一、遗传算法和人工神经网络在ITS中的应用（论文文献综述）
孙肖坤[1]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中研究说明随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
郭义戎[2]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中研究表明智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
徐东[3]（2021）在《基于深度学习的相位调控型超构表面器件设计》文中进行了进一步梳理超构表面是一种新兴的二维亚波长人工复合结构或材料,因对电磁波的振幅、相位和偏振等基本参量具有优异的调控能力,自其提出以来,便受到了电磁学领域研究者们的广泛关注。由此而衍生的超构表面器件因具有易于集成,能够实现电磁波的灵活调控等优点,在电磁通信、计算全息和探测成像等领域呈现出较大的潜力。传统的超构表面器件优化设计方法存在着计算速度慢、易陷入局部最优以及需要反复试错的缺点,这一定程度上制约了该研究领域的发展。深度学习作为一种计算速度非常快的人工智能算法,越来越多的研究者开始将其引入超构表面研究领域,并提出了多种用于设计相位调控型超构表面器件的基于深度学习的方法。本文在结合了人工神经网络和寻优算法的相位调控型超构表面器件基本设计框架上,针对现有的大部分研究中存在的若干问题,提出了一种简单快速的基于迁移学习技术的高效率相位调控器件设计方法。并通过实际器件设计,进一步验证了所提出的方法的性能,主要研究工作包含:1、现有研究方法常采用庞大的数据集或复杂的网络结构来实现更高的超构表面光谱预测精度,这使得用于建立数据集或调试和训练网络的时间更长。针对该问题,本文提出了一种“预筛选”方法,即通过已有经验、和借鉴已有优秀研究中的超构表面形状或参数,对数据集进行筛选,让建立的数据集更加简洁,从而使得神经网络在1万左右大小的数据集上也能实现高精度的光谱预测能力。2、针对现有研究方法在提供更多可供选择的超原子基本单元结构时,需要额外大量的电磁仿真数据,并进行额外重复的神经网络调试和训练。本文利用迁移学习,将原始神经网络中学到的知识转移到目标神经网络中,训练结果表明,这不仅使得用于调试和训练神经网络时间缩减了10倍,还将神经网络的光谱测试MSE降低了9.2%。3、最后,本文还提出了一种基于迁移学习技术和遗传算法的用于设计高效率相位调控型器件的方法,并根据设计流程,快速地设计出了多个相位调控器件,通过全模仿真验证,其中所设计出的超构表面偏折器的偏折效率最高可达92%,设计出的超构透镜的仿真结果参数也同目标设计参数非常接近,器件的成功设计表明该方法在超构表面器件快速设计领域具有较大的发展潜力。
郑泽晨[4]（2021）在《基于卷积神经网络的储层内夹层识别算法研究与应用》文中指出油田已有的夹层识别方法存在主观性强、适应性差和数据利用率低等不足。因此,本文结合油田已有的地质数据和生产数据,提出基于卷积神经网络的储层内夹层识别算法,主要工作如下:（1）夹层测井曲线的图像较为特殊,其特征多聚集在曲线的变化上,因此夹层识别模型建立过程中,卷积神经网络的参数选择异常重要。首先搭建基于AlexNet的网络结构,然后通过对比不同的卷积核尺寸、步长、卷积核数量以及批归一化层对于夹层识别模型分类准确度的影响,确定出合适的网络结构与参数。（2）针对深层次的网络结构会出现梯度消失和网络参数过多的问题,引入了残差模块。并且由于测井曲线图像非常注重曲线特征,加入特征重标定卷积结构帮助卷积神经网络更准确地提取夹层特征。实验结果表明,本文提出的特征重标定卷积残差网络（JcNet）训练时间为640.30s,模型大小为11.2M,准确率为95.15%,均优于对比组中的其它卷积神经网络结构。（3）为解决卷积神经网络建立夹层识别模型中的资源浪费问题,引入人工鱼群、粒子群和遗传算法来优化网络结构和网络训练中的一些参数,得到合适的卷积神经网络结构与参数。经过多次训练后,优化后卷积神经网络建立的夹层识别模型的准确度提高了0.09%-0.19%,模型参数缩减了6.83%-18.85%,训练时间最高缩减了31.1%。综合实验结果表明,本文提出的储层内夹层识别算法与其它方法相比,在训练过程中对于时间损耗和资源利用有一定的降低,在夹层识别分类准确率方面有较大的提高。本文算法对于进一步提高原油采收率、促进深度学习方法在石油工业中的深入应用具有重要的理论与现实意义。
