一、基于支持向量机与粗糙集理论的信息处理(论文文献综述)
解宵[1](2021)在《面向电力变压器油色谱数据特征参量的研究》文中研究说明电力变压器(PowerTransformer)是供电系统的枢纽,对其进行及时检测和准确诊断不仅为电力变压器正常运行和实施状态检修提供了基础,而且对于人民的生活、社会的稳定也有着重要的意义。目前,变压器在线故障诊断常用的方法是油中溶解气体分析(Dissolved Gas Analysis,DGA),但是传统的DGA比值方法存在着所建立的编码组合表并不能覆盖所有的故障类型,在实际应用中存在一些编码组合在编码表里找不到对应类型以及不同文献中对于诊断模型的训练所选用的输入特征有差异。对于以上研究中存在的不足,本文从输入特征着手研究,将优选的特征组合与支持向量机多分类模型结合,选择最优的特征组合来训练变压器故障模型,进一步提高变压器的准确诊断。本文将进行以下几个内容研究:针对于不同文献所采用的特征组合各不相同,忽略了所选用的特征组合是否能有效反映故障类型这一问题,通过阅读大量文献并且结合《大型电力变压器故障诊断及案例》,建立了一个基于DGA的故障特征集,为后续方法提供一个特征寻优的空间。其次,结合了信息增益和F-Score两种评价函数来对故障特征进行定量计算,通过计算后的数值对故障特征进行排序,引入了支持向量机多分类模型来对排序后的特征进行验证。实验分别从不同的特征集及常用的分类器方法进行了对比验证,实验结果发现了优选后的特征组合相较于传统的特征参量训练得到的模型性能更优,提高了故障诊断模型的识别率。最后,考虑到Filter模型仅仅是通过对特征进行定量计算从而来筛选特征,忽视了不同特征间的组合关系以及与训练模型的紧密结合。故引入粒子群算法(Particle Swarm Optimization,PSO)与支持向量机(Support Vector Machine,SVM)算法,设计了一个 PSO 与SVM结合的特征优选的变压器故障诊断算法。利用离散粒子群算法对特征进行寻优的同时用标准粒子群算法进行支持向量机参数的优化,采用五折交叉验证的结果来对所选的特征组合进行评估。实验从气体组合、气体比值组合、故障实例及文献[16]进行对比分析,实验结果表明:特征选择后的子集故障诊断率较气体含量、IEC比值提高了 11%到23%左右,相较于常用的几种故障特征具有更好的诊断性能;较文献[16]故障诊断率提升了 8%。考虑到在实际现场应用中数据缺失的情况下,会影响变压器故障诊断的结果,分析几种常用的插补方法后,引入K-近邻算法(K-Nearest Neighbor,KNN)来对缺失数据进行填补。实验结果表明该方法对于缺失数据存在的情况下有较好的表现能力,能在缺失数据存在的情况下对变压器故障诊断提供一定的帮助。
张森[2](2020)在《基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究》文中研究说明“十三五”期间我国经济保持稳定增长,伴随着经济的增长和产业结构的调整,现代物流行业对于区域经济的发展,提高区域经济整体竞争力,所发挥出来的作用越来越凸显。从宏观产业经济发展的角度来看,各种区域物流发展政策的制定、区域物流设施的规划与设计以及产业布局都离不开对区域物流需求进行定量分析。因此,对区域进行物流需求预测是一项基础性且必要性的工作。通过对区域物流需求进行定量分析,有助于地区物流经济主管部门制定地区未来物流发展的科学发展战略规划以及提供相关经济决策必要的数据支撑。本文在深入分析已有物流需求预测理论相关资料的基础上,针对目前区域物流需求预测普遍存在的影响因素选择偏主观性以及缺乏对物流需求影响因子进行对比实证分析等问题,选取代表我国西部地区的四川省和代表东部区域的浙江省作为采集数据样本,构建出完整且较为全面的区域物流需求影响因素指标体系。为了筛选出能代表各自区域物流需求的重要影响因素,引入粗糙集理论,将其中的属性约简数据挖掘算法进行对重要影响因素的提取,并将属性约简结果与最小二乘支持向量机预测模型相结合,构建出区域物流需求RS-LSSVM预测模型。为了验证粗糙集和最小二乘支持向量机结合的有效性和必要性,对属性约简前后的LSSVM模型的预测精度和泛化能力进行前后对比分析,结果表明引入粗糙集理论消除冗余属性,降低输入维度能有效提高LSSVM模型的泛化能力,提高了LSSVM的预测性能,证明了采用粗糙集理论的合理性和有效性。最后,为了更进一步提高区域物流需求的预测精度,决定采用改进的PSO算法AIWPSO来对LSSVM模型进行参数寻优,并将RS-AIWPSO-LSSVM模型的预测精度和预测误差,与RS-PSO-LSSVM模型、RS-BP模型以及采用交叉验证法的LSSVM模型进行比较,实验结果表明RS-AIWPSO-LSSVM的预测精度最佳,学习泛化能力最好,预测误差最小,并将其作为最终的区域物流需求预测模型分别对四川省、浙江省2019年的货运量进行了预测。此外,本文为了实现对四川省和浙江省未来3年的货运量进行预测,运用二次指数平滑法对四川省、浙江省各影响因素未来3年的值做了预测并将其作为AIWPSO-LSSVM模型输入,实现了四川省和浙江省未来3年货运量的预测,并给出了区域相应的发展建议。可以看到,将粗糙集与最小二乘支持向量机引入到区域物流需求预测当中,降低了预测模型的复杂度和难度,具有一定的创新性,这对于区域物流需求预测问题提供了新的方法和思路。
王馨苑[3](2020)在《基于数据及多源信息融合的轴承与行星齿轮箱故障诊断》文中研究说明随着我国从科技大国迈向科技强国的步伐越来越快,大型机械设备系统的设计愈发精密与复杂。为了减少机械设备故障带来的损失,实现高效的故障诊断,提升机械设备可靠性,本文以机械设备的关键部位——滚动轴承与行星齿轮箱为研究对象,重点研究了信号分析处理技术、多源信息融合技术以及基于数据的故障诊断技术等,主要研究内容分为以下几个部分。首先本文研究滚动轴承和行星齿轮箱的故障信号分析处理技术。从研究滚动轴承和行星齿轮箱故障成因入手,分析其常见故障及影响因素。针对原始故障信号具有一定的冗余性、不确定性等特点,采用时频域分析对原始故障信号进行特征提取研究,从多种角度对不同形态信号进行分析。针对时频分析处理得到的多个故障特征采用粗糙集理论进行特征筛选处理,保留对诊断结果影响较大的故障特征,从而简化系统模型,实现故障诊断效率的提升。接着本文对滚动轴承和行星齿轮箱进行多种故障模拟,通过模拟典型工况下的运行状态,采集系统故障信号,为多源信息融合诊断方法与故障诊断方法研究提供数据准备。然后本文主要研究多源信息融合方法。针对云模型具有随机性、模糊性以及不确定性的特点,采用云模型优化D-S证据理论,降低证据之间的高度冲突性,实现有效的信息融合诊断。采用滚动轴承和行星齿轮箱故障试验平台采集的故障数据进行融合诊断,结果验证了该方法的有效性。最后本文重点对支持向量机进行改进分析,提出一种双优化的SVM故障诊断结构模型。首先根据云模型具有随机性的特点,采用云模型优化遗传算法即云遗传算法(CM-GA),加速搜索过程且提高优化性能;接着采用云遗传算法优化支持向量机径向基函数的核参数Gamma和惩罚因子C,提出一种基于云遗传算法优化支持向量机的结构模型,通过预优化操作,可以大幅减少训练时间,从而有效提高算法性能。最后,先采用美国凯斯西储大学的滚动轴承数据进行理论研究,再通过搭建故障模拟试验平台,采集滚动轴承和行星齿轮箱故障数据用于故障诊断分析,将不同的传统方法与基于云遗传算法优化支持向量机的故障诊断方法进行结果对比,分别从时间和诊断准确率的角度验证了该方法的有效性。
王斌国[4](2019)在《面向矿山瓦斯预警应用的多元多尺度数据融合方法研究》文中研究说明在智慧矿山应用中,要实现准确的瓦斯预测预警,必须要从多元数据集中汲取整合一套完整的融合数据。因此研究面向智慧矿山应用的多元多尺度数据融合方法,对进一步提高智慧矿山数据的精确度,能够实现矿山多元多尺度瓦斯数据预测、预警,具有十分重要的研究意义和应用价值。本文在智慧矿山应用背景、意义及国内外研究现状的基础上,总结智慧矿山数据融合方法在应用过程中遇到的实际问题,并针对相应问题给出详细的研究内容与研究方案。本文的主要工作包括:(1)以粗糙集和神经网络为技术支撑,以矿井瓦斯数据为研究对象,通过对矿井数据流分析、数据融合、粗糙集与神经网络理论方法研究的基础上,给出了面向智慧矿山应用的数据融合框架。根据瓦斯检测数据的特点,获取瓦斯数据信息,明确数据特征间的关系,进行规则约简,提取相应的模糊规则,根据其规则生成瓦斯预测指数,产生相应的融合结果,主要是为矿井瓦斯预测预警提供完整的融合数据、决策支持,构建了可应用于瓦斯涌出预测的模糊神经网络数据融合模型。(2)在矿井瓦斯预警决策分析的基础上,对数据融合方法进行了详细的研究,提出了基于粗糙集与模糊神经网络的数据融合方法模型和改进的模糊神经网络矿井瓦斯数据融合预测模型。主要包括模糊神经网络与粗糙集集成方法的适应性研究、模型设计、算法研究。(3)给出了一种基于思维进化算法数据融合参数向量选择及优化方法。主要对模糊神经网络模型的初始权值及参数进行优化,并分别通过七个变量和十三个变量的进行了数据融合实验仿真。(4)给出了基于狼群算法的数据融合参数向量选择及优化方法。提高了数据融合模型中学习算法的收敛能力及全局搜索性能,并将原数据融合和改进的数据融合模型应用于矿山安全态势的评估、预测。理论分析和仿真结果分析表明,本文提出粗糙集与模糊神经网络的数据融合技术可有效的应用于矿井瓦斯预警中,达到了研究的目的。
