一、动力系统实测数据相空间重构的改进方法（论文文献综述）
陈光照[1]（2021）在《城市内涝过程高效高分辨率模拟预报方法研究》文中指出城市内涝过程预报是降低内涝风险、保障人身财产安全的重要非工程措施。针对传统城市内涝预报方法空间分辨率低、预见期短,无法准确、及时地预测出内涝过程的问题,本文通过集成数值气象预报模式和高效高分辨率洪涝过程数值模型,构建具有高分辨率、长预见期特性的城市内涝过程预报模型。城市内涝过程预报模型通过GRAPESMESO数值气象模式生成降雨预报数据,该模式是一个以多尺度通用动力模式为核心,以统一软件编程标准为平台的新一代数值预报模式系统,每天两次（00:00和12:00）对模拟区域的未来72h降雨数据进行滚动更新,时空分辨率为3h及10km。洪涝过程数值模型采用Green-Ampt模型计算土壤下渗过程;A.P.J.D E ROO方法综合了 Aston模型和植被冠层截留能力公式,用来准确计算植物截留过程;地表径流、管网排水过程通过数值求解二维浅水方程、扩散波方程的方法进行计算。此外,数值模型采用了高分辨率DEM地形数据表征复杂的城市地表形态,引入了 GPU并行加速计算技术实现在不降低计算精度的条件下大幅提升计算效率。为了进一步提高降雨预报数据精度,提出了基于回归分析法的数据重构公式。同时构建了降雨空间不均匀性对内涝积水过程的影响评估分析方法,分析了在不同不均匀系数Cv、降雨重现期、雨峰系数条件下,降雨空间分布不均引起的模拟结果偏差量。结果表明降雨的空间不均匀分布性质对淹没空间分布、淹没量、危险程度和淹没时间都有所影响,淹没空间将变得更加集中;淹没量峰值有增加的趋势;更危险的区域将扩大;而淹没峰值时间将滞后。在建模完成的基础上,通过6场不同特征暴雨条件下的典型城市内涝过程验证了模型的准确性、稳定性及高效性;采用了影响城市社会经济活动的主要洪涝影响因素（淹没深度和淹没面积）作为评价指标量化评估预报精度,并将三种降雨数据（降雨观测数据、原始降雨预报数据、重构降雨预报数据）分别驱动洪涝数值模型进行模拟计算。三种降雨数据下的模拟结果对比分析表明,模型能正确预报内涝淹没地点,且计算高效,模拟537万个网格单元区域6小时内涝过程仅耗时2.45小时。修正后的预报模拟结果精度较未修正时有了较大的提升,淹没面积和积水深度的平均相对误差分别为35%和2.5%。可见洪涝预报模型具有较好地预报性能,对指导防洪及可持续性城市雨洪管理具有一定的应用价值。
郭义戎[2]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中认为智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
霍昱名[3]（2021）在《厚煤层综放开采顶煤破碎机理及智能化放煤控制研究》文中提出随着我国矿业现代化进程的稳步推进,采矿装备的电气化带动了采矿技术的快速发展,开采规模也随之不断扩大。融合大数据、云计算、人工智能以及工业5G等新型信息技术的智能化采矿方法,不仅能达到“无人”矿井的行业目标,更成为保障我国能源安全与促进经济高质量发展的全新机遇。尽管信息化技术成熟度不断提高,综采放顶煤技术在我国经过四十余年的发展也已经取得明显进步,但智能化综放开采仍然存在一些问题亟待解决,主要体现在综放开采理论、技术与智能化开采实践联系不紧密、应用程度不高等方面。厚煤层综放开采智能化的关键是放煤过程的智能化,须在掌握顶煤破碎、放出规律的基础上,结合智能化探测、控制技术手段,建立智能化放煤控制体系。本文根据王家岭煤矿12309智能化建设工作面为背景,研究着眼于综放开采全过程,以顶煤采动应力场演化规律为切入点,揭示顶煤在综放开采过程中的破碎机理,阐明散体顶煤由后刮板输送机放出的放出特性,提出合理的放煤方法,为厚煤层智能化放煤的增产增效提供理论支撑。在理论分析的基础上,提炼实现智能化放煤所需的各项关键技术,并将其综合应用,为厚煤层智能化放煤的实现提供重要的技术支撑。得到的主要结论有:（1）基于主应力空间,研究了厚煤层综放开采过程中顶煤受力单元主应力场演化规律。利用有限差分数值模拟方法,考虑液压支架工作阻力对顶煤的支撑作用,阐明了高水平应力条件下顶煤主应力值变化及方向偏转特性,在此基础上将顶煤划分为原岩应力区、中间主应力升高区、应力显着升高区、应力峰后降低区及液压支架控顶区5个分区,得到了高水平应力条件下顶煤主应力驱动路径,为后续顶煤渐进破碎机理的研究提供了应力边界条件。（2）基于弹塑性力学理论,明析了描述顶煤应力状态的平均应力、偏应力及应力Lode角3个参数在综放开采中的演化过程,揭示了上述3个参数在各顶煤分区中的演化特性,基于高精度工业CT扫描技术,运用合成岩体（SRM）数值建模方法,重构了裂隙煤体三维数值模型,运用“有限差分-颗粒流”耦合数值方法,建立了“连续-非连续”耦合真三轴数值模型,在指定主应力边界条件下模拟了顶煤渐进破碎过程,阐明了试件裂隙发育迹线及破碎块度分布规律,实测了放落顶煤破碎块度分布特性,与数值模拟结果进行了类比分析,证明了数值方法可靠性,为后续散体顶煤运移及放出规律的研究提供了数据支撑。（3）基于“有限差分-颗粒流”耦合算法,建立了“连续-非连续”耦合综放开采数值模型,开发了“随机自由落体-逐步伺服夯实”的耦合建模方法,反演了综放开采从工作面设备安装至放煤稳定的全过程,得出了煤矸分界线形态演化的3个特性,并以此为依据改进了“Hook”函数,使之适于描述煤矸分界线形态,以改进的“Hook”函数对煤矸分界线形态进行了拟合,揭示了综放开采煤矸分界线形态从初次放煤到周期放煤的演化规律,将其演化历程分为了初采影响阶段、过渡放煤阶段和周期放煤阶段3个阶段,为后续基于智能化放煤控制技术的放煤工艺选择提供了顶煤位移边界条件。（4）将整个放煤过程划分为放煤开始前、放煤过程中及放煤结束后3个阶段,分析了各阶段内的智能化控制技术,包括:放煤开始前的顶煤厚度探测、采煤机惯导定位,放煤过程中的放煤机构精准监测控制、煤矸识别,放煤结束后的采出量实时监测。将上述智能化技术有机结合,建立了智能化放煤控制技术体系,从自感知、自学习、自决策及自执行4个层面,揭示了各智能化放煤控制技术的内在联系,最终构建了智能化放煤控制的基本结构,为后续智能化放煤工艺参数选择及实现智能化放煤控制提供了技术依据。（5）基于智能化放煤控制技术体系,以煤矸分界线演化特性研究结果为顶煤位移边界条件,改进了Bergmark-Roos理论,建立了周期放煤时间预测理论模型,提出了放煤口启停判别的综合判别方法,建立了包含多台液压支架的“有限差分-颗粒流”耦合数值模型,优化得出了适用于现阶段智能化综放工作面的合理放煤工艺参数,最终于王家岭煤矿12309工作面建立了智能化综放示范工作面,升级更新了工作面主要生产设备及组织关系,验证智能化放煤控制各项技术的可靠性,实现了较好的经济效益和社会效益。
