一、改进的灰色预测算法在工业应用中的评价(论文文献综述)
李海啸[1](2021)在《面向智能工厂的无线传感器网络定位技术研究》文中认为随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:(1)基于非测距的距离矢量—跳段(Distance Vector-Hop,DV-Hop)定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构(节点单一区域分布和节点分区域分布)构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。(2)基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。(3)针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。(4)基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。(5)基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
苏涛[2](2020)在《燃煤电厂烟气含氧量软测量方法研究》文中研究指明电是一种至关重要的战略性资源,关乎国民经济命脉、国家能源安全。火力发电作为主体,提质增效减少污染是供给侧结构性改革的重要举措。而烟气含氧量是反映风煤比的重要参数,是锅炉热效率计算和系统优化的重要指标,同时也是确保锅炉系统经济和安全的前提。但烟气含氧量的测量存在成本高、过程复杂、传感器易损坏、及时性低和精度日益下降等问题。本文以陕西榆林某燃煤电厂为背景,结合锅炉工艺,构建数据库并对机器学习和深度学习的软测量建模方法进行深入研究。具体研究内容如下:1)通过分析烟气含氧量的化学原理和锅炉工艺并进行实地考察,将烟气含氧量作为主导变量初步选取合理的辅助变量,同时采集燃煤电厂200MW的亚临界自然循环锅炉1号机组的实际生产数据。对所有样本数据进行预处理,同时引入灰色关联分析(grey relational analysis,GRA)模型进行辅助变量的精选,并划分数据集构建模型数据库。2)针对传统的机器学习建模方法,首先,建立支持向量机(support vector machine,SVM)模型;其次,针对SVM参数优化问题,融合了粒子群算法(particle swarm optimization,PSO),并加入了自适应权重、异步学习和压缩因子对PSO进行改进,进而嵌入到SVM中构建改进PSO-SVM软测量模型对惩罚因子与核函数参数进行寻优;最后,结果表明基于改进PSO-SVM模型的可靠性较好、精度高,能更加快速地寻找到参数优化的组合值,并有效避免粒子群陷入局部最优解问题或者陷入停滞的问题。3)针对深度学习的建模方法,提出一种基于长短时记忆网络(long short-term memory,LSTM)的软测量模型。首先,为解决网络模型优化问题,提出一种超参数联合寻优的策略,对神经元个数、时间步幅和网络深度进行全局和局部寻优,构建了性能更优的改进PSO-LSTM软测量模型;其次,仿真实验及对比分析表明该模型较改进PSO-SVM模型,精度更高、寻优简便且泛化性性能更好;最后,将该模型融入到燃煤电厂实际应用中,基于PyQt5设计了基于LSTM的烟气含氧量软测量系统。烟气含氧量软测量的方法研究具有重要的现实意义,本文所提出的方法满足燃煤电厂烟气含氧量高精度监测的需求,可作为代替氧化锆传感器的有效方法。
徐思佳[3](2020)在《工业物联网数据质量治理系统设计与实现》文中提出随着工业信息化的快速发展,工厂积累的数据量也与日俱增。但是工业物联网中的数据质量问题普遍存在,例如链路故障、设备问题、人员操作失误等。“脏数据”可能导致生产事故或错误决策,拥有高质量的数据是发挥工业大数据效能的前提条件。因此本文以工业物联网数据的主体——机器设备数据为切入点,设计并实现了工业数据质量治理系统,对数据清洗和质量评估算法进行了研究。首先,为了有效提高工业数据质量,本文针对工业机器设备数据设计了一套完整的数据清洗流程,依次是无效值的修正、缺失值的补全、重复值的合并、异常值的检测。其中缺失值的填补运用时间序列预测的长短期记忆网络(LSTM)算法,用相关维度的数据综合计算。异常值可划分为孤立的异常点和长时间的模式异常两类,分别用不同算法进行检测。重复值的合并采用邻近记录排序(SNM)算法,在降低时间复杂度的同时保证检测的准确性。无效值运用Python函数来进行修正。其次,本文针对工业物联网大数据的特点,建立了一个完整的数据质量评估指标体系。在确定评估指标和规则后,提出利用熵权法计算指标内每个评估规则的权重,然后利用模糊层次分析法确定每个指标的权重,最后采用灰色综合聚类算法完成工业数据质量的综合评估。最后,用仿真实验结果验证工业数据清洗算法和质量评估算法的有效性,并搭建一个完整的面向工业物联网的数据质量治理系统,通过用例测试证明了系统的功能符合需求。文中所提出的工业物联网数据质量治理系统能够为改善和提高工业数据质量提供支持和引导,同时为后续进行更深入的数据分析和挖掘奠定基础。
施佩[4](2020)在《基于无线传感器网络的水质数据流异常检测与预测方法》文中认为在集约化水产养殖中,水体质量对养殖的产量和质量起着决定性的作用。因此,养殖水体的准确监测具有十分重要的意义。水产养殖自动化、智能化的不断发展,对养殖过程中的水质监测提出了更高的要求。本文以传感网络水质监测平台为基础,以水产养殖水质监测数据流关键因子为研究对象,采用机器学习、信息论和统计学方法,研究监测过程中的异常检测、数据融合和预测预警模型,实现水质数据流的在线监测。主要贡献如下:(1)关于水质数据流异常检测方法研究。针对水质监测中传感器故障和偶发的事件等引起的数据流异常问题,在观察和分析水质数据特征信息的基础上,提出一种基于概率密度补偿的改进支持向量数据描述异常检测算法(ID-SVDD)。首先将相对密度的思想引入到传统SVDD算法中,补偿SVDD算法在数据分布特征信息分析上的缺失。其次,使用改进的Parzen-windows函数获取概率密度,构建ID-SVDD异常检测算法。最后利用实际水质监测数据集验证ID-SVDD算法的性能。实验结果表明,ID-SVDD异常检测算法具有较高的检测精度。(2)关于溶解氧数据流的支持度函数加权融合算法研究。针对单一溶解传感器监测不准确的问题,以溶解氧指标为例进行分析和研究。在探索同源多溶解氧传感器之间相关关系的基础上,提出了一种新型支持度函数的加权融合算法(IDTW-ISD)。该算法借鉴灰关联思想形成ISD支持度函数,并对其中参数K和β进行调整。将传统支持度函数单一时刻的相似度计算方式改为时间段的相似度计算方式,获得基于时间序列DTW相似度的支持度函数。同时,引入时间序列分割策略,构建IDTW-ISD支持度函数。基于IDTW-ISD函数的加权融合算法不仅在融合精度上得到了提高,其算法效率也获得了保障。(3)关于改进在线贯序极限学习机(EFIG-OSELM)溶解氧预测方法的研究。针对传统预测方法中参数随机、稳定性低和样本学习灵活性差等问题,提出一种在线的EFIG-OSELM的溶解氧预测方法。在实现溶解氧时间序列特征分析的基础上,对序列进行EMD多尺度分解,获得多模态信息。为了降低预测计算量,利用模糊熵对多模态信息进行数据重构。然后,利用混沌序列算法改进遗传算法,构建基于重构分量的溶解氧预测模型EFIG-OSELM。选择基于最小二乘支持向量机(LSSVM)、基于BP神经网络等预测模型进行对比和分析,EFIG-OSELM的预测结果、相关系数和精度指标较其他对比算法有明显的优势。由此表明该模型是一种较为适用的在线短时域溶解氧预测模型,能满足水体溶解氧预测的要求。(4)关于基于k-medoids分簇的偏最小二乘(PLS)优化极限学习机(ELM)溶解氧预测方法研究。精准化的池塘养殖对水体溶解氧的预测提出了长时域、高精度的需求。为了解决这些问题,结合复杂环境与溶解氧的相关性,针对溶解氧的多因子预测研究提出另一种多因子影响下基于分簇策略的改进极限学习机(CSELM)溶解氧预测模型。首先,研究各影响因子与溶解氧浓度间关系,使用因子分析法评估不同的气象综合指数。其次,使用动态时间规整(DTW)方法计算不同时间段溶解氧序列间的相似度。不同于EFIG-OSELM预测模型中的数据预处理方法,新的预测模型利用昼夜时间段的相似度进行聚类分簇。进而建立相似样本数据集,获得相似时间段下的溶解氧时间序列规律特征。最后,在各簇中分别建立预测子模型,获得CSELM溶解氧预测模型。选择PLS-ELM和ELM作为预测对比算法,实验结果表明,CSELM拥有较高的预测精度和运行速度。(5)开发水产养殖水质监测预警系统。为了实现智能化的水产养殖,设计和搭建水质监测平台。上述异常检测和预测算法被应用到监测平台中,并开发水质监测系统。该系统包括基于客户端的监控软件和手机端的监控软件,分别实现了水质数据和气象数据的采集、信息查询、数据分析、预警处理、设备管理控制、系统管理等功能。预警系统的良好运行效果表明,本文提出的检测和预测算法是合理有效的。
