一、权值光滑BP算法:一种改善网络推广性能的方法（论文文献综述）
苏昕[1]（2021）在《基于PSO-BP神经网络的滚动轴承故障预测技术研究》文中提出滚动轴承是旋转机械设备的重要组成部分,也是机械设备的主要故障来源之一,每年都有很多设备故障是由轴承引起的,造成较大的经济损失,滚动轴承的好坏直接影响到设备乃至整个生产过程,所以近年来滚动轴承的故障诊断和预测一直是备受关注的研究课题。随着计算机技术和信号处理技术的发展,越来越多的新方法被引入到滚动轴承故障诊断领域。本文在分析了滚动轴承的振动机理和故障特征的基础上,以6205-2RS JEM SKF轴承的实验数据为样本对滚动轴承进行了故障预测技术研究。首先将滚动轴承的振动信号进行小波包变换故障特征提取,计算各频带的能量特征值并进行归一化处理,绘制能量直方图表明获得的能量特征值可以表征不同的故障状态,将归一化处理后的特征向量作为网络模型的训练样本和测试样本。为了能够有效的识别和预测轴承的故障状态,以BP神经网络作为轴承故障诊断网络,采用PSO（Particle Swarm Optimization,粒子群优化）算法对BP神经网络进行优化和改进,以经验公式和试验相结合的方法来确定网络的隐含层节点数,通过与采用最速下降法的BP神经网络和LM算法的BP神经网络训练和测试结果做对比,最速下降法训练的BP神经网络、LM算法训练的BP神经网络以及PSO算法优化的BP神经网络三者的预测值与期望值之间的误差分别为0.02676、5.454×10-4和2.056×10-5,证明PSO算法能够有效地提高BP神经网络的精度和收敛速度,优化后的神经网络具有很好的可靠性。利用MATLAB GUI平台建立滚动轴承故障预测系统,实现了滚动轴承的振动信号波形显示以及故障特征向量和PSO-BP神经网络故障预测结果的计算和显示。该系统更方便、快捷的实现了滚动轴承的故障预测。
尹玉雪[2]（2021）在《基于小波包分析及神经网络的木材声学振动信号的研究》文中认为振动是木材及木质复合材料振动能量传递及辐射声能的基础,通过振动信号的传递与辐射,人们才能够听到乐器发出的声音。从木材或音板上采集到的振动信号含有丰富的信息,如何对其进行深入分析对木材声学振动特性的研究具有积极的意义。目前主要采用动态弹性模量E、声衰减系数σ、E/G、比动态弹性模量E/ρ、声辐射品质常数R、声转换效率v/（σ·ρ）以及声阻抗ω等声学参数来评价乐器音板木材的声振动特性,但是对于音板木材在振动信号这方面的分析与研究还不够深入。为探究木材振动信号的特征与其声学振动性能之间的关系,本研究结合小波包分析方法,对泡桐、云杉木材振动时域信号进行定量研究,提取出信号的特征规律,并与木材声学参数指标建立联系,以期从信号分析的角度对乐器共鸣板用材的评价提供一个新思路。本研究的主要内容与结论如下:（1）基于梁的振动理论,采用双端自由的边界条件,通过FFT分析仪对泡桐和云杉的动态弹性模量E、声衰减系数σ、E/G、比动态弹性模量E/ρ、声辐射品质常数R、声转换效率v/（σ·ρ）以及声阻抗ω等声学参数进行测定,并完成声学信号的采集,获得信号的基础数据。（2）在实际测量振动信号时,由于测量仪器自身的屏蔽效果以及周围环境电源电压不平稳等因素均可能会带来噪声。因此,消除信号的噪声成分是一个非常重要的环节。本研究基于小波阈值法对试件的振动信号进行消噪处理,以降噪后信号的能量比和均方根误差作为评定指标,定量分析信号的降噪效果。分析结果表明:选取db4小波基以小波变换启发式阈值原则的软阈值算法对含噪声木材振动信号进行3层小波分解最适合本研究信号的预处理,降噪后信号的能量比最大（0.9979）、均方根误差最小（0.4748）。（3）基于小波包分析方法对预处理后的振动时域信号进行特征分析,通过比较木材振动信号的特征信息与其声学振动性能之间的联系,可以得出:信号经过预处理后,泡桐和云杉的信号特征与各项声学参数之间的相关性都呈现了增幅的趋势,最大增幅为8.64%;时域特征指标（均方根值、峰值因子、峭度因子）和小波包特征能量率（0～500 Hz、500～1000 Hz频带）均与木材的声学振动参数（动态弹性模量E、声辐射品质常数R、声转换效率v/（σ·ρ）、声阻抗ω、声衰减系数σ及每周期能量损耗tanσ/E）存在显着的相关性,相关系数为0.702～0.942,其中信号的特征指标与声转换效率v/（σ/ρ）和每周期能量损耗tanσ/E的相关性相对较好。（4）基于matlab软件采用BP神经网络算法,构建了木材振动信号特征信息预测其声学品质的等级分类模型,对所构建的BP神经网络的乐器木材声学品质等级预测进行验证,泡桐和云杉木材声学品质等级分类预测的正确识别率均为93.3%,验证结果表明:通过振动信号的特征信息对木材声学品质等级进行预测所获取的验证误差较小,验证结果能够充分说明此网络对于木材声学品质分类具备较佳的预测性。
容毅标[3]（2020）在《卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析》文中提出随着现代社会的发展,眼病患者的数量呈现出一种不断增长的趋势。这势必会导致医生的负担也不断增加。因此,研究开发计算机辅助眼病诊断系统意义重大:一方面它可以辅助医生进行诊断,减轻医生负担,提高诊断效率;另一方面它可以为患者提供早期病变信息,从而做到及早发现及早治疗。在一个计算机辅助眼病诊断系统中,图像分类、分割及回归分析是其重要的功能组成部分。本文基于卷积神经网络,分别围绕这三个问题展开研究。针对分类问题,本文提出了一个代理辅助的视网膜光学相干断层扫描（Optical Coherence Tomography,OCT）图像分类算法,该算法通过代理图像实现数据的扩充和分类。具体的,该算法首先对图像进行降噪处理,接着基于降噪图像提取出前景掩模,并利用降噪图像和前景掩模生成大量原图的代理图像。然后利用代理图像训练卷积神经网络,并利用训练好的卷积神经网络对代理图像进行分类。原图的最终分类结果则由这些代理图像的分类结果的平均值决定。该算法在不同的数据库上进行了测试,并取得了十分有竞争力的结果。针对分割问题,本文结合卷积神经网络与参数主动轮廓模型间的优势,提出了一个梯度向量流网络分割算法。该算法利用梯度向量流作为参考训练卷积神经网络,接着利用训练好的卷积神经网络从原图像中导出一个外力,并利用该外力实现轮廓的初始化,最后该外力被整合到主动轮廓模型中,从而实现最终的目标边缘检测。该算法在不同的眼科医学图像分割任务中进行了测试,包括眼底彩照图像中的视盘分割以及OCT图像中的积液分割。此外,为了说明该算法的通用性,该算法也在超声图像中的胎头分割任务上进行了测试。大量的实验结果表明该算法是十分有效的。针对回归分析问题,本文利用卷积神经网络直接预测OCT图像中的新生脉络膜血管（Choroidal Neovascularization,CNV）的面积,并探讨了输入形态将会对网络的性能造成何种影响。本文收集了4060张B-scan图像对该问题展开了研究。研究发现,与分割法进行对比,直接法所得的结果是十分有竞争力的,尤其是对于那些难以准确分割的情况,分割法通常会失效,而直接法依旧可能会得到准确的预测结果。此外,该研究还发现当对CNV进行有效的增强时,网络的性能将得到提高;当输入中包含的信息达到一定量时,输入的具体形式对网络的性能影响不大,如用图像作为输入和用图像的方向梯度直方图作为输入时的性能差别不大,而用图像的直方图作为输入时,性能则会显着下降。这些发现可以为进一步改善网络的性能提供参考。总的来说,本文的研究对于促进计算机辅助眼病诊断系统的发展具有重要意义。针对分类问题,所提的代理辅助视网膜OCT图像分类算法可以对数据实现有效的扩充。针对分割问题,所提的梯度向量流网络分割算法可以有效整合卷积神经网络与参数主动轮廓模型间的优势,提高分割结果的准确率。针对回归分析问题,研究利用直接法对CNV面积进行预测,这将有助于促进直接法在CNV面积预测中的应用。
