一、挑选最合适的鼠标（论文文献综述）
李璐[1]（2021）在《基于深度上下文建模的检索式多轮对话研究》文中指出
王宁[2]（2021）在《面向高效视频目标跟踪的模型学习、压缩与集成》文中研究指明视频目标跟踪是计算机视觉中的一个基本任务。仅给定初始帧的目标状态,视频目标跟踪要求在后续帧中对该物体进行持续的定位。近年来,基于深度学习的视觉跟踪技术取得了重大进展。然而,该技术也带来了数据标注代价大、模型参数多、跟踪效率低等问题。为了挖掘深度视觉跟踪的潜力,本文在模型学习、压缩和集成等三个方面开展研究。本文的主要贡献和创新点包含以下三个方面:在模型学习方面,本文研究如何减轻训练代价以及挖掘视频的时序信息,提出了无监督跟踪模型学习方法和基于Transformer的视频目标跟踪方法。首先,针对深度跟踪模型学习过程的标注成本高和训练代价大等问题,本文提出了基于前向后向跟踪轨迹一致性的无监督训练框架。无监督学习的动机在于一个鲁棒的跟踪器可以进行双向跟踪。在训练过程中,所提出的算法仅使用无标注视频,通过衡量跟踪器在视频中前向跟踪轨迹和后向跟踪轨迹的一致性来无监督地训练跟踪器。本文学习的无监督跟踪器可以和经典的全监督跟踪器相媲美,并达到了实时的跟踪速度。另外,为了挖掘视频中丰富的时序信息,本文将Transformer结构引入到视觉跟踪领域。Transformer中的编码器、解码器结构将独立的视频帧紧密地桥接起来,便于传递诸如目标时序特征和空间注意力掩膜等丰富的时序信号。结合本文所提出的Transformer结构后,现有的跟踪器获得了稳定的性能提升并达到了领先精度。在模型压缩方面,针对深度跟踪器的模型参数量大、计算复杂度高和跟踪效率低等问题,本文提出了联合模型压缩和知识迁移的深度跟踪器加速框架。本工作使用在图像分类任务中预训练的CNN模型作为教师网络,并将该网络蒸馏成一个轻量级的学生网络用来加速相关滤波算法的特征提取过程。在蒸馏过程中,本文提出保真损失来保证教师网络和学生网络相近的特征表达能力,同时提出相关跟踪损失将学生网络的约束目标从物体识别迁移到视觉跟踪。大量的实验表明,所提出的轻量级学生网路显着地加速了目前领先的深度相关滤波器,使得它们在单块CPU上可以达到实时速度,并几乎保持了原有的跟踪精度。在模型集成方面,本文研究如何集成多个深度跟踪器以实现模型间的优势互补,并提出了基于多线索分析和基于策略选择的两种算法。首先,在多线索分析框架中,本工作构造多个子跟踪模型并行地跟踪目标。通过评估各模型的鲁棒性,每一帧中合适的模型被用于处理当前帧。进一步地,多模型之间的分歧揭示了当前跟踪结果的可靠性,可用于指导子跟踪器的自适应更新以避免模型污染。通过多线索分析策略,跟踪性能得到显着提升。基于策略的切换式集成框架研究如何在不影响效率的情况下发挥集成算法的性能优势。本工作包含智能体网络和多个优势互补的子跟踪模型。通过将模型逐帧切换建模成马尔可夫决策过程,本工作通过强化学习来训练智能体网络。在每一帧中,智能体动态地选择一个合适的子跟踪器用于目标跟踪,而不必执行其他模型,极大地保证了跟踪效率。大量实验证明了该框架的有效性。
孙美玲[3]（2021）在《中职计算机网络教学与德育有机融合的策略》文中研究表明在中职教育中,德育属于不可或缺的组成部分,因此计算机网络教学应当重视与德育的有机融合,在教学的同时提高学生的思想道德素养,从而帮助学生形成正确的三观。本文就德育与中职计算机网络教学的有机融合做出了相关研究与探讨,以期为相关教育者提供一定参考。教师的责任不仅是向学生传授知识,同时还需要培养学生良好的道德品质。中职学生多数处于青春期,是培养健全人格、形成良好行为习惯与社会道德的重要时期,教师需要重视德育在计算机网络教学中的作用,
李波[4]（2020）在《人工智能对影视产业影响的途径研究》文中进行了进一步梳理随着互联网技术的发展,大数据、云计算等信息技术的成熟和计算机技术的不断提高,人工智能成为当下三大尖端技术之一,被逐渐应用于影视产业当中。在人工智能新技术的影响下,影视创作出现了新的艺术创作方式和手段,在影视制作过程中的剧本创作、图像处理、影视剪辑等环节得到了智能化应用,在节约创作成本、缩短创作时间的同时也提升了作品质量。在影视市场管理环节中,人工智能系统可以用于辅助影视项目策划及宣传推广,通过智能预测评估系统预测影视剧项目预算及收益,有针对性地制定影视剧宣传发行方案并辅助电影预告片的制作。在当前形势下,人工智能在影视产业的应用中也面临着机遇与挑战,在丰富影视创作方式、为影视项目降本增效的同时,也面临着创意性不强、创作质量有待提升和部分从业人员“失业”的挑战。
徐亦璐[5]（2020）在《基于小训练集的EEG运动想象脑机接口特征提取和分类学习算法研究》文中进行了进一步梳理基于脑电（Electroencephalogram,EEG）运动想象脑机接口技术,用户利用自主想象特定动作所触发的EEG信号直接实时控制外部电子设备。该技术不仅可以应用于医疗康复领域以帮助人们恢复受损的运动机能,还可以应用于机器人控制、军事、娱乐等广阔领域。目前该技术需要较长校准时间以产生分类器可识别的EEG信号,然而长期训练导致的受试者精神疲劳可能降低脑机接口系统性能。为此,本文以降低用户校准时间为研究目标,采用理论与实验相结合的方法,在特征提取和分类识别阶段分别提出跨用户迁移学习和半监督学习算法,并以70%的基准分类准确率验证算法在小训练集下的有效性。