一、基于局域网的网络状态预测（论文文献综述）
任庆新[1]（2021）在《基于局域网的流媒体信息低时延传输通讯系统》文中研究表明信息技术的发展使视频会议成为我们日常生活中重要的一部分,尤其是2020年疫情,使得视频会议产品市场得到极大拓展。视频会议能够打破人们的地域限制,为我们工作学习以及生活带来极大便利。视频会议应用市场广阔,目前市面上的视频通话产品种类丰富,形式多样。但是对于一些应用在内部局域网环境中的企业,部署一套自己的视频会议系统成本较高,并且系统存在延迟卡顿,连接不稳定等情况,效果不甚理想。本文利用谷歌开源的即时通讯框架WebRTC设计开发了一款基于局域网内使用的视频会议系统。该系统针对当前音视频会议采用的H.264算法存在的问题,基于前人对于编解码帧进行分割的思想,提出了一种分割I帧的优化算法,并提出一种帧内分层预测模式,优化当前视频会议系统的延迟问题,并提出一种Mesh+SFU的双架构实现模式,增强了视频会议系统的稳定性,使会议系统满足实际使用。论文的主要内容有以下几点:1.针对H.264编码的码流特性所造成的视频会议系统的编解码阶段的延迟问题,本文通过改进H.264帧内预测编码算法,将每帧图像划分成更小的条带,以条带为编码单位降低用于平滑编解码图像的缓存区大小,并在以条带为单位的基础上,提出一种帧内分层预测方法,从而降低预测编码平均距离,最终降低视频会议系统在编解码阶段的固有延迟。2.本文提出了一种基于Mesh+SFU双架构的视频会议实现方式,通过实验确定切换架构的阈值,在保证更低延迟,更高清晰度的同时,使系统能够满足更多客户端参与视频会议,提高了视频会议系统的稳定性。3.本文设计包括视频会议、即时聊天、电子白板在内的几大实用功能,最终通过开发,实现该款基于WebRTC的视频会议系统。经试验验证,本文所做的视频会议系统各项功能测试正常,达到了预期效果,与传统H.264编码算法相比,延时能够降低约100～140ms,能够实现流畅的视频会议应用。
赵亚坤[2]（2021）在《选煤厂块煤自动入仓关键技术研究与实现》文中研究说明随着选煤厂智能化、自动化建设的大力推进,作为选煤厂块煤产品存储中转地点的煤仓,实现块煤产品入仓的煤仓入仓工艺流程自动化,对提升选煤厂自动化水平、运转效率及安全程度都有重要的积极意义。选煤厂煤仓入仓工艺流程主要是将已洗选分好的块煤产品从运煤皮带上经入仓设备分流而进入煤仓,完成中转存储处理。其中涉及到多种的电气设备,以装仓小车为主体,配合各种传感器及多种机械设备实现块煤产品的准确入仓。不仅是块煤产品入仓,为了安全生产起见,同时也为了减少停车清煤浪费工时,还需要兼顾运动设备溜煤可能带来的堆煤、碰撞等事故。对煤仓入仓工艺流程进行自动化改造,按照块煤产品入仓工艺所属的流程工业的特点,设计各入仓设备顺序自动控制、入仓工艺连续落煤入仓作业的新流程。通过对晋能控股煤业集团赵庄矿选煤厂煤仓现场的调研与分析,现有的煤仓入仓工艺存在诸多问题,如全程由岗位司机手动操作,效率低、危险系数大;各入仓设备由岗位司机分立控制,启动执行某一工序的入仓设备需要自行判断和手动操作,设备之间没有工序上的协同关系,工序及设备运行易混淆、容易出现误操作现象;现场缺少能够直观、准确显示煤仓仓位数据的传感器件,岗位司机通过手持探灯照射煤仓内部判断煤位,肉眼误判的可能性极高,易造成堆煤安全事故;装仓小车是运动设备,煤仓仓上轨道距离长,岗位司机随车奔走手动控制装仓小车,劳动强度大、危险系数高等。为了解决这些实际生产问题并且契合选煤厂智能化、自动化建设,本文进行了块煤自动入仓系统的设计,分析研究煤仓入仓工艺过程,针对上述现有选煤厂煤仓入仓工艺存在的问题,进行了块煤自动入仓系统设计,进行了块煤自动入仓系统整体架构及关键技术研究,通过对移动检测仓位与装仓小车控制之间关系的分析,建立了数学模型,将仓位信息与装仓小车控制联系起来,能够通过随车安装雷达料位计收取的仓位信号实时调整装仓小车运行速度,另外以自动化流程设计来实现各入仓设备的协同顺序运行,解决人工手动控制、煤仓仓位误判以及各入仓设备分立控制的问题;提出装仓小车测距定位网络系统设计,通过增量型旋转编码器及磁钢接近开关实现装仓小车行进距离测量和仓上定位,同时进行了安全冗余性控制机制研究和程序设置,解决运动设备位距状态监控及端部冲撞、脱轨问题;提出煤仓入仓工艺实时及预测性动态仿真设计,通过上位机仿真软件来对现场煤仓入仓工艺进行全流程的实时性动态仿真和预测性动态仿真,为操作人员和运维人员提供关于煤仓入仓工艺流程的直观画面和动态信息,包括工艺流程的进度、入仓设备的运行状态、煤仓仓位的动态指示及填仓预测时间等,在上位机侧能够直接对接现场,为现场生产提供实时反馈和预测性填仓时间。本文采用西门子公司生产的S7-1200系列PLC作为控制核心硬件,上位机仿真软件采用Win CC RT Professional软件。通过主-从双控制柜联合控制模式控制各入仓设备协同完成煤仓入仓工艺流程;构建了基于移动仓位检测的装仓小车控制模型,将仓位数据、位距数据等作为控制变量引入系统中,参与装仓小车自动化控制;以无线Wi Fi通讯取代有线网络通讯,解决运动设备的安全控制和线缆挂断;通过提前判断落料区间,从而使装仓小车运行效率提升,避免浪费时间寻找落料点位置;通过煤仓入仓过程实时及预测性动态仿真,在上位机侧实现现场工况的及时反馈和填仓预测时间的数值显示,为现场生产提供实时性和预测性信息。本系统在设计完成后即在生产现场进行了工业试运行,试运行阶段系统运行平稳可靠,成功解决了煤仓现场全手动操作、岗位司机随车奔走、生产数据不直观等问题,块煤自动入仓系统运行达到了设计预期,情况良好,提高了生产效率、节省了人力、提高了生产安全程度。
黄河[3]（2021）在《无线局域网安全监测系统的设计与实现》文中研究说明由于互联网通信技术的高速发展,目前连接互联网的途径也越来越多样化。其中无线局域网作为一种重要的连接互联网途径,改变了曾经只能依靠有线组网技术进行互联网通信的局面。随着无线局域网技术的迅猛发展和无线终端设备大规模的普及,目前无线局域网已经广泛的应用于校园、地铁、大型商场等人流量较大的公共场合。无线局域网在给人们带来便利通信的同时,其中的安全风险也是不容忽视。近年来,针对无线局域网的攻击对用户造成财产损失的事件层出不穷,因此识别无线局域网中的安全威胁就显得尤为重要。本文设计并实现了无线局域网安全监测系统。首先对无线局域网安全监测系统进行设计。然后对该系统具体功能进行实现。最后对该系统安全监测有关功能进行测试,测试结果得知,本系统中无线设备探测、伪AP攻击监测和DOS攻击监测均有较高的准确率,路由器漏洞监测也能准确的识别出具体漏洞信息。本文具体研究内容如下。（1）设计了无线局域网安全监测系统。首先对传统无线局域网安全监测系统的功能不足进行了深入的分析,得出在无线局域网安全监测系统中必须有无线设备探测功能、伪AP攻击监测功能、无线DOS攻击监测功能和路由器漏洞监测功能。然后对无线局域网安全监测系统采集信息的存储位置进行了探讨,得出需将采集的监测信息单独存储到一台机器上,实现信息的异地存储。最后对系统功能模块进行了更详细的设计和对系统的整体架构进行设计。