一、指纹识别系统的性能评价（论文文献综述）
张晓欢[1]（2021）在《低质量指纹图像识别算法的研究与实现》文中研究指明随着指纹识别技术的应用越来越广,人们对其识别效率和准确性要求越来越高,而现实中受采集环境或自身皮肤状况影响仍存在大量低质量指纹图像无法得到有效识别。现有低质量指纹图像识别算法以图像增强为主,在一定程度上能减少伪细节点数目,但经过特征提取后仍会存在大量伪细节点,最终导致整个指纹识别系统的性能下降,使得及时、准确识别低质量指纹图像成为目前亟待解决的一个问题。本文提出一种低质量指纹图像识别算法,该算法主要围绕指纹识别系统中影响低质量指纹图像识别性能的图像增强、特征提取和特征匹配三个环节进行。具体研究内容如下:1.在图像增强环节,针对受采集环境或污损影响的低质量指纹图像存在大量伪细节点的情况,在深入研究典型方向滤波图像增强方法基础上,结合短时傅里叶变换同时求取指纹图像的方向场和频率场,有效地避免频率场对方向场估计依赖性强的问题,提高低质量指纹图像增强的效果,从而减少低质量指纹图像中伪细节点的数量。2.在特征提取环节,对经过图像增强后的指纹灰度图像,通过建立数学模型进行细节点特征的提取,有效避免对指纹图像进行细化处理时引入大量伪细节点,增加提取特征的有效性。3.在特征匹配环节,对经过图像增强后的图像提取出的细节点进行可靠性分析,通过建立核心细节点支持性系统,用多个细节点形成的系统间的相似性代替核心细节点对间的相似性,排除相似性低的核心细节点对的同时找出相似性高的可靠细节点对,根据最优校准法则从可靠细节点对中选出成功匹配的细节点数量计算匹配分数,充分利用低质量指纹图像中可靠性高的细节点信息进行匹配,能有效地改善低质量指纹图像的识别效率和准确率。实验结果表明,本文算法与现有低质量指纹图像识别算法相比,在减少低质量指纹图像中伪细节点产生的同时,经可靠性分析,选取出可靠性高的细节点用于匹配分数的计算,能有效解决低质量指纹图像识别系统性能差的问题。
何致远[2]（2021）在《低质量小面积指纹识别》文中研究指明指纹识别是应用最广泛的身份认证技术之一。随着移动终端集成度的增加和消费者对终端轻便性要求的不断增长,指纹传感器采集面积不断减小,从而导致了用于指纹匹配的有效信息减少;另一方面,移动终端上指纹的采集条件复杂多样,且诸如皮肤龟裂、污渍等不利条件会对指纹图像造成影响。因此,小面积低质量指纹识别技术不仅是一项具有广泛应用前景的身份认证技术,而且是一项迫切需要解决的技术难题。本文的研究聚焦于低质量小面积指纹匹配,提出了一个全新的小面积指纹图像匹配算法框架,并在公开数据集以及自有数据集测试中达到了目前小面积指纹识别最好的性能。主要工作和创新点如下:（1）指纹图像增强。针对指纹图像质量较差和使用场景多样化的问题,我们首先采用卡通纹理分解来消除采集环境不同造成的指纹图像差异,提高指纹识别算法的多场景适应能力;第二,通过神经网络提取稳定的指纹方向场信息;第三,将提取到的方向场信息应用于Gabor滤波器中,增强指纹图像的纹理结构,修复指纹破损区域。通过Gabor滤波,图像中的背景噪声被减弱。（2）指纹图像对准。针对小面积指纹存在图像旋转平移大,重叠面积小的问题,我们设计了空间变换网络（Spatial Transformer Network,STN）,在指纹识别过程中自动对准输入的指纹图像。所设计的STN网络采用多角度旋转和网络权值共享策略,能够适应任意变换角度的输入指纹图像,大幅度提升了仿射变换参数预测性能。（3）指纹图像匹配。针对小面积指纹可用的细节点特征较少、且大数据场景下指纹细节点、方向场的标注比较困难的问题。我们设计了基于局部自注意力机制的指纹配对二元分类模型。通过使用多尺寸滑动窗口策略来提取不同尺寸下的指纹特征,并使用乘积网络来加权指纹局部特征。实验表明,我们提出的匹配网络能够在没有先验信息的条件下,自动学习到指纹一级和二级特征,如脊线、细节点等,并实现了较好的指纹识别性能。本文针对低质量小面积指纹匹配课题进行研究,所提出的指纹匹配算法在FVC2006小面积指纹识别比赛中,取得了等错率（EER）3.15%的成绩,远超排行榜第一名（EER:5.56%）,且性能也优于最新的商用指纹识别算法Veri Finger12.0（EER:4.04%）。此外,我们还将指纹匹配算法应用到手机屏下指纹识别场景中,正常皮肤湿度条件下,达到了误识率小于五万分之一的条件下,误拒率3.103%的良好性能。
宋和春[3]（2020）在《面向车载网络的入侵检测系统研究》文中进行了进一步梳理智能网联汽车为了提高驾驶者的安全性和便利性,集成了导航、移动办公、车辆控制、辅助驾驶等功能,日益丰富的接口导致车载网络更容易成为黑客攻击的目标,造成用户信息泄露,车辆失控等重大安全问题,因此智能网联汽车面临着传统汽车前所未有的网络安全风险,如何设计车载网络防护策略是一个巨大的挑战。不论对车载网络的攻击是有线还是无线攻击,最终的落脚点都在控制器局域网（CAN）上。作为车载网络事实上的标准,CAN总线没有足够的安全功能,例如消息加密和发送者身份验证,无法保护网络免受欺骗、入侵和控制等网络攻击。针对智能网联汽车的车载网络面临网络安全威胁日益严峻的情况,充分考虑车载网络在设计和实际使用过程中的约束条件,结合攻击者的特点,开展车载网络入侵检测系统研究。通过分析攻击者模型,将车载网络的攻击分为两类,分别称为伪装攻击和注入攻击。之后针对两种攻击分别设计了两种新的入侵检测方案对攻击进行检测,保护车载网络的安全。具体工作如下:首先,针对车载网络中的伪装攻击提出了一种新型的入侵检测系统,该系统利用电子CAN信号的独特特性作为电子控制单元的指纹,通过测量和利用CAN上的电压来识别攻击者来源。首先针对采集到的电子控制单元（ECU）电压数据的特点设计了一种电压原始数据处理机制,将ECU电压信号分成三组,并分别对每组数据提取统计特征,通过单独考虑各个组,使得重要特征更加明显。其次对数据集的特征属性进行排序和降维,筛选出携带信息丰富的特征,去除无关特征和重复特征,建立ECU指纹数据集。之后使用梯度提升决策树（GBDT）分类模型对数据进行学习和训练,将ECU身份识别问题转化为多类别分类问题,利用训练好的模型实现了对正常ECU指纹的高概率识别。训练好的模型用于对非法入侵的检测,为了对提出的入侵检测系统的准确性进行验证,用真实车辆上采集的数据进行了实验。实验结果表明,提出的入侵检测系统可以准确识别伪装攻击,并且检测正确率高于现有的三个入侵检测系统方案。其次,针对车载网络中的注入攻击提出了一种新型的入侵检测系统,该系统分析CAN总线数据流的传输规律并使用离群值检测方法找出异常值。为了分析CAN总线数据流的特点,首先记录CAN总线上传输的数据内容,对每一个CAN ID数据内容的变化规律进行提取以获得特征。其次使用主成分分析（PCA）模型对数据集的特征属性进行分析和降维,基于此建立了正常CAN消息字段的数据集。之后使用一类支持向量机（OCSVM）分类模型对数据进行学习和训练,将异常CAN数据识别问题转化为离群值检测问题,利用正常数据训练模型,只需要找到一个闭合空间将正常的样本覆盖,任何在闭合空间之外的点都被判断为异常。最后,在真实车辆上采集的数据,对提出的入侵检测系统的识别正确率进行了验证。实验结果表明,提出的入侵检测系统可以低错误率识别拒绝服务攻击,模糊攻击和驾驶行为异常。
