一、一种新的全局优化前馈神经网络（论文文献综述）
康俊杰[1]（2021）在《电站锅炉燃烧和SCR脱硝系统一体化建模与优化控制研究》文中认为随着我国能源结构的变化,为了接纳更多的新能源并提高电网调峰调频的灵活性,燃煤火力发电机组将更多运行在低负荷、变负荷工况,造成机组性能及控制方式发生重大变化。深入分析燃煤火电机组在全局工况下的运行特性,研发新型优化控制策略,挖掘机组节能潜力,实现宽负荷范围下的安全稳定、节能环保运行,已成为新形势下火力发电主动适应角色转换,提升市场竞争力的重要举措。锅炉的燃烧优化涉及安全性、经济性和环保性三个方面,目前的研究集中单一方面,缺乏对这三个方面的综合考虑。本论文首先从安全性方面考虑了结渣状态对锅炉燃烧传热模型的影响,在此基础上设计了在线辨识系统,对结渣率进行辨识;进而利用DCS系统中的大数据信息建立了锅炉燃烧过程和SCR脱硝系统深度学习神经网络的预测模型,并在此基础上提出了喷氨量精准控制策略,避免了 SCR系统喷氨量和NOx排放不匹配的问题,保证了其环保性;最后,根据现场运行的实际需求,将理论与实际工程相结合,将离线优化与在线寻优相结合,实现了在线实时锅炉优化,提高了锅炉燃烧的经济性。论文的主要研究内容如下:1.针对复杂燃烧过程的结渣问题,建立了结渣状态的锅炉燃烧传热理论模型。基于特征模型和自适应黄金分割方法,设计了受热面结渣情况的辨识系统,将在线辨识与基于CFD的锅炉燃烧传热仿真模块相结合,为无法实时用设备测量的燃烧过程的结渣情况,提供了一种新的控制策略;为合理调整锅炉运行参数,帮助运行人员及时了解燃烧的安全状态,防止由结渣情况引发的事故提供了一种辨识手段。2.构建了一个基于混合LSTM和CNN神经网络的燃煤锅炉NOx排放预测的动态模型。利用小波变换（WT）的信号处理技术,将原始燃烧数据样本分解为一个平滑近似分量和一系列的细节分量。利用LSTM深度网络建立了近似分量的动态模型,预测NOx排放的整体趋势;同时,利用3个CNN神经网络对多个细节分量分别进行动态建模,预测NOx排放的特征信息。最后,将两个预测模型融合,得到最终的NOx排放模型。仿真结果表明,该方法能够实现准确稳定的建模和良好的预测性能。与典型的建模方法相比,该模型具有更好的通用性和可重复性。3.为了充分利用历史信息和未来信息,综合考虑输入变量对输出的影响,利用动态联合互信息（DJMI）估计了每个输入变量的延迟时间。采用双向长短时记忆（Bi-LSTM）深度学习算法对燃煤锅炉SCR系统出口 NOx排放进行预测,提高了预测精度,并建立了预测未来3min的t+3时刻的NOx模型。仿真结果表明该预测模型比当前时刻的波形有明显的提前,提前时间完全满足现场实际喷氨控制的要求。利用该模型可以及时调整喷氨量,对降低污染物排放、降低燃煤机组成本具有指导意义。4.通过SCR入口 NOx排放将锅炉燃烧模型和SCR系统模型整合起来,形成预测SCR出口NOx排放的一体化动态模型,并将其作为智能预测前馈信号构建智能前馈控制系统对SCR喷氨量进行精准控制。仿真结果表明,提出的一体化智能前馈预测控制方法控制效果好,喷氨控制平稳,能够满足具有大惯性、大延迟特性工业对象的控制需求。5.提出了一种基于灰色关联理论的案例推理（GR-CBR）锅炉燃烧在线优化方法。采用全局优化算法离线建立了优化案例库,结合主、客观因素利用遗传算法优化案例推理特征权重,提高了检索精度,并能从庞大的案例库中检索出与目标案例相匹配的案例。在保证机组稳定燃烧的同时,兼顾锅炉燃烧效率和NOx排放浓度,合理给出二、三次风门挡板开度指令及氧量定值,实现锅炉稳定经济燃烧。系统整体运用到某350MW燃煤发电机组,简化了优化计算的过程,寻优时间短,稳定性高,适合在线实时寻优。
刘浪[2]（2021）在《深度时空注意力网络的视频修复技术研究》文中认为视频修复的目标是利用视频中未破损区域信息来修复视频的破损区域（孔区域）。视频修复（也称为视频合成）有许多现实世界的应用,例如电影后期处理、不需要的对象移除和老电影翻新,同时,视频修复可以与增强现实（AR）结合使用,提供更好的视觉体验。现有的视频修复方法通常会产生纹理模糊、结构扭曲的内容以及伪影,而将基于图像的修复模型直接应用于视频修复会导致时间上的不一致。为了取得更好的视频修复结果,提出一种的新的视频修复算法以及损失函数。具体的研究成果包括以下几个部分:（1）本文从时间角度出发,提出了一种新的用于视频修复的连贯语义时空注意力（Coherent Semantic Spatial-Temporal Attention,CSSTA）网络,通过注意力层,使模型关注于目标帧被遮挡而相邻帧可见的信息,以获取可见的内容来填充目标帧的孔区域（hole region）。CSSTA层不仅可以对孔特征之间的语义相关性进行建模,还能对远距离信息和孔区域之间的远程关联进行建模。（2）提出一种新的损失函数:特征损失,合成语义连贯的破损区域。训练一个以真值图像作为输入,输出等于真值图像的卷积自编码器网络,利用自编码器网络提取特征,然后计算其与视频修复网络解码器高级语义特征之间的距离。在You Tube-VOS和DAVIS数据集上对上述方法进行实验,结果表明,本文的方法几乎实时运行,并在修复结果、峰值信噪比（PSNR）和结构相似度（SSIM）等方面均优于3种代表性视频修复方法。
