一、基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)（论文文献综述）
张鹏程[1]（2021）在《村镇区域砌体结构信息智能获取与震害预测》文中研究指明砌体结构是我国村镇地区分布最广、数量最多的建筑结构类型之一。受经济条件等因素限制,村镇砌体结构普遍存在材料质量参差不齐、施工手段不规范等问题,导致其抗震性能较差,在遭遇地震灾害时往往会发生严重损毁,造成巨大的人员伤亡和经济损失。因此,对其进行准确的建筑信息获取和震害预测是村镇地区地震灾害风险评估的基础性工作。我国村镇区域建筑具有无数据、随机性强和结构形式多样的特点,获取其建筑信息是实现震害预测的前提和基础,传统的人工检测技术效率低、不经济,而先进的遥感测量技术在解决上述问题时还有待进一步完善。本文提出了一种图像识别与模糊推理相结合的村镇区域砌体结构信息智能获取方法,并进行村镇区域砌体结构的震害预测,具体研究工作如下:（1）提出一种村镇建筑几何信息以及结构类型预测方法。通过图像测量手段结合遥感技术实现村镇建筑几何信息的量测,同时搜集大量数据构建村镇建筑影像数据集,并建立基于卷积神经网络的村镇建筑结构类型图像识别模型,实现了村镇区域砌体结构的准确识别。（2）提出了一种基于模糊推理的村镇区域砌体结构隐蔽信息获取方法。该方法基于模糊数学理论与实际工程经验,构建了村镇砌体结构材料属性、构造信息、墙体配筋情况与经济收入水平,建造年代之间的模糊规则,并建立相应模糊推理模型,该模型可有效提取砌体结构隐蔽信息;同时依据结构的几何信息及地理坐标信息实现其墙体信息的预测。（3）建立了适用于村镇区域砌体结构的力学模型以及空间地震动场。通过拟合公式将获取的建筑信息转换为建立结构弹塑性分析模型所需的参数,将墙体单调骨架曲线进行叠加从而建立结构的多自由度剪切模型。依据目标区域的场地条件、土层结构等信息建立了考虑空间效应和局部场地效应的空间地震动场模型。（4）对内蒙古地区某典型村落进行了砌体结构信息智能获取及震害预测,结果表明,上述方法可以高效、准确地获取村镇区域砌体结构建筑信息,并通过对震害场景的模拟计算,有效预测村镇区域砌体结构震害。
秦斌[2]（2021）在《具备高度可解释性与泛化性能的模糊分类方法研究》文中研究说明近年来,以机器学习为核心的人工智能技术正在不断渗透到工业、农业、医疗卫生等生产和生活的多个领域,并即将因此而掀起对人类社会影响深远的新一轮工业革命。机器学习在现实中的成功的应用案例层出不穷。然而,在这些实际应用中,现有的机器学习方法在某些方面的欠缺却越来越明显。由于已有的关于机器学习方法的研究主要关注其性能而很大程度上忽略了其可解释性,导致现有的机器学习方法由于可解释性的欠缺而在某些场景的应用受到限制。而对于具备可解释性的模糊系统,在已有的研究工作中也体现出性能与可解释性互相制约的问题。针对该挑战,本文聚焦于具备可解释性的模糊分类方法,试图探索提高其可解释性、分类性能和泛化性能的方案,从而促进机器学习方法在现实中更广泛的应用。本文的主要研究成果如下:（1）通过证明高阶Takagi-Sugeno-Kang（TSK）模糊分类器与可解释的0阶TSK模糊分类器深度集成的等价性,提出了一种新的可解释的高阶TSK模糊分类器Deep high-order TSK fuzzy classifier（DHO-TSK）的堆栈结构及其深度学习方法。DHO-TSK可以通过将可解释的0阶TSK模糊分类器以一种特殊的堆栈方式组装起来来构建。每个0阶TSK模糊分类器可以通过随机选择输入特征,从一个固定的模糊划分中随机分配一个模糊规则前件子集到每个选择的输入特征,然后将每个TSK模糊分类器的输出乘以一个随机选择的特征来学习。除上述坚实的理论等价性外,DHO-TSK中每个模糊规则的后件部分由于采用了栈式集成而变得可解释,且DHO-TSK中每个层的输出表达式变得可理解;其增强分类性能可以在一个特定的时间内实现分层深度学习方法;另外,DHO-TSK算法对特征的随机选择和模糊隶属度函数的选择都具有自适应性。（2）提出了一种新的设计方法,即fuzzy-knowledge-out概念及其诱导的宽度学习机制。类似于深度学习中的dropout概念,TSK模糊分类器中的fuzzy-knowledge-out概念对应于生物神经网络中知识的触发模式。理论分析表明,从一组完全可解释的模糊规则中提取模糊知识后建立的模糊分类器具有独特的泛化能力和避免联动自适应能力。因此,提出了一种以宽度学习方式构造的高可解释性0阶TSK模糊分类器集成方法,以实现增强的分类性能和高度可解释性。所得到的模型称为宽度学习TSK（wide learning TSK fuzzy classifier,WL-TSK）,其中每个高度可解释的0阶TSK分类器作为WL-TSK的子分类器,通过fuzzy-knowledge-out构造,然后使用快速学习算法进行快速训练。由于所有子分类器中所有模糊规则的简单并集,即每个最终模糊规则的后件部分被视为具有相同前件部分的模糊规则的每个后件部分的一半或平均值的总和,这样一个集成结构的行为就像只有一个TSK模糊分类器一样。因此,该方法可作为TSK模糊分类器的一种新的设计方法。（3）将在TSK模糊分类器设计中关于dropout的工作,即fuzzy-knowledge-out,扩展到广义概念,即具有动态补偿的模糊规则dropout。这种扩展是由人脑中所有知识片段的非常复杂的触发模式所驱动的,即针对不同情况的二值或连续或二者组合的随机方式。理论分析表明,该广义概念能较好地封装模糊规则的各种随机丢失,更符合人类的认知行为,具有更强的泛化和抵抗协同适应的能力。基于这一概念,我们提出了一种TSK模糊分类器的宽度学习算法。（4）提出了一种新的0阶TSK模糊分类器知识对抗攻击模型。该模型是在训练可解释的0阶TSK模糊分类器时,从类似人类思维过程的角度出发,利用特殊知识对抗攻击的存在性。与基于输入或输出扰动的对抗性攻击不同,该模型不直接使用对抗性样本,而是考虑了可解释的0阶模糊规则在知识遗忘和/或知识偏差或兼具二者的对抗性扰动,以模拟人类思维过程中知识的稳健使用方式。通过动态正则化,该模型具有较强的泛化能力。针对0阶TSK模糊分类器,提出了一种新的知识对抗训练方法（Knowledge adversarial training method,KAT）。
宋鹏翔[3]（2021）在《插电式混合动力公交车工况预测与智能能量管理策略研究》文中进行了进一步梳理在全球能源短缺和环境污染日益严峻的背景下,新能源汽车领域关键技术不断发展,大力推进插电式混合动力汽车的发展是通往全面普及纯电动汽车的必由之路。插电式混合动力系统是一种非线性、多变量且时变的复杂系统,由于其特殊的能量分配结构,对发动机、电机等动力源的控制与传统混合动力系统相比更为复杂,能量管理策略作为混合动力系统的关键技术之一,如何在满足车辆行驶需求和驾驶员动力需求的前提下对各动力源进行优化控制,实现各动力源高效合理地工作,进一步挖掘其节能潜力从而提高整车的燃油经济性是当前插电式混合动力系统研究的关键,同时也是新能源汽车产业发展的迫切需求。本文以双电机同轴混联插电式混合动力公交车为研究对象,开展了行驶工况构建方法、混合动力系统建模、未来工况预测方法、预测能量管理策略、智能能量管理策略以及硬件在环试验研究,完成了插电式混合动力车辆系统建模,仿真分析,能量管理策略验证的工作流程。本文依托国家重点研发计划“插电/增程式混合动力系统动态建模优化与动态控制方法”项目,主要研究内容包括以下六个方面:1)插电式混合动力公交车行驶工况构建。