一、并行模型组合方法中卷积噪声的估计方法（论文文献综述）
王叶斐[1]（2021）在《多模型联合优化的图像视频编码关键技术研究》文中认为随着如4K直播,远程会议,监控视频系统等应用的快速发展,图像视频数据量的爆炸式增长,海量图像视频数据的高效存储和传输给编码压缩技术带来前所未有的挑战。因此,探索更高效的图像视频压缩技术,进一步提升压缩的效率,是图像视频编码的根本目标。而编码问题本质是一个率失真优化问题。传统的编码方法主要采用了混合编码框架,这种方法依据图像处理以及计算机视觉的相关经验,通过人工设计算法如预测编码算法,变换编码算法,以及熵编码算法等一步步去除视频图像中的信息冗余,从而实现压缩。并在每一步通过多个不同压缩模式的优选来解率失真优化问题。但这种方法存在两个问题,一方面它首先高度依赖人工设计算法和参数调优,由于人工经验的局限性,在一些复杂或特殊场景下,算法的效率往往较低。另一方面不同模块的优化都是独立的,而没有考虑每个模块之间的联动,理论上会导致率失真优化处于局部最优。本文针对过去编码框架中多模型应用过程中存在的问题,首先研究在传统编码框架下的精准模型设计与多模型组合优选算法;然后将端到端压缩方法和传统框架结合,研究基于集成学习的端到端压缩算法;最后在此基础上将多模型编码代价也引入多模型训练,研究多模型率失真的联合优化。论文主要的研究工作与贡献如下:（1）本文针对传统编码框架下多模型精度差的问题,研究面向复杂场景的精准模型设计和多模型组合优化算法。对全景视频中存在的复杂运动畸变,首先从数学理论推导的角度设计一种基于球坐标变换的帧间预测运动模型,该运动模型可以更好刻画全景视频中的运动畸变。随后设计新运动模型的帧间编码算法,包括运动补偿算法和运动估计算法,并通过一些巧妙的方法简化算法并将其集成到现有编码框架。最后将新模型与现有框架中的多种运动模型相互融合,实现多运动模型的组合和快速优选算法。实验表明新运动模型和多模型组合优化方法可以有效提升帧间预测精度,提高对全景视频的压缩率,并降低解码复杂度。（2）本文针对传统编码框架中模块间无法联合优化问题,尝试进一步突破传统框架,将端到端网络压缩方法与传统框架相结合,并借助传统框架多模型优选的率失真优化方法的思想,解决端到端网络模型自适应差,复杂度高的问题,从而提出一种基于集成学习的端到端图像压缩框架。该框架采用分块自适应模型优选,本文为此框架的模型设计了多种模型生成算法,并采用如改进的提升方法,几何自集成等模型生成方法解决模型训练代价过高的问题,并同时保证模型的多样性。实验表明,基于集成学习的端到端图像压缩方法可以在不增加解码复杂度的情况下,有效提升压缩效率,反过来也可以在保证压缩效率情况下,减小解码复杂度。进一步的实验还证明了本文的方法具有良好的泛化能力。（3）本文针对多模型训练中并没有考虑多模型编码代价的问题,尝试将模型编码代价引入多模型训练,提出一种多模型率失真的联合优化方法,应用场景面向深度神经网络图像环路滤波。首先采用一种多模型联合训练的方法训练多个滤波网络,随后设计了一种在不同码率约束下控制模型的编码码率的方法。并通过基于退火的训练方法,解决模型训练中的坍缩问题。进一步地,设计了依据失真幅度的模型组优选+模型优选的两步优选方法,从而实现了比仅仅采用模型优选更优的率失真性能。在解码端通过图像块级自适应的两步模型优选,完成整个深度神经网络环路滤波的框架的构建。实验表明,该方法可以有效实现对多模型的编码码率控制,并且有效抑制模型坍缩,提高多模型深度神经网络滤波的率失真性能。
王景[2]（2021）在《基于深度学习的自动调制分类算法研究与实现》文中进行了进一步梳理自动调制分类（Automatic Modulation Classification,AMC）是指接收方对接收信号采用的调制方式未知的情况下,根据接收信号确定所用调制类型的技术,是非合作通信系统中介于信号检测与信号解调之间的一项重要工作。由于无线网络用户增加、用户需求多样化,无线信道中的干扰和噪声日益严重、调制类别逐渐增多,使接收信号中的不确定因素增加,导致AMC算法无法有效完成分类任务。为了提高非合作通信系统中AMC算法对多候选调制分类的有效性和鲁棒性,论文研究基于深度学习的AMC算法的设计和验证。针对非合作无线通信系统中候选调制方式多样化导致分类困难的问题,论文提出了一种星座图与循环谱融合的深度学习（Deep Learning with Constellation and Cyclic-spectrum Fusion,DL-CCF）调制分类算法。在所提出的DL-CCF算法中,将预提取的信号星座图和循环谱特征融合后输入深度学习模型进行处理和分类,同时引入贝叶斯优化法优化模型超参数组合。两种预提取特征分别表征幅度、相位和频率信息,为深度学习的自适应特征提取提供导向性,有效解决了信号特征区分度不足引起的分类性能低下的问题。仿真结果表明,相较于其他同类算法,所提出的DL-CCF算法的模型参数较少,能有效提高中高信噪比下的分类正确率,但是低信噪比下的分类性能较差,且高阶正交幅度调制的分类效果也不佳。为了有效分类低信噪比信号和正交幅度调制信号,论文提出了一种基于自适应特征提取与融合（Adaptive Feature Extraction and Fusion,AFEF）的调制分类算法。在DL-CCF算法的基础上,所提出的AFEF算法增加了一个以特征预提取前的原始样本为输入的卷积神经网络分支,并引入并行训练和迁移学习改进模型的训练和优化过程,减少模型训练时间。由于新增分支提供额外信息补偿,避免特征预提取中造成的信息损失,同时可弥补星座图特征的弱抗噪性造成的幅度、相位特征可靠性不足的缺点。仿真结果表明,在保证模型复杂度、训练和测试时间不明显增加的基础上,所提出的AFEF算法有效提高了低信噪比样本的分类正确率,同时改善了中高信噪比下高阶正交幅度调制的分类性能。为验证所提出的AFEF调制分类算法的实用性,采用通用软件无线电外设和GNU Radio搭建实验验证系统,发送和接收不同种类的调制信号,用于分析算法的分类性能。实验结果表明,采用迁移学习微调模型参数后,所提出的AFEF算法有良好的分类正确率。论文提出的两种调制分类算法及验证方法,有效提高了AMC算法在实际通信场景中的分类正确率,在软件无线电、军事对抗等领域有较好的应用前景。
