线性论文文献

线性论文文献

测绘工程论文参考文献

参考文献的著录格式是否规范反映作者论文写作经验和治学态度，下同时也是论文的重要构成部分，也是学术研究过程之中对于所涉及到的所有文献资料的总结与概括。以下是我精心整理的测绘工程论文参考文献，欢迎大家借鉴与参考，希望对大家有所帮助。

[1]于武盛，王守杰，吕锦有等.辽宁省地表水资源分布及成因分析[J].农业科技与装.(2):25-29

[2]李智慧，姜延辉，郁凌峰.辽宁省水资源时空分布特点及对策[J].东北水利水电.2011(11):30-34

[3]赵秀风，弓丨水隧洞洞内消能问题的研究[D]:(硕士学位论文).郑州：华北水电学院，2006.

[4]袁丹青，陈向阳,白滨等.水力机械空化空蚀问题的研究进展[J]#灌机械,(27)：269-272

[5]肖富仁，苏玮，消能工的发展及其在工程中旳应用[J].水电站设计，(1):63-69.

[6]李超，管道内部锥阀水流水力特性及消能研究[D]:(硕士学位论文).西安：西安理工大学，2008.

[7]王才欢，肖兴斌，底流消能设计研究与应用现状述评[J].四川水力发电,(1):79-85.

[8]张慧丽,王爱华,张力春,底流消能及其在工程上的应用[J].黑龙江水利科技.

[9]方神光，吴保生，南水北调中线干渠闸前变水位运行方式探讨[J].水动力学研究与进展，.

[10]李冰，变水头无压输水隧洞洞内消能和稳定输水研究[D]：(硕士学位论文).郑州.华北水电学院，.

[11]武汉水利电力学院水力学教研室.水力计算手册[M].水利出版社，1980.

[12]SL20~92.水工建筑物测流规范[S].中国：水利电力出版社，1992.

[13]赵昕，赵明登等，水力学[M],北京：中国电力出版社，2009.

[14]刘亚坤等.水力学[M],北京：中国水利水电出版社，2008.

[15]李桂芬.水工水力学研究进展与展望[J].中国水利水电科学研究院学报，(3)：183-189

[16]左东启等.模型试验的理论和方法[M],北京：水利电力出版社，1988.

[17]SL155—95.水工(常规)模型试验规程[S].中国：水利水电出版社，1995.

[18]中国水利水电科学研究院，水工(专题)模型试验规范(SL156~165-95)[M],水利水电出版社.

[19]电力部水利部水利水电规划设计总院、华北水利水电学院北京研究生部陈肇和等人翻译，泄水建筑物水力计算手册[M],.

[20]刘士和.高速水流[M].北京：科学出版社，2005.

[21]水利水电科学研究院，南京水利科学研究院编，水工模型试验(第二版)[D],水利出版社，1985.

[1]黄杏元，马劲松，汤勤.地理信息系统概论[M].修订版.北京：高等教育出版社，1990：165-171.

[2]《第二次全国土地调查技术规程》，TD/T1014-2007.北京，中华人民共和国国土资源部，2007.

[3]陈泽民.中国矢量数据交换格式的应用研究[J].武汉大学学报信息科学版，2004，29(5)：451-455.

[4]吴文新，史文中.地理信息系统原理与算法[M].北京：科学出版社，2003，28-29.

[5]Kang-tsungChang著，陈建飞等译.地理信息系统导论[M].北京：科学出版社，2003，43-44.

[6]唐原彬，张丰，刘仁义.一种维护线状地物基本单元属性逻辑一致性的平差方法[J].武汉大学学报信息科学版，2011，36(7)：853-856.

[7]黄杏元，汤勤.地理信息系统概论[M].北京：高等教育出版社，1990：130-133.

[8]陈先伟，郭仁忠，闫浩文.土地利用数据库综合中图斑拓扑关系的创建和一致性维护[J].武汉大学报信息科学版，2005，30(4)：370-373.

[9]毋河海.关于GIS中缓冲区的建立问题[J].武汉测绘科技大学学报[J].1997，22(4)：358-364.

[10]张国辉，胡闻达，李慧智.基于GDI+的缓冲区建立及边界描述方法[J].测绘科学技术学报，2010，27(3)：292-232.

[11]冯花平，连文娟，卢新明.求缓冲区算法[J].山东大学学报自然科学版，2005，24(3)：57-59.

[12]张欣，陈国雄，钟耳顺.优化栅格细化算法的`线状地物提取[J].地球信息科学，2007，9(3)：25-27.

[13]潘瑜春，钟耳顺，刘巧芹.土地资源数据库中线状地物面积扣除技术研究[J].资源科学，2001，24(6):12-17.

[14]唐原彬，张丰，刘仁义.一种维护线状地物基本单元属性逻辑一致性的平差方法[J].武汉大学学报·信息科学版，2011，36(7):853-856.

[15]尹为华，刘盛庆.ARCGIS在地类面积统计中的应用[J].科技资讯，2012:29.

[16]刘洪江，曹玉香.基于ArcGIS实现地类图斑净面积的计算[J].城市勘测，2012(10)114-116.

[17]边馥苓.地理信息系统原理和方法[M].北京:测绘出版社，1996.

[18]任娜，张道军.基于空间推理及语义的图斑扣除线状地物面积关键算法及其在土地调查建库中的应用[J].安徽农业科学，39(35):22013-22016.

[19]计长飞.土地利用现状图的矢量化方法研究[J].测绘与空间地理信息，2011，34(4):159-163.

[20]马欣，吴绍洪，康相武.线状地物的区域影响模型及其在综合评价中的应用[J].地理科学进展，2007，26(1):87-94.

[1]韩绍伟.GPS组合观测值理论及应用.测绘学报，1995，21(2)：8-13.

[2]常青等.GPS载波相位组合观测值理论研究.航空学报，1998，5(19)：614-616.

[3]王泽民，柳景斌.Galileo卫星定位系统相位组合观测值的模型研究[J].武汉大学学报(信息科学版)，2003，28(6)：723-727.

[4]申俊飞，何海波，郭海荣，王爱兵.三频观测量线性组合在北斗导航中的应用[J].全球定位系统，2012，37(6)：690-695.

[5]中国卫星导航系统管理办公室.北斗卫星导航系统发展报告(版)[R].2013，12：3-6.

[6]邢喆，王泽明，伍岳.利用模糊聚类方法筛选GPS载波相位组合观测值[J].武汉大学学报(信息科学版)，2006，31(1)：23-26.

[7]黄令勇，宋力杰，刘先冬.基于自适应聚类算法的GPS三频载波相位组合观测值优化选取[J].大地测量与地球动力学，2011，31(4)：99-102.

[8]高新波.模糊聚类分析及其应用[M].西安：西安电子科技大学出版社，2003.

[9]李征航，黄劲松.GPS测量与数据处理[M].武汉大学出版社，2008.

[10]熊伟，伍岳，孙振冰，王泽民.多频数据组合在周跳探测和修复上的应用[J].武汉大学学报(信息科学版)，2007，32(4)：319-322.

[11]伍岳.第二代导航卫星系统多频数据处理理论及应用[D].武汉大学，2005.

[12]楼晓俊，李隽颖，刘海涛.距离修正的模糊C均值聚类算法[J].计算机应用，2012，32(3)：646-648.