李凯[5](2020)在《灰色预测模型的优化及其应用研究》文中认为灰色预测模型是灰色系统理论的重要研究内容,是应用灰色系统理论解决实际预测问题的重要桥梁。GM(1,1)模型是一个经典的灰色预测模型,是一个所需建模样本量少且预测精度高的预测模型。由于灰色系统理论的理论体系目前还不完善,导致GM(1,1)模型存在许多缺陷。GM(1,1)模型的预测误差偏大是其主要缺陷之一,影响了其适用范围。找出并分析造成GM(1,1)模型预测误差偏大的关键影响因素,并对GM(1,1)模型的算法进行相应的改进,不仅可以提高GM(1,1)模型的预测精度,还可以扩大GM(1,1)模型的应用范围。因此,GM(1,1)模型的相关改进和优化工作具有非常重要的理论意义和应用价值。本文在综合分析已有文献基础上,发现对GM(1,1)模型的数据序列和背景值进行改进和优化,可以有效地降低GM(1,1)模型的预测误差,提高预测精度。同时,将GM(1,1)模型与其他预测模型和算法进行科学且合理的结合,构建出组合预测模型,不仅能够发挥单个预测模型的优势,而且能够在一定程度上提升GM(1,1)模型的预测性能,进而拓展了GM(1,1)模型的实际应用范围。本文的主要研究内容有以下几个方面:第一,对GM(1,1)模型自身进行相关的改进和优化,提出两个改进的GM(1,1)模型。(1)GM(1,1)模型在处理有限样本数据的短期预测方面具有非常明显的优势,因此可以应用GM(1,1)模型预测电力消费。本文对GM(1,1)模型的原始建模数据序列进行了相应的数据转换,同时利用辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值,构建了DCOGM(1,1)模型。将DCOGM(1,1)模型应用到亚太经合组织(APEC)国家和地区的短期电力消费预测和土耳其的电力消费预测等两个案例,以及我国上海市2017年至2021年的总电力消费的预测中。相关预测结果显示,DCOGM(1,1)模型的预测性能优于传统的GM(1,1)模型和其他改进的GM(1,1)模型,且上海市的电力消费在未来的五年中将呈现持续平稳增长的趋势。(2)为了提高GM(1,1)模型的预测性能,本文通过同时对原始建模数据序列进行数据转换并对GM(1,1)模型背景值的构造公式进行相应的优化和改进,得到了改进的GM(1,1)模型(TBGM(1,1)模型)。相关结果显示,TBGM(1,1)模型相对于传统的GM(1,1)模型和其他改进的GM(1,1)模型而言,具有更小的预测误差。与此同时,本文成功地将TBGM(1,1)模型应用到我国上海市能源消费预测中,发现上海市的能源消费在接下来的五年中将会呈现稳定增长的态势。同时,预测结果表明每个预测模型都有其适用范围,在某些特定的情况下,优化的GM(1,1)模型不一定能够提高预测精度;因此,对于不同的预测背景问题,应谨慎选择合适的预测模型。第二,GM(1,1)模型与其他预测模型和算法结合,预测我国的能源消费。能源资源是经济社会发展的重要战略物资,对一个国家(地区)经济和社会各项工作健康发展至关重要。我国的经济总量世界第二,能源消费总量却跃居第一;我国的能源资源供需呈现严重的不平衡状态,严重缺乏能源价格制定的话语权;我国的能源需求急剧增多,全球能源价格上涨且波动性剧烈。因此,科学准确地预测我国的能源消费总量,不仅可以为我国的相关决策部门制定安全合理的能源政策提供必要的决策理论依据,而且有助于我国经济和社会健康、可持续和稳定发展。(3)将GM(1,1)模型和ARMA模型结合,并提出了GM(1,1)-LR-ARMA模型。GM(1,1)-LR-ARMA模型是以GM(1,1)模型、ARMA模型和LR模型等三个单个预测模型为基础,利用误差倒数变权组合预测方法来求解GM(1,1)-LRARMA模型的权重值,并依据一定条件的组合而构建的新的预测模型。应用GM(1,1)-LR-ARMA模型来预测我国的能源消费发现,该模型不仅可以克服单个预测模型的不足之处,同时也具备处理具有波动性、周期性、趋势性和线性等数据特征的原始建模数据的优势。值得注意的是,预测结果显示合适的组合预测模型的权重值对提高模型的预测效果至关重要。(4)探讨了灰色预测模型和BP神经网络模型的结合运用,并提出了GM(1,1)-BPNN-GA模型。GM(1,1)-BPNN-GA模型是由GM(1,1)模型、DCOGM(1,1)模型、TBGM(1,1)模型等三个灰色预测模型和BP神经网络(BPNN)模型为基础模型。在建模过程中,三个灰色预测模型都采用等维新息递补机制而构建,其预测结果作为BP神经网络模型的输入变量,构建BP神经网络模型,再通过遗传(GA)算法来对BP神经网络模型的初始权重值和阈值进行相应的求解和优化。应用GM(1,1)-BPNN-GA模型来预测我国的能源消费发现,该组合模型的预测精度显着优于传统的GM(1,1)模型以及改进的GM(1,1)模型(DCOGM(1,1)模型和TBGM(1,1)模型),扩大了灰色预测模型的应用范围。(5)探讨了灰色预测模型和最小二乘支持向量机回归模型的结合运用,并构建了GM(1,1)-LSSVMR-PSO模型。GM(1,1)-LSSVMR-PSO模型是一种新改进的灰色预测模型。该模型是将GM(1,1)模型、DCOGM(1,1)模型和TBGM(1,1)模型三个灰色预测模型的预测结果输入到最小二乘支持向量机回归(LSSVMR)模型中,并利用粒子群优化(PSO)算法,来解决最小二乘支持向量机回归模型的参数σ和参数γ值的设置问题。同时,为了更好的评判粒子群优化算法优化的效果,通过利用遗传算法(GA)和模拟退火(SA)算法等智能优化算法,来分别求取最小二乘支持向量机回归模型的参数σ以及参数的值,依次构建GM(1,1)-LSSVMR-GA模型和GM(1,1)-LSSVMR-SA模型。预测结果显示GM(1,1)-LSSVMR-PSO模型的预测误差最小。GM(1,1)-LSSVMR-PSO模型充分利用了灰色预测模型和最小二乘支持向量机回归模型的优点,并在一定程度上克服了这些预测模型的一些不足和缺陷,在处理具有波动性及非线性特征的原始建模数据方面具有很强的预测优势,有效地拓展了灰色预测模型的实际应用领域和范围。最后,通过对上述组合预测模型进行综合分析,我们发现GM(1,1)-LSSVMRPSO模型的预测精度优于其他的单个预测模型和组合预测模型,因此应用于我国能源预测,预测结果显示我国能源消费在2019年至2023年将保持低速平稳增长。本文的主要创新点归纳如下:(1)通过研究和分析灰色预测模型的建模基本理论原理和机制,对GM(1,1)模型自身进行了一些改进和优化工作,并提出两个GM(1,1)模型的优化模型。对原始建模数据进行数据转换以及对GM(1,1)模型背景值的构造形式进行优化和改进,是GM(1,1)模型自身进行改进和优化的两个比较重要的研究方向。本文根据这两个优化和改进的方向,提出了两个优化模型,DCOGM(1,1)模型和TBGM(1,1)模型,并成功地将这两个优化模型应用到具体的实际预测问题中。相对于现有的GM(1,1)模型而言,DCOGM(1,1)模型和TBGM(1,1)模型能够显着地降低预测误差,提高GM(1,1)模型的预测性能,拓展GM(1,1)模型的实际应用范围。(2)通过把GM(1,1)模型同统计分析模型、机器学习模型进行结合,提出了相应的灰色组合预测模型。本文通过把统计分析模型和机器学习模型同GM(1,1)模型结合起来,发挥ARMA模型、BP神经网络模型以及最小二乘支持向量机回归模型的预测优势,建立了GM(1,1)-LR-ARMA模型、GM(1,1)-BPNN模型和GM(1,1)-LSSVMR模型。实际案例的预测结果充分验证了,上述三个灰色组合预测模型都能够非常有效地提高GM(1,1)模型的预测精度。(3)通过构建灰色组合预测模型,并成功地应用机器学习中的智能优化算法来优化灰色组合预测模型的参数。由于传统的BP神经网络模型的计算收敛速度相对比较慢,同时其求解的值也有很大概率是局部的最优解,本文采用遗传算法,构建了GM(1,1)-BPNN-GA模型,显着提高了模型的收敛速度和收敛性能,而且极大地降低了模型的预测误差。