一、具有双向检测机制的ART2神经元网络（论文文献综述）
邹大鹏[1]（2019）在《基于自组织映射与自适应谐振学习的协同神经网络模型研究》文中指出人工智能在模式识别应用领域已经成为目前发展最为迅速的学科之一,作为一种自组织人工神经网络——协同神经网络在模型的可解释性及可视化上都具有独特的优势。为此本课题拟研究协同学理论并结合其他自组织理论,基于自组织映射网络及自适应谐振理论,提出一种基于自组织映射与自适应谐振学习的协同神经网络模型并研究模型在图片分类中的应用。本文的主要内容如下:（1）为了解决传统SNN结构单一固定,可拓展性差,结合自组织映射网络中的Kohonen层结构,提出了改进的协同神经网络模型。以Kohonen层作为网络中间层以及引入SOM的原型模式学习方法,解决了SNN模型结构固定且原型模式习得困难的问题。为了验证模型的有效性,结合MNIST图片数据集分类的具体例子,研究了网络的训练方式及运行收敛情况,对收敛后的网络以及网络得到的模式分类结果进行了分析,网络隐含层拓扑结构规模越大,网络就可以学习到越精细的原型模式子类。我们提出的改进模型在MNIST数据集上的结果可以以更小的网络规模与网络复杂度在识别正确率上达到目前先进机器学习分类器的同等水平。（2）在之前研究的基础上,针对SNN缺乏持续学习能力以及网络新类发现问题上,提出了一种基于自适应谐振的网络新类发现技术,同时研究了网络的层级生长模型,利用树形结构使网络可以在参数调控下自适应地生长为针对特定问题所需要的层级结构。所提出的层级模型相较之前模型,所需的时间复杂度更低,提高了网络的性能,我们在EMNIST手写字符数据集上进行了实验,由于采用局部寻优方式,提出的方法在数据集上取得了更好的效果,针对平衡数据集的分类准确率达到91.15%。（3）针对大样本复杂特征的分类问题,结合卷积神经网络,提出了一种CNN支持下的协同神经网络模型,针对图像卷积特征进行分类。首先用CNN对数据进行学习后,利用预训练的卷积层提取图像的卷积特征,在协同神经网络中对卷积特征进行训练与分类识别。通过在ImageNet数据集上对CNN支持下的协同神经网络模型进行实验验证,本文所提出的模型在数据集上的与其他模型相比识别率提高了5%。将新型协同神经网络作为分类器,研究智能化,自组织,自适应的图像分类模型,采用CNN进行特征优化与提取,可以很好地解决开放、动态、复杂问题,为人工智能的技术发展提供了新的思路与解决方案。
吴肇中[2]（2019）在《基于ART2神经网络的齿轮箱智能故障诊断方法研究》文中研究说明目前我国工业发展迅速,机械设备中齿轮箱的数量高速增长,同时也对齿轮箱的故障诊断带来了巨大挑战。为了适应大数据所带来的发展,提高齿轮箱的故障诊断效率,需不断增强故障诊断的智能化程度。目前有很多应用于齿轮箱模式识别的智能故障诊断方法,主要分为基于有监督学习的模式识别和无监督学习的模式识别,但是因为很难获得具有通用性的样本数据,因此主要基于训练样本数据的有监督学习的模式识别很难在实际应用中使用。在这一前提下,本文主要研究应用于齿轮箱故障诊断的无监督学习的模式识别方法。首先,采用了一种基于无监督学习的自适应共振（Adaptive Reonance Theory2,简称ART2）神经网络,并且利用ART2神经网络来表现齿轮箱的运行状态,实现ART2神经网络在无训练样本的前提下实现齿轮箱运行状态的模式识别。在特征值的提取方面采用相对小波包能量作为特征值的提取方法,然后运用ART2神经网络来对提取的特征值进行分析,在警戒值的选取上采用类内距离准则函数的最小值,以提高神经网络的分类精度。并且利用试验台测得的轴承寿命振动数据对所提出的方法进行分析验证,分析结果表明了该方法可以体现轴承由正常到失效的状态变换过程,验证了方法可行性。其次,因为ART2神经网络在激活神经元时只选择输出值最大的神经元进行激活,忽略了其他输出值较大神经元的作用,而这些输出值较大的神经元也可能满足警戒值的要求,从而导致计算结果单一,尤其是在输入样本的模式特征相似的情况下,分类精度很难保证。基于上述问题,本文采用一种结合K-means算法的ART2神经网络的分类方法,将K-means算法引入ART2神经网络中,对ART2神经网络的这种缺陷进行修复。通过仿真数据对所提方法的可行性进行验证,结果表明此方法成功解决了ART2神经网络只选择输出值最大神经元的问题,提高了分类精度。最后,因为实际工作中从齿轮箱上所采集的振动信号是含有噪声的,所以在结合K-means算法的ART2神经网络的前提下又引入了小波阈值降噪的方法对信号进行预处理。通过多组试验数据对所提方法进行验证,试验结果表明所提方法成功解决了噪声干扰的问题,进一步提高了分类精度。
杜东科[3]（2019）在《卫星通信系统的干扰检测识别及决策技术研究》文中提出从第一颗人造卫星发射,到2019年2月28日Oneweb公司发射第一批互联网卫星,卫星通信逐渐走入人们生活,成为地面通信不可或缺的补充部分。卫星通信按照使用主体可分为军用和民用,尤其是军用卫星,更容易受到敌方恶意的人为干扰。且卫星运行在地球轨道,位置容易被敌方获取;且卫星通信链路载体为自由空间电磁波,容易受到敌方干扰。在现代战争中,通信对于一场战争的胜利尤为重要,所以需要对卫星通信干扰检测识别及抗干扰决策技术进行研究。本文使用改进的自适应共振（Adaptive Resonance Theory,ART）神经网络对卫星通信的干扰信号进行分类识别。首先对传统的ART2神经网络进行了改进,因为传统的ART2神经网络在干扰分类方面存在两个方面的问题。一方面是传统的ART2神经网络只对输入向量的角度信息敏感;另一个方面是传统的ART2神经网络的判定系统是非线性的,且取值范围小。改进后的ART2神经网络的输入层增加了提取输入向量模的能力,把判定系统改为线性的并增大了取值范围。然后提取出干扰信号的高阶累积量作为干扰特征,最后把干扰特征送入改进的ART2神经网络进行干扰分类。仿真结果表明,该算法可以有效的识别出各种压制式干扰。根据干扰方的干扰样式是否改变分为固定样式干扰和非固定样式干扰。固定样式干扰在一段时间内不会发生变化,非固定样式干扰会随着通信参数的改变而改变。针对固定样式干扰,本文提出了基于值迭代的强化学习抗干扰决策系统。该算法参照WGS卫星通信系统建立起七色蜂窝小区模型,使用决策系统选出无干扰的小区进行通信。决策算法中的状态以通信中的调制方式、频段和功率为参数确定;动作为一次改变一种通信参数;目标由通信速率、误码率和功率的加权和组成。仿真结果表明,通过值迭代算法,该决策系统选出的状态可以有效的避开干扰,实现正常通信。针对非固定样式干扰,分析确认了干扰方和抗干扰方争夺的主要资源为时频块。决策系统核心为Q学习,以干扰方选择时频块的样式为状态,以通信方选择的时频块的样式为动作,以成功通信的资源块数目减去被干扰的资源块的数目之差作为目标。仿真结果表明,基于Q学习的决策系统可以发掘出干扰方背后的干扰策略,从而预测出干扰样式,实现抗干扰通信。
