一、ALGORITHMS FOR IMPLEMENTATION OF GENERAL LIMIT REPRESENTATIONS OF GENERALIZED INVERSES（论文文献综述）
颜兵健[1]（2020）在《基于大规模天线阵列混合波束成型的毫米波通信预编码技术研究》文中研究表明随着无线智能终端设备的普及,用户对移动流量的需求急剧增加,传统波段频谱资源愈发稀缺,毫米波段依靠丰富的频谱资源受到了广泛的关注。然而,毫米波信号路径损耗非常大,同时极易受到阴影的影响,从而导致通信中断。大规模天线阵列和适当的波束成型可通过增加天线增益来弥补路径损耗,但是数字基带波束成型要求发射机和接收机中每个天线单元都有完整的专用射频链路,这大大增加了设备成本和功耗。混合波束成型技术在达到与纯数字波束成型技术近似性能的同时,通过大幅度降低数字收发成型器的数量减少了器件成本,但是发射端功率放大器的数量仍然随着发射天线总数目的增加而增加,因此在这种架构中,功放器件的功耗是制约整个系统能量效率的一个关键问题。为了提高功放器件的能量转换效率,必须降低峰均功率比（Peak-to-Average Power Ratio,PAPR）以使功放稳定工作在饱和区域附近。本文主要研究降低信号峰均比的信号预编码方案以提升发射端功率放大器的能量效率。主要工作如下:介绍了基于数学优化模型的毫米波信号的峰均比压缩预编码技术,包括作为基线模型的迫零峰均比压缩预编码方案,以及性能大幅度优化的根据快速迭代收缩阈值算法（FISTA）和用于解决非约束无穷范数正则问题的Squash方法构建的迭代优化方案。针对迭代优化方案,通过仿真验证了正则化系数对峰均比性能和误比特率性能的权衡作用。针对大规模天线阵列结合混合波束成型架构的毫米波系统提出了基于非对称自编码器的峰均比压缩预编码方案。其中根据发射信号采用的QPSK调制,设计了复数全连接层（CFC）,并将复数全连接层、层归一化方案和基于大规模搜索方案得到的Swish激活函数应用在自编码器结构中。自编码器的训练过程采用多任务学习方案。根据两个指标要求,即衡量峰均比压缩程度的累积互补误差函数（CCDF）和衡量信号失真程度的误比特率设计了多任务学习的组合损失函数,并在训练模型时对比了一阶段和二阶段方案;最后仿真了基于数学模型的迫零和迭代优化方案,以及本文提出的自编码器方案,仿真表明基于自编码器的方案在峰均比性能和误比特率性能上都明显优于之前的方案。此外,针对不同方案的推理时的复杂度做了简要分析,分析表明基于自编码器的方案在应用时的时间复杂度大大降低。
刘帅[2]（2017）在《基于分层稀疏学习和协同表示的高光谱图像去噪和分类》文中研究指明随着光谱成像系统的发展,高光谱图像能够对观测对象进行越来越精确和详细地表达。精细的光谱特征为识别和区分每个像元提供了可能,使得高光谱图像在民事和军事领域中都得到了广泛的应用,例如大气环境监测、地物分类、目标检测和识别等。但是,高光谱图像在采集和传输过程中,不可避免地引入了多种统计特性截然不同的噪声。这些噪声的存在,严重降低了高光谱图像的质量,限制了高光谱图像的适用范围。同时,随着数据量的增加,高光谱图像的空谱特性对后续分析的影响也越来越大。本论文通过对高光谱图像降噪及分类的技术现状进行分析,并结合稀疏分层学习和协同表示模型,通过有效地利用高光谱图像的空谱特性,以数据驱动的方式实现高光谱图像的降噪和分类。本论文的研究工作主要包括下面的四个方法:（1）提出了基于分层稀疏贝叶斯学习和贝塔过程的高光谱图像恢复方法,用于抑制高光谱图像中存在的多种噪声和推断高光谱图像中缺失的像素。利用字典原子的加权和、高斯噪声项和稀疏噪声项这三部分对含噪高光谱图像的固有特征和噪声特性进行学习和表达,从而将噪声分离出去。吉布斯采样被用来以数据驱动的方式对模型进行求解,具有自适应推断字典以及噪声的特点。利用两幅降级的高光谱数据集对所提方法的性能进行了验证,并和几种流行的降噪方法进行了对比分析。这里造成图像降级的因素包括高斯噪声、脉冲噪声、条带噪声、坏线以及像素缺失。视觉效果和定量评估结果证明了所提方法在恢复降级图像方面的优越性（2）提出了一种基于分层稀疏学习和谱空信息的高光谱图像降噪方法。利用高光谱图像的结构相关性,将具有相似和连续谱特征的波段划分到同一个波段子集;结合局部相似性,将每个波段子集分割为多个重叠三维块数据。利用有效数据项、高斯噪声项和稀疏噪声项对三维块数据进行学习和表达。第一项由字典原子的线性组合来表示,并利用受伽马分布约束的高斯过程给字典原子添加空域一致性先验。