一、径向基概率神经网络结构的遗传优化（论文文献综述）
闫斌斌[1]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中指出叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
邹富城[2]（2021）在《基于大功率毫米波测试系统的最优搜索和故障预测》文中进行了进一步梳理由于对大功率毫米波器件的测试是一个多输入多输出的参数测试过程,在整个过程中得到的测试数据量庞大。然而对于测试收集的数据的分析主要还是以人工方式为主,由科研相关人员根据自己的实际计算以及经验对数据进行分析,这使得寻找最佳工作参数比较困难。并且现有的大功率毫米波测试平台的基础保护侧重于硬件层面的保护,主要是在故障发生之后的应对措施上,这会造成一定器件损坏和经济损失,而对于软件层面的保护措施有所欠缺。目前对于行业内现有的智能化测试系统主要集中在对于数据采集,数据自动清洗与储存、基础控制保护等需求,然而对于这些数据的分析能力较弱,并且基于这些数据分析的软件层面的功能如最佳工作参数搜索和故障预测无法进行展开。这对于不断收集的测试数据也没有得到很好地运用,这也导致这些数据无法为科研人员尤其是器件设计人员反馈更有效的信息。本文为了解决上述中的问题,通过引入神经网络等相关领域的智能学习算法,研究大功率毫米波测试数据的预测模型应用,并拓展智能化测试系统的功能,具体介绍如下:1.提出了基于智能化测试系统的最优搜索和故障预测的拓展方案。现有的测试系统对于在数据自动处理方面已经做出了大量的工作,然而根据数据进行预测分析的功能比较弱,通过引入神经网络等相关的智能学习算法,对测试数据进行数据建模,进行更多功能拓展。通过分析现有的系统框架,从软件层面对拓展功能进行分析。2.通过测试数据建模预测为切入点,介绍预测研究对本课题的影响和意义,并对拓展模块的核心预测模型进行详细分析,通过使用不同的神经网络及不同的方式对数据进行算法建模,并基于现有数据对“效率”属性进行单输出预测,最后对结果进行分析。3.通过使用主成分分析方法对测试数据进行数据降维,并根据优化后的数据建立预测模型,并与上一章节的预测模型做出对比。根据已有模型,开发最有搜索模块,并以最优工作“效率”为目标,寻找该状态下的工作参数。最后对故障预测建模进行分析,给出可行的方案。
于征[3]（2020）在《基于PCA的RBF神经网络混合优化预测》文中提出随着现代化工过程对生产质量的诉求不断提高,先进传感器设备和测量技术被引入到复杂的化工控制系统中,获得化工过程中越来越详细的过程数据信息,但是对提高生产质量的一些关键变量仍然不能直接测量得到。因此,如何利用已有的过程变量预测这些关键变量成为一个亟待解决的问题。在这种背景下,人工神经网络的预测方法在化工过程中被广泛使用。径向基（RBF）神经网络是人工神经网络中最常使用的预测模型,它具有单隐层的三层前馈神经网络结构,与其他前馈神经网络不同的是具有全局最优和最佳逼近特性,它能够建立变量之间的关系模型,对化工过程中的关键变量进行预测。随着现代化工过程中产生的数据量越来越大,非线性越来越强,对RBF神经网络中所涉及的相关参数没有较好优化,从而导致对关键变量的预测性能不能达到现代化工过程的要求,为了解决以上问题,本文对过程数据进行预处理,并将传统RBF神经网络进行优化,主要研究内容如下:（1）针对RBF神经网络没有对相关参数较好优化,导致预测性能较差的情况,提出了基于PCA的LM-GA优化RBF神经网络的预测方法。首先使用主成分分析（PCA）方法对输入到神经网络的过程变量进行预处理,其次主要利用Levenberg-Marquardt（LM）算法和遗传算法（GA）先后对RBF神经网络进行两次训练,得到最优RBF神经网络预测模型,最后对焦炉炉膛两侧的压力进行预测,并与传统RBF神经网络和基于PCA的GA优化RBF神经网络就预测仿真图像和均方根误差（RMSE）、平均绝对误差（MAE）两个指标进行对比,证明了本文提出的方法相较于其他两种方法具有更好的预测性能。（2）针对化工过程中数据量大,非线性强的特性,且主成分分析法（PCA）不能很好处理非线性数据,影响RBF神经网络的预测性能的情况,提出了基于SPCA的LM-GA优化RBF神经网络的预测方法。首先使用串行PCA（SPCA）,即主成分分析法（PCA）和核主成分分析法（KPCA）相结合对输入到神经网络的过程变量进行预处理,其次结合预处理的变量,使用LM算法和GA算法对RBF神经网络模型进行优化,最后应用于田纳西-伊斯曼（TE）过程,并与RBF神经网络和基于PCA的LM-GA优化RBF神经网络就预测仿真图像和RMSE、MAE两个指标进行对比,证明了本文提出的方法相较于其他两种方法具有更好的预测性能。
李帛书[4]（2019）在《基于优化智能算法与低阶曲率模态的斜拉桥损伤识别》文中研究说明随着工程技术空前飞速发展,跨越天堑的大跨径桥梁日益增多。其中,斜拉桥高效轻质的特点和清晰简明的传力路径使得其跨越能力位居前列;由于造型优美,承担关键交通要道角色的同时,往往也成为区域的标志性构筑物。因此对斜拉桥进行健康监测具有重大意义,而损伤的识别是健康监测系统中关键环节之一。本文在国家自然科学基金项目（资助编号:51778088）的资助下,从动力参数和智能算法两个层面深入研究更加高效和普遍的斜拉桥损伤识别方法,并在数值模型的基础上,对双塔单索面预应力混凝土箱梁体系的崖门大桥进行损伤识别,以验证本文提出的识别方法可行性和准确性。主要工作和结论如下:（1）从实际工程角度出发,深入对比各动力参数的理论推导和参数特点,选择低阶曲率模态作为损伤识别的动力参数:1)工程实际中测量得到的动力参数在低阶部分精度可靠,高阶的动力参数常常会带来更多噪声影响,以仅使用低阶动力参数进行损伤识别为原则开展工作;2)分析各动力参数的理论推导过程,注意到曲率模态不直接使用反映结构整体动力特性的参数进行推导,据此提出将多损伤拆分为单损伤进行识别的方法:对于静定结构的简支梁,对一阶竖向振型曲率模态进行二次微分运算（数值实现方式为二阶差分）,根据突变值较大的二次微分结果将多损伤的影响单元分开,倒算出多个单损伤情况下的曲率模态,以此作为输入数据分别进行损伤识别。