殷延杰[4]（2017）在《驾驶行为个性化操纵模式建模研究》文中认为在人—车—路三者构成的闭环交通系统中,人的因素与交通事故的发生概率相关性最高。基于此,为协调好人、车、路三者之间关系,以降低交通事故发生概率这一目标发展起来的驾驶安全辅助系统（Driving Safety Assistance Systems,DSAS）已成为智能车辆领域的重点研究内容之一。目前已有的DSAS系统基本上是在基准驾驶人的基础上进行辅助控制设计,导致DSAS系统对所有驾驶人均采取相同的辅助控制策略和控制参数,无法满足驾驶人的个性化需求。如果DSAS系统能够通过采集驾驶人的驾驶行为操纵数据和车辆运行状态信息自动完成对驾驶人驾驶的个体特性的学习并将学习结果用于DSAS系统的辅助控制策略,则可提高DSAS系统的个性化和智能化水平。实现这一目标的关键技术之一就是研究解决驾驶人的个性化驾驶行为操纵模式建模与驾驶行为识别问题。基于以上问题的出现,本文主要的研究内容如下:（1）通过采集驾驶行为操纵数据,对数据进行预处理后,用数据/机理混合的方法对驾驶人的个体特性进行分析,研究驾驶人操纵动作节点的提取方法以便进行驾驶行为操纵模式建模。（2）在对驾驶人操纵动作节点进行精确提取的基础上,基于有向图原理,研究个性化驾驶行为操纵模式建模方法。（3）利用ART2A-E自适应谐振神经网络具有稳定性、可塑性强、实时在线自学习的特点,研究基于ART2A-E算法与操纵模式反向映射的驾驶行为识别方法。研究结果表明:（1）在对驾驶人的个体特性进行分析的基础上,通过设置动态阈值uT来控制操纵动作节点生成的方法,能有效实现操纵动作节点的精确提取。（2）根据驾驶人在执行某一具体驾驶行为时操纵动作的变化规律,提出基于有向图的个性化驾驶行为操纵模式建模方法,测试表明该方法能有效地体现驾驶人的个体特性。（3）利用ART2A-E算法能够较好地实现基于个性化驾驶行为操纵模式反向映射的驾驶行为识别,为研究开发个性化和智能化的驾驶安全辅助系统提供了技术支撑。
陈建辉[5]（2016）在《ART网络的鲁棒性增强方法研究》文中研究表明人工神经网络（Artificial Neural Networks,ANN）是一种模仿人脑对信号处理处理过程的人工信号处理系统。其记录和处理信息的能力是通过连接成人工神经网络的神经元之间的权值变化来实现的。人工神经网络是一种高度非线性信号处理系统,具有良好的并行处理能力和抗噪性能。人工神经网络主要应用在学习、分类和预测等领域,并已经开发出适用于各种应用环境的人工神经网络。其中自适应共振理论模型（Adaptive Resonance Theory,ART）因为稳定性-可塑性问题上有良好的表现而得到广大研究者的青睐。自适应共振理论模型2（Adaptive Resonance Theory 2,ART2）是ART网络家族中最具代表性的一个网络,是目前ART网络应用和研究的重点,因此文章在研究ART网络鲁棒性增强时将具体的研究集中在ART2网络上。ART2网络在继承了ART网络的所有优点的同时也存在着输入幅度信息丢失、模式漂移、类别分割、噪声等影响网络鲁棒性的问题。本文主要针对ART网络的鲁棒性增强研究,研究对象是ART网络的模式漂移、类别分割和噪声等三个方面的问题。并提出了延迟修正算法减缓模式漂移现象;引入聚类思想解决类别分割问题;引入艾宾浩斯记忆-遗忘曲线解决噪声问题。本文首先从互联网时代的大数据分析入手,分析了ART网络对大数据分析的重要意义,从而论证的ART网络的具有良好的实际研究意义。然后进一步研究传统ART网络的结构和算法原理,分析其优缺点和该理论目前的研究现状。在此基础上重点研究了模式漂移对网络结果的稳定性影响、输入顺序对网络结果准确性影响和噪声对网络结果的影响三个问题。并提出了“预防为主,治理为辅,防治结合”的改进策略解决ART2网络的模式漂移和输入顺序问题;引入艾宾浩斯记忆-遗忘曲线增强了ART2的抗噪信息的算法改进,通过MATLAB仿真实验对改进结果进行了论证。最后在文章的末尾对本文工作内容和创新做了总结,并指出了后续研究方向。
钟颜[6]（2014）在《运动目标提取的神经计算建模》文中研究说明运动目标检测是目标提取、跟踪、识别乃至整个场景描述的关键,也是计算机视觉领域中重要研究的方向之一。虽然研究人员已经提出了很多有效的目标检测方法,但多数方法都需要事先对背景图像进行学习,然而由于实际应用场景非常复杂且目标种类各异、大小不等,因此传统背景建模方法很难得到满意的结果。为此,本文将基于自适应谐振理论（ART）建立一种复杂场景下运动目标提取的神经计算模型,以解决传统方法中需要事先建立背景模型的问题。本文主要工作如下:1.对ART2-A网络的结构和工作原理进行了研究,并分析了参数对ART2-A网络分类结果的影响。针对网络检测过程中无法区分颜色幅度信息问题,引入修正向量进行预处理,从而对色彩像素进行正确分类,为运动目标检测奠定良好基础;2.针对基于ART2-A网络的运动目标检测方法存在计算量大、过程耗时等问题,提出一种基于帧差法的ART2-A算法。本算法只将运动区域的像素形成特征时间序列输入到ART2-A神经网络进行分类和学习,从而减少了处理运动场景中像素的数量,提高了计算效率;3.基于ART2-A提出了一种运动目标检测的神经计算模型。该模型通过ART2-A的自适应聚类能力,剔除神经元多次重复激活的像素,从而得到运动目标。在进行运动目标检测的同时,存储多次重复激活的神经元,进而重建背景图像,较好地解决了传统方法中需要事先建立背景模型的问题。
刘积芬[7]（2013）在《网络入侵检测关键技术研究》文中指出高速发展的网络在带给人们便利的同时,其自身的脆弱性也为黑客和恶意攻击者提供了入侵的机会,入侵攻击手段的日益复杂化和多样化对入侵检测的性能提出了更高的要求,在线、自适应、多分类和检测器集成的入侵检测技术成为研究的热点。本文以提高多分类入侵检测系统的性能为目标,针对易分类、易混类、非均衡样本类和未知新类别入侵攻击的特点,研究多分类入侵检测方法,提出了一个在线自适应的多分类入侵检测集成模型。主要包括以下内容：1)为实现高性能的多分类入侵检测,将主方向分裂划分层次聚类方法应用于入侵检测中。运用矩阵奇异值分解理论寻找分裂的主方向,并依据这个主方向对样本记录进行划分,得到两个子类簇,再不断用同样的方法对需要进一步划分的子类簇进行分裂划分,直到所有的子类簇均不需要进一步划分为止,从而形成基于主方向分裂划分层次聚类的入侵检测模型。由于在寻找主方向时只需要计算出最大的奇异值和奇异向量,而不需要完成整个奇异值分解,因此,这种方法在建模和检测时,具有较好的时间性能；该方法不受初始值的影响,对数据输入顺序不敏感；在聚类时不需要相似性度量,避免了相似性度量对检测器性能的影响。