最小二乘支持向量机回归模型的预测表现与参数σ和参数密切相关,本文利用粒子群优化算法,来选取和求解最小二乘支持向量机回归模型的参数σ和参数γ的值,构建了GM(1,1)-LSSVMR-PSO模型。实验结果表明,粒子群优化算法相对于遗传算法和模拟退火算法,能够表现出更加良好的最小二乘支持向量机回归模型的参数求解和优化能力。综上所述,本文对灰色预测模型的优化及其应用问题进行了相关的创新性研究和探讨。一方面,对GM(1,1)模型自身进行了相应的改进和优化工作;另一方面,将GM(1,1)模型同统计分析模型以及机器学习模型进行了结合,提出相应的组合预测模型,并引进了包括粒子群优化算法、遗传算法以及模拟退火算法在内的智能优化算法,对组合预测模型进行了相应的优化工作。因此,对于GM(1,1)模型进行改进和优化,既需要考虑对GM(1,1)模型自身进行相应的改进和优化工作,同时也要将GM(1,1)模型和其他预测模型有机结合,吸收其他预测模型的优点。在围绕如何更加科学有效地提高GM(1,1)模型的预测性能这个中心内容的时候,这二者之间是可以相互促进,并行发展的。这些研究工作,不仅增强了灰色预测模型同其他预测模型和算法之间的融合,而且扩大了灰色预测模型的实际应用范围,为灰色预测模型的后续相关优化工作奠定了基础。
王浩[6](2019)在《无线传感器网络路由算法及数据融合的研究》文中进行了进一步梳理路由算法和数据融合是影响无线传感器网络(Wireless Sensor Network,WSN)工作效果的关键技术,直接决定了WSN的能量消耗及网络生命周期。低能耗自适应聚类算法(Low Energy Adaptive Clustering Hierarchy,LEACH)是当前路由算法中经典算法之一,然而结合数据融合技术可以减少路由算法中冗余数据的传输。鉴于数据融合技术在路由算法中的重要性和LEACH算法存在的问题,本文对LEACH算法及数据融合技术进行了深入研究,具体如下:1、针对LEACH算法随机分簇和随机选举簇头的问题,通过基于K-means聚类算法的分簇方法,来解决分簇问题;并将节点的剩余能量、邻居密度、与基站距离作为权值,以比较权值的方式选择最佳簇头。对于LEACH算法中数据单跳通信的缺点,采用基于模糊逻辑dijkstra算法的多跳通信方式,以普通节点找出最佳下一跳节点的方式,逐步将数据传输至簇头节点,簇头节点以同样方式将数据传送至基站,从而节约传输数据过程中节点的能量消耗。综合以上步骤,本文提出了改进T-LEACH(Transform of LEACH)算法。通过MATLAB仿真实验,证明所提出改进算法在能量消耗以及网络生命周期上均优于LEACH算法。2、针对LEACH算法缺少具体数据融合方法的问题,结合数据融合相关技术,提出基于灰色预测模型改进的T-LEACH算法。该算法建立了GM(2,1)模型,选取最佳预测数值个数,自动更新预测序列,利用改进后的灰色预测模型,可以减少节点数据发送量。通过MATLAB仿真实验,表明基于灰色预测模型改进的T-LEACH算法在能量消耗,网络生存周期,数据传输量等指标上均优于T-LEACH算法,从而提高了LEACH算法的功效。
肖雅静[7](2019)在《基于支持向量机的滚动轴承故障诊断与预测方法研究》文中研究指明作为机械的重要组成部件,滚动轴承的状态对整个机械系统的运行有着重要影响,如果滚动轴承发生故障可能引发机械系统偏离正常的工作状态,甚至造成停机、停产、机械损毁。所以开展滚动轴承的故障诊断和预测研究尤为重要,它对保障机械设备的长期、稳定运行有着重要作用。通过对滚动轴承信号进行采集,特征提取,智能分析可以尽早发现或者预知滚动轴承将要发生的故障,从而采取检修或者更换等手段,避免由于滚动轴承故障而引发一系列重大的生产安全事故和不必要的经济损失。为了更好地辨识滚动轴承轻微故障,提高故障诊断的准确率,本文将采用距离评估技术筛选的时域参数和频域参数与IMF能量矩及基于EMD-SVD方法提取的特征相融合组成多域特征集以挖掘潜藏在动态信号中的故障信息。在已建立多域特征集的基础上运用高斯核函数支持向量机对滚动轴承进行故障诊断。实验数据分析表明,采用多域特征集方法对滚动轴承进行故障诊断的诊断正确率高达98.75%,高于采用任一单特征的故障诊断正确率。此外,本文也分析了单特征对滚动轴承不同故障的敏感性。在实际的工业应用场合,滚动轴承正常样本的数量远远多于故障样本的数量,样本不平衡会导致支持向量机的分类超平面发生倾斜,从而导致模型分类不准确,在其他模式识别方法中也存在类似的问题。本文提出将采用基于概率密度空间划分的符号化方法提取特征的异常诊断方法与支持向量机相结合的双步故障诊断模型,以解决正常样本和故障样本之间的不平衡造成的支持向量机分类超平面发生倾斜的问题。实验数据分析表明,本文提出的双步诊断模型的故障诊断正确率比支持向量机单步故障诊断的正确率提高了 3.34%。除了上述的正常轴承样本与故障轴承样本之间的不平衡问题,在轴承故障样本之间也存在样本不平衡问题。本文在双步诊断模型的基础上采用遗传操作生成“少样本类”故障样本,并将生成的一部分样本补充到原始样本中,达到故障样本类之间的平衡,然后用平衡样本对支持向量机进行训练。对于生成的“少样本类”故障样本,本文采用加权欧式距离对其进行挑选。由于对分类贡献相对大的特征参数被赋予了更大的权值,因此此判别条件筛选的样本更有利于建立准确的分类模型。参考以往学者提出的在工业应用中滚动轴承故障样本之间的比例,选择滚动体故障轴承样本与内圈故障轴承样本组成不平衡样本进行故障样本不平衡问题的研究。实验数据分析表明,采用不平衡样本训练支持向量机,故障诊断正确确率为90%,采用平衡样本训练支持向量机,故障诊断正确率为100%,提高了 10%。本文提出了一种以IMF分量值为输入特征的基于支持向量机的组合预测模型。该模型首先对轴承信号进行EMD分解,将分解得到的IMF分量按照其波动程度分成高频振动序列和低频振动序列两组,并将两组分别重构为高频子序列信号和低频子序列信号,然后选择IMF分量为输入特征,采用支持向量机对高频子序列信号和低频子序列信号分别进行预测,最后将预测的值叠加得到最终的预测结果。由于高频子序列和低频子序列在变化趋势上存在差异,所以理论上这种方法能够提高预测的精度。本文采用滚动轴承实验数据进行了验证,结果表明组合预测方法的均方根误差、平均绝对误差和平均绝对百分比误差都远小于直接预测方法。直接预测方法的平均绝对百分比误差为11.49%,而组合预测方法的平均绝对百分比误差仅为6.54%,远低于直接预测方法。实验数据分析结果证明了本文提出的组合预测模型的有效性。本文也将此组合预测模型应用于洗煤厂设备滚动轴承的状况预测,预测情况与实际情况相符合。
周登极[8](2016)在《燃气轮机智能故障管理理论及方法研究》文中研究表明随着工业化进程加深,工业4.0的革命浪潮即将席卷而来。这场以“智能化”为核心的工业变革将带来一批全新的智能设备及智能化的设备管理技术,重新定义人与机器的协作机制。随着设备的复杂程度不断增加,设备的故障管理成为保障生产安全、提高生产效率的关键技术,智能化成为工业4.0时代下故障管理技术发展的必然趋势。智能化的本质是用数据获得知识。随着传感器技术与信息技术的发展,眼下正是一个多源数据自动产生的时代,这也为开展智能故障管理提供了良好的基础。燃气轮机作为广泛应用于国防与能源工业的高新技术动力设备,设备复杂度高,故障种类繁多,且自动化、信息化程度高,开展智能故障管理难度大,收益高,具有重大意义。因此,本文旨在充分挖掘与燃机相关的多源数据的价值,进行其智能故障管理理论及方法的研究。首先,针对支撑燃气轮机智能故障管理研究的数据获取技术,开展了三项研究:1)针对监测数据的获取,搭建了总体性能测试系统,进行了总体稳态性能测试、故障对总体性能影响测试、故障长期发展趋势跟踪,以支撑后续研究;2)针对仿真数据的获取,研究了工质的热物理性质和部件建模方法,基于模块化建模的思想建立了燃气轮机性能仿真模型,该模型对两台实际燃机的仿真误差均在1%以内;3)针对传感器测量的不确定性,进行了两项研究,即基于模型的数据调和与面向测量偏差的传感器故障诊断,应用这两项技术可以有效地削弱测量不确定性,识别故障传感器并进行数据恢复。接着,对燃气轮机智能故障管理进行了三项研究,即故障特征分析、故障状态评估和故障趋势预测。故障特征分析研究旨在将故障模式的危害性、后果、发展趋势等属性信息化,从而确定合适的维护策略。