一、基于模糊聚类的数据关联融合算法（论文文献综述）
李海啸[1]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中研究说明随着传感技术、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。
杜建晖[2]（2021）在《基于机器学习的低空监视雷达目标跟踪算法研究》文中指出低空监视雷达是基于三坐标的一次监视雷达。雷达有效工作范围为50km,搜索高度最高为3km,主要是对近低空的低小慢目标进行跟踪。低空监视雷达工作环境复杂,易受气象条件、地杂波、多役干扰等因素的影响。为解决在杂波密集情况下低空监视雷达目标跟踪算法性能效果不佳的问题,本文提出了基于机器学习的航迹起始分类算法和基于模糊聚类的联合概率数据关联算法,以提高目标跟踪的正确率,并满足实时性要求。基于机器学习的航迹起始分类算法以某低空监视雷达历史点迹和航迹作为实验数据,通过对数据进行分析和处理生成输入样本。然后对样本进行标准化处理并使用合成少数类过采样技术（SMOTE）增加正样本数量。通过以上处理方式减少模型在训练时因数据本身而引起的误差,一定程度上提升模型的精度。在深入理解了机器学习相关算法的基础上,本文分别基于随机森林、支持向量机和PU learning训练低空监视雷达的航迹起始分类模型,并对三个模型的相关超参数进行优化,得到分类效果最佳的模型。同时在仿真环境下将训练好的三类模型与传统的航迹起始算法进行对比分析。研究结果表明:基于随机森林的航迹起始分类模型的正确航迹起始率最高,而且生成的虚假航迹较少,该算法具有较为稳定的性能和鲁棒性,并且满足航迹起始的实时性需求,可应用于低空监视雷达的航迹起始阶段。针对联合概率数据互联（JPDA）算法随目标数的增加导致计算复杂度剧增的问题,提出了一种基于模糊聚类的联合概率数据互联（JPDA-FCM）算法。该算法分别取当前跟踪目标的N-1个扫描周期的量测对目标进行位置预测,对预测值加权求和之后作为聚类中心C,计算目标相关波门内的有效量测与C之间的隶属程度,选取合适的剪枝因子?对关联量测进行剪枝处理。仿真实验结果表明,设置JPDA-FCM算法剪枝因子?=1/4时具有最好的性能指标,该算法有效降低了JPDA算法的计算复杂度,并保证了数据关联精确度,可满足低空监视雷达数据关联的实时性和精度要求。最后以C++和Qt搭建了低空监视雷达可视化跟踪系统。该系统集成了本文基于随机森林的航迹起始分类模型和JPDA-FCM算法,可实时扫描并显示跟踪目标航迹点,以及雷达的所有点迹集合,具有运行稳定、可交互性强的特点。
张鑫怡[3]（2021）在《交通场景中基于MMW雷达的目标识别方法研究》文中提出智能交通系统（Intelligent Transportation System,ITS）是当今交通系统的发展趋势,也是实时、准确、高效的综合交通运输管理系统。在智能交通系统中,毫米波（Millimeter-Wave,MMW）雷达作为一种道路交通辅助工具,可获得雷达照射区域内多个车道车辆的速度,距离和角度等信息,被广泛应用于道路超速卡口抓拍和交通信息监控。在MMW雷达交通场景中,目标车辆行驶距离较近会增加目标识别的难度,从而导致聚类和数据关联问题。因此,本文主要针对MMW雷达目标识别技术中的聚类和数据关联算法进行创新,并将创新算法和实际的道路交通场景结合设计了一款MMW交通雷达目标识别系统,具体工作总结如下:（1）针对许多传统算法需要预先确定聚类个数的问题,改进并提出了自适应距离密度噪声模糊（Density-Based Adaptive Distance Fuzzy,DB-ADF）聚类算法。DB-ADF聚类算法通过自适应距离对雷达数据初次聚类得到初始聚类中心点以及聚类类别数,而后通过对隶属矩阵和聚类中心不断迭代,从而对初次聚类的结果进行修正,最终得到聚类的结果。实验结果表明,该算法在临近距离车辆交通场景应用中具有更高的聚类精度和更好的聚类效果。（2）针对临近车辆交通场景中现有聚类算法初始聚类中心点的选择精度低、聚类效果不佳的问题,改进并提出了自适应椭圆距离密度峰值模糊（Adaptive Ellipse Distance Density Peak Fuzzy,AEDDPF）聚类算法。AEDDPF算法使用自适应椭圆距离对雷达数据进行描述。AEDDPF算法通过引入指数函数对聚类中心进行快速且准确地选择,得到初始聚类中心的个数及坐标值。初始化后的聚类中心点作为算法后续的输入条件,不但减少了算法的聚类迭代次数,也使得算法最终聚类结果更为准确。本文对AEDDPF算法的时间复杂性进行了分析。最后,本文还分析了 AEDDPF聚类算法对其他类型数据的概括能力。实验结果证明AEDDPF聚类算法在临近行驶车辆交通场景应用中聚类效果好,准确率达到96%以上。（3）针对联合概率数据关联（Joint Probability Data Association,JPDA）算法在计算关联事件过程中计算量大、关联事件组合多的问题,改进并提出了一种GK模糊联合概率数据关联（Gustafson-Kessel Fuzzy Joint Probability Data Association,GK-FJPDA）算法。GK-FJPDA算法将模糊集合理论引入到JPDA算法中,结合了 GK算法和JPDA算法各自的优点,在不降低JPDA算法精度的条件下,将目标属于量测的关联度矩阵引入多目标数据关联中。仿真数据被用来对最近邻数据关联（Nearest Neighbor Data Association,NNDA）,JPDA和GK-FJPDA三种算法进行对比,结果表明GK-FJPDA算法具有更高的精度。（4）针对MMW雷达交通场景中临近行驶车辆区分不清和数据关联不准确的问题,设计了一款MMW交通雷达目标识别系统。该系统主要基于上述创新聚类算法和数据关联算法,完成系统功能的需求分析、软件设计与实现,同时验证了创新算法应用于实际车辆行驶环境的可行性和有效性。MMW交通雷达目标识别系统可以满足实际路测时用户对实时性和准确度要求,达到了预期的效果。MMW交通雷达目标识别技术中的聚类和数据关联算法是本文创新与应用的重点,同时本文结合工程实现提出了基于MMW交通雷达的目标识别系统用以验证创新算法的实用价值。
