一、基于神经网络的被测量重构方法研究（论文文献综述）
赵云[1]（2021）在《基于特征增强与MPE的滚动轴承故障诊断方法研究》文中研究表明旋转机械设备的正常运转直接关乎到工业生产能否高效实现,由于恶劣的工作环境致使旋转机械极易产生缺陷或者发生故障,因而对其进行故障诊断技术的研究具有重大意义,能够提高工业生产效率且同时保障生产安全性。如若能够通过相应的诊断技术在旋转机械设备故障的早期及时察觉并进行损坏零部件的更换往往能够避免事故的发生。因此,本文对旋转机械设备的故障诊断方法进行了研究,以旋转机械中典型常用零部件滚动轴承为主要研究对象,进行故障诊断实验平台的搭建,通过采集该平台的振动数据进行方法验证。对所采集的振动信号进行相关降噪、故障特征提取与模式识别技术的研究,提取出能够表征滚动轴承不同状态的有效特征并实现故障分类。本文涉及的主要内容具体如下:（1）本文提出基于变分模态分解与最小熵解卷积的滚动轴承故障特征增强方法。使用变分模态分解对振动信号进行分解,进一步实现有效分量的信号重构,在此基础之上对重构信号进行最小熵解卷积降噪处理以增强滚动轴承故障振动信号冲击特征,经过该方法分析后再提取降噪信号的包络谱,能够有效地提取出滚动轴承特征频率与高次谐波。（2）本文采用变分模态分解与多尺度排列熵算法对振动信号进行有效分析。对滚动轴承振动信号进行变分模态分解,得到包含不同频段信息的有效分量,计算变分模态分解有效分量的排列熵值以实现特征提取。针对多个样本之间的变分模态分解信号有效分量的单尺度排列熵存在特征差值较大的状况,提出以有效分量多尺度排列熵的均值量化其特征的思路,得到的特征向量减小了同类信号不同样本之间的特征值差距。（3）由于多尺度排列熵的参数设置不合理将使计算结果产生较大误差,针对多尺度排列熵容易受嵌入维数与时间延迟两参数影响的现象,提出基于改进的多尺度排列熵的滚动轴承故障特征提取方法,优化选取多尺度排列熵的嵌入维数与时间延迟,实现了滚动轴承信号故障特征的有效提取。（4）提出基于改进多尺度排列熵与核极限学习机（KELM）的故障诊断方法。将部分样本的优化多尺度排列熵作为训练样本输入到KELM中进行训练,部分优化多尺度排列熵作为测试样本输入到训练的模型中进行分类,以此高效判定出滚动轴承的常见故障类型,与多种故障特征提取和模式识别相结合的方法进行对比,所提方法具有更高的故障诊断率。
崔峰[2]（2021）在《基于量测差分与模型重构和补偿的地磁导航方法研究》文中研究说明地磁导航因其自主强、隐蔽性好、成本低、即开即用、抗干扰能力强、导航误差不随时间积累等优势,在近地卫星自主导航中发挥着重要作用。本文针对基于量测差分与模型重构和补偿的近地卫星地磁导航方法开展研究,取得的创新性成果如下:首先,针对磁暴会导致地磁场测量值发生变化,进而导致地磁导航精度和稳定性下降的问题,提出了基于量测差分扩展卡尔曼滤波器（MDEKF）的地磁导航算法。MDEKF算法可有效减小近地卫星地磁导航中由磁暴引起的未知的量测误差,从而保持导航的精度和稳定性。利用Swarm A星的实测数据对MDEKF算法和EKF算法在不同等级磁暴和不同采样间隔条件下的性能进行了比较。仿真结果表明,随着磁暴等级的增大,MDEKF算法相对于EKF算法的优势也更加明显。当量测量为地磁场矢量,且采样间隔较小时,由MDEKF算法得到的最大位置估计误差是EKF算法结果的一半。其次,针对IGRF模型更新间隔长、模型精度随时间推移不断下降、无法快速对极移做出响应等问题,提出了基于三向解耦地磁场（TDGF）模型快速重构的地磁导航算法。TDGF模型可快速更新,并可有效消除IGRF模型的时间累积误差。一方面,利用Swarm B星和Swarm C星的实测数据进行仿真,结果表明:当TDGF模型更新间隔为两个月时,基于TDGF模型的地磁导航算法的性能与基于初期IGRF模型的性能相当。具体来说,当量测量为地磁场矢量时,导航精度约为1 km;当量测量为地磁场模时,精度约为3 km。另一方面,利用模拟数据研究了该算法应用于近地微纳卫星时的精度潜力。最后,针对球谐函数模型对实际地磁场的刻画存在系统误差这一不足,提出了基于神经网络地磁场误差补偿（NNGFEC）模型的地磁导航算法。该算法通过神经网络将地磁纬度信息转换为相对应的地磁场模型误差补偿量,用新的数学模型补偿球谐函数模型,提高了地磁场模型的精度。利用Swarm B星和Swarm C星的实测数据,对基于NNGFEC偿模型的地磁导航算法进行仿真验证,结果表明:NNGFEC模型更新越快,基于补偿模型的地磁导航算法在稳定性、收敛速度和精度方面的优越性就越显着;模型更新间隔为一个月时,基于补偿模型的算法将位置估计误差的均方根减小为原来的一半。
黄伟[3]（2021）在《基于人工智能的视觉感知解码理论与方法研究》文中研究说明近年来,随着现代神经影像技术以及人工智能技术的发展,神经科学家们能够借助这些技术来解码大脑,即读取大脑所感知的内容。解码大脑的神经影像技术可以是脑电图（EEG,electroencephalography）、脑磁图（MEG,magnetoencephalography）或功能磁共振成像（f MRI,functional magnetic resonance imaging）等等。在这些影像技术中,f MRI同时具有无创性和高空间分辨率的优势,并且可以定位大脑区域位置,所以它常被用于脑解码研究。虽然近十年来,基于f MRI信号的脑解码技术得到了快速发展,但还存在分类解码准确率较低,重构解码模糊,语言解码研究欠缺等问题。针对这些问题,本文以自然图像作为视觉刺激,使用f MRI技术记录视觉皮层的神经活动,建立视觉刺激与脑功能信号之间的映射模型,分别从分类解码、重构解码和语言解码三个方面进行视觉感知解码的理论与方法研究,主要内容如下:（1）基于递归神经网络的分类解码研究。针对分类准确率较低的问题,该研究提出了一种基于长短时记忆网络（LSTM,long short-term memory networks）的分类解码模型,从视觉神经活动中分类出刺激图像的类别。结果显示,相较于峰值视觉活动,多时间视觉活动的解码准确率更高。该研究证明了基于LSTM的解码模型可以提取多时间视觉活动中的时间信息,从而提高了分类解码的性能。此外,对不同视觉皮层的比较,结果显示高级视觉皮层的分类准确率显着高于低级视觉皮层。该研究验证了高级视觉皮层比低级视觉皮层包含更多的用于分类解码的有效信息。（2）基于渐进增长生成对抗网络的重构解码研究。针对重构图像模糊的问题,该研究提出了一种包括潜特征提取器、潜特征解码器和自然图像生成器的重构框架,从视觉活动中生成高分辨率的自然图像。在重构框架中,潜特征提取器被用于提取图像的潜特征,潜特征解码器被用于从高级视觉皮层的神经活动中预测图像的潜特征,自然图像生成器被用于结合预测的图像潜特征和低级视觉皮层的神经活动从低分辨率开始逐渐生成高分辨率的重构图像。结果显示重构的图像和刺激图像是相似的。研究表明,该重构模型不仅能够从视觉活动中生成高分辨率的图像,还能够使得生成的重构图像保持与刺激图像一致的语义信息。（3）基于相似条件生成对抗网络的重构解码研究。针对样本量不足的问题,该研究提出了一种端到端的重构解码模型,从视觉活动中生成出自然图像。该重构解码模型包括图像特征提取器、大脑特征提取器和条件生成对抗网络。首先,图像特征提取器和大脑特征提取器分别提取自然图像的潜特征和视觉活动的潜特征。然后,该模型通过判断自然图像和视觉活动之间配对与否,构建相似度损失,并将其引入到重构解码模型的总损失中。接下来,视觉活动的潜特征作为条件,被输入到条件生成对抗网络中,来生成出重构的图像。最后,配对与否的策略被用来训练该重构解码模型。结果显示,重构图像与刺激图像之间具有较高的相似度。该研究表明,相似度损失和配对与否的训练策略,能够使重构解码模型学习到携带有效信息的潜特征,从而提升重构解码的性能。（4）基于递归神经网络的语言解码研究。针对语言解码研究欠缺的问题,该研究提出了一种基于LSTM的语言解码模型,从视觉活动中生成语言。该语言解码模型包括图像编码器、f MRI编码器和语言解码器。