一、四层前向神经网络作为通用逼近器的一致性分析(英文)（论文文献综述）
张景宣[1]（2021）在《序列到序列的语音生成声学模型研究》文中认为序列到序列模型是一类深度学习统计模型,可以用于对给定输入序列下输出序列的条件概率进行建模。近年来,序列到序列模型在众多领域的应用表现出众,包括语音识别、自然语言处理等任务。随着谷歌研究人员于2017年提出Tacotron模型以后,序列到序列声学模型被广泛应用于语音生成任务中,取得了令人瞩目的效果。序列到序列模型相比于传统模型的主要优势在于模型的框架十分灵活,理论上可以对任意性质的序列对之间的关系进行建模。而且序列到序列模型通过自回归的方式对输出序列的概率进行建模,没有隐马尔可夫模型（hidden Markov model,HMM）等序列模型中对于时间条件独立性的不合理假设。序列到序列模型并没有规定模型的每个部分的细节如何构建。任务可以根据输入数据的性质,使用不同神经网络结构构建序列到序列模型中的不同模块,比如长短时记忆网络、卷积神经网络等。语音生成任务赋予机器灵活地生成语音的能力,是人机交互的一个重要环节,具有广泛的应用场景和重要的研究意义。本文关注的语音生成任务主要包含了语音合成、话者转换和发音特征到语音生成任务。不同的任务虽然输入数据的性质有所不同,但是共享相同的任务目标,即生成自然的语音。本文研究的语音生成任务都可以使用序列到序列模型来解决。近年来,序列到序列模型应用于语音生成虽然有了重大进展,但是仍然存在一些问题需要解决。例如序列到序列模型中的注意力机制存在不稳定问题,会造成生成语音发音错误;序列到序列模型尚未成功应用于平行和非平行话者转换任务中;发音特征到语音生成任务面临数据稀疏的问题,等等。本文针对这些问题,围绕序列到序列的语音生成声学模型开展了相关研究,提升了模型在相应语音生成任务上的性能。本文的主要研究内容包括:第一,本文对序列到序列语音合成中的注意力机制进行了研究。序列到序列模型用于语音合成存在稳定性方面问题,经常出现发音错误、重复发音等现象。受到语音合成任务中文本和语音单调性对齐的特点的启发,本文提出一种序列到序列模型中的前向注意力方法。实验证明前向注意力方法可以有效的提升序列到序列语音合成的稳定性。第二,本文对基于序列到序列模型话者转换方法进行了研究。对于平行话者转换任务,本文提出了序列到序列话者转换模型,该模型可以对输入语音的语速等韵律特征进行转换,有效提升了转换语音的自然度和相似度。对非平行话者转换的问题,本文提出了基于特征解耦的序列到序列模型。提出模型利用对抗学习和文本联合空间学习的策略,可以有效分离语音中的说话人信息和语言学信息。该方法用于非平行话者转换,在自然度和相似度上取得了接近于平行序列到序列话者转换的效果。此外本文还提出了基于对抗学习的识别-合成话者转换方法和直接串联自动语音识别-语音合成系统的话者转换方法。第三,本文对发音特征到语音生成任务进行了研究。该研究使用了超声波舌部图像和口唇图像作为发音特征,任务的目标是恢复自然的语音。针对发音特征数据稀疏的问题,本文提出了一种基于语音合成迁移学习的方法,可以有效的提升恢复语音的可懂度和自然度。
王博[2]（2020）在《基于神经网络的云计算程序逻辑混淆方法研究》文中进行了进一步梳理云计算是国家重要信息基础设施,以服务外包的方式为智慧城市、智能制造、金融证券等各个行业提供计算平台支撑。资源所有权和使用权的分离导致了云计算面临严峻信息安全问题。攻击者或者不可信的云计算提供商通过分析和跟踪云端程序的执行过程,能够获取程序的执行逻辑,破坏云端程序执行的机密性。基于私有云的运行时控制流混淆方法（runtime control flow obfuscation,RFCO）将公有云中执行程序的分支语句判断条件移动到私有云中进行评估,而公有云与私有云间的交互产生大量的时间消耗。针对以上问题,本文聚焦于公有云环境执行程序的逻辑保护,提出一种基于神经网络的高效普适程序控制流混淆方法,具体工作如下:针对程序逆向分析而导致云端程序执行逻辑泄露的问题,提出一种基于Soot框架的三地址码程序控制流分割与转换方法,精准抽取程序重要的分支信息,设计了神经网络调用函数替换分支语句的判断条件;提出一种基于神经网络的伪分支语句构造与插入方法,将程序的控制流图复杂化,增大了恶意攻击者阅读和理解程序逻辑的难度;提出一种基于神经网络的程序逻辑混淆框架,根据分支语句的判断条件训练相应的神经网络模型,而神经网络中权值的不可解释性能够有效的保护用户程序逻辑。通过理论分析证明本方案可以抵抗静态逆向分析,且本方案单次分支语句调用的时间开销是RFCO方案的11.51%,具有较小的性能消耗。针对程序执行时的被动监听攻击,提出一种步长阶跃的循环转换方案动态生成步长值;根据前向数据流分析流程,提出一种变量关联关系挖掘算法,抽取出程序语句执行前变量间的约束关系,在执行神经网络调用函数时进行数据流一致性审核,有效检测基于数据修改的主动攻击;提出一种基于缓存机制的云端高效执行方法,提高混淆后程序在云端的执行效率。实验验证所提出的云端高效执行方法将测试程序蒙特卡洛算法估算值的执行时间降低为改进前方案的42.57%。通过理论与实验证明本方案保护用户程序逻辑的同时,用户程序在云端执行的效率较高。基于所研究的方法,搭建了大数据云计算平台,设计和开发了基于神经网络的程序逻辑混淆系统,在测试平台上对方案的可靠性和执行效率进行测试。实验结果表明,本文所提出的控制流混淆方案适用于通用大数据框架Map Reduce和CPU密集型应用程序,针对CPU密集型应用程序,使用本方案混淆的平均性能开销是原程序的1.27倍到2.58倍。
程宇[3]（2020）在《基于强化学习的人群组分割研究》文中认为人群组分割是用于描述人群的整体运动结构的定量描述,使用运动人群中每个运动个体的运动信息、位置关系和与周围个体的交互关系来对每个个体和其他个体之间进行定量评估,将具有相似运动状态的人群,划分为一个小组,从而简化个体之间的复杂交互,为后续的人群研究,是人群追踪、人群异常检测和人群运动预测等后续技术方法的基础。在本文中,我们针对传统的基于粒子模型的人群组分割方法使用手动设置固定参数,从而导致方法对不同场景适应性差、准确率不高的问题,提出了基于强化学习的人群组分割方法,在传统的粒子数学模型基础上,引入强化学习相关模型,实现了以下几个创新点:第一,针对粒子模型算法中需要对近邻进行比对,需要对近邻的数量进行确认的问题,本文提出了速度限制的自然最近邻法,通过运动特征点的空间位置关系和运动速度关系自适应地确定每个点所需要的近邻的数目;第二,构建强化学习模块,使用强化学习对人群组分割方法的关键参数进行自动决策判断,从而自适应地确定最佳的参数,以提升传统方法对不同场景的适应性,从而提升准确率;第三,提出运动人群语义获得的方法,用以辅助强化学习模块的奖励值的定义,并用来实现了像素级别的人群组分割结果。在相关数据集和实际的公安监控场景中我们的方法有效性得到了验证,在相应的实验场景中可以将性能提升10%至15%左右,相关成果发表在ICIP2019。在上述研究的基础上本文提出使用基于深度强化学习的人群组分割方法,尝试使用深度学习的方法对本方法进行改进,实现了两个主要的改进点:第一,使用DQN（Deep Q Network）尝试对多个参数进行自适应决策,从而进一步提升了人群组分割结果的细节;第二,使用Mask RCNN对运动人群语义提取进行改进和优化,使运动人群语义更加细致,从而也通过对奖励值的定义的影响进一步提升强化学习模块的性能2%至5%左右。综上,本方法提出了一种基于强化学习的人群组分割方法实现了传统粒子模型方法的参数决策问题,提升了面对不同场景时的适应性和鲁棒性,得到了像素级别的分割结果并提升了分割结果的准确性。