[13]徐军，陶庭叶，高飞.GLONASS三种载波频率组合值研究[J].大地测量与地球动力学，2013，33(1)：86-89.

[14]陶庭叶，高飞，李晓莉.一种高精度GPS卫星钟差预报方法[J].中国空间科学技术，2013-4：56-61.

[15]何伟，陶庭叶，王志平.基于改进FCM的北斗三频组合观测值选取[J].中国空间科学技术(已录用).

[16]何伟，李明，阚起源.抗差加权非等时距GM(1,1)模型在大型建筑物沉降预测中的应用[J].测绘工程，2014-3，34-37.

[17]徐军，陶庭叶，高飞，张京奎.基于GLONASS三频组合观测值的周跳探测与修复[J].大地测量与地球动力学，2013，33(6)：45-49.

[18]罗腾，白征东，过静珺.两种周跳探测方法在北斗三频中的应用比较研究[J].测绘通报，2011(4)：1-3.

[19]范建军，王飞雪，郭桂蓉.GPS三频非差观测数据周跳的自动探测与改正研究[J].测绘科学，2006，31(5)：24-26.

[20]刘旭春，伍岳，黄学斌等.多频组合数据在原始载波观测值预处理中的应用[J].测绘通报，2007(2)：14-17.

[21]梁开龙，张玉册.现代化GPS信号的宽巷组合及其求解模糊度研究.测绘通报，2002年第4期：l-3

[22]张成军，许其凤，李作虎.对伪距/相位组合量探测与修复周跳算法的改进[J].测绘学报，2009，38(4)：402-407.

[23]刘旭春，伍岳，张正禄.GPS三频数据在周跳和粗差探测与修复中的应用[J].煤炭学报，2006，31(5)：334-339.

[24]王帅，高井祥.利用三频组合观测值进行GPS周跳探测与修复[J].测绘科学，2012，37(5)：40-42.

问题一：多元线性回归分析论文中的回归模型怎么分析 根据R方最大的那个来处理。（南心网 SPSS多元线性回归分析） 问题二：谁能给我列一下多元线性回归分析的步骤，这里正在写论文，第一部分是研究方法，多谢 10分 选题是论文写作关键的第一步，直接关系论文的质量。常言说：“题好文一半”。对于临床护理人员来说，选择论文题目要注意以下几点：（1）要结合学习与工作实际，根据自己所熟悉的专业和研究兴趣，适当选择有理论和实践意义的课题；（2）论文写作选题宜小不宜大，只要在学术的某一领域或某一点上，有自己的一得之见，或成功的经验．或失败的教训，或新的观点和认识，言之有物，读之有益，就可以作为选题；（3）论文写作选题时要查看文献资料，既可了解别人对这个问题的研究达到什么程度，也可以借鉴人家对这个问题的研究成果。 需要指出，论文写作选题与论文的标题既有关系又不是一回事。标题是在选题基础上拟定的，是选题的高度概括，但选题及写作不应受标题的限制，有时在写作过程中，选题未变，标题却几经修改变动。 问题三：用SPSS做多元线性回归，之后得到一些属于表格，该怎样分析这些数据？ 200分 你的分析结果没能通过T检验，这可能是回归假设不满足导致的，需要进一步对数据进行验证，有问题可以私信我。 问题四：过于多元线性回归分析，SPSS操作 典型的多重共线。 多元回归分析中，一定要先进行多重共线检验，如VIF法。 对于存在多重共线的模型，一个办法是逐步回归，如你做的，但结果的删除变量太多，所以，这种方法效果不好。 此外，还有其它办法，如岭回归，主成分回归，这些方法都保留原始变量。 问题五：硕士毕业论文中做多元线性回归的实证分析，该怎么做 多元线性，回归，的实证分析 问题六：用SPSS做多元回归分析得出的指标结果怎么分析啊？ 表一的r值是复相关系数，r方是决定系数，r方表示你的模型可以解释百分之多少的你的因变量，比如你的例子里就是可以解释你的因变量的百分之八十。很高了。表二的sig是指你的回归可不可信，你的sig是0。000，说明在的水平上你的模型显著回归，方程具有统计学意义。表三的sig值表示各个变量在方程中是否和因变量有线性关系，sig越大，统计意义越不显著，你的都小于，从回归意义上说，你这个模型还蛮好的。vif是检验多重共线性的，你的vif有一点大，说明多重共线性比较明显，可以用岭回归或者主成分回归消除共线性。你要是愿意改小，应该也没关系。 ppv课，大数据培训专家，随时随地为你充电，来ppv看看学习视频，助你成就职场之路。更有精品学习心得和你分享哦。 问题七：如何对数据进行多元线性回归分析？ 5分 对数据进行多元线性回归分析方法有很多，除了用pss ，可以用Excel的数据分析模块，也可以用Matlab的用regress（）函数拟合。你可以把数据发到我的企鹅邮箱，邮箱名为百度名。 问题八：经济类论文 多元线性回归 变量取对数 40分 文 多元线性回归 变量取对数 知道更多 多了解

非线性编辑参考文献

1、通过Word确定论文的引用部分，直接在引用那里点击插入尾注。

2、下一步等点击鼠标右键以后，需要选择脚注和尾注。

3、这个时候如果没问题，就根据实际情况勾选方括号样式和确定起始编号。

4、这样一来会出现相应的标注结果，完成内容编辑即可给自己的论文添加参考文献了。

稍稍一等啊！作者；书名/文章标题；出版社/报刊名；出版年月/报刊年份、期号1.是渊红；数字影视后期合成技术及其应用；《电视技术》；2002年8期2.曹承进；试论数字化影视后期技术应用前景；《教师》；2014年20期3.何祥瑜；数码影视后期技术展望浅谈；《影像技术》；2013年1期4.殷琳琳，张晓利；论影视后期特效的运用及发展；《黑龙江科技信息》2010年28期5.黎泉，刘云花；二维动画制作中的影视后期合成软件；《计算机光盘软件与应用》2013年13期6.李静，曹卫兵；非线性编辑软件在影视后期合成制作中的应用；《时代报告（学术版）》2012年11期7.黎泉，刘云花；浅析影视后期合成中平面图像的三维体现；《科技广场》2010年11期8.朱媛；浅谈影视后期制作技术；《现代交际》2010年10期9.许声华；浅析数字影视后期编辑与特效合成制作；《科学咨询》2011年7期10.王奕淳；影视后期画面颜色调节的几种技巧；《吉林艺术学院学报》2011年3期11.吴琼，刘爱庆；浅谈影视后期剪辑的转场技巧；《中国科技博览》2011年34期12.孟瑶；影视后期特效制作及合成的重要作用；《学园》2013年32期13.宗锐；浅析影视后期剪辑控制；《计算机光盘软件与应用》2010年15期14.李吉洋；影视后期特效合成中的色彩分析；《神州（上旬刊）》2013年11期