党向盈[4]（2020）在《变异分支驱动的软件测试数据进化生成理论与方法》文中认为软件测试是软件开发生命周期中的一个重要过程,其目的是通过检测尽可能多的缺陷来保证软件质量。变异测试是一种面向缺陷的测试技术,一个变异语句对应一个缺陷,包含这些变异语句的新程序称为变异体。变异分支是基于变异测试的必要条件,由被测语句和它的变异语句构成。变异测试是一种评估测试集充分性的典型技术,也常常用于辅助生成测试数据。一般情况下,在进行软件测试时,程序的输入作为需要生成的测试数据。遗传算法一直被广泛的应用于高效生成测试数据。多种群遗传算法是一种高性能的遗传算法,它的种群由多个子种群组成的,种群的个体具有潜在的并行性,使得它在软件测试中具有更强的处理能力和效率。在进行变异测试时,往往生成大量的变异体,不仅导致高昂的测试代价,而且生成杀死这些变异体的测试数据也是一项艰巨的任务,尤其对于难杀死的变异体（顽固变异体）。针对以上问题,本文研究变异分支驱动的软件测试数据进化生成理论与方法。首先,针对覆盖众多变异分支的测试数据难生成问题,以变异分支之间相关性的知识为驱动,提出一种变异分支构建可执行路径的测试数据进化生成方法。该方法基于变异分支之间的执行相关性,形成若干新变异分支;再采用统计分析方法,基于新变异分支与被测语句构建一或多条可执行路径。由此将变异分支覆盖问题转化为路径覆盖问题。之后,建立基于路径覆盖测试数据生成的数学模型,并采用多种群遗传算法生成覆盖这些路径的测试数据。实验结果表明,所提方法能生成较少的可执行路径,且运行时间短,而且可执行路径能覆盖所有的变异分支,进而高效生成比较小的测试集。然后,借鉴上面变异分支的研究成果,针对杀死众多变异体的测试数据难生成问题,以变异分支之间相关性和变异分支自身特征的知识为驱动,提出一种变异分支模糊聚类的测试数据进化生成方法。该方法借鉴“分而治之”的思想,基于弱变异测试准则,选择杀死难度高的变异分支（顽固变异体）为聚类中心,先模糊聚类变异分支。之后建立基于分支覆盖约束的测试数据生成数学模型。再针对多个簇,基于强变异测试准则,采用多种群遗传算法生成测试数据。实验结果表明,模糊聚类方法有助于降低变异测试的执行代价;多种群遗传算法以并行方式高效生成高质量测试数据。接着,改进上面进化算法,针对顽固变异体的测试数据难生成问题,以变异分支与搜索域关联知识为驱动,提出一种变异分支覆盖难度引导的测试数据进化生成方法。该方法首先基于变异分支的覆盖难度确定变异体的顽固性。之后,建立路径约束的变异测试数据生成问题的数学模型。对于顽固变异体,考虑到能杀死它们的测试数据形成的域比较小,基于多种群协同进化遗传算法设计一种动态缩减搜索域的进化策略,生成测试数据。实验结果表明,所提评价变异体顽固性的指标是合理的;动态缩减搜索域有助于高效生成具有高质量的测试数据。最后,改进上面传统数学模型,解决覆盖多顽固变异分支测试数据难生成问题,以变异分支与输入变量之间相关性的知识为驱动,提出基于程序输入分组变异分支的测试数据进化生成方法。该方法将输入变量与变异分支相关性的判定转化为输入变量与目标路径相关性的判定;再基于相关输入分量分组变异分支。之后,针对多个变异分支组,选取相关输入变量作为决策变量,建立一种多任务测试数据生成数学模型;最后,基于多种群遗传算法生成测试数据。实验结果表明,所提方法移除不相关变量,有助于缩减搜索域;并且分组变异分支,有利于采用多任务方式生成测试数据,显着提高测试数据生成的效率。综上所述,所提理论和方法以变异分支为驱动,融合进化算法、聚类和统计分析等方法生成软件测试数据,是自动化、人工智能、应用数学,以及计算机等多个学科的有机交叉。研究内容具有明确的应用背景和产业需求,富有鲜明的新颖性和挑战性,研究成果不仅提高了软件测试数据的生成效率,保障软件产品质量,而且丰富了变异测试理论,对于软件测试具有重要的理论意义和实用价值。
李悦[5]（2020）在《基于模糊矩阵的数据关联算法应用综述》文中进行了进一步梳理针对工程项目中多源目标信息处理应用需求,进行目标信息融合研究。根据目标信息的特点,采用基于模糊矩阵的数据关联算法,有效处理融合过程中的目标信息的模糊性。通过实际工程应用表明,基于模糊矩阵的数据关联算法比传统的最邻近域等数据级的算法具有更好的应用效果。
石茂林[6]（2020）在《盾构机实测数据建模方法及其应用研究》文中研究说明随着数据密集型时代的到来,盾构机的运行监测日趋完善,所记录的实测数据不仅包含了装备作业过程的海量信息,也蕴含了装备内部及其与外部环境的相互作用机理,通过一定方法对这些数据进行深度挖掘与刻画对于提升装备的设计、分析、运行与维护水平具有重要意义。盾构机实测数据由来源于监测系统的运行实测数据和来源于地质勘探的地质实测数据组成,具有运行实测数据未赋予明确的地质工况标注且重叠分布、运行实测数据参数与装备性能之间的关联关系复杂、运行实测数据中已收集的数据难以覆盖后续数据的样本空间、运行实测数据与地质实测数据的样本容量不相等的特点。针对盾构机实测数据的上述特点,本文开展了如下四个方面的研究:1)盾构机运行实测数据的划分方法;2)盾构机运行实测数据的精准建模方法;3)盾构机运行实测数据预测模型的泛化能力提升方法;4)盾构机运行与地质实测不等容数据的联合建模方法。掘进速度是盾构机的关键性能指标,其描述了装备在单位时间内的掘进距离和掘进效率,是调整掘进参数和项目施工管理的必要参考。因此在研究过程中,以深圳地铁某标段的盾构机实测数据为应用对象,结合盾构机的掘进速度预测实验,检验了所提出一系列方法的工程可用性。主要贡献如下:（1）针对不同地质工况运行实测数据的划分问题,从盾构机运行实测数据中部分参数（属性）强相关的角度出发,提出了强相关属性关联关系引导的聚类模型。采用线性方程描述强相关属性的关联关系并与数据的空间距离相结合构成聚类目标函数,设计了隶属度、类原型和线性方程系数三者交互迭代的目标函数优化策略以获取数据的划分结果。通过盾构机运行实测数据的聚类实验,发现提出聚类模型能够实现不同地质工况运行实测数据的有效划分,提供强相关属性的明确回归方程以供参考。（2）针对运行实测参数与装备性能之间的关联关系复杂,难以建立精准的预测模型的问题,提出基于回归关系的聚类模型,继而给出该聚类模型辅助的数据建模方法。在提出聚类模型中,基于每个子类回归模型的预测误差构建了聚类目标函数,设计了目标函数的迭代优化策略以获取数据的划分结果;在提出的数据建模方法中,基于数据的划分结果判断待预测数据的归属,通过对应的子类回归模型获取最终的预测值。通过盾构机的掘进速度预测实验,发现提出建模方法能够精确刻画出盾构机运行参数与掘进速度的关联关系,给出良好的掘进速度预测结果。（3）针对已收集运行实测数据无法有效覆盖后续发生数据的样本空间,导致模型泛化能力不足的问题,通过引入传统预测模型生成的仿真数据加以解决。针对低保真度的仿真数据参数与高保真度的运行实测数据参数不完全相同的客观实际,提出了适用于参数不完全相同的多保真度数据联合建模方法,构建了一种新型核函数将多保真度数据的输入映射到高维空间,通过高维空间的线性方程描述数据输入与输出的回归关系。盾构机掘进速度预测实验结果表明,提出方法能够结合运行实测数据和仿真数据的各自优势,提升掘进速度预测模型的泛化能力和预测精度。（4）针对运行实测数据与地质实测数据的联合建模问题,提出了多类型数据的融合转化方法,将地质实测的多类型数据统一为新的结构化数据。提出了一种不等容数据建模方法,采用核函数将大样本容量数据与小样本容量数据的输入映射到高维空间,通过高维空间的线性方程描述大、小样本容量数据输入与输出的回归关系。将提出方法用于运行实测数据和地质实测数据联合驱动的盾构机掘进速度预测,发现该方法能够实现小样本地质实测数据与大样本运行实测数据的有效联合建模,给出动态和累积的掘进速度的精准预测结果,并进一步研究了地质和运行参数对掘进速度的影响规律。最后,对全文所研究的主要工作进行了总结,同时对盾构机实测数据建模方法中的后续研究进行了展望。
