一、基于GA的BP网络模型及其应用（论文文献综述）
王晓明[1]（2021）在《数据驱动成品汽油调和配方优化及其智能系统开发》文中指出成品汽油调和作为各种汽油产品不可或缺的生产过程,在石油炼化生产中起着举足轻重的作用,而油品质量则对企业的经济效益具有重要影响。在成品汽油的生产过程中,建立行之有效的配方模型,以严格控制组分油的添加,是确保成品油质量和企业效益提升的基础。因此,本文受成品汽油调和过程中提升一次调和成功率和卡边生产需求的驱动,围绕调和配方的建模问题开展了较为系统的研究,主要工作如下:1)为解决油品生产中质量过剩和一次调和成功率欠高的问题,通过对工艺机理和生产数据的深入分析,提出了保守与卡边优化混合的建模方案。该方案分别利用历史生产过程数据建立卡边和保守配方模型,再根据加权融合策略建立混合配方模型。保守配方模型的建立旨在确保油品的正常生产,而卡边配方模型的建立旨在趋使油品的卡边生产,鉴于模型可能因生产过程的不确定性致使质量不达标,对二者进行优化融合,以期在提高一次调和成功率的同时,尽可能逼近油品的卡边生产。2)为解决配方建模中数据的完备性问题,首先针对BP算法在辛烷值和抗爆值预测过程中存在的精度低、易陷入局部最小值问题,结合PSO和GA的优点,提出了一种串行混合粒子群遗传算法,并用于BP神经网络权值和阈值的优化,提高了辛烷值和抗爆值预测模型的精度。其次,为了对缺失配方数据进行填充,提出了基于集成决策树的配方数据填充方法,先将原始数据集划分为多个样本集,再利用决策树算法建立多个子模型,最后基于bagging策略对多个子模型进行集成,提升了模型精度。3)为提高保守配方模型精度,考虑深度置信网络（DBN）在特征提取和非线性处理方面的优势,首先提出了一种基于PSO-DBN的保守配方建模方法,将其应用于成品汽油调和配方的预测建模,并针对深度网络训练过程中存在的参数选取困难问题,利用粒子群算法（PSO）对相关参数进行优选。其次,考虑到极限学习机良好的拟合能力以及快速性,在上述模型基础上,将其对DBN网络进行改进,构建了DBN-ELM预测模型,实现了对成品汽油调和保守配方的预测建模,仿真结果表明,算法在训练时间以及精度上都有较大提升。4)针对卡边数据的小样本特性,利用LSSVM进行卡边配方的建立,并针对RBF核函数的?和?选取问题,采用PSO算法对其进行参数优选,使模型性能有了较大提升。在此基础上,采用加权融合策略对卡边和保守配方模型的结果进行集成与在线优化,结果表明,混合配方模型对于高效能生产具有更优的性能。5)为使配方模型应用于工程,结合实际工程需求,依据前述混合建模方案,借助于My SQL、Matlab及Labview等技术及软件平台,进行了系统数据库的设计,基于matlab实现了各建模方法,并最终开发了具有系统登陆、辛烷值、抗爆指数预测、保守配方预测、卡边配方预测、混合配方模型、在线优化、数据查看、数据录入以及报警与事件记录等功能模块的配方智能管理系统。
王强[2]（2021）在《机器人运动学标定与误差补偿技术研究》文中研究指明工业机器人作为先进工业的智能化代表,绝对定位精度成为高精密设备生产制造中的关键指标。本课题以六轴工业机器人为研究本体,基于机器人运动学分析模型,完成了机器人运动学标定及误差补偿技术研究。研究内容如下:首先以六轴工业机器人为研究对象,采用标准D-H建模方法建立运动学分析模型,得到正向运动学方程与逆向求解公式。在此基础上,采用微分法建立机器人末端几何误差模型。其次,选择API Radian Pro激光跟踪仪、STS六维传感器和API RMS软件作为测量系统,为机器人运动学参数辨识以及误差补偿方法研究提供可靠数据。再次,基于机器人末端几何误差模型,以末端实际位置数据和理想位置数据为样本,采用最小二乘法和遗传算法完成参数辨识。在控制器内修正D-H参数,完成运动学参数标定任务。最后,考虑到机器人定位误差是由多因素共同影响的复合误差,利用BP神经网络的非线性拟合能力,完成六轴工业机器人关节变量误差预测,通过补偿关节变量误差的方式达到提高机器人定位精度的目的。同时引入遗传算法（GA算法）和微分算法（DE算法）解决了BP神经网络中权值和阈值初始值难以选择的问题,提高了传统BP神经网络的收敛速度和全局最优搜索能力,使机器人定位误差补偿效果更佳。
谢鹏[3]（2020）在《基于数据和模型的油浸式电力变压器健康管理系统研究》文中研究指明油浸式电力变压器在电网中的广泛使用,使其安全可靠性成为影响电网供电可靠性和供电质量的关键性因素之一,长期以来,油浸式电力变压器的健康管理一直倍受关注。由于变压器生产厂家、工艺、电压等级、容量等的多样化,以及运行环境的复杂化,变压器健康管理一直占据电网企业大量的资源。在智能电网背景下,新一代信息技术的飞速发展促进了智慧变电站的建设,使变压器运行状态的实时在线监测成为了可能,从而为变压器健康管理奠定了物理基础。本文立足于油浸式电力变压器预测性管理（prognostics and health management,PHM）的应用场景,开展变压器健康管理系统关键理论技术研究,在此基础上,充分利用先进的计算机、通信等信息技术,开发变压器PHM平台,以有效提高电网企业对变压器资产的管理水平和效率。本文的主要研究内容包括以下几个方面:（1）针对单一变压器属性难以有效、准确地实现变压器状态评估的问题,对变压器的多属性特性进行了分析,并给各属性分配适当的权重。在此基础上,提出了基于模糊逻辑的变压器多属性状态评估模型。该模型具有输入参数个数较少、模糊规则简单、评估结果准确可靠的优点。本文提出的方法克服了以往模糊逻辑模型和传统变压器健康评估方法的不足。变压器现场数据的检测结果检验了所提模型的正确性和可行性。（2）针对计算变压器热点温度的经验公式中对散热电阻的分析和取值较为简单,不能充分反映负载、环境等因素对温度的影响,致使计算结果误差相对较大的问题,研究不同负载电流下、不同冷却方式、不同内部温度下变压器内部传热方式与机理,提出考虑多因素条件下散热电阻的计算方法,进而构建综合考虑不同运行工况下变压器的改进热路模型,给出了基于改进模型的顶油和热点温度求解方法,并对计算结果进行准确性评估。结果表明,采用提出的改进模型计算得到的变压器顶油和热点温度与其实际值之差不超过2.2K,也即提出的散热电阻计算方法能有效提高热路模型的精确度。（3）分析了三种常见的基于油中溶解气体的变压器故障诊断方法;研究了遗传算法基本原理及其易陷于局部最优解的不足,提出一种交叉和变异概率、个体繁殖数量能够依适度值自适应调整的改进方法,仿真结果表明,改进方法显着提高了算法的全局搜索能力;利用提出的改进遗传算法优化BP神经网络的初始权值和阈值,建立基于改进遗传算法优化BP网络的变压器故障诊断模型,有效解决了BP神经网络收敛速度缓慢且精确度较差的问题,通过与已有的三种典型的故障诊断方法进行对比分析,结果表明提出的诊断模型具有更高的诊断速度和准确度。