olivia_ye的博客

论文仅供学习参考使用。 车牌图像区域的定位。介绍了区域定位算法可能用到的传统图像处理技术如灰度转换、灰度拉伸、灰度均衡修正、边缘检测等‚并综合运用Prewit和Canny算子进行二值化边缘探测采用相邻象素灰度值相减和中值滤波来消弱背景噪声干扰;接着根据白色跳变点分布图用矩形匹配法实现粗定位求得车牌的大致位置;再根据条件搜索上下边缘根据长宽比信息搜索左右边缘扩展后进行车牌的准确定位裁剪。 阐述了车牌图像的倾斜校正、统一车牌图像背景色的方法以及如何根据经验规则 法去除车牌上下边框和铆钉进而反旋转去毛刺并提出切割出最小范围的算法 并采用均值平滑滤波抑制噪声;最后使用数学形。...

论文仅供学习参考。 因此本文主要针对机场跑道异物检测系统中可见光摄像机、红外摄像机传感器下 FOD 目标的检测、识别威胁等级估计等方法进行讨论，分析了两种传感器下目标的快速检测与识别算法，重点研究了基于图像视觉特征的 FOD 目标威胁等级估计与告警方法，而基于毫米波雷达信号的 FOD 目标检测与识别算法本文不展开讨论。

论文仅供学习参考使用。 本文首先对高分辨率遥感影像进行预处理，对各种检测边缘的算子进行了比较，最后在传统 Hough 变换的基础上，运用连通域去除的改进算进行道路提取。

论文仅供学学习参考使用。 本文提出将图像的边缘信息融合到语义分割结果中，以改善因缺乏低级图像信息而对物体边缘分割不准确的问题。为了进一步提升分割效果，本文提出使用全连接条件随机场进一步优化对图像边缘的分割准确率。为了获取图像的边缘信息，本文首先对图像进行超像素分割，然后利用前期生成的粗糙分割结果对图像进行超像素级别的语义信息标注，从而实现初步优化，然后将优化后的分割结果进行条件随机场建模并进行进一步优化，最终实现两级优化后的语义分割。

论文仅供学习参考使用。 在本文中，我们主要研巧计算机视觉领域的图像语义分割，并且Ｗ提升图像 语义分割的准确性和通用性为目标。

论文仅供学习参考使用。 基于基于吸收马尔科夫链与Ａｄａｂｏｏｓｔ的显著性检测算法，具体算法为：首先利用ＳＬＩＣ算法得到输入图像的超像素。把超像素看做马尔科夫链的节点，结合颜色与纹理特征计算其转移概率，根据每个节点的被吸收时间，作为其对应的显著值，得到初始显著图。然后基于Ａｄａｂｏｏｓｔ原理构建强分类器来对初始显著图进行优化。最终结合融合初始显著图和优化后的显著图，得到最终结果。同时提出一种基于ＣＲＦ的显著性区域提取来更精准地划分出前景目标。

论文仅供学习参考使用。 我们在这篇论文中调查吸收的特性。给定一个图像图模型作为链和一些吸收节点，对于每个转移节点，我们计算的被吸收之前的期望的吋间（被吸收的时间）。同吸收节点有相似的外观（大的转移概率）和小的空间距离的转移节点能够被更快的吸收。因为显著目标很少占据四个图像边界，并且背景区域经常连接到图像边界，当我们使用图像边界作为吸收节点时，从背景节点出发的随机游走者能够容易地到达吸收节点。相反，目标经常与背景有巨大的差异，如果随机游走者从目标出发，很难到达吸收节点（边界节点）。。。

论文仅供学习参考使用。 本文的重点研究内容是基于区域的图像分割及视觉显著性算法。对于图像分割算法，本文主要分析分割算法的不足，通过改进算法的不足，提出一种基于像素袋的图像分割算法。本文分别从主观视觉角度和客观数据角度将本文提出的算法和分割算法进行性能对比，从而证明基于像素袋的图像分割算法的优越性。

