一、基于神经网络趋势分析（论文文献综述）
刘令军[1]（2021）在《气候变化条件下金沙江梯级水电站发电能力变化研究》文中研究指明气候变化改变了水文循环,导致全球范围内水资源的时间、空间分布发生改变,从而不可避免对水电的运行和规划带来了挑战。水电作为中国当前第二大电源,也是最重要的平衡电源,在电力系统中扮演着关键角色。当前,中国正处于实现“碳达峰”、“碳中和”目标的关键时期,一方面需要通过开发水电减少化石能源消耗和二氧化碳排放,另外一方面需要利用水电良好的调节能力实现风、光电源的大规模消纳。结合我国水电开发情况,开展气候变化下的梯级水电站发电能力变化的研究对科学应对气候变化、早日实现“碳达峰”和“碳中和”具有重要意义。本文围绕气候变化条件下梯级水电站发电能力变化问题,以金沙江中游梯级水电站为背景,首先构建神经网络径流预测模型,通过提取气候模式中的降雨信息,作为神经网络模型的输入进行径流预估;其次,构建梯级水电站优化调度模型,将预估的径流作为模型的输入对金沙江中游梯级水电站进行发电能力预估;最后,针对气候变化下金沙江中游梯级水电站大规模弃水情况,提出了应对气候变化的适应性措施。主要研究成果如下:（1）基于历史降水-径流数据构建了神经网络径流预测模型,以此为基础,以GCM降水信息为输入预估了气候变化下金沙江中游的径流变化过程。结果表明,气候变化下未来2个阶段的径流量均呈增加趋势,其中,RCP8.5气候情景下21世纪晚期径流显着增加。从径流年内分布情况来看,气候变化条件下金沙江中游水电站汛期可能会延长。（2）构建了梯级水电站群长期发电优化调度模型,基于预估的径流信息得到了气候变化条件下金沙江中游梯级水电站的发电情况。结果表明:气候变化下未来2个阶段的发电量和弃水量均呈增加趋势,其中,RCP8.5气候情景下21世纪晚期会产生大量弃水。从年内分布情况来看,金沙江中游梯级水电站汛前（4月、5月、6月）和汛末（10月、11月）出力增加,弃水也增加,汛期出力基本不变,但弃水有所增加。（3）针对气候变化条件下金沙江中游梯级电站大规模弃水情况,提出应对气候变化的措施——新建龙盘电站。选取龙盘电站正常蓄水位1950m和2012m两种方案计算金沙江中游梯级水电站的发电情况,与未修建龙盘电站时的发电情况进行对比分析,结果表明,龙盘电站正常蓄水位2012m方案大幅优于龙盘电站正常蓄水位1950m方案。
戴文渊[2]（2021）在《基于W-SENCE-PSR框架的河西内陆河流域水生态安全评价研究》文中指出流域水生态安全事关人类健康和经济社会稳定,国家关于长江流域和黄河流域综合治理与高质量发展将流域水生态安全提升到了国家战略高度。西北内陆河流域是我国最干旱的地区,水文循环及生态功能出现了衰退现象,生态环境恶化,有向系统性水危机转变的风险。因此,开展内陆河流域水生态安全评价研究显得尤为重要,但目前关于内陆河流域水生态系统结构框架及水生态安全基本属性的分析运用不够,对水生态安全的发展变化趋势研究不足,忽视了评价指标体系的分析与优化等步骤。那么如何构建基于W-SENCE-PSR（以水为主线的复合生态系统-压力状态响应模型）框架的水生态安全评价指标体系?如何运用生态学相关理论进行水生态安全评价指标体系优化?如何综合开展内陆河流域水生态安全现状和趋势分析,并提出对应调控对策?鉴于此,本研究以河西内陆河流域为研究对象,运用改进生态位宽度、模糊系统分析确定的指标权重和BP神经网络模型确定的指标预测值,优化评价指标体系,运用模糊综合评价法,以2009-2018年间3大内陆河流域的水生态安全相关数据为基础,进行现状及趋势分析,确定系统调控策略,筛选最主要影响因子,为内陆河流域水生态安全调控提供数据支持。（1）水生态安全评价指标体系分析。水生态安全的内涵涉及到经济、社会、资源、环境、生态等子系统,又涉及到对水生态安全状况所做出的实际反应,同时也体现了现状评价、预测评价的时间因素,这个过程也反映了复合系统发生功能变化的过程。水生态安全演变过程在于水的相互作用关系安全（PSR系统）及相对状态安全（SENCE系统）因素状况的发展,因系统相对状态及相互关系自身演变的存在,导致了安全状态或者不安全状态。水生态安全是影响维、领域维、时间、以及安全主体的函数,其评价指标体系由基于W-SENCE-PSR框架的38指标构成。（2）水生态安全评价指标体系优化。指标Z4（农田有效灌溉面积占耕地面积比）、Z19（汛期水质综合指数）、Z37（受灾面积）、Z36（单位面积化学需氧量排放量）、Z35（单位面积氨氮排放量）的指标权重相对最小且小于0.0167,指标生态位宽度值相对最小且小于6.03,预测这5个指标对水生态安全的影响均大致呈中性。表明指标对评价指标体系的影响小且适应性差,指标不会成为限制性因子,在指标体系优化中剔除,得到了由33指标构成的优化后评价指标体系。（3）内陆河流域水生态安全评价。运用模糊综合评价法进行内陆河流域水生态安全现状评价、预测评价。现状评价中,疏勒河、黑河、石羊河流域年均模糊综合评价指数分别为:0.5322、0.40545、0.303;预测评价中,年均模糊综合评价值依次为:0.524、0.517、0.342。表明水生态安全状况疏勒河流域最好,但今后有恶化趋势;黑河居中,将有明显好转趋势;石羊河最差,将有小幅提升,但差距明显,列为水生态安全优先调控区。改进健康距离法得到的疏勒河、黑河、石羊河流域的健康距离值分别为:0.468、0.595、0.697,表明疏勒河水生态安全状况最好,其次为黑河,石羊河最差,该结果跟模糊综合评价结果一致,从侧面说明了评价结果的正确性。（4）流域水生态安全现状及趋势分析,确定系统调控方向。分别从W-SENCE系统视角和PSR系统视角进行流域水生态安全现状和趋势分析,现状评价中发现,各子系统水生态安全状况疏勒河流域相对最好,W-SENCE各子系统综合指数年均值0.1<YW-SENCE<0.127,PSR系统综合指数年均值0.149<YPSR<0.228;黑河次之,0.08<YW-SENCE<0.115,0.116<YPSR<0.149,石羊河最差,YW-SENCE<0.08,YPSR<0.120;在预测评价中,基于BP神经网络模型预测值表明,石羊河流域正向影响指标8个,负向影响指标10个,将基本维持现状;疏勒河流域正向影响指标4个,负向影响指标8个,将有恶化趋势;黑河流域正向影响指标12个,负向影响指标8个,将有好转趋势。W-SENCE系统视角和PSR系统视角预测评价表明,疏勒河、黑河、石羊河流域的环境子系统状况相对最差,综合评价指数依次为0.08、0.08、0.05,同时疏勒河流域的状态系统、黑河流域的响应系统、石羊河流域的压力系统状况相对最差,综合评价指数依次为:0.143、0.141、0.104。从系统的敏感性来看,疏勒河的敏感性相对最高,为10.3‰,其社会子系统和压力系统敏感性最高,依次为8.4‰、14.1‰;黑河敏感性次之,为6.8‰,且其生态子系统和状态子系统敏感性最高,依次为6.5‰、12.0‰;石羊河敏感性最低,为3.2‰,其资源子系统和压力系统敏感性最高,依次为6.2‰、12.7‰。（5）内陆河流域优先调控指标及对策。根据3大内陆河流域系统调控重点,结合指标权重和指标健康距离确定的YZ1（人均GDP）、YZ20（一产比重）、YZ13（蓄水占地表供水量比例）等前10个优先调控指标,提出了各流域具体调控对策。发现疏勒河流域和黑河流域的水生态安全调控指标分布相对较为集中,石羊河流域调控指标分布分散但调控面较广。疏勒河流域要注意降水变化对其水生态安全的不良影响,关注其自然生态环境的脆弱性;要加强对牲畜量的控制,谨防出现因过载而导致的草场退化问题。黑河流域蓄水能力建设对提高水的保障能力,提升水生态安全状况具有重要作用;要重视对雨水的收集利用;避免工农业用水挤占生态环境用水问题,加强对生态环境用水的重视。