（4）利用提出的考虑不同工况下的变压器热路模型,建立了基于热点温度分析的变压器绝缘寿命评估模型;设计了一种热因素条件下油纸绝缘老化试验,提取基于脉冲相位分布模式的四个统计图谱共27个特征量,并通过因子分析法获取10个主成分因子,从而建立基于改进遗传算法优化BP神经网络的油浸式电力变压器油纸寿命评估方法,试验结果表明提出的方法诊断效果较好;分析了Weibull分布与电气设备寿命统计学规律的相关性,建立了基于Weibull分布的电力变压器寿命预测模型,利用收集的某电网电力变压器故障数据,检验了利用Weibull分布进行变压器寿命评估的有效性。（5）基于变压器PHM管理在线、实时化的需要,利用先进的信息网络技术,开发了变压器PHM管理系统。阐述了PHM管理平台开发所涉及关键技术理论和设计原则,基于PHM功能需求和技术资源现状,规划了平台总体架构和功能模块。通过将开发的PHM云平台对某变电站变压器联网试运行,运行结果表明,开发的平台有效提高了变压器运行状态监控水平,提升了变压器的管理效率。
雷磊[4]（2020）在《基于GA-ELM方法的建筑能耗预测研究》文中进行了进一步梳理随着我国城市化进程的加快以及建筑功能日趋精细复杂,建筑能耗日益增长,现阶段建筑能耗在社会总能耗中占比高达26.7%,存在巨大节能潜力。建筑能耗预测作为建筑节能的一项重要内容,其快速、精准的预测结果是进行建筑节能优化的基础。因此,如何构建一个高效精准的建筑能耗预测模型,是建筑节能优化领域的研究热点之一。以某智能生产办公综合用房为案例,在对建筑能耗数据采集、分析的基础上,重点研究利用遗传算法改进和建立建筑能耗预测模型以提高能耗预测结果的效率和精度,为建筑节能优化提供快速、准确的参考依据,为建筑节能工作奠定基础。从能耗管理系统构建、预测模型建立和工程应用仿真三方面进行重点研究,构建了一个高效、精准的建筑能耗预测系统。论文主要从以下几个方面进行研究:（1）建筑能耗管理系统构建:针对大型公共建筑总能耗大、空调系统能耗占比多等项目特点,构建建筑能耗管理平台。该系统可根据建筑功能分区对能耗监控对象进行相应的调整,可扩展性强,并且该系统可以针对空调冷负荷进行预测,有利于对能耗进行管理。（2）建筑能耗预测模型建立:分析和对比目前典型的能耗预测算法,针对传统BP神经网络应用于建筑能耗预测存在的问题,引入极限学习机算法（Extreme Learning Machine,ELM）,并采取遗传算法进行优化,提出基于遗传算法优化的极限学习机（Genetic Algorithm Extreme Learning Machine,GA-ELM）算法,并对建筑能耗管理系统采集到的能耗数据进行预处理,建立GA-ELM能耗预测模型。（3）能耗预测仿真及节能优化管理:将上述建立的建筑能耗预测模型应用于某实际工程项目,选取合理的负荷类型、时间段、采集点位、评价标准,进行仿真实验并对结果进行比较和分析。研究结果表明:与BP、GA-BP和ELM方法相比,基于GA-ELM方法进行建筑能耗预测是可行的,能够进一步提高预测准确率。在此研究基础上,结合工程实例采取一定的能耗管理策略,研究项目运营阶段能耗合理调配,为进一步节能降耗提供参考。
程扬[5]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中进行了进一步梳理磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
石琛[6]（2020）在《基于数据驱动和深度学习的配电网无功优化技术研究》文中研究表明无功优化（Reactive Power Optimization）是维持配电网安全、可靠、经济运行的重要手段,也是提高电网电压质量、降低线损的有效措施。通过无功优化,合理配置无功功率使其就地平衡,不仅可以减少电网中的线路损耗,而且可以提高系统电压水平,能够带来经济效益和社会效益。目前,随着大量的分布式电源（Distributed Generation,DG）和电动汽车（Electric Vehicle,EV）接入配电网,配电网运行的复杂性大大增加,对无功优化也提出了更高的要求。本文主要提出了一种基于数据驱动的无功优化方法,摆脱了传统无功优化模型和参数的限制,利用神经网络进行训练学习,更快地提出优化策略。具体来说,以降低配电网络线损与减少电压偏差为出发点,通过调节变压器分接头以及投切电容器组进行无功控制,首先利用传统遗传算法求解得到这些优化措施,对配电网进行无功优化,同时通过系统线路损耗以及整体电压偏离度两项指标验证其有效性。而后根据历史大数据中每个时刻的各类电气数据及环境数据,以及该时刻对应的用遗传算法求得的无功优化控制策略,通过神经网络学习他们之间的映射关系,将数据作为输入,对应的策略作为输出来训练网络,训练好网络后,输入当前待优化时刻的数据,便直接可以输出对应的策略用于无功优化。通过两种网络进行测试,一种是先利用自由熵的方法提取数据的特征指标,然后将特征指标和策略通过BP人工神经网络进行学习。另外一种是通过深度学习,利用卷积神经网络CNN,该方法具备更强大的自主特征学习能力,无需对数据进行前期特征处理,直接可以利用配电系统原始特征数据与对应时刻策略进行学习。最后,利用一年半的历史数据,在改进的IEEE37节点配电系统中进行各方法算例测试与效果比较。结果表明,基于CNN深度学习的方法有着更好的性能,基本学习到了各类数据与无功优化策略的映射关系,可以明显降低线路损耗和系统整体电压偏离度,部分时刻甚至优于传统方法。同时,它不再依赖于配电系统的模型和参数,与传统方法相比,优化时间大大减少,可以更快地提供在线决策。通过对各方法在不同DG渗透率率和历史数据量下优化效果的讨论,表明即使在新的未知场景下,基于深度学习的方法也有着良好的优化效果,验证了基于CNN方法的适应性、鲁棒性和泛化能力,为大数据和深度学习技术在配电网无功优化中的应用提供了一条新的途径。
