一、正确使用解码器中“执行元件诊断”功能（论文文献综述）
侯代兵[1]（2021）在《基于深度学习医学图像报告生成算法研究》文中提出医学影像（例如X射线）是医生对患者进行疾病筛查和诊断的重要依据,医生基于自身的经验阅读图像并撰写医学报告。医学报告反映了医生对影像的分析和解读过程,全面而细致的描述所见区域内重要器官和组织的形态等特征（特别是异常点）,对罹患的疾病类型和严重程度进行判断,为下一步检查和治疗指明了方向。医学报告的撰写是一项高度专业化的任务,必须由经验丰富的医生来完成,由于此类医生的匮乏（特别是地方医院）和就诊者数量的增多,一个医生会面对巨大的影像阅读和报告撰写的工作量,势必造成工作效率低下和工作质量下降。为了解决这些问题,研究者提出医学图像报告自动生成（Automatic Generation of Medical Imaging Rreport,AGMIR）技术,利用计算机自动分析图像并生成诊断报告。近年来,随着计算机计算能力的大幅提升和深度学习发展,AGMIR的研究取得很大的进展,涌现出很多先进的模型,然而现有模型普遍存在以下问题:（1）模型结构上“乏善可陈”,往往照搬计算机视觉领域的成熟模型,缺乏对医学报告生成有针对性的工作;（2）模型生成的诊断的准确性较低,模型对异常点的感知能力不足;（3）现有模型往往只能生成诊断描述（Findings）,报告缺乏完整性。为了解决现有模型的不足,本文吸取深度学习的最新研究成果,针对AMIRG提出了一个新颖的、系统性的解决方案。该算法框架分为三个组成部分:疾病诊断模型（DDM）、诊断描述生成模型（FGM）和诊断结论生成模型（IGM）。DDM基于图卷积网络（GCN）构建,并融合视觉特征与语义特征,实现多标签疾病诊断。FGM用于生成诊断描述（Findings）,其采用两级注意力机制和解码器架构,以DDM作为上游模型,融入DDM图特征和疾病预测信息,以强化学习策略优化模型,兼顾诊断精度和文本流畅性。IGM用于从诊断描述总结生成诊断结论（Impression）。预测的疾病类型及其概率、生成的诊断描述和结论共同构成最终的诊断结果。为了全面检验所提出的算法模型的性能,本文选择多种评价指标,在两个常用的医学图像报告数据集（IUX-Ray和MIMIC-CXR）上对模型的各个环节进行实验,并与其它先进的模型进行对比。实验结果表明:（1）DDM模型能有效的建模疾病标签之间的内在关联性,多标签疾病分类的准确性有较大的提高;（2）FGM的特征融合手段对文本生成指标和诊断准确率有较大的提升,结合强化学习策略后,指标提高更为显着;（3）IGM能有效的对上游模型FGM生成的诊断描述进行总结,确保了报告的完整性。
高天宇[2]（2021）在《面向移动终端的摩尔纹去除系统的设计与实现》文中研究指明近几十年来,随着计算机和电子科学技术的飞速发展,涌现了许多先进的电子产品,例如智能手机,数码相机等。这些设备提供了快速记录信息的机会,已经逐渐成为人们日常生活中必不可少的组成部分。但是,当使用数码相机拍摄数字屏幕时,照片中会出现令人反感的摩尔纹。摩尔纹的存在严重损害了图像的质量,并且还会影响到后续的分析和处理。摩尔纹去除是图像恢复任务的一种,旨在最大程度的恢复被摩尔纹污染的屏摄照片。由于摩尔纹广泛分布在图像的各个频带,传统的基于滤波的方法并不能完全解决摩尔纹去除的问题。在基于深度学习的算法方面,已有的工作大多采用多尺度框架来应对摩尔纹的这种复杂物理特性。但是,不同尺度的特征映射之间的关系被严重忽略了,语义信息的缺少,往往会导致模型性能的下降。鉴于此,本文提出了一种基于深度学习的多尺度特征增强摩尔纹去除网络,并基于该网络从模型优化和模型部署框架两个方面重点研究了深度学习模型落地于实际应用的问题。主要贡献如下:（1）提出了一种新颖的多尺度特征增强网络MSFE。利用多尺度的结构从多个分辨率上提取与摩尔纹无关的上下文。此外,本文设计了一个特征增强分支FEB,将高级特征和低级特征相结合,以对多个尺度的相关性进行建模。通过这种方式,可以在每个尺度上学习到具有更丰富语义信息的特征。因此,不同频带上的摩尔纹可以被正确的去除。在大型摩尔纹数据集上的实验结果表明,该算法在摩尔纹去除效果上优于最新的技术。（2）围绕提出的多尺度特征增强网络研发了一个可工作于移动终端设备的摩尔纹去除APP。具体而言,一方面,本文在模型压缩加速算法上进行研究探索,设计了一个适合MSFE且加速性能良好的模型优化方案;另一方面,研发设计了一个基于Android平台的拍照框架,将优化后的模型通过Tensor Flow Lite提供的API部署到该框架中,即可实现用户点击拍照,并实时调用模型进行摩尔纹去除的功能。最终的模型压缩加速实验和APP测试评估结果表明,本文研发设计的摩尔纹去除APP可以在拍照后经过秒级以内的处理,完全去除屏摄照片中的摩尔纹。
裴航[3]（2021）在《基于申威421处理器的视频解码SIMD优化技术研究》文中研究指明随着互联网的高速发展以及第五代移动通信技术的到来,各个领域对多媒体品质的要求日益提高,视频作为多媒体的关键载体其高清质量的高效压缩逐渐成为研究热点。H.264视频编解码标准作为发展比较成熟的编解码格式,一直应用于人们生活的各个场景。但H.264视频编解码标准在拥有更高编解码质量的同时,带来的是编解码复杂度的增加,导致视频解码性能降低,影响用户的多媒体视觉体验。为满足国产申威平台用户的多媒体需求,推进申威处理器生态软件的发展,对H.264解码器的移植与优化有着很重要的意义。申威421是国产第三代多核处理器,其搭载的SIMD指令集体系非常适合多媒体程序的并行优化。本研究首先对H.264解码器的开源程序FFmpeg进行移植,H.264解码器在申威平台移植后遇到解码效率低,视频播放不流畅等问题。为提升视频解码性能,对FFmpeg开源编解码库中H.264解码器进行了详细分析,使用性能分析工具找到视频解码的瓶颈函数。然后充分利用申威处理器的SIMD扩展部件,对解码器帧间运动补偿、去块滤波、反变换等关键模块代码进行向量指令替换来缩短指令周期,实现关键模块算法的SIMD并行计算,从而提升多媒体程序运行速度。实验平台基于申威421处理器及搭载Debian的Linux桌面操作系统deepin15.5。实验结果表明,在保证没有损失视频品质的情况下,模块化效果测试中帧间运动补偿模块的性能提升最为明显。对于解码器的整体优化效果,优化后的视频解码性能最高提升了35.3%,对于高分辨率的视频序列播放更为流畅。在一定程度上表明了申威SIMD技术对于多媒体应用的性能提升是有效的,解决了视频播放不流畅问题,有效的推动了申威处理器市场化发展。