论文主要研究工作如下:（1）针对不同用户EEG信号差异性较大的问题,分析源用户训练样本迁移至目标用户训练样本空间前后的空间滤波器变化,探讨最佳源用户训练集和所有源用户训练集对目标用户的影响。提出基于余弦相似度度量源用户权重的迭代和非迭代正则共空间模式（Regularized Common Spatial Patterns,RCSP）迁移学习监督式特征提取算法。实验表明,当目标用户训练集百分比为20%时,相比共空间模式（Common Spatial Patterns,CSP）和典型RCSP算法,两种算法具有较高鲁棒性,可以提取类间区分度更好的特征向量。（2）针对RCSP算法交叉验证运算量大的问题,利用黎曼流形参考点调整用户差异性的假设,提出基于黎曼切空间的通用用户和特定用户迁移学习无监督式特征提取算法。两种算法不仅避免交叉验证运算,而且不依赖训练样本标签生成特征切向量。通用用户算法将所有用户切向量权重设置相同以实现通用算法。特定用户算法采用顺序前向浮点搜索方法选择适合特定目标用户的最佳源用户切向量集合。实验表明,当目标用户训练集百分比为10%时,相比其它竞争算法,特定用户算法生成的特征切向量具有更高鲁棒性和更好类间可分性。（3）针对测试样本的有效利用和未知分布问题,基于半监督学习的图模型、直推式支持向量机（Transductive Support Machine,TSVM）模型,提出改进的TSVM算法和改进的自训练TSVM算法。两种算法首先利用目标用户的小训练集和大测试集,生成包含CSP特征向量和几何特征向量的组合特征向量;然后利用凹凸过程算法求解目标函数最优值,并使用新约束条件解决测试样本的未知分布问题。此外,改进的自训练TSVM算法使用新置信度规则以便在特征提取和分类识别阶段更加充分利用测试集。实验表明,当平衡训练集大小为10和非平衡训练集大小为20时,相比支持向量机（Support Vector Machine,SVM）和典型TSVM算法,改进的自训练TSVM算法具有较高计算效率、较好分类准确度和较强鲁棒性。（4）采集六位用户左右手运动想象EEG信号。基于脑机接口盲现象,以70%的分类准确率为分界线划分用户类型。从训练样本数量和正负比例、用户类型多个角度,对比分析本文迁移学习特征提取算法和半监督分类学习算法性能。实验表明,在平衡小训练集下,表现差用户的余弦相似度迭代RCSP算法整体表现优于竞争算法;在平衡和非平衡小训练集下,表现好用户的改进自训练TSVM算法分类准确率高于其它算法。实验结果和分析为今后深入研究不同类型用户的不同降低校准时间方案提供量化依据,为运动想象的实用化奠定良好基础。
周慧敏[6]（2020）在《广东中旅精准营销的构建与应用研究》文中研究说明随着移动互联网、物联网、云计算等诸多新技术的问世与发展,越来越多的大数据应用正在使各个行业的管理模式与运营体系发生巨大的变化,并带来了令人期待的前景。在大数据时代,旅游产品的营销和推广活动将日益基于数据进行分析,而非传统的营销手段。大数据一方面给旅游市场带来了广阔的发展前景,另一方面也使旅游市场的竞争态势加剧。随着旅游市场竞争的加剧,卖方市场转向了买方市场,消费者有了更多的话语权,对于服务的个性化需求已成了主流态度。广东中旅作为旅游行业中有着多年历史的传统企业,拥有良好的口碑,但与其他企业,尤其是携带互联网基因的在线旅游社OTA相比,广东中旅在营销意识、营销能力方面还存在很大的提升空间。因此本文基于数据驱动的视角,结合用户画像、个性化推荐算法、旅游精准推荐系统等相关概念,通过旅游精准营销的实现新思路进行相关详细分析。首先基于旅游用户画像从概念、分类到构建进行了具体分析,提出了基于用户画像的精准营销实施方案,并实现了基于用户画像聚类的具体实验案例,对结果进行可视化展示;然后本文在旅游精准营销业务需求的基础上,进行个性化推荐算法的设计,实现基于用户聚类的旅游景点推荐算法,证明了推荐系统的实效性,也为解决旅游精准营销问题提出可实操的新途径;最后提出广东中旅的精准旅游推荐系统的整体设计,并结合前文对推荐算法研究的基础完成了推荐系统的核心功能模块的实现。文章的贡献主要体现在:以广东中旅实际营销的问题为导向,以精准营销理论研究作为基础,重点实现了旅游推荐的实践应用方面的技术提升。首先提出了以用户画像方式构建的旅游精准营销,并通过用户聚类算法实现了用户划分;其次通过可行性实验方法实现了旅游景点个性化推荐算法;最后基于旅游景点推荐算法设计了广东中旅的旅游精准推荐系统。本文通过旅游推荐的实践应用为广东中旅通过精准营销转型升级提供了思路。
陆毛毛[7]（2020）在《Web异常检测系统的设计与实现》文中研究指明随着互联网的日益普及和网页技术的迅猛发展,人们在享受网页信息带来的便捷的同时,异常网页攻击也在无孔不入地侵蚀着人们的隐私和财产安全。近些年来,异常网页的破坏力越来越大,隐蔽性越来越强,方式也越来越多样化,而对于异常网页的识别也变得越来越难。普通用户往往很难判断网页是否存在异常,现有的Web异常检测方法往往也不能很好地检测出多种类型的异常网页和新型的异常网页,特征提取是检测异常网页的一个关键步骤。本文针对不同类型异常网页的特征进行了深入仔细的研究,根据异常网页的攻击目的和手段将其分为攻击型恶意网页、诱导型欺诈网页和垃圾网页,提出了一种新的多类型异常网页检测的方法,并且在此方法的基础上设计了一个Web异常检测系统。本文主要研究了如下内容:1.研究了三种传统的Web异常检测的方法,总结并分析了这些Web异常检测方法的优劣,提出了一种多类型异常网页的特征提取方法。