绍了近年来本课题组生长的新型声光晶体和基于声光特性的功能复合研究。Ⅱ.声光器件的制作与表征方法主要介绍了声光器件的设计流程,如压电换能器和键和层的设计。并对声光器件性能参数进行优化设计,其中最重要的是对器件衍射效率的提高。Ⅲ.新型声光晶体α-BTM的器件制作与性能表征目前,α-BTM晶体的生长技术已经基本成熟,工艺参数得到固化;大尺寸、高质量的晶体完全满足器件制备与优化。本课题组前期实验结果表明α-BTM具有优异的声光性能。本论文基于α-BTM设计和制备了 633 nm,1064 nm,1550 nm波段的多个声光调Q器件,并对性能参数进行了系统的表征。633 nm,1064 nm,1550 nm声光器件衍射效率分别达到85%,84%和70%。为满足光纤激光器对声光器件的需求,我们以α-BTM为基质设计了光纤声光调Q器件。器件设计波长为1064 nm,驱动频率为100 MHz,器件的上升时间和消光比分别为32.8 ns和65 dB,插入损耗为3.66 dB。器件成功应用于掺镱的全光纤调Q光纤耦合激光器,其最大的输出功率约为5.3 mW,最小脉宽可调制到167 ns,最大峰值功率为1.6 W。针对插入损耗相对现有器件偏大问题,通过制备工艺优化,器件插入损耗降低至1.8 dB,达到商用声光器件的技术指标。本论文同时提供了应用于1550 nm光纤声光调制器件,在200 MHz工作频率下,器件插入损耗4.5 dB,其消光比为58 dB,上升时间为10 ns。Ⅳ.CTW晶体声光及声光拉曼复合研究功能复合有利于激光器小型化。本论文将CTW晶体受激拉曼散射效应与声光效应相结合,实现了声光-拉曼复合激光输出。在1064 nm条件下,CTW声光调Q器件可以实现一阶拉曼激光输出（1178 nm）,并同时实现自调Q。声光-拉曼激光输出最大平均输出功率为18 mW。V.新型碲酸盐声光玻璃（KTeP）的制备及器件制作以TeO2为玻璃的中间体,KH2PO4为网络修饰体制备了新的碲酸盐玻璃K2O-TeO2-P2O5（KTeP）。组分调控发现,当KH2PO4:TeO2=1:2时,玻璃不发生潮解。退火研究结果发现最佳退火温度为350℃。玻璃的透光波段为380 nm～3000 nm。基于KTeP玻璃（KH2PO4:TeO2=1:2）的声光调Q器件性能研究表明,在工作波长为1550 nm时,器件的衍射效率最高为50.8%;工作波长1064 nm时,器件的衍射效率最高为70.6%。为后续KTeP玻璃激光自调Q特性研究,对玻璃进行了稀土离子掺杂。808 nm激发下,Nd3+离子玻璃发射波长为1057 nm;450 nm激发下,Dy3+离子掺杂玻璃存在三个发射波长,482 nm、576 nm以及665 nm。其中,576 nm波段的黄光的发射峰最强。
万晋廷[7]（2021）在《5G移动通信网络切片技术研究及医用终端设计》文中认为当前,移动通信进入了全连接的、全数字的5G时代,其不仅重新定义了各行各业的连接,使得万物互联成为可能,还加速推动了各行各业的升级换代。其中,5G引入了网络切片概念,其不仅将提高用户的传输速率、降低传输时延、增强移动带宽等,还将满足各类垂直行业对网络的多样化的业务需求。虽然5G网络切片的愿景和目标很明确,但其网络架构、使能技术和应用场景的研究和应用仍然存在许多悬而未决的问题。本文鉴于此,重点研究了应用于医疗数据传输的5G网络切片技术,主要工作如下:（1）设计了一种基于NFV/SDN使能技术的端到端网络切片系统。系统的设计与搭建基于OAI、Mininet、Ryu三个开源软件项目和一个通用软件无线电外设USRP B210,其具有高度的可移植性和灵活性,基本实现了在通用x86架构上进行网络功能的虚拟化以及网络功能的软件自定义化,给网络切片的进一步研究提供了一套开放新颖的解决方案。本文通过在OAI的基站e NB上自定义配置接入用户的无线资源块以及在Open Flow交换机上自定义配置队列的转发,实现了系统对所设计的网络切片的差异化的资源分配,从而满足差异化的Qo S需求。实验测试了系统差异化传输带宽为320～340kbps的音频信号和1500～2500kbps的视频信号,结果验证了所设计的端到端网络切片系统的有效性,其可缓解网络切片领域开放性实验平台的匮乏。（2）设计了一种基于网络切片和NOMA技术的医用终端。针对移动医院系统中4K医疗视频数据类以及其他医疗数据类对医用终端多样化的、互不干扰的网络传输需求,设计了一种医用终端,并以此模拟仿真了一种基于NOMA切片的用于医疗数据传输的移动医院系统,其具有较高的工程实现指导价值。在此系统中,来自患者的4K视频数据被分配给e MBB NOMA切片,其他医疗数据被分配给u RLLC NOMA切片。基于NOMA的系统模型和原理,利用联合功率分配优化以及SIC技术,来最大化上行链路和下行链路中每个终端用户的医疗数据吞吐量和系统总吞吐量。仿真结果表明,在最佳功率分配技术下,接收医疗数据的终端用户在各自的切片中均可实现高吞吐量,但在切片中发送和接收普通数据的其他用户的吞吐量会降低。为了所有用户的公平性,在下行链路中使用截断信道反转进行功率分配,成功稳住了这些用户的吞吐量。