袁群勇[3]（2020）在《深度神经网络的训练优化方法研究》文中指出目前,深度学习方法已经广泛地应用于人类的社会生产和生活的各个方面,例如,物体识别、语音识别、自然语言处理以及无人驾驶等许多方面,大幅度地提升了人类社会的生产和生活的智能化水平。然而,深度神经网络的训练优化仍然被认为是比较困难的事情,需要大量的经验和技巧。深度神经网络的训练优化作为深度学习的基础理论的重要部分,对深度学习应用具有基础性的支撑作用。目前神经网络的初始化方法大多数是与网络深度无关、深度神经网络的权值空间中存在的对称性给神经网络训练带来了不利影响、Adam算法存在收敛性和泛化性问题、对深度经网络损失曲面的了解还很有限。因此本论文围绕着如何高效率地训练深度神经网络,重点研究解决这些问题的方法。本论文的主要贡献包括以下几个方面:（1）提出了基于权值缩放不变的归一化方法。神经深度网络的权值空间中的对称性对神经网络训练有不利影响,研究者提出了多种方法解决该问题,但计算开销都比较大。本论文根据Relu网络本身的权值缩放不变性,提出了基于权值缩放不变的归一化来解决该问题,即在训练过程中通过执行逐点权值缩放变换来对神经网络的权值进行调整,包括激活向前传播时的层内调整和梯度向后传播时的层间调整的两个阶段。大量的实验结果表明该归一化方法在各种数据集上能一致地提高各种神经网络结构的性能。（2）设计了修正的正交初始化方法。目前还没有关于深度卷积残差网络初始化时的信号传播和动力等距等问题的研究。本论文运用平均场理论、随机矩阵和自由概率等理论工具推导了深度卷积残差网络初始化时其特征图中激活的协方差矩阵的递推公式,发现该递推公式没有非0固定点;给出了深度卷积残差网络输出对输入Jacobian矩阵特征值密度分布的精确计算方法。渐近分析表明,深度卷积残差网络初始时要实现动力等距的必要条件为初始化必须与残差分支总数相关。基于这些理论分析和借鉴卷积的δ正交初始化,本论文设计了一种适用于深度卷积残差网络、与残差分支总数相关的初始化。通过大量实验验证了该初始化方法是有效的。（3）提出了具有动态动量和基础学习率的自适应梯度方法。最新研究发现Adam算法存在收敛性问题和泛化能力不如SGDM算法的问题。本论文分析了Adam类型算法中的基础学习率、动量系数和自适应学习率系数对于其动力学的复杂影响,借鉴Ada Bound的设计思想,设计了一种具有动态动量和基础学习率的自适应梯度方法。首次把训练过程中连续迭代梯度间的方向余弦距离和梯度的范数整合到Adam类型算法中用于调整这些系数,在训练后期控制这些系数光滑地切换到SGDM算法,从而提高了泛化能力。设计的算法同时具有Adam类型算法快速收敛性和SGDM算法泛化能力好等优点。通过多种机器学习任务的实验,验证了提出的方法性能超越Adam、Amsgrad和Ada Bound等算法。（4）设计了单调的策略优化算法。将深度神经网络等非线性逼近函数应用于强化学习所遇到的关键问题是,现有的许多强化学习的策略优化算法产生策略更新无法确保策略性能的单调提升,甚至出现严重退化。因此,本论文提出了一个新的关于策略改进的下界,即对状态空间上的策略发散度按平均的方式,而不是按最大的方式进行惩罚。直接对策略改进的下界进行优化非常困难,需要很高的计算开销。因此,本论文根据信任域策略优化的设计思想和利用广义优势函数估计对优势函数进行估计,基于新提出的策略改进下界,设计了一种单调策略优化算法,可以保证产生一系列单调的策略改进。大量实验验证了该策略优化算法的有效性。（5）进行了深度神经网络损失曲面实验探索。本论文对深度神经网络损失曲面进行了实验调查,包括:自适应优化算法的轨迹,轨迹处的损失函数Hessian矩阵和损失曲面的曲率,发现各种自适应优化算法的梯度方向几乎与损失曲面的排3位大的特征向量对应的特征方向垂直,而SGD算法的梯度方向却没有表现出这样的规律;沿Adan算法轨迹处的损失曲面Hessian矩阵几乎都是退化的,这说明很多理论研究中假设深度神经网络损失曲面Hessian矩阵非奇异是不合理的。（6）提出了基于权值缩放的神经网络集成方法。将集成的方法引入深度神经网络需要解决的关键问题是降低得到单个网络模型的训练开销,本论文利用局部极小值附近点对应网络模型间的多样性,基于Relu神经元的缩放不变性提出了一种新的深度神经网络集成方法,能以训练一个网络模型到收敛的计算开销可得到多个精确度和多样性都比较好的网络模型。大量实验结表明,在相同计算开销下,大多数情况本论文的SBE方法比目前流行的深度神经网络集成方法,如快照集成、快速几何集成等方法的性能要好。