首先,图像编码器和f MRI编码器分别提取自然图像和视觉活动的潜特征。然后,图像的潜特征和视觉活动的潜特征通过迁移因子进行加权,并将加权项输入到语言解码器,来生成描述自然图像的短语或句子。在训练过程中,图像的潜特征的权重逐渐转移到视觉活动的潜特征上。在测试时,仅仅使用视觉活动的潜特征来生成短语或句子。结果显示,高级视觉皮层比低级视觉皮层获得了更高的语言解码性能。该研究表明,用于生成语言的有效信息主要在高级视觉皮层中。（5）基于Transformer的语言解码研究。针对语言解码准确率低的问题,该研究提出了一种基于Transformer的双通道语言解码模型,再一次从视觉活动生成语言。该语言解码模型包括图像提取器、图像编码器、神经提取器、神经编码器和语言解码器。首先,图像提取器和图像编码器一起来提取自然图像的潜特征。与此同时,神经提取器和神经编码器一起来提取视觉活动的潜特征。然后,两个潜特征之间的相似度被计算来获得相似度损失,并将其添加到语言解码模型的总损失中。最后,自然图像的潜特征和视觉活动的潜特征通过迁移因子进行加权,并将加权项输入到语言解码器中来生成短语或句子。与上一个语言解码研究一样,在训练过程中,图像的潜特征的权重逐渐转移到视觉活动的潜特征上。在测试时,仅仅使用视觉活动的潜特征来生成短语或句子。通过不同训练策略的比较,结果显示渐进迁移的训练策略拥有最高的解码性能。与此同时,对是否引入相似度损失的比较,结果显示相似度损失提升了语言解码的准确率。该研究表明,基于Transformer的双通道语言解码模型,是一种能获得较高语言解码性能的优秀模型。
王兆兴[4]（2020）在《基于粒子群优化概率神经网络的传感器故障诊断方法研究》文中指出传感器作为数据采集系统的重要组成部分,得到了广泛的应用。然而,由于大多数传感器的工作环境比较恶劣,导致了传感器的故障发生率增高。传感器测量信号的准确可靠是控制系统正常运行的关键因素。因此,本文建立了基于粒子群算法优化的概率神经网络模型对单个传感器进行故障诊断。本文首先介绍了传感器故障的基本原理,针对传感器常见的三种故障,同时考虑到多种故障同时发生的情况,建立了 7种传感器的故障模型。其次,采用故障注入法模拟传感器故障,并基于实验室的传感器设备搭建了传感器故障信号采集平台,采集了传感器的故障信号。再次,结合小波变换在处理非平稳信号对全局特性方面的优越性,以及多尺度排列熵（Multiscale Permutation Entropy,MPE）在多个尺度上对信号的局部特性表示方面的优点,将小波变换（The wavelet transform）和多尺度排列熵的方法结合来提取传感器的故障特征。最后,将6个尺度的排列熵（Permutation Entropy,PE）作为特征值,传感器的故障类型作为输出,建立了概率神经网络（Probabilistic Neural Network,PNN）与粒子群算法（Particle Swarm Optimization,PSO）优化的概率神经网络（PSO-PNN）两种传感器故障诊断模型,并利用采集平台采集到的信号对模型进行训练、仿真和检验,对比了两种模型的预测效果。实验结果表明,PSO-PNN的预测准确率明显高于PNN,达到了 96.67%,证明了粒子群算法优化后的概率神经网络进行传感器故障诊断的有效性。
修晓波[5]（2020）在《基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究》文中认为钢铁工业主要采用抗压强度高、质量分布均匀的球团矿料。链篦机是球团干燥脱水和预热氧化的重要热工设备,球团干燥预热的效果主要受链篦机内部温度场的影响。链篦机内温度场具有大时滞、非线性、多场耦合、影响因素复杂的特性,难以实现实时且精准的控制。本文以链篦机鼓风干燥段温度场为研究对象,探索链篦机鼓风干燥段温度场的均衡稳定的控制方法。本文的主要内容与研究成果包括:1.依据传热学相关理论与神经网络系统辨识理论,建立了链篦机鼓风干燥段系统输入输出之间的“灰盒”模型。通过传热学、计算流体动力学等相关理论,建立链篦机鼓风干燥段的球团料层温度和气体温度空间分布机理模型。综合考虑了链篦机鼓风干燥段温度场建模中多因素,提出了一种基于BP神经网络的“灰盒”系统辨识方法,将机理模型与神经网络相结合,给出了为控制系统提供输入输出参考的系统辨识模型。2.研究了一种结构及参数可在线调整的模糊自适应神经网络控制策略。根据已建立的“灰盒”系统辨识模型的输入输出条件,设计链篦机鼓风干燥段温度场的多输入多输出模糊自适应神经网络控制器。确定了可变参数的高斯隶属度函数和模糊规则数可在线调整的模糊自适应神经网络结构。给出了模糊自适应神经网络修改隶属度函数参数及模糊规则数量的学习算法。3.采用数值模拟方法证实了链篦机鼓风干燥段温度场输入输出“灰盒”辨识模型有效性以及模糊自适应神经网络控制的跟踪效果。编写MATLAB的“灰盒”辨识模型,考虑其输入条件为链篦机鼓风干燥段入口气流温度、入口气体流速、采样时间、机理模型下的输出温度值;其输出为多个不同温度测量点的温度期望值。数值模拟结果表明,采用“灰盒”系统辨识模型精度可以达到95%以上。参考“灰盒”模型的输入输出条件,编写链篦机鼓风干燥段模糊自适应神经网络控制程序,确定了模糊自适应神经网络的高斯隶属度函数中心分别为-1和1,宽度为0.8493,模糊规则数为4。数值模拟结果显示,篦床下部空间温度控制跟踪曲线在20s左右与理论温度曲线重合,其控制稳态误差小于3%。球团料层上部烟罩温度场的温度控制跟踪曲线约在300s左右与理论曲线重合,控制误差逐渐减小,且保持在8%以内。4.利用多物理场耦合过程试验装置对模糊自适应神经网络控制方法进行试验验证。采用遗传算法对温度传感器的布置位置和数量进行优化,确定了21个温度场测量传感器及其最佳布点,使用MATLAB与LabVIEW混合编制模糊自适应神经网络控制的软件程序。试验结果表明模糊自适应神经网络控制温度场测试点在270s左右达到稳定,误差在10%以内,稳定后局部的最高温差为3℃,与该位置的期望输出相对误差为5.45%,满足控制精度要求。本文的研究成果为链篦机鼓风干燥段温度场控制提供了理论参考依据,对提高球团干燥质量和能源利用效率具有参考价值。
张晓普[6]（2019）在《分布式地震数据智能感知采集方法研究》文中进行了进一步梳理地震勘探因其具有较强的地层穿透能力,成为油气矿产勘探领域的有效手段。在我国油气资源对外依存度逐渐升高以及“向地球深部进军”被确定为必须解决的战略科技问题的大背景下,如何实现大规模地震数据采集已成为当前工业界和学术界研究的热点问题。目前,由于勘探成本和野外环境等因素的限制,提升硬件资源的使用效率是实现更大规模地震数据采集工作的一个新思路。因地震数据具有非线性特征多样化的特点,现有的地震数据高效采集方法在自适应性、特征关系提取等方面均有不足之处。针对现有方法的不足之处,本文结合压缩感知、稀疏表示、机器学习三种理论,提出了智能感知采集方法。根据两种常见的地震数据采集工作场景（常规地震勘探和压裂微地震监测）的特点,设计了两种不同的分布式地震数据智能采集方法:基于多跳网络的地震数据智能感知采集方法和基于微地震事件检测的智能感知采集方法,并且通过数值试验证明了两种方法对采集效率的提升水平。论文的主要研究内容如下:（1）研究了地震数据高效采集方法的相关理论:包括压缩感知、稀疏表示、机器学习,针对这几种理论的优缺点,结合地震数据采集的特点,以互补的方式对三种理论进行融合,提出了智能感知采集方法。具体而言,智能感知采集方法以压缩感知理论为基本框架,通过引入稀疏表示与机器学习算法实现稀疏性约束条件下基于数据驱动方式的非线性特征提取与拟合能力,从而既能保证该方法具有较强的自适应性,又能同时解决传统高效采集算法忽略输入数据稀疏性特征、非线性特征的问题。（2）针对地震数据的特征和采集系统网络结构特点,设计了分布式地震数据智能感知采集方法的总体方案。通过从地震波动方程和信息熵理论两个方面对地震数据稀疏性进行分析,论证了地震数据满足进行高效采集方法研究的前提条件。结合地震数据采集工作的两类主要应用场景:常规地震勘探和压裂微地震监测,分析了二者的网络结构特点。