中北大学学位论文神经网络基础

中北大学学位论文神经网络基础

中北大学2012届毕业论文 第1页 共47页 1 引言 1 课题的提出以及研究意义 使计算器具有人类的感知的能力，能够识图认字，能听话和说话，能与人们自然的进行信息交互，是人们长期以来的梦想。经过二十余年的奋斗，这些梦想已逐渐部分成真。赋予计算机识图认字的智能，能够解脱人们将汉字输入计算机的繁重劳动，克服计算机汉语信息的汉字输入困难的问题，对我国信息化发展更具有特殊重要的价值。随着计算机技术、通信技术、多媒体技术以及Internet的迅速发展，人们越来越深刻地感受到了计算机处理事情的便捷。提取并识别图像中的文字，在图像数据库的组织与管理、视频索引、公交、交通、旅游、摄影等方面将有着极其广泛的应用。随着电力系统的规模增大，电力设备也越来越多，且设备分布具有跨地域性的特点，因此怎样管理维护这些设备，并可随时查看这些设备的信息成为一个急需解决的问题。 图像中往往包含着丰富的文字信息，若能将图像中的文字进行自动检测、分割、提取和识别，则对图像高层语义内容的自动理解、索引和检索非常有价值。因此，90年代，随着多媒体技术的发展以及对基于内容的多媒体检索的需求，图像中的文字获取又逐渐成为研究热点之一。电力设备标牌图像中的文字获取对图像识别、检索有重要意义。从电力设备标牌图像中提取文字需要首先定位包含文字的图像区域，由于电力设备标牌中的文字在字体、大小、对齐方式和排列上变化多端，文字背景复杂，而许多应用场合还要求算法具有一定处理速度，这些都使得从其图像中有效地提取文字变得困难，对其深入研究很有意义。电力设备标牌图像中有丰富的文字信息，对图像中的文字信息的提取将是图像处理方面研究的一个重要方向。在电力系统中，电力设备种类繁多，通过对设备图像的采集，识别出电力设备标牌的文字信息，建立设备信息图文库，对电力设备的年检、统计等工作更加便捷、高效，对提高电力系统的设备管理水平非常重要。在电力管理上的技术需求越来越引起人们的关注和期待，而在此方向的技术研究目前还是一个空白点，因此，研究设备图片中的字符识别技术具有广泛的实际应用价值和重要的学术意义。 2 相关技术研究现状 中北大学2012届毕业论文 第2页 共47页 目前电力设备标牌识别的研究还是一个空白点。其相关技术包括车牌识别技术和对图像中的文字识别技术[1]。电气标牌字符的识别研究还很滞后，目前仍没有相对成熟的系统。随着电力系统的规模增大，电力设备也越来越多，怎样管理维护这些设备，是我们现在需要努力研究并有待应用的一门技术。 当前，图像作为一种重要的可视化信息媒体，已被应用到几乎所有的科学技术领域和日常生活的各个方面。随着图像信息的快速增长，从海量的图像资源中快速高效地提取并识别信息已成为人们迫切的需求。因此，20世纪90年代，基于内容的图像检索（CBIR）[2]技术应运而生，从可视化角度开辟了一条更为直观 、准确的途径，并很快成为智能信息处理领域的研究热点。 如今牌照定位是从一张图片中找到标牌的位置，将包括牌照的子图像从这张图片中切割出来。主要有边缘特征法[3]、神经网络法[4,5]、基于灰度的检测方法、基于数学形态学法、基于颜色的分割方法、基于区域特征的方法、小波变换的方法等。 文字识别技术已经广泛应用到了各个领域中，它作为计算机智能接口的重要组成部分，在信息处理领域中可以大大提高计算机的使用效率。字符识别的对象是汉字、字母和数字。我国牌照的独有的特点是包括汉字的识别。汉字因为其结构复杂，使得识别过程有别于数字和字母。目前主要的字符识别方法有：模板匹配法、统计特征字符识别法、结构特征字符识别法、人工神经网络法。模板匹配对噪声比较敏感，并对字符的字体变化具有不适应的特点。基于统计特征的字符识别法对于形近字符区分能力弱，而且需要寻找特征，特征有时随图像变化而失效。结构特征的描述和比较要占用大量的存储和计算资源，因此算法在实现上相对复杂、识别速度慢。神经网络法也存在找寻特征和计算量大的问题。光学字符识别（OCR）技术是计算机自动、高速地辨别纸上的文字，并将其转化为可编辑的文本的一项实用技术。它是新一代计算器智能接口的一个重要组成部分，也是模式识别领域的一个重要分支。因此，在电力标牌的字符识别中，OCR技术也得到了广泛的应用，是其进行识别不可或缺的技术力量。Lienhart等[6,7]先后开发出两个视频中的文字检测、分割和识别系统。这两个系统都是利用文字的单色性相对于背景的高对比度和视频字幕的简单纹理来进行图像分割。 近几年，国内学者也开始关注并积极投身到电力设备标牌的字符检测领域来，但中北大学2012届毕业论文 第3页 共47页 是都仅限于在进行基于内容的多媒体检索的研究时，附带地介绍了图像和视频中的文字获取，并没有进行系统深入的研究，也没有开发出相应可行的系统。如何识别图像中的文字仍然是一个有待研究解决的问题。 3 本课题主要内容 电力设备标牌字符识别涉及到的技术和车牌识别技术有些相似处，车牌识别技术已经较为成熟，但是，电力设备标牌识别与之有很多不同之处。主要包括： (1)图像的预处理技术。标牌中有很多钢印信息，通过二值化[8,9]提取标牌特征时，需要完整的提取其特征量。而车牌上的信息在提取时不存在上述问题。 (2)电力设备标牌中的信息识别技术。标牌中的字符很多，尤其是所涉及的汉字比较丰富，而车牌中字符构成比较简单。 本文对电力系统中设备标牌中的字符识别技术进行了研究，对设备标牌中的字符识别系统的每一个模块进行了研究及实现。电力设备图片在识别前首先需要对图像进行预处理，以更好的提取标牌中的信息。其次，分割图像。最后进行标牌上的字符识别。因此，本课题主要研究内容为： （一）电力设备标牌的图像预处理方法的研究。采集到的设备图片不可避免的会受到噪声的污染，需要对设备图片进行处理以及修正，突出图片中的标牌信息，增强图像，以便更好的进行字符识别。 （二）分析电力设备标牌特点，结合设备标牌特点研究适合标牌图像的二值化方法。 （三）研究边缘检测算子并对图像进行边缘检测处理，分析实验结果，并进行图像的分割。 （四）应用光学字符识别（OCR）[12,13,14,15]技术和字符识别技术进行电力设备标牌的识别[16,17,18,19]。 在拟采用的研究手段上分别从设备图像预处理、标牌的二值化算法以及标牌图像的分割和字符的识别四个方面进行阐述： 1)进行图像的滤波处理、经灰度直方图灰度修正以及灰度图像对比处理把我们感兴趣的部分突出出来。 2)为了进行有效的识别，采用阈值法进行标牌图像的二值化。通过对其标牌二值化，提取标牌图像中的钢印信息。 中北大学2012届毕业论文 第4页 共47页 3）进行标牌图像的边缘检测和分割。 4）采用基于光学字符识别（OCR）的技术以及MATLAB软件算法完成对标牌字符的识别。 中北大学2012届毕业论文 第5页 共47页 2 电力设备标牌图像预处理 电力设备标牌图像由于背景的灰度值介于标头字符的灰度值和钢印灰度值之间，所以用单一的一个阈值无法将标头字符和钢印同时提取出来。为了进行有效的识别，首先需要对数字图像进行处理。 二维物理图像被栅格划分成小的区域，这些小的区域称为数据元素（Picture Element），简称像素。对每个像素进行采样和量化，得到相应的整数值。这个值代表像素的明暗程度和颜色深浅等信息。 每个引入噪声。图像可以分为二值图像、灰度图像、彩色图像。灰度图像只含亮度信息，不含彩色信息。灰度值用8位（Bit）表示，从0到255，一共256级，从黑（0）到白（255）。二值图像就只有代表黑白两色的两个灰度值，归一化后灰度值是黑（0）到白（1）。彩色图像每个像素值都有三个分量，分别表示红色（R），绿色（G）和蓝色（B）。每个分量又按各分量的灰度分为0到255共256级。根据RGB的不同组合就可以表示256 ×256×256种颜色，也就是常说的24位真彩色。 图像的读取 clear; close all; I=imread(''); imshow(I);（结果见图2（a）） 去噪 在图像形成、传输或变换的过程中,由于受到其它客观因素诸如系统噪声、曝光不足或过量、相对运动等影响,获取图像往往会与原始图像之间产生某种差异(称为降质或退化)。退化后的图像通常模糊不清或者经过机器提取的信息量减少甚至错误,因此必须对其采取一些手段进行改善。图像增强技术正是在此意义上提出的,目的就是为了改善图像的质量。图像增强根据图像的模糊情况采用各种特殊的技术突出图像中的某些信息,削弱或消除无关信息,达到强调图像的整体或局部特征的目的。图像增强尚没有统一的理论方法。 利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的图像进行平滑处理:

