一、一种人工免疫与RBF神经网络结合的混合算法的应用（论文文献综述）
李奇[1]（2021）在《基于优化RBF神经网络的铁路货运量预测研究》文中指出我国是一个资源大国,但是资源的分布比较不均匀,西北资源多,东南相对较少。铁路运输作为我国资源运送的最主要手段,是交通运输业的重中之重。随着铁路货运的需求不断增加,货运铁路的建设和投资也日益增加,货运量的预测已经成为了国家把握铁路运输产业发展的重要指标。随着现代社会的发展,传统的预测方法已经稍显疲态。机器学习和智能算法的发展让货运量的预测有了更多的选择和可能性。本文在分析了当前货运量预测所用方法的不足之处后,提出了使用RBF（Radial Basis Function,径向基）神经网络对货运量进行预测。RBF神经网络参数的选择直接关系到该模型的预测精度,本文选用粒子群智能算法（PSO,Particle swarm optimization）对RBF参数进行优化。通过对标准的粒子群算法进行收敛性分析得出该算法在进行到后期的时候容易陷入局部极值,存在“早熟”问题,并且搜索精度有待提高。针对上述问题,本文提出了基于差异演化粒子群和单纯形粒子群的混合粒子群H-PSO算法,该算法继承了前者优秀的全局搜索能力和后者出色的局部寻优能力,通过函数测试也证明了该算法的寻优能力相比标准PSO有了显着的提高。随后,建立了基于H-PSO优化的RBF神经网络预测模型,经过实验验证,该方法对比单纯的RBF和基于标准粒子群优化的RBF都有了明显提高,并且证明在神经元个数为3时,模型收敛效率最高。本文以近27年的铁路货运量为训练样本,对随后4年的货运量进行预测,并将实验结果和相对成熟的灰色模型和BP（Back Propagation,反向传播）神经网络模型进行对比。通过对比,本文提出的基于优化粒子群的RBF模型（HPSORBF）相比灰色模型平均误差减小了6.36%,相比BP神经网络平均误差减小了3.48%。最后,又将本文提出的HPSORBF和灰色模型进行了简单的组合,经过验证得出组合模型在一定程度上能够将其中各个子模型的优点结合起来,从而得到一个更加完备的预测模型,给未来的研究提供了方向。
熊剑[2]（2021）在《超临界机组的灵活性运行建模与先进控制策略研究》文中指出波动性可再生能源的发电比例不断提高,导致超临界火电机组的运行目标从追求高效节能转变为注重提升机组的灵活性、机组深度调峰及快速升降负荷能力。为提升火电灵活性,一种可行的方法是设计先进控制算法,而控制算法发挥性能的前提是精确、简洁的数学模型。所以对超临界机组进行建模和控制策略两方面的研究具有重要意义。本文将协调控制系统作为研究对象,在建立高精度模型的基础上,为其设计先进的控制算法,以提升机组运行灵活性。在建模部分,模型结构上,将T-S模糊增量模型输出表达式与模糊神经网络的结论部分相结合,从而构建一种新型的模糊神经网络结构,该结构中局部线性模型的精度大大提升。参数训练上,先利用改进的核k-means++算法对前提部分参数进行训练。该算法采用谢尔贝尼指数法初始化模糊规则个数,消除了传统人工选取规则数的局限性。且使用核空间距离代替传统的欧几里得距离,得到了更佳的聚类中心和半径参数。然后采用有监督自适应梯度下降法对结论网络参数进行初始优化,再用人工免疫粒子群算法对进行二次优化。在控制策略部分,本文提出了一种双层的分层递阶控制结构,其中上层是无静差非线性约束广义预测控制器,计算得到最优控制序列。下层是L1自适应控制器,通过估计不确定性、实现最优轨迹跟踪。控制器设定值优化方面,使用一种柔化因子自适应调整的设定值柔化操作,来进一步改善控制性能。最后,在前述由现场数据驱动的模糊神经网络模型的基础上,对控制算法进行测试。单输出改变实验、灵活性运行对比实验及抗干扰等多项实验中都实现良好的跟踪,其中最大负荷爬坡率达到额定负荷的6%每分钟,且控制量没有较大波动。实验结果表明本文控制器可以在保证安全稳定运行的前提下,使机组达到灵活性运行的要求。
沈焱萍[3]（2021）在《基于群智能算法优化的入侵检测模型研究》文中进行了进一步梳理网络入侵检测系统通过收集网络流量等信息对网络中的非法行为进行检测。作为网络攻击的积极主动检测手段,入侵检测一直是网络安全领域的重要研究内容。随着网络技术高速发展,网络攻击手段的复杂化,基于大规模网络流量准确识别网络攻击,降低系统误报一直是网络入侵检测系统的研究目标。传统的基于特征的检测方法需要大量领域先验知识,只能对已知攻击进行检测。机器学习方法可以从数据中自动寻找规律模式,逐渐应用于入侵检测之中。然而建立机器学习入侵检测模型面临各种问题,如对于某些模型的构建,个别参数的选取直接影响模型的准确率和泛化能力;特征优化是构建机器学习模型的重要步骤,合适的特征集合既能节约系统资源又能准确表示原始数据;集成学习是机器学习领域的重要研究内容,如何选取合适的基学习器,如何将基学习器有效地组合起来是集成学习面临的重要问题。本文采用群智能方法对机器学习模型进行优化,主要研究基于特征选择、参数优化、集成剪枝及多核学习等技术的入侵检测方案,具体如下:（1）针对特征选择和核极限学习机参数选取问题,提出一种基于粒子群优化算法的核极限学习机入侵检测模型。由于核极限学习机方法具有速度快,泛化性能好的特点,首先采用核极限学习机作为检测引擎,但核极限学习机算法的性能严格依赖于惩罚系数和核参数的选取。然后,选择粒子群优化算法参与核极限学习机的训练进行参数优化,同时采用二进制粒子群优化算法进行特征选择。其中,选用高斯函数作为核极限学习机的核函数。实验结果表明,与网格搜索方法和遗传算法相比,粒子群优化算法对核极限学习机的参数优化效率更高。同时,结果还表明选用约原有特征数目1/4的特征子集有着和原数据集相当甚至更好的检测结果。（2）针对集成框架子分类器选取问题,提出一种基于蝙蝠算法的集成剪枝入侵检测模型。首先,针对大数据时代数据量大,维数高的特点,采用基于随机子空间的投票极限学习机作为入侵检测分类器。投票极限学习机是基于极限学习机的投票集成算法,其性能取决于子分类器的个数,但子分类器的个数并不是越多越好。然后,采用蝙蝠算法选择合适的子分类器进行集成,对于蝙蝠算法的适应函数,采用准确率和子分类器差异度相结合的方式进行定义。基于随机子空间的集成方法不仅可以降低数据维度,还可以增加子分类器间的差异度。实验结果表明,基于随机子空间的投票极限学习机和单个极限学习机相比,算法的精度和鲁棒性得到了提高。研究结果还表明,基于蝙蝠算法的集成剪枝方案和应用所有子分类器相比,不仅可以实现类似或更好的性能,还节省了大量计算资源。（3）针对单个预定义核函数不能较好的表示异构信息问题,提出一种基于超启发算法的多核极限学习机入侵检测模型。首先,采用ReliefF进行特征选择,选用核极限学习机作为入侵检测算法。针对核极限学习机的核函数选取问题,采用高斯核的线性组合方式组成多核函数。寻找最优复合核函数即确定高斯核参数和核权重的过程,采用超启发算法对最优复合核函数进行寻优,包括粒子群优化算法,遗传算法,灰狼优化算法,蝙蝠算法和差分进化算法。超启发算法的适应函数通过独立于检测算法的核目标度量定义。实验结果表明,最优复合核函数可以通过上述提到的任一超启发算法确定。由于将基于过滤的特征选择方法与独立于分类器的多核学习方法相结合,与依赖于分类器的多核优化模型相比,所提模型在节省大量计算开销的同时,具有可比拟的检测性能。综上所述,本文研究的重点是根据现有机器学习模型面临的问题,提出基于群智能方法的入侵检测模型优化方案。实验结果表明,本文提出的入侵检测模型方案能够有效地提高检测性能,具有现实意义。
