一、人工神经网络应用系统开发模型和方法研究（论文文献综述）
孙肖坤[1]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中进行了进一步梳理随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
段杰鹏[2]（2021）在《面向语音识别应用的开源软件演化技术研究》文中研究说明开源软件社区的出现,为软件开发提供了丰富的可参考原型资源,无论从软件技术原型到机器学习模型等等。然而,这些原型资源往往依赖具体应用背景和计算环境,很难适应个性化需求,如何有效利用这些开源原型是一个新的挑战。本文结合语音识别应用,研究如何利用软件演化技术解决开源语音模型自适应问题。利用反射机制,动态感知环境变化和语音识别需求的变化,并对开源软件进行自适应调整,以便满足个性化语音识别应用需求。研究中提出了模型驱动和数据驱动演化算法,以解决语音识别精度要求变化和语音模型环境变化引起的语音识别模型演化的个性化问题。以乒乓球技战术采集语音识别系统应用为案例,检验上述提出算法的有效性。设计并开发了一个乒乓球技战术采集语音识别原型系统,采用模型库、方法库和数据库体系结构,在方法库中不同方法的驱动下完成模型驱动和数据驱动的语音识别自适应过程。
李鑫[3]（2021）在《铁路机车设备画像理论及关键技术研究》文中提出铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
涂芝润[4]（2021）在《基于LSTM的VOD精炼炉终点预报模型研究》文中指出近年来,不锈钢的需求与日俱增,对不锈钢的质量也提出了更高要求,作为冶炼不锈钢的主要方法,真空吹氧脱碳法（Vacuum Oxygen Decarburization,VOD）开始在钢材生产企业中投入使用。VOD精炼炉冶炼不锈钢过程是一个典型的多输入、多输出、非线性的时变过程,也是一个复杂的多相火法冶金过程。VOD终点参数的准确预测控制是冶炼的主要控制目标。其中,终点碳含量和温度作为最为关键的参数,它与多个变量存在非线性、耦合性非线性的关系,且存在大量参数无法实时测量的问题。建立准确的预报模型对VOD终点碳温进行预报,可以提高终点命中率,提高生产效益。本文首先通过分析VOD冶炼工艺流程,以及对精炼机理过程进行简要分析,对各个阶段发生的物理化学反应和体系热量收支进行简要分析,确定出对终点碳温有影响的输入参数。其次,针对VOD冶炼过程参数众多、参数之间非线性、冗余性的特点,深入学习特征选择理论相关知识,采用基于最大相关最小冗余（Max Relevance Min Redundancy,mRMR）的互信息（Mutual Information,MI）特征选择方法,对输入参数进行选择,不仅能衡量变量之间的相关性也考虑了变量之间的非线性和冗余性,从而减少模型参数和冗余特征。然后,分别对神经网络和循环神经网络的工作原理进行了深入学习,针对循环神经网络目前存在的梯度消失和梯度爆炸问题,引出本文采用的算法模型长短时记忆网络（Long Short Term Memory Networks,LSTM）,并对其工作原理进行了深入研究,并在燃气轮机上对CO和NOx的排放量对LSTM算法进行了仿真实验。结果表明,与极限学习机和随机森林算法的结果相比,LSTM在处理具有时序特点的工业参数预测控制中有着较强的预测效果和泛化能力。最后,基于互信息的特征选择方法得到VOD终点碳温预报模型的输入参数,并对LSTM网络模型训练参数的设置进行了研究,包括损失函数的选择和模型泛化能力的提升方法。然后分别建立了支持向量回归机（Support Vector Regression,SVR）预报模型、未经特征选择的LSTM模型和基于互信息的LSTM终点预报模型。针对SVR参数选择问题,采用遗传算法优化SVR的超参数,提升SVR预测效果。结果表明,经过特征选择能够减少参数个数和参数之间的冗余性,降低模型复杂度。同时,将深度学习算法应用于炼钢过程参数预测控制,为炼钢终点预报方法开辟了新方法。仿真实验表明,本文提出的方法优于传统的BP神经网络模型和SVR模型,能够提高VOD精炼炉的终点碳温命中率,可用于指导VOD生产过程,并拓展到其他冶金领域。
孙振亚[5]（2021）在《基于人工神经网络的复合材料加筋板失效行为预测研究》文中研究表明复合材料帽型加筋壁板是体现高强和轻质设计概念的典型复合材料结构形式,其设计参数多、屈曲失效模式丰富,工程计算的简化方法预测精度不高。尽管采用有限元精细预测可以实现高精度预测,但是对于工程设计人员来说耗时较大。本文首先通过试验验证和有限元数值模拟相结合的方式研究了复合材料帽型加筋壁板的力学行为,然后采用人工神经网络方法提供了一种结构承载能力预测的快速方法。主要做了以下几个方面的工作:（1）本文中建立了两种人工神经网络模型研究了帽型加筋板的压缩屈曲行为,成功地预测了其压缩屈曲载荷和压缩屈曲模式。首先,开展有限元模拟和实验验证相结合的方式研究了复合材料帽型加筋板的压缩屈曲行为。接着,考虑了四个加筋板的力学参数,采用ABAQUS二次开发程序来批量生成了人工神经网络的训练集和测试集,通过对比选择了两种神经网络结构来分别预测屈曲载荷和屈曲失效模式。基于测试集数据和新测试数据来检查人工神经网络的性能表现和泛化能力。