聂学雅[3]（2020）在《跟踪雷达干扰感知实现技术研究》文中指出随着电子干扰技术的发展,新型干扰的出现严重影响了跟踪雷达的工作性能,如何进行准确的干扰对抗成为当前跟踪雷达面临的关键问题。进行干扰对抗必须对干扰特性有充分的了解,但是现有跟踪雷达装备的干扰感知能力较弱,无法根据环境的变化调整抗干扰措施,难以达到最优的干扰对抗效果。为了提高复杂电磁环境下跟踪雷达干扰对抗性能,保证雷达对于目标的信息测量以及航迹跟踪能力,本文结合雷达的工作特点以及干扰信号的产生机理,对跟踪雷达的干扰感知方法及其硬件实现进行了研究。现有干扰感知技术主要集中在不同变化域的特征提取以及机器学习分类算法的研究,虽然各类研究层出不穷但多存在计算量及适应性的限制,不能满足跟踪雷达应用的需求。本文将根据跟踪雷达不同工作状态下干扰场景的差异,将雷达干扰感知算法的设计及其实现问题分为搜索和跟踪两种模式,并针对低信噪比下干扰识别率低的情况对干扰干扰感知算法进行改进。具体研究内容如下:本文首先研究了雷达干扰技术的理论基础,分别对跟踪雷达搜索和跟踪模式下的干扰场景进行建模分析。根据跟踪雷达的工作特点,明确了不同工作模式下的干扰信号类型,对搜索模式下的噪声调频干扰、距离多假目标干扰、间歇采样转发干扰和卷积噪声干扰以及跟踪模式下的拖引干扰进行建模。在此基础上仿真研究了干扰信号的时域波形和频谱特性,为后续干扰感知算法的研究奠定基础。针对搜索模式下的复合干扰类型,本文结合数字阵列雷达的特点,首先利用空域信息对压制干扰进行识别和抑制,之后通过特征参数提取的方式完成对欺骗干扰类型的识别,并针对常规特征提取方法干扰识别率低的情况,提出一种基于广义S变换的干扰识别方法,仿真结果表明该方法能够有效改善欺骗干扰的识别效果。针对跟踪模式下的拖引欺骗干扰,本文借鉴图像处理的方式对多个脉冲联合的回波数据进行干扰特征提取,并利用决策树分类器完成干扰的分类和干扰识别效果的验证。跟踪雷达干扰感知算法的硬件实现过程中,本文重点研究了决策树分类器的实现、多核设计和数据传输模块的高效实现。首先介绍了跟踪雷达的硬件架构和干扰感知实现的方案设计。接着对干扰感知算法中压制干扰的存在性判断、干扰信号特征参数的计算以及决策树分类器的设计与实现进行了详细的介绍。之后针对干扰感知实现过程中数据处理的实时性问题,研究了基于TMS320C6678的多核设计和EDMA3数据块搬移的优化算法。最后结合仿真数据对干扰感知算法功能进行了验证,表明该算法可以满足方案设计的要求,达到了预期的效果。
赵熙唯[4]（2020）在《基于深度神经网络的低密度奇偶校验码译码器研究与设计》文中指出近年来,随着计算机并行处理能力的增长与人工智能技术的发展,深度神经网络的相关研究不断深入,并被广泛应用于众多领域。下一代移动通信技术与深度神经网络结合也已成为研究热点,技术趋势之一是利用深度神经网络解决复杂环境下信道译码器的性能难以提升的问题。本文围绕这一问题,聚焦于多种信道环境下的低密度奇偶校验码译码器设计,并取得了如下研究成果。（1）考虑加性高斯白噪声信道及短码情况,结合不同深度神经网络的结构特性,设计了三种全神经网络实现的信道译码器,分别基于多层感知机,卷积神经网络和长短期记忆网络。仿真结果表面,相比于其他两种译码器,卷积神经网络译码器具有更好的译码性能和更高的网络训练效率。（2）考虑相关高斯噪声信道及中长码情况,为克服该环境导致的传统置信传播（Belief Propagation,简称BP）译码器性能衰减和全神经网络译码器实现复杂度高的问题,提出了基于门控卷积神经网络与置信传播级联迭代的新型信道译码器。门控卷积神经网络实现了对相关噪声的估计,从而可以有效的克服噪声相关性造成的BP译码器性能衰减问题。仿真结果表明,在码长576比特情况下,所提出的译码器相比传统BP译码器具有更低的误码率,性能增益最大可达4d B。（3）考虑具有相关性的瑞利快衰落及具有相关性的加性高斯噪声信道环境,提出了基于双卷积神经网络与置信传播级联非迭代的信道译码器。该译码器利用两个卷积神经网络,分别用于快衰落信道增益估计和相关噪声估计。仿真结果表明,所提出的译码器结构相比传统的BP译码器能获得更低的误码率,性能增益最大可达7d B。最后,本文对全部工作做个总结同时分析了不足之处,并对以后的工作进行了展望。
杜晓宇[5]（2019）在《基于深度神经网络的图像标注算法研究》文中研究表明随着互联网平台全面智能化转型,作为图像检索、人机对话、视觉辅助等服务的基础,图像标注已成为各平台的必备功能,而如何实现准确的图像标注,成为了一项亟需解决的问题。人工标注数据能够获得准确的结果,但是由于标注过程耗时耗力,并且图像总量呈现爆发趋势,无法完全使用人工方式获得图像标注信息,由此催生出自动化的图像标注算法。近年来,基于深度神经网络的图像标注算法取得了巨大的成功,但是图像的底层视觉特征与高层语义之间存在的“语义鸿沟”,决定了图像标注算法还有很大的提升空间,包括如何利用图像辅助信息标注图像、如何由语义层面改进标注结果、如何快速训练深度图像标注模型等。本文围绕基于深度神经网络的图像标注展开研究,提出了基于隐特征学习的社交图像重标注算法和基于语义理解与描述的图像标注算法。从不同的角度审视任务核心,提出了多种基于深度神经网络的解决方案,并提出利用分布式GPU加速训练过程的方法。本文的主要创新性成果如下:1.提出一种基于噪声估计的图像重标注算法,利用柯西分布拟合图像的社会标签噪声,优化矩阵分解中隐特征学习,提升社会标签的应用效果。通过对比多种噪声分布假设,证实了柯西分布从理论与实践上都能够很好的拟合社会标签中存在的各种噪声,以此强化矩阵分解中隐特征的学习效果,形成柯西矩阵分解算法,发掘社会标签中的有效信息,获得更好的标注结果。在MIRFlickr与NUS-WIDE数据集上的测试结果表明,通过柯西矩阵分解得到的图像重标注结果,能够更好的服务于图像检索任务,证明柯西分布能够准确的拟合社会标签中的噪声。2.提出一种基于隐特征维度相关性建模的图像重标注算法,通过建模隐特征维度之间的相关性,提升隐特征模型效果。算法通过外积操作构造隐特征中每一对维度之间的相关性,形成二维交互图。再利用卷积神经网络建模局部特征的能力,逐层精炼交互图中的信息,最终形成隐特征中全部维度相关性的表示,以此实现社交图像的重标注。实验结果表明,该方法能够更有效的利用隐特征信息,改善图像重标注结果。3.提出一种基于多模态双向递归神经网络的图像标注算法,通过整合上下文信息及优化多模态特征,提升图像标注质量。算法利用卷积神经网络提取图像的语义特征,将文本转化为单词向量,利用双向递归神经网络整合上下文的描述提取序列特征,再通过多模态层融合上述特征形成综合了上下文语义的多模态特征,最终由特征生成相应文本。