一、限秩最大子集问题（论文文献综述）
赵洋[1]（2021）在《复杂噪声背景下的稀疏测向方法研究》文中研究指明“如无必要,勿增实体”。这是着名的奥卡姆剃刀原理,是渗透于从古至今所有哲学、艺术与科学领域的基础思想。稀疏表示理论以及后来在其基础上发展而来的压缩感知理论正是该节省性原则在现代统计学、机器学习、信号处理领域的集中体现。阵列信号参数估计是雷达、声纳、通信等系统的原理性技术,其基本任务如测向、定位、跟踪与许多现存或即将到来的技术增长领域紧密联系,如无人机（Unmanned Aerial Vehicle,UAV）、无人驾驶、3D打印等。随着测向系统的不断改进和突破,各种低成本、小型化的新型雷达不断涌现,同时目标隐身以及干扰技术也在不断升级换代,阵列信号处理系统所面临的电磁环境日益复杂,传统的子空间类测向方法在小快拍、低信噪比、空域临近信号以及复杂背景噪声环境等非理想场景愈发无法胜任测向任务。最近二十年引起学者广泛关注的稀疏表示理论为解决参数估计问题提供了新思路,此类方法对一些非理想环境表现出极强的适应能力。本文从噪声抑制角度出发,着眼于稀疏重构与阵列信号处理过程中的区别和联系,考虑网格的存在对阵列参数估计的影响,研究了高斯白噪声、高斯有色噪声、alpha白噪声和alpha色噪声背景下的稀疏测向方法,并取得了一些有意义的成果。具体的研究工作可以概括如下:第一,针对贪婪算法处理测向问题时存在角度分辨能力有限的问题,提出了一种利用子空间信息的新算法（Noise Subspace Reprojection OMP,NSR OMP）。该算法在匹配追踪算法的架构下,有机融合了两个子空间的有效信息:使用信号子空间作为重构信号,减小了算法寻优的工作量的同时降低了噪声对支撑集选择的干扰;使用噪声子空间修正算法的支撑集选取规则,提高了算法的分辨力。仿真试验验证了所提方法继承了匹配追踪类算法小快拍性能好且运算量小的优点,同时极大改进了原始算法角度分辨力差的问题。第二,利用阵列输出协方差矩阵的对称Toeplitz特性,可以经由两次矩阵变换过程将DOA估计问题从复数域的多测量矢量（Muitiple Measurement Vector,MMV）问题转化为实数域的单测量矢量（Single Measurement Vector,SMV）问题。该过程在保证测向性能的前提下将ULA阵列的DOA估计问题简化。又从去冗余的角度定义了一种线性变换对阵列输出四阶累积量协方差矩阵进行降维,使其满足实值化条件,从而将上述方法推广到四阶累积量。第三,针对现有的基追踪（Basis Pursuit,BP）类测向方法计算量较大的问题,基于第二点中提出的二阶统计域和高阶统计域的实值向量化测向模型,我们分别提出了适用于高斯白噪声和高斯有色噪声背景下的BP测向方法。由于算法只需要解决低变量数的SMV问题,比现有的BP测向方法计算效率更高。算法无需进行特征值分解,节省计算量的同时对信源数是否被准确估计不敏感。又将处理实值化SMV问题的ISL0算法引入测向问题,该算法对正则化参数的设置准确度要求不高,可以有效解决基于四阶累积量的凸优化算法设置正则化参数困难的问题。第四,针对现有的离格测向方法计算量较大的问题,建立了DOA估计的实值化离格模型。采用第三点中提出的算法对DOA与网格误差进行交替迭代求取,分别提出了适用于高斯白噪声和高斯有色噪声背景下的离格测向方法,后者填补了现存离格测向方法无法处理高斯有色噪声的空白。与现有的同类算法相比,所提算法在一定程度上减小了运算时间,提高了离格类测向算法的实用性。通过计算机仿真验证了所提算法的有效性。第五,基于分数低阶统计量（Fractional Lower Order Statistics,FLOS）的子空间方法需要较大的快拍数、较高信噪比门限才能处理alpha噪声背景下的测向问题。针对该问题,我们分析了相位分数低阶矩（Phase Fractional Lower Order Moment,PFLOM）协方差矩阵满足范德蒙德分解定理的条件,将PFLOM与协方差匹配准则相结合,提出了两种适用于alpha白噪声背景下的无网格测向方法。仿真实验验证了所提方法与现有的同类算法相比可以在较低信噪比、较少快拍数的不利条件下有效解决强冲击性alpha白噪声背景下的稳定测向问题。第六,针对现存适用于alpha噪声的测向方法只能处理alpha白噪声的问题,本文将一种全新的统计量—分数阶累积量（Fractional Order Cumulant,FOC）引入测向问题,并简要分析了该统计量对alpha色噪声的抑制机理。借助该统计量对alpha色噪声的抑制作用,结合本文前面章节的内容提出了适用于alpha色噪声环境下的离格、无格稀疏测向方法,填补了现存测向方法无法妥善处理alpha色噪声的空白,并通过仿真实验验证了所提算法的有效性。
牛思聪[2]（2021）在《基于生成对抗网络的偏振高光谱图像处理与分类算法研究》文中研究表明
於鑫慧[3]（2021）在《基于宽度学习的近红外光谱煤炭定性分析研究》文中进行了进一步梳理
徐丽[4]（2021）在《Steiner系及有限环上两类isodual码的理论研究》文中指出