何康宁[4]（2021）在《基于RBF神经网络的高频地波雷达海杂波抑制方法研究》文中指出作为新型海洋探测雷达,高频地波雷达的探测范围不受地球曲率的影响,能够实现对海洋表面的超视距、全天候监测。目前,高频地波雷达主要应用于海上目标探测和海洋动力参数检测方面,在军事和民用领域有着举足轻重的作用。高频地波雷达在工作时,高强度的海杂波往往会淹没目标信号,对雷达的海上目标检测精度带来较大影响,海杂波的有效抑制成为提升海上目标检测精度的关键。本文从海杂波特有的混沌特性出发,以径向基函数（Radial Basis Function,RBF）神经网络为工具建立海杂波预测模型,对海杂波进行预测,将雷达回波信号与预测得到的海杂波数据在时域中相减,便实现了海杂波的有效抑制。另外,本文还引进智能优化算法并加以改进,用以优化RBF神经网络,提升预测模型的精度,实现海杂波更有效的抑制。围绕以上内容,本文主要工作有:首先,介绍了海杂波形成机理,以实测数据为基础,通过实验验证了高频地波雷达海杂波的混沌特性;介绍了相空间重构理论,推导出海杂波预测方程,用多种经典算法计算出实测海杂波数据相空间重构参数,作为确定神经网络输入节点数的依据。接着,构造RBF神经网络,通过训练网络来学习海杂波预测方程;为提高网络的鲁棒性和精度,将经典粒子群算法加以改进,用以优化RBF神经网络初始参数。实验结果表明,改进的粒子群算法寻优精度更高,优化后的网络预测模型收敛速度更快、对海杂波的预测精度更高。最后,为了进一步提高RBF神经网络的预测精度,分别引入鲸鱼优化算法和灰狼优化算法,针对各自的不足加以改进,用改进后的算法优化RBF神经网络的初始参数;用优化后的网络分别对海杂波的实部和虚部数据进行学习,建立海杂波实部和虚部的预测模型;仿真实验表明,改进的优化算法较传统的优化算法而言,计算速度和收敛速度更快、寻优的精度更高,经过改进算法优化的网络模型预测精度与传统算法优化的网络模型相比,有了进一步提升,在海杂波的预测和抑制方面有着更好的表现;另外,将模拟目标信号加入雷达回波中,仿真实验表明,本文的算法在有效抑制海杂波的同时,能够很好的保留目标信号。本研究对实现海杂波抑制,提高雷达对海上目标的检测精度,具有重要的理论意义和应用价值。
张子轩[5]（2021）在《基于混沌特性分析与MEA-LSTM模型的短时交通流预测》文中研究指明精确高效的短时交通流预测是进行智能化交通管控的重要手段,也是促进智慧交通发展的重要环节,更是加速交通智能化进程的关键措施。因此,如何准确的对交通流特性进行分析,对缺失数据进行精准的数据修补,建立精确的交通流预测模型,为智慧交通提供有效的数据基础,对于交通行业的发展有着重要的现实意义。首先,对交通流数据的筛选流程和降噪方法展开研究。在深入分析PeMS数据库后挑选了比较具有代表性的交通流数据的前提下,对数据异常和缺失的机制进行分析,提出了邻域-降噪堆叠自编码器方法对数据进行修补,并选择了其余两种模型进行对比分析,结果表明邻域-降噪堆叠自编码器具有较高的精度。在得到高质量的数据后,利用最大Lyapunov指数进行混沌特性的判定,随后经过利用相空间重构技术和贝叶斯估计理论,在高维空间中,对三参数序列的全部特征进行融合,从而得到了表现较优的有效数据。其次,对基于时间序列方法的预测模型展开研究。本文选用时间序列方法中的三次指数平滑法、加权移动平均法和ARIMA模型对修补后的交通流时间序列进行预测,随后选用三个误差评价指标,从预测精度、预测效率和泛化能力等方面对模型进行分析,比较得到理论驱动下表现最优的预测模型。预测结果表明:ARIMA在理论驱动模型中具有较好的精度。再次,对基于数据驱动下的预测模型展开研究。本文选择了适合处理时间序列的深度学习方法:LSTM模型。对该方法进行分析和预测后,利用MEA算法可以将数据分为若干个子群体分别进行最优化搜索的优势,提出了基于MEA算法改进的LSTM预测方法,并应用LSTM模型和MEA-LSTM模型分别对经过相空间重构的实测交通流数据进行预测。预测结果表明:MEA-LSTM模型在数据驱动模型中具有较好的精度,且运算速度得到了较大的提升。最后,对两类不同方法进行对比分析。本文从预测精度、预测效率和泛化能力等方面,对MEA-LSTM模型与理论驱动下得到最好预测结果的ARIMA模型进行对比。结果表明:本文提出的MEA-LSTM模型在预测精度上明显优于ARIMA模型,计算效率方面ARIMA模型仍具有较大优势,而MEA-LSTM模型适用于多种数据,具有较高的泛化能力。
杨智伟[6]（2020）在《同步相量测量系统不良数据辨识与修正方法研究》文中认为快速精确的电力系统电气量动态测量对确保我国交直流互联电网安全至关重要。同步相量测量单元（phasor measurement units,PMUs）作为最有效的动态测量工具之一,可为电力系统监测与控制提供数据支持。然而,目前现场部分PMU存在不同程度的数据质量问题,有报告指出北美约有10%～17%的PMU数据存在问题,这一比例在我国高达20%～30%,这严重制约了 PMU在电力系统动态安全监控中的应用效果与前景。论文从PMU各类不良数据特征出发,系统研究PMU不良数据检测与修正方法,实现了 PMU数据质量的提升。论文的主要工作及创新点如下:论文分析了 PMU不良数据的分类与特征,并将其分为偶发不良数据与连续不良数据。提出了不同类型不良数据检测与修正框架,即针对发生概率高、相对容易处理的偶发不良数据,采用单台PMU数据进行检测与修正,以提高计算效率;针对发生概率低、较难处理的连续不良数据,采用多台PMU数据进行检测与修正,以提高计算精度。进一步,提出了基于斜率特征的偶发不良数据初筛方法与基于决策树的静动态数据辨识方法,对PMU不良数据进行预处理与分类。所提方法的初筛准确率约为99.4%,辨识准确率约为99.1%,可为后续PMU不良数据的检测与修正提供基础。针对电力系统静态条件下部分PMU偶发不良数据因偏差相对较小,导致难以与正常数据区分的难题,提出了基于谱聚类的偶发不良数据检测方法,将PMU数据由低维空间映射到高维空间,放大偶发不良数据的偏差特征,并基于聚类的方法,可实现对偏差大于0.5%的偶发不良数的准确检测。进一步,提出了基于改进三次样条插值的偶发不良数据修正方法。所提方法可根据偶发不良数据相对位置自动分配优先级,进行非线性插值,将修正数据的平均误差降低至0.3%。针对电力系统动态条件下PMU偶发不良数据易淹没于数据波动过程中,导致难以检测的难题,提出了基于双层长短期记忆（LSTM）网络的动态条件下偶发不良数据检测方法,利用LSTM网络对动态数据变化规律强大的学习能力,从偶发不良数据对正常数据变化趋势的破坏出发,可实现动态条件下对偏差大于0.5%的偶发不良数据的准确检测。进一步,提出了基于奇异值分解的动态条件下偶发不良数据修正方法,利用正常测量数据准确重构动态数据,将动态条件下偶发不良数据修正的平均误差控制在0.05%以下。针对PMU连续不良数据因数量大、连续性强而难以检测与修正的难题,提出了基于时空尺度的连续不良数据检测与修正方法。首先从空间尺度出发,提出了基于动态时间规整的PMU数据相似度计算方法,并提出了基于改进谱聚类的PMU空间分群方法。进一步,在时间尺度上,建立了一种双向LSTM网络模型,构造了同一群内多台PMU到单台PMU数据的映射关系,将映射数据与该PMU实测数据进行对比,可同时实现PMU连续不良数据的可靠检测与修正。所提方法可有效检测偏差大于0.5%的连续不良数据,修正数据的平均误差约为0.02%。