以“以可靠性为中心的维护”理论为基础,对其两大分析工具故障模式及影响分析和逻辑决断图进行改造:提出一种应用于故障管理的故障模式及影响分析方法,并确定待分析的故障属性与评价标准;建立一种基于故障知识库的维护策略逻辑决断模型,智能化地制定维护大纲。据此,提出动态以可靠性为中心的维护设想,拓展以可靠性为中心的维护应用范围的边界,并设计了一套动态以可靠性为中心的维护分析方法,进行了案例研究,结果表明采用该方法可显着提高视情维护的故障管理水平。故障状态评估研究旨在采用监测数据智能地定位故障部位、识别故障模式、评估故障程度,分别对基于模型与基于数据的两种诊断方法进行了研究:1)针对当下主要智能算法应用于基于模型的燃气轮机气路故障诊断存在的问题,采用模拟退火-粒子群混合算法进行故障诊断。对比研究结果表明,该方法避免出现局部最优解的同时,大幅提高了全局搜索的速度;2)将支持向量机应用于基于数据的气路故障诊断,并提出了一种全新的诊断框架。和神经网络的对比分析表明,诊断精度要求相同时,该方法需要的训练样本更少。故障趋势预测研究旨在将更多的数据引入常规的时序预测中,智能地预测燃机衰退性故障未来的发展趋势,提出两种新型预测模型:1)基于马尔可夫过程与关联分析的灰色预测模型,应用该模型可以将同类设备的衰退性故障发展曲线应用于趋势预测,并能预测数据的波动性;2)基于故障概率密度的性能衰退趋势预测模型,该模型基于可靠性参数与性能参数之间的关系,将同类设备的历史故障记录应用于故障特征参数的趋势预测,以提高预测精度。最后,基于本文研究成果开发了燃气轮机智能故障管理系统,应用该系统开展了两项案例研究:1)针对突发性故障的分析。该案例中智能故障管理系统可以迅速监测到微小的压气机叶片击伤,及时避免故障危害扩大;2)针对衰退性故障的分析。该案例中智能故障管理系统可以根据衰退性故障的发展趋势,在线完成维护任务排程,相较于定时维护,机组可以获得更佳的可用度与经济性。本文理论研究工作建立在与英国Cranfield University深度合作的基础上,方法验证与应用得到了中国石油西气东输管道公司的大力支持。
张利萍[9](2005)在《灰色理论在智能控制中的应用》文中研究表明灰色理论是上世纪八十年代发展起来的一门新学科,灰色控制理论是一种新型控制理论,适应性很强。灰色系统着重研究概率统计、模糊数学所不能解决的“小样本,贫信息不确定”问题,并依据信息覆盖,通过序列生成寻求现实规律。它不需要建立精确的数学模型,其特点是“少数据建模”。 本论文的研究内容主要包括:灰色系统建模理论、灰色建模的改进方法、灰色预测控制理论、灰色神经网络算法、灰色模糊控制在大滞后过程中的应用等。 论文从灰色系统理论入手,对灰色系统中的一些概念和灰色建模的过程进行了详细讨论,并提出几种改进预测精度的建模方法,改进精度的模型有滑动平均处理法模型、等维动态递补新息模型、改进的等维新息模型、残差法改进模型等,运用Matlab编程进行了仿真验证,并分析了各种改进方法的优缺点。最后提出了一种加权处理和改变初始条件相结合的算法,并以化工溶剂DMF回收过程的精馏塔为对象,采用改进的灰色算法进行了温度数据的预测,运用Matlab编程进行了仿真,结果表明改进算法在本文的工业对象中是适用的。 论文研究了灰色神经网络方法,将其应用到DMF回收的精馏塔操作过程,并与一般的灰色预测方法进行了仿真比较,结果表明这种
李勇刚[10](2004)在《基于智能集成模型的苛性比值与溶出率软测量及应用研究》文中提出作为拜耳法生产氧化铝过程中的重要工序,高压溶出是一个极其复杂的冶金工业过程。在高压溶出过程中,苛性比值与溶出率决定了产品的产量、质量及碱耗。要实现高压溶出过程的优化控制,关键是能够在线检测苛性比值与溶出率。然而,目前没有任何测量仪表能够直接检测这两个值,而只能通过化学分析获得,因此存在很大的滞后,严重影响了高压溶出过程的优化控制。高压溶出过程具有机理复杂、非线性度高、耦合严重、时变、大滞后、大干扰等特点,因此任何单一的建模方法都难以建立精确的数学模型。本文在分析了高压溶出工艺机理的基础上,首次研究了苛性比值与溶出率的软测量技术,提出了基于智能集成模型的软测量方案,有效地实现了苛性比值与溶出率的在线检测,并据此对原矿浆配料进行了优化指导。论文主要工作和研究成果体现在以下几个方面: (1) 基于对复杂工业过程特点及常用建模方法缺陷的分析,提出了智能集成软测量模型的基本框架,即给出了智能集成软测量模型的一般定义,总结了模型结构及算法的基本集成形式,并给出了基于智能集成模型的软测量系统的形式化描述、设计原则及设计步骤。 (2) 针对RPCL聚类算法速度慢、精度低的缺点,提出了基于样本空间分布的改进RPCL聚类算法(SDS-RPCL)。该算法在修正中心值过程中,根据样本空间的分布情况选取数据,减少了中心值朝类边缘移动的概率,因而能加快聚类速度,提高聚类精度。 (3) 在详尽分析高压溶出机理并总结专家知识的基础上,建立了苛性比值与溶出率的专家机理模型,该模型能够直观地反映各种因素对苛性比值与溶出率的影响。 (4) 为了修正专家机理模型的预测误差,针对苛性比值与溶出率软测量中输入变量多、样本分布广的特点,提出了分布式复合神经网络。该神经网络利用主元分析法将输入变量重组,并按重组后的主元变量所包含原始信息的多少将其分成若干组,分别用多个并联的复合神经网络逐步逼近苛性比值与溶出率;复合神经网络不仅简化了模型,而且由于对输入变量进行了适当的分组,因此能更合理地描述实
二、改进的灰色预测算法在工业应用中的评价(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、改进的灰色预测算法在工业应用中的评价(论文提纲范文)
(1)面向智能工厂的无线传感器网络定位技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 论文研究背景 |
1.1.1 智能工厂概述 |
1.1.2 智能工厂实时定位系统 |
1.2 无线传感器网络技术 |
1.2.1 无线传感器网络概述 |
1.2.2 无线传感器网络组成 |
1.2.3 无线传感器网络特点 |
1.3 无线传感器网络定位技术 |
1.3.1 无线传感器网络定位原理 |
1.3.2 无线传感器网络定位种类 |
1.3.3 测距和非测距定位技术 |
1.3.4 无线传感器网络定位算法的性能指标 |
1.4 本文的研究内容及结构安排 |
1.4.1 研究内容及意义 |
1.4.2 本文的组织结构 |
第2章 基于非测距的DV-Hop定位算法研究 |
2.1 引言 |
2.2 基于非测距的定位算法 |
2.2.1 非测距定位算法原理 |
2.2.2 常见非测距定位算法 |
2.2.3 DV-Hop定位算法的相关研究 |
2.3 DV-Hop定位算法原理 |
2.4 DV-Hop定位算法的误差来源 |
2.4.1 网络结构原因 |
2.4.2 定位算法原因 |
2.4.3 信号传输原因 |
2.5 仿射空间原理 |
2.6 基于误差向量修正的DV-Hop定位算法 |
2.6.1 建立锚节点信息列表 |
2.6.2 修正锚节点的选择策略 |
2.6.3 修正初始估计位置 |
2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
2.6.6 两种改进的DV-Hop定位算法分析 |
2.7 实验分析 |
2.7.1 实验环境设置 |
2.7.2 实验结果分析 |
2.8 本章总结 |
第3章 基于测距的三边加权质心定位算法研究 |
3.1 引言 |
3.2 基于测距的无线传感器网络定位算法 |
3.3 三边加权质心定位算法 |
3.3.1 基于RSSI测距的定位原理 |
3.3.2 三边加权质心定位算法原理 |
3.4 量子粒子群优化算法 |
3.5 模糊C均值聚类算法 |
3.6 改进的三边加权质心定位算法 |
3.6.1 双集合组合法 |
3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
3.6.3 参考点加权质心定位算法 |
3.7 实验分析 |
3.7.1 实验环境设置 |
3.7.2 实验结果分析 |
3.8 本章总结 |
第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
4.1 引言 |
4.2 移动无线传感器网络 |
4.2.1 移动无线传感器网络概述 |
4.2.2 移动无线传感器网络在智能工厂的应用 |
4.2.3 移动无线传感器网络定位 |
4.3 动态定位算法和静态定位算法的比较 |
4.4 移动无线传感器网络定位算法的研究 |
