论文和算法

A. 求算法相关的论文

史丰收计算法
演练实例一
速
算
法
演
练
实
例
Example
of
Rapid
Calculation
in
Practice
○史丰收速算法易学易用，算法是从高位数算起，记着史教授总结了的26句口诀（这些口诀不需死背，而是合乎科学规律，相互连系），用来表示一位数乘多位数的进位规律，掌握了这些口诀和一些具体法则，就能快速进行加、减、乘、除、乘方、开方、分数、函数、对数…等运算。
□本文针对乘法举例说明
○速算法和传统乘法一样，均需逐位地处理乘数的每位数字，我们把被乘数中正在处理的那个数位称为“本位”，而从本位右侧第一位到最末位所表示的数称“后位数”。本位被乘以后，只取乘积的个位数，此即“本个”，而本位的后位数与乘数相乘后要进位的数就是“后进”。
○乘积的每位数是由“本个加后进”和的个位数即--
□本位积=（本个十后进）之和的个位数
○那么我们演算时要由左而右地逐位求本个与后进，然后相加再取其个位数。现在，就以右例具体说明演算时的思维活动。
（例题）
被乘数首位前补0，列出算式：
0847536×2=1695072
乘数为2的进位规律是“2满5进1”
0×2本个0，后位8，后进1，得1
8×2本个6，后位4，不进，得6
4×2本个8，后位7，满5进1，
8十1得9
7×2本个4，后位5，满5进1，
4十1得5
5×2本个0，后位3不进，得0
3×2本个6，后位6，满5进1，
6十1得7
6×2本个2，无后位，得2
在此我们只举最简单的例子供读者参考，至于乘3、4……至乘9也均有一定的进位规律，限于篇幅，在此未能一一罗列。
“史丰收速算法”即以这些进位规律为基础，逐步发展而成，只要运用熟练，举凡加减乘除四则多位数运算，均可达到快速准确的目的。

B. 论文查重的算法

新的一年毕业季就要到来了，大家都在准备毕业论文了，临毕业的学子都知道论文到最后会有一个论文查重的过程，这个查重过程是非常严格的，学校对论文查重会设置一个门槛，大部分学校定的都是论文的抄袭率不能高于30%，一旦重复率高于这个阀值，轻者延期毕业，重者就会被取消学位，很多同学在写论文时都会在网上参考，这就会面临极大的查重风险，所以我们需要掌握一些方法，这样有几率可以帮助降低重复率。我原来使用过PaperPaper查重软件，大家可以用这些方法去试试。

• 01

  论文的段落和论文格式。大家在上传论文文本时都是整篇上传，论文在进行检测的时候会自动的划分段落，我们可以上传时分段落上传，这样在检测时会有几十个字的小段落检测不出来，可以有效的减低重复率。

• 02

  对比数据库。论文在检测时是对比已发表的期刊文章、毕业论文以及一些会议论文，有的数据库也会对比网络的一些文章。这就说明数据库往往收录的都是网上的文章和文献，一般书籍中的内容数据库中是没有的，所以参考书籍中的内容相对安全性会比较大一些。

• 03

  章节的变换。很多同学会把一篇文章前后顺序换换或者不同的文章截取不同的段落然后直接变成自己，这样对降低重复率是没有影响的，所以这个办法不可取。

• 04

  标注的参考文献。一般论文检测系统在检测时会对参考文献设置一个阀值，这个阀值主要在5%，意思就是假如一篇10000字的论文，标注的参考文献是不能超过500个字，超过的即使你标注了也会被视为抄袭，所以大家在参考文献时一定要注意不能过多。

• 05

  找到论文查重软件，点击开始查询进入下一个页面。

• 06

  在论文检测页面要完善好相关的信息，在选择论文上传方式的时候可以依据自身情况使用粘贴文本或者是添加论文的文档，之后就可以开始上传了。

• 07

  这个网站拥有海量的资源库，并且设置了安全加密机制，保护用户的数据不会被泄露，而且很多家高校也在使用，性价比高适合专科及以上学历论文查重。

• 08

  有需要或者想了解这方面知识的朋友可以去尝试一下。

C. 有什么关于pregel的论文或者算法值得一读

Pregel是来自Google的图处理框架，其工作机理来源于BSP（Bulk synchronous parallel）[1]计算模型，首次出现在Google于SIGMOD 2010发表的论文[2]上。Pregel主要关注的是大规模图处理算法任务，构建于Google内部的集群机器[3]之上，其拥有高效率。

D. 计算机专业本科生做毕业论文一般用什么算法

一个程序的核心在于算法。比如说打开一个软件和运行一个软件的速度在计算机硬件性能相同情况下，软件的算法起到了几近决定性作用，所有的计算机软件和硬件的编程都是需要算法的，就算一个hello world程序虽然我们编时候没有用到算法但是在编译他和运行再屏幕显示的时候就是算法了。算法是计算机乃至自然界的核心，如果知道人脑的算法，就可以制造出人工智能的软件。
算法太多，也就不全部列举出来了，具体的还有用法，你自己看下书或去网上找下，都应该可以找到的：比如：贪心算法，蚁群算法，遗传算法，进化算法，基于文化的遗传算法，禁忌算法，蒙特卡洛算法，混沌随机算法，序贯数论算法，粒子群算法，模拟退火算法等等。