李松辉[4]（2017）在《智能化汽车衡称重误差补偿方法研究》文中研究说明汽车衡是生活中不可或缺的计量器具,其计量准确与否直接关系着国民的经济利益。受称重传感器的非线性、秤体的机械变形等影响,汽车衡系统存在非线性误差和偏载误差。现有的误差补偿方法,调节过程复杂,补偿效果较差。针对以上问题,本文以汽车衡的先验知识作为约束条件,构建一种基于权值光滑优化神经网络的汽车衡称重融合方法,建立称重误差补偿模型,提高称重准确度。同时,搭建了基于低功耗单片机MSP430F449为核心处理器的汽车衡称重实验平台。根据《JJG555-1996非自动称通用检定规程》,完成对实验平台的测试,验证了权值约束神经网络算法的可行性与有效性。本文设计的汽车衡包含:调理电路模块、单片机最小系统模块、模数转换模块、接口电路模块和电源模块等。汽车衡工作时,先将载荷加载至承载器上,载荷的重力通过秤台作用于称重传感器,使传感器内部的弹性体产生形变,同时,粘贴在它表面的电阻应变计输出与载荷重量成比例的电压信号。该电压信号经调理电路放大、滤波后,被送至模数转换电路转变为数字信号。处理器对该数字信号做相关运算,从而获得称重结果。同时,为了减小汽车衡的偏载误差和非线性误差,本文建立了一种基于权值光滑约束的神经网络称重误差补偿模型,实验证明了该模型的有效性。在国家标准要求的条件下,对汽车衡称重实验平台进行了偏载误差、重复性误差、示值误差和鉴别力误差的测试。测试结果表明,其最大偏载误差为0.07kg,最大重复性误差为-0.17kg,最大示值误差为-0.18kg,鉴别力为0.2kg,各项主要性能指标均达到国家标准。
王思仪[5]（2014）在《基于多层前向神经网络的矿井巷道摩擦阻力系数的确定》文中认为作为矿井通风理论的基本参数,矿井巷道摩擦阻力系数值对矿井通风管理具有十分重要的作用。多层前向人工神经网络是最常见和最先进的人工神经网络,误差反向传播（BP）算法易于之前,成为第一选择网络。归纳不同巷道摩擦阻力系数的计算公式,用回归方程求解锚喷巷道摩擦阻力系数,并完善其计算公式,为确立矿井巷道的摩擦阻力系数提供较准确的方法。收集通风资料图表,结合实际将公式计算的结果与查阅图表获得的结果进行比较,证明公式的适用性。在完全紊流区,摩擦阻力系数和雷诺数无关,只和管道的相对粗糙度有关。BP神经网络能较好地拟合已知数据,预测功能强。从影响不同支护类型的矿井巷道摩擦阻力系数的因素出发,选择适当的参数作为BP神经网络的输入参数,搜集大量数据,运用BP神经网络模型对不同支护类型的矿井巷道摩擦阻力系数进行模式识别,并运用改进的贝叶斯正则化方法对网络进行训练,对摩擦阻力系数进行预测。采用BP神经网络将网络模拟值与实测值进行比较,误差基本满足工程需要。BP神经网络收敛较速度快,预测精度较高,对矿井巷道摩擦阻力系数的确定发挥重要作用,方便矿山井巷通风安全管理的实现。
杨光友[6]（2006）在《混合粒子群优化及其在嵌入式智能控制中的应用》文中指出本文以基于粒子群优化（PSO）的智能优化方法为基础，对基于神经网络（NN）、模糊逻辑（FL）、模拟退火（SA）等软计算方法的若干混合智能计算方法及其应用进行了系统的理论和实验研究。对粒子群优化算法进行深入研究。提出了粒子群聚集度的概念和全局最优位置变异的改进算法。通过周期性监测粒子群聚集度以维持粒子群的多样性，算法后期对种群最优粒子的位置采取变异策略以增强跳出局部极小的能力。通过对改进算法进一步分析，提出粒子个体最优位置变异的PSO算法，在更大程度上改善粒子群活性，提高算法性能。结合SA优化技术，提出将改进SA算法与标准的PSO算法融合的混合PSO算法。利用SA算法的概率突跳特性，有效避免了PSO算法易陷入局部极值点的缺陷。同时，应用PSO并行优化的特点和采用改进的SA优化机制，克服了SA算法的时间性能差的缺点。计算机仿真实验表明算法是一种非常有效的优化方法。同时，研究表明随机优化搜索算法解的形式和邻域结构对算法的收敛速度和精度有较大影响。基于PSO算法的前向神经网络（FNN）的研究。提出了基于改进的PSO的FNN的学习算法，克服了传统学习算法易陷入局部极值的问题，算法显着的特点是不需要导数信息，具有很强的初值鲁棒性。基于PSO和数值优化方法的FNN的学习算法研究。将具有求取导数信息的局部优化算法与PSO算法结合在一起，其算法具有PSO算法的特点，同时又具有局部搜索速度快的特点。并具有很好的初值鲁棒性。基于PSO的FNN变结构学习算法研究，算法在NN权值优化的同时能够自动确定NN隐层神经元的个数，为NN的设计提供了一种新的方法。结合工业洗衣机模糊控制系统，提出了基于神经网络的工业洗衣机控制器建模方法。基于本文提出的混合PSO算法，提出了一种有效提高NN泛化性能，减小泛化误差的NN训练策略。研究了基于NN的工业洗衣机的学习功能及其实现方法，以及工业洗衣机基于NN的洗涤转速设计及均布过程的控制的方法。提出了工业洗衣机的嵌入式智能控制系统的总体解决方案，研究了系统任务模块划分以及系统的数据流图，建立了基于ARM芯片的硬件平台以及基于μC／OS-Ⅱ实时操作系统的软件平台。研究了NN智能控制在嵌入式软硬件平台下的实现机制。同时，还研究了嵌入式系统人机界面友好操作面板的实现。
李望晨[7]（2006）在《BP神经网络改进及其在手写数字识别中的应用》文中研究表明手写数字识别技术是近年来研究的热点。传统数字识别方法中,模版法只能适用于印刷体数字;统计决策法很难反映模式的精细结构特征;句法结构法抗干扰能力太弱等。本文中采用BP神经网络进行手写体数字识别,应用网络极强的非线性数据处理能力和容错能力,仅需要把经过预处理和特征提取的大量样本数据矩阵输入给网络就可以得到数字类别输出。但是传统BP神经网络有缺陷无法直接使用,各种网络参数的选择和确定非常复杂而且关键,文中分别对基于梯度下降方式的改进和数值优化思想的改进两大方面进行了分析探讨,通过一个故障模式识别仿真实验来研究不同改进算法的训练和识别性能,基于梯度方式的动量项自适应学习率算法训练非常平稳易于控制训练,识别性能较好,但对于大规模网络训练较慢。基于数值优化的LM-BP算法训练快而且识别性能最好,但训练不易控制且需要较大计算机内存。本文在256M计算机内存环境下使用不同隐节点选取和几种改进方式进行改进BP神经网络手写数字识别实验。由于手写体数字样本的特殊性,文中详细探讨了细化预处理方法和结构特征提取方式。接下来从样本集中选取600组较规范手写体数字样本,经过样本预处理和特征提取后建立网络,选用一种13维样本结构特征向量来反映样本信息。根据MATLAB7.0编程,经过训练和识别测试,隐节点数目采用经验公式选27个节点时性能最好。梯度改进方式中的动量项自适应学习率算法和基于数值优化的LM-BP算法各种性能非常好,训练很快而且识别率最高,识别率能达到90%。文中以图表的形式作了比较。
