一、计算智能技术的分析与研究（论文文献综述）
张昊[1]（2021）在《试论大数据分析中的计算智能方法》文中研究指明伴随着科技水平的不断提高,产业界和科学界信息数据量呈现出爆炸式增长趋势,大数据技术的推广和应用得到了社会各界的广泛关注,而如何在分析大数据技术的基础上,充分挖掘其中存在的潜在价值,是当前需要深入研究的科学问题。在科学研究和工程实践领域中,计算智能是解决复杂问题最有效的一种措施,也是未来人工智能和信息科学持续发展的重要探索方向。在大数据分析方面,计算智能算法拥有较大的潜力。对此,本文主要针对大数据分析中计算智能算法现状进行分析,并提出未来主要发展趋势。
潘泽波[2]（2021）在《大数据分析中的计算智能研究现状与展望》文中进行了进一步梳理伴随着科学技术的快速发展,大数据技术以及相关应用已经得到众多行业工作者的关注与认可。如何分析大数据,如何更有效地挖掘大数据的潜在价值,也同样成为技术自身成长的关键节点。文章针对大数据分析中的计算智能研究展开初步分析与探讨,希望可对行业工作者起到一定借鉴作用。
邓皓[3]（2021）在《面向雾计算的智能分析服务运行支撑系统的设计与实现》文中研究指明随着人工智能、大数据、物联网、5G等智能技术与产品的融合和发展,人类的各项活动所需要的服务也日趋复杂和智能,催生出智能视频监控、电子医疗、智慧城市、智能交通等诸多智能分析服务。智能分析服务通常需要大量的感知数据和计算资源,运行计算密集型机器学习算法,并需要实时处理反馈结果。若使用传统的云计算中心模式来支撑其运行,必然会带来较大的服务响应延迟、用户体验质量差等问题。而雾计算作为云计算的延伸,通过将计算力从云中心下沉至雾边缘设备,可以有效地解决智能分析服务响应时间长,以及边缘网络的传输带宽压力大等问题。本文结合雾计算边缘网络环境的特点,重点研究智能分析服务在边缘网络上运行所需解决的两个关键问题,分别是如何优化智能分析服务的感知数据采集流程,以及如何设计智能分析服务的边缘网络部署方案,并在此基础上完成了面向雾计算的智能分析服务运行支撑系统的设计与实现。第一个关键问题是在智能分析服务的输入数据采集流程中,针对时序感知数据采集中数据冗余、产生海量数据传输量等问题,本文通过引入雾-端协同预测机制来压缩边缘网络中信息冗余度高的数据传输量,并进一步细化上述机制中阈值研究,提出一种基于时空相关性的雾-端自适应同步算法,该算法能结合时序采集数据的时间连续性和感知终端的空间部署相关性,动态调整每个感知终端所对应的同步等待时长,从而减少雾-端协同预测机制的误判率,提高服务数据采集流程的鲁棒性。实验结果表明,该算法能减少约30.68%的误判率。第二个关键问题是,为了将复杂的智能分析服务部署到资源有限的边缘设备上,本文设计了一种基于改进Kernighan-Lin算法的服务边缘部署算法,能够在异构的边缘设备群中动态求解智能分析服务计算逻辑图的最优划分个数,并选择合适的边缘设备集合来完成服务的部署,尽可能得出一个减少服务整体运算时间的部署策略,进而降低服务响应时延。实验结果表明,该算法能减少约18.59%的服务整体运算时间。本文首先阐述了整体课题研究的背景和实际意义,分析了国内外学术界对这个课题的研究现状。接着对整个智能分析服务运行支撑系统的需求进行分析,并提出系统需要实现的两个关键技术问题,进行了研究并解决。然后在此基础上,对本文所述的面向雾计算的智能分析服务运行支撑系统的架构和功能模块进行了设计与实现,对模块内部的类与接口进行了详细的介绍。最后对系统的部署与测试进行了说明,并对论文的工作进行了简要的总结与展望。
程学旗,梅宏,赵伟,华云生,沈华伟,李国杰[4]（2020）在《数据科学与计算智能：内涵、范式与机遇》文中提出数据科学的发展,将为计算智能的持续发展提供新的可能与机遇;与此同时,计算智能的发展与新型智能范式的兴起,也将为大数据在各行业和各领域的应用提供新的契机。文章阐述了数据科学的内涵,探讨了计算智能的发展与新型智能范式,列举了引领数据科学与计算智能研究的应用方向;进而基于香山科学会议第667次学术讨论会与会专家的讨论,提炼形成数据科学与计算智能领域的七大关键问题,以期使该领域研究得到相关领域研究者与应用者的共同关注,从而把握时代的机遇,推动数据科学与计算智能持续发展。