论文仅供学习参考使用。 道路图像预处理部分。首先对道路图像进行感兴趣区域提取，取图像下半部分作为感兴趣区域减少干扰信息；然后分析分量法、最大值法、平均法、加权平均法四种图像灰度化处理方法，采用加权平均法对道路图像灰度化；改进中值滤波法完成预处理图像的滤波操作；运用 OTSU 法对图像进行二值化，提取车道线轮廓信息；最后比较三种边缘检测算子，采用 Canny 算子进行图像的边缘提取。通过平移检测出的左右位置直线，建立包含完整车道线信息的上下边界，确定车道线特征点提取范围。利用车道线宽度限定条件和颜色跃变特征在车道线约束范围内提取车道线特征点。最后用最小二乘法对符合条件的车道线特征。。。

论文仅供学习参考使用。 提出一种基于超像素下条件随机场模型的图像显著性目标检测方法，利用超像素块的边缘保持特性和条件随机场的邻域约束特性来增强图像显著性目标检测的准确性。 提出一种基于深度条件随机场网络的图像显著性目标检测方法，改善基于深度学习的图像显著性目标检测方法产生的显著性图边缘模糊的情况，并提高显著性检测的精度。 提出一种基于最小二乘条件随机场模型的视频显著性目标检测方法，利用最小二乘条件随机场学习视频序列中前景与背景的相似性与差异性，并求出闭式解，从而提高视频显著性检测的精度和速度。

论文仅供学习参考使用。 本论文对基于条件随机场的图像分割方法展开研究，主要研宄了条件随机场的在图像分割中的模型构建方法。

论文仅供学习参考使用。 本文的工作内容聚焦于图像语义分割算法。该算法是深度学习在计算机视觉中的一 个基本方向，具有重要意义。针对目前结合条件随机场的深度神经网络语义分割的局限性，本文提出了基于区域分割以及基于超像素的目标团高阶势能随机场用于进一步优化深度神经网络在图像语义分割方向的表现。这两种高阶团势能对条件随机场的优化性能都有一定的提升。将此模型应用到了基于多列卷积神经网络的人群计数系统的优化上。

论文仅供参考学习使用。 本文主要关注自底向上的显著性目标检测模型。从先验信息融合的角度出发，对显著性目标检测进行了深入研究，并将其应用到背光图像增强和交通标志识别领域。

论文仅供参考学习使用。 本文主要研究内容是通过分析国内外高校专利技术成果转化的主要方式，比较各 种成果转化方式的优缺点及适用性，在此基础上分析高校专利技术成果转化方式选择的依据，结合江苏省高校的特点，对江苏高校专利技术成果转化方式的选择提出建议。

论文仅供学习参考使用。 本文主要关注视觉显著性建模与应用。在分析己有的显著性模型的基础上，提出了新的局部对比度和全局对比度计算模型，通过巧合高层的先验信息实现自底向上与自顶向下的两种模型融合，并应用于目标跟踪。

论文仅供学习参考使用。 本文主要针对全监督场景图像理解和弱监督场景图像理解中先验信息的挖掘与利用展开研究。计对前景目标子医域间颜色纹理特征差异较大的倩况，ＳＰＣＲＦ算法通过挖掘显著巧先验信息实现复杂前景目标分割的完整性，进而提高前景目标分类精度。针对传统基于统计计数构造的共现先验信息的不足，本文提化通过构建分类器学习目标置信度先验信息Ｗ改善整体分类效果。在弱监督场景中，本文考虑了阁像间的结构信息，通过图像配准挖掘超像素间的关系，进而改善目标的分类精度。