根据智能感知采集方法的基本思想,将数据采集策略与应用场景的特有规律（地震数据特征、网络结构特点）相结合,提出了这两种应用场景所对应的智能感知方案:基于多跳网络的地震数据智能感知方案和基于微地震事件检测的智能感知方案,完成了地震数据智能感知采集方法的总体设计。（3）根据基于多跳网络的地震数据智能感知方案和常规地震勘探数据采集工作的特点,提出了基于多跳网络的地震数据智能感知采集方法。针对常规地震勘探中存在的多跳数据传输不平衡问题,设计了基于多跳网络的压缩编码框架。该编码框架将压缩感知的观测过程与网络拓扑结构进行结合,在数据传输的同时进行基于测量矩阵的压缩编码。针对测量矩阵优化问题和数据重构问题,提出了基于生成对抗网络的压缩感知算法。该项关键技术将生成对抗网络与压缩感知理论相结合,根据压缩感知过程设计生成对抗网络的基本结构,以压缩感知理论约束生成对抗学习过程,通过生成对抗机制和卷积神经网络为压缩感知算法自适应地提取信号特征,从而实现高质量的数据重构。根据数值试验结果,基于多跳网络的地震数据智能感知采集方法能够在只引入信号能量的11000左右的噪声水平下,将测线能够支持的最大采集规模扩大为原来的16倍,而且还将整条测线中数据传输的能耗降为原来的81。（4）根据基于微地震事件检测的智能感知方案和压裂微地震监测数据采集工作的特点,提出了基于微地震事件检测的智能感知采集方法。针对压裂微地震监测中存在大量无关数据被传输的现象,提出了基于微地震事件检测的压缩采样技术。该项关键技术将基于机器学习的分类算法与压缩采样结合,根据地震信号在时间域的尺度和随机采样理论,设计了广义抖动随机采样方法在时间域对地震数据进行欠采样;然后根据微地震信号在局部形态、时序关系、概率分布三个方面的特征,设计了融合卷积神经网络、递归神经网络和概率图模型的机器学习算法来识别微地震事件,进而减少微地震数据在时间域的冗余度。针对微地震数据的稀疏表示问题,提出了基于奇异值分解的聚类字典学习算法。该算法通过奇异值分解提取信号的特征作为初始稀疏基,然后通过更新位置限制和聚类方法进行近似值优化以不断更新稀疏基。最后通过SPGL1算法使用该稀疏基将欠采样数据恢复成微地震信号。根据数值试验结果,基于微地震事件检测的智能感知采集方法能够在引入噪声的功率为原始信号的1100时,减少30%的数据记录能耗,且在低信噪比（-15dB）环境下维持高准确率（96.83%）的微地震检测,以减少大量无关数据的传输（通常减少90%以上）,即在同等通信水平下,大幅度提高系统支持的最大采集规模（10倍）。综上所述,本文研究的分布式地震数据智能感知采集方法能够大幅度提高采集系统对带宽、能量的使用效率,从而能够在硬件条件不变的情况下,容纳更多的采集节点,实现更大规模的数据采集工作,进而为大规模地震数据采集系统的发展提供了新的思路,也为深部油气资源勘查装备的智能化研究提供了理论参考。
高志荣[7]（2019）在《基于稀疏与低秩理论的图像表示及重建》文中进行了进一步梳理随着数字技术与互联网技术的兴起和快速发展,图像已成为当今人们信息获取和利用的主要载体,数字图像处理技术在现代科学与工程的诸多领域得到了广泛的应用,数字图像的有效获取、重建与增强是该领域一直关注的核心问题。图像信号具有的局部相似与非局部结构相似特性,使其表现了广泛存在的稀疏和低秩特性,为解决图像处理的诸多问题提供了重要基础。作为近年来提出的信号采样新理论,压缩感知理论证明了:如果信号具有稀疏性,则可以对其进行降维采样并实现后期的准确重构。压缩感知不仅为实现图像的低成本低延时获取提供了一种极好的解决方案,同时也为解决图像处理领域的其它问题提供了有效思路,其在医学成像、图像压缩、图像复原等领域的应用,已得到国内外学者的广泛关注和深入研究。基于以上背景,本文以图像稀疏表示与低秩分解理论为基础,对图像的压缩感知编码、图像的压缩感知高质量重建、以及图像的超分辨率重构等问题,开展了深入研究。具体工作包括:（1）基于图像分块变换的自适应图像压缩感知编码方法研究;（2）基于图像非局部组稀疏及多稀疏联合规则化的图像压缩感知重建方法研究;（3）基于图像非局部自适应截断低秩的图像超分辨率方法研究。主要创新之处在于:1、提出了一种采用块变换子带系数随机置换,并结合人眼感知特性的压缩感知图像编码方法。针对传统的采用非自适应投影变换的图像压缩感知方法中,存在压缩测量效率低下的问题,结合图像块离散余弦变换域的能量分布特性,提出了一种自适应压缩感知测量矩阵设计方法;针对图像统计特性的非平稳导致不同分块稀疏性的差异性,进而引起测量效率低下的问题,提出了一种基于图像块离散余弦变换域系数随机置换的压缩感知编码方法。该项成果可有效用于鲁棒性图像编码、加密图像编码等应用领域。2、提出了一种基于迭代重加权组稀疏表示的压缩感知图像重构方法。图像内部固有的结构相似性为稀疏表示图像信号提供了更多新的可能。基于图像的非局部稀疏理论,构建了一种基于图像相似块组稀疏域重加权的规则化压缩感知重构方法。首先对图像相似块组进行自适应的主成分分析变换,然后对变换域系数进行自适应加权,最后利用加权系数的稀疏表示规则化重构。通过采用变分法,提出了利用迭代自适应软阈值滤波求解重构模型的算法。提出的迭代重加权重构方法,通过自适应提取图像的更多高频成分,可实现图像重建质量的有效提升。3、提出了一种图像相似块组变换域的标准化稀疏表示方法,以及结合全变差的多稀疏联合规则化的图像压缩感知重建方法。考虑到自然图像信号具有的非平稳性,不同分块图像稀疏的差异性,以及变换域不同分量系数的不同统计分布特性,构建了图像相似块组变换域的标准化系数表示方法,以及基于此的规则化压缩感知恢复方法。首先对相似图像块组进行自适应稀疏变换,然后对变换域系数进行分量级的标准化表示,最后基于该标准化稀疏表示结合全变差稀疏,构建了一种多稀疏联合规则化的压缩感知重构算法。通过图像块组的变换域分量级的自适应滤波恢复,可更好地保留图像的细节信息,进一步提升重构图像的质量。4、提出了一种基于图像非局部自适应截断低秩表示的图像超分辨率方法。利用非局部相似图像块组具有的低秩特性,构建了基于图像结构块组低秩规则化的图像超分辨率模型;提出利用结构相似块组的熵信息进行数据块组的秩自适应估计,进而采用部分奇异值软阈值收缩实现模型求解的方法。与同类方法相比,该方法能够得到更好的图像纹理细节信息。理论分析和大量仿真实验结果验证了提出方法的有效性。
龚火青[8]（2019）在《联合先验信息与学习机制的加权l1最小模型研究》文中研究指明压缩感知理论突破了奈奎斯特采样定理的限制,能以少量的测量值精确重构信号。重构算法是压缩感知理论的重要组成部分,重构性能的好坏是压缩感知理论应用于实践的关键指标。有效利用信号的先验信息可以提升压缩感知重构算法的性能。但压缩感知重构算法的研究存在一个亟待突破的瓶颈,即信号的先验信息是通过人工观测或数学统计分析等方式提取,但这些方式提取的先验信息属于信号浅层先验信息,且可能忽略掉更有价值的先验信息。因此,本文借助深度学习强大的学习能力,通过对深度模型的训练挖掘出信号深层的先验信息,并将挖掘出的信号深层先验信息整合到压缩感知的重构算法中,达到提高重构信号精度的目的。利用深度学习工具挖掘信号深层的先验信息,能够突破目前压缩感知重构算法的瓶颈,这对于压缩感知重构算法的研究具有重要意义。本文是联合先验信息与学习机制的加权l1-范数最小化模型的研究,主要工作有以下几个方面:（1）针对加权l1范数最小化模型的求解。在迭代软阈值算法的基础上,本文提出加权l1范数序列迭代软阈值算法（加权l1SISTA）,加权的目的是整合信号其他的先验信息,从而精确重构信号。经过实验对比,在测量值较少的情况下,加权l1SISTA算法的重构性能明显优于其他算法。（2）围绕获取信号深层先验信息展开工作,为解决目前重构算法所遇的瓶颈,引入学习机制,目的是通过机器自动挖掘出信号深层的先验信息,为重构算法提供更有价值的先验信息。本文提出将加权l1SISTA算法的求解框架映射成RNN（循环神经网络）模型,形成加权l1SISTA RNN模型。加权l1SISTA RNN模型参数为加权l1SISTA重构算法的参数推导而来。模型的输入为序列信号的测量,模型输出为重构的信号,将初始序列信号作为训练集。利用数据对加权l1SISTA RNN模型训练,模型将更新参数,更新后的参数则是信号深层先验信息的数学表达。最后,利用学习得到的深层先验信息用于信号重构。实验表明,该模型在Caltech 256图片数据集和PTB心电数据集重建信号的性能优于其他算法。