刘正龙[5]（2020）在《网络物理系统大数据分析和计算智能应用》文中提出本文讨论了大数据分析和计算智能技术应用于由提供嵌入式和分布式信息处理能力的无数普遍连接的机器和个性化设备产生的数据的重要性。我们提供了一个全面的调查计算智能技术适合有效处理和分析大数据。在大数据、网络物理系统（CPS）和计算智能（CI）的背景下,介绍并讨论了医疗保健、智能交通和社会网络情感分析方面的最新研究和新应用。提出了一种数据建模方法,它引入了一种新的生物启发的通用生成建模方法,称为分层时空状态机（HSTSM）。HSTSM建模方法结合了许多软计算技术,如:深信度网络、自动编码器、凝聚层次聚类和时间序列处理,为了解决分析和处理大量不同数据所带来的计算挑战,为不同应用领域提供有效的大数据分析工具。进一步提出了一个概念性的网络物理体系结构,它能适应和受益于所提出的方法。
师少龙[6]（2020）在《面向早期肿瘤检测应用的活体计算技术研究》文中研究指明早期肿瘤病灶的检测对提升患者的存活率具有重要意义,但由于其实现难度较高而一直是生物医学领域的一个难题。现有的医学造影成像方法使用的纳米粒子作为造影剂主要依赖人体循环系统进行大面积输送,缺乏局部靶向传输所需的外力驱动和引导,易导致机体的毒副作用、低靶向性和低疗效等。而基于纳米机器人的肿瘤检测系统虽然可以提高效率,但其需要肿瘤的具体位置信息作为先验知识,而受目前医学成像技术的限制,早期肿瘤病灶的位置信息是难以获取的。因此,本文拟提出一种能够综合以上两种技术优势的全新的肿瘤检测系统,在不需要肿瘤位置信息作为先验知识的条件下利用纳米机器人实现直接靶向检测的目的。本课题旨在从计算的角度设计基于纳米机器人的可操控智能纳米系统。该系统可以利用早期肿瘤病灶诱发的活体组织环境的变化控制纳米机器人对高危组织进行有规律搜索,最终实现肿瘤病灶的检测。运用这种方法进行早期肿瘤检测时无需肿瘤病灶位置的先验知识,同时可以极大提高检测效率。论文的主要研究内容如下:分析了早期肿瘤病灶所诱发的生物组织环境的特异性变化进而提出了“生物梯度场”的概念,介绍了可用于肿瘤病灶检测的外部可控磁性纳米机器人系统,并对群体智能算法的计算机理进行了简要分析。基于此,在考虑纳米机器人在肿瘤检测过程中所受体内约束的情况下提出了“活体计算”的概念。纳米机器人作为计算智能体在外部理想控制情况下考虑了其在肿瘤检测过程中的速度的衰减情况,建立了早期肿瘤检测的数学优化模型,并运用侵入渗流技术设计肿瘤病灶的血管网络模型作为活体计算的主要约束条件。受群体智能算法理论的启发分别设计了用于单病灶和多病灶肿瘤检测的检测算法。研究了在目前磁场控制技术条件下的群体纳米机器人的控制问题,针对此约束条件提出了能有效实现肿瘤检测的活体计算策略（弱者优先进化策略）。在该策略的作用下纳米机器人群体可以在外部统一磁场的控制作用下沿着比较理想的路径向肿瘤病灶位置逼近,并最终到达目标位置完成肿瘤病灶的检测。运用仿真实验在多种有代表性的生物梯度场场景下证明了该计算策略的有效性。根据弱者优先进化策略计算出的纳米机器人在迭代计算过程中的运动方向,对纳米机器人在迭代计算过程中的步长问题进行了研究。在固定步长情况下设计了“张-弛（Tension-Relaxation,T-R）”策略用于平衡计算过程中纳米机器人的控制和追踪周期;在变化步长情况下设计了指数进化策略用于调整活体计算的“探索”和“开发”性能。仿真实验结果证明T-R法则和指数进化策略的设计对提高肿瘤检测效率具有至关重要的意义。基于对单病灶肿瘤检测的研究结果,结合多灶性肿瘤自身特点,提出了基于连续靶向策略的活体计算算法用于多病灶肿瘤的检测。分别在不同时刻在同一注射位置注射的纳米机器人群体可以在算法的作用下分别沿着不同的运动路径检测到各自的靶向肿瘤病灶,最终实现多病灶肿瘤检测。通过与传统的蛮力搜索算法比较可知活体计算算法在肿瘤检测方面的优越性,同时与传统的群体智能算法比较结果证明了其特殊性。根据所提出的活体计算理论,搭建了相应的体外实验平台用于实现活体计算的体外验证。利用光刻技术制备了二维微流道网络用以模拟高危组织的血管网络结构,制备了Janus微粒作为磁性微纳机器人实现在亥姆霍兹线圈系统作用下的运动控制。实验结果表明纳米机器人群体在活体计算算法的作用下可以分别实现相应肿瘤病灶的靶向检测。体外实验证明了本文所提出的活体计算对单病灶肿瘤和多病灶肿瘤检测的有效性,为其早日实现临床应用打下基础。