该方法根据异常网页的攻击目的将异常网页分成三大类,根据这三类网页的攻击目的和手段来分别提取异常网页的特征。采用数值填补和归一化的方法解决了特征优化过程中出现的数据缺失和数据过度分散的问题,使用改进的SVM-RFE算法消除冗余特征,设计了一种含有特征有效度的SVM算法（F-SVM）训练分类模型,然后对异常网页进行检测。同时,在四个公开的数据集上对该方法进行了仿真实验,并与现有的其他方法做了对比,结果表明本文提出的多类型网页异常检测方法具有更高的准确性。2.基于多类型网页异常检测方法设计了一个Web异常检测系统。该系统共有四个模块:第一个是Web异常检测模型训练模块。使用本文提出的多类型异常网页检测方法实现了一个持久化的Web异常检测模型。第二个是异常网页检测模块。基于Java语言实现了多类型异常网页检测算法,其输入是将用户输入的URL向量化得到的特征向量,输出是检测的结果1或者0,表示是否为异常网页,并将URL和检测结果等内容存储到数据库。第三个是可视化模块。使用Bootstrap插件将检测结果信息、检测趋势信息和用户自建黑名单等信息通过图表等形式展现给用户。第四个是系统管理模块。该模块包含用户注册登录管理、用户信息管理和系统信息管理。注册登录采用了邮件验证码和登录验证码的方式确保用户使用登录和注册功能时的安全;用户和系统信息的管理确保系统可以准确、安全、高效地运行。对该系统的各个功能和系统性能做了测试,测试结果表明系统具有良好地鲁棒性和负载能力,对异常网页有很好的检测能力。
杨振伟[8]（2019）在《大跨空间结构健康监测系统传感器优化布置研究》文中研究说明大跨空间结构体系是目前建筑市场发展最快的结构类型之一,广泛应用于体育场馆、机场航站楼、会议展览中心等大型活动性场所的建造中,其发展状况往往可以反映一个国家建筑科技水平的高低。由于大跨空间结构具有空间体系复杂、节点规模大、设计使用期限长的特点,若在服役期间发生破坏甚至倒塌,会极大的威胁人民的生命和财产安全。因此如何确保大跨空间结构的服役安全成为结构健康监测领域的重要研究内容。本文从大跨空间结构的工程实际监测需求出发,针对大规模测点优化布置的基本问题进行研究。本文主要研究工作如下:（1）结合实际工程结构的监测需求,对常用的传感器优化布置评价准则的动力学原理进行了介绍,分析了常用评价准则的实际工程意义并进行归类。结合实际工程结构多维方向的振动测试需求,总结了常用的准则扩维方法,并以奇异值比准则为例,对一维奇异值比准则进行了三维拓展,使其适用于三维传感器优化布置的方案评价。（2）针对大型土木工程结构候选测点多的特点,建立用于大规模测点优化的高性能求解算法。引入萤火虫算法,改进编码方式使其适用于离散型传感器优化布置问题;引入等级划分机制和免疫机制,有效维持了种群多样性,避免算法早熟,极大增强了算法的全局搜索能力;通过某足尺Benchmark模型为算例布设传感器系统,验证了算法具有高效的寻优性和收敛性,适用于解决大规模测点的优化布置问题。（3）为了满足对实际工程结构的传感器进行一键优化布设、可视化布设、多准则对比布设等要求,集成常用准则及本文提出的高性能求解算法,开发了用于传感器优化布置的MATLAB工具箱。通过建立MATLAB与ANSYS、MIDAS、ABAQUS三种有限元软件的接口实现数据信息交互完成MATLAB模型重建,通过设计GUI界面支持用户自行建立工况、设置测点数目、选择候选测点及评价准则等,最终可视化输出传感器布置方案并导出传感器优化布置报告。（4）针对实际大跨空间结构,利用ANSYS建立有限元模型并进行模态分析,提取结构的前十阶模态振型及质量、刚度、频率等模态信息,基于大跨空间结构传感器优化布置工具箱选择合适的评价准则分别进行了一维和三维传感器的优化布设,结合各类评价准则的现实工程意义,对比分析了不同评价准则所得到的传感器布置方案的特点,同时验证了工具箱能够很好地解决大跨空间结构的传感器优化布置问题。
吕坤[9]（2019）在《基于键盘鼠标行为的持续身份认证系统研究》文中研究说明近年来,互联网技术飞速发展,网络的普及速度达到了难以想象的地步,即时通讯、电子商务、物联网等已经融入了人类生活的方方面面,人类对互联网的依赖程度也日益增大,但随之而来的网络安全问题也不容忽视。据统计,仅2018年就出现了Face Book、A站、华住酒店共上亿用户数据泄露,各种网络病毒、蠕虫更是侵蚀着互联网的各个角落。为防止这些互联网安全问题的产生,网络安全的研究就具有非常重要的意义。身份认证作为网络安全的第一道大门,因为其仅允许拥有权限的用户通过的特点,是保护用户个人信息的有力工具。但传统的身份认证方法存在易遗忘、易丢失、被盗窃和劫持的缺陷,因此基于生物特征的身份认证方法正在逐渐成为当前研究的热点。由于无需携带任何设备,同时具备较为理想的认证效果,指纹、面部、语音等生物认证方法,具有非常广泛的应用。但这些方法仍然无法持续监控已登录用户的合法性,并持续有效的保障系统安全,而具有普遍、低成本、无侵入性、易集成的键鼠行为特征身份认证却能轻易实现用户的持续监控。因此,本文对击键和鼠标行为结合的特征进行持续身份认证的问题进行了探索性研究。之前的研究,大多是在受控的单应用环境中进行的持续身份认证实验,这样会使实验用户感觉是在完成任务,无法获取用户真实的输入状态,且单个应用的持续认证也具有一定的局限性。因此,本文在完全不受控的环境下,利用HOOK技术收集了42人在2个月时间内使用个人电脑时产生的大量键鼠操作数据,并进行了相关的预处理工作,提取了17位用户在21个应用软件下的操作数据作为本文的研究样本。