一、基于Ada95的语言识别器生成器的研究（论文文献综述）
杨泽恩[1]（2021）在《基于迁移学习的跨域行为检索研究》文中研究指明近年来,基于卷积神经网络的方法显着提高了大量计算机视觉任务的准确率。其中,基于深度学习的动作行为识别和定位也取得了巨大进展,该任务的目标是确定未剪辑视频中动作实例的开始和结束时间以及对应的类别标签,其中所包含的时域行为检索步骤是视频动作理解中一个有希望和有挑战性的任务,它要求使用相对较少的推荐区域来检索包含高召回率和高重叠率的真实动作实例。当前的时域行为检索方法通常假设训练和测试数据来自相同的分布,这在实践中并不总是成立,理想数据和真实数据的分布不匹配问题会导致模型在真实世界中显着的性能下降。为了解决上述域分布差异问题,本文在三个层面上设计了域适应模块:1)视频级偏移,如视频风格、视频质量等;2)实例级偏移,例如动作实例的外观等;3)边界级偏移,动作是如何触发和终止的。从最近最先进的行为检索生成器出发,本文分别在视频级、实例级和边界级上设计了三个域自适应组件,共同减少域差异。在实验中,使用了两个基准数据集（THUMOS14,ActivityNet1.3）来评估所提出方法的性能。同时在Charades-Ego数据集上进一步论证了方法在跨视角视频检索任务上的适用性。本文提供了大量的定性分析和消融实验来验证方法中各模块的有效性。在本文中,介绍了域自适应时域检索模型,这是一种有效的跨域时域检索方法。利用本文的方法,使用者可以在不使用任何额外标记数据的情况下获得一个新领域下鲁棒的时域行为检索器。本文的方法建立在现有最先进的时域检索模型上,并在不同的域迁移场景下得到了验证,其中自适应方法明显优于基线网络,从而证明了模型对跨域行为检索任务的有效性。
刘玮[2]（2020）在《面向高分辨率遥感图像分类的域适应算法研究》文中认为随着航空航天技术的发展,大量高分辨率对地观测数据变得容易获取。如何将这些数据在有限的人力物力的条件下精确地解译为所需要的地物信息,是我国发展地理信息产业的关键点之一。在遥感信息解译任务中,传统的有监督学习需要从待解译图像（目标域）中事先获得一部分高质量的样本标签。这样不仅费时费力,而且不可能具备实时解译能力。在实际应用中,大量已经标注好的遥感数据（源域）很容易获得且没有任何额外成本。本文的主要研究内容是如何充分利用源域信息在目标域没有标签的情况下对目标域分类。现有机器学习算法大多假设训练集与测试集具有相同的特征分布。然而,源域和目标域遥感图像由于数据获取方式、光照条件、大气条件、地物风格以及地物模式等的不同,使得源域和目标域特征的联合概率密度分布可能存在显着差异。这样的特征分布差异使得上述机器学习算法中的假设不成立,导致由源域直接训练而得的分类器在目标域上的分类结果通常不理想。为了在遥感图像解译中无需对目标域进行费时费力的人工标记,如何有效地减小源域和目标域的差异就成了核心问题。域适应（Domain Adaptation,DA）算法通过解决上述问题,使得用源域标签训练的分类器在目标域数据上的性能能够得到提升并已经成为减少标记数据成本的一个重要方法。本文开展了面向不同遥感图像分类应用场景下的域适应算法研究。本文根据源域和目标域遥感图像差异的大小以及数据量的多少提出了不同的域适应算法,旨在不依赖任何目标域标签的情况下,提高对目标域遥感图像和场景的分类能力。本文的主要研究内容包括以下四个方面:第一部分研究了面向源域和目标域遥感图像来自相同地区的域适应算法。同地区遥感图像间往往差异较小且存在较强的相关性。本文旨在用计算量较小的域适应算法和较少的源域数据,对和源域位于同地区的目标域图像进行分类。该类应用包含两类具体场景:源域和目标域为同位置不同时相的遥感图像或同地区不同位置的遥感图像。首先,针对源域和目标域的图像来自于同一地区这一前提,本文假设两个域的差异相对较小,可以生成相对准确的伪标签来估计目标域数据的条件概率密度分布。基于此,提出了离散度优化的联合分布适配算法。基于所提出的这一算法,本文针对多时相遥感图像和同地区相邻位置的遥感图像两类具体应用场景进一步分别提出了两套迁移学习的算法流程框架。最后,通过相应的实验验证了算法的有效性。第二部分研究了在源域和目标域分别为异地区多模态遥感数据情况下应用于图像分类的域适应算法,旨在针对源域和目标域差异较大、数据量较少但可以获得诸如高程信息等辅助信息的情况,提高对目标域数据的分类精度。单独考虑这种情况,一方面是由于非深度学习算法的域适应性能虽然不如深度学习算法,但其计算量较小,对数据量的要求较低,所以有充分的研究意义。另一方面,非深度学习的域适应算法提取特征的能力以及对复杂的域适应映射的拟合能力相对较弱。为了达到较为理想的分类效果,本部分主要针对含有更多信息的多模态数据进行研究,提出了多核联合域适配算法。该算法利用多核学习的方法,在多核空间中对源域和目标域的数据进行分布对齐和权重调整。所提算法实现了异地区多模态遥感图像之间的迁移学习。同时,在单模态场景下,多核联合域适配算法依然有效,但改善后的分类精度依然较低。即使如此,在数据量或计算能力不足以支持深度学习训练的情况下,本部分所提算法仍不失为解决异地区遥感图像间迁移学习问题的一种方案。第三部分研究了面向源域和目标域分别为异地区单模态（三通道）遥感图像情况下应用于图像分类的域适应算法。旨在当源域和目标域差异较大且仅有三通道光学图像可用时,通过域适应的方法仍然可以大幅提高对目标域图像的分类性能。面向这类场景,本文提出了双空间对齐网络域适应算法。基于对抗性学习的基本思想,本文提出了双空间对抗性学习策略同时减少源域和目标域在特征空间和输出结构空间的差异。此外,所提方法能够同时对齐源域和目标域在图像表示和小波表示的特征分布。实验表明,这一策略能够进一步提升网络的域适应性能。第四部分研究了面向遥感场景分类的域适应算法,旨在利用已有的遥感场景分类数据对与其存在差异的场景进行有效的分类。针对场景分类和图像分类任务的不同点,本文提出了一个用于场景分类的对抗性域适应网络。该网络能够充分利用源域的标签信息,通过带有辅助分类器的生成式对抗网络的思想减少源域和目标域的差异。同时,本文提出了域混淆网络的新概念,通过域混淆网络,所提方法能够进一步提高对目标域遥感场景分类的精度。