研究结果表明:试验与数值分析预测相结合可以有效地揭示复合材料加筋板的压缩屈曲行为,此外经过有效训练的人工神经网络可以准确高效地预测复合材料帽型加筋板在轴压载荷下的屈曲行为。（2）本文建立了人工神经网络模型研究了帽型加筋壁板的剪切失效行为,成功地预测了其剪切屈曲载荷和极限载荷。首先,开展有限元模拟和实验验证相结合的方式研究了复合材料帽型加筋壁板的剪切屈曲行为和承载能力。接着,采用二次开发的ABAQUS参数化建模技术批量计算生成了人工神经网络的训练集、验证集和测试集,并使用自编码器对原始特征进行压缩。最后,通过建立BP神经网络预测剪切屈曲载荷和极限载荷,基于测试集数据来检查人工神经网络的性能表现和泛化能力。研究结果表明:试验与数值预测相结合可以有效地揭示复合材料加筋板的剪切变形过程和破坏机理,此外采用自编码器压缩抽取的特征可有效替代原始特征,且有效训练的BP神经网络可以准确高效地预测复合材料帽型加筋壁板在剪切载荷下的屈曲载荷和极限载荷。
左岗岗[6]（2021）在《基于机器学习的径流预测方法及适应性预测机制研究》文中研究表明变化环境影响下,径流形成过程和演进机理复杂多变,流域稳态假设不再成立。基于历史资料和实际变化调查,评价一致性、可靠性、代表性的传统工作暴露了不少问题。在此背景下,开展响应变化的径流预测既难又关键。由问题驱动,走先进可行的技术路线既是探索也是突破。本论文立足于响应环境变化和支撑水资源管理决策的径流适应性预测,开展了径流预测方法及适应性预测机制研究。在构建径流适应性预测机制的基础上,首先基于对径流演变规律的大数据分析,挖掘径流形成的驱动要素,提取径流预测因子;然后借助机器学习技术,提出径流预测模型构建方法,建立径流预测模型;最后以综合集成平台为支撑,设计并开发融合机制、数据、模型、方法和业务的径流适应性预测系统,实现不同应用主题、不同驱动因子、不同时空尺度和不同模型组合的径流适应性预测。论文的主要研究内容及成果如下:（1）提出并建立了响应变化和支撑决策的径流适应性预测机制。针对变化环境下流域稳态假设不再成立的问题,分析了变化环境对径流预测的影响和径流预测对水资源管理的支撑作用,明确了径流适应性预测需要响应和支撑的对象及其变化因素。从径流预测活动的数据输入、模型和预测结果应用层面,设计了响应环境变化和支撑决策的径流适应性预测机制,为变化环境下的径流预测提供了新的模式和思路。基于大数据分析和机器学习,构建了实现径流适应性预测机制的技术方法;基于综合集成平台,建立了径流适应性预测机制的图谱化集成实现技术,为径流适应性预测奠定了技术基础。（2）建立了基于大数据分析的径流驱动因子挖掘方法。针对变化环境下径流统计规律和成因规律频繁改变的问题,采用传统方法与大数据分析相结合的方法,提出了径流关键驱动因子挖掘技术方法,去除了对径流变化影响不显着的特征要素,抽取了影响径流变化的隐含特征因子,辨识了水文、气象和植被等特征要素对径流变化的驱动关系,提取了径流变化的关键驱动因子,为基于机器学习的径流适应性预测奠定了数据基础。（3）提出了基于机器学习的径流预测模型构建方法。针对变化环境下径流驱动因子频繁改变,引起径流预测模型结构和参数不适用的问题,将机器学习技术引入径流预测,提出了径流预测机器学习模型构建方法,实现了径流预测模型自学习,有效地响应了变化,为径流适应性预测模型构建奠定了方法基础。针对径流预测机器学习模型的黑箱特征,建立了模型解释流程,实现了对径流预测机器学习模型的解释说明,为径流适应性预测奠定了应用基础。（4）构建了基于径流统计规律的径流预测机器学习模型。针对气象和下垫面要素缺测区域的径流适应性预测问题,提出了基于径流统计规律,构建径流预测机器学习模型的框架。将信号处理算法和机器学习算法相结合,使用历史径流,构建了不同时间尺度或空间尺度下径流预测机器学习模型,并开展了多模型对比评价,避免未来信息使用的同时有效降低了信号处理算法边界效应的影响,为开展径流适应性预测奠定了模型基础。（5）构建了基于径流成因规律的径流预测机器学习模型。针对气候变化和下垫面环境演变对径流形成过程的影响问题,提出了基于径流成因规律,构建径流预测机器学习模型的框架。基于机器学习算法,使用历史径流、气象要素和下垫面特征要素,构建了不同时间尺度或空间尺度下的径流预测机器学习模型,并开展了多模型对比评价,在有效利用径流变化成因信息的同时,基于历史同期径流变化情况,实现了对模型预测结果的修正,为径流适应性预测奠定了模型基础。（6）设计并开发了径流适应性预测系统,开展了集成应用研究。针对径流适应性预测需要过程化决策支撑的问题,采用“平台+内容+服务”的方式,设计了径流适应性预测系统。基于综合集成平台,构建了径流预测数据库、模型方法组件库和知识图库,实现了对预测数据、预测模型和预测业务的分离管理。通过组件集成数据、模型和方法,知识图集成组件的方式,实现了径流适应性预测系统的快速搭建。通过系统的持续集成应用,开展了“引汉济渭”工程黄金峡水库的预测调度业务模拟仿真,实现了径流适应性预测。