针对给定的样本数据,本文分别从击键、鼠标、键鼠结合三方面进行了特征提取。在击键特征方面,除了提取传统的单键和双键时间特征,本文还对用户的潜在行为进行分析,提取了描述用户行为的统计特征,在前人的基础上增加了数字键选择概率、组合键使用频率及时长、功能键长按时长及连续单击次数5个统计指标,丰富了击键特征的表达能力;在鼠标特征方面,在鼠标数据不足的情况下,仍然提取了单击、双击、拖拽三方面的特征;从键鼠结合方面,本文提出了键鼠交互比的特征,用于描述不同应用的特点,使分类器具有区分不同应用的能力,从而完成了从单应用身份认证到多应用身份认证的转换。对于提取的特征,本文创新性地分别对不同模型使用不同的特征筛选方法,为多个模型剔除无效特征,提升了不同模型的鲁棒性和计算效率。为了有效提升不同用户的身份认证效果,本文为每个用户创建了多个机器学习认证模型,同时为弥补不同模型的分类误差,还将这些模型使用Stacking集成算法进行融合,以获得更好的认证效果。本文使用这些模型一起为每个用户构建一个模型池,并设定相关评估指标,自动为每个用户选出最佳身份认证模型。实验结果表明,17位用户中的10位用户达到了100%的认证效果,还有5位用户的EER指标在1%以下,因此选出的最佳认证模型具有先进的认证效果。为了进一步提升最佳认证模型的容错性和认证效果,本文改进了当前的信任模型算法,使信任函数是认证概率的连续函数,同时还修正了基于阈值的正负概率,使信任增减处于相对平衡的状态。然后,将认证模型与改进的信任模型算法相结合,提出了持续身份认证的系统架构。结果表明,本文的持续身份认证系统仅需平均269次操作即可识别实验中所有非法用户;同时,系统只有在超过2552次操作后才可能对合法用户出现误判,因此对合法用户的体验也比较友好。除此之外,本文还创新性地探索了深度学习在击键身份认证领域的应用,分别将CNN和RNN应用到击键身份认证中。其中,CNN模型以单双建的击键矩阵作为输入,采用身份识别的多目标分类,最终获得了98.1%的认证准确率,表明CNN在相邻键位特征的自动提取上具有显着的优势。RNN模型以合法用户的双键内容作为输入,使用Bi-LSTM挖掘序列的隐藏击键行为,以双键的四种转移时间作为目标值,充分拟合用户的击键节奏。结果表明,RNN对训练数据的质量要求较高,且需要较多的训练数据才能较好的拟合;但在击键序列长度保持100不变的情况下,RNN认证模型仍然可以实现接近0.18%的EER,证明RNN还是能捕捉一定的隐含序列信息。因此,深度学习的自动特征提取与序列信息挖掘的能力仍然值得击键认证领域借鉴和使用。
陆军[10]（2018）在《计算机辅助工业设计中的人机交互研究》文中指出计算机辅助工业设计,是伴随计算机的出现应运而生的。计算机辅助工业设计,借助人机交互的方式能够提高工作效率。随着时代的发展,互联网使人们的生活获得了前所未有的改变,互联网在工业设计中的应用,也将有更多的发展和探索,并将获得更高的成就。本文首先简要介绍计算机辅助工业设计及其人机交互,然后分析计算机辅助工业设计中的人机交互的重要意义以及其应用,并简要分析计算机辅助工业设计中的人机交互的发展趋势。
二、挑选最合适的鼠标（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、挑选最合适的鼠标（论文提纲范文）
（2）面向高效视频目标跟踪的模型学习、压缩与集成（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 视频目标跟踪研究现状 |
| 1.2.1 运动模型 |
| 1.2.2 特征提取 |
| 1.2.3 观测模型 |
| 1.2.4 模型更新 |
| 1.3 跟踪数据集及评价指标 |
| 1.4 研究内容和主要贡献 |
| 1.4.1 跟踪模型学习 |
| 1.4.2 跟踪模型压缩 |
| 1.4.3 跟踪模型集成 |
| 1.5 论文组织结构 |
| 第2章 无监督式跟踪模型学习 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 方法 |
| 2.3.1 双路相关滤波器网络回顾 |
| 2.3.2 无监督跟踪器学习的简易版本 |
| 2.3.3 无监督跟踪器学习的改进方案 |
| 2.3.4 无监督训练细节 |
| 2.3.5 在线目标跟踪 |
| 2.4 实验 |
| 2.4.1 实验设置 |
| 2.4.2 消融实验 |
| 2.4.3 无监督特征可视化 |
| 2.4.4 实验结果 |
| 2.5 本章小结 |
| 第3章 面向时序信息挖掘的跟踪模型学习 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 方法 |
| 3.3.1 Transformer结构概况 |
| 3.3.2 Transformer编码器 |
| 3.3.3 Transformer解码器 |
| 3.3.4 Transformer协助的视觉跟踪 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 消融实验 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第4章 联合知识蒸馏和知识迁移的跟踪模型压缩 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 方法 |
