一、网页视图的重构与转化（论文文献综述）
孙利娟[1]（2021）在《偏多标记学习算法关键技术研究》文中研究指明在多标记学习框架中,每个对象由一个示例表示,该示例与多个标记相关联,学习目标是将多个合适的标记赋予未知的示例。在传统的多标记学习研究中,一个常见的假设是每个训练示例都被精确地标注了所有相关的标签。然而,在实际应用中这一假设很难成立,因为精确标注通常是困难且成本较高的。相反,标注者可能粗略的为每个示例分配一组候选标签,候选标签集中除了相关标签外,也会包含一些不相关标签,这类数据的学习问题被定义为偏多标记学习。相对于需要精准标注的多标记学习问题,偏多标记学习更符合实际应用需求。如何利用这类数据构建有效的学习模型,是目前多标记学习研究的热点。基于此,本文对偏多标记学习问题进行了深入研究,主要完成了以下四个创新性工作:1.提出基于低秩稀疏分解的偏多标记学习算法。为了消除冗余标记的影响,该算法通过利用低秩稀疏分解模型将观测的标记矩阵分解为正确的标记矩阵和错误的噪声标记矩阵。考虑正确标记之间存在的相关性信息,该方法引入核范数约束正确的标记矩阵低秩。考虑实际应用场景中噪声标记是少量的,所提方法约束噪声标记矩阵是稀疏的。然后,利用学得的正确的标记矩阵和观测的特征信息学习预测模型。为了降低预测模型的复杂度,该方法引入核范数约束预测模型低秩。该算法在消除冗余标记影响的同时获取了正确的标记信息,并利用正确的标记信息学得了鲁棒的预测模型。在多个数据集上的大量实验验证了所提算法的有效性。2.提出基于全局和局部标记关系的偏多标记学习算法。为了消除冗余标记的影响获取可靠的标记关系,从而充分利用标记关系来提升预测模型的性能,该方法从全局和局部两个方面学习了标记关系。一方面,该算法通过低秩表示引入标记系数矩阵来学习全局标记相关性从而恢复正确的标记信息;另一方面,考虑如果两个标记相似,那么它们对应的输出模型也应该相似,所提算法引入标记流形正则项来学习局部标记关系,从而提升预测模型的性能。此外,考虑实际应用中噪声标记是少量的,该算法约束噪声标记矩阵是稀疏的。提出的方法通过联合利用全局和局部标记关系完成了预测模型的学习,在来自不同领域的合成数据集和真实数据集上都取得了卓越的效果。3.提出特征信息存在噪声的偏多标记学习算法。为了消除样本特征中噪声的影响,该算法通过利用低秩稀疏分解模型将观测的特征矩阵分解为正确的特征矩阵和噪声特征矩阵。考虑正确的特征信息总是位于一个低维子空间,该算法引入核范数约束其是低秩的。考虑噪声数据相比于正确数据是少量的,所提方法约束噪声特征矩阵是稀疏的。为了消除噪声标记的影响,所提算法引入标记置信度矩阵,同时考虑样本相似对应的标记信息也应该一致,由此引入图拉普拉斯正则项来约束标记置信度矩阵。该方法成功地减小了噪声数据的影响,同时也避免了冗余标签的负面影响。与以往的偏多标记学习算法对比,所提方法具有更强的鲁棒性和适用性。实验结果进一步表明,该模型的有效性优于其他偏多标记学习算法。4.提出基于张量化的子空间表示的缺失多视图偏多标记学习算法。为了修复缺失的多视图信息,该算法首先利用低秩表示学习每个视图的子空间表示来修复缺失的视图信息。为了进一步完善多视图信息,该方法将多个视图的子空间表示组合成三阶张量,并引入核范数约束该张量从而获取多个视图之间的高阶相关性信息,同时又挖掘了每个视图内部的相关性信息。此外,所提方法引入指示矩阵来保证没有缺失的数据不会被改变。最后,该算法利用低秩稀疏分解模型获取了正确的标记信息,然后利用得到的正确的标记信息和恢复的多视图数据学习多视图偏多标记预测模型。据了解,所提方法是第一个在一个框架内联合考虑不完整视图和冗余标签问题的多视图偏多标记学习工作。在十五个多视图偏多标记数据集上的实验结果表明,与其他六个算法对比,该算法取得了最佳的性能。
彭玉婷[2]（2021）在《基于模型的多源异构数据自适应可视化技术研究》文中指出随着新兴信息技术的快速迭代,各应用领域产生了大量的多源异构数据。如何对这些数据统一整合和处理,挖掘出有价值的信息,引起了学术界的大量关注与研究。数据可视化将数据转化为不同类型的可视化元素直观展示,是数据处理与分析流程的重要环节。本文针对多源异构数据可视化存在的问题,研究了可视化流程中的组件生成技术和基于可视化组件的大屏构建技术。主要内容如下:（1）实现了一种基于模型的组件可重构生成技术。根据可视化组件的生成原理,本文提出一种通过可视化界面配置快速生成组件的方法。首先,本文分析了传统组件库生成组件的流程与存在的缺点。接着,本文提出一种组件快速生成框架,并构建了基于Echarts的图表模板,以模型化的方式生成组件。最后,引入可重构的概念,实现组件可重构配置。实验结果证明,本框架集成的可重构的组件模板达36例,在集成组件的种类和数量上优于大部分同类工具,且框架具有可扩展的特点。此外,与主流组件库的对比实验表明,本方法构建的组件在性能上具有更短的初始化时间和更高的动画帧率。（2）实现了一种基于页面自适应的大屏敏捷构建技术。针对可视化大屏构建流程复杂的问题,本文提出一种基于组件动态构建自适应大屏的方法。首先,本文对比了主流的大屏构建方式的优缺点,分析了基于商业智能工具构建大屏的灵活性。接着,在研究大屏动态构建的机制上,本文提出了一种基于可视化组件的大屏敏捷构建框架,并设计了三种大屏页面的自适应方案,以实现可视化结果的自适应展现。最后,开发了构建敏捷大屏的通用工具。测试结果显示,基于本工具构建的大屏,在功能上具有较好的易用性与交互性,在性能上也表现良好,满足实际应用的可视化需求。（3）实现了多源异构数据可视化的案例研究基于上述的研究成果,本文面向多源异构数据可视化的需求,使用开发的工具,快速搭建联合作战电磁态势数据可视化分析平台。实现对复杂多源的电磁态势关键指标数据进行实时可视化展示与分析。案例实现结果表明,基于本文提出的组件快速生成方法和大屏敏捷构建方法可以面向多样的可视化需求,快速构建相应的数据分析平台。因此本文的研究成果对于不同领域的数据可视化分析具有较高的应用价值。此外,本文提出的大屏敏捷构建工具已在实际项目中获得了较好的反响。
赵乾利[3]（2021）在《若干数据聚类问题研究》文中指出随着时代发展,机器学习算法所使用的数据维度以及样本数量均已达到前所未有的规模。传统的聚类算法的假设已不再有效,其时间复杂度不可接受。针对以上挑战,本文从子空间聚类,多视图聚类,深度聚类3个角度研究聚类算法。本文调研了三类算法中的发展现状及代表性算法,并且从中发现了四个具体问题进行研究。首先,针对子空间聚类算法中存在的子任务相互依赖问题,第三章提出使用成对约束打破子空间查找和子空间样本分配的相互依赖,更加准确地寻找包含簇的子空间。进而设计了一种同时进行维度选择和维度加权的子空间聚类算法。实验结果表明本文中提出的子空间聚类算法较现有算法有一定的性能优势。其次,针对多视图聚类算法中各个视图内簇分布不一致的现象,第四章提出一种为各个视图簇增加权重的多视图聚类算法。通过为各个视图内区分度更高的簇赋予更大权重,更好地利用视图间的信息优势,增加簇分配准确度。实验结果表明本文提出的赋簇权重多视图聚类算法提升了聚类性能。再次,针对多视图数据中存在的视图内表象缺失的现象,第五章提出了一种数据不完全对应的多视图聚类算法。算法能够利用二分图将不完整的实例的表象进行匹配,从而使多视图聚类可以处理更广泛的实际数据集。实验结果表示本文提出的此多视图聚类算法能够正确地处理含有不完整实例的多视图数据,并能得到准确的聚类结果。最后,本文研究了深度神经网络与多模态聚类中的早期信息融合问题,第六章提出了一种基于交叉重构的深度多模态聚类算法。为在利用自编码器提取各个模态潜在特征时,以便与其它模态的信息进行融合,框架设计了全局交叉重构和局部交叉重构两种新式自编码器网络,并且基于两种网络设计了两种聚类算法,并将其整合到一个框架中。实验结果表明,交叉重构能够充分利用多模态信息,提高聚类效果。本文开展的研究表明,通过发掘数据内在规律,合理设计算法,利用创新工具等科学研究方法,提升了若干数据聚类任务的性能,扩展了应用范围,为无监督学习的发展做出了一点贡献。