黄为勇[5](2009)在《基于支持向量机数据融合的矿井瓦斯预警技术研究》文中研究指明煤矿瓦斯灾害已成为我国煤矿安全生产的最主要威胁和制约煤炭行业可持续发展的最重要因素。认识瓦斯灾害发生的规律和特征、实现瓦斯危险性的准确预测和预警是防治瓦斯灾害的有效手段,也一直是矿山安全及智能信息处理领域的重要研究课题。为此,本文针对目前煤矿安全生产的实际需要,以矿井瓦斯数据为研究对象,以矿井瓦斯预警为目的,系统地进行了基于支持向量机的瓦斯数据融合方法及其应用研究,其主要研究内容如下:1.在矿井瓦斯预警相关概念定义、矿井瓦斯数据流分析、数据融合与支持向量机理论与方法研究的基础上,构建了基于支持向量机的矿井瓦斯数据融合技术框架。2.在粒子群优化和遗传算法研究的基础上,提出了一种基于混沌粒子群优化-遗传算法(CPSO-GA)的支持向量机参数向量的选择与优化方法,为基于支持向量机数据融合的矿井瓦斯预警技术研究创造了技术条件。3.把支持向量机和相空间重构、粗糙集、聚类、非线性组合预测等多种现代信息处理手段进行有效集成,对多源的矿井瓦斯数据在数据级、特征级和决策级等三个层次上进行了以矿井瓦斯预警为目的的数据融合技术研究:(1)在数据级融合层次上,提出了基于支持向量机瓦斯数据的噪声消除方法,有效地消除了一维和高维矿井瓦斯数据中的普通噪声、异常数据和缺失数据的影响,为获取准确和完备的原始矿井瓦斯数据提供了技术手段。(2)在特征级融合层次上,提出了基于相空间重构-聚类-多支持向量机回归的瓦斯混沌时间序列预测方法,以及基于粗糙集-支持向量机的煤与瓦斯突出预测方法,并形成了一个完整的“突出类型→突出强度→突出煤量”的煤与瓦斯突出预测体系,有效地提取了瓦斯数据特征,预测其变化规律和发展趋势。(3)在决策级融合层次上,提出了基于支持向量机的矿井瓦斯涌出量非线性组合预测方法,以及基于多最小二乘支持向量机的CH4、CO、温度和风速等同类/异类传感器融合的多变量决策预测方法,实现了矿井采区安全状态等级的实时评价和安全状态的预警。理论分析和实验结果分析表明,本文提出的支持向量机数据融合技术可有效地应用于矿井瓦斯预警中。
朱经纲[6](2009)在《基于最小二乘支持向量机的球团矿质量分类建模》文中进行了进一步梳理随着现代装备制造业的迅猛发展,钢铁业也取得重大进步,因此钢铁工业对入炉原料的要求也日趋严格。球团矿作为人造富矿之一,由于其特有的冶金性能而成为当今冶炼炉料中不可缺少的重要组成部分。目前球团厂质量的检测大多数是产品生产出来以后才进行,因此它不利于操作人员根据生产过程的实时质量状况来调整生产工艺参数以便调整生产质量,进而影响企业的生产质量和效益。因此,成品球团质量预测对于球团厂生产有着十分重要的意义。通过分析链篦机-回转窑生产工艺的特点,本文采取了粗糙集理论结合最小二乘支持向量机的方法对球团矿成品球进行质量分类建模,以此来找到各操作参数和成品球质量之间的对应关系。在模型输入方面:本文采用粗糙集理论的有关知识对模型的输入进行降维简化。首先利用对决策属性支持度的离散化方法对数据样本进行离散。其次,在离散的数据样本基础上利用基于pawlak的属性约简方法对决策表中条件属性进行约简,以找到和成品球质量关系最密切的条件属性,用约简后的条件属性作为模型的输入。再次,针对条件属性各值单位不统一、绝对值相差大的特点,对约简后的决策表条件属性进行了归一化处理。在机器学习方面:本文采用最小二乘支持向量机来训练模型,通过调整模型核函数以及选择模型参数来降低模型的错分率,提高模型的效率。最后通过Matlab仿真实验,检验分类模型确实是行之有效的。
刘后胜[7](2008)在《基于不确定理论和机器学习的知识发现研究》文中认为随着计算机、通信和网络技术的发展,数据呈指数级增长,这些数据已经远远超出了人的能力,如何在海量的数据中发现有用的或感兴趣的知识,是一个迫切需要解决的问题。知识发现便应运而生。知识发现是从数据集中抽取和精化的新模式。本文的数据集是基于农业知识背景。期望通过知识发现研究来获取新的农业知识模式或改善传统的农业知识,从而更好地为农业生产服务。本文首先综述了知识发现的发生发展以及知识发现的方法。随之针对农业生产中存在的问题,运用不同知识发现的方法加以解决。本文知识发现的方法有不确定性理论和机器学习方法。不确定性理论主要是粗糙集理论和证据理论;机器学习方法主要是神经网络方法和支持向量机方法。鉴于植物病害诊断涉及的植物属性很多,包括植物的根、茎、叶、花、果,症状纷繁复杂,不同的病害之间的症状且有相似之处,非专业人员有时很难区分。为此本文分别给出基于粗糙集的酥梨病害知识发现系统构建与基于神经网络的酥梨病害分类器设计,解决非专业人员难以根据复杂相似病害症状进行诊断的问题。传统的植物营养诊断方法如DRIS,M-DRIS,DOP,各有所长,在进行诊断时会出现不同的诊断结果,致使用户难以做出决策。证据理论是信息融合技术中一种非常有效的不确定理论方法,根据其证据合成公式可以融合不同的专家知识,为用户做出决策提供良好的途径。本文基于证据理论的优势,构造了营养诊断方法融合模型,对三种诊断方法DRIS、MDRIS、DOP进行融合处理,结果表示该模型是切实可行的。针对现有的作物水分生产函数模型拟合精度低,本文提出基于支持向量回归机的方法拟合作物水分生产函数,并与现有的模型进行比较,拟合结果显示,基于支持向量机的模型拟合明显优于现有模型。通过对已有的不完备信息系统粗集扩展模型进行分析,并针对王国胤的限制容差模型存在条件限制宽松和严格的不足,对其加以改造,提出了改进的α限制容差关系模型,通过实例比较,验证其更具有实用性,在划分容差类时更具合理性有效性。其农业应用有待进一步研究。
邱道宏[8](2008)在《括苍山高速公路隧道岩爆非线性预测研究》文中研究表明论文通过对浙江省括苍山隧道的地质条件进行详细调研,并对其岩爆的影响因素、预测参数的取值和预测方法及其适宜性进行深入系统的分析,得出传统的岩爆预测方法并不适宜特殊地质条件下的岩爆预测,应建立非线性的岩爆预测模型体系。论文首次提出了粗糙集理论、支持向量机和可拓学理论三者相结合的非线性岩爆预测新方法,以括苍山隧道岩爆预测为研究对象,应用粗糙集理论对岩爆影响因素进行属性约简,并应用属性重要度的概念计算属性权重系数;再以约简后的属性集作为支持向量机和可拓评判的输入进行岩爆非线性预测,并开发出可视化的应用程序软件。岩爆预测结果表明基于支持向量机和可拓学的非线性岩爆预测方法具有更高的客观性,更适合于特殊地质条件下的岩爆预测。研究成果可为隧道开挖方案和岩爆的防治措施的选取提供科学依据,并体现了论文选题具有科学意义和创新性,具有应用和推广的价值。
彭文季[9](2007)在《水电机组振动故障的智能诊断方法研究》文中研究说明随着水电机组单机容量的提高以及在电力系统中所占的比重越来越大,如何确保机组的可靠和稳定运行,已成为电力行业一个极为关注的问题。振动是水电机组运行中最为常见的故障之一,强烈的振动将直接危及到机组乃至电力系统的安全运行。因此,对机组振动故障进行诊断,及时发现和排除系统故障,对保障水电机组稳定运行十分重要。本文系统开展了水电机组振动故障诊断的方法研究,完成了以下几个方面的工作:进行了水电机组振动信号的信噪分离研究,提出利用第二代小波对水电机组振动信号进行消噪的方法。通过设计预测系数和提升系数获得具有某种特性的小波基函数,使得针对不同类型的故障特征能够构造出相应的小波基函数。所完成的水电机组振动信号消噪处理结果合理,计算速度快。该方法解决了小波消噪需要选择小波基函数的难题,进一步完善了信号消噪的理论。开展了水电机组振动故障特征提取的研究,基于Parseval能量积分等式,提出利用小波包分解方法提取水电机组振动频谱的能量特征。建立了能量变化到各故障类别之间的映射关系,利于形成一种基于“能量-故障”的故障诊断方法。解决了传统的频谱分析方法缺乏对信号的局部特性分析的问题。在故障特征提取研究的基础上,将遗传算法与BP网络结合起来,开展了水电机组振动故障的神经网络诊断研究,提出了一种应用遗传算法优化神经网络权值的遗传神经网络故障诊断方法。所提出的遗传神经网络故障诊断方法不仅能发挥神经网络的泛化和映射能力,而且能使神经网络具有很快的收敛速度和较强的学习能力,解决了BP网络收敛性较差和容易收敛到局部最小点的难题,使BP网络能在短时间内以很大的概率找到全局最优解。最后,进一步研究了水电机组振动故障的支持向量机诊断法,将粗糙集与支持向量机相结合,先利用粗糙集对决策表进行离散化及约简,再用支持向量机进行故障分类,提出了一种基于粗糙集理论的支持向量机故障诊断方法。该方法具有良好的鲁棒性,达到了对故障进行快速诊断的目的,可以满足在线故障诊断的要求。