2)针对易混类入侵攻击检测率低的问题,提出了基于投影寻踪方向分裂划分层次聚类的入侵检测模型。通过优化算法自动寻找训练集的最优投影方向,寻到的投影方向可以使易混类连接记录与其它类连接记录尽量地分开,建立的基本检测模型提高了易混类入侵攻击的检测率,基于基本检测模型,还构建了一种并行检测模型,进一步提高了检测率。3)针对高维训练样本集中不同类别间记录数量不平衡带来的小类识别率较低的问题,提出了一种基于加权非负矩阵分解的特征提取方法,结合次胜者受罚竞争学习神经网络构建了入侵检测模型。由于加权非负矩阵分解的特征提取加强了小样本类的特征,使不同类别间的界限更加清晰,因此,小样本类的入侵检测率得到有效的提高。4)针对识别新的未知类别攻击的需求,将自适应共振理论应用于入侵检测中,构建了一种基于ART2神经网络的在线自适应入侵检测模型。该模型是一个两级合成结构,能在动态变化的环境中实时地进行边检测边学习,对同一个输入模式不需要重复学习,具备快速学习能力。不仅可以通过一级检测器识别正常类别连接和已知类别入侵攻击,而且还能通过二级检测器学习新的入侵模式、检测出新的未知类别入侵攻击。5)为了进一步提高入侵检测系统的整体检测率和效率,研究了分类器集成的各种结构,综合多种单检测器的优点,构建一个三级混合结构的入侵检测集成模型。基于主方向分裂划分层次聚类的一级检测器进行易分类入侵检测,基于加权非负矩阵分解特征提取和投影寻踪分裂划分层次聚类的二级检测器进行易混类和非均衡类入侵检测,基于ART2神经网络的三级检测器对新的未知类别入侵攻击进行检测。这种集成模型充分发挥各个单检测器的优势,对易分类入侵攻击具有快速检测能力,提高了易混类和小样本类入侵攻击的检测率,可以检测出新的未知类别入侵攻击并自适应地学习其轮廓,具有更好的整体性能。
汪明明[8]（2013）在《基于ART2网络的人脸识别研究》文中认为生物特征识别技术（指纹、虹膜、人脸）是通过把信息技术和生物技术这两个高科技结合起来的新型识别技术，人脸识别作为生物特征识别技术的主要方法之一，一直被广泛关注。国内外的研究方法分为四类：基于几何特征的方法、基于子空间的方法、基于人工神经网络的方法、基于小波特征的方法。现在应用比较广泛的神经网络模型有BP神经网络和Hopfield神经网络等，但是这些神经网络都没有的充分利用人脑的特点，ART2神经网络是一种基于自适应谐振理论的典型自组织网络。它采用的是一种无教师指导的学习方式，将网络中的学习和训练过程融合在一起，并利用了竞争学习和自稳机制原理对输入模式进行聚类，能够成功地应用于人脸识别。针对原始的ART2神经网络在人脸识别过程中对输入模式进行识别分类时，网络会对大样本数据花费大量的时间去学习和识别，降低了网络的工作效率，为此在聚类过程中引入一种基于粗分类的改进算法。改进后的ART2神经网络通过减少计算量缩短了输入模式的识别时间，从而有效地提高了网络的工作效率。人脸识别过程首先必须解决的就是人脸检测问题，利用Adaboost原理对人脸进行检测是现如今一种应用最广的基于统计理论的人脸检测方法，能够有效地提高人脸检测的速度，使得人脸识别过程能够实时进行，但实时获取的人脸检测结果，对于同一人不同姿态的人脸图像，其一致性很难保证。而最有效的方法是通过人眼定位对人脸图像进行旋转、分割和缩放。两种人脸检测方法的实验结果表明，人脸图像标准化在人脸识别过程中起着十分关键的作用，基于人眼定位的人脸检测方法可以大大提高人脸识别的准确率。
刘涛[9]（2012）在《电子鼻长期漂移抑制算法的研究》文中认为现代社会中，室内及车内的空气污染是影响人类生活质量的主要问题之一。传统的化学分析式空气质量检测方法成本高、时间长、且需要专业人员操作，不利于普及。而电子鼻方法以其检测速度快、方便易用等优点，成为一种极具潜力的气体分析替代方法。目前的电子鼻技术研究虽然取得了较大的进展，但距离实用化仍然存在差距，主要表现在长期漂移、背景干扰、个体差异等问题还没有得到妥善解决。电子鼻漂移可以分为短期漂移和长期漂移两类，本文将其中的长期漂移抑制方法作为研究重点。首先，构建了一套电子鼻实验平台用以收集传感器阵列受长期漂移影响后的响应信号。该实验平台由进样系统、气敏传感器阵列、上位机等部分组成，可完成多种类型的电子鼻验证实验。实验平台中的气敏传感器阵列部分采用4个气敏传感器组成。在气敏传感器选型过程中，观察了每一种气敏传感器在不同加热电压下的响应。考虑到加热电压变化对气敏传感器响应特性的影响，对其中的某些传感器使用了非标准幅度的电压作为加热电压，在一定程度上增强了传感器阵列响应的选择性。通过对长期漂移信号的离线分析，发现长期漂移具有缓慢且无规律的变化趋势。主成分分析（principle component analysis，PCA）方法的Wilks准则在确定最佳可视化分类的主成分时，忽视了分类面边缘样本对数据重心的影响，进而使得分类效果不佳。本文采用“惩罚”机制改进了Wilks准则的重心求取方法，实验表明改进后的方法避免了最佳分类主成分的误选。正交信号校正（orthogonal signal correction，OSC）方法无法于在线工作中进行算法模型的调整，本文通过增加“记忆空间”和“识别结果处理”模块对OSC方法进行在线化改进，实验表明，与原方法相比，改进后的OSC方法能够于在线工作过程中分离出一定的长期漂移信号，减小其对传感器响应的影响。常规在线抗漂移方法包括多重自组织图（multiple self-organizing maps,MSOM）和自适应谐振（adaptive resonance theory, ART）网络。它们在重训练过程中仅对当前类别样本所对应的神经元权值进行在线修正，这样的做法容易造成局部补偿问题，给漂移补偿结果带来不良影响。本文针对局部补偿方法的这一缺陷提出了全局补偿方法，这种方法在重训练过程中对所有神经元权值进行漂移补偿，不仅对当前样本所对应神经元权值进行修改，而且还对其它神经元权值进行虚拟漂移补偿。实验表明：与原方法相比，改进后的MSOM在“多样本间隔进样”的情况下可以提高网络漂移补偿的准确性；与此同时，ART网络改进后的识别结果一致性得到了改善。实时性能是在线漂移补偿中的一个重要指标。本文通过去除在线过程中冗余的重训练过程优化MSOM和ART网络的实时性能，提出了基于自适应机制和变步长自适应机制的重训练触发方法。基于自适应机制的重训练触发方法依据当前样本的误差变化趋势调节重训练过程的间隔时间，实验表明该方法能够降低初始参数设置对网络实时性能和识别正确率的影响；基于变步长的自适应机制根据误差变化的趋势和快慢动态地调节重训练间隔时间，实验表明该方法保持了自适应机制的优点，同时进一步降低了算法对初始参数设置的敏感性。暂态样本用于重训练过程之后将会使算法失效，出现“盲目重训练”。为解决这一问题，本文提出使用样本形态学特征和算法特征作为数据选择依据的样本选择方法将暂态样本与重训练过程隔离。在基于形态学特征的数据选择方法中，通过首先考查多个适宜于在线检测的形态学特征，选定实时斜率作为的判断依据。通过训练样本确定斜率阈值，在线过程中比较实时斜率与斜率阈值的数值关系确定当前样本状态。在基于算法特征的数据选择方法中，使用early transitiondetection（ETD）模型中对算法特征的描述方法提取目标向量，根据训练样本中目标向量的数值变化趋势确定判断阈值，在线过程中比较该目标向量与阈值的数值关系确定当前样本状态。实验表明，两种方法对于气体样本快速进样的情况均可以起到筛选数据样本的作用且基于ETD方法的判别正确率更高。论文最后对前文所涉及的研究内容进行了总结并指出，当前的研究中对于长期漂移变化规律、漂移补偿与定量识别、算法实时性等问题仍然没有找到圆满的解决方法。在后续的研究中，应进一步深入地探索长期漂移基础理论并更多地关注算法鲁棒性等问题。