截至2013年12月，中北大学共建成省部共建国家重点实验室培育基地1个，教育部重点实验室1个，国防科技重点实验室1个，国防重点学科实验室1个，中国兵器工业实验室1个，省级重点实验室6个；省部级工程中心15个，包括教育部工程研究中心2个，国防科技工业先进技术研究应用中心1个，省级工程技术研究中心16个 ，中澳联合研究中心1个，校企合作联合实验室2个。 中澳联合研究中心（1个）：电力工程中澳联合研究中心 国家级工程技术研究中心（5个）：镁合金关键技术及工艺国家地方联合工程研究中心、精密塑性成形国防先进工业技术研究应用中心（技术依托单位）、国防科技工业民爆制备工艺技术研究应用中心（成员单位）、物联网应用技术国家地方联合工程研究中心（与罗克佳华共建）、中国兵器无损检测诊断中心国家级工程实践教育中心（4个）：晋西机器工业集团有限责任公司、山西北方风雷工业集团有限公司、山西北方兴安化学工业有限公司、深圳市金之彩科技有限公司 国家级研究所（1个）：中北大学国家区域创新战略研究所 国家大学科技园（1个）：山西中北大学国家大学科技园 国防科技重点实验室（1个）：电子测试技术国防科技重点实验室 国防重点学科实验室（1个）：地下目标毁伤技术国防重点学科实验室 中国兵器工业实验室（1个）：传爆药性能检测中心实验室 省部共建国家重点实验室培育基地（1个）：动态测试技术省部共建国家重点实验室 省部级重点实验室（1个）：高射速武器国防特色学科实验室 教育部工程研究中心（2个）：镁基材料深加工技术教育部工程研究中心、微纳惯性传感与集成技术教育部工程研究中心 教育部重点实验室（1个）：仪器科学与动态测试教育部重点实验室 省级工程技术研究中心（15个）：山西省集成精密成形工程研究技术中心、山西省现代无损检测工程技术研究中心、山西省超细粉体工程技术研究中心、山西省微米纳米工程技术研究中心、山西省超重力化工工程技术研究中心、山西省高分子复合材料工程技术研究中心、山西省铸造新工艺工程技术研究中心、山西省光电信息与仪器工程技术研究中心、山西省工程塑料工程技术研究中心、山西省防火防爆安全工程技术研究中心、山西省自动化检测装备与系统工程技术研究中心、山西省起重机数字化设计工程技术研究中心、山西省有色金属液态成型工程技术研究中心、山西省激光显示工程技术研究中心、山西省深孔加工工程技术研究中心 省级重点实验室（6个）：动态测试技术山西省重点实验室、先进制造技术山西省重点实验室、信息探测与处理山西省重点实验室、超重力化工山西省重点实验室、纳米功能复合材料山西省重点实验室、煤电污染物控制与资源化利用山西省重点实验室 省级人文社科重点研究基地（1个）：中北大学“创新研究中心 校企合作联合实验室（2个）：施耐德联合实验室、位置应用技术联合实验室 十一五规划以来，中北大学先后承担国家级项目254项，各类项目总数3600余项，科研项目总经费近22亿元，获得国家科技二等奖5项，省部级科技奖96项，发表SCI、EI收录论文近6000篇，出版学术专著和教材330余部。 2010年至2013年，中北大学承担国家自然科学基金项目累计达70余项，国家863项目12项，国家973项目10项，国家国际合作项目8项。在国防科研方面，承担总装备部预研项目400余项、科工局国防项目100余项，其中我校牵头负责的科工局重大专项2项、总装演示验证项目1项，086重大项目1项。此外，2012年，该校刘俊教授获得国家杰出青年科学基金项目支持；2013年，刘有智教授获得何梁何利基金科学与技术创新奖。 国家技术发明奖（二等奖5项，三等奖7项）科研成果 奖项 获奖时间 获奖者 备注 电子测压蛋 国家技术发明二等奖 1991年 祖静 第一单位 新型三轴加速度惯性传感器与实时数据压缩储存动态测试系统 国家技术发明二等奖 2004年 张文栋 第一单位 多功能反应装甲 国家技术发明二等奖 2006年 刘天生 第二单位 XXX发射药技术 国家技术发明二等奖 2008年 肖忠良 第一单位 纳机电矢量水听器 国家技术发明二等奖 2010年 张文栋 第一单位 电子衍射测晶体结构 国家技术发明三等奖 1991年 王建邦 第二单位 防大口径穿破甲弹装置 国家技术发明三等奖 1993年 刘天生 第一单位 弹载全弹道动态参数快速存储测试系统 国家技术发明三等奖 1995年 祖静 第一单位 可燃药筒粘结在线无损诊断方法设备 国家技术发明三等奖 2001年 路宏年 第一单位 可燃液体爆炸试验装置 国家技术发明三等奖 2001年 张景林 第一单位 XX粘贴质量在线无损诊断的方法及设备 国家技术发明三等奖 1999年 王明泉 第二单位 粘接强度检测系统 国家技术发明三等奖 涉密 涉密 第一单位 国家科学技术进步奖（一等奖1项，二等奖6项，三等奖3项）科研成果 奖项 获奖时间 获奖者 备注 尼龙11树脂 一等奖 涉密 胡国胜 第一单位 火箭扫雷系统 二等奖 1990年 刘天生 第二单位 XXX（涉密）传爆药安全性试验方法 二等奖 1996年 张景林 第一单位 XXX（涉密）子母弹 二等奖 2001年 王坚茹 第一单位 某模块化、系列化技术研究 二等奖 2011年 熊继军 第一单位 某大构件轻量化关键技术及应用 二等奖 2011年 张治民 第一单位 化工废气超重力净化技术的研发与工业应用 二等奖 2011年 刘有智 第一单位 包覆材料厚度超声检测技术 三等奖 1996年 路宏年 第一单位 火箭发动机脱粘检测系统 三等奖 涉密 涉密 第一单位 某框架温成形技术 三等奖 2006年 张治民 第一单位 国防科学技术进步奖（一等奖3项，二等奖10项，三等奖16项）科研成果 奖项 获奖时间 获奖者 备注 XX（涉密）关键制造技术 国防科技进步一等奖 2010年 徐宏 第一单位 XXX（涉密）黑匣子 国防科技进步一等奖 2010年 熊继军 第一单位 涉密 国防科技进步一等奖 2010年 张治民 第一单位 大型复杂铝铸件热工艺过程仿真及新工艺研究 国防科技进步二等奖 2002年 涉密 第一单位 大型铸件内部缺陷检测技术 国防科技进步二等奖 2002年 王召巴 第一单位 顶防护轻型反应装甲 国防科技进步二等奖 2002年 涉密 第一单位 高效弹药及高射频低后坐发射技术 国防科技进步二等奖 2002年 薄玉成 第一单位 战略导弹再入过程动态数据测试系统 国防科技进步二等奖 2003年 刘俊 第一单位 复合传感器及微型集成测量系统研究 国防科技进步二等奖 