导读:本文包含了自适应背景论文开题报告文献综述及选题提纲参考文献，主要关键词:GM(1,1),预测,背景值,优化
自适应背景论文文献综述
吴文泽,黄仁帅,张涛[1]（2019）在《基于自适应数据的GM(1,1)模型背景值优化方法》一文中研究指出GM(1,1)模型在不确定或有限的样本中表现出了较好的预测性能,但仍存在改进的空间.本文提出了一种基于自适应数据的背景值优化方法,数值模拟结果表明,所提出的方法能够提高GM(1,1)模型的预测精度.(本文来源于《山西师范大学学报(自然科学版)》期刊2019年03期）
李静[2]（2019）在《教育大数据背景下藏族大学生网络自适应学习策略》一文中研究指出教育大数据背景下,藏族大学生的学习方式发生了明显的变化。网络自适应学习正逐渐成为藏族大学生主要的学习范式。在自适应学习技术的支持下,藏族大学生的网络自适应学习有所改善,但还存在四个方面的问题:学习目标不明确,学习主动性不高;网络学习迷航,学习未能真正实现自我适应;缺乏适切的网络学习资源;数字素养有待提升。针对上述问题,教师可采取四个针对性的对策:设立差异化的学习目标,提高网络学习的主动性;建立个性化的自适应学习支持服务;加强校际协作,共建、共享适切的网络学习资源;合理使用数字媒体,提升自身数字素养。(本文来源于《教育观察》期刊2019年27期）
王旭东,王屹炜,闫贺[3]（2019）在《背景抑制直方图模型的连续自适应均值漂移跟踪算法》一文中研究指出针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的迭加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显着性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。(本文来源于《电子与信息学报》期刊2019年06期）
张嘉惠[4]（2019）在《大数据背景下高职学生个性化自适应学习探究》一文中研究指出伴随着大数据时代的到来,高职院校要积极引导学生适时改革学习方式,鼓励支持学生开展个性化自适应学习,从而实现高职学生多层级全方位的综合成长。论文首先简要阐述了大数据的内涵和应用情况,接下来有针对性的开展高职学生学习情况的数据分析,在此基础上,具体分析了高职学生个性化自适应学习方式的几个阶段过程,借助这一学习方式,可以实时了解学生的学习情况,检查其学习效果,这样可以引导学生借助恰当高效的学习方式学习掌握先进的学习资源。高职院校以个性化自适应的服务,组织学生个性化自适应学习,实现教学相长,发展共赢。(本文来源于《辽宁省交通高等专科学校学报》期刊2019年03期）
邱家兴,王易川,丁超,程玉胜[5]（2019）在《一种自适应门限时间方位历程显示背景均衡算法》一文中研究指出根据目标信号与背景噪声的特点,结合机器自动提取BTR弱目标轨迹时的需求,本文设计了一种自适应门限背景均衡算法。相比于现有方法,该算法有两点改进:1)根据目标信号与背景噪声幅度比值,自适应生成滤波阈值,不需要人工设置与调试;2)根据目标信号与背景噪声在BTR中的显示特点,自动识别噪声并进行抑制,提高了弱目标与噪声的区分度。实测信号处理结果证明,本文算法能够在保护弱目标轨迹的情况下较干净地滤除背景噪声。(本文来源于《舰船科学技术》期刊2019年11期）
张旭[6]（2019）在《人工智能背景下高职教育自适应学习模式可行性及发展路径研究》一文中研究指出自适应学习是联合机器学习算法与大数据分析,将人工智能与教育充分融合的教学模式。在高职教育中,自适应学习模式能够为学生弥补基础的不足、疏导学习情绪,为教师提供分层教学依据和科学测评手段,教学前景广阔。因此当前高职院校教师应做好知识内容的精细分解,记录学生有效的认知数据,设计高质量的教学方案,持续积累有效的数据和信息,为自适应学习系统的开发做好充分准备。(本文来源于《信息记录材料》期刊2019年06期）
张旭[7]（2019）在《人工智能背景下高职教育自适应学习模型研究》一文中研究指出人工智能自适应学习是通过机器学习算法联合大数据分析,将人工智能与教育充分融合的教学模式。在高职教育中,学生与教师希望用自适应学习模式改变现状。为基础不同的学生推荐学习路径,为学习习惯差异的学生引导情感;帮助教师实施精准的分层教学,提供教师科学的测评办法。这些内容的实现需要在自适应学习系统中着重构建叁个核心模型——领域知识模型、学习者模型、教学模型,并不断完善相应的模型,真正实现高职教育的因材施教。(本文来源于《信息记录材料》期刊2019年05期）