周恩明[10]（2012）在《图像目标的快速智能识别研究》文中提出基于图像的目标识别方法由于其非接触特性和成本低廉，受到工业、安全等领域的广泛欢迎。随着应用的深入，识别对象类型繁多，识别系统往往被设计得非常复杂才能满足识别能力的要求，系统的复杂化一般会延长目标识别时间，这对于一些实时性要求较高的场合是致命的，比如工业在线检测和视频监控。为了解决图像识别系统的识别能力和实时性之间的矛盾，本文从图像识别的全过程进行整体考虑，设计一种优化的、面向工业生产线环境的图像识别系统。为了提高实时性，首先，本文针对背景相对简单的工业环境，提出一种快速边缘检测算法，通过边缘方向膨胀和扇形扩展的方法，充分利用边缘特征的历史信息，从而缩短边缘检测时间；其次，采用边缘特征作为识别的依据，并定义了变异系数的概念度量常用边缘特征的平移、旋转和缩放的不变性，精选不变性好的特征形成一个规模尽量小的特征集；最后，提出一种基于改进ART2神经网络的方法进行识别分类，利用神经网络的在线计算时间短的特点，保证了目标识别分类过程的快速性。为了提高识别能力，本文针对应用于目标分类的ART2网络进行了改进，提高其智能水平：为了模仿人类在目标识别过程中的自组织自学习能力，本文将活跃度与警戒值调节机制的概念引入了ART2网络，使改进后的网络在目标识别过程中，能够针对不同的目标类型和不同的学习阶段，产生不同的学习热情；并能够在有监督和无监督的条件下，完成对图像目标的学习、识别和记忆。实验证明，文中的方法在保证了识别能力的同时，具有较高的实时性，能够满足工业需求；同时，文中方法在这两个性能上都优于传统的方法。基于文中提出的图像识别方法，本文构建了一个基于VC的图像目标识别系统，包括图像处理、识别分类、立体匹配及定位和人机交互等功能模块。对图像识别系统的运行和测试结果表明，系统工作正常，且具有很高的实用性。
二、具有双向检测机制的ART2神经元网络（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、具有双向检测机制的ART2神经元网络（论文提纲范文）
（1）基于自组织映射与自适应谐振学习的协同神经网络模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外在该方向的研究现状及分析 |
| 1.2.1 人工神经网络研究现状 |
| 1.2.2 协同神经网络研究现状 |
| 1.2.3 深度神经网络研究现状 |
| 1.2.4 自适应谐振理论研究现状 |
| 1.3 当前研究存在的问题 |
| 1.4 本文研究内容及章节安排 |
| 第2章 协同神经网络模型原理 |
| 2.1 引言 |
| 2.2 协同神经网络模型原理 |
| 2.2.1 协同学概述 |
| 2.2.2 协同神经网络原理 |
| 2.2.3 SNN的学习与工作流程 |
| 2.3 本章小结 |
| 第3章 基于自组织映射的改进协同神经网络研究 |
| 3.1 引言 |
| 3.2 自组织映射网络原理 |
| 3.2.1 SOM网络结构 |
| 3.2.2 SOM的学习与工作流程 |
| 3.2.3 SOM网络参数的设定 |
| 3.3 基于自组织映射的协同神经网络模型设计 |
| 3.3.1 网络基本结构及构建方法 |
| 3.3.2 网络的学习与工作过程 |
| 3.3.3 网络的注意参数初始化方法 |
| 3.4 基于MNIST数据集分类实验及结果分析 |
| 3.4.1 实验数据集介绍 |
| 3.4.2 实验设计及实验结果对比分析 |
| 3.5 本章小结 |
| 第4章 基于自适应谐振理论的层次化协同神经网络模型研究 |
| 4.1 引言 |
| 4.2 基于自适应谐振的协同神经网络新类发现技术研究 |
| 4.2.1 ART理论介绍 |
| 4.2.2 ART匹配度计算方法的SNN网络设计 |
| 4.2.3 序参量层神经元动态调整技术 |
| 4.2.4 基于ART与SOM的SNN模型 |
| 4.3 EMNIST手写字符数据集实验及结果分析 |
| 4.3.1 实验数据集EMNIST |
| 4.3.2 实验过程及结果分析 |
| 4.4 本章小结 |
| 第5章 基于图像卷积特征的的分层级协同神经网络图像分类研究 |
| 5.1 引言 |
| 5.2 卷积神经网络技术原理 |
| 5.2.1 卷积神经网络的结构 |
| 5.2.2 卷积神经网络的训练方法研究 |
| 5.2.3 网络中的参数设置研究 |
| 5.3 基于图像卷积特征的SNN图像识别应用 |
| 5.3.1 ImageNet数据集介绍 |
| 5.3.2 数据预处理 |
| 5.3.3 CNN支持下的SNN图像识别应用 |
| 5.3.4 基于CNN与SNN的图像识别实验结果与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）基于ART2神经网络的齿轮箱智能故障诊断方法研究（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 智能故障诊断发展现状 |
| 1.2.1 专家系统 |
| 1.2.2 模式识别 |
| 1.2.3 模式识别方法应用于故障诊断的现状 |
| 1.2.3.1 基于有监督学习的模式识别 |
| 1.2.3.2 基于无监督学习的模式识别 |
| 1.3 本文研究工作 |
| 第二章 齿轮箱故障和模式识别方法理论研究 |
| 2.1 齿轮故障类型 |
| 2.2 轴承故障类型 |
| 2.3 智能故障诊断 |
| 2.3.1 有监督学习的模式识别 |
| 2.3.1.1 BP神经网络算法理论 |
| 2.3.1.2 基于BP神经网络的故障诊断 |
| 2.3.1.3 基于有监督学习的模式识别存在的问题 |
| 2.3.2 无监督学习的模式识别 |
| 2.3.2.1 GG聚类理论算法 |
| 2.3.2.2 基于GG聚类的分类案例 |