旋璇[4]（2021）在《计及需求响应的改进ABC-RBF短期电力负荷预测研究》文中指出在电力行业不断发展,电网智能化水平持续提高的过程中,用户对电能提出了更高的要求,电力负荷预测的重要性也日益凸显。较高精度的电力负荷预测是保障电网安全稳定运行的前提。传统的负荷预测方法如回归分析法等,其精度较低,预测的实时性也较差。本文以提高短期电力负荷预测精度为研究目的,针对目前存在的问题,基于国内外的理论基础和研究成果并对其进行改进,结合已有的数据进行短期负荷预测的实验仿真,对以下内容进行了研究:首先,对多种电力负荷预测研究方法及径向基神经网络和需求响应的研究现状予以阐述,总结当前短期负荷预测所存在的问题。其次,结合电力负荷的特征、传统的电力负荷分类,以及温度、天气、日类型等对电力负荷的影响,对原始数据进行缺失数据、异常数据的水平和垂直处理。随后构建考虑需求响应综合影响因素的径向基神经网络短期电力负荷预测模型。通过半梯形隶属度函数,解决用户响应模糊的问题,把需求响应精度量化后的结果引入到径向基神经网络模型中。在考虑需求侧响应的情况下,RBF模型在预测方面具有良好的表现。针对径向基神经网络初始参数的设置问题,进一步采用人工蜂群算法（ABC算法）对模型予以优化,把ABC算法产生的最优解作为径向基神经网络的初始参数,结合两种算法建立ABC-RBF模型。通过对模糊理论的研究,找出其与人工神经网络的结合点。利用隶属度函数,对ABC-RBF神经网络的输入信息予以模糊分类,从而提高负荷预测的分类精度。将优化后的模糊ABC-RBF神经网络模型在考虑需求响应影响因素后应用到负荷预测的实例中,然后和经典的RBF神经网络算法展开对比分析。本文通过对以上内容的研究,针对短期电力负荷预测这一问题,将径向基神经网络、人工蜂群算法、模糊理论充分的结合在一起。实验结果表明,在考虑需求侧响应的情况下,和经典RBF神经网络算法对比来看,模糊ABC-RBF神经网络不但预测精度更高,且在模型的训练环节可以更高效的收敛到误差极小值。为短期负荷预测提供了新的方向,同时也为建立负荷预测和电价预测二者的关系奠定了一定的基础。
秦一斐[5]（2021）在《船用柴油机故障仿真与诊断方法研究》文中研究说明船用柴油机作为船舶主要动力来源,其运行状态直接关系到船舶营运及人员的生命财产安全。为此,开展船用柴油机故障诊断的算法研究具有一定的理论意义和应用价值。随着智能算法研究的不断发展,利用神经网络对船用柴油机进行故障诊断是船舶智能化诊断的重要一环。本文利用基于混合蛙跳算法的和声搜索算法优化径向基神经网络对船用柴油机的故障识别过程进行研究。对于故障信息采集方面,对4135型非增压船用柴油机进行研究工作,利用GT-power对其进行仿真,通过比较仿真数据和台架数据的差异,多角度深层次的评价模型的各项指标。分析船用柴油机的典型故障,设计了船用柴油机故障仿真方案,选取了压缩比下降、单缸供油量增加、单缸供油量减少、单缸断油4种故障和1种正常状态,设计方案进行仿真计算,选取了最大爆发压力、最大压力升高率、有效功率、平均有效压力、油耗率、排气温度等6个参数作为故障诊断的特征参数,并对故障仿真的结果进行合理性分析,构建神经网络故障样本集。在船用柴油机故障诊断模型方面,由于径向基神经网络其隐藏层网络参数对网络结构影响很大且难以优化,选用一种群体智能算法和声搜索算法进行优化,同时引入混合蛙跳算法,利用跳跃重组的更新策略对最差个体进行扰动,从而选取出最优的和声向量更新和声记忆库,并建立基于混合蛙跳算法的和声搜索算法优化RBF神经网络用于船用柴油机故障诊断,分析比较算法优化前后的特性和效果,结果表明,该算法对船用柴油机故障诊断具有良好的分类效果,能准确识别故障。
蒋沁宇[6]（2021）在《基于振声信号的设备故障诊断算法研究》文中进行了进一步梳理在工业生产中,设备的健康状态与生产安全和生产质量息息相关,通过故障诊断技术可以有效的监测设备状态,预防恶性事件的发生,因此故障诊断技术的发展具有重要的理论和应用价值。在传统的故障诊断方法中,一般通过分析设备的电流、温度或振动等信号,结合经验参数判断设备的状态。其中,设备振动信号的针对性强、与故障位置的关联性好,因此振动信号逐步成为设备故障诊断方法研究中常用的信号类型。本文中考虑到在实际检测场景中可能面临高温、腐蚀等不利于接触式采集振动信号的因素,提出通过非接触式测量音频信号的方法弥补极端条件下振动信号采集受限的问题,并针对实际故障诊断任务中的挑战,结合设备振动和声音信号,对故障诊断算法展开研究。传统的故障诊断方法主要是通过人工观测或者通过设备的参数判断其运行状态,在实时性和精确性上还有较大的提升空间。随着信号处理技术和机器学习方法研究的深入,针对生产设备的故障诊断方法的准确度和鲁棒性已有显着提高,但在实际应用中仍存在诸多挑战:在工业生产环境中,受到环境噪声和其他噪声影响,采集到的设备振动信号被干扰,设备故障特征模糊,导致故障分类精度降低,误检率、漏检率较高;在已知设备故障模式和故障样本数据不足的情况下,通过故障分类方法无法及时检测出未知类型异常故障状态。为解决以上问题,同时考虑到实际生产条件下设备、关键零部件的状态检测任务的需求,本文分别针对故障诊断问题中已知故障样本数据条件下设备故障分类和故障样本数据不足条件下设备异常检测算法进行了研究,主要问题及研究内容如下:1.针对工厂环境噪声和高斯噪声影响下设备故障分类的问题,本文研究了谱峭度故障信息增强（Fault characteristics enhancement based on spectral kurtosis,SKFE）双流二维卷积神经网络（Dual-stream 2-dimension convolutional neural networks,DS2DCNN）故障分类算法SKFE-DS2DCNN。算法中提出了基于谱峭度的故障信息增强方法SKFE、振声信号双流二维特征图扩展方法以及构建了带有双流特征图融合模块和深层特征提取模块的DS2DCNN网络模型。主要研究内容包括:（1）提出SKFE方法增强了信号中表征设备故障的信息,抑制设备信号频谱中的噪声干扰,增强故障信息相关的分量,提高频谱中故障信息的显着程度。（2）提出了振声信号双流二维特征图扩展方法,将一维的特征向量扩展为双流二维特征图,特征图中包含了一维特征向量的信息以及信号帧间的关联信息,提高了特征表达的精确程度。（3）构建带有双流特征图融合模块和深层特征提取模块的DS2DCNN网络模型对设备特征图的融合和深度特征的提取,相比于之前研究中提出的故障分类方法,提高了高斯噪声影响下的故障分类精度,同时在复杂实际工厂噪声影响下得到了较精确的故障分类结果。2.针对强高斯噪声影响下,设备振声信号频谱特征质量受影响导致故障分类不精确的问题,本文研究了基于频谱优化特征和支持向量机的故障分类算法,提出了基于低阶矩谱（Lower order moment spectrum,LOMS）的故障分类算法,并在基于低阶矩谱故障特征和频谱图的基础上,进一步提出了基于频谱图局部波动特征（Spectrogram local fluctuation feature,SLFF）的故障分类算法。通过提取强高斯噪声影响下区分度和鲁棒性更优的设备故障特征,提高了低信噪比条件下故障分类的精度。主要研究内容包括:（1）在基于LOMS的故障分类算法中,通过提取信号的频谱低阶矩特征,提升不同故障模式样本特征表达的差异性,降低噪声对特征表达的影响,提高设备信号特征表达的准确度,从而在利用传统故障分类器进行故障分类的实验中获得了精确的诊断结果。（2）在基于SLFF的故障分类算法研究中,根据SKFE-DS2DCNN故障分类算法中频谱图构建方法及基于低阶矩谱的故障分类方法中不同类型样本之间特征波形差异,通过构建的设备频谱图和提取的局部波动特征表征设备频谱的整体波形和变化趋势,提高了高斯噪声干扰下设备故障特征表达的鲁棒性,并在利用传统故障分类器模型支持向量机的条件下得到了良好的故障分类结果。3.