一、典型案例系统中的模式识别问题——模型与算法（论文文献综述）
渠涧涛[1]（2021）在《LTE-R网络智能故障诊断与预测方法研究》文中指出随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R（Long Term Evaluation-Railways）技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:（1）针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统（GIS）技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。（2）在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络（GAN）方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法（NSGA-Ⅲ）对网络参数进行优化。最后,使用逼近理想解排序法（TOPSIS）从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。（3）为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络（CNN）的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。（4）针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载（E-RAB）异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解（CEEMDAN）对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络（LSTM）和注意力机制构建预测模型。此外,又引入了粒子群优化（PSO）算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。（5）考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化（BPSO）算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。
熊壬浩[2]（2020）在《知识驱动的软件模式识别》文中认为由于软件系统的复杂性,理解现有软件已成为软件生命周期所有阶段中最昂贵的任务之一。据统计,理解软件系统花费了软件工程中多达60%的工作量。从遗留系统中恢复设计信息是一项相当具有挑战性的任务,即使对于70K到280K源代码行的中型项目,也需要经验丰富的设计师平均花费100个小时来创建准确的架构。识别软件模式（software pattern）是理解软件系统的重要手段之一。包括架构模式（architectural pattern）和设计模式（design pattern）在内的软件模式总结了软件系统的设计或实现中特定的、重复出现的问题的解决方案。软件模式的识别提供了一种了解系统设计背后原理的有效途径。识别出的模式实例揭露了开发人员的意图,为维护人员提供了系统结构及其内部特征的深刻见解。软件模式本身提炼了有经验的专家从实践中获得的设计知识;而从中理解软件系统的制品（artifact）,也可以理解为关于软件系统的一种知识形式。尽管如此,现有方法较少从知识角度出发探索软件模式的识别。识别软件模式涉及多方面的领域知识,现有方法往往单一的利用领域知识的某一方面作为模式存在的证据,这往往不够充分而产生误报。技术领域的上下文不明确,设计与实现之间的映射便难以自动化进行,致使识别模式需要较大的人工工作量。针对上述问题,本文的主要贡献包括以下几个方面:（1）在Java语言的上下文中利用惯用实现识别设计模式:构造了一组本体,用于描述设计模式的概念以及Java语言的构造;进而提出了一种实体及关系抽取算法,用于从源代码中构建知识图谱,并构造了22种GoF（Gang of Four,四人帮）设计模式的模式模板;最终在五个开源的基准系统上展开实验,并与三种其他方法比较,评估了识别的准确性及时间性能。（2）在此基础上,使用动态分析方法进一步区分结构上相似的设计模式实例:提出了一种测试脚本标记语言以及一个基于该标记语言的测试用例生成算法,用于驱动模式实例运行;描述了一种程序追踪方法,无需插桩即可监视程序的运行状态;进而在知识图谱中引入基于间隔的时序关系,构建了一种运行时行为的建模和规范方法;最终使用六个开源基准系统,针对五个GoF设计模式,实验验证了五种现有方法报告的466个实例,进一步提高了识别的准确性。（3）基于扎根理论整合多方面的领域知识,利用专家的经验知识进行架构模式识别:提出了一种基于扎根理论的架构模式识别方法,即围绕案例分析,展开相关资料的调研,通过一种自顶向下的识别过程,构建出一个关于架构模式的“理论”;随之围绕两个开源系统,演示和分析了该方法在实践中的应用;最终针对六个开源系统实验评估了该方法的准确性及时间性能。（4）抽象了基于静态分析、动态分析以及扎根理论解决设计模式和架构模式识别问题的过程及实现方法,建立了一种知识驱动的模式识别框架:利用层次结构的特点,提出了一种层次化知识图谱;在此基础上,使用描述逻辑形式化定义了模式,将模式识别问题转换为概念的可满足性问题;最终定义了模式识别的核心过程和部件,将识别过程的可变部分封装为可插拔的组件,并基于该框架实现了一个原型工具。
郑汉[3]（2020）在《基于不确定性分析的铁路通过能力利用优化研究》文中提出铁路通过能力研究包含计算、利用、加强与储备这几个部分,是一个涉及铁路运输基本理论、技术、方法的综合体系。铁路能力利用实质是资源约束下的优化问题,具有多元、时变的特点,研究难度很大。尤其是近年来,随着社会经济环境的变化,运输需求不只关注“走得了”,更关注“走得好”,决定了在能力利用优化研究中对“不确定性”引入的内在要求。诚然,对于铁路运输系统这样一个结构复杂的巨系统,如何辨识、描述时变的不确定性尚且困难,要进一步对能力利用进行优化更非易事。既有研究多孤立、静态地研究不确定性及相关优化技术,缺乏数据驱动力和环境适用性,技术间耦合不足,存在分析结构性与范式的改进空间。本文试图对上述问题进行思考和探索。提出“机器学习+最优化”研究框架,在充分利用铁路数据基础上,从不确定性及能力利用优化基本理论出发,剖析不确定性内部结构及层次分布,分析不确定性静态模式及动态演化规律,进而研究对抗不确定性的能力利用优化技术。具体说来,包含以下工作:1)界定基于不确定性分析的能力利用优化概念。分析运输组织要素在能力利用中的作用,引出铁路系统中不确定性与能力利用的关系;进行不确定性的分层梳理与结构分析,建立不确定性在不同粒度上的分布（包含主观不确定性和客观随机性并存的结构）;之后提出“机器学习+最优化”研究框架:使用机器学习方法进行不确定性分析,并关联最优化技术完成能力利用优化。不确定性分析包括静态模式分析和动态演化分析。静态模式分析以微观的列车运行序列数据为基础,通过机器学习技术分析数据中蕴含的共性与异性,获得模式并度量不确定性。动态演化分析以受控-随机理论为基础,将铁路系统运营视作执行者（如司乘人员、作业班组等）以及控制者（如行车、车站调度人员等）协同配合的过程,刻画不确定性的连续动态特性;最后,结合不确定性分析过程,以最优化技术设计基于不确定性的能力利用优化框架。2)提出不确定性静态模式分析的方法。针对数据量庞大、模式识别困难的问题,设计了无监督学习模式发现和有监督学习模式识别相配合的模式分析技术。前者通过无需人工干预的深度学习技术,从小样本数据中发现模式,人工调整后形成模式集。后者提取与铁路能力利用相关的特征,完成大批量序列数据的模式分析;之后,根据Dirichlet分布的共轭先验特性对不确定性的分布情况进行度量。根据所分析的模式及相关不确定性,设计启发式方法校正运行时间所对应的微观实施方案,提升列车运行在微观层面的可操作性;最后,以微观列车时空轨迹数据为输入,通过数值实验分析数据的模式及其不确定性分布情况。分析模式形成原因,测试方法的性能,并揭示模式与主观不确定性及客观随机性间的关系。3)提出不确定性动态演化分析的方法。根据受控-随机理论,从执行和控制两个角度建立描述不确定性的随机过程模型。利用马尔可夫性,通过离散的状态转移过程描述该模型;设计影响状态转移概率的信息向量,使用贝叶斯网络建立不确定性推理模型,搭建动态演化推理模型;之后,设计列车时空冲突检测以及储备能力调整方法,为能力利用优化模型参数微调提供支持;最后,基于静态模式分析结果,通过数值实验分析不确定性演化的差异性,如延误较严重时,列车在某些区间会选择减速运行（晚点模式达到80%左右）,相当于把闭塞分区当作临时存车线使用,证实“车站-区间”配合协调的能力利用现象的存在。4)构建基于不确定性分析的能力利用优化模型并求解。依托事件-活动EAN网络,建立以期望计划完成度、能力利用衔接性、能力利用可行性、能力利用鲁棒性以及能力利用可恢复性为优化目标的理想优化模型。进一步,分析模型中与不确定性相关的目标函数及约束,将模型改进为能够对抗不确定性的鲁棒优化模型,具体实施路径包括:首先构建基于扰动（1）和数据驱动（2）两种不确定性集,而后从主动、被动对抗不确定性的优化方法入手,设计包括强鲁棒、弱鲁棒、可行恢复鲁棒、最优恢复鲁棒在内的适用于不同数据环境的鲁棒优化模型。之后,为描述列车的会让、越行关系,构建分支定界算法以求解模型;分别基于1与2设计数值实验,对各鲁棒优化模型的参数灵敏度进行指标分析。5)针对我国典型煤运重载铁路进行实例验证。将研究内容应用于实际案例,获得以下结论:1)发现不同区间模式分布规律的差异性,例如,研究案例某普通区间的早点模式、正点模式、晚点模式比为25%:7%:68%;而在组合拆解技术站邻近区间,该比例为23%:58%:19%。可见在不确定性晚点发生时,铁路运行系统出现内部自组织现象;2)在设定不同的储备能力量值情况下,运用动态演化评价其对能力利用的影响效果,如案例中总体分配2%储备能力时,其可以抵抗最大平均初始扰动为8min;3)界定不同鲁棒优化模型所适用的数据环境,揭示储备能力的时空分配对方案效果的影响,如:由于针对性地加强关键区间在易发生扰动时段内的储备能力并降低其他时空的储备能力,基于2的最优恢复鲁棒方法获得的方案在储备能力总量上较强鲁棒优化方案少6.4个百分点,却使指标优化8.6%。本文以不确定性为着眼点,从理论、模型、算法等方面对能力利用优化体系进行了一定地补充与完善。所提出的“机器学习+最优化”研究框架,可充分利用历史数据信息,从静态模式、动态演化等角度实现多维度不确定性分析;不确定性分析结果直接参与优化模型不确定性集构建、模型参数选择以及求解过程冲突检测等环节,指导不同数据环境下多目标能力利用方案优化。研究的成果可从数据中分析不确定性的特性,并通过优化模型合理地优化能力利用方式,提升能力利用方案质量,可为我国铁路能力精细化利用理论方法提供一定参考。