对于多次超静定的斜拉桥,将多损伤情况下的低阶曲率模态与无损伤情况下的曲率模态相减,根据突变值较大的曲率模态差值将多损伤的影响单元分开,得到多个单损伤情况下的曲率模态,以此作为输入数据分别进行损伤识别。3)由于应用曲率模态将多损伤拆分为单损伤的算法局限,将使得该参数损失一部分结构信息,并且曲率模态在含有噪声时的识别性能不够理想,因此本文将运用鲁棒性良好的智能算法与曲率模态参数一同进行损伤识别,达到良好抗噪效果。（2）结构损伤位置识别的本质是模式识别问题,损伤程度识别的本质是非线性映射的表达。通过对比分析智能算法的特点,注意到基于径向基函数（RBF）的神经网络具有清晰的模式聚类数学思想,并能实现复杂函数的插值,符合桥梁结构损伤识别问题的需求。将RBF神经网络作为智能算法的基础结构,并进行了如下优化:1)RBF神经网络的输入层-隐层是实现模式聚类的无监督学习阶段,传统算法自行计算并确定聚类中心和聚类半径,本文提出的优化算法在网络训练前预先指定各单元损伤50%时的动力参数样本为聚类中心,提高算法训练的收敛速度;2)RBF神经网络的隐层-输出层是误差反向传播的监督学习阶段,为了避免随机指定初始权值矩阵导致网络训练陷入局部最小,本文借鉴遗传算法在解空间内广泛搜索得到全局最小的思想,设计程序对初始权值矩阵进行优化;（3）为了验证低阶曲率模态动力参数作为损伤识别输入数据的有效性,以及优化智能算法的可行性和准确性,对一简支梁桥算例进行损伤识别:1)使用MATLAB语言编制优化智能算法并进行训练,对比了遗传算法优化前后的网络训练收敛速度,证明遗传算法能有效提高网络训练的收敛速度;2)考虑9种单损伤工况和3种多损伤工况,测试优化智能算法的识别效果,成功使用一阶曲率模态实现对单损伤、多损伤工况损伤位置的精准识别以及损伤程度的高精度识别;3)考虑不同噪声水平,在曲率模态中添加Guass白噪声,在简支梁桥模型的基础上进行优化智能算法识别损伤位置和程度的抗噪性能研究,证明算法的优质抗噪能力;（4）对双塔单索面预应力混凝土箱梁体系的崖门大桥进行基于数值模型的损伤识别研究,运用算法分别对主梁和拉索的损伤进行识别:1)使用结构的一阶曲率模态差动力参数,使用MATLAB语言编制程序,对主梁和拉索分别建立对应的优化智能算法结构;2)对主梁的损伤识别,考虑10种单损伤工况、5种多损伤工况,运用训练好的算法进行识别测试,实现对斜拉桥主梁损伤位置的精准识别,以及对程度的高精度识别;对拉索的损伤识别,考虑4种单损伤工况、7种多损伤工况,测试结果表明,该优化智能算法能实现对短拉索损伤位置的精准识别,对长拉索的损伤位置实现较为精确的识别,对拉索损伤程度能实现较高精度识别。3)考虑不同噪声水平,以对崖门大桥主梁和拉索为研究对象,进行优化智能算法识别损伤位置和程度的抗噪性能研究,证明算法的优质抗噪能力。本文提出了一种对斜拉桥结构进行损伤识别的思路,运用低阶曲率模态参数,不仅能在数据源降低噪声的影响,而且能将多损伤拆分为多个单损伤进行识别;设计了一种以RBF神经网络为基础的智能损伤识别算法,并对算法聚类中心进行问题适应性的调整,同时使用遗传算法思想对权值矩阵进行优化,提高了算法的训练收敛速度和映射关系学习能力。对崖门大桥的主梁和拉索分别进行基于数值模型的损伤识别研究,验证了基于低阶曲率模态和优化智能算法的斜拉桥损伤识别方法可行性和精确性,以及该算法良好的抗噪性能。
王东平[5]（2019）在《基于神经网络的棉纱质量预测系统》文中研究说明棉纱质量直接影响棉纺企业的经济效益,影响棉纱质量的因素众多,包括原棉性能和纺纱工艺。在纺纱工艺相同情况下,起到决定性作用的是原棉性能。传统上通过试纺来了解棉纱质量,虽然简单有效、但却会造成大量资源浪费,不能满足企业实际生产需要。如何根据企业大量的历史加工数据,利用人工智能算法和先进的计算机技术实现棉纱质量的准确预测,将对企业降低生产成本,提高竞争力具有十分重要的意义。本文首先对纺纱的基本流程进行研究,了解常见的原棉性能指标和棉纱质量指标,并对影响棉纱质量的主要因素进行了全面的分析,最终确定通过原棉性能来对棉纱质量进行预测。为解决传统模型预测精度不高的问题,使用神经网络算法来建立棉纱质量预测模型。选择长度、整齐度、比强度、马克隆值、伸长率、细度、杂质粒数、杂质面积、反射率、黄色深度、成熟度、纤维棉结、含杂、短绒率、回潮率、含糖量、异纤量共17个原棉性能指标作为模型的输入;单纱强力、条干CV、断裂强度3个棉纱质量指标作为模型的输出。建立了单一的BP神经网络模型,并分析了该模型的优缺点。为了改进BP神经网络算法的不足,使用遗传算法和粒子群算法来对BP神经网络进行优化,分别建立了GA-BP神经网络模型和PSO-BP神经网络模型。实验证明这两种优化算法能有效提高BP神经网络模型预测的精度与稳定性;提出了RBF神经网络模型和GRNN神经网络模型,实验证明,使用这两种模型来进行棉纱质量预测是有效的,其中GRNN神经网络模型具有相当程度的精确度。验证了使用灰色关联分析算法进行原棉性能指标筛选对提高模型精度的效果。为了方便普通纺织工人的使用,本文研发了基于神经网络的棉纱质量预测系统。完成了系统的需求分析与设计,并最终使用Python作为主要程序设计语言实现了系统的开发。结果表明,该系统具有界面简洁,操作方便等特点,能够有效实现对棉纱质量的预测。
刘小红[6]（2019）在《低碳供应链柔性资源配置模型及其算法研究》文中进行了进一步梳理有效减少碳排放、能源消耗,实现低碳绿色转型是目前研究的热点问题。在全球经济问题与环境问题发展趋势的大背景下,低碳供应链作为解决供应链资源有效配置的手段逐步成熟。低碳供应链管理旨在提高柔性资源配置的水平和效率,通过各节点企业资源配置效率的提高可以减少污染,从而可以提高供应链资源的生态能效;通过节点企业低碳绩效可以提高整体供应链体系的环境效率;在低碳供应链资源配置过程中可通过配置效率的提高来促进整体供应链节点企业的低碳升级。因此,低碳供应链柔性资源配置领域的研究越来越显得重要,同时低碳供应链资源配置的相关研究也成为目前的热点领域。由此本文从柔性资源属性视角,以低碳供应链柔性资源属性及其资源配置为主要研究对象,应用多属性、效用函数、多粒度计算、混合量子神经网络以及混合量子粒子群算法等理论和方法,对低碳供应链柔性资源属性特征、低碳供应链柔性资源配置模型、低碳供应链柔性资源配置算法以及模型与算法的鲁棒性能等问题展开了深入探讨。本论文研究内容以及创新点主要表现在以下几点:首先对低碳供应链柔性资源配置及其资源属性特征进行分析探讨。