一、关于线性子空间交的基（论文文献综述）
武轶凡[1]（2021）在《无线光相干通信中波前畸变的预测控制与实验研究》文中研究表明轨道角动量（Orbital Angular Momentum,OAM）的多路复用通信可以增大信道传输容量,但是由于受大气信道的影响,传输过程中会破坏OAM模式之间的正交性,进而产生串扰。和传统的无线光通信一样,多输入多输出（Multi-Input Multi-Output,MIMO）均衡方法可被用来降低OAM复用通信系统的模式间串扰以及码间干扰。本文针对应用于OAM复用通信系统的传统盲均衡算法不能同时恢复多路信号的情况,采用结合盲源分离的盲均衡算法来同时抑制多路串扰。主要工作如下:1、介绍了采用基于互相关函数（Cross Correlation,CC）的盲均衡算法,对在大气信道传输下OAM复用通信系统产生的串扰进行抑制,进而提高通信系统的性能。通过数值仿真对比分析了在此算法作用下,输出信号的星座图恢复,系统平均误码率以及算法收敛速度的情况。2、基于多用户峰度（Multiuser Kurtosis,MUK）最大化算法属于盲源分离算法的一种,其在单独作用于OAM复用通信系统也可以达到信源分离的作用,进而降低通信系统的串扰。通过仿真对比分析了其与恒模算法（Constant Modulus Algorithm,CMA）的均衡效果。3、介绍了将 MUK 算法与多模盲均衡算法（Modified Constant Modulus Algorithm,MCMA）相结合的基于高阶统计量的盲均衡算法,并将其应用于OAM复用通信系统,仿真分析了其抑制串扰的性能。研究结果表明:CC-MCMA算法与MUK-MCMA算法均可同时恢复多路传输信号,且后者对输出信号星座图的恢复效果较好于前者。对比分析了 MUK-MCMA算法、CC-MCMA算法、CMA算法以及MUK算法对系统平均误码率的降低情况以及收敛速度,结果表明MUK-MCMA算法的均衡效果都优于其它算法。在一定信噪比情况下,MUK-MCMA算法在降低误码率方面比CC-MCMA算法改善了一个数量级,且其收敛速度更快。
温超和[2]（2021）在《基于深度孪生网络模型的视频跟踪识别》文中指出伴随计算机科学与技术的不断进步,目标跟踪技术也获得高速发展。目前,目标跟踪是计算机视觉领域的重要研究方向,也是当今研究热点之一,其技术已广泛应用于视频自动化监控、无人驾驶、运动分析和视频探测等领域。因此,对视频目标跟踪算法进行研究具有重要现实意义。在复杂环境中完成视频目标的跟踪识别极具挑战性,且需同时兼顾实时性和准确率。本文通过深入分析经典孪生网络（Siam FC）在不同场景下的跟踪结果,发现其难以处理背景杂乱和运动模糊的场景。针对该问题,本文采用更深的骨干网络VGG-16,使得目标的表征更加高效准确,并将局部线性编码算法和相似度量相结合,提高目标模板与搜索图片匹配的准确性。本文从孪生网络骨干架构的卷积层出发,将标准卷积分解为多个卷积,构建非对称卷积块,从而加强网络的特征表示能力,减轻网络对于结构的依赖性。为提高网络对于遮挡目标的表征能力,本文基于孪生网络的框架,提出Feature Drop Block（FD）。该模块不仅能模拟现实世界的遮挡,也能在一定程度上缓解过拟合,从而可以有效提高遮挡目标的跟踪效果。最后本文将所提的非对称卷积块和FD分别嵌入两个代表性的孪生网络跟踪器进行实验验证。本文算法在公共数据集OTB100和VOT2018上与其它优秀的跟踪算法对比。实验结果表明,与其它算法相比,本文算法在深度孪生网络模型上能够获得更高的精度和速度。
胡文波[3]（2021）在《流形上的子空间聚类算法及应用》文中提出聚类分析作为数据挖掘和模式识别等领域的重要工具,一直以来都是非常热门的研究话题之一,并得到了非常广泛的应用。但是,随着应用环境的不断变化,特别是进入“大数据”时代,数据规模的庞大性和结构的复杂性对聚类分析提出了越来越严峻的挑战,特别是数据的高维度越来越普遍,包括各种图像数据、生物基因表达数据、搜索引擎数据等的维度往往高达上万维。传统聚类算法通常是针对低维度数据设计开发的,在进行高维数据的分析处理时通常会遇到严重瓶颈,无法满足高维数据的稀疏性以及避免“维数灾难”的影响。如何设计开发高维数据聚类算法,满足日益增长的需求,正成为数据挖掘和模式识别领域的重要研究课题。高维非线性数据的表示是困扰聚类任务的一个难题。现有的聚类算法尽管可以通过凸松弛来缓解这个问题,但毫无疑问这不是原始问题的最优解。近年来,流形学习理论揭示了图像视频等数据具有潜在的非线性低维流形结构,从而成为图像视频等高维数据的处理和表示提供了有效的理论和技术工具。