臧金蕊[4]（2020）在《面向排放测算的城市路网全样流量测算方法研究》文中研究表明机动车等移动源的动态排放测算一直是我国进行空气质量模拟工作的瓶颈问题。基于各污染源动态排放量的空气质量模拟,是空气污染物治理中制定决策的重要依据。目前工业源等固定源已实现在线实时监测,可获取连续动态排放数据,而机动车为主的移动源多为一年一度的静态排放总量测算,难以支撑大气污染物的实时动态测算和空气质量模拟分析。机动车移动源动态排放测算难以实现的重要原因之一是缺乏有效的路网全样动态流量测算方法。机动车路网动态排放量基于路网动态流量、道路长度和排放因子进行测算。其中,单车排放因子测算方法得到国内外大量学者的深入研究,已具备有效测算方法;而路网全样流量受监测技术限制,难以通过实际采集的方式获取,也缺乏有效测算方法,导致路网动态排放测算难以实现。因此,有必要开展路网全样动态流量测算方法的研究。目前路网全样动态速度采集技术较为成熟,基于流量-速度基本图模型,通过速度数据推算流量,是获取路网全样流量数据的重要手段。基于交通流基本图的流量测算研究开展较早,但由于其难以对面向交通管理与控制的短时间粒度（5min）流量进行准确测算,在交通管理与控制领域并未得到广泛的实际应用。对于路网机动车动态排放测算,小时粒度流量已满足需求,同时基于交通流模型的小时粒度流量测算精度较高,适应于路网机动车排放测算领域。因此,本文将基于交通流基本图模型研究面向排放测算的路网全样动态流量测算方法。道路交通流特征是人的出行规律在路网上的表达。受出行目的和道路功能影响,交通流表现出不同形态,例如,以通勤出行为主的工作日交通流和以娱乐活动出行为主的周末/节假日交通流具有不同形态;放射线潮汐流和环路交通流具有不同单双峰形态。出行的规律性及道路的分类分级特征,使交通流可被聚类为有限模式。由于不同模式交通流存在明显差异,针对不同模式分别进行流量预测,有助于提高流量预测精度。因此,研究交通流模式的划分和识别方法是十分必要的。基于以上背景,本文基于多源速度、流量和排放实测数据,研究交通流模式划分和识别方法,对交通流基本图影响因素进行定量分析,建立各等级道路不同交通流模式、不同时段下的交通流基本图模型,实现路网全样动态流量测算,并进行路网动态排放测算的案例应用。本文的主要研究内容和发现总结如下:（1）提出了基于速度时变差异直接指标的交通流自组织映射（Self-organizing Maps,SOM）算法神经网络聚类方法,可以实现对城市交通流的高效聚类。构建了周一到周四工作日、周五工作日、周六、周日、雨天、节假日、晚高峰突出、早高峰突出8类交通流模式,可以有效刻画城市道路90%以上交通流模式。（2）提出了各等级道路不同时段速度指标的交通流模式快速识别算法。本文提出的基于24小时、早晚高峰、0:00-12:00和早高峰速度指标的模式识别方法精度均较高,各等级道路平均正确识别率分别为94.87%、93.64%、82.45%和80.96%。深度置信网络能高效实现大规模速度数据的模式识别,对全天、早晚高峰、0:00-12:00速度指标的平均正确识别率分别为93.02%、90.98%、82.45%;经过遗传算法和模拟退火遗传算法优化的BP网络模式识别精度提高,对全天速度指标的识别精度分别提高7.38%和7.96%。（3）基于交通流基本图模型构建了各等级道路不同交通流模式、不同时段下的路网全样动态流量测算方法。通过对特定道路流-速-密基本图模型影响因素的定量分析,发现除已被既有研究识别出的大型车比例、天气条件外,早/晚高峰、工作日/节假日等不同出行目的引起的驾驶行为差异会显着影响交通流基本图。同一路段早高峰通行能力比晚高峰高3.47%,节假日通行能力比工作日高4.73%。综合考虑道路等级、早/晚高峰、工作日/节假日等因素比只考虑道路等级构建的交通流模型对流量测算的精度提高6.51%。（4）进行了基于路网全样动态流量对机动车路网动态排放量进行测算的案例应用,验证了本文提出的面向排放测算的路网全样流量测算方法的可靠性,可对节能减排政策进行快速评估。
白明亮[5]（2020）在《故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究》文中提出燃气轮机是一种应用广泛的动力机械。开展燃气轮机的故障检测与诊断对于其安全可靠运行有着极其重要的意义。随着人工智能和大数据技术的蓬勃发展,数据驱动的燃气轮机智能故障检测与诊断受到研究者的广泛欢迎。然而,在燃气轮机的实际运行数据中,故障案例的稀缺是不可避免的。特别是新投入运行的燃气轮机,在其运行初期,各部件处于健康状态,此时可获得的运行数据中通常只包含正常样本。新投入运行的燃气轮机在运行一段时间后,会积累少量的故障数据。此时,正常数据远远多于故障数据,处于极度的类不平衡状态。即使燃气轮机运行了很长一段时间,类不平衡现象仍然存在。故障案例的稀缺给数据驱动的燃气轮机故障检测与诊断带来了严峻的挑战。针对故障案例稀缺场景下的燃气轮机智能故障检测及诊断问题,本文开展了如下研究工作:首先,本文利用单轴燃气轮机和船用三轴燃气轮机的非线性部件级模型,对两种燃气轮机的典型气路故障特性进行了分析,比较了气路故障对可测参数的影响与工况和环境条件变化对可测参数的影响,针对故障案例稀缺场景下的燃气轮机故障检测及诊断,提出了抑制工况和环境条件干扰、凸显故障的研究思路。第二,针对燃气轮机运行初期只有正常数据的场景,本文首先完全从数据驱动的角度出发,研究了一类支持向量机、主成分分析、孤立森林和局部异常因子四种一类模式识别方法在仅有正常数据的故障检测问题中的检测效果。在Taurus70单轴燃气轮机和某船用三轴燃气轮机上的实验结果表明这四种方法均能取得一定的故障检测效果,其中采用RBF（Radical Basis Function）核函数的一类支持向量机算法取得了相对较好的故障检测精度。第三,针对燃气轮机运行初期只有正常数据的场景,本文融入了燃气轮机的物理机理,提出了常模式提取的故障检测方法。通过布雷顿循环和燃气轮机基本原理,揭示了单轴燃气轮机正常运行时各测点间的固有映射关系,消除了工况和运行条件对故障检测的干扰,并通过NARX（nonlinear autoregressive with exogenous inputs）神经网络实现了单轴燃气轮机准确的常模式提取和灵敏鲁棒的故障检测。该方法在Taurus70单轴燃气轮机正常数据上的检测精度达98.67%,在单轴燃气轮机故障数据上的检测精度达99.96%。与上述四种一类模式识别方法的比较实验表明,常模式提取方法显着提高了单轴燃气轮机的故障检测精度。第四,针对燃气轮机运行初期只有正常数据的场景,本文进一步提出了由多个常模式模型组成的常模式阵列。常模式阵列方法通过时序挖掘能力较强的长短期记忆网络进行辨识,并通过多个常模式模型的协调决策实现灵敏鲁棒的故障检测。在船用三轴燃气轮机上的实验结果表明,常模式阵列方法的正常数据上取得了96.97%的检测精度,对13种常见气路故障均能获得99.86%以上的检测精度。与单一的常模式模型方法和上述四种一类模式识别方法相比,常模式阵列方法显着提高了燃气轮机的故障检测精度。最后,针对极度类不平衡场景下的燃气轮机故障诊断,本文系统地研究了随机过采样、SMOTE（Synthetic Minority Oversampling Technique）过采样、Borderline-SMOTE过采样、随机欠采样、Near Miss欠采样和加权支持向量机在极度类不平衡场景下的燃气轮机故障诊断效果。实验结果表明过采样方法和样本加强方法均能提高极度类不平衡场景下的燃气轮机故障诊断精度,其中过采样方法对诊断精度的提升最大。综上,本文在仅有正常数据的场景下实现了单轴燃气轮机和船用三轴燃气轮机灵敏鲁棒的故障检测,在极度类不平衡场景下大幅度提高了燃气轮机的故障诊断精度,从而为故障案例稀缺场景下的燃气轮机故障检测与诊断提供了有效的理论指导。