杨靖[5]（2021）在《基于种群竞争机制和适应度地形的神经网络算法研究》文中研究指明遗传算法（GA）和BP神经网络是广泛应用的两种优化算法,但均存在着一定的不足,遗传算法的局部搜索能力有所欠缺,存在早熟收敛的风险;而BP神经网络内部结构单一,容易操作,但是收敛过程较慢,并且很容易在多层网络中陷入局部最优。遗传算法-反向传播神经网络（GA-BP）算法充分利用了遗传算法和BP神经网络的优点,克服两种算法的不足,已达到较好的优化效果,已经被广泛应用到实际问题中,但该算法同样具有收敛速度慢、易陷入局部最优、寻优不精确等缺点。本文提出了改进型的GA-BP算法。受生成对抗网络的启发,提出种群竞争机制以提高遗传算法的搜索能力,其可以确保整个种群的快速优化,避免过早收敛的风险,提高算法的稳定性;根据适应度地形的特点,优化了BP神经网络的学习率,使其可以自适应地变化,有效提高了网络收敛速度,降低了时间成本。通过实验验证,得到改进型GA-BP算法在收敛速度、跳出局部最优以及寻优精度等方面的性能要明显的优于原始的GA-BP算法。主要研究工作及成果总结如下:第一章简单介绍了遗传算法和BP神经网络的研究背景、算法流程以及算法的优缺点,并且介绍了GA-BP算法的研究现状,对GA-BP算法的流程进行了描述。第二章首先详细介绍了适应度地形的相关背景,并简单的描述了适应度-距离图;分析了GA-BP算法的数学模型,并利用适应度地形来分析遗传算法和GA-BP算法的地形特征,将两者得到的适应度地形进行对比,得出GA-BP算法可以改进的方面。第三章针对遗传算法过度依赖初始值这一缺陷,提出种群竞争机制,对遗传算法初值的选取进行优化,提升了算法的寻优能力;针对BP神经网络在收敛速度上较慢的这一缺点,根据适应度地形的特征进行分析,提出BP神经网络的自适应学习率调整公式,解决了网络收敛较慢的这一问题。第四章利用测试函数来验证本文改进算法的有效性,根据函数具有的属性选定不同的评价标准,对实验结果进行相关分析后得到改进算法的特点:（1）改进GA-BP算法具有较强的能力跳出局部最优,有更大的可能性找到全局最优;（2）改进GA-BP算法具有更快的网络收敛速度和更少的时间开销;（3）改进GA-BP算法对多峰函数具有鲁棒性。第五章探讨了调整神经元个数对于改进算法稳定性的影响,利用多峰函数进行实验,得到调整神经元个数对改进算法稳定性影响的结论:单独改变神经元数量对算法稳定性的影响没有明显的规律性。第六章对本文内容进行了总结,并提出了接下来的研究方向。
赵得宪[6]（2021）在《机器学习在比例边界有限元法中的应用研究》文中研究说明21世纪以来,随着计算机运算能力的大幅度提高,神经网络在诸如土木工程、生物学、图像识别等多种领域中得到了越来越多的重视。近些年,众多行业和领域在机器学习研究中也投入了越来越多的精力和资金,在作为世界经济发展的支柱型行业之一的建筑与土木工程领域中,传统计算技术正在与机器学习算法相融合,从而推动技术进步和基础产业的升级换代。另一方面,比例边界有限元方法作为一种新发展的半解析计算科学,其与机器学习的结合应用仍然比较缺乏。将机器学习技术应用于比例边界有限元法当中,利用机器学习强大的映射算法,并展开对比例边界有限元法的应用探索,一定可以大幅度提高计算效率,推动实际工程的发展。基于此,本文主要进行了以下三个方面的研究:（1）基于多隐含层BP神经网络的预测回归理论,使用回归器预测S元网格刚度矩阵。对于多种由不同边长和不同边界细分情况组合的S元网格,采用比例边界有限元法计算出每种网格的单元刚度矩阵,并以此作为神经网络的训练集进行训练得到回归模型,利用得到的神经网络回归模型预测S元网格刚度矩阵的各个元素。（2）基于遗传算法优化的神经网络,使用回归模型预测比例边界弹塑性的切线刚度矩阵。采用不同的加载力、有效塑性应变和结构位移作为神经网络的输入特征,并通过计算得到大量训练数据,利用切线刚度矩阵的对称性对训练输出数据进行简化来提高训练效率。然后训练神经网络分别获得多个回归模型,回归模型每个输出代表着切线刚度矩阵的每个元素。（3）基于粒子群算法优化的神经网络,考虑到硬化模型选取的不同造成的塑性材料力学行为的区别,分别对各向同性硬化模型、随动硬化模型和混合硬化模型下的塑性材料在循环加载过程中的力学行为进行预测。将历史变量和应变作为输入特征,可以使神经网络学习塑性材料的历史行为,对不同应变增量下获得的输入特征进行训练得到回归模型,利用此模型模拟三种硬化模型下加卸载过程的应变-应力曲线。并结合matlab软件的GUI工具箱进行界面设计和程序编写,形成了界面美观、容易操作的设计软件,提高了研究效率。