本文在基于自表示的子空间聚类的基础上,通过结合数据的流形表示和子空间聚类的方法,在符合数据内在结构的流形空间上进行聚类,探索数据的流形表示和子空间聚类更优的结合方案以及合适的应用场景,构造新的子空间自表示聚类模型,并给出相应的优化求解方法。本文的主要工作概括如下:（1）提出了一种利用多阶统计特征的子空间聚类表示模型。对于无监督的任务,充分利用先验信息非常重要。基于此,我们使用多阶统计特征从不同视角对数据集进行特征描述提出了多几何稀疏子空间聚类算法（MGSSC）。从其在人脸,物体,纹理等数据集上的实验结果可以看出我们提出的方案是可行和有效的。（2）提出了一种在SPD流形上基于低秩核子空间聚类表示模型。实验发现,构造样本的协方差矩阵作为样本的二阶特征能够获得较优的聚类结果。这是因为高维图像数据的SPD流形表示具有捕获数据非线性流形结构固有分布特征的能力。然而,仅仅将流形数据映射到能够使用欧氏方法的特征空间可能无法让流形数据在高维特征空间形成线性的子空间结构。基于此,我们使用SPD流形作为图像样本的流形表示,首先提出了一种基于SPD流形表示的低秩核子空间聚类算法。此外,基于核方法的聚类,其聚类表现很大程度上取决于核函数的选择,而对于无监督的聚类问题无法获得充足的先验信息选择合适的核函数。因此,我们进一步将多核学习能力结合起来,进一步的拓展了我们的模型。大量的实验表明,本章所提出的模型与现有的模型相比具有优越性。（3）提出了一种在Grassmann流形上的低秩核子空间聚类表示模型。欧氏距离这种线性的度量方法不适用于图像视频等具有复杂非线性结构的高维数据。基于此,我们利用基于正交子空间的流形表示方法将图像集、视频数据建模到Grassmann流形上,通过使用核方法将Grassmann流形数据映射到再生核希尔伯特空间中,并且对这个过程施加了低秩约束,以期望能够在高维特征空间中形成线性的子空间结构。并且我们将相似度矩阵计算和后续谱聚类过程融合到同一个模型当中。此外,在本章中,我们提出了一个新的JN-art style图像集数据集,包含了中外15位画家的共300幅画作。在多个图像集以及视频数据集上的实验结果可以看出我们提出的方案是可行的,并且获得了很好的聚类效果。（4）提出了一种针对行为识别视频数据的多流形子空间聚类表示模型。针对视频数据,尤其是行为数据集,时序信息可能会对聚类效果有所帮助。此外,不同的行为视频所对应的声音信息往往也很有鉴别性。基于此,我们在利用原始视频数据中的图像信息为基础,通过利用提取视频的光流特征以及视频对应的声音信息,并建模到流形空间中,提出了一种新的多流形子空间聚类表示模型。通过研究多流形表示间的差异,实现多个流行表示的互补性,以此增强该模型对于视频数据的聚类性能。
梁虎[4]（2021）在《基于流形假设的度量学习方法研究》文中提出近年来,在机器学习等领域中,针对图像数据的分类识别已经成为广大研究者的重点关注问题。传统的算法大都基于欧氏空间计算样本相似性,虽然简单有效,但是由于没有考虑图像数据的高维、稀疏和流形等特性,无法准确地度量样本点之间的相似性。越来越来多的研究者基于黎曼流形的度量学习方法展开了大量的研究工作。流形假设是指人类所看到的数据为嵌入在高维空间中的低维流形。相对于传统算法而言,黎曼流形度量学习可以很好的利用样本数据的非线性结构特征,找到合适的度量进行相似性计算。同时能够直接对图像集进行流形建模,保持其内在几何结构,提取更加完备的特征信息。针对上述问题,本文主要研究内容为:1.基于Grassmann流形的度量学习方法。首先,将图像集通过子空间建模构建Grassman流形,利用投影映射降维到更具判别性的低维空间中,然后通过建立正则项,将原始流形上的元素矩阵转换成对称正定矩阵,并定义散度矩阵,在对数欧氏空间中,设计目标函数使得类内样本点之间的距离更加紧密,类间样本点的距离更加分离,实现图像数据集的分类识别。该算法在多个数据集上进行验证,得到了较好的实验结果。2.基于多流形融合的度量学习方法。该算法采用子空间、协方差对图像集进行多流形建模,并通过黎曼度量将多种特征映射到高维核空间中进行融合,增加特征的互补性,并提出一种基于Log Det散度的目标函数,计算马氏度量矩阵,使得类间样本距离增加,同时减小类内样本点距离。该算法在多流形图像数据集上取得了较好的实验结果。3.设计并实现了一个针对本文所提出的黎曼度量学习算法的可视化系统。该系统主要包括四个模块:数据模块、算法模块、日志模块和可视化模块,包含了本文所提出的两个算法和经典的度量学习算法,不仅可以将数据进行可视化,还可以调整参数的数值展示参数对实验结果的影响。并且数据集和算法都可以进行添加,具有较强的可扩展性。
