一、计算机辅助多个函数的最小化（论文文献综述）
杨铮,贺骁武,吴家行,王需,赵毅[1]（2022）在《面向实时视频流分析的边缘计算技术》文中研究表明实时视频流分析在智能监控、智慧城市、自动驾驶等场景中具有重要价值.然而计算负载高、带宽需求大、延迟要求严等特点使得实时视频流分析难以通过传统的云计算范式进行部署.近年来兴起的边缘计算范式,将计算任务从云端下沉到位于网络边缘的终端设备和边缘服务器上,能够有效解决上述问题.因此,许多针对实时视频流分析的边缘计算研究逐渐涌现.本文首先介绍了智能视频流分析和边缘计算的背景知识,以及二者结合的典型应用场景;接着提出了现有系统所关注的衡量指标和面临的挑战;然后从终端设备层次、协作层次、边缘/云层次对本领域的关键技术分别进行了详细的介绍,重点涉及了模型压缩和选择、本地缓存、视频帧过滤、任务卸载、网络协议、隐私保护、查询优化、推理加速和边缘缓存技术.基于对上述各项核心技术的有机整合,本文提出了基于边缘计算的视频大数据智能分析平台Argus,从数据采集、推理分析,到数据挖掘、日志管理,对实时视频流分析全生命周期提供支持,并成功应用到智慧油田中.最后,本文讨论了本领域尚待解决的问题和未来研究方向,希望为今后的研究工作提供有益参考.
袁唯淋,廖志勇,高巍,魏婷婷,罗俊仁,张万鹏,陈璟[2]（2021）在《计算机扑克智能博弈研究综述》文中研究表明计算机博弈是人工智能领域的"果蝇",备受人工智能领域研究者的关注,已然成为研究认知智能的有利平台。扑克类博弈对抗问题可建模成边界确定、规则固定的不完美信息动态博弈,计算机扑克AI需要具备不完全信息动态决策、对手误导欺诈行为识别以及多回合筹码和风险管理等能力。首先梳理了以德州扑克为代表的计算机扑克智能博弈的发展历程,其次针对计算机扑克智能博弈典型模型算法、关键技术以及存在的主要问题进行了综述分析,最后探讨了计算机扑克智能博弈的未来发展趋势和应用前景。
唐宁[3]（2021）在《边缘计算的物联网任务处理策略研究》文中进行了进一步梳理5G网络对任务提出了更低时延的要求,使得原有网络架构不能胜任。移动边缘计算（MEC）被提出并认为是解决网络时延要求的一种可行架构,该架构将计算资源布置在基站侧,相比于云计算,该架构实现更近服务,满足终端对计算资源的需求。热门资源的缓存是降低通信数据冗余的一类思想,在MEC中引入缓存可以将用户需要上传的资源提前预置,从而降低任务上传成本,进一步提高网络性能。终端将自身计算任务卸载至MEC服务器中,在自身资源受限的情况下可以降低任务时延,节约终端能耗。在现实的网络中,计算通信等资源往往会被多个任务同时请求,如何选择卸载策略和资源分配策略对于整个网络性能有着关键影响。MEC中引入的缓存大小受限,不同的缓存方案带来的系统成本下降有着显着差异。因此论文主要研究如下。针对单一无缓存MEC服务器覆盖范围下多用户同时请求任务所带来的资源分配问题提出一种卸载策略和资源分配方案。该场景下MEC服务器不仅被新的任务所请求,同时自身旧的任务还在计算。任务的系统成本由时延和能耗加权求和,每个任务的时延能耗权重各不相同。考虑将服务器中已运行任务占用的资源纳入优化范围,降低整个系统的成本。卸载策略包含新任务的上传与否及分配的资源,以及已运行的任务是否暂停以空置出部分资源。该问题的目标函数为NP问题,为解决该问题,论文中运用改进的鲸鱼算法将其优化,仿真结果显示,所提出的策略可明显降低系统的成本。针对缓存增强的MEC场景,为发挥缓存增强的MEC服务器的优势,需要合理地将用户资源提前预置在基站侧。每个任务本身都有流行度和空间大小以及所需计算量三个基本属性,缓存的优化目标是提升命中率和命中本身带来的收益。网络中缓存方案的确定和计算任务的发起可以分为两个动作,在求解该场景下成本优化函数时也将其分拆为缓存方案设计和计算任务优化两个步骤。首先将缓存方案转化为背包问题,利用动态规划进行递归获得存储方案,之后在该存储方案的基础上利用鲸鱼算法优化计算任务,使其成本最低。仿真结果显示,在通信计算资源使用相同优化方案条件下,合理的缓存放置策略能将缓存带来的效益最大化。无缓存下使用优化方案和有缓存下随机分配资源所带来的算法收益和硬件收益比较,在不同参数下优势会发生变化。在前两部分研究的基础上,将问题拓展到多MEC协作缓存与计算的场景,该场景中每个基站均有一定的计算和存储资源,不同小区内的用户密度不同。多个MEC协作缓存和计算资源,共同服务所有用户。本章中将问题分解为缓存放置、卸载策略和资源分配,设计了综合考虑文件流行度和丰富度的贪婪算法来解决存储问题,运用粒子群算法优化卸载决策与资源分配。仿真证明了算法的有效性和协作带来的增益。