4.5 动态定位算法的特点 |
4.6 灰色模型预测原理 |
4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
4.7.1 蒙特卡罗定位算法 |
4.7.2 蒙特卡罗定位盒子算法 |
4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
4.8.1 GMMCB定位算法原理 |
4.8.2 GMMCB定位算法流程 |
4.9 实验分析 |
4.9.1 实验环境设置 |
4.9.2 实验结果分析 |
4.10 本章总结 |
第5章 基于压缩感知的多目标定位算法研究 |
5.1 引言 |
5.2 无线传感器网络稀疏多目标非协作式定位 |
5.3 压缩感知技术原理 |
5.3.1 压缩感知技术 |
5.3.2 稀疏信号表达 |
5.3.3 稀疏信号采样 |
5.3.4 稀疏信号重构 |
5.4 压缩感知技术的应用 |
5.5 基于压缩感知的定位研究 |
5.6 基于压缩感知的定位原理 |
5.6.1 基于压缩感知的定位模型 |
5.6.2 信号传播衰减测距模型 |
5.7 基于压缩感知的两阶段定位算法 |
5.7.1 大尺度定位阶段 |
5.7.2 精细化定位阶段 |
5.8 实验分析 |
5.8.1 实验环境设置 |
5.8.2 实验结果分析 |
5.9 本章总结 |
第6章 基于模拟退火优化的多维标度定位算法研究 |
6.1 引言 |
6.2 无线传感器网络少基站多目标协作式定位 |
6.3 多维标度定位算法及相关研究 |
6.3.1 多维标度定位相关研究 |
6.3.2 信号强度距离衰减模型 |
6.3.3 多维标度定位原理 |
6.3.4 MDS-MAP定位误差分析 |
6.4 模拟退火优化算法 |
6.5 基于模拟退火优化的多维标度定位算法 |
6.5.1 改进定位算法原理 |
6.5.2 改进定位算法流程 |
6.6 实验分析 |
6.6.1 实验环境设置 |
6.6.2 实验结果分析 |
6.7 本章总结 |
第7章 总结和展望 |
7.1 全文总结 |
7.2 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 |
(2)燃煤电厂烟气含氧量软测量方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景及研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 研究内容及组织结构 |
2 软测量关键技术研究 |
2.1 锅炉燃烧系统特性 |
2.2 软测量基本理论 |
2.2.1 软测量简介 |
2.2.2 数据预处理 |
2.2.3 辅助变量的选取 |
2.2.4 软测量建模方法概述 |
2.3 评价指标 |
2.4 本文技术路线 |
2.5 本章小结 |
3 烟气含氧量辅助变量的选取及数据预处理 |
3.1 烟气含氧量影响因素分析 |
3.1.1 机理分析 |
3.1.2 工艺分析 |
3.2 数据采集 |
3.3 数据预处理 |
3.3.1 粗大误差修正处理 |
3.3.2 随机误差平滑处理 |
3.3.3 归一化与反归一化 |
3.4 基于灰色关联分析的辅助变量精选模型 |
3.4.1 灰色关联分析简介 |
3.4.2 灰色关联度计算分析 |
3.5 本章小结 |
4 基于改进PSO-SVM的烟气含氧量软测量建模方法 |
4.1 基于SVM的烟气含氧量软测量模型 |
4.1.1 支持向量机简介 |
4.1.2 支持向量机算法原理 |
4.1.3 仿真实验结果及分析 |
4.2 基于改进PSO-SVM的烟气含氧量软测量模型 |
4.2.1 粒子群算法简介 |
4.2.2 改进的粒子群算法 |
4.2.3 改进PSO-SVM模型的建立 |
4.2.4 仿真实验结果及分析 |
4.3 模型结果对比分析 |
4.4 本章小结 |
5 基于LSTM的烟气含氧量软测量建模方法 |
5.1 LSTM理论基础 |
5.1.1 LSTM简介 |
5.1.2 LSTM前向计算 |
5.1.3 LSTM反向传播 |
5.2 基于LSTM的烟气含氧量软测量模型 |
5.3 超参数联合寻优的策略研究 |
5.3.1 神经元个数对模型性能的影响 |
5.3.2 时间步幅对模型性能的影响 |
5.3.3 网络深度对模型性能的影响 |
5.3.4 基于改进PSO的超参数寻优 |
5.4 仿真实验结果分析及模型对比 |
5.4.1 基于改进PSO-LSTM模型的软测量结果 |
5.4.2 软测量模型结果对比分析 |
5.5 烟气含氧量软测量系统设计 |
5.5.1 开发环境及系统方案 |
5.5.2 烟气含氧量软测量系统开发 |
5.6 本章小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间所取得的成果 |
(3)工业物联网数据质量治理系统设计与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 工业大数据特点 |
1.3 数据质量治理技术研究现状 |
1.3.1 数据清洗技术研究现状 |
1.3.2 数据质量评估研究现状 |
1.4 论文研究内容 |
1.5 论文组织结构 |
第二章 数据治理关键技术 |
2.1 数据清洗算法 |
2.1.1 无效值的修正 |
2.1.2 缺失值的补全 |
2.1.3 重复值的合并 |
2.1.4 异常值的检测 |
2.2 数据质量评估模型 |
2.3 权重分析算法 |
2.3.1 熵权法 |
2.3.2 层次分析法 |
2.4 灰色评估算法 |
2.4.1 灰色系统理论 |
2.4.2 灰色评估技术 |
2.4.3 白化权函数 |
2.5 本章小结 |
第三章 工业机器设备数据清洗算法 |
3.1 工业机器设备数据清洗 |
3.1.1 工业机器设备数据的定义 |
3.1.2 工业机器设备数据的特点 |
3.1.3 工业机器设备数据清洗的目的 |
3.1.4 工业机器设备数据清洗的难点 |
3.2 缺失值填充算法 |
3.2.1 工业机器设备缺失值的处理需求 |
3.2.2 RNN原理 |
3.2.3 LSTM原理 |
3.2.4 多维数据的缺失值填补 |
3.2.5 缺失值填补效果评价 |
3.3 异常值检测算法 |
3.3.1 时间序列的异常值 |
3.3.2 工业机器设备异常值的处理需求 |
3.3.3 异常点检测算法 |
3.3.4 模式异常检测算法 |
3.4 重复值合并算法 |
3.4.1 重复值的危害 |
3.4.2 SNM原理 |
3.4.3 重复值合并算法 |
3.5 无效值修正算法 |
3.6 本章小结 |
第四章 工业机器设备数据质量评估算法 |
4.1 选择评估指标和规则 |
4.1.1 工业机器设备数据的质量要求 |
4.1.2 选择评估指标 |
4.1.3 设计指标内的评估规则 |
4.2 熵权法计算指标分数 |
4.3 模糊层次分析法计算指标权重 |
4.3.1 模糊层次分析法定义 |
4.3.2 计算评估指标权重 |
4.4 灰色综合聚类法确定质量等级 |
4.4.1 建立评价矩阵 |
4.4.2 确定灰类白化权函数 |
4.4.3 计算数据质量等级 |
4.5 本章小结 |
第五章 实验结果与系统测试 |
5.1 工业数据清洗实验结果 |
5.2 工业数据质量评估实验结果 |
5.3 工业数据质量治理系统 |
5.3.1 系统架构 |
5.3.2 系统验证 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文工作总结 |
6.2 研究展望 |
参考文献 |
致谢 |
(4)基于无线传感器网络的水质数据流异常检测与预测方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景和意义 |
1.1.1 选题背景 |
1.1.2 研究的目的和意义 |
1.2 水质监测的常用技术 |
1.3 水质监测应用研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 研究内容和研究方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.5 特色与创新 |
1.6 本文的组织架构 |
第二章 水质监测数据分析方法概述 |
2.1 引言 |
2.2 异常检测 |
2.2.1 传统的异常检测方法 |
