一、相关系数平稳序列自适应算法（论文文献综述）
杨彦军[1]（2021）在《基于多维监测的风电齿轮箱动态预警及应用研究》文中进行了进一步梳理齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:（1）针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析（Kernel Principal Component Analysis,KPCA）以及T2和平方预测误差（Square Prediction Error,SPE）统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）的状态变量和状态监测系统（Condition Monitoring System,CMS）的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。（2）通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归（Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR）的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。（3）将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解（Variational Mode Decomposition,VMD）和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解（Emprical Mode Decomposition,EMD）和集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。（4）为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
李斌[2]（2021）在《重力坝变形监控的智能分析方法研究》文中认为重力坝变形监测数据包含了大坝变形过程的重要信息,对其信息挖掘、分析预测、安全评价是掌握大坝安全性态至关重要的技术方法。随着大坝安全监控的发展,监测数据的采集方式越来越全面、越来越智能,数据量也越来越大,这就对数据的分析处理能力提出了更高的要求。如何在海量数据中挖掘更多的有用信息,是了解大坝运行性态的基础;如何对海量数据进行预处理,是提高数据质量的前提;而对效应量保持长期精准的预测以及科学合理的安全评价,是大坝安全管理的重要内容。因此,在人工智能快速发展的时代背景下,本文以重力坝变形监测相关数据为研究对象,引入数据挖掘、智能算法、机器学习等方法,用于监测数据的异常值检测、预测预报、安全评价等分析方法的研究。主要研究内容和成果如下:（1）通过理论分析与实测数据验证,总结了重力坝变形的一般规律。首先,对空间维度的面板数据进行了相关分析,结果表明不同坝段之间均具有高度线性相关性;在此基础上,提出了形状相似系数,用于描述不同测点在变形幅度上的大小关系,计算结果表明:以中间坝段为中心将坝体对称分开,一般情况下,处于对称位置的坝段变形相似度较高,同时相邻坝段的变形相似度也较高。然后,对时间维度的单测点数据进行了自相关和偏自相关分析,从而得知某个数据与其前1时刻、前2时刻、或前3时刻有显着相关性。最后,从整体、局部和空间3个方面对重力坝变形监测数据的变化特征进行了分析和总结,以期研究适合该类数据特征的异常值检测算法。（2）对重力坝变形监测数据中的异常值进行了定义,并总结了异常值的分类与特征。然后分析了基于距离的异常值检测算法在重力坝变形监测数据分析中的适用性,并借鉴该类算法的思想,提出了多重局部异常系数法,该方法通过提取待检测值前k个数据组成的局部窗口数据,并根据设定的判别准则,可简单、快速地进行异常值实时检测。该算法主要针对原位监测数据中异常值的预处理检测,目的是为了获得高质量数据,便于后续建模分析。（3）改进了自适应差分进化算法关于初始解的选择方式,得到了改进的自适应差分进化算法（Improved Self-Adaptive Differential Evolution Algorithm,ISADE）,这提高了该算法的全局优化能力,然后将其用于在线极限学习机（Online Sequential Extreme Learning Machine,OSELM）的优化,提出并建立了基于ISADE-OSELM的重力坝变形预测模型。该模型仅通过训练最新数据便可更新已有模型的参数,可实现模型的自我更新,改善了传统模型的更新方式,同时结合优化算法,提高了模型的精度和泛化性。实例计算结果表明:ISADE-OSELM模型的综合性能优于逐步回归模型、ELM模型和OSELM模型。（4）在传统置信区间法拟定监控指标的基础上,考虑了监测数据的随机性和模糊性,将云模型融入其中,使得一个具有明确边界的置信区间,拓展为一个以区间为边界的置信区间。提出并建立了云置信区间法的重力坝变形监控指标,该方法以ISADE-OSELM预测模型的误差为研究对象,因此可随着ISADE-OSELM模型的更新而更新,这使得监控指标的拟定方式更加高效。实例计算结果表明,云置信区间不仅具有传统置信区间的功能,还可按一定隶属度评价接近置信区间边界数据的安全性,这种评价方式更符合实际情况,对大坝的变形监控更加合理。
邢艳雅[3]（2021）在《一种新的弹性网模型及在时间序列预测中的应用研究》文中研究说明
陈德启[4]（2021）在《基于浮动车数据的信号交叉口运行态势推演与配时优化方法》文中研究说明信号交叉口在道路网中扮演着重要的角色,交叉口的瓶颈问题已成为引起交通延误、制约交通效率的重要因素,因此制定合理的管控策略以缓解交叉口延误是十分必要的。然而,用于感知信号交叉口运行态势、诊断延误原因、预测交通演变规律、优化信号配时方案的传统技术手段在面对现阶段的越发复杂的交通状态时逐渐呈现出疲态。交通大数据和新兴智能技术的出现为降低交叉口延误提升运行效率带来了新的契机。其中,浮动车数据凭借着覆盖范围广、采集成本低、数据量大、时空信息丰富的优点,逐渐在交通出行特征的研究中流行起来。浮动车数据可以实时地检测信号交叉口的运行状态,被认为是感应道路网络运行脉络的“听诊器”,但是作为新兴的数据源,如何更好地发挥浮动车数据在交叉口的作用还有待深化研究。为了深入理解、梳理、挖掘浮动车数据的特征规律,本文以网格模型为匹配方法实现快速、有效地提取交叉口区域浮动车数据的时空特征,掌握浮动车数据的运行规律及演变机理,实现对信号交叉口运行状态精细化的评价和延误原因的自动诊断,是精准预测交叉口运行状态的基础和前提。