为解决已知故障模式和样本数据不足条件下,无法通过故障分类方法精确诊断设备未知类型异常情况的问题,针对样本在特征空间内分布的不同情况,分别提出多分支层级高斯模型（Multi-branch hierarchical gaussian model,MBHGM）异常检测算法和抗体群优化人工免疫系统（Antibody population optimized artificial immune system.APO-AIS）的设备故障异常检测算法,在缺乏故障样本数据条件下,通过构建的异常检测模型实现对设备的已知工作状态的精确识别,同时可有效检测出设备发生的未知类型异常情况。主要研究内容包括:（1）在MBHGM设备异常检测算法中,针对样本在特征空间内近似服从高斯分布的情况提出了 MBHGM异常检测模型,该模型主要包含了多分支特征高斯子模型完成对样本得分的评估以及层级得分高斯子模型实现根据样本得分判定样本的类别,相比于高斯混合模型和多元高斯模型,该算法在保证检测精度的条件下,简化了训练模型参数的过程,且具有更好的泛化能力和实用性。（2）针对样本分布不服从标准分布的情况,提出APO-AIS设备故障异常检测算法,通过对算法的迭代进化、群体选择及判定区域划定方法的优化,提高了抗体群的质量以及判定区域自由度,提高了模型针对样本分布不符合标准分布模型情况下的适应性,从而达到精确检测设备状态和异常事件的目的。考虑到实际诊断任务中不同的客观条件,本文提出的故障诊断算法既适用于针对振动信号的设备故障诊断任务,又可以应用于基于音频信号的设备故障诊断问题中,在保证诊断精度的基础上拓展了故障检测方法的适用场景。在本文中,通过公开的轴承振动数据和利用高精度音频传感器采集的实际生产设备运行音频数据,验证了提出的设备故障分类算法、异常检测算法及相关方法的有效性和鲁棒性。
董博晨[7]（2020）在《基于改进RBF神经网络的视频检索算法研究》文中研究指明近年来,随着计算机和网络通信技术不断发展,视频作为信息传播的媒介受到越来越多的关注。如何在海量视频数据中快速准确地查找出人们所需要的视频内容成为当前的研究重点。视频检索技术目前主要有基于文本的方法、基于内容的方法以及基于深度学习的方法。其中,目前检索效果最好的是基于深度学习的方法,其最具有代表性的是VGG16和Alexnet算法。但是,基于深度学习的神经网络算法都存在以下几种问题:参数过多,在训练数据有限的情况下,会产生过拟合现象;网络结构复杂,计算复杂度大,对于硬件需求过高;网络结构越深,容易出现梯度弥散的问题,导致模型的优化较为困难。针对以上问题,本论文提出一种基于图像切片的图像识别算法,采用多级KNN算法构建中心向量,利用中心向量代替卷积神经网络作为特征提取的主要方法,并将乘法运算替换为加法运算,可以有效减少神经网络参数过多以及结构复杂所带来的问题;其次采用类词袋模型的相似度比对算法进行图片识别,本论文对中心向量进行编码后,根据编码构建待检索图像和图像库中图像的标签向量,之后通过比对两者的标签向量进行图像识别的操作。本论文在特征提取部分提出了一种多级类KNN算法,算法每次从待检索图片特征向量中取出一条切片向量,用该向量与所保存的所有中心向量进行曼哈顿距离计算。若某一个中心向量与待检索图片切片向量距离接近,则可说明二者内容相似,则用中心向量替换待检索图片切片。若待检索图片切片向量距离均大于所设定的阈值,表明当前保存的切片均不和待检索图片切片相似,则自动将该切片作为新的中心向量加入所保存的切片向量集中,从而增大中心向量类别的覆盖范围。对于得到的中心向量集,本论文与基于kmeans聚类方法得到的中心向量进行对比实验,将得到的替换后的图片进行复原,与原图进行曼哈顿距离计算。经过实验证明,本论文提出的方法复原后与原图比对得到的单一像素曼哈顿距离比聚类算法得到的距离绝对值少0.0002,所需要的训练图片数量比聚类方法节省50%左右。在相似度比对部分,本论文提出一种类似于词袋模型的标签向量比对算法。该算法首先遍历所有中心向量,并以“图像名起始行数起始列数终止行数终止列数通道号id”的格式进行编号,使每一个中心向量切片都有唯一的id。将图像库和待检索图像的所有图像切片用与其曼哈顿距离最近的中心向量的id进行代替,得到图像的标签向量,之后利用标签向量进行比对。若待检索图像的图像切片不属于任何中心向量,则自动将该切片保存在中心向量集中,使得系统具有边训练边学习的能力。最后在系统实现方面,本论文将所提出的算法引入视频检索系统中,证明了算法的可行性,并与基于VGG16和Alexnet网络的视频检索技术进行实验比对。在相同平台下,以本文所提出算法为基础构建的系统,整体运行时间相比于目前通用的基于深度学习的视频检索算法节省了30%,并且检索准确率提升了1%。因此,本论文所提出的算法能够为后期视频检索硬件系统开发打下基础。
钟德祥[8]（2020）在《物联网环境下位置感知算法研究及应用》文中进行了进一步梳理随着科学技术的进步,人们对应用的需求快速增长,而在这些技术当中,无线位置感知技术在军用以及民用方面都表现出巨大的活跃度,无线位置感知技术以及基于无线位置感知的服务在人们生活中发挥的作用越来越大。在室外位置感知技术中,全球定位系统等基于卫星的位置感知系统是具有代表性的位置感知技术,成本较低且稳定性较高,被广泛地应用于军事以及民用当中。而随着物联网技术的发展,室内位置感知技术得到越来越多的关注,但同时由于受传感设备异构、环境稳定性、障碍物遮挡、传感设备部署成本及稳定性等影响,在实际应用中仍存在部分亟待解决的问题。本文对物联网环境下位置感知的问题展开研究,着重解决物联网二维位置感知算法“带位置信息标签部署成本较高、环境适应性较差”、“传感设备故障适应性差”、三维位置感知算法“部署难度高、定位精度较低”这三个关键问题,旨在提高物联网位置感知算法在二维及三维环境下的可用性,同时对课题组的可重构物联网中间件进行扩展,并结合提出的位置感知算法进行应用,形成一款能满足物联网环境下位置感知需求的轻量级中间件,为物联网对位置信息的采集提供支撑。本文的主要研究内容和创新点归纳如下:（1）本文将萤火虫优化算法跟半监督在线顺序极限学习机进行融合,提出一种基于射频识别的环境适应位置感知算法。该算法通过萤火虫优化算法对半监督在线顺序极限学习机的正则化系数进行自动调整,使之能够在不同的初始条件下得到最优的正则化系数;同时,算法的半监督特性可减少带位置信息参考标签的使用,降低定位系统成本;此外,算法的在线顺序学习阶段能不断更新系统,对环境中的变化进行感知,以降低环境变化对算法的干扰。实验结果显示,相比于其他算法,提出算法能达到更为精确的定位结果,且能对环境的变化持续进行学习,如在真实实验中,变化环境下的平均定位精度提升率为22.82%。（2）本文提出一种基于在线顺序模糊宽度学习系统的射频识别阅读器故障适应位置感知算法。该算法对模糊宽度学习系统进行改进,使之拥有在线顺序学习的能力,能够对环境中持续到达的数据流进行处理;同时,算法提出阅读器故障适应策略,在部分阅读器出现故障时能够对后续的数据流进行处理,从而降低阅读器故障对原有系统定位精度的影响。文章实验部分对位置感知算法的影响因素进行了分析,以及对位置感知算法进行验证,仿真实验及真实实验结果显示,提出算法能够达到更好的定位效果,并且在部分阅读器出现故障时能保持较高的定位精度,如在真实实验中,阅读器故障环境下的平均定位精度提升率为22.74%。（3）本文提出一种基于可调整信号强度的射频识别三维位置感知算法。该算法将参考标签部署到墙面或天花板上,通过调整阅读器的发射功率获取候选参考标签集合,然后通过信号强度相似度估计阅读器和目标标签之间的距离。接着,算法使用三球交汇法对三维空间中射频识别目标标签的位置进行估计,得到位置集合。最后,算法使用平面拟合方法和最小二乘法对候选目标位置集合进行优化,以减少误差,获得更精确的定位结果。仿真和真实实验结果均表明,与其他现有射频识别三维定位方法相比,提出算法可以达到更高的定位精度,并且在液体、金属等遮挡环境中表现得更加鲁棒,如在液体金属混合遮挡环境下的平均定位误差提升量为0.58米。（4）本文对课题组的可重构物联网中间件进行扩展,并结合提出的位置感知算法进行应用,形成一款能满足物联网环境下位置感知需求的轻量级中间件,同时给出该中间件的总体架构与实现。扩展后的物联网定位中间件定位包括位置数据融合模块、感知算法模块、网络交互模块等功能模块,可根据不同的算法对中间件进行快速开发,同时该中间件集成前述二维及三维空间位置感知算法的具体实现。实验测试结果显示,扩展后的物联网定位中间件能达到预想效果,可为物联网环境下位置感知算法应用提供借鉴。