任伟杰[4]（2020）在《多元时间序列的特征分析与建模研究》文中提出多元时间序列广泛存在于实际复杂系统中,多个变量之间存在着复杂的耦合关系。挖掘出时间序列数据中蕴含的有用信息,对实际复杂系统的分析与建模具有重要意义。本文以复杂系统产生的多元时间序列为研究对象,针对多元时间序列的特征选择、因果关系分析和特征提取问题展开研究,为模型构建合适的输入特征,最终提升模型的精度和计算效率。本文的研究内容包括以下三个方面:（1）针对多元时间序列的特征选择问题,提出全局互信息特征选择方法。该方法将互信息特征选择转化为全局优化问题,应用全局搜索策略进行求解,提出基于单目标和多目标优化的全局互信息特征选择算法,然后根据结合过滤式和封装式的混合特征选择框架确定最优特征子集,为特征选择问题提供一种新的求解思路。此外,针对多变量混沌系统,提出基于联合互信息的非均匀状态空间重构方法。该方法将非均匀嵌入与特征选择相结合,首先推导出低维近似的联合互信息准则,选择状态空间的延迟变量,然后采用条件熵准则确定嵌入维数,具有较高的计算精度和效率。重构的状态空间不仅能够恢复原系统的动力学特性,而且可以有效去除冗余信息。（2）针对多元时间序列的因果关系分析问题,提出基于Hilbert-Schmidt独立性准则（Hilbert-Schmidt independence criterion,HSIC）-Lasso 的非线性 Granger 因果分析模型。由于传统Granger因果模型仅限于分析二元时间序列的线性因果关系,本文将其扩展至分析多元时间序列的非线性因果关系。该方法首先对原始时间序列进行平稳性检验和状态空间重构,然后将输入和输出样本映射到再生核Hilbert空间中,并建立HSIC-Lasso回归模型,最后根据显着性检验结果确定Granger因果关系。本文方法不仅能够获得准确的非线性因果关系,而且可以同时进行多个输入对输出的因果关系分析,具有较高的计算效率,适合解决高维系统的因果分析问题。（3）针对时间序列的特征提取问题,提出一种混合特征提取方法。该方法首先根据不同类型的特征提取方法分别提取特征,全面描述时间序列的复杂特性,然后设计基于类可分离性的特征选择算法,为分类模型选择最优特征子集。此外,针对单个极限学习机分类结果不稳定的问题,提出基于线性判别分析的集成极限学习机模型。该模型从数据样本扰动、输入属性扰动和算法参数扰动三方面提升基学习器的多样性,从而提高分类器的泛化性能和结果的稳定性。本文提出的混合特征提取与集成分类器相结合的方法具有很高的分类精度,在医学信号特征提取和分类中具有广阔前景。
何林[5]（2020）在《基于人工神经网络的SiGe HBT高频噪声模型》文中进行了进一步梳理异质结双极晶体管（Heterojunction Bipolar Transisitor,HBT）因其优良的高频性能及其与硅基CMOS工艺兼容的优点,使之成为毫米波频段下现代和下一代无线通信系统实现的首选方案。实现基于HBT的高频电路的设计和优化的关键在于,使用有效且准确的HBT模型仿真模拟电路的各种性能。目前微波与毫米波电路仿真设计软件普遍采用的有源器件小信号等效电路模型的精度,受限于建模测量数据的测试频率范围和被测器件的偏置条件。HBT高频小信号等效电路模型的频率内插和偏置点外延的仿真能力均存在不足。并且随着工作频率的升高,HBT的小信号等效电路模型的复杂度也随之提升,从而增加了等效电路模型参数精确提取的难度,会使微波与毫米波HBT电路的研制成本提高和研制周期加长。本论文利用人工神经网络（Artificial neural network,ANN）在有源器件建模方面的有效性、准确性和简便性,针对毫米波频段下SiGe HBT高频噪声的ANN建模问题,开展了以下三个方面的应用研究工作。首先,考虑到有源器件ANN建模的核心是通过训练某种类型或结构下的ANN模型神经元参数,使其具有表征器件的工作条件与性能指标参数之间非线性关系的能力。鉴于ANN建模技术具有很强的泛化能力,不同的有源器件可能适用相似的ANN类型或拓扑机构及相同的优化训练算法,因此不同有源器件ANN建模的关键在于选取准确、可靠的训练数据和测试样本。为此,本文研究了SiGe HBT高频小信号等效电路模型参数的直接提取方法。其中,在等效电路充分表征HBT非准静态效应的基础上,通过数学分析等效电路导纳（Y）和阻抗参数（Z）模型的泰勒展开式,实现等效电路参数的精确提取,从而为训练本文所建的散射（S）参数ANN模型提供准确的宽频带S参数仿真数据奠定了基础。同时,针对SiGe HBT高频散粒噪声模型中Transport与SPICE模型精度不高的问题,本文给出了一种能够有效覆盖所有偏置条件的散粒噪声半经验统一模型,从而为验证本文所建的基于知识的四噪声参数ANN模型表征器件噪声偏置特性的精度提供了测试样本。其次,参考射频与微波器件ANN建模的经验,利用ANN建模的泛化能力,本文选取多层感知机的神经网络结构,采用遗传算法（GA）+Levenberg-Marquardt反向传播（Back Propagation,L-M BP）算法作为优化训练算法,建立了SiGe HBT的S参数ANN模型。