刘诗源[6]（2020）在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中研究表明矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:（1）研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法（Adaptive Electrical Period Partition,AEPP）,对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）对各电周期信号进行分解,结合Park矢量模（Park’s Vector Modulus,PVM）归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。（2）研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换（Dual-Tree Complex Wavelet Packet Transform,DTCWPT）的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法（Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC）,对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则（Maximum Local Margin Criterion,MLMC）的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机（Support Vector Machine,SVM）分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。（3）研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,（1）多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。（2）由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析（Transfer Component Analysis,TCA）研究的基础上,提出改进TCA（Modified Transfer Component Analysis,MTCA）的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。（4）研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习（Stratified Transfer Learning,STL）研究的基础上,提出一种改进STL（Modified Stratified Transfer Learning,MSTL）的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。（5）研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
王翘楚[7]（2019）在《基于群体智能算法的能源优化调度策略研究》文中研究指明人工智能的出现推动了能源信息网和能流规划的发展。传统的仅依靠人工调节供热设备的运行方式已经不再满足当今精细化调节的运行需求。通过更加精确地对运行策略进行划分,一方面可以依据不同曲线的特征进行供热设备的控制,满足电网调峰的需要,另一方面也可以提高运行的经济性。本文提出了一种基于负荷模式识别进行运行调节的综合能源系统最优运行策略制定方法。研究以某高校供热机房作为示例,首先通过分析了目前较新和较为经典的多目标群智能优化算法在能源系统运行优化问题上体现出的性能差距,选择性能表现较好的NSGA-II算法进行实际系统运行优化策略的计算;接下来通过聚类获得该机房供热建筑的典型负荷模式。利用K-means聚类算法结合指标分析进行典型负荷类的建立,再通过SVM分类器将负荷归类在典型类中对负荷进行模式识别,得到典型用户热负荷模式;最后,基于聚类得到的负荷模式,通过NSGA-II算法对基于灰箱法建立的设备功率-热量模型进行运行费用最低和运行能耗最低的优化,最后采用Topsis灰色关联度熵权法进行多目标决策,得到帕累托前沿上最优的运行策略点,实现对机组运行策略的规划得到不同负荷模式下的最优运行策略,并分析了不同负荷变化模式下供热负荷从低到高时所对应的机组的工作方式。为了对优化得到的运行策略的验证,研究将测试获得的运行策略与优化得到的策略进行了对比分析,结果发现采取模式识别方法对建筑负荷数据进行分类,分类器的精度可以达到98.7%,实现了很好的分类效果;此外,针对不同的热负荷模式,采用多目标优化得到的最终运行策略较实际运行相比,可相比采用现有运行策略平均节约运行费用15.58%,节约运行能耗14.75%。分析优化的结果可以发现对建筑的能源系统进行有计划地精细化调节,可以实现运行费用与系统功耗之间的平衡,有蓄热水箱的能源系统将具备更大的调节灵活性。
杨奕飞[8]（2019）在《舰船装备健康评估与管理若干关键技术研究》文中提出现代舰船装备的集成度、复杂度及智能化程度急剧增加,传统的故障诊断与维修保障技术难以适应新的要求。故障预测与健康管理（PHM）技术是改变传统维修保障方式的新技术,是舰船装备健康管理技术发展的新方向。目前,舰船装备的PHM主要存在复杂雷达系统状态监测和评估难、动力设备监测数据故障样本少、甲板机械设备受环境工况综合影响大等问题,这给PHM技术在舰船中的应用带来了困难。论文围绕舰船装备PHM的状态监测、评估预测、维修决策等关键环节进行了研究,设计了健康管理总体架构、分层结构和信息流程,针对三类典型舰船装备PHM中的突出问题,提出了新的解决方法。主要工作和成果如下:1.以船载测控雷达为对象,研究了复杂雷达健康状态监测与评估方法,设计了航天测控雷达的状态在线监测信息和离线测试信息;建立了健康评估指标体系,提出了基于模糊综合评判的雷达健康评估方法。为进一步消除模糊边界问题,将模糊综合评价和SVR模型结合,并采用CS算法对SVR参数进行优化,提出了一种FCCS-SVR评估模型。通过对PSO-SVR、GA-SVR、BA-SVR、CS-SVR和FCCS-SVR模型的性能比较分析及案例研究,证明了FCCS-SVR模型的有效性。2.以船舶动力设备为对象,研究了小样本条件下的故障模式识别方法。提出了一种CS-LSSVM故障识别模型,针对CS算法容易陷入局部最优的问题,进一步提出了改进的ICS-LSSVM模型,通过多种智能优化模型与该模型的仿真比较和案例分析,表明该模型的识别精度更高。同时研究了基于HMM模型的故障识别方法,案例分析表明,利用HMM将缓慢变化的信号特征转换为变化较大的对数似然概率,可有效提高故障模式识别能力。3.以船舶动力设备为对象,研究了故障状态和缺陷状态的预测方法。提出了一种CS-SVR-HMM状态预测模型,仿真结果表明该模型能实现对未来故障状态的预测;提出了基于HSMM的缺陷状态识别方法,仿真结果表明该模型对缺陷状态和剩余寿命具有较好的预测效果。4.以甲板机械设备为对象,研究了考虑环境因子的维修策略。给出了环境因子的定义和参数估计方法,分析了考虑内外因素影响的设备衰退演化规则,建立了一种基于可用度最大和维护成本率最低的综合目标动态决策模型,采用服从威布尔寿命分布模型,通过实例研究了不同环境因子对设备衰退演化的影响及预防维护时间间隔的变化,验证了决策模型的有效性。论文最后对全文进行了总结,并对未来进一步研究的问题提出了展望。
宋辉[9]（2018）在《基于局部放电深度学习的GIS风险评估方法》文中研究指明随着电力设备局部放电（Partial Discharge,PD）检测技术的成熟,SF6气体绝缘组合电器（Gas Insulated Switchgears,GIS）的局部放电检测当前获得了大量的变电站现场应用,发现了一些GIS设备的潜在缺陷,推动了运行条件下GIS设备状态检修的发展。但大量的现场应用也暴露了一些问题,如运行条件下GIS局部放电数据的诊断识别效果较差,海量增长的局部放电检测数据带来了多源异构数据的处理难题和历史检测数据的挖掘问题,最后由于局部放电的影响因素众多,传统方法难以完成对局部放电严重程度的有效评估。在此背景下,深度学习的相关理论和方法为GIS局部放电风险评估提供了全新的思路和解决方法。论文通过局部放电的实验室模拟实验和变电站现场检测两种方式,利用多种检测仪器建立了复杂背景下的多源局部放电数据样本库。针对多源异构的局部放电数据归一化问题,提出了针对结构化局部放电数据的归一化方法和非结构化局部放电数据的信息恢复方法;针对数据质量问题提出了基于二维经验模态分解（Empirical Mode Decomposition,EMD）的不良数据检出方法,最终建立了包含10万余条的标准化局部放电数据库。然后,通过对深度学习相关理论、方法及复杂多源GIS局部放电样本库的分析,建立了涉及模式识别、援例推理、风险评估的局部放电数据处理架构并设计了相关算法,实现了运行条件下GIS局部放电数据的诊断识别和风险评估。针对复杂数据源下局部放电的模式识别问题,论文提出了一种基于深度卷积网络（Convolutional Neural Networks,CNN）的局部放电模式识别方法。该方法以CNN为基础模型,利用深度自编码网络和复杂多源样本数据对构建的CNN模型进行无监督预训练,获取卷积层初始参数。通过卷积、池化及反向传播操作,达到识别参数最优化。通过对多源局部放电大数据特征映射提取,完成复杂场景海量局部放电数据的模式识别。与传统的基于统计特征值的支持向量机、反向传播神经网络（back propagation neural network,BPNN）和随机森林方法相比,本文所提的方法在处理复杂数据源局部放电数据样本任务中识别正确率提高10%以上,与深度信念网络相比,识别正确率提高值在4%以上,且识别正确率提高值随样本数据的增加而增大,更适合于大数据平台的工程应用需求。随着局部放电检测案例的累积,将疑似局部放电数据与历史案例中的数据进行匹配获取相似案例,是大数据背景下对局部放电数据进行深度挖掘的一种思路。本文提出了GIS局部放电援例推理的架构,针对援例推理中的关键步骤,案例库建立和匹配算法的设计,分别提出了基于本体（Ontology）理论的局部放电案例知识库建立方法和基于变分贝叶斯自编码器（Auto-Encoding Variational Bayes,AEVB）的局部放电数据匹配方法。基于Ontology的局部放电案例知识库融合了本体理论的知识表示技术对局部放电数据进行描述,论文分别构建了局部放电本体模型库、GIS局部放电基本信息库和GIS局部放电案例库,通过局部放电本体模型描述局部放电数据及相关外部信息的关联性,将局部放电案例库和GIS局部放电基本信息库有机的关联起来,同时作为语义型信息的载体,有效提高了数据的可解释性。基于AEVB的局部放电数据匹配方法中,首先构建了适用于局部放电数据的AEVB网络模型,利用AEVB提取局部放电数据特征值,然后基于余弦距离计算不同局部放电数据之间的匹配度。为验证本文所提数据匹配方法的有效性,对本文方法和其他特征提取与匹配方法进行了对比分析,包括统计特征值、深度信念网络、深度卷积网络、主成分分析、线性判别分析的特征提取方法和欧氏距离、最佳熵的匹配度计算方法。实验结果表明,基于AEVB和余弦算法的数据匹配方法相比其他数据匹配方法可以更有效的检出案例库中相似局部放电案例,为局部放电风险评估提供信息支撑。针对GIS局部放电风险评估问题,本文分析了GIS风险评估的流程,针对运行条件下基于局部放电的GIS故障概率计算问题,提出了一种结合长短时记忆网络（long short-term memory network,LSTM）和Bagging集成学习的GIS局部放电故障概率计算方法。首先对大量的变电站现场检测数据确定了数据标签,建立了数据集,其次,针对数据样本不均衡,利用Bagging集成学习方法将N个LSTM深度网络构建成适用于局部放电严重程度评估的集成学习模型。通过对由局部放电数据特征值、局部放电技术影响因素、设备运行信息等组成的特征向量进行分析,模型最终可以输出局部放电严重程度评估结果。通过与普通LSTM网络、反向传播神经网络以及Bagging-BPNN方法的对比以及变电站现场检测案例分析,结果表明本文所提方法对运行条件下GIS局部放电风险评估的结果更符合实际状态,与普通LSTM、BPNN和Bagging-BPNN相比评估结果的精确度可以提高10倍,且易于在计算机上实施部署。