郝博超[4]（2019）在《基于径向基神经网络的入侵检测系统》文中研究表明伴随着信息革命浪潮的继续推进,网络得到了迅猛的发展。互联网的普及率和网民数量已经达到了历史同期的最高峰,人们足不出行就可以在各种网络平台上网购衣服、点外卖、预约酒店、订机票等享受各种便利。人们在享受着网络发展在衣、食、住、行等各个方面带来巨大好处的同时,不可避免的也面临着各种严峻的网络安全问题。早年间,防火墙技术作为主要的网络安全防护手段,由于它不能抵御网络内部攻击和不能实时检测的局限性,促使了入侵检测技术的诞生。基于入侵检测技术而发展出来的入侵检测系统,在实时检测和对网络内部攻击识别等两个方面的突出表现,有效的解决了防火墙技术所存在局限性。现如今面对日趋复杂的网络环境,传统的入侵检测技术也存在着识别的类型减少、识别的精度下降等种种问题。为了应对入侵检测领域所存在的这些问题,利用人工神经网络自学习的优势,将入侵检测和人工神经网络有机的结合起来,已成为网络安全领域研究的一个重要分支。本文着眼于网络安全领域这个重要的研究方向,研究了基于径向基神经网络的入侵检测技术,并设计和实现了基于径向基神经网络的入侵检测系统。论文的主要工作包括以下四个方面:（1）介绍了当今网络安全形势和入侵检测技术的国内外研究现状,对入侵检测的技术、入侵检测系统以及人工神经网络进行了探究和总结。同时,对径向基神经网络的基函数、网络结构以及相关学习算法进行了系统的研究。依据KDD CUP 99数据集的分布情况,对训练数据和测试数据进行了选取,并对所选取的数据进行了预处理。（2）为了解决基于梯度下降学习算法的径向基神经网络稳定性差的问题,从该模型参数初始值选取范围这一方面着手,采用离群点检测算法对参数基函数中心初始值选取的范围进行有效的缩减,并使用相同的数据进行实验测试。实验表明,与传统的基于梯度下降学习算法的径向基神经网络相比,在检测的准确率和稳定性这两个方面都有所提高。（3）为了使训练数据具有更加优异的训练效果,提高入侵检测的准确率,降低误报率和漏报率,对基于k-means聚类学习算法的径向基神经网络模型的训练数据进行离群点检测,并进行实验测试。实验表明,准确率更高,整体效果更好。（4）设计并实现了基于径向基神经网络的入侵检测系统,其中系统后台和前端的构建分别是基于Java和HTML来实现的,该系统可以使用径向基神经网络模型对数据集进行入侵检测,并将所预测的类型和相应的数据集内容一同展示在最终的检测页面上。
闫岩[5]（2019）在《基于探索噪音的深度强化学习》文中研究指明结合深度神经网络和强化学习方法的深度强化学习算法在模拟真实场景的任务上取得了令人瞩目的成就。深度强化学习算法利用深度神经网络具有的高级感知能力和强化学习算法具备的自主决策能力,在不需要对环境数据进行复杂的人工预处理情况下,能够让智能体从环境中直接进行自主学习。然而如何维持“探索和利用”的平衡成为深度强化学习领域的一个热点问题。传统深度强化学习算法采用在动作空间的抖动方式探索,导致决策效率较低,智能体不能做出合理的决策。本文着眼于大规模样本空间下,深度强化学习算法中的探索问题,将噪音机制和深度强化学习相结合,提出了使用探索噪音的深度强化学习,主要研究内容可以概括为以下三部分:（1）使用确定性策略梯度的深度强化学习算法通过奥恩斯坦-乌伦贝克（Ornstein-Uhlenbeck,OU）噪音建立起时间和动作之间的联系以保证智能体具备探索的能力。虽然OU噪音的引入让行为策略具备了随机性,但是其探索并没有合理利用到动作的一致性以及最优性。针对此问题,将策略空间的噪音引入到深度确定性策略梯度算法中,提出了一种基于阈值探索的深度确定性策略梯度算法——TE-DDPG。从理论上分析了在策略空间探索的优势、设计合理的探索时机以及探索方法,并在一系列复杂的仿真控制模拟环境下实验,证明了算法的优越性。（2）当深度强化学习算法仅采用前馈神经网络时,难以处理不同状态之间的相关性。此外,在使用具有一定深度的神经网络作为函数近似器时,微小的权重变化会使网络输出产生巨大的差异,从而导致智能体做出的决策具有一定的偏差。针对这些问题,提出了一种使用探索噪音的深度循环Q网络模型——EN-DRQN,并在一系列复杂的视频游戏上进行验证以说明模型的有效性。（3）在置信区间策略优化算法中,以参数化策略的输出作为动作的均值,利用一定的方差进行高斯抖动让智能体具备从环境中探索的能力,然而这种抖动方式仅能在产生动作的周围做微小的震荡,其探索能力不足,导致智能体和环境交互的过程中难以挖掘更加有用的信息。针对此问题,提出一种使用自适应探索噪音的置信区间策略优化算法——TRPO-AEN,该算法融合了等向同规模探索的噪音和定向可扩展的噪音,通过每个情节的累计奖赏值来协调二者之间的探索与利用。对于参数化的噪音策略,利用策略梯度的方式进行更新。一系列的实验结果表明,智能体在每情节的奖赏获得了进一步的提升。
潘锐[6]（2014）在《火电机组锅炉燃烧系统建模与优化研究》文中进行了进一步梳理随着“节能减排”政策要求加强,在保证安全生产和满足负荷需求前提下,应努力提高火电厂运行效率、降低煤耗,控制并减少污染排放。本文针对火电厂锅炉燃烧系统进行了基于数据驱动的建模和优化研究。本文以中国华电一300MW机组为研究对象,给出了电厂锅炉的数据采集、预处理、优化指标选取的步骤和神经网络稳态建模过程及其评价。以降低单位相对煤耗和降低氮氧化物（NOx）排放量两者兼顾做为锅炉优化运行的评价指标。在两个典型负荷处分负荷点建模。比较了不同的神经网络建模训练算法的异同并对其泛化能力进行了评价。对电厂锅炉运行这一非线性动态工业过程,讨论和研究了在离散状态下一种基于数据驱动的建模方式,通过对锅炉燃烧过程的稳态建模和动态建模区别对待,给出了稳态和动态相结合的建模思想。给出了稳态过程和动态过程的定义、辨识方法、增益计算方法。在前向神经网络只能构建稳态模型和现场采集得到的数据存在动态特性的情况下,给出一种前向神经网络和一阶自回归模型相结合的混合模型。一阶自回归模型的存在使该混合模型能够描述动态特性,并推导出了其训练算法。将该模型运用到了火电厂的氮氧化物排放量建模中并对其建模能力进行了评价。结果表明加入的一阶自回归模型能够使混合模型提高拟合精度,说明在氮氧化物的形成过程中存在动态特性。最后采用遗传算法得到了两个典型负荷下的以降低煤耗和降低氮氧化物为目标的优化结果,基于神经网络模型得到了优化结果。并在滤除氮氧化物排放量数据中存在的扰动后得到了新的优化结果。对基于不同的模型得到的优化结果进行了比较和分析。结合现场数据给出了氮氧化物排放量相对增益计算的分析结果。利用数据库和动态网页技术制作了优化结果发布的动态网页,用以指导电厂机组人员对机组进行优化运行。
