一、怎样上装和下载文件（论文文献综述）
陈景[1]（2021）在《中小学校服款式设计开发数字化信息平台研究--基于“千恪”校服品牌 ——基于“千恪”校服品牌》文中认为校服的市场容量决定产业的发展规模,预示着行业未来的发展前景。近些年来,随着九年义务教育制度的普及和二胎政策的全面开放,中小学在校学生的数量不断攀升,刺激校服需求进一步扩大,推动校服产业的快速发展。国内不少校服企业开始走市场化品牌化发展道路,实施品牌化发展战略,打造知名校服品牌,提升校服品牌的影响力。“千恪”是安徽省明光市的知名校服品牌,隶属安徽省明光鑫烨文教用品有限公司。该公司作为当地有名的优秀企业和高新技术建设企业,十分重视数字化技术在校服产业中的应用。为了提高企业整体的数字化水平,实现“立足定远,辐射安徽”校服品牌发展目标,该企业在数字化技术方面进行积极探索,致力于将其应用于生产的各个环节,推动生产实践的科技化、特色化发展,提升校服产品设计的效率和质量。基于以上背景,本文构想借助服装数字化技术与数据库技术,对“千恪”校服设计研发流程进行数字化改造,构建校服款式设计信息平台。将AI、CAD、V-Stitcher等数字化技术应用于校服产品设计开发的各个环节,并借助数据库技术和网页技术将各个环节的设计元素资源进行分类存储,实现校服设计资源的快速调用和循环利用,从而提高了校服设计开发的效率。论文内容分为三个部分:（1）通过市场调研的方式收集国内知名校服品牌的成品款式图590例,并按照系列、品类、风格对其进行归类分析。然后借助数理统计的方法对各个系列的样本进行统计分析,总结了中小学校服在廓形、色彩、材质、部件和图案五个设计元素上的特点。根据分析结果对校服设计元素进行二级分类,以此作为“千恪”校服在设计研发过程中的设计元素的分类原则。这些分类指标也可以成为中小学生校服信息平台中数据库结构设计的逻辑依据和数据的检索指标。（2）结合市场调研结果和校服设计开发的流程,对“千恪”校服的设计研发过程进行数字化创新性改造,并构建中小学校服款式设计信息平台。在校服数字化设计流程上,将AI、PS、CAD、Vstitcher等数字化技术应用于款式开发、二维样板制作和三维样衣虚拟环节,研究了“千恪”校服在廓形、材质、色彩、部件和图案元素在设计开发过程的快速组合调用的技术路径。其中重点研究了本地文化元素在图案上的创新性融合设计,以满足校服特色化发展的需求。对得到的校服数字化技术流程和图案数字化设计方法进行了验证,并据此完成各类款式图48款,图案设计72例,仿真样本21例,为后续中小学校服信息平台的各类数据库提供了数据资源的支持。（3）中小学校服款式设计开发信息平台是一款集宣传展示和设计资源存储与调用的综合性平台。根据其相应的设计需求对信息平台的功能模块、数据库模块、数据表结构和系统建模分别进行了设计。整个信息平台的功能结构框架分为两级,一级页面由首页、标准.资讯、成衣校服、定制设计、校服科技五个部分构成,其中首页、标准.资讯和校服科技为静态页面,作为公司宣传使用,具有活动发布、信息更新和标准查询等功能。成衣校服、定制设计均设有二级数据库,存储相应的设计素材,具有数据浏览、数据编辑、数据检索和数据下载的功能。在技术开发上,整个系统基于Win10操作平台,采用B/S（浏览器/服务器）结构、Bootstrap、IDLE、Flask服务器、My SQL数据库等技术进行开发,运用Python语言完成前后台界面的搭建,实现系统整体的运行。本课题对“千恪”校服的设计元素和产品开发流程进行了数字化工程的探索研究,契合了当下服装数字化发展趋势,也符合校服品牌化和市场化的发展潮流。中小学生款式设计开发信息平台的搭建,不仅实现了设计资源的存储和快速调用,提高了校服设计开发的效率,还整合了校服款式开发的各个环节,借助数字化技术实现联动开发,提高了企业的数字化科技水平,大大地增加了企业经济效益。
杨天佑[2]（2020）在《基于深度学习的T恤属性识别关键技术研究》文中研究指明人们审美水平的不断提高与互联网的快速发展促使时尚产业蕴含着巨大的市场潜力,多媒体、模式识别和计算机视觉等领域对时尚服装开展的智能分析研究引起学术界和工业界的广泛关注。其中服装属性与关键点的识别是进行趋势预测和检索等后续智能分析任务的基础问题之一,因此具有重要的研究意义。然而,服装工程知识体系专业性较强,现阶段已有的基于深度学习算法对于该领域的研究存在着单件衣物属性分类简单、准确性有待提高等问题。T恤是人们最常见的服装类型之一,本文以T恤密集属性实例分割与关键点预测为目标,结合T恤设计体系及图像的特点,针对T恤服装属性识别的关键问题,从以下几个方面开展了研究:（1）T恤密集属性数据集创建。结合服装工程专业领域知识,将T恤的属性概括为领型、袖型、下摆、合体度四大维度并且为每个维度设计相对应的分属性。该数据集包含20130张图像,标注信息不仅包含T恤的属性分类信息,还包括每个属性相对应的位置信息,使深度学习模型能够完成实例分割任务。（2）多样化数据预处理。使用四种数据增强的方法进行数据预处理:限制对比度直方图均衡算法,图像锐化算法,图像压印算法,随机光照对比度增强算法。通过以上四种数据增强手段来使模型不易过拟合,同时使模型更具有泛化性。（3）针对特征提取主干网络,提出改进后的深度残差卷积网络T-Net。通过在原始残差卷积网络中引入延迟下采样的操作,使卷积核能够充分提取特征图的特征信息,从而提升模型的检测能力。（4）改进原始检测网络中过滤预测框的算法。将经典非极大值抑制（NMS）算法改进为柔式非极大值抑制（Soft-NMS）算法,从而加强对相互重叠小目标的检测性能。
