导读:本文包含了参数在线学习论文开题报告文献综述及选题提纲参考文献，主要关键词:人工神经网络,磁屏蔽,磁滞效应,冷原子钟
参数在线学习论文文献综述
彭向凯,吉经纬,李琳,任伟,项静峰[1]（2019）在《基于人工神经网络在线学习方法优化磁屏蔽特性参数》一文中研究指出磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.(本文来源于《物理学报》期刊2019年13期）
周德召,刘晓东,李佳庆,王合龙[2]（2019）在《基于在线学习的机载光电系统扩张状态观测器参数整定研究》一文中研究指出针对非线性动态系统的扩张状态观测器(ESO)参数整定问题,建立了基于BP神经网络的参数整定模型。采用在线梯度下降法进行网络训练以保证对动态系统的学习能力,并引入了IDBD算法,利用输入数据的信息和学习过程中的经验实现学习速率的自适应调整,以改进在线梯度下降法的适应性。数字仿真表明,该参数整定模型较传统的参数整定模型具有动态性能好、精度高等优点,能够提高非线性系统扩张状态观测器参数的动态整定精度,进而在一定程度上改善自抗扰控制器的系统控制性能。(本文来源于《电光与控制》期刊2019年08期）
孔维健,丁进良[3]（2015）在《基于多核变参数在线学习的LSSVM回归建模方法》一文中研究指出基于在线学习的最小二乘支持向量机(LSSVM)用于时变过程在线建模问题,所需样本量小、泛化性高等优点。针对当前在线学习方法要求核函数参数与正则化系数固定不变,由此导致模型精度不高的问题,提出基于多核变参数的在线学习方法。对应新样本数据的核函数参数进行在线优化调整,并给出多核函数情况下的在线学习方法。利用电熔镁厂实际生产数据对所提建模方法进行了实验验证,结果表明所提出的建模方法在降低模型训练时间的同时,明显提高了模型训练精度.(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
袁德平,郑娟毅,史浩山[4]（2015）在《参数在线学习的动态贝叶斯网络态势估计算法》一文中研究指出为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.(本文来源于《华南理工大学学报(自然科学版)》期刊2015年01期）
裴丽君[5]（2010）在《列控模型参数辨识及其在线学习算法研究》一文中研究指出高效率和高密度的城市轨道交通对列控系统提出了更高的要求,列车自动驾驶系统(ATO)能够代替经验丰富的司机完成自动驾驶列车的任务。ATO系统的特性对列车的控制系统有较高的要求。对列控模型参数估计的越准确,控制器的控制性能就越好。鉴于各种内外因素对参数的影响,势必会使参数发生微小的变化,可以使用在线学习的方法对参数进行更新。本文的任务即是在大连快轨叁号线实验数据的基础上,对列车控制模型参数进行辨识和在线学习,为控制器的设计奠定基础。论文的研究内容主要包括以下几个方面：1、分析大连快轨叁号线的实验数据,利用列车惰行状态的数据,采用遗传算法对列车的基本阻力参数进行了辨识和验证,取得了良好的效果。2、分析了计算用采样间隔和误差的关系,确定了合理的计算间隔。采用交互检验的方法分析比较了非线性最小二乘算法和遗传算法,最后在列车制动模型的基础上,选用非线性最小二乘算法对列车制动参数进行辨识。列车牵引特性与列车的速度有一定的关系,考虑了速度对列车牵引级别的影响,对牵引参数进行了辨识,并对模型的准确性进行了验证,取得了较好的效果。3、本文提出了在线学习的方法对参数进行更新。分别采用了Widrow-Hoff学习规则对列车基本阻力参数进行了在线更新和梯度法对制动和牵引参数进行了更新,减少了系统的误差。4、完成了参数辨识系统程序开发和界面,便于用户使用。(本文来源于《北京交通大学》期刊2010-12-01）
甘晓琴[6]（2010）在《基于强化学习的仿人智能控制器参数在线学习与优化》一文中研究指出仿人智能控制基于特征辨识的多控制器、多控制模态结构,其控制的一个显着特点是比例(闭环)和保持(开环)模式的切换,突破了传统控制理论控制信息处理单映射的结构,妥善地解决了稳定性和准确性、快速性之间的矛盾,解决了复杂难控系统的控制可行性问题。但是,由于其多控制器和多控制模态结构,造成特征参数和控制参数众多,给控制器的设计又带来了困难。另外,系统本身因为周围环境的改变而改变或者不确定因素的存在使得控制参数不能在这个运行过程中一成不变,必须要对参数进行实时校正,才能直接用于实际系统。因为对于本论文的研究对象在使用仿人智能控制的同时引入在线参数学习与优化的方法,对于实现快速高品质的实时控制显得十分重要。参数的在线学习与优化在控制中起着重要的作用,其在线学习与离线学习参数的最大区别是在线学习参数可以适应动态环境,而离线学习参数则只适于静态或简单的环境。在线参数的方法包括:模拟退火算法(SA)、粒子群算法(PSO)、单纯形法和强化学习方法等等。本论文首次提出了利用强化学习在线学习优化仿人智能控制器的参数。连续动作强化学习自动机(Continuous Action Reinforcement Learning Automata,CARLA)是强化学习中的一种,其具有在参数空间上连续取值。其算法利用连续概率密度函数(Continuous Probability Density Function,CPDF),处理每一个决策变量,通过多次迭代对参数的修正,最终将参数收敛到一个稳定值上,每一次修正的过程都取决于每次迭代后得到的强化信号值。本文有效地实现了利用连续动作强化学习自动机在线学习具有多模态控制结构和分层递阶结构的仿人智能控制器参数。在文章的最后,选取研究对象,分别实现基于CARLA的仿人智能控制参数在线学习及基于CARLA的PID控制参数在线学习与优化。此外还分别利用遗传算法对系统参数进行寻优与CARLA参数寻优进行对比。结果显示,在不同控制器作用下,仿人智能控制明显优于PID控制;在相同控制器作用下,CARLA在线学习参数明显优于遗传算法寻优参数等其他算法。(本文来源于《重庆大学》期刊2010-04-01）
