![具有 [a,b] 因子的图的邻域条件（英文）](https://www.lw76.cn/thumb/82b9dabac134d52f52f8fa9c.webp)
一、图有 [a,b]因子的邻域条件(英文)（论文文献综述）
杨韩[1]（2021）在《基于特征和频域相似性度量的多源遥感图像配准方法研究》文中指出遥感图像近年来在资源、军事、气象、农业、环境和交通等领域得到越来越广泛的应用。多源遥感图像协同处理可以充分利用不同遥感图像的空谱信息,对提高军民领域各种遥感应用系统的性能具有重要意义。多源遥感图像配准是多源遥感图像协同处理的必要前提和关键技术,是遥感技术的研究热点之一。遥感图像配准方法总体上分为基于特征的配准方法和基于区域的配准方法两大类。基于特征的配准方法对尺度和旋转差异具有一定的鲁棒性,但是易受非线性灰度和纹理等差异的影响。基于区域的配准方法高度依赖度量的准确性和鲁棒性,而大多数度量的构建是基于灰度统计特性来表征重叠区域的相似度,缺乏对空间结构信息的利用,配准精度欠佳。针对以上问题,结合基于特征的配准方法对尺度旋转差异的鲁棒性和基于频域相似性度量的方法配准精度较高的优势,本文重点围绕基于特征和频域度量的多源遥感图像配准方法展开研究。本文的主要研究工作概括如下:（1）针对基于特征的遥感图像配准方法中因误配比例高而导致配准参数估计不够准确的问题,提出了一种基于全局特征三角形相似性的配准方法。该方法利用基准图和待配图中正确匹配特征三角形的相似性原理,通过构造数学模型评价匹配特征点的全局几何相似度,并基于该相似度剔除误配点,利用最终保留的正确匹配特征点计算配准参数。仿真和真实数据实验验证了本章提出的误配点剔除方法的准确性。（2）针对基于特征的遥感图像配准方法因无法减小匹配特征点对之间存在的固有误差而导致配准参数估计不够准确的问题,提出了一种基于误配点剔除和特征点位置调整的配准方法。该方法通过较为松弛的误配点剔除方法剔除匹配误差非常大的特征点对,并利用特征点位置调整方法进一步减小保留特征点对的固有误差。与此同时,构造了一种基于相位结构一致性的相似性度量作为误配点剔除和特征点位置调整的评价指标。仿真和真实数据实验验证了本章提出的相似性度量的准确性,以及基于该度量的配准策略的有效性。（3）针对基于特征的遥感图像配准方法受初始匹配特征质量的制约,导致配准精度受限问题,提出一种基于特征和扩展相位相关的配准方法。该方法利用基于特征的配准方法估计基准图和待配图的初始配准参数并完成粗矫正,通过扩展相位相关法计算矫正后的待配图和基准图之间的精确配准参数,融合两次配准结果得到最终的配准参数。仿真和真实数据实验验证了结合特征和扩展相位相关法的配准框架的高效性。（4）针对基于区域的遥感图像配准方法在构建相似性度量的过程中所利用的信息不够丰富,导致配准精度和鲁棒性不够高的问题,提出了一种基于全局混合结构相似性度量的遥感图像配准算法。利用灰度域的结构相似性和频域的相位一致性构建一种混合结构相似性度量,在确保对灰度差异具有一定鲁棒性的同时,充分发挥相位信息对几何畸变的灵敏度优势。仿真和真实数据实验验证了本章构建的相似性度量的准确性和鲁棒性。
赵孝礼[2]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中指出滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
戚园园[3]（2021）在《基于特征表示学习的文本检索研究》文中认为文本检索是自然语言处理领域中的重要内容,也是大数据和人工智能时代的基础支撑技术。文本检索不但是人们从互联网大数据中获取所需信息的有效手段,也是开发其他智能系统,如问答对话系统的重要条件。判断一篇文档是否与用户查询相关是文本检索的核心问题。为了解决这一问题,文本检索模型通常将用户查询和候选文档映射到同一向量空间,继而计算它们之间的相关性。这便是文本检索的文本特征表示和相关性计算。文本特征表示有经典统计和机器学习两类方法。而查询与文档的相关性定义也有逻辑值和实数值两种。当相关性为逻辑值时,还需要利用专门的排序算法对所有相关文档进行排序。当相关性为实数值时,相关性本身便是对文档进行排序的依据。本文对上述问题进行了深入系统的研究,取得的主要创新性成果如下:1.提出一种基于显着上下特征表示的文本检索模型。采用滑动窗口的方法寻找文档中与查询具有显着语义相关性的上下文,利用这些上下文获得文档的显着上下文特征表示,从而更好解决长文档与查询间的匹配问题。新的文本特征表示中包含上下文信息,联合构建层次化的文本相关匹配,实验结果表明该模型同时提高了文本检索的精度和召回率。2.提出一种基于卷积图拓扑特征表示的文本检索模型。将查询和文档的上下文向量转换为图拓扑结构后,利用图卷积网络生成新的文本特征。此类文本特征表示不仅包含上下文信息,同时还包含全局结构化信息。实验结果表明该模型有效改善了文本检索精度。3.提出一种交互图拓扑特征表示的文本检索模型。结合双向注意力网络和图注意力网络将上下文向量表示转换为基于交互图拓扑特征的文本表示。此类文本特征表示不仅包含上下文信息,同时还包含交互信息和不同注意力加权后的全局结构化信息。实验结果验证了该模型的有效性。
靖旭阳[4]（2020）在《基于数据压缩及融合的高效网络安全分析》文中进行了进一步梳理网络安全分析根据网络主机基数、网络流和网络行为等安全参数,分析网络通信的变化趋势,进而判断网络的安全性,是维护和保障网络空间安全的重要技术。然而,随着网络规模的不断扩大,海量安全参数导致网络安全分析面临效率低、准确性差、资源消耗大的问题。近年来,数据压缩融合方法已被广泛应用在网络安全分析中,通过按需压缩和融合数据,减少存储及分析数据所需的资源消耗,具有时间和空间上的优势,是克服海量安全参数给网络安全分析带来新挑战的有效途径。然而,将数据压缩融合方法用于处理分析海量安全参数时仍然存在若干关于数据采集、存储、溯源以及分析的问题。第一,数据压缩融合模型在重构异常地址时误报高、计算开销大。第二,现有的数据压缩融合模型不支持分布式并行的主机基数采集和分析。第三,数据压缩融合模型难以有效平衡内存使用和超级主机识别准确性之间的关系。第四,基于数据压缩融合模型的异常检测方法不支持独立于协议的自适应异常行为分析。第五,现有安全参数分析方法不能克服训练数据短缺、易受数据异构特征的影响。因此,为了提高网络安全分析的准确性和效率,需要设计新型数据压缩及融合方法,以确保网络安全分析技术具有高效地处理和分析海量安全参数的能力。本博士论文针对以上网络安全分析中的现存问题,提出了一系列解决方案。具体贡献如下:（1）针对压缩融合模型的可逆问题以及海量安全参数给网络异常行为检测带来的问题,本文首先提出了具有低计算复杂度的二维可逆压缩融合模型。基于此模型,针对目前较为流行的分布式拒绝服务攻击和放大攻击,本文设计了两个独立于网络协议的自适应的异常行为检测方案。方案一基于新型多图表累计和算法,动态地监控能反映分布式拒绝服务攻击的流量特征的变化。方案二通过监控请求数据和响应数据之间的不平衡关系准确检测放大攻击,无需采集多个流量特征,实现了高效的异常检测。（2）针对海量安全参数给主机基数分析带来的问题,基于贡献1提出的二维可逆压缩融合模型,创新性地提出了三维可逆压缩融合模型,支持对主机基数的分布式并行分析。此模型具有以下特点:多维性,即并行监控多类别主机基数,进而可同时识别多种超级主机;融合性,即可进行分布式安全参数采集,确保主机基数采集的完整性;可逆性,即可准确地重构超级主机地址。（3）针对海量安全参数给数据存储带来的问题,基于贡献2提出的数据压缩融合模型,提出了可扩展的可逆压缩融合模型,同时实现了内存高效和准确的主机基数分析。此模型可以根据主机基数的分布情况动态地扩展压缩融合模型占用的内存大小,保证在监控低基数主机时的高效内存利用和监控高基数主机时的高度准确性。基于此模型,根据超级主机的特点,提出了准确快速的超级主机识别方法。（4）针对海量安全参数特征的异构特性和训练数据短缺的问题,提出了一种基于数据融合的距离学习方法,用以提高数据分析模型的准确性。该方法根据携带数据局部信息的新型群组约束形式学习能充分反映数据特征的距离函数。其中,利用半正定优化学习线性距离函数,借助深度学习的优势实现能处理非线性数据的非线性距离函数。提出的方法可以在有限的先验知识条件下挖掘更多的背景知识,充分利用了先验知识中的权重信息,提高了安全参数分析的准确性。