王千里[7]（2020）在《基于自适应网格的稀疏信号处理方法研究》文中进行了进一步梳理估计问题,是信号处理领域的一个基础问题,主要指从数据中将所需信息提取出来,并表示为估计空间中的参数的过程。由于信息的分布是未知的,传统的估计算法一般保守地采用均匀分布的网格,在估计空间中进行信息的搜索。基于这种策略的方法称为在网格（on grid）方法,即假设信息恰好位于网格上。但是,实际中的信息可能在估计空间中任意位置,因而离散的网格就带来了离网格误差（量化误差）,其无法精确的表出信息。此外,在估计空间中,信息一般具有稀疏的分布特性,估计空间中的多数网格并不表征信息。因此,均匀分布网格的方法不仅在分辨力和精度上受预设网格的限制,而且浪费了大量的计算资源。本文针对稀疏信号的参数估计中,在估计空间中均匀划分网格存在离网格误差以及效率低的问题,研究了稀疏信号处理中的网格的生成策略。本文包含三个部分。第一个部分从稀疏信号处理出发,首先研究了基于稀疏表示的信号处理方法在实际中会遇到的三方面问题,即字典矩阵大小对稀疏表示的影响,字典矩阵建模的误差对稀疏表示的影响以及稀疏表示算法的计算量优化方法。在此基础上,本文第二个部分提出了自适应网格的概念和网格进化方法的框架。在这个框架下,网格点不再固定,整个网格随着估计的过程依数据特性迭代“进化”,由疏向密演变以更好地表征信息。在最后一部分中,本文进一步扩展了自适应网格的概念。针对数据与网格关系不确定时的情况,本文提出了一种基于模糊聚类的数据关联方法。其通过数据和网格的联合学习,建立起了网格和数据之间的关系,最后可由网格表示出信息。本文的突出创新点总结如下:1.未知互耦下改进的块稀疏重构方法对空间谱估计问题而言,阵列的阵元间互耦常常是未知的,其会造成字典矩阵的失配,从而影响稀疏重构的性能。本文首先分析了未知互耦的块稀疏模型,并针对性的分析了模型中的互耦阶数假设问题。针对阶数假设有误的情况下,算法的性能急剧恶化的问题,本文提出了一种未知互耦下改进的块稀疏重构方法。通过在代价函数中引入了一种增广的拉格朗日乘子约束,改进算法对互耦的阶数假设具有更强的鲁棒性。仿真实验说明,在多数阶数假设下,所提算法相较未知互耦的块稀疏重构算法有更高的精度。在阶数假设完全错误的情况下也能进行互耦补偿并获得较好的估计性能。2.自适应网格与网格进化方法针对离网格模型和方法中,稀疏划分网格容易导致目标丢失,而密集划分网格计算量大的矛盾,提出了自适应网格模型与网格进化方法。自适应网格模型的网格点的数量、网格点位置和范围都可以发生变化,从而极大的扩展了问题自由度。在该模型的基础上,本文提出了网格进化方法。基于稀疏贝叶斯学习,通过在迭代过程中引入和训练新网格,使得网格非均匀的由疏向密进化。可以减轻估计问题中,精度与计算量的矛盾。在减少计算量的同时,还可以实现相当的分辨力和精度。另外,该方法的分辨力对初始网格的设置具有更佳的鲁棒性,在网格的设计上拥有更高的自由度,因此非常具有工程设计上的潜在价值。3.基于模糊聚类的数据关联方法上述所有讨论中的网格点（信息）与数据具有明确的关系,这在实际中并不总是成立的。本文考虑了一种关系不明确情况下的问题,在该问题中,收到的数据来源于多个目标且混杂在一起,难以建立数据与网格（目标信息）的关系。解决该问题的关键在于数据关联,即如何将数据按网格点关联起来并分组,使各组数据分别对应各个目标。本文首先分析了该问题并建立了模型和定位方法,提出并证明了数据关联的唯一性条件。随后,将原本高复杂度的排列组合问题转化为了一个聚类问题,并提出了基于模糊聚类的数据关联方法。接着,针对基于模糊聚类的数据关联方法的不足,引入了测量参数的约束关系,提出了改进的基于模糊聚类的数据关联方法。最后,本文通过仿真实验和分析说明了所提方法相比于传统数据关联方法在精度、计算量上的优势。
贾昊[8]（2020）在《基于高斯过程回归的热工系统数据驱动建模研究》文中研究指明随着计算机、传感器网络、数据存储技术的快速发展及其在大型火电机组中的广泛应用,海量的历史运行数据得以保存。由于历史运行数据是对机组运行状况最直观的反映,并且随着电站信息化的发展使得数据获取变得十分容易、成本低廉,为构建数据驱动模型提供了良好的基础。但是,想要构建性能优异的模型往往并不容易,如何对建模数据进行选择和处理,选择哪种建模方法都会对模型最终的效果产生影响。也正是因为如此,基于数据驱动的建模方法才会成为研究热点,持续受到研究人员的关注。针对热工过程数据驱动建模过程中存在的一些问题,本文以基于历史运行数据的建模方法为研究主题,围绕数据预处理、稳态检测、静态模型和动态模型的构建、多模型建模方法等方面,开展了以下研究工作:（1）针对历史运行数据中存在数据异常和数据缺失的问题,对历史数据异常值检测和校正方法进行了研究。针对异常值检测,提出一种基于经验小波变换和局部异常因子相结合的异常值检测方法。该方法首先使用经验小波变换提取并去除数据的运行趋势;然后对去除趋势的序列求取局部异常值;最后采用箱型图对异常值进行自适应判别。针对数据中存在异常值和数据缺失的问题,采用基于滑动窗口和Nadaraya-Watson回归相结合的方法,对相关数据进行校正和补全。以某1000MW火电机组负荷数据和总风量数据为例,分别验证了所提方法的有效性。（2）针对历史运行数据中动态数据和稳态数据交替出现的现象,为了实现对不同数据的区分,提出了一种基于信号分解与统计检验方法相结合的热工过程稳态检测方法,用以对稳态工况样本进行筛选。首先采用经验小波变换对原始信号进行分解,得到原始信号的运行趋势和震荡信息;然后结合修改过的R统计检验法对热工过程数据进行稳态检测。以仿真数据和某1000MW火电机组协调控制系统数据为例,验证了方法的有效性。（3）针对热工过程稳态数据存在的数据量大、属性维度高、数据重复性大的特点,提出了一种基于样本稀疏化和特征变量选择的高斯过程回归建模方法。首先使用基于数据相似性和信息熵相结合的样本选择方法对稳态数据进行样本稀疏化处理;然后使用基于皮尔森相关系数和最小角回归算法相结合的方法对建模特征变量进行数据融合和特征选择;最后结合高斯过程回归方法建立系统模型。使用历史运行数据建立某1000MW火电机组锅炉烟气含氧量静态模型。通过与其他方法对比,证明了使用该方法建立的模型具有更小的模型误差和更高的静态准确度,可以取得很好的预测效果。（4）针对动态过程中变量间存在强非线性、过程复杂多变、输入输出变量间存在时延的特点,提出一种考虑输入时延的组合核函数动态高斯过程回归建模方法。首先采用灰色关联度分析方法对变量的时延参数进行估计,根据估计值重新构造数据集;然后根据核函数闭包性质,将局部核函数和全局核函数组合起来构成新的核函数,构建组合核函数动态高斯过程回归模型;最后使用历史运行数据建立某1000MW火电机组锅炉烟气含氧量的动态模型验证所提方法的有效性。实验结果表明,采用该方法建立的动态模型具有模型准确度高、泛化能力强的特点,可以满足实际需要。（5）针对热工过程中存在多种工况、工况变化范围大,采用单一模型描述生产过程特性时易导致训练过拟合、模型泛化能力差的问题,提出一种基于自适应模糊聚类的多模型动态高斯过程回归建模方法。使用提出的模糊聚类方法对数据集进行划分并根据划分的子数据集分别建立其动态高斯过程回归模型,然后采用基于预测方差的贝叶斯融合方法得到最终的输出模型。结合某1000MW火电机组历史运行数据建立锅炉烟气含氧量模型,通过与单一全局动态高斯过程回归模型和采用其他合成策略的多模型动态高斯过程回归模型进行对比,结果表明所提方法具有很好的模型预测精度和泛化能力。
