导读:本文包含了机器性能论文开题报告文献综述及选题提纲参考文献，主要关键词:通信技术,VoLTE网络优化,机器学习,随机森林
机器性能论文文献综述
饶文涛,陈赞吉,郭银燕,黄家杰,王斌[1]（2019）在《机器学习在VoLTE端到端性能优化中的应用研究》一文中研究指出目前VoLTE端到端性能优化主要依靠人工分析,存在效率低下、分析质量无法保证的问题。在VoLTE业务快速上涨的背景下,智能化的分析方法的需求尤为迫切。本文研究了如何利用机器学习的方法建立VoLTE端到端性能优化的自动分析模型,并应用于网络问题的原因定位和方案输出,有效提升VoLTE性能优化的效率和质量。最后,通过VoLTE端到端接通质差小区案例,实现自动化、智能化的无线问题原因定位和方案输出。(本文来源于《2019广东通信青年论坛优秀论文专刊》期刊2019-10-11）
董连棋,李梅[2]（2019）在《译后编辑角度的机器翻译系统的性能对比》一文中研究指出译后编辑是基于一定的目的进行检查和修正机器翻译(MT)输出的过程,对于提高翻译效率及降低翻译成本意义重大。本研究针对专利类文本,从译后编辑的角度对谷歌翻译国际版、有道翻译国内版、百度翻译、腾讯翻译以及新译翻译5大MT系统的翻译质量进行了测评,分析了不同MT系统自身、原文句式的复杂程度以及MT系统机译译文质量等对于译员译后编辑时间投入的影响,对MT系统的选择、译文句式结构的译前处理以及MT系统自身的进一步改进等提供了一定的参考借鉴。(本文来源于《译苑新谭》期刊2019年01期）
李想,曹卓,但雅波,牛程程,胡建军[3]（2019）在《基于机器学习与多尺度特征的金属氧化物性能预测》一文中研究指出材料信息学是信息学技术在材料学中的应用,通过材料信息数据库和集成材料设计平台对材料的数据进行分析和预测。通过应用不同的机器学习(回归分析)方法和不同的特征选择算法,从众多的多尺度特征集中选择最优的特征子集可以预测金属氧化物的物理特性,归纳出适合材料不同特性的机器学习模型。分析结果表明,特征选择方法可以提升机器学习模型的性能,为进一步开发更有效的材料性能预测方法提供参考。(本文来源于《化工新型材料》期刊2019年09期）
吕少中,杜文亮,陈震,陈伟,苏日嘎拉图[4]（2019）在《基于机器视觉的荞麦剥壳性能参数在线检测方法》一文中研究指出针对荞麦剥壳时不能随原料种类变化而适时调整砂盘间隙和转速的问题,提出一种基于机器视觉的荞麦剥壳性能参数在线检测方法,为荞麦剥壳机自适应最优控制提供数据反馈。采集快速滑落的荞麦剥出物图像,使用带二阶拉普拉斯修正项的边缘自适应插值算法对图像插值重建;对重建的浅蓝色背景荞麦剥出物图像N(B-R)灰度变换之后进行背景分割;生成距离骨架图像并对其邻域极大值滤波提取种子点,使用分水岭算法对种子点标记后的距离图像进行粘连分割;采用交互式方法标注已粘连分割的荞麦籽粒,然后使用已标注的荞麦籽粒训练BP神经网络。在线试验中,处理和识别一幅包含897个籽粒的1 824像素×1 368像素图像耗时4. 79 s。未剥壳荞麦、整米和碎米的正确识别率分别为99. 7%、97. 2%和92. 6%。结果表明,本文在线检测方法得到的出米率能够反映荞麦剥壳机组的剥壳性能,可为荞麦剥壳加工的自适应最优控制和智能化提供有效基础数据。(本文来源于《农业机械学报》期刊2019年10期）
