导读:本文包含了多特征信息融合论文开题报告文献综述及选题提纲参考文献，主要关键词:人眼视觉系统,BP神经网络,复杂度敏感模型
多特征信息融合论文文献综述
冯丹青,陈亮[1]（2019）在《基于多特征信息融合的彩色图像复杂度研究》一文中研究指出针对图像复杂度广泛应用却无统一标准的现状,构建基于彩色图像复杂度敏感模型的评价体系。以人类视觉系统为基准,选择颜色熵、能量、对比度、相关性、同质性和边缘比率特征,结合遗传算法和BP神经网络,构造了多特征信息融合的复杂度敏感模型。同时求解各个指标权重,创建图像复杂度与评价体系之间的定量机制。实验结果表明模型符合人眼视觉系统,且能够得到准确的彩色图像复杂度,为基于图像、视频等通信技术提供了有效参考依据。(本文来源于《通信技术》期刊2019年09期）
邵凡[2]（2019）在《基于多特征信息融合的岩体失稳预测方法研究》一文中研究指出岩体失稳预测是保障采矿安全生产的重要手段,岩体本身内部结构、力学性质及复杂的地质环境决定了从理论上对岩体稳定性进行评价是困难的。声发射技术通过对岩体失稳过程中能量释放效应的检测,能够提供缺陷在载荷下的不稳定信息,获得岩体失稳各阶段的力学行为与岩体失稳过程之间关系。因此,建立岩体失稳声发射信号与失稳过程之间的映射关系,能够为岩体失稳预测提供依据。本研究以红砂岩为研究对象,通过理论分析、仿真分析和试验研究相结合的方法,主要开展的工作有:在岩石力学试验系统上,通过对单轴压缩试验模拟岩体失稳过程,并采集岩体失稳声发射信号,对信号进行去噪及多特征提取,建立多特征信息融合预测模型,实现对岩体失稳各阶段的准确预测。主要研究成果如下:(1)通过分析声发射信号与岩体内部状态之间的关系,分析实验需求,设计单轴压缩试验和岩体声发射信号采集系统。获取岩体失稳声发射信号、垂直力和垂直形变。通过计算得到岩体失稳应力应变曲线,将岩体失稳状态划分为四个阶段。(2)针对岩体声发射信号非平稳、非线性的特点,由声发射信号数学模型构建仿真信号,并对其进行去噪处理,以均方根误差和相对误差为评价指标,证明了变分模式分解算法对非平稳、非线性信号的去噪能力。通过引入相关系数构建有效分量选取方法,对变分模式分解算法进行改进,消除了变分模式分解算法中参数K选取困难问题,并剔除虚假IMF分量。(3)采用参数分析法、时域分析法和频域分析法分别对岩体失稳各阶段提取的声发射信号进行特征提取,分析各特征对岩体失稳各阶段的区分能力;在此基础上提出了敏感特征评价方法,有效筛选出岩体失稳各阶段的敏感特征分量。(4)在分析BP神经网络特点的基础上,建立了基于BP神经网络的岩体失稳预测模型,利用遗传算法对BP神经网络的初始化权值和阈值进行优化,克服了BP神经网络模型易陷入局部最优解的缺陷;为消除预测过程中各环节可能产生的不确定性影响,结合D-S证据与遗传算法优化的BP神经网络预测模型提出一种多特征融合的岩体失稳现象预测模型,通过引入加权系数对基本概率分配函数构建方法进行优化,消除高冲突证据导致融合失效问题,提高了岩体失稳各阶段预测的准确性。综上所述,通过对岩体失稳声发射信号进行去噪和多特征提取,采用加权D-S证据融合结合遗传优化BP神经网络,并构建多特征信息融合岩体失稳预测模型,能够对岩体失稳各阶段进行精准预测,能够有效消除采矿生产中岩体失稳带来的安全隐患。(本文来源于《江西理工大学》期刊2019-05-22）
汤明皓[3]（2019）在《基于空时特征信息融合的微表情识别方法研究》一文中研究指出随着计算机技术和模式识别的飞速发展,人脸表情识别在许多研究领域都有广泛的应用。近年来,研究者们在人脸识别领域取得了许多成果,并开始着手研究一种特殊的面部细微表情——微表情。区别于一般的静态人脸表情识别,微表情识别不但需要提取每一帧图像中的人脸表情形变的空间特征信息,而且需要考虑到连续图像序列的时间运动信息。目前微表情识别方法的研究还处于一个发展的阶段,仍然存在一些尚未解决或者容易被忽视的问题:1)大部分现有特征提取算法提取的特征存在维度过高,冗余信息太多的问题,从而影响识别效果;2)由于微表情自身的微弱行为特点,微表情识别的特征提取方法鲁棒性差,识别效果不理想。