一、多目标逆特征值问题的并行计算研究（论文文献综述）
黄成剑,解阳阳,刘赛艳,沈腾[1]（2021）在《基于多目标均衡优化的设计洪水推求方法》文中认为设计洪水是确定水利工程等别及水利工程运行管理策略的重要依据。为了准确推求设计洪水过程线,解决现有设计洪水推求方法修匀繁琐、不确定性大等问题,基于均衡优化思想提出多目标均衡优化方法。考虑洪峰流量、时段洪量和过程线形状等设计洪水要素误差,该方法构建了设计洪水误差向量,并建立起相应的均衡优化目标函数,采用改进布谷鸟算法求解设计洪水过程线。通过实例研究表明:采用多目标均衡优化法所推求的设计洪水过程线不仅满足洪水洪峰和时段洪量的约束,而且有效保持了典型洪水过程线的形状;多目标均衡优化法无需手动修匀计算或设置惩罚因子,不仅操作简便,还有效减少了设计洪水推求的复杂性和不确定性。因此,多目标均衡优化法可为设计洪水过程线推求提供一条新途径。
涂兵,刘来辉,邓年春,江建文,李颢旭[2]（2021）在《基于遗传算法的大跨钢管混凝土桁式拱肋多目标优化》文中进行了进一步梳理钢管混凝土拱桥因受力性能好、施工方便、稳定性好、美观等诸多优点,成为了近年来发展最快的桥型之一。此外,钢管混凝土拱桥相对梁桥跨度更大,相对于悬索桥和斜拉桥经济性更好,是目前主跨300～500 m的主要建设桥型。然而传统大跨钢管混凝土拱桥设计中拱肋截面参数确定存在效率低及现有以造价为单目标的结构优化方法所得到结构的性能偏低等问题,基于此,平均单位长度拱肋造价和截面面内抗弯刚度被选取作为优化目标,建立了4管桁式钢管混凝土变截面拱肋的多目标优化模型,并利用NSGA-Ⅱ遗传算法进行了求解,实现了大跨度钢管混凝土拱桥拱肋造价和稳定性2个方面的优化。实例计算结果表明:NSGA-Ⅱ遗传算法可快速、准确地求解出钢管混凝土变截面拱肋以造价和抗弯刚度表征的Pareto最优解集,是该类组合结构多目标优化问题一种高效的求解手段;所得到的Pareto最优解集可供工程决策者和设计者快速选择出同时满足造价较低和抗弯刚度较大的最优拱肋截面参数,显着提高了设计效率和设计方案的合理性;拱肋截面面内抗弯刚度与结构整体竖向刚度及面内稳定性的相关性强,选择该参数作为表征结构性能的优化目标具有一定的合理性;优化后结构的面内刚度和稳定性均满足规范要求,同时造价大幅度降低,优化效果良好。
田启华,鄢君哲,张玉蓉,李浪,周祥曼,付君健[3]（2021）在《基于状态空间法的并行耦合设计任务工期研究》文中进行了进一步梳理针对并行耦合设计任务工期模型所存在的离散性和未考虑设计人员学习效应等问题,分别引入状态空间法和学习效应函数对模型进行修正和完善,建立了基于状态空间法并考虑学习效应的并行耦合设计任务工期模型.通过对某空气进化器开发过程的应用分析,验证了该模型的有效性.