孔小景[4]（2020）在《单因子的可撤销生物特征模板保护算法研究》文中研究表明生物特征识别技术是一种新的身份认证技术,已经广泛应用于金融、个人终端、国防安全和电子政务等各种领域。由于生物特征的独特性,用户的生物特征一旦被盗,其泄露是永久性的。因此,研究生物特征模板保护算法至关重要。单因子的可撤销生物特征模板保护是一种新的模板保护方案,输入时仅需要生物特征这一个因子,它解决了双因子可撤销生物特征模板保护中的外部因子可能被盗、丢失或遗忘等问题,但是该方案很难同时满足不可逆性、不可链接性、以及性能保持和安全性的要求。针对上述挑战,本文基于指纹场景和指静脉场景的单因子的可撤销生物特征模板保护做了两方面的研究内容。一方面,目前的单因子可撤销指纹模板保护算法中识别性能较好的算法不能保证其安全性,而安全性较高的算法的识别性能较差。为了兼顾单因子可撤销指纹模板的性能和安全性,本文提出了基于指纹的单因子滑动提取窗口哈希（Window Sliding and Extracting Hashing,WSE）算法。该算法将指纹特征作为唯一的输入,改进了特征提取的方法,首先,利用扩展的特征向量,通过预定义的滑动窗口和哈希函数随机化生成二进制种子;然后替换不同的辅助数据来生成可撤销模板;最后,由查询生物特征向量对辅助数据进行解码,提高了不可逆性和安全性。在指纹数据库FVC2002和FVC2004的实验结果表明,该方法不仅满足可撤销生物特征模板识别的4个设计标准,而且能防御3种安全攻击。另一方面,本文提出了基于指静脉的单因子分块降维哈希（Blocking and Dimensionality Reduction Hashing,BDR）算法。该算法将指静脉特征作为唯一的输入因子,根据指静脉特征数据库规模为n?m的特点,先将指静脉特征进行分块,分别对每一块进行特征转换和提取,接着通过串联函数从提取的特征矩阵中生成一维二元向量实现降维;然后把降维之后的特征向量进行转换,转换后与改进的哈希函数一起生成受保护的指静脉特征向量;最后,将得到的特征向量与内嵌辅助数据结合生成可撤销指静脉模板。在指静脉数据库UTFVP上进行实验,实验结果表明,该方法满足可撤销生物特征模板识别的标准和安全性要求。本文针对指纹和指静脉两种不同的生物特征场景,提出了改进的单因子的可撤销模板保护算法,在各自的特征数据库上的实验结果表明,均满足可撤销生物特征模板保护要求,且有较强的安全性,同时具有降低存储空间、提高计算效率等重要的现实意义。
张丰帆[5]（2020）在《基于Bayesian推理的河流突发水污染溯源模型构建与案例应用》文中研究指明我国所面临的水污染问题依旧严峻,如何有效的监管河道水质及污染排放,成为相关管理部门所面临的新问题。因此,开发新型高效的、具有显着实用性的河流突发水污染监测-预警-溯源技术并建立信息化系统,科学有效地实现河流水环境管理具有积极意义。在此背景下,本论文以河流突发水污染溯源问题作为切入点,基于贝叶斯推理对水污染溯源过程中源项参数不确定性的定量分析方法展开研究。在模型构建方面,研究首先采用水污染溯源领域的环境学语言对贝叶斯推理公式“本地化”,设置源项参数为均匀分布,根据误差项所服从分布形式的不同分别建立似然函数,引入AM-MCMC采样方法以获取源项参数的目标后验分布,完成溯源模型构建工作;随后建立与模型相匹配的性能评价体系;最后依据特定的评价指标,对模型关键参数进行率定、分析确定并采用误差项服从非相关同方差分布假定的模型进行溯源,此外还对后验分布采样中协方差矩阵更新方式提出固定步长、记忆矩阵、混合更新法3种改进方案,针对不同排放类型的计算时间可节省15%～93%,在取得满意结果的同时显着减轻计算负担。在系统开发方面,根据已有的研究结果,设计完成以数据采集、数据过滤、污染溯源、结果可视化、结果数据记录、系统管理为核心功能模块的河流突发水污染溯源管理系统。该系统简单实用、操作简便;方便环境管理部门和水污染溯源领域相关人员开展溯源研究工作。系统的开发工作对于将本研究成果应用化,扩大基于贝叶斯推理的水污染溯源模型的受众面具有积极意义。在案例应用方面,依托构建的河流突发水污染溯源管理系统,针对瞬时、连续、间歇3种常见的污染物排放类型开展假例溯源分析,并分别用具有瞬时点源特征的Truckee River和具有间歇（Nc=1）点源特征的West Hobolochitto Creek河流示踪剂实验对模型和系统进行验证。总体上模型精确度可以在10%以内,溯源分析结果和浓度正向模拟结果良好,处于可接受范围内。本文构建的河流突发水污染溯源模型和管理系统可以较好地定量描述源项参数不确定性,并准确重构污染物排放历史,可为相关的水环境管理者和决策者提供强有力的技术支持,增强其决策信心;所建立的技术方法具有普适性,具备在其他地区推广使用的潜质。
叶露露[6]（2020）在《可撤销指静脉模板保护算法研究》文中指出随着指静脉识别系统的广泛应用,其安全性问题日益显现,当用户指静脉特征受损或被盗,用户也难以撤销,更改或重新发布已注册的指静脉特征;当用户在一个应用中注册的指静脉特征被获取,用户在其他应用中保存的指静脉特征也不再安全。所以针对生物特征安全问题,提出了生物特征密钥生成技术,加密生物特征,生物特征转换等方案。其中,可撤销生物特征模板,因其不完全满足不可逆性,不可链接性,可撤销性和性能保持,而成为生物特征模板保护的难点。本文围绕可撤销指静脉模板展开研究,包含特征提取,生成可撤销模板,模板匹配三个步骤。主要研究内容概括如下:（1）目前的识别性能较好的可撤销生物特征模板算法不能保证安全性,而保证生物特征模板安全的算法识别性能较差。为了提高指静脉特征模板的性能和安全性,而提出了一种指静脉可撤销模板算法。首先,提取指静脉特征,找到图像中的边缘区域,根据图像中像素点的位置不同对梯度幅值进行优化,以增加判别性,并将优化后的梯度幅值与当前像素的比值作为差分激励;并把最大和次大Gabor方向分别和差分激励联合形成联合分布特征作为指静脉的两个特征向量;其次,将提取的特征向量通过控制方差方式降维,并将降维后的特征向量与使用token产生的伪随机矩阵相结合生成可撤销模板来保证特征安全性;最后,基于改进典型相关分析对两个方向的可撤销模板进行融合,增加不可逆性。（2）基于排名的局部敏感哈希算法,最大哈希索引（Index of Max,IoM）算法,改进其用于指静脉生物特征模板保护。利用外部生成的随机参数,最大哈希将实值生物特征向量转换为离散索引哈希码。首先,本章展示了指静脉提取特征后,应用于最大哈希索引的实现,即基于高斯随机投影和均匀随机排列的哈希方案,证明本章提取指静脉特征应用于IoM的有效性;其次,针对于最大哈希索引做了两点改进:1)对于提取的指静脉特征向量,将特征向量和随机置换集合产生的置换特征向量,合并成特征矩阵,可以进一步增强不可逆性;2)为了更好地调节随机矩阵产生的误差,造成最大值不准确,将最大哈希索引拓展为最大和次大哈希索引而生成可撤销指静脉模板。实验结果表明,在PolyU和SDUMLA-FV数据库上具有良好的准确性,分析了现有和新引入的安全和隐私攻击的适应性,并满足可撤销生物特征识别的可撤销性和不可链接性标准。