梁萍[3]（2021）在《A水库水质的变化趋势分析及预测研究》文中研究表明水环境问题是影响我国经济发展的主要制约因素之一,引起了国家和政府部门的高度重视。近些年来,相关部门在政策、法规等方面也相继采取了一些措施,水环境问题虽然有了好转,但水质恶化的发展趋势仍未得到根本扭转。水质预测对水资源管理至关重要,通过对水质指标进行精准预测,及时掌握水质的未来变化状况,在水环境管理和污染防治中具有重要的现实意义。本文选取2008-2018年A水库的水质监测数据,对水质参数的变化趋势以及响应机理进行分析,找出影响水质的主要因子,并设计一种基于改进蚱蜢优化算法（Grasshopper Optimization Algorithm,GOA）的RBF神经网络水质预测模型,对A水库的总氮、总磷含量进行预测。具体研究内容如下:首先,本文对A水库2008-2018年水质监测数据各项水质参数的年内变化以及季节性变化趋势进行分析,并对各水质因子的响应机理研究,得出总氮、总磷是影响A水库水质的主要污染因子。其次,针对传统神经网络水质预测模型存在输入变量难以确定,模型参数选取困难以及预测精度低的问题,提出一种改进的蚱蜢优化算法,构建基于IGOA-RBF的水质预测模型,能够有效避免RBF网络在求解过程中,陷入收敛缓慢和局部优化的问题,从而提高模型的预测精度和效率。最后,将设计的水质预测模型进行实例验证。考虑水环境各项水质因子之间有一定的关联性和复杂性关系,利用Lasso回归方法对输入变量进行提取,获取最优变量,将处理好的A水库水质数据输入到IGOA-RBF水质预测模型中,对水体总氮和总磷含量进行预测,通过多种预测模型的误差对比分析,本研究构建的水质预测模型的均方根误差、平均绝对误差、对称平均绝对百分比误差均较小,证明了该模型在水质预测方面的可行性和有效性。
王雨晴[4]（2021）在《气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例》文中研究指明气候变化已成为当今世界重要的环境问题之一,它对生态环境和社会经济具有一定的影响。温度、降水和风速等气候要素对不同地形植被生产力的影响不同。本文以多伦县为研究对象,使用深度学习方法模拟了研究区地形要素对生态环境因子（水和热）状况空间分布的影响,并通过数学模型分析了不同气候变化情景对地上净初级生产力（ANPP）的影响。详细研究方法为:（i）通过Mann-Kendall统计检验和小波分析等方法分析了研究区1980-2019年生长季气温、降水和干旱程度（基于标准化降水指数,SPI）的变化趋势和周期性特征。（ii）通过回归分析、趋势分析和稳定性分析等方法,分析了研究区2001-2019年通过MODIS遥感数据获取的地表温度（LST）和土壤湿度（使用温度-植被干旱指数（TVDI）进行反演获得）的空间变化趋势和稳定性,并利用自然间断点分级划分方法分析了LST和TVDI在区域的空间变化规律。（iii）通过深度学习方法分别模拟了研究区LST和TVDI的空间分布与气象站点的空气温度和土壤湿度及研究区地形因子的关系。（iv）基于前述深度学习建立的模型,通过CASA模型分析了不同气候（气温和降水）变化情景模式下研究区生长季的ANPP的变化情况。主要研究结论如下:（1）研究区多年生长季温度、降水和干旱气候变化特征。气温以0.042℃/a的速率显着上升（r=0.685）,其中1980-2000年线性倾向率是2001-2019年的2倍,这表明该区域温度升高有减缓的趋势。降水量在1980-2019年总体呈下降趋势（-0.2884mm/a）。但这一趋势呈波动变化,降水量在1980-2000年呈上升趋势（4.783mm/a）,在2000和2001年急剧下降,而后从2001-2019年起又呈上升趋势（2.284mm/a）。相应地,研究区总体呈干旱化趋势（SPI指数倾向率-0.0038/a）。1980-2000年干旱减轻（SPI指数倾向率0.074/a）,2001发生极严重干旱,此后湿润度又呈增加趋势（SPI指数倾向率0.037/a）。温度、降水和SPI随年份变化并不是呈简单的线性变化,在不同时段其变化趋势具有一定差异,尤其降水和SPI时段差异性较大。在对气温、降水和干旱程度分析时,应考虑时间尺度问题,时间尺度的不同会产生不同结果。（2）LST和TVDI空间变化特征。基于2001-2019年MODIS遥感卫星数据,LST在29.05℃≤LST<30.60℃时面积占比最大,占总面积的66.66%。在2001-2019年,低温（23.05℃≤LST<27.65℃）区和次低温（27.65℃≤LST<29.05℃）区面积有扩大趋势;中温（29.05℃≤LST<29.89℃）区、次高温（29.89℃≤LST<30.60℃）区及高温（30.60℃≤LST<31.24℃）区面积有缩小趋势。TVDI指数对土壤湿度有很好的反演效果。研究区土壤湿度主要以正常状态为主（占总面积的50.48%）。区域土壤湿度状态有向湿润方向变化的趋势,土壤湿度为正常和湿润状态的面积有扩大的趋势,而干旱状态的面积有缩小的趋势。（3）深度学习方法模拟研究区生长季LST空间变化时模拟值和实测值决定系数（R2）达0.8125,平均绝对误差（MAE）为0.53℃,均方误差（MSE）为0.46℃。研究发现,影响LST空间分布的主要因子有气象站点温度、NDVI、海拔、太阳辐射、地表反射率、坡度和坡向,其特征重要度分别为0.58、0.238、0.134、0.014、0.013、0.01和0.008。在其它因子一定时,生长季LST是气温的1.7倍。随着NDVI增加,LST下降,这表明植被覆盖度对LST具有一定的调节作用。LST随海拔和坡度的增加呈先增加后减小的变化趋势,其变化幅度较小;在东、东南和南坡向的LST较高,北、西北和西坡向的LST较低,随着温度的升高,海拔、坡度和坡向的LST呈增加的趋势。（4）深度学习方法模拟TVDI时,MAE为0.06,MSE为0.01和R2为0.7765。通过定量海拔、NDVI,地表反射率等因素,进而分析LST与TVDI的变化关系。研究结果表明:在生长季,随LST的增加,土壤湿度呈减小趋势,这可能会导致区域缺水或干旱的发生。TVDI随降水的增加呈减小趋势,即降水量越大,土壤含水量越高。TVDI随海拔的升高呈先增加后减小的变化趋势,即土壤湿度呈先减小后增加的变化趋势。（5）深度学习方法模拟GDD时,MAE为23.8℃、MSE为883.22℃和R2为0.9217,GDD随温度的升高呈增加趋势,随着海拔和坡度的增加GDD呈先增加后减小的变化趋势,变化幅度较小;在东、东南和南坡向的GDD较高,北、西北和西坡向的GDD较低。随着温度的升高,海拔、坡度和坡向的GDD也呈增加的趋势。（6）地上生产力受水热共同因素的影响,本文发现温度和降水的增加对ANPP有积极作用。不同水热情景下,随海拔的升高,ANPP均呈增加趋势随坡度增加呈先减小后增加的变化趋势;北和西北坡向的ANPP较高,在西和东南坡向上ANPP较低。本文系统分析了研究区时间尺度和空间尺度下水热变化特征,并分析了气候变化对不同地形地上净初级生产力的影响,克服了遥感方法只能监测当前生态环境因子的局限,使研究不同地形条件下生态环境因子对气候变化的响应成为可能。研究结果可为气候变化下研究区生态环境保护提供理论参考、对区域可持续发展具有重要意义。