贾旭强[8]（2021）在《基于深度学习的船舶目标检测方法研究》文中研究说明船舶作为海上重要的运输载体和军事目标,对船舶进行精确的定位和识别,有助于改善航行安全,提高工作效率,对监视海运交通、维护国家海洋权益和海洋安全具有重要的现实意义和战略意义。在过去的10年里,人们做了大量的工作,从卫星图像中自动提取目标,取得了一些成果,但在实际应用中存在许多不足。随着深度学习的发展,目标检测技术在多个领域都取得了突破性的进展,因此使用基于深度学习的目标检测方法来进行船舶检测的研究具有现实可行性及重要的学术意义。本文基于深度学习的方法对船舶检测识别展开了以下几点研究:1.广泛调研了主流的船舶检测算法和目标检测算法,分析研究了每个方法的检测思路和创新点。然后对船舶检测的数据集进行了分析,并制作训练数据集,使用多种方法对数据进行增强。实验表明,使用数据增强能够有效的提高模型的泛化能力。2.使用RetinaNet模型进行船舶目标检测,构建了RetinaNet检测网络,实验发现,原本的RetinaNet进行船舶检测的性能不佳,有待改善。本文在原有RetinaNet网络的基础上,加入了SSH模块,来加强特征的提取,通过调整正负样本的比例,来降低负样本的影响,使用了聚类获取的预选框,让预测框的定位更加精准。然后提出了针对船舶目标检测的模型RetinaShip,实验表明,RetinaShip能有效的提高船舶目标检测的准确率,平均精度可达到93.28%。3.对经典的YOLOv3算法进行了深入的研究,并进行了改进。用聚类算法重新设计符合船舶数据集的预选框,使用CIoU改进了损失函数,结果表明,优化后的检测模型能够明显提高检测的精度,使得检测的平均精度达到了93%以上。本文还实现了YOLOv4船舶目标检测算法,使得检测的平均精度达到了95%。然后用更轻量的Mobile Net网络代替YOLOv4算法的骨干网络,减少了参数量,在保证准确率的前提下,提高了检测的速度。也实现了一个轻量级的YOLOv4-Lite网络,参数量更少,检测速度更快,可以用在一些实时性要求很高的场景中。
贺云[9]（2020）在《智能电网故障录波器设计与实现》文中指出作为智能电网建设的一部分,故障录波器集成了传感器技术、通信技术、数据存储和处理技术等,记录电网故障发生时的现场实时数据信息,可用于分析故障起因、定位故障发生位置等,是及时处理故障以减少损失和完善电网配置和管理以避免类似事故再次发生的重要依据。本文主要解决传统录波器设计复杂、系统功能集中负荷大的缺点,设计一套新型分布式低功耗高同步精度的录波指示器系统,同时以GPS和外部晶振产生高精度时钟以实现三相电流的同步采集。本文主要完成了下列工作:首先,根据国内外故障录波器的发展现状,分析故障录波器的性能要求和技术重点,特别是针对传统前后台模式微机型故障录波器可靠性低、难以长期运行、功耗高等缺点,选用意法半导体的STM32L4+系列32位微控制器作为核心,设计一款新型分布式、低功耗、高同步精度的故障录波器,用于智能电网接地故障和短路故障等采样录波监测。录波指示系统由5个模块化终端组成,包括一个监测单元、一个数据汇集单元和三个采集单元。各单元中的GPS、4G、Lo Ra采用模块化设计以便于设计、安装、替换和维修等。在各单元的硬件电路设计中,完成了低功耗微控制器（STM32L4R5ZIT6）外围电路、取电电路、数据采集和存储电路、Lo Ra和4G通讯电路、GPS授时和接口电路、LED故障指示电路等设计工作。其中,采集单元和汇集单元拥有同样的Lo Ra模块,通过Lo Ra局域网实现工况信息、线路低电流、模块电池低电压、参数修改等事件信息交互。云端主站服务器用于接收采集单元的实时数据和发送控制命令到汇集单元。当监测装置发现零序电压异常,可能意味着配网中发生接地故障,它将向云端服务器发送召测指令,由服务器召测各采集节点的录波数据。该系统能够满足中性点接地方式各异的配电网络对于接地故障的监测判断。此外,由于电网数据分析时对各终端设备尤其是三相电流采集单元的同步性要求极高而以往产品的同步采集性能并不甚理想,本文根据全球定位系统（GPS）时钟信号和晶振时钟信号精度互补的特点,将晶振信号作为MCU的时钟源,利用GPS时钟校准MCU定时器产生的1Hz信号实现微秒级高精度时钟,进而实现3个传感器单元对配电网三相电流的精确同步采样,同步误差达到微秒级。再次,在软件功能方面,实现了故障录波器整体功能流程,包括配电网三相电流和变电站零序电压的采集与存储、故障数据和工况信息的召测和上传、Lo Ra和4G通讯交互、故障LED指示、GPS校时和高精度时间戳实现、超级电容和电池低压处理等。最后,完成系统样机调试和功能测试,实验结果表明该故障录波器各模块单元运行正常可靠,功能实现符合设计需求,同步精度达到微秒级。本文所开发的故障录波指示装置具有结构紧凑、环境适应性强、造价低、功耗低、同步精度高等优点,对电力系统的安全运行具有较大的现实意义。
李苏晨[10]（2020）在《联合PCA降维与HOG特征提取的接触网补偿器在线监测系统研究》文中指出随着中国铁路机车运行速度以及车流密度的不断攀升,电力机车的弓网取流量日益增加,接触网张力补偿器的稳定运行显得尤为重要,为保证铁路系统接触网的供电安全,补偿器监测装置应运而生。该设备通过监测坠砣至地面的距离（补偿器b值）,从而判断补偿器的运行状态,及时排除安全隐患,是接触网及供电设备地面监测装置（6C系统）的重要组成部分。现阶段的补偿器监测系统存在两个突出问题,一是由于工作环境恶劣,系统长期暴露在自然环境中,测距传感器探头可能被杂物遮挡,影响测距真实值,导致处理器误判,增大人员检修工作量。二是现场监测子站的主处理器无法实现复杂算法,数据必须上传至监控中心进行处理,实时性不高且易出现数据丢失等现象。本文针对上述问题,结合数字图像处理技术设计了一种联合PCA降维与HOG特征提取的接触网补偿器在线监测系统,主要工作包括:（1）分别对监测系统的数据采集模块、网络通讯模块和电源模块的硬件电路以及软件功能进行设计,搭建了一套以树莓派为核心控制器、结合多种硬件采集设备的现场监测系统,实时监测现场环境温湿度和补偿器b值并进行数据超限判断,实现数据的及时处理,避免信息丢失。