一、对数据窗口的dwItemStatus研究及应用（论文文献综述）
薛大朋[1]（2021）在《船体运动位姿在线预报研究》文中研究说明在进行海上资源开发、特种作业时,利用船载稳定输送平台进行人员和设备的输送,为保证稳定平台能够及时补偿船体运动使自身保持平稳,也为了保证在输送期间,稳定平台能够对船体运动进行完全地补偿,本文分别进行船体运动的极短期和安稳期在线预报研究。主要的研究内容如下:首先,分析了海浪的运动规律,利用ITTC海浪谱对不同海况下的海浪运动进行仿真;通过AQWA软件对船体建模,求出船体对海浪响应的RAOs和相位差,得到不同海况下船体各自由度的运动。然后,对四级海况下的船体运动极短期在线预报进行研究,验证AR模型和RBF神经网络模型进行预报的可行性。针对AR模型参数估计耗时长的问题,采用限定记忆的递推最小二乘算法进行参数的估计更新;针对RBF神经网络模型参数难以选择的问题,采用粒子群算法进行寻优。同时为了减小计算量,分析了不同采样周期对预报结果的影响;为了使预报数据与系统控制数据具有相同的频率,验证了RBF神经网络模型的拟合插值能力,提出AR模型预报、RBF神经网络模型拟合插值的模式进行极短期预报,提高了预报算法的实时性。最后,对船体运动安稳期在线预报进行研究,通过直接对船体运动数据预报的方式进行安稳期预报,有效预报时长较短。为了延长有效预报时长,采用对船体运动数据包络线预报的方式进行安稳期的预报,因为包络线的特征周期较长。在包络线的提取过程中,提出限定极值的方法来降低包络线的非平稳性,同时采用EMD+AR组合模型进行安稳期预报,提高了安全系数。
闫继龙[2]（2021）在《可穿戴惯性感知乒乓动作识别研究及系统实现》文中研究表明人体动作识别是模式识别领域一个研究热点。它通过计算机对传感器采集数据进行处理和分析,学习理解人体动作和行为,并做出相应决策。它被越来越多应用到体育运动等领域中,给予用户个性化的运动评估方案,从而帮助人们提升运动技能、增强人体健康。近年来,随着可穿戴计算快速发展,基于可穿戴惯性传感器的人体动作识别吸引了大量研究学者。相对于光学式传感器,可穿戴惯性传感器具有低成本、小尺寸、应用范围更广、不存在空间限制和遮挡、更好地保护用户隐私等诸多优点,可以使用户获得更大的自由活动空间,更适合应用在体育运动中。乒乓球运动是一种流行的球类体育运动,受到世界各国人们的喜爱和追捧,尤其在我国拥有最庞大的群众基础和深厚的文化底蕴,推动着全民健身和全民健康深度融合。而目前关于乒乓动作识别和评估系统的研究较少,所以本文利用可穿戴惯性传感器来构建低成本、低延时、高准确性的人体动作识别与评估系统,用于复杂乒乓动作识别和评估。本文主要研究工作如下:（1）基于Socket Async Event Args类实现高性能网络服务端应用程序本文使用Socket Async Event Args类提供的异步事件、对象池技术,数据缓冲池、减少运行时线程频繁的创建与销毁等技术来实现高性能网络服务端应用程序,解决了简单Socket应对多客户端节点高并发数据通信能力的不足,同时设计实现了多传感器数据的同步策略。实验证明,基于Socket Async Event Args类实现高性能网络服务端应用程序在低成本硬件设备上也能获得稳定的通信能力和低延时的数据传输效果。（2）提出窗口分割点检测与关键帧提取方法本文基于正态分布的“3σ”原则,给出了惯性数据关键帧的定义。提出窗口分割点检测与关键帧提取方法,用于从实时惯性数据流中进行窗口分割获取有效的关键帧数据,并通过均值和差值的两种阈值判别算法分别实现。实验表明,该方法能够较为准确地从实时惯性感知数据流中提取到动作关键帧,去除大量冗余数据,对运动动作检索、分析和实时识别起到重要作用。（3）改进的Inception网络结构用于多维度特征提取本文在Inception网络结构中2维卷积的基础上,增加了1维卷积用于提取惯性数据在时间序列上的特征,扩展了特征图的维度并且增强数据表达能力和泛化能力。实验表明,在卷积神经网络之前加入改进的Inception网络可以明显提高人体乒乓动作分类准确率,显着提升相似乒乓动作的识别效果。（4）提出人体乒乓动作评估方法本文对整体乒乓动作和局部动作与标准动作之间的相似性进行评估。将乒乓动作分类结果概率值用作评估整体动作与标准动作之间的相似性。人体局部动作评估是利用余弦相似度算法,计算每个传感器特征与标准特征向量之间的相似性作为局部动作评估结果。实验表明,本文提出的人体乒乓动作评估方法对乒乓动作的评估结果是具有一定准确性和指导意义的。（5）高性能乒乓动作云识别和评估系统基于软件工程基本理论,完成对高性能乒乓动作云识别和评估系统的可行性分析、需求分析、系统架构和主要功能概要设计、系统功能实现和系统部署等工作,最终实现一个具有较好鲁棒性,能够稳定运行的系统。综上所述,本文对可穿戴惯性感知乒乓动作识别过程中的数据采集、窗口分割点检测与关键帧提取、人体乒乓动作建模和人体乒乓动作评估方法进行了研究,在此基础上实现了高性能乒乓动作云识别和评估系统。
钱堃[3]（2021）在《多精度神经网络加速器设计》文中认为神经网络是人工智能算法的一个重要分支,这种算法具有统一的结构,更换权值即可实现不同的任务,同时权值还可以通过自动的训练获得。这些特性使神经网络可以广泛应用在很多领域,如机器视觉、自然语言处理、加密解密等。但是神经网络具有运算消耗算力大的特点,因此构造一种可以高效处理神经网络算法的推理任务的加速器非常有必要。本文首先分析了卷积神经网络和神经网络加速器的基本理论,在此基础上对神经网络计算模型进行分析,包括需要实现的算子和算子规格。卷积神经网络中最关键同时也是出现频率最高的算子是卷积算子及其配套的激活函数,卷积算子的加速是本加速器设计的重点。在对卷积算子的分析中,明确了出现频率较高的几种卷积规格,卷积尺寸为1或3,步长为1或2。本文随后介绍了卷积加速器的架构,包括全并行架构、数据窗口复用、Systolic架构和矩阵实现架构。本设计使用矩阵实现架构,并在此基础上添加了对多精度计算的支持,本设计支持在半精度浮点数或8位定点数下执行神经网络的推理任务。为了实现多精度推理,本文介绍了低精度神经网络推理的实现方式和相关参数的获取方式。最后介绍了多精度运算器的设计,包括多精度乘法器和多精度加法器。然后,本文根据架构设计,详细设计了存储子系统和计算子系统。存储子系统负责对主存储器的管理和为计算子系统提供数据,主存储器由两个单口SRAM存储构成,交替负责内部数据提供和外部访问服务。在提供数据方面,存储子系统根据配置生成地址,取出数据,对数据进行复用,最终将数据保存在寄存器阵列中,提供给计算子系统。计算子系统根据配置,从主存储器中取出偏置和权值,配合寄存器阵列中的数据,完成矩阵乘法和激活函数的运算。最后本文对所有设计部件进行仿真测试,所有部件均达到预计效果,和桌面CPU（AMD R5-3500X）相比,同频率下运行时间最高缩短11.2倍,本次设计达到预计设计目标。本设计通过通道复用的存储方法,解决了不同数据类型运算的位宽冲突问题,通过统一存储的方式缓解了片上存储空间的浪费问题,通过详细的部件设计,实现输入输出数据同构,消除了回写带宽瓶颈。