何水苗[5]（2021）在《基于权邻域的社交网络代表性用户抽样研究》文中指出随着社交平台上用户爆炸式的增长,如何抽取可以代表整个网络中其他所有用户特点的子集是一个非常具有挑战性的问题。近些年来,学者们对于代表性用户抽样问题的研究主要采用基于拓扑结构抽样和基于用户属性抽样两类方法,这些方法只是从单个方面对代表性用户抽样问题进行考虑,抽取到的代表性用户子集不能够很好的代表整个原始网络。本文在前人已有研究基础上对代表性用户抽样问题进行探索,并提出了一种基于权邻域的社交网络代表性用户抽样算法。在我们的算法中,利用节点自身的度与邻居的权重以及邻居节点的度相结合来衡量一个节点的重要性,且采用权邻域对网络的拓扑结构进行描述。该方法主要包括三个步骤:（1）根据属性值将所有用户划分成不同的属性组,并对每个属性组中的用户代表度利用属性和权邻域进行计算;（2）通过求得每个属性组中用户代表度之和来得到用户的属性组代表度,并将用户所有的属性组代表度相加,基于质量函数对其进行数值化评估;（3）采用启发式贪婪算法抽取代表性用户。在四个数据集上,本文提出的基于权邻域的社交网络代表性用户抽样算法与其他六种算法进行实验对比,结果表明我们的算法在不同数据集上的精确率、召回率和F1-Measure方面均优于其他对比算法。
王峰[6]（2021）在《面向复杂劣化信号的预测健康指数构造方法研究及应用》文中提出预测性维修可有效降低铁路维护成本并提升铁路设备的可用性,其核心在于剩余寿命预测（Remaining useful life,RUL）。RUL预测旨在利用状态监测数据对设备的劣化状态进行评估以预测其失效时间,从而为维修决策的制定提供依据。随着传感器技术的发展,复杂设备监测过程中通常部署多传感器从不同的角度分别监测设备的状态信息。为系统地刻画设备的劣化状态,多传感器数据通常被融合为一个综合的健康指数。然而,现有的健康指数构造方法大多将劣化数据假设为成分简单的一维状态或特征信号,而该假设在大量的复杂劣化信号场景下已不适用。为应对该问题,本文主要研究了基于复杂劣化信号的预测健康指数构造问题。针对信号的非线性关系、信号构成成分的耦合、协变量影响和元素缺失下的成分耦合几种情况,以劣化建模领域性质和劣化信号的特征为基础,分别利用深度学习、稀疏学习和张量分析等技术,设计了相应的目标函数和高效的优化算法,解决复杂劣化信号下健康指数构造的难点问题,实现了设备劣化状态的刻画和RUL预测。最后,研究了铁路道岔系统的应用案例。具体地,本文开展了以下几项工作:（1）针对信号间的非线性关系,研究了基于深度学习的健康指数构造方法。首先,以深度神经网络作为融合模型刻画劣化信号与健康指数之间的非线性关系。为应对健康指数“未知”（待构造变量）的难点,利用劣化建模领域的性质,设计了一组对抗网络架构从而实现模型参数的无监督训练。针对求解过程的不稳定性,提出了一种基于RMSprop的采样算法实现了参数的稳定求解。通过一组仿真实验和一组典型案例验证了所构造的健康指数在RUL预测中较现有方法的优越性和鲁棒性。（2）针对成分复杂耦合的情况,研究了结构化信号的健康指数构造方法。以“稳定背景估计-劣化信息提取及融合”分层解耦策略为基础,在移除劣化信号的稳定背景后,依据劣化成分的时空特征,设计了一种基于稀疏学习和保序回归（Sparse learning and isotonic regression,SLIR）的劣化信息提取和融合方法,以保证健康指数的高质量构造。其次,设计了分块坐标下降的优化算法,实现了劣化信息的准确定位和融合模型估计。最后,利用一组仿真实验和后续案例应用对提出方法的求解效率、识别劣化区域和预测RUL的准确性进行验证。（3）针对协变量影响下时变成分耦合的情况,研究了存在元素缺失的高维劣化信号的健康指数构造方法。为解决元素缺失下时变背景估计的难点问题,着重研究了基于低秩学习和Tucker张量分解技术的张量回归建模方法,设计了回归模型参数和缺失元素的协同估计架构。在此基础上,提出了基于分块坐标下降的大规模数值优化算法,实现了模型的高效求解。进而,通过残差信号的特征提取和融合实现了健康指数的构造。利用一组仿真实验和一组案例研究验证了提出方法的优越性。（4）在上述理论研究的基础上,结合铁路道岔系统的自身特征,针对两种常见的劣化模式,分别利用其状态监测数据进行健康指数构造和预测分析。针对液压转辙机的油泄漏模式,考虑温度的影响特征,提出了基于惩罚卷积的温度-液位关系模型,进而利用移除温度影响的液位残差构造健康指数并开展RUL预测。针对滑床板阻力增大的劣化模式,利用提出的SLIR法分析转辙机的功率信号,实现了劣化信息的准确定位及融合,进而在健康指数构造的基础上,开展了该模式下的RUL预测。
张莹[7]（2021）在《基于鲸鱼算法的高光谱遥感影像降维方法研究》文中研究指明高光谱遥感影像由于其自身的高维数特性,涵盖了丰富的地物信息特征。但高光谱遥感影像相邻波段的光谱特征相关性强,因此信息冗余度也大大增加,增加了图像处理和分类计算的难度。因此,如何在尽量保证数据完整性的前提下减少数据量,降低数据维数,是高光谱数据处理工作的一项重要内容。高光谱遥感影像的高维数据特征导致其容易出现维数灾难,因此,对原始数据进行降维处理是非常有必要的。特征选择作为维数约简的重要手段之一,已经被广泛应用于降维工作当中。因此,如何从几十个甚至几百个波段中选择有效波段进行后续处理,从中提取有效信息,成为高光谱遥感数据降维处理的关键问题。鲸鱼优化算法（Whale Optimization Algorithm,WOA）是受到座头鲸捕食过程中的策略启发而诞生的一种新型群智能算法,通过搜索代理的不断更迭,对整个数据空间中进行随机搜索。在原始空间中,通过波段选择所产生的波段子集基本上会集中在一个连续的空间中,它们往往非常相似,容易造成信息的重用,影响后续处理的效果。为了解决这些问题,本文使用了波段子空间划分方法,将高光谱数据集的所有波段划分为若干个子空间,然后进行波段选择。普通的平滑去噪方法在平滑地物类别过程中有时跨越地物类别的边界,造成地类信息混合,不连续保持松弛（Discontinuity Preserving Relaxation,DPR）算法能够在平滑高光谱遥感影像的同时,兼顾地物类别边界类别趋于相同的问题。本文基于上述的几种算法,提出了一种新的高光谱遥感影像特征选择降维方案,在该方案中,第一步,使用FCM子空间划分法将高光谱数据集进行波段子空间划分,接着,以最大熵（Maximum Entropy,ME）为评价准则,对经过波段子空间划分的数据集进行波段选择并得到一个包含特征信息最丰富的波段子集,随后,采用DPR对波段子集进行平滑后处理。使用支持向量机（Support Vector Machine,SVM）对平滑后的波段子集进行分类计算。本文采用三个国际通用的高光谱遥感影像数据集,即Indian Pines数据集、Pavia University数据集和Salinas数据集,来验证所提出的方案,实验结果证明了该方案的有效性。
