南京市部分地区菜鸟驿站分布图
计算机论文范文一：无人机的智能物流调度优化方法及其应用
本文针对“城市最后一公里”物流难的问题,结合现有的研究成果,提出了一种可行的解决方案,以减少配送时间作为优化目标,对于提高物流系统的效率具有实际的作用。本文主要研究内容如下:1)针对“城市最后一公里”的问题,提出了一种新型的快递配送系统的解决方案。
第一章 绪论
1.1 研究背景
1.2 研究内容和意义
1.3 论文组织结构
第二章 国内外研究现状及应用
2.1 无人机及其应用
2.2 无人机在物流方面的应用
2.3 调度优化问题在物流领域的应用
2.4 本章小结
第三章 无人机物流调度系统分析及模型构建
3.1 问题分析
3.2 设计方案
3.2.1 系统总体方案
3.2.2 配送流程
3.3 模型构建
3.3.1 模型假设
3.3.2 符号列表
3.3.3 模型的建立
3.4 本章小结
第四章 模型求解与算法设计
4.1 解的表示和初始解
4.2 启发式算法
4.2.1 局部搜索算法
4.2.2 模拟退火算法
4.2.3 改进的模拟退火算法
4.3 自适应的禁忌搜索算法
4.4 本章小结
第五章 算法对比及系统实现
5.1 参数校准
5.2 算法对比
5.3 原型系统及实现
5.3.1 硬件基础
5.3.2 软件设计
5.3.3 无人机物流配送系统应用
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
计算机论文范文二：基于软件流水技术的深度卷积神经网络并行化研究
卷积神经网络的数据拟合能力与模型深度有着密切的联系,使用深层的网络结构可以提取到更高等级的特征,并提高算法在数据集上的表现。然而增加卷积神经网络的层数会扩大整个模型的体量,导致完成模型推断以及训练任务的时间增大,加快卷积神经网络的执行速度已经成为一个重要的研究热点。为了解决深层卷积神经网络计算速度慢的问题,提出了基于软件流水技术的并行化卷积神经网络方法Pipe CNN。实验结果表明,在保证训练精度的情况下,该方法加速了卷积神经网络的训练过程,并能够取得良好的加速比以及设备利用率。
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 深度卷积神经网络的并行化研究现状
1.2.2 软件流水技术的研究现状
1.2.3 深度学习网络中损失函数的研究现状
1.3 论文的组织结构
第二章 卷积神经网络及流水线简介
2.1 深度卷积神经网络
2.2 并行计算简介
2.2.1 并行与并行计算
2.2.2 相关性
2.2.3 同步
2.2.4 评价指标
2.3 流水线简介
2.3.1 重叠方式
2.3.2 流水方式
2.4 本章小结
第三章 基于软件流水的卷积神经网络前向传播并行化方法
3.1 卷积神经网络前向传播简介
3.1.1 单个神经元
3.1.2 多层前馈神经网络
3.1.3 前向传播算法
3.2 基于软件流水的卷积神经网络前向传播算法主要思想及实现
3.2.1 软件流水前向传播算法的主要思想
3.2.2 任务分配算法
3.2.3 基于循环队列的软件流水前向传播算法实现
3.2.4 实验结果及分析
3.3 本章小结
第四章 基于软件流水的卷积神经网络并行化训练方法
4.1 基于软件流水的卷积神经网络反向传播算法
4.1.1 卷积神经网络反向传播算法
4.1.2 基于软件流水的卷积神经网络反向传播算法主要思想
4.1.3 Pipe CNN反向传播中最小任务单元的构建
4.2 基于软件流水的卷积神经网络参数更新方法
4.2.1 数据并行与模型并行
4.2.2 Pipe CNN的模型并行
4.2.3 Pipe CNN的权值更新
4.3 实验结果及分析
4.4 本章小结
第五章 基于改进Focal Loss损失函数的卷积神经网络
5.1 Focal Loss简介
5.2 基于Sigmoid改进的Focal Loss函数
5.2.1 Focal Loss的优缺点分析
5.2.2 基于Sigmoid函数改进的Focal Loss函数的主要思想
5.3 实验结果及分析
5.3.1 基于改进的Focal Loss函数在Retinanet网络中的实验
5.3.2 基于改进的Focal Loss函数在分类任务中的实验
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
计算机论文范文三：基于wi-fi的园区内定位和导航系统
园区场景中卫星信号缺乏的问题,使得GPS、北斗等卫星导航系统不能使用。园区中覆盖了 WiFi信号,这为园区场景中实现定位和导航系统提供了新思路。与具有视线（Line of Sight,LoS）传输路径的室外定位不同,园区内由于建筑物的遮挡,茂密的植被等问题,WiFi信号在传播时存在多径效应,阴影和衰落,造成信号在接收机处的失真,进而导致定位精度严重下降,不能满足导航功能。另外,在导航系统中的路径规划部分,虽然已经有很多学者优化了AStar算法的代价函数,提升了 AStar算法的性能,但是在AStar算法搜索方向上做出优化的研究较少。
无人机地面控制站（QGC）操作界面
第一章 绪论
1.1 研究背景
1.2 园区内定位与导航研究现状
1.2.1 基于信道状态信息的定位研究
1.2.2 路径规划研究现状
1.3 论文主要工作以及章节安排
第二章 相关背景知识
2.1 信道状态信息的理论基础与获取
2.2 WiFi定位理论基础
2.2.1 射频通道矫正原理