其中,通过引入具有全局优化能力的GA算法,解决了BP神经网络L-M算法训练收敛速度慢且易限于局部极值的问题。经测试验证,证明了所建的S参数ANN模型在较宽的频带和偏置范围内,具有很好的内插能力。因此,采用所建的S参数ANN模型,能够易于连续获取任意偏置点和频率范围内的S参数数据,避免了复杂的S参数测量过程以及繁琐的等效电路参数提取过程。利用所建的S参数ANN模型生成的高精度仿真数据作为一种先验知识,为提高四噪声参数ANN建模的精度提供了保障。最后,本文建立了一种基于知识的四噪声参数ANN模型。模型类型为多层感知机,训练算法GA+L-M BP。建立该模型的目的是为了在较宽的频带和偏置范围内,能够快速、连续地表征SiGe HBT高频噪声的偏置和频率依赖性,从而能够避免HBT高频噪声分析和建模表征中对复杂的四噪声参数测量的海量要求,易于获任意偏置点和频率下的散粒噪声数据。为了验证所建的基于知识的四噪声参数ANN模型的预测精度,本文还给出了基于四噪声参数提取HBT二端口等效噪声模型噪声电流源功率谱密度的算法。实验结果表明,基于所建的基于知识的四噪声参数ANN模型的仿真提取结果与基于测量的半经验模型的仿真计算结果具有良好的一致性,验证了所建模型的有效性和精度。此外,通过与无知识的四噪声参数ANN模型相比,所建的基于知识的四噪声参数ANN模型在建模效率和建模精度上都具有明显的优势。
肖亮[6]（2019）在《基于可抛堆叠受限玻尔兹曼机的图像分类方法》文中研究指明图像分类是指根据一定的分类规则将图像自动分到一组预定义类别中的过程,它可以应用于许多领域,如人脸识别和医疗图像处理。传统的图像分类方法一般是使用人工设定的特征模式对图像进行特征提取,然后使用分类器对提取到的特征进行分类。然而对于具有复杂内容的图像,人工提取的特征难以符合实际需求,降低了分类的精度。相比传统基于特征的图像分类方法,深度学习可以实现自动提取特征,不需要人为干预,但是它提取的特征,没有对应的数学或物理含义,需要根据分类结果反复调整网络参数,以提取更合适的特征。深度置信网络是深度学习的分支,它有效的解决了特征有效性的问题,但是深度置信网络存在参数过多,导致优化算法优化困难,容易陷入局部最优。本文在总结研究深度学习图像分类方法的基础上,对运用深度置信网络模型解决图像分类问题进行了深入研究,设计了一个新的基于深度置信网络的图像分类方法及其网络参数优化算法。针对以上问题,本文具体工作如下:（1）提出可抛式堆叠受限玻尔兹曼机和分类网络构成的图像分类网络结构。本文使用堆叠受限玻尔兹曼机构成深度置信网络,该网络的目的是从图像中提取合适的特征,并且该网络可以验证提取特征的正确性。当特征提取完成后,堆叠受限玻尔兹曼机停止运行。特征被送到分类器完成分类任务。该网络可以避免同时调整特征提取网络和分类网络的参数,极大的减少了调整参数的困难。（2）提出了一种全局-局部的改进演化-梯度下降算法,该算法结合了演化算法和梯度下降方法的优点。将改进演化-梯度下降算法作为分类网络的训练算法,用于优化分类网络的参数。在改进演化-梯度下降算法中,首先使用梯度下降算法优化分类网络,当梯度下降算法陷入停滞时,梯度下降算法停止运行,改进的演化算法在梯度下降算法优化的基础上继续优化分类网络中的softmax分类器。该方法使用2种不同原理的优化方法,有效的减少了优化算法陷入局部最优的概率。（3）本文利用mnist手写数字图像数据集和葡萄酒数据集对该网络及优化算法进行了验证。实验结果表明,与其它图像分类方法相比,本文提出的分类方法具有更好的分类精度和抗过拟合能力。
《中国公路学报》编辑部[7]（2017）在《中国汽车工程学术研究综述·2017》文中认为为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度（Noise,Vibration,Harshness,NVH）控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统（ADAS）、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
吴擎[8]（2013）在《基于模式搜索的类电磁机制算法研究与应用》文中提出科学研究与工程应用中的很多问题都可归结为全局优化问题,这类问题的目标函数通常表现为高维、非凸、不可微、存在大量局部最优等特点,传统的优化方法如弦截法、最速下降法等对它们无法有效求解,或者需要较长的计算时间。近年来所发展起来的元启发式方法,如遗传算法、粒子群优化算法等,能在合理的时间内求得问题的近优解甚至最优解,从而得到了极大的关注与发展。本文的主要目的是深入研究一种新型的元启发式算法——类电磁机制（Electromagnetism-like Mechanism, EM）算法,探索该算法在不同优化问题中的高效求解方法。首先,本文针对原EM算法的缺点,进行了相应的改进,并引进一种模式搜索算法与其结合,提出基于模式搜索的类电磁机制算法（PSEM算法）,作为后续优化问题的基础算法。