李家辉[3]（2020）在《某型清扫车路面垃圾识别及上装系统节能策略研究》文中研究说明随着环境以及能源问题的日益尖锐,电动汽车成为了目前汽车行业的热门关注对象,乘用车及商用车企业均全面开展电动化布局,其中需求量日益增加的道路清扫车也紧随行业的发展,积极响应“节能减排”的号召,目前正处于从传统的燃油式清扫车向电动清扫车过渡的阶段,然而单纯地实现清扫车电动化并非节能的最终方案,道路清扫车在降低能量损耗方面仍有很大的潜力[1]。目前市面上的电动清扫车,普遍存在智能化程度较低的问题,在实际的清扫作业过程中,路面上的垃圾情况以及路况是实时变化的,但上装系统的作业执行机构无法根据这些信息来自动调节清扫系统的作业强度,从而导致无谓的能量损耗,而当前的目标检测技术日益成熟,逐步应用在各个领域,因此道路清扫车的智能化以及节能问题成为了当下的研究热点。为了提高清扫车的智能化程度,并最终实现节能的目的,本论文以某型电动道路清扫车为研究对象,首先基于视觉感知的目标检测技术,以垃圾物的种类以及垃圾物覆盖率为作业特征识别对象,开发出道路作业特征识别算法,从而实现道路清扫车获得路面垃圾情况的功能,并以此作为输入量,提出基于模糊控制的上装系统节能控制策略,实现上装作业电机根据垃圾情况以及路况实时控制上装执行机构的清扫强度,进而达到节能的效果,最终设计了仿真以及实车试验进行了验证与评价。本文的主要研究工作及内容总结如下:1、路面垃圾物种类识别。首先从理论入手对各类目标检测算法进行研究及分析,通过对比选用基于深度学习及卷积神经网络的Faster R-CNN算法对垃圾物种类进行识别。制定路面垃圾样本库建立规范,此外利用棋盘格标定的方法修正相机畸变,拍摄样本图片并进行标注处理,完成垃圾物样本库的建立,并利用该样本库对垃圾识别模型进行训练,最终获得理想的垃圾物种类识别准确率[2]。2、路面垃圾物覆盖率检测。若要识别垃圾物的覆盖率,则要针对垃圾物的轮廓进行检测。首先利用高斯模糊对图像进行去噪处理,接着通过灰度化将彩色图片处理成灰度图片,此外利用Sobel算子对处理完成的灰度图片进行图像边缘检测,以区分图像前景与背景,Sobel算子生成灰度图像后,对图像中的每一个像素分别进行阈值处理,生成二值化图像,接下来对该图像进行先膨胀后腐蚀的闭运算,从而获得准确的垃圾物边缘轮廓。最后利用检测出的垃圾物的像素点计算得到垃圾物的覆盖率。3、基于模糊控制的上装系统作业电机节能策略研究。首先从理论层面分析模糊控制应用于作业电机转矩控制的可行性。接着对上装作业电机模糊控制器的结构、输入量输出量的模糊集以及隶属度函数进行了深入研究,并制定了节能策略的模糊控制规则,最终利用Matlab的模糊逻辑工具箱建立清扫车上装作业电机的模糊控制器,用于后续的仿真实验。4、建模仿真及实车试验进行验证与评价。利用Matlab/Simulink搭建清扫车上装作业电机及其模糊控制系统的仿真模型,并建立道路清扫车的运行工况,基于该工况对应用智能化控制的上装作业电机的清扫功率进行仿真,并搭建实车平台,通过试验对节能控制策略的有效性进行验证。本文的仿真及实车试验结果表明,所使用的算法对路面垃圾物种类及覆盖率可以获得较好的识别效果。基于模糊控制的节能策略在保证清扫洁净度的前提下,可以有效减少上装系统作业电机的能量损耗,研究成果在清扫车上装系统智能化控制以及节能效果提升等方面具有重要意义。
唐志诚[4]（2020）在《基于视觉感知的清扫车典型作业工况建立及模型表征》文中进行了进一步梳理近年来,人民生活水平不断提高的同时,各类生活垃圾产生的数量也不断上升,其中的一部分因为种种原因散落在城市道路,影响环境与卫生,导致了国内路面清扫车需求的上升,而传统清扫车存在能源利用率低,污染严重等环境能源问题,这与全球日益严峻的污染物排放与能源短缺问题产生了矛盾。同时部分清扫车司机在道路作业时,由于清洁度需求与部分驾驶员操作影响,存在很多选用过高档位作业的情况,造成了能源的浪费。本文依托于2018年国家重点研发计划新能源汽车重点专项——“N2/N3类纯电动商用车动力平台关键技术研究及整车应用”中的子课题3——“整车智能化控制及性能提升技术”,为通过智能感知技术作业的纯电动智能清扫车进行清扫车典型工况与工况的场景模型表征相关研究。可以为智能识别算法,上装系统机构优化关联的节能率的体现提供客观有代表性的评价依据。本文自2018年8月至2019年8月,选取地理位置位居中国中部,四季分明,路面作业覆盖各种气候的北京市为采集对象,通过选取28辆出车率最高的路面清扫车,共采集了29090628条上装系统功率。之后结合清扫车上装系统功率变化与分布特点,将采集数据转化为4个标准值:0kW（停止）、28kW（低档）、39kW（中档）、54kW（强档）。之后通过与行驶工况类似的短行程定义,特征参数计算,主成分分析降维,k均值聚类算法对预处理后的数据进行分析,得到4类作业短行程,计算所有短行程与其所在类的特征参数向量距离,挑选出4条最符合类别特征的作业短行程,依据各类短行程的占比,进行缩放后组成了1800s的清扫车典型作业工况。其中低档占比79.67%,为主要档位,中档占比17.67%强档占比0.16%,与采集的整体数据对比后,偏差值较为理想,可以在一定程度上体现我国清扫车路面作业时上装系统的典型工况。在进行建立工况研究的同时,本文还在第三章中同步进行了功率匹配试验的工作,通过搭建1008种垃圾分布场景,使用项目智能清扫车辆实时感知场景信息,人工选择合适档位作业,将智能感知的作业场景与人工选择的档位记录为试验数据,构建用于训练功率匹配模型的数据集,并于第五章中使用了构建的数据集训练3层神经网络与学习向量量化算法模型,经优化比对后,选取后者训练得到的原型向量用作功率匹配模型,实现了由感知层到档位判断的决策依据。之后以功率匹配模型为基础,通过随机生成场景,将场景输入模型判断档位的方式,结合第四章构建的典型工况曲线相关信息,清扫车作业速度等因素,提出了一种将典型工况转化为若干对应场景组合的典型作业工况模型表征方法,进行了节能率测试验证,为评价节能率,感知系统识别率等智能清扫车指标体现提供了可靠的测试场景搭建依据。
