一、归一化的Haar变换谱系数的图形表示及其与K图的转换（论文文献综述）
房宇[1]（2020）在《汽车内饰件异响识别方法的研究》文中研究说明汽车车室内的异响问题是影响汽车NVH性能的一个重要因素,异响控制水平体现了整车厂在车辆设计、加工、装配等方面的综合能力,逐渐成为消费者购买新车时考虑的因素之一,随着智能化技术的不断进步,工程师对异响问题的诊断方法提出了更高的要求。近年来,智能化的汽车故障识别方法发展迅速,但其中声音识别技术的应用较少,且随着深度神经网络模型的发展,其特征参数仍大多沿用浅层模型中的参数,同时在汽车内饰件异响声源诊断方向缺少系统性的声音识别解决方案。针对以上问题,本文创新性的提出一种基于FBank图谱与卷积神经网络的汽车内饰件异响识别方法,并搭建包含信号降噪、预处理、端点检测等算法的识别流程,主要内容如下:（1）选取车窗共振异响、座椅导轨碰撞异响、手套箱卡扣异响、座椅摩擦异响为研究对象,分析其产生的主要机理,并借助零部件异响实验室和整车四立柱实验室开展异响信号采集实验,结合UrbanSound8K数据集,添加喇叭声与发动机空转声,增加样本多样性,减小系统误触发率。整理得到本文所用样本集。针对实车环境背景噪声干扰大的问题,对基于贝叶斯理论优化的小波阈值降噪算法进行研究,将实验室信号叠加路噪并进行降噪实验,提出使用SNR与Corr值作为降噪效果评价指标,实验表明该方法可有效抑制噪声,在低信噪比条件下效果显着。（2）异响信号的预处理与特征参数提取研究。对信号进行归一化、预加重、分帧加窗的预处理步骤,并提出采用基于短时能量与短时过零率的双门限算法对异响信号进行端点检测,验证不同信噪比下的检测效果,得出在与降噪算法搭配使用的情况下可准确检测异响信号的端点位置。提取传统特征参数Mel频率倒谱系数与时频谱图,针对Mel频率倒谱系数维数间低相关性的特点,提出去除计算过程中的离散余弦变换,进行各帧对数能量谱拼接并得到新特征参数:FBank图谱,用于后续与传统参数进行对比实验。（3）基于卷积神经网络的异响识别研究。针对不同特征参数输入,基于Tensorflow/Keras分别搭建网络结构,并进行模型的训练,观测不同模型的测试精度及训练时长,验证所提出的FBank图谱的提升效果,探究模型中最佳卷积核数量设置,同时采用数据增强与添加Dropout层的方法优化时频谱图模型训练时出现的严重过拟合现象。结果表明FBank图谱模型在实验室信号测试集中的测试精度和训练时长上,相较传统参数均取有较明显的提升,其值分别为89.5%与24s/轮。进行道路试验采集实车异响信号并建立实车测试集,调用预训练模型对降噪前后的测试集进行识别,结果表明FBank图谱模型在降噪后的测试集中可达到83.3%的测试精度,所提出的小波贝叶斯阈值降噪算法与FBank图谱CNN模型组合可在高低信噪比下均达到最佳识别效果。（4）异响识别软件图形用户界面设计研究。将论文识别流程中的各个算法进行集成,基于Matlab的App Designer开发异响识别软件图形用户界面,方便用户的操作。对软件进行功能需求分析与总体方案设计,将软件分为四个子模块并分别对各模块进行编程与界面设计,最后进行功能测试,验证了软件界面的有效性。
张晖东[2]（2020）在《动态虹膜图像特征提取关键技术研究》文中认为当前社会,虹膜识别技术已成为生物识别领域中极为重要的一支。针对虹膜识别技术的研究在社会生活、信息安全等领域具有重大意义。目前,虹膜识别研究对象多是理想状态下的静态虹膜图像。然而在日常生活中,虹膜图像并不是在静止状态下获取的。虹膜采集装置对运动中的虹膜进行采集获得的虹膜图像存在着因运动、离焦等因素造成的图像模糊情况,还可能受到光斑、睫毛等杂物的干扰,因此,其特征提取难度较理想状态更大。本文以动态虹膜图像为研究对象,对动态虹膜图像特征提取关键技术——动态虹膜图像清晰度评价、动态虹膜定位和动态虹膜特征提取进行了研究和改进。本文主要围绕这三个关键阶段做了以下工作:（1）为了研究动态虹膜特征提取关键技术,搭建了动态虹膜采集系统,采集动态虹膜图像并建立了小型的动态虹膜图像库。（2）在清晰度评价阶段,首先介绍了传统的基于梯度的图像清晰度评价方法,又针对动态虹膜图像受到离焦模糊、动态模糊等影响的问题,提出了基于梯度的无参考动态虹膜图像清晰度评价方法,最终得到动态虹膜图像清晰度值,并筛选出清晰度最高的虹膜图像作为后续处理的对象。实验表明,该算法可以精确评价动态虹膜清晰度,且评价更为高效。（3）在动态虹膜定位阶段,首先介绍了几种传统的虹膜定位方法,然后将距离正则化水平集模型运用到动态虹膜定位中,提出一种基于几何特征-距离正则化水平集演化的动态虹膜内边缘定位方法:首先根据虹膜几何特性提出二值化图像二次投影法,并对虹膜内边缘进行粗定位,然后采用改进的距离正则化水平集模型进一步实现虹膜内边缘的精确定位。虹膜外边缘定位,采用Canny边缘检测+霍夫变换的方法实现。最后利用弹性模型将定位后的环状虹膜变换至同一尺度的矩形区域内,并对其做了增强处理,使得虹膜图像纹理更加清晰。实验表明,本文提出的动态虹膜内边缘定位算法定位精度和定位效率较传统方法均有较大提高;本文采用的虹膜外边缘定位算法也是一种可行有效的算法。（4）在动态虹膜的特征提取阶段,首先介绍了几种传统特征提取方法,然后提出了3种Sn-LBP特征提取算法,经实验分析后选取其中可用于特征匹配的Sn+等价模式LBP算法进行特征匹配实验,采用余弦相似度来评价不同虹膜特征之间的相似度。实验结果表明,本算法较传统LBP算法匹配准确率更高。
