一、基于动态小波神经网络的非线性动态系统辨识（论文文献综述）
王威珺[1]（2021）在《基于卡尔曼滤波的高速列车走行部故障诊断》文中研究表明走行部系统是保证高速列车稳定运行的重要部件,伴随着列车的高强度服役过程,一些关键部件容易出现老化、磨损等现象。如不能及时发现并加以处理,轻则引起整个列车的中止运行,严重则会引发重大的交通安全事故,给人民群众的安全问题与信任问题带来了重大的隐患。本论文以高速列车走行部系统为研究背景,通过基于模型的故障诊断方法解决实际列车走行部系统的故障诊断任务。围绕卡尔曼滤波方法在实际诊断应用中的问题展开研究。本文主要进行了以下几个方面的工作:（1）针对高速列车走行部系统多传感器监测信息的差异性问题,提出了一种分布式状态估计滤波器,研究了分布式系统信息采集的过程中,邻居节点对目标节点的影响,提高了多传感器监测的一致性。此外,对于实际运行中存在的初始化信息不完备、传感器测量噪声特性不可知等问题对状态估计的影响,采用无偏约束与量测差分技术提高状态估计的准确度。最后,通过带有加性故障的系统进行了方法的验证。（2）针对高速列车走行部系统的退化特性,研究了测量数据在长程相关过程下的系统最优状态估计问题,通过Hurst指数对数据的长程相关部分提取,设计修正值以实现实际系统状态估计的偏差修正,并结合第一部分所提出的分布式状态估计模型实现了分布式故障诊断。为了说明方法的有效性,本研究通过高速列车走行部系统的实际温度数据进行了验证。（3）针对走行部系统多源状态监测的状态耦合问题,首先建立了电机温度控制模型,提出一种改进融合Sigma点的无迹卡尔曼滤波方法实现耦合特性状态的估计。其次,建立了基于Levy过程的性能退化模型,给出了跳扩散过程的分解方法。最后通过走行部系统中的牵引电机数据验证了方法的有效性。（4）针对动态系统的故障辨识问题,提出一种联合学习方法,通过第一个神经网络实现系统故障检测,通过第二个网络实现系统的故障辨识。采用卡尔曼滤波框架建立两个神经网络之间的桥梁,通过生成的残差使联合神经网络方法交互协作运行。最后通过走行部系统中的牵引电机数据验证了方法的有效性。
丁海旭[2]（2020）在《自组织递归模糊神经网络设计及污水处理应用研究》文中研究说明模糊神经网络（Fuzzy Neural Network,FNN）是一种兼具人工神经网络（Artificial Neural Network,ANN）的非线性分析能力与模糊系统的模糊推理能力的网络模型。FNN针对人脑思维的模糊性特点,利用数值化信息构建特定的非线性映射以实现对模糊事物的识别和判断,是一种能够适用于更复杂问题和更广泛领域的高级信息处理系统。然而,现有的FNN在内部动态信息传递与结构自适应调整过程中仍存在着诸多尚未解决的研究难题,在一定程度上限制了FNN的建模能力与应用领域。因此,研究能够自适应传递网络内部信息与自组织调整网络结构的FNN具有重要的意义。为解决以上研究难题,本文通过研究和分析FNN的动力学特性,提出了一种基于多元时间序列分析的自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network based on Multivariate Time Series Analysis,MTSA-SORFNN）模型。该模型通过小波变换-模糊马尔可夫链（Wavelet Transform Fuzzy Markov Chain,WTFMC）算法将预测因子引入到递归层中,增强了网络的递归环节的适应性;同时,采用加权动态时间弯曲（Weighted Dynamic Time Warping,WDTW）算法与敏感度分析（Sensitivity Analysis,SA）算法分别从局部与整体对网络的结构进行评估与优化;最后,将该网络模型应用于基准非线性问题的预测,并设计开发了污水处理关键出水参数软测量智能系统。实验结果表明,MTSA-SORFNN在收敛速度和建模精度上都展现出了较好的性能,实现了对基准非线性问题与污水处理关键水质参数的准确预测。论文的主要研究工作和创新点如下:（1）基于WTFMC算法的递归机制设计研究。针对自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network,SORFNN）的递归量难以自适应的问题,提出了一种基于WTFMC算法的递归机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建多元时间序列（Multivariate Time Series,MTS）;其次,通过小波变换分解此MTS,并结合模糊马尔可夫链预测分解后得到的子序列变化趋势;最后,合并预测值并完成网络递归层的计算。实验结果表明,该递归机制可以探知网络的内部变化规律,有效地提高了网络的收敛速度。（2）基于WDTW-SA算法的自组织机制设计研究。针对SORFNN的结构难以确定的问题,提出了一种基于WDTW-SA算法的自组织机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建MTS;其次,采用WDTW算法计算MTS间距以分析神经元之间的相关性,根据相关性评价指标对神经元进行合并;同时,结合SA算法计算该段时间的神经元的累计贡献度,根据贡献度评价指标对神经元进行分裂与删减。实验表明该自组织机制能够获得更紧凑的网络结构,并有效地提高了网络的预测精度。（3）SORFNN的结构参数调整策略设计研究。为了保证SORFNN在结构变化时的稳定性,提出了一种结构参数的调整策略。首先,针对神经元的合并阶段、分裂阶段和删减阶段分别设计了相应的参数调整算法;其次,设计了相应的阈值调整策略以提高网络的结构优化效率;最后,通过收敛性分析,证明了网络在该结构参数调整策略下的输出稳定性,避免了网络的震荡。（4）污水处理关键出水参数软测量智能系统设计研究。针对污水处理中关键出水参数检测工艺复杂且实时测量困难等问题,设计并开发了一种以MTSA-SORFNN模型为理论基础的污水处理关键出水参数软测量智能系统。根据系统需求分析,将其分为用户管理、数据采集、氨氮预测和模型理论四个模块。该系统以Visual Studio 2010为开发平台,通过调用SQL Server 2008数据库以实现用户信息的管理、水厂数据的调用和预处理,通过调用预置的MTSA-SORFNN的MATLAB程序以实现软测量模型的训练与预测。该软测量系统相较于传统检测方法具有检测快速、成本低廉、实用性好等优点,对保证污水处理厂稳定高效运行具有实际的意义。