许柯[4]（2021）在《深度神经网络加速器软硬件协同设计方法研究》文中研究说明深度神经网络（Deep Neural Network,DNN）在计算机视觉、自然语言处理、语音识别等领域取得了显着的成果。然而,高昂的计算和存储成本给基于DNN算法的部署,尤其是面向硬件资源有限的嵌入式设备,带来了巨大的挑战。近几年,关于神经网络压缩的研究逐渐成为学术界和工业界关注的热点方向。然而,部分压缩算法设计并没有与实际的加速器场景相结合,导致算法的理论压缩性能与实际硬件加速效果存在巨大差距。为了解决此问题,本文将模型剪枝、量化的压缩算法与基于现场可编程门阵列（Field-Programmable Gate Array,FPGA）的硬件架构设计相结合,实现了高吞吐率、低延时的DNN加速器。本文采用软硬件协同设计的方法,从硬件约束的压缩算法、算法硬件耦合优化、硬件设计适配压缩算法和系统级的目标检测加速器应用四个层次展开深入研究,主要的创新研究成果包括:（1）从硬件约束的压缩算法层面,本文以优化的遗传算法为基础,结合硬件约束对模型各层的剪枝率和量化位宽实现高效搜索。剪枝阶段,本文提出了基于模型参数量与计算量多目标优化策略,极大地缓解了因模型参数计算密度不同导致的模型剪枝结果不均衡的问题。实验表明,在Image Net数据集上,本文所提出的剪枝方案可以使Res Net50模型的计算量减少80%且没有精度损失;量化阶段,本文提出了基于小样本量化学习的快速评估方法,有效缓解了因量化损失导致的量化搜索评估与微调结果相关性差的问题并极大的提高了混合精度搜索的效率。在CIFAR-10和Image Net数据集上的实验结果表明,本文的混合精度方法优于其他的混合精度和均匀量化方法。（2）从算法硬件耦合优化层面,本文充分利用了剪枝模型的稀疏性和量化模型的数据独立性,提出了先累加后乘法的稀疏卷积（Accumulate-Before-Multiply Sparse Convolution,ABM-Sp Conv）计算方法。将传统的逐点乘累加（Multiply Accumulate,MAC）耦合卷积计算模式,通过合并同类项的方式拆解为累加与乘法操作解耦的两阶段卷积操作,然后根据模型权重的稀疏编码跳过零值计算,从理论上减少了卷积计算阶段乘法的计算次数,提高了稀疏卷积的计算效率和并行能力。（3）从硬件设计适配压缩算法层面,利用ABM-Sp Conv计算方法,本文提出了一个由“大”累加器阵列和“小”乘法器阵列组成的异构稀疏卷积计算单元,使其可以独立地执行累加和乘法两个阶段的卷积计算,以提供更大的灵活性来平衡FPGA片上逻辑和DSP（Digital Signal Processor）资源的利用。其次,本文采用异步的卷积设计,每个计算单元都有本地缓冲区和控制逻辑,可以独立执行具有不同工作负载的卷积任务,缓解了因稀疏数据的不规则性造成的计算负载不均衡的问题。最后,加速器采用全参数化的设计,利用自主开发的自动化设计空间探索引擎实现了从嵌入式平台到高性能FPGA板卡的部署。（4）从系统级的目标检测加速器应用层面,本文实现了一个基于YOLOv2的FPGA实时目标检测加速器系统。首先利用算子融合、剪枝、量化等压缩方法,实现了YOLOv2模型参数量20倍压缩,计算量7倍压缩。压缩模型在PASCAL VOC 2007数据集上保持74.45%的平均查准率均值（mean Average Precision,m AP）。然后,设计了包含最大池化在内的深度流水化稀疏硬件加速器架构。最后,借助参数空间探索将YOLOv2模型部署到Intel Arria-10 GX1150 FPGA板卡上,达到了72帧/秒的实时检测速度。