王贤圆[5]（2021）在《极化合成孔径雷达图像特征表示与目标分类方法研究》文中认为极化合成孔径雷达（Synthetic Aperture Radar,SAR）通过主动发射、接收特定的电磁波来获取地物信息,成像不受时间、天气等因素影响。极化SAR图像分类在自然灾害分析、城市规划等军、民领域均有着广泛的应用。随着极化SAR系统的研究与应用,高分辨、多极化SAR图像带来了更丰富的地物信息和更复杂的图像场景,极化SAR数据量也随着极化SAR系统的普及而日益增多。虽然更丰富的极化信息与数据量给极化SAR的解译带来积极作用,但也对解译方法提出了新的挑战。这要求极化SAR数据的特征表示方法能提取多类信息并进行高效融合,此外,也要求分类器在少量有标签和大量无标签数据的情况下进行有效分类。本文在分析上述问题的基础上,以充分利用极化信息与空间信息为出发点,提出了多种适用于极化SAR图像的特征表示与目标分类方法。论文的主要研究工作如下:（1）针对极化特征与空间特征融合问题,提出了一种基于极化-空间特征的复合核函数方法。该方法首先通过多种极化目标分解与数学形态学方法提取一系列极化特征和空间特征,在此基础上根据核函数空间映射性质及Mercer定理,利用权重系数建立两类特征间的主次关系。该方法既弥补了单一特征的缺陷,又挖掘了两类特征间的互补信息,实现了极化特征与空间特征的有效融合。（2）针对非均匀地物空间信息利用问题,提出了一种基于区域特性的多尺度核函数方法。该方法首先根据极化数据的分布特性研究基于Wishart分布的超像素生成算法,将图像划分为由粗到细不同尺度的超像素,在此基础上提取每一尺度下的极化特征并通过多尺度核函数策略整合不同尺度下的极化特征。该方法突破了目标尺度对特征提取的限制,有效地聚合了不同尺度空间下的极化特征。（3）针对联合极化特征间特征冗余问题,提出了一种基于深度学习的联合极化特征挖掘方法。该方法通过一系列基于观测数据的算数变换和目标分解方法构建联合极化特征,在此基础上利用卷积神经网络作为联合极化特征挖掘网络。该方法不仅利用了现有极化特征提取方法对极化数据进行解译,并且避免了高维极化特征冗余的问题,实现了极化信息的深度挖掘,提高了分类的准确性。（4）针对海量无标签数据未有效利用问题,提出了一种自适应锚点图的半监督学习方法。该方法利用极化数据的分布特性推导出Wishart距离度量公式,在此基础上计算样本的局部稠密程度,确定每一样本最佳的最近邻锚点个数,并依据最佳锚点对图像建图。该方法使每一样本灵活地选择其最近邻锚点数,突破了对图像、样本类别及所在数据密度的限制,实现了无标签数据的充分利用。本文所提出的方法已通过真实极化SAR数据验证,结果表明,这些方法可以有效解决极化SAR图像特征表示和目标分类中的主要问题,实现高准确率的地物分类。
刘文枫[6]（2020）在《基于计算智能的复杂网络结构分析与特征表示学习》文中研究说明现实世界中,不同领域的复杂系统和结构,例如物流学中交通运输系统、社会科学中的社交系统、信息预测与推荐系统、认知科学中的知识图谱、生物学中的蛋白质交互结构、化学中的分子结构等都可以抽象为一种复杂网络（或图）结构化的数据形式进行表达。网络数据中的节点和连接节点之间的边分别代表了相应的实体和实体之间的联系。对网络数据的结构分析和特征表示研究具有非常高的学术价值和潜在的应用价值。其中,复杂网络中的一个最基本且最重要的模式结构是社区结构,这种模式结构在网络中表现为社区内部连接紧密而社区之间连接稀疏。对复杂网络进行有效地社区模块性分析能够有助于理解、分析复杂系统的行为特性。除了社区结构,鲁棒性是另一个研究复杂网络功能性的重要属性,网络的鲁棒性强弱能够反映复杂系统的功能模块在遭受随机失效、恶意攻击时的稳定性和完整性。因此,研究网络鲁棒性对于分析复杂系统的功能模块的安全性和对抗攻击能力有着重要的意义。而近年来,随着机器学习技术的发展,学习网络中的节点或者整个网络的特征表示已经成为了一项新兴的研究方向。网络表示学习（也称为网络嵌入）旨在将网络中的节点或者整个网络映射到一个低维、稠密的向量表示空间。这样学习到的特征表示可以送入到后续的机器学习模型中用于相应的任务,如节点分类、链路预测、图聚类、图分类、推荐系统等,具有非常重要的应用价值。本博士论文主要针对复杂网络中的社区模式结构检测、网络结构鲁棒性分析与优化、网络表示学习、图神经网络等领域面临的挑战和相关工作的不足展开研究,采用计算智能领域相关的方法（启发式进化算法和深度学习方法）来解决相关问题。具体而言,本博士论文所展开的研究工作概括如下:1)社区结构是复杂网络的自然和固有属性,可以反映其潜在的功能。本文针对目前的研究仅考虑增强网络微观的节点或者边的鲁棒性而忽略了对宏观社区结构分析的问题,模拟了一种多层恶意攻击模式,并提出了一种具有两层学习策略的Memetic算法。该算法能够在保持原始网络的节点度分布和社区结构的同时,提高网络的社区鲁棒性。本文提出的Memetic算法是一种混合的全局-局部启发式搜索方法,其采用遗传算法作为全局搜索,并采用两级学习策略作为局部搜索。基于网络的节点结构和社区结构的潜在特征设计了二级学习策略,旨在缓解多层恶意攻击。在合成的无标度网络以及真实世界网络上与几种最新算法相比,都证明了该算法的有效性和稳定性。2)多层网络是一种更好地模拟现实复杂系统的一种网络结构,共享社区是对多层网络的各层通用的一种社区模式结构。传统的社区检测方法在单层网络上虽然很有效,但是不能对多层网络共享社区进行很好地检测。针对该问题,本文将多层网络中的共享社区发现问题建模为一个多目标优化问题,并设计了一种增强的多进化算法来优化目标,实现多层网络中的共享社区检测。本文提出的多目标优化算法基于经典的NSGA-II框架进行了改进,采用基于字符串的个体编码方式,综合了遗传运算和局部搜索以进行个体改良。为了证明算法的有效性,本文在两个真实世界网络上的实验结果都证明了提出的多目标优化算法在多层网络中检测社区结构的能力和效率。3)网络嵌入（网络表示学习）已广泛应用于解决网络分析问题,但现有方法主要集中在具有单层同构或异构网络的网络上。但是,许多真实世界的复杂系统更适合用多层网络来建模,多层网络是一种具有多种关系类型的异构网络。如何捕获和利用丰富的多关系类型的交互信息成为了多层网络嵌入的重大挑战。面向这一挑战性问题,本文提出了一种快速且可扩展的多层网络嵌入模型,以有效地将多种类型的关系信息保存和学习到一个统一的嵌入空间中。本文研究了一种面向多层网络的启发式三维交互游走技术,该技术可以利用不同层之间的丰富的交互信息,并能有效地捕获分层结构中包含的重要信息。在两个节点级的下游分析应用上评估了我们提出的模型:节点分类和链接预测。在七个社会领域和生物领域多层网络数据集上的实验结果表明,该模型在性能和复杂度方面优于现有对比算法。4)神经网络近些年受到了越来越多的关注,传统的神经网络设计针对于规则的欧式数据（如视觉图像）,但无法处理不规则的非欧式数据（如网络、图）。图神经网络是用于处理图数据结构的深度学习网络,而图卷积网络无疑是图神经网络的主要类别。图卷积网络通常是通过设计各种卷积运算和读出模块来利用图上的常见局部和全局结构模式。近些年,很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用。但是,当前的图卷积网络方法无法有效地保留图的局部性—这限制了在图分类任务上的性能,因为图分类目标是根据其学习的图级表示来区分各种图结构。为了解决该问题,本文提出了一种基于局部保留稠密图卷积网络架构。具体而言,该模型构造了一个额外的局部节点特征重构损失,以帮助将初始节点特征保留到节点表示中。重构模块通过设计一种简单但有效的编解码器机制来实现。此外,为了灵活地利用来自不同局部的邻域信息,本文探索了一种稠密的连接模式,该模式将每个卷积层及其对网络的读出模块与所有前面的卷积层连接起来。在实验方面,本文对六个基准图数据集的分析和实验评估都证明了模型的有效性。5)为了丰富节点表示和图级表示中蕴含的信息,在4)中提出的模型基础上,本文提出了一种全局上下文感知的自注意图卷积神经网络架构。通过构造一种全局上下文感知的连接模式,使得每个节点表示形式都能融合全局的上下文信息,以形成一个全局上下文感知节点表示形式,从而丰富了节点表示蕴含的信息而且提高了模型整体的泛化能力。其次,为了有效地提取不同层次的全局信息,本文引入了一种自注意力机制来汇总模型的逐层图级表示,从而丰富了最终的图级表示。在实验方面,本文通过对六个基准数据集的分析和实验评估表明,与最新对比算法相比,该模型可显着提高图分类任务的准确性。