任泳然[9]（2020）在《数字经济驱动下政务数据资产化与创新策略研究》文中提出自20世纪90年代以来,随着互联网在经济生活中的应用日益普及,美国、日本和欧盟等发达国家和地区的数字经济日渐兴盛,成为全球经济发展的新动力,数据也逐渐成为推动各国经济转型升级的重要生产素。2016-2018年,美国已连续三年位居全球数字经济竞争力榜首,新加坡反超我国位居榜单第二。从其竞争力内部结构看,新加坡数字创新竞争力得分超越美国,数字治理竞争力得分也远超我国,新加坡在数字治理竞争力上的强势表现是其能反超我国的重要原因。我国位居第三,但与美国数字经济竞争力的差距从2016年以来正逐年缩小。据统计,2018年我国数字经济总量达到3 1.3万亿元,与我国国内生产总值（GDP）的比值为3 4.8%,同时,我国国内生产总值（GDP）增长的6 7.9%是由数字经济发展贡献的,数字经济已成为我国国民经济的重要发展力量。在大数据时代,“数据经济”代替了“数字经济”,时至今日,“数据有价”早已成为全民共识。数据是数字经济条件下的重要生产要素。要让这种生产要素能够有效发挥作用,就要积极推动数据资产化有序进行,让数据的拥有者可以从市场上获得对应的经济回报。在数字经济时代,数据已成为驱动经济社会发展的一种新型“资本”要素,可以将数据看成是陆权、海权和空权之外的第四种国家战略资源,其重要性如同未来的新石油。通过政府和企业合作开发、分析挖掘和交易政务数据,实现政务数据的资产化。一方面对政府的服务和决策能力具有质的提高;另一方面,政务数据资产化将产生新知识和新资本,推动我国经济社会的发展。国务院总理李克强在2016年的一次电视电话会议上指出,我国政务数据资源的80%以上没有被开发利用,这是极大的浪费。然而,政务数据资产化过程中还存在如下问题与困难:（1）政务数据往往包含大量敏感信息,在其资产化的过程中有被泄露的安全风险;（2）政务数据存在“各自为政、条块分割、烟囱林立、信息孤岛”的现象,缺乏统一规范和标准;（3）政务数据资产是一种典型的虚拟性和资源性资产,其价值难以量化;（4）政务数据的资产属性和权属难以确定、在国家层面缺少相应法律法规的支撑、交易活动缺少有效的规范和监管等。这些现象和问题成为制约我国政务数据资产化的主要瓶颈。因此,在数字经济背景下,探讨适合我国国情的政务数据资产化的创新策略和实现路径,是“数字中国”和“智慧城市”建设过程中一个亟待研究和解决的重要理论与实践问题,成为当前政务数据开发应用的重要方向。本研究以“政务数据”为研究对象,基于数字经济理论,针对政务数据资产化存在的技术性和非技术性障碍问题寻求解决方案。从政务数据安全化、标准化、价值化等技术性方面和数据属性、权属界定、法律法规、制度监管等非技术性方面,结合数字经济理论,采用GRA与FCA相结合的方法,从影响政务数据资产化的众多影响因素中识别出关键的影响因素。根据上述方法本文得出如下结论:政务数据资产化过程影响因素分为技术处理因素和市场化因素。其中,兼容性、数据保密制度化、具有足够的财政投入、数据属性明确和优化数据评估体系为政务数据资产化的重要影响因素;法律配套完备性、规范监管和数据权属明晰为政务数据资产化的一般影响因素。政务数据资产化路径为数字经济驱动下政企合作模式。在数字经济的背景下,对政务数据资产化的研究,有着重要的理论意义,即本研究认为政务数据资产化是一个“二过程,四阶段”的演化过程,该理论对现有政务数据资产管理理论是一个有益的补充和完善;同时又有重要的实践意义,它对我国各地政府推动政务数据资产化具有一定的参考价值和借鉴作用。
李欢[10]（2020）在《基于社交网络的个性化推荐系统的设计与实现》文中进行了进一步梳理随着网络技术的不断更新与迭代,人们已经由信息闭塞时代过渡到信息过载时代。为解决信息过载问题,科学家和工程师们通过大量的研究和实践提出了许多优秀的解决方案,推荐系统是其中最具代表性的解决方案。推荐系统根据用户的兴趣爱好建立用户与产品之间的关系,为用户提供个性化产品推荐服务,被广泛地应用在社交网络、电子商务等领域,逐渐成为一个热门研究方向。然而因为互联网的发展快速,随之而来的是用户量和物品数量在呈现指数级地增加,这使得传统的推荐系统功能不再能满足。由于冷启动与打分稀疏性等众多问题的,导致系统的推荐质量大打折扣。同时,用户与产品数量的增多也使得推荐算法的计算量也随之增加,系统的性能越来越差,无法为用户提供实时的个性化产品推荐服务。另外,传统的推荐算法只考虑了用户间的直接社会关系,而忽略了用户打分偏好和社区聚类特征对推荐质量的影响。针对上述情况,本文的研究内容如下:（1）将社交网络社区划分技术与协同过滤推荐算法结合在一起,本文提出了一种基于改进模糊聚类社区结构划分的推荐算法FBRA。首先,对于用户相似性矩阵,结合用户间最短路径,构建用户关系矩阵。接着,使用改进后的模糊聚类算法对社交网络进行社区划分,形成用户最近邻居集合,有效缓解了数据稀疏性和冷启动行问题。最后,利用社区中邻居用户评分对目标用户未打分的项目进行预测评分,最终生成一个Top-N推荐列表。实验验证了算法的推荐准确性和运行效率。（2）提出了一种融合用户评分偏好聚类的协同过滤推荐算法RKM-UserCF。首先,利用MapReduce并行计算的特性并行随机选取K-Medoids的初始聚类中心,同时采用轮廓系数法确定最佳聚类数量K,由此避免了 K值不确定性和不合理的初始聚类中心带来的聚类质量低的问题。然后,针对大规模社交网络数据,采用MapReduce计算框架并行替换聚类中心,对改进K-Medoids算法进行并行化设计。最后,根据用户-项目评分二分网络上的资源扩散得到用户的评分偏好,然后结合用户相似度,将目标用户最近邻集合的选取由整个社交网络范围缩小为聚类簇群,最后基于用户协同过滤算法实现对目标用户的Top-N推荐。实验验证了该算法的推荐准确性和运行效率。（3）本文利用Hadoop分布式框架,基于前述提出的推荐算法设计了一个个性化电影推荐系统。系统具有以下功能:①.系统可以向用户提供个性化电影推荐服务,同时用户也可以在线搜索任意想看的电影并为该电影打分;②.系统会向用户推送近期热门电影以及各国家、地区的年度优质电影榜单;③.系统具有社交网络特性,用户间可以根据兴趣爱好互相关注成为好友,好友间可以相互分享、转发、点赞、评论各自的分享;④.系统具有社区功能,用户可以加入自己感兴趣的社区,同一社区内用户拥有发帖、评论、点赞等功能。
二、基于模糊聚类的数据关联融合算法（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、基于模糊聚类的数据关联融合算法（论文提纲范文）
（1）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 |
（2）基于机器学习的低空监视雷达目标跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航迹起始算法 |
| 1.2.2 数据关联算法 |
| 1.3 主要工作与创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 第2章 多目标跟踪与机器学习相关算法 |
| 2.1 航迹质量管理 |
| 2.2 传统航迹起始算法 |
| 2.2.1 直观法 |
| 2.2.2 逻辑法 |
| 2.3 监督学习模型算法 |
| 2.3.1 支持向量机 |
| 2.3.2 随机森林 |