杜燕燕[8]（2021）在《线性关系矩阵的谱性质》文中提出线性关系是美国数学家von Neumann J.在研究非稠定微分算子的共轭时首次引入的,在非线性分析、线性算子的延拓理论、微分方程、退化算子半群,以及最优化和控制论等问题中有重要应用.最近,线性关系矩阵的谱性质开始引起人们的关注.本文主要利用线性关系的多值部分和它的选择（Selection）的特性,以及空间分解方法研究了 Hilbert空间中线性关系矩阵的谱性质,探讨线性关系矩阵的谱扰动,考虑上三角关系矩阵的本质谱、Weyl谱、本质近似点谱、Browder谱和Browder本质近似点谱分别由其对角元的相应谱刻画的性质.首先,对给定关系记A,上三角关系矩阵MC=（?）借助线性关系值域的有限秩扰动性质和空间分解方法,分别得到了对任意的有界线性算子C关系矩阵MC都有闭值域和值域都不闭的充分必要条件,进一步得到了上三角关系矩阵闭值域谱的扰动结论.此外,还考虑了 C为线性关系时的情形,即讨论了对任意有界线性关系C关系矩阵MC有上述性质的充分必要条件.其次,利用MC与QMC MC两者性质的联系,讨论了存在有界线性关系C使得MC是Fredholm关系、左（右）Fredholm关系、Weyl关系和左（右）Weyl关系的充分必要条件,进一步得到了上三角关系矩阵的本质谱、左（右）本质谱、Weyl谱、本质近似点谱（左Weyl谱）和右Weyl谱的扰动.另外,对给定线性关系A,B,C,由MC的内部元素刻画了σ*（MC）,并给出了使得σ**（A）∪ σ*（B）=σ*（MC）∪ W成立的集合W（?）C,其中σ*∈{σe,σw,σea,σb,σab},集合中的记号分别表示本质谱、Weyl谱、本质近似点谱、Browder谱和Browder本质近似点谱.同时,将Fredholm性结论运用于由板弯曲方程导出的Hamilton算子矩阵构造的线性关系中.然后,借助空间分解方法和线性关系选择的性质刻画了上三角关系矩阵MC的谱、点谱、剩余谱和连续谱的扰动.另外,对给定线性关系A,B,C,由MC中内部元的性质刻画了它的点谱,并利用局部谱理论描述了 MC的谱与其对角元的谱的并集之间的联系.最后,对给定线性关系A.B.C,记线性关系矩阵MX=（?）,探讨了存在有界线性算子X使得线性关系矩阵Mx是左（右）可逆和可逆的充分必要条件,同时也讨论了存在有界线性关系X使得Mx是左（右）可逆和可逆的问题,并进一步得到Mx的左（右）谱和谱的扰动.
田坤[9]（2021）在《延迟非线性系统脉冲控制及其应用》文中进行了进一步梳理近年来,研究人员发现生活中许多现象并非单纯的连续控制过程,而是兼具连续和离散的特征。脉冲控制本质上是在脉冲时刻以离散形式对系统施加扰动量,它可以真实地反映自然界和工程领域中一些系统的不连续动态特性,打破了连续控制理论对实际系统描述的局限性,能更准确地描述实际系统。传统控制方法对受控对象产生持续作用,而脉冲控制则以离散形式在脉冲时刻发生瞬时作用,因此连续控制理论不能直接应用于脉冲控制系统的研究,脉冲控制理论分析较连续控制理论更加复杂。目前脉冲控制理论已经在肿瘤化疗,航天器燃料优化控制,化学反应和种群动力学管理等方面取得了重大突破。但由于理论分析的制约,当前脉冲控制理论多数考虑受控模型的多样性,缺乏系统的、实用的研究成果,脉冲控制理论本身和应用方面还有很多问题亟待解决。对于一些实际问题,由于客观条件限制,实际系统的可操作变量有限,不允许全部变量受控,使得非线性系统有限操作变量脉冲控制器设计更加困难。本文将围绕上述问题,研究延迟非线性系统的脉冲控制理论,脉冲控制和同步的稳定性及利用脉冲控制使系统产生复杂的动力学行为,得到了一些新结论和新算法。具体研究内容如下:（1）提出了利用脉冲控制实现延迟非线性系统同步的方法,并给出了同步稳定性理论证明。首先,以两个相同的线性延迟反馈混沌系统作为研究对象,设计全变量脉冲同步控制器,证明全变量脉冲控制同步稳定性定理,利用所提定理确定脉冲控制器参数估计范围,通过仿真和实验观察到两个系统同步状态,验证所提理论的正确性。其次,考虑实际系统操作变量受限,全变量脉冲控制无法使用问题,提出单变量脉冲控制同步稳定性定理,依据定理条件确定单变量脉冲控制器参数范围,以两个相同的延迟反馈Chen系统作为研究对象,通过仿真和实验观察到同步状态,验证了所提定理的正确性。单变量脉冲控制和全变量脉冲控制均具有结构简单,易于实现的特点。在应用方面,单变量脉冲控制可应用于操作变量受约束的混沌系统,因此在实用性上要优于全变量脉冲控制方法。由于单变量脉冲控制方案削减了控制器数量,因此响应速慢于全变量脉冲控制方案。（2）提出了利用部分观测数据辨识复杂网络局部拓扑结构和单变量脉冲牵制控制实现复杂网络同步的方法,并给出了辨识和同步理论证明。基于自适应方法辨识复杂网络局部拓扑连接关系,解决了利用较少数据准确辨识网络拓扑结构的问题。证明了单变量脉冲牵制控制同步稳定性定理,通过能控性秩条件判定网络的能控性和确定网络的牵制节点以及牵制节点中的受控变量。