一、模糊系统与前向神经网络的结合（论文文献综述）
赵毓[1]（2021）在《多智能体系统自主规避任务决策方法研究》文中提出随着航空航天事业的高速发展,越来越多的飞行器采用群体或多体协同的方式执行任务,呈现出典型的多智能体特征,适于使用多智能体理论对其进行分析和建模,对分布式自主决策技术的需求日益突出。飞行器自主规避是确保其安全性最直接有效的方法,但是当前对相关技术的研究多是基于静态全局规划算法,难以满足动态场景中多实体间实时协同需求。为了解决多实体协同规避问题,本文引用多智能体系统思想对其进行规避任务决策技术研究。多智能体系统有着自主、高效和可扩展的优点,本文将其与强化学习技术相结合,用以设计飞行器决策算法。本文以航天器反拦截、无人机避碰和空间机械臂轨迹规划等典型任务为研究背景,对多智能体自主规避任务决策问题进行研究,结合真实约束条件,实现智能体的实时决策。本文取得主要研究成果如下:在运动分析基础上给出智能体与环境交互的数学模型。针对多智能体系统规避决策问题,建立部分可观马尔科夫决策模型,考虑部分可观的约束条件,结合博弈理论研究了多智能体马尔科夫博弈问题,分析常规回报函数的设计方法,并给出了求解序列决策的三种典型方式。在多智能体强化学习方面,分析了航天器规避机动场景和空间机械臂捕捉场景的决策流程;将策略梯度方法向多智能体系统进行改进研究;提出一种基于策略协调和信度分配的Actor-Critic强化学习方法,用于解决全局可观条件下决策器的训练和策略提升问题,并给出相关收敛性分析;根据任务需求设计各关键环节的神经网络结构和算法流程。分别在航天器反拦截和空间机械臂避障规划等多种任务场景中进行了强化学习训练,通过对累积回报值和成功率的结果对比分析验证了所提方法的正确性和有效性。在强化学习算法应用方面,分析典型任务场景对决策效率的约束情况;针对问题场景设计了进行任务决策的神经网络结构,并对其不同部分设计压缩方法;在神经网络权值聚类和量化的基础上,提出一种自适应分层重构剪枝方法,该方法以重训练的方式对目标神经网络进行动态剪枝和压缩,用于提高决策器运行速度,并压缩其存储空间;对部分可观条件下的任务场景进行强化学习系统设计,详细给出了回报函数的设计方法。分别在有限空域大量无人机场景和多航天器反拦截场景对提出方法进行仿真验证,从决策运行速度、累计回报值和成功率等方面对算法性能进行分析和讨论,并验证了所提强化学习方法对实体数量可变环境的适应性。在任务环境稀疏奖励问题上,对任务场景约束和常规强化学习算法局限性进行分析,设计了案例评价机制;提出逆值法强化学习算法,解决了奖励延迟分配和无奖励引导系统学习效率低的问题;基于马尔科夫博弈理论设计了自学习系统,并结合启发式搜索思想分析了所提算法的收敛性;分析了有扰动状态输入情况,并设计了用于对比分析的有限状态机;分析了算法优势和改进方向。在仿真验证中与前文章节训练所得决策器进行了对比分析,验证了所提算法的正确性和相关性能优势。本文对多智能体决策技术进行探索,研究了信度分配、策略协调、执行提速和稀疏奖励等重要方向,提高了航空航天硬件设备在执行任务中的存活率,所得研究成果对航空航天安全保障技术的发展具有一定的参考价值。
刘稳[2]（2020）在《天通一号S频段下行链路中频谱占用时间序列的建模与预测》文中进行了进一步梳理卫星通信凭借其覆盖范围大、通信距离远、通信容量大等优点,逐渐在人们生活中的各个领域扮演着越来越重要的角色。随着卫星通信需求的刺激以及卫星通信业务应用类型的逐渐增加,卫星频谱资源开始出现短缺现象,然而通过实测发现,频谱资源紧张的根本原因是频谱利用率低。基于对地面移动通信网络的研究经验,可以采用认知无线电技术来解决频谱利用率的问题,但是该技术实施的前提是发现空闲频谱,而要想发现并利用这些空闲频谱,不仅需要先进的频谱监测设备,更需要充分的目标频段的频谱占用模型理论知识研究,从而全面细致的了解卫星通信系统中的频谱使用的状况,为解决卫星通信网络中频谱资源短缺与频谱利用率低之间的矛盾提供依据。所以说认知无线电的发展很大程度上得益于实际且准确的频谱占用模型的可用性。本文则基于对天通一号卫星转发器频谱使用的实测数据,对其所使用S波段下行链路的频谱占用模型和预测两个方面进行了研究工作。在频谱占用模型方面,迄今为止,许多文献中提出的频谱占用模型都能够描述并再现占用时间序列的统计特征。例如传统的地面移动通信的频谱占用/空闲周期长度可以用经典的GP、指数等分布来拟合。然而,在某些卫星链路频谱占用场景中,地面移动通信网络中传统的参数估计分布无法给出良好的拟合。因此,本文提出使用核密度估计的方法来估计频谱占用时间序列的概率密度函数。结论表明,相比于传统地面网所采用的GP、指数等分布,核密度估计可以通过从数据样本本身出发来研究其分布特征,从而可以更准确地描述卫星下行链路中S波段频谱占用时间序列的统计特性。在频谱占用预测方面,针对经典ARIMA模型预测无法捕捉数据中非线性关系的缺陷,本文提出了使用模糊神经网络来对频谱占用模型的时间序列进行预测。结论表明,模糊神经网络预测具有学习和自适应能力,并能够捕捉时序数据中的非线性关系,因此要比ARIMA模型预测更加精确。
李蒙[3]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中指出近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
唐静[4]（2020）在《基于模糊理论的ABC-RBF神经网络对雾霾天气的预测》文中提出随着人工智能技术的快速发展,其应用已经遍布在我们生活的各个领域,RBF神经网络作为人工智能的重要方法是学者们现阶段的重点研究问题。RBF神经网络是一种局部逼近的前馈型神经网络,它模拟了人脑神经网络中局部调节和接受阈相互覆盖的结构,目前已经广泛的应用于非线性函数的逼近、人工智能、模式识别、图像分类等领域。在环境污染日益严重的今天,越来越多的人开始对雾霾问题重视起来,它不仅对我们的身心造成伤害,也影响我们的出行。因此,利用RBF神经网络技术从诱发雾霾的污染源出发,实现对雾霾天气的预测,从而提高人们的生活质量,是本文的主要研究内容。但传统的RBF神经网络在算法上存在缺陷,比如,在训练过程中误差收敛速度慢,对不确定的模糊信息呈现较差的性能等,这些都会影响雾霾预测的准确率。本文从提高RBF神经网络算法对雾霾预测准确性的角度出发,在传统算法的基础上进行革新,提出了新的优化算法,主要包括以下几个方面的工作和成果:（1）针对RBF神经网络的初始参数选择问题,引入人工蜂群算法优化的方法,将人工蜂群算法产生的最优解作为RBF神经网络的初始参数,设计出人工蜂群算法与RBF神经网络算法结合后的模型,验证可行性。（2）通过研究模糊理论,找到模糊理论和人工神经网络的结合点,对ABC-RBF神经网络的输入信息通过隶属度函数进行模糊分类,提高雾霾预测的分类精度。（3）将设计出的模糊RBF神经网络模型应用到雾霾预测的实例中,与并与传统RBF神经网络算法进行性能对比,分析实验结果。通过实验结果对比分析发现,基于模糊ABC-RBF神经网络对雾霾天气的预测效果与传统RBF神经网络算法相比,具有很大的优势,它不仅加强了对各个雾霾等级分类的精度,而且在神经网络模型的训练过程中,能更快的收敛到误差极小值。