王润沛[7]（2020）在《基于机器学习的分布式光纤监测覆岩变形矿压预测研究》文中研究表明采场覆岩变形是矿山压力驱动下岩体变形、破裂与失稳过程,表现在覆岩大范围变形、离层发展、裂隙等方面,造成工作面强压等矿井灾害。因此,为了掌握矿山压力显现规律,针对岩石内部变形预测难的问题,采用分布式光纤监测岩石内部变形,引入光纤平均频移变化度作为判断周期来压指标,验证光纤表征覆岩变形机理,并将监测到的数据作为样本集,结合机器学习算法构建矿压预测模型。本文以大柳塔煤矿浅埋煤层地质条件实验的39组开挖数据,为实验样本。对其数据相空间重构,重构后的数据,取后11次开挖为测试集,共出现2次矿压显现。采用多种机器学习算法如:神经网络、支持向量机,集成算法:随机森林、GBDT、XGBoost算法,建立矿山压力显现规律时间序列预测模型。在训练样本和测试样本不变的前提下,BP神经网络类回归模型（BPNN）成功预测出1次周期来压、支持向量机类回归模型（SVR）预测出2次周期来压,相比于前两种算法,集成学习表现更好,其中以XGBoost回归算法（XGBR）为代表集成算法在预测矿压表现最优,不仅成功预测出两次周期来压,而且在计算速度和模型指标都是最优,明显高于其他模型。单一地质资料还不能说明XGBoost的预测性能,因此,以义马煤田巨厚砾岩为地质条件的三维模型监测数据的60组开挖数据为样本,取后12开挖为测试集共5次矿压显现,建立不同地质资料模型才能说明算法的普遍适用性。实施大型三维立体模型,获取光纤传感数据,根据其表征覆岩变形的频移值为数据集,建立机器学习模型。比较神经网络、支持向量机和XGBoost三种具有代表的机器学习方法来做预测模型。试验结果表明,集成类算法XGBoost效果好于其他两种算法,成功预测出5次矿压显现规律。在不同地质条件下结合光纤可以做很好的矿压预测,为矿压预测提供科学方法。通过本文研究,建立了光纤感知-自学习-矿压预测为一体的预测模型,揭示了其之间存在响应关系,可以很好的结合来解决矿压预测的问题,为智能化开采上覆岩层变形引起的矿压预测提供定量化科学依据。
李淑凤[8]（2020）在《面向中尺度涡三维结构观测的水下滑翔机组网策略研究》文中进行了进一步梳理中尺度涡作为海洋中广泛存在的一种中尺度海洋现象,对全球海洋热量和物质输运具有重要影响,从而对全球气候变化起着重要的调节作用。研究中尺度涡三维结构有助于理解海洋中尺度现象动态变异。然而,由于缺乏高分辨率观测数据,至今对中尺度涡精细化三维温盐和生物地球化学结构的认识还不全面。水下滑翔机观测网可携带多种传感器,同步获取不同位置的海洋信息,实现长时序、大范围、高精度、多参数、三维连续海洋特征观测。本文面向海洋中尺度涡三维结构观测,以天津大学自主研制的“海燕-Ⅱ”水下滑翔机为观测平台,开展水下滑翔机组网策略研究,采集南海北部反气旋中尺度涡详细信息进行海域试验验证。本文主要研究成果和创新点如下:1.基于涡旋异常场参数化模型,对不同配置的水下滑翔机观测网收集中尺度涡信息并进行三维结构重构的能力进行了数值仿真分析及海域试验验证。为比较观测网布局结构和所包含滑翔机数目对重构性能的影响,提出了平均归一化误差综合指标来评价重构性能。在此基础上,讨论了综合指标与观测网配置之间的关系,权衡重构性能和搭建成本,最终确定了观测网最佳布局结构和滑翔机最少最优数目。2.采用垂直经验正交函数分析法对HYCOM（Hybrid Coordinate Ocean Model Navy Coupled Ocean Data Assimilation）模型数据和卫星高度计观测数据进行分析,计算了相应的经验正交函数,确定了中尺度涡三维结构观测中不规则采样点的位置。分析中尺度涡重构场归一化均方根误差和相关系数,验证了垂直经验正交函数分析法的有效性。考虑不规则采样点集分布特征,选择k-means聚类法对采样点进行聚类分析,划分了滑翔机观测网中各台滑翔机的观测任务。3.基于“海燕-Ⅱ”水下滑翔机观测平台,对面向南海北部中尺度涡三维结构观测的水下滑翔机观测网有效性展开了海域试验验证。应用卫星高度计观测数据,对涡心位置、半径、振幅、平移速度及运动轨迹等特征进行了辨识和估计,结合水下滑翔机组网观测数据,探讨了涡内水体来源。分析滑翔机断面观测数据,揭示了中尺度涡内位势温度、盐度及位势密度异常垂直分布特征,并讨论了涡内溶解氧、叶绿素及有色溶解有机物浓度垂直分布,从多个角度出发,全面揭示了反气旋中尺度涡垂直结构特征。采用合成分析法,结合12台“海燕-Ⅱ”水下滑翔机高分辨率观测数据和卫星高度计观测数据,重构了南海北部反气旋涡精细化三维结构,验证了滑翔机观测网对中尺度涡三维结构的有效解析能力。4.为实现中尺度涡特征参数估计,建立了涡旋非线性运动系统状态方程。采用离散扩展卡尔曼滤波（Extended Kalman Filtering,EKF）算法对中尺度涡非线性运动系统进行分析,以“海燕-Ⅱ”水下滑翔机组网观测数据为观测值,估计和预测了中尺度涡涡心位置、平移速度、半径及强度等信息,为面向中尺度涡观测的水下滑翔机自主跟踪控制研究奠定了坚实的基础。
沈俊忠[9]（2020）在《面向大数据处理的异构融合可重构数据流加速器研究》文中研究指明近年来,人工智能技术迅猛发展,在全球范围内受到了广泛关注。以卷积经网络（Convolutional Neural Networks）、图卷积神经网络（Graph Convolutional Neural Networks）为代表的深度学习算法的不断更新迭代对计算机系统的计算性能与能耗要求急剧提高。然而,由于近年来摩尔定律发展的停滞以及冯诺伊曼结构限制,现有的数据中心架构无法高效地实现深度学习与大数据相结合的应用加速。以FPGA为代表的定制化硬件为解决上述问题提供了新思路,一方面,FPGA特有的可重构特性使其能够适应算法的快速发展变化,克服了ASIC解决方案对新兴算法适应性差的的问题;另一方面,FPGA在加速深度学习算法体现出的高能效特性也让其备受研究人员的青睐。随着国内外各大科技公司纷纷在数据中心部署FPGA设备构建异构计算加速集群,CPU+FPGA体系结构在处理大数据应用方面的优势逐渐得到肯定,CPU+FPGA异构计算体现出非常好的发展前景。本文基于CPU-多FPGA异构融合体系结构,面向深度学习与大数据相结合的典型应用,围绕加速器体系结构、算法到硬件映射方案、数据流加速器、性能模型、分布式加速方案等关键技术进行分析研究。本文的研究内容及创新点如下:·研究三维卷积神经网络的FPGA加速技术。本文提出了一种面向二维/三维卷积神经网络加速的模板化体系结构和设计方法。首先,为了减少卷积神经网络的算法复杂度,我们对Winograd快速算法进行扩展使其能运用到三维卷积神经网络中。其次,我们从二维/三维卷积神经网络中抽取了公共算子,并基于此设计了一系列可重构计算模板。最后,我们采用高层次综合语言对计算模板进行实现,并基于这些计算模板构建了加速引擎,实现了模板化加速器的快速生成。由于二维、三维卷积神经网络算法复杂度的差异,先前的工作针对二维卷积神经网络加速器提出的设计空间探索方法对于三维卷积神经网络加速器可能不再适用。针对该问题,我们提出了一种统一的性能分析模型,实现了对二维/三维卷积神经网络加速器的设计空间探索并给出了最优设计参数的搜索方法。实验结果表明针对VGG和C3D网络,我们的加速器在较低的计算资源开销下获得了与目前先进的神经网络加速器相当的性能。