一、BP算法稳定性与收敛性的一种改进（论文文献综述）
沈卉卉[1]（2020）在《受限Boltzmann机算法及其应用研究》文中指出深度学习已成为当前人工智能领域的研究热点。受限Boltzmann机（Restricted Boltzmann Machine,RBM）是深度学习模型之一,它将数据图像拉成一维向量来处理,能够学习到输入数据的概率分布。因其表示能力强、是个很好的生成模型等优点被广泛用于深度神经网络。RBM训练优劣将直接影响整个深度网络的性能。因此,如何优化RBM算法以提高网络泛化能力和鲁棒性,是网络应用中的重要问题。本文主要针对RBM梯度近似算法、动量算法、正则化方法三个方面存在的算法性能问题、动量加速受限、正则化方法计算效率及泛化能力受限等问题展开研究及其在图像识别和地震数据去噪中的应用,主要工作如下:（1）提出一种基于RBM专家乘积系统的改进方法。将专家乘积系统原理与RBM算法相结合,采用全是真实概率值的参数更新方式会引起模型识别效果不理想和带来密度问题,为此将其更新方式进行改进;为加快网络收敛和提高模型识别能力,采取在RBM预训练阶段和微调阶段引入不同组合方式动量项的一种改进算法。通过对MNIST数据库中0-9手写数字体的图像识别,Extended Yale B和CMU-PIE数据库的人脸识别实验,以及地震数据去噪的应用,实验结果表明,提出算法能减少学习时间,提高超参数寻优效率,进而构建的深层网络能获得较好的分类效果和能有效去除随机噪声。（2）提出基于动量方法的RBM一种有效算法。为加快整个深度信念网络学习时间和提高分类效果,在RBM梯度近似算法中加入不同形式不同效用的动量项,在RBM预训练阶段,结合梯度上升算法特点采取快速上升的动量方式;在微调阶段,为了能精确的找到最优点,结合梯度下降算法特点,相应的引入缓慢下降式的动量项,即在梯度上升和梯度下降过程中都使用不同的动量方式。本文算法在MNIST手写体数据库、Extended Yale B和CMU-PIE人脸数据库上做了图像识别应用,结果表明,提出的算法能够有效地增强图像特征的表达能力,提高图像的分类效果和实验效率。（3）提出一种基于修正动量的RBM算法。针对RBM梯度的一种近似算法对动量加速不敏感,以及识别效果不理想等问题,通过修改隐单元偏置参数的更新方式,以避免RBM模型中隐单元取值采用概率值时导致模型识别效果不理想、动量加速有限等问题。同时,用Gibbs采样来训练RBM模型,在RBM梯度上升算法和梯度下降算法中采用两种不同形式动量方法分别与梯度上升算法和梯度下降算法相结合共同作用,加速整个网络快速收敛和提高图像分类效果;本文算法通过在MNIST手写数字体,Extended Yale B和CMU-PIE人脸数据库上的图像识别结果表明,提出的算法能够有效地提高计算效率和网络泛化能力。（4）提出基于权衰减动量的改进平均对比散度算法。针对对比散度算法是似然函数梯度的一个有偏估计,为获得梯度的无偏估计,我们用RBM中Gibbs采样到的每批数据样本在RBM网络中采样到新的批样本的平均来近似梯度。然而,并不是所有RBM梯度近似算法与动量方法融合都能起到加速网络收敛的作用,因此,在之前研究工作基础上,结合修正动量算法和权衰减因子一起来提高RBM网络表示能力,更好的近似其梯度。本文改进的平均对比散度算法在MNIST手写数字体,Extended Yale B和CMU-PIE人脸数据库3个数据集上的图像识别,以及地震数据去噪的应用结果表明,提出的算法是似然函数梯度的一个有效估计,并能有效去除随机噪声。（5）提出基于梯度改进和动量结合的Logsum RBM方法。在Logsum RBM算法基础上,以及之前的四个研究工作基础,我们在RBM目标函数里加入稀疏效果较好的Logsum函数正则项,结合改进的梯度近似方法和不同形式的动量项,以提高RBM网络的表示能力和加速网络收敛,从而提高整个网络的泛化能力。同样在MNIST手写体、Extended Yale B和CMU-PIE人脸数据库上的图像识别结果表明,提出的梯度算法融合Logsum正则化以及动量方法能够提高RBM网络的稀疏化特征学习性能、特征表达能力,其网络表现出较强的泛化性能和鲁棒性,进而提高了网络分类效果。该算法不仅对RBM的应用领域扩展具有十分积极的实际意义,且为深度学习的应用方法提供一种新的研究思路和借鉴。
孙滢[2]（2020）在《若干最优化问题的粒子群算法及应用研究》文中研究说明在经济金融、物流管理、网络安全、机器学习等领域中存在着各种类型的复杂优化问题,它们通常表现出高维、非线性、多目标或离散性等特点,传统的优化方法根本无法求解,因此研究这些问题的高效求解算法是现阶段科研人员和工程技术人员的重点攻关课题。粒子群算法是一种基于概率的随机搜索算法,具有较强的鲁棒性和全局寻优能力,因参数少,易实现等特点,该算法一经提出就受到了学者们的关注,目前已应用粒子群算法成功地解决了实际中的许多复杂优化问题。本文对约束优化、混合整数规划、多目标优化等复杂问题进行了深入系统的研究,根据各自问题的特点,构建了不同的改进粒子群算法,同时针对股票价格预测和多目标车间调度问题提出了改进粒子群优化算法。论文完成的主要研究工作和成果总结如下:（1）针对非线性约束优化问题,提出了一种基于改进Deb准则的粒子群算法（FIPSO）。该算法在Deb准则的基础上更好地保留了“优秀”不可行解的信息,使其可以发挥自身的优势,引导算法跳出局部极值点,更快收敛到全局最优解。同时,为了进一步提高算法的全局搜索能力,引入DE策略对粒子群的个体最优位置进行优化,加快了算法的收敛速度。为了验证算法的性能,对CEC2006给出的22个测试问题进行数值测试,结果表明了FIPSO算法的有效性。（2）针对非线性混合整数规划问题,提出了两个改进的粒子群算法--EMPSO算法和CC-PSO/GA算法。EMPSO算法中提出了针对离散变量的进化策略DS,该策略有效解决了PSO算法不适合求解离散优化的问题,同时提出了基于约束的更新策略IDeb,在该策略下粒子依概率接收不可行解作为个体最优位置,进而有效利用了不可行解内蕴含的有用信息;CC-PSO/GA算法尝试将PSO算法和GA算法相结合,取长补短,利用APSO算法处理连续变量部分,TGA算法处理离散变量部分,并采用基于小种群的协同交叉进化方式将两种算法有机结合起来;最后,分别将两种算法在14个标准测试问题上进行数值测试,结果表明两种算法在求解上各有优势且均能有效解决非线性混合整数规划问题。（3）针对多目标优化问题,提出了一个基于高斯变异和改进学习策略的多目标粒子群算法（MOIPSO）。该算法分别针对支配解和非支配解构建不同的学习策略,使得算法可以有针对性的迭代寻优,为了进一步提高外部精英档案和当前种群的分布均匀性,采取高斯变异的方式增加了稀疏位置和边界位置的个体数。同时,为了更好地衡量各种算法产生的非支配解集在分布广度上的区别,文中给出了一种度量广度的指标--DM,结合数据和图形,可以看出提出的指标是合理的。最后,为了验证算法的有效性,在12个多目标优化测试问题上进行了数值实验。（4）针对超多目标优化问题,提出了一个以Tchebycheff分解思想为基础的多目标粒子群算法（NMOPSO）。该算法构建了以权重向量为主体的个体最优位置更新思想,改变了以往以粒子为中心的更新,为了提高的算法寻优效率,跳出局部极值,对外部精英档案进行了进化操作,同时给出了一种权重向量的动态更新方法来提高算法非劣解集的分布均匀性。最后,对5、10、15个目标的DTLZ和WFG测试问题进行了数值实验,并与6个已知算法进行了比较,结果表明了在大多数测试问题上NMOPSO算法的性能优于其他算法。（5）针对股票价格预测问题,提出了混合自适应PSO的BP神经网络算法（APSO-BP）。该算法有效地融合了PSO算法的全局搜索能力和BP算法的局部寻优能力,提高了预测的准确性,并利用我国股市的2组真实股票数据进行实证分析,预测结果表明该算法预测股票价格波动的问题较标准BP算法更为有效,可以及时的为投资者提供风险预警信息。（6）针对多目标柔性作业车间调度问题,提出了基于离散变量学习策略的多目标粒子群算法（AMOPSO）。该算法针对柔性作业车间调度问题的特点,采用工序和机器编码拼接的方式构成粒子的位置向量,同时融合离散变量的处理机制和多目标问题的原理构建了一种基于工序的粒子学习策略,该策略既保证了粒子向最优解的有效学习又保证了更新后粒子的可行性。最后,在4个标准FJSP问题上进行了数值实验,结果表明该算法解决此类问题可以获得收敛性和分布性更好的非劣解集。