刘碧瑶[8]（2006）在《基于BP神经网络的住院费用建模研究》文中提出近年来,医疗费用急剧上涨,高额的医疗费用特别是住院费用给老百姓带来了严重的经济负担,如何有效控制住院费用的上涨成为研究者关心的问题。控制住院费用应该从其影响因素着手,通过建立有效的住院费用拟合模型,对住院费用及其影响因素的关系进行分析,这是对住院费用进行研究的关键。目前最常用的住院费用建模分析方法为多重线性回归,但是它对资料有一定的要求,如独立性、正态性、方差齐性、线性等,而住院费用及其影响因素之间可能存在非线性关系。各影响因素之间也可能存在多重共线性,因此应考虑采用另外一种适合住院费用数据特征的建模方法。 人工神经网络,简称为神经网络,是一种模拟生物神经元工作方式的数学模型,在多个学科领域被广泛应用于模式识别,预报预测,数值逼近等。反向传播（Backpropagation,BP）神经网络是神经网络中的一种,它是一种多层感知机（multilayer perceptron）,因网络权值的调整规则采用误差反向传播算法,即BP算法而得名,是神经网络中目前发展最成熟,应用最广泛的网络模型。理论上证明,对于任何在闭区间内的一个连续函数都可以用具有一个隐含层的BP神经网络来实现N维到M维的任意精度的函数逼近。由于标准的BP算法存在着收敛速度慢,极易陷入局部极小点以及网络推广能力差等缺点,90年代以来,各种针对标准BP算法进行改进的优化算法相继提出,使得BP神经网络得以在应用和推广性能上更趋完善。 由于BP神经网络对于资料的类型、分布等无任何要求,且具有一定的容错性,能通
陈柳[9]（2006）在《小波分析和神经网络应用于大气污染预测的研究》文中研究说明小波分析和神经网络在近些年进展非常迅速,研究表明,小波分析和神经网络在许多领域具有广阔的应用潜力。作者应用小波分析和神经网络的方法对大气污染预测进行了深入的研究,拓宽了小波分析和神经网络在大气污染预测中的应用范围,完善了在大气污染预测中的应用方法,为进一步有效、快速、方便地分析和预测大气污染物浓度提供了全新的思路和方法。 首先应用小波分解后的最高层低频信号的重构,清晰地判断出大气污染物浓度的年变化规律,应用小波分解后的最低两层高频信号的重构清晰地判断大气污染物浓度时间序列的突变点。 第二,提出把小波分析和时间序列相结合的预测模型应用于大气污染物浓度预测。利用小波分解将大气污染物浓度时间序列分解到不同频率通道上,再分别考虑用相应的时间序列模型进行预测,最后再合成得到原时间序列的预测值。这种小波时间序列的方法可有效解决时间序列模型对非线性、非平稳复杂时间序列效果欠佳的缺点,并可实现多步预测。 第三,对神经网络预测模型的输入样本进行研究,应用大气污染气象学原理分析并确定神经网络预测模型的输入变量,采用主成分分析进行输入变量降维。 第四,提出一种全新的分段BP神经网络预测模型。通过小波分解和重构对大气污染物浓度时间序列的年变化趋势进行分段,在此基础上,对各段有针对性地设计了神经网络预测模型,采用了“提前停止”,“贝叶斯正则化法”及“神经网络集成”等方法进一步提高预测网络的推广能力。通过实例分析,该预测模型具有预测精度较高,适应范围较广,计算速度较快等优点。 最后,在分析“松散型”小波网络特性的基础上,提出将“分解-重构-预测”小波网络应用于大气污染物浓度预测,采用分解后的小波系数再重构到原尺度上,并对低频、中频小波系数序列采用考虑气象因素的神经网络预测模型,对高频小波系数序列采用不考虑气象因素,而是将前几日的小波系数值作为输入的神经网络模型,最后再将各小波系数序列预测值合成得到原序列的预测值。通过实例分析,模型预测精度较高,适应范围较广。
徐佩华[10]（2006）在《基于人工神经网络方法的锦屏一级水电站枢纽区高边坡稳定性分区研究》文中研究说明论文以“广义系统科学”和“地质过程机制分析与定量评价”学术思想为指导思想,在地质分析的基础上对锦屏Ⅰ级水电站枢纽区高边坡稳定性进行分区研究。论文构建了15-31-7结构的BP人工神经网络及15-7结构的概率神经网络,用该网络对锦屏一级水电站枢纽区高边坡稳定性进行了预测,并将其结果与工程地质分析法、极限平衡法、数值模拟法计算的结果进行了比较,认为人工神经网络法计算的结果是可靠的。论文对V#线下游左岸边坡、右岸普斯罗沟工程边坡在不同条件下的稳定性进行了充分、系统的研究,这些都可直接作为施工期和运行期边坡稳定性研究阶段的成果,同时也是为今后其它水电站的修建提供范例,为高陡边坡研究进行探索,对锦屏一级水电站的修建和边坡工程的研究都有实际意义。
二、权值光滑BP算法:一种改善网络推广性能的方法（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、权值光滑BP算法:一种改善网络推广性能的方法（论文提纲范文）
（1）基于PSO-BP神经网络的滚动轴承故障预测技术研究（论文提纲范文）
| 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 故障预测技术研究进展 |
| 1.2.2 PSO-BP神经网络的研究现状 |
| 1.3 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 |
| 2 滚动轴承的故障特征及振动机理 |
| 2.1 滚动轴承的故障特征 |
| 2.1.1 滚动轴承的结构 |
| 2.1.2 滚动轴承的故障类型 |
| 2.1.3 轴承故障检测方法 |
| 2.2 滚动轴承的振动机理 |
| 2.3 滚动轴承的特征频率 |
| 2.3.1 滚动轴承的固有振动频率 |
| 2.3.2 滚动轴承的故障特征频率 |
| 2.4 本章小结 |
| 3 基于小波包变换的滚动轴承故障特征提取 |
| 3.1 小波变换理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.2 硬件平台与测试数据 |
| 3.3 小波包的滚动轴承故障特征提取 |
| 3.3.1 小波包的基本原理 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 基于小波包变换的故障特征提取 |