在计算吞吐方面,C3D网络加速器获得了13倍于CPU的性能提升;在计算能效方面,C3D网络加速器相对于CPU和GPU分别获得了60倍和30倍的提升。·研究完整的二维/三维卷积神经网络到FPGA硬件的映射方案。本文提出了一种将完整的二维/三维卷积神经网络高效映射到流水化多加速器结构的方案。为了解决网络层规模差异而导致加速器计算效率降低的问题,我们在第一项研究内容的基础上进一步提出了一种流水化多加速器方案,该方案最主要的特点是将所有的层间数据存于片上,从而增加了层间数据复用率,有效降低了片外访存开销,与之前的工作相比,我们进一步提升了加速器的吞吐和效能。为了降低层间数据的片上存储开销,我们首先提出了一种层融合确定算法,通过改变融合层（相邻的两个卷积层）中的循环顺序,实现了层间分块数据的有效利用。其次,为了实现网络层到多个加速器的高效映射,我们基于K-means聚类思想提出了一种层聚类方法,将分块参数接近的网络层进行聚类并映射到同一个加速器。此外,为了解决加速器之间的负载不均衡状况,我们还提出了一种简单而高效的负载均衡调度,进一步提升加速器整体的计算效率。实验结果表明,相比于之前提出的加速器方案,本文提出的流水化多加速器方案获得了最高2.3倍性能提升,在计算效能方面,我们相比于CPU、GPU分别提升了64倍和5倍。·研究以三维卷积神经网络为核心的医疗影像识别应用的并行加速方案。深度学习算法已成功运用到医疗影像分析应用中,然而,应用性能提升的同时,其算法的计算、存储开销也不可避免地增加,导致了应用处理延迟开销的增大。为了解决上述问题,我们以基于三维卷积神经网络的肺结节检测应用为例展开研究,提出了一套基于CPU-多FPGA异构计算平台的肺结节检测加速方案。我们首先对算法并行性进行了深入的分析,提取了核心计算负载——两种三维卷积神经网络:LNS-net和LNC-net,并针对两种网络的不同特征,分别提出了“模型并行”以及“数据并行”的映射方案。其次,我们在第二章提出的三维卷积神经网络加速器基础上进行了改进,节省了硬件资源,提高加速器资源利用率。此外,我们在FPGA节点间设计了两种互连类型——常规通路和快速通路:满足了算法映射方案对FPGA节点间通信的需求。最后,我们采用依托项目开发的定制FPGA加速板卡进行测试,实验结果表明,本文提出的异构系统具有良好的扩展性,并且面向LNS-net和LNC-net的加速方案都获得了高于CPU、GPU的计算吞吐和能效比。与此同时,系统还达到了世界先进水平检测精度。·研究面向深度图卷积神经网络的并行加速方案。我们提出了一种面向深度图卷积神经网络的分布式并行加速方案。我们选取了一个典型的深度图卷积神经网络算法——DAGCN作为主要研究对象,从算法的计算特征、稀疏性等方面对其进行了分析,并通过实验验证了网络层精度与网络深度之间存在正相关关系。我们提出了一种高效的网络映射方案,CPU负责网络层结果的聚合操作,而FPGA则对主要的计算负载——图卷积层进行加速。与前面提到的流水化并行加速方案类似,我们在每个FPGA节点内实现了多个图卷积层加速引擎,以实现多个图卷积层的并行加速。我们将所有节点内的加速引擎组织成横跨所有FPGA节点的长流水线,旨在提高FPGA节点的计算吞吐。为了找到最优设计参数,实现加速器性能最大化,我们建立了数学模型评估加速器的性能与FPGA资源开销。实验结果表明,我们在六加速节点配置下可达到2.6 TFLOPS的实测性能;我们与当前最先进的基于FPGA的图卷积神经网络加速器工作进行对比,进一步表明了我们的加速器方案在计算吞吐和计算效率方面都达到了先进的水平。
王健[10]（2020）在《基于机器学习和混沌理论的高频无线通信选频技术》文中研究指明源于远程、无中继、低成本、部署灵活等独特优势,高频（HF）通信一直在军用通讯、抢险救灾、全球广播等领域发挥着极为重要的作用。目前,国内外研究的热点集中在新一代HF通信系统上,智能化是公认的关键特性。为满足未来智能HF通信系统长期规划和短期优化的选频需求,本文分别利用统计机器学习（SML）和混沌动力预测方法,建立了通信频率长期预测和短期预报模型。本文的主要内容及重要贡献如下:1.针对通信信道关键参数——电离层F2层临界频率（foF2）,基于SML方法,建立了foF2月中值的亚洲区域精细化长期预测模型。该模型首次联合地磁倾角及其修正值建立了foF2空间动态变化映射,并利用太阳黑子数和10.7cm射电通量建立了foF2周年动态变化映射。对比国际参考电离层（IRI）的CCIR和URSI两类模型,所建模型的预测均方根误差分别下降了0.27MHz和0.23MHz,对应精度分别提升了2.90%和1.85%。2.在通信频率长期预测方面,建立了亚洲区域细粒度的最高可用频率（MUF）、最优可用频率（OWF）和最高可能频率（HPF）预测模型。该模型利用SML方法建立了MUF传输因子的精细化预测模型,通过细粒化太阳活动参数并耦合地磁活动参数建立了OWF和HPF转换因子的预测模型。对比国际电信联盟（ITU）模型,MUF、OWF和HPF的预测均方根误差分别下降了1.18MHz,1.64MHz和1.06MHz,对应精度分别提升了10.89%,15.47%和9.10%。3.为实现通信频率的短期预报,首次利用Volterra级数自适应滤波方法,提出了基于混沌理论的foF2小时级动态预报模型。该模型能够在一个太阳自转周期27天训练数据的支撑下取得良好的预报结果,对比IRI的CCIR和URSI两类模型,所建模型预报均方根误差分别下降了1.66MHz和1.59MHz,对应精度分别提升了31.38%和29.97%。4.在通信频率短期预报方面,利用混沌理论建立了MUF传输因子的自适应动态预报模型,并首次提出了基于地磁坐标的改进曲面样条插值方法,完成了预报关联参数的空间重构,集成时、空两方面技术最终实现了MUF的小时级动态预报。对比ITU模型,所建模型的预报均方根误差下降了1.87MHz,对应精度提升了12.63%。
二、动力系统实测数据相空间重构的改进方法（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、动力系统实测数据相空间重构的改进方法（论文提纲范文）
（1）城市内涝过程高效高分辨率模拟预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 数值气象预报模式研究 |
| 1.2.2 城市洪涝模型研究 |
| 1.2.3 城市洪涝高效模拟预报方法研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 城市内涝过程高效高分辨率预报模型 |
| 2.1 高效高分辨率洪涝过程数值模型 |
| 2.1.1 模型主要物理过程及控制方程 |
| 2.1.2 模型求解数值方法 |
| 2.1.3 GPU并行加速计算技术 |
| 2.2 GRAPES_MESO数值气象预报模式 |
| 2.2.1 GRAPES_MESO模式控制方程 |
| 2.2.2 GRAPES_MESO模式程序结构 |
| 2.3 城市内涝过程模拟预报 |
| 2.4 本章小结 |