王威[3]（2019）在《光纤陀螺误差处理及初始对准技术研究》文中研究说明光纤陀螺仪（Fiber-Optic Gyroscope,FOG）是光纤捷联惯导系统的核心器件,FOG的精度决定了光纤惯导系统的极限精度。由于弹光效应的存在,FOG易受外界振动干扰而产生输出误差。解决FOG振动问题的手段可分为硬件方法和软件方法两种,硬件方法主要为加装减振装置、光纤环加固胶、改进机械结构和采用多极对称绕法等手段,这是以增加体积和成本为代价的。相比硬件消除振动的方法,软件方法则具有更好的灵活性和效果。构成FOG的核心部件对温度较为敏感,当环境温度发生变化时,在陀螺的输出信号中将产生非互易性相位误差。消除FOG的振动误差和温漂误差是提高FOG精度的关键。初始对准是捷联解算的前提和基础,初始对准的精度是导航精度的重要组成部分。罗经精对准的收敛效率和对准精度是一对矛盾,需要合理设置对准参数来协调两者的关系。线性卡尔曼精对准由于FOG常值漂移的存在,水平失准角误差存在较为明显的漂移。大失准角或动基座条件下的粗对准具有强非线性,寻求高阶非线性滤波算法和相应的改进算法是解决问题的有效途径。本文围绕FOG振动误差处理、FOG温漂误差处理、基于罗经法和线性卡尔曼方法的精对准、基于高阶非线性滤波的大失准角粗对准等方面开展研究,主要的创新成果如下:1、针对FOG受振动干扰而产生的输出误差问题,提出一种改进掩膜经验模态分解（Empirical Mode Decomposition with masking signal,M-EMD）算法,通过改进算法对角振动和线振动干扰进行提取和补偿,达到消除振动误差的目的。针对传统M-EMD消除模态混叠的不足,分析并给出了最优掩膜信号的频率及其范围,利用粒子群算法（Particle Swarm Optimization,PSO）对掩膜信号的频率和幅值进行寻优。在振动信号分解的基础上,根据本征模态函数（Intrinic Mode Function,IMF）和原始振动信号之间的相关系数、IMF的均值等完成振动信号的提取和补偿。通过对周期振动信号的建模和预测,实现了周期性振动信号的实时补偿。2、针对单一温变速率下FOG的温度漂移误差的建模问题,提出了基于多参数的新型组合核函数的支持向量机（Support Vector Machine,SVM）建模算法,采用改进的粒子群算法（Particle Swarm Optimization,PSO）对参数进行寻优,进而获得高精度温漂模型。针对单一核函数回归精度低下的问题,提出了多参数的组合核函数。为了提高PSO算法的收敛效率和准确性,对惯性权重w进行了优化设计。实验结果表明,基于改进算法的FOG温漂模型较传统方法的模型具有更高的精度。3、针对多温变速率下的FOG温漂补偿问题,提出了基于改进EEMD（Ensemble Empirical Mode Decomposition,EEMD）算法的多尺度温漂补偿方法。首先使用改进的EEMD对光纤陀螺温漂数据进行多尺度分解,通过IMF的排列熵滤除噪声相关IMF;再通过对IMF的Hilbert瞬时频率均值的分析,确定多尺度模型的个数和划分方法。为了提高FOG温漂模型的精度,除了温度参数以外还增加了历史温漂数据作为SVM模型的特征属性参数,并用赤池信息量准则（Akaike Information Criterion,AIC）对历史数据的个数进行寻优。最后通过SVM对多尺度温漂数据进行补偿。4、针对罗经精对准的收敛效率和收敛精度不能兼顾的问题,引入指数形式的有限时变阻尼周期来提高精对准的快速性和收敛的精度。针对线性卡尔曼精对准水平失准角误差漂移问题,引入用失准角估计值全反馈实时修正姿态矩阵的反馈算法,以此解决水平失准角误差漂移问题,与此同时提高了对准的精度。针对粗对准结束后的失准角没有收敛到小角或粗对准失败情况下的精对准问题,引入自适应五阶容积卡尔曼（Cubature Kalman Filter,CKF）算法,通过利用当前时刻的新息计算反馈系数,改善了新息的反馈效率,提高了新息利用效率和滤波精度。5、针对大失准角的粗对准问题,提出了渐消自适应五阶CKF算法,通过渐消记忆指数加权来计算当前新息协方差矩阵的估计值,以此提高新息的利用效率和滤波精度。为了提高新息的反馈效率,利用渐消因子反馈系数对下一滤波周期的状态一步预测协方差阵进行整体修正,能够提高对准的收敛效率。在滤波进入收敛阶段后,针对由于渐消卡尔曼算法的过反馈而导致的振荡或发散问题,选择在方位失准角估计值的梯度最大处停止自适应反馈修正,以此保证算法的收敛性。FOG振动误差处理方法分别通过了振动台的角振动和线振动数据验证,实验表明了改进算法能够有效提取和补偿振动干扰。FOG温漂建模和多尺度补偿方法在温箱实验中得到了验证,建模精度和补偿效果均有提升。改进的精对准算法和粗对准算法分别在转台和车载实验中得到了验证,取得了较好的结果。
贾凯[4]（2019）在《人工蜂群算法与BP神经网络并行集成学习研究》文中研究表明在人类的生活、生产活动中,经常遇到的就是最优化问题,学者们也研究了很多解决最优化问题的方法,其中群智能优化算法作为重要的分枝,为最优化问题的求解提供了新的思路。人工蜂群算法（Artificial Bee Colony Algorithm,ABC）是一种新颖的群智能算法,通过研究自然界中蜜蜂信息交换和采蜜行为提出的一种自然计算方法,具有算法设计过程简洁、参数少、能够很好的跳出局部最优解且不需要计算梯度等特点。但是,现实世界中更多的是离散最优化问题,因此迫切需要对ABC算法进行离散化研究。BP神经网络（Back Propagation Neural Network,BPNN）算法也是解决最优化问题的一种方法,自提出以来,国内外很多专家学者对其进行了大量的改进研究,也取得了很多成果。但是传统BP神经网络的初始权值和阈值是随机的,导致算法寻优效率不高,易发生早熟且最终收敛精度不够,因此如何优化BP神经网络的缺陷,成为研究的重要方向。基于此,本文主要针对离散人工蜂群算法的改进及其与BP神经网络算法的并行集成学习进行了研究。研究成果如下:首先本文构建以高斯变异函数作为概率映射函数的离散二进制人工蜂群算法（IBABC）,从理论上分析证明了算法的有效性,并通过在Benchmark测试函数上通过实验证明了IBABC算法较其他改进方案具有更好的效果;其次,将改进的二进制人工蜂群算法用于训练BP神经网络,并提出了基于改进二进制人工蜂群算法和BP神经网络算法的并行集成学习算法,即IBABC-BP算法,并通过理论分析和实验结果证明了并行集成学习算法的有效性;最后,基于IBABC-BP并行集成学习算法设计了雾霾预测模型,并用雾霾数据进行了相关的对比试验,证明了本文构建的雾霾预测模型的有效性。