基于此,构建了多任务融合深度学习框架,对大范围交叉口通行时间和速度特征进行有效地预测,并为后续的自适应配时优化方案提供技术基础。信号配时优化方案主要包括两个部分,构建深度强化学习模型和提取浮动车数据的交通状态,旨在浮动车数据的基础上设计更加有效的信号配时方案,提升信号交叉口的运行效率。本文的主要研究内容和发现分为以下四个方面:（1）基于海量浮动车数据,深入挖掘浮动车数据的基本属性特征、时空特征、环境特征和演化规律。构建交叉口网格模型用以匹配浮动车数据,提取交通特征。利用基于网格模型的模糊C-均值聚类方法界定信号交叉口的影响区域,精准地刻画不同交叉口、不同通行方向的影响范围。此外,利用网格模型可以快速地、精准地识别浮动车轨迹数据的方向。结果表明,网格模型可以有效地支撑信号交叉口的运行状态的研究。（2）基于网格模型提取浮动车数据的出行特征,通过估算交通参数和信号配时参数构建信号交叉口运行状态评价体系和延误诊断指数,以实现对信号交叉口运行状态感知和延误问题的自动识别。案例研究发现,本文构建的信号交叉口运行评价方法可以有效的感知信号交叉口的整体和内部的服务水平。信号配时参数计算方法可以对固定配时方案的配时参数实现精准地估算。所构建的延误诊断指数可以有效地诊断延误原因。相关结果和发现可以有效地支撑交叉口交通参数预测和配时优化策略的研究。（3）基于多任务融合深度学习模型MFDL（Multi-Task Fusion Deep Learning）对大范围信号交叉口的通行时间和速度进行协同预测。MFDL模型充分考虑了交通参数的时空特征、拓扑结构特征、天气环境特征,并利用残差神经网络提升模型深度,释放模型预测的潜能,采用注意力机制自动分配多维变量的权重,展现特征融合的优势。案例研究发现,与基础模型对比,MFDL模型的精准度更高。通过更改MFDL模型本身变量组对模型自身分析,发现模型具有较强的鲁棒性。与单任务模型对比,发现MFDL模型能够发挥变量之间信息共享的优势,减少训练时间、提升预测精度。相关结果和技术可以辅助构建深度强化学习配时优化方法。（4）基于深度强化学习模型3DQN-PSTER（Double Dueling DQN Priority Sum Tree Experience Replay）实现信号交口的自适应控制。3DQN-PSTER模型融合了Double DQN、Dueling DQN技术和优先级经验回放策略提升了模型性能。利用SUMO（Simulation of Urban MObility）仿真总体数据、浮动车数据、感应线圈数据的交通环境,并进行仿真优化。案例研究发现:3DQN-PSTER模型具有收敛速度快、稳定性强、优化效果显着的优点。在不同的交通量、不同方向的进口道的场景下与不同的配时优化方案对比,发现基于3DQN-PSTER的配时方案RLSC在实时的、非均衡的动态交通流环境中具有独特的优势。此外,在浮动车数据的交通环境中,发现渗透率越高,模型学习过程表现得越稳定,所训练的模型的优化效果越显着。本文按照发现延误、诊断延误、态势推演、缓解延误的研究思路。利用浮动车数据感知信号交叉口的运行态势、诊断延误原因、预测交通参数、优化配时方案的一系列工作,将交通大数据处理技术、深度学习方法和强化学习方法应用于交叉口复杂的交通状态。本研究对降低信号交叉口延误提升整个路网的运行效率具有重要的理论价值和实际指导意义。
翟梦梦[5]（2021）在《基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究》文中提出目的:分析山西省2010年第14周-2017年第13周的流感监测数据的时序特征;基于时序特征分析结果,建立基于信号分解的组合预测模型;并分别与基于信号分解的单一预测模型、未进行信号分解的单一预测模型进行比较,评价各模型的预测性能,最终选择最优模型预测山西省流感的发病趋势,为山西省流感的高精度预测提供有效的科学依据。方法:收集整理山西省的周度流感监测数据,分析其发展趋势及季节性特征,同时研究该数据的平稳性、随机性、非线性及长期记忆性等特征。首先,基于该序列的时序特征分别建立单一ARIMA、LSTM、BILSTM模型。其次,基于该序列的复杂特性,使用SSA、EMD、WT对山西省流感序列进行分解,并与上述单一模型进行随机组合,建立基于信号分解的单一模型,以验证序列分解方法能否提高模型预测性能。最后,依据子序列的平稳性不同分别选择ARMA（平稳子序列）和LSTM/BILSTM（非平稳子序列）构建组合模型;使用MAE、MSE、MAPE评价各模型的预测性能,为山西省流感的高精度预测提供一定理论支持。结果:1.山西省2010年第14周-2017年第13周流感病例的平均发展速度为103.33%,平均增长速度为3.33%;但其占门急诊就诊病例的百分比（ILI%）呈逐年下降的趋势,并具有明显的季节性特征,其发病高峰为8月8日到次年3月16日。对其数据进行时序分析发现:ADF检验统计量为t=-3.6371,P<0.05;KPSS检验统计量为x2=0.8067,P=0.010;Ljung-Box检验统计量为x2=287.5732,P<0.0001;BDS检验在不同的嵌入维数和距离判定参数下,均拒绝原假设;R/S法得到的Hurst指数为0.8545。2.对比单一ARIMA、LSTM、BILSTM模型的流感预测效果发现:BILSTM模型的MSE、MAE、RMSE相比于LSTM分别减少了5.8%、4.4%、3.0%;相比于ARIMA分别减少了80.6%、60.1%、56.0%;LSTM模型的预测性能相比于ARIMA分别提高了79.5%、59.2%、54.7%。3.基于信号分解的单一模型与其基本单一模型比较发现:SSA-ARIMA、EMD-ARIMA和WT-ARIMA的MSE、MAE、RMSE较ARIMA模型分别减少了42.7%、84.5%、28.6%,28.3%、65.2%、13.7%,24.2%、60.7%、15.5%;SSA-LSTM、EMD-LSTM、WT-LSTM的MSE、MAE、RMSE较LSTM模型分别减少了34.5%、39.8%、14.1%,19.0%、23.0%、4.5%,19.0%、22.3%、7.4%;SSA-BILSTM、EMD-BILSTM、WT-BILSTM的MSE、MAE、RMSE较BILSTM模型分别减少了26.1%、38.9%、23.9%,12.5%、22.8%、7.0%,13.9%、21.8%、13.0%。4.基于信号分解的组合模型与基于信号分解的单一模型比较发现:相比于基于信号分解的单一模型,基于信号分解的组合模型的预测性能均有所提高;且在六种组合模型中,SSA/EMD/WT-BILSTM-ARMA的MSE、MAE、RMSE值低于对应的SSA/EMD/WT-LSTM-ARMA,分别为0.0108、0.0812、0.1038;0.0108、0.0772、0.1037;0.0137、0.0922、0.1169,其中以EMD-BILSTM-ARMA模型的MSE、MAE、RMSE值最小。结论:1.山西省流感存在明显的季节周期性,具有非线性、非平稳及长记忆性等特征。2.对于具有非平稳、非线性特征的序列,单一LSTM、BILSTM模型的预测性能优于ARIMA模型且BILSTM优于LSTM。3.基于SSA、EMD、WT分解的单一模型预测性能优于未进行信号分解的单一模型,且当使用同一种模型进行预测时,EMD提升效果最好、SSA次之、WT效果最差。4.利用不同模型优势的组合模型预测性能优于基于信号分解的单一模型,其中,以EMD-BILSTM-ARMA模型表现最优。