2004年 张文栋 第一单位 某导弹遥测匹配装置自动检测系统 国防科技进步二等奖 2004年 张文栋 第一单位 XXX（涉密）产品结构内视技术 国防科技进步二等奖 2005年 韩焱 第一单位 XXX（涉密）抛撒角速度及角速度测试技术 国防科技进步二等奖 2005年 马铁华 第一单位 侵彻过载测试技术 国防科技进步二等奖 2005年 张文栋 第一单位 火箭发射动力学—起始扰动研究 国防科技进步三等奖 2000年 涉密 第一单位 固体火箭发动机装药包覆状态无损检测技术及设备 国防科技进步三等奖 2001年 王召巴 第一单位 单管大口径机枪低后坐浮动技术 国防科技进步三等奖 2001年 涉密 第一单位 钝感传爆药技术 国防科技进步三等奖 2001年 涉密 第一单位 坦克动力系统零部件动态设计技术研究 国防科技进步三等奖 2001年 涉密 第一单位 破甲弹药尾翼等温成形技术 国防科技进步三等奖 2002年 涉密 第一单位 军用发动机关键零部件CAD技术 国防科技进步三等奖 2002年 涉密 第一单位 轻武器动态优化、仿真及可靠性技术研究 国防科技进步三等奖 2002年 涉密 第一单位 XX（涉密）再入过程动态数据测试系统 国防科技进步三等奖 2003年 刘俊 第一单位 创伤弹道研究专用激光测速靶 国防科技进步三等奖 2004年 李仰军 第一单位 等温挤压技术 国防科技进步三等奖 2004年 张治民 第一单位 XX（涉密）飞控数据实时检测存储系统 国防科技进步三等奖 2005年 刘俊 第一单位 弹用集成硅微加速度计 国防科技进步三等奖 2006年 张文栋 第一单位 靶场设备导弹前框瞬态高温测量系统 国防科技进步三等奖 2007年 周汉昌 第一单位 XX（涉密）寿命可靠性研究 国防科技进步三等奖 2010年 周桂春 第一单位 XXX（涉密）飞行姿态测量系统 国防科技进步三等奖 2010年 任勇峰 第一单位 教育部科学技术进步奖（一等奖1项，二等奖6项）科研成果 奖项 获奖时间 获奖者 备注 导弹数据记录设备 一等奖 2001年 张文栋 第一单位 高能X射线数字成像系统与技术 二等奖 2002年 韩焱 第一单位 难加工零件温冷近净成形与改性技术 二等奖 2002年 张治民 第一单位 炮射导弹测试弹技术 二等奖 2005年 张文栋 第一单位 直齿圆柱齿轮精密塑性成形工程化应用研究 二等奖 2005年 张治民 第一单位 基于数字平板探测器的工业DR/CT成像检测技术与系统 二等奖 2006年 韩焱 第一单位 激光打孔 二等奖 2009年 涉密 第一单位 山西省自然科学、技术发明、科技进步一等奖（共5项）科研成果 奖项 获奖时间 获奖者 备注 生物动力系统的建模与研究 山西省自然科学一等奖 2010年 靳帧 第一单位 微传感器轴心差角四点法与双弹头冲击差分法静动态特性测试技术 山西省技术发明一等奖 2009年 张文栋 第一单位 车辆用镁合金大型承力构建控制成形技术及装置 山西省技术发明一等奖 2010年 张治民 第一单位 XX-xx（涉密）弹载数据记录装置 山西省科技进步一等奖 2001年 张文栋 第一单位 可调谐脉冲激光波长和入射方位相干探测装置 山西省科技进步一等奖 2008年 张记龙 第一单位 馆藏资源 截至2016年2月， 中北大学图书馆有中外文图书和电子图书291万册，中外文期刊24627种。馆藏文献包括数、理、化、外语等基础学科和工程技术、机械工程、材料科学、兵器工程、自动控制工程、电子技术、计算机科学、化学工程、测试技术及仪表、交通、环境科学等应用技术学科，同时收藏了人文社科、管理科学、体育等文献资料；拥有电子资源数据库32种，包括CNKI学术期刊及优秀硕博论文库、万方数据及万方学位论文、超星数字图书馆、重庆维普、SDOL、Ei等中外文电子数据库。 学术期刊 据中北大学出版中心网站2015年11月信息显示，中北大学共编辑出版有《中北大学学报（自然科学版）》、《中北大学学报（社会科学版）》、《测试技术学报》、《Journal of Measurement Science and Instrumentation》等4个学术刊物。 《中北大学学报（自然科学版）》创刊于1979年，是中文核心期刊，前身为《华北工学院学报》，期刊以基础理论、应用科学和工程技术为主要刊登内容，设应用基础研究、机械与动力工程、自动化与计算机、化工与环境工程、电子与电子信息、材料科学与管理工程等栏目，曾获国家教委科技司全国高校优秀学报二等奖、国家教委科技司全国高校优秀学报二等奖、中国教育部优秀期刊三等奖、全国高校科技期刊优秀编辑质量奖、中国科技论文在线优秀期刊二等奖；多次获山西省高校学报一等奖、山西省一级期刊、兵器工业总公司优秀期刊三等奖等诸多荣誉，被《中文科技期刊数据库》（全文版）、《中国期刊全文数据库》（CJFD）、美国《工程索引》（EI）、美国《化学文摘》（CA）、英国《科学文摘》（SA）、荷兰《文摘与引文数据库》（Scopus）等全文收录。 《中北大学学报（社会科学版）》创刊于1985年，是由中北大学主管、主办的社科综合类学术性期刊，双月刊被中国知网、万方数据、维普资讯等中国国内重要检索数据库收录，设政治理论、哲学研究、思想政治教育、文学理论、外语研究、语言文字学、经济与管理、法学研究、体育理论、民俗学与区域文化研究等栏目。 《测试技术学报》创刊于1986年，是由“中国兵工学会”与“中北大学”合办，是“中国兵工学会测试技术学会”会刊、中国科技核心期刊。2002年起，《测试技术学报》连年被评为山西省一级期刊。2009年《测试技术学报》获全国高校科技期刊优秀编辑质量奖，设声与超声测量、在线测试、测量仪器、ADC、DAC和数据采集、实验技术与标准、动态测试系统、环境测量、数据压缩、人工智能与神经网络、电磁测量、微波测量、测控技术与总线技术、噪声与振动测量、遥感、遥测与遥控、VXI仪器、无损检测、光电测试、生物测试、量子测试、分析测试、材料测试、软件测试、火炸药测试、传感器技术、微型机械电子系统等栏目。 《Journal of Measurement Science and Instrumentation》（《测试科学与仪器》）创刊于2010年，是国家新闻出版总署批准，由中北大学主办的英文类国际性学术期刊，旨在报道国内外最新测试与仪器技术动态，关注测试与仪器科学技术的热点、难点问题，为从事信息获取与转换研究的科学工作者提供学术观点的展示和交流平台。