鲍松泽[7]（2020）在《基于卷积神经网络的光学遥感影像船只目标检测技术研究》文中提出现代遥感技术兴起于20世纪60年代,至今在农业生产指导、土地资源利用监测、城市规划和军事侦查等领域始终发挥着重要的作用。经过多年的发展,光学遥感卫星呈现出大幅宽,高分辨率的技术发展趋势,单颗卫星获取影像数据的能力越来越强,并且随着卫星制造技术的不断进步,卫星的制造成本不断降低,越来越多的光学遥感卫星入轨并提供数据服务,每天都有TB量级的影像数据下传至地面端,如何高效、自动化地从海量的影像数据中提取有用的信息就成为了遥感信息应用的关键。船只是国际货物运输和军事力量投射的主要载体,通过光学卫星遥感平台对船只目标进行检测在民用领域可以满足海上交通管控,走私稽查和辅助海上救援等工作的需要;在军事领域则能监视敌方的兵力部署与动态,提高己方的态势感知能力,为决策制定提供重要依据。因此,如何从海量的光学遥感影像中准确、高效地检测船只目标,已成为亟需解决的问题。近年来,卷积神经网络在计算机视觉领域的得到了广泛的应用。卷积神经网络以数据为驱动,能够自动地提取图像中的高层语义特征,具有很强的特征描述与辨别能力。船只作为运动目标,其存在的场景具有不确定性。远海场景中,水体背景单调,船只目标分布范围广且稀疏;在港口区域内,地物种类复杂,船只密集停靠在码头附近。在精度与效率两方面的平衡性上,针对单一场景设计的检测方法难以适应不同的检测场景。因此,本文围绕可见光遥感影像船只检测任务,应用计算机视觉领域中主流的卷积神经网络技术,对于不同的检测场景,有针对性地设计不同的船只检测方法,旨在提高多场景下船只目标检测方法的精确性与时效性,促进智能化遥感信息平台的构建。本文主要研究内容包括以下几个方面:1.在远海场景中,遥感图像中的水体背景的颜色、纹理特征具有各向同性,船只目标分布稀疏,并且被凸显在水体背景中。针对这一特点,设计了一种联合视觉显着模型与分类卷积神经网络的远海区域船只检测方法。首先通过视觉显着模型在降采样后的输入图像上快速检测水体中的异常区域,提取包含候选目标的图像切片,然后,将所有图像切片输入到分类卷积神经网络中进行判别,剔除虚警,输出检测结果。针对船只目标的方向具有任意性的问题,采用核旋转卷积,提取各方向上的特征,通过方位响应池化操作编码方向不变特征,提高分类网络对旋转变换的不变性。相比于端到端的卷积神经网络网络,视觉显着模型的计算过程简洁,对硬件设备的性能要求低,能快速定位候选目标;相比于人工设计特征,轻量级的分类卷积网络的特征表达能力强,能够准确区分真实目标与虚警,整体算法具有较高的检测精度与较快的检测速度。2.在港口场景中,地物背景复杂,船只密集停靠,针对这一场景,设计了一种基于回归的一阶段旋转船只目标检测网络,该网络预测旋转检测框,在定位目标的同时保留了真实尺寸信息。针对旋转边界框间的Io U（Intersection over union）数值对角度偏差敏感,标注框难以匹配到锚点框的问题,采用角度相关Io U计算倾斜矩形框间的Io U,增加了正样本数量,提升了召回率;设计了锚点框精调分支与感受野扩增模块,嵌入到网络结构中,提升整体检测精度与检测框的定位精度。针对各改进策略的消融分析和与其他检测方法的对比实验验证了该方法的有效性。3.采用锚点框机制的检测方法需要在特征图上预设大量具有不同尺度、长宽比和旋转角度的锚点框,这些锚点框的超参数需人工设置,并且数量众多的锚点框也增加了计算与内存资源的占用。针对这一问题,设计了一种基于目标中心区域预测的旋转船只检测网络。该方法以特征图上目标中心点临近区域内的像素点作为正样本,以中心区域点的位置坐标和特征图等效采样步长作为边界框回归的参考,该方法摒弃了锚点框机制,具有较高的检测效率。此外,针对旋转船只目标与检测头中卷积核采样位置不对准的问题,设计了旋转ROI（Region of interest）卷积,精炼目标特征,实现目标特征对准,并应用于中心区域预测网络中,提高了网络对前景目标的分辨能力,进一步提升了检测精度。综上所述,本文围绕多场景下的船只检测任务,研究候选目标提取,真实船只目标判别和检测网络性能优化等关键技术问题,取得了一定的成果。本文的相关成果对智能化遥感信息平台的构建具有促进作用。
王广璞[8]（2020）在《SAR图像去噪与多源图像配准算法研究》文中进行了进一步梳理合成孔径雷达是一种主动式的遥感观测手段,具有全天时、全天候的特性。这些特性使得合成孔径雷达在复杂环境下仍能获取有效信息,使得其特别适合极端天气地区的地物信息获取、突发性灾害灾情快速获取、地壳形变监测等应用。而合成孔径雷达的相干成像系统导致SAR图像受相干斑影响严重,这使得对SAR图像的解译变得十分困难。同时SAR图像去噪是后续图像处理的基础,因此研究SAR图像去噪具有十分重要的意义。图像配准是对不同时间、不同视角或不同条件下（气候、亮度、摄像位置和角度等）获取的两幅图像进行匹配和叠加的过程。随着遥感技术的飞速发展以及新型传感器的大量涌现,人们获取多源遥感数据的能力不断提高。多源配准是图像处理领域中的关键步骤,也是多源图像融合和变化检测等应用的基础,因此对多源图像配准的研究意义重大。本文着重研究SAR图像去噪与多源图像配准算法,主要内容如下:（1）针对当前SAR图像去噪算法可以取得较好的平滑效果,但对图像细节信息的保持能力不足的问题展开研究。利用了WNNM（Weighted Nuclear Norm Minimization）算法在恢复与保持图像细节信息方面的特性,提出了一种基于WNMM与FANS（Fast Adaptive Non-local SAR）的SAR图像去噪算法。该算法对WNNM算法进行改进,采用适合于SAR图像斑点噪声模型的相似性度量准则寻找相似块,利用了WNNM在图像恢复和保持方面的优越性,同时结合FANS中三维小波系数收缩方法良好的去噪表现,提高了SAR图像的PSNR与SSIM,获得了良好的去噪效果。（2）针对SIFT算法中的梯度计算在组数较低时对噪声敏感的问题开展研究。对SIFT算法进行改进,利用GGS（Gaussian-Gamma-Shaped）双窗比值替代原本的梯度计算,重新构造特征描述子,同时将特征描述子维数拓展为256维,提高了SAR图像的配准精度和稳定性,同时在灰度差异较小的多源图像中也能取得良好的配准效果。（3）针对当前没有一种适用性广泛且稳定的多源图像配准算法去处理存在较大灰度差异与畸变的多源图像配准的问题展开研究。研究了基于直线特征的配准方法,着重研究了VSPM（Voronoi Spectral Point Matching）方法,但发现该方法对外点十分敏感,故在该方法粗配准与精配准的大架构下,提出了一种新的结合直线与直线虚拟交点的配准方法。该方法在多源图像之间存在大的灰度差异与畸变的情况下仍能适用,能够实现直线特征明显且图像中至少包含三组互不平行的直线段的多源图像的配准。