方一帆[3]（2020）在《基于机器视觉的大型物流车辆智能防窃系统研究与应用》文中认为本文针对如何有效的管理运输环节中的物资安全,了解到大型公路货运车辆在运输途中容易遭到偷窃货物或者燃油,而在防范偷窃方面大部分的货车采取的措施都十分被动且依赖人力。随着国家政策对智能化物流的推进和当前机器视觉技术的发展,利用人工智能技术进行货运车辆防窃成为一种可行的方案。通过在车身头部位置安装摄像头,覆盖油罐口、货柜门、泄压阀等重要位置的视野,借助深度学习,视频识别,自动报警,侵入检测,多目标跟踪等功能的集合,实现驾驶员泊车后自动识别偷窃货物者、保存犯罪证据并报警的智能防窃系统。本文首先分析大型公路货运车辆防窃现状和智能化物流主要技术。通过一定的调查和统计资料查询,了解当前大型公路货运车辆的主要失窃环境、位置、时间点以及防窃手段和防窃效果,分析解决货物失窃问题的关键点,将失窃问题和智能化物流中的相关技术结合,提出用基于机器视觉的智能化技术来解决大型公路货运车辆失窃问题。接下来研究基于机器视觉的智能防窃所涉及的主要技术及方法。该部分主要包括对适合该问题的视频识别环境的深度学习框架研究,用于侵入检测的算法的选择与优化研究等。然后进行数据的采集与训练。在相关的理论基础之上,采集大量图像数据,这些图像的拍摄场景选择大型货运车辆的主要失窃场景,被拍摄者需要在摄像头视野中模拟偷窃者作案时的各种姿态,同时考虑到天气环境的影响,在多种复杂天气下采集数据。采集完成的数据要进行填充、去噪和尺寸修改等一系列处理,处理完成后按照识别要求标注,从而制作成为数据集。得到模型之后在测试中对模型改进与算法优化,同时进行应用软件和数据库的开发。对训练结果在模拟场景进行实验性研究,判断识别速度和识别率等是否合格,对出现的不合格的情况进行分析研究并改进最后进行研究总结。通过现场测试发现该研究的不足和缺漏,对缺失的功能再研究新模块补充,对遇到的问题改进并汇总。
王攀龙[4]（2020）在《基于ARC处理器的视觉识别硬件加速技术研究》文中研究指明随着人工智能从概念到产业化的逐步落地,越来越多的产业开始与AI相互融合,迸发出新的活力。在嵌入式机器视觉前端设备中进行复杂的视觉处理及分析是一个必然的发展趋势,这就对嵌入式视觉系统的计算性能提出了更高的要求。将特定的图像处理算法设计为专用硬件加速器,集成在嵌入式片上系统中,完全通过硬件逻辑来实现所要求的功能,通过硬件并行性增加图像处理计算的并发性,能够极大地提高嵌入式机器视觉系统的数据吞吐量和图像处理和分析的能力。在基于低成本通用处理器的机器视觉系统中加入专用硬件加速器的方案不仅可以提高嵌入式视觉系统的视觉处理能力,同时可以保持系统的灵活性。因此,嵌入式机器视觉系统的硬件加速研究有着重要的意义。本文主要针对视觉识别应用需求,研究基于ARC HS嵌入式多核处理器平台的视觉识别算法硬件加速技术。主要工作及贡献如下:首先,本文研究了软硬件协同设计方法和ARC HSDK嵌入式开发平台以及用于快速验证硬件设计的HAPS-DX平台,提出了基于ARC HS处理器的人脸识别硬件加速系统的功能要求和总体框架,设计了基于多核ARC处理器平台的硬件加速方案,用以提升嵌入式前端对人脸检测与识别处理的性能。其次,研究了基于Haar特征的Adaboost人脸检测算法和Eigenface、Fisherface、LBPH三种人脸识别方法,使用Open CV开源视觉库在PC机上进行这些人脸检测算法的检测率和人脸识别算法的识别率的测试实验,并在ARC HSDK平台上进行了检测和识别速度的测试实验,发现人脸检测算法严重影响系统的实时性,提出对人脸检测算法进行硬件加速实现。然后,采用软硬件协同设计思想,针对Adaboost人脸检测算法进行硬件加速设计,针对人脸检测功能模块中关键的图像缩小模块和图像子窗口积分图计算模块以及Adaboost级联分类器模块的并行性结构进行了设计优化;同时对硬件加速模块进行了AXI4总线接口设计,满足了与嵌入式平台的高效通信的需要。利用AXI Tunnel接口,建立了嵌入式平台与硬件算法模块的总线通信接口,并对基于Linux系统的接口通信驱动程序进行了设计,满足了在软件层次访问硬件加速协处理器的需要。最后在基于FPGA的HAPS-DX硬件原型验证平台上进行了进行视觉识别系统软硬件协同验证,对人脸检测硬件加速器进行功能和性能测试实验,实验表明基于ARC HS处理器的人脸识别硬件加速系统可以完成预定的人脸检测和识别功能,并且以640*480分辨率的图像输入时,在不影响检测率的情况下,人脸检测硬件加速器的检测速度比软件实现性能提升达到11倍。
于彤彤[5]（2019）在《通信教学实验排队系统的设计与实现》文中研究指明如今,通信专业成为学生专业选择的热门方向,有大量学生涌入该领域。但是各高校教学经费有限,且实验设备价格昂贵,现有的实验设备数量很难满足较多学生同时进行通信实验的需求,无法保证实验教学的质量和效率。且现有的通信实验教学系统采用分时独占设备方式,由学生通过终端直接登录到设备进行实验,不能充分利用有限的教学资源,实验任务执行效率低,实验设备信息安全性差,并且对于复杂协同实验的可扩展性弱。因此,建设高效、安全、通用性强、可扩展性强的通信教学实验排队系统显得尤为必要。鉴于此,本文通过调研及分析现有的通信教学实验系统,并针对现有系统实验效率低、系统安全性差的问题,提出了实验任务排队的调度策略,致力于设计开发一个基于B/S（Browser/Server）架构的通信教学实验排队系统。该系统既保证了实验教学的效率,也提高了实验设备的安全性,有利于通信专业实验教学的有效开展。本文对通信教学实验排队系统的核心功能——实验任务排队和任务调度执行相关功能模块进行了详细的设计,解决了学生需要直接登录到设备,采用分时独占设备方式进行实验的问题,提高了实验教学效率;对通信实验进行了抽象建模和形式化描述,设计了多人协同实验的任务调度执行策略,保证多人协同实验教学的开展,增强了系统对复杂实验的可扩展性。本文对通信教学实验排队系统的各个功能模块进行了详细的需求分析和功能设计,并进行编码实现。在通信教学实验排队系统的实现中,本文采用了 SSM（Spring-SpringMVC-Mybatis）框架相关技术,并对系统进行了功能和性能测试,测试结果表明本系统具有较高的通用性和实用性。
杨阳[6]（2019）在《基于微多普勒特性的人体运动识别方法研究》文中提出雷达信号中的微多普勒效应使雷达除了具有探测方位、速度及距离的功能之外,还具有识别目标的能力。基于微多普勒特性的人体运动识别在人机交互、自动驾驶、医疗监控、灾害救援等领域具有巨大的应用价值。本文基于雷达仿真数据与实际探测数据,针对单基站雷达系统识别人体运动时存在的行为识别、目标识别、全向识别、单分类与开集识别、识别模型迁移等问题开展了研究,主要的研究内容及创新性工作如下。研究了基于微多普勒特性的人体行为及目标识别问题。在行为识别方面,提出了基于微多普勒特性的卷积神经网络建模方法,实现了对七种不同人体行为的准确识别;提出了基于注意力机制的卷积神经网络模型,在不同信噪比环境下取得了良好的行为识别效果。在目标识别方面,研究了基于微多普勒特性实现目标识别的可行性,提出了基于自适应注意力机制的卷积神经网络模型,实现了多行为、多目标识别。研究了基于微多普勒特性的人体运动全向识别问题。针对分类器在全向识别任务中存在的角度敏感性现象,提出了评估微多普勒全向识别效果的新方法,还设计了一种新型的卷积神经网络模型,有效地解决了基于微多普勒特性的人体运动全向识别问题,并详细讨论了模型设计对全向识别任务的影响。研究了基于微多普勒特性的人体运动单分类及开集识别问题。基于生成对抗网络,提出了一种可同时用于单分类及开集识别的深度学习模型。针对所提模型训练难的问题,提出了一种修正的梯度惩罚策略,并结合早停策略实现了模型的快速收敛。训练后的模型可以较好地完成基于微多普勒特性的人体运动检测和行为的开集识别任务。研究了基于微多普勒特性的人体运动识别模型迁移方法。对仿真和实测数据进行了多特征提取,并通过特征融合构建了跨领域特征空间,在该特征空间内训练了基于仿真数据的人体行为分类器,并利用这个分类器实现了对实测数据中人体行为的有效识别。