王伟[7]（2020）在《从计算社会科学到计算法学：重新检视因果关系科学之范畴全文替换》文中进行了进一步梳理法情景在文本意义上作为"教义法学"研究的质素,在我国引入"社会科学法学"之际面临反权威遵从的价值困境;同时,依赖传统小数据低维集群所形成之"实证法学"与基于新兴大数据高维空间所表征之"计算法学"在"智慧司法"的科学主义情怀基础上,形成围绕法本体论、法律共同体职业化与法学研究方法论的争论。以"计算法学"为关照旨在辨明"作为文本大数据的法律"（Legal Text as Data）如何在工具性的层面构成法学量化研究的基本范畴,并因此成为"问题导向"的探索或实证路径的正当性基础。研究目的有三:第一,引入社会科学实证研究之体系,探讨实证计算方法是否可以和如何缓和上述争议;第二,阐述如何以计算智能所赋予的"因果关系科学"为基础构建法学研究范式,而非仅仅"诠释性"与"相关性";第三,解释如何经由计算社会科学之方法（数据抓取、在线实验、网络分析、文本挖掘与内容分析、时空分析等）,将微观个体层面的元数据推演至表征宏观整体的作为社会事实的法律。
赵宾[8]（2020）在《面向智能装备的边缘计算及应用的研究》文中研究指明传统的智能装备进行自动控制是基于信号的,存在着控制策略粗放的问题。基于云计算的智能装备是基于数据进行自我调控的系统,但是存在云端计算中心与工厂端边缘设备的传输距离太远而导致控制实效性不足的问题。随着5G时代的到来,网络中流通的数据量会越来越多。对于工厂而言,传输速度的加快会导致相同时间内的数据量激增,因此对于网络带宽的要求也会越来越高,而且也会增加云存储来储存海量数据。近年来,边缘计算技术日益成熟,边缘计算在物理层面上是一种介于云端和边缘设备端之间的一种终端设备,因为本身具有计算能力,而且相比云端服务器更靠近边缘设备,所以能更快、更便捷地给边缘设备提供计算力,让工业装备无需连接到云就能做出快速地响应和处理,给智能装备提供了新的处理控制方案。本文通过对比云计算,对边缘计算技术进行了分析,并基于边缘计算设计了一个智能装备架构,通过分析该智能装备的需求,设计数据采集模块、数据通信模块和数据处理模块三个模块,将该架构分为设备层、边缘层和云平台层三部分来实现。在对污水处理厂传统泵进行改造中,将前面设计的基于边缘计算的智能装备进行具体实现。通过预留传感器端口来增强该架构采集模块的可扩展能力,保证工厂未来的扩展需求。因为边缘层与设备层之间和边缘层内部之间的连接方式不一样,所以分开采用不同的数据通信方案,设备层采集的数据通过现场总线技术传输到边缘层,在上位机和各节点之间增加一个协处理器,负责与各节点进行通信;边缘层内部设备通过以太网的方式完成网络通信。设备层上传来的数据采用基于时间序列的数据异常检测进行数据完整性和准确性检查,采用基于FFT的数据处理方式来对原始数据进行数据预处理,通过数据清洗,保留有效数据。通过主成分分析算法来对数据进行降维处理,提取故障类型的特征值,利用SPE统计量和T2统计量判断设备是否发生故障。最后将数据输入到机器学习算法库进行能源优化算法模型的训练,待人工智能的能源优化算法开发完后将完整的控制程序更新到智慧节能终端,实现泵站的节能控制。
曾鹏[9]（2020）在《基于雾计算的智能工厂网络资源调度策略研究》文中进行了进一步梳理近年来,智能工厂已成为最热门的工业概念之一。此外,工业物联网的发展也为智能工厂注入了新的活力。智能工厂的部署要求其网络架构具备数据实时通信、任务及时处理以及网络设备灵活编排的能力。然而,传统的基于云计算的智能工厂网络架构没有充分利用智能工厂中现有的网络资源,并且远距离的传输也导致了较高的传输时延。因此,以云计算为基础的工业物联网络无法再满足智能工厂中时延敏感任务对时延的需求。而雾计算的出现弥补了云计算的缺点,其通过将任务的处理迁移到靠近设备侧进行,拉近了物联网的终端设备数据与云中心之间的存储、传输和计算。通过利用雾计算架构的计算边缘化、编排灵活、分布式以及异构性等特点,能够更好地满足智能工厂中的各类应用,例如智能生产、设备预警、生产原料优化以及弹性工厂等。本文针对智能工厂网络架构中的关键问题,通过分析智能工厂应用的特点和需求,提出了一种基于雾计算的智能工厂网络架构,并且详细地介绍了该架构的结构及其网络管理方式。此外,基于提出的架构,为了降低任务处理时延、提高雾计算网络资源利用率,本文根据智能工厂中的网络资源（包括计算资源、存储资源、通信资源等）状态以及任务参数,提出了两种雾计算网络资源调度方案,即基于动态优先级的实时任务调度方案以及基于排队论的非实时任务调度方案。其中,实时任务调度方案是针对任务环境复杂、任务到达率变化频繁的工厂作业场景而设计的,此方案提出了一种动态优先级模型用作雾节点执行任务的机制,并且提出了一种持续性的任务卸载策略,该策略通过实时监控网络资源状态定期执行卸载策略,建立以任务最小处理时延以及任务完成总价值作为目标的动态任务卸载模型,并使用NSGA-II算法对模型进行求解,从而得到最佳任务卸载策略。