| 3.4 本章小结 |
| 4 基于PSO-BP神经网络的滚动轴承故障预测技术 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络的结构 |
| 4.1.2 BP网络的学习算法 |
| 4.1.3 BP神经网络的局限性 |
| 4.2 粒子群优化BP神经网络 |
| 4.2.1 粒子群算法的原理 |
| 4.2.2 粒子群优化算法流程 |
| 4.2.3 PSO算法优化BP神经网络 |
| 4.3 基于PSO算法的BP神经网络预测模型的建立与仿真 |
| 4.3.1 训练样本和测试样本的提取 |
| 4.3.2 BP网络故障预测模型 |
| 4.3.3 PSO-BP网络故障预测模型 |
| 4.4 仿真结果对比 |
| 4.5 本章小结 |
| 5 滚动轴承故障预测系统的建立 |
| 5.1 MATLAB GUI设计 |
| 5.1.1 GUI简介 |
| 5.1.2 GUI的开发过程 |
| 5.2 预测系统界面结构组成 |
| 5.3 预测系统各模块设计 |
| 5.3.1 轴承振动信号模块设计 |
| 5.3.2 轴承故障特征提取模块设计 |
| 5.3.3 PSO-BP轴承故障预测模块设计 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（2）基于小波包分析及神经网络的木材声学振动信号的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 乐器振动特性与乐器选材的研究 |
| 1.2.2 乐器声学品质的评价方法研究现状 |
| 1.2.3 小波分析应用于木材振动信号分析的发展现状 |
| 1.2.4 神经网络应用于木材振动信号分析的发展现状 |
| 1.3 研究的目的及意义 |
| 1.4 研究的主要内容 |
| 1.5 研究的技术路线 |
| 2 试验材料与方法 |
| 2.1 试验材料与设备 |
| 2.1.1 试验材料 |
| 2.1.2 试验设备 |
| 2.2 木材声学性质测定 |
| 2.3 小波分析理论 |
| 2.3.1 小波变换及其时频特性 |
| 2.3.2 多分辨率分析 |
| 2.4 小波包分析 |
| 2.4.1 小波包分析原理 |
| 2.4.2 小波包算法 |
| 2.4.3 小波包分解能量特征提取算法 |
| 3 基于小波去噪的木材声学振动信号的预处理 |
| 3.1 小波降噪原理 |
| 3.2 木材振动信号的小波去噪 |
| 3.2.1 小波基函数的选取 |
| 3.2.2 小波阈值降噪 |
| 3.2.3 阈值函数的选取 |
| 3.3 木材振动信号的降噪实现 |
| 3.3.1 不同阈值原则的降噪效果比较 |
| 3.3.2 不同分解尺度、层数的降噪效果比较 |
| 3.4 本章小结 |
| 4 基于振动信号的木材声学振动性能相关性分析 |
| 4.1 木材振动信号的时域分析 |
| 4.1.1 时域分析方法 |
| 4.1.2 振动信号的时域特征与动态弹性模量之间的关系 |
| 4.1.3 振动信号的时域特征与声辐射品质常数之间的关系 |
| 4.1.4 振动信号的时域特征与声转换效率之间的关系 |
| 4.1.5 振动信号的时域特征与声阻抗之间的关系 |
| 4.1.6 振动信号的时域特征与声衰减系数之间的关系 |
| 4.1.7 振动信号的时域特征与每周期能量损耗之间的关系 |
| 4.1.8 振动信号的时域特征与综合声学性能之间的关系 |
| 4.2 基于小波包的木材振动信号特征分析 |
| 4.3 振动信号的能量率与木材声学振动性能的相关性分析 |
| 4.3.1 能量率与动态弹性模量之间的关系 |
| 4.3.2 能量率与声辐射品质常数之间的关系 |
| 4.3.3 能量率与声转换效率之间的关系 |
| 4.3.4 能量率与声阻抗之间的关系 |
| 4.3.5 能量率与声衰减系数之间的关系 |
| 4.3.6 能量率与每周期能量损耗之间的关系 |
| 4.3.7 能量率与综合声学振动性能之间的关系 |
| 4.4 预处理结果的比较 |
| 4.5 本章小结 |
| 5 应用人工神经网络对木材振动信号模式识别 |
| 5.1 人工神经网络基础理论 |
| 5.2 BP神经网络 |
| 5.2.1 BP网络结构与学习规则 |
| 5.2.2 BP算法的不足 |
| 5.2.3 标准BP算法的改进 |
| 5.3 应用BP神经网络对木材振动信号进行模式识别 |
| 5.3.1 建立模式识别的BP神经网络 |
| 5.3.2 模式识别网络的训练及仿真 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学 学术硕士学位论文修改情况确认表 |
（3）卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状概述 |
| 1.3 本文工作 |
| 1.4 本文组织 |
| 第二章 卷积神经网络简介 |
| 2.1 发展历程 |
| 2.2 单层感知机与前馈神经网络 |
| 2.3 BP算法 |
| 2.4 卷积神经网络 |
| 第三章 基于代理辅助的视网膜OCT图像分类 |
| 3.1 背景介绍 |
| 3.2 方法介绍 |
| 3.2.1 OCT图像去噪 |
| 3.2.2 掩模提取 |
| 3.2.3 产生代理图像 |
| 3.2.4 集成分类 |
| 3.3 结果分析 |
| 3.3.1 数据及性能指标 |
| 3.3.2 网络结构及运行环境 |
| 3.3.3 算法参数分析 |
| 3.3.4 算法在公开数据库的性能 |
| 3.4 讨论与总结 |
| 3.4.1 去噪的有效性 |
| 3.4.2 集成分类的有效性 |
| 3.4.3 代理图像的有效性 |
| 3.4.4 在三维图像上的性能 |
| 第四章 基于梯度向量流网络的眼科图像分割 |
| 4.1 背景介绍 |
| 4.2 相关工作 |
| 4.3 方法介绍 |
| 4.3.1 主动轮廓模型 |
| 4.3.2 梯度向量流网络 |
| 4.3.3 基于外力幅度的轮廓初始化 |
| 4.4 结果分析 |
| 4.4.1 数据 |
| 4.4.2 性能指标 |
| 4.4.3 训练细节及参数设置 |
| 4.4.4 时间成本分析 |
| 4.4.5 性能分析 |
| 4.4.6 与经典外力间的比较 |
| 4.4.7 与专设算法的对比 |
| 4.5 讨论与总结 |
| 4.5.1 改善外力 |
| 4.5.2 参考外力对性能的影响 |
| 4.5.3 噪声对算法性能的影响 |
| 第五章 基于直接法的回归分析:CNV面积预测 |
| 5.1 背景介绍 |
| 5.2 方法介绍 |
| 5.2.1 降噪与噪声图像 |
| 5.2.2 目标增强图像 |
| 5.2.3 手工特征 |
| 5.3 结果分析 |
| 5.3.1 实验数据 |
