一、粒子群优化算法训练模糊神经网络（论文文献综述）
刘晓欢[1]（2021）在《面向智能车行驶的最佳路径选择机制与方法研究》文中研究说明智能车辆是一种可以独立在复杂环境中完成给定任务而不依赖人为主导的移动机器人。最佳路径是智能车辆以及智慧交通系统中的主要研究课题,主要解决智能车求解符合最佳参数条件的无碰撞路径问题。智能车行驶的最佳路径选择参考的参数包括最短路径问题、最小总成本问题、最短行驶时间问题等,根据不同的技术可以实现有针对性的路径优化。快速有效的路径规划,是确保车辆安全到达目的地的首要目标,也是智能车辆系统中的重要环节。然而日益复杂的交通网络为智能车的应用和普及提出了更高的要求。因此本文中基于对强化学习（Reinforcement Learning,RL）技术,模糊神经网络技术（Fuzzy Neural Networks,FNN）等智能技术的研究,以及A*算法等最短路径算法的学习,对智能车行驶的最佳路径选择策略与算法进行详细的分析和研究。采用不同的优化策略设计,来解决路径规划算法在智能驾驶领域应用中计算量大,收敛性差,结构复杂,实用性和扩展性差问题,即本文的研究题目为面向智能车行驶的最佳路径选择机制与方法研究。本文的主要研究内容和创新之处如下:1)针对目前智能车路径规划的研究缺少综合评价体系的问题,提出了最佳路径选择参数体系帮助路径规划算法输出最佳路径。传统的A*算法虽然能够很好的解决最短路径问题,但实际的交通网络错综复杂且变化多样,单靠最短路径算法计算的路径不仅拐点多,且最终求解路径通常不是最优解。因此我们将最短路径算法与强化学习方法结合,设计一种最佳路径选择策略。本策略可以帮助智能驾驶车辆在未知环境下,通过交互信息,实时调整和选择一条无碰撞的最佳路径。对智能驾驶车辆路径规划算法进行基于先验知识的强化学习训练,通过缩小状态集计算时间,加快强化学习算法的收敛速度,降低无效样本学习和训练的开销。车辆传感设备会不断与环境交互来躲避障碍和依据奖励函数确定获取相应的动作指示,在避开障碍的同时,按照选择的参考标准,获得从起始点到终点的最佳路径。通过对最短路径的搜索设置改进,提高搜索效率。这种路径优化方法可以有效帮助不同类型智能驾驶车辆顺利规划存在限制高度,宽度和重量以及事故和拥堵障碍条件下的交通网络中的最佳路径,解决现有研究中对智能驾驶车辆在路径规划过程中存在以上几种障碍环境的考虑较少的问题。2)我们设计了一种粒子群优化算法训练的模糊神经网络路径规划算法。基于鸟类觅食行为的粒子群优化算法（Particle Swarm Optimization algorithm,PSO）的优点是计算量小,结构简单。但容易导致粒子陷入局部极值问题,陷入无限死循环中。结合模糊神经网络算法的路径规划方法可以通过对行驶环境中的各种信息进行分析和区分,制定特定反应式引导智能驾驶车辆前进,且神经网络容错性强且自学习能力强,具有很好的适应性,但是存在计算量过大和收敛速度慢的问题。为了解决粒子群算法容易陷入局部极小值问题,设计了优化惯性权重和学习因子更新方式的改进粒子群算法。并利用该算法在定义的规则下对模糊神经网络权值参数进行优化训练的方法,来解决模糊神经网络算法在智能驾驶车辆的路径规划问题中应用时收敛慢的问题。通过设计合理的训练规则和模糊网络结构,使混合算法能够在较大且复杂网络中完成路径规划任务。3)人工智能（Artificial Intelligence,AI）技术在智能驾驶领域的应用中十分有效。基于马尔科夫过程的强化学习算法是主要的智能决策支持技术中关于轨迹路径规划设计的方法之一,但是强化学习算法具有巨大的超参数空间,同时进行所有超参数的选择极具困难。因此我们设计对强化学习的超参数进行优化,使得其快速收敛,并提高学习效率;然后对粒子群优化算法进行预设置改进,减少无效粒子的计算,大大降低算法计算量并提高获得最优解效率;最后使用混合算法进行路径规划,通过修正量来修正改进粒子群优化算法的个体最优粒子和全局最优位置适应度,实现一种简洁高效且不会陷入局部最优解的路径规划。
沈焱萍[2]（2021）在《基于群智能算法优化的入侵检测模型研究》文中研究表明网络入侵检测系统通过收集网络流量等信息对网络中的非法行为进行检测。作为网络攻击的积极主动检测手段,入侵检测一直是网络安全领域的重要研究内容。随着网络技术高速发展,网络攻击手段的复杂化,基于大规模网络流量准确识别网络攻击,降低系统误报一直是网络入侵检测系统的研究目标。传统的基于特征的检测方法需要大量领域先验知识,只能对已知攻击进行检测。机器学习方法可以从数据中自动寻找规律模式,逐渐应用于入侵检测之中。然而建立机器学习入侵检测模型面临各种问题,如对于某些模型的构建,个别参数的选取直接影响模型的准确率和泛化能力;特征优化是构建机器学习模型的重要步骤,合适的特征集合既能节约系统资源又能准确表示原始数据;集成学习是机器学习领域的重要研究内容,如何选取合适的基学习器,如何将基学习器有效地组合起来是集成学习面临的重要问题。本文采用群智能方法对机器学习模型进行优化,主要研究基于特征选择、参数优化、集成剪枝及多核学习等技术的入侵检测方案,具体如下:（1）针对特征选择和核极限学习机参数选取问题,提出一种基于粒子群优化算法的核极限学习机入侵检测模型。由于核极限学习机方法具有速度快,泛化性能好的特点,首先采用核极限学习机作为检测引擎,但核极限学习机算法的性能严格依赖于惩罚系数和核参数的选取。然后,选择粒子群优化算法参与核极限学习机的训练进行参数优化,同时采用二进制粒子群优化算法进行特征选择。其中,选用高斯函数作为核极限学习机的核函数。实验结果表明,与网格搜索方法和遗传算法相比,粒子群优化算法对核极限学习机的参数优化效率更高。同时,结果还表明选用约原有特征数目1/4的特征子集有着和原数据集相当甚至更好的检测结果。（2）针对集成框架子分类器选取问题,提出一种基于蝙蝠算法的集成剪枝入侵检测模型。首先,针对大数据时代数据量大,维数高的特点,采用基于随机子空间的投票极限学习机作为入侵检测分类器。投票极限学习机是基于极限学习机的投票集成算法,其性能取决于子分类器的个数,但子分类器的个数并不是越多越好。然后,采用蝙蝠算法选择合适的子分类器进行集成,对于蝙蝠算法的适应函数,采用准确率和子分类器差异度相结合的方式进行定义。基于随机子空间的集成方法不仅可以降低数据维度,还可以增加子分类器间的差异度。实验结果表明,基于随机子空间的投票极限学习机和单个极限学习机相比,算法的精度和鲁棒性得到了提高。研究结果还表明,基于蝙蝠算法的集成剪枝方案和应用所有子分类器相比,不仅可以实现类似或更好的性能,还节省了大量计算资源。（3）针对单个预定义核函数不能较好的表示异构信息问题,提出一种基于超启发算法的多核极限学习机入侵检测模型。首先,采用ReliefF进行特征选择,选用核极限学习机作为入侵检测算法。针对核极限学习机的核函数选取问题,采用高斯核的线性组合方式组成多核函数。寻找最优复合核函数即确定高斯核参数和核权重的过程,采用超启发算法对最优复合核函数进行寻优,包括粒子群优化算法,遗传算法,灰狼优化算法,蝙蝠算法和差分进化算法。超启发算法的适应函数通过独立于检测算法的核目标度量定义。实验结果表明,最优复合核函数可以通过上述提到的任一超启发算法确定。由于将基于过滤的特征选择方法与独立于分类器的多核学习方法相结合,与依赖于分类器的多核优化模型相比,所提模型在节省大量计算开销的同时,具有可比拟的检测性能。综上所述,本文研究的重点是根据现有机器学习模型面临的问题,提出基于群智能方法的入侵检测模型优化方案。实验结果表明,本文提出的入侵检测模型方案能够有效地提高检测性能,具有现实意义。