针对上述问题,本文研究并设计了相关微表情识别的特征提取及其优化算法,主要工作如下:针对现有特征提取方法的信息冗余问题,提出了一种基于颜色空间信息融合(CSFL)的微表情识别方法。所提方法对微表情颜色空间通道的彩色信息进行有效地融合,同时结合时空特征的全局和局部信息,构建不同色彩通道特征的紧密关系,从而得到新的融合特征。新的融合特征相比于传统的特征,维度更低、干扰信息更少,特征更加紧凑有效。实验通过与在灰度空间和没有信息融合的颜色空间上直接提取的特征进行对比,利用支持向量机作为情感识别分类器训练评估识别效果,验证和分析该方法的微表情识别性能。实验结果表明,新型的融合特征可以有效地利用颜色信息并利用颜色空间中的微表情判别信息来增强时空描述符在处理微表情识别任务时的性能,在微表情识别率上有显着的提高。针对传统特征提取分类算法在微表情识别任务中鲁棒性差、识别效果不理想的问题,提出了一种基于块稀疏贝叶斯学习的微表情识别方法。该方法充分利用微表情特征矩阵内部结构的特性和相关性,通过块稀疏贝叶斯学习算法重构微表情特征矩阵的稀疏表示系数。与传统的稀疏表示分类方法相比,该方法得到的稀疏表示系数可以更好地获取微表情的内在差异信息。然后根据所求解的稀疏表示系数定义残差判别规则,从而测试微表情样本所属的类别。实验结果表明,该方法可以有效地改善传统稀疏表示分类算法的性能,解决微表情识别准确率低、鲁棒性差等问题,更为高效地识别微表情。(本文来源于《江苏大学》期刊2019-04-01）
脱羚[4]（2019）在《基于多特征信息融合的陶瓷砖表面质量在线检测方法研究》一文中研究指出我国陶瓷生产历史悠久,工艺制造水平随着时间的推移不断提高,现已成为世界上最大的建筑陶瓷生产基地。越来越多的陶瓷生产企业开始迈出国门进入国际市场。因而如何提升陶瓷砖品质,增加我国陶瓷生产企业的国际竞争力的问题不容忽视。而陶瓷砖表面的几何尺寸及其缺陷有无是衡量其品质的一个重要标准,因此陶瓷砖的尺寸测量及其缺陷检测就显得尤为重要。当前国内大部分陶瓷生产企业在面对陶瓷砖的质量检测时仍采用人工检选的方式,但这种方式精度低、速度慢,严重制约了陶瓷砖质量和档次的提升。而近年来随着图像采集技术和处理技术的发展,机器视觉检测技术已成为工业检测中的主要技术。该检测技术具有极强的灵活性和稳定性,操作简单且成本较低,已成为陶瓷砖质量检测的主要方向。面对这样的现状,本文以陶瓷砖为研究对象并结合机器视觉的检测技术,提出了一套基于多特征信息融合的陶瓷砖表面质量在线检测方法。根据陶瓷砖表面的待测参数及检测要求,本文的研究工作主要包括以下几个部分:(1)陶瓷砖表面质量在线检测硬件测试平台的搭建本文通过LED光源、面阵CCD相机及一些辅助性硬件设备完成了对陶瓷砖表面质量在线检测硬件测试平台的搭建。该平台能够对待测陶瓷砖表面图像进行了采集,并利用计算机对采集到的图像做进一步处理。(2)陶瓷砖表面质量在线检测算法的研究与设计本文通过对陶瓷砖待测参数特性的分析并根据其检测要求,研究并设计出了一套陶瓷砖表面质量检测算法。主要包含陶瓷砖表面尺寸在线测量算法和陶瓷砖表面缺陷在线检测算法两部分。其中尺寸测量部分的算法主要以改进的霍夫变换算法和TMOAA(Tuo`s Max Of Acme Algorithm)算法为核心,可快速准确的实现对陶瓷砖边长、厚度及其对角线尺寸的在线测量工作;而缺陷检测部分的算法主要以多特征信息融合技术为核心,采用基于自适应模糊推理系统的缺陷辨识器,完成对待测陶瓷砖表面五种常见缺陷的精确辨识,确定缺陷有无及其类型。(3)陶瓷砖表面质量在线检测软件的设计与实现本文在Visual Studio 2010软件开发环境下,采用C++语言并结合MFC框架及多线程技术等完成了对陶瓷砖表面质量在线检测软件系统的设计。该软件通过完成对人机交互界面的设计、检测算法的移植、数据库的调用等工作,实现了对陶瓷砖表面尺寸测量和缺陷检测、及检测信息的显示和存储等功能。本文通过对该检测系统硬件测试平台的搭建、质量检测算法的研究与设计及其软件部分的实现,完成了对陶瓷砖表面尺寸的在线测量及其缺陷检测。实验结果表明:所用方法针对陶瓷砖表面尺寸的测量精度可到达±0.1mm,并可精确完成对陶瓷砖表面五种常见缺陷的辨识工作,可达到陶瓷砖表面质量检测要求。(本文来源于《陕西科技大学》期刊2019-03-01）