刘泽畅[7]（2020）在《构建国产啤酒花质量评价体系的基础研究》文中提出啤酒花是啤酒酿造的“灵魂原料”,在啤酒风味的形成中发挥着无可替代的作用。中国是亚洲最大的啤酒花种植国,但国产啤酒花在国际市场的影响力较弱,加之近些年啤酒花“间种”、以次充好等不良现象时有发生,导致啤酒厂对国产啤酒花产品的信心严重不足。虽然行业内早已制定出啤酒花的质量评价标准,但已无法满足目前啤酒酿造行业对获取啤酒花产品真实性的需求。因此,针对国产啤酒花的品种和品质特性开展全面系统的研究十分必要。本文针对目前国内啤酒花产业存在的突出问题,以及现行啤酒花质量评价方法存在的缺陷,在对啤酒花中不同类别的重要功能性组分进行分析检测的基础上,采用化学计量法构建国产啤酒花的指纹图谱,系统阐释我国主产啤酒花的品种、品质特性及酿造性能,探究啤酒花质量评价体系的构建方法,并针对不同目的建立国产啤酒花的质量评价模型,旨在为我国啤酒花产业结构的优化和市场监管体系的完善提供技术支撑,同时也可为其他领域评价体系的构建提供参考。论文的主要研究工作如下:1、优化建立了啤酒花中挥发性组分的顶空固相微萃取-气相色谱-质谱（HS-SPME-GC-MS）分析方法。以札一啤酒花为研究对象,通过对挥发性组分进行检测,确定出以水果香、花香、草本、木质和辛辣风味为典型风味的50种特征化合物;结合聚类分析（HCA）、主成分分析（PCA）等方法构建了札一啤酒花的风味指纹图谱,确定出23种化合物为关键构建因子;进而采用因子权重分析确定出β-罗勒烯、大根香叶烯、γ-杜松烯、2-甲基-3-丁烯-2-醇、6-甲基庚酸甲酯、异丁酸庚酯,6种化合物为影响札一啤酒花香气特征一致性的变异组分。通过与世界知名品种香型啤酒花对比,表明札一啤酒花的香气特性优异,并在整体香气风格上与着名的优质香型啤酒花萨兹相似。2、建立了基于挥发性组分的啤酒花新鲜度判别方法。通过比较不同新鲜度札一啤酒花中的30种共有挥发性组分,25种组分之间存在显着性差异（p<0.05）;其中,萜烯类化合物的含量在储藏后显着降低,含氧化合物的含量随之升高,证明氧化是啤酒花在储藏过程中风味品质劣变的重要影响因素。采用HCA和PCA构建了不同新鲜度啤酒花的挥发性指纹图谱,结果表明,不同新鲜度啤酒花之间存在明显的聚类差异和“挥发性指纹分化”,且第一主成分是判别啤酒花新鲜度的关键向量;确定了在储藏过程中,札一啤酒花风味的劣变特征为新鲜啤酒花所呈现的水果风味被逐渐增强的草本和木质香风味所掩盖。采用（正交）偏最小二乘-判别分析法（（O）PLS-DA）构建了啤酒花的新鲜度判别模型,且模型表现出良好的判别能力,并确定出β-石竹烯、β-法尼烯、α-葎草烯、β-香叶烯、4-癸酸甲酯和香叶酸甲酯等6种化合物为关键判别因子。3、建立了基于挥发性组分的啤酒花品种和掺伪判别方法。通过对三种国产啤酒花中的挥发性组分进行分析检测,共鉴定出84种化合物;其中,28种为三个品种啤酒花中的共有挥发性组分,而酯类和醇类化合物是不同品种啤酒花的主要差异性组分;进而基于此分析结果确定了三个品种啤酒花的风味特征。采用相似度分析法对啤酒花的品种差异性进行了评价,结果表明,该方法可以较好地判别啤酒花的品种,但无法判别掺伪情况。采用HCA和PCA构建了三个品种啤酒花的挥发性指纹图谱,发现不同品种啤酒花之间存在聚类差异和“挥发性指纹分化”,并确定出19种化合物为关键构建因子。采用（O）PLS-DA构建了啤酒花的品种和掺伪判别模型,且模型表现出良好的品种判别和样本预测能力,并确定了不同品种啤酒花的关键判别因子。4、建立了基于矿物元素的啤酒花原产地判别方法。对啤酒花中22种矿物元素的分析结果表明,不同产地和品种啤酒花在矿物元素的整体分布特征上存在较大差异。采用HCA和PCA构建的啤酒花矿物元素指纹图谱表明,不同产地和品种啤酒花之间存在聚类差异和“矿物元素指纹分化”,6种元素为其关键构建因子,该模型的产地预测正确率可达100%。采用（O）PLS-DA构建了啤酒花的原产地和品种判别模型,该模型表现出良好的判别能力;确定了不同产地和品种啤酒花的关键判别因子。此外,研究结果还表明,不同产地和品种啤酒花在对矿物元素的积累,以及矿物元素与功能性组分之间存在明显相关性,初步明确了矿物元素与啤酒花品质特性之间的关联。5、建立了啤酒花基于矿物元素和啤酒花苦味酸的生长特性评价方法。通过对不同产地和品种国产啤酒花在生长期内对22种矿物元素的积累特征进行研究,结果表明,啤酒花在生长期内,对矿物元素积累的变化趋势明显,其中对Sr、Na、Rb、Li、Ba、Ga、Co和V元素的积累受种植地的影响较大。PCA结果表明,啤酒花对矿物元素的积累与种植地和成熟度之间的相关性明显;其中,Mg、K、Li和Na元素显示出明显的地域特性,而Al、Pb和V元素则与啤酒花的成熟度相关性显着。通过对生长期内啤酒花苦味酸组分含量/比例的变化规律进行研究,确定出不同产地和品种啤酒花苦味酸积累规律和最佳采摘期;其中,合葎草酮和合蛇麻酮在α-酸和β-酸总含量中的比例在啤酒花生长期内基本保持稳定。相关性分析结果表明,Al和V元素有利于啤酒花苦味酸的合成。6、基于8种萜烯醇立体异构体的转化评价了五种国产啤酒花的酿造性能。结果表明,不同品种啤酒花在萜烯醇异构体的分布上差异显着,也使得风味特征具有较大差别;其中,R-里那醇、香叶醇和R-β-香茅醇是所有啤酒花的共有组分,而里那醇在所有啤酒花中仅存在单一构型。采用模拟酿造实验初步确定了啤酒花中萜烯醇异构体在煮沸过程中的转化行为,其中,S-里那醇和橙花醇是所有啤酒花煮沸体系中的共有组分,而S-β-香茅醇和（2E,6E）-法尼醇对体系基本没有风味贡献。此外,研究结果还表明,煮沸时间以及啤酒花品种的选择对调控体系的香气特征起到重要作用;HCA和PCA结果进一步明确了煮沸时间对不同品种啤酒花香气特征的影响,确定出香叶醇、R-β-香茅醇、（2Z,6E）-和（2E,6E）-法尼醇是不同类别啤酒花煮沸体系的差异性组分;橙花醇、R-里那醇和S-里那醇则是衡量啤酒花在煮沸过程中风味特征变异的关键指标。