汤海波[3]（2020）在《数据驱动的配电网拓扑参数辨识及应用技术研究》文中认为配电网处于电力系统的末端,是连接输电系统与用户的重要环节,配电系统的可观测性和可控制性是其安全稳定运行的基础,也是为用户提供良好服务的保证。配电网可观测性和可控制性在很大程度上取决于其拓扑和线路物理参数的准确性。在配电网实际运行过程中,网络的开关状态和线路的物理参数会由于网络重构、故障隔离等原因而动态变化。然而,在配电自动化程度较低的系统中,由于管理方面的因素,这些变化往往无法得到有效的记录。而通过人工计算校验的方式获取这些动态拓扑参数的成本很高,因此迫切需要采用数据驱动的方法对配电网的动态拓扑和线路参数进行准确地辨识。本文以中压配电网为研究对象,依托智能电表提供的配电网运行数据,对于数据驱动的配电网拓扑以及线路物理参数辨识模型及方法开展了研究。首先针对配电网实时拓扑的估计问题,提出了将拓扑辨识问题转化为配变连接关系辨识的思路,构建了基于深度神经网络的拓扑辨识模型。考虑到智能电表数据存在噪声,采用二维小波阈值去噪算法对历史数据进行预处理,在此基础上,分析了配变连接关系的影响因素,基于电力系统和统计学知识从历史数据中挖掘特征,完成神经网络的输入参数设计。为提高深度神经网络模型的泛化能力和计算效率,采用网格搜索优化网络的超参数并以集成学习的方式优化网络的训练过程。最后以实际配电系统模型在Tensorflow平台上对本文提出的集成深度学习模型进行了验证。针对配电网实时线路参数的估计问题,构建了动态贝叶斯网络来模拟线路参数的动态特性,依据焦耳定律和潮流公式确定相关影响因素和线路参数的因果关系。线路参数的影响因素数据主要来自于智能电表和微气象站这两个不同的数据源。在python平台上对多源异构的原始数据进行了合并和清洗,作为模型的训练样本。考虑到训练样本中可能存在缺失值,使用最大似然估计法训练动态贝叶斯模型,并采用置信度传播算法完成模型的推理。最后在pgmpy平台上使用江苏省某地市中压配电网验证了提出的模型在演进的线路参数辨识方面的精确度和鲁棒性。最后,对所提出的配电网拓扑和参数辨识的应用场景进行了研究,以分布式电源选址优化为场景,构建了以电压偏差率、电压波动率和线路网损最低为目标函数的动态多目标优化模型。考虑到光伏接入后位置不可改变,采用基于蒙特拉罗模拟的概率潮流算法将动态问题转化为多个静态问题求解,并采用拉丁超立方采样优化含光伏配电网历史运行样本的选取。在目标函数规模不大的情况下,选择向量评估遗传算法获得多目标优化模型的Pareto最优解集。最后,在考虑配电网拓扑与线路参数动态特性的情况下,采用pandapower和geatpy模块对某中压配电网进行仿真,通过对比接入方案的优劣度验证了本文提出的分布式光伏电源接入选址优化算法的合理性。
杨宇航[4]（2020）在《基于神经网络的状态和参数估计算法研究》文中研究表明经过几十年的发展,神经网络以其出色的自学习能力,强大的非线性映射能力、容错性高、鲁棒性强、并行计算信息处理方式等特点,已在众多领域得到广泛应用。而如何将神经网络这一优势技术应用到控制学科则逐渐成为众多相关领域的研究重点,本文旨在通过神经网络的学习能力和映射能力,提高相应算法的性能指标（例:精度、速度等）。线性神经网络作为神经网络发展过程中的重要成果,本文将其与卡尔曼滤波算法耦合,并将其应用到受控状态空间模型的参数辨识和状态估计,相比于常规辨识算法（例:递推增广最小二乘算法）,新算法收敛更快、曲线更光滑,精度更高、误差更小。由于实际情况中存在诸多限制,导致不易获得系统精确模型和噪声特性,使得滤波算法收敛较慢,甚至发散。为改善这一情况,本文引入以误差反向传播算法作为权值训练算法的多层前馈网络。其中,BP神经网络是前馈型网络中最常用的模型,但该网络也存在诸多限制,例:网络效果对初始设计参数敏感,因此文章采用了自适应学习率、粒子群优化等算法弥补上述不足。仿真实验分为线性模型和非线性模型,其中线性模型实现融合状态估值器和自校正融合状态估值器。融合状态估值器的算法流程为:通过神经网络修正各传感器的状态估值,引入最优融合准则和平均数加权算法,获得基于神经网络的融合状态估值。相比于上述过程,自校正部分多出两个步骤,其一,利用辨识算法获得系统模型参数,其二,通过粒子群算法优化网络设计参数。非线性模型实现融合状态估值器,在传统扩展卡尔曼滤波基础上同时引入多新息算法和遗忘因子,仿真结果来看,文章提出算法均可减小估计误差,在一定程度上提高估值精度。当网络拓扑结构复杂时,互协方差阵不易计算,为提高卡尔曼一致性滤波算法的估计精度,借鉴融合估计算法的思路,利用多传感器协方差交叉融合算法作为融合准则,相比于卡尔曼一致性滤波算法,在算法结构中引入融合准则的算法估计精度更高。为进一步提高算法精度,利用融合后的状态估值和误差阵进行状态更新和误差阵更新。仿真结果显示该结构虽在一定程度上增加计算量,但仍在可接受的范围内,且相比于融合算法,反馈式结构仍可进一步改进算法。由于反馈型神经网络具有较快的收敛速度、较好的稳定性,且易于硬件实现,更好的稳定性。因此,在卡尔曼一致性算法的基础上,文章同时引入协方差交叉融合算法和Elman网络,其中融合算法提高估计精度,神经网络修正滤波值,从仿真结果可看出,神经网络的引入,确实在一定程度上提高算法的精度和收敛速度。
李建锋[5]（2020）在《基于动态系统辨识的涡扇发动机传感器故障诊断方法研究》文中研究表明随着机器学习与人工智能的发展,基于数据驱动的建模方法在没有系统过程先验知识的情况下也可以获得复杂系统的精确输出,基于系统辨识理论开展了发动机传感器故障诊断方法的研究,主要研究内容为:首先,对DGEN380涡扇发动机开展了系统辨识建模研究,完成了发动机在3种典型工况下的系统辨识实验设计与数据采集工作。在发动机3种典型工况下的小邻域内将DGEN380发动机视为线性系统,采用预测误差FPE准则选择合适的线性系统模型结构,并基于最小二乘原理RLS（Recursive Least Square Algorithm）完成了对发动机线性系统的辨识。随后采用了一种能够对线性系统模型结构和参数同步辨识的UD分解算法,并将UD分解算法其推广到MIMO线性系统的模型辨识。然后,将DGEN380发动机视为非线性系统,并采用非线性自回归滑动平均NARMAX模型建立发动机非线性模型。提出一种基于AIC（Akaike Information Criterion）显着性准则的前向选择法对NARMAX模型结构进行选择。鉴于LOLIMOT（Local Linear Model Tree）网络模型较强的非线性映射能力且能够反映非线性系统阶次和数据空间结构,基于LOLIMOT网络分别建立了从发动机燃油输入到主要输出变量的非线性模型。通过对比线性辨识方法和非线性辨识方法发现,非线性辨识模型精度高于线性辨识模型,但可通过增加模型阶次来提高线性模型的预测精度。为了解决线性系统传感器故障诊断问题,提出一种改进RLS辨识算法,将传感器故障参数视为待辨识参数,通过最小化损失函数指标获得故障参数的最优估计,将选择遗忘机制与RLS算法相结合,用于解决时变线性系统传感器故障诊断问题。同时,提出了一种改进NARMAX模型用于非线性系统传感器故障诊断。针对复杂系统出现的传感器故障种类识别问题,将小波分解理论和故障特征提取结合,根据传感器故障在线辨识算法和故障种类识别程序设计了一种适用于复杂系统传感器故障在线辨识结构,并通过某一正弦型传感器故障信号验证了故障诊断结构的合理性。