崔莉[9]（2020）在《弱亚循环图, Cayley图与双亚循环2图》文中研究表明一直以来,分类和刻画具有某种对称性的图都是代数图论研究的一个热点问题。本文主要研究弱亚循环图,Cayley图和双亚循环2图,得到了一些较为完善的成果。论文结构组织如下:第1章绪论部分,介绍关于弱亚循环图,Cayley图与双Cayley图的研究背景以及本文的主要研究工作。第2章预备知识,主要介绍本文所要用到的有关群论和图论的基本概念和已知结果。第3章介绍绝对可裂亚循环群,给出可裂亚循环群是绝对可裂的充分必要条件。作为应用,证明了2的方幂阶亚循环图与可裂弱亚循环图等价。第4章介绍弱绝对可裂亚循环置换群,并且证明一个图是亚循环图当且仅当它的全自同构群包含一个弱绝对可裂亚循环传递子群。其次,给出一个极小可裂亚循环传递置换群是弱绝对可裂的充分条件。作为应用,构造了三个是可裂弱亚循环图但不是亚循环图的无限类。最后,研究了伪亚循环图,给出存在n阶伪亚循环图的充分必要条件。第5章介绍Petersen型n-循环图,并且对于奇素数幂阶、最小度数的具有亚循环的点传递自同构子群的Petersen型n-循环图给出刻画,最后构造一类具有非可裂亚循环的点传递自同构子群的非Cayley图。第6章给出了2的方幂阶四度半弧传递图的完全分类。第7章给出了2p2阶四度非正规Cayley图的完全分类,其中p是一个素数。第8章给出了三度边传递双亚循环2图的完全分类。第9章总结本文的主要结果,并提出一些有待进一步研究的问题。
张友强[10]（2020）在《基于弱监督集成学习的高光谱图像分类方法研究》文中指出高光谱遥感影像包含连续的光谱波段和丰富的空间信息,它在许多领域有着广泛的应用。而分类任务往往是其他应用的一个基础性工作,因此,如何提高分类精度是当前研究的一个重点。在近些年,一些传统的机器学习方法已广泛地用于高光谱图像分类并取得了较好的结果;最近,基于深度学习的方法在高光谱图像分类中取得了显着的效果。一般来说,这些方法需要大量的标记样本来训练可靠的分类模型。然而,当标记样本较少时,其分类结果往往不能满足要求;此外,标记遥感图像需要专业知识,对遥感图像进行人工标注需要花费大量的人力成本和时间开销。针对上述问题,本文从弱监督学习和集成学习出发,分析了弱监督学习和集成学习在高光谱图像分类中存在的问题;然后,本文结合高光谱数据的特点对分类模型或算法进行改进。最后,本文将弱监督学习和集成学习统一在一个框架下进行高光谱图像分类。本文的主要工作概括如下:（1）提出了基于级联随机森林的高光谱图像分类方法,该方法将两种不同的增强方法嵌入到随机森林中来提高分类精度。为了克服Boosting容易陷入过拟合的问题,本文使用袋外误差来更新样本的重采样权重;为了选取更有效的特征来建立模型,本文提出了基于邻域粗糙集的层次随机子空间方法来选择特征。（2）提出了基于主动半监督随机森林的高光谱图像分类方法,该方法同时将主动学习和半监督学习嵌入随机森林中来提高模型的性能。为了避免主动学习模型带来的偏差,本文采用聚类技术来挖掘光谱数据的内在结构信息进行数据划分;为了充分利用空间信息,本文将光谱-空间约束构造新的主动学习查询函数,提升了样本选择的判别性。（3）提出了基于多视图随机旋转集成剪枝的高光谱图像分类方法,该方法以多视图学习构造集成分类器来提高模型的泛化性能。为了提高集成学习中基分类器之间的差异性,本文采用相关分析的光谱特征进行多视图划分并引入随机旋转增加基分类器的多样性;为了删除冗余的基分类器,本文使用了集成剪枝方法来对分类器进行剪枝。（4）提出了基于多视图标签传播集成的高光谱图像分类方法,该方法利用多个图标签传播来提高传播结果的可靠性。为了充分利用空间信息,本文采用形态学特征来构造图表示。为了缓解单一图模型的不稳定性;本文利用不同图的标签传播结果进行融合来获取未知样本的标签。为了验证本文所提出方法的有效性,本文在多个真实的高光谱数据集上进行了实验。实验结果表明,本文所提出的方法相比于同类算法具有更好的分类精度;特别是在标记样本数量较少时,本文提出的方法对分类精度的提升是显着的。
二、图有 [a,b]因子的邻域条件(英文)（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、图有 [a,b]因子的邻域条件(英文)（论文提纲范文）
（1）基于特征和频域相似性度量的多源遥感图像配准方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词对照表 |
| 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 基于灰度的图像配准算法研究现状 |
| 1.2.2 基于特征的图像配准算法研究现状 |
| 1.2.3 基于频域的图像配准算法研究现状 |
| 1.2.4 基于深度学习的图像配准研究现状 |
| 1.3 本文的主要研究内容及章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第2章 基于全局特征三角形相似性的遥感图像配准方法 |
| 2.1 引言 |
| 2.2 SIFT和LPM算法介绍 |
| 2.2.1 尺度空间构建 |
| 2.2.2 特征点定位 |
| 2.2.3 主方向确定 |
| 2.2.4 描述符构建 |
| 2.2.5 LPM算法简介 |
| 2.3 基于全局特征三角形相似性的遥感图像配准 |
| 2.3.1 基于全局特征三角形相似性的误配点剔除 |
| 2.3.2 基于GSM的图像配准算法 |
| 2.4 实验与结果分析 |
| 2.4.1 实验数据介绍 |
| 2.4.2 评价指标 |
| 2.4.3 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 基于误配点剔除和特征点调整的遥感图像配准方法 |
| 3.1 引言 |
| 3.2 基于相位结构相似性(PH-SSIM)的度量构建 |
| 3.3 基于误配点剔除和特征点调整的遥感图像配准算法 |
| 3.3.1 算法流程描述 |
| 3.3.2 变换模型 |
| 3.3.3 基于PH-SSIM的误配点剔除策略 |
| 3.3.4 基于PH-SSIM的特征点位置调整策略 |
| 3.3.5 复杂度分析 |
| 3.4 实验与结果分析 |
| 3.4.1 实验数据介绍 |
| 3.4.2 评价指标 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果和讨论 |
| 3.5 本章小结 |
| 第4章 基于特征和扩展相位相关的遥感图像配准方法 |
| 4.1 引言 |
| 4.2 扩展相位相关算法 |
| 4.2.1 平移参数估计 |
| 4.2.2 旋转参数估计 |
| 4.2.3 缩放参数估计 |
| 4.2.4 扩展相位相关法 |
| 4.3 基于特征和扩展相位相关的遥感图像配准算法 |
| 4.3.1 基于特征和扩展相位相关的配准算法总体流程介绍 |
| 4.3.2 基于特征的粗配准 |
| 4.3.3 基于扩展相位相关的精配准 |
| 4.3.4 粗配准和精配准参数融合 |
| 4.4 实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 实验结果与分析 |
| 4.4.3 讨论与总结 |
| 4.5 本章小结 |
| 第5章 基于全局混合结构相似性度量的遥感图像配准方法 |
| 5.1 引言 |
| 5.2 全局混合结构相似性度量(GMSIM) |
| 5.3 基于GMSIM的遥感图像配准算法 |
| 5.3.1 基于GMSIM配准的数学表达和总体策略 |
| 5.3.2 基于GMSIM配准的参数初始化 |
| 5.3.3 基于量子粒子群的GMSIM参数寻优 |
| 5.4 实验与结果分析 |
| 5.4.1 实验设计 |