朱懿[7]（2021）在《深度强化学习优化的人工势场算法在室内逃生路径规划中的应用》文中研究表明室内火灾复杂多变,在应对完全未知的复杂室内环境时,传统人工势场法因为自身缺陷很难成功完成路径规划的任务。近年来,深度学习和强化学习在不断的向前发展,用深度强化学习的方法来实现智能体路径规划任务一直是前沿热点研究。传统的人工势场法应用到复杂的、未知的环境时,会因为目标不可达或局部极值点等原因导致寻路失败。而深度强化学习是通过让智能体在不断“犯错”的过程中,学习到相关躲避障碍物以及寻找目标点的策略,最终获得一条最优路径。因此本课题开展了基于深度强化学习优化的传统路径规划算法人工势场法研究问题。论文主要研究如下:（1）本文利用深度强化学习来优化人工势场法,并根据深度强化学习分类的不同,分别提出了基于策略的人工势场优化方法（DDPG-APF）和基于值的人工势场优化方法（DQN-APF）。设计特殊的奖励函数,当智能体在势场中陷入困境时,通过不断给予智能体负奖励值来引导智能体脱离困境;针对不同规模场景下的深度强化学习优化人工势场法（DRL-APF）算法需要重复训练,消耗大量算力的情况下,本文提出在DRL-APF算法中引入迁移学习的机制,将大规模场景拆分成若干个小规模场景,通过小规模场景的学习将所学策略运用到大规模场景中,来提高DRL-APF算法的训练效率。（2）实验选取黑龙江省哈尔滨市地理信息产业园为研究区域进行环境仿真实验,结果表明:两类优化算法均可在复杂环境中实现路径规划;2个随机障碍物环境下,基于策略的优化方法（DDPG-APF）规划完整路径所需时长要比基于值的优化方法（DQN-APF）少13.2秒,效率高出24.4%;为证明算法的泛化性,将随机障碍物分别增加到4个和6个时,DDPG-APF规划完整路径所需时长分别比DQN-APF少7.2秒、10.1秒,效率高出11.7%、15.9%,这表明两个优化算法均有较好的泛化能力。（3）进行了不同规模场景下引入迁移学习前后的DRL-APF算法路径规划训练效率实验,实验表明在未引入迁移学习前,在60m*90m、70m*70m两个场景下训练智能体,40000回合奖励值仍未收敛,而引入迁移学习后,两个场景中智能体获得的奖励值均在20000回合之前收敛。证明了本文在DRL-APF算法中引入迁移学习的可行性。
练兴杨[8]（2021）在《基于协同过滤模型的运动处方生成技术研究与应用》文中提出健康是人们对美好生活的基本诉求,越来越多的人们开始注重运动习惯的养成,因此运动处方的应用受到人们的关注。针对现有运动处方生成方法存在个性化不足、针对性不强、运动计划安排不合理等问题,本文结合运动处方的相关理论,研究并设计出一种个性化运动处方生成方法,并在此基础上,针对运动处方在实施过程中的安全性问题,构建出一种基于胶囊神经网络的运动风险监测模型,进一步降低运动过程中的风险。具体研究内容如下:首先,基于运动需求与运动项目的关系,本文对运动项目的功能属性进行量化。在此基础上,一方面将聚焦系数矩阵融入协同过滤计算中,获得针对特定需求的运动项目适应度值,并以此为依据筛选符合预期的运动项目;另一方面,利用非支配排序遗传算法计算运动处方参数,保证运动处方的针对性和合理性。其次,面向运动过程中的风险构建出一种基于胶囊神经网络模型。该模型通过向量神经元提取可穿戴设备采集的心律数据特征,并基于此特征对运动风险进行预估,从而避免运动过程中危险状况的发生。此外,基于向量神经元的胶囊神经网络可以提取特征之间的关联信息,使其对数据中的噪声干扰具有较强的抵抗力。最后,针对上述模型在实践应用中的可行性和有效性,本文设计出一种基于反馈调节机制的运动处方管理流程,通过测试数据集的仿真实验,一方面,验证了融合聚焦系数矩阵的协同过滤算法在运动项目筛选过程中,具有更好的准确度和稀疏性;另一方面,验证了基于胶囊神经网络的运动风险监测模型在噪声干扰环境下,对心律失常的检测具有较高的正确率和可靠性。
白彬彬[9]（2021）在《网络未知协议语法的智能逆向分析方法研究》文中提出近年来,随着互联网发展瞬息万变、5G技术的崛起日新月异,网络安全问题的新闻出现的频率逐渐增多。网络安全问题不仅关乎个人利益,也关系着社会稳定。到目前为止,常见的协议分析方法主要针对上层的协议,而未知协议类型繁多,尤其是私有协议或尚未公开的协议,分析难度较大,使用普通的分析方法很难达到好的效果。针对以上情况,本文以网络协议为研究对象,以多种协议混合分类作为目标,着重探讨未知协议语法的智能逆向分析方法。然后探讨如何对未知协议特征提取算法进行优化,使得比特流协议特征提取更加准确高效。这篇论文研究工作主要包括以下几个方面:（1）设计一种新的未知协议特征提取优化算法。通过对数据进行遍历找出满足支持度阈值的最长数据,并以最长数据的长度初始化一维向量。通过遍历数据集找出每个位置元素的重复次数,根据支持度对向量进行切分。并去除掉坏字符,形成初始频繁项集。然后通过支持度计算以及串统计去除噪声,这样剪枝可以减少后续的工作量。在此基础上对获得的特征集进行去除包含操作,并将结果存入到特征集中。最后进行特征集的支持度过滤和去重操作。将结果保存入协议特征库,为后续工作提供基础工作。（2）提出一种智能化协议逆向分析方法。首先将协议转化为图像后,将数据进行标签化,然后建立卷积神经网络模型,通过设置卷积层、池化层、全连接层,将数据映射到n类协议结果中,最后使用该模型对测试数据进行测试,然后调整模型参数,使得模型尽可能优化。设计智能协议分析方法,将协议类别识别效率提高15%。（3）设计并实现未知协议语法分析系统。采用协议特征库以及智能逆向分析算法综合验证,并设计评价指标。结果表明,采用智能化协议语法逆向分析方法,通过引入卷积神经网络算法,并结合未知协议特征提取优化方法,降低算法运行时间的同时提高协议识别精度5%。通过测试未知协议数据可以表明,所构造的系统在保证精确度的基础上,降低了系统的响应时间,为网络数据传输数据流提供安全防控、数据分析,精准检测提供技术手段。