于志平[5]（2021）在《个性细节特征保持的三维面部表情迁移研究》文中指出随着近年来三维计算机图形学的快速发展,三维面部表情迁移技术得到了众多学者的关注。目前,该技术已广泛应用于计算机动画、影视特效、虚拟交互、远程网络会议等领域。三维面部表情迁移技术可以有效地避免动画师为新模型制作表情动画序列的繁琐工作,提高现有表情动画的复用率和新动画的合成效率,为高真实感表情动画的合成提供了新的途径和方式。一个好的三维面部表情迁移技术必须满足三个主要指标:表情迁移过程不需要人工干预;目标模型的面部表情真实自然,且具有丰富的细节信息;表情迁移实时性高。这些指标直接影响该技术在相关实际项目和工程中的应用。现有的大多数面部表情迁移方法和流程在上述三个指标的实现中仍然存在着一些缺陷和问题,因此,本文提出了个性细节特征保持的三维面部表情迁移方法,以实现高效、鲁棒、高真实感的自动表情迁移。本文具体工作和创新点如下:1、提出基于改进联合学习的三维面部表情迁移方法。由于联合学习使用的无监督回归降维方法存在时间复杂度较高问题,为提高表情子空间的学习效率,本文引入有参无监督回归降维方法来求解映射函数,为进一步缩短表情合成前的联合训练时间,本文将联合学习方法的投影过程进行改进,将梯度下降法替换为高斯牛顿法,高斯牛顿法收敛速度更快。与传统的表情迁移方法相比,本文提出的表情迁移方法不仅减少了迁移过程中的人工干预,而且保证了表情迁移的实时性。2、提出基于细节特征提取和多尺度重建的三维表情迁移方法,能够很好地重建表情模型的个性化细节特征。1)细节特征提取。利用拉普拉斯光顺算法将网格模型上的皱纹等个性细节特征提取出来,从而将面部表情的改变分解为粗尺度的全局变形和细尺度的细节运动。2)多尺度重建。粗尺度的全局变形表示由面部肌肉运动引起的全局变形,细尺度的细节运动表示由局部皮肤变形引起的如皱纹、褶皱等精细的表情细节特征变化。本文使用基于改进联合学习的三维面部表情迁移方法来迁移粗尺度的全局变形,从而将源模型的面部表情迁移给目标模型,同时提出一个新的几何向量映射策略用于重建目标模型的细尺度细节运动。在细尺度的细节运动重建阶段,本文提出基于法向约束和位移约束的目标函数来求解用于重建细节的几何向量。对粗尺度全局变形迁移后的目标模型进行细节运动重建,有利于恢复目标模型的个性细节特征,使生成的表情模型更真实自然。本文提出了基于改进联合学习的三维面部表情迁移方法以及基于细节特征提取和多尺度重建的三维表情迁移方法,减少了表情迁移过程中的人工干预,提高了表情迁移的速度,高精度地重建了目标模型的个性细节特征,使生成的表情真实自然。探索表情的抽象化表征形式,进一步提高迁移方法在面对表情极端变形情况时的处理能力,是本研究未来的工作方向。
李耀舟[6]（2021）在《基于CRAM方法的快堆燃耗计算研究》文中研究指明随着第四代先进核能系统的提出,快堆因其固有的安全性、可增殖的核燃料以及可嬗变核废物中的长寿命核素的优点在第四代先进核能系统中占据了一席之地,新型快堆的研究也成为了一个重要方向。本论文在已有的快堆三维六角形节块法程序HEXA3D的基础上,首先针对径向泄漏项缺失问题,进行了轴向通量高阶拟合改进,将扩散计算的精度进一步提高。另外在HEXA3D的三维六分之一堆芯建模的基础上补充了三维全堆建模功能,将程序的应用范围扩展到可以进行非对称建模的快堆计算。最后将快堆燃耗计算模块FCAC与堆芯扩散计算模块HEXA3D进行耦合,实现了快堆长燃耗步的连续计算。在燃耗计算模块,首先根据快堆燃耗特点,忽略在快堆中截面较低的反应链,选取了适用于快堆的燃耗链并制作了包含燃耗链和裂变产物的燃耗输入卡。之后根据堆芯稳态计算出的各个节块的通量分布以及节块内各核素的微观截面计算出燃耗矩阵,利用切比雪夫有理近似方法,即CRAM方法处理燃耗矩阵。近似阶数上选取了 14阶PFD方案进行计算,燃耗步长选取为100天。对于燃耗结果的修正方法,选取了经典的基于原子核密度的预估校正方法对燃耗计算结果进行改进。在此基础上,通过国际铅基快堆RBEC-M基准题进行验证。使用NJOY处理ENDF/B-Ⅶ.1的评价核数据库得到的33群问题相关的MATXS格式的截面,经由实验室自主开发的截面处理软件MGGC读取并处理NJOY生成的MATXS截面,每个区均采用5种集总伪裂变产物,每种集总伪裂变产物考虑了 1 94种裂变产物,最终得到问题相关的ISOTXS截面。计算结果与使用相同截面库的DIF3D计算结果对比,经过验证全堆计算功能可以正确实现,RBEC-M基准题在相同截面库条件下与六分之一建模结果仅相差25pcm,与DIF3D的计算结果相差200pcm以内,堆芯功率分布的最大偏差在5%以内,900天内的燃耗计算结果趋势与REBUS计算的趋势吻合。由此可以得出结论,自主开发的耦合六角形节块法的快堆堆芯燃耗程序FCAC耦合了快堆六角形节块法进行扩散计算,可以输出长燃耗步下快堆燃耗结果,具有计算精度高,适用范围广的优点。未来可以针对燃耗模块进行改进以适应更多工况。