司旭彤[7]（2021）在《基于GA-BP的闸阀模糊可靠性分析研究》文中研究表明闸阀结构尺寸的制造误差以及荷载的波动对阀门结构的受力情况有着重要的影响,由于工艺水平、人员操作能力等因素的影响导致这些不确定性在阀门生产工作过程中无法避免。因此在设计工作中考虑上述不确定性因素的影响可以更全面地提升闸阀的安全性能。本文基于结构可靠度理论,对闸阀在设计工况下的可靠度进行了计算和分析。针对闸阀可靠度计算过程中,最大应力预测模型的缺陷,本文进行了基于遗传算法优化神经网络的闸阀最大应力预测模型研究。通过优化后的神经网络得到闸阀最大应力的显式表达式并将该表达式用于后续可靠度计算中。研究发现,与传统的BP神经网络模型比较,经过遗传算法优化的神经网络模型可以有效提高预测精度,减小数学模型误差对于后续可靠度计算结果准确性的影响。为了进一步提高闸阀可靠度计算结果的准确性,针对闸阀强度的模糊性,将模糊理论引入闸阀可靠度计算中。首先,采用遗传算法优化后的神经网络建立最大应力预测模型,将闸阀关键部位最大应力与阀体通径、内压之间的隐式关系变为显式关系;然后,通过蒙特卡洛法计算闸阀在常规方法下的的可靠度;最后,利用正态型隶属函数描述闸阀强度的模糊性,计算了闸阀在在考虑模糊强度时的可靠度。通过对比考虑模糊强度前后的可靠度计算结果,分析了强度模糊性对于可靠度计算结果的影响。与传统的随机可靠度计算方法相比,模糊可靠度计算方法对不确定性的描述更加合理,理论上对可靠度的计算更加准确。
罗椿旺[8]（2021）在《基于BP神经网络的激光选区熔化成形件表面粗糙度优化研究》文中提出激光选区熔化的特殊成形原理使得成形件的表面质量不理想,这会制约激光选区熔化的发展。成形件表面质量的优化则离不开对表面粗糙度的研究,而表面粗糙度受到成形参数以及其他外部条件的影响。通常对表面质量的研究需要通过反复实验得到成形件,这样不仅研究周期长,还会造成材料的浪费。为此,本文选取表面粗糙度为成形件表面质量的表征,以优化表面质量为目的,设计不同参数组合,并以BP神经网络为媒介,为激光选区熔化成形件表面粗糙度优化提供新途径。针对激光选区熔化成形件表面粗糙度和工艺参数件之间高度非线性的特点,首先建立BP神经网络表面粗糙度预测模型,用来预测在激光功率、扫描速度、铺粉层厚、铺粉间距等不同工艺参数组合下的成形件表面粗糙度。结果表明样本预测的平均相对误差为10.55%,说明BP神经网络能够表达激光选区熔化成形工艺和表面粗擦度的非线性耦合关系。为了解决BP神经网络对初始权值、阈值过于敏感的问题,本文利用遗传算法寻优能力,提供合适的初始权值、阈值给BP神经网络。遗传算法优化后BP神经网络样本预测的平均相对误差降低到6.91%,表明遗传算法对BP神经网络表面粗糙度预测模型的优化有效。为了进一步验证模型有效性,利用正交法设计实验,再通过模型预测,分析预测后的表面粗糙度值,表明在正交法设计的实验下,预测数据中各参数对表面粗糙度的影响规律符合实际。将遗传算法优化完成的神经网络预测模型作为遗传算法中的适应度函数,表面粗糙度值作为适应度值,建立激光选区熔化成形件表面粗糙度的优化模型。选取寻优求得的工艺参数组合（a）P=120W、V=500mm/s、H=0.12mm、T=20μm（b）P=120W、V=1300mm/s、H=0.12mm、T=20μm（c）P=60W、V=500mm/s、H=0.09mm、T=20μm（d）P=110W、V=1200mm/s、H=0.07mm、T=30μm等进行验证,发现成形件表面光滑,纹理清晰,熔道熔化完全,表面粗糙度实测值波动不大,且均低于样本值。结果表明,寻优得到的表面粗糙度达到了预期目标,对应的参数组合也能够满足实际情况,进一步说明寻优算法和BP神经网络的结合能够用在激光选区熔化成形件表面质量的优化上。
张敏[9]（2021）在《基于RBF神经网络的短时交通流预测研究》文中研究表明近些年,机动车数量的急速增长造成了如交通拥堵和交通事故等各类交通问题,智能交通系统的出现有效的缓解了这类问题。短时交通流预测作为智能交通系统中的一项关键技术,既可为系统中的交通诱导和管控提供一定的决策依据,又可为居民提供合理的出行路线。但是短时交通流由于其极强的随机性和复杂性,使得现有的各种预测模型很难保证预测的精确度和预测结果的时效性。就这一问题本文从交通流特性分析和数据预处理、RBF神经网络及其优化用于短时交通流预测方面展开了研究,主要工作如下:1.交通流特性分析和数据预处理。首先对采集的交通数据从趋势性、随机性和周期性三方面进行了特性分析,其次针对在交通流量采集过程中,由于受到外界因素干扰而导致的数据不准确的问题,本文对交通数据进行了修复和启发式小波阈值降噪,为后文研究提供数据支撑。2.建立了RBF神经网络的交通流预测模型。针对传统模型无法很好的预测短时交通流的问题,本文利用RBF神经网络进行交通流预测,研究了RBF神经网络的结构和结构参数对交通流预测的影响,提出利用C-C法确定神经网络的输入层节点数,用K-means方法确定隐含层神经元数和中心值,建立了RBF神经网络的预测结构。3.建立了基于IFA-RBF神经网络的交通流预测模型。首先针对RBF神经网络预测时易出现对网络初始参数敏感和易陷入局部极值的问题,本文提出利用萤火虫算法（Firefly Algorithm,FA）对其进行初始参数选优,避免网络陷入局部极值;其次针对FA易于陷入“早熟”的问题,通过在基本FA中引入线性递减惯性权重和混沌搜索机制,建立基于IFA-RBF神经网络的预测模型,进一步提高了RBF神经网络的预测精度和收敛速度。4.建立了基于FCM-IFA-RBF神经网络的交通流预测模型。针对单个RBF神经网络预测精度低和对交通流特性考虑不充分的问题,本文提出从交通数据自身特征出发,利用FCM算法对数据进行交通模式划分,针对不同的模式训练不同的IFA-RBF神经网络子模型,并由所有子模型共同完成预测,进一步提高了神经网络预测的准确性。