| 5.3.2 网络参数及训练细节 |
| 5.3.3 性能指标 |
| 5.3.4 性能分析 |
| 5.3.5 不同输入对性能的影响 |
| 5.4 讨论与总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 博士期间的主要成果 |
| 致谢 |
（4）智能化汽车衡称重误差补偿方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 汽车衡国内外研究状况 |
| 1.3 汽车衡称重误差补偿方法 |
| 1.4 人工神经网络 |
| 1.5 论文主要工作与结构 |
| 第二章 电子汽车衡系统结构及原理 |
| 2.1 电子汽车衡结构 |
| 2.2 承载器 |
| 2.3 称重传感器 |
| 2.4 接线盒 |
| 2.5 称重显示器 |
| 2.6 电子汽车衡的原理 |
| 2.7 本章小结 |
| 第三章 电子汽车衡称重误差补偿算法研究 |
| 3.1 汽车衡称重误差分析 |
| 3.1.1 汽车衡偏载误差 |
| 3.1.2 称重传感器误差 |
| 3.2 基于传统BP神经网络的汽车衡称重融合方法 |
| 3.2.1 基于传统BP神经网络的汽车衡称重融合算法 |
| 3.2.2 基于传统BP神经网络的汽车衡称重误差补偿方法 |
| 3.3 基于权值光滑约束的汽车衡称重融合方法 |
| 3.3.1 汽车衡受力模型 |
| 3.3.2 基于权值光滑约束的优化算法 |
| 3.3.3 权值光滑约束算法抗干扰能力分析 |
| 3.3.4 权值光滑优化算法实现 |
| 3.3.5 算法时间复杂度分析 |
| 3.4 基于权值光滑约束的神经网络汽车衡仿真实验 |
| 3.4.1 平滑因子ε对权值约束算法的影响 |
| 3.4.2 隐含层神经元个数对算法的影响 |
| 3.4.3 算法的抗干扰性测试 |
| 3.5 本章小结 |
| 第四章 电子汽车衡称重平台实现 |
| 4.1 汽车衡称重系统框图 |
| 4.2 传感器选型 |
| 4.2.1 称重传感器选型 |
| 4.2.2 温度传感器选型 |
| 4.3 系统硬件电路设计 |
| 4.3.1 调理电路设计 |
| 4.3.2 模数转换电路 |
| 4.3.3 单片机最小系统 |
| 4.3.4 电源电路设计 |
| 4.4 系统程序设计 |
| 4.4.1 程序总体架构 |
| 4.4.2 主程序设计 |
| 4.4.3 数据预处理 |
| 4.4.4 权值光滑约束算法设计 |
| 4.5 本章小结 |
| 第五章 汽车衡称重平台性能测试 |
| 5.1 汽车衡主要性能指标 |
| 5.1.1 汽车衡量程 |
| 5.1.2 汽车衡分度值 |
| 5.1.3 准确度等级 |
| 5.1.4 汽车衡最大允许误差 |
| 5.2 汽车衡称重实验平台测试 |
| 5.2.1 偏载误差测试 |
| 5.2.2 重复性误差测试 |
| 5.2.3 示值误差测试 |
| 5.2.4 鉴别力测试 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间参加的项目与发表的论文 |
| 附录B 汽车衡数据采集实物图 |
| 附录C 汽车衡硬件原理图 |
| 附录D 相关算法MATLAB程序 |
（5）基于多层前向神经网络的矿井巷道摩擦阻力系数的确定（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究现状 |
| 1.1.1 矿井巷道摩擦阻力系数研究现状 |
| 1.1.2 人工神经网络研究现状 |
| 1.2 研究意义 |
| 1.3 研究内容与研究技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 2 矿井巷道摩擦阻力的研究 |
| 2.1 矿井通风阻力测量 |
| 2.1.1 倾斜压差计法测定 |
| 2.1.2 测定结果计算 |
| 2.2 计算摩擦阻力系数的基本理论 |
| 2.2.1 风流流态基本理论 |
| 2.2.2 矿井巷道沿程阻力系数影响因素分析 |
| 2.2.3 巷道断面与周界 |
| 2.2.4 风流沿程阻力系数的确定 |
| 2.2.5 紊流状态巷道壁面粗糙度对沿程阻力系数的影响 |
| 2.3 水平巷道的摩擦阻力 |
| 2.3.1 不支护巷道的摩擦阻力 |
| 2.3.2 混凝土或砖砌筑的巷道的摩擦阻力 |
| 2.3.3 架棚支护的矿井巷道的摩擦阻力 |
| 2.3.4 锚喷巷道摩擦阻力系数的确定 |
| 2.4 本章小结 |
| 3 多因素模糊数据处理的神经网络基本理论 |
| 3.1 人工神经网络的概念 |
| 3.2 人工神经网络的应用 |
| 3.3 人工神经网络的基本结构与模型 |
| 3.3.1 人工神经元 |
| 3.3.2 常用的激活转移函数 |
| 3.3.3 单层神经网络模型结构与多层神经网络 |
| 3.3.4 前向神经网络与反馈神经网络 |
| 3.4 人工神经网络的工作方式 |
| 3.4.1 人工神经网络的学习状态 |
| 3.4.2 人工神经网络的工作状态 |
| 3.5 多层前向网络用于模式识别 |
| 3.6 BP神经网络的模型与结构 |
| 3.6.1 BP学习算法 |
| 3.6.2 BP神经网络简介 |
| 3.6.3 BP神经网络在矿井巷道摩擦阻力系数预测中的适用性 |
| 3.6.4 Matlab实现BP神经网络 |
| 3.7 本章小结 |
| 4 BP网络设计 |
| 4.1 BP网络的训练 |
| 4.2 BP网络的层数及输入层节点数 |
| 4.2.1 网络的层数 |
| 4.2.2 输入层节点数 |
| 4.3 BP网络隐含层数目及其节点数的确定 |
| 4.3.1 隐含层数 |
| 4.3.2 隐含层的节点数 |
| 4.4 初始权值 |
| 4.5 修正权值的学习速率及期望误差 |
| 4.6 本章小结 |
| 5 BP网络确定特定支护巷道的摩擦阻力系数 |
| 5.1 木支护巷道摩擦阻力系数的模型 |
| 5.1.1 木支护巷道摩擦阻力系数的识别模型 |
| 5.1.2 木支护巷道神经网络模型训练数据的确定 |
| 5.1.3 验证网络的推广能力 |
| 5.1.4 木支护神经网络模型的权值及门限值 |
| 5.2 钢筋混凝土棚子支护巷道的摩擦阻力系数的模型 |
| 5.2.1 钢筋混凝土棚子支护巷道摩擦阻力系数的识别模型 |
| 5.2.2 钢筋混凝土棚子支护巷道神经网络模型训练数据的确定 |
| 5.2.3 验证网络的推广能力 |
| 5.2.4 钢筋混凝土棚子支护神经网络模型的权值及门限值 |
| 5.3 工字钢支护巷道摩擦阻力系数的模型 |
| 5.3.1 矿井工字钢支护巷道摩擦阻力系数的识别模型 |
| 5.3.2 工字钢支护巷道神经网络模型训练数据的确定 |
| 5.3.3 验证网络的推广能力 |