然后,根据提出的PSEM算法,分别针对多目标优化问题、神经网络训练问题以及带约束优化问题等开展了详细研究,在理论和应用方面取得了一些成果。最后,设计了基于以上理论研究的原型系统用于求解优化问题。本文的主要研究工作和创新之处具体体现在：针对无约束优化问题,简化了EM算法中合力的计算过程,采用一种简单的合力计算公式,提高了EM算法整体的求解效率；结合EM算法与一种变步长模式搜索策略,改善了原算法的局部搜索能力;在种群中增加了一个扰动点,提升了算法的全局搜索能力。数值试验结果表明,基于模式搜索的改进EM算法,比原EM算法具有更高的求解精度。针对多目标优化问题,PSEM算法做出如下改进：在算法中引入非支配解集；提出相应的电量计算公式与合力计算方法；引进NSGA-II中的快速非支配解排序方法和精英保留策略,并对其进行改进以提高种群的分散性,避免收敛提前；在移动过程中,针对越界情况,将该值直接设定为边界值。针对做出改进后的多目标EM算法,选用19个测试函数对其进行测试,做出了算法求解的非支配解集的图示,与已知Pareto最优解边界进行了对比。结果表明,改进的多目标EM算法在获得非支配解集过程中具有较好的收敛性与分散性。针对神经网络训练问题,提出了基于EM的神经网络训练算法,有效的改善了传统训练算法收敛缓慢、易陷入局部最优等缺陷,并将该算法应用于旅游需求预测问题。对于不同的问题,将神经网络分别与计量经济学方法、时间序列方法结合,设计了基于计量经济学和时间序列的神经网络预测模型,与其它方法比较,该类模型获得的结果具有更高的预测精度,验证了EM训练算法的有效性。针对约束优化问题,采用一种可行域与支配规则来处理约束,并改进EM算法的电量计算公式,提出了一种基于EM算法的约束处理方法,将EM算法由无约束优化领域推广到带约束优化领域。进一步,通过铣削加工参数优化问题验证了该算法的可行性和优越性,并且针对铣削加工参数优化问题存在的不能同时优化多个加工参数的缺点,提出了一种弹性的加工策略,实现了同时优化多个加工参数的目标。基于以上理论和实验研究成果,设计开发了一款基于EM算法的函数优化求解器mfcEM1.0,以推动EM算法的发展。详细介绍了该原型系统的各个功能模块以及系统的运行与实现,并通过一系列的函数优化实例验证了系统的可用性和有效性。最后,总结了全文所做的工作,并对未来的研究方向进行了展望。
张莉[9]（2012）在《几类神经网络的分析与优化及其应用研究》文中进行了进一步梳理人工神经网络是人工智能研究领域的重要分支之一，在控制、预测、优化、系统辨识、信号处理和模式识别等方面有广泛的应用。本文分析和研究了几类主要的神经网络模型：进化神经网络、Integrate-and-Fire神经网络以及细胞神经网络，并将其应用于函数逼近、模式识别、数据分类和图像处理。论文的主要研究工作可概括为以下几个方面：1．对无约束全局优化问题，分别将高斯变异和正交杂交用于差分进化算法的变异算子和杂交算子中，给出了一种插值局部搜索算子，提出了嵌入正交杂交和局部搜索的差分进化算法。对20个标准测试函数作了数值实验。与文献中其它差分进化算法的比较结果表明了算法的有效性。由预估-校正法确定前馈神经网络结构的情况下，将改进的差分进化算法和Levenberg-Marquardt （LM）算法相结合，提出了一种混合训练算法，优化前馈神经网络的权值和阈值。将该进化神经网络应用于函数逼近、模式分类和识别问题。2．对同时含有二进制变量和实数变量的非线性优化问题，采用二进制和实数混合编码，在差分进化变异算子中引入异或逻辑运算处理二进制变量，将正交杂交引入到杂交算子中，提出了一种协同二进制—实数差分进化算法。对该算法作了大量的数值测试，并与文献中已有的进化算法作了比较，结果表明了该算法性能优良。将改进的协同二进制—实数差分进化算法和尺度化共轭梯度反向传播算法相结合，构成两阶段训练算法，同时优化前馈神经网络的结构和权值。将该进化神经网络应用于函数逼近和模式分类问题。3．对含有二进制变量和整数变量的非线性离散优化问题，采用二进制和整数混合编码，分别将异或逻辑运算和正交杂交引入到离散差分进化算法的变异算子和杂交算子中，提出了一种协同二进制—整数差分进化算法，对该算法作了大量的数值测试，并与文献中已有算法作了比较，结果表明了该算法的有效性。采用协同二进制—整数差分进化算法，同时进化前馈神经网络的结构和整数权值。将该进化神经网络应用于函数逼近和模式分类问题。4．针对Lapicque提出的Integrate-and-Fire（IF）模型，给出了一种新的侧抑制连接的IF网络模型，并讨论了其输入—输出关系。与以往的IF模型相比，此模型的活动方程被大大简化了。其运行结果很好地拟合了神经细胞的生理特性，尤其是该模型较好地匹配了突触连接的非线性特性。对其点火机制进行了改进，采用异步点火法，这使得网络的适应性有了很大的提高。讨论了指数衰减阈值对高斯白噪声刺激下的IF神经元的影响，主要研究了对点火脉冲时间间隔的均值和标准差的影响。