曹淑霞[7]（2010）在《一类信息融合NFE模型逼近通用性研究》文中研究指明模糊推理（FR）、专家系统（ES）、神经网络（NN）作为三大智能技术,相互集成和融合,构造了各种高性能智能系统,并广泛应用在各种多源信息融合系统中,近代信息融合系统研究离不开三大智能技术。目前提出的各种融合算法已有几十种,但智能化的融合算法的基本框架研究仍然处于空白,而且目前尚没有通用的、透明的智能化信息融合模型。本文将重点研究一种基于NN、ES、FR三大技术相结合的完备的三维模型即NFE模型的逼近通用性能和泛化能力。首先介绍了三大智能技术相互集成和融合的研究现状和相关理论,阐述了两两结合的二维模型缺乏综合性问题的处理、演绎、归纳等能力,并分析提出三维完备的智能化信息融合模型的必要性和可行性。其次研究了一类信息融合NFE模型,借助Weierstrass定理详细分析了此模型可以以任意的精度逼近任意的非线性系统,具有逼近通用性,可看作是一类完备的智能化通用逼近器,适用于处理复杂环境背景下的不确定信息的融合处理。此外分析了NFE模型具有较好的泛化能力,并用此模型仿真逼近非线性函数,与其他模型进行比较分析。最后,将信息融合NFE模型运用于双基地高频地波雷达航迹起始,利用数据的位置信息作为专家系统的判决条件来选择相应的输入变量的隶属度函数,建立径向速度变化量、雷达反射截面积变化量及信杂比幅度作为模型的输入变量,而回波量测作为更新点迹的可信度用作输出变量的模糊关系,为双基地高频地波雷达航迹起始提供了一个全新的方法。
叶涛[8]（2007）在《基于机器学习的软测量技术理论与应用》文中进行了进一步梳理世界是普遍联系的,并且以某种形式表现出来,这是本课题研究的基本哲学基础。这种普遍联系在数学家的眼里就是一种映射关系,或者说是函数关系。在信息时代里,这种映射关系蕴涵于成千上万的数据中。本文研究的软测量技术就是要寻找埋藏于数据中的各种函数关系。在当今以信息技术带动工业化发展的时代,仪器仪表和测试技术是信息科学技术的重要组成部分。现代社会,随着人们对产品质量要求的提高和人们安全意识与环保意识的提高,对各类测试仪器、检测仪器和分析仪器的需求日益增加。软测量技术是各类综合指标测试仪器、检测仪器和分析仪器的基础技术。此外,作为传统仪器仪表的重要补充,软测量技术在工业测控领域也具有广阔的应用前景。软测量技术研究对仪器仪表和测控技术的发展具有重要意义。通常,实际工业过程具有复杂非线性特性和存在大量噪声干扰,这限制了基于机理分析、多元线性回归和神经网络等传统软测量技术的应用。为了克服传统方法的局限性,本课题着重研究基于机器学习理论的、具有好的泛化能力和鲁棒性的非线性软测量建模方法。在保证模型泛化能力和鲁棒性的前提下,研究可以提高建模效率的改进实现算法。本课题的主要研究工作和成果有:（1）对传统k-最近邻（kNN）算法进行近邻距离定义的改进,用属性加权距离取代标准欧氏距离。进而,基于改进kNN算法提出了一种数据集剪辑算法,用于滤除矛盾数据样本。针对中大规模数据集提出了一种快速kNN算法,运行速度仅与最近邻数k值和数据集维数n值有关。通常,运行速度较传统算法可提高几倍至十几倍。对于局部学习算法的研究,最近邻子集的快速搜索算法研究具有普遍意义。（2）研究基于多神经网络的软测量建模方法,旨在提高工业环境下软测量模型的鲁棒性和泛化能力。提出了一种以聚类子簇数据作为验证数据集（而非训练数据集）的多神经网络,并将其用于构造两层结构多神经网络模型。针对纸浆Kappa值数据集,使用单一神经网络、两类单层多神经网络和两层多神经网络等四种模型进行软测量建模对比实验。实验结果表明,两层多神经网络模型的鲁棒性和泛化能力优于其他三种模型。（3）将软间隔支持向量机回归算法用于软测量建模。给出了两个版本的ε-SVMR算法,同时给出了该算法的通用二次规划（QP）解算器和序贯最小优化（SMO）两种实现方法。针对纸浆Kappa值数据集进行两个仿真实验,分别研究ε-SVMR算法的自由参数对模型预测性能的影响和ε-SVMR算法两种实现方法的建模效率。主要结论是,基于SMO算法的SVM方法尤其适用于中大规模实际工业过程的软测量建模。（4）研究了时间序列的两种预测建模方法,即样本扩展TDNN方法和特征扩展SVM方法。两种建模方法分别基于过程时间序列的样本扩展数据集和特征扩展数据集。对于制浆蒸煮过程时间序列的仿真实验表明:多步预测的性能优于单步预测的性能,尤其对于样本序列较少的情形;特征扩展SVM方法的性能优于样本扩展TDNN方法的性能,尤其对于单序列输入的情形。（5）对过程神经网络（PNN）进行理论研究,揭示了过程神经元和传统神经元间的联系。指出了过程神经元可用传统神经元进行无限逼近,给出了两个逼近定理和证明,以及相关的两个推论。针对模拟产生的正弦波编码信号集进行仿真实验,研究过程神经网络的预测建模性能。实验得出的主要结论是,过程神经网络对于白噪声具有很好的抑制作用,从而增加了模型的鲁棒性。但其使用需要选取用于基展开的正交基函数系。（6）引入信号内积和范数的定义,提出了一种新的过程式输入学习算法,即过程支持向量机（PSVM）。针对模拟产生的正弦波编码信号集进行仿真实验,并将实验结果和过程神经网络的实验结果进行比较。PSVM方法的使用比较方便,可以避开正交基函数系的选择问题。当噪声幅度较小时,PSVM方法的表现优于PNN方法;当噪声幅度变大时,PSVM方法的表现稍差于PNN方法,但可通过对信号进行类似于PNN方法的基展开截频处理提高其预测性能。关于PNN和PSVM学习方法的研究为过程式输入的软测量建模提供必要的理论基础。本课题研究取得的创造性成果有:（1）提出了一种基于改进kNN算法的数据集剪辑算法,用于滤除数据集中的大误差样本。（2）提出了一种快速kNN算法,对于局部学习（消极学习）算法的研究具有普遍意义。（3）提出了一种以聚类子簇数据作为验证数据集（而非训练数据集）的多神经网络模型,用于构建泛化能力好的预测模型。（4）提出了过程神经元的两个逼近定理并给出了证明,揭示了过程神经元和传统神经元的内在联系。（5）提出了一种新的过程式输入学习算法,即过程支持向量机。总之,本课题以基于机器学习的软测量技术理论和应用作为主要研究内容,展开深入研究,取得了一些有益的成果。文中提出的软测量建模方法既丰富了软测量建模理论,也促进了软测量技术的工业实用化。后两章比较侧重理论研究,取得的理论成果不仅对软测量理论的发展具有重要作用,而且对机器学习理论的发展也有一定的促进作用。由于作者水平有限,文中难免有错误或不妥之处,恳请各位专家和读者批评指正。