王丽[8]（2020）在《基于CNN的手指多模态融合识别方法研究》文中提出多模态生物特征识别是通过综合利用多个模态的特征信息来进行身份验证,其中稳定有效的融合方法是保证多模态生物特征识别应用的关键。指纹、指静脉、指节纹采集位置紧凑,生物学特征类似,且具备稳定的身份表达能力,逐渐成为多模态生物特征识别领域的重要研究对象。以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习技术在生物特征识别领域发展迅速,为多模态生物特征融合识别开启了新的研究方向。本文提出了一种基于CNN的手指多模态特征融合识别方法。主要研究内容如下:1)建立了基于CNN的手指单模态识别模型。针对手指特征及卷积神经网络的特点设计了适合的单模态网络模型,为手指多模态的融合奠定良好基础。2)提出了基于CNN的手指多模态特征融合网络模型。首先,采用卷积特征标准化方法将不同模态的特征尺寸进行统一;然后,设计了3种不同的多模态特征融合网络模型,并分析了不同的融合层次和融合方法对识别结果的影响。3)提出了基于注意力机制的手指多模态特征融合识别方法。针对特征融合过程中信息量比较大的问题,将融合特征赋予不同的注意力系数,给判别性强的特征赋予其更大的注意力系数值,并且捕捉这些特征之间的联系,对有噪声且判别性弱的特征赋予更小的注意力系数值,通过这样的方式来减少无用特征的干扰,从而提高融合网络的稳定性和有效性。
赵奕芳[9]（2020）在《基于Fuzzy ART算法的手机身份认证技术研究》文中研究表明智能手机使人们的生活方式变得方便快捷,但随之而来的病毒入侵、字典攻击、信息泄露等问题,让基于账户和密码的手机身份认证方式不再安全可靠。针对以上现象,已经出现了多种替代方案,例如指纹识别、人脸识别、虹膜识别等生物认证方法。虽然这些认证方式的精度很高,但容错性却很差,特殊的硬件又额外增加手机的成本。因此,当下亟需一种安全易用且成本低廉的手机身份认证方法。为了解决这个问题,本文根据用户的击键特征,提出了一种基于Fuzzy ART算法的手机身份认证方案,来增强账户和密码认证的安全性。通过对击键身份认证的研究,一共发现了三个问题:其一,在提取特征值时,由于选取特征值的种类单一,导致分类模型对击键特征拟合欠佳的问题;其二,在数据处理中,由于击键文本数量较多,数据优化欠缺,导致学习和训练时间过长的问题;其三,在模式训练时,由于忽略训练样本数和训练次数对模式学习造成的影响,导致测试识别不准的问题。针对上述现象,本文设计一种基于Fuzzy ART算法的身份认证方法。首先,选取击键时间和加速度作为组合特征,以此增加击键特征的种类,避免分类模型对击键特征的多样性学习不足;其次,将经过Z-score标准化法过滤后的数据进行矢量设计,重构后输入给分类模型进行规律学习,从而提高训练的时效性;最后,用实验对Fuzzy ART分类模型的警戒阈值进行恰当调整,并对其模式训练的样本数和训练次数进行控制,从而增强分类模型的稳定性,弥补以往模式训练实验的不足。将以上设计方案通过MATLAB进行仿真,并与常用的四种分类算法作出实验对比,利用三个性能评价指标进行分析,得到本文设计的认证方法对测试样本的错误接受率为5.67%、错误拒绝率为6.35%、等错率为5.87%,比传统的欧氏距离、曼哈顿距离、支持向量机和KNN算法对测试样本的分类能力更强。综上所述,该击键身份认证方案的研究可以有效加强手机账户和密码认证的安全性。
石悦[10]（2020）在《基于深度学习的端到端指纹模板保护算法研究》文中进行了进一步梳理生物特征识别技术为身份管理提供了新的机制,因其更高的安全性和便捷性已广泛应用于各个领域。但是生物特征数量有限且很大程度上是不可改变的,一旦存储数据库被攻击,会造成很严重的隐私泄露等安全问题。其次,指纹作为最常用的生物特征之一,由于其具有唯一性和终身不变性的特点,指纹数据库一旦丢失,造成的损失是不可挽回的。因此指纹模板保护技术得到了越来越多的关注和研究。目前,便捷设备由于外观不断更新使得指纹采集面积越来越小,导致采集区域的有效细节点变少,这就限制了现有模板保护方法的准确性。本文从图像处理的角度,研究了端到端的基于深度学习的指纹模板保护方法,在指纹模板保护邻域做了一些创新工作,主要研究内容和贡献点包括以下几个部分:1)本文提出了一种基于深度学习的神经网络端到端指纹特征提取网络,该网络模型不仅能够实现指纹识别,同时能够进行指纹图像加密域特征匹配。文中对自建的FS200常规指纹库和国际公认的FVC2002 DB1指纹库进行实验,实验结果为:FS200与FVC2002 DB1常规指纹库匹配结果EER（等错误率）分别为1.01%和1.68%。2)本文改进了基于像素混洗的指纹图像模板保护算法,增强了像素插值的安全性,同时生成哈希校验码与像素混洗模板形成双重安全机制,有效提高了抗相似性攻击性能。并利用深度学习技术进行加密域匹配,比传统像素点匹配算法鲁棒性更强。文中使用自建的小面积指纹库在该算法上进行实验。实验结果:EER为2.52%。3)本文提出了一种基于深度指纹特征的指纹模板保护算法,该方法基于深度学习将原始指纹模板特征提取成512维特征向量串,然后利用随机映射与非线性多维谱哈希变换将512维实数特征向量串转化为512维二进制串。文中使用自建的小面积指纹库在该算法上进行实验。实验结果:EER为2.13%。该算法较传统线性多维谱哈希变换有更好的抗相似性攻击性能,同时准确性较2)算法也有所提升。4)本文设计并开发了一个基于Fuzzy Vault的指纹文件加解密系统,实现了利用指纹绑定随机密钥串结合AES加密模式对文件进行加解密的功能。综上所述,本文提出的两种模板保护算法优于传统经典小面积指纹模板保护算法,同时基于深度学习的端到端指纹匹配算法结果与传统指纹匹配算法结果相当,在一定程度上促进了基于指纹图像的匹配与模板保护的应用。
二、指纹识别系统的性能评价（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、指纹识别系统的性能评价（论文提纲范文）
（1）低质量指纹图像识别算法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 自动指纹识别系统 |
| 1.3 低质量指纹图像识别的国内外研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 低质量指纹图像增强 |
| 2.1 引言 |
| 2.2 典型低质量指纹图像增强算法分析 |
| 2.3 本文低质量指纹图像增强算法 |
| 2.3.1 基于频域分析的关键参数估计 |
| 2.3.2 基于方向和频率的低质量指纹图像增强 |
| 2.4 低质量指纹图像增强结果 |
| 2.5 本章小结 |
| 第3章 低质量指纹图像的特征提取 |
| 3.1 引言 |
| 3.2 典型低质量指纹图像特征提取算法分析 |
| 3.3 本文低质量指纹图像的特征提取算法 |
| 3.3.1 低质量指纹数学模型的建立 |
| 3.3.2 低质量指纹图像的细节点特征提取 |
| 3.3.3 低质量指纹图像的方向场特征提取 |
| 3.4 本章小结 |
