一、我们身边的智能计算（论文文献综述）
侯宝坤[1]（2021）在《高中数学建模素养的教学认知及启示》文中进行了进一步梳理数学建模既是六大数学学科核心素养之一,也是融合其他数学核心素养的综合教学方式。数学建模教学理念提倡实行建模活动的全过程教学和现实、数学、智能计算三个世界的融合教学;数学建模教学过程中要关注形成基础、研究范式、核心主题和价值旨向。高中数学建模教学应以实际问题和结构化的数学知识为依托,让学生充分认识和理解数学建模学习的方式,实现数学核心素养的综合培养。
王炜中[2]（2021）在《基于深度强化学习的目标驱动计算卸载机制》文中研究说明随着工业物联网中信息量与应用计算复杂度的增加,其中资源受限的设备越来越依赖计算卸载技术。计算卸载技术可以将物联网中轻量级设备所产生的计算需求和数据转移到具有充足计算资源的节点上。一方面可以节约轻量级设备宝贵的计算、存储以及能量资源,另一方面还可以满足应用较高的时延需求。目前计算卸载可分为两种模式,源驱动和目标驱动的计算卸载模式。当前大多数传统计算卸载决策算法都以源驱动计算卸载模式为研究对象,而在新兴的目标驱动计算卸载场景中,传统计算卸载决策算法并不能制定有效的卸载策略。因此研究目标驱动计算卸载模式下的计算卸载决策机制对该模式下的物联网应用发展有重要意义。本文针对两种存在特殊需求的目标驱动计算卸载物联网场景设计了相应的计算卸载决策机制:（1）针对能源受限的,网络环境动态变化的物联网场景,本文提出了基于深度强化学习的目标驱动计算卸载决策机制（Deep reinforcement learning based Destination Driven Computation Offloading Mechanism,D3COM）,将结合了深度学习与强化学习的深度强化学习引入目标驱动计算卸载决策模型中,通过神经网络记忆和泛化功能解决了计算节点的局部决策问题,在通过集中式训练分布式执行（Centralized Training Distributed Execution,CTDE）的工作模式减轻节点训练和存储负担,提升网络收敛速度。最后,D3COM通过决策智能体尝试决策过程记录下的数据,学习计算卸载策略与网络状态、任务状态等多维特征之间的关系。实验表明D3COM在减小任务时延以及平衡能耗分布,延长计算网络生存周期方面取得很好的效果。（2）针对存在不同时延敏感类型计算任务的物联网场景特点,即不同类型的计算任务需要个性化地制定计算卸载方案,本文提出了基于混合专家模型（Mixture of Experts,Mo E）理论的优化模块。首先,通过嵌入层将稀疏的One-Hot特征变成了表征能力能高的低维稠密特征,增强任务特征表达能力;其次,在Experts模块中并行学习多个子网络,以此学习多类型任务不同的映射关系;最后用Manager网络自适应地学习时延敏感特征与多个子网络之间的组合关系,实现差异化制定计算卸载策略的功能。实验结果表明,基于Mo E的D3COM模型在基于任务敏感程度制定差异化计算卸载策略方面取得出色表现。
朱曦[3]（2020）在《雾辅助的隐私保护数据收集与智能计算迁移研究》文中研究表明城市智能化的持续、高速发展,无线传感设备被大量部署,从而使感知数据获得了爆炸式地增长。与此同时,由于物联网的部署环境复杂,因此针对数据收集方案仍然面临安全威胁。传统的物联网已经不能满足海量数据处理和管理的要求。因此,针对延时敏感型和计算密集型任务,如何在保证数据安全的前提下高效率地收集数据,从而达到安全、高效的数据收集以及计算任务处理的目标已经成为了研究热点。本文针对当前数据收集方案在探索空时相关性、观测矩阵的优化、数据隐私保护以及计算迁移等方面存在的突出问题,主要的创新性贡献包括如下三个方面:1)雾辅助的感知大数据高效隐私保护数据收集研究:针对当前数据收集所存在的效率低下问题,本文的设计了一个分层感知雾计算体系结构为探索数据之间的时空相关性提供了有效支持,该雾计算辅助的网络体系避免了本地设备与云中心进行远程通信,从而降低了网络开销与通信成本和延时;其次,提出了一种采样扰动加密方法,使得在不牺牲数据相关性的前提下,保护了数据的隐私,使得窃听者和主动攻击者无法获得原始采样数据,该方法对加密采样数据的解密和解压缩操作的同时执行提供了支撑;构建的观测矩阵优化模型,通过降低观测矩阵与字典的互相关性,使得字典最适配当前的观测矩阵,从而保证了数据重建的高精度。通过仿真表明,该方法是一种高效的数据收集方法,并具有很强的隐私保护特征。2)雾辅助并行多任务时延最小化计算迁移研究:针对传统的雾计算辅助方法中,单个雾节点有限的计算资源无法满足大规模任务计算的不足,本文在雾计算辅助的网络结构中引入计算迁移机制,构建了一个并行计算模式下的任务完成时间最小化问题,通过联合优化计算与通信资源的分配提高计算与网络资源的利用率,从而使得任务的完成时间最小;基于上述优化问题,提出了一种基于梯度下降的计算迁移决策算法,该算法通过联合优化分配本地CPU计算资源、外部CPU计算资源和信道带宽资源,确定最优的任务迁移比例,从而使得在有限的计算和网络资源场景下任务的完成时间最短。