| 2.4 半监督学习模型算法 |
| 2.4.1 PU学习 |
| 2.5 无监督学习模型算法 |
| 2.5.1 模糊C均值(FCM)聚类 |
| 2.6 本章小结 |
| 第3章 基于机器学习的低空雷达航迹起始算法 |
| 3.1 引言 |
| 3.2 基于机器学习的航迹起始方法和流程 |
| 3.2.1 基于机器学习的航迹起始流程介绍 |
| 3.2.2 基于机器学习的航迹起始算法介绍 |
| 3.3 参数选择与数据探索 |
| 3.3.1 参数选择 |
| 3.3.2 数据采集与正负样本标定 |
| 3.3.3 数据质量 |
| 3.4 数据准备与处理 |
| 3.4.1 特征选择 |
| 3.4.2 数据标准化 |
| 3.4.3 不均衡样本的处理 |
| 3.5 基于机器学习的航迹起始分类模型研究 |
| 3.5.1 基于随机森林的航迹起始分类模型研究 |
| 3.5.2 基于支持向量机的航迹起始分类模型研究 |
| 3.5.3 基于PU learning半监督学习的航迹起始分类模型研究 |
| 3.6 实验数据分析 |
| 3.6.1 主要技术指标 |
| 3.6.2 仿真实验及数据分析 |
| 3.7 本章小节 |
| 第4章 基于模糊聚类的多目标雷达航迹维持算法 |
| 4.1 引言 |
| 4.2 联合概率数据互联算法及其优缺点 |
| 4.3 基于模糊聚类的联合概率数据关联算法 |
| 4.3.1 算法的基本流程 |
| 4.3.2 模糊聚类中心点与隶属度计算 |
| 4.3.3 候选量测剪枝 |
| 4.4 实验验证 |
| 4.4.1 主要技术指标 |
| 4.4.2 数据关联仿真分析 |
| 4.5 本章小节 |
| 第5章 跟踪系统终端的实现 |
| 5.1 可视化界面的设计流程 |
| 5.1.1 目标跟踪流程 |
| 5.1.2 航迹起始模块数据交互过程 |
| 5.1.3 航迹维持模块数据交互过程 |
| 5.2 终端界面的实现方法 |
| 5.2.1 航迹维持模块数据交互过程 |
| 5.2.2 终端界面的实现 |
| 5.2.3 跟踪系统的操作演示 |
| 5.2.4 跟踪系统的航迹跟踪和维持实际效果 |
| 5.3 本章小节 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）交通场景中基于MMW雷达的目标识别方法研究（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 国内外研究现状 |
| 1.2.1 多目标数据聚类 |
| 1.2.2 多目标数据关联 |
| 1.3 本文的结构安排 |
| 1.4 本章小结 |
| 第2章 FSK雷达工作原理及信号处理 |
| 2.1 引言 |
| 2.2 FSK体制雷达工作原理 |
| 2.3 MMW交通场景雷达 |
| 2.3.1 MMW交通场景雷达性能 |
| 2.3.2 MMW交通雷达信号处理 |
| 2.4 本章小结 |
| 第3章 自适应距离密度噪声模糊聚类算法 |
| 3.1 引言 |
| 3.2 聚类算法的介绍 |
| 3.2.1 DBSCAN聚类算法 |
| 3.2.2 GK聚类算法 |
| 3.3 DB-ADF算法的实现 |
| 3.3.1 基于自适应距离密度噪声的初次聚类算法 |
| 3.3.2 DB-ADF算法主体 |
| 3.3.3 实验结果及对比分析 |
| 3.4 本章小结 |
| 第4章 自适应椭圆距离密度峰值模糊聚类算法 |
| 4.1 引言 |
| 4.2 CFSFDP聚类算法 |
| 4.3 AEDDPF聚类算法的实现 |
| 4.3.1 AEDDPF聚类算法的初始化 |
| 4.3.2 AEDDPF算法的主体部分 |
| 4.3.3 AEDDPF算法的时间复杂度分析 |
| 4.3.4 实验设计与对比 |
| 4.3.5 讨论 |
| 4.4 本章小结 |
| 第5章 GK模糊联合概率数据关联算法 |
| 5.1 引言 |
| 5.2 联合概率数据关联算法 |
| 5.2.1 关联事件生成 |
| 5.2.2 关联概率计算 |
| 5.3 创新数据关联算法的实现 |
| 5.3.1 GK-FJPDA关联隶属度矩阵的构造 |
| 5.3.2 GK-FJPDA算法的主体 |
| 5.4 仿真实验对比及道路测试结果 |
| 5.4.1 仿真实验对比 |
| 5.4.2 道路测试结果 |
| 5.5 本章小结 |
| 第6章 MMW交通雷达目标识别系统设计与实现 |
| 6.1 引言 |
| 6.2 MMW交通雷达目标识别系统的设计 |
| 6.2.1 需求分析 |
| 6.2.2 总体设计及内置算法 |
| 6.3 系统实现 |
| 6.3.1 开发运行环境及界面展示 |
| 6.3.2 系统道路测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果 |
（4）变异分支驱动的软件测试数据进化生成理论与方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究动机 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 成果及意义 |
| 1.6 论文框架 |
| 1.7 本章小结 |
| 2 相关工作 |
| 2.1 变异测试 |
| 2.2 变异分支 |
| 2.3 软件测试数据生成 |
| 2.4 聚类 |
| 2.5 多种群遗传算法 |
| 2.6 本章小结 |
| 3 变异分支构建可执行路径的测试数据进化生成 |
| 3.1 研究动机 |
| 3.2 整体框架 |
| 3.3 变异分支构建可执行路径 |
| 3.4 基于路径覆盖的测试数据生成数学模型 |
| 3.5 基于MGA覆盖多路径测试数据生成 |
| 3.6 实验 |
| 3.7 本章小结 |
| 4 变异分支模糊聚类的测试数据进化生成 |
| 4.1 研究动机 |
| 4.2 整体框架 |
| 4.3 模糊聚类变异分支 |
| 4.4 基于分支覆盖约束的测试数据生成数学模型 |
| 4.5 基于MGA测试数据有序生成 |
| 4.6 实验 |
| 4.7 本章小结 |
| 5 变异分支覆盖难度引导的测试数据进化生成 |
| 5.1 研究动机 |
| 5.2 整体框架 |
| 5.3 确定变异分支覆盖难度 |
| 5.4 基于路径覆盖约束的测试数据生成数学模型 |
| 5.5 基于CGA的搜索域动态缩减测试数据生成 |
| 5.6 实验 |
| 5.7 本章小结 |
| 6 基于程序输入分组变异分支的测试数据进化生成 |
| 6.1 研究动机 |
| 6.2 整体框架 |
| 6.3 基于程序输入分组变异分支 |
| 6.4 基于相关输入变量的测试数据生成数学模型 |
| 6.5 基于MGA多任务测试数据生成 |
| 6.6 实验 |
| 6.7 本章小结 |
| 7 结论 |
| 7.1 本文所做工作 |
| 7.2 需要进一步研究的问题 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）基于模糊矩阵的数据关联算法应用综述（论文提纲范文）
