一、基于一类非线性特性的FNN训练算法（论文文献综述）
马乐乐[1]（2021）在《非线性迭代学习模型预测控制研究》文中研究说明批次过程在现代智能制造工业中占据重要地位,用于生产具有高附加值的精细化产品,其产品质量在很大程度上取决于控制系统跟踪参考轨迹的精度。批次过程在有限时间区间内重复运行,而迭代学习控制能够通过学习历史运行数据修正当前控制输入,达到沿批次不断提高跟踪精度的目的,因而成为当今批次过程控制的主流方法。迭代学习控制是典型的一维控制算法,控制律只沿迭代轴更新,在时域上采用开环控制结构。因此,迭代学习控制不具备实时抗干扰能力,无法保证系统时域稳定性。模型预测控制作为一种广泛应用于工业优化的先进控制技术,通过预测未来的系统状态及输出进行滚动时域优化,能及时处理实时干扰,保证时域跟踪性能及闭环稳定性。迭代学习模型预测控制结合了迭代学习控制的点对点学习机制和模型预测控制的滚动时域优化框架,建立二维控制结构,同时实现批次过程迭代域和时域的控制目标。这种数据学习与过程控制的有机融合对推动批次制造业的智能化进程具有重大意义,是实施“中国制造2025”战略的重要环节。迭代学习模型预测控制理论仍处于发展初期,实际批次过程的强非线性、快动态、变参考轨迹及变批次长度等问题导致其应用面临着巨大挑战。本文考虑非线性批次过程的多种生产形式,提出了具有针对性的迭代学习模型预测控制策略,深入分析了算法稳定性、鲁棒性及收敛性问题。本文的主要研究工作包括:（1）建立了变参考轨迹下的非线性鲁棒迭代学习模型预测控制策略。采用线性参变模型建模非线性系统动态,在迭代学习模型预测控制中嵌入鲁棒H∞技术抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求取控制输入信号。分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性。针对非线性数值算例和搅拌反应釜系统的仿真验证了所提出算法在适应变参考轨迹方面的有效性。（2）设计了快动态批次过程的非线性高效迭代学习预测函数控制策略。将非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界。在时域上采用预测函数控制以减小待优化变量维数,从而有效降低计算负担。结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性。通过对无人车和快速间歇反应器系统的仿真,验证了所提出算法能够提高控制效率并实现高精度跟踪。（3）构造了复杂非线性批次过程的数据驱动迭代学习模型预测控制策略。利用批次过程不断累积的运行数据,构建仿射型前馈神经网络对系统非线性动态迭代辨识。考虑到神经网络建模误差导致的模型失配问题,设计了基于Tube框架的迭代学习模型预测控制策略,保证系统真实跟踪误差始终维持在Tube不变集内,从而提高系统跟踪精度。基于神经网络预测模型的仿射结构,实现对目标函数梯度的离线解析计算,提高Tube迭代学习模型预测控制的在线计算效率和优化可行性。证明了数据驱动机制下控制系统的鲁棒稳定性及迭代收敛性。针对间歇反应器的建模和控制仿真验证了所提出算法的有效性。（4）构建了变批次长度下的非线性事件触发迭代学习模型预测控制策略。采用神经网络预测序列对缺失信息进行高精度填补,保证各批次能够获得完整的高质量学习数据。根据相邻批次的运行长度关系设置事件触发条件,进行一阶学习结构和高阶学习结构的切换,实现对真实运行信息的高度利用。在以事件触发条件划分的两种控制模式下,证明了非线性迭代学习模型预测控制系统沿迭代轴的收敛性。通过对数值算例和注塑过程的仿真,验证了所提出算法的有效性。
陈琪[2]（2021）在《数据-模型联合驱动的无线边缘网络内容缓存技术》文中研究说明智能移动设备的快速普及和多元化移动业务的迅速扩展极大程度地促进了社会的发展与变革。与此同时,无线网络中的数据传输任务和计算任务呈指数型增多,为现有无线通信系统带来了沉重的负担和巨大的挑战。现有的无线网络架构亟待升级与变革,无线边缘网络内容缓存技术应运而生。通过探究无线边缘网络缓存资源的利用潜力,将云服务器的部分数据、计算任务等卸载到无线边缘网络的设备中,可以有效缓解核心网络负载,同时为用户提供短距离的高效服务。然而,无线边缘网络中通信资源和缓存资源严重受限。在优化缓存技术方面,不准确的缓存内容难以匹配用户需求,往往难以得到理想的缓存效益;在利用内容缓存辅助任务方面,如何利用有限资源挖掘内容缓存价值,为边缘网络开展如数据卸载、边缘学习等任务提供助力,也需要深入探讨。本文基于数据-模型联合驱动的无线边缘网络内容缓存技术,分别就面向内容缓存进行流行度预测、边缘节点开展内容缓存合作、内容缓存辅助数据推送和内容缓存辅助边缘学习四个方面展开研究,旨在全面提升无线边缘网络的内容缓存收益。具体工作包括:1、通过用户聚类的内容流行度预测技术提升缓存精准度。本文针对无线边缘网络内容缓存系统中的流行度预测技术,提出了一种基于加权用户聚类的内容流行度预测算法。综合考虑了缓存容量、传输容量、用户移动性和用户兴趣时变性等多个关键因素,通过引入缓存阈值,给出了内容缓存效益与内容流行度预测误差之间的闭式关系。同时,基于这一闭式表达发掘了内容流行度预测准确性和用户聚类策略之间的关联性,由此设计出基于加权聚类的内容流行度预测算法。分析结果显示,通过利用面向缓存的内容流行度预测技术,可以聚合稀疏的用户请求并挖掘多样化的用户请求特性,在有限通信缓存资源下显着提高缓存内容的点击命中率,提升缓存内容在用户之间的流行度。2、通过用户聚类的合作缓存技术增强无线边缘网络的缓存效率。本文针对用户聚类合作缓存技术,提出了一种基于分段兴趣相似度的用户聚类合作缓存策略。综合考虑了缓存容量、传输时延、用户动态特性等多个关键因素,通过预估两两用户之间的合作缓存效益,建立用户对之间的分段缓存兴趣相似度,并基于近邻传播模型对用户进行聚类。以此为基础,考虑用户动态特性,建立合作缓存效益的生存进程模型并预估了合作缓存有效时间,由此得到用户重聚类方案。分析结果显示,通过引入用户聚类合作缓存技术可充分利用边缘网络中离散的缓存资源,显着降低用户获取内容的平均传输时延。3、通过内容缓存辅助数据推送,提升内容推送效益。本文针对缓存内容推送技术,提出了一种基于结构化卷积神经网络的多播内容推送策略。综合考虑了传输容量、缓存开销等关键因素,通过分析内容推送决策之间的时空耦合特性,设计了一种结构化神经网络进行多播内容推送决策。为了应对训练标签缺失问题,设计了传输约束松弛场景下基于动态规划的最优单内容推送算法和最优总体推送数量分配算法,为网络训练提供有效的性能上界。分析结果显示,通过利用内容缓存辅助数据推送技术可有效权衡数据卸载与缓存开销,灵活利用传输资源,减少网络峰时负载,从而提高内容推送效益。4、通过内容缓存辅助分布式知识融合边缘学习技术,提升边缘网络学习性能,促进边缘网络智能化。本文针对内容缓存辅助分布式知识融合边缘学习技术,提出了一种面向不同本地知识库缓存模式下的传输调度算法。综合考虑了传输容量、本地知识库缓存模式、学习状态等多个关键因素,通过联合边缘学习和知识融合学习的特性,探究了传输调度决策对学习性能的影响。同时,分析不同本地知识库缓存模式的物理特性并分别提出了基于学习状态信息和信道状态信息的最优与渐近最优传输调度算法。分析结果显示,通过利用内容缓存辅助边缘学习技术,可以将知识融合学习部署在边缘网络中,构建全新的分布式知识融合边缘学习框架,有效提升边缘学习性能。
