一、一种变步长趋势子序列搜索算法（论文文献综述）
胡祚晨[1]（2021）在《基于STL-CS-LSTM组合模型的大坝变形预测方法研究》文中进行了进一步梳理截止到2018年,中国已经建设完成大坝9.8万余座,是世界上拥有大坝数量最多的国家。大坝不仅能调度水利资源的时空分布,同时也是合理配置水资源的最为重要的工程措施之一。大坝具有防洪、抗旱、发电、航运、灌概、养殖、旅游等功能。因此大坝在我国的国民经济建设中发挥着至关重要的作用。然而溃坝事件时常发生,在影响国家的经济效益的同时,还会对周围的百姓造成十分巨大的生命和财产的损失。而大坝的损坏一般都是由量变到质变的,这个过程是不可能靠人的直觉来发现的,因而必须进行完善可靠的变形监测工作。因此对大坝变形进行有效的监测并对获取到的变形监测数据进行准确的预测,是确保大坝安全运行的十分必要的手段。大坝变形受水压、气温、地质条件等多种因素的影响,受限于管理成本和水平,小型水库大坝通常难以获取上述监测数据。因此对于小型水库来说仅使用历史大坝变形监测数据来进行预测是一种既能节约成本又行之有效的方法。本文使用小型水库利山水库大坝获取的5个点位的水平位移数据进行实验,数据为2018年12月16日至2019年1月12日测得。将5组数据的异常值剔除并对缺失值进行插值填补,得到5组有672条数据的水平位移数据。水平位移数据选择前500条数据为训练集,后172条数据为测试集。针对大坝变形监测数据同时存在非线性、趋势性、周期性和随机性的特征的问题,本文选择基于局部加权回归的周期趋势分解（Seasonal-Trend decomposition procedure based on Loess,STL）、布谷鸟搜索算法（Cuckoo Search,CS）和长短期记忆神经网络（Long Term and Short Term Memory neural network,LSTM）构建了组合模型STL-CS-LSTM,该模型首先使用STL方法将时间序列分解成趋势分量、周期分量和余项分量,使用基于布谷鸟搜索算法优化过的LSTM模型对趋势分量和余项分量进行预测;周期分量则使用简单周期估计方法预测,本文采用的数据是逐小时的,周期设置为24,也就是t时刻的序列值等于（t+24）时刻的序列值。最后将三个分量的预测值相加得到最后的预测结果。对数据进行预处理后,将组合模型STL-CS-LSTM的预测结果与LSTM模型、FNN模型、SVR模型、XGBoost模型、GRU模型的预测结果进行对比分析,可得6个模型的预测精度从高到底依次为:STL-CS-LSTM模型、LSTM模型、FNN模型、SVR模型、GRU模型、XGBoost模型。预测性能最好的STL-CS-LSTM模型的RMSE小于0.028mm,MAE小于0.025mm,而R2高于0.9,预测精度能够满足工程的实际需要。
贾鹏云[2]（2021）在《基于深度学习算法的短期光伏发电功率预测研究》文中指出能源是人类社会文明发展进程中不可忽视的重要物质之一,随着我们过度的关注经济发展速度,却忽视了传统能源的不断消耗而导致的能源危机以及我们赖以生存的生态环境在不断的恶化。传统能源的局限性已不能满足社会需求,太阳能以安全高效及分布广泛的独特优势而被广泛的利用。然而光伏发电功率随着复杂多变的气象条件而变化,具有明显的非线性和不稳定性等特征,为电力系统安全、稳定运行带来巨大的冲击和挑战,当其大规模并网发电时会使其频率超过大电网临界值,从而导致电网崩溃。准确的短期光伏功率预测可以为电力系统制定精确的调度计划提供重要依据,保证电力系统能最大限度的消纳光伏发电,提升电力系统安全运行的稳定性。光伏发电功率具有较强的不可控性和间歇性等特点,如何有效地提升光伏功率预测的准确性对于电力系统的稳定运行具有很强的实用意义。本文针对国内外光伏功率预测的现状,基于深度学习算法提出了 VMD-ISSA-GRU的短期光伏发电功率预测模型,进一步提升短期光伏功率预测的准确性。首先,通过Pearson和Spearman相关性分析确定影响光伏输出功率的主要影响因素,达到对高维气象数据降维的目的,提高模型运行效率和预测精度。其次,针对光伏发电功率的不稳定性和间歇性的特点,通过变分模态分解（Variational Mode Decomposition,VMD）对光伏发电功率的历史数据进行分解,并且利用分解后的剩余残差和原始光伏功率数据的相关性确定其最佳分解子模态数,使历史光伏功率数据充分分解,有效地降低历史光伏发电功率的非线性和不稳定性。然后,构建门控循环单元神经网络（Gated Recurrent Unit,GRU）,并通过改进后的麻雀搜索算法（Improved Sparrow Search Algorithm,ISSA）优化 GRU 神经网络的结构参数,以提高模型的预测精度。最后,基于实际光伏发电功率数据建立VMD-ISSA-GRU预测模型。结果表明,无论是在天气状况稳定还是剧烈波动的情况下,VMD-ISSA-GRU预测模型的均方根误差和平均绝对百分比误差均小于其他传统预测模型,验证了该模型的有效性和优越性。
龙海娥[3]（2021）在《求解非线性反问题的Nesterov型加速算法研究》文中研究说明近年来,受其他学科和众多工程技术领域应用需要的驱动,非线性反问题引起了国内外学者的极大兴趣和高度重视。其中涉及对扩散光学层析成像、光声成像、半导体的掺杂问题、多边界测量参数识别等问题的反演理论、算法及应用研究尤为引人关注。从数学视角出发,这些问题均可抽象为包含多个非线性不适定算子方程的数学模型。然而,解决这类问题不仅面临非线性性和不适定性的双重困扰,还因问题本身规模巨大而对算法的计算效率、计算机的存储空间等都提出了更高要求。因此,构造格式简单且收敛速度快的迭代正则化方法尤为重要。此外,随着实际应用需求的提高,人们越来越关注一些复杂问题的反演,例如具有非光滑正向算子的反问题。目前为止大部分研究成果是基于Banach空间中的不可微正则化方法,而关于Hilbert空间中非光滑反问题的研究工作则非常有限,且已经发展起来的一些反演理论和算法也很不完善,因而尚具有很大的探索空间。基于以上研究现状,通过引入Nesterov加速技术,本文构造了几种求解非线性反问题的快速算法。主要研究工作如下:针对包含多个非线性不适定算子方程的系统,基于收敛速度较快的同伦摄动迭代算法,结合Kaczmarz加速策略构造同伦摄动-Kaczmarz迭代方法。在其基础上引入Nesterov加速格式的推广形式,进一步提出Nesterov型加速同伦摄动-Kaczmarz迭代方法。以偏差原则为停止准则,基于适当的假设条件分别给出两种方法的收敛性和正则性分析。同时通过数值模拟验证方法的有效性和加速效果。考虑包含多个非线性不适定算子方程的系统,为兼顾解的稀疏性和光滑性而同时引入L1-范数罚项和L2-范数罚项,将问题转化为求解一个非光滑混合正则化模型。为提高临近正则Gauss-Newton迭代方法在求解这一模型时的计算效率,结合Kaczmarz加速思想和Nesterov加速技术,先后提出临近正则Gauss-Newton-Kaczmarz迭代和Nesterov型加速的临近正则Gauss-Newton-Kaczmarz迭代方法。理论上分别给出它们的收敛性和正则性分析。继而将这两种方法分别应用于经典的椭圆参数识别和扩散光学层析成像的光学参数重构问题,数值结果表明所提方法不仅能反演出更高质量的重构图像,且具有显着的加速效果。为求解具有非光滑正向算子的非线性不适定问题,引入Bouligand次微分和推广形式的Nesterov加速格式构造Nesterov型加速Bouligand-Landweber迭代方法。基于广义切锥条件和对组合参数的适当假设,并通过引入渐进稳定性概念在理论上给出收敛性分析。此外,采用离散回溯搜索算法选择组合参数以优化加速效果,并证明此加速迭代算法也是收敛的正则化方法。进而将该方法应用于一个典型的非光滑非线性问题上,通过数值模拟表明所构造的方法在求解非光滑非线性反问题时加速效果显着,大幅减少总迭代次数及计算时间的同时保证了重构解的精度。