赵泽龙[7]（2021）在《加速器驱动的次临界系统质子中子耦合输运及燃耗计算程序系统开发》文中研究说明分离-嬗变策略可有效降低反应堆核废料的放射性危害,显着减小地质埋藏高放废物时的存储体积及处置时间,是乏燃料后处理的有力方案,而加速器驱动的次临界系统（ADS）是目前国际公认最有效的核废料嬗变处理装置。ADS系统以高能质子束轰击重金属散裂靶产生的散裂中子驱动并维持次临界堆的运行,可有效嬗变核废料中的次锕系核素和长寿命裂变产物核素。靶区及次临界堆芯物理计算是ADS靶堆参数设计及方案分析的基础,本文开发了自主的ADS质子中子耦合输运及燃耗计算程序系统,可作为靶堆物理计算分析的有效工具。论文工作中,首先完成了基于散裂反应程序和Open MC的靶堆耦合计算方法研究,并将采用NJOY2016程序制作的混合高能中子截面库IMPC-ADS应用于靶堆耦合计算中。首先基于ICSBEP临界基准题、Godiva球以及Ci ADS次临界堆芯模型完成了高能库的初步验证,然后采用OECD-ADS靶堆模型验证了上述靶堆耦合计算方法的可行性。其次,为满足靶堆耦合计算中的燃耗分析需求,首先自主开发了点燃耗计算程序IMPC-Depletion1.0。该程序采用TTA线性子链法和切比雪夫有理近似CRAM方法求解燃耗方程,支持衰变、定通量及定功率三种计算模式,与其它程序的参考计算结果基本一致。而后基于开发的点燃耗计算程序,采用Python3.6开发了输运-燃耗计算程序系统IMPC-Burnup2.0用于ADS燃耗计算。程序运行时由Python脚本将散裂反应程序记录的靶区散裂中子信息转为HDF5文件格式并提供给堆芯中子输运蒙卡程序Open MC完成燃耗步内相关物理量的统计,再调用IMPC-Depletion1.0点燃耗求解器计算燃耗栅元内的核素含量变化,在燃耗算法方面嵌入了BOS起步近似算法及PC预估修正算法。为了验证输运-燃耗计算程序系统,首先基于MOX栅元、VVER-1000 LEU组件以及OECD快堆燃耗基准题,完成了IMPC-Burnup2.0在栅元、组件及堆芯尺度下的燃耗计算验证,与其它机构计算结果对比良好。然后采用IAEA-ADS基准题和OECD/NEA MA燃耗基准题完成了ADS次临界堆的燃耗计算验证,keff变化曲线、核素含量等计算结果在其他机构参考值范围内,表明该程序可用于ADS燃耗分析计算。最后,为了进一步完善程序的质子中子耦合输运计算功能,采用INCL++5.1核内级联模型和ABLA蒸发退激模型,以及开源蒙卡程序Open MC,基于C++完成了质子中子内耦合输运程序IMPC-MC1.0的开发工作。该程序可完成质子散裂反应计算、中高能中子输运和其它次级粒子的全部输运过程。基于BNL-AGS实验,不同靶区材料的散裂反应计算以及JAEA 800MW铅铋冷却ADS靶堆模型完成了程序的可靠性验证。
代兴兴[8]（2021）在《有限域上几类极小线性码的构造》文中指出有限域Fq上线性码是指空间Fqn线性子空间.线性码在计算机系统、通讯系统、数据存储、信息安全、数字签名、多方安全计算、军事、卫星通讯等领域有着广泛的应用.极小线性码作为一类具有很好代数结构和性质的特殊线性码,在秘密共享、数据通讯和储存方面有广泛的应用.本文利用迹函数构造的函数去研究这一类线性码的结构,得到这类线性码的汉明重量分布.这种构造极小线性码的方法,依赖于计算有限域上的元素在所选取这类函数的Walsh变换下的取值.为了计算这类Walsh变换的分布,本文给出了一种范德蒙行列式和p次本原单位根之间的代数等式,这样我们就能得到一类由迹函数构成的函数的Walsh变换和这种范德蒙行列式以及它的代数余子式之间的关系.利用这种关系,确定这类迹函数所构造的具体函数,得到一系列线性码的汉明重量分布.在这类线性码中选取部分码字,结合分类讨论的方法验证所选取的码为极小线性码.本文一共分为四章,分别是:第一章第一节主要讨论了是极小线线性码的研究背景,国内外研究现状和本文的工作,以及本文构造的极小线性码相比于其他极小线性码的优点和缺点.第二章主要论述了本文的相关代数背景.第一节介绍了有限域和伽罗瓦群以及迹映射的相关性质.第二节介绍了极小线性码的概念和计算一类特殊函数构造的线性码的汉明重量分布的相关引理,以及有限域上任意非空子集的特征函数在特定函数形式下的Walsh变换.第三章主要讨论有限域上线性极小码的构造.第一节介绍介绍了利用有限域上子集{αT r（uα）≠0}的特征函数构造极小线性码.第二节介绍了利用有限域上非空线性子空间的特征函数构造极小线性码.第四章主要介绍了当函数为f（x）=xpm-1+Tr（ux）Tr（vx）时,线性码Cf的结构.