周李晶[5]（2021）在《考虑供需风险的煤炭供应链优化研究》文中提出近年来,随着中国经济的发展和供给侧改革如火如荼地实施,许多产业将面临多方面的考验,尤其是传统工业,既要降低供给成本、优化产业结构,又要在大时代背景下谋取利益,获得发展,这种环境下,新一代格局逐渐形成,并对各个产业提出更高的要求。物流业和煤炭业也日趋向绿色化、清洁化方向发展,煤炭供应链引起了学者们的注意。根据以前的研究,结合时代热点,分析目前煤炭供应链所面临的环境,分析环境并识别供需风险,对供需风险进行全面评估,进而搭建模型计算煤炭调配量,对煤炭供应链进行优化,能够对现况有所缓解,对解决目前问题提供新的思路。本文首先介绍了近几年的大背景:中国经济发展迅猛,煤炭业面临改革问题,然后总结概括了先前学者的研究,涉及到供应链风险管理、煤炭供应链、煤炭供应链优化等。其次,在精确到煤炭供应链管理问题上,本文分别从风险管理、煤炭供应链特征、供需风险、多目标规划模型以及粒子群算法进行大致描述,以便后续搭建指标体系和数学模型。再次,本文着手分析了煤炭运输现状,了解煤炭供应链基本特征和组成部分,结合实例和背景分析目前尚存的问题,将传统布局和新时代背景结合去分析,更符合煤炭供应链的特点。然后搭建煤炭供应链供需风险指标体系,分为3个维度,从供应链5个组成部分入手,在其下细致搜索出34个二级指标,后面在熵值法和层次分析法下用实际数据进行客观打分评估,找到影响供应链供需的关键因素。建立数学模型,将供需风险因素引入方程,或作为约束条件,或加入模型中进行运算。该模型旨在最大限度地提高供应链的整体利益和客户满意度,利用多目标粒子群算法求解,并对考虑与不考虑供需风险两种条件下的结果进行比较。最后结果显示,考虑供需风险下的供应链整体效益优于不考虑的情况,为煤炭供应链合理优化提供有效的借鉴。本文充分考虑了煤炭供应链会面临的供需风险因素,供需风险评估指标体系搭建较为全面,评估过程较为客观。数学模型中重点考虑供需不均衡的情况,也将碳税等绿色物流概念引入,客户满意度和供应链收益作为函数目标求共同最大化,以上也是本文的立异点所在。创作目的是希望能使优化模型更符合现实情况,如何将供需因素量化并引入模型,为此提供一个继续思考的方向,也通过模型和实际数据表明了可行性,对现实问题的解决提供相关的建议。
叶寅钢,欧阳利平,钟磊,方宇迪,张胜峰,何育钦[6]（2021）在《基于改进谱聚算法考虑机组分组的电网恢复分区方法》文中认为针对电力系统中含多黑启动电源的恢复分区易出现功率不平衡且并行恢复有效性和可靠性受限等问题,提出了考虑机组启动及分区内有功平衡的改进谱聚电网恢复分区方法。该方法以子区域尽可能规模均衡且区域间联络线权重尽可能小为优化目标,增加考虑机组出力及启动成功率的机组分组优化模型,并在切图权重中引入线路传输功率,使目标函数考虑分区有功平衡的影响。算例分析结果表明:该方法能有效考虑待启动机组的恢复及分区有功平衡,减小区域联络线上传输的功率,有助于提高分区并行恢复及并列的可靠性。
陈江芷,杨晨温,任捷[7]（2021）在《基于波动与扩散物理系统的机器学习》文中研究说明物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算.接着,文中继续讨论了受扩散系统启发的机器学习算法,如基于扩散动力学的分类算法,基于热扩散的数据挖掘和信息过滤,以及基于群体扩散的搜索优化等.波动系统以其天然的并行性、高效、低能耗等优势,通过丰富的波动力学和波动物理现象进行计算或算法模拟,正成为机器学习的新型物理载体.扩散系统中的物理机制可以启发构建高效的机器学习算法,用于复杂系统和物理学研究中的分类、优化等问题.期望通过对波动、扩散物理系统与机器学习内在联系的讨论,能够为开发物理启发的新算法和硬件实现甚至软硬一体化带来抛砖引玉的启示.