刘冠晓[10](2006)在《基于多种计算智能方法的辅助决策系统的研究与应用》文中研究表明企业财务危机预测是非线性预测,各个影响因素之间又存在着复杂的组合决策关系,并且现实中的数据多为连续的,很难直接用于机器分类学习。企业财务危机预警问题本身的特点和复杂性,使其很难用传统的统计分析方法进行建模。因此本文从分析财务预警问题的特点出发,融合了智能软计算的多种方法建立了完整的预测模型。总体过程如下:首先以粗糙集决策表一致性水平、区间平均信息熵、离散化程度等因素作为离散化结果的评价标准。然后利用遗传算法全局、并行搜索的优点,以上面提到的3个因素作为启发信息对所有条件属性的割点集合进行最优搜索。得到了离散化的数据后,用BP神经网络对数据进行分类学习。最终网络学习训练完毕后即可以对企业财务状况进行预测。 论文主要工作: 1.改进了粗糙集一致性水平的计算模型。粗糙集一致性水平的标准计算模型,计算量大。尤其在用遗传算法进行最优割点搜索时,每一次遗传进化迭代,都必须为种群中的每一个体计算其编码所代表的一致性水平,这样大大影响遗传算法的执行效率。本文采用先构造“粗糙集割点矩阵”的方法,用剖点集合所能区分异类元组对的个数来描述决策表一致性水平的高低。同时又采用了时间换空间的策略,为决策表每一个条件属性建立索引视图,这样可以减少一次排序操作,降低算法时间复杂度O(n·logn)。由于视图只是元数据表的逻辑索引,也并不造成很大的空间浪费。 2.提出了基于粗糙集一致性和信息熵的遗传方法的离散化算法(LEGAD)。该离散化算法考虑了全面的启发式信息,即同时考虑了决策表的一致性水平、离散化后区间的平均信息熵、条件属性离散化程度这3个影响离散化结果的重要因素。这样可以最大程度的保证属性离散化后,决策表的一致性不被破坏,保持决策表的相容性,并且白于考虑了信息熵,决策表的类别混乱程度低,分类能力就变强。一个好的离散化算法,能够对以后机器学习算法的执行效率和分类结果产生非常积极的影响。 3.用VC维来辅助决定神经网络结构。VC维是统计学习理论中的一个核心概念,它是目前为止对函数集学习性能的最好描述,神经网络的VC维与拓扑结构之间有着必然的联系。BP网络隐藏层神经元数目一般都是通过经验值给定的,缺乏可靠的理论依据。本文用单隐藏层BP神经网络的VC维、以及误差上限、训练集的规模来估算BP神经网络隐藏层神经元的个数。 4.用C#.Net、SqlServer2000、XML技术构建了《上市公司财务预警分析系统》。实现了遗传算法工具箱,提供给用户友好的UI界面,可以自由输入各种遗传算法初始参数,如迭代进化次数、交叉概率、变异概率、最优保留个体数目等。实现了BP神经网络工具箱,并对标准BP算法进行了改进,加入了动量因子、批量训练、可变学习速率等优化方法。系统提供了友好的UI界面,用户可以自由选择各种参数,如隐藏层神经元个数、批量或串行训练方式、动量因子选择、误差允许的阈
二、基于支持向量机与粗糙集理论的信息处理(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、基于支持向量机与粗糙集理论的信息处理(论文提纲范文)
(1)面向电力变压器油色谱数据特征参量的研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 电力变压器特征参量研究现状 |
1.2.2 电力变压器故障诊断研究现状 |
1.3 主要研究内容 |
1.4 论文组织结构 |
2 变压器油中气体产生机理及故障类型 |
2.1 变压器油中气体的产生 |
2.1.1 绝缘油的分解 |
2.1.2 固体绝缘材料的分解 |
2.1.3 气体的其他来源 |
2.2 正常状态下油中气体的含量 |
2.3 变压器故障类型与油中气体的关系 |
2.4 基于DGA技术的变压器故障诊断方法 |
2.4.1 特征气体法 |
2.4.2 三比值法 |
2.4.3 大卫三角形法 |
2.5 小结 |
3 粒子群算法与支持向量机理论 |
3.1 粒子群算法的理论 |
3.1.1 基本粒子群算法 |
3.1.2 标准粒子群算法 |
3.1.3 离散二进制粒子群算法 |
3.1.4 算法流程 |
3.2 支持向量机基本原理 |
3.2.1 线性可分情形 |
3.2.2 近似线性可分情形 |
3.2.3 非线性可分情形 |
3.2.4 核函数的选取 |
3.2.5 支持向量机参数的选取 |
3.3 支持向量机多分类方法介绍 |
3.3.1 一对一方法 |
3.3.2 一对多方法 |
3.4 小结 |
4 基于Filter和 SVM的故障特征优选 |
4.1 故障特征选择方法 |
4.1.1 信息增益 |
4.1.2 F-Score |
4.2 基于特征选择和SVM的变压器故障诊断模型 |
4.2.1 数据来源及预处理 |
4.2.2 特征筛选 |
4.2.3 不同评价函数对应的特征组合 |
4.3 实验验证 |
4.3.1 不同的特征子集 |
4.3.2 与BPNN对比实验 |
4.4 小结 |
5 基于PSO-SVM的故障特征优选 |
5.1 变压器油中溶解气体特征量 |
5.2 基于PSO-SVM特征参量优选实现过程 |
5.2.1 粒子群结构 |
5.2.2 编码方式 |
5.2.3 个体适应度评估 |
5.2.4 算法实现流程 |
5.3 实验环境 |
5.4 比值组合优选结果分析 |
5.5 不同的特征子集对比实验 |
5.5.1 气体含量作为故障特征实验 |
5.5.2 气体比值作为故障特征实验 |
5.5.3 与文献[16]实验的对比分析 |
5.5.4 实际故障实例实验 |
5.6 数据缺失情况下的变压器故障诊断 |
5.6.1 均值插补 |
5.6.2 回归插补 |
5.6.3 KNN插补 |
5.6.4 实验分析 |
5.7 小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 油中溶解气体数据(μL/L) |
(2)基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 物流需求预测指标的国内外研究现状 |
1.2.1.1 物流需求预测指标的国外研究现状 |
1.2.1.2 物流需求预测指标的国内研究现状 |
1.2.2 物流需求预测方法国内外研究现状 |
1.2.2.1 物流需求预测方法国外研究现状 |
1.2.2.2 物流需求预测方法国内研究现状 |
1.2.3 目前研究中存在的问题 |
1.3 研究的内容、方法和创新点 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 研究创新点 |
1.4 研究技术路线 |
第2章 区域物流需求以及预测相关理论 |
2.1 区域物流需求相关概述 |
2.1.1 区域物流需求的内涵 |
2.1.2 区域物流需求的特点 |
2.1.3 区域物流需求分析的目的以及必要性 |
2.2 区域物流需求分析的内容 |
2.3 区域物流需求的量化指标研究现状 |
2.3.1 我国物流产业的统计现状 |
2.3.2 区域物流需求的量化指标研究现状 |
2.4 常用的物流需求预测的方法 |
2.4.1 区域物流需求预测的内涵 |
2.4.2 区域物流需求预测的步骤 |
2.4.3 区域物流需求的定性预测方法 |
2.4.4 区域物流需求的定量预测方法 |
2.5 本章小结 |
第3章 区域物流需求的影响因素分析 |
引言 |
3.1 四川省社会经济与物流发展状况分析 |
3.1.1 四川省经济发展总体情况 |
3.1.2 四川省三大产业发展情况 |
3.1.3 四川省物流业发展状况分析 |
3.1.3.1 货运及其构成方面概况 |
3.1.3.2 社会物流需求规模持续扩大 |
3.2 浙江省社会经济与物流业发展状况分析 |
3.2.1 浙江省经济发展总体情况 |
3.2.2 浙江省三大产业发展情况 |
3.2.3 浙江省物流业发展情况 |
3.2.3.1 社会物流需求规模不断提高 |
3.2.3.2 区域货运以及基础设施情况 |
3.3 区域物流需求的影响指标的选取原则 |
3.4 区域物流需求的影响因素分析 |
3.4.1 影响区域物流需求的经济因素 |
3.4.2 影响区域物流需求的非经济因素 |
3.4.3 区域物流需求影响因素指标的初步构建 |
3.5 区域物流需求预测指标与其影响因素的相关性分析 |
3.5.1 四川省货运量与影响因素之间的Person相关性分析 |
3.5.2 浙江省货运量与其影响之间的Person相关性分析 |
3.5.3 相关性结果分析 |
3.6 本章小结 |
第4章 基于粗糙集和支持向量机的区域物流需求预测模型的构建 |
引言 |
4.1 粗糙集理论简介 |
4.1.1 粗糙集的基本概念 |
4.1.2 属性约简与核 |
4.1.3 属性的离散化 |
4.2 ROSETTA软件介绍 |
4.2.1 ROSETTA简介 |
4.2.2 ROSETTA功能简介 |
4.3 支持向量机SVM模型原理 |
4.3.1 SVM简介 |
4.3.2 SVM的非线性回归原理 |
4.3.3 最小二乘支持向量机LSSVM原理 |
4.4 RS-LSSVM模型在区域物流需求预测中的适用性和优势 |
4.4.1 RS-LSSVM预测模型的适用性 |