郝永志,赵海东,林嘉华[5]（2019）在《基于机器学习的挤压铸造铝合金力学性能预测》一文中研究指出基于现有挤压铸造研究数据,以不同合金元素及其含量下铝合金的力学性能作为训练数据,结合带有因子分解机(Factorization Machine,FM)的多项式回归模型,通过机器学习算法,以梯度下降策略对模型进行训练学习。然后,以合金的元素含量作为输入条件,预测该成分下合金的力学性能,并与试验力学性能作对比验证。结果表明,该模型能较好地预测不同元素含量铝合金的抗拉强度、屈服强度、硬度和伸长率等力学性能指标。(本文来源于《特种铸造及有色合金》期刊2019年08期）
孙卫红,阮棉奖,邵铁锋,梁曼[6]（2019）在《基于机器视觉的生丝抱合性能检测方法》一文中研究指出针对现有生丝抱合性能人工检测精准性差,判断标准无客观量化指标等问题,提出一种基于机器视觉的生丝抱合性能检测方法。首先对采集的生丝图像进行二值化处理、干扰信息去除、图像填充、生丝边缘检测,获得单像素生丝边缘特征。然后通过计算生丝径向上、下边缘像素点的直线距离,得到生丝直径相对变化值,根据生丝直径变化的轴向长度确定开裂区域。最后利用开裂区域大于6 mm时对应的生丝抱合摩擦次数表征生丝抱合性能。结果表明,通过该检测方法测得的200组生丝的直径值与显微镜测得的直径值相比,误差均在5%以内,可满足生丝抱合性能检测需求。(本文来源于《纺织学报》期刊2019年08期）
陈瑛,章鸣嬛,沈瑛,程爱兰,刘晓青[7]（2019）在《神经肌肉疾病影像识别中机器学习算法性能的比较研究》一文中研究指出杜兴氏肌营养不良症是一种神经肌肉罕见病,传统检测流程包含创伤性检查。故论文基于DMD的磁共振图像,利用K近邻、逻辑回归、支持向量机及深度神经网络(DNN)等四种机器学习算法,对受试者的两类磁共振影像(T1和T2)进行分类识别,探索无创检测的新途径。结果显示:1)四种算法均能对T1图像进行较好地分类,测试集上的准确度均达到90%以上;且DNN分类器的性能最优。2)当迭代次数足够多时,DNN分类器可高效地识别T2;而另叁种算法在T2测试集上的识别准确度几乎均在80%以下。因此,利用DNN算法对图像进行分类识别,具有识别准确度高、无损图像信息等优点,可为DMD疾病的无创检测提供有效的技术途径。(本文来源于《计算机与数字工程》期刊2019年07期）
陈佳[8]（2019）在《机器学习在材料热电性能预测中的应用》一文中研究指出近年来,热电材料由于具有能够在热能与电能之间直接转换,体积小,可靠性高,环境友好等特点,成为了目前材料领域内研究的热门方向。但是对热电材料的研究,通过大量实验观察数据,凭借直觉提出假设然后验证假设的传统材料研究方法,已经很明显不适用于当今高速发展的数字智能时代。利用第一性原理,能够不断完善热电理论和进行新型热电材料设计,但是研发周期依旧过长。因此,探寻新的研究方法来辅助加快新型热电材料的研发具有重要意义。针对上述新型热电材料设计研发存在的问题,本文提出了一种基于机器学习进行材料热电性能的预测方法,重点是通过机器学习方法对热电材料塞贝克系数进行预测,帮助后续热电材料研究人员快速筛选出具有理想塞贝克系数的热电材料。同时,我们还借助训练好的机器学习模型找到了影响塞贝克系数的重要特征。因此,本文的工作内容大致分为两个部分:第一部分,本文通过开源材料数据库Materials Project获取了2233 1条半导体材料的塞贝克系数数据,构建了回归模型的数据集。然后从化合物的构成元素性质和空间结构信息两个方面进行特征工程,将选择后的元素类型特征和空间结构型特征组合形成向量,作为数据集每一个化合物的“描述符”,使用它训练出能够预测塞贝克系数的梯度提升决策树(GBDT)模型。