本文对低碳供应链复杂网络结构及其特征参数进行了具体研究;在低碳供应链柔性资源属性特征研究基础上,应用结构方程模型及其方法对低碳供应链柔性资源配置及其属性特征进行具体分析;同时通过对影响低碳供应链柔性资源属性特征进行定量的分析研究,具体包含低碳供应链柔性资源配置及其属性特征的结构方程分析、数据的信度分析与效度等分析;通过有效性分析得出低碳供应链柔性资源属性的相互关系以及其与整体的配置效率间的关联性;以及通过结构模型的关联来具体分析他们之间的定量关系;因此,其研究结论为低碳供应链柔性资源的有效配置奠定了很好的理论基础和配置条件。然后从资源属性视角,在低碳供应链理论与方法研究基础上研究低碳供应链柔性资源的有效配置。应用粒计算、多属性等理论构建了基于权重的变精度多粒度模型;在低碳供应链及其资源属性特征以及基于区间值信息的多粒度模型研究基础上构建了基于区间属性值的低碳供应链柔性资源配置模型;应用粒计算、多属性效用函数等理论研究基础上构建了基于多属性效应的低碳供应链柔性资源模型;该研究成果可为低碳供应链资源有效配置提供模型参考。通过在云模型、智能优化算法、量子理论以及量子神经网络算法研究基础上提出了基于云模型的混合量子神经网络算法;同时也针对基于区间信息的柔性资源配置、基于属性关联度的柔性资源配置以及基于属性权重的低碳供应链柔性资源配置进行深入的研究;同时应用混合量子神经网络算法对低碳供应链柔性资源配置问题进行分析;该研究成果也可以为低碳供应链柔性资源有效配置的实现提供重要条件。最后,论文对低碳供应链柔性资源配置模型进行了混合算法的求解以及模型与算法的鲁棒性分析研究。在模型与算法的鲁棒性研究过程中进行了低碳供应链柔性资源配置的仿真实验;该研究成果可以为低碳供应链柔性资源的有效配置提供算法的实现以及模型的有效性分析,同时该研究成果可以为低碳供应链整体低碳绩效的提高提供可操作性的方法;并且该研究成果也能为低碳供应链管理提供很好的借鉴作用和管理建议。论文研究理论和实践价值主要体现在以下方面:对低碳供应链柔性资源有效配置提供了新的资源属性视角;从资源多属性、多粒度、效用函数理论研究基础上构建了低碳供应链柔性资源配置的理论模型;该研究为解决低碳供应链柔性资源配置问题提供了新的理论基础和理论模型;通过混合量子神经网络算法的设计有效地解决了低碳供应链柔性资源有效配置;同时模型和算法的鲁棒性分析合理地解决了低碳供应链柔性资源平衡配置问题。因此,本文对低碳供应链柔性资源配置的研究结论既具有一定的理论价值又具有一定的实践意义。
陈涵瀛[7]（2018）在《核电站热工水力系统工况预测与诊断方法研究》文中研究指明对核电站热工水力系统的工况监测、工况预测和故障诊断能够帮助操纵员更好地掌握核电站的实时运行工况并提供操作建议,对于提高运行安全性具有重要意义。近年来各类基于神经网络的人工智能算法快速发展,为核电站热工水力系统的工况预测和故障诊断研究提供了新的途径。本文基于极限学习机（ELM）、在线贯序极限学习机（OS-ELM）、径向基函数网络（RBFN）、循环神经网络（RNN）和长短期记忆模型（LSTM）等神经网络算法,开展了核电站热工水力系统工况预测和故障诊断的方法研究。自然循环系统广泛应用于先进核动力反应堆设计中,但其在运行中容易出现复杂无规律的流动不稳定性现象,使系统工况的在线监测较为困难。为此提出了基于极限学习机神经网络的短期工况参数预测模型。该模型以热工水力系统的在线监测数据作为输入,具有极快的训练速度,适用于自然循环系统等存在复杂运行工况的核电站热工水力系统的在线监测。使用遗传算法对预测模型的输入数据结构进行优化,提高了预测的精度。基于在线贯序极限学习机算法建立了具有在线学习能力的工况参数预测模型,进一步提高了预测的精度并消除了增加极限学习机隐含层节点数量所带来的过拟合问题。将所提出的工况参数短期预测模型应用于热工水力系统工况参数的软测量和测量仪表的故障监测。工况参数软测量模型和测量仪表故障监测模型在仿真测试中均取得了良好的结果,可以为核电站系统的在线监测提供支持。基于改进的径向基函数网络模型,提出了一种新的核电站热工水力系统故障工况诊断方法。该方法不仅能够以较高精度识别训练数据中已有的故障类型,并且具有对不包含在训练集内的故障瞬态类型正确作出“Don’t know”诊断响应的能力,这一能力是其他常用的神经网络模型所不具备的。所提出的径向基函数网络诊断模型以基于K-means聚类的自组织方法选取隐含层基函数中心,减少了隐含层节点数量。另外根据核电站故障瞬态工况数据的特点,提出了一种新的专门适用于核电站故障诊断问题的隐含层基函数方差选取方法,提高了故障诊断的准确度。使用遗传算法对诊断模型的输入数据结构进行了优化。在优化过程中,首次提出了对输入数据设置缩放系数,进一步提高了径向基函数网络诊断模型的性能。基于近年来在人工智能领域得到广泛应用的循环神经网络和LSTM等深度学习算法,提出了核电站故障瞬态工况下剩余未停堆时间的预测模型。该预测模型可以有效利用热工水力系统工况数据序列中的信息,效果优于常规的使用单个工况时间点作为输入的前馈神经网络预测模型。在建模中通过引入长短期记忆模型,解决了简单循环神经网络预测模型中存在的梯度消失问题,提高了预测的精度。通过在基于长短期记忆循环神经网络的剩余未停堆时间预测模型中增加dropout层,避免了预测实验中出现的过拟合。应用长短期记忆循环神经网络算法,建立了故障工况下核电站热工水力系统重要工况参数的预测模型。该工况参数预测模型以核电站故障工况初始阶段的瞬态工况数据为输入,可以对较长期的工况参数变化趋势进行预测。提出一种基于最大信息系数的预测模型特征选取优化方法,通过应用该特征选择优化方法提高了长短期记忆循环神经网络模型的预测精度。