柳博方[9]（2021）在《监控视频动态人脸识别与检索研究》文中认为本文主要是针对监控视频数据的动态人脸识别算法的研究。随着计算机技术和视频影像技术的发展,监控摄像头在各种公共场所随处可见。监控摄像头会将监控到的视频影像存到硬盘中用于以后的查找,其中的查找内容主要是查找人。当前的主要查找方式还是人工进行,这对于硬盘中堆积如山的视频影像显然是有些捉襟见肘,因而有必要利用计算机自动查找来提高效率。视频人脸识别算法在查找中起到重要作用。视频数据由于其分辨率低下、各种光照遮挡等情况严重的影响算法的识别效果。现有的视频人脸识别算法对于视频数据空间特征提取不充分以及对视频数据时序信息利用较弱。针对现有的算法没有充分利用视频数据的空间特征和时序信息的问题,本文提出了一种视频数据特征嵌入的视频人脸识别算法。对于视频人脸数据的空间特征,算法采用具有超强非线性特征表达能力的卷积神经网络进行空间特征的提取。对于视频人脸数据的时序信息,算法通过时序移位模块在提取视频数据空间特征的同时对视频数据的时序信息进行提取。提取到的时序信息通过卷积神经网络与提取到的空间特征进行充分融合。最后对得到融合后的视频人脸数据的静态人脸特征通过提出的时序集成模块进行最后的视频数据特征的集成,得到视频数据的一个嵌入特征。对于最终得到的视频人脸数据的特征,通过度量学习的方式进行模型参数的更新。本文对提出的视频数据特征嵌入的视频人脸识别算法在COX视频人脸数据集上进行了实验验证。在数据集的视频到视频的场景下对提出的方法进行了实验,并在V2-V1、V3-V2、V1-V2、V2-V3这几种实验情况下取得了较好结果。进一步还对COX数据集进行了戴口罩情况的拓展,用来模拟当下新冠疫情影响下全民戴口罩的情况。并采用提出的方法在拓展之后的数据集上进行了实验,进一步体现本文算法的有效性。
朱乐欢[10]（2021）在《关于射影空间中广义球的逆紧全纯映射》文中研究表明复射影空间Pn上的广义球是逆紧全纯映射这一研究课题下重要的研究对象.一方面,我们将普通广义球拓展到边界可以是Levi--退化的情形,探究它们之间的局部全纯逆紧映射的刚性理论?另一方面,我们讨论普通广义球间的逆紧映射的分类问题.本文主要分为三个部分.第一章,我们首先概述了逆紧全纯映射的研究背景,然后着重介绍普通广义球和有界对称域各自之间的逆紧全纯映射的研究起源与进展现状.最后,我们引入本文主要的定理.第二章,我们主要研究具有Levi--退化边界的广义球之间的局部逆紧全纯映射的刚性问题.首先详细地分析其包含的射影线性子空间的模空间,然后借助于射影线性子空间的参数化刻画,引入射影空间上的格拉斯曼丛具有的双纤维空间结构.接着,我们根据与极大值以及延拓相关的若干引理,得到局部逆紧全纯映射是线性的.最后在此基础上,我们给出具有Levi--退化边界的广义球间局部逆紧全纯映射的具体描述.此外,上述结果亦可视为普通广义球的相关结论的推广.第三章,我们首先讨论普通广义球上的逆紧有理单项式映射的分类问题,即视为对Seo[71]中主要定理的拓展.接下来,具体介绍Ng[65]以及Seo[71]中所揭示的广义球上的逆紧有理映射与第一类型不可约有界对称域之间的逆紧全纯映射两者之间的联系.最后我们借助于此关联,得到了一些第一类有界对称域之间的逆紧全纯映射的新例子.
二、关于线性子空间交的基（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、关于线性子空间交的基（论文提纲范文）
（1）无线光相干通信中波前畸变的预测控制与实验研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 自适应光学研究进展 |
| 1.2.2 自适应光学预测控制研究进展 |
| 1.2.3 发展趋势 |
| 1.3 论文结构安排 |
| 2 自适应光学基本理论 |
| 2.1 自适应光学系统基本原理 |
| 2.2 自适应光学系统核心器件 |
| 2.2.1 波前校正器 |
| 2.2.2 波前传感器 |
| 2.2.3 波前控制器 |
| 2.3 自适应光学系统伺服延时分析 |
| 2.4 泽尼克多项式与评价指标 |
| 2.4.1 泽尼克多项式原理 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 3 线性子空间系统辨识法 |
| 3.1 子空间法预备知识 |
| 3.1.1 QR分解与SVD分解 |
| 3.1.2 Moore-Penrose逆 |
| 3.1.3 正交投影 |
| 3.1.4 斜向投影 |
| 3.2 系统模型的数学描述 |
| 3.2.1 确定性系统模型 |
| 3.2.2 随机性系统模型 |
| 3.2.3 前向新息模型 |
| 3.3 线性子空间辨识算法 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 4 自适应光学预测模型分析 |
| 4.1 自适应光学卡尔曼预测 |
| 4.2 线性预测模型 |
| 4.3 两种响应矩阵的标定 |
| 4.4 本章小结 |
| 5 自适应光学预测控制实验研究 |
| 5.1 波前修正实验系统和装置 |
| 5.2 1.2km预测控制算法实验研究 |
| 5.3 5km预测控制算法实验研究 |
| 5.4 10km预测控制算法实验研究 |
| 5.5 本章小结 |
| 6 总结和展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于深度孪生网络模型的视频跟踪识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 课题研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文结构安排 |
| 第2章 相关基础知识介绍 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络特性 |