| 0 引言 |
| 1 模糊聚类概述 |
| 2 模糊聚类数据关联过程 |
| 2.1 模糊聚类的相似矩阵 |
| 2.2 基于模糊统计量的传递闭包聚类算法 |
| 3 结语 |
（6）盾构机实测数据建模方法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 主要模型与算法名称缩写表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.2.1 研究背景 |
| 1.2.2 存在的问题 |
| 1.2.3 研究意义 |
| 1.3 国内外研究现状分析 |
| 1.3.1 盾构机发展历程 |
| 1.3.2 盾构机实测数据来源与构成 |
| 1.3.3 盾构机实测数据应用研究现状 |
| 1.3.4 多工况工程数据划分方法 |
| 1.3.5 多保真度工程数据建模方法 |
| 1.3.6 不等容工程数据建模方法 |
| 1.4 本文的主要研究内容 |
| 2 强相关属性关联关系引导的运行实测数据划分方法 |
| 2.1 引言 |
| 2.2 数据聚类 |
| 2.2.1 数据聚类概述 |
| 2.2.2 模糊c均值算法 |
| 2.2.3 聚类评价指标 |
| 2.3 强相关属性关联关系引导的模糊c均值聚类 |
| 2.3.1 强相关属性关联关系引导的模糊c均值聚类模型 |
| 2.3.2 AFCM聚类模型的优化策略 |
| 2.3.3 算法分析 |
| 2.3.4 数值算例测试 |
| 2.4 盾构机运行实测数据划分实验 |
| 2.4.1 盾构机运行实测数据的来源与背景 |
| 2.4.2 有标注地质工况运行实测数据聚类实验 |
| 2.4.3 无标注地质工况运行实测数据聚类实验 |
| 2.5 本章小结 |
| 3 基于回归关系聚类的运行实测数据建模方法 |
| 3.1 引言 |
| 3.2 基于回归关系的模糊c均值聚类 |
| 3.2.1 基于回归关系的模糊c均值聚类模型 |
| 3.2.2 RFCM聚类模型的优化策略 |
| 3.2.3 子类回归模型构建方法 |
| 3.2.4 数值算例测试 |
| 3.3 RFCM聚类模型辅助的数据建模方法 |
| 3.3.1 方法框架 |
| 3.3.2 数值算例测试 |
| 3.4 盾构机掘进速度预测实验 |
| 3.4.1 训练数据聚类与建模 |
| 3.4.2 测试数据与预测结果 |
| 3.5 本章小结 |
| 4 基于多保真度代理模型的泛化能力提升方法 |
| 4.1 引言 |
| 4.2 代理模型 |
| 4.2.1 克里金法 |
| 4.2.2 径向基函数 |
| 4.3 多保真度代理模型 |
| 4.3.1 多保真度代理模型概述 |
| 4.3.2 基于克里金法的多保真度代理模型 |
| 4.3.3 基于径向基函数的多保真度代理模型 |
| 4.4 基于支持向量回归的多保真度代理模型 |
| 4.4.1 方法构造 |
| 4.4.2 数值案例测试 |
| 4.5 盾构机掘进速度预测实验 |
| 4.5.1 运行实测数据与仿真数据 |
| 4.5.2 掘进速度预测结果 |
| 4.6 本章小节 |
| 5 运行与地质实测不等容数据的联合建模方法 |
| 5.1 引言 |
| 5.2 不等容数据建模方法 |
| 5.2.1 不等容数据建模问题概述 |
| 5.2.2 定性变量-定量变量耦合建模方法 |
| 5.3 基于支持向量回归的不等容数据建模方法 |
| 5.3.1 方法构造 |
| 5.3.2 数值算例测试 |
| 5.4 盾构机掘进速度预测实验 |
| 5.4.1 地质实测多类型数据的融合方法 |
| 5.4.2 掘进速度预测结果 |
| 5.5 运行与地质参数对盾构机掘进速度的敏感度分析 |
| 5.5.1 Sobol指数法 |
| 5.5.2 输入参数取值范围及抽样方法 |
| 5.5.3 敏感度分析结果 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录A 盾构机运行实测参数表 |
| 附录B 岩土物理力学指标 |
| 附录C 多保真度代理模型测试函数 |
| 附录D 基于MATLAB GUI的盾构机实测数据分析系统 |
| D.1 开发背景 |
| D.2 系统框架和用户界面设计 |
| D.2.1 系统总体框架 |
| D.2.2 系统主界面 |
| D.2.3 数据划分模型模块 |
| D.2.4 数据预测模型模块 |
| D.3 人工合成数据集测试 |
| D.3.1 数据划分模型 |
| D.3.2 数据预测模型 |
| D.4 盾构机实测数据集测试 |
| D.4.1 数据划分模型 |
| D.4.2 数据预测模型 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（7）基于自适应网格的稀疏信号处理方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 稀疏信号估计方法的发展 |
| 1.2.1 在网格估计方法的发展 |
| 1.2.2 离网格和无网格估计方法的发展 |
| 1.2.3 稀疏信号估计方法的网格问题小结 |
| 1.3 本论文的主要内容和章节安排 |
| 第二章 自适应网格稀疏信号表示基础 |
| 2.1 引言 |
| 2.2 稀疏表示理论基础 |
| 2.2.1 稀疏表示模型 |
| 2.2.2 精确重构的理论保证 |
| 2.2.3 稀疏重构的基本方法与性能 |
| 2.2.4 贝叶斯框架 |
| 2.3 自适应网格基础 |
| 2.3.1 离网格模型 |
| 2.3.2 离网格稀疏贝叶斯推断 |
| 2.4 本章小结 |
| 第三章 在网格稀疏信号表示的空间谱估计研究 |
| 3.1 引言 |
| 3.2 基于在网格稀疏表示的空间谱估计模型 |
| 3.3 孔径约束下的空间谱估计研究 |
| 3.3.1 孔径约束 |
| 3.3.2 基于稀疏表示的谱估计算法 |
| 3.3.2.1 l1-SVD算法 |
| 3.3.2.2 噪声下的多快拍FOCUSS算法 |
| 3.3.2.3 IAA算法 |
| 3.3.3 仿真研究 |
| 3.4 未知互耦下的空间谱估计研究 |
| 3.4.1 未知互耦模型 |
| 3.4.2 未知互耦下的块稀疏信号重构方法及其改进 |
| 3.4.3 仿真研究 |
| 3.5 基于交替方向乘子法的快速重构方法 |
| 3.5.1 交替方向乘子法求解器 |
| 3.5.2 仿真研究 |
| 3.6 本章小结 |
| 第四章 自适应网格与网格进化方法 |
| 4.1 引言 |
| 4.2 自适应网格模型 |
| 4.3 网格进化方法 |
| 4.3.1 学习过程 |
| 4.3.2 分裂过程 |
| 4.3.2.1 网格点分裂条件 |
| 4.3.2.2 网格分裂 |
| 4.3.2.3 分裂网格的先验设计 |
| 4.3.2.4 终止准则 |
| 4.3.3 网格进化方法步骤总结 |
| 4.3.4 算法复杂度分析 |
| 4.4 网格进化方法在空间谱估计中的应用 |
| 4.4.1 基于求根方法的离网格误差参数求解 |
| 4.4.2 仿真研究 |