周强,脱羚,王莹,杨晓妍,王浩然[5]（2019）在《基于多特征信息融合的陶瓷墙地缺陷在线检测》一文中研究指出针对陶瓷墙地砖表面多种缺陷的检测问题,提出一种基于多特征信息融合的缺陷在线检测方法。该方法借助自适应神经模糊推理系统构建缺陷辨识器,对陶瓷墙地砖表面多种缺陷的各类特征值进行计算及信息融合,从而实现对这些缺陷的精确辨识。实验表明:该方法可准确有效地完成陶瓷墙地砖表面多种缺陷的在线检测工作。(本文来源于《硅酸盐通报》期刊2019年01期）
杜明洋,毕大平,王树亮,潘继飞[6]（2018）在《多特征信息融合的中心群跟踪算法》一文中研究指出传统的中心群跟踪(CGT)算法通过跟踪群的几何中心来实现对群整体运动的估计,但当存在杂波时,群目标的空间分布会受到杂波干扰,使群的中心位置受到影响,导致跟踪误差增大。文中基于多特征信息融合的思想,利用传感器获得的电磁辐射特征信息,将运动状态信息与时、频域特征信息进行融合,通过比较相关波门内的量测值与预测值之间的关联度,以达到滤除杂波的效果,完成对群中心的状态估计。仿真结果表明,文中算法在均方根误差和平均有效量测点数等方面相比传统算法有所改善,证明了算法的有效性。(本文来源于《弹箭与制导学报》期刊2018年06期）
郑茹[7]（2018）在《基于用户兴趣与特征信息融合的推荐方法研究》一文中研究指出互联网的出现及在各领域应用的普及为用户提供了大量的信息,极大地满足了用户对获取信息全面、便捷的要求。但随着网络应用的飞速发展,网络信息内容不断丰富,信息数量呈指数形式逐年攀升,相应地,用户面对海量信息时难以从中高效地获得关键的、有价值的信息,往往需要将大量的时间、精力耗费在信息过滤和价值识别上,往日的便捷也成为今日的负担。推荐系统的出现不仅在一定程度上为用户解决了信息过载带来的一系列问题,也有助于企业维护客户关系,提高销售业绩。基于上述原因,推荐系统的研究与应用得到国内外学术界和工业界的高度关注。但目前推荐系统的研究和应用还不够成熟,数据稀疏、推荐实时性差、推荐效果不佳等问题仍普遍存在。围绕推荐系统的科学研究与现实应用,本文分析了推荐系统在国内外的研究现状,对现有主流推荐方法的研究成果进行了梳理。分析发现,作为推荐系统的基础和核心问题之一的用户兴趣建模存在兴趣细分度不够、用以进行用户画像的信息结构单一等问题,致使用户兴趣描述不够准确。在协同过滤推荐方法中,尽可能细致地刻画用户兴趣才能为用户找到兴趣更相近的近邻集并依此为用户做出更精准的推荐。因此,如何更细致地刻画用户兴趣成为当前亟待解决的关键问题。进一步地,用户间相似度的有效度量是推荐系统研究中的另一核心问题。然而,现有研究中往往仅通过用户兴趣信息刻画用户间的相似度。事实上,用户兴趣会因时间流逝产生一定变化,具有一定不确定性,因此,如何有效融合新的用户信息,进而更为全面地刻画用户间相似度也成为协同过滤推荐研究中亟待解决的又一重要问题。围绕上述两个核心问题及推荐系统中普遍存在的数据稀疏等问题,本文在前人研究的基础上提出基于用户兴趣与特征信息融合的推荐方法。该方法在基于用户的协同过滤推荐思路的基础上,通过引入用户长短期兴趣和项目评分对传统用户兴趣模型进行改进,与用户特征模型融合构建用户综合相似度模型,在此基础上,为目标用户提供近邻推荐服务。本文的主要研究内容及创新性概括如下:(1)针对协同过滤算法中存在的数据稀疏问题,本文将用户—项目评分矩阵通过项目属性提取变换为用户—属性偏好矩阵,在一定程度上降低了矩阵稀疏性。(2)针对如何精准刻画用户兴趣问题,本文在细分项目属性的基础上,通过对用户历史行为进行分析,综合考虑用户长期兴趣的稳定性与短期兴趣的实时性,为用户对项目属性进行长短期兴趣类型的区分。在此基础上,将已区分的用户兴趣属性与项目评分融合,构建引入用户长短期兴趣和项目评分的用户兴趣模型。