百度学术可以找到参考文献,输入关键词，在输入年份，就能找到相对应的参考文献。如果不知道参考文献格式要求，可以百度搜，参考文献自动生成器。直接按着填就出来了。 百度搜索参考文献自动生成器，按着里面填，点生成参考文献就出来了。 参考文献标准格式参考文献类型：专著［M］，论文集［C］，报纸文章［N］，期刊文章［J］，学位论文［D］，报告［R］，标准［S］，专利［P］，论文集中的析出文献［A］电子文献类型：数据库［DB］，计算机［CP］，电子公告［EB］电子文献的载体类型：互联网［OL］，光盘［CD］，磁带［MT］，磁盘［DK］A：专著、论文集、学位论文、报告［序号］主要责任者.文献题名［文献类型标识］.出版地：出版者，出版年.起止页码（可选）［1］刘国钧，陈绍业.图书馆目录［M］.北京：高等教育出版社，:期刊文章［序号］主要责任者.文献题名［J］.刊名，年，卷（期）：起止页码［1］何龄修.读南明史［J］.中国史研究，1998,(3):167-173.［2］OU J P，SOONG T T，et advance in research on applications of passive energy dissipation systems［J］.Earthquack Eng,1997,38(3)::论文集中的析出文献［序号］析出文献主要责任者.析出文献题名［A］.原文献主要责任者（可选）.原文献题名［C］.出版地：出版者，出版年.起止页码［7］钟文发.非线性规划在可燃毒物配置中的应用［A］.赵炜.运筹学的理论与应用——中国运筹学会第五届大会论文集［C］.西安：西安电子科技大学出版社，：报纸文章［序号］主要责任者.文献题名［N］.报纸名，出版日期（版次）［8］谢希德.创造学习的新思路［N］.人民日报，1998-12-25（10）.E：电子文献[文献类型/载体类型标识]：[J/OL]网上期刊、[EB/OL]网上电子公告、[M/CD]光盘图书、[DB/OL]网上数据库、[DB/MT]磁带数据库［序号］主要责任者.电子文献题名［电子文献及载体类型标识］.电子文献的出版或获得地址，发表更新日期/引用日期［12］王明亮.关于中国学术期刊标准化数据库系统工程的进展［8］万锦.中国大学学报文摘（1983-1993）.英文版［DB/CD］.北京：中国大百科全书出版社，1996.作者.题名[D].所在城市:保存单位,发布年份.李琳.住院烧伤患者综合健康状况及其影响因素研究[D].福州:福建医科大学,2009. 其他的：作者.题名[J].刊名,年,卷(期):起止页码.沈平,彭湘粤,黎晓静,等.临床路径应用于婴幼儿呼吸道异物手术后的效果[J].中华护理杂志,2012,47(10):930-932. 作者.书名[M]. 版次.出版地: 出版者,出版年:起止页码.胡雁.护理研究[M].第4版.北京:人民卫生出版社,2012:38. 作者.题名[N].报纸名,出版日期(版次).丁文祥.数字革命与国际竞争[N].中国青年报,2000-11-20(15). 作者.题名[EB/OL].网址,发表日期/引用日期(任选).世界卫生组织.关于患者安全的10个事实 [EB/OL].其他： [R]、[P]、[A]、[C]、[Z]等。

难度不大，我稍微指点你。

线性变换论文英文文献

冲激响应不变法优点：1，模拟频率到数字频率的转换时线性的。2，数字滤波器单位脉冲响应的数字表示近似原型的模拟滤波器单位脉冲响应，因此时域特性逼近好 缺点：会产生频谱混叠现象，只适合带限滤波器双线性变换法优点：克服多值映射得关系，可以消除频率的混叠缺点：是非线性的，在高频处有较大的失真。