李智杰[10]（2015）在《基于BIM的智能化辅助设计平台技术研究》文中研究表明数字化的建筑设计方案已在建筑领域中大量存在并得到广泛应用,对其中蕴含的丰富知识财富和经验积累加以有效再利用具有重要意义。借助计算机技术构建智能化的辅助设计平台并应用于工程项目的辅助设计或建筑设计辅助教学,可为建筑设计人员从已有的数字化设计案例中获取建筑知识、学习设计经验和设计规范、激发设计灵感、辅助建筑设计构思、重用部分设计等提供工具支持,使得建筑设计及学习过程更加高效、便捷和愉悦,是提升计算机辅助建筑设计效率和质量的一种有效途径。BIM是利用数字技术表达建筑的几何、物理和功能信息,以支持建筑物全生命周期管理的信息资源共享技术。BIM模型是BIM技术的核心,随着BIM技术的蓬勃发展和广泛应用,BIM模型的数量将会越来越多,合理地利用这些资源能够有效地缩短设计周期、降低设计成本并提高设计质量。案例推理（CBR）是一种智能化设计理论,其基本原理是通过对以往类似问题的求解经验（即案例）进行推理来解决当前问题,利用该理论建立基于BIM的智能化辅助设计平台的关键问题是模型的特征选取与表达、分类与检索方法的构建。BIM模型的一种重要特征是隐含有大量的建筑空间关系信息,而目前广泛采用的以关键词作为检索条件的方法仅仅适用于语言能够描述的情况,建筑空间关系则难以用语言刻画,因此研究建筑空间关系的计算机表达方式是对BIM模型进行有效检索的前提。图论是描述现实世界事物间关系的数学及计算机理论,建筑学科以图论为基础产生了空间句法理论用来表达建筑空间关系并进行分析,因此利用空间句法理论和图论建立属性关系图可为建筑空间关系提供计算机表达方式。利用属性关系图开展BIM模型分类与检索研究的难点在于构建运行速度快、准确率高的非精确图匹配方法,而这同时也是计算机学科进行图数据分类和检索的研究热点与难点问题之一。本文以建筑设计方案的知识再利用为研究目标,以CBR理论为指导,以BIM模型为研究对象,针对BIM模型中隐含的建筑空间关系信息,运用图论和空间句法理论的基本原理,通过研究建筑空间关系的图模型形式化表达和自动提取算法,将基于建筑空间关系的BIM模型分类与检索问题转化为图匹配问题,进而研究相适应的基于图核和图嵌入的非精确图匹配方法,在此基础上研究基于功能气泡草图的BIM模型检索方法和原型系统的构建,为计算机辅助建筑设计提供更高效的服务。论文工作主要包括以下几个方面:1.建筑空间关系可以通过构造属性关系图模型进行形式化表达,由此产生的量化信息有利于在计算机中进行基于建筑空间关系的智能信息处理。本文借助图论和空间句法理论构造了融合空间句法的属性关系图模型（SSARG）,在此基础上提出了建筑空间关系相关属性的形式化表达——建筑空间属性关系图模型（ASARG）及其自动提取算法,进而利用Revit API和C#语言在Revit平台上通过二次开发实现了ASARG的提取和属性计算的相关插件,最后给出了基于XML的BIM图匹配测试库的建立方法和相应的BIM图匹配测试库——BIMGM,为BIM模型分类与检索及其相关研究提供了数据支撑。2.结构模式识别领域中图匹配方法复杂度高,并且缺乏描述图拓扑性质的相关变量,难以满足基于建筑空间关系的BIM模型分类与检索所需的图匹配或通用图匹配的速度要求。本文在SSARG和ASARG的基础上提出了两种图核用于非精确图匹配,通过构造空间句法核和基于最短路径的空间句法核隐式地将图数据空间映射到特征向量空间,使得图之间的相似性度量转化为特征向量空间中的点积,进而利用SVM实现图数据的分类。与其他图匹配方法相比,该方法的复杂度低且分类识别率较高,为仅有拓扑属性的BIM模型或图数据提供了性能较好的基础图匹配方法。3.统计模式识别领域具有丰富的数学工具,而结构模式识别领域却很难对其加以利用,难以满足基于建筑空间关系的BIM模型分类与检索所需的图匹配或通用图匹配的精度要求。本文借鉴图嵌入的基本思想,在SSARG和ASARG的基础上提出了基于拓扑特征与领域特征的图嵌入方法、基于多尺度特征的图嵌入方法和基于改进K-均值聚类的图嵌入方法。通过这些方法将结构模式识别问题转化为统计模式识别问题,进而可以利用统计模式领域拥有的丰富数学方法实现非精确图匹配。与其他图匹配方法相比,上述方法均采用的是统计的方法并有效利用了基于空间句法理论构造的图拓扑特征,因此算法复杂度较低且分类识别率高,为具有拓扑属性和领域属性的BIM模型或图数据提供了性能较好的基础图匹配方法。4.BIM模型中隐含有大量的建筑空间关系信息,而传统的BIM模型检索方法却未加以有效利用,并且缺乏相应的检索接口。本文在上述方法的基础上提出了一种基于功能气泡草图的BIM模型检索方法并构造了原型系统。通过手绘和矢量功能气泡草图实现检索条件输入,进而提取草图中建筑空间的拓扑和领域属性等信息构造ASARG模型,借助基于图嵌入的特征提取方法将ASARG转换到特征向量空间,最后通过构造特征向量空间中的相似性度量函数实现了基于建筑空间关系的BIM模型的检索方法。在上述步骤的基础上构造了原型系统,并通过实验验证了方法的有效性,为构建基于功能气泡草图的BIM模型检索提供了关键技术。本研究为基于BIM的智能化的辅助设计平台提供了基础理论和核心技术,也为海量建筑信息的智能数据处理提供了基础方法。
二、典型案例系统中的模式识别问题——模型与算法（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、典型案例系统中的模式识别问题——模型与算法（论文提纲范文）
（1）LTE-R网络智能故障诊断与预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 智能故障诊断及预测研究现状及进展 |
| 1.2.1 智能故障诊断与预测概述 |
| 1.2.2 智能故障诊断方法 |
| 1.2.3 智能故障预测方法 |
| 1.2.4 智能故障诊断与预测方法总结 |
| 1.3 LTE-R网络故障诊断与预测问题研究 |
| 1.3.1 相关数据和指标 |
| 1.3.2 LTE-R网络故障诊断问题研究 |
| 1.3.3 LTE-R网络故障预测问题研究 |
| 1.3.4 LTE-R网络故障诊断与预测结果评价 |
| 1.4 本文主要研究内容与结构安排 |
| 2 基于大数据及GIS技术的LTE-R覆盖及切换问题检测 |
| 2.1 引言 |
| 2.2 相关技术简介 |
| 2.2.1 大数据相关技术 |
| 2.2.2 “天地图”地理信息平台 |
| 2.2.3 LTE-R覆盖及切换问题 |
| 2.3 方法设计 |
| 2.4 方法实现 |
| 2.4.1 数据预处理 |
| 2.4.2 数据分析 |
| 2.4.3 基于GIS技术的可视化 |
| 2.5 实验与分析 |
| 2.6 本章小结 |
| 3 基于深度学习及多目标优化的LTE-R通信性能劣化小区检测 |
| 3.1 引言 |
| 3.2 方法设计与实现 |
| 3.2.1 方法设计 |
| 3.2.2 双编码器DAE神经网络 |
| 3.2.3 基于GAN的逐层训练方法 |
| 3.2.4 利用NSGA-Ⅲ优化模型参数 |
| 3.2.5 用TOPSIS方法对非支配解集进行排序 |
| 3.3 实验与分析 |
| 3.3.1 对比方法 |
| 3.3.2 KEEL数据描述 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果及分析 |
| 3.4 LTE-R通信性能劣化小区检测 |
| 3.4.1 数据描述及预处理 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测 |
| 4.1 引言 |
| 4.2 相关定义 |
| 4.3 方法设计与实现 |
| 4.3.1 方法设计 |
| 4.3.2 基于CNN的特征提取网络 |
| 4.3.3 不平衡序列特征提取的优化目标 |
| 4.3.4 利用差分进化算法训练网络权值 |
| 4.4 实验与分析 |
| 4.4.1 数据描述及预处理 |
| 4.4.2 实验设置 |
| 4.4.3 对比与讨论 |
| 4.5 本章小结 |
| 5 基于PA-LSTM的 LTE-R小区通信性能预测方法 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 方法设计与实现 |
| 5.3.1 总体框架设计 |
| 5.3.2 基于CEEMDAN的数据预处理 |
| 5.3.3 基于PA-LSTM构建预测模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验设置 |
| 5.4.3 对比与讨论 |
| 5.5 本章小结 |
| 6 面向LTE-R小区通信性能预测的多维时间序列预测方法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 方法设计与实现 |
| 6.3.1 总体设计 |
| 6.3.2 数据预处理 |
| 6.3.3 基于MRMR准则以及BPSO的特征选择 |