| 5.4.2 对比实验验证和分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要工作和创新点 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读博士学位期间的主要研究成果 |
| 致谢 |
（2）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（3）基于特征表示学习的文本检索研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.1.1 文本检索 |
| 1.1.2 文本检索的应用 |
| 1.2 课题的研究意义 |
| 1.3 课题的研究现状 |
| 1.3.1 经典统计的文本检索模型 |
| 1.3.2 深度文本匹配模型 |
| 1.3.3 文本检索的突出问题 |
| 1.4 本文的主要工作及研究成果 |
| 1.5 论文的组织结构 |
| 第二章 文本检索的基本理论 |
| 2.1 文本表示 |
| 2.1.1 基于离散式向量的文本表示 |
| 2.1.2 基于分布式向量的文本表示 |
| 2.1.3 基于上下文向量的文本表示 |
| 2.2 基础检索模型 |
| 2.2.1 概率模型 |
| 2.2.2 深度文本匹配模型 |
| 2.3 文本检索常用的数据集与工具 |
| 2.3.1 文本检索常用数据集 |
| 2.3.2 文本检索常用工具 |
| 2.3.3 文本检索常用评估指标 |
| 2.4 本章小结 |
| 第三章 基于显着上下文特征表示的文本检索 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 显着上下文特征表示 |
| 3.3.1 先导实验 |
| 3.3.2 显着上下文的定义 |
| 3.3.3 显着上下文的搜索 |
| 3.4 上下文显着性的计算 |
| 3.4.1 显着上下文 |
| 3.4.2 上下文显着性 |
| 3.4.3 聚合相关度 |
| 3.4.4 复杂度分析 |
| 3.5 实验 |
| 3.5.1 数据集与实验设置 |
| 3.5.2 实验结果与分析 |
| 3.5.3 参数分析 |
| 3.6 本章小结 |
| 第四章 基于卷积图拓扑特征表示的文本检索 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 BERT模型 |
| 4.2.2 图卷积网络 |
| 4.3 基于卷积图拓扑特征表示的检索模型 |
| 4.3.1 检索模型的网络框架 |
| 4.3.2 图卷积拓扑特征表示 |
| 4.3.3 卷积图拓扑特征表示 |
| 4.3.4 联合排序 |
| 4.4 实验 |
| 4.4.1 评测数据集 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果与分析 |
| 4.4.4 参数分析 |
| 4.5 本章小结 |
| 第五章 基于交互图拓扑特征表示的文本检索 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 图注意力网络 |
| 5.2.2 注意力机制 |
| 5.3 基于交互图拓扑特征表示的检索模型 |
| 5.3.1 检索模型的网络框架 |
| 5.3.2 图注意力拓扑特征表示 |
| 5.3.3 交互图拓扑特征表示 |
| 5.3.4 联合排序 |
| 5.4 实验 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果及分析 |
| 5.4.3 参数分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于数据压缩及融合的高效网络安全分析（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 |
| 1.2 研究问题 |
| 1.2.1 数据压缩融合的高效可逆性 |
| 1.2.2 数据压缩融合的分布式并行处理 |
| 1.2.3 数据压缩融合的内存高效性 |
| 1.2.4 独立于协议的自适应异常行为检测 |
| 1.2.5 有限先验知识下安全参数分析的精确性 |
| 1.3 研究目标 |
| 1.4 研究内容 |
| 1.4.1 研究内容一:基于二维可逆压缩融合模型的异常行为检测 |
| 1.4.2 研究内容二:基于三维可逆压缩融合模型的超级主机识别 |
| 1.4.3 研究内容三:基于可扩展可逆压缩融合模型的超级主机识别 |
| 1.4.4 研究内容四:基于距离学习的数据融合分析 |
| 1.5 研究贡献 |
| 1.6 章节安排 |
| 第二章 研究现状与基础知识 |
| 2.1 研究现状分析 |
| 2.1.1 异常行为检测 |
| 2.1.2 主机基数分析 |
| 2.1.3 基于距离的安全参数分析 |
| 2.2 基础知识 |
| 2.2.1 概要数据结构 |
| 2.2.2 布鲁姆过滤器 |
| 2.2.3 主机基数 |
| 2.2.4 距离学习 |
| 2.2.5 豪斯多夫距离 |
| 2.2.6 中介中心性 |
| 2.3 本章小结 |
| 第三章 基于二维可逆压缩融合模型的异常行为检测 |
| 3.1 概述 |
| 3.1.1 动机 |
| 3.1.2 贡献 |
| 3.2 基于中国剩余定理的可逆概要数据据结构 |
| 3.3 独立于协议的自适应DDoS攻击检测 |
| 3.3.1 安全参数采集 |
| 3.3.2 DDoS攻击检测 |
| 3.3.3 性能分析 |
| 3.4 独立于协议的自适应放大攻击检测 |
| 3.4.1 安全参数采集 |
| 3.4.2 放大攻击检测 |
| 3.4.3 性能分析 |
| 3.5 本章总结 |
| 第四章 基于三维可逆压缩融合模型的超级主机识别 |
| 4.1 概述 |
| 4.1.1 动机 |
| 4.1.2 贡献 |
| 4.2 SuperSketch |
| 4.2.1 更新操作 |
| 4.2.2 估计操作 |
| 4.2.3 融合操作 |
| 4.2.4 可逆计算操作 |
| 4.2.5 SuperSketch估计操作的理论分析 |
| 4.3 基于SuperSketch的超级主机识别 |
| 4.3.1 超级主机识别 |
| 4.3.2 异常归因 |
| 4.4 实验与性能评估 |
| 4.4.1 实验设置 |
| 4.4.2 性能评估 |
| 4.5 总结 |
| 第五章 基于可扩展可逆压缩融合模型的超级主机识别 |
| 5.1 概述 |
| 5.1.1 动机 |
| 5.1.2 贡献 |
| 5.2 ExtendedSketch |
| 5.2.1 ExtendedSketch的结构 |
| 5.2.2 基于ExtendedSketch的超级主机识别 |
| 5.3 ExtendedSketch的理论分析 |
| 5.3.1 复杂度分析 |
| 5.3.2 估计操作的误差分析 |
| 5.4 实验与性能评估 |
| 5.4.1 实验设置 |
| 5.4.2 性能评估 |
| 5.5 总结 |
| 第六章 基于距离学习的数据融合分析 |
| 6.1 概述 |
| 6.1.1 动机 |
| 6.1.2 贡献 |
| 6.2 群组约束 |
| 6.3 基于群组的距离学习 |
| 6.3.1 学习目标 |
| 6.3.2 线性学习方法 |
| 6.3.3 非线性学习方法 |
| 6.4 性能评估 |
| 6.4.1 实验设置 |
| 6.4.2 参数测试 |
| 6.4.3 仿真数据集上的性能测试 |
| 6.4.4 UCI数据集上的性能测试 |
| 6.4.5 USPS数据集上的性能测试 |
| 6.4.6 网络流量数据集上的性能测试 |
| 6.4.7 进一步讨论 |