| 2.3.3 两种模式识别的比较 |
| 2.4 本章小结 |
| 第三章 基于自适应共振神经网络的齿轮箱故障诊断研究 |
| 3.1 引言 |
| 3.2 ART2 神经网络基本原理 |
| 3.2.1 ART2 神经网络结构 |
| 3.2.2 ART2 神经网络基本算法 |
| 3.3 小波变换基本原理 |
| 3.3.1 连续小波变换 |
| 3.3.2 离散小波变换 |
| 3.3.3 小波包变换 |
| 3.3.4 相对小波包能量 |
| 3.4 ART2 神经网络的轴承运行状态分析 |
| 3.4.1 方法介绍 |
| 3.4.2 试验介绍 |
| 3.4.3 多种特征值方法分析 |
| 3.4.4 信号相对小波包能量特征值 |
| 3.4.5 基于ART2 神经网络的模式识别 |
| 3.4.5.1 提取特征值 |
| 3.4.5.2 ART2 神经网络参数设置 |
| 3.4.5.3 试验数据分类结果 |
| 3.5 本章小结 |
| 第四章 结合K-means算法的ART2 神经网络的仿真研究 |
| 4.1 结合K-means算法的ART2 神经网络 |
| 4.1.1 ART2 神经网络的固有缺陷 |
| 4.1.2 K-means算法基本原理 |
| 4.1.3 结合K-means算法的ART2 神经网络 |
| 4.2 仿真验证 |
| 4.3 本章小结 |
| 第五章 试验验证 |
| 5.1 齿轮箱故障分类方法 |
| 5.2 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、在学期间的参研课题及科研成果 |
（3）卫星通信系统的干扰检测识别及决策技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 符号表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 干扰检测识别研究现状 |
| 1.2.2 决策技术研究现状 |
| 1.3 论文主要研究内容以及结构安排 |
| 1.3.1 论文主要贡献 |
| 1.3.2 论文结构安排 |
| 1.4 本章小结 |
| 第二章 卫星通信抗干扰基础理论 |
| 2.1 卫星通信特点 |
| 2.2 常见的干扰信号模型 |
| 2.3 干扰检测识别基础 |
| 2.3.1 能量检测算法 |
| 2.3.2 干扰信号特征 |
| 2.3.3 干扰信号识别 |
| 2.4 决策系统基础 |
| 2.4.1 基于规则的专家系统 |
| 2.4.2 马尔科夫决策过程 |
| 2.5 本章小结 |
| 第三章 基于ART2和高阶累积量的干扰检测识别 |
| 3.1 高阶累积量 |
| 3.2 ART2神经网络及其改进 |
| 3.2.1 ART2神经网络 |
| 3.2.2 改进ART2神经网络 |
| 3.3 分类系统设计 |
| 3.4 仿真及结果分析 |
| 3.4.1 仿真参数设计 |
| 3.4.2 仿真结果及分析 |
| 3.5 本章小结 |
| 第四章 针对固定样式干扰的智能决策算法 |
| 4.1 有模型的强化学习 |
| 4.1.1 值函数 |
| 4.1.2 最优值函数 |
| 4.1.3 动态规划 |
| 4.2 智能抗干扰模型 |
| 4.2.1 通信模型 |
| 4.2.2 强化学习模型 |
| 4.3 仿真及结果分析 |
| 4.3.1 仿真参数 |
| 4.3.2 仿真结果 |
| 4.4 本章小结 |
| 第五章 针对非固定样式干扰的智能决策算法 |
| 5.1 引言 |
| 5.2 问题分析建模以及干扰策略 |
| 5.2.1 分析建模 |
| 5.2.2 两种典型的干扰策略 |
| 5.3 Q-LEARNING简介 |
| 5.4 解决方案设计 |
| 5.4.1 状态定义 |
| 5.4.2 动作选取 |
| 5.4.3 回报函数定义 |
| 5.5 仿真及结果分析 |
| 5.5.1 跟随式干扰仿真结果及分析 |
| 5.5.2 贪婪式干扰仿真结果分析 |
| 5.5.3 收敛速度分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）驾驶行为个性化操纵模式建模研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 驾驶行为建模的研究现状 |
| 1.2.2 驾驶行为识别的研究现状 |
| 1.2.3 基于个体特性的DSAS系统的研究现状 |
| 1.3 研究的意义 |
| 1.3.1 为驾驶行为操纵模式建模提供新思路和方法 |
| 1.3.2 为基于个性化的驾驶行为识别研究提供新的方法 |
| 1.4 论文的主要研究内容 |
| 1.5 论文的结构 |
| 1.6 本章小结 |
| 第二章 实验数据采集及驾驶行为相关理论介绍 |
| 2.1 实验数据采集 |
| 2.1.1 实验数据采集设备 |
| 2.1.2 实验过程及注意事项 |
| 2.1.3 样本数据示例 |
| 2.1.4 建模所需的数据类型 |
| 2.2 卡尔曼滤波 |
| 2.2.1 卡尔曼滤波的数学模型 |
| 2.2.2 离散卡尔曼滤波方程 |
| 2.2.3 卡尔曼滤波算法特点 |
| 2.3 驾驶行为操纵模式建模理论基础 |
| 2.3.1 驾驶行为与操纵动作之间的内在机理 |
| 2.3.2 个性化驾驶行为操纵模式建模原理 |
| 2.4 ART自适应谐振神经网络 |
| 2.4.1 ART1型神经网络 |
| 2.4.2 ART1神经网络的算法实现 |
| 2.4.3 ART神经网络特点 |
| 2.5 本章小结 |
| 第三章 个性化驾驶行为操纵模式建模方法研究 |
| 3.1 建模所需数据的类型 |
| 3.2 实验数据预处理 |
| 3.2.1 实验数据平滑处理 |
| 3.2.2 驾驶行为操纵数据片段截取 |
| 3.3 连续型操纵动作节点的控制与生成 |
| 3.3.1 连续型操纵动作节点的生成机理 |
| 3.3.2 连续型操纵动作中的个体特性分析 |
| 3.3.3 连续型操纵动作节点生成阈值的确定 |
| 3.4 开关型操纵动作节点的控制与生成 |
| 3.4.1 开关型操纵数据的变化特点 |
| 3.4.2 开关型操纵动作节点的生成 |
| 3.5 操纵模式建模过程及结果分析 |
| 3.5.1 超车行为操纵模式建模 |
| 3.5.2 加速行为操纵模式建模 |
| 3.5.3 右转弯行为操纵模式建模 |
| 3.6 本章小结 |
| 第四章 基于ART2A-E算法的驾驶行为识别方法研究 |
| 4.1 ART2A-E神经网络及其算法 |
| 4.1.1 ART2A的网络结构及工作原理 |
| 4.1.2 ART2A网络的数学模型与学习算法 |