（2）实现了无线局域网安全监测系统。系统依次实现了无线设备探测功能、伪AP监测功能、无线DOS攻击监测功能、路由器漏洞监测功能和信息异地存储功能。在伪AP监测功能的实现方案中,结合了前人的工作经验,本方案以MAC地址、信道、信号强度、序列号和时间戳在内的五大特征综合判断环境是否存在伪AP,判断伪AP效果更为灵敏。在DOS攻击监测功能的实现方案中,此方案通过引入GRU（Gated Recurrent Unit）神经网络生成DOS攻击预测模型,使用该模型对DOS攻击进行监测,相比于传统使用阈值区分DOS攻击的方案,本方案更为新颖。在路由器漏洞监测功能的实现方案中,本方案通过集成RouterSploit漏洞扫描框架从而实现路由器漏洞监测功能,解决了传统无线安全监测系统缺少对路由器安全监测的问题。在信息异地存储功能的实现方案中,本方案使用了 syslog、logstah、kafka技术完成了信息异地存储功能,从而保障了在系统存储大量信息后,系统的正常运行不会受到存储空间不足的影响。（3）进行了无线局域网安全监测系统的测试。搭建无线局域网测试环境,模拟不同类型攻击,对本系统的无线设备探测、伪AP攻击监测、无线DOS攻击监测、路由器漏洞监测等安全监测相关的功能进行测试。测试结果表明,本系统中的无线设备探测、伪AP攻击监测和无线DOS攻击监测都有着较高的准确率,同时也能正确的识别出路由器存在的漏洞信息。
侯文星[4]（2021）在《应用于能源路由器的能量管理策略研究》文中指出能源路由器是以电力电子技术为基础,是将能源局域网中所有发电、用电及储能设备一体化管理和控制的智能化设备。能源路由器作为未来能源互联网中不可或缺的组成单元,在可再生能源最大化消纳、用户侧智能用电、电网稳定运行等方面具有十分重要的意义。本文基于以上研究背景,以能源路由器及其所在能源局域网为研究对象,以提高可再生能源的利用率、节省用户的购电费用为目标,对面向能源路由器的能量管理策略深入研究。本文首先对能源路由器所在能源局域网的设备进行模型建立。然后作为能量管理的基础,对传统用电负荷进行短期和超短期预测。针对短期负荷预测,通过控制变量法确定预测输入数据方案,并且对支持向量机回归预测算法进行改进,从而减小了短期负荷预测的误差。针对超短期负荷预测,同样通过控制变量法确定预测输入数据方案,并在短期负荷预测的基础上,滚动预测,进而得到高预测精度的超短期负荷预测。其次,作为能源互联网中的新兴力量,电动汽车使用规模越来越大,本文对电动汽车的充电负荷进行研究。研究分为两个部分:一是电动汽车无序充电。采用蒙特卡罗法对电动汽车群进行无序充电仿真,得到多场景下不同的负荷曲线,通过对比证明多场景充电曲线更能贴合实际情况。二是电动汽车有序充电。为减少电动汽车大规模无序充电对能源互联网的有害影响,提出了基于剩余SOC的电动汽车有序充电方法。通过仿真结果对比,证明了本文提出有序充电方法的有效性。最后,论文以用电负荷预测和电动汽车有序充电负荷作为输入,进行多时间尺度能量管理策略研究。对于并网情况,将经济性和用户满意度作为目标,进行日前能量管理。然后为应对预测误差等不确定性的影响,在日前能量管理的基础上提出一种新型的实时能量管理策略,通过更新输入来实时调整日前优化的曲线。通过对比,多时间尺度能量管理策略在并网情况下,能在达到全局最优的情况下同时很好地应对不确定性的影响。对于孤岛情况,计划性孤岛的多时间尺度能量管理策略与并网情况相似,只是目标函数为减少切负荷量,本文同样进行仿真验证。对于非计划孤岛情况的实时管理策略,本文提出一种基于决策树的调度方法,通过仿真验证,可以及时地支撑非计划孤岛情况。最终本文使用MATLAB和LabVIEW联合搭建能量管理平台。
凌象政[5]（2021）在《循环神经网络压缩方法研究》文中研究指明作为深度学习主流算法之一,循环神经网络（Recurrent Neural Network,RNN）对处理时序信息具有更敏感更出色的能力。因此,循环神经网络被广泛使用于电信、电力、人机交互等许多传统以及新兴智能领域。然而,在许多应用场景中,资源有限的终端设备难以应用循环神经网络。这主要的原因在于神经网络结构具有较高的计算复杂度,并且需要大量的计算资源以及存储资源。为了解决此问题,研究者提出了许多合理方式来降低神经网络的计算量和存储需求,其中网络压缩方案较为突出。网络压缩并不是内容无损压缩,其主要目的是在保证网络性能不下降的前提下舍弃部分不重要的参数。尽管循环神经网络的压缩任务受到许多研究者的关注,但是仍然还有许多问题没有得到很好的解决。本文罗列出2个关于压缩RNNs的技术方案目前所存在的问题:1)在极度稀疏率情况下,如何保证循环神经网络的性能以及降低模型复杂度的问题;2)如何优化“剪枝-重训练”周期,以设计更高效的循环神经网络剪枝算法的问题。针对这2个问题,本文展开了具体的研究,并得到以下几点贡献:（1）本文提出了一种能够在高度稀疏率情况下保证长短期记忆网络（Long Short-Term Memory,LSTM）模型性能的网络修剪方法,并提出了一种具有共享权值的稀疏连接LSTM模型,即SCLSTM。与已有方法不同,该方法基于神经连接的大小动态设计了每一轮剪枝的阈值,并且引入了用于降低内存消耗的权值共享策略,从而极大地减少了LSTM的资源需求以及计算成本。实验结果表明,只含有0.88%神经连接的SCLSTM可以获得与密集连接LSTM相同的预测能力。（2）本文提出了一种基于神经连接灵敏度指标的单次修剪的网络压缩算法,并提出了一种进行单次修剪的稀疏连接的门控循环单元（Gated Recurrent Unit,GRU）模型,即SCGRU。该方法优化了现有的迭代剪枝架构,剔除了剪枝架构中多余的“剪枝-重训练”周期,并且设计的剪枝算法根据每个神经连接在反向传播中对目标函数的重要性进行精准取舍,从而只需要单次网络修剪便可以完成整个剪枝过程。特别是,SCGRU模型能够在具有更少的参数连接情况下,模型性能效果高于已有剪枝方案的性能效果。
王鑫[6]（2021）在《基于UWB的室内目标三维跟踪定位技术研究》文中进行了进一步梳理随着经济与科技的飞速发展,人们对于室内位置感知服务需求日益增加。其中,高精度、低时延、抗非视距的室内跟踪定位技术成为了研究重点,越来越受到专家学者和相关产业界的关注。超宽带跟踪定位技术相较于其他室内跟踪定位技术,具有传输速率快、功耗低、精度高等优点,可较好解决室内目标的三维跟踪定位问题。本文对超宽带测距和跟踪定位技术进行深入研究,主要的研究内容和取得的成果如下:首先,本文开展了超宽带技术及其相关定位技术的理论研究。从实现难度和精度等方面对比分析了常见的定位信息获取方案,选用了高精度、易于实现的双边双向测距方案。对超宽带跟踪定位系统中存在的误差因素进行分析,针对天线延迟问题,提出基于最小二乘的测距偏差修正方法;针对定位延迟问题,提出基于指数平滑的加权移动测距滤波方法。为了对跟踪定位系统性能进行评估,提出了系统容量、定位精度和跟踪时延等跟踪定位系统评价指标,并应用于仿真实验和室内跟踪定位实验中。