蒋应行[4]（2020）在《FES系统中基于MEMS加速度计的校准方法与人体姿态识别的研究》文中认为中国卒中发病率是全世界最高的国家之一,由于国家的高度重视,我国的脑血管病防治工作已初显成效,但脑卒中依然是我国成年人致死和致残的首要原因。因此,我国脑卒中的防治工作刻不容缓,患者的康复体系亟待完善。在脑卒中患者的肢体功能恢复过程中,需要穿戴配有MEMS传感器的康复设备辅助进行一些特定动作的康复训练,本文围绕着提升MEMS加速度计精度以及利用MEMS传感器数据对人体动作姿态进行识别问题展开了一系列研究工作:（1）为了确保加速度传感器数据的准确度,不影响动作识别的精度,我们需要进行加速度数据校准。在此背景下,本文从误差分析出发,建立了参数校准模型,提出了一种利用冗余加速度向量来计算自动校准增益的方法,再根据计算得出的增益来对加速度传感器所产生的数据进行校准。最后,通过实验验证了所提出校准方法的准确性和鲁棒性。（2）目前,上肢姿态识别研究仍处在初级阶段,由于客观环境多样性和人体姿态复杂性,上肢姿态没有公共的数据集。本文设计了上肢数据采集系统,采用MPU6050传感器模块作为数据采集设备,以三通道的数据采集方式,采集加速度信号以及陀螺仪信号作为样本数据。将采集到的加速度以及陀螺仪数据通过串口连线发送到主机,主机接收到三个传感器发送的数据后,通过串口将数据发送到电脑端。采集完毕后对数据集进行了去重、插值和特征提取等预处理,综合了更全面的肢体姿态信息,为后续的姿态识别工作提供了数据保障。（3）以识别人体姿态为目标,进行了 KNN、逻辑回归、随机梯度下降算法的实验。为了验证各算法的优越性,调整数据窗口,将各分类器的识别速度、计算时长和准确率进行了对比。针对提升人体姿态识别精度的问题,建立了基于全连接的神经网络模型。在构建网络模型的过程中,本文研究了不同隐藏层层数、激活函数和优化器对识别率的影响,经过实验对比分析,选择了识别性能较好的softplus激活函数以及adagrad优化器。最后,通过与其它分类模型对比,综合识别准确率和时间效率,验证了全连接神经网络在人体姿态识别中的优越性。
刘熠[5]（2020）在《基于结构化模型的工业过程监测方法研究》文中指出随着科技的飞速发展,现代流程工业越趋精细化和复杂化,政府设定的污染物排放标准也越来越严。过程监测作为维系流程工业生产安全、构建产品质量保证体系以及提升社会环境效益的重要手段,近年来得到了大量成功的应用。其中,以多元统计分析为代表的数据驱动监测方法因其概念简单、易于实现等优点受到研究人员的广泛关注。尽管已经取得了很多形式的研究成果,多元统计分析方法在故障分离和诊断方面依然存在一定的不足,主要原因在于未从结构层面考虑变量相关关系、因果特性等更能刻画过程运行状态的结构化信息,而日益扩大的数据规模使得单纯的数据驱动方法较难避免所谓的“拖尾效应”（即异常信息在故障和正常变量之间传播）。为充分挖掘数据中潜藏的结构化信息,本文开展了基于结构化模型的过程监测方法研究。以多元统计分析、序列图模型、概率线性判别分析等为模型基础,以特征变量选择为关键技术,结合过程特性、系统原理等先验知识,开发了相关的故障检测和诊断方法。在方法的设计过程中,进行了过程建模、故障信息提取以及数据可视化等研究工作。具体内容如下:1.针对PCA在故障分离和诊断方面遇到的“拖尾”问题,提出了一种SJSPCA模型。该模型依赖由l2,1范数和图拉普拉斯正则项组成的结构化正则项,充分挖掘了过程数据的相关关系,实现了过程异常信息的结构化表达。l2,1范数具有一致选择特征变量的优良特性,图拉普拉斯约束可以挖掘数据潜在的图结构关系,两者分别作用于PCA载荷矩阵,可实现过程变量的结构化选择,直接为过程异常信息的结构化表达创设了先决条件。在故障分离阶段,稀疏步骤逐行删除载荷矩阵中的无用信息,留下了足以表征故障信息的非零元素;分离步骤中,PCA的数据恢复矩阵可将故障/异常信息表达在载荷矩阵主元和残差子空间的相应行中,由此分离出一目了然的异常变量。2.为实现时变过程的变量关系可视化,结合稀疏高斯图模型、结构化正则项和数据滑窗机制,构造了一种SSGL模型。该模型所依赖的结构化正则项由两个l2,1范数构成,第一个范数正则项用于获得时变过程的总体变化趋势,后者则捕获过程中的突发异常事件,两者共同致力于挖掘过程数据中的图形化结构关系。在统一的基于图模型的过程监测框架中,故障检测的执行方式是对图模型的结构进行等价性测试,而故障分离可以通过观察图结构的变化获取,也可以基于异常图模型的重构优化得到更加稳定的故障分离结果。3.针对PLDA在处理数据较大类内方差问题上的不足,提出了一种I-PLDA模型。该模型通过对每类数据引入相应的类内载荷矩阵,将过程样本的类别信息通过逆类内方差矩阵固化在改进的模型中,为使用最大余弦相似度标准识别过程模态预设了模型基础,同时也提升了该方法的故障检测性能。在故障分离方面,基于相同的概率框架,引入了拉普拉斯先验重构检测到的故障样本的概率生成模型,在类内载荷变化矩阵的稀疏概率推断中实现了故障信息的结构化表达。实验证明通过稀疏概率重构的方式也能较好地分离故障变量,有效规避了传统模型在这一问题上的“拖尾”现象。4.提出了一种MRPLDA模型,用于处理工业过程数据的离群点、非高斯和较大类内方差等问题。该模型的构造依赖两个关键步骤:1)为类内潜隐变量和噪声预设能调整统计量敏感性的先验分布,使得模型能较大程度免于训练集中离群点或异常值的干扰;2)在混合概率分布的框架下,构造包含有限个RPLDA的混合模型,用于处理过程中的其它问题。在构造MRPLDA模型的基础上,引入了状态、组别等两组潜隐变量,形成了混合概率模型分类器,可用于识别过程故障,从而将过程监测的故障检测和分离等任务结构化地表达为故障分类器的分类行为。与此同时,还提出了一种由概率近似、证据推理以及投票决策的状态推断策略,增强了模型分类器的故障分类能力。