丁丛[9]（2019）在《摩擦系统磨合吸引子的动力学特性研究》文中进行了进一步梳理一个系统具有向某种稳态发展的趋势,这个稳态就称为吸引子。混沌吸引子是吸引子的一种,是混沌系统中一种无序稳定的运动形态。摩擦系统是一个混沌系统,存在混沌吸引子。摩擦系统在磨合过程中自组织形成的混沌吸引子称为磨合吸引子,磨合吸引子是摩擦系统达到稳定状态的标志,对摩擦系统的混沌特性研究具有重要意义。为了揭示磨合吸引子的特性,丰富磨合吸引子的表征参数,实现机械系统磨合状态在线识别与预测,本文基于混沌与分形理论和BP神经网络深入开展了磨合吸引子动力学特性及演化规律研究。从不同动力学角度表征磨合吸引子特性。引入了滑动移除近似熵参数,用于识别磨合吸引子的状态突变点;提出了相点三维直方图概念,用于定性描述磨合吸引子在形成过程中构成相轨迹的相点空间分布特征,并通过相点三维直方图的两个量化表征参数-相点数量最大值和包含相点的盒子数,定量描述相点的空间分布特征;基于相空间重构中的距离矩阵,提出了收敛度和距离矩阵标准偏差两个表征参数,分别用于定量描述磨合吸引子的收敛程度与离散程度,进而揭示磨合吸引子的稳定性。根据Stribeck曲线与表面粗糙度选用准则,确定销-盘磨合试验的载荷、速度以及盘试样初始表面粗糙度的取值范围。计算摩擦系数信号的关联维数、滑动移除近似熵、相点数量最大值、包含相点的盒子数、收敛度和距离矩阵标准偏差,并绘制这些表征参数随磨损过程进行的变化曲线。研究发现:随着载荷增大,磨合时间逐渐减小,稳定磨损状态下的摩擦系数先稳定在较小值处然后突然增大,最后在较大值处保持相对稳定。当载荷较小时,所有表征参数均呈现出“浴盆曲线”或“倒浴盆曲线”的演变规律,表明摩擦系统存在磨合吸引子。但是当载荷过大时,所有表征参数的演化均无规律可循,即当载荷过大时,摩擦系统不具备磨合吸引子的形成条件。随着速度增大,磨合时间不断减小,稳定磨损状态下的摩擦系数先增大然后减小。当速度较小时,所有表征参数均呈现出“浴盆曲线”或“倒浴盆曲线”的演变规律,表明摩擦系统存在磨合吸引子。但是当速度过大时,所有表征参数不再呈现上述规律,即当速度过大时,摩擦系统不具备磨合吸引子的形成条件。随着盘试样初始表面粗糙度增大,磨合时间和稳定磨损状态下的摩擦系数逐渐增大。当盘试样初始表面为光滑及较光滑表面时,所有表征参数均呈现出“浴盆曲线”或“倒浴盆曲线”的演变规律,表明摩擦系统存在磨合吸引子。当盘试样初始表面粗糙度为平衡粗糙度（或最佳粗糙度）时,摩擦系统经过很短磨合时间迅速进入到稳定磨损阶段。由此可见,摩擦系统中磨合吸引子的形成是有条件的,中低载荷与速度,以及与较光滑表面的组合,更有利于提高机械设备运行的可靠性和延长机械设备的服役时间。在摩擦磨损试验机上进行分阶段的环-盘磨损试验,试验前后分别称量环试样和盘试样的质量,试验结束后收集磨粒。研究整个磨损过程中摩擦副磨损量的变化,以及磨粒群的几何与分形特征,然后与同一摩擦系统中磨合吸引子的表征参数进行相关性研究。研究发现:磨损全过程中摩擦副磨损量的变化曲线与机械部件的理论磨损量变化曲线基本一致;磨粒群的不同粒径区间的磨粒数服从正态分布。随着磨损过程的进行,磨粒群的等效平均粒度遵循“减小-稳定-增大”的演变规律,磨粒群的分布分形维数遵循“增大-稳定-减小”的演变规律。将磨粒群的等效平均粒度和分布分形维数的变化过程与磨合吸引子的关联维数、滑动移除近似熵和距离矩阵标准偏差的变化过程比较发现,同一摩擦系统产生的磨粒群的分形特性与磨合吸引子的动力学特性具有相关性和一致性。因此,可以通过磨粒群的分形特性反映磨合吸引子的动力学特性。在摩擦磨损试验机上进行分阶段的环-盘磨损试验,试验前后分别测量环试样和盘试样的表面粗糙度和三维形貌。研究试样表面形貌的二维与三维分形特性,并与同一摩擦系统中磨合吸引子的表征参数进行相关性研究。研究发现:随着磨损过程的进行,环试样表面的粗糙度不断增大,盘试样表面的粗糙度先减小然后保持相对稳定最后增大;盘试样表面的二维轮廓分形维数和特征粗糙度与三维形貌分形维数均遵循“增大-稳定-减小”的演变规律。将盘试样表面的三个分形表征参数的变化过程与磨合吸引子的关联维数、滑动移除近似熵和距离矩阵标准偏差的变化过程比较发现,同一摩擦系统中磨损表面形貌的分形特性与磨合吸引子的动力学特性具有相关性和一致性。因此,可以通过磨损表面形貌的二维与三维分形特性反映磨合吸引子的动力学特性。通过Designexpert8软件设计有关载荷、速度和盘试样初始表面粗糙度的磨合正交试验方案,并在摩擦磨损试验机上进行磨合试验。磨合试验结束后,统计与计算每组试验的输出参数-磨合时间、稳定磨损状态下的摩擦系数值、稳定磨损状态下摩擦系数的关联维数值、滑动移除近似熵值和距离矩阵标准偏差值。利用BP神经网络建立稳定磨损状态下磨合吸引子的BP神经网络试验模型。经过反复训练和验证得,BP神经网络模型的预测精度可以达到80%以上。利用磨合吸引子模型预测不同系统参数条件下摩擦系统的输出参数值,并将它们构成一个预测数据库。然后联合LabVIEW和MATLAB软件开发磨合状态在线识别系统,通过对比输出参数预测值与真实值,识别与预测摩擦系统的磨合状态。该论文有图132幅,表28个,参考文献191篇。
姜子飞[10]（2019）在《基于灰色理论与抗爆优化的舰船结构重构方法研究》文中指出随着现代造船技术的不断发展,船舶也逐渐向着大型化方向发展,近几年我国建造大型舰船的技术经验也在逐步累积,然而至今为止仍然没有公认的大型舰船设计规范可以使用,国外许多大型舰船的结构是值得学习借鉴的,因此本文针对如何重构国外大型舰船进行了研究。首先,本文以灰色理论为基础对大型舰船的典型结构进行了初步重构。由于舰船设计规范是对造船经验的总结,具有很高的利用价值,所以本文利用灰色理论对现有舰船规范中的数据进行挖掘。通过分析了规范中数据的特点,说明了用灰色预测模型对规范中的数据建模具有一定的可行性,从而发挥灰色理论在处理少数据、不确定性问题上的优势,对船长与舰船典型结构的最小允许厚度进行了灰色建模,从而拓宽了舰船规范的适用范围,并且对灰色建模过程中的影响因素进行了分析。通过与资料中大型舰船的数据对比,证明了以这种方法对舰船规范数据进行外推具有一定的工程价值,从而确定结构的初参数。在灰色理论建模结果的基础上,本文通过对重构目标的分析,对其进行了初步的重构,并分析了初步重构结果的意义与不足。其次,针对初步重构结果的不足,和国外舰船在不断加强结构抗爆抗冲击设计的现状,本文确定了采用抗爆优化进行深入重构的原则。开展了对初步重构双层底结构的抗爆性能研究,基于正交筛选法确定计算工况,采用声固耦合方法对其在远场爆炸载荷下的响应特性进行了研究,着重分析了该双层底结构的内底板在不同工况下的冲击环境。然后应用有限元仿真数据对神经网络模型进行训练,实现了该双层底结构在不同结构参数与爆炸载荷工况下冲击环境的快速预报。基于冲击环境快速预报模型,利用遗传算法编写了在不同冲击环境约束下求解最优结构参数的程序,并得出了在不同舰载设备抗冲击指标下的最优结构,从而实现了在初步重构基础上以抗爆性能为原则的深化重构。全文提出了舰船重构的研究思想,并且形成了以灰色理论和抗爆优化为基础的舰船重构方法。
二、基于神经网络的被测量重构方法研究（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、基于神经网络的被测量重构方法研究（论文提纲范文）
（1）基于特征增强与MPE的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障诊断常用方法 |
| 1.3 故障诊断国内外研究现状 |
| 1.3.1 故障特征提取研究现状 |
| 1.3.2 智能故障诊断研究现状 |
| 1.4 本课题研究的主要工作 |