唐健[4]（2020）在《深度学习语音识别系统中的若干建模问题研究》文中研究表明语音作为人类交流的自然方式,其作为人机交互的手段拥有的先天优势。自动语音识别要为了让计算机能够“听懂”人类的语音,实现由语音序列向文本序列的转化。伴随着深度学习发展,基于深度神经网络的语音识别如今已经成为主流。现在语音识别后端建模有两种框架:混合和端到端架构。在此背景下,本论文集中在两种架构下语音识别的若干建模问题研究。一方面,在混合架构下针对建模中的实用性问题（如时延问题,噪声鲁棒性问题）进行研究,‘减’少实际应用场景（如时延要求、噪声）对性能的影响;另一方面,针对端到端语音识别架构的不足,研究目前端到端模型的合理性问题（如注意力向量优化和多层级标签建模）。通过在模型搭建中加入‘低成本’但有效信息（如后验信息、多层级标签信息）,为识别性能做‘加’法。首先、针对语音识别系统的时延问题,本文研究基于长短期记忆（Long Short Term Memory,LSTM）网络的在线语音识别声学建模。单向LSTM网络结构无时延但缺乏对未来时序的利用,双向LSTM网络充分利用了上下文时序信息但存在高时延的缺点。针对在线语音识别声学建模的高性能、时延可控的要求,本文提出了一种基于注意力机制的LSTM层结构（Attention-based LSTM,ALSTM）。ALSTM结构通过LSTM记忆历史时序,通过注意力机制建模一定窗长内的未来时序。实验结果表明由多层ALSTM串联构成的声学模型能获得与基于BLSTM识别系统相仿的性能表现。其次,针对语音识别系统的噪声鲁棒性问题,本文提出了稠密残差网络（Densely Connected Residual Network,DenseRNet）,并用于构建声学模型。DenseR-Net采用残差网络的方式构建模型的基础单元,基础单元的连接采用稠密网络的稠密连接的方式。整体可以视为稠密网络和残差网络的融合。DenseRNet通过更充分利用多分辨率的隐层表达使得声学模型更具备鲁棒性。实验结果与可视化分析共同说明,该模型对不同信噪比语音具有鲁棒性。再次、针对注意力向量的优化问题,本文在端到端语音识别模型中探讨了使用模型后验信息对其优化的方法。我们尝试将后验注意力模型引入语音识别中并根据任务的特点进行相应的结构调整。实验表明模型的识别性能未达预期,并且模型受到曝光偏差的影响加剧。注意到该问题,本文进一步提出基于散度距离的惩罚项和交替更新策略（Alternate Learning Strategy,ALS）用于缓解曝光偏差问题。前者通过散度距离损失纠正后验信息使用所带来的曝光偏差,后者通过在编码-解码模型训练阶段引入采用推论方式计算的“辅助步”。实验表明,本文最终提出的扩展后验注意力模型（Extended Posterior Attention Modeling,EPAM）相较于传统的编码-解码模型在语音识别上具备了明显的性能优势。最后,结合现有研究工作中多层级标签建模不成熟、提升效果不明显的问题,本文提出了一种基于多文本序列间对齐映射的多层级标识端到端语音识别建模方法。语音识别中的目标文本序列可以是词级、字符级、子词级文本序列。多层级文本序列的获取成本很低但包含丰富的信息,并且我们注意到多层级文本序列间存在隐性的对齐映射关系。基于以上原因,本文将多文本序列间对齐映射关系引入端到端语音识别建模中,并提出将该对齐关系引入端到端模型搭建和解码过程中。具体来说,本文设计了一个全新的交互解码器结构用于生成多层级的文本输出预测;在解码阶段,本文提出了联合解码算法,该算法可以进一步对多层级预测输出结果进行交叉验证。在Switchboard和WSJ数据集的实验结果共同表明,基于多层级标识的端到端语音识别模型相比于传统的端到端语音识别系统可获得15%以上的相对词错误率下降。
李蒙[5]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中认为近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
刘伟[6]（2020）在《非凸问题鞍点计算的新算法及其应用研究》文中指出本文研究非凸问题鞍点计算的新算法及其应用,主要内容分为四个部分.第一部分,我们研究计算无约束鞍点的基于新的优化策略的局部极小极大方法（LMM）.首先,我们给出一类推广的局部极小极大原理,并从连续动力学的角度理解LMM能以稳定方式计算不稳定鞍点的数学本质.然后,我们在使用一般下降方向的LMM算法框架下,系统地讨论各种步长搜索准则的可行性,并建立完整的全局收敛性结果.这使得各种高效的优化策略可以应用到LMM算法中.特别地,我们提出全局收敛的Barzilai-Borwein（BB）型LMM、共轭梯度型LMM和L-BFGS型LMM三类新的LMM算法,用于改进传统LMM算法的计算效率.最后,我们将新的LMM算法应用于几类半线性椭圆边值问题、带非线性边界条件的椭圆问题和Kirchhoff型拟线性非局部问题的多解计算,并比较不同LMM算法的数值性能.广泛的数值结果表明,这三类新的LMM算法能显着地提高传统LMM算法的计算效率.第二部分,我们研究计算无约束鞍点的基于新的优化策略的虚拟几何对象型LMM（VGOLMM）.首先,基于对一类广义的VGOLMM动力系统的分析,我们提出使用一般下降方向的广义VGOLMM算法框架,并在这一框架下讨论不同步长搜索准则及相应的全局收敛性.许多高效的优化策略可以用于实现该VGOLMM算法框架.由于BB策略的简单性和高效性,我们提出使用BB型步长的VGOLMM算法.最后,我们将新的VGOLMM算法应用于散焦型非线性Schr?dinger方程和一类Allen-Cahn型奇异摄动Neumann问题的多解计算,得到了丰富的数值结果.数值结果表明,使用BB型步长的VGOLMM算法比原始VGOLMM算法的收敛更快.第三部分,我们研究计算玻色-爱因斯坦凝聚体（BEC）基态解的精确、高效的新算法.BEC的基态解通常定义为相应的Gross-Pitaevskii（GP）能量泛函在某些约束条件下的最小值点,离散归一化梯度流法（GFDN,或虚时间演化法）是计算BEC基态解的最主要的方法之一.我们以单组分BEC和spin-1 BEC模型为例,通过分析和数值实验说明,采用基于GFDN的几种典型时间离散格式计算BEC基态往往会得到误差依赖于时间步长的不准确的结果,这是本文的一个重要发现.为了改进GFDN,我们提出计算BEC基态解的带Lagrange乘子的梯度流法（GFLM）,并证明基于GFLM的各种典型的时间离散格式均能与基态解的Euler-Lagrange方程精确匹配.进一步,我们将GFLM推广到具有挑战性的一般spin-F BEC模型,并研究确定投影常数的方法.由于精确投影方法往往在计算上比较复杂或缺乏投影常数的存在唯一性保证,我们提出两类非精确投影策略,使得投影常数可以直接显式计算,并估计它们的约束违反度.最后,我们给出spin-1,spin-2和spin-3情形的广泛的数值结果以及观测到的一些非常有趣的基态现象.第四部分,我们研究计算约束鞍点的新算法并应用于BEC激发态计算.首先,我们提出计算一般约束鞍点的约束最柔上升动力学（CGAD）方法,证明其稳定平衡点是具有对应指标的约束鞍点,并对一类理想化的CGAD建立约束鞍点附近的局部指数收敛性.然后,我们将CGAD应用到BEC模型的激发态计算.由于BEC的激发态对应于GP能量泛函在某些约束条件下的能量高于基态的临界点,因此GP能量泛函的约束鞍点一定是激发态解.我们应用CGAD计算单组分BEC模型对应的GP能量泛函在单位球面约束下的鞍点,并设计基于（半隐）向后向前Euler时间离散格式和Gram-Schmidt正交规范化过程的高效数值格式.最后,我们基于一维和二维数值实验,发现了一些新的激发态解和有趣的物理现象.