丁倩[3]（2019）在《水声通信信号调制方法及参数识别研究》文中进行了进一步梳理水声通信信号的调制方式自动识别和参数的自动估计一直以来都是水声通信领域的一个研究热点。在非协作通信中,没有任何先验知识,水下环境的时空变特性,水声信道严重的多径效应和多普勒效应,对截获得未知信号所携带的信息十分困难。针对水声通信领域中的非协作通信,本文在缺乏先验知识的条件下,同时克服水下信道带来的影响,提取接收信号的识别特征参数,实现未知信号的盲识别。本论文的创新点和主要研究内容包括:1.对非协作通信中的载波频率估计、码元宽度估计和调制方式识别进行了理论分析和基于实测海洋信道及噪声的实验研究,并进行了水池和海上实验。2.基于水声信号的相位特征信息,提出了基于Hilbert变换的码元宽度估计算法,并通过公式的推导和仿真的准确率,验证该算法的可行性。该算法在对加入高斯白噪声并经过水声信道的信号的码元宽度估计结果,与基于Haar小波变换算法的结果对比中,验证了本文提出的算法的抗噪性能。3.提取频谱最大值系数与长度的比值和瞬时频率特征参数,识别调幅信号、调频信号和调相信号。采用幅度紧致性指数识别MASK信号,根据调频信号的功率谱的谱峰数目和包络的均值系数在不同阶数的特征是不同的,以此作为MFSK信号的识别特征参数。4.提出基于二次方谱的MPSK信号的调制方式识别算法,通过计算信号的二次方的频谱最大值系数与频谱长度的比值作为区分2PSK信号和4PSK信号的识别参数。相较于基于高阶累积量的识别算法,该算法有更好的稳健性和抗噪性。5.针对提出的参数估计和调制识别算法,进行水池实验,载波频率的估计误差达到在0.1%以下,而调制方式识别的正确率可以达到94.7%。经过海试实验数据,验证了本文提出的码元宽度估计和MPSK信号识别的算法鲁棒性。
郑博文[4]（2019）在《基于深度学习的生物特征识别方法研究》文中进行了进一步梳理生物特征识别已经成为了当今社会不可或缺的一部分,它被应用到了生活、商业以及国家安全之中。本文主要研究的是深度学习中的卷积神经网络在人脸识别与声纹识别领域上的运用。本文针对现有的深度学习在识别上的问题,进行了一系列研究,并在已有的算法上进行改进,提出了自己在卷积神经网络的人脸与声纹识别的改进算法。本文的算法在不影响识别准确率的情况下,减少了网络的训练参数以及训练时间,并增强了网络泛化能力,减少过拟合的可能性。具体如下:（1）通过比较卷积神经网络池化层的几种池化方法,提出了一种改进的池化方法。该方法是将激活函数后激活值进行平方处理,将平方数概率分配后再进行随机池化。使用这种方法不仅可以很好地保留最大值池化方法对于图像纹理特征的提取,还将随机池化的优点运用到其中,保留了图像中的隐含特征被提取的可能性,有效的增强了网络的泛化能力。（2）由于识别的图像可能会因为种种因素干扰而导致识别效果不好,所以针对图像受光照影响、数量少以及图像质量不佳等情况,在图像大小调整和图像去均值的预处理的基础之上,提出了使用直方图均匀化降低光照影响,随机剪裁扩大图片数量减少网络过拟合可能性,使用Gabor小波变换来进行图像增强等操作。接着使用Faster R-CNN网络对LFW数据库进行人脸检测试验,并针对传统的VGG-16网络的三个全连接层的存在会导致网络训练产生大量参数的问题,本文对传统VGG-16网络的加以改进,主要是减少了全连接层的数量,将随机平方数池化方法代替原本的最大值池化方法,又参考GoogLeNet网络方法,将最后一个池化层改为全局平均池化,并在LFW数据库及自建数据库上进行实验,发现有效的减少了网络训练参数,大大的降低了网络训练的时间,且得到了很好识别率。（3）在声纹识别上,对语音信号做量化及预加重处理,再将处理后的语音信息进行分帧与加窗处理,将自建的数字声纹库的声纹信息转化为语谱图,分别使用灰度数字语谱图在LeNet-5网络上进行声纹识别实验,以及三通道的彩色数字语谱图在VGG-16网络上进行声纹实验。最后搭建了一个自动语音识别系统,对实时语音信息进行声纹识别。
张巧文[5]（2018）在《基于ESOP的可逆逻辑综合优化研究》文中研究指明可逆逻辑的研究主要受到低功耗CMOS计算和量子计算的应用推动,不久的将来,电路逻辑上的不可逆操作将成为制约高性能集成电路发展的主因,量子可逆电路可能取代传统不可逆电路解决经典的计算问题。可逆逻辑综合作为量子可逆电路设计中的关键步骤,由于可逆综合问题的复杂度,寻找最优或近优的综合方法仍然是一个开放性问题。基于积之异或和（Exclusive-or Sum-of-Products,ESOP）的可逆逻辑综合方法虽然能处理上百个变量以上的大型逻辑函数而受到重点关注,但生成的可逆电路存在较高的量子成本而有较大的优化空间,本文对基于ESOP的可逆逻辑综合与优化方法进行深入研究,取得的主要成果在于:1.Reed-Muller逻辑的综合:逻辑函数的AND-EXOR式（又称Reed-Muller,RM逻辑）存在多种子类,RM逻辑的复杂程度直接影响可逆逻辑电路的量子成本,可逆逻辑的综合优化问题可在RM域来预先处理。针对ESOP的可扩展综合,将全局空间的最优覆盖搜索简化为多个子空间的最简映射,提出一种基于分层超立方体的ESOP最小化方法;针对规范RM式之间或规范RM式与ESOP之间的快速转换,引入面向立方体的通用改写操作（即转换规则）,提出一种基于立方体的快速转换方法。2.采用MPMCT门的可逆逻辑综合优化:混合极性通用Toffli门（Mixed-Polarity Multiple-Control Toffoli,MPMCT）的可逆级联从功能上与一个ESOP自然对应,但现有综合优化过程存在前、后目标不统一,难以高效地输出更低量子成本的可逆电路。