选定某城市具有代表性的公交线路,对其线路特征进行分析并完成车辆原始行驶工况数据的采集工作,采用小波变换方法对原始数据进行滤波降噪处理,然后将原始行驶工况数据划分为独立的短行程片段,选取可充分体现行驶工况数据特点的特征参数,筛选前四个主成分并采用自组织映射神经网络算法对所有的短行程工况样本根据特征参数的相似程度进行聚类分析,得出聚类结果后将其组合得到所构建的某公交线路行驶工况,并通过与原始工况数据特征参数的对比验证所构建工况的合理性。2)整车纵向动力学建模与能量管理策略构建。首先对双电机同轴混联插电式混合动力公交车的构型特点以及不同工作模式下的能量流展开了详细分析,并在仿真环境Matlab/Simulink下按照正向建模的思路建立了包含发动机、驱动电机和ISG电机以及动力电池组的插电式混合动力系统整车纵向动力学模型,同时基于所构建的行驶工况,建立了在工程实际上常用的基于规则的能量管理策略以及可保证全局最优的基于动态规划的能量管理策略模型,对两种基准策略进行合理性验证,并为后续能量管理策略的研究进一步提供了参考评价标准。3)建立基于数据驱动预测方法的车辆未来行驶车速预测模型。首先建立基于马尔可夫链的车速预测模型,采用贝叶斯估计求解初始转移概率矩阵,并基于所构建的循环工况,针对不同预测时域对车速进行多次预测,然后结合驾驶意图序列和历史车速序列建立基于RBF神经网络车速预测模型,在对所构建神经网络进行合理性验证的基础上对未来车速进行预测,对比分析了RBF神经网络预测模型和马尔可夫链预测模型在预测精度方面的差异,并验证了引入驾驶意图序列在RBF神经网络车速预测模型中的有效性。4)提出了一种分层预测能量管理策略。将庞特里亚金最小化原理与模型预测控制相结合,提出了基于PMP-MPC的插电式混合动力系统分层预测能量管理策略,上层控制器主要接收车速预测模型所预测的未来车速序列,并根据车辆状态采用PMP算法求解预测时域内的最优控制序列,下层控制器根据上层控制器的计算结果最终将控制指令输出给整车模型。并对基于PMP-MPC的能量管理策略进行仿真试验,分析了预测时域对控制效果的影响,并将PMP-MPC策略与结合动态规划算法和模型预测控制的DP-MPC能量管理策略进行对比分析,验证了PMP-MPC策略在燃油经济性和计算效率方面的优势。5)提出了基于深度强化学习的智能能量管理策略。结合深度学习的结构和强化学习的思想,探索了一种基于深度强化学习的插电式混合动力系统能量管理策略架构,基于双深度Q网络和深度确定性策略梯度两种深度强化学习算法分别开发了对应的能量管理策略,并对两种策略进行了仿真试验。与本文所提出的PMP-MPC能量管理策略进行对比分析,结果表明在随机行驶工况下基于深度强化学习的智能能量管理策略更具适应环境变化这种不确定性的能力,所受到环境的随机变化对整车经济性的影响较小,为插电式混合动力系统在随机行驶环境下的鲁棒性问题提供了新的思路和解决方案。6)对预测能量管理策略和智能能量管理策略进行硬件在环仿真试验。通过搭建硬件在环试验平台,将本文所提出的两种类型能量管理策略分别下载到真实控制器中,在实时仿真环境下对能量管理策略的控制效果进行了验证,由硬件在环试验结果表明所提出的两种类型能量管理策略均具有较好的实时性,且取得了良好的控制效果。
何文雯[4]（2021）在《基于模糊神经网络的网络运行态势感知研究》文中认为随着网络通信技术的不断发展,网络给人们的生活带来了极大的便利。在为人们带来便利的同时,网络的运行质量也影响着我们生活的方方面面。保证网络的运行质量,对当前的网络态势给出合理的判断,同时对未来时刻的网络态势给出合理的预测,是当前网络管理中研究的重点。基于网络运行数据的网络运行态势感知技术则是解决这一问题的关键。而网络运行数据具有多源、海量、复杂、不确定性和模糊性的特点,因此网络运行态势感知实质上是分析复杂数据的过程。将模糊理论和神经网络技术相结合,可以使模糊逻辑推理系统借助神经网络强大的并行计算能力大大地提高其模糊推理能力。同时在神经网络上引入了模糊理论后,可以使神经网络自适应地处理模糊信息。因此本文基于模糊神经网络进行网络运行态势感知,其主要研究内容有如下几个方面:1、确定了网络运行质量指标评价体系。本文依据指标评定的全面性、可测性、独立性和真实性原则,综合网络性能和网络流量两个方面的指标,并分别选取网络层和应用层的协议流量指标,从网络性能和业务质量两个方面反映网络的运行质量。此外,本文在确定指标的过程中,充分考虑了指标的可测性。2、提出了CSA-模糊神经网络。结合网络运行态势感知的目标和需求,同时考虑到网络运行数据大都具有模糊性,本文将模糊逻辑推理系统和神经网络相结合,提出基于CSA-模糊神经网络结构的网络运行态势感知模型。将CSA-模糊神经网络和传统的模糊神经网络进行对比,实验证明,本文提出的模糊神经网络模型具有更快的训练速度。3、改进了模糊神经网络学习算法。遗传算法容易受交叉概率和变异概率的影响导致局部搜索能力太差,模拟退火算法能够控制合适的降温速率来保证局部搜索能力。本文对两种算法分别进行改进,并将改进后的算法结合,提出AUGAMTSA混合算法。算法的改进有三个方面:第一,采用混合温度下降函数,使算法在搜索初期有较快的收敛速率,在搜索后期温度下降慢,算法拥有好的局部搜索能力。第二,在生成初始种群的过程中加入距离D作为约束条件,产生在解空间均匀分布的初始个体,有利于算法的全局搜索。第三,采用两种编码方式,使算法能够自适应地调节网络结构。并在适应度函数中引入节点个数,个体适应度的大小由误差损失和节点个数共同作用。并对改进算法的收敛效率进行仿真验证,结果表明,该算法的收敛速率和收敛效果表现更优。4、收集真实的网络运行数据,对数据进行预处理和模糊处理。采用提出的CSA-模糊神经网络和改进的AUGA-MTSA训练算法进行训练,找到最优的参数,最终确定网络运行态势感知模型。并对该模型的态势预测准确率进行比较验证,实验证明,本模型在训练过程中收敛效果更好,在测试过程中的态势预测准确率更高。最后搭建网络态势感知系统,采用确定的态势感知模型完成网络运行态势的实时评估,通过可视化的评估结果能够对系统中业务应用模块进行指导。
周恒[5]（2021）在《高能耗过程智能操作优化方法研究》文中研究指明流程工业高能耗生产过程的操作优化,是其实现节能减排与提质增效的重要技术手段。然而,流程工业的复杂性导致高能耗生产过程操作优化面临诸多困难。例如,大型高炉炼铁高能耗过程中物理化学反应极其复杂,从布料到出铁存在大滞后,检测手段欠缺且工艺指标参数强耦合,这些特征严重制约着关键工艺质量指标建模预测与过程操作优化;在造纸制浆高能耗过程中多级磨浆产生的数据多源多采样率问题,给基于数据驱动的制浆过程实时操作优化带来了挑战;另外,流程工业中存在信息孤岛、管理分散、操作知识难以固化共享等难题,亟需研究构建工业云平台以实现高能耗生产过程操作优化知识的软件组件化与共享复用。针对以上问题,本文分别研究大型高炉炼铁高能耗过程关键工艺质量指标建模预测与过程操作优化方法、数据多源多采样率的造纸制浆高能耗过程操作优化方法,并研究构建工业云平台将这些高能耗过程操作优化方法以微服务的形式进行部署应用,为流程工业高能耗过程操作优化的知识分享探索新模式。具体研究工作和研究成果分为以下几个部分:1)针对高能耗工业过程建模预测难,以大型高炉炼铁过程铁水质量预报为研究对象,提出了基于滑动窗口的模糊神经网络方法。通过互信息方法选择与质量指标关系性最高的操作变量,并构建具有滑动窗口的T-S模糊神经网络用于建模,学习动态生产过程中铁水质量变化的特征。与传统基于机理建模的方法相比,该方法不用考虑高炉内部复杂的物理变化与化学反应,能够有效处理工况多变的炼铁过程铁水质量指标预测问题。