李雪琼[7]（2020）在《基于机器学习的雷达辐射源分选与识别技术研究》文中研究说明雷达辐射源分选与识别一直是电子侦察监视、电子对抗等领域的热点研究问题。随着各类辐射源和有意无意干扰的增多,并伴随着雷达低截获概率技术的发展、工作体制的复杂化以及抗干扰技术的综合应用等,导致截获信号呈现出信噪比低、干扰脉冲多、观测误差大等特点,雷达脉冲序列规律性被严重破坏,使得模型驱动类的传统分选与识别方法面临严重挑战。机器学习是由数据驱动的信号处理与信息获取工具,近年来在图像处理、数据挖掘、自然语言处理、语音识别等领域得到了广泛应用并取得了较大成果。由于数据驱动方法对含有误差的大样本数据具有很好的适应能力,且在前期训练后能够满足实时性处理的需求,拟将机器学习方法引入非合作雷达信号与数据处理（军用领域又称雷达侦察信号与数据处理）领域,以解决传统方法对复杂环境适应能力弱的问题。本文重点研究机器学习技术在复杂电磁环境雷达脉冲分选和识别方面的应用,主要工作与创新性成果归纳如下:（1）针对部分参数已知的重点目标快速分选问题,考虑复杂电磁环境下丢失脉冲和虚假脉冲比例高且测量误差大的情况,从雷达辐射源脉冲混叠模型出发,利用自编码器对信息的压缩和重构能力,提出基于自编码器（Autoencoder,AE）的无监督脉冲序列去噪方法和基于降噪自编码器（Denoising Autoencoder,DAE）的分选方法。在去噪过程中,主要利用自编码器编码过程对有用信息的压缩提取,以及解码过程对原始信息的重构,实现对虚假脉冲的抑制、丢失脉冲的修补和测量误差的校正。该方法不需要原始脉冲序列作为标签数据,而是直接分析并提取带噪声数据之间的共同特征进行无监督去噪,与传统去噪方法相比,对噪声适应能力更强。基于降噪自编码器的快速分选方法主动增加噪声作为网络输入,通过自编码器对脉冲到达时间序列（Time-of-Arrival,TOA）逐层提取出具有鲁棒性的有效特征进行分选,仿真实验证明,与传统方法相比,新方法具有模型简单、收敛速度快、鲁棒性强等显着优势。（2）针对常规脉冲分选问题,提出基于迭代卷积神经网络（Iterative Convolutional Neural Networks,ICNN）的分选新结构。网络结构中的迭代单元每次将分选输出的单个脉冲序列从原始交叠的脉冲序列中删去,以达到简化原始序列的目的,实现迭代分选。ICNN不仅能够逐个输出分选结果,且可以处理目标源个数不确定的分选问题。此外,由于分选过程中输出目标与样本目标顺序无法确定,本文提出多目标训练（Multi-target Training,MTT）方法,使得ICNN可以解决训练过程中目标与输出的匹配问题。仿真实验表明,在同样的参数设置下,ICNN比传统方法具有更高的分选准确性和对误差更强的适应性。（3）面向高比例丢失脉冲和虚假脉冲等复杂条件,本文提出基于卷积神经网络的重频类型识别方法CNN-PRIR（Convolutional Neural Networks based Pulse Repetitive Interval Recognition）,该方法利用深度学习强大的表示能力建立辐射源脉冲与重频类型之间的映射关系进行识别。辐射源的重频具有多种类型,在低信噪比环境下难以被准确识别,但由于重频序列具有周期性和局部性,而深度卷积神经网络可以提取输入的局部特征,且对噪声带来的形变具有良好的容忍度,因此非常适合解决重频类型识别问题。仿真实验表明,CNN-PRIR方法较传统统计方法和一般深度神经网络具有更高的识别准确率和对误差的适应性,且对于训练数据集之外的目标识别也具有良好的泛化能力。（4）针对复杂场景下的雷达辐射源型号识别问题,包括低截获概率技术和雷达周期旋转导致的观测信息不均匀,以及多功能体制雷达和复杂模式雷达部分模式相同或相似的情况,提出基于注意力机制的多循环神经网络（Attention-based Multi-RNNs,ABMR）型号识别方法。该模型首先针对辐射源的多维特征分配循环神经网络,并利用注意力机制合理分配神经网络的权重,在识别过程中充分聚焦有利于识别的真实脉冲信息,并忽略噪声和未观测到相关信息的部分。ABMR模型将脉冲描述字（Pulse Repetitive Words,PDWs）中的高维特征作为网络输入进行训练,收敛后的网络可以对获取的脉冲序列进行识别。由于注意力机制可以通过调整网络权重来关注脉冲序列的关键信息,因此可以充分挖掘和分析辐射源特征的微小差别和高噪声环境中较少的真实脉冲,从而对复杂场景下雷达辐射源型号进行高效识别。实验表明,新方法在低信噪比条件下的识别性能远优于已有传统方法和一般神经网络方法。
张添翼[8]（2019）在《深空探测数字终端与信号处理关键技术研究》文中研究表明在过去的几十年间,深空探测技术发展迅速,对太阳系内的行星天体探测取得了惊人的成果。地面深空探测站利用无线电跟踪测量技术,通过无线电链路实现对深空探测器的精确定轨和射电天文科学实验,是深空探测工程的关键技术之一。深空探测数字终端（Digital Back-end,DBE）系统和信号处理技术是深空探测无线电系统的重要组成,其性能直接决定深空探测系统的测量能力,具有重要的研究意义。本文针对深空探测DBE系统和信号处理技术展开了深入研究,重点研究了DBE系统设计、原子钟频率稳定度测量系统以及针对无线电跟踪测量技术的窄带参数估计处理和宽带干涉相关处理的算法与实现技术。本文首先讨论了深空探测应用对DBE系统的要求,简要介绍了设计所使用的硬件平台,针对深空探测应用设计了称为SEU-RSR-1G接收机的DBE系统。完成了包括GSps采样速率下的模数转换器（Analog to Digital Converter,ADC）接口、基于多相混频滤波结构的多通道GSps实时数字下变频（Digital Down Converter,DDC）单元和能够保证通道间严格同步的系统复位控制单元等算法与逻辑设计。SEU-RSR-1G接收机ADC采样频率为1.152 GHz,具有4路模拟中频输入通道、8路严格同步的基带通道和多种基带带宽和量化位数模式,支持宽窄带交替观测。实验室测试和实际深空探测器实验结果表明系统完全达到了设计要求。随后,本文研究了实时高精度深空探测窄带参数估计算法,提出了序贯解调频（Sequential De-chirp,Seq-De-chirp）算法,将下行窄带信号在短时近似为线性调频模型,通过基于实时频谱估计和DDC处理的自适应频率跟踪处理实现了信号检测与频率跟踪,降低了后续需要处理的数据量。序贯参数估计器通过解调频、加权频率差分处理和频谱细化（Spec-zooming）处理得到高精度的频率相位估计,有效地降低了调频率估计的运算量,且1秒积分时间下的频率估计精度优于5 mHz。文中使用“嫦娥3号”月球着陆器和“朱诺号”木星探测器的实测数据对算法进行了测试,频率估计误差分别为4.770mHz和81.610 mHz。在DBE系统和Seq-De-chirp算法研究的基础上,本文还设计了基于时频分析的高精度原子钟频率稳定度测量系统。该系统使用SEU-RSR-1G接收机实现了全数字式双混频结构,并在Seq-De-chirp算法研究的基础上提出了多级频谱细化算法,以可接受的运算量得到高精度频率相位估计,进而通过重叠阿伦方差计算实现频率稳定度测量。测试结果表明该系统千秒测量能力优于10-16,可满足氢原子钟频率稳定度测量与分析的需要,观测站不再需要配备专用仪器即可实现对原子钟性能的测量分析。上述Seq-De-chirp算法通过软件在高性能计算机上完成窄带参数估计处理,但在许多应用场合,如星载或月基多普勒接收机等应用中,则需要结构紧凑的星载窄带参数估计处理系统。本文针对星载电子系统的性能和硬件平台的要求,实现了Seq-De-chirp算法和基带频率转换处理在拥有FPGA和ARM架构处理器的硬件平台上的硬件集成实现方法,完成了算法的硬件映射方案以及算法各模块的软硬件实现。针对关键Spec-zooming处理单元设计了折叠结构频域卷积Chirp-Z变换结构,采用了折叠技术、查表技术和块浮点算法,可节约超过70%的硬件资源。