基于稀疏表示的目标跟踪方法

ｓｕｉｔｉｓｔｈｅｃａｎｄｉｄａｔｅｗｉ也ｔｈｅｌｒｇａｅｓｔｗｅｉｈｔｇ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｈａｔｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｍｏｅｒｅｆｅｃｔｉｖｅｎｄａｅｆｆｉｃｉｅｎｔｈａｔｎｔｈｅ
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｏｖｅｌｔａｒｇｅｔｔｒａｃｋｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｓｐａｒｓｅｃｏｄｉｎｇ．Ｕｎｄｅｒｐａｒｔｉｃｌｅｉｆｌｔｅｒｆｒａｍｅｗｏｒｋ，ｔｈｅｔａｒｇｅｔｔｅｍ－
ＺＨＡＮＧＳｈｅｎｇｐｉｎｇ，ＹＡＯＨｏｎｇｘｕｎ，ＳＵＮＸｉｎ，ＬＵＸｉｕｓｈｅｎｇ
（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨａｒｂｉｎｌｎｓｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）
中图分类号：ＴＰ３９１．２文献标识码：Ａ文章编号：２０９５ — ２１６３（２０１３）０１ — ００２１ — ０５
ＴａｒｇｅｔＴｒａｃｋｉｎｇｂａｓｅｄｏｎＳｐａｒｓｅＣｏｄｉｎｇ
０引言
最近几年，受到基于稀疏表示的人脸识别方法的启发，
模板对应的系数不再为零，从而使得整个系数向量并不稀疏，此时在求解系数的目标函数中最小化系数的范式约束将不再合理。另一方面，当被跟踪的目标发生部分遮挡时，尽管单位模板能够表示由于遮挡而引起的目标外观的
（哈尔滨工业大学计算机科学与技术学院，哈尔滨１５０００１）
摘要：提出了一个新的基于稀疏表示的目标跟踪方法。在粒子滤波框架下，将目标模板线性表示为所有目标候选的线性组合。
当假设目标候选中存在与目标模板相似的候选时，线性表示的系数满足稀疏性约束，可以通过范式最小化求解。每一个目标候选
第３卷第１期２０１３年２月
智能计算机与应用
ＩＮＴＥＬＬＩＧＥＮＴＣＯＭＰＵＴＥＲＡＮＤＡＰＰＬＩＣＡＴＩｏＮＳ
Ｖｏ１．３Ｎｏ．１Ｆｅｂ．２０１３
基于稀疏表示的目标跟踪方法
张盛平，姚鸿勋，孙鑫，卢修生
ｐｌａｔｅｉｓｒｅｐｒｅｓｅｎｔｅｄｂｙａｓｅｔｏｆａｌｌｔｒｇａｅｔｃａｎｄｉｄａｔｅｓ．Ａｓｓｕｍｉｎｇｈａｔｔｈｅｔｒｅｉｓｏｎｅｔａｒｇｔｅｃｎｄａｉｄａｔｅｓｉｍｉｌａｒｔｏｈｅｔｔａｒｇｅｔｔｅｍｐｌａｔｅ，ｔｈｅｒｅｐｒｅｓｅｎｔａ－ｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｒｅａｓｐｒｓａｅ，ｈｅｔｒｅｆｏｒｅｃａｌｌｂｅｓｏｌｖｅｄｂｙｎｏｒｍｍｉｎｉｍｉｚａｔｉｏｎ．Ｔｈｅｃｏｅｉｃｆｉｅｎｔａｓｓｏｃｉａｔｅｄｔｏｅａｃｈｔｒｇａｅｔｃｎｄａｉｄａｔｅｒｅｌｆｅｃｔｓｈｅｔｓｉ ห้องสมุดไป่ตู้ｉｌａｒｉｔｙｂｅｔｗｅｅｎｈｅｔｔｅｍｐｌａｔｅａｎｄｈｅｔｃｎｄａｉｄａｔｅ．ｈｅＴｒｅｆｏｒｅ，ｈｅｔｃｏｅｉｃｆｉｅｎｔｃａｌｌｂｅｕｓｅｄｓａｗｅｉｇｈｔｏｆｔｈｅｔｒｇａｅｔｃｎｄａｉａｔｄｅ．Ｔｈｅｔｒａｃｋｉｎｇｅ— ｒ
在线性表示中的系数反映了该候选与目标模板的相似程度，因此可以将系数作为目标候选的权重。目标跟踪的结果为权重最大的候选。实验结果表明本文提出的算法比文献中现有的基于范式最小化的跟踪方法性能更稳定、计算效率更高。
关键词：目标跟踪；稀疏表示；范式最小化
ｅｘｉｓｔｉｎｇｍｅｈｏｔｄｓｂｓｅａｄｏｎｎｏｒｍｍｉｎｉｍｉａｔｚｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ＴｒｇａｅｔＴｒａｃｋｉｎｇ；ＳｐａｒｓｅＲｐｒｅｅｓｅｎｔａｔｉｏｎ；４ＮｏｒｍＭｉｎｉｍｉａｔｚｉｏｎ