4.4.2 RS-LSSVM模型预测区域物流需求的优势 |
4.5 RS-LSSVM区域物流需求预测模型的构建步骤 |
4.6 本章小结 |
第5章 区域物流需求预测模型实证分析研究 |
5.1 区域物流需求影响因素的属性约简实证分析 |
5.1.1 四川省区域物流需求影响因素的属性约简 |
5.1.2 浙江省区域物流需求影响因素的属性约简 |
5.2 基于RS-LSSVM的区域物流需求预测的实证分析 |
5.2.1 四川省区域物流需求的RS-LSSVM预测模型的构建 |
5.2.2 浙江省区域物流需求的RS-LSSVM预测模型的构建 |
5.2.3 结论 |
5.3 基于RS-BP神经网络模型预测 |
5.3.1 四川省区域物流需求的BP神经网络预测模型 |
5.3.1.1 BP神经网络简介 |
5.3.1.2 RS-BP神经网络的建立与评价 |
5.3.2 浙江省区域物流需求的BP神经网络预测模型 |
5.3.2.1 BP神经网络的建立 |
5.3.2.2 浙江省RS-BP预测模型评价 |
5.4 基于PSO算法优化的RS-LSSVM模型 |
5.4.1 标准粒子群算法PSO以及改进算法 |
5.4.2 四川省基于AIWPSO算法优化的LSSVM预测模型的实证分析 |
5.4.3 浙江省基于AIWPSO算法优化的LSSVM预测模型实证分析 |
5.4.4 结论 |
5.5 未来3年区域物流需求预测 |
5.5.1 四川省未来3年货运量的预测 |
5.5.2 浙江省未来3年货运量的预测 |
5.5.3 区域货运量预测结果分析以及区域发展建议 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 本文结论 |
6.2 未来研究展望 |
参考文献 |
指导老师对学位论文的学术评语 |
学位论文答辩委员会决议书 |
附录 |
致谢 |
(3)基于数据及多源信息融合的轴承与行星齿轮箱故障诊断(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题来源与选题背景 |
1.2 国内外研究历史与现状 |
1.2.1 故障诊断技术的研究现状 |
1.2.2 多源信息融合技术的研究现状 |
1.3 本文的研究贡献与主要意义 |
1.4 本文的结构安排 |
第二章 滚动轴承及行星齿轮箱故障信号分析处理研究 |
2.1 滚动轴承及行星齿轮箱的时频故障特征提取 |
2.1.1 时域特征分析 |
2.1.2 频域特征分析 |
2.1.3 时频域特征分析 |
2.2 滚动轴承及行星齿轮箱的时频特征筛选 |
2.3 故障试验平台 |
2.3.1 故障试验平台介绍 |
2.3.2 故障设置与数据采集 |
2.3.2.1 滚动轴承故障试验 |
2.3.2.2 行星齿轮箱故障试验 |
2.3.3 故障数据的时频分析处理 |
2.3.3.1 滚动轴承故障数据 |
2.3.3.2 行星齿轮箱故障数据 |
2.4 本章小结 |
第三章 云模型改进D-S证据理论的融合诊断方法 |
3.1 云模型基本理论 |
3.2 D-S证据理论 |
3.3 云模型优化D-S证据理论的多源信息融合研究 |
3.3.1 算法框架 |
3.3.2 云模型优化D-S证据理论的滚动轴承多源信息融合 |
3.3.3 云模型优化D-S证据理论的行星齿轮箱多源信息融合 |
3.4 本章小结 |
第四章 云遗传算法优化支持向量机的故障诊断方法 |
4.1 支持向量机基本理论 |
4.2 云遗传算法 |
4.3 云遗传算法优化支持向量机的故障诊断研究 |
4.3.1 算法框架 |
4.3.2 基于美国凯斯西储大学轴承故障数据理论分析 |
4.3.3 基于云遗传优化SVM的行星齿轮箱故障诊断 |
4.3.4 基于云遗传优化SVM的滚动轴承故障诊断 |
4.4 本章小结 |
第五章 全文总结与展望 |
5.1 全文工作总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(4)面向矿山瓦斯预警应用的多元多尺度数据融合方法研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文结构及研究路线 |
2 相关理论与技术基础 |
2.1 引言 |
2.2 粗糙集理论 |
2.3 模糊神经网络 |
2.4 本章小结 |
3 矿山瓦斯预警的数据融合框架 |
3.1 引言 |
3.2 矿山中瓦斯数据、特征信息、决策、预警 |
3.3 瓦斯数据融合系统结构 |
3.4 瓦斯预警数据属性融合结构 |
3.5 末章小结 |
4 基于模糊神经网络的数据融合模型研究 |
4.1 引言 |
4.2 矿山瓦斯预警数据融合模型 |
4.3 数据融合方法网络参数向量选择与优化 |
4.4 瓦斯涌出量预测适应性分析 |
4.5 仿真实验及结果分析 |
4.6 本章小结 |
5 基于粗糙集和神经网络的数据融合方法研究 |
5.1 数据融合模型的建立 |
5.2 粗糙集与模糊神经网络集成方法研究 |
5.3 粗糙集与模糊神经网络数据融合模型设计 |
5.4 粗糙集与模糊神经网络数据融合算法实现 |
5.5 仿真实验及结果分析 |
5.6 本章小结 |
6 数据融合方法的优化 |
6.1 优化算法的选择 |
6.2 狼群算法 |
6.3 基于数据融合模型的矿井安全状态预测 |
6.4 本章小结 |
7 论文总结 |
7.1 论文总结 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
作者简历 |
致谢 |
学位论文数据集 |
(5)基于支持向量机数据融合的矿井瓦斯预警技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
Extended Abstract |
目录 |
图清单 |
表清单 |
变量注释表 |
1 绪论 |
1.1 选题背景及意义 |
1.2 煤矿瓦斯预警技术的发展与研究现状 |
1.3 数据融合技术在瓦斯预警领域的应用现状 |
1.4 本文主要研究内容 |
1.5 本章小结 |
2 支持向量机与数据融合 |
2.1 引言 |
2.2 支持向量机 |
2.3 数据融合 |
2.4 本章小结 |
3 基于支向量机的矿井瓦斯数据融合技术框架 |
3.1 引言 |
3.2 矿井瓦斯数据、信息、预警与决策 |
3.3 矿井瓦斯数据融合 |
3.4 基于支持向量机的矿井瓦斯数据融合技术框架 |
3.5 本章小结 |
4 支持向量机参数向量的选择与优化方法 |
4.1 引言 |
4.2 支持向量机模型选择 |
4.3 混沌粒子群优化算法原理 |
4.4 遗传算法原理 |
4.5 基于CPSO-GA的支持向量参数向量的选择与优化方法 |
4.6 本章小结 |
5 基于支持向量机的矿井瓦斯数据数据级融合方法 |
5.1 引言 |
5.2 支持向量机抑制噪声的理论依据 |
5.3 瓦斯数据的相空间重构与参数选择 |
5.4 基于支持向量机的矿井瓦斯数据消噪方法 |
5.5 本章小结 |
6 基于支持向量机的矿井瓦斯数据特征级融合方法 |
6.1 引言 |
6.2 基于支持向量机的瓦斯混沌时间序列预测 |
6.3 基于支持向量机的煤与瓦斯突出预测 |
6.4 本章小结 |
7 基于支持向量机的瓦斯数据决策级融合方法 |
7.1 引言 |
7.2 基于支持向量机的矿井瓦斯涌出量决策预测 |
7.3 基于最小二乘支持向量机的矿井安全状态决策预测 |
7.4 本章小结 |
8 总结与展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(6)基于最小二乘支持向量机的球团矿质量分类建模(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景 |
1.2 国内外球团矿发展现状及趋势 |
1.3 本文主要的工作 |
第2章 链箅机—回转窑球团矿工艺简介 |
2.1 链箅机—回转窑工艺流程 |
2.1.1 铁精矿的配料、干燥与辊磨系统 |
2.1.2 混合、造球和布料系统 |
2.1.3 球团的干燥和预热系统 |
2.1.4 氧化焙烧系统 |
2.1.5 成品球团矿冷却系统 |
2.2 球团矿的质量指标和检验标准 |
2.2.1 生球的质量标准及检验方法 |
2.2.2 成球的质量标准及检验方法 |
2.3 本章小结 |
第3章 支持向量机原理 |
3.1 系统建模方法 |
3.2 统计学习理论的产生 |
3.2.1 机器学习的一般模型 |
3.2.2 机器学习的三类典型问题 |
3.2.3 统计学习理论里的几个重要概念 |
3.3 SVM的基本思想 |
3.3.1 最优分类面 |
3.3.2 最小二乘支持向量机 |
3.4 SVM的回归原理 |
3.5 核函数的选择 |
3.6 本章小结 |
第4章 基于粗糙集理论的球团矿知识表达 |
4.1 粗糙集理论的基本概念 |
4.1.1 知识与知识库 |
4.1.2 知识表达系统与决策表 |
4.2 基于粗糙集理论数据的预处理 |
4.2.1 连续属性的离散化 |
4.2.2 属性约简算法 |
4.2.3 数据的归一化处理 |