陈沙利[3]（2021）在《基于外周生理信号的情绪识别研究》文中进行了进一步梳理情绪是人在特定的场景刺激下产生的心理和生理的协调反应,与人的心理状态和生理健康息息相关。负性情绪会严重影响工作效率与工作质量,也会干扰判断、决策等高层次认知过程。因此对情绪状态进行客观准确的识别和分析具有重要的实际应用价值。目前常用的情绪识别方法有观察表情动作法和量表自我评估法。这两种方法虽然简单有效,但都较为主观且具有滞后性。人的情绪活动受到自主神经系统和中枢神经系统的调控,以及人脑高级认知的调节,与机体生理状态的变化密切相关。生理信号的反应不受主观意念控制,可以客观反应情绪状态。因此,基于生理信号进行情绪识别研究具有非常重要的意义。论文研究了一种基于心电、脉搏和呼吸等外周生理信号识别三种情绪状态（恐惧、平静、愉悦）的方法。通过视听刺激诱发66名被试的情绪并采集三种生理信号,共获得857个有效样本。从时域、频域、非线性三个角度构建了多信号、多维度、多参数的情绪特征集。通过逐步回归法进行特征选择,针对恐惧平静、恐惧愉悦、愉悦平静三个二分类任务选取了11个有效特征,针对愉悦平静恐惧三分类任务获得了16个有效特征,并分析了有效特征和情绪状态之间的特异性关联。将有效特征作为输入,使用支持向量机和前馈神经网络构建了两种情绪识别模型,并通过贝叶斯优化法选择模型参数,优化识别效果。通过混淆矩阵、识别准确率、ROC曲线、AUC值等指标对模型性能进行评估后,发现前馈神经网络模型性能优于支持向量机,对四个分类任务分别达到了93.3%、90.8%、92.3%和81.3%的识别准确率。此外,还将本研究中的情绪识别方法应用在DEAP多模态标准情绪数据库中,对愉悦度、唤醒度、优势度三个维度的识别准确率分别达到85.4%、87.8%和84.1%。证实了本论文研究方法的可行性、可靠性和可推广性。
周睿[4]（2021）在《基于语音非线性动力学特性的抑郁症识别研究》文中研究指明目前,利用客观信号识别抑郁症的研究备受关注,其中语音信号因其易采集、非侵入、设备廉价、信息丰富等特点,成为研究热点之一。抑郁人群语音信号具有语速慢、停顿长、低沉和语调单一等特点。目前已有相关研究从抑郁患者语音信号时域和频域的角度对其特性的讨论,但是尚缺乏从发声系统角度对其特性的讨论。因此本文采用非线性动力学理论、方法对抑郁、正常两类人群发声系统进行对比分析,并提取语音信号的非线性特征用于抑郁症识别模型的构建。本文主要创新和贡献如下:（1）本文采用非线性动力学技术分析抑郁人群发声系统,发现该系统混沌特性降低,递归特性明显,系统趋于稳定、有序。这一结果印证了抑郁和正常人群发声系统存在差异,为构建抑郁识别模型打下基础。本文采用非线性动力学和递归分析技术在相同单音素（元音“啊”）、相同多音素（朗读）、不同多音素（访谈）三类不同语音段上提取混沌、递归等非线性特征并做对比研究。前两者比较发现抑郁人群发声系统混沌特性降低而递归特性明显;三者比较发现非线性特征对音素变化较敏感,构建识别模型需要考虑这一因素。（2）基于（1）的研究成果,本文构造了基于发声系统维度的非线性特征抑郁症识别模型,获得了优于传统模型的识别结果。为了充分挖掘非线性特征对发声系统的表征能力,同时克服其音素敏感缺陷,本文根据单语音帧嵌入维数分组非线性特征,再构建其统计量,并依此训练抑郁症识别模型。在470名受试者共11582个语音段上对该模型进行分性别验证,女性、男性抑郁症识别模型分类正确率分别达到76.3%、72.4%,验证了该模型的有效性。本文通过定量分析抑郁人群语音信号的非线性特性,研究抑郁症患者发声系统的变化,构建了基于发声系统维度的非线性特征抑郁症识别模型,提升了识别准确率。
黄庆康[5]（2020）在《基于深度学习的广告点击率预估算法的研究》文中提出广告作为当前互联网行业最为有效的商业营收模式,在学术界和工业界不断地推动下,已经逐渐融入到人们的生活当中。实时竞价广告因为根据每一个用户的偏好进行个性化推荐而成为广告平台广泛采用的广告投放模式。其中,广告点击率的预估能够优化候选广告的排序,直接影响到用户的体验、广告的效果和平台的收益。因此精准的广告点击率预估算法是广告系统的核心环节之一。为此,本文分别从数据类别不平衡、显式构建高阶交叉特征和数据内在规律表示用户兴趣三个方面进行深入研究,且取得了以下创新性成果:1、现实场景下,广告领域负样本数量远远多于正样本,而深度模型一般会假定训练数据中各类别样本数量比较均衡。如何解决二者之间的矛盾成为了一个研究方向。为此,提出了一种针对样本类别不平衡问题的动态平衡化损失函数。根据观察到的小批量内各类别样本数量比率随机变化现象,在损失函数中利用样本的标签数量信息自适应地调整各样本的损失权重,使每个类别样本产生的总损失尽量同量级。此外,还引入了难分样本学习的思路。在不平衡的广告点击数据集和图像多分类数据集上的实验结果表明,该损失函数能够一定程度上解决类别不平衡问题。2、为弥补深度网络在交叉特征方面的缺失,已存模型将嵌入向量拼接一起采用矩阵映射的方式构建高阶交叉特征,但这模糊了特征域的关系。为此,提出了一种新的显式构建高阶交叉特征信息的模块,并联合线性模块和深度模块形成端到端的模型去学习不同层次的特征信息。通过保留底层的FM结构,利用交叉后的特征向量重组成新的稀疏特征向量表示,再继续重复的特征交叉、稀疏特征向量表示重生成的步骤,以获得不同阶次的交叉特征信息。在三个公共数据集上充分地进行效果的评估和比较,实验表明该算法相比其他的预估模型具有一定的效果优势。3、用户兴趣网络作为一种新型点击率预估模型,在利用数据内在规律方面存在不足,且对用户的噪声行为也未很好解决。为此,提出了一种从双视图角度利用用户历史交互行为的注意力模型。除了已存在的将用户的历史交互物品集作为候选用户的兴趣表示之外,还将物品的历史交互用户集作为候选物品的特性表示。且使用注意力机制来度量候选用户（物品）对历史交互物品（用户）集的差异性偏好和候选用户（物品）同历史交互用户（物品）集间的特征相似度,借此消除行为列表中冗余的噪声行为。在多个具有挑战性的数据集上进行实验比较,证明了该方法的有效性和合理性。
林艳艳[6]（2020）在《自适应学习机制驱动的多目标进化算法研究》文中研究说明大数据背景下,高效处理海量、高维、不确定数据的迫切需要对传统的信息处理技术提出了挑战。以进化计算为代表的智能计算方法被认为是处理复杂多目标问题的有效手段,近年来已成为研究的前沿和热点关注领域。目前,多目标进化算法已在众多领域得到十分广泛的应用,并解决了许多非常有价值的实际问题,其研究成果已经渗透到多个学科。然而,在进化多目标求解的过程中,仍然需要重点关注以下两个方面:1)如何提高多目标进化算法的通用性;2)如何在多目标进化算法搜索过程中融入问题的特征,以实现问题的高效求解。有鉴于此,本论文旨在研究自适应学习机制驱动的多目标进化算法,并对其在复杂多目标优化问题的高效求解方面展开研究,主要创新性工作如下:1.多目标差分进化算法和基于规则的多目标分布估计算法对于不同类型问题的求解具有各自的优势和不足,如何有效融合各自的优势是提高算法计算效率的一种重要途经。为此,提出一种自适应协方差学习模型驱动的多目标混合差分-分布估计算法。首先,通过矩阵理论分析差分进化算子的数学特征以及对不同类型优化问题的影响。其次,利用协方差矩阵来识别种群分布的数据关联特性,以此构建特征坐标系,并利用Sigmoid函数实现差分进化算子在两个坐标系下的协同搜索。接着,在进化的后期利用规则模型和负相关选择使得算法能够尽可能地覆盖整个Pareto结构,从而提高计算效率;最后,与3个多目标差分进化算法和3个基于规则的多目标分布估计算法在两组不同类型的测试函数上进行比较。实验结果表明,提出的算法能够有效解决不同类型的多目标问题,具有更强的鲁棒性。2.针对逆学习模型在不规则Pareto前沿的多目标优化问题上遭遇计算效率低的问题,提出一种自适应逆学习模型驱动的多目标进化算法。该算法将整个进化过程划分为探索和开发两个阶段,在探索阶段利用均匀分布的参考向量来提高算法的探索能力;在开发阶段,外部精英存档中的非支配解被用来自适应地调整参考向量的分布,这有利于提高算法的勘探能力。此外,偏好交叉和逆学习模型的协同搜索进一步提高了算法的计算效率。最后,与六个基于规则的多目标进化算法在18个不规则的测试函数上进行比较。实验结果表明,真实验结果表明,提出的算法能够有效解决各种类型的不规则多目标优化问题。3.针对基于规则的学习模型和逆学习模型的进化种群在决策空间和目标空间分布的不平衡的问题,提出一种自适应双空间学习模型驱动的多目标进化算法。该算法首先引入一种基于序列化的种群初始化方法来识别距离函数的适应度特征,这有利于降低算法陷入Pareto局部最优的风险;其次,设计一种自适应机制来调节计算资源的分配,以实现两种学习模型的优势互补;接着,通过集成双空间的环境选择策略实现同时兼顾种群在不同空间分布多样性的目标;最后,与六个基于规则的多目标进化算法在22个测试函数上进行比较。数值模拟与仿真实验结果表明,提出的算法的性能明显优于其它对比算法。4.针对混沌时间序列预测和电力负荷预测中的建模问题,构建一种多目标引导的稀疏深度信念网络。在网络训练种,该模型将带有稀疏惩罚因子的单目标函数转化为包含有重构误差和稀疏程度的双目标函数,并结合多目标进化算法和CD-1方法实现参数的自动选择,避免了手动调节稀疏惩罚因子难的问题。数值实验结果表明多目标引导的深度信念网络在时间序列预测的应用中比其它常用模型具有一定的优越性。