FIR滤波器与IIR滤波器去噪效果对比研究电子技术应用2016-02-23摘 要： 针对传统的滤波器设计方法效率低、方法复杂、不能满足高效高精度的需要等缺点，基于MATLAB研究了分别使用窗函数法和双线性变换法的FIR和IIR滤波器。将加入噪声的信号分别通过两种滤波器，滤除加入的噪声，对滤波前后的信号进行对比分析。通过仿真实验表明，FIR滤波器与IIR的Butterworth滤波器都能很好地克服传统滤波器的不足，通过语谱图直观地对比发现基于窗函数法设计FIR滤波器比双线性法设计的Butterworth滤波器能更好地达到预定的去噪效果。0 引言在噪音信号处理过程中，所处理的信号往往混有噪音，从接收到的信号中消除或减弱噪音是信号传输和处理中十分重要的问题[1-3]。常用去噪方法有图像去噪法、信号去噪法、小波去噪法等。郑毅贤利用压缩感知图像去噪法能够有效地保留较多的图像细节[4]；谢黎明等人设计出基于MATLAB的IIR数字滤波器，分析表明该 IIR滤波器具有良好的去噪性能[5]；张廷尉等人设计出基于MATLAB的Butterworth数字低通滤波器，并对一段音频信号进行滤波去噪处理，经过去噪后的音频信号听觉效果变得低沉[6]。数字滤波器分为2类：无限冲击响应（IIR）滤波器和有限冲击响应（FIR）滤波器。FIR滤波器具有稳定性好、精度高、积累误差小、易于计算机辅助设计等优点[7-8]，但存在计算量大的缺点。IIR滤波器具有结构简单、效率高、与模拟滤波器有对应关系、易于解析控制及计算机辅助设计等优点[9]，但稳定性较差，易产生溢出、噪声、误差。利用数字滤波器，可改变信号中所含频率分量的相对比例或滤除某些频率分量。本文基于MATLAB分别使用窗函数法和双线性变换法设计FIR和IIR滤波器，将加噪信号分别通过两种滤波器滤除噪声，对滤波前后的信号进行对比分析。仿真实验表明，基于窗函数法的FIR滤波器去噪效果比双线性法设计的IIR滤波器好。1 加噪处理预先录制一段语音，内容为“基于MATLAB的语音信号处理及特性分析”，人声的频率范围为300 Hz~ 3 000 Hz，3 kHz以上的频率分量属于采集过程中由于设备和环境而引入的噪声。人声的频率范围低于3 kHz，且通过观察原信号的频谱可得，频率为5kHz的频率分量能量较小，因此选择加上频率为5 kHz的高频余弦噪声并且绘制叠加噪声之后的语音信号时域图形及频域图形，可以在视觉上与原始信号图形对比。使用subplot函数将加噪声前后的信号时域与频率图画在同一幅图上进行对比，如图1所示。与原始信号对比，加噪信号能量明显变大，且在频率为5 kHz的位置能量有了很大的增强。使用sound函数播放加噪语音信号，语音的背景出现尖锐鸣声，这是由加入的余弦噪声造成的，鸣声的尖锐程度取决于余弦噪声的频率，但如果频率过高，超过人耳的听力范围，就无法察觉加噪信号。余弦噪声是单一频率的、高频的，为了滤除噪声，只需要将噪音信号通过一个低通滤波器，就可将余弦噪声及录制过程中引入的噪声滤除。2 窗函数法设计FIR滤波器数字滤波器可以分为IIR数字滤波器和FIR数字滤波器。与IIR数字滤波器相比，FIR数字滤波器的实现是非递归的，稳定性好，精度高。更重要的是FIR数字滤波器在满足幅度响应要求的同时，可以获得严格的线性相位。然而，由于阶次较高，FIR滤波器的延迟也要比同样性能的IIR滤波器大得多。窗函数法设计FIR滤波器，使用fir1函数，B=FIR1（N，WN，′FTYPE′，WINDOW）。其中：（1）N为滤波器的阶数；（2）WN为滤波器的截止频率，是一个0~1的数。如果WN是含有两个数的向量，则函数返回一个带通滤波器；（3）FTYPE=′HIGH′时，设计的是高通滤波器，FTYPE=′STOP′时，设计的是带阻滤波器，无此参数时，默认为低通滤波器；（4）WINDOW为指定窗函数，矩形窗为BOXCAR（N），汉宁窗为HANNING（N），海明窗为HAMMING（N），布莱克曼窗为BLACKMAN（N），凯撒窗为KAISER（N，BETA），无此参数时，默认为HAMMING窗。窗口选用HAMMING窗，因为它给出比较小的过渡带，有较低的阶。其中滤波器长度N=133，通带截止频率为π，阻带截止频率为π，通带衰减 8 dB，阻带衰减52 dB，幅度响应曲线如图2所示。如图4所示，原信号频谱图中在6 kHz以下的频率均有信号的存在，但是人声的频率上限为3 kHz，判断 3 kHz以上的信号均是因设备和环境而引入的噪声，滤除余弦噪声时需一并滤除。由加噪声后的频谱图知在 5 kHz的频率点上出现一个峰值，这是通过加噪处理加入的噪声；由滤波后的频谱图知通过窗函数法设计的FIR滤波器后，频率高于3 kHz的信号被截止，低频的语音信息被保留下来。因设备、环境引入的3 kHz以上的噪声，以及加入的余弦噪声均被滤除，播放过滤后的语音信号，已经听不到尖锐的高频声音，证明噪声被成功滤除，原始信号基本被还原。图5中，在原信号语谱图中5 kHz以下且从2 s~9 s时段范围内，信号颜色为红色，9 s~12 s间呈淡黄色；加噪后语谱图中5 kHz以下且从2 s~9 s这段范围内，信号颜色基本为红色，在滤波后的语谱图中3 kHz以下且2 s~9 s这段范围内颜色为红色。将原信号、滤波前后信号的语谱图进行对比，其中代表加入余弦噪声的红色谱线滤波后变成蓝绿色，且 3 kHz以上的谱线基本为蓝绿色，甚至是蓝色。参照颜色条，蓝绿色、蓝色的谱线能量非常低，与3 kHz以下的红色谱线形成鲜明对比，可以直观地看到3 kHz以上的噪声信号被滤除。3 双线性变换法设计Butterworth滤波器Butterworth滤波器是IIR滤波器的一种，本文以Butterworth滤波器的设计进行说明。在工程上常用的设计模拟滤波器方法分别是脉冲响应不变法和双线性变换法。双线性变换法在实际中采用最为普遍，其设计准则是使数字滤波器的频率响应与参考模拟滤波器的频率响应相似。设计步骤如下：（1）确定数字滤波器的性能指标。这些指标包括：通带、阻带临界频率wp、ws；通带内的最大衰减Rp；阻带内的最小衰减As；采样周期Ts。（2）将模拟指标转换成数字指标，，。 （3）计算上述参数给出的滤波器阶数N和截止频率，从而求得低通原型的传递函数Ha（s）。 （4）将，求得数字滤波器传递函数：用双线性变换法设计数字Butterworth低通滤波器，采样频率为22 050 Hz，其中通带截止频率wp=π，阻带截止频率ws=π，通带内衰减Rp=1 dB，阻带内衰减As=15 dB。Butterworth滤波器频率响应曲线如图6所示。如图7所示，与通过FIR滤波器相似，滤波后信号时域波形幅度减小，能量减小，某些频率点信号被滤除。如图8（c）所示，频谱图上频率3 kHz以上的信号被截止。图9中，在原始信号语谱中5 kHz以下且在2 s~9 s时段范围内，信号颜色为红色，9 s~12 s间呈淡黄色；加噪后语谱图中5 kHz以下且2 s~9 s时段范围内，信号颜色基本为红色，在滤波后的语谱图中3 kHz以下且在2 s~9 s时段范围内颜色为红色。语谱图上3 kHz的谱线基本为蓝绿色，但是在某些时刻，3 kHz附近一些谱线为黄色甚至红色。虽然两种类型的滤波器得出频谱图基本一样，但是通过语谱图直观地对比发现，相对于使用窗函数法设计的FIR滤波器，用双线性法设计的Butterworth滤波器稍微逊色一点。但如果从听觉感受上评价，两种滤波器都能成功滤掉尖锐的噪声，滤波效果都是相当不错的。4 结论利用MATLAB软件平台强大的运算功能，应用窗函数法和双线性变换法可快速有效地设计FIR和IIR滤波器，将加噪信号分别通过两种滤波器，滤除加入的噪声，对滤波前后的信号进行对比分析，仿真实验表明，基于窗函数法设计的FIR滤波器比双线性法设计的Butterworth滤波器能更好地达到预定的去噪效果。参考文献[1] 赵颖，刘祖深，李胜寅.基于MATLAB的FIR数字滤波器的方法设计[J].国外电子测量技术，2012，31（10）：35-37.[2] 严慧，于继明.基于Matlab的IIR数字滤波器设计[J].软件导刊，2013，12（1）：110-113.[3] 张萍.基于DSP的IIR低通数字滤波器的设计与实现[J].江南大学学报（自然科学版），2014，13（1）：67-79.[4] 郑毅贤，江浩淼，金波，等.基于自适应压缩感知的图像去噪方法[J].通信技术，2013（3）：74-76.[5] 谢黎明，郑锐.基于Matlab的IIR数字滤波器设计[J].机械与电子，2011（1）：28-30.[6] 张廷尉，陈红，王磊.基于Matlab的巴特沃斯数字低通滤波器的设计[J].鞍山师范学院学报，2012，14（2）：13-15.[7] 凌春丽，刘云飞，姜黎黎，等.二维滤波器分布式算法结构的改进与实现[J].中北大学学报（自然科学版），2012，33（2）：154-158.[8] 李兰英，王志超,王峰,等.FIR数字滤波器设计与仿真[J].哈尔滨理工大学学报，2013，18（3）：36-41.[9] 韩泽欣，杨雪松.基于Matlab的数字滤波器设计[J].甘肃科技，2013，29（5）：9-10.搜索滤波器工作原理动画图一张图看懂卡尔曼滤波卡尔曼滤波原理图滤波后的频谱分析图解卡尔曼滤波详解卡尔曼滤波原理

我来回答脉冲响应不变法的优点：1，模拟频率到数字频率的转换时线性的。2，数字滤波器单位脉冲响应的数字表示近似原型的模拟滤波器单位脉冲响应，因此时域特性逼近好缺点：会产生频谱混叠现象，只适合带限滤波器双线性变换法优点：克服多值映射得关系，可以消除频率的混叠缺点：是非线性的，在高频处有较大的失真。

摘要 ：深度卷积网络在静态图像的视觉识别方面取得了巨大的成功。 但是，对于视频中的动作识别，相对于传统方法的优势并不是那么明显。 本文旨在设计有效的ConvNet架构来进行视频动作识别，并在有限的训练样本下学习这些模型。 我们的第一项贡献是时间分段网络（TSN），这是一种基于视频的动作识别的新框架。这个结构是基于远程时间建模的思想。它结合了稀疏的时间采样策略和视频级的监督，可以使用整个动作视频进行有效的学习。 另一个贡献是我们研究了在时间分段网络的帮助下学习视频数据上的ConvNet的一系列实践。我们的方法在HMDB51（％）和UCF101（％）的数据集上实现了SOTA。 我们还将ConvNet模型可视化，证明了时间分段网络和提出方法的有效性。