殷学涛,庄志伟,李洪艳,庞浩然,吕昌盛[5]（2019）在《青海探区震源无桩号施工中测量技术解决方案研讨》文中进行了进一步梳理本文主要围绕震源无桩号施工中存在的测量技术问题展开论述。一是针对星站差分ITRF2008框架与青海探区使用成果不一致的问题,利用卫星定位数据处理系统GeoSNAP Base Control,通过GPS控制点换算,求取ITRF2008→BJ54的转换三参数,从而满足利用星站差分所需的转换参数,为无桩号震源施工提供了一套完整的解决方案;二是对COG成果的可靠性进行验证与分析,解析了COG成果文件与测量归档资料之间的差异,并按SY/T 51711《陆上石油物探测量规范》要求,对采集数据的水平精度和垂直精度进行统计分析,根据《地震勘探测量规范》（Q/SY BGP K1208-2019）对地震队的震源组、解释组、测量组分工与合作提出了具体建议。本文提出的措施与方法,为震源无桩号施工在青海探区的推广应用提供了详实的数据支撑。
田嘉欣[6]（2019）在《基于深度学习的女装搭配研究》文中认为为了弥合传统服装行业与新兴科学技术之间的差距,令普通消费者、服装行业专家以及机器智能三者之间能够规范高效地进行沟通,让消费者享受到更加便捷精准的网购服务,使服装电子商务迎来更加广阔的发展空间,本文结合深度学习知识与女装搭配技巧,研究了女装图像的属性特征识别与分类,最终基于温度与场合规则为人们的穿衣搭配提供建议。女装属性是一个复杂的知识体系,本文由浅入深,首先分别使用自设计的简易CNN网络和经典的VGG16模型对女装图像的宏观属性类目进行多类分类,识别了女装类目中的吊带/背心、衬衫、西服、裤子、裙子和连身装,两模型均取得了较好的识别效果。其中VGG16模型的识别效果略优于简易CNN网络,但模型复杂度显着增加。其次采用联合训练的方式,基于inception-v4模型和inception-resnet-v2模型研究了女装属性的多任务分类问题,识别了女装图像关于部位长度和领部设计等细节特征,基于深度学习用机器的语言更加全面地描述了女装图像。其中Inception-v4模型在训练和预测过程中均取得了较好的成绩,且部位长度的准确率优于领部设计的准确率。本文在服装领域专家指导下梳理了一套女装属性基于温度与场合的映射规则,结合机器识别的属性标签与人工添加的材质、廓形等标签,利用多层感知器模型完成了女装属性适配温度与场合的多标签分类问题。最终通过交互界面挑选展示了基于温度与场合的搭配推荐,搭配结果满足温度与场合的基本需求,且达到了美观时尚的效果,实现了时尚领域中人与机器的有效沟通。
尹光灿[7]（2020）在《基于卷积神经网络的服装风格识别与推荐研究》文中提出近年来,电商平台发展迅猛,越来越多的用户选择线上购物。线上购物在一定程度上便利了人们的生活,但由于电商平台的产品琳琅满目,特别是服装类产品又具有个性化强且发展迅速的特点,这就使得海量信息出现在消费者面前,导致信息超载的现象。虽然购物平台为消费者提供搜索功能,但查询出来的结果数量往往还是十分巨大。消费者逐个挑选服装无疑浪费了大量的时间精力,最后还可能没有选到满意的商品。除此之外,服装风格是个较为模糊的概念,由于生活环境、教育水平等因素的差异,不同的人对服装风格有不同的理解,导致风格定位存在偏差。目前服装风格并没有一个准确的定义和度量方法。针对这一现状,本课题提出一种基于卷积神经网络的服装风格识别与推荐系统,以女装为例,在风格识别的基础上进行风格推荐,并搭建了一个女装风格推荐系统,结合用户的基本信息及个人偏好等给用户一个满意的服装风格款式推荐。首先,通过文献调研及市场调查确定目前市场上主流的八种服装风格,分别是:经典风格、优雅风格、轻快风格、休闲风格、运动风格、中性风格、前卫风格、民族风格。并通过专家访谈对八种风格进行分析整理,得到八种风格的风格特征。其次,在淘宝、天猫、京东等电商平台收集了 8877张服装风格样本图,并邀请服装领域相关专家对样本图片进行筛选,留下4410张最具代表性的风格样本图,创建了一个包括经典风格连衣裙、经典风格西装、经典风格衬衫、经典风格大衣、经典风格风衣、经典风格半身裙、优雅风格连衣裙、优雅风格大衣、优雅风格半身裙、休闲风格连衣裙、休闲风格大衣、休闲风格风衣、休闲风格卫衣、休闲风格外套、休闲风格半身裙、休闲风格T恤、休闲风格毛衣、休闲风格Polo衫、民族风格连衣裙、民族风格大衣、民族风格外套、民族风格衬衫、民族风格上衣、民族风格半身裙、前卫风格大衣、前卫风格西装、前卫风格衬衫、前卫风格风衣、前卫风格连衣裙、前卫风格T恤、运动风格连衣裙、运动风格外套、运动风格半身裙、轻快风格连衣裙、轻快风格衬衫、轻快风格上衣、轻快风格大衣、轻快风格外套、轻快风格半身裙、中性风格西装、中性风格大衣、中性风格夹克等42类服装风格样本库。第三,构建Alex Net卷积神经网络模型,通过反向传播算法进行权值参数调整,并修改网络模型中的超参数文件,得到适用于服装风格识别分类的网络模型。该网络模型结构包括5个卷积层、3个降采样层、3个全连接层和1个Softmax层,通过相互交替的卷积和降采样操作提取服装风格特征。第四,利用数据加强、灰度化和边缘检测等技术对样本图片进行预处理,利用调整后的网络模型对预处理过的风格样本进行风格识别分类训练,识别分类准确率为97.45%。第五,将识别分类好的服装风格样本图片导入服装风格推荐系统作为系统的服装风格商品模型,并将服装风格商品模型作为用户风格偏好模型的一部分,再通过使用决策树算法结合用户的风格偏好进行初始推荐。为了能及时的动态捕捉用户的兴趣变化,使用基于兴趣度的推荐算法进行动态推荐。最后,使用Java语言和MySQL数据库等技术搭建服装风格推荐系统,并对服装风格推荐系统进行实用性验证,主要采用数理统计的方法,寻找50位年龄在18-45岁之间的受试者登录系统进行验证,统计受试者对推荐结果的满意度。结果表明,绝大部分受试者对推荐结果表示满意,受试者的平均满意度为86.25%。综上本课题针对服装风格的识别分类研究,通过微调Alex Net卷积神经网络超参数文件,得到适用于服装风格识别分类的方法。再结合Java语言和MySQL数据库技术构建服装风格推荐系统,使用决策树算法和兴趣度算法实现对用户的风格款式推荐。