后面两项被用来学习和表示高光谱图像的噪声信息。另外,利用贝塔贝努力过程来控制模型的稀疏度。通过吉布斯采样对模型进行求解,能够在不利用任何先验信息的情况下实现字典和噪声的推断。在不同高光谱图像上的实验结果表明所提方法能够得到比多种流行降噪方法更优的降噪结果,同时还能够更好的保留图像的结构/谱空信息。（3）提出了一种结合贝叶斯低秩矩阵分解和协同块学习的高光谱图像降噪方法。依据高光谱图像的空域一致性和非局部自相似性,对其进行三维滑块分割;并利用基于融合特征的相似性测度来非局部地选出和待观测块数据最相似的若干个块数据作为协同块数据,实现待观测数据的协同块学习。贝叶斯低秩矩阵分解模型被用来学习和表示协同块数据。该模型能够利用低秩矩阵分解来刻画协同块数据在空谱域的低秩特性,并通过结合狄利克雷过程的混合高斯分布来表达高光谱图像的噪声统计特性,从而实现有效降低图像噪声这一目的。在不同高光谱数据集上的实验分析证明了所提方法在降噪方面的有效性以及普适性。（4）基于高光谱图像的空域一致性和非局部自相似性,提出了一种融合非局部加权联合协同表示和极限学习机模型的高光谱图像分类方法。根据分类过程中不同样本对给定测试样本的空域贡献的不同,结合相关性和欧氏距离的相似性测度被用来构建测试样本和它的邻域样本之间的权值矩阵,进而筛选出和测试样本相似性最高的若干个样本来构建联合样本;利用非局部加权联合协同表示对该联合样本进行分类,得到协同表示系数和类别标记结果。然后,利用协同表示系数得到中阶特征,并用极限学习机对该中阶特征进行分类。最后,通过多项式融合策略将非局部加权联合协同表示和极限学习机的类别标记结果进行融合,得到最终的分类结果。在不同实验条件下,应用所提方法和几种流行的分类算法对不同高光谱图像进行分类,视觉效果和数值评估结果证明了所提方法分类性能的优越性和稳定性。
邢龙飞[3]（2016）在《自然的秩序 ——弗雷·奥托的物理找形实验与数字建筑形态设计》文中研究指明伴随着数字技术在建筑领域内的不断发展,设计方法与形态的关系在数字平台下被重新改写,在复杂性科学与参数化技术的影响下,建筑形态开始向着动态、模糊、复杂的方向发展。但是有些设计过分关注数字技术与操作,忽视其物理现实,使得设计过程变成了哲学概念的数字化操作实现,造成了建筑形态的复杂怪异和对资源的过度浪费,这与现今绿色、和谐的建筑宗旨大相径庭。物理“找形实验”源起于胡克在1675年提出的“拱顶找形法”,在之后的20世纪初,多位建筑大师对于形式与力学之间的关系进行了相关探索与实践。例如,安东尼·高迪是利用自然规律寻找合理结构和形式的先驱,并藉此设计了一系列具有雕塑感的建筑；海因茨·伊斯勒是公认的壳体结构设计的先驱,通过静力学图解和悬链线的结合,发明了充气薄膜找形法以及悬垂织物找形法;弗雷·奥托在“自然建筑”与“轻型结构”的研究中大量使用了物理“找形实验”的方法,随后与奥托合作过或受其影响的建筑师以这些实验为基础进一部拓展应用,为数字建筑形态设计开发出了一系列新的算法与工具,创造出了许多世人瞩目的建筑作品。渐进地对奥托实验、新的算法、建筑师作品进行归纳和梳理,总结奥托的建筑思想内涵在数字建筑时代的渐变和发展,为后来借助奥托的研究和思想创新建筑空间形态提出展望。
贾红学[4]（2015）在《板的特大增量步算法及并行计算》文中研究指明本文涉及的“特大增量步算法（Large Increment Method,简称LIM）”是指基于广义逆矩阵理论、针对小变形和小位移的固体材料非线性问题的一种新颖的力法有限元方法。与传统的位移法有限元相比,它具有应力计算精度高,运算量小,空间和时间上的可并行性强等特点。在空间并行性方面,它能够以单元为最小单位并行求解柔度方程;在时间并行性方面,由于它能对各个时刻均利用线弹性的结果作为初始值,并行地引入不同加荷历史中材料的非线性性质,通过整体几何协调的迭代优化算法求解,因而具有很强的时间上的可并行性。基于适用于中厚板的Reissner-Mindlin理论建立的位移法板单元在求解较薄的板时,随着板的厚跨比逐渐变小,剪切应变能被过分夸大,计算出的弯曲变形远小于实际变形,从而出现所谓的“剪切闭锁”现象。剪切闭锁产生的根源是由于将三维的问题的位移场在一些强假设的限定下简化为二维问题而导致的数值问题。LIM是一种以力为变量的力法有限元方法,在这方面有突出的优势。为了求解板问题,采用LIM,本文通过假设合适的广义内力场创新性地提出了以力为变量的四节点和八节点四边形板单元,分别应用平衡的单元广义内力场和简化的中厚板位移场,通过虚余功原理建立板单元的控制方程。