（2）现场监测子站在数据超限时采集现场图像,利用数字图像处理技术实现二次判断。为防止图像细节信息的丢失,首先采用边窗（SMF）-双边滤波对图像进行全局去噪,减少电磁干扰等噪声影响;通过时间阈值的设定,采用CLAHE算法对系统判断为夜晚低照度的图像进行增强处理,该算法在增强的同时有效的防止了噪声放大,边缘细节得到明显提高;由于作业环境特殊,为减少冗余计算,提取图像中测距探头部分作为目标区域;由于现场监测子站仅在数据超限时采集环境图像,相邻帧之间的图像相隔时间可能较长,背景发生变化,利用传统帧间差分法无法实现准确识别,因此采用联合PCA降维与HOG特征提取的方法进行目标区域的识别验证。实验表明,该方法运算开销小,准确性较高,可以完成目标区域异物侵限的自动诊断,减少误报。（3）基于阿里云平台开发系统云服务器与MySQL数据库,实现数据的上传与存储;利用C#编程语言,依托Visual Studio集成设计环境开发监控中心的客户端软件,工作人员用户可以在此查看报警信息和历史数据,同时提供参数阈值设置功能,实现差异化管理。经试验,系统运行稳定,检测精度较高,实现了对补偿装置的实时监测,为提高接触网供电安全管理精益化水平提供技术支撑。
二、采用HT技术的P4 3.06GHz处理器的测试数据（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、采用HT技术的P4 3.06GHz处理器的测试数据（论文提纲范文）
（1）物联网中继与移动边缘学习系统性能优化算法研究（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 物联网中继系统 |
| 1.2.1 物联网体系与物联网中继系统 |
| 1.2.2 物联网中继系统的国内外研究现状与发展趋势 |
| 1.3 物联网移动边缘学习系统 |
| 1.3.1 物联网边缘计算系统和边缘学习系统 |
| 1.3.2 物联网移动边缘学习系统国内外研究现状与发展趋势 |
| 1.4 论文研究目的 |
| 1.5 主要研究内容及创新点 |
| 1.5.1 主要研究内容 |
| 1.5.2 研究工作主要创新点 |
| 1.6 论文结构和章节安排 |
| 第二章 研究工作的核心理论及关键技术 |
| 2.1 研究工作方法与思路 |
| 2.2 凸优化理论与求解 |
| 2.2.1 凸优化问题定义 |
| 2.2.2 GP问题 |
| 2.2.3 QCQP问题及其求解 |
| 2.2.4 MINLP问题及其求解 |
| 2.3 MIMO技术 |
| 2.3.1 MIMO技术优势及特点 |
| 2.3.2 MIMO系统信道容量计算与MIMO波束赋形技术 |
| 2.4 中继技术与FD技术 |
| 2.4.1 中继技术 |
| 2.4.2 FD技术 |
| 2.5 SWIPT技术 |
| 2.6 EL技术与基于CNN的DL技术 |
| 2.6.1 EL技术 |
| 2.6.2 基于CNN的DL技术 |
| 2.7 本章小结 |
| 第三章 非完美CSI下物联网MIMO全双工中继携能系统研究 |
| 3.1 系统模型建立 |
| 3.2 系统信号模型建立 |
| 3.2.1 能量收集信号模型建立 |
| 3.2.2 信息传输信号模型建立 |
| 3.2.3 系统可达速率计算 |
| 3.3 优化问题建立及求解 |
| 3.3.1 优化问题建立 |
| 3.3.2 优化问题求解方案 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 物联网MIMO双向全双工设备节点携能中继系统研究 |
| 4.1 系统模型建立 |
| 4.2 系统信号模型及优化问题建立 |
| 4.2.1 系统信号模型建立 |
| 4.2.2 优化问题建立 |
| 4.3 优化问题求解 |
| 4.3.1 基于FPP-SCA的AO方案 |
| 4.3.2 基于对角化算法的低复杂度AO方案 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 UGV辅助的物联网移动边缘学习系统研究 |
| 5.1 系统框架搭建 |
| 5.1.1 路径规划模块搭建 |
| 5.1.2 能量规划模块搭建 |
| 5.1.3 样本量规划模块搭建 |
| 5.2 EL-UGV系统下基于F-measure的学习曲线模型建立及验证 |
| 5.2.1 EL-UGV系统下基于F-measure的学习曲线模型的建立 |
| 5.2.2 基于F-measure的学习曲线模型验证 |
| 5.3 JPESP优化问题的建立 |
| 5.4 JPESP优化问题求解 |
| 5.4.1 基于TS算法的JPESP问题求解 |
| 5.4.2 JPESP问题中其余变量的优化 |
| 5.5 求解问题流程 |
| 5.6 仿真结果与分析 |
| 5.6.1 理论结果的验证 |
| 5.6.2 单任务场景下的仿真结果分析 |
| 5.6.3 多任务场景下的仿真结果分析 |
| 5.6.4 与现有工作的对比验证 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录1 变量说明与参数说明表 |
| 附录2 定理5-1的证明 |
| 附录3 缩略词表 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）面向关键业务网络的流量异常检测系统的设计与实现（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 |