龚松标[8]（2019）在《基于自适应特征的复杂场景背景提取》一文中研究指出随着智能监控设备的兴起,背景提取在智能交通、视频监控、人机交互和医疗诊断等领域的应用如火如荼,其目的是提取出视频中感兴趣的目标。利用计算机进行视频处理可以避免人眼在视觉方面的局限性。例如,在复杂场景中对运动前景目标识别不精确,无法保证在视频分析时所需要的实时性等。目前,背景提取在简单场景中提取运动目标取得了不错的效果,但是对于复杂的实际环境,如光照变化、阴影和运动背景等因素造成提取的目标不精确、存在噪点。针对复杂动态场景中背景提取存在的问题,本文提出了一种自适应特征的背景建模方法。首先,对视频帧像素点的灰度、RGB颜色和纹理特征进行提取,将提取的特征在时间序列上用直方图进行展示,以确定各个特征的权重大小。其次,利用提取的特征构造成特征向量,并进一步结合像素点的特征权重构建背景模型。然后,将被测像素点与背景模型自适应匹配并采用双阈值比较方法,针对双阈值之间的值,本文结合邻域像素点进行前景的检测。最后,检测目标的同时采用模型参数更新和空间邻域更新的策略对背景模型进行实时地更新。实验结果表明,本文提出自适应特征的背景提取方法,在changedetection.net(CDN)视频库进行前景运动目标检测,结合查全率和查准率,其综合评价指标达到90%以上。同时,与混合高斯法等经典算法进行对比,本文算法对复杂动态背景的前景目标检测具有很好的准确性和鲁棒性。(本文来源于《长安大学》期刊2019-04-09）
韩金旺,张子敬,刘军,赵永波[9]（2019）在《基于贝叶斯的高斯杂波背景下MIMO雷达自适应检测算法》一文中研究指出对于集中式多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达,该文研究了高斯杂波背景下的目标检测问题。该文假设杂波的协方差矩阵是未知随机的,且服从逆复Wishart分布,基于贝叶斯方法和广义似然比检验准则设计了两种新型自适应检测器。该文提出的贝叶斯检测器具有两个显着的优点:(1)不需要训练数据;(2)杂波的先验知识体现在设计方案中,从而提高了检测性能。仿真结果显示该文提出的贝叶斯检测器的检测性能优于目前常用的非贝叶斯检测器,特别是在发射波形采样数较少时。另外,该贝叶斯检测器在参数失配条件下的性能会有一定程度下降。(本文来源于《雷达学报》期刊2019年04期）
王一斌,尹诗白,吕卓纹[10]（2019）在《自适应背景光估计与非局部先验的水下图像复原》一文中研究指出有效地实现单幅水下降质图像复原对水下资源探索及环境监控领域的清晰图像获取具有极其重要的意义。为解决常用暗通道先验方法来复原图像时,背景光的估计易受白色物体干扰,且无法有效估计前景中白色物体透射率,复原质量不高的问题。本文提出了自适应背景光估计与非局部先验的水下图像复原算法。首先根据背景光具有高亮度及平坦性的特点,利用阈值分割算法获得背景光的候选区域,再通过图像的色调信息从候选信息中选取最佳的背景光点。随后,利用各颜色通道光的波长与散射系数的相关性,提出了适用于水下图像的非局部先验,并利用该先验估计各通道的透射率。最后针对复原结果中,因水下介质,微生物,水流影响而产生的加性噪声,设计去噪的最小优化问题,并利用引导滤波求解该问题,以去除复原结果中的加性噪声。实验表明:该算法在确保运行效率的基础上,准确地估计透射率,较常用算法的复原精度提高了约18%。证明了该算法能有效用于单幅水下图像复原的工程实践中。(本文来源于《光学精密工程》期刊2019年02期）
自适应背景论文开题报告
（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：
教育大数据背景下,藏族大学生的学习方式发生了明显的变化。网络自适应学习正逐渐成为藏族大学生主要的学习范式。在自适应学习技术的支持下,藏族大学生的网络自适应学习有所改善,但还存在四个方面的问题:学习目标不明确,学习主动性不高;网络学习迷航,学习未能真正实现自我适应;缺乏适切的网络学习资源;数字素养有待提升。针对上述问题,教师可采取四个针对性的对策:设立差异化的学习目标,提高网络学习的主动性;建立个性化的自适应学习支持服务;加强校际协作,共建、共享适切的网络学习资源;合理使用数字媒体,提升自身数字素养。
（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。
自适应背景论文参考文献
[1].吴文泽,黄仁帅,张涛.基于自适应数据的GM(1,1)模型背景值优化方法[J].山西师范大学学报(自然科学版).2019
[2].李静.教育大数据背景下藏族大学生网络自适应学习策略[J].教育观察.2019
[3].王旭东,王屹炜,闫贺.背景抑制直方图模型的连续自适应均值漂移跟踪算法[J].电子与信息学报.2019
[4].张嘉惠.大数据背景下高职学生个性化自适应学习探究[J].辽宁省交通高等专科学校学报.2019
[5].邱家兴,王易川,丁超,程玉胜.一种自适应门限时间方位历程显示背景均衡算法[J].舰船科学技术.2019
[6].张旭.人工智能背景下高职教育自适应学习模式可行性及发展路径研究[J].信息记录材料.2019
[7].张旭.人工智能背景下高职教育自适应学习模型研究[J].信息记录材料.2019
[8].龚松标.基于自适应特征的复杂场景背景提取[D].长安大学.2019
[9].韩金旺,张子敬,刘军,赵永波.基于贝叶斯的高斯杂波背景下MIMO雷达自适应检测算法[J].雷达学报.2019
[10].王一斌,尹诗白,吕卓纹.自适应背景光估计与非局部先验的水下图像复原[J].光学精密工程.2019