潘自超[3]（2021）在《基于粒子群优化神经网络的三相逆变器故障诊断研究》文中研究表明随着电力电子技术的发展,电压型逆变器（Voltage Source Inverter,VSI）已经广泛应用于家用电器、新能源汽车、轨道交通和电气传输系统等领域。逆变器作为电力设备中功率变换的核心器件,其可靠性和安全性是至关重要的,因此针对逆变器的故障诊断方法具有重要研究意义。本文主要研究基于神经网络的三相VSI开路故障诊断方法,针对传统神经网络的缺陷,提出了基于优化算法改进的神经网络故障诊断方法。本文主要研究内容如下:文中阐述了三相VSI的各种故障及其危害,并对最具研究价值的常见IGBT开路故障作了分类,使用MATLAB/simulink对开路故障进行仿真研究,分析了故障后输出电压的特征。由于三相VSI实际工作环境对输出电压的影响会增加了故障诊断难度,文中在仿真输出电压中加入高斯白噪声后作为故障原始信号。利用快速傅里叶变换分析方法从故障原始信号中提出特征信息:直流分量、基波幅值、二次与三次谐波的幅值和相角,然后对故障信息作归一化处理。利用小波包分析方法对故障原始信号进行分解和重构,提取各频段的能量分布值作为故障特征信息。搭建了适合三相VSI开路故障诊断的BP神经网络模型,利用经特征提取得到的故障信息训练神经网络,根据交叉熵损失值变化曲线,对比分析了基于不同特征提取方法得到的故障信息反映不同故障的能力。鉴于粒子群优化（PSO）算法具有强大的全局搜索能力,BP神经网络具有较强的局部搜索能力,采用PSO算法优化BP神经网络,并对比分析了优化前后网络的训练效果,试验结果表明:PSO算法优化BP神经网络,可以提高网络的训练速度和训练效果。阐述了融入天牛须搜索行为的粒子群优化算法（BAS-PSO）推导公式和基本流程,并利用BAS-PSO算法优化BP神经网络,对比分析了基于BAS-PSO算法的BP神经网络和基于PSO算法的BP神经网络故障诊断效果。试验结果表明:基于BAS-PSO算法优化BP神经网络的三相VSI开路故障诊断方法具有更高的诊断率和鲁棒性。针对基于神经网络的故障诊断方法存在的问题,提出利用Top K算法思想解决,并试验验证了该方法的可行性。
徐龙华[4]（2021）在《蠕墨铸铁切削数据的综合智能推理方法研究》文中指出难加工材料的不断涌现推动了切削加工技术的进步。由于常规金属切削加工技术的效率低、能耗高、加工表面质量不稳定、自动化水平低等缺点,因此迫切需要新的切削加工技术和智能制造系统来提高切削加工的智能化水平。高速切削加工和智能推理系统的结合不仅能极大的提高切削效率和工件表面质量,而且能够降低切削能耗,进一步提高切削加工的自动化水平。因此,本研究以蠕墨铸铁为实验材料,通过高速铣削加工实验获得蠕墨铸铁在粗加工、半精加工和精加工时的切削数据。进而通过所获得的切削数据建立综合智能推理系统,实现刀具磨损、刀具寿命、切削力、切削功率和已加工表面质量等的推理预测,并获得最优切削参数组合。研究提出VPSO与VCPSO优化训练算法。VPSO与VCPSO算法的全局收敛能力较强,且均优于标准粒子群优化算法、遗传算法和其它优化算法。建立了基于VCPSO算法的自适应神经模糊推理系统,可靠预测了刀具后刀面磨损量、刀具寿命和切削力,它们的推理精度分别达93.5%、91.8%和95.6%,验证了推理模型的有效性。建立了改进的自适应神经模糊推理系统、切削功率和表面粗糙度的理论相似推理模型。利用方差分析方法分析了切削参数对切削功率和表面粗糙度的影响。结果表明,切削功率和表面粗糙度的推理精度分别达93.1%和93.8%;高速铣削蠕墨铸铁时,切削速度对切削功率的影响最大,其次为切削深度,进给量的影响最小;切削速度对表面粗糙度的影响最大,其次为进给量,切削深度的影响可忽略不计。建立了切削功率和表面粗糙度理论相似推理模型,该推理模型能够预测相同切削参数下不同铸铁材料的切削功率和表面粗糙度,切削功率和表面粗糙度的推理精度分别达92.1%和89.4%。提出了智能推理与优化系统,该系统包括改进的实例推理方法、基于自适应神经模糊推理系统和VPSO算法的优化方法。采用人工神经网络模型确定切削参数和刀具磨损的权重,采用高斯模糊灰色关联方法作为实例重用模型求解问题。改进的实例推理方法能够根据切削参数和刀具磨损状态推理预测切削功率和切削振动振幅,采用VPSO算法对建立的自适应神经模糊推理系统进行切削参数优化。结果表明,切削速度对切削功率的影响最大,其次为切削深度和刀具磨损,进给量的影响最小;对切削振动振幅影响最大的是切削速度,其次为进给量和切削深度,刀具磨损的影响最小。改进后的实例推理方法在预测切削功率和切削振动振幅时的推理精度分别达91.7%和95.7%。建立了高斯过程回归和支持向量回归机实例重用模型,预测不同切削参数和刀具磨损下的表面粗糙度和残余应力。结果表明,高斯过程回归重用模型推理精度较高。采用人工神经网络模型分析得切削速度对表面粗糙度的影响最大,其次为刀具磨损和进给量,切削深度的影响最小;对残余应力的影响从大到小分别为进给量,切削速度与切削深度。与其它智能推理模型相比,提出的推理方法具有较高的推理效果,能够实现工件材料加工表面质量的推理预测。以B/S模式为基础构建了综合智能推理系统。该系统通过自适应神经模糊推理系统和实例推理方法实现了切削数据的推理和有效利用。该系统不仅具有推理功能,而且能够为使用者提供优化的切削参数。综合智能推理系统能够提高切削效率、表面质量、降低切削能耗。
谭若洋[5]（2021）在《基于改进的PSO的BP神经网络模型的建立及在空气质量预测中的应用》文中认为做好空气质量的日常监测、精确数据分析、实现质量预测及可视化有利于对城市空气的质量状况进行全面把控。本文旨在空气质量智能化预测方法探索、智能化预测算法改进和智能化预测模型建立。首先,阐述空气质量预测的基本原理、空气质量指数AQI对应的空气质量分类及各项特征参数所蕴含的信息。然后介绍了BP神经网络的基本原理,进而,选取过去2020年1-2月、4-5月及2021年1-2月重庆市NO2、CO、O3、SO2、PM2.5、PM10日浓度信息与AQI作为样本集,在剔除缺省值与插值后对数据进行归一化处理,以消除量纲和数量级的影响;再进行相关性分析以剔除与空气质量指数AQI相关程度较小的指标,以简化输入数据,最后剔除了CO,为后续建立智能化预测模型打下基础。其次,为了利用粒子群优化算法（PSO）全局寻优的特性,本文提出了动态领域种群模型对其进行改进。新模型建立在K均值聚类算法基础之上,旨在提升种群的多样性。以若干优化测试函数为研究对象,优化仿真实验结果表明,改进的PSO算法具备更强的全局优化能力,能在更大程度上避免粒子陷入局部极值。最后,将改进PSO中的粒子维度大小与BP神经网络中的权值和阈值数目保持一致,建立改进的粒子群优化算法之搜索空间与神经网络权值和阈值之间的映射关系。确定神经网络的拓扑结构后可利用改进的BP神经网络进行训练和测试。为了验证本文提出的改进算法的有效性,与传统的BP神经网络算法进行了对比仿真实验。结果表明改进后的模型的算法精确度和运行效率均有着不同程度的提高,验证了改进算法的优越性;其次,进行网络的仿真测试和实际空气质量指数对比验证,结果表明仿真显示的状态信息与实际空气质量基本一致,准确率达85%以上,这说明了本文所提出的模型的实用性,可实际用于重庆市空气质量预测,有利于环境监测工作的开展。