使用深空探测器的实测数据测试结果表明,硬件集成实现设计的频率估计结果与浮点精度运算相比差异不超过±0.5 mHz,大部分相位估计结果差异不超过±2×10-5周。硬件集成实现处理1秒积分时间200 kHz带宽的基带信号仅需2.2 ms,较软件实现加速了28倍,处理延时仅为130?s,且对星地数据通信链路的带宽需求也大大降低,能够满足实时窄带参数估计处理的需要。甚长基线干涉（Very Long Baseline Interferometry,VLBI）技术是一种重要的宽带无线电跟踪测量技术,需要通过宽带干涉相关处理得到2个观测站基带信号的互功率谱估计,根据其相位获得高精度的差分群时延估计。本文在详细地讨论了宽带干涉相关处理算法原理的基础上,针对联合VLBI观测中的异构基带数据干涉相关处理问题进行了深入研究,提出了2种异构基带数据干涉相关处理方法:数据参数统一转换器（Data Parameter Unify Converter,DPUC）和异构直接FX（Heterogeneous Direct FX,HDFX）型相关机。DPUC采用统一的信号处理结构实现多种异构数据间数据格式和信号参数的转换统一,配合普通FX型相关机可获得差分群时延估计。HDFX型相关机则不需要参数转换,通过频谱对齐、可变点数离散傅里叶变换等处理可直接得到异构基带数据的互功率谱估计。通过数值仿真和实测射电源VLBI数据进行了测试与验证,证明了2种算法的有效性。在VLBI观测中,预测时延模型对干涉测量结果有很大的影响。为了使宽带干涉相关处理摆脱对预测时延模型精度的严苛要求,本文研究并提出了2种无预测时延模型条纹搜索算法:扩展FFT条纹搜索算法和互模糊函数-小波提升（Cross Ambiguity Function-Wavelet Boosting,CAF-W）条纹搜索算法。扩展FFT条纹搜索算法通过二维搜索网格解决了现有FFT条纹算法搜索范围过窄的问题。CAF-W条纹搜索算法基于CAF实现时延-时延变化率的联合估计,通过Wavelet Boosting算法消除了搜索平面的基底干扰,显着提高了条纹搜索的稳健性。CAF-W算法解决了扩展FFT条纹搜索算法在算法参数不合适时的伪峰干扰问题,成功实现了在无预测时延模型情况下多条基线的射电源与“嫦娥3号”探测器的高精度条纹搜索。CAF-W算法的搜索窗仅在时延方向进行滑动,单个搜索窗范围远大于FFT条纹搜索,因此处理速度比扩展FFT条纹搜索算法快1000倍。综上所述,本文从信号处理算法及软硬件实现技术等方面对深空探测DBE系统和信号处理等关键技术进行了深入研究,提出的算法与实现设计均通过射电源或深空探测器的实测数据测试验证,可满足深空探测无线电跟踪测量和射电天文科学实验的需要。
张彪[9]（2019）在《基于候鸟迁徙算法的批量流混合流水车间调度方法研究》文中研究说明混合流水车间调度问题（Hybrid Flowshop Scheduling Problem,HFSP）的研究具有重要的学术价值和工程意义。为满足带批处理的多品种小批量生产模式,本文致力于将批量流（Lot Streaming,LS）引入HFSP中。考虑静态和动态的车间环境,基于两种分批策略（等量一致分批和不等量一致分批）,本文分别构建了静态调度和重调度模型,研究了问题特征知识和调度规则,并以候鸟迁徙算法（Migrating Birds Optimization,MBO）为主要技术手段,提出了与问题特征相结合的调度算法。最后,通过实际工程案例的应用和分析,验证了所提模型和算法的有效性和优越性。主要研究工作如下:针对等量一致分批的批量流混合流水车间静态调度问题（Equal Lot Streaming Hybrid Flowshop Static Scheduling Problem,ELSHFSP）,建立了以总流经时间为目标的混合整数规划模型（Mixed Integer Linear Programming,MILP）,并提出了基于MBO的求解算法EMBO（Effective MBO）。在算法中,结合分批特征与目标特点,基于批次序列,提出了“子批优先”、最短等待时间及右移与插入等启发式规则决定各批次的调度顺序。结合MBO算法独有的V形种群结构,提出了联合邻域搜索以及种群竞争机制,增强算法的协同搜索能力;结合MBO算法独有的分享和受益机制,提出一种动态解接受准则来保证种群的多样性;提出一种基于Glover和局部搜索算法的探索机制,帮助算法跳出局部最优。最后,通过与CPLEX和其它算法的对比实验,验证了所提算法的有效性和优越性。针对等量一致分批的批量流混合流水车间重调度问题（Equal Lot Streaming Hybrid Flowshop Rescheduling Problem,ELSHFRP）,考虑机器故障这一随机扰动,基于ELSHFSP原调度方案,以总流经时间和子批开工时间偏差为目标,建立了多目标优化模型。基于EMBO和问题的多目标特性,通过引入多属性决策方法-TOPSIS,评估解的适应度值,提出了MMBO算法（Multi-objective MBO）。在算法中,基于ELSHFSP的解码策略,提出了针对机器故障扰动的动态解码方案,并提出一种改进机制缩短子批开工时间偏差;基于Glover操作进行种群初始化以利用ELSHFSP原始解含有的信息;在竞争机制中,引入种群重排和快速非支配排序技术来调整V形种群结构,并利用种群繁殖策略进一步提高种群质量;在探索机制中,基于Pareto特性,提出一种局部搜索算法来提升替代解的质量。最后,通过与其它多目标算法的对比实验,验证了所提算法的有效性和优越性。针对不等量一致分批的批量流混合流水车间静态调度问题（Inequal Lot Streaming Hybrid Flowshop Static Scheduling Problem,ILSHFSP）,以总流经时间为目标,建立了MILP模型。为了同时解决批次序列及批量分割的集成优化问题,设计了两层编码机制,并提出了相应的初始化方法。基于EMBO和两层编码机制,改进了变邻域下降搜索（Variable Neighborhood Descent,VND）以保证解空间的充分搜索,提出了VMBO算法（VND-based MBO）。在算法中,针对批量分割,验证了“批次优先”比“子批优先”更加有效,并调整了SWT规则;在竞争机制和探索机制分别设计了批量选取操作以及基于块交换的扰动操作。最后,通过与CPLEX和其它算法的对比实验,验证了所提算法的有效性和优越性。针对不等量一致分批的批量流混合流水车间重调度问题（Inequal Lot Streaming Hybrid Flowshop Rescheduling Problem,ILSHFRP）,考虑机器故障这一随机扰动,基于ILSHFSP原调度方案,以总流经时间、子批开工时间偏差以及平均子批批量调整量为目标,建立了多目标优化模型。基于问题的三目标特性及VND搜索特性,通过引入分解策略,提出了MMBO/D算法（MMBO Based on Decomposition）。在算法中,基于ILSHFSP编码及ELSHFRP解码和改进机制,考虑批量分割,分别给出了动态解码方案及改进机制;基于分解策略,提出一种全新的分享和受益机制,保证了过程的高效性,并提出一种变权重策略和全局更新机制执行解的更新;在竞争机制中,应用一种基于相似子问解的协同搜索进一步提升种群质量;在探索机制中,基于变权重策略,引入一种新的判断解是否陷入局部最优的判定准则。最后,通过与其它多目标算法的对比实验,验证了所提算法的有效性和优越性。针对国内某汽车生产公司机械加工车间的实际工程案例,将本文提出的理论和方法应用到该车间的实际生产调度中。根据该车间批量转运的实际情况,将问题归结为ELSHFSP和ILSHFSP模型,并分别利用CPLEX和本文所提算法进行求解,验证了模型和算法的有效性;针对机器故障这一随机扰动事件,将问题归结为ELSHFRP和ILSHFRP模型,并利用本文所提算法进行求解,验证了模型及算法的有效性。最后,对全文的成果以及创新之处进行了总结,并展望了未来的研究方向。