依据所提的稳定性定理,设计复杂网络的单变量脉冲牵制同步控制器,使得整个网络处于同步状态。所提的单变量脉冲同步控制器不仅实现了复杂网络节点的混沌系统同步,而且只用部分节点的单个变量驱动,减少了控制器使用数量和对网络的要求,具有良好的应用前景。（3）提出利用脉冲控制在非混沌系统中产生混沌的方法,对参数处于稳定区域的Chen系统施加单变量脉冲控制,使得受控系统产生混沌吸引子。这种脉冲控制产生混沌的方法与状态反馈脉冲混沌控制方法具有相同的结构,因此该方法可以根据需要通过调整参数灵活地产生和消除混沌,同时该方法摆脱了传统混沌产生方法需要连续状态反馈的局限性,具有结构简单、易于实现等特点,适用于只能间断时刻施加控制量的系统。本文对受控系统产生的混沌时间序列进行了基本动力学分析。从定性角度,分析了受控系统的混沌时间序列的功率谱、分岔图;从定量分析的角度,计算了受控系统的Lyapunov指数。以非混沌Chen系统作为应用实例,设计了 Chen系统电路和脉冲控制电路,通过所设计的模拟电路,在实验中观察到了几种混沌吸引子,实验与仿真结果基本一致,验证了方法的有效性。（4）利用Smale马蹄引理证明了脉冲控制Chen系统中存在拓扑马蹄,从理论上证明了脉冲控制Chen系统确实产生了混沌,阐明了利用脉冲控制产生混沌的机理。采用了拓扑马蹄分析手段,提出脉冲控制系统的Poincare截面上拓扑马蹄的寻找方法,克服了延迟项初值对寻找Poincare逆映射的影响。设计了针对脉冲控制延迟系统的拓扑马蹄分析算法,并利用MATLAB进行了实现,利用所设计MATLAB软件分别分析了脉冲控制Chen系统和延迟反馈控制Chen系统中的拓扑马蹄。（5）提出了参数不确定情况下的肿瘤化疗模型脉冲控制方法,并给出了脉冲控制参数不确定模型的渐近稳定性分析。化疗剂的用量和周期可以看作脉冲控制的增益和间隔。首先,考虑到个体之间存在差异或测量数据不准确,导致模型的参数具有不确定性。其次,当前化疗方案仅仅依靠医生经验制定,化疗剂的用量依据具有单一性。针对以上两点,本章提出参数不确定下的自适应脉冲控制方法,利用Lyapunov稳定性理论,分析了脉冲控制化疗模型的正定性和持久性,并推出了脉冲控制间隔的上下界。利用本文提出的状态反馈脉冲控制调节每次注射化疗剂量,最终可达到消灭肿瘤细胞,维持免疫机能的目的。
高宏娟[10]（2021）在《文物碎块精细分类与多碎块拼接方法研究》文中认为文物虚拟复原已成为近年来文物保护领域的一个研究热点。计算机辅助进行文物碎块的自动拼接能避免人工修复对文物带来的二次损坏,加快文物复原的速度。由于文物碎块复杂多样且存在受损情况,文物虚拟复原仍然面临一些挑战:第一,在数字化的过程中,采集的文物三维数据不可避免的会受噪声的干扰。噪声和文物表面的纹饰等信息都是高频分量,去除噪声的同时可能导致文物表面重要细节信息的丢失;第二,面对大量没有精细分类的文物碎块,现有的自动拼接方法面临着碎块邻接关系复杂、直接拼接时间复杂度高等困难;第三,文物碎块的断裂面因受损而存在一定的几何特征缺失,会导致碎块无法拼接或拼接错误。本文围绕文物虚拟复原流程中的三维模型表面噪声的去除、文物碎块的精细分类及文物碎块的拼接展开研究,主要工作和贡献如下:（1）提出一种基于图拉普拉斯正则化的文物点云去噪方法。引入块的自相似性对文物三维点云进行分块,构建具有马尔可夫性质的图模型。将图拉普拉斯正则化作为先验,基于最大后验准则最大程度减少文物三维模型表面的噪声。实验结果表明,无论是视觉效果,还是均方误差和信噪比两个指标,相比其他几种经典算法,所提方法去噪效果更优。（2）提出一种基于形状特征提取的三维文物碎块精细分类方法。将文物碎块按照文物的具体部位进行精细分类然后再拼接,可以极大的缩小碎块试拼接范围。基于尺度不变热核签名,引入词袋模型构造一个低维的形状描述子,然后提出一种基于聚类思想的无监督分类算法进行分类。实验结果表明,对于形状特征鲜明的文物碎块,分类精度达90%以上。该方法不仅分类准确率高,而且能够满足文物样本类别标签没有标注或者无法标注的分类需求。（3）提出一种基于深度学习的三维文物碎块精细分类方法。基于对抗生成策略设计深层次连接网络,在不断训练中动态生成更有利于分类结果的增强样本,有效解决现有端到端点云网络需要大量训练样本的问题。在分类网络损失函数的设计中,引入焦点损失函数,使网络在训练过程中更关注少量样本和难分样本,有效降低各类别样本数量不均衡带来的负面影响。公开数据集的实验结果表明,较之对比方法,该方法分类精度更高;秦俑碎块数据集的实验结果表明,该方法能够显着提高难分样本的分类精度。（4）提出一种基于关键点描述子的三维文物碎块拼接方法。利用保存完好的文物作为模板来指导碎块的拼接,检测文物模板和文物碎块原始面上的关键点,通过计算并比较关键点描述子之间的相似度来确定多个碎块之间的相邻关系,避免用穷举方式进行断裂面的粗匹配。在断裂面的精细匹配阶段,在碎块断裂面的特征点集上定义描述符曲线,同时将特征点及描述符曲线作为匹配特征,在断裂面几何特征较少的情况下,也能有效完成拼接。该方法综合利用文物碎块原始表面的形状特征和断裂面上的几何特征,较之对比方法,拼合误差更低。
二、限秩最大子集问题（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、限秩最大子集问题（论文提纲范文）
（1）复杂噪声背景下的稀疏测向方法研究（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 DOA估计的国内外研究现状 |
| 1.2.1 早期非参数化方法 |
| 1.2.2 参数化阵列测向方法的研究 |