魏冰冰[6]（2021）在《基于FDM能量熵的光纤振动信号特征提取与分类算法研究》文中研究指明光纤预警系统（Optical Fiber Pre-warning System,OFPS）是一种铺设于管道周围、利用分布式光纤传感的预警系统,因具备稳定且精确度较高的特点,被广泛应用于检测管道泄露、人为或机械等入侵行为。OFPS在检测到信号入侵后,识别部分可以通过算法判断入侵信号的类型,依据信号的危险程度采取不同的手段及时止损。目前,在OFPS领域已经有很多成熟的检测与识别算法,但如何判断振动信号的类型仍是该系统的难点和重点。本文对多类型光纤振动信号的特征提取与分类问题开展研究,提出的特征提取算法实现了对人工信号和机械信号的分类。为提升分类算法的准确率,本文针对不同自适应时频分析方法展开研究并提出改进策略,最终实现了对四种振动信号的分类并提高了算法的效率。本文首先介绍了时域和频域上两种单一特征提取的方法,然后根据不同时序信号的特点提出基于熵域的样本熵特征提取方法,完成了对手动敲击和挖地两种人工入侵信号的特征提取。其次,针对单一方式的特征提取方法通用性较低、难以识别多类型振动信号的问题,本文利用时频综合分析的方法对其研究,采用自适应变分模态分解（Variational Modal Decomposition,VMD）算法处理光纤振动信号。对于VMD需要人工预设模态分解参数才能合理获取组成分量的问题,本文提出了加入反馈模式的VMD改进算法,避免人工设参的框束并提高了算法的自适应性,利用该算法实现了对人工敲击、镐刨、电钻三种信号相似分量的边际谱特征提取。另外,针对反馈模式的VMD算法在重构时易出现丢失信息的问题,本文提出基于FDM能量熵的特征提取与分类算法,实验结果表明该算法分类效果更好且自适应性更高。傅里叶分解算法（Fourier Decomposition Algorithm,FDM）采用从低频到高频（Low Frequency to High Frequency,LTH）的搜索模式自动获取模态分量并计算分解数目,本文利用相关性理论对FDM分解结果进行筛选和重构处理,然后依据信息熵定义和能量熵空间理论定义了FDM能量熵特征,将光纤振动信号的FDM能量熵与其他重要特征组合成特征向量,最终结合SVM实现了对敲击、挖地、小跑、电钻四种光纤振动信号的准确分类。
张德彪[7]（2021）在《弹载记录仪动态测试系统动态性能评估及测试信号信噪比提升方法研究》文中进行了进一步梳理弹载记录仪动态测试系统是获取弹体动态参数的重要仪器,随着科学技术的发展,对其速度、精度的要求不断提高。但是,该设备所处测试环境异常复杂恶劣,测试信号信噪比偏低。弹载记录仪动态测试系统的性能能否满足测试任务需求是需要考虑的核心问题之一,其自身的动态性能是表征其测试能力的关键指标。在动态测试系统动态性能无法改变的前提下,如何进一步提升测试信号信噪比是另一重要问题。因此如何准确有效的评估弹载记录仪动态测试系统的动态性能是实现动态参数准确获取的前提,并在此基础上进一步提升测试信号的信噪比是实现精确测试的关键,关系测试成败。本文在课题组前期研究的基础上,围绕如何准确有效评估弹载记录仪动态测试系统的动态性能及提升测试信号信噪比,系统的研究了弹载记录仪动态测试系统动态参数的获取方法、工作频带估计方法及测试信号信噪比提升方法。通过理论分析和实验等综合研究手段,验证了所提方法的有效性。在查阅大量文献与分析国内外弹载记录仪动态测试技术研究现状的基础上,分析了国内外弹载记录仪动态测试领域的研究方法与技术难点,并据此确立了本文的主要研究内容及研究方法,本文的研究工作主要包含以下几个方面:（1）针对弹载记录仪动态测试系统动态参数获取中,严苛的相干测试条件难以满足,非相干测试条件下FFT方法存在严重频谱泄漏,而正弦拟合方法对运算参数初值敏感,运算可能不收敛且信号源存在谐波失真时拟合误差较大的问题,提出了一种基于正弦信号分离与重构的动态测试系统动态参数获取方法,该方法通过对非相干测试正弦信号的准确分离,然后利用相干正弦信号重构测试信号,从而实现在非相干测试条件下获得相干测试的测量精度。从根本上避免了频谱泄漏,由于消除了相干采样的要求,极大的简化了测试装置,不再需要昂贵的设备和繁琐的人工校准,极大的减少了测试时间和测试成本。（2）针对弹载记录仪动态测试系统工作频带估计中,实际阶跃、冲击和半正弦激励信号在动态测试系统高速高带宽情况下难以满足激励信号对幅频和相频特性要求的问题,提出了一种基于多频正弦响应的弹载记录仪动态测试系统工作频带估计方法。分析了高速高带宽动态测试系统在实际阶跃、冲击和半正弦激励信号条件下的失效机理,在对多频正弦激励信号可行性分析的基础上,提出了基于多频正弦激励信号的模型辨识算法,进行了详细的理论推导分析,并给出了参数估计的具体公式。在此基础上,为满足复杂恶劣测试环境下模型参数需实时在线辨识的需求,推导了多频正弦激励信号下测试系统模型辨识的递推实现方式,并给出了参数估计的具体公式,最后通过辨识得到的动态测试系统模型估计出测试系统的工作频带。（3）针对弹载记录仪动态测试系统在复杂恶劣环境下,所采集到的信号包含频率成分复杂、信噪比低,具有非平稳、非线性,且难以实现测试信号自适应处理的问题,研究了弹载记录仪动态测试系统的数据处理方法,提出了一种基于变分模态分解/样本熵/小波分析的自适应信噪比提升方法。构建了滤波器的模型,通过引入中心频率相对变化率和平均相关系数实现了惩罚因子和模态数量的自适应最优选取,提高了信号各成分分离的准确性;为进一步提升信号的信噪比并保证有效数据不被去除,采用样本熵将信号分为噪声部分、混合部分和趋势部分,对混合部分使用小波阈值降噪,最后重构信号,以实现测试信号信噪比的有效提升。本文的研究成果对于评估弹载记录仪动态测试系统的动态性能以及提高动态测试系统的测量精度具有重要的借鉴意义。