(3)针对如何准确度量用户间相似度问题,本文在用户兴趣相似度研究的基础上融合用户特征相似度信息进而提出了一个新的用户综合相似度模型,并基于此模型为目标用户未关注的项目进行评分预测与Top-K推荐。本文通过MATLAB工具实现了基于用户兴趣与特征信息融合的推荐方法。以MovieLens公开数据包中ml-100k数据集中的943位用户对1682部电影的10万条评分数据为实验对象,对文章提出的推荐方法进行验证,将新方法与传统方法在平均绝对误差MAE指标上进行比较后发现本方法较传统方法有更高的推荐精度,而且能在一定程度上解决数据稀疏和冷启动问题。(本文来源于《山西大学》期刊2018-06-01）
李康[8]（2018）在《基于可见光-近红外光谱与数字图像特征信息融合技术的木材识别初步研究》一文中研究指出基于可见光-近红外光谱与数字图像特征信息的木材识别技术,可以充分利用光谱法与图像法两种方法的优势,有效地克服两种方法单独使用时的局限性,可为木材识别提供一种新技术。本论文分别利用可见光-近红外光谱技术和数字图像处理技术对51种木材树种进行木材识别的初步研究,并将可见光-近红外光谱与数字图像特征信息融合后对木材识别初步分类。同时,探讨了木材识别模型预测效果的影响因素,主要包括不同的光谱波段、不同的木材切面、不同光谱预处理方法以及不同的模式识别方法,以探究出较稳定的木材识别模型及其较好的预测结果,得出的结论如下:(1)400～780 nm、780～1100 nm、1100～2500nm、780～2500 nm 和 400～2500 nm 波段的原始光谱数据建立木材识别模型,其预测的总正确率分别为67.22%、70.59%、78.29%、86.14%和86.96%,结果初步表明,可见光-近红外光谱技术可以用于对51种木材树种进行快速判别分类。同时,比较了木材样品的横切面、径切面和弦切面对木材识别模型以及样品预测的影响,其预测结果分别为86.96%、75.07%和75.63%。结果表明木材横切面的可见光-近红外光谱数据建立的识别模型预测效果更好。(2)基于灰度共生矩阵方法提取木材图像的14个纹理特征参数,利用主成分分析、参数间相关性分析方法对这些参数进行处理分析,建立模型预测总正确率分别为82.49%和80.11%。初步表明,与参数间相关性分析比较,基于主成分分析建立的木材表面纹理分类模型的识别效果较好。同时,探讨了从木材的横切面、径切面和弦切面提取出的纹理特征参数用于建立木材识别模型,其预测结果分别为82.49%、80.53%和81.51%。表明由木材横切面的纹理特征参数建立的误差反向传播神经网络(BP神经网络)模型识别效果更好。(3)将近红外光谱和可见光-近红外光谱特征分别与图像纹理特征进行特征融合,建立的BP神经网络识别模型的预测总正确率分别为91.04%和92.85%,结果初步表明,增加可见光波段到近红外光谱中对木材识别模型的预测效果有一定的提升,但效果不是很明显。同时,探讨了木材横切面、径切面和弦切面的融合特征所建立的木材识别模型对未知样品的预测效果,其总识别正确率分别为92.85%、88.79%和90.19%。结果表明选用木材横切面的融合特征建立BP神经网络模型预测效果更好,与单独利用可见光-近红外光谱技术或数字图像处理技术对木材识别相比较,可见光-近红外光谱特征和数字图像纹理特征融合后建立的BP神经网络模型的识别效果有明显的提高。(4)未经过光谱预处理的和经过S-G(Savitzky-Golay)卷积平滑、一阶导数、二阶导数和标准正态变量变换(standard normal variate transformation,SNV)预处理的光谱建立的木材识别模型对10种木材树种分类的正确率分别为97.14%、96.43%、93.57%、90%和95.71%。结果表明经过光谱预处理的木材识别模型预测效果并未提高。利用簇类的独立软模式法(soft independent modeling of class analogy,SIMCA)、偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA)和 BP 神经网络方法分别建立木材识别模型,其预测的正确率分别为93.57%、98.57%和97.14%。结果显示,利用PLS-DA法和BP神经网络方法建立的识别模型预测效果要较好于SIMCA法建立的木材识别模型预测效果。(本文来源于《中国林业科学研究院》期刊2018-04-01）