钟睿[5]（2021）在《面向电信数据的智能反欺诈决策平台的设计与实现》文中进行了进一步梳理信息的飞速增长引爆了大数据时代的到来,其中随着通信行业的不断发展,也使得越来越多的电信欺诈出现在用户的日常生活中。电信诈骗已经成为影响人们日常生活的主要诈骗形式,且当下的反欺诈手段较为被动与笨重,无法满足高效反诈的需求,针对电信诈骗的研究迫在眉睫。因此,本文基于电信反欺诈场景下的信令数据与通话文本数据,分别提出反欺诈综合决策识别算法,诈骗模式发现及趋势分析算法,能够高效的进行相应的电信反欺诈识别与决策。进一步地,为了给上述算法提供一个支撑平台,同时为了适应日益变化的欺诈手段,本文设计并实现了一个面向电信数据的智能反欺诈决策平台。通过本平台,用户将相应的电信数据上传后,通过平台提供的多源异构特征工程对数据进行统一的封装与建模,并通过平台提供的诈骗电话识别算法、诈骗模式发现算法和诈骗趋势分析算法,针对不同场景和目标,进行快速的反欺诈决策与分析,帮助与指导相关人员的工作。本文的关键算法在于反欺诈综合决策和诈骗模式发现及趋势分析。本课题立足于电信反诈场景,通过反欺诈综合决策高效的解决诈骗电话的识别问题,提出了“基于编码宽度学习网络的诈骗识别算法”和“基于宽度学习的模型并行化训练方法”,前者结合降噪自编码与宽度学习系统,创新性的提出了一种算法,与其他经典算法对比下,进一步提高了准确率的同时,大大缩减了训练时间;后者在前者算法的基础上,针对的提出了相应的并行化算法,进一步缩减训练预测时间,解决了内存爆炸的问题,更好的满足反欺诈的时效需求。同时,通过诈骗模式发现及趋势分析,分别提出了“基于半监督网络的诈骗模式发现算法”和“基于时序的欺诈趋势发现及分析方法”,前者利用半监督图网络,借鉴图结构进一步的挖掘诈骗模式,发现更多的欺诈电话;后者基于时序结果,综合利用聚类与数理统计等方式对诈骗趋势进行分析。实验结果表明,上述算法能够高效的识别诈骗电话,好于现有传统方法,并对诈骗模式与趋势进行进一步的挖掘与分析,为相关人员提供分析与帮助。本文首先阐述了整体的研究背景和实际意义,分析了该研究在国内外的研究现状。接着对本平台进行需求分析,分析了反欺诈综合决策算法和诈骗模式发现及趋势分析算法的研究意义,按照目的不同,分为多源异构电信数据特征工程、反欺诈智能综合决策、诈骗模式及趋势挖掘三个主要功能。随后对系统需要解决的关键问题,进行了研究与实现。接下来,设计与实现了平台的整体架构和相关的功能模块,详细介绍了内部的类与接口,描述了平台处理请求的过程以及如何通过交互配合最终得到响应结果。最后对平台的部署、环境与测试进行了说明,并对该工作进行了相关的总结与展望。
黄超[6]（2021）在《基于图神经网络的知识推理研究与应用》文中认为随着互联的发展,网络上的信息呈爆发式的增长,其中许多知识以文本的方式存储在知识图谱中。知识图谱广泛应用于网页搜索优化、推荐系统、商业分析、风险评估、自动化处理等领域。然而除了大型商业知识图谱外,现有的知识图谱完整度都不高,稀疏度较大,影响着知识图谱应用系统的准确性。针对以上问题,知识图谱推理算法,又称知识推理,可以对知识图谱中缺失的关系进行推理补全。1、现有的知识图谱推理算法在进行知识图谱补全时对实体和关系信息获取不够完善,存在未获取到图谱中的结构信息的问题。因此,本文在收集图谱语义信息的图卷积神经网络（Graph Convolutional Network,GCN）知识图谱推理算法中增加知识图谱结构信息的收集;具体在使用GCN网络对获取语义信息,同时通过改进图表示学习（Graph SAGE,GS）框架的目标节点采样方法,进行邻居节点结构信息收集;利用多头注意力机制将结构和语义信息的评分结果进行融合;最后在公开的数据集上进行了实验分析。改进的算法在NELL-995数据集上评价指标MRR、Hits@1、Hits@3分别上涨了1.1%,2.9%,2.8%,在Open Bio Link数据集上评价指标MRR、Hits@10分别上涨了1.3%,2.7%。2、本文针对知识图谱推理算法在关于信息量较少的稀疏知识图谱推理时存在的问题进行了分析,提出使用外部信息对稀疏知识图谱实体特征进行增强,利用基于GCN网络和外部知识库的特征信息增强方法来改进算法。具体采用EncoderDecoder框架和长短记忆网络（Long Short Term Memory Network,LSTM）对目标头尾实体进行特征抽取;利用实体链接算法在外部知识库中定位目标实体,将GCN网络对知识库中聚合获得的额外信息作为外部特征;利用双注意力机制融合得到增强特征;最后在短文本数据上验证了信息增强模块的可行性,实验了不同稀疏度下知识图谱推理算法的结果。改进的方法在FB15K-237数据集稀疏度为10%的情况取得最好的效果,评价指标MRR增长了2.2%。3、本文利用知识推理对石墨烯制备专利的知识图谱进行完善,进而借助知识图谱对石墨烯专利文本进行应用分析。首先利用知识图谱构建方法对每篇石墨烯专利进行知识图谱构建,结合第三章和第四章模型推理补全石墨烯制备专利知识图谱。在获得完善的知识图谱条件下,结合石墨烯制备领域的关键材料和工艺流程,对石墨烯制备专利进行创新性分析和趋势分析。
左亚昆[7]（2021）在《基于子信号趋势分析和固定字典极限学习机的城轨列车转向架故障诊断研究》文中认为随着中国城市化进程的加快,以及以公共交通为导向的城市发展模式的兴起,城轨列车作为主要的运输系统,其安全性和稳定性与人民的生产生活和国家的经济发展息息相关。保障城轨列车运行的安全性和稳定性对于维护国家和社会的健康发展具有重要意义。故障诊断作为城轨列车健康管理体系的重要组成部分,能够对城轨列车的健康状况进行评估,也能够对相关的维护和维修工作进行指导,它的使用是保障城轨列车高效稳定运行不可或缺的重要手段。而在城轨列车故障诊断领域中,转向架一直以来都是首要研究的对象。转向架作为城轨列车的重要受力部件,是最易产生磨损并发生故障的部件之一,其运行状态直接影响着城轨列车的安全性。因此,对城轨列车转向架进行故障诊断可以很好城轨列车的安全平稳运行,对保障人民的生命财产安全,提高经济社会的运行效率有着重要意义。因此,本文以城轨列车A2型子弹列车的转向架作为具体对象进行故障诊断方面的研究,并最终形成了基于子信号趋势分析和固定字典极限学习机的转向架故障诊断方法。具体研究过程总结如下:（1）本文首先分析了城轨列车变速度情况以及低信噪比环境对传感器振动信号造成的影响,并使用MATLAB软件进行了模拟。在模拟中发现,来自于变速度以及低信噪比的影响,会使信号的时频域特征产生较大的改变。这种改变将导致现有的时频域信号分析方法的效率降低。并且,诸多学者们在这些方法中所进行的降噪以及波形分解的改进也会因为波形特征的改变而效果变差,并造成算力的大量浪费。（2）为解决这一问题,本文首先对奇异值分解进行了改进,提升了它对低信噪比信号的微弱故障特征的提取效果。在改进研究中,本文分析了物理领域最近发现的描述了特征矩阵元素间内在联系的公式。该公式被学者们通过谱定理进行了更进一步的推广,能够在正规矩阵中使用。本文依照该公式,对奇异值分解进行了更进一步的推导,对隐藏在左右奇异值矩阵中的特征信息进行了有效利用,从而形成了奇异值完全分解算法并用于特征提取。（3）随后针对城轨列车变速度以及传感器采样频率限制导致的波形畸变问题,本文在奇异值完全分解算法的基础上提出了子信号趋势分析算法。该算法首先将信号分解为高低频两个部分分别进行研究,随后利用上下包络线拟合的方式对波形趋势进行还原。之后在处理过的波形中,寻找与机械旋转周期变化一致的周期性波形进行分析,并使用奇异值完全分解算法完成特征重构。该算法有较强的抗波形畸变能力,以及抗噪声干扰能力。此外,该算法整体结构极为精简,算法运行速度极快。实验中,在信噪比低至10d B以下的信号中,该算法能以秒级的处理速度获取到辨识度极好的特征。并且,在基于极限学习机的分类测试中,由该算法获取到的特征比变分模态分解,经验模态分解,集合经验模态分解和局部均值分解分别配合奇异值分解获取到的特征,在最高识别精度方面高出16%-53%。（4）最后在模式识别部分,为解决极限学习机由于局部最优化而导致的识别精度大幅度波动的问题,提升极限学习机训练效果的稳定性,从而满足城轨列车转向架故障诊断对算法鲁棒性的要求。本文在分层极限学习机稀疏化编码以及核奇异值分解的字典学习的思想基础上,设计了新的自动编码方式并提出了固定字典极限学习机算法。该算法取消了极限学习机的偏置量矩阵,并通过经验公式对权重矩阵进行赋值,极大地提高训练效果的稳定性。并且相较于原始算法,该算法在训练速度和识别精度上均有明显的提升。在和原始极限学习机,分层极限学习机以及支持向量机的对比实验中,它能以极快的训练速度获取比对比算法高出1.5%-12%的识别精度,并且和支持向量机一样,能够保证算法训练效果的稳定性。