最后,通过仿真结果表明,本部分所构建的计算迁移方法是一种高效的任务完成时间最小化方法,与其它方法相比具有明显的性能优势。3)基于深度学习的能量与延时协同感知计算迁移研究:当前传统的计算迁移方法均需要实时地获取信道和计算等信息数据,但是在实际情况中,这类数据往往很难及时获取,因此本文提出了一种基于深度学习能量和延迟协同感知的雾计算迁移机制。首先,为了实现高效的任务计算,构建了一个雾辅助的任务完成时间和本地雾节点能耗的加权和最小化问题;基于上述构建的优化问题,提出了一种基于深度学习的联合迁移决策与资源分配（Deep learning-based joint offloading decision and resource allocation algorithm,DL-JODRA）算法,该算法利用经验数据训练深度神经网络,并通过训练好的深度神经网络得出最优迁移决策;在获得最优迁移决策后,通过联合优化本地CPU、带宽和外部CPU资源占用率来进一步降低任务完成时间与能耗。最后,大量的仿真结果表明,与基准方法相比,所提出的DL-JODRA算法能够在较低的计算资源需求下快速获得最优的迁移决策,并能显着降低任务处理成本（如时延和能耗）。
张悦[4]（2020）在《基于移动边缘计算的海上通信网络优化研究》文中指出放眼当下,全球范围内海洋资源利用、海事交通运输以及海上贸易往来等方面的活动呈现出前所未有的蓬勃态势,这对于海上通信的要求不断提高。在万物互联的时代背景下,移动边缘计算的出现推动通信领域进入了更高更快的发展层次,将其应用于传统海上通信网络的改进,必定会为智慧海事注入新的活力,以此为初衷,本文展开了对于海上通信网络的优化研究。在海事云的建设基础上,本文引进移动边缘计算技术对现有体系架构进行拓展延伸,构建了一个新型的海事通信网络总体模型,并将协同运行机制应用于整个系统中各级设备的工作运转。根据总模型的特点,本文对其中的两个子系统,即协同边缘侧与船舶的通信模型、海事云端与协同边缘侧的通信模型分别进行了详细设计,与此同时明确了各部分的具体运行思路。对于协同边缘侧与船舶的通信网络,本文通过对协同边缘服务器与船舶间的任务调度问题进行探究,从而达到优化该部分网络的目标。为此提出一种基于合作型协同进化的任务调度机制,任务的分配按照有利于进化的方式自动调整,经过合作协同得出全局优化方案。相应仿真结果表明,采用本文提出的调度策略,当整体时延与能耗达到相对最小时,网络系统处于最优状态。底层系统的优化方案为上层海事云与协同边缘侧的通信网络优化打下了基础,针对云端的特性,上层系统的优化关注计算资源的迁移策略。系统按照灰狼优化思想,以延迟敏感程度、计算密集程度为指标,动态指挥资源的迁移过程。通过证明得知,采用本文的迁移策略能够实现系统的自适应决策,最大限度上保证了整体时延与能耗的均衡,对于通信网络的性能起到了较好的维护作用。
赵雅欣[5]（2020）在《边缘计算中一种新型计算卸载方法及QoS优化研究》文中进行了进一步梳理随着5G技术的迅速发展,智能移动设备已成为社会生活中不可或缺的重要部分,催生出了大量高质量的服务与应用,例如自动驾驶、增强现实、自然语言处理等。如今,人们对于智能应用的需求与日俱增,产生的数据流量呈指数级增长,这一趋势对用户终端设备提出了巨大的挑战。传统的云计算以集中式的计算模式为用户提供服务,以突破终端设备的能力限制。但实际场景中云计算在服务效率、隐私等方面存在很大不足,移动边缘计算模式应运而生。移动边缘计算以分布式的方式将计算与存储工作移至靠近用户的网络边缘设备处进行,以减少时间延迟与能量的消耗,提高用户体验与服务质量（Quality of Service,QoS）。任务从用户设备到网络边缘的转移过程被称为计算卸载,计算卸载是移动边缘计算中的关键问题,现有的计算卸载方法主要存在以下两点局限性:（1）在优化目标方面多是基于时间延迟与能耗的优化,未充分考虑到用户对于应用程序的实时性需求;（2）未考虑移动边缘计算系统环境的动态性,忽略了卸载决策与系统环境的交互。针对上述两点问题,本文提出了一种有效的解决方案。在多用户单小区的MEC系统环境下,建立本地计算模型与计算卸载模型。本文将提升用户的服务质量作为优化目标,并将应用程序的实时性作为影响用户服务质量的重要因素,结合信息年龄（Age of Information,AoI）提出任务年龄（Task of Age,AoT）的概念来表征任务的新鲜程度,并将其引入到服务质量的定义中,提出一种新的QoS评价指标。边缘计算系统是动态变化的,各实体的决策结果将影响系统的长期收益,本文将计算卸载过程建模为马尔科夫决策过程,应用深度强化学习的算法思想解决计算卸载问题,提出并实现了基于DQN算法的新型计算卸载方法,此外扩展了两种改进DQN算法,并将三种智能算法进行对比分析。实验结果表明,本文提出的新型计算卸载方法在QoS、吞吐量、节约能耗等多方面均明显优于普通的全卸载策略与随机卸载策略,证明了本文的计算卸载方法能够显着提升用户服务质量,提高系统总体效率。此外,对比三种DQN算法可知,两种改进DQN算法在学习效率、性能指标提升等方面均优于传统DQN算法,其中Dueling-DQN算法更佳。