结果显示当阈值衰减缓慢时，不论神经元的点火频率何时与衰减频率相当，脉冲时间间隔的变化系数都能达到最小值。通过改变噪声强度或者输入电流而改变点火频率也可以产生同样的影响。分析了在神经元点火后重新设置膜电位所引起的误差。5．提出了一种具有经典条件反射行为的认知模型，该模型以IF神经元为基本元素，互联形成具有反射弧结构的神经网络，能充分表现经典条件反射对时间的依赖性。计算机仿真显示IF模型能成功地模拟习得、遗忘、刺激间隔效应、阻止和二阶条件反射等现象。6.提出了一种具有暂态混沌的细胞神经网络，该网络是利用欧拉算法将模型的状态方程转化为离散形式，并引入一项负的自反馈而形成的。对单个神经元的仿真发现该模型具有分叉和混沌的特性。在函数优化中，该网络首先经过一个倍周期倒分叉过程进行混沌搜索，然后进行类似Hopfield网络的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性，因而具有较强的全局寻优的能力。用两个函数优化的例子验证了这种网络的有效性。
沈焱萍[10]（2021）在《基于群智能算法优化的入侵检测模型研究》文中研究表明网络入侵检测系统通过收集网络流量等信息对网络中的非法行为进行检测。作为网络攻击的积极主动检测手段,入侵检测一直是网络安全领域的重要研究内容。随着网络技术高速发展,网络攻击手段的复杂化,基于大规模网络流量准确识别网络攻击,降低系统误报一直是网络入侵检测系统的研究目标。传统的基于特征的检测方法需要大量领域先验知识,只能对已知攻击进行检测。机器学习方法可以从数据中自动寻找规律模式,逐渐应用于入侵检测之中。然而建立机器学习入侵检测模型面临各种问题,如对于某些模型的构建,个别参数的选取直接影响模型的准确率和泛化能力;特征优化是构建机器学习模型的重要步骤,合适的特征集合既能节约系统资源又能准确表示原始数据;集成学习是机器学习领域的重要研究内容,如何选取合适的基学习器,如何将基学习器有效地组合起来是集成学习面临的重要问题。本文采用群智能方法对机器学习模型进行优化,主要研究基于特征选择、参数优化、集成剪枝及多核学习等技术的入侵检测方案,具体如下:（1）针对特征选择和核极限学习机参数选取问题,提出一种基于粒子群优化算法的核极限学习机入侵检测模型。由于核极限学习机方法具有速度快,泛化性能好的特点,首先采用核极限学习机作为检测引擎,但核极限学习机算法的性能严格依赖于惩罚系数和核参数的选取。然后,选择粒子群优化算法参与核极限学习机的训练进行参数优化,同时采用二进制粒子群优化算法进行特征选择。其中,选用高斯函数作为核极限学习机的核函数。实验结果表明,与网格搜索方法和遗传算法相比,粒子群优化算法对核极限学习机的参数优化效率更高。同时,结果还表明选用约原有特征数目1/4的特征子集有着和原数据集相当甚至更好的检测结果。（2）针对集成框架子分类器选取问题,提出一种基于蝙蝠算法的集成剪枝入侵检测模型。首先,针对大数据时代数据量大,维数高的特点,采用基于随机子空间的投票极限学习机作为入侵检测分类器。投票极限学习机是基于极限学习机的投票集成算法,其性能取决于子分类器的个数,但子分类器的个数并不是越多越好。然后,采用蝙蝠算法选择合适的子分类器进行集成,对于蝙蝠算法的适应函数,采用准确率和子分类器差异度相结合的方式进行定义。基于随机子空间的集成方法不仅可以降低数据维度,还可以增加子分类器间的差异度。实验结果表明,基于随机子空间的投票极限学习机和单个极限学习机相比,算法的精度和鲁棒性得到了提高。研究结果还表明,基于蝙蝠算法的集成剪枝方案和应用所有子分类器相比,不仅可以实现类似或更好的性能,还节省了大量计算资源。（3）针对单个预定义核函数不能较好的表示异构信息问题,提出一种基于超启发算法的多核极限学习机入侵检测模型。首先,采用ReliefF进行特征选择,选用核极限学习机作为入侵检测算法。针对核极限学习机的核函数选取问题,采用高斯核的线性组合方式组成多核函数。寻找最优复合核函数即确定高斯核参数和核权重的过程,采用超启发算法对最优复合核函数进行寻优,包括粒子群优化算法,遗传算法,灰狼优化算法,蝙蝠算法和差分进化算法。超启发算法的适应函数通过独立于检测算法的核目标度量定义。实验结果表明,最优复合核函数可以通过上述提到的任一超启发算法确定。由于将基于过滤的特征选择方法与独立于分类器的多核学习方法相结合,与依赖于分类器的多核优化模型相比,所提模型在节省大量计算开销的同时,具有可比拟的检测性能。综上所述,本文研究的重点是根据现有机器学习模型面临的问题,提出基于群智能方法的入侵检测模型优化方案。实验结果表明,本文提出的入侵检测模型方案能够有效地提高检测性能,具有现实意义。
二、一种新的全局优化前馈神经网络（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、一种新的全局优化前馈神经网络（论文提纲范文）
（1）电站锅炉燃烧和SCR脱硝系统一体化建模与优化控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 锅炉燃烧建模研究现状 |