由于假设的广义内力场能比较正确地反映薄板和中厚板的内力的分布,通过本文的LIM方法求解不易出现剪切闭锁现象。在此基础上,本文还基于LIM的控制方程和广义逆矩阵理论提出了判别单元柔度矩阵是否存在零能模式、是否病态的充要条件。通过与精确解和位移法有限元法的结果比较,本文构造的板单元在LIM方法求解中厚板和薄板问题时有较好的收敛性和准确性。此外,为了将LIM应用到求解板的弹塑性问题,论文给出了板单元的一致弹塑性柔度矩阵,算例分析结果表明,LIM在求解弹塑性问题时有很高的计算效率和适用性。本文所使用的是一般用户容易获得和掌握的并行环境。它们是:硬件环境为内存16GB、8核的小型工作站,处理器为Intel（R）Core（TM）CPU;软件环境为64位Windows 7操作系统和基于Open Multi-Processing（简称OpenMP）和Message Passing Interface（简称MPI）的编程环境。OpenMP是共享内存并行程序设计的标准,适用于共享内存的多核计算机。MPI是一种消息传递编程模式,适用于共享内存的多核计算机和分布式内存计算机。本文的空间并行直接应用OpenMP实现,而时间并行按MPI实现。通过分析可知,LIM在空间和时间上有很好的并行效果。
谷新铭[5]（2015）在《基于神经网络的电动负载模拟器控制方法研究》文中指出负载模拟器是地面实验室条件下的设备,能够模拟飞行器飞行阶段受到的力矩。电动负载模拟器因其体积小、使用方便等特点,得到了越来越广泛的应用。航空技术的发展对飞行器舵机的控制性能和精度提出了更高的要求。本文利用基于神经网络方法对负载模拟器的控制进行研究:（1）将舵机的输出看作负载模拟器的外部扰动,然后根据模拟器加载部分的构成及各部分的物理特性,建立负载模拟器加载环节的数学模型。在考虑系统不确定性和模型参数摄动情况下,分析未建模动态、参数摄动、多余力矩及外界干扰对系统性能的影响。（2）对系统多余力矩及其抑制进行了研究,为了有效抑制多余力矩,提出了一种前馈补偿和干扰观测器（DOB）相结合的复合抑制策略。仿真结果表明该复合策略能够有效抑制系统多余力矩。（3）针对负载模拟器加载环节的指令力矩跟踪精度问题,提出了一种动态神经网络广义逆控制方案。方案利用三层前馈网络与积分器组成动态网络,训练得到逆模型并串联在被控对象之前构成伪线性系统;采用附加控制器进行闭环控制。仿真结果表明该策略能够有效提高负载模拟器力矩跟踪精度。（4）针对神经网络广义逆策略中存在的不能保证控制的实时性和伪线性系统的非理想特性这两点不足,采用在线调节和通用模型策略（CMC）对系统性能进行改善,大大改善了电动加载过程的力矩跟踪性能。
顾成花[6]（2013）在《基于反卷积的方位超分辨研究》文中认为雷达目标识别技术是现代雷达技术发展的一个重要方面，目标识别需要雷达具有较高的分辨力，随着距离分辨力的快速提高，为避免方位分辨力和距离分辨力的不匹配，方位分辨力的提高也成为必须。合成孔径技术和多普勒波束锐化技术因系统问题存在固有的前视成像盲区，一般实孔径雷达的方位分辨力受天线波束宽度的限制，从硬件上很难有所突破，从对接收回波信号的信号处理的角度解决这一问题越来越重要。雷达方位超分辨技术主要是指在不改变雷达系统硬件的前提下，从方位向上分辨处于同一波束内的几个等距目标的技术，本文从信号处理的角度，研究采用波束锐化来提高雷达的方位向分辨力的算法，同时研究影响雷达方位分辨力的一些因素，实现高分辨力目标识别。主要内容包括：1、根据去卷积的基本原理建立去卷积基本模型，对雷达回波形成系统中的相关物理参量天线方向图函数、噪声进行建模，简单介绍目前应用广泛的提高雷达方位分辨率的合成孔径技术、多普勒波束锐化技术以及近些年提出的ScannedTime/Angle Correlation技术的基本原理，加深对方位超分辨率的认识。2、针对时域去卷积基本模型，从时域研究实现方位超分辨的方法广义逆滤波算法，分别应用线性卷积和圆周卷积实现算法，并应用不同的天线方向图函数，对这两种实现方式进行仿真分析，实现了波束锐化，分辨力得到一定提高。3、针对频域去卷积基本模型，从频域研究实现去卷积的方位超分辨方法维纳滤波和加窗函数的维纳滤波方法，维纳滤波对不同天线方向图函数仿真分析对比，加窗函数的维纳滤波是在不同条件下的几种窗函数针对sinc型天线方向图函数仿真分析，可以实现较好的去卷积结果。通过仿真分析验证了上述算法的可行性及有效性，时域去卷积广义逆滤波法和维纳滤波算法及加窗的维纳率波算法都可以有效的提高雷达方位分辨率。