陈卓[10]（2021）在《齿轮箱故障智能诊断方法研究》文中研究指明随着机械设备越来越复杂化、智能化,产生的经济效益也随之增加。齿轮箱作为机械设备的核心部件,决定着机械设备的运转状态,在机械工业的发展中起着关键作用,因此对齿轮箱故障诊断方法的研究具有重要的研究价值。同时人工智能技术的蓬勃发展,为齿轮箱故障诊断提供了新方法。本文对齿轮箱的故障诊断技术进行研究,将人工智能技术引入齿轮箱故障诊断,进行齿轮箱故障智能诊断方法的研究。主要研究内容如下:（1）对传统故障诊断技术和智能故障诊断技术进行对比分析确定了智能诊断方法的研究意义。分析齿轮的振动机理并建立对应的力学模型,对不同状态振动信号模型进行仿真,分析了其对应的调制信息及边频带的分布特征。（2）设计了一种以FPGA为核心的齿轮箱振动信号采集系统,完成数据的采样、转换、存储和传输。对齿轮箱运行过程中齿轮的啮合频率以及轴转频率进行分析和实验验证,结果表明该采集系统用5 kHz的采样频率可不失真的采样和传输500 Hz的振动信号,能满足本文所用振动实验台齿轮啮合频率及其边频带的不失真采样和传输,验证了信号采集系统的可行性。（3）对齿轮箱在不同工况下的振动信号进行小波包分解,分析小波包能量谱中不同频带段对应的能量特征。研究表明能量特征中包含着丰富的工况信息,可以作为齿轮箱故障智能诊断的样本数据。（4）对齿轮箱智能诊断方法进行研究,分别以人工神经网络为基础建立GA-BP故障诊断模型,以支持向量机为基础建立SVM故障诊断模型;针对支持向量机最优参数难以确定的问题,引入粒子群算法和遗传算法分别建立PSO-SVM故障诊断模型和GA-SVM故障诊断模型;综合评价四种模型的诊断性能,结果表明GA-SVM故障诊断模型具有较高的故障识别准确率,平均准确率为97.68%,且运行时间最短,平均运行时间为20.02 s。
二、人工神经网络应用系统开发模型和方法研究（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、人工神经网络应用系统开发模型和方法研究（论文提纲范文）
（1）复杂大型建设项目费用偏差控制方法及信息系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）面向语音识别应用的开源软件演化技术研究（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 研究现状 |
| 1.3 主要研究内容 |
| 1.4 研究方法与技术 |
| 1.5 本文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 开源语音识别系统 |
| 2.2 软件演化技术 |
| 2.2.1 C2体系结构风格与动态演化 |
| 2.2.2 计算反射 |
| 2.2.3 中间件 |
| 2.2.4 再工程 |
| 2.3 模型库决策支持 |
| 2.4 语音识别技术 |
| 2.5 神经网络 |
| 2.6 乒乓球技战术语言 |
| 2.7 本章总结 |
| 第三章 需求驱动的开源语音识别系统演化算法研究 |
| 3.1 模型驱动演化 |
| 3.1.1 演化模型 |
| 3.1.2 模型驱动演化算法 |
| 3.2 数据驱动演化 |
| 3.2.1 演化模型 |
| 3.2.2 数据驱动演化算法 |
| 3.3 实验验证与分析 |
| 3.3.1 应用案例介绍 |
| 3.3.2 实验环境介绍 |
| 3.3.3 模型驱动演化实验分析 |
| 3.3.4 数据驱动演化实验分析 |
| 3.4 本章总结 |
| 第四章 软件原型实现 |
| 4.1 语音识别辅助乒乓球技战术采集系统设计 |
| 4.1.1 再工程 |
| 4.1.2 反射式中间件 |
| 4.1.3 数据字典 |
| 4.2 演化算法实现 |
| 4.3 原型系统测试 |
| 4.4 本章总结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（3）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（4）基于LSTM的VOD精炼炉终点预报模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外发展现状 |
| 1.2.1 不锈钢炼钢工艺发展现状 |
| 1.2.2 VOD精炼工艺发展现状 |
| 1.2.3 炼钢终点预报方法研究现状 |
| 1.2.4 深度学习在工业过程建模研究现状 |
| 1.3 本文的主要内容与结构安排 |
| 2 VOD精炼炉生产工艺流程与精炼机理过程分析 |
| 2.1 VOD冶炼工艺简介 |
| 2.1.1 VOD精炼技术简介 |
| 2.1.2 VOD冶炼工艺特点 |
| 2.2 VOD生产工艺流程 |
| 2.2.1 吹氧阶段生产工艺 |
| 2.2.2 真空阶段生产工艺 |
| 2.2.3 还原阶段生产工艺 |
| 2.3 VOD精炼炉精炼机理简要分析 |
| 2.3.1 精炼过程氧化还原反应 |
| 2.3.2 精炼过程速率方程分析 |