然后,本文使用STM32微处理器,搭载自主研发的超宽带接收发射模块,设计并实现超宽带双边双向测距方案。根据双边双向测距过程设计了超宽带测距通信消息格式,单标签测距过程以及多标签测距方案,并通过事件驱动有限状态机实现标签和基站的双边双向测距流程。经过实验测试验证,超宽带双边双向测距方案能够实现高精度、稳定的室内测距。接着,为实现对室内移动目标的跟踪定位,本文对超宽带三维定位算法展开深入研究。针对高精度和低时延的跟踪定位需求,分析并对比了 Chan定位算法、Taylor定位算法、扩展卡尔曼滤波跟踪定位算法跟踪定位性能,提出了基于残差鉴别的Chan-Taylor-Kalman联合三维跟踪定位算法。C-T-K联合定位算法利用非视距残差鉴别法对Chan算法得到初始估计位置进行非视距鉴别,鉴别数据中是否存在非视距误差。针对存在非视距误差的情况,使用Taylor定位算法对初始估计位置进行迭代,抑制非视距误差;针对视距情况,仍采用单一的Chan定位算法进行计算,以降低定位延迟。最后,利用卡尔曼滤波算法降低定位结果的抖动,改善算法的跟踪定位效果。通过仿真实验对比分析了四种定位算法的跟踪定位性能,验证了 C-T-K联合跟踪定位算法的有效性,对非视距误差有一定的抑制作用。为进一步验证跟踪定位算法性能,本文设计了超宽带三维跟踪定位系统,利用射灯对移动目标进行位置跟踪。经过实验证明,对于固定目标,C-T-K联合跟踪定位算法提高了定位的稳定性,实现了固定目标的高精度室内定位;对于移动目标,在视距情况中C-T-K联合跟踪定位算法实现了低延时的跟踪定位,射灯能够实时对目标进行跟随。最终,为进一步解决非视距误差的影响,本文进行了深度学习定位算法的研究。根据超宽带测距时间连续性,提出了基于LSTM网络模型的抗非视距定位算法。经过非视距仿真实验证明,LSTM网络模型定位算法对非视距误差有很好的抑制,提高了定位精度。
周云风[7]（2021）在《基于卷积神经网络的局域网故障诊断技术研究》文中进行了进一步梳理随着以太网的日益发展,局域网的复杂程度也随着用户数和网络终端的增多而越发提高。为了保证局域网运行环境的健康稳定,在局域网的故障管理过程中,网络管理员需要对网络的整体运行状态把控和对网络故障进行成因分析和经验式诊断。但由于局域网往往承载着特殊业务,传统方法非常耗时耗力,于是现阶段对故障诊断的响应以及智能程度提出了新的要求。因此,本文从深度学习角度出发,研究了基于卷积神经网络模型的网络故障诊断方法。本论文的主要工作如下:论文首先介绍了网络故障诊断的研究现状,以及故障诊断过程将面对的两大核心问题:网络故障信息的采集和分析、网络故障问题的发现和检测。最后,给出本文的主要研究内容。论文第二部分,对局域网网络故障进行了物理侧分层结构以及业务侧分服体系的故障成因理论分析,并对现有网络故障诊断技术按照定性经验和数据驱动的类别对专家系统、图搜索模型、支持向量机、软件定义网络等四类典型网络故障诊断技术进行了详细的阐释,为后文的章节做铺垫。论文第三部分,基于KDD99数据集[48],对卷积神经网络进行研究,提出灰度矩阵化原始数据的数据转换操作,并根据数据特征规模进行卷积神经网络结构设计,并以此为基础开展了一系列的包括丢弃学习、梯度优化算法、数据增强在内的优化研究,完成整个故障诊断的模型建立。论文第四部分,分析了现存数据采集方法的优劣,提出了一种不新增网内流量、不改变网络结构的旁路被动分布式数据采集方法,并进行了旁路采集板卡的原型设计。同时,提出了基于特征工程的数据集构建方法,提出了分层结构下较为完备的数据字典,为故障诊断的故障多样化做原始数据维度支撑。论文最后,设计并模拟了真实局域网故障场景,完成数据采集、数据集构建。并在KDD99数据集[48]和自建数据集上进行模型验证。通过对模型不同激活函数、学习率、数据增强的测试下,提高模型泛化能力,最终结果表明,该模型在KDD99数据集[48]上进行训练测试,准确率达96.8%,在自建数据集上,训练测试准确率可达88.3%。综合实验表明,基于卷积神经网络的故障诊断具备良好的诊断效率且具备可完整落地的潜质。
郭超群[8]（2021）在《高校基建合作网络结构特征及其形成机制研究》文中研究表明高校基础设施建设涵盖面广泛,尤以新校区、新场馆及高水平实验室的建设为代表,从项目的立项到竣工投用需要不同建设主体跨专业合作,其间节点关系错综复杂,网络化趋势明显且网络规模庞大,给高校基建管理者带来“身在庐山,不识庐山”的严峻工作挑战。积极寻求高校基建合作网络可视化方法,揭示其基本结构特征并探析特征背后的影响因素与形成机制,对于各地高校基建管理工作的提质增效有重要的理论与实践意义。不同于高校基建档案管理模式变革、部门组织架构优化及内部财务审计等中宏观管理方法的分析探讨,本研究基于社会网络理论,结合定性、定量不同的研究方法在更深层面上探讨高校基建合作网络结构特征及其相关影响因素的作用机制。首先使用八爪鱼、Python等爬虫工具收集整理32所高校基建工程中标信息,利用社会网络分析工具Ucinet实现高校基建合作网络可视化,并选取网络密度、连通分量、节点中间中心度为网络指标,初步分析高校基建合作网络结构特征,发现:案例合作网络中都存在一个或两个核心集群（Core-Lan,CL）,其他边缘节点（Edge-Node,EN）或多或少地分布在网络四周,整体上呈现出较为清晰的层级结构。接着选取CL、EN占比为聚类指标,使用基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）将32个案例合作网络聚类,验证网络结构特征可靠性,与此同时得到案例CL、EN节点比例阈值。在此基础上,本研究选取高校层级、城市等级、校区数量、新建单项工程和活跃中标单位等网络节点属性为解释变量,对32个高校基建合作网络案例结构特征的影响因素进行分析;以核心局域网络和中心化程度为结果变量,并根据能够划分不同类别合作网络的CL、EN节点比例阈值进行量化,使用清晰集定性比较分析法（crisp-set Qualitative Comparative Analysis,csQCA）对上述影响因素与高校基建合作网络结构特征间的多重并发因果关系展开分析,共形成12种不同的前因条件构型;文章探讨了不同条件构型所呈现的多种合作网络结构特征形成机制,包含两种单核心局域网络形成机制、四种双核心局域网络形成机制和两种高中心化程度形成机制;结合相关结论,文章就如何在高校基建管理实践中识别合作网络结构特征、发挥合作网络结构特征影响因素正向组态效应提出针对性建议。本研究使用社会网络分析工具和相关聚类算法,在揭示数据层面高校基建合作网络结构特征的基础上,使用定性比较分析法探析大量数据背后的影响因素与结构特征间的复杂因果关系及结构特征的形成机制,能够打破隐藏于复杂网络后的“合作封闭圈”和不法垄断。相关成果为高校基建管理提供了崭新的研究视角,对促进高校基建管理规范化具有重要实践意义。