丁海旭[5]（2020）在《自组织递归模糊神经网络设计及污水处理应用研究》文中进行了进一步梳理模糊神经网络（Fuzzy Neural Network,FNN）是一种兼具人工神经网络（Artificial Neural Network,ANN）的非线性分析能力与模糊系统的模糊推理能力的网络模型。FNN针对人脑思维的模糊性特点,利用数值化信息构建特定的非线性映射以实现对模糊事物的识别和判断,是一种能够适用于更复杂问题和更广泛领域的高级信息处理系统。然而,现有的FNN在内部动态信息传递与结构自适应调整过程中仍存在着诸多尚未解决的研究难题,在一定程度上限制了FNN的建模能力与应用领域。因此,研究能够自适应传递网络内部信息与自组织调整网络结构的FNN具有重要的意义。为解决以上研究难题,本文通过研究和分析FNN的动力学特性,提出了一种基于多元时间序列分析的自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network based on Multivariate Time Series Analysis,MTSA-SORFNN）模型。该模型通过小波变换-模糊马尔可夫链（Wavelet Transform Fuzzy Markov Chain,WTFMC）算法将预测因子引入到递归层中,增强了网络的递归环节的适应性;同时,采用加权动态时间弯曲（Weighted Dynamic Time Warping,WDTW）算法与敏感度分析（Sensitivity Analysis,SA）算法分别从局部与整体对网络的结构进行评估与优化;最后,将该网络模型应用于基准非线性问题的预测,并设计开发了污水处理关键出水参数软测量智能系统。实验结果表明,MTSA-SORFNN在收敛速度和建模精度上都展现出了较好的性能,实现了对基准非线性问题与污水处理关键水质参数的准确预测。论文的主要研究工作和创新点如下:（1）基于WTFMC算法的递归机制设计研究。针对自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network,SORFNN）的递归量难以自适应的问题,提出了一种基于WTFMC算法的递归机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建多元时间序列（Multivariate Time Series,MTS）;其次,通过小波变换分解此MTS,并结合模糊马尔可夫链预测分解后得到的子序列变化趋势;最后,合并预测值并完成网络递归层的计算。实验结果表明,该递归机制可以探知网络的内部变化规律,有效地提高了网络的收敛速度。（2）基于WDTW-SA算法的自组织机制设计研究。针对SORFNN的结构难以确定的问题,提出了一种基于WDTW-SA算法的自组织机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建MTS;其次,采用WDTW算法计算MTS间距以分析神经元之间的相关性,根据相关性评价指标对神经元进行合并;同时,结合SA算法计算该段时间的神经元的累计贡献度,根据贡献度评价指标对神经元进行分裂与删减。实验表明该自组织机制能够获得更紧凑的网络结构,并有效地提高了网络的预测精度。（3）SORFNN的结构参数调整策略设计研究。为了保证SORFNN在结构变化时的稳定性,提出了一种结构参数的调整策略。首先,针对神经元的合并阶段、分裂阶段和删减阶段分别设计了相应的参数调整算法;其次,设计了相应的阈值调整策略以提高网络的结构优化效率;最后,通过收敛性分析,证明了网络在该结构参数调整策略下的输出稳定性,避免了网络的震荡。（4）污水处理关键出水参数软测量智能系统设计研究。针对污水处理中关键出水参数检测工艺复杂且实时测量困难等问题,设计并开发了一种以MTSA-SORFNN模型为理论基础的污水处理关键出水参数软测量智能系统。根据系统需求分析,将其分为用户管理、数据采集、氨氮预测和模型理论四个模块。该系统以Visual Studio 2010为开发平台,通过调用SQL Server 2008数据库以实现用户信息的管理、水厂数据的调用和预处理,通过调用预置的MTSA-SORFNN的MATLAB程序以实现软测量模型的训练与预测。该软测量系统相较于传统检测方法具有检测快速、成本低廉、实用性好等优点,对保证污水处理厂稳定高效运行具有实际的意义。
刘扬[6]（2020）在《基于模糊理论的深度学习在人脸识别中的研究》文中指出随着计算机技术的发展和智能化程度越来越高,生物识别技术也在高速发展,如今指纹解锁、面部识别、声音识别等生物识别技术被广泛应用于人们工作生活的各个领域。相比于其他识别技术,人脸识别的过程更为直观且与人没有接触,因此被广泛应用于安全监控、智能办公等各个领域。它是从人脸图像中提取相关信息,并以此来辨别人身份的一种生物识别技术。人脸识别是在人工智能技术中发展较快、应用较多的一个领域,目前国内外人脸识别已相当广泛应用于各个领域,并取得了相对可观的实际效果。随着人脸识别在现实生活中越来越普遍的应用,人们更加致力于对其相关的技术的研究,而深度学习和模糊理论成为研究的重点。本文将对模糊理论和深度卷积神经网络两种理论在人脸识别的应用展开研究,得到模糊深度网络模型,并对此模型进行了验证。随着可用训练集的数据量不断增大及精度不断提高,使得识别率大大提高。在现今的大数据时代,运用海量数据作为基础,充分发挥深度神经网络强大的学习能力,使得识别结果更加精确。本文把模糊深度神经网络模型在人脸识别中的应用作为研究要点,主要有以下内容:1)本文介绍了深度学习的人工神经网络中的CNN（卷积神经网络）的理论知识,对人工神经网络的模型作了介绍,同时对前馈神将网络及后向传播过程作了分析,说明了卷积神经网络在图像识别中的优势,并对其卷积层、池化层和连接层进行介绍;2)研究了模糊理论的基本原理,对人脸识别应用进行了研究,在分析了当前人脸识别的应用技术发展和现状后,提出将模糊理论与深度神经网络结合,创建模糊深度学习的理论模型;3)实现了模糊理论与深度卷积神经网络的结合,并用人脸经典数据库对此模型通过实测进行了验证,论证了模糊深度学习模型的可行性及优越性。