李晓东[7]（2020）在《HFSWR远程多海况下海洋表面动力学要素提取及预测方法研究》文中研究指明高频地波雷达（High Frequency Surface Wave Radar,HFSWR）利用高频电磁波（High Frequency Electromagnetic Wave,HFEW）在海面传播损耗低的特点,可对专属经济区甚至更远海域实现大面积和全天候的实时监测,因此,HFSWR受到世界各国的高度重视。HFSWR可分为宽波束HFSWR和窄波束HFSWR,其中窄波束HFSWR不仅可以提供超视距目标的位置和运动信息,而且可以进行远距离海洋表面动力学要素（Ocean Surface Dynamics Elements,OSDEs）即海流流速、有效波高、风速和风向等的精细化提取,监测面积更大且具有更好的角度分辨力。因此,窄波束HFSWR有广泛的应用前景。目前HFSWR海流流速提取技术非常成熟且已经商业化,然而有效波高和风速提取技术还有待进一步研究。本文以单站窄波束HFSWR为研究平台,以有效波高和风速为研究对象,重点研究远程多海况下有效波高和风速提取方法,并在国内外首次开展三维海洋表面动力学要素（Three-dimensional Ocean Surface Dynamics Element,3D-OSDE）即海流流速、有效波高和风速的联合预测方法研究。本研究成果为开展目标和海洋兼容探测提供理论依据和方法,有助于在现有目标探测HFSWR系统基础上,建立起一套可同时进行OSDEs提取及预测的信号处理方法。本文的主要研究内容如下:1.基于一阶谱的有效波高提取方法研究。首先详细介绍目前单站窄波束HFSWR中常用的有效波高提取方法,包括Barrick算法和基于一阶Bragg峰的有效波高提取方法,并指出这些方法中存在的问题,然后提出基于一阶谱的有效波高提取新方法,可突破Barrick算法有效波高提取下限,解决基于一阶Bragg峰的有效波高提取方法中存在的问题。2.远程多海况下有效波高提取方法研究。当进行远距离OSDEs提取时需要采用HFSWR载频低端,此时Barrick算法、基于一阶谱的有效波高提取新方法以及基于双频融合模式的有效波高提取方法均无法进行远距离多海况下有效波高提取。为此,本研究首先利用人工智能技术充分融合Barrick算法和基于一阶谱的有效波高提取新方法,提出基于单频融合模式的有效波高提取方法,进而实现单站窄波束HFSWR远程多海况下有效波高提取,实测数据分析表明本方法可获得满意的有效波高提取结果。随后对基于单频融合模式的有效波高提取方法中的分类方法进行进一步研究,针对传统前馈神经网络（Feedforward Neural Network,FNN）对时间序列数据建模性能有限和分类精度低等问题提出一种基于长短时记忆神经网络（Long Short-term Memory Neural Network,LSTMNN）的分类算法,同时针对梯度下降（Gradient Descent,GD）算法收敛速度慢和容易陷入局部极小值等问题提出一种基于无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）的训练方法。实测数据分析表明本方法可以更好的进行远程多海况下有效波高提取。3.远程多海况下风速提取方法研究。在获取远距离多海况下的有效波高提取结果后,通常使用各种参数或非参数模型进行风速提取,其中参数模型拟合能力和泛化性能较差,常用的非参数模型不能充分利用历史时刻的有效波高信息,不适用于具有不同长度时序依赖特性的时间序列,而且输入矢量长度难以确定。为此,本研究提出一种基于LSTMNN的远程多海况下风速提取方法,本方法可以把时序特性包含在其反馈连接中,从而充分利用历史时刻的有效波高信息,且不需要已知输入矢量长度,是解决上述问题的一种有效手段。4.HFSWR OSDEs预测方法研究。对于3D-OSDE预测目前未见相关文献报道,本研究是对这一领域的全新探索。本研究依据多维信号处理领域最新成果,在四元数域进行3D-OSDE联合预测,并提出一种基于四元数值神经网络（Quaternion-valued Neural Network,QNN）的3D-OSDE联合预测方法。考虑到多海况下3D-OSDE时间序列具有很强的非平稳性,提出一种基于二阶导数的在线训练方法对QNN中的参数进行实时调整。
冯陈[8]（2020）在《抽水蓄能机组系统辨识与复杂工况下控制规律研究》文中提出太阳能和风电等清洁能源想要大规模接入电网并发挥其作为绿色能源的优势,就必须借助大规模储能技术的消纳和调节。在目前已有的储能技术当中,抽水蓄能技术相比于其他形式的储能技术具有运行成熟且储量大的优点。抽水蓄能技术工况转换迅速、运行灵活性高、负荷响应速度快,可以实时跟踪电力系统的负荷变化。然而,抽水蓄能与新能源的联合运行中仍存在许多问题。大规模新能源的并网,对抽水蓄能机组的运行模式提出了新要求。更频繁的负荷调整、长时间的旋转备用、长时间的负荷工况等新要求给抽水蓄能电站的运行来了新的挑战。尤其在稳定性和安全性方面,由于可逆式机组固有的反“S”区不稳定运行特性以及调速励磁系统水-机-电能量转换过程中耦合效应日益显着,传统的抽水蓄能运行方式已无法满足新形势下电网的调节需求。在此背景之下,针对抽水蓄能机组稳定、安全和高效运行所亟需解决的关键科学问题与技术难点,本文以抽水蓄能机组系统辨识与复杂工况下控制规律研究为切入点,在充分探讨抽水蓄能调节系统各组成部分的动态机理与非线性特性的基础上,分别搭建了具有复杂过水系统的调速系统模型与调速励磁系统水-机-电耦合模型,以智能优化算法、人工神经网络、多目标优化理论、小扰动特征分析、模型预测控制方法为技术支撑,深入开展抽水蓄能机组参数辨识、模型辨识、改善反“S”区动态特性以及调速励磁耦合控制规律的研究,建立了抽水蓄能机组建模-辨识-控制层层递进的研究体系。本文的主要研究工作与创新成果如下:（1）系统研究了抽水蓄能机组调速系统和励磁系统各组成部分不同模型表达及适用条件。针对水泵水轮机反“S”区建模困难的问题,引入对数投影法和改进Suter变换对水泵水轮机全特性曲线进行预处理,解决了反“S”特性区域插值计算的多值性问题。搭建了适用于不同研究工况的带有复杂过水系统的调速系统模型与调速励磁系统水-机-电耦合模型,为后续系统辨识与复杂工况下控制规律的研究奠定了模型基础。（2）针对复杂过水系统和调速励磁耦合特性引起的参数辨识难题,研究了基于智能优化算法的参数辨识方法,引入人工羊群算法并结合Levy游走、混沌变异及弹性边界处理策略,提出了一种改进人工羊群智能优化算法,建立了基于改进人工羊群算法的参数辨识框架。通过机组的开关机过程,直接辨识复杂过水系统的管段参数;通过并网运行的调节过程,实现了调速励磁系统水-机-电耦合模型的高精度一体化参数辨识。（3）针对数据具有长期依赖关系和普通神经网络训练中面临的梯度消失问题,通过引入长短时记忆神经网络来实现带有复杂过水系统的抽水蓄能机组调速系统的高精度离线模型辨识;针对普通反向传播算法面临的训练收敛速度慢、在线调整困难的问题,引入了兼具普通BP神经网络非线性描述能力强和递推最小二乘法计算简单优点的带遗忘因子的在线序列极限学习机,实现了抽水蓄能机组调速励磁系统水-机-电耦合模型的高精度在线模型辨识。（4）针对机组低水头启动易受反“S”特性影响产生转速振荡的问题,提出了兼顾速动性和稳定性的基于多目标羊群算法的优化框架,有效抑制低水头开机时机组转速的反复振荡。为了从根本上改善抽水蓄能机组在反“S”区的动态特性,本文首次探讨了利用变速机制避免机组深入反“S”区运行的可行性,结果表明低水头工况下可以通过降低转速使机组的运行区域在全特性曲线上向左移动从而有效避免反“S”区,使机组具有更好的动态特性,也为常规定速抽水蓄能机组的改造与发展提供了新参考。（5）为了实现抽水蓄能机组调速励磁系统水-机-电能量转换过程的耦合控制,引入特征值分析法对调节系统进行小扰动稳定性分析,在此基础上给出了经典“PID+VAR+PSS”控制策略多工况下的多目标优化和决策方法。提出了一种基于带遗忘因子在线序列极限学习机的预测模型、阶梯式控制增量约束、人工羊群算法滚动优化的智能模型预测控制策略,通过不同工况下与经典控制策略对比的实验,验证了所提智能模型预测控制方法进行调速励磁耦合控制的优越性,并引入非线性动力学理论对智能模型预测控制器进行了稳定性分析。