针对单输出函数,通过临时改变逻辑函数的功能获得具有一个更低量子成本的MPMCT网络,提出一种基于预插入CNOT门的综合优化技术;针对多输出函数,利用不同输出函数间存在的结构相似性以及不同立方体之间存在的控制线集相似性来构造MPMCT网络,提出一种基于共享策略的综合优化技术;参考传统多级逻辑综合,引入一种仿射型可逆级联结构,提出一种基于仿射分解的综合技术。3.可逆逻辑电路的复杂度分析:可逆逻辑电路的复杂度作为一种评价可逆综合方法性能的整体度量,可逆门数的上界有利于理解可逆逻辑电路的复杂度以及量子成本。针对可逆电路级,根据单目标门（Single-Target,ST）的线性上界,采用两种分解方法（函数分解与ESOP乘积项级联）将ST门映射为Toffoli门的级联,由此,给出采用MPMCT门实现的更紧上界;针对映射级,基于Barenco、Nielsen和Miller三种映射技术,由此,给出MPMCT门、ST门和一般可逆电路实现的NCT（NOT-Feynman-Toffoli）复杂度。4.可逆逻辑电路的功能实现:利用可逆门进行经典功能电路的设计是可逆逻辑电路设计的研究热点之一。针对加法器（所有数字系统中必不可少的算术部件）的可逆电路设计,为了提高计算效率,提出基于标记的BCD加法器结构;为了改善级联深度,提出基于码转换的BCD加法器结构;为了在单个可逆电路中实现BCD加法/减法功能,构造一个通用的n位可逆BCD加/减法器结构;提出的4种可逆逻辑电路设计比现有设计具有更好的性能,即量子成本、辅助线输入、可逆门数和逻辑深度。本文研究成果在一定程度上提高可逆逻辑综合的效率、降低可逆逻辑电路的量子成本,为可逆逻辑电路的具体功能电路设计以及传统集成电路的可逆改造提供技术基础。
李响[6]（2015）在《铁路机车司机驾驶疲劳评测方法与在线检测技术的研究》文中研究指明铁路运输生产力的高速发展,对铁路行车的安全保障提出了更高要求。由于机车司机的驾驶疲劳是引发铁路行车安全事故的主要原因之一,机务管理部门迫切需求防范机车司机驾驶疲劳的相关先进技术和设备,期望以此减少由机车司机驾驶疲劳所导致的人因事故发生。本文以铁路机车司机这一特殊驾驶领域的作业人员为研究对象,围绕其驾驶疲劳的形成机理、驾驶疲劳的影响因素与风险评价、驾驶疲劳相关音视频表现特征参数的提取与分析、以及多信息融合检测技术等核心问题展开全面深入的理论和实验研究,并以此设计和实现了一个实时、准确、鲁棒的机车司机驾驶疲劳在线检测及预警系统。具体的研究内容如下：（1）针对铁路机车驾驶作业的特殊性,通过对机车司机作业行为、值乘制度以及工作条件等方面的调查研究,系统分析了机车司机驾驶疲劳的形成过程和产生机理。由此,总结了机车司机工作负荷、轮班方式、职业素质和作业环境等方面的多种疲劳影响因素,为机车司机驾驶疲劳的风险评价提供了依据。同时,讨论了司机处于驾驶疲劳状态下,在行为、生理和心理上所可能产生的各种表现特征,以及这些表现特征在驾驶疲劳检测应用方面的适用性和可行性。（2）机车司机的工作负荷计算与驾驶疲劳风险分析。首先,通过对机车司机具体作业任务的层次分解以及各作业任务的需量估计,提出了一种机车司机工作负荷计算方法。该方法以具体机车驾驶任务对人体的需量为研究对象,可以客观准确地反映出司机在执行不同作业任务下的工作负荷指标。随后,采用改进的模糊层次分析法将工作负荷指标与轮班方式、职业素质和线路环境等方面的多种疲劳影响因素指标相结合,建立了机车司机驾驶疲劳风险的多指标评价模型。最终,通过对不同车次不同时段下的机车司机驾驶疲劳风险评价实例,验证了该模型在实际应用时的准确性和有效性。这部分研究所得的驾驶疲劳风险评价结果,不仅能够为司机轮班工作的编排管理上避免驾驶疲劳提供依据；还为多信息融合的驾驶疲劳检测系统提供了概率推理所需的疲劳先验知识。（3）确立了一种基于语音与视频多传感器信息融合的机车司机驾驶疲劳在线检测方案,并对相关的疲劳特征参数进行了提取分析。首先,根据驾驶疲劳对人体发音器官的影响,提取分析了基音频率、共振峰和Mel频标倒谱系数等传统语音特征,以及语音混沌非线性动力学模型下的最大Lyapunov指数、分形维数和近似熵等语音非线性特征与人体疲劳的变化规律,并通过实验验证了这些语音特征与机车司机驾驶疲劳的相关性。其次,为了能够从视频数据中快速、准确、鲁棒地提取司机眼部及面部等多种疲劳特征参数,针对实际机车场景下的光照条件变化以及司机头部倾斜旋转等具体问题,提出了：基于肤色自适应更新模型的图像肤色分割算法,基于Haar特征与Adaboost分类器的人脸识别算法,以及基于Zernike矩特征的人眼定位及开合度识别方法等,一系列逐步缩小特征提取范围的图像处理与识别算法。并在此基础上,提取分析了机车司机的眼部闭合时间百分比、平均闭眼速度、最大持续闭眼时间、平均睁眼程度和眨眼频率等眼部特征,以及哈欠频率和点头频率等司机面部特征在不同疲劳状态下的统计规律。（4）提出一种特征层融合与决策层融合相结合的多信息融合检测方法,将驾驶疲劳风险评价结果以及所提取的多种特征参数综合应用于驾驶疲劳的在线检测。首先在特征层融合部分,采用模糊支持向量机算法设计了多特征驾驶疲劳分类器,并对算法中的样本模糊隶属度函数做了相应改进。随后在决策层融合部分,通过动态贝叶斯网络融合算法,将语音多特征、眼部多特征、哈欠频率和点头频率等四种特征层分类器的初步判决结果与驾驶疲劳风险评价所得的先验知识相结合,以因果概率推理的方式融合得到最终的一致性驾驶疲劳检测结果。实验结果表明,这种多信息融合检测方法不仅能够根据驾驶疲劳的先验风险来自适应地动态调节疲劳判决标准,还可以良好地抑制各特征层分类器的误检和漏检对最终检测结果的影响,从而在整体上表现出良好的驾驶疲劳检测性能。