刘文[9]（2020）在《考虑价格型需求响应的电力系统短期负荷预测研究》文中指出随着智能电网的发展,全球电力行业正在发生一场革命性的变革。智能电网将信息网络技术与过时的传统配电网结合起来,增强了电力资源弹性并且减少了碳足迹。随着政府项目的推出和各种商业宣传推广活动的开展,智能电网逐渐融入了人们的日常生活中,其中,需求响应技术已经得到了较为广泛的应用和研究。在需求响应的作用下,用户侧的弹性资源得到了有效地利用,在电力公司和用户都获得收益的同时,也使用户的电力负荷消耗规律发生了变化。本文主要研究了考虑价格型需求响应的电力系统短期负荷预测模型,使其能够在实施需求响应环境下具有良好地适应性和预测性能。本文首先总结了需求响应和短期负荷预测的国内外研究现状,介绍了需求响应的相关概念和具体分类,分析了电力系统短期负荷预测在实施需求响应环境下所面临的新的挑战。然后分别研究了实施分时电价和实时电价两种电价机制的需求响应。对于分时电价,利用消费者的效用理论对动态分时电价下的用户负荷曲线进行模拟,通过参数敏感度分析表明,该模型能够灵活模拟用户对电价的反应。为了精准反应用户在需求响应作用下的日负荷曲线规律,对径向基和误差反向传播两种神经网络短期负荷预测模型的输入量进行改进,在其中加入需求响应因子。通过算例仿真验证,固定电价下,计及需求响应后的预测模型预测精度有微小提高,而在动态电价下,计及需求响应因子的预测模型具有明显优势,预测性能更好。对于实时电价,以最大化消费者的满意度和电力公司的收益为目标函数,并考虑了用户负荷的弹性矩阵,建立实时电价下的用户需求响应模型,通过仿真模拟了实时电价下用户的负荷情况,由仿真结果得到,在实时电价下,用户和电力公司的收益都得到了增加,并且实时电价和用户负荷有着相似的变化趋势。通过对电价的量化,本文在实时电价机制下构建了计及需求响应的Elman-NN负荷预测模型,对仿真结果进行分析得到,改进后的模型能够更准确的反应电力用户在实时电价下的变化,具有更好的模型适应性,这为今后与之相关的研究提供了一定的帮助。
李霏[10]（2020）在《污水处理过程智能检测与优化控制的研究》文中进行了进一步梳理污水处理过程（Wastewater treatment process,WWTPs）具有复杂的生物、物理和化学特性,且因其变量之间严重的耦合关系和高度的非线性而难以控制。目前,我国采用活性污泥法去除水中的污染物,该生化反应过程耗电量高,产生了巨大的运行成本,且鲜有研究专注于减少或完全消除污染物浓度峰值超标的问题。此外,随着世界范围内实施愈加严格的标准和法规,高额的罚款将导致成本增加。因此,如何实现污水处理全流程出水水质实时达标,提高污水处理质量并减少能耗是一个亟待解决的难题。其主要体现在:1)出水氨氮（Ammonia nitrogen,NH4-N）做为污水处理过程中水污染控制系统的关键因素,水质在线检测难以实现并具有挑战性;2)如何求得收敛性与分布性最好的帕累托（Pareto）最优解,从而获得最佳的溶解氧和硝态氮设定值;3)WWTPs的评估策略不仅仅涉及一个目标,而是多个目标,如出水水质、运行成本及系统的稳定性。如何实现在保证平均出水水质达标的前提下降低成本显得尤为重要;4)污水处理过程是一个复杂动态系统,多个目标随时间变化,如何采用动态控制策略实现在环境发生变化时快速跟踪移动的Pareto前沿,实现污水处理的优化运行;5)如何实时在完全消除出水峰值超标的前提下,提高污水处理质量并减少能耗。针对以上问题,本文提出了污水处理过程智能检测与优化控制的研究策略。首先,分析了污水处理过程特性,建立基于数据驱动的污水处理过程智能检测方法预测出水氨氮浓度。其次,设计能耗和水质多目标优化算法,求取溶解氧和硝态氮的优化设定值,并采用自组织跟踪控制器来追踪该设定值。此外,提出动态多目标优化控制方法,从而应对环境的动态变化,获得较好的控制性能。最后,依据关键水质智能检测结果,设计知识决策方案,提供抑制峰值超标的优化控制策略,并采用国际基准仿真平台（Benchmark Simulation Model No.1,BSM1）进行验证。论文主要研究工作和创新点如下:（1）基于人工免疫自组织径向基神经网络（Radial basis function neural network,RBFNN）出水NH4-N预测器水污染是一个重要的环境问题,水质在线检测仍是亟待解决的难题,特别是出水NH4-N超标已成为焦点之一。NH4-N超标可能引起水体富营养化,增加污水遗传毒性,危及人类健康。为了使污水处理过程能够实时了解NH4-N浓度,本论文提出了一种基于距离浓度人工免疫自组织RBFNN（Self-organizing RBF neural network based on distance concen-tration immune algorithm,DCIA-SORBF）的NH4-N预测器。首先,对实际采集到的数据进行预处理,并选择与出水NH4-N具有较强相关性的过程变量。此外,采用RBFNN创建出水NH4-N的软测量模型,并通过距离浓度人工免疫算法对其结构和参数自组织调整。最后,采用训练好的DCIA-SORBF模型对出水NH4-N进行实时预测。实验结果表明,所提出的出水NH4-N预测器在效率和精度上具有显着的优越性。（2）基于均匀分布的自适应混合进化人工免疫算法通常,在迭代过程中的进化算法,无论是多目标优化问题还是单目标优化问题,目标空间都存在个体分布不均匀的问题。这种不均匀的分布大大降低了种群的多样性和收敛速度。为此,本论文提出了一种基于均匀分布选择机制的自适应混合进化免疫算法（Adaptive hybrid evolutionary immune algorithm based on a uniform distribution selection mechanism,AUDHEIA）。在该算法中,种群中的个体被映射到与目标空间相对应的超平面,并聚类以增加种群中个体的多样性。为了改善解的分布性,将映射的超平面进行均匀分区。随着迭代过程中分布性的不断变化,自适应地调整判断种群分布标准的阈值。当相应区间内不满足阈值时,激活分布性增强模块。随后,在每个区间内选择相同数量的个体。然而,在迭代过程中,有时某些区间内没有足够的个体或为空。此时,采用最优个体的极限优化变异策略来补足个体。实验结果表明,该算法能够较好地跳出局部最优,具有较高的收敛速度。此外,该算法的分布性和收敛性均优于文中同类的测试算法。（3）污水处理过程免疫多目标优化控制方法针对污水处理过程控制中能耗过大,出水水质严重超标等问题,提出了一种基于免疫优化的智能控制方法。首先,该方法以污水处理能耗和出水水质作为优化目标,建立优化目标函数模型。其次,采用本论文提出的AUDHEIA来获得收敛性和分布性较好的Pareto解,从而得到最佳的溶解氧和硝态氮优化设定值。最后,应用自组织递归模糊神经网络控制器对该设定值进行底层的跟踪控制。为了验证算法的有效性,在国际基准的污水处理仿真平台BSM1上进行实验。结果显示,所提出的免疫优化控制方法,能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。（4）污水处理动态过程免疫优化控制方法由于污水处理过程动态变化,且能耗和水质存在相互冲突的耦合关系。在环境发生变化时,固定的优化设定值已无法有效地快速实现污水处理的优化运行。为此,本论文提出了一种动态多目标免疫优化控制（Dynamic multi-objective immune optimization control,DMOIA-OC）方法。