张兆宇[7]（2020）在《基于神经网络的重型燃气轮机建模与预测控制研究》文中指出重型燃气轮机具有参数耦合关系高度非线性的特点,对传统机理建模与控制设计方法造成了较大的困难。基于神经网络方法的建模方式,以黑箱原理实现建模过程,提供了新的解决途径。生成的燃气轮机神经网络模型可嵌入预测控制算法中作为预测模型,为预测控制的实现提供新的思路。本文首先选取NARX神经网络和Elman网络两种前向型动态网络作为建模工具,利用重型燃气轮机现场运行数据,对起动过程进行动态工况建模,对运行参数进行预测。测试结果表明,合理范围内的隐含层神经元数量设置均可以获得可接受的预测模型。对于NARX神经网络,闭环运行模式应用价值更高,但预测误差大于开环运行模式。开环模式测试中表现更优秀的网络个体,不一定在闭环预测中保持更佳的预测精度。由于训练误差函数与测试误差评估函数的差异,对特定部分过程预测精度有更高要求的场景下,可以通过修改训练误差函数形式,对网络训练梯度下降方向进行引导。本文通过对训练误差函数中的输出参数高数值点赋予更高权重值,牺牲低数值区域的预测精度,获得了对高数值区域预测相对误差更小的网络个体。对于多组样本序列数据的训练问题,相比于交替训练、多组网络输出加权的处理方式,样本序列拼接、拼接点权重值置零的训练方式生成的网络模型预测精度更高,训练工作量更少。Elman网络不存在开环运行模式,在全过程闭环模式预测中表现优于NARX网络。但是由于承接层输入参数的初始化收敛问题,对于非训练样本起始状态的预测测试,Elman网络在前10步的预测精度远劣于NARX网络。验证NARX网络模型在燃气轮机动态过程的预测能力后,将其嵌入至非线性预测控制算法中,承担预测控制中非线性预测模型的角色。神经网络预测模型与传热搜索滚动优化算法和目标函数的结合,在仿真测试中实现了对重型燃气轮机Simulink模型对象的多输入多输出预测控制。在完成调峰任务的同时,兼顾对透平排气温度的约束。通过设计不同的目标函数排气温度项,可以实现升负荷过程中循环效率优先和升负荷率优先两种控制模式,证明了这一预测控制方法设计的灵活性。此外,经测试验证,该预测控制方法具备一定的抗扰动能力。
江冬冬[8]（2020）在《基于模型预测控制的混合动力车辆能量管理》文中认为在节能减排的大背景下,世界各国都制定了严格的车辆油耗和排放法规。混合动力车辆是当前的发展重点之一,能量管理控制策略是决定混合动力车辆动力性、经济性和排放性的关键因素。以P2并联这一典型结构形式的混合动力车辆为研究对象,考虑到其混杂系统的特性,采用混杂模型预测控制策略对其进行优化控制,并对其节油效果和计算速度进行优化。研究内容包括:（1）模型构建及验证。针对P2结构的并联式混合动力车辆,采用前向仿真的方法构建整车模型,采用等效燃油消耗最小算法对整车模型进行控制,将仿真结果和实车测试结果进行对比分析,验证仿真模型的有效性,为后续控制策略的研究打下基础。（2）采用非线性优化算法对模型预测控制问题进行求解。假设工况信息局部可知,对预测步长为230时进行仿真计算,分析预测步长对车辆燃油经济性的影响,并选择合适的预测步长。动态规划算法的求解速度较慢,采用连续广义最小残差算法来提高计算速度,将上述两种算法的仿真结果进行对比分析。（3）基于混杂模型预测控制算法的仿真分析。对象车辆模型中同时包含连续变量和离散变量,是典型的混杂系统,采用混杂模型预测控制算法对其优化求解。首先,对模型中的非线性部分进行线性化处理;然后,将模型转化成混合逻辑动态系统模型;最后,采用混合整数二次规划算法对其进行优化求解,并对其优化结果和运算速度进行分析。（4）基于分层混杂模型预测控制算法的仿真分析及实车验证。首先,对包含离散变量的混杂非线性模型进行外凸化处理;然后,将混杂非线性优化问题分解为转矩优化和传动比优化两部分,对其进行优化求解;最后对分层混杂模型预测控制算法的优化结果和运算速度进行对比分析。（5）模型预测控制算法的应用。当工况信息不可知时,可采用指数预测、神经网络预测和基于工况识别的神经网络预测三种方法对工况进行预测,分析工况预测的误差对燃油经济性的影响。根据网联信息可获得前车信息、红绿灯信息和道路坡度信息,在此基础上采用模型预测控制对车队进行控制,分析网联信息对车队燃油经济性的影响。通过上述研究工作,获得以下结论:（1）基于模型预测控制框架,当工况信息局部可知时,随着预测步长的增加,车辆燃油经济性不断增加,但是单步求解时间也不断增加,综合考虑车辆燃油经济性和求解时间,最终选择预测步长为15步。连续广义最小残差算法的百公里油耗相对于动态规划算法,在NEDC、LA92、UDDS和WLTC四个标准工况下分别增加了:28.9%、42.3%、59.2%和27.6%,其优化效果较差,且不能处理离散变量,不适合对混杂模型进行优化求解。（2）采用混杂模型预测控制算法时的车辆燃油经济性相对于连续广义最小残差算法在NEDC、UDDS和WLTC三个循环工况下分别提高了9.1%、8.3%和3.0%,在LA92工况下的降低了4.3%。混杂模型预测控制算法的单步求解时间随着预测步长的增加而快速增加,当取预测步长为1、3、6时,单步求解时间分别为:0.14s、1s、11.7s。此算法的求解速度较慢,不能满足实车使用的需求。（3）在NEDC、UDDS、LA92和WLTC四个标准循环工况下,基于分层混杂模型预测控制的车辆燃油经济性,相对于等效燃油消耗最小算法分别提高了5.5%、3.7%、12.2%和7.8%,分层混杂模型预测控制的单步运算时间在0.4s左右,具有实际应用的潜力。针对线性时变模型预测控制部分在实车上进行测试,通过调整控制量/控制量增量的权重和发动机启动条件,三次测试的结果分别为7.03L/100km、6.4 L/100km和6.2L/100km,验证了算法的优化效果和实时性。（4）基于工况识别的神经网络预测方法的工况预测精度最高,工况预测误差会造成车辆燃油经济性的降低。基于车联网的条件下,当前车信息可知时,可使得车队的燃油经济性更高、跟车距离更短、乘坐舒适性更好。当前车信息可知时,车队油耗在不同工况下都会有略微下降;当红绿灯信息可知时,车辆加减速的幅度更小、停车时间更短,车队燃油经济性可提高6.6%;当道路坡度信息可知时,车队的燃油经济性可提高5.1%。本文以P2结构的并联混合动力车辆为对象开展了能量管理算法研究,表明:基于分层混杂模型预测控制算法,结合网联信息,可有效提高混合动力车辆的节油效果。本文研究可为并联式混合动力车辆能量管理策略的开发提供理论依据和参考。