| 6.5 总结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望与计划 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）极化合成孔径雷达图像特征表示与目标分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 极化SAR图像特征表示研究现状 |
| 1.2.2 极化SAR图像目标分类研究现状 |
| 1.2.3 存在问题 |
| 1.3 本文内容和章节安排 |
| 1.3.1 本文内容 |
| 1.3.2 章节安排 |
| 第二章 基于复合核函数的极化-空间特征融合方法 |
| 2.1 引言 |
| 2.2 极化SAR图像数据描述方法 |
| 2.2.1 极化散射矩阵 |
| 2.2.2 相干矩阵和协方差矩阵 |
| 2.3 极化SAR图像的极化特征及其表示方法 |
| 2.3.1 基于观测数据简单算数运算的极化特征表示 |
| 2.3.2 基于极化目标分解的极化特征表示 |
| 2.3.3 本文选取的极化特征 |
| 2.4 极化SAR图像的空间特征及其表示方法 |
| 2.4.1 极化SAR图像散射功率计算 |
| 2.4.2 极化SAR图像空间特征提取 |
| 2.4.3 本文选取的空间特征 |
| 2.5 核函数模型 |
| 2.5.1 SVM概述 |
| 2.5.2 核函数概述 |
| 2.6 基于复合核函数的极化-空间特征融合研究 |
| 2.6.1 基于矢量叠加的特征融合 |
| 2.6.2 基于直接核函数的特征融合 |
| 2.6.3 基于复合核函数的特征融合 |
| 2.6.4 算法步骤 |
| 2.7 对比实验结果与分析 |
| 2.7.1 参数设置 |
| 2.7.2 分类精度评价 |
| 2.7.3 AIRSAR Flevoland数据 |
| 2.7.4 E-SAR Oberpfaffenhofen数据 |
| 2.8 本章小结 |
| 第三章 基于区域特性的多尺度核函数生成算法 |
| 3.1 引言 |
| 3.2 极化SAR图像超像素生成基本理论 |
| 3.2.1 SLIC超像素生成算法 |
| 3.2.2 基于极化SAR图像的SLIC超像素生成算法 |
| 3.3 基于单尺度超像素的核函数生成算法 |
| 3.4 基于多尺度超像素的核函数生成算法 |
| 3.4.1 多尺度核函数生成算法 |
| 3.4.2 算法步骤 |
| 3.5 对比实验结果与分析 |
| 3.5.1 参数设置 |
| 3.5.2 AIRSAR Flevoland数据 |
| 3.5.3 E-SAR Oberpfaffenhofen数据 |
| 3.6 本章小结 |
| 第四章 基于深度学习的联合极化特征挖掘方法 |
| 4.1 引言 |
| 4.2 卷积神经网络的基本理论 |
| 4.2.1 CNN的网络结构 |
| 4.2.2 CNN的激活函数 |
| 4.2.3 CNN的训练过程 |
| 4.3 基于观测数据与CNN的特征提取及分类 |
| 4.4 基于联合极化特征与CNN的深层特征挖掘 |
| 4.4.1 联合极化特征提取 |
| 4.4.2 深层特征挖掘 |
| 4.4.3 算法步骤 |
| 4.4.4 后处理 |
| 4.5 对比实验结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 AIRSAR Flevoland数据 |
| 4.5.3 E-SAR Oberpfaffenhofen数据 |
| 4.6 本章小结 |
| 第五章 基于自适应锚点图的极化SAR图像半监督分类方法 |
| 5.1 引言 |
| 5.2 图的半监督学习理论 |
| 5.2.1 图的构建 |
| 5.2.2 分类算法 |
| 5.3 锚点图的构建 |
| 5.3.1 锚点生成 |
| 5.3.2 锚点图的构建 |
| 5.4 自适应锚点图的构建 |
| 5.4.1 基于极化数据分布特性的锚点生成算法 |
| 5.4.2 自适应锚点图的构建 |
| 5.4.3 基于自适应锚点建图的半监督分类 |
| 5.4.4 算法步骤 |
| 5.5 对比实验结果与分析 |
| 5.5.1 参数设置 |
| 5.5.2 AIRSAR Flevoland数据 |
| 5.5.3 E-SAR Oberpfaffenhofen数据 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（6）基于计算智能的复杂网络结构分析与特征表示学习（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 研究背景与意义 |
| 1.2 复杂网络结构分析研究进展与现状 |
| 1.2.1 复杂网络通用模型 |
| 1.2.2 社区模式结构检测 |
| 1.2.3 复杂网络鲁棒性分析 |
| 1.3 复杂网络特征表示学习研究进展与现状 |
| 1.3.1 节点级表示学习 |
| 1.3.2 图级表示学习 |
| 1.4 研究内容与组织结构 |
| 第二章 基于两层学习Memetic算法的网络多层攻击社区鲁棒性增强 |
| 2.1 引言 |
| 2.2 多层定向攻击模式下的网络完整性优化 |
| 2.3 多层定向攻击模式 |
| 2.3.1 社区鲁棒性定义 |
| 2.3.2 基于Memetic算法的网络社区鲁棒性提升 |
| 2.3.3 个体表示及初始化 |
| 2.3.4 交叉操作 |
| 2.3.5 局部搜索操作 |
| 2.4 实验与结果分析 |
| 2.4.1 评价指标 |
| 2.4.2 在BA无标度网络上的实验结果 |
| 2.4.3 在真实网络上的实验结果 |
| 2.5 本章小结 |
| 第三章 基于多目标进化算法的多层网络共享社区检测 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 基于多目标优化算法的多层网络共享社区检测 |
| 3.3.1 个体表示及初始化 |
| 3.3.2 交叉操作 |
| 3.3.3 变异操作 |
| 3.3.4 局部搜索操作 |
| 3.4 实验与结果分析 |
| 3.4.1 实验评价指标 |
| 3.4.2 真实数据集测试结果比较 |
| 3.4.3 不同网络层排序方法之间的比较 |
| 3.5 本章小结 |
| 第四章 基于启发式三维交互游走的多层网络表示学习 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 单层网络表示 |
| 4.2.2 多层网络表示学习 |
| 4.3 基于启发式三维交互游走的多层网络表示学习 |
| 4.3.1 术语定义 |
| 4.3.2 基于启发式三维交互式游走采样策略的优点 |
| 4.3.3 多层特征学习框架 |
| 4.3.4 三维交互式游走生成器 |
| 4.3.5 基于启发式的层级转换策略 |
| 4.3.6 复杂度分析 |
| 4.4 实验结果与分析 |
| 4.4.1 对比算法 |
| 4.4.2 数据集 |
| 4.4.3 评价指标 |
| 4.4.4 参数设置 |
| 4.4.5 节点分类 |
| 4.4.6 链路预测 |
| 4.4.7 参数敏感性 |
| 4.4.8 启发式层级转换策略的有效性分析 |
| 4.4.9 HMNE模型的可扩展性分析 |
| 4.5 本章小结 |
| 第五章 基于局部特征保留的稠密图卷积神经网络 |
| 5.1 引言 |
| 5.2 基于图卷积神经网络的特征表示学习 |
| 5.2.1 问题定义 |
| 5.2.2 图神经网络 |
| 5.3 基于局部特征保留的稠密图卷积神经网络 |
| 5.3.1 基于编码-解码机制的节点特征重构 |
| 5.3.2 基于稠密连接的邻域聚合 |
| 5.3.3 损失函数 |
| 5.4 实验与结果分析 |
| 5.4.1 数据集 |
| 5.4.2 实验配置 |
| 5.4.3 对比算法 |
| 5.4.4 图分类实验结果 |