任晨宇[4]（2021）在《信号BIM运维可视化技术应用研究》文中进行了进一步梳理建筑信息模型（Building Information Modeling,BIM）是近年来从建筑行业兴起的新技术,在工程设计、施工到运维的全生命周期中有很高的应用价值,已成为铁路信息化发展的新趋势。随着互联网技术的发展和移动终端的普及,为了适应铁路信号设备运维精细化的管理需要,利用BIM技术提高铁路信号设备的运维水平,突出可视化管理的优势,研究基于三维绘图协议（Web Graphics Library,WebGL）技术的BIM可视化应用具有十分重要的现实意义。本文以BIM绘图软件Revit绘制的BIM模型为基础,利用三维网格轻量化算法和Revit二次开发技术对模型进行轻量化处理;研究基于WebGL的可视化技术,开发出信号设备运维系统的可视化管理模块,实现信号BIM模型的Web端三维显示及动态交互,达到流畅的用户体验。主要内容如下:（1）在分析铁路信号运维和BIM技术发展现状的基础之上,研究了BIM技术在信号运维管理中的应用需求,针对信号运维管理特点,设计可视化技术路线。（2）研究了信号设备BIM模型的轻量化方法,为了减小系统负载以及GPU的渲染压力,加快响应时间,提升显示效果,对BIM模型进行轻量化处理:应用基于二次误差度量的边折叠算法对三维网格模型进行轻量化处理,可有效降低模型的体量大小;提出数据提取方法,利用Revit二次开发将原始模型文件进行提取并转换格式,实现BIM模型数据轻量化。（3）基于WebGL技术实现BIM模型在Web端的场景重构以及模型交互,通过学习图形学的基础理论,选用射线相交法并且结合包围盒算法进行优化,实现模型交互;针对铁路信号特点,引入GIS地理信息系统,研究地图文件的瓦片化加载、BIM模型与地图系统的异构融合。以Cesium引擎为基础,提出模型融合方法,实现系统的BIM+GIS大场景显示。并将LOD优化算法引入到大场景显示中,实现了GPU渲染负载和视觉效果的相对平衡。（4）基于以上模型轻量化和可视化展示的研究,设计了基于BIM技术的信号设备运维管理系统可视化模块。通过建模设计、轻量化处理以及对可视化场景进行渲染交互并且将BIM模型与GIS引擎进行异构数据融合,本文研究的基于WebGL技术的BIM模型Web端可视化方法可以将BIM模型结合信号系统可视化需求进行Web端渲染,运行效果良好,为BIM技术应用在信号设备运维中打下一定基础,有利于推进信号运维的智能化进程。图59幅,表5个,参考文献62篇。
庾骏[5]（2020）在《跨模态哈希学习算法及其应用研究》文中指出随着网络信息技术的发展,全球已经迈入了多媒体大数据时代。数据信息通常关联图像、文本、视频、音频等多种模态形式,多种模态数据分别以不同的展现形式刻画同一事物,表达相同的语义信息。跨模态数据间丰富的互补信息蕴藏着较大的经济价值,给社会发展带来契机。由于跨模态数据处在异构高维空间,且不同模态之间存在相关性,因此有效地学习跨模态数据潜在的低维共享空间对提升信息搜索精度非常重要。本文以跨模态数据为研究对象,结合哈希技术,设计有关跨模态哈希方法并研究其在跨模态检索、图像检索、文本检索和多媒体检索中的应用。本文主要研究内容概括如下:一、提出了基于矩阵分解的跨模态监督哈希模型。为了提升模型的判别性,我们利用已知的标签信息去学习类别属性信息,使得学习到的哈希特征保留了类别的属性信息。采用非线性的核映射保持了各模态内部样本间的相似性结构,有利于捕捉样本的非线性结构信息。提出的模型联合执行了分类器学习、子空间学习和标签一致性矩阵分解去学习判别性的统一哈希特征。二、提出了基于多种视图特征的跨模态监督哈希模型。鉴于单个视图的特征表示能力有限,信息捕捉不充分导致下游任务可利用的判别性信息不足,从而造成模型性能的提升受到限制。为了更好地学习紧凑的哈希编码,提出了多视图离散哈希模型,利用多种视图特征去表征跨模态数据,丰富了特征描述信息。在多种搜索任务上的大量实验结果表明多视图特征能大幅度提升检索性能。三、提出了基于Hadamard矩阵的跨模态融合哈希模型。传统的跨模态融合哈希为了提升模型的性能引入了较多的超参数,选择最佳超参数是比较费时费力的。为了解决这个问题我们基于Hadamard矩阵设计了一种新的线上跨模态融合哈希方法,该方法简单有效,涉及很少的超参数,并在哈希学习中保持了较好的判别性。在线上搜索过程中以自适应方式捕捉跨模态数据的动态变化信息。实验结果表明该方法在多媒体检索应用中具有较高的准确性和效率。由于该方法对超参不是特别敏感,因此能够被非常灵活的应用。四、提出了基于标签传播的跨模态半配对哈希模型。大多数现有的跨模态方法假定跨模态数据是完全对齐成对的,然而在现实中完全对齐的数据并不普遍,同时考虑有限的类别标记数据,提出了一种半配对半监督的哈希模型。该方法基于锚点样本构造跨模态相似度图用于标签传播,为未标记类别的数据生成伪标签,结合了特征学习和分类器学习来学习哈希。在半配对半监督和全配对半监督设置下的实验结果验证了该方法在跨模态检索任务中的有效性。五、提出了基于多模态图嵌入的跨模态无监督哈希模型。目前大部分无监督的跨模态哈希在学习哈希过程中没有同时考虑特征学习和跨模态数据的几何结构保持机制。提出的方法利用l2,1范数约束项学习紧凑哈希特征,视觉空间中的局部线性邻域结构和文本空间的语义关联直接被保持在哈希编码中。在标准数据集上的实验结果表明联合图嵌入和特征学习的无监督哈希在性能上有明显的提升。综上所述,本文在多种跨模态数据场景中提出了五种跨模态哈希方法,充分利用跨模态数据之间的互补性,语义关联和几何结构特性,提升模型在跨模态搜索、图像搜索、文本搜索和多媒体搜索应用中的准确性和效率。大量的实验结果表明所提方法相比已有的相关方法具有更好的性能和优越性。
曾泽颖[6]（2020）在《基于BIM与Web的历史建筑可视化预警系统的研发》文中研究说明互联网时代逐渐发展,如今BIM作为建筑行业的先进新理念和新技术,在历史建筑保护过程中,进行可视化的设计是不可或缺的。随着三维技术的认识和可视化技术的需求逐渐增长,需要增强感官体验,可视化过程中交互感的加强越显得重要。现阶段使用的三维可视化系统,大多数停留在使用C/S架构模式的阶段,需要使用手机下载对应研发的移动客户端PC,并在使用客户端时,需通过客户端连接建立三维可视化数据库的形式,将数据显示在客户端上面,以达到三维可视化的效果。但是,通常这种采用客户端形式的三维可视化系统占用内存大、对计算机配置要求比较高、代码的开放性及可移植性能比较差等问题,在此方案上使用的三维可视化模型已经无法满足现在的客户需求。本文以广西省立艺术馆为例,通过revit对艺术馆进行三维模型的精细化设计,采用C++语言进行revit二次开发,以HTML5和java为基础的Web端建立艺术馆BIM可视化预警系统。具体研究内容如下:（1）系统基于Java语言的开发技术,以My SQL数据库更加灵活的开发方式,通过图形硬件对艺术馆BIM模型进行加速渲染,提高了浏览器的0.55倍访问速度,实现了文件格式从RVT到JSON的转换,同时运用Web端开发建筑模型数据,在JSON格式中间文件中保存模型属性以及几何信息,接着借助Web GL技术展开渲染以及重构操作,达到可视化需求。