| 4.1.3 基于ART2A-E的改进算法 |
| 4.2 基于ART2A-E改进算法的分类器组成 |
| 4.3 分类器性能仿真 |
| 4.3.1 操纵模式数据至输入特征向量的转换 |
| 4.3.2 分类器性能仿真结果及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）ART网络的鲁棒性增强方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 互联网与数据挖掘 |
| 1.1.2 人工神经网络 |
| 1.1.3 自适应共振理论模型 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.4 研究内容 |
| 1.5 本文结构安排 |
| 第二章 ART网络结构和算法研究 |
| 2.1 人工神经网络结构和算法 |
| 2.1.1 人工神经元的数学模型 |
| 2.1.2 人工神经网络的连接结构 |
| 2.1.3 人工神经网络算法分析 |
| 2.2 ART网络 |
| 2.2.1 ART网络发展历程 |
| 2.2.2 ART1网络结构和算法 |
| 2.2.3 ART2网络结构和算法 |
| 2.3 ART网络的优缺点 |
| 2.4 本章小结 |
| 第三章 ART2稳定性和可靠性增强研究 |
| 3.1 ART2模式漂移研究 |
| 3.1.1 ART2网络的模式漂移现象 |
| 3.1.2 分流模型 |
| 3.1.3 内星学习规则 |
| 3.1.4 权值修正算法产生模式漂移的原理分析 |
| 3.2 输入顺序引起的网络震荡 |
| 3.3 算法改进 |
| 3.3.1 针对模式漂移的算法改进策略 |
| 3.3.2 针对输入顺序的算法改进策略 |
| 3.3.3 改进的ART2网络 |
| 3.4 实验仿真 |
| 3.4.1 程序结构 |
| 3.4.2 程序流程 |
| 3.4.3 仿真结果 |
| 3.5 本章小结 |
| 第四章 ART2抗噪性增强研究 |
| 4.1 ART2网络的噪声问题研究 |
| 4.1.1 ART2网络噪声问题的影响 |
| 4.1.2 ART2网络噪声问题的产生原因 |
| 4.2 ART2网络的抗噪性问题研究 |
| 4.2.1 噪声的特性和解决策略 |
| 4.2.2 生物神经网络的噪声处理策略 |
| 4.2.3 记忆遗忘机制与艾宾浩斯记忆-遗忘曲线 |
| 4.3 ART2网络的抗噪性算法改进 |
| 4.3.1 改进策略 |
| 4.3.2 改进细节 |
| 4.3.3 参数设计 |
| 4.4 实验仿真 |
| 4.4.1 仿真平台结构和程序流程 |
| 4.4.2 仿真结果和分析 |
| 4.5 改进ART2网络应用分析 |
| 4.5.1 鸢尾花数据集应用分析 |
| 4.5.2 鲍鱼数据集应用分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要工作及创新点 |
| 5.2 下一步研究目标 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的科研成果 |
（6）运动目标提取的神经计算建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 前言 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉神经系统 |
| 1.2.2 神经网络模型 |
| 1.2.3 运动目标检测 |
| 1.3 运动目标检测的主要问题 |
| 1.4 本文主要研究内容及结构安排 |
| 第2章 目标检测的视觉神经机制 |
| 2.1 视觉神经系统 |
| 2.1.1 视网膜 |
| 2.1.2 视神经通路 |
| 2.1.3 视觉皮层 |
| 2.2 视觉系统的神经网络建模 |
| 2.3 视觉系统的ART2-A网络模拟 |
| 2.4 本章小结 |
| 第3章 基于ART2-A网络的图像处理 |
| 3.1 ART2-A网络 |
| 3.1.1 预处理层STM-F0的运算 |
| 3.1.2 短时记忆特征层STM-F1的运算 |
| 3.1.3 短时记忆识别层STM-F2的运算 |
| 3.1.4 匹配与重置 |
| 3.1.5 网络模型学习规则 |
| 3.2 特征提取 |
| 3.2.1 RGB颜色模型 |
| 3.2.2 HSI颜色模型 |
| 3.2.3 ART2-A网络的颜色特征提取 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第4章 运动目标提取的神经计算模型 |
| 4.1 传统运动目标检测方法 |
| 4.1.1 相邻帧差法 |
| 4.1.2 背景差法 |
| 4.1.3 光流法 |
| 4.2 运动目标提取的神经计算建模 |
| 4.2.1 运动目标状态分析 |
| 4.2.2 运动区域检测 |
| 4.2.3 视频的特征提取 |
| 4.2.4 运动目标提取 |
| 4.2.5 形态学处理 |
| 4.3 背景图像的重建 |
| 4.4 实验结果及分析 |
| 4.4.1 基于神经网络的运动目标检测 |
| 4.4.2 与ART-2 网络的对比试验 |
| 4.4.3 背景图像的重建 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（7）网络入侵检测关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图表目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 入侵检测概述 |
| 1.2.1 入侵检测基本模型 |
| 1.2.2 入侵检测数据源 |
| 1.2.3 入侵检测系统的分类 |
| 1.2.4 检测模型的性能评价指标 |
| 1.3 国内外研究现状及面临的问题 |
| 1.3.1 典型的入侵检测方法 |
| 1.3.2 面临的问题 |
| 1.4 本文研究思路和主要工作 |
| 1.5 本文实验用数据 |
| 1.6 本文的组织结构 |
| 第2章 基于主方向分裂划分层次聚类的入侵检测 |
| 2.1 引言 |
| 2.2 主方向分裂划分层次聚类的基本原理 |
| 2.2.1 奇异值分解 |
| 2.2.2 主方向分裂划分算法 |
| 2.3 基于主方向分裂划分层次聚类的入侵检测模型 |
| 2.3.1 预处理模块 |
| 2.3.2 训练模块 |
| 2.3.3 检测模块 |
| 2.4 实验及结果分析 |
| 2.4.1 主方向分裂划分的过程及其层次聚类的效果 |