2)针对高能耗工业过程操作优化难,以大型高炉炼铁过程多目标优化为研究对象,提出了基于进化算法与深度学习的多目标智能优化控制方法。首先通过门控循环神经网络描述过程变量与工艺指标间的映射关系,建立数据驱动的高炉铁水生产过程黑箱模型。其次在生产工况、质量守恒、操作限制等约束条件下,使用基于遗传算法的多目标优化算法对工艺指标和操作参数进行优化。通过将深度学习所建立的模型作为遗传算法适应度函数,实现高能耗过程建模优化一体化模型的构建。3)针对高能耗过程数据多源问题,以造纸工业多采样率过程作为研究对象,提出了基于智能协同优化框架的能耗优化模型。首先基于多采样率回归模型建立磨浆系统的多采样率模型,通过高采样率变量预测低采样率指标。然后基于所建立的多采样率回归模型,通过自适应种群遗传算法寻找最优的目标函数值以及所对应的输入参数。最终在不影响纸浆质量与产量的情况下,实现磨浆系统中高浓磨浆机能耗的优化。4)针对智能操作优化算法运行部署问题,以流程工业高能耗过程为研究对象,构建了基于工业互联网平台的智能操作优化微服务APP应用。首先在工厂搭建由多台服务器组成的本地云计算集群,其次通过Rancher和Harbor提供云平台服务,然后建立基于容器的流程工业互联网平台,最后将智能操作优化方法打包成容器镜像部署于工业互联网平台上,实现流程工业高能耗过程的智能操作优化。在文章的最后对本文的研究内容和研究结果进行了总结,并对未来高能耗工业过程的智能操作优化研究方向进行了展望。
莫迪[6]（2020）在《基于大数据和模糊神经网络的变频空调功率优化运行控制研究》文中研究表明限制空调用电是改善电网峰谷用电问题的有效手段。现有的变频空调压缩机控制,多采用模糊和PID的控制策略。空调的室内侧吸入干球、湿球等传感器采集到温度和温度变化率数据,作为控制的数据依据。模糊控制根据温度设定值和实际测量值构成温度偏差,将温度偏差和温度变化率进行模糊量化处理,根据由专家经验编写的模糊规则进行推理,并将推理后的模糊值解模糊化后输出到被控对象;PID控制则将温度偏差按比例、积分和微分通过线性组合构成控制量,对被控对象进行控制。针对现有控制方法中存在的问题,如响应速度较慢,温度超调量较大,以及后期存在温度不断震荡等问题,本文结合大数据处理研究了变频空调的模糊神经网络控制方法,能实现对变频空调的温度更精确和快速的控制,降低空调能耗,改善峰谷用电问题。主要研究内容如下:（1）建立家庭用电量数据库,将采集到的电源进线端功率数据进行存储。使用时间序列分析的ARIMA模型方法,对海量功率数据进行分析和预处理,建立自回归滑动平均模型,分析用电规律,预测用电趋势,作为限制用电的数据依据。（2）建立模糊Elman神经网络控制器,以当前广泛使用的变频空调模糊控制规则为基础,在此规则曲面上均匀提取数据点作为神经网络的训练样本。同时针对网络训练中使用的负梯度算法存在训练后期收敛速度慢以及易陷入局部极小点的问题,将模拟退火算法与人工蜂群算法融合,提出改进人工蜂群（improved artificial bee colony,IABC）算法,对网络进行训练,并将训练好的网络用于变频空调压缩机工作控制。（3）在上述研究基础上,引入预测控制的思想,利用神经网络对室内冷热负荷进行建模和预测,作为控制依据从而限制温度超调和波动,以实现更加精确的变频空调在线预测控制。由于在线控制对神经网络训练速度要求更高,在此使用基于容积卡尔曼滤波的神经网络训练方法,对神经网络进行训练。仿真实验以及分析表明,相对于模糊控制和PID控制方法,基于IABC算法的变频空调模糊Elman神经网络控制方法可以明显改善神经网络训练后期易陷入局部极小点的问题,有效提高了训练精度和控制精度,限制了控制过程中的温度超调,表明该方法是一种精确可行的控制方法,可以有效降低空调能耗。在此基础上通过引入容积卡尔曼滤波实现的在线控制则可以有效解决温度超调和温度波动问题,提高了控制精度,对用户体验也更加友好。
罗威[7]（2020）在《基于无监督域适应和模糊规则的SAR图像检索研究》文中提出通过有效地检索合成孔径雷达（Synthetic Aperture Radar,SAR）图像来获取用户感兴趣的数据是遥感图像领域一项重要且具有挑战性的任务。卷积神经网络（Convolutional Neural Network,CNN）因其优异的图像分类任务性能被广泛应用于遥感图像检索任务中,但需要大量的带标签的样本用于训练或者微调模型,而目前缺乏大量有标签的SAR图像。同时,目前的遥感图像检索方法大多在整个图像数据库中进行检索,但检索数据库中只有部分图像与查询图像相关或者相似,所以对整个图像数据库进行遍历是不合理的。如何利用已有的带标签的遥感图像库,实现无监督的学习SAR图像的检索特征,并提高检索速度是一个亟待解决的问题。本文提出了一种基于无监督域适应和模糊规则的SAR图像检索方法。首先,该方法将对抗域适应思想与模糊图像聚类相结合,借助现有的光学航空图像分类标记信息,学习SAR图像和光学航空图像之间的域不变特征,提取适用于SAR图像的检索特征。然后,该方法利用一种基于模糊规则的确定检索空间方法减少搜索空间。该方法利用无监督对抗域适应模型和改进的模糊聚类确定SAR图像的类别置信度;根据类别置信度将图像分成“高置信度”、“中置信度”和“低置信度”三个模糊类别,为每个类别建立相应的确定检索空间的模糊规则;利用模糊规则为图像确定检索空间,提高检索速度。最后,还通过将图像的类别置信度加入到图像相似性度量过程中,改进了特征间的距离度量,进一步提升了检索精度。因此,本文主要创新如下:1.提出了一种基于CNN的对抗域适应模型和改进的模糊图像聚类相结合的无监督SAR图像检索特征提取模型,为SAR图像检索提供了一种新的特征提取方法;2.提出了一种基于模糊规则的无监督确定检索空间方法,减少了检索空间,提高了检索速度。
钱小毅[8]（2020）在《基于k近邻与规则挖掘的风电机组故障诊断研究》文中认为发展低碳经济、开发和利用可再生能源,已成为全球能源战略与可持续发展的核心问题。凭借技术手段成熟、商业化程度高、开发规模大等优势,风力发电已成为全球增长速度最快的绿色能源。在风电装机容量的急速增加的同时,也带来了产能过剩以及逐渐凸显的质量问题。在风电机组运行环境恶劣,优质风资源的逐渐减少,风电行业偏向“重制造,轻管理”的现状下,风电机组关键部件故障频频发生,对机组的运行效益甚至电网的安全运行造成了严重影响。本文针对上述背景现状,运用数据挖掘技术,开展基于数据驱动的风电机组故障诊断方法研究,以解决风电机组部分组件的运行状态特征挖掘、异常状态检测、故障识别与故障概率分析等问题,为风电机组故障诊断系统的研发提供理论基础。本论文具体研究工作如下:（1）针对风电机组监测信号之间存在耦合性与动态相关性的问题,提出了基于互信息的风电机组动态特征挖掘方法。通过即时特征与延时特征构造增广特征矩阵,根据特征之间的互信息累计度量建立风电机组监测信号的动态特征矩阵,将动态特征矩阵中的特征参量作为风电机组组件故障检测模型的输入。通过对比不同特征处理方式对风电机组故障检测性能的影响,验证所提特征挖掘方法的有效性。该方法兼顾特征之间的关联性与趋势性关系,同时降低无关特征对模型输出的影响,避免由于特征过多造成的模型计算复杂问题。（2）针对风电机组复杂运行工况下的故障检测问题,提出一种基于动态特征矩阵的加权k近邻故障检测方法。所提方法以k近邻故障检测方法为框架,利用在线样本近邻距离判断运行状态异常,降低了复杂工况对检测模型精度的影响。采用特征间的累计互信息度量实现特征加权,提高对异常状态的分离能力。为减少状态突变引起的误报与漏报现象,提出基于近邻样本的动态阈值设定方法,将给定置信水平下的阈值与近邻距离均值综合计算得到故障检测的动态阈值。将所提方法应用于FAST仿真模型和变桨系统真实故障数据,验证了所提方法的有效性。（3）针对风电机组故障挖掘问题,提出一种基于智能优化的模糊规则挖掘方法。所提方法结合模糊C均值聚类与启发式学习生成初始规则集合,以避免噪声样本对初始规则的影响。通过多种群量子编码和混合进化策略提高种群的多样性与全局搜索能力,并提出矛盾规则重构方法以针对性的处理低质量规则。在通过标准数据集验证所提规则挖掘方法的搜索能力与噪声容忍性之后,将所提方法与Relief F特征选择方法相结合,应用于风电机组的故障规则挖掘与故障类型识别中,验证了所提方法对风电机组故障知识挖掘的效果。（4）针对风电机组潜在故障分析问题,提出一种故障概率分析与异常变量回溯方法。所提方法采用近邻故障规则选择策略评估风电机组部分组件潜在故障程度,在此基础上分别通过潜在故障筛选、多规则竞争与概率计算获取潜在故障的综合概率排序。根据故障状态的近邻故障规则,通过变量筛选与模糊贡献评价等步骤识别关键异常变量。将所提方法应用于NREL-5MW风电机组故障根源分析,验证了所提方法的有效性。