| 1.2.1 网络流量异常检测方法研究现状 |
| 1.2.2 网络流量异常检测系统应用现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术准备 |
| 2.1 关键业务网络 |
| 2.1.1 关键业务网络概述 |
| 2.1.2 关键业务网络流量研究与分析 |
| 2.2 异常流量 |
| 2.2.1 DoS/DDoS攻击类异常流量 |
| 2.2.2 端口扫描类异常流量 |
| 2.2.3 Web应用攻击类异常流量 |
| 2.2.4 僵尸网络类异常流量 |
| 2.3 流量异常检测技术 |
| 2.3.1 基于统计分析的异常检测方法 |
| 2.3.2 基于特征工程的异常检测方法 |
| 2.3.3 基于机器学习的异常检测方法 |
| 2.4 信息熵 |
| 2.5 神经网络 |
| 2.5.1 理论基础 |
| 2.5.2 激活函数 |
| 2.5.3 损失函数 |
| 2.5.4 卷积神经网络 |
| 2.5.5 循环神经网络 |
| 2.6 本章小结 |
| 第三章 基于信息熵与LSTM相结合的流量异常检测 |
| 3.1 模型总体架构 |
| 3.2 流量特征选择 |
| 3.3 基于信息熵与LSTM相结合的流量异常检测模型 |
| 3.3.1 基于信息熵的流量异常检测模型 |
| 3.3.2 基于LSTM的流量异常检测模型 |
| 3.3.3 基于信息熵与LSTM相结合的流量异常检测模型 |
| 3.4 异常检测模型性能评估 |
| 3.4.1 数据集介绍 |
| 3.4.2 选取特征分析 |
| 3.4.3 基于信息熵的异常检测模型性能评估 |
| 3.4.4 基于LSTM的异常检测模型性能评估 |
| 3.5 本章小结 |
| 第四章 流量异常检测系统设计与实现 |
| 4.1 系统设计目标 |
| 4.2 系统总体架构设计 |
| 4.3 系统各个模块的设计与实现 |
| 4.3.1 流量采集模块 |
| 4.3.2 数据预处理模块 |
| 4.3.3 流量异常检测模块 |
| 4.3.4 数据存储模块 |
| 4.4 本章小结 |
| 第五章 系统结果展示与性能分析 |
| 5.1 测试环境搭建与部署 |
| 5.2 系统功能测试 |
| 5.2.1 流量采集 |
| 5.2.2 数据预处理 |
| 5.2.3 流量异常检测 |
| 5.2.4 数据存储 |
| 5.3 系统性能测试与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于图卷积网络的癫痫脑电信号分析与研究（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 癫痫脑电分析算法的研究现状 |
| 1.2.1 基于时域的癫痫脑电分析算法 |
| 1.2.2 基于频域的癫痫脑电分析算法 |
| 1.2.3 基于时频域的癫痫脑电分析算法 |
| 1.2.4 基于非线性动力学的癫痫脑电分析算法 |
| 1.2.5 基于多维统计分析的癫痫脑电分析算法 |
| 1.2.6 基于多方法结合的癫痫脑电分析算法 |
| 1.3 癫痫脑电信号分析面临的问题 |
| 1.4 主要研究内容及创新点 |
| 1.5 全文组织架构 |
| 第二章 癫痫脑电信号处理及相关理论基础 |
| 2.1 癫痫脑电信号处理 |
| 2.2 模型搭建的相关理论基础 |
| 2.2.1 图卷积网络的背景介绍 |
| 2.2.2 其他理论基础简述 |
| 2.3 本章小结 |
| 第三章 基于图卷积网络的癫痫脑电自动检测模型 |
| 3.1 本章研究动机 |
| 3.2 癫痫脑电自动检测的E-GCN模型 |
| 3.2.1 多通道空间关系 |
| 3.2.2 模型E-GCN整体架构 |
| 3.2.3 模型E-GCN图卷积层 |
| 3.3 实验及性能评估 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据预处理 |
| 3.3.3 实验运行环境 |
| 3.3.4 实验评价指标 |
| 3.3.5 实验性能评估 |
| 3.4 本章小结 |
| 第四章 基于图卷积网络的癫痫脑电空时发作预测模型 |
| 4.1 本章研究动机 |
| 4.2 癫痫发作预测的SSFF空时模型 |
| 4.2.1 模型SSFF整体架构 |
| 4.2.2 模型SSFF图编码器 |
| 4.2.3 模型SSFF空时预测器 |
| 4.3 实验及性能评估 |
| 4.3.1 实验设置 |
| 4.3.2 实验性能评估 |
| 4.4 本章小结 |
| 第五章 基于图卷积网络的多维增强发作预测模型 |
| 5.1 本章研究动机 |
| 5.2 癫痫发作预测的MESPF多维增强模型 |
| 5.2.1 模型MESPF整体架构 |
| 5.2.2 模型MESPF信息重构空间 |
| 5.2.3 模型MESPF图编码器 |
| 5.2.4 模型MESPF空时预测器 |
| 5.3 实验及性能评估 |
| 5.3.1 实验设置 |
| 5.3.2 实验性能评估 |
| 5.4 本章小结 |
| 第六章 总结与前景展望 |
| 6.1 总结 |
| 6.2 前景展望 |
| 参考文献 |
| 攻读硕士学位期间的主要成果 |
| 致谢 |
（4）基于深度学习的大型风电机组叶片表面损伤边云协同检测架构及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 风机叶片表面常见损伤及成因 |