（2）使用WebGL与三维GPU渲染原理来完成Revit三维建筑模型的开发工作,并通过Three.js框架令艺术馆BIM模型在Web端的信息交互操作得以实现。同时让JSON模型文件里的属性与几何数据相关联,令浏览器端模型能够具备显示与查询功能。（3）BIM模型在Web端的可视化过程中,通过将RVT文件转化为JSON格式文件,文件大小可以减小90%以上,达到轻量化目的。结合三维模型数据交互作用,在模型上任意点击传感器,监测信息实时显示在Web端界面上,可以更加方便与直观对艺术馆结构内部进行监测,实现了艺术馆BIM模型与监测系统的结合。（4）通过对艺术馆结构进行受力分析确定出的危险截面做为监测点,选取光纤光栅型倾角仪、应变计、水准仪在对应位置对倾角、应变、挠度进行监测,并传输至BIM网页端。当监测的数据超过系统设定的阈值时,网页端艺术馆BIM模型会以不同颜色的呈现进行报警提示,便于人工迅速查找异常构件并进行修护,最终达到监测防护目的。基于以上的工作,本文在构建的历史建筑BIM可视化平台的基础上,由传统使用的C/S架构转换为B/S架构,增强了三维模型在网页端的可视化浏览效果,并将BIM模型与实时监测系统相结合,研发出基于Web端的历史建筑BIM可视化预警系统。
张晶[7]（2020）在《基于用户认知的大数据可视化复杂度研究》文中指出随着互联网、云计算、交互技术的迅猛发展,当今的大数据可视化不仅需要呈现海量数据信息,还包含了高时效、多维度的动态交互形式,但现有的大数据可视化鲜有考虑用户的认知需求,导致了用户在“读取”海量数据时大量有价值的信息被湮没在可视化的“复杂度”之中。因此,基于用户认知的大数据可视化复杂度研究是当前设计领域与数据可视化领域交叉研究中亟待解决的关键问题。本研究以用户认知为切入点,通过行为和生理实验方法,分别从认知、数据、视觉、交互四个方面全面地展开了基于用户认知的大数据可视化复杂度研究。研究成果为大数据可视化复杂度优化问题提供了有效的研究思路和方法指导。课题重点开展以下研究工作:（1）针对性地研究了可视化用户的认知加工过程与认知负荷,及其包含的典型认知机制;构建了大数据可视化的信息加工模型、认知负荷结构模型和大数据可视化的认知复杂度结构模型,从根本上梳理出了可视化认知复杂度的构成因素。（2）建立了基于认知空间的数据结构并进行数据结构重构示例验证;提出了基于认知空间的数据结构与图元编码表征映射关系,解开了从数据到可视化的“黑匣子”,并通过实验研究了多属性编码数量和叠加形式对于认知的影响。（3）通过多个行为与眼动实验确定了构成大数据可视化视觉复杂度的客观属性和主观因素,并提出了视觉复杂度的分层映射理论。研究证明:视觉复杂度本质上是由用户对于视觉元素的组块能力和块强度决定的,熟悉度越高,组块强度越高,视觉复杂度越低。这一结论为视觉复杂度的相关研究做出了理论贡献。（4）从交互操作、交互行为、到交互逻辑三个层次分析了大数据可视化的交互复杂度;建立了大数据可视化整体复杂度的结构模型,提出了详细的复杂度优化设计方法、设计流程和逆向解析方法,并应用于案例得到验证,为大数据可视化的设计与分析提供准确、快速的指导方法。
唐樊龙[8]（2020）在《BIM技术在沥青路面全寿命周期中的应用研究》文中研究指明近十年来,BIM技术已经在全球范围内得到业界的广泛认可,然而当前道路领域在学习与引进BIM技术同时却面临着诸多难题。首先,高速公路的设计不仅包括线形设计,路面设计也是重要环节。路面设计离不开结构分析,目前BIM环境中却缺少与设计同步的沥青路面结构分析功能。另一方面,在施工中更多的是利用BIM进行动态模拟与过程展示,却很少建立BIM为基础的可视化施工质量管控,以及相应的质量预警体系,很难应对工程后期频繁的变更以及施工质量问题。在养护阶段,由于病害数据量大,信息存储困难,文本调阅耗时,很难建立合理有效的成本估算。此外,对于全生命周期的数据整合,模型归档,统一管理,依然缺少完善系统的信息平台,使得高速公路服役后期管理难度大,数据调取困难。因此,针对上述问题,本文基于当前道路BIM技术发展的实际需要,分别从设计阶段,施工阶段,养护阶段,以及搭建信息平台等四个方面展开了系统的研究。具体研究内容如下:（1）开展了基于BIM的典型沥青路面参数化建模与结构分析研究。首先确立Revit作为主要建模软件,通过建立公制常规模型族的方式完成了沥青路面基础模型的创建。然后总结了国内典型沥青路面组合形式,并通过基础模型的参数调整完成了典型沥青路面的三维结构设计。在此基础上,利用Dynamo编程进行了BIM软件的二次开发,完成了在BIM中的三维路线自动设计,然后将结构分析公式以Python语言的方式写入Dynamo程序中,并将设计参数与结构分析参数进行串联,实现了在BIM环境中设计与结构分析的同步进行。此外,为了获取更加准确的结构分析结果,本研究进一步提出了建立数据中转接口,将参数化的BIM模型以数据文件格式导入ABAQUS中,通过借助外部有限元软件计算的方式实现了基于BIM-ABAQUS的典型沥青路面结构的精确分析。（2）进行了基于BIM的沥青路面施工过程模拟与关键参数集成研究。首先采用Dynamo编程创建了能够从Excel自动读取数据的节点程序完成了地质模型创建,然后进行场地模型布置,最后通过Navisworks完成沥青路面施工的模拟。接下来以智能压实技术为基础,建立了基于BIM的沥青路面压实质量评价体系。首先通过MATLAB用最小标准差的方式将压实参数进行区域划分,以代表性压实度参数建立了基于BIM-GIS的沥青路面的压实质量监控体系,实现了将智能压实获取的质量参数以直观可视的图像表达取代传统的数据繁多读取困难的Excel表达。然后采用层次分析法以专家打分的方式通过C#语言编程建立了沥青路面施工质量的可视化评估程序。最后本文针对沥青路面施工过程中典型的级配离析病害为研究对象,结合图像处理采用基尼不纯度模型建立了基于图像识别的沥青路面级配离析病害参数获取,并将图像识别结果反馈到三维的BIM模型中建立预警提示,建立了基于BIM的沥青路面施工离析质量状况预警体系。（3）针对养护阶段的BIM技术应用不足,开展了沥青路面病害的BIM参数化集成与成本模型构建研究。为构建基于BIM的参数化病害模型,首先采用Context Capture利用三维重构技术重构了沥青路面病害的三维模型。另一方面,针对局部病害利用Revit建立基础参数模型的功能,直接在BIM模型中建立三维的病害模型然后进行病害纹理贴图,实现病害的精细建模。然后将完成的参数模型导入到道路总体模型中,实现病害尺寸参数在BIM模型中直接测量获取,同时建立关注点,详细记录病害的其他关键信息方便后期查询。在此基础上,接下来是建立基于BIM模型的养护成本估算。首先结合江苏省历年的养护资料建立不同养护措施的平均费率,通过三维道路模型中的病害信息建立养护成本估算程序。然后结合公路技术状况评定标准与养护设计规范,以SRI、RQI、PCI、RDI等公路技术状况评价指标对上述建立的养护成本估算程序进行了优化,最终建立了基于数据式与三维病害图像相结合的沥青路面自主养护决策模型。（4）开展了基于BIM的建管养一体化运维信息平台的研究。建立了沥青路面全生命周期数据采集模式,并对采集的数据建立了基于IFC格式的信息表达方式。在此基础上,通过DW网页编程软件,建立了基于全生命周期BIM式数据采集的一体化运维管理平台。信息平台主体部分包括密码式的加密窗口登录界面,平台主页总体信息概况以及大类目录标签,视频与模型文件存储查询专区,数据文件详细资料归类专区等。