张新浩[6]（2020）在《基于Android多传感采集系统的下肢动作识别研究》文中提出外骨骼、智能假肢和康复机器人等人体辅助设备的控制都需要对人体的下肢动作进行识别。表面肌电信号蕴含了人体动作的信息,通过表面肌电信号来控制人体辅助设备具有控制的直观性。为了取得更好的识别率,在识别的过程中可以综合使用表面肌电信号、足底压力信号和姿态传感器信号等多种信号。以Android作为上位机的多传感采集系统相比于专业的信号采集设备具有便携、易扩展和成本低等优点。本文基于Android和各种传感器模块搭建出一个便携式的多传感采集系统,使用不同的信号对不同的下肢动作模式进行识别。首先,设计并搭建了一个基于Android的多传感采集系统,可以对下肢的表面肌电信号、足底压力信号和姿态传感器信号进行采集,通过蓝牙发送到手机应用中。手机应用可以对信号进行显示、计算和保存的操作。然后,基于表面肌电信号对脚踝的放松、背屈、跖屈、内翻和外翻五种主要用于康复训练的静态动作模式进行识别。使用线性判别分析（LDA）算法对表面肌电信号的特征向量进行训练和识别,确定了最优通道组合、最优特征组合和平滑数量。其次,基于表面肌电信号、足底压力信号和姿态传感器信号对下肢的行走、跑步、踏步、上楼梯、下楼梯、站立和坐七种动作模式进行识别。基于姿态传感器的角速度信号对动态和静态的动作模式进行区分。使用了基于阶段截取的LDA算法对行走、跑步、踏步、上楼梯和下楼梯五种动态的动作模式进行识别,确定了最优阶段和最优特征组合。基于足底压力对站立和坐两种静态的动作模式进行识别。最后,创建了基于Android的虚拟下肢。基于姿态传感器的欧拉角信号、模板数据和左右腿运动的相位差来实时更新虚拟下肢的姿态,实现其跟随人体进行行走运动的效果。在人体行走的过程中,手机应用的界面中可以实时显示肌肉的激活、预测的周期时长、步态相和各种传感器信息。
房志坚[7]（2020）在《天文异常现象的在线检测与离线挖掘系统设计与实现》文中指出天文观测科学研究是国家重点发展战略,展示大国自然科学研究水平。很多国家投入优势资源开发了着名的天文观测系统,如美国的大型综合巡天望远镜（Large Synoptic Survey Telescope,LSST）系统、中国的地面广角相机阵（Ground Wide Angle Camera,GWAC）系统。同时,与之配套的天文大数据管理系统也越发重要,它们为天文观测系统产生的海量数据提供了数据管理和检索功能,为科学发现和天文爱好者提供数据共享的平台,如美国的斯隆数据库为斯隆数字巡天（Sloan Digital Sky Survey,SDSS）系统提供海量天文数据的管理服务。我国国家天文台自主研发的GWAC系统是目标发现短时标异常天文现象的光学望远镜阵列。GWAC天文系统由40台小口径巡天望远镜相机矩阵组成,相比其它巡天项目覆盖更大的观测视场,具有更高的时间采样率。建立GWAC对应的数据处理系统,既要在镜头采样区间内实现快速的天文异常检测,也要满足长期存储数据的可利用需求。基于十三五国家重点研发计划项目背景,面向GWAC系统的数据处理需求,研发了一套具有实时天文异常现象检测和长期数据管理与数据挖掘功能的天文大数据处理软件,支持流式检测与批处理相结合、多种异常检测算法共存。系统按照GWAC相机矩阵数据处理工作流,主要提供的功能包括:第一,在线天文异常检测,对接观测相机阵,监测实时产生的天文数据,实现针对短时标天文异常现象准确、快速的预警;第二,离线天文异常挖掘,建立历史数据仓库实现长期天文数据的保存,同时深入挖掘时间跨度更大、种类更广泛的天文异常;第三,全天区天球的数据可视化,提供天文学家适用的系统界面,动态展示实时异常星体及其光变亮度值曲线;第四,天文现象检索,提供多数据源的高速搜索引擎,支持用户的典型天文查询和批处理访问;第五,历史数据管理,建立部分天文数据的共享平台,允许天文爱好者下载查看已公开的科学数据。根据GWAC系统数据“快速实时分析+大数据管理”的处理需求,系统采用主从的分布式模型,基于四十个物理节点部署在线和离线并行的双层架构。在线部分基于内存数据库搭建,主要用于实时天文数据的异常现象监控,针对小部分数据执行轻量级的分析任务;离线部分选用NoSQL型数据库,主要用于大规模长期数据的持久化存储和深度异常挖掘,利用系统低强度运行时间处理复杂计算。目前,系统已经正式应用于国家天文台兴隆观测站的GWAC系统,实现了快速天文异常检测和有效的长期数据管理,单批数据的在线异常检测时延低于4秒,数据存储总量达10PB,每天处理天文观测数据10TB以上。在试运行阶段,系统从真实巡天数据中发现了约30个分钟量级的短时标天体耀发事件,预警效果得到了天文学家的可信度认证。同时,系统提供全天区天球数据可视化平台,支持自定义时空范围的天文数据特征展示,具备复合检索条件的典型天文查询功能。应用表明,系统及其方法具有有效性,为进一步的大规模天文学发现提供了有力支持。
张俊[8]（2020）在《基于车联网数据的驾驶行为识别与风险评估方法研究》文中指出驾驶行为研究与风险评估具有重要现实意义。研究表明,75%的事故都是由违规操作产生的,驾驶态度才是交通安全的决定性因素。如果能够通过技术手段提前预警,规范驾驶行为,就能避免80%的事故。17.5%的车主频发交通事故,赔付额高昂,使得82.5%安全驾驶的车主也承担高额保费为之买单,车险定价方案优化空间巨大。当前,我国正积极推进商业车险费率市场化改革“二次费改”,以降低商业车险费率,提升车险公司定价权。因此,驾驶行为风险评估将为保险公司制定个性化车险定价方案提供技术手段。本文利用深度学习技术,基于智能手机传感器数据、自然驾驶研究项目（Naturalistic Driving Study,NDS）时序数据、视觉数据、车险理赔数据等异构车联网（Internet of Vehicle,IoV）数据开展驾驶行为分析与风险评估,主要研究内容如下:（1）提出一种智能手机传感器数据采集、处理方法,以及一种驾驶行为识别与风险预测深度学习模型。新的方法消除了重力加速度对手机传感器数据采集的影响,采集了多种传感器数据,标注了六种驾驶行为。为解决传统特征工程的限制,提出基于注意力机制（Attention）的DeepConvGRU和DeepConvLSTM模型,通过融合卷积神经网络（CNN）和递归神经网络（RNN）,获取高维数据背后所隐藏的时空特性,自动提取驾驶行为关键特征。模型可基于经过简单预处理的原始数据进行“端到端”的学习,无需特征工程。实验结果表明,模型识别结果优于其他参照模型。此外,为进一步验证DeepConvGRU和DeepConvLSTM模型的通用性,实验利用NDS项目提供的时序数据,构建驾驶安全风险图谱,建立碰撞事故与风险等级的关系,构建车辆碰撞事故与驾驶行为之间的相关性模型,挖掘数据背后的时空特征,实现驾驶风险预测。实验结果表明,模型能够有效抑制类别不平衡,表现出良好的性能。（2）提出了一种基于视觉数据的分心驾驶行为分类与检测方法。搭建基于双流三维卷积网络的分心驾驶行为识别模型,并利用公共数据集和实验构建的数据集,与经过调优的二维卷积网络进行对比验证,实验表明双流三维卷积网络可以自动挖掘时空特征,捕获时间上下文相关信息,适用于基于时序图像数据或视频的分类任务。为了克服图像背景、拍摄角度等对识别的影响,本文对分类数据集进行重新标注,制作具有普遍适用性的分心驾驶行为目标检测数据集,整合利用业界先进的检测算法,实现分心驾驶标志性动作检测,提高模型识别性能与鲁棒性。（3）提出了一种新的深度学习模型DeepAFM（Deep Attentional Factorization Machine）,基于车险理赔数据预测驾驶风险。模型使用因式分解机（Factorization Machine,FM）和嵌入层将参数矩阵分解为低维的参数矩阵,降低了学习复杂度;引入注意力机制,学习交叉特征的权重,提取对目标预测起关键作用的重要特征;引入一个全连接深度网络（Deep Neural Network,DNN）作为DeepAFM的深度网络组件,实现更高阶交叉特征的挖掘。