| 第二章 基于模态分解与MED的故障特征增强方法 |
| 2.1 引言 |
| 2.2 模态分解相关方法 |
| 2.2.1 EMD算法原理 |
| 2.2.2 VMD算法原理 |
| 2.2.3 仿真信号分析 |
| 2.3 最小熵解卷积与希尔伯特解调 |
| 2.3.1 最小熵解卷积 |
| 2.3.2 希尔伯特变换 |
| 2.4 基于VMED的滚动轴承故障特征增强 |
| 2.5 实验验证 |
| 2.5.1 仿真信号分析 |
| 2.5.2 凯斯西储实验信号验证 |
| 2.5.3 实验信号验证 |
| 2.6 本章小结 |
| 第三章 基于多尺度排列熵的滚动轴承故障特征提取 |
| 3.1 引言 |
| 3.2 排列熵 |
| 3.2.1 排列熵理论 |
| 3.2.2 排列熵原理实例分析 |
| 3.2.3 排列熵仿真信号分析 |
| 3.3 多尺度排列熵 |
| 3.3.1 多尺度排列熵理论 |
| 3.3.2 MPE参数确定 |
| 3.3.3 MPE仿真信号分析 |
| 3.4 基于VMPE的故障诊断方法 |
| 3.5 实验验证 |
| 3.5.1 实验说明 |
| 3.5.2 实验数据处理 |
| 3.6 本章小结 |
| 第四章 基于改进多尺度排列熵的滚动轴承故障特征提取 |
| 4.1 引言 |
| 4.2 嵌入维数与时间延迟单独确定 |
| 4.2.1 嵌入维数确定 |
| 4.2.2 时间延迟确定 |
| 4.3 关联积分法 |
| 4.4 MPE参数优化及实验验证 |
| 4.4.1 实验说明 |
| 4.4.2 信号处理与分析 |
| 4.5 本章小结 |
| 第五章 基于KELM的滚动轴承故障识别方法 |
| 5.1 引言 |
| 5.2 神经网络与极限学习机 |
| 5.2.1 神经网络 |
| 5.2.2 极限学习机 |
| 5.3 核极限学习机 |
| 5.4 基于CMPE与 KELM的故障诊断方法 |
| 5.5 实验验证 |
| 5.5.1 实验说明 |
| 5.5.2 信号处理与分析 |
| 5.6 本章小结 |
| 主要结论及展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士期间发表的论文及学术成果 |
（2）基于量测差分与模型重构和补偿的地磁导航方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩写词 |
| 符号 |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 近地卫星地磁自主导航国外研究现状 |
| 1.2.2 近地卫星地磁自主导航国内研究现状 |
| 1.2.3 现阶段研究中存在的主要问题 |
| 1.3 本文的研究内容和创新点 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 论文的创新点 |
| 第2章 近地卫星地磁自主导航基础 |
| 2.1 地磁场概述 |
| 2.1.1 地磁场组成 |
| 2.1.2 地磁场要素和球谐函数 |
| 2.1.3 地磁场模型 |
| 2.2 参考坐标系及其转换 |
| 2.2.1 参考坐标系 |
| 2.2.2 坐标系之间的转换 |
| 2.3 系统状态方程和量测方程 |
| 2.3.1 系统状态方程 |
| 2.3.2 量测量为地磁场矢量的量测方程 |
| 2.3.3 量测量为地磁场模的量测方程 |
| 2.4 磁测卫星实测数据的获取与处理 |
| 2.5 本章小结 |
| 第3章 磁暴期基于量测差分扩展卡尔曼滤波器的地磁导航算法 |
| 3.1 EKF 算法和MDEKF 算法 |
| 3.1.1 EKF算法 |
| 3.1.2 MDEKF算法 |
| 3.2 磁平静期和磁暴期的地磁场实测数据分析 |
| 3.2.1 地磁暴和Dst指数 |
| 3.2.2 Swarm卫星数据介绍 |
| 3.2.3 磁平静期和磁暴期的量测误差统计特性 |
| 3.3 量测量为地磁场矢量的仿真验证 |
| 3.3.1 磁平静期EKF 算法和MDEKF 算法性能对比 |
| 3.3.2 磁暴期EKF 算法和MDEKF 算法性能对比 |
| 3.3.3 采样间隔对MDEKF算法的影响 |
| 3.3.4 切法径三向位置误差特点比较 |
| 3.3.5 MDEKF算法对量测噪声协方差矩阵的鲁棒性分析 |
| 3.4 量测量为地磁场模的仿真验证 |
| 3.4.1 磁平静期EKF 算法和MDEKF 算法性能对比 |
| 3.4.2 磁暴期EKF 算法和MDEKF 算法性能对比 |
| 3.5 本章小结 |
| 第4章 基于三向解耦地磁场模型快速重构的地磁导航算法 |
| 4.1 三向解耦地磁场模型快速重构算法 |
| 4.1.1 三向解耦地磁场模型的建立 |
| 4.1.2 基于RLS快速重构TDGF模型系数 |
| 4.1.3 TDGF模型快速重构仿真验证 |
| 4.2 IGRF 模型误差和TDGF 模型误差对比分析 |
| 4.2.1 IGRF模型误差分析 |
| 4.2.2 后期IGRF 模型误差和TDGF 模型误差对比分析 |
| 4.3 基于TDGF模型的地磁导航算法的仿真验证 |
| 4.3.1 初期 IGRF 模型与后期 IGRF 模型仿真结果比较 |
| 4.3.2 后期IGRF 模型与TDGF 模型仿真结果比较 |
| 4.3.3 TDGF模型更新间隔与导航精度的关系 |
| 4.3.4 基于TDGF模型的地磁导航算法对量测噪声协方差矩阵的鲁棒性 |
| 4.3.5 算法应用于近地微纳卫星时的精度潜力研究 |
| 4.4 轨道参数与基于TDGF模型的地磁导航算法性能的关系 |
| 4.5 本章小节 |
| 第5章 基于神经网络地磁场误差补偿模型的地磁导航算法 |
| 5.1 IGRF模型地磁场总强度误差与地磁纬度的关系 |
| 5.1.1 地心纬度和地磁纬度的转换 |
| 5.1.2 多个卫星轨道周期中IGRF模型误差随地磁纬度的变化规律 |
| 5.1.3 一个卫星轨道周期中IGRF模型误差随地磁纬度的变化规律 |
| 5.1.4 一个卫星轨道周期中TDGF模型误差随地磁纬度的变化规律 |
| 5.1.5 建立地磁场误差补偿模型的前提条件 |
| 5.2 神经网络地磁场误差补偿模型 |
| 5.2.1 建立神经网络地磁场误差补偿模型 |
| 5.2.2 补偿前后模型误差对比 |
| 5.3 基于神经网络地磁场误差补偿模型的地磁导航算法的仿真验证 |
| 5.3.1 神经网络地磁场误差补偿模型的量测矩阵 |
| 5.3.2 基于NNGFEC模型的地磁导航算法的仿真验证 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 论文主要工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于人工智能的视觉感知解码理论与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 中英文缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及其意义 |
| 1.1.1 人类大脑的视觉皮层 |
| 1.1.2 视觉解码研究的背景 |
| 1.2 视觉解码国内外研究进展与现状 |
| 1.2.1 基于分类的视觉解码研究 |
| 1.2.2 基于语义的视觉解码研究 |
| 1.2.3 基于重构的视觉解码研究 |
| 1.2.4 基于语言或语音的解码研究 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 基于递归神经网络的视觉感知的分类解码研究 |
| 2.1 引言 |
| 2.2 材料 |
| 2.2.1 被试 |
| 2.2.2 实验设计 |
| 2.2.3 MRI扫描参数与预处理 |
| 2.3 方法 |
| 2.3.1 群体感受野模型 |