| 第4章 低质量指纹图像的特征匹配 |
| 4.1 引言 |
| 4.2 典型低质量指纹图像的特征匹配算法分析 |
| 4.3 本文低质量指纹图像的细节点特征匹配 |
| 4.3.1 指纹点集匹配 |
| 4.3.2 核心细节点支持性系统的建立 |
| 4.3.3 可靠细节点对的获取 |
| 4.3.4 全局最优配准原理 |
| 4.3.5 计算匹配分数 |
| 4.4 本章小结 |
| 第5章 低质量指纹图像识别结果分析 |
| 5.1 实验平台搭建与数据库选取 |
| 5.2 指纹识别系统性能评价指标 |
| 5.3 低质量指纹图像识别结果可靠性分析 |
| 5.3.1 实验仿真结果分析 |
| 5.3.2 特征提取结果的可靠性分析 |
| 5.3.3 特征识别结果的可靠性分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及获奖情况 |
| 致谢 |
（2）低质量小面积指纹识别（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 指纹图像增强算法 |
| 1.2.2 指纹特征提取 |
| 1.2.3 基于神经网络的指纹识别方法 |
| 1.2.4 小面积指纹识别 |
| 1.3 本文主要贡献和章节安排 |
| 2 小面积指纹识别算法框架与性能评估方法 |
| 2.1 小面积指纹识别算法框架 |
| 2.2 指纹识别性能评价指标 |
| 2.2.1 真匹配和假匹配 |
| 2.2.2 误识率(FAR)和拒识率(FRR) |
| 2.2.3 FMR-FNMR曲线和等错率(EER) |
| 2.3 小面积指纹数据集 |
| 2.3.1 FVC系列数据集 |
| 2.3.2 自采手机屏下光学指纹数据集 |
| 2.3.3 AES3400 数据集 |
| 2.3.4 训练仿真数据集生成 |
| 3 低质量指纹增强算法 |
| 3.1 卡通纹理分解 |
| 3.2 指纹方向场预测 |
| 3.3 指纹图像频率估计 |
| 3.4 Gabor滤波 |
| 3.5 不同场景的指纹图像增强示例 |
| 4 小面积指纹对准算法 |
| 4.1 空间变换网络(Spatial Transformer Network) |
| 4.2 对准网络Align Net |
| 4.2.1 Align Net网络结构 |
| 4.2.2 损失函数 |
| 4.3 仿射变换 |
| 4.3.1 采样点生成器 |
| 4.3.2 采样器 |
| 4.4 训练细节 |
| 4.5 对准网络Align Net性能评估 |
| 4.5.1 仿射变换参数预测性能 |
| 4.5.2 不同对准策略的指纹匹配性能 |
| 5 小面积指纹匹配算法 |
| 5.1 匹配网络CompareNet |
| 5.1.1 多尺寸图像块生成 |
| 5.1.2 特征提取网络FeatureNet |
| 5.1.3 特征融合 |
| 5.2 损失函数 |
| 5.3 网络训练细节 |
| 5.4 指纹匹配性能评估 |
| 5.4.1 FVC2006 DB1 测试结果 |
| 5.4.2 AES3400 测试结果 |
| 5.5 手机屏下指纹多模板融合匹配实验 |
| 5.5.1 数据划分和训练细节 |
| 5.5.2 测试细节 |
| 5.5.3 测试结果 |
| 5.6 模型可视化 |
| 6 总结和展望 |
| 参考文献 |
| 作者在学期间所取得的科研成果 |
（3）面向车载网络的入侵检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 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 研究目标及主要内容 |
| 1.4 本文章节安排 |
| 第二章 车载网络模型 |
| 2.1 车载网络架构 |
| 2.2 车载网络技术 |
| 2.3 CAN总线原理 |
| 2.3.1 CAN总线信号逻辑 |
| 2.3.2 CAN数据帧结构 |
| 2.4 本章小结 |
| 第三章 车载网络入侵检测系统模型 |
| 3.1 攻击模型 |
| 3.1.1 CAN总线的安全威胁 |
| 3.1.2 CAN总线的攻击接口 |
| 3.1.3 典型攻击手段 |
| 3.2 入侵检测系统模型 |
| 3.3 性能评价指标 |
| 3.4 本章小结 |
| 第四章 基于指纹识别的入侵检测系统 |
| 4.1 数据预处理 |
| 4.1.1 数据采集 |
| 4.1.2 特征提取 |
| 4.1.3 特征选择 |
| 4.2 入侵检测模型 |
| 4.2.1 机器学习模型 |
| 4.2.2 梯度提升决策树原理 |
| 4.2.3 入侵检测算法 |
| 4.3 实验结果与讨论 |
| 4.3.1 实验数据集 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第五章 基于离群值检测的入侵检测系统 |
| 5.1 数据预处理 |
| 5.1.1 数据采集 |
| 5.1.2 特征提取 |
| 5.1.3 特征降维 |
| 5.2 入侵检测模型 |
| 5.2.1 机器学习模型 |
| 5.2.2 One-Class SVM原理 |
| 5.2.3 入侵检测算法 |
| 5.3 实验结果与讨论 |
| 5.3.1 实验数据集 |
| 5.3.2 实验结果 |
| 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 |
| 作者简介 |
| 1.基本情况 |
| 2.教育背景 |
| 3.攻读硕士学位期间的研究成果 |
| 3.1 参与的科研项目及科研获奖 |
（4）单因子的可撤销生物特征模板保护算法研究（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 |
| 1.3 论文研究内容与创新点 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 可撤销生物特征模板保护 |
| 2.1 可撤销生物特征模板理论基础 |
| 2.2 双因子的可撤销生物特征模板识别 |
| 2.3 单因子的可撤销生物特征模板识别 |
| 2.4 性能评价指标 |
| 2.4.1 生物特征认证评价指标 |
| 2.4.2 可撤销模板评价指标 |
| 2.4.3 安全性要求 |
| 2.5 本章小结 |
| 第三章 基于指纹的单因子滑动提取窗口哈希算法 |
| 3.1 指纹识别理论基础 |
| 3.2 单因子滑动提取窗口哈希算法 |
| 3.3 实验结果及分析 |
| 3.3.1 实验环境 |
| 3.3.2 认证性能 |
| 3.3.3 不可逆性 |
| 3.3.4 可撤销性 |
| 3.3.5 不可链接性 |