本文通过对比三种多模态层的实现,证实了改进多模态特征融合方式能够对图像标注结果产生积极影响。在Flickr30K与MSCOCO数据集上的结果验证了该算法能够生成包含图像内容并且文法自然的标注结果。4.提出一种基于大规模语料库的图像标注方法,降低基于描述匹配的图像标注算法的时空复杂度,使这类无参算法适应于大规模语料库。其重点在于利用哈希方法预处理所有图像,在压缩图像存储空间的同时,提升检索图像的效率。方法无需训练,测试时通过比较图像的哈希编码,提取相似图像的描述文本作为候选集,再从中筛选出最匹配的描述语句。实验结果表明,相比现有方法,该算法能够在不影响标注质量的前提下,获得数十倍时间效率提升和数百倍空间效率提升。5.提出一种深度图像标注算法训练加速架构,设计混合并行模式与交替执行策略,缓解分布式GPU训练时数据同步操作对GPU运算能力约束,加速网络训练过程。混合并行模式将卷积神经网络做简单分拆并按一定规则部署,即可将单机模型转化为分布式GPU并行模型,相比经典的数据并行模式,该模式能够有效的降低服务器间数据交互;交替执行策略在每一块GPU中部署若干相同模块的进程,进程交替执行,从而避免因数据等待而产生的空闲,提升GPU使用率,获得更高的计算效率。在普通实验室的分布式环境（千兆网络,2台服务器,4张GPU卡）中进行的实验表明,使用该架构在Image Net数据集上训练Alex Net模型,能达到单卡训练3.07倍的效率。
刘阳[6]（2019）在《基于噪声分类的语音增强算法研究与实现》文中进行了进一步梳理在语音信号处理系统中,噪声信号会对系统性能造成极大损害。因此,通常采用语音增强技术滤除语音信号中的噪声污染,以提升该段语音的质量。在实际应用场景中,噪声种类的丰富性和噪声特征的多样性大大限制了语音增强算法的性能,降低了增强后语音信号的质量,特别是信号的可懂度。因此本文提出了一种基于噪声分类的语音增强系统,主要包括以下三个部分:语音端点检测、噪声分类和噪声功率谱估计。首先,使用语音端点检测算法区分噪声帧和语音帧。本文提出一种基于长时信号功率谱变化的语音端点检测算法。该算法将信号在长时段下功率谱的变化量作为区分噪声帧和语音帧的特征。在不同噪声环境及信噪比下,该算法均具有更高的检测准确率,尤其在非平稳噪声条件下的检测效果提升明显。然后,使用噪声分类算法识别噪声类型。本文提出了一种基于卷积神经网络的噪声分类模型,该模型将多帧噪声信号的梅尔倒谱系数作为区分噪声类型的特征。在无干扰的环境下,该模型的平均分类准确率达到了98%;在有干扰的环境下,该模型的平均分类准确率为85%。最终,根据噪声分类的结果,选择最优的参数组合使用改进的最小控制递归平均算法(（Improved Minima Controlled Recursive Average,IMCRA）算法估计噪声功率谱,并使用OM-LSA进行语音估计。与传统的基于IMCRA的语音增强算法,本文提出的算法能够更好的提高带噪语音信号的质量,特别是带噪语音信号的可懂度。本文在TIMIT标准语音库和Noisex-92标准噪声库上对所提出的算法进行性能测试。通过语谱图,可以直观看出增强后的语音信号在降噪的同时能够更好的保留语音信号的细节特征;并使用分段信噪比（Segmental Signal-Noise Ratio,Seg-SNR）、短时目标可懂度（Short-Time Objective Intelligibility,STOI）以及语音质量感知评估（Perceptual Evaluation of Speech Quality,PESQ）这三种客观评价指标衡量语音增强算法的性能,相比传统的IMCRA算法,使用本文算法增强后的语音信号的客观评价指标明显提高。
李圣昱[7]（2019）在《基于空洞卷积和噪声估计的图像去噪算法研究》文中认为随着互联网的发展和智能设备的普及,图像在生物医学、公共管理等领域发挥着重要作用。然而,由于环境、设备等多种因素影响,图像会不可避免地受到噪声污染,进而直接影响以计算机视觉为基础的相关研究。因此,研究如何有效对图像进行去噪,是计算机视觉领域至关重要的研究课题。近年来,基于卷积神经网络的去噪方法在快速发展的同时依旧面临诸多难题,如深层模型带来的巨大参数量影响实际工程应用、单流网络模型无法在有效去除噪声的同时保留图像本身的纹理特征、以及去噪模型无法同时处理多种类型噪声等问题。本文针对图像去噪算法面临的问题,结合空洞卷积和噪声估计,对基于深度学习的去噪方法从模型大小、图像视觉效果、多噪声处理能力三个方面进行了深入研究,有效提升了图像去噪性能。本文的主要工作如下:针对基于深度学习的图像去噪模型参数量过大的问题,提出一种基于编解码残差网络和空洞卷积的图像去噪算法。该算法使用了一个端到端的神经网络去噪模型,其核心模块相较于普通结构仅需要少量参数便可实现对图像特征的有效提取。同时,残差策略的加入使得正向信息传导和反向梯度传播的过程更为高效。实验分析验证了编解码模块、空洞卷积及残差策略的有效性,并证明了该算法模型在仅需当时最优模型一半参数量的情况下具备更优的去噪效果。针对单流去噪模型难以恢复出图像本身特有的纹理和特征的问题,提出一种基于多尺度门控神经网络的图像去噪算法。其核心模块采用了空洞卷积和门控思想,并用不同的感受野去感知并融合丰富的多尺度上下文信息,有效地实现了对信息的提取。同时,提出了一种基于稀疏思想的损失函数用于模型训练,可有效解决去噪后的图像过于平滑的问题。在高斯合成噪声数据集和脉冲噪声数据集上,实验证明了该算法与其他单流算法相比,保留了更为丰富的图像纹理特征。针对基于单一噪声训练的神经网络去噪方法无法处理其他类型噪声的问题,提出一种基于噪声水平和类型估计的图像去噪算法。该算法为两步式去噪方法,首先使用了噪声估计网络模型对图像中噪声的噪声类型和噪声水平进行拟合,并构建对应的掩码图。随后将前一步得到的噪声类型及水平掩码图与输入图像进行拼接,送入采用了双路并行结构的去噪网络,完成图像去噪任务。实验验证了结合噪声信息去噪方法的有效性,并证明了该方法在多类型噪声盲去噪任务上的优秀性能。