| 2.3.2 视觉区的定位 |
| 2.3.3 长短时记忆网络 |
| 2.3.4 基于LSTM的解码模型 |
| 2.4 结果 |
| 2.4.1 基于LSTM的解码模型的解码性能 |
| 2.4.2 不同时长神经活动的解码性能的比较 |
| 2.4.3 不同方法的解码性能的比较 |
| 2.4.4 不同视觉区的解码性能的比较 |
| 2.5 讨论 |
| 2.6 本章小结 |
| 第三章 基于条件渐进生成式的视觉感知的重构解码研究 |
| 3.1 引言 |
| 3.2 材料 |
| 3.3 方法 |
| 3.3.1 自然图像重构框架 |
| 3.3.2 潜特征提取器 |
| 3.3.3 潜特征解码器 |
| 3.3.4 自然图像生成器 |
| 3.4 结果 |
| 3.4.1 重构的图像 |
| 3.4.2 重构质量评估 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于相似条件生成式的视觉感知的重构解码研究 |
| 4.1 引言 |
| 4.2 材料 |
| 4.3 方法 |
| 4.3.1 基于相似性条件生成对抗网络的感知重构模型 |
| 4.3.2 图像特征提取器 |
| 4.3.3 大脑特征提取器 |
| 4.3.4 生成器 |
| 4.3.5 判别器 |
| 4.4 结果 |
| 4.4.1 重构的图像 |
| 4.4.2 重构图像的质量评估 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 基于递归神经网络的语言解码研究 |
| 5.1 引言 |
| 5.2 材料 |
| 5.3 方法 |
| 5.3.1 渐进迁移的语言解码模型 |
| 5.4 结果 |
| 5.4.1 语言解码模型生成的文本 |
| 5.4.2 语言解码模型的定量评估 |
| 5.4.3 不同时间点对语言解码的贡献估计 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 基于Transformer的双通道语言解码研究 |
| 6.1 引言 |
| 6.2 材料与方法 |
| 6.2.1 数据集 |
| 6.2.2 函数的定义 |
| 6.2.3 双通道语言解码模型 |
| 6.2.4 目标函数 |
| 6.2.5 渐进迁移的训练策略 |
| 6.3 结果 |
| 6.3.1 解码的文本 |
| 6.3.2 定量的评估 |
| 6.3.3 相似度损失函数 |
| 6.3.4 训练策略的比较 |
| 6.3.5 不同视觉区解码性能的比较 |
| 6.4 讨论 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）基于粒子群优化概率神经网络的传感器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.3 论文的主要工作与章节安排 |
| 2 传感器故障分类与故障注入技术 |
| 2.1 传感器故障分类 |
| 2.2 基于故障注入法的故障获取方法 |
| 2.3 本章小结 |
| 3 平台搭建与数据采集 |
| 3.1 平台搭建 |
| 3.2 故障信息获取 |
| 3.3 信号预处理 |
| 3.4 本章小结 |
| 4 基于粒子群优化的概率神经网络传感器故障诊断模型构建 |
| 4.1 基于小波多尺度排列熵的特征提取方法 |
| 4.2 粒子群算法优化概率神经网络故障诊断模型构建 |
| 4.3 本章小结 |
| 5 实验验证与结果对比 |
| 5.1 基于小波分析的故障信号分解 |
| 5.2 多尺度排列熵特征提取 |
| 5.3 实验结果对比 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（5）基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究现状 |
| 1.2.1 温度场检测的研究现状 |
| 1.2.2 链篦机温度场数学建模研究现状 |
| 1.2.3 链篦机温度场控制策略研究现状 |
| 1.3 研究意义 |
| 1.4 主要研究内容与技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 研究技术路线 |
| 1.4.3 论文章节安排 |
| 第二章 链篦机鼓风干燥段温度场的数学建模 |
| 2.1 机理建模与实验建模方法 |
| 2.2 链篦机鼓风干燥段温度场的机理模型 |
| 2.2.1 鼓风干燥段球团料层温度场模型 |
| 2.2.2 鼓风干燥段气体温度场模型 |
| 2.3 链篦机鼓风干燥段温度场神经网络系统辨识模型 |
| 2.3.1 神经网络模型的结构 |
| 2.3.2 BP神经网络的训练 |
| 2.3.3 鼓风干燥段温度场神经网络系统辨识过程 |
| 2.4 链篦机鼓风干燥段温度场灰盒系统辨识模型 |
| 2.5 本章小结 |
| 第三章 链篦机鼓风干燥段温度场的控制策略 |
| 3.1 链篦机鼓风干燥段温度场控制目标 |
| 3.2 链篦机鼓风干燥段温度场的模糊控制 |
| 3.2.1 模糊控制基本原理 |
| 3.2.2 MIMO模糊控制器设计 |
| 3.3 链篦机鼓风干燥段温度场的模糊神经网络控制 |
| 3.3.1 模糊神经网络模型 |
| 3.3.2 鼓风干燥段温度场模糊神经网络控制 |
| 3.4 链篦机鼓风干燥段温度场的模糊自适应神经网络控制 |
| 3.4.1 模糊控制与模糊神经网络控制适应性分析 |
| 3.4.2 模糊自适应神经网络控制策略 |
| 3.4.3 模糊自适应神经网络的学习算法 |
| 3.5 本章小结 |
| 第四章 链篦机鼓风干燥段温度场控制的数值模拟 |
| 4.1 数值模拟平台 |
| 4.1.1 计算流体力学仿真软件Fluent |
| 4.1.2 算法仿真软件MATLAB |
| 4.2 链篦机鼓风干燥段温度场模型的数值模拟 |
| 4.2.1 鼓风干燥段温度场机理模型数值模拟 |
| 4.2.2 鼓风干燥段温度场动态响应辨识数值模拟 |
| 4.2.3 鼓风干燥段温度场灰盒系统辨识数值模拟 |
| 4.3 模糊自适应神经网络控制数值模拟 |
| 4.3.1 模糊自适应神经网络数据预处理 |
| 4.3.2 模糊自适应神经网络控制的数值模拟 |
| 4.4 本章小结 |
| 第五章 温度场模糊自适应神经网络控制试验与分析 |
| 5.1 温度场检测的多传感器布置优化 |
| 5.1.1 传感位置选点及布点优化理论 |
| 5.1.2 遗传算法求解多传感器布点 |
| 5.1.3 传感器布点位置分析 |
| 5.2 多物理场耦合过程试验装置设计 |
| 5.2.1 试验装置总体结构 |
| 5.2.2 热源及控制器选型 |
| 5.2.3 硬件线路连接及布局设计 |
| 5.3 多物理场耦合过程试验装置的软件设计 |
| 5.3.1 LabVIEW与 GX-Developer简介 |
| 5.3.2 模糊自适应神经网络控制软件设计 |
| 5.4 温度场控制试验与结果分析 |
| 5.4.1 灰盒模型系统辨识的试验与分析 |
| 5.4.2 模糊自适应神经网络动态响应的试验与分析 |
| 5.4.3 温度场模糊自适应神经网络控制的试验与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的学术成果 |
（6）分布式地震数据智能感知采集方法研究（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 课题的研究背景 |
| 1.1.2 课题的研究目的和意义 |
| 1.2 地震数据采集方法研究现状及存在的主要问题 |
| 1.2.1 地震数据采集方法的发展趋势 |
| 1.2.2 国内外地震数据高效采集方法的研究现状 |
| 1.2.3 地震数据高效采集方法存在的主要问题 |