该方法通过数据建模获得动态变化的目标函数,并设计动态免疫优化（Dynamic multi-objective immune algorithm,DMOIA）算法来获取随环境动态变化的溶解氧和硝态氮的最佳设定值。DMOIA采用多向预测策略,以提高进化算法求解动态多目标优化问题的性能。为了更精确地预测Pareto解集的移动位置,通过自适应均匀分布策略将种群聚类为多个代表性的组,并根据环境变化预测个体进化方向,在预测的新位置周围重新初始化种群。最后,该方法通过BSM1仿真平台进行验证。实验结果表明,所提出的DMOIA-OC方法与同类方法相比,控制性能显着提高。（5）污水处理过程智能检测与优化控制系统为了实现污水处理过程全流程有效抑制出水水质峰值超标且节能降耗的目的,本论文提出了污水处理过程智能检测与优化控制（Intelligent detection and optimal control of wastewater treatment process,IDOC）系统。首先,该系统采用提出的DCIA-SORBF软测量模型预测出水氨氮和总氮浓度。并根据该预测结果与专家知识,设计污水处理过程全流程优化控制策略。当预测水质达标时,采用动态免疫优化算法求取高质量的溶解氧和硝态氮设定值,以达到节能降耗的目的。当预测出水水质不达标时,启动峰值超标抑制控制策略实现出水水质实时达标。最后,采用BSM1仿真模型对该方法进行验证。实验结果表明,所提出的IDOC系统可以实现全流程污水处理实时达标并能够有效地降低能耗,从而具有较好的实际应用价值。
二、一种人工免疫与RBF神经网络结合的混合算法的应用（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、一种人工免疫与RBF神经网络结合的混合算法的应用（论文提纲范文）
（1）基于优化RBF神经网络的铁路货运量预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 2 预测方法简介 |
| 2.1 定性预测 |
| 2.1.1 Delphi法 |
| 2.1.2 头脑风暴预测法 |
| 2.1.3 主观概率法 |
| 2.1.4 情景预测法 |
| 2.2 定量预测 |
| 2.2.1 时间序列预测法 |
| 2.2.2 因果关系法 |
| 2.2.3 回归预测法 |
| 2.2.4 指数平滑预测法 |
| 2.2.5 季节指数预测法 |
| 2.3 铁路货运量及影响铁路货运量的预测因素 |
| 2.3.1 铁路货运周转量对铁路货运量的影响 |
| 2.3.2 水路货运量与公路货运量之和对铁路货运量的影响 |
| 2.3.3 国内生产总值对铁路货运量的影响 |
| 2.3.4 铁路营业里程对铁路货运量的影响 |
| 2.3.5 原煤产量对铁路货运量的影响 |
| 2.3.6 钢材产量对铁路货运量的影响 |
| 2.3.7 产业结构对铁路货运量的影响 |
| 2.4 本章小结 |
| 3 RBF神经网络及其标准粒子群优化 |
| 3.1 神经网络 |
| 3.1.1 前馈型神经网络 |
| 3.1.2 反馈型神经网络 |
| 3.2 RBF神经网络 |
| 3.2.1 RBF神经网络原理 |
| 3.2.2 RBF神经网络模型建立 |
| 3.3 智能优化算法的发展 |
| 3.4 粒子群算法 |
| 3.4.1 粒子群算法的基本原理 |
| 3.4.2 粒子群算法的更新规则 |
| 3.4.3 标准PSO算法流程 |
| 3.4.4 参数分析 |
| 3.5 基于粒子群的RBF神经网络 |
| 3.5.1 粒子群算法特点 |
| 3.5.2 粒子群优化的基本思想 |
| 3.5.3 基于标准粒子群的RBF神经网络流程 |
| 3.5.4 模型仿真实验 |
| 3.6 本章小结 |
| 4 粒子群算法的优化改进 |
| 4.1 收敛性证明 |
| 4.2 基于差异演化的粒子群优化算法 |
| 4.2.1 差异演化算法的算法流程 |
| 4.2.2 DE-PSO算法原理 |
| 4.2.3 DE-PSO算法流程 |
| 4.3 基于单纯形的粒子群优化算法 |
| 4.3.1 单纯形算法的算法流程 |
| 4.3.2 SM-PSO算法原理 |
| 4.3.3 SM-PSO算法流程 |
| 4.4 基于DE算法和SM算法的混合粒子群优化算法 |
| 4.4.1 H-PSO算法流程 |
| 4.5 改进粒子群优化算法的函数测试 |
| 4.5.1 不同算法的函数测试和结果分析 |
| 4.5.2 H-PSO在不同惯性权重策略下的函数测试和结果分析 |
| 4.6 本章小结 |
| 5 基于优化粒子群的RBF神经网络的铁路货运量预测 |
| 5.1 算法流程 |
| 5.2 模型验证 |
| 5.3 样本选取 |
| 5.4 数据预处理 |
| 5.5 实验结果对比 |
| 5.6 灰度-HPSORBF组合预测 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 学位论文数据集 |
（2）超临界机组的灵活性运行建模与先进控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 超临界机组建模及模糊神经网络技术研究现状 |
| 1.2.2 超临界机组灵活性运行及分层控制策略的研究现状 |
| 1.3 本文的主要工作内容 |
| 第2章 超临界机组及其灵活性运行技术 |
| 2.1 引言 |
| 2.2 超临界机组及其协调控制系统概述 |
| 2.2.1 超临界机组的特点 |
| 2.2.2 协调控制系统的特点 |
| 2.2.3 超临界机组协调控制系统的参数可辨识性 |
| 2.3 超临界机组的灵活性运行技术 |
| 2.3.1 超临界机组灵活性运行制约因素 |
| 2.3.2 超临界机组灵活性运行技术方案 |
| 2.3.3 超临界机组灵活性运行技术可行性分析 |
| 2.4 小结 |
| 第3章 超临界机组灵活性运行建模 |
| 3.1 引言 |
| 3.2 新型的模糊神经网络模型结构 |
| 3.3 新型的模糊神经网络模型训练算法 |
| 3.3.1 前提部分网络参数训练 |
| 3.3.2 结论部分网络参数训练 |
| 3.4 基于模糊神经网络的超临界机组协调控制系统灵活性运行模型 |
| 3.4.1 灵活性运行模型参数设置 |
| 3.4.2 灵活性运行模型训练结果 |
| 3.4.3 灵活性运行模型通用性测试 |
| 3.4.4 建模方法的验证实验 |
| 3.5 小结 |
| 第4章 分层递阶控制在超临界机组灵活性运行中的应用 |
| 4.1 引言 |
| 4.2 新型的分层递阶控制结构 |
| 4.3 无静差非线性约束广义预测控制 |
| 4.3.1 预测模型 |
| 4.3.2 丢番图方程的递推解 |
| 4.3.3 滚动优化 |
| 4.4 L1自适应控制 |
| 4.5 设定值自适应柔化操作 |
| 4.6 超临界机组灵活性运行的分层递阶控制仿真 |
| 4.6.1 控制器参数选取 |
| 4.6.2 灵活性运行跟踪对比实验 |
| 4.6.3 抗干扰对比实验 |
| 4.7 小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（3）基于群智能算法优化的入侵检测模型研究（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 入侵检测概述 |
| 1.3 国内外研究现状 |
| 1.3.1 典型入侵检测方法 |
| 1.3.2 基于群智能的入侵检测研究方案 |
| 1.4 本文研究思路和工作创新 |
| 1.4.1 本文研究思路 |
| 1.4.2 工作创新 |