| 2.1.2 卷积神经网络的基本结构 |
| 2.2 目标跟踪概述 |
| 2.3 传统目标跟踪算法 |
| 2.3.1 基于均值偏移的目标跟踪 |
| 2.3.2 基于分块的目标跟踪 |
| 2.3.3 基于线性子空间的目标跟踪 |
| 2.3.4 基于稀疏表示的目标跟踪 |
| 2.4 基于深度学习的目标跟踪算法 |
| 2.4.1 基于相关滤波的目标跟踪 |
| 2.4.2 基于孪生网路的目标跟踪 |
| 2.4.3 基于循环神经网络的目标跟踪 |
| 2.4.4 基于生成对抗网络的目标跟踪 |
| 2.5 目标跟踪数据集以及评判准则 |
| 2.6 本章小结 |
| 第3章 基于SIAMVGG与 LLC相结合的视频目标跟踪 |
| 3.1 引言 |
| 3.2 深度孪生网路SIAMVGG-LLC |
| 3.2.1 网络结构 |
| 3.2.2 Siam VGG-LLC参数设置 |
| 3.2.3 Siam VGG-LLC模型训练 |
| 3.3 局部线性编码算法 |
| 3.4 特征队列长度分析 |
| 3.5 算法框架 |
| 3.6 实验结果分析 |
| 3.7 本章小结 |
| 第4章 基于非对称卷积孪生网络的视频目标跟踪 |
| 4.1 引言 |
| 4.2 非对称卷积孪生网络 |
| 4.2.1 非对称卷积模块 |
| 4.2.2 推理阶段的模型融合 |
| 4.3 区域提议网络 |
| 4.4 FEATURE DROPBLOCK模块 |
| 4.5 算法框架 |
| 4.6 模型训练 |
| 4.6.1 数据预处理 |
| 4.6.2 非对称卷积孪生网络的参数设置 |
| 4.6.3 非对称卷积孪生网络的模型训练 |
| 4.7 实验结果分析 |
| 4.7.1 非对称卷积模块实验结果分析 |
| 4.7.2 Feature DropBlock模块结果分析 |
| 4.7.3 基于OTB100 数据集的实验结果分析 |
| 4.7.4 基于VOT2018 数据集的实验结果分析 |
| 4.8 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果及所获荣誉 |
| 致谢 |
（3）流形上的子空间聚类算法及应用（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 子空间聚类研究进展 |
| 1.3 流形学习及基于流形表示的研究进展 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关准备知识 |
| 2.1 黎曼流形的相关概念 |
| 2.1.1 对称正定流形的相关概念 |
| 2.1.2 Grassmann流形的相关概念 |
| 2.1.3 非线性流形的核方法 |
| 2.2 在欧式空间的子空间聚类算法基础 |
| 2.2.1 谱聚类 |
| 2.2.2 基于自表示的子空间聚类算法 |
| 2.3 实验环境及评价指标 |
| 2.3.1 实验环境 |
| 2.3.2 算法评价指标 |
| 2.4 本章小结 |
| 第三章 多几何稀疏子空间聚类 |
| 3.1 引言 |
| 3.2 构造多阶统计特征 |
| 3.3 多阶统计特征核化操作 |
| 3.4 多几何稀疏子空间聚类算法 |
| 3.5 实验与分析 |
| 3.5.1 基于Yale数据集的人脸图像聚类 |
| 3.5.2 基于ORL数据集的人脸图像聚类 |
| 3.5.3 基于KTH-TIPS数据集的人脸图像聚类 |
| 3.5.4 基于COIL-100数据集的人脸图像聚类 |
| 3.5.5 参数选择和收敛验证 |
| 3.6 本章小结 |
| 第四章 SPD流形上的低秩核稀疏子空间聚类模型 |
| 4.1 引言 |
| 4.2 特征提取并构造图像的SPD流形表示 |
| 4.3 在SPD流形上的低秩核子空间表示模型 |
| 4.4 在SPD流形上基于低秩一致核学习的多核子空间表示模型 |
| 4.5 核函数的选择 |
| 4.6 实验与分析 |
| 4.6.1 基于Yale数据集的人脸图像聚类 |
| 4.6.2 基于ORL数据集的人脸图像聚类 |
| 4.6.3 基于KTH-TIPS数据集的纹理聚类 |
| 4.6.4 基于COIL-100数据集的物体聚类 |
| 4.6.5 抗噪实验 |
| 4.6.6 参数选择和收敛验证 |
| 4.7 本章小结 |
| 第五章 Grassmann流形上的低秩核稀疏子空间表示模型 |
| 5.1 引言 |
| 5.2 数据的Grassmann流形表示 |
| 5.3 Grassmann流形上低秩核稀疏子空间表示模型 |
| 5.4 实验与分析 |
| 5.4.1 实验数据 |
| 5.4.2 实验结果 |
| 5.4.3 消融实验 |
| 5.4.4 参数选择和收敛验证 |
| 5.5 本章小结 |
| 第六章 针对行为识别视频数据的多流形聚类算法 |
| 6.1 引言 |
| 6.2 基于音频信息的子空间聚类 |
| 6.2.1 音频信息的语谱图纹理特征提取 |
| 6.2.2 基于音频信息的子空间聚类方案 |
| 6.2.3 基于音频信息的子空间聚类实验 |
| 6.3 多流形稀疏子空间聚类 |
| 6.3.1 多分支特征 |
| 6.3.2 自适应多流形融合子空间聚类 |
| 6.4 实验与分析 |
| 6.4.1 实验数据 |
| 6.4.2 实验结果 |
| 6.4.3 消融实验 |
| 6.4.4 参数选择和收敛验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录: 攻读硕士期间完成的论文 |
（4）基于流形假设的度量学习方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 度量学习 |