合集下载

视觉与听觉传感器信息的融合处理

视觉与听觉传感器信息的融合处理一、引言在现实生活中，视觉和听觉是人类最主要的感知方式。

视觉和听觉信息的融合处理，可以增强和拓展对环境的感知能力，并提高生物体的适应性。

因此，基于视觉和听觉传感器的信息融合处理已成为研究的热点之一，同时在实际应用中有着很大的发挥价值。

二、视觉传感器信息处理技术视觉传感器广泛应用于机器视觉、智能控制以及环境监测等领域。

视觉传感器的信息处理包括图像捕获、图像预处理、特征提取、目标跟踪和对象识别等环节。

（一）图像捕获图像捕获是视觉传感器信息处理的第一步，是将环境中的物体信息转换为数字化图像数据，以便进行后续处理。

由于图像捕获涉及图像分辨率、色彩空间等问题，因此在选择及使用视觉传感器时应考虑相关参数的优缺点以满足目标应用的需求。

（二）图像预处理图像预处理是指在图像捕获之后对图像进行的相关操作，主要包括去噪、滤波、调整对比度等。

图像预处理是在保持原始图像信息的基础上，通过降低噪声、强化特征等处理，提高后续处理的效果和准确性。

（三）特征提取特征提取是指从图像中提取出有意义的、可用于后续处理的信息，例如边缘、纹理、颜色等特征。

由于图像的特征因应用场景不同而异，因此存在多种特征提取算法，例如sift、surf、hog、LBP等。

（四）目标跟踪目标跟踪是指在连续帧的图像中识别和跟踪特定目标的轨迹。

常见的目标跟踪算法有卡尔曼滤波、粒子滤波、稀疏表示等，通过保持目标在一定范围内的运动状态，可以提高目标检测和识别的准确性。

（五）对象识别对象识别是指在图像中寻找与目标相符的元素，并将其分类为特定类别。

对象识别算法涵盖从低层次的形状、颜色信息到高层次的语义信息等多个层次。

同时，它也可以以不同形式展现，例如基于模板匹配的对象识别、基于神经网络的深度学习等。

三、听觉传感器信息处理技术听觉传感器广泛应用于自动语音识别、噪音检测和信号处理等领域。

听觉传感器的信息处理主要包括语音信号提取、语音分析、特征提取、声纹识别等环节。

利用稀疏编码进行视频目标跟踪的算法研究

利用稀疏编码进行视频目标跟踪的算法研究随着计算机视觉技术的不断发展，视频目标跟踪逐渐成为一个热门的研究领域。

在实际应用中，准确地追踪视频中的目标对于许多任务至关重要，如智能监控、自动驾驶等。

然而，由于视频中目标的运动、光照变化等因素的影响，目标跟踪仍然面临许多挑战。

在目标跟踪中，稀疏编码是一种常用的方法。

稀疏编码是一种信号处理技术，通过将信号表示为一组基的线性组合来实现。

在视频目标跟踪中，将目标表示为一组基的线性组合，并通过稀疏编码的方法来获得目标的稀疏表示，从而实现目标的跟踪。

稀疏编码的核心思想是，信号可以通过少量的基来表示。

在视频目标跟踪中，可以将目标表示为一组基的线性组合，其中基是预先学习得到的。

通过将目标表示为稀疏向量，可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。

在实际应用中，稀疏编码的方法可以分为两个阶段：在线学习和目标跟踪。

在线学习阶段是指通过观察视频序列中的目标来学习目标的表示。

在这个阶段，可以使用稀疏编码算法来获得目标的稀疏表示。

目标跟踪阶段是指根据目标的稀疏表示来进行目标的跟踪。

在这个阶段，可以使用稀疏编码算法来计算目标在当前帧中的稀疏表示，并根据稀疏表示来更新目标的位置。

稀疏编码的方法在视频目标跟踪中具有许多优点。

首先，稀疏编码可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。

其次，稀疏编码可以适应目标的变化，如光照变化、目标形状变化等，从而提高跟踪的鲁棒性。

此外，稀疏编码的方法还可以结合其他技术，如深度学习、卷积神经网络等，进一步提高目标跟踪的性能。

然而，稀疏编码的方法在视频目标跟踪中仍然存在一些挑战。

首先，稀疏编码的计算复杂度较高，需要大量的计算资源。

其次，稀疏编码的方法对于目标的表示能力有一定的限制，无法很好地处理目标的复杂变化。

此外，稀疏编码的方法对于噪声和干扰较为敏感，容易受到外界环境的干扰。

为了解决这些挑战，研究人员提出了许多改进的稀疏编码算法。

视频监控中多视角目标智能定位追踪方法研究