佘纬[10]（2019）在《水文时间序列分析中若干问题研究》文中研究指明本文以水文时间序列为研究对象,结合熵理论、Copula函数、支持向量机和智能算法等理论方法,分别从水文时间序列变点分析、水文频率参数估计和径流时间序列预测模型等方面进行了研究.第二章探讨和研究了水文时间序列的变点问题.首先,本章详细介绍了基于熵理论的变点检测方法,并将其引入到水文时间序列的变点分析.然后,利用随机模拟方法分析研究了三种熵检测法的变点检测性能.最后,将熵检测法应用到具体实例中.研究结果表明,基于近似熵、样本熵和排列熵的一系列熵检测法易于操作,无需借助其他统计工具,仅仅通过计算得到的熵值序列就能确定最有可能变点位置.此外,熵检测法对滑动窗口的尺度依赖性小,鲁棒性好.本章通过将熵检测法应用于日径流时间序列的变点检测,进一步验证了熵检测法的可行性和实用性.第三章主要研究了P-Ⅲ型分布的参数估计.为了提高估计精度,在深入研究GA算法的优缺点的基础之上,提出了GA-RIM算法.与GA算法相比,该算法在选择、交叉和变异三个操作中都进行了改进.特别是该算法提出了重复个体互斥机制和变异插值机制,从而保留了优秀个体,增加了种群的多样性,加快了算法的收敛速度,提高了参数寻优的精度.通过实例对比分析传统的参数估计方法（矩法、权函数法、概率权重矩法、线性矩法等）、GA算法和GA-RIM算法,结果表明基于GA-RIM算法的参数估计方法在P-Ⅲ型分布水文频率参数寻优时精度更高、收敛速度更快.第四章主要研究了邻近水文站年径流预测问题.首先,对三种二维Copula函数进行了深入的研究,建立了三种基于单一Copula函数的预测模型,并将模型应用于年径流时间序列预测.其次,在深入研究GA算法和PSO算法优缺点的基础之上,提出了PCGA-PSO算法.该算法在初始种群的产生与编码、GA算法和PSO算法的执行方式和数据融合以及PSO算法的惯性权重设置等方面进行了改进.通过实例对比分析传统参数估计方法、GA算法、PSO算法和PCGA-PSO算法,结果表明PCGA-PSO算法在参数寻优的精度方面性能最佳.最后,针对单一Copula函数预测模型存在的问题,提出了一种混合Copula函数,采用PCGA-PSO算法对混合Copula函数进行参数优化.在此基础之上建立了基于混合Copula函数的邻近水文站预测模型,并将该模型应用于年径流时间序列预测.结果表明,与单一Copula函数预测模型相比,该模型的预测精度和收敛速度有了明显的提高.第五章主要研究了两变量日径流预测问题.为了能够根据历史日径流序列和日降水序列对未来日径流序列进行预测,本章提出了一种改进的基于最小二乘支持向量机的预测模型.该模型对传统最小二乘支持向量机模型进行了三个方面的改进.（1）不再使用单一的核函数,而是采用了混合核函数.混合核函数不仅可以兼顾支持向量机的泛化能力,还可以兼顾其学习能力.（2）对PCGA-PSO算法进行进一步改进,提出了IPCGA-PSO算法,并利用该算法构建混合核函数.该算法不仅提高了并行性和数据融合性,而且根据粒子群算法的适应度值对粒子进行动态分类,从而使惯性权重动态变化,避免了早熟现象,提高了收敛速度.（3）对传统的最小二乘支持向量机中的惩罚因子进行了改进,令其不再是常数,而是随着训练过程自适应变化的一个值.本章最后通过实例说明了改进的基于最小二乘支持向量机的预测模型的合理性和可靠性.第六章在总结全文的基础上提出了研究中的不足与展望.
二、一种变步长趋势子序列搜索算法（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、一种变步长趋势子序列搜索算法（论文提纲范文）
（1）基于STL-CS-LSTM组合模型的大坝变形预测方法研究（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 国内外研究现状 |
| 1.2.1 大坝变形监测研究现状 |
| 1.2.2 大坝变形预测研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 章节安排 |
| 1.6 本章小结 |
| 第二章 大坝变形监测相关方法 |
| 2.1 大坝的分类 |
| 2.2 大坝变形监测主要的内容及过程 |
| 2.3 大坝变形监测常用技术 |
| 2.4 大坝变形监测精度要求 |
| 2.5 本章小节 |
| 第三章 机器学习概论与研究方法 |
| 3.1 机器学习概论 |
| 3.1.1 机器学习的简介及发展历史 |
| 3.1.2 机器学习算法的分类 |
| 3.1.3 回归问题 |
| 3.2 数据预处理与数据集划分方法 |
| 3.3 机器学习模型介绍 |
| 3.3.1 长短期记忆神经网络(LSTM) |
| 3.3.2 前馈神经网络(FNN) |
| 3.3.3 支持向量回归(SVR) |
| 3.3.4 极度梯度提升(XGBoost) |
| 3.3.5 门控循环单元网络(RGU) |
| 3.4 基于局部加权回归的周期趋势分解(STL) |
| 3.5 布谷鸟搜索算法(CS) |
| 3.6 STL-CS-LSTM模型构建 |
| 3.6.1 组合模型构建方式 |
| 3.6.2 STL-CS-LSTM模型构建流程 |
| 3.7 模型评价指标 |
| 3.8 本章小结 |
| 第四章 基于组合模型STL-CS-LSTM的大坝变形预测 |
| 4.1 研究区及数据 |
| 4.1.1 研究区概况 |
| 4.1.2 数据来源 |
| 4.2 大坝水平位移变化分析 |
| 4.3 基于STL模型大坝变形监测数据分解 |
| 4.4 基于CS-LSTM模型的单一分量预测结果 |
| 4.4.1 趋势分量预测结果 |
| 4.4.2 余项分量预测结果 |
| 4.5 预测结果对比 |
| 4.5.1 点1水平位移预测 |
| 4.5.2 点2水平位移预测 |
| 4.5.3 点3水平位移预测 |
| 4.5.4 点4水平位移预测 |
| 4.5.5 点5水平位移预测 |
| 4.6 模型预测性能分析与讨论 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（2）基于深度学习算法的短期光伏发电功率预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 光伏功率数据的预处理及影响因素分析 |
| 2.1 光伏发电数据的预处理 |
| 2.1.1 数据来源 |
| 2.1.2 数据预处理 |
| 2.2 光伏发电功率的主要影响因素 |
| 2.2.1 太阳辐射强度对光伏发电功率的影响 |
| 2.2.2 温度对光伏发电功率的影响 |
| 2.2.3 相对湿度对光伏发电功率的影响 |
| 2.3 光伏发电功率预测误差评价指标 |
| 2.5 本章小结 |
| 第3章 算法原理及改进方法 |
| 3.1 序列分解技术 |
| 3.1.1 变分模态分解 |
| 3.1.2 最优K值分解的变分模态分解 |
| 3.2 改进的麻雀搜索算法 |
| 3.2.1 麻雀搜索算法 |
| 3.2.2 Levy飞行策略 |
| 3.2.3 自适应t分布 |
| 3.2.4 改进的麻雀搜索算法 |
| 3.3 循环神经网络 |
| 3.3.1 LSTM神经网络 |
| 3.3.2 GRU神经网络 |
| 3.4 基于ISSA优化的GRU模型 |
| 3.5 本章小结 |
| 第4章 基于VMD-ISSA-GRU的短期光伏功率预测 |
| 4.1 基于VMD分解的历史光伏发电功率 |
| 4.2 基于VMD-ISSA-GRU的短期光伏功率预测 |
| 4.2.1 VMD-ISSA-GRU模型的构建 |
| 4.2.2 对比模型的构建 |
| 4.3 实例分析 |
| 4.3.1 GRU、LSTM和BP神经网络直接预测的结果分析 |