孙笑科[4]（2021）在《边缘计算网络中任务卸载和资源分配优化研究》文中进行了进一步梳理物联网的快速发展催生了大量计算密集和时延敏感型应用,终端用户有限的计算和能量资源与复杂应用需求之间的矛盾日益凸显。为满足终端用户多样化、高标准的应用服务需求,边缘计算将通信、计算和存储等功能迁移至靠近用户端的边缘服务器。终端用户通过任务卸载,为扩展本地处理能力并降低计算能耗提供了可能。但是,相比于拥有强大处理能力的集中式云计算数据中心,边缘服务器的分布比较分散且资源有限。面对未来大规模设备连接和爆发式数据流量增长趋势,设计合理的任务卸载和资源分配机制,实现边缘计算网络中分散且有限资源的有效利用,对优化任务处理时延、处理质量以及能量消耗等关键性能指标具有重要意义。然而,由于复杂的网络环境和多样任务处理性能需求,不合理的任务卸载决策容易引发网络负载失衡,降低资源利用效率。同时,任务卸载涉及传输、计算和存储过程的耦合,多维（通信、计算和缓存）资源的分配失衡进一步制约边计算卸载关键性能指标的提升。基于此,如何设计高效的任务卸载和资源分配优化机制,实现边缘服务器间任务的协同调度和多维资源的按需分配,是边缘计算网络中一个亟待解决的重要问题。针对上述问题,本文聚焦边缘计算网络,开展了基于边边协同、端边协同、空地协同的任务卸载和资源分配优化研究。本论文的主要研究内容和创新点如下:1)提出基于边缘服务器协同的任务卸载和资源分配优化方案,解决了边缘服务器资源供需失衡下难以同时满足任务处理时延和任务处理质量混合性能指标需求的难题。首先,通过挖掘计算任务处理质量和计算资源需求量之间的正关系,构建基于边缘服务器协同的任务处理质量和时延折中问题。其次,针对动态变化的无线传输链路质量对边缘服务器侧任务到达时间的影响,设计在线式优化算法,通过对用户接入、带宽资源分配、任务处理模型和数据量选择决策的自适应优化控制,使各服务资源供需关系维持在平稳状态。其中,针对单位时隙内复杂的混合整数非线性规划问题,通过连续性松弛和对偶分解将其转化为低复杂度凸差（Difference of Convex,DC）规划问题进行求解。最后,实验结果验证了算法的收敛性,并表明其在保障时延和提升任务处理质量方面的有效性。2)提出基于端边协同的任务卸载和资源分配方案,解决了任务到达时空非均匀条件下,网络负载失衡导致的任务处理成本开销高的难题。首先,针对用户端需要通过边缘节点广播消息更新任务处理模型参数才能执行本地计算的任务处理,考虑各时隙传输条件和服务器资源竞争情况的差异性,构建时间平均成本开销最小化问题。其次,利用李雅普诺夫优化理论解耦时间域上的影响因素,通过保障网络稳定实现时间域上的负载均衡。在此基础上,利用交替优化及凸优化理论求解单位时隙内任务模型更新用户集及接入边缘服务器选择,并保证最优性能增益条件下的带宽和计算资源分配,实现空间域上的负载均衡。最后,仿真结果表明,所提算法可以充分发挥各服务器可用资源优势,在保障任务处理质量的基础上,降低任务成本开销。3)提出基于多维资源联合的任务卸载和资源分配优化方案,解决了多类任务需求并存环境下,多维资源分配失衡导致任务处理速率降低的难题。首先,针对任务缓存部署对处理能力的影响,深入考量各任务通信、计算和缓存资源分配之间的相互耦合机理,构建最小化任务处理时延问题。其次,针对复杂决策求解空间和时变网络状态,设计分布式在线优化算法。各用户依据其他用户的本地副本决定通信和计算资源分配,在此基础上,通过将用户端任务卸载和边缘服务器侧任务缓存部署决策转化为双边效用最大化的匹配博弈问题,使得各设备只需依赖本地实时信息,便可独立并行地进行决策优化。最后,理论证明了算法的性能下界及其与最优机制的性能差距。仿真结果表明所提算法在满足各用户成本预算约束下,有效降低了任务处理时延。4)提出基于无人机辅助的空地协同任务卸载和资源分配优化方案,解决了地面边缘服务器灵活性差及随机网络环境下的计算卸载难题。首先,发挥无人机中继和计算功能,构建用户、无人机及地面服务器之间三层计算卸载系统架构下的优化系统能效问题。其次,针对信道条件和任务到达的随机性,设计在线式优化算法,以联合优化各设备任务卸载、计算资源分配以及无人机轨迹。具体地,利用分式规划和随机网络优化理论将随机非凸问题解耦为三个可相互独立求解的确定性优化问题。继而针对无人机轨迹和任务卸载之间的非线性耦合性进一步转化,在推导任务卸载决策闭合解的基础上,迭代获得无人机轨迹的近似最优解。最后,理论分析和仿真结果证实了提出算法在不依赖于网络状态先验知识的前提下,可以在保障任务处理时延的基础上,有效提升长期时间平均系统能效。
王岱巍,徐高潮,李龙[5]（2021）在《无人机辅助的移动边缘计算中的任务分配策略》文中进行了进一步梳理在使用无人机（UAV）作为计算卸载的数据收集器对用户设备（UE）提供移动边缘计算（MEC）服务的场景下,设计了一种通过UAV实现高效的UE覆盖的无线通信策略。首先,在给定UE分布的条件下,对于UAV的飞行轨迹和通信策略,使用了连续凸逼近（SCA）的优化方法来得出一种可以使全局能量最小化的近似最优解;此外,对于UE大范围分布或任务量较大的场景,提出了一种自适应聚类算法,以将地面的UE划分成尽量少的聚类,并保证每个聚类中全部UE的卸载数据都可以在一次飞行中全部完成收集;最后,将每个聚类中UE的计算卸载数据收集任务分配给一次飞行,从而达到减少单个UAV完成任务所需的派遣次数或多UAV执行任务所需的UAV派遣数量的目的。仿真结果表明,所提方法可以生成相比K-Means算法更少的聚类数量且能快速收敛,适用于UE大范围分布下UAV辅助的计算卸载场景。