王欢[4]（2021）在《基于注意力机制的医学图像自动分割算法研究》文中研究指明医学影像是一种非常重要的信息载体,其可以很好的帮助临床医师了解患者病情,辅助医师规划治疗方案。医学图像分割技术同样在临床应用中有着至关重要的作用,例如病灶大小测量、器官和病灶定位、病灶形状、放疗规划、辅助手术和解剖结构研究等。目前基于传统图像处理和深度学习的图像分割技术被广泛的应用于医疗图像的自动分割。然而,精确的医疗图像分割仍然存在以下挑战。首先患者的组织和病灶结构呈现高度的多样性和变异性;医疗影像的成像模式和参数众多,不同的成像模式将会获得多种差异巨大的医疗影像;医疗影像成像质量不一,存在多种伪影和噪声的干扰从而导致图像模糊等问题。因此,针对上述所提到的问题,研究相应的解决方案,开发准确有效的自动医学图像分割算法具有重要的研究和应用价值,这也是本文的研究课题。本文以医学图像为研究对象,对大脑肿瘤分割、皮肤病变分割、三维椎体分割、风险器官分割和细胞核分割等任务开展研究,以构建具有可解释性和特征学习能力强的注意力方法为研究主线,提出了三种不同的基于深度学习的医疗图像分割算法。本文的主要研究成果如下:（1）为了构建更有效的高低级特征融合机制、增强高低级特征的编码质量和语义一致性,本文提出了一种基于级联高低级特征增强的图像分割算法。与此同时,低级特征增强模块被提出,其被用来将高级语义信息嵌入到低级特征中;高级特征增强模块被提出,其被用来聚合最优的高低级混合特征并将更有效的空间信息嵌入高层特征中。此外通过可视化分析,探索了深度学习背后的特征学习机制,为深度学习在医学图像处理领域的可解释性分析做出了努力。（2）为了利用网络空间注意力模块之间的空间相似性,构建统一联合的注意力优化体系结构,本文提出了一种基于跨层注意力融合的图像分割算法。该方法以跨层注意力融合架构为主体,其依次融合相邻的注意力模块的空间注意力权重图,从而使网络中的所有注意力模块构成一个整体,共同学习共同优化。此外,一个全新的Top-K指数对数Dice损失函数被提出,其被用来平衡网络对不同大小样本和不同难易样本之间的分割。（3）为了简化网络架构的参数选择和优化注意力模块的体系结构,本文提出了一种基于神经网络架构搜索的深度注意力的图像分割算法。该方法以网络架构搜索为基础,探讨了最优注意力模块的构建。与此同时,一种新的同步搜索策略被提出,其被用来同步搜索网络中的所有注意力架构,为网络不同位置提供针对性的优化。本文在多种具有不同成像参数和成像模式的医疗数据集上对以上方法进行了大量的实验分析,有力的证明了其在图像分割任务上的良好适用性,更进一步的可视化分析为注意力机制的原理和可解释性给出了深入的讨论。最后,总结了方法存在的问题和未来工作。
孙煜成[5]（2021）在《特发性肺纤维化视觉信息建模及病变检测方法》文中研究表明特发性肺纤维化（idiopathic pulmonary fibrosis,IPF）作为间质性肺部疾病（interstitial lung diseases,ILDs）的一种表现,具有初期隐匿性,中后期致死率高的特点。遗憾的是,目前IPF并无有效的治疗方案,因此早检查、早诊断、早治疗可以有效提高IPF患者的生存率。但是,人工诊断方式需要繁琐的步骤和丰富的临床经验,这要求医生具有丰沛的精力和优秀的专业技能。考虑到学术界对IPF自动检测方面的研究较少,并且在肺部CT影像中IPF病变区域与其他肺部组织具有显着不同的视觉特征,因此本文针对该疾病进行自动检测算法设计,主要研究内容如下:（1）研究了肺部CT影像视觉检测基础,包括CT成像原理、图像纹理分析、机器学习模型、基于深度学习的语义分割算法和迁移学习方法;（2）提出了基于图像纹理分析的IPF病变视觉信息建模方法。针对IPF病变图像的视觉特征,利用Gabor变换、LBPV特征和主方向HOG特征构建出具有多尺度旋转不变性的IPF视觉特征模型。在ILD-database数据集上,该模型针对常见的间质病肺组织分类准确率均能达到88%以上;（3）提出了基于K均值聚类的IPF病变区域检测方法。首先采用K均值聚类算法粗提取原始肺部CT影像的IPF病变候选区域,接着对粗提取结果进行超像素分割和细化处理得到最终的病变候选区域,最后基于（2）构建的IPF视觉特征模型来检测出真实的病变区域;（4）提出了基于UNet的IPF病变区域检测方法。首先,本文利用VGG11网络作为UNet的编码器,并在UNet解码器部分添加注意力机制模块。然后,通过构建与IPF视觉特征相似的自然纹理图像数据集IPF-texture,并将在此数据集上预训练。最后将预训练权重数据迁移到UNet的编码器上并进行网络微调,极大地提高了网络对于IPF检测的准确率。
海歌[6]（2020）在《基于深度学习的视频描述技术》文中研究说明人工智能日益发展,深度学习应用在视频描述技术中越来越广泛,其主流的模型框架是Encoder-Decoder,即利用卷积神经网络对视频提取视觉特征,然后利用循环神经网络利用视觉特征生成视频描述。大部分在该框架基础上的模型框架都缺乏着对视频的时序特征和空间特征的深度挖掘,而且在语言生成模型中,对视频特征和文本特征的融合方法都很简单,不考虑特征的深度交互。对于语义特征,没有具体的提取和使用方法。在对框架的解码部分的模型训练时,采用的训练方法都是按照传统的方式利用人工标注的单词来引导字幕生成模型逐步生成视频字幕,在选取字幕生成模型每次的输出单词分布值时,也都是按照最大值选取的方法,这些问题对视频字幕的生成具有很大的影响。为了解决上述问题,本论文首先基于S2VT框架设计了一个融合两级注意力机制和紧凑型线性池化层的视频描述框架（CRFAC-S2VT）。在该框架的视频预处理阶段首先利用视觉特征和数据集中的类别特征作为CNN的输入和标签进行对CNN的分类训练,然后利用训练好的CNN提取视频的视觉特征。在框架的编码阶段,本论文设计了一种卷积区域关注机制,它可以在不破坏图片的空间结构的条件下对提取好的2D视觉特征图的相关区域进行关注,从而得到关注后的2D视觉特征,然后将该视频特征和含有时序信息的C3D视频特征相互融合,最后我们利用编码器的模型特性对含有时序和空间信息的混合视频特征进行建模。在框架的解码阶段,本论文设计了一种对视频的关键帧进行关注的注意力机制,将数据集中的文本特和帧级注意力机制关注后的视频特征征输入到紧凑线性池化层进行细粒度融合,将混合特征作为解码器的输入,进而生成和视频相关性高的准确的视频字幕。其次,本论文基于CRFAC-S2VT改进并设计了一个包含语义检测器同时具有输入多模态特征功能的M-LSTM以及字幕结构损失函数的组合框架SFAC-S2VT,对该语义检测器多标签训练,利用其提取视频中的语义特征。采用自主随机训练方法对S2VT的解码器训练,该方法在解码模型生成单词的每个时刻都采用解码模型预测的单词作为下一时刻解码模型的输入,而且对解码模型输出的分布值选择方法采用随机取值方法。而该框架中的字幕结构损失函数可以调节输出的视频字幕的长短。本论文在MSR-VTT和MSVD数据集上测试所提出来的网络框架。结果表明,本论文设计的框架在两个数据集上可以当前先进水平竞争。