| 5.3.4 工字钢支护神经网络模型的权值及门限值 |
| 5.4 锚杆支护巷道的摩擦阻力系数的模型 |
| 5.4.1 锚杆支护巷道摩擦阻力系数的识别模型 |
| 5.4.2 锚杆支护巷道神经网络模型训练数据的确定 |
| 5.4.3 验证网络的推广能力 |
| 5.4.4 锚杆支护巷道神经网络模型的权值及门限值 |
| 5.5 锚喷巷道的摩擦阻力系数的模型 |
| 5.5.1 锚喷巷道摩擦阻力系数的识别模型 |
| 5.5.2 锚喷巷道神经网络模型训练数据的确定 |
| 5.5.3 验证网络的推广能力 |
| 5.5.4 锚喷巷道神经网络模型的权值及门限值 |
| 5.6 锚网支护的巷道的摩擦阻力系数的模型 |
| 5.6.1 锚网支护巷道摩擦阻力系数的识别模型 |
| 5.6.2 锚网支护巷道神经网络模型训练数据的确定 |
| 5.6.3 验证网络的推广能力 |
| 5.6.4 锚网支护巷道神经网络模型的权值及门限值 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）混合粒子群优化及其在嵌入式智能控制中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粒子群优化算法 |
| 1.2.2 混合粒子群优化算法 |
| 1.2.3 混合智能系统 |
| 1.2.4 嵌入式智能控制系统 |
| 1.3 课题的提出 |
| 1.4 本文的研究工作与结构安排 |
| 第2章 粒子群优化算法研究 |
| 2.1 引言 |
| 2.2 PSO算法的基本原理 |
| 2.3 标准PSO算法的参数分析 |
| 2.4 PSO和遗传算法的比较 |
| 2.5 具有收敛因子的粒子群优化算法模型 |
| 2.6 粒子群优化算法改进研究 |
| 2.6.1 改进算法的基本原理 |
| 2.6.2 算例及分析 |
| 2.7 粒子个体最优位置变异的粒子群优化算法 |
| 2.8 本章小结 |
| 第3章 混合粒子群优化算法研究 |
| 3.1 引言 |
| 3.2 模拟退火算法 |
| 3.2.1 算法原理 |
| 3.2.2 模拟退火算法关键参数控制 |
| 3.2.3 模拟退火算法的改进 |
| 3.2.4 算法实现 |
| 3.3 混合粒子群优化算法(PSOSA) |
| 3.3.1 PSOSA混合优化算法描述 |
| 3.3.2 PSOSA混合优化策略的效率定性分析 |
| 3.3.3 PSOSA混合优化策略的机制 |
| 3.4 算法数字仿真实验 |
| 3.4.1 实验结果与分析 |
| 3.4.2 与其它改进的PSO算法比较 |
| 3.5 混合优化策略的特点 |
| 3.6 解的形式和邻域结构对优化性能影响的讨论 |
| 3.6.1 解的形式对优化性能的影响 |
| 3.6.2 邻域结构对优化性能的影响 |
| 3.7 本章小结 |
| 第4章 基于粒子群优化的前向神经网络研究 |
| 4.1 引言 |
| 4.2 BP网络及学习算法 |
| 4.2.1 BP网络的结构及数学描述 |
| 4.2.2 BP网络的学习算法 |
| 4.2.3 BP算法存在的问题及改进 |
| 4.3 基于PSO算法的前向神经网络学习算法 |
| 4.3.1 基于标准的PSO算法的FNN学习算法 |
| 4.3.2 基于改进的PSO算法的FNN学习算法 |
| 4.3.3 基于混合PSO算法的FNN学习算法 |
| 4.3.4 仿真结果与分析 |
| 4.4 基于PSO和数值优化方法的FNN学习算法 |
| 4.4.1 Levenberg-Marquardt算法 |
| 4.4.2 PSOBPLM算法的学习流程 |
| 4.4.3 算法的仿真结果分析 |
| 4.5 基于PSO的前向神经网络变结构学习研究 |
| 4.5.1 结构学习算法概述 |
| 4.5.2 学习算法设计 |
| 4.5.3 算法仿真示例 |
| 4.6 本章小结 |
| 第5章 基于神经网络的工业洗衣机建模 |
| 5.1 引言 |
| 5.2 神经网络与模糊系统的等价性 |
| 5.3 基于前向神经网络的工业洗衣机建模 |
| 5.3.1 问题描述 |
| 5.3.2 神经—模糊控制系统 |
| 5.3.3 洗涤水位决策神经模糊控制器 |
| 5.3.4 洗涤时间决策神经模糊控制器 |
| 5.3.5 神经网络训练过程 |
| 5.4 控制器学习功能的设计和实现 |
| 5.5 基于神经网络的洗涤转速设计及均布过程的控制 |
| 5.5.1 基于神经网络的洗涤转速设计 |
| 5.5.2 基于NN的工业洗衣机脱水均布过程控制 |
| 5.6 本章小结 |
| 第6章 工业洗衣机嵌入式智能控制系统实现 |
| 6.1 系统功能分析 |
| 6.2 系统硬件规划 |
| 6.3 系统软件规划 |
| 6.3.1 需求分析 |
| 6.3.2 系统软件结构 |
| 6.4 实时操作系统移植 |
| 6.5 系统图形用户界面实现 |
| 6.5.1 μC/GUI的数据结构 |
| 6.5.2 μC/GUI工作过程分析 |
| 6.5.3 μC/GUI接口 |
| 6.5.4 μC/GUI在μC/OS上的移植 |
| 6.6 系统任务模块划分及功能分析 |
| 6.6.1 系统任务模块划 |
| 6.6.2 任务模块功能分析 |
| 6.7 神经网络智能计算的实现机制 |
| 6.8 本章小结 |
| 第7章 全文总结与研究展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文和参与的科研项目 |
| 获奖证书 |
（7）BP神经网络改进及其在手写数字识别中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及实际意义 |
| 1.1.1 人工神经网络的历史及展望 |
| 1.1.2 手写数字的应用 |
| 1.1.3 手写体数字识别的研究现状 |
| 1.2 本论文所做的工作 |
| 第2章 BP神经网络概述 |
| 2.1 人工神经网络概述 |
| 2.1.1 神经网络基本定义及特性 |
| 2.1.2 学习规则和学习方式 |
| 2.1.3 神经网络处理问题的能力 |
| 2.2 BP神经网络原理及性能 |
| 2.2.1 传统BP神经网算法原理 |
| 2.2.2 BP算法的编程步骤 |
| 2.2.3 传统的BP算法流程图 |
| 2.2.4 BP 神经网络的优良性能 |
| 2.3 本章小结 |
| 第3章 BP神经网络的改进 |
| 3.1 传统BP神经网络的缺陷 |
| 3.2 结构内网络参数确定及改进 |
| 3.2.1 初始权值选取 |
| 3.2.2 隐层及隐节点选取 |
| 3.2.3 目标误差界值 |
| 3.2.4 学习速率确定 |
| 3.2.5 激励函数改进 |
| 3.2.6 性能函数确定 |
| 3.3 基于梯度方法上的改进 |