谢尔曼[7]（2015）在《2D-Haar声学特征超向量生成及大规模说话人识别技术研究》文中提出随着信息技术的发展，信息系统越来越深入地融入社会生活，信息安全的重要性日益凸显。在身份认证和敏感信息监控领域，生物识别技术正得到越来越多的研究与应用。说话人识别（Speaker Recognition, SR，又称声纹识别）由于部署简单、成本低廉，一直是生物识别技术的一个重要分支。近年来，随着各类模式识别算法（例如模板匹配法、概率统计法、机器学习分类器方法等）以及特征向量处理技术（例如基于机器学习和数据挖掘方法的特征筛选、特征向量构造等）研究的日益深入，各类说话人识别系统的准确性逐渐提高，应用不断扩展。在目前的说话人识别研究中，当目标说话人的规模不断增加时，说话人识别的准确率随之衰减。本文针对该问题，研究相应的特征向量生成方法、说话人分类器的训练方法以及说话人识别的并行计算方法，论文的主要工作成果和创新包括：1.提出了一种利用声学特征图，声学特征可筛选，能有效提高识别准确率的2D-Haar声学特征超向量生成方法目前常见的音频特征向量生成方法，难以进行时序信息与跨维度信息的联合分析。通过对一定数量的连续音频帧的常用声学帧特征值进行跨维度、跨帧的加减运算，建立维数达到数十万的声学特征Haar-like模式，再根据不同的音频识别任务，用机器学习算法在高维Haar-like模式空间中进行特征筛选，即可生成2D-Haar声学特征超向量。该特征超向量的潜在维数可以更高，并可针对具体的识别应用筛选出不同的Haar-like模式，提升特征向量的表达能力，从而提高识别准确率。实验结果表明，在音频事件识别、说话人识别、说话人性别识别三种应用中，2D-Haar声学特征超向量都获得了比常用声学帧特征更高的总体准确率，可使SVM、AdaBoost、C5.0三种算法的总体准确率最高获得4.2%到9.5%的提升。2.提出了一种利用随机模式筛选特征的2D-Haar声学特征超向量生成快速计算方法2D-Haar声学特征超向量生成过程中，声学特征的Haar-like模式的筛选耗时较长，可通过优化Haar-like模式的筛选过程以提升计算效率，即在每轮迭代过程中，并不是对所有的Haar-like模式进行筛选，而是对随机选定的、特定个数的Haar-like模式进行迭代运算，在保证识别效果的前提下精简筛选过程、提升计算速度。实验结果表明，与常用声学帧特征相比，快速计算方法的训练速度是前者的2.9-6.8倍，识别速度是前者的4.9-8.9倍，并可获最高4.8%-8.8%的准确率提升。3.提出了一种通过两次迭代训练能有效降低目标说话人规模对识别准确率影响的说话人识别方法随着目标说话人规模的增加，特征空间中的样本密度持续提高，从而造成识别准确率不断衰减。提出一种通过两次迭代训练能有效降低目标说话人规模对识别准确率影响的说话人识别方法。在特征向量生成环节，针对不同说话人筛选出不同的Haar-like模式组合，生成因人而异的2D-Haar声学特征超向量，代替常用声学帧特征以提高不同说话人特征向量之间的差异、降低特征空间中的样本密度。在说话人分类器训练环节，利用AdaBoost.MH算法“当弱分类器个数大于特征维数时准确率更优”的特性，训练一个弱分类器个数大于2D-Haar声学特征超向量维数的说话人分类器，提高说话人分类器样本划分的准确性。实验结果表明，与GMM-SVM算法相比，该方法的识别速度更快，准确率更高，识别准确率随说话人规模增加而衰减的趋势更缓，在不同目标说话人规模下，该方法的平均识别准确率比GMM-SVM算法高2.5%。4.提出了一种利用CPU多核技术，支持大规模目标说话人识别应用的说话人识别并行处理方法CPU多核技术可提升大规模说话人的识别效率，提出ERF算法，构建说话人识别并行处理方法。ERF算法不存在贯穿始终的迭代运算，可通过程序并行化获得更高的效率提升。利用操作系统脚本进行16核并行运算时，并行ERF方法的训练倍速为5.53，是并行GMM-SVM方法的2.3倍、并行Turbo-Boost方法的2.2倍；并行ERF方法的识别倍速为8.33，是并行GMM-SVM方法的1.9倍、并行Turbo-Boost方法的1.3倍。此外，ERF算法在训练开始前对非目标说话人的特征超向量进行有放回随机取样，平衡训练集内非目标说话人与目标说话人的数据量，能够缓解大规模说话人分类器训练样本数据的不平衡问题。实验结果表明，随着说话人规模的不断增加，所提方法识别准确率的衰减趋势更缓；不同目标说话人规模下，该方法平均识别准确率比采用GMM-SVM算法提高2.7%。
王勇超[8]（2010）在《CRM展开系数与谱系数之间的直接转换算法》文中提出通过引入了n-dj系数,提出了实现CRM展开系数与谱系数之间直接互相转换的矩阵算法,并给出了相应的dj图与谱系数图的图形转换算法.实例表明,图形转换法具有简单、直接、方便的特点.
肖林荣,乔岸红,吴伟雄[9]（2009）在《(0,1)编码的归一化Haar变换谱系数的图形表示及其与K图的转换》文中提出基于（+1,-1）的谱技术在数字逻辑中有许多应用.为了进一步补充谱技术理论,从归一化的Haar矩阵出发,通过对矩阵的性质分析,提出了（0,1）编码的归一化的Haar变换谱系数图——R谱系数图;提出了R谱系数图与K图的基于折叠加减的图形互换法,并举例说明了转换过程.应用表明,对5变量以下的函数该方法具有简单、直观和准确的特点.进一步完善了（0,1）编码的谱技术理论,有助于开拓谱技术在数字电路故障检测等方面的应用.
王勇超[10]（2009）在《谱系数图与dj图在0-1编码空间的图形互换》文中提出从函数最小项系数与基于（0,1）空间的谱系数以及dj系数的关系出发,引入了p-dj系数与反谱系数,进而提出了（0,1）空间的谱系数与dj系数的互换算法,并给出了相应的图形转换方法.实例表明,图形转换法具有简单、直接、方便的特点.