4.3 球团矿数据的采集和预处理 |
4.3.1 成球数据的采集以及可测参数与成品球质量之间的时序关系 |
4.3.2 基于球团矿的数据样本的知识表达表 |
4.4 本章小结 |
第5章 基于最小二乘支持向量机的球团矿质量分类建模 |
5.1 基于粗糙集预处理的球团矿数据预处理 |
5.1.1 粗糙集理论与支持向量机结合的优势 |
5.1.2 球团矿数据的预处理 |
5.2 基于LS-SVM的球团矿分类模型的建立 |
5.2.1 LS-SVM工具箱介绍 |
5.2.2 核函数的选择 |
5.3 球团矿质量分类模型的训练和仿真 |
5.4 本章小结 |
第6章 结束语 |
参考文献 |
致谢 |
(7)基于不确定理论和机器学习的知识发现研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第1章 绪论 |
1.1 知识发现 |
1.1.1 知识发现的任务 |
1.1.2 知识发现的对象 |
1.2 知识发现的方法 |
1.2.1 不确定性理论的方法 |
1.2.2 机器学习方法 |
参考文献 |
第2章 基于粗糙集的酥梨病害知识发现系统构建 |
2.1 粗糙集理论的产生和发展 |
2.1.1 粗糙集理论的发展概况 |
2.1.2 粗糙集理论的研究现状 |
2.1.3 粗糙集试验系统 |
2.2 粗糙集理论的基本概念 |
2.2.1 知识与知识库 |
2.2.2 不精确范畴、近似及粗糙集 |
2.2.3 知识约简 |
2.2.4 知识的依赖性 |
2.2.5 知识表达系统 |
2.2.6 决策表 |
2.2.7 区分矩阵与区分函数 |
2.3 酥梨病害知识系统构建 |
2.3.1 系统结构 |
2.3.2 知识表示 |
2.3.3 属性约简 |
2.3.4 规则提取 |
2.4 酥梨病害系统应用实例 |
2.5 结束语 |
参考文献 |
第3章 基于限制容差关系的粗糙集模型拓展 |
3.1 不完备信息系统的研究现状 |
3.2 已有扩展的不完备信息系统粗集模型 |
3.2.1 容差关系模型 |
3.2.2 非对称相似关系模型 |
3.2.3 限制容差关系模型 |
3.3 改进的限制粗集模型—α限制容差关系模型 |
3.4 α限制容差关系模型性能比较分析 |
3.5 结论 |
参考文献 |
第4章 基于D—S理论营养诊断方法融合模型构建 |
4.1 证据理论的最新进展 |
4.1.1 理论完善 |
4.1.2 证据理论的应用 |
4.1.3 证据理论存在的问题 |
4.2 证据理论的基本知识 |
4.2.1 识别框架 |
4.2.2 基本可信度分配 |
4.2.3 信度函数 |
4.2.4 众信度函数 |
4.2.5 似真度函数 |
4.2.6 合成规则 |
4.3 营养诊断技术问题分析 |
4.4 基于D-S理论营养诊断融合模型构造 |
4.5 营养诊断融合模型结果分析 |
4.6 结束语 |
参考文献 |
第5章 基于神经网络的酥梨病害分类器设计 |
5.1 人工神经元模型 |
5.1.1 神经元的建模 |
5.1.2 神经元的数学模型 |
5.1.3 神经元的转移函数 |
5.2 人工神经网络模型 |
5.3 神经网络学习 |
5.3.1 最速下降法 |
5.3.2 LMS算法 |
5.4 BP神经网络 |
5.4.1 三层BP网络模型 |
5.4.2 BP学习算法 |
5.5 BP网络设计 |
5.5.1 训练样本集的准备 |
5.5.2 BP网络结构设计 |
5.6 基于BP网络设计的酥梨病害分类器 |
5.6.1 酥梨病害分类器学习样本的获取及预处理 |
5.6.2 酥梨病害分类器网络设计 |
5.6.3 酥梨病害分类器结果分析 |
5.7 结束语 |
参考文献 |
第6章 基于支持向量机水分生产函数研究 |
6.1 机器学习的模型 |
6.2 经验风险最小化原则 |
6.3 统计学习理论 |
6.3.1 VC维 |
6.3.2 学习机器推广的界 |
6.3.3 结构风险最小化 |
6.4 支持向量机 |
6.4.1 二值分类 |
6.4.2 最优分类超平面 |
6.4.3 线性支持向量机 |
6.4.4 近似线性可分支持向量机 |
6.4.5 非线性支持向量机 |
6.4.6 线性支持向量回归机 |
6.4.7 近似线性支持向量回归机 |
6.4.8 非线性支持向量回归机 |
6.4.9 ν-支持向量回归机 |
6.5 基于SVM的水分生产函数回归拟合 |
6.5.1 样本数据及其处理 |
6.5.2 进一步比较研究 |
6.5.3 结果分析 |
6.6 结束语 |
参考文献 |
第7章 总结与展望 |
致谢 |
在读期间发表的学术论文与取得的其他研究成果 |
(8)括苍山高速公路隧道岩爆非线性预测研究(论文提纲范文)
提要 |
第一章 绪论 |
1.1 选题的依据及研究意义 |
1.2 岩爆问题研究现状 |
1.2.1 岩爆的研究机构 |
1.2.2 岩爆机理的研究现状 |
1.2.3 岩爆预测方法的研究现状 |
1.3 岩爆主要影响因素 |
1.3.1 地质因素 |
1.3.2 环境因素 |
1.3.3 开挖因素 |
1.4 论文的主要创新点 |
1.5 研究内容及技术路线 |
第二章 括苍山隧道工程地质条件研究及岩爆现象分析 |
2.1 自然地理条件 |
2.2 水文地质条件 |
2.3 区域地质背景 |
2.4 区域深大断裂 |
2.5 工程区断层 |
2.6 构造应力场环境的震源机制解 |
2.7 括苍山隧道地应力原位测试 |
2.8 括苍山隧道岩爆现象分析 |
2.8.1 括苍山隧道岩爆现象描述 |
2.8.2 括苍山隧道岩爆区工程地质条件分析 |
2.8.3 小结 |
第三章 括苍山隧道岩爆倾向性评价及岩爆预测 |
3.1 基于能量判据的岩爆分析 |
3.2 基于单轴抗压强度的岩爆分析 |
3.3 基于应力判据的岩爆分析 |
3.3.1 洞室开挖应力场数值分析 |
3.3.2 有限元模型 |
3.3.3 有限元计算结果 |
3.3.4 基于应力判据的岩爆分析 |
3.4 基于岩性判据和应力判据的二级模糊综合评判 |
3.4.1 模糊综合评判介绍 |
3.4.2 岩爆预测的二级模糊综合评判模型 |
3.4.3 括苍山隧道岩爆二级模糊综合评判 |
3.5 小结 |
第四章 基于粗糙集理论的岩爆主控因素分析 |
4.1 粗糙集理论介绍 |
4.1.1 粗糙集理论的产生与发展 |
4.1.2 粗糙集理论的基本概念 |
4.2 决策表的属性重要性及权系数的确定 |
4.3 岩爆主控影响因素分析 |
4.3.1 括苍山隧道岩爆主要影响因素 |
4.3.2 岩爆影响因素连续属性离散化 |
4.3.3 基于正交试验的岩爆影响因素决策表构建 |
4.3.4 岩爆主控影响因素分析 |
4.4 基于粗糙集理论的组合权重计算 |
4.4.1 基于粗糙集理论的权系数确定 |
4.4.2 基于组合赋权法的指标综合权重确定 |
4.5 小结 |
第五章 基于支持向量机的岩爆预测研究 |
5.1 支持向量机原理简介 |
5.1.1 支持向量机的理论背景 |
5.1.2 支持向量机 |
5.2 多类分类问题 |
5.3 基于支持向量机的岩爆预测 |
5.3.1 概述 |
5.3.2 基于支持向量机的岩爆预测流程 |
5.3.3 学习样本的建立 |
5.3.4 基于遗传算法的支持向量机参数选择 |
5.3.5 模型可靠性检验 |
5.3.6 基于支持向量机的岩爆预测 |
5.4 小结 |
第六章 基于可拓学的岩爆预测研究 |
6.1 可拓学的基本理论 |
6.1.1 物元理论 |
6.1.2 可拓集合理论 |
6.1.3 关联函数 |
6.2 可拓评判建模过程 |
6.3 可拓评判在岩爆预测中的局限性分析及改进 |
6.3.1 可拓评判在岩爆预测中的局限性分析 |
6.3.2 基于非对称贴近度的可拓评判方法改进 |
6.3.3 基于组合赋权法的权重改进 |
6.4 改进后的可拓评判方法程序实现 |
6.5 基于可拓学的岩爆预测研究 |
6.5.1 岩爆影响因素量化 |
6.5.2 建立岩爆分级标准 |
6.5.3 确定可拓评判的节域及经典域 |
6.5.4 确定待评物元 |
6.5.5 岩爆可拓评判预测 |
6.6 括苍山隧道岩爆评价结果讨论 |
6.7 小结 |
第七章 括苍山隧道岩爆防治措施研究 |
7.1 岩爆的防治措施 |
7.1.1 改善围岩的物理力学特性 |
7.1.2 改善围岩的应力状态 |
7.1.3 强化围岩 |
7.1.4 控制爆破减小扰动 |
7.2 括苍山隧道岩爆防治方案 |
第八章 结论和建议 |
8.1 结论 |
8.2 建议 |
参考文献 |
致谢 |
攻读博士学位期间发表(含录用)的主要论文 |
中文摘要 |
ABSTRACT |
(9)水电机组振动故障的智能诊断方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 水电机组振动故障诊断技术研究的意义 |
1.2 水电机组振动故障的原因及分类 |
1.3 水电机组振动故障的诊断方法 |
1.3.1 因果分析诊断法 |