刘梦[9]（2020）在《基于热红外图像处理技术的农作物冠层病害诊断方法研究》文中研究说明农作物病害实时诊断和施药防治,对大田作物优质高产具有重要意义。农作物冠层热红外图像可以表征其生殖生长信息,较传统单点测定技术具有尺度上的优势,是实时检测植株早期病害的重要途径之一。目前应用农作物冠层热红外图像处理技术,构建难以用精确数学模型描述的农作物病害快速识别方法,已成为智慧农业研究的热点和难点问题。本研究以农作物冠层双源图像为研究对象,深度融合植物病理学知识与智能信息处理技术,提取了冠层可见光的参考图像,识别了冠层热红外图像的目标区域,建立了农作物病害自动诊断模型。研究中以东北红小豆锈病为实例,完成了基于热红外图像处理技术的农作物冠层病害诊断方法研究。主要研究内容如下:（1）建立了基于模糊神经网络的农作物冠层可见光图像识别模型。以苗期农作物冠层可见光图像为对象,首先利用五层线性归一化模糊神经网络的自适应特性,选取高斯隶属度函数,自动计算冠层可见光图像提取推理规则,有效地提取出可见光图像中的冠层区域。然后通过计算图像冠层有效识别指标、熵值、直方图等,定量评价可见光图像冠层分割质量。该算法平均有效提取健康和染病冠层区域的准确率为96.54%和96.86%,提取可见光冠层图像的像元信息熵平均值为4.2425和4.7137,与标准算法所得冠层图像的像元信息熵仅相差0.4712,为获取农作物热红外目标图像提供了有效的参考图像。（2）建立了基于仿射变换算法的热红外目标图像识别模型。以可见光图像的冠层区域为参考图像,首先采用仿射变换计算参考图像与原始热红外图像的配准参数,识别热红外图像的冠层目标区域。对于初始温度范围值在14.0420.00℃的农作物热红外图像,识别目标图像的最大温差为4.99℃,相对于原图像的平均温度值由17.2110℃下降至16.4637℃,实现了基于热红外图像处理技术的农作物冠层识别。然后通过信息熵对农作物冠层热红外图像识别方法进行评价,健康和染病样本热红外冠层图像的平均熵值分别为4.2282和4.7881,为提取农作物冠层热红外图像的冠层温度特征提供了真实可靠数据源。（3）建立了基于热红外图像特征的农作物冠层病害诊断模型。以农作物冠层温度信息为基础,首先计算了冠层温度消除量纲值、最大值、最小值、平均值、均值、方差、标准差、熵值、温度变异系数、温度标准化值以及不同频带宽度的温度频率值共15个温度特征参数。然后通过主成分分析方法,优选了其中8个温度特征参数。最后应用模糊神经网络、多元线性回归、BP神经网络,建立了基于冠层温度特征参数的农作物冠层病害智能快速诊断模型,并应用30组样本对早期病害检测和预报模型的准确率进行验证,其仿真应用的准确率分别为80.00%、86.67%、96.67%,为热红外图像技术应用大田农作物病害诊断提供了技术支持和参考。本研究以不同生长时期的农作物冠层可见光图像和热红外图像为基础,通过提取的可见光参考图像识别出热红外图像的冠层目标,优选了多维度特征参数表征冠层病害区域的温度特性,深入挖掘了冠层病害症状与温度特征之间的非线性映射关系,最终建立了一种基于热红外图像处理技术的农作物病害快速诊断方法,研究成果为实现大田农作物病害早期自动快速诊断和精准测报供了相关理论依据和技术保障。
孙彬[10]（2020）在《基于模糊神经网络的污泥膨胀智能诊断研究》文中研究表明污水处理厂经常使用的方法是活性污泥法。它其中的活性污泥可以消除在水里的易容性物质与粘稠状性质的有机化合物和固体悬浮物。在此同时,活性污泥也可以去除污水里面所含有的氮物质和磷元素,但是因为多种活性污泥处理工艺中所发生的污泥膨胀现象,以及发生率高的污泥膨胀,会对污水处理过程发生危害,污泥膨胀不仅对处理污水的过程有特别恶劣的影响,而且对市政废水处理也会造成不可估量得影响与损失。污水处理的活性污泥法其实它是一种人工培养一种微生物以达到降解被氧化污水中可生物降解的有机物物质来完成污水过滤的一种措施。活性污泥法所具有的特点是处理起来方便,相对单一的结构等等。污泥流失以及沉降性能降低,接着引发出水过程的水质不合格等都是污泥膨胀所引起的。严重的会引起处理污水的能力降低,最终引发所在处理系统的崩溃。文章首先对污泥膨胀进行机理分析,根据污泥沉降性能要求,污水处理过程生化反应机理,找出与SVI相关的变量。其次为了改善SVI的预测精度,提高预测方法对输入输出空间的适应性,文中进行了模糊神经网络自组织设计。首先,结合神经元输入输出对网络性能影响分析,设计动态机制实现对神经元的增长和删减,其次,利用最小二乘算法修正网络权值;最后,运用LM算法对网络的中心值和宽度进行训练,改善网络的学习精度。该网络具有更紧凑的结构和更高的预测精度。设计了基于模糊神经网络的SVI预测模型。获取与SVI相关的过程变量数据,并对数据进行标准化处理,选取影响显着的过程变量作为辅助变量,以辅助变量为模糊神经网络输入,以SVI作为网络输出,设计基于模糊神经网络的SVI预测模型,利用实际污水处理数据对模型参数进行校正,实现利用辅助变量数据预测SVI。最后提出一种基于模糊神经网络故障变量算法,来智能诊断污泥膨胀引起的原因。
二、基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)（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、基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)（论文提纲范文）
（1）村镇区域砌体结构信息智能获取与震害预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 遥感技术在土木工程领域的应用 |
| 1.3 人工智能技术在土木工程领域的应用 |
| 1.4 区域建筑震害预测方法研究进展 |
| 1.5 研究内容 |
| 2 村镇建筑外观信息获取 |
| 2.1 基于图像测量的村镇建筑几何信息获取方法 |
| 2.2 基于卷积神经网络的村镇建筑结构类型与楼层数目图像识别 |
| 2.2.1 村镇建筑影像数据集 |
| 2.2.2 卷积神经网络基本理论 |
| 2.2.3 迁移学习 |
| 2.2.4 图像识别模型训练 |
| 2.3 本章小结 |
| 3 村镇砌体结构隐蔽信息获取 |
| 3.1 建筑墙体信息获取 |
| 3.1.1 外部墙体厚度 |
| 3.1.2 内墙分布 |
| 3.2 基于模糊推理的建筑材料与构造信息获取 |