| 4.4.2.1 网格进化波达方向估计的空间谱 |
| 4.4.2.2 网格进化波达方向估计的分辨力 |
| 4.4.2.3 估计精度研究 |
| 4.4.2.4 收敛性研究 |
| 4.4.2.5 计算量研究 |
| 4.5 网格进化方法在雷达回波信号处理中的应用 |
| 4.5.1 雷达回波信号的自适应网格模型 |
| 4.5.2 离网格误差的求解 |
| 4.5.3 仿真研究 |
| 4.6 本章小结 |
| 第五章 基于模糊聚类的数据关联网格生成方法 |
| 5.1 引言 |
| 5.2 问题描述与相关工作 |
| 5.3 多目标多传感器测量模型和定位方法 |
| 5.3.1 测量模型 |
| 5.3.2 定位方法 |
| 5.4 基于模糊聚类的数据关联 |
| 5.4.1 唯一性条件 |
| 5.4.2 基于模糊聚类的数据关联方法 |
| 5.4.3 基于改进的模糊聚类数据关联方法 |
| 5.5 算法分析与仿真实验 |
| 5.5.1 几何关系分析 |
| 5.5.2 单次仿真实验及分析 |
| 5.5.3 统计仿真实验及分析 |
| 5.5.4 性能约束 |
| 5.5.5 性能对比实验 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文内容总结 |
| 6.2 论文创新点 |
| 6.3 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（8）基于高斯过程回归的热工系统数据驱动建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 热工系统数据驱动建模方法研究现状 |
| 1.2.1 统计建模方法 |
| 1.2.2 神经网络建模方法 |
| 1.2.3 模糊逻辑建模方法 |
| 1.2.4 混合建模方法 |
| 1.2.5 传递函数建模方法 |
| 1.3 热工过程历史运行数据特性分析 |
| 1.4 高斯过程回归的预备知识 |
| 1.4.1 高斯过程回归方法的研究现状 |
| 1.4.2 高斯过程基本概念 |
| 1.4.3 高斯过程回归 |
| 1.4.4 高斯模型的训练 |
| 1.5 本文主要研究内容和章节安排 |
| 第2章 热工过程数据异常值处理方法研究 |
| 2.1 引言 |
| 2.2 异常值检测及校正技术 |
| 2.3 热工过程历史运行数据异常值检测 |
| 2.3.1 经验小波变换方法 |
| 2.3.2 局部离群因子算法 |
| 2.3.3 EWT-LOF异常值检测方法 |
| 2.4 异常数据校正与缺失值补全 |
| 2.4.1 Nadaraya-Watson回归 |
| 2.4.2 校正与补全方法 |
| 2.5 热工过程数据实例 |
| 2.5.1 热工过程数据异常值检测 |
| 2.5.2 热工过程数据异常值校正与缺失值补全 |
| 2.6 本章小结 |
| 第3章 热工系统稳态检测方法研究 |
| 3.1 引言 |
| 3.1.1 稳态工况的定义 |
| 3.1.2 现有稳态检测方法回顾 |
| 3.2 基于信号分解和R统计检验法的稳态检测方法 |
| 3.2.1 R统计检验法 |
| 3.2.2 稳态检测方法描述 |
| 3.2.3 仿真数据验证 |
| 3.3 热工系统稳态工况检测实例 |
| 3.3.1 单变量稳态检测 |
| 3.3.2 多变量系统稳态检测 |
| 3.4 本章小结 |
| 第4章 基于样本稀疏化和特征变量选择的GPR建模 |
| 4.1 引言 |
| 4.2 基于样本稀疏化和特征变量选择的GPR建模方法 |
| 4.2.1 基于相关系数的多测点数据融合 |
| 4.2.2 基于数据相似性和信息熵的样本稀疏化方法 |
| 4.2.3 基于LARS的特征变量选择 |
| 4.2.4 Pc-lars-s-GPR模型结构 |
| 4.3 烟气含氧量的Pc-lars-s-GPR建模 |
| 4.3.1 建模数据准备 |
| 4.3.2 样本稀疏化与特征变量选择 |
| 4.3.3 建模结果分析 |
| 4.4 本章小结 |
| 第5章 考虑输入时延的组合核函数动态GPR建模 |
| 5.1 引言 |
| 5.2 动态模型描述 |
| 5.3 考虑输入时延的组合核函数动态模型构建 |
| 5.3.1 灰色关联度分析 |
| 5.3.2 组合核函数 |
| 5.3.3 GRA-CKDGPR模型结构 |
| 5.4 烟气含氧量的GRA-CKDGPR建模 |
| 5.4.1 建模数据准备 |
| 5.4.2 建模结果分析 |
| 5.5 本章小结 |
| 第6章 基于自适应模糊聚类的多模型动态GPR建模 |
| 6.1 引言 |
| 6.1.1 多模型策略 |
| 6.1.2 数据划分策略 |
| 6.1.3 模型合成策略 |
| 6.2 一种自适应多目标模糊聚类方法 |
| 6.2.1 算法基本原理 |
| 6.2.2 基于自适应NSGA-II的动态模糊聚类方法 |
| 6.2.3 算法流程及时间复杂度分析 |
| 6.2.4 聚类实例验证 |
| 6.3 基于多模型策略的动态GPR建模方法 |
| 6.3.1 GPR动态子模型构建 |
| 6.3.2 子模型合成策略 |
| 6.3.3 基于自适应模糊聚类的多模型动态GPR模型结构 |
| 6.4 烟气含氧量的多模型建模 |
| 6.4.1 建模数据准备 |
| 6.4.2 建模结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文的主要工作和创新点 |
| 7.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（9）数字经济驱动下政务数据资产化与创新策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 数字经济发展概况 |
| 1.1.2 政务数据资产化的必要性 |
| 1.2 研究问题 |
| 1.2.1 政务数据技术处理过程 |
| 1.2.2 政务数据市场化过程 |
| 1.2.3 政务数据资产化难题 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 现实意义 |
| 1.4 研究目标、方法及框架 |
| 1.4.1 研究目标 |
| 1.4.2 研究方法 |
| 1.4.3 研究框架 |
| 1.5 研究创新 |
| 1.5.1 视角创新 |
| 1.5.2 观点创新 |
| 1.5.3 方法创新 |
| 2 相关理论及研究综述 |
| 2.1 政务数据资产化的理论基础 |
| 2.1.1 数字经济理论 |
| 2.1.2 电子政务治理理论 |
| 2.1.3 数据共享协同理论 |
| 2.1.4 电子政务服务创新理论 |
| 2.1.5 信息技术基础理论 |
| 2.2 政务数据资产化文献综述 |
| 2.2.1 数据安全与脱敏的研究 |
| 2.2.2 数据标准化的研究 |
| 2.2.3 数据价值评估的研究 |
| 2.2.4 数据市场化的研究 |
| 2.3 文献评述 |
| 3 国际经验及政务数据资产化作用机理 |
| 3.1 国外发展经验 |
| 3.2 国内发展现状 |