关海鸥[8]（2014）在《低压电网剩余电流暂态过程特征提取与识别方法研究》文中认为剩余电流保护装置在我国低压电网中的广泛应用,对于防止触电伤亡事故以及避免因漏电而引起的电气火灾事故具有非常重要的作用。目前在线运行的剩余电流保护装置,其动作电流的整定值与生物体触电电流无关,通常是将检测到的剩余电流有效值的大小作为是否动作的唯一判据。理论研究和实际运行经验表明,这种判据无法识别可能对触电者构成生命安全的触电支路的电流信号,在动作原理上存在先天不足和缺陷,经常导致误动或拒动现象的发生,大大降低了剩余电流保护装置的动作可靠性和正确投运率。针对上述问题,在国家自然科学基金项目“剩余电流中触电电流分量的频谱特征与快速识别方法”和国家电网科技项目“基于剩余电流保护的农村用电安全关键技术研究”的支持下,本课题通过构建触电物理实验平台,测试和获取生物体触电原始数据,开展低压电网剩余电流暂态过程特征提取与识别方法的研究。本文充分利用智能信息处理技术（小波变换、遗传计算、神经网络）,通过构建触电物理实验平台,获取批量生物体触电原始数据及波形并建立了数据库;分析并掌握了剩余电流的暂态频谱特征和波形特性;提取了剩余电流暂态分量的幅值和能量多维度特征;实现了触电故障时刻的检测与定位、触电故障类型的准确识别、以及触电支路电流分量的提取。主要完成内容如下:（1）设计并构建了触电物理实验平台,通过多种场景的模拟触电实验,获取批量动/植物触电数据,建立了我国低压电网生物体触电波形数据库。（2）采用快速傅里叶变换分析了生物体发生触电故障时的剩余电流的频谱特征,掌握了暂态剩余电流的各个分量及其变化规律;提出了一种数学梯度和形态学梯度的组合算法,在分析剩余电流波形特性方面,能够突显出原始信号在触电时刻的波形变化特征。（3）利用多种信号处理方法（数学统计量、傅里叶变换、经验模态分解）,建立了多维度剩余电流暂态分量的幅值和能量特征的计算和提取方法。该方法能够突显生物体触电信号的特征向量,更加有利于触电故障类型的识别。（4）应用离散希尔伯特变换方法,以剩余电流瞬时相位差的累积之和为判据,提取相位突变特征;应用突变量计算方法,以剩余电流信号幅值的突增量累积之和为判据,提取幅值突变特征。在此基础上,创新地提出了一种基于相位和幅值多突变量为判据的触电故障时刻检测方法。（5）创新地综合运用小波变换和前馈神经网络,建立了一种触电故障类型识别方法。利用剩余电流暂态分量幅值与能量特征优化了神经网络结构,采用量子遗传算法改进了神经网络学习方法,显着提高了训练效果。（6）创新地提出了一种基于有限冲激响应和径向基神经网络相耦合的触电支路电流分量识别和计算方法。该方法解决了工程中生物体触电支路电流不可检测的问题,为新一代基于人体触电电流分量而动作的自适应型剩余电流保护装置的开发提供可靠的理论依据。
田慕玲[9]（2014）在《煤泥浮选泡沫图像的多元特征量提取算法及状态识别》文中研究指明煤泥浮选是借助于不同物质主要指煤和矸石的表面润湿性存在差异性来进行的,并通过浮选药剂的作用,在矿浆中使疏水的煤粒附着在气泡上,并上浮于浮选泡沫层,而亲水的矸石颗粒则滞留在煤浆中成为浮选尾煤,以此来实现煤与矸石矿物的分离。虽然煤泥浮选过程是受诸多因素影响的一个复杂的过程,但通过提取浮选图像气泡的各种视觉特征如气泡大小、泡沫纹理特征及动态特征、泡沫层、和尾矿等参数,可分析浮选过程的优劣,并对浮选生产指标如精煤品位做出浮选状态识别。本文的处理对象是经工业CCD相机所摄取的多幅浮选泡沫图像,针对这些图像含噪声大、气泡对比度低的特点,在分析和研究了图像处理与图像特征提取技术的基础上,提出了一套改进的图像处理、特征提取的优化算法,并通过大量仿真证明了此算法的优越性;同时就用于煤泥浮选状态识别的RBF神经网络进行了优化设计,使其具有良好的泛化能力,通过所提取的特征矢量对浮选状态做出了有效的识别。论文主要研究内容、采用的方法和结论如下:（1）详细阐述了空域、频域图像去噪方法、形态学图像去噪方法,并分析与对比了各种图像去噪方法的优劣,设计了一种基于重构的形态学开闭滤波低频滤波器。（2）针对形态学滤波中结构元素的优化,通过对遗传算法优劣性分析的基础上,提出了改进的遗传算法。在改进的算法中放弃了传统的信息熵作为相似度评价的指标,采用基于异或运算的海明距相似度判别准则,使判别更加省时、高效、精确;采用自适应的变异方法,并加入了变异调节因子,将传统的自适应变异方法加以改进;将遗传算法与免疫算法有机的结合,沿用了两者的进化策略,在改进的遗传算法过程中加入了精英保留的思想,保留了优秀的基因个体而防止进化倒退,进一步保证算法的收敛性。通过对比验证了经改进算法而获得的结构元素的适应度得以提高,去噪效果显着改善。（3）在优化结构元素的进化算法中针对图像去噪的无参考的客观评价方法,提出了一种针对无参考图像的基于灰度共生矩阵的改进的信息容量的去噪评价指标,并首次将其作为进化算法的适应度函数。（4）对图像分割方法做了进一步的研究,针对浮选气泡混杂难以分割的特点,提出了一种基于粒子群优算法与一维直方图加权的模糊C均值聚类方法融合的煤泥浮选泡沫图像内部标记符提取的改进算法,对图像分水岭分割的内部标记点进行标识。在基于粒子群算法的图像二值化的阈值的优化中,使用了基于灰度共生矩阵的二维最大熵作为适应度函数来优化图像二值化中的阈值。通过仿真验证了这种改进分割方法的有效性,并将此方法与其它分水岭分割的通用算法进行了对比,进一步证明了应用这种方法进行图像分割的准确性。（5）针对煤泥浮选是一个由多变量耦合制约、非线性的的复杂过程,提取浮选过程中的多元特征量作为精煤品位预测模型的输入。在对浮选的各种纹理特征、大小特征、泡沫层特征等与浮选指标相关性分析的基础上,选定基于灰度共生矩阵的对比度、相关度、能量、熵与基于邻域灰阶共生矩阵的粗度、细度作为纹理特征,基于图像分割结果的气泡尺寸特征,再加入泡沫层的厚度特征作为判定浮选状态的特征向量,并对各个特征量的提取算法做了详尽的阐述。（6）提出改进的免疫算法与模糊C均值聚类的融合算法对用于状态识别的RBF神经网络的各个参数进行了优化。首先采用改进的免疫算法来确定神经网络隐层的中心位置及数量,在算法中加入了免疫算法初始种群选取的改进算法、亲和力阈值的分段选取法,并将抗体删除机制、抗体免疫机制及抗体浓度调节原理加入免疫算法中;其次融合模糊C均值聚类算法对RBF隐层中心进行进一步的优化。通过样本的验证证明由上述方法优化的RBF神经网络对于浮选状态的识别准确性明显提高,并具有较好的泛化能力。
龙熙华,李保霖,叶万军,张兵[10]（2013）在《遗传优化RBPNN的隧道围岩力学参数反演计算》文中提出针对隧道围岩参数取值的不确定性,以现场量测得到的位移信息量为基础,利用结构分析有限元的正演分析法提取实验样本,构造遗传算法全结构优化的径向基概率神经网络（RBPNN）模型,反演围岩力学参数.结果表明,利用遗传优化径向基概率神经网络反演围岩力学参数能够达到工程应用要求,为隧道施工的理论及其工程化方法提供了有效的途径.