| 1.2.3 半参数化方法(稀疏测向)的研究 |
| 1.2.4 高斯色噪声背景下的测向方法研究 |
| 1.2.5 alpha噪声背景下的测向方法研究 |
| 1.2.6 基于实值化模型的测向方法 |
| 1.2.7 离网格(off-grid)稀疏测向方法 |
| 1.2.8 无网格(gridless)稀疏测向方法 |
| 1.3 本文的主要内容和章节安排 |
| 第2章 相关理论以及预备知识 |
| 2.1 引言 |
| 2.2 稀疏表示的基本原理 |
| 2.3 稀疏测向的可行性分析 |
| 2.4 非高斯分布的基本模型 |
| 2.4.1 混合高斯分布 |
| 2.4.2 广义高斯分布 |
| 2.4.3 t分布 |
| 2.4.4 alpha稳定分布 |
| 2.5 alpha稳定分布的定义和性质 |
| 2.5.1 alpha稳定分布的定义 |
| 2.5.2 alpha稳定分布的性质 |
| 2.6 本章小结 |
| 第3章 基于全部子空间信息的匹配追踪测向算法 |
| 3.1 引言 |
| 3.2 基于均匀线形阵列(ULA)的DOA估计稀疏模型 |
| 3.3 MP类算法角度分辨能力不足的原因分析 |
| 3.4 子空间信息 |
| 3.5 NSR OMP算法提出 |
| 3.5.1 最小范数法 |
| 3.5.2 NSR OMP算法实现和计算量分析 |
| 3.6 仿真实验 |
| 3.6.1 实验3.1--NSR OMP算法估计实验 |
| 3.6.2 实验3.2--偏移角实验 |
| 3.6.3 实验3.3--快拍数实验 |
| 3.6.4 实验3.4--信噪比实验 |
| 3.7 本章小结 |
| 第4章 基于实值化模型的离格稀疏测向方法 |
| 4.1 引言 |
| 4.2 阵列的实值化测向模型 |
| 4.2.1 均匀线阵(ULA)的二阶统计量实值化测向模型 |
| 4.2.2 稀疏线阵(SLA)的二阶统计量实值化测向模型 |
| 4.2.3 ULA阵列的四阶累积量降维实值化测向模型 |
| 4.3 算法提出 |
| 4.3.1 RV L1-SSV DOA估计算法 |
| 4.3.2 基于平滑l_0范数的DOA估计算法 |
| 4.3.2.1 平滑函数设计 |
| 4.3.2.2 算法推导 |
| 4.3.2.3 RV ISL0-SSV算法流程 |
| 4.3.2.4 算法参数设置及其计算量分析 |
| 4.3.2.5 四阶累积量矢量实值化模型 |
| 4.3.3 在格方法的仿真实验与分析 |
| 4.3.3.1 实验4.1--可行性实验 |
| 4.3.3.2 实验4.2--偏移角实验 |
| 4.3.3.3 实验4.3--信噪比实验 |
| 4.4 实值化离格稀疏测向方法 |
| 4.4.1 RV L1-OGSSV测向方法 |
| 4.4.2 RV ISL0-OGSSV和RV ISL0-OGHOCV测向方法 |
| 4.4.3 离格测向方法的仿真实验与分析 |
| 4.4.3.1 实验4.4--收敛性分析 |
| 4.4.3.2 实验4.5--信噪比实验 |
| 4.4.3.3 实验4.6--运算时间比较 |
| 4.5 本章小结 |
| 第5章 Alpha白噪声背景下基于PFLOM的无网格稀疏测向方法 |
| 5.1 引言 |
| 5.2 理论基础 |
| 5.2.1 范德蒙德分解定理 |
| 5.2.2 原子范数 |
| 5.2.3 连续压缩感知 |
| 5.2.4 协方差匹配 |
| 5.3 基于分数低阶统计量无网格方法的可行性分析 |
| 5.4 基于PFLOM的无网格测向方法 |
| 5.4.1 基于PFLOM的 GLS方法 |
| 5.4.2 基于PFLOM的稀疏矩阵重构方法 |
| 5.4.3 参数b的设定 |
| 5.5 PFLOM-SMR和PFLOM-GLS算法与ANM方法的关联性 |
| 5.6 仿真实验与分析 |
| 5.6.1 实验5.1--可行性实验 |
| 5.6.2 实验5.2--信噪比实验 |
| 5.6.3 实验5.3--快拍数实验 |
| 5.6.4 实验5.4--噪声冲击性实验 |
| 5.7 本章小结 |
| 第6章 Alpha色噪声背景下基于FOC的稀疏测向方法 |
| 6.1 引言 |
| 6.2 分数阶累积量 |
| 6.3 算法提出 |
| 6.3.1 基于FOC的 MUSIC算法 |
| 6.3.2 基于FOC的离格稀疏测向方法 |
| 6.3.3 基于FOC的无网格稀疏测向方法 |
| 6.4 数值仿真实验分析 |
| 6.4.1 实验6.1--确定参数p的取值 |
| 6.4.2 实验6.2--可行性实验 |
| 6.4.3 实验6.3--信噪比实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（5）基于权邻域的社交网络代表性用户抽样研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文的组织结构 |
| 第二章 相关工作 |
| 2.1 代表性用户抽样问题的定义 |
| 2.2 代表性用户抽样方法 |
| 2.2.1 基于拓扑结构抽样 |
| 2.2.2 基于用户属性抽样 |
| 2.2.3 基于矩阵分解抽样 |
| 2.3 相关技术 |
| 2.3.1 社会学理论 |
| 2.3.2 分层抽样 |
| 2.3.3 拓扑结构 |
| 2.4 本章小结 |
| 第三章 基于权邻域的代表性用户抽样 |
| 3.1 统计分层抽样 |
| 3.2 系统框架 |
| 3.3 权邻域 |
| 3.4 相关定义 |
| 3.5 抽取算法 |