曹莉[6]（2021）在《基于极限学习机的异构无线传感网络性能优化研究》文中认为物联网是继计算机、互联网之后信息技术的第三次革命。无线传感器网络作为物联网的底层感知技术,是信息感知、无线传输和数据处理的关键,实现多元物理世界、智能计算世界和人类社会互相联系,共同发展。其中异构无线传感网络（Heterogeneous Wireless Sensor Networks,HWSNs）具有高效性、普适性和可扩展性等优点,已经成为当前无线传感器网络技术演进的一个新趋势。本文以复杂工业应用环境为研究背景,着重研究适用于大规模、信息较简单且时延容忍的异构传感网络,利用极限学习机和群智能优化算法,深入开展异构无线传感网络数据处理和性能优化的关键问题研究,以满足工业应用领域对网络性能提出的严苛要求,保证HWSNs在复杂工业应用环境下节能高效和稳定可靠地运行。研究内容包括工业应用环境下的节点部署与覆盖优化、节能可靠分簇数据收集、稳定高效数据融合、节点故障诊断等数据处理和性能优化问题,主要研究成果如下:1、针对HWSNs传感节点随机部署过程中导致的覆盖盲区和冗余问题,本文以降低节点部署成本、降低覆盖冗余和空洞、提高监测区域覆盖率为目标,提出一种基于粒子群优化帝王蝶算法和极限学习机的HWSNs节点部署与覆盖优化方法。首先建立覆盖优化模型,应用极限学习机优化网络覆盖率、网络工作效率和能量均衡系数的权值系数。在计算覆盖率的过程中,提出一种粒子群优化帝王蝶算法来优化覆盖率,粒子群算法主要来优化帝王蝶算法的蝴蝶迁移率和调整比,可以提高算法的收敛速度并找到全局最优解。仿真结果表明提出的算法提高网络覆盖率,降低覆盖成本,有效地避免网络中存在的覆盖盲区和覆盖冗余。2、解决了HWSNs分簇数据收集过程中的簇首选取和最优分簇数问题。为了有效减少网络能耗,提高数据收集效率和延长网络寿命,提出一种基于在线序列极限学习机和灰狼算法的HWSNs分簇数据收集方法。首先通过在线序列极限学习机的自适应学习选择出最佳簇首,避免簇头的选取不当以及频繁选取,加速传感节点能量消耗并缩短HWSNs的生存周期,破坏整个HWSNs的稳定性。设计了一种基于灰狼优化算法的HWSNs最优分簇数方法,避免簇头数目过多或过少,以优化簇头与基站间的通信能耗,均衡网络所有节点能耗。仿真结果表明提出的算法在保证数据时延性要求的条件下,能降低网络能耗、提高网络数据收集效率、可靠性和延长网络寿命。3、针对HWSNs的数据融合过程中数据通信量较大、网络能耗较高和融合率较低等问题,应用蝙蝠算法优化极限学习机的权值和阈值,提出一种基于蝙蝠算法优化极限学习机的HWSNs数据融合方法。利用异构传感节点数据间的时间-空间相关特性,运用改进的极限学习机在每个异构传感网络分簇路由结构中对节点所采集的数据进行处理,减少传输给Sink节点的数据量。仿真结果表明提出的算法不仅提高数据融合效率,平衡网络的能量负载,还降低网络能耗,延长网络寿命。4、解决了HWSNs传感节点故障诊断精度较低问题。针对异构传感节点故障诊断精度不高和诊断过程计算较为复杂的问题,提出改进的人工蜂群算法优化核极限学习机的HWSNs节点故障诊断方法。应用蜂群算法优化核极限学习机的正则化因子和核参数。如果蜂群算法陷入早熟,则采用柯西变异操作。该方法参数设置少、实现简单、网络训练速度快。仿真结果表明提出的算法提高传感节点硬件故障的诊断精度,能较好地适用于HWSNs节点硬件故障诊断。本文研究了HWSNs数据处理和性能优化理论,为发展物联网和无线传感网络关键技术、拓宽应用范围提供有力的支撑,也为构建适用于复杂工业应用环境的异构无线传感网络提供有效途径。
陈瑞[7]（2021）在《面向过程装备数据的故障识别与状态预测》文中认为随着对数据采集手段的日新月异,对于数据获取愈加便利,使得数据的量级呈指数性增加。如何从海量数据中提取有效信息,用以指导现实中的工业生产和日常生活成了现阶段日渐成熟的研究热点方向。本文以过程装备与过程工艺生产中采集的大量数据为研究对象。首先通过对过程装备与工艺生产中的数据进行特性分析,然后根据分析结果来设计合适的机器学习算法模型,最后根据模型的预测结果来为实际过程工业生产中广泛存在故障诊断和工艺优化等核心问题提供相应的技术支持。本论文的主要工作概括如下:（1）针对实际运行环境下的化工厂水泵具有工况数据量大、运行时间长、特征类型多等特点,提出一种基于特征加权的高斯加权K近邻-支持向量机（GWKNN-SVM）的组合故障诊断分类算法,并通过实际运行环境下三台水泵工况数据与其他算法进行诊断对比,验证了设计故障诊断模型的有效性与准确率。（2）针对实际生产中汽油催化裂化流程中辛烷损失值存在难以实时获取、工艺流程复杂、特征数据相互耦合等特点,提出一种基于信息增益与粒子群优化随机森林（IG-PSO-RF）的辛烷损失值预测模型,通过不同运行时期的采集数据对模型进行训练与预测对比,验证了预测模型的有效性与精度。（3）针对实际生产中青霉素发酵过程周期长、特性阶段多、数据采集耗时困难等特点,提出一种基于模糊C均值聚类的果蝇优化最小二乘支持向量机与随机森林（FCM-（FAO-LSSVM）-RF）的青霉素浓度预测模型,通过使用Pensim平台的仿真数据与其他算法进行预测性能对比,验证了预测模型的有效性与精度。
尤海辉[8]（2021）在《循环流化床垃圾焚烧炉燃烧优化试验研究》文中指出生活垃圾焚烧技术具有减容化、减量化、无害化和资源化的特点,在国家相关产业政策的引导下,国内垃圾焚烧行业得到了蓬勃的发展,循环流化床（Circulating Fluidized Bed,CFB）垃圾焚烧技术作为主要的焚烧技术之一,在国内获得了广泛的推广应用。随着垃圾焚烧环保标准和监管力度不断提高,部分CFB生活垃圾发电企业出现了CO排放及炉膛中上部温度5分钟均值不能连续稳定达标等问题,如何通过系统性的燃烧优化,提升垃圾焚烧炉运行的环保性和经济性,是CFB垃圾焚烧炉持续发展的重要课题。本文以CFB生活垃圾焚烧炉为研究对象,从燃烧优化的角度出发,致力于提升锅炉运行的环保性和经济性,开展了以下研究工作:（1）概括介绍CFB垃圾焚烧工艺和CFB垃圾焚烧炉的组成,分析并归纳总结了CFB焚烧炉流体动力学特性、炉内传热模型、燃烧模型、CO生成和燃烧机理、热工特性,在此基础上阐述了CFB生活垃圾焚烧系统的运行控制要求。（2）对某CFB垃圾炉的烟气污染物排放特性进行了全面的诊断分析,深入跟踪分析CO排放状况、运行状况。结果表明,垃圾品质差、垃圾预处理和给料均匀性不够重视、运行调整不合理等因素,导致出现CO超标排放、运行周期偏短等问题。（3）对CFB垃圾焚烧炉的CO排放特性进行了深入的试验研究,分析了CO超标排放的影响因素。从垃圾预处理、垃圾给料、炉膛受热面布置、炉膛二次风布置、热烟气停留时间等方面着手,提出系统性解决方案。经过整体改造之后,CFB垃圾焚烧锅炉CO排放数据能够连续稳定达到国家排放标准,CO时均值浓度能够稳定控制在50 mg/m3以下,日均值浓度可以控制在20 mg/m3以下,锅炉运行周期亦得到了较大的延长。（4）由于生活垃圾的复杂性,目前还没有可靠的在线测量仪器对其热值进行实时监测,自动控制系统缺少可靠的热值反馈信号,难以掌握入炉燃料热量的变化,影响控制效果。本文提出利用锅炉运行参数对入炉燃料热量进行虚拟重构的方法,结合CFB垃圾焚烧锅炉的运行机理特点和运行人员经验智慧,以模糊神经网络算法为基础,将相关的锅炉运行操作参数作为系统的输入变量,构建入炉垃圾热量的自适应神经模糊推理系统,结果表明,所构建的模型具有优秀泛化能力,可以快速准确反映入炉垃圾热值水平。此外,还利用智能建模算法针对锅炉床温、NOx、汽包水位等参数进行建模研究,预测误差均能控制在±2%以内。（5）CFB生活焚烧炉飞灰产生率普遍在原生垃圾的10%左右,偏高的飞灰率导致锅炉效率下降、运行周期偏短、飞灰处置成本上升。本文进行了针对性的减量化研究,针对长期焚烧城乡垃圾和填埋场陈腐垃圾的焚烧炉,设计了尾部烟道转向室底灰收集减量系统、循环灰收集减量系统和飞灰回燃系统,通过多种方式降低CFB锅炉的飞灰率。实践结果表明,尾部烟道转向室底灰收集减系统可以减少飞灰率4%以上,循环灰收集减量系统在长期焚烧城乡垃圾和填埋场陈腐垃圾的锅炉能够减少飞灰率5%左右,飞灰回燃系统有助于CO排放控制,并且能够减少飞灰率1.5%左右,减少每吨垃圾2kg左右氢氧化钙用量。最后对全文的研究内容和结论进行了总结,认为开展的相关试验研究工作及提出的系统性优化方案,对控制CFB垃圾焚烧炉CO稳定达标排放、延长锅炉运行周期、优化锅炉运行调整方式、降低飞灰量有积极的促进作用。阐述了本文的研究工作不足之处及未来展望,指明了下一步研究工作的方向。