二、径向基概率神经网络结构的遗传优化（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、径向基概率神经网络结构的遗传优化（论文提纲范文）
（1）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）基于大功率毫米波测试系统的最优搜索和故障预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 基于大功率毫米波测试系统的最优搜索和故障预测的意义 |
| 1.2 国内外测试系统的历史与现状 |
| 1.3 本论文的来源、目的及章节安排 |
| 1.3.1 研究来源及目的 |
| 1.3.2 本论文的章节安排 |
| 1.4 本章小结 |
| 第二章 回旋行波管智能化测试系统中的扩展功能方案设计 |
| 2.1 现有的智能化测试系统 |
| 2.1.1 现有的智能化测试系统硬件 |
| 2.1.2 现有自动测试系统软件方案 |
| 2.2 智能化测试系统中的最优搜索和故障预测方案设计 |
| 2.2.1 系统扩展框架 |
| 2.2.2 扩展模块软件设计方案介绍 |
| 2.2.3 软件开发平台选择 |
| 2.2.4 Python数据分析工具 |
| 2.3 本章小结 |
| 第三章 基于神经网络的预测研究 |
| 3.1 预测研究的目的 |
| 3.2 预测研究对于最优搜索和故障预测的意义 |
| 3.3 神经元及神经网络简单介绍 |
| 3.3.1 神经元结构 |
| 3.3.2 全连接神经网络 |
| 3.3.3 BP神经网络 |
| 3.3.4 径向基神经网络 |
| 3.3.5 卷积神经网络 |
| 3.3.6 循环神经网络 |
| 3.4 神经网络的选取 |
| 3.5 基于BP神经网络的“效率”预测模型 |
| 3.5.1 神经网络隐藏层及神经元的数量选择 |
| 3.5.2 数据准备 |
| 3.5.3 神经网络预测模型训练 |
| 3.5.4 激活函数的选择 |
| 3.5.5 BP神经网络预测模型结果分析 |
| 3.6 基于GA优化的BP神经网络的“效率”预测模型 |
| 3.6.1 遗传算法原理与优势 |
| 3.6.2 遗传算法基本组成要素 |
| 3.6.3 遗传算法运行流程 |
| 3.6.4 遗传算法改进的BP神经网络结构 |
| 3.6.5 神经网络预测模型结果分析 |
| 3.7 基于径向基神经网络的“效率”预测模型 |
| 3.7.1 径向基神经网络的中心选取 |
| 3.7.2 K-means聚类改进算法 |
| 3.7.3 径向基神经网络预测模型步骤及其流程图 |
| 3.7.4 径向基神经网络预测模型的结果分析 |
| 3.8 结果对比分析 |
| 3.9 本章小结 |
| 第四章 基于预测模型的最佳工作参数搜索和故障预测 |
| 4.1 搜索模型优化 |
| 4.1.1 主成分分析 |
| 4.1.2 PCA优化BP预测模型 |
| 4.1.3 PCA优化GA-BP预测模型 |
| 4.1.4 PCA优化RBF预测模型 |
| 4.1.5 结果分析 |
| 4.2 最佳工作参数搜索 |
| 4.2.1 最佳工作参数搜索的工作流程 |
| 4.2.2 基于神经网络预测模型的最佳工作参数搜索 |
| 4.2.3 结果分析 |
| 4.3 故障预测 |
| 4.3.1 建立故障预测模型的思路 |
| 4.3.2 故障预测模型的建立 |
| 4.3.3 故障预测模型运用的难点 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于PCA的RBF神经网络混合优化预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容和安排 |
| 1.4 本章小结 |
| 第2章 基础理论知识 |
| 2.1 引言 |
| 2.2 主成分分析法 |
| 2.2.1 基本思想 |
| 2.2.2 计算方法 |
| 2.3 核主成分分析法 |
| 2.3.1 基本思想 |
| 2.3.2 计算方法 |
| 2.4 人工神经网络 |
| 2.4.1 人工神经网络模型 |
| 2.4.2 人工神经网络学习算法 |
| 2.5 BP神经网络和RBF神经网络 |
| 2.5.1 BP神经网络结构 |
| 2.5.2 BP神经网络学习算法 |
| 2.5.3 BP神经网络步骤及其流程图 |
| 2.5.4 RBF神经网络的结构 |
| 2.5.5 RBF神经网络的学习算法 |
| 2.5.6 RBF神经网络步骤及其流程图 |
| 2.5.7 RBF神经网络的数值模拟实例仿真 |
| 2.5.8 RBF神经网络存在的问题 |
| 2.6 遗传算法 |
| 2.7 本章小结 |
| 第3章 基于PCA的 LM-GA优化RBF神经网络预测方法 |
| 3.1 引言 |
| 3.2 基于PCA的 GA优化RBF神经网络 |
| 3.2.1 数据归一化 |
| 3.2.2 基于PCA的 GA优化RBF神经网络的步骤 |
| 3.3 基于PCA的 LM-GA优化RBF神经网络 |
| 3.3.1 LM算法介绍 |
| 3.3.2 基于PCA的 LM-GA优化RBF神经网络的步骤 |
| 3.4 焦炉炉膛压力的仿真 |
| 3.4.1 焦炉工作过程介绍 |
| 3.4.2 焦炉数据分析 |
| 3.4.3 焦炉炉膛压力的预测仿真分析 |
| 3.5 本章小结 |
| 第4章 基于SPCA的 LM-GA优化RBF神经网络预测方法 |
| 4.1 引言 |
| 4.2 基于SPCA的 LM-GA优化RBF神经网络 |
| 4.2.1 SPCA算法介绍 |
| 4.2.2 基于SPCA的 LM-GA优化RBF神经网络的步骤 |
| 4.3 田纳西-伊斯曼过程的仿真 |
| 4.3.1 TE过程介绍 |
| 4.3.2 TE过程数据分析 |
| 4.3.3 TE过程的预测仿真分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于优化智能算法与低阶曲率模态的斜拉桥损伤识别（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究意义 |
| 1.2 基于动力参数和智能算法的桥梁损伤识别研究现状 |
| 1.2.1 基于动力参数的桥梁损伤识别研究现状 |
| 1.2.2 基于智能算法的桥梁损伤识别研究现状 |
| 1.2.3 斜拉桥损伤识别研究现状 |
| 1.3 本文主要研究内容 |
| 2 桥梁损伤识别动力参数对比分析 |
| 2.1 概述 |
| 2.2 基于动力参数的损伤识别方法 |
| 2.2.1 基于频率的损伤识别方法 |
| 2.2.2 基于振型的损伤识别方法 |
| 2.2.3 基于柔度的损伤识别方法 |
| 2.2.4 基于模态应变能的损伤识别方法 |
| 2.2.5 基于频响函数的损伤识别方法 |
| 2.3 动力参数对比及算例分析 |
| 2.3.1 动力参数特性对比分析 |
| 2.3.2 曲率模态参数特性算例分析 |
| 2.4 小结 |
| 3 优化智能算法 |
| 3.1 概述 |
| 3.2 智能算法 |
| 3.2.1 误差反向传播神经网络 |
| 3.2.2 径向基函数神经网络 |
| 3.2.3 遗传算法 |
| 3.3 优化智能算法的构建 |
| 3.3.1 算法核心思想 |
| 3.3.2 算法程序实现 |
| 3.4 简支梁桥损伤识别算例验证 |
| 3.4.1 简支梁桥有限元模型 |
| 3.4.2 简支梁桥损伤识别过程 |
| 3.4.3 优化智能算法的抗噪性能研究 |
| 3.5 小结 |
| 4 基于优化智能算法与低阶曲率模态的斜拉桥损伤识别 |
| 4.1 概述 |
| 4.2 斜拉桥损伤概述 |