王其军[9]（2007）在《瓦斯监测系统故障智能诊断技术研究》文中指出瓦斯监测系统作为对安全性要求很高的一个复杂的动态系统，因单一故障诊断方法或专家知识水平的局限性，往往不能满足诊断系统实时性和准确性的要求，所以需要集成运用多个专家经验才能获得正确的结论。同时对诊断问题的求解要求实现集成化、智能化、自动化和网络化，传统的诊断技术已不能满足此诊断性能的需要，必须采用新的诊断理论体系和结构。Agent是一种具有自主行为的智能体，能够实时处理多维信息，通过Agent之间的互相通信与协作，可以在相同环境中采用不同的方法解决问题，增强了诊断系统对环境的适应性。本文以瓦斯监测系统为研究对象，利用Agent的自主性，构造基于多诊断Agent的故障诊断系统，实现对复杂的瓦斯监测系统的故障智能诊断。首先分析了影响瓦斯监测系统可靠性的因素以及当前煤矿机电设备故障诊断技术的现状，据此提出了瓦斯监测系统故障诊断应包含的任务和内容。针对瓦斯传感器的故障模式和系统复杂性的特点，提出了从传感器到系统的多Agent故障诊断规划和实现策略。从瓦斯传感器故障诊断出发，研究构造了瓦斯传感器的故障诊断Agentl。利用多传感器信息融合技术对瓦斯监测系统中相关传感器（风速传感器、温度传感器、CO2传感器等）提供的大量数据进行融合，构建高精度RBF网络逼近器，以逼近值作为监测瓦斯传感器状态的参考基准，来实现对瓦斯传感器有效的故障诊断。该方法能较准确的诊断出瓦斯传感器出现的速率较大的漂移故障和突变类型的故障以消除瓦斯传感器故障的影响，是一种比较有效瓦斯传感器故障诊断方法。从监测系统的故障诊断出发，深入研究了基于故障树模型的图论理论，给出了瓦斯监测系统井下分站的故障树图论模型，建立了瓦斯监测系统运行常见故障的故障树，设计了由框架和规则混合知识表示的故障智能诊断系统。构造了基于故障树的瓦斯监测系统的诊断Agent2。建立了一种基于案例推理的瓦斯监测系统诊断方法Agent3，并给出了该推理方法的详细的实现过程。研究将神经网络技术和遗传算法引入基于K-NN的CBR推理系统，用自适应共振神经网络ART1模型的聚类能力有效缩小问题搜索空间，同时基于遗传算法对案例的特征权值向量进行优化，以提高对瓦斯监测系统故障案例库检索时的效率与质量。本文研究了瓦斯监测系统故障诊断的多Agent模型，提出了一种故障诊断的抽象MAS模型，研究针对瓦斯监测系统使用该模型如何实现故障诊断。根据多诊断Agent解的特点，对证据理论中的概率分配函数进行了约束和具体化，提出了基于证据理论的多Agent合作诊断解的综合步骤，并通过结论一致、部分冲突和完全冲突3个实例进行了综合分析，说明了该方法的有效性。将基于三种诊断方法的多Agent故障诊断系统方案应用于实际的瓦斯监测系统故障诊断的设计上，给出了技术实现的方式、步骤，对形成的诊断系统进行了初步应用。
程锋章[10]（2007）在《非线性系统模糊辨识方法的研究》文中进行了进一步梳理在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。为达到建立精确非线性模型的目的,研究了基于T-S模型的自适应神经模糊系统模糊建模方法,该方法能使神经模糊网络自主、迅速有效地收敛到要求的输入和输出关系。然后提出了一种基于改进T-S模型的模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解模糊模型的结构,再通过熵的聚类和竞争学习算法划分输入数据空间,并利用加权递推最小二乘法（WRLSA）建立热工过程的模糊模型。在已获得的辨识算法基础上,通过Matcom技术结合VC++,实现了非线性模糊辨识软件的开发,并将其应用于热工过程被控对象模糊建模中,取得了良好效果。
二、四层前向神经网络作为通用逼近器的一致性分析(英文)（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、四层前向神经网络作为通用逼近器的一致性分析(英文)（论文提纲范文）
（1）序列到序列的语音生成声学模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 语音生成任务的定义 |
| 1.2 语音生成的研究意义 |
| 1.2.1 语音生成研究的理论意义 |
| 1.2.2 语音生成研究的实用意义 |
| 1.3 语音生成声学模型和语音生成任务的关系 |
| 1.4 语音生成声学模型的研究历史和现状 |
| 1.5 本论文组织结构概述 |
| 第2章 语音生成声学模型回顾 |
| 2.1 常用声学特征 |
| 2.1.1 语音发声机理 |
| 2.1.2 语音基频 |
| 2.1.3 语音梅尔域频谱 |
| 2.1.4 梅尔倒谱系数 |
| 2.2 常用声码器 |
| 2.2.1 STRAIGHT声码器 |
| 2.2.2 WaveNet声码器 |
| 2.3 传统统计声学模型 |
| 2.3.1 混合高斯模型 |
| 2.3.2 联合概率密度混合高斯模型 |
| 2.3.3 隐马尔可夫模型 |
| 2.4 神经网络统计模型 |
| 2.4.1 深度神经网络 |
| 2.4.2 深度神经网络的训练算法 |
| 2.4.3 循环神经网络 |
| 2.5 序列到序列模型 |
| 2.5.1 早期的序列到序列模型 |
| 2.5.2 带注意力机制的序列到序列模型 |
| 2.5.3 Tacotron模型介绍 |
| 2.6 当前存在的问题和本文的研究点 |
| 2.6.1 当前存在的问题和挑战 |
| 2.6.2 本文的研究点 |
| 2.7 本章小结 |
| 第3章 面向语音合成的前向注意力方法 |
| 3.1 背景介绍 |
| 3.2 语音合成中的注意力模型 |
| 3.3 稳定注意力机制的已有方法 |
| 3.3.1 加入卷积特征 |
| 3.3.2 注意力位置加窗 |
| 3.4 前向注意力方法 |
| 3.5 带转移控制的前向注意力方法 |
| 3.6 实验和结果 |
| 3.6.1 实验条件 |
| 3.6.2 前向注意力机制的稳定性 |
| 3.6.3 合成语音的自然度 |
| 3.6.4 合成语音的语速控制 |
| 3.7 本章小结 |
| 第4章 序列到序列的平行话者转换声学模型 |
| 4.1 背景介绍 |
| 4.2 序列到序列话者转换模型 |
| 4.2.1 特征提取 |
| 4.2.2 SCENT的模型结构 |
| 4.2.3 模型损失函数 |
| 4.2.4 实验和结果 |
| 4.3 利用文本监督提升序列到序列声学模型 |
| 4.3.1 多任务学习 |
| 4.3.2 数据增强 |
| 4.3.3 实验和结果 |
| 4.4 本章小结 |
| 第5章 基于特征解耦的非平行话者转换声学模型 |
| 5.1 背景介绍 |
| 5.2 基于特征解耦的话者转换模型 |
| 5.2.1 模型结构 |
| 5.2.2 损失函数 |
| 5.2.3 模型训练算法 |
| 5.2.4 实验和结果 |
| 5.3 结合对抗学习的语音识别-合成转换方法 |
| 5.3.1 提出方法 |
| 5.3.2 实验和结果 |
| 5.4 VCC2020参赛系统 |
| 5.4.1 实验和结果 |
| 5.5 本章小结 |
| 第6章 基于迁移学习的发音特征到语音生成模型 |
| 6.1 背景介绍 |
| 6.2 多说话人Tacotron模型 |
| 6.3 提出方法 |
| 6.3.1 编码器 |
| 6.3.2 解码器 |
| 6.3.3 模型训练策略 |