黄旭文[6]（2020）在《经济高质量发展视域下广西算力产业发展路径分析》文中提出随着5G基础设施建设的开启以及人工智能时代的到来,算力产业将成为推动经济高质量发展的重要引擎。当前,广西应抓住算力产业发展的历史机遇,充分发挥自身优势,加快算力产业的发展,这对于加快广西数字经济发展、促进数字广西建设具有重要的意义。在对广西发展算力产业的优势和劣势进行了分析后,文章提出了广西推进算力产业发展的具体路径。
左超,张晓磊,胡岩,尹维,沈德同,钟锦鑫,郑晶,陈钱[7]（2020）在《3D真的来了吗？——三维结构光传感器漫谈》文中认为三维成像与传感技术作为感知真实三维世界的重要信息获取手段,为重构物体真实几何形貌及后续的三维建模、检测、识别等方面提供了数据基础。近年来,计算机视觉和光电成像技术的发展以及消费电子与个人身份验证对3D传感技术日益增长的需求促进了三维成像与传感技术的蓬勃式发展。2D摄像头向3D传感器的转变也将成为继黑白到彩色、低分辨率到高分辨率、静态图像到动态影像后的"第四次影像革命"。《红外与激光工程》本期策划组织的"光学三维成像与传感"专题,共包含高水平稿件20篇,其中综述论文15篇,研究论文5篇。这些论文系统介绍了光学三维成像传感领域热点专题的研究进展与最新动态,主题全面涵盖了当前三维光学成像领域的前沿研究方向:结构光三维成像、条纹投影轮廓术、干涉测量技术、相位测量偏折术、三维立体显示技术（全息显示、集成光场显示等）、三维成像传感技术与计算成像相关交叉领域（如三维鬼成像）等。而此文作为本期专栏的引子,概括性地综述了典型的三维传感技术,并着重介绍了三维结构光传感器技术的发展现状、关键技术、典型应用;讨论了其现存问题、并展望了其未来发展方向,以求抛砖引玉。
张之正[8]（2019）在《基于智能计算的强对流天气识别技术研究》文中进行了进一步梳理强对流天气具有较强的破坏力和明显的突发性。强对流天气的发生往往会对国家和人民的生命财产安全及军事行动的保障巨大的威胁。因此本文针对更加精细化的强对流天气预警产品的制作,提高强对流天气的识别预报精度方面展开了相应研究。首先,本文基于文本数据构建了强对流天气知识图谱。主要分为强对流天气语料库构建、知识抽取及知识图谱存储三部分。针对强对流天气知识图谱构建问题,对以“强对流”为主题的文献摘要进行爬取,制定了相应的标注规范,并对部分文献进行了实体标注。结合词嵌入技术和神经网络Bi-RNN以及CRF模型,构造了强对流天气知识抽取模型。之后将提取到的知识转换为三元组的形式,存入到图数据库Neo4j中,完成了知识的存储及可视化,为接下来强对流天气的研究提供数据和信息支撑。其次,提出了中层径向辐合（MARC）识别算法。将极坐标下的雷达基数据插值转变为剖面格点数据;同时使用模板检测,实现对强辐合点的识别并得到辐合强度及位置的参数;借助辐合区域中心连线走向订正辐合强度,有效克服由于径向速度引起的MARC的低估问题。最后通过对雷暴在双偏振多普勒雷达数据上的表现形式,设计了雷暴云团识别分类算法。结合闪电定位资料完成了对雷暴过程的筛选。其次对双偏振雷达参数进行了分析,选取了温度、反射率因子、差分反射率因子、差分传播相位常数作为雷暴的识别因子。根据由雷达数据提取到的识别因子,采用两步判别的方法,完成了对雷暴生消状态的识别分类。
惠琍琍[9]（2019）在《基于BIM技术的信息化工程全生命周期管理》文中提出随着我国信息化建设的不断深入,信息化工程数量在不断增加,对信息化工程的管理也提出了更高的要求。如何做到精细化和全方位的管理,如何将管理贯穿到信息化工程的整个生命周期,是业内大家一直在探讨的问题。虽然针对信息化工程的管理,也出现了不少新的技术和手段,如:一些信息化工程的管理软件,但这些软件往往仅停留在工程信息的录入、文档的管理、流程的审批等基础层面的信息化项目管理上,对于解决信息化工程的实际问题,如:工作量智能计量、工期动态控制、成本核算、风险控制以及“工期+成本+质量+风险+合同+档案+……”多维分析等,缺乏智能分析的手段和数据共享的平台,无法真正为信息化工程的管理人员乃至企业管理人员提供决策依据。然而,在建筑行业的管理中,通过应用BIM技术建立了工程产出物（建筑物）的5D管理模型。该模型在建筑物3D立体模型的基础上增加了进度管理和成本管理两大工程管理维度,实现了工程产出物和工程管理的可视化融合和数据的共享,使得管理和生产不再是脱节和对立的关系,而是相辅相成、合作协同的关系。成熟发展的BIM技术前瞻性地将管理和生产统一起来,并正在帮助建筑行业中的各级企事业单位逐步实现卓越管理。那么,是否可以将BIM技术引进到与建筑行业有着相似管理要求的信息化工程的管理中呢?是否可以借用BIM技术中的智能化管理手段,实现信息化工程全周期、全过程、全方位的管理呢?本文通过对信息化工程和建筑工程在国内外技术背景、主要研究成果、行业特点及差异性等方面的比较,从信息化工程与建筑工程的相似性、管理上的共通性着手,分析了利用BIM技术管理信息化工程的必要性、可行性;探讨了利用BIM技术实现信息化工程全生命周期管理的理论框架;实践了利用BIM技术对信息化工程初期、实施期、运维期的主要工作任务的流程再造与改良。通过对使用BIM技术为实际工程带来的经济效益的分析（包括直接效益和间接效益）,得出结论:基于BIM技术对信息化工程全生命周期进行管理是可行的,并且它比传统的信息化工程的管理方式有更加明显的优势。一方面,由于数据共享、产品可视化,缩短了工程参与各方人员沟通交流的时间,提高了信息化工程的建设效率;另一方面,由于对材料和工程量的预算更精准、对设计修改和施工中的问题和困难提前解决,减少了工程变更,减少了工程风险、节约了投资和成本。总之,基于BIM技术的信息化工程全生命周期管理,将为解决信息化工程管理中一些常见问题,优化信息化工程的管理流程,提升信息化工程管理效率和服务质量提供新的解决思路。