| 1.5 论文的组织结构 |
| 1.6 本章小结 |
| 第二章 相关背景知识 |
| 2.1 超启发式算法 |
| 2.1.1 粒子群优化算法 |
| 2.1.2 蝙蝠算法 |
| 2.1.3 灰狼优化算法 |
| 2.1.4 差分进化算法 |
| 2.2 无免费午餐定理 |
| 2.3 核极限学习机的演进 |
| 2.3.1 单隐层前馈神经网络 |
| 2.3.2 极限学习机 |
| 2.3.3 核极限学习机 |
| 2.4 本章小结 |
| 第三章 基于PSO的核极限学习机入侵检测模型 |
| 3.1 引言 |
| 3.2 基于PSO的核极限学习机建模过程 |
| 3.3 参数优化和特征选择技术 |
| 3.3.1 基于网格搜索的参数优化 |
| 3.3.2 基于遗传算法的参数优化和特征选择 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 数据集及实验环境 |
| 3.4.2 评价指标 |
| 3.4.3 参数对核极限学习机分类器的影响 |
| 3.4.4 适应函数中权重系数选取 |
| 3.4.5 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于BA的集成剪枝入侵检测模型 |
| 4.1 引言 |
| 4.2 投票极限学习机集成方案 |
| 4.2.1 随机子空间 |
| 4.2.2 基于随机子空间的投票极限学习机集成方法 |
| 4.3 基于BA的集成剪枝过程 |
| 4.3.1 集成学习方法中的多样性度量 |
| 4.3.2 集成剪枝过程 |
| 4.3.3 复杂度分析 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 确定隐藏层节点个数和随机子空间维数 |
| 4.4.3 基本ELM、VELM和Pruning VELM技术比较 |
| 4.4.4 讨论 |
| 4.5 本章小结 |
| 第五章 基于超启发算法的多核极限学习机入侵检测模型 |
| 5.1 引言 |
| 5.2 ReliefF技术 |
| 5.3 基于超启发算法的多核极限学习机模型 |
| 5.3.1 多核极限学习机建模过程 |
| 5.3.2 复杂度分析 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 实验描述 |
| 5.4.2 评价指标 |
| 5.4.3 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的成果 |
| 攻读博士学位期间参与的科研项目 |
（4）计及需求响应的改进ABC-RBF短期电力负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 短期负荷预测研究现状 |
| 1.2.2 径向基(RBF)神经网络研究现状 |
| 1.2.3 需求响应研究现状 |
| 1.3 本文主要研究内容 |
| 2 负荷特性分析与数据预处理 |
| 2.1 电力系统负荷的分类 |
| 2.2 电力负荷预测特性分析 |
| 2.3 电力负荷的影响因素 |
| 2.4 负荷预测的步骤 |
| 2.5 数据检测与预处理 |
| 2.5.1 电力负荷数据的缺失值与异常值处理 |
| 2.5.2 样本数据的归一化与编码处理 |
| 2.6 电力负荷预测评价指标 |
| 2.7 本章小结 |
| 3 计及需求响应的模糊RBF短期负荷预测模型 |
| 3.1 用户实际需求响应模型 |
| 3.1.1 需求响应机理 |
| 3.1.2 需求响应模型 |
| 3.2 计及需求响应综合影响因素的RBF-NN预测模型 |
| 3.2.1 RBF-NN模型 |
| 3.2.2 综合影响因素预处理 |
| 3.2.3 考虑DR综合影响因素的RBF-NN模型 |
| 3.3 算例结果及误差分析 |
| 3.4 本章小结 |
| 4 计及需求响应的模糊ABC-RBF短期负荷预测模型 |
| 4.1 人工蜂群(ABC)算法 |
| 4.1.1 ABC算法原理 |
| 4.1.2 ABC算法步骤 |
| 4.2 基于ABC的 RBF神经网络算法 |
| 4.2.1 ABC-RBF神经网络算法思想 |
| 4.2.2 ABC-RBF神经网络算法步骤 |
| 4.3 基于模糊理论的ABC-RBF神经网络 |
| 4.3.1 模糊ABC-RBF神经网络结构 |
| 4.3.2 模糊化层与反模糊化层 |
| 4.3.3 基于模糊理论的ABC-RBF神经网络算法流程 |
| 4.4 考虑需求响应综合因素的模糊理论ABC-RBF神经网络预测模型 |
| 4.4.1 考虑DR因素的模糊理论ABC-RBF负荷预测流程 |
| 4.4.2 算例结果及误差分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 创新点摘要 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（5）船用柴油机故障仿真与诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 船用柴油机故障诊断的常见方法 |
| 1.3 国内外的研究现状及发展趋势 |
| 1.4 本文的主要研究内容 |
| 第二章 柴油机仿真理论基础 |
| 2.1 GT-suite软件简介 |
| 2.2 缸内燃烧工作过程 |
| 2.3 缸内传热工作过程 |
| 2.4 流体工作过程 |
| 2.5 本章小结 |
| 第三章 船用柴油机模型搭建与验证 |
| 3.1 试验样机 |
| 3.2 整机模型搭建 |
| 3.2.1 系统边界条件设置 |
| 3.2.2 进排气系统设置 |
| 3.2.3 喷油器设置 |
| 3.2.4 气缸参数配置 |
| 3.2.5 曲轴箱参数设置 |
| 3.2.6 整机模型搭建 |
| 3.3 整机模型的验证 |
| 3.4 本章小结 |
| 第四章 神经网络样本数据的获取 |
| 4.1 热工参数选取 |
| 4.2 故障仿真方案 |
| 4.3 压缩比故障仿真 |
| 4.4 单缸供油增加故障仿真 |
| 4.5 单缸供油减少故障仿真 |
| 4.6 单缸断油故障仿真 |
| 4.7 样本数据的处理 |
| 4.8 本章小结 |
| 第五章 基于SFLA的HS算法优化RBF神经网络故障诊断 |
| 5.1 RBF神经网络故障诊断 |
| 5.1.1 RBF神经网络的基本原理 |
| 5.1.2 RBF神经网络故障诊断的基本流程 |
| 5.1.3 RBF神经网络故障诊断 |
| 5.2 HS算法优化RBF神经网络故障诊断 |
| 5.2.1 HS算法的基本原理 |
| 5.2.2 HS算法优化RBF神经网络的基本流程 |
| 5.2.3 HS算法优化RBF神经网络的故障诊断 |
| 5.3 基于SFLA的 HS算法优化RBF神经网络故障诊断 |
| 5.3.1 SFLA算法的基本原理 |
| 5.3.2 基于SFLA的HS算法优化RBF神经网络的流程 |
| 5.3.3 基于SFLA的HS算法优化RBF神经网络故障诊断 |
| 5.4 算法比对 |
| 5.5 本章小结 |
| 第六章 全文总结与工作展望 |
| 6.1 全文总结 |
| 6.2 不足之处及工作展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（6）基于振声信号的设备故障诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障诊断算法研究现状 |
| 1.3 问题分析 |
| 1.4 主要研究内容 |
| 1.5 章节安排 |
| 第二章 振声信号预处理及传统故障诊断方法 |