马润平[7]（2020）在《基于深度极限学习机的模拟电路故障诊断研究》文中指出随着电子工业的快速发展,电路故障诊断在可靠运行以及良好的工业系统维护中起着非常重要的作用,这可以确保生产更高质量的产品,降低产品报废率并满足日益严格的安全和环境要求。目前,虽然对于数字电路来说,广泛使用的是完全自动化的故障诊断技术,但是对于模拟电路来说,由于故障模型复杂,元件容差和非线性问题,使得故障很难检测和诊断,这造成了电路芯片高成本和集成电路发展的技术瓶颈。因此,在模拟电路中,有效的诊断技术仍然是一个开放的研究课题。近年来,随着深度学习的出现以及智能算法的发展,为模拟电路故障诊断提供了新颖的研究途径。本文以深度学习、GA以及PSO算法为理论基础,非线性电路为被测对象,提出了基于深度极限学习机的模拟电路故障诊断模型,通过分析电路的输出信号,对模拟电路故障诊断进行了研究。主要工作和成果如下:1.针对模拟电路故障诊断中特征提取以及模型训练时间较慢的难题,本文采用了一种基于深度极限学习机（Deep Extreme Learning Machine,简称DELM）的模拟电路故障诊断算法。该算法将自编码器（Auto Encoder,简称AE）的思想引入到极限学习机（Extreme Learning Machine,简称ELM）中,搭建双随机隐层的ELM自编码器（ELM-AE）模型,然后使用原始的ELM作为分类器。ELM-AE是一种尽可能重现输入的神经网络,它可以作为多层学习框架中的特征抽取器,具有特征表示能力,可以实现数据的维度压缩以及稀疏表达。为了进一步增强DELM网络的鲁棒性,采用正则极限学习机（Regularized ELM,简称RELM）代替原始的ELM。将ELM-AE作为训练DELM的基本组成部分,ELM作为诊断器,将底层的故障特征形成更加抽象的高级特征,能自主地学习数据特征,避免了单独对数据进行特征提取和选择的问题,提高了诊断效率。训练DELM首先通过仿真提取出原始故障数据,然后直接作为深度极限学习机的输入,不需要单独的特征提取和选择,就可以快速地对故障进行定位,实现故障诊断。最后以Sallen-Key、四运放高通滤波以及二级四运放双二阶低通滤波器电路为被测对象,分析结果表明了该方法的可行性,能够快速且准确地实现故障识别。2.基于GA和PSO算法优化深度极限学习机的模拟电路故障诊断。针对深度网络隐层节点数难以选择以及人为选择的隐层节点会遗漏数据本身有效的特征信息,进而产生较大的训练误差问题,选择合适的隐藏节点可以有效地降低时间复杂度,使网络具有很好的泛化能力,所以采用遗传算法（Genetic Algorithm,简称GA）来寻找DELM网络每个隐层的最优节点数,并且进一步与粒子群算法（Particle Swarm optimization,PSO）优化的深度极限学习机进行了比较,证明了GA-DELM算法可以自适应地搜索全局最优点,可以避免陷入局部最优。最后通过非线性整流电路进行了验证,诊断结果表明了该算法的可行性。
周少璇[8]（2020）在《某型电控发动机综合实训台设计》文中研究说明为适应国家政策导向,满足行业、企业的用工需求,高职院校已成为培养汽车电子控制系统维修技术人才的重要基地。高职院校要配备有与企业技术水平相适应的教学环境、教学软硬件设备,特别是综合性实训教学台。利用实训台培养学生成为高职院校的一项重要的教学措施,如何设计实训台,以提升高职院校汽车专业人才的质量,成为了高职院校教学研究的一个重要方向。本文研究的主要目的是解决以下四个方面的问题:1.解决有关发动机电子控制系统相关课程中的教学难点和重点内容;2.解决实施理论与实践相结合的项目化教学;3.解决还原发动机故障,使企业维修过程转化为教学过程。4.提高教师的教学质量和学生的学习质量。本文完成了如下工作:（1）通过对国内外实训台的技术状况的分析,确定了本文的研究方向和研究内容。（2）通过对企业和高职院校的需求调查研究,总结了实训台的功能需求,并完成了实训台总体设计方案,经过对比分析,选择了主台架、示教版和软件系统三个组合的综合实训台设计方案。（3）完成了硬件系统组成设计、硬件系统故障设置设计、智能故障设置系统设计、多媒体综合教学管理平台系统、考核系统和网络教学扩展系统的设计,并完成了仿真教学系统的设计。（4）制定了软件和硬件的制作计划,并通过团队合作共同制作了实训台。（5）对实训台系统的软件、硬件功能和关键数据进行了测试,并对测试数据进行了分析,测试结果符合实训台的使用要求,能够满足高职院校教学需要。（6）最后,对本次研究工作进行了总结,并对实训台教学的实施提出了建议和改进意见。
艾鹏程[9]（2020）在《基于卷积神经网络的高能物理事例特征信息在线提取算法研究》文中提出以加速器等大型科学装置为代表的高能物理实验是当今物理学的一个重要研究课题,其涵盖了面向实验事实的理论研究,与面向工程实践的探测器和电子学研制等方面。目前,高能物理实验朝着“能量前沿”和“高精度前沿”的方向迅速发展,随着事件率的提高和每事件数据量的增加,研究者逐渐认识到,现有的基于传统统计手段的数据处理方法已难以满足探测器下一代升级的需求,尤其是在本底事件比例高、有效数据通量大和需要在线分析和触发的情况下。在这其中,数据高维度、多重性和高度结构化的特征是高能物理实验数据分析普遍面临的几个主要的挑战。进入二十一世纪的第二个十年,以“深度学习”为代表的人工智能技术正蓬勃发展,俨然成为一个独立的且具有丰富内涵的研究方向,并渗透到实验物理学等多个领域,是当今备受关注的前沿问题。为了应对数据高维度、多重性和高度结构化的特征,需要有新的数据分析手段来利用数据本身的特点,从而在降低算法时间复杂度的同时提高算法的精度。在深度学习最为成功的计算机视觉领域,新的网络架构层出不穷,而这些网络架构大多数基于“卷积神经网络”。与传统的前馈网络相比,卷积神经网络利用了参数共享和平移不变的前提假设,在控制网络参数数量的同时方便了模型的训练和优化,极大地提升了网络模型的性能。理论和实验均表明,基于卷积神经网络的深度学习方法能够有效应对“维度的诅咒”,区分空间上多个不同的实体,并利用输入数据固有的结构化特征。受此启发,针对高能物理实验中不同维度的数据,本文以卷积神经网络为基础,提出了几种新的网络架构,在不同的应用背景下完成了特定的物理任务。主要工作和创新点如下:1.针对基于时间投影室和Topmetal像素读出平面的无中微子双贝塔衰变（0vββ）实验,构造了三维卷积神经网络,在有效提高信号/背景事件甄别能力的同时,也抑制了占主导地位的背景事件。在分析了 0vββ实验原理和相应实验装置特点的基础上,本文首次采用ResNet中残差单元结构用以构造三维卷积神经网络。为了论证神经网络的性能与理论上限的差距,本文设计了一个时间投影室中0vββ实验的Toy Model,进行了二者的分析和对比。针对0vββ实验物理仿真产生的数据,本文比较了二维卷积神经网络和不同深度的三维卷积神经网络,说明了三维结构和网络深度在本问题中的重要性。与传统方法相比,接受相同比例信号事件时,背景事件的接受率由11%降低到4%左右。对于探测器构建中需要处理的体元大小、扩散、噪声等问题,详细的仿真证明了所使用的的神经网络对这些因素的变化具有鲁棒性。2.针对气体漂移室和大阵列Topmetal像素传感器构成的束流测量系统,构造了一个基于分割和拟合的端到端网络,该网络架构能够在事先不知道粒子数目时,准确获取多粒子在三维空间的位置信息。该网络分为基础网络、二值分割和语义分割三个部分,其中二值分割和语义分割共享基础网络,分别用于初始径迹的确定和径迹位置的精确回归。在二值分割和语义分割的基础上,本文在深度学习的软件框架内设计了一个带权重的最小二乘拟合运算,用以结合以上两种分割方式的结果。整个网络架构（包括最小二乘拟合的部分）能够进行端到端的反向传导训练。另外,针对本束流定位问题,本文设计了一个“中心点-角度度量”,结合中心点和方向的偏移,用以评判定位的准确程度。在单径迹和多径迹的条件下,初始位置的分辨率可达到8.8 μm和11.4 μm,角度的分辨率可达到0.15°和0.21°。3.针对以ALICE-PHOS探测器中成形脉冲为例的时间序列,提出了由一维卷积神经网络构成的降噪自编码器,在实验室条件下取得的定时分辨率比曲线拟合方法提高了 20%以上。