范程飞[6]（2021）在《无线自组网中的协作定位关键技术研究》文中研究指明随着无线网络的发展,各种应用对位置信息的需求与日俱增,定位场景也变得更加复杂,传统定位方法（如,GNSS）的精度和可靠性面临严峻的挑战。基于无线自组网的定位系统因为结构灵活、易于设置,已经成为恶劣环境下进行定位的一个重要解决方案。协作定位技术通过引入用户节点之间的信息测量可以提高无线自组织定位系统的位置估计精度、可靠性和服务范围,因而受到广泛的关注和研究。尽管有诸多的优点,但协作定位也面临一些问题。例如,非线性的观测模型使得测量信息的高效融合变得很困难,在节点稀疏分布的移动协作自组网中该问题变得尤其突出;在密集网络中,协作定位会明显增大系统的通信负担和能量消耗,并且与可靠性较差的邻居节点进行协作还会引起误差在全网络的传播;在车联网和无人机网络等节点位置和测量信息随时间快速变化的移动场景中,定位系统需要具有较高的位置信息更新速率和较小的信息传输时延,这给测量信息融合及资源分配优化带来了新的挑战。论文针对基于无线自组网的协作定位系统中存在的若干问题,对节点稀疏分布的移动场景中的高可靠数据融合方法、密集网络中的节点选择和资源分配算法进行了研究,同时对受测量信息实时性影响的移动定位系统的性能进行了分析。论文的内容安排和主要结论如下:首先,针对节点稀疏分布的移动自组网,研究了高可靠的协作定位数据融合方法。一方面,论文提出一种基于节点运动状态约束的协作定位算法,该算法具有双层结构。内层算法利用和积算法与参数化的消息更新原则对测量信息进行融合,得到节点位置的初步估计值,作为外层算法的观测量。外层算法基于扩展卡尔曼滤波的框架对节点位置进行更新,同时可以得到节点运动状态信息。另一方面,论文提出一个有限回溯深度的扩展时空域联合协作定位模型。在每个时刻,基于节点的轨迹信息约束对所有节点在邻近几个时刻的测量信息进行时空域的联合处理,以得到节点在当前时刻的位置估计。基于该模型和最大似然准则,论文分别构造了集中式和分布式的多时刻测量信息联合处理问题,并利用序列二次规划算法对这两个问题进行求解。其中的分布式定位问题考虑了多跳节点对目标节点定位的贡献以及信息传输时延对定位性能的影响。另外,论文对集中式和分布式条件下基于扩展时空域联合协作模型的定位系统的费舍尔信息矩阵（Fisher Information Matrix,FIM）进行了分析。仿真结果表明,基于节点运动状态约束的协作定位算法可以提高系统的定位精度,并且在邻居节点数量不足的情况下仍具有较好的稳定性;扩展时空域联合协作定位模型的性能优于传统的基于单个时刻测量信息的定位模型。其次,针对资源受限（如,带宽、时间和能量等）、节点较多的无线协作自组网,研究了节点选择和资源分配算法。为了平衡各个节点的能量消耗,论文基于平方定位误差界（Squared Position Error Bound,SPEB）准则,分别构造出一个受隐式能量约束和一个受显式能量约束的节点选择问题。在隐式能量约束条件下,通过限定每个邻居节点在连续多个时刻内被选中的次数来平衡这些节点的能量消耗。在显式能量约束条件下,对节点选择和功率分配问题进行联合优化,以进一步提高系统的定位性能。两类问题中均包含了非线性的目标函数和二进制优化变量。论文首先通过合理引入辅助变量将原问题转化为更容易处理的形式,然后提出基于惩罚对偶分解优化框架的算法对转化后的问题进行求解。仿真结果表明论文提出的节点选择方案可以减小系统的通信负担和能量消耗,同时性能损失较小,并且能很好地平衡各个节点的能量消耗。论文所提算法的性能明显优于对比算法,对于受隐式能量约束的节点选择问题,所提算法能够达到近似最优的性能。最后,针对基于时分多址协议的定位系统,对受测量信息实时性影响的移动节点的定位性能进行了分析,研究了广播节点选择和时隙分配算法。论文首先利用信息年龄对测量信息的实时性进行建模。然后,结合节点的运动模型,推导了待定位节点在单个超帧内的FIM以及多个超帧内的联合FIM,并对稳定状态下的性能进行了分析。为了减小测量信息实时性对定位性能的影响、提高位置信息更新频率,论文基于SPEB准则,构造出一个广播节点选择和时隙分配联合优化问题。根据所构造问题的特殊结构,论文将其分解为一个广播节点选择问题和一个时隙分配问题,然后提出基于惩罚对偶分解优化框架的算法和贪婪算法分别对这两个问题进行求解。仿真结果表明,基于惩罚对偶分解优化框架的广播节点选择算法的性能明显优于随机选择算法,基于贪婪算法的时隙分配策略的性能与时隙随机分配策略的性能基本一致,但贪婪算法的复杂度更低。
朱向雷,王海弛,尤翰墨,张蔚珩,张颖异,刘爽,陈俊洁,王赞,李克秋[7]（2021）在《自动驾驶智能系统测试研究综述》文中研究表明随着人工智能技术的深入发展,自动驾驶已成为人工智能技术的典型应用,近十年来得到了长足的发展,作为一类非确定性系统,自动驾驶车辆的质量和安全性得到越来越多的关注.对自动驾驶系统,特别是自动驾驶智能系统（如感知模块、决策模块、综合功能及整车）的测试技术得到了业界和学界的深入研究.调研了56篇相关领域的学术论文,分别就感知模块、决策模块、综合功能模块及整车系统的测试技术、用例生成方法和测试覆盖度量等维度对目前已有的研究成果进行了梳理,并描述了自动驾驶智能系统测试中的数据集及工具集.最后,对自动驾驶智能系统测试的未来工作进行了展望,从而为该领域的研究人员提供参考.