教育部[9]（2020）在《教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知》文中研究说明教材[2020]3号各省、自治区、直辖市教育厅（教委）,新疆生产建设兵团教育局:为深入贯彻党的十九届四中全会精神和全国教育大会精神,落实立德树人根本任务,完善中小学课程体系,我部组织对普通高中课程方案和语文等学科课程标准（2017年版）进行了修订。普通高中课程方案以及思想政治、语文、
符益兰[10]（2020）在《基于Schatten-p范数的潜在子空间聚类方法研究》文中提出大数据时代的来临,随之而来的是数据的复杂性和多样性,对于传统的聚类算法提出了很大的挑战。在数据挖掘领域中,聚类分析这一块是对高维数据处理的突破口。面对高维数据聚类所带来的难题,子空间聚类算法作为聚类分析中处理高维数据聚类问题的关键技术被提出,并且得到许多研究者的关注。子空间聚类算法在处理高维数据时的有效性已经得到证实,但现有的子空间聚类方法对秩函数的逼近还不够理想,影响了聚类效果。本文针对子空间聚类算法中的函数逼近问题,基于Schatten-p范数,对子空间聚类算法进行了深入研究,主要研究内容包括:（1）研究了Schatten-p范数逼近秩函数的有效性。针对秩最小化问题的研究,为子空间学习寻找更准确的低维表示,分析了Schatten-p范数作为一种常见的秩松弛函数,对低秩矩阵的恢复能力。通过实验验证了Schatten-p范数逼近秩最小化问题的鲁棒性。（2）提出了基于Schatten-p范数的潜在低秩子空间聚类算法。在现有的子空间聚类算法中,潜在低秩表示的子空间聚类能够包含隐藏数据样本,解决了低秩表示样本不足的问题。在潜在低秩表示中,寻找矩阵低秩解是一个难点。对于秩最小化问题的求解通常采用核范数来近似求解,但是由于矩阵奇异值较大的局限性,核范数不能准确的估计秩函数。为了获得更好的低秩表示矩阵同时能够考虑样本不足的问题,本文用Schatten-p范数作为秩函数的近似表示,提出了基于Schatten-p范数的潜在低秩子空间聚类模型,并且针对误差项引入7)范数增强聚类性能。通过实验分析,验证该算法能够有效提高子空间聚类性能。（3）研究了潜在多视图子空间聚类算法。分析了假设每个视图都来源于一个潜在表示时,如何最大化地利用原始特征的信息。相比于单视图,由于多视图的互补性,潜在表示可以更全面地描述数据本身,从而使子空间表现得更加准确和稳健。本文将Schatten-p范数应用到多视图聚类算法中,通过从多个数据点挖掘潜在的互补信息,并提高低维表示的质量,达到了最大化利用原始特征信息的目的。实验结果表明,在五个数据集上均得到了较好的效果。
二、网页视图的重构与转化（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、网页视图的重构与转化（论文提纲范文）
（1）偏多标记学习算法关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多标记学习 |
| 1.2.2 弱监督多标记学习 |
| 1.2.3 实践应用 |
| 1.3 研究问题 |
| 1.4 本文的研究内容及贡献 |
| 1.5 论文组织结构 |
| 2 相关理论与技术 |
| 2.1 学习任务 |
| 2.2 偏多标记学习研究方法 |
| 2.2.1 统一框架法 |
| 2.2.2 两阶段法 |
| 2.3 评价指标 |
| 2.3.1 基于样本的评价指标 |
| 2.3.2 基于标记的评价指标 |
| 2.4 本章小结 |
| 3 基于低秩稀疏分解的偏多标记学习算法 |
| 3.1 引言 |
| 3.2 PML-LRS算法 |
| 3.2.1 算法模型构建 |
| 3.2.2 算法优化求解 |
| 3.3 实验设计与结果分析 |
| 3.3.1 实验设计 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 4 基于全局和局部标记关系的偏多标记学习算法 |
| 4.1 引言 |
| 4.2 GLC算法 |
| 4.2.1 算法模型构建 |
| 4.2.2 算法优化求解 |
| 4.3 实验设计与结果分析 |
| 4.3.1 实验设计 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 5 特征信息存在噪声的偏多标记学习算法 |
| 5.1 引言 |
| 5.2 PML-NSI算法 |
| 5.2.1 算法模型构建 |
| 5.2.2 算法优化求解 |
| 5.3 实验设计与结果分析 |
| 5.3.1 实验设计 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 6 基于张量化子空间表示的缺失多视图偏多标记学习算法 |
| 6.1 引言 |
| 6.2 TURNIP算法 |
| 6.2.1 算法模型构建 |
| 6.2.2 算法优化求解 |
| 6.3 实验设计与结果分析 |
| 6.3.1 实验设计 |
| 6.3.2 结果分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于模型的多源异构数据自适应可视化技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第二章 多源异构数据可视化及其关键技术概述 |
| 2.1 多源异构数据可视化相关理论 |
| 2.2 数据采集技术 |
| 2.3 数据处理技术 |
| 2.4 异构数据整合技术 |
| 2.5 组件生成技术 |
| 2.6 大屏展现技术 |
| 2.7 本章小结 |
| 第三章 基于模型的组件可重构生成技术研究 |
| 3.1 组件生成原理 |
| 3.2 传统组件库的研究 |
| 3.2.1 基于矢量绘制的组件库 |
| 3.2.2 基于像素渲染的组件库 |
| 3.2.3 不同组件库的对比分析 |
| 3.3 基于模型的组件可重构生成技术 |
| 3.3.1 总体流程 |
| 3.3.2 组件快速生成框架 |
| 3.3.3 模型构建 |
| 3.3.4 组件可重构实现 |
| 3.3.5 扩展组件库方案 |
| 3.4 实验及结果分析 |
| 3.4.1 扩展组件库实验结果 |
| 3.4.2 组件库的功能测试 |
| 3.4.3 组件库的性能测试 |
| 3.4.4 与同类组件库的比较 |
| 3.5 本章小结 |
| 第四章 基于页面自适应的大屏敏捷构建技术研究 |
| 4.1 传统大屏构建方式 |
| 4.1.1 基于前端技术构建大屏 |
| 4.1.2 基于BI报表动态构建大屏 |
| 4.1.3 分析小结 |
| 4.2 基于页面自适应的大屏敏捷构建技术 |
| 4.2.1 敏捷构建系统总体设计 |
| 4.2.2 大屏动态构建 |
| 4.2.3 自适应策略 |
| 4.2.4 大屏管理机制 |
| 4.2.5 大屏交互 |
| 4.3 实验及结果分析 |
| 4.3.1 功能测试 |
| 4.3.2 性能测试 |
| 4.4 本章小结 |
| 第五章 面向多源异构数据的可视化案例展示 |
| 5.1 案例需求分析 |
| 5.1.1 电磁设备可视化 |
| 5.1.2 电磁行动可视化 |
| 5.1.3 电磁态势四域分布可视化 |
| 5.2 电磁态势数据处理 |
| 5.3 电磁态势可视化分析场景实现 |
| 5.3.1 电磁数据查询集合 |
| 5.3.2 组件设计与生成 |
| 5.3.3 可视化分析场景实现 |
| 5.3.4 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