| 1.3 叶片损伤检测国内外研究概况 |
| 1.3.1 基于非视觉信号的叶片损伤检测研究现状 |
| 1.3.2 基于机器视觉的叶片损伤检测研究现状 |
| 1.4 边云协同架构及其在相关领域中的应用 |
| 1.5 本文的主要研究内容及章节安排 |
| 第2章 叶片表面损伤边云协同检测架构 |
| 2.1 引言 |
| 2.2 “云—边—端”三层架构 |
| 2.3 边云协同的计算卸载策略 |
| 2.4 基于YOLOv3架构的叶片表面损伤检测算法 |
| 2.5 边云协同实验平台介绍 |
| 2.6 本章小结 |
| 第3章 叶片图像采集和数据库搭建 |
| 3.1 引言 |
| 3.2 图像采集 |
| 3.2.1 叶片图像采集设备选型要求 |
| 3.2.2 叶片图像采集流程设计 |
| 3.3 叶片表面损伤标注 |
| 3.4 图像增广 |
| 3.5 本章小结 |
| 第4章 叶片表面损伤实时检测方法设计 |
| 4.1 引言 |
| 4.2 轻量主干网络设计 |
| 4.3 深度学习模型压缩 |
| 4.3.1 卷积层滤波器剪裁 |
| 4.3.2 知识蒸馏 |
| 4.4 实验结果对比与分析 |
| 4.5 本章小结 |
| 第5章 叶片表面损伤高精度检测方法设计 |
| 5.1 引言 |
| 5.2 边缘侧图像质量检测 |
| 5.2.1 图像清晰度检测 |
| 5.2.2 图像有效面积检测 |
| 5.3 云侧增强型叶片损伤检测 |
| 5.3.1 增强型主干网络设计 |
| 5.3.2 基于IoU的模型优化方法 |
| 5.4 实验结果分析与对比 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于视觉学习的波束追踪增强方法的设计与实现（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 |
| 1.2.1 波束赋形技术简介 |
| 1.2.2 基于机器视觉的毫米波波束管理 |
| 1.2.3 现有研究存在的问题 |
| 1.3 论文研究内容与结构安排 |
| 第二章 视觉学习相关技术概述 |
| 2.1 引言 |
| 2.2 基础深度学习网络 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.3 多任务学习方法概述 |
| 2.4 移动深度学习框架Tensorflow Lite |
| 2.4.1 框架发展 |
| 2.4.2 系统架构 |
| 2.4.3 模型转换流程 |
| 2.5 本章小结 |
| 第三章 基于视觉学习的波束追踪增强方法设计 |
| 3.1 引言 |
| 3.2 无线通信系统波束追踪问题建模 |
| 3.2.1 场景描述 |
| 3.2.2 问题建模 |
| 3.3 波束追踪增强算法设计 |
| 3.3.1 基于ResNeXt-50的特征提取模块 |
| 3.3.2 数据预处理模块 |
| 3.3.3 基于波束序列的波束预测模块 |
| 3.3.4 损失函数的设计 |
| 3.4 仿真结果与分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 实验环境 |
| 3.4.3 模型训练 |
| 3.4.4 模型对比实验与分析 |
| 3.4.5 模型消融实验与分析 |
| 3.5 本章小结 |
| 第四章 波束追踪增强方法在嵌入式平台实现与性能分析 |
| 4.1 引言 |
| 4.2 基于嵌入式平台的波束追踪增强算法实现 |
| 4.2.1 嵌入式开发平台简介 |
| 4.2.2 基于嵌入式平台的模型移植 |
| 4.2.3 波束追踪网络模型推理 |
| 4.3 波束追踪算法模型优化 |
| 4.3.1 基于通道剪枝的模型压缩 |
| 4.3.2 模型权值量化 |
| 4.3.3 基于张量处理器的联合编译 |
| 4.4 测试结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 通道剪枝实验与分析 |
| 4.4.3 权值量化实验与分析 |
| 4.4.4 联合编译实验与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文主要工作总结 |
| 5.2 下一步研究工作 |
| 参考文献 |
| 附录 缩略语 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（6）新型碲酸盐声光材料制备与器件研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 声光效应 |
| 1.2.1 声光效应的原理 |
| 1.2.2 声光材料的选择 |
| 1.2.3 声光材料的研究现状 |
| 1.3 声光器件 |
| 1.3.1 声光移频器 |
| 1.3.2 声光可调滤光器 |
| 1.3.3 声光偏转器 |
| 1.3.4 声光器件的应用 |
| 1.4 新型声光晶体的研究进展 |
| 1.5 基于声光特性的功能复合 |
| 1.6 本论文的选题依据、目的及主要研究内容 |
| 1.7 参考文献 |
| 第二章 声光调制器件的设计与制备 |
| 2.1 引言 |
| 2.2 声光材料的选择 |
| 2.3 声光调制器的方案设计及参数设计 |
| 2.3.1 调制速度 |
| 2.3.2 插入损耗(衍射效率) |
| 2.3.3 消光比 |
| 2.4 压电换能器的理论基础 |