徐昊玮[5]（2019）在《GNSS/INS/LiDAR多源组合导航系统关键技术研究》文中研究说明多源组合导航系统整合了多种导航方式,实现了内部子导航系统间信息共享和性能互补,能够在复杂环境中为车载、机载、弹载等多种平台提供连续且准确的导航解决方案,现已成为自主导航的重要手段,在军用和民用领域都得到广泛应用。本文以机载导航系统的实际需要为背景,以提高机载导航系统精度与鲁棒性为目标,以多源组合导航为框架,分别研究了新型激光探测与测距（Light Detection and Ranging,Li DAR）机载导航算法、Li DAR/惯性导航系统（Inertial Navigation System,INS）组合导航系统、多源组合导航系统中的信息融合算法和故障检测算法等关键技术。本文的主要创新点包括4点。（1）针对现有基于特征点的Li DAR机载导航算法精度受到INS输出的姿态解误差影响的问题,提出了一种基于SIFT的高程-距离匹配算法。该算法将插值后的Li DAR测量距离数据与本地存储的数字高程地图（Digital Elevation Map,DEM）数据直接进行特征点匹配,并应用模糊控制计算SIFT算法门限,多次循环提取最优匹配点云。在此基础上,为了进一步提高Li DAR导航系统定位精度,提出了一种基于抗差岭估计的定位解算算法。该算法通过引入岭参数将无偏估计变为有偏估计,实现均方根误差最小约束条件下的最优位置估计,并利用迭代选权降低了质量较差的观测量对定位精度的影响。仿真测试结果表明,与已有的基于特征点的Li DAR机载导航算法相比,本文提出的两种算法能够在有效降低Li DAR系统对INS系统依赖的同时,进一步提高机载Li DAR导航系统的定位成功率和定位精度。（2）针对现有Li DAR机载导航算法性能受到载体倾角和地面起伏度影响的问题,提出了一种基于Sigmoid函数的自适应切换算法。该算法通过判断载体姿态和扫描区域地表起伏度信息构建自适应切换模型,实现在ICP与SLPF两种Li DAR导航算法间自适应切换,从而提高了Li DAR/INS组合导航系统的稳定性。另外,在上述研究的基础上,详细分析了两种可行的Li DAR/INS组合导航方法,并通过仿真实验对两种方法进行了验证与性能对比,仿真实验结果表明,两种组合方法在不同的导航场景下有各自的优缺点。（3）针对现有多源组合导航因子图融合算法受到子系统观测噪声时变特性的影响,导致导航环境的变化严重影响状态估计准确性的问题,提出了一种高斯模型下基于因子图框架的子系统观测量均值向量和协方差矩阵的动态估计方法。该方法在不影响最优化系统收敛性的前提下,利用因子图最优化过程中每个迭代周期内的观测量残差,实时地更新各个子系统观测量的均值向量和协方差矩阵的最大后验估计,从而得到更加准确的导航状态估计值。仿真测试与实验测试结果均表明,与已有的因子图算法相比,本文提出的基于迭代最大后验估计的因子图算法能够有效提高子系统观测状态变化时的多源组合导航估计精度。（4）针对现有基于神经网络的多源组合导航系统故障检测算法中,检测实时性低、渐变式故障检测效果差等问题,提出了一种多通道-单维卷积的全卷积神经网络（Multi-channel Single-dimensional Fully Convolutional Neural Network,MS-FCN）故障检测方法。该方法以组合导航系统中的残差序列作为输入,利用不同尺寸的卷积神经网络提取残差序列中包括局部与全局等不同尺度的特征信息,并通过反卷积将特征图谱还原为与输入数据相同尺寸,从而实现为每一采样时刻做出全面、精确的运行状态诊断。仿真测试与实验测试结果均表明,本文提出的MS-FCN对渐变故障与突变故障都有更好检测率与误检率,因此基于MS-FCN的多源组合导航系统将拥有更高稳定性和导航状态的估计精度。
余滨杉[6]（2018）在《高压输电塔结构地震响应被动—半主动混合控制分析与试验》文中提出输电塔是生命线工程的重要组成部分,一旦在强震中遭到破坏,不仅会给国家造成巨大经济损失,而且还会引发火灾、缺水、断气等次生灾害,对震后救灾和重建也影响很大。然而,由于地震的复杂性和输电塔结构的特殊性等,即使按照最新抗震规范设计的输电塔结构,在近期发生的一些地震中仍然出现严重破坏或倒塌,导致整个生命线工程陷入瘫痪。这就迫使研究人员不得不寻求一些新的抗震设计理论或减震方法,以确保这类结构在地震中的安全。本文以形状记忆合金（Shape Memory Alloy,SMA）和压电堆为核心元件,研发了一种SMA被动-压电堆半主动摩擦混合减震系统,并将其应用于输电塔结构地震响应的混合控制分析和试验,得出了一些创新性结论和建议。主要内容如下:（1）根据输电塔结构地震响应的主要特点和震害调查结果,利用SMA和压电堆特殊的物理力学性能,研发制作了一种体积较小、便于与输电塔结构集成的一体化SMA被动-压电堆半主动摩擦混合减震控制系统。该系统的工作原理主要为,结构地震响应较小时,以SMA被动消能减震为主,地震响应较大时,压电堆半主动摩擦装置发挥较大作用,同时两者共同工作,最后再利用SMA进行系统的震后复位。这样既可以保证混合减震控制系统工作性能的可靠性,又能够根据结构地震响应控制需要进行结构的被动或混合减震控制,明显提高系统的减震控制能力。（2）基于上述一体化SMA被动-压电堆半主动摩擦混合减震控制系统的研发结果,同时考虑到输电塔结构的地域特殊性,设计独立光伏发电装置作为系统的能源供给,进行了混合减震控制系统的优化分析和减震控制性能试验,研究了SMA的初始状态、压电堆的工作条件和激励电压等因素对该系统混合减震控制效果的影响,探讨了相应的优化设计和构造方法,总结了影响系统减震控制效果的一般规律。结果表明,文中研发的混合减震控制系统体积较小,便于与结构杆件集成,被动减震和混合减震控制能力均较好,特别是压电堆半主动摩擦装置工作后,混合减震控制能力明显提高,绝对最大控制力与电压基本上呈线性增大关系,当位移幅值为13mm,同时施加120V电压时,系统的耗能能力提高了135%,等效阻尼比提高了90%以上。（3）以SMA丝材和混合减震控制系统的试验结果为基础,采用不同的神经元输入,对二者建立了BP网络预测本构模型,并利用遗传算法分别对SMA丝材和混合减震系统BP预测模型的权阈值进行了优化分析,建立了2种优化后的BP网络预测本构模型。结果表明,混合减震控制系统以位移、电压和速率等作为系统预测本构模型的神经元输入,可简化神经元的输入参量,方便工程应用,特别是经遗传算法优化的BP网络模型能够提高系统预测本构模型的精度和稳定性,可用于系统的优化设计和研发。（4）针对基本免疫克隆选择算法存在的一些问题,引入抗体浓度和自适应变异对其进行了改进,提出了一种改进的免疫克隆选择算法。将模态可控度作为优化配置的性能指标,以某实际典型输电塔结构为原型,采用文中改进的免疫克隆选择算法,对该结构模型中混合减震控制系统的配置数量和位置等进行了优化分析,研究了优化减震控制效果。结果表明,改进的免疫克隆选择算法具有丰富的种群多样性,寻优能力强,收敛速度快,经其计算得出的优化配置方案能够使结构获得较高的控制性能指标,减震控制效果提高。一般地,经过优化方案配置后结构的减震控制效果比未优化任意配置时可提高20%左右。（5）结合模糊控制和神经网络算法二者的优势,设计了一种适用于输电塔结构混合减震控制的模糊神经网络计算模型,采用上述改进的免疫克隆选择算法得到的最优配置方案,将文中研发的混合减震控制系统集成于上述典型输电塔模型结构之中,进行了输电塔结构地震响应混合减震控制的数值模拟,分析了减震控制规律和效果。结果表明,采用文中的模糊神经网络计算模型和优化配置的混合减震控制系统,可明显减小结构的地震响应,减震控制效果基本可达50%。（6）以某实际典型输电塔结构为原型,设计制作了一个相似比为1/15的输电塔缩尺模型结构,根据改进的免疫克隆选择算法对其优化配置了文中的混合减震控制系统,采用模糊神经网络控制算法,进行了模型结构在无控和受控时共18个工况下的模拟地震振动台试验,分析了无控时试验模型的动力响应和混合控制时减震系统对试验模型的减震控制效果。试验表明,文中的混合减震控制系统能够有效提高模型结构的整体性能,明显降低模型结构的地震响应,其中7度罕遇地震作用下结构的位移响应减震效果最大可达50%,8度罕遇地震作用下结构加速度响应减震效果最大可达42%,可见文中研发的混合减震控制系统和模糊神经网络控制算法减震控制效果明显,值得进一步研究和推广应用。
卓林超,王堃[7]（2014）在《大数据中面向乱序数据的改进型BP算法》文中研究指明针对大数据中的乱序数据缺少关联规则的问题,提出了一种动态调整的改进型BP算法,运用了动态自适应结构调整机制,根据环境要求自适应调整网络训练结构,自动删除无效训练神经元,优化迭代训练过程;并在网络学习过程中动态调整网络参数中的三因子,即动量因子、权学习指数、阈学习指数,来达到加快学习响应速度、增强网络稳定性的目的.仿真结果表明,通过动态自适应调整结构、动态调整三因子的改进型算法,能够获得更多的收敛次数,并能有效地提高收敛率,进而提高整体网络性能.