谢作如,金从军,张晴[8]（2019）在《掌控板结合APP Inventor2玩转物联网》文中研究指明涉及学科:信息技术、物理通俗地讲,物联网（Internet ofThings）就是"物物相连的因特网",其目标是让万物沟通对话。比如在电视机上装传感器,可以用手机通过网络控制电视的使用;在空调、电灯上装传感器,计算机可以精确调控、开关,实现有效节能;在窗户上装传感器,你就可以坐在办公室里通过计算机打开家里的窗户透气;等等。物联网是创客空间中学生最喜欢挑战的新技术之一,如用
张泊宁[9]（2019）在《基于机器视觉的轮履复合移动平台目标识别与跟踪系统研究》文中研究表明本文以一款轮履复合移动平台为研究对象,开展其上装云台的人物目标识别与跟踪系统的研究设计。通过在平台上二轴云台固定的摄像头获取图像信息,经由目标识别算法处理后,识别出人物目标,并提取目标位置信息,反馈给二轴云台控制系统,控制云台跟随目标运动。（1）本文首先调研了外无人平台、目标识别算法以及云台控制的研究现状及发展趋势,分析了无人平台跟踪人物目标的研究重点。（2）在已有的轮履平台基础上,根据目标跟踪的需求,建立了轮履复合移动平台底盘的运动学模型。并对上装二轴云台做出了电机选型、控制电路等硬件上的设计。（3）选取人物作为识别跟踪的目标,分析了人物目标的图像特征。运用HOG与SVM结合的方式实现人物目标识别,并运用HOG特征改进了Camshift跟踪算法,提升其对人物目标的跟踪效果;根据人物目标的特殊性,通过选取特定锚点框数目的方式改进了YOLO2算法,提高了人物目标识别性能。通过将武器目标加入识别目标来分辨人物目标性质。并将程序移植到Jetson TX2嵌入式平台的Ubuntu系统下运行。（4）根据云台目标跟踪的控制需求,设计了基于STM32控制核心的PID控制算法。根据云台装载的MPU6050反馈的云台速度信息、云台电机反馈的电机机械角信息,结合电机内部的电流反馈,实现速度、位置、电流三环闭环PID控制,提高了二轴云台控制的稳定性。（5）设计实验对云台系统进行了测试。对云台的初始化过程,以及云台运动过程中速度角度等参数进行了测量,通过绘制变化曲线的方式分析测试结果;设计了针对持有武器的军事人物目标的云台跟踪实验,测试了云台的目标跟随性能。
王国新[10]（2018）在《某型综合扫雷车液压系统虚拟维修训练系统设计与实现》文中指出某型综合扫雷车在战争中对部队的机动起着重要的作用,其液压系统结构复杂、维修技术要求高,且液压元件价格高昂使得该装备的战斗力长期得不到提升。针对装备维修训练中存在的问题,本文开发了虚拟维修训练系统实现了对常见故障的全覆盖,资源可视化与互动化程度高,对装备维修训练水平的提高具有现实而高效的意义,为装备战斗力的提升发挥了积极的作用。本文完成的主要工作有:（1）提出了操作流程与故障树相对应的建模方法,构建了集“流程、数据、步骤、方法”于一体的故障分析模型。按照“装备操作—故障现象—故障原因—排除方法”基本逻辑构建“故障树”,每个故障现象为一个“分支”,按“故障原因分析、修复方法、资源需求”构建分析链路,每个链路集成“图片、文字、视频、动画”等综合信息,形成相应的故障分析模型。（2）基于可编程逻辑控制器（PLC）技术研制了半实物操作终端。半实物操作终端主要由计算机、控制箱及操作面板三大部分组成,计算机主机完成采集信号的数据处理与分析,控制箱用于根据计算机主机的指令采集操作面板手柄和开关的状态信息,经模数转换与逻辑处理后送至计算机。内嵌于计算机的虚拟仿真系统模拟处理输入数据,得出相应控制结果,下传可编程控制器,控制器控制指示灯的点亮与熄灭,完成对操作手柄、开关输入的响应。（3）基于Unity 3D开发了维修训练软件平台。运用串口通信技术,实现软硬件的通信;基于增强现实技术（AR）开发了液压元器件学习终端;基于虚拟现实技术（VR）研制了沉浸式整装结构学习和虚拟拆装实习终端。以场景作为模块划分依据,按照“平台+组件”模式整合系统,实现结构学习、原理演示、拆装训练、维修训练、资料查询和考核等功能。
二、怎样上装和下载文件（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、怎样上装和下载文件（论文提纲范文）
（1）中小学校服款式设计开发数字化信息平台研究--基于“千恪”校服品牌 ——基于“千恪”校服品牌（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容及目标 |
| 1.2.1 研究内容 |
| 1.2.2 研究目标 |
| 1.3 研究方法及技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 研究意义及创新点 |
| 1.4.1 研究意义 |
| 1.4.2 创新点 |
| 1.4.3 研究难点 |
| 2 文献综述 |
| 2.1 校服起源和发展 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 中小学校服产业现状和相关标准 |
| 2.2.1 国外 |
| 2.2.2 国内 |
| 2.3 中小学校服设计开发 |
| 2.3.1 款式设计 |
| 2.3.2 订购系统 |
| 2.4 相关数字化技术 |
| 2.4.1 三维虚拟技术 |
| 2.4.2 数据库技术 |