而非实时任务调度方案是针对任务到达率平稳的工厂作业场景下设计的,该方案通过排队理论对网络资源状况以及任务处理进行建模,以最小时延为目标建立静态任务卸载模型,并通过提出的改进的离散猴群算法进行求解。通过实验证明,提出了两种任务调度方案在各自的应用环境下都有很好的适用性和有效性。最后,本文基于提出的两种任务调度方案,针对到达率平稳的任务以及到达率变化频繁的任务共存的作业环境,提出了一种基于资源预留策略的任务调度方案。该方案利用虚拟化技术为工厂提供弹性的计算、存储资源,将网络资源合理地划分为两部分,一部分用于到达率平稳任务的处理调度,另一部分用于到达率变化频繁任务的调度。仿真证明该方案可以充分利用智能工厂网络资源,极大程度地降低了任务处理时延,提高了网络架构对任务流的承载能力。
杨琳[10]（2020）在《多目标优化视角下在线学习群体形成策略研究》文中研究说明随着互联网应用的快速发展,人工智能、大数据等新兴技术与教育的深度融合,在线学习已成为互联网时代背景下教育应用的新趋势。网络环境下协作学习研究已成为教育技术学重要研究领域,协作学习作为一种有效的学习方式,与在线学习相结合能够充分培养学习者合作解决问题的能力,适应信息化社会的发展需求。学习群体是协作学习的核心组成部分,科学合理地形成在线学习群体也是开展在线协作学习的前提。如何依据学习者的多维特征构建在线学习群体模型,获得学习者认可和满足教学需求的学习群体形成策略是目前研究热点和难点。针对上述问题,本研究主要做了以下工作:首先,梳理并分析国内外关于协作学习、学习群体形成以及在线学习群体形成技术的研究现状,为后续研究工作提供理论支持;其次,根据学习共同体理论、联通主义理论和学习风格理论的基本观点,深入探究在线学习群体的分类方式与分组模式,总结提炼影响学习群体形成的因素及其因素内在逻辑关系,构建多目标优化视角下在线学习群体形成模型;然后,将在线学习群体形成问题抽象为多目标优化问题,分析在线学习群体内部学习者的互补度与亲密度,融合遗传算法与多目标粒子群算法,改进并优化在线学习群体形成算法;最后,提出多目标优化视角下在线学习群体形成策略,即将学习者分为若干个符合教学要求并且学习者认可的最优在线学习群体,通过匹配学习群体的整体要求与学习群体内学习者亲密意愿的内在需求,根据所提出在线学习群体形成算法对模型进行求解。本研究利用基准测试函数验证了在线学习群体形成算法的有效性,并通过随机分组和单目标分组策略的对照实验来验证所提策略的运行效率,设计在线学习案例《网页设计与制作》课程阐述所提策略的实际应用过程。实验结果表明,本研究以多目标优化的思想解决在线学习群体形成问题,挖掘学习者特征间的内在逻辑关系,设计符合协作学习要求且学习者认可度高的在线学习群体形成策略,进而改善学习者在线协作的学习体验与学习效果,为智能计算解决学习群体形成问题提供参考借鉴。
二、计算智能技术的分析与研究（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、计算智能技术的分析与研究（论文提纲范文）
（1）试论大数据分析中的计算智能方法（论文提纲范文）
| 0 引言 |
| 1 大数据分析中计算智能方法的研究现状与未来发展 |
| 2 大数据分析中的计算智能方法 |
| 2.1 人工神经网络 |
| 2.2 模糊系统 |
| 2.3 演化计算与群体智能 |
| 3 结语 |
（2）大数据分析中的计算智能研究现状与展望（论文提纲范文）
| 0 引言 |
| 1 大数据技术概述 |
| 2 大数据分析中的计算智能方法 |
| 2.1 人工神经网络 |
| 2.2 模糊系统 |
| 2.3 计算智能在大数据应用中存在的问题与未来的研究方向 |
| 3 结语 |
（3）面向雾计算的智能分析服务运行支撑系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织与结构 |
| 第二章 相关技术简介 |
| 2.1 雾计算架构 |
| 2.2 Docker微服务技术 |
| 2.3 数据采集传输量压缩的相关技术 |
| 2.3.1 基于数据压缩的方案 |
| 2.3.2 基于数据预测的方案 |
| 2.4 Kernighan-Lin算法 |
| 2.5 本章小结 |
| 第三章 需求分析 |
| 3.1 系统概述 |
| 3.2 核心功能性需求 |