| 3.2.1 模糊推理基本理论 |
| 3.2.2 论域与隶属度函数确定 |
| 3.2.3 模糊规则构建 |
| 3.2.4 模糊推理模型建立 |
| 3.3 本章小结 |
| 4 村镇区域砌体结构震害预测方法及流程 |
| 4.1 村镇砌体结构力学模型 |
| 4.1.1 砌体墙力学模型参数标定 |
| 4.1.2 砌体结构多自由度剪切模型 |
| 4.2 空间地震动场 |
| 4.2.1 空间地震动场合成方法 |
| 4.2.2 功率谱密度函数 |
| 4.2.3 相干函数 |
| 4.2.4 考虑局部场地效应的地震动场 |
| 4.3 村镇砌体结构震害预测方法及流程 |
| 4.4 本章小结 |
| 5 我国典型村落砌体结构信息获取及震害预测 |
| 5.1 内蒙古地区某村落工程概况 |
| 5.2 建筑信息获取 |
| 5.2.1 村镇建筑外观信息获取 |
| 5.2.2 隐蔽信息获取 |
| 5.3 砌体建筑群震害预测 |
| 5.3.1 力学模型 |
| 5.3.2 空间地震动场 |
| 5.3.3 震害预测 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）具备高度可解释性与泛化性能的模糊分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景回顾 |
| 1.2 模糊系统的研究现状 |
| 1.2.1 关于模糊规则的改进 |
| 1.2.2 关于模糊系统损失函数的改进 |
| 1.2.3 关于模糊系统的训练方法 |
| 1.2.4 关于模糊系统的构造方法 |
| 1.2.5 关于特定场景下的模糊系统 |
| 1.3 经典TSK模糊分类器及其求解方法简介 |
| 1.4 本文主要内容、特色和创新 |
| 第二章 基于可解释的零阶 TSK 模糊子分类器深度结构组合的高阶 TSK 模糊分类器 |
| 2.1 引言 |
| 2.2 经典TSK模糊分类器 |
| 2.3 DHO-TSK及其深度学习方法 |
| 2.3.1 DHO-TSK模糊分类器 |
| 2.3.2 所提出的深度结构的模糊分类器 |
| 2.3.3 复杂度分析 |
| 2.3.4 DHO-TSK与高阶TSK模糊分类器的理论等价性 |
| 2.4 实验结果和分析 |
| 2.4.1 实验的组织 |
| 2.4.2 实验结果比较和分析 |
| 2.4.3 真实数据集应用:Electricity Pricing |
| 2.5 本章小结 |
| 第三章 fuzzy-knowledge-out概念与可解释的TSK模糊分类器的宽度学习方法 |
| 3.1 引言 |
| 3.2 fuzzy-knowledge-out:生物学合理性和优点 |
| 3.3 WL-TSK模糊分类器——结构与宽度学习 |
| 3.3.1 结构 |
| 3.3.2 训练算法 |
| 3.3.3 算法复杂度 |
| 3.4 实验结果和分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果比较 |
| 3.4.3 真实场景应用——电力价格预测 |
| 3.5 本章小结 |
| 第四章 带有动态补偿的模糊规则Dropout概念与可解释的TSK模糊分类器的宽度学习方法 |
| 4.1 引言 |
| 4.2 带动态补偿的模糊规则dropout概念 |
| 4.3 TSK-EGG的结构与宽度学习 |
| 4.3.1 TSK-EGG的结构 |
| 4.3.2 宽度学习 |
| 4.3.3 算法复杂度 |
| 4.4 实验结果和分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果比较 |
| 4.5 本章小结 |
| 第五章 知识对抗及其0 阶TSK模糊分类器的训练方法 |
| 5.1 引言 |
| 5.2 可解释的0 阶TSK模糊分类器 |
| 5.3 知识对抗攻击模型和相应的知识对抗训练方法KAT |
| 5.3.1 对抗攻击模型 |
| 5.3.2 KAT及其实现 |
| 5.3.3 复杂度分析与比较 |
| 5.4 实验结果和分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果比较 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1:攻读博士学位期间撰写的相关论文、专利列表 |
| 附录2:攻读博士学位期间参加的科研项目列表 |
（3）插电式混合动力公交车工况预测与智能能量管理策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 插电式混合动力汽车研究概况及发展趋势 |
| 1.3 能量管理策略研究现状及发展趋势 |
| 1.3.1 基于规则的能量管理策略 |
| 1.3.2 基于优化的能量管理策略 |
| 1.4 存在问题与主要研究内容 |
| 第2章 基于历史数据的插电式混合动力公交车工况构建 |
| 2.1 行驶工况构建方法 |
| 2.2 原始行驶工况数据采集试验 |
| 2.2.1 行驶工况数据采集方法 |
| 2.2.2 试验线路与试验车辆选取 |
| 2.2.3 行驶工况数据采集 |
| 2.2.4 行驶工况数据预处理 |
| 2.3 原始行驶工况特征参数分析 |
| 2.3.1 短行程片段划分与特征参数计算 |
| 2.3.2 基于主成分分析的特征参数筛选 |
| 2.4 基于自组织映射神经网络的短行程样本聚类分析 |
| 2.4.1 SOM神经网络原理 |
| 2.4.2 基于SOM神经网络的聚类分析 |
| 2.5 行驶工况的合成与验证 |
| 2.6 本章小结 |
| 第3章 插电式混合动力公交车建模与能量管理策略 |
| 3.1 双电机同轴混联式构型分析 |
| 3.2 插电式混合动力公交车动力学模型建立 |
| 3.2.1 整车及部件基本参数 |
| 3.2.2 整车动力学建模 |
| 3.3 基于规则的插电式混合动力系统能量管理策略 |
| 3.3.1 EV-CD-CS能量管理策略制定 |
| 3.3.2 仿真验证及结果分析 |
| 3.4 基于动态规划算法的最优能量管理策略 |
| 3.4.1 确定性动态规划算法理论基础 |
| 3.4.2 目标问题构建及数值求解 |
| 3.4.3 仿真验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于数据驱动的工况预测方法研究 |
| 4.1 工况预测方法 |
| 4.2 基于马尔可夫链模型的车速预测方法 |
| 4.2.1 马尔可夫链基本概念 |
| 4.2.2 马尔可夫链预测模型 |
| 4.2.3 基于马尔可夫链的车速预测 |
| 4.3 基于RBF神经网络模型的车速预测方法 |
| 4.3.1 基于模糊控制的驾驶意图识别 |
| 4.3.2 RBF神经网络预测模型 |
| 4.3.3 基于RBF神经网络模型的车速预测 |
| 4.4 本章小结 |
| 第5章 基于PMP-MPC的分层预测能量管理策略研究 |
| 5.1 基于模型预测控制的能量管理策略 |
| 5.1.1 模型预测控制基本原理 |
| 5.1.2 基于模型预测控制的能量管理策略问题构建 |
| 5.2 基于PMP-MPC的分层预测能量管理策略 |
| 5.2.1 庞特里亚金最小化原理 |
| 5.2.2 基于PMP-MPC的能量管理策略设计 |
| 5.3 基于PMP-MPC的预测能量管理策略仿真验证 |
| 5.3.1 预测时域对控制效果影响分析 |