张强,刘志恒,王海舰,顾颉颖,田莹[9]（2017）在《基于多特征信息融合的截齿磨损程度识别研究》一文中研究指出为实现截割过程中截齿磨损程度的在线监测和精准识别,提出一种基于多特征信息融合的采煤机截齿磨损程度识别方法。针对不同磨损程度截齿截割过程中的振动和声发射信号进行时域分析和小波包分析;针对两相邻磨损程度截齿的特征样本存在数据交集,增加系统识别难度的问题,构建最小模糊度优化模型并计算各特征参数的最优模糊隶属度函数,获取特征样本的最大隶属度。运用多特征数据样本对BP(back-propagation)神经网络识别模型进行学习和训练。实验结果表明,截齿磨损程度识别模型的判别结果和样本实际磨损类别相符,能够实现对截齿磨损程度的在线监测和精准识别。研究结果对于实际工程中截齿的监测和更换具有重要意义。(本文来源于《电子测量与仪器学报》期刊2017年12期）
赵孝礼[10]（2017）在《全局与局部特征信息融合的旋转机械故障数据集降维方法研究》一文中研究指出1故障诊断是保障机械设备安全运行的有效手段之一。为获取更加准确、有效的诊断结果,就需提取出有价值的设备信息。因此,如何有效地挖掘出真实反映故障信息的数据已成为当今故障诊断的研究热点。众所周知,机械故障诊断一般被分为叁步:信号采集与处理,故障的特征表达与模式识别。数据降维又是特征表达中的关键一步,它可减轻后续故障模式识别的压力,提取出本质的故障信息。研究表明,数据的全局与局部信息对于降维与分类都是有益的。从信息提取的角度出发,传统的降维算法如PCA、LDA、LPP等,大多是从单一的全局或局部信息角度出发,并不能兼顾全局与局部信息的提取,导致降维与分类效果不佳。针对上述问题,为了使得故障信息保持的更加完善与故障诊断效果更高,本文全局与局部兼顾提取的故障特征集降维工作主要包含以下内容:1)从数据的保持结构角度出发,在对比分析了全局数据降维方法和局部数据降维方法的基础上,阐述了全局与局部信息对数据降维的重要性。2)当训练样本不足时,局部信息比全局信息更为重要。为此,提出一种正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)局部信息的滚动轴承故障数据集维数约简方法。该方法首先利用RKMMP对故障样本集进行降维,然后将降维后的低维敏感特征子集输入到核极限学习机分类器中进行故障识别。滚动轴承故障模拟实验表明:该方法在一定程度上能提升故障诊断的泛化能力与识别精度。3)针对传统数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种全新的核主元分析(KPCA)和正交化局部敏感判别分析(OLSDA)相结合的转子故障数据降维方法。该方法首先利用KPCA算法最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息。转子实验表明:该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰、相应地识别准确率得到了明显提升。4)降维的目的是为了保持更全面的故障信息,使故障诊断结果更精确。但KPCA-OLSDA联合降维的方法在一定程度上增加了算法的复杂度,为尽可能多地保持数据的内在全局与局部信息,提出了一种全局与局部的局部敏感判别分析(Global and Local Locality Sensitive Discriminant Analysis,GLLSDA)维数约简的故障诊断方法。首先,方法从振动信号中提取出多域、多通道的统计特征参数,构建高维故障特征数据集;然后,利用所提的GLLSDA对故障数据集进行维数约简,提取出低维敏感的特征子集。最后,将低维特征输入WKNN分类器中进行故障诊断。转子系统实验数据验证了新方法的有效性。(本文来源于《兰州理工大学》期刊2017-04-20）