| 2.4.2 不同入侵检测方法检测性能的比较 |
| 2.4.3 不同入侵攻击类别可分性的比较 |
| 2.5 本章小结 |
| 第3章 易混类入侵检测 |
| 3.1 引言 |
| 3.2 投影寻踪 |
| 3.2.1 投影寻踪基本原理 |
| 3.2.2 投影指标 |
| 3.2.3 基于遗传算法的投影寻踪技术 |
| 3.3 基于投影寻踪的网络连接记录特征提取 |
| 3.3.1 多分类易混入侵攻击的投影指标 |
| 3.3.2 主方向与投影寻踪方向相结合的特征提取方案 |
| 3.4 投影寻踪方向分裂划分层次聚类的基本原理 |
| 3.5 一种面向易混类别入侵检测的基本模型 |
| 3.5.1 训练阶段 |
| 3.5.2 检测阶段 |
| 3.6 一种面向易混类别入侵的并行检测模型 |
| 3.7 实验及结果分析 |
| 3.7.1 投影寻踪方向分裂划分的过程及其层次聚类的效果 |
| 3.7.2 易混入侵类别在不同检测模型中可分性的比较 |
| 3.7.3 不同入侵检测方法对易混类入侵检测性能的比较 |
| 3.7.4 非均衡样本类入侵检测性能的比较 |
| 3.8 本章小结 |
| 第4章 非均衡样本的特征提取与入侵检测 |
| 4.1 引言 |
| 4.2 非负矩阵分解基本原理 |
| 4.3 基于加权NMF的非均衡样本特征提取 |
| 4.4 RPCL聚类算法 |
| 4.5 基于WNMF和RPCL的非均衡样本入侵检测 |
| 4.5.1 预处理 |
| 4.5.2 训练过程 |
| 4.5.3 检测过程 |
| 4.6 实验及结果分析 |
| 4.6.1 非均衡样本数据的特征提取 |
| 4.6.2 基于WNMF与RPCL的非均衡类入侵检测 |
| 4.7 本章小结 |
| 第5章 基于ART2神经网络的入侵检测 |
| 5.1 引言 |
| 5.2 ART2网络 |
| 5.2.1 ART2神经网络结构 |
| 5.2.2 ART2网络学习过程 |
| 5.3 基于ART2的在线入侵检测模型 |
| 5.3.1 一级检测器 |
| 5.3.2 二级检测器 |
| 5.4 实验及结果分析 |
| 5.5 本章小结 |
| 第6章 基于检测器集成的入侵检测系统 |
| 6.1 引言 |
| 6.2 分类器集成 |
| 6.2.1 串行条件集成结构 |
| 6.2.2 串行级联集成结构 |
| 6.2.3 并联集成结构 |
| 6.2.4 混合型集成结构 |
| 6.3 一种基于检测器集成的入侵检测模型 |
| 6.3.1 多级集成入侵检测器结构 |
| 6.3.2 一级检测器 |
| 6.3.3 二级检测器 |
| 6.3.4 三级检测器 |
| 6.3.5 多级集成入侵检测过程 |
| 6.4 实验及结果分析 |
| 6.4.1 一级检测器中PDDP二叉树高度的选择 |
| 6.4.2 多级集成检测器入侵检测 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 1 发表的学术论文 |
| 2 参加的科研项目 |
| 致谢 |
（8）基于ART2网络的人脸识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题研究背景及意义 |
| 1.3 人脸识别技术概述 |
| 1.3.1 人脸识别的研究内容 |
| 1.3.2 人脸识别技术的研究现状 |
| 1.3.3 人脸识别技术存在的难点 |
| 1.3.4 人脸识别技术的应用领域 |
| 1.4 本文的贡献及内容组织 |
| 1.4.1 本文的贡献 |
| 1.4.2 本文的内容组织 |
| 第二章 ART 自适应谐振理论 |
| 2.1 自组织神经网络的提出 |
| 2.2 ART1 网络结构及算法 |
| 2.2.1 ART1 网络结构 |
| 2.2.2 ART1 网络工作原理 |
| 2.3 ART2 网络结构及算法 |
| 2.3.1 ART2 网络结构 |
| 2.3.2 ART2 网络工作原理 |
| 2.4 本章小结 |
| 第三章 基于粗分类的 ART2 神经网络 |
| 3.1 ART2 网络在人脸识别中的优点和不足 |
| 3.1.1 ART2 网络在人脸识别中的优点 |
| 3.1.2 ART2 网络在人脸识别中的不足 |
| 3.2 ART2 神经网络工作效率的改进 |
| 3.3 Adaboost 算法原理 |
| 3.3.1 Harr 特征与积分图 |
| 3.3.2 Adaboost 算法步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 训练眼镜分类器 |
| 3.4.2 实验结果对比分析 |
| 3.5 本章小结 |
| 第四章 基于人眼定位的人脸检测方法 |
| 4.1 人眼定位 |
| 4.2 Adaboost 的人脸检测方法 |
| 4.3 改进的人脸检测方法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验方案 |
| 4.4.2 两种人脸检测方法的识别率比较 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（9）电子鼻长期漂移抑制算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 本文研究意义 |
| 1.3 电子鼻技术研究现状 |
| 1.3.1 发展历程 |
| 1.3.2 电子鼻与空气污染检测 |
| 1.3.3 电子鼻系统的漂移 |
| 1.4 本文的主要工作及内容安排 |
| 2 电子鼻实验平台原理及设计 |
| 2.1 电子鼻组成原理 |
| 2.1.1 气敏传感器及其阵列 |
| 2.1.2 主要模式识别算法 |
| 2.2 电子鼻平台设计 |
| 2.2.1 应用场景 |
| 2.2.2 实验平台结构 |
| 2.2.3 传感器阵列设计 |
| 2.3 电子鼻技术实用化面临的挑战 |
| 2.3.1 传感器漂移 |
| 2.3.2 背景干扰与传感器交叉敏感性 |
| 2.3.3 个体差异 |
| 3 电子鼻长期漂移补偿和抑制方法 |
| 3.1 主成份分析 |
| 3.1.1 基本理论 |
| 3.1.2 实验数据与预处理 |
| 3.1.3 漂移对传感器阵列响应的影响 |
| 3.1.4 基于 Wilks 准则的 PCA 方法 |
| 3.1.5 Wilks 准则分类结果与讨论 |
| 3.1.6 改进的 Wilks 准则 |
| 3.1.7 改进的 Wilks 准则分类结果与讨论 |
| 3.1.8 小结 |
| 3.2 正交信号校正 |
| 3.2.1 偏最小二乘法 |
| 3.2.2 正交信号校正理论 |
| 3.2.3 离线漂移抑制结果与讨论 |