李鑫[8]（2021）在《铁路机车设备画像理论及关键技术研究》文中指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。
李青香[9]（2021）在《基于深度学习的睡眠分期方法研究》文中研究说明睡眠分期是评估睡眠质量和诊断睡眠相关疾病的重要依据。对于人类专家而言,睡眠分期是一项高耗时、劳动密集且具有主观偏向性的任务,同时,由于对生理机制的认知水平有限,其结果常常具有易变性。因此,利用人工智能技术对睡眠阶段进行自动且客观统一的分类,具有重要的临床价值。本文从两个角度围绕睡眠分期的深度学习方法展开研究,主要工作及成果如下:（1）为了探索不同通道数据对睡眠分期的影响,从可视化角度入手,针对深度学习方法可解释性差的问题,提出一种基于层级注意力的全新混合神经网络模型。该模型使用卷积神经网络进行单实例的表征学习,使用双向循环神经网络进行多个连续实例的序列学习。通过构建注意力的层次结构,方便查看不同通道在单实例时间范围内的重要性变化。将本模型的层级注意力可视化,与原始数据的功率谱图进行对比,结果显示,模型对通道的利用基本符合人类认知。同时,在公共数据库sleep-EDF上对该模型进行10折交叉验证,得到的结果表明其性能可与近年先进模型相比较;（2）为了学习睡眠阶段转移的特征,力图提高在过渡集和非过渡集上的识别准确率,提出了一种适用于序列分类的睡眠分期方法,即基于序列学习的多目标学习睡眠分期方法。该方法通过重构基本损失函数,创造性地将睡眠阶段是否转移作为一种二分类任务进行处理,这在睡眠分期领域属于首次。在公共数据库sleep-EDF上利用基准模型进行10折交叉验证,发现该方法最高可将准确率和宏F1值分别提升1.5%和1.46%。研究结果表明,本文提出的模型和方法对自动睡眠分期而言,具有较好的效用。
舒定真[10]（2021）在《基于变密度法的宏细观多尺度并行拓扑优化设计方法研究》文中进行了进一步梳理拓扑优化是以力学、数学为核心,以优化理论为基础的一门学科,通过寻找给定设计域内材料最优分布,实现结构性能最大化目的,被广泛应用于航空航天、汽车工业、生物医疗等领域。传统拓扑优化主要针对结构的宏观尺度进行设计,随着现代工业产品对结构性能要求的日益提升,单尺度结构优化已无法满足这样的需求。微结构由于具有质量轻、比刚度和比强度大、隔振和隔热效果好等优点,越来越受到广大研究人员的喜爱,考虑细观微结构的多尺度拓扑优化更能充分发挥结构的性能。在多尺度拓扑优化中,为使迭代稳定收敛,宏观优化与细观微结构优化是分开进行的,微结构构型的变化没有对宏观材料分布产生影响。为进一步改善结构性能,本文建立了基于变密度法的宏细观多尺度并行拓扑优化设计模型同步优化宏观结构及细观微结构,基于该模型研究了力载荷结构、热载荷结构的单目标优化,热力载荷共同作用结构的多目标优化。首先,建立了多尺度并行拓扑优化模型与非并行拓扑优化模型,对比分析了并行优化与非并行优化结果,验证了本文所提并行优化方法能较大幅度提升结构性能。针对多尺度优化设计变量大的问题,分别采用均匀划分方法与聚类划分方法对宏观结构设计域进行划分,分析比较了不同划分方法的优化结果,发现聚类划分方法更加有效,大大减少了计算时间成本的同时提升了计算效率。设计了聚类方法改进模型,防止优化后期聚类边界值的跳动现象,提高优化的收敛速度。其次,对力载荷结构进行了多尺度并行拓扑优化设计,建立了采用聚类方法的力载荷结构多尺度并行拓扑优化设计模型。该模型考虑微结构对整体宏观结构性能的影响,针对宏观优化的结果,将每次获得的微结构填充到宏观结构中,重新评价宏观结构的性能,指导下一步的宏观优化,得到微结构的体积及宏观位置分布;然后再进行微结构的拓扑优化设计;再把获得的最优微结构填充到宏观结构中,评价宏观结构的性能,依次循环,直到获得最佳微结构构型及位置分布,从而也获得最优性能的宏观结构。以悬臂梁结构、MBB梁结构和Michell结构为优化对象,通过对宏细观多尺度并行优化结果的分析,进一步验证了所提方法的正确性与有效性。接着,对热载荷结构进行了多尺度并行拓扑优化设计,建立了采用聚类方法的热载荷结构多尺度并行拓扑优化设计模型。采用该模型对稳态热传导条件下四边界恒温结构、四顶点恒温结构、中心恒温结构的散热性能进行优化设计,从优化结果可以看出建立的多尺度并行拓扑优化模型具有通用性。最后,对热力载荷共同作用的结构进行了多尺度多目标并行拓扑优化设计,分析不同权重系数下的结构力学性能与热学性能,可以清晰的看出多目标优化极大的提高了结构的综合性能。