| 1.2.2 流形学习 |
| 1.3 研究内容及主要工作 |
| 1.4 论文结构 |
| 第二章 相关工作及理论 |
| 2.1 黎曼流形 |
| 2.1.1 对称正定流形(SPD流形) |
| 2.1.2 格拉斯曼流形(Grassmann流形) |
| 2.2 度量学习 |
| 2.2.1 大间隔最近邻(LMNN) |
| 2.2.2 信息理论度量学习(ITML) |
| 第三章 基于Grassmann流形的度量学习方法 |
| 3.1 相关工作 |
| 3.2 基于Grassmann流形的度量学习(GML) |
| 3.2.1 子空间建模 |
| 3.2.2 投影度量 |
| 3.2.3 求解变换矩阵 |
| 3.3 实验及分析 |
| 3.3.1 数据集与对比算法 |
| 3.3.2 参数设置 |
| 3.3.3 实验分析 |
| 3.3.4 参数影响 |
| 3.4 总结 |
| 第四章 基于多流形融合的马氏度量学习方法 |
| 4.1 相关工作 |
| 4.2 基于多流形融合的马氏度量学习(MMML) |
| 4.2.1 子空间建模 |
| 4.2.2 协方差建模 |
| 4.2.3 多核度量学习 |
| 4.2.4 目标函数优化 |
| 4.3 实验及分析 |
| 4.3.1 数据集与对比算法 |
| 4.3.2 参数设置 |
| 4.3.3 实验分析 |
| 4.3.4 参数影响 |
| 4.4 总结 |
| 第五章 度量学习算法的可视化系统 |
| 5.1 引言 |
| 5.2 系统结构 |
| 5.3 系统设计 |
| 5.3.1 界面设计 |
| 5.3.2 模块设计 |
| 5.4 总结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 附录A |
| 附录B |
| 致谢 |
| 个人简介及联系方式 |
（5）个性细节特征保持的三维面部表情迁移研究（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 基于物理模型的三维面部表情迁移 |
| 1.2.2 基于参数化的三维面部表情迁移 |
| 1.2.3 基于深度学习的三维面部表情迁移 |
| 1.3 主要研究内容和贡献 |
| 1.4 论文的组织结构 |
| 第2章 相关工作 |
| 2.1 子空间学习方法 |
| 2.1.1 线性子空间学习方法 |
| 2.1.2 非线性子空间学习方法 |
| 2.2 三维模型的光顺去噪方法 |
| 2.2.1 Laplace方法 |
| 2.2.2 平均曲率流 |
| 2.2.3 双边滤波器 |
| 2.3 三维模型的形状编辑方法 |
| 2.3.1 模型变形 |
| 2.3.2 保细节编辑方法 |
| 2.4 网格模型的多尺度分解 |
| 2.5 本章小结 |
| 第3章 基于改进联合学习的三维面部表情迁移 |
| 3.1 方法综述 |
| 3.2 联合训练 |
| 3.2.1 自适应过程 |
| 3.2.2 映射过程 |
| 3.3 表情传递 |
| 3.4 实验结果分析 |
| 3.4.1 实验环境及参数 |
| 3.4.2 实验结果 |
| 3.4.3 联合训练初值的选取 |
| 3.4.4 性能测试 |
| 3.5 本章小结 |
| 第4章 基于细节特征提取和多尺度重建的三维表情迁移 |
| 4.1 方法综述 |
| 4.2 粗尺度的全局变形迁移 |
| 4.2.1 细节特征提取 |
| 4.2.2 源表情传递 |
| 4.3 细尺度的细节运动重建 |
| 4.3.1 几何向量方向的调整 |
| 4.3.2 几何向量大小的调整 |
| 4.4 实验结果分析 |
| 4.4.1 实验环境及参数 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（6）基于CRAM方法的快堆燃耗计算研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 第2章 燃耗计算理论 |
| 2.1 燃耗方程求解的数值方法 |
| 2.2 切比雪夫有理近似方法 |
| 2.2.1 PFD形式的切比雪夫有理近似方法 |
| 2.2.2 预估矫正方法 |
| 2.3 本章小结 |
| 第3章 HEXA3D&FCAC程序开发 |
| 3.1 六角形节块法 |
| 3.1.1 中子扩散方程 |
| 3.1.2 节块内中子通量的高阶近似及通量矩方程 |
| 3.1.3 响应矩阵方程 |
| 3.2 泄漏矩的高阶近似 |
| 3.2.1 径向泄漏矩的计算 |
| 3.2.2 轴向泄露矩的计算 |
| 3.3 HEXA3D程序完善 |
| 3.4 HEXA3D&FCAC程序介绍 |
| 3.5 本章小结 |
| 第4章 RBEC-M基准题验证 |
| 4.1 RBEC-M基准题介绍 |
| 4.2 轴向高阶近似改进 |
| 4.3 燃耗验证 |
| 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 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 附录 |
| 致谢 |
（7）加速器驱动的次临界系统质子中子耦合输运及燃耗计算程序系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 论文内容 |
| 1.4 论文结构 |
| 第2章 理论计算方法 |
| 2.1 高能中子数据库制作 |
| 2.2 靶堆耦合计算方法 |
| 2.3 燃耗方程及其求解方法 |
| 2.3.1 Bateman方程 |
| 2.3.2 CRAM算法 |
| 2.3.3 线性子链TTA算法 |
| 2.4 散裂反应 |
| 2.4.1 散裂反应过程 |
| 2.4.2 散裂计算模型 |
| 2.5 本章小结 |