高尚[9]（2020）在《FPGA高速DDR3存储器接口设计》文中研究说明随着5G通讯、大数据、AI等新兴领域的迅速发展,灵活性高、通用性好的现场可编程门阵列（FPGA）在应用中展现出更大的潜力,国内FPGA产业也将迎来新的发展机遇。在基于FPGA的数据处理应用中,由于FPGA片内集成的存储资源容量有限,因此需要借助传输速率高、容量大的DDR（Double Data Rate）存储器来扩展存储空间。DDR3是广泛应用于硬件系统的第三代DDR存储器,数据传输速率进一步提升,在服务器等应用中可达2133Mbps甚至更高。为了对DDR3存储器进行高速访问,FPGA需要通过专门的存储器接口IP来完成数据同步及信号时序处理。如今高速系统对互连通信带宽的需求与日俱增,作为FPGA技术中高速互连的重要组成部分,DDR3存储器接口的性能成为关键设计指标,在满足关键路径时序要求的同时实现更高传输速率将是存储器接口设计中的难点。本文在研究DDR3存储器规范及高速接口相关原理的基础上,设计出适用于FPGA芯片的半定制DDR3物理层接口（PHY）架构,并基于定制宏单元完成了数据读路径写路径、数据写路径、命令/地址路径、时钟网络及初始化训练等功能模块的设计。接口验证中,首先对定制宏单元进行了功能仿真及后仿真,随后搭建数模混合仿真平台对整个物理层接口进行了系统级验证。论文中介绍了存储器接口的常规实现方式,并指出了高速存储器接口设计中需要解决的挑战性问题,即FPGA内核与DDR3的工作频率差距大导致的频率及数据速率匹配问题及高传输速率下时序窗口被压缩导致的数据同步困难。针对性的设计了一种比率可调的数据带宽转换结构gearbox来完成内核与存储器之间的频率及速率匹配。为了解决数据同步问题,设计专用时钟同步模块来产生传输路径中的数据同步时钟,除此之外,初始化训练模块将通过读校准和Write Leveling对路径时序进行训练及调整,保证了DDR3的信号时序规范及接口数据传输的稳定性。本论文源于某FPGA项目,设计的DDR3物理层接口将作为配套IP使用,在不考虑传输信号完整性的情况下,接口速率可达1600Mbps。定制宏单元基于28nm定制单元库设计,将作为硬核资源集成在FPGA芯片内。
颜明博[10]（2020）在《固态硬盘的固件优化研究》文中进行了进一步梳理随着云计算、移动互联网、大数据等新一代信息技术的高速发展,数据高效存储与访问逐渐成为存储领域亟待解决的关键问题。基于闪存的固态硬盘（Solid State Drive,SSD）在2014年后开始爆发增长,并对存储市场产生颠覆性的影响,它逐渐成为存储领域的研究热点。然而SSD存在读写性能不对称、不能原地更新、使用寿命短,且无法直接应用在传统的文件系统上等限制。此外,最新的闪存制造技术（如三维堆叠的TLC闪存）虽然使得SSD的存储密度进一步提升和单位容量成本持续下降,但是也对SSD性能与寿命提出更高的挑战。在上述背景下,本文以SSD的固件优化为研究目标,主要研究SSD的闪存转换层设计和基于闪存特性的快写策略,以解决当前SSD遇到的性能和寿命挑战。在闪存转换层的设计中,现有的DFTL及其改进算法未能很好地解决下面3个问题:1)不能充分利用负载的读写特性进行优化设计;2)脏映射项回写机制不够优化,造成翻译页更新频繁;3)用户数据写不区分冷热,造成垃圾回收效率低。针对这些问题,本文提出一种跨层感知的自适应读写分区的闪存转换层算法（ARWFTL）,其创新主要在于:1)根据负载读写特性,设立读写分开的映射缓存表,自适应地根据读写映射表的单位收益来动态调整它们之间的相对大小,达到提升总收益的目标。2)提出基于干净映射项优先剔除和脏映射项聚簇回写的管理机制,大幅度减少了翻译页的更新次数。3)提出在写映射缓存表中开设热数据识别窗口,将热数据与冷数据分别存储在不同的闪存块中,以提升垃圾回收的效率。实验结果表明,与DFTL及其改进算法CPFTL、HCFTL和IRRFTL相比,ARWFTL在翻译页回写次数上分别有92.8%、80.2%、73.9%和56.3%的下降;在垃圾回收时有效页迁移次数上分别有47.7%、18.9%、13.8%和2.8%的减少;在块擦除次数上分别有31.6%、13.4%、9.1%和5.7%的降低;在闪存响应时间上分别有23.0%、15.9%、6.2%和6.0%的性能提升。通过对闪存特性调研,本文发现闪存存在数据写时间和数据保留时间可以折中的特性。具体来说,可以通过缩短数据的保留时间来提高闪存的写入速度,达到提高SSD性能的目标。为此,本文结合热写数据保留时间短的特点,提出对热数据采用快写,冷数据采用正常写的策略,以进一步提升闪存转换层的性能。基于这个目的,本文提出了热数据感知的快写管理（HDAFWM）策略,其创新在于:1)将底层闪存块划分为热块和冷块,以分别存储采用快写的热数据和采用正常写的冷数据;2)采用先入先出的策略管理快写队列,确保快写块内的有效数据的不会因保留时间到而失效;3)通过感知快写收益与重写开销来调整识别的热数据量,以实现重写开销最小化与快写收益最大化的折中。实验结果表明,相较ARWFTL,基于HDAFWM的ARWFTL,在没有明显增加块擦除次数的条件下,平均响应时间平均降低大约22%,这验证了本文提出的HDAFWM策略的有效性。
二、对数据窗口的dwItemStatus研究及应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、对数据窗口的dwItemStatus研究及应用（论文提纲范文）
（1）船体运动位姿在线预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 船体运动在线预报概念 |
| 1.3 国内外研究现状 |
| 1.3.1 极短期预报研究现状 |
| 1.3.2 安稳期预报研究现状 |
| 1.4 课题来源及主要研究内容 |
| 第2章 船体运动位姿仿真 |
| 2.1 引言 |
| 2.2 海浪建模 |