李航宇[9]（2021）在《基于网络流的网络态势分析研究及应用》文中进行了进一步梳理网络流中包含网络会话中的全部信息,通过对网络流的分析,可以及时准确的获取当前网络运行状态以及发现网络攻击行为,且系统部署代价较低。目前基于网络流的攻击检测系统多是对流量的特征识别分类,没有充分利用网络流数据的层次性结构特征以及网络攻击事件的阶段性特征。为提高分析效率,有效发现APT类攻击事件行为特征,本文首先基于三层次流实体表示结构对网络流特征进行抽取;其次基于模式匹配与深度学习双引擎流量识别技术,对流量进行智能识别与分类;然后基于攻击链理论模型,通过时空关联与因果关联的方式,挖掘完整的网络攻击链,重构已发生的攻击场景,推演出完整的攻击事件。最后设计了基于网络流的网络态势分析系统,实现从原始流量采集、分析识别到最终用户界面攻击行为告警与实时网络态势展示的完整功能。本文主要工作如下:（1）提出多层次流实体表示架构。借鉴自然语言处理中词、句、段三层次表示方式,充分利用网络流量内数据包间和网络流量间的时间、空间关系以及隐藏关联特征,提出网络包、网络流、网络流组三层次的流实体表示结构与具体特征属性,为后继流抽取、流行为识别、攻击事件识别提供基础。（2）提出基于模式匹配与深度学习相结合的智能流量综合识别方法。利用模式匹配与深度学习双引擎对流量进行识别,首先基于规则匹配的方式,利用先验专家知识,快速分类已知攻击流量,然后通过智能基线模型识别出异常流量,最后利用CNN模型进一步分类为具体的攻击类型。该方法有效结合了模式匹配针对已知流量的快速检出能力、基线模型无需大量训练样本即可识别出异常流量、CNN深度学习模型对流量分类具有较高准确度的优势,提高流量检测的及时性与准确度。（3）提出基于攻击链的网络攻击事件发掘方法。基于攻击链的理论模型基础,将检出的攻击流量聚合成代表单步攻击行为的网络流组,利用时空关联与因果关联挖掘出完整攻击链,重构已发生的攻击事件,对当前攻击行为进行告警。（4）设计并实现了基于网络流的网络态势分析系统。基于上述提出的方法与设计,设计实现了基于网络流的网络态势分析系统,系统包括采集、分析、呈现三大模块,实现对原始流量数据的采集与分析识别。
陈胤杰[10]（2021）在《基于嵌入式与YOLOv4算法的无人机实时目标识别系统研究》文中指出近些年来,随着神经网络的迅猛发展,目标识别技术也随之在精度和速度上都得到了快速提升,进而被广泛应用在灾难救援、军事打击、视频监控等领域。传统的线下目标识别通常是分阶段式处理的,即首先将获取到的影像拷贝至本地计算机,然后再将目标进行识别,最后把识别到的目标发送给需要的用户。这种方式已经不满足当下的发展,尤其是军事打击和嫌疑追踪这种识别精度和实时性要求高的领域。随着无人机载重的提升、嵌入式设备的更新,目前急需用新兴技术满足当前对实时目标识别的需求。本研究采用了大疆M600Pro无人机作为目标识别系统的机载平台,影像的获取、目标的识别都在该平台上进行,然后基于Netty框架开发出一款跨平台的用于数据结果传输的模块,最后集成上述所有软硬件及子系统,研发出一款流程化、操作简单的可视化无人机实时目标识别系统。针对上述目标,本研究主要的研究内容如下:（1）为得到精确率高、识别速度快的识别结果,本研究以YOLOv4目标识别算法为研究对象,针对该算法在高性能设备上表现良好,而在嵌入式设备上识别精度下降、速度变慢的现象,本研究基于K-Means算法和Tensor RT推理器实现了对YOLOv4算法的优化。（2）由于嵌入式设备和地面端设备的平台不一致,所以需要研发一款适用于跨平台的传输模块。为保证传输的可靠性、安全性,该模块基于Netty框架实现,用TCP协议进行构造,保证系统客户端与服务端的高效通信。（3）基于（1）、（2）以及相关硬件平台,用Java编程语言、Spring框架和Angular框架设计并实现一款无人机实时目标识别系统。该系统集成了影像获取、目标识别、结果传输、结果展示与用户控制等功能;另外,多个无人机影像处理客户端都可以同时适用于该系统,多用户也可同时直接通过IP地址登录并实现远程控制。通过对无人机、嵌入式进行硬件开发,该研究完成了上述系统,并通过实验验证了系统的流程化目标识别效果。此外,本研究不仅致力于基于无人机上的实时目标识别系统化研究,优化后的YOLOv4算法还可以检测出原算法未检测的目标,且实现的系统化流程可以广泛应用于其他无人机应用领域。因此,本研究在无人机实时目标识别上具有一定的参考和应用价值。
二、基于局域网的网络状态预测（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、基于局域网的网络状态预测（论文提纲范文）
（1）基于局域网的流媒体信息低时延传输通讯系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 视频会议系统的发展过程 |
| 1.3 WebRTC发展现状 |
| 1.4 论文组织架构 |
| 第2章 系统关键技术 |
| 2.1 WebRTC |
| 2.1.1 WebRTC架构介绍 |
| 2.1.2 WebRTC通信接口 |
| 2.2 信令 |
| 2.2.1 信令作用 |
| 2.2.2 WebRTC信令传输方式 |
| 2.3 视频编解码标准 |
| 2.3.1 主流编码标准 |
| 2.3.2 H.264标准概述 |
| 2.3.3 H.264视频序列构成 |
| 2.3.4 H.264分层结构 |
| 2.3.5 H.264编码技术 |
| 2.4 本章小结 |
| 第3章 延时分析与H.264优化 |
| 3.1 视频会议中延时的产生 |
| 3.2 基于条带划分的帧内编码方法 |
| 3.3 基于条带的分层预测编码 |
| 3.3.1 标准H.264帧内预测 |
| 3.3.2 H.264帧内分层预测 |
| 3.4 本章小结 |
| 第4章 视频会议系统架构设计与需求分析 |
| 4.1 系统架构分析 |
| 4.1.1 客户端 |
| 4.1.2 服务端 |
| 4.2 功能需求分析 |
| 4.3 非功能需求分析 |
| 4.4 视频会议系统网络连接架构设计 |
| 4.4.1 多人视频会议网络架构 |
| 4.4.2 三种架构对比选取 |
| 4.4.3 选用SFU架构的阈值 |
| 4.5 本章小结 |
| 第5章 视频会议系统实现与测试 |
| 5.1 系统功能设计与实现 |
| 5.1.1 登录模块 |
| 5.1.2 视频会议模块 |
| 5.1.3 电子白板模块 |
| 5.1.4 即时消息模块 |
| 5.2 服务器搭建 |
| 5.2.1 改进H.264编解码算法系统的实现 |
| 5.2.2 基于Mesh架构视频会议的实现 |
| 5.2.3 基于SFU架构视频会议的实现 |
| 5.2.4 信令服务器 |
| 5.3 视频会议系统实验测试 |
| 5.3.1 测试环境 |
| 5.3.2 视频会议系统功能测试 |
| 5.3.3 视频会议系统性能测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
（2）选煤厂块煤自动入仓关键技术研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 装仓小车自动化运行及入仓设备协同控制的意义 |