| 3 降雨预报数据精度修正方法 |
| 3.1 降雨预报数据重构法 |
| 3.1.1 数据重构方法 |
| 3.1.2 典型场次降雨预报数据修正结果 |
| 3.2 降雨空间不均匀性对内涝积水过程的影响分析 |
| 3.2.1 Wea GETS天气发生器 |
| 3.2.2 降雨资料数据处理方法 |
| 3.2.3 模型验证 |
| 3.2.4 不确定性分析 |
| 3.3 本章小结 |
| 4 城市内涝过程数值模拟预报 |
| 4.1 研究区域概况及基础数据 |
| 4.2 模型验证 |
| 4.3 降雨预报数据精度评估 |
| 4.4 预报内涝积水深度及淹没面积精度评估 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）厚煤层综放开采顶煤破碎机理及智能化放煤控制研究（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 |
| 1.2.1 综放开采技术发展历程 |
| 1.2.2 顶煤采动应力场演化规律 |
| 1.2.3 顶煤破碎机理及冒放性评价 |
| 1.2.4 顶煤运移特性及放出规律 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 第2章 厚煤层综放开采采动应力场演化机制 |
| 2.1 顶煤应力状态描述及数值模拟方案 |
| 2.1.1 基于主应力空间的顶煤应力状态 |
| 2.1.2 煤岩层赋存条件及力学参数测定 |
| 2.1.3 数值模型及方法 |
| 2.2 高水平应力条件下顶煤主应力场演化规律 |
| 2.2.1 主应力分布规律及数值监测方法 |
| 2.2.2 主应力值演化规律 |
| 2.2.3 应力主轴偏转特性 |
| 2.3 顶煤主应力演化路径 |
| 2.3.1 主应力场顶煤分区方法 |
| 2.3.2 顶煤分区特征位置及应力路径 |
| 2.4 本章小结 |
| 第3章 厚煤层综放开采顶煤破碎机理 |
| 3.1 各顶煤分区内相关参数演化特性 |
| 3.2 裂隙煤体三维重构及细观参数标定 |
| 3.2.1 高精度工业CT扫描试验 |
| 3.2.2 节理裂隙数值重构 |
| 3.2.3 基于SRM方法的裂隙煤体数值建模 |
| 3.3 主应力路径下顶煤破碎规律 |
| 3.3.1 数值模型及主应力加载流程 |
| 3.3.2 裂隙煤体渐进破碎迹线 |
| 3.3.3 裂隙煤体破碎块度分布及现场实测 |
| 3.4 本章小结 |
| 第4章 厚煤层综放开采顶煤运移放出规律 |
| 4.1 数值模拟方法及前期结果 |
| 4.1.1 FDM-DEM耦合数值模型 |
| 4.1.2 本构模型及模拟参数分析 |
| 4.1.3 数值模拟流程及放煤前结果分析 |
| 4.2 初次放煤过程顶煤运移放出规律 |
| 4.2.1 初放放出体形成过程 |
| 4.2.2 初放松动体演化特性 |
| 4.2.3 初放煤矸分界线动态分布 |
| 4.3 周期放煤过程顶煤运移放出规律 |
| 4.3.1 顶煤放出体演化历程 |
| 4.3.2 放煤松动体范围扩展规律 |
| 4.3.3 煤矸分界线形态特性 |
| 4.4 本章小结 |
| 第5章 智能化放煤控制方法及放煤工艺参数 |
| 5.1 智能化放煤控制过程及控制体系 |
| 5.1.1 放煤前顶煤厚度探测及采煤机定位 |
| 5.1.2 放煤中放煤机构动作启停判别及控制 |
| 5.1.3 放煤后放出量实时监控 |
| 5.1.4 智能化放煤控制体系 |
| 5.2 基于放煤时间预测模型的放煤终止原则 |
| 5.2.1 放煤时间预测模型 |
| 5.2.2 重力加速度修正系数的标定 |
| 5.2.3 放煤时间预测模型的应用 |
| 5.3 放煤步距与放煤顺序优化 |
| 5.3.1 放煤步距及放煤顺序优化方法 |
| 5.3.2 不同放煤顺序下放出体形态特性 |
| 5.3.3 不同放煤顺序下顶煤放出量及回收率 |
| 5.4 本章小结 |
| 第6章 厚煤层智能化放煤工业性试验 |
| 6.1 12309 智能化综放工作面建设概况 |
| 6.1.1 工作面人员配置及分工 |
| 6.1.2 顺槽协同放煤控制中心 |
| 6.1.3 地面放煤监测与控制中心 |
| 6.1.4 智能化放煤控制流程 |
| 6.2 智能化放煤控制技术试验 |
| 6.2.1 放煤前顶煤厚度探测及采煤机定位 |
| 6.2.2 放煤中放煤机构动作启停判别及控制 |
| 6.2.3 放煤后采出量实时监测 |
| 6.2.4 放煤远程集中控制软件 |
| 6.3 智能化工作面建设效益分析 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于RBF神经网络的高频地波雷达海杂波抑制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 第2章 海杂波混沌特性分析与相空间重构 |
| 2.1 海杂波的形成机理 |
| 2.2 海杂波的混沌特性分析 |
| 2.2.1 高频地波雷达实测数据预处理 |
| 2.2.2 高频地波雷达海杂波混沌特性判别 |
| 2.3 海杂波的相空间重构 |
| 2.3.1 相空间重构理论 |
| 2.3.2 相空间重构参数计算方法 |
| 2.3.3 仿真实验与结果分析 |
| 2.4 本章小结 |
| 第3章 基于RBF神经网络的海杂波预测模型 |
| 3.1 RBF神经网络 |
| 3.1.1 RBF神经网络基本原理 |
| 3.1.2 RBF神经网络学习算法 |
| 3.2 改进的粒子群算法优化RBF神经网络 |
| 3.2.1 传统粒子群优化算法 |
| 3.2.2 改进PSO算法优化RBF神经网络 |
| 3.3 海杂波预测模型的建立 |
| 3.4 仿真实验 |
| 3.4.1 预测模型的优化与训练 |
| 3.4.2 网络模型的预测效果 |
| 3.5 本章小结 |
| 第4章 基于改进WOA-RBF神经网络的海杂波抑制方法 |
| 4.1 鲸鱼优化算法及其改进 |
| 4.1.1 传统鲸鱼优化算法 |
| 4.1.2 改进的鲸鱼优化算法 |
| 4.2 基于IWOA-RBF神经网络的海杂波抑制 |
| 4.3 仿真实验 |
| 4.3.1 IWAO的性能测试 |
| 4.3.2 海杂波预测模型的建立 |
| 4.3.3 海杂波抑制结果与分析 |
| 4.4 本章小结 |
| 第5章 基于改进GWO-RBF神经网络的海杂波抑制方法 |
| 5.1 灰狼优化算法 |
| 5.1.1 标准灰狼优化算法 |
| 5.1.2 已有的改进灰狼优化算法 |
| 5.2 改进的灰狼优化算法 |
| 5.3 改进灰狼优化算法性能测试 |
| 5.3.1 测试函数 |
| 5.3.2 对比实验分析 |
| 5.4 海杂波抑制仿真实验 |
| 5.4.1 建立预测模型 |
| 5.4.2 海杂波抑制 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士期间发表的学术论文 |
| 攻读硕士期间获得的奖励 |
| 致谢 |