| 2.4.1 压电换能器的阻抗矩阵 |
| 2.4.2 压电换能器的玛森(W.P.Mason)等效电路 |
| 2.5 压电换能器的设计 |
| 2.5.1 焊接层的设计 |
| 2.5.2 压电层的设计 |
| 2.6 声光器件声光参数的表征 |
| 2.6.1 衍射效率 |
| 2.6.2 声光衍射角 |
| 2.6.3 脉冲上升/下降时间 |
| 2.6.4 插入损耗 |
| 2.7 本章小结 |
| 2.8 参考文献 |
| 第三章 α-BTM晶体的声光器件优化设计 |
| 3.1 引言 |
| 3.2 α-BTM声光晶体的研究现状 |
| 3.3 α-BTM自由空间声光调制器件 |
| 3.3.1 633nm-α-BTM自由空间声光器件 |
| 3.3.2 1064nm-α-BTM自由空间声光器件 |
| 3.3.3 1550nm-α-BTM自由空间声光器件 |
| 3.4 α-BTM光纤声光器件 |
| 3.4.1 α-BTM-1064nm-100MHz光纤耦合声光器件 |
| 3.4.2 高掺Yb光纤1064nm -100MHz声光调Q实验 |
| 3.4.3 α-BTM-1550nm-200MHz光纤声光器件 |
| 3.5 声光调Q+锁模 |
| 3.6 本章小结 |
| 3.7 参考文献 |
| 第四章 CTW晶体声光自拉曼功能复合 |
| 4.1 引言 |
| 4.2 CTW晶体偏振拉曼光谱及拉曼激光输出 |
| 4.2.1 自发拉曼光谱 |
| 4.2.2 1064 nm泵浦的拉曼光谱 |
| 4.3 CTW晶体拉曼激光研究 |
| 4.3.1 CTW晶体一阶拉曼激光输出 |
| 4.3.2 CTW晶体双波长拉曼激光输出 |
| 4.4 CTW晶体的声光-拉曼功能复合 |
| 4.4.1 CTW晶体声光器件的设计 |
| 4.4.2 CTW晶体声光—拉曼复合 |
| 4.5 本章小结 |
| 4.6 参考文献 |
| 第五章 新型碲酸盐声光玻璃(KTeP)的制备及器件制作 |
| 5.1 引言 |
| 5.2 KTeP玻璃的制备 |
| 5.2.1 实验配料及设备 |
| 5.2.2 玻璃的制备流程 |
| 5.2.3 玻璃加工 |
| 5.3 KTeP玻璃的性能 |
| 5.3.1 KTeP玻璃的颜色问题 |
| 5.3.2 KTeP玻璃的潮解问题 |
| 5.3.3 热分析表征 |
| 5.3.4 KTeP玻璃的退火工艺 |
| 5.3.5 折射率测量 |
| 5.3.6 透过/吸收光谱 |
| 5.3.7 密度测试及硬度测试 |
| 5.4 KTeP玻璃声光器件研究 |
| 5.4.1 玻璃声光器件的设计与制作 |
| 5.4.2 KTeP玻璃声光调制器性能 |
| 5.5 玻璃材料中激活离子的掺杂 |
| 5.5.1 KTeP玻璃Nd~(3+)与Dy~(3+)离子掺杂 |
| 5.5.2 玻璃荧光寿命表征 |
| 5.6 本章小结 |
| 5.7 参考文献 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.1.1 α-BTM自由空间声光调制器件 |
| 6.1.2 α-BTM光纤耦合声光调制器件 |
| 6.1.3 新型声光玻璃KTeP的制备与器件制作 |
| 6.1.4 CTW晶体声光自拉曼激光输出 |
| 6.2 主要创新点 |
| 6.3 有待深入研究的问题 |
| 致谢 |
| 攻读学位期间发表的学术论文及专利 |
| 攻读学位期间所获的奖励 |
| 攻读学位期间参加的会议 |
| 附件 |
| 学位论文评阅及答辩情况表 |
（7）5G移动通信网络切片技术研究及医用终端设计（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 网络切片技术国内外研究现状 |
| 1.3 本文主要工作和组织结构 |
| 第二章 相关理论与技术简介 |
| 2.1 软件定义网络SDN |
| 2.1.1 SDN概述 |
| 2.1.2 SDN架构 |
| 2.2 网络功能虚拟化NFV |
| 2.2.1 NFV概述 |
| 2.2.2 NFV架构 |
| 2.3 网络切片 |
| 2.3.1 网络切片概述 |
| 2.3.2 网络切片架构 |
| 2.4 Open Air Interface(OAI) |
| 2.4.1 OAI概述 |
| 2.4.2 OAI架构 |
| 2.5 非正交多址接入NOMA |
| 2.5.1 NOMA概述 |
| 2.5.2 上行NOMA |
| 2.5.3 下行NOMA |
| 2.6 本章小结 |
| 第三章 端到端网络切片系统设计与实现 |
| 3.1 系统总体设计 |
| 3.2 端到端网络切片系统方案设计 |
| 3.2.1 设计目标 |
| 3.2.2 资源层设计 |
| 3.2.3 网络切片实例层设计 |
| 3.2.4 服务实例层设计 |
| 3.2.5 用户层设计 |
| 3.2.6 端到端网络切片系统工作流程 |
| 3.3 系统验证与分析 |
| 3.3.1 平台介绍 |
| 3.3.2 系统测试 |
| 3.3.3 测试结果与分析 |
| 3.4 本章小结 |
| 第四章 基于网络切片与NOMA技术的医用终端设计 |
| 4.1 医用终端总体设计 |
| 4.2 医用终端硬件设计 |
| 4.2.1 5G通信模组选型 |
| 4.2.2 主机选型 |
| 4.2.3 Zig Bee模块选型 |
| 4.2.4 硬件平台搭建 |
| 4.3 医用终端软件设计 |
| 4.3.1 医疗数据处理程序 |