二、多目标逆特征值问题的并行计算研究（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、多目标逆特征值问题的并行计算研究（论文提纲范文）
（1）基于多目标均衡优化的设计洪水推求方法（论文提纲范文）
| 1 研究背景 |
| 2 数据来源与研究方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 同频率直接放大法 |
| 2.3.2 罚函数法 |
| 2.3.3 多目标均衡优化法 |
| 2.4 设计洪水推求方法的评价 |
| 3 结果与分析 |
| 4 讨 论 |
| 5 结 论 |
（2）基于遗传算法的大跨钢管混凝土桁式拱肋多目标优化（论文提纲范文）
| 0 引言 |
| 1 NSGA-Ⅱ多目标优化遗传算法 |
| 1.1 NSGA-Ⅱ算法简述 |
| (1)带精英机制的策略 |
| (2)快速非支配排序 |
| (3)保留多样性 |
| 1.2 NSGA-Ⅱ算法流程 |
| 2 4管桁式钢管混凝土拱肋截面优化数学模型 |
| 2.1 设计变量 |
| 2.2 目标函数 |
| 2.3 约束条件 |
| (1)构造要求 |
| (2)强度要求 |
| 2.4 管桁式变截面拱肋的优化设计模型为: |
| 3 工程实例分析 |
| 3.1 工程概况 |
| 3.2 拱肋截面尺寸多目标优化 |
| 3.3 优化前后结构性能对比 |
| 3.3.1 优化方案主拱承载能力验算 |
| 3.3.2 优化前后成桥状态主拱竖向挠度对比 |
| 3.3.3 成桥状态稳定性分析 |
| 4 结论 |
（3）基于状态空间法的并行耦合设计任务工期研究（论文提纲范文）
| 1 并行耦合设计任务工期模型描述 |
| 2 学习效应模型的建立 |
| 3 并行耦合设计任务工期模型的改进 |
| 4 并行耦合设计任务工期模型的求解 |
| 5 实例分析 |
| 6 结 语 |
（4）深度神经网络加速器软硬件协同设计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 论文研究内容概述 |
| 1.2.1 神经网络压缩算法概述 |
| 1.2.2 目标检测算法概述 |
| 1.2.3 基于OpenCL的FPGA设计方法 |
| 1.3 论文主要贡献 |
| 1.4 论文章节组织结构 |
| 2 神经网络加速器软硬件研究进展 |
| 2.1 模型剪枝与量化算法研究进展 |
| 2.1.1 模型剪枝 |
| 2.1.2 模型量化 |
| 2.2 神经网络加速器研究进展 |
| 2.2.1 传统神经网络加速器设计 |
| 2.2.2 新型神经网络加速器设计 |
| 2.3 本章小结 |
| 3 基于多目标优化的模型剪枝搜索算法 |
| 3.1 引言 |
| 3.2 多目标模型剪枝理论建模 |
| 3.2.1 模型内存占用目标 |
| 3.2.2 模型计算负载目标 |
| 3.2.3 模型计算密度 |
| 3.3 多目标优化的模型剪枝搜索框架 |
| 3.4 面向稀疏架构搜索的遗传算法设计 |
| 3.4.1 种群初始化方法 |
| 3.4.2 变异与交叉算子优化 |
| 3.5 实验结果分析 |
| 3.5.1 实验设置 |
| 3.5.2 CIFAR-10的实验结果及分析 |
| 3.5.3 ImageNet的实验结果及分析 |
| 3.5.4 消融实验分析 |
| 3.6 本章小结 |
| 4 基于强相关性的混合精度量化搜索算法 |
| 4.1 引言 |
| 4.2 混合精度量化搜索框架 |
| 4.3 混合精度量化模块设计 |
| 4.3.1 基于混合精度的卷积层设计 |
| 4.3.2 基于混合精度的激活层设计 |
| 4.4 小样本混合精度量化微调策略 |
| 4.4.1 卷积微调 |
| 4.4.2 激活微调 |