侯兆凯[7]（2020）在《高速公路交通事故严重程度GA-BP预测方法研究》文中提出近些年我国车辆指数增长,交通资源与车辆之间的供需矛盾日益加剧,交通事故频发,各界人士都密切关注并渴望解决这一难题。随着人工智能快速发展与国家政策导向,对高速公路交通事故进行深入探讨,研究构建交通事故智能预测方法,对后期研发交通事故智能监测预测、预警与处理等智能化系统具有重要意义。基于高速公路交通安全现状,本文首先从事故影响因素分析与交通事故智能预测方法两方面分析已有研究成果,提出了用BP神经网络和遗传算法智能预测高速公路交通事故严重程度。其次,明确了我国交通事故的定义和交通事故严重程度划分依据,依据交通系统中人、车、路、环境四要素的相互作用机理与云南省K高速公路交通事故的历史数据,全面系统地分析了高速公路交通事故严重程度的影响因素,采用极值统计思想量化了初步整理指标,采用主成分分析法简化与选取了特征指标。然后,基于神经网络和遗传算法的特点与不足,提出了采用遗传算法优化BP神经网络结构的权值和阈值完成建模,给出了详细的参数设计与建模过程,并在MATLAB完成了高速公路交通事故GA-BP神经网络预测模型的实现。最后,选取云南省K高速公路对交通事故智能预测方法进行验证,对事故数据进行处理、筛选分类后,312条事故数据用于模型基本结构的设计与学习训练,100条事故数据用于验证模型。结果表明:模型预测值与实际事故严重程度基本吻合,预测准确率高达95%;采用遗传算法优化后的BP神经网络均方误差由1.89×10-4降低到5.37×10-5。本文的研究成果可以用于后期交通事故实时监测与预测,方便交通事故的提前预警、及时干预、优化处理等,也为交通事故智能监测预测、预警与处理等智能化系统的实现奠定基础。
臧金蕊[8]（2020）在《面向排放测算的城市路网全样流量测算方法研究》文中指出机动车等移动源的动态排放测算一直是我国进行空气质量模拟工作的瓶颈问题。基于各污染源动态排放量的空气质量模拟,是空气污染物治理中制定决策的重要依据。目前工业源等固定源已实现在线实时监测,可获取连续动态排放数据,而机动车为主的移动源多为一年一度的静态排放总量测算,难以支撑大气污染物的实时动态测算和空气质量模拟分析。机动车移动源动态排放测算难以实现的重要原因之一是缺乏有效的路网全样动态流量测算方法。机动车路网动态排放量基于路网动态流量、道路长度和排放因子进行测算。其中,单车排放因子测算方法得到国内外大量学者的深入研究,已具备有效测算方法;而路网全样流量受监测技术限制,难以通过实际采集的方式获取,也缺乏有效测算方法,导致路网动态排放测算难以实现。因此,有必要开展路网全样动态流量测算方法的研究。目前路网全样动态速度采集技术较为成熟,基于流量-速度基本图模型,通过速度数据推算流量,是获取路网全样流量数据的重要手段。基于交通流基本图的流量测算研究开展较早,但由于其难以对面向交通管理与控制的短时间粒度（5min）流量进行准确测算,在交通管理与控制领域并未得到广泛的实际应用。对于路网机动车动态排放测算,小时粒度流量已满足需求,同时基于交通流模型的小时粒度流量测算精度较高,适应于路网机动车排放测算领域。因此,本文将基于交通流基本图模型研究面向排放测算的路网全样动态流量测算方法。道路交通流特征是人的出行规律在路网上的表达。受出行目的和道路功能影响,交通流表现出不同形态,例如,以通勤出行为主的工作日交通流和以娱乐活动出行为主的周末/节假日交通流具有不同形态;放射线潮汐流和环路交通流具有不同单双峰形态。出行的规律性及道路的分类分级特征,使交通流可被聚类为有限模式。由于不同模式交通流存在明显差异,针对不同模式分别进行流量预测,有助于提高流量预测精度。因此,研究交通流模式的划分和识别方法是十分必要的。基于以上背景,本文基于多源速度、流量和排放实测数据,研究交通流模式划分和识别方法,对交通流基本图影响因素进行定量分析,建立各等级道路不同交通流模式、不同时段下的交通流基本图模型,实现路网全样动态流量测算,并进行路网动态排放测算的案例应用。本文的主要研究内容和发现总结如下:（1）提出了基于速度时变差异直接指标的交通流自组织映射（Self-organizing Maps,SOM）算法神经网络聚类方法,可以实现对城市交通流的高效聚类。构建了周一到周四工作日、周五工作日、周六、周日、雨天、节假日、晚高峰突出、早高峰突出8类交通流模式,可以有效刻画城市道路90%以上交通流模式。（2）提出了各等级道路不同时段速度指标的交通流模式快速识别算法。本文提出的基于24小时、早晚高峰、0:00-12:00和早高峰速度指标的模式识别方法精度均较高,各等级道路平均正确识别率分别为94.87%、93.64%、82.45%和80.96%。深度置信网络能高效实现大规模速度数据的模式识别,对全天、早晚高峰、0:00-12:00速度指标的平均正确识别率分别为93.02%、90.98%、82.45%;经过遗传算法和模拟退火遗传算法优化的BP网络模式识别精度提高,对全天速度指标的识别精度分别提高7.38%和7.96%。（3）基于交通流基本图模型构建了各等级道路不同交通流模式、不同时段下的路网全样动态流量测算方法。通过对特定道路流-速-密基本图模型影响因素的定量分析,发现除已被既有研究识别出的大型车比例、天气条件外,早/晚高峰、工作日/节假日等不同出行目的引起的驾驶行为差异会显着影响交通流基本图。同一路段早高峰通行能力比晚高峰高3.47%,节假日通行能力比工作日高4.73%。综合考虑道路等级、早/晚高峰、工作日/节假日等因素比只考虑道路等级构建的交通流模型对流量测算的精度提高6.51%。（4）进行了基于路网全样动态流量对机动车路网动态排放量进行测算的案例应用,验证了本文提出的面向排放测算的路网全样流量测算方法的可靠性,可对节能减排政策进行快速评估。
崔琴芳[9]（2020）在《基于机器学习的矿区土壤重金属含量遥感估算及监测方法研究》文中研究指明针对基于多光谱遥感影像的矿区土壤重金属含量估算精度不高的问题,本文以陕西省大西沟铁矿区为研究区,以Landsat8/OLI影像光谱波段提取的光谱指数、DEM以及实测土壤样本理化分析数据为数据源,通过对土壤重金属和植被以及地形之间的相关性分析,构建了可以间接反映土壤重金属空间分布的影响因子集,建立了遗传算法（GA）优化的BP神经网络模型,并选取80%的样本数据对模型进行训练,实现了2017年研究区土壤中铜、铅、砷三种重金属含量的空间估算。进而,针对多期重金属监测时训练样本获取成本高的问题,基于2017年建立的GA-BP网络模型,将其GA-BP模型的参数选择性迁移到2019年研究区土壤重金属估算任务中,构建了基于参数迁移学习的BP神经网络模型,实现了2019年研究区土壤重金属含量估算。经过以上研究,得出以下结论:（1）综合利用Landsat8影像的光谱反射率因子、光谱指数因子及地形因子建立了GA-BP网络模型,验证了该模型对2017年研究区土壤中铜、铅、砷三种重金属元素含量进行估算是可行的,其中,铜和铅元素的估算精度相对较高。（2）利用剩余20%的检验数据对多元线性模型和GA-BP神经网络模型估算误差进行对比分析,结果表明:本文建立的GA-BP模型对2017年研究区铜、铅、砷三种元素估算的均方根误差（RMSE）比多元线性模型的RMSE值有大幅度的降低。这也表明:与其它常用方法相比,GA-BP模型对三种元素的估算精度有较大改善。（3）根据2017年土壤三种重金属含量空间估算结果可知:研究区内部分区域土壤中铜、铅、砷三种金属含量超出当地的国家统计数据中最大值,而土壤中铜和砷元素含量值都超出了该背景值的平均值,这表明该地区土壤中这三种重金属的含量有不断增加的趋势。并且三种重金属主要集中分布在开采区、矿渣堆放区以及道路两侧以及坡底,这一结论与野外实地调查结果一致,同时也验证了利用GA-BP神经网络模型估算研究区土壤重金属含量的可行性和有效性。（4）通过基于参数迁移学习的GA-BP模型可实现将2017年源域中GA-BP模型的参数选择性迁移到同一地区不同时相的目标域中,然后结合利用目标域的较少的土壤样本数据来对目标域中土壤重金属含量进行估算,并和传统的未利用迁移学习的神经网络模型进行精度对比,验证了其可行性,并减少了野外土壤样本数据获取成本。