| 4.2.1 斜拉桥力学特点 |
| 4.2.2 斜拉桥损伤分析 |
| 4.3 崖门大桥损伤识别研究 |
| 4.3.1 斜拉桥有限元模型 |
| 4.3.2 优化智能算法的适应性调整 |
| 4.3.3 主梁损伤识别 |
| 4.3.4 拉索损伤识别 |
| 4.4 小结 |
| 5 结论与展望 |
| 5.1 论文主要研究工作与结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间发表的论文 |
| B.作者在攻读硕士学位期间参加的科研项目 |
| C.作者在攻读硕士学位期间参与的会议 |
| 附录D.优化智能算法输入-隐层部分计算聚类界限程序代码 |
| 附录E.优化智能算法输入-隐层部分计算隐层输出程序代码 |
| 附录F.优化智能算法隐层-输出部分遗传算法优化权值矩阵程序代码 |
| 附录G.优化智能算法隐层-输出部分误差反向传播训练权值程序代码 |
| 附录H.ANSYS提取频率振型数据命令流 |
| I.学位论文数据集 |
| 致谢 |
（5）基于神经网络的棉纱质量预测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 棉纱质量预测的研究现状 |
| 1.2.2 虚拟纺织加工质量预测系统研究现状 |
| 1.3 本文主要内容和结构 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文创新点 |
| 1.3.3 本文各章节内容安排 |
| 第二章 棉纱质量相关因素研究 |
| 2.1 棉纺纱工序介绍 |
| 2.2 原棉性能指标介绍 |
| 2.2.1 原棉纤维长度的概述 |
| 2.2.2 原棉纤维短绒率的概述 |
| 2.2.3 原棉纤维成熟度的概述 |
| 2.2.4 原棉纤维比强度的概述 |
| 2.2.5 原棉纤维伸长率的概述 |
| 2.2.6 原棉纤维回潮率的概述 |
| 2.2.7 原棉纤维细度的概述 |
| 2.2.8 原棉纤维杂质的概述 |
| 2.2.9 原棉纤维马克隆值的概述 |
| 2.2.10 原棉纤维杂质粒数和杂质面积的概述 |
| 2.2.11 原棉纤维黄色深度和反射率的概述 |
| 2.2.12 原棉纤维长度整齐度的概述 |
| 2.2.13 原棉纤维含糖量的概述 |
| 2.3 棉纱质量指标简介及影响因素分析 |
| 2.3.1 棉纱条干 |
| 2.3.2 棉纱强力 |
| 2.3.3 棉纱棉结 |
| 2.3.4 棉纱杂质 |
| 2.3.5 棉纱毛羽 |
| 2.3.6 棉纱细度 |
| 2.4 本章小结 |
| 第三章 神经网络算法理论介绍 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络简介 |
| 3.1.2 人工神经网络模型 |
| 3.1.3 人工神经网络的特点 |
| 3.1.4 人工神经网络的分类 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络简介 |
| 3.2.2 BP神经网络模型 |
| 3.2.3 BP神经网络训练流程 |
| 3.2.4 BP神经网络算法优缺点 |
| 3.3 遗传算法 |
| 3.3.1 遗传算法简介 |
| 3.3.2 遗传算法基本操作 |
| 3.3.3 遗传算法流程 |
| 3.3.4 遗传算法优化BP神经网络 |
| 3.3.5 遗传算法优缺点 |
| 3.4 粒子群算法 |
| 3.4.1 粒子群算法简介 |
| 3.4.2 粒子群算法数学描述 |
| 3.4.3 粒子群算法流程 |
| 3.4.4 粒子群算法优化BP神经网络 |
| 3.4.5 粒子群算法优缺点 |
| 3.5 RBF神经网络 |
| 3.5.1 RBF神经网络简介 |
| 3.5.2 RBF神经网络结构 |
| 3.5.3 RBF神经网络学习算法 |
| 3.5.4 RBF神经网络优点 |
| 3.6 GRNN神经网络 |
| 3.6.1 GRNN神经网络简介 |
| 3.6.2 GRNN神经网络结构 |
| 3.6.3 GRNN神经网络的优点 |
| 3.7 本章小结 |
| 第四章 预测模型的建立及结果分析 |
| 4.1 建模准备 |
| 4.1.1 数据准备 |
| 4.1.2 训练样本和测试样本的选取 |
| 4.1.3 实验环境 |
| 4.2 模型设计及参数选择 |
| 4.2.1 BP神经网络预测模型 |
| 4.2.2 GA-BP神经网络预测模型 |
| 4.2.3 PSO-BP神经网络预测模型 |
| 4.2.4 RBF神经网络预测模型 |
| 4.2.5 GRNN神经网络预测模型 |
| 4.3 棉纱质量预测结果及分析 |
| 4.3.1 棉纱单纱强力的预测结果 |
| 4.3.2 棉纱条干CV的预测结果 |
| 4.3.3 棉纱断裂强度预测结果 |
| 4.4 特征筛选对模型精度的影响 |
| 4.4.1 灰色关联分析 |
| 4.4.2 棉纱质量预测结果 |
| 4.5 本章小结 |
| 第五章 预测系统的设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 需求分析的任务 |
| 5.1.2 需求分析的难点 |
| 5.1.3 需求分析的方法 |
| 5.1.4 系统的功能需求 |
| 5.1.5 系统的性能需求 |
| 5.1.6 系统的数据需求 |
| 5.2 系统的设计 |
| 5.2.1 模块化设计 |
| 5.2.2 系统的总体设计 |
| 5.2.3 各模块的设计 |
| 5.3 系统的实现 |
| 5.3.1 工具介绍 |
| 5.3.2 系统各模块功能实现与测试 |
| 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 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
| 附录 |
（6）低碳供应链柔性资源配置模型及其算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 低碳供应链内涵研究 |
| 1.2.2 低碳供应链模型研究 |
| 1.2.3 低碳供应链算法研究 |
| 1.3 研究思路与研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 第2章 相关理论分析 |
| 2.1 柔性资源及低碳绩效理论 |
| 2.1.1 柔性资源研究 |
| 2.1.2 低碳绩效研究 |
| 2.2 多属性及其粒计算理论 |
| 2.2.1 多属性理论研究 |
| 2.2.2 多粒度计算理论 |
| 2.3 混合神经网络算法研究 |
| 2.3.1 神经网络算法研究 |
| 2.3.2 混合神经网络算法 |
| 2.4 本章小结 |
| 第3章 低碳供应链柔性资源配置及其属性特征研究 |
| 3.1 低碳供应链网络结构及资源属性特征分析 |
| 3.1.1 低碳供应链网络结构特征研究 |
| 3.1.2 低碳供应链柔性资源配置属性特征分析 |
| 3.2 低碳供应链资源配置属性特征理论模型及量表设计研究 |
| 3.2.1 属性特征理论模型构建及量表设计 |
| 3.2.2 数据采集与属性特征的描述性分析 |
| 3.3 低碳供应链柔性资源配置属性特征及其结构模型研究 |
| 3.3.1 柔性资源配置属性特征的信度检验 |
| 3.3.2 柔性资源配置属性特征的效度检验 |
| 3.3.3 柔性资源配置的结构方程模型分析 |
| 3.4 本章小结 |
| 第4章 低碳供应链柔性资源配置模型研究 |
| 4.1 低碳供应链柔性资源配置问题研究 |
| 4.1.1 低碳供应链柔性资源有效配置的问题描述 |