2.2.2 相干信号解相干
2.2.3 超分辨率MUSIC算法
2.3 迭代搜索法
2.4 本章小结
第三章 基于CSI的园区定位
3.1 基于CSI的直达路径到达角的估计
3.2 基于CSI的距离估计
3.2.1 消除自动增益控制的影响
3.2.2 CIR多径抑制
3.3 基于CSI的单AP定位估计
3.4 基于CSI的单AP定位的实验分析
3.5 本章小结
第四章 路径规划
4.1 环境建模
4.2 传统AStar算法
4.2.1 开始搜索
4.2.2 路径排序
4.2.3 继续搜索
4.2.4 确定实际路径
4.3 改进AStar算法
4.4 实验结果分析
4.5 本章小结
第五章 园区内定位与导航系统实验与评估
5.1 园区内定位与导航系统原型设计与实现
5.1.1 园区内定位与导航系统组成
5.1.2 系统工作流程
5.2 园区内定位与导航系统实验结果分析
5.2.1 实验环境与数据采集
5.2.2 系统性能实验评估
5.3 园区内导航功能
5.4 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 后续工作展望
参考文献
计算机论文范文四：基于深度学习的高速列车底板螺栓缺陷检测研究
本文提出的基于深度学习的检测方法,能够实现高速列车底部螺栓的精准定位,并且识别其状态正常与否,这对于提高列车的检修效率具有重要实践意义。本文将列车螺栓缺陷检测分为两个阶段,第一阶段完成对底板螺栓的定位任务,第二阶段完成定位螺栓的缺陷检测任务,判断其工作状态是正常还是丢失,主要工作如下:一是在螺栓的定位方面,采用Label Img标图软件标注了13239张底板图像中的三类螺栓,完成数据集的制作。
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文研究内容
1.4 本文结构安排
第二章 深度学习相关理论
2.1 深度学习的发展历程
2.2 深度学习的基本原理
2.2.1 基本的神经网络模型
2.2.2 误差反向传播算法
2.3 卷积神经网络
2.3.1 卷积神经网络的优势
2.3.2 卷积神经网络的基本架构
2.4 现代经典卷积神经网络
2.4.1 LeNet-5
2.4.2 AlexNet
2.4.3 VGG
2.4.4 ResNet
2.5 本章小结
第三章 高速列车底部螺栓定位方法
3.1 基于深度学习的目标检测算法
3.1.1 Faster R-CNN的研究
3.1.2 SSD的研究
3.1.3 Yolov3的研究
3.2 Yolov3算法的anchor改进
3.2.1 适应度函数
3.2.2 染色体编码
3.2.3 种群的初始化
3.2.4 选择操作
3.2.5 交叉操作
3.2.6 变异操作
3.3 模型训练与实验结果对比分析
3.3.1 底板数据集标注
3.3.2 VOC格式修改
3.3.3 模型训练
3.3.4 实验结果可视化对比
3.3.5 实验结果数据对比
3.4 本章小结
第四章 高速列车底部螺栓缺陷检测方法
4.1 改进的VGG16网络模型
4.1.1 神经网络的剪枝
4.1.2 替换全连接网络
4.2 网络模型训练准备
4.2.1 深度学习框架的选择
4.2.2 数据集的准备
4.3 网络模型的训练过程
4.3.1 学习率调整
4.3.2 网络迁移学习的训练
4.4 实验结果对比与分析
4.4.1 VGG16网络优化前后实验对比
4.4.2 针对网络剪枝优化前后对比
4.4.3 界面的设计与实现
4.5 本章小结
第五章 总结和展望
5.1 全文总结
5.2 展望
参考文献
计算机论文范文五：面向分布不平衡数据的分类算法研究
在实际应用中,数据标签的分布往往是不平衡的,并且少数类样本是我们关注的重点。因此,研究不平衡数据的分类方法很有必要。针对不平衡数据的分类问题,主要从数据采样和算法改进两个方面进行研究;当数据分布极端不平衡时,也可以从异常检测的角度进行研究。
第一章 绪论
1.1 课题背景
1.2 研究现状
1.3 主要研究内容
1.4 组织结构
第二章 相关背景知识介绍
2.1 数据采样
2.1.1 过采样方法
2.1.2 欠采样方法
2.2 集成学习
2.3 异常检测
2.4 评价指标
2.5 本章小结
第三章 基于临时标记的TempC-SSMOTE过采样方法
3.1 相关工作
3.1.1 SMOTE方法
3.1.2 Safe-level-SMOTE方法
3.1.3 TempC方法
3.2 基于临时标记的TempC-SSMOTE过采样方法
3.3 实验验证
3.3.1 实验数据及处理
3.3.2 实验结果及分析
3.4 本章小结
第四章 基于CMAES算法的集成学习方法
4.1 相关工作
4.1.1 集成学习
4.1.2 CMAES算法
4.2 基于CMAES算法的集成学习方法
4.3 实验验证
4.3.1 实验数据及处理
4.3.2 实验结果及分析
4.4 本章小结
第五章 基于异常检测思想的特征处理方法
5.1 相关工作
5.1.1 PCA异常检测
5.1.2 MCD异常检测
5.1.3 LOF异常检测
5.1.4 HBOS异常检测
5.2 基于异常检测思想的特征处理方法
5.3 实验验证
5.3.1 实验数据及处理
5.3.2 实验结果及分析
5.4 本章小结
第六章 总结与展望
参考文献
论文写作涉及到的论文选题、标题、摘要、提纲、开题报告、答辩等方面，本网都有为大家提供相关的写作素材，有任何问题，欢迎随时咨询。