孙林健[8]（2021）在《图像内容生成应用及非监督领域自适应技术研究》文中研究指明本文围绕图像内容生成应用与非监督领域自适应开展关键技术研究。主要研究内容涵盖基于深度生成模型的图像内容合成和非监督领域自适应方法。第一部分是基于深度生成模型的图像内容合成包括两方面工作,基于变分自编码机的自然纹理合成和基于神经自回归模型的遥感图像复原。（1）提出一种基于图像块的纹理合成方法,使用变分自编码机学习自然纹理的特征表示,并通过在隐变量空间插值采样的方式进行纹理生成。（2）针对可见光遥感图像受云层遮挡影响而产生的图像退化问题,提出一种基于神经自回归模型的去除云层方法。该方法被称为云感知生成网络,其主要包含云层遮挡区域检测和云层遮挡区域重建两个子网络。云感知生成网络在不使用多时态信息的情况下,可以利用单帧可见光遥感图像进行去除云层遮挡处理。云层遮挡区域检测子网络通过引入注意力机制辅助潜在的云层遮挡区域分割,在云层遮挡区域重建子网络中引入部分卷积层屏蔽由云层遮挡引入的噪声。实验分别使用合成云层遮挡遥感图像以及真实云层遮挡遥感图像数据进行验证,结果表明,经过云感知生成网络处理过的云层遮挡图像可以实现峰值信噪比和结构相似系数显着的提高。第二部分是非监督领域自适应方法。非监督领域自适应的目标是使在有标注的源域数据中训练的模型在无标注的目标域数据中的泛化性能提高。在非监督领域自适应的场景中,学习范式受到域转移的影响。很多方法通过源域数据和目标域数据的概率分布对齐方式,减小源域和目标域之间的分布差异。然而,之前的很多基于分布对齐的非监督领域自适应方法都忽略了使用潜在的类别全局结构信息,它可以作为一种指导跨领域知识转移的有效框架。本文提出一种非监督领域自适应正则化方法,叫做全局聚类中心结构正则化。该方法通过约束源域数据和目标域数据的类别中心结构一致性指引模型由源域向目标域迁移。具体地说,本文构造了关于聚类中心的拓扑图结构,并通过加强图在两个域中的一致性来正则化跨域特征抽取器。本文所提出的方法匹配聚类中心图的一阶和二阶相似性,其可以与几种最新的非监督领域自适应方法互补。仅仅采用简单的附加方式,就可以将全局聚类中心结构正则化方法与现有领域自适应方法相结合。为了证明全局聚类中心结构正则化方法的有效性,该方法在3个非监督领域自适应评价基准数据集上进行了系统的评估,并且与一系列最先进的非监督领域自适应方法进行了比较。结果表明,全局聚类中心结构图继承了有意义的跨域不变知识,有利于模型进行跨领域迁移学习。本文针对纹理合成与遥感图像复原展开图像生成领域共性理论与技术研究,以及针对非监督领域自适应任务中提升分布适配质量的需求提出新的正则化方法,具有重要理论意义和工程实用价值。
谭艳玲[9]（2021）在《基于稀疏模型和深度学习的图像去噪方法研究》文中提出数字图像为人们汲取实时信息提供了便利性,但是在信息处理和传递的过程中易受到噪声干扰,造成图像内容识别、分析和理解困难。因此,图像降噪技术对于获取清晰的视觉效果显得尤为关键。近年来基于信号稀疏表示和深度学习的方法成为了研究图像降噪技术的主要手段。然而,大部分基于稀疏模型的去噪方法直接从噪声图像中进行字典学习,因此字典的性能容易受到噪声影响而对深层特征提取能力不足。基于深度学习的去噪方法虽然获得了良好的性能,但是去噪过程机理不明,对不同噪声强度的适应性不好。因此为了获得高效的去噪性能,针对图像去噪研究中存在的问题以及现有去噪方法的短板,本文对以下两个方面展开了研究:（1）提出基于非局部块组稀疏特征距离约束的图像去噪方法针对现有方法的去噪性能受限于含噪图像中非局部先验且稀疏表示不够准确等问题,本文提出一种基于非局部块组稀疏特征距离约束的图像去噪方法。首先,利用预滤波处理减弱噪声以获取可靠的非局部图像先验并从中求取组稀疏估计作为原始图像的合理参考,并结合噪声图像内部先验同时用于图像去噪;其次,通过设计更符合二维图像块组数据特性的基于二维奇异值分解的学习字典提取图像本质特征,同时促进图块间和块内的稀疏性;再次,为了获得优良的图像去噪性能,提出了组稀疏特征距离约束,通过减小组稀疏系数矩阵之间的特征模式距离来逐步提高特征匹配度;最后,采用软阈值算法对模型进行求解,实现图像去噪。实验结果表明,所提出的去噪方法在视觉上呈现出清晰的边缘和轮廓,能够在有效保留图像结构特征的同时抑制视觉伪影。（2）提出统计模型引导下的深度学习图像去噪方法上述研究通过人为地设计先验正则约束模型的方式实现图像去噪,其中涉及到复杂的迭代优化过程,且线性字典的表示能力不足。为了进一步加强学习字典的深层次表征能力,在上述研究基础上,借助于能够在PGU上实现并行加速处理的深度神经的网络的大学习能力,本文提出统计模型引导下的深度学习图像去噪方法。首先,为了合理利用现有的退化模型和稀疏先验,让网络具有更灵活的学习的能力,建立基于最大化后验概率优化目标函数,采用梯度下降法更新稀疏参数;其次,根据模型的迭代优化过程推理出神经网络的构建形式并在该网络中进行卷积字典学习,利用网络非线性映射的逼近能力逐步优化稀疏系数使得深层特征得到更好表达;最后,在网络训练过程中,为了避免训练样本中噪声对字典表示能力的限制,将干净图像作为训练样本,以统计模型为引导,以稀疏性为约束条件建立损失函数来训练字典,以此有效提取图像特征。在Set5、Set12以及BSD68数据集上的实验结果表明,从量化指标和视觉效果对比中都体现出了本方法的有效性。同时,本研究为将图像去噪的优化模型集成到网络构建和训练中提供了一个新的思路。
