第1章 绪论
1.1 课题研究背景与意义
1.2 光学分子成像技术的国内外研究发展与现状
1.2.1 荧光分子层析成像(FMT)
1.2.2 基于传统算法的FMT重建研究
1.2.3 基于深度学习的FMT重建研究
1.2.4 介观荧光分子层析成像(MFMT)
1.3 论文的研究框架
1.4 论文的章节安排
第2章 介观荧光分子层析成像相关理论
2.1 引言
2.2 介观荧光分子层析成像(MFMT)重建理论基础
2.2.1 MFMT正向问题
2.2.2 MFMT逆向问题
2.3 神经网络相关理论
2.3.1 自编码器
2.3.2 稀疏自编码器和去噪自编码器
2.4 压缩感知相关理论
2.5 重建性能评价指标
2.6 本章小结
第3章 基于SparseNet网络预处理的介观荧光靶点加速重建方法
3.1 引言
3.2 典型敏感矩阵优化方法
3.2.1 主成分分析法(PCA)
3.2.2 局部保留投影(LPP)
3.3 Sparse Net网络优化方法
3.3.1 稀疏自编码器的工作流程及网络架构
3.3.2 Sparse Net网络架构及所设计模块功能介绍
3.4 实验内容与结果分析
3.4.1 计算机数值仿真模型
3.4.2 数据集的制作
3.4.3 不同数量的主成分对重建质量的影响
3.4.4 不同方法对敏感矩阵的优化以及重建时间对比实验
3.4.5 借助不同方法优化后的敏感矩阵进行重建的结果对比实验
3.4.6 合成血管树重建实验
3.5 本章小结
第4章 基于De Cnn Net网络的荧光靶点高精度重建方法
4.1 引言
4.2 线性映射网络
4.3 U-Net神经网络
4.4 DeCnnNet网络重建方法
4.4.1 DeCnnNet网络架构与各模块介绍
4.5 实验内容与结果分析
4.5.1 相关数据集准备
4.5.2 DeCnnNet网络的性能优化
4.5.3 不同方法重建性能的比较实验
4.5.4 不同噪声水平下的重建性能
4.5.5 合成血管树重建实验
4.6 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
工程硕士论文范文四：过程可调的光电传感器Ⅰ-Ⅴ测试系统
本文设计并搭建的过程可调的光电传感器I-V测试系统,主要包括数据产生模块、数据采集模块、数据处理以及远程控制模块。系统以LabVIEW作为软件开发平台,采用面向过程和面向组件的混合编程方法,在人机界面实时显示采集所得数据,实现采集、处理、显示、存储及读取等功能。
第1章 绪论
1.1 引言
1.2 国内外研究现状
1.2.1 光电传感器
1.2.2 仪器测控技术
1.3 研究意义及主要研究内容
1.4 论文结构
第2章 LabVIEW软件开发平台及信号降噪技术
2.1 仪器控制相关技术
2.1.1 开发平台LabVIEW介绍
2.1.2 LabVIEW2018 编程环境
2.1.3 LabVIEW与硬件通信方式
2.1.4 LabVIEW与 MATLAB混合编程
2.2 信号降噪方法
2.2.1 经典滤波算法
2.2.2 数字滤波器
2.2.3 连续小波变换和离散小波变换
2.2.4 小波阈值降噪算法
2.3 本章小结
第3章 过程可调的光电传感器I-V测试系统硬件需求分析与设计
3.1 硬件设计需求分析
3.2 过程可调的光电传感器I-V测试系统硬件设计
3.3 光源及其控制
3.4 数据采集模块
3.5 本章小结
第4章 过程可调的光电传感器I-V测试系统软件设计
4.1 软件设计需求分析
4.2 软件编程方法与流程
4.3 数据采集
4.3.1 参数配置
4.3.2 定时测量
4.4 数据处理
4.4.1 I-V曲线显示
4.4.2 降噪效果评估指标
4.4.3 降噪处理
4.5 远程控制
4.6 数据保存与回放
4.6.1 数据保存
4.6.2 历史数据回放
4.7 本章小结
第5章 过程可调的光电传感器I-V测试系统仿真与分析
5.1 构造仿真信号
5.1.1 过程可调的光电传感器I-V测试系统噪声分析
5.1.2 构造仿真信号
5.2 中值滤波与滤波器降噪效果
5.3 小波阈值降噪算法
5.3.1 小波降噪基本步骤
5.3.2 确定小波降噪最优参数
5.4 本章小结
第6章 过程可调的光电传感器I-V测试系统测试与分析
6.1 整体结构与过程可调
6.2 测试器件与目的
6.3 稳定性
6.4 可靠性
6.5 实用性
6.6 弱电流测试能力
6.7 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
工程硕士论文范文五：面向文本分类的半监督主题模型研究
本文针对仅有少量标注样本和大量未标注样本共存的场景,结合主题模型和半监督学习方法,开展面向文本分类的半监督主题模型方法研究,鉴于上述所提到的一些问题,主要研究内容如下:（1）结合有监督主题模型SLDA和半监督学习方法,提出了一种半监督主题模型s-SLDA（semi-Supervised Latent Dirc