庄严[9]（2020）在《基于神经网络的高校科研团队评价模型研究》文中认为高校科研团队的综合实力是评价高校的学术研究水平和创新能力的重要指标,并且其还对国家的科技发展有着至关重要的影响。当下,国内外针对高校科研团队评价的现有方式往往聚焦于高校科研团队的现有成果,而忽略了影响高校科研团队发展进步的学术竞争力以及影响学术竞争力的环境。并且高校科研团队在对综合实力的评价过程中,过程复杂,因素众多,并非简单的线性关系。当前的评价方法多为多指标混合评估,但是在评价指标权重分配方面会出现一定困难与阻碍,因而高校的科研团队综合实力评价通常会出现准确性低,评价不够客观等不可忽略的现象。为了提高高校科研团队综合实力评价结果的准确性,在分析影响高校科研团队综合实力因素的基础上,利用神经网络理论建立高校科研团队评价的数学模型,旨在提高科研评价过程的科学性和精确性,为高校科研团队综合实力评价提供较为科学系统全面的依据。本文的主要成果为以下三个方面:1、本文研究分析了高校科研团队评价的现状,通过对高校科研评价内涵与存在的主要问题的分析,本着科学合理的原则,提出了一种既包含学术竞争力诸如学术影响力、产学研能力、团队成长能力、学科融合能力等指标,又包括学术环境诸如团队领导、成员结构、成员竞争、激励机制等指标的综合评价体系。2、本文引入了SOM神经网络算法,并对传统的SOM神经网络算法学习率以及邻域函数进行了一定改进,基于其出色的学习分类能力,建立基于SOM神经网络的高校科研团队综合实力评价模型,结合Matlab软件进行仿真实验,对其改进前后分类效果进行对比。结果表明,改进后SOM神经网络学习速度有所提升,分类评价准确率比较高,但该方法依然存在一定的局限性。3、由于SOM神经网络训练时在样本数据较少时受输入顺序的影响较大,这会导致出现局部优化的现象,其评价分类效果具有一定的局限性。因此本文引入了粒子群优化算法,并对其算法流程与结构进行一定介绍,通过粒子群优化算法与改进SOM神经网络算法的结合,即通过改进SOM神经网络对数据样本进行训练测试来获得较优的权值,然后将获得的权值对PSO进行初始化,这再次显着提高了评价分类效果。
王继明[10]（2019）在《基于驾驶行为特征的双离合器自动变速器起步智能控制策略研究》文中研究表明双离合器自动变速器（Dual Clutch Transmission,DCT）因其技术特点,特别适合国内目前的技术基础和制造条件。因此国内众多汽车厂商都先后进行了DCT的自主研发。近年来,随着汽车智能网联化的快速发展以及机器学习算法的成熟,有必要进一步开展考虑驾驶行为特征（驾驶风格和起步驾驶意图）的DCT智能控制策略的研究。本文以改善汽车起步过程智能控制为研究目的,开展了基于驾驶行为特征的双离合器自动变速器起步智能控制策略研究,主要研究内容如下:（1）基于特征工程的驾驶风格分类与识别研究。首先进行考虑驾驶风格影响因素的道路试验设计和数据采集,并对驾驶员的驾驶风格进行主观评价。对速度、加速度和油门开度数据进行基于信息熵的特征离散化,构建出44个表征驾驶风格的特征量。考虑到所构建特征量间的强相关性和冗余性,采用主成分分析对其进行降维,并应用模糊C均值聚类对驾驶风格进行分类。在此基础上,提出了基于参数优化的支持向量机算法对分类后的驾驶风格进行识别。为车辆起步智能控制策略的研究奠定了基础。（2）融合驾驶风格的起步驾驶意图分类与识别建模。首先分析了驾驶员起步意图的影响因素、不同风格驾驶员起步意图的差异以及结合起步过程分析了预测油门开度的重要性。然后结合BP神经网络能够重建任意复杂非线性连续函数的能力,利用BP神经网络对驾驶员起步过程中的油门开度进行预测。最后,基于模糊C均值聚类对预测后的油门开度和其一阶导数进行分类,应用聚类分析从客观数据的层面来提取和制定起步驾驶意图识别系统的模糊规则,使得模糊规则的制定更能符合客观实际,并据此完成了基于模糊聚类的起步驾驶意图识别系统的设计,为车辆起步智能控制策略能更好的适应起步驾驶意图奠定了基础。（3）基于模糊神经网络的DCT起步过程智能控制。通过分析起步时离合器结合的影响因素,最终将起步驾驶意图、离合器主从盘转速差、发动机实际转速和目标转速差作为离合器结合过程中的控制变量。然后为了能更好地学习原仿真控制策略的控制规则,结合神经网络和模糊控制的优点,设计了自适应模糊神经网络起步智能控制系统,利用仿真得到的数据来训练模糊神经网络系统,实现了模糊规则获取的客观性以及模糊规则与隶属度函数的自学习与自调整功能。最后建立起步过程的Simulink仿真模型,对所提控制策略进行了仿真与验证。（4）基于多目标粒子群优化算法的DCT起步过程离合器结合位移优化研究。首先对车辆起步控制过程中的评价指标进行分析。考虑到车辆起步过程是一个动态问题,选择离合器结合位移为优化对象,应用神经网络和最小二乘法将离合器结合位移拟合成为一个多项式函数,得到需要优化的多项式参数;然后将起步过程中的客观限制条件和起步意图作为约束条件,冲击度和滑磨功作为目标函数,离合器位移作为优化对象,设计了基于多目标粒子群优化算法的DCT起步过程离合器结合位移优化算法,从而得到一组考虑起步意图的最优的离合器结合位移曲线。最后利用模糊集合理论,从最优解集中寻找出最优个体解,实现了起步过程离合器结合位移的优化。
二、粒子群优化算法训练模糊神经网络（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、粒子群优化算法训练模糊神经网络（论文提纲范文）
（1）面向智能车行驶的最佳路径选择机制与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 智能车研究背景 |
| 1.1.2 智能车路径规划研究的意义 |
| 1.2 智能驾驶车辆研究现状 |
| 1.2.1 智能驾驶车辆的特点 |
| 1.2.2 智能车路径规划研究进展 |
| 1.3 本文研究的内容及解决方案 |
| 1.4 论文结构安排 |
| 第二章 面向智能车行驶的最佳路径选择相关技术 |
| 2.1 智能车最佳路径研究的意义 |
| 2.2 面向智能车路径研究的关键技术 |
| 2.2.1 环境感知 |
| 2.2.2 导航定位 |
| 2.2.3 路径规划 |
| 2.2.4 决策控制 |
| 2.2.5 服务支撑技术 |
| 2.3 最佳路径选择技术的应用 |
| 2.4 本章小结 |
| 第三章 基于参数体系的最佳路径选择机制 |
| 3.1 概述 |
| 3.2 环境映射 |
| 3.3 路径搜索 |
| 3.3.1 基础搜索算法 |
| 3.3.2 基于仿生学的算法 |
| 3.3.3 融合人工智能的算法 |
| 3.4 最佳路径选择 |
| 3.4.1 路径选择参数体系 |
| 3.4.2 处理过程 |
| 3.5 本章小结 |
| 第四章 基于先验强化学习的最佳路径选择方法 |
| 4.1 概述 |
| 4.2 OPABRL算法 |
| 4.2.1 参数设计 |
| 4.2.2 PBRL策略 |
| 4.2.3 SOA算法 |
| 4.2.4 算法步骤 |
| 4.3 OPABRL算法复杂度分析 |
| 4.4 仿真测试与实验分析 |
| 4.4.1 仿真测试结果与分析 |
| 4.4.2 实验测试结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进粒子群算法的最佳路径选择方法 |
| 5.1 概述 |
| 5.2 HPFA算法 |
| 5.2.1 基本定义 |
| 5.2.2 IPSO设计 |
| 5.2.3 SFNN结构设计 |
| 5.2.4 HPFA算法步骤 |
| 5.3 HPFA算法复杂度分析 |
| 5.4 仿真测试与分析 |
| 5.4.1 仿真实验分析 |
| 5.4.2 实验测试分析 |
| 5.5 本章小结 |