| 2.2.1 海浪运动分析 |
| 2.2.2 海浪仿真 |
| 2.3 船体运动仿真 |
| 2.3.1 船体对海浪的响应 |
| 2.3.2 求解RAOs和相位差 |
| 2.4 本章小结 |
| 第3章 船体运动位姿极短期预报 |
| 3.1 引言 |
| 3.2 时间序列预报 |
| 3.3 基于AR模型的极短期在线预报 |
| 3.3.1 AR模型 |
| 3.3.2 AR模型定阶 |
| 3.3.3 基于限定记忆的最小二乘递推算法参数估计 |
| 3.3.4 不同采样周期的极短期预报结果分析 |
| 3.4 基于径向基(RBF)神经网络模型的极短期在线预报 |
| 3.4.1 RBF神经网络模型 |
| 3.4.2 RBF神经网络模型参数确定 |
| 3.4.3 RBF神经网络模型预报结果分析 |
| 3.5 预报数据的拟合插值 |
| 3.5.1 船体升沉运动的拟合插值 |
| 3.5.2 船体横摇运动的拟合插值 |
| 3.5.3 拟合插值结果分析 |
| 3.6 本章小结 |
| 第4章 船体运动位姿安稳期预报 |
| 4.1 引言 |
| 4.2 安稳期参数确定 |
| 4.2.1 安稳期阈值 |
| 4.2.2 安稳期预报结果评价指标 |
| 4.3 基于船体运动时间序列的直接安稳期预报 |
| 4.3.1 不同采样周期的预报结果分析 |
| 4.3.2 不同预报时长的预报结果分析 |
| 4.4 基于船体运动时间序列包络线的间接安稳期预报 |
| 4.4.1 船体运动时间序列包络线的提取 |
| 4.4.2 EMD+AR组合模型预报 |
| 4.4.3 间接安稳期预报结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）可穿戴惯性感知乒乓动作识别研究及系统实现（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 人体动作识别研究现状与挑战 |
| 1.3 本文主要内容与组织结构 |
| 1.4 本章小结 |
| 第2章 可穿戴惯性感知人体动作识别方法 |
| 2.1 概述 |
| 2.2 坐标系定义 |
| 2.3 基于惯性数据的人体动作表示 |
| 2.4 基于惯性数据的人体动作识别方法 |
| 2.5 模型评估方法 |
| 2.6 本章小结 |
| 第3章 基于WBSN的高性能惯性数据采集研究 |
| 3.1 概述 |
| 3.2 WBSN系统架构设计 |
| 3.3 基于Socket的网络服务端设计 |
| 3.4 高性能网络服务端设计及多节点数据同步策略 |
| 3.5 实验过程与结果分析 |
| 3.6 本章小结 |
| 第4章 可穿戴惯性感知数据窗口分割点检测与关键帧提取研究 |
| 4.1 概述 |
| 4.2 窗口分割与关键帧提取研究现状 |
| 4.3 乒乓动作窗口分割点检测与关键帧提取 |
| 4.4 实验过程与结果分析 |
| 4.5 本章小结 |
| 第5章 基于多维特征融合的卷积神经网络乒乓动作识别研究 |
| 5.1 概述 |
| 5.2 构建多维特征融合的卷积神经网络 |
| 5.3 实验过程与结果分析 |
| 5.4 本章小结 |
| 第6章 人体乒乓动作评估方法研究 |
| 6.1 概述 |
| 6.2 人体乒乓动作整体评估 |
| 6.3 人体乒乓动作细粒度评估 |
| 6.4 本章小结 |
| 第7章 高性能乒乓动作云识别和评估系统实现 |
| 7.1 概述 |
| 7.2 系统可行性分析 |
| 7.3 系统需求分析 |
| 7.4 系统功能概要设计 |
| 7.5 系统实现 |
| 7.6 本章小结 |
| 第8章 总结与展望 |
| 参考文献 |
| 致谢 |
（3）多精度神经网络加速器设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 神经网络发展历史与现状 |
| 1.3 硬件加速器国内外研究现状 |
| 1.4 本文主要研究内容 |
| 第二章 神经网络与神经网络计算模型分析 |
| 2.1 神经网络 |
| 2.1.1 神经元和神经网络 |
| 2.1.2 卷积和卷积神经网络 |
| 2.2 神经网络计算模型分析 |
| 2.2.1 神经网络模型计算特性分析 |
| 2.2.2 神经网络模型存储特性分析 |
| 2.3 本章小结 |
| 第三章 神经网络加速器架构设计 |
| 3.1 神经网络加速器架构简介 |
| 3.1.1 全并行加速架构 |
| 3.1.2 数据窗口优化架构 |
| 3.1.3 矩阵计算架构 |
| 3.1.4 脉动阵列架构 |
| 3.2 神经网络加速器架构设计 |
| 3.2.1 数据结构设计 |
| 3.2.2 存储子系统架构设计 |
| 3.2.3 计算子系统架构设计 |
| 3.3 本章小结 |
| 第四章 多精度计算单元设计 |
| 4.1 定点数计算机制简介 |
| 4.2 浮点数计算机制简介 |
| 4.2.1 浮点数乘法运算规则 |
| 4.2.2 浮点数加法运算规则 |
| 4.3 定点数映射浮点运算的研究 |
| 4.4 多精度乘法器设计 |
| 4.5 多精度加法器设计 |
| 4.6 本章小结 |
| 第五章 神经网络加速器的子模块设计 |
| 5.1 存储子系统设计 |
| 5.1.1 乒乓主存储器的设计 |
| 5.1.2 地址生成器的设计 |
| 5.1.3 数据整理器的设计 |
| 5.1.4 数据复用器设计 |
| 5.2 计算子系统设计 |
| 5.2.1 权值读取部分设计 |
| 5.2.2 计算阵列与临时缓存部分设计 |
| 5.2.3 后处理单元设计 |
| 5.3 本章小结 |
| 第六章 系统仿真验证 |
| 6.1 多精度神经网络加速器仿真平台的设计 |
| 6.2 多精度乘法器的验证 |
| 6.3 多精度加法器的验证 |
| 6.4 存储子系统的仿真 |
| 6.5 计算子系统的仿真 |
| 6.5.1 计算阵列的仿真 |
| 6.5.2 临时缓存的仿真 |
| 6.5.3 后处理部分的仿真 |
| 6.6 算法仿真 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）FES系统中基于MEMS加速度计的校准方法与人体姿态识别的研究（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 MEMS加速度计校准方法研究现状 |
| 1.2.2 基于MEMS姿态识别研究现状 |
| 1.3 研究内容和方法 |
| 1.4 论文组织结构 |
| 第二章 MEMS加速度计的校准方法介绍 |
| 2.1 MEMS加速度计介绍 |