| 5.3.2 PMP-MPC与 DP能量管理策略对比分析 |
| 5.3.3 PMP-MPC与 DP-MPC能量管理策略对比分析 |
| 5.4 本章小结 |
| 第6章 基于深度强化学习的智能能量管理策略研究 |
| 6.1 强化学习基本理论 |
| 6.1.1 强化学习基本概念 |
| 6.1.2 强化学习算法分类 |
| 6.2 基于深度强化学习的能量管理策略问题构建 |
| 6.3 基于DDQN的 DRL能量管理策略 |
| 6.3.1 双深度Q网络算法 |
| 6.3.2 基于DDQN的 DRL能量管理策略设计 |
| 6.3.3 基于DDQN能量管理策略仿真分析 |
| 6.4 基于DDPG的 DRL能量管理策略 |
| 6.4.1 深度确定性策略梯度算法 |
| 6.4.2 基于DDPG的 DRL能量管理策略设计 |
| 6.4.3 基于DDPG能量管理策略仿真分析 |
| 6.5 能量管理策略对比分析 |
| 6.6 本章小结 |
| 第7章 能量管理策略硬件在环试验 |
| 7.1 硬件在环试验平台搭建 |
| 7.2 硬件在环试验结果分析 |
| 7.3 本章小结 |
| 第8章 全文总结与展望 |
| 8.1 本文主要结论 |
| 8.2 本文创新点 |
| 8.3 未来工作计划与研究展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研成果 |
| 致谢 |
（4）基于模糊神经网络的网络运行态势感知研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究历史和现状 |
| 1.2.1 网络态势感知研究现状 |
| 1.2.2 模糊神经网络研究现状 |
| 1.3 本文的主要贡献和创新 |
| 1.4 本论文的结构安排 |
| 第二章 论文相关领域基础知识 |
| 2.1 网络态势感知概述 |
| 2.1.1 网络态势评估方法 |
| 2.1.2 态势分析 |
| 2.2 模糊理论概述 |
| 2.2.1 模糊逻辑推理系统 |
| 2.2.2 T-S模糊模型 |
| 2.3 模糊神经网络概述 |
| 2.3.1 模糊逻辑系统和神经网络的结合 |
| 2.3.2 模糊神经网络结构概述 |
| 2.4 模糊神经网络学习算法概述 |
| 2.4.1 模拟退火算法(SA) |
| 2.4.2 遗传算法(GA) |
| 2.5 本章小结 |
| 第三章 网络运行态势感知总体方案设计 |
| 3.1 网络运行态势感知系统设计 |
| 3.2 网络运行态势方案设计 |
| 3.3 网络运行态势指标的构建 |
| 3.3.1 网络态势指标简介 |
| 3.3.2 构建网络运行态势指标体系 |
| 3.3.3 指标数据的整理 |
| 3.4 数据的模糊化处理 |
| 3.4.1 态势特征的提取 |
| 3.4.2 模糊划分 |
| 3.5 本章小结 |
| 第四章 态势感知模糊神经网络的设计 |
| 4.1 模糊神经网络结构设计 |
| 4.1.1 需求分析 |
| 4.1.2 CSA-模糊神经网络 |
| 4.2 模糊神经网络学习算法的设计及实现 |
| 4.2.1 混合温度模拟退火算法(MTSA) |
| 4.2.2 自适应均匀分布遗传算法(AUGA) |
| 4.2.3 AUGA-MTSA算法 |
| 4.3 实验验证分析 |
| 4.3.1 CSA-模糊神经网络结构对比分析 |
| 4.3.2 CSA-模糊神经网络算法对比分析 |
| 4.4 本章小结 |
| 第五章 网络运行态势感知系统实现与仿真分析 |
| 5.1 网络运行数据的收集和处理 |
| 5.1.1 数据的采集和预处理 |
| 5.1.2 网络数据的模糊化处理 |
| 5.2 基于CSA-模糊神经网络结构的网络运行态势感知仿真 |
| 5.3 基于CSA-模糊神经网络的网络运行态势感知算法仿真 |
| 5.3.1 混合温度模拟退火算法(MTSA)仿真 |
| 5.3.2 遗传算法(GA)参数对态势感知性能的影响 |
| 5.3.3 自适应均匀分布遗传算法(AUGA)仿真 |
| 5.3.4 AUGA-MTSA算法仿真 |
| 5.4 网络运行态势感知仿真结果分析 |
| 5.5 网络运行态势感知系统的应用 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（5）高能耗过程智能操作优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写术语表 |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 流程工业典型高能耗过程分析 |
| 1.2.1 高炉炼铁过程分析 |
| 1.2.2 造纸制浆过程分析 |
| 1.3 流程工业高能耗过程建模研究现状 |
| 1.3.1 高炉炼铁过程建模研究现状 |
| 1.3.2 造纸制浆过程建模研究现状 |
| 1.4 流程工业高能耗过程操作优化研究现状 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 各个章节创新点 |
| 1.6 本章小结 |
| 2 基于模糊神经网络的高炉铁水质量建模与预测 |
| 2.1 引言 |
| 2.2 互信息法特征选择 |
| 2.2.1 特征选择 |
| 2.2.2 熵增定义 |
| 2.2.3 互信息法 |
| 2.3 滑动窗口模型 |
| 2.4 模糊神经网络 |
| 2.5 实例研究 |
| 2.6 本章小结 |
| 3 基于混合模型的大型高炉操作优化 |
| 3.1 引言 |
| 3.2 协同混合优化模型 |
| 3.3 处置门门控循环神经网络 |
| 3.3.1 简单循环神经网络 |
| 3.3.2 门控循环神经网络 |
| 3.3.3 改进门控循环神经网络 |
| 3.4 自适应种群遗传算法 |
| 3.5 实例研究 |
| 3.5.1 dGRU-RNN硅含量测试 |
| 3.5.2 SAPGA数值仿真测试 |
| 3.5.3 混合模型数值仿真测试 |
| 3.5.4 焦比能耗单目标优化 |
| 3.5.5 高炉炼铁多目标优化 |
| 3.6 本章小结 |
| 4 基于多采样率回归的造纸制浆能耗优化 |
| 4.1 引言 |
| 4.2 协同混合优化模型 |
| 4.3 实例研究 |
| 4.3.1 F-MIDAS数值仿真 |
| 4.3.2 F-MIDAS焦比测试 |
| 4.3.3 SAPGA数值仿真 |
| 4.3.4 混合模型工业实际测试 |
| 4.3.5 混合模型工业应用验证 |
| 4.4 本章小结 |
| 5 基于工业互联网平台的智能操作优化应用 |
| 5.1 引言 |
| 5.2 工业互联网平台体系架构 |
| 5.3 工业互联网平台解决方案 |
| 5.3.1 工业互联网平台技术路线 |
| 5.3.2 工业互联网平台开发过程 |
| 5.3.3 工业互联网平台应用实例 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文已有研究内容总结 |
| 6.2 论文未来研究方向展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| Acknowledgement |
| 博士期间学术成果及科研奖励 |
（6）基于大数据和模糊神经网络的变频空调功率优化运行控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| §1.1 课题背景及研究的目的与意义 |