徐杰[9]（2020）在《基于改进型回声状态网络的电力负荷预测研究》文中研究指明电力的稳定供应是人民生活、工厂运转和农业生产的基础,精确的电力预测有助于电力企业调节发电量,保持供需关系平衡,有利于人民生活正常平稳和工业生产安全有序,同时也是电网自动化管理的重要组成部分,因此研究精度高、性能优的电力负荷预测模型影响深远。近年来,人工神经网络因为其出色的预测性能成为重要的研究方向,其中,回声状态网络（Echo State Network,ESN）改进了传统递归神经网络的中间层,解决了递归神经网络容易过拟合的问题并降低了算法的复杂度。因为其优异的性能,ESN模型迅速成为最热门的时间序列预测研究方向之一。但是,面对电力负荷数据非线性、非平稳、易突变的特性,经典ESN已经不能满足电力负荷预测精度的要求。鉴于此,本文从ESN模型的扩展和储备池改进两个角度入手,研究基于改进型回声状态网络的电力负荷预测方法,主要研究工作包括以下三点:（1）针对电力负荷多步预测问题,提出了相空间重构回声状态网络（PSR-ESN）模型,用于电压多步预测方法。该方法通过重构相空间拟合非线性电压数据,在此基础上,以加权平均的方式融合直接多步预测结果和迭代多步预测结果。实验表明,与直接多步预测和迭代多步预测相比,该方法预测精度提升了10%至50%。（2）针对电力负荷多时间层次的特点,提出了多储备池回声状态网络（MESN）模型来获取电力数据的多层次特征。该模型由多时间层次编码器和卷积解码器构成,其中编码器由多个具有不同时间跨度的储备池组成,将低维数据映射到高维空间,多储备池结构将时间序列的历史信息编码到各自的回声状态向量中;卷积解码器由卷积层和全连接层构成,卷积层提取回声状态向量中的特征,全连接层组合所有特征值获得模型输出。该模型由于具有无需训练的储备池和简单的卷积层,所以运算效率高。（3）通过扬州地区12个月的电力负荷预测实验,表明多储备池回声状态网络可以有效提取电力负荷数据的多时间层次特征和时间依赖关系,性能优于现有算法。通过可视化分析,表明该模型具有短期记忆能力和处理复杂非线性电力负荷数据的能力。
孙元萌[10]（2020）在《基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究》文中研究指明熔融指数是决定聚丙烯产品牌号的重要质量指标,丙烯聚合过程熔融指数指标的精确预报能够缩短牌号切换时间、节省物料损耗、节约能源消耗、提高生产效率、增加产品利润。在工业生产流程中,熔融指数采用定时采样,离线化验分析获得,难以满足聚丙烯产品在线质量监测与控制的要求。面对复杂的聚合反应机理以及工业生产中伴随的扰动与噪声,传统的熔融指数机理模型难以取得良好的预报精度与鲁棒性。稀疏贝叶斯学习方法根据贝叶斯定理由采样样本推导未知变量的后验分布,通过稀疏性约束降低模型复杂度,在工业过程质量预报特别是小样本问题中具有良好的应用潜力。本文在已有的研究工作基础上,基于稀疏贝叶斯学习框架,针对变量耦合性、样本标签稀缺性、复杂过程非线性、混沌性、时变性等挑战,提出多种有效的熔融指数建模与优化方法,成功应用于30万吨/年聚丙烯生产装置,实现丙烯聚合过程熔融指数在线智能最优预报。主要工作及创新点如下:（1）考虑到丙烯聚合过程变量耦合问题,提出一种基于t分布随机邻域嵌入的稀疏贝叶斯独立成分回归模型（tSNE-IC-SBR）,通过样本邻域内采样点的分布信息降低模型特征变量维度,构造低维度特征矩阵从而剔除由过程操作变量相关度高导致的信息冗余问题,结合独立成分分析实现复杂工业过程的变量解耦,从而提升模型预报精度。将其应用于实际生产数据,实验结果表明所提出模型的有效性。（2）考虑到工业生产过程拥有少量的样本标签和大量无标签样本数据,提出一种基于邻域核密度估计的稀疏贝叶斯半监督回归方法（KDSBSR）,充分利用无标签样本信息提高丙烯聚合生产过程熔融指数预报的准确性。相比于传统的熔融指数预报方法,该模型在贝叶斯概率框架下实现了对无标签数据的信息整合,通过核函数方法估计邻域内无标签样本的分布并建立其与少量样本标签的映射关系,通过贝叶斯定理推导熔融指数的后验分布,得到模型参数的最大似然估计提高模型预报准确度,引入稀疏约束避免过拟合。实际工业生产数据的实验结果表明该方法与现有熔融指数预报模型相比具有更好的预报精度。（3）考虑到丙烯聚合复杂过程的非线性,稀疏贝叶斯学习的模型参数直接影响熔融指数模型的预报精度,提出一种基于混沌映射改进的人工蜂群智能优化MI预报模型（CABC-SBR）。通过混沌人工蜂群方法优化模型核函数参数,并引入混沌映射增强算法收敛能力与寻优效率,得到丙烯聚合过程熔融指数智能最优预报模型。通过多重检验分析优选混沌映射与CABC算法结构。将该模型应用于实际工业生产过程,结果表明混沌人工蜂群贝叶斯回归模型具有良好的预报性能与泛化能力。（4）考虑到丙烯聚合反应过程的混沌特性,熔融指数时间序列具有长程相关性,提出一种基于混沌理论与协同训练的熔融指数半监督智能预报模型（Co-PSR-HDEBC-SBR）。分析熔融指数序列的混沌特性,通过相空间重构构建熔融指数的混沌特征矩阵建立预报模型。进一步通过基于混沌的SBR模型与基于特征的SBR模型的协同训练,充分利用过程中的无标签数据信息,并提出一种混合差分进化蜂群方法优化熔融指数预报模型。实验结果表明,提出的Co-PSR-HDEBC-SBR预报模型对比其它预报模型具有更好的预报准确度,在丙烯聚合过程熔融指数预报中具有应用潜力。（5）考虑到聚丙烯工业生产过程的时变性,流程设备老化与工况波动等因素导致熔融指数静态模型失配,提出在线校正的粒子滤波熔融指数预报方法（OCS-PFSBR）,构建预报模型的状态转移方程,控制预报误差随迭代进行逐步下降,并通过粒子滤波算法得到模型参数的最佳估计,进一步引入在线校正机制实时更新预报模型。与其它熔融指数预报模型相比,该模型的优势是通过状态转移方程得到模型参数的概率式表达结果,并根据预报误差实时更新维护,从而得到熔融指数动态预报模型。该方法应用于实际生产数据,证明了提出的模型在聚丙烯熔融指数预报问题中具有良好的预报精度和鲁棒性。
二、基于一类非线性特性的FNN训练算法（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、基于一类非线性特性的FNN训练算法（论文提纲范文）
（1）非线性迭代学习模型预测控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 迭代学习模型预测控制理论的基本问题 |
| 1.2.1 二维预测模型 |
| 1.2.2 控制律迭代优化 |
| 1.2.3 二维稳定性分析 |
| 1.3 迭代学习模型预测控制面临的挑战 |
| 1.3.1 建模问题 |
| 1.3.2 优化问题 |
| 1.3.3 适应性问题 |
| 1.4 本文的研究内容 |
| 第2章 迭代学习模型预测控制基础理论 |
| 2.1 引言 |
| 2.2 迭代学习控制 |
| 2.2.1 控制问题描述 |
| 2.2.2 学习律 |
| 2.2.3 最优ILC算法收敛性分析 |
| 2.2.4 仿真算例 |
| 2.3 模型预测控制 |
| 2.3.1 预测控制基本原理 |
| 2.3.2 基于状态空间模型的预测控制 |
| 2.3.3 仿真算例 |
| 2.4 基于状态空间模型的迭代学习模型预测控制 |
| 2.4.1 二维预测模型 |
| 2.4.2 控制律求解 |
| 2.4.3 收敛性分析 |
| 2.4.4 仿真算例 |
| 2.5 本章小结 |
| 第3章 变参考轨迹非线性鲁棒迭代学习模型预测控制 |
| 3.1 引言 |
| 3.2 二维预测模型推导 |
| 3.2.1 非线性系统的LPV蕴含 |
| 3.2.2 增广迭代误差模型 |
| 3.2.3 二维增广误差模型 |
| 3.3 RILMPC算法 |
| 3.3.1 控制问题描述 |
| 3.3.2 鲁棒稳定状态反馈控制律 |