王琼[8]（2011）在《基于优化理论的神经网络研究及在抽油机故障诊断中的应用》文中研究指明抽油机故障诊断的关键是实现从故障征兆空间到故障空间的映射,从而实现对故障的识别和诊断,它是一个复杂的非线性问题。神经网络的自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力等为故障诊断提供了有力手段。但是由于实际生产设备工况复杂,故障类型种类繁多,致使在诊断时出现网络规模庞大、学习训练时间超长、易于陷入局部最小点等问题,降低了神经网络的实用性。神经网络与遗传算法、进化机制等结合,形成计算智能,将成为神经网络用于故障诊断的趋势。本文就是将神经网络与其它优化算法结合,改善神经网络性能,从而用于抽油机的故障诊断。主要研究内容如下：1、设计一个适合故障诊断的双权连接可拓神经网络,该网络以抽油机的状态数据为输入层,以故障类型为输出层,输入输出采用双权连接,权值分别为故障的上限数据和下限数据。提出一种能够自适应改变交叉率和变异率的自适应遗传算法,以可拓距离为评价函数,利用遗传算法的全局搜索能力,对建立的可拓神经网络的权值进行优化,克服BP算法的训练神经网络收敛性差,容易陷入局部极值的缺点。2、设计一种免疫遗传RBF神经网络。对免疫遗传算法进行改进,给出一种基于抗体矢量距离的亲和度计算方法,在抗体的促进和抑制环节增加基于密度的调节因子,保留优秀抗体,保证抗体的多样性,避免未成熟收敛现象。用改进的免疫遗传算法优化RBF神经网络的隐层中心,提高其逼近精度,克服传统算法需要预先指定隐含层节点数或者通过大量实验获得节点数、学习效率差的缺点。3、设计一种基于粒子群优化的神经网路。根据传统粒子群算法在训练后期容易陷入局部极值的缺点,对基本粒子群算法的速度方程进行更新,在现有的速度更新机制上加入非常小的扰动项,并动态调整加速系数,使算法能够分别调整进化初期和后期的性能。采用粒子群优化算法对神经网络的权值和阈值进行优化。4、提出一种新的故障诊断融合方式,并将以上神经网络组成功能相容并具有选择机制的软件包,利用抽油机无线巡检数据实现智能在线故障诊断,并对诊断结果进行分析比较。
孙超[9]（2011）在《机械手的模糊控制方法研究》文中研究指明机械手的智能控制研究无论在理论界还是工程界一直倍受人们的关注,其轨迹跟踪也是当前很活跃的一个研究领域。本文研究了机械手的模糊控制,设计了基于改进T-S型模糊神经网络的机械手轨迹跟踪控制方案,用改进的混合学习算法优化T-S型模糊神经网络的参数,主要工作如下:首先,根据两关节机械手的运动学和动力学特点,给出动力学模型,并对其模型特性进行了分析。其次,介绍模糊神经网络的基础理论,分析了T-S模型的模糊神经网络结构,针对该网络对于输入样本数据有限,不平滑且多尖峰的辨识时,辨识效果不是很理想,且T-S模糊神经网络的结构和参数学习算法比较复杂,导致收敛性和学习速度都不是十分理想的缺点,本文给出了一种改进的T-S型模糊神经网络结构,该网络不仅克服了模糊规则冗余、收敛速度慢的缺陷,提高了网络的学习速度,还改善了网络系统的辨识精度。然后再对T-S模糊神经网络的学习算法——BP算法进行分析、改进,给出了改进自适应遗传算法和动量-自适应BP算法相结合的混合学习算法。该混合算法避免了BP算法收敛速度慢和容易陷入局部极小值的缺陷,提高了网络的收敛性与自适应性。最后,针对机械手轨迹跟踪控制问题,设计了基于改进的T-S型模糊神经网络的机械手轨迹跟踪控制方案,仿真实验结果表明了该方法的有效性与可行性。
金菊良[10]（1998）在《遗传算法及其在水问题中的应用》文中研究指明在对遗传算法（GA）进行较为深入、系统的探讨基础上,本文提出了对简单遗传算法（SGA）的一种改进方案—加速遗传算法（AGA）,并把AGA 系统地应用于洪水灾害评估、水文水资源建模和水环境优化等一系列水问题中,形成了一种理论研究与应用研究紧密结合的独特体系。其主要内容如下:1.指出了传统优化方法处理复杂水问题的局限性,论述了GA 的研究进展,并提出了研究遗传算法的一种基本思路,即对遗传算法本身的研究过程也可以采用与GA 演化过程一致的方式来进行。这种思路对选择科研策略、评价科研成果甚至认识自然、改造自然等过程也同样适用。2.指出了SGA 在全局优化性能与收敛性之间存在着固有的矛盾。3.归纳了SGA 在应用中已表现出的许多缺陷,并在前人研究成果的基础上提出了对SGA 进行全面改进的11 种方式。为提高SGA 的收敛速度,同时兼顾SGA的全局优化能力,提出了AGA,其要点是:（1）AGA的基本原理是利用在SGA演化过程中所搜索到的优秀个体这一小群体来逐步调整、压缩SGA 以后的搜索空间,从而减少了算法的计算量,提高了算法的搜索效率;（2）得到了AGA 控制参数的简便设置技术,它们是:二进制编码长度e、杂交概率pc和个体串的变异率pm分别固定设置为10、1.0 和1.0;群体规模n 与优秀个体数目s 存在经验关系式:s/n>n/（e·2e）,并且建议n 取300 以上,s 相应取10 以上;在每次加速循环中AGA 只进行两次进化迭代;（3）归纳了AGA 的一些显着特点:它是收敛的;具有全局优化能力;它的计算量少、解的精度不再受二进制编码长度的控制,因此它适用于实变量优化问题、连续/离散混合优化问题;它对优化变量搜索空间的大小变化具有适应性,表现为对适应度函数值越敏感的优化变量,它的搜索空间被压缩得越快;AGA 控制参数的设置技术较确定、简便;（4）11 个不同的典型优化问题对AGA 的测试结果表明了AGA 的优化性能是稳健的,AGA 控制参数的简便设置技术是可行的,初步预示出AGA 潜在的应用前景。4.探讨了AGA与BP网络的结合问题,并提出了训练BP神经网络的新方法—BP-AGA 混合算法并给出了相应的实现技术。测试结果表明了,与纯BP 算法相比,BP-AGA混合算法能加快BP神经网络参数的优化进程,同时在一定程度上改善了
二、BP算法稳定性与收敛性的一种改进（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、BP算法稳定性与收敛性的一种改进（论文提纲范文）
（1）受限Boltzmann机算法及其应用研究（论文提纲范文）
| 作者简历 |
| 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 神经网络发展历史 |
| 1.2.2 受限Boltzmann机算法的发展现状 |
| 1.3 本文研究内容及章节安排 |
| 第二章 受限Boltzmann机模型及算法概述 |
| 2.1 受限Boltzmann机模型 |
| 2.1.1 Ising模型 |
| 2.1.2 Hopfield网络 |
| 2.1.3 Boltzmann分布 |
| 2.1.4 受限Boltzmann机模型求解 |
| 2.2 受限Boltzmann机采样算法 |
| 2.2.1 Gibbs采样 |
| 2.2.2 平行退火采样 |
| 2.2.3 重要性采样 |
| 2.3 动量算法 |
| 2.4 RBM正则化方法 |
| 2.4.1 误差平方和稀疏惩罚因子 |
| 2.4.2 对数和正则化 |
| 本章小结 |
| 第三章 基于RBM的专家乘积系统的改进算法 |
| 3.1 引言 |
| 3.2 专家乘积系统 |
| 3.2.1 专家乘积系统的学习算法 |
| 3.2.2 RBM学习算法与专家乘积系统 |
| 3.3 改进动量算法 |
| 3.4 图像识别的应用 |
| 3.4.1 MNIST数据库手写体识别 |
| 3.4.2 Extended Yale B数据库人脸识别 |
| 3.4.3 CMU-PIE数据库人脸识别 |
| 3.5 地震数据去噪的应用 |
| 3.5.1 人工合成数据去噪 |
| 3.5.2 真实地震数据去噪 |
| 本章小结 |
| 第四章 基于动量方法的RBM两种不同梯度近似算法 |
| 4.1 引言 |
| 4.2 受限Boltzmann机模型的梯度 |
| 4.2.1 RBM第一种梯度近似方法 |
| 4.2.2 RBM第二种梯度近似方法 |
| 4.3 改进的动量算法 |
| 4.4 修正的动量算法 |
| 4.5 改进动量算法的分析及应用 |
| 4.5.1 MNIST数据库手写体识别 |
| 4.5.2 Extended Yale B数据库人脸识别 |
| 4.5.3 CMU-PIE数据库人脸识别 |
| 4.6 修正动量算法的分析及应用 |
| 4.6.1 MNIST数据库手写体识别 |