| 3.5.1 算法描述 |
| 3.6 本章小结 |
| 第四章 实验与分析 |
| 4.1 实验配置与数据集 |
| 4.2 基准方法 |
| 4.3 评价指标 |
| 4.4 实验方案 |
| 4.5 实验结果与分析 |
| 4.5.1 计算复杂性 |
| 4.5.2 参数影响 |
| 4.5.3 实验结果分析 |
| 4.5.4 算法的运行效率分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
（6）面向复杂劣化信号的预测健康指数构造方法研究及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 铁路数据驱动的预测修现状 |
| 1.2.1 铁路设备的状态监测现状 |
| 1.2.2 铁路数据驱动的RUL预测 |
| 1.3 数据驱动的RUL预测研究现状 |
| 1.3.1 基于回归模型的RUL预测方法 |
| 1.3.2 基于相似性的RUL预测方法 |
| 1.3.3 基于状态外推的RUL预测方法 |
| 1.3.4 健康指数的构造方法 |
| 1.3.5 方法的有效性验证 |
| 1.3.6 研究现状总结和分析 |
| 1.4 研究意义和主要内容 |
| 1.5 论文研究思路和篇章结构 |
| 2 基于劣化信号非线性融合的健康指数构造方法 |
| 2.1 问题描述 |
| 2.2 基于深度神经网络的健康指数构造建模与求解 |
| 2.2.1 基于深度神经网络的数据融合模型和架构 |
| 2.2.2 基于RMSprop的采样算法 |
| 2.2.3 算法超参数学习 |
| 2.3 仿真分析 |
| 2.3.1 多传感器数据仿真 |
| 2.3.2 劣化建模和RUL预测 |
| 2.3.3 基于深度神经网络的健康指数构造 |
| 2.3.4 RUL预测结果比较和分析 |
| 2.3.5 健康指数的鲁棒性分析 |
| 2.4 案例验证 |
| 2.4.1 劣化数据集的描述 |
| 2.4.2 数据集的预处理 |
| 2.4.3 基于深度神经网络的数据融合模型 |
| 2.4.4 RUL预测结果比较和分析 |
| 2.4.5 深度神经网络超参数的选择 |
| 2.5 小结 |
| 3 基于劣化信息定位和融合的结构化信号健康指数构造方法 |
| 3.1 问题描述 |
| 3.2 基于稀疏学习和保序回归的健康指数构造方法 |
| 3.2.1 数据定义 |
| 3.2.2 信号建模及解耦策略 |
| 3.2.3 结构化信号的背景估计 |
| 3.2.4 劣化模式和劣化路径的估计 |
| 3.3 仿真分析 |
| 3.3.1 结构化数据仿真 |
| 3.3.2 健康指数的构造 |
| 3.3.3 劣化建模和RUL预测 |
| 3.3.4 RUL预测结果分析 |
| 3.4 小结 |
| 4 基于协变量和背景关系估计的高维信号健康指数构造方法 |
| 4.1 问题描述 |
| 4.1.1 存在数据缺失的时变高维信号健康指数构造 |
| 4.1.2 高维回归模型综述及难点分析 |
| 4.2 基于增强张量回归的健康指数构造方法 |
| 4.2.1 多重线性代数基础知识 |
| 4.2.2 数据缺失下张量回归建模 |
| 4.2.3 基于特征融合的健康指数构造 |
| 4.3 仿真分析 |
| 4.3.1 曲面数据仿真 |
| 4.3.2 回归预测结果分析 |
| 4.4 案例验证 |
| 4.4.1 数据集介绍 |
| 4.4.2 回归预测结果分析 |
| 4.4.3 健康指数构造和RUL预测结果分析 |
| 4.5 小结 |
| 5 铁路道岔系统应用案例 |
| 5.1 道岔系统介绍及问题描述 |
| 5.1.1 道岔构成、机理及状态监测 |
| 5.1.2 文献综述及难点分析 |
| 5.2 基于惩罚卷积模型的漏油监测和预测 |
| 5.2.1 油泄漏的监测和预测框架 |
| 5.2.2 温度和液位关系建模 |
| 5.2.3 漏油监测和预测 |
| 5.2.4 案例验证 |
| 5.3 滑床板劣化的健康指数构造和RUL预测 |
| 5.3.1 数据集介绍 |
| 5.3.2 健康指数构造、RUL预测和结果分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 主要工作与结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A RMSprop 算法 |
| 附录 B 基于线性化指数模型的 RUL 预测 |
| 附录 C 近似算子推导 |
| 附录 D 问题(3-6)推导 |
| 附录 E 问题(4-7)到(4-9)的转化 |
| 附录 F 问题(4-13)的转化 |
| 附录 G 问题(4-16)的转化 |
| 附录 H 套刻误差的生成过程 |
| 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 |
（7）基于鲸鱼算法的高光谱遥感影像降维方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 高光谱遥感 |
| 1.2 研究内容及意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 高光谱遥感影像分类 |
| 1.4 论文组织结构 |
| 2 高光谱遥感影像降维方法 |
| 2.1 特征提取 |
| 2.1.1 无监督特征提取 |
| 2.1.2 监督特征提取 |
| 2.1.3 半监督特征提取 |
| 2.2 特征选择 |