| 4.1.2 基于属性的低碳供应链柔性资源配置研究 |
| 4.2 低碳供应链柔性资源属性及其测定方法研究 |
| 4.2.1 低碳供应链柔性资源属性研究 |
| 4.2.2 低碳供应链柔性资源属性测定 |
| 4.3 基于多粒度的低碳供应链柔性资源配置模型研究 |
| 4.3.1 基于可变精度的多粒度模型研究 |
| 4.3.2 基于多重阈值的变精度多粒度模型研究 |
| 4.3.3 基于权重变精度多粒度的柔性资源配置模型构建 |
| 4.4 基于区间属性值的低碳供应链柔性资源配置模型研究 |
| 4.4.1 基于区间属性值的多粒度模型研究 |
| 4.4.2 基于区间属性值多粒度模型的柔性资源配置模型构建 |
| 4.5 基于多属性效应的低碳供应链柔性资源配置模型研究 |
| 4.5.1 多属性效应函数研究 |
| 4.5.2 多属性学习函数研究 |
| 4.5.3 基于多属性效应的低碳供应链柔性资源配置模型构建 |
| 4.6 本章小结 |
| 第5章 基于云模型的混合量子神经网络算法研究 |
| 5.1 量子神经网络算法研究 |
| 5.1.1 量子神经网络激活函数分析 |
| 5.1.2 量子神经网络算法研究 |
| 5.2 基于云模型的量子粒子群算法研究 |
| 5.2.1 云模型及其数字特征分析 |
| 5.2.2 基于云模型的量子粒子群算法研究 |
| 5.2.3 算例 |
| 5.3 基于云模型的混合量子神经网络算法研究 |
| 5.3.1 基于权重的量子神经网络算法分析 |
| 5.3.2 基于云模型的混合量子神经网络算法构建 |
| 5.4 基于云模型的混合量子神经网络算法性能分析 |
| 5.4.1 混合算法的量子轨迹分析 |
| 5.4.2 混合算法的收敛性能分析 |
| 5.4.3 混合算法的误差分析 |
| 5.5 本章小结 |
| 第6章 低碳供应链柔性资源配置求解及其鲁棒性研究 |
| 6.1 基于属性视角的低碳供应链资源配置参数设计及其优化 |
| 6.1.1 低碳供应链柔性资源配置参数设计 |
| 6.1.2 低碳供应链柔性资源配置参数优化 |
| 6.2 基于混合量子神经网络算法的柔性资源配置研究 |
| 6.2.1 柔性资源配置模型的全局K均值智能算法 |
| 6.2.2 柔性资源配置模型的混合量子粒子群算法 |
| 6.2.3 柔性资源配置模型的混合量子神经网络算法 |
| 6.3 基于资源属性视角的低碳供应链柔性资源配置求解 |
| 6.3.1 基于区间属性值的柔性资源配置求解 |
| 6.3.2 基于多属性效用关联的柔性资源配置求解 |
| 6.3.3 基于属性权重不同的柔性资源配置求解 |
| 6.4 低碳供应链柔性资源配置模型及其算法的鲁棒性研究 |
| 6.4.1 低碳供应链柔性资源配置模型鲁棒性分析 |
| 6.4.2 低碳供应链柔性资源配置算法鲁棒性分析 |
| 6.5 低碳供应链柔性资源配置算例及其分析研究 |
| 6.5.1 低碳供应链柔性资源配置算例 |
| 6.5.2 低碳供应链柔性资源配置分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间所发表的学术论文 |
| 附录B 攻读博士学位期间所参与的科研项目 |
（7）核电站热工水力系统工况预测与诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 核电站工况监测、预测与诊断研究进展 |
| 1.2.1 核电站系统的工况监测 |
| 1.2.2 核电站系统的工况预测 |
| 1.2.3 核电站系统的故障工况诊断 |
| 1.3 本文主要工作 |
| 第2章 复杂工况下热工水力系统工况参数的短期预测 |
| 2.1 复杂工况下自然循环系统的工况数据 |
| 2.1.1 实验装置 |
| 2.1.2 实验数据 |
| 2.2 基于神经网络的工况参数短期预测 |
| 2.2.1 工况参数的短期预测 |
| 2.2.2 基于极限学习机的预测模型 |
| 2.2.3 工况参数短期预测实验结果 |
| 2.2.4 基于神经网络集合的预测模型 |
| 2.2.5 单步预测模型与多步滚动预测模型 |
| 2.3 预测模型输入数据结构的优化 |
| 2.3.1 工况参数预测结果的差异性 |
| 2.3.2 预测模型的特征选择优化 |
| 2.3.3 预测模型的输入数据时间窗口优化 |
| 2.4 具有在线学习能力的工况参数短期预测模型 |
| 2.4.1 基于在线贯序极限学习机的预测模型 |
| 2.4.2 在线学习模型的预测实验 |
| 2.4.3 优化的EOS-ELM预测模型 |
| 2.4.4 工况变化时预测模型的性能对比 |
| 2.5 本章小结 |
| 第3章 工况参数短期预测模型在在线监测中的应用 |
| 3.1 基于极限学习机的工况参数软测量方法 |
| 3.2 热工参数软测量模型的优化 |
| 3.3 基于短期预测的在线仪表监测方法 |
| 3.3.1 短期预测模型对故障测量信号的响应 |
| 3.3.2 具有错误工况参数识别能力的在线仪表故障监测模型 |
| 3.4 本章小结 |
| 第4章 核电站热工水力系统故障瞬态工况的诊断识别 |
| 4.1 核电站故障瞬态工况数据 |
| 4.2 径向基函数网络诊断模型 |
| 4.3 诊断模型对未学习过的故障类型的响应能力 |
| 4.4 隐含层节点的径向基函数选取 |
| 4.4.1 中心向量的选取 |
| 4.4.2 方差的选取 |
| 4.5 诊断模型训练方法的改进 |
| 4.6 隐含层节点数量对诊断性能的影响 |
| 4.7 诊断模型的优化 |
| 4.7.1 工况初始阶段的诊断问题 |
| 4.7.2 目标函数 |
| 4.7.3 优化个体的基因编码 |
| 4.7.4 优化结果 |
| 4.8 分布式故障诊断系统 |
| 4.9 诊断模型对未学习过的类型故障类型的诊断能力验证 |
| 4.9.1 “Don’t know”诊断测试 |
| 4.9.2 与其他类型神经网络模型的对比 |
| 4.10 本章小结 |
| 第5章 核电站热工水力系统故障瞬态工况的预测 |
| 5.1 剩余未停堆时间的单点预测 |
| 5.2 基于深度学习的剩余未停堆时间预测 |
| 5.2.1 循环神经网络模型 |
| 5.2.2 预测模型的BPTT训练算法 |
| 5.2.3 基于Elman神经网络模型的预测实验 |
| 5.3 循环神经网络预测模型的改进 |
| 5.3.1 长短期记忆节点模型 |
| 5.3.2 基于LSTM循环神经网络模型的预测实验 |
| 5.3.3 使用含有噪声的工况数据的预测实验 |
| 5.3.4 应用dropout的预测模型 |
| 5.4 故障工况的工况参数趋势预测 |
| 5.5 基于最大信息系数的预测模型特征选择优化 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）低压电网剩余电流暂态过程特征提取与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 触电物理实验平台设计与触电实验 |
| 1.4 本文主要研究内容及技术路线 |
| 第二章 剩余电流暂态信号的频谱特征与波形特性 |
| 2.1 引言 |
| 2.2 基于FFT的暂态剩余电流频谱特征分析 |
| 2.3 基于数学形态学变换的剩余电流波形特性分析 |
| 2.4 本章小结 |
| 第三章 剩余电流暂态分量的幅值与能量特征提取方法 |
| 3.1 引言 |
| 3.2 剩余电流统计特征提取方法 |
| 3.3 基于FFT的剩余电流暂态分量幅值与能量特征提取方法 |
| 3.4 剩余电流固有模态分量能量特征提取方法 |
| 3.5 本章小结 |
| 第四章 基于剩余电流突变特征的触电故障时刻检测方法 |
| 4.1 引言 |