| 4.6.2 Extended Yale B数据库人脸识别 |
| 4.6.3 CMU-PIE数据库人脸识别 |
| 本章小结 |
| 第五章 基于权衰减动量RBM的平均对比散度算法 |
| 5.1 引言 |
| 5.2 RBM梯度近似方法 |
| 5.3 改进的ACD算法 |
| 5.3.1 平均对比散度算法 |
| 5.3.2 改进的权衰减动量算法 |
| 5.3.3 修正隐单元偏置 |
| 5.4 图像识别的应用 |
| 5.4.1 MNIST数据库手写体识别 |
| 5.4.2 Extended Yale B数据库人脸识别 |
| 5.4.3 CMU-PIE数据库人脸识别 |
| 5.5 地震数据去噪的应用 |
| 5.5.1 人工合成数据去噪 |
| 5.5.2 真实地震数据去噪 |
| 本章小结 |
| 第六章 基于梯度改进和动量结合的Logsum RBM方法 |
| 6.1 引言 |
| 6.2 RBM优化方法 |
| 6.3 改进的Logsum RBM方法 |
| 6.3.1 RBM梯度近似 |
| 6.3.2 Logsum正则化稀疏约束RBM |
| 6.3.3 修正动量方法 |
| 6.4 图像识别的应用 |
| 6.4.1 MNIST数据库手写体识别 |
| 6.4.2 Extended Yale B数据库人脸识别 |
| 6.4.3 CMU-PIE数据库人脸识别 |
| 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文的主要工作总结 |
| 7.2 论文的创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
（2）若干最优化问题的粒子群算法及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 粒子群算法概述 |
| 1.2.1 原始粒子群算法 |
| 1.2.2 粒子群算法的改进 |
| 1.2.3 粒子群算法的应用 |
| 1.2.4 粒子群算法的拓扑结构 |
| 1.2.5 粒子群算法的收敛性分析 |
| 1.3 若干复杂优化问题的研究现状 |
| 1.3.1 约束优化问题的研究现状 |
| 1.3.2 混合整数规划问题的研究现状 |
| 1.3.3 多目标优化问题的研究现状 |
| 1.4 本文的研究内容 |
| 第二章 约束优化问题的改进粒子群算法 |
| 2.1 引言 |
| 2.2 约束优化问题的数学模型和相关概念 |
| 2.3 粒子群算法的改进策略 |
| 2.3.1 改进的可行性准则 |
| 2.3.2 当前种群的更新策略 |
| 2.3.3 个体最优位置的更新策略 |
| 2.3.4 全局最优位置的更新策略 |
| 2.4 改进的粒子群算法及时间复杂度分析 |
| 2.4.1 改进的粒子群算法(FIPSO算法) |
| 2.4.2 时间复杂度分析 |
| 2.5 数值实验 |
| 2.5.1 测试问题和参数设置 |
| 2.5.2 结果分析 |
| 2.6 本章小结 |
| 第三章 非线性混合整数规划问题的改进粒子群算法 |
| 3.1 引言 |
| 3.2 非线性混合整数规划问题的数学模型和相关概念 |
| 3.3 粒子群算法的改进策略 |
| 3.3.1 初始化种群的设置与最优位置的选择 |
| 3.3.2 离散变量的学习策略 |
| 3.3.3 约束引导的最优位置更新策略 |
| 3.4 改进的粒子群算法及时间复杂性度分析 |
| 3.4.1 改进的粒子群算法(EMPSO) |
| 3.4.2 时间复杂度分析 |
| 3.5 数值实验 |
| 3.5.1 测试问题和参数设置 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 非线性混合整数规划问题的PSO/GA协同进化算法 |
| 4.1 引言 |
| 4.2 混合编码和协同交叉进化策略 |
| 4.2.1 混合编码设计 |
| 4.2.2 基于小种群的协同交叉迭代进化策略 |
| 4.3 连续变量和离散变量的进化策略 |
| 4.3.1 全局最优个体和精英个体更新策略 |
| 4.3.2 离散变量的进化--TGA算法 |
| 4.3.3 连续变量的进化--APSO算法 |
| 4.4 PSO/GA协同进化算法及时间复杂度分析 |
| 4.4.1 PSO/GA协同进化算法(CC-PSO/GA) |
| 4.4.2 时间复杂度分析 |
| 4.5 数值实验 |
| 4.5.1 测试问题和实验设置 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第五章 基于高斯变异和改进学习策略的多目标粒子群算法 |
| 5.1 引言 |
| 5.2 多目标优化问题的数学模型和相关概念 |
| 5.3 多目标粒子群算法的进化策略 |
| 5.3.1 精英存档和拥挤熵 |
| 5.3.2 高斯变异策略 |
| 5.3.3 改进的学习策略 |
| 5.3.4 外部档案更新方式 |
| 5.3.5 种群精英递增策略 |
| 5.4 多目标粒子群算法及时间复杂性分析 |
| 5.4.1 多目标粒子群算法(MOIPSO) |
| 5.4.2 时间复杂度分析 |
| 5.5 数值实验 |
| 5.5.1 测试问题和实验设置 |
| 5.5.2 解集的评价指标 |
| 5.5.3 结果分析 |
| 5.6 本章小结 |
| 第六章 基于Tchebycheff分解和动态更新权重向量的多目标粒子群算法 |
| 6.1 引言 |
| 6.2 Tchebycheff分解思想 |
| 6.3 多目标粒子群算法的进化策略 |
| 6.3.1 基于分解的初始化种群分配原则 |
| 6.3.2 精英存档和档案更新 |
| 6.3.3 个体最优位置和全局最优位置的更新策略 |
| 6.3.4 外部档案的进化搜索 |
| 6.3.5 权重向量的动态更新策略 |
| 6.4 基于分解的多目标粒子群算法及时间复杂度分析 |
| 6.4.1 基于分解的多目标粒子群算法(NMOPSO) |
| 6.4.2 时间复杂度分析 |
| 6.5 数值实验 |
| 6.5.1 测试问题和参数设置 |
| 6.5.2 解集的评价指标 |
| 6.5.3 结果分析 |
| 6.6 本章小结 |
| 第七章 APSO-BP神经网络算法在股票价格预测中的应用 |
| 7.1 引言 |
| 7.2 BP神经网络算法 |
| 7.3 混合算法的改进策略 |
| 7.3.1 种群编码策略和适应度值的计算 |
| 7.3.2 混合BP神经网络的粒子学习策略 |
| 7.4 融合自适应粒子群的BP神经网络算法(APSO-BP) |
| 7.5 实证研究与仿真 |
| 7.5.1 数据选取 |
| 7.5.2 BP神经网络的拓扑结构 |
| 7.5.3 参数设置 |
| 7.5.4 实证结果分析 |
| 7.6 本章小结 |
| 第八章 多目标柔性作业车间调度问题的改进粒子群算法 |
| 8.1 引言 |
| 8.2 多目标柔性作业车间调度问题 |
| 8.3 粒子群算法的改进策略 |
| 8.3.1 编码和解码 |
| 8.3.2 种群初始化和精英存档 |
| 8.3.3 粒子最优位置的更新 |
| 8.3.4 粒子的学习策略 |
| 8.3.5 个体最优位置的进化策略 |
| 8.4 改进的多目标粒子群算法(AMOPSO) |
| 8.5 数值实验 |
| 8.5.1 测试问题和实验设置 |
| 8.5.2 结果分析 |
| 8.6 本章小结 |
| 第九章 总结与展望 |
| 9.1 总结 |
| 9.2 展望 |
| 参考文献 |
| 附录1 约束优化问题的测试问题 |
| 附录2 非线性混合整数规划问题的测试问题 |
| 附录3 多目标优化问题的测试问题 |
| 附录4 柔性作业车间调度问题的实例数据 |
| 攻读博士学位期间的学术活动及成果情况 |
（3）光纤陀螺误差处理及初始对准技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 光纤捷联惯导系统发展现状 |
| 1.2.2 光纤陀螺温漂误差处理研究现状 |
| 1.2.3 光纤陀螺振动误差处理研究现状 |
| 1.2.4 初始精对准的研究现状 |
| 1.2.5 大失准角初始粗对准的研究现状 |
| 1.3 主要研究内容及论文结构安排 |
| 第二章 光纤陀螺振动信号处理 |
| 2.1 振动干扰光纤陀螺的机理 |