中北大学考研资料

链接: 

若资源有问题欢迎追问

经过多年发展，学院形成了4 个稳定的科研方向，研究范围涉及金属材料、高分子材料、无机非金属材料、复合材料。1、镁、铝合金控制塑性成形技术该方向通过对镁、铝合金材料性能和产品形状的精确控制，研究节能降耗、提高性能、降低成本的新方法、新原理及装备，并通过工程化研究，推动科研成果的转化。该方向现拥有国家级”国防精密塑性成形技术研究应用中心”、”镁基材料深加工技术”教育部工程研究中心、”山西省集成精密成形工程技术研究中心”；研究团队为”国防科技创新团队”和”山西省高校优秀创新团队”。团队中有正高职称者7 人，享受政府特贴专家2 人，省高校青年学术带头人2 人，省拔尖创新人才、全国优秀教师、山西省镁合金及镁加工首席专家、总装发展规划专家组成员、国防科工委先进制造专家组成员、《塑性工程学报》编委、全国塑性工程学会常务理事各1 人。近5 年，承担国家自然科学基金重点项目、国家863 等国家级项目8 项，省部级项目21 项，科研经费2680 万元；获省部级科技一等奖3 项，二等奖1 项，三等奖3 项；授权发明专利8 项；发表论文265 篇，其中SCI、EI 收录48 篇；向企业转化新技术15 项，与企业合作30 多项。2、功能复合材料该方向研究新型降解高分子复合材料及成型新技术、新工艺，应用于减振器、电子侦察与反侦察领域的光、电、磁功能纳米复合材料，应用于各种武器、航空航天飞行器的高强轻质树脂基复合材料，陶瓷复合材料高效、快速制备新工艺、新方法。该方向拥有”山西省高分子复合材料工程技术研究中心”。团队中有”新世纪百千万人才工程国家级人选”1 名、享受国务院特殊津贴专家1 名、教育部新世纪优秀人才1 名、”新世纪学术技术带头人333 人才工程”省级人选1 名、省高校青年学术带头人1名、中国产学研合作促进会新材料专业委员会常务理事1 名。该方向承担国防973、国家自然科学基金、教育部新世纪优秀人才支持计划项目各1 项，省部级科研项目30 项，获得科研经费2000 余万元；获山西省科技进步一等奖1 项、二等奖1 项，山西省科技发明二等奖1 项；授权中国发明专利11 项、美国发明专利1 项、欧洲发明专利1 项；在重要期刊发表论文216 篇，其中SCI、EI 收录60 篇，出版专著2 部。3、铝合金铸造新工艺及快速制模技术该方向研究内容涉及铝合金铸造新工艺、激光快速成型等，主要包括电磁低压铸造、铸造过程的计算机模拟、激光快速成型与制模技术，以及大型复杂铝铸件快速集成铸造技术。该方向拥有”山西省铸造新工艺工程技术研究中心”。团队中有教育部新世纪优秀人才1 人、”新世纪学术技术带头人333 人才工程”省级人选1 人、山西省高校青年学术带头人3 人、山西省高校教学名师1 人。该方向承担国家科技支撑项目、国家自然科学基金项目、总装备部瓶颈项目、国防基础科研等项目35 项，总经费1 800 多万元；获部级一等奖1 项、山西省科技进步二等奖3 项、三等奖2项、国防科学技术三等奖1 项；授权发明专利6 项；发表学术论文213篇，其中SCI、EI 收录论文40 篇，出版专著4 部。4、高性能低成本通用高分子材料该方向围绕通用高分子材料的高性能化及应用化，研究高性能低成本相结合的、环境友好的、原料资源多样化的高分子树脂的先进制备和成型加工新技术，突破高性能低成本高分子材料改性的关键技术。该方向拥有”山西省工程塑料工程技术研究中心”。团队承担省级科研项目7 项，获得科研经费215 万元；获山西省科技进步三等奖4 项；授权发明专利4 项；发表学术论文156篇，其中SCI和EI 收录45 篇；出版专著4 部；2 人获”山西省优秀硕士学位论文”；向国内外企业转让技术10 余项。除以上4 个主要研究方向外，材料科学与工程学院在焊接材料及其检测技术、陶瓷成型工艺、碳材料制备等方面也已建立了相应的科研团队。 2006~2011年学院科研成果丰厚，发表论文1 000 余篇，其中被SCI、EI 收录200 余篇，授权发明专利48 项，出版专著10 部，获省部级一等奖5 项、二等奖4 项。

关于视神经网络的学位论文

原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为  最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。  需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。

之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价

基础学位论文

1、利用网络搜集相关资料作为参考；

2、利用图书馆馆藏资源查阅论文相关书籍；

3、借助不同体裁的语料，归纳出结论；

4、使用分析、综合等方法，科学地整理所获得的资料；

5、论文指导老师的指导与帮助；

6、个人的努力、坚持与付出。

论文分类：

学位论文是表明作者从事科学研究取得创造性的结果或有了新的见解，并以此为内容撰写而成、作为提出申请授予相应的学位时评审用的学术论文。

学士论文应能表明作者确已较好地掌握了本门学科的基础理论、专门知识和基本技能，并具有从事科学研究工作或担负专门技术工作的初步能力。

硕士论文应能表明作者确已在本门学科上掌握了坚实的基础理论和系统的专门知识，并对所研究课题有新的见解，有从事科学研究工作或独立担负专门技术工作的能力。

学位论文类型及写作技巧

学位论文

国家标准GB 7713─87对学位论文的定义是:“学位论文是表明作者从事科学研究取得创造性的结果或有了新的见解，并以此为内容撰写而成、作为提出申请授予相应的学位时评审用的学术论文”。学位论文分为学士学位论文、硕士学位论文和博士学位论文三种。

学位论文不同于一般学术论。学位论文为说明作者的知识程度和研究能力,一般都较详细的介绍自己论题的研究历史和现状、研究方法和过程等。而一般学术论文则大多开门见山，直切主题，把论题的背景等以注解或参考文献的方式列出。学位论文中一些具体的计算或实验等过程都较详细，而学术论文只需给出计算或实验的主要过程和结果即可。学位论文比较强调文章的系统性，而学术论文是为公布研究成果，强调文章的学术性和应用价值。

1/学士学位论文

学士学位论文应能表明作者确已较好地掌握了本门学科的基础理论、专门知识和基本技能，并具有从事科学研究工作或担负专门技术工作的初步能力，应能体现作者具有提出问题、分析问题和解决问题的能力。学士论文的篇幅一般为万字。学士学位论文是对选定的论题所涉及的全部资料进行整理、分析、取舍、提高，进而形成自己的论点，做到中心论点明确，论据充实，论证严密。学位论文写作时还可以借鉴前人的研究思路、研究方法，以至重复前人的研究工作，但应具有自己的结论或见解。学士学位论文格式一般按学术论文格式写作。学士论文的`选题可从如下方面考虑：

1. 可选择具有创新意义的研究内容为题(对一些定理、命题给出新的证明、解释;通过实验和调查研究发现一些新的规律和结果。这类选题难度较大)。

2. 可在前人研究的基础上,从发展、提高的角度选题(对已发表的论文或教课书上的一些结论、结果做一些订正、改进、推广、深化和提高等工作)。

3. 采用“移植”方法选题(运用不同学科的理论、研究思想、方法、实验技术去解决另一学科的有关问题)。

4. 进行不同学术观点的讨论作为论文的选题。

5. 用所学知识去解决实际问题作为论文的选题。6. 对有关学科、领域或研究专题等进行综述、评述作为论文选题。

2/硕士学位论文

国务院学位委员会明确要求硕士学位论文：应在导师指导下，研究生本人独立完成，论文具有自己的新见解，有一定的工作量。可见硕士学位论文只要求在某方面有改进、革新，即有新见解。硕士学位论文应能表明作者确已在本学科上掌握了坚实的基础理论和系统的专门知识，并对所研究课题有新的见解，具有从事科学研究工作或独立担负专门技术工作的能力。硕士学位论文的篇幅一般不受限制。但下列内容的论文，不能算有新见解，不能作为硕士学位论文。