1.3.2 故障树诊断法 |
1.3.3 模糊诊断法 |
1.3.4 专家系统诊断法 |
1.3.5 神经网络诊断法 |
1.3.6 遗传算法诊断法 |
1.3.7 粗糙集诊断法 |
1.3.8 支持向量机诊断法 |
1.4 水电机组振动故障诊断的国内外研究现状 |
1.4.1 故障诊断研究现状 |
1.4.2 水电机组故障诊断的主要制约因素 |
1.4.3 水电机组故障诊断的发展趋势 |
1.5 本文研究的内容 |
2 水电机组振动信号的采集 |
2.1 引言 |
2.2 水电机组振动信号的监测 |
2.2.1 监测部位的选择 |
2.2.2 监测点的确定 |
2.3 拾振传感器的选择 |
2.3.1 传感器的选择原则 |
2.3.2 测量主轴摆度的传感器 |
2.3.3 测量机架、定子及顶盖振动的传感器 |
2.3.4 测量水轮机压力脉动的传感器 |
2.3.5 测量键相信号的传感器 |
2.3.6 传感器的标定 |
2.4 数据采集系统 |
2.4.1 数据采集的基本原理 |
2.4.2 数据采集系统的基本组成 |
2.4.3 采样参数的选择 |
2.4.4 数据采集系统的主要性能指标 |
2.5 本章小结 |
3 水电机组振动信号处理 |
3.1 引言 |
3.2 信号的时频分析原理 |
3.2.1 信号的局部变换 |
3.2.2 短时Fourier 变换 |
3.2.3 小波变换 |
3.2.4 小波的多分辨分析 |
3.2.5 小波包分析 |
3.2.6 第二代小波变换 |
3.3 水电机组振动信号的预处理 |
3.3.1 小波消噪 |
3.3.2 小波包消噪 |
3.3.3 第二代小波消噪 |
3.4 水电机组振动故障特征的提取 |
3.4.1 小波包提取故障特征的理论依据 |
3.4.2 小波包提取故障特征的算法 |
3.4.3 小波包提取故障特征的算例 |
3.5 水电机组振动信号预处理的算例 |
3.5.1 振动信号的采集 |
3.5.2 采用小波消噪 |
3.5.3 采用小波包消噪 |
3.5.4 采用第二代小波消噪 |
3.5.5 对比分析 |
3.6 本章小结 |
4 水电机组振动故障的神经网络诊断方法 |
4.1 引言 |
4.2 BP 神经网络及其算法 |
4.2.1 前馈神经网络 |
4.2.2 BP 网络的学习算法 |
4.2.3 BP 学习算法步骤 |
4.2.4 BP 网络设计分析 |
4.2.5 BP 神经网络算法的缺点及改进措施 |
4.3 径向基网络原理及算法 |
4.3.1 径向基网络的原理 |
4.3.2 RBF 神经网络的训练算法 |
4.3.3 RBF 网络与BP 网络的比较 |
4.4 带偏差单元递归神经网络的原理及算法 |
4.4.1 带偏差单元递归神经网络的原理 |
4.4.2 带偏差单元递归神经网络的算法 |
4.5 学习矢量量化神经网络的原理及算法 |
4.5.1 学习矢量量化神经网络的原理 |
4.5.2 LVQ 神经网络的学习规则 |
4.6 诊断仿真 |
4.6.1 算例及故障诊断的特征参数选取 |
4.6.2 水电机组振动故障的不同神经网络诊断 |
4.6.3 诊断结果分析 |
4.7 本章小结 |
5 遗传算法与BP 网络结合的故障诊断方法 |
5.1 引言 |
5.2 遗传算法的基本原理 |
5.2.1 模式定理 |
5.2.2 基因编码 |
5.2.3 遗传操作算子 |
5.2.4 遗传算法的构造和应用步骤 |
5.2.5 遗传算法的改进 |
5.3 遗传算法与人工神经网络的结合 |
5.3.1 GA-BP 混合算法的基本思想 |
5.3.2 编码策略 |
5.3.3 群体设定 |
5.3.4 适应度函数的确定 |
5.3.5 混合算法的实现 |
5.3.6 混合算法的优点 |
5.4 诊断仿真 |
5.4.1 算例及故障诊断的特征参数选取 |
5.4.2 水电机组振动故障的GA-BP 混合神经网络诊断 |
5.4.3 GA-BP 神经网络与其它神经网络的诊断比较 |
5.5 本章小结 |
6 水电机组振动故障诊断的支持向量机诊断方法 |
6.1 引言 |
6.2 统计学习理论概述 |
6.2.1 升维和分类超平面 |
6.2.2 学习问题的表示 |
6.2.3 经验风险最小化归纳原则 |
6.2.4 VC 维 |
6.2.5 泛化推广边界 |
6.2.6 结构风险最小化 |
6.3 支持向量机原理 |
6.3.1 支持向量机 |
6.3.2 线性支持向量机算法原理及数学推导 |
6.3.3 非线性支持向量机算法原理及数学推导 |
6.3.4 核函数 |
6.3.5 支持向量机算法学习步骤 |
6.3.6 支持向量机的缺点及改进措施 |
6.3.7 支持向量机与前馈神经网络的比较 |
6.4 诊断仿真 |
6.4.1 多分类的支持向量机设计 |
6.4.2 故障诊断的特征参数选取及学习样本构建 |
6.4.3 测试样本构建及故障分类 |
6.4.4 分析讨论 |
6.5 本章小结 |
7 粗糙集理论与支持向量机结合的故障诊断方法 |
7.1 引言 |
7.2 粗糙集理论的基本概念 |
7.2.1 知识及知识的表达 |
7.2.2 不可分辨关系 |
7.2.3 近似与粗糙集 |
7.2.4 约简与核 |
7.3 粗糙集数据预处理 |
7.3.1 缺失值的处理 |
7.3.2 数据的离散化处理 |
7.3.3 基于粗糙集理论的知识约简 |
7.4 支持向量机与粗糙集的结合 |
7.4.1 SVM-RS 结合的基本思想 |
7.4.2 SVM-RS 结合算法的步骤 |
7.5 诊断仿真 |
7.5.1 算例及故障诊断特征的参数选取 |
7.5.2 连续属性值的离散 |
7.5.3 用RS 理论对条件属性约简 |
7.5.4 SVM 故障分类器的构建 |
7.5.5 核函数及其参数的选择 |
7.5.6 SVM 分类器的训练与测试 |
7.5.7 对比分析 |
7.6 本章小结 |
8 总结与展望 |
8.1 总结 |
8.2 展望 |
致谢 |
参考文献 |
附录 |
攻读博士学位期间发表的学术论文 |
攻读博士期间参加的科研工作 |
(10)基于多种计算智能方法的辅助决策系统的研究与应用(论文提纲范文)
基于多种计算智能方法的辅助决策系统的研究与应用 |
第一章 引言 |
1.1 财务预警分析的意义 |
1.2 本文采用的研究方法 |
第二章 基于粗糙集理论的计算模型的改进 |
2.1 粗糙集概述 |
2.2 粗糙集理论的知识表示 |
2.3 粗糙集的上近似和下近似 |
2.4 决策表一致性水平的定义和改进的计算模型 |
第三章 遗传算法实现技术及其改进 |
3.1 遗传算法简介 |
3.2 遗传算法的实现技术 |
3.2.1 编码 |
3.2.2 适应度函数 |
3.2.3 选择算子 |
3.2.4 交叉算子 |
3.2.5 变异算子 |
3.3 遗传算法的数学模型表示 |
3.4 标准遗传算法的不足和改进 |
第四章 属性离散化及其信息熵的研究和实现 |
4.1 概述 |
4.1.1 离散化的定义 |
4.1.2 离散化的必要性 |
4.1.3 决策表离散化的一般步骤 |
4.1.4 现有离散化算法及其分类 |
4.2 离散化粗糙集决策表的形式化模型 |
4.2.1 粗糙集信息系统模型的形式化定义 |
4.2.2 离散化过程的形式化定义 |
4.3 本文采用的离散化效果评价标准 |
4.3.1 决策表的一致性水平 |
4.3.2 离散化后区间的平均信息熵 |
4.3.3 条件属性中的割点的数目 |
4.4 基于粗糙集一致性和信息熵的遗传方法的离散化算法(LEGAD) |
4.4.1 算法提出的背景 |
4.4.2 算法说明和执行流程 |
4.4.3 算法改进后的分析 |
第五章 构建基于神经网络的决策分类器 |
5.1 用VC维来指导确定神经网络的结构 |
5.1.1 引入VC维的必要性 |
5.1.2 VC维的定义和描述 |
5.1.3 神经网络中VC维 |
5.1.4 本文中神经网络结构的设计 |
5.2 BP算法 |
5.2.1 符号表示 |
5.2.2 链式法则 |
5.2.3 敏感性的反向传播 |
5.2.4 算法小结 |
5.3 标准BP算法的改进 |
5.3.1 动量因子MOBP |
5.3.2 批量训练法 |
5.3.3 可变学习速率VLBP |
第六章 实验分析 |
6.1 实验环境 |
6.2 数据采集 |
6.2.1 样本选择 |
6.2.2 财务比率选择 |
6.2.3 构建训练集合和测试集合 |
6.3 连续属性离散化 |
6.3.1 生成基于粗糙集理论的割点矩阵 |
6.3.2 利用遗传算法寻找最优割点集并对样本离散化 |
6.4 数据归一化和BP神经网络分类 |
6.4.1 数据归一化 |
6.4.2 BP神经网络训练 |
第七章 结束语 |
参考文献 |
计算智能方法的研究 |
第一章 统计学习理论与支持向量机 |
1.1 学习问题描述 |
1.2 损失函数和风险最小化 |
1.3 经验风险最小化归纳原则 |
1.4 ERM的一致收敛问题 |
1.5 函数集的VC维与风险的界。 |
1.5.1 指示函数集的vc维 |