晏国辉[6]（2019）在《基于确定学习理论的心电身份识别研究》文中提出在社会经济、科技信息迅速发展的当今社会,传统的身份验证方式无法满足人类对安全的日益增长的需求。生物特征识别技术很好的解决了这一难题,虽然现在很多生物特征识别技术（如指纹、语音、人脸识别等）在安防监控、金融安全、医疗等领域得到了广泛的应用,但它们也存在伪造的安全隐患。本文研究了一种动态的生物特征识别技术——心电信号,其活体性、高防伪性等优势得到了生物特征识别领域的广泛关注,因此,将心电信号用于身份识别可以作为对现有生物特征识别技术的一个很好的补充。近十年来,Wang等人在动态模式识别领域展开了多个创新性的研究,并提出一种机器学习新理论——确定学习理论。它是一种利用RBF神经网络对动态未知环境下知识获取、表达、存储和再利用的理论,能够对周期、类周期甚至混沌轨迹的动态系统实现局部准确的辨识,并以时不变的RBF神经网络权值来存储学习到的动态知识。基于确定学习理论,本文提出一种动态心电身份识别框架。主要研究成果如下:1)心电数据的采集和预处理。本文以爱康采集盒为硬件基础,编写上位机程序实现标准12导联心电信号的采集,并研究了一种用于原始心电信号的中值滤波和小波滤波方法,有效地将干扰噪声去除,为后续的识别提供重要的保障。2)心脏动力学特征的提取以及身份识别。心电信号的时、频域特征是有限的,不够全面反映心电模式的动态特性。本文首先将标准12导联ECG数据转换为3维VCG数据,它们之间的转换不会丢失与心脏动力学有关的信息内容,在训练阶段,通过确定学习机制,利用RBF神经网络精确地提取VCG信号的心脏动力学特征,并以时不变的RBF神经网络权值存储,使用提取的动力学特征构造估计器组以表示训练的心电模式。在识别阶段,将待测试模式与该动态估计器的所有模式进行比较,就可以得到一组用于衡量待识别模式和训练模式之间相似度的范数形式的残差,根据最小残差原则,就可以快速识别待测试模式。最后本文通过自行采集的心电数据和PTB数据库的心电数据进行多组实验,并采用四个评价指标验证了该方法的有效性和可行性。3)设计并实现了基于MATLAB GUI的心电身份识别系统。主要包括数据采集、心电模式训练、心电识别三个部分,为本文的研究和实验分析提供了有效的工具平台。
王乾[7]（2019）在《基于确定学习理论的渐变故障辨识、检测与预测研究》文中研究指明随着工业自动化水平的日益提高,系统中的关键设备都在朝着精密化和复杂化方向发展。这些设备的安全可靠运行是人们非常关心的重要问题,对其进行安全监测具有重要的社会意义和经济意义。在实际工业生产中,即使系统设计的很完善,在不同的工况下长时间运行,都会出现不同程度的故障。特别地,在系统发生渐变故障后,对系统运行状态进行准确及时的监测（从系统提取有效的、稳定的特征来准确反映系统退化状态）、故障诊断和健康管理显得尤为重要。本文主要研究如下三个方面的内容:基于确定学习理论,针对一类发生渐变故障的非线性不确定系统,沿着系统的轨迹,首先对系统动态进行准确辨识得到系统的动力学轨迹,在动力学轨迹基础上提取出更加敏感的系统动态特征;然后,使用动态模式识别方法对系统渐变故障进行快速检测;最后,结合系统残差的变化对系统失效时间进行准确预测,以实现对系统健康状态的实时评估。具体如下:1.非线性系统的动态建模及特征提取。对一类非线性动力学系统,通过确定学习理论对系统未知的系统动态进行局部准确辨识,并将系统状态轨迹代入动力学建模结果中得到系统的动力学轨迹。首先,在Lempel-Ziv复杂度（LZ复杂度）算法的基础上,提出了时空LZ复杂度,其包含了时间复杂度（Temporal-LZ compelxity,TLZC）和空间复杂度（Saptio-LZ compelxity,SLZC）两个指标,用于表征系统动力学轨迹的复杂度;其次,对系统的时空LZ复杂度特征指标进行敏感程度分析;然后,使用经典的非线性动力学系统（Rossler系统和Duffing系统）进行数值仿真。结果表明,相比于状态轨迹,从动力学轨迹中提取的特征可以更加敏感地反映出非线性动力学系统的周期、倍周期及混沌状态。最后,将所提出的方法应用到实际的心电信号动态特征表达上,结果表明,提取出的心电信号动态复杂度指标能更加明显反映出心肌缺血的情况,可以显着提高其对心肌缺血检测准确度、特异度和敏感度。2.基于确定学习理论的渐变故障快速检测。针对一类包含不确定项和外部扰动的非线性系统,定义系统的健康模式、亚健康模式和故障模式。运用确定学习理论对系统三种模式的动态进行准确的辨识,将学到的三种模式下的知识以常值径向基神经网络的形式进行存储。基于确定学习的泛化能力和故障的渐变特性选取具有代表性的模式,构建系统动态模式库。利用该模式库构造一系列动态估计器,与待检测系统进行比较,从而得到三类不同模式的残差。采用最小残差原则,实现对系统亚健康和渐变故障的快速检测。针对在有/无外部扰动干扰情况下,对渐变故障的可检测性进行了充分的分析。与现有的基于在线逼近器的渐变故障检测方法相比,所提出的方法不要求渐变故障幅值在一定时间内大于系统的建模不确定项,对微小渐变故障更加敏感,同时可实现对渐变故障的不同阶段（健康、亚健康和故障模式）进行检测,而且还可消除检测阈值需要设定的影响,提供一个更加准确和快速的检测故障方法。3.基于确定学习理论的系统失效时间准确预测。针对由渐变故障引起系统动力学变化的非线性不确定系统,基于确定学习理论的系统失效时间预测机制,可实现对系统失效时间的准确预测:利用确定学习对系统渐变故障不同阶段的动态进行准确辨识,随着系统渐变故障的变化,使用失效模式设计的估计器和待监测系统比较得到的残差将逐渐减小。当系统达到失效状态时,对应的残差将小于失效阈值;基于此,分别对无外部干扰和有外部干扰情况下,建立了系统失效时间预测模型,并将当前时刻系统动态代入到预测模型中,可得到准确的系统失效时间预测值,以便及时制定合理的系统维护策略,保障系统安全运行。进一步结合第四章,建立了一个非线性系统渐变故障检测和系统失效时间预测综合算法（Incipient faults detection and Time-to-failure Prediction,IFDTP）。与已有的其他系统失效时间预测方法相比,本文从系统动态变化的角度给出更加准确的失效时间预测值（满足持续激励条件）,在检测和预测过程中都不需要对系统的动态进行重新学习,并且是并行执行的,所提出IFDTP算法更容易实施。