| 6.3.4 深度特征提取及结果预测 |
| 6.4 实验与分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验设置 |
| 6.4.3 特征选择实验 |
| 6.4.4 模型训练及评估 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）知识驱动的软件模式识别（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及问题分析 |
| 1.2.1 设计模式识别研究现状 |
| 1.2.2 架构模式识别研究现状 |
| 1.2.3 问题分析 |
| 1.3 研究内容与主要贡献 |
| 1.4 论文结构 |
| 第二章 背景知识 |
| 2.1 软件模式 |
| 2.1.1 架构模式 |
| 2.1.2 设计模式 |
| 2.1.3 惯用法 |
| 2.2 知识处理和应用 |
| 2.2.1 知识获取 |
| 2.2.2 知识表示和知识图谱 |
| 2.2.3 知识推理 |
| 2.2.4 知识系统的构建 |
| 2.3 本章小结 |
| 第三章 基于惯用实现的设计模式识别 |
| 3.1 引言 |
| 3.2 设计模式的描述与识别 |
| 3.2.1 设计模式的描述 |
| 3.2.2 层次化知识图谱 |
| 3.2.3 实体和关系抽取 |
| 3.2.4 结构关系推理 |
| 3.2.5 模式模板匹配 |
| 3.3 实验评估设置 |
| 3.3.1 上下文选择 |
| 3.3.2 研究问题与度量指标 |
| 3.3.3 实验设置 |
| 3.4 评估结果分析 |
| 3.4.1 识别模式实例的准确性 |
| 3.4.2 与其他方法准确性的比较 |
| 3.4.3 时间性能 |
| 3.5 讨论 |
| 3.5.1 命名约定 |
| 3.5.2 语言学和动态扩展 |
| 3.5.3 有效性威胁 |
| 3.6 相关工作的比较 |
| 3.6.1 相关技术 |
| 3.6.2 相关工具 |
| 3.7 本章小结 |
| 第四章 相似结构设计模式实例的区分 |
| 4.1 引言 |
| 4.2 基于ETA的相似结构模式实例区分 |
| 4.2.1 测试用例生成 |
| 4.2.2 运行时行为追踪 |
| 4.2.3 时序关系推理 |
| 4.2.4 相似结构模式实例的区分 |
| 4.3 实验评估设置 |
| 4.3.1 上下文选择 |
| 4.3.2 研究问题与度量指标 |
| 4.3.3 实验设置 |
| 4.4 评估结果分析 |
| 4.4.1 ETA改善现有方法准确性的表现 |
| 4.4.2 ETA与基于动态分析的现有方法准确性的比较 |
| 4.4.3 时间性能 |
| 4.5 讨论 |
| 4.5.1 增量的理解遗留系统 |
| 4.5.2 实践中的SparT |
| 4.5.3 有效性威胁 |
| 4.6 相关工作的比较 |
| 4.7 本章小结 |
| 第五章 基于SparGT的架构模式识别 |
| 5.1 引言 |
| 5.2 SparGT:一种自顶向下的方法 |
| 5.2.1 扎根理论与REM方法 |
| 5.2.2 SparGT方法 |
| 5.3 案例研究——MVC模式的识别 |
| 5.3.1 MVC模式的描述 |
| 5.3.2 质性资料分析 |
| 5.3.3 设计规则抽取 |
| 5.4 实验评估 |
| 5.4.1 评估设置 |
| 5.4.2 结果分析 |
| 5.5 讨论 |
| 5.5.1 识别上下文的选择 |
| 5.5.2 动态分析的运用 |
| 5.5.3 有效性威胁 |
| 5.6 相关工作的比较 |
| 5.6.1 架构模式描述 |
| 5.6.2 模式驱动的架构恢复 |
| 5.7 本章小结 |
| 第六章 KparF框架的设计与实现 |
| 6.1 引言 |
| 6.2 KparF框架的总体设计 |
| 6.2.1 KparF框架的组件 |
| 6.2.2 KparF框架的过程 |
| 6.2.3 KparF框架的冰点和热点 |
| 6.3 SparT原型工具的设计与实现 |
| 6.3.1 模式识别子系统 |
| 6.3.2 辅助分析子系统 |
| 6.3.3 追踪管理子系统 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于不确定性分析的铁路通过能力利用优化研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 国内相关研究现状 |
| 1.2.2 国外相关研究现状 |
| 1.2.3 现有研究总结与分析 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 2 基于不确定性分析的铁路通过能力利用优化理论基础 |
| 2.1 铁路通过能力利用的不确定性基本概念 |
| 2.1.1 能力利用相关概念 |
| 2.1.2 能力利用中的不确定性 |
| 2.1.3 不确定性分析相关的能力要素 |
| 2.1.4 不确定性的分层梳理与结构分析 |
| 2.2 铁路通过能力不确定性的静态模式与动态演化 |
| 2.2.1 不确定性的静态模式 |
| 2.2.2 不确定性的动态演化 |
| 2.3 基于不确定性分析的能力利用优化理论 |
| 2.3.1 能力利用优化指标 |
| 2.3.2 能力利用优化框架 |
| 2.4 本章小结 |
| 3 基于机器学习的能力利用不确定性静态模式分析 |
| 3.1 不确定性静态模式发现与识别技术 |
| 3.1.1 基于无监督学习方法DEC的静态模式发现技术 |
| 3.1.2 基于监督学习方法XGBoost的静态模式识别技术 |
| 3.2 基于Dirichlet分布的不确定性度量 |
| 3.3 基于静态模式的列车驾驶曲线可操作性提升技术 |
| 3.4 数值实验与分析 |
| 3.4.1 数值实验设计 |
| 3.4.2 列车驾驶特性分析 |
| 3.4.3 样本模式发现结果 |
| 3.4.4 模式识别性能分析 |
| 3.5 本章小结 |
| 4 基于贝叶斯网络的能力利用不确定性动态演化分析 |
| 4.1 不确定性动态演化模型 |
| 4.1.1 能力利用执行状态转移过程 |
| 4.1.2 能力利用控制状态转移过程 |
| 4.1.3 执行-控制混合过程及状态转移概率 |
| 4.2 基于贝叶斯网络的不确定性动态演化推理 |
| 4.2.1 引入执行与控制信息向量的状态转移概率 |
| 4.2.2 影响执行状态转移概率的信息向量 |
| 4.2.3 影响控制状态转移概率的信息向量 |
| 4.2.4 基于贝叶斯网络的信息推理函数构建 |
| 4.3 基于不确定性分析的冲突检测与储备能力调整 |
| 4.3.1 能力利用冲突检测方法 |
| 4.3.2 冲突疏解与能力利用优化参数调整 |
| 4.4 数值实验与分析 |
| 4.4.1 数值实验设计 |
| 4.4.2 主观不确定性差异性分析 |
| 4.5 本章小结 |
| 5 对抗不确定性的能力利用优化 |
| 5.1 能力利用优化模型构建 |
| 5.1.1 基于事件-活动网络的能力利用优化问题描述方法 |
| 5.1.2 理想状态的能力利用计划优化模型 |
| 5.1.3 对抗不确定性的能力利用优化模型 |
| 5.2 适用于不同数据环境的能力利用优化技术 |
| 5.2.1 不确定性集构建方法 |
| 5.2.2 被动对抗不确定性的能力利用优化 |
| 5.2.3 主动对抗不确定性的能力利用优化 |
| 5.3 基于分支定界的EAN网络调整与模型求解方法 |
| 5.4 数值实验与分析 |
| 5.4.1 数值实验设计 |
| 5.4.2 模型性能对比分析 |
| 5.5 本章小结 |
| 6 实例分析 |
| 6.1 实例分析设计 |
| 6.2 案例背景 |
| 6.3 数据准备 |
| 6.3.1 列车运行数据与位移-速度序列数据 |
| 6.3.2 数据预处理 |
| 6.4 结果分析 |
| 6.4.1 基于静态模式分析的不确定性测度 |
| 6.4.2 基于动态演化的储备能力分配评价 |
| 6.4.3 不同数据环境下的能力利用指标对比分析 |
| 6.5 结论小结 |
| 7 总结与展望 |
| 参考文献 |
| 附录 A 贝叶斯网络训练与推理技术 |
| A.1 贝叶斯网络建模基础 |
| A.1.1 概率空间反向重构筑方法 |
| A.1.2 贝叶斯网络构建 |
| A.1.3 贝叶斯网络中对于样本与数据的定义 |
| A.2 基于Dirichlet分布的贝叶斯网络参数学习 |
| A.2.1 参数学习基础 |
| A.2.2 Dirichlet分布——定义及特性 |
| A.2.3 基于多项增广贝叶斯网络的参数训练 |
| A.3 基于极大似然估计的贝叶斯网络结构学习方法 |
| A.3.1 贝叶斯网络结构学习空间 |
| A.3.2 基于似然函数的评分准则 |
| A.3.3 极大似然的目标与基于启发式的结构搜索算法 |
| A.4 基于贝叶斯网络的状态转移概率推理 |
| A.4.1 基于图的信息传递理论 |
| A.4.2 基于信息传递的算法关键步骤 |
| 附录 B 数值实验并行计算平台环境 |
| 附录 C 基于DTW的序列相似度计算方法 |
| 作者简历 |
| 学位论文数据集 |
（4）面向排放测算的城市路网全样流量测算方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究目标与内容 |
| 1.3 研究方法与技术路线 |
| 1.4 论文框架与结构 |
| 2 国内外研究综述 |
| 2.1 污染物排放量测算方法 |
| 2.1.1 大气污染物排放测算方法 |
| 2.1.2 机动车排放测算方法 |
| 2.2 交通流量测算模型 |
| 2.2.1 交通流参数 |
| 2.2.2 经典交通流模型及其适应性 |
| 2.2.3 宏观交通流基本图模型 |
| 2.3 交通流模式聚类方法 |
| 2.3.1 聚类分析方法及其在交通流聚类中的应用 |