| 详细摘要 |
（5）基于混沌特性分析与MEA-LSTM模型的短时交通流预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 混沌理论研究进展 |
| 1.3.2 理论驱动的预测方法 |
| 1.3.3 数据驱动的预测方法 |
| 1.3.4 现有研究评述 |
| 1.4 主要内容与技术路线 |
| 1.5 章节安排 |
| 第二章 基础数据来源及修补 |
| 2.1 基础理论及数据来源 |
| 2.1.1 交通流参数 |
| 2.1.2 数据来源 |
| 2.2 数据处理方法 |
| 2.2.1 异常数据的识别机制 |
| 2.2.2 数据缺失机制 |
| 2.2.3 数据修补方法选择 |
| 2.2.4 数据归一化 |
| 2.3 基于NN-SDAE的交通数据修补 |
| 2.3.1 自编码器原理 |
| 2.3.2 降噪自编码器原理 |
| 2.3.3 堆叠式降噪自编码器原理 |
| 2.3.4 邻域-堆叠式降噪自编码器原理 |
| 2.4 数据修补与结果分析 |
| 2.4.1 数据修补评价指标 |
| 2.4.2 模型参数确定 |
| 2.4.3 结果分析 |
| 2.5 本章小结 |
| 第三章 交通流的混沌特性分析 |
| 3.1 混沌特性及其原理 |
| 3.1.1 混沌理论原理 |
| 3.1.2 混沌特性 |
| 3.1.3 判定方法 |
| 3.1.4 相空间重构 |
| 3.2 交通流的混沌特性分析 |
| 3.2.1 交通流混沌特性的判定 |
| 3.2.2 交通流混沌特性的分析 |
| 3.3 多参数时间序列相空间重构 |
| 3.3.1 Bayesian估计理论 |
| 3.3.2 多参数时间序列相空间融合 |
| 3.4 本章小结 |
| 第四章 基于时间序列方法的短时交通流预测 |
| 4.1 指数平滑法 |
| 4.1.1 指数平滑法基本原理 |
| 4.1.2 指数平滑法优势 |
| 4.1.3 三次指数平滑法交通流预测 |
| 4.2 移动平均法 |
| 4.2.1 移动平均法基本原理 |
| 4.2.2 移动平均法优势 |
| 4.2.3 加权移动平均法交通流预测 |
| 4.3 ARIMA模型 |
| 4.3.1 ARIMA基本原理 |
| 4.3.2 ARIMA优势 |
| 4.3.3 ARIMA交通流预测 |
| 4.4 实验结果的对比和分析 |
| 4.5 本章小结 |
| 第五章 基于MEA-LSTM模型的短时交通流预测 |
| 5.1 思维进化算法 |
| 5.1.1 MEA基础概念 |
| 5.1.2 MEA算法原理 |
| 5.1.3 MEA算法优点 |
| 5.2 LSTM模型 |
| 5.2.1 LSTM的网络结构 |
| 5.2.2 LSTM的核心算法 |
| 5.2.3 LSTM模型交通流预测 |
| 5.3 基于MEA-LSTM的交通流预测模型 |
| 5.3.1 MEA-LSTM模型建立的思路 |
| 5.3.2 MEA-LSTM模型的实现 |
| 5.3.3 MEA-LSTM模型参数设置 |
| 5.3.4 MEA-LSTM模型交通流预测 |
| 5.4 实验结果的对比和分析 |
| 5.4.1 LSTM 模型与MEA-LSTM 模型对比 |
| 5.4.2 ARIMA模型与MEA-LSTM模型对比 |
| 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 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（6）同步相量测量系统不良数据辨识与修正方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静态条件下偶发不良数据检测与修正方法研究现状 |
| 1.2.2 动态条件下偶发不良数据检测与修正方法研究现状 |
| 1.2.3 连续不良数据检测与修正方法研究现状 |
| 1.3 总体研究思路 |
| 1.4 本文主要工作 |
| 第2章 PMU不良数据预处理方法 |
| 2.1 引言 |
| 2.2 PMU不良数据特征分析与处理方法框架 |
| 2.3 偶发不良数据初筛方法 |
| 2.3.1 偶发不良数据特征分析 |
| 2.3.2 基于斜率特征的初筛方法 |
| 2.3.3 初筛方法算例分析 |
| 2.4 系统静动态数据辨识方法 |
| 2.4.1 基于决策树的辨识方法 |
| 2.4.2 辨识方法算例分析 |
| 2.5 本章小结 |
| 第3章 静态条件下偶发不良数据检测与修正方法 |
| 3.1 引言 |
| 3.2 静态条件下偶发不良数据检测方法 |
| 3.2.1 静态条件下偶发不良数据特征分析 |
| 3.2.2 基于谱聚类的检测方法 |
| 3.2.3 检测方法算例分析 |
| 3.3 静态条件下偶发不良数据修正方法 |
| 3.3.1 优先级分配策略 |
| 3.3.2 基于改进三次样条插值的修正方法 |
| 3.3.3 修正方法算例分析 |
| 3.4 本章小结 |
| 第4章 动态条件下偶发不良数据检测与修正方法 |
| 4.1 引言 |
| 4.2 动态条件下偶发不良数据检测方法 |
| 4.2.1 动态条件下偶发不良数据特征分析 |
| 4.2.2 基于LSTM网络的检测方法 |
| 4.2.3 检测方法算例分析 |
| 4.3 动态条件下偶发不良数据修正方法 |
| 4.3.1 动态条件下数据成分分析 |
| 4.3.2 基于奇异值分解的修正方法 |
| 4.3.3 修正方法算例分析 |
| 4.4 本章小结 |
| 第5章 连续不良数据检测与修正方法 |
| 5.1 引言 |
| 5.2 PMU测量数据相似度计算方法 |
| 5.2.1 PMU测量数据相关性分析 |
| 5.2.2 基于动态时间规整的相似度计算方法 |
| 5.3 基于改进谱聚类的PMU分群方法 |
| 5.4 基于LSTM网络的检测与修正方法 |
| 5.4.1 双向LSTM网络模型 |
| 5.4.2 检测与修正方法流程 |
| 5.5 算例分析 |
| 5.5.1 仿真数据测试 |
| 5.5.2 实测数据验证 |
| 5.5.3 方法运行时间对比 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（7）基于机器学习的分布式光纤监测覆岩变形矿压预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 覆岩变形及监测研究现状 |
| 1.2.2 分布式光纤传感技术及应用现状 |
| 1.2.3 机器学习应用现状 |
| 1.3 研究内容及方法、技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及技术路线图 |
| 2.分布式光纤表征矿压数据预测原理 |
| 2.1 分布式光纤BOTDA传感原理 |
| 2.2 光纤频移变化度表征矿压原理 |
| 2.3 光纤频移变化度混沌时间序列分析 |
| 2.3.1 光纤频移变化度表征矿压混沌理论分析 |