| 1.1.3 装仓小车行进距离测量及定位的意义 |
| 1.1.4 煤仓入仓过程实时及预测性动态仿真的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 装仓小车控制技术研究现状 |
| 1.2.2 煤仓入仓工艺研究现状 |
| 1.2.3 煤仓仓位检测技术研究现状 |
| 1.2.4 基于流程工业的煤仓入仓过程仿真技术研究现状 |
| 1.3 研究内容、研究方法及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第2章 块煤自动入仓系统整体控制架构及关键技术研究 |
| 2.1 系统整体控制架构研究 |
| 2.1.1 原有控制模式分析及存在的问题 |
| 2.1.2 块煤自动入仓系统整体控制架构 |
| 2.2 移动检测技术研究 |
| 2.2.1 移动检测仓位技术分析 |
| 2.2.2 基于移动仓位检测的装仓小车控制模型分析 |
| 2.3 无线控制技术研究 |
| 2.3.1 无线通讯模式的适用性和优点分析 |
| 2.3.2 无线通讯模式的分类及选取 |
| 2.3.3 实现无线通讯技术的现场布置 |
| 2.4 落料区间的确定和模式研究 |
| 2.5 本章小结 |
| 第3章 煤仓入仓过程实时及预测性动态仿真研究 |
| 3.1 仿真系统研究 |
| 3.1.1 入仓过程实时性动态仿真研究 |
| 3.1.2 填仓预测性动态仿真研究 |
| 3.1.3 仿真系统关键驱动数据的获取 |
| 3.2 装仓小车测距定位网络系统研究 |
| 3.2.1 装仓小车测距定位网络系统模式分析 |
| 3.2.2 装仓小车测距定位网络系统关键技术问题分析 |
| 3.3 仿真系统界面和仿真内容研究 |
| 3.4 本章小结 |
| 第4章 块煤自动入仓系统设计 |
| 4.1 块煤自动入仓系统流程设计 |
| 4.2 硬件架构设计 |
| 4.2.1 硬件选型及简介 |
| 4.2.2 硬件整体架构 |
| 4.3 软件架构设计 |
| 4.3.1 软件选择及功能简介 |
| 4.3.2 软件整体架构 |
| 4.4 安全冗余性控制技术分析 |
| 4.5 本章小结 |
| 第5章 块煤自动入仓系统的实现及运行效果分析 |
| 5.1 基于移动仓位检测的装仓小车控制系统的实现 |
| 5.1.1 主-从双控制柜联合控制模式的实现 |
| 5.1.2 基于移动仓位检测的控制模型的实现 |
| 5.1.3 各入仓设备协同控制的实现 |
| 5.2 装仓小车测距定位网络系统的实现 |
| 5.2.1 装仓小车定位的实现 |
| 5.2.2 装仓小车行进距离测量的实现 |
| 5.3 煤仓入仓过程实时及预测性动态仿真的实现 |
| 5.3.1 Win CC RT Professional内的硬件仿真及通讯设置 |
| 5.3.2 Win CC RT Professional内的入仓流程画面设置及变量连接 |
| 5.4 工业现场运行效果分析 |
| 5.4.1 基于移动仓位检测的装仓小车控制系统效果分析 |
| 5.4.2 装仓小车测距定位网络系统效果分析 |
| 5.4.3 煤仓入仓过程实时及预测性动态仿真效果分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）无线局域网安全监测系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 1.3 研究内容与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 1.4 本章小结 |
| 第二章 相关基础理论及关键技术 |
| 2.1 无线局域网基础理论 |
| 2.1.1 无线网络标准 |
| 2.1.2 802.11 MAC帧格式 |
| 2.1.3 无线局域网加密认证方式 |
| 2.2 无线局域网安全威胁理论基础 |
| 2.2.1 伪AP攻击原理 |
| 2.2.2 无线DOS攻击原理 |
| 2.2.3 路由器固件漏洞威胁介绍 |
| 2.3 机器学习算法介绍 |
| 2.3.1 神经网络基础 |
| 2.3.2 循环神经网络(RNN)的介绍 |
| 2.3.3 GRU神经网络的介绍 |
| 2.4 本章小结 |
| 第三章 无线局域网安全监测系统的设计 |
| 3.1 系统需求分析 |
| 3.1.1 需求背景介绍 |
| 3.1.2 功能需求分析 |
| 3.2 系统功能设计 |
| 3.3 系统整体设计 |
| 3.3.1 系统架构设计 |
| 3.3.2 数据库设计 |
| 3.4 本章小结 |
| 第四章 无线局域网安全监测系统的实现 |
| 4.1 无线数据包捕获模块的实现方案 |
| 4.2 无线设备探测模块的实现方案 |
| 4.2.1 AP信息探测的实现 |
| 4.2.2 AP和客户端连接信息探测的实现 |
| 4.3 多特征融合的伪AP监测实现方案 |
| 4.3.1 特征选取 |
| 4.3.2 序列号(SN)阈值的确定 |
| 4.3.3 时间戳(TimeStamp)阈值的确定 |
| 4.3.4 监测方案流程 |
| 4.4 基于GRU深度神经网络的无线DOS攻击监测实现方案 |
| 4.4.1 实验测试环境介绍 |
| 4.4.2 特征选取 |
| 4.4.3 特征集构造 |
| 4.4.4 GRU算法的引入 |
| 4.4.5 实验结果 |
| 4.4.6 实验分析 |
| 4.5 基于RouterSploit的路由器漏洞监测的实现方案 |
| 4.5.1 RouterSploit路由器漏洞检测工具介绍 |
| 4.5.2 路由器漏洞监测实现方法 |
| 4.6 信息异地存储的实现方案 |
| 4.6.1 syslog对信息的收集与上传 |
| 4.6.2 logstash将信息输出至kafka |
| 4.6.3 kafka读取信息并最终入库 |
| 4.7 本章小结 |
| 第五章 无线局域网安全监测系统的功能测试 |
| 5.1 系统测试环境介绍 |
| 5.2 无线设备探测功能测试 |
| 5.2.1 与Aircrack-ng工具比对的AP设备信息探测测试 |
| 5.2.2 与Aircrack-ng工具比对的连接信息探测测试 |
| 5.3 伪AP攻击监测功能测试 |
| 5.3.1 Wifiphiser工具发起伪AP攻击 |
| 5.3.2 系统对伪AP监测 |
| 5.4 无线DOS攻击监测功能测试 |
| 5.4.1 取消身份验证泛洪攻击监测测试 |
| 5.4.2 身份验证泛洪攻击监测测试 |
| 5.4.3 信标泛洪攻击监测测试 |
| 5.4.4 取消关联泛洪攻击监测测试 |
| 5.4.5 QOS数据重新注入攻击监测测试 |
| 5.4.6 探测请求泛洪攻击监测测试 |