| 3.4 安全性分析 |
| 3.5 本章小结 |
| 第四章 基于指静脉的单因子分块降维哈希算法 |
| 4.1 指静脉识别理论基础 |
| 4.2 单因子分块降维哈希算法 |
| 4.3 实验结果及分析 |
| 4.3.1 实验环境 |
| 4.3.2 认证性能 |
| 4.3.3 不可逆性 |
| 4.3.4 可撤销性 |
| 4.3.5 不可链接性 |
| 4.4 安全性分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）基于Bayesian推理的河流突发水污染溯源模型构建与案例应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究的背景意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景 |
| 1.1.3 课题研究的目的和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 水污染预警与应急监测研究现状 |
| 1.2.2 水污染溯源技术研究现状 |
| 1.2.3 贝叶斯推理技术应用研究现状 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 第2章 研究方法与数据来源 |
| 2.1 研究基本假设与水质模型 |
| 2.1.1 污染物传输建模基本假定 |
| 2.1.2 地表河流水质模型研究方法 |
| 2.1.3 水污染溯源问题描述 |
| 2.2 贝叶斯推理模型研究方法 |
| 2.2.1 贝叶斯推理 |
| 2.2.2 先验分布与后验分布 |
| 2.2.3 贝叶斯推理的特点 |
| 2.3 案例概况与数据来源 |
| 2.3.1 假例数据准备与概况 |
| 2.3.2 Truckee River实例概况 |
| 2.3.3 West Hobolochitto Creek实例概况 |
| 2.4 模型设置与计算环境 |
| 2.4.1 溯源模型基本设置 |
| 2.4.2 计算环境 |
| 第3章 河流突发水污染溯源模型构建与优化 |
| 3.1 引言 |
| 3.2 溯源模型构建 |
| 3.2.1 建立模型框架 |
| 3.2.2 设置先验分布 |
| 3.2.3 构建似然函数 |
| 3.2.4 获取后验分布 |
| 3.3 溯源模型性能评价体系构建 |
| 3.3.1 马尔科夫链收敛诊断 |
| 3.3.2 源项后验分布描述评价指标 |
| 3.3.3 模型计算性能评价指标 |
| 3.4 溯源模型优化 |
| 3.4.1 溯源模型关键参数率定 |
| 3.4.2 误差项方差假定形式确定 |
| 3.4.3 后验分布采样算法改进 |
| 3.4.4 溯源模型工作流程 |
| 3.5 本章小结 |
| 第4章 河流突发水污染溯源管理系统构建 |
| 4.1 引言 |
| 4.2 系统需求分析与总体设计 |
| 4.2.1 系统需求分析 |
| 4.2.2 系统总体设计 |
| 4.2.3 系统开发环境 |
| 4.3 系统数据库设计 |
| 4.3.1 概念设计 |
| 4.3.2 逻辑设计 |
| 4.3.3 物理设计 |
| 4.4 系统功能及界面设计 |
| 4.4.1 系统用户登录界面设计 |
| 4.4.2 系统主界面设计 |
| 4.4.3 系统核心功能模块及界面设计 |
| 4.5 本章小结 |
| 第5章 河流突发水污染溯源模型系统案例应用 |
| 5.1 引言 |
| 5.2 瞬时点源假例应用 |
| 5.2.1 瞬时点源特征分析 |
| 5.2.2 瞬时点源假例介绍 |
| 5.2.3 瞬时点源结果分析与讨论 |
| 5.3 连续点源假例应用 |
| 5.3.1 连续点源特征分析 |
| 5.3.2 连续点源假例介绍 |
| 5.3.3 连续点源结果分析与讨论 |
| 5.4 间歇点源假例应用 |
| 5.4.1 间歇点源特征分析 |
| 5.4.2 间歇点源案例介绍 |
| 5.4.3 间歇点源结果分析与讨论 |
| 5.5 示踪剂实验实例应用 |
| 5.5.1 瞬时点源示踪剂实例应用 |
| 5.5.2 间歇点源示踪剂实例应用 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 作者简历 |
（6）可撤销指静脉模板保护算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 生物特征识别概述 |
| 1.2 可撤销生物特征模板概述 |
| 1.2.1 研究目的和意义 |
| 1.2.2 发展历程和研究现状 |
| 1.2.3 通用可撤销生物特征模板研究现状 |
| 1.2.4 可撤销指静脉模板研究现状 |
| 1.2.5 面临的挑战 |
| 1.3 本文主要研究内容 |
| 1.4 本文内容安排 |
| 第二章 可撤销生物特征模板基础框架 |
| 2.1 引言 |
| 2.2 可撤销生物特征保护算法 |
| 2.2.1 基于BioHash算法 |
| 2.2.2 基于Bloom滤波器算法 |
| 2.2.3 基于排名的局部敏感哈希的可撤销生物识别:最大哈希索引 |
| 2.3 数据库介绍 |
| 2.4 性能评价指标 |
| 2.4.1 识别性能认证 |
| 2.4.2 可撤销生物特征模板要求 |
| 2.4.3 安全性要求 |
| 2.5 本章小结 |
| 第三章 基于联合分布特征和典型相关分析的可撤销指静脉模板 |
| 3.1 引言 |
| 3.2 特征提取 |
| 3.2.1 指静脉图像预处理 |
| 3.2.2 差分激励 |
| 3.2.3 双Gabor方向 |
| 3.2.4 EDDGO特征提取 |
| 3.3 生成可撤销模板与识别 |
| 3.3.1 生成可撤销模板 |
| 3.3.2 典型相关分析 |
| 3.3.3 匹配和识别 |
| 3.4 实验分析 |
| 3.4.1 参数调试 |
| 3.4.2 实验评估 |
| 3.5 本章小结 |
| 第四章 基于高斯随机映射的哈希索引可撤销指静脉模板 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 局部敏感哈希 |
| 4.2.2 赢家通吃哈希 |
| 4.2.3 随机MaxOut特征 |
| 4.2.4 基于高斯随机投影的最大索引哈希 |
| 4.3 方法 |
| 4.3.1 提取指静脉特征 |
| 4.3.2 基于高斯随机映射的哈希索引(GRP-IoH) |
| 4.3.3 GRP-IoH哈希匹配 |
| 4.3.4 可撤销模板生成 |
| 4.3.5 通用模板保护 |
| 4.4 实验和讨论 |
| 4.4.1 GRP-IoH的参数 |
| 4.4.2 性能评价 |