| 3.2.1 服务管理 |
| 3.2.2 数据管理 |
| 3.2.3 部署管理 |
| 3.2.4 资源管理 |
| 3.3 非核心功能需求 |
| 3.4 本章小结 |
| 第四章 基于雾-端协同预测机制的传输量压缩设计 |
| 4.1 总体流程 |
| 4.2 基于雾-端协同的预测机制 |
| 4.2.1 网络架构 |
| 4.2.2 机制设计 |
| 4.3 基于时空相关性的雾-端自适应同步算法 |
| 4.3.1 问题分析 |
| 4.3.2 问题定义 |
| 4.3.3 算法描述 |
| 4.4 实验验证 |
| 4.4.1 实验环境 |
| 4.4.2 基于雾-端协同的预测机制的实验分析 |
| 4.4.3 基于时空相关性的同步时长自适应算法的实验分析 |
| 4.5 本章小结 |
| 第五章 基于改进Kernighan-Lin的服务边缘部署设计 |
| 5.1 场景分析 |
| 5.2 问题定义 |
| 5.3 算法描述 |
| 5.3.1 总体流程 |
| 5.3.2 服务划分策略 |
| 5.3.3 启发式的多目标移动决策 |
| 5.4 实验验证 |
| 5.4.1 实验环境 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总体设计 |
| 6.1 系统总体架构 |
| 6.2 分布式部署架构介绍 |
| 6.3 系统关键功能模块介绍 |
| 6.3.1 服务管理模块 |
| 6.3.2 部署管理模块 |
| 6.3.3 数据管理模块 |
| 6.3.4 资源管理模块 |
| 6.4 系统典型工作流程 |
| 6.4.1 雾边缘网络中感知数据的采集和压缩流程 |
| 6.4.2 雾边缘网络中智能分析服务部署方案的设计流程 |
| 6.4.3 智能分析服务的启动流程 |
| 6.5 本章小结 |
| 第七章 详细设计 |
| 7.1 服务管理模块详细设计 |
| 7.1.1 类图及接口说明 |
| 7.1.2 典型场景说明 |
| 7.2 数据管理模块详细设计 |
| 7.2.1 类图及接口说明 |
| 7.2.2 典型场景说明 |
| 7.3 部署管理详细设计 |
| 7.3.1 类图及接口说明 |
| 7.3.2 典型场景说明 |
| 7.4 资源管理详细设计 |
| 7.4.1 类图及接口说明 |
| 7.4.2 典型场景说明 |
| 7.5 本章小结 |
| 第八章 系统部署与测试 |
| 8.1 测试环境与部署 |
| 8.2 系统测试 |
| 8.3 测试结果分析 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 论文工作总结 |
| 9.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）数据科学与计算智能：内涵、范式与机遇（论文提纲范文）
| 1 数据科学的内涵 |
| 1.1 基于方法论视角的数据科学内涵 |
| 1.2 基于本体论视角的数据科学内涵 |
| 1.3 数据科学是方法论和本体论在数据价值实现目标下的统一 |
| 1.4 数据科学与相关学科的关系 |
| 2 计算智能的发展与新型智能范式的探索 |
| 2.1 计算智能的发展 |
| 2.2 新型智能范式的探索 |
| 2.2.1 脑启发计算 |
| 2.2.2 演化智能 |
| 2.2.3 复杂系统模拟 |
| 2.2.4 人机混合智能 |
| 2.2.5 小结 |
| 3 引领数据科学与计算智能研究的应用 |
| 4 数据科学与计算智能的关键问题 |
| 4.1 大数据中的相关关系与因果关系 |
| 4.2 数据科学的复杂性问题 |
| 4.3 有限时空约束下的无限数据计算 |
| 4.4 强不确定性复杂系统环境下的新型智能范式 |
| 4.5 图灵测试以外的通用人工智能测试 |
| 4.6 领域无关的数据分类体系与评价指标 |
| 4.7 可信任的数据共享与流通 |
| 5 未来展望：开启“第五范式”科学研究 |
（5）网络物理系统大数据分析和计算智能应用（论文提纲范文）
| 1 现状分析 |
| 2 大数据分析的计算智能 |
| 2.1 大数据分析深度学习 |
| 2.2 大数据分析的模糊逻辑 |
| 2.3 大数据分析的进化算法 |
| 3 潜在应用领域 |
| 3.1 卫生服务与健康预测 |
| 3.2 社交网络情感分析 |
| 4 结论 |