| 1.3 论文研究思路和结构安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文结构安排 |
| 第2章 地震数据智能感知的理论基础 |
| 2.1 引言 |
| 2.2 压缩感知理论 |
| 2.2.1 压缩感知理论的数学模型及常用算法 |
| 2.2.2 基于压缩感知的地震数据处理方法 |
| 2.3 稀疏表示理论 |
| 2.3.1 稀疏表示理论的数学模型及常用算法 |
| 2.3.2 基于稀疏表示的地震数据处理方法 |
| 2.4 机器学习理论 |
| 2.4.1 机器学习算法 |
| 2.4.2 基于机器学习的地震数据处理方法 |
| 2.5 智能感知采集方法 |
| 2.5.1 智能感知采集方法的基本思想 |
| 2.5.2 智能感知采集方法的理论支撑 |
| 2.6 本章小结 |
| 第3章 地震数据智能感知的总体方案设计 |
| 3.1 引言 |
| 3.2 地震数据的稀疏性分析 |
| 3.2.1 基于地震波场理论的稀疏性分析 |
| 3.2.2 基于信息理论的稀疏性分析 |
| 3.3 地震数据采集的工作场景及网络结构 |
| 3.3.1 常规地震勘探工作场景及网络结构 |
| 3.3.2 压裂微地震监测工作场景及网络结构 |
| 3.4 基于常规地震勘探的高效地震数据采集方案设计 |
| 3.4.1 常规地震勘探中采集效率分析 |
| 3.4.2 提高常规地震勘探中采集效率的策略研究 |
| 3.4.3 基于多跳网络的地震数据智能感知方案 |
| 3.5 基于压裂微地震监测的高效地震数据采集方案设计 |
| 3.5.1 压裂微地震监测中采集效率分析 |
| 3.5.2 提高压裂微地震监测中采集效率的策略研究 |
| 3.5.3 基于微地震事件检测的智能感知方案 |
| 3.6 本章小结 |
| 第4章 基于多跳网络的地震数据智能感知采集方法研究 |
| 4.1 引言 |
| 4.2 基于多跳网络的地震数据智能感知采集方法概述 |
| 4.2.1 基于多跳网络的地震数据智能感知采集方法的设计思想 |
| 4.2.2 基于多跳网络的地震数据智能感知采集方法的训练阶段 |
| 4.2.3 基于多跳网络的地震数据智能感知采集方法的采集阶段 |
| 4.3 基于多跳网络的压缩编码框架 |
| 4.4 基于生成对抗网络的压缩感知算法的框架 |
| 4.4.1 基于生成对抗网络的压缩感知算法的设计思想 |
| 4.4.2 基于生成对抗网络的压缩感知算法的基本结构 |
| 4.4.3 基于生成对抗网络的压缩感知算法中对抗机制 |
| 4.4.4 基于生成对抗网络的压缩感知算法中交替方向搜索机制 |
| 4.5 基于生成对抗网络的压缩感知算法的判别器设计 |
| 4.5.1 判别器的设计思想 |
| 4.5.2 判别器的网络结构 |
| 4.5.3 判别器的损失函数 |
| 4.6 基于生成对抗网络的压缩感知算法的生成器设计 |
| 4.6.1 生成器的设计思想 |
| 4.6.2 生成器的网络结构 |
| 4.6.3 生成器的损失函数 |
| 4.7 基于多跳网络的地震数据智能感知采集方法的数值试验 |
| 4.7.1 数值试验的总体思路 |
| 4.7.2 合成地震数据试验 |
| 4.7.3 实际地震数据试验 |
| 4.8 本章小结 |
| 第5章 基于微地震事件检测的智能感知采集方法研究 |
| 5.1 引言 |
| 5.2 基于微地震事件检测的智能感知采集方法概述 |
| 5.2.1 基于微地震事件检测的智能感知采集方法的设计思想 |
| 5.2.2 基于微地震事件检测的智能感知采集方法的训练阶段 |
| 5.2.3 基于微地震事件检测的智能感知采集方法的采集阶段 |
| 5.3 基于微地震事件检测的压缩采样技术 |
| 5.3.1 基于微地震事件检测的压缩采样技术的核心思想 |
| 5.3.2 微地震数据的时间域随机压缩采样 |
| 5.3.3 基于机器学习的微地震事件检测算法 |
| 5.4 微地震数据压缩采样的数据重构方法 |
| 5.4.1 微地震数据压缩采样的数据重构的思路 |
| 5.4.2 基于奇异值分解的聚类字典学习算法 |
| 5.4.3 微地震数据压缩采样后的数据恢复过程 |
| 5.5 基于微地震事件检测的智能感知采集方法的数值试验 |
| 5.5.1 数值试验的总体思路 |
| 5.5.2 合成微地震数据试验 |
| 5.5.3 实际微地震数据试验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 作者简介及攻读博士期间科研成果 |
| 致谢 |
（7）基于稀疏与低秩理论的图像表示及重建（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知与重构 |
| 1.2.2 基于压缩感知的图像压缩 |
| 1.2.3 图像的超分辨率重建 |
| 1.3 图像质量评价 |
| 1.4 研究内容与文章结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 文章的内容与安排 |
| 1.5 本章小结 |
| 2 压缩感知与稀疏表示理论 |
| 2.1 引言 |
| 2.2 压缩感知原理 |
| 2.2.1 稀疏表示 |
| 2.2.2 不相干测量 |
| 2.2.3 非线性重构 |
| 2.3 稀疏表示 |
| 2.3.1 传统正交变换 |
| 2.3.2 多尺度几何分析 |
| 2.3.3 字典学习 |
| 2.4 低秩矩阵恢复 |
| 2.4.1 迭代阈值算法 |
| 2.4.2 加速近端梯度方法 |
| 2.4.3 增广拉格朗日乘子法 |
| 2.5 本章小结 |
| 3 图像分块自适应压缩感知编码 |
| 3.1 引言 |
| 3.2 图像分块压缩感知 |
| 3.2.1 图像分块压缩感知理论 |
| 3.2.2 图像分块压缩感知编码 |
| 3.3 块变换域系数随机置换的压缩感知 |
| 3.3.1 算法思想 |
| 3.3.2 算法描述 |
| 3.4 基于自适应测量矩阵的压缩感知 |
| 3.4.1 自适应测量矩阵的设计 |
| 3.4.2 自适应测量矩阵的实现 |
| 3.4.3 自适应测量矩阵的特点 |
| 3.5 实验结果与讨论 |
| 3.5.1 CRP均衡矢量稀疏性的测试 |
| 3.5.2 CRP+AS的性能测试 |
| 3.5.3 基矢量重正交化对增加测量效率的测试 |
| 3.6 本章小结 |
| 4 非局部组稀疏与多稀疏联合规则化的压缩感知重建 |
| 4.1 引言 |
| 4.2 图像的非局部稀疏 |
| 4.2.1 图像的非局部相似 |
| 4.2.2 图像块组稀疏表示 |
| 4.3 迭代重加权组稀疏表示的压缩感知恢复 |
| 4.3.1 基于组稀疏表示的压缩感知重构 |
| 4.3.2 迭代重加权组稀疏规则化的压缩感知重构 |
| 4.3.3 实验结果与分析 |
| 4.4 联合标准化组稀疏表示的压缩感知恢复 |
| 4.4.1 图像块组变换域标准化表示 |
| 4.4.2 提出的重构模型与求解 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 自适应截断低秩正则化的图像超分辨率 |
| 5.1 引言 |
| 5.2 单帧图像超分辨率 |
| 5.2.1 基于插值的方法 |
| 5.2.2 基于模型的方法 |
| 5.2.3 基于学习的方法 |
| 5.3 基于低秩分解的超分辨率 |
| 5.3.1 低秩邻域嵌入的超分辨率 |
| 5.3.2 结构低秩正则化的超分辨率 |
| 5.4 自适应低秩正则化的图像超分辨率 |
| 5.4.1 自适应非局部低秩近似 |
| 5.4.2 自适应截断低秩表示的超分辨率 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（8）联合先验信息与学习机制的加权l1最小模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 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 本文内容及章节安排 |