| 4.4.3 时间复杂度和简单实现的讨论 |
| 4.4.4 安全和隐私分析 |
| 4.5 结论 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（7）构建国产啤酒花质量评价体系的基础研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表（Abbreviation） |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 啤酒花概述 |
| 1.2.1 啤酒花的化学组成及作用 |
| 1.2.2 啤酒花的产业概况 |
| 1.3 农产品质量评价体系建立与实施概况 |
| 1.3.1 农产品质量评价体系的定义和发展 |
| 1.3.2 建立和实施农产品质量评价体系的目的和意义 |
| 1.3.3 我国农产品质量评价体系建立与实施现状 |
| 1.3.4 农产品质量评价体系方法的建立和实施 |
| 1.3.5 指纹图谱技术在农产品质量评价体系构建中的应用 |
| 1.4 啤酒花质量评价体系构建的研究进展 |
| 1.4.1 啤酒花质量评价方法 |
| 1.4.2 指纹图谱技术在啤酒花质量评价体系构建中的应用 |
| 1.5 论文的选题依据及主要研究内容 |
| 1.5.1 选题依据 |
| 1.5.2 本论文的主要研究内容 |
| 1.5.3 技术路线 |
| 第2章 札一啤酒花挥发性指纹图谱构建 |
| 2.1 引言 |
| 2.2 实验部分 |
| 2.2.1 样品收集与处理 |
| 2.2.2 仪器与试剂 |
| 2.2.3 实验方法 |
| 2.2.4 化学计量学分析 |
| 2.2.5 数据处理 |
| 2.3 结果与分析 |
| 2.3.1 实验条件的优化和方法学考察 |
| 2.3.2 札一啤酒花的挥发性组分特征 |
| 2.3.3 札一啤酒花的风味指纹图谱建立 |
| 2.3.4 因子权重分析 |
| 2.3.5 札一啤酒花与世界几个重要品种啤酒花香气特征的比较 |
| 2.4 本章小结 |
| 第3章 基于挥发性组分对啤酒花新鲜度的判别 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 样品收集与处理 |
| 3.2.2 仪器与试剂 |
| 3.2.3 实验方法 |
| 3.2.4 化学计量学分析 |
| 3.2.5 数据处理 |
| 3.3 结果与分析 |
| 3.3.1 新鲜和储藏札一啤酒花中挥发性组分分析 |
| 3.3.2 新鲜和储藏札一啤酒花的风味特征 |
| 3.3.3 无监督性化学计量学分析 |
| 3.3.4 监督性化学计量学分析 |
| 3.4 本章小结 |
| 第4章 基于挥发性组分对啤酒花品种和掺伪情况的鉴别 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 样品收集与处理 |
| 4.2.2 仪器与试剂 |
| 4.2.3 实验方法 |
| 4.2.4 化学计量学分析 |
| 4.2.5 数据处理 |
| 4.3 结果与分析 |
| 4.3.1 三个品种啤酒花的挥发性组分特征 |
| 4.3.2 三个品种啤酒花挥发性组分的类别比较 |
| 4.3.3 化学计量学分析 |
| 4.4 本章小结 |
| 第5章 基于矿物元素对啤酒花原产地的判别 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.2.1 样品收集与处理 |
| 5.2.2 仪器与试剂 |
| 5.2.3 实验方法 |
| 5.2.4 化学计量学分析 |
| 5.2.5 数据处理 |
| 5.3 结果与分析 |
| 5.3.1 矿物元素分析的标准曲线建立及方法学考察 |
| 5.3.2 不同产地和品种啤酒花中矿物元素的总体特征 |
| 5.3.3 化学计量学分析 |
| 5.3.4 啤酒花中22种矿物元素相关性分析 |
| 5.3.5 啤酒花中矿物元素与功能性组分的相关性分析 |
| 5.4 本章小结 |
| 第6章 基于矿物元素与啤酒花苦味酸对啤酒花生长特性的评价 |
| 6.1 引言 |
| 6.2 实验部分 |
| 6.2.1 样品采集与处理 |
| 6.2.2 仪器与试剂 |
| 6.2.3 实验方法 |
| 6.2.4 主成分分析 |
| 6.2.5 数据处理 |
| 6.3 结果与分析 |
| 6.3.1 啤酒花在生长期内矿物元素的积累特征 |
| 6.3.2 主成分分析 |
| 6.3.3 啤酒花最佳采摘期的确定 |
| 6.3.4 生长期内矿物元素与啤酒花苦味酸系列组分的相关性 |
| 6.4 本章小结 |
| 第7章 基于萜烯醇异构体对啤酒花酿造性能的评价 |
| 7.1 引言 |
| 7.2 实验部分 |
| 7.2.1 样品收集与处理 |
| 7.2.2 仪器与试剂 |
| 7.2.3 实验方法 |
| 7.2.4 化学计量学分析 |
| 7.2.5 数据处理 |
| 7.3 结果与分析 |
| 7.3.1 HS-SPME-Es GC-MS分析方法的建立 |
| 7.3.2 八种萜烯醇异构体在不同品种啤酒花中的分布 |
| 7.3.3 啤酒花在煮沸过程中整体风味的变化 |
| 7.3.4 啤酒花在煮沸过程中萜烯醇异构体的转化行为 |
| 7.3.5 化学计量学分析 |
| 7.4 本章小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 附录 A 论文中挥发性组分信息 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（8）基于CNN的手指多模态融合识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 生物特征识别技术 |
| 1.2.1 生物特征识别技术研究现状 |
| 1.2.2 手部生物特征识别技术 |
| 1.3 多模态生物特征识别技术 |
| 1.4 论文内容与组织结构 |
| 第二章 手指多模态图像采集和性能评价 |
| 2.1 引言 |
| 2.2 手指三模态图像的采集 |
| 2.2.1 采集装置设计 |
| 2.2.2 采集装置软件平台 |
| 2.2.3 手指三模态数据库构建 |
| 2.3 生物特征识别系统的性能评价 |
| 2.4 本章小结 |
| 第三章 基于CNN的手指单模态生物特征识别 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.3 手指单模态识别网络 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设置 |
| 3.4.3 手指单模态识别 |
| 3.5 本章小结 |