文铭[8]（2019）在《基于深度神经网络的语音识别前端处理》文中指出随着科技的快速进步,语音识别技术的性能越来越好,其应用场景越来越广泛。然而,语音识别所在环境极为复杂,使得鲁棒性语音识别的研究的意义越来越重要。近年来,深度神经网络理论的快速发展使得这一方法的应用场景不断增加,已经广泛应用到了计算机视觉、自然语言处理等多个方向。本文使用深度神经网络的方法,针对语音前端处理的两个问题进行探讨:语音分离与波束生成。（1）针对语音分离问题,我们采取基于深度神经网络的掩蔽值估计的方法,对不同语音特征、优化目标以及损失函数进行介绍,并通过实验进行对比。同时,本文将人声分离问题常用的损失函数Deep Cluster应用在了音乐噪声集上,得到了较好的效果,在STOI和WER指标上分别提升了约0.01和1%。（2）针对波束生成问题,我们描述了两种基于深度神经网络的方法:一种是经典的GEV波束生成方法,这种方法将会利用到上一节所用到的掩蔽值估计模型;另一种是本文所提出的端到端波束生成方法。其次,我们通过实验确定了关于这两种方法的重要参数。最后我们验证了这两个这种方法的有效性,GEV波束生成方法相比基于传统方法的工具箱BeamformIt相比在双通道和六通道测试集上WER指标分别提升了约0.5%和0.6%,而端到端波束生成方法相比GEV波束生成方法在这两个数据集上分别提升0.2%和0.2%
王松[9]（2019）在《面向感知增强的流场可视化与沉浸式模拟技术研究》文中指出流场可视化在帮助用户分析和理解复杂流场流动机理,洞察流场物理现象并发现流动科学规律方面发挥着重要的支撑作用。本文立足于流场可视化过程中的重难点问题进行深入探究,以增加用户对流场物理过程感知为研究目标,从可视化绘制算法、呈现环境和交互技术、布局方式等方面开展理论创新和技术突破,帮助拓展流场可视化中信息表达的多样性,为用户提供良好的流场可视化分析环境,提高对流场科学数据处理效率和可视分析能力。主要研究成果归纳如下:1.抽象领域专家分析理解流场物理现象的过程,提出了基于VCIH模型的感知增强类流场可视化分类策略,从视觉感知增强、流场过程增强、探索式交互增强以及硬件依赖性增强四个方面梳理目前主要的研究进展。2.为有效表征矢量场特征结构,提升流线的绘制质量与视觉效果,提出了基于几何特征的自适应撒点策略来提高流线绘制的视觉效果和属性表征的能力。为了获得高质量的流面绘制结果,提出了自适应三角化策略保持流面结构的完整性、平滑性以及凹凸性,有效展现清晰的流场模式和重要的流动特性,增加三维流场数据的可读性。3.为提高二维纹理绘制方法的图像质量和兼容性,结合颜色特征映射方法提出了基于分层聚类的ColorLIC绘制算法,借助全局采样和邻近聚类算法有效改善二维流场细节特征的视觉呈现效果。针对扩展到三维空间时纹理片元间存在的视线遮挡和混乱问题,提出基于GPU加速实现的稀疏噪声纹理生成的改进三维矢量场VolumeLIC绘制技术,满足实时显示的要求,有效提升生成三维纹理图像的结构清晰度和视觉表现力。4.结合沉浸式环境下的分析优势与交互特点,定义沉浸式交互方式的设计原则,提出了基于非接触式手势动作的沉浸式流场可视化交互技术,引入动作舒适度评估模型设计交互手势姿态,引入弹簧模型消除手势抖动,引入游标模型基于上下文手势动作判断手势状态,最后以HTC Vive+Leap Motion构建测试平台验证本文交互方法在交互体验度等方面的优势。5.针对单一可视化方法的呈现无法满足用户对复杂流动机理和物理现象的认知需求的问题,引入多视图协同交互模型实现对数据属性特征统计、临界状态分布和时空演化规律的多维度并行呈现。引入多维关联对比模型呈现不同参数环境下的视觉结果,实现对多维属性数据的全方位、多角度观察、对比与分析。设计实现大规模CFD流场可视化分析系统FVIS,通过多组测试案例结合专家意见验证布局方式在提高对复杂多变量流场数据及其潜在关联关系的分析效率和准确率方面的功能性和有效性。
王克非[10]（2019）在《多通道可重构箔条干扰实时模拟技术研究》文中认为雷达干扰模拟器是雷达研制过程中常用的设备。在雷达的抗干扰测试、性能评估等各研发阶段中都起着重要的作用。与传统的抗干扰测试方式相比,干扰模拟器有着开销小,测试便捷等优点。箔条干扰是通过投放大量箔条产生干扰回波的一种干扰方式,是一种常见的干扰手段。研究宽带多通道箔条干扰实时模拟技术对宽带雷达抗干扰技术的研发有着重要意义。本文以某型箔条干扰模拟器的研发项目为背景,对箔条干扰实时动态模拟方法、宽带多通道模拟器输出信号的幅相一致性补偿技术和基于FPGA（Field Programmable Gate Array,现场可编程门阵列）的可重构雷达干扰模拟系统设计三个方面进行了研究。首先,本文研究了箔条干扰信号的实时动态模拟技术,设计了一种基于离线仿真与在线实时合成结合的箔条干扰实时动态模拟方法,相对于传统的箔条模拟器设计方法,该方法能够动态真实的模拟箔条弹的扩散过程,并满足回波合成过程的实时性,具有良好的应用价值。通过实测验证了该方法能够模拟箔条弹的扩散过程,实时产生干扰回波。其次,本文研究了宽带多通道干扰模拟器输出信号的幅相一致性补偿技术,在传统的FIR模型的最小二乘法的基础上,针对宽带雷达常用的线性调频信号和单一频率信号,提出了基于神经网络模型的处理办法,实现了多通道信号的带内幅相补偿技术。对比传统的FIR处理模型,通过仿真证明了神经网络算法有着更好的补偿性能。最后,本文研究了基于FPGA可重构设计的雷达干扰模拟器,设计了一种基于FPGA动态重构与静态重构结合的雷达干扰模拟器,对雷达干扰模拟器中常见的卷积类任务提出了一种基于细颗粒融合设计的卷积模块设计办法。相对于传统设计方法,可重构设计节省了大量的硬件资源。相对于常规的可重构设计方案,采用了融合卷积设计的可重构雷达干扰模拟器有着重构时间更短的优势。本文研究了多通道可重构箔条干扰实时模拟技术。在箔条干扰信号的实时动态模拟方面,相比传统方法,可以将箔条干扰动态变化的回波特性体现在实时合成的干扰回波中。在宽带多通道干扰模拟器的幅相一致性补偿方面,相比传统方法,提升了对线性调频信号和单一频率信号的补偿性能。在基于FPGA的可重构设计方面,相比传统方法,降低了雷达干扰模拟器的资源消耗。相对于常规可重构设计方案,降低了重构时间。本文研究成果对高性能多通道箔条干扰模拟器的设计有着重要意义。
二、并行模型组合方法中卷积噪声的估计方法（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、并行模型组合方法中卷积噪声的估计方法（论文提纲范文）
（1）多模型联合优化的图像视频编码关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 简介 |
| 1.1 研究背景和意义 |
| 1.2 研究历史与现状 |
| 1.3 论文主要工作和内容安排 |
| 第2章 视频图像编码与深度学习基础 |
| 2.1 图像与视频编码的概念与框架 |