| 2.3.3 VOD精炼炉体系热量分析 |
| 2.4 VOD终点影响参数因素分析 |
| 2.4.1 终点碳含量影响因素 |
| 2.4.2 终点温度影响因素 |
| 2.5 VOD终点参数预测方法 |
| 2.5.1 终点预报模型 |
| 2.5.2 模型性能评价指标 |
| 2.6 本章小结 |
| 3 基于互信息的VOD炉输入特征选择 |
| 3.1 特征选择方法概述 |
| 3.1.1 特征选择相关知识 |
| 3.1.2 特征选择方法分类 |
| 3.2 VOD炉输入特征选择过程 |
| 3.2.1 搜索策略 |
| 3.2.2 评价函数 |
| 3.2.3 终止条件 |
| 3.2.4 结果验证 |
| 3.3 熵与互信息 |
| 3.3.1 熵,联合熵与条件熵 |
| 3.3.2 互信息与条件互信息 |
| 3.4 基于互信息的特征选择方法 |
| 3.5 本章小结 |
| 4 深度学习模型LSTM介绍及算法实验 |
| 4.1 LSTM模型发展现状 |
| 4.2 神经网络的基本结构 |
| 4.2.1 神经网络工作原理 |
| 4.2.2 多层感知机前向传播过程 |
| 4.2.3 多层感知机反向传播过程 |
| 4.3 循环神经网络 |
| 4.3.1 RNN基本结构 |
| 4.3.2 RNN前向传播过程 |
| 4.3.3 RNN反向传播过程 |
| 4.3.4 传统RNN存在的问题 |
| 4.4 LSTM神经网络 |
| 4.4.1 LSTM网络基本理论 |
| 4.4.2 LSTM网络基本结构 |
| 4.4.3 LSTM的门控结构与传播过程 |
| 4.5 LSTM算法测试实验 |
| 4.5.1 燃气轮机原理说明 |
| 4.5.2 CO排放量预测模型 |
| 4.5.3 NOx排放量预测模型 |
| 4.6 本章小结 |
| 5 VOD精炼炉终点参数预报模型 |
| 5.1 VOD预报模型输入参数的确定 |
| 5.2 LSTM网络模型的损失函数选择 |
| 5.2.1 平均绝对误差 |
| 5.2.2 均方误差和均方根误差 |
| 5.3 模型泛化能力的提升 |
| 5.3.1 提前停止和保存最优模型 |
| 5.3.2 模型参数设置 |
| 5.3.3 数据预处理 |
| 5.4 VOD精炼炉终点预测模型的建立 |
| 5.4.1 支持向量机模型 |
| 5.4.2 基于互信息的LSTM预测模型 |
| 5.5 本章总结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参与的项目 |
（5）基于人工神经网络的复合材料加筋板失效行为预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复合材料加筋板屈曲分析研究 |
| 1.2.2 基于人工神经网络的复合材料研究 |
| 1.3 主要研究内容 |
| 2 复合材料加筋板的屈曲分析方法与软件开发 |
| 2.1 复合材料加筋板工程分析方法 |
| 2.1.1 工程计算方法框架 |
| 2.1.2 复合材料层合板的等效刚度模型 |
| 2.2 有限元分析方法 |
| 2.2.1 线性屈曲分析 |
| 2.2.2 非线性屈曲分析 |
| 2.2.3 复合材料损伤演化模型 |
| 2.3 加筋板屈曲分析标准化工具软件开发 |
| 2.3.1 基本思路 |
| 2.3.2 程序界面和功能说明 |
| 2.4 小结 |
| 3 基于ANN的压缩屈曲行为预测研究 |
| 3.1 加筋板压缩屈曲行为分析 |
| 3.1.1 试样信息 |
| 3.1.2 数值分析 |
| 3.1.3 轴压实验 |
| 3.1.4 结果与讨论 |
| 3.2 神经网络预测屈曲行为 |
| 3.2.1 基本流程 |
| 3.2.2 训练集的准备 |
| 3.2.3 网络结构的确定 |
| 3.2.4 训练神经网络 |
| 3.2.5 性能评估 |
| 3.3 结果与讨论 |
| 3.3.1 屈曲载荷预测 |
| 3.3.2 屈曲模态预测 |
| 3.3.3 工程计算方法对比 |
| 3.4 小结 |
| 4 基于ANN的剪切失效行为预测研究 |
| 4.1 加筋板的剪切失效行为分析 |
| 4.1.1 试样信息 |
| 4.1.2 数值分析 |
| 4.1.3 剪切实验 |
| 4.1.4 结果和讨论 |
| 4.2 人工神经网络预测失效行为 |
| 4.2.1 基本流程 |
| 4.2.2 准备数据集 |
| 4.2.3 基于自编码器的特征提取 |
| 4.2.4 建立BP神经网络 |
| 4.2.5 性能评估与模型保存 |
| 4.3 结果与讨论 |
| 4.3.1 屈曲载荷预测 |
| 4.3.2 极限载荷预测 |
| 4.4 小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）基于机器学习的径流预测方法及适应性预测机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题背景 |
| 1.1.3 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 径流预测 |
| 1.2.2 机器学习 |
| 1.3 存在的不足分析 |