宋鹰翔[10]（2020）在《基于sEMG的人体下肢关节角度连续运动估计》文中进行了进一步梳理表面肌电信号（sEMG）包含着许多人体的生理学信息,利用表面肌电信号识别人体的运动意图近年来得到了广泛的应用。本文提出了一种人体下肢关节在不同运动模式下连续运动的回归模型预测方法,利用采集到的表面肌电信号对人体膝关节和踝关节的角度进行预测,对于患者康复训练控制系统的设计具有重要意义。本实验选取了与人体下肢关节动作相关的八块腿部肌肉进行实验,首先同步采集了所选肌肉的表面肌电信号和膝、踝关节的关节角度信号,并对去噪后的信号提取了小波低频系数的时域特征,然后建立了不同的神经网络模型进行训练与预测,并用均方根误差（RMSE）来评价预测的效果。本文的主要研究内容如下:（1）同步采集肌电信号和关节角度信号,设计并规范了实验动作。针对膝关节与踝关节,各采集了与其运动相关的4路表面肌电信号作为信号源,把关节运动按有无负重和速度快慢分为3种不同的运动模式。（2）设计了一种小波消噪方法对采集到的原始肌电信号进行消噪,选用Symlets7作为小波基函数,取得了较好的消噪效果。提出了小波低频系数RMS组合的表面肌电信号特征提取方法,对sEMG进行三层小波分解,对比了原信号的RMS、每一层小波低频系数的RMS、三层小波系数RMS组合这三种特征选取方式。（3）提出了肌肉协同分析的人体关节运动估计方法,将肌肉协同模型和NMF算法相结合,并使用基于肌肉协同分析的神经网络模型对数据进行预测分析。根据所选特征,有针对性的设计了 BP神经网络和GA-BP神经网络对膝关节伸直、屈曲,以及踝关节背伸、跖屈动作过程中的关节角度进行预测。（4）实验结果表明,在低速无负重的运动模式下,使用基于肌肉协同分析的GA-BP神经网络预测模型并选用三层小波系数RMS组合有着最好的预测精度。
二、基于GA的BP网络模型及其应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于GA的BP网络模型及其应用（论文提纲范文）
（1）数据驱动成品汽油调和配方优化及其智能系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 汽油调和配方优化与相关技术研究现状 |
| 1.2.1 成品汽油调和辛烷值研究现状 |
| 1.2.2 成品汽油调和配方优化研究现状 |
| 1.2.3 数据驱动建模方法研究现状 |
| 1.3 本文的研究思路以及章节安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文结构及章节安排 |
| 1.4 本章小结 |
| 第2章 成品汽油调和配方建模方案及相关知识 |
| 2.1 引言 |
| 2.2 成品汽油调和工艺机理与标准 |
| 2.2.1 成品汽油调和工艺 |
| 2.2.2 调和机理的数学描述 |
| 2.2.3 成品汽油质量指标 |
| 2.3 成品汽油调和配方建模面临的问题及解决方法 |
| 2.3.1 成品汽油调和配方建模问题分析 |
| 2.3.2 成品汽油调和配方建模方案的提出 |
| 2.4 数据准备 |
| 2.4.1 数据采集 |
| 2.4.2 数据预处理 |
| 2.5 配方模型评价标准 |
| 2.6 本章小结 |
| 第3章 成品汽油调和数据完备性预测建模方法研究 |
| 3.1 引言 |
| 3.2 基于SHPSO-GA-BP的成品汽油调和指标缺失值预测建模 |
| 3.2.1 建模算法存在问题分析 |
| 3.2.2 SHPSO-GA-BP方法构思 |
| 3.2.3 SHPSO-GA-BP建模流程与步骤 |
| 3.2.4 加氢汽油组分辛烷值、抗爆值预测仿真与结果分析 |
| 3.3 基于多CART集成学习的成品汽油配方缺失组分数据建模 |
| 3.3.1 单一方法建模问题分析 |
| 3.3.2 基于集成学习的成品汽油配方缺失组分数据建模思想 |
| 3.3.3 基于集成学习的成品汽油配方缺失数据模型建立与结果分析 |
| 3.4 本章小结 |
| 第4章 基于DBN的成品汽油调和保守配方建模 |
| 4.1 引言 |
| 4.2 基于DBN的成品汽油调和保守配方建模方法概述 |
| 4.2.1 基于DBN的成品汽油调和保守配方建模方法考虑 |
| 4.2.2 算法原理 |
| 4.2.3 基于PSO-DBN的成品汽油调和保守配方建模算法流程与步骤 |
| 4.2.4 仿真研究与结果分析 |
| 4.3 基于DBN-ELM的成品汽油调和保守配方建模 |
| 4.3.1 基于DBN-ELM配方建模的考虑 |
| 4.3.2 算法原理 |
| 4.3.3 基于DBN-ELM的成品汽油调和保守配方建模算法流程与步骤 |
| 4.3.4 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 成品汽油调和混合配方建模 |
| 5.1 引言 |
| 5.2 基于PSO-LSSVM的成品汽油调和卡边配方建模 |
| 5.2.1 基于PSO-LSSVM的成品汽油调和卡边配方建模方法考虑 |
| 5.2.2 LSSVM算法原理 |
| 5.2.3 基于PSO-LSSVM的卡边配方建模流程与步骤 |
| 5.2.4 仿真实验与结果分析 |
| 5.3 混合配方模型建立 |
| 5.3.1 成品汽油调和混合配方建模方法考虑 |
| 5.3.2 混合配方建模流程与步骤 |
| 5.3.3 基于权重更新策略的混合配方模型仿真与结果分析 |
| 5.4 本章小结 |
| 第6章 成品汽油调和配方智能管理系统开发 |
| 6.1 引言 |
| 6.2 成品汽油调和配方智能管理系统分析 |
| 6.2.1 系统可行性分析 |
| 6.2.2 系统功能需求分析 |
| 6.3 成品汽油调和配方智能管理系统数据库设计 |
| 6.3.1 数据库功能模块 |
| 6.3.2 E-R数据模型设计 |
| 6.3.3 关系表设计 |
| 6.4 成品汽油调和配方智能系统开发 |
| 6.4.1 系统主框架程序设计 |