| 2.2 传统图像视频编码框架 |
| 2.2.1 JPEG |
| 2.2.2 JPEG 2000 |
| 2.2.3 HEVC标准 |
| 2.3 深度学习编码 |
| 2.3.1 深度学习基础 |
| 2.3.2 深度学习编码 |
| 2.4 集成学习基础 |
| 2.4.1 提升法 |
| 2.4.2 装袋法 |
| 第3章 面向全景视频的多运动模型联合优化 |
| 3.1 全景视频压缩概述 |
| 3.1.1 全景视频压缩概述 |
| 3.1.2 现有方法 |
| 3.1.3 本章贡献 |
| 3.2 算法框架 |
| 3.3 基于球坐标变换的运动模型 |
| 3.3.1 经纬图投影格式与球坐标变换 |
| 3.3.2 球坐标变换运动模型的推导与构建 |
| 3.4 球坐标变换运动模型的帧间预测算法 |
| 3.4.1 运动补偿算法 |
| 3.4.2 运动估计算法 |
| 3.4.3 合并模式算法 |
| 3.5 组合优化加速算法 |
| 3.6 编码与语法设计 |
| 3.7 实验 |
| 3.7.1 实验配置 |
| 3.7.2 测试结果分析 |
| 3.7.3 实验总结 |
| 3.8 本章小结 |
| 第4章 基于集成学习的端到端图像压缩 |
| 4.1 端到端图像压缩概述 |
| 4.1.1 动机 |
| 4.1.2 现有方法 |
| 4.1.3 本章贡献 |
| 4.2 框架 |
| 4.3 基于改进提升法的多模型训练 |
| 4.3.1 模型的多样性 |
| 4.3.2 基于改进提升法的模型生成方法 |
| 4.4 几何自集成 |
| 4.5 四叉树块划分 |
| 4.6 多概率分布模型 |
| 4.7 集成融合和模式选择 |
| 4.8 实验 |
| 4.8.1 实验设置 |
| 4.8.2 总体性能 |
| 4.8.3 消融实验 |
| 4.8.4 简化模型实验 |
| 4.8.5 计算复杂度分析 |
| 4.8.6 讨论 |
| 4.8.7 实验总结 |
| 4.9 本章小结 |
| 第5章 多模型率失真联合优化的深度神经网络图像环路滤波 |
| 5.1 研究背景 |
| 5.1.1 动机 |
| 5.1.2 现有方法 |
| 5.1.3 本章贡献 |
| 5.2 框架 |
| 5.3 多模型联合训练方法 |
| 5.4 基于退火思想的模型训练 |
| 5.5 基于残差幅度块级自适应模型组优选 |
| 5.6 实验 |
| 5.6.1 实验设置 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 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 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于深度学习的自动调制分类算法研究与实现（论文提纲范文）
| 致谢 |
| 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 基于最大似然的自动调制分类方法 |
| 1.2.2 基于信号特征的自动调制分类方法 |
| 1.2.3 深度学习理论 |
| 1.2.4 基于深度学习的自动调制分类方法 |
| 1.3 论文研究内容与贡献 |
| 1.4 论文章节安排 |
| 第2章 基于深度学习的自动调制分类方法研究基础 |
| 2.1 信号调制技术概述 |
| 2.1.1 模拟调制 |
| 2.1.2 数字调制 |
| 2.2 循环谱理论基础 |
| 2.2.1 循环谱分析与循环平稳过程 |
| 2.2.2 基于快速傅里叶变换的循环谱密度估计法 |
| 2.2.3 不同调制方式的循环谱密度图 |
| 2.3 基于深度学习的自动调制分类方法 |
| 2.4 深度学习模型概述 |
| 2.4.1 神经元与神经网络 |
| 2.4.2 卷积神经网络 |
| 2.4.3 残差网络 |
| 2.4.4 卷积-LSTM-全连接神经网络 |
| 2.5 性能评价指标 |
| 2.5.1 分类正确率 |
| 2.5.2 混淆矩阵 |
| 2.5.3 训练时间和测试时间 |
| 2.6 本章小结 |
| 第3章 星座图与循环谱融合的深度学习调制分类算法 |
| 3.1 总体方案 |
| 3.2 具体算法设计 |
| 3.2.1 信号建模与预处理 |
| 3.2.2 特征提取与融合 |
| 3.2.3 CNN模型的构建、训练与优化 |
| 3.2.4 调制识别过程 |
| 3.3 仿真结果分析 |
| 3.3.1 仿真数据集 |
| 3.3.2 DL-CCF算法的性能分析 |
| 3.3.3 不同模型超参数的影响 |
| 3.3.4 不同分类算法的性能比较与分析 |
| 3.4 本章小结 |
| 第4章 基于自适应特征提取与融合的调制分类算法 |
| 4.1 总体方案 |
| 4.2 AFEF算法的工作模式 |
| 4.2.1 模型训练模式 |
| 4.2.2 调制识别模式 |
| 4.3 并行训练与迁移学习 |
| 4.3.1 基本思想 |
| 4.3.2 模型训练和优化 |
| 4.4 仿真结果分析 |
| 4.4.1 AFEF算法的性能分析 |
| 4.4.2 不同模型超参数的影响 |
| 4.4.3 不同分类算法的性能比较与分析 |
| 4.4.4 并行训练与迁移学习 |
| 4.5 本章小结 |
| 第5章 基于自适应特征提取与融合的调制分类算法的实验验证 |
| 5.1 实验方案设计 |
| 5.1.1 GNU Radio和 USRP1 |
| 5.1.2 实验场景与验证方案 |
| 5.2 实验结果分析 |
| 5.2.1 AFEF算法的性能分析 |
| 5.2.2 不同分类算法的性能比较 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读硕士期间所取得的科研成果 |
（3）跟踪雷达干扰感知实现技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 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 论文主要内容与安排 |
| 第二章 跟踪雷达干扰场景建模 |
| 2.1 跟踪雷达场景建模 |
| 2.2 跟踪雷达干扰建模 |
| 2.2.1 搜索阶段干扰建模 |
| 2.2.2 跟踪阶段干扰建模 |