| 1.2.2 SCR脱硝系统建模研究现状 |
| 1.2.3 锅炉燃烧及SCR脱硝系统一体化建模及优化控制研究现状 |
| 1.3 论文研究内容 |
| 第2章 燃烧过程结渣状态理论建模与辨识 |
| 2.1 前言 |
| 2.2 基于CFD模型的燃烧传热理论 |
| 2.3 基于CFD模型的受结渣影响的燃烧传热模型 |
| 2.4 基于特征模型和自适应黄金分割的结渣率在线辨识 |
| 2.4.1 二阶非线性系统特征模型 |
| 2.4.2 特征模型参数辨识 |
| 2.4.3 黄金分割自适应控制 |
| 2.4.4 基于特征模型和自适应黄金分割的结渣率在线辨识 |
| 2.4.5 结渣率的辨识仿真 |
| 2.5 本章小结 |
| 第3章 炉膛出口NO_x深度神经网络建模 |
| 3.1 燃煤电站锅炉燃烧系统简介 |
| 3.2 WT、LSTM和CNN模型的理论方法 |
| 3.2.1 小波变换理论 |
| 3.2.2 LSTM理论 |
| 3.2.3 CNN理论 |
| 3.3 基于小波分解与动态混合深度学习的NO_x排放预测结构 |
| 3.4 数据选取 |
| 3.5 模型建立及结果分析对比 |
| 3.6 本章小结 |
| 第4章 SCR脱硝系统动态建模 |
| 4.1 SCR脱硝系统简介 |
| 4.1.1 SCR系统布置方式及简单分析 |
| 4.1.2 NO_x浓度检测滞后 |
| 4.1.3 SCR脱硝系统工作流程 |
| 4.2 BI-LSTM和动态联合互信息(DJMI)原理方法 |
| 4.2.1 Bi-LSTM结构 |
| 4.2.2 动态联合互信息(DJMI) |
| 4.3 变量选择和数据准备 |
| 4.4 SCR脱硝系统动态模型的建立 |
| 4.5 不同建模方法的比较分析 |
| 4.6 本章小结 |
| 第5章 锅炉燃烧与SCR脱硝一体化控制 |
| 5.1 SCR脱硝控制系统及其存在的问题 |
| 5.1.1 SCR脱硝控制系统 |
| 5.1.2 脱硝系统存在的问题 |
| 5.2 喷氨控制方法 |
| 5.2.1 单级PID控制方法 |
| 5.2.2 PID串级控制方法(出口NO_x定值控制) |
| 5.2.3 智能前馈控制方法 |
| 5.2.4 模型预测控制方法 |
| 5.2.5 分区控制方法 |
| 5.3 智能预测控制系统 |
| 5.4 本章小结 |
| 第6章 燃烧系统案例推理自适应寻优方法及应用 |
| 6.1 引言 |
| 6.2 离线建立燃烧优化案例库 |
| 6.3 基于灰色关联的案例推理方法 |
| 6.3.1 灰色关联的案例推理理论 |
| 6.3.2 采用遗传算法确定最优的权重分配 |
| 6.3.3 修正和案例重用 |
| 6.4 GR-CBR自适应优化设计 |
| 6.5 GR-CBR自适应寻优的具体应用 |
| 6.5.1 数据准备 |
| 6.5.2 仿真结果及对比 |
| 6.5.3 电厂实际投运效果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 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）深度时空注意力网络的视频修复技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像修复研究现状 |
| 1.2.2 视频修复研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 2 视频修复基础理论 |
| 2.1 修复基本理论 |
| 2.1.1 什么是修复 |
| 2.1.2 图像修复技术 |
| 2.1.3 视频修复 |
| 2.2 深度学习基本理论 |
| 2.2.1 卷积神经网络 |
| 2.2.2 门控卷积 |
| 2.2.3 生成对抗网络 |
| 2.3 评价指标 |
| 2.3.1 均方误差(MSE)和平均绝对误差(MAE) |
| 2.3.2 峰值信噪比(PSNR) |
| 2.3.3 结构相似性(SSMI) |
| 2.3.4 人类主观评价 |
| 2.4 本章小结 |
| 3 连贯语义时空注意力模型 |
| 3.1 视频修复概述 |
| 3.2 连贯语义时空注意力设计 |
| 3.2.1 帧间注意力 |
| 3.2.2 孔区域注意力 |
| 3.3 基于自编码器的特征损失设计 |
| 3.3.1 VGG损失函数 |
| 3.3.2 特征损失 |
| 3.4 谱归一化判别器 |
| 3.5 总体损失函数 |
| 3.6 视频修复网络结构 |
| 3.7 本章小结 |
| 4 基于时空注意力的视频修复实验 |
| 4.1 数据准备与评价指标 |
| 4.2 模型训练 |
| 4.2.1 IM2IM Net的实现与训练 |
| 4.2.2 视频修复网络实现与训练 |
| 4.3 实验分析 |