杨磊[8]（2021）在《基于BP神经网络的重力异常分离》文中进行了进一步梳理重力勘探资料是不同深度地质异常体的综合反映,位场分离工作向来都是重力勘探的重要环节。本文首先通过构建BP神经网络模型和趋势分析模型来拟合低频区域重力场,进而分离出局部异常场信息;然后通过理论模型的分离结果对比分析,对于中浅部的局部异常体信息,BP神经网络模型分离结果精度高,其短波长信息源更精确。最后,将BP神经网络模型运用到南非Witwatersrand Basin某实测航空重力测网数据分析中,其分离结果的Theta map成像结果较好地吻合了实际地质资料,验证了BP神经网络模型在实际重力勘探解译中具有一定的适用性。
陈仲锴[9]（2021）在《内陆水体遥感水质反演算法研究及应用》文中提出随着遥感技术的蓬勃发展,使用遥感技术对水体进行低成本、大范围、高时间分辨率以及无接触式的水质反演成为可能。针对目前内陆水体遥感水质反演仍然存在数据获取成本高、模型通用性不足、理论研究与实际应用结合不紧密等问题,本文开展了内陆水体遥感水质反演算法的研究。本文主要从以下几个方面展开研究:（1）针对准分析算法（quasi-analytical algorithm,QAA）在内陆水体水质反演时的低适用性问题,提出了一种半分析的基于改进QAA的内陆水体水质反演方法。该方法基于同一水体特定区域内相邻点位间固有光学特性的同质性和合理性,实现了对QAA的无监督改进,以适用于当前研究水体;通过改进QAA反演水体吸收系数,并利用其波段组合构建了总悬浮物（total suspended matter,TSM）的反演模型;最终利用具有最优反演效果的归一化总悬浮物浓度指数（normalized difference TSM index,NDTI）模型反演得到了总悬浮物浓度的空间分布图。（2）针对高光谱数据强相关性和高冗余度造成的维度灾难问题,提出了一种基于神经网络（neural network-based band selection,NNBS）波段选择的内陆水体水质反演方法。利用神经网络权重对特征重要性的表达能力,对高光谱数据进行波段选择;选择得到的波段集合作为下游模型输入数据的特征,并分别利用随机森林和神经网络构建总悬浮物浓度和叶绿素浓度的反演模型。实验结果表明,本文提出的基于L1范数和L2范数的NNBS算法能够得到信息量更大的波段集合,且在利用神经网络作为下游模型时,能够获得较好的总悬浮物浓度和叶绿素浓度反演效果。（3）结合前述理论和方法,基于浏览器/服务器（browser/server,B/S）架构,研制了基于遥感水质反演的水务管理与监控软件。该软件具有系统管理、水体数据管理、水质反演、水质数据分析、水务管理等功能。
尹群[10]（2020）在《区域土壤养分空间预测与不确定性分析 ——以土壤有机质和全氮为例》文中研究说明土壤有机质、全氮是衡量土壤健康状况的重要因素,也在一定程度上可以表征生态环境优劣,它们的精准数字制图（由有限采样点扩展到区域面状数据）对于实现土壤有机质、全氮的区域监测与精准施肥至关重要。目前土壤属性空间预测方法主要包括地统计学、机器学习法、遥感反演等,不同样点数量、地形的变化以及不同辅助变量组合下不同模型的预测精度和不确定性有待进一步研究。以土壤有机质和全氮为对象,采用RBF（径向基）神经网络、偏最小二乘、随机森林模型,选择与有机质、全氮相关性较大的要素作为辅助变量,开展不同预测模型、样点数量和辅助变量下的预测精度和不确定性分析。获得以下主要结论:（1）研究区土壤有机质含量与归一化植被指数、高程和有效土层厚度指标呈极显着相关,相关系数最大,通过以上组合构建土壤有机质空间预测辅助变量;通过不同辅助变量组合不同空间预测方法预测精度对比分析可知,无论哪种辅助变量组合方式,随机森林的预测精度都是最高的。对于本研究区土壤有机质而言,有效土层厚度与高程组合辅助下的随机森林预测精度最优,均方根误差（RMSE）、平均绝对误差（MAE）、平均相对误差（MRE）和一致性指数（d）分别达到3.20、2.41、18.15、0.77。（2）研究区土壤全氮含量与坡度、高程、耕层厚度、归一化植被指数指标呈极显着相关,相关系数最大;无论哪种采样点数量下,在特定的辅助变量下,随机森林对研究区土壤全氮的预测精度最高,模型拟合效果最优。不同模型的预测精度对于不同采样点数量的响应机制不同,采样点数量为150-200个情况下,三种预测模型预测精度都是最高的,当采样点数量为200个时,随机森林预测精度最优,RMSE、MAE、MRE的分别达到0.15、0.10、0.10。当采样点数量大于200时,预测精度不会增加,会有所下降。（3）由土壤有机质不确定性分析可知,预测模型为随机森林、辅助变量为有效土层厚度和高程时的不确定性最小,标准差值域为0.002～4.07g/kg,趋势分析图的曲线走势与原始数据的趋势分析图的曲线走势最接近;由土壤全氮不确定性分析可知,预测模型为RBF神经网络、采样点数量为200时,趋势分析图的曲线走势与原始数据的趋势分析图的曲线走势最接近,标准差值域为0.001～0.04 g/kg,不确定最低。图29表6参7
二、基于神经网络趋势分析（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、基于神经网络趋势分析（论文提纲范文）
（1）气候变化条件下金沙江梯级水电站发电能力变化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及问题 |
| 1.2 国内外研究状况 |
| 1.2.1 气候变化对水文水资源的影响研究 |
| 1.2.2 气候变化对水电发电能力的影响研究 |
| 1.3 主要内容和技术路线 |
| 2 气候变化下金沙江中游未来降水趋势分析 |
| 2.1 引言 |
| 2.2 金沙江中游区域概况 |
| 2.3 研究数据及方法 |
| 2.3.1 气候驱动数据简介 |
| 2.3.2 水文要素分析方法 |
| 2.4 历史阶段降雨分析 |
| 2.5 降雨演变规律分析 |
| 2.5.1 降水趋势性分析 |
| 2.5.2 降水年内分布规律 |
| 2.5.3 气候模式不确定性分析 |
| 2.6 小结 |
| 3 气候变化下金沙江中游未来径流预估与趋势分析 |
| 3.1 引言 |
| 3.1.1 神经网络模型 |
| 3.1.2 神经网络模型评价指标 |
| 3.2 模型率定及验证 |
| 3.3 历史阶段径流特性分析 |
| 3.4 径流预估和趋势分析 |
| 3.4.1 未来径流趋势性分析 |
| 3.4.2 未来径流年内变化规律 |
| 3.4.3 气候模式不确定分析 |