1. 只解决实际问题而没有理论分析;

2. 仅用计算机计算,而没有实践证明和没有理论意义;

3. 对于实验工作量比较大,但只探索了实验全过程,做了一个实验总结而未得出肯定的结论;

4. 重复前人的实验或自己设计工作量不大的实验,得出的结论是显而易见的,或者只做过少量几个实验,又没有重复性和再现性,就匆忙提出一些见解和推论的;

5. 资料综述性文章。

3/博士学位论文

博士学位论文应能表明作者确已在本门学科上掌握了坚实宽广的基础理论和系统深入的专门知识，并具有独立从事科学研究工作的能力，在科学和专门技术上做出了创造性的成果。博士学位论文应具有系统性和创造性。博士学位论文应是一本独立的著作，自成体系。有本课题研究历史与现状、预备知识、实验设计与装备、理论分析与计算、经济效益与实例、遗留问题与前景、参考文献与附录等，形成一个体系。博士学位论文的创造性从以下几条来衡量：

1.发现有价值的新现象、新规律、建立新理论。

2.设计实验技术上的新创造、新突破。

3.提出具有一定科学水平的新工艺、新方法，在生产中获得重大经济效益。

4.创造性地运用现有知识、理论，解决前人没有解决的工程关键问题。博士学位论文的结构是书的章节形式，每章节的写作均可按一般学术论文的格式写作。博士学位论文的摘要一般不要超过6000字。美国学者.罗伯特认为博士学位论文应将自己的原始资料(不管是否发表),都收编进去,博士学位论文是对多年研究和所著论文的总结和评论。

4/专题研究论文

专题研究是指对某专项课题的研究。专题研究论文是对其创造性的科学研究成果所作的理论分析和总结。专题研究论文与科技报告和学术论文有所不同。科技报告侧重过程记录;学术论文主要体现创造性成果和理论性、学术性。可以通俗地说，专题研究论文介于二者之间。

学士论文的常见一般格式要求 一、什么是学位论文？ 学位论文是高等院校毕业生用以申请授予相应学位而提出作为考核和评审的文章。学位论文分为学士、硕士、博士三个等级。 1、学士论文： 学士论文是合格的本科毕业生撰写的论文。毕业论文应反映出作者能够准确地掌握大学阶段所学的专业基础知识，基本学会综合运用所学知识进行科学研究的方法，对所研究的题目有一定的心得体会，论文题目的范围不宜过宽，一般选择本学科某一重要问题的一个侧面或一个难点，选择题目还应避免过小、过旧和过长。 2、硕士论文： 硕士论文是攻读硕士学位研究生所撰写的论文。它应能反映出作者广泛而深入地掌握专业基础知识，具有独立进行科研的能力，对所研究的题目有新的独立见解，论文具有一定的深度和较好的科学价值，对本专业学术水平的提高有积极作用。 3、博士论文： 博士论文是攻读博士学位研究生所撰写的论文。它要求作者在博导的指导下，能够自己选择潜在的研究方向，开辟新的研究领域，掌握相当渊博的本学科有关领域的理论知识，具有相当熟练的科学研究能力，对本学科能够提供创造性的见解，论文具有较高的学术价值，对学科的发展具有重要的推动作用。 二、学位论文的总体原则要求是什么？ 1、立论客观，具有独创性： 文章的基本观点必须来自具体材料的分析和研究中，所提出的问题在本专业学科领域内有一定的理论意义或实际意义，并通过独立研究，提出了自己一定的认知和看法。 2、论据翔实，富有确证性： 论文能够做到旁征博引，多方佐证，所用论据自己持何看法，有主证和旁证。论文中所用的材料应做到言必有据，准确可靠，精确无误。 3、论证严密，富有逻辑性： 作者提出问题、分析问题和解决问题，要符合客观事物的发展规律，全篇论文形成一个有机的整体，使判断与推理言之有序，天衣无缝。 4、体式明确，标注规范： 论文必须以论点的形成构成全文的结构格局，以多方论证的内容组成文章丰满的整体，以较深的理论分析辉映全篇。此外，论文的整体结构和标注要求规范得体。 5、语言准确、表达简明： 论文最基本的要求是读者能看懂。因此，要求文章想的清，说的明，想的深，说的`透，做到深入浅出，言简意赅。 三、毕业论文的标准格式是什么？ 1、论文题目：（下附署名）要求准确、简练、醒目、新颖。 2、目录 目录是论文中主要段落的简表。（短篇论文不必列目录） 3、内容提要：是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。 4、关键词或主题词 关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作计算机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。 每篇论文一般选取3-8个词汇作为关键词，另起一行，排在提要的左下方。 主题词是经过规范化的词，在确定主题词时，要对论文进行主题分析，依照标引和组配规则转换成主题词表中的规范词语。（参见《汉语主题词表》和《世界汉语主题词表》）。 5、论文正文： （1）引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义，并指出论文写作的范围。引言要短小精悍、紧扣主题。 （2）论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容： a.提出问题-论点； b.分析问题-论据和论证； c.解决问题-论证方法与步骤； d.结论。 6、参考文献 一篇论文的参考文献是将论文在研究和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献著录规则》进行。 中文：标题--作者--出版物信息（版地、版者、版期）

学位基础论文

撰写学士学位论文的标准和要求

学位申请者为申请学位而提出撰写的学术论文叫学位论文。这种论文是考核申请者能否被授予学位的重要条件。那么什么样的人能申请呢?学位申请者如果能通过规定的课程考试，而论文的审查和答辩合格，那么就给予学位。如果说学位申请者的课程考试通过了，但论文在答辩时被评为不合格，那么就不会授予他学位。我说的再通俗一点：目前学校里通行的一点是什么呢?就是你各门课都要及格，学分已满，这是专业方面的基础知识、专业知识和基本技能的考察。现在一个很硬的一个指标是什么呢?一个很硬的指标就是英语。倘若你本科生的英语没有过四级，那么你就不属于能够申请学问的人。我再重复一遍，有两种情况是不能申请学位的：一种情况就是你的外语四级没有过，你的专业课都过了，但惟独你的外语没有过，那你就没有资格申请学位;第二种情况是，四级英语是过了，但是你在学科当中有重要的课程即使补考也没有及格，那么也没有申请学位的资格。说的更清楚一点，凡是有资格申请学位的本科生，第一是要把学校规定四年内要修满的学分都修满，第二是外语四级及格，那么你就可以申请学位。

那么当你有资格申请学位并为申请学位所写的那篇毕业论文就称为学位论文，学士学位论文。

学士学位论文既是学位论文又是毕业论文。如果外语四级没过，但你的各门课的学分都拿满了，可以毕业，所写的论文就只是毕业论文，而没有学位。同样的道理也是这样，硕士生的各门课修满，英语过了六级，就可以有资格申请硕士学位，所写的毕业论文就是硕士学位论文，同时也是毕业论文。在硕士二年级开题的时候，如果学分不够，外语没过都不容许开题。不容许开题也就不容许继续深造，就应该被淘汰。硕士能够读到三年级，毕业的时候，学分修满，外语也通过了，开题也通过了，这样才有资格撰写硕士学位论文。同样的，博士也是一样的。所以，学位论文和毕业论文对有些人来说是一码事，一篇论文可以有两个含义，既毕业了也有了学位;可是对有些人来说，毕业了，但没有学位。