模型在测试集预测效果达到R2=0.81,MAE=20.52 μ V/K,RMSE=25.36 μ V/K,MAPE=5.62%。另外利用GBDT模型的可解释性,得到了这部分输入特征变量的重要度。第二部分,为了挖掘出材料能带结构中与塞贝克系数密切相关的特征,本文进一步获取了 516个半导体材料的能带结构数据,首先使用经过处理后的能带数据训练能够预测塞贝克系数的GBDT模型,然后借助该模型结合聚类的方式提取了 4类能带中对塞贝克系数影响大的特征,最后验证了提取特征的有效性。(本文来源于《北京邮电大学》期刊2019-06-10）
吕少中[9]（2019）在《基于机器视觉的荞麦剥壳性能参数在线检测方法研究》一文中研究指出荞麦的粒径、含水率、品种等因素变化后,砂盘式荞麦剥壳机所需的最佳剥壳间隙和转速等参数都会有所不同。剥壳机出料口荞麦剥出物中未剥壳荞麦、完整荞麦米、碎荞麦米的相对含量反映了剥壳机的剥壳性能,生产中需要根据这些性能参数来调整砂盘间隙和转速以达到较高的剥壳效率。针对目前荞麦剥壳性能参数的检测完全由人工方式实现,主观性强、工作强度大、不能为荞麦剥壳机自适应最优控制提供数据反馈的现状,本文提出了一种基于机器视觉的荞麦剥壳性能参数在线检测方法。1.设计了一种对荞麦剥壳机组现有机械结构和剥壳流程扰动小且经济性较好的荞麦剥出物图像获取方式。出料口落下的部分荞麦剥出物沿一块籽粒滑动托板自然滑落,经LED光源强化照明后使用工业相机以300微秒快门时间对其进行图像采集。图像中荞麦籽粒数目平均为900粒左右,清晰无拖影且无堆积。2.在荞麦剥出物图像的预处理中,使用带二阶拉普拉斯修正项的边缘自适应插值算法进行插值重建,减弱了荞麦籽粒边缘处的拉链效应。使用空间域滤波算法对噪声进行了滤除,减弱了由噪声导致的伪彩色现象。使用直方图拉伸方法进行增强处理,使籽粒与背景在边缘处对比更明显,粘连籽粒中间的背景区域更加突出。3.提出了一种在蓝色背景下对荞麦剥出物图像进行N×(B-R)灰度化的方法。这种方法可使图像的灰度分布满足阈值背景分割的需求,同时在不损失粒型较小的碎荞麦米的情况下,产生对粘连分割有利的籽粒外形变化。4.提出了一种类圆形农作物籽粒的粘连分割方法。在籽粒的距离骨架图像上进行区域极大值滤波以提取供分水岭分割使用的种子点,然后使用分水岭分割算法对种子点标记后的籽粒距离图像进行分割。该方法在试验中的粘连籽粒平均正确分割率为97.8%。5.提出了一种荞麦籽粒交互式快速标注方法并进行了软件实现,使用这种方法可对大量籽粒样本进行快速标记。试验中标记一个荞麦籽粒平均用时小于1.5秒。6.选择RGB颜色空间叁个通道的灰度均值、灰度标准差和偏度,形状特征中与形态无关的面积、长轴长、短轴长和周长,共13个特征作为荞麦籽粒特征,使用BP神经网络对荞麦剥出物中的各种籽粒成分进行识别。试验中未剥壳荞麦、完整荞麦米和碎荞麦米的识别率分别为99.8%、97.8%和95.4%,综合正确识别率可达98.6%。以单一粒径不同砂盘间隙这种剥壳工况变化为代表,试验所提出的机器视觉检测方法对出料口荞麦剥出物成分比例变化的检测效果。试验结果表明,该方法得到的出米率能够反映荞麦剥壳机组的剥壳性能。处理和识别一幅包含897个籽粒的1824×1368像素图像耗时5.15秒,运行时间能够满足在线检测需求。(本文来源于《内蒙古农业大学》期刊2019-06-01）