| 3 中小学校服现状调研 |
| 3.1 中小学校服产品调研及分析 |
| 3.1.1 样本收集与归类分析 |
| 3.1.2 设计元素分析 |
| 3.2 “千恪”校服调研及分析 |
| 3.2.1 问卷调研 |
| 3.2.2 实践调研 |
| 3.2.3 “千恪”校服特色图案设计 |
| 3.3 “千恪”校服款式设计方案 |
| 3.3.1 设计元素属性分类 |
| 3.3.2 校服数字化流程设计 |
| 3.4 本章小结 |
| 4 “千恪”校服设计数字化改造技术方案 |
| 4.1 数字化技术平台概述 |
| 4.1.1 平台概述 |
| 4.1.2 功能特点 |
| 4.2 数字化改造的技术流程说明 |
| 4.2.1 校服款式开发 |
| 4.2.2 校服结构数字化设计 |
| 4.2.3 校服三维虚拟数字化设计 |
| 4.3 校服设计元素的数字化设计 |
| 4.3.1 廓形元素数字化设计 |
| 4.3.2 材质元素数字化设计 |
| 4.3.3 色彩元素数字化设计 |
| 4.3.4 部件元素数字化设计 |
| 4.4 校服图案数字化设计 |
| 4.4.1 图案元素设计 |
| 4.4.2 图案工艺设计 |
| 4.4.3 图案仿真设计 |
| 4.5 本章小结 |
| 5 “千恪”校服款式设计信息平台的搭建 |
| 5.1 信息平台建立目标 |
| 5.1.1 信息平台目标 |
| 5.1.2 信息平台设计原则 |
| 5.1.3 网站定位 |
| 5.2 信息平台整体功能模块设计 |
| 5.2.1 信息平台对象 |
| 5.2.2 信息平台功能需求分析 |
| 5.2.3 信息平台整体框架和概念模型设计 |
| 5.3 信息平台功能模块实现 |
| 5.3.1 信息平台开发工具 |
| 5.3.2 数据库表设计 |
| 5.3.3 前后台功能模块实现 |
| 5.4 信息平台应用实例验证与评价 |
| 5.4.1 信息平台实例验证 |
| 5.4.2 信息平台应用评价 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 中小学校服款式产品样图 |
| 附录2 校服行业相关标准 |
| 附录3 明光中小学生校服款式问卷调查 |
| 附录4 款式设计图 |
| 附录5 部件设计图部分样品 |
| 附录6 图案设计部分样品 |
| 附录7 校服款式仿真图 |
| 附录8 信息平台系统运行部分代码 |
| 致谢 |
（2）基于深度学习的T恤属性识别关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于底层特征的服装图像分析 |
| 1.3.2 基于深度学习的服装图像研究 |
| 1.4 研究的创新点 |
| 1.5 论文的组织结构 |
| 第2章 相关理论综述与技术背景 |
| 2.1 深度学习理论基础 |
| 2.2 卷积神经网络 |
| 2.3 物体检测 |
| 2.3.1 物体检测中的单步模型 |
| 2.3.2 两步模型的发展 |
| 2.3.3 单步与两步模型的性能差异及原因 |
| 2.4 图像分割模型 |
| 2.4.1 图像分割中的编码器-解码器 |
| 2.4.2 图像分割经典模型Deep Lab |
| 2.4.3 图像分割模型Mask R-CNN |
| 2.5 本章小结 |
| 第3章 T恤属性数据集的建立 |
| 3.1 已有服装数据集 |
| 3.2 数据集的建立 |
| 3.2.1 数据集的获取 |
| 3.2.2 数据清洗与过滤 |
| 3.2.3 T恤属性说明 |
| 3.3 数据集的标注 |
| 3.3.1 T恤属性标注规则 |
| 3.3.2 T恤属性数据集的验证 |
| 3.4 本章总结 |
| 第4章 基于Mask R-CNN的 T恤属性识别 |
| 4.1 Mask R-CNN框架流程 |
| 4.2 属性识别实验分析 |
| 4.2.1 实验平台 |
| 4.2.2 数据集 |
| 4.2.3 评测指标 |
| 4.2.4 实验结果与分析 |
| 4.3 基于Mask R-CNN的关键点识别 |
| 4.3.1 关键点分支 |
| 4.3.2 损失函数 |
| 4.4 关键点识别实验分析 |
| 4.4.1 数据集 |
| 4.4.2 评价指标 |
| 4.4.3 实验分析 |
| 4.5 本章总结 |
| 第5章 改进后的T恤检测网络 |
| 5.1 数据集的预处理 |
| 5.2 特征提取层的改进与分析 |
| 5.3 小目标识别的优化改进 |
| 5.3.1 传统NMS分析 |
| 5.3.2 Soft-NMS |
| 5.4 实验与分析 |
| 5.4.1 T恤属性识别分割性能对比 |
| 5.4.2 T恤关键点定位性能对比 |
| 5.5 本章总结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（3）某型清扫车路面垃圾识别及上装系统节能策略研究（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 国内外研究现状 |
| 1.2.1 目标检测技术研究现状 |
| 1.2.2 清扫车节能技术研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 路面垃圾物识别及清扫车上装系统研究基础 |
| 2.1 电动清扫车系统构成 |
| 2.1.1 上装作业系统结构分析 |
| 2.1.2 电动清扫车驱动形式分析 |
| 2.2 上装作业电机相关研究 |
| 2.3 目标检测算法理论基础 |
| 2.3.1 基于传统特征的目标检测算法理论基础 |
| 2.3.2 基于深度学习的目标检测算法理论基础 |