| 4.3.2 ISSA和SSA分别优化GRU网络的预测结果分析 |
| 4.3.3 ISSA和IPSO分别优化GRU网络的预测结果分析 |
| 4.3.4 VMD-ISSA-GRU混合模型的预测结果分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）求解非线性反问题的Nesterov型加速算法研究（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 Tikhonov正则化方法 |
| 1.3 迭代正则化方法 |
| 1.4 Kaczmarz型方法 |
| 1.5 Nesterov加速格式 |
| 1.6 非光滑非线性不适定问题 |
| 1.7 本文主要工作 |
| 第2章 Nesterov型加速同伦摄动-Kaczmarz迭代法 |
| 2.1 引言 |
| 2.2 方法的提出 |
| 2.2.1 同伦摄动迭代法 |
| 2.2.2 同伦摄动-Kaczmarz迭代法 |
| 2.2.3 Nesterov型加速同伦摄动-Kaczmarz迭代法 |
| 2.3 同伦摄动-Kaczmarz迭代法收敛性分析 |
| 2.4 Nesterov型加速同伦摄动-Kaczmarz迭代法收敛性分析 |
| 2.5 数值模拟 |
| 2.5.1 1-D椭圆参数识别 |
| 2.5.2 2-D椭圆参数识别 |
| 2.6 本章小结 |
| 第3章 Nesterov型加速的临近正则Gauss-Newton-Kaczmarz迭代法 |
| 3.1 引言 |
| 3.2 方法的提出 |
| 3.2.1 临近算子 |
| 3.2.2 临近正则Gauss-Newton-Kaczmarz迭代法 |
| 3.2.3 Nesterov型加速的临近正则Gauss-Newton-Kaczmarz迭代法 |
| 3.3 临近正则Gauss-Newton-Kaczmarz迭代法收敛性分析 |
| 3.4 Nesterov型加速的临近正则Gauss-Newton-Kaczmarz迭代法收敛性分析 |
| 3.5 数值实现 |
| 3.6 数值模拟 |
| 3.6.1 扩散光学层析成像 |
| 3.6.2 2-D椭圆参数识别 |
| 3.7 本章小结 |
| 第4章 Nesterov型加速Bouligand-Landweber迭代法 |
| 4.1 引言 |
| 4.2 方法的提出 |
| 4.3 收敛性分析 |
| 4.3.1 适定性和收敛性 |
| 4.3.2 正则化性质 |
| 4.3.3 组合参数的选取 |
| 4.4 求解非光滑半线性椭圆方程的迭代正则化方法 |
| 4.5 数值实验 |
| 4.5.1 数值离散 |
| 4.5.2 数值算例 |
| 4.6 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 |
（4）深度学习语音识别系统中的若干建模问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 语音识别 |
| 1.1.1语音识别系统划分 |
| 1.1.2 语音识别历史回顾 |
| 1.1.3 语音识别系统结构 |
| 1.2 深度学习 |
| 1.2.1 深度学习的历史回顾 |
| 1.2.2 常见的神经网络结构 |
| 1.3 基于深度学习的语音识别 |
| 1.3.1 基于深度学习的混合架构语音识别 |
| 1.3.2 基于深度学习的端到端架构语音识别 |
| 1.3.3 深度学习语音识别系统中的建模问题 |
| 1.4 本文的主要研究内容及组织结构 |
| 1.4.1 本文的主要内容 |
| 1.4.2 本文的组织结构 |
| 1.5 语音识别数据库简介 |
| 第2章 时序注意机制的LSTM声学模型与时延问题研究 |
| 2.1 前言 |
| 2.2 前馈序列记忆神经网络 |
| 2.3 基于未来时序注意机制的单向LSTM模型 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 稠密残差网络声学模型与噪声鲁棒性问题研究 |
| 3.1 前言 |
| 3.2 残差网络与稠密网络 |
| 3.2.1 残差网络简介 |
| 3.2.2 稠密网络简介 |
| 3.2.3 两种网络的结构对比 |
| 3.3 基于稠密残差网络的声学模型 |
| 3.3.1 稠密残差层结构 |
| 3.3.2 基于稠密残差网络的声学模型搭建 |
| 3.3.3 讨论:模型配置 |
| 3.4 实验结果与分析 |
| 3.4.1 CHiME4:多通道语音识别任务 |
| 3.4.2 模型的噪声鲁棒性分析 |
| 3.5 本章小结 |
| 第4章 扩展后验注意力模型与注意力向量优化问题 |
| 4.1 前言 |
| 4.2 编码-解码模型相关内容介绍 |
| 4.2.1 曝光偏差和计划采样方法 |
| 4.2.2 后验注意力模型介绍 |
| 4.3 基于扩展后验注意力机制的端到端语音识别 |
| 4.3.1 扩展后验注意力模型结构 |
| 4.3.2 曝光偏差问题与解决方法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验验证:后验优化注意力分布 |
| 4.4.2 实验验证:曝光误差 |
| 4.4.3 实验总结:EPAM模型最终性能表现 |
| 4.5 本章小结 |
| 第5章 多层级标识序列对齐方法与多层级标签建模 |
| 5.1 前言 |
| 5.2 语音识别任务中的多层级标识 |
| 5.2.1 多种文本序列表示形式 |
| 5.2.2 常见的子词分割算法 |
| 5.2.3 现有端到端语音识别建模研究工作 |
| 5.3 基于序列间对齐映射的多层级端到端语音识别建模 |
| 5.3.1 多层级标识间的对齐映射关系 |
| 5.3.2 对齐映射关系与端到端模型结构 |
| 5.3.3 序列间对齐映射关系与端到端解码过程 |
| 5.4 实验结果与分析 |
| 5.4.1 模型的性能表现 |
| 5.4.2 模型的可视化与分析 |
| 5.4.3 与已有工作的比较 |
| 5.5 本章小结 |
| 第6章 总结 |
| 6.1 本文的主要贡献与创新点 |
| 6.2 后续的研究工作 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（5）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 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 |
（6）非凸问题鞍点计算的新算法及其应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 第二章 基于新的优化策略的局部极小极大方法(LMM) |
| 2.1 推广的局部极小极大原理与LMM的动力学观点 |
| 2.1.1 推广的局部极小极大原理 |
| 2.1.2 LMM的动力学观点 |
| 2.2 使用一般下降方向的LMM算法及其全局收敛性 |
| 2.2.1 使用一般下降方向的LMM算法框架 |
| 2.2.2 标准化Armijo、Goldstein和Wolfe-Powell型搜索准则 |
| 2.2.3 非单调搜索准则 |
| 2.2.4 全局收敛性分析 |
| 2.3 三类高效的LMM算法 |
| 2.3.1 全局收敛的Barzilai-Borwein型LMM(GBBLMM) |
| 2.3.2 共轭梯度型LMM(CGLMM) |
| 2.3.3 L-BFGS型LMM(LBFGSLMM) |
| 2.4 应用于非线性边值问题的多解计算 |
| 2.4.1 半线性椭圆Dirichlet边值问题 |
| 2.4.2 带非线性边界条件的椭圆问题 |