| 5.5 路由器漏洞监测的功能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 内容总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）应用于能源路由器的能量管理策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 能源路由器研究现状 |
| 1.2.2 能量管理策略研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 含能源路由器的能源局域网模型建立 |
| 2.1 含能源路由器的能源局域网总体架构 |
| 2.2 光伏发电模型 |
| 2.3 非线性微型燃气轮机模型 |
| 2.4 能源局域网与能源互联网交互模型 |
| 2.4.1 并网运行模式 |
| 2.4.2 孤岛运行模式 |
| 2.5 负荷模型 |
| 2.5.1 负荷分类模型 |
| 2.5.2 用户满意度模型 |
| 2.6 不同权重系数储能模型 |
| 2.7 本章小结 |
| 第三章 传统用电负荷的短期和超短期预测 |
| 3.1 支持向量机回归预测原理 |
| 3.2 基于遗传算法的SVR参数选择 |
| 3.3 负荷预测步骤 |
| 3.3.1 数据预处理 |
| 3.3.2 预测输入输出确定 |
| 3.3.3 训练与预测 |
| 3.4 多时间尺度传统用电负荷预测 |
| 3.4.1 短期负荷预测 |
| 3.4.2 超短期负荷预测 |
| 3.5 本章小结 |
| 第四章 电动汽车无序充电和有序充电策略研究 |
| 4.1 基于蒙特卡罗法的电动汽车模型建立 |
| 4.1.1 蒙特卡罗法原理 |
| 4.1.2 电动汽车模型建立 |
| 4.2 多场景电动汽车无序充电 |
| 4.2.1 基于行驶状况的多场景无序充电策略 |
| 4.2.2 多场景无序充电结果分析 |
| 4.3 基于剩余SOC的电动汽车有序充电 |
| 4.3.1 基于剩余SOC的起始充电时刻转移策略 |
| 4.3.2 多响应程度有序充电结果分析 |
| 4.4 本章小结 |
| 第五章 含能源路由器的能源局域网多时间尺度能量管理 |
| 5.1 系统参数设定 |
| 5.2 改进的日前能量管理策略 |
| 5.2.1 并网日前能量管理 |
| 5.2.2 孤岛日前能量管理 |
| 5.3 基于日前能量管理的实时能量管理策略 |
| 5.3.1 并网实时能量管理 |
| 5.3.2 孤岛实时能量管理 |
| 5.4 能量管理平台搭建 |
| 5.4.1 能量管理平台总体框架搭建 |
| 5.4.2 能量管理平台界面介绍 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文和参加的科研项目 |
| 学位论文评阅及答辩情况表 |
（5）循环神经网络压缩方法研究（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 国内外研究现状 |
| 1.2.1 基于神经连接的网络压缩策略 |
| 1.2.2 基于网络结构的网络压缩策略 |
| 1.2.3 基于量化操作的网络压缩策略 |
| 1.3 本文研究的问题及主要工作 |
| 1.3.1 压缩循环神经网络任务中的一些问题 |
| 1.3.2 本文的主要工作 |
| 1.4 本文组织结构 |
| 第二章 相关理论及工作综述 |
| 2.1 机器学习相关知识提要 |
| 2.1.1 范数概念 |
| 2.1.2 L1 和L2 正则化 |
| 2.1.3 特征缩放 |
| 2.1.4 梯度下降算法 |
| 2.2 深度学习相关知识提要 |
| 2.2.1 全连接神经网络架构 |
| 2.2.2 激活函数 |
| 2.2.3 前向传播和反向传播 |
| 2.2.4 循环神经网络 |
| 2.3 相关工作综述 |
| 2.3.1 权值共享 |
| 2.3.2 网络修剪 |
| 2.3.3 网络鲁棒性 |
| 2.4 本章小结 |
| 第三章 一种具有共享权值的稀疏连接LSTM模型 |
| 3.1 引言 |
| 3.2 基于管道和权值共享的网络剪枝方法 |
| 3.2.1 修剪连接 |
| 3.2.2 权值共享 |
| 3.3 实验结果与分析 |
| 3.3.1 数据集描述 |
| 3.3.2 实验设置 |
| 3.3.3 局域网流量预测实验结果与分析 |
| 3.3.4 用户移动预测实验结果与分析 |
| 3.4 本章小结 |
| 第四章 一种进行单次修剪的稀疏连接GRU模型 |
| 4.1 引言 |
| 4.2 基于神经连接灵敏度的网络剪枝策略 |
| 4.2.1 预备工作以及理论标注 |
| 4.2.2 GRU模型参数修剪 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集 |
| 4.3.2 实验设置 |
| 4.3.3 电力负荷预测实验结果与分析 |
| 4.3.4 局域网流量预测实验结果与分析 |
| 4.3.5 参数量分析 |
| 4.3.6 剪枝性能分析 |
| 4.4 本章小结 |
| 第五章 总结 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录A 绪论 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）基于UWB的室内目标三维跟踪定位技术研究（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 国内外研究现状 |
| 1.2.1 室内定位技术研究现状 |
| 1.2.2 超宽带定位技术研究现状 |
| 1.3 论文研究内容 |
| 第二章 超宽带技术及其相关定位方法 |
| 2.1 超宽带技术概述 |
| 2.2 超宽带跟踪定位系统常见的信息获取方案 |
| 2.3 超宽带跟踪定位系统影响因素及解决方案 |
| 2.3.1 超宽带跟踪定位系统影响因素 |
| 2.3.2 基于最小二乘的测距偏差修正方法 |
| 2.3.3 基于指数平滑的加权移动测距滤波 |
| 2.4 超宽带跟踪定位性能评估指标 |
| 2.5 本章小结 |
| 第三章 超宽带双边双向测距方案设计与实现 |
| 3.1 嵌入式测距软件架构 |
| 3.2 双边双向测距消息格式 |
| 3.2.1 物理层消息格式 |
| 3.2.2 媒体接入控制层消息格式 |
| 3.2.3 应用层消息格式 |
| 3.3 双边双向测距设计与软件实现 |
| 3.3.1 双边双向测距设计 |
| 3.3.2 双边双向测距软件实现 |
| 3.4 测距实验 |
| 3.5 本章小结 |
| 第四章 超宽带三维定位算法 |
| 4.1 基于残差鉴别的Chan-Taylor-Kalman联合三维跟踪定位算法 |
| 4.1.1 Chan定位算法 |
| 4.1.2 Taylor定位算法 |
| 4.1.3 扩展卡尔曼滤波跟踪定位算法 |
| 4.1.4 联合三维跟踪定位算法 |
| 4.2 基于LSTM网络模型的抗非视距定位算法 |