葛胜[9]（2019）在《腱驱动灵巧手自适应控制算法的研究》文中认为随着机器人技术的快速发展,机器人末端简单的夹持器不能满足复杂抓取任务的要求。为了提高机器人手的灵活性,将多指灵巧手作为机器人的末端执行器,可以极大地提高机器人的抓取能力。因此,腱驱动灵巧手受到了研究人员的重点关注。考虑到腱与关节之间存在摩擦力以及外部环境存在扰动的情况,需要对灵巧手控制算法展开进一步的研究。本课题针对灵巧手与外部环境发生接触以及外部环境存在扰动的情况,设计相关控制算法,提高控制系统的抗干扰性。具体的研究内容如下:（1）针对手指与物体接触以及外部扰动的情况,设计了一个基于BP神经网络的自适应阻抗控制器,将神经网络与阻抗控制进行结合,提高了系统对灵巧手手指与外部环境接触时,接触力的自适应能力,并对该控制器进行仿真。仿真结果表明,当灵巧手处于较为复杂且存在外部扰动的环境下,控制系统具有良好的稳定性。（2）针对控制器参数无法实时调节的问题,设计了基于深度神经网络的自适应力控制器,将神经网络与传统的PID控制器相结合,设计出能够在线调节参数的力控制器,并对控制器进行仿真。仿真结果表明,当灵巧手与物体发生接触的情况下,控制系统能够根据接触力误差调节控制器参数,实现了良好的控制效果。（3）设计了基于模糊理论的力位混合控制方案,通过对灵巧手腱张力和接触力的控制,实现灵巧手与环境之间的交互作用。详细阐述了控制系统的结构,与常规的PID控制器进行比较。仿真结果表明,模糊神经网络控制器相较于常规的控制器,响应速度更快。
曾岩[10]（2019）在《基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究》文中进行了进一步梳理针对人体运动功能增强和重建的各类助力/助行外骨骼机器人已经应用于助老助残、康复医疗和国防军事等领域。该类人机系统通过生物、计算、控制、机械等技术的有机融合与深度协作、人机物理接触实现人体和可穿戴设备的有机协作,达到实时感知、动态控制、人机共融和信息服务等目的。然而其与人体运动的自然和谐仍不可能,并一直是该领域公认的热点和难点。因此,本文以高斯过程自回归模型为基础,探究人体连续运动在时间序列上的内在关联特性;集成演进系统理论,应对人体运动的不规则性,从而实现人体运动意图自然、快速和准确的理解,在此基础上提升人体-外骨骼系统主动柔顺性。具体地,本文从肌电信号（EMG信号）特征提取出发,通过应用Hill骨骼肌模型和半唯象模型,建立人体-外骨骼耦合动力学模型,进而构建了可以用于人体运动意图理解的状态空间模型;基于人机力交互接口,利用高斯过程自回归模型实现多源信息融合;通过应用演进系统理论,针对系统输入中生理信号的不稳定性和人体运动的不规则性,增强系统的适应性,实现了对人体运动意图的精确识别和理解;开发了用于EMG特征提取的卷积神经网络,提出了基于混合深度学习的外骨骼智能控制策略,并完成了初步的主动柔顺性控制实验。本文的主要研究工作和成果可以归纳为以下几个方面:一、EMG信号特征提取算法研究。针对人体-外骨骼系统对EMG信号特征提取实时性的需求,为提高特征提取算法的计算效率,从信号相图入手,分析椭圆特征中长轴与坐标轴夹角的变化规律,将相对复杂的椭圆面积的计算转化为较为简单的椭圆外接矩形面积的计算。在保证提取精度的前提下,大幅提升了算法的计算效率。并借助深度学习方法,以EMG信号经过短时傅里叶变换的结果为输入,利用卷积神经网络,实现了对信号特征提取算法效果的进一步提升,二、人机力交互接口与人体-外骨骼系统状态空间模型的建立。针对现有人体-外骨骼系统模型中忽略了交互力对系统影响的不足,基于包括Hill模型和半唯象模型在内的骨骼肌生物力学模型,构建了基于关节前向动力学模型及人机交互力产生模型的系统状态空间模型。进一步,针对生物力学模型本身参数数量过多、获取困难且对人体状态变化十分敏感的不足,分别对状态方程和测量方程应用高斯自回归过程和神经网络方法,增加系统的灵活性和自适应性;并在此基础上利用无迹卡尔曼滤波实现系统闭环预测,最终完成对人体关节运动角度和角速度的学习和预测。三、基于演进系统和高斯自回归过程的人体运动意图理解。针对以肌电信号为基础的人体运动意图理解系统中EMG信号的不稳定性和人体运动的不规则性,借助演进系统理论,利用高斯过程非线性自回归模型揭示人体连续运动的内在关联特性,并通过检测预测结果中误差和置信区间的大小,在系统动态特征发生变化时通过对信息数据集中元素的更新,实现模型对系统概念漂移的有效抑制,完成系统动态特征的实时自适应。在此基础上,针对人体运动意图研究中关节角度和关节力估计等重点难点环节,构建了从EMG信号到关节力/力矩,以及从EMG信号、交互力信号到关节角度的自回归模型,实现其在不规则运动模式下的学习和预测。四、基于混合深度学习的外骨骼柔顺性研究。针对人体-外骨骼系统难以实现自然交互的问题,首先基于建立的人体-外骨骼耦合动力学模型,确立人机交互阻尼为判断人机系统柔顺性水平的另一个评价标准;进而借助深度学习算法,利用卷积神经网络,从EMG信号的短时傅里叶变换结果中提取得到肌肉的激活水平,结合人机交互力,运用基于演进系统理论的高斯过程自回归模型,通过结合参数模型和非参数模型的优势,实现对人体运动意图的精确预测;并在此基础上,构建基于混合深度学习的外骨骼主动柔顺性控制策略。通过自制的信号采集系统与下肢外骨骼机器人,完成对提出方法有效性的初步验证。
二、模糊系统与前向神经网络的结合（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、模糊系统与前向神经网络的结合（论文提纲范文）
（1）多智能体系统自主规避任务决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 典型多智能体系统技术发展 |
| 1.2.1 无人机集群避碰技术研究现状 |
| 1.2.2 多自由度空间机械臂避障技术研究现状 |
| 1.2.3 航天器规避机动算法发展现状 |
| 1.3 基于自学习理论的决策方法国内外研究现状 |
| 1.3.1 多智能体深度强化学习方法研究现状 |
| 1.3.2 深度神经网络压缩及加速方法研究现状 |
| 1.3.3 稀疏奖励强化学习方法研究现状 |
| 1.4 主要研究内容及论文结构 |
| 1.4.1 存在问题及技术难点 |
| 1.4.2 研究内容及章节安排 |
| 第2章 多智能体系统决策模型 |
| 2.1 引言 |
| 2.2 动力学相关描述 |
| 2.2.1 多智能体系统运动模型 |
| 2.2.2 空间拦截器制导律 |
| 2.3 多智能体部分可观决策模型 |
| 2.3.1 马尔科夫决策过程理论基础 |
| 2.3.2 分布式部分可观马尔科夫博弈 |
| 2.3.3 常规回报函数设计思路 |
| 2.4 序列决策问题求解方法 |
| 2.4.1 模糊系统 |
| 2.4.2 有限状态机 |
| 2.4.3 蒙特卡洛树搜索 |
| 2.5 本章小结 |
| 第3章 基于ACTOR-CRITIC架构的自主决策算法 |
| 3.1 引言 |
| 3.2 问题场景描述 |
| 3.2.1 航天器规避机动问题场景描述 |