（3）若干数据聚类问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 时间复杂度 |
| 1.1.2 存储资源限制 |
| 1.1.3 维度灾难 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 传统的聚类算法 |
| 1.2.2 子空间聚类算法 |
| 1.2.3 多视图/模态聚类算法 |
| 1.2.4 深度聚类算法 |
| 1.3 本文主要研究思路 |
| 2 相关聚类算法综述 |
| 2.1 子空间聚类算法 |
| 2.1.1 降维算法 |
| 2.1.2 子空间聚类 |
| 2.1.3 迭代方法 |
| 2.1.4 代数方法 |
| 2.1.5 谱方法 |
| 2.1.6 概率方法 |
| 2.2 多视图聚类算法 |
| 2.2.1 多视图聚类算法假设 |
| 2.2.2 多视图聚类算法的发展 |
| 2.2.3 基于谱图学习的多视图聚类算法 |
| 2.2.4 基于空间学习的多视图聚类算法 |
| 2.3 深度聚类算法 |
| 2.3.1 神经网络架构 |
| 2.3.2 损失函数 |
| 2.3.3 形式化表示 |
| 2.3.4 基于前馈网络的深度聚类算法 |
| 2.3.5 基于自编码器的深度聚类算法 |
| 2.3.6 基于变分自编码器的深度聚类算法 |
| 2.3.7 基于生成对抗网络的深度聚类算法 |
| 2.3.8 深度聚类小结 |
| 2.4 本章小结 |
| 3 基于特征选择与加权半监督子空间聚类算法 |
| 3.1 引言 |
| 3.1.1 相关工作 |
| 3.1.2 本章创新点 |
| 3.2 利用成对约束进行子空间查找 |
| 3.2.1 使用必连约束寻找子空间 |
| 3.2.2 勿连约束的使用 |
| 3.3 算法框架 |
| 3.3.1 特征权重学习 |
| 3.3.2 算法的目标函数 |
| 3.3.3 算法的优化 |
| 3.3.4 时间复杂度分析 |
| 3.4 实验评估 |
| 3.4.1 数据集与对比算法 |
| 3.4.2 评测标准 |
| 3.4.3 参数调研 |
| 3.4.4 算法性能评估 |
| 3.4.5 运行时间评估 |
| 3.4.6 收敛性评估 |
| 3.5 本章小结 |
| 4 赋簇权重的多视图聚类算法 |
| 4.1 引言 |
| 4.1.1 相关工作 |
| 4.1.2 本章创新点 |
| 4.2 簇权重学习 |
| 4.2.1 视图内聚类 |
| 4.2.2 视图间关系学习 |
| 4.2.3 簇权重学习 |
| 4.3 算法框架 |
| 4.3.1 算法的目标函数 |
| 4.3.2 算法的优化 |
| 4.3.3 时间复杂度分析 |
| 4.4 实验评估 |
| 4.4.1 数据集 |
| 4.4.2 对比算法 |
| 4.4.3 评测标准 |
| 4.4.4 参数调研 |
| 4.4.5 算法性能评估 |
| 4.4.6 收敛性评估 |
| 4.5 本章小结 |
| 5 数据不完全对应的多视图谱聚类算法 |
| 5.1 引言 |
| 5.1.1 相关工作 |
| 5.1.2 本章创新点 |
| 5.2 利用二分图进行表象缺失学习 |
| 5.2.1 二分图及其最大匹配 |
| 5.2.2 构造二分图 |
| 5.2.3 基于二分图的权重学习 |
| 5.3 算法框架 |
| 5.3.1 算法的优化 |
| 5.3.2 时间复杂度分析 |
| 5.4 实验评估 |
| 5.4.1 数据集 |
| 5.4.2 对比算法 |
| 5.4.3 性能评估 |
| 5.4.4 收敛性评估 |
| 5.4.5 时间复杂度评估 |
| 5.5 本章小结 |
| 6 基于交叉重构的深度多模态聚类框架 |
| 6.1 引言 |
| 6.1.1 相关工作 |
| 6.1.2 本章创新点 |
| 6.2 交叉重构 |
| 6.2.1 深度特征提取 |
| 6.2.2 全局交叉重构 |
| 6.2.3 局部交叉重构 |
| 6.3 算法框架 |
| 6.3.1 特征提取阶段 |
| 6.3.2 融合聚类阶段 |
| 6.3.3 基于全局交叉重构的深度多模聚类算法 |
| 6.3.4 基于局部交叉重构的深度多模聚类算法 |
| 6.4 实验评估 |
| 6.4.1 数据集 |
| 6.4.2 对比算法及其参数设置 |
| 6.4.3 评测标准 |
| 6.4.4 性能评估 |
| 6.4.5 参数调研 |
| 6.4.6 收敛性评估 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
（4）信号BIM运维可视化技术应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究意义和背景 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路信号运维系统现状 |
| 1.2.2 BIM技术发展现状 |
| 1.2.3 BIM运维应用的发展现状 |
| 1.3 主要研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 论文组织结构 |
| 2 可视化基本理论与方法 |
| 2.1 BIM技术概述 |
| 2.2 HTML5 规范 |
| 2.3 WebGL渲染技术 |
| 2.4 三维模型重构原理 |
| 2.5 本章小结 |
| 3 信号设备BIM模型及其轻量化 |
| 3.1 信号设备BIM模型设计 |
| 3.2 信号设备BIM模型轻量化 |
| 3.2.1 三维网格模型简化 |
| 3.2.2 Revit模型格式轻量化 |
| 3.3 BIM模型轻量化 |
| 3.3.1 三维网格模型轻量化 |
| 3.3.2 Revit模型格式轻量化 |
| 3.4 本章小结 |
| 4 基于WebGL引擎的信号设备可视化 |
| 4.1 模型渲染 |
| 4.2 模型拾取交互 |
| 4.3 BIM+GIS地图场景可视化 |
| 4.3.1 BIM与 GIS异构数据融合 |
| 4.3.2 LOD轻量化渲染 |
| 4.4 三维场景实现与测试 |
| 4.4.1 轻量化显示 |
| 4.4.2 三维模型交互 |
| 4.4.3 室外地图场景构建 |
| 4.5 本章小结 |
| 5 BIM可视化技术在信号运维中的应用 |
| 5.1 信号运维系统概述 |
| 5.2 基于BIM技术的信号设备管理 |
| 5.2.1 模块功能 |
| 5.2.2 信号设备全生命周期管理 |
| 5.2.3 维修作业管理 |
| 5.2.4 道岔信息管理 |
| 5.3 动态数据监测的可视化管理 |
| 5.3.1 模块功能 |
| 5.3.2 设备状态三维监测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 文章总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（5）跨模态哈希学习算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 哈希的概述 |
| 1.2.2 单模态哈希方法的概述 |
| 1.2.3 跨模态哈希方法的概述 |
| 1.3 本文使用的数据集 |
| 1.4 论文的主要研究内容及章节安排 |
| 第二章 相关准备知识 |
| 2.1 迭代量化学习方法 |
| 2.2 离散优化学习方法 |