| 2.3.2 光纤频移变化度相空间重构 |
| 2.4 机器学习在矿压时序预测中的应用 |
| 2.4.1 机器学习表示的问题 |
| 2.4.2 机器学习构建矿压预测时序模型 |
| 2.4.3 分布式光纤监测覆岩变形智能化预测系统 |
| 2.5 文章小结 |
| 3.浅埋煤层矿压数据处理分析 |
| 3.1 相似材料模型试验 |
| 3.1.1 地质条件 |
| 3.1.2 相似材料配比设计 |
| 3.1.3 模型设计及光纤布置 |
| 3.2 覆岩变形监测结果分析 |
| 3.2.1 模型开挖过程覆岩变形特征 |
| 3.2.2 分布式光纤监测结果分析 |
| 3.2.3 采场来压垂直光纤判别表征 |
| 3.3 光纤频移变化度数据处理 |
| 3.3.1 数据归一化及模型性能指标 |
| 3.3.2 延迟时间及嵌入维数确定 |
| 3.3.3 光纤频移变化度混沌性判别 |
| 3.4 本章小节 |
| 4.浅埋煤层矿压显现预测 |
| 4.1 传统算法预测矿压 |
| 4.1.1 BP神经网络预测矿压数据 |
| 4.1.2 遗传神经网络预测矿压数据 |
| 4.1.3 支持向量机预测矿压 |
| 4.2 集成学习预测矿压 |
| 4.2.1 随机森林预测矿压数据 |
| 4.2.2 GBDT预测矿压数据 |
| 4.2.3 XGBoost预测矿压数据 |
| 4.3 多模型分析对比 |
| 4.4 本章小结 |
| 5.深部巨厚砾岩覆岩变形矿压预测 |
| 5.1 工程概况 |
| 5.1.1 矿井地质 |
| 5.1.2 光纤监测矿压数据 |
| 5.2 XGBR预测矿山压力显现 |
| 5.3 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）面向中尺度涡三维结构观测的水下滑翔机组网策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 海洋中尺度涡研究现状 |
| 1.2.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 水下滑翔机单机研究现状 |
| 1.3.2 水下滑翔机组网研究现状 |
| 1.3.3 水下滑翔机动力学行为研究现状 |
| 1.3.4 面向中尺度涡观测的水下滑翔机组网布局研究现状 |
| 1.3.5 中尺度涡特征跟踪研究现状 |
| 1.4 课题来源及主要研究内容 |
| 第二章 水下滑翔机涡内运动特性分析 |
| 2.1 引言 |
| 2.2 水下滑翔机运动学建模 |
| 2.2.1 坐标系建立 |
| 2.2.2 运动参数定义 |
| 2.2.3 坐标系变换 |
| 2.2.4 运动学方程 |
| 2.3 计及涡内密度分布的水下滑翔机动力学建模 |
| 2.3.1 水下滑翔机动力模型描述 |
| 2.3.2 受力分析 |
| 2.4 计及涡内密度分布的水下滑翔机动力学行为分析 |
| 2.5 计及涡内流场分布的水下滑翔机运动学行为分析 |
| 2.5.1 中尺度涡流场 |
| 2.5.2 涡内水下滑翔机运动学行为分析 |
| 2.6 本章小结 |
| 第三章 基于模型分析的水下滑翔机网络布局研究 |
| 3.1 引言 |
| 3.2 基于中尺度涡异常场模型的三维结构仿真结果分析 |
| 3.2.1 中尺度涡三维异常场模型 |
| 3.2.2 滑翔机网络布局结构 |
| 3.2.3 基于异常场模型的三维结构重建 |
| 3.3 水下滑翔机试验验证 |
| 3.4 本章小结 |
| 第四章 基于垂直EOFs分析的不规则采样方案研究 |
| 4.1 引言 |
| 4.2 垂直EOFs分析方法介绍 |
| 4.2.1 原始数据处理 |
| 4.2.2 垂直EOFs获取 |
| 4.3 基于垂直EOFs分析的中尺度涡三维结构重建 |
| 4.3.1 中尺度涡主要模式分析 |
| 4.3.2 采样位置优化 |
| 4.3.3 中尺度涡三维结构重建 |
| 4.4 采样点聚类分析 |
| 4.4.1 聚类分析介绍 |
| 4.4.2 采样点聚类分析 |
| 4.5 本章小结 |
| 第五章 南海北部中尺度涡三维结构观测与数据分析 |
| 5.1 引言 |
| 5.2 水下滑翔机观测试验介绍 |
| 5.3 水下滑翔机观测结果分析 |
| 5.3.1 中尺度涡统计学特征 |
| 5.3.2 中尺度涡来源分析 |
| 5.3.3 垂直剖面参数分析 |
| 5.4 南海北部中尺度涡三维结构重建 |
| 5.5 本章小结 |
| 第六章 基于观测数据的中尺度涡状态估计及预测研究 |
| 6.1 引言 |
| 6.2 中尺度涡状态预测模型 |
| 6.2.1 垂直结构函数估计 |
| 6.2.2 中尺度涡流场估计 |
| 6.3 基于EKF的中尺度涡状态估计及预测 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）面向大数据处理的异构融合可重构数据流加速器研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究 |
| 1.2.1 新兴异构系统结构 |
| 1.2.2 卷积神经网络及其加速方法相关研究 |
| 1.2.3 图神经网络研究 |
| 1.2.4 高级综合工具 |
| 1.3 本文主要研究内容及创新点 |
| 1.4 论文组织结构 |
| 第二章 面向二维/三维卷积神经网络的可重构模板化加速器研究 |
| 2.1 引言 |
| 2.2 三维卷积神经网络算法分析 |
| 2.3 Winograd算法扩展 |
| 2.4 模板化设计方法 |
| 2.4.1 算法考量 |
| 2.4.2 提取公共算子 |
| 2.4.3 可重构模板设计 |
| 2.4.4 模板化加速器 |
| 2.4.5 基于高级综合工具的优化方法 |
| 2.5 加速器设计空间探索 |
| 2.5.1 天花板模型 |
| 2.5.2 性能模型 |
| 2.5.3 资源模型 |
| 2.6 实验评估 |
| 2.6.1 实验设置 |
| 2.6.2 评估结果 |
| 2.7 相关工作 |
| 2.8 本章小节 |
| 第三章 支持全网络并行加速的多加速器流水线设计 |
| 3.1 引言 |
| 3.2 神经网络加速器工作方式 |
| 3.3 层融合技术概述 |
| 3.4 网络映射方案 |
| 3.4.1 CNN网络层间数据重用方式分析 |
| 3.4.2 融合层的确定算法 |
| 3.4.3 网络层聚类 |
| 3.4.4 负载均衡调度方案 |
| 3.5 加速器设计空间探索 |
| 3.5.1 性能模型 |
| 3.5.2 资源模型 |
| 3.6 实验评估 |
| 3.6.1 实验设置 |
| 3.6.2 性能分析 |
| 3.6.3 相关工作 |
| 3.7 本章小节 |
| 第四章 基于CPU-FPGA异构平台的医疗影像识别加速方案 |
| 4.1 引言 |
| 4.2 肺结节检测 |
| 4.2.1 算法概述 |
| 4.2.2 算法分析 |
| 4.3 稀疏三维Winograd算法 |