| 6.4.2 保守配方预测功能模块设计 |
| 6.4.3 混合配方预测及模型评价功能模块设计 |
| 6.4.4 在线优化功能模块设计 |
| 6.5 系统功能测试 |
| 6.5.1 用户及管理员登陆功能测试 |
| 6.5.2 界面切换与辛烷值/抗爆值预测功能测试 |
| 6.5.3 保守配方预测功能测试 |
| 6.5.4 卡边配方预测功能测试 |
| 6.5.5 混合配方预测与模型评价功能测试 |
| 6.5.6 在线优化功能测试 |
| 6.5.7 其他 |
| 6.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间发表的学术论文 |
（2）机器人运动学标定与误差补偿技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建模 |
| 1.2.2 数据测量 |
| 1.2.3 参数辨识 |
| 1.2.4 误差补偿 |
| 1.3 本文研究内容及章节安排 |
| 2 六轴机器人运动学分析及误差建模 |
| 2.1 机器人运动学概述 |
| 2.2 机器人主要参数 |
| 2.3 机器人运动学分析 |
| 2.3.1 机器人坐标系及坐标变换 |
| 2.3.2 机器人末端位姿表示 |
| 2.3.3 机器人正向运动学分析 |
| 2.3.4 机器人逆运动学求解分析 |
| 2.4 机器人运动学仿真 |
| 2.5 基于D-H模型的机器人末端误差模型 |
| 2.5.1 相邻坐标系之间的误差模型 |
| 2.5.2 机器人末端误差模型 |
| 2.6 本章小结 |
| 3 基于激光跟踪仪的机器人末端位姿测量 |
| 3.1 位姿测量与测量装备概述 |
| 3.2 激光跟踪仪组成和原理 |
| 3.3 机器人末端位姿测量 |
| 3.3.1 安装测量系统 |
| 3.3.2 预热系统 |
| 3.3.3 测量坐标系与基坐标系的坐标变换 |
| 3.3.4 工具坐标系校准 |
| 3.3.5 数据测量及处理 |
| 3.4 本章小结 |
| 4 机器人运动学参数误差辨识 |
| 4.1 运动学参数辨识概述 |
| 4.2 基于最小二乘法参数误差辨识 |
| 4.2.1 最小二乘法 |
| 4.2.2 参数辨识 |
| 4.2.3 参数辨识结果及误差补偿实验 |
| 4.3 基于遗传算法的参数误差辨识 |
| 4.3.1 遗传算法概述 |
| 4.3.2 遗传算法关键概念 |
| 4.3.3 参数辨识 |
| 4.3.4 参数辨识结果及误差补偿实验 |
| 4.4 本章小结 |
| 5 基于神经网络算法的定位误差补偿方法 |
| 5.1 工业机器人定位误差补偿概述 |
| 5.2 神经网络误差补偿方法 |
| 5.2.1 神经网络概述及定位误差补偿思路 |
| 5.2.2 基于BP神经网络的机器人定位误差补偿 |
| 5.2.3 仿真分析 |
| 5.3 进化算法优化BP神经网络补偿误差方法 |
| 5.3.1 优化的必要性和进化算法的介绍 |
| 5.3.2 基于GA-BP网络的误差补偿方法 |
| 5.3.3 基于DE-BP网络的误差补偿方法 |
| 5.3.4 仿真分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 学位论文数据集 |
（3）基于数据和模型的油浸式电力变压器健康管理系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器状态评估研究现状 |
| 1.2.2 电力变压器热点温度计算研究现状 |
| 1.2.3 电力变压器故障诊断研究现状 |
| 1.2.4 电力变压器绝缘老化诊断与寿命预测研究现状 |
| 1.3 本文主要研究内容与思路 |
| 1.4 本文主要工作与章节安排 |
| 第二章 基于模糊逻辑的电力变压器多属性状态评估方法 |
| 2.1 引言 |
| 2.2 变压器状态评估指标 |
| 2.3 电力变压器的多属性分析 |
| 2.4 模糊逻辑的电力变压器状态评估方法 |
| 2.4.1 模糊化处理与隶属度函数 |
| 2.4.2 模糊逻辑与近似推理 |
| 2.4.3 逆模糊处理 |
| 2.5 本章小结 |
| 第三章 考虑不同运行工况下油浸式电力变压器的热路模型 |
| 3.1 引言 |
| 3.2 油浸式电力变压器的热路模型 |
| 3.2.1 热路模型原理 |
| 3.2.2 变压器热传递过程 |
| 3.2.3 变压器热路模型的建立 |
| 3.2.4 热路模型法计算值与实测结果的对比 |
| 3.3 不同运行工况下油浸式电力变压器热路模型 |
| 3.3.1 不同负载电流下变压器热路模型的改进 |
| 3.3.2 不同冷却方式下变压器热路模型的改进 |
| 3.3.3 不同内部温度下变压器热路模型的改进 |
| 3.4 求解方法及其准确性分析 |
| 3.4.1 求解方法 |
| 3.4.2 准确性分析 |
| 3.5 本章小结 |
| 第四章 基于改进GA优化BP网络的油浸式电力变压器故障诊断 |
| 4.1 引言 |
| 4.2 三种常见的油浸式电力变压器故障诊断方法 |
| 4.2.1 基于三比值法的的变压器故障诊断 |
| 4.2.2 基于BP神经网络的变压器故障诊断 |
| 4.2.3 基于改进BP神经网络的变压器故障诊断 |
| 4.3 基于改进遗传算法优化BP网络的油浸式电力变压器故障诊断 |
| 4.3.1 BP神经网络算法的参数优化 |
| 4.3.2 GA及其改进 |
| 4.3.3 基于改进GA-BP模型的油浸式电力变压器故障诊断 |
| 4.4 结果与分析 |
| 4.4.1 实验说明 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 油浸式电力变压器绝缘老化诊断与寿命预测方法研究 |
| 5.1 引言 |
| 5.2 基于热点温度的油浸式电力变压器寿命评估 |
| 5.2.1 温度对变压器绝缘材料寿命的影响 |
| 5.2.2 不同工况下变压器寿命评估 |
| 5.2.3 实例分析 |
| 5.3 基于局放因子向量的油纸绝缘老化诊断 |
| 5.3.1 老化测试及聚合度测量 |
| 5.3.2 样品与局放试验方案 |
| 5.3.3 局部放电特征向量的提取及其主成分因子分析 |
| 5.3.4 基于改进GA-BP神经网络的油纸绝缘老化评估 |
| 5.4 基于Weibull分布的变压器运行寿命预测方法 |
| 5.4.1 Weilbul分布与电气寿命模型 |
| 5.4.2 变压器寿命模型参数估计与寿命预测 |
| 5.4.3 实例分析 |
| 5.5 本章小结 |