| 第六章 基于强化学习和粒子群算法混合策略的路径规划方法 |
| 6.1 概述 |
| 6.2 HPHA算法设计 |
| 6.2.1 HORL算法 |
| 6.2.2 PPSO算法设计 |
| 6.2.3 HPHA路径规划算法 |
| 6.3 HPHA算法复杂度分析 |
| 6.4 算法仿真与实验分析 |
| 6.4.1 仿真测试分析 |
| 6.4.2 实验测试分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 研究方向展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（2）基于群智能算法优化的入侵检测模型研究（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 入侵检测概述 |
| 1.3 国内外研究现状 |
| 1.3.1 典型入侵检测方法 |
| 1.3.2 基于群智能的入侵检测研究方案 |
| 1.4 本文研究思路和工作创新 |
| 1.4.1 本文研究思路 |
| 1.4.2 工作创新 |
| 1.5 论文的组织结构 |
| 1.6 本章小结 |
| 第二章 相关背景知识 |
| 2.1 超启发式算法 |
| 2.1.1 粒子群优化算法 |
| 2.1.2 蝙蝠算法 |
| 2.1.3 灰狼优化算法 |
| 2.1.4 差分进化算法 |
| 2.2 无免费午餐定理 |
| 2.3 核极限学习机的演进 |
| 2.3.1 单隐层前馈神经网络 |
| 2.3.2 极限学习机 |
| 2.3.3 核极限学习机 |
| 2.4 本章小结 |
| 第三章 基于PSO的核极限学习机入侵检测模型 |
| 3.1 引言 |
| 3.2 基于PSO的核极限学习机建模过程 |
| 3.3 参数优化和特征选择技术 |
| 3.3.1 基于网格搜索的参数优化 |
| 3.3.2 基于遗传算法的参数优化和特征选择 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 数据集及实验环境 |
| 3.4.2 评价指标 |
| 3.4.3 参数对核极限学习机分类器的影响 |
| 3.4.4 适应函数中权重系数选取 |
| 3.4.5 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于BA的集成剪枝入侵检测模型 |
| 4.1 引言 |
| 4.2 投票极限学习机集成方案 |
| 4.2.1 随机子空间 |
| 4.2.2 基于随机子空间的投票极限学习机集成方法 |
| 4.3 基于BA的集成剪枝过程 |
| 4.3.1 集成学习方法中的多样性度量 |
| 4.3.2 集成剪枝过程 |
| 4.3.3 复杂度分析 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 确定隐藏层节点个数和随机子空间维数 |
| 4.4.3 基本ELM、VELM和Pruning VELM技术比较 |
| 4.4.4 讨论 |
| 4.5 本章小结 |
| 第五章 基于超启发算法的多核极限学习机入侵检测模型 |
| 5.1 引言 |
| 5.2 ReliefF技术 |
| 5.3 基于超启发算法的多核极限学习机模型 |
| 5.3.1 多核极限学习机建模过程 |
| 5.3.2 复杂度分析 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 实验描述 |
| 5.4.2 评价指标 |
| 5.4.3 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的成果 |
| 攻读博士学位期间参与的科研项目 |
（3）基于粒子群优化神经网络的三相逆变器故障诊断研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 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 基于解析模型的故障诊断方法 |
| 1.2.2 基于信号处理的故障诊断方法 |
| 1.2.3 基于知识的故障诊断方法 |
| 1.3 论文主要研究内容 |
| 第2章 三相电压型逆变器故障分析 |
| 2.1 主电路拓扑结构及工作方式 |
| 2.2 三相电压型逆变器故障分类 |
| 2.3 故障后输出电压分析 |
| 2.4 开路故障仿真 |
| 2.5 本章小结 |
| 第3章 三相逆变器故障特征提取方法 |
| 3.1 傅里叶变换 |
| 3.1.1 连续傅里叶变换 |
| 3.1.2 离散傅里叶变换 |
| 3.1.3 快速傅里叶变换 |
| 3.1.4 基于快速傅里叶变换的VSI特征提取 |
| 3.2 小波包分解 |
| 3.2.1 连续小波变换与离散小波变换 |
| 3.2.2 小波包分解与重构 |
| 3.2.3 基于小波包能量法的VSI特征提取 |
| 3.3 本章小结 |
| 第4章 基于PSO算法优化神经网络的VSI故障诊断方法 |
| 4.1 粒子群优化算法 |
| 4.1.1 粒子群优化算法原理 |
| 4.1.2 粒子群优化算法中的参数分析 |
| 4.1.3 粒子群优化算法的性能测试 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络基本原理 |
| 4.2.2 基于多分类问题的BP神经网络模型 |
| 4.2.3 基于不同VSI故障特征的模型训练结果 |
| 4.3 基于PSO算法优化神经网络的VSI故障诊断 |
| 4.3.1 基于PSO算法优化BP神经网络 |
| 4.3.2 基于PSO算法优化BP神经网络的训练结果 |
| 4.4 本章小结 |
| 第5章 基于BAS-PSO-BPNN模型的VSI故障诊断方法 |
| 5.1 天牛须搜索算法 |
| 5.2 粒子群优化算法融合天牛须搜索算法 |
| 5.2.1 融合天牛须搜索行为的粒子群优化算法 |
| 5.2.2 算法性能测试结果 |
| 5.3 基于BAS-PSO算法优化BP神经网络的VSI故障诊断 |
| 5.3.1 基于BAS-PSO算法优化BP神经网络 |
| 5.3.2 优化后神经网络的VSI故障诊断结果 |
| 5.4 基于Top K算法的VSI故障诊断方法 |
| 5.4.1 Top K算法及应用思路 |
| 5.4.2 基于Top K算法的VSI故障诊断结果 |
| 5.5 本章小结 |
| 第6章 结论 |
| 6.1 全文总结 |
| 6.2 下一步工作建议 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）蠕墨铸铁切削数据的综合智能推理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能推理技术的研究现状 |
| 1.1.1 高速切削加工数据库的研究现状 |
| 1.1.2 智能推理技术的研究现状 |
| 1.2 启发式算法的研究现状 |
| 1.3 高速切削加工蠕墨铸铁的研究现状 |
| 1.4 智能推理在高速切削铸铁中存在的问题 |
| 1.5 本文的研究目的、意义及主要研究内容 |
| 1.5.1 本文的研究目的和意义 |
| 1.5.2 主要研究内容 |
| 第2章 改进的粒子群优化算法及其应用研究 |
| 2.1 常规粒子群优化算法和差分进化算法分析 |
| 2.1.1 常规粒子群优化算法 |
| 2.1.2 常规差分进化算法 |
| 2.2 改进的粒子群优化算法研究 |
| 2.2.1 改进的振动粒子群优化算法 |
| 2.2.2 改进的振动交流粒子群优化算法 |
| 2.3 改进的粒子群优化算法全局收敛能力分析 |