| 2.3 本章小结 |
| 第三章 跟踪雷达干扰感知方法 |
| 3.1 搜索阶段压制干扰感知方法 |
| 3.2 搜索阶段欺骗干扰感知方法 |
| 3.2.1 基于时/频域特征的干扰感知 |
| 3.2.2 基于广义S变换的干扰感知 |
| 3.3 跟踪阶段干扰感知方法 |
| 3.4 本章小结 |
| 第四章 跟踪雷达干扰感知算法实现 |
| 4.1 系统概述 |
| 4.1.1 系统硬件平台 |
| 4.1.2 信号处理系统方案设计 |
| 4.1.3 干扰感知算法设计 |
| 4.2 干扰感知算法的实现 |
| 4.2.1 压制干扰存在性判断 |
| 4.2.2 特征值计算 |
| 4.2.3 分类器的实现 |
| 4.3 基于DSP平台的优化设计 |
| 4.3.1 SRIO数据传输 |
| 4.3.2 EDMA3数据搬移 |
| 4.3.3 多核优化设计 |
| 4.4 干扰感知算法验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于深度神经网络的低密度奇偶校验码译码器研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信道编译码技术 |
| 1.2.2 神经网络技术 |
| 1.2.3 基于深度神经网络的信道编译码技术 |
| 1.3 本文所做的工作及章节安排 |
| 2 加性高斯白噪声信道下深度神经网络译码器设计 |
| 2.1 通信系统 |
| 2.2 全神经网络译码器 |
| 2.2.1 多层感知机译码器 |
| 2.2.2 一维卷积神经网络译码器 |
| 2.2.3 长短期记忆神经网络译码器 |
| 2.3 仿真与结果分析 |
| 2.3.1 深度神经网络译码器训练 |
| 2.3.2 译码器仿真结果与分析 |
| 2.4 本章小结 |
| 3 相关高斯信道下门控卷积神经网络译码器设计 |
| 3.1 系统建模 |
| 3.1.1 通信过程 |
| 3.1.2 噪声相关性建模 |
| 3.2 置信传播-门控卷积神经网络迭代译码器 |
| 3.2.1 传统置信传播译码算法 |
| 3.2.2 门控卷积神经网络噪声估计器设计 |
| 3.2.3 译码器级联结构 |
| 3.3 仿真与结果分析 |
| 3.4 本章小结 |
| 4 相关瑞利快衰落信道下双卷积神经网络译码器设计 |
| 4.1 系统建模 |
| 4.1.1 通信过程 |
| 4.1.2 信道环境和相关性建模 |
| 4.2 双卷积神经网络-置信传播级联译码器 |
| 4.2.1 译码器级联结构 |
| 4.2.2 双卷积神经网络估计器设计 |
| 4.3 仿真与结果分析 |
| 4.3.1 信道相关情况下的译码器性能分析 |
| 4.3.2 信道相关与噪声相关共存情况下性能分析 |
| 4.3.3 相关性对BP译码器的影响 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于深度神经网络的图像标注算法研究（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 国内外研究现状 |
| 1.2.1 社会标签在图像标注中的应用 |
| 1.2.2 图像语义在图像标注中的应用 |
| 1.2.3 深度神经网络概述 |
| 1.3 本文的主要工作与创新点 |
| 1.4 论文章节安排 |
| 第二章 基于隐特征学习的社交图像重标注算法 |
| 2.1 研究现状 |
| 2.2 问题定义 |
| 2.3 基于噪声估计的图像重标注算法 |
| 2.3.1 概率矩阵分解 |
| 2.3.2 柯西矩阵分解 |
| 2.3.3 实验结果及分析 |
| 2.4 基于隐特征维度相关性建模的图像重标注算法 |
| 2.4.1 基于神经网络的图像标注框架 |
| 2.4.2 基于卷积神经网络的图像标注框架 |
| 2.4.3 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 基于语义理解与描述的图像标注算法 |
| 3.1 研究现状 |
| 3.2 问题定义 |
| 3.3 基于多模态双向递归神经网络的图像标注算法 |
| 3.3.1 递归神经网络 |
| 3.3.2 多模态递归神经网络 |
| 3.3.3 多模态双向递归神经网络 |
| 3.3.4 实验结果与分析 |
| 3.4 基于大规模语料库的图像标注算法 |
| 3.4.1 基于描述匹配的图像标注算法 |
| 3.4.2 基于哈希优化的图像标注算法 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 深度图像标注算法训练加速架构 |
| 4.1 研究现状 |
| 4.2 卷积神经网络 |
| 4.3 卷积神经网络及数据并行 |
| 4.4 Wheel加速架构 |
| 4.4.1 混合并行模式 |
| 4.4.2 交替执行策略 |
| 4.4.3 Wheel模块设计 |
| 4.4.4 Wheel的资源利用 |
| 4.5 实验结果与分析 |
| 4.5.1 与经典方法比较 |
| 4.5.2 GPU利用率 |
| 4.5.3 通信效率 |
| 4.5.4 实际训练情况 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（6）基于噪声分类的语音增强算法研究与实现（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 研究现状 |
| 1.2.1 基于信号处理的方法 |
| 1.2.2 基于统计模型的方法 |
| 1.2.3 基于模型训练的方法 |
| 1.3 本文研究内容 |
| 1.4 章节安排 |
| 第2章 基于LPSV的语音端点检测方法 |
| 2.1 引言 |
| 2.2 LPSV定义 |
| 2.3 LPSV对语音和噪声的区分度 |
| 2.4 基于LPSV的语音端点检测 |
| 2.4.1 算法描述 |
| 2.4.2 阈值自适应 |
| 2.4.3 投票判决 |
| 2.5 算法性能评估 |
| 2.5.1 实验设置 |
| 2.5.2 结果与分析 |
| 2.6 本章小结 |
| 第3章 基于卷积神经网络的噪声分类方法 |
| 3.1 引言 |
| 3.2 CNN简介 |
| 3.2.1 局部连接 |
| 3.2.2 权值共享 |