| 4.4.3 批归一化微调 |
| 4.5 基于遗传算法的混合精度量化搜索 |
| 4.6 知识蒸馏混合精度量化训练策略 |
| 4.7 实验结果分析 |
| 4.7.1 实验设置 |
| 4.7.2 CIFAR-10的实验结果及分析 |
| 4.7.3 ImageNet的实验结果及分析 |
| 4.7.4 消融实验分析 |
| 4.8 本章小结 |
| 5 稀疏神经网络加速器软硬件协同设计 |
| 5.1 引言 |
| 5.2 基于先累加后相乘的稀疏卷积算法设计 |
| 5.2.1 ABM-SpConv计算架构 |
| 5.2.2 量化对计算密度的影响 |
| 5.2.3 并行性和数据共享探索 |
| 5.3 硬件加速器架构设计 |
| 5.3.1 设计挑战 |
| 5.3.2 整体架构 |
| 5.4 硬件加速器理论建模 |
| 5.4.1 性能建模 |
| 5.4.2 带宽建模 |
| 5.4.3 资源建模 |
| 5.5 设计空间探索 |
| 5.5.1 卷积神经网络模型准备 |
| 5.5.2 加速器架构搜索 |
| 5.6 稀疏加速器性能评估 |
| 5.6.1 实验设置 |
| 5.6.2 性能与资源分析 |
| 5.6.3 FPGA加速器性能对比 |
| 5.7 本章小结 |
| 6 目标检测加速器软硬件协同设计 |
| 6.1 引言 |
| 6.2 YOLOv2模型算法压缩 |
| 6.2.1 模型算子融合 |
| 6.2.2 YOLOv2剪枝压缩 |
| 6.2.3 YOLOv2量化压缩 |
| 6.3 YOLOv2硬件加速器架构设计 |
| 6.3.1 整体架构 |
| 6.3.2 计算内核设计 |
| 6.3.3 访存设计 |
| 6.3.4 其他功能单元设计 |
| 6.4 YOLOv2加速器设计空间探索 |
| 6.5 YOLOv2加速器性能评估 |
| 6.5.1 实验设置 |
| 6.5.2 对比最先进的目标检测加速器 |
| 6.5.3 实时目标检测加速器系统展示 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）考虑供需风险的煤炭供应链优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 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 供应链风险管理研究现状 |
| 1.2.2 煤炭供应链管理研究现状 |
| 1.2.3 煤炭供应链物流优化研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文主要创新点 |
| 第2章 煤炭供应链管理相关理论及模型方法 |
| 2.1 风险管理与流程 |
| 2.1.1 风险管理 |
| 2.1.2 风险管理流程 |
| 2.2 煤炭供应链特征 |
| 2.2.1 供应链 |
| 2.2.2 煤炭供应链 |
| 2.3 煤炭供应链风险 |
| 2.3.1 供应链风险管理 |
| 2.3.2 供应链风险管理流程 |
| 2.3.3 煤炭供应链供需风险 |
| 2.4 煤炭供应链管理模型与方法 |
| 2.4.1 多目标数学规划模型 |
| 2.4.2 多目标粒子群算法 |
| 2.5 本章小结 |
| 第3章 煤炭供应现状及参与主体供需风险分析 |
| 3.1 煤炭供应链发展现状分析 |
| 3.1.1 中国煤炭供应概述 |
| 3.1.2 煤炭供应链的特点 |
| 3.1.3 煤炭供应链存在的问题分析 |
| 3.1.4 煤炭供应链参与主体分析 |
| 3.2 煤炭供应链参与主体供需风险分析 |
| 3.2.1 煤炭企业供需风险因素分析 |
| 3.2.2 储配中心供需风险因素分析 |
| 3.2.3 交通运输供需风险因素分析 |
| 3.2.4 消费者供需风险因素分析 |
| 3.2.5 外部环境供需风险因素分析 |
| 3.3 煤炭供应链参与主体供需风险评估指标体系构建 |
| 3.4 煤炭供应链参与主体供需风险评估 |
| 3.4.1 风险评估方法 |
| 3.4.2 风险评估分析 |
| 3.5 本章小结 |