宋悦阳[10]（2020）在《基于改进遗传模拟退火优化BP算法的接地故障选线方法》文中进行了进一步梳理在我国所使用的中低压配电网中,单相接地故障最为常见。虽然发生接地故障后短时间内,配电网仍能够保持正常运行,但长时间运行会导致多相短路等严重问题,需要尽快排查故障线路并及时维修。因此接地故障检测对配电网安全运转具有重要的意义和研究价值。由于配电网电路复杂结构,导致故障信号特征不明显,且容易受到接地电阻、接地相位和接地方式等众多因素的影响。传统故障选线方式中,使用故障特征单一判据的方法准确度不高,极易受到不同因素的影响产生误判;而使用常规数学公式,来对多个判据进行拟合判定的方法十分复杂,对不同结构和条件的故障缺乏泛用性。随着人工神经网络的发展,可以使用人工智能进行多判据融合来进行接地故障选线。其中BP神经网络能够有效进行数据训练与判别,但其本身训练效率较低,且极易受到神经网络的初始权值和阈值影响等。针对BP神经网络的缺陷,使用遗传模拟退火算法对其进行数据优化,提高收敛效率,增强全局搜索能力,消除初始权值阈值过高的影响等。并针对遗传算法易陷入局部最小值和模拟退火算法收敛速度较慢的问题,采用改进遗传模拟退火算法优化BP神经网络（IGSAA-BP）的选线方法。该算法不但减小了传统BP神经网络对初始权值、阈值对算法影响较大的问题,还通过改进遗传算法的交叉、变异概率公式和改进Metropolis准则,以提高种群多样性,避免陷入局部最优。搭建配电网小电流接地系统仿真模型,获取系统各个线路的稳态特征、5次谐波特征和暂态特征,输入IGSAA算法获得BP神经网络初始值,使用优化后的神经网络模型训练计算后获得选线结果。与其他BP神经网络算法对比表明,该方法在训练中收敛速度和复杂适应性较高、判断精度更好。
二、遗传算法和人工神经网络在ITS中的应用（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、遗传算法和人工神经网络在ITS中的应用（论文提纲范文）
（1）复杂大型建设项目费用偏差控制方法及信息系统设计（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 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）基于深度学习的相位调控型超构表面器件设计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 超构表面简介 |
| 1.1.2 超构表面设计方法 |
| 1.2 国内外研究现状 |
| 1.2.1 基于逆向结构设计神经网络的超构表面研究 |
| 1.2.2 基于前向光谱预测神经网络的超构表面研究 |
| 1.2.3 基于无监督学习的超构表面研究 |
| 1.3 存在的问题及拟解决方案 |
| 第2章 超构表面分析方法及深度学习理论基础 |
| 2.1 引言 |
| 2.2 相位调控型超构表面分析方法 |
| 2.2.1 等效介质理论 |
| 2.2.2 传输相位原理 |
| 2.3 深度学习相关理论 |
| 2.3.1 神经网络结构及基本组成 |
| 2.3.2 卷积神经网络 |
| 2.3.3 神经网络优化算法 |
| 2.3.4 迁移学习 |
| 2.4 本章小结 |
| 第3章 基于深度学习和进化算法的相位调控型超构表面器件设计 |
| 3.1 引言 |
| 3.2 超构表面电磁仿真及数据收集 |
| 3.3 前向光谱预测神经网络 |
| 3.3.1 网络结构 |
| 3.3.2 训练结果及测试结果 |
| 3.4 基于深度学习和遗传算法的相位调控型超构表面设计流程 |
| 3.5 器件设计结果 |
| 3.5.1 偏折器设计 |
| 3.5.2 超构透镜设计 |
| 3.6 本章小结 |
| 第4章 基于迁移学习的相位调控型超构表面器件设计 |
| 4.1 引言 |
| 4.2 超构表面电磁响应的实部与虚部光谱之间的迁移学习 |
| 4.3 不同结构的超构表面之间的迁移学习 |
| 4.4 迁移FPN性能测试结果 |