视频监控中多视角目标智能定位追踪方法研究杜丽娟;路晓亚【摘要】在视频监控中对目标进行定位追踪时,容易出现遮挡情况.当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠.为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位.构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型.通过不同视角中的视频数据求出本地似然函数.为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置.依据消息传递机制实现信息融合,达到目标追踪的目的.实验结果表明,所提方法有很高的定位和追踪精度.%Fixing the target tracking in video surveillance,prone to condition,current location tracking method to detect the shade conditions in advance,and correction of target location,large amount of calculation,and tracking the result is not reliable.For this,a new kind of video monitoring target smart positioning tracking method was put forward,multiple points of view for each image obtained by camera,binarization processing,through sparse representation method to locate the target.Build the probability of the perspectives of target tracking in video monitoring framework,for each smart camera,perspectives of target tracking in video monitoring model is established,through the different angle of view and the local likelihood function of video data.In order to avoid the problem of dimension disaster,joint posterior probability decomposition to obtain edge probability of productform,through the edge probability and track targets in the position of the camera perspective.Based on message passing mechanism to realize information integration and achieve the goal of target tracking.The experimental results show that the proposed method has a high positioning and tracking accuracy.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)016【总页数】5页(P270-274)【关键词】视频监控;多视角;目标;定位;追踪【作者】杜丽娟;路晓亚【作者单位】商丘工学院信息与电子工程学院,商丘 476000;商丘工学院信息与电子工程学院,商丘 476000【正文语种】中文【中图分类】TP391.41目前，视频监控技术的逐渐发展，被广泛应用于交通管理、居民区安防、商铺与银行监控、机场监控等安防领域，人们对视频监控技术的要求越来越高[1—3]。

基于稀疏表示模型的红外目标跟踪算法

Ｃｈｎ；３ＩｓｔｔｆｔｅＴｉｃｄｍｙＣｈｎｒｓａｅＳｉｎｅａｄＩｄｓｏｐｒｔｎＢｉｎ００４Ｃｈｎ）ｉａ．ｎｔｕｅｏｈｒＡａｅ，ｉａＡｅｏｐｃｃｅｃｎｕｔＣｒｏａｏ，ｅｉｇ１０７，ｉａｉｈｄｎｙｒｉｊ
（．ＩｓｉｔｏｍａｅＰｏｅｓｇａｄＰｔｒｅｏｎｔｎｈｎｈｉｉｔｎｉｅｓｙＳａｇａ２０４，ｈｎ；．Ｋｙ１ｎｔｕｅｆＩｇｒｃｓｉｎａｅｎＲｃｇｉｏ，ＳａｇａａｏｇＵｎｖｒｉ，ｈｈｉ０２０Ｃｉａ２ｔｎｔｉＪｏｔｎｅ
Ｉｆａｅａｇｔｔａｋｉｇａｇｒｔａｅｎｓｒｅｎｒｒｄｔｒｅｒｃｎｌｏｉｈｍｂｓｄｏｐａｓｒｐｒｓｎａｉｎｍｏｅｅｅｅｔｔ０ｄｌ
Ｔｎｈｎｙａ，ｈｏＪｊＹｎｉＬｕＥｑ。Ｚｏｅ＇ａｇＺｅｇｕｎ一Ｚａｉｉ一ａｇＪ，ｉｒｉｈｕＹｕａａ，ｅ，
来完成对超完备字典中目标子空间的更新，其不断地适应背景杂波、照等各类因素引起的目标外使光观变化。实验结果表明所提出的算法是稳健和有效的。
关键词：红外目标跟踪；稀疏表示；在线学习
中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０ — ２６２１）５１８ — ７０７２７（０２０ — ３９０