| 第六章 油浸式电力变压器健康管理系统平台 |
| 6.1 引言 |
| 6.2 平台关键技术理论问题和开发原则与要求 |
| 6.2.1 平台关键技术理论问题 |
| 6.2.2 开发原则与要求 |
| 6.3 变压器健康管理系统平台架构 |
| 6.3.1 平台技术特点 |
| 6.3.2 平台架构 |
| 6.3.3 变压器设备分级 |
| 6.3.4 状态监测对象与清单 |
| 6.3.5 变压器实时数据的智能监测方案 |
| 6.3.6 离线数据和实时数据的多源异构融合 |
| 6.4 变压器的故障智能诊断与维修优化管理 |
| 6.4.1 变压器的故障智能诊断 |
| 6.4.2 变压器维修优化管理 |
| 6.5 工程应用示例 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士论文取得的研究成果 |
| 致谢 |
| 附件 |
（4）基于GA-ELM方法的建筑能耗预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究主要内容及解决问题 |
| 1.4 论文组织架构 |
| 2 建筑能耗管理系统构建 |
| 2.1 建筑能耗管理系统总体架构设计 |
| 2.1.1 现场设备层 |
| 2.1.2 网络通讯层 |
| 2.1.3 中央控制层 |
| 2.2 建筑能耗管理系统软硬件设计 |
| 2.2.1 现场级硬件选型 |
| 2.2.2 控制级硬件选型 |
| 2.2.3 管理级硬件选型 |
| 2.2.4 建筑能耗管理系统软件设计 |
| 2.3 能耗管理系统监控点布置 |
| 2.3.1 基本规则 |
| 2.3.2 能耗计量点位选择 |
| 2.4 能耗管理系统运行界面 |
| 2.5 本章小结 |
| 3 建筑能耗预测算法研究 |
| 3.1 典型的能耗预测算法模型 |
| 3.2 BP神经网络原理 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络预测模型构建 |
| 3.3 GA-BP网络优化过程 |
| 3.4 ELM网络原理 |
| 3.4.1 ELM网络的结构 |
| 3.4.2 ELM网络预测模型构建 |
| 3.5 GA-ELM网络优化过程 |
| 3.6 时间复杂度分析 |
| 3.7 能耗预测模型性能评价指标 |
| 3.8 本章小结 |
| 4 基于GA-ELM方法能耗预测工程应用研究 |
| 4.1 工程概况 |
| 4.2 实验数据选取 |
| 4.3 GA-BP时间序列预测模型 |
| 4.3.1 BP神经网络模型预测结果分析 |
| 4.3.2 GA-BP模型预测结果及分析 |
| 4.4 GA-ELM时间序列预测模型 |
| 4.4.1 ELM网络预测模型及结果 |
| 4.4.2 GA-ELM模型预测结果及分析 |
| 4.5 GA-ELM预测模型与其他算法的对比分析 |
| 4.6 建筑能耗节能优化管理 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 攻读硕士期间发表的学术成果 |
| 参考文献 |
| 致谢 |
（5）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（6）基于数据驱动和深度学习的配电网无功优化技术研究（论文提纲范文）
| 致谢 |
| 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 配电网无功优化 |
| 1.2.2 大数据技术在配电网中的应用 |
| 1.2.3 人工智能技术在电网中的应用 |
| 1.2.4 研究现状小结 |
| 1.3 本文主要研究内容及章节安排 |
| 2 基于OpenDss平台的配电网建模和数据预处理 |
| 2.1 OpenDss相关功能简介 |
| 2.1.1 软件简介 |
| 2.1.2 配电网建模方法 |
| 2.1.3 潮流计算功能 |
| 2.2 配电网相关模型建模分析 |
| 2.2.1 主要元件模型结构 |
| 2.2.2 分布式电源及电动汽车模型 |
| 2.3 本文的数据来源及处理 |
| 2.4 基于OpenDss的配电网无功控制优化 |
| 2.4.1 改进的IEEE37节点配电网模型 |
| 2.4.2 OpenDss无功控制模块优化分析 |
| 2.5 本章小结 |
| 3 基于遗传算法和人工神经网络的配电网无功优化 |
| 3.1 传统无功优化数学模型 |
| 3.2 遗传算法在无功优化中的应用 |
| 3.2.1 遗传算法基本原理及步骤 |
| 3.2.2 改进遗传算法的配网无功优化流程 |
| 3.2.3 算例分析 |
| 3.3 基于浅层神经网络的配电网无功优化 |
| 3.3.1 神经网络相关理论 |
| 3.3.2 BP神经网络的无功优化流程 |
| 3.3.3 算例分析 |
| 3.4 本章小结 |
| 4 基于卷积神经网络深度学习的配电网无功优化 |
| 4.1 卷积神经网络 |
| 4.1.1 相关理论基础 |
| 4.1.2 CNN的具体结构和训练方法 |
| 4.2 基于CNN的无功优化模型及流程 |
| 4.2.1 初始特征集的构建 |
| 4.2.2 网络模型搭建及超参数设置调整 |
| 4.2.3 无功优化流程 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 5 无功优化效果综合对比及影响因素分析 |
| 5.1 优化效果指标 |
| 5.2 改进的BP网络半年优化效果分析 |
| 5.2.1 改进方法介绍 |
| 5.2.2 各方法综合比较 |
| 5.3 含CNN的各类方法优化效果比较 |
| 5.3.1 CNN半年优化效果统计 |
| 5.3.2 各类方法综合比较 |
| 5.4 优化效果影响因素分析 |
| 5.4.1 历史数据量对优化效果的影响 |
| 5.4.2 分布式电源渗透率对优化效果的影响 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 IEEE37节点系统相关原始数据 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）高速公路交通事故严重程度GA-BP预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 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 事故特性与成因分析方面 |
| 1.2.2 人工智能在交通事故识别预测中的应用 |