1介绍

基于视频的动作识别由于其在安全和行为分析等许多领域中的应用而引起了学术界的极大关注[1,2,3,4,5,6]。在动作识别中，有两个关键且互补的方面：外观和动态。识别系统的性能在很大程度上取决于它是否能够从中提取和利用相关信息。然而，由于诸如尺度变化，视角变化和相机运动之类的复杂因素，提取这样的信息是困难的。 因此，设计有效的表示形式以解决这些挑战同时保留动作类别的分类信息就变得至关重要。最近，卷积神经网络[7]在对物体，场景和复杂事件的图像进行分类方面取得了巨大的成功[]。ConvNets也已被引入以解决基于视频的动作识别问题[12,1,13,14]。深度ConvNets具有强大的建模能力，并能够在大规模监督数据集的帮助下从原始视觉数据中学习区分表示。但是，与图像分类不同，端到端的深层ConvNet仍然无法获得比传统手工特征提取明显的优势。

我们认为，ConvNets在基于视频的动作识别中的应用有两个主要障碍。首先，长时间结构在理解动作视频的动态过程中起着重要作用[15,16,17,18]。但是，主流的ConvNet框架[1,13]通常集中在外观和短期运动上，因此缺乏整合长时间结构的能力。最近有一些尝试[19,4,20]来解决这个问题。这些方法主要依赖于具有设定采样间隔的密集时间采样。当将这种方法应用于长视频序列时，将导致过多的计算成本，这限制了其在现实世界中的应用，并存在丢失长于最大长度视频的重要信息的风险。其次，在实践中，训练深层ConvNets需要大量训练样本才能实现最佳性能。但是，由于数据收集和标注的困难，可公开使用的动作识别数据集（例如UCF101 [21]，HMDB51 [22]）在大小和多样性上都受到限制。 因此，非在图像分类中取得了显著成功深层ConvNets [9,23]在视频中面临着过拟合的高风险。

这些挑战促使我们研究两个问题：1）如何设计一种有效和高效的视频级框架来学习视频表示，该框架能够捕获长期的时间结构； 2）如何在有限的训练样本下学习ConvNet模型。特别是，我们在成功的双流体系结构[1]的基础上构建了我们的方法，同时解决了上述问题。在时间结构建模方面，一个关键的发现是连续的帧是高度冗余的。 因此，高度相似采样帧的密集时间采样通常是不需要的。相反，在这种情况下，稀疏的时间采样策略将更为有利。 受此发现的启发，我们提出了一个视频级框架，称为时间分段网络（TSN）。 该框架采用稀疏采样方案在较长的视频序列上提取短片段，其中采样沿时间维度均匀分布。 之后，采用分段结构来聚集来自采样片段的信息。从这个意义上讲，TSN能够对整个视频的长时间结构进行建模。 而且，这种稀疏的采样策略可以以较低的成本保存相关信息，从而可以在合理的时间和计算资源下，在长视频序列上进行端到端学习。

为了开发STN框架的全部潜力，我们采用了最近介绍的深层ConvNet架构[23,9]，并探索了许多良好实践以克服由以下训练样本不足原因带来的上述问题，包括1）交叉预训练；2）正规化；3）数据增强扩充。同时，为了充分利用视频中的视觉内容，我们对双流ConvNets的四种输入形式进行了经验研究，即单RGB图像，堆叠的RGB差，堆叠的光流场和堆叠的矫正光流场。

我们对两个具有挑战性的动作识别数据集（UCF101 [21]和HMDB51 [22]）进行了实验，以验证我们方法的有效性。在实验中，使用TSN学习的模型在这两个具有挑战性的动作识别数据集上的表现SOTA。 我们还可视化了我们所学的双流模型，试图为将来的动作识别研究提供一些参考。

2相关工作

在过去的几年中，动作识别已被广泛研究[2,24,25,26,18]。与我们有关的先前研究分为两类：（1）用于动作识别的卷积网络，（2）时间结构建模。

卷积网络的动作识别 。先前的许多工作一直在尝试设计有效的ConvNet架构来进行视频中的动作识别[12,1,13,27,28]。Karpathy等[12]在大型数据集（Sports-1M）上测试了具有深层结构的ConvNets。 Simonyan等[1]通过利用ImageNet数据集进行预训练和计算光流以捕获运动信息，设计了包含空间和时间网络的双流ConvNet。Tran等[13]在现实和大规模的视频数据集上探索了3D卷积[27]，他们尝试通过3D卷积运算学习外观和运动特征。Sun等[28]提出了一个基于分解的时空ConvNets，并利用不同的方法来分解3D卷积核。 最近，有几篇文章着重介绍了使用卷积建模长时间结构的方法[4,19,20]。但是，这些方法直接在较长的连续视频流上运行。 受计算成本的限制，这些方法通常处理固定长度为64到120帧的序列。 由于它的时间覆盖范围有限，因此从整个视频中进行学习并非易事。 我们的方法与这些端到端深层ConvNets的不同之处在于，它新颖地采用了稀疏的时间采样策略，该策略可以在不限制序列长度的情况下使用整个视频进行有效的学习。

时间结构建模 。许多研究工作致力于为动作识别时间结构建模[15,16,17,29,30,18]。Gaidon等[16]注释了每个视频的每个子动作，并提出了用于动作检测的Actom序列模型（ASM）。Niebles等[15]提出使用潜在变量来建模复杂动作的时间分解，并借助潜在SVM [31]以迭代方式学习模型参数。Wang等[17]和Pirsiavash等。[29]分别使用隐性层次模型（LHM）和分段语法模型（SGM）将复杂动作的时间分解扩展为分层方式。Wang等[30]设计了一个顺序骨架模型（SSM）来捕捉动态体之间的关系，并进行时空动作检测。 Fernando [18]为行为识别建模了BoVW表示。但是，这些方法仍然无法组合用于对时间结构建模的端到端学习方案。前文所提出的时间分段网络STN，同时也强调了这一原理，是对整个视频进行端到端时间结构建模的第一个框架。

3时间分段网络的动作识别

在本节中，我们将详细介绍使用时间分段网络执行动作识别的过程。具体来说，我们首先介绍TSN框架中的基本概念。然后，我们研究在TSN框架内学习双流ConvNet的实践。 最后，我们描述了学习到的双流ConvNets的测试细节。

时间分段网络

正如我们在第一节中讨论的那样。如图1所示，双流ConvNets当前的一个明显问题是它们无法建模长时间结构。这主要是由于它们对时间轴前后的访问受到限制，它们被设计为仅在短片段中的单个帧（空间网络）或单个帧堆栈（时间网络）上运行。但是，复杂的动作（例如体育动作）包括跨越相对较长时间的多个阶段。如果在ConvNet训练中没有在这些动作中使用长时间结构，那将是巨大的损失。 为了解决这个问题，我们提出了时间分段网络，即图1所示的视频级框架，以便能够对整个视频进行动态建模。