结构稀疏表示分类目标跟踪算法

结构稀疏表示分类目标跟踪算法侯跃恩;李伟光【期刊名称】《计算机科学与探索》【年(卷),期】2016(010)007【摘要】为提高目标跟踪算法在复杂条件下的鲁棒性和准确性，研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。

首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本；然后采用结构稀疏表示的思想对样本进行线性重构，获得其稀疏系数；进而设计一款贝叶斯分类器，分类器通过正负样本的稀疏系数进行训练，并对每个候选目标进行分类，获得其相似度信息；最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。

将该算法与其他4种先进算法在6组测试视频中进行比较，实验证明了该算法具有更好的性能。

%In order to enhance the robustness and precision of tracking algorithm in complex scenarios, this paper pro-poses a Bayes classification based structured sparse representation object tracking algorithm. Firstly, in the first frame, a sparse dictionary is obtained, which contains target and background templates, as well as positive and negative sam-ples. Secondly, all samples are linearly combined based on the idea of structured sparse representation, hence the coding coefficients can be gotten. Thirdly, a kind of Bayes classifier is designed, which is trained by the coding coefficients of positive and negative samples. The classifier is able to detect the candidate target and obtain the likelihood information of them. Fourthly, the dictionary is updated by combining incremental subspace learning and sparserepresentation method together. Finally, the proposed tracker performs favorably against 4 state-of-the-art trackers on 6 challenging video sequences.【总页数】9页(P1035-1043)【作者】侯跃恩;李伟光【作者单位】嘉应学院计算机学院，广东梅州 514000;华南理工大学机械与汽车工程学院，广州 510000【正文语种】中文【中图分类】TP391【相关文献】1.帧间连续结构稀疏表示的目标跟踪算法 [J], 侯跃恩;李伟光2.基于排名的结构稀疏表示目标跟踪算法 [J], 侯跃恩;李伟光;四库;曾顺星;容爱琼3.基于多尺度自适应权重的稀疏表示目标跟踪算法 [J], 程中建;周双娥;李康4.基于方差估计的快速稀疏表示目标跟踪算法研究 [J], 于立君;王辉;原新5.结合稀疏表示的跨摄像头运动目标跟踪算法 [J], 逯彦;廖桂生;黄庆享因版权原因，仅展示原文概要，查看原文内容请购买。