殷冰磊[7]（2018）在《基于量子框架的机器人控制软件系统研究》文中进行了进一步梳理如今,随着自动化需求的增加,工业自动化对工业机器人的要求也不断提高。为了克服工业机器人本体因复杂多变的环境受到的限制,解决传统工业机器人软件系统设计周期长,开发成本高,灵活性低,移植性低,后期可维护性和可更新性差的问题,本文采用事件驱动型编程技术与分层体系架构来构建开放式的机器人控制软件系统。本文的机器人控制软件系统是基于量子框架而设计的。量子框架是一种轻量级的事件驱动型编程框架,结合了状态机技术与面向对象的思想,其中主动对象计算模型、量子框架事件处理器、量子框架内核等理论模型为该系统的设计提供了理论应用基础。该机器人控制软件系统采用分层体系架构搭建,实现了对各个资源的有效划分和管理。在该架构的实现中,底层对上层而言是透明的,中间层封装了实时操作系统和组件的服务接口,隐藏了软/硬件的差异,为应用层提供了独立于平台的运行环境。应用层采用主动对象计算模型进行建模,其图形化的设计能够有效提高系统应用的开发效率和软件质量。机器人编译系统是机器人控制软件的关键核心。本文设计了机器人编程指令语言及其编译系统,研究了机器人语言编译器前端和后端的工作原理及实现过程,其中前端包括了词法分析、语法分析和语义分析,中间代码生成,后端则包括了机器人执行指令的生成。最后对该机器人控制软件系统进行调试,并采用白盒测试与黑盒测试的方法对该系统进行了测试验证。
崔琳[8]（2018）在《软件开发工作量预估方法研究 ——以A公司软件开发项目为例》文中指出在实践中,企业缺乏软件开发的能力,将大部分的软件系统开外包给乙方开发商进行开发。但是在开发过程中企业不能很好的对开发流程进行管理,造成资源浪费,开发成本过高等问题。因此众多甲方公司委托第三方管理公司对乙方的软件开发过程进行管理。本文即从第三方管理公司的角度出发,研究适用于项目管理过程中的软件开发工作量预估方法。通过对预估方法的研究总结发现,预估精度高的方法要求以开发的具体数据作为输入,而且预估过程繁琐且不易于理解,更适合开发商使用。对于第三方公司所拥有的数据类型和管理需求,现在所适用的预估方法均不能达到很好的预估精度。因此通过对多种预估方法的研究总结,本文建立起适用于第三方管理公司的预估方法:在WBS分解的基础上利用FPA法预估项目规模,再以项目规模为输入利用COCOMOⅡ模型进行工作量预估,最后采用专家法对估算过程进行优化。同时,本文以A公司人力资源系统开发为例,用该预估方法进行软件开发工作量预估。预估后人力资源系统的工作量较预估之前有大幅度的下降,开发工作量得到了很好的控制,说明了本文预估方法是有效的和可操作的。除此之外,在本文的最后还为第三方管理公司提出了一系列在软件开发工作量预估过程中的管理措施,结合预估方法的使用,在项目管理过程中更好的进行工作量预估,合理配置开发资源。
张超[9]（2013）在《面向汽车电子OS的模型驱动开发方法的研究与实现》文中认为近年来，随着汽车电子领域的快速发展，汽车电子领域的软硬件系统变得越来越复杂。针对日趋复杂的汽车电子系统，各大汽车厂商以及部分研究机构先后提出了OSEK和AUTOSAR标准来提高系统的交互性、扩展性以及安全性。模型驱动架构（MDA）是软件工程领域提出的新的软件开发模式，它旨在提高软件的开发效率、开发质量以及后期的可维护性，因而在传统软件开发中得到了广泛的应用。由于标准MDA中缺乏对汽车电子领域的支持，因而很难将MDA的开发方法直接应用到汽车电子操作系统的开发当中。本文主要的研究内容包括：为提高汽车电子应用的可靠性，通过研究当前最新的AUTOSAR操作系统标准，实现了AUTOSAR操作标准中的OS-APPLICATION模块。在对比MDA开发过程和传统软件开发过程的基础上，结合汽车电子领域的特点，设计了一套用于汽车电子操作系统建模的方法；在深入研究UML标准的基础上，使用UML对AUTOSAR操作系统中的调度表模块进行建模，设计和实现了用于将UML模型转换为C语言代码的代码生成器；针对UML缺乏动作语义的问题，设计了用于描述UML对象操作语义的eASL语言，实现了eASL语言的解析器以及eASL语言到C语言的代码生成器；为提高嵌入式软件测试效率，设计和实现了一套自动化测试环境，并且用设计的自动化测试环境对使用MDA建模方法生成的操作系统调度表模块的C语言代码和OS-APPLICATION的代码进行测试。
林成文[10]（2007）在《机载软件图形化设计与自动代码生成研究》文中研究说明论文跟踪无人机可靠性技术的发展，研究出一种在飞机受到非致命性损伤和故障情况下仍能使飞机可靠飞行的高生存力飞行控制系统，对高空长航时飞机顺利完成任务是十分必要的。飞控计算机系统是飞机的重要组成部分，飞控计算机系统的水平对飞机的性能和安全起着决定性的作用。在某种程度上，功能完善、性能先进的飞控计算机系统已成为现代飞机的主要标志之一。论文主要对三余度飞控计算机的机载软件用SCADE的图形化建模和自动代码生成来代替传统的手工开发进行了研究和探讨。论文的研究内容如下： 一、综合分析了国内外飞控计算机的发展现状及趋势，在考虑了机载软件手工编码的效率和可靠性的基础上，提出了利用崭新的嵌入式软件方法—图形化建模和自动代码生成来开发嵌入式软件，提高开发效率，缩短开发时间同时保证软件的安全性和可靠性。 二、在分析了基于PC104硬件平台和VxWorks软件系统的三余度飞控机基础上，解决了机载软件的总体方案设计，研究了基于SCADE机载软件的图形化建模和自动代码生成。论文的重点也在于此，分列两部分：第一部分研究基于SACDE的机载软件的图形化建模。这部分首先给出了三余度飞控计算机软件系统的总体框架构成，包括了系统管理软件、余度管理软件等；对三机同步技术、三机交叉通信和三机输入输出比较监控技术进行了详细的方案设计，并给出了基于SCADE具体的软件开发方法和具体流程。第二部分研究基于SCADE的自动代码生成。通过分析自动生成代码，从效率、正确性、安全性和可靠性方面与手工代码进行分析对比，总结出其优缺点。 三、针对目前VxWorks版本支持的硬件驱动有限，论文研究了VxWorks下设备驱动程序开发的方法，解决了VxWorks下AD、DA、DIO板卡的驱动问题。 四、测试了机载软件的正确性、可靠性和安全性。对三余度飞控计算机进行了无故障和多种故障下的半物理仿真，验证自动生成代码的安全、正确、可靠，满足了设计要求。