具体来说，我们提出的时间分段网络框架，旨在利用整个视频的视觉信息来执行视频级别的预测，它也由空间流ConvNet和时间流ConvNet组成。时间分段网络不是在单个帧或帧堆栈上工作，而是在从整个视频中稀疏采样的一系列短片段上运行。此序列中的每个片段都将对动作类别产生自己的初步预测。 然后，片段之间的共识将被导出为视频级别的预测。 在学习过程中，通过迭代更新模型参数来优化视频级预测的损失值，而不是用于双流ConvNet的局部预测的损失值。

形式上，给定视频V，我们将其分为相等持续时间的K个段{S1，S2，…，SK}。 然后，TSN对片段序列进行如下建模：

其中C是动作类别的数量，yi是类别i的标签。 在实验中，根据先前的时间建模工作 [16,17]，片段的数量K设置为3。 函数G的形式仍然是一个悬而未决的问题。 在这项工作中，我们使用最简单的G形式，其中Gi = g（Fi（T1），...，Fi（TK））。 此处，使用函数g从所有片段上的同一类别的分数推断出类别分数Gi。我们根据经验评估了聚合函数g的几种不同形式，包括实验中的平均，极值和加权平均。 其中，平均均值用于报告我们的最终识别准确性。

取决于g的选择，此TSN是可微的或至少具有子梯度。这使我们能够利用多个片段，通过标准的反向传播算法共同优化模型参数W。 在反向传播过程中，模型参数W相对于损耗值L的梯度可以推导为:

学习时间分段网络

时间分段网络提供了执行视频级学习的框架，但是要实现最佳性能，必须注意一些实际问题，例如训练样本数量有限。为此，我们研究了在视频数据上训练深层ConvNet的一系列良好做法，这些做法也可直接应用于学习时间分段网络。

网络体系结构 。网络体系结构是神经网络设计中的重要因素。几项工作表明，更深的结构可以提高对象识别性能[9,10]。但是，原始的双流Con vNets [1]采用了相对较浅的网络结构（ClarifaiNet [32]）。 在这项工作中，由于在准确性和效率之间具有良好平衡和批归一化的Inception[23]作为构建基块。 我们将原始的BN-Inception体系结构调整为双流ConvNet的设计。像在原始的双流ConvNets [1]中一样，空间流在单个RGB图像上运行，而时间流将一堆连续的光流场作为输入。

网络输入 。我们也有兴趣探索更多的输入方式来增强STN的判别能力。 最初，双流ConvNets将RGB图像用于空间流，将堆叠的光流场用于时间流。 在这里，我们建议研究两种额外的模式，即RGB差和矫正流场。

单个RGB图像通常在特定时间点编码静态外观，且缺少有关上下帧的信息。如图2所示，两个连续帧之间的RGB差异描述了外观变化，该变化可能与运动显著区域相对应。 受[28]的启发，我们尝试添加叠加的RGB差作为另一种输入形式，并研究其在动作识别中的性能。

时间流ConvNets以光流场为输入，旨在捕获运动信息。但是，在真实的视频中，通常存在摄像机运动，并且光流场可能不会集中在人体运动上。如图2所示，由于摄像机的运动，在背景中突出了大量的水平运动。 受iDT[2]的启发，我们建议将矫正的光流场作为附加的输入形式。根据[2]，我们首先通过估计单应性矩阵然后补偿相机运动来提取矫正光流。如图2所示，矫正的光流抑制了背景运动并使运动集中在人体身上。

网络****训练****。 由于用于动作识别的数据集相对较小，因此训练深度ConvNets面临着过拟合的风险。 为了解决这个问题，我们设计了以下几种在时域网中训练卷积网络的策略。

交叉预训练。 当目标数据集没有足够的训练样本时，预训练是初始化深层ConvNets的有效方法[1]。 当空间网络将RGB图像作为输入时，参数可以利用在ImageNet [33]上训练的模型作为初始化。 对于其他形式，例如光流场和RGB差，它们本质上捕获了视频数据的不同视觉方面，并且它们的分布与RGB图像的分布不同。我们提出了一种交叉预训练技术，其中我们利用RGB模型初始化时间流网络。首先，我们通过线性变换将光流场离散化为从0到255的间隔。 此步骤使光流场的范围与RGB图像相同。 然后，我们修改RGB模型的第一卷积层的权重以处理光流场的输入。 具体来说，我们对RGB通道上的权重取平均值，并通过时间网络输入的通道数来复制该平均值。 这种初始化方法在时态网络中效果很好，并减少了实验中过度拟合的影响。

正则化技术。批处理规范化[23]是处理协变量偏移问题的重要手段。在学习过程中，批次归一化将估计每个批次内的激活平均值和方差，并使用它们将这些激活值转换为标准的高斯分布。这项操作会加快训练的收敛速度，但由于对有限数量的训练样本的分布估计存在偏差，会导致在传递过程中过拟合。 因此，在使用预训练模型进行初始化之后，我们选择冻结除第一层外的所有批处理归一化层的均值和方差参数。 由于光流的分布与RGB图像不同，因此第一卷积层的激活值将具有不同的分布，因此我们需要相应地重新估计均值和方差。 我们称这种策略为局部BN。同时，我们在BN-Inception体系结构的全局池层之后添加了一个额外的随机失活层，以进一步减少过度拟合的影响。 对于空间流ConvNet，随机失活率设置为；对于时间流ConvNet，设置为。

数据增强。数据增强可以生成各种训练样本，并防止严重的过拟合。在原始的双流ConvNet中，随机裁剪和水平翻转被用来增加训练样本。我们利用两种新的数据增强技术：角点裁剪和比例抖动。在角点裁剪技术中，仅从图像的角点或中心选择提取的区域，以避免隐式聚焦在图像的中心区域。在多尺度裁剪技术中，我们将ImageNet分类中使用的尺度抖动技术[9]应用于动作识别。我们提出了尺度抖动的有效实现。 我们将输入图像或光流场的大小固定为256×340，并从{256，224，192，168}中随机选择裁剪区域的宽度和高度。 最后，将这些裁剪区域的大小调整为224×224，以进行网络训练。 实际上，此实现不仅包含比例抖动，而且还涉及纵横比抖动。

测试TSN

最后，我们介绍了针对时间分段网络的测试方法。 由于所有的片段ConvNet都共享TSN中的模型参数，因此学习到的模型可以像普通的ConvNet一样执行逐帧评估。这使我们能够与没有TSN的学习模型进行公平比较。具体来说，我们遵循原始双流ConvNets的测试方案[1]，在该方案中，我们从动作视频中采样了25个RGB帧或光流堆栈。 同时，我们裁剪了4个角和1个中心，并从采样帧中进行了水平翻转以评估ConvNet。对于空间和时间流网络的融合，我们对它们进行加权平均。 在TSN框架内学习时，空间流ConvNet和时间流ConvNet之间的性能差距比原始的双流ConvNet中的性能差距小得多。 基于这一事实，我们将空间流的权重设置为1，将时间流的权重设置为，从而为空间流赋予更高的权重。 当同时使用正常和矫正的光流场时，对于正常光流，权重被划分为1，对于矫正的光流，权重被划分为。 在中有描述，分段共识函数在Softmax归一化之前应用。为了测试模型是否符合训练条件，我们在Softmax归一化之前融合了25个帧和不同流的预测分数。