周铭[7]（2011）在《磁纳米粒子粒径表征技术研究》文中指出本文对磁纳米粒子（Magnetic Nanoparticle,简称MNP,又称为磁流体,Ferrofluid）胶体的纳米粒径参数表征及磁流体热力学过程的粒径变化等科学问题进行了深入探讨。MNP粒径及其多聚体加热分离引起的磁特性参数变化,是靶向药物传输与释放、磁纳米热疗法与磁共振磁纳米显影剂等技术必须深入探索的基础性问题。在粒径信息表征方面,采用病态方程求解方法与量化优化方法,降低了粒径分布函数矩阵求解过程中的病态特性,实现了一种更为精确的MNP粒径表征技术。一般而言,测试结果为粒径分布函数而非单一粒径,是纳米测试技术的典型特征。MNP磁动力学模型是粒径分布函数的泛函,其离散化模型就是关于粒径分布函数的矩阵方程。数据预处理过程中,针对MNP胶体溶液中的抗磁性采用水基底去除法,提高了磁化曲线测试的准确性对磁化曲线测试结果进行预处理。方程求解中,分别采用了奇异值分解（Singular value decomposition,简称SVD）、Tikhonov正则的SVD法与线性约束二次规划方法,利用磁化过程的先验信息提高求解的稳定性。其中,Tikhonov正则的SVD法较好地解决了不适定性引发的虚假震荡问题。同时,本文还从信号离散化与量化角度分析表征磁化曲线的最小采样点数,并利用最优量化理论优化布置这些采样点。实验结果表明,采用优化的离散化策略,可以显着降低郎之万超顺磁磁化数值方程的条件数,抑制不适定特性引起的虚假震荡信号。粒径信息的精确获取,使得基于磁化曲线的粒径表征技术首次从粒径分析的角度发现了粒子团聚现象,即二聚体的粒径信息及不同浓度中二次粒子的分布状态。为了研究粒径对于溶液状态MNP的物理性质的影响,本文采用磁化率倒数——温度曲线来研究MNP的温度变化过程,对MNP的多个粒子聚合（主要是二聚体）进行分析。我们首次从磁化率的角度发现了二聚体的温度控制分离现象。二聚体的温度控制分离现象可表述为MNP胶体中存在一种受温度控制的可逆的不稳定状态,转折温度以上只有单聚体,否则存在多聚体与单聚体。二聚体的温度控制分离现象的存在说明在300K-370K这一生物医学温度窗口,磁纳米胶体溶液的磁化率并不一定是常数,而是极可能随着温度以及浓度的不同而变化。实验数据结果与Morais教授提出的二聚体理论模型非常吻合。该结论与论文第四章的测试方法发现的二聚体也可以相互佐证。
二、ALGORITHMS FOR IMPLEMENTATION OF GENERAL LIMIT REPRESENTATIONS OF GENERALIZED INVERSES（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、ALGORITHMS FOR IMPLEMENTATION OF GENERAL LIMIT REPRESENTATIONS OF GENERALIZED INVERSES（论文提纲范文）
（1）基于大规模天线阵列混合波束成型的毫米波通信预编码技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及组织结构 |
| 第二章 信道模型和混合波束成型架构 |
| 2.1 引言 |
| 2.2 基于神经网络方案的毫米波系统架构 |
| 2.3 信道模型 |
| 2.3.1 大尺度衰落 |
| 2.3.2 小尺度衰落 |
| 2.4 混合波束成型 |
| 2.4.1 接收端模拟波束成型算法 |
| 2.4.2 发射端混合波束成型算法 |
| 2.5 本章小结 |
| 第三章 基于神经网络的OFDM信号的峰均比压缩预编码 |
| 3.1 无线物理层中的深度学习技术 |
| 3.2 传统OFDM系统中的PAPR减小 |
| 3.2.1 结合性神经网络方案 |
| 3.2.2 替代性神经网络方案 |
| 3.3 光学OFDM系统中的PAPR减小 |
| 3.4 本章小结 |
| 第四章 基于数学优化模型的毫米波信号的峰均比压缩预编码 |
| 4.1 基于优化方案的毫米波系统架构 |
| 4.2 迫零预编码 |
| 4.3 基于FISTA和 Squash优化算法的预编码 |
| 4.3.1 建立优化模型 |
| 4.3.2 快速迭代收缩阈值算法 |
| 4.3.3 Squash算法 |
| 4.4 峰均比和误码率性能权衡 |
| 4.5 本章小结 |
| 第五章 基于神经网络的毫米波信号的峰均比压缩预编码 |