| 4.5 器件设计结果 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 工作与创新点总结 |
| 5.2 基于深度学习的超构表面研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于卷积神经网络的储层内夹层识别算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 研究现状 |
| 1.2.1 传统的夹层识别方法 |
| 1.2.2 基于机器学习的夹层识别方法 |
| 1.2.3 卷积神经网络的研究现状 |
| 1.3 论文研究的问题 |
| 1.4 论文组织结构 |
| 第二章 相关技术及理论 |
| 2.1 深度学习 |
| 2.2 人工神经网络 |
| 2.3 优化算法 |
| 2.3.1 遗传算法 |
| 2.3.2 粒子群算法 |
| 2.3.3 人工鱼群算法 |
| 2.4 卷积神经网络 |
| 2.4.1 输入层 |
| 2.4.2 卷积层 |
| 2.4.3 池化层 |
| 2.4.4 全连接层 |
| 2.4.5 激活函数 |
| 2.4.6 优化器 |
| 2.5 损失函数和评价指标 |
| 2.5.1 损失函数 |
| 2.5.2 性能评价指标 |
| 2.6 本章小结 |
| 第三章 卷积神经网络建立夹层识别模型的参数选择 |
| 3.1 实验基本思想 |
| 3.2 数据处理 |
| 3.2.1 数据集来源 |
| 3.2.2 数据增强 |
| 3.3 实验环境 |
| 3.4 网络基本参数选择 |
| 3.4.1 卷积核大小 |
| 3.4.2 卷积核数量 |
| 3.4.3 步长 |
| 3.4.4 批归一化层 |
| 3.5 本章小结 |
| 第四章 基于特征重标定卷积残差网络的夹层识别算法 |
| 4.1 算法设计思想 |
| 4.2 算法设计原理 |
| 4.2.1 特征重标定卷积 |
| 4.2.2 残差网络 |
| 4.2.3 重新设计后的夹层识别模型 |
| 4.3 特征重标定残差网络的夹层识别算法 |
| 4.3.1 模型设计 |
| 4.3.2 特征重标定残差网络的夹层识别算法基本流程 |
| 4.3.3 夹层数据集 |
| 4.3.4 实验参数设置 |
| 4.3.5 实验结果对比与模型应用效果 |
| 4.4 本章小结 |
| 第五章 优化型卷积神经网络的夹层识别算法 |
| 5.1 三种优化算法的卷积神经网络设计 |
| 5.2 三种优化算法的卷积神经网络 |
| 5.2.1 遗传算法优化的卷积神经网络 |
| 5.2.2 粒子群算法优化卷积神经网络 |
| 5.2.3 人工鱼群算法优化卷积神经网络 |
| 5.3 实验结果与分析 |
| 5.3.1 实验参数设置 |
| 5.3.2 三种优化型卷积神经网络的性能比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（5）基于种群竞争机制和适应度地形的神经网络算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 遗传算法 |
| 1.2.1 遗传算法简介 |
| 1.2.2 遗传算法的优缺点 |
| 1.2.3 遗传算法的改进 |
| 1.3 BP神经网络 |
| 1.3.1 BP神经网络算法简介 |
| 1.3.2 BP神经网络算法的优缺点 |
| 1.3.3 BP神经网络算法的改进 |
| 1.4 GA-BP算法 |
| 1.4.1 GA-BP算法简介 |
| 1.4.2 GA-BP算法流程 |
| 1.5 本文的主要内容和创新点 |
| 1.6 本文的结构安排 |
| 第二章 GA-BP算法的适应度地形分析 |
| 2.1 引言 |
| 2.2 适应度地形 |
| 2.3 GA-BP算法的模型 |
| 2.4 GA-BP算法的适应度地形 |
| 2.4.1 适应度地形分析的引入 |
| 2.4.2 简化后的GA-BP算法适应度地形 |
| 2.4.3 真实的GA-BP算法适应度地形 |
| 2.5 本章小结 |
| 第三章 改进算法 |
| 3.1 引言 |
| 3.2 对遗传算法的改进 |
| 3.3 对BP神经网络的改进 |
| 3.4 改进GA-BP算法 |
| 3.5 本章小结 |
| 第四章 实验验证 |
| 4.1 引言 |
| 4.2 测试函数 |
| 4.3 实验数据 |
| 4.4 实验设置 |
| 4.4.1 计算机配置 |
| 4.4.2 参数设置 |
| 4.5 实验结果和分析 |
| 4.5.1 多峰函数实验结果分析 |
| 4.5.2 碗状函数实验结果分析 |
| 4.5.3 山谷状函数实验结果分析 |
| 4.5.4 山脊状函数实验结果分析 |