| 6.4 实验和结果 |
| 6.4.1 实验条件 |
| 6.4.2 对比基线系统 |
| 6.4.3 改变说话人个数 |
| 6.4.4 消融实验 |
| 6.4.5 静默句子上的表现 |
| 6.4.6 替换说话人编码 |
| 6.4.7 隐层特征可视化 |
| 6.5 本章小结 |
| 第7章 总结 |
| 7.1 本文的主要贡献和创新点 |
| 7.2 后续的研究工作 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于神经网络的云计算程序逻辑混淆方法研究（论文提纲范文）
| 摘要 |
| ABSTRAT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究面临的问题 |
| 1.3 国内外研究现状 |
| 1.3.1 代码混淆技术 |
| 1.3.2 神经网络 |
| 1.4 论文研究内容与结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 本文结构安排 |
| 第二章 代码混淆相关技术 |
| 2.1 代码混淆定义 |
| 2.2 代码混淆方案分类 |
| 2.2.1 Collberg理论分类 |
| 2.2.2 按混淆对象分类 |
| 2.2.3 按应用场景分类 |
| 2.3 攻击方式 |
| 2.4 本章小结 |
| 第三章 基于神经网络的控制流混淆方案 |
| 3.1 云计算环境安全假设 |
| 3.2 基于神经网络的控制流混淆模型 |
| 3.3 NNObfuscator框架 |
| 3.3.1 程序变换方案设计 |
| 3.3.2 伪分支语句构造与插入方法 |
| 3.3.3 训练神经网络 |
| 3.4 本章小结 |
| 第四章 NNObfuscator安全性与性能优化研究 |
| 4.1 方案安全性分析与优化 |
| 4.1.1 静态逆向分析 |
| 4.1.2 被动监听攻击 |
| 4.1.3 基于数据修改的主动攻击 |
| 4.2 方案性能优化 |
| 4.2.1 基于LRU缓存机制的云端执行方法 |
| 4.2.2 云端执行方法的高效性验证 |
| 4.3 本章小结 |
| 第五章 原型系统实现与性能测试 |
| 5.1 大数据云计算平台实现 |
| 5.2 基于神经网络的控制流混淆系统实现 |
| 5.2.1 程序变换模块 |
| 5.2.2 神经网络混淆模块 |
| 5.3 系统性能测试 |
| 5.3.1 Hadoop应用程序测试 |
| 5.3.2 CPU密集型应用程序测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于强化学习的人群组分割研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.1.1 集群运动 |
| 1.1.2 人群组分割 |
| 1.1.3 人群语义分割 |
| 1.1.4 强化学习 |
| 1.2 本文的主要研究工作和创新成果 |
| 1.3 本文的结构安排 |
| 第二章 人群组分割相关技术基础 |
| 2.1 基于光流场的人群组分割方法 |
| 2.1.1 光流场 |
| 2.1.2 基于光流场的人群组分割方法简介 |
| 2.2 基于概率模型的人群组分割方法 |
| 2.3 基于粒子模型的人群组分割方法 |
| 2.3.1 KLT算法 |
| 2.3.2 基于粒子模型的人群组分割方法简介 |
| 2.4 当前人群组分割方法存在的问题 |
| 2.5 本章小结 |
| 第三章 基于强化学习的人群组分割方法 |
| 3.1 基于强化学习的人群组分割方法框架 |
| 3.2 算法主体实现 |
| 3.2.1 运动特征点的提取追踪 |
| 3.2.2 最近邻数量的确定 |
| 3.2.3 特征点间的运动一致性计算 |
| 3.2.4 强化学习模块的设计 |
| 3.2.5 运动人群语义的提取 |
| 3.3 实验设置 |
| 3.3.1 数据集和评估准则 |
| 3.3.2 对比算法 |
| 3.3.3 实验参数设置 |
| 3.4 实验结果与分析 |
| 3.4.1 强化学习可行性的验证与观测 |
| 3.4.2 在实际监控场景下的实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于深度强化学习的人群组分割方法 |
| 4.1 深度强化学习架构的原理与具体实现 |
| 4.1.1 深度强化架构的原理 |
| 4.1.2 深度强化学习架构的具体实现 |
| 4.2 基于深度学习的精细运动人群语义提取方法 |
| 4.2.1 Mask-RCNN提取人群语义 |
| 4.2.2 精细运动人群语义提取实现 |
| 4.3 实验设置 |
| 4.3.1 数据集和评估准则 |
| 4.3.2 数据集和评估准则 |
| 4.3.3 实验参数设置 |
| 4.4 实验结果与分析 |
| 4.4.1 深度强化学习训练的验证与观察 |
| 4.4.2 相关改进对于运动特征点聚类的提升 |
| 4.4.3 相关改进对于像素级别分割的提升 |
| 4.5 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间申请的专利 |
（4）基于径向基神经网络的入侵检测系统（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 国内外研究现状 |
| 1.3 本文主要研究内容和思路 |
| 1.4 本文结构安排 |
| 第二章 相关技术 |
| 2.1 入侵检测 |
| 2.1.1 入侵检测的过程 |
| 2.1.2 入侵检测系统模型 |
| 2.1.3 入侵检测系统的功能 |
| 2.1.4 入侵检测系统的分类 |
| 2.2 人工神经网络 |
| 2.2.1 人工神经网络的发展 |
| 2.2.2 人工神经网络的原理 |
| 2.2.3 人工神经网络的学习方式 |
| 2.3 本章小结 |
| 第三章 数据预处理 |
| 3.1 KDD Cup99数据集简介 |
| 3.2 KDD Cup99数据集基本分布 |
| 3.2.1 标识类型 |
| 3.2.2 特征类型 |
| 3.3 数据的选取 |
| 3.4 数据数值化 |
| 3.5 数据归一化 |
| 3.6 入侵检测评价指标 |
| 3.7 本章小结 |
| 第四章 基于邻近性离群点检测的RBF学习算法 |
| 4.1 径向基函数 |
| 4.2 径向基神经网络结构 |
| 4.3 两类径向基神经网络 |
| 4.4 广义径向基神经网络参数学习算法 |
| 4.4.1 梯度下降学习算法 |
| 4.4.2 k-means聚类学习算法 |
| 4.5 邻近性离群点检测算法 |
| 4.6 基于梯度下降法的RBF参数选取的离群点检测 |
| 4.6.1 仿真实验 |
| 4.6.2 实验结果分析 |
| 4.7 基于k-means聚类法的RBF输入数据的离群点检测 |
| 4.7.1 仿真实验 |