| 第二章 相关理论基础 |
| 2.1 压缩感知理论 |
| 2.1.1 稀疏表示 |
| 2.1.2 测量矩阵 |
| 2.1.3 重构算法 |
| 2.2 深度学习理论 |
| 2.2.1 原始的循环神经网络 |
| 2.2.2 LSTM网络 |
| 2.2.3 优化算法 |
| 2.2.4 激活函数 |
| 2.3 本章小结 |
| 第三章 基于RNN的序列信号重构算法 |
| 3.1 引言 |
| 3.2 加权l_1-范数问题 |
| 3.3 加权l_1-范数序列迭代软阈值算法 |
| 3.3.1 迭代软阈值算法 |
| 3.3.2 加权l_1-范数的序列迭代软阈值算法 |
| 3.4 基于RNN的序列迭代软阈值算法 |
| 3.5 本章小结 |
| 第四章 仿真实验结果及分析 |
| 4.1 实验环境介绍 |
| 4.2 实验数据介绍 |
| 4.3 实验结果及分析 |
| 4.3.1 Caltech-256数据集上的仿真 |
| 4.3.2 PTB心电数据集上的仿真 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 致谢 |
（9）摩擦系统磨合吸引子的动力学特性研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景、意义及来源 |
| 1.2 摩擦系统的研究现状 |
| 1.3 磨合吸引子的研究现状 |
| 1.4 尚需深入研究的问题 |
| 1.5 课题研究内容 |
| 2 磨合吸引子表征参数研究 |
| 2.1 引言 |
| 2.2 摩擦磨损试验 |
| 2.3 关联维数的计算 |
| 2.4 滑动移除近似熵的引入 |
| 2.5 相点三维直方图的提出 |
| 2.6 收敛度的提出 |
| 2.7 距离矩阵标准偏差的提出 |
| 2.8 本章小结 |
| 3 磨合吸引子形成条件研究 |
| 3.1 引言 |
| 3.2 试验设备与试样制备 |
| 3.3 试验参数的确定 |
| 3.4 载荷对磨合吸引子形成的影响 |
| 3.5 速度对磨合吸引子形成的影响 |
| 3.6 粗糙度对磨合吸引子形成的影响 |
| 3.7 本章小结 |
| 4 磨合吸引子与磨粒群的相关性研究 |
| 4.1 引言 |
| 4.2 摩擦磨损试验及磨粒采集 |
| 4.3 磨合吸引子特征的演化 |
| 4.4 磨粒群特征的演化 |
| 4.5 磨合吸引子与磨粒群的特征演化相关性 |
| 4.6 本章小结 |
| 5 磨合吸引子与表面形貌的相关性研究 |
| 5.1 引言 |
| 5.2 摩擦磨损试验及表面形貌采集 |
| 5.3 表面二维轮廓特征的演化 |
| 5.4 表面三维形貌特征的演化 |
| 5.5 磨合吸引子与表面形貌的特征演化相关性 |
| 5.6 本章小结 |
| 6 基于BP神经网络的磨合吸引子试验模型研究 |
| 6.1 引言 |
| 6.2 BP神经网络 |
| 6.3 磨合正交试验 |
| 6.4 磨合吸引子BP神经网络试验模型 |
| 6.5 磨合吸引子模型在磨合状态在线识别中的应用 |
| 6.6 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）基于灰色理论与抗爆优化的舰船结构重构方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 灰色理论的研究与应用现状 |
| 1.2.2 大型舰船抗冲击问题研究现状 |
| 1.2.3 舰船结构设计与优化方法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 基于灰色理论的舰船数据建模方法研究 |
| 2.1 引言 |
| 2.2 灰色理论的建模步骤及其数学模型 |
| 2.2.1 基于舰船结构参数估计问题的灰色理论建模 |
| 2.2.2 灰微分方程的建立及求解方法 |
| 2.3 舰船结构数据样本特征分析 |
| 2.3.1 数据样本预处理 |
| 2.3.2 舰船结构参数与船长间的灰关联分析 |
| 2.3.3 基于船舶设计经验的样本数据分解 |
| 2.4 舰船结构重构中灰色理论的可行性分析 |
| 2.4.1 舰船结构设计过程 |
| 2.4.2 灰色理论特性及可行性 |
| 2.4.3 样本数据分量对灰色建模的影响分析 |
| 2.5 本章小结 |
| 第3章 舰船结构的初步重构与抗爆性分析原则 |
| 3.1 引言 |
| 3.2 舰船型材重构的灰色建模 |
| 3.2.1 不同船长最小允许纵骨间距 |
| 3.2.2 典型结构的最小允许板厚 |
| 3.2.3 灰色理论建模结果的修正 |
| 3.3 基于目标舰船的初步重构结果 |
| 3.3.1 图像处理的原理与方法介绍 |
| 3.3.2 重构舰船结构的参数化 |
| 3.3.3 舰船重构的初步结果 |
| 3.4 舰船深入重构分析及抗爆性原则 |
| 3.4.1 舰船重构的目的及其特性 |
| 3.4.2 初步重构结果的不足 |
| 3.4.3 基于抗爆性的深入重构方法 |
| 3.5 本章小结 |
| 第4章 初步重构双层底结构的抗冲击特性研究 |
| 4.1 引言 |
| 4.2 双层底结构的冲击响应特性 |
| 4.2.1 声-固耦合方法简介及爆炸载荷的计算 |
| 4.2.2 计算模型及工况设置 |
| 4.3 双层底结构在爆炸载荷下的响应特性 |
| 4.3.1 双层底应力响应结果分析 |
| 4.3.2 双层底应变响应结果分析 |
| 4.3.3 内底板加速度响应结果分析 |
| 4.4 重构舰船内底板冲击环境分布特性研究 |
| 4.4.1 冲击谱计算原理 |
| 4.4.2 内底板板格内部冲击环境参数分布特性 |
| 4.4.3 内底板整体冲击环境参数分布特性 |
| 4.5 本章小节 |
| 第5章 基于冲击环境快速预报的舰船结构深化重构设计 |
| 5.1 引言 |
| 5.2 基于神经网络的冲击环境快速预报方法 |
| 5.2.1 BP神经网络概述 |
| 5.2.2 神经网络模型的训练及其预测误差 |
| 5.3 基于遗传算法的重构舰船双层底优化设计 |
| 5.3.1 优化要素分析 |
| 5.3.2 优化算法与程序设计 |
| 5.3.3 优化结果 |
| 5.4 本章小节 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、基于神经网络的被测量重构方法研究（论文参考文献）
- [1]基于特征增强与MPE的滚动轴承故障诊断方法研究[D]. 赵云. 江南大学, 2021(01)
- [2]基于量测差分与模型重构和补偿的地磁导航方法研究[D]. 崔峰. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [3]基于人工智能的视觉感知解码理论与方法研究[D]. 黄伟. 电子科技大学, 2021(01)
- [4]基于粒子群优化概率神经网络的传感器故障诊断方法研究[D]. 王兆兴. 山东科技大学, 2020(06)
- [5]基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究[D]. 修晓波. 江苏大学, 2020(02)
- [6]分布式地震数据智能感知采集方法研究[D]. 张晓普. 吉林大学, 2019
- [7]基于稀疏与低秩理论的图像表示及重建[D]. 高志荣. 武汉大学, 2019
- [8]联合先验信息与学习机制的加权l1最小模型研究[D]. 龚火青. 广东工业大学, 2019(02)
- [9]摩擦系统磨合吸引子的动力学特性研究[D]. 丁丛. 中国矿业大学, 2019(01)
- [10]基于灰色理论与抗爆优化的舰船结构重构方法研究[D]. 姜子飞. 哈尔滨工程大学, 2019(03)