| 2.4 本章小结 |
| 第3章 路面垃圾物识别算法开发 |
| 3.1 构建路面垃圾物样本库 |
| 3.1.1 制定路面垃圾物样本库建立规范 |
| 3.1.2 标定摄像机并拍摄样本库图片 |
| 3.1.3 样本库图片数据增强 |
| 3.1.4 标注处理样本库图片 |
| 3.2 基于Faster R-CNN的路面垃圾物种类识别算法研究 |
| 3.3 训练路面垃圾物种类识别模型 |
| 3.4 基于图像边缘检测的路面垃圾物覆盖率检测算法研究 |
| 3.5 试验平台搭建及路面垃圾物识别效果试验验证 |
| 3.5.1 试验平台搭建 |
| 3.5.2 路面垃圾物识别效果验证 |
| 3.6 本章小结 |
| 第4章 清扫车上装作业系统节能控制策略研究 |
| 4.1 模糊控制算法研究 |
| 4.1.1 模糊集合 |
| 4.1.2 隶属度函数 |
| 4.1.3 模糊逻辑 |
| 4.1.4 模糊规则库 |
| 4.2 基于模糊控制的上装作业电机节能策略的设计 |
| 4.2.1 Matlab模糊逻辑工具箱 |
| 4.2.2 上装执行机构电机模糊控制器的结构 |
| 4.2.3 确定输入量论域模糊集及隶属度函数 |
| 4.2.4 确定输出量论域模糊集及隶属度函数 |
| 4.2.5 制定模糊控制规则 |
| 4.2.6 上装作业电机模糊控制的输出曲面 |
| 4.3 本章小结 |
| 第5章 清扫车上装作业系统仿真分析与实车验证 |
| 5.1 上装作业系统仿真模型的搭建 |
| 5.1.1 上装作业电机模糊控制器仿真模型的搭建 |
| 5.1.2 上装作业电机仿真模型的搭建 |
| 5.1.3 上装作业电机模糊控制系统仿真模型的搭建 |
| 5.2 清扫车运行工况的制定 |
| 5.2.1 清扫车速循环工况图 |
| 5.2.2 路面垃圾等级工况图 |
| 5.3 仿真结果及上装系统节能效果分析 |
| 5.4 实车试验验证 |
| 5.4.1 实车试验平台 |
| 5.4.2 实车试验过程分析 |
| 5.4.3 实车试验结果分析 |
| 5.5 本章小结 |
| 第6章 全文总结与研究展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（4）基于视觉感知的清扫车典型作业工况建立及模型表征（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外汽车工况研究 |
| 1.2.1 国外汽车工况研究 |
| 1.2.2 国内汽车工况研究 |
| 1.3 工况构建方法研究 |
| 1.4 本文研究内容与意义 |
| 第2章 典型工况及模型表征概述 |
| 2.1 典型工况构建概述 |
| 2.1.1 清扫车作业工况定义 |
| 2.1.2 构建方法 |
| 2.1.3 数据采集 |
| 2.2 工况模型表征概述 |
| 2.2.1 实验基础 |
| 2.2.2 技术路线 |
| 2.3 本章小结 |
| 第3章 功率匹配试验 |
| 3.1 试验方案 |
| 3.2 设备选取 |
| 3.3 数据集构建 |
| 3.4 本章小结 |
| 第4章 典型工况建立与分析 |
| 4.1 数据预处理 |
| 4.2 作业短行程定义 |
| 4.3 特征参数定义 |
| 4.4 主成分分析 |
| 4.5 聚类分析 |
| 4.6 构建工况与结果分析 |
| 4.7 本章小结 |
| 第5章 功率匹配与模型表征 |
| 5.1 基于神经网络的功率匹配 |
| 5.1.1 原理结构 |
| 5.1.2 神经网络的实现 |
| 5.1.3 效果优化 |
| 5.2 基于聚类分析的功率匹配 |
| 5.2.1 学习向量量化原理及算法实现 |
| 5.2.2 数据处理 |
| 5.2.3 结果评价 |
| 5.3 模型表征与节能率测试 |
| 5.4 本章小结 |
| 第6章 全文总结与研究展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（5）青海探区震源无桩号施工中测量技术解决方案研讨（论文提纲范文）
| 0 引言 |
| 1 星站差分采用的ITRF框架坐标系统引起的问题 |
| 1.1 选择GBC软件具有ITRF转换功能 |
| 1.2 柴达木盆地ITRF2008与ITRF93坐标差分布情况 |
| 1.3 室内理论结果与现场实测结果对比情况 |
| 1.4 ITRF2008→BJ54转换参数的求取 |
| 1.5 GBC软件的ITRF转换功能的优势 |
| 2 COG成果是否满足测量成果提交条件 |
| 2.1 解读COG成果文件字段信息 |
| 2.2 解读GNSS Result文件字段信息 |
| 2.3 GNSS Result成果质量可靠性分析 |
| 2.4 震源导航的测量采集工作原理 |
| 3 震源导航执行的测量技术标准 |
| 4 震源导航的测量主要工作方案 |
| 4.1 施工前的测量基础资料准备工作 |
| 4.2 震源导航测量主要工作方法 |
| (1)震源导航的测量工艺流程 |
| (2)震源导航数据的上装 |
| (3)震源导航生产 |
| (4)数据下载 |
| (5)COG和GNSS Result文件质量控制 |
| (6)常规RTK补测 |
| (7)资料整理 |
| 5 震源导航生产的几点建议 |
| 6 结束语 |
（6）基于深度学习的女装搭配研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于深度学习的图像处理技术研究 |
| 1.3.2 服装搭配推荐技术研究 |
| 1.4 研究内容及方法 |
| 1.5 研究的创新点 |
| 1.6 论文的组织结构 |
| 第2章 深度学习与卷积网络模型相关知识 |