郑羽彤[8]（2018）在《面向固定翼飞行器的智能辨识算法研究》文中认为近年来,飞行器性能不断提升,在军事侦察、监视、通信以及民用领域都有着十分广泛的应用,其研究工作得到国内外科研人员的广泛重视。飞行器在实际任务中要得到广泛应用就需要有更优秀的控制性能,为了实现这个目的,就需要研究如何进行有效的飞行器建模。本文针对无人作战需求下的F-16固定翼飞行器系统所具有的非线性、强耦合、时变的特点,重点进行了四个方面的系统辨识研究,包括激励信号设计、神经网络辨识、Hammerstein-Wiener模型辨识和类H-W结构的分块辨识。（1）根据F-16飞行器的动态频率响应特性,有针对性的选择和设计了两类飞行器辨识实验激励信号。基于MATLAB仿真平台,整理重建并改进了基于风洞试验数据的F-16 Simulink模型,进行了仿真验证。仿真结果表明,此模型在设计的激励信号作用下,能够准确模拟飞机的飞行状态,为后续的辨识实验提供了可靠的数据支持。（2）针对F-16飞行器系统的动态非线性强耦合特点,提出了两类基于动态递归神经网络的辨识方法。利用Simulink仿真模型产生的飞行状态数据,进行了两类基于不同递归方式的神经网络辨识实验。在网络类型确定的基础上,通过反复试验与误差比较,选取了适用于F-16系统辨识的网络结构参数。实验结果表明,全局递归的NARX神经网络辨识效果优于局部递归的Elman网络,能够准确的预测飞机的状态变化,代替F-16飞行器系统参与控制器设计,是一种有效的辨识手段。（3）针对神经网络辨识对飞行器系统内部运动机理了解不足及模型参数无具体意义的缺陷,建立了基于Hammerstein-Wiener模型的飞行器辨识方法。此方法将F-16系统用“非线性-线性-非线性”结构的H-W模型拟合,相较神经网络辨识方法而言,分析了系统中暗含的线性部分的阶次和零极点情况,模型辨识精度较高,对辨识对象的了解更进一步。（4）为了细化对F-16系统内部的描述,设计了一种类似于Hammerstein-Wiener模型结构的分块辨识方法。此方法结合系统的信息流向,引入飞行器质量和转动惯量信息,在辨识过程中加入了结构约束,将F-16飞行器系统划分为若干个线性/非线性模块,并针对各模块分别采用合适的模型类与辨识策略进行细化建模与分块学习。实验表明,论文提出的类H-W结构的分块辨识方法加深了对系统内部的理解,减少了辨识中需要估计的参数数量,有效提高了对F-16飞行器系统辨识的准确性。
曹阳[9]（2018）在《基于小波神经网络的气垫式流浆箱预测控制研究》文中进行了进一步梳理在造纸工业中,流浆箱是纸机的关键的部件,其输出对纸幅成形的质量至关重要。气垫式流浆箱在国内应用十分广泛,对于其控制系统的研究具有重要意义。本文针对气垫式流浆箱的控制问题,深入研究了一类具有自回归结构的小波神经网络,应用改进粒子群算法对该网络参数进行初始化,将该网络模型作为预测控制的预测模型,提出了基于自回归小波神经网络的气垫式流浆箱预测控制策略。主要研究成果如下:（1）针对标准粒子群算法过早收敛,易陷入局部最优的缺陷,本文将粒子总群分为若干个子探测型种群和一个开发型种群,并研究了子种群间的拓扑结构,所有子探测型种群形成环形拓扑,子探测型种群与子开发型种群形成星型拓扑。在粒子群迭代寻优过程中,子种群间互相保持通信,并根据适应度进行粒子迁移替换,维持粒子种群多样性,改善粒子群的局部搜索性能,保证算法能够搜索到全局最优。本文将该算法用于优化小波神经网络,仿真结果表明本文的改进粒子群算法有良好的全局寻优能力和函数逼近性能,具有令人满意的非线性系统辨识效果。（2）为提高小波神经网络的训练效率,减少网络小波层的小波元数量,本文深入研究了自回归小波神经网络,该类网络小波层的每个小波元都有一个自反馈环,能够提高训练数据的利用率。本文研究了网络稳定的条件,实现了网络权重学习率的自适应调节。我们将自回归小波神经网络作为预测模型,设计了一种非线性预测控制策略,通过梯度下降法求取控制量,分析和证明了使系统稳定的控制优化率条件。仿真结果验证了本控制策略的有效性。（3）本文介绍了气垫式流浆箱的数学模型,其被描述为一个双输入双输出的强非线性系统。我们对该模型进行了数据采样,用改进PSO算法和SRWNN对采样得到的流浆箱系统数据进行了模型辨识,将其作为预测模型,构建了基于SRWNN的流浆箱预测控制系统。仿真结果表明,本控制策略实现了对浆位和气垫总压的稳定控制,对干扰具有鲁棒性。
方盼[10]（2015）在《一类模糊神经网络的参数辨识和结构优化》文中进行了进一步梳理模糊神经网络结合了模糊系统和人工神经网络两者的特点,不仅能处理语言信息,还具有自学习功能,已广泛应用于复杂系统的建模和控制。目前关于模糊神经网络的研究主要包括：确定网络结构、建立参数学习算法和优化网络结构。本文分别探讨了基于非多项式和多项式后件的模糊神经网络的参数辨识及结构优化。论文的主要工作如下：第一,本文提出了一种基于极限学习机的模糊小波神经网络参数辨识算法,模糊神经网络的后件采用小波函数构建,利用极限学习机辨识网络的线性参数,同时采用梯度寻优算法对非线性参数进行优化。在此基础上,我们提出了分类建模策略对网络结构进行优化,通过对建模数据的分类,进而对各局部模型进行参数辨识,可以较为有效地提高模糊小波网络的建模精度。数值仿真结果表明,本文所建立的模糊小波神经网络对时间序列、非线性函数及UCI数据集具有较好的逼近效果。第二,本文采用广义Bernstein多项式函数作为推理规则的后件,构建了Bernstein模糊神经网络。采用K均值聚类算法辨识网络的隶属函数参数,对于网络的连接权值则采用偏最小二乘算法进行计算,在计算过程中进行主元分析,提高了模型的逼近精度。通过对非线性系统的建模,测试结果验证了本文模型的有效性。第三,本文研究了基于模糊Bernstein神经网络的区间值时间序列的预测。首先,建立区间值时间序列的中值序列和半径序列,然后,设计模糊Bernstein神经网络对这两个时间序列分别预测,从而实现对区间值时间序列的预测。测试结果表明,模糊Bernstein神经网络可以较为有效地处理区间值时间序列的建模问题。
二、基于动态小波神经网络的非线性动态系统辨识（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、基于动态小波神经网络的非线性动态系统辨识（论文提纲范文）
（1）基于卡尔曼滤波的高速列车走行部故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.3 研究目标与研究内容 |
| 1.4 论文的组织结构 |
| 第2章 基于多传感器滤波的分布式状态估计 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 多传感器系统滤波 |
| 2.4 仿真实验 |
| 2.5 本章小结 |
| 第3章 走行部系统的退化建模与分布式故障诊断 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 Wiener过程退化模型 |
| 3.2.2 Hurst指数 |
| 3.3 高速列车转向架系统分布式故障诊断方法 |