多特征信息融合论文开题报告
（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：
岩体失稳预测是保障采矿安全生产的重要手段,岩体本身内部结构、力学性质及复杂的地质环境决定了从理论上对岩体稳定性进行评价是困难的。声发射技术通过对岩体失稳过程中能量释放效应的检测,能够提供缺陷在载荷下的不稳定信息,获得岩体失稳各阶段的力学行为与岩体失稳过程之间关系。因此,建立岩体失稳声发射信号与失稳过程之间的映射关系,能够为岩体失稳预测提供依据。本研究以红砂岩为研究对象,通过理论分析、仿真分析和试验研究相结合的方法,主要开展的工作有:在岩石力学试验系统上,通过对单轴压缩试验模拟岩体失稳过程,并采集岩体失稳声发射信号,对信号进行去噪及多特征提取,建立多特征信息融合预测模型,实现对岩体失稳各阶段的准确预测。主要研究成果如下:(1)通过分析声发射信号与岩体内部状态之间的关系,分析实验需求,设计单轴压缩试验和岩体声发射信号采集系统。获取岩体失稳声发射信号、垂直力和垂直形变。通过计算得到岩体失稳应力应变曲线,将岩体失稳状态划分为四个阶段。(2)针对岩体声发射信号非平稳、非线性的特点,由声发射信号数学模型构建仿真信号,并对其进行去噪处理,以均方根误差和相对误差为评价指标,证明了变分模式分解算法对非平稳、非线性信号的去噪能力。通过引入相关系数构建有效分量选取方法,对变分模式分解算法进行改进,消除了变分模式分解算法中参数K选取困难问题,并剔除虚假IMF分量。(3)采用参数分析法、时域分析法和频域分析法分别对岩体失稳各阶段提取的声发射信号进行特征提取,分析各特征对岩体失稳各阶段的区分能力;在此基础上提出了敏感特征评价方法,有效筛选出岩体失稳各阶段的敏感特征分量。(4)在分析BP神经网络特点的基础上,建立了基于BP神经网络的岩体失稳预测模型,利用遗传算法对BP神经网络的初始化权值和阈值进行优化,克服了BP神经网络模型易陷入局部最优解的缺陷;为消除预测过程中各环节可能产生的不确定性影响,结合D-S证据与遗传算法优化的BP神经网络预测模型提出一种多特征融合的岩体失稳现象预测模型,通过引入加权系数对基本概率分配函数构建方法进行优化,消除高冲突证据导致融合失效问题,提高了岩体失稳各阶段预测的准确性。综上所述,通过对岩体失稳声发射信号进行去噪和多特征提取,采用加权D-S证据融合结合遗传优化BP神经网络,并构建多特征信息融合岩体失稳预测模型,能够对岩体失稳各阶段进行精准预测,能够有效消除采矿生产中岩体失稳带来的安全隐患。
（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。
多特征信息融合论文参考文献
[1].冯丹青,陈亮.基于多特征信息融合的彩色图像复杂度研究[J].通信技术.2019
[2].邵凡.基于多特征信息融合的岩体失稳预测方法研究[D].江西理工大学.2019
[3].汤明皓.基于空时特征信息融合的微表情识别方法研究[D].江苏大学.2019
[4].脱羚.基于多特征信息融合的陶瓷砖表面质量在线检测方法研究[D].陕西科技大学.2019
[5].周强,脱羚,王莹,杨晓妍,王浩然.基于多特征信息融合的陶瓷墙地缺陷在线检测[J].硅酸盐通报.2019
[6].杜明洋,毕大平,王树亮,潘继飞.多特征信息融合的中心群跟踪算法[J].弹箭与制导学报.2018
[7].郑茹.基于用户兴趣与特征信息融合的推荐方法研究[D].山西大学.2018
[8].李康.基于可见光-近红外光谱与数字图像特征信息融合技术的木材识别初步研究[D].中国林业科学研究院.2018
[9].张强,刘志恒,王海舰,顾颉颖,田莹.基于多特征信息融合的截齿磨损程度识别研究[J].电子测量与仪器学报.2017
[10].赵孝礼.全局与局部特征信息融合的旋转机械故障数据集降维方法研究[D].兰州理工大学.2017