梁彬彬[8]（2021）在《基于改进经验模态分解的短期电力负荷预测混合模型研究》文中进行了进一步梳理电力负荷预测是电力系统决策规划的重要组成部分,精准可靠的负荷预测结果可以保障电力系统调控的合理性和供电的稳定性,实现电力供给与需求的有效调度,促进节能减排,提高经济效益,对电力系统和社会的持续稳定发展具有重要的现实意义。本文以自适应噪声的完整集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）、长短期记忆神经网络（Long Short Term Memory,LSTM）和多元线性回归（Multiple Linear Regression,MLR）为基础,考虑负荷的影响因素,展开了短期电力负荷预测的研究,主要工作如下:（1）针对LSTM网络的预测精度容易受初始化参数随机性影响的问题,使用粒子群算法（Particle Swarm Optimization,PSO）优化LSTM模型的网络参数。结合皮尔逊相关系数分析负荷与影响因子的相关性,选择相关性强的影响因子作为预测模型的输入,降低了预测模型的输入维度。实验结果表明,所提出的预测方法显着提高了LSTM神经网络的预测精度。（2）针对电力负荷序列的波动性随机性特点,使用CEEMDAN算法将非线性非平稳的负荷序列分解为若干包含局部特征的子分量,结合LSTM处理长时间非平稳分量预测问题的优势和MLR处理平稳分量在保证精确度的情况下实现快速预测的特点,本文提出了基于CEEMDAN-LSTM-MLR的混合预测模型。使用过零率将各子分量划分为平稳与非平稳分量由MLR与LSTM模型分别预测。针对子分量的特征趋势各不相同的特点,再次使用皮尔逊相关系数将所选取的影响因子与各子分量进行相关性分析,构建具有高相关性的特征输入。实验结果表明,混合模型CEEMDAN-LSTM-MLR在一周内的日均平均绝对百分比误差最大值均不超过2%;相比所有子分量均采用LSTM网络进行预测的组合模型,混合模型在保证预测精度的同时加快了模型的预测速度。（3）在（2）的基础上,提出了基于分量重组的CCEEMDAN-PSO-LSTMMLR混合预测模型（分量重组记为CCEEMDAN）。根据样本熵值合并相近子分量,有效降低了预测模型的复杂度。实验结果表明,该模型无论在预测精度上还是在预测速度上均有显着的提高。
尤洋[9]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中指出癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
赫修智[10]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中认为齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:（1）结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。（2）研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。（3）针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解（AVMD）方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数（SII）,在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。（4）针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法（LEASgram）。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。（5）针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除（MSANC）的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
二、相关系数平稳序列自适应算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、相关系数平稳序列自适应算法（论文提纲范文）
（1）基于多维监测的风电齿轮箱动态预警及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
| 1.2.2 风电齿轮箱在线监测系统发展现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第2章 风电机组状态参数分析与选取 |
| 2.1 引言 |
| 2.2 风电机组基本组成及齿轮箱结构特点 |
| 2.2.1 风电机组基本组成 |
| 2.2.2 齿轮箱结构特点 |
| 2.2.3 齿轮箱常见故障类型 |
| 2.3 状态参数分析及预处理 |
| 2.3.1 状态参数分析 |
| 2.3.2 状态参数预处理 |
| 2.4 状态参数相关性分析 |
| 2.4.1 相关性分析方法 |
| 2.4.2 齿轮箱温度关联参数的相关性分析 |
| 2.4.3 季节因素对状态参数的影响分析 |
| 2.5 风电齿轮箱振动监测分析 |
| 2.5.1 常规监测指标 |
| 2.5.2 行星轮系故障特征频率 |
| 2.6 本章小结 |
| 第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
| 3.1 引言 |
| 3.2 KPCA分析方法及异常检测指标 |
| 3.2.1 核主元成分分析(KPCA) |
| 3.2.2 基于KPCA方法的异常检测指标 |
| 3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
| 3.3.1 健康机组选取 |
| 3.3.2 滑动窗口模型 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱正常状态分析 |
| 3.4.2 齿轮箱异常状态分析 |
| 3.4.3 假数据注入攻击分析 |
| 3.4.4 多维监测分析 |
| 3.5 本章小结 |
| 第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
| 4.1 引言 |
| 4.2 基于IALO-SVR的预测方法 |
| 4.2.1 SVR方法 |