2.2.2 传感器数据的异常检测方法 |
2.3 数据融合 |
2.3.1 基于估计的方法 |
2.3.2 基于统计的方法 |
2.3.3 信息论方法 |
2.3.4 人工智能方法 |
2.4 数据预测预警 |
2.4.1 传统的水质预测方法 |
2.4.2 智能型水质预测方法 |
2.5 本章小结 |
第三章 基于改进SVDD的水质数据异常检测算法 |
3.1 引言 |
3.2 异常检测相关方法 |
3.2.1 支持向量机 |
3.2.2 支持向量数据描述 |
3.2.3 概率密度估计理论 |
3.3 基于改进密度补偿的SVDD异常检测算法 |
3.3.1 D-SVDD |
3.3.2 改进D-SVDD算法 |
3.4 改进密度补偿的SVDD异常检测算法的实验验证 |
3.4.1 数据源 |
3.4.2 算法评价指标 |
3.4.3 不同核函数性能比较 |
3.4.4 异常检测性能对比 |
3.5 本章小结 |
第四章 基于新型支持度函数的数据质量提高算法 |
4.1 引言 |
4.2 相关方法 |
4.2.1 支持度函数 |
4.2.2 动态时间规整 |
4.3 新型数据融合算法 |
4.3.1 支持度函数改进型算法 |
4.3.2 基于DTW的支持度函数 |
4.3.3 基于改进DTW的新型支持度函数 |
4.3.4 基于DTWS-ISD的数据融合模型 |
4.4 新型支持度函数融合算法实验验证 |
4.4.1 数据源 |
4.4.2 数据分析和评价指标 |
4.4.3 算法实现与性能对比 |
4.5 本章小结 |
第五章 基于EFIG-OSELM的多尺度溶解氧预测方法 |
5.1 引言 |
5.2 池塘溶解氧数据特性分析 |
5.2.1 水体溶解氧变化分析 |
5.2.2 溶解氧时间序列特性分析 |
5.2.3 水体溶解氧影响因子分析 |
5.3 基于EFIG-OSELM的溶解氧预测方法相关理论 |
5.3.1 经验模态分解 |
5.3.2 模糊熵重构 |
5.3.3 改进遗传算法 |
5.3.4 极限学习机 |
5.3.5 在线贯序极限学习机 |
5.4 基于EFIG-OSELM的溶解氧预测模型 |
5.4.1 基于改进遗传算法优化OSELM |
5.4.2 基于EFIG-OSELM的水产养殖溶解氧预测模型的设计 |
5.5 基于EFIG-OSELM预测模型的实验验证 |
5.5.1 基于EMD的数据分解 |
5.5.2 基于模糊熵的数据重构 |
5.5.3 预测模型的评价 |
5.5.4 预测算法实现与性能对比 |
5.6 本章小结 |
第六章 基于分簇策略的优化极限学习机溶解氧预测方法 |
6.1 引言 |
6.2 水体溶解氧预测相关方法 |
6.2.1 因子分析法 |
6.2.2 k-medoids聚类方法 |
6.2.3 偏最小二乘法 |
6.3 CSELM溶解氧预测模型构建 |
6.3.1 气象指数定义和评估 |
6.3.2 基于k-medoids的实验数据分簇 |
6.3.3 PLS-SELM预测模型 |
6.3.4 CSELM溶解氧预测模型 |
6.4 CSELM预测模型的实验验证 |
6.4.1 数据源与性能评价 |
6.4.2 算法实现与性能对比 |
6.5 本章小结 |
第七章 水产养殖水质监测预警系统的设计与实现 |
7.1 引言 |
7.2 需求分析 |
7.2.1 用户需求分析 |
7.2.2 功能需求分析 |
7.3 系统硬件设计 |
7.4 软件设计 |
7.4.1 功能模块设计 |
7.4.2 数据库设计 |
7.5 预警系统实现 |
7.5.1 开发与运行环境 |
7.5.2 系统实现 |
7.6 本章小结 |
第八章 结论与展望 |
8.1 研究结论 |
8.2 研究展望 |
参考文献 |
致谢 |
附录 :作者在攻读博士学位期间发表的论文 |
(5)灰色预测模型的优化及其应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
第一节 选题背景及研究意义 |
一、研究背景 |
二、研究意义 |
第二节 GM(1,1)模型的研究现状 |
第三节 主要研究内容及创新点 |
一、主要研究内容 |
二、主要研究目标 |
三、主要创新点 |
第四节 研究的技术路线 |
第五节 本章小结 |
第二章 GM(1,1)模型的相关理论基础 |
第一节 GM(1,1)模型简介 |
一、传统的GM(1,1)模型的建模基本原理 |
二、GM(1,1)模型的实际应用范围 |
第二节 GM(1,1)模型的预测检验方法 |
一、准光滑性检验和准指数检验 |
二、预测精度检验 |
三、预测性能评价指标 |
第三节 GM(1,1)模型的误差来源分析 |
一、GM(1,1)模型的初始值问题 |
二、GM(1,1)模型的原始建模数据序列的光滑度 |
三、GM(1,1)模型的背景值 |
第四节 本章小结 |
第三章 DCOGM(1,1)模型及其应用研究 |
第一节 引言 |
一、研究背景 |
二、文献回顾 |
三、创新点和贡献 |
第二节 DCOGM(1,1)模型的建模优化过程 |
一、对原始数据进行数据转换 |
二、基于组合插值的GM(1,1)模型背景值的改进 |
第三节 DCOGM(1,1)模型的评价 |
一、组合插值的GM(1,1)模型背景值的评估 |
二、DCOGM(1,1)模型的评价 |
第四节 DCOGM(1,1)模型在上海市的电力消费预测中的应用 |
一、上海电力消费预测的建模基本过程 |
二、七个预测模型的预测性能比较 |
三、我国上海市2017年到2021年电力消费预测 |
第五节 电力消费预测问题的讨论和总结 |
一、讨论 |
二、总结 |
第六节 本章小结 |
第四章 TBGM(1,1)模型及其应用研究 |
第一节 引言 |
第二节 TBGM(1,1)模型的建模优化过程 |
第三节 TBGM(1,1)模型在上海市的能源消费预测中的应用 |
一、上海市的能源消费预测的建模过程 |
二、模型评价指标 |
三、七个预测模型的预测性能的比较 |
四、预测我国上海市的2018年到2022年的能源消费 |
第四节 能源消费预测问题的讨论和总结 |
第五节 本章小结 |
第五章 灰色预测模型和ARMA模型的组合预测研究 |
第一节 理论基础 |
一、ARMA模型简介 |
二、等维新息递补机制 |
三、组合预测模型权重的计算方法 |
第二节 基于灰色模型和ARMA模型组合预测方法 |
第三节 实例研究 |
一、实验所采用的数据 |
二、应用GM(1,1)模型预测我国的能源消费 |
三、应用ARMA模型预测我国的能源消费 |
四、构建GM(1,1)-ARMA残差模型预测我国的能源消费 |
五、构建GM(1,1)-LR-ARMA模型预测我国的能源消费 |
六、预测结果比较和分析 |
第四节 本章小结 |
第六章 灰色预测模型和BP神经网络模型的组合预测研究 |
第一节 BP神经网络模型 |
一、神经网络模型的简介 |
二、BP神经网络模型的简介 |
三、BP神经网络模型的建模基本过程 |
第二节 遗传算法 |
一、遗传算法的简介 |
二、遗传算法的建模基本流程和步骤 |
三、遗传算法的主要特点 |
四、遗传算法的主要应用 |
五、应用遗传算法优化BP神经网络模型 |
第三节 实例研究 |
一、实验所采用的数据 |
二、应用BP神经网络模型预测我国的能源消费 |
三、构建GM(1,1)-BPNN残差模型预测我国的能源消费 |
四、构建GM(1,1)-BPNN模型预测我国的能源消费 |
五、构建GM(1,1)-BPNN-GA模型预测我国的能源消费 |
六、预测结果比较和分析 |
第四节 本章小结 |
第七章 灰色预测模型和LSSVMR模型的组合预测研究 |
第一节 最小二乘支持向量机回归模型 |
一、支持向量机模型简介 |
二、支持向量机回归模型简介 |
三、最小二乘支持向量机回归模型简介 |
四、最小二乘支持向量机回归模型的参数求解 |
第二节 模拟退火算法 |
一、模拟退火算法的简介和基本原理 |
二、模拟退火算法建模的基本步骤和流程 |
三、模拟退火算法建模的优点和缺点 |
第三节 粒子群优化算法 |
一、粒子群优化算法简介 |
二、粒子群优化算法基本原理 |
三、粒子群优化算法建模的基本步骤和流程 |
第四节 实例研究 |
一、实验所采用的数据 |
二、应用LSSVMR模型预测我国的能源消费 |
三、构建GM(1,1)-LSSVMR残差模型预测我国的能源消费 |
四、构建GM(1,1)-LSSVMR模型预测我国的能源消费 |
五、构建优化的GM(1,1)-LSSVMR模型预测我国的能源消费 |