二、基于Ada95的语言识别器生成器的研究（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、基于Ada95的语言识别器生成器的研究（论文提纲范文）
（1）基于迁移学习的跨域行为检索研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 相关领域的国内外研究历史与现状 |
| 1.2.1 时域行为检索 |
| 1.2.2 领域适应 |
| 1.2.3 视频领域适应 |
| 1.2.4 跨视角学习 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 时域动作定位 |
| 2.1 动作理解 |
| 2.2 动作识别 |
| 2.3 全监督下的时域动作定位 |
| 2.3.1 基于锚点的时间动作定位 |
| 2.3.2 动作引导的时间动作定位 |
| 2.4 弱监督下的时域动作定位 |
| 2.5 其他监督下的时域动作定位 |
| 2.6 本章小结 |
| 第三章 迁移学习技术 |
| 3.1 深度迁移学习 |
| 3.2 不同类别的迁移学习方法 |
| 3.2.1 基于样本的深度迁移学习 |
| 3.2.2 基于关系的深度迁移学习 |
| 3.2.3 基于预训练的深度迁移学习 |
| 3.2.4 基于对抗的深度迁移学习 |
| 3.2.5 深度迁移学习在计算机视觉中的发展 |
| 3.3 本章小结 |
| 第四章 跨域行为检索网络 |
| 4.1 G-TAD |
| 4.2 视频级域适应模块 |
| 4.3 实例级域适应模块 |
| 4.4 边界级域适应模块 |
| 4.5 域适应视频行为检索模型的总体优化目标 |
| 4.6 模型预测 |
| 4.7 本章小结 |
| 第五章 跨域行为检索实验方法和整体实验结果 |
| 5.1 实验设置 |
| 5.1.1 基准数据集 |
| 5.1.2 评价指标 |
| 5.1.3 特征提取 |
| 5.2 实验细节 |
| 5.3 整体实验结果 |
| 5.3.1 跨数据集迁移结果 |
| 5.3.2 跨视角迁移结果 |
| 5.4 本章小结 |
| 第六章 数据可视化与分析 |
| 6.1 视频级适应如何帮助特征对齐 |
| 6.2 实例级域适应如何帮助搜索完整动作实例 |
| 6.3 边界级域适应如何聚焦于正确的区域 |
| 6.4 不同组件组合下的推荐区域生成结果 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（2）面向高分辨率遥感图像分类的域适应算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 研究现状 |
| 1.2.1 域适应算法研究现状概述 |
| 1.2.2 非深度域适应算法研究现状 |
| 1.2.3 深度域适应算法研究现状 |
| 1.2.4 高分辨率遥感图像分类研究现状 |
| 1.2.5 研究现状简析 |
| 1.3 本文的主要研究内容 |
| 第2章 离散度优化的联合分布适配域适应算法 |
| 2.1 引言 |
| 2.2 常见的域差异衡量测度 |
| 2.2.1 最大平均差异 |
| 2.2.2 协方差距离 |
| 2.3 基于最大平均差异的域适应算法 |
| 2.3.1 迁移成分分析 |
| 2.3.2 联合分布适配 |
| 2.4 离散度优化的联合分布适配 |
| 2.5 面向多时相应用场景下的算法框架 |
| 2.5.1 数据介绍 |
| 2.5.2 实现细节 |
| 2.5.3 实验分析 |
| 2.6 面向同地区相近区域遥感图像场景下的算法框架 |
| 2.6.1 数据介绍 |
| 2.6.2 实现细节 |
| 2.6.3 实验分析 |
| 2.7 本章小结 |
| 第3章 多核联合域适配域适应算法 |
| 3.1 引言 |
| 3.2 多核学习方法 |
| 3.3 多核联合域适配 |
| 3.4 实验结果及分析 |
| 3.4.1 数据介绍 |
| 3.4.2 实验分析 |
| 3.5 本章小结 |
| 第4章 双空间对齐网络域适应算法 |
| 4.1 引言 |
| 4.2 基于对抗性学习思想的域适应基本原理 |
| 4.2.1 循环一致的对抗网络 |
| 4.2.2 多级对抗域适应网络 |
| 4.2.3 最大化分类器差异域适应算法 |
| 4.3 双空间对齐网络 |
| 4.3.1 网络结构 |
| 4.3.2 实现细节 |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据 |
| 4.4.2 由Potsdam数据集迁移至Vaihingen数据集实验结果 |
| 4.4.3 由Vaihingen数据集迁移至Potsdam数据集实验结果 |
| 4.4.4 双空间对齐网络的消融研究 |
| 4.5 本章小结 |
| 第5章 域混淆网络促进的域适应算法 |
| 5.1 引言 |
| 5.2 面向图像识别的对抗性域适应网络 |
| 5.2.1 条件生成式对抗网络 |
| 5.2.2 带有辅助分类器的生成式对抗网络 |
| 5.2.3 域对抗训练神经网络 |
| 5.2.4 对抗性区分域适应 |
| 5.3 由域混淆网络促进的对抗性域适应网络 |
| 5.3.1 网络结构 |
| 5.3.2 实现细节 |
| 5.4 实验结果及分析 |
| 5.4.1 实验数据 |
| 5.4.2 实验效果 |
| 5.4.3 域混淆网络的消融研究 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（3）基于机器视觉的大型物流车辆智能防窃系统研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外物流车辆防窃技术研究现状 |
| 1.2.2 国内外机器视觉研究现状 |
| 1.2.3 国内外研究现状评述 |
| 1.3 主要研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 本文研究技术路线 |
| 1.4 本章小结 |
| 第2章 机器视觉相关技术研究基础 |
| 2.1 深度学习框架和算法 |
| 2.1.1 Caffe深度学习框架 |
| 2.1.2 SSD目标检测算法 |
| 2.2 基于Caffe-ssd框架的卷积神经网络 |
| 2.3 侵入检测常用算法 |
| 2.3.1 背景差法 |
| 2.3.2 相邻帧差法 |
| 2.4 本章小结 |
| 第3章 大型物流车辆智能防窃系统总体设计 |
| 3.1 系统需求分析 |