| 4.3.1 相关滤波器算法回顾 |
| 4.3.2 联合知识蒸馏和知识迁移的跟踪器压缩 |
| 4.3.3 背景感知的在线模型微调 |
| 4.3.4 高效的在线跟踪 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 消融实验 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第5章 基于多线索分析的跟踪模型集成 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 方法 |
| 5.3.1 特征集合和跟踪器集合 |
| 5.3.2 基于多线索分析的相关滤波器跟踪 |
| 5.3.3 自适应模型更新 |
| 5.4 实验 |
| 5.4.1 实验设置 |
| 5.4.2 消融实验 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第6章 基于策略的切换式跟踪模型集成 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 方法 |
| 6.3.1 子跟踪器集合 |
| 6.3.2 基于强化学习的切换策略学习 |
| 6.3.3 基于策略切换的跟踪过程 |
| 6.4 实验 |
| 6.4.1 实验设置 |
| 6.4.2 消融实验 |
| 6.4.3 实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 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 |
（3）中职计算机网络教学与德育有机融合的策略（论文提纲范文）
| 一、持之以恒，养成良好习惯 |
| 二、任务驱动，勇于尝试探索 |
| 三、善用素材，激发学生梦想 |
| 四、合作学习，培养团队意识 |
（4）人工智能对影视产业影响的途径研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 |
| 研究背景 |
| 研究现状 |
| 一、国内研究现状: |
| 二、国外研究现状: |
| 研究目的及意义 |
| 研究内容与研究方法 |
| 第一章 人工智能与影视产业的关系 |
| 第一节 人工智能影响下的影视产业概况 |
| 一、人工智能的历史溯源 |
| 二、人工智能对影视产业的影响概况 |
| 第二节 人工智能与影视产业的联系 |
| 一、人工智能提升影视制作效率 |
| 二、人工智能降低影视创作成本 |
| 三、人工智能丰富影视内容元素 |
| 第二章 人工智能对影视产业影响的驱动因素 |
| 第一节 科技进步促进人工智能技术应用的成熟 |
| 一、人工智能技术浪潮的推动 |
| 二、人工智能在影视产业中的技术推动 |
| 第二节 政策及形势推动人工智能技术的应用 |
| 一、国内政策及形势的推动 |
| 二、国际政策及形势的推动 |
| 第三节 影视行业发展需要人工智能的加入 |
| 一、人工智能解放人力 |
| 二、人工智能辅助投融资 |
| 三、人工智能创新影视内容与形式 |
| 第三章 人工智能对影视产业影响的主要途径及效果 |
| 第一节 人工智能丰富影视制作方式 |
| 一、人工智能与影视剧本创作 |
| 二、人工智能与影视图像处理 |
| 三、人工智能与影视剪辑 |
| 第二节 人工智能优化影视市场管理 |
| 一、人工智能与影视项目策划 |
| 二、人工智能与影视剧演员选取 |
| 三、人工智能与影视宣传发行 |
| 第三节 人工智能提升影视消费体验 |
| 一、人工智能与影视终端设备 |
| 二、人工智能与影视个性化服务 |
| 第四节 人工智能在影视产业中的应用效果 |
| 一、人工智能在影视剧上映前的应用效果 |
| 二、人工智能在影视剧上映后的应用效果 |
| 三、总结 |
| 第四章 人工智能影响下影视产业的机遇与挑战 |
| 第一节 人工智能给影视产业带来的机遇 |
| 一、人工智能带来新的工作和学习机会 |
| 二、人工智能促进人机交互 |
| 三、人工智能优化影视生产、管理与消费 |
| 第二节 人工智能给影视产业带来的挑战 |
| 一、人工智能带来”失业“恐惧 |
| 二、人工智能行业人才不足 |
| 三、人工智能存在数据安全隐患 |
| 四、人工智能知识产权及伦理问题的争议 |
| 第五章 启示与建议 |
| 附录 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（5）基于小训练集的EEG运动想象脑机接口特征提取和分类学习算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 脑机接口的研究背景和意义 |
| 1.2 脑机接口的概述 |
| 1.2.1 脑机接口技术的种类 |
| 1.2.2 脑机接口系统的组成 |
| 1.2.3 脑机接口系统的评价标准 |
| 1.3 运动想象脑机接口 |
| 1.3.1 EEG头皮脑电 |
| 1.3.2 运动想象脑电信号 |
| 1.3.3 运动想象脑机接口技术的关键问题 |
| 1.4 基于小训练集和无训练集的自主控制脑机接口技术算法研究 |
| 1.5 本文主要内容和结构 |