| 2.3.1 改进的振动粒子群优化算法的全局收敛能力分析 |
| 2.3.2 改进的振动交流粒子群优化算法的全局收敛能力分析 |
| 2.3.3 改进的优化算法与其它优化算法的对比分析 |
| 2.4 VCPSO算法在高速铣削蠕墨铸铁材料中的应用研究 |
| 2.4.1 ANFIS推理模型结构 |
| 2.4.2 实验方案 |
| 2.4.3 基于ANFIS-VCPSO推理模型的刀具磨损预测 |
| 2.4.4 铣削蠕墨铸铁时基于ANFIS-VCPSO推理模型的刀具寿命和切削力预测 |
| 2.5 本章小结 |
| 第3章 改进的模糊推理模型和相似推理模型的建立与应用 |
| 3.1 在相同材料不同切削参数下模糊推理模型的建立 |
| 3.1.1 模糊推理系统 |
| 3.1.2 改进的ANFIS推理模型 |
| 3.2 在不同材料相同切削参数下相似推理模型的建立 |
| 3.2.1 切削功率的相似推理模型建立 |
| 3.2.2 表面粗糙度的相似推理模型建立 |
| 3.3 实验验证方案 |
| 3.3.1 实验验证方案设计 |
| 3.3.2 推理模型参数设置 |
| 3.4 结果分析 |
| 3.4.1 模糊推理模型的验证 |
| 3.4.2 基于IANFIS-VPSO方法的切削参数优化分析 |
| 3.4.3 基于特定切削要求的切削参数优化分析 |
| 3.4.4 切削功率相似推理模型的验证 |
| 3.4.5 表面粗糙度相似推理模型的验证 |
| 3.5 本章小节 |
| 第4章 基于模糊灰色关联方法的实例推理方法的重建与应用 |
| 4.1 改进的实例推理方法 |
| 4.1.1 实例描述 |
| 4.1.2 实例检索 |
| 4.1.3 实例重用 |
| 4.2 实验验证方案 |
| 4.3 结果分析 |
| 4.3.1 实验结果 |
| 4.3.2 切削参数和刀具磨损对切削功率和切削振动振幅的影响 |
| 4.3.3 ICBR推理方法的推理性能分析 |
| 4.3.4 基于ANFIS-VPSO方法的切削参数优化分析 |
| 4.4 本章小结 |
| 第5章 基于高斯过程回归模型的实例推理方法的重建与应用 |
| 5.1 改进的实例重用模型 |
| 5.1.1 改进的实例重用高斯过程回归模型 |
| 5.1.2 改进的实例重用支持向量回归机模型 |
| 5.1.3 改进的实例推理模型的参数确定 |
| 5.2 实验验证方案 |
| 5.3 结果分析 |
| 5.3.1 实验数据收集 |
| 5.3.2 切削参数和刀具磨损对表面质量的影响分析 |
| 5.3.3 表面粗糙度和残余应力的推理预测 |
| 5.3.4 不同推理模型的推理性能比较分析 |
| 5.4 本章小结 |
| 第6章 综合智能推理系统的实现 |
| 6.1 综合智能推理系统的开发环境 |
| 6.2 综合智能推理系统的数据库构建 |
| 6.3 综合智能推理系统的构建 |
| 6.4 综合智能推理系统的实现 |
| 6.4.1 用户登录界面 |
| 6.4.2 改进的自适应神经模糊推理系统界面实现 |
| 6.4.3 改进的实例推理方法界面实现 |
| 6.5 本章小结 |
| 结论与展望 |
| 论文创新点摘要 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和获得的奖励 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）基于改进的PSO的BP神经网络模型的建立及在空气质量预测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 理论意义 |
| 1.1.3 实际意义 |
| 1.2 国内外研究现状及评述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 简要评述 |
| 1.3 主要研究内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 研究方法 |
| 1.5 本文组织结构 |
| 第2章 空气质量预测原理及BP神经网络理论 |
| 2.1 空气质量指数(AQI)预测分析 |
| 2.2 数据处理 |
| 2.2.1 数据来源 |
| 2.2.2 数据筛选 |
| 2.2.3 数据预处理 |
| 2.3 BP神经网络模型 |
| 2.3.1 BP神经网络概述 |
| 2.3.2 BP神经网络结构 |
| 2.3.3 BP神经网络的求解过程 |
| 2.3.4 BP神经网络的局限性 |
| 2.4 本章小结 |
| 第3章 基于K均值聚类分析策略的粒子群优化算法(PSO) |
| 3.1 粒子群优化算法 |
| 3.1.1 粒子群优化算法的基本原理 |
| 3.1.2 粒子群优化算法的收敛性 |
| 3.1.3 粒子群优化算法的优缺点及现有改进 |
| 3.2 K均值聚类算法 |
| 3.3 基于K均值聚类分析策略的粒子群优化算法(PSO)优化 |
| 3.3.1 基于K-means算法的改进PSO研究可行性分析 |
| 3.3.2 基于K-means算法的改进PSO研究 |
| 3.3.3 测试与结果分析 |
| 3.4 本章小结 |
| 第4章 基于改进的PSO的BP神经网络的空气质量指数预测模型 |
| 4.1 空气质量指数预测流程分析 |
| 4.2 确定预测指标 |
| 4.2.1 数据说明 |
| 4.2.2 相关性分析 |
| 4.3 预测模型网络结构 |
| 4.3.1 网络各层参数设计 |
| 4.3.2 设定模型参数 |
| 4.4 基于改进的PSO优化的BP神经网络模型 |
| 4.4.1 参数设置 |
| 4.4.2 优化步骤 |
| 4.4.3 BP神经网络模型测试 |
| 4.4.4 BP神经网络模型在近期空气质量预测中的应用 |
| 4.5 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 在学期间发表论文及参加课题情况 |
（6）基于极限学习机的异构无线传感网络性能优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 异构无线传感器网络概述 |
| 1.2.1 HWSNs的异构类型 |
| 1.2.2 HWSNs的网络结构 |
| 1.2.3 HWSNs的特点及挑战 |
| 1.3 国内外研究现状 |
| 1.3.1 HWSNs关键技术研究现状 |
| 1.3.2 极限学习机研究现状 |
| 1.3.3 群智能优化算法研究现状 |
| 1.4 本文的研究内容 |
| 1.5 本文的组织结构 |
| 2 基于帝王蝶算法和极限学习机的HWSNs覆盖优化研究 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 覆盖优化数学模型 |
| 2.4 帝王蝶算法和极限学习机 |
| 2.4.1 帝王蝶优化算法 |
| 2.4.2 粒子群优化帝王蝶算法 |
| 2.4.3 极限学习机概述 |
| 2.5 HWSNs覆盖优化算法设计 |
| 2.6 算法仿真对比与分析 |
| 2.6.1 仿真环境设置 |
| 2.6.2 函数目标优化 |
| 2.6.3 仿真结果对比及分析 |
| 2.7 本章小结 |
| 3 基于在线序列极限学习机和灰狼优化算法的HWSNs分簇数据收集研究 |
| 3.1 引言 |
| 3.1.1 HWSNs分簇数据收集原理 |
| 3.1.2 HWSNs分簇数据收集设计原则 |
| 3.2 相关工作 |
| 3.3 系统模型与问题描述 |
| 3.3.1 HWSNs分簇数据收集模型 |
| 3.3.2 HWSNs网络能耗模型 |
| 3.3.3 HWSNs最优簇头数模型 |