| 第3章 ADS靶堆耦合计算 |
| 3.1 混合高能中子数据库验证 |
| 3.1.1 ICSBEP临界基准题 |
| 3.1.2 Godiva球固定源计算 |
| 3.1.3 CiADS次临界堆中子学计算 |
| 3.2 OECD-ADS靶堆耦合计算 |
| 3.3 本章小结 |
| 第4章 输运-燃耗程序IMPC-Burnup2.0 的开发及验证 |
| 4.1 IMPC-Depletion1.0 计算框架 |
| 4.2 IMPC-Burnp2.0 程序计算框架 |
| 4.3 IMPC-Depletion1.0 点燃耗程序验证 |
| 4.3.1 核素衰变计算 |
| 4.3.2 定通量计算 |
| 4.3.3 定功率计算 |
| 4.4 IMPC-Burnup2.0 输运-燃耗程序验证 |
| 4.4.1 MOX栅元燃耗计算 |
| 4.4.2 VVER-1000 LEU组件燃耗计算 |
| 4.4.3 OECD快堆燃耗基准题 |
| 4.4.4 IAEA-ADS基准题 |
| 4.4.5 OECD/NEA MA燃耗基准题 |
| 4.5 本章小结 |
| 第5章 质子中子内耦合输运程序开发 |
| 5.1 粒子输运程序系统 |
| 5.2 程序算法 |
| 5.2.1 输运计算流程 |
| 5.2.2 物理过程实现 |
| 5.3 程序验证 |
| 5.3.1 散裂过程计算 |
| 5.3.2 耦合输运计算 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）有限域上几类极小线性码的构造（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第二章 本文相关的代数背景 |
| 2.1 有限域 |
| 2.2 线性极小码的概念及码重分布的相关引理 |
| 第三章 基于特征函数的极小线性码的构造 |
| 3.1 利用H={x∈F_(p~m)|Tr(ux) ≠0}的特征函数构造极小线性码 |
| 3.2 利用H=E*的特征函数构造极小线性码 |
| 第四章 另一类有限域上极小线性码的构造 |
| 总结与展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（9）监控视频动态人脸识别与检索研究（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 研究内容及现状 |
| 1.3 基于视频的人脸识别算法研究现状 |
| 1.3.1 基于集合的方法 |
| 1.3.2 基于序列的方法 |
| 1.4 本文的主要内容与章节安排 |
| 第二章 图片特征的提取方法 |
| 2.1 特征提取的定义 |
| 2.2 手工图片特征的提取 |
| 2.2.1 颜色特征 |
| 2.2.2 纹理特征 |
| 2.2.3 形状特征 |
| 2.2.4 空间关系特征 |
| 2.3 自学习图片特征的提取 |
| 2.4 本章小结 |
| 第三章 基于视频特征提取的视频人脸识别算法 |
| 3.1 常见的视频特征的提取模型 |
| 3.2 本文使用的视频特征提取模型 |
| 3.3 度量学习 |
| 3.4 本章小结 |
| 第四章 本文方法验证与比对 |
| 4.1 数据集的简单介绍 |
| 4.2 不戴口罩数据的实验结果 |
| 4.2.1 Cut-Mix方法介绍 |
| 4.2.2 模型超参数选择 |
| 4.2.3 模型参数初始化 |
| 4.2.4 本文方法的四种范式 |
| 4.2.5 本文方法与其他方法的比较 |
| 4.3 戴口罩数据的实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间申请的发明专利 |
| 学位论文评阅及答辩情况表 |
（10）关于射影空间中广义球的逆紧全纯映射（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 本文的主要结果 |
| 第二章 具有Levi-退化边界的广义球之间的逆紧全纯映射 |
| 2.1 预备知识 |
| 2.2 射影线性子空间 |
| 2.3 双纤维空间 |
| 2.4 准备工作 |
| 2.5 主要定理的证明 |
| 第三章 普通广义球间的逆紧有理单项式映射 |
| 3.1 预备知识 |
| 3.2 逆紧有理单项式映射 |
| 3.3 有界对称域之间的逆紧全纯映射 |
| 第四章 总结与展望 |
| 4.1 本文总结 |
| 4.2 未来展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、关于线性子空间交的基（论文参考文献）
- [1]无线光相干通信中波前畸变的预测控制与实验研究[D]. 武轶凡. 西安理工大学, 2021
- [2]基于深度孪生网络模型的视频跟踪识别[D]. 温超和. 江西科技师范大学, 2021(12)
- [3]流形上的子空间聚类算法及应用[D]. 胡文波. 江南大学, 2021(01)
- [4]基于流形假设的度量学习方法研究[D]. 梁虎. 山西大学, 2021(12)
- [5]个性细节特征保持的三维面部表情迁移研究[D]. 于志平. 山东财经大学, 2021(12)
- [6]基于CRAM方法的快堆燃耗计算研究[D]. 李耀舟. 华北电力大学(北京), 2021(01)
- [7]加速器驱动的次临界系统质子中子耦合输运及燃耗计算程序系统开发[D]. 赵泽龙. 中国科学院大学(中国科学院近代物理研究所), 2021(01)
- [8]有限域上几类极小线性码的构造[D]. 代兴兴. 安庆师范大学, 2021(12)
- [9]监控视频动态人脸识别与检索研究[D]. 柳博方. 山东大学, 2021(12)
- [10]关于射影空间中广义球的逆紧全纯映射[D]. 朱乐欢. 华东师范大学, 2021(08)