| 5.1 深度学习理论基础 |
| 5.1.1 人工神经网络与自编码器 |
| 5.1.2 多任务学习 |
| 5.2 模型架构设计 |
| 5.2.1 复数神经网络 |
| 5.2.2 自编码器结构 |
| 5.3 训练策略 |
| 5.3.1 多任务学习与损失函数 |
| 5.3.2 训练与测试 |
| 5.4 仿真结果及分析 |
| 5.4.1 仿真参数设置 |
| 5.4.2 仿真结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于分层稀疏学习和协同表示的高光谱图像去噪和分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 高光谱图像的特点及应用 |
| 1.1.2 高光谱成像的基本原理 |
| 1.2 高光谱图像国内外研究现状和难点 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究难点 |
| 1.3 本课题的主要理论模型 |
| 1.3.1 稀疏贝叶斯学习理论 |
| 1.3.2 协同表示模型 |
| 1.4 本论文主要工作及内容安排 |
| 第二章 基于分层稀疏贝叶斯学习和Beta过程的高光谱图像恢复 |
| 2.1 引言 |
| 2.2 Beta过程 |
| 2.3 分层稀疏贝叶斯学习模型 |
| 2.4 实验结果 |
| 2.4.1 实验设置 |
| 2.4.2 去噪结果分析 |
| 2.4.3 推断缺失数据 |
| 2.4.4 算法分析 |
| 2.5 本章小结 |
| 第三章 基于分层稀疏学习和谱空相关性的高光谱图像去噪 |
| 3.1 引言 |
| 3.2 基于字典学习的二维图像去噪模型 |
| 3.3 结合空谱相关性的分层字典学习模型 |
| 3.3.1 基于结构相关性的空谱数据提取 |
| 3.3.2 分层字典学习模型 |
| 3.3.3 吉布斯采样推断 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 Pavia University数据集上的实验 |
| 3.4.3 Urban数据集上的实验 |
| 3.4.4 Indian Pines数据集上的实验 |
| 3.4.5 参数敏感性分析 |
| 3.5 本章小结 |
| 第四章 基于协同块学习和贝叶斯低秩矩阵分解的高光谱图像去噪 |
| 4.1 引言 |
| 4.2 基于低秩矩阵分解的降噪模型 |
| 4.3 结合CPL和BLRF的降噪模型 |
| 4.3.1 协同块学习 |
| 4.3.2 贝叶斯低秩矩阵分解模型 |
| 4.3.3 变分贝叶斯推断 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 Beads数据集上的实验 |
| 4.4.3 Pavia Centre数据集上的实验 |
| 4.4.4 Urban数据集上的实验 |
| 4.5 本章小结 |
| 第五章 基于非局部加权联合协同表示和极限学习机模型的高光谱图像分类 |
| 5.1 引言 |
| 5.2 相关模型 |
| 5.2.1 联合协同表示分类模型 |
| 5.2.2 极限学习机分类模型 |
| 5.3 融合非局部加权联合协同表示和极限学习机的分类模型 |
| 5.3.1 加权非局部联合协同表示分类 |
| 5.3.2 结合极限学习机的联合协同表示系数分类 |
| 5.3.3 融合策略 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 Kennedy Space Center(KSC)数据集上的实验 |
| 5.4.3 PaviaUniversity数据集上的实验 |
| 5.4.4 Salinas数据集上的实验 |
| 5.4.5 分析参数d和θ对分类性能的影响 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）自然的秩序 ——弗雷·奥托的物理找形实验与数字建筑形态设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及缘起 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究的内容和框架 |
| 1.4.1 研究内容 |
| 1.4.2 研究框架 |
| 第二章 弗雷·奥托的建筑思想与物理找形实验 |