| 第四章 手指多模态生物特征融合识别 |
| 4.1 引言 |
| 4.2 算法框架概述 |
| 4.3 手指多模态特征融合识别 |
| 4.3.1 卷积特征尺寸标准化 |
| 4.3.2 手指多模态融合网络结构 |
| 4.3.3 手指多模态融合网络识别模型 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于注意力机制的手指多模态特征识别 |
| 5.1 引言 |
| 5.2 注意力机制简介 |
| 5.3 注意力机下的手指多模态识别 |
| 5.3.1 基于注意力机制的特征融合网络结构 |
| 5.3.2 基于注意力机制的手指多模态融合识别 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的科研成果 |
（9）基于Fuzzy ART算法的手机身份认证技术研究（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 |
| 1.3 论文的主要研究内容和创新点 |
| 1.4 全文安排 |
| 第二章 身份认证技术的基础知识 |
| 2.1 身份认证的定义和分类 |
| 2.2 常见的生物身份认证技术 |
| 2.2.1 静态生物特征认证技术 |
| 2.2.2 动态生物特征认证技术 |
| 2.3 击键身份认证的定义和分类 |
| 2.3.1 击键身份认证技术原理 |
| 2.3.2 击键身份认证的特点 |
| 2.3.3 击键身份认证可提取的特征 |
| 2.3.4 击键身份认证的性能评价标准 |
| 2.3.5 击键身份认证的常用算法 |
| 2.4 本章小结 |
| 第三章 基于Fuzzy ART算法的手机身份认证方法 |
| 3.1 基本设计思想 |
| 3.2 击键特征的选取 |
| 3.3 数据过滤与重组 |
| 3.3.1 皮尔逊相关系数法 |
| 3.3.2 Z-Score标准分数法 |
| 3.3.3 数据重组与分析 |
| 3.4 分类模型算法 |
| 3.4.1 常用算法分析 |
| 3.4.2 Fuzzy ART神经网络算法的选择 |
| 3.4.3 Fuzzy ART神经网络的内部结构和原理 |
| 3.4.4 Fuzzy ART神经网络的算法 |
| 3.5 整体算法描述 |
| 3.6 本章小结 |
| 第四章 设计与仿真实验 |
| 4.1 基于Fuzzy ART算法的身份认证模块设计 |
| 4.2 实验环境 |
| 4.3 实验文本的设计与处理 |
| 4.3.1 采样文本的设计和规划 |
| 4.3.2 数据调用的实现方法 |
| 4.3.3 数据过滤的实现和分析 |
| 4.4 神经网络的训练 |
| 4.4.1 训练参数的设置 |
| 4.4.2 训练方法分析 |
| 4.4.3 训练 |
| 4.5 仿真测试与对比分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间成果 |
（10）基于深度学习的端到端指纹模板保护算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 指纹加密技术研究现状 |
| 1.3 本文内容安排 |
| 第二章 指纹模板保护相关技术基础 |
| 2.1 传统指纹模板保护算法简介 |
| 2.1.1 指纹特征变换算法 |
| 2.1.2 指纹特征加密算法 |
| 2.1.3 混合加密算法 |
| 2.2 深度学习相关知识 |
| 2.2.1 深度学习技术 |
| 2.2.2 卷积神经网络技术 |
| 2.3 指纹数据库介绍 |
| 2.4 性能评价指标介绍 |
| 2.5 本章小结 |
| 第三章 基于像素混洗的指纹模板保护算法研究 |
| 3.1 基于哈希表的像素点插值变换 |
| 3.1.1 哈希算法 |
| 3.1.2 像素点插值变换 |
| 3.2 基于SHA-2的哈希校验码生成 |
| 3.3 基于二叉树的图像像素混洗算法 |
| 3.3.1 并行图像处理 |
| 3.3.2 二叉树的像素混洗机制 |
| 3.3.3 混洗算法实例 |
| 3.4 基于神经网络的图像特征提取 |
| 3.4.1 深度残差学习框架 |
| 3.4.2 ResNet网络模型架构 |
| 3.4.3 基于ResNet网络的指纹特征提取算法 |
| 3.5 实验设计与结果分析 |
| 3.5.1 端到端的指纹识别准确率分析 |
| 3.5.2 改进像素混洗算法准确率分析 |
| 3.5.3 改进像素混洗算法性能分析 |
| 3.5.4 改进像素混洗算法安全性分析 |
| 3.6 本章小结 |
| 第四章 基于深度指纹特征向量串的模板保护算法 |
| 4.1 特征向量随机映射 |
| 4.2 特征向量不可逆变换方法 |
| 4.2.1 多维谱哈希变换算法 |
| 4.2.2 非线性多维谱哈希变换算法 |
| 4.3 实验设计与结果分析 |
| 4.3.1 算法性能分析 |
| 4.3.2 算法性能优势分析 |
| 4.3.3 算法安全性评估 |
| 4.4 本章小结 |
| 第五章 基于FuzzyVault的指纹文件加解密系统实现 |
| 5.1 系统原理与技术方案 |
| 5.2 系统功能和总体框架 |
| 5.3 系统开发和应用环境 |
| 5.4 系统使用方法简介 |
| 5.4.1 系统界面功能说明 |
| 5.4.2 用户文件加密阶段 |
| 5.4.3 用户文件解密阶段 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、指纹识别系统的性能评价（论文参考文献）
- [1]低质量指纹图像识别算法的研究与实现[D]. 张晓欢. 哈尔滨理工大学, 2021(09)
- [2]低质量小面积指纹识别[D]. 何致远. 浙江大学, 2021(01)
- [3]面向车载网络的入侵检测系统研究[D]. 宋和春. 西安电子科技大学, 2020(05)
- [4]单因子的可撤销生物特征模板保护算法研究[D]. 孔小景. 安徽大学, 2020(02)
- [5]基于Bayesian推理的河流突发水污染溯源模型构建与案例应用[D]. 张丰帆. 哈尔滨工业大学, 2020(01)
- [6]可撤销指静脉模板保护算法研究[D]. 叶露露. 安徽大学, 2020(07)
- [7]构建国产啤酒花质量评价体系的基础研究[D]. 刘泽畅. 新疆大学, 2020(06)
- [8]基于CNN的手指多模态融合识别方法研究[D]. 王丽. 中国民航大学, 2020(01)
- [9]基于Fuzzy ART算法的手机身份认证技术研究[D]. 赵奕芳. 河南师范大学, 2020(08)
- [10]基于深度学习的端到端指纹模板保护算法研究[D]. 石悦. 西安电子科技大学, 2020(05)