网络整体架构分为降噪自编码器部分和回归网络部分,其中降噪自编码器中采用了短路连接和通道拼接,用以建立长程的联系。针对高能物理实验中三种常见的变化形式（长时漂移、短时改变和随机噪声）,本文分析了传统曲线拟合方式的优点和局限性,然后使用比较研究的方法,引出了以卷积神经网络为代表的深度学习方法的优势。针对三种变化形式,本文进行了广泛的仿真研究,用以说明神经网络在非理想条件下的稳定性。最后,基于PHOS量能器的前端电子学板,进行了真实环境中的实验工作。实验结果表明,在100 ns成形时间时,神经网络的时间分辨率可达到1.37 ± 0.03 ns。4.在处理时间序列的网络架构和算法的基础上,设计了首款加速高能物理实验中神经网络模型的专用集成电路芯片PulseDL。针对高能物理探测器下一代升级中面临的高数据通量的问题,本文提议在探测器的前端电子学部分使用神经网络集成电路,用于执行特定的信息提取工作,从而降低需要传输的数据通量。设计的神经网络芯片PulseDL主要针对一维的脉冲时间序列,采用的是RISC处理器与定制化处理单元相结合的系统结构。针对特定的物理任务,本文进行了详细的硬件-软件综合设计,着重分析了卷积运算的并行化方法和定点数量化对精度的影响。在GSMCR013工艺上,进行了逻辑综合与布局布线,最终版图面积为24 mm2。仿真验证结果表明,该芯片能耗效率的峰值可达到12.351 GOPS/W。最后,利用实验室的相关硬件条件进行了芯片的测试,证明了该芯片具有多探测器通道的支持能力。
陈若煜[10]（2020）在《基于注意力与卷积网络的图像描述算法研究与应用》文中研究表明目前,图像描述算法已是人工智能领域的研究热点之一,在跨模态检索以及视觉语义理解方面也有着广阔的应用。当前已有的图像描述算法主要是基于编码器-解码器架构的,一般采用卷积神经网络作为图像编码器,循环神经网络作为解码器。最近,一种基于卷积神经网络的解码器被提出来,用以解决循环神经网络不可并行计算的问题。然而,当前基于的卷积神经网络解码器算法不能直接建模输入单词间的相关性以及特征通道之间的相关性。同时,这种基于一维卷积网络的解码器同样存在训练-测试偏差的问题。根据当前一维卷积网络解码器算法中存在的问题,本文研究了基于自注意力机制和通道注意力机制的一维卷积神经网络解码器算法,提出了用于捕捉输入单词间相关性的序列注意力机制以及用于捕捉特征通道间相关性的通道注意力算法。为了解决训练-测试偏差问题,我们首次将强化学习应用至一维卷积网络的训练中。本文主要的研究工作如下:（1）首先,我们基于自注意力机制,设计用于直接捕捉单词间相关性的序列注意力机制,同时改进了传统的单头点乘空间注意力机制,进一步提升模型的效果。为了能有效融合序列注意力和空间注意力,提出了自适应注意力机制,使得模型能自主学习到何时关注图像内容,何时关注序列内容。其次,当前基于一维卷积神经网络的同样存在训练-测试偏差的问题,为了解决这一问题,本文首次将强化学习中的策略梯度算法应用至一维卷积网络解码器的训练过程中,使得模型能直接利用评价指标指导网络的训练,同时避免使用真实的单词作为输入,导致测试时误差累积的情况。（2）基于通道注意力机制,设计了一种新的用于一维卷积神经网络的门控算法。该算法能够使模型捕捉到特征通道之间的相关性,从而学习到更好的特征表示。通过在图像描述任务以及在自然语言翻译任务上的实验表明,该算法能够显着提升模型的输出效果。同时,我们在医学影像报告自动生成任务上简单应用了提出的算法。结果表明,我们的算法能够生成简单可读的报告,并且与原报告结果基本一致。
二、正确使用解码器中“执行元件诊断”功能（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、正确使用解码器中“执行元件诊断”功能（论文提纲范文）
（1）基于深度学习医学图像报告生成算法研究（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 研究现状 |
| 1.2.1 医学图像分类 |
| 1.2.2 自然图像或视频字幕生成 |
| 1.2.3 医学图像报告自动生成 |
| 1.2.4 常用的医学报告生成数据集 |
| 1.3 论文研究内容及章节安排 |
| 第2章 医学图像报告生成算法的理论基础 |
| 2.1 图卷积神经网络 |
| 2.1.1 预备知识与符号说明 |
| 2.1.2 图卷积 |
| 2.1.3 图卷积神经网络 |
| 2.2 深度学习中的注意力机制 |
| 2.2.1 注意力机制基本概念 |
| 2.2.2 自注意力机制 |
| 2.2.3 Transformer模型 |
| 2.3 多标签学习 |
| 2.3.1 多标签学习的定义 |
| 2.3.2 多标签学习的挑战 |
| 2.3.3 多标签学习的阈值校准 |
| 2.3.4 多标签学习的评价指标 |
| 2.4 强化学习 |
| 2.4.1 强化学习的定义 |
| 2.4.2 策略梯度学习算法 |
| 2.5 序列生成模型 |
| 2.5.1 序列概率模型 |
| 2.5.2 深度序列生成模型 |
| 2.5.3 训练和推理过程 |
| 2.5.4 评价方法 |
| 2.6 本章小节 |
| 第3章 基于深度学习医学图像报告生成算法研究 |
| 3.1 基于GCN视觉语义特征融合的DDM |
| 3.1.1 DDM的建模过程 |
| 3.1.2 DDM优化方法 |
| 3.2 基于图嵌入和多级注意力机制的FGM |
| 3.2.1 FGM的建模过程 |
| 3.2.2 FGM优化方法 |
| 3.3 诊断印象生成模型IGM |
| 3.3.1 IGM模型结构 |
| 3.3.2 IGM模型优化 |
| 3.4 本章小节 |
| 第4章 实验结果与分析 |
| 4.1 数据集与评价方法 |
| 4.1.1 数据集 |
| 4.1.2 数据预处理 |
| 4.1.3 模型的评价方法 |
| 4.2 实验中参与比较的模型 |
| 4.2.1 多标签分类的相关模型 |
| 4.2.2 医学图像报告生成相关模型 |
| 4.3 模型和训练实现细节 |
| 4.3.1 模型具体配置 |
| 4.3.2 模型训练配置 |
| 4.4 DDM实验结果与分析 |
| 4.4.1 疾病诊断模型性能比较 |
| 4.4.2 DDM特征融合方案的研究 |
| 4.4.3 DDM图模型中辅助节点的研究 |
| 4.4.4 DDM零次学习的研究 |
| 4.4.5 DDM诊断结果定性分析 |
| 4.5 FGM实验结果与分析 |
| 4.5.1 报告异常检测模型RADM的实验结果 |
| 4.5.2 诊断描述生成模型性能比较 |
| 4.5.3 DDM对FGM性能影响的探究 |
| 4.5.4 FGM RL优化策略探究 |
| 4.6 IGM实验结果与分析 |
| 4.7 报告生成结果定性分析 |
| 4.8 本章小节 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 学位论文评阅及答辩情况表 |
（2）面向移动终端的摩尔纹去除系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 本文工作与结构 |