| 3.5 本章小结 |
| 4 气候变化下金沙江梯级水电站发电能力评估 |
| 4.1 引言 |
| 4.2 梯级水电站优化调度模型 |
| 4.2.1 目标函数 |
| 4.2.2 约束条件 |
| 4.3 模型求解方法 |
| 4.4 历史阶段径流的模拟调度 |
| 4.5 气候变化下金沙江梯级水电站发电量的变化情况 |
| 4.5.1 发电量变化趋势 |
| 4.5.2 年内出力分布情况 |
| 4.5.3 不确定性分析 |
| 4.6 气候变化下金沙江中游梯级水电站水库群弃水的变化情况 |
| 4.6.1 弃水变化趋势 |
| 4.6.2 年内弃水流量分布情况 |
| 4.6.3 不确定性分析 |
| 4.7 小结 |
| 5 应对气候变化措施——新建龙盘电站评估分析 |
| 5.1 引言 |
| 5.2 两方案发电量大小的比较 |
| 5.2.1 发电量年际变化趋势 |
| 5.2.2 出力年内分布 |
| 5.3 两方案弃水量的比较 |
| 5.3.1 弃水量年际变化趋势 |
| 5.3.2 弃水量年内分布趋势 |
| 5.4 小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于W-SENCE-PSR框架的河西内陆河流域水生态安全评价研究（论文提纲范文）
| 摘要 |
| summary |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 水生态安全在国家安全中的重要意义 |
| 1.2.2 水生态安全评价研究的实践意义 |
| 1.3 水生态安全评价国内外研究现状 |
| 1.3.1 基于文献计量的水生态安全研究概况 |
| 1.3.1.1 发文量时间分布 |
| 1.3.1.2 主要研究国家 |
| 1.3.1.3 主要发文期刊 |
| 1.3.1.4 高产作者 |
| 1.3.1.5 研究热点分布 |
| 1.3.2 水生态安全相关概念 |
| 1.3.2.1 水安全 |
| 1.3.2.2 生态安全 |
| 1.3.2.3 水生态安全 |
| 1.3.3 水生态安全评价研究 |
| 1.3.3.1 水生态安全评价概念及特点 |
| 1.3.3.2 水生态安全评价框架模型 |
| 1.3.3.3 水生态安全评价方法 |
| 1.3.3.4 水生态安全预测评价 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究目的与主要内容 |
| 1.4.2 研究思路及技术路线 |
| 1.5 研究难点及问题 |
| 第二章 流域水生态安全评价基础理论 |
| 2.1 基于W-SENCE-PSR框架的水生态安全再定义 |
| 2.1.1 水生态系统 |
| 2.1.2 基于W-SENCE-PSR框架的水生态安全再定义 |
| 2.1.3 流域水生态安全演变趋势及调控机理 |
| 2.1.4 W-SENCE-PSR框架的特点 |
| 2.2 基于W-SENCE-PSR框架的水生态安全评价指标体系构建及优化 |
| 2.2.1 评价指标初选的基本原则 |
| 2.2.2 水生态安全评价指标及计算方法 |
| 2.2.3 水生态安全评价指标体系优化 |
| 2.2.3.1 评价指标体系优化的主要思想 |
| 2.2.3.2 基于BP神经网络模型的指标值预测 |
| 2.2.3.3 基于模糊系统分析的指标体系优化 |
| 2.2.3.4 基于改进生态位宽度的指标体系优化 |
| 2.3 基于W-SENCE-PSR框架的水生态安全评价方法 |
| 2.3.1 基于模糊综合评价法的水生态安全评价 |
| 2.3.2 水生态安全评价指标体系系统敏感性分析 |
| 2.3.3 基于健康距离的优先调控指标确定及评价结果验证 |
| 第三章 河西内陆河流域水生态安全评价 |
| 3.1 流域水生态安全概况 |
| 3.1.1 社会经济概况 |
| 3.1.2 水资源概况 |
| 3.1.3 蓄水动态分析 |
| 3.1.4 水资源开发利用 |
| 3.1.5 水质调查评价 |
| 3.1.6 主要水灾害情况 |
| 3.2 基于BP神经网络模型的指标值预测 |
| 3.3 内陆河流域水生态安评价指标体系优化 |
| 3.3.1 基于改进生态位宽度的指标体系优化 |
| 3.3.2 基于模糊系统分析的指标体系优化 |
| 3.3.3 基于综合分析的评价指标体系优化 |
| 3.4 河西内陆河流域水生态安全评价 |
| 3.4.1 基于模糊综合评价的水生态安全现状评价 |
| 3.4.2 基于模糊综合评价的水生态安全预测评价 |
| 3.5 基于改进健康距离法的水生态安全评价结果验证 |
| 3.6 小结 |
| 第四章 河西内陆河流域水生态安全的现状与趋势分析 |
| 4.1 河西内陆河流域水生态安全现状分析 |
| 4.1.1 W-SENCE系统视角的评价结果分析 |
| 4.1.2 PSR系统视角的评价结果分析 |
| 4.2 河西内陆河流域水生态安全趋势分析 |
| 4.2.1 水生态安全评价指标预测结果分析 |
| 4.2.2 水生态安全预测评价结果分析 |
| 4.2.2.1 W-SENCE系统视角的预测评价结果分析 |
| 4.2.2.2 PSR系统视角的预测评价结果分析 |
| 4.2.3 河西内陆河流域水生态安全系统敏感性分析 |
| 4.2.3.1 W-SENCE系统视角的敏感性分析 |
| 4.2.3.2 PSR系统视角的敏感性分析 |
| 4.3 小结 |
| 第五章 河西内陆河水生态安全调控及对策建议 |
| 5.1 水生态安全优先调控指标确定 |
| 5.2 水生态安全系统调控策略 |
| 5.3 河西内陆河流域水生态安全调控对策建议 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 本研究的主要创新点 |
| 6.3 研究的局限性和展望 |
| 6.3.1 研究的局限性 |
| 6.3.2 研究展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
（3）A水库水质的变化趋势分析及预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究现状评述 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关理论概述 |
| 2.1 水环境概念 |
| 2.2 水质评价标准 |
| 2.3 Lasso回归 |
| 2.3.1 LASSO回归定义 |
| 2.3.2 最小角回归算法 |
| 2.4 RBF神经网络模型 |
| 2.4.1 RBF神经网络原理 |
| 2.4.2 RBF神经网络的传统学习方法 |
| 2.5 蚱蜢优化算法 |
| 2.5.1 算法背景 |
| 2.5.2 基本原理及优化流程 |
| 2.6 本章小结 |
| 第3章 A水库水质的变化趋势及响应机理分析 |
| 3.1 研究区概况 |
| 3.2 数据来源及分析 |
| 3.2.1 数据来源 |
| 3.2.2 数据分析方法 |
| 3.3 A水库水质变化趋势分析 |
| 3.3.1 年内变化分析 |
| 3.3.2 季节性变化分析 |
| 3.4 A水库水质因子响应机理分析 |
| 3.4.1 水质因子变化对水环境的影响分析 |
| 3.4.2 水质因子的多重相关性分析 |
| 3.5 本章小结 |
| 第4章 IGOA-RBF神经网络水质预测模型设计 |