| 2.2 加速度计校准模型 |
| 2.2.1 MEMS加速度计误差分析 |
| 2.2.2 参数校准模型 |
| 2.2.3 MEMS加速度计的误差校准方法 |
| 2.3 本章小结 |
| 第三章 MEMS加速度计的自动校准方法研究 |
| 3.1 问题描述 |
| 3.2 基于增益补偿的自动校准算法 |
| 3.2.1 校准模型 |
| 3.2.2 计算自动校准增益 |
| 3.2.3 校准误差分析 |
| 3.3 实验分析 |
| 3.3.1 实验环境与方法 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于快速分类模型的人体姿态识别 |
| 4.1 数据采集 |
| 4.1.1 数据采集设备 |
| 4.1.2 数据采集流程 |
| 4.2 传感器数据的处理 |
| 4.2.1 数据预处理 |
| 4.2.2 特征提取与选择 |
| 4.3 基于快速KNN算法的人体姿态识别 |
| 4.4 基于自适应逻辑回归算法的人体姿态识别 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第五章 基于全连接神经网络的人体姿态识别 |
| 5.1 基于全连接神经网络的分类算法 |
| 5.1.1 激活函数与优化器 |
| 5.1.2 全连接神经网络模型 |
| 5.1.3 基于全连接神经网络的姿态识别方案 |
| 5.2 实验分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（5）基于结构化模型的工业过程监测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论与综述 |
| 1.1 研究背景及意义 |
| 1.2 过程监测研究内容与方法 |
| 1.2.1 研究内容 |
| 1.2.2 主要方法 |
| 1.3 统计过程监测方法研究概况 |
| 1.3.1 研究发展历程 |
| 1.3.2 主要内容综述 |
| 1.3.3 统计过程监测未来的发展方向 |
| 1.4 结构化模型的过程监测 |
| 1.4.1 结构化模型概述 |
| 1.4.2 必备的技术基础 |
| 1.4.3 结构化模型的监测流程 |
| 1.5 本文研究内容与组织结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 全文组织结构 |
| 1.6 本章小结 |
| 2 预备知识 |
| 2.1 无向图模型 |
| 2.1.1 图拉普拉斯矩阵 |
| 2.1.2 高斯图模型 |
| 2.2 稀疏正则技术 |
| 2.2.1 SPCA |
| 2.2.2 JSPCA |
| 2.2.3 RCOGL |
| 2.2.4 拉普拉斯先验 |
| 2.3 概率模型 |
| 2.3.1 PLDA |
| 2.3.2 RPLDA |
| 2.3.3 混合概率模型分类器 |
| 2.4 相关算法 |
| 2.4.1 ADMM算法 |
| 2.4.2 EM算法 |
| 2.4.3 VB方法 |
| 2.5 本章小结 |
| 3 结构化联合稀疏主元分析的稳态过程监测方法研究 |
| 3.1 引言 |
| 3.2 SJSPCA |
| 3.2.1 模型结构 |
| 3.2.2 优化算法 |
| 3.2.3 参数选择 |
| 3.3 基于SJSPCA的稳态过程监测 |
| 3.3.1 过程监测统计量构造 |
| 3.3.2 两阶段故障分离策略 |
| 3.3.3 算法应用与拓展 |
| 3.4 数值模型仿真与工业案例研究 |
| 3.4.1 数值模型仿真 |
| 3.4.2 高炉炼铁过程应用研究 |
| 3.5 本章小结 |
| 4 结构化时序高斯图模型的时变过程监测方法研究 |
| 4.1 引言 |
| 4.2 SSGL |
| 4.2.1 模型结构 |
| 4.2.2 优化算法 |
| 4.2.3 参数选择 |
| 4.3 基于SSGL的时变过程监测 |
| 4.3.1 样本均值和协方差估计 |
| 4.3.2 过程监测统计量构造 |
| 4.3.3 基于重构优化的故障分离 |
| 4.4 数值模型仿真与工业案例研究 |
| 4.4.1 数值模型仿真 |
| 4.4.2 工业精馏过程应用研究 |
| 4.5 本章小结 |
| 5 改进概率线性判别分析的多模态过程监测方法研究 |
| 5.1 引言 |
| 5.2 I-PLDA |
| 5.2.1 模型结构 |
| 5.2.2 模型估计 |
| 5.2.3 参数选择 |
| 5.3 基于I-PLDA的多模态过程监测 |
| 5.3.1 过程模态识别 |
| 5.3.2 过程监测统计量构造 |
| 5.3.3 故障变量分离策略 |
| 5.4 数值模型仿真与工业案例研究 |
| 5.4.1 数值模型仿真 |
| 5.4.2 TE过程应用研究 |
| 5.4.3 高炉炼铁过程应用研究 |
| 5.5 本章小结 |
| 6 混合鲁棒概率线性判别分析的工业故障分类方法研究 |
| 6.1 引言 |
| 6.2 MRPLDA |
| 6.2.1 模型结构 |
| 6.2.2 模型估计 |
| 6.2.3 算法复杂度 |
| 6.3 状态推断策略 |
| 6.3.1 概率近似 |
| 6.3.2 证据推断 |
| 6.3.3 投票决策 |
| 6.4 数值模型仿真与TE过程应用 |
| 6.4.1 数值模型仿真 |
| 6.4.2 TE过程故障分类研究 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（6）基于Android多传感采集系统的下肢动作识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 表面肌电信号的产生及特点 |
| 1.3 基于表面肌电信号的下肢动作识别 |
| 1.3.1 肌电控制发展 |
| 1.3.2 下肢的肌电控制 |
| 1.3.3 线性判别分析和基于阶段截取的模式识别 |
| 1.4 信号采集系统 |
| 1.4.1 Android系统 |
| 1.4.2 基于Android的便携式采集系统 |
| 1.4.3 多传感器采集系统 |
| 1.5 本文主要研究内容 |
| 第二章 基于Android的便携式实验系统搭建 |
| 2.1 引言 |
| 2.2 电子硬件系统 |
| 2.2.1 Arduino Due |
| 2.2.2 传感器 |
| 2.2.3 蓝牙透传模块 |
| 2.2.4 整体连接及封装 |
| 2.3 电子硬件编程 |
| 2.3.1 姿态传感器及蓝牙模块的设置 |
| 2.3.2 Arduino Due编程 |