夏春燕[10]（2019）在《大数据预测功能的思想政治教育应用研究》文中进行了进一步梳理2013年是中国的“大数据元年”,此后大数据以容量大、类型多、价值高、速度快、真实性等优势席卷各领域,成为了学界的研究热点。预测作为大数据的核心功能,有着与传统预测不同的特点与优势,被学界广泛重视和应用,也为思想政治教育方式的创新发展提供了新机遇和新思路。如何将大数据预测功能应用于思想政治教育具体实践中,探索行之有效的应用新模式,提升思想政治教育效果,是本文研究的主要问题。第一,本文以文献分析法为主,通过分析与概括国内外有关大数据、大数据预测功能、大数据与思想政治教育、大数据预测功能与思想政治教育以及思想政治教育预测等文献,发现当前学界虽对大数据为思想政治教育带来的机遇与挑战,大数据在思想政治教育的应用等方面开展了较为系统的研究,但对大数据预测功能如何应用于思想政治教育中缺乏针对性探索,这为本文提供了研究新方向。第二,在整理相关文献的基础上,本文系统界定了大数据与大数据预测功能的概念。同时,分析了思想政治教育在大数据背景下面临的困境,大数据预测功能的特征与优势为思想政治教育带来的价值,当前大数据预测功能在思想政治教育应用中的不足,说明了思想政治教育利用大数据预测功能来提升教育实效性迫在眉睫。通过分析人文社会科学学科对大数据预测功能的应用策略,并辅以案例分析法,精选了2012年美国总统大选,国内电子科技大学和北京某高校利用大数据预测功能为各自领域服务的案例,表明了大数据预测功能应用于思想政治教育具有现实可行性。第三,通过借鉴所选取的经典案例中相关领域应用大数据预测功能的思路,并根据思想政治教育过程的具体流程。本文对大数据预测功能如何应用于思想政治教育展开了进一步探索,以分-总方式对具体应用流程进行了理论设想:即从分类教育对象、优化教育方案等思想政治教育方案制定环节;精选教育方法和载体、预判思想品德内化与外化等思想政治教育方案实施环节;多方位反馈评估效果和实时进行教育调控等思想政治教育评估环节分别预想了应用步骤,并以此思路为基底总结归纳出智能计算型、精准定制型、即时预防型三大思想政治教育模式。第四,依据大数据预测功能的实现条件,并结合思想政治教育的特殊性,本文从团队、技术、管理和科学规避潜在风险四个层面提出了大数据预测功能应用于思想政治教育的保障措施:其一,思维意识、技术能力、合作机制的团队保障;其二,数据挖掘工具、数据库和预测模型的技术保障;其三,数据资源与预测技术共享和管制的管理保障;其四,正视预测误差、消弭隐私泄露、力戒信息异化和慎用预防惩罚等潜在风险。
二、我们身边的智能计算（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、我们身边的智能计算（论文提纲范文）
（1）高中数学建模素养的教学认知及启示（论文提纲范文）
| 一、高中数学建模教学存在的不足 |
| 1. 缺少数学建模的全过程教学 |
| 2. 缺乏智能计算思维的有机参与 |
| 二、数学建模的教学认知 |
| 1. 对高中数学建模教学理念的认知 |
| 2. 对高中数学建模教学过程的认知 |
| 三、数学建模教学认知的启示 |
| 1. 以“真实—贴切—开放”作为建模素材引入的基本标准 |
| 2. 在“数据—理论—检验”的问题解决中实现“三界融合” |
| 3. 以“生活—学科—数学”为主题培育跨学科建模的创新意识 |
| 4. 在“结构—性质—扩展”的功能中体现数学模型的价值 |
（2）基于深度强化学习的目标驱动计算卸载机制（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 计算卸载算法国内外研究现状 |
| 1.2.1 表现增强类型 |
| 1.2.2 资源节约类型 |
| 1.2.3 混合类型 |
| 1.3 研究目标和内容 |
| 1.4 论文创新点 |
| 1.5 论文章节安排 |
| 第二章 计算卸载相关技术研究 |
| 2.1 常用计算卸载算法 |
| 2.1.1 贪心算法 |
| 2.1.2 蚁群算法 |
| 2.2 深度强化学习 |
| 2.2.1 马尔科夫决策过程 |
| 2.2.2 经典强化学习原理 |
| 2.2.3 经典强化学习模型 |
| 2.2.4 深度强化学习原理 |
| 2.2.5 深度强化学习模型 |
| 2.3 CTDE工作模式 |
| 2.3.1 CTDE工作模式流程 |
| 2.3.2 CTDE工作模式优势 |
| 2.4 本章小结 |
| 第三章 D~3COM目标驱动智能计算卸载机制 |