第一，撰写学士学位论文的标准和要求。

那么对于学士学位论文的标准、要求，我将做一个比较具体的讲解。首先，我们讲一下学士学位论文。学士学位论文应该是什么样的要求?这篇论文应该反映出作者扎实的专业基础知识，具有一定的独立研究科学能力，对所研究的论题有自己独到的见解，论文有一定的学术价值。展开来说，要有扎实的专业基础知识：如果基础知识比较浮，论文肯定写不好。这是写好毕业论文的一个前提;独立的科学研究能力：不是说天下文章一大抄，我选了一个作家，他的参考资料很多，我拼一篇论文出来就行。

这样论文就肯定通过不了。作为毕业论文来说，一定要有自己的独到的见解，决不能人云亦云。就算是你的观点跟别人的相同，也要换一个角度，有自己的论述过程。所以说，有独立的科学研究的能力指的是多方面的，一个是选题，通过选题能看出来你的能力;第二，如果你的选题跟别人一样，比如大家都在研究沈从文的湘西文学，但是大家有各自不同的看法，或者退一步讲对他的看法评价都一样：从湘西文学角度上讲沈从文是独树一帜的`，没有人能超过他。评价是一致的，但各人有各人的切入点。不同的切入点也是学生独立科研能力的表现。切入点不同，那么在阐述的过程中就会在某些地方表现出自己独到的见解。所以我们都把科研能力框在“一定”的范围，因为你们是本科生，跟硕士生、博士生不一样。

这是从学士也就是你们本科生的角度说的。

第二，撰写硕士学位论文的标准和要求。

撰写硕士论文的标准和要求是，应该反映论者广泛而深入的基础知识，刚才我说的是扎实的专业基础知识，这里是广泛而深入的基础知识以及相关领域的理论知识。这里就扩展了。对于本科生说，我们只是要求有扎实的基础知识，而对于硕士生来说，是广泛而深入的基础知识以及相关领域的理论知识。因为我们有很多交叉学科，有些研究我们必须跨出自己的领域，有相关的理论知识。比如说研究中文的作家、作品，必须要有哲学、社会学、心理学的知识，否则你的论文就不会有深度和广度。具有独立的进行科学研究的能力，本科生来说是“一定的科学研究的能力”，但是对于硕士生是必须有独立的科学研究的能力。当然这种独立还是离不开导师的指导。对所研究的论题必须有独到的见解。就是说，对所有的论题必须有独到的见解。刚才谈到了硕士论文，跟学士学问论文做了比较，那么作为硕士学位论文当中还能让评委看到它比较好的科学价值。

第三，撰写博士论文的标准和要求。

作为博士论文，这篇论文应该反映论者能够掌握专业领域和相关领域的专业知识，它突出的不是广泛而是渊博二字。去年北大校长在校长论坛中谈到，国外的博士，一般情况下，每个博士差不多有五到六位导师，导师的以一门学科为主，相互交叉，因此，这是名副其实的博士，知识是渊博的，不但是在专业的领域是渊博的，而且在相关领域的知识也是渊博的。那么在国内这种情况就欠缺一点，一个导师带五、六个甚至十几个博士，在国外是五、六个老师带一个博士，不同学科的老师共同去带一个博士。我们大致了解一下国外的情况就行，就是要在专业领域和相关领域有渊博的知识，这是第一。第二，要有熟练的科研能力，在本专业要有创见性和独到的见解。创见和独到的区别是，独到就是凭着你自己的专业知识的基础，有自己的一些看法。创见就是在这个领域里，别人都没有涉及到，但你能考虑到，而且确实在本领域里面有贡献。所以论文有很高的学术价值。这是我谈的第三个概念，谈到论文有学士论文，硕士论文和博士论文，这三种论文的大致的状况，他们的大致标准是什么。

学位论文书写的一般格式

导语：学位论文书写的一般格式是怎样的呢?论文格式是对于论文写作的一种标准化设置与要求。下面是我分享的学位论文书写的一般格式，欢迎阅读!

一、学位论文书写的一般格式

硕士学位论文或博士学位论文，一般应包括下述几部分：

1. 题目：应能概括整个论文最重要的内容，要求简明、恰当、引人注目，一般不宜超过20个汉字。

2. 中文摘要：应说明本论文的目的、研究方法、成果和结论。要突出本论文的创造性成果或新见解。语言力求精炼、准确。在中文摘要的下方另起一行，注明本论文的关键词(3～5个)。

3. 英文摘要：内容与中文摘要相对应。

4. 目录：既是论文的提纲，也是论文组成部分的小标题。

5. 绪论(引言)：内容为本研究领域的国内外现状，本论文所要解决的问题，该研究工作在经济建设、科技进步和社会发展等某方面的实用价值与理论意义。

6. 正文：学位论文的主体。(学科专业不同、论文的选题不同，可以有不同的写作方式。)

7. 结论：要求明确、精炼、完整、准确地总结出自己创造性成果或新见解。(应严格区分本人的研究成果与导师或其他人的科研成果的界限)。

8. 参考文献：按学位论文中所引用文献的顺序，列于文末。

9. 附录(只限必要时采用)：包括放在正文内过分冗长的公式推导、以备他人阅读方便所需的辅助性数学工具、重复性的数据图表、论文使用的符号意义、单位缩写、程序全文及有关说明等。

二、学位论文的书写、排版打印和装订格式要求

1. 东北大学硕士学位论文、博士学位论文，要用规范的汉字书写或打印。封面用我校统一印制的“东北大学硕士研究生学位论文”、“东北大学博士研究生学位论文”的封面。封面上各栏目必须认真、正确地填写，封面上导师的署名，一律以批准为本人的导师为准。如有变动，应正式提出报告，经批准后方可变动。

2. 论文字迹和标点符号要求清楚、工整、正确。手工书写时一律用炭素墨水或蓝黑墨水钢笔。凡层次不清、错别字较多、语句欠通顺、字迹潦草者，应予返工。

3. 论文中图表、附注、参考文献、公式一律采用阿拉伯数字连续(或分章)编号。图序及图名置于图的下方;表序及表名置于表的上方;论文中的公式编号，用括弧括起写在右边行末，其间不加虚线。

4. 学位论文电子排版打印格式要求。为规范学位论文的电子排版格式，东北大学制订了《硕士、博士学位论文排版打印格式》(见附件)。研究生应严格按照《东北大学硕士、博士学位论文排版打印格式》的要求对学位论文进行排版、打印。

5. 学位论文一律在左侧装订，要求装订、剪切整齐，便于使用。

三、学位论文归档提交要求

1. 归档的学位论文应该是针对评阅专家和答辩委员会提出的意见修改之后的最终稿，要求格式规范、版面整洁。

2. 硕士学位论文纸质归档：校图书馆情报室1本、研究生院1本(转交北京情报研究所)和学院(所、中心)资料室1本。电子版硕士学位论文分别通过网络提交校档案馆和图书馆。

博士学位论文纸质版归档：校档案馆1本、校图书馆情报室1本、研究生院2本(分别转交国家图书馆和北京情报研究所)和学院(所、中心)资料室1本。电子版博士学位论文通过网络提交校图书馆。

3. 涉及保密的学位论文按照校保密委员会有关规定办理。

四、其它

学位论文正式装订前打印或复印的册数应参考有关评阅、答辩的专家人数等予以确定。

知识扩展：本科学位论文格式规范

一、学位论文标题名

标题名是以最恰当、最简明的词语反映论文中最重要的特定内容的逻辑组合。标题名既要准确地描述内容，又要尽可能简短，一般不宜超过20个字。标题名应该避免使用不常见的缩略词、字符、代号和公式等。外文标题名一般不宜超过10个实词。

二、学位论文序或前言(必要时)

序或前言并非必要。序或前言一般是作者对学位论文基本特征的简介，如说明选题的缘起、背景、主旨、目的、意义，以及资助、支持、协作经过等;也可以评述和对相关问题研究阐发。这些内容也可以在正文引言中和致谢中陈述。