| 4.7.2 实验结果分析 |
| 4.8 本章小结 |
| 第五章 入侵检测系统的设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 设计过程 |
| 5.3.1 数据包捕获和特征提取设计 |
| 5.3.2 后台设计 |
| 5.3.3 前端设计 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
| 附件 |
（5）基于探索噪音的深度强化学习（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 背景知识 |
| 2.1 强化学习基本方法 |
| 2.1.1 马尔科夫决策过程 |
| 2.1.2 策略梯度 |
| 2.1.3 行动者-评论家方法 |
| 2.2 深度Q网络 |
| 2.2.1 训练算法 |
| 2.2.2 模型结构 |
| 2.3 深度确定性策略梯度算法 |
| 2.4 本章小结 |
| 第三章 基于阈值探索的深度确定性策略梯度算法 |
| 3.1 探索噪音 |
| 3.1.1 动作空间的探索噪音 |
| 3.1.2 策略空间的探索噪音 |
| 3.2 基于阈值探索的深度确定性策略梯度算法 |
| 3.2.1 训练算法描述 |
| 3.2.2 模型架构描述 |
| 3.2.3 模型训练流程 |
| 3.3 仿真实验 |
| 3.3.1 实验描述 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于探索噪音的深度循环Q网络 |
| 4.1 长短时间记忆单元 |
| 4.2 基于探索噪音的深度循环Q网络模型 |
| 4.2.1 模型架构 |
| 4.2.2 模型训练流程 |
| 4.3 仿真实验 |
| 4.3.1 实验描述以及参数设置 |
| 4.3.2 实验参数设置 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 自适应探索噪音置信域策略优化 |
| 5.1 置信区间策略优化方法 |
| 5.2 自适应探索噪音 |
| 5.3 自适应置信域策略优化算法 |
| 5.4 仿真实验 |
| 5.4.1 实验描述及参数设置 |
| 5.4.2 实验结果及分析 |
| 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 |
| 攻读硕士学位期间公开发表(录用)的论文及参与的项目 |
| 一、公开发表(录用)的学术论文 |
| 二、参加的科研项目 |
| 致谢 |
（6）火电机组锅炉燃烧系统建模与优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及章节安排 |
| 2 电厂锅炉燃烧系统神经网络静态建模 |
| 2.1 火电厂锅炉燃烧系统简介 |
| 2.2 数据采集和数据处理 |
| 2.3 评价指标选取 |
| 2.4 机组负荷与评价指标相关性分析 |
| 2.5 评价指标的神经网络建模 |
| 2.5.1 训练算法与正则化理论 |
| 2.5.2 两优化指标的神经网络建模 |
| 2.6 评价指标神经网络建模效果评估 |
| 2.7 本章小结 |
| 3 非线性动态系统分段建模方法研究 |
| 3.1 稳态过程和动态过程 |
| 3.1.1 稳态过程和动态过程 |
| 3.1.2 非线性动态模型描述 |
| 3.1.3 增益匹配及线性动态系统 |
| 3.2 非线性稳态建模及稳态增益 |
| 3.2.1 非线性稳态模型辨识 |
| 3.2.2 非线性稳态增益计算 |
| 3.2.3 神经网络的增益限制训练 |
| 3.3 线性动态模型辨识及动态增益 |
| 3.3.1 线性动态模型辨识 |
| 3.3.2 动态增益计算 |
| 3.4 过程增益近似匹配建模 |
| 3.5 本章小结 |
| 4 基于前向神经网络的动态特性模型及其应用 |
| 4.1 前向神经网络BP训练方法 |
| 4.2 前向神经网络和线性系统的混合模型 |
| 4.2.1 前向神经网络变量符号定义 |
| 4.2.2 动态特性建模模型描述 |
| 4.2.3 输出最优估计 |
| 4.3 动态特性模型训练方法推导 |
| 4.4 动态特性模型对电厂氮氧化物排放量的建模应用 |
| 4.4.1 算法实现 |
| 4.4.2 算法的建模应用 |
| 4.4.3 模型评估 |
| 4.4.4 泛化能力评价 |
| 4.5 本章小结 |
| 5 电厂锅炉燃烧系统的优化与指导系统设计 |
| 5.1 遗传算法全局寻优 |
| 5.2 300MW负荷处遗传算法优化 |
| 5.2.1 基于神经网络模型的优化 |
| 5.2.2 基于动态特性模型中稳态映射的优化 |
| 5.3 240MW负荷处的遗传算法优化 |
| 5.3.1 基于神经网络模型的优化 |
| 5.3.2 基于动态特性模型中稳态映射的优化 |
| 5.4 氮氧化物排放量的相对增益分析 |
| 5.5 锅炉运行优化指导系统设计 |
| 5.6 优化系统实施实验方案 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）一类信息融合NFE模型逼近通用性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 两两结合的二维模型发展概况 |
| 1.2.2 神经网络、模糊推理与专家系统三者的结合 |
| 1.3 本文主要研究内容及论文结构 |
| 第2章 信息融合NFE 模型研究的理论基础 |
| 2.1 基于神经网络的融合技术 |
| 2.1.1 人工神经网络概念 |
| 2.1.2 人工神经网络的互连模式 |
| 2.1.3 用神经网络进行信息融合 |
| 2.2 基于模糊推理的融合技术 |
| 2.2.1 模糊推理系统的组成 |
| 2.2.2 用模糊推理进行信息融合 |
| 2.3 基于专家系统的融合技术 |
| 2.3.1 专家系统概述 |
| 2.3.2 用专家系统进行信息融合 |
| 2.4 研究三维通用模型的意义 |
| 2.4.1 加入专家系统的必要性 |
| 2.4.2 NFE 模型的完备性 |
| 2.5 本章小结 |
| 第3章 信息融合NFE 模型逼近通用性和泛化能力研究 |
| 3.1 一类信息融合NFE 模型分析研究 |
| 3.1.1 信息融合NFE 模型各层作用和功能分析 |
| 3.1.2 前件专家系统结构及知识表示形式 |
| 3.1.3 NFE 模型的学习算法 |
| 3.1.4 信息融合 NFE 模型逼近通用性的定性分析 |
| 3.2 信息融合NFE 模型逼近通用性的定性分析 |
| 3.3 信息融合NFE 模型泛化能力分析 |
| 3.3.1 泛化能力的数学和逻辑根源 |
| 3.3.2 信息融合 NFE 模型逼近通用性比较分析 |
| 3.4 本章小结 |
| 第4章 基于信息融合NFE 模型的工程应用 |