| 5.4.5 针对局部特征重构的研究 |
| 5.4.6 针对权衡参数λ的研究 |
| 5.4.7 本章小结 |
| 第六章 基于全局上下文感知的自注意图卷积神经网络 |
| 6.1 引言 |
| 6.2 基于全局上下文感知的自注意图卷积神经网络 |
| 6.2.1 全局上下文感知的局部节点表示 |
| 6.2.2 基于注意力机制的全局分层聚合 |
| 6.3 实验与结果分析 |
| 6.3.1 数据集 |
| 6.3.2 模型和实验配置 |
| 6.3.3 对比算法 |
| 6.3.4 图分类实验结果 |
| 6.3.5 参数敏感性研究 |
| 6.3.6 时间复杂度研究 |
| 6.3.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于卷积神经网络的光学遥感影像船只目标检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 可见光遥感影像船只检测方法研究现状 |
| 1.2.1 由粗到精的船只检测方法的研究现状 |
| 1.2.2 基于深度学习技术的船只检测方法的研究现状 |
| 1.3 光学遥感影像船只检测面临的问题和挑战 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 第2章 相关理论基础 |
| 2.1 引言 |
| 2.2 前馈神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积运算 |
| 2.3.2 卷积层的实现方法 |
| 2.3.3 池化层 |
| 2.4 基于卷积神经网络的图像分类网络 |
| 2.5 基于卷积神经网络的目标检测方法 |
| 2.5.1 SSD目标检测算法 |
| 2.5.2 YOLOv2目标检测算法 |
| 2.6 数据集介绍 |
| 2.7 精度评价指标介绍 |
| 2.8 本章小结 |
| 第3章 组合视觉显着模型与分类卷积神经网络的远海船只检测方法 |
| 3.1 引言 |
| 3.2 算法流程 |
| 3.3 基于视觉显着模型的候选目标提取 |
| 3.3.1 相位谱四元数傅里叶变换模型 |
| 3.3.2 目标切片提取 |
| 3.4 基于分类卷积神经网络的目标鉴别 |
| 3.4.1 船只判别网络构建 |
| 3.4.2 核旋转卷积 |
| 3.4.3 改进的船只判别网络 |
| 3.5 实验结果与分析 |
| 3.5.1 候选目标提取结果 |
| 3.5.2 分类网络精度比较 |
| 3.5.3 算法整体性能比较 |
| 3.6 本章小结 |
| 第4章 基于锚点框求精的港口船只检测方法 |
| 4.1 引言 |
| 4.2 网络结构 |
| 4.2.1 锚点框精调分支 |
| 4.2.2 目标检测分支 |
| 4.2.3 感受野扩增模块 |
| 4.3 应用细节 |
| 4.3.1 角度相关IoU |
| 4.3.2 锚点框设置 |
| 4.3.3 锚点框匹配策略 |
| 4.3.4 损失函数定义 |
| 4.3.5 预测结果后处理 |
| 4.4 实验结果与讨论 |
| 4.4.1 数据集预处理 |
| 4.4.2 训练集数据扩增 |
| 4.4.3 训练配置 |
| 4.4.4 消融分析 |
| 4.4.5 对比实验 |
| 4.5 本章小结 |
| 第5章 基于目标中心区域预测的港口船只检测方法 |
| 5.1 引言 |
| 5.2 中心区域预测网络 |
| 5.3 网络配置 |
| 5.3.1 标注信息编码 |
| 5.3.1.1 预测特征图分配 |
| 5.3.1.2 中心区域定义 |
| 5.3.1.3 中心区域点偏移量编码 |
| 5.3.1.4 边界框回归目标编码 |
| 5.3.2 损失函数定义 |
| 5.3.3 网络预测结果解码 |
| 5.4 旋转ROI卷积 |
| 5.4.1 问题描述 |
| 5.4.2 旋转ROI卷积 |
| 5.4.3 旋转ROI卷积的实现方法 |
| 5.4.4 改进的头部检测网络 |
| 5.5 实验结果与讨论 |
| 5.5.1 消融分析 |
| 5.5.1.1 与Center Net的比较 |
| 5.5.1.2 检测头结构对性能的影响 |
| 5.5.1.3 RRCN卷积核尺寸对性能的影响 |
| 5.5.1.4 中心区域面积占比对性能的影响 |
| 5.5.2 对比实验 |
| 5.5.3 与其他先进方法的比较 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 英文缩略词列表 |
| 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 |
（8）SAR图像去噪与多源图像配准算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 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 SAR图像去噪研究现状 |
| 1.2.2 多源图像配准研究现状 |
| 1.3 主要研究内容与结构安排 |
| 第二章 相干斑噪声模型及抑斑效果评价 |
| 2.1 相干斑噪声的产生机理 |
| 2.2 斑点噪声模型和统计特性 |
| 2.2.1 单视SAR图像斑点噪声模型与统计特性 |
| 2.2.2 多视SAR图像斑点噪声模型与统计特性 |
| 2.2.3 SAR图像斑点噪声对数分布模型 |
| 2.3 噪声抑制评价指标 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第三章 相干斑噪声抑制方法 |
| 3.1 引言 |
| 3.2 NLM算法 |
| 3.3 PPB算法 |
| 3.4 SAR-BM3D算法 |
| 3.5 FANS算法 |
| 3.6 WNNM算法 |
| 3.7 基于WNNM与 FANS的 SAR图像去噪算法 |
| 3.8 实验结果与分析 |
| 3.8.1 模拟SAR图像去噪 |
| 3.8.2 真实SAR图像去噪 |
| 3.9 本章小结 |
| 第四章 基于SIFT与 GGS双窗的图像配准算法 |
| 4.1 引言 |
| 4.2 图像配准理论基础 |
| 4.2.1 图像配准的定义 |
| 4.2.2 图像配准的变换类型 |
| 4.2.3 图像配准的基本流程 |
| 4.3 SIFT算法 |
| 4.3.1 尺度空间极值点检测 |
| 4.3.2 确定特征点的精确位置及尺度 |
| 4.3.3 指定主方向 |
| 4.3.4 建立特征描述子 |
| 4.3.5 特征匹配 |
| 4.4 基于SIFT与 GGS双窗的图像配准方法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于直线特征的多源图像粗配准方法 |
| 5.1 引言 |
| 5.2 直线特征检测 |
| 5.2.1 Hough变换 |
| 5.2.2 LSD算法 |
| 5.3 VSPM方法与分析 |
| 5.3.1 VSPM算法 |
| 5.3.2 VSPM算法分析 |
| 5.4 结合直线与直线交点的配准方法 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）弱亚循环图, Cayley图与双亚循环2图（论文提纲范文）
| 致谢 |
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 弱亚循环图 |
| 1.1.1 亚循环图和弱亚循环图的关系 |
| 1.1.2 Petersen型n-循环图 |
| 1.1.3 四度半弧传递亚循环图 |
| 1.2 Cayley图与双Cayley图 |
| 1.2.1 Cayley图的正规性 |
| 1.2.2 三度双亚循环图 |
| 2 预备知识 |