4实验

在本节中，我们首先介绍评估数据集和该方法的实现细节。然后，我们探索了用于学习时间分段网络的建议的良好实践。在此之后，我们证明了通过应用时间分段网络框架来建模长时间结构的重要性。我们还将我们的方法的性能与最新技术进行了比较。最后，我们将ConvNet模型可视化。

数据集和实施细节

我们对两个大型动作数据集HMDB51[22]和UCF101 [21]进行实验。UCF101数据集包含101个动作类和13320个视频剪辑。我们遵循THUMOS13挑战[34]的评估方案，并采用三个训练/测试单元进行评估。HMDB51数据集是大量来自各种来源的真实视频的集合，例如电影和网络视频。 数据集由来自51个动作类别的6766个视频剪辑组成。我们的实验遵循原始的评估方案，使用了三个训练/测试拆分，并报告了这些拆分的平均准确性。

我们使用小批量随机梯度下降算法来学习网络参数，其中批量大小设置为256，动量设置为。我们使用来自ImageNet [33]的预训练模型初始化网络权重。我们在实验中设置了较小的学习率。 对于空间网络，学习率初始化为，并且每2 000次迭代降低到其十分之一。整个训练过程将在4500次迭代后停止。 对于时间网络，我们将学习率初始化为，经过12000和18000次迭代后，学习率降低为十分之一。 最大迭代次数设置为20000。关于数据增强，我们使用了第节中指定的位置抖动，水平翻转，角点裁剪和比例抖动的技术。为了提取光流和矫正光流，我们选择在OpenCV中使用CUDA实现的TVL1光流算法[35]。为了加快训练速度，我们采用了具有多个GPU的数据并行策略，并通过我们的修改版Caffe [36]和OpenMPI实现了该策略。对于具有4个TITANX GPU的硬件设备，空间TSN在UCF101上的整个培训时间约为2小时，对于时间TSN则为9小时。

进一步探究

在本节中，我们重点研究节中描述的良好实践，包括培训策略和输入方式。在本实验研究中，我们使用[23]改编的具有深层体系结构的双流ConvNets，并对UCF101数据集的第1部分进行所有实验。

我们在第节中提出了两种训练策略，即交叉预训练和具有随机失活的部分BN。 具体来说，我们比较了四种设置：（1）从头开始训练（2）仅像[1]中那样预训练空间流（3）交叉预训练（4）使用交叉预训练和带有随机失活的BN层。结果如表1所中。首先，我们发现从头开始的训练性能要比原始的双流ConvNets（基准）差很多，这意味着精心设计的学习策略对于降低过拟合风险是必要的，尤其是对于空间网络。然后，我们使用空间流的预训练和时间流的交叉模态预训练，以初始化双流ConvNets，并且其性能比基线更好。 我们进一步利用带有随机失活的部分BN来规范化训练过程，从而将识别性能提高到％。

我们在第节中提出了两种新型的模态：RGB差和矫正的光流场。 表2中报告了比较不同模式性能的结果。这些实验是在表1中验证的所有良好实践下进行的。我们首先观察到RGB图像和RGB差的组合将识别性能提高到％。 此结果表明RGB图像和RGB差异可以对信息编码互补。然后表明，光流和矫正光流产生了非常相似的性能（％对％），并且将它们融合可以将性能提高到％。 结合所有四种模式可得出％的准确性。由于RGB差可能描述相似但不稳定的运动模式，因此我们还评估了组合其他三种模式的性能，这带来了更好的识别精度（％vs ％）。我们推测光流更适合捕获运动信息，有时RGB差对于描述运动可能不稳定。 另一方面，RGB差可以用作运动表示低质量，高速的替代方案。

对于TSN的性能评价

在本小节中，我们专注于TSN框架工作的研究。我们首先研究分段共识函数的影响，然后在UCF101数据集的split 1上比较不同的ConvNet体系结构。为了进行比较，在此探索中，我们仅将RGB图像和光流场用作输入模态。 如第节所述，段数K设置为3。

在等式中（1），分段共识函数由其聚集函数g定义。在这里，我们评估了g的三个计算方式：（1）最大合并，（2）平均合并，（3）加权平均。实验结果总结在表3中。我们看到平均池化功能可实现最佳性能。因此，在以下实验中，我们选择平均池作为默认聚集功能。 然后，我们比较了不同网络体系结构的性能，结果在表4中进行了总结。具体地说，我们比较了三种深层的体系结构：BN-Inception [23]，GoogLeNet [10]和VGGNet-16 [9]，所有这些架构都经过上述实践的训练。在比较的体系结构中，根据BN-Inception [23]改编的深层双流ConvNets达到了％的最佳精度。这与它在图像分类任务中的更好表现相吻合。 因此，我们选择BN-Inception [23]作为TSN的ConvNet架构。

设置了所有设计选项后，我们现在将时间分段网络（TSN）应用于动作识别。 结果在表4中进行了说明。在表5中还提供了根据识别准确度对组件进行逐项分析的结果。我们可以看到，在前面所有良好实践下，时间分段网络都能够提高模型的性能。 这证实了通过时间分段网络实现的对长时间结构进行建模对于理解视频中的动作至关重要。

与SOTA相比较

在探索了良好的做法并了解了时间分段网络的效果之后，我们准备建立最终的动作识别方法。具体来说，我们使用了三种输入方式以及描述的所有技术作为最终方法，并在两个具有挑战性的数据集上进行了测试：HMDB51和UCF101。 结果总结在表6中，在表6中，我们将我们的方法与传统方法（例如改进的轨迹（iDT）[2]，MoFAP表示[39]）和深度学习表示法例如3D卷积网络（C3D）[13]，轨迹合并的深度卷积描述符（TDD）[5]，分解时空卷积网络（FSTCN）[28]，长期卷积网络（LTC）[19]和关键卷挖掘框架（KVMF）[41]。 我们的最佳结果在HMDB51数据集上优于其他方法％，在UCF101数据集上优于％。 我们方法的优越性能证明了TSN的有效性，并证明了长期时域建模的重要性。

模型可视化

除了识别精度，我们还想进一步了解所学的ConvNet模型。这里，我们采用DeepDraw[42]工具箱。此工具在仅具有白噪声的情况下对输入图像进行迭代梯度上升。因此，仅基于ConvNet模型内部的类知识，可以将经过多次迭代后的输出视为类可视化。该工具的原始版本仅处理RGB数据。为了对基于光流的模型进行可视化，我们调整了工具以使其与时间网络一起运行。结果，我们首次在动作识别ConvNet模型中可视化了有趣的类信息。 我们从UCF101数据集中随机选择五个类别，即太极拳，打拳，跳水，跳远和自行车，以实现可视化。 结果如图3所示。对于RGB和光流，我们将通过以下三种设置可视化学习的ConvNet模型：（1）不进行预训练；（2）仅接受预训练；（3）具有TSN。

一般而言，具有预训练的模型比没有进行预训练的模型更能表示视觉概念。可以看到，没有经过预训练的时空模型几乎不能产生任何有意义的视觉结构。 利用预训练过程中传递的知识，空间和时间模型能够捕获结构化的视觉特征。