| 4.1 改进蚱蜢优化算法(IGOA) |
| 4.1.1 改进策略 |
| 4.1.2 算法特征比较 |
| 4.2 RBF神经网络模型参数寻优 |
| 4.2.1 参数优化 |
| 4.2.2 改进的蚱蜢优化算法进行参数寻优 |
| 4.3 输入变量提取 |
| 4.4 基于IGOA-RBF神经网络水质预测模型的构建 |
| 4.4.1 IGOA-RBF建模思路 |
| 4.4.2 基于IGOA-RBF水质预测模型步骤 |
| 4.4.3 模型性能评价指标 |
| 4.5 本章小结 |
| 第5章 模型在A水库水质预测中的应用 |
| 5.1 预测因子及输入变量确定 |
| 5.1.1 预测因子选择 |
| 5.1.2 输入变量确定 |
| 5.2 数据预处理 |
| 5.2.1 数据填充 |
| 5.2.2 数据去噪 |
| 5.2.3 归一化处理 |
| 5.3 IGOA优化RBF神经网络模型参数 |
| 5.4 水质预测结果分析 |
| 5.4.1 基于IGOA-RBF水质预测模型结果与对比 |
| 5.4.2 模型性能对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研项目与主要成果 |
| 致谢 |
（4）气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 气候变化对区域环境的研究进展 |
| 1.2.2 植被生长对气候变化的响应研究 |
| 1.2.3 不同地形下气候变化对植被生长的影响研究 |
| 1.2.4 土壤湿度遥感研究 |
| 1.2.5 深度学习模型的常见网络结构和应用 |
| 1.2.6 环境因子对地上净初级生产力估算的研究 |
| 1.3 科学问题和研究目标 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 创新点 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候特征 |
| 2.1.3 地形地貌 |
| 2.1.4 土壤类型 |
| 2.1.5 植被类型 |
| 2.2 数据源 |
| 2.3 研究方法 |
| 2.3.1 研究区温度、降水和干旱特征 |
| 2.3.2 地表温度和土壤湿度空间变化统计 |
| 2.3.3 基于深度学习方法对地表温度和土壤湿度空间模拟 |
| 2.3.4 气候变化对不同地形植被地上生产力的模拟 |
| 3 研究区温度、降水和干旱特征 |
| 3.1 气温在多伦区域时间尺度研究 |
| 3.1.1 多年生长季气温变化规律 |
| 3.1.2 多年生长季气温变化周期特征 |
| 3.2 降水在多伦区域时间尺度研究 |
| 3.2.1 多年生长季降水变化规律 |
| 3.2.2 多年降水量变化周期特征 |
| 3.3 传统干旱监测方法在多伦区域时间尺度研究 |
| 3.3.1 多年生长季气象干旱指数变化规律 |
| 3.3.2 多年标准化降水指数变化周期特征 |
| 3.4 讨论 |
| 3.5 小结 |
| 4 地表温度和土壤湿度空间变化统计 |
| 4.1 地表温度基本变化特征 |
| 4.1.1 基于地表温度空间面积特征 |
| 4.1.2 地表温度空间变化趋势与稳定性 |
| 4.2 土壤湿度变化特征 |
| 4.2.1 温度-植被干旱指数(TVDI)特征空间的构建 |
| 4.2.2 基于温度-植被干旱指数(TVDI)的土壤湿度评估 |
| 4.2.3 基于温度-植被干旱指数(TVDI)对区域干-湿面积分析 |
| 4.2.4 温度-植被干旱指数(TVDI)空间变化趋势与稳定性 |
| 4.3 讨论 |
| 4.4 小结 |
| 5 基于深度学习方法对地表温度空间分布模拟 |
| 5.1 地表温度模拟变量参数选取和模型评估 |
| 5.1.1 参数选取 |
| 5.1.2 模型评估 |
| 5.2 基于生长季空间地表温度的模拟 |
| 5.3 特定环境条件下气象站温度对地表温度的影响 |
| 5.4 特定环境不同覆盖度条件下气温与地表温度的关系 |
| 5.5 气温变化条件下地表温度空间变化特征 |
| 5.5.1 生长季气温变化对地表温度空间分布的影响 |
| 5.5.2 地表温度随海拔、坡度和坡向的变化特征 |
| 5.5.3 地表温度随NDVI的变化特征 |
| 5.6 讨论 |
| 5.7 小结 |
| 6 基于深度学习方法对土壤湿度空间分布模拟 |
| 6.1 温度-植被干旱指数(TVDI)模拟变量选取和模型评估 |
| 6.1.1 参数选取 |
| 6.1.2 模型评估 |
| 6.2 基于生长季空间温度-植被干旱指数(TVDI)的模拟 |
| 6.3 特定环境温度-植被干旱指数(TVDI)随温度变化特征 |
| 6.4 干湿气候变化条件下土壤湿度变化特征 |
| 6.4.1 降水、SPI指数与TVDI相关性 |
| 6.4.2 生长季降水量变化对土壤湿度空间分布的影响 |
| 6.4.3 土壤湿度随海拔的变化特征 |
| 6.4.4 土壤湿度随NDVI的变化特征 |
| 6.5 讨论 |
| 6.6 小结 |
| 7 气候变化对不同地形地上净初级生产力的模拟 |
| 7.1 气温变化下,有效积温空间变化特征 |
| 7.1.1 气温和地表温度相关性分析 |
| 7.1.2 有效积温模拟评估 |
| 7.1.3 基于深度学习方法对有效积温的模拟评估 |
| 7.1.4 气温变化条件下有效积温变化特征 |
| 7.1.5 有效积温随海拔、坡度和坡向变化特征 |
| 7.1.6 有效积温随NDVI变化特征 |
| 7.2 水热变化对地上净初级生产力空间变化影响 |
| 7.2.1 气温不变地上净初级生产力随降水量变化特征 |
| 7.2.2 气温升高2℃地上净初级生产力随降水量变化特征 |
| 7.2.3 气温升高4℃地上净初级生产力随降水量变化特征 |
| 7.2.4 地上净初级生产力随海拔、坡度和坡向的变化特征 |
| 7.3 讨论 |
| 7.4 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）面向电信数据的智能反欺诈决策平台的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织和结构 |
| 第二章 相关技术简介 |
| 2.1 电信反欺诈相关技术 |
| 2.1.1 传统反欺诈方法 |
| 2.1.2 基于机器学习的反欺诈算法 |
| 2.2 宽度学习系统 |
| 2.2.1 宽度学习网络 |
| 2.2.2 宽度学习的增量更新算法 |
| 2.3 图网络算法 |
| 第三章 需求分析 |
| 3.1 系统概述 |
| 3.2 典型业务场景分析 |
| 3.3 功能性需求分析 |
| 3.3.1 面向多源异构电信数据的特征工程 |
| 3.3.2 反欺诈智能综合决策 |
| 3.3.3 诈骗挖掘 |
| 3.4 本章小结 |
| 第四章 基于改进宽度学习的反欺诈综合决策 |
| 4.1 总体流程 |
| 4.2 基于编码宽度学习网络的诈骗识别算法 |
| 4.2.1 问题描述 |
| 4.2.2 编码宽度学习特征建模 |
| 4.2.3 编码宽度学习网络建模 |
| 4.3 基于宽度学习的模型并行化训练算法 |
| 4.3.1 问题描述 |
| 4.3.2 宽度学习网络数据并行化结构设计 |
| 4.3.3 基于集成学习的宽度学习网络并行化算法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 基于编码宽度学习网络的诈骗识别算法实验结果分析 |