| 2.1 基本概念及符号说明 |
| 2.2 图的一些结果 |
| 2.2.1 关于Cayley图的一些结果 |
| 2.2.2 关于双Cayley图的一些结果 |
| 2.2.3 关于陪集图的一些结果 |
| 2.2.4 图的笛卡尔积 |
| 2.3 群论中一些结果 |
| 2.3.1 亚循环群的一些结果 |
| 2.3.2 p-群的一些结果 |
| 3 绝对可裂亚循环群和 2n阶亚循环图 |
| 3.1 绝对可裂亚循环群 |
| 3.2 绝对可裂亚循环p-群 |
| 3.2.1 中心循环的可裂亚循环 2-群 |
| 3.2.2 两个技术性引理 |
| 3.2.3 定理 3.2.2 的证明 |
| 3.3 2n阶的亚循环图 |
| 3.4 本章小结 |
| 4 弱绝对可裂亚循环群与伪亚循环图 |
| 4.1 可裂亚循环传递置换群 |
| 4.1.1 n是一个无立方因子的整数 |
| 4.1.2 n是偶数 |
| 4.1.3 n是奇数 |
| 4.2 构造伪亚循环图 |
| 4.2.1 伪亚循环图—A类 |
| 4.2.2 伪亚循环图—B类 |
| 4.2.3 伪亚循环图—C类 |
| 4.3 n级弱绝对可裂亚循环置换群与n阶伪亚循环图 |
| 4.4 本章小结 |
| 5 Petersen型n-循环图 |
| 5.1 Petersen型n-循环图 |
| 5.2 Petersen型pr-循环图 |
| 5.2.1 弱亚循环性 |
| 5.2.2 具有非可裂点传递自同构群 |
| 5.3 定理 5.3.1 的证明 |
| 5.4 本章小结 |
| 6 2n阶四度半弧传递亚循环图 |
| 6.1 准备知识 |
| 6.2 主要结果 |
| 6.2.1 Cayley性 |
| 6.2.2 群G_(m,n,r)~(-1)上的四度半弧传递Cayley图 |
| 6.2.3 群G_(m,n,r)~1上的四度半弧传递Cayley图 |
| 6.2.4 定理 6.2.1 的证明 |
| 7 2p~2阶的四度非正规Cayley图的分类 |
| 7.1 符号说明 |
| 7.2 主要结果 |
| 8 三度边传递的双亚循环2图 |
| 8.1 准备知识 |
| 8.2 主要结果 |
| 9 结论 |
| 9.1 关于亚循环图的主要结论 |
| 9.2 关于Cayley图与双亚循环2图的主要结论 |
| 9.3 有待研究的问题 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于弱监督集成学习的高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 研究现状及发展动态分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 基于弱监督学习的高光谱图像分类及其存在的问题 |
| 1.2.3 基于集成学习的高光谱图像分类及其存在的问题 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文结构安排 |
| 2 高光谱图像分类基础 |
| 2.1 引言 |
| 2.2 基于光谱匹配的分类方法 |
| 2.2.1 光谱编码匹配 |
| 2.2.2 光谱相关系数 |
| 2.2.3 光谱夹角余玄匹配 |
| 2.2.4 光谱信息散度 |
| 2.3 高光谱图像数据集 |
| 2.4 分类评价指标 |
| 2.5 本文用到的基本技术算法 |
| 2.5.1 随机森林 |
| 2.5.2 k-means算法 |
| 2.5.3 主成分分析PCA |
| 2.6 本章小结 |
| 3 基于级联随机森林的高光谱图像分类 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 级联随机森林CRF |
| 3.3.1 邻域粗糙集 |
| 3.3.2 CRF |
| 3.4 实验结果与分析 |
| 3.4.1 高光谱图像数据集 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果 |
| 3.4.4 参数分析 |
| 3.5 本章小结 |
| 4 基于主动半监督随机森林的高光谱图像分类 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 协同主动学习和半监督学习的随机森林方法 |
| 4.3.1 主动学习查询函数 |
| 4.3.2 监督聚类 |
| 4.3.3 ASSRF算法 |
| 4.4 实验结果与分析 |
| 4.4.1 高光谱图像数据集 |
| 4.4.2 实验设置 |
| 4.4.3 与RF、CRF和 SSRF进行实验比较 |
| 4.4.4 与较新的方法进行比较 |
| 4.4.5 参数分析 |
| 4.4.6 ASSRF深入分析 |
| 4.5 本章小结 |
| 5 基于多视图随机旋转集成的高光谱图像分类 |
| 5.1 引言 |
| 5.2 极限学习机ELM |
| 5.3 基于多视图的随机旋转集成剪枝算法 |
| 5.3.1 基于多视图的随机旋转 |
| 5.3.2 集成剪枝 |
| 5.4 实验结果与分析 |
| 5.4.1 高光谱图像数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.4.4 与较新的方法进行比较 |
| 5.4.5 参数分析 |
| 5.4.6 集成剪枝有效性分析 |
| 5.5 本章小结 |
| 6 基于多视图标签传播集成的高光谱图像分类 |
| 6.1 引言 |
| 6.2 基于多视图的标签传播集成 |
| 6.2.1 光谱空间特征抽取 |
| 6.2.2 基于光谱空间邻域相似性的标签传播 |
| 6.2.3 标签传播集成LPE |
| 6.3 实验结果与分析 |
| 6.3.1 实验用到的高光谱数据集 |
| 6.3.2 实验设置 |
| 6.3.3 分类结果 |
| 6.3.4 数据可视化 |
| 6.3.5 与较新的方法进行比较 |
| 6.3.6 参数分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| A.1 定理5.1 的证明 |
| 附录 B |
| B.1 攻读博士学位期间发表的论文和出版着作情况 |
| B.2 攻读博士学位期间在审的论文情况 |
| B.3 攻读博士学位期间参加的科研项目情况 |
| B.4 攻读博士学位期间获得荣誉和奖励情况 |
四、图有 [a,b]因子的邻域条件(英文)（论文参考文献）
- [1]基于特征和频域相似性度量的多源遥感图像配准方法研究[D]. 杨韩. 浙江大学, 2021(09)
- [2]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [3]基于特征表示学习的文本检索研究[D]. 戚园园. 北京邮电大学, 2021(01)
- [4]基于数据压缩及融合的高效网络安全分析[D]. 靖旭阳. 西安电子科技大学, 2020(02)
- [5]极化合成孔径雷达图像特征表示与目标分类方法研究[D]. 王贤圆. 电子科技大学, 2021(01)
- [6]基于计算智能的复杂网络结构分析与特征表示学习[D]. 刘文枫. 西安电子科技大学, 2020(02)
- [7]基于卷积神经网络的光学遥感影像船只目标检测技术研究[D]. 鲍松泽. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [8]SAR图像去噪与多源图像配准算法研究[D]. 王广璞. 西安电子科技大学, 2020(05)
- [9]弱亚循环图, Cayley图与双亚循环2图[D]. 崔莉. 北京交通大学, 2020(03)
- [10]基于弱监督集成学习的高光谱图像分类方法研究[D]. 张友强. 南京理工大学, 2020(01)