| 3.1.1 业务需求分析 |
| 3.1.2 用户需求分析 |
| 3.1.3 功能需求分析 |
| 3.2 用户用例分析 |
| 3.3 系统设计目标 |
| 3.4 系统整体框架 |
| 3.5 系统结构组成 |
| 3.6 本章小结 |
| 第4章 大型物流车辆智能防窃系统的实现 |
| 4.1 系统开发准备与环境搭建 |
| 4.1.1 样本数据集制作 |
| 4.2 Caffe-ssd深度学习框架配置与训练 |
| 4.2.1 Caffe-ssd深度学习框架搭建 |
| 4.2.2 运用Caffe-ssd深度学习框架训练识别模型 |
| 4.2.3 模型优化与参数调整 |
| 4.3 侵入检测模块 |
| 4.3.1 侵入检测模块的作用 |
| 4.3.2 侵入检测模块的构建 |
| 4.4 距离判断模块 |
| 4.4.1 距离判断需求 |
| 4.4.2 模块构建逻辑 |
| 4.4.3 程序编写 |
| 4.5 数据库 |
| 4.5.1 数据库主要功能 |
| 4.5.2 数据库建表 |
| 4.5.3 创建数据库连接 |
| 4.6 智能防窃系统上位管理软件开发 |
| 4.6.1 管理软件开发基本原则 |
| 4.6.2 开发工具选择 |
| 4.6.3 界面结构设计 |
| 4.6.4 ubuntu16.04环境下载安装wxPython |
| 4.6.5 ubuntu16.04环境下载安装wxFromBuilder |
| 4.6.6 上位管理软件开发 |
| 4.7 功能整合 |
| 4.8 本章小结 |
| 第5章 系统应用测试 |
| 5.1 测试用例 |
| 5.1.1 测试用例事件和条件 |
| 5.1.2 测试界面 |
| 5.2 功能测试 |
| 5.3 性能测试 |
| 5.3.1 识别率测试 |
| 5.3.2 延迟测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（4）基于ARC处理器的视觉识别硬件加速技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 人脸识别及硬件加速技术的发展现状 |
| 1.3 主要研究内容和论文结构 |
| 第二章 基于软硬件协同的系统设计 |
| 2.1 软硬件协同设计方法 |
| 2.1.1 传统的嵌入式设计流程 |
| 2.1.2 软硬件协同设计方法 |
| 2.2 基于Open CV的人脸识别系统原型设计 |
| 2.3 本文硬件平台介绍 |
| 2.3.1 Design Ware ARC处理器及ARC HSDK开发平台 |
| 2.3.2 HAPS-DX原型验证平台简介 |
| 2.4 基于协同设计方法的人脸识别系统方案 |
| 2.5 本章小结 |
| 第三章 基于ARC嵌入式平台的人脸识别应用实现 |
| 3.1 人脸识别流程简介 |
| 3.2 基于Ada Boost的人脸检测算法 |
| 3.2.1 Haar特征 |
| 3.2.2 利用积分图快速计算Haar特征值 |
| 3.2.3 Adaboost级联分类器构建及训练方法 |
| 3.2.4 多尺度检测与相似窗口合并 |
| 3.3 人脸识别算法研究 |
| 3.3.1 Eigenface人脸识别算法 |
| 3.3.2 Fisherface人脸识别算法 |
| 3.3.3 LBPH人脸识别算法 |
| 3.4 人脸检测与识别应用实现与结果分析 |
| 3.4.1 Open CV中的人脸检测与人脸识别 |
| 3.4.2 人脸检测分类器和人脸识别器的性能测试 |
| 3.4.3 ARC HSDK上的人脸检测识别速度测试 |
| 3.5 本章小结 |
| 第四章 基于AXI4接口的人脸检测硬件加速器设计 |
| 4.1 基于AXI4接口的人脸检测硬件加速器整体架构 |
| 4.2 AXI4总线协议研究及接口设计 |
| 4.2.1 AXI4总线协议 |
| 4.2.2 AXI4从端接口设计 |
| 4.3 人脸检测硬件加速模块设计 |
| 4.3.1 待检测图像缓存模块硬件设计 |
| 4.3.2 图像尺寸缩小模块硬件设计 |
| 4.3.3 图像子窗口积分及平方积分模块硬件设计 |
| 4.3.4 图像子窗口分类模块硬件设计 |
| 4.4 本章小结 |
| 第五章 基于HAPS-DX平台的硬件加速验证 |
| 5.1 基于HAPS-DX平台的原型验证 |
| 5.1.1 基于FPGA的原型验证方法 |
| 5.1.2 HAPS Proto Compiler DX软件及开发流程 |
| 5.2 人脸检测硬件加速器在HAPS-DX平台上的部署 |
| 5.3 ARC HSDK开发平台的软件系统构建 |
| 5.3.1 基于Buildroot的嵌入式Linux文件系统构建 |
| 5.3.2 人脸检测硬件加速器驱动设计 |
| 5.4 基于硬件加速的嵌入式人脸识别应用的测试及结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）通信教学实验排队系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 研究意义 |
| 1.5 研究生期间工作 |
| 1.6 论文结构 |
| 第二章 相关技术综述 |
| 2.1 SSM框架相关技术 |
| 2.1.1 Spring概述 |
| 2.1.2 Spring-MVC概述 |
| 2.1.3 Mybatis概述 |
| 2.2 ANTLR相关技术简介 |
| 2.2.1 ANTLR简介 |
| 2.2.2 词法分析器和语法分析器 |
| 2.2.3 ANTLR语法结构说明 |
| 2.3 XML相关技术 |
| 2.3.1 XML介绍 |
| 2.3.2 XML文件解析 |
| 2.4 本章总结 |
| 第三章 系统需求分析 |
| 3.1 系统概述 |
| 3.2 用户业务需求分析 |
| 3.2.1 学生用户业务需求分析 |
| 3.2.2 教师用户业务需求分析 |
| 3.3 系统各功能详细需求分析 |
| 3.3.1 个人中心功能 |
| 3.3.2 用户信息管理功能 |
| 3.3.3 系统权限管理功能 |
| 3.3.4 网元信息管理功能 |
| 3.3.5 实验信息管理功能 |
| 3.3.6 设备访问功能 |
| 3.3.7 课程设置功能 |
| 3.3.8 任务队列管理功能 |
| 3.4 本章总结 |
| 第四章 系统关键技术设计 |
| 4.1 实验建模与形式化描述 |
| 4.1.1 通信实验概述 |
| 4.1.2 实验建模 |
| 4.1.3 多人协同实验的形式化描述 |
| 4.2 实验任务执行策略 |
| 4.2.1 实验任务排队模型 |
| 4.2.2 队列数据结构定义 |