| 4.2.2 ALO算法 |
| 4.2.3 ALO算法的参数优化 |
| 4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
| 4.3.1 输入输出模型结构 |
| 4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
| 4.3.3 模型验证 |
| 4.3.4 季节因素对齿轮箱油温预测的影响分析 |
| 4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
| 4.4.1 滑动窗的残差统计方法 |
| 4.4.2 残差的统计特性分析 |
| 4.5 本章小结 |
| 第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变分模态分解算法 |
| 5.2.1 算法原理 |
| 5.2.2 VMD算法过程 |
| 5.3 VMD分解性能分析 |
| 5.3.1 多谐波信号分析 |
| 5.3.2 含高频间歇扰动的信号 |
| 5.3.3 多分量调幅-调频信号 |
| 5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
| 5.4.1 启动限速运行模式 |
| 5.4.2 最大功率跟踪运行模式 |
| 5.4.3 额定功率运行模式 |
| 5.5 本章小结 |
| 第6章 风电场多维度智能监测系统设计与实现 |
| 6.1 引言 |
| 6.2 系统整体结构设计 |
| 6.3 系统硬件设计及安装 |
| 6.3.1 传感器布置方案 |
| 6.3.2 数据采集单元及无线网络部署 |
| 6.4 系统软件设计 |
| 6.4.1 客户端子系统设计 |
| 6.4.2 服务端系统设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（2）重力坝变形监控的智能分析方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝安全监测数据异常检测研究进展 |
| 1.2.2 大坝安全监控模型研究进展 |
| 1.2.3 大坝变形监控指标拟定研究进展 |
| 1.3 问题的提出 |
| 1.4 研究内容和技术路线 |
| 1.5 创新点 |
| 2 变形监测数据的规律与特征分析 |
| 2.1 引言 |
| 2.2 重力坝变形影响因子及其规律分析 |
| 2.2.1 水压因子 |
| 2.2.2 温度因子 |
| 2.2.3 时效因子 |
| 2.2.4 重力坝的一般变形规律 |
| 2.3 变形监测数据的相关性分析 |
| 2.3.1 面板数据的相关性分析 |
| 2.3.2 面板数据的形状相似性分析 |
| 2.3.3 时序数据的自相关与偏自相关分析 |
| 2.4 变形监测数据的特征分析 |
| 2.4.1 整体特征 |
| 2.4.2 局部特征 |
| 2.4.3 空间特征 |
| 2.5 本章小结 |
| 3 基于多重局部异常系数法的异常值预处理 |
| 3.1 引言 |
| 3.2 异常值的基本概念 |
| 3.2.1 异常值定义 |
| 3.2.2 异常值的分类 |
| 3.2.3 异常值的特征 |
| 3.3 基于距离的异常值检测算法 |
| 3.3.1 距离的度量方法 |
| 3.3.2 局部离群因子算法 |
| 3.3.3 K近邻算法 |
| 3.4 多重局部异常系数算法研究 |
| 3.4.1 多重局部异常系数算法 |
| 3.4.2 窗口长度的选择 |
| 3.4.3 阈值的选择 |
| 3.4.4 多重局部异常系数 |
| 3.4.5 实例计算 |
| 3.5 本章小结 |
| 4 ISADE-OSELM重力坝变形预测模型研究 |
| 4.1 引言 |
| 4.2 在线极限学习机 |
| 4.2.1 单隐层前馈神经网络 |
| 4.2.2 极小范数最小二乘解 |
| 4.2.3 极限学习机 |
| 4.2.4 在线极限学习机 |
| 4.3 在线极限学习机的优化研究 |
| 4.3.1 自适应差分进化算法 |
| 4.3.2 自适应差分进化算法的改进 |
| 4.3.3 ISADE-OSELM预测模型 |
| 4.4 ISADE-OSELM预测模型应用研究 |
| 4.4.1 工程概况 |
| 4.4.2 模型拓扑结构 |
| 4.4.3 参数选择 |
| 4.4.4 ISADE-OSELM模型预测结果 |
| 4.5 本章小结 |
| 5 基于云置信区间法的重力坝变形监控指标研究 |
| 5.1 引言 |
| 5.2 置信区间法的变形监控指标拟定 |
| 5.2.1 置信区间法 |
| 5.2.2 误差序列的分布检验 |
| 5.2.3 置信区间法拟定的监控指标 |
| 5.3 云置信区间 |
| 5.3.1 云模型 |
| 5.3.2 云置信区间的组成 |
| 5.3.3 云置信区间的计算步骤 |
| 5.3.4 云区间的选择 |
| 5.4 云置信区间法的变形监控指标拟定 |
| 5.4.1 数据转换 |
| 5.4.2 云区间的计算 |
| 5.4.3 云置信区间法拟定的监控指标 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（4）基于浮动车数据的信号交叉口运行态势推演与配时优化方法（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 信号交叉口运行状态评价 |
| 1.3.2 信号交叉口交通参数预测 |
| 1.3.3 信号交叉口配时优化方法 |
| 1.4 论文主要研究内容 |
| 1.4.1 浮动车数据处理及网格模型构建 |
| 1.4.2 信号交叉口运行状态的评价方法 |
| 1.4.3 信号交叉口交通参数的预测方法 |
| 1.4.4 信号交叉口自适应配时优化方法 |
| 1.5 论文技术路线 |
| 2 基础理论方法简介 |
| 2.1 信号交叉口配时参数及控制方法 |
| 2.1.1 信号配时参数 |
| 2.1.2 信号控制方法 |
| 2.2 深度学习方法 |
| 2.2.1 循环神经网络 |
| 2.2.2 卷积神经网络 |
| 2.3 强化学习方法 |
| 2.3.1 强化学习基本要素 |
| 2.3.2 强化学习基本模型 |
| 2.4 本章小结 |
| 3 浮动车数据处理与网格模型构建 |
| 3.1 浮动车数据说明 |
| 3.2 浮动车数据预处理 |
| 3.2.1 异常数据分析 |