| 2.3.2 交通流时间序列模式划分 |
| 2.4 模式识别算法及其在交通领域中的应用 |
| 2.4.1 模式识别算法 |
| 2.4.2 模式识别算法在交通领域的应用 |
| 2.5 国内外相关研究存在问题总结 |
| 3 数据收集及特征分析 |
| 3.1 浮动车速度数据 |
| 3.1.1 路段行程速度 |
| 3.1.2 路网/多断面平均速度数据 |
| 3.2 流量数据 |
| 3.2.1 RTMS数据 |
| 3.2.2 流量调查数据 |
| 3.3 排放数据 |
| 3.4 多源数据集成与匹配方法 |
| 3.4.1 数据集成方法 |
| 3.4.2 多源数据匹配方法 |
| 3.5 本章小结 |
| 4 面向路网全样流量测算的交通流模式聚类方法研究 |
| 4.1 交通流模式定义及其影响因素分析 |
| 4.1.1 交通流模式定义 |
| 4.1.2 交通流模式影响因素及其影响机理分析 |
| 4.2 交通流模式聚类分析方法研究 |
| 4.2.1 交通流模式聚类分析算法研究 |
| 4.2.2 交通流模式聚类分析特征指标研究 |
| 4.2.3 交通流模式最佳聚类数确定方法 |
| 4.2.4 交通流模式聚类分析效果评价指标研究 |
| 4.3 快速路交通流模式图谱库构建 |
| 4.3.1 层次聚类法各指标下交通流模式聚类分析 |
| 4.3.2 K-means聚类法各指标下交通流模式聚类分析 |
| 4.3.3 SOM神经网络聚类法各指标下交通流模式聚类分析 |
| 4.3.4 各聚类算法不同指标下的交通流模式聚类效果评价 |
| 4.4 本章小结 |
| 5 面向路网全样流量测算的交通流模式识别方法研究 |
| 5.1 交通流模式识别方法研究 |
| 5.1.1 交通流模式识别步骤 |
| 5.1.2 交通流模式快速识别算法研究 |
| 5.1.3 交通流模式识别特征指标研究 |
| 5.1.4 交通流模式识别效果评价指标研究 |
| 5.2 各等级道路不同场景下的交通流模式识别 |
| 5.2.1 0:00-24:00 速度指标 |
| 5.2.2 凌晨0:00-6:00 速度指标 |
| 5.2.3 0:00-12:00 速度指标 |
| 5.2.4 早高峰6:00-10:00 速度指标 |
| 5.2.5 早高峰 6:00-10:00 和晚高峰 17:00-21:00 速度指标 |
| 5.3 不同等级道路和特征指标下最优模式识别算法研究 |
| 5.4 本章小结 |
| 6 面向排放测算的城市路网全样流量测算方法研究 |
| 6.1 各等级道路交通流基本图模型构建方法 |
| 6.2 交通流基本图模型影响因素分析 |
| 6.2.1 道路属性 |
| 6.2.2 交通构成 |
| 6.2.3 驾驶员驾驶特征 |
| 6.2.4 环境因素 |
| 6.3 基于多源实测数据的交通流基本图模型构建 |
| 6.3.1 基于Van Aerde模型的快速路交通流基本图模型构建 |
| 6.3.2 各等级道路各方案下交通流模型流量测算误差分析 |
| 6.4 基于多源数据的路网全样流量测算方法研究 |
| 6.5 本章小结 |
| 7 案例应用 |
| 7.1 基于路网全样动态流量的机动车排放量测算方法研究 |
| 7.1.1 机动车路网排放动态测算方法研究 |
| 7.1.2 排放测算数据 |
| 7.2 基于路网动态排放测算的限行政策评估 |
| 7.2.1 限行政策实施前后交通流变化 |
| 7.2.2 限行政策实施前后路网机动车排放量动态测算 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论和创新点 |
| 8.2 研究展望 |
| 参考文献 |
| 附录A |
| 作者简历及博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究（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 燃气轮机智能故障检测与诊断的研究现状 |
| 1.2.1 燃气轮机智能监测诊断系统的研究现状 |
| 1.2.2 燃气轮机智能故障检测与诊断方法的研究现状 |
| 1.2.3 故障案例稀缺场景下故障检测与诊断方法的研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 燃气轮机的典型故障特性仿真分析 |
| 2.1 引言 |
| 2.2 燃气轮机故障检测及诊断的原理 |
| 2.3 面向故障诊断的燃气轮机建模 |
| 2.3.1 面向故障诊断的单轴燃气轮机建模 |
| 2.3.2 面向故障诊断的船用三轴燃气轮机建模 |
| 2.4 燃气轮机典型故障特性与变工况特性分析 |
| 2.4.1 单轴燃气轮机典型故障特性与变工况特性分析 |
| 2.4.2 三轴燃气轮机变工况特性与典型故障特性分析 |
| 2.5 故障案例稀缺场景下故障检测与诊断的关键问题分析 |
| 2.6 本章小结 |
| 第3章 仅有正常样本的燃气轮机一类模式识别故障检测方法 |
| 3.1 引言 |
| 3.2 常见的一类模式识别方法简介 |
| 3.2.1 一类模式识别算法概述 |
| 3.2.2 一类支持向量机算法 |
| 3.2.3 主成分分析算法 |
| 3.2.4 孤立森林算法 |
| 3.2.5 局部异常因子算法 |
| 3.3 基于一类模式识别方法的燃气轮机故障检测实验 |
| 3.3.1 实验数据介绍及评价指标 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第4章 基于常模式提取的燃气轮机故障检测研究 |
| 4.1 引言 |
| 4.2 燃气轮机常模式提取的定义 |
| 4.3 基于NARX神经网络的燃气轮机常模式提取与故障检测 |
| 4.3.1 NARX神经网络简介 |
| 4.3.2 基于NARX网络的燃气轮机常模式辨识 |
| 4.3.3 基于NARX网络常模式提取的故障检测算法流程 |
| 4.4 基于NARX网络常模式提取的燃气轮机故障检测实验 |
| 4.5 常模式提取算法与其他故障检测方法的实验比较 |
| 4.5.1 常模式提取算法与一类模式识别算法的实验比较 |
| 4.5.2 常模式提取算法与其他参数组合的实验比较 |
| 4.5.3 NARX网络与其他方法的常模式提取性能比较 |
| 4.6 本章小结 |
| 第5章 基于常模式阵列的燃气轮机故障检测研究 |
| 5.1 引言 |
| 5.2 燃气轮机常模式阵列的定义 |
| 5.3 基于LSTM网络的常模式阵列建立及故障检测 |
| 5.3.1 LSTM网络简介 |
| 5.3.2 燃气轮机常模式阵列的故障检测策略设计 |
| 5.3.3 基于LSTM网络常模式阵列的燃气轮机故障检测流程 |
| 5.4 基于常模式阵列的燃气轮机故障检测实验 |
| 5.5 常模式阵列与其他故障检测方法的实验比较 |
| 5.5.1 常模式阵列算法与单个常模式算法的实验比较 |
| 5.5.2 常模式阵列算法与一类模式识别算法的实验比较 |
| 5.6 本章小结 |
| 第6章 极度类不平衡场景下的燃气轮机故障诊断研究 |
| 6.1 引言 |
| 6.2 极度类不平衡场景下的燃气轮机故障诊断方法 |
| 6.2.1 极度类不平衡场景下的故障诊断方法概述 |
| 6.2.2 过采样方法介绍 |
| 6.2.3 欠采样方法介绍 |
| 6.2.4 样本加权方法介绍 |
| 6.3 极度类不平衡场景下的燃气轮机故障诊断评价指标 |
| 6.4 极度类不平衡场景下的燃气轮机故障诊断实验 |
| 6.4.1 实验数据描述 |
| 6.4.2 单轴燃气轮机数据集实验结果 |
| 6.4.3 船用三轴燃气轮机数据集实验结果 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）矿井提升机传动系统故障诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 机械设备故障诊断方法分类 |
| 1.2.1 基于分析模型的故障诊断方法 |
| 1.2.2 基于定性经验知识的故障诊断方法 |
| 1.2.3 基于数据驱动的故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与创新之处 |
| 1.4.1 研究内容安排 |
| 1.4.2 创新之处 |
| 2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
| 2.1 引言 |
| 2.2 三电平逆变器的电路及故障分析 |
| 2.2.1 矿井提升机变频器的结构 |
| 2.2.2 三电平逆变器的故障分析 |
| 2.3 逆变器故障信号预处理与自适应电周期划分 |
| 2.4 基于MODWT的信号处理与特征提取 |
| 2.4.1 帕克矢量模 |
| 2.4.2 小波变换 |
| 2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
| 2.4.4 特征提取 |
| 2.5 随机森林分类器 |
| 2.5.1 随机森林原理 |
| 2.5.2 随机森林算法 |
| 2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
| 2.7 实验验证 |
| 2.7.1 实验设置 |
| 2.7.2 实验分析 |
| 2.8 本章小结 |
| 3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
| 3.1 引言 |
| 3.2 轴承故障诊断机理 |
| 3.3 基于DTCWPT的轴承故障信号处理 |
| 3.3.1 DTCWPT |
| 3.3.2 Hilbert包络谱与边际谱 |
| 3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
| 3.4.1 k-means聚类算法 |
| 3.4.2 皮尔逊相关系数 |