| 3.1 问题描述 |
| 3.1.1 有限感知距离内如何快速决策的问题 |
| 3.1.2 无法根据环境变化动态制定卸载策略的问题 |
| 3.1.3 计算任务时延与能耗均衡的问题 |
| 3.2 D~3COM模型设计思路 |
| 3.3 D~3COM模型 |
| 3.3.1 强化学习模块 |
| 3.3.2 DNN模块 |
| 3.3.3 CTDE训练模块 |
| 3.3.4 动作空间搜索优化算法 |
| 3.3.5 模型总结 |
| 3.4 验证方案设计 |
| 3.4.1 场景假设 |
| 3.4.2 任务时延与能耗设置 |
| 3.5 算法仿真验证与结果分析 |
| 3.5.1 实验环境设置 |
| 3.5.2 常见数设置 |
| 3.5.3 模型对比与结果分析 |
| 3.6 本章小结 |
| 第四章 基于Mo E的优化算法 |
| 4.1 问题描述 |
| 4.1.1 任务类型稀疏特征表达不充分问题 |
| 4.1.2 不同类型计算任务个性化决策问题 |
| 4.1.3 训练模型为物联网场景带来负担问题 |
| 4.2 混合专家系统(Mo E) |
| 4.3 基于MoE的 D~3COM模型 |
| 4.3.1 Manager模块 |
| 4.3.2 Experts模块 |
| 4.3.3 离线学习模型 |
| 4.4 算法仿真验证与结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 模型对比与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）雾辅助的隐私保护数据收集与智能计算迁移研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及关键问题分析 |
| 1.3 研究内容及组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 压缩感知技术 |
| 2.1.1 压缩感知概述 |
| 2.1.2 稀疏表示 |
| 2.1.3 压缩感知观测 |
| 2.1.4 压缩感知重建 |
| 2.2 雾计算 |
| 2.2.1 雾计算的定义 |
| 2.2.2 雾计算的特点 |
| 2.3 计算迁移 |
| 2.3.1 计算迁移概述 |
| 2.3.2 计算迁移的应用 |
| 2.4 深度学习 |
| 2.4.1 深度学习概述 |
| 2.4.2 监督学习 |
| 2.4.3 无监督学习 |
| 2.4.4 神经网络 |
| 2.5 本章小结 |
| 第三章 雾辅助的感知大数据高效隐私保护数据收集研究 |
| 3.1 引言 |
| 3.2 网络模型 |
| 3.3 基于雾计算辅助的高效隐私保护数据收集机制 |
| 3.3.1 感知节点的采样与加密 |
| 3.3.2 雾节点处理加密采样数据 |
| 3.3.3 用户端重建及加密数据解密 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第四章 雾辅助并行多任务时延最小化计算迁移研究 |
| 4.1 引言 |
| 4.2 网络模型 |
| 4.3 计算迁移最小化任务完成时间 |
| 4.3.1 最优化问题的构建 |
| 4.3.2 最优计算迁移求解 |
| 4.4 性能评估 |
| 4.5 本章小结 |
| 第五章 基于深度学习的能量与延时协同感知计算迁移研究 |
| 5.1 引言 |
| 5.2 网络模型 |
| 5.3 能量与延时协同感知计算迁移机制 |
| 5.3.1 优化问题构建 |
| 5.3.2 基于深度学习的联合迁移决策和资源分配 |
| 5.4 性能评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 进一步研究工作展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）基于移动边缘计算的海上通信网络优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景与研究动态 |
| 1.1.1 课题背景 |
| 1.1.2 研究动态 |
| 1.2 研究目的与意义 |
| 1.3 研究内容与结构 |
| 1.3.1 研究内容 |
| 1.3.2 全文结构 |
| 2 相关技术介绍 |
| 2.1 移动边缘计算 |
| 2.2 进化与仿生算法 |
| 2.2.1 协同进化 |
| 2.2.2 灰狼优化 |
| 2.2.3 NSGA-Ⅱ与PSO优化 |
| 2.3 本章小结 |
| 3 协同边缘与船舶间的通信网络优化 |
| 3.1 新型海事通信网络架构 |
| 3.2 协同边缘侧通信系统 |
| 3.2.1 协同边缘服务器选址策略 |
| 3.2.2 协同边缘与船舶通信模型 |
| 3.2.3 任务调度建模 |
| 3.3 基于协同进化的调度优化机制 |
| 3.3.1 改进的算法设计 |
| 3.3.2 仿真与性能评估 |
| 3.4 本章小结 |
| 4 海事云与协同边缘间的通信网络优化 |