| 2 相关基础理论与技术 |
| 2.1 摩尔纹去除相关理论 |
| 2.1.1 摩尔纹形成原理 |
| 2.1.2 摩尔纹去除传统方法 |
| 2.1.3 摩尔纹去除深度学习方法 |
| 2.1.4 图像质量评价常用指标 |
| 2.2 模型压缩加速算法概述 |
| 2.2.1 现状分析 |
| 2.2.2 常用轻量化结构 |
| 2.3 深度学习边缘计算 |
| 2.3.1 神经网络前向推理框架 |
| 2.3.2 边缘计算 |
| 2.4 本章小结 |
| 3 多尺度特征增强摩尔纹去除网络 |
| 3.1 网络设计思路 |
| 3.1.1 摩尔纹固有内在性质建模 |
| 3.1.2 摩尔纹语义嵌入增强 |
| 3.2 网络基本组分 |
| 3.2.1 U型基本框架 |
| 3.2.2 多尺度并行分支 |
| 3.2.3 特征增强分支 |
| 3.3 实验设置及结果分析 |
| 3.3.1 数据库介绍 |
| 3.3.2 实验设置 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 4 原型系统设计与实现 |
| 4.1 需求分析与架构设计 |
| 4.1.1 需求分析 |
| 4.1.2 架构设计 |
| 4.1.3 UI设计 |
| 4.2 数据采集模块 |
| 4.2.1 相机驱动 |
| 4.2.2 数据预处理 |
| 4.3 摩尔纹去除模块 |
| 4.3.1 深度学习模型压缩与加速 |
| 4.3.2 深度学习模型部署与调用 |
| 4.3.3 APP测试与评估 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于申威421处理器的视频解码SIMD优化技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 视频压缩编解码技术 |
| 1.2.1 视频压缩基本原理 |
| 1.2.2 视频编解码的发展历程 |
| 1.3 申威处理器及SIMD技术 |
| 1.3.1 申威处理器 |
| 1.3.2 SIMD技术 |
| 1.3.3 申威SIMD扩展部件 |
| 1.4 国内外研究现状 |
| 1.5 研究内容及章节安排 |
| 2 H.264 视频编解码标准 |
| 2.1 H.264 的分层结构 |
| 2.2 H.264 编解码框架 |
| 2.2.1 视频编码框架图 |
| 2.2.2 视频解码框架图 |
| 2.3 H.264 关键技术 |
| 2.3.1 熵编码 |
| 2.3.2 帧内预测 |
| 2.3.3 变换与量化 |
| 2.3.4 帧间预测 |
| 2.3.5 去块滤波 |
| 2.4 本章小结 |
| 3 申威平台下H.264 解码器的移植 |
| 3.1 FFmpeg介绍 |
| 3.1.1 FFmpeg中函数及数据结构简介 |
| 3.1.2 FFmpeg的编译使用 |
| 3.2 基于FFmpeg的 H.264 解码器移植 |
| 3.2.1 编译第三方依赖库 |
| 3.2.2 编译FFmpeg |
| 3.3 基于FFmpeg的 H.264 解码器分析 |
| 3.4 本章小结 |
| 4 关键模块的向量化并行 |
| 4.1 热点函数分析 |
| 4.2 分像素插值算法优化 |
| 4.2.1 插值过程分析 |
| 4.2.2 算法优化及实现 |
| 4.2.3 模块优化效果测试 |
| 4.3 整数反变换的优化 |
| 4.3.1 整数变换过程分析 |
| 4.3.2 算法优化及实现 |
| 4.3.3 模块优化效果测试 |
| 4.4 去块滤波优化 |
| 4.4.1 宏块内边界滤波顺序 |
| 4.4.2 边界强度的选择 |
| 4.4.3 滤波器判决条件 |
| 4.4.4 滤波优化及实现 |
| 4.4.5 模块优化效果测试 |
| 4.5 本章小结 |
| 5 H.264 解码器优化效果测试 |
| 5.1 测试环境搭建 |
| 5.2 正确性测试 |
| 5.3 优化效果测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 附录:攻硕期间取得研究成果 |
| 致谢 |
（4）基于注意力机制的医学图像自动分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统技术的医学图像分割方法 |
| 1.2.2 基于深度学习的医学图像分割方法 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织架构 |
| 第二章 基础知识 |
| 2.1 引言 |
| 2.2 全卷积神经网络 |
| 2.3 基于UNet神经网络架构 |
| 2.4 基于卷积的注意力机制 |
| 2.5 本章小结 |
| 第三章 基于级联高低级特征增强的医学图像分割 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于FCN的医学图像分割 |
| 3.2.2 基于注意力机制的医学图像分割 |
| 3.2.3 基于特征融合的语义分割 |
| 3.2.4 相关工作的不足和改进 |
| 3.3 级联特征增强网络 |
| 3.3.1 方法概述 |
| 3.3.2 低级特征增强 |
| 3.3.3 高级特征增强 |
| 3.3.4 实施细节 |
| 3.4 试验结果与分析 |
| 3.4.1 核磁共振图像的大脑肿瘤分割 |
| 3.4.2 皮肤镜图像的皮肤病变分割 |
| 3.4.3 核磁共振图像的3 维椎体分割 |
| 3.5 本章小结 |
| 第四章 基于跨层注意力融合的风险器官分割 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 基于FCN的 OARs自动分割方法 |
| 4.2.2 医学图像分割中的损失函数 |
| 4.3 跨层注意力融合网络 |
| 4.3.1 方法概述 |
| 4.3.2 通道注意力模块 |
| 4.3.3 跨层空间注意力融合架构 |
| 4.3.4 Top-K指数对数 Dice损失函数 |
| 4.4 实验结果与分析 |
| 4.4.1 实施细节 |
| 4.4.2 头颈部OARs自动分割 |
| 4.4.3 肺部OARs自动分割 |
| 4.5 本章小结 |
| 第五章 基于神经网络架构搜索的深度注意力细胞核分割 |
| 5.1 引言 |
| 5.2 基于神经网络架构搜索的深度注意力网络 |
| 5.2.1 基于神经网络架构搜索的空间和通道联合注意力模块 |
| 5.2.2 搜索空间 |
| 5.2.3 同步搜索策略 |
| 5.3 试验结果与分析 |
| 5.3.1 数据描述 |
| 5.3.2 实施细节 |
| 5.3.3 试验结果 |
| 5.3.4 可视化分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的相关成果 |
（5）特发性肺纤维化视觉信息建模及病变检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肺实质分割 |