| 第2章 基于正则共空间模式的迁移学习特征提取算法 |
| 2.1 引言 |
| 2.2 共空间模式特征提取算法 |
| 2.3 正则共空间模式特征提取算法 |
| 2.4 基于余弦相似度的正则共空模式特征提取算法 |
| 2.4.1 非迭代的余弦相似度正则共空间模式算法 |
| 2.4.2 迭代的余弦相似度正则共空间模式算法 |
| 2.5 共空间模式和不同正则共空间模式特征提取算法性能比较 |
| 2.5.1 实验数据描述 |
| 2.5.2 实验数据处理 |
| 2.5.3 实验设置 |
| 2.5.4 基于竞赛训练集的实验结果 |
| 2.5.5 基于不同比例训练集的实验结果 |
| 2.5.6 实验结果分析 |
| 2.6 本章小结 |
| 第3章 基于黎曼切空间的迁移学习特征提取算法 |
| 3.1 引言 |
| 3.2 基于黎曼切空间的单用户特征提取算法 |
| 3.3 基于黎曼切空间的跨用户特征提取算法 |
| 3.3.1 基于黎曼切空间的通用用户特征提取算法 |
| 3.3.2 基于黎曼切空间的特定用户特征提取算法 |
| 3.4 基于共空间模式和黎曼切空间的不同特征提取算法性能比较 |
| 3.4.1 实验基本数据 |
| 3.4.2 数据处理流程 |
| 3.4.3 实验设计 |
| 3.4.4 基于竞赛训练集的实验结果 |
| 3.4.5 基于不同比例训练集的实验结果 |
| 3.4.6 实验结果讨论 |
| 3.5 本章小结 |
| 第4章 基于直推式支持向量机的半监督分类学习算法 |
| 4.1 引言 |
| 4.2 半监督学习算法的概述 |
| 4.2.1 半监督学习算法的假设 |
| 4.2.2 半监督学习算法的类别 |
| 4.3 直推式支持向量机半监督学习算法 |
| 4.3.1 直推式支持向量机模型 |
| 4.3.2 典型的直推式支持向量机算法 |
| 4.4 改进的直推式支持向量机算法 |
| 4.4.1 组合特征向量 |
| 4.4.2 未标注测试样本的新约束条件 |
| 4.4.3 改进的直推式支持向量机算法实现 |
| 4.5 改进的自训练直推式支持向量机算法 |
| 4.5.1 置信度设置 |
| 4.5.2 改进的自训练直推式支持向量机算法实现 |
| 4.6 支持向量机和不同半监督式直推式支持向量机算法性能比较 |
| 4.6.1 实验设置 |
| 4.6.2 基于平衡小训练集的实验结果 |
| 4.6.3 基于非平衡小训练集的实验结果 |
| 4.6.4 实验结果讨论 |
| 4.7 本章小结 |
| 第5章 运动想象脑电信号的数据采集和分析 |
| 5.1 引言 |
| 5.2 信号采集与实验设计 |
| 5.2.1 EEG信号采集系统介绍 |
| 5.2.2 运动想象实验设计 |
| 5.2.3 数据预处理 |
| 5.3 实验结果与分析 |
| 5.3.1 实验对象类别 |
| 5.3.2 实验设置 |
| 5.3.3 基于平衡小训练集的结果与分析 |
| 5.3.4 基于非平衡小训练集的结果与分析 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 研究总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（6）广东中旅精准营销的构建与应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究方法与技术路线 |
| 1.2.1 研究方法 |
| 1.2.2 技术路线 |
| 1.3 主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 本章小节 |
| 第二章 相关概念及现状研究 |
| 2.1 大数据精准营销的研究综述 |
| 2.1.1 精准营销的相关概念 |
| 2.1.2 大数据背景下的精准营销 |
| 2.1.3 大数据精准营销研究评述 |
| 2.2 个性化旅游推荐的相关研究 |
| 2.2.1 旅游规划的研究 |
| 2.2.2 旅游景点的研究 |
| 2.2.3 旅游资源的研究 |
| 2.3 推荐算法概述 |
| 2.3.1 基于协同过滤的推荐 |
| 2.3.2 基于内容的推荐 |
| 2.3.3 关联规则推荐 |
| 2.3.4 其他推荐方法 |
| 2.3.5 推荐算法研究总结 |
| 2.4 本章小结 |
| 第三章 基于用户画像的旅游精准营销 |
| 3.1 旅游用户画像的构建方法 |
| 3.1.1 用户画像主要内容 |
| 3.1.2 用户画像数据源 |
| 3.1.3 用户画像构建原则 |
| 3.1.4 旅游用户画像的实施框架模型 |
| 3.2 用户画像的价值化分析 |
| 3.2.1 旅游用户画像全景图 |
| 3.2.2 精准营销系统中用户画像的功能 |
| 3.2.3 基于用户画像的旅游精准推荐服务创新四要素 |
| 3.3 基于用户画像的聚类实验案例 |
| 3.3.1 聚类分析原理 |
| 3.3.2 用户聚类过程 |
| 3.3.3 用户聚类结果可视化展示 |
| 3.4 本章小结 |
| 第四章 旅游精准推荐算法实验及结果分析 |
| 4.1 旅游协同过滤算法推荐流程 |
| 4.2 算法设计 |
| 4.2.1 数据准备 |
| 4.2.2 传统的协同过滤景点推荐算法框架 |
| 4.2.3 基于用户聚类的协同过滤景点推荐算法框架 |