论文仅供学习参考。 本论文内容主要包括基于结构进行图像分割、基于向量值图像的图 像分割、改进视觉显著性度量进行图像分割、多尺度化视觉显著性检测算法、增量式支持向量机学习算法研宄方面、应用增量学习向量进行图像分割、变量学习支 持向量机学习算法研宄、应用视觉显著性和进行目标分割个方面内容，从针对基础理论方法改进、静态图像分割深入、动态目标分割三个层次方面展开研究工作，最终实现将图像视觉显著性和自适应的变量学习支持向量机方法结合起来完成目标分割方面工作。

论文仅供学习参考。 本文针对图像语义分割方法进行研究，针对语义分割方法的精确度、鲁棒性、速率 以及对于图像中对象轮廓细节的概括能力上进行了仔细学习和钻研。

论文仅供学习参考使用。 论证基于计算机视觉与图像处理技术对架空线路异物检测的算法, 主要包括三个 部分图像预处理、 提取电线区域和异常物体检测。

论文仅供学习参考使用。 提出了一种改进 Canny 边缘检测算法，通过采用 5 × 5 邻域计算像素梯度幅值 的方法，提高了边缘检测精度，并采用自适应双阈值选择法，有效避免了传统 Canny 算法易出现伪边缘、边缘信息多等现象，结合 Hough 变换技术提取仪表指针信息，提高仪表识别精度。

论文仅供学习和参考。 介绍了基于计算机视觉的机场跑道异物检测和识别系统。 首先介绍了其总体结构，然后提出一种基于边缘特征的异物检测方法，最后提出了基于 Gabor 纹理的异物特征提取方法，并以此为依据进行分类。

论文仅供学习和参考。 针对铁路场景抖动发生在垂直方向的特点，提出了一维灰度投影结合高斯滤波的图像快速去抖方法，在大幅提高处理速度的同时获得了较好的去抖效果; 针对复杂多变的背景，提出了一种基于前景目标统计分布的背景更新算法，定义了目标分散指数用于确定行列投影次序，通过统计前景目标分布实现背景更新，在提高速度的同时解决了传统背景更新算法难以解决的鬼影问题。最后通过背景差分获取前景目标，并通过目标标记、合并与特性分析提高目标检测的准确性。

在智能输电线路综合监测系统中，基于航拍获得的视频图像进行故障的自动检测，具有安全可靠、不受地域影响、成本低以及高效快捷的优势。输电线路上悬挂的异物不仅影响线路的正常供电，还会危及电力线下的行人与车辆安全，严重时会造成 片区大面积停电。本文提出一种基于视觉显著性分析的输电线路异物检测方法，通过分析直升机巡检过程拍摄到的图片，在事先检测到的输电线路兴趣区域内根据人眼感知特性来计算视觉显著图，然后通过视觉显著度对颜色、形状或空间分布等特性对异物区域实现统一定位。该方法可及时地对输电线路上的异物进行自动识别，从而降低工作强度和提高工作效率。

该系统的用户有三类主体，即为教师、学生和系统管理员。因此，系统需要对毕业生用户的登陆查询上传和下载反馈各方面，对教师用户的提出选题、处理论文、上传资料等各个环节，还有管理员用户对论题的审核发布、设置用户权限管理、评定成绩答辩管理、上传文档审核和管理文档等个功能进行分析和分解。同时，对以上三个用户的所开展的各自的功能模块进行定义。

闽南理工学院毕业论文管理系统的研究与分析，该系统的用户有三类主体，即为教师、学生和系统管理员。因此，系统需要对毕业生用户的登陆查询上传和下载反馈各方面，对教师 用户的提出选题、处理论文、上传资料等各个环节，还有管理员用户对论题的审 核发布、设置用户权限管理、评定成绩答辩管理、上传文档审核和管理文档等各 云南大学硕士研究生论文闽南理工学院毕业论文管理系统的研究与分析 个功能进行分析和分解。同时，对以上三个用户的所开展的各自的功能模块进行 定义。