| 2.1 引言 |
| 2.2 振声信号分帧和加窗方法 |
| 2.3 传统设备故障诊断方法 |
| 2.3.1 包络谱分析法 |
| 2.3.2 谱峭度法 |
| 2.4 本章小结 |
| 第三章 SKFE-DS2DCNN故障分类算法 |
| 3.1 引言 |
| 3.2 基于谱峭度的故障信息增强方法 |
| 3.3 双流二维特征图扩展方法 |
| 3.4 DS2DCNN故障分类模型 |
| 3.4.1 卷积神经网络 |
| 3.4.2 DS2DCNN故障分类模型 |
| 3.5 实验结果及分析 |
| 3.5.1 故障特征图及DS2DCNN故障分类模型结构 |
| 3.5.2 SKFE故障信息增强方法及DS2DCNN双流输入结构 |
| 3.5.3 强高斯噪声影响下的轴承故障分类 |
| 3.6 本章小结 |
| 第四章 基于频谱优化特征和支持向量机的故障分类算法 |
| 4.1 引言 |
| 4.2 基于低阶矩谱的故障分类算法 |
| 4.2.1 信号低阶矩谱提取 |
| 4.2.2 低阶矩谱标准化及带通滤波 |
| 4.2.3 支持向量机 |
| 4.3 基于频谱图局部波动特征的故障分类算法 |
| 4.3.1 频谱标准化及频谱图构建 |
| 4.3.2 波动特征提取 |
| 4.4 实验结果及分析 |
| 4.4.1 基于LOMS的故障分类算法 |
| 4.4.2 基于SLFF的故障分类算法 |
| 4.5 本章小结 |
| 第五章 设备异常检测算法 |
| 5.1 引言 |
| 5.2 MBHGM异常检测算法 |
| 5.2.1 MBHGM异常检测模型 |
| 5.2.2 实验结果及分析 |
| 5.3 APO-AIS异常检测算法 |
| 5.3.1 APO-AIS异常检测模型 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 研究工作的总结和展望 |
| 6.1 研究工作总结 |
| 6.1.1 主要研究成果 |
| 6.1.2 存在的问题 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（7）基于改进RBF神经网络的视频检索算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与方案 |
| 1.3.1 研究内容 |
| 1.3.2 研究方案 |
| 1.4 论文结构 |
| 第2章 视频检索算法概述 |
| 2.1 视频数据的特点 |
| 2.2 视频检索的关键技术 |
| 2.2.1 镜头边界检测 |
| 2.2.2 关键帧提取 |
| 2.2.3 特征量提取 |
| 2.2.4 相似度计算 |
| 2.3 图像检索评价标准 |
| 2.4 本章小结 |
| 第3章 改进RBF视频检索系统方案设计 |
| 3.1 视频检索系统整体方案设计 |
| 3.2 特征提取部分方案设计 |
| 3.2.1 提取中心向量方案设计 |
| 3.2.2 构建标签向量方案设计 |
| 3.2.3 改进RBF神经网络结构 |
| 3.3 相似度匹配方案设计 |
| 3.4 本章小结 |
| 第4章 改进RBF视频检索系统实现 |
| 4.1 提取中心向量方案实现 |
| 4.1.1 提取中心向量流程与代码 |
| 4.1.2 提取中心向量实验分析 |
| 4.2 特征提取方案实现 |
| 4.3 相似度匹配方案实现 |
| 4.4 本章小结 |
| 第5章 实验分析与软件实现 |
| 5.1 实验环境 |
| 5.2图像检索实验 |
| 5.2.1 实验参数设定 |
| 5.2.2 实验内容与结果 |
| 5.3硬件仿真实验 |
| 5.3.1 硬件平台配置 |
| 5.3.2 仿真流程 |
| 5.3.3 仿真结果与分析 |
| 5.4 视频检索系统展示 |
| 5.4.1 视频检索软件研究 |
| 5.4.2 检索系统实例分析 |
| 5.5 本章小结 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
（8）物联网环境下位置感知算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 本文创新点 |
| 1.4 本文组织结构 |
| 第二章 物联网环境下位置感知相关技术研究 |
| 2.1 物联网位置感知方法 |
| 2.1.1 基站位置感知方法 |
| 2.1.2 蓝牙位置感知方法 |
| 2.1.3 Wi-Fi位置感知方法 |
| 2.1.4 射频识别位置感知方法 |
| 2.2 基于射频识别的位置感知方法 |
| 2.2.1 基于距离的射频识别位置感知方法 |
| 2.2.2 距离无关的射频识别位置感知方法 |
| 2.3 物联网位置感知场景分析基础算法 |
| 2.3.1 k最近邻居法 |
| 2.3.2 BP神经网络 |
| 2.3.3 径向基函数神经网络 |
| 2.3.4 极限学习机 |
| 2.3.5 宽度学习系统 |
| 2.4 本章小结 |
| 第三章 基于GSOS-ELM的环境适应位置感知算法 |
| 3.1 引言 |
| 3.2 研究现状 |
| 3.3 融合GSO与 SOS-ELM的位置感知算法 |
| 3.3.1 半监督在线顺序极限学习机算法 |
| 3.3.2 萤火虫优化算法 |
| 3.3.3 基于GSOS-ELM的位置感知算法 |
| 3.3.4 时间复杂度分析 |
| 3.4 实验与结果分析 |
| 3.4.1 仿真实验 |
| 3.4.2 真实环境实验 |
| 3.5 本章小结 |
| 第四章 基于OSFBLS的阅读器故障适应位置感知算法 |
| 4.1 引言 |
| 4.2 研究现状 |
| 4.3 基于在线顺序FBLS的位置感知算法 |
| 4.3.1 模糊宽度学习系统 |
| 4.3.2 在线顺序模糊宽度学习系统 |
| 4.3.3 阅读器故障适应位置感知算法 |
| 4.3.4 时间复杂度分析 |
| 4.4 实验与结果分析 |
| 4.4.1 仿真实验 |
| 4.4.2 真实环境实验 |
| 4.5 本章小结 |
| 第五章 基于可调整功率阅读器的三维位置感知算法 |
| 5.1 引言 |
| 5.2 研究现状 |
| 5.3 基于可调整功率阅读器的三维位置感知算法 |
| 5.3.1 阅读器信号强度分级 |
| 5.3.2 三球交汇法求候选解 |
| 5.3.3 最小二乘法优化目标 |
| 5.3.4 时间复杂度分析 |
| 5.4 实验与结果分析 |
| 5.4.1 仿真实验 |
| 5.4.2 真实环境实验 |
| 5.5 本章小结 |
| 第六章 位置感知算法在物联网定位中间件中的应用 |
| 6.1 引言 |
| 6.2 物联网定位中间件 |
| 6.2.1 物联网定位中间件总体架构 |
| 6.2.2 数据融合模块 |
| 6.2.3 位置感知算法模块 |
| 6.2.4 网络交互模块 |
| 6.3 实验与结果分析 |
| 6.3.1 参考标签页面测试 |
| 6.3.2 信息配置页面测试 |
| 6.3.3 位置感知模型展示测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）考虑价格型需求响应的电力系统短期负荷预测研究（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 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外需求响应研究现状 |
| 1.2.2 短期负荷预测研究现状 |
| 1.3 需求响应技术及其对负荷预测的影响 |
| 1.3.1 智能电网概述 |
| 1.3.2 需求响应对短期负荷预测的影响 |