| §1.2 变频空调温度控制方法应用现状 |
| §1.2.1 分段定点控制方法 |
| §1.2.2 PID控制方法 |
| §1.2.3 模糊控制方法 |
| §1.3 变频空调温度控制方法国内外研究现状 |
| §1.4 现有变频空调温度控制存在的问题 |
| §1.5 本文的主要研究工作 |
| 第2章 变频空调控制系统控制方案 |
| §2.1 空调系统的基本结构及工作原理 |
| §2.1.1 变频空调的基本结构 |
| §2.1.2 空调系统的工作原理 |
| §2.2 变频空调温度控制方案的初步设计 |
| §2.2.1 变频空调控制系统的基本结构 |
| §2.2.2 控制方案的确定 |
| §2.3 本章小结 |
| 第3章 用电功率数据的ARIMA模型 |
| §3.1 资料来源和统计方法 |
| §3.2 ARIMA模型建模原理、步骤及评估指标选择 |
| §3.2.1 时间序列简介 |
| §3.2.2 ARIMA建模原理 |
| §3.2.3 ARIMA的建模步骤 |
| §3.2.4 ARIMA模型的评价指标 |
| §3.3 ARIMA模型在用电功率预测中的实证分析 |
| §3.4 本章小结 |
| 第4章 变频空调控制系统的模糊神经网络算法设计 |
| §4.1 模糊神经网络基本原理 |
| §4.1.1 模糊控制原理 |
| §4.1.2 神经网络理论基础和Elman神经网络 |
| §4.1.3 模糊神经网络 |
| §4.2 变频空调控制系统的模糊Elman神经网络参数设定 |
| §4.2.1 模糊控制策略及输入输出变量的确定 |
| §4.2.2 输入输出变量的语言值域及隶属度函数的确定 |
| §4.2.3 模糊控制规则的确定 |
| §4.2.4 模糊决策以及解模糊 |
| §4.2.5 模糊Elman网络控制模型 |
| 4.3 模糊神经网络的学习 |
| §4.3.1 负梯度算法 |
| §4.3.2 改进人工蜂群算法 |
| §4.3.3 改进人工蜂群算法的验证 |
| §4.4 仿真实验 |
| §4.4.1 室内空调系统温度控制的数学模型 |
| §4.4.2 变频空调的模糊Elman温度控制仿真 |
| §4.5 本章小结 |
| 第5章 变频空调温度的在线预测控制 |
| §5.1 BP网络的室内热负荷预测器 |
| §5.2 RBF网络的变频空调温度控制器 |
| §5.2.1 RBF神经网络模型结构 |
| §5.2.2 RBF神经网络的拟合 |
| §5.3 神经网络训练的容积卡尔曼滤波方法 |
| §5.4 仿真实验 |
| §5.4.1 神经网络的拟合 |
| §5.4.2 温度预测控制系统的仿真 |
| §5.5 本章小结 |
| 第6章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 附录 关键程序段 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
| 作者在攻读硕士期间参与的项目 |
（7）基于无监督域适应和模糊规则的SAR图像检索研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 SAR图像检索研究现状 |
| 1.2.1 图像特征 |
| 1.2.2 相似性度量 |
| 1.3 本文主要研究工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第2章 基于内容的图像检索和卷积神经网络 |
| 2.1 基于内容的图像检索 |
| 2.1.1 基于内容的图像检索方法 |
| 2.1.2 中、低层特征与高级语义特征 |
| 2.1.3 相似性度量过程 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络概述 |
| 2.2.2 卷积神经网络结构 |
| 2.2.3 ResNet模型 |
| 2.2.4 CNN模型微调 |
| 2.3 本章小结 |
| 第3章 基于无监督对抗域适应和改进模糊聚类SAR图像检索特征提取模型 |
| 3.1 引言 |
| 3.2 无监督对抗域适应提取SAR图像检索特征 |
| 3.2.1 无监督域适应学习 |
| 3.2.2 对抗域适应思想 |
| 3.2.3 无监督对抗域适应模型 |
| 3.2.4 特征提取 |
| 3.3 聚类分析 |
| 3.3.1 K-means++聚类方法 |
| 3.3.2 模糊C-均值聚类算法 |
| 3.3.3 改进的模糊C-均值聚类方法 |
| 3.3.4 伪标签的更新 |
| 3.4 实验环境与评价标准 |
| 3.4.1 测试数据集 |
| 3.4.2 评价指标 |
| 3.4.3 预处理与参数 |
| 3.5 实验结果分析 |
| 3.5.1 使用无监督对抗域适应特征的检索结果 |
| 3.5.2 不同聚类方法的检索性能比较 |
| 3.5.3 与其他方法的比较 |
| 3.6 本章小结 |
| 第4章 基于模糊距离和模糊规则的SAR图像检索 |
| 4.1 引言 |
| 4.2 基于模糊距离的SAR图像检索 |
| 4.2.1 基于无监督对抗域适应网络的类别模糊隶属度 |
| 4.2.2 基于图像到类距离的类别模糊隶属度 |
| 4.2.3 模糊距离 |
| 4.3 基于模糊规则的检索空间确定 |
| 4.3.1 分类置信度 |
| 4.3.2 模糊规则的产生 |
| 4.4 实验结果分析 |
| 4.4.1 不同聚类选取范围对I2C距离的影响 |
| 4.4.2 不同模糊距离的影响分析 |
| 4.4.3 模糊规则的参数分析 |
| 4.4.4 在SAR图像集上的应用效果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于k近邻与规则挖掘的风电机组故障诊断研究（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 风电机组故障诊断研究现状 |
| 1.2.1 风电机组故障诊断方法 |
| 1.2.2 基于数据驱动的风电机组故障诊断方法 |
| 1.3 存在的主要问题 |
| 1.4 本文研究内容 |
| 第2章 变桨距风力发电机模型与故障描述 |
| 2.1 引言 |
| 2.2 风力发电机工作原理 |
| 2.3 FAST风电机组仿真模型 |
| 2.3.1 5MW海上风电机组模型 |
| 2.3.2 数据描述 |
| 2.3.3 传感器与执行器故障描述 |
| 2.4 GW77-1.5MW风力发电机变桨系统描述 |
| 2.4.1 风电机组结构与参数 |
| 2.4.2 电动变桨系统描述 |
| 2.4.3 运行数据获取 |
| 2.4.4 变桨系统故障描述 |
| 2.5 本章小结 |
| 第3章 风电机组数据清洗与模型特征选择方法 |
| 3.1 引言 |
| 3.2 风电机组运行数据清洗方法 |
| 3.2.1 数据清洗整体方案 |
| 3.2.2 k近邻分类算法 |
| 3.2.3 两阶段风电机组数据清洗 |
| 3.3 基于Relief F算法的风电机组监测特征选择 |
| 3.4 实验与分析 |
| 3.4.1 风电机组运行数据清洗 |
| 3.4.2 风电机组有监督状态特征选择 |
| 3.5 本章小结 |
| 第4章 基于动态特征矩阵的加权k近邻风电故障检测 |
| 4.1 引言 |
| 4.2 基于互信息的风电机组动态特征挖掘方法 |