| 3.3.3 LMI求解 |
| 3.3.4 控制输入约束 |
| 3.4 收敛性分析 |
| 3.5 仿真研究 |
| 3.5.1 仿真一: 数值系统 |
| 3.5.2 仿真二: 搅拌反应釜系统 |
| 3.6 本章小结 |
| 第4章 快动态批次过程非线性高效迭代学习预测函数控制 |
| 4.1 引言 |
| 4.2 二维预测模型 |
| 4.2.1 非线性系统轨迹线性化 |
| 4.2.2 二维LTV增量预测模型 |
| 4.3 稳定ILMPC策略 |
| 4.3.1 ILMPC问题描述 |
| 4.3.2 ILMPC约束处理 |
| 4.4 高效ILPFC策略 |
| 4.4.1 ILPFC问题描述 |
| 4.4.2 ILPFC性能分析 |
| 4.5 ILPFC/ILMPC收敛性分析 |
| 4.6 仿真研究 |
| 4.6.1 仿真一: 无人地面车辆 |
| 4.6.2 仿真二: 非线性间歇反应器 |
| 4.7 本章小结 |
| 第5章 基于数据驱动建模的迭代学习模型预测控制 |
| 5.1 引言 |
| 5.2 非线性批次过程CAFNN建模 |
| 5.3 Tube CAFNN-ILMPC策略 |
| 5.3.1 标称ILMPC控制器 |
| 5.3.2 辅助控制器 |
| 5.4 Tube CAFNN-ILMPC 2D稳定性 |
| 5.4.1 时域稳定性 |
| 5.4.2 迭代收敛性 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 第6章 变批次长度事件触发迭代学习模型预测控制 |
| 6.1 引言 |
| 6.2 变批次长度问题描述 |
| 6.2.1 基于预测的误差信息修正算法 |
| 6.2.2 基于修正误差信息的线性迭代学习模型预测控制 |
| 6.3 基于事件触发的非线性迭代学习模型预测控制 |
| 6.3.1 非线性ILMPC问题描述 |
| 6.3.2 基于EKF训练的二维神经网络预测模型 |
| 6.3.3 基于事件触发的非线性迭代学习模型预测控制器设计 |
| 6.3.4 收敛性分析 |
| 6.4 仿真研究 |
| 6.4.1 仿真一: 线性数值系统 |
| 6.4.2 仿真二: 非线性注塑过程 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 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）数据-模型联合驱动的无线边缘网络内容缓存技术（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 未来无线网络演进趋势 |
| 1.1.2 无线边缘网络缓存技术 |
| 1.2 研究意义 |
| 1.2.1 数据-模型联合驱动的无线边缘网络 |
| 1.2.2 提升无线边缘网络内容缓存效益的方法 |
| 1.3 相关领域研究现状 |
| 1.4 主要内容与结构安排 |
| 2 面向缓存的内容流行度预测 |
| 2.1 系统模型 |
| 2.1.1 内容缓存系统模型 |
| 2.1.2 问题描述 |
| 2.2 基于聚类的问题分析与问题重构 |
| 2.3 基于流行度预测的缓存损失 |
| 2.3.1 基于文件分类的系统损失重建 |
| 2.3.2 基于缓存阈值的损失概率分析 |
| 2.4 基于加权聚类的流行度预测算法 |
| 2.4.1 用户聚类准则 |
| 2.4.2 加权聚类方法 |
| 2.5 仿真结果 |
| 2.5.1 仿真配置 |
| 2.5.2 缓存阈值训练过程 |
| 2.5.3 不同关键参数下的性能比较 |
| 2.5.4 不同用户请求行为模式下的性能对比 |
| 2.6 本章小结 |
| 3 基于分段兴趣相似度的合作缓存聚类 |
| 3.1 系统模型 |
| 3.1.1 内容缓存系统 |
| 3.1.2 问题描述 |
| 3.1.3 问题分析与分解 |
| 3.2 基于分段兴趣相似度的用户聚类策略 |
| 3.2.1 分段兴趣相似度聚类标准 |
| 3.2.2 近邻传播聚类算法 |
| 3.3 用户重建聚类策略 |
| 3.4 仿真结果 |
| 3.4.1 用户聚类算法性能评估 |
| 3.4.2 用户重聚类算法性能评估 |
| 3.4.3 综合性能评估 |
| 3.5 本章小结 |
| 4 基于结构化深度学习的缓存辅助多播内容推送 |
| 4.1 系统模型 |
| 4.1.1 缓存辅助的多播推送系统 |
| 4.1.2 问题描述 |
| 4.2 面向多播推送与缓存的结构化深度学习 |
| 4.2.1 问题分析与问题重构 |
| 4.2.2 卷积阶段 |
| 4.2.3 全连接阶段 |
| 4.3 基于推送收益上界的训练过程 |
| 4.3.1 收益上界设计 |
| 4.3.2 网络训练 |
| 4.3.3 面向不确定用户请求信息场景的拓展 |
| 4.4 仿真结果 |
| 4.4.1 仿真配置 |
| 4.4.2 性能对比 |
| 4.4.3 非确定性预测下的鲁棒性 |
| 4.5 本章小结 |
| 5 缓存辅助的分布式知识融合边缘学习 |
| 5.1 系统模型 |
| 5.1.1 知识融合边缘学习模型 |
| 5.1.2 分布式网络通信模型 |
| 5.1.3 问题描述 |
| 5.1.4 问题分析 |
| 5.2 PECI模式:最优LSI-CSI联合感知传输调度决策 |
| 5.2.1 PECI模式中的本地训练损失衰减分析 |
| 5.2.2 面向PECI模式的最优传输调度决策 |
| 5.3 CEPI模式:渐近最优的LSI-CSI联合感知UCB算法 |
| 5.3.1 基于多臂老虎机模型的问题重构 |
| 5.3.2 LSI-CSI联合感知UCB算法 |
| 5.3.3 系统遗憾性能分析 |
| 5.4 仿真结果 |
| 5.4.1 仿真配置 |
| 5.4.2 不同参数下的性能评估 |
| 5.4.3 本地缓存容量对学习性能的影响 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 附录 |
| A.1 第二章的相关证明 |
| A.1.1 定理2.3的证明 |
| A.1.2 定理2.4的证明 |
| A.2 第三章的相关证明 |
| A.2.1 数值迭代求解量化问题(3.24) |
| A.2.2 定理3.1的证明 |
| A.3 第四章的相关证明 |
| A.3.1 定理4.1的证明 |
| A.3.2 定理4.2的证明 |
| A.3.3 定理4.3的证明 |
| A.3.4 定理4.4的证明 |
| 参考文献 |
| 参与项目与发表文章目录 |
（3）基于外周生理信号的情绪识别研究（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 |
| 1.2 基于生理信号进行情绪识别的国内外研究现状 |
| 1.3 研究目标与研究内容 |
| 1.3.1 论文的研究目标 |
| 1.3.2 论文的研究内容 |
| 第2章 情绪识别研究的理论基础 |
| 2.1 引言 |
| 2.2 情绪识别研究的心理学基础 |
| 2.2.1 情绪理论 |
| 2.2.2 情绪模型 |
| 2.3 情绪识别研究的生理学基础 |
| 2.3.1 心电 |
| 2.3.2 脉搏波 |
| 2.3.3 呼吸 |
| 2.3.4 皮肤电反应 |
| 2.3.5 肌电 |
| 2.3.6 皮肤温度 |
| 2.4 本章小结 |
| 第3章 情绪诱发方案与实验数据采集 |
| 3.1 引言 |
| 3.2 情绪诱发手段及诱发效果评价 |
| 3.3 情绪诱发实验的目标 |
| 3.4 实验数据采集方案设计 |
| 3.5 情绪诱发方案 |
| 3.5.1 刺激材料选取 |
| 3.5.2 实验环境设置 |
| 3.5.3 具体实验过程 |
| 3.6 情绪量表评分结果 |
| 3.7 本章小结 |
| 第4章 生理信号预处理及有效特征集的构建 |
| 4.1 引言 |
| 4.2 数据清洗与数据标记 |
| 4.2.1 分析片段的获取 |
| 4.2.2 数据标签的确定 |
| 4.3 生理信号的预处理 |