| 3.3 CNN模型 |
| 3.3.1 卷积层 |
| 3.3.2 池化层 |
| 3.3.3 全连接层 |
| 3.4 特征分析 |
| 3.5 算法性能评估 |
| 3.5.1 实验条件 |
| 3.5.2 训练过程 |
| 3.5.3 性能测试 |
| 3.6 本章小结 |
| 第4章 优化的IMCRA算法 |
| 4.1 引言 |
| 4.2 IMCRA算法简述 |
| 4.3 优化的IMCRA |
| 4.4 基于噪声分类的OP＿IMCRA |
| 4.5 算法性能评估 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）基于空洞卷积和噪声估计的图像去噪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 图像去噪研究现状 |
| 1.2.1 传统图像去噪方法 |
| 1.2.2 基于深度学习的图像去噪方法 |
| 1.3 常用数据集和评价指标 |
| 1.3.1 去噪任务常用数据集 |
| 1.3.2 去噪任务评价指标 |
| 1.4 主要研究内容和论文结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文组织结构 |
| 2 基于编解码残差网络和空洞卷积的图像去噪算法研究 |
| 2.1 相关技术及工作 |
| 2.1.1 编解码网络 |
| 2.1.2 空洞卷积 |
| 2.2 基于编解码残差网络和空洞卷积的去噪模型 |
| 2.2.1 总体模型结构 |
| 2.2.2 编解码单元设计 |
| 2.2.3 残差学习策略 |
| 2.3 实验结果及分析 |
| 2.3.1 总体实验流程 |
| 2.3.2 数据集选择及训练参数设定 |
| 2.3.3 算法各组件有效性验证 |
| 2.3.4 与其他去噪方法的性能比较 |
| 2.3.5 模型运行时间比较 |
| 2.4 本章小结 |
| 3 基于多尺度门控神经网络的图像去噪算法研究 |
| 3.1 相关技术及工作 |
| 3.1.1 多分支网络结构 |
| 3.1.2 多尺度神经网络 |
| 3.2 基于多尺度门控神经网络的去噪模型 |
| 3.2.1 总体模型结构 |
| 3.2.2 多尺度门控子模块设计 |
| 3.2.3 稀疏损失函数 |
| 3.3 实验结果及分析 |
| 3.3.1 数据集及训练参数设置 |
| 3.3.2 模型各组件有效性验证 |
| 3.3.3 与其他去噪方法的性能比较 |
| 3.3.4 模型运行时间比较 |
| 3.4 本章小结 |
| 4 基于噪声水平和类型估计的图像去噪算法研究 |
| 4.1 多类型噪声去除问题 |
| 4.2 相关技术及工作 |
| 4.2.1 噪声估计 |
| 4.2.2 结合高层次信息的去噪神经网络 |
| 4.3 基于噪声水平估计及类型识别的去噪方法 |
| 4.3.1 总体模型结构 |
| 4.3.2 基于神经网络的多任务噪声估计模型 |
| 4.3.3 去噪子网络 |
| 4.3.4 模型训练 |
| 4.4 实验结果及分析 |
| 4.4.1 数据集选择及训练参数设定 |
| 4.4.2 噪声估计在盲去噪任务的有效性验证 |
| 4.4.3 多任务噪声估计模型性能评估 |
| 4.4.4 模型去噪性能比较 |
| 4.4.5 噪声信息波动对去噪性能的影响 |
| 4.4.6 模型运行时间比较 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表文章目录 |
（8）基于深度神经网络的语音识别前端处理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 研究现状 |
| 1.3 本文组织结构 |
| 第2章 深度神经网络与语音识别系统 |
| 2.1 深度神经网络 |
| 2.1.1 深度神经网络的数学模型 |
| 2.1.2 深度神经网络的参数学习 |
| 2.1.3 常用的深度神经网络结构 |
| 2.2 语音识别系统简介 |
| 2.2.1 概述 |
| 2.2.2 前端 |
| 2.2.3 语音特征 |
| 2.2.4 声学模型 |
| 2.2.5 语言模型和词典 |
| 2.2.6 解码器 |
| 2.3 基于深度学习的语音识别训练 |
| 2.3.1 语音识别模型 |
| 2.3.2 训练方法 |
| 2.4 本章小结 |
| 第3章 基于深度神经网络的语音分离方法 |
| 3.1 相关工作 |
| 3.2 模型 |
| 3.2.1 语音特征 |
| 3.2.2 训练目标 |
| 3.2.3 损失函数 |
| 3.3 实验 |
| 3.3.1 实验配置 |
| 3.3.2 不同特征的效果 |
| 3.3.3 不同训练目标的效果 |
| 3.3.4 Deep Cluster的效果 |
| 3.4 讨论 |
| 3.5 本章总结 |
| 第4章 基于深度神经网络的波束生成 |
| 4.1 相关工作 |
| 4.1.1 传统的波束生成方法 |
| 4.1.2 基于深度学习的波束生成方法 |
| 4.2 模型 |
| 4.2.1 GEV波束生成 |
| 4.2.2 端到端波束生成方法 |
| 4.3 实验 |
| 4.3.1 实验配置 |
| 4.3.2 GEV波束生成 |
| 4.3.3 端到端波束生成 |
| 4.3.4 对比结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（9）面向感知增强的流场可视化与沉浸式模拟技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 应用领域 |
| 1.3 国内外研究现状 |
| 1.3.1 视觉感知增强类流场可视化 |
| 1.3.2 流场物理过程增强类流场可视化 |
| 1.3.3 探索式交互增强类流场可视化 |
| 1.3.4 硬件依赖性增强类流场可视化 |
| 1.4 研究目标 |
| 1.5 主要工作 |
| 1.6 论文组织结构 |
| 第二章 流场可视化技术基础 |
| 2.1 流场数据表示 |
| 2.2 流场可视化绘制方法 |
| 2.2.1 直接体可视化 |
| 2.2.2 纹理可视化 |
| 2.2.3 矢量线可视化 |
| 2.3 沉浸式分析 |
| 2.4 本章小结 |
| 第三章 面向视觉感知增强的三维流线及其衍生绘制技术研究 |