覃珊珊[10]（2021）在《基于SFS方法的侧扫声呐图像三维重构研究》文中研究说明在海洋工程中,侧扫声呐相较于常见的单波束、多波束系统,具有分辨率高、效率高及价格低等特点,是海洋开发、海底地形勘察、考古调查等行业领域的有力工具。然而,侧扫声呐受其测量机理和作业模式影响,无法直接获取海底表面地形及水下目标物高度信息,所以对侧扫声呐图像三维重构的研究具有重要意义。本文在对侧扫声呐工作原理深入了解的基础上,从声呐原始数据出发,对水下地形三维重构系统进行研究。主要研究内容如下:首先对侧扫声呐图像的三维重构方法进行研究。论文通过分析侧扫声呐图像的三维重构多种方法的特点,针对存在的主要难点和问题进行研究,为后续理论研究和实践做铺垫。然后对侧扫声呐原始数据进行解码及可视化研究。在了解原始文件格式结构基础上,利用Visual Studio平台实现各种有效信息的获取及侧扫声呐二维瀑布图的可视化。并利用其解析结果与国外软件SonarWaveLite得到的侧扫声呐瀑布图进行对比实验,验证了解析软件的准确性。其次对侧扫声呐二维瀑布图的预处理方法进行研究。本文在海底线检测部分,在传统海底线检测方法基础上进行改进,提出基于区域生长法的海底线检测改进方法,实现了海底线的准确检测。在灰度校正部分,提出了改进的增益补偿方法,实现了相比于两种传统增益补偿法灰度更均衡的补偿结果,并利用实验验证其有效性。最后完成基于明暗恢复形状（SFS）方法的侧扫声呐三维重构的研究。在已有算法的基础上,利用小波变换对SFS最小化法进行改进,实现了水下地形的三维重构。并分别以虚拟图像及实际图像作为输入,通过对比实验对本文提出的算法进行分析,结果表明,与两种经典的SFS算法相比,基于小波变换的SFS最小化法性能明显提高,可清晰显示海底表面起伏变化和水下地形的细微特征。
二、计算机辅助多个函数的最小化（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、计算机辅助多个函数的最小化（论文提纲范文）
（1）面向实时视频流分析的边缘计算技术（论文提纲范文）
| 1 引言 |
| 1.1 相关调研和综述 |
| 1.2 本文贡献 |
| 2 背景介绍 |
| 2.1 视频分析流程 |
| 2.2 边缘计算架构 |
| 2.3 应用场景 |
| 2.3.1 安防监控 |
| 2.3.2 交通分析 |
| 2.3.3 增强现实 |
| 2.3.4 无人机搜救 |
| 2.3.5 可穿戴认知辅助 |
| 3 目标与挑战 |
| 3.1 关键指标 |
| 3.2 主要挑战 |
| 4 关键技术 |
| 4.1 终端设备层次 |
| 4.1.1 模型压缩 |
| 4.1.2 模型选择 |
| 4.1.3 本地缓存 |
| 4.1.4 视频帧过滤 |
| 4.1.5 小结 |
| 4.2 协作层次 |
| 4.2.1 任务卸载 |
| 4.2.2 网络协议 |
| 4.2.3 隐私保护 |
| 4.2.4 小结 |
| 4.3 边缘/云层次 |
| 4.3.1 查询优化 |
| 4.3.2 推理加速 |
| 4.3.3 边缘缓存 |
| 4.3.4 小结 |
| 5 Argus视频大数据智能分析平台 |
| 6 未来研究方向 |
| 6.1 终端设备层次:模型性能预测 |
| 6.2 协作层次:网络特性支持 |
| 6.3 边缘/云层次:模型持续学习 |
| 6.4 系统应用:通用测试平台 |
| 7 总结 |
（2）计算机扑克智能博弈研究综述（论文提纲范文）
| 1 引言 |
| 2 计算机扑克智能博弈发展历史与现状 |
| 2.1 阿尔伯塔大学研究组 |
| 2.2 卡内基梅隆大学研究组 |
| 2.3 其他组织研究进展 |
| 2.4 典型计算机扑克AI程序介绍 |
| 3 计算机扑克复杂度分析 |
| 3.1 德州扑克 |
| 3.2 状态数 |
| 3.3 信息集数量 |
| 3.4 信息集下动作数量 |
| 4 计算机扑克智能博弈关键技术 |
| 4.1 对手建模与利用 |
| 4.1.1 基于非均衡解的对手建模方法 |
| 4.1.2 基于均衡解的对手建模方法 |
| 4.2 博弈建模与博弈策略求解 |
| 4.2.1 博弈问题抽象 |
| 4.2.2 基于子博弈的策略求解 |
| 4.2.3 面向均衡的博弈策略求解 |
| 4.2.4 面向非均衡的近似策略求解 |
| 5 计算机扑克智能博弈的研究展望 |
| 5.1 多人纳什均衡 |
| 5.2 有限理性对手与欺骗 |
| 5.3 通用对抗博弈AI |
| 6 结束语 |
（3）边缘计算的物联网任务处理策略研究（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 |
| 1.3 本文研究内容 |
| 1.3.1 联合优化新旧任务最优化系统收益 |
| 1.3.2 缓存增强的边缘计算资源分配研究 |
| 1.3.3 多MEC协作的边缘计算研究 |
| 1.4 文章结构 |
| 第二章 边缘计算与缓存相关技术 |
| 2.1 边缘计算技术 |
| 2.1.1 边缘计算发展与架构 |
| 2.1.2 边缘技术关键技术 |
| 2.1.3 边缘计算应用实例 |
| 2.2 边缘缓存技术 |
| 2.2.1 边缘缓存关键技术 |
| 2.2.2 边缘缓存性能评价指标 |
| 2.3 边缘计算成本分析 |
| 2.3.1 边缘计算时延成本分析 |
| 2.3.2 边缘计算能耗成本分析 |
| 2.3.3 基于权重的综合成本分析 |
| 2.4 本章小结 |
| 第三章 系统成本最小化的边缘计算任务优化 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 通信子模型描述 |
| 3.2.2 任务属性描述 |
| 3.2.3 系统成本建模 |
| 3.3 最小化成本的搜索优化算法 |
| 3.3.1 传统的鲸鱼优化算法(WOA) |
| 3.3.2 种群划分的鲸鱼优化算法(GDWOA) |
| 3.4 仿真分析与结论 |
| 3.4.1 仿真参数设置 |
| 3.4.2 基于鲸鱼算法搜索优化结果分析 |
| 3.5 本章小结 |