| 4.3.1 心电信号的预处理 |
| 4.3.2 脉搏波信号的预处理 |
| 4.3.3 呼吸信号的预处理 |
| 4.4 生理信号的特征提取 |
| 4.4.1 时域特征 |
| 4.4.2 频域特征 |
| 4.4.3 非线性特征 |
| 4.5 多信号多维度多参数特征集的构建 |
| 4.5.1 生理信号原始特征集的构建 |
| 4.5.2 使用逐步回归法进行特征选择 |
| 4.5.3 不同分类任务的特征选择结果 |
| 4.5.4 有效特征的统计学分析 |
| 4.6 本章小结 |
| 第5章 基于多维度特征集的情绪识别模型的研究 |
| 5.1 引言 |
| 5.2 机器学习模型 |
| 5.2.1 机器学习模型选择 |
| 5.2.2 支持向量机的结构与原理 |
| 5.2.3 SVM识别模型的构建 |
| 5.3 神经网络模型 |
| 5.3.1 神经网络模型选择 |
| 5.3.2 前馈神经网络的结构与原理 |
| 5.3.3 FNN识别模型的构建 |
| 5.4 本章小结 |
| 第6章 基于外周生理信号的情绪识别研究结果与分析 |
| 6.1 引言 |
| 6.2 情绪分类结果与分析 |
| 6.2.1 混淆矩阵与分类准确率结果 |
| 6.2.2 ROC曲线与AUC结果 |
| 6.3 DEAP数据库验证 |
| 6.3.1 DEAP数据库的介绍 |
| 6.3.2 DEAP数据库的分类 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 情绪唤起实验知情同意书 |
| 致谢 |
| 作者简历 |
（4）基于语音非线性动力学特性的抑郁症识别研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于语音信号的抑郁症识别研究 |
| 1.2.2 语音信号非线性动力学特性的应用研究 |
| 1.3 研究内容与主要贡献 |
| 1.3.1 本文研究内容 |
| 1.3.2 主要创新及贡献 |
| 1.4 章节安排 |
| 1.5 本章小结 |
| 第二章 相关技术及原理 |
| 2.1 语音信号处理相关技术简介 |
| 2.1.1 语音信号预处理 |
| 2.1.2 基于语音的抑郁症识别常用特征 |
| 2.2 非线性动力学简介 |
| 2.2.1 非线性动力系统 |
| 2.2.2 混沌与递归特性 |
| 2.3 非线性时间序列分析技术与常用指标 |
| 2.3.1 相空间重构 |
| 2.3.2 最大Lyapunov指数 |
| 2.3.3 Kolmogorov熵 |
| 2.3.4 Hurst指数 |
| 2.4 递归图和定量递归分析技术 |
| 2.4.1 递归图 |
| 2.4.2 定量递归分析(RQA) |
| 2.5 特征分析和特征选择方法简介 |
| 2.5.1 T检验 |
| 2.5.2 秩和检验 |
| 2.5.3 mRMR特征选择方法 |
| 2.5.4 相关性特征法 |
| 2.6 常用分类器简介 |
| 2.6.1 支持向量机 |
| 2.6.2 朴素贝叶斯 |
| 2.6.3 随机森林 |
| 2.7 本章小结 |
| 第三章 基于语音的抑郁症识别数据采集实验 |
| 3.1 实验设计 |
| 3.1.1 实验目的 |
| 3.1.2 实验范式 |
| 3.1.3 被试入组和排除标准 |
| 3.1.4 实验设备 |
| 3.1.5 实验流程 |
| 3.2 数据集的构建 |
| 3.3 本章小结 |
| 第四章 抑郁人群语音信号的非线性动力学特性分析 |
| 4.1 语音信号的非线性动力学特性分析方法 |
| 4.1.1 语音信号的非线性动力学特性 |
| 4.1.2 语音信号的非线性特征提取 |
| 4.2 抑郁人群语音信号非线性动力学特性分析 |
| 4.2.1 相同单音素语音信号的非线性特性分析 |
| 4.2.2 相同多音素语音信号的非线性特性分析 |
| 4.2.3 不同多音素语音信号的非线性特性分析 |
| 4.3 抑郁人群语音非线性特征分析讨论 |
| 4.4 本章小结 |
| 第五章 基于非线性特征的抑郁症识别模型 |
| 5.1 模型构建流程与评估方法 |
| 5.2 基于传统非线性动力学特征的抑郁症识别模型 |
| 5.2.1 非线性动力学参数统计量特征构造 |
| 5.2.2 单特征抑郁症识别模型对比分析 |
| 5.2.3 融合特征抑郁症识别模型对比分析 |
| 5.2.4 基于传统非线性动力学特征的抑郁症识别模型小结 |
| 5.3 基于发声系统维度的非线性特征抑郁症识别模型 |
| 5.3.1 基于发声系统维度的非线性特征构造 |
| 5.3.2 抑郁症识别模型构建算法 |
| 5.3.3 抑郁症识别与特征选择结果分析 |
| 5.3.4 基于发声系统维度的非线性特征抑郁症识别模型小结 |
| 5.4 基于非线性特征的抑郁症识别讨论与总结 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于深度学习的广告点击率预估算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究问题概述 |
| 1.3 研究现状 |
| 1.4 本文研究内容 |
| 1.5 论文组织结构 |
| 2 相关技术综述 |
| 2.1 通用的特征工程 |
| 2.2 相关的机器学习算法介绍 |
| 2.2.1 逻辑回归模型原理 |
| 2.2.2 迭代速度优化算法 |
| 2.2.3 分布式并行算法 |
| 2.2.4 自动特征组合 |
| 2.3 相关的深度学习知识介绍 |
| 2.3.1 人工神经网络简介 |
| 2.3.2 单个神经元 |
| 2.3.3 深度神经网络 |
| 2.3.4 前向传播与反向传播 |
| 2.3.5 Embedding操作 |
| 2.3.6 注意力机制 |
| 2.4 模型损失函数与任务评价指标 |
| 2.5 本章小结 |
| 3 深度模型的类别不平衡问题 |
| 3.1 不平衡问题的研究 |
| 3.2 常见的不平衡问题解决方案 |
| 3.2.1 数据层面平衡方案 |
| 3.2.2 模型层面平衡方案 |
| 3.3 针对不平衡问题的平衡化损失函数 |
| 3.3.1 批样本内不平衡 |
| 3.3.2 动态平衡化损失函数 |
| 3.4 模型框架构建与训练 |
| 3.4.1 数据集信息 |
| 3.4.2 模型参数设置 |
| 3.4.3 比较算法 |
| 3.5 实验结果分析 |
| 3.5.1 整体实验结果 |
| 3.5.2 平衡与不平衡数据比较 |
| 3.5.3 双因素拆分实验 |
| 3.5.4 超参对效果的影响 |
| 3.6 多分类不平衡问题拓展 |
| 3.6.1 实验预处理和参数设置 |
| 3.6.2 实验结果分析与可视化 |
| 3.7 本章小结 |
| 4 基于交叉特征的深度模型 |
| 4.1 离散型数据面临的挑战 |
| 4.2 特征交叉机制 |
| 4.2.1 特征低阶交叉机制 |
| 4.2.2 特征高阶交叉机制 |
| 4.3 显式高阶交叉特征深度模型 |
| 4.3.1 针对域关系的优化 |
| 4.3.2 点积标准化 |
| 4.3.3 显式的高阶交叉特征网络 |
| 4.3.4 整体模型预测流程 |
| 4.3.5 空间时间复杂度分析 |
| 4.4 针对显式高阶交叉特征深度模型的训练 |
| 4.4.1 数据集信息 |
| 4.4.2 模型参数设置 |
| 4.4.3 比较模型 |
| 4.5 实验结果分析 |
| 4.5.1 整体对比实验 |
| 4.5.2 域关系优化实验 |
| 4.5.3 单独的高阶交叉特征实验 |
| 4.5.4 超参对模型影响 |
| 4.6 本章小结 |
| 5 基于用户兴趣的深度模型 |
| 5.1 新方向:用户的兴趣 |
| 5.2 用户兴趣范式 |
| 5.2.1 用户兴趣的表示 |
| 5.2.2 动态的用户兴趣 |
| 5.3 粗糙到精细:双视图注意力深度网络 |
| 5.3.1 双视图 |
| 5.3.2 双通道单元 |
| 5.3.3 粗糙级别注意力模块 |
| 5.3.4 粗糙到精细:Top-K选择机制 |