| 4.1 建模与分析 |
| 4.1.1 海事云与协同边缘通信模型 |
| 4.1.2 能耗函数 |
| 4.1.3 时延函数 |
| 4.1.4 求解目标 |
| 4.2 基于灰狼优化的均衡机制 |
| 4.2.1 改进的算法设计 |
| 4.2.2 仿真与性能评估 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）边缘计算中一种新型计算卸载方法及QoS优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 边缘计算卸载研究现状 |
| 1.2.2 智能型计算卸载方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文创新点与技术路线 |
| 1.5 论文结构安排 |
| 第2章 相关理论和技术 |
| 2.1 边缘计算 |
| 2.1.1 边缘计算发展概述 |
| 2.1.2 边缘计算网络架构 |
| 2.1.3 边缘计算中的计算卸载 |
| 2.2 深度强化学习 |
| 2.2.1 深度学习 |
| 2.2.2 强化学习 |
| 2.2.3 深度强化学习 |
| 2.3 本章小结 |
| 第3章 MEC计算卸载系统模型 |
| 3.1 MEC系统模型 |
| 3.1.1 本地计算模型 |
| 3.1.2 计算卸载模型 |
| 3.2 优化目标 |
| 3.2.1 AoT(Age of Task) |
| 3.2.2 问题建模 |
| 3.3 本章小结 |
| 第4章 基于深度强化学习的新型计算卸载方法 |
| 4.1 传统计算卸载方法的局限性 |
| 4.2 算法描述 |
| 4.2.1 马尔可夫决策过程建模 |
| 4.2.2 DQN算法 |
| 4.2.3 改进DQN算法 |
| 4.2.4 算法性能对比 |
| 4.3 本章小结 |
| 第5章 实验设计与结果分析 |
| 5.1 实验环境与参数设置 |
| 5.1.1 运行环境 |
| 5.1.2 参数设置 |
| 5.1.3 对比实验介绍 |
| 5.2 实验流程设计 |
| 5.3 实验结果与分析 |
| 5.4 实验结论 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（6）经济高质量发展视域下广西算力产业发展路径分析（论文提纲范文）
| 一、算力产业将成为推动经济高质量发展的重要引擎 |
| （一）算力是承载和推动人工智能走向实际应用的决定性力量 |
| （二）算力成为衡量科技创新综合实力的重要标准 |
| （三）算力成为衡量社会经济发展水平的重要指标 |
| 二、广西加快发展算力产业的重要意义 |
| （一）推动广西率先形成产业发展“飞轮效应” |
| （二）吸引更多数字经济及人工智能产业链各环节向广西聚集 |
| （三）推动数字广西建设并形成新旧动能转换的重要支撑 |
| （四）服务广西与东盟数字经济产业的合作 |
| 三、广西发展算力产业的优劣势分析 |
| （一）广西发展算力产业面临的机遇 |
| （二）广西算力产业发展优势 |
| 1. 广西具备得天独厚的地缘优势。 |
| 2. 广西电力能源发展潜力大。 |
| 3. 广西数字经济发展态势良好。 |
| （三）广西算力产业发展劣势 |
| 1. 营商环境有待进一步优化。 |
| 2. 人才匮乏限制作用明显。 |
| 四、广西加快算力产业发展的路径 |
| （一）积极搭建算力产业发展平台 |
| 1. 聚力打造区域性国际算力枢纽。 |
| 2. 打造算力产业发展论坛。 |
| （二）扎实推进算力产业招商引资 |
| 1. 加大算力产业招商力度。 |
| 2. 开展针对算力产业的软招商。 |
| （三）进一步优化产业发展营商环境 |
| 1. 强化政府的契约精神。 |
| 2. 提高政府法治水平。 |
| 3. 提质升级服务企业水平。 |
| （四）增强电力能源竞争力 |
| 1. 加强能源发展规划。 |
| 2. 加快新能源发电产业发展。 |
| 3. 进一步降低算力产业用电费用。 |
| （五）大力引进培养算力产业人才 |
| 1. 创新人才使用方式。 |
| 2. 加大对算力高层次人才引进力度。 |
| 3. 加快本土人才培养。 |
| 4. 加快算力产业相关智库建设。 |
（8）基于智能计算的强对流天气识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 强对流天气分类特征 |
| 1.2.2 强对流云团的识别 |
| 1.3 研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 论文章节安排 |
| 第二章 相关理论及关键技术 |
| 2.1 知识图谱相关技术 |
| 2.1.1 知识获取 |
| 2.1.2 知识抽取 |
| 2.1.3 知识存储 |
| 2.2 双偏振多普勒天气雷达简介 |
| 2.2.1 双偏振多普勒天气雷达探测原理 |
| 2.2.2 双偏振多普勒天气雷达探测参量 |
| 2.3 强对流天气识别 |