| 4.2.3 实验任务调度策略 |
| 4.2.4 单人单设备实验任务执行策略 |
| 4.2.5 单人多设备实验任务执行策略 |
| 4.2.6 多人单设备实验任务执行策略 |
| 4.2.7 多人多设备实验任务执行策略 |
| 4.3 本章总结 |
| 第五章 系统设计 |
| 5.1 系统总体架构设计 |
| 5.1.1 系统硬件体系结构 |
| 5.1.2 系统逻辑架构设计 |
| 5.1.3 系统功能模块划分 |
| 5.2 系统各功能模块详细设计 |
| 5.2.1 个人中心模块 |
| 5.2.2 用户信息管理模块 |
| 5.2.3 系统权限管理模块 |
| 5.2.4 网元信息管理模块 |
| 5.2.5 实验信息管理模块 |
| 5.2.6 设备访问模块 |
| 5.2.7 课程设置模块 |
| 5.2.8 任务队列管理模块 |
| 5.3 数据库设计 |
| 5.3.1 数据库概念结构设计 |
| 5.3.2 数据库表设计 |
| 5.4 本章总结 |
| 第六章 系统的实现与测试 |
| 6.1 系统开发环境 |
| 6.2 系统功能模块实现 |
| 6.3 系统关键功能的测试与验证 |
| 6.3.1 单人单设备实验任务执行测试 |
| 6.3.2 多人多设备实验任务执行测试 |
| 6.3.3 任务排队功能测试 |
| 6.4 本章总结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于微多普勒特性的人体运动识别方法研究（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 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要的创新性工作 |
| 1.4 本文的研究内容及结构安排 |
| 第2章 人体运动微多普勒特性仿真和实测模型 |
| 2.1 雷达中的微多普勒效应 |
| 2.2 人体运动的雷达仿真 |
| 2.3 基于UWB脉冲波雷达的人体运动信息采集过程 |
| 2.4 雷达信号处理及微多普勒特性提取 |
| 2.4.1 噪声及杂波干扰消除 |
| 2.4.2 时频分析 |
| 2.4.3 基于滑动窗口的雷达谱图数据增广 |
| 2.5 本章小结 |
| 第3章 基于微多普勒特性的人体运动识别 |
| 3.1 深度学习与卷积神经网络 |
| 3.1.1 深度学习 |
| 3.1.2 卷积神经网络 |
| 3.2 基于微多普勒特性的行为识别 |
| 3.2.1 基于卷积神经网络的行为识别 |
| 3.2.2 噪声环境下基于微多普勒特性的行为识别 |
| 3.3 基于微多普勒特性的目标识别 |
| 3.3.1 基于卷积神经网络的目标识别 |
| 3.3.2 基于自适应注意力机制的目标识别模型 |
| 3.4 本章小结 |
| 第4章 基于微多普勒特性的人体运动全向识别 |
| 4.1 全向识别中的角度敏感性 |
| 4.1.1 雷达方位角对微多普勒谱图的影响 |
| 4.1.2 全向识别分类器的角度敏感性 |
| 4.1.3 角度敏感性的评估方式与评价指标 |
| 4.2 基于卷积神经网络的全向微多普勒特性分类器设计 |
| 4.2.1 总体设计 |
| 4.2.2 隐藏层设计 |
| 4.2.3 输出层设计 |
| 4.3 基于MAC的全向识别实验结果及分析 |
| 4.3.1 训练及测试集数据设置 |
| 4.3.2 训练方法及超参数设置 |
| 4.3.3 实验结果及分析 |
| 4.3.4 训练谱图对分类器角度敏感性的影响 |
| 4.4 基于SAC的全向识别实验结果与分析 |
| 4.4.1 训练及测试集数据设置 |
| 4.4.2 训练方法及超参数设置 |
| 4.4.3 实验结果及分析 |
| 4.4.4 模型的设计原则对分类器角度敏感性的影响 |
| 4.5 本章小结 |
| 第5章 基于微多普勒特性的人体运动单分类及开集识别 |
| 5.1 基于微多普勒特性的单分类及开集识别问题 |
| 5.1.1 人体运动检测 |
| 5.1.2 人体行为开集识别 |
| 5.2 生成对抗网络 |
| 5.3 基于生成对抗网络的单分类及开集识别模型 |
| 5.3.1 网络结构设计 |
| 5.3.2 训练策略 |
| 5.4 基于Open GAN的人体运动检测 |
| 5.4.1 评估指标 |
| 5.4.2 对比模型 |
| 5.4.3 训练及测试集数据设置 |
| 5.4.4 训练方法及超参数设置 |
| 5.4.5 实验结果及分析 |
| 5.5 基于Open GAN的人体行为开集识别 |
| 5.5.1 评估指标 |
| 5.5.2 对比模型 |
| 5.5.3 训练及测试集数据设置 |
| 5.5.4 训练方法及超参数设置 |
| 5.5.5 实验结果及分析 |
| 5.5.6 子块结构对识别性能的影响 |
| 5.5.7 模型有效性分析 |
| 5.6 本章小结 |
| 第6章 基于微多普勒特性的人体运动识别模型迁移 |
| 6.1 微多普勒行为识别模型的迁移学习 |
| 6.2 微多普勒识别模型的无监督迁移学习方法 |
| 6.2.1 深度学习特征 |
| 6.2.2 经验性特征 |
| 6.2.3 统计学特征 |
| 6.3 基于无监督迁移学习模型的跨领域行为识别 |
| 6.3.1 训练及测试集数据设置 |
| 6.3.2 训练方法及超参数设置 |
| 6.3.3 对比算法 |
| 6.3.4 实验结果与分析 |
| 6.3.5 不同特征空间对识别效果的影响 |
| 6.3.6 特征提取参数对识别效果的影响 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文内容总结 |
| 7.2 未来展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）基于量子框架的机器人控制软件系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 工业机器人国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 工业机械人控制系统的研究概述 |
| 1.4 主要研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文章节安排 |
| 第2章 基于量子框架的软件设计方法 |
| 2.1 事件驱动型框架 |
| 2.2 状态机 |
| 2.2.1 有限状态机 |
| 2.2.2 层次式状态机 |
| 2.3 量子事件驱动平台 |
| 2.3.1 量子框架特性 |
| 2.3.2 层次式事件处理器 |
| 2.3.3 主动对象计算模型 |
| 2.3.4 事件队列 |