自计算机发明以来,计算机应用技术就在不断突飞猛进,并逐渐渗透到各个领域之中,成为当今世界不可缺少的重要技术。本文将简单介绍计算机应用,分析其发展现状,并就相应发展趋势展开探讨。

在未知环境下,针对传统模糊控制算法规划路径在某些复杂的障碍物环境中出现的死锁问题,设计了障碍逃脱策略,即当机器人进入陷阱区并在目标点方向不可行时,寻找可行方向并设置方向点,由方向点暂代目标点继续前行,沿方向点走出障碍物陷阱区后,则恢复原目标点。对于障碍逃脱策略无法走出的障碍物环境,进一步设计了转向策略,使机器人能成功走出陷阱区域,到达目标点。基于MATLAB仿真平台对所设计算法在不同环境下进行了测试和比较。结果验证了所设计算法的可行性和有效性。

伴随当前我国经济发展的速度进一步加快,很多企业逐步开始运用大数据技术进行管理。在此过程中云计算虚拟化技术逐步开始走向成熟。云计算虚拟化技术主要是收集和计算大数据,并且与其他计算机技术进行融合,大幅度提高了大数据的处理能力。

金融科技是未来全球金融竞争的制高点,是金融核心竞争力的源泉。区块链经过多年的发展逐渐形成独立的技术体系,并成为当前金融科技的先锋。本文介绍了区块链的特点,阐述了区块链的商业价值及其应用场景,在分析了区块链技术金融属性的基础上,回顾了区块链金融的民间探索,介绍了银行与科技企业拥抱区块链技术赋能传统金融的实践,考察了国家主权与超主权数字货币的发展现状,最后探讨了区块链金融的前景与挑战、联盟链与公链之争、国家主权与超主权数字货币的挑战及应对等方面。

区块链是未来信息技术的一个重要方向,区块链技术和征信系统的结合是全球的研发热点。阐述征信的概念、信息技术在征信业发展过程中的作用以及征信市场的痛点,提出新技术背景下面临的挑战。为使区块链技术与征信更有效地结合,回顾区块链的产生、发展背景,对"初级版本"区块链和普通意义上的区块链进行详细解析,逐步发现区块链对构建一种新的征信视角的重要性。区块链也可以为传统征信体系提供技术架构。基于对新技术的包容态度,提出区块链监管的政策建议,并对区块链技术应用前景进行展望。

随着现代科学技术的发展,信息技术与我们的生活和工作密不可分,它们已经成为我们生活中的一部分,为我们的生活提供了很大的方便。物联网和云计算的发展使得信息技术得到了进一步的完善和提升,它们在物流行业有很大的应用。