| 1.2.2 肺间质疾病智能诊断 |
| 1.2.3 视觉目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文结构安排 |
| 第二章 肺部CT影像视觉检测基础 |
| 2.1 肺部CT影像处理基础 |
| 2.1.1 CT成像理论 |
| 2.1.2 形态学处理 |
| 2.1.3 CT图像纹理分析 |
| 2.2 机器学习模型 |
| 2.2.1 支持向量机 |
| 2.2.2 K均值聚类 |
| 2.3 语义分割基础网络 |
| 2.3.1 UNet |
| 2.3.2 Attention-UNet |
| 2.4 迁移学习基础 |
| 2.5 本章小结 |
| 第三章 特发性肺纤维化视觉信息建模 |
| 3.1 IPF病变数据集 |
| 3.1.1 数据集介绍 |
| 3.1.2 数据集构建 |
| 3.1.3 数据集增广 |
| 3.2 IPF的视觉信息建模 |
| 3.2.1 纤维化视觉特征 |
| 3.2.3 视觉特征提取 |
| 3.3 实验结果与分析 |
| 3.3.1 评价指标 |
| 3.3.2 分类结果与分析 |
| 3.4 本章小结 |
| 第四章 基于K均值聚类的IPF病变检测方法 |
| 4.1 肺部CT图像预处理 |
| 4.1.1 肺部CT图像去噪 |
| 4.1.2 肺实质分割 |
| 4.2 候选区域提取 |
| 4.2.1 候选区域粗提取 |
| 4.2.2 候选区域处理 |
| 4.3 特征提取与病变区域检测 |
| 4.4 实验结果与分析 |
| 4.4.1 评价指标 |
| 4.4.2 检测结果与分析 |
| 4.5 本章小结 |
| 第五章 基于UNet的 IPF病变检测方法 |
| 5.1 迁移学习源域数据集构建 |
| 5.2 网络设计 |
| 5.2.1 特征提取网络 |
| 5.2.2 注意力机制 |
| 5.2.3 基于迁移学习的Attention-Unet |
| 5.3 实验结果与分析 |
| 5.3.1 模型训练策略 |
| 5.3.2 模块性能验证分析 |
| 5.3.3 两种检测方法对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 主要研究工作 |
| 6.1.2 创新点及贡献 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（6）基于深度学习的视频描述技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1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 视频描述基本概述 |
| 1.2.2 基于传统方法的视频描述 |
| 1.2.3 基于深度学习的视频描述 |
| 1.3 本文主要的研究内容 |
| 1.4 论文结构安排 |
| 第2章 视频描述相关理论和技术介绍 |
| 2.1 神经网络模型 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络 |
| 2.2 数据集与预处理 |
| 2.2.1 数据集 |
| 2.2.2 数据预处理 |
| 2.2.3 评价准则 |
| 2.3 本章小结 |
| 第3章 基于时空注意力机制和双模态信息深度融合的视频描述 |
| 3.1 视频特征预处理和预训练阶段中的网络结构和处理方法 |
| 3.1.1 提取2D视频特征的神经网络Resnet-50 |
| 3.1.2 提取3D视频特征的C3D卷积神经网络 |
| 3.1.3 视频特征的预处理细节和预训练细节 |
| 3.2 文本特征的处理 |
| 3.3 CRFAC-S2VT的编码阶段 |
| 3.3.1 卷积区域注意力机制 |
| 3.3.2 2D特征和3D特征融合 |
| 3.3.3 编码LSTM的工作原理 |
| 3.4 CRFAC-S2VT的解码阶段 |
| 3.4.1 关键帧注意力机制 |
| 3.4.2 Compact Bilinear Pooling层 |
| 3.4.3 解码LSTM的工作原理 |
| 3.5 实验与结果分析 |
| 3.5.1 类别训练 |
| 3.5.2 CRFAC-S2VT网络框架的训练和测试 |
| 3.5.3 实验结果 |
| 3.6 本章小结 |
| 第4章 基于语义检测网络和自主随机训练的文本生成模型的视频描述 |
| 4.1 基于S2VT的多标签训练和文本模型自主随机训练的多功能组合网络框架 |
| 4.1.1 SFAC-S2VT网络框架视频特征的提取 |
| 4.1.2 SFAC-S2VT网络框架语义特征的提取 |
| 4.1.3 SFAC-S2VT网络框架的编码 |
| 4.1.4 SFAC-S2VT网络框架的解码 |
| 4.1.5 SFAC-S2VT的训练方法 |
| 4.1.6 字幕结构损失函数 |
| 4.2 实验与结果分析 |
| 4.2.1 训练实验细节 |
| 4.2.2 模型分析 |
| 4.3 本章小结 |
| 第5章 结论 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（7）基于深度极限学习机的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| §1.1 选题的背景及意义 |
| §1.2 模拟电路故障诊断的国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和组织结构 |
| §1.3.1 本文研究内容 |
| §1.3.2 本文组织结构 |
| 第二章 模拟电路故障诊断概述及方法分析 |
| §2.1 模拟电路故障诊断的基本理论 |
| §2.1.1 故障产生的原因及诊断难点 |
| §2.1.2 模拟电路故障的类型 |
| §2.1.3 诊断方法分类 |
| §2.2 模拟电路故障诊断中的特征提取 |
| §2.2.1 主成分分析法 |
| §2.2.2 小波分析法 |
| §2.3 模拟电路故障诊断中的模式识别方法 |
| §2.3.1 神经网络在故障诊断中的应用 |
| §2.3.2 支持向量机在模拟电路故障诊断中的应用 |
| §2.4 本章小结 |
| 第三章 基于深度极限学习机的模拟电路故障诊断 |
| §3.1 极限学习机 |
| §3.1.1 ELM的概述 |
| §3.1.2 ELM的学习规则 |
| §3.1.3 ELM的特点 |
| §3.2 基于正则极限学习机的自编码器 |
| §3.2.1 正则极限学习机 |
| §3.2.2 自编码器的概述 |
| §3.2.3 基于ELM-AE的表征学习 |
| §3.3 深度极限学习机的方法研究 |
| §3.4 基于深度极限学习机的模拟电路故障诊断实例分析 |
| §3.4.1 基于DELM的模拟电路故障诊断模型 |
| §3.4.2 诊断实例1 |
| §3.4.2.1 电路描述 |
| §3.4.2.2 故障诊断结果分析 |
| §3.4.3 诊断实例2 |
| §3.4.3.1 电路描述 |
| §3.4.3.2 故障诊断结果分析 |