| 2.2.1 过滤式特征选择(Filter) |
| 2.2.2 封装式特征选择(Wrapper) |
| 2.2.3 嵌入式特征选择(Embedded) |
| 2.2.4 集成式特征选择(Ensemble) |
| 2.2.5 本节小结 |
| 2.3 本章小结 |
| 3 基于鲸鱼优化算法的高光谱遥感影像降维方法 |
| 3.1 子空间划分 |
| 3.1.1 FCM算法 |
| 3.1.2 基于FCM的特征子空间划分 |
| 3.2 最大熵原理 |
| 3.3 鲸鱼优化算法 |
| 3.3.1 包围猎物 |
| 3.3.2 泡泡网捕食行为 |
| 3.3.3 搜索猎物 |
| 3.4 基于FCM-WOA的波段降维方法 |
| 3.5 本章小结 |
| 4 基于FCM-WOA和松弛策略的分类算法 |
| 4.1 实验数据集及说明 |
| 4.2 不连续保持松弛(DPR) |
| 4.3 实验及结果分析 |
| 4.3.1 分类器选择 |
| 4.3.2 实验及结果分析 |
| 4.4 本章小结 |
| 5 总结 |
| 参考文献 |
| 攻读博/硕士学位期间发表学术论文情况 |
| 致谢 |
（8）线性关系矩阵的谱性质（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 关系矩阵的谱扰动 |
| 1.1.2 关系矩阵的谱 |
| 1.2 基本概念 |
| 1.3 本文的主要研究结果 |
| 第二章 上三角关系矩阵的闭值域性 |
| 2.1 预备知识 |
| 2.2 右上角元单值情形 |
| 2.3 一般情形 |
| 2.4 例子 |
| 第三章 上三角关系矩阵的Fredholm性和Weyl性 |
| 3.1 本质谱和Weyl谱扰动 |
| 3.1.1 预备知识 |
| 3.1.2 本质谱和左(右)本质谱扰动 |
| 3.1.3 Weyl谱和左(右)Weyl谱扰动 |
| 3.1.4 例子 |
| 3.2 上三角关系矩阵的本质谱 |
| 3.2.1 预备知识 |
| 3.2.2 主要结论及证明 |
| 3.2.3 例子 |
| 第四章 上三角关系矩阵的点谱、剩余谱和连续谱 |
| 4.1 预备知识 |
| 4.2 谱、点谱、剩余谱和连续谱扰动 |
| 4.3 谱和点谱的刻画 |
| 4.4 例子 |
| 第五章 2×2关系矩阵的谱扰动 |
| 5.1 预备知识 |
| 5.2 左(右)谱扰动 |
| 5.3 谱的扰动 |
| 5.4 应用与例子 |
| 总结与展望 |
| 参考文献 |
| 主要符号表 |
| 致谢 |
| 攻读学位期间发表和完成的学术论文 |
（9）延迟非线性系统脉冲控制及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 脉冲控制的研究现状 |
| 1.2.2 混沌控制和反控制的研究现状 |
| 1.2.3 混沌理论证明的研究现状 |
| 1.2.4 存在的问题及解决方案 |
| 1.3 本文的主要工作与结构安排 |
| 2 延迟系统的脉冲控制混沌同步 |
| 2.1 引言 |
| 2.1.1 脉冲微分方程相关概念定义及引理 |
| 2.2 延迟系统的全变量脉冲控制混沌同步 |
| 2.2.1 全变量脉冲控制同步稳定性理论分析 |
| 2.2.2 全变量脉冲控制仿真研究 |
| 2.2.3 全变量脉冲控制实验 |
| 2.3 延迟系统的单变量脉冲控制混沌同步 |
| 2.3.1 单变量脉冲控制同步稳定性理论分析 |
| 2.3.2 单变量脉冲控制同步仿真研究 |
| 2.3.3 单脉冲控制电路实验 |
| 2.4 本章小结 |
| 3 复杂网络单变量脉冲牵制控制混沌同步 |
| 3.1 引言 |
| 3.2 基于自适应同步的复杂网络局部拓扑辨识 |
| 3.2.1 复杂网络局部拓扑辨识问题描述 |
| 3.2.2 复杂网络局部拓扑辨识的方法 |
| 3.3 复杂网络的单变量脉冲牵制控制同步 |
| 3.4 仿真研究 |
| 3.5 本章小结 |
| 4 基于脉冲控制的连续系统混沌反控制方法 |
| 4.1 引言 |
| 4.2 脉冲控制产生混沌原理 |
| 4.2.1 脉冲控制产生混沌方法一般描述 |
| 4.2.2 利用单变量脉冲控制在非混沌Chen系统中产生混沌 |
| 4.3 单变量脉冲控制Chen系统产生混沌的动力学特性分析 |
| 4.3.1 时间序列和功率谱 |
| 4.3.2 分岔图 |
| 4.3.3 Lyapunov指数和Lyapunov维数 |
| 4.3.4 共存吸引子 |
| 4.4 单变量脉冲控制混沌产生方法的电路实现 |
| 4.5 本章小结 |
| 5 脉冲延迟系统中混沌吸引子的拓扑马蹄 |
| 5.1 引言 |
| 5.2 拓扑马蹄基本概念和理论 |
| 5.2.1 符号动力学 |
| 5.2.2 拓扑马蹄理论 |
| 5.3 混沌吸引子中的拓扑马蹄的寻找及应用 |
| 5.3.1 脉冲控制Chen系统中的拓扑马蹄 |
| 5.3.2 延迟反馈Chen系统中的拓扑马蹄 |
| 5.4 本章小结 |
| 6 参数不确定的肿瘤化疗模型的脉冲控制 |
| 6.1 引言 |
| 6.2 肿瘤化疗模型 |
| 6.3 参数不确定的肿瘤化疗模型的状态反馈脉冲控制 |
| 6.3.1 相关定义与引理 |
| 6.3.2 肿瘤化疗模型参数不确定性 |
| 6.3.3 仿真研究 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 本文的主要工作与结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间的主要研究成果 |