| 4.2 基于剩余电流相位突变特征的触电故障时刻检测方法 |
| 4.3 基于剩余电流幅值突变特征的触电故障时刻检测方法 |
| 4.4 基于电流相位与幅值突变特征的触电故障时刻组合检测方法 |
| 4.5 本章小结 |
| 第五章 触电故障类型与触电支路电流分量识别方法 |
| 5.1 引言 |
| 5.2 基于小波变换和神经网络的触电故障类型识别方法 |
| 5.3 应用有限冲激响应和径向基神经网络的触电支路电流分量识别方法 |
| 5.4 触电故障类型与触电支路电流分量识别方法的优化设计 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 作者简历 |
（9）煤泥浮选泡沫图像的多元特征量提取算法及状态识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 煤泥浮选的意义 |
| 1.2 国外浮选泡沫图像处理研究现状 |
| 1.3 国内浮选泡沫图像处理研究现状 |
| 1.3.1 金属与矿物浮选泡沫图像处理研究现状 |
| 1.3.2 煤泥浮选泡沫图像处理研究现状 |
| 1.4 本课题研究的必要性 |
| 1.5 论文的章节安排 |
| 第二章 煤泥浮选原理 |
| 2.1 煤泥浮选原理 |
| 2.2 浮选过程 |
| 2.3 浮选流程 |
| 2.4 浮选药剂 |
| 2.4.1 部分药剂作用 |
| 2.4.2 选择药剂的原则 |
| 2.5 煤泥浮选效果的影响因素 |
| 2.5.1 原煤性质对浮选的影响 |
| 2.5.2 粒度特性对浮选的影响 |
| 2.5.3 煤浆浓度对浮选的影响 |
| 2.5.4 浮选药剂对浮选的影响 |
| 2.5.5 浮选泡沫特征与指标的关系 |
| 2.6 煤泥浮选效果的评价 |
| 2.7 浮选泡沫图像的特点 |
| 2.8 煤泥浮选泡沫图像采集的实验系统 |
| 2.9 浮选泡沫图像的处理过程 |
| 第三章 浮选泡沫图像的形态学方法去噪 |
| 3.1 煤泥浮选泡沫图像中噪声形成的原因 |
| 3.2 煤泥浮选泡沫图像的去噪方法 |
| 3.2.1 基于空域去噪方法的浮选泡沫图像去噪 |
| 3.2.2 基于频域去噪方法的浮选泡沫图像去噪 |
| 3.2.3 基于空间域与频域去噪方法的煤泥泡沫图像去噪的仿真结果与分析 |
| 3.2.4 基于形态学去噪方法的的浮选泡沫图像去噪 |
| 第四章 煤泥浮选泡沫图像的形态学图像去噪的结构元素优化 |
| 4.1 图像去噪的评价准则 |
| 4.1.1 主观评价方法 |
| 4.1.2 客观评价方法 |
| 4.2 基于遗传算法的煤泥浮选泡沫图像去噪中的结构元素优化 |
| 4.2.1 遗传算法基本算子 |
| 4.2.2 遗传算法的适应度函数的选取 |
| 4.2.3 遗传算法中染色体编码长度的确定 |
| 4.2.4 遗传算法的参数选择 |
| 4.2.5 基于遗传算法结构元素优化的仿真结果与分析 |
| 4.3 基于改进的遗传算法的煤泥浮选泡沫图像去噪中的结构元素优化 |
| 4.3.1 在遗传算法的选择机制中增加基于浓度的调节概率因子 |
| 4.3.2 基于改进的基于异或运算的海明距抗体相似度计算方法 |
| 4.3.3 基于改进的自适应的变异方法 |
| 4.3.4 将精英保留策略加入到遗传算法当中 |
| 4.3.5 改进的遗传算法的特点 |
| 4.3.6 改进的遗传遗传算法的实现步骤 |
| 4.3.7 改进的遗传算法的适应度函数与染色体编码序列长度的选取 |
| 4.3.8 改进的遗传算法的参数选择 |
| 4.3.9 基于改进的遗传算法结构元素优化的仿真结果与分析 |
| 第五章 基于改进的标记算法的浮选泡沫图像的分水岭图像分割 |
| 5.1 分水岭图像分割 |
| 5.2 分水岭算法的局限性 |
| 5.3 煤泥浮选泡沫图像分割前的预处理 |
| 5.3.1 基于直方图均衡的煤泥浮选泡沫图像增强 |
| 5.3.2 基于形态学重构开闭滤波器的煤泥浮选泡沫图像滤波 |
| 5.4 改进的煤泥浮选泡沫图像的内部标记符的提取算法 |
| 5.4.1 基于扩展最大变换技术的图像内部标记符的通用提取算法 |
| 5.4.2 基于粒子群优算法与一维直方图加权的模糊C均值聚类算法融合的煤泥浮选泡沫图像内部标记符提取的改进算法 |
| 5.5 煤泥浮选泡沫图像的外部分割线的提取算法 |
| 5.5.1 基于距离变换的二值图像灰度化 |
| 5.5.2 基于距离变换图的分水岭分割的外部标记符的提取 |
| 5.6 煤泥浮选泡沫图像的内部标记符与外部分割线的提取仿真结果对比 |
| 5.7 基于边缘提取的煤泥浮选泡沫梯度图像 |
| 5.7.1 图像边缘的定义 |
| 5.7.2 几种典型边缘检测算子 |
| 5.7.3 基于Sobel算子的浮选泡沫图像的边缘提取 |
| 5.8 强制极小值标定浮选泡沫梯度图像 |
| 5.9 对标定后的梯度图像进行分水岭分割 |
| 5.10 煤泥浮选泡沫图像分水岭分割的仿真结果及分析 |
| 5.10.1 基于两种算法煤泥浮选泡沫图像分水岭分割的仿真结果 |
| 5.10.2 煤泥浮选泡沫图像分水岭分割的仿真结果分析 |
| 第六章 煤泥泡沫浮选图像的特征量提取 |
| 6.1 煤泥浮选泡沫图像纹理特征提取算法 |
| 6.1.1 图像纹理特征提取的方法 |
| 6.1.2 基于灰度共生矩阵统计法的煤泥浮选泡沫图像的纹理特征提取 |
| 6.1.3 基于邻域灰阶共生矩阵的煤泥浮选泡沫图像的纹理特征提取 |
| 6.2 泡沫尺寸特征提取算法 |
| 6.3 泡沫层的厚度特征提取算法 |
| 第七章 基于优化的RBF神经网络的煤泥浮选泡沫图像状态识别 |
| 7.1 引言 |
| 7.2 径向基函数(RBF)网络 |
| 7.2.1 径向基函数网络结构 |
| 7.2.2 RBF网络工作原理 |
| 7.2.3 RBF神经网络的学习算法 |
| 7.2.4 RBF神经网络泛化能力的影响因素 |
| 7.2.5 RBF神经网络的设计 |
| 7.3 基于改进算法的RBF神经网络的煤泥浮选泡沫图像的状态识别 |
| 7.3.1 煤泥浮选泡沫图像状态识别的仿真过程 |
| 7.3.2 仿真结果分析与结论 |
| 第八章 总结与展望 |
| 8.1 本文主要研究工作总结 |
| 8.2 本文的主要创新点 |
| 8.3 未来努力的方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、径向基概率神经网络结构的遗传优化（论文参考文献）
- [1]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021(02)
- [2]基于大功率毫米波测试系统的最优搜索和故障预测[D]. 邹富城. 电子科技大学, 2021(01)
- [3]基于PCA的RBF神经网络混合优化预测[D]. 于征. 杭州电子科技大学, 2020(02)
- [4]基于优化智能算法与低阶曲率模态的斜拉桥损伤识别[D]. 李帛书. 重庆大学, 2019(01)
- [5]基于神经网络的棉纱质量预测系统[D]. 王东平. 东华大学, 2019(03)
- [6]低碳供应链柔性资源配置模型及其算法研究[D]. 刘小红. 湖南大学, 2019(07)
- [7]核电站热工水力系统工况预测与诊断方法研究[D]. 陈涵瀛. 哈尔滨工程大学, 2018(01)
- [8]低压电网剩余电流暂态过程特征提取与识别方法研究[D]. 关海鸥. 中国农业大学, 2014
- [9]煤泥浮选泡沫图像的多元特征量提取算法及状态识别[D]. 田慕玲. 太原理工大学, 2014(05)
- [10]遗传优化RBPNN的隧道围岩力学参数反演计算[J]. 龙熙华,李保霖,叶万军,张兵. 数学的实践与认识, 2013(09)