| 2.4 Android编程 |
| 2.4.1 程序实现 |
| 2.4.2 交互界面及实验操作 |
| 2.5 本章小结 |
| 第三章 基于表面肌电信号的脚踝动作识别 |
| 3.1 引言 |
| 3.2 原理与方法 |
| 3.2.1 数据采集和特征提取 |
| 3.2.2 训练和识别 |
| 3.2.3 最优通道组合和特征组合的选取 |
| 3.3 实验与分析 |
| 3.3.1 通道数量 |
| 3.3.2 最优通道组合 |
| 3.3.3 最优特征组合 |
| 3.3.4 平滑算法 |
| 3.3.5 识别结果 |
| 3.4 基于便携式实验系统的脚踝动作模式识别 |
| 3.4.1 数据采集 |
| 3.4.2 特征提取和训练识别 |
| 3.4.3 结果对比和分析 |
| 3.5 本章小结 |
| 第四章 基于多传感器的下肢动作识别 |
| 4.1 引言 |
| 4.2 原理与方法 |
| 4.2.1 下肢动作模式 |
| 4.2.2 数据采集与特征提取 |
| 4.2.3 基于阶段截取的LDA识别算法 |
| 4.3 下肢动态动作模式识别 |
| 4.3.1 基于sEMG信号的动态动作模式识别 |
| 4.3.2 结合sEMG信号和姿态传感器信号的动态动作模式识别 |
| 4.4 下肢动静态动作模式混合识别 |
| 4.4.1 静态动作模式识别 |
| 4.4.2 动静态动作模式混合识别 |
| 4.5 本章小结 |
| 第五章 虚拟下肢的建模与仿真 |
| 5.1 引言 |
| 5.2 基于Android的虚拟下肢 |
| 5.2.1 人体基准面及步态 |
| 5.2.2 虚拟下肢建模 |
| 5.2.3 基于Android的建模实现 |
| 5.3 虚拟下肢的运动模型 |
| 5.3.1 基于模板数据的右腿位置更新 |
| 5.3.2 基于右腿相位和实时模板数据的左腿位置更新 |
| 5.3.3 步态信息的在线展示 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）天文异常现象的在线检测与离线挖掘系统设计与实现（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 国内外研究现状分析 |
| 1.3 系统解决的主要问题 |
| 1.4 本文主要工作 |
| 1.5 论文组织结构 |
| 第2章 系统需求分析 |
| 2.1 系统概述 |
| 2.2 系统目标 |
| 2.3 系统功能性需求 |
| 2.3.1 相机阵观测数据接收 |
| 2.3.2 天文数据处理任务调度 |
| 2.3.3 在线天文异常检测 |
| 2.3.4 离线天文异常挖掘 |
| 2.3.5 全天区天球的数据可视化 |
| 2.3.6 天文现象检索 |
| 2.3.7 历史数据管理 |
| 2.4 系统非功能性需求 |
| 第3章 系统概要设计 |
| 3.1 系统物理架构设计 |
| 3.2 系统功能架构设计 |
| 3.3 系统业务流程设计 |
| 第4章 系统详细设计 |
| 4.1 相机阵观测数据接收模块详细设计 |
| 4.2 天文数据处理任务调度模块详细设计 |
| 4.3 在线天文异常检测模块详细设计 |
| 4.4 离线天文异常挖掘模块详细设计 |
| 4.5 天文数据可视化模块详细设计 |
| 4.6 天文现象检索模块详细设计 |
| 4.7 历史数据管理模块详细设计 |
| 4.8 数据库详细设计 |
| 4.9 关键技术 |
| 4.9.1 系统负载均衡与动态Docker部署 |
| 4.9.2 天文观测数据的完整性修复 |
| 4.9.3 离线异常挖掘并行算法框架 |
| 4.9.4 动态光变曲线展示与三维立体天球绘制 |
| 第5章 系统实现与测试 |
| 5.1 系统架构实现 |
| 5.2 系统功能实现 |
| 5.2.1 相机阵观测数据接收模块实现 |
| 5.2.2 天文数据处理任务调度模块实现 |
| 5.2.4 在线天文异常检测模块实现 |
| 5.2.5 离线天文异常挖掘模块实现 |
| 5.2.6 天文数据可视化模块实现 |
| 5.2.7 天文现象检索模块实现 |
| 5.2.8 历史数据管理模块实现 |
| 5.3 系统测试 |
| 5.3.0 功能测试 |
| 5.3.1 性能测试 |
| 5.3.2 兼容性测试 |
| 5.3.3 测试分析 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读研究生期间发表成果 |
| 学位论文评阅及答辩情况表 |
（8）基于车联网数据的驾驶行为识别与风险评估方法研究（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 国内外研究现状 |
| 1.2.1 基于时序传感器数据的驾驶行为识别与风险评估 |
| 1.2.2 基于视觉数据的驾驶行为识别与风险评估 |
| 1.2.3 基于车险理赔数据的驾驶风险评估 |
| 1.2.4 深度学习模型的研究现状 |
| 1.3 本文主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 基于时序传感器数据的驾驶行为识别与风险评估 |
| 2.1 研究背景 |
| 2.2 总体研究路线 |
| 2.3 基于手机传感器数据的驾驶行为识别 |
| 2.3.1 智能手机驾驶行为数据集的建立 |
| 2.3.2 智能手机数据归一化与加窗 |
| 2.3.3 分类模型架构设计 |
| 2.3.4 实验部分 |
| 2.4 基于不平衡NDS时序数据的驾驶风险预测 |
| 2.4.1 NDS数据预处理与建模 |
| 2.4.2 数据建模 |
| 2.4.3 分类模型 |
| 2.4.4 实验部分 |
| 2.5 本章小结 |
| 第3章 基于视觉数据的分心驾驶行为识别 |
| 3.1 分心驾驶行为视觉数据集结构 |
| 3.2 分心驾驶分类模型 |
| 3.2.1 基于二维卷积网络的参数调优与驾驶行为识别 |
| 3.2.2 基于双流三维卷积网络的驾驶行为识别 |
| 3.2.3 关键特征可视化分析 |
| 3.3 分心驾驶检测模型 |
| 3.3.1 数据标注 |
| 3.3.2 模型架构 |
| 3.3.3 评估指标 |
| 3.3.4 实验结果与讨论 |
| 3.4 本章小结 |
| 第4章 基于车险理赔数据的驾驶风险评估 |
| 4.1 研究背景 |
| 4.2 数据建模 |
| 4.3 预测模型架构 |
| 4.4 模型的训练 |
| 4.5 实验部分 |
| 4.5.1 评估指标 |
| 4.5.2 数据集分析 |