| 4.1 航迹起始NFE 模型输入变量分析 |
| 4.1.1 双基地高频雷达接收信号特征分析 |
| 4.1.2 双基地高频雷达点迹分布特征分析 |
| 4.2 基于NFE 模型的双基地高频雷达航迹起始 |
| 4.2.1 NFE 模型基本框架 |
| 4.2.2 网络各层功能分析 |
| 4.3 航迹更新点可信度NFE 模型的训练及测试 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于机器学习的软测量技术理论与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 软测量技术简介 |
| 1.2.1 软测量基本原理 |
| 1.2.2 软测量技术分类 |
| 1.2.3 软测量技术的主要应用 |
| 1.3 机器学习理论综述 |
| 1.3.1 机器学习的发展历史 |
| 1.3.2 统计机器学习的基本模型 |
| 1.4 基于经验数据的软测量建模 |
| 1.4.1 噪声使问题复杂化 |
| 1.4.2 传统软测量建模方法 |
| 1.4.3 工业实用化的软测量建模 |
| 1.5 本文主要内容 |
| 第二章 建模数据和信号及其预处理 |
| 2.1 前言 |
| 2.2 建模数据和信号 |
| 2.2.1 瞬时同步输入数据 |
| 2.2.2 过程式输入序列或信号 |
| 2.3 数据的预处理 |
| 2.3.1 数据标准化 |
| 2.3.2 噪声数据削减 |
| 2.3.3 数据规约 |
| 2.4 信号的预处理 |
| 2.4.1 信号标准化 |
| 2.4.2 信号噪声和小波去噪 |
| 2.5 本章小结 |
| 第三章 基于 K-最近邻回归算法的软测量建模 |
| 3.1 引言 |
| 3.2 改进 KNN 回归算法 |
| 3.2.1 传统的kNN 回归算法 |
| 3.2.2 属性加权距离kNN 回归算法 |
| 3.2.3 基于kNN 算法的数据集剪辑方法 |
| 3.2.4 快速的kNN 回归算法 |
| 3.3 基于改进KNN 算法的软测量建模 |
| 3.3.1 制浆蒸煮过程终点Kappa 值预报 |
| 3.3.2 Abalone 数据集年轮预测 |
| 3.4 本章小结 |
| 第四章 多神经网络模型及其工业软测量应用 |
| 4.1 研究动机 |
| 4.1.1 为什么要多神经网络模型 |
| 4.2 多神经网络模型及其分类 |
| 4.2.1 信息融合策略 |
| 4.2.2 总体加权型多神经网络 |
| 4.2.3 模块组合型多神经网络 |
| 4.3 一种两层结构的多神经网络模型 |
| 4.3.1 两层多神经网络模型的拓扑结构 |
| 4.3.2 两层多神经网络模型的联结方法 |
| 4.3.3 训练过程和预测过程 |
| 4.4 软测量建模实例仿真 |
| 4.4.1 数据集和实验方案 |
| 4.4.2 仿真结果与讨论 |
| 4.5 本章小结 |
| 第五章 基于支持向量机回归的软测量建模 |
| 5.1 引言 |
| 5.2 支持向量机 |
| 5.2.1 结构风险最小化原则 |
| 5.2.2 分类支持向量机 |
| 5.2.3 回归支持向量机 |
| 5.3 软间隔支持向量机回归 |
| 5.3.1 ε不敏感损失函数 |
| 5.3.2 软间隔支持向量回归机 |
| 5.3.3 两种实现方法 |
| 5.4 基于ε-SVMR 算法的软测量建模和仿真 |
| 5.4.1 软测量模型的拓扑结构 |
| 5.4.2 纸浆Kappa 值终点预测 |
| 5.5 本章小结 |
| 第六章 时间序列的多步扩展预测建模 |
| 6.1 引言 |
| 6.2 基于时间差分算法的时间序列预测 |
| 6.2.1 时间差分算法 |
| 6.2.2 基于时间差分算法的神经网络 |
| 6.3 基于特征扩展的时间序列预测 |
| 6.3.1 时间序列的特征扩展 |
| 6.3.2 基于特征扩展的预测建模 |
| 6.4 多步预测建模仿真实验 |
| 6.4.1 制浆蒸煮过程时间序列 |
| 6.4.2 仿真实验及问题讨论 |
| 6.5 本章小结 |
| 第七章 过程神经网络及其软测量应用 |
| 7.1 引言 |
| 7.2 过程神经网络 |
| 7.2.1 过程神经元 |
| 7.2.2 数值输出型过程神经网络 |
| 7.2.3 函数输出型过程神经网络 |
| 7.3 过程神经元的传统神经元逼近 |
| 7.3.1 基于时域特征扩展的过程神经元逼近 |
| 7.3.2 基于正交分解特征扩展的过程神经元逼近 |
| 7.3.3 多层感知器逼近过程神经网络 |
| 7.4 相关问题讨论 |
| 7.5 预测建模应用实例仿真 |
| 7.5.1 过程神经网络结构 |
| 7.5.2 针对正弦波编码信号集的实验 |
| 7.6 本章小结 |
| 第八章 过程式输入支持向量机 |
| 8.1 引言 |
| 8.2 过程式输入支持向量机 |
| 8.2.1 过程式输入内积和范数定义 |
| 8.2.2 过程式输入支持向量机 |
| 8.3 核函数的相应推广 |
| 8.3.1 高斯核函数的推广 |
| 8.3.2 多项式核函数的推广 |
| 8.4 预测建模应用实例仿真 |
| 8.4.1 软间隔ε-PSVMR 学习器结构 |
| 8.4.2 模型预测命中率对比 |
| 8.4.3 自由参数对模型性能的影响 |
| 8.5 本章小结 |
| 结论 |
| 1 主要工作与创新之处 |
| 2 今后研究工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（9）瓦斯监测系统故障智能诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 煤矿瓦斯监测系统可靠性现状分析 |
| 1.2.1 煤矿瓦斯监测系统可靠性调查 |
| 1.2.2 煤矿瓦斯监测系统可靠性分析 |
| 1.3 煤矿瓦斯监测系统故障诊断国内外研究现状 |
| 1.3.1 监测系统故障机理的研究 |
| 1.3.2 故障诊断理论与诊断方法研究 |
| 1.3.3 综合故障诊断系统的发展 |
| 1.4 智能诊断技术 |
| 1.4.1 专家系统故障诊断 |
| 1.4.2 人工神经网络故障诊断 |
| 1.4.3 基于信息融合的故障诊断 |
| 1.4.4 基于Agent的故障诊断 |
| 1.5 瓦斯监测系统故障诊断存在的问题 |
| 1.6 本文主要研究内容 |
| 2 瓦斯监测系统故障诊断规划及实现策略 |
| 2.1 引言 |
| 2.2 煤矿安全生产监控系统的构架 |
| 2.2.1 系统构架与优点 |
| 2.2.2 瓦斯监测系统的技术要求 |
| 2.3 监测系统瓦斯传感器故障模式及其影响 |
| 2.3.1 瓦斯监测系统常见传感器 |
| 2.3.2 瓦斯传感器工作特性 |
| 2.3.3 瓦斯传感器的故障模式及其影响 |
| 2.4 瓦斯监测系统的故障诊断策略 |
| 2.4.1 故障诊断的任务和内容 |