| 2.3.1 TITAN算法识别风暴单体 |
| 2.3.2 SCIT算法识别风暴单体 |
| 2.4 本章小结 |
| 第三章 强对流天气知识图谱构建技术研究 |
| 3.1 强对流天气语料库构建 |
| 3.1.1 强对流天气知识图谱构建流程 |
| 3.1.2 强对流天气语料获取与处理 |
| 3.2 基于Bi-RNN+CRF的知识抽取模型 |
| 3.2.1 词嵌入模型 |
| 3.2.2 文本特征提取模型 |
| 3.2.3 序列标注模型 |
| 3.3 强对流天气知识图谱存储及结果分析 |
| 3.4 本章小结 |
| 第四章 基于模板检测的中层径向辐合识别算法研究 |
| 4.1 雷达数据预处理 |
| 4.2 中层径向辐合区域自动识别 |
| 4.2.1 辐合边界识别及强度计算 |
| 4.2.2 辐合区定位 |
| 4.2.3 MARC强度订正 |
| 4.3 测试与分析 |
| 4.4 本章小结 |
| 第五章 基于多识别因子的雷暴云团识别分类算法研究 |
| 5.1 雷暴过程的筛选 |
| 5.2 识别因子选择与分析 |
| 5.2.1 雷暴天气温度层 |
| 5.2.2 反射率因子 |
| 5.2.3 差分反射率因子 |
| 5.2.4 差分传播相位常数 |
| 5.3 雷暴云团识别分类 |
| 5.3.1 雷暴云团定位 |
| 5.3.2 多阈值的雷暴云团生消分类 |
| 5.3.3 测试与分析 |
| 5.4 本章小结 |
| 第六章 结束语 |
| 6.1 论文总结 |
| 6.2 前景展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于BIM技术的信息化工程全生命周期管理（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 信息化工程管理的国外背景 |
| 1.1.2 信息化工程管理的国内背景 |
| 1.1.3 信息化工程管理的国内外研究综述 |
| 1.1.4 BIM技术的国外内研究综述 |
| 1.1.5 BIM技术与信息化工程管理结合的研究意义 |
| 1.2 论文主要研究内容及创新点 |
| 1.2.1 主要研究内容 |
| 1.2.2 研究重点和难点 |
| 1.3 研究方法与路线 |
| 1.3.1 研究方法 |
| 1.3.2 研究路线 |
| 1.4 本文的创新点 |
| 第2章 利用BIM技术管理信息化工程的必要性和可行性 |
| 2.1 利用 BIM 技术管理信息化工程的必要性分析 |
| 2.1.1 信息化工程的特点 |
| 2.1.2 影响信息化工程成败的关键因素 |
| 2.1.3 信息化工程全生命周期管理 |
| 2.1.4 目前常用信息化工程管理要求和手段 |
| 2.1.5 信息化工程管理目前存在的问题 |
| 2.2 利用 BIM 技术管理信息化工程的可行性分析 |
| 2.2.1 BIM技术的特性 |
| 2.2.2 BIM技术与信息化工程全生命周期管理的结合点 |
| 2.3 本章小结 |
| 第3章 实现信息化工程全生命周期管理的理论框架 |
| 3.1 利用BIM技术实现信息化工程量3D建模 |
| 3.2 利用BIM技术实现信息化工程量的智能计算 |
| 3.2.1 BIM技术计算信息化工程量 |
| 3.2.2 工程量智能计算的优势 |
| 3.3 BIM技术实现信息化工程管理的协同 |
| 3.3.1 设计单位、甲方、施工单位、监理单位的多方协同 |
| 3.3.2 技术、财务、采购、领料、档案、人事多专业协同 |
| 3.3.3 设计、开发、测试、维护工程全生命周期协同 |
| 3.4 基于BIM技术的信息化工程管理多维分析模型 |
| 3.5 本章小结 |
| 第4章 实证研究——二次供水大数据监控平台工程管理 |
| 4.1 二次供水大数据监控平台开发与应用示范工程概述 |
| 4.1.1 工程目标分解 |
| 4.1.2 工程全生命周期的工作任务分解 |
| 4.2 工程初期管理 |
| 4.2.1 设计管理阶段的BIM应用 |
| 4.2.2 招标阶段管理的BIM应用 |
| 4.3 工程实施期管理 |
| 4.3.1 该工程实施管理工作的基本要求 |
| 4.3.2 该工程管理工作中的实际问题及利用BIM的改进 |
| 4.4 工程运维期管理 |
| 4.4.1 利用BIM技术对工程的运行情况动态跟踪 |
| 4.4.2 利用BIM技术对工程的持续改进和卓越管理 |
| 4.5 利用BIM技术为工程带来的经济效益 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要结论 |
| 5.2 今后展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）大数据预测功能的思想政治教育应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 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 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 文献评价与启示 |