| 3.4 在线序列极限学习机和灰狼优化算法 |
| 3.4.1 在线序列极限学习机 |
| 3.4.2 灰狼优化算法 |
| 3.5 HWSNs分簇数据收集算法设计 |
| 3.5.1 数据收集算法设计思想及过程 |
| 3.5.2 数据收集算法描述及分析 |
| 3.6 算法仿真对比与结果分析 |
| 3.6.1 仿真环境搭建 |
| 3.6.2 仿真结果对比及分析 |
| 3.7 本章小结 |
| 4 基于蝙蝠算法优化极限学习机的HWSNs数据融合算法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 蝙蝠算法优化极限学习机 |
| 4.3.1 蝙蝠算法 |
| 4.3.2 蝙蝠算法优化极限学习机 |
| 4.4 HWSNs数据融合算法设计 |
| 4.5 算法仿真对比与结果分析 |
| 4.5.1 仿真环境搭建 |
| 4.5.2 仿真结果对比及分析 |
| 4.6 本章小结 |
| 5 基于人工蜂群优化核极限学习机的HWSNs故障诊断策略 |
| 5.1 引言 |
| 5.2 节点硬件故障分类及相关工作 |
| 5.3 核极限学习机 |
| 5.4 人工蜂群优化核极限学习机 |
| 5.4.1 人工蜂群算法 |
| 5.4.2 人工蜂群优化核极限学习机 |
| 5.5 HWSNs节点故障诊断算法设计 |
| 5.6 算法仿真对比与结果分析 |
| 5.6.1 仿真环境参数设置 |
| 5.6.2 测试目标函数优化 |
| 5.6.3 仿真结果对比及分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（7）面向过程装备数据的故障识别与状态预测（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 机器学习算法发展及现状 |
| 1.1.2 过程行业现状与过程装备数据特征分析 |
| 1.2 机器学习在过程装备数据中应用的研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 基于特征加权的GWKNN-SVM水泵故障诊断算法设计 |
| 2.1 研究背景与数据特点 |
| 2.1.1 研究背景 |
| 2.1.2 数据特点 |
| 2.2 K近邻算法模型 |
| 2.2.1 K近邻算法简介 |
| 2.2.2 高斯加权K近邻算法步骤 |
| 2.3 特征加权过程 |
| 2.4 支持向量机算法模型 |
| 2.4.1 支持向量机算法简介 |
| 2.4.2 SVM算法步骤 |
| 2.5 基于特征加权的GWKNN-SVM化工水泵故障诊断算法设计 |
| 2.6 实例仿真验证与分析 |
| 2.6.1 实验数据与参数 |
| 2.6.2 实验结果与讨论 |
| 2.7 本章小结 |
| 第三章 基于信息增益与PSO-RF的辛烷损失值预测算法设计 |
| 3.1 研究背景与数据特点 |
| 3.1.1 研究背景 |
| 3.1.2 数据特点 |
| 3.2 信息增益原理 |
| 3.3 粒子群算法 |
| 3.3.1 粒子群算法简介 |
| 3.3.2 粒子群算法步骤 |
| 3.4 随机森林算法 |
| 3.4.1 随机森林算法简介 |
| 3.4.2 随机森林回归算法步骤 |
| 3.5 基于粒子群优化随机森林参数融合算法设计过程 |
| 3.6 实例仿真验证与分析 |
| 3.6.1 实验数据与参数 |
| 3.6.2 实验结果与分析 |
| 3.7 本章小结 |
| 第四章 基于FCM-(FOA-LSSVM)-RF的青霉素浓度预测算法设计 |
| 4.1 研究背景与数据特点 |
| 4.1.1 研究内容 |
| 4.1.2 数据特点 |
| 4.2 模糊C均值聚类算法 |
| 4.2.1 模糊C均值聚类简介 |
| 4.2.2 模糊C均值聚类算法步骤 |
| 4.3 果蝇优化算法 |
| 4.3.1 果蝇优化算法模型 |
| 4.3.2 果蝇优化算法步骤 |
| 4.4 最小二乘支持向量机简介 |
| 4.5 皮尔森系数 |
| 4.6 基于FCM-(FOA-LSSVM)-RF的青霉素发酵浓度预测算法设计 |
| 4.7 实例仿真验证与分析 |
| 4.7.1 实验数据与参数 |
| 4.7.2 实验结果与分析 |
| 4.8 本章小结 |
| 第五章 结论与展望 |
| 5.1 全文结论 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间发表论文目录 |
（8）循环流化床垃圾焚烧炉燃烧优化试验研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语符号对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究现状 |
| 1.2.1 “软”的层面 |
| 1.2.2 “硬”的层面 |
| 1.3 本文主要研究内容 |
| 2 研究对象分析 |
| 2.1 引言 |
| 2.2 CFB垃圾焚烧工艺 |
| 2.3 CFB锅炉生活垃圾焚烧锅炉组成 |
| 2.4 CFB锅炉流体动力学特性 |
| 2.4.1 密相区流体动力学模型 |
| 2.4.2 稀相区流体动力学模型 |
| 2.5 CFB炉内传热模型 |
| 2.6 燃烧模型 |
| 2.7 CFB垃圾焚烧炉中CO生成及燃烧机理 |
| 2.8 CFB燃烧方式的主要特点 |
| 2.9 CFB生活垃圾燃烧运行控制任务 |
| 2.10 本章小结 |
| 3 CFB垃圾焚烧炉燃烧诊断 |
| 3.1 引言 |
| 3.2 某电厂CFB垃圾焚烧锅炉烟气污染物排放诊断 |
| 3.2.1 不同燃烧工况下运行数据分析 |
| 3.2.2 飞灰、底渣取样分析 |
| 3.2.3 典型负荷下炉膛不同位置烟气组分分析 |
| 3.2.4 典型工况能量质量平衡分析 |
| 3.2.5 冒正压问题 |
| 3.3 CFB生活垃圾焚烧锅炉垃圾前端处理分析 |
| 3.3.1 垃圾堆酵状况 |
| 3.3.2 垃圾破碎分选状况 |
| 3.3.3 垃圾给料输送设备 |
| 3.4 本章小结 |
| 4 CFB垃圾焚烧炉烟气污染物排放优化控制 |
| 4.1 引言 |
| 4.2 垃圾预处理及给料优化 |
| 4.2.1 垃圾堆酵优化 |
| 4.2.2 垃圾破碎、分选系统优化 |
| 4.2.3 垃圾给料系统优化 |
| 4.3 锅炉本体部分改造 |
| 4.3.1 增加卫燃带 |
| 4.3.2 二次风改造 |
| 4.3.3 增加空烟道 |
| 4.4 综合改造后效果 |
| 4.5 本章小结 |
| 5 CFB垃圾焚烧炉入炉垃圾热量软测量及床温预测研究 |
| 5.1 引言 |
| 5.2 基于智能算法的入炉垃圾热量软测量模型 |
| 5.2.1 多种群遗传粒子群寻优算法研究 |
| 5.2.2 智能建模算法介绍 |
| 5.2.3 热量预测模型输入变量的选择 |
| 5.2.4 垃圾热值的模糊等级划分 |
| 5.2.5 数据采集及预处理 |
| 5.2.6 模型总体优化方案 |
| 5.2.7 构建基于BP神经网络的入炉垃圾热量预测模型 |
| 5.2.8 构建基于SVM的入炉垃圾热量预测模型 |
| 5.2.9 构建基于ANFIS的入炉垃圾热量预测模型 |
| 5.2.10 构建RF入炉垃圾热量预测模型 |
| 5.2.11 模型比较结果和讨论 |
| 5.2.12 模型预测热量与实际热量对比 |
| 5.3 床温预测智能建模 |
| 5.3.1 床温特性分析 |
| 5.3.2 床温预测模型变量选择 |
| 5.3.3 床温模型建立 |
| 5.3.4 模拟结果与讨论 |
| 5.4 本章小结 |