本文提出的方法在单一场景以及人群密集环境下都可以对暴力打斗行为进行准确识别。2.针对人脸图像在单训练样本下难以被准确识别的问题,提出了一种基于核主成分分析网络(Kerne1 Principle Component Analysis Networks,KPCANet)模型的二阶段投票人脸识别方法。该方法在不使用额外样本数据的情况下,利用非监督深层模型KPCANet对分块后的人脸图像进行训练并利用KPCA学习得到的滤波器进行特征提取,从而保证了提取的特征对光照及遮挡的鲁棒性,同时也消除了人脸局部形变对识别率的影响。本文通过投票的方法融合每一个分块的预测值来得到最后的识别结果,对于单次投票结果不唯一的情况,本文采取了二阶段的投票方法,通过扩大每一块的预测候选集,并对不同的区域赋予不同的权值来得出最后的结果,从而进一步提升了识别的准确率。实验结果表明,该方法在四个公开人脸数据集上都取得了优异的表现,算法准确率优于使用了额外数据集的通用方法,尤其是在非限制人脸数据集LFW-a上,本文提出的方法比SVDL和LGR方法准确率提升了约l5%。3.针对监控视频中人脸图像由于分辨率过低而无法准确识别的问题,提出了一种基于卷积神经网络模型的低分辨率人脸识别的解决方案。该方案提出了两种模型:多尺度输入的卷积神经网络(Convolutional Neural Networks,CNN)模型和基于空间金字塔池化(Spatial Pyramid Pooling,SPP)的CNN模型。(1)多尺度输入的CNN模型是对现有的"二步法"进行的改进,利用简单双三次插值方法对低分辨率图像进行上采样,再将上采样得到的图像与高分辨率图像混合作为模型训练样本,让CNN模型学习高低分辨率图像共同的特征空间,然后通过余弦距离来衡量特征相似度,最后给出识别结果。在CMU PIE和Extended Yale B数据集上的实验表明,模型的准确率要优于其他对比方法,相对于目前识别率最高的CMDA_BGE算法,准确率获得了 2.5%～9.9%的显著提升。(2)基于SPP的CNN模型,属于改进的"跨空间法",通过在CNN模型中加入空间金字塔池化层,使模型对于不同尺寸的输入图像都可以输出恒定维度的特征向量,最后通过比较样本库与测试图像的特征相似度就可以得到最后的识别结果。实验表明,相比多尺度输入的CNN模型,该方法在保持较高准确率的同时,省去了上采样的操作,简化了图像预处理的过程,同时也减少了传统"跨空间法"中需要学习的呋射函数的个数。4.针对监控系统中数据流传输带来的带宽占用问题以及对海量数据的快速准确分析需求,提出了一种基于"海云协同"的深度学习模型框架。海端系统利用深度学习的方法对本地数据进行训练得到局部模型,通过局部模型可以对数据进行快速检测,进而给出实时响应。海端系统通过上传局部模型和少量数据的方式协同云端训练,云端系统利用这些局部模型和数据构建更加复杂的深度模.型并进行调优,得到性能更好的全局模型。在MNIST、Cifar-10和LFW数据集上的实验表明,"海云协同"的方法有效地减少了数据传输的带宽消耗,同时也保证了海端的快速性和云端的精确性。上述方法已部分应用于中科院先导"海量网络数据流海云协同实时处理系统(XDA060112030)" 课题之中。 知网论文，学习使用

从复杂系统的历史故障数据出发,提出了一种基于长短期记忆(LSTM)循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。 知网论文，学习使用

首先阐述了汽车界对无人驾驶的定义,然后详细分析了国内外无人驾驶汽车的发展历史以及各车企和互联网公司的研究现状。通过详细分析无人驾驶汽车工作原理、体系架构设计以及具体实现方法,简单说明了目前无人驾驶汽车遇到的关键问题和难题,同时重点描述了目前深度学习在图像处理方面的突破性进展以及在无人驾驶汽车领域的应用实践,最后对无人驾驶的未来发展做了展望。 知网论文，学习使用