| 2.1 弗雷·奥托的建筑思想起源 |
| 2.1.1 弗雷·奥托生平简介 |
| 2.1.2 自然建筑 |
| 2.1.3 轻型建筑 |
| 2.2 弗雷·奥托物理找形实验的基本实验类型 |
| 2.2.1 “悬挂与反转”实验 |
| 2.2.2 “最小曲面”实验 |
| 2.2.3 “最优化路径”实验 |
| 2.3 弗雷·奥托轻型建筑的基本结构类型与经典案例 |
| 2.3.1 反向悬挂结构与网壳结构 |
| 2.3.2 帐篷结构与充气结构 |
| 2.3.3 分支结构 |
| 2.4 本章小结 |
| 2.4.1 结构理性 |
| 2.4.2 自然形态 |
| 2.4.3 形式的文化表达 |
| 第三章 “找形实验”在当代数字建筑形态创作中的拓展应用 |
| 3.1 悬挂与反转实验的拓展应用 |
| 3.1.1 逆吊实验的数字化实现与发展 |
| 3.1.2 经典案例 |
| 3.2 最小曲面实验的拓展应用 |
| 3.2.1 皂膜实验的数字化实现与发展 |
| 3.2.2 经典案例 |
| 3.3 最优化路径实验的拓展应用 |
| 3.3.1 最优化路径的数字化实现与发展 |
| 3.3.2 经典案例 |
| 3.4 本章小结 |
| 3.4.1 参数化生成 |
| 3.4.2 非线性形态 |
| 3.4.3 场域理论 |
| 第四章：奥托与后来者 |
| 4.1 奥托思想直接影响的建筑师 |
| 4.1.1 理查德·罗杰斯的技术审美 |
| 4.1.2 格雷格·林恩的动态与力场 |
| 4.2 奥托思想间接影响的建筑师 |
| 4.2.1 伊东丰雄的“临时性”思想 |
| 4.2.2 坂茂(Shigeru Ban) |
| 第五章 结语与展望 |
| 图片及图标列表 |
| 参考文献 |
| 致谢 |
| 个人简历及在学期间发表学术论文 |
| 个人简历 |
| 发表学术论文 |
（4）板的特大增量步算法及并行计算（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 板理论和板的有限元发展历史 |
| 1.2 有限元方法在材料非线性问题分析中的研究现状 |
| 1.3 特大增量步算法的提出及研究现状 |
| 1.4 并行有限元方法研究现状 |
| 1.5 本论文主要的研究内容和应用范围 |
| 第二章 特大增量步算法的理论基础 |
| 2.1 特大增量步算法的控制方程 |
| 2.2 广义逆矩阵理论及其应用 |
| 2.2.1 广义逆矩阵理论简介 |
| 2.2.2 广义逆矩阵理论的应用 |
| 2.3 特大增量步算法中的优化理论 |
| 2.4 材料非线性问题的特大增量步算法的计算流程 |
| 2.5 本章小结 |
| 第三章 特大增量步算法在板分析中的应用 |
| 3.1 板的基本理论 |
| 3.1.1 薄板理论 |
| 3.1.2 中厚板理论 |
| 3.2 特大增量步算法中板单元的控制方程 |
| 3.3 四节点四边形板单元 |
| 3.3.1 广义内力场的选择 |
| 3.3.2 算例分析 |
| 3.4 八节点四边形板单元 |
| 3.4.1 广义内力场的选择 |
| 3.4.2 算例分析 |
| 3.5 零能模式的抑制方法 |
| 3.6 本章小结 |
| 第四章 一致弹塑性柔度矩阵的建立 |
| 4.1 平面应力状态下的一致弹塑性柔度矩阵 |
| 4.1.1 弹塑性材料本构模型的基本描述 |
| 4.1.2 平面应力状态下的一致弹塑性柔度矩阵 |
| 4.2 板单元广义Mises屈服准则下的一致弹塑性柔度矩阵的推导 |
| 4.3 材料非线性问题的数值分析算例 |
| 4.3.1 单调加载情况分析 |
| 4.3.2 往复加载情况分析 |
| 4.4 本章小结 |
| 第五章 基于MPI和 OpenMP的多核并行计算 |
| 5.1 并行计算概述 |
| 5.1.1 并行计算机及其分类 |
| 5.1.2 并行计算的两种模型 |
| 5.1.3 并行计算性能评价 |
| 5.2 基于MPI的网络并行计算 |
| 5.2.1 MPI简介 |
| 5.2.2 MPI常用的基本函数 |
| 5.2.3 MPI程序设计流程 |
| 5.3 基于OpenMP的多核并行计算 |
| 5.3.1 OpenMP简介 |
| 5.3.2 OpenMP编程基础 |
| 5.3.3 OpenMP编译指导语句 |
| 5.3.4 OpenMP常用的库函数 |
| 5.3.5 编译环境的设置 |