| 1.4 主要研究内容 |
| 1.5 研究技术路线 |
| 1.6 研究区域与数据 |
| 2 响应变化与支撑决策的径流适应性预测机制研究 |
| 2.1 响应与支撑对象分析 |
| 2.1.1 变化环境对径流预测的影响分析 |
| 2.1.2 径流预测对水资源管理的决策支撑作用分析 |
| 2.1.3 对象及因素归类 |
| 2.2 径流适应性预测机制构建 |
| 2.2.1 响应环境变化的适应性机制构建 |
| 2.2.2 支撑决策的适应性机制构建 |
| 2.3 适应性机制实现技术方法构建 |
| 2.3.1 响应环境变化的适应性机制技术实现 |
| 2.3.2 支撑决策的适应性机制技术实现 |
| 2.4 适应性机制图谱化集成实现方式 |
| 2.4.1 适应性机制实现的关键支撑平台及技术 |
| 2.4.2 基于知识图的径流预测图谱构建 |
| 2.4.3 基于预测图谱的适应性机制集成 |
| 2.5 本章小结 |
| 3 基于大数据分析的径流驱动因子挖掘研究 |
| 3.1 径流预测特征因子预处理 |
| 3.1.1 特征因子提取 |
| 3.1.2 特征因子缺失值处理 |
| 3.1.3 复杂非线性特征因子分解 |
| 3.1.4 特征因子清洗 |
| 3.2 特征因子对径流变化的驱动关系构建 |
| 3.2.1 特征因子滞后时段选择 |
| 3.2.2 驱动关系构建方式 |
| 3.3 基于成因贡献分析的驱动因子提取 |
| 3.3.1 径流成因贡献分析 |
| 3.3.2 关键驱动因子提取 |
| 3.4 径流预测样本集构建 |
| 3.4.1 基于统计规律的径流预测样本 |
| 3.4.2 基于成因规律的径流预测样本 |
| 3.5 本章小结 |
| 4 基于机器学习的径流预测模型构建方法 |
| 4.1 径流预测样本预处理 |
| 4.1.1 样本集划分 |
| 4.1.2 样本集归一化 |
| 4.2 径流预测机器学习模型构建 |
| 4.2.1 支持向量回归机 |
| 4.2.2 梯度增强决策回归树 |
| 4.2.3 长短期记忆神经网络 |
| 4.3 径流预测机器学习模型优化 |
| 4.3.1 模型性能评价 |
| 4.3.2 模型超参数优化 |
| 4.4 径流预测机器学习模型解释 |
| 4.4.1 解释对象确定 |
| 4.4.2 解释需求分析 |
| 4.4.3 解释方法梳理 |
| 4.5 本章小结 |
| 5 基于统计规律的径流预测机器学习模型研究 |
| 5.1 基于统计规律的径流预测框架 |
| 5.2 径流预测实例验证与对比评价 |
| 5.2.1 TSDF模型中边界效应的减少 |
| 5.2.2 直接法与多分量法效果对比 |
| 5.2.3 TSDF模型的过拟合程度 |
| 5.2.4 不同预见期TSDF预测效果 |
| 5.2.5 不同分解算法及预测框架的效果 |
| 5.2.6 径流预测与径流回测的差距 |
| 5.3 本章小结 |
| 6 基于成因规律的径流预测机器学习模型研究 |
| 6.1 基于成因规律的径流预测框架 |
| 6.2 径流预测实例验证与对比评价 |
| 6.2.1 不同驱动因子筛选阈值对比 |
| 6.2.2 气象与ERA5L要素的预测效果对比 |
| 6.2.3 降维与线性相关重构的预测效果对比 |
| 6.2.4 径流序列降噪对预测效果的提升 |
| 6.2.5 不同预见期多模型对比 |
| 6.3 本章小结 |
| 7 径流适应性预测系统研究与集成实现 |
| 7.1 径流适应性预测系统设计 |
| 7.2 径流预测主题知识图构建 |
| 7.2.1 径流预测业务主题划分 |
| 7.2.2 径流预测主题知识图绘制 |
| 7.3 径流预测模型方法组件库构建 |
| 7.3.1 径流预测模型方法组件化 |
| 7.3.2 径流预测组件定制 |
| 7.4 径流适应性预测系统构建 |
| 7.4.1 预测图谱与组件耦合集成 |
| 7.4.2 径流预测图谱集成运行 |
| 7.5 径流适应性预测系统应用 |
| 7.5.1 径流预测数据集管理 |
| 7.5.2 径流驱动因子挖掘 |
| 7.5.3 径流预测模型构建 |
| 7.5.4 径流预测结果应用 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要研究成果 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 建模工具、程序及模型性能评价 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（7）深度强化学习优化的人工势场算法在室内逃生路径规划中的应用（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 路径规划方法研究现状 |
| 1.2.2 人工势场法研究现状 |
| 1.2.3 强化学习研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 深度强化学习算法原理 |
| 2.1 深度学习模型 |
| 2.1.1 深度神经网络模型 |
| 2.1.2 卷积神经网络模型 |
| 2.2 强化学习 |
| 2.2.1 强化学习原理 |