| 1.4 本文主要研究内容 |
| 第二章 短期负荷预测理论与神经网络方法 |
| 2.1 短期负荷预测内容与特点 |
| 2.2 短期负荷预测基本步骤 |
| 2.3 短期负荷预测影响因素 |
| 2.4 人工神经网络 |
| 2.4.1 人工神经网络概念 |
| 2.4.2 人工神经网络分类 |
| 2.7 本章小结 |
| 第三章 基于分时电价机制的短期负荷预测模型研究 |
| 3.1 需求响应概述 |
| 3.1.1 需求响应分类 |
| 3.1.2 价格型需求响应机理 |
| 3.2 动态分时电价的制定 |
| 3.2.1 峰谷时段划分 |
| 3.2.2 动态峰谷电价确定 |
| 3.3 基于分时电价的需求响应模型建立 |
| 3.3.1 效用函数 |
| 3.3.2 基于动态分时电价的需求响应模型的构建 |
| 3.3.3 参数敏感性分析 |
| 3.4 基于傅里叶变换的负荷特性分析方法 |
| 3.5 计及DR影响的RBF-NN负荷预测模型构建 |
| 3.5.1 RBF神经网络 |
| 3.5.2 RBF-NN预测模型输入量选择 |
| 3.6 算例分析 |
| 3.6.1 数据预处理 |
| 3.6.2 仿真验证 |
| 3.7 本章小结 |
| 第四章 基于实时电价机制的短期负荷预测模型研究 |
| 4.1 实时电价机制下的需求响应模型 |
| 4.2 实时电价下短期负荷预测模型 |
| 4.2.1 需求响应因子的构建 |
| 4.2.2 实时电价机制下的Elman-NN短期负荷预测模型 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（10）污水处理过程智能检测与优化控制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 污水处理过程国内外研究现状 |
| 1.2.1 污水处理氨氮预测研究现状 |
| 1.2.2 污水处理过程优化控制研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文的组织构架 |
| 第2章 污水处理过程特性分析及控制系统设计 |
| 2.1 引言 |
| 2.2 污水处理过程概述 |
| 2.2.1 污水处理过程机理分析 |
| 2.2.2 污水处理过程工艺分析 |
| 2.2.3 污水处理过程影响要素分析 |
| 2.3 污水处理过程控制系统架构 |
| 2.3.1 污水处理过程控制流程 |
| 2.3.2 污水处理过程控制主要组成 |
| 2.4 污水处理过程关键变量检测 |
| 2.4.1 污水处理过程水质变量分析 |
| 2.4.2 污水处理过程水质状态分析 |
| 2.5 污水处理过程能耗和水质优化分析 |
| 2.5.1 污水处理过程能耗和水质多目标优化 |
| 2.5.2 污水处理动态过程能耗和水质优化 |
| 2.6 污水处理过程智能控制 |
| 2.6.1 污水处理过程控制目标分析 |
| 2.6.2 污水处理过程优化控制分析 |
| 2.6.3 污水处理动态过程优化控制分析 |
| 2.6.4 污水处理过程水质超标抑制控制分析 |
| 2.7 本章小结 |
| 第3章 污水处理过程出水氨氮预测 |
| 3.1 引言 |
| 3.2 城市污水处理过程水质变量分析 |
| 3.2.1 污水处理过程数据采集与预处理 |
| 3.2.2 污水处理过程水质参数特征变量选取 |
| 3.3 基于距离浓度的人工免疫自组织RBF神经网络 |
| 3.3.1 RBF神经网络结构 |
| 3.3.2 距离浓度人工免疫算法 |
| 3.3.3 人工免疫自组织RBF神经网络结构设计 |
| 3.3.4 收敛性分析 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真实验设计 |
| 3.4.2 仿真实验结果 |
| 3.4.3 实验结果讨论 |
| 3.5 本章小结 |
| 第4章 基于自适应混合进化人工免疫的多目标优化算法 |
| 4.1 引言 |
| 4.2 多目标优化问题 |
| 4.2.1 基本概念 |
| 4.2.2 免疫多目标优化 |
| 4.3 AUDHEIA算法设计与分析 |
| 4.3.1 映射和聚类 |
| 4.3.2 分布性判断模块 |
| 4.3.3 分布性加强模块 |
| 4.3.4 局部变异策略 |
| 4.3.5 进化策略 |
| 4.3.6 AUDHEIA算法 |
| 4.4 实验结果及分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 仿真实验结果 |
| 4.4.3 实验结果讨论 |
| 4.5 本章小结 |
| 第5章 基于AUDHEIA算法的污水处理优化控制方法 |
| 5.1 引言 |
| 5.2 污水处理过程分析 |
| 5.2.1 污水处理过程BSM1仿真模型 |
| 5.2.2 能耗和水质模型 |
| 5.3 污水处理过程优化控制方法 |
| 5.3.1 污水处理过程控制目标 |
| 5.3.2 污水处理过程多目标控制优化层设计 |
| 5.3.3 污水处理过程底层控制器设计 |
| 5.3.4 污水处理过程智能优化控制整体流程 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真实验设计 |
| 5.4.2 仿真实验结果 |
| 5.4.3 实验结果讨论 |
| 5.5 本章小结 |
| 第6章 城市污水处理动态过程优化控制方法 |
| 6.1 引言 |
| 6.2 城市污水处理动态特性分析 |
| 6.3 基于DMOIA的动态优化控制器 |
| 6.3.1 目标函数的设计 |
| 6.3.2 动态免疫优化算法设计 |
| 6.3.3 基于DMOIA的动态优化控制 |
| 6.4 实验结果与分析 |
| 6.4.1 仿真实验设计 |
| 6.4.2 仿真实验结果 |
| 6.4.3 实验结果讨论 |
| 6.5 本章小结 |
| 第7章 污水处理过程智能检测与优化控制系统 |
| 7.1 引言 |
| 7.2 污水处理数据分析 |
| 7.3 污水处理过程智能检测与优化控制 |
| 7.3.1 知识决策层 |
| 7.3.2 智能检测与优化控制系统结构 |
| 7.4 实验结果与分析 |
| 7.4.1 仿真实验设计 |
| 7.4.2 仿真实验结果 |
| 7.4.3 实验结果讨论 |
| 7.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
四、一种人工免疫与RBF神经网络结合的混合算法的应用（论文参考文献）
- [1]基于优化RBF神经网络的铁路货运量预测研究[D]. 李奇. 北京交通大学, 2021
- [2]超临界机组的灵活性运行建模与先进控制策略研究[D]. 熊剑. 华北电力大学(北京), 2021(01)
- [3]基于群智能算法优化的入侵检测模型研究[D]. 沈焱萍. 北京邮电大学, 2021(01)
- [4]计及需求响应的改进ABC-RBF短期电力负荷预测研究[D]. 旋璇. 沈阳工程学院, 2021
- [5]船用柴油机故障仿真与诊断方法研究[D]. 秦一斐. 天津理工大学, 2021(08)
- [6]基于振声信号的设备故障诊断算法研究[D]. 蒋沁宇. 山东大学, 2021(11)
- [7]基于改进RBF神经网络的视频检索算法研究[D]. 董博晨. 北京建筑大学, 2020(01)
- [8]物联网环境下位置感知算法研究及应用[D]. 钟德祥. 华南理工大学, 2020(02)
- [9]考虑价格型需求响应的电力系统短期负荷预测研究[D]. 刘文. 青岛大学, 2020(01)
- [10]污水处理过程智能检测与优化控制的研究[D]. 李霏. 北京工业大学, 2020