1.5.2 实函数集的vc维 |
1.5.3 风险的概念性的界 |
1.5.4 构造性的与分布无关的界 |
1.6 结构风险最小化归纳原则 |
1.7 支持向量机 |
1.8 核函数 |
1.9 核函数主成分分析 |
1.10 支持向量机的应用研究现状 |
1.10.1 人脸检测、验证和识别 |
1.10.2 说话人/语音识别 |
1.10.3 文字/手写体识别 |
1.10.4 图像处理 |
第二章 粗糙集理论和应用 |
2.1 粗糙集理论的基本概念 |
2.1.1 知识的概念与不可分辨关系 |
2.1.2 粗糙集的下近似、上近似 |
2.1.3 决策表、约简与核 |
2.1.4 粗糙集理论的特点 |
2.2 粗糙集理论的应用 |
2.2.1 粗糙集理论的研究对象 |
2.2.2 粗糙集理论应用的情况 |
2.2.3 国际上有关粗糙集的软件研制概况 |
2.3 粗糙集与其相关理论和领域的关系 |
2.3.1 粗糙集与模糊集、证据理论的关系 |
2.3.2 粗糙集与神经网络、知识工程、遗传算法、自动控制的关系 |
2.3.3 粗糙集与神经网络结合 |
2.4 粗糙集与遗传算法结合 |
第三章 遗传算法理论和应用 |
3.1 基本原理 |
3.2 混合遗传算法 |
3.3 并行遗传算法 |
3.4 编码问题 |
3.5 交叉运算 |
3.6 变异运算 |
3.7 选择运算 |
3.7.1 赌盘选择 |
3.7.2 排序选择 |
3.7.3 随机联赛选择 |
3.7.4 最优个体保留方法 |
3.8 遗传算法的性能分析 |
3.9 遗传算法的应用 |
3.9.1 函数优化 |
3.9.2 组合优化 |
3.9.3 生产调度问题 |
3.9.4 自动控制 |
3.9.5 机器人学 |
3.9.6 图像处理 |
3.9.7 人工生命 |
3.9.8 遗传编程 |
3.9.9 机器学习 |
3.9.10 数据挖掘 |
第四章 神经网络 |
4.1 神经网络原理 结构及分类 |
4.1.1 神经网络原理 |
4.1.2 神经网络的结构 |
4.1.3 神经网络的分类 |
4.2 神经网络的学习算法及其应用领域 |
4.2.1 学习算法 |
4.2.2 人工神经网络应用领域 |
4.2.3 B P模型 |
4.3 BP前馈神经网络 |
4.3.1 BP网络的结构和学习规则 |
参考文献 |
The Research and Application of Assistant Decision-making System based on many Intelligent Computing Methods |
CHAPTER 1 FOREWORD |
1.1 THE SIGNIFICATION OF FINANCIAL CRISIS EARLY-WARNING |
1.2 RESEARCH APPROACH |
CHAPTER 2 THE IMPROVEMENT OF THE CALCULATION MODEL BASED ON ROUGH SET THEORY |
2.1 THE SUMMARY OF ROUGH SET |
2.2 THE KNOWLEDGE REPRESENTATION OF ROUGH SET |
2.3 UPPER APPROXIMATION AND LOWER APPROXIMATION |
2.4 THE DEFINITION OF THE CONSISTENCY LEVEL OF DECISION TABLE AND ITS IMPROVEMENT OF CALCULATION MODE |
CHAPTER 3 THE BASIC REALIZES TECHNOLOGY OF GENETIC ALGORITHM AND IMPROVEMENT |
3.1 THE SUMMARY OF GENETIC ALGORITHM |
3.2 THE BASIC TECHNOLOGY OF GENETIC ALGORITHM |
3.2.1 Code method |
3.2.2 Fitness function |
3.2.3 Selection operator |
3.2.4 Cross operator |
3.2.5 Mutation Operation |
3.3 THE MATHEMATICS MODEL OF THE GENETIC ALGORITHM |
3.4 DEFICIENCY AND IMPROVEMENT OF THE GENETIC ALGORITHM OF THE STANDARD |
CHAPTER 4 THE RESEARCH AND IMPLEMENT OF ATTRIBUTES DISCRETIZATION AND INFORMATION ENTROPY |
4.1 SUMMARY |
4.1.1 Definition |
4.1.2 The necessity of discretization |
4.1.3 The general step of discretization |
4.1.4 The nowadays discretization algorithms |
4.2 THE FORMALIZED MODEL OF DISCRETIZATION FOR THE ROUGH SET DECISION TABLE |
4.2.1 The formalized definition for the Rough Set information system. [Zhang Wen xiu, 2001] |
4.2.2 The formalized definition of the discretization process |
4.3 THE CRITERIONS OF THE RESULT FOR DISCRETIZATION ADOPTED IN THIS ARTICLE |
4.3.1 Consistency level of the decision table |
4.3.2 The Average information entropy of intervals after discretization |
4.3.3 Number of the cut points in condition attribute |
4.4 THE DISCRETIZATION ALGORITHM BASED ON ROUGH SET CONSISTENCY AND THE INFORMATION ENTROPY (LEGAD) |
4.4.1 Background of the algorithm |
4.4.2 The procedure and explanation of algorithm (LEGAD) |
4.4.3 Advantages after the algorithm is improved |
CHAPTER 5 THE CONSTRUCTION OF CLASSIFIER BASED ON BP NEURAL NETWORK |
5.1 DETERMINE THE STRUCTURE OF NEURAL NETWORK WITH VC DIMENSION |
5.1.1 The necessity of VC dimension |
5.1.2 Definition and description of VC dimension |
5.1.3 Description of VC dimension in the neural network |
5.1.4 The design of neural network's structure in the article |
5.2 BP ALGORITHM |
5.2.1 The symbol expressing |
5.2.2 Chain rule |
5.2.3 Backpropagation of the sensitiveness |
5.2.4 Algorithm brief summary |
5.3 SHORTCOMING AND IMPROVING OF STANDARD BP ALGORITHM |
5.3.1 Momentum factor MOBP |
5.3.2 Batch training method |
5.3.3 Variable studying speed (VLBP) |
CHAPTER 6 EXPERIMENT AND ANALYSIS |
6.1 EXPERIMENT ENVIRONMENT |
6.2 THE DATA COLLECTION |
6.2.1 The sample choosing |
6.2.2 The financial rate choosing |
6.2.3 Structure the training set and test set |
6.3 CONTINUOUS ATTRIBUTE DISCRETIZATION |
6.3.1 Generate the cut points matrix based on Rough Set |