| 第4章 煤炭供应链多目标供需风险优化研究 |
| 4.1 煤炭供应链供需风险决策问题 |
| 4.2 煤炭供应链供需风险优化模型研究 |
| 4.2.1 模型假设 |
| 4.2.2 风险决策目标 |
| 4.2.3 风险决策约束 |
| 4.3 供需风险优化研究 |
| 4.3.1 多目标风险决策模型求解算法 |
| 4.3.2 多目标风险决策模型求解流程 |
| 4.3.3 参数设定 |
| 4.3.4 多目标风险决策模型优化前求解 |
| 4.3.5 多目标风险决策模型优化后求解 |
| 4.3.6 优化结果分析 |
| 4.4 风险规避建议 |
| 4.5 本章小结 |
| 第5章 研究成果与结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）基于改进谱聚算法考虑机组分组的电网恢复分区方法（论文提纲范文）
| 0 引言 |
| 1 电网恢复分区的谱聚优化模型 |
| 1.1 谱聚类算法原理 |
| 1.2 电网恢复分区的谱聚优化模型 |
| 2 考虑机组分组及分区有功平衡的改进谱聚模型 |
| 2.1 机组分组模型 |
| 2.2 约束条件 |
| 2.3 改进谱聚电网恢复分区求解流程 |
| 3 算例分析 |
| 3.1 基于谱聚算法的电网恢复分区模型算例 |
| (1）新英格兰IEEE 39节点标准算例 |
| 3.2 改进谱聚电网恢复分区模型仿真分析 |
| 4 结论 |
（8）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 |
（9）基于深度学习的睡眠分期方法研究（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 自动睡眠分期方法总览 |
| 1.2.2 基于深度学习的睡眠分期方法 |
| 1.2.3 存在的问题 |
| 1.3 本文主要工作及章节安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文章节安排 |
| 2 基于注意力机制的混合神经网络睡眠分期模型设计 |
| 2.1 问题的提出 |
| 2.2 模型设计基础理论 |
| 2.2.1 卷积神经网络概述及现有变体 |
| 2.2.2 循环神经网络概述 |
| 2.2.3 CV和NLP中的注意力机制概述 |
| 2.3 本章神经网络模型 |
| 2.3.1 本章模型概述 |
| 2.3.2 实例特征提取模块 |
| 2.3.3 序列特征提取模块 |
| 2.4 损失函数 |
| 2.4.1 困难样本问题 |
| 2.4.2 类不平衡问题 |
| 2.4.3 损失函数 |
| 2.5 实验及结果分析 |
| 2.5.1 实验数据 |
| 2.5.2 评价标准 |
| 2.5.3 实验设置 |
| 2.5.4 实验结果与分析 |
| 2.5.5 本章模型的可视化结果及分析 |
| 2.6 本章小结 |
| 3 基于序列学习的多目标睡眠分期方法 |
| 3.1 问题的提出 |
| 3.2 基于序列学习的多目标睡眠分期方法实现 |
| 3.2.1 解决序列学习的序列到序列(Seq2Seq)模型 |
| 3.2.2 多目标学习概述 |
| 3.2.3 基于序列学习的多目标睡眠分期模型框架 |
| 3.2.4 二分类标记的实现 |
| 3.2.5 多目标学习的损失函数 |
| 3.3 实验及结果分析 |
| 3.3.1 反向传播网络中的多任务学习的训练 |
| 3.3.2 实验数据 |
| 3.3.3 实验设置 |
| 3.3.4 使用的序列到序列基准模型 |
| 3.3.5 实验结果与分析 |
| 3.4 本章小结 |
| 4 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（10）基于变密度法的宏细观多尺度并行拓扑优化设计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 拓扑优化理论国内外研究现状 |
| 1.2.1 经典拓扑优化方法 |
| 1.2.2 多尺度拓扑优化现状 |
| 1.2.3 现状总结与问题分析 |