| 4.5.5 其他类型函数实验结果分析 |
| 4.6 本章小结 |
| 第五章 神经元数量对算法稳定性的影响分析 |
| 5.1 引言 |
| 5.2 神经元数量的选取 |
| 5.3 实验结果和分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（6）机器学习在比例边界有限元法中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 比例边界有限元法相关研究进展 |
| 1.3 机器学习国内外研究现状 |
| 1.3.1 相关研究进展 |
| 1.3.2 机器学习算法 |
| 1.4 本文研究的主要内容 |
| 2 比例边界有限元(SBFEM)的理论基础 |
| 2.1 比例边界有限元基本概念 |
| 2.2 S域及其标度运算 |
| 2.3 S元及其边界离散化 |
| 2.4 比例边界坐标系中的几何性质 |
| 2.5 本章小结 |
| 3 基于深度学习的SBFEM弹性结构计算 |
| 3.1 基于SBFEM求解刚度矩阵的理论基础 |
| 3.2 平面静力问题下刚度矩阵预测 |
| 3.2.1 训练数据 |
| 3.2.2 神经网络训练阶段 |
| 3.2.3 神经网络验证阶段 |
| 3.3 仿真计算分析 |
| 3.4 本章小结 |
| 4 基于GA-BP神经网络的SBFEM弹塑性结构计算 |
| 4.1 遗传算法 |
| 4.2 基于SBFEM的弹塑性分析 |
| 4.3 基于GA-BP神经网络切线刚度矩阵预测 |
| 4.4 仿真计算分析 |
| 4.5 本章小结 |
| 5 基于PSO-BP神经网络的SBFEM弹塑性加卸载模拟 |
| 5.1 粒子群算法优化 |
| 5.2 基于PSO-BP神经网络弹塑性材料加卸载过程模拟 |
| 5.2.1 各向同性硬化模型分析 |
| 5.2.2 随动硬化模型分析 |
| 5.2.3 混合硬化模型分析 |
| 5.3 仿真计算分析 |
| 5.4 基于弹塑性加卸载过程模拟的软件设计 |
| 5.4.1 图形用户界面 |
| 5.4.2 训练数据获取的GUI设计 |
| 5.4.3 训练神经网络的GUI设计 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）基于GA-BP的闸阀模糊可靠性分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 结构可靠度计算方法以及研究现状 |
| 1.3 模糊-随机理论在可靠度计算中的应用 |
| 1.4 遗传算法融合神经网络研究现状 |
| 1.5 论文主要研究内容 |
| 1.6 论文主要技术路线 |
| 第2章 闸阀热固耦合分析以及试验设计表的生成 |
| 2.1 楔式闸阀的结构和工作原理 |
| 2.2 参数化建模 |
| 2.3 应力分析模型 |
| 2.4 闸阀温度场分析 |
| 2.5 闸阀热固耦合分析 |
| 2.6 试验设计表 |
| 2.7 本章小结 |
| 第3章 基于GA-BP神经网络的闸阀最大应力预测建模 |
| 3.1 神经网络模型理论基础 |
| 3.2 基于BP神经网络的阀门最大应力预测模型 |
| 3.2.1 网络结构构建以及据归一化处理 |
| 3.2.2 BP神经网络学习方法 |
| 3.2.3 神经网络模型初始权值阈值的确定 |
| 3.2.4 训练集合以及测试集合的选取 |
| 3.2.5 BP神经网络模型结果分析 |
| 3.3 GA-BP模型在阀门最大应力预测中的应用 |
| 3.3.1 染色体编码方式 |
| 3.3.2 随机初始化种群以及适应度函数的定义 |
| 3.3.3 选择操作 |
| 3.3.4 交叉操作 |
| 3.3.5 变异操作 |
| 3.3.6 优胜劣汰以及结果分析 |
| 3.4 本章小结 |
| 第4章 基于GA-BP的闸阀模糊可靠度计算 |
| 4.1 闸阀可靠度基本概念 |
| 4.1.1 闸阀结构的强度极限状态 |
| 4.1.2 闸阀在设计工况时的可靠度和失效概率 |
| 4.2 传统结构可靠度计算方法 |
| 4.2.1 中心点法 |
| 4.2.2 验算点法 |
| 4.2.3 Monte Carlo模拟 |
| 4.3 与神经网络模型相结合的结构可靠度计算 |
| 4.4 模糊可靠度理论 |
| 4.4.1 基本概念 |
| 4.4.2 隶属函数的确定 |
| 4.4.3 模糊可靠度计算步骤 |
| 4.5 蒙特卡洛法结合神经网络的闸阀模糊可靠度计算 |
| 4.6 本章小结 |
| 结论与展望 |
| 1 本文主要工作及成果 |