| 1.2.3 小结 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 第二章 高速公路交通事故严重程度预测方法基础理论 |
| 2.1 神经网络基础知识 |
| 2.1.1 神经网络概述 |
| 2.1.2 神经网络基本结构 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络特性 |
| 2.2.2 BP神经网络原理 |
| 2.2.3 BP神经网络的逼近能力与程序实现 |
| 2.2.4 BP神经网络的局限性与改进 |
| 2.3 遗传算法 |
| 2.3.1 遗传算法概述 |
| 2.3.2 遗传算法的基本概念 |
| 2.3.3 遗传算法原理与程序实现 |
| 2.3.4 遗传算法特点 |
| 2.4 本章小结 |
| 第三章 高速公路交通事故严重程度影响因素分析与指标选取 |
| 3.1 道路交通事故严重程度划分方法 |
| 3.2 高速公路交通事故严重程度影响因素分析 |
| 3.2.1 人的影响 |
| 3.2.2 车的影响 |
| 3.2.3 路的影响 |
| 3.2.4 环境的影响 |
| 3.3 高速公路交通事故严重程度指标量化与选取 |
| 3.3.1 变量量化方法 |
| 3.3.2 特征指标选取 |
| 3.4 本章小结 |
| 第四章 高速公路交通事故GA-BP神经网络预测模型构建 |
| 4.1 GA-BP神经网络建模思路 |
| 4.2 GA-BP神经网络模型构建 |
| 4.2.1 GA-BP神经网络样本准备 |
| 4.2.2 BP神经网络结构设计 |
| 4.2.3 遗传算法优化设计 |
| 4.2.4 GA-BP网络模型设计 |
| 4.3 基于MATLAB的 GA-BP网络模型实现 |
| 4.3.1 MATLAB的网络工具箱介绍 |
| 4.3.2 模型的MATLAB程序实现 |
| 4.4 本章小结 |
| 第五章 高速公路交通事故预测模型准确性验证 |
| 5.1 实例验证路段概况 |
| 5.2 事故数据收集与预处理 |
| 5.2.1 事故数据收集 |
| 5.2.2 事故数据预处理 |
| 5.3 高速公路交通事故预测模型设计 |
| 5.3.1 GA-BP神经网络结构设计 |
| 5.3.2 GA-BP神经网络训练函数设计 |
| 5.4 基于K高速事故验证数据集的预测模型验证 |
| 5.4.1 事故智能预测模型的准确性验证 |
| 5.4.2 遗传算法优化的有效性验证 |
| 5.5 本章小结 |
| 结论与展望 |
| 主要研究工作与结论 |
| 论文创新点 |
| 建议与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 附录一 MATLAB实现代码 |
| 附录二 模型预测测试集 |
（8）面向排放测算的城市路网全样流量测算方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究目标与内容 |
| 1.3 研究方法与技术路线 |
| 1.4 论文框架与结构 |
| 2 国内外研究综述 |
| 2.1 污染物排放量测算方法 |
| 2.1.1 大气污染物排放测算方法 |
| 2.1.2 机动车排放测算方法 |
| 2.2 交通流量测算模型 |
| 2.2.1 交通流参数 |
| 2.2.2 经典交通流模型及其适应性 |
| 2.2.3 宏观交通流基本图模型 |
| 2.3 交通流模式聚类方法 |
| 2.3.1 聚类分析方法及其在交通流聚类中的应用 |
| 2.3.2 交通流时间序列模式划分 |
| 2.4 模式识别算法及其在交通领域中的应用 |
| 2.4.1 模式识别算法 |
| 2.4.2 模式识别算法在交通领域的应用 |
| 2.5 国内外相关研究存在问题总结 |
| 3 数据收集及特征分析 |
| 3.1 浮动车速度数据 |
| 3.1.1 路段行程速度 |
| 3.1.2 路网/多断面平均速度数据 |
| 3.2 流量数据 |
| 3.2.1 RTMS数据 |
| 3.2.2 流量调查数据 |
| 3.3 排放数据 |
| 3.4 多源数据集成与匹配方法 |
| 3.4.1 数据集成方法 |
| 3.4.2 多源数据匹配方法 |
| 3.5 本章小结 |
| 4 面向路网全样流量测算的交通流模式聚类方法研究 |
| 4.1 交通流模式定义及其影响因素分析 |
| 4.1.1 交通流模式定义 |
| 4.1.2 交通流模式影响因素及其影响机理分析 |
| 4.2 交通流模式聚类分析方法研究 |
| 4.2.1 交通流模式聚类分析算法研究 |
| 4.2.2 交通流模式聚类分析特征指标研究 |
| 4.2.3 交通流模式最佳聚类数确定方法 |
| 4.2.4 交通流模式聚类分析效果评价指标研究 |
| 4.3 快速路交通流模式图谱库构建 |
| 4.3.1 层次聚类法各指标下交通流模式聚类分析 |
| 4.3.2 K-means聚类法各指标下交通流模式聚类分析 |
| 4.3.3 SOM神经网络聚类法各指标下交通流模式聚类分析 |
| 4.3.4 各聚类算法不同指标下的交通流模式聚类效果评价 |
| 4.4 本章小结 |
| 5 面向路网全样流量测算的交通流模式识别方法研究 |
| 5.1 交通流模式识别方法研究 |
| 5.1.1 交通流模式识别步骤 |
| 5.1.2 交通流模式快速识别算法研究 |
| 5.1.3 交通流模式识别特征指标研究 |
| 5.1.4 交通流模式识别效果评价指标研究 |
| 5.2 各等级道路不同场景下的交通流模式识别 |
| 5.2.1 0:00-24:00 速度指标 |
| 5.2.2 凌晨0:00-6:00 速度指标 |
| 5.2.3 0:00-12:00 速度指标 |
| 5.2.4 早高峰6:00-10:00 速度指标 |
| 5.2.5 早高峰 6:00-10:00 和晚高峰 17:00-21:00 速度指标 |
| 5.3 不同等级道路和特征指标下最优模式识别算法研究 |
| 5.4 本章小结 |
| 6 面向排放测算的城市路网全样流量测算方法研究 |
| 6.1 各等级道路交通流基本图模型构建方法 |
| 6.2 交通流基本图模型影响因素分析 |
| 6.2.1 道路属性 |
| 6.2.2 交通构成 |
| 6.2.3 驾驶员驾驶特征 |
| 6.2.4 环境因素 |
| 6.3 基于多源实测数据的交通流基本图模型构建 |
| 6.3.1 基于Van Aerde模型的快速路交通流基本图模型构建 |
| 6.3.2 各等级道路各方案下交通流模型流量测算误差分析 |
| 6.4 基于多源数据的路网全样流量测算方法研究 |