| 5.3.5 精细级别注意力模块 |
| 5.3.6 整体模型预测流程 |
| 5.3.7 空间时间复杂度分析 |
| 5.4 针对双视图注意力网络的训练 |
| 5.4.1 数据集信息 |
| 5.4.2 模型参数设置 |
| 5.4.3 比较模型 |
| 5.5 实验结果分析 |
| 5.5.1 整体对比实验 |
| 5.5.2 粗糙与精细级别拆分实验 |
| 5.5.3 用户与物品视图拆分实验 |
| 5.5.4 超参k对效果的影响 |
| 5.5.5 其他超参影响 |
| 5.5.6 注意力机制可视化 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）自适应学习机制驱动的多目标进化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 现有研究的不足和分析 |
| 1.4 本文的主要工作 |
| 2 基础知识 |
| 2.1 多目标优化问题 |
| 2.2 两类多目标分布估计算法 |
| 2.2.1 基于规则模型的多目标分布估计算法 |
| 2.2.2 基于高斯过程逆模型的多目标分布估计算法 |
| 2.3 快速非支配排序选择策略 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法 |
| 3.1 引言 |
| 3.2 提出的算法 |
| 3.2.1 差分进化算子的数学特征分析 |
| 3.2.2 自适应协方差学习 |
| 3.2.3 负相关学习 |
| 3.3 算法框架 |
| 3.4 最坏情况计算复杂度分析 |
| 3.5 实验研究 |
| 3.5.1 测试函数 |
| 3.5.2 参数设置 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 自适应逆学习模型驱动的多目标进化算法 |
| 4.1 引言 |
| 4.2 提出的算法 |
| 4.2.1 外部精英存档策略 |
| 4.2.2 动态参考向量的设计 |
| 4.2.3 偏好交叉操作 |
| 4.3 算法框架 |
| 4.4 最坏情况计算复杂度分析 |
| 4.5 实验研究 |
| 4.5.1 测试函数 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 5 自适应双空间学习模型驱动的多目标进化算法 |
| 5.1 引言 |
| 5.2 提出的算法 |
| 5.2.1 基于序列的确定性初始化方法 |
| 5.2.2 学习模型的自适应选择策略 |
| 5.2.3 集成双空间的自适应环境选择策略 |
| 5.3 算法框架 |
| 5.4 最坏情况计算复杂度分析 |
| 5.5 实验研究 |
| 5.5.1 测试函数 |
| 5.5.2 参数设置 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 6 基于多目标深度信念网络的时间序列预测模型 |
| 6.1 时间序列预测 |
| 6.2 多目标引导的稀疏深度信念网络 |
| 6.2.1 深度信念网络模型 |
| 6.2.2 多目标引导的稀疏RBM训练 |
| 6.3 实验研究 |
| 6.3.1 混沌时间序列预测 |
| 6.3.2 电力负荷预测 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A |
| 附录B |
| 攻读博士学位期间的研究成果 |
| 1. 完成的论文成果 |
| 2. 参与的科研项目 |
| 3. 完成的论文成果 |
（7）HFSWR远程多海况下海洋表面动力学要素提取及预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外HFSWR发展现状 |
| 1.3 HFSWR海洋表面动力学要素提取现状 |
| 1.4 HFSWR海洋表面动力学要素预测现状 |
| 1.5 本文的主要研究内容 |
| 第2章 HFSWR海洋表面动力学要素提取基础 |
| 2.1 引言 |
| 2.2 海洋表面动力学基本概念 |
| 2.2.1 海洋表面海流简介 |
| 2.2.2 海洋表面海浪简介 |
| 2.2.3 海浪数学模型:无向谱和有向谱 |
| 2.3 高频电磁波与海面相互作用机理 |
| 2.3.1 高频电磁波海面一阶散射机理 |
| 2.3.2 高频电磁波海面二阶散射机理 |
| 2.4 HFSWR对海探测距离方程 |
| 2.5 HFSWR信号处理概述 |
| 2.5.1 HFSWR信号处理框架与算法 |
| 2.5.2 海洋表面动力学要素提取与HFSWR工作参数关系 |
| 2.6 本章小结 |
| 第3章 远程多海况下有效波高提取方法研究 |
| 3.1 引言 |
| 3.2 基于二阶谱和基于一阶谱的有效波高提取方法 |
| 3.2.1 基于二阶谱的有效波高提取方法 |
| 3.2.2 基于一阶谱的有效波高提取方法 |
| 3.2.3 实测数据分析 |
| 3.3 远程多海况下有效波高提取方法 |
| 3.3.1 基于双频融合模式的有效波高提取方法 |
| 3.3.2 基于单频融合模式的有效波高提取方法 |
| 3.3.3 实测数据分析 |
| 3.4 基于RNN的远程多海况下有效波高提取方法 |
| 3.4.1 RNN概述 |
| 3.4.2 RNN训练算法 |
| 3.4.3 实测数据分析 |
| 3.5 本章小结 |
| 第4章 远程多海况下风速提取方法研究 |
| 4.1 引言 |
| 4.2 HFSWR风速提取基本方法 |
| 4.2.1 HFSWR风速提取半经验公式法 |
| 4.2.2 HFSWR风速提取模型拟合法 |
| 4.2.3 实测数据分析 |
| 4.3 远程多海况下风速提取方法 |
| 4.3.1 基于LSTMNN的远程多海况下风速提取方法 |
| 4.3.2 实测数据分析 |
| 4.4 本章小结 |
| 第5章 HFSWR海洋表面动力学要素预测方法研究 |
| 5.1 引言 |
| 5.2 海洋表面动力学要素预测方法论述 |
| 5.3 四元数数学理论 |
| 5.3.1 四元数代数 |
| 5.3.2 四元数微积分 |
| 5.3.3 增广的四元数二阶统计 |
| 5.3.4 四元数宽线性模型 |
| 5.4 四元数域海洋表面动力学要素联合预测方法 |
| 5.4.1 四元数域海洋表面动力学要素联合预测方案 |
| 5.4.2 四元数值预测算法 |
| 5.4.3 四元数值训练算法 |
| 5.5 实测数据分析 |
| 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及其它成果 |
| 致谢 |
| 个人简历 |
（8）抽水蓄能机组系统辨识与复杂工况下控制规律研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 抽水蓄能调节系统建模研究概述 |
| 1.3 抽水蓄能机组系统辨识研究概述 |
| 1.4 抽水蓄能机组控制规律研究概述 |
| 1.5 本文主要研究内容 |
| 2 抽水蓄能机组调节系统非线性建模研究 |
| 2.1 引言 |
| 2.2 调速器数学模型 |
| 2.3 有压过水系统数学模型 |
| 2.4 水泵水轮机数学模型 |
| 2.5 同步发电机数学模型 |
| 2.6 励磁调节器及电力系统稳定器数学模型 |
| 2.7 抽水蓄能机组调节系统数学模型 |
| 2.8 本章小结 |
| 3 基于智能算法的抽水蓄能机组调节系统参数辨识 |
| 3.1 引言 |
| 3.2 人工羊群优化算法及其改进 |
| 3.3 基于IASA的具有复杂过水系统的调速系统参数辨识 |
| 3.4 基于 IASA 的调速励磁系统水-机-电耦合模型参数辨识 |
| 3.5 本章小结 |
| 4 基于神经网络的抽水蓄能机组调节系统模型辨识 |
| 4.1 引言 |
| 4.2 长短时记忆神经网络与带遗忘因子的在线序列极限学习机 |
| 4.3 基于LSTM的具有复杂过水系统的调速系统离线模型辨识 |
| 4.4 基于WOS-ELM的调速励磁水-机-电耦合系统的在线模型辨识 |
| 4.5 本章小结 |