| 4.2.1 LSTM神经网络单元结构 |
| 4.2.2 LSTM定位网络模型训练 |
| 4.3 超宽带三维跟踪定位仿真实验 |
| 4.3.1 固定标签定位仿真实验 |
| 4.3.2 移动标签跟踪定位仿真实验 |
| 4.4 本章小结 |
| 第五章 基于超宽带的三维跟踪定位系统 |
| 5.1 基于超宽带的三维跟踪定位系统整体方案 |
| 5.2 超宽带定位系统硬件设计方案 |
| 5.2.1 超宽带接收发射模块硬件设计 |
| 5.2.2 超宽带基站硬件设计 |
| 5.2.3 超宽带标签硬件设计 |
| 5.3 射灯跟随系统实现 |
| 5.3.1 射灯系统及其控制原理 |
| 5.3.2 射灯通信系统与技术实现 |
| 5.3.3 基于绝对角位置的射灯追随方案 |
| 5.4 本章小结 |
| 第六章 三维跟踪定位系统上位机设计及测试实验 |
| 6.1 跟踪定位上位机实现 |
| 6.1.1 上位机软件设计 |
| 6.1.2 基站射灯通信功能 |
| 6.1.3 基站标签测距校正功能 |
| 6.1.4 标签位置可视化界面功能 |
| 6.2 跟踪定位实验 |
| 6.2.1 固定标签定位实验 |
| 6.2.2 移动标签跟随定位实验 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文内容总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的主要研究成果 |
| 学位论文评阅及答辩情况表 |
（7）基于卷积神经网络的局域网故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 数学符号表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容与创新 |
| 1.4 本论文的结构与安排 |
| 第二章 网络故障诊断相关概述 |
| 2.1 局域网的复杂环境网络故障诊断 |
| 2.1.1 网络故障物理侧层级分析 |
| 2.1.2 网络故障业务侧服务分析 |
| 2.2 基于定性经验的网络故障诊断技术 |
| 2.2.1 网络故障专家系统 |
| 2.2.2 图搜索模型 |
| 2.3 基于数据驱动的网络故障诊断技术 |
| 2.3.1 支持向量机 |
| 2.3.2 软件定义网络 |
| 第三章 基于卷积神经网络的网络故障诊断 |
| 3.1 网络故障场景分析 |
| 3.2 故障的卷积神经网络检测实现 |
| 3.2.1 卷积神经网络实现原理 |
| 3.2.2 基于卷积神经网络的网络故障检测设计 |
| 3.2.3 基于卷积神经网络的网络故障检测模型 |
| 3.3 卷积神经网络检测模型优化 |
| 3.3.1 丢弃学习优化 |
| 3.3.2 Adam梯度优化 |
| 3.3.3 数据集均衡化 |
| 第四章 局域网数据捕获与故障数据集构建 |
| 4.1 局域网网络数据采集与分析 |
| 4.1.1 局域网故障问题描述与解决 |
| 4.1.2 局域网数据采集方法分析 |
| 4.1.3 局域网数据分布式被动采集 |
| 4.2 基于LibPcap的数据采集板卡原型设计 |
| 4.2.1 LibPcap组成架构 |
| 4.2.2 LibPcap板卡原型实现 |
| 4.3 基于特征工程的数据集构建 |
| 4.3.1 数据字典化清洗 |
| 4.3.2 数据特征提取 |
| 第五章 实验与结果分析 |
| 5.1 评价指标 |
| 5.2 实验环境 |
| 5.3 基于KDD99 数据集的网络故障诊断实验 |
| 5.3.1 实验数据集分析 |
| 5.3.2 网络故障诊断过程结果与分析 |
| 5.4 基于本地局域网的网络故障诊断实验 |
| 5.4.1 实验环境与数据收集 |
| 5.4.2 本地局域网数据集分析 |
| 5.4.3 本地局域网故障诊断实验结果与分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 数据集特征位表 |
| 个人简历 |
（8）高校基建合作网络结构特征及其形成机制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究综述 |
| 1.3.1 高校基建管理研究现状 |
| 1.3.2 合作网络研究现状 |
| 1.3.3 研究述评 |
| 1.4 研究的主要内容 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 相关理论与方法 |
| 2.1 相关概念界定 |
| 2.2 理论基础 |
| 2.2.1 利益相关者理论 |
| 2.2.2 社会网络理论 |
| 2.3 研究方法选取 |
| 2.3.1 机器学习方法 |
| 2.3.2 定性比较分析法 |
| 2.4 本章小结 |
| 第3章 高校基建合作网络结构特征及案例聚类分析 |
| 3.1 高校基建合作网络结构特征分析 |
| 3.1.1 案例数据来源与描述性分析 |
| 3.1.2 高校基建合作网络可视化 |
| 3.1.3 网络特征指标选取 |
| 3.1.4 分析与讨论 |
| 3.2 高校基建合作网络案例聚类分析 |
| 3.2.1 聚类方法与指标的选取 |
| 3.2.2 参数自适应过程 |
| 3.2.3 聚类分析 |
| 3.3 本章小结 |
| 第4章 高校基建合作网络结构特征形成机制分析 |
| 4.1 基于QCA的研究设计 |
| 4.1.1 分析方法的选择 |
| 4.1.2 影响因素识别 |
| 4.1.3 变量的选择与赋值 |
| 4.2 实证分析 |
| 4.2.1 真值表构建 |
| 4.2.2 单项前因条件必要性分析 |
| 4.2.3 清晰集定性比较分析结果 |
| 4.3 结果讨论 |
| 4.3.1 核心局域网络“1”结果的组态分析 |
| 4.3.2 核心局域网络“0”结果的组态分析 |
| 4.3.3 中心化程度“1”结果的组态分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究局限 |
| 5.3 研究展望 |
| 参考文献 |
| 附录: 基于密度的聚类算法(DBSCAN)的python实现代码 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）基于网络流的网络态势分析研究及应用（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容及目标 |
| 1.4 论文组织架构 |
| 第二章 相关理论基础 |
| 2.1 流量识别技术 |
| 2.1.1 基于应用层特征签名的流量识别 |
| 2.1.2 基于端口的识别 |
| 2.1.3 基于应用流状态统计识别 |
| 2.2 网络攻击链模型 |
| 2.3 贝叶斯预测模型 |
| 2.4 神经网络模型 |