| 6 CFB垃圾焚烧炉飞灰减量方法和技术试验研究 |
| 6.1 引言 |
| 6.2 CFB垃圾焚烧锅炉飞灰元素和矿物组成 |
| 6.3 尾部烟道转向底灰收集减量 |
| 6.4 循环灰收集减量 |
| 6.5 飞灰回燃 |
| 6.6 本章小结 |
| 7 全文总结和工作展望 |
| 7.1 主要研究成果 |
| 7.2 本文的创新点 |
| 7.3 未来工作及展望 |
| 作者简历及攻读博士期间科研成果 |
| 参考文献 |
（9）基于神经网络的高校科研团队评价模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 科研团队评价研究的背景和意义 |
| 1.1.1 研究目的 |
| 1.1.2 研究意义 |
| 1.2 科研评价国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 人工神经网络发展现状 |
| 1.4 论文思路与结构 |
| 第二章 构建高校科研团队评价指标体系 |
| 2.1 何谓高校科研团队评价 |
| 2.1.1 高校科研团队评价定义 |
| 2.1.2 高校科研团队评价特点 |
| 2.2 高校科研团队评价存在的主要问题 |
| 2.2.1 科研评价缺少多元化机制 |
| 2.2.2 科研评价缺乏规范性 |
| 2.2.3 科研评价机制价值导向偏颇 |
| 2.3 选取评价指标的基本原则 |
| 2.4 高校科研团队评价指标的详细设计 |
| 2.5 本章小结 |
| 第三章 人工神经网络理论及在高校科研评价中适用性分析 |
| 3.1 人工神经网络 |
| 3.1.1 神经元模型 |
| 3.1.2 神经元激活函数 |
| 3.1.3 神经网络的学习 |
| 3.1.4 人工神经网络的特点 |
| 3.2 SOM神经网络算法 |
| 3.2.1 SOM神经网络结构 |
| 3.2.2 SOM神经网络学习算法 |
| 3.3 SOM神经网络算法的改进 |
| 3.4 本章小结 |
| 第四章 高校科研团队评价仿真实证研究 |
| 4.1 基于改进SOM神经网络的评价模型构建 |
| 4.1.1 评价模型样本的设计 |
| 4.1.2 输入层神经元的确立 |
| 4.1.3 竞争层神经元的确立 |
| 4.2 仿真实证 |
| 4.2.1 训练步数对聚类结果的影响 |
| 4.2.2 临近神经元的距离情况 |
| 4.2.3 每个神经元的分类情况 |
| 4.2.4 改进SOM神经网络分类准确率测试 |
| 4.2.5 改进前后SOM神经网络分类准确率测试对比 |
| 4.3 本章小结 |
| 第五章 基于粒子群优化算法结合改进SOM的评价分类方法 |
| 5.1 粒子群算法简介 |
| 5.1.1 粒子群算法基本描述 |
| 5.1.2 粒子群优化算法流程 |
| 5.1.3 粒子群优化算法与其他算法的比较 |
| 5.2 PSO和改进SOM的聚类组合算法 |
| 5.3 仿真实证 |
| 5.3.1 初始聚类中心 |
| 5.3.2 仿真结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（10）基于驾驶行为特征的双离合器自动变速器起步智能控制策略研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 双离合器自动变速器研究现状 |
| 1.3 双离合器自动变速器起步控制策略研究现状 |
| 1.3.1 驾驶行为特征研究现状 |
| 1.3.2 起步控制策略研究现状 |
| 1.4 本文的主要研究思路与内容 |
| 2 基于特征工程的驾驶风格分类与识别 |
| 2.1 引言 |
| 2.2 试验设计与数据采集 |
| 2.2.1 试验人员选择 |
| 2.2.2 试验路径的设计 |
| 2.3 驾驶风格的分类 |
| 2.3.1 数据分析 |
| 2.3.2 连续属性离散化 |
| 2.3.3 基于主成分分析的特征参数降维 |
| 2.3.4 驾驶风格的分类 |
| 2.4 驾驶风格的识别 |
| 2.4.1 支持向量机 |
| 2.4.2 基于优化的支持向量机驾驶风格分类 |
| 2.5 本章小结 |
| 3 融合驾驶风格的起步驾驶意图分类与识别建模 |
| 3.1 引言 |
| 3.2 基于驾驶风格的起步意图分析 |
| 3.2.1 基于驾驶风格的起步驾驶意图分析 |
| 3.2.2 起步意图的影响因素及判别依据 |
| 3.3 基于BP神经网络的起步油门开度预测 |
| 3.3.1 BP神经网络理论 |
| 3.3.2 基于BP神经网络的起步油门开度预测 |
| 3.3.3 仿真分析 |
| 3.4 基于模糊聚类的起步意图识别 |
| 3.4.1 FCM聚类算法与评价指标 |
| 3.4.2 基于聚类分析的起步意图分类 |
| 3.4.3 基于聚类算法的起步意图模糊识别 |
| 3.5 本章小结 |
| 4 基于模糊神经网络的DCT起步过程智能控制 |
| 4.1 引言 |
| 4.2 起步控制参数影响因素分析 |
| 4.3 基于模糊神经网络的DCT智能控制 |
| 4.3.1 自适应模糊神经网络理论 |
| 4.3.2 基于自适应模糊神经网络的离合器结合速度模型 |
| 4.4 DCT车辆起步过程建模 |
| 4.4.1 发动机模型 |
| 4.4.2 离合器传递转矩模型 |
| 4.4.3 起步阻力模型 |
| 4.4.4 仿真分析 |
| 4.5 本章小结 |
| 5 基于多目标粒子群优化算法的DCT起步过程离合器结合位移优化研究 |
| 5.1 引言 |
| 5.2 DCT起步过程评价指标 |
| 5.3 离合器结合位移曲线的拟合 |
| 5.3.1 基于BP神经网络的离合器结合位移的线性处理 |
| 5.3.2 基于最小二乘法的离合器结合位移曲线拟合 |
| 5.4 基于多目标粒子群优化算法的离合器结合位移的优化 |
| 5.4.1 多目标粒子群优化算法理论 |
| 5.4.2 基于多目标粒子群优化算法离合器结合位移优化 |
| 5.4.3 仿真结果及分析 |
| 5.5 试验验证 |
| 5.6 本章小结 |
| 6 全文总结 |
| 6.1 论文主要研究工作与结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间发表的论文目录 |
| B.作者在攻读学位期间参加的科研项目 |
| C.学位论文数据集 |
| 致谢 |
四、粒子群优化算法训练模糊神经网络（论文参考文献）
- [1]面向智能车行驶的最佳路径选择机制与方法研究[D]. 刘晓欢. 天津理工大学, 2021(08)
- [2]基于群智能算法优化的入侵检测模型研究[D]. 沈焱萍. 北京邮电大学, 2021(01)
- [3]基于粒子群优化神经网络的三相逆变器故障诊断研究[D]. 潘自超. 吉林大学, 2021(01)
- [4]蠕墨铸铁切削数据的综合智能推理方法研究[D]. 徐龙华. 山东大学, 2021
- [5]基于改进的PSO的BP神经网络模型的建立及在空气质量预测中的应用[D]. 谭若洋. 重庆工商大学, 2021(09)
- [6]基于极限学习机的异构无线传感网络性能优化研究[D]. 曹莉. 西南科技大学, 2021(09)
- [7]面向过程装备数据的故障识别与状态预测[D]. 陈瑞. 昆明理工大学, 2021(01)
- [8]循环流化床垃圾焚烧炉燃烧优化试验研究[D]. 尤海辉. 浙江大学, 2021(01)
- [9]基于神经网络的高校科研团队评价模型研究[D]. 庄严. 南京邮电大学, 2020(02)
- [10]基于驾驶行为特征的双离合器自动变速器起步智能控制策略研究[D]. 王继明. 重庆大学, 2019(01)