| 5.4 LIM使用的并行环境 |
| 5.5 本章小结 |
| 第六章 特大增量步算法的并行方案与并行效率分析 |
| 6.1 特大增量步算法的并行性分析 |
| 6.2 特大增量步算法的并行方案 |
| 6.2.1 非线性弹性问题的并行方案 |
| 6.2.2 往复加载的弹塑性问题的并行方案 |
| 6.3 特大增量步算法的并行程序的基本结构 |
| 6.4 特大增量步算法并行效率分析 |
| 6.4.1 空间并行性分析 |
| 6.4.2 时间并行性分析 |
| 6.5 本章小结 |
| 第七章 结论和展望 |
| 7.1 论文结论 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
（5）基于神经网络的电动负载模拟器控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究意义 |
| 1.2 负载模拟器的概述 |
| 1.2.1 负载模拟器的结构 |
| 1.2.2 负载模拟器的分类 |
| 1.2.3 负载模拟器的性能评价 |
| 1.3 负载模拟器的控制方法研究现状 |
| 1.3.1 结构法 |
| 1.3.2 控制法 |
| 1.4 本文主要研究内容及安排 |
| 第二章 电动加载模型建立及分析 |
| 2.1 电动加载环节数学模型建立 |
| 2.1.1 加载电机的数学模型 |
| 2.1.2 PWM驱动装置的数学模型 |
| 2.1.3 力矩传感器的数学模型 |
| 2.1.4 电动加载环节数学模型 |
| 2.1.5 仿真参数的确定 |
| 2.2 电动加载环节特性分析 |
| 2.2.1 电动加载通道频率特性分析 |
| 2.2.2 多余力矩分析 |
| 2.2.3 不确定性分析 |
| 2.3 多余力矩的补偿抑制 |
| 2.3.1 基于速度前馈补偿的多余力矩抑制 |
| 2.3.2 基于干扰观测的多余力矩复合抑制 |
| 2.3.3 仿真研究 |
| 2.4 本章小结 |
| 第三章 电动加载神经网络逆控制 |
| 3.1 神经网络概述 |
| 3.2 神经网络广义逆控制 |
| 3.2.1 逆系统原理 |
| 3.2.2 神经网络广义逆系统及实现 |
| 3.2.3 电动加载神经网络逆控制实现 |
| 3.3 仿真研究 |
| 3.4 本章小结 |
| 第四章 电动加载在线神经网络逆控制 |
| 4.1 神经网络逆控制中问题分析 |
| 4.2 在线学习神经网络逆控制方法 |
| 4.2.1 L-M（Levenberg-Marqurdt）算法 |
| 4.2.2 在线L-M神经网络算法实现 |
| 4.2.3 在线神经网络收敛性 |
| 4.2.4 在线神经网络的实现过程 |
| 4.3 电动加载在线神经网络逆控制 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 第五章 电动加载在线神经网络复合逆控制 |
| 5.1 一般模型控制（GMC） |
| 5.2 通用模型控制（CMC） |
| 5.3 电动加载在线神经网络复合逆控制 |
| 5.4 仿真研究 |
| 5.4.1 在线神经网络复合逆控制仿真 |
| 5.4.2 电动加载力矩跟踪误差综合分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
（6）基于反卷积的方位超分辨研究（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 目标方位超分辨技术发展概况 |
| 1.3 本文主要工作及内容安排 |
| 第二章 方位超分辨方法基本原理与方法 |
| 2.1 距离分辨力及脉冲压缩技术 |
| 2.1.1 脉冲压缩原理 |
| 2.1.2 距离分辨力 |
| 2.2 方位向分辨力与波束锐化 |
| 2.2.1 单点目标波束锐化 |
| 2.2.2 多点目标波束锐化 |
| 2.3 提高方位分辨力的方法 |
| 2.3.1 合成孔径雷达 |
| 2.3.2 多普勒波束锐化 |
| 2.3.3 Scanned Time/Angle Correlation(STAC) |
| 2.4 本章小结 |
| 第三章 去卷积方位超分辨 |
| 3.1 去卷积方位超分辨原理 |
| 3.1.1 去卷积基本理论 |
| 3.1.2 去卷积实现方位超分辨 |
| 3.2 方位超分辨系统建模 |
| 3.2.1 天线方向图数学建模 |