| 1.3 研究思路和创新点 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.3.3 论文创新点 |
| 2 大数据预测功能相关概念及理论依据 |
| 2.1 大数据 |
| 2.1.1 大数据的内涵 |
| 2.1.2 大数据的特征 |
| 2.2 大数据预测功能 |
| 2.2.1 大数据预测功能的内涵 |
| 2.2.2 大数据预测功能的特征 |
| 2.2.3 大数据预测功能的实现 |
| 2.3 大数据预测功能应用于思想政治教育的理论依据 |
| 2.3.1 社会计算理论 |
| 2.3.2 教育信息化理论 |
| 2.3.3 思想政治教育方法论 |
| 3 大数据预测功能应用于思想政治教育的必要性和可行性 |
| 3.1 思想政治教育在大数据时代面临的困境 |
| 3.1.1 传统信息获取方法的局限性对教育个体思想状况把握模糊 |
| 3.1.2 教育对象思想动态的多变性致使思想政治教育活动失时 |
| 3.1.3 教育对象行为相较于思想的滞后性导致思想政治教育被动 |
| 3.2 大数据预测功能在思想政治教育的价值体现 |
| 3.2.1 大数据预测功能的精准性有利于提高思想政治教育针对性 |
| 3.2.2 大数据预测功能的相关性有利于引领思想政治教育方向 |
| 3.2.3 大数据预测功能的即时性有利于掌握思想政治教育先机 |
| 3.3 大数据预测功能在目前思想政治教育应用的不足 |
| 3.3.1 利用效率低 |
| 3.3.2 应用层次浅 |
| 3.3.3 发展不平衡 |
| 3.4 大数据预测功能在相关领域的成功经验与借鉴 |
| 3.4.1 大数据预测功能应用于人文社会科学学科 |
| 3.4.2 大数据预测功能应用于美国大选 |
| 3.4.3 大数据预测功能应用于大学生日常管理 |
| 4 大数据预测功能应用于思想政治教育的理论设想 |
| 4.1 大数据预测功能应用于思想政治教育方案制定环节 |
| 4.1.1 分类教育对象 |
| 4.1.2 优化教育方案 |
| 4.2 大数据预测功能应用于思想政治教育实施环节 |
| 4.2.1 精选教育方法与载体 |
| 4.2.2 预判思想品德内化与外化 |
| 4.3 大数据预测功能应用于思想政治教育评估环节 |
| 4.3.1 多方位反馈评估效果 |
| 4.3.2 实时进行教育调控 |
| 4.4 思想政治教育大数据预测模式 |
| 4.4.1 智能计算型思想政治教育模式 |
| 4.4.2 精准定制型思想政治教育模式 |
| 4.4.3 即时预防型思想政治教育模式 |
| 5 大数据预测功能应用于思想政治教育的保障措施 |
| 5.1 团队保障 |
| 5.1.1 培养思想政治教育者利用大数据预测功能的思维意识 |
| 5.1.2 提高思想政治教育者应用大数据预测功能的技术能力 |
| 5.1.3 形成思想政治教育队伍与大数据技术部门的合作关系 |
| 5.2 技术保障 |
| 5.2.1 开发挖掘高质化思想数据信息的工具 |
| 5.2.2 构建系统完整的思想政治教育数据库 |
| 5.2.3 研发与思想政治教育契合的预测模型 |
| 5.3 管理保障 |
| 5.3.1 促进大数据预测功能的资源与技术共享 |
| 5.3.2 加强大数据预测功能的资源与技术管制 |
| 5.4 科学规避潜在风险 |
| 5.4.1 正视预测误差 |
| 5.4.2 消弭隐私泄露 |
| 5.4.3 力戒信息异化 |
| 5.4.4 慎用预防惩罚 |
| 6 结论 |
| 参考文献 |
| 攻读硕士学位期间的科研成果 |
| 致谢 |
| 作者简介 |
四、我们身边的智能计算（论文参考文献）
- [1]高中数学建模素养的教学认知及启示[J]. 侯宝坤. 教学与管理, 2021(25)
- [2]基于深度强化学习的目标驱动计算卸载机制[D]. 王炜中. 电子科技大学, 2021(01)
- [3]雾辅助的隐私保护数据收集与智能计算迁移研究[D]. 朱曦. 南京邮电大学, 2020(02)
- [4]基于移动边缘计算的海上通信网络优化研究[D]. 张悦. 大连海事大学, 2020(01)
- [5]边缘计算中一种新型计算卸载方法及QoS优化研究[D]. 赵雅欣. 吉林大学, 2020(08)
- [6]经济高质量发展视域下广西算力产业发展路径分析[J]. 黄旭文. 经济与社会发展, 2020(02)
- [7]3D真的来了吗？——三维结构光传感器漫谈[J]. 左超,张晓磊,胡岩,尹维,沈德同,钟锦鑫,郑晶,陈钱. 红外与激光工程, 2020(03)
- [8]基于智能计算的强对流天气识别技术研究[D]. 张之正. 国防科技大学, 2019(02)
- [9]基于BIM技术的信息化工程全生命周期管理[D]. 惠琍琍. 南昌大学, 2019(02)
- [10]大数据预测功能的思想政治教育应用研究[D]. 夏春燕. 大连理工大学, 2019(02)