| 3.2.2 空间机械臂轨迹规划场景描述 |
| 3.2.3 多智能体系统决策流程分析 |
| 3.3 多智能体策略梯度强化学习方法 |
| 3.3.1 算法基础理论框架 |
| 3.3.2 策略梯度算法收敛性分析 |
| 3.3.3 策略梯度方法在多智能体系统中应用 |
| 3.4 基于信度分配的多智能体强化学习框架 |
| 3.4.1 航天器规避决策方法 |
| 3.4.2 案例优选的空间机械臂决策方法 |
| 3.4.3 基于信度分配的算法收敛性分析和改进 |
| 3.4.4 网络结构设计及算法流程 |
| 3.5 仿真及结果分析 |
| 3.5.1 基于最优控制理论的对比算法 |
| 3.5.2 航天器规避机动仿真 |
| 3.5.3 空间机械臂轨迹规划仿真 |
| 3.5.4 强化学习算法仿真结果简析 |
| 3.6 本章小结 |
| 第4章 多智能体分布式协同避碰决策方法研究 |
| 4.1 引言 |
| 4.2 有限空域无人机集群避碰问题分析 |
| 4.2.1 求解策略的训练方法 |
| 4.2.2 在线协调和沟通机制 |
| 4.3 多智能体强化学习系统设计 |
| 4.3.1 状态空间和动作空间选取 |
| 4.3.2 系统体系结构和流程分析 |
| 4.3.3 回报函数设计 |
| 4.4 仿真及结果分析 |
| 4.4.1 仿真条件设定 |
| 4.4.2 训练曲线及场景案例仿真 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第5章 基于优化神经网络的分布式规避决策方法 |
| 5.1 引言 |
| 5.2 多航天器对多拦截器协同规避问题研究 |
| 5.2.1 状态空间和动作空间选取 |
| 5.2.2 系统体系结构和流程分析 |
| 5.2.3 回报函数设计 |
| 5.3 基于自适应重构方法的深度神经网络优化方法 |
| 5.3.1 神经网络结构设计 |
| 5.3.2 权值聚类及量化 |
| 5.3.3 自适应分层重构剪枝 |
| 5.4 仿真及结果分析 |
| 5.4.1 基于微分对策理论的对比算法 |
| 5.4.2 神经网络优化算法试验及数值仿真 |
| 5.4.3 强化学习训练及场景案例仿真 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 基于逆值法的多航天器自学习规避算法 |
| 6.1 引言 |
| 6.2 稀疏奖励强化学习算法分析 |
| 6.2.1 规避任务分析 |
| 6.2.2 常规强化学习方法局限 |
| 6.2.3 逆值法强化学习算法 |
| 6.2.4 算法核心逻辑流程 |
| 6.3 多智能体稀疏奖励自学习系统设计 |
| 6.3.1 自学习系统结构设计 |
| 6.3.2 信念状态估计方法 |
| 6.3.3 逆值法在案例中的收敛性简析 |
| 6.3.4 网络结构和算法流程 |
| 6.4 仿真及结果分析 |
| 6.4.1 基于有限状态机的对比算法 |
| 6.4.2 仿真条件设定 |
| 6.4.3 结果对比分析 |
| 6.4.4 算法优势及改进分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（2）天通一号S频段下行链路中频谱占用时间序列的建模与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 频谱占用模型国外研究现状 |
| 1.2.2 频谱占用模型国内研究现状 |
| 1.3 论文创新点 |
| 1.4 论文的研究内容及结构安排 |
| 第二章 卫星转发器频谱数据的测量 |
| 2.1 频谱测量对象天通一号 |
| 2.2 频谱数据测量方案 |
| 2.2.1 测量硬件设备及环境搭建 |
| 2.2.2 测量软件与关键参数设置 |
| 2.2.3 数据采集与显示 |
| 2.3 频谱数据处理 |
| 2.3.1 门限设定 |
| 2.3.2 频谱占用度的计算 |
| 2.3.3 频谱占用时间序列获取 |
| 2.4 本章小结 |
| 第三章 频谱占用模型拟合与分析 |
| 3.1 马尔可夫模型 |
| 3.1.1 离散时间马尔可夫链(DTMC)模型 |
| 3.1.2 连续时间马尔可夫链(CTMC)模型 |
| 3.2 参数估计 |
| 3.2.1 指数分布 |
| 3.2.2 广义帕累托分布 |
| 3.3 非参数估计——核密度估计 |
| 3.3.1 核密度估计 |
| 3.3.2 仿真与分析 |
| 3.4 本章小结 |
| 第四章 频谱占用预测与分析 |
| 4.1 ARIMA模型预测 |
| 4.2 模糊神经网络预测 |
| 4.2.1 模糊神经网络 |
| 4.2.2 仿真与分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（3）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 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 |
（4）基于模糊理论的ABC-RBF神经网络对雾霾天气的预测（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 研究现状 |
| 1.2.1 雾霾预测的研究现状 |
| 1.2.2 RBF神经网络的研究现状 |
| 1.3 研究内容及目标 |
| 1.4 本文结构安排 |
| 第2章 RBF神经网络 |
| 2.1 人工神经网络基础 |
| 2.1.1 人工神经元模型 |
| 2.1.2 人工神经网络的结构 |
| 2.1.3 人工神经网络的学习方法 |
| 2.2 RBF神经网络 |
| 2.2.1 RBF神经网络概述 |
| 2.2.2 RBF神经网络结构 |
| 2.2.3 RBF神经网络学习方法 |
| 2.2.4 RBF神经网络的流程步骤 |
| 2.3 本章小结 |
| 第3章 模糊神经网络 |
| 3.1 模糊理论基础 |
| 3.1.1 模糊集合的定义 |
| 3.1.2 模糊集合的基本运算 |
| 3.1.3 隶属度函数 |
| 3.2 模糊系统 |
| 3.2.1 模糊系统的构成 |
| 3.2.2 模糊系统的分类 |
| 3.3 模糊神经网络 |
| 3.3.1 模糊系统与神经网络的区别与联系 |
| 3.3.2 模糊神经网络的形式 |
| 3.3.3 模糊神经网络的结构 |
| 3.4 本章小结 |
| 第4章 基于模糊理论的ABC-RBF神经网络算法 |
| 4.1 人工蜂群(ABC)算法 |
| 4.1.1 ABC算法概述 |
| 4.1.2 ABC算法行为对比 |