| 3.2.2 数据过滤流程 |
| 3.2.3 轨迹坐标转换 |
| 3.3 浮动车出行数据基础分析 |
| 3.3.1 原始数据特征分析 |
| 3.3.2 空间范围影响分析 |
| 3.3.3 时间因素影响分析 |
| 3.3.4 天气因素影响分析 |
| 3.4 基于网格模型的浮动车数据匹配方法 |
| 3.4.1 网格模型的构建 |
| 3.4.2 交叉口区域界定 |
| 3.4.3 轨迹方向的识别 |
| 3.5 本章小结 |
| 4 信号交叉口运行状态评价与延误诊断方法 |
| 4.1 引言 |
| 4.2 信号交叉口交通参数计算方法 |
| 4.2.1 通行时间计算方法 |
| 4.2.2 总延误的计算方法 |
| 4.2.3 走停比的计算方法 |
| 4.2.4 流量比的计算方法 |
| 4.3 信号交叉口信号配时参数计算方法 |
| 4.3.1 信号周期计算方法 |
| 4.3.2 绿信比的计算方法 |
| 4.4 信号交叉口运行状态评价及诊断 |
| 4.4.1 信号交叉口整体延误分析 |
| 4.4.2 信号交叉口内部延误分析 |
| 4.4.3 信号交叉口延误问题诊断 |
| 4.5 本章小结 |
| 5 信号交叉口通行时间和速度预测方法 |
| 5.1 引言 |
| 5.2 信号交叉口交通特征数据集构建 |
| 5.2.1 特征变量相关性检验 |
| 5.2.2 特征变量标准化处理 |
| 5.2.3 特征变量数据集划分 |
| 5.3 多任务深度学习融合模型构建 |
| 5.3.1 残差卷积神经网络 |
| 5.3.2 残差图卷积神经网络 |
| 5.3.3 堆栈式长短期记忆网络 |
| 5.3.4 注意力机制神经网络 |
| 5.3.5 多任务融合深度学习模型 |
| 5.4 实验分析 |
| 5.4.1 评价指标选取 |
| 5.4.2 实验环境介绍 |
| 5.4.3 模型结果分析 |
| 5.4.4 敏感度的分析 |
| 5.5 本章小结 |
| 6 信号交叉口自适应配时优化方法 |
| 6.1 引言 |
| 6.2 信号交叉口智能体设计 |
| 6.2.1 基于NUDG的交通状态提取方法 |
| 6.2.2 信号灯相位集的构建及动作选择 |
| 6.2.3 信号相位转换奖励值函数的构建 |
| 6.3 基于3DQNPSTER的信号交叉口优化配时方法 |
| 6.3.1 3DQNPSTER深度强化学习模型 |
| 6.3.2 信号交叉口的交通环境构建方案 |
| 6.3.3 模型评估和应用性能的指标选取 |
| 6.4 仿真实验与结果分析 |
| 6.4.1 仿真环境设置 |
| 6.4.2 模型比较分析 |
| 6.4.3 模型应用结果 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 主要工作总结 |
| 7.2 主要的创新点 |
| 7.3 未来研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 常用缩写词中英文对照表 |
| 前言 |
| 第一部分 山西省流感的时间特性分析 |
| 1 材料与方法 |
| 1.1 资料来源 |
| 1.2 研究方法 |
| 1.3 统计分析 |
| 2 结果 |
| 2.1 山西省流感样病例监测概况 |
| 2.2 山西省流感的时间分布特征 |
| 2.3 山西省流感时序数据的特性分析 |
| 第二部分 基于信号分解的组合模型预测效果研究 |
| 1 资料与方法 |
| 1.1 数据来源 |
| 1.2 研究方法 |
| 1.3 统计分析 |
| 2 结果 |
| 2.1 基本单一模型预测 |
| 2.1.1 ARIMA模型 |
| 2.1.2 LSTM 和 BILSTM 模型 |
| 2.1.3 ARIMA、LSTM、BILSTM预测性能比较 |
| 2.2 信号(时间序列)分解 |
| 2.2.1 小波变换(WT) |
| 2.2.2 奇异谱分解(SSA) |
| 2.2.3 经验模态分解(EMD) |
| 2.3 基于信号分解的预测模型 |
| 2.3.1 基于信号分解的单一预测模型 |
| 2.3.2 基于信号分解的组合预测模型 |
| 讨论 |
| 结论 |
| 参考文献 |
| 综述 深度学习及分解集成方法在传染病预测中的应用 |
| 参考文献 |
| 附录 各项模型预测结果 |
| 致谢 |
| 个人简介 |
（6）基于FDM能量熵的光纤振动信号特征提取与分类算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构与内容 |
| 第二章 光纤预警系统理论概述 |
| 2.1 Φ-OTDR光纤传感技术原理 |
| 2.2 光纤预警系统硬件结构 |
| 2.3 本章小结 |
| 第三章 光纤振动信号特征提取方法概述 |
| 3.1 光纤振动信号的特点分析 |
| 3.2 基于时域的特征提取方法 |
| 3.3 基于频域的特征提取方法 |
| 3.4 基于熵域的特征提取方法 |
| 3.5 本章小结 |
| 第四章 基于反馈模式的VMD光纤振动信号特征提取 |
| 4.1 VMD分解与重构原理概述 |
| 4.2 基于反馈模式的VMD算法设计 |
| 4.3 基于反馈模式的VMD边际谱特征提取算法 |
| 4.4 本章小结 |
| 第五章 基于FDM能量熵的光纤振动信号特征提取与分类 |
| 5.1 FDM分解与重构原理概述 |
| 5.1.1 FDM与 EEMD的对比分析 |
| 5.1.2 FDM与反馈模式VMD的对比分析 |
| 5.2 光纤振动信号的FDM能量熵特征提取 |
| 5.2.1 能量熵 |
| 5.2.2 FDM能量熵特征提取算法设计 |
| 5.3 信号分类结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（7）弹载记录仪动态测试系统动态性能评估及测试信号信噪比提升方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 国内外动态测试技术研究概况 |
| 1.2.1 动态测试系统的动态参数获取方法研究现状 |
| 1.2.2 动态测试系统工作频带估计方法研究现状 |
| 1.2.3 动态测试系统数据处理研究现状 |
| 1.2.4 动态测试面临的主要问题 |
| 1.3 论文的主要研究内容和章节安排 |
| 2 记录仪动态测试系统的动态模型建立方法 |
| 2.1 引言 |
| 2.2 传感器和电荷放大级的动态模型 |
| 2.3 滤波器的动态模型 |
| 2.4 全差分运算放大器的动态模型 |