| 3.2.4 在线漂移抑制结果与讨论 |
| 3.2.5 OSC 方法的在线化改进 |
| 3.2.6 改进的 OSC 方法在线漂移抑制结果与讨论 |
| 3.2.7 小结 |
| 3.3 多重自组织图网络 |
| 3.3.1 自组织映射图原理 |
| 3.3.2 多重自组织映射图原理 |
| 3.3.3 在线式 MSOM 网络 |
| 3.3.4 MSOM 网络在线识别结果与讨论 |
| 3.3.5 改进的 MSOM 网络重训练矢量迭代方法 |
| 3.3.6 改进的 MSOM 网络识别效果与讨论 |
| 3.3.7 参数设置对 MSOMa 网络识别效果的影响 |
| 3.3.8 MSOMa 的实时性能与讨论 |
| 3.3.9 改进的 MSOMa 实时性能优化方法 |
| 3.3.10 实时性能优化结果与讨论 |
| 3.3.11 实时性能的再优化方法 |
| 3.3.12 实时性能再优化结果与讨论 |
| 3.3.13 小结 |
| 3.4 自适应谐振网络 |
| 3.4.1 自适应谐振的基本理论 |
| 3.4.2 ART-2 网络基本结构 |
| 3.4.3 ART-2 网络数学模型 |
| 3.4.4 ART-2 网络在线识别结果与讨论 |
| 3.4.5 改进的 ART-2 网络权值更新方法 |
| 3.4.6 改进的 ART-2 识别效果与讨论 |
| 3.4.7 警戒门限与 ART-2a 网络识别效果 |
| 3.4.8 ART-2 网络实时性优化方法 |
| 3.4.9 实时性能优化效果与讨论 |
| 3.4.10 ART-2 网络实时性的再优化方法 |
| 3.4.11 实时性能再优化结果与讨论 |
| 3.4.12 小结 |
| 3.5 本章小结 |
| 4 在线漂移补偿的数据选择方法 |
| 4.1 病态样本与盲目重训练 |
| 4.1.1 在线过程中的病态样本 |
| 4.1.2 盲目重训练 |
| 4.1.3 解决思路 |
| 4.2 基于形态学特征的数据选择方法 |
| 4.2.1 形态学特征的在线提取方法 |
| 4.2.2 形态学特征的筛选 |
| 4.2.3 筛选结论 |
| 4.2.4 形态学特征数据选择方法与在线识别效果 |
| 4.3 基于早期瞬态检测的数据选择方法 |
| 4.3.1 早期瞬态检测法原理 |
| 4.3.2 基于 ETD 方法的数据选择方法 |
| 4.3.3 基于 ETD 的数据选择与在线识别效果 |
| 4.4 总结 |
| 5 总结和展望 |
| 5.1 本文主要研究内容 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间申请的专利目录 |
| C. 作者在攻读学位期间参与的科研项目 |
（10）图像目标的快速智能识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 图像识别的应用、研究现状及研究意义 |
| 1.2.1 图像识别的应用现状 |
| 1.2.2 图像识别的研究现状 |
| 1.2.3 图像识别研究的意义 |
| 1.3 本文的主要研究内容与组织安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文内容的组织安排 |
| 2 图像识别基础理论 |
| 2.1 摄像头的成像原理与标定 |
| 2.1.1 摄像头的成像原理 |
| 2.1.2 摄像头标定 |
| 2.2 图像的边缘检测 |
| 2.2.1 Roberts（罗伯特）边缘检测算子 |
| 2.2.2 Sobel（索贝尔）边缘检测算子 |
| 2.2.3 Prewitt 边缘检测算子 |
| 2.2.4 Laplace(拉普拉斯)边缘检测算子 |
| 2.2.5 Canny（坎尼）边缘检测算子 |
| 2.3 图像的特征提取 |
| 2.3.1 轮廓提取 |
| 2.3.2 HU 不变矩特征提取 |
| 2.3.3 形状上下文特征提取 |
| 2.3.4 几何特征提取 |
| 2.4 本章小结 |
| 3 图像目标的快速智能识别系统设计 |
| 3.1 快速边缘检测算法设计 |
| 3.1.1 边缘检测快速性问题分析 |
| 3.1.2 快速边缘检测算法的检测原理 |
| 3.1.3 快速边缘检测算法流程 |
| 3.1.4 快速边缘检测算法验证 |
| 3.2 特征矢量建立的方法设计 |
| 3.2.1 修正的 HU 不变矩 |
| 3.2.2 特征矢量的筛选 |
| 3.3 图像的智能识别算法设计 |
| 3.3.1 ART2 神经网络 |
| 3.3.2 ART2 神经网络的改进 |
| 3.3.3 基于改进 ART2 神经网络的识别分类算法 |
| 3.3.4 改进 ART2 神经网络的识别分类算法的实验验证 |
| 3.4 本章小结 |
| 4 图像识别系统的实现 |
| 4.1 系统的开发环境 |
| 4.2 总体框架设计 |
| 4.3 人机交互的实现 |
| 4.4 图像识别系统的软件实现 |
| 4.4.1 图像处理模块 |
| 4.4.2 识别分类模块 |
| 4.4.3 立体匹配与定位模块 |
| 4.5 图像识别系统的运行及测试 |
| 4.5.1 系统实物及运行效果 |
| 4.5.2 系统的测试 |
| 4.5.3 运行及测试结果分析 |
| 4.6 本章小结 |
| 5 结束语 |
| 5.1 本文的研究工作总结 |
| 5.2 后续工作的展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间取得的科研成果目录 |
四、具有双向检测机制的ART2神经元网络（论文参考文献）
- [1]基于自组织映射与自适应谐振学习的协同神经网络模型研究[D]. 邹大鹏. 哈尔滨工业大学, 2019(02)
- [2]基于ART2神经网络的齿轮箱智能故障诊断方法研究[D]. 吴肇中. 石家庄铁道大学, 2019(03)
- [3]卫星通信系统的干扰检测识别及决策技术研究[D]. 杜东科. 电子科技大学, 2019(01)
- [4]驾驶行为个性化操纵模式建模研究[D]. 殷延杰. 合肥工业大学, 2017(07)
- [5]ART网络的鲁棒性增强方法研究[D]. 陈建辉. 电子科技大学, 2016(02)
- [6]运动目标提取的神经计算建模[D]. 钟颜. 中国石油大学(华东), 2014(07)
- [7]网络入侵检测关键技术研究[D]. 刘积芬. 东华大学, 2013(05)
- [8]基于ART2网络的人脸识别研究[D]. 汪明明. 北京化工大学, 2013(S2)
- [9]电子鼻长期漂移抑制算法的研究[D]. 刘涛. 重庆大学, 2012(02)
- [10]图像目标的快速智能识别研究[D]. 周恩明. 重庆大学, 2012(03)