| 2.1.1 弹光效应 |
| 2.1.2 振动引起的非互易相移 |
| 2.1.3 振动对光纤捷联惯导的影响 |
| 2.2 改进的掩膜EMD |
| 2.2.1 EMD算法 |
| 2.2.2 掩膜EMD算法 |
| 2.2.3 改进掩膜EMD算法 |
| 2.2.4 周期性振动信号的实时处理 |
| 2.3 仿真及实验 |
| 2.3.1 AM-EMD算法仿真 |
| 2.3.2 光纤陀螺振动台实验 |
| 2.4 本章小结 |
| 第三章 光纤陀螺温漂建模 |
| 3.1 光纤陀螺温漂的产生机理及补偿 |
| 3.1.1 光纤陀螺温漂的产生机理分析 |
| 3.1.2 光纤陀螺温漂建模及补偿 |
| 3.2 支持向量机及其改进 |
| 3.2.1 支持向量机算法 |
| 3.2.2 核函数及其改进 |
| 3.3 粒子群算法及其改进 |
| 3.3.1 粒子群算法 |
| 3.3.2 改进粒子群算法 |
| 3.4 基于改进SVM和 PSO的分段回归算法 |
| 3.5 实验验证 |
| 3.5.1 温度实验 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 多尺度光纤陀螺温漂补偿 |
| 4.1 多尺度建模方法 |
| 4.1.1 基于EMD的多尺度模型 |
| 4.1.2 噪声IMF的识别 |
| 4.1.3 多尺度策略 |
| 4.1.4 历史温漂参数个数寻优 |
| 4.2 噪声辅助的信号分解 |
| 4.2.1 EEMD算法 |
| 4.2.2 EEMD的改进算法 |
| 4.2.3 基于IEEMD的多尺度建模及补偿方法 |
| 4.3 实验验证 |
| 4.3.1 温度实验 |
| 4.3.2 实验分析 |
| 4.4 本章小结 |
| 第五章 大失准角粗对准研究 |
| 5.1 大失准角对准模型的非线性分析 |
| 5.1.1 坐标系及欧拉角的定义 |
| 5.1.2 大失准对准模型及非线性分析 |
| 5.2 五阶容积卡尔曼滤波 |
| 5.2.1 高斯近似滤波框架 |
| 5.2.2 球面径向容积变换 |
| 5.2.3 五阶容积卡尔曼 |
| 5.3 自适应滤波及改进 |
| 5.3.1 自适应滤波方法 |
| 5.3.2 基于CKF5的改进自适应滤波算法 |
| 5.4 实验仿真 |
| 5.4.1 大失准角静基座仿真 |
| 5.4.2 摇摆基座仿真 |
| 5.4.3 车载动基座实验 |
| 5.5 本章小结 |
| 第六章 精对准方法研究 |
| 6.1 罗经对准法及改进 |
| 6.1.1 罗经对准法 |
| 6.1.2 有限时变罗经法 |
| 6.2 卡尔曼精对准法及改进 |
| 6.2.1 大方位失准角对准误差模型 |
| 6.2.2 小失准角对准误差模型 |
| 6.2.3 卡尔曼精对准 |
| 6.2.4 全反馈卡尔曼精对准 |
| 6.3 基于非线性滤波的精对准 |
| 6.4 仿真及转台实验 |
| 6.4.1 大失准角非线性精对准仿真 |
| 6.4.2 转台精对准实验及分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 进一步研究的探讨 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间科研与获奖情况 |
（4）人工蜂群算法与BP神经网络并行集成学习研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容与方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 本文组织结构 |
| 第二章 相关理论及研究现状 |
| 2.1 BP神经网络 |
| 2.1.1 BP神经网络的理论基础 |
| 2.1.2 BP神经网络算法的思想 |
| 2.1.3 BP神经网络的学习机制 |
| 2.1.4 BP神经网络的流程步骤 |
| 2.1.5 BP神经网络算法的研究现状 |
| 2.2 人工蜂群算法 |
| 2.2.1 ABC算法生物学基础 |
| 2.2.2 人工蜂群算法原理 |
| 2.2.3 人工蜂群算法步骤流程 |
| 2.2.4 离散人工蜂群算法 |
| 2.2.5 人工蜂群算法研究现状 |
| 2.3 本章小结 |
| 第三章 基于高斯变异的离散二进制人工蜂群算法 |
| 3.1 引言 |
| 3.2 离散二进制粒子群算法 |
| 3.3 改进离散人工蜂群算法 |
| 3.3.1 更新策略 |
| 3.3.2 算法描述 |
| 3.3.3 算法步骤流程 |
| 3.4 仿真实验及结果分析 |
| 3.4.1 实验环境 |
| 3.4.2 对比试验及参数设置 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 改进人工蜂群算法与BP神经网络并行集成学习算法 |
| 4.1 引言 |
| 4.2 改进人工蜂群与BP神经网络集成学习算法 |
| 4.2.1 算法思想 |
| 4.2.2 算法流程 |
| 4.3 仿真实验及结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 对比试验及参数设置 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 IBABC-BP并行集成学习算法在雾霾预测中的应用 |
| 5.1 引言 |
| 5.2 应用思路 |
| 5.3 实验数据 |
| 5.3.1 数据收集 |
| 5.3.2 数据预处理 |
| 5.4仿真实验 |
| 5.4.1 实验环境 |
| 5.4.2 神经网络参数介绍 |
| 5.4.3 人工蜂群参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 IBABC-BP算法参数分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）GNSS/INS/LiDAR多源组合导航系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 论文研究的背景 |
| 1.1.2 论文研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 LiDAR导航系统发展现状 |
| 1.2.2 Li DAR/INS组合导航算法发展现状 |
| 1.2.3 多源组合导航方法信息融合算法发展现状 |
| 1.2.4 多源组合导航系统中的故障检测算法发展现状 |
| 1.3 论文研究内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 2 LiDAR高程匹配算法研究 |
| 2.1 引言 |
| 2.2 LiDAR导航系统的数学模型 |
| 2.2.1 激光测距单元 |
| 2.2.2 扫描单元 |
| 2.2.3 机载LiDAR测距仪误差源 |
| 2.3 机载LiDAR测量点云数据 |
| 2.3.1 LiDAR数据处理流程 |
| 2.3.2 坐标系定义及转换 |
| 2.3.3 内插 |
| 2.4 基于距离匹配的SLPF机载Li DAR定位算法 |
| 2.4.1 基于测量DEM匹配的Li DAR导航系统 |
| 2.4.2 基于距离匹配的机载LiDAR定位算法 |
| 2.4.3 SIFT算法 |
| 2.4.4 基于模糊控制门限的SIFT算法 |
| 2.4.5 仿真验证和结果分析 |
| 2.5 基于抗差岭估计的位置解算方法 |
| 2.5.1 定位解算方程 |
| 2.5.2 定位性能分析 |
| 2.5.3 抗差岭估计算法(Robust Ridge Regression,RRR) |
| 2.5.4 仿真验证 |
| 2.6 本章小结 |
| 3 Li DAR/INS组合导航方法研究 |
| 3.1 引言 |
| 3.2 ICP与 SLPF自适应切换的Li DAR机载导航方法 |
| 3.2.1 基于ICP的 Li DAR机载组合导航方法 |
| 3.2.2 自适应切换算法 |
| 3.3 Li DAR/INS组合导航方法 |
| 3.3.1 组合导航基本原理 |
| 3.3.2 组合导航系统数据融合滤波器的数学模型 |
| 3.4 仿真测试与分析 |
| 3.4.1 SIAS算法验证 |
| 3.4.2 Li DAR/INS松耦合和深耦合方法验证 |