（6）面向早期肿瘤检测应用的活体计算技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外在早期肿瘤检测方面的研究现状及分析 |
| 1.2.1 国外纳米医学肿瘤检测研究现状 |
| 1.2.2 国内纳米医学肿瘤检测研究现状 |
| 1.3 纳米医学在早期肿瘤检测的研究现状简析 |
| 1.4 本文的主要研究目标、研究内容及章节安排 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 章节安排 |
| 第2章 活体计算概念的提出 |
| 2.1 引言 |
| 2.2 生物梯度场 |
| 2.3 计算策略简介 |
| 2.4 活体计算问题表征 |
| 2.4.1 体内约束 |
| 2.4.2 问题定义 |
| 2.5 本章小结 |
| 第3章 理想控制条件下的活体计算 |
| 3.1 引言 |
| 3.2 计算模型的建立 |
| 3.3 基于活体计算的单肿瘤病灶检测 |
| 3.3.1 过程描述 |
| 3.3.2 血流速度变化形态 |
| 3.3.3 血管网络建模 |
| 3.3.4 算法设计 |
| 3.3.5 结果分析 |
| 3.4 基于活体计算的多灶性肿瘤检测 |
| 3.4.1 问题定义 |
| 3.4.2 模型建立 |
| 3.4.3 算法设计 |
| 3.4.4 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 均匀磁场下的活体计算策略 |
| 4.1 引言 |
| 4.2 活体计算特征分析 |
| 4.3 活体计算建模 |
| 4.3.1 问题推导 |
| 4.3.2 计算步骤 |
| 4.3.3 生物梯度场表示 |
| 4.4 活体计算策略 |
| 4.4.1 顺序进化策略 |
| 4.4.2 弱者优先进化策略 |
| 4.4.3 强者优先进化策略 |
| 4.4.4 随机进化策略 |
| 4.5 算法研究 |
| 4.6 仿真结果分析 |
| 4.7 本章小结 |
| 第5章 活体计算的迭代步长研究 |
| 5.1 引言 |
| 5.2 肿瘤不同生长阶段的血管网络 |
| 5.3 固定步长的计算策略 |
| 5.4 变化步长的计算策略 |
| 5.5 算法设计 |
| 5.6 仿真结果分析 |
| 5.6.1 “张-弛”策略的验证 |
| 5.6.2 指数进化策略的验证 |
| 5.7 本章小结 |
| 第6章 基于多病灶肿瘤检测的活体计算 |
| 6.1 引言 |
| 6.2 多病灶肿瘤检测基础 |
| 6.2.1 问题描述 |
| 6.2.2 血管网络模型 |
| 6.2.3 生物梯度场表示 |
| 6.3 多病灶肿瘤检测计算策略 |
| 6.4 算法设计 |
| 6.5 仿真结果分析 |
| 6.6 本章小结 |
| 第7章 活体计算的体外实验验证 |
| 7.1 引言 |
| 7.2 实验平台搭建 |
| 7.2.1 微流道网络的制备 |
| 7.2.2 微型机器人的制备 |
| 7.2.3 磁场控制系统搭建 |
| 7.3 实验设计 |
| 7.4 实验结果分析 |
| 7.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（7）从计算社会科学到计算法学：重新检视因果关系科学之范畴全文替换（论文提纲范文）
| 一 问题的提出 |
| 二 对实证法学研究方法的误解与澄清 |
| 三 从计算社会科学到计算法学：作为文本大数据的法律 |
| （一）计算社会科学的兴起及特征 |
| （二）计算法学：作为文本大数据的法律 |
| 四 法律论证与规范：基于因果关系科学的计算法学框架 |
| （一）法教义的计算法学外观 |
| （二）计算法学前史之相关关系（Correlation）与因果关系（Causality) |
| （三）计算法学（计算法律研究）的因果关系科学 |
| 1作为计算法学“理论桥梁”的“计算智能” |
| 2作为计算智能“工具理性”的“因果关系科学” |
| 五结论与解决方案：计算法学的框架构筑 |
（8）面向智能装备的边缘计算及应用的研究（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 学术界 |
| 1.2.2 工业界 |
| 1.3 主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 边缘计算与智能装备 |