| 5 改善抽水蓄能机组反“S”区动态特性的控制规律研究 |
| 5.1 引言 |
| 5.2 反“S”区运行问题描述 |
| 5.3 抽水蓄能机组低水头开机规律多目标优化 |
| 5.4 可变速机组避免深入反“S”区运行机理分析 |
| 5.5 本章小结 |
| 6 抽水蓄能机组调速励磁耦合系统的预测控制研究 |
| 6.1 引言 |
| 6.2 调速励磁耦合系统小扰动稳定性分析 |
| 6.3 调速励磁耦合系统多工况多目标优化 |
| 6.4 调速励磁耦合系统智能模型预测控制 |
| 6.5 对比实验及结果分析 |
| 6.6 本章小结 |
| 7 全文总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1:攻读博士期间发表的论文 |
| 附录2:攻读博士期间完成和参与的科研项目 |
（9）基于改进型回声状态网络的电力负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景和意义 |
| 1.2 回声状态网络的国内外研究现状 |
| 1.2.1 增强ESN的时间序列建模能力 |
| 1.2.2 构造ESN的多储备池结构 |
| 1.3 电力负荷预测的国内外研究现状 |
| 1.3.1 统计学方法 |
| 1.3.2 人工智能方法 |
| 1.4 本文的主要工作内容 |
| 第二章 回声状态网络(ESN) |
| 2.1 引言 |
| 2.2 回声状态网络的模型结构和数学分析 |
| 2.2.1 回声状态网络的模型结构 |
| 2.2.2 回声状态网络的数学分析 |
| 2.3 回声状态网络的训练算法 |
| 2.3.1 状态采样阶段 |
| 2.3.2 权重更新阶段 |
| 2.4 回声状态网络的主要参数 |
| 2.5 回声状态网络的稳定性分析 |
| 2.6 ESN时间序列预测存在的问题 |
| 2.7 本章小结 |
| 第三章 基于主成分分析法的电力负荷数据分析 |
| 3.1 引言 |
| 3.2 主成分分析 |
| 3.2.1 主成分分析的原理 |
| 3.2.2 主成分分析的数学分析 |
| 3.3 算法验证和评估 |
| 3.4 本章小结 |
| 第四章 相空间重构回声状态网络(PSR-ESN) |
| 4.1 引言 |
| 4.2 相空间重构回声状态网络预测模型 |
| 4.2.1 模型框架 |
| 4.2.2 相空间重构 |
| 4.2.3 迭代多步预测和直接多步预测 |
| 4.2.4 基于岭回归的电压值预测融合方法 |
| 4.3 算法验证和评估 |
| 4.3.1 数据集 |
| 4.3.2 性能分析 |
| 4.4 本章小结 |
| 第五章 多储备池回声状态网络(MESN) |
| 5.1 引言 |
| 5.2 多储备池回声状态网络 |
| 5.2.1 多时间层次编码器 |
| 5.2.2 卷积解码器 |
| 5.2.3 训练阶段 |
| 5.3 算法验证和评估 |
| 5.3.1 数据集 |
| 5.3.2 数据预处理 |
| 5.3.3 参数设置 |
| 5.3.4 性能分析 |
| 5.3.5 可视化分析 |
| 5.3.6 计算效率分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写表 |
| 符号表 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 聚丙烯及丙烯聚合过程 |
| 1.2.1 聚丙烯及产业概况 |
| 1.2.2 聚丙烯的生产工艺 |
| 1.2.3 熔融指数介绍 |
| 1.3 稀疏贝叶斯学习方法 |
| 1.3.1 贝叶斯推理 |
| 1.3.2 稀疏贝叶斯学习方法 |
| 1.3.3 SBL方法有待研究的问题 |
| 1.4 熔融指数预报 |
| 1.4.1 基本概念 |
| 1.4.2 熔融指数预报的研究现状 |
| 1.4.3 熔融指数预报研究的挑战与趋势 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文的体系架构 |
| 1.5.2 本文的研究内容与创新点 |
| 1.6 本章小结 |
| 第二章 基于tSNE-IC-SBR的高维数据下MI预报研究 |
| 2.1 引言 |
| 2.2 t分布随机邻域嵌入算法 |
| 2.3 tSNE-IC-SBR熔融指数预报模型 |
| 2.4 实例验证 |
| 2.4.1 聚合工业过程介绍 |
| 2.4.2 过程变量筛选 |
| 2.4.3 模型性能评价指标 |
| 2.4.4 tSNE-IC-SBR与SBR、IC-SBR、tSNE-SBR性能对比 |
| 2.4.5 tSNE-IC-SBR与其它降维算法性能对比 |
| 2.5 本章小结 |
| 第三章 基于KDSBSR的少量样本标签下MI预报研究 |
| 3.1 引言 |
| 3.2 基于核密度估计的稀疏贝叶斯半监督回归 |
| 3.3 基于KDSBSR的熔融指数预报模型 |
| 3.4 实例验证 |
| 3.4.1 不同熔融指数标签采样率下KDSBSR模型预报效果考察 |
| 3.4.2 不同半监督模型预报性能对比研究 |
| 3.5 本章小结 |
| 第四章 基于CABC-SBR的丙烯聚合过程智能优化模型研究 |
| 4.1 引言 |
| 4.2 混沌人工蜂群优化算法 |
| 4.3 CABC-SBR熔融指数预报模型 |
| 4.4 实例验证 |
| 4.4.1 SBR、ABC-SBR与CABC-SBR预报模型的比较研究 |
| 4.4.2 混沌映射比较研究 |
| 4.4.3 CABC优化模型比较研究 |
| 4.5 本章小结 |
| 第五章 基于Co-PSR-HDEBC-SBR的混沌半监督模型研究 |
| 5.1 引言 |
| 5.2 混沌相空间重构 |
| 5.2.1 熔融指数自相关性 |
| 5.2.2 熔融指数序列相空间重构 |
| 5.3 Co-PSR-HDEBC-SBR模型 |
| 5.3.1 Co-PSR-SBR模型 |
| 5.3.2 HDEBC-SBR模型 |
| 5.3.4 Co-PSR-HDEBC-SBR熔融指数预报模型 |
| 5.4 实例验证 |
| 5.4.1 丙烯聚合过程混沌特性分析结果 |
| 5.4.2 HDEBC-SBR与其它优化算法性能比较 |
| 5.4.3 Co-PSR-HDEBC-SBR模型预报效果分析 |
| 5.5 本章小结 |
| 第六章 基于OCS-PFSBR的丙烯聚合过程在线预报研究 |
| 6.1 引言 |
| 6.2 基础方法 |
| 6.3 OCS-PFSBR熔融指数预报模型 |
| 6.4 实例验证 |
| 6.4.1 PFSBR预报模型性能研究 |
| 6.4.2 OCS-PFSBR预报模型性能研究 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的成果 |
四、基于一类非线性特性的FNN训练算法（论文参考文献）
- [1]非线性迭代学习模型预测控制研究[D]. 马乐乐. 华北电力大学(北京), 2021(01)
- [2]数据-模型联合驱动的无线边缘网络内容缓存技术[D]. 陈琪. 浙江大学, 2021(01)
- [3]基于外周生理信号的情绪识别研究[D]. 陈沙利. 浙江大学, 2021(01)
- [4]基于语音非线性动力学特性的抑郁症识别研究[D]. 周睿. 兰州大学, 2021(09)
- [5]基于深度学习的广告点击率预估算法的研究[D]. 黄庆康. 南京理工大学, 2020(01)
- [6]自适应学习机制驱动的多目标进化算法研究[D]. 林艳艳. 西安理工大学, 2020
- [7]HFSWR远程多海况下海洋表面动力学要素提取及预测方法研究[D]. 李晓东. 哈尔滨工业大学, 2020(01)
- [8]抽水蓄能机组系统辨识与复杂工况下控制规律研究[D]. 冯陈. 华中科技大学, 2020
- [9]基于改进型回声状态网络的电力负荷预测研究[D]. 徐杰. 东南大学, 2020(01)
- [10]基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究[D]. 孙元萌. 浙江大学, 2020(01)