| 2.2.2 强化学习分类 |
| 2.2.3 强化学习经典算法 |
| 2.3 深度强化学习算法(DRL) |
| 2.3.1 深度Q网络算法(DQN) |
| 2.3.2 深度确定性策略梯度算法(DDPG) |
| 2.4 迁移学习 |
| 2.5 本章小结 |
| 第三章 DRL改进APF算法 |
| 3.1 传统人工势场法算法(APF) |
| 3.1.1 目的地引力势场 |
| 3.1.2 障碍物斥力势场 |
| 3.1.3 合力势场 |
| 3.1.4 APF算法缺陷分析及常用改进方法 |
| 3.2 DRL-APF算法 |
| 3.3 DRL-APF实验设计 |
| 3.3.1 智能体动作状态空间设计 |
| 3.3.2 奖励函数设计 |
| 3.4 结合迁移学习的DRL-APF算法 |
| 3.5 本章小结 |
| 第四章 基于改进算法的路径规划实验 |
| 4.1 实验环境 |
| 4.1.1 开发环境介绍 |
| 4.1.2 仿真环境搭建 |
| 4.2 DRL-APF算法对比与泛化测试 |
| 4.2.1 DRL-APF算法对比 |
| 4.2.2 DRL-APF算法泛化测试 |
| 4.3 迁移学习优化与对比测试 |
| 4.3.1 复杂环境拆解 |
| 4.3.2 迁移学习优化测试 |
| 4.3.3 迁移学习对比测试 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（8）基于协同过滤模型的运动处方生成技术研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 体育行业发展与运动处方应用研究现状 |
| 1.2.2 运动处方生成技术研究现状 |
| 1.2.3 运动处方参数计算研究现状 |
| 1.2.4 运动风险监测研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 2 运动处方相关技术分析 |
| 2.1 运动处方制定规范 |
| 2.2 运动处方生成方法概述 |
| 2.2.1 传统运动处方生成体系 |
| 2.2.2 自动化方法生成运动处方 |
| 2.3 基于数据挖掘的运动处方生成技术分析 |
| 2.3.1 运动处方数据结构 |
| 2.3.2 运动处方生成的研究难点 |
| 2.3.3 针对运动处方生成的数据挖掘技术优缺点分析 |
| 2.3.4 协同过滤在运动处方生成中的应用分析 |
| 2.4 针对运动处方参数计算的多目标优化方法分析 |
| 2.5 基于神经网络的运动监测方法分析 |
| 2.6 本章小结 |
| 3 运动处方生成方案设计 |
| 3.1 运动处方生成方案的主要内容 |
| 3.2 研究方案和技术路线 |
| 3.3 针对运动处方生成的用户需求分析 |
| 3.4 运动处方生成方案 |
| 3.4.1 基于协同过滤算法的运动项目量化处理 |
| 3.4.2 改进基于内容的协同过滤算法计算相似性 |
| 3.4.3 基于相似度计算的运动项目筛选策略 |
| 3.5 基于多目标优化的运动参数计算 |
| 3.6 基于卷积神经网络的运动异常检测 |
| 3.7 本章小结 |
| 4 个性化运动处方应用系统设计 |
| 4.1 系统框架设计 |
| 4.2 数据存储与处理流程 |
| 4.3 运动者模型搭建 |
| 4.4 运动处方模型搭建 |
| 4.5 运动处方生成 |
| 4.6 运动处方实施与管理 |
| 4.6.1 运动处方管理与优化方法 |
| 4.6.2 基于反馈的运动处方参数优化 |
| 4.7 本章小结 |
| 5 运动处方服务系统实现 |
| 5.1 系统搭建模式 |
| 5.2 系统开发环境 |
| 5.2.1 系统环境 |
| 5.2.2 远程连接与数据共享 |
| 5.3 系统结构 |
| 5.4 系统主要模块 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（9）网络未知协议语法的智能逆向分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的及意义 |
| 1.2 研究现状 |
| 1.2.1 协议逆向工程研究现状 |
| 1.2.2 协议特征工程的研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 协议特征提取相关技术与方法 |
| 2.1 协议语法分析与智能逆向相关概念 |
| 2.2 特征提取相关算法 |
| 2.2.1 无监督学习算法 |
| 2.2.2 有监督学习算法 |
| 2.3 关联规则挖掘算法 |
| 2.3.1 频繁项提取算法 |
| 2.3.2 FP-growth算法 |
| 2.4 入侵检测相关方法 |
| 2.5 本章小结 |
| 3 未知协议特征提取优化方法 |
| 3.1 现有特征提取的问题研究 |
| 3.1.1 Apriori算法 |
| 3.1.2 关联规则概述 |
| 3.1.3 AC算法简介 |
| 3.1.4 CFI算法介绍 |
| 3.2 特征提取优化算法流程 |
| 3.2.1 算法结构 |
| 3.2.2 数据预处理 |
| 3.2.3 数据去噪 |
| 3.2.4 获得项集过程 |