| 2.1 深度学习 |
| 2.2 神经网络理论基础 |
| 2.2.1 神经元 |
| 2.2.2 卷积神经网络 |
| 2.2.3 其他相关参数 |
| 2.2.4 卷积网络模型 |
| 2.3 环境配置 |
| 2.4 本章小结 |
| 第3章 基于多类分类的女装类目识别 |
| 3.1 类目划分及数据集整理 |
| 3.2 多类分类问题 |
| 3.3 构建网络模型 |
| 3.3.1 简单的CNN分类网络 |
| 3.3.2 基于VGG16模型的女装类目识别 |
| 3.4 本章小结 |
| 第4章 基于多任务学习的女装属性识别 |
| 4.1 数据集介绍 |
| 4.2 基于多任务的女装属性分类器模型设计 |
| 4.2.1 多任务学习 |
| 4.2.2 多任务分类器模型设计 |
| 4.3 网络模型构建 |
| 4.3.1 inception-v4 模型的再现与改进 |
| 4.3.2 inception-v4 模型的预测效果 |
| 4.3.3 inception-resnet-v2 模型的再现与改进 |
| 4.4 本章小结 |
| 第5章 基于温度及场合的女装搭配 |
| 5.1 女装属性对温度的映射 |
| 5.1.1 温度等级的划分 |
| 5.1.2 女装属性适配温度的映射规则 |
| 5.1.3 映射规则数据化 |
| 5.1.4 网络模型构建 |
| 5.2 女装属性对场合的映射 |
| 5.3 依托温度与场合的女装搭配 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 项目展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）基于卷积神经网络的服装风格识别与推荐研究（论文提纲范文）
| 摘要 |
| ABSTRCAT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 服装风格识别分类的研究现状 |
| 1.2.2 服装风格推荐的研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容、意义、创新点及难点 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.3.3 创新点 |
| 1.3.4 重难点 |
| 1.4 研究思路 |
| 1.5 本章小结 |
| 第二章 服装风格量化及样本库构建 |
| 2.1 服装风格分类 |
| 2.2 服装风格特征分析 |
| 2.2.1 款式造型风格特征分析 |
| 2.2.2 色彩风格分析 |
| 2.2.3 面料风格特征分析 |
| 2.3 服装风格的特征表述 |
| 2.4 样本库的构建 |
| 2.4.1 服装分类样本库的构建 |
| 2.4.2 服装风格样本库构建 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的服装风格识别与分类 |
| 3.1 卷积神经网络的概述 |
| 3.1.1 卷积神将网络的结构 |
| 3.2 Alex net卷积神经网络的构建 |
| 3.2.1 Alex net卷积神经网络的优缺点 |
| 3.2.2 Alex net卷积神经网络结构设计 |
| 3.3 Alex net卷积神经网络模型训练 |
| 3.3.1 样本预处理 |
| 3.3.2 Alex net卷积神经网络识别过程 |
| 3.3.3 Alex net卷积神经网络识别结果 |
| 3.4 本章小结 |
| 第四章 服装风格推荐系统的设计与实现 |
| 4.1 推荐系统的概述 |
| 4.1.1 推荐系统的定义 |
| 4.1.2 推荐系统的构成 |
| 4.1.3 推荐算法的研究 |
| 4.1.4 几类常用推荐算法的优缺点 |
| 4.2 服装风格推荐模型的设计 |
| 4.2.1 用户风格偏好模型的构建 |
| 4.2.2 服装风格推荐算法 |
| 4.3 服装风格推荐系统的设计 |
| 4.3.1 需求分析 |
| 4.3.2 系统的功能设计 |
| 4.4 服装风格推荐系统的实现 |
| 4.4.1 系统登录界面 |
| 4.4.2 用户服装风格推荐界面 |
| 4.5 反馈机制 |
| 4.6 本章小结 |
| 第五章 服装风格推荐系统的验证 |
| 5.1 实验方案 |
| 5.1.1 实验方法与过程 |
| 5.1.2 推荐样本量确定 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间的研究成果 |
| 致谢 |
（8）掌控板结合APP Inventor2玩转物联网（论文提纲范文）
| ●技术分析 |
| ●功能测试 |
| ●应用拓展 |
（9）基于机器视觉的轮履复合移动平台目标识别与跟踪系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的前景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人平台研究现状 |
| 1.2.2 目标识别算法研究现状 |
| 1.2.3 云台控制研究现状 |
| 1.3 本文研究重点 |
| 1.4 全文内容安排 |
| 2 轮履复合移动平台总体方案分析 |
| 2.1 平台机械结构 |
| 2.2 平台总体控制系统 |
| 2.3 轮履复合平台底盘运动学模型 |
| 2.3.1 履带驱动时的运动学模型 |
| 2.3.2 轮式驱动时的运动学模型 |
| 2.4 目标识别与跟踪方案分析 |
| 2.4.1 云台结构分析 |
| 2.4.2 云台控制系统硬件需求分析 |