二、归一化的Haar变换谱系数的图形表示及其与K图的转换（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、归一化的Haar变换谱系数的图形表示及其与K图的转换（论文提纲范文）
（1）汽车内饰件异响识别方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 故障识别技术研究现状 |
| 1.2.2 声音模式识别技术研究现状 |
| 1.3 论文研究内容 |
| 第二章 异响信号采集实验与降噪处理 |
| 2.1 汽车内饰件异响的产生 |
| 2.1.1 异响的分类 |
| 2.1.2 内饰件异响产生的原因 |
| 2.2 异响信号采集实验与数据集建立 |
| 2.2.1 异响试验环境及设备 |
| 2.2.2 异响信号采集试验 |
| 2.2.3 异响数据集整理 |
| 2.3 异响信号降噪方法研究 |
| 2.3.1 小波分析理论 |
| 2.3.2 小波贝叶斯阈值降噪算法 |
| 2.3.3 降噪算法实验与结果评价 |
| 2.4 本章小结 |
| 第三章 异响信号预处理与特征参数提取研究 |
| 3.1 异响信号的预处理 |
| 3.1.1 归一化 |
| 3.1.2 预加重 |
| 3.1.3 分帧加窗 |
| 3.2 异响信号的端点检测 |
| 3.2.1 基于短时能量与短时过零率的双门限端点检测法 |
| 3.2.2双门限端点检测算法实验 |
| 3.3 特征参数提取 |
| 3.3.1 Mel频率倒谱系数MFCC |
| 3.3.2 FBank图谱特征参数 |
| 3.3.3 时频谱图提取 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的异响识别 |
| 4.1 卷积神经网络简述 |
| 4.1.1 卷积层 |
| 4.1.2 池化层 |
| 4.2 卷积神经网络模型构建 |
| 4.2.1 模型训练环境搭建 |
| 4.2.2 不同特征参数输入的模型构建 |
| 4.3 模型训练及结果分析 |
| 4.3.1 MFCC输入的模型训练 |
| 4.3.2 FBank图谱输入的模型训练 |
| 4.3.3 时频谱图输入的模型训练 |
| 4.3.4 不同特征参数下模型性能对比分析 |
| 4.4 实车道路信号测试集识别 |
| 4.5 本章小结 |
| 第五章 异响识别图形用户界面的设计 |
| 5.1 异响识别软件功能需求分析 |
| 5.2 异响识别软件总体方案设计 |
| 5.3 异响识别软件子模块设计 |
| 5.3.1 信号采集模块 |
| 5.3.2 信号处理模块 |
| 5.3.3 特征提取模块 |
| 5.3.4 模型识别模块 |
| 5.4 异响识别软件功能测试 |
| 5.5 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 |
| 攻读硕士期间的研究成果 |
（2）动态虹膜图像特征提取关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 虹膜识别系统组成 |
| 1.3 国内外研究现状 |
| 1.4 虹膜识别技术存在的问题 |
| 1.5 本文研究内容与章节安排 |
| 第2章 虹膜生理特性及虹膜图像采集 |
| 2.1 虹膜生理特性 |
| 2.2 虹膜图像采集与虹膜库 |
| 2.2.1 本文动态虹膜库的建立 |
| 2.2.2 虹膜库简介 |
| 2.3 本章小结 |
| 第3章 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.1 基于梯度的虹膜图像清晰度评价方法 |
| 3.1.1 基于梯度的图像清晰度评价方法 |
| 3.1.2 实验与分析 |
| 3.2 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.2.1 基于梯度的无参考图像清晰度评价方法 |
| 3.2.2 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.2.3 实验与分析 |
| 3.3 本章小结 |
| 第4章 基于几何特性-正则化水平集演化的动态虹膜定位方法 |
| 4.1 传统虹膜定位算法 |
| 4.1.1 微积分算子定位法 |
| 4.1.2 边缘检测+霍夫变换定位法 |
| 4.1.3 一种非理想成像条件下的虹膜定位方法 |
| 4.1.4 三种算法的特点 |
| 4.2 基于几何特征-距离正则化水平集的虹膜内边缘定位方法 |
| 4.2.1 距离正则化水平集演化理论 |
| 4.2.2 基于几何特征-距离正则化水平集的动态虹膜内边缘定位方法 |
| 4.2.3 实验与分析 |
| 4.3 Canny边缘检测+霍夫变换的动态虹膜外边缘定位方法 |
| 4.3.1 Canny边缘检测+霍夫变换定位方法 |
| 4.3.2 实验与分析 |
| 4.4 虹膜图像归一化及增强 |
| 4.4.1 虹膜图像归一化 |
| 4.4.2 虹膜图像直方图增强 |
| 4.5 本章小结 |
| 第5章 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.1 传统特征提取方法 |
| 5.1.1 二维Gabor滤波特征提取法 |
| 5.1.2 Haar特征提取法 |
| 5.1.3 HOG特征提取法 |
| 5.1.4 三种特征提取方法的特点 |
| 5.2 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.2.1 传统LBP特征提取算法 |
| 5.2.2 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.2.3 实验与分析 |
| 5.3 动态虹膜特征匹配 |
| 5.3.1 虹膜特征相似度与匹配指标 |
| 5.3.2 实验与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结与创新 |
| 6.2 有待进一步解决的问题 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（3）水声通信信号调制方法及参数识别研究（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 信号参数估计研究现状 |
| 1.2.2 调制方式自动识别研究现状 |
| 1.3 论文主要内容 |
| 第二章 水声信道与信号分析 |
| 2.1 引言 |
| 2.2 水声信道特性和模型 |
| 2.2.1 水下噪声 |
| 2.2.2 水声信道特性 |
| 2.2.3 水声信道模型 |
| 2.3 通信调制信号 |
| 2.3.1 多进制振幅键控信号 |
| 2.3.2 多进制频移键控信号 |
| 2.3.3 多进制相移键控信号 |
| 2.4 基于海洋信道仿真 |
| 2.5 本章小结 |
| 第三章 水声信号调制参数估计 |