三、学位论文摘要和关键词

摘要是学位论文极为重要、不可缺少的组成部分，它是论文的窗口，频繁用于国内外资料交流、情报检索、二次文献编辑等。其性质和要求一般为：

1.摘要是论文要点的摘录，是论文要点不加注释和评论的一篇完整的陈述性短文，具有自含性和独立性，能独立于论文使用和被引用。

2.摘要应含有学位论文全文的主要信息，硕士学位论文摘要应突出新见解或创新性，博士学位论文摘要应突出创造性成果。

3.摘要的内容应包含以下基本要素：

(1)目的——研究、研制、调查等的前提、目的和任务以及所涉及的主题范围。

(2)方法——所用原理、理论、条件、对象、手段、程序等。

(3)结果——研究的、调查的、实验的、观察的结果、数据，被确定的关系，得到的效果、性能等。

(4)结论——结果的分析、研究、比较、评价、应用;提出的问题，今后的课题，建议，预测等。

(5)其他——不属于研究、研制、调查的主要目的，但就其结论和情报价值而言也很重要的信息。

4.摘要的详略视论文的内容、性质而定，硕士学位论文摘要一般为1500汉字左右，博士学位论文摘要一般为5000汉字左右。

5.摘要中一般不用图、表、化学结构式、计算机程序，不用非通用的符号、术语和非法定的计量单位。

6.关键词应有3至5个，另起一行置于摘要下方。涉及的内容、领域从大到小排列，便于文献编目与查询。

7.应有与中文摘要和关键词相对应的英文摘要和关键词。英语摘要应用词准确，使用本学科通用的.词汇;摘要中主语(作用)常常省略，因而一般使用被动语态;应使用正确的时态，并要注意主、谓语的一致，必要的冠词不能省略。

四、学位论文正文

正文前的引言或绪论应对相关领域前人的研究工作进行文献综述，简要说明研究工作的目的与范围，研究设想，实验设计的预期结果和意义等。

文献综述是对现有研究成果、理论基础的分析和综合，并要指出相关的知识缺陷和知识空白。文献综述必须有一定的篇幅(硕士学位论文要求不少于1000字，博士学位论文要求不少于3000字)。

正文是核心部分，占主要篇幅，可以包括：研究对象、研究方法、实验和观测方法、实验和观测结果、计算方法和编程原理、数据资料、经过加工整理的图表、形成的论点和导出的结论等。各章节标题应大致对称，内容之间有严密的逻辑论证关系，各部分篇幅长短不宜悬殊太大，章节标题也不宜太长。

由于研究工作涉及的学科、选题、研究方法、工作进程、结果表达方式等有很大的差异，对正文内容不作统一的规定。但是，必须资料详实，方法得当，合乎逻辑，层次分明，简练可读。

五、学位论文结论

经过对研究对象(或实验记录和实验结果等)的综合分析研究，归纳出若干有机联系的结论，并对本研究成果的意义、推广应用的现实性或可能性和进一步的发展等加以探讨和论述。结论应该准确、完整、明确、精练。

六、学位论文致谢

对在完成课题研究和论文写作过程中给予指导和帮助的导师、校内外专家、实验技术人员、同学、课题资助者等表示感谢。内容应简洁明了、实事求是。

七、学位论文参考文献

按文中出现顺序列出直接引用的主要参考文献，先列出中文文献，再列出外文文献。列于参考文献表的文献类型包括图书、期刊、会议论文集、专利和学位论文等。其著录格式分别如下：

1. 图书： [顺序编号] 作者(3人以内全部写上，3人以上只写3人再加“等”或“et al”).书名.版本(第×版).译者.出版地：出版者，出版年. 起页～止页

2. 期刊：[顺序编号] 作者(3人以内全部写上，3人以上只写3人再加“等”或“et al”).文章名称.期刊名称，年号，卷号(期号)：起页～止页

3. 会议论文集：[顺序编号] 作者(3人以内全部写上，3人以上只写3人再加“等”或“et al”).文章名称.in(见):整本文集的编者姓名ed.(多编者用eds.).文集名.会址.开会年.出版地：出版者，出版年. 起页～止页

4. 专利：[顺序编号] 专利申请者.专利题名.专利国别，专利文献种类，专利号，出版年. 起页～止页

5. 学位论文：[顺序编号] 作者.题名：[博士或硕士学位论文]。保存地点：保存单位(如江西财经大学图书馆)，年份.

八、学位论文附录(必要时)

附录是正文主体的补充说明。下列内容可以作为附录编排于学位论文中：

(1)为整篇材料的完整所必需，但插入正文又有损于编排的条理性和逻辑性的材料;

(2)由于篇幅过大，或取材于复制件不便编入正文的材料或珍贵罕见的材料;

(3)对一般读者并非必要阅读，但对本专业同行有参考价值的材料。

神经网络论文

原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为  最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。  需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。