六、预测结果比较和分析 |
第五节 几种预测模型方法之间的对比 |
第六节 我国2019年到2023年的能源消费预测 |
第七节 本章小结 |
第八章 结论与展望 |
第一节 全文总结 |
第二节 研究展望 |
参考文献 |
致谢 |
个人简历及在学期间发表的研究成果 |
(6)无线传感器网络路由算法及数据融合的研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 相关技术国内外研究现状 |
1.2.1 WSN的历史 |
1.2.2 WSN路由算法的国内外研究现状 |
1.2.3 WSN数据融合算法的研究现状 |
1.3 论文研究内容及结构安排 |
第二章 无线传感器网络及相关技术概述 |
2.1 无线传感器网络概述 |
2.1.1 WSN的组成 |
2.1.2 WSN的挑战与优劣 |
2.2 无线传感器网络路由算法 |
2.2.1 无线传感器网络路由算法分类 |
2.2.2 无线传感器网络路由算法分析 |
2.3 WSN数据融合技术概述 |
2.4 本章小结 |
第三章 基于LEACH算法的路由算法改进 |
3.1 LEACH路由算法 |
3.1.1 LEACH算法原理及过程 |
3.1.2 LEACH算法优缺点分析 |
3.2 LEACH算法改进方案 |
3.2.1 引言 |
3.2.2 改进LEACH路由算法的具体过程 |
3.3 实验仿真分析 |
3.4 本章小结 |
第四章 路由算法中数据融合方法的研究 |
4.1 引言 |
4.2 灰色预测模型的改进 |
4.2.1 传统预测模型 |
4.2.2 灰色预测模型改进方案 |
4.3 基于灰色预测的数据融合方法与T-LEACH的结合 |
4.4 实验仿真分析 |
4.5 本章小结 |
总结与展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(7)基于支持向量机的滚动轴承故障诊断与预测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景和研究意义 |
1.2 滚动轴承故障诊断技术国内外研究现状 |
1.2.1 信号采集与预处理 |
1.2.2 信号特征提取 |
1.2.3 模式识别 |
1.3 预测技术研究现状 |
1.4 支持向量机的研究与应用现状 |
1.4.1 理论研究 |
1.4.2 应用研究 |
1.5 论文的研究内容与结构 |
1.5.1 论文研究内容 |
1.5.2 论文结构 |
2 滚动轴承特征提取 |
2.1 滚动轴承振动机理与失效形式 |
2.1.1 滚动轴承结构 |
2.1.2 滚动轴承振动产生机理 |
2.1.3 滚动轴承常见的失效形式 |
2.2 特征提取方法研究 |
2.2.1 时域特征提取 |
2.2.2 频域特征提取 |
2.2.3 基于经验模态分解(EMD)的特征提取 |
2.2.4 特征融合及降维 |
2.3 实验数据分析 |
2.3.1 实验数据 |
2.3.2 多域特征提取 |
2.4 本章小结 |
3 基于SVM的滚动轴承故障诊断研究 |
3.1 支持向量机(SVM)原理 |
3.1.1 最优分类面 |
3.1.2 核函数 |
3.1.3 支持向量回归 |
3.2 轴承故障特征库的建立 |
3.2.1 时域特征 |
3.2.2 频域特征 |
3.2.3 IMF分量能量矩特征 |
3.2.4 EMD-SVD特征 |
3.2.5 多域特征 |
3.3 故障诊断 |
3.4 本章小结 |
4 滚动轴承故障诊断中的样本不平衡问题研究 |
4.1 样本不平衡问题对支持向量机模型的影响及解决方法 |
4.2 符号化方法与支持向量机相结合的双步故障诊断方法 |
4.2.1 异常诊断概述 |
4.2.2 符号化时间序列分析原理 |
4.2.3 基于概率密度空间划分的符号化方法应用于滚动轴承异常诊断 |
4.2.4 双步诊断模型 |
4.2.5 双步诊断与直接诊断实验结果对比 |
4.3 轴承故障样本不平衡问题研究 |
4.3.1 子代样本的生成和选择 |
4.3.2 实例研究 |
4.4 本章小结 |
5 基于EMD和SVM的组合预测模型研究 |
5.1 模型理论基础 |
5.1.1 信号预处理 |
5.1.2 瞬时频率及时间尺度 |
5.2 预测模型 |
5.3 实例研究 |
5.4 工程应用研究 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
作者简介 |
(8)燃气轮机智能故障管理理论及方法研究(论文提纲范文)
摘要 |
ABSTRACT |
主要符号说明 |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 行业背景 |
1.1.2 技术背景 |
1.1.3 燃气轮机故障管理现状 |
1.1.4 小结 |
1.2 研究发展历程和现状 |
1.2.1 故障特征分析研究历史及现状 |
1.2.2 故障状态评估研究历史及现状 |
1.2.3 故障趋势预测研究历史及现状 |
1.2.4 故障管理系统研究历史及现状 |
1.2.5 小结 |
1.3 本文主要工作及结构 |
第二章 燃气轮机总体性能测试及仿真研究 |
2.1 引言 |
2.2 燃气轮机总体性能测试 |
2.2.1 总体性能测试系统介绍 |
2.2.2 测试内容及步骤 |
2.3 燃气轮机总体性能仿真模型 |
2.3.1 工质热物理性质 |
2.3.2 部件模型 |
2.3.3 部件特性的修正方法 |
2.3.4 系统参数匹配 |
2.3.5 性能仿真模型验证 |
2.4 燃气轮机传感器数据调和 |
2.4.1 数据调和原理与功能 |
2.4.2 建模 |
2.4.3 方法评估与对比研究 |
2.5 燃气轮机传感器故障诊断 |
2.5.1 D-S证据理论 |
2.5.2 面向测量偏差的传感器故障诊断方法 |
2.5.3 方法评估与对比研究 |
2.6 本章小结 |
第三章 燃气轮机故障特征分析研究 |
3.1 引言 |
3.2 以可靠性为中心的维修 |
3.2.1 RCM的发展历史 |
3.2.2 RCM的核心思想与基本原理 |
3.3 故障模式与影响分析 |
3.3.1 故障管理中的FMEA |
3.3.2 故障特征评价准则 |
3.3.3 应用实例 |
3.4 维护方式逻辑决断 |
3.4.1 逻辑决断图 |
3.4.2 基于知识库的维护逻辑决断模型 |
3.4.3 应用实例 |
3.5 动态以可靠性为中心的维护 |
3.5.1 DRCM核心思想 |
3.5.2 一种简化的DRCM分析方法 |
3.5.3 应用实例 |
3.6 本章小结 |
第四章 燃气轮机故障状态评估研究 |
4.1 引言 |
4.2 燃气轮机气路故障分析 |
4.3 基于模型的燃气轮机气路故障诊断 |
4.3.1 衰退对部件及系统性能的影响 |
4.3.2 基于模型故障诊断的原理 |
4.3.3 常见的智能算法 |
4.3.4 基于SA-PSO混合算法的燃气轮机诊断方法 |
4.3.5 方法评估与对比研究 |
4.4 基于数据的燃气轮机气路故障诊断 |
4.4.1 支持向量机 |
4.4.2 一种基于支持向量机的气路故障诊断框架 |
4.4.3 方法评估与对比研究 |
4.5 基于工作状态的高温叶片损伤评估研究 |
4.5.1 一种综合故障损伤评估框架 |
4.5.2 方法验证与应用 |
4.6 本章小结 |
第五章 燃气轮机故障趋势预测研究 |
5.1 引言 |
5.2 一种基于马尔可夫过程与关联分析的灰色预测模型 |
5.2.1 建模 |
5.2.2 方法评估与对比研究 |
5.3 一种基于故障概率密度的性能衰退趋势预测模型 |
5.3.1 故障概率密度分布获取 |
5.3.2 建模 |
5.3.3 方法评估与对比研究 |
5.4 本章小结 |
第六章 燃气轮机智能故障管理应用案例 |
6.1 引言 |
6.2 燃气轮机智能故障管理系统 |
6.3 突发性故障评估应用实例 |
6.3.1 问题描述 |
6.3.2 故障管理系统分析过程及结果 |
6.4 衰退性故障维护任务排程应用实例 |
6.4.1 问题描述 |
6.4.2 故障管理系统分析过程及结果 |
6.5 本章小结 |
第七章 结论及展望 |
7.1 主要工作与结论 |
7.2 创新点 |
7.3 研究展望 |
参考文献 |
致谢 |
攻读博士学位期间已发表或录用的论文及科研成果 |
(9)灰色理论在智能控制中的应用(论文提纲范文)
第一章 前言 |
1.1 论文研究的目的和意义 |