王一名[10]（2019）在《基于运行时特征和机器学习的并行程序性能预测》一文中研究指出随着高性能计算系统计算能力不断提升,其体系结构和软件系统的复杂性和规模也不断增加,这对各种大规模并行应用的设计和优化带来极大的挑战,因此面向高性能系统的大规模并行应用性能建模的研究越来越重要。准确地预测大规模并行程序的性能,不仅能够为用户分析程序性能,使其能在高性能计算系统上高效地执行应用程序,还能帮助用户管理和调度作业,合理地分配调度策略,减少作业等待时间,并且能够进行资源评估,指导用户申请资源。本文提出一个并行程序性能预测框架,由特征获取、性能建模和性能预测叁部分组成。该框架使用基本块频率作为程序特征,然后利用机器学习算法构建多输入参数的性能预测模型。在获取特征的过程中,首先通过插桩技术获取小规模并行程序运行时特征,然后使用预处理技术选择有用的特征。在性能建模部分,以基本块频率和进程为输入,程序运行时间为输出,进行性能建模。在性能预测部分,为了降低获取大规模并行程序特征的开销,提出了混合插桩算法和程序删减算法。在本文的最后,通过在天河二号平台上执行六种常用的并行测试程序,对提出的性能预测框架进行验证。实验结果表明,当该性能预测框架采用支持向量机回归建模时预测效果最好,平均预测误差低于10%,误差的标准差低于7%。本文还与两个典型的以输入参数为特征的建模方法进行对比,实验证明,本文提出的方法优于其他两种方法。此外,预测开销低于整个程序开销的0.13%。综上所述,本文提出的并行程序预测框架生成的预测模型具有强泛化能力,并且预测的开销小。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
机器性能论文开题报告
（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：
译后编辑是基于一定的目的进行检查和修正机器翻译(MT)输出的过程,对于提高翻译效率及降低翻译成本意义重大。本研究针对专利类文本,从译后编辑的角度对谷歌翻译国际版、有道翻译国内版、百度翻译、腾讯翻译以及新译翻译5大MT系统的翻译质量进行了测评,分析了不同MT系统自身、原文句式的复杂程度以及MT系统机译译文质量等对于译员译后编辑时间投入的影响,对MT系统的选择、译文句式结构的译前处理以及MT系统自身的进一步改进等提供了一定的参考借鉴。
（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。
机器性能论文参考文献
[1].饶文涛,陈赞吉,郭银燕,黄家杰,王斌.机器学习在VoLTE端到端性能优化中的应用研究[C].2019广东通信青年论坛优秀论文专刊.2019
[2].董连棋,李梅.译后编辑角度的机器翻译系统的性能对比[J].译苑新谭.2019
[3].李想,曹卓,但雅波,牛程程,胡建军.基于机器学习与多尺度特征的金属氧化物性能预测[J].化工新型材料.2019
[4].吕少中,杜文亮,陈震,陈伟,苏日嘎拉图.基于机器视觉的荞麦剥壳性能参数在线检测方法[J].农业机械学报.2019
[5].郝永志,赵海东,林嘉华.基于机器学习的挤压铸造铝合金力学性能预测[J].特种铸造及有色合金.2019
[6].孙卫红,阮棉奖,邵铁锋,梁曼.基于机器视觉的生丝抱合性能检测方法[J].纺织学报.2019
[7].陈瑛,章鸣嬛,沈瑛,程爱兰,刘晓青.神经肌肉疾病影像识别中机器学习算法性能的比较研究[J].计算机与数字工程.2019
[8].陈佳.机器学习在材料热电性能预测中的应用[D].北京邮电大学.2019
[9].吕少中.基于机器视觉的荞麦剥壳性能参数在线检测方法研究[D].内蒙古农业大学.2019
[10].王一名.基于运行时特征和机器学习的并行程序性能预测[D].哈尔滨工业大学.2019