| 第四章 缓存增强的边缘计算任务优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 缓存增强MEC场景下的任务属性 |
| 4.2.2 缓存增强MEC的系统成本分析 |
| 4.3 收益最大化的缓存算法 |
| 4.3.1 基于贪婪思想的存储算法 |
| 4.3.2 基于背包问题的存储算法 |
| 4.4 缓存增强场景下的计算成本优化 |
| 4.5 仿真分析与结论 |
| 4.6 本章小结 |
| 第五章 多MEC协作的边缘计算卸载研究 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 多基站下的协作模型 |
| 5.2.2 协作场景下的系统成本分析 |
| 5.3 多基站文件缓存设计 |
| 5.3.1 多基站场景下协作缓存收益 |
| 5.3.2 文件丰富度改进的贪婪缓存方案设计 |
| 5.4 最小化成本的MEC协作优化算法 |
| 5.4.1 粒子群优化算法 |
| 5.4.2 多群粒子群算法设计 |
| 5.5 仿真与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作内容总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
（4）边缘计算网络中任务卸载和资源分配优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 边缘计算概述 |
| 1.2.1 系统架构 |
| 1.2.2 基本特征 |
| 1.2.3 典型应用 |
| 1.2.4 关键性能指标 |
| 1.3 任务卸载和资源分配研究及挑战 |
| 1.3.1 任务卸载和资源分配 |
| 1.3.2 任务卸载和资源分配研究的挑战 |
| 1.4 研究现状 |
| 1.4.1 针对不同性能指标的任务卸载和资源分配研究 |
| 1.4.2 面向多服务器协同的任务卸载和资源分配研究 |
| 1.4.3 面向多维资源联合的任务卸载和资源分配研究 |
| 1.4.4 基于无人机辅助的任务卸载和资源分配研究 |
| 1.4.5 研究不足 |
| 1.5 主要创新工作与章节安排 |
| 1.5.1 主要创新工作 |
| 1.5.2 章节安排 |
| 2 基于边缘服务器协同的任务卸载和资源分配优化 |
| 2.1 引言 |
| 2.2 系统模型和问题建模 |
| 2.2.1 系统模型 |
| 2.2.2 问题建模 |
| 2.3 基于资源供需关系变化的在线式算法 |
| 2.3.1 基于李雅普诺夫优化理论的问题重构 |
| 2.3.2 基于连续凸近似理论的优化方法 |
| 2.4 性能仿真验证 |
| 2.4.1 仿真设置 |
| 2.4.2 仿真结果与分析 |
| 2.5 本章小结 |
| 3 基于端边协同的任务卸载和资源分配优化 |
| 3.1 引言 |
| 3.2 系统模型和问题建模 |
| 3.2.1 系统模型 |
| 3.2.2 问题建模 |
| 3.3 基于端边协同的在线式优化 |
| 3.3.1 基于李亚普诺夫优化理论的问题转化和分解 |
| 3.3.2 时间平均约束转化 |
| 3.3.3 用户端数据接入控制决策优化 |
| 3.3.4 边缘服务器侧计算资源分配优化 |
| 3.3.5 用户端计算和卸载相关决策优化 |
| 3.4 性能仿真验证 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 4 基于多维资源联合的任务卸载和资源分配优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 问题建模 |
| 4.3 基于多维资源联合的分布式在线优化 |
| 4.3.1 时间平均约束转化 |
| 4.3.2 通信和计算资源分配优化 |
| 4.3.3 基于匹配理论的任务缓存部署和调度决策优化 |
| 4.4 性能分析 |
| 4.5 性能仿真验证 |
| 4.5.1 仿真设置 |
| 4.5.2 仿真结果与分析 |
| 4.6 本章小结 |
| 5 基于无人机辅助的空地协同任务卸载和资源分配优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 问题建模 |
| 5.3 基于空地协同的在线式任务卸载和资源分配优化 |
| 5.3.1 问题转化 |
| 5.3.2 用户端计算资源分配优化 |
| 5.3.3 无人机侧计算资源分配和任务调度决策优化 |
| 5.4 性能分析 |
| 5.5 性能仿真验证 |
| 5.5.1 仿真设置 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文与其他成果 |
| 学位论文数据集 |
（6）无线自组网中的协作定位关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩写词列表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 协作定位数据融合方法 |
| 1.2.2 节点选择和资源分配 |
| 1.2.3 信息实时性 |
| 1.3 论文主要内容和结构安排 |
| 第二章 协作定位基础理论 |
| 2.1 引言 |
| 2.2 协作定位系统模型 |
| 2.3 定位融合方法 |
| 2.3.1 非贝叶斯定位方法 |
| 2.3.2 贝叶斯定位方法 |
| 2.4 协作定位系统误差评价指标 |
| 2.4.1 均方误差、均方根误差和累积分布函数 |
| 2.4.2 平方定位误差界 |
| 2.5 本章小结 |
| 第三章 移动自组网中协作定位数据融合方法设计与性能分析 |
| 3.1 引言 |