| 3.3.1 长程相关过程下的状态修正值计算 |
| 3.3.2 残差生成器设计 |
| 3.4 实验与讨论 |
| 3.4.1 Cincinnati公开数据集验证 |
| 3.4.2 高速列车故障诊断 |
| 3.4.3 对比分析 |
| 3.5 结论 |
| 第4章 走行部系统在耦合特性状态下的故障诊断 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 高速列车异步牵引电机结构 |
| 4.2.2 卡尔曼滤波的统计推导 |
| 4.3 带有耦合特性参量的系统故障诊断方法 |
| 4.3.1 基于高斯混合模型的Sigma点生成 |
| 4.3.2 非线性系统模型 |
| 4.3.3 基于无迹卡尔曼滤波的状态估计与故障检测 |
| 4.4 实验与讨论 |
| 4.5 结论 |
| 第5章 基于联合神经网络与卡尔曼滤波框架的传感器故障辨识方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 深度学习 |
| 5.2.2 动态系统描述 |
| 5.2.3 问题描述 |
| 5.3 故障辨识方法 |
| 5.3.1 联合深度学习的故障辨识方法概述 |
| 5.3.2 第一个神经网络的工作机制 |
| 5.3.3 第二个神经网络的工作机制 |
| 5.3.4 联合神经网络方法的实现步骤 |
| 5.4 实验结果与讨论 |
| 5.4.1 牵引控制平台与故障介绍 |
| 5.4.2 故障辨识结果 |
| 5.4.3 对比实验与讨论 |
| 5.5 结论 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（2）自组织递归模糊神经网络设计及污水处理应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 自组织递归模糊神经网络研究现状 |
| 1.2.1 递归机制研究现状 |
| 1.2.2 自组织机制研究现状 |
| 1.3 污水处理关键出水参数预测方法研究进展 |
| 1.3.1 化学检测方法 |
| 1.3.2 软测量分析方法 |
| 1.4 课题来源 |
| 1.5 论文研究内容与结构安排 |
| 第2章 基于WTFMC算法的递归神经网络设计方法 |
| 2.1 引言 |
| 2.2 递归神经网络 |
| 2.2.1 RNN的概念 |
| 2.2.2 RNN的分类 |
| 2.2.3 RNN的分析 |
| 2.3 基于WTFMC算法的递归机制研究 |
| 2.3.1 问题描述 |
| 2.3.2 小波变换 |
| 2.3.3 模糊马尔可夫链 |
| 2.4 基于WTFMC算法的RFNN设计方法 |
| 2.5 仿真实验及结果分析 |
| 2.5.1 Henon混沌系统辨识 |
| 2.5.2 非线性系统辨识 |
| 2.6 本章小结 |
| 第3章 基于WDTW-SA算法的自组织神经网络设计方法 |
| 3.1 引言 |
| 3.2 自组织神经网络 |
| 3.2.1 SONN的概念 |
| 3.2.2 SONN的分类 |
| 3.2.3 SONN的分析 |
| 3.3 基于WDTW-SA算法的自组织机制研究 |
| 3.3.1 问题描述 |
| 3.3.2 加权动态时间弯曲算法 |
| 3.3.3 敏感度分析算法 |
| 3.4 基于WDTW-SA算法的SOFNN设计方法 |
| 3.5 仿真实验及结果分析 |
| 3.5.1 动态系统辨识 |
| 3.5.2 Mackey-Glass时间序列预测 |
| 3.6 本章小结 |
| 第4章 基于MTSA算法的SORFNN设计方法 |
| 4.1 引言 |
| 4.2 模糊神经网络 |
| 4.2.1 FNN的概念 |
| 4.2.2 FNN的分类 |
| 4.2.3 FNN的分析 |
| 4.3 基于MTSA算法的SORFNN的构建过程 |
| 4.3.1 结构设计方法 |
| 4.3.2 结构调整策略 |
| 4.3.3 阈值设定分析 |
| 4.3.4 收敛性分析 |
| 4.3.5 网络学习过程 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 Henon混沌系统辨识 |
| 4.4.2 Mackey-Glass时间序列预测 |
| 4.5 本章小结 |
| 第5章 污水处理关键出水参数软测量方法 |
| 5.1 引言 |
| 5.2 污水处理软测量模型的原理 |
| 5.3 污水处理软测量模型的辅助变量选取 |
| 5.3.1 污水处理工艺 |
| 5.3.2 出水NH_4~+-N机理分析 |
| 5.3.3 数据采集和预处理 |
| 5.3.4 辅助变量降维 |
| 5.4 基于MTSA-SORFNN的出水NH_4~+-N软测量模型 |
| 5.5 本章小结 |
| 第6章 污水处理关键出水参数软测量智能系统开发 |
| 6.1 引言 |
| 6.2 软件系统的需求分析 |
| 6.2.1 用户需求 |
| 6.2.2 功能需求 |
| 6.3 软件系统的方案设计及关键技术 |
| 6.3.1 系统方案设计 |
| 6.3.2 系统关键技术 |
| 6.4 软件系统的功能开发 |
| 6.4.1 用户管理模块 |
| 6.4.2 数据采集模块 |
| 6.4.3 氨氮预测模块 |
| 6.4.4 模型理论模块 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的成果 |
| 致谢 |
（3）数据驱动的配电网拓扑参数辨识及应用技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动算法在配电网分析领域的应用现状 |
| 1.2.2 数据驱动的配电网拓扑辨识研究现状 |
| 1.2.3 数据驱动的配电网参数辨识研究现状 |
| 1.3 研究意义 |
| 1.4 本论文的主要工作和组织结构 |
| 第二章 基于深度神经网络的配电网拓扑辨识技术研究 |
| 2.1 基于深度神经网络的配电网拓扑辨识模型构建 |
| 2.2 配电网拓扑简化及多源数据预处理 |
| 2.2.1 配电网拓扑模型的简化 |
| 2.2.2 基于pandas的多源数据预处理 |
| 2.2.3 基于二维小波阈值法的数据去噪 |
| 2.3 配电网拓扑辨识的深度学习模型特征参数设计 |
| 2.3.1 配电网拓扑辨识模型的特征提取 |
| 2.3.2 配电网拓扑辨识模型的特征选择 |
| 2.4 MLP模型的集成学习方法 |
| 2.5 基于深度神经网络的配电网拓扑辨识算例分析 |
| 2.6 本章小结 |
| 第三章 基于动态贝叶斯模型的配电网线路物理参数辨识技术研究 |
| 3.1 配电网线路物理参数的动态特性 |