| 2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（8）基于BP神经网络的激光选区熔化成形件表面粗糙度优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 激光选区熔化成形工艺优化现状 |
| 1.2.2 神经网络在各类领域的优化应用 |
| 1.3 本文主要研究内容及创新点 |
| 第2章 实验方法与设备 |
| 2.1 激光选区熔化技术成形原理及设备 |
| 2.2 实验方法与材料 |
| 2.3 成形件表面粗糙度测量原理与方法 |
| 2.3.1 测量原理 |
| 2.3.2 测量方法 |
| 2.4 本章小节 |
| 第3章 表面粗糙度预测模型的建立 |
| 3.1 MATLAB软件概述 |
| 3.2 人工神经网络概述 |
| 3.2.1 人工神经元模型 |
| 3.2.2 人工神经元的激励函数 |
| 3.2.3 人工神经网络的基本类型 |
| 3.2.4 反向传播神经网络的特点与优势 |
| 3.3 成形工艺参数的选择 |
| 3.4 样本数据的选取与处理 |
| 3.4.1 样本的选取 |
| 3.4.2 样本的归一化处理 |
| 3.5 激光选区熔化打印件表面粗糙度预测模型的建立 |
| 3.5.1 输入层和输出层的设计 |
| 3.5.2 隐含层的设计 |
| 3.5.3 各层激活函数的选择 |
| 3.5.4 训练算法的选择 |
| 3.5.5 BP神经网络中的性能函数 |
| 3.6 BP神经网络表面粗糙度预测模型的训练结果及分析 |
| 3.6.1 BP神经网络表面粗糙度预测模型的训练及分析 |
| 3.6.2 误差分析 |
| 3.7 本章小节 |
| 第4章 遗传算法优化粗糙度预测模型 |
| 4.1 遗传算法概述 |
| 4.1.1 遗传算法基本原理 |
| 4.1.2 遗传算法基本要素 |
| 4.1.3 遗传算法的控制参数 |
| 4.2 遗传算法优化BP神经网络模型 |
| 4.2.1 遗传算法优化表面粗糙度预测模型的流程 |
| 4.2.2 遗传算法优化网络控制参数的设置 |
| 4.3 GA-BP神经网络预测模型的结果与误差分析 |
| 4.3.1 遗传算法优化BP神经网络结果 |
| 4.3.2 GA-BP神经网络预测结果及误差分析 |
| 4.3.3 正交设计预测结果与分析 |
| 4.4 本章小结 |
| 第5章 激光选区熔化成形件表面粗糙度的优化 |
| 5.1 遗传算法控制参数的设置 |
| 5.2 遗传算法寻优结果与分析 |
| 5.2.1 寻优结果 |
| 5.2.2 结果分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要研究成果 |
（9）基于RBF神经网络的短时交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 短时交通流预测研究现状 |
| 1.2.2 基于神经网络的短时交通流预测研究现状 |
| 1.3 研究内容 |
| 1.4 结构安排 |
| 1.5 本章小结 |
| 第2章 交通流特性分析及数据预处理 |
| 2.1 引言 |
| 2.2 交通流预测相关参数 |
| 2.3 交通数据来源 |
| 2.4 交通流特性分析 |
| 2.4.1 交通流的趋势变化 |
| 2.4.2 交通流周期性 |
| 2.4.3 交通流随机性 |
| 2.5 交通流数据预处理 |
| 2.5.1 交通流数据修复 |
| 2.5.2 交通流数据降噪 |
| 2.5.3 交通流数据归一化操作处理 |
| 2.6 本章小结 |
| 第3章 基于RBF神经网络的短时交通流预测 |
| 3.1 引言 |
| 3.2 RBF神经网络概述 |
| 3.3 基于RBF神经网络的短时交通流预测 |
| 3.3.1 RBF神经网络参数训练 |
| 3.3.2 RBF神经网络的交通流预测 |
| 3.4 实验与结果分析 |
| 3.4.1 实验设计 |
| 3.4.2 结果分析 |
| 3.4.3 模型评价 |
| 3.5 本章小结 |
| 第4章 基于IFA-RBF的短时交通流预测 |
| 4.1 引言 |
| 4.2 萤火虫算法概述 |
| 4.2.1 萤火虫算法原理 |
| 4.2.2 萤火虫算法的数学描述 |
| 4.3 改进的萤火虫算法 |
| 4.4 基于IFA-RBF的短时交通流预测 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设计 |
| 4.5.2 结果分析 |
| 4.5.3 模型评价 |
| 4.6 本章小结 |
| 第5章 基于FCM-IFA-RBF的短时交通流预测 |
| 5.1 引言 |
| 5.2 FCM聚类算法相关理论 |