| 4.1.3 ABC算法原理及步骤 |
| 4.2 基于ABC的 RBF神经网络算法 |
| 4.2.1 ABC-RBF神经网络算法思想 |
| 4.2.2 ABC-RBF神经网络算法步骤 |
| 4.3 基于模糊理论的ABC-RBF神经网络 |
| 4.3.1 模糊ABC-RBF神经网络结构 |
| 4.3.2 模糊化层与反模糊化层 |
| 4.3.3 基于模糊理论的ABC-RBF神经网络算法流程 |
| 4.4 本章小结 |
| 第5章 基于模糊理论的ABC-RBF神经网络算法的仿真实验 |
| 5.1 实验数据 |
| 5.1.1 数据的获取 |
| 5.1.2 数据预处理 |
| 5.2 实验结果与分析 |
| 5.2.1 实验环境 |
| 5.2.2 参数设置 |
| 5.2.3 结果与分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历 |
（5）自组织递归模糊神经网络设计及污水处理应用研究（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 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 自组织递归模糊神经网络研究现状 |
| 1.2.1 递归机制研究现状 |
| 1.2.2 自组织机制研究现状 |
| 1.3 污水处理关键出水参数预测方法研究进展 |
| 1.3.1 化学检测方法 |
| 1.3.2 软测量分析方法 |
| 1.4 课题来源 |
| 1.5 论文研究内容与结构安排 |
| 第2章 基于WTFMC算法的递归神经网络设计方法 |
| 2.1 引言 |
| 2.2 递归神经网络 |
| 2.2.1 RNN的概念 |
| 2.2.2 RNN的分类 |
| 2.2.3 RNN的分析 |
| 2.3 基于WTFMC算法的递归机制研究 |
| 2.3.1 问题描述 |
| 2.3.2 小波变换 |
| 2.3.3 模糊马尔可夫链 |
| 2.4 基于WTFMC算法的RFNN设计方法 |
| 2.5 仿真实验及结果分析 |
| 2.5.1 Henon混沌系统辨识 |
| 2.5.2 非线性系统辨识 |
| 2.6 本章小结 |
| 第3章 基于WDTW-SA算法的自组织神经网络设计方法 |
| 3.1 引言 |
| 3.2 自组织神经网络 |
| 3.2.1 SONN的概念 |
| 3.2.2 SONN的分类 |
| 3.2.3 SONN的分析 |
| 3.3 基于WDTW-SA算法的自组织机制研究 |
| 3.3.1 问题描述 |
| 3.3.2 加权动态时间弯曲算法 |
| 3.3.3 敏感度分析算法 |
| 3.4 基于WDTW-SA算法的SOFNN设计方法 |
| 3.5 仿真实验及结果分析 |
| 3.5.1 动态系统辨识 |
| 3.5.2 Mackey-Glass时间序列预测 |
| 3.6 本章小结 |
| 第4章 基于MTSA算法的SORFNN设计方法 |
| 4.1 引言 |
| 4.2 模糊神经网络 |
| 4.2.1 FNN的概念 |
| 4.2.2 FNN的分类 |
| 4.2.3 FNN的分析 |
| 4.3 基于MTSA算法的SORFNN的构建过程 |
| 4.3.1 结构设计方法 |
| 4.3.2 结构调整策略 |
| 4.3.3 阈值设定分析 |
| 4.3.4 收敛性分析 |
| 4.3.5 网络学习过程 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 Henon混沌系统辨识 |
| 4.4.2 Mackey-Glass时间序列预测 |
| 4.5 本章小结 |
| 第5章 污水处理关键出水参数软测量方法 |
| 5.1 引言 |
| 5.2 污水处理软测量模型的原理 |
| 5.3 污水处理软测量模型的辅助变量选取 |
| 5.3.1 污水处理工艺 |
| 5.3.2 出水NH_4~+-N机理分析 |
| 5.3.3 数据采集和预处理 |
| 5.3.4 辅助变量降维 |
| 5.4 基于MTSA-SORFNN的出水NH_4~+-N软测量模型 |
| 5.5 本章小结 |
| 第6章 污水处理关键出水参数软测量智能系统开发 |
| 6.1 引言 |
| 6.2 软件系统的需求分析 |
| 6.2.1 用户需求 |
| 6.2.2 功能需求 |
| 6.3 软件系统的方案设计及关键技术 |
| 6.3.1 系统方案设计 |
| 6.3.2 系统关键技术 |
| 6.4 软件系统的功能开发 |
| 6.4.1 用户管理模块 |
| 6.4.2 数据采集模块 |
| 6.4.3 氨氮预测模块 |
| 6.4.4 模型理论模块 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的成果 |
| 致谢 |
（6）基于模糊理论的深度学习在人脸识别中的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究工作 |
| 1.4 本文结构安排 |
| 1.5 本章小结 |
| 第2章 深度学习 |
| 2.1 人工神经网络 |
| 2.1.1 神经元 |
| 2.1.2 神经网络模型 |
| 2.1.3 前向传播计算 |
| 2.1.4 反向传播算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络概述 |
| 2.2.2 卷积神经网络的基本概念 |
| 2.2.3 卷积神经网络结构图 |
| 2.2.3.1 卷积层 |
| 2.2.3.2 激励层 |
| 2.2.3.3 池化层 |
| 2.2.3.4 损失函数 |
| 2.2.4 卷积网络算法 |
| 2.2.4.1 网络求解及训练的注意事项 |
| 2.2.4.2 网络训练过程及算法流程图 |
| 2.3 深度学习简介 |
| 2.3.1 深度网络模型 |
| 2.3.2 深度卷积网络模型 |
| 2.4 本章小结 |
| 第3章 模糊理论 |
| 3.1 模糊理论基础 |
| 3.1.1 模糊集合基本概念 |
| 3.1.1.1 模糊子集的基本运算 |
| 3.1.1.2 模糊集合的运算的性质 |
| 3.1.2 隶属度函数 |
| 3.1.2.1 隶属度函数的确定方法 |
| 3.1.2.2 常用隶属度函数 |
| 3.1.3 模糊矩阵 |
| 3.2 模糊神经网络 |
| 3.2.1 模糊系统 |
| 3.2.1.1 模糊系统的基本构成 |
| 3.2.1.2 模糊系统的基本类型 |
| 3.2.2 模糊系统与神经网络 |