| 4.3.2 音视频处理程序 |
| 4.4 基于终端的系统模型设计 |
| 4.4.1 RAN切片设计 |
| 4.4.2 网络模型与假设 |
| 4.5 可实现的目标 |
| 4.5.1 上行场景 |
| 4.5.2 下行场景 |
| 4.5.3 截断信道反转功率控制 |
| 4.6 仿真与性能分析 |
| 4.6.1 上行链路性能评估 |
| 4.6.2 下行链路性能评估 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 后续展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于深度学习的船舶目标检测方法研究（论文提纲范文）
| 中文摘要 |
| 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 目标检测研究现状 |
| 1.2.2 船舶检测研究现状 |
| 1.3 本文研究内容和方法 |
| 1.3.1 本文的研究内容和创新点 |
| 1.3.2 本文结构 |
| 第二章 深度学习与目标检测概述 |
| 2.1 深度学习与目标检测 |
| 2.2 基础概念和评价指标 |
| 2.2.1 边界框和锚框 |
| 2.2.2 交并比:IoU、DIoU和CIoU |
| 2.2.3 非极大值抑制:NMS |
| 2.2.4 评价指标:Precision、Recall、mAP和FPS |
| 2.3 经典目标检测方法概述 |
| 2.3.1 两阶段经典检测方法:R-CNN系列 |
| 2.3.2 单阶段经典检测器:YOLO系列 |
| 2.3.3 单阶段多层检测器:SSD系列 |
| 2.4 本章小结 |
| 第三章 数据分析与预处理 |
| 3.1 船舶图像数据分析 |
| 3.2 船舶图像数据处理 |
| 3.2.1 数据集标签制作 |
| 3.2.2 数据增强 |
| 3.3 K-Means聚类获取锚框 |
| 3.4 实验环境 |
| 3.5 本章小结 |
| 第四章 基于RetinaNet算法的船舶检测方法研究 |
| 4.1 样本不均衡问题与聚焦损失函数 |
| 4.1.1 船舶图像样本不均衡问题分析 |
| 4.1.2 聚焦损失函数:Focal Loss |
| 4.2 特征金字塔网络:FPN |
| 4.3 基于RetinaNet算法的船舶检测算法设计与实现 |
| 4.3.1 RetinaNet检测思想 |
| 4.3.2 RetinaNet网络模型设计 |
| 4.3.3 损失计算与训练 |
| 4.4 船舶目标检测模型RetinaShip |
| 4.4.1 RetinaShip网络模型设计 |
| 4.4.2 难样本挖掘与锚框设计 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于YOLO算法的船舶检测方法研究 |
| 5.1 YOLO算法介绍 |
| 5.1.1 YOLO算法发展 |
| 5.1.2 YOLO检测思想 |
| 5.1.3 边界框回归 |
| 5.2 YOLOv3目标检测算法 |
| 5.2.1 YOLOv3的新特性 |
| 5.2.2 YOLOv3的检测思想 |
| 5.3 YOLOv4目标检测算法 |
| 5.3.1 骨架网络结构:CSPDarknet53 |
| 5.3.2 特征融合网络:PAN |
| 5.3.3 YOLOv4的优化策略 |
| 5.4 基于YOLOv3算法的船舶检测方法设计与实现 |
| 5.4.1 YOLOv3网络模型设计 |
| 5.4.2 YOLOv3船舶检测损失计算与改进 |
| 5.4.3 实验结果与分析 |
| 5.5 基于YOLOv4算法的船舶检测方法设计与实现 |
| 5.5.1 YOLOv4网络模型设计 |
| 5.5.2 船舶检测损失计算与训练 |
| 5.5.3 实验结果与分析(1) |
| 5.5.4 模型改进:使用MobileNet作为骨干网络 |
| 5.5.5 模型改进:网络轻量化YOLOv4-Lite |
| 5.5.6 实验结果与分析(2) |
| 5.6 实验结果总结 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）智能电网故障录波器设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题的研究背景和意义 |
| 1.2 故障录波器的研究现状 |
| 1.3 本课题研究的方向和重点 |
| 1.4 论文的主要内容和结构安排 |
| 第二章 故障录波器的总体设计 |
| 2.1 引言 |
| 2.2 故障录波器的设计原则 |
| 2.3 故障录波器的技术指标 |
| 2.4 故障录波器总体框架 |
| 2.4.1 系统硬件框架 |
| 2.4.2 系统单元间通信网络 |
| 2.5 通用硬件模块 |
| 2.5.1 高性能MCU |
| 2.5.2 4G模块 |
| 2.5.3 GPS模块 |
| 2.6 本章小结 |
| 第三章 故障录波器硬件电路设计 |
| 3.1 引言 |
| 3.2 各单元设计要点 |
| 3.3 采集单元硬件选型及原理图 |
| 3.3.1 导线感应取电和能量管理电路 |
| 3.3.2 电流检测和数据采集电路 |
| 3.3.3 本地数据存储 |
| 3.3.4 数据通讯和本地控制网络 |
| 3.3.5 MCU及其外围电路 |
| 3.4 汇集单元硬件选型与电路设计 |
| 3.4.1 太阳能取电和能量管理电路 |