1.2 论文研究的主要内容概述 |
1.3 国内外文献综述 |
1.3.1 本课题相关领域的历史、现状和前沿发展情况 |
1.3.1.1 智能控制理论与应用 |
1.3.1.2 灰色理论和方法 |
1.3.2 前人的研究成果 |
1.3.3 本课题的创新之处 |
第二章 灰色系统理论基础 |
2.1 灰色系统理论 |
2.1.1 灰色系统理论的研究内容 |
2.1.2 灰色系统的建模 |
2.1.3 灰色控制 |
2.2 灰色系统理论的应用 |
2.2.1 灰色系统理论的特点 |
2.2.2 灰色系统理论的应用前景及发展方向 |
2.3 灰色预测 |
2.3.1 生成数 |
2.3.2 GM预测模型建模步骤 |
2.3.3 模型精度检验方法 |
2.3.3.1 后验差检验法 |
2.3.3.2 关联度检验法 |
2.3.3.3 原点检验法 |
2.4 灰色系统理论建模方法的优缺点 |
第三章 改进的灰色建模算法及仿真分析 |
3.1 灰色系统建模适应性分析 |
3.1.1 灰色系统建模实质 |
3.1.2 GM(1,1)模型的适用条件 |
3.2 典型的GM(1,1)模型 |
3.2.1 几种常用的GM(1,1)模型 |
3.2.2 灰色预测算法的仿真验证 |
3.2.2.1 滑动平均处理 |
3.2.2.2 等维灰度递补GM(1,1)模型 |
3.2.2.3 等维新息GM(1,1)模型 |
3.2.2.4 残差法改进GM(1,1)模型 |
3.3 加权处理法和改变初始条件法的结合算法 |
3.4 工业应用研究 |
3.4.1 DMF回收工艺过程 |
3.4.2 仿真分析 |
3.5 结论 |
第四章 灰色神经网络研究 |
4.1 引言 |
4.2 灰色神经网络 |
4.2.1 灰色神经网络预测模型 |
4.2.2 灰色神经网络预测的步骤 |
4.2.3 计算软件流程及框架 |
4.3 仿真研究 |
4.4 结论 |
第五章 灰色预测控制及应用 |
5.1 引言 |
5.2 灰色预测控制理论 |
5.2.1 灰色预测控制原理 |
5.2.2 灰色预测控制的特点 |
5.2.3 前人的研究成果 |
5.2.4 带智能积分的参数自调整模糊控制器 |
5.2.5 带智能积分的参数自调整Fuzzy-Gray预测控制器 |
5.3 仿真研究 |
5.4 结论 |
第六章 结束语 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
已发表(录用)的论文 |
(10)基于智能集成模型的苛性比值与溶出率软测量及应用研究(论文提纲范文)
第一章 绪论 |
1.1 软测量及其研究现状 |
1.1.1 软测量的意义 |
1.1.2 软测量研究的主要内容 |
1.1.3 软测量的研究现状 |
1.2 苛性比值与溶出率检测现状及其软测量 |
1.2.1 苛性比值与溶出率的重要意义 |
1.2.2 苛性比值与溶出率的检测现状 |
1.2.3 苛性比值与溶出率的软测量及其技术难点 |
1.3 论文研究内容及结构 |
第二章 智能集成软测量模型 |
2.1 智能集成软测量模型的提出 |
2.2 智能集成软测量模型基本框架 |
2.2.1 基本概念 |
2.2.2 智能集成软测量模型研究重点 |
2.2.3 基于智能集成模型的软测量系统及其设计 |
2.2.3.1 系统的形式化描述 |
2.2.3.2 系统的设计原则 |
2.2.3.3 系统的设计步骤 |
2.3 小结 |
第三章 高压溶出工艺及基于专家知识的机理模型 |
3.1 氧化铝高压溶出工艺概述 |
3.2 氧化铝高压溶出机理分析 |
3.2.1 苛性比值与溶出率 |
3.2.2 氧化铝高压溶出过程中的化学反应 |
3.2.3 影响苛性比值与溶出率的因素分析 |
3.3 基于物料平衡及专家知识的苛性比值与溶出率机理模型 |
3.3.1 基于物料平衡的苛性比值与溶出率机理模型 |
3.3.2 基于专家知识的理模型修正 |
3.3.2.1 基于因素分析法的温度与压力的度量 |
3.3.2.2 机理模型的修正 |
3.3.3 基于机理模型的实际预测结果 |
3.4 小结 |
第四章 数据的降维、聚类及校正 |
4.1 基于主元分析的输入数据集降维处理 |
4.1.1 主元分析及其基本算法 |
4.1.2 基于级联递推最小二乘(CRLS)的主元分析算法 |
4.2 输入数据集的聚类分析 |
4.2.1 竞争学习及其存在的问题 |
4.2.2 RPCL聚类算法 |
4.2.3 基于样本空间分布的RPCL聚类算法(SDS-RPCL) |
4.2.4 仿真研究与实际应用 |
4.3 数据校正 |
4.3.1 数据协调 |
4.3.2 显着误差检测 |
4.4 小结 |
第五章 苛性比值与溶出率智能集成建模 |
5.1 苛性比值与溶出率智能集成模型整体框架 |
5.2 专家知识机理模型与神经网络的集成模型MI |
5.2.1 模型MI的提出及基本结构 |
5.2.2 基于主元分析法的复合神经网络(PCA-MNN) |
5.2.2.1 PCA-MNN的提出 |
5.2.2.2 PCA-MNN的总体结构 |
5.2.2.3 复合神经网络学习算法 |
5.2.2.4 主元变量的分组及网络结构的优化 |
5.2.2.5 神经网络的改进RPROP算法 |
5.2.2.6 基于PCA-MNN的苛性比值预测 |
5.2.3 基于SDS-RPCL聚类算法的分布式神经网络(SDS-RPCL-DNN) |
5.2.3.1 SDS-RPCL-DNN的提出 |
5.2.3.2 SDS-RPCL-DNN的结构及算法 |
5.2.3.3 SDS-RPCL-DNN的实际预测结果及分析 |
5.3 灰色模型MII |
5.3.1 灰色系统理论及其研究现状 |
5.3.2 灰色建模基本原理 |
5.3.3 基于改进灰色模型的溶出率预测 |
5.3.3.1 参数估计改进算法 |
5.3.3.2 基于残差GM(1,1)的改进灰色模型 |
5.3.3.3 溶出率灰色模型预测结果 |
5.4 智能协调与误差修正单元 |
5.4.1 模型的智能协调 |
5.4.2 预测结果的误差修正 |
5.4.3 智能集成模型的预测结果 |
5.5 小结 |
第六章 苛性比值与溶出率智能集成模型的在线校正 |
6.1 智能集成模型校正概述 |
6.2 基于证据理论的新样本选择 |
6.3 模型何时需要校正 |
6.4 分布式复合神经网络的校正 |
6.4.1 样本子空间的校正 |
6.4.2 神经网络参数的校正 |
6.5 小结 |
第七章 软测量及原矿浆配料优化系统的开发 |
7.1 基于软测量及专家知识的原矿浆配料优化 |
7.1.1 原矿浆配料的工艺机理 |
7.1.1.1 原矿浆的配料工艺 |
7.1.1.2 原矿浆配料机理分析 |
7.1.2 基于软测量的原矿浆专家配料优化指导 |
7.1.2.1 原矿浆配料优化整体框架 |
7.1.2.2 基于专家系统的配料优化策略 |
7.2 软测量及原矿浆配料优化系统结构与应用软件 |
7.2.1 系统总体结构 |
7.2.2 系统应用软件开发 |
7.3 系统的工业应用 |
7.4 小结 |
第八章 结论与展望 |
参考文献 |
附录一 攻博期间发表的论文 |
附录二 攻博期间从事的科研情况 |
附录三 科研成果与获奖情况 |
致谢 |
四、改进的灰色预测算法在工业应用中的评价(论文参考文献)
- [1]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [2]燃煤电厂烟气含氧量软测量方法研究[D]. 苏涛. 西安科技大学, 2020(01)
- [3]工业物联网数据质量治理系统设计与实现[D]. 徐思佳. 北京邮电大学, 2020(05)
- [4]基于无线传感器网络的水质数据流异常检测与预测方法[D]. 施佩. 江南大学, 2020(01)
- [5]灰色预测模型的优化及其应用研究[D]. 李凯. 上海财经大学, 2020(04)
- [6]无线传感器网络路由算法及数据融合的研究[D]. 王浩. 长安大学, 2019(01)
- [7]基于支持向量机的滚动轴承故障诊断与预测方法研究[D]. 肖雅静. 中国矿业大学(北京), 2019(09)
- [8]燃气轮机智能故障管理理论及方法研究[D]. 周登极. 上海交通大学, 2016(03)
- [9]灰色理论在智能控制中的应用[D]. 张利萍. 北京化工大学, 2005(07)
- [10]基于智能集成模型的苛性比值与溶出率软测量及应用研究[D]. 李勇刚. 中南大学, 2004(11)