| 2.4.3 Kirchhoff型拟线性非局部问题 |
| 第三章 基于新的优化策略的虚拟几何对象型LMM |
| 3.1 使用虚拟几何对象的LMM(VGOLMM)介绍 |
| 3.2 基于广义VGOLMM动力系统的局部极小极大原理 |
| 3.3 基于新的优化策略的VGOLMM及其全局收敛性 |
| 3.3.1 广义VGOLMM算法框架 |
| 3.3.2 几种典型的搜索准则 |
| 3.3.3 全局收敛性分析 |
| 3.3.4 基于BB型步长的VGOLMM算法 |
| 3.3.5 虚拟曲线的实现方法 |
| 3.4 应用于几类W-型问题的多解计算 |
| 3.4.1 散焦型非线性Schr?dinger方程 |
| 3.4.2 Allen-Cahn型奇异摄动Neumann问题 |
| 第四章 计算玻色-爱因斯坦凝聚体基态解的新算法 |
| 4.1 GFDN方法的局限性及其改进:带 Lagrange乘子的梯度流法(GFLM) |
| 4.1.1 计算单组分BEC基态解的GFDN方法介绍 |
| 4.1.2 计算单组分BEC基态解的GFLM方法 |
| 4.1.3 多组分BEC情形(以spin-1 BEC为例) |
| 4.1.4 spin-1 BEC的数值结果 |
| 4.2 计算一般spin-F BEC基态解的GFLM方法 |
| 4.2.1 一般spin-F BEC的数学模型和一类广义的CNGF |
| 4.2.2 计算一般spin-F BEC基态解的GFLM算法框架 |
| 4.2.3 非精确投影策略及其约束违反度估计 |
| 4.2.4 数值结果 |
| 第五章 计算约束鞍点的新算法和BEC激发态模拟 |
| 5.1 约束鞍点的定义与不稳定性指标 |
| 5.2 计算一般约束鞍点的约束最柔上升动力学(CGAD)方法 |
| 5.2.1 最柔上升动力学(GAD)介绍 |
| 5.2.2 约束最柔上升动力学(CGAD) |
| 5.2.3 计算高指标约束鞍点的CGAD |
| 5.3 应用CGAD方法计算单组分BEC激发态 |
| 5.3.1 线性单组分BEC模型的激发态性质 |
| 5.3.2 计算单组分BEC激发态的CGAD及其离散格式 |
| 5.3.3 数值结果 |
| 总结和未来工作展望 |
| 参考文献 |
| 攻读博士学位期间完成论文情况 |
| 致谢 |
（7）基于机器学习的雷达辐射源分选与识别技术研究（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 复杂信号环境给分选与识别带来挑战 |
| 1.1.2 基于机器学习的雷达辐射源分选与识别方法研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源分选研究现状 |
| 1.2.2 雷达辐射源识别研究现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 基于机器学习的雷达信号处理基础 |
| 2.1 引言 |
| 2.2 非合作雷达信号与数据处理基础 |
| 2.2.1 传统雷达信号与数据处理流程 |
| 2.2.2 雷达辐射源脉冲模型 |
| 2.3 基于机器学习方法的辐射源分选与识别 |
| 2.3.1 经典机器学习模型 |
| 2.3.2 机器学习方法的分选与识别框架 |
| 2.3.3 模型正确率评价准则 |
| 2.4 本章小结 |
| 第三章 已知参数雷达脉冲分选 |
| 3.1 引言 |
| 3.2 无监督条件下数据预处理方法 |
| 3.2.1 雷达脉冲序列预处理模型 |
| 3.2.2 基于自编码器的数据预处理方法 |
| 3.2.3 仿真实验与分析 |
| 3.3 已知参数辐射源分选方法 |
| 3.3.1 降噪自编码器分选模型 |
| 3.3.2 基于降噪自编码器的分选方法 |
| 3.3.3 仿真实验与分析 |
| 3.4 本章小结 |
| 第四章 未知参数雷达脉冲分选 |
| 4.1 引言 |
| 4.2 基于迭代卷积神经网络的常规雷达脉冲分选方法 |
| 4.2.1 雷达脉冲序列常规分选模型 |
| 4.2.2 卷积神经网络分选原理 |
| 4.2.3 迭代算法模块设计 |
| 4.2.4 迭代卷积神经网络的结构设计 |
| 4.2.5 多目标训练计算目标函数 |
| 4.3 仿真实验与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 雷达辐射源重频类型识别 |
| 5.1 引言 |
| 5.2 重频体制识别问题描述 |
| 5.2.1 辐射源型号识别模型 |
| 5.2.2 重频参数范围设置 |
| 5.3 基于卷积神经网络的重频识别方法 |
| 5.3.1 卷积神经网络结构 |
| 5.3.2 卷积神经网络识别流程 |
| 5.4 仿真实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 典型场景识别结果 |
| 5.4.3 网络泛化性能分析 |
| 5.5 本章小结 |
| 第六章 显着噪声环境下雷达型号识别 |
| 6.1 引言 |
| 6.2 噪声环境下多参数辐射源识别问题描述 |
| 6.2.1 辐射源脉冲识别模型 |
| 6.2.2 误差条件分析 |
| 6.3 基于注意力机制的多循环神经网络识别方法 |
| 6.3.1 循环神经网络识别模型 |
| 6.3.2 雷达型号识别网络结构 |
| 6.3.3 雷达型号识别网络训练 |
| 6.3.4 注意力机制抑制噪声原理 |
| 6.4 仿真实验与分析 |
| 6.4.1 仿真数据设置 |
| 6.4.2 仿真实验结果 |
| 6.4.3 模型性能比较 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）深空探测数字终端与信号处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 科学应用背景 |
| 1.1.2 深空探测数字终端与信号处理技术 |
| 1.2 国内外研究现状 |
| 1.2.1 深空探测DBE系统研究现状 |
| 1.2.2 深空探测信号处理研究现状 |
| 1.3 本文的主要工作与内容安排 |
| 第2章 深空探测数字终端系统研究设计 |
| 2.1 深空探测DBE系统的主要要求 |
| 2.2 系统功能与指标要求 |
| 2.3 系统硬件平台介绍 |
| 2.4 FPGA算法与逻辑设计 |
| 2.4.1 ADC接口单元 |
| 2.4.2 多通道DDC单元 |
| 2.4.3 系统复位控制单元 |
| 2.5 系统控制软件设计 |
| 2.6 本章小结 |
| 第3章 深空探测窄带参数估计算法研究 |
| 3.1 下行窄带信号模型 |
| 3.2 深空探测窄带参数估计研究现状 |
| 3.3 序贯解调频(Seq-De-chirp)算法 |
| 3.3.1 自适应频率跟踪器(AFT) |
| 3.3.2 序贯参数估计器(SPE) |
| 3.3.3 实测探测器数据测试 |
| 3.4 基于窄带时频分析的原子钟频率稳定度测量系统 |
| 3.4.1 频率稳定度分析基本原理 |
| 3.4.2 基于窄带时频分析的测量系统 |
| 3.4.3 实际测量结果 |
| 3.5 本章小结 |
| 第4章 实时窄带参数估计的硬件集成实现 |
| 4.1 概述 |
| 4.2 Seq-De-chirp算法硬件集成实现设计 |
| 4.2.1 总体方案 |
| 4.2.2 FPGA算法模块设计 |
| 4.2.3 MPU算法软件设计 |
| 4.3 硬件验证与性能分析 |
| 4.3.1 测试条件与环境 |
| 4.3.2 实测探测器数据测试 |
| 4.3.3 硬件资源开销分析 |
| 4.3.4 运算加速性能 |
| 4.4 本章小结 |
| 第5章 深空探测宽带干涉相关处理研究 |
| 5.1 VLBI测量原理 |