| 6.5 本章小结 |
| 7 案例应用 |
| 7.1 基于路网全样动态流量的机动车排放量测算方法研究 |
| 7.1.1 机动车路网排放动态测算方法研究 |
| 7.1.2 排放测算数据 |
| 7.2 基于路网动态排放测算的限行政策评估 |
| 7.2.1 限行政策实施前后交通流变化 |
| 7.2.2 限行政策实施前后路网机动车排放量动态测算 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论和创新点 |
| 8.2 研究展望 |
| 参考文献 |
| 附录A |
| 作者简历及博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于机器学习的矿区土壤重金属含量遥感估算及监测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土壤重金属含量估算研究现状 |
| 1.2.2 基于遥感的土壤重金属含量估算 |
| 1.2.3 土壤重金属建模模型研究现状 |
| 1.3 研究目的、内容及技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 研究区概况、数据获取、预处理 |
| 2.1 研究区域概况 |
| 2.1.1 地理位置 |
| 2.1.2 区域气候与地形地貌 |
| 2.2 野外土壤数据采集 |
| 2.3 遥感数据获取与预处理 |
| 2.3.1 Landsat8多光谱数据 |
| 2.3.2 辐射定标及大气校正 |
| 2.4 土壤样本理化分析 |
| 第三章 建模理论与数据统计分析 |
| 3.1 建模方法原理 |
| 3.1.1 BP神经网络原理 |
| 3.1.2 遗传算法优化的BP神经网络 |
| 3.2 土壤重金属含量统计分析 |
| 3.2.1 描述性统计 |
| 3.2.2 元素间相关性分析 |
| 3.3 土壤重金属含量与建模因子的相关性分析 |
| 3.3.1 土壤重金属与地形因子相关性分析 |
| 3.3.2 土壤重金属与季节因素的相关性分析 |
| 3.3.3 光谱反射率因子 |
| 3.3.4 光谱指数因子 |
| 3.4 精度评价指标 |
| 第四章 基于遗传优化BP网络的土壤重金属含量估算 |
| 4.1 土壤重金属建模因子的选取 |
| 4.2 地形因子对建模的影响 |
| 4.3 估算模型的建立 |
| 4.3.1 土壤重金属含量估算理论 |
| 4.3.2 基于土壤重金属GA-BP神经网络模型的建立 |
| 4.4 基于GA-BP模型的重金属含量精度评定 |
| 4.5 矿区土壤重金属空间分布规律分析 |
| 第五章 基于迁移学习的土壤重金属含量变化监测 |
| 5.1 迁移学习的基本原理 |
| 5.2 基于GA-BP网络的参数迁移学习 |
| 5.2.1 基于迁移学习BP网络估算算法基本原理 |
| 5.2.2 基于迁移学习BP网络的估算算法描述 |
| 5.3 实验结果与分析 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于sEMG的人体下肢关节角度连续运动估计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 下肢关节康复训练的特点及方式 |
| 1.3 国内外研究现状 |
| 1.3.1 关节角度估计的研究现状 |
| 1.3.2 肌电信号的研究现状 |
| 1.3.3 肌肉协同分析的研究现状 |
| 1.4 本课题的内容与结构 |
| 第2章 实验数据采集 |
| 2.1 肌电信号的产生机理 |
| 2.1.1 表面肌电信号的形成 |
| 2.1.2 表面肌电信号的特点 |
| 2.2 下肢关节模型及肌肉选择 |
| 2.3 实验步骤设定 |
| 2.4 信号采集平台 |
| 2.4.1 表面肌电信号采集系统 |
| 2.4.2 三维运动捕捉系统 |
| 2.4.3 信号的同步采集 |
| 2.5 本章小结 |
| 第3章 信号的预处理与特征提取 |
| 3.1 基于小波的sEMG信号去噪方法 |
| 3.1.1 小波变换的定义及特点 |
| 3.1.2 基于小波变换的去噪方法 |
| 3.1.3 去噪实验分析 |
| 3.2 特征提取 |
| 3.2.1 提取小波低频系数 |
| 3.2.2 低频系数的均方根特征 |
| 3.3 肌肉协同分析 |
| 3.3.1 肌肉协同分析模型 |
| 3.3.2 非负矩阵分解算法 |
| 3.4 本章小结 |
| 第4章 下肢关节的预测模型 |
| 4.1 BP神经网络 |
| 4.1.1 隐含层节点数的设置 |
| 4.1.2 基于Matlab的BP网络训练的应用 |
| 4.1.3 BP神经网络的优缺点及改进 |
| 4.2 GA-BP神经网络 |
| 4.2.1 遗传算法 |
| 4.2.2 GA-BP神经网络 |
| 4.2.3 基于Matlab的GA算法的应用 |
| 4.3 本章小结 |
| 第5章 实验结果分析 |
| 5.1 不同特征进行预测结果的对比 |
| 5.2 基于肌肉协同分析的预测结果 |
| 5.3 BP与GA-BP神经网络的对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间参加的科研项目及成果 |
四、基于GA的BP网络模型及其应用（论文参考文献）
- [1]数据驱动成品汽油调和配方优化及其智能系统开发[D]. 王晓明. 兰州理工大学, 2021(01)
- [2]机器人运动学标定与误差补偿技术研究[D]. 王强. 煤炭科学研究总院, 2021(01)
- [3]基于数据和模型的油浸式电力变压器健康管理系统研究[D]. 谢鹏. 华南理工大学, 2020(05)
- [4]基于GA-ELM方法的建筑能耗预测研究[D]. 雷磊. 西安建筑科技大学, 2020(01)
- [5]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [6]基于数据驱动和深度学习的配电网无功优化技术研究[D]. 石琛. 北京交通大学, 2020(03)
- [7]高速公路交通事故严重程度GA-BP预测方法研究[D]. 侯兆凯. 长安大学, 2020(06)
- [8]面向排放测算的城市路网全样流量测算方法研究[D]. 臧金蕊. 北京交通大学, 2020(02)
- [9]基于机器学习的矿区土壤重金属含量遥感估算及监测方法研究[D]. 崔琴芳. 长安大学, 2020(06)
- [10]基于sEMG的人体下肢关节角度连续运动估计[D]. 宋鹰翔. 杭州电子科技大学, 2020(04)