| §3.4.4 诊断实例3 |
| §3.4.4.1 电路描述 |
| §3.4.4.2 故障诊断结果分析 |
| §3.5 本章小结 |
| 第四章 基于GA和 PSO算法优化DELM的模拟电路故障诊断 |
| §4.1 粒子群算法优化深度极限学习机的诊断模型 |
| §4.1.1 粒子群优化算法基本概念 |
| §4.1.2 PSO优化DELM的方法研究 |
| §4.2 遗传算法优化深度极限学习机的诊断模型 |
| §4.2.1 遗传算法基本概念 |
| §4.2.2 遗传算法的特点 |
| §4.2.3 GA优化DELM的方法研究 |
| §4.3 基于PSO-DELM和 GA-DELM的模拟电路故障诊断实例分析 |
| §4.3.1 基于GA和 PSO算法优化的DELM的模拟电路故障诊断模型 |
| §4.3.2 电路描述 |
| §4.3.3 实例对比与分析 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 结论 |
| §5.2 创新内容 |
| §5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（8）某型电控发动机综合实训台设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究的背景 |
| 1.2 国内外实训台技术现状 |
| 1.2.1 国外实训台技术现状 |
| 1.2.2 国内实训台技术现状 |
| 1.3 本文主要研究路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究思路 |
| 1.4 本章小结 |
| 2 电控发动机综合实训台总体设计 |
| 2.1 企业人才需求、职业教育需求分析 |
| 2.2 发动机电子控制系统课程教学内容分析 |
| 2.3 实训台功能分析 |
| 2.3.1 动态运行功能 |
| 2.3.2 实时显示功能 |
| 2.3.3 检测功能 |
| 2.3.4 信号模拟功能 |
| 2.3.5 自诊断功能 |
| 2.3.6 电路图功能 |
| 2.3.7 软件系统功能 |
| 2.4 实训台软硬件总体架构设计 |
| 2.4.1 实训台总体设计方案一 |
| 2.4.2 实训台总体设计方案二 |
| 2.5 设计方案对比分析 |
| 2.6 本章小结 |
| 3 实训台硬件设计 |
| 3.1 实训台发动机选型分析 |
| 3.2 发动机技术参数分析 |
| 3.3 实训台发动机电子控制系统设计 |
| 3.4 实训台发动机电控燃油喷射系统设计 |
| 3.4.1 空气供给系统 |
| 3.4.2 燃油供给系统 |
| 3.4.3 电子控制喷射系统 |
| 3.5 实训台发动机电控点火系统设计 |
| 3.6 实训台发动机电控系统故障设计 |
| 3.6.1 电控发动机故障原因分析 |
| 3.6.2 实训台故障设置与传感器信号模拟 |
| 3.7 主要传感器电路故障设计 |
| 3.7.1 曲轴位置传感器 |
| 3.7.2 霍尔传感器 |
| 3.7.3 爆震传感器 |
| 3.7.4 冷却液温度传感器 |
| 3.7.5 氧传感器 |
| 3.7.6 节气门控制单元 |
| 3.7.7 进气温度传感器 |
| 3.7.8 空气流量计 |
| 3.8 主要执行器电路故障设计 |
| 3.8.1 点火线圈 |
| 3.8.2 喷油器 |
| 3.9 发动机控制单元电路故障设计 |
| 3.10 本章小结 |
| 4 实训台软件系统设计 |
| 4.1 智能故障设置系统 |
| 4.2 多媒体综合教学管理平台系统 |
| 4.2.1 平台系统模块 |
| 4.2.2 教学模块课程设计 |
| 4.2.3 仿真教学课程系统 |
| 4.2.4 仿真教学系统主要特点 |
| 4.2.5 基于Unity3D仿真系统的优点 |
| 4.3 考核系统 |
| 4.4 网络教学扩展系统 |
| 4.5 本章小结 |
| 5 实训台软硬件制作 |
| 5.1 实训台软硬件制作分工 |
| 5.2 实训台硬件制作 |
| 5.2.1 实训台硬件制作材料和参数 |
| 5.2.2 实训台主台架与示教台硬件制作 |
| 5.2.3 软件系统配套硬件制作 |
| 5.3 实训台软件制作 |
| 5.3.1 智能故障设置系统制作 |
| 5.3.2 多媒体综合教学管理平台系统制作 |
| 5.3.3 考核系统制作 |
| 5.3.4 网络教学扩展系统系统制作 |
| 5.3.5 仿真教学课程系统制作 |
| 5.4 本章小结 |
| 6 实训台测试 |
| 6.1 实训台硬件测试 |
| 6.1.1 主要传感器测试 |
| 6.1.2 主要执行器测试 |
| 6.1.3 实训台动态测试 |
| 6.2 实训台软件测试 |
| 6.2.1 测试项目和方法 |
| 6.2.2 测试结果 |
| 6.2.3 软件系统调试 |
| 6.3 本章小结 |
| 7 实训台测试数据分析 |
| 7.1 实训台硬件测试数据分析 |
| 7.1.1 曲轴位置传感器测量数据分析 |
| 7.1.2 霍尔传感器测量数据分析 |
| 7.1.3 水温传感器测量数据分析 |
| 7.1.4 氧传感器测量数据分析 |
| 7.2 实训台硬件测试数据分析结果 |
| 7.3 实训台软件系统测试数据分析 |
| 7.3.1 软件系统测试对象与方法 |
| 7.3.2 软件系统测试考核方式 |
| 7.3.3 软件系统教学对比数据分析 |
| 7.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 智能故障设置系统程序代码 |
| 附录B 仿真教学课程系统部分程序代码 |
（9）基于卷积神经网络的高能物理事例特征信息在线提取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高能物理实验概述 |
| 1.1.2 高能物理中的机器学习方法 |
| 1.1.3 深度学习概况 |
| 1.2 国内外研究现状 |
| 1.3 方法论和关键问题 |
| 1.4 本文主要工作和创新点 |
| 1.5 本文结构安排 |
| 第2章 预备知识 |
| 2.1 卷积神经网络理论和实践 |
| 2.1.1 神经网络简介 |
| 2.1.2 卷积神经网络 |
| 2.1.3 网络结构的演绎和优化 |
| 2.1.4 优化和正则化方法 |
| 2.2 高能物理实验探测器 |
| 2.2.1 探测器的物理分辨能力 |
| 2.2.2 混合型像素传感器芯片Topmetal |
| 2.2.3 ALICE实验的光子量能器 |
| 2.3 本章小结 |
| 第3章 基于三维卷积神经网络的Ovββ实验事例判选 |
| 3.1 无中微子双贝塔衰变实验 |
| 3.1.1 物理动机 |
| 3.1.2 基于Topmetal-S的TPC读出平面 |
| 3.1.3 基于广度优先搜索的径迹识别 |
| 3.2 三维卷积神经网络设计与优化 |
| 3.2.1 二维卷积神经网络 |
| 3.2.2 三维卷积神经网络 |
| 3.2.3 三维残差神经网络 |