| 4.4 CPU-多 FPGA异构并行加速系统 |
| 4.4.1 系统总览 |
| 4.4.2 三维反卷积层加速器 |
| 4.4.3 网络接口模块 |
| 4.4.4 网络模型映射方案 |
| 4.4.5 节点通信优化 |
| 4.5 实验评估 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果 |
| 4.6 相关工作 |
| 4.7 本章小节 |
| 第五章 面向深度图卷积神经网络的分布式并行加速研究 |
| 5.1 引言 |
| 5.2 图卷积神经网络变体模型 |
| 5.2.1 图卷积神经网络的稀疏性分析 |
| 5.2.2 网络精度与网络深度的关系 |
| 5.3 稀疏矩阵压缩方法 |
| 5.4 矩阵乘并行分块算法 |
| 5.5 分布式并行加速方案 |
| 5.5.1 系统结构 |
| 5.5.2 深度图卷积神经网络映射方案 |
| 5.5.3 图卷积神经网络加速器 |
| 5.6 系统性能与资源评估 |
| 5.6.1 性能模型 |
| 5.6.2 资源模型 |
| 5.7 实验评测 |
| 5.7.1 实验设置 |
| 5.7.2 性能分析 |
| 5.8 相关工作 |
| 5.9 本章小节 |
| 第六章 工作总结与未来展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）基于机器学习和混沌理论的高频无线通信选频技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 论文中用到的主要英文缩写及其全称列表如下 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 HF通信系统发展历程 |
| 1.2.2 HF通信选频技术现状 |
| 1.2.3 发展趋势和主要挑战 |
| 1.3 本文工作及主要贡献 |
| 1.3.1 研究需求 |
| 1.3.2 研究内容 |
| 1.3.3 主要贡献 |
| 1.4 本文结构安排 |
| 1.5 本章小结 |
| 第2章 HF通信选频体系优化与AI技术助力应用方向 |
| 2.1 当前HF通信选频技术体系和方法 |
| 2.1.1 术语定义 |
| 2.1.2 ITU-R基础支撑方法 |
| 2.1.3 ITU-R频率预测方法 |
| 2.1.4 方法特点 |
| 2.2 面向智能HF通信系统的选频体系 |
| 2.2.1 未来HF通信选频的研究方向 |
| 2.2.2 增强的智能HF通信选频体系 |
| 2.3 AI技术发展及助力HF通信选频方向 |
| 2.3.1 AI技术发展及其重点研究方向 |
| 2.3.2 AI助力HF通信选频的方案 |
| 2.3.3 AI助力HF通信选频的技术 |
| 2.4 本章小结 |
| 第3章 统计机器学习重建电离层f_oF_2长期预测模型 |
| 3.1 基于SML的建模思路 |
| 3.2 建模训练数据的选取 |
| 3.3 f_oF_2模型映射的建立 |
| 3.3.1 周年动态变化映射确定 |
| 3.3.2 空间动态变化映射确定 |
| 3.3.3 昼夜动态变化映射选择 |
| 3.4 f_oF_2模型参数的确定 |
| 3.4.1 周年动态变化参数确定 |
| 3.4.2 空间动态变化参数确定 |
| 3.4.3 昼夜动态变化参数确定 |
| 3.5 f_oF_2模型的验证分析 |
| 3.5.1 预测流程 |
| 3.5.2 对比分析 |
| 3.6 本章小结 |
| 第4章 区域化细粒度HF通信可用频率增强预测模型 |
| 4.1 建模思路 |
| 4.1.1 技术内涵 |
| 4.1.2 技术路线 |
| 4.1.3 建模流程 |
| 4.2 建模训练数据 |
| 4.2.1 M(3000)F2 建模训练数据 |
| 4.2.2 OWF与 HPF转换因子建模训练数据 |
| 4.3 M(3000)F2 精细化建模 |
| 4.4 OWF转换因子细粒度建模 |
| 4.5 HPF转换因子细粒度建模 |
| 4.6 模型验证分析 |
| 4.6.1 独立因子模型验证 |
| 4.6.2 可用频率预测模型对比 |
| 4.7 本章小结 |
| 第5章 基于混沌动力学的电离层f_oF_2短期预报模型 |
| 5.1 电离层参数短期预报需求 |
| 5.2 基于Volterra滤波器的自适应预测方法 |
| 5.3 电离层f_oF_2短期预报流程 |
| 5.3.1 f_oF_2观测数据预处理 |
| 5.3.2 相空间重构与混沌吸引子 |
| 5.3.3 f_oF_2混沌特性的量化评价 |
| 5.3.4 f_oF_2自适应短期预报 |
| 5.4 电离层f_oF_2短期预报方法验证 |
| 5.4.1 最佳训练周期确定 |
| 5.4.2 不同风暴期的对比 |
| 5.4.3 不同季节特性的对比 |
| 5.4.4 不同太阳活动期的对比 |
| 5.4.5 与IRI分析结果的对比 |
| 5.5 本章小结 |
| 第6章 混沌赋能HF通信最高可用频率短期预报模型 |
| 6.1 MUF短期预报思路 |
| 6.2 M(3000)F2 混沌短期预报模型 |
| 6.2.1 观测数据预处理 |
| 6.2.2 延迟时间和嵌入维数的确定 |
| 6.2.3 相空间重构与混沌吸引子 |
| 6.2.4 M(3000)F2 的自适应预报 |
| 6.3 预报参数空间特性的插值方法 |
| 6.3.1 基于地磁坐标的改进曲面样条插值方法 |
| 6.3.2 预报参数空间插值方法交叉验证 |
| 6.4 MUF短期预报方法验证分析 |
| 6.5 本章小结 |
| 第7章 总结和展望 |
| 7.1 全文的工作总结 |
| 7.2 未来工作的展望 |
| 参考文献 |
| 发表论文与参加科研情况说明 |
| 致谢 |
四、动力系统实测数据相空间重构的改进方法（论文参考文献）
- [1]城市内涝过程高效高分辨率模拟预报方法研究[D]. 陈光照. 西安理工大学, 2021
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]厚煤层综放开采顶煤破碎机理及智能化放煤控制研究[D]. 霍昱名. 太原理工大学, 2021(01)
- [4]基于RBF神经网络的高频地波雷达海杂波抑制方法研究[D]. 何康宁. 江苏科技大学, 2021
- [5]基于混沌特性分析与MEA-LSTM模型的短时交通流预测[D]. 张子轩. 长安大学, 2021
- [6]同步相量测量系统不良数据辨识与修正方法研究[D]. 杨智伟. 华北电力大学(北京), 2020(06)
- [7]基于机器学习的分布式光纤监测覆岩变形矿压预测研究[D]. 王润沛. 西安科技大学, 2020(01)
- [8]面向中尺度涡三维结构观测的水下滑翔机组网策略研究[D]. 李淑凤. 天津大学, 2020
- [9]面向大数据处理的异构融合可重构数据流加速器研究[D]. 沈俊忠. 国防科技大学, 2020(01)
- [10]基于机器学习和混沌理论的高频无线通信选频技术[D]. 王健. 天津大学, 2020(01)