| 3.2.3 模糊神经网络结构 |
| 3.3 本章小结 |
| 第4章 模型及实验 |
| 4.1 人脸识别过程及数据库的选择 |
| 4.1.1 人脸识别过程 |
| 4.1.2 人脸识别数据库的选择 |
| 4.2 基于模糊的深度网络的构建 |
| 4.2.1 算法流程 |
| 4.2.2 基于模糊的深度网络构建 |
| 4.3 数据实测及结论分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）基于神经网络的重型燃气轮机建模与预测控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 燃气轮机建模仿真研究 |
| 1.2.2 燃气轮机神经网络控制与预测控制研究 |
| 1.3 研究内容和结构安排 |
| 第2章 前向神经网络动态建模及预测控制实现方法 |
| 2.1 以前向神经网络为架构的动态神经网络实现 |
| 2.1.1 前向神经网络 |
| 2.1.2 NARX神经网络 |
| 2.1.3 Elman神经网络 |
| 2.2 预测控制 |
| 2.2.1 基于状态空间模型的SISO预测控制算法 |
| 2.2.2 基于神经网络模型的预测控制算法 |
| 2.3 本章小结 |
| 第3章 燃气轮机起动过程动态网络建模 |
| 3.1 建模对象及方案概述 |
| 3.2 NARX神经网络建模 |
| 3.2.1 样本训练加权对网络精度的影响 |
| 3.2.2 多组样本序列的训练对策 |
| 3.3 Elman网络建模 |
| 3.3.1 全过程闭环测试 |
| 3.3.2 半程闭环测试 |
| 3.4 本章小结 |
| 第4章 基于动态网络模型的燃气轮机预测控制 |
| 4.1 预测控制设计方案 |
| 4.1.1 控制仿真试验对象 |
| 4.1.2 控制器基础设定 |
| 4.1.3 预测模型 |
| 4.1.4 传热搜索滚动优化算法 |
| 4.1.5 目标函数 |
| 4.2 预测控制仿真过程试验结果 |
| 4.2.1 循环效率优先模式 |
| 4.2.2 升负荷率优先模式 |
| 4.2.3 抗扰动测试 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（8）基于模型预测控制的混合动力车辆能量管理（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 混合动力系统结构形式 |
| 1.2.2 P2 结构的并联式混合动力系统 |
| 1.3 混合动力车辆能量管理策略 |
| 1.3.1 确定性规则控制策略 |
| 1.3.2 模糊规则控制策略 |
| 1.3.3 全局优化控制策略 |
| 1.3.4 瞬时优化控制策略 |
| 1.3.5 P2 结构并联式混合动力系统的能量管理策略 |
| 1.4 车联网技术的研究现状 |
| 1.5 论文主要内容及技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第2章 混合动力车辆建模及验证 |
| 2.1 对象车辆工作模式分析 |
| 2.2 车辆建模 |
| 2.2.1 发动机建模 |
| 2.2.2 电机模型 |
| 2.2.3 电池模型 |
| 2.2.4 纵向动力学模型 |
| 2.2.5 驾驶员模型 |
| 2.3 等效燃油消耗最小算法 |
| 2.4 车辆仿真模型验证 |
| 2.5 本章小结 |
| 第3章 非线性模型预测控制算法 |
| 3.1 模型预测控制算法的基本原理 |
| 3.2 动态规划算法 |
| 3.2.1 动态规划算法求解过程 |
| 3.2.2 动态规划仿真结果分析 |
| 3.3 模型预测控制+动态规划求解 |
| 3.4 连续广义最小残量算法 |
| 3.5 本章小结 |
| 第4章 混杂模型预测控制算法 |
| 4.1 混杂模型预测控制 |
| 4.1.1 逻辑命题与线性不等式之间的转换 |
| 4.1.2 模型线性化处理 |
| 4.2 混合逻辑动态系统建模 |
| 4.2.1 基于HYSDEL建模 |
| 4.2.2 构建代价函数 |
| 4.3 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 基于混杂模型的分层控制算法 |
| 5.1 混杂非线性模型预测控制 |
| 5.2 分层混杂模型预测控制 |
| 5.3 仿真结果 |
| 5.4 线性时变模型预测控制的实车验证 |
| 5.4.1 台架初步测试 |
| 5.4.2 启停规则优化及台架测试验证 |
| 5.4.3 MPC控制参数优化及台架测试验证 |
| 5.5 本章小结 |
| 第6章 基于预测信息及车联网信息的车辆能量管理 |
| 6.1 基于预测信息的能量管理 |
| 6.1.1 基于指数的工况预测 |
| 6.1.2 基于神经网络的工况预测 |
| 6.1.3 基于工况识别的神经网络预测 |
| 6.1.4 工况预测结果对比分析 |
| 6.2 基于网联信息的能量管理 |
| 6.2.1 基于车车信息的能量管理 |
| 6.2.2 基于红绿灯信息的能量管理 |
| 6.2.3 基于道路坡度信息的能量管理 |
| 6.3 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 全文工作总结 |
| 7.2 主要创新点 |
| 7.3 后续工作展望 |
| 参考文献 |
| 作者简介 |
| 个人教育简历 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
（9）腱驱动灵巧手自适应控制算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 灵巧手系统相关研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 灵巧手控制系统相关研究现状 |
| 1.4 本课题研究内容 |
| 第二章 腱驱动灵巧手系统 |
| 2.1 引言 |
| 2.2 灵巧手结构 |
| 2.2.1 灵巧手的整体结构 |
| 2.2.2 灵巧手的单指结构 |
| 2.2.3 腱的传动原理 |
| 2.3 灵巧手手指的动力学和运动学模型 |
| 2.3.1 正运动学 |
| 2.3.2 逆运动学 |
| 2.3.3 雅克比矩阵 |
| 2.3.4 动力学模型 |
| 2.4 腱张力分配 |
| 2.5 本章小结 |
| 第三章 基于BP神经网络的自适应阻抗控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 自适应阻抗控制器 |