| 2.4.1 CNN |
| 2.4.2 LSTM |
| 2.5 深度学习框架 |
| 2.5.1 Keras |
| 2.5.2 TensorFlow |
| 2.6 本章小结 |
| 第三章 多层次流实体表示与抽取 |
| 3.1 多层次表示 |
| 3.2 网络包层 |
| 3.2.1 网络包层次特征 |
| 3.2.2 Pcap数据解析 |
| 3.2.3 各层协议解析 |
| 3.3 网络流层 |
| 3.3.1 连接基本特征 |
| 3.3.2 TCP连接的内容特征 |
| 3.3.3 基于时间因素的网络流量统计特征 |
| 3.3.4 基于空间因素的网络流量统计特征 |
| 3.4 网络流组层 |
| 3.5 本章小结 |
| 第四章 模式匹配与深度学习的双引擎网络流智能识别 |
| 4.1 基于模式匹配的异常流量检测 |
| 4.1.1 模式匹配规则 |
| 4.1.2 模式匹配方法 |
| 4.2 基于LSTM基线模型的异常流量检测 |
| 4.3 基于CNN的异常流量分类 |
| 4.4 实验与结果分析 |
| 4.5 本章小结 |
| 第五章 基于攻击链的网络攻击事件发掘 |
| 5.1 攻击行为与攻击链的关系 |
| 5.2 基于数据聚类的攻击链时空关联发掘 |
| 5.2.1 相关定义 |
| 5.2.2 原始流量聚合 |
| 5.2.3 攻击行为时间关系图构建 |
| 5.2.4 攻击链时空关联挖掘 |
| 5.3 基于贝叶斯网络的攻击链因果关联发掘 |
| 5.3.1 相关定义 |
| 5.3.3 算法描述 |
| 5.4 实验与结果分析 |
| 5.5 本章小结 |
| 第六章 基于网络流的网络态势分析系统设计 |
| 6.1 设计目标及功能需求 |
| 6.1.1 设计目标 |
| 6.1.2 功能需求 |
| 6.2 整体业务逻辑 |
| 6.3 系统总体结构设计 |
| 6.3.1 系统总体架构 |
| 6.3.2 采集模块 |
| 6.3.3 分析模块 |
| 6.3.4 呈现模块 |
| 6.4 数据库设计 |
| 6.5 本章小结 |
| 第七章 系统测试与结果展示 |
| 7.1 开发环境 |
| 7.2 系统测试结果展示 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（10）基于嵌入式与YOLOv4算法的无人机实时目标识别系统研究（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 |
| 1.2.1 目标检测与识别方法 |
| 1.2.2 嵌入式平台的通信 |
| 1.2.3 无人机实时目标识别系统 |
| 1.3 本文的主要研究方向 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文组织结构 |
| 第二章 目标识别理论基础与系统实现关键技术 |
| 2.1 YOLO模型 |
| 2.2 YOLOv4 算法理论 |
| 2.2.1 网络结构 |
| 2.2.2 损失函数 |
| 2.2.3 YOLOv4 算法优势 |
| 2.3 嵌入式平台及相关硬件简介 |
| 2.4 系统实现的软件技术 |
| 2.4.1 Java和 Python概述 |
| 2.4.2 Netty框架 |
| 2.4.3 Spring框架概述 |
| 2.4.4 Angular框架概述 |
| 2.4.5 断点续传 |
| 2.5 本章小结 |
| 第三章 基于YOLOv4 的目标识别优化算法研究 |
| 3.1 基于YOLOv4 的目标识别 |
| 3.1.1 YOLOv4 算法识别流程 |
| 3.1.2 YOLOv4 算法识别测试 |
| 3.2 基于K-Means算法的YOLOv4 算法优化 |
| 3.2.1 K-Means算法 |
| 3.2.2 K-YOLOv4 算法优化过程及实现 |
| 3.2.3 K-YOLOv4 算法优化后算法评价指标 |
| 3.2.4 K-YOLOv4 算法优化算法实验分析 |
| 3.3 基于Tensor RT的 K-YOLOv4 算法推理加速 |
| 3.3.1 Tensor RT优化原理 |
| 3.3.2 Tensor RT加速推理实现 |
| 3.3.3 Tensor RT优化测试 |
| 3.4 本章小结 |
| 第四章 基于Netty框架的无人机数据传输模块实现 |
| 4.1 无人机数据传输实现方案及分析 |
| 4.2 基于TCP的文件传输模块设计 |
| 4.3 基于定时器和生产者消费者模式的文件框架实现 |
| 4.4 基于定界符的传输模块实现 |
| 4.4.1 粘包问题 |
| 4.4.2 基于定界符的传输模块 |
| 4.5 文件传输模块整体实现 |
| 4.5.1 文件传输客户端实现 |
| 4.5.2 文件传输服务端实现 |
| 4.6 文件传输模块测试与网络设备选择 |
| 4.6.1 实验方案 |
| 4.6.2 实验步骤 |
| 4.6.3 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 无人机实时目标识别系统实现 |
| 5.1 系统整体设计 |
| 5.1.1 系统可行性分析 |
| 5.1.2 系统需求分析 |
| 5.1.3 系统硬件拓扑设计 |
| 5.1.4 系统概要设计 |
| 5.2 无人机管理系统实现 |
| 5.2.1 无人机客户端模块实现 |
| 5.2.2 无人机管理服务端实现 |
| 5.2.3 无人机管理前端系统界面实现 |
| 5.3 系统功能测试 |
| 5.3.1 系统测试环境 |
| 5.3.2 系统功能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、基于局域网的网络状态预测（论文参考文献）
- [1]基于局域网的流媒体信息低时延传输通讯系统[D]. 任庆新. 齐鲁工业大学, 2021(10)
- [2]选煤厂块煤自动入仓关键技术研究与实现[D]. 赵亚坤. 太原理工大学, 2021(01)
- [3]无线局域网安全监测系统的设计与实现[D]. 黄河. 北京邮电大学, 2021(01)
- [4]应用于能源路由器的能量管理策略研究[D]. 侯文星. 山东大学, 2021(12)
- [5]循环神经网络压缩方法研究[D]. 凌象政. 华东交通大学, 2021(01)
- [6]基于UWB的室内目标三维跟踪定位技术研究[D]. 王鑫. 山东大学, 2021(11)
- [7]基于卷积神经网络的局域网故障诊断技术研究[D]. 周云风. 电子科技大学, 2021(01)
- [8]高校基建合作网络结构特征及其形成机制研究[D]. 郭超群. 扬州大学, 2021(09)
- [9]基于网络流的网络态势分析研究及应用[D]. 李航宇. 电子科技大学, 2021(01)
- [10]基于嵌入式与YOLOv4算法的无人机实时目标识别系统研究[D]. 陈胤杰. 电子科技大学, 2021(01)