本论文从深度神经网络的模型结构出发,展开了较为系统和深入的研究,一方面对现有的模型进行优化,另一方面结合语音及语言信号的特性探究新的网络结构模型,从而提高基于深度神经网络的语音识别系统的性能和训练效率。首先,本文研究了基于前馈全连接深度神经网络(Deep Neural Networks,DNN)的语音声学建模。我们分别探索了基于sigmoid非线性激活函数的DNN(sigmoid-DNN)和基于整流线性单元(Rectified Linear Units,ReLU)的 DNN(RL-DNN)的大词汇量连续语音识别。首先针对传统的sigmoid-DNN,我们通过研究发现其隐层权重越往高层稀疏性越强的特性,提出了一种隐层节点递减的DNN结构,命名为sDNN。实验结果表明sDNN可以在保持性能基本不变的情况下将模型参数量减少到45%,从而获得2倍的训练加速。进一步地我们提出将dropout预训练作为一种神经网络的初始化方法,可以获得相比于传统的无监督Pre-training更好的性能。然后我们针对RL-DNN的研究发现,通过合理的参数配置,可以采用基于大批量的随机梯度下降算法来训练RL-DNN,从而能够利用多个图形处理单元(Graphic Processing Unit,GPU)进行并行化训练,可以获得超过10倍的训练加速。进一步地我们提出了一种绑定标量规整的方法用于优化RL-DNN的训练,不仅使得训练更加稳定,而且能够获得显著的性能提升。其次,本文提出一种固定长度依次遗忘编码(Fixed-size Ordinally Forgetting Encoding,FOFE)方法用于语言模型建模。FOFE通过简单的顺序遗忘机制来对序列中的单词位置进行建模,可以将任何可变长度的单词序列唯一地编码成固定大小的表达。本研究中,我们提出基于FOFE的前馈神经网络语言模型(FOFE-FNNLM)。实验结果表明,在不使用任何反馈连接的情况下,基于FOFE的FNNLM显著的优于标准的基于1-of-k编码作为输入的FNNLM,同时也优于基于循环神经网络(Recurrent Neural Networks,RNN)的语言模型。再次,本文提出了一种新颖的神经网络结构,命名为前馈序列记忆神经网络(Feedforward Sequential Memory Networks,FSMN)。FSMN 可以对时序信号中的长时相关性(long-term dependency)进行建模而不需要使用反馈连接。本研究所提出来的FSMN可以认为是在标准的前馈全连接神经网络的隐藏层中配备了一些可学习的记忆模块。这些记忆模块使用抽头延迟线结构将长时上下文信息编码成固定大小的表达作为一种短时记忆机制。我们在语音识别声学建模以及语言模型建模任务上验证了所提出的FSMN模型。实验结果表明,FSMN不仅可以取得相比于当前最流行的循环神经网络更好的性能,而且训练更加高效。在此基础上,我们探索了 FSMN模型的改进,通过结合低秩矩阵分解的思路以及修改记忆模块的编码方式提出了一种结构简化的FSMN,命名为cFSMN。同时通过在cFSMN的记忆模块之间添加跳转连接,避免深层网络训练过程梯度消失的问题,实现了非常深层的cFSMN的训练。我们在Switchboard数据库以及Fisher数据库进行的声学建模实验验证了所提出的模型的性能。Fisher数据库的实验结果表明基于深层的cFSMN的识别系统相比于主流的基于BLSTM的识别系统可以获得13.8%的相对词错误率下降。最后,本文提出一种用于高维数据建模的新模型,称之为联合优化正交投影和估计(Hybrid Orthogonal Projection and Estimation,HOPE)模型。HOPE 将线性正交投影和混合模型融合为一个生成模型。HOpe模型本身可以从无标注的数据中通过无监督最大似然估计方法进行无监督学习,同时也可以采用带标注的数据进行有监督学习。更为有趣的是,我们的研究阐述了 HOPE模型和神经网络之间的密切关系。HOPE可以作为一个新的工具用于探究深度学习的黑盒子,以及用于有监督和无监督深度神经网络的训练。我们在语音识别TIM1T数据库以及图像分类MNIST数据库验证了基于HOPE模型的无监督、半监督以及有监督学习。实验结果表明,基于HOPE框架训练的神经网络相比于现有的神经网络在无监督、半监督以及有监督学习任务上都获得显著的性能提升。 知网论文，学习使用