| 3.4.3 敏感特征选取方法 |
| 3.5 最大局部边界准则的特征降维方法 |
| 3.5.1 LDA |
| 3.5.2 LFDA |
| 3.5.3 MMC |
| 3.5.4 最大局部边界准则 |
| 3.6 支持向量机 |
| 3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
| 3.8 实验验证 |
| 3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
| 3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
| 3.8.3 基于SQI-MFS轴承数据实验设置 |
| 3.8.4 基于SQI-MFS轴承数据实验分析 |
| 3.9 本章小结 |
| 4 基于敏感特征迁移学习的提升机轴承故障诊断 |
| 4.1 引言 |
| 4.2 迁移成分分析 |
| 4.3 改进迁移成分分析的特征迁移学习 |
| 4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
| 4.5 实验分析 |
| 4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
| 4.5.2 基于SQI-MFS轴承数据实验分析 |
| 4.6 本章小结 |
| 5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
| 5.1 引言 |
| 5.2 电机故障类型与信号特性分析 |
| 5.2.1 异步电机常见故障类型分析 |
| 5.2.2 异步电机常见故障信号特性分析 |
| 5.3 基于EEMD的电机故障信号处理 |
| 5.3.1 EMD |
| 5.3.2 EEMD |
| 5.4 改进分层迁移学习的类内特征迁移学习 |
| 5.4.1 分层迁移学习 |
| 5.4.2 改进分层迁移学习 |
| 5.5 基于类内特征迁移学习的驱动电机故障诊断 |
| 5.5.1 故障诊断框架 |
| 5.5.2 实验设置 |
| 5.5.3 实验分析 |
| 5.6 基于D-S证据融合理论的驱动电机故障诊断 |
| 5.6.1 D-S证据理论基本概念 |
| 5.6.2 D-S证据理论基本过程 |
| 5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
| 5.6.4 实验分析 |
| 5.7 本章小结 |
| 6 矿井提升机传动系统故障诊断与健康管理系统 |
| 6.1 引言 |
| 6.2 提升机传动系统故障知识表示 |
| 6.2.1 本体概述 |
| 6.2.2 提升机传动系统故障知识分析 |
| 6.3 基于本体和故障信号分析的语义映射方法 |
| 6.3.1 概念模型 |
| 6.3.2 数学模型 |
| 6.3.3 语义映射方法 |
| 6.4 提升机传动系统故障本体知识库的创建 |
| 6.4.1 知识图谱与图数据库 |
| 6.4.2 提升机传动系统故障本体知识库构建 |
| 6.5 系统总体设计与应用 |
| 6.5.1 系统功能模块 |
| 6.5.2 软件开发与系统应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于群体智能算法的能源优化调度策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 研究现状 |
| 1.2.1 能源系统最优运行策略制定方法的研究 |
| 1.2.2 负荷峰值转移需求响应研究 |
| 1.3 本文主要研究内容 |
| 第2章 多目标优化算法评价及选择 |
| 2.1 群智能算法求解多目标问题 |
| 2.2 多目标优化算法类型介绍 |
| 2.2.1 经典多目标优化算法 |
| 2.2.2 新型多目标优化算法 |
| 2.3 多目标决策方法 |
| 2.4 算法性能比较 |
| 2.4.1 测试函数评价 |
| 2.4.2 实际优化问题测试 |
| 2.5 本章小结 |
| 第3章 供热系统模型建立方法 |
| 3.1 能源系统设备测试及数据分析 |
| 3.2 设备运行能耗模型 |
| 3.3 系统运行模型 |
| 3.4 本章小结 |
| 第4章 负荷曲线模式识别 |
| 4.1 负荷数据预处理方法 |
| 4.2 聚类分析负荷曲线模式 |
| 4.3 负荷曲线特征提取 |
| 4.4 负荷曲线模式分类 |
| 4.5 本章小结 |
| 第5章 优化案例分析 |
| 5.1 优化输入参数 |
| 5.2 不同负荷下设备的运行情况分析 |
| 5.3 供热系统优化运行策略优化结果 |
| 5.4 供热系统优化运行策略优化验证 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 A:算法逻辑说明 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）舰船装备健康评估与管理若干关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 PHM技术 |
| 1.2.2 状态监测与健康评估 |
| 1.2.3 故障和缺陷状态识别 |
| 1.2.4 装备预防性维护策略 |
| 1.3 研究技术路线 |
| 1.4 论文研究内容与结构 |
| 2 舰船装备健康管理体系结构与关键技术 |
| 2.1 舰船装备组成及功能概述 |
| 2.2 微波统一测控系统组成 |
| 2.3 舰船装备健康管理体系结构 |
| 2.3.1 PHM总体架构 |
| 2.3.2 分层管理结构 |
| 2.4 健康管理系统功能及信息流程 |
| 2.4.1 主要功能 |
| 2.4.2 信息流程 |
| 2.5 三类典型舰船装备PHM的主要问题及解决方法 |
| 2.5.1 复杂雷达系统的状态监测与评估 |
| 2.5.2 小样本下的设备故障识别与预测 |
| 2.5.3 甲板机械的环境影响与维护决策 |
| 2.6 本章小结 |
| 3 基于FCCS-SVR的测控雷达健康状态评估 |
| 3.1 测控雷达健康状态监测设计 |
| 3.1.1 在线监测信息 |
| 3.1.2 离线测试指标 |
| 3.2 测控雷达健康状态评估指标体系 |
| 3.2.1 测控雷达健康状态等级划分 |
| 3.2.2 测控雷达健康状态评估指标体系 |
| 3.2.3 评估指标标准化处理 |
| 3.3 基于模糊综合评判的健康状态评估 |
| 3.3.1 测控雷达评估指标权重确定 |
| 3.3.2 基于模糊综合评判的健康评估 |
| 3.4 基于模糊评判结合改进SVR的健康状态评估模型 |
| 3.4.1 支持向量回归理论 |
| 3.4.2 布谷鸟搜索算法 |
| 3.4.3 CS-SVR模型 |
| 3.4.4 基于FCCS-SVR的测控雷达健康状态评估 |
| 3.4.5 案例分析 |
| 3.5 本章小结 |
| 4 小样本条件下的船舶动力设备故障识别与状态预测 |
| 4.1 船舶动力系统组成及监控设计 |
| 4.1.1 船舶动力设备组成 |
| 4.1.2 船舶动力监控系统 |
| 4.2 故障模式特征识别方法 |
| 4.3 基于ICS-LSSVM的动力设备故障模式识别 |
| 4.3.1 最小二乘支持向量机 |
| 4.3.2 LSSVM的参数寻优 |
| 4.3.3 基于ICS-LSSVM的故障识别模型 |
| 4.3.4 案例分析 |
| 4.4 基于HMM模型的动力设备故障模式识别 |
| 4.4.1 隐马尔可夫模型HMM及基本算法 |
| 4.4.2 基于HMM的故障模式识别流程 |
| 4.4.3 案例分析 |
| 4.5 基于CS-SVR-HMM模型的动力设备状态预测 |
| 4.5.1 CS-SVR-HMM设备状态预测模型 |
| 4.5.2 仿真分析 |
| 4.6 基于HSMM的动力设备缺陷状态识别 |
| 4.6.1 设备缺陷运行状态特点 |
| 4.6.2 隐半马尔可夫模型HSMM |
| 4.6.3 基于HSMM的缺陷状态识别 |
| 4.6.4 案例分析 |
| 4.7 本章小结 |
| 5 考虑环境因子的甲板机械衰退演化规则及维护策略 |
| 5.1 机械设备故障发展一般规律 |
| 5.2 威布尔可靠性分布模型 |
| 5.3 考虑预防性维修的设备衰退演化规则 |
| 5.4 环境因子的定义及其参数估计 |
| 5.4.1 环境因子的定义 |
| 5.4.2 环境因子的参数估计 |
| 5.5 基于环境因子的综合衰退演化规则 |
| 5.6 考虑环境因子的最优预防性维护策略 |
| 5.6.1 综合可用度和经济性的预防维护模型 |
| 5.6.2 综合目标维护模型的最优求解 |
| 5.6.3 考虑环境因子的综合目标最优维护策略 |
| 5.6.4 案例分析 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 全文工作总结 |
| 6.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于局部放电深度学习的GIS风险评估方法（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 GIS局部放电检测技术研究现状 |
| 1.2.2 GIS局部放电模式识别研究现状 |
| 1.2.3 GIS局部放电严重程度评估方法研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 问题提出 |
| 1.3.2 整体技术路线 |
| 1.3.3 具体章节安排 |
| 第二章 复杂多源GIS局部放电样本库与数据预处理方法 |
| 2.1 GIS局部放电实验数据样本采集 |
| 2.1.1 GIS局部放电实验系统与实验方法 |
| 2.1.2 多源实验数据样本采集 |
| 2.2 运行条件下GIS局部放电检测与数据样本 |