| 5.2 下行宽带信号模型 |
| 5.3 宽带干涉相关处理算法 |
| 5.3.1 计算预测时延模型 |
| 5.3.2 宽带干涉相关处理 |
| 5.4 本章小结 |
| 第6章 异构基带数据干涉相关处理算法研究 |
| 6.1 异构基带数据处理难点 |
| 6.2 异构基带数据处理研究现状 |
| 6.3 数据参数统一转换器(DPUC)研究 |
| 6.3.1 DPUC研究与设计 |
| 6.3.2 数值仿真实验结果 |
| 6.3.3 实测射电源数据测试 |
| 6.4 异构直接FX(HDFX)型相关机研究 |
| 6.4.1 HDFX型相关机研究与设计 |
| 6.4.2 数值仿真实验结果 |
| 6.4.3 实测射电源数据测试 |
| 6.5 异构基带数据处理方法对比 |
| 6.6 本章小结 |
| 第7章 无预测时延模型条纹搜索算法研究 |
| 7.1 预测时延模型问题与条纹搜索研究现状 |
| 7.1.1 条纹搜索技术研究现状 |
| 7.2 扩展FFT(e FFT)条纹搜索算法 |
| 7.2.1 条纹搜索范围的计算方法 |
| 7.2.2 FFT条纹搜索算法原理 |
| 7.2.3 eFFT条纹搜索算法 |
| 7.2.4 实测射电源VLBI数据测试 |
| 7.3 基于互模糊函数和小波提升技术(CAF-W)的条纹搜索算法 |
| 7.3.1 CAF-W条纹搜索算法原理 |
| 7.3.2 实测VLBI数据测试 |
| 7.4 两种算法的对比分析 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（9）基于候鸟迁徙算法的批量流混合流水车间调度方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的来源、目的和意义 |
| 1.2 研究问题概述 |
| 1.3 国内外研究现状 |
| 1.4 研究现状分析 |
| 1.5 本文的主要工作与结构 |
| 2 等量一致分批的批量流混合流水车间静态调度方法研究 |
| 2.1 引言 |
| 2.2 ELS_HFSP描述与MILP模型 |
| 2.3 基于EMBO的 ELS_HFSP求解方法 |
| 2.4 数值实验 |
| 2.5 本章小结 |
| 3 等量一致分批的批量流混合流水车间重调度方法研究 |
| 3.1 引言 |
| 3.2 ELS_HFRP描述与多目标优化模型 |
| 3.3 基于MMBO的 ELS_HFRP求解方法 |
| 3.4 数值实验 |
| 3.5 本章小结 |
| 4 不等量一致分批的批量流混合流水车间静态调度方法研究 |
| 4.1 引言 |
| 4.2 ILS_HFSP描述与MILP模型 |
| 4.3 基于VMBO的 ILS_HFSP求解方法 |
| 4.4 数值实验 |
| 4.5 本章小结 |
| 5 不等量一致分批的批量流混合流水车间重调度方法研究 |
| 5.1 引言 |
| 5.2 ILS_HFRP描述与多目标优化模型 |
| 5.3 基于MMBO/D的 ILS_HFRP求解方法 |
| 5.4 数值实验 |
| 5.5 本章小结 |
| 6 批量流混合流水车间调度实例分析 |
| 6.1 引言 |
| 6.2 工程实例介绍 |
| 6.3 问题求解与验证 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 创新之处 |
| 7.3 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间发表学术论文目录 |
（10）水文时间序列分析中若干问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 2 熵检测法及其在水文时间序列变点分析中的应用 |
| 2.1 变点分析 |
| 2.2 变点分析的统计方法 |
| 2.2.1 变点分析的参数方法 |
| 2.2.2 变点分析的非参数方法 |
| 2.3 变点分析的熵检测法 |
| 2.3.1 近似熵检测法 |
| 2.3.2 样本熵检测法 |
| 2.3.3 排列熵检验法 |
| 2.4 熵检测法的变点检测性能分析 |
| 2.4.1 随机模拟序列 |
| 2.4.2 MC-ApEn检验法的检测性能分析 |
| 2.4.3 MC-SampEn检验法的检测性能分析 |
| 2.4.4 MC-PE检验法的检测性能分析 |
| 2.5 实例分析 |
| 2.6 本章小结 |
| 3 基于GA-RIM算法的水文频率分析 |
| 3.1 GA算法 |
| 3.1.1 GA算法基本原理 |
| 3.1.2 GA算法的优缺点 |
| 3.2 GA-RIM算法 |
| 3.2.1 算法改进策略 |
| 3.2.2 算法性能分析 |
| 3.3 基于GA-RIM算法的P-Ⅲ型分布参数估计 |
| 3.3.1 P-Ⅲ型分布 |
| 3.3.2 最优曲线拟合 |
| 3.3.3 参数估计 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4 基于混合Copula函数的邻近水文站年径流预测 |
| 4.1 Copula函数基本理论 |
| 4.1.1 基本概念 |
| 4.1.2 三种常用的二维Copula函数 |
| 4.2 基于Copula函数的邻近水文站年径流预测 |
| 4.2.1 变量的概率分布函数 |
| 4.2.2 Copula函数的选择 |
| 4.2.3 实现步骤 |
| 4.3 PCGA-PSO算法 |
| 4.3.1 PSO算法 |
| 4.3.2 PCGA-PSO算法的基本原理 |
| 4.3.3 PCGA-PSO算法的性能分析和实验验证 |
| 4.4 基于PCGA-PSO算法的混合Copula邻近水文站预测模型 |
| 4.5 实例分析 |
| 4.6 本章小结 |
| 5 基于支持向量机的两变量日径流预测 |
| 5.1 支持向量机理论 |
| 5.1.1 最小二乘支持向量机 |
| 5.1.2 改进的最小二乘支持向量机 |
| 5.2 改进的PCGA-PSO算法 |
| 5.2.1 极端的并行和数据融合策略 |
| 5.2.2 自适应归类更新策略 |
| 5.3 基于IPCGA-PSO算法的最小二乘SVM预测模型 |
| 5.4 实例分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 文章内容总结 |
| 6.2 文章不足和研究展望 |
| 参考文献 |
| 攻博期间发表论文及参与项目 |
| 致谢 |
四、一种变步长趋势子序列搜索算法（论文参考文献）
- [1]基于STL-CS-LSTM组合模型的大坝变形预测方法研究[D]. 胡祚晨. 江西理工大学, 2021(01)
- [2]基于深度学习算法的短期光伏发电功率预测研究[D]. 贾鹏云. 华北电力大学(北京), 2021(01)
- [3]求解非线性反问题的Nesterov型加速算法研究[D]. 龙海娥. 哈尔滨工业大学, 2021(02)
- [4]深度学习语音识别系统中的若干建模问题研究[D]. 唐健. 中国科学技术大学, 2020(01)
- [5]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [6]非凸问题鞍点计算的新算法及其应用研究[D]. 刘伟. 湖南师范大学, 2020(01)
- [7]基于机器学习的雷达辐射源分选与识别技术研究[D]. 李雪琼. 国防科技大学, 2020(01)
- [8]深空探测数字终端与信号处理关键技术研究[D]. 张添翼. 东南大学, 2019(01)
- [9]基于候鸟迁徙算法的批量流混合流水车间调度方法研究[D]. 张彪. 华中科技大学, 2019
- [10]水文时间序列分析中若干问题研究[D]. 佘纬. 武汉大学, 2019(06)