还很容易注意到，仅接受短期信息（例如单帧）训练的模型往往会将视频中的风景图案和物体误认为是行动识别的重要特征。例如，在“潜水”类中，除进行潜水的人员外，单帧空间流ConvNet主要查找水和潜水平台。它的时间流对应物（光流）趋向于集中于由水波引起的运动。 随着时间分段网络引入的长期时间建模，显而易见的是，学习的模型更多地关注视频中的人，并且似乎正在对动作类的长时间结构进行建模。仍以“潜水”为例，具有时间分段网络的空间卷积网络现在生成的图像是人是主要的视觉信息。 并且可以在图像中识别出不同的姿势，描绘了一个潜水动作的各个阶段。这表明用该方法学习的模型可能表现更好，这在我们的定量实验中得到了很好的体现。我们为读者提供补充材料，以实现更多动作类的可视化以及有关可视化过程的更多详细信息。

5结论

在本文中，我们介绍了时间分段网络（TSN），这是一个视频级框架，旨在为长期的时间结构建模。正如在两个具有挑战性的数据集上所展示的，这项工作将最新技术提升到了一个新的水平，同时保持了合理的计算成本。 这主要归因于具有稀疏采样的分段体系结构以及我们在本文中探索的一系列良好实践。 前者提供了一种捕获长期时间结构的有效方式，而后者则使得在有限的训练集上训练非常深的网络成为可能，而不会出现严重的过度拟合。

大一线性代数论文文献

中国数学家对线性代数发表的文献有数学著作《九章算术》。一世纪我国经典数学著作《九章算术》，已有深刻论述。17世纪后才由德国数学家莱布尼兹开创系统研究。中华文明博大精深，由此可见一斑。

线性代数（Linear Algebra）是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。 线性代数的主要内容是研究代数学中线性关系的经典理论。由于线性关系是变量之间比较简单的一种关系，而线性问题广泛存在于科学技术的各个领域，并且一些非线性问题在一定条件下 , 可以转化或近似转化为线性问题，因此线性代数所介绍的思想方法已成为从事科学研究和工程应用工作的必不可少的工具。尤其在计算机高速发展和日益普及的今天，线性代数作为高等学校工科本科各专业的一门重要的基础理论课，其地位和作用更显得重要。 线性代数主要研究了三种对象：矩阵、方程组和向量.这三种对象的理论是密切相关的，大部分问题在这三种理论中都有等价说法.因此，熟练地从一种理论的叙述转移到另一种去，是学习线性代数时应养成的一种重要习惯和素质.如果说与实际计算结合最多的是矩阵的观点，那么向量的观点则着眼于从整体性和结构性考虑问题，因而可以更深刻、更透彻地揭示线性代数中各种问题的内在联系和本质属性.由此可见，只要掌握矩阵、方程组和向量的内在联系，遇到问题就能左右逢源，举一反三，化难为易. 一、注重对基本概念的理解与把握，正确熟练运用基本方法及基本运算。 线性代数的概念很多，重要的有： 代数余子式，伴随矩阵，逆矩阵，初等变换与初等矩阵，正交变换与正交矩阵，秩（矩阵、向量组、二次型），等价（矩阵、向量组），线性组合与线性表出，线性相关与线性无关，极大线性无关组，基础解系与通解，解的结构与解空间，特征值与特征向量，相似与相似对角化，二次型的标准形与规范形，正定，合同变换与合同矩阵。 我们不仅要准确把握住概念的内涵，也要注意相关概念之间的区别与联系。 线性代数中运算法则多，应整理清楚不要混淆，基本运算与基本方法要过关，重要的有： 行列式（数字型、字母型）的计算，求逆矩阵，求矩阵的秩，求方阵的幂，求向量组的秩与极大线性无关组，线性相关的判定或求参数，求基础解系，求非齐次线性方程组的通解，求特征值与特征向量（定义法，特征多项式基础解系法），判断与求相似对角矩阵，用正交变换化实对称矩阵为对角矩阵（亦即用正交变换化二次型为标准形）。 二、注重知识点的衔接与转换，知识要成网，努力提高综合分析能力。 线性代数从内容上看纵横交错，前后联系紧密，环环相扣，相互渗透，因此解题方法灵活多变，学习时应当常问自己做得对不对？再问做得好不好？只有不断地归纳总结，努力搞清内在联系，使所学知识融会贯通，接口与切入点多了，熟悉了，思路自然就开阔了。 例如：设A是m×n矩阵，B是n×s矩阵，且AB＝0，那么用分块矩阵可知B的列向量都是齐次方程组Ax＝0的解，再根据基础解系的理论以及矩阵的秩与向量组秩的关系，可以有 r（B）≤n－r（A）即r（A）＋r（B）≤n 进而可求矩阵A或B中的一些参数 上述例题说明，线性代数各知识点之间有着千丝万缕的联系，代数题的综合性与灵活性就较大，同学们整理时要注重串联、衔接与转换。 三、注重逻辑性与叙述表述 线性代数对于抽象性与逻辑性有较高的要求，通过证明题可以了解考生对数学主要原理、定理的理解与掌握程度，考查考生的抽象思维能力、逻辑推理能力。大家复习整理时，应当搞清公式、定理成立的条件，不能张冠李戴，同时还应注意语言的叙述表达应准确、简明。

第二行展开：D = 2* 【1 0】+ 1 * 【-3 0】 + (-1) * 【-3 1】 0 1 1 1 1 0第三列展开：D = (-1) * 【-3 1】+ 1 * 【-3 1】 1 0 2 1

线性代数论文参考文献

[1] 北京大学数学系几何与代数教研代数小组 编《高等代数》（第二版）北京高等出版社，1988[2] 熊廷煌 主编《高等代数简明教程》武汉湖北教育出版社，1987[3] 霍元极 主编《高等代数》北京师范大学出版社，1988[4] 丘维声 主编《高等代数》（上册）高等教育出版社，1996[5] 关治，陈精良《数学计算方法》北京清华大学出版社，1990[6] 邓建中，刘之行 《计算方法》西安交通大学出版社，2001[7] 张元达 《线性代数原理》上海教育出版社，1980[8] 蒋尔雄，等《线性代数》人民教育出版社，1978

代数学的一个分支，主要处理线性关系问题。线性关系意即数学对象之间的关系是以一次形式来表达的。例如，在解析几何里，平面上直线的方程是二元一次方程；空间平面的方程是三元一次方程，而空间直线视为两个平面相交，由两个三元一次方程所组成的方程组来表示。含有 n个未知量的一次方程称为线性方程。关于变量是一次的函数称为线性函数。线性关系问题简称线性问题。解线性方程组的问题是最简单的线性问题。 九章算术线性代数作为一个独立的分支在20世纪才形成，然而它的历史却非常久远。最古老的线性问题是线性方程组的解法，在中国古代的数学著作《九章算术·方程》章中，已经作了比较完整的叙述，其中所述方法实质上相当于现代的对方程组的增广矩阵的行施行初等变换，消去未知量的方法。随着研究线性方程组和变量的线性变换问题的深入，行列式和矩阵在18～19世纪期间先后产生，为处理线性问题提供了有力的工具，从而推动了线性代数的发展。向量概念的引入，形成了向量空间的概念。凡是线性问题都可以用向量空间的观点加以讨论。因此，向量空间及其线性变换，以及与此相联系的矩阵理论，构成了线性代数的中心内容。线性代数的含义随数学的发展而不断扩大。线性代数的理论和方法已经渗透到数学的许多分支，同时也是理论物理和理论化学所不可缺少的代数基础知识。