| 3.5 本章小结 |
| 4 基于因子图的多源组合导航系统信息融合方法研究 |
| 4.1 引言 |
| 4.2 因子图模型理论介绍 |
| 4.3 基于滑动窗的因子图组合导航系统模型 |
| 4.4 因子图组合导航融合算法 |
| 4.4.1 因子图算法 |
| 4.4.2 增量平滑算法 |
| 4.4.3 时变导航子系统观测量状态对因子图算法的影响 |
| 4.5 均值向量和协方差矩阵的最大后验估计 |
| 4.5.1 导航状态分布参量的迭代最大后验估计 |
| 4.5.2 迭代更新对最优化系统收敛性的影响 |
| 4.6 仿真与实验验证 |
| 4.6.1 仿真与实验设计 |
| 4.6.2 测试结果和讨论 |
| 4.7 本章小结 |
| 5 基于深度学习的多源组合导航系统故障检测算法研究 |
| 5.1 引言 |
| 5.2 神经网络介绍 |
| 5.2.1 人工神经网络(Artificial Neural Network,ANN) |
| 5.2.2 卷积神经网络(ConvolutionalNeural Network,CNN) |
| 5.2.3 全卷积神经网络(Fully ConvolutionalNetwork,FCN) |
| 5.3 基于MS-FCN的故障检测方法 |
| 5.3.1 MS-FCN(Multi-channel Single-Dimension FCN)的结构 |
| 5.3.2 多通道单维的卷积与反卷积 |
| 5.3.3 加权池化层 |
| 5.3.4 输入数据的预处理 |
| 5.4 多源组合导航系统故障检测方法结构 |
| 5.5 仿真与实验设置 |
| 5.6 测试结果和讨论 |
| 5.6.1 仿真数据与实验数据对MS-FCN的训练结果 |
| 5.6.2 仿真测试结果 |
| 5.6.3 实验测试结果 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（6）高压输电塔结构地震响应被动—半主动混合控制分析与试验（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 结构智能振动控制理论 |
| 1.3 智能材料在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 压电材料 |
| 1.4 智能优化及控制算法研究现状 |
| 1.4.1 遗传算法 |
| 1.4.2 人工免疫算法 |
| 1.5 输电塔结构抗震研究现状 |
| 1.5.1 被动控制 |
| 1.5.2 主动控制 |
| 1.5.3 半主动控制 |
| 1.6 本文主要研究内容 |
| 参考文献 |
| 2 混合减震控制系统的设计与性能试验 |
| 2.1 压电堆驱动器 |
| 2.2 SMA丝超弹性性能试验研究 |
| 2.2.1 试验材料与设备 |
| 2.2.2 试验工况 |
| 2.2.3 试验结果与分析 |
| 2.3 混合减震系统设计与工作原理 |
| 2.3.1 构造设计与工作原理 |
| 2.3.2 加工制作 |
| 2.4 能源提供 |
| 2.4.1 光伏发电系统原理 |
| 2.4.2 独立光伏发电系统的设计 |
| 2.5 混合减震控制系统力学性能试验研究 |
| 2.5.1 预压力的施加 |
| 2.5.2 设计参数 |
| 2.5.3 加载方案 |
| 2.5.4 试验结果与分析 |
| 2.6 本章小结 |
| 参考文献 |
| 3 基于遗传算法优化的混合减震系统BP神经网络本构模型 |
| 3.1 遗传算法原理 |
| 3.2 BP神经网络算法原理 |
| 3.3 遗传算法优化的BP神经网络算法 |
| 3.4 基于遗传算法优化的SMABP神经网络本构模型 |
| 3.4.1 确定BP网络结构 |
| 3.4.2 训练样本采集与处理 |
| 3.4.3 仿真结果比较与分析 |
| 3.4.4 确定遗传算法优化参数 |
| 3.5 基于遗传算法优化的混合减震控制系统BP神经网络本构模型 |
| 3.5.1 网络结构 |
| 3.5.2 样本数据 |
| 3.5.3 优化参数 |
| 3.5.4 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 4 基于改进的免疫克隆选择算法的输电塔结构混合减震系统优化配置研究 |
| 4.1 基本免疫克隆选择算法 |
| 4.1.1 基本免疫克隆选择算法的流程 |
| 4.1.2 基本免疫克隆选择算法的存在问题 |
| 4.2 改进的免疫克隆选择算法 |
| 4.2.1 抗体与抗体之间的亲和度 |
| 4.2.2 实数编码 |
| 4.2.3 Logistic混沌序列初始化抗体群 |
| 4.2.4 变异算子的改进 |
| 4.2.5 改进后的免疫克隆算法步骤 |
| 4.3 优化准则 |
| 4.4 混合减震控制系统优化配置算例分析 |
| 4.4.1 优化模型 |
| 4.4.2 优化结果与分析 |
| 4.4.3 优化控制分析 |
| 4.5 本章小结 |
| 参考文献 |
| 5 结构地震响应模糊神经网络控制系统 |
| 5.1 受控系统的状态空间模型 |
| 5.1.1 状态空间的基本概念 |
| 5.1.2 振动控制状态方程 |
| 5.1.3 状态空间模型建立 |
| 5.1.4 控制力位置矩阵建立 |
| 5.2 模糊控制基本原理 |
| 5.3 模糊神经网络控制原理 |
| 5.4 模糊神经网络控制流程 |
| 5.5 模糊神经网络控制系统的设计 |
| 5.5.1 LQR最优主动控制训练样本 |
| 5.5.2 基于自适应模糊神经推理系统的控制仿真 |
| 5.6 算例分析 |
| 5.6.1 模型选取 |
| 5.6.2 生成LQR主动最优控制训练样本 |
| 5.6.3 训练模糊神经推理系统 |
| 5.6.4 模糊神经网络控制仿真分析 |
| 5.7 本章小结 |
| 参考文献 |
| 6 高压输电塔结构地震响应混合减震控制试验研究 |
| 6.1 试验装置与设备 |
| 6.1.1 试验模型 |
| 6.1.2 混合减震控制系统布置与安装 |
| 6.2 试验装置 |
| 6.2.1 试验设备 |
| 6.2.2 驱动电源的设计 |
| 6.2.3 控制系统 |
| 6.3 传感器布置及试验工况 |
| 6.3.1 传感器布置 |
| 6.3.2 试验工况 |
| 6.4 控制流程 |
| 6.5 试验结果与分析 |
| 6.5.1 动力特性分析 |
| 6.5.2 动力反应分析 |
| 6.6 本章小结 |
| 参考文献 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 工作展望 |
| 致谢 |
| 附录 |
（8）基于优化理论的神经网络研究及在抽油机故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 目录 |
| 前言 |
| 0.1 课题研究背景及意义 |
| 0.2 抽油机故障诊断技术及其发展 |
| 0.2.1 故障诊断技术 |
| 0.2.2 抽油机的故障诊断 |
| 0.2.3 故障诊断的发展方向 |
| 0.3 神经网络技术及其在故障诊断中的应用 |
| 0.3.1 人工神经网络(ANN) |
| 0.3.2 基于神经网络的故障诊断方法 |
| 0.3.3 神经网络在抽油机故障诊断中的应用 |
| 0.4 论文研究内容 |
| 0.5 论文安排 |
| 第1章 基于自适应遗传算法的可拓神经网络 |
| 1.1 引言 |
| 1.2 可拓性理论 |
| 1.2.1 物元 |
| 1.2.2 可拓集合 |
| 1.2.3 关联函数 |
| 1.3 可拓神经网络 |
| 1.3.1 可拓神经网络可行性分析 |
| 1.3.2 可拓神经网络优势 |
| 1.3.3 可拓神经网络结构 |
| 1.4 自适应遗传算法 |
| 1.4.1 遗传算法的基本思想 |
| 1.4.2 遗传算法的基本概念 |
| 1.4.3 算法的改进 |
| 1.4.4 自适应遗传算法的性能测试 |
| 1.5 基于自适应遗传算法的可拓神经网络(GENN) |
| 1.6 本章小结 |
| 第2章 基于免疫遗传机制的RBF神经网络 |
| 2.1 引言 |
| 2.2 径向基函数(RBF)神经网络 |
| 2.3 免疫遗传算法 |
| 2.3.1 人工免疫算法 |