| 3.1.1 外部环境对线路物理参数的影响 |
| 3.1.2 配电网运行状态对线路物理参数的影响 |
| 3.2 动态贝叶斯网络的理论基础 |
| 3.2.1 动态贝叶斯网络模型 |
| 3.2.2 动态贝叶斯网络中的独立关系 |
| 3.3 基于动态贝叶斯网络的配电网线路物理参数辨识模型 |
| 3.3.1 配电网线路物理参数辨识动态贝叶斯网络构建 |
| 3.3.2 动态贝叶斯网络模型参数学习 |
| 3.3.3 基于置信度传播算法的线路动态物理参数推断 |
| 3.4 基于动态贝叶斯网络的配电网线路参数辨识算例 |
| 3.4.1 模型数据来源及原始数据预处理 |
| 3.4.2 动态贝叶斯网络模型超参数的设置 |
| 3.4.3 不同线路参数辨识模型的精确度比较 |
| 3.4.4 DBN抗噪音性能验证与比较 |
| 3.5 本章小结 |
| 第四章 基于配电网拓扑参数辨识的分布式光伏电源选址优化 |
| 4.1 配电网分布式光伏电源布点规划面临的问题 |
| 4.2 考虑配电网动态特性的多目标优化模型构建 |
| 4.3 基于蒙特卡洛模拟法的多场景DG布点优化 |
| 4.3.1 DG与负荷的季节波动特性分析 |
| 4.3.2 基于蒙特卡洛模拟法的含DG配电网概率潮流计算 |
| 4.4 基于遗传算法的DG选址优化问题求解 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）基于神经网络的状态和参数估计算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外同类课题研究现状及发展趋势 |
| 1.2.1 神经网络的发展历史 |
| 1.2.2 神经网络在系统辨识上的研究现状及发展趋势 |
| 1.2.3 神经网络在状态估计上的研究现状及发展趋势 |
| 1.3 本文的主要研究内容 |
| 第二章 线性系统的模型参数估计 |
| 2.1 引言 |
| 2.2 能观受控标准型参数估计算法 |
| 2.2.1 问题描述 |
| 2.2.2 基于Kalman滤波的最小二乘迭代算法(KF-LSI) |
| 2.2.3 仿真研究 |
| 2.3 能观能控标准型系统参数估计算法 |
| 2.3.1 问题描述 |
| 2.3.2 受控状态空间模型转化为CARMA新息模型 |
| 2.3.3 线性神经网络 |
| 2.3.4 Kalman滤波线性神经网络迭代算法(KF-LNN-I) |
| 2.3.5 仿真研究 |
| 2.4 本章小结 |
| 第三章 基于BP神经网络的融合状态估值器 |
| 3.1 引言 |
| 3.2 线性系统融合估值器 |
| 3.2.1 问题描述 |
| 3.2.2 局部最优Kalman滤波器 |
| 3.2.3 BP神经网络的结构和学习算法 |
| 3.2.4 基于BP神经网络的Kalman滤波器 |
| 3.2.5 基于几种平均数的融合准则 |
| 3.2.6 仿真研究 |
| 3.3 带未知模型参数线性系统融合估值器 |
| 3.3.1 问题描述 |
| 3.3.2 基于加权观测融合的KF-LSI算法 |
| 3.3.3 基于PSO-BP神经网络的融合估值器 |
| 3.3.4 仿真研究 |
| 3.4 带相关观测噪声的非线性系统融合估值器 |
| 3.4.1 问题描述 |
| 3.4.2 加权观测融合多新息扩展卡尔曼滤波算法 |
| 3.4.3 基于搜索动态学习率的PSO-BP神经网络融合估值器 |
| 3.4.4 仿真研究 |
| 3.5 本章小结 |
| 第四章 基于Elman神经网络的融合一致性状态估值器 |
| 4.1 引言 |
| 4.2 Kalman一致性滤波算法 |
| 4.3 融合Kalman一致性滤波算法 |
| 4.3.1 矩阵加权融合Kalman一致性滤波算法 |
| 4.3.2 标量加权融合Kalman一致性滤波算法 |
| 4.4 CI融合Kalman一致性滤波算法 |
| 4.4.1 CI融合估计算法 |
| 4.4.2 BCI融合一致性Kalman滤波算法 |
| 4.4.3 SCI融合一致性Kalman滤波算法 |
| 4.4.4 仿真研究 |
| 4.5 反馈式一致性融合滤波算法 |
| 4.5.1 问题描述 |
| 4.5.2 反馈式BCI融合卡尔曼一致性滤波 |
| 4.5.3 仿真研究 |
| 4.6 基于Elman神经网络的一致性融合滤波算法 |
| 4.6.1 问题描述 |
| 4.6.2 基于Elman神经网络的BCI融合一致性Kalman滤波 |
| 4.6.3 仿真研究 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文 |
（5）基于动态系统辨识的涡扇发动机传感器故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航空发动机建模技术国内外研究现状 |
| 1.2.2 航空发动机传感器故障诊断技术国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 发动机辨识实验设计与数据处理 |
| 2.1 系统辨识理论概述 |
| 2.1.1 系统辨识内容和步骤 |
| 2.1.2 系统辨识模型 |
| 2.1.3 常见系统辨识方法 |
| 2.2 涡扇发动机系统辨识实验设计 |
| 2.2.1 系统辨识对象 |
| 2.2.2 伪随机输入信号设计 |
| 2.2.3 多倍正弦和输入信号设计 |
| 2.3 实验数据处理与数据检验 |
| 2.3.1 实验数据零均值化与低通滤波处理 |
| 2.3.2 实验数据同步性检验 |
| 2.3.3 实验数据非线性和漂移性检验 |
| 2.4 本章小结 |
| 第三章 涡扇发动机线性系统辨识方法研究 |
| 3.1 线性系统数学模型概述 |
| 3.1.1 连续型单输入单输出数学模型 |
| 3.1.2 离散型单输入单输出数学模型 |
| 3.2 基于最小二乘理论的发动机线性系统辨识 |
| 3.2.1 最小二乘基本原理 |
| 3.2.2 递推形式下的系统参数和噪声方差估计 |
| 3.2.3 基于最终预测误差准则的线性系统阶次辨识 |
| 3.2.4 发动机系统仿真 |
| 3.3 基于增广UD分解算法的发动机线性系统辨识 |
| 3.3.1 信息压缩矩阵和矩阵UD分解算法 |
| 3.3.2 矩阵UD分解与RLS算法结合用于发动机结构和参数辨识 |
| 3.3.3 适用于MIMO线性系统辨识的UD分解算法 |
| 3.3.4 基于残差自相关系数法的辨识模型检验 |
| 3.4 本章小结 |
| 第四章 涡扇发动机非线性系统辨识方法研究 |
| 4.1 非线性系统模型概述 |
| 4.1.1 Volterra级数模型 |