（10）文物碎块精细分类与多碎块拼接方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状及主要问题 |
| 1.2.1 三维模型去噪的研究现状 |
| 1.2.2 文物碎块分类的研究现状 |
| 1.2.3 文物碎块拼接的研究现状 |
| 1.2.4 主要问题 |
| 1.3 本文主要研究内容与创新点 |
| 1.3.1 本文研究内容 |
| 1.3.2 创新点 |
| 1.4 本文结构安排 |
| 第二章 基于图拉普拉斯正则化的三维点云去噪方法 |
| 2.1 引言 |
| 2.2 文物点云去噪方法框架 |
| 2.3 基于图拉普拉斯正则化的先验分布 |
| 2.3.1 图和图拉普拉斯矩阵 |
| 2.3.2 图拉普拉斯正则化 |
| 2.4 基于马氏距离的图顶点特征度量 |
| 2.5 基于块自相似性的点云分块 |
| 2.6 马尔可夫图模型的建立 |
| 2.7 基于最大后验准则的点云去噪 |
| 2.7.1 噪声模型的选择 |
| 2.7.2 去噪算法 |
| 2.8 实验结果与分析 |
| 2.8.1 实验设置 |
| 2.8.2 实验数据集 |
| 2.8.3 评估标准 |
| 2.8.4 算法性能分析 |
| 2.8.5 和其他算法的视觉效果对比 |
| 2.8.6 和其他算法的定量分析对比 |
| 2.9 本章小结 |
| 第三章 基于形状特征提取的三维文物碎块精细分类方法 |
| 3.1 引言 |
| 3.2 三维文物碎块分类方法框架 |
| 3.3 低维形状特征描述子的构造 |
| 3.3.1 三维网格的简化 |
| 3.3.2 尺度不变热核特征的提取 |
| 3.3.3 视觉词典的生成 |
| 3.3.4 特征的量化 |
| 3.4 分类算法的设计 |
| 3.4.1 带影响因子的距离加权系数的引入 |
| 3.4.2 多核函数的引入 |
| 3.4.3 MKDSIF-FCM算法描述 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验数据集 |
| 3.5.3 Si-HKS描述子的评估 |
| 3.5.4 模型简化的评估 |
| 3.5.5 Si HKS-Bo W描述子的评估 |
| 3.5.6 MKDSIF-FCM算法的评估 |
| 3.5.7 实验结果分析 |
| 3.5.8 与其他方法的对比 |
| 3.6 本章小结 |
| 第四章 基于深度学习的三维文物碎块精细分类方法 |
| 4.1 引言 |
| 4.2 网络框架 |
| 4.3 文物点云数据的采样 |
| 4.3.1 最远点采样算法 |
| 4.3.2 蒙特卡洛采样算法 |
| 4.4 数据增强网络的设计 |
| 4.5 分类网络的设计 |
| 4.5.1 点云刚性变化问题的解决 |
| 4.5.2 点云无序问题的解决 |
| 4.6 损失函数的设计 |
| 4.6.1 数据增强网络损失函数 |
| 4.6.2 分类网络损失函数 |
| 4.7 实验结果与分析 |
| 4.7.1 实验设置 |
| 4.7.2 实验数据集 |
| 4.7.3 实验结果分析 |
| 4.7.4 网络性能分析 |
| 4.7.5 与其他方法的对比 |
| 4.8 本章小结 |
| 第五章 基于关键点特征描述子的三维文物碎块拼接方法 |
| 5.1 引言 |
| 5.2 三维文物碎块拼接方法框架 |
| 5.3 确定文物碎块之间的相邻关系 |
| 5.3.1 关键点的检测 |
| 5.3.2 FPFH形状描述子的构建 |
| 5.3.3 碎块和模板对应关系的建立 |
| 5.3.4 误匹配的剔除 |
| 5.4 基于快速傅里叶变换的断裂面精细匹配 |
| 5.4.1 傅里叶级数和功率谱 |
| 5.4.2 碎块曲面的分割 |
| 5.4.3 潜在匹配面的搜索 |
| 5.4.4 最优匹配面的确定 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验数据集 |
| 5.5.3 文物表面关键点的提取 |
| 5.5.4 误匹配的删除 |
| 5.5.5 断裂面的精细匹配 |
| 5.5.6 多碎块的拼接 |
| 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 |
| 攻读博士学位期间取得的科研成果 |
| 作者简介 |
四、限秩最大子集问题（论文参考文献）
- [1]复杂噪声背景下的稀疏测向方法研究[D]. 赵洋. 吉林大学, 2021(01)
- [2]基于生成对抗网络的偏振高光谱图像处理与分类算法研究[D]. 牛思聪. 哈尔滨工业大学, 2021
- [3]基于宽度学习的近红外光谱煤炭定性分析研究[D]. 於鑫慧. 中国矿业大学, 2021
- [4]Steiner系及有限环上两类isodual码的理论研究[D]. 徐丽. 安徽大学, 2021
- [5]基于权邻域的社交网络代表性用户抽样研究[D]. 何水苗. 内蒙古大学, 2021(12)
- [6]面向复杂劣化信号的预测健康指数构造方法研究及应用[D]. 王峰. 北京交通大学, 2021
- [7]基于鲸鱼算法的高光谱遥感影像降维方法研究[D]. 张莹. 辽宁师范大学, 2021(08)
- [8]线性关系矩阵的谱性质[D]. 杜燕燕. 内蒙古大学, 2021(11)
- [9]延迟非线性系统脉冲控制及其应用[D]. 田坤. 西安理工大学, 2021(01)
- [10]文物碎块精细分类与多碎块拼接方法研究[D]. 高宏娟. 西北大学, 2021