| 2.3.2 免疫遗传算法原理 |
| 2.3.3 算法流程 |
| 2.3.4 算法改进 |
| 2.3.5 收敛性分析 |
| 2.3.6 改进免疫遗传算法性能测试 |
| 2.4 基于改进免疫遗传的RBF神经网络 |
| 2.5 本章小结 |
| 第3章 基于粒子群算法优化的神经网络 |
| 3.1 引言 |
| 3.2 粒子群优化算法 |
| 3.2.1 基本pso算法数学描述 |
| 3.2.2 算法流程 |
| 3.2.3 算法改进 |
| 3.2.4 改进算法的收敛性分析 |
| 3.2.5 改进粒子群算法的性能测试 |
| 3.3 基于改进粒子群方法的神经网络 |
| 3.3.1 优化神经网络方法 |
| 3.3.2 神经网络的建立 |
| 3.4 本章小结 |
| 第4章 抽油机故障诊断 |
| 4.1 引言 |
| 4.2 数据采集及处理 |
| 4.3 故障特征提取 |
| 4.4 抽油机故障诊断 |
| 4.4.1 基于可拓神经网络的抽油机故障诊断 |
| 4.4.2 基于免疫遗传RBF神经网络的抽油机故障诊断 |
| 4.4.3 基于粒子群神经网络的抽油机故障诊断 |
| 4.4.4 故障结果对比分析 |
| 4.5 故障诊断软件包 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文和科研情况 |
| 论文摘要 |
（9）机械手的模糊控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究的历史和现状 |
| 1.2.1 机械手研究的国内外发展现状 |
| 1.2.2 机械手的智能控制发展现状 |
| 1.2.3 模糊神经网络的发展现状 |
| 1.3 本文的主要内容 |
| 1.4 本文的工作安排 |
| 第二章 机械手的动力学模型 |
| 2.1 引言 |
| 2.2 机械手的动力学模型 |
| 2.3 机械手动力学模型的特性 |
| 2.4 本章小结 |
| 第三章 T-S 模型的模糊神经网络 |
| 3.1 引言 |
| 3.2 模糊神经网络 |
| 3.3 T-S 模型的模糊神经网络 |
| 3.3.1 模糊系统的T-S 模型 |
| 3.3.2 T-S 型模糊神经网络的模型 |
| 3.4 改进误差补偿的T-S 模型的模糊神经网络 |
| 3.4.1 误差补偿的T-S 模型的模糊神经网络 |
| 3.4.2 改进误差补偿的T-S 模型模糊神经网络 |
| 3.5 本章小结 |
| 第四章 T-S 模型的模糊神经网络学习算法 |
| 4.1 引言 |
| 4.2 BP 学习算法 |
| 4.2.1 BP 算法的原理 |
| 4.2.2 动量-自适应BP 算法 |
| 4.3 遗传算法的基本理论 |
| 4.3.1 遗传算法的构成 |
| 4.3.2 遗传算法的优点 |
| 4.3.3 自适应遗传算法 |
| 4.4 改进的自适应遗传算法与动量-自适应BP 算法的融合 |
| 4.5 本章小结 |
| 第五章 机械手轨迹跟踪控制的仿真研究 |
| 5.1 引言 |
| 5.2 机械手轨迹跟踪控制方案 |
| 5.3 机械手的仿真模型 |
| 5.4 改进的T-S 型模糊神经网络结构及参数 |
| 5.5 仿真实验 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
（10）遗传算法及其在水问题中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致 谢 |
| 第一章 绪论 |
| 1.1 水问题与遗传算法 |
| 1.2 遗传算法综述 |
| 1.2.1 遗传算法简史 |
| 1.2.2 遗传算法理论研究进展 |
| 1.2.3 遗传算法应用研究进展 |
| 1.2.4 遗传算法的研究方向 |
| 1.3 BP 神经网络概述 |
| 1.3.1 人工神经网络的提出 |
| 1.3.2 BP 神经网络研究现状 |
| 1.3.3 BP 神经网络在水问题中的应用 |
| 1.4 论文的主要研究内容 |
| 第二章 遗传算法分析 |
| 2.1 遗传算法的运行过程分析 |
| 2.2 遗传算法的基本理论分析 |
| 2.2.1 图式定理 |
| 2.2.2 欺骗问题 |
| 2.3 遗传算法的收敛性分析 |
| 2.4 小结 |
| 第三章 加速遗传算法研究 |
| 3.1 简单遗传算法的主要弱点及改进方式 |
| 3.2 加速遗传算法的研制 |
| 3.2.1 加速遗传算法的原理 |
| 3.2.2 加速遗传算法控制参数的设置 |
| 3.2.3 加速遗传算法的理论分析 |
| 3.3 加速遗传算法的测试 |
| 3.3.1 在函数优化问题方面的测试 |
| 3.3.2 在带约束非线性优化问题方面的测试 |
| 3.4 小结 |
| 第四章 加速遗传算法与 BP 神经网络的结合 |
| 4.1 BP 网络分析 |
| 4.1.1 理论基础 |
| 4.1.2 BP 算法 |
| 4.2 BP-AGA 混合算法的提出 |
| 4.2.1 用于优化 BP 网络参数的加速遗传算法 |
| 4.2.2 BP-AGA 混合算法的测试 |
| 4.3 小结 |
| 第五章 AGA 在洪水灾害评估问题中的应用研究 |
| 5.1 洪水灾害评估问题 |
| 5.1.1 洪水灾害评价系统 |
| 5.1.2 洪水灾害评估研究现状 |
| 5.2 AGA 在洪灾危险性分析中的应用 |
| 5.2.1 在暴雨强度公式参数优化中的应用 |
| 5.2.2 在洪峰流量频率曲线参数优化中的应用 |
| 5.2.3 在马斯京根模型参数优化估计中的应用 |
| 5.3 AGA 在洪灾易损性分析中的应用 |
| 5.3.1 网络拓扑结构的建立 |
| 5.3.2 网络的训练和测试 |
| 5.4 AGA 在洪水灾情评估中的应用 |
| 5.4.1 网络模型的建立 |
| 5.4.2 应用实例 |
| 5.5 小结 |
| 第六章 AGA 在其它水文水资源建模问题中的应用研究 |
| 6.1 水文水资源建模问题 |
| 6.2 AGA 在 Theis 井流模型中的应用 |
| 6.3 AGA 在水位流量关系曲线优化中的应用 |
| 6.4 AGA 在水库入库含沙量预报中的应用 |
| 6.5 AGA 在水库调洪演算中的应用 |
| 6.5.1 水库调洪演算分析 |
| 6.5.2 BP-AGA 混合算法在水库调洪演算中的应用 |
| 6.6 小结 |
| 第七章 AGA 在水环境优化问题中的应用研究 |
| 7.1 水环境优化问题 |
| 7.2 AGA 在水环境模型参数优化中的应用 |
| 7.2.1 在逻辑斯谛曲线参数估计中的应用 |
| 7.2.2 在 O'Connor 河流水质模型参数估计中的应用 |
| 7.2.3 在灰色模型 GM(1,1)参数估计中的应用 |
| 7.3 AGA 在冰情等级时间序列建模中的应用 |
| 7.4 AGA 在非线性水环境规划问题中的应用 |
| 7.5 小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 今后展望 |
| 作者简历 |
四、BP算法稳定性与收敛性的一种改进（论文参考文献）
- [1]受限Boltzmann机算法及其应用研究[D]. 沈卉卉. 中国地质大学, 2020(03)
- [2]若干最优化问题的粒子群算法及应用研究[D]. 孙滢. 合肥工业大学, 2020(01)
- [3]光纤陀螺误差处理及初始对准技术研究[D]. 王威. 东南大学, 2019(01)
- [4]人工蜂群算法与BP神经网络并行集成学习研究[D]. 贾凯. 合肥工业大学, 2019(01)
- [5]GNSS/INS/LiDAR多源组合导航系统关键技术研究[D]. 徐昊玮. 西北工业大学, 2019(04)
- [6]高压输电塔结构地震响应被动—半主动混合控制分析与试验[D]. 余滨杉. 西安建筑科技大学, 2018(06)
- [7]大数据中面向乱序数据的改进型BP算法[J]. 卓林超,王堃. 系统工程理论与实践, 2014(S1)
- [8]基于优化理论的神经网络研究及在抽油机故障诊断中的应用[D]. 王琼. 东北石油大学, 2011(02)
- [9]机械手的模糊控制方法研究[D]. 孙超. 东北石油大学, 2011(01)
- [10]遗传算法及其在水问题中的应用[D]. 金菊良. 河海大学, 1998(06)