| 1.3 本文主要工作及结构 |
| 2 结构多尺度拓扑优化设计数学模型与计算方法 |
| 2.1 结构多尺度拓扑优化设计方法 |
| 2.1.1 基于变密度法的多尺度优化理论基础 |
| 2.1.2 SIMP材料插值模型 |
| 2.2 多尺度拓扑优化设计数学模型 |
| 2.2.1 多尺度非并行拓扑优化数学模型 |
| 2.2.2 多尺度并行拓扑优化数学模型 |
| 2.3 多尺度优化设计模型计算方法 |
| 2.3.1 模型降阶策略 |
| 2.3.2 聚类方法改进模型 |
| 2.4 数值计算方法 |
| 2.5 实例计算与结果分析 |
| 2.5.1 均匀密度划分方法的多尺度非并行拓扑优化 |
| 2.5.2 聚类划分方法的多尺度非并行拓扑优化 |
| 2.5.3 聚类划分方法的多尺度并行拓扑优化 |
| 2.6 本章小结 |
| 3 力载荷结构多尺度并行拓扑优化设计 |
| 3.1 力载荷结构拓扑优化问题 |
| 3.2 力载荷结构多尺度并行拓扑优化设计数学模型 |
| 3.3 力载荷结构多尺度并行拓扑优化灵敏度分析及迭代更新方案 |
| 3.3.1 并行拓扑优化灵敏度分析 |
| 3.3.2 设计变量迭代更新方案 |
| 3.4 力载荷结构多尺度并行拓扑优化设计流程 |
| 3.5 实例计算与结果分析 |
| 3.5.1 悬臂梁结构算例分析 |
| 3.5.2 MBB梁算例分析 |
| 3.5.3 Michell结构算例分析 |
| 3.6 本章小结 |
| 4 热载荷结构多尺度并行拓扑优化设计 |
| 4.1 热载荷结构拓扑优化问题 |
| 4.2 热载荷结构多尺度并行拓扑优化设计数学模型 |
| 4.3 热载荷结构多尺度并行拓扑优化灵敏度分析及迭代更新方案 |
| 4.3.1 并行拓扑优化灵敏度分析 |
| 4.3.2 设计变量迭代更新方案 |
| 4.4 实例计算及结果分析 |
| 4.4.1 四边界恒温结构算例分析 |
| 4.4.2 四顶点恒温结构算例分析 |
| 4.4.3 中心恒温结构算例分析 |
| 4.5 本章小结 |
| 5 热力载荷共同作用的结构多尺度多目标并行拓扑优化设计 |
| 5.1 热力载荷共同作用的结构拓扑优化问题 |
| 5.2 热力载荷共同作用的结构多尺度多目标并行拓扑优化设计数学模型 |
| 5.3 热力载荷共同作用的结构多尺度多目标并行优化灵敏度分析及迭代更新方案 |
| 5.3.1 多尺度多目标并行拓扑优化灵敏度分析 |
| 5.3.2 设计变量的迭代更新方案 |
| 5.4 多尺度多目标并行拓扑优化设计流程 |
| 5.5 实例计算与结果分析 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、多目标逆特征值问题的并行计算研究（论文参考文献）
- [1]基于多目标均衡优化的设计洪水推求方法[J]. 黄成剑,解阳阳,刘赛艳,沈腾. 水资源与水工程学报, 2021
- [2]基于遗传算法的大跨钢管混凝土桁式拱肋多目标优化[J]. 涂兵,刘来辉,邓年春,江建文,李颢旭. 公路交通科技, 2021(12)
- [3]基于状态空间法的并行耦合设计任务工期研究[J]. 田启华,鄢君哲,张玉蓉,李浪,周祥曼,付君健. 三峡大学学报(自然科学版), 2021(05)
- [4]深度神经网络加速器软硬件协同设计方法研究[D]. 许柯. 北京交通大学, 2021
- [5]考虑供需风险的煤炭供应链优化研究[D]. 周李晶. 华北电力大学(北京), 2021(01)
- [6]基于改进谱聚算法考虑机组分组的电网恢复分区方法[J]. 叶寅钢,欧阳利平,钟磊,方宇迪,张胜峰,何育钦. 浙江电力, 2021
- [7]基于波动与扩散物理系统的机器学习[J]. 陈江芷,杨晨温,任捷. 物理学报, 2021(14)
- [8]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)
- [9]基于深度学习的睡眠分期方法研究[D]. 李青香. 西安理工大学, 2021(01)
- [10]基于变密度法的宏细观多尺度并行拓扑优化设计方法研究[D]. 舒定真. 西安理工大学, 2021