| 2.3.5 事件内存管理 |
| 2.3.6 事件派发管理 |
| 2.3.7 量子内核 |
| 2.4 本章小结 |
| 第3章 机器人编译系统设计 |
| 3.1 机器人编程语言 |
| 3.1.1 机器人语言概述 |
| 3.1.2 机器人语言特性 |
| 3.1.3 机器人编程语言设计 |
| 3.2 机器人编译系统结构 |
| 3.3 词法分析 |
| 3.3.1 正则表达式 |
| 3.3.2 有限自动机 |
| 3.3.3 构建机器人语言词法分析器 |
| 3.4 语法分析 |
| 3.4.1 上下文无关文法 |
| 3.4.2 自顶向下的语法分析 |
| 3.4.3 自底向上的语法分析 |
| 3.4.4 构建机器人语言语法分析器 |
| 3.5 语法制导的翻译 |
| 3.6 语义分析 |
| 3.6.1 符号表 |
| 3.6.2 静态检查 |
| 3.6.3 中间代码表示 |
| 3.7 编译器后端 |
| 3.8 指令执行 |
| 3.9 本章小节 |
| 第4章 基于量子框架的机器人控制软件系统建模 |
| 4.1 HN-Robot机器人系统体系架构 |
| 4.1.1 硬件层 |
| 4.1.2 实时操作系统层 |
| 4.1.3 组件层 |
| 4.1.4 中间层 |
| 4.1.5 应用层 |
| 4.2 HN-Robot机器人系统中间层建模 |
| 4.2.1 框架服务 |
| 4.2.2 组件接口服务 |
| 4.2.3 平台抽象 |
| 4.3 HN-Robot机器人系统应用层主动对象建模 |
| 4.3.1 运行主动对象 |
| 4.3.2 译码主动对象 |
| 4.3.3 通信主动对象 |
| 4.3.4 示教主动对象 |
| 4.3.5 应用层代码实现 |
| 4.4 本章小节 |
| 第5章 工业机器人控制软件系统实验 |
| 5.1 机器人控制实验平台 |
| 5.2 机器人控制软件系统界面 |
| 5.3 机器人控制软件系统功能区运行 |
| 5.3.1 手动功能区 |
| 5.3.2 自动功能区 |
| 5.3.3 参数功能区 |
| 5.4 机器人控制软件系统测试 |
| 5.4.1 软件测试目的 |
| 5.4.2 软件测试方法 |
| 5.4.3 软件模块测试 |
| 5.4.4 软件整体测试 |
| 5.5 本章小节 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 机器人语言介绍 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）软件开发工作量预估方法研究 ——以A公司软件开发项目为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究的主要内容 |
| 1.3 研究方法和技术路线 |
| 2 理论基础及文献综述 |
| 2.1 软件规模估算方法概述 |
| 2.1.1 功能点分析法(FPA) |
| 2.2 工作量估算方法概述 |
| 2.2.1 COCOMOⅡ模型介绍 |
| 2.2.2 WBS估算法介绍 |
| 2.2.3 专家法介绍 |
| 2.3 本章小结 |
| 3 A公司软件开发工作量预估 |
| 3.1 公司管理背景介绍 |
| 3.2 对人力资源项目进行WBS分解 |
| 3.3 用FPA法估算软件规模 |
| 3.4 用COCOMOⅡ模型估算工作量 |
| 3.5 利用专家法校准预估结果 |
| 3.6 本章小结 |
| 4 预估过程中的管理措施 |
| 4.1 项目启动阶段的管理措施 |
| 4.2 项目计划编制阶段的管理措施 |
| 4.3 项目执行阶段的管理措施 |
| 4.4 项目收尾阶段的管理措施 |
| 4.5 本章小结 |
| 5 结论和展望 |
| 5.1 本文结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 附录 |
| 附录A 人资源系统WBS分解表 |
| 附录B 人力资源功能点评估表 |
| 附录C 修正后人力资源功能点评估表 |
| 致谢 |
（9）面向汽车电子OS的模型驱动开发方法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究存在的问题 |
| 1.4 组织结构 |
| 第二章 基于模型驱动的软件开发过程 |
| 2.1 MDA 基本概念 |
| 2.1.1 模型、元模型和平台 |
| 2.1.2 平台无关模型(PIM)和平台相关模型(PSM) |
| 2.1.3 MDA 的四层结构 |
| 2.2 MDA 的主要标准介绍 |
| 2.2.1 元对象基础设施(MOF) |
| 2.2.2 统一建模语言(UML) |
| 2.2.3 MDA 扩展机制 |
| 2.3 MDA 的开发过程 |
| 2.4 本章小结 |
| 第三章 OS-APPLICATION 的设计与实现 |
| 3.1 OS-APPLICATION 的基本概念 |
| 3.1.1 OS-APPLICATION 与操作系统其他模块的关系 |
| 3.1.2 OS-APPLICATION 的状态转换 |
| 3.2 OS-APPLICATION 应用场景 |
| 3.3 OS-APPLICATION 对象分组原则 |
| 3.4 OS-APPLICATION 的设计与实现 |
| 3.4.1 OS-APPLICATION 代码文件结构 |
| 3.4.2 OS-APPLICATION 的错误处理策略 |
| 3.4.3 OS-APPLICATION 主要数据结构和接口 |
| 3.4.3.1 ApplicationType |
| 3.4.3.2 ApplicationStateType |
| 3.4.3.3 OS-APPLICATION 控制数据结构 |
| 3.4.3.4 OS-APPLICATION 对外接口函数及其功能 |
| 3.4.4 OS-APPLICATION 的实现 |
| 3.4.4.1 GetApplicationID、GetApplicationState 和 AllowAccess 的实现 |
| 3.4.4.2 CheckObjectAccess 和 CheckObjectOwnership 的实现 |
| 3.4.4.3 TerminateApplication 的实现 |
| 3.5 本章小结 |
| 第四章 针对汽车电子操作系统的 MDA 建模方法 |
| 4.1 MDA 在汽车电子操作系统中应用的难点 |
| 4.1.1 汽车电子操作系统建模相对困难 |
| 4.1.2 缺乏专门的工具支持 |
| 4.2 硬件相关模型(HSM)和硬件无关模型(HIM) |
| 4.3 汽车电子操作系统建模关键技术 |