本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象诊断,取得良好效果。并通过加权的LIBLINEARSVM验证了在正负样本分布严重不均衡的情况下,CHDNet可以学习到稳定的特征表达。2)提出局部线性嵌入网络(Locally Linear Embedding Network,LLENet)。提出利用图像重构集和类内-类间判别矩阵对LLE算法进行改进,并将基于LLE算法的改进嵌入到卷积核的学习、构建过程中,增加了不同类之间特征表达的区分度。LLENet能够更好地保持图像数据原有的流形结构,并在人脸表情数据库(JAFFE和CK+)和人脸识别数据库(Extended Yale B)上,通过实验证明了 LLENet算法的有效性。实验结果表明,LLENet学习的特征表达不仅优于经典的人工设计的特征提取方法,而且比同类的CNN、PCANet深度学习特征提取方法更加有效。3)研究小样本数据集下基于迁移学习和全连接神经网络(Fully Connected Net-work,FCNet)的深度学习方法。分析了将深度卷积神经网络 CNN 模型迁移到小样本数据的方法,通过热度图展示了不同类别的特征,并构建用于分类的全连接分类器FCNet,特征提取和分类可以分段进行,实现了超声图像中的肝纤维化分类,达到93.90%的准确率。综上所述,本文主要研究了基于局部特征卷积核的神经网络:CHDNet和LLENet,以及在应对小样本数据集时的处理方法。通过实验,本文验证了上述算法的有效性及实际应用价值。 知网论文，学习使用

该文首先概述了卷积神经网络的发展历史,然后分别描述了神经元模型、多层感知器的结构.接着,详细分析了卷积神经网络的结构,包括卷积层、池化层、全连接层,它们发挥着不同的作用.然后,讨论了网中网模型、空间变换网络等改进的卷积神经网络.同时,还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具.此外,该文以图像分类、人脸识别、音频检索、心电图分类及目标检测等为例,对卷积神经网络的应用作了归纳.卷积神经网络与递归神经网络的集成是一个途径.为了给读者以尽可能多的借鉴,该文还设计并试验了不同参数及不同深度的卷积神经网络来分析各参数间的相互关系及不同参数设置对结果的影响.最后,给出了卷积神经网络及其应用中待解决的若干问题. 知网论文，学习使用

边缘计算中的"边缘"是个相对的概念,指从数据源到云计算中心数据路径之间的任意计算资源和网络资源.边缘计算的基本理念是将计算任务在接近数据源的计算资源上运行.首先系统地介绍边缘计算的概念和原理;其次,通过现有研究工作为案例(即云计算任务迁移、视频分析、智能家居、智慧城市、智能交通以及协同边缘),实例化边缘计算的概念;最后,提出边缘计算领域所存在的挑战.该文希望能让学界和产业界了解和关注边缘计算,并能够启发更多的学者开展边缘式大数据处理时代边缘计算模型的研究。

基于移动平台的智能家居应用已经成为智能家居系统不可或缺的重要组成部分。本课题的主要内容是设计实现一个基于Android的智能家居APP，并提炼出可复用的中间件。本文首先介绍了智能家居APP的开发背景和意义，以及相关知识和技术。接着，按照软件需求层次，分析了智能家居APP的需求。然后，给出了智能家居APP的总体设计，包括系统平台选择、软件结构设计、系统功能模块划分和数据结构设计等。随后，详细介绍了基础功能层和核心功能层的设计与实现，这两层的模块以中间件的形式存在。最后，介绍了用户功能的详细设计与实现。本文介绍的智能家居APP是智能家居系统的重要组成部分，有较高的实用价值。本文按照软件分层思想设计的智能家居APP中间件，符合高内聚低耦合的准则，具有重复使用的价值。本文介绍的基于Android的智能家居APP的设计思想和开发方法，对其他移动平台的应用开发也具有一定的参考价值。 来自知网论文，供学习使用

针对动态物联网隐私安全问题及低效推荐系统问题,提出一种高效隐私的区块链认知物联网框架,所提框架分为区块链物联网管理层、认知过程层和需求层三层,在区块链物联网管理层为认知层提供所需信息,然后对系统的可管理元素进行安全隐私的操作;在认知层中,认知引擎观察有关系统的信息,然后执行适当的算法来管理系统;在需求层中,通过认知规范语言(cognitive specification language,CSL)来描述网络的目标和行为。所提区块链物联网框架的认知推荐系统从过去发生的经验中学习,改进关于物联网推荐的决策。与其他物联网框架比较,所提框架和推荐系统具有隐私安全和高性能推荐能力。 来自知网论文，下载后学习使用