| 4.1.2 Hammerstein模型 |
| 4.1.3 Wiener模型 |
| 4.2 基于NARMAX模型的航空发动机非线性建模 |
| 4.2.1 NARMAX非线性模型的数学描述 |
| 4.2.2 NARMAX非线性模型参数求解方法 |
| 4.2.3 基于AIC信息准则的NARMAX模型结构选择 |
| 4.2.4 DGEN380发动机非线性建模 |
| 4.3 基于LOLIMOT网络模型的航空发动机非线性建模 |
| 4.3.1 局部线性模型树LOLIMOT网络 |
| 4.3.2 LOLIMOT神经网络的局部参数估计 |
| 4.3.3 LOLIMOT网络建立发动机非线性模型 |
| 4.3.4 发动机线性模型与非线性模型精度对比 |
| 4.4 本章小结 |
| 第五章 基于系统辨识技术的传感器故障诊断方法研究 |
| 5.1 发动机传感器常见故障模式 |
| 5.2 基于辨识理论的线性系统传感器在线故障诊断方法研究 |
| 5.2.1 用于传感器故障诊断的改进RLS辨识算法 |
| 5.2.2 选择遗忘机制与RLS算法结合用于时变系统传感器故障诊断 |
| 5.2.3 线性系统传感器故障诊断仿真 |
| 5.3 基于辨识理论的非线性系统传感器故障诊断方法研究 |
| 5.3.1 故障情况下非线性系统的数学描述 |
| 5.3.2 用于非线性系统故障诊断的改进NARMAX结构 |
| 5.3.3 基于LOLIMOT网络的非线性系统传感器故障诊断方法研究 |
| 5.3.4 非线性系统传感器故障诊断仿真 |
| 5.4 基于小波理论的发动机传感器故障种类辨识研究 |
| 5.4.1 小波变换理论 |
| 5.4.2 传感器故障信号的特征提取研究 |
| 5.4.3 传感器故障种类识别 |
| 5.4.4 基于动态系统辨识的发动机传感器故障识别结构 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 全文结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士学位攻读期间发表的论文成果 |
（6）基于确定学习理论的心电身份识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 心电信号用于身份识别的可行性分析 |
| 1.3 研究现状及本文的方法 |
| 1.3.1 国内外研究现状 |
| 1.3.2 课题研究的内容及创新点 |
| 1.4 本文章节安排 |
| 第二章 确定学习理论 |
| 2.1 引言 |
| 2.2 确定学习理论介绍 |
| 2.2.1 径向基函数(RBF)神经网络 |
| 2.2.2 持续激励条件 |
| 2.2.3 离散系统的确定学习 |
| 2.3 动态模式识别 |
| 2.3.1 时不变空间分布的描述 |
| 2.3.2 动态模式的相似性度量 |
| 2.3.3 快速识别 |
| 2.4 本章小结 |
| 第三章 实验数据来源及预处理 |
| 3.1 引言 |
| 3.2 实验数据来源 |
| 3.2.1 PTB数据库 |
| 3.2.2 心电数据采集 |
| 3.3 心电信号预处理 |
| 3.3.1 中值滤波算法 |
| 3.3.2 小波滤波算法 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于确定学习理论的心电身份识别 |
| 4.1 引言 |
| 4.2 心电向量图 |
| 4.3 确定学习理论用于心电身份识别研究 |
| 4.3.1 心电模式学习机制 |
| 4.3.2 心电识别机制 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 心电身份识别系统的设计与实现 |
| 5.1 引言 |
| 5.2 开发工具介绍 |
| 5.3 系统设计 |
| 5.3.1 系统整体功能需求分析 |
| 5.3.2 系统整体流程框图 |
| 5.4 系统模块介绍 |
| 5.4.1 数据采集模块 |
| 5.4.2 心电模式训练模块 |
| 5.4.3 心电识别模块 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）基于确定学习理论的渐变故障辨识、检测与预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 振动信号特征提取 |
| 1.2.2 渐变故障诊断 |
| 1.2.3 系统失效时间预测 |
| 1.2.4 确定学习理论简介 |
| 1.3 本文的研究内容及结构安排 |
| 第二章 确定学习理论 |
| 2.1 引言 |
| 2.2 确定学习机制 |
| 2.3 动态模式识别 |
| 2.4 微小故障检测 |
| 2.5 本章小结 |
| 第三章 基于确定学习理论的非线性系统动态特征表达 |
| 3.1 引言 |
| 3.2 非线性系统动力学轨迹的获取 |
| 3.3 动态特征表达 |
| 3.3.1 Lempel-Ziv复杂度算法 |
| 3.3.2 动态特征表达:时空LZ复杂度表征 |
| 3.3.3 动态特征提取方法的敏感性分析 |
| 3.4 仿真验证 |
| 3.4.1 Duffing振子 |
| 3.4.2 Rossler系统 |
| 3.5 应用研究:心电信号动态特征提取 |
| 3.5.1 心电动力学图(Cardiodynamicsgram,CDG) |
| 3.5.2 样本的选取 |
| 3.5.3 心电信号的时空LZ复杂度表征 |
| 3.6 本章小结 |
| 3.7 附录A |
| 第四章 基于确定学习理论的非线性系统渐变故障检测 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 三种不同系统模式的学习和表达 |
| 4.4 系统模式库的建立 |
| 4.5 渐变故障的快速检测 |
| 4.5.1 渐变故障的检测机制 |
| 4.5.2 不含外部扰动时的渐变故障快速检测 |
| 4.5.3 有外部扰动情况下的渐变故障快速检测 |
| 4.6 仿真验证 |
| 4.6.1 Van Der Pol振荡系统 |
| 4.6.2 Duffing振荡系统 |
| 4.7 本章小结 |
| 第五章 基于确定学习理论的非线性系统失效时间预测 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 系统模式库的建立 |
| 5.4 渐变故障的快速检测与预测机制 |
| 5.4.1 渐变故障检测机制 |
| 5.4.2 失效时间(TTF)预测机制 |
| 5.5 仿真验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 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 |