| 3.2 基于节点运动状态约束的协作定位算法 |
| 3.2.1 系统模型 |
| 3.2.2 基于EKF的外层位置信息更新算法 |
| 3.2.3 基于和积算法的内层测量信息融合算法 |
| 3.2.4 节点位置的迭代求解 |
| 3.3 扩展时空域联合协作定位模型 |
| 3.4 扩展时空域联合协作定位问题 |
| 3.4.1 集中式定位问题 |
| 3.4.2 分布式定位问题 |
| 3.5 扩展时空域联合协作定位性能分析 |
| 3.5.1 集中式性能分析 |
| 3.5.2 分布式性能分析 |
| 3.6 仿真结果与分析 |
| 3.6.1 基于节点运动状态约束的协作定位算法仿真与分析 |
| 3.6.2 扩展时空域联合协作定位模型仿真与分析 |
| 3.7 本章小结 |
| 第四章 资源受限的无线协作自组网中节点选择和资源分配算法 |
| 4.1 引言 |
| 4.2 系统模型和优化问题 |
| 4.2.1 系统模型 |
| 4.2.2 优化问题 |
| 4.3 PDD优化框架介绍 |
| 4.4 隐式能量约束条件下的节点选择算法 |
| 4.4.1 问题转化 |
| 4.4.2 基于PDD的节点选择算法 |
| 4.5 显式能量约束条件下的联合节点选择和功率分配算法 |
| 4.5.1 问题转化 |
| 4.5.2 基于PDD的联合节点选择和功率分配算法 |
| 4.6 仿真结果与分析 |
| 4.6.1 节点选择算法仿真与分析 |
| 4.6.2 联合节点选择和功率分配算法仿真与分析 |
| 4.6.3 算法复杂度分析 |
| 4.7 本章小结 |
| 第五章 受信息实时性影响的无线协作自组网性能分析与算法设计 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 定位性能分析 |
| 5.3.1 单个超帧的定位性能分析 |
| 5.3.2 多个超帧的定位性能以及稳定状态的定位性能分析 |
| 5.4 广播节点选择和时隙分配算法 |
| 5.4.1 问题描述 |
| 5.4.2 广播节点选择算法 |
| 5.4.3 时隙分配算法 |
| 5.5 仿真结果与分析 |
| 5.5.1 单个超帧的定位性能仿真与分析 |
| 5.5.2 稳定状态下的定位性能仿真与分析 |
| 5.5.3 广播节点选择和时隙分配算法仿真与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间的研究成果 |
（7）自动驾驶智能系统测试研究综述（论文提纲范文）
| 1 感知模块 |
| 1.1 相关研究现状 |
| 1.2 测试用例生成 |
| 2 决策模块 |
| 2.1 相关研究现状 |
| 2.2 测试用例生成 |
| 2.3 覆盖度量指标 |
| 3 综合功能模块 |
| 3.1 相关研究现状 |
| 3.2 测试用例生成 |
| 4 整车测试 |
| 4.1 研究现状 |
| 4.2 测试用例生成 |
| 4.3 覆盖度量指标 |
| 5 数据集与模拟器 |
| 6 总结与展望 |
（8）图像内容生成应用及非监督领域自适应技术研究（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 相关技术研究现状 |
| 1.2.1 生成模型研究现状 |
| 1.2.2 领域自适应方法研究现状 |
| 1.3 本文的技术路线 |
| 1.4 本文的核心工作 |
| 1.5 本文的组织结构 |
| 第2章 基于隐空间插值的图像纹理生成 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 纹理生成方法 |
| 2.3.1 纹理特征的表示学习 |
| 2.3.2 隐空间特征插值 |
| 2.3.3 基于图像块的纹理填充 |
| 2.4 实验 |
| 2.4.1 模型实现 |
| 2.4.2 实验效果 |
| 2.5 本章小结 |
| 第3章 云感知生成网络 |
| 3.1 引言 |
| 3.2 问题的描述及相关工作 |
| 3.3 云感知生成网络(CAGN) |
| 3.3.1 CAGN网络架构概述 |
| 3.3.2 云层遮挡区域检测 |
| 3.3.3 云层遮挡区域重建 |
| 3.4 CAGN损失函数 |
| 3.5 评价指标 |
| 3.6 CAGN在可见光遥感图像数据集中的实验 |
| 3.6.1 数据的准备 |
| 3.6.2 模型的训练 |
| 3.6.3 实验结果 |
| 3.7 本章小结 |
| 第4章 非监督领域自适应的全局聚类中心结构正则化 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 非监督领域自适应任务设定 |
| 4.4 全局聚类中心结构正则化 |
| 4.4.1 方法框架概述 |
| 4.4.2 对抗相似性领域对齐 |
| 4.4.3 全局聚类中心结构信息约束分布对齐 |
| 4.4.4 理论基础 |
| 4.5 实验 |
| 4.5.1 数据集准备 |
| 4.5.2 具体实现 |
| 4.5.3 实验结果 |
| 4.5.4 消融学习 |
| 4.5.5 实验分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 全文创新点总结 |
| 5.3 未来研究展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（9）基于稀疏模型和深度学习的图像去噪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 传统的图像去噪方法 |
| 1.2.2 基于模型驱动的图像去噪方法 |
| 1.2.3 基于数据驱动的图像去噪方法 |