| 2.4.3 云台伺服电机性能需求分析 |
| 2.4.4 机器视觉运算需求分析 |
| 2.5 本章小结 |
| 3 人物目标识别与跟踪算法 |
| 3.1 运用HOG特征的目标识别与跟踪算法 |
| 3.1.1 HOG特征 |
| 3.1.2 SVM分类器 |
| 3.1.3 算法实现 |
| 3.1.4 改进的HOG+Cam Shift跟踪算法 |
| 3.2 YOLO2 目标检测 |
| 3.2.1 YOLO2 算法介绍 |
| 3.2.2 运用K-means维度聚类分析的YOLO2 改进算法 |
| 3.2.3 算法实现 |
| 3.3 视觉算法的Ubuntu移植 |
| 3.4 视觉算法在目标跟踪系统中的实现方式 |
| 3.5 本章小结 |
| 4 云台跟踪控制系统实现 |
| 4.1 云台电机PID控制 |
| 4.1.1 适合云台电机控制的PID改进算法 |
| 4.1.2 控制电路与伺服电机的CAN通信 |
| 4.2 车载主控板与云台控制电路的串口通信协议设计 |
| 4.3 云台目标跟踪的实现 |
| 4.4 本章小结 |
| 5 云台及其跟踪系统测试 |
| 5.1 云台伺服控制测试 |
| 5.2 目标跟随测试实验 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）某型综合扫雷车液压系统虚拟维修训练系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状与发展趋势 |
| 1.3.1 装备故障诊断 |
| 1.3.2 装备维修的现状与发展趋势 |
| 1.3.3 装备维修训练的发展现状与趋势 |
| 1.3.4 虚拟维修训练 |
| 1.4 研究内容 |
| 第二章 软件介绍与故障分类及检修 |
| 2.1 软件介绍 |
| 2.1.1 Unity3D |
| 2.1.2 3DS Max |
| 2.1.3 可编程逻辑控制器 |
| 2.2 故障分类与检修 |
| 2.2.1 液压系统原理分析 |
| 2.2.2 故障分类的原则 |
| 2.2.3 扫雷车的常见故障分析与检修 |
| 第三章 虚拟维修训练平台设计与实现 |
| 3.1 软件功能模块设计 |
| 3.1.1 主菜单场景 |
| 3.1.2 装备概述场景 |
| 3.1.3 结构组成场景 |
| 3.1.4 液压回路场景 |
| 3.1.5 整体拆装场景 |
| 3.1.6 查阅资料场景 |
| 3.1.7 维修训练场景 |
| 3.1.8 考核系统场景 |
| 3.1.9 作业模拟场景 |
| 3.1.10 部件维修场景 |
| 3.2 软件操作流程设计 |
| 3.2.1 训练流程设计 |
| 3.2.2 考核流程设计 |
| 3.3 虚拟维修训练数据开发 |
| 3.3.1 三维模型数据 |
| 3.3.2 三维液压回路数据 |
| 3.3.3 二维液压回路数据 |
| 3.3.4 故障诊断模型数据 |
| 3.3.5 3D book数据 |
| 3.4 软件功能技术实现 |
| 3.4.1 windows触摸屏技术实现 |
| 3.4.2 打开并操作外部程序技术实现 |
| 3.4.3 串口通信技术实现 |
| 3.4.4 摄像机动画技术实现 |
| 3.4.5 高光显示效果实现 |
| 第四章 半实物仿真训练操作终端设计与实现 |
| 4.1 上装操作控制器设计与实现 |
| 4.1.1 控制箱设计 |
| 4.1.2 控制面板设计 |
| 4.1.3 控制开关设计 |
| 4.1.4 主操纵盒控制软件 |
| 4.1.5 操作显示控制软件 |
| 4.1.6 通信协议设计与实现 |
| 4.2 升降模拟训练台设计与实现 |
| 第五章 沉浸/增强式操作终端设计与实现 |
| 5.1 部件拆装学习终端 |
| 5.1.1 部件拆装实习终端构成 |
| 5.1.2 虚拟手位姿控制模型 |
| 5.2 液压系统学习终端 |
| 5.2.1 基于AR技术的液压系统工作流程 |
| 5.2.2 基于AR技术的液压系统实现 |
| 第六章 总结和建议 |
| 6.1 总结 |
| 6.2 建议 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 附录5 |
| 附录6 |
| 附录7 |
| 附录8 |
| 附录9 |
| 附录10 |
四、怎样上装和下载文件（论文参考文献）
- [1]中小学校服款式设计开发数字化信息平台研究--基于“千恪”校服品牌 ——基于“千恪”校服品牌[D]. 陈景. 东华大学, 2021(09)
- [2]基于深度学习的T恤属性识别关键技术研究[D]. 杨天佑. 北京服装学院, 2020(12)
- [3]某型清扫车路面垃圾识别及上装系统节能策略研究[D]. 李家辉. 吉林大学, 2020(08)
- [4]基于视觉感知的清扫车典型作业工况建立及模型表征[D]. 唐志诚. 吉林大学, 2020(08)
- [5]青海探区震源无桩号施工中测量技术解决方案研讨[J]. 殷学涛,庄志伟,李洪艳,庞浩然,吕昌盛. 物探装备, 2019(06)
- [6]基于深度学习的女装搭配研究[D]. 田嘉欣. 北京服装学院, 2019(02)
- [7]基于卷积神经网络的服装风格识别与推荐研究[D]. 尹光灿. 浙江理工大学, 2020(02)
- [8]掌控板结合APP Inventor2玩转物联网[J]. 谢作如,金从军,张晴. 中国信息技术教育, 2019(01)
- [9]基于机器视觉的轮履复合移动平台目标识别与跟踪系统研究[D]. 张泊宁. 南京理工大学, 2019(01)
- [10]某型综合扫雷车液压系统虚拟维修训练系统设计与实现[D]. 王国新. 国防科技大学, 2018(02)