| 2.3 流形保持学习方法 |
| 2.4 半配对离散哈希方法 |
| 2.5 线上哈希学习方法 |
| 第三章 基于矩阵分解的哈希编码学习模型 |
| 3.1 引言 |
| 3.2 基于矩阵分解的跨模态监督哈希模型 |
| 3.2.1 符号表示及问题描述 |
| 3.2.2 公共子空间学习 |
| 3.2.3 分类器学习 |
| 3.2.4 类属性学习 |
| 3.2.5 总体目标函数 |
| 3.2.6 优化过程 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置 |
| 3.3.3 对比方法介绍 |
| 3.3.4 对比实验结果 |
| 3.3.5 参数敏感性分析 |
| 3.3.6 消融实验结果 |
| 3.3.7 算法的收敛性与时间复杂度 |
| 3.4 本章小结 |
| 第四章 基于多种视图特征的哈希编码学习模型 |
| 4.1 引言 |
| 4.2 基于多种视图特征的跨模态监督哈希模型 |
| 4.2.1 符号表示 |
| 4.2.2 多种视图特征 |
| 4.2.3 核化操作 |
| 4.2.4 哈希编码学习 |
| 4.2.5 总的目标函数 |
| 4.2.6 优化过程 |
| 4.3 实验结果和分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设置 |
| 4.3.3 对比实验结果 |
| 4.3.4 消融实验结果 |
| 4.3.5 参数敏感性分析 |
| 4.3.6 算法的收敛性与时间复杂度 |
| 4.4 本章小结 |
| 第五章 基于Hadamard矩阵的线上哈希编码学习模型 |
| 5.1 引言 |
| 5.2 自适应的线上跨模态融合哈希模型 |
| 5.2.1 问题描述 |
| 5.2.2 Hadamard矩阵的定义 |
| 5.2.3 线下学习阶段 |
| 5.2.4 带有动态权值的线上搜寻过程 |
| 5.3 实验结果和分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验设置 |
| 5.3.3 对比实验结果 |
| 5.3.4 消融实验结果 |
| 5.3.5 算法的运行时间和结果分析 |
| 5.3.6 参数敏感性分析和算法的收敛性 |
| 5.4 本章小结 |
| 第六章 基于标签传播的半配对哈希编码学习模型 |
| 6.1 引言 |
| 6.2 跨模态半配对哈希模型 |
| 6.2.1 符号表示与问题陈述 |
| 6.2.2 标签传播 |
| 6.2.3 分类器学习 |
| 6.2.4 总的目标函数 |
| 6.2.5 优化过程 |
| 6.2.6 量化学习 |
| 6.3 实验结果和分析 |
| 6.3.1 实验数据 |
| 6.3.2 对比实验结果 |
| 6.3.3 消融实验结果 |
| 6.3.4 参数敏感性分析 |
| 6.3.5 算法的收敛性 |
| 6.4 本章小结 |
| 第七章 基于多模态图嵌入的无监督哈希编码学习模型 |
| 7.1 引言 |
| 7.2 基于多模态图嵌入的跨模态无监督哈希模型 |
| 7.2.1 问题阐述 |
| 7.2.2 图嵌入模型 |
| 7.2.3 哈希函数学习 |
| 7.2.4 总的目标函数 |
| 7.2.5 优化过程 |
| 7.3 实验结果和分析 |
| 7.3.1 实验数据 |
| 7.3.2 实验设置 |
| 7.3.3 对比实验结果 |
| 7.3.4 消融实验结果 |
| 7.3.5 参数敏感性分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读博士期间发表的论文 |
（6）基于BIM与Web的历史建筑可视化预警系统的研发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 BIM及历史建筑Revit建模的发展 |
| 1.2.2 三维可视化及Web端技术的发展 |
| 1.2.3 三维可视化研究现状 |
| 1.2.4 WebGL技术及其应用国内外研究现状 |
| 1.2.5 BIM技术及其应用平台的国内外研究现状 |
| 1.2.6 结构健康监测系统研究现状 |
| 1.2.7 在线监测系统应用于历史建筑的研究现状 |
| 1.3 目前存在的问题 |
| 1.3.1 监测系统存在的问题 |
| 1.3.2 传统的基于C/S架构的BIM应用存在弊端 |
| 1.4 本文的研究目标、研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 BIM模型轻量化与预警相关理论技术 |
| 2.1 Revit二次开发相关理论 |
| 2.1.1 Revit软件特点 |
| 2.1.2 Revit软件二次开发 |
| 2.2 模型在Web端的重构相关技术和理论 |
| 2.2.1 HTML5技术 |
| 2.2.2 Java Script技术及JSON数据传输技术 |
| 2.2.3 三维模型渲染相关技术 |
| 2.2.4 WebGL技术 |
| 2.3 预警相关理论和技术 |
| 2.3.1 Websocket通讯原理 |
| 2.3.2 阈值判断方法-强度理论 |
| 2.4 本章小结 |
| 第3章 可视化预警系统的总体分析与设计 |
| 3.1 系统需求分析 |
| 3.1.1 总体需求 |
| 3.1.2 功能需求 |
| 3.1.3 性能需求 |
| 3.1.4 安全性能需求 |
| 3.2 系统设计思想 |
| 3.3 系统的总体架构与流程 |
| 3.3.1 模型可视化浏览模块 |
| 3.3.2 数据采集模块 |
| 3.3.3 数据储存管理模块 |
| 3.3.4 数据分析处理模块 |
| 3.3.5 状态评估预警模块 |
| 3.4 本章小结 |
| 第4章 BIM模型的建立与Web端可视化 |
| 4.1 项目概况 |
| 4.1.1 项目基本情况 |
| 4.1.2 项目结构分析 |
| 4.1.3 BIM应用实施目标 |
| 4.2 模型精细程度确定 |
| 4.2.1 模型精度的定义 |
| 4.3 模型搭建规则 |
| 4.3.1 项目拆分原则 |
| 4.3.2 构件命名规则 |
| 4.3.3 细部结构处理方式 |
| 4.4 IExport Context接口实现 |
| 4.4.1 Revit二次开发基础环境的搭建 |
| 4.4.2 Revit二次开发流程 |
| 4.4.3 代码实现 |
| 4.5 三维模型的显示 |
| 4.5.1 各种框架的对比分析研究 |
| 4.5.2 Web端的重建及渲染 |
| 4.6 三维模型的交互 |
| 4.6.1 模型交互的基本操作 |
| 4.6.2 鼠标点击相关的交互操作 |
| 4.7 模型对象的属性关联 |
| 4.7.1 设置统一标识符 |
| 4.7.2 Web端匹配标识符算法 |
| 4.8 本章小结 |
| 第5章 监测系统的建立 |
| 5.1 传感器的选取与布置 |
| 5.1.1 传感器的选型 |
| 5.1.2 传感器的布置 |
| 5.2 数据分析与预警处理 |
| 5.2.1 监测数据预警 |
| 5.2.2 监测时程曲线分析 |
| 5.2.3 异常检测评估分析 |
| 5.3 BIM模型基于Web端的监测应用 |
| 5.3.1 模型显示与交互 |
| 5.3.2 轻量化性能测试 |
| 5.3.3 监测信息与三维模型的关联 |
| 5.4 人工巡检与在线监测结合 |