| 3.2.2 噪声模型 |
| 3.2.3 回波形成和逆滤波模型 |
| 3.3 本章小结 |
| 第四章 时域去卷积实现方位超分辨 |
| 4.1 广义逆滤波基本原理 |
| 4.1.1 圆周卷积实现广义逆滤波 |
| 4.1.2 线性卷积实现广义逆滤波 |
| 4.2 广义逆滤波实现去卷积 |
| 4.2.1 圆周卷积实现去卷积 |
| 4.2.2 线性卷积实现去卷积 |
| 4.3 各参数对方位超分辨的影响 |
| 4.3.1 辛格型天线放线图模型仿真分析 |
| 4.3.2 高斯型天线放线图模型仿真分析 |
| 4.4 本章小结 |
| 第五章 频域去卷积实现方位超分辨 |
| 5.1 维纳滤波基本原理 |
| 5.2 维纳滤波实现方位超分辨仿真分析 |
| 5.2.1 辛格型天线放线图模型仿真分析 |
| 5.2.2 高斯型天线放线图模型仿真分析 |
| 5.2.3 取值对去卷积效果的影响 |
| 5.3 加窗函数的维纳滤波方法 |
| 5.4 加窗函数的维纳滤波仿真结果分析 |
| 5.5 本章小结 |
| 第六章 本文总结 |
| 6.1 本文现阶段工作总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 硕期间取得的研究成果 |
（7）磁纳米粒子粒径表征技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 生物标记技术 |
| 1.2 磁纳米粒子技术 |
| 1.3 纳米磁性物理与形貌参数 |
| 1.4 磁纳米粒子的技术表征 |
| 1.5 论文的研究课题来源 |
| 1.6 论文的主要创新点 |
| 1.7 论文的工作安排 |
| 2 磁纳米粒子磁动力学原理与表征技术基础 |
| 2.1 磁纳米粒子的活体内循环及表征 |
| 2.2 磁纳米的直流磁化：超顺磁性 |
| 2.3 纳米超顺磁质磁化过程的动力学：磁弛豫 |
| 2.4 磁纳米顺磁质的交流磁化 |
| 2.5 磁纳米粒子胶体的相干现象 |
| 2.6 本章小结 |
| 3 基于矩阵计算的磁纳米粒子粒径分布函数表征技术 |
| 3.1 磁纳米颗粒粒径与表征 |
| 3.2 MNP 粒度测量的物理模型与测试设备 |
| 3.3 粒径分布函数的SVD 求解方法 |
| 3.4 Tikhonov 正则化的SVD 粒度分布求解 |
| 3.5 求解粒径问题的线性约束二次规划方法 |
| 3.6 本章小结 |
| 4 磁纳米粒子粒度估计中的离散化问题 |
| 4.1 磁纳米磁化模型与病态特性 |
| 4.2 磁化数值方程及其FFT 分析 |
| 4.3 最优量化分析与演算 |
| 4.4 MNP 粒径分布函数估计结果讨论 |
| 4.5 本章小结 |
| 5 磁纳米粒子二聚体现象研究 |
| 5.1 磁化率与温度 |
| 5.2 胶体溶液中的粒子相互作用 |
| 5.3 磁化率倒数-温度测试实验描述 |
| 5.4 铁磁流体的磁化率倒数和温度模型的讨论 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文的主要贡献 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1：攻读博士期间发表论文目录 |
| 附录2：公开发表的学术论文与博士学位论文的关系 |
四、ALGORITHMS FOR IMPLEMENTATION OF GENERAL LIMIT REPRESENTATIONS OF GENERALIZED INVERSES（论文参考文献）
- [1]基于大规模天线阵列混合波束成型的毫米波通信预编码技术研究[D]. 颜兵健. 东南大学, 2020(01)
- [2]基于分层稀疏学习和协同表示的高光谱图像去噪和分类[D]. 刘帅. 西安电子科技大学, 2017(12)
- [3]自然的秩序 ——弗雷·奥托的物理找形实验与数字建筑形态设计[D]. 邢龙飞. 山东建筑大学, 2016(08)
- [4]板的特大增量步算法及并行计算[D]. 贾红学. 上海交通大学, 2015(03)
- [5]基于神经网络的电动负载模拟器控制方法研究[D]. 谷新铭. 中国民航大学, 2015(03)
- [6]基于反卷积的方位超分辨研究[D]. 顾成花. 电子科技大学, 2013(01)
- [7]磁纳米粒子粒径表征技术研究[D]. 周铭. 华中科技大学, 2011(07)