6.3.2 Search the optimum set of cut points of each attribute by using Genetic algorithm and disperse the samples |
6.4 NORMALIZATION OF THE DATA AND BP NEURAL NETVVORK CLASSIFICATION |
6.4.1 Normalization of the data |
6.4.2 Train BP neural network |
CHAPTER 7 CONCLUSION |
THE RESEARCH OF INTELLIGENT COMPUTING METHODS |
CHAPTER 1 STATISTICAL LEARNING THEORY (SLT) AND SUPPORT VECTOR MACHINES (SVM) |
1.1 THE DESCRIPTION OF LEARNING PROBLEM |
1.2 LOSES FUNCTION AND RISK TO MINIMIZE |
1.3 THE PRINCIPLE OF MINIMIZING EXPERIENCE RISK |
1.4 UNANIMOUS CONVERGENCE QUESTION OF ERM |
1.5 VC DIMENSION OF FUNCTION SET AND BOUNDARY OF THE RISK |
1.5.1 VC dimension of instructing function set |
1.5.2 VC dimension of real function |
1.5.3 Concept of boundary of the risk |
1.5.4 Constructivist Boundary having no relations with distributing |
1.6 THE PRINCIPLE OF THE STRUCTURE RISKS MINIMIZE |
1.7 SUPPORTING VECTOR MACHINE |
1.8 CORE FUNCTION |
1.9 MAIN COMPOSITION ANALYSIS OF CORE FUNCTION |
1.10 CURRENT APPLICATION AND RESEARCH SITUATIONS OF SVM |
1.10.1 Recognise, proving and discerning of faces |
1.10.2 The speaker/phonetic recognition |
1.10.3 The characters/handwritten recognition |
1.10.4 Image processing |
CHAPTER 2 THEORY AND APPLICATION OF ROUGH SET |
2.1 THE BASIC CONCEPTION OF THE ROUGH SET #1.50 |
2.1.1 The concept of knowledge and the indiscernibility relation |
2.1.2 Upper approximation and lower approximation in Rough Set |
2.1.3 Decision table, reduction and core |
2.1.4 The characteristic of the Rough Set theory |
2.2 THE APPLICATION OF THE ROUGH SET THEORY |
2.2.1 The research objects of the Rough Set theory |
2.2.2 The application situation of Rough Set theory |
2.2.3 Relevant software of Rough Set in the world |
2.3 RELATION BETWEEN ROUGH SET AND OTHER RELEVANT THEORY AND FIELD |
2.3.1 The relation of Rough Set with fuzzy set, evidence theory |
2.3.2 The relation between Rough Set and neural network, knowledge project, genetic algorithm, automatically controlled |
2.3.3 Rough Set combine with the neural network |
2.4 ROUGH SET COMBINE WITH THE GENETIC ALGORITHM |
CHAPTER 3 THEORY AND APPLICATION OF GENETIC ALGORITHM |
3.1 BASIC PRINCIPLE |
3.2 MIX THE GENETIC ALGORITHM |
3.3 THE PARALLEL GENETIC ALGORITHM |
3.4 QUESTION OF THE CODE METHOD |
3.5 CROSS OPERATION |
3.6 MUTATION OPERATION |
3.7 SELECT OPERATION |
3.7.1 Select by proportion |
3.7.2 Arrange in an order and select |
3.7.3 The random league matches select |
3.7.4 The Elitist Model |
3.8 PERFORMANCE ANALYSIS OF THE GENETIC ALGORITHM |
3.9 APPLICATION OF THE GENETIC ALGORITHM |
3.9.1 Function optimizing |
3.9.2 Combination optimize |
3.9.3 Production scheduling question |
3.9.4 Automatic control |
3.9.5 Robotics |
3.9.6 Image process |
3.9.7 Artificial life |
3.9.8 Genetic programming |
3.9.9 The machine learning |
3.9.10 Data mining |
CHAPTER 4 NSURAL NETWORK |
4.1 NEURAL NETWORK PRINCIPLE, STRUCTURE AND CLASSIFICATION |
4.1.1 Neural network principle |
4.1.2 Structure of the neural network |
4.1.3 Classification of the neural network |
4.2 STUDY ALGORITHM AND APPLICATION OF THE NEURAL NETWORK |
4.2.1 Study algorithms |
4.2.2 Application of Artificial neural network |
4.2.3 B P model |
4.3 BP FEED FORWARD NEURAL NETWORK |
4.3.1 The structure and study rule of B P network |
致谢 |
四、基于支持向量机与粗糙集理论的信息处理(论文参考文献)
- [1]面向电力变压器油色谱数据特征参量的研究[D]. 解宵. 西安理工大学, 2021(01)
- [2]基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究[D]. 张森. 深圳大学, 2020(10)
- [3]基于数据及多源信息融合的轴承与行星齿轮箱故障诊断[D]. 王馨苑. 电子科技大学, 2020(07)
- [4]面向矿山瓦斯预警应用的多元多尺度数据融合方法研究[D]. 王斌国. 山东科技大学, 2019(03)
- [5]基于支持向量机数据融合的矿井瓦斯预警技术研究[D]. 黄为勇. 中国矿业大学, 2009(05)
- [6]基于最小二乘支持向量机的球团矿质量分类建模[D]. 朱经纲. 东北大学, 2009(06)
- [7]基于不确定理论和机器学习的知识发现研究[D]. 刘后胜. 中国科学技术大学, 2008(06)
- [8]括苍山高速公路隧道岩爆非线性预测研究[D]. 邱道宏. 吉林大学, 2008(11)
- [9]水电机组振动故障的智能诊断方法研究[D]. 彭文季. 西安理工大学, 2007(04)
- [10]基于多种计算智能方法的辅助决策系统的研究与应用[D]. 刘冠晓. 云南师范大学, 2006(12)