| 3.3 对比分析 |
| 3.3.1 法律法规方面的对比分析 |
| 3.3.2 专业机构的对比分析 |
| 3.3.3 数据安全方面的对比分析 |
| 3.4 政务数据资产化作用机理 |
| 3.4.1 政务数据资产化内涵 |
| 3.4.2 “两个过程,四个阶段”的相互作用关系 |
| 3.5 本章小结 |
| 4 政务数据技术处理过程 |
| 4.1 政务数据安全化 |
| 4.1.1 政务数据安全化问题分类分级 |
| 4.1.2 政务数据脱敏算法 |
| 4.1.3 脱敏政务数据标准化预处理 |
| 4.2 政务数据标准化 |
| 4.2.1 我国政务数据标准化体系进展 |
| 4.2.2 我国政务数据标准化存在的问题 |
| 4.2.3 元数据标准化方案 |
| 4.2.4 我国政务数据标准化方案 |
| 4.2.5 政务数据价值化的预处理 |
| 4.3 政务数据价值化 |
| 4.3.1 数据评估方法比较分析 |
| 4.3.2 层次分析法(AHP)的介绍 |
| 4.3.3 政务数据资产价值影响因素 |
| 4.3.4 政务数据资产价值构成指标 |
| 4.3.5 构成指标计量 |
| 4.3.6 层次分析法(AHP)的步骤 |
| 4.4 案例分析 |
| 4.4.1 安全化示例 |
| 4.4.2 标准化示例 |
| 4.4.3 价值化示例 |
| 4.5 本章小结 |
| 5 政务数据市场化过程 |
| 5.1 政务数据市场化存在的问题 |
| 5.2 政务数据市场化主体关系 |
| 5.2.1 数据供给侧 |
| 5.2.2 大数据平台 |
| 5.2.3 数据消费侧 |
| 5.3 政务数据市场化模式 |
| 5.3.1 政务数据交易 |
| 5.3.2 政务数据共享 |
| 5.3.3 政务数据分析 |
| 5.3.4 政务数据产品 |
| 5.4 本章小结 |
| 6 政务数据资产化影响因素实证分析 |
| 6.1 影响因素实证方法研究 |
| 6.2 影响因素集 |
| 6.2.1 政务数据安全化影响因素 |
| 6.2.2 政务数据标准化影响因素 |
| 6.2.3 政务数据价值化影响因素 |
| 6.2.4 政务数据市场化影响因素 |
| 6.3 实证模型选择 |
| 6.4 灰色关联度与模糊聚类模型 |
| 6.4.1 灰色关联度分析法 |
| 6.4.2 模糊聚类模型 |
| 6.5 实证分析 |
| 6.6 结果分析 |
| 6.6.1 关键影响因素分析 |
| 6.6.2 一般影响因素分析 |
| 6.6.3 其他影响因素分析 |
| 6.7 本章小结 |
| 7 创新策略与对策建议 |
| 7.1 创新策略 |
| 7.2 实施路径 |
| 7.2.1 建立政务数据合作运营企业 |
| 7.2.2 政府信息全面数据化 |
| 7.2.3 建立政企合作管理制度 |
| 7.2.4 建立拥有政务数据分析能力的专业团队 |
| 7.3 政策建议 |
| 7.3.1 政府层面 |
| 7.3.2 市场层面 |
| 7.3.3 技术层面 |
| 7.3.4 企业层面 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 附录 问卷：政务数据资产化影响因素调研问卷 |
| 致谢 |
（10）基于社交网络的个性化推荐系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究工作 |
| 1.4 论文组织结构与章节安排 |
| 第二章 相关理论和主要技术 |
| 2.1 社交网络介绍 |
| 2.1.1 社交网络图 |
| 2.1.2 社交网络的基本特性 |
| 2.1.3 经典的社区划分算法 |
| 2.2 个性化推荐算法 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 基于关联规则的推荐算法 |
| 2.2.3 协同过滤推荐算法 |
| 2.3 Hadoop相关技术 |
| 2.3.1 Hadoop生态系统 |
| 2.3.2 MapReduce编程模型 |
| 2.3.3 HDFS体系结构 |
| 2.4 本章小结 |
| 第三章 基于社区划分的个性化推荐算法 |
| 3.1 模糊理论 |
| 3.1.1 模糊子集与隶属函数 |
| 3.1.2 模糊聚类分析 |
| 3.2 基于模糊聚类社区划分的推荐算法 |
| 3.2.1 FCM算法 |
| 3.2.2 基于改进FCM的社区划分算法 |
| 3.2.3 基于FCM社区划分的推荐算法 |
| 3.3 实验及结果分析 |
| 3.3.1 实验数据 |
| 3.3.2 评价指标 |
| 3.3.3 实验方案 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 融合用户评分偏好聚类的协同过滤推荐算法 |
| 4.1 改进的K-Medoids算法 |
| 4.1.1 并行选取初始中心 |
| 4.1.2 并行替换聚类中心 |
| 4.1.3 K值的确定与选取 |
| 4.1.4 改进的K-Medoids算法并行化设计 |
| 4.2 融合用户评分偏好聚类的协同过滤推荐算法 |
| 4.2.1 融合用户评分偏好的相似性计算方法 |
| 4.2.2 RKM-UserCF算法 |
| 4.3 实验及结果分析 |
| 4.3.1 实验数据与实验环境 |
| 4.3.2 评价指标 |
| 4.3.3 实验方案 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 个性化电影推荐系统的设计与实现 |
| 5.1 需求分析 |
| 5.2 系统架构 |
| 5.3 关键技术 |
| 5.4 系统展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间完成的科研成果 |
| 致谢 |
四、基于模糊聚类的数据关联融合算法（论文参考文献）
- [1]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)
- [2]基于机器学习的低空监视雷达目标跟踪算法研究[D]. 杜建晖. 四川大学, 2021(02)
- [3]交通场景中基于MMW雷达的目标识别方法研究[D]. 张鑫怡. 北京信息科技大学, 2021(08)
- [4]变异分支驱动的软件测试数据进化生成理论与方法[D]. 党向盈. 中国矿业大学, 2020
- [5]基于模糊矩阵的数据关联算法应用综述[J]. 李悦. 数字技术与应用, 2020(10)
- [6]盾构机实测数据建模方法及其应用研究[D]. 石茂林. 大连理工大学, 2020(01)
- [7]基于自适应网格的稀疏信号处理方法研究[D]. 王千里. 电子科技大学, 2020(01)
- [8]基于高斯过程回归的热工系统数据驱动建模研究[D]. 贾昊. 华北电力大学(北京), 2020(06)
- [9]数字经济驱动下政务数据资产化与创新策略研究[D]. 任泳然. 江西财经大学, 2020(01)
- [10]基于社交网络的个性化推荐系统的设计与实现[D]. 李欢. 扬州大学, 2020(04)