E. 目标检测算法经典论文回顾（一）

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation

提出时间：2014年

论文地址：https://openaccess.thecvf.com/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf

针对问题：

从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。

创新点：

RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。

参考博客： https://blog.csdn.net/briblue/article/details/82012575。

论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks

提出时间：2014年

论文地址：https://arxiv.org/pdf/1312.6229.pdf

针对问题：

该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。

创新点：

在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。

参考博客： https://blog.csdn.net/qq_35732097/article/details/79027095

论文题目：Scalable Object Detection using Deep Neural Networks

提出时间：2014年

论文地址：https://openaccess.thecvf.com/content_cvpr_2014/papers/Erhan_Scalable_Object_Detection_2014_CVPR_paper.pdf

针对问题：

既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。

创新点：

本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。

参考博客： https://blog.csdn.net/m0_45962052/article/details/104845125

论文题目：DeepBox: Learning Objectness with Convolutional Networks

提出时间：2015年ICCV

论文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Kuo_DeepBox_Learning_Objectness_ICCV_2015_paper.pdf

主要针对的问题：

本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。

创新点：

本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。

参考博客： https://www.cnblogs.com/zjutzz/p/8232740.html

论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection

提出时间：2015年ICCV

论文地址：https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Yoo_AttentionNet_Aggregating_Weak_ICCV_2015_paper.pdf

主要针对的问题：

对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？

创新点：

通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。

参考博客： https://blog.csdn.net/m0_45962052/article/details/104945913

论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

提出时间：2014年

论文地址：https://link.springer.com/content/pdf/10.1007/978-3-319-10578-9_23.pdf

针对问题：

如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。

创新点：

作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。

参考博客 ：https://blog.csdn.net/weixin_43624538/article/details/87966601

论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model

提出时间：2015年

论文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Gidaris_Object_Detection_via_ICCV_2015_paper.pdf

针对问题：

既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。

创新点：

作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。

参考博客 ：https://blog.csdn.net/alfred_torres/article/details/83022967

论文题目：Fast-RCNN

提出时间：2015年

论文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf

针对问题：

RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？

创新点：

作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。

参考博客 ：https://blog.csdn.net/u014380165/article/details/72851319

论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers

提出时间：2015年

论文地址：https://openaccess.thecvf.com/content_iccv_2015/papers/Ghodrati_DeepProposal_Hunting_Objects_ICCV_2015_paper.pdf

主要针对的问题：

本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。

创新点：

作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。

论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

提出时间：2015年NIPS

论文地址：https://proceedings.neurips.cc/paper/2015/file/-Paper.pdf

主要针对的问题：

由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？

创新点：

将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。

参考博客 ：https://zhuanlan.hu.com/p/31426458

F. 硕士毕业论文必须和高大上的算法对比吗

硕士毕业论文不是必须和高大上的算法对比。
研究生论文中的算法设计可以参考他人做过的，也可以自己提出算法思路。
前者不用太详细介绍，但是运用时必须准确全面；后者需要很详细，因为新的算法没人知道，不详细的话读者可能看不懂，就没有价值了。

G. 系统类论文和算法论文一样吗

不一样。工程论文与工学论文最大的差别就是在应用价值与理论创新的侧重不一样，以某个算法这种单纯的理论为题，从应用价值上来看内容太少，以理论创新上来看，要看你个人能力，并不是说做出创新的东西就一定比做出好用的东西要难，但你既然选择了工程硕士，我觉得你应该更愿意偏重应用才是。
所以信息系统绝对比仿真算法更好入手，特别是你还提到了“设计与实现”，你知道的算法的实现网上一搜一大把，这些老师都知道，你要想体现出你的工作量就只能创新，而系统就不同了，就算你没有做出来（退一步讲，就算你根本没做），你都可以仅仅凭着设想写完。