| 3.1 引言 |
| 3.2 载波频率估计 |
| 3.2.1 频率居中法 |
| 3.2.2 高阶谱载频估计法 |
| 3.2.3 Welch变换载频估计法 |
| 3.2.4 基于AR模型载频估计法 |
| 3.2.5 仿真分析 |
| 3.3 码元宽度估计 |
| 3.3.1 基于瞬时特征码宽估计法 |
| 3.3.2 基于小波变换码宽估计法 |
| 3.3.3 基于希尔伯特变换码宽估计法 |
| 3.3.4 仿真分析 |
| 3.4 本章小结 |
| 第四章 基于支持向量机调制方式识别 |
| 4.1 引言 |
| 4.2 支持向量机 |
| 4.2.1 SVM基本理论 |
| 4.2.2 LIBSVM工具箱原理 |
| 4.3 识别特征与性能仿真 |
| 4.3.1 类间识别特征 |
| 4.3.2 MASK信号识别特征 |
| 4.3.3 MFSK信号识别特征 |
| 4.3.4 MPSK信号识别特征 |
| 4.4 调制方式识别结果仿真与分析 |
| 4.5 本章小结 |
| 第五章 实验研究 |
| 5.1 引言 |
| 5.2 水池实验 |
| 5.2.1 水池环境 |
| 5.2.2 水池实验参数 |
| 5.2.3 参数估计结果 |
| 5.2.4 调制识别结果 |
| 5.3 海洋实验 |
| 5.3.1 海洋实验参数 |
| 5.3.3 参数估计结果 |
| 5.3.4 调制识别结果 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文主要研究工作 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 论文发表情况 |
| 致谢 |
（4）基于深度学习的生物特征识别方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 生物特征识别的背景与研究意义 |
| 1.2 生物特征识别技术与系统结构 |
| 1.2.1 人脸识别技术 |
| 1.2.2 人脸识别系统的结构 |
| 1.2.3 声纹识别技术 |
| 1.2.4 声纹识别系统的结构 |
| 1.3 本文的主要工作与论文结构安排 |
| 1.3.1 本文的主要工作 |
| 1.3.2 论文结构安排 |
| 2.卷积神经网络 |
| 2.1 引言 |
| 2.2 BP神经网络 |
| 2.2.1 神经元结构 |
| 2.2.2 BP神经网络结构 |
| 2.2.3 反向误差传播算法 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络的独特性 |
| 2.3.3 卷积层 |
| 2.3.4 池化层 |
| 2.3.5 改进的池化方法 |
| 2.3.6 全连接层 |
| 2.3.7 Softmax分类 |
| 2.4 卷积神经网络的训练过程 |
| 2.4.1 前向传播训练阶段 |
| 2.4.2 反向传播训练阶段 |
| 2.4.3 网络训练流程 |
| 2.5 本章小结 |
| 3.基于卷积神经网络的人脸检测与识别 |
| 3.1 数据基本预处理 |
| 3.1.1 图像大小调整 |
| 3.1.2 图像去均值 |
| 3.2 图像数据增强 |
| 3.2.1 随机剪裁 |
| 3.2.2 直方图均匀化 |
| 3.2.3 小波变换 |
| 3.2.4 Gabor小波变换 |
| 3.3 人脸数据库 |
| 3.3.1 标准人脸数据库 |
| 3.3.2 自建的人脸数据库 |
| 3.4 传统人脸检测方法 |
| 3.4.1 Harr特征和积分图 |
| 3.4.2 Adaboost算法与分类器级联 |
| 3.5 Faster R-CNN网络 |
| 3.6 卷积神经网络人脸检测试验 |
| 3.6.1 LFW人脸库实验 |
| 3.6.2 自建的人脸数据库实验 |
| 3.7 人脸识别的卷积神经网络 |
| 3.7.1 VGG卷积神经网络 |
| 3.7.2 改进的VGG卷积神经网络 |
| 3.8 卷积神经网络的人脸识别实验 |
| 3.8.1 LFW数据库实验 |
| 3.8.2 自建人脸数据库实验 |
| 3.9 本章小结 |
| 4.基于卷积神经网络的声纹识别 |
| 4.1 语音信息预处理 |
| 4.1.1 语音的量化与预加重 |
| 4.1.2 语音的分帧与加窗 |
| 4.1.3 语谱图 |
| 4.2 语音声纹数据库 |
| 4.3 基于卷积神经网络的语谱图声纹识别 |
| 4.3.1 语谱图的声纹识别 |
| 4.3.2 声纹识别的卷积神经网络 |
| 4.4 卷积神经网络的声纹识别实验 |
| 4.4.1 LeNet-5 网络的语谱图识别 |
| 4.4.2 VGG-16 网络的语谱图识别 |
| 4.5 卷积神经网络的自动声纹识别系统 |
| 4.5.1 声纹识别系统算法流程 |
| 4.5.2 声纹识别系统 |
| 4.6 本章小结 |
| 5.总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（5）基于ESOP的可逆逻辑综合优化研究（论文提纲范文）
| 引言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 综合方法现状 |
| 1.2.2 分析与总结 |
| 1.3 研究内容及论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 2 逻辑代数与可逆逻辑 |
| 2.1 布尔代数 |
| 2.2 可逆逻辑 |
| 2.2.1 可逆函数 |
| 2.2.2 可逆门 |
| 2.2.3 可逆电路 |
| 2.3 量子计算 |
| 2.3.1 量子系统 |
| 2.3.2 量子电路 |
| 2.4 电路成本 |
| 2.4.1 可逆成本 |
| 2.4.2 量子代价 |
| 2.5 本章小结 |
| 3 Reed-Muller逻辑的综合 |
| 3.1 研究现状 |
| 3.2 研究策略 |
| 3.3 ESOP的最小化 |
| 3.3.1 问题描述 |
| 3.3.2 最小化策略 |
| 3.3.3 基于立方体的ESOP最小化 |
| 3.4 规范RM式的转换 |
| 3.4.1 规范RM式 |
| 3.4.2 EXOR分解树 |
| 3.4.3 规范式的快速转换 |
| 3.5 算法描述 |
| 3.6 实验及结果分析 |
| 3.7 本章小结 |
| 4 采用MPMCT门的可逆逻辑综合优化 |
| 4.1 研究基础 |
| 4.1.1 研究现状 |
| 4.1.2 基本方法 |
| 4.2 基于CNOT插入的优化技术 |
| 4.2.1 优化策略 |
| 4.2.2 MPMCT的优化规则 |
| 4.2.3 CNOT门的插入方法 |
| 4.2.4 算法实现 |
| 4.2.5 实验测试 |
| 4.2.6 小结 |
| 4.3 基于共享策略的优化技术 |
| 4.3.1 研究策略 |
| 4.3.2 问题构建 |
| 4.3.3 立方体的共享 |
| 4.3.4 文字的共享 |
| 4.3.5 实验测试 |