| 4.4.3 基于宽度学习的并行化算法实验结果分析 |
| 4.5 本章小结 |
| 第五章 面向电信数据的诈骗模式发现及趋势分析算法 |
| 5.1 总体流程 |
| 5.2 基于半监督图网络的诈骗模式发现算法 |
| 5.2.1 问题描述 |
| 5.2.2 基于半监督的图网络建模 |
| 5.2.3 基于semi-GCN的诈骗发现算法 |
| 5.3 基于时序的欺诈趋势发现及分析方法 |
| 5.3.1 问题描述 |
| 5.3.2 基于聚类的趋势发现方法 |
| 5.3.3 基于时序统计的趋势分析及评估 |
| 5.4 实验结果与分析 |
| 5.4.1 实验环境 |
| 5.4.2 基于半监督图网络的诈骗模式发现算法实验结果分析 |
| 5.4.3 基于时序的欺诈趋势发现及分析方法实验结果分析 |
| 5.5 本章小结 |
| 第六章 总体设计 |
| 6.1 系统总体架构 |
| 6.2 平台关键功能模块介绍 |
| 6.2.1 反欺诈综合决策模块 |
| 6.2.2 模式发现及趋势分析模块 |
| 6.2.3 多源异构特征工程模块 |
| 6.2.4 多源异构数据集成模块 |
| 6.2.5 多源异构数据存储模块 |
| 6.3 基本工作流程 |
| 6.3.1 智能反欺诈综合决策流程 |
| 6.3.2 诈骗模式发现流程 |
| 6.3.3 诈骗趋势分析流程 |
| 6.4 本章小结 |
| 第七章 详细设计 |
| 7.1 反欺诈综合决策详细设计 |
| 7.1.1 类图及接口说明 |
| 7.1.2 典型场景说明 |
| 7.2 诈骗模式发现及趋势分析详细设计 |
| 7.2.1 类图及接口说明 |
| 7.2.2 典型场景说明说明 |
| 7.3 多源异构特征工程详细设计 |
| 7.3.1 类图及接口说明 |
| 7.3.2 典型场景说明说明 |
| 7.4 本章小结 |
| 第八章 系统部署与测试 |
| 8.1 测试环境部署 |
| 8.2 系统测试 |
| 8.2.1 系统前端界面 |
| 8.2.2 系统功能测试 |
| 8.2.3 算法性能测试 |
| 8.2.4 测试结果分析 |
| 8.3 本章小结 |
| 第九章 总结与展望 |
| 9.1 论文工作总结 |
| 9.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于图神经网络的知识推理研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与发展 |
| 1.2.1 基于深度学习的知识图谱推理 |
| 1.2.2 基于路径的知识图谱推理 |
| 1.2.3 基于图神经网络的知识图谱推理 |
| 1.3 本论文的主要贡献与创新 |
| 1.4 本论文的组织结构 |
| 第二章 相关技术与整体设计分析 |
| 2.1 知识图谱 |
| 2.1.1 知识图谱的起源和定义 |
| 2.1.2 知识图谱的构建 |
| 2.1.3 知识图谱嵌入 |
| 2.2 图神经网络及其算法 |
| 2.2.1 非欧几里得数据 |
| 2.2.2 图神经网络 |
| 2.3 注意力机制 |
| 2.3.1 NLP中的Attention机制的引入 |
| 2.3.2 分层注意力机制 |
| 2.3.3 自注意力机制 |
| 2.4 实体连接算法 |
| 2.4.1 传统实体链接算法 |
| 2.4.2 神经实体链接算法框架 |
| 2.5 传统文本特征抽取 |
| 2.5.1 基于CNN的文本特征提取流程 |
| 2.5.2 基于RNN的文本特征提取流程 |
| 2.6 整体设计与分析 |
| 2.7 本章小结 |
| 第三章 结合图结构信息的知识图谱推理算法 |
| 3.1 问题分析 |
| 3.2 结合图谱结构信息的改进思路 |
| 3.2.1 保留图谱语义信息 |
| 3.2.2 增加图谱结构信息 |
| 3.2.3 改进的算法流程 |
| 3.3 改进的知识图谱关系推理算法 |
| 3.3.1 算法的图谱输入 |
| 3.3.2 知识图谱的语义信息获取方法 |
| 3.3.3 图神经网络的图谱结构信息获取方法 |
| 3.3.4 语义信息和结构信息评分函数 |
| 3.3.5 注意力机制对评分结果的融合 |
| 3.4 实验与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 评估标准 |
| 3.4.3 验证与测试分析 |
| 3.5 本章小结 |
| 第四章 特征信息增强对稀疏知识图谱推理算法的改进 |
| 4.1 问题分析 |
| 4.2 模型改进思路 |
| 4.3 信息增强对稀疏知识谱图推理模型的改进 |
| 4.3.1 改进的网络结构 |
| 4.3.2 特征信息增强对稀疏知识图谱推理改进算法流程 |
| 4.3.3 序列化模型与并行计算 |
| 4.3.4 LSTM语义和结构信息提取 |
| 4.3.5 知识图谱链接 |
| 4.3.6 图神经网络获取增强特征 |
| 4.3.7 增强信息特征融合 |
| 4.4 数据集与实验分析 |
| 4.4.1 数据集收集 |
| 4.4.2 验证与测试分析 |
| 4.5 本章小结 |
| 第五章 知识图谱的石墨烯制备专利文本分析应用 |
| 5.1 问题分析 |
| 5.1.1 知识图谱的信息存储 |
| 5.1.2 知识图谱在专利分析中的优势 |
| 5.2 应用框架 |
| 5.3 专利文本数据收集 |
| 5.4 分析应用的实现 |
| 5.4.1 文本信息抽取 |
| 5.4.2 石墨烯制备专利知识图谱构建 |
| 5.4.3 专利创新性分析应用 |
| 5.4.4 专利趋势分析应用 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 附录 |
（7）基于子信号趋势分析和固定字典极限学习机的城轨列车转向架故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 转向架重要部件故障诊断技术研究现状 |
| 1.3 主要研究内容与本文结构 |
| 1.4 技术路线 |
| 2 城轨列车转向架系统和振动信号分析 |
| 2.1 城轨列车转向架结构及功能介绍 |
| 2.2 城轨列车转向架振动信号特征 |
| 2.3 城轨列车转向架振动信号分析 |
| 2.3.1 采样频率对振动信号的影响 |
| 2.3.2 转向架变速度对采样频率的影响 |
| 2.4 本章小结 |
| 3 基于奇异值完全分解的转向架早期故障特征分析方法 |
| 3.1 基于转向架振动信号的奇异值完全分解算法研究 |
| 3.1.1 奇异值分解算法原理 |
| 3.1.2 适用于转向架早期故障的奇异值完全分解算法 |
| 3.2 有效性验证 |
| 3.2.1 实验设计 |
| 3.2.2 实验结果及结论 |
| 3.3 本章小结 |
| 4 基于子信号趋势分析的转向架特征提取方法 |
| 4.1 基于转向架振动信号特征的子信号趋势分析算法研究 |
| 4.1.1 基于转向架振动信号特征的高低频信号分离 |
| 4.1.2 基于转向架振动信号特征的波形趋势还原 |
| 4.1.3 基于转向架振动信号特征的变化趋势特征提取 |
| 4.1.4 适用于转向架振动信号特征提取的子信号趋势分析算法 |
| 4.2 实例分析 |
| 4.2.1 转向架振动信号高低频信号分离 |
| 4.2.2 转向架振动信号波形趋势还原 |