| 4.5.3 结果与讨论 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究成果应用分析 |
| 5.2.1 UBI新型车险产品 |
| 5.2.2 危险驾驶行为监测 |
| 5.2.3 推广应用瓶颈分析 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（9）FPGA高速DDR3存储器接口设计（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 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 DDR3存储器及存储器接口概述 |
| 2.1 DDR存储器的发展 |
| 2.2 DDR3工作原理 |
| 2.2.1 DDR3存储原理 |
| 2.2.2 DDR3功能特性 |
| 2.2.3 DDR3命令及工作状态 |
| 2.3 FPGA存储器接口概述 |
| 2.4 小结 |
| 第三章 DDR3存储器接口设计 |
| 3.1 FPGA高速存储器接口设计要求 |
| 3.1.1 高速存储器接口设计的挑战 |
| 3.1.2 接口设计内容及要求 |
| 3.2 DDR3存储器物理层接口设计 |
| 3.2.1 数据读/写路径设计 |
| 3.2.2 地址/命令路径设计 |
| 3.2.3 接口时钟网络设计 |
| 3.3 存储器初始化及时序训练模块设计 |
| 3.3.1 存储器初始化 |
| 3.3.2 时序训练 |
| 3.4 DFI接口 |
| 3.5 小结 |
| 第四章 接口功能验证 |
| 4.1 验证方案与验证平台搭建 |
| 4.1.1 验证方案 |
| 4.1.2 验证平台的搭建 |
| 4.2 宏模块功能仿真 |
| 4.2.1 RX_SERDES及 TX_SERDES功能验证 |
| 4.2.2 RX_DELAY功能验证 |
| 4.2.3 RX_FIFO及 TX_FIFO功能验证 |
| 4.3 初始化及时序训练仿真 |
| 4.3.1 存储器初始化 |
| 4.3.2 读路径时序训练 |
| 4.3.3 写路径Write Leveling |
| 4.4 DDR3读写操作的逻辑仿真 |
| 4.4.1 读访问仿真 |
| 4.4.2 写访问仿真 |
| 4.4.3 随机读写仿真 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 后续工作与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）固态硬盘的固件优化研究（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 固态硬盘简介 |
| 1.3 固态硬盘的固件优化研究现状 |
| 1.4 论文主要贡献和章节安排 |
| 1.4.1 论文主要贡献 |
| 1.4.2 论文章节安排 |
| 第2章 固态硬盘设计基础 |
| 2.1 闪存芯片简介 |
| 2.1.1 NAND闪存的物理结构 |
| 2.1.2 NAND闪存的架构与操作原理 |
| 2.2 固态硬盘的基本架构 |
| 2.3 固态硬盘的闪存转换层 |
| 2.3.1 地址映射技术 |
| 2.3.2 垃圾回收技术 |
| 2.3.3 磨损均衡技术 |
| 2.3.4 基于闪存特性折中的优化算法 |
| 2.4 本章小结 |
| 第3章 闪存转换层设计 |
| 3.1 按需的页级 FTL 算法 |
| 3.1.1 DFTL算法 |
| 3.1.2 HCFTL算法 |
| 3.1.3 IRRFTL算法 |
| 3.2 ARWFTL算法的设计 |
| 3.2.1 算法设计的动机 |
| 3.2.2 ARWFTL的总体结构 |
| 3.2.3 结构设计详情 |
| 3.2.4 W-CMT与 R-CMT的自适应调整 |
| 3.3 ARWFTL的处理流程 |
| 3.4 性能测试与结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 ARWFTL参数配置 |
| 3.4.3 ARWFTL的性能对比与分析 |
| 3.5 本章小结 |
| 第4章 基于闪存特性折中的快写策略 |
| 4.1 闪存数据写入的实现方式 |
| 4.2 闪存存储信道模型 |
| 4.2.1 NAND闪存基础 |
| 4.2.2 电压分布失真 |
| 4.2.3 等效NAND闪存通道模型 |
| 4.2.4 闪存信道模型下闪存特性的折中关系 |
| 4.3 闪存特性折中的优化算法 |
| 4.3.1 OFWAR算法 |
| 4.3.2 Dve FTL算法 |
| 4.4 热数据感知的快写管理策略 |
| 4.4.1 设计动机 |
| 4.4.2 总体架构 |
| 4.4.3 基于HDAFWM改进的ARWFTL算法 |
| 4.4.4 热数据识别窗口的动态调整 |
| 4.4.5 基于HDAFWM改进的ARWFTL算法流程 |
| 4.5 性能测试与结果分析 |
| 4.5.1 实验设置 |
| 4.5.2 HDAFWM热数据窗口参数设置 |
| 4.5.3 HDAFWM性能分析 |
| 4.5.4 快写块的重写开销 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、对数据窗口的dwItemStatus研究及应用（论文参考文献）
- [1]船体运动位姿在线预报研究[D]. 薛大朋. 燕山大学, 2021(01)
- [2]可穿戴惯性感知乒乓动作识别研究及系统实现[D]. 闫继龙. 西南大学, 2021(01)
- [3]多精度神经网络加速器设计[D]. 钱堃. 电子科技大学, 2021(01)
- [4]FES系统中基于MEMS加速度计的校准方法与人体姿态识别的研究[D]. 蒋应行. 南京信息工程大学, 2020(02)
- [5]基于结构化模型的工业过程监测方法研究[D]. 刘熠. 浙江大学, 2020(01)
- [6]基于Android多传感采集系统的下肢动作识别研究[D]. 张新浩. 华南理工大学, 2020(02)
- [7]天文异常现象的在线检测与离线挖掘系统设计与实现[D]. 房志坚. 山东大学, 2020(10)
- [8]基于车联网数据的驾驶行为识别与风险评估方法研究[D]. 张俊. 中国科学技术大学, 2020(06)
- [9]FPGA高速DDR3存储器接口设计[D]. 高尚. 西安电子科技大学, 2020(05)
- [10]固态硬盘的固件优化研究[D]. 颜明博. 杭州电子科技大学, 2020(02)