| 4.3 算法对比实验及结果分析 |
| 4.3.1 评价指标 |
| 4.3.2 算法结果分析 |
| 4.4 本章小结 |
| 第五章 旅游精准推荐平台的构建 |
| 5.1 旅游精准推荐平台的分析 |
| 5.1.1 旅游平台模式的梳理 |
| 5.1.2 旅游精准推荐平台需求分析 |
| 5.1.3 广东中旅旅游精准推荐系统总体设计原理 |
| 5.2 旅游精准推荐系统概要设计 |
| 5.2.1 旅游精准推荐系统软件结构 |
| 5.2.2 模块划分与功能结构 |
| 5.2.3 主要功能设计 |
| 5.3 旅游精准推荐系统功能页面实现 |
| 5.3.1 相关技术与开发环境 |
| 5.3.2 主要功能模块的设计实现页面 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）Web异常检测系统的设计与实现（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 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 本文的组织结构 |
| 第二章 相关技术 |
| 2.1 恶意网页攻击代码 |
| 2.1.1 HTML攻击 |
| 2.1.2 Java Script脚本攻击 |
| 2.2 网页爬虫技术 |
| 2.3 Web异常特征提取方法 |
| 2.3.1 攻击型恶意网页特征提取 |
| 2.3.2 诱导型欺诈网页特征提取 |
| 2.3.3 垃圾网页特征提取 |
| 2.4 分类算法 |
| 2.4.1 朴素贝叶斯 |
| 2.4.2 SVM |
| 2.5 本章小结 |
| 第三章 Web异常检测技术研究 |
| 3.1 网页异常检测方案设计 |
| 3.2 多类型网页异常特征提取 |
| 3.2.1 特征选取 |
| 3.2.2 攻击型恶意网页特征选择 |
| 3.2.3 诱导型欺诈网页特征选择 |
| 3.2.4 垃圾网页特征选择 |
| 3.2.5 其他网页异常综合特征 |
| 3.3 Web异常特征的特征处理及优化 |
| 3.3.1 特征处理方法 |
| 3.3.2 特征抽象 |
| 3.3.3 特征消除 |
| 3.4 Web异常检测分类算法设计 |
| 3.5 实验评估及分析 |
| 3.5.1 数据采集 |
| 3.5.2 评价指标 |
| 3.5.3 对比实验 |
| 3.6 本章小结 |
| 第四章 Web异常检测系统的实现 |
| 4.1 系统需求分析 |
| 4.1.1 用户需求分析 |
| 4.1.2 功能需求分析 |
| 4.2 系统概要设计 |
| 4.2.1 系统架构设计 |
| 4.2.2 系统功能设计 |
| 4.2.3 数据库设计 |
| 4.3 系统功能实现 |
| 4.3.1 Web异常检测模型训练模块的实现 |
| 4.3.2 异常网页检测模块的实现 |
| 4.3.3 可视化模块的实现 |
| 4.3.4 系统管理模块的实现 |
| 4.4 本章小结 |
| 第五章 系统测试与分析 |
| 5.1 测试环境 |
| 5.2 测试用例与结果分析 |
| 5.2.1 功能测试 |
| 5.2.2 系统性能测试 |
| 5.2.3 结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）大跨空间结构健康监测系统传感器优化布置研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 大跨空间结构健康监测的意义 |
| 1.2 传感器优化布置的意义与研究进展 |
| 1.2.1 传感器优化布置的意义 |
| 1.2.2 传感器优化布置基本问题 |
| 1.2.3 传感器优化布置研究进展 |
| 1.3 本文研究内容 |
| 2 传感器优化布置评价准则研究 |
| 2.1 引言 |
| 2.2 常用一维评价准则 |
| 2.2.1 基于振动信号的准则 |
| 2.2.2 基于模态重构的准则 |
| 2.2.3 基于参数识别的准则 |
| 2.3 多维评价准则的意义及提出 |
| 2.3.1 多维评价准则的意义 |
| 2.3.2 评价准则的扩维方法 |
| 2.3.3 多维奇异值比评价准则的提出 |
| 2.4 本章小结 |
| 3 大规模测点优化布置高性能求解算法研究 |
| 3.1 引言 |
| 3.2 传感器优化布置算法研究进展 |
| 3.3 分级免疫萤火虫算法的提出 |
| 3.3.1 萤火虫算法的引入 |
| 3.3.2 分级免疫萤火虫算法的提出 |
| 3.3.3 基于Benchmark模型的算法性能分析 |
| 3.4 本章小结 |
| 4 大跨空间结构传感器优化布置工具箱开发 |
| 4.1 引言 |
| 4.1.1 MATLAB软件介绍 |
| 4.1.2 图形化用户界面介绍 |
| 4.1.3 传感器优化布置工具箱总体设计思想 |
| 4.2 功能模块开发 |
| 4.2.1 有限元接口与模型重构模块 |
| 4.2.2 参数设置与评价准则选取模块 |
| 4.2.3 候选测点设置与模型缩聚模块 |
| 4.2.4 传感器优化布置计算运行模块 |
| 4.2.5 优化布置方案可视化输出模块 |
| 4.2.6 优化布置方案报告导出模块 |
| 4.3 本章小结 |
| 5 大跨空间结构传感器优化布置工程实例研究 |