| 3.2.5 去除包含操作 |
| 3.2.6 特征去重 |
| 3.3 实验结果及对比 |
| 3.3.1 实验结果对比 |
| 3.3.2 实验对比及分析 |
| 3.3.3 算法不足 |
| 3.4 本章小结 |
| 4 协议语法智能逆向分析方法 |
| 4.1 相关概念和参数选取方法 |
| 4.1.1 比特流数据特点概述 |
| 4.1.2 卷积神经网络的选取 |
| 4.2 协议逆向分析方法面临的挑战 |
| 4.3 协议智能逆向分析过程 |
| 4.3.1 总体结构 |
| 4.3.2 数据预处理 |
| 4.3.3 数据流图像化 |
| 4.3.4 模型搭建及参数设计 |
| 4.3.5 模型训练及预测 |
| 4.4 实验及结果分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验结果 |
| 4.4.3 实验对比及结果分析 |
| 4.4.4 不足之处 |
| 4.5 本章小结 |
| 5 未知比特流协议分析逆向识别系统 |
| 5.1 背景介绍 |
| 5.2 系统分析及总体框架设计 |
| 5.2.1 开发环境 |
| 5.2.2 数据来源 |
| 5.3 系统设计与实现 |
| 5.3.1 用户界面 |
| 5.3.2 协议处理 |
| 5.3.3 协议分析 |
| 5.3.4 协议识别 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（10）齿轮箱故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱故障诊断技术发展 |
| 1.2.2 齿轮箱故障诊断的信号获取 |
| 1.2.3 齿轮箱故障诊断方法综述 |
| 1.3 论文内容安排 |
| 2.齿轮箱振动机理及其特性分析 |
| 2.1 齿轮的振动机理 |
| 2.2 齿轮振动信号模型 |
| 2.2.1 齿轮正常振动信号模型 |
| 2.2.2 齿轮故障振动信号模型 |
| 2.2.3 齿轮调制信号的仿真分析 |
| 2.3 本章小结 |
| 3.数据采集系统方案设计 |
| 3.1 信号采集模块 |
| 3.2 数据缓存模块 |
| 3.3 数据发送模块 |
| 3.4 上位机显示模块 |
| 3.5 系统设计验证 |
| 3.6 本章小结 |
| 4.振动信号分析及特征提取 |
| 4.1 齿轮箱实验平台介绍 |
| 4.2 常见的信号分析方法 |
| 4.2.1 小波分析 |
| 4.2.2 小波包分析 |
| 4.3 实验数据的小波包能量谱分析 |
| 4.4 本章小结 |
| 5.齿轮箱故障诊断模型建立 |
| 5.1 GA-BP故障诊断模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 遗传算法 |
| 5.1.3 GA-BP诊断模型设计 |
| 5.1.4 GA-BP模型诊断结果分析 |
| 5.2 SVM故障诊断模型 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 SVM核函数选择与交叉验证 |
| 5.2.3 SVM诊断模型设计 |
| 5.2.4 SVM模型诊断结果分析 |
| 5.3 PSO-SVM故障诊断模型 |
| 5.3.1 粒子群算法 |
| 5.3.2 PSO-SVM诊断模型设计 |
| 5.3.3 PSO-SVM模型诊断结果分析 |
| 5.4 GA-SVM故障诊断模型 |
| 5.4.1 GA-SVM诊断模型设计 |
| 5.4.2 GA-SVM模型诊断结果分析 |
| 5.5 故障诊断模型对比分析 |
| 5.5.1 基于支持向量机的故障诊断模型结果对比 |
| 5.5.2 四种智能故障诊断模型结果对比 |
| 5.6 本章小结 |
| 6.结论 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、人工神经网络应用系统开发模型和方法研究（论文参考文献）
- [1]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [2]面向语音识别应用的开源软件演化技术研究[D]. 段杰鹏. 北方工业大学, 2021(01)
- [3]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [4]基于LSTM的VOD精炼炉终点预报模型研究[D]. 涂芝润. 西安理工大学, 2021
- [5]基于人工神经网络的复合材料加筋板失效行为预测研究[D]. 孙振亚. 大连理工大学, 2021(01)
- [6]基于机器学习的径流预测方法及适应性预测机制研究[D]. 左岗岗. 西安理工大学, 2021
- [7]深度强化学习优化的人工势场算法在室内逃生路径规划中的应用[D]. 朱懿. 江西理工大学, 2021(01)
- [8]基于协同过滤模型的运动处方生成技术研究与应用[D]. 练兴杨. 西安理工大学, 2021
- [9]网络未知协议语法的智能逆向分析方法研究[D]. 白彬彬. 西安理工大学, 2021(01)
- [10]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)