面向目标检测的稀疏表示方法研究进展_高仕博

1
引言
随着成像传感器技术的发展，人类扩展了获取图像信息的广度和深度，加深了人类对客观世界的认识，能观察到人眼能感知到和感知不到的物体，根据所用传感器的不同，常见的图像有彩色图像、红外图像、高光谱图像、合成孔径雷达图像及核磁共振图像等．对于获取的大量图像信息，人们期望借助计算机实现智能化处理，达到对场景的自动分析和理解．目标检测的任务是从获取的图像中分割出感兴趣的区域，作为图像理解的一个
第2 期 2015 年 2 月
电子学报 ACTA ELECTＲONICA SINICA
Vol． 43 No． 2 Feb． 2015
面向目标检测的稀疏表示方法研究进展
1 2 1， 3 1， 3 高仕博，程咏梅，肖利平，韦海萍
（ 1．北京航天自动控制研究所，北京 100854 ； 2．西北工业大学自动化学院，陕西西安 710072 ； 3．宇航智能控制技术国家级重点实验室，北京 100854 ）
K
上式是一个标准的稀疏编码问题，根据应用目的的不其有多种变体，如：同， arg min x － Da 2 s． t． a 1 ≤ε F，
{
a
arg min
a
1 x － Da 2
2 F
+λ a
（ 5）
1
其中 λ 表示非负稀疏性约束参数，式（ 5 ）的第二个式子就是著名的 Lasso 模型（ Least Absolute Shrinkage and Selection Operator）．除了求解 a 的稀疏编码问题外，人们更感兴趣的是如何选择 D 使得信号 x 在 D 上的表示是 Olshausen 稀疏的和有效的，称为字典设计或学习问题，［12 ］和 Field 最早将稀疏性约束 l1 范数作为最小二乘算法的规则项，从训练样本中学习到具有方向特性的原子，总体而言，稀疏编码和字典学习的基本定义可以表示如下： arg min∑ x i － Da i 2 s． t． d k 2 F + λ ai 1 ， F = 1 （ 6）

稀疏表示目标关联

稀疏表示目标关联Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT无重叠视域多摄像头目标关联综述摘要：随着视频监控技术的快速发展，多监控摄像机信息融合的研究逐渐被重视起来，作为核心技术之一的无重叠视域多目标关联也成为了研究的焦点。

这个研究焦点是计算机视觉研究领域的一个新兴的、多学科交叉的研究方向。

文章对国际上关于此方向从开始到现在的重要研究成果，做出了比较详细的论述，把对该问题的研究归纳为三个主要的组成部分，并依次介绍了这三部分的研究进展，最后简要分析了这个方面研究的难点和未来的发展趋势。

关键字：视频监控、无重叠视域多摄像头、目标关联Abstract: With the rapid development of visual surveillance technology, the research about multi-camera information fusion is gradually paid more attention to. Thus, as one of the core techniques, objects tracking across non-overlapping multi-camera become the focus. This focus is a rising direction of computer vision, which crosses several subjects. This paper discusses the important achievements of this topic all over the world from beginning to present in detail. All of them are clustered into three parts and introduced orderly. Finally, some difficulties and future directions are analyzed concisely.Keywords: visual surveillance, non-overlapping multi-camera, objects matching1引言在单摄像机智能监控算法逐渐成熟的同时，近年来，多摄像机之间的信息关联和信息融合的研究逐渐被重视。

基于稀疏表示的目标跟踪算法研究

学校代码***** 学号************ 分类号TP391 密级公开硕士学位论文基于稀疏表示的目标跟踪算法研究学位申请人邵豪指导教师张莹副教授学院名称信息工程学院学科专业控制科学与工程研究方向机器视觉与智能信息处理二○一八年六月四日Research on Target Tracking Algorithm Based on Sparse RepresentationCandidate Shao HaoSupervisor Associate Prof. Zhang YingCollege College of Information EngineeringProgram Control Science and EngineeringSpecialization Machine vision and intelligent information processing Degree Master of EngineeringUniversity Xiangtan UniversityDate Jun, 2018摘要目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹，目前广泛应用于军事导航、城市智能交通管控、视频监控以及人机交互等方面。

在目标运动的过程中，会出现姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等情况，降低了跟踪算法的准确率，构建一个性能高效、稳定的适应强的追踪算法是当前跟踪领域的一大难题。

为解决目标跟踪过程中出现的目标丢失及提高跟踪效率，本文做了以下研究：（1）为提高计算速率，减小背景信息的干扰并增强稀疏表示跟踪模型性能，提出了一种利用分段加权函数构建的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，通过构造不同的分段权重函数分别度量候选目标与正负模板的判别特征系数。