| 2.1 边缘计算 |
| 2.1.1 边缘智能计算和智能边缘计算 |
| 2.1.2 边缘计算的特点 |
| 2.2 边缘计算和云计算的差异 |
| 2.3 智能装备 |
| 第三章 基于边缘计算的智能装备架构与关键模块设计 |
| 3.1 架构总体设计方案 |
| 3.1.1 设备层 |
| 3.1.2 边缘层 |
| 3.1.3 云平台层 |
| 3.1.4 各层之间信息交互 |
| 3.2 数据采集模块 |
| 3.3 数据处理模块 |
| 3.3.1 传感器数据异常处理 |
| 3.3.2 数据处理 |
| 3.3.3 建立算法库 |
| 3.4 数据通信模块 |
| 3.4.1 设备层与边缘层通信方式 |
| 3.4.2 边缘层内部通信方式 |
| 3.4.3 边缘层与云平台层通信方式 |
| 3.5 安全和隐私 |
| 第四章 基于边缘计算的智能泵系统的实现 |
| 4.1 背景介绍 |
| 4.1.1 背景 |
| 4.1.2 存在的问题 |
| 4.2 总体方案 |
| 4.2.1 总体方案 |
| 4.2.2 硬件方案 |
| 4.3 设备层数据采集 |
| 4.3.1 测量方案 |
| 4.3.2 测量数据 |
| 4.4 边缘层数据处理 |
| 4.4.1 数据预处理 |
| 4.4.2 数据分析与故障诊断 |
| 4.5 系统通信方案 |
| 4.5.1 边缘层与设备层的通信方案 |
| 4.5.2 边缘层内部的通信方案 |
| 4.6 功能实现 |
| 4.6.1 功能实现过程 |
| 4.6.2 互联互通 |
| 4.6.3 安全和隐私 |
| 第五章 结论与展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）基于雾计算的智能工厂网络资源调度策略研究（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 国内外研究状况 |
| 1.2.1 雾计算理论与应用研究状况 |
| 1.2.2 雾计算的资源分配研究状况 |
| 1.3 主要工作与研究内容 |
| 1.4 论文的结构安排 |
| 第二章 面向智能工厂的雾计算网络架构及相关技术 |
| 2.1 工业物联网 |
| 2.2 智能工厂 |
| 2.2.1 智能工厂架构 |
| 2.2.2 智能工厂中的应用 |
| 2.3 雾计算 |
| 2.3.1 雾计算定义 |
| 2.3.2 雾计算的应用场景 |
| 2.3.3 雾计算资源调度 |
| 2.3.4 虚拟化技术 |
| 2.4 基于雾计算的智能工厂网络架构 |
| 2.4.1 部署需求 |
| 2.4.2 总体架构 |
| 2.4.3 智能工厂网络资源管理 |
| 2.5 本章小结 |
| 第三章 基于动态优先级的实时任务调度方案 |
| 3.1 引言 |
| 3.2 系统模型与问题描述 |
| 3.2.1 实时任务调度模型 |
| 3.2.2 动态优先级模型 |
| 3.2.3 任务卸载策略 |
| 3.3 基于NSGA-II算法的优化算法 |
| 3.3.1 编码和初始化 |
| 3.3.2 算法流程 |
| 3.4 仿真与结果分析 |
| 3.4.1 仿真场景及参数 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 第四章 基于排队论的非实时任务调度方案 |
| 4.1 引言 |
| 4.2 系统模型与问题描述 |
| 4.2.1 任务调度流程 |
| 4.2.2 系统模型 |
| 4.3 基于改进的离散猴群算法的优化算法 |
| 4.3.1 问题转换 |
| 4.3.2 改进的离散猴群算法 |
| 4.3.3 算法流程 |
| 4.4 仿真与结果分析 |
| 4.4.1 仿真场景及参数 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 第五章 基于资源预留策略的任务调度方案 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 基于虚拟化的资源预留策略 |
| 5.2.2 混合任务状态下的任务调度流程 |
| 5.3 仿真与结果分析 |
| 5.3.1 仿真场景及参数 |