| 3.3.1 批处理方法 |
| 3.3.2 采用动量项法 |
| 3.3.3 模拟退火和柯西算法 |
| 3.3.4 BI算法 |
| 3.4 基于数值最优化的BP算法 |
| 3.4.1 共轭梯度BP算法 |
| 3.4.2 拟牛顿BP算法 |
| 3.4.3 LM-BP算法 |
| 3.5 几种BP改进算法的仿真结果比较 |
| 3.5.1 识别问题描述 |
| 3.5.2 网络训练部分 |
| 3.5.3 网络测试部分 |
| 3.6 本章小结 |
| 第4章 数字识别部分 |
| 4.1 神经网路模式识别概述 |
| 4.2 预处理工作 |
| 4.2.1 原始样本获取 |
| 4.2.2 定位和切割 |
| 4.2.3 归一化 |
| 4.2.4 二值化 |
| 4.2.5 平滑化 |
| 4.2.6 去噪和细化 |
| 4.3 特征选择和提取 |
| 4.3.1 笔画动态特征 |
| 4.3.2 有效行特征 |
| 4.3.3 结构特征 |
| 4.4 手写体数字的识别过程 |
| 4.4.1 样本获取及处理 |
| 4.4.2 网络建立 |
| 4.4.3 训练和测试的性能比较 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（8）基于BP神经网络的住院费用建模研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 前言 |
| 1.1 研究背景 |
| 1.2 研究目的 |
| 第二章 BP神经网络基本理论 |
| 2.1 BP神经网络结构 |
| 2.2 BP学习算法及原理 |
| 2.3 建模基本步骤 |
| 第三章 资料与方法 |
| 3.1 资料来源 |
| 3.2 资料预处理 |
| 3.3 研究方法及实现软件 |
| 第四章 住院费用建模 |
| 4.1 资料描述性分析 |
| 4.2 住院费用建模基本步骤 |
| 4.3 住院费用建模结果 |
| 4.4 住院费用影响因素分析结果 |
| 第五章 总结与探讨 |
| 5.1 研究主要发现 |
| 5.2 模型优化策略小结 |
| 5.3 有关问题讨论 |
| 5.4 创新点 |
| 5.5 有待进一步开展的研究 |
| 参考文献 |
| 附录 |
| 附录1.MATLAB程序 |
| 程序一、住院费用的BP神经网络拟合模型 |
| 程序二、BP神经网络输入变量的敏感度分析 |
| 附录2.论文发表情况 |
| BP神经网络在医学研究中的应用(综述) |
| 致谢 |
（9）小波分析和神经网络应用于大气污染预测的研究（论文提纲范文）
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 研究和应用现状 |
| 1.2.1 大气污染预报的方法 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.2.4 人工神经网络技术在大气污染预报中的研究现状 |
| 1.3 存在问题 |
| 1.4 本文主要工作 |
| 2 小波分析的基本理论 |
| 2.1 傅里叶变换，窗口傅里叶变换与小波变换 |
| 2.2 小波变换 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.3 常用小波函数 |
| 2.3.1 Haar小波 |
| 2.3.2 Mexican Hat小波 |
| 2.3.3 Morlet小波 |
| 2.3.4 Daubechies(dbN)小波系 |
| 2.4 多分辩分析 |
| 2.5 Mallat算法 |
| 2.6 本章小结 |
| 3 神经网络的基本理论 |
| 3.1 概述 |
| 3.1.1 人工神经元模型 |
| 3.1.2 神经网络的拓扑结构 |
| 3.1.3 神经网络的学习方式 |
| 3.2 误差反向传播神经网络(BP网络) |
| 3.2.1 BP网络模型 |
| 3.2.2 BP算法 |
| 3.2.3 BP网络的局限性 |
| 3.2.4 BP算法的改进 |
| 3.3 BP网络推广能力的提高 |
| 3.3.1 推广误差的偏差-标准差分解 |
| 3.3.2 BP网络推广能力的提高 |
| 3.4 本章小结 |
| 4 小波分析应用于大气污染物浓度时间序列年变化规律和突变特性分析 |
| 4.1 概述 |
| 4.2 资料来源 |
| 4.3 小波分析应用于SO_2浓度时间序列分析 |
| 4.3.1 SO_2浓度时间序列的年变化规律分析 |
| 4.3.2 SO_2浓度时间序列的突变特性分析 |
| 4.4 小波分析应用于PM_(10)浓度时间序列分析 |
| 4.4.1 PM_(10)浓度时间序列的年变化规律分析 |
| 4.4.2 PM_(10)浓度时间序列的突变特性分析 |
| 4.5 本章小结 |
| 5 小波分析与时间序列应用于大气污染物浓度预测 |
| 5.1 概述 |
| 5.2 ARMA模型及其性质 |
| 5.2.1 模型简介 |
| 5.2.2 模型阶数的确定 |
| 5.2.3 模型参数的估计 |
| 5.2.4 模型考核的检验 |
| 5.3 ARIMA模型及其性质 |
| 5.4 小波分析与时间序列应用于大气污染物浓度预测 |
| 5.4.1 小波分析与时间序列应用于大气污染物浓度预测模型 |
| 5.4.2 小波分析与时间序列应用于SO_2浓度预测 |
| 5.5 本章小结 |
| 6 神经网络预测模型输入样本的研究 |
| 6.1 引言 |
| 6.2 预测输入因子的选择 |
| 6.3 数据的标准化 |
| 6.4 数据的主成分分析 |
| 6.4.1 主成分的求法 |
| 6.4.2 主成分的性质 |
| 6.4.3 主成分分析 |
| 6.5 本章小结 |
| 7 大气污染物浓度的分段神经网络预测 |
| 7.1 引言 |
| 7.2 分段神经网络应用于大气污染物浓度预测 |
| 7.2.1 分段神经网络应用于SO_2浓度预测 |
| 7.2.2 分段神经网络应用于PM_(10)浓度预测 |
| 7.3 本章小结 |
| 8 “松散型”小波网络在大气污染物浓度预测中的应用 |
| 8.1 引言 |
| 8.2 小波网络 |
| 8.3 “松散型”小波网络在大气污染物浓度预测中的应用 |
| 8.3.1 “松散型”小波网络 |
| 8.3.2 “分解-重构-预测”小波网络在SO_2浓度预测中的应用 |
| 8.3.3 “分解-重构-预测”小波网络在PM_(10)浓度预测中的应用 |
| 8.4 本章小结 |
| 9 结论 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间发表论文和科研成果 |
（10）基于人工神经网络方法的锦屏一级水电站枢纽区高边坡稳定性分区研究（论文提纲范文）