| 5.4.1 巡检观测评估单元划分 |
| 5.4.2 基于Web端的巡检评估 |
| 5.5 本章小结 |
| 第6章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 后续工作建议与展望 |
| 6.3 创新点 |
| 附录 |
| 模型可视化浏览模块代码 |
| 数据采集模块代码 |
| 数据储存管理模块代码 |
| 数据分析处理模块代码 |
| 状态评估预警模块代码 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（7）基于用户认知的大数据可视化复杂度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 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 国内外研究现状 |
| 1.2.1 大数据可视化的发展及研究现状 |
| 1.2.2 复杂度研究的发展及研究现状 |
| 1.2.3 相关学科的研究现状 |
| 1.3 课题研究内容 |
| 1.4 论文结构及撰写安排 |
| 1.5 本章小结 |
| 第二章 大数据可视化的特征属性及复杂度分析 |
| 2.1 大数据的分类及其特征 |
| 2.1.1 结构化与非结构化数据 |
| 2.1.2 时空数据与非时空数据 |
| 2.1.3 数据的自身属性分类 |
| 2.2 大数据可视化图像的分类及特征 |
| 2.3 大数据可视化的复杂度分析 |
| 2.3.1 认知的复杂度 |
| 2.3.2 数据的复杂度 |
| 2.3.3 视觉的复杂度 |
| 2.3.4 交互的复杂度 |
| 2.4 本章小节 |
| 第三章 大数据可视化的认知复杂度研究 |
| 3.1 大数据可视化的信息加工模型 |
| 3.1.1 信息加工的基本过程 |
| 3.1.2 用户调研与专家访谈 |
| 3.1.3 大数据可视化的信息加工过程 |
| 3.1.4 大数据可视化的信息加工模型 |
| 3.2 大数据可视化中的认知负荷研究 |
| 3.2.1 大数据可视化中的认知负荷及分类 |
| 3.2.2 大数据可视化中的认知负荷结构模型 |
| 3.3 大数据可视化的复杂认知加工机制 |
| 3.3.1 Chunk组块化认知机制 |
| 3.3.2 多维空间认知机制 |
| 3.3.3 多目标关联认知机制 |
| 3.3.4 动态追踪认知机制 |
| 3.3.5 自适应的图示认知机制 |
| 3.4 大数据可视化中的认知复杂度 |
| 3.5 本章小节 |
| 第四章 大数据可视化的数据复杂度研究 |
| 4.1 大数据可视化的数据复杂度解析 |
| 4.1.1 高维数据的表征方法分析 |
| 4.1.2 大数据信息空间的复杂度问题 |
| 4.2 信息单元的空间复杂度分析 |
| 4.3 数据结构的复杂度研究 |
| 4.3.1 基于认知空间的数据结构分类方法 |
| 4.3.2 基于R语言的数据结构重构实现 |
| 4.4 基于认知空间的数据结构与图元编码的表征研究 |
| 4.4.1 数据结构与图元关系之间的表征 |
| 4.4.2 图元编码表征的复杂度分解 |
| 4.4.3 基于认知空间的数据结构与编码属性映射 |
| 4.4.4 基于数据结构的图元编码示例 |
| 4.5 基于属性编码叠加数量与叠加形式的实验研究 |
| 4.5.1 实验对象 |
| 4.5.2 实验设计及材料 |
| 4.5.3 实验程序设计 |
| 4.5.4 实验结果与分析 |
| 4.5.5 讨论 |
| 4.6 本章小结 |
| 第五章 大数据可视化的视觉复杂度研究 |
| 5.1 大数据可视化的视觉复杂度解析 |
| 5.2 大数据可视化视觉复杂度的客观属性研究 |
| 5.2.1 复杂度与视觉秩序 |
| 5.2.2 构成视觉复杂度的客观属性选取 |
| 5.2.3 视觉复杂度及其构成属性的相关性研究 |
| 5.3 复杂度与熟悉度的关联性实验 |
| 5.3.1 实验方法 |
| 5.3.2 实验对象 |
| 5.3.3 实验设计及材料 |
| 5.3.4 实验程序 |
| 5.3.5 实验结果与分析 |
| 5.3.6 讨论 |
| 5.4 大数据可视化的视觉复杂度构成 |
| 5.5 大数据可视化的视觉复杂度分层映射 |
| 5.6 视觉复杂度的分层映射验证实验 |
| 5.6.1 实验对象 |
| 5.6.2 实验设计及材料 |
| 5.6.3 实验结果与分析 |
| 5.6.4 讨论 |
| 5.7 本章小节 |
| 第六章 大数据可视化的交互复杂度研究 |
| 6.1 大数据可视化的交互复杂度解析 |
| 6.2 交互动作的复杂度分析 |
| 6.3 交互行为的复杂度分析 |
| 6.3.1 交互行为的分类 |
| 6.3.2 交互行为的复杂度 |
| 6.3.3 交互行为复杂度及其构成因素的相关性研究 |
| 6.4 交互逻辑的复杂度分析 |
| 6.4.1 交互逻辑的复杂度构成 |
| 6.4.2 交互架构的复杂度 |
| 6.4.3 视觉动线的复杂度 |
| 6.5 基于Cogtool交互仿真的视觉动线布局研究 |
| 6.5.1 实验设计及材料 |
| 6.5.2 实验程序 |
| 6.5.3 实验结果与分析 |
| 6.5.4 讨论 |
| 6.6 本章小节 |
| 第七章 大数据可视化的复杂度优化方法及应用 |
| 7.1 大数据可视化中的整体复杂度 |
| 7.2 大数据可视化的复杂度优化方法 |
| 7.2.1 基于图元编码的数据复杂度优化方法 |
| 7.2.2 基于客观属性的视觉复杂度优化方法 |
| 7.2.3 基于认知冗余的视觉复杂度优化方法 |
| 7.2.4 基于视觉动线和交互架构的交互复杂度优化方法 |
| 7.3 基于复杂度优化的设计流程及解析方法 |
| 7.3.1 大数据可视化的复杂度优化设计流程 |
| 7.3.2 大数据可视化的复杂度逆向解析方法 |
| 7.4 基于复杂度优化方法的案例应用与分析 |
| 7.4.1 案例分析 |
| 7.4.2 改进方案 |
| 7.4.3 验证分析 |
| 7.5 本章小节 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 后续工作展望 |
| 8.3 大数据可视化的未来发展趋势 |
| 致谢 |
| 攻读博士学位期间研究成果 |
| 附录 |
| 参考文献 |
（8）BIM技术在沥青路面全寿命周期中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 BIM技术的发展现状 |
| 1.2.2 BIM技术在道路工程设计阶段的研究现状 |
| 1.2.3 BIM技术在道路工程施工阶段的研究现状 |
| 1.2.4 BIM技术在道路工程管养阶段的研究现状 |
| 1.2.5 基于BIM信息数据平台研发的相关研究 |
| 1.3 当前公路工程全生命周期运维管养面临的问题 |
| 1.4 研究目的与意义 |
| 1.5 主要研究内容与技术路线 |
| 1.5.1 主要研究内容 |
| 1.5.2 主要研究方法与技术路线 |
| 第二章 典型沥青路面的参数化建模与结构分析 |
| 2.1 参数化模型建立 |
| 2.1.1 Revit简介 |
| 2.1.2 族构件创建 |
| 2.1.3 参数化模型创建 |
| 2.2 典型沥青路面结构设计 |
| 2.2.1 沥青路面组合类型 |
| 2.2.2 典型路面结构组合 |