| 2.5 板级电源配送网络的动态模型 |
| 2.6 本章小结 |
| 3 基于正弦信号分离与重构的系统动态参数获取方法 |
| 3.1 引言 |
| 3.2 测试系统动态特性参数的现有测试方法 |
| 3.2.1 测试系统动态特性参数分析 |
| 3.2.2 基于相干与非相干采样的系统动态参数获取方法 |
| 3.3 基于VMD分离与希尔伯特时频分析的系统动态参数获取方法 |
| 3.3.1 基于VMD的正弦测试信号的提取与分离 |
| 3.3.2 传统正弦曲线拟合存在问题分析 |
| 3.3.3 基于希尔伯特变换的正弦测试信号的参数确定 |
| 3.3.4 相干正弦测试信号的重构 |
| 3.4 测试系统动态参数获取方法验证 |
| 3.4.1 测试方案设计及测试平台构建 |
| 3.4.2 测试结果分析 |
| 3.5 本章小结 |
| 4 基于多频正弦响应的记录仪动态测试系统工作频带估计 |
| 4.1 引言 |
| 4.2 常用激励信号的适应性分析 |
| 4.3 基于多频正弦响应的动态测试系统工作频带估计 |
| 4.3.1 动态测试系统模型辨识 |
| 4.3.2 动态测试系统模型阶次确定 |
| 4.4 动态测试系统工作频带估计方法验证 |
| 4.4.1 测试平台搭建 |
| 4.4.2 测试结果分析及算法验证 |
| 4.5 本章小结 |
| 5 基于变分模态分解/样本熵/小波分析的动态测试系统自适应信噪比提升方法研究 |
| 5.1 引言 |
| 5.2 VMD参数优化方法研究 |
| 5.2.1 VMD算法分析 |
| 5.2.2 中心频率相对变化率与模态数量K的选取 |
| 5.2.3 平均相关系数与惩罚因子的选取 |
| 5.3 基于VMD/样本熵/小波分析的滤波器构建 |
| 5.3.1 基于VMD的滤波器构建 |
| 5.3.2 基于样本熵的模态分类 |
| 5.3.3 混合模态分量的小波阈值降噪 |
| 5.3.4 滤波方法实现 |
| 5.4 信噪比提升方法验证 |
| 5.4.1 测试方案设计及测试测试平台搭建 |
| 5.4.2 测试结果分析及算法验证 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文的主要工作与创新 |
| 6.1.1 本文的主要工作 |
| 6.1.2 本文的主要创新点 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文及所取得的研究成果 |
（8）基于改进经验模态分解的短期电力负荷预测混合模型研究（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 传统预测方法 |
| 1.2.2 智能预测方法 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 电力负荷预测的特性分析 |
| 2.1 电力负荷预测的特性 |
| 2.1.1 电力负荷预测的概述 |
| 2.1.2 电力负荷的特点 |
| 2.2 电力负荷的影响因素 |
| 2.2.1 经济因素 |
| 2.2.2 时间因素 |
| 2.2.3 天气因素 |
| 2.2.4 其他因素 |
| 2.3 数据预处理 |
| 2.3.1 缺失值处理 |
| 2.3.2 异常值处理 |
| 2.3.3 量化处理 |
| 2.4 负荷与影响因子的相关性分析 |
| 2.4.1 Pearson相关系数 |
| 2.4.2 相关性分析 |
| 2.5 误差与评价指标 |
| 2.6 小结 |
| 第三章 电力负荷预测相关理论 |
| 3.1 多元线性回归 |
| 3.2 神经网络基本理论 |
| 3.2.1 深度学习 |
| 3.2.2 神经网络工作原理 |
| 3.2.3 多层感知器 |
| 3.3 循环神经网络 |
| 3.4 长短期记忆神经网络 |
| 3.5 优化算法 |
| 3.5.1 粒子群优化算法 |
| 3.5.2 Adam算法 |
| 3.6 本章小结 |
| 第四章 短期电力负荷预测模型 |
| 4.1 数据处理 |
| 4.1.1 数据预处理与归一化 |
| 4.1.2 反归一化与线性叠加 |
| 4.2 长短期记忆神经网络预测模型 |
| 4.2.1 预测模型设计 |
| 4.2.2 预测模型参数训练 |
| 4.2.3 实验分析 |
| 4.3 优化的长短期记忆神经网络预测模型 |
| 4.3.1 PSO优化预测模型设计 |
| 4.3.2 参数设置 |
| 4.3.3 实验分析 |
| 4.4 多元线性回归预测模型 |
| 4.4.1 模型设计 |
| 4.4.2 实验分析 |
| 4.5 改进的集合经验模态分解 |
| 4.5.1 经验模态分解 |
| 4.5.2 集合经验模态分解 |
| 4.5.3 CEEMDAN分解 |
| 4.5.4 电力负荷分解分析 |
| 4.6 本章小结 |
| 第五章 基于CEEMDAN分解的混合预测模型 |
| 5.1 相关计算 |
| 5.1.1 样本熵 |
| 5.1.2 过零率 |
| 5.2 基于CEEMDAN-PSO-LSTM-MLR的混合预测模型 |
| 5.3 CEEMDAN-PSO-LSTM-MLR混合模型实验分析 |
| 5.3.1 实验数据及模型选择 |
| 5.3.2 混合预测模型的预测精度 |
| 5.3.3 混合预测模型的预测速度 |
| 5.4 基于分量重组的CCEEMDAN-PSO-LSTM-MLR混合预测模型 |
| 5.5 CCEEMDAN-PSO-LSTM-MLR混合模型实验分析 |
| 5.5.1 实验数据与模型选择 |
| 5.5.2 实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（9）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（10）齿轮箱关键部件故障振动特征提取与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于振动信号处理技术的故障特征提取方法概述 |
| 1.2.2 自适应信号分解在故障特征提取中的研究现状 |
| 1.2.3 信号解调分析在故障特征提取中的研究现状 |
| 1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容及章节安排 |
| 第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮啮合振动的产生机理 |