你不翻译了？？？

神经网络的是我的毕业论文的一部分4．人工神经网络人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络学习的原理人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。人工神经网络的优缺点人工神经网络由于模拟了大脑神经元的组织方式而具有了人脑功能的一些基本特征，为人工智能的研究开辟了新的途径，神经网络具有的优点在于:（1）并行分布性处理因为人工神经网络中的神经元排列并不是杂乱无章的，往往是分层或以一种有规律的序列排列，信号可以同时到达一批神经元的输入端，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元，则整个系统可以是一个分布式计算系统，这样就避免了以往的“匹配冲突”，“组合爆炸”和“无穷递归”等题，推理速度快。（2）可学习性一个相对很小的人工神经网络可存储大量的专家知识，并且能根据学习算法，或者利用样本指导系统来模拟现实环境(称为有教师学习)，或者对输入进行自适应学习(称为无教师学习)，不断地自动学习，完善知识的存储。（3）鲁棒性和容错性由于采用大量的神经元及其相互连接，具有联想记忆与联想映射能力，可以增强专家系统的容错能力，人工神经网络中少量的神经元发生失效或错误，不会对系统整体功能带来严重的影响。而且克服了传统专家系统中存在的“知识窄台阶”问题。（4）泛化能力人工神经网络是一类大规模的非线形系统，这就提供了系统自组织和协同的潜力。它能充分逼近复杂的非线形关系。当输入发生较小变化，其输出能够与原输入产生的输出保持相当小的差距。（5）具有统一的内部知识表示形式，任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，便于知识库的组织管理，通用性强。虽然人工神经网络有很多优点，但基于其固有的内在机理，人工神经网络也不可避免的存在自己的弱点:（1）最严重的问题是没能力来解释自己的推理过程和推理依据。（2）神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）神经网络把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）神经网络的理论和学习算法还有待于进一步完善和提高。神经网络的发展趋势及在柴油机故障诊断中的可行性神经网络为现代复杂大系统的状态监测和故障诊断提供了全新的理论方法和技术实现手段。神经网络专家系统是一类新的知识表达体系，与传统专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量的简单处理元件(结点) 之间的相互作用而进行的。由于它的分布式信息保持方式，为专家系统知识的获取与表达以及推理提供了全新的方式。它将逻辑推理与数值运算相结合，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能，解决诊断系统中的不确定性知识表示、获取和并行推理等问题。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂的计算的推理过程。但是，该技术是一个多学科知识交叉应用的领域，是一个不十分成熟的学科。一方面，装备的故障相当复杂;另一方面，人工神经网络本身尚有诸多不足之处:（1）受限于脑科学的已有研究成果。由于生理实验的困难性，目前对于人脑思维与记忆机制的认识还很肤浅。（2）尚未建立起完整成熟的理论体系。目前已提出了众多的人工神经网络模型，归纳起来，这些模型一般都是一个由结点及其互连构成的有向拓扑网，结点间互连强度所构成的矩阵，可通过某种学习策略建立起来。但仅这一共性，不足以构成一个完整的体系。这些学习策略大多是各行其是而无法统一于一个完整的框架之中。（3）带有浓厚的策略色彩。这是在没有统一的基础理论支持下，为解决某些应用，而诱发出的自然结果。（4）与传统计算技术的接口不成熟。人工神经网络技术决不能全面替代传统计算技术，而只能在某些方面与之互补，从而需要进一步解决与传统计算技术的接口问题，才能获得自身的发展。虽然人工神经网络目前存在诸多不足，但是神经网络和传统专家系统相结合的智能故障诊断技术仍将是以后研究与应用的热点。它最大限度地发挥两者的优势。神经网络擅长数值计算，适合进行浅层次的经验推理;专家系统的特点是符号推理，适合进行深层次的逻辑推理。智能系统以并行工作方式运行，既扩大了状态监测和故障诊断的范围，又可满足状态监测和故障诊断的实时性要求。既强调符号推理，又注重数值计算，因此能适应当前故障诊断系统的基本特征和发展趋势。随着人工神经网络的不断发展与完善，它将在智能故障诊断中得到广泛的应用。根据神经网络上述的各类优缺点，目前有将神经网络与传统的专家系统结合起来的研究倾向，建造所谓的神经网络专家系统。理论分析与使用实践表明，神经网络专家系统较好地结合了两者的优点而得到更广泛的研究和应用。离心式制冷压缩机的构造和工作原理与离心式鼓风机极为相似。但它的工作原理与活塞式压缩机有根本的区别，它不是利用汽缸容积减小的方式来提高汽体的压力，而是依靠动能的变化来提高汽体压力。离心式压缩机具有带叶片的工作轮，当工作轮转动时，叶片就带动汽体运动或者使汽体得到动能，然后使部分动能转化为压力能从而提高汽体的压力。这种压缩机由于它工作时不断地将制冷剂蒸汽吸入，又不断地沿半径方向被甩出去，所以称这种型式的压缩机为离心式压缩机。其中根据压缩机中安装的工作轮数量的多少，分为单级式和多级式。如果只有一个工作轮，就称为单级离心式压缩机，如果是由几个工作轮串联而组成，就称为多级离心式压缩机。在空调中，由于压力增高较少，所以一般都是采用单级，其它方面所用的离心式制冷压缩机大都是多级的。单级离心式制冷压缩机的构造主要由工作轮、扩压器和蜗壳等所组成。 压缩机工作时制冷剂蒸汽由吸汽口轴向进入吸汽室，并在吸汽室的导流作用引导由蒸发器(或中间冷却器)来的制冷剂蒸汽均匀地进入高速旋转的工作轮3(工作轮也称叶轮，它是离心式制冷压缩机的重要部件，因为只有通过工作轮才能将能量传给汽体)。汽体在叶片作用下，一边跟着工作轮作高速旋转，一边由于受离心力的作用，在叶片槽道中作扩压流动，从而使汽体的压力和速度都得到提高。由工作轮出来的汽体再进入截面积逐渐扩大的扩压器4(因为汽体从工作轮流出时具有较高的流速，扩压器便把动能部分地转化为压力能，从而提高汽体的压力)。汽体流过扩压器时速度减小，而压力则进一步提高。经扩压器后汽体汇集到蜗壳中，再经排气口引导至中间冷却器或冷凝器中。 二、离心式制冷压缩机的特点与特性 离心式制冷压缩机与活塞式制冷压缩机相比较，具有下列优点： (1)单机制冷量大，在制冷量相同时它的体积小，占地面积少，重量较活塞式轻5～8倍。 (2)由于它没有汽阀活塞环等易损部件，又没有曲柄连杆机构，因而工作可靠、运转平稳、噪音小、操作简单、维护费用低。 (3)工作轮和机壳之间没有摩擦，无需润滑。故制冷剂蒸汽与润滑油不接触，从而提高了蒸发器和冷凝器的传热性能。 (4)能经济方便的调节制冷量且调节的范围较大。 (5)对制冷剂的适应性差，一台结构一定的离心式制冷压缩机只能适应一种制冷剂。 (6)由于适宜采用分子量比较大的制冷剂，故只适用于大制冷量，一般都在25～30万大卡／时以上。如制冷量太少，则要求流量小，流道窄，从而使流动阻力大，效率低。但近年来经过不断改进，用于空调的离心式制冷压缩机，单机制冷量可以小到10万大卡／时左右。 制冷与冷凝温度、蒸发温度的关系。 由物理学可知，回转体的动量矩的变化等于外力矩，则 T=m(C2UR2-C1UR1) 两边都乘以角速度ω，得 Tω=m(C2UωR2-C1UωR1) 也就是说主轴上的外加功率N为： N=m(U2C2U-U1C1U) 上式两边同除以m则得叶轮给予单位质量制冷剂蒸汽的功即叶轮的理论能量头。 U2 C2 ω2 C2U R1 R2 ω1 C1 U1 C2r β 离心式制冷压缩机的特性是指理论能量头与流量之间变化关系，也可以表示成制冷 W=U2C2U-U1C1U≈U2C2U （因为进口C1U≈0） 又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2) 故有 W= U22(1- Vυ1 ctgβ) A2υ2U2 式中：V—叶轮吸入蒸汽的容积流量（m3/s） υ1υ2 ——分别为叶轮入口和出口处的蒸汽比容（m3/kg） A2、U2—叶轮外缘出口面积(m2)与圆周速度(m/s) β—叶片安装角 由上式可见，理论能量头W与压缩机结构、转速、冷凝温度、蒸发温度及叶轮吸入蒸汽容积流量有关。对于结构一定、转速一定的压缩机来说，U2、A2、β皆为常量，则理论能量头W仅与流量V、蒸发温度、冷凝温度有关。 按照离心式制冷压缩机的特性，宜采用分子量比较大的制冷剂，目前离心式制冷机所用的制冷剂有F—11、F—12、F—22、F—113和F—114等。我国目前在空调用离心式压缩机中应用得最广泛的是F—11和F—12，且通常是在蒸发温度不太低和大制冷量的情况下，选用离心式制冷压缩机。此外，在石油化学工业中离心式的制冷压缩机则采用丙烯、乙烯作为制冷剂，只有制冷量特别大的离心式压缩机才用氨作为制冷剂。 三、离心式制冷压缩机的调节 离心式制冷压缩机和其它制冷设备共同构成一个能量供给与消耗的统一系统。制冷机组在运行时，只有当通过压缩机的制冷剂的流量与通过设备的流量相等时，以及压缩机所产生的能量头与制冷设备的阻力相适应时，制冷系统的工况才能保持稳定。但是制冷机的负荷总是随外界条件与用户对冷量的使用情况而变化的，因此为了适应用户对冷负荷变化的需要和安全经济运行，就需要根据外界的变化对制冷机组进行调节，离心式制冷机组制冷量的调节有：1°改变压缩机的转速；2°采用可转动的进口导叶；3°改变冷凝器的进水量；4°进汽节流等几种方式，其中最常用的是转动进口导叶调节和进汽节流两种调节方法。所谓转动进口导叶调节，就是转动压缩机进口处的导流叶片以使进入到叶轮去的汽体产生旋绕，从而使工作轮加给汽体的动能发生变化来调节制冷量。所谓进汽节流调节，就是在压缩机前的进汽管道上安装一个调节阀，如要改变压缩机的工况时，就调节阀门的大小，通过节流使压缩机进口的压力降低，从而实现调节制冷量。离心式压缩机制冷量的调节最经济有效的方法就是改变进口导叶角度，以改变蒸汽进入叶轮的速度方向(C1U)和流量V。但流量V必须控制在稳定工作范围内，以免效率下降。