| 3.3 神经网络性能的比较研究 |
| 3.3.1 Toy Model的构造原理 |
| 3.3.2 构造细节和理论上限分析 |
| 3.3.3 神经网络的性能和比较 |
| 3.4 仿真和性能分析 |
| 3.4.1 物理仿真 |
| 3.4.2 数据预处理 |
| 3.4.3 神经网络配置 |
| 3.4.4 2D CNN用于不同粒度的仿真数据 |
| 3.4.5 网络结构对性能的提升 |
| 3.4.6 扩散和噪声的影响 |
| 3.5 本章小结 |
| 第4章 基于端到端神经网络的多粒子束流定位 |
| 4.1 束流测量系统 |
| 4.1.1 背景介绍 |
| 4.1.2 基于Topmetal-Ⅱ-的单粒子测量系统 |
| 4.1.3 CEE实验的束流信息获取 |
| 4.2 传统方法及其局限性 |
| 4.2.1 重心法 |
| 4.2.2 双边沿检测法 |
| 4.2.3 传统方法的局限性 |
| 4.3 多分支端到端神经网络设计 |
| 4.3.1 基础网络 |
| 4.3.2 二值分割 |
| 4.3.3 语义分割和像素分配 |
| 4.3.4 最小二乘拟合及其反向传导 |
| 4.3.5 神经网络架构 |
| 4.4 仿真结果与实验性能分析 |
| 4.4.1 物理仿真 |
| 4.4.2 数据预处理 |
| 4.4.3 神经网络配置 |
| 4.4.4 单径迹仿真和性能分析 |
| 4.4.5 多径迹仿真和性能分析 |
| 4.4.6 实验数据分析 |
| 4.5 本章小结 |
| 第5章 基于降噪自编码器的量能器脉冲信号特征提取 |
| 5.1 脉冲处理的相关实验背景 |
| 5.2 PHOS量能器的前端电子学和物理分析 |
| 5.2.1 量能器前端电子学 |
| 5.2.2 曲线拟合信息提取方法 |
| 5.2.3 曲线拟合的实践难题 |
| 5.3 神经网络架构设计 |
| 5.3.1 降噪自编码器 |
| 5.3.2 回归网络 |
| 5.4 深度学习的降噪性能研究 |
| 5.4.1 曲线拟合的理论分析 |
| 5.4.2 曲线拟合的仿真验证 |
| 5.4.3 深度学习的优势 |
| 5.4.4 仿真结果对比分析 |
| 5.5 实验及其性能分析 |
| 5.5.1 硬件测试平台的搭建 |
| 5.5.2 神经网络配置 |
| 5.5.3 实验测试结果 |
| 5.5.4 实验结果讨论 |
| 5.6 本章小结 |
| 第6章 PulseDL神经网络在线处理芯片设计 |
| 6.1 背景和意义 |
| 6.2 PulseDL神经网络芯片结构设计 |
| 6.2.1 方案论证 |
| 6.2.2 硬件设计 |
| 6.2.3 软件设计 |
| 6.2.4 卷积运算的并行化 |
| 6.2.5 量化的影响 |
| 6.2.6 RTL电路的详细设计 |
| 6.3 数字流程和仿真验证 |
| 6.3.1 逻辑综合和布局布线 |
| 6.3.2 仿真验证方法和结果 |
| 6.4 硬件测试 |
| 6.4.1 测试平台的搭建 |
| 6.4.2 测试固件和软件设计 |
| 6.4.3 结果和分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
（10）基于注意力与卷积网络的图像描述算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 本文的选题依据和意义 |
| 1.2 基于注意力机制的图像描述算法应用场景 |
| 1.3 本文主要研究工作 |
| 1.4 本文的组织结构 |
| 第二章 相关工作 |
| 2.1 图像描述算法概述 |
| 2.1.1 基于检索匹配的图像描述算法 |
| 2.1.2 基于模板的图像描述算法 |
| 2.1.3 基于深度学习的图像描述算法 |
| 2.2 图像描述算法中的注意力机制 |
| 2.2.1 注意力机制简介 |
| 2.2.2 基于注意力机制的图像描述算法研究现状 |
| 2.3 基于一维卷积网络的图像描述算法 |
| 2.3.1 一维卷积网络介绍 |
| 2.3.2 基于一维卷积的图像描述算法研究现状 |
| 2.4 强化学习在图像描述算法中的应用 |
| 2.4.1 强化学习介绍 |
| 2.4.2 图像描述中的强化学习算法研究现状 |
| 2.5 本章小结 |
| 第三章 基于注意力及一维卷积网络的图像描述算法 |
| 3.1 问题描述 |
| 3.2 算法描述 |
| 3.2.1 算法总体架构 |
| 3.2.2 基于一维卷积网络的解码器 |
| 3.2.3 用于一维卷积网络的自适应自注意力算法 |
| 3.2.4 基于交叉熵的损失函数 |
| 3.2.5 强化学习训练框架 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据集预处理与实验细节 |
| 3.3.3 对比方法与评价指标 |
| 3.3.4 实验结果 |
| 3.3.5 结果分析 |
| 3.4 本章小结 |
| 第四章 基于通道注意力的一维卷积门控算法 |
| 4.1 问题描述 |
| 4.2 算法描述 |
| 4.2.1 通道注意力机制 |
| 4.2.2 一维卷积门控机制 |
| 4.2.3 SSCA图像描述算法 |
| 4.2.4 基于通道注意力的自然语言翻译模型 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集介绍 |
| 4.3.2 数据集预处理与实验细节 |
| 4.3.3 评价指标与对比方法 |
| 4.3.4 实验结果 |
| 4.3.5 注意力可视化 |
| 4.3.6 生成描述质量分析 |
| 4.4 模型应用 |
| 4.5 本章小结 |
| 第五章 结束语 |
| 5.1 论文的主要工作与贡献 |
| 5.2 论文的不足与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、正确使用解码器中“执行元件诊断”功能（论文参考文献）
- [1]基于深度学习医学图像报告生成算法研究[D]. 侯代兵. 山东大学, 2021(12)
- [2]面向移动终端的摩尔纹去除系统的设计与实现[D]. 高天宇. 大连理工大学, 2021(01)
- [3]基于申威421处理器的视频解码SIMD优化技术研究[D]. 裴航. 中原工学院, 2021(08)
- [4]基于注意力机制的医学图像自动分割算法研究[D]. 王欢. 电子科技大学, 2021(01)
- [5]特发性肺纤维化视觉信息建模及病变检测方法[D]. 孙煜成. 电子科技大学, 2021(01)
- [6]基于深度学习的视频描述技术[D]. 海歌. 沈阳工业大学, 2020(01)
- [7]基于深度极限学习机的模拟电路故障诊断研究[D]. 马润平. 桂林电子科技大学, 2020(04)
- [8]某型电控发动机综合实训台设计[D]. 周少璇. 西华大学, 2020(01)
- [9]基于卷积神经网络的高能物理事例特征信息在线提取算法研究[D]. 艾鹏程. 华中师范大学, 2020(01)
- [10]基于注意力与卷积网络的图像描述算法研究与应用[D]. 陈若煜. 南京航空航天大学, 2020(07)