| 附件 |
（8）面向固定翼飞行器的智能辨识算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 信号选择及仿真模型建立 |
| 2.1 激励信号设计 |
| 2.1.1 常用激励信号性能分析 |
| 2.2 无人机系统数学描述 |
| 2.3 仿真对象模型建立 |
| 2.3.1 仿真系统的模块分解 |
| 2.3.2 控制舵面信号的输入 |
| 2.3.3 F-16飞行器的动力学系统 |
| 2.3.4 飞行状态信号的采集与输出 |
| 2.4 本章小结 |
| 第三章 神经网络辨识及Hammerstein-Wiener模型辨识 |
| 3.1 非线性系统与神经网络辨识的关系 |
| 3.2 两类递归神经网络的辨识 |
| 3.2.1 神经网络设计基础 |
| 3.2.2 Elman神经网络辨识 |
| 3.2.3 NARX神经网络辨识 |
| 3.2.4 实验结果对比与分析 |
| 3.3 Hammerstein-Wiener模型辨识 |
| 3.3.1 Hammerstein-Wiener模型结构 |
| 3.3.2 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 类H-W结构的分块辨识方法 |
| 4.1 建模对象分块 |
| 4.1.1 问题描述 |
| 4.1.2 模块划分 |
| 4.2 输入非线性模块 |
| 4.2.1 模块结构分析 |
| 4.2.2 实验结果 |
| 4.3 中间环节近似线性模块 |
| 4.3.1 力到线加速度的变换 |
| 4.3.2 力矩到角加速度的变换 |
| 4.4 输出非线性模块 |
| 4.4.1 模块结构分析 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文主要工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于小波神经网络的气垫式流浆箱预测控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 气垫式流浆箱概述 |
| 1.2.1 流浆箱主要类型及特性 |
| 1.2.2 气垫式流浆箱的工作机理 |
| 1.3 气垫式流浆箱控制装置以及控制策略的发展现状 |
| 1.3.1 气垫式流浆箱控制装置的发展现状 |
| 1.3.2 气垫式流浆箱控制策略的发展现状 |
| 1.4 课题研究内容及基本框架 |
| 第二章 小波神经网络非线性预测控制基本理论概述 |
| 2.1 非线性预测控制理论概述 |
| 2.1.1 预测控制基本原理 |
| 2.1.2 非线性预测控制问题一般描述 |
| 2.1.3 非线性预测控制理论发展 |
| 2.2 小波神经网络理论概述 |
| 2.2.1 小波分析原理 |
| 2.2.2 小波神经网络的模型发展 |
| 2.2.3 小波神经网络的学习优化算法 |
| 2.2.4 小波神经网络在预测控制理论中的应用 |
| 2.3 小波神经网络的预测仿真研究 |
| 2.4 本章小结 |
| 第三章 基于粒子群优化的小波神经网络 |
| 3.1 粒子群算法简述 |
| 3.1.1 粒子群算法的基本原理 |
| 3.1.2 粒子群算法的理论发展及应用 |
| 3.2 基于粒子群算法优化的WNN研究 |
| 3.2.1 粒子群算法改进 |
| 3.2.2 改进型粒子群算法优化WNN |
| 3.3 基于粒子群算法的WNN仿真研究 |
| 3.4 本章小结 |
| 第四章 自回归小波神经网络预测控制研究 |
| 4.1 自回归小波神经网络分析 |
| 4.1.1 自回归小波神经网络结构描述 |
| 4.1.2 自回归小波神经网络训练算法 |
| 4.1.3 SRWNN的稳定性分析 |
| 4.2 基于SRWNN的预测控制策略 |
| 4.2.1 预测控制器设计 |
| 4.2.2 控制系统的稳定性分析 |
| 4.3 仿真研究 |
| 4.4 本章小结 |
| 第五章 基于SRWNN-PC的气垫式流浆箱的控制研究 |
| 5.1 气垫式流浆箱的数学模型描述 |
| 5.2 气垫式流浆箱的SRWNN模型建立 |
| 5.3 基于SRWNN的气垫式流浆箱非线性预测控制仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 附录A 矩阵G的计算 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（10）一类模糊神经网络的参数辨识和结构优化（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的工作 |
| 2 预备知识 |
| 2.1 模糊系统 |
| 2.2 人工神经网络基础 |
| 2.3 模糊神经网络模型和学习算法 |
| 3 基于ELM的模糊小波神经网络的参数辨识 |
| 3.1 模糊小波神经网络模型 |
| 3.2 模糊小波神经网络的学习算法 |
| 3.3 数值仿真 |
| 3.4 本章小结 |
| 4 基于多项式后件的模糊神经网络的参数辨识 |
| 4.1 偏最小二乘算法的基本知识 |
| 4.2 多项式后件的模糊神经网络 |
| 4.3 数值仿真 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、基于动态小波神经网络的非线性动态系统辨识（论文参考文献）
- [1]基于卡尔曼滤波的高速列车走行部故障诊断[D]. 王威珺. 长春工业大学, 2021(08)
- [2]自组织递归模糊神经网络设计及污水处理应用研究[D]. 丁海旭. 北京工业大学, 2020
- [3]数据驱动的配电网拓扑参数辨识及应用技术研究[D]. 汤海波. 东南大学, 2020(01)
- [4]基于神经网络的状态和参数估计算法研究[D]. 杨宇航. 黑龙江大学, 2020(04)
- [5]基于动态系统辨识的涡扇发动机传感器故障诊断方法研究[D]. 李建锋. 中国民航大学, 2020(01)
- [6]基于确定学习理论的心电身份识别研究[D]. 晏国辉. 华南理工大学, 2019(01)
- [7]基于确定学习理论的渐变故障辨识、检测与预测研究[D]. 王乾. 华南理工大学, 2019
- [8]面向固定翼飞行器的智能辨识算法研究[D]. 郑羽彤. 国防科技大学, 2018(01)
- [9]基于小波神经网络的气垫式流浆箱预测控制研究[D]. 曹阳. 上海交通大学, 2018(01)
- [10]一类模糊神经网络的参数辨识和结构优化[D]. 方盼. 大连理工大学, 2015(03)