吴春连[7]（2007）在《基于GA参数优化的在线学习SVM算法及其在气象预测中的应用》一文中研究指出日最高气温是气象的主要特性参数,也是反映气候变化的重要因素之一,做好日最高气温的预测对农业生产和减轻高温灾害具有非常重要的作用。本文探索了两种利用遗传算法进行参数优化的支持向量机,并将它们应用于气象预报中的日最高气温预测问题,取得了令人满意的结果。本文在研究了遗传算法和几种支持向量回归机的基础上,提出了基于遗传算法参数优化的支持向量机算法,将其应用到日最高气温的预测问题中。并在实验中探索出一种可以减小训练规模、加快训练速度的数据预处理方法,在文中给与了阐述。经过大量的实验和研究本文提出了改进算法——基于遗传算法参数优化的在线学习支持向量机算法,并以此来求解日最高气温预测问题,取得了较好的效果。在文章的最后,将预测结果与其他预测算法的实验效果进行了对比,数值结果表明了该算法的有效性和算法性能的优越性。(本文来源于《吉林大学》期刊2007-04-25）
王洪春[8]（2006）在《因果图参数的在线学习》一文中研究指出因果图理论是利用图形化和直接因果强度来表达知识和因果关系的一种基于概率论的推理方法,能够进行在线动态推理和对复杂系统进行故障诊断,连接强度是其推理的基础,文中给出了采用EM(η)算法在线学习因果图参数(连接强度)的方法,使学习出的参数能适应环境的变化,具有适时性.同时在理论上证明了这种方法的可行性和优点.(本文来源于《重庆大学学报(自然科学版)》期刊2006年03期）
张少中,杨南海,王秀坤[9]（2004）在《贝叶斯网络参数的在线学习算法及应用》一文中研究指出以 EM算法为基础 ,在给定贝叶斯网络结构情况下 ,研究分析了 Voting EM算法并利用该算法对防洪决策贝叶斯网络进行在线参数学习 ,将该算法与 EM算法的学习结果进行了比较分析 ,结果表明 Voting EM算法不但能够进行在线参数学习 ,而且也具有较高的学习精度(本文来源于《小型微型计算机系统》期刊2004年10期）
田华,蒋慰孙[10]（1991）在《在线学习控制参数的实时专家系统》一文中研究指出通过模仿专家整定控制参数的启发式过程,开发了一种在线实时的专家式控制参数自学习算法。它是一个实时专家系统。阐述了基本思想,介绍了各部分的具体设计,还在计算机上进行了性能验证。(本文来源于《华东化工学院学报》期刊1991年03期）
参数在线学习论文开题报告
（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：
针对非线性动态系统的扩张状态观测器(ESO)参数整定问题,建立了基于BP神经网络的参数整定模型。采用在线梯度下降法进行网络训练以保证对动态系统的学习能力,并引入了IDBD算法,利用输入数据的信息和学习过程中的经验实现学习速率的自适应调整,以改进在线梯度下降法的适应性。数字仿真表明,该参数整定模型较传统的参数整定模型具有动态性能好、精度高等优点,能够提高非线性系统扩张状态观测器参数的动态整定精度,进而在一定程度上改善自抗扰控制器的系统控制性能。
（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。
参数在线学习论文参考文献
[1].彭向凯,吉经纬,李琳,任伟,项静峰.基于人工神经网络在线学习方法优化磁屏蔽特性参数[J].物理学报.2019
[2].周德召,刘晓东,李佳庆,王合龙.基于在线学习的机载光电系统扩张状态观测器参数整定研究[J].电光与控制.2019
[3].孔维健,丁进良.基于多核变参数在线学习的LSSVM回归建模方法[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[4].袁德平,郑娟毅,史浩山.参数在线学习的动态贝叶斯网络态势估计算法[J].华南理工大学学报(自然科学版).2015
[5].裴丽君.列控模型参数辨识及其在线学习算法研究[D].北京交通大学.2010
[6].甘晓琴.基于强化学习的仿人智能控制器参数在线学习与优化[D].重庆大学.2010
[7].吴春连.基于GA参数优化的在线学习SVM算法及其在气象预测中的应用[D].吉林大学.2007
[8].王洪春.因果图参数的在线学习[J].重庆大学学报(自然科学版).2006
[9].张少中,杨南海,王秀坤.贝叶斯网络参数的在线学习算法及应用[J].小型微型计算机系统.2004
[10].田华,蒋慰孙.在线学习控制参数的实时专家系统[J].华东化工学院学报.1991