| 2.2.3 代表性道路的参数化建模 |
| 2.3 基于Dynamo的沥青路面自动化设计与结构分析 |
| 2.3.1 利用Dynamo实现路面参数可控的三维道路 |
| 2.3.2 结构分析的参数准备 |
| 2.3.3 基于Dynamo的路面结构分析 |
| 2.4 基于BIM的数据中转系统的研发 |
| 2.4.1 数据转换方法 |
| 2.4.2 数据转换接口的研发 |
| 2.5 基于ABAQUS-BIM模型的力学性能验算 |
| 2.5.1 基于BIM-ABAQUS转换接口的参数化模型数据转换 |
| 2.5.2 典型路面的ABAQUS结构分析 |
| 2.6 本章小结 |
| 第三章 基于BIM的沥青路面施工过程模拟与关键参数集成 |
| 3.1 高速公路沥青路面的施工技术 |
| 3.1.1 高速公路沥青路面的施工 |
| 3.1.2 高速公路沥青路面施工技术要点 |
| 3.1.3 当前施工及管理中存在的问题 |
| 3.2 基于BIM的沥青路面可视化施工模拟 |
| 3.2.1 施工模拟的重要性及其意义 |
| 3.2.2 基于BIM的施工场景构建 |
| 3.2.3 基于BIM的施工过程模拟 |
| 3.3 基于BIM的路基施工质量管控 |
| 3.3.1 高速公路路基施工质量控制要点 |
| 3.3.2 路基压实度对路面性能的影响 |
| 3.3.3 确立压实度作为施工质量评定标准 |
| 3.3.4 基于BIM-ArcGIS的智能压实质量的可视化监控 |
| 3.4 基于BIM的沥青路面施工信息集成与质量性能评价 |
| 3.4.1 沥青路面施工信息的参数化集成 |
| 3.4.2 层次分析法方法介绍 |
| 3.4.3 基于层次分析的沥青路面施工质量评价 |
| 3.5 基于BIM的沥青路面施工质量预警 |
| 3.5.1 沥青混合料离析的相关研究 |
| 3.5.2 集料的边缘检测 |
| 3.5.3 集料图像分割 |
| 3.5.4 沥青混合料的离析程度表征 |
| 3.5.5 基于BIM的可视化呈现与预警机制的建立 |
| 3.6 本章小结 |
| 第四章 沥青路面病害的BIM参数化集成与成本模型构建 |
| 4.1 基于Context Caputer的沥青路面病害三维模型重构 |
| 4.1.1 三维重构技术的基本原理与简介 |
| 4.1.2 基于Context Caputer的沥青路面病害三维模型重构 |
| 4.2 沥青路面病害信息的参数化建模 |
| 4.2.1 Revit中的基础病害模型制作 |
| 4.2.2 病害纹理贴图 |
| 4.2.3 病害模型融入到BIM模型中 |
| 4.3 沥青路面病害信息的存储与管理 |
| 4.3.1 沥青路面病害信息的存储备案 |
| 4.3.2 基于BIM模式的沥青路面病害信息管理 |
| 4.4 基于BIM模式的养护成本估算 |
| 4.4.1 沥青路面全生命周期成本分析理论框架 |
| 4.4.2 沥青路面养护阶段的成本分析 |
| 4.4.3 基于模型的养护成本估算 |
| 4.5 基于BIM的养护自主决策模型建立 |
| 4.5.1 预防性养护决策的方法与过程 |
| 4.5.2 基于BIM的养护决策分析 |
| 4.5.3 养护自主决策模型的建立 |
| 4.6 本章小结 |
| 第五章 基于BIM的建管养一体化运维管理平台研发 |
| 5.1 沥青路面全生命周期数据的采集 |
| 5.2 沥青路面全生命周期数据的处理与表达 |
| 5.2.1 IFC标准的信息表达方式 |
| 5.2.2 基于IFC格式的数据表达 |
| 5.3 信息的上传与导入 |
| 5.3.1 信息创建过程 |
| 5.3.2 信息的传递与存储 |
| 5.3.3 信息共享与协同工作 |
| 5.4 一体化信息平台的研发 |
| 5.4.1 开发平台介绍 |
| 5.4.2 平台的总体设计 |
| 5.4.3 平台的可视化展示与功能的实现 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 主要创新点 |
| 6.3 进一步的研究建议 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文及专利申请 |
（10）基于Schatten-p范数的潜在子空间聚类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 潜在低秩子空间聚类研究现状 |
| 1.2.2 潜在多视图子空间聚类研究现状 |
| 1.3 论文主要内容及结构安排 |
| 1.4 本章小结 |
| 第二章 子空间聚类方法 |
| 2.1 谱聚类 |
| 2.1.1 图论基本概念 |
| 2.1.2 划分准则 |
| 2.2 子空间聚类 |
| 2.2.1 子空间聚类描述 |
| 2.2.2 子空间聚类算法 |
| 2.2.3 多视图子空间聚类算法 |
| 2.3 相关优化算法 |
| 2.3.1 增广拉格朗日乘子法 |
| 2.3.2 交替方向乘子算法 |
| 2.4 本章小结 |
| 第三章 基于Schatten-p范数的潜在低秩子空间聚类 |
| 3.1 Schatten-p范数 |
| 3.2 潜在低秩子空间聚类 |
| 3.3 基于Schatten-p范数的潜在低秩子空间聚类算法 |
| 3.3.1 目标函数 |
| 3.3.2 目标函数的求解 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集的选择 |
| 3.4.2 对比算法的选择 |
| 3.4.3 聚类评价指标 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 改进的潜在多视图子空间聚类算法 |
| 4.1 引言 |
| 4.2 改进的潜在多视图子空间聚类算法 |
| 4.2.1 模型设计 |
| 4.2.2 优化过程 |
| 4.3 实验结果及分析 |
| 4.3.1 数据集的选择和评价指标 |
| 4.3.2 特征选择 |
| 4.3.3 对比算法的选择 |
| 4.3.4 实验评估及分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
四、网页视图的重构与转化（论文参考文献）
- [1]偏多标记学习算法关键技术研究[D]. 孙利娟. 北京交通大学, 2021(02)
- [2]基于模型的多源异构数据自适应可视化技术研究[D]. 彭玉婷. 电子科技大学, 2021(01)
- [3]若干数据聚类问题研究[D]. 赵乾利. 大连理工大学, 2021
- [4]信号BIM运维可视化技术应用研究[D]. 任晨宇. 中国铁道科学研究院, 2021(01)
- [5]跨模态哈希学习算法及其应用研究[D]. 庾骏. 江南大学, 2020
- [6]基于BIM与Web的历史建筑可视化预警系统的研发[D]. 曾泽颖. 桂林理工大学, 2020(07)
- [7]基于用户认知的大数据可视化复杂度研究[D]. 张晶. 东南大学, 2020(02)
- [8]BIM技术在沥青路面全寿命周期中的应用研究[D]. 唐樊龙. 东南大学, 2020(02)
- [9]教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知[J]. 教育部. 中华人民共和国教育部公报, 2020(06)
- [10]基于Schatten-p范数的潜在子空间聚类方法研究[D]. 符益兰. 广东工业大学, 2020(02)