| 2.4.2 监测系统诊断方案 |
| 2.4.3 瓦斯传感器诊断策略 |
| 2.4.4 基于案例的系统诊断策略 |
| 2.4.5 基于多Agent系统故障诊断构架策略 |
| 2.5 瓦斯监测系统智能诊断系统的目标分析 |
| 2.6 本章小结 |
| 3 基于RBF的瓦斯传感器故障诊断研究 |
| 3.1 引言 |
| 3.2 基于神经网络时间预测的传感器故障检测原理 |
| 3.2.1 神经网络的时间预测能力 |
| 3.2.2 基于神经网络时间预测的传感器故障诊断基本原理 |
| 3.3 人工神经网络在瓦斯传感器故障诊断中实现 |
| 3.3.1 瓦斯传感器神经网络模型的建立 |
| 3.3.2 瓦斯传感器故障诊断的实现 |
| 3.3.3 单瓦斯传感器故障试验分析 |
| 3.4 基于RBF网络信息融合的瓦斯传感器故障诊断研究 |
| 3.4.1 基于神经网络融合方法的优点 |
| 3.4.2 径向基函数网络 |
| 3.5 基于RBF网络信息融合的瓦斯传感器故障诊断实现 |
| 3.5.1 影响瓦斯监测值的各种环境因素分析 |
| 3.5.2 瓦斯传感器故障诊断结构设计 |
| 3.5.3 故障诊断策略的选取 |
| 3.5.4 瓦斯传感器故障诊断试验分析 |
| 3.6 本章小结 |
| 4 基于FTA的瓦斯监测系统故障诊断研究 |
| 4.1 引言 |
| 4.2 基于故障树诊断的图论模型研究 |
| 4.2.1 基于故障树诊断的图论模型 |
| 4.2.2 瓦斯监测系统井下分站故障树图论模型 |
| 4.3 瓦斯监测系统常见运行故障的故障树 |
| 4.3.1 故障树分析方法 |
| 4.3.2 瓦斯监测系统运行故障树 |
| 4.4 基于框架与规则的瓦斯监测系统故障诊断知识表示 |
| 4.5 煤矿瓦斯监测系统故障智能诊断的推理机制 |
| 4.5.1 基于报警规则的浅知识推理 |
| 4.5.2 基于故障树诊断规则的深知识推理 |
| 4.5.3 智能诊断系统的推理机制 |
| 4.5.4 故障诊断应用 |
| 4.6 本章小结 |
| 5 基于CBR的瓦斯监测系统故障诊断研究 |
| 5.1 引言 |
| 5.2 瓦斯监测系统故障案例的表示 |
| 5.2.1 故障案例的描述规范 |
| 5.2.2 案例表示 |
| 5.3 基于CBR的瓦斯监测系统故障诊断模型 |
| 5.3.1 CBR运行过程 |
| 5.3.2 CBR诊断模型 |
| 5.4 基于CBR故障诊断知识库的建立 |
| 5.4.1 系统中CBR诊断的应用概述 |
| 5.4.2 CBR诊断知识库设计 |
| 5.5 基于神经网络和遗传算法的案例最近邻法检索模型 |
| 5.5.1 基于ART1的案例层次聚类 |
| 5.5.2 基于遗传算法(GA)的特征权值优化 |
| 5.5.3 基于ART1和GA的混合智能CBA体系结构及应用 |
| 5.6 本章小结 |
| 6 基于多Agent的瓦斯监测系统故障诊断研究 |
| 6.1 引言 |
| 6.2 故障诊断的多Agent(MAS)模型分类 |
| 6.3 瓦斯监测系统故障诊断的多Agent(MAS)抽象模型 |
| 6.3.1 瓦斯监测系统MAS抽象模型 |
| 6.3.2 功能Agent的构造模型 |
| 6.4 瓦斯监测系统多Agent故障诊断系统 |
| 6.5 Agent协作的关键技术研究 |
| 6.5.1 Agent间的通信技术研究 |
| 6.5.2 Agent间的协同技术研究 |
| 6.5.3 Agent诊断知识表达与方法 |
| 6.6 瓦斯监测系统多诊断智能体解的综合方法 |
| 6.6.1 多Agent合作诊断问题描述 |
| 6.6.2 基于证据理论的多Agent解的综合 |
| 6.6.3 实例分析 |
| 6.7 本章小结 |
| 7 瓦斯监测系统故障诊断的技术实现 |
| 7.1 引言 |
| 7.2 瓦斯监测系统故障诊断的实现方式 |
| 7.2.1 故障智能诊断系统的定位 |
| 7.2.2 故障诊断系统的运行方式 |
| 7.3 瓦斯监测系统故障诊断的实现步骤 |
| 7.4 瓦斯监测系故障诊断总体构成及应用 |
| 7.4.1 MAS故障诊断的总体构成 |
| 7.4.2 MAS故障诊断应用分析 |
| 7.5 本章小结 |
| 8 结论 |
| 8.1 主要结论 |
| 8.2 主要创新工作 |
| 8.3 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文及所做的科研工作 |
| 详细摘要 |
（10）非线性系统模糊辨识方法的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 引言 |
| 1.1 课题的研究背景及意义 |
| 1.2 模糊建模的发展过程及现状 |
| 1.3 模糊模型结构辨识方法 |
| 1.4 模糊模型参数辨识方法 |
| 1.5 模糊辨识中的其它问题 |
| 1.6 本文的主要内容和安排 |
| 第二章 模糊逻辑基础和万能逼近理论 |
| 2.1 引言 |
| 2.2 模糊集理论基本概念 |
| 2.3 模糊系统万能逼近理论研究与分析 |
| 2.4 本章小结 |
| 第三章 非线性系统模糊辨识方法的研究 |
| 3.1 基于T-S 模型的自适应神经模糊推理系统 |
| 3.2 基于改进T-S 模型的模糊辨识方法 |
| 3.3 本章小结 |
| 第四章、非线性模糊辨识软件的开发 |
| 4.1 引言 |
| 4.2 VC++与MATLAB 的接口 |
| 4.3 利用MATCOM 编译接口程序 |
| 4.4 非线性模糊辨识软件1.00 |
| 4.5 应用举例 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 详细摘要 |
四、四层前向神经网络作为通用逼近器的一致性分析(英文)（论文参考文献）
- [1]序列到序列的语音生成声学模型研究[D]. 张景宣. 中国科学技术大学, 2021(09)
- [2]基于神经网络的云计算程序逻辑混淆方法研究[D]. 王博. 西安电子科技大学, 2020(05)
- [3]基于强化学习的人群组分割研究[D]. 程宇. 上海交通大学, 2020(09)
- [4]基于径向基神经网络的入侵检测系统[D]. 郝博超. 北方民族大学, 2019(04)
- [5]基于探索噪音的深度强化学习[D]. 闫岩. 苏州大学, 2019(04)
- [6]火电机组锅炉燃烧系统建模与优化研究[D]. 潘锐. 北京交通大学, 2014(02)
- [7]一类信息融合NFE模型逼近通用性研究[D]. 曹淑霞. 哈尔滨工业大学, 2010(03)
- [8]基于机器学习的软测量技术理论与应用[D]. 叶涛. 华南理工大学, 2007(11)
- [9]瓦斯监测系统故障智能诊断技术研究[D]. 王其军. 山东科技大学, 2007(04)
- [10]非线性系统模糊辨识方法的研究[D]. 程锋章. 华北电力大学（河北）, 2007(01)