| 4.2.1 风电机组运行监测参数 |
| 4.2.2 特征处理算法 |
| 4.2.3 风电机组动态特征挖掘 |
| 4.3 DFM-Wk NN故障检测方法 |
| 4.3.1 FD-kNN故障检测方法 |
| 4.3.2 组合加权策略 |
| 4.3.3 动态阈值设定 |
| 4.4 实验与分析 |
| 4.4.1 风电机组动态特征挖掘 |
| 4.4.2 FAST仿真模型故障检测 |
| 4.4.3 GW77-1.5MW风电机组变桨系统故障检测 |
| 4.5 本章小结 |
| 第5章 基于FRBCS的风电机组故障规则挖掘方法研究 |
| 5.1 引言 |
| 5.2 基于模糊规则的分类系统 |
| 5.2.1 FRBCS分类原理 |
| 5.2.2 基于智能优化的模糊规则挖掘方法 |
| 5.3 基于多种群量子进化的模糊分类规则挖掘算法 |
| 5.3.1 初始规则生成 |
| 5.3.2 多种群量子编码 |
| 5.3.3 混合更新策略 |
| 5.3.4 矛盾规则重构 |
| 5.4 风电机组状态规则挖掘与运行状态识别 |
| 5.5 实验与分析 |
| 5.5.1 数值仿真实验 |
| 5.5.2 风电机组运行状态识别实验 |
| 5.6 本章小结 |
| 第6章 风电机组潜在故障概率分析与异常变量回溯 |
| 6.1 引言 |
| 6.2 风电机组可解释性故障诊断方案 |
| 6.2.1 可解释性与可解释性模型 |
| 6.2.2 NREL-5MW风电机组可解释性故障分析方案 |
| 6.3 潜在故障概率分析与异常变量回溯方法 |
| 6.3.1 FRBCS故障识别过程分析 |
| 6.3.2 近邻故障规则选择策略 |
| 6.3.3 潜在故障概率推理与异常变量回溯 |
| 6.4 实验与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）基于热红外图像处理技术的农作物冠层病害诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 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 基于热红外成像农作物病害诊断研究现状 |
| 1.2.2 基于可见光图像农作物病害诊断研究现状 |
| 1.3 研究目标、内容和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方案和技术路线 |
| 2 基于模糊神经网络冠层可见光图像提取方法 |
| 2.1 实验材料 |
| 2.1.1 实验样本获取 |
| 2.1.2 试验设备 |
| 2.1.3 样本图像采集 |
| 2.2 模糊神经网络原理 |
| 2.2.1 模糊神经元 |
| 2.2.2 模糊神经网络结构 |
| 2.2.3 模糊神经网络学习算法 |
| 2.3 提取农作物冠层可见光参考图像 |
| 2.3.1 构建模糊神经网络模型 |
| 2.3.2 提取冠层可见光图像 |
| 2.4 可见光参考图像提取结果分析与评价 |
| 2.5 本章小结 |
| 3 基于仿射变换热红外冠层图像识别方法 |
| 3.1 仿射变换方法 |
| 3.1.1 仿射变换基本原理 |
| 3.1.2 仿射变换参数估计 |
| 3.2 冠层参考图像与热红外图像配准方法 |
| 3.3 识别冠层热红外图像目标区域 |
| 3.3.1 模板图像特征匹配 |
| 3.3.2 计算变换模型参数 |
| 3.3.3 坐标变换与线性插值 |
| 3.4 冠层热红外图像识别结果分析与评价 |
| 3.5 本章小结 |
| 4 基于热红外图像特征农作物冠层病害诊断方法 |
| 4.1 农作物染病后冠层温度特性 |
| 4.2 计算冠层热红外图像温度特征参数 |
| 4.3 利用主成分分析算法优选特征参数 |
| 4.4 建立农作物冠层病害诊断模型 |
| 4.4.1 BP神经网络结构 |
| 4.4.2 BP神经网络学习算法 |
| 4.4.3 农作物病害诊断过程 |
| 4.5 仿真应用与结果分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 主要研究结论 |
| 5.2 主要创新点 |
| 5.3 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）基于模糊神经网络的污泥膨胀智能诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 污泥膨胀 |
| 1.2.2 神经网络 |
| 1.3 本文的主要内容 |
| 2 污泥膨胀机理分析 |
| 2.1 SVI与机理分析 |
| 2.1.1 SVI |
| 2.1.2 机理分析 |
| 2.2 SVI软测量原理 |
| 2.3 辅助变量的确定 |
| 2.3.1 数据采集和预处理 |
| 2.3.2 辅助变量选取 |
| 2.4 SVI软测量模型 |
| 2.5 本章小结 |
| 3 模糊神经网络的自组织设计方法 |
| 3.1 模糊神经网络 |
| 3.2 模糊神经网络结构自组织设计 |
| 3.2.1 网络结构对网络性能影响的分析 |
| 3.2.2 神经元增长机制设计 |
| 3.2.3 神经元删减机制设计 |
| 3.3 模糊神经网络自组织参数学习算法设计 |
| 3.3.1 最小二乘算法 |
| 3.3.2 Levenberg-Marquard算法 |
| 3.3.3 在线学习算法设置 |
| 3.4 仿真实验与结果分析 |
| 3.5 本章小结 |
| 4 基于模糊神经网络的智能识别 |
| 4.1 基于模糊神经网络的SVI软测量模型框架搭建 |
| 4.2 基于模糊神经网络的特征指数SVI识别 |
| 4.3 本章小节 |
| 5 污泥膨胀智能诊断研究 |
| 5.1 故障变量辨识算法 |
| 5.2 污泥膨胀智能诊断结果及分析 |
| 5.2.1 无膨胀案例 |
| 5.2.2 发生膨胀案例 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 致谢 |
四、基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)（论文参考文献）
- [1]村镇区域砌体结构信息智能获取与震害预测[D]. 张鹏程. 大连理工大学, 2021(01)
- [2]具备高度可解释性与泛化性能的模糊分类方法研究[D]. 秦斌. 江南大学, 2021(01)
- [3]插电式混合动力公交车工况预测与智能能量管理策略研究[D]. 宋鹏翔. 吉林大学, 2021(01)
- [4]基于模糊神经网络的网络运行态势感知研究[D]. 何文雯. 电子科技大学, 2021(01)
- [5]高能耗过程智能操作优化方法研究[D]. 周恒. 浙江大学, 2021(01)
- [6]基于大数据和模糊神经网络的变频空调功率优化运行控制研究[D]. 莫迪. 桂林电子科技大学, 2020(04)
- [7]基于无监督域适应和模糊规则的SAR图像检索研究[D]. 罗威. 南昌大学, 2020(01)
- [8]基于k近邻与规则挖掘的风电机组故障诊断研究[D]. 钱小毅. 沈阳工业大学, 2020(07)
- [9]基于热红外图像处理技术的农作物冠层病害诊断方法研究[D]. 刘梦. 黑龙江八一农垦大学, 2020(10)
- [10]基于模糊神经网络的污泥膨胀智能诊断研究[D]. 孙彬. 辽宁石油化工大学, 2020(04)