| 第一章 前言 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外高陡河谷岸坡研究历史及现状综述 |
| 1.2.2 岩质边坡稳定性研究的主要方法 |
| 1.2.3 人工神经网络的国内外研究现状 |
| 1.2.4 人工神经网络存在的问题 |
| 1.2.5 锦屏一级水电站勘测历史与现状 |
| 1.3 主要研究工作及技术路线 |
| 1.4 主要研究成果 |
| 第二章 高陡河谷岸坡的区域地质环境概况及枢纽区地质环境条件研究 |
| 2.1 工程概况及枢纽区自然地理特征 |
| 2.2 河谷地形地貌特征 |
| 2.2.1 区域地形地貌特征 |
| 2.2.2 枢纽区河谷地形地貌特征 |
| 2.3 地层、岩性及地质构造特征 |
| 2.3.1 区域地层岩性及地质构造特征 |
| 2.3.2 枢纽区地层岩性及地质构造特征 |
| 2.3.3 枢纽区岩体卸荷风化特征 |
| 2.4 新构造运动与区域稳定性评价 |
| 2.4.1 新构造运动特征及其强度 |
| 2.4.2 区域构造稳定性评价 |
| 2.5 枢纽区水文地质环境条件分析 |
| 第三章 枢纽区边坡稳定性分区 |
| 3.1 枢纽区各工程边坡简介 |
| 3.2 枢纽区边坡结构类型 |
| 3.3 枢纽区边坡变形破坏特征及基本模式 |
| 3.3.1 枢纽区典型边坡变形破坏特征 |
| 3.3.2 右岸岸坡变形破坏基本模式 |
| 3.3.3 左岸岸坡变形破坏基本模式 |
| 3.4 枢纽区边坡稳定性分区 |
| 3.4.1 稳定性分区的主要因素 |
| 3.4.2 稳定性初步分区 |
| 第四章 BP 神经网络算法的改进研究 |
| 4.1 人工神经网络方法简介 |
| 4.1.1 人工神经网络模型简介 |
| 4.1.2 BP 网络模型简介 |
| 4.2 BP 网络的基本工作原理及过程 |
| 4.3 BP 网络算法的改进研究 |
| 4.3.1 改进的最速梯度下降算法 |
| 4.3.2 基于数值优化方法的网络训练算法 |
| 4.3.3 初始权值和阀值的优化 |
| 4.3.4 误差函数的改进 |
| 4.3.5 同伦BP 算法 |
| 第五章 神经网络模型的构建 |
| 5.1 BP 神经网络模型的详细算法——以弹性算法为例 |
| 5.1.1 BP 神经网络隐含层数的选择 |
| 5.1.2 BP 网络各层权值W、阀值b 初始化详细算法 |
| 5.1.3 应用弹性BP 算法学习BP 网络各层权值W、阀值b 详细算法.. |
| 5.1.4 BP 网络预测详细算法 |
| 5.2 BP 网络流程图——以弹性算法为例 |
| 5.2.1 BP 网络学习过程流程图 |
| 5.2.2 BP 网络预测过程流程图 |
| 5.3 BP 神经网络的程序实现 |
| 5.3.1 程序代码 |
| 5.3.2 程序说明 |
| 5.4 BP 网络各种算法的比较 |
| 5.4.1 训练样本的选取 |
| 5.4.2 各种算法速度的比较 |
| 5.4.3 慢算法中的隐层节点数研究 |
| 5.4.4 同伦算法在慢算法中的应用 |
| 5.4.5 各种算法的仿真测验结果比较 |
| 5.5 概率神经网络的设计 |
| 5.5.1 概率神经网络简介 |
| 5.5.2 概率神经网络的程序实现 |
| 5.5.3 概率神经网络的仿真测验结果 |
| 5.6 本章小结 |
| 第六章 基于人工神经网络方法的枢纽区边坡稳定性研究 |
| 6.1 人工神经网路的参数提取 |
| 6.1.1 枢纽区边坡地下水位变化 |
| 6.1.2 边坡稳定性的影响因素 |
| 6.1.3 边坡稳定性的分级标准 |
| 6.1.4 人工神经网络的参数取值 |
| 6.2 人工神经网络的训练 |
| 6.2.1 训练样本的获取 |
| 6.2.2 BP 网络的RSE 值、参数权重及概率神经网络的扩展参数 |
| 6.3 人工神经网络的预测 |
| 6.3.1 枢纽区边坡输入参数的提取 |
| 6.3.2 网络预测结果分析 |
| 6.4 网络预测结果与工程地质分析法分区结果的对比分析 |
| 6.5 本章小结 |
| 第七章 左岸山梁边坡稳定性研究 |
| 7.1 基本工程地质条件 |
| 7.1.1 左岸Ⅳ-Ⅵ#山梁基本工程地质条件 |
| 7.1.2 左导出口边坡基本工程地质条件 |
| 7.2 左岸Ⅳ-Ⅵ#山梁深部裂缝及其形成回顾 |
| 7.3 左岸山梁失稳模式及边界条件分析 |
| 7.3.1 泄洪雾化下左岸Ⅳ-Ⅵ#山梁整体变形失稳模式及边界条件分析.. |
| 7.3.2 泄洪雾化下左岸Ⅳ-Ⅵ#山梁边坡浅表部失稳模式 |
| 7.3.3 左导出口开挖边坡变形失稳模式 |
| 7.4 左岸山梁稳定性计算 |
| 7.4.1 泄洪雾化对左岸Ⅳ#-Ⅵ#梁稳定性影响分析 |
| 7.4.2 左岸山梁稳定性的极限平衡计算 |
| 7.4.3 左导出口开挖对Ⅳ#-Ⅵ#梁稳定性影响的数值分析 |
| 7.4.4 泄洪雾化下Ⅳ#-Ⅵ#山梁变形稳定性的数值分析 |
| 7.5 左岸山梁边坡常规计算与人工神经网络计算结果的对比分析 |
| 7.5.1 极限平衡法与人工神经网络法计算结果的对比分析 |
| 7.5.2 数值模拟法与人工神经网络法计算结果的对比分析 |
| 7.6 右岸普斯罗沟工程边坡计算结果 |
| 7.7 本章小结 |
| 第八章 结论与建议 |
| 8.1 主要结论 |
| 8.2 对后续研究的建议 |
| 附图 |
| 参考文献 |
| 致谢 |
| 摘要 |
| 成果 |
四、权值光滑BP算法:一种改善网络推广性能的方法（论文参考文献）
- [1]基于PSO-BP神经网络的滚动轴承故障预测技术研究[D]. 苏昕. 中北大学, 2021(09)
- [2]基于小波包分析及神经网络的木材声学振动信号的研究[D]. 尹玉雪. 东北林业大学, 2021
- [3]卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析[D]. 容毅标. 苏州大学, 2020(06)
- [4]智能化汽车衡称重误差补偿方法研究[D]. 李松辉. 湖南师范大学, 2017(06)
- [5]基于多层前向神经网络的矿井巷道摩擦阻力系数的确定[D]. 王思仪. 辽宁工程技术大学, 2014(03)
- [6]混合粒子群优化及其在嵌入式智能控制中的应用[D]. 杨光友. 武汉理工大学, 2006(05)
- [7]BP神经网络改进及其在手写数字识别中的应用[D]. 李望晨. 哈尔滨工业大学, 2006(04)
- [8]基于BP神经网络的住院费用建模研究[D]. 刘碧瑶. 浙江大学, 2006(08)
- [9]小波分析和神经网络应用于大气污染预测的研究[D]. 陈柳. 西安建筑科技大学, 2006(09)
- [10]基于人工神经网络方法的锦屏一级水电站枢纽区高边坡稳定性分区研究[D]. 徐佩华. 吉林大学, 2006(10)