| 4.3.6 小结 |
| 4.4 基于仿射分解的综合技术 |
| 4.4.1 基本定义 |
| 4.4.2 仿射型可逆网络 |
| 4.4.3 逻辑函数的仿射分解 |
| 4.4.4 基于仿射分解的综合算法 |
| 4.4.5 实验测试 |
| 4.4.6 小结 |
| 4.5 本章小结 |
| 5 可逆逻辑电路的复杂度分析 |
| 5.1 研究现状 |
| 5.2 研究方案 |
| 5.3 可逆电路级的复杂度分析 |
| 5.3.1 采用ST门的可逆电路 |
| 5.3.2 采用MPMCT门的可逆电路 |
| 5.4 映射级的复杂度分析 |
| 5.4.1 映射技术 |
| 5.4.2 NCT复杂度 |
| 5.5 本章小结 |
| 6 可逆逻辑电路的功能实现 |
| 6.1 研究现状 |
| 6.2 多目标可逆门 |
| 6.3 基于标记的可逆BCD加法器 |
| 6.3.1 实现电路1(采用PG门) |
| 6.3.2 实现电路2(采用HNG门) |
| 6.4 基于码转换的可逆BCD加法器 |
| 6.5 可逆BCD加/减法器 |
| 6.6 比较与验证 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
| Abstract of Thesis |
| 论文摘要 |
（6）铁路机车司机驾驶疲劳评测方法与在线检测技术的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 机务管理部门的需求分析 |
| 1.1.3 研究目的和意义 |
| 1.2 国内外相关研究的现状 |
| 1.2.1 驾驶疲劳产生机理的研究历史与现状 |
| 1.2.2 驾驶类工作负荷测评的研究现状 |
| 1.2.3 驾驶疲劳影响因素指标与风险评价体系的研究现状 |
| 1.2.4 驾驶疲劳测量方法的研究现状 |
| 1.2.5 车载或机载驾驶疲劳检测装置的现状分析 |
| 1.3 论文的研究思路和组织结构 |
| 1.4 论文的主要内容 |
| 2 机车司机驾驶疲劳的形成机理研究 |
| 2.1 机车司机的驾驶作业特点分析 |
| 2.1.1 机车司机的作业行为 |
| 2.1.2 机车司机的值乘制度 |
| 2.1.3 机车司机的工作环境及劳动时间标准 |
| 2.2 机车司机驾驶疲劳的形成过程及机理分析 |
| 2.2.1 机车司机驾驶疲劳的行为模式分析 |
| 2.2.2 机车司机驾驶疲劳的生理学产生机理分析 |
| 2.2.3 机车司机驾驶疲劳的心理学产生机理分析 |
| 2.3 机车司机驾驶疲劳的影响因素 |
| 2.4 机车司机驾驶疲劳的表现特征 |
| 2.4.1 机车司机驾驶疲劳的行为表现特征 |
| 2.4.2 机车司机驾驶疲劳的生理表现特征 |
| 2.4.3 机车司机驾驶疲劳的心理表现特征 |
| 2.5 本章小结 |
| 3 机车司机的工作负荷计算与驾驶疲劳风险分析 |
| 3.1 机车司机的工作任务分析与工作负荷计算 |
| 3.1.1 驾驶类工作任务的认知模型 |
| 3.1.2 机车司机作业任务的层次分解 |
| 3.1.3 机车司机任务模块划分及基本作业行为要素的构建 |
| 3.1.4 任务执行规则、作业行为持续时间及任务需量的确定 |
| 3.1.5 机车司机的任务序列、起止时间和工作负荷计算 |
| 3.1.6 工作负荷计算方法在机车驾驶领域的应用 |
| 3.2 不同作业时段下机车司机的驾驶疲劳风险评价方法 |
| 3.2.1 机车司机驾驶疲劳风险评价指标体系的建立 |
| 3.2.2 机车司机驾驶疲劳风险评价指标的分析与量化 |
| 3.2.3 机车司机驾驶疲劳风险评价指标的赋权方法 |
| 3.2.4 机车司机驾驶疲劳风险评价模型各权重参数的确定 |
| 3.3 不同时段下机车司机的驾驶疲劳风险评价及分析实例 |
| 3.3.1 实例情况 |
| 3.3.2 不同车次不同时段下的机车司机工作负荷分析 |
| 3.3.3 不同车次不同时段下的机车司机驾驶疲劳风险预测与分析 |
| 3.3.4 机车司机驾驶疲劳风险评价的意义与应用 |
| 3.4 本章小结 |
| 4 机车司机驾驶疲劳在线检测方案及相关特征的提取与分析 |
| 4.1 机车司机驾驶疲劳在线检测方案的确定 |
| 4.1.1 多传感器信息融合的驾驶疲劳在线检测方案 |
| 4.1.2 基于语音信号处理的驾驶疲劳检测方案 |
| 4.1.3 基于视频信号处理的驾驶疲劳检测方案 |
| 4.2 机车司机语音疲劳特征参数的提取与分析 |
| 4.2.1 语音信号的数学模型 |
| 4.2.1.1 经典激励源-滤波器模型 |
| 4.2.1.2 语音信号的非线性动力学模型 |
| 4.2.2 人体疲劳对语音信号的影响 |
| 4.2.2.1 疲劳时激励源-滤波器模型的参数变化 |
| 4.2.2.2 疲劳对语音非线性动力学特性的影响 |
| 4.2.3 语音疲劳特征参数的提取方法 |
| 4.2.3.1 传统语音特征参数的提取 |
| 4.2.3.2 语音非线性特征参数的提取 |
| 4.2.4 语音疲劳特征参数的实验分析 |
| 4.3 机车司机眼部及面部疲劳特征参数的提取与分析 |
| 4.3.1 机车司机的人脸区域检测 |
| 4.3.1.1 基于自适应更新肤色模型的预分割 |
| 4.3.1.2 基于Haar特征与Adaboost分类器的人脸区域检测 |
| 4.3.2 机车司机的人眼定位与开合度状态识别 |
| 4.3.2.1 基于Zernike矩特征的人眼定位 |
| 4.3.2.2 基于旋转角度修正的人眼开合度状态识别 |
| 4.3.3 眼部疲劳特征的提取与分析 |
| 4.3.3.1 眼部多特征参数的提取方法 |
| 4.3.3.2 眼部特征参数的实验分析及最优时间窗确定 |
| 4.3.4 面部疲劳特征的提取与分析 |
| 4.3.4.1 嘴部YawnFreq特征和头部NodFreq特征的提取 |
| 4.3.4.2 YawnFreq和NodFreq特征的实验分析 |
| 4.4 本章小结 |
| 5 多信息融合的机车司机驾驶疲劳在线检测及预警技术研究 |
| 5.1 信息融合的原理及方案 |
| 5.1.1 信息融合的基本原理与分类 |
| 5.1.2 特征层与决策层信息融合的多分类器混联结构 |
| 5.1.3 融合疲劳特征信息及疲劳风险信息的驾驶疲劳在线检测方案 |
| 5.2 基于模糊支持向量机的特征层信息融合方法 |
| 5.2.1 模糊支持向量机算法 |
| 5.2.2 基于FSVM分类器的语音多特征驾驶疲劳检测模型 |
| 5.2.2.1 语音多特征-FSVM分类检测模型的搭建 |
| 5.2.2.2 语音多特征-FSVM分类检测模型的实验验证 |
| 5.2.3 基于FSVM分类器的眼部多特征驾驶疲劳检测模型 |
| 5.2.3.1 眼部多特征-FSVM分类检测模型的搭建 |
| 5.2.3.2 眼部多特征-FSVM分类检测模型的实验验证 |
| 5.3 基于动态贝叶斯网络的决策层信息融合方法 |
| 5.3.1 基于贝叶斯网络的信息融合方法 |