利用池化降低跟踪结果的不确定性干扰，选择正模板与负模板相减得到的最大差值系数所对应的候选表示作为当前跟踪结果。

梯度特征稀疏表示目标跟踪

关键词：目标跟踪；梯度方向直方图；稀疏表示；压缩感知
中图分类号：ＴＰ３９１
文献标识码：Ａ
ｄｏｉ：１０．３７８８／ＯＰＥ．２０１３２ｌ１２．３１９１
ｏｂｊｅｃｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉ０ｎｏｆｇｒａｄｉｅｎｔｆｅａｔｕｒｅ
＊Ｃ０ｒｒｅｓ０７ｚｇａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｆｌｃｈａｎｇ＠ｓｄｕ．ｅｄｕ．ｃｎ
Ａｂｓｔｒａｃｔ：Ａｓｔｒａｄｉｔｉｏｎａｌｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｗｉｌｌｐｒｏｄｕｃｅｔｒａｃｋｉｎｇｅｒｒｏｒｓｉｎｃｉｒｃｕｍ—
ｇｒｏｕｎｄ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｂｊｅｃｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｂｙｔａｋｉｎｇｔｈｅｈｉｓｔｏｇｒａｍ
不同视频的实验结果表明，该方法在实验环境ＩｎｔｅｌＣｏｒｅ２２．９３ＧＨｚ，ｍａｔｌａｂＲ２０１０ａ，图像大小３２０ ×２４０下，跟踪速率可

《西安科技大学学报》2020年总目次

泾阳南塬黄土滑坡冲击阶地易侵蚀层过程模拟王念秦，张宁，段钊（２４４）泾阳Ｑ２黄土剪切带微观结构研究高红灵，李昊，李晓军，等（２５３）加权确定性系数模型的滑坡易发性评价乔德京，王念秦，郭有金，等（２５９）大跨度现浇连续箱梁满堂支架结构稳定性分析及评价熊咸玉，戴俊（２６８）西北五省地区民居被动式建筑设计策略模拟丁育陶，夏博，韩靖，等（２７５）基于未确知测度理论的岩溶隧道塌方风险预警王天瑜，屈丽娜，倪利智，等（２８４）硫化亚铁氧化自燃试验研究陈文涛，葛世友，袁晓雨，等（２９２）优化ｎ型接触极钝化多晶硅太阳能电池的硼扩散工艺李琛，ＵｄｏＲｍｅｒ，ＡｌｉｓｏｎＬｅｎｎｏｎ（２９８）哈日凹陷巴音戈壁组碎屑岩储层及微观孔喉特征郑立巍，董书宁，唐胜利，等（３０４）基于ＦＤＳ的高层居民楼火灾模拟王炜罡，文虎，贾勇锋（３１４）高雷诺数下不同湍流润滑模型对水润滑橡胶轴承润滑特性的影响杜媛英，李明，任兴星（３２１）基于压缩感知的小电流接地系统故障选线方法郝帅，范文璐，付周兴，等（３３０）变压器绕组累积形变模拟与仿真吴伟丽，于昌隆（３３６）基于改进ＰＳＯＳＶＭ的燃煤电厂烟气含氧量软测量苏涛，潘红光，黄向东，等（３４２）结合退火优化和遗传重采样的ＲＢＰＦ算法孙弋，张笑笑（３４９）博看网 . All矿R山ig井ht下s超R宽es带er无ve线d.定位算法研究朱代先，孙小婷，郭明香，等（３５６）基于ＰＳＯＡｄａｍＧＲＵ的煤矿瓦斯浓度预测模型马莉，潘少波，代新冠，等（３６３）采用曲率扩散和边缘重建的深度图像空洞修复牟琦，夏蕾，李占利，等（３６９）
第 பைடு நூலகம்期
六苯氧基环三磷腈泡沫硅胶阻燃特性探究邓军，庞青涛（１８７）凉水井矿综采工作面粉尘运移规律数值仿真王建国，周侗柱，戚斐文，等（１９５）三维物理模型模拟深部巨厚砾岩下综放开采地表移动柴敬，雷武林，李昊，等（２０４）大倾角多区段开采顶板运移及其采空区充填规律实验研究解盘石，段建杰，皇甫靖宇，等（２１２）急倾斜水平分段综放面强矿压致灾机理及其防治杨文化，来兴平，王宁波，等（２２１）基于数字图像的试样表面应力估算及应用张磊，李树刚，申凯，等（２２９）东荣矿区煤样氧化反应动力学热分析赵维国，李经文，张辛亥，等（２３８）

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。