| 2.2.1 运行条件下GIS局部放电检测方法 |
| 2.2.2 运行条件下的GIS局部放电数据样本库 |
| 2.3 多源复杂局部放电数据样本集的预处理方法 |
| 2.3.1 多源异构数据的归一化方法 |
| 2.3.2 不良数据的检出方法 |
| 2.4 本章小结 |
| 第三章 复杂数据源下的局部放电模式识别方法 |
| 3.1 复杂数据源下局部放电模式识别问题 |
| 3.2 用于局部放电模式识别的卷积网络方法 |
| 3.2.1 卷积神经网络结构 |
| 3.2.2 基于卷积神经网络的局部放电模式识别 |
| 3.3 实验与对比分析 |
| 3.3.1 不同算法的识别效果对比 |
| 3.3.2 不同训练样本集大小的影响 |
| 3.3.3 不同训练样本数据来源的影响 |
| 3.3.4 使用自编码器网络初始化的影响 |
| 3.4 本章小结 |
| 第四章 GIS局部放电援例推理及数据匹配方法 |
| 4.1 GIS局部放电案例援例推理 |
| 4.1.1 援例推理的总体流程 |
| 4.1.2 基于Ontology的局部放电案例知识库构建 |
| 4.2 基于变分贝叶斯自编码的局部放电数据匹配方法 |
| 4.2.2 变分贝叶斯自编码器(Auto-Encoding Variational Bayes,AEVB) |
| 4.2.3 基于AEVB的局部放电数据匹配方法 |
| 4.3 局部放电数据匹配实验与案例分析 |
| 4.3.1 实验方案与实验模型 |
| 4.3.2 不同特征提取方法的匹配度对比分析 |
| 4.3.3 不同匹配计算方法的对比分析 |
| 4.4 本章小结 |
| 第五章 基于数据驱动的GIS局部放电风险评估 |
| 5.1 GIS局部放电风险评估模型与流程 |
| 5.2 运行条件下GIS故障数据定义与数据集建立 |
| 5.3 用于局部放电严重程度评估的特征参量分析 |
| 5.3.1 局部放电检测数据特征值 |
| 5.3.2 局部放电技术影响因素 |
| 5.3.3 设备运行相关信息 |
| 5.4 基于BAGGING-LSTM的局部放电故障概率方法 |
| 5.4.1 长短时记忆网络(Long Short-Term Memory Neural Network,LSTM) |
| 5.4.2 用于局部放电严重程度评估的Bagging-LSTM方法 |
| 5.5 实验及案例分析 |
| 5.5.1 实验模型与训练结果 |
| 5.5.2 不同特征信息的影响 |
| 5.5.3 案例分析 |
| 5.6 应用效果与分析 |
| 5.6.1 应用平台的框架 |
| 5.6.2 应用效果 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间参与的科研项目 |
（10）基于BIM的智能化辅助设计平台技术研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究对象与范围 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 应用价值 |
| 1.4 相关研究的国内外发展现状 |
| 1.4.1 CAAD |
| 1.4.2 BIM |
| 1.4.3 基于CBR的智能设计 |
| 1.4.4 空间句法 |
| 1.4.5 图匹配 |
| 1.4.6 小结 |
| 1.5 研究内容 |
| 1.6 论文结构 |
| 2 基于CBR的智能设计方法 |
| 2.1 引言 |
| 2.2 智能设计的典型方法 |
| 2.3 CBR的理论基础及原型系统 |
| 2.3.1 CBR的基本内容 |
| 2.3.2 CBR的优缺点 |
| 2.3.3 基于CBR的智能设计原型系统 |
| 2.4 建筑设计方案的表达与检索 |
| 2.4.1 基于关键词的建筑设计方案检索 |
| 2.4.2 基于内容的建筑设计方案检索 |
| 2.4.3 基于关键词和基于内容检索的区别 |
| 2.5 基于内容的BIM模型检索应解决的关键问题 |
| 2.5.1 特征选择与描述 |
| 2.5.2 相似性度量 |
| 2.6 本章小节 |
| 3 BIM模型与建筑空间关系 |
| 3.1 引言 |
| 3.2 BIM |
| 3.2.1 BIM的概念 |
| 3.2.2 BIM技术的特点 |
| 3.2.3 BIM核心建模软件 |
| 3.3 空间关系 |
| 3.3.1 空间关系的研究内容 |
| 3.3.2 空间关系的类型 |
| 3.4 建筑空间及其关系 |
| 3.4.1 建筑空间 |
| 3.4.2 建筑空间关系 |
| 3.5 基于建筑空间关系的BIM模型设计 |
| 3.5.1 功能气泡图 |
| 3.5.2 基于功能气泡图的BIM模型设计流程 |
| 3.6 基于建筑空间关系的BIM模型分类类别 |
| 3.7 基于空间句法和图理论的BIM模型建筑空间关系表达与提取 |
| 3.8 基于非精确图匹配的BIM模型检索 |
| 3.9 本章小结 |
| 4 通用的融合空间句法的属性关系图模型 |
| 4.1 引言 |
| 4.2 图论的基本概念 |
| 4.3 空间句法 |
| 4.3.1 从句法到空间句法 |
| 4.3.2 空间分割方法 |
| 4.3.3 空间句法变量 |
| 4.4 融合空间句法的属性关系图SSARG模型 |
| 4.4.1 节点属性 |
| 4.4.2 边属性 |
| 4.5 改进的标准图匹配测试数据 |
| 4.6 本章小结 |
| 5 基于BIM的建筑空间关系形式化表达与自动提取 |
| 5.1 引言 |
| 5.2 建筑空间属性关系图ASARG模型 |
| 5.2.1 节点属性 |
| 5.2.2 边属性 |
| 5.3 Revit二次开发 |
| 5.3.1 Revit软件 |
| 5.3.2 Revit API |
| 5.3.3 二次开发 |
| 5.4 Revit平台下ASARG的自动提取 |
| 5.4.1 建筑空间信息的提取 |
| 5.4.2 拓扑属性计算 |
| 5.4.3 利用插件自动提取ASARG |
| 5.4.4 基于XML的BIM图匹配测试库建立方法 |
| 5.5 基于BIM的自定义图匹配测试数据集 |
| 5.6 本章小结 |
| 6 基于图核的非精确图匹配方法研究 |
| 6.1 图核概述 |
| 6.1.1 核 |
| 6.1.2 图核 |
| 6.2 最短路径核 |
| 6.3 空间句法核 |
| 6.4 基于最短路径的空间句法核 |
| 6.5 支持向量机 |
| 6.5.1 最优分类超平面 |
| 6.5.2 广义最优分类超平面 |
| 6.5.3 高维空间中的内积 |
| 6.5.4 SVM |
| 6.5.5 常用核函数 |
| 6.6 实验结果与分析 |
| 6.7 本章小结 |
| 7 基于图嵌入的非精确图匹配方法研究 |
| 7.1 图嵌入概述 |
| 7.2 基于拓扑特征与领域特征的图嵌入方法 |
| 7.2.1 拓扑统计特征提取 |
| 7.2.2 领域统计特征提取 |
| 7.2.3 非精确图匹配算法 |
| 7.2.4 实验结果与分析 |
| 7.2.5 小结 |
| 7.3 基于多尺度特征的图嵌入方法 |
| 7.3.1 细节统计特征提取 |
| 7.3.2 局部统计特征提取 |
| 7.3.3 全局统计特征提取 |
| 7.3.4 实验结果与分析 |
| 7.3.5 小结 |
| 7.4 基于改进K-均值聚类的图嵌入方法 |
| 7.4.1 基于节点特征统计的图嵌入模型 |
| 7.4.2 节点属性集合的构造 |
| 7.4.3 实验结果与分析 |
| 7.4.4 小结 |
| 7.5 本章小结 |
| 8 基于功能气泡草图的BIM模型检索及其原型系统 |
| 8.1 引言 |
| 8.2 检索框架 |
| 8.3 检索接.设计模块 |
| 8.3.1 手绘功能气泡草图输入 |
| 8.3.2 矢量功能气泡草图输入 |
| 8.4 ASARG模型建立模块 |
| 8.5 特征提取模块 |
| 8.6 数据库构建模块 |
| 8.7 相似性度量模块 |
| 8.8 检索原型系统 |
| 8.9 检索性能评价 |
| 8.10本章小结 |
| 9 总结与展望 |
| 9.1 总结 |
| 9.2 论文的创新点 |
| 9.3 下一步研究的问题 |
| 参考文献 |
| 致谢 |
| 图片来源索引 |
| 表格来源索引 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间主持和参与的科研项目 |
| 附录1 标准图匹配测试库的XML文件实例 |
| 附录2 建筑空间信息提取的部分源代码 |
| 附录3 拓扑属性计算的部分源代码 |
| 附录4 BIM图匹配测试库建立的部分源代码 |
四、典型案例系统中的模式识别问题——模型与算法（论文参考文献）
- [1]LTE-R网络智能故障诊断与预测方法研究[D]. 渠涧涛. 北京交通大学, 2021(02)
- [2]知识驱动的软件模式识别[D]. 熊壬浩. 东南大学, 2020(02)
- [3]基于不确定性分析的铁路通过能力利用优化研究[D]. 郑汉. 北京交通大学, 2020
- [4]面向排放测算的城市路网全样流量测算方法研究[D]. 臧金蕊. 北京交通大学, 2020(02)
- [5]故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究[D]. 白明亮. 哈尔滨工业大学, 2020(02)
- [6]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [7]基于群体智能算法的能源优化调度策略研究[D]. 王翘楚. 天津大学, 2019(01)
- [8]舰船装备健康评估与管理若干关键技术研究[D]. 杨奕飞. 南京理工大学, 2019(01)
- [9]基于局部放电深度学习的GIS风险评估方法[D]. 宋辉. 上海交通大学, 2018
- [10]基于BIM的智能化辅助设计平台技术研究[D]. 李智杰. 西安建筑科技大学, 2015(07)