| 3.4.2 汇集单元其余电路 |
| 3.5 监测单元硬件选型与电路设计 |
| 3.5.1 电源电路 |
| 3.5.2 零序电压采集电路 |
| 3.5.3 监测单元其余电路 |
| 3.6 本章小结 |
| 第四章 故障录波器软件功能实现 |
| 4.1 开发平台和软件功能总体结构 |
| 4.1.1 软件开发平台 |
| 4.1.2 系统软件功能总体结构 |
| 4.2 采集单元功能实现 |
| 4.2.1 系统时钟设置和调试串口程序 |
| 4.2.2 电流采样及数据传输存储 |
| 4.2.3 采样数据分析判断 |
| 4.2.4 高精度时间戳实现 |
| 4.2.5 工况信息采集与上传 |
| 4.2.6 故障数据TCP/IP上传 |
| 4.3 汇集单元功能实现 |
| 4.3.1 参数修改 |
| 4.3.2 汇集单元相关指令 |
| 4.4 监测单元功能实现 |
| 4.4.1 接地故障判断指标 |
| 4.4.2 零序电压监测和接地故障记录存储 |
| 4.4.3 其余功能 |
| 4.5 本章小结 |
| 第五章 硬件电路和软件功能测试 |
| 5.1 硬件电路测试 |
| 5.2 LoRa配置 |
| 5.3 软件功能测试 |
| 5.3.1 信号发生器和Arb Express |
| 5.3.2 采集单元数据判断 |
| 5.3.3 接地故障召测 |
| 5.4 高精度时间戳 |
| 5.5 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）联合PCA降维与HOG特征提取的接触网补偿器在线监测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SCADA系统在电气化铁路安全检测中的应用现状 |
| 1.2.2 机器视觉在接触网安全监测系统的应用现状 |
| 1.3 论文主要研究内容与章节安排 |
| 第二章 监测系统总体方案设计 |
| 2.1 接触网工作原理及补偿器简介 |
| 2.2 接触网补偿器在线监测系统需求分析 |
| 2.2.1 系统架构的选择 |
| 2.2.2 系统功能需求分析 |
| 2.2.3 通讯网络需求分析 |
| 2.3 系统组成与结构 |
| 2.4 本章小结 |
| 第三章 接触网补偿器监测系统设计 |
| 3.1 现场监测子站的硬件设计 |
| 3.1.1 核心控制器选型与功能设计 |
| 3.1.2 数据采集模块的功能设计 |
| 3.1.3 数据传输通讯单元设计 |
| 3.1.4 电源模块设计 |
| 3.2 监测系统的软件设计 |
| 3.2.1 数据采集平台环境搭建 |
| 3.2.2 远程无线通讯协议设计 |
| 3.2.3 4G网络通讯连接 |
| 3.2.4 云服务器的设计 |
| 3.2.5 云存储的设计 |
| 3.3 本章小结 |
| 第四章 联合PCA降维与HOG特征的补偿器环境图像异物识别 |
| 4.1 基于结合边窗滤波与双边滤波的补偿器现场图像去噪 |
| 4.1.1 传统滤波 |
| 4.1.2 基于边窗技术改进的双边滤波 |
| 4.2 基于CLAHE的补偿器图像低光增强 |
| 4.2.1 Retinex增强算法 |
| 4.2.2 直方图均衡化增强算法 |
| 4.2.3 限制对比度的自适应直方图均衡化 |
| 4.3 补偿器环境图像目标区域的识别算法 |
| 4.3.1 梯度方向直方图特征(HOG)的基本原理 |
| 4.3.2 主成分分析(PCA)的基本原理 |
| 4.3.3 支持向量机(SVM)的基本原理 |
| 4.3.4 基于联合PCA降维与HOG特征算法的补偿器环境图像异物识别 |
| 4.4 本章小结 |
| 第五章 接触网补偿器监测系统实现 |
| 5.1 系统服务器端环境搭建 |
| 5.1.1 系统采集平台搭建 |
| 5.1.2 ECS服务器环境搭建 |
| 5.2 监控中心客户端功能实现 |
| 5.2.1 用户信息管理模块 |
| 5.2.2 设备参数管理模块 |
| 5.2.3 数据显示模块 |
| 5.3 系统实现与测试 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、采用HT技术的P4 3.06GHz处理器的测试数据（论文参考文献）
- [1]物联网中继与移动边缘学习系统性能优化算法研究[D]. 刘丹. 北京邮电大学, 2021(01)
- [2]面向关键业务网络的流量异常检测系统的设计与实现[D]. 张雨姗. 北京邮电大学, 2021(01)
- [3]基于图卷积网络的癫痫脑电信号分析与研究[D]. 陈鑫. 山东师范大学, 2021(12)
- [4]基于深度学习的大型风电机组叶片表面损伤边云协同检测架构及方法研究[D]. 吴晓伦. 华北电力大学(北京), 2021(01)
- [5]基于视觉学习的波束追踪增强方法的设计与实现[D]. 高佳. 北京邮电大学, 2021(01)
- [6]新型碲酸盐声光材料制备与器件研究[D]. 刘孚安. 山东大学, 2021(11)
- [7]5G移动通信网络切片技术研究及医用终端设计[D]. 万晋廷. 电子科技大学, 2021(01)
- [8]基于深度学习的船舶目标检测方法研究[D]. 贾旭强. 兰州大学, 2021(09)
- [9]智能电网故障录波器设计与实现[D]. 贺云. 华南理工大学, 2020(02)
- [10]联合PCA降维与HOG特征提取的接触网补偿器在线监测系统研究[D]. 李苏晨. 石家庄铁道大学, 2020(01)