| 3.3.1 灵巧手自适应阻抗控制器设计 |
| 3.3.2 SNN控制器 |
| 3.3.3 BP神经网络 |
| 3.3.4 阻抗控制 |
| 3.4 仿真验证 |
| 3.4.1 仿真结果 |
| 3.5 本章小结 |
| 第四章 基于深度神经网络的自适应PID控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 自适应神经网络力位混合控制器 |
| 4.3.1 深度神经网络 |
| 4.3.2 灵巧手力位混合控制设计 |
| 4.3.3 接触力控制 |
| 4.3.4 位置控制 |
| 4.4 仿真验证 |
| 4.4.1 参数设定 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第五章 基于模糊理论的腱张力/位置的自适应控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 自适应模糊神经网络力控制器 |
| 5.3.1 模糊控制 |
| 5.3.2 模糊PID力矩控制器 |
| 5.3.3 模糊神经网络 |
| 5.3.4 基于模糊神经网络的力矩控制 |
| 5.3.5 腱张力控制部分 |
| 5.4 仿真验证 |
| 5.4.1 参数设置 |
| 5.4.2 仿真结果 |
| 5.5 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 |
| 致谢 |
（10）基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 下肢柔顺性外骨骼及其控制策略的国内外研究现状 |
| 1.3.1 基于模型的外骨骼控制策略 |
| 1.3.2 基于人体测量信息的控制策略 |
| 1.4 人体运动意图理解国内外研究现状 |
| 1.4.1 人体运动意图的定义 |
| 1.4.2 新型人机交互接口 |
| 1.4.3 人机互感互知的意图理解 |
| 1.5 基于骨骼肌生物力学模型的人体运动意图理解技术 |
| 1.6 基于高斯过程的人体运动意图理解 |
| 1.7 系统自适应算法与演进系统理论 |
| 1.8 研究内容与论文章节安排 |
| 第二章 基于高斯过程的动态系统建模与演进系统 |
| 2.1 引言 |
| 2.2 高斯过程的基本原理与模型优化 |
| 2.2.1 高斯过程的基本原理 |
| 2.2.2 高斯过程中超参数的学习优化 |
| 2.3 高斯过程中核函数的选取 |
| 2.3.1 静态协方差核函数 |
| 2.3.2 非静态协方差核函数 |
| 2.4 基于高斯过程的时间序列建模 |
| 2.4.1 高斯非线性自回归模型 |
| 2.4.2 基于状态方程高斯过程的状态空间模型 |
| 2.5 演进系统方法 |
| 2.5.1 HPS模型 |
| 2.5.2 PLP模型 |
| 2.6 本章小结 |
| 第三章 人机耦合动力学与状态空间模型 |
| 3.1 引言 |
| 3.2 基于Hill骨骼肌模型的膝关节前向动力学 |
| 3.2.1 肌肉收缩动力学 |
| 3.2.2 肌肉-肌腱模型几何学 |
| 3.2.3 关节角度运动模型 |
| 3.3 基于半唯象模型的人体-外骨骼交互机理 |
| 3.3.1 主动元AE与肌肉主动力 |
| 3.3.2 被动元PE与肌肉被动力 |
| 3.3.3 人体-外骨骼耦合系统中的关节运动模型 |
| 3.4 基于状态空间模型的关节角度预测 |
| 3.5 实验与结果讨论 |
| 3.5.1 实验设备与数据处理 |
| 3.5.2 模型的训练与学习 |
| 3.5.3 实验结果 |
| 3.5.4 结果讨论 |
| 3.6 本章小结 |
| 第四章 基于演进系统高斯回归模型的人体运动意图理解 |
| 4.1 引言 |
| 4.2 EMG信号处理方法与改进的能量核算法 |
| 4.2.1 传统EMG信号的处理方法 |
| 4.2.2 EMG能量核算法的基本概念 |
| 4.2.3 EMG能量核算法计算效率的改进 |
| 4.3 基于高斯演进算法的人体时变特征学习 |
| 4.4 实验验证 |
| 4.4.1 能量核外接矩形法有效性与计算效率验证 |
| 4.4.2 基于EMG信号的关节力/力矩学习与预测 |
| 4.4.3 基于EMG和交互力信号的关节角度学习与预测 |
| 4.5 实验结果讨论 |
| 4.5.1 三种基于能量核思想的EMG提取算法比较 |
| 4.5.2 GP算法的计算效率问题 |
| 4.5.3 核函数的选取 |
| 4.6 本章小结 |
| 第五章 基于混合深度学习的外骨骼柔顺性研究 |
| 5.1 引言 |
| 5.2 基于卷积神经网络的EMG信号特征提取 |
| 5.2.1 EMG信号特征提取网络的构建 |
| 5.2.2 网络信号提取效果评估 |
| 5.3 基于混合深度学习的外骨骼主动柔顺控制策略 |
| 5.3.1 人体-外骨骼交互模型 |
| 5.3.2 基于混合深度学习的控制策略 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文的主要贡献与创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术成果 |
| 致谢 |
四、模糊系统与前向神经网络的结合（论文参考文献）
- [1]多智能体系统自主规避任务决策方法研究[D]. 赵毓. 哈尔滨工业大学, 2021(02)
- [2]天通一号S频段下行链路中频谱占用时间序列的建模与预测[D]. 刘稳. 南京邮电大学, 2020(03)
- [3]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [4]基于模糊理论的ABC-RBF神经网络对雾霾天气的预测[D]. 唐静. 中国地质大学(北京), 2020(08)
- [5]自组织递归模糊神经网络设计及污水处理应用研究[D]. 丁海旭. 北京工业大学, 2020
- [6]基于模糊理论的深度学习在人脸识别中的研究[D]. 刘扬. 中国地质大学(北京), 2020(08)
- [7]基于神经网络的重型燃气轮机建模与预测控制研究[D]. 张兆宇. 清华大学, 2020(01)
- [8]基于模型预测控制的混合动力车辆能量管理[D]. 江冬冬. 浙江大学, 2020(08)
- [9]腱驱动灵巧手自适应控制算法的研究[D]. 葛胜. 南京邮电大学, 2019(02)
- [10]基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究[D]. 曾岩. 上海交通大学, 2019(06)