| 5.3.2 基于动态贝叶斯网络决策层信息融合的驾驶疲劳模式推断 |
| 5.3.2.1 驾驶疲劳多信息融合的DBN网络结构 |
| 5.3.2.2 驾驶疲劳多信息融合的DBN网络参数 |
| 5.3.3 机车司机驾驶疲劳的决策层多信息融合判决模型 |
| 5.3.4 驾驶疲劳多信息融合判决模型的实验验证 |
| 5.3.4.1 决策层信息融合判决模型的动态性能验证 |
| 5.3.4.2 多信息融合算法整体检测性能的实验验证 |
| 5.4 机车司机驾驶疲劳在线检测及预警系统的设计、实现与应用 |
| 5.4.1 系统的总体设计方案 |
| 5.4.2 系统的软硬件设计与实现 |
| 5.4.3 机车司机驾驶疲劳在线检测及预警系统的应用 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 附录C |
| 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）2D-Haar声学特征超向量生成及大规模说话人识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 图索引 |
| 表索引 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究历史和现状 |
| 1.2.1 发展简史 |
| 1.2.2 研究现状 |
| 1.2.3 研究热点和发展趋势 |
| 1.3 问题总结与分析 |
| 1.4 研究内容和结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 第2章 涉及的相关知识基础 |
| 2.1 引言 |
| 2.2 基本理论 |
| 2.2.1 说话人识别基本原理 |
| 2.2.2 信号预处理 |
| 2.2.3 特征参数提取 |
| 2.2.4 特征向量生成 |
| 2.2.5 说话人识别系统的性能评价方法 |
| 2.3 GMM-UBM 算法体系 |
| 2.3.1 UBM 训练 |
| 2.3.2 目标说话人模型训练 |
| 2.3.3 说话人比较判别 |
| 2.4 GMM-SVM 算法体系 |
| 2.4.1 GMM 特征超向量生成 |
| 2.4.2 SVM 说话人建模和识别 |
| 2.5 小结 |
| 第3章 2D-Haar 声学特征超向量生成 |
| 3.1 引言 |
| 3.2 主要技术和方法分析 |
| 3.2.1 主要技术和方法 |
| 3.2.2 问题分析 |
| 3.3 2D-Haar 声学特征超向量 |
| 3.3.1 算法设计 |
| 3.3.2 实验及分析 |
| 3.4 2D-Haar 声学特征超向量生成的快速计算方法 |
| 3.4.1 问题讨论 |
| 3.4.2 算法设计 |
| 3.4.3 实验及分析 |
| 3.5 小结 |
| 第4章 说话人 2D-Haar 声学特征超向量识别方法 |
| 4.1 引言 |
| 4.2 主要技术和方法分析 |
| 4.2.1 主要技术和方法 |
| 4.2.2 分析讨论与问题提出 |
| 4.3 算法设计 |
| 4.3.1 算法原理 |
| 4.3.2 Turbo-Boost 分类算法 |
| 4.3.3 段识别结果融合 |
| 4.4 实验及分析 |
| 4.4.1 训练数据不平衡对识别效果的影响分析 |
| 4.4.2 Turbo-Boost 算法参数设置对识别效果的影响分析 |
| 4.4.3 说话人 2D-Haar 声学特征超向量识别方法的识别性能实验 |
| 4.5 小结 |
| 第5章 说话人随机森林并行处理识别方法 |
| 5.1 引言 |
| 5.2 主要技术和方法分析 |
| 5.2.1 主要技术和方法 |
| 5.2.2 讨论分析与问题提出 |
| 5.3 算法设计 |
| 5.3.1 算法原理 |
| 5.3.2 ERF 分类算法 |
| 5.3.3 段识别结果融合 |
| 5.4 实验及分析 |
| 5.4.1 ERF 算法参数对识别效果的影响分析 |
| 5.4.2 说话人随机森林并行处理识别方法识别准确性实验 |
| 5.4.3 ERF 算法并行部署效率实验 |
| 5.5 小结 |
| 第6章 结束语 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
| 作者简介 |
（8）CRM展开系数与谱系数之间的直接转换算法（论文提纲范文）
| 0 引 言 |
| 1 实现谱系数与CRM展开系数直接相互转换的矩阵算法 |
| 2 谱系数与dj图的图形转换 |
| 2.1 谱系数图至dj图的图形转换 |
| 2.2 dj图至谱系数图的图形转换 |
| 3 结 论 |
（9）(0,1)编码的归一化Haar变换谱系数的图形表示及其与K图的转换（论文提纲范文）
| 1 基于 (0, 1) 编码的归一化Haar变 |
| 2 基于 (0, 1) 编码的归一化Haar变换谱系数图与K图相互转换的图形方法 |
| 2.1 K图至R谱系数图的图形转换 |
| (1) 画K图, 对变量x1作折叠加减运算: |
| (2) 对变量x2作折叠加减运算: |
| (3) 依次对变量x3, x4, …, xn作折叠加减运算直至获得全部谱系数. |
| 2.2 R谱系数图至K图的图形转换 |
| 3 结 论 |
（10）谱系数图与dj图在0-1编码空间的图形互换（论文提纲范文）
| 0 引 言 |
| 1 基于 (0, 1) 编码函数值列矢量的谱系数与CRM展开系数相互转换算法 |
| 2 基于0-1编码空间的谱系数图至dj图的图形转换 |
| 2.1 基于0-1编码空间的谱系数图至dj系数图的图形转换 |
| 2.2 基于0-1编码空间的dj图至谱系数图的图形转换 |
| 3 结 论 |
四、归一化的Haar变换谱系数的图形表示及其与K图的转换（论文参考文献）
- [1]汽车内饰件异响识别方法的研究[D]. 房宇. 江苏大学, 2020(02)
- [2]动态虹膜图像特征提取关键技术研究[D]. 张晖东. 桂林理工大学, 2020(01)
- [3]水声通信信号调制方法及参数识别研究[D]. 丁倩. 厦门大学, 2019(07)
- [4]基于深度学习的生物特征识别方法研究[D]. 郑博文. 辽宁科技大学, 2019(01)
- [5]基于ESOP的可逆逻辑综合优化研究[D]. 张巧文. 宁波大学, 2018(06)
- [6]铁路机车司机驾驶疲劳评测方法与在线检测技术的研究[D]. 李响. 北京交通大学, 2015(12)
- [7]2D-Haar声学特征超向量生成及大规模说话人识别技术研究[D]. 谢尔曼. 北京理工大学, 2015(07)
- [8]CRM展开系数与谱系数之间的直接转换算法[J]. 王勇超. 浙江大学学报(理学版), 2010(02)
- [9](0,1)编码的归一化Haar变换谱系数的图形表示及其与K图的转换[J]. 肖林荣,乔岸红,吴伟雄. 浙江大学学报(理学版), 2009(05)
- [10]谱系数图与dj图在0-1编码空间的图形互换[J]. 王勇超. 浙江大学学报(理学版), 2009(04)