| 1.3 本文主要工作与章节安排 |
| 1.3.1 本文主要工作内容 |
| 1.3.2 本文章节安排 |
| 2 相关理论基础 |
| 2.1 图像去噪的基本原理 |
| 2.2 图像去噪的主要方法 |
| 2.2.1 基于稀疏模型的去噪方法 |
| 2.2.2 基于深度学习的去噪方法 |
| 2.3 图像质量评估 |
| 2.3.1 客观评价 |
| 2.3.2 主观评价 |
| 2.4 本章小结 |
| 3 基于非局部块组稀疏特征距离约束的图像去噪方法 |
| 3.1 引言 |
| 3.2 基于块组的稀疏表示理论 |
| 3.3 基于组稀疏特征距离约束的图像去噪模型 |
| 3.3.1 基于2D-SVD的组稀疏表示模型 |
| 3.3.2 组稀疏特征系数矩阵距离约束 |
| 3.4 模型的求解和优化 |
| 3.4.1 字典的选择和设计 |
| 3.4.2 未知组稀疏的近似估计 |
| 3.4.3 求解与优化 |
| 3.4.4 迭代调整策略 |
| 3.5 图像去噪实验设计与结果分析 |
| 3.5.1 数据集简介 |
| 3.5.2 实验环境及参数设置 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 4 统计模型引导下的深度学习图像去噪方法 |
| 4.1 引言 |
| 4.2 统计模型引导下的深度去噪网络构建 |
| 4.2.1 整体优化的目标函数 |
| 4.2.2 稀疏系数优化更新 |
| 4.2.3 深度去噪网络的构建 |
| 4.3 网络模型的训练 |
| 4.3.1 卷积稀疏字典学习 |
| 4.3.2 网络参数选择 |
| 4.4 图像去噪实验设计与结果分析 |
| 4.4.1 数据集简介 |
| 4.4.2 实验环境及参数配置 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（10）基于SFS方法的侧扫声呐图像三维重构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 侧扫声呐研究现状 |
| 1.3 侧扫声呐图像三维重构方法综述 |
| 1.3.1 SFS算法分类 |
| 1.3.2 SFS算法比较 |
| 1.4 论文研究内容及章节安排 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的章节安排 |
| 2 侧扫声呐原始文件的解析系统研究 |
| 2.1 侧扫声呐系统组成 |
| 2.2 侧扫声呐工作及成像原理 |
| 2.3 原始数据解析 |
| 2.3.1 XTF文件格式 |
| 2.3.2 解析软件实现 |
| 2.3.3 解析软件结果分析 |
| 2.4 本章总结 |
| 3 侧扫声呐图像预处理方法研究 |
| 3.1 基于区域生长法的海底线检测方法研究 |
| 3.1.1 传统海底线检测方法 |
| 3.1.2 基于区域生长法的海底线检测方法 |
| 3.2 基于改进的增益补偿法的灰度校正研究 |
| 3.2.1 时变增益校正 |
| 3.2.2 平均振幅增益补偿 |
| 3.2.3 平均灰度增益补偿 |
| 3.2.4 改进后的灰度校正 |
| 3.3 几何校正方法研究 |
| 3.3.1 斜距校正方法研究 |
| 3.3.2 斜距矫正后的声呐图像补偿方法研究 |
| 3.4 本章总结 |
| 4 基于小波变换的最小化方法研究 |
| 4.1 SFS算法基础 |
| 4.1.1 图像辐照度 |
| 4.1.2 表面方向 |
| 4.1.3 反射图 |
| 4.2 经典的最小化算法 |
| 4.2.1 Horn的方法 |
| 4.2.2 Leclerc和Bobick的方法 |
| 4.3 基于小波变换的SFS方法 |
| 4.3.1 小波变换的多分辨特性 |
| 4.3.2 基于Priwitt算子优化的三维重构算法 |
| 4.3.3 结合小波变换的SFS最小化方法 |
| 4.4 实验结果比较与分析 |
| 4.4.1 实验说明及评价指标 |
| 4.4.2 虚拟图像实验结果及分析 |
| 4.4.3 实际图像实验结果及分析 |
| 4.5 本章总结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、计算机辅助多个函数的最小化（论文参考文献）
- [1]面向实时视频流分析的边缘计算技术[J]. 杨铮,贺骁武,吴家行,王需,赵毅. 中国科学:信息科学, 2022(01)
- [2]计算机扑克智能博弈研究综述[J]. 袁唯淋,廖志勇,高巍,魏婷婷,罗俊仁,张万鹏,陈璟. 网络与信息安全学报, 2021(05)
- [3]边缘计算的物联网任务处理策略研究[D]. 唐宁. 北京邮电大学, 2021(01)
- [4]边缘计算网络中任务卸载和资源分配优化研究[D]. 孙笑科. 北京交通大学, 2021
- [5]无人机辅助的移动边缘计算中的任务分配策略[J]. 王岱巍,徐高潮,李龙. 计算机应用, 2021(10)
- [6]无线自组网中的协作定位关键技术研究[D]. 范程飞. 浙江大学, 2021(01)
- [7]自动驾驶智能系统测试研究综述[J]. 朱向雷,王海弛,尤翰墨,张蔚珩,张颖异,刘爽,陈俊洁,王赞,李克秋. 软件学报, 2021(07)
- [8]图像内容生成应用及非监督领域自适应技术研究[D]. 孙林健. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(11)
- [9]基于稀疏模型和深度学习的图像去噪方法研究[D]. 谭艳玲. 西安理工大学, 2021(01)
- [10]基于SFS方法的侧扫声呐图像三维重构研究[D]. 覃珊珊. 西安理工大学, 2021(01)