| 5.2.1 FCM原理简介 |
| 5.2.2 FCM算法流程 |
| 5.2.3 FCM聚类算法优化 |
| 5.3 基于FCM-IFA-RBF的短时交通流预测模型建立 |
| 5.3.1 FCM-IFA-RBF预测模型构建思路 |
| 5.3.2 基于FCM的交通流模式划分 |
| 5.3.3 FCM-IFA-RBF模型的组合预测 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设计 |
| 5.4.2 结果分析 |
| 5.4.3 模型评价 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读硕士学位期间参与项目和发表学术论文 |
（10）基于改进遗传模拟退火优化BP算法的接地故障选线方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 配电网接地故障选线研究现状 |
| 1.2.1 基于稳态特征的方法 |
| 1.2.2 基于暂态特征的方法 |
| 1.2.3 基于注入信号的方法 |
| 1.2.4 基于多判据融合的方法 |
| 1.3 本文主要工作内容 |
| 第二章 小电流接地系统故障特征分析 |
| 2.1 中性点不接地系统 |
| 2.1.1 稳态分析 |
| 2.1.2 暂态分析 |
| 2.1.3 谐波分析 |
| 2.2 中性点经消弧线圈接地系统 |
| 2.2.1 稳态分析 |
| 2.2.2 暂态分析 |
| 2.2.3 谐波分析 |
| 2.3 本章总结 |
| 第三章 基于BP神经网络的小电流接地故障选线方法研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络算法的结构 |
| 3.1.2 BP神经网络算法的运算原理 |
| 3.2 BP神经网络应用于故障选线的方法 |
| 3.2.1 训练样本集的数据采集与预处理 |
| 3.2.2 应用于接地故障选线的BP神经网络 |
| 3.3 BP神经网络不足与障碍 |
| 3.4 本章总结 |
| 第四章 基于改进遗传模拟退火算法的小电流接地故障选线方法 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法的原理 |
| 4.1.2 遗传算法的主要内容 |
| 4.1.3 遗传算法的优势与缺陷 |
| 4.2 模拟退火算法 |
| 4.2.1 模拟退火算法的原理 |
| 4.2.2 模拟退火算法的主要内容 |
| 4.2.3 模拟退火算法的优势与缺陷 |
| 4.3 基于IGSAA-BP的接地故障选线方法 |
| 4.3.1 遗传模拟退火算法 |
| 4.3.2 改进遗传模拟退火算法 |
| 4.3.3 IGSAA优化BP神经网络算法 |
| 4.3.4 基于IGSAA-BP神经网络的故障选线方法 |
| 4.4 本章小结 |
| 第五章 仿真与实验分析 |
| 5.1 接地系统仿真分析与数据采集 |
| 5.1.1 接地系统仿真模型 |
| 5.1.2 接地系统仿真波形与分析 |
| 5.1.3 数据采集与预处理 |
| 5.2 IGSAA-BP神经网络的设计、训练和测试 |
| 5.2.1 网络的设计 |
| 5.2.2 网络优化、训练与测试 |
| 5.2.3 网络适应性验证 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
四、遗传算法和人工神经网络在ITS中的应用（论文参考文献）
- [1]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]基于深度学习的相位调控型超构表面器件设计[D]. 徐东. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [4]基于卷积神经网络的储层内夹层识别算法研究与应用[D]. 郑泽晨. 西安石油大学, 2021(10)
- [5]基于种群竞争机制和适应度地形的神经网络算法研究[D]. 杨靖. 西北农林科技大学, 2021(01)
- [6]机器学习在比例边界有限元法中的应用研究[D]. 赵得宪. 大连理工大学, 2021(01)
- [7]基于GA-BP的闸阀模糊可靠性分析研究[D]. 司旭彤. 兰州理工大学, 2021(01)
- [8]基于BP神经网络的激光选区熔化成形件表面粗糙度优化研究[D]. 罗椿旺. 厦门理工学院, 2021(06)
- [9]基于RBF神经网络的短时交通流预测研究[D]. 张敏. 兰州理工大学, 2021(01)
- [10]基于改进遗传模拟退火优化BP算法的接地故障选线方法[D]. 宋悦阳. 广西大学, 2020(07)