| 5.1 大连市体育馆工程概况及建模分析 |
| 5.1.1 大连市体育馆工程概况 |
| 5.1.2 有限元建模及模态分析 |
| 5.1.3 有限元模型MATLAB重构 |
| 5.1.4 传感器优化布置候选测点设置 |
| 5.2 大连市体育馆一维传感器优化布置研究 |
| 5.2.1 一维评价准则的选取 |
| 5.2.2 优化布置结果分析 |
| 5.3 大连市体育馆三维传感器优化布置研究 |
| 5.3.1 三维评价准则的选取 |
| 5.3.2 优化布置结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 A 全部候选测点编号及坐标 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）基于键盘鼠标行为的持续身份认证系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 击键持续认证 |
| 1.2.2 鼠标动态持续认证 |
| 1.2.3 键鼠结合持续认证 |
| 1.3 本文主要研究内容 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 2.相关理论基础 |
| 2.1 身份认证概述 |
| 2.1.1 身份认证 |
| 2.1.2 评估方法 |
| 2.2 相关技术概述 |
| 2.2.1 逻辑回归LR |
| 2.2.2 支持向量机SVM |
| 2.2.3 随机森林RF |
| 2.2.4 梯度提升决策树GBDT |
| 2.2.5 自适应提升树AdaBoost |
| 2.2.6 卷积神经网络CNN |
| 2.2.7 递归神经网络RNN |
| 2.3 多分类器融合方法 |
| 2.4 信任模型概述 |
| 2.5 本章小结 |
| 3.数据采集与特征提取 |
| 3.1 数据采集 |
| 3.1.1 采集环境 |
| 3.1.2 采集系统 |
| 3.1.3 原始数据描述 |
| 3.2 数据预处理 |
| 3.2.1 缺失值处理 |
| 3.2.2 异常值处理 |
| 3.2.3 其他处理 |
| 3.3 特征提取 |
| 3.3.1 击键特征提取 |
| 3.3.2 鼠标特征提取 |
| 3.3.3 键鼠交互比[5] |
| 3.4 特征筛选 |
| 3.4.1 相关性分析 |
| 3.4.2 基于模型的特征筛选 |
| 3.5 本章小结 |
| 4.模型研究与实验结果 |
| 4.1 基于传统机器学习的身份认证研究 |
| 4.1.1 实验数据 |
| 4.1.2 堆叠集成模型 |
| 4.1.3 其他模型配置 |
| 4.1.4 实验结果分析 |
| 4.2 基于深度学习的击键身份认证研究 |
| 4.2.1 基于击键矩阵的CNN身份识别 |
| 4.2.2 基于击键序列的RNN身份认证 |
| 4.3 本章小结 |
| 5.基于动态信任模型的身份认证研究 |
| 5.1 动态信任模型 |
| 5.1.1 身份信任理论 |
| 5.1.2 动态信任模型 |
| 5.2 持续身份认证系统框架 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 后记 |
| 致谢 |
| 在读期间科研成果目录 |
（10）计算机辅助工业设计中的人机交互研究（论文提纲范文）
| 1 计算机辅助工业设计及其人机交互 |
| 2 计算机辅助工业设计中的人机交互的意义 |
| 2.1 计算机辅助工业设计中的人机交互有助于提高工作效率 |
| 2.2 计算机辅助工业设计中的人机交互有助于提升产品质量 |
| 2.3 计算机辅助工业设计中的人机交互有助于产品竞争 |
| 3 计算机辅助工业设计中的人机交互的应用 |
| 3.1 计算机辅助工业设计中的人机交互的虚拟装配 |
| 3.2 计算机辅助工业设计中的人机交互的人机界面 |
| 3.3 计算机辅助工业设计中的人机交互的产品设计 |
| 3.4 计算机辅助工业设计中的人机交互的虚拟仿真技术 |
| 4 计算机辅助工业设计中的人机交互的发展趋势 |
| 5 结语 |
四、挑选最合适的鼠标（论文参考文献）
- [1]基于深度上下文建模的检索式多轮对话研究[D]. 李璐. 武汉大学, 2021
- [2]面向高效视频目标跟踪的模型学习、压缩与集成[D]. 王宁. 中国科学技术大学, 2021(09)
- [3]中职计算机网络教学与德育有机融合的策略[J]. 孙美玲. 吉林教育, 2021(13)
- [4]人工智能对影视产业影响的途径研究[D]. 李波. 南京艺术学院, 2020(02)
- [5]基于小训练集的EEG运动想象脑机接口特征提取和分类学习算法研究[D]. 徐亦璐. 南昌大学, 2020(01)
- [6]广东中旅精准营销的构建与应用研究[D]. 周慧敏. 华南理工大学, 2020(02)
- [7]Web异常检测系统的设计与实现[D]. 陆毛毛. 西安电子科技大学, 2020(05)
- [8]大跨空间结构健康监测系统传感器优化布置研究[D]. 杨振伟. 大连理工大学, 2019(02)
- [9]基于键盘鼠标行为的持续身份认证系统研究[D]. 吕坤. 西南财经大学, 2019(07)
- [10]计算机辅助工业设计中的人机交互研究[J]. 陆军. 山东工业技术, 2018(18)