| 4.3.1 汽车电子操作系统元模型的提取 |
| 4.3.2 C 语言元模型的提取 |
| 4.3.3 状态图到 C 语言的转换规则 |
| 4.3.4 eASL 语言作为动作描述语言 |
| 4.3.5 模型到 C 语言的转换 |
| 4.4 eASL 语言的设计 |
| 4.4.1 BNF 和 EBNF |
| 4.4.2 赋值语句 |
| 4.4.3 函数定义语句 |
| 4.4.4 分支/条件语句 |
| 4.4.5 循环语句 |
| 4.4.6 对象创建语句 |
| 4.4.7 对象连接语句 |
| 4.5 工具的选取和工具间的数据流图 |
| 4.6 本章小结 |
| 第五章 代码生成器的设计与实现 |
| 5.1 实现代码生成器涉及到的重要工具和技术 |
| 5.2 UML 模型到 C 语言的转换规则 |
| 5.2.1 类、包的转换规则 |
| 5.2.2 关联、聚合、组合关系的转换规则 |
| 5.2.3 Acceleo 对规则的描述方法 |
| 5.3 UML 模型代码生成器的实现 |
| 5.3.1 类和包转换规则的实现 |
| 5.3.2 关联、聚合、组合转换规则的实现 |
| 5.4 eASL 语言的识别 |
| 5.5 eASL 语言代码生成器的实现 |
| 5.5.1 工作流配置文件的编写 |
| 5.5.2 eASL 语言文法实现 |
| 5.5.2.1 赋值语句实现 |
| 5.5.2.2 函数定义语句实现 |
| 5.5.2.3 分支条件语句的实现 |
| 5.5.2.4 循环语句的实现 |
| 5.5.2.5 对象创建语句的实现 |
| 5.5.2.6 对象连接语句的实现 |
| 5.5.3 eASL 语言 Xtend 模板代码实现 |
| 5.5.3.1 Xtend 模板的总体结构 |
| 5.5.3.2 对象创建语句转换规则的实现 |
| 5.5.3.3 对象连接语句转换规则实现 |
| 5.6 本章小结 |
| 第六章 实例验证与自动化测试 |
| 6.1 调度表介绍 |
| 6.2 实例验证与测试的硬件环境和软件环境 |
| 6.3 调度表模块的建模和代码的生成 |
| 6.4 Python 构建的自动化测试环境 |
| 6.5 自动化测试环境的最终测试结果 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（10）机载软件图形化设计与自动代码生成研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 论文的研究背景意义和国内外研究现状 |
| 1.2.1 研究背景和意义 |
| 1.2.2 国内外研究现状 |
| 1.3 论文的研究内容 |
| 第二章 SCADE环境及相关技术 |
| 2.1 SCADE简介及设计思想概述 |
| 2.2 SCADE导入操作符研究 |
| 2.3 PC/104板载 CF卡的VxWORKS启动设计 |
| 第三章 基于 SCADE的机载软件的设计与研究 |
| 3.1 SCADE设计方案研究 |
| 3.1.1 方案的提出 |
| 3.1.2 设计方案的可行性分析 |
| 3.2 系统总体方案分析 |
| 3.3 操作系统软件的功能需求分析 |
| 3.4 系统管理软件设计与研究 |
| 3.4.1 系统启动 |
| 3.4.2 任务管理 |
| 3.5 余度管理软件设计与研究 |
| 3.5.1 三机同步 |
| 3.5.2 数据采集 |
| 3.5.3 数据交叉传输 CCDL |
| 3.5.4 输入输出数据比较 |
| 3.5.5 故障综合 |
| 3.6 本章小结 |
| 第四章 自动代码生成研究 |
| 4.1 方案的提出 |
| 4.1.1 传统的V型开发 |
| 4.1.2 SCADE的 Y型转变 |
| 4.1.3 V型开发和 Y型开发比较 |
| 4.2 可靠性和安全性分析 |
| 4.3 SCADE自动代码生成研究 |
| 4.3.1 传统开发方式与 SCADE开发平台 |
| 4.3.2 自动代码生成研究 |
| 4.3.3 代码集成 |
| 4.3.4 基于 SCADE的开发平台的优缺点 |
| 4.4 本章小结 |
| 第五章 VXWORKS设备驱动程序设计 |
| 5.1 VxWORKS下设备驱动程序开发方法研究 |
| 5.1.1 基于 VxWorks的设备驱动开发概述 |
| 5.1.2 设备驱动程序的实现 |
| 5.1.3 设备驱动程序框架 |
| 5.2 网卡驱动程序开发 |
| 5.3 PC104板载 AD、DA、DIO卡驱动程序开发 |
| 5.3.1 基于 PCI设备的驱动开发 |
| 5.3.2 基于 ISA设备的驱动开发 |
| 5.3.3 基于 VxWorks的多串口卡驱动开发 |
| 5.4 本章小结 |
| 第六章 软件测试与系统仿真 |
| 6.1 单余度飞控计算机开环测试 |
| 6.1.1 AD和 DA量测试 |
| 6.1.2 同步测试 |
| 6.1.3 数据交叉传输测试 |
| 6.1.4 数据比较测试 |
| 6.1.5 故障监控测试 |
| 6.2 无故障闭环仿真 |
| 6.2.1 三余度飞控计算机组成 |
| 6.2.2 无故障闭环仿真 |
| 6.3 多故障闭环仿真 |
| 6.3.1 故障的注入与综合 |
| 6.3.2 垂直陀螺故障仿真实验 |
| 6.4 实验总结 |
| 结束语 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
四、基于Ada95的语言识别器生成器的研究（论文参考文献）
- [1]基于迁移学习的跨域行为检索研究[D]. 杨泽恩. 电子科技大学, 2021(01)
- [2]面向高分辨率遥感图像分类的域适应算法研究[D]. 刘玮. 哈尔滨工业大学, 2020
- [3]基于机器视觉的大型物流车辆智能防窃系统研究与应用[D]. 方一帆. 山东财经大学, 2020(07)
- [4]基于ARC处理器的视觉识别硬件加速技术研究[D]. 王攀龙. 西安电子科技大学, 2020(05)
- [5]通信教学实验排队系统的设计与实现[D]. 于彤彤. 北京邮电大学, 2019(08)
- [6]基于微多普勒特性的人体运动识别方法研究[D]. 杨阳. 天津大学, 2019(06)
- [7]基于量子框架的机器人控制软件系统研究[D]. 殷冰磊. 合肥工业大学, 2018(01)
- [8]软件开发工作量预估方法研究 ——以A公司软件开发项目为例[D]. 崔琳. 暨南大学, 2018(12)
- [9]面向汽车电子OS的模型驱动开发方法的研究与实现[D]. 张超. 电子科技大学, 2013(01)
- [10]机载软件图形化设计与自动代码生成研究[D]. 林成文. 西北工业大学, 2007(06)