| 3.1 基于自适应撒点策略的流线绘制技术 |
| 3.1.1 流线种子点放置的基本原则 |
| 3.1.2 基于控制线的种子点位置初始化 |
| 3.1.3 基于几何特征的自适应撒点策略 |
| 3.1.4 实验结果与分析 |
| 3.2 基于空间几何结构特征的流面绘制技术 |
| 3.2.1 流面绘制标准 |
| 3.2.2 基于空间几何结构特征的自适应三角化策略 |
| 3.2.3 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 面向视觉感知增强的二维/三维纹理绘制技术研究 |
| 4.1 面向二维流场的聚类ColorLIC绘制技术 |
| 4.1.1 ColorLIC绘制算法 |
| 4.1.2 基于分层聚类的颜色映射优化 |
| 4.1.3 实验结果与分析 |
| 4.2 基于稀疏噪声的VolumeLIC绘制技术 |
| 4.2.1 基于GPU的3D LIC优化算法 |
| 4.2.2 基于光线投射算法的纹理体绘制 |
| 4.2.3 交互控制技术 |
| 4.2.4 实验结果与分析 |
| 4.3 本章小结 |
| 第五章 基于直觉反馈增强的沉浸式交互技术研究 |
| 5.1 沉浸式交互方式设计原则 |
| 5.2 基于非接触式手势动作的沉浸式流场可视化交互范例研究 |
| 5.2.1 基于动作舒适度模型的手势姿态设计 |
| 5.2.2 基于弹簧模型的手势姿态优化 |
| 5.2.3 基于游标模型的手势状态判定 |
| 5.2.4 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 基于认知效率的可视化布局方式研究 |
| 6.1 基于多视图协同交互模型的可视化布局设计 |
| 6.2 基于多维关联对比模型的可视化布局设计 |
| 6.3 实验结果与分析 |
| 6.3.1 系统总体功能设计 |
| 6.3.2 系统详细设计 |
| 6.3.3 系统测试与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文主要研究工作 |
| 7.2 本文主要创新点 |
| 7.3 后续工作及展望 |
| 致谢 |
| 参考文献 |
| 附录A 博士研究生期间发表的学术论文 |
| 附录B 博士研究生期间主持和参与的科研项目 |
| 附录C 博士研究生期间的其他研究成果 |
（10）多通道可重构箔条干扰实时模拟技术研究（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 |
| 1.2.1 箔条干扰实时动态模拟 |
| 1.2.2 宽带多通道干扰模拟器的幅相一致性补偿 |
| 1.2.3 基于FPGA的可重构雷达干扰模拟器设计 |
| 1.3 论文的主要内容与章节安排 |
| 第二章 多通道可重构箔条干扰模拟器总体设计 |
| 2.1 系统总体组成 |
| 2.2 系统工作原理 |
| 2.3 关键技术分析 |
| 2.4 本章小结 |
| 第三章 箔条干扰实时动态模拟方法 |
| 3.1 箔条干扰模拟方法分析 |
| 3.2 箔条干扰的离线建模仿真 |
| 3.2.1 箔条运动特征建模 |
| 3.2.2 箔条云的时变特性 |
| 3.2.3 箔条回波特性建模 |
| 3.3 箔条干扰的在线实时合成 |
| 3.3.1 基于ZMNL变换法的箔条干扰实时合成 |
| 3.3.2 箔条干扰回波的动态模拟 |
| 3.4 箔条干扰实时产生流程 |
| 3.5 箔条干扰实测分析 |
| 3.6 本章小结 |
| 第四章 宽带多通道干扰模拟器幅相一致性补偿技术研究 |
| 4.1 基于FIR模型的最小二乘法 |
| 4.2 基于神经网络模型的序列信号处理算法 |
| 4.2.1 数据集构建及预处理 |
| 4.2.2 神经网络模型构建 |
| 4.2.3 模型的训练调优策略 |
| 4.2.4 基于全连接神经网络的通道一致性补偿 |
| 4.3 神经网络的工程实现难点探究 |
| 4.3.1 全并行结构 |
| 4.3.2 激活函数 |
| 4.3.3 模型压缩 |
| 4.4 仿真与分析 |
| 4.4.1 对比模型搭建 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第五章 基于FPGA的可重构干扰系统设计 |
| 5.1 FPGA动态可重构设计 |
| 5.1.1 经典干扰样式与计算过程分析 |
| 5.1.2 可重构系统模块化设计 |
| 5.1.3 基于融合设计的卷积结构 |
| 5.1.4 动态重构的模块连接结构 |
| 5.2 FPGA静态可重构设计 |
| 5.3 基于FPGA的可重构系统设计 |
| 5.3.1 可重构设计架构 |
| 5.3.2 多种干扰功能实现分析 |
| 5.4 可重构模拟器系统效能分析 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 主要工作与创新点 |
| 6.2 未来工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
四、并行模型组合方法中卷积噪声的估计方法（论文参考文献）
- [1]多模型联合优化的图像视频编码关键技术研究[D]. 王叶斐. 中国科学技术大学, 2021(09)
- [2]基于深度学习的自动调制分类算法研究与实现[D]. 王景. 浙江大学, 2021(01)
- [3]跟踪雷达干扰感知实现技术研究[D]. 聂学雅. 西安电子科技大学, 2020(05)
- [4]基于深度神经网络的低密度奇偶校验码译码器研究与设计[D]. 赵熙唯. 南京理工大学, 2020(01)
- [5]基于深度神经网络的图像标注算法研究[D]. 杜晓宇. 电子科技大学, 2019(04)
- [6]基于噪声分类的语音增强算法研究与实现[D]. 刘阳. 天津大学, 2019(01)
- [7]基于空洞卷积和噪声估计的图像去噪算法研究[D]. 李圣昱. 浙江大学, 2019(01)
- [8]基于深度神经网络的语音识别前端处理[D]. 文铭. 中国科学技术大学, 2019(02)
- [9]面向感知增强的流场可视化与沉浸式模拟技术研究[D]. 王松. 中国工程物理研究院, 2019(01)
- [10]多通道可重构箔条干扰实时模拟技术研究[D]. 王克非. 上海交通大学, 2019(06)