| 2.3 齿轮故障振动建模与特征分析 |
| 2.3.1 齿轮的典型故障形式 |
| 2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
| 2.4 滚动轴承的振动产生机理 |
| 2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
| 2.5.1 滚动轴承的典型故障形式 |
| 2.5.2 滚动轴承的典型故障振动信号特征 |
| 2.5.3 滚动轴承局部冲击故障振动的数学模型 |
| 2.6 本章小结 |
| 第3章 齿轮箱故障试验系统设计及试验条件 |
| 3.1 引言 |
| 3.2 齿轮箱故障试验系统设计 |
| 3.2.1 试验台架搭建 |
| 3.2.2 振动数据采集系统 |
| 3.3 齿轮箱故障试验条件 |
| 3.3.1 齿轮故障设置 |
| 3.3.2 测点布置与试验工况 |
| 3.4 现有齿轮与滚动轴承故障试验台 |
| 3.4.1 CWRU滚动轴承故障模拟试验台 |
| 3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
| 3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
| 3.5 本章小结 |
| 第4章 滚动轴承故障振动信号自适应分解与特征提取 |
| 4.1 引言 |
| 4.2 变分模态分解的基本原理 |
| 4.2.1 模态的定义 |
| 4.2.2 变分模态分解的实现过程 |
| 4.2.3 变分模态分解的主要影响参数及局限性 |
| 4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
| 4.3.1 人工蜂群优化算法概述 |
| 4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
| 4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
| 4.4 滚动轴承故障仿真验证 |
| 4.4.1 滚动轴承局部冲击故障振动信号模型 |
| 4.4.2 AVMD与现有方法的对比分析 |
| 4.5 滚动轴承故障试验验证 |
| 4.5.1 滚动轴承故障模拟试验验证 |
| 4.5.2 滚动轴承加速寿命试验验证 |
| 4.6 本章小结 |
| 第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
| 5.1 引言 |
| 5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
| 5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
| 5.2.2 盲识别谱图类解调频带选取方法的局限性 |
| 5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
| 5.3.1 LEASgram的基本原理 |
| 5.3.2 LEASgram的实现步骤 |
| 5.4 齿轮故障仿真验证 |
| 5.4.1 齿轮故障振动信号模型 |
| 5.4.2 相同共振频率激励的齿轮故障仿真验证 |
| 5.4.3 不同共振频率激励的齿轮故障仿真验证 |
| 5.5 齿轮箱齿轮故障试验验证 |
| 5.5.1 单级齿轮箱齿轮故障试验验证 |
| 5.5.2 二级齿轮箱齿轮故障试验验证 |
| 5.6 本章小结 |
| 第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
| 6.1 引言 |
| 6.2 自参考自适应噪声消除 |
| 6.2.1 自参考自适应噪声消除原理概述 |
| 6.2.2 最小均方算法 |
| 6.2.3 归一化最小均方算法 |
| 6.3 改进自参考自适应噪声消除(MSANC) |
| 6.3.1 收敛因子的选取 |
| 6.3.2 滤波器长度和时延长度的选取 |
| 6.3.3 MSANC的实现步骤小结 |
| 6.3.4 MSANC与现有方法的有效性对比 |
| 6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
| 6.4.1 快速谱相关 |
| 6.4.2 多点最优最小熵解卷积 |
| 6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
| 6.5 齿根裂纹故障仿真验证 |
| 6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
| 6.5.2 仿真验证结果分析 |
| 6.6 二级齿轮箱齿轮故障试验验证 |
| 6.6.1 齿轮齿根裂纹故障试验验证 |
| 6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结与结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
四、相关系数平稳序列自适应算法（论文参考文献）
- [1]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [2]重力坝变形监控的智能分析方法研究[D]. 李斌. 西安理工大学, 2021(01)
- [3]一种新的弹性网模型及在时间序列预测中的应用研究[D]. 邢艳雅. 太原理工大学, 2021
- [4]基于浮动车数据的信号交叉口运行态势推演与配时优化方法[D]. 陈德启. 北京交通大学, 2021(02)
- [5]基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究[D]. 翟梦梦. 山西医科大学, 2021(01)
- [6]基于FDM能量熵的光纤振动信号特征提取与分类算法研究[D]. 魏冰冰. 北方工业大学, 2021(01)
- [7]弹载记录仪动态测试系统动态性能评估及测试信号信噪比提升方法研究[D]. 张德彪. 中北大学, 2021(01)
- [8]基于改进经验模态分解的短期电力负荷预测混合模型研究[D]. 梁彬彬. 广西大学, 2021(12)
- [9]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [10]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)