H. 算法与程序设计论文3000字

1、论点（证明什么）论点应该是作者看法的完整表述，在形式上是个完整的简洁明确的句子。从全文看，它必能统摄全文。表述形式往往是个表示肯定或否定的判断句，是明确的表态性的句子。
A．把握文章的论点。 中心论点只有一个（统率分论点）⑴明确：分论点可以有N个（补充和证明中心论点）
⑵方法①从位置上找：如标题、开篇、中间、结尾。②分析文章的论据。（可用于检验预想的论点是否恰当）③摘录法（只有分论点，而无中心论点）
B．分析论点是怎样提出的：①摆事实讲道理后归结论点；②开门见山，提出中心论点；③针对生活中存在的现象，提出论题，通过分析论述，归结出中心论点；④叙述作者的一段经历后，归结出中心论点；⑤作者从故事中提出问题，然后一步步分析推论，最后得出结论，提出中心论点。
2、论据（用什么证明）⑴论据的类型：①事实论据（举例后要总结，概述论据要紧扣论点）；②道理论据（引用名言要分析）。
⑵论据要真实、可靠，典型（学科、国别、古今等）。⑶次序安排（照应论点）；⑷判断论据能否证明论点；⑸补充论据（要能证明论点）。
3、论证（怎样证明）
⑴论证方法 （须为四个字）①举例论证（例证法）事实论据记叙②道理论证（引证法和说理）道理论据 议论
③对比论证（其本身也可以是举例论证和道理论证）④比喻论证 比喻在说明文中为打比方，散文中为比喻。
⑵分析论证过程：①论点是怎样提出的；②论点是怎样被证明的（用了哪些道理和事实，是否有正反两面的分析说理）；③联系全文的结构，是否有总结。
⑶论证的完整性（答：使论证更加全面完整，避免产生误解）
⑷分析论证的作用：证明该段的论点。
4、议论文的结构⑴一般形式：①引论（提出问题）―――②本论（分析问题）―――③结论（解决问题）。
⑵类型：①并列式②总分总式③总分式④分总式⑤递进式。
6、驳论文的阅读
⑴作者要批驳的错误观点是什么？
⑵作者是怎样进行批驳的，用了哪些道理和论据；
⑶由此，作者树立的正确的观点是什么？

I. 算法类论文容易通过为什么

因为算法类数据出错的概率很小。
算法类论文具有探索性，经过文献调研后，针对某一领域欲解决的问题和存在的问题有一定的见解，产生出一个题目，利用自己所学的专业知识加以研究算法类讲究的是正确率和数据所以很少概率会出错，所以算法类论文容易通过是因为算法类数据出错的概率很小。
这样做你的毕业论文会比较完整，内容丰富，算法方面基本可以不要求较大的创新。

J. 论文查重用了什么算法

知网查重的算法是

使用计算机开展知网查重识别的研究首先要对数字文档进行分析处理,而数字文档又可分为两种类别,即:自然语言文本和形式语言文本。形式语言文本比较典型的是计算机程序源代码,虽然抄袭的案例较多,但因其具有规范的语法和语句结构特点,相对比较容易分析处理,针对此类抄袭识别的研究也较早。而自然语言文本(如:论文等)复制检测原理的出现比程序复制检测晚了20年。
②1993年,美国亚利桑那大学的Manber提出了“近似指纹”概念,基于此提出了sif工具,用基于字符串匹配的方法来度量文件之间的相似性。美国斯坦福大学的Brin等人首次提出了COPS系统与相应算法,其后提出的SCAM原型对此进行了改进了。SCAM借鉴了信息检索技术中的向量空间模型,使用基于词频统计的方法来度量文本相似性。香港理工大学的Si和Leong等人采用统计关键词的方法来度量文本相似性,建立了CHECK原型,并首次在相似性度量中引入文档的结构信息。到了2000年,Monostori等人用后缀树来搜寻字符串之间的最大子串,建立了MDR原型。在此之前,全美国的教育工作者们现已懂得综合运用课堂书写段落样本、互联网搜索工具和反剽窃技术三结合手段遏制欺骗的源头。
③ 对于中文论文的抄袭识别,存在更大的困难。汉语与英文不同,它以字为基本的书写单位,词与词之间没有明显的区分标记,因此,中文分词是汉语文档处理的基础。汉语文本抄袭识别系统首先需要分词作为其最基本的模块,因此,中文文本自动分词的好坏在一定程度上影响抄袭识别的准确性。同时计算机在自然语言理解方面有欠缺,而抄袭又不仅仅局限于照抄照搬式的,很难达到准确的抄袭识别。所以解决中文论文抄袭识别问题还不能全盘照搬国外技术。北京邮电大学张焕炯等用编码理论中汉明距离的计算公式计算文本相似度。中科院计算所以属性论为理论依据,计算向量之间的匹配距离,从而得到文本相似度。程玉柱等以汉字数学表达式理论为基础,将文本相似度计算转换为空间坐标系中向量夹角余弦的计算问题。西安交通大学的宋擒豹等人开发了CDSDG系统,采用基于词频统计的重叠度度量算法在不同粒度计算总体语义重叠度和结构重叠度。此算法不但能检测数字正文整体非法复制行为,而且还能检测诸如子集复制和移位局部复制等部分非法复制行为。晋耀红基于语境框架的相似度计算算法,考虑了对象之间的语义关系,从语义的角度给出文本之间的相似关系。大连理工大学的金博、史彦军、滕弘飞针对学术论文的特有结构,对学术论文进行篇章结构分析,再通过数字指纹和词频统计等方法计算出学术论文之间的相似度。张明辉针对重复网页问题提出了基于段落的分段签名近似镜像新算法。鲍军鹏等基于网格的文本复制检测系统提出了语义序列核方法的复制检测原理。金博、史彦军、滕弘飞少给出了一个基于语义理解的复制检测系统架构,其核心是以知网词语相似度计算为基础,并将应用范围扩大到段落。聂规划等基于本体的论文复制检测系统利用语义网本体技术构建论文本体和计算论文相似度。
请继续关注上学吧论文查重（http://www.shangxueba.cn），更多有关论文检测信息尽在其中。