| 5.3.2 仿真结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）多目标优化视角下在线学习群体形成策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究目的与意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容 |
| 1.5 研究方法 |
| 1.6 概念界定 |
| 1.6.1 多目标优化 |
| 1.6.2 在线协作学习 |
| 1.6.3 学习群体形成策略 |
| 1.7 论文结构 |
| 1.8 本章小结 |
| 第二章 研究现状与相关技术 |
| 2.1 协作学习研究现状 |
| 2.2 学习群体形成研究现状 |
| 2.3 在线学习群体形成技术研究 |
| 2.3.1 学习分析技术 |
| 2.3.2 聚类服务技术 |
| 2.3.3 计算智能技术 |
| 2.4 本章小结 |
| 第三章 在线学习群体形成模型构建 |
| 3.1 理论基础 |
| 3.1.1 学习共同体理论 |
| 3.1.2 联通主义理论 |
| 3.1.3 学习风格理论 |
| 3.2 在线学习群体划分依据 |
| 3.2.1 分类方式 |
| 3.2.2 分组模式 |
| 3.3 在线学习群体形成影响因素 |
| 3.3.1 性别 |
| 3.3.2 认知水平 |
| 3.3.3 学习风格 |
| 3.3.4 兴趣偏好 |
| 3.3.5 学习行为 |
| 3.4 在线学习群体形成模型 |
| 3.4.1 模型构建 |
| 3.4.2 参数表示 |
| 3.5 本章小结 |
| 第四章 在线学习群体形成算法设计 |
| 4.1 多目标问题构建 |
| 4.1.1 多目标问题定义 |
| 4.1.2 目标函数设计 |
| 4.1.3 目标冲突性分析 |
| 4.2 算法功能设计 |
| 4.2.1 基本框架 |
| 4.2.2 编码设置 |
| 4.2.3 种群初始化 |
| 4.2.4 适应度函数 |
| 4.2.5 遗传算子的应用 |
| 4.3 算法性能检验分析 |
| 4.3.1 测试函数 |
| 4.3.2 实验参数设置 |
| 4.3.3 实验环境 |
| 4.3.4 评价指标 |
| 4.3.5 实验结果分析 |
| 4.4 本章小结 |
| 第五章 在线学习群体形成策略研究 |
| 5.1 在线学习群体形成策略的思路设计 |
| 5.2 在线学习群体形成策略的过程实现 |
| 5.2.1 编码设置 |
| 5.2.2 特征参数设置 |
| 5.2.3 计算学习群体适应度值 |
| 5.2.4 生成学习群体序列 |
| 5.3 在线学习群体形成策略的性能分析 |
| 5.3.1 数据集 |
| 5.3.2 实验参数设置 |
| 5.3.3 实验环境 |
| 5.3.4 评价指标 |
| 5.3.5 实验结果分析 |
| 5.4 在线学习群体形成策略的案例阐述 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点与难点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 学位论文数据集 |
四、计算智能技术的分析与研究（论文参考文献）
- [1]试论大数据分析中的计算智能方法[J]. 张昊. 新型工业化, 2021(08)
- [2]大数据分析中的计算智能研究现状与展望[J]. 潘泽波. 无线互联科技, 2021(12)
- [3]面向雾计算的智能分析服务运行支撑系统的设计与实现[D]. 邓皓. 北京邮电大学, 2021(01)
- [4]数据科学与计算智能：内涵、范式与机遇[J]. 程学旗,梅宏,赵伟,华云生,沈华伟,李国杰. 中国科学院院刊, 2020(12)
- [5]网络物理系统大数据分析和计算智能应用[J]. 刘正龙. 电子技术与软件工程, 2020(14)
- [6]面向早期肿瘤检测应用的活体计算技术研究[D]. 师少龙. 哈尔滨工业大学, 2020(01)
- [7]从计算社会科学到计算法学：重新检视因果关系科学之范畴全文替换[J]. 王伟. 网络信息法学研究, 2020(01)
- [8]面向智能装备的边缘计算及应用的研究[D]. 赵宾. 青岛大学, 2020(01)
- [9]基于雾计算的智能工厂网络资源调度策略研究[D]. 曾鹏. 北京邮电大学, 2020(05)
- [10]多目标优化视角下在线学习群体形成策略研究[D]. 杨琳. 浙江工业大学, 2020(03)