| 4.2.3 转向架振动信号变化趋势特征提取 |
| 4.3 本章小结 |
| 5 基于固定字典极限学习机的转向架故障诊断方法 |
| 5.1 基于固定字典极限学习机的转向架故障诊断方法研究 |
| 5.1.1 极限学习机算法原理 |
| 5.1.2 适用于转向架振动信号特征的固定字典极限学习机算法 |
| 5.2 基于子信号趋势分析和固定字典学习机转向架故障诊断框架 |
| 5.3 实例分析 |
| 5.3.1 固定字典学习机效果验证 |
| 5.3.2 基于固定字典学习机的转向架故障诊断 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文主要工作总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于BP神经网络的重力异常分离（论文提纲范文）
| 1 引 言 |
| 2 方法原理 |
| 2.1 BP神经网络模型 |
| 2.2 趋势分析法基本原理 |
| 3 模型验证 |
| 4 实测数据分析 |
| 5 结 论 |
（9）内陆水体遥感水质反演算法研究及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文的章节安排 |
| 2 内陆水体遥感水质反演的理论与方法 |
| 2.1 内陆水体遥感水质反演理论基础 |
| 2.1.1 固有光学量 |
| 2.1.2 表观光学量 |
| 2.1.3 水体辐射传输过程 |
| 2.2 内陆水体遥感水质反演常用方法 |
| 2.2.1 分析法 |
| 2.2.2 经验法 |
| 2.2.3 半分析法 |
| 2.3 效果分析与评价 |
| 2.3.1 留一法 |
| 2.3.2 评价指标 |
| 2.4 本章小结 |
| 3 基于改进QAA的内陆水体水质反演 |
| 3.1 引言 |
| 3.2 QAA |
| 3.3 基于改进QAA的内陆水体水质反演方法 |
| 3.3.1 总体流程 |
| 3.3.2 一种无需IOPs数据的改进QAA的方法 |
| 3.3.3 基于波段组合的水质指标反演方法 |
| 3.4 数据处理 |
| 3.5 实验与分析 |
| 3.5.1 固有光学量反演 |
| 3.5.2 总悬浮物浓度反演 |
| 3.6 本章小结 |
| 4 基于高光谱数据波段选择的内陆水体水质反演 |
| 4.1 引言 |
| 4.2 基于高光谱数据波段选择的内陆水体水质反演方法 |
| 4.2.1 总体流程 |
| 4.2.2 一种基于神经网络的波段选择方法 |
| 4.2.3 水质指标反演方法 |
| 4.3 实验与分析 |
| 4.3.1 波段相关性分析 |
| 4.3.2 总悬浮物浓度反演与效果分析 |
| 4.3.3 叶绿素浓度反演与效果分析 |
| 4.4 本章小结 |
| 5 基于遥感水质反演的水务管理与监控软件设计 |
| 5.1 系统分析 |
| 5.1.1 系统功能需求分析 |
| 5.1.2 系统特性分析 |
| 5.2 软件总体架构 |
| 5.3 软件总体流程图 |
| 5.4 主要功能模块 |
| 5.4.1 水体数据管理模块 |
| 5.4.2 水质反演模块 |
| 5.4.3 水质数据分析模块 |
| 5.4.4 水务设备管理与监控报警模块 |
| 5.4.5 数据检索和数据导出模块 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
（10）区域土壤养分空间预测与不确定性分析 ——以土壤有机质和全氮为例（论文提纲范文）
| 摘要 |
| Abstract |
| 注释说明清单 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与进展 |
| 1.2.1 预测方法的现状及研究进展 |
| 1.2.2 不确定分析现状及研究进展 |
| 1.3 研究目标内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究创新点 |
| 2 研究区概况及数据的获取与分析 |
| 2.1 研究区概况 |
| 2.1.1 通州区概况 |
| 2.1.2 密云区概况 |
| 2.2 数据的获取与实验分析 |
| 2.2.1 土壤样品的采集 |
| 2.2.2 土壤有机质与全氮含量的实验室测定 |
| 2.3 质量控制 |
| 2.3.1 采样现场质量控制 |
| 2.3.2 实验室分析质量控制 |
| 2.4 建模预测模型 |
| 2.4.1 偏最小二乘法 |
| 2.4.2 RBF神经网络 |
| 2.4.3 随机森林 |
| 2.5 预测精度分析方法 |
| 3 土壤有机质的空间预测 |
| 3.1 相关数据的获取与描述 |
| 3.1.1 辅助变量的获取 |
| 3.1.2 辅助变量与土壤有机质相关性分析 |
| 3.1.3 SOM描述性统计特征 |
| 3.1.4 半变异函数分析 |
| 3.1.5 有机质趋势分析 |
| 3.2 相同辅助变量组合下不同预测模型有机质预测精度对比 |
| 3.3 不同辅助变量组合下相同预测模型有机质含量预测研究 |
| 3.4 本章小结 |
| 4 土壤全氮的空间预测 |
| 4.1 辅助变量与土壤全氮相关性分析 |
| 4.1.1 辅助变量的获取 |
| 4.1.2 全氮描述性统计特征 |
| 4.1.3 全氮趋势分析 |
| 4.2 预测模型相同下不同采样数量全氮预测模型精度对比 |
| 4.3 采样数量相同预测模型不同全氮预测模型精度对比 |
| 4.4 本章小结 |
| 5 土壤有机质与全氮空间预测模型不确定性分析 |
| 5.1 标准差分布图进行不确定性分析 |
| 5.1.1 采样点数量相同不同辅助变量组合不同预测模型不确定性分析 |
| 5.1.2 不同采样梯度下土壤全氮预测的不确定性 |
| 5.2 趋势分析图进行不确定性分析 |
| 5.2.1 采样梯度相同时有机质预测结果的趋势分析 |
| 5.2.2 采样梯度不同时土壤全氮预测结果的趋势分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
四、基于神经网络趋势分析（论文参考文献）
- [1]气候变化条件下金沙江梯级水电站发电能力变化研究[D]. 刘令军. 大连理工大学, 2021(01)
- [2]基于W-SENCE-PSR框架的河西内陆河流域水生态安全评价研究[D]. 戴文渊. 甘肃农业大学, 2021(01)
- [3]A水库水质的变化趋势分析及预测研究[D]. 梁萍. 燕山大学, 2021(01)
- [4]气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例[D]. 王雨晴. 内蒙古农业大学, 2021(01)
- [5]面向电信数据的智能反欺诈决策平台的设计与实现[D]. 钟睿. 北京邮电大学, 2021(01)
- [6]基于图神经网络的知识推理研究与应用[D]. 黄超. 电子科技大学, 2021(01)
- [7]基于子信号趋势分析和固定字典极限学习机的城轨列车转向架故障诊断研究[D]. 左亚昆. 北京交通大学, 2021
- [8]基于BP神经网络的重力异常分离[J]. 杨磊. 工程地球物理学报, 2021(01)
- [9]内陆水体遥感水质反演算法研究及应用[D]. 陈仲锴. 浙江大学, 2021(08)
- [10]区域土壤养分空间预测与不确定性分析 ——以土壤有机质和全氮为例[D]. 尹群. 安徽理工大学, 2020(07)