| 4.3.1 实验设置 |
| 4.3.2 定性比较 |
| 4.3.3 定量比较 |
| 4.3.4 CSSTA消融研究 |
| 4.3.5 Feature Loss消融研究 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（3）深度神经网络的训练优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究问题分解 |
| 1.3 本论文研究内容与主要贡献 |
| 1.4 本论文组织结构 |
| 第二章 深度神经网络优化问题概述 |
| 2.1 深度神经网络初始化方法研究现状 |
| 2.1.1 常用的神经网络初始化方法 |
| 2.1.2 最近几种新颖的神经网络初始化 |
| 2.1.3 深度随机神经网络信号传播 |
| 2.2 深度神经网络归一化研究现状 |
| 2.2.1 常用归一化方法 |
| 2.2.2 其它归一化技术 |
| 2.3 深度神经网络的训练优化算法研究现状 |
| 2.3.1 训练深度神经网络一阶优化算法 |
| 2.3.2 训练深度神经网络二阶优化算法 |
| 2.4 深度神经网络全局优化研究现状 |
| 2.4.1 深度神经网络损失曲面的关键点 |
| 2.4.2 深度神经网络损失曲面的几何性质 |
| 2.4.3 深度神经网络学习动力学 |
| 第三章 深度神经网络的归一化和初始化方法 |
| 3.1 深度神经网络归一化研究 |
| 3.1.1 深度神经网络权值空间的对称性 |
| 3.1.2 基于缩放不变的权值归一方法 |
| 3.1.3 实验结果 |
| 3.2 深度神经网络初始化研究 |
| 3.2.1 网络模型和理论工具 |
| 3.2.2 理论分析 |
| 3.2.3 修正的正交初始化 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 第四章 深度神经网络的自适应梯度优化方法 |
| 4.1 本章引言 |
| 4.2 预备知识 |
| 4.3 Adam类型优化算法的动力学分析与轨迹分析 |
| 4.3.1 Adam类型优化算法的动力学分析 |
| 4.3.2 Adam和 SGD的优化轨迹对比分析 |
| 4.4 具有动态动量和基础学习率的自适应梯度方法 |
| 4.4.1 算法的实现细节 |
| 4.4.2 算法收敛性分析 |
| 4.5 本章实验 |
| 4.5.1 参数设置 |
| 4.5.2 图像分类任务 |
| 4.5.3 语言建模任务 |
| 4.6 本章小结 |
| 第五章 单调策略优化算法 |
| 5.1 本章引言 |
| 5.2 相关工作 |
| 5.3 基础准备 |
| 5.4 单调的策略优化算法 |
| 5.4.1 策略改进的下界 |
| 5.4.2 单调的策略优化算法的提出 |
| 5.5 实验分析 |
| 5.5.1 仿真实验建立 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第六章 深度神经网络损失曲面的探索 |
| 6.1 本章引言 |
| 6.2 实验工具 |
| 6.2.1 插值法 |
| 6.2.2 特征值计算方法 |
| 6.2.3 模式连接 |
| 6.3 本章实验 |
| 6.3.1 实验的设置 |
| 6.3.2 各种优化算法的轨迹 |
| 6.3.3 各种优化算法轨迹处损失曲面的几何性质 |
| 6.3.4 等价局部极小点间的连通路径 |
| 6.4 本章小结 |
| 第七章 基于权值缩放不变的深度神经网络集成 |
| 7.1 本章引言 |
| 7.2 相关工作 |
| 7.2.1 个体网络模型生成方法 |
| 7.2.2 神经网络“隐式”集成方法 |
| 7.2.3 神经网络模型选择方法 |
| 7.3 神经网络集成方法与模型选择方法 |
| 7.3.1 集成学习基础与多样性度量 |
| 7.3.2 基于权值缩放不变的神经网络集成方法 |
| 7.3.3 模型选择方法 |
| 7.4 实验分析 |
| 7.4.1 实验设置 |
| 7.4.2 实验结果 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 今后工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 附件 |
（4）多元时间序列的特征分析与建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 多元时间序列相关性分析研究现状 |
| 1.2.2 多元时间序列因果关系分析研究现状 |
| 1.2.3 多元时间序列特征选择研究现状 |
| 1.2.4 现有研究工作存在的不足 |
| 1.3 本文研究内容与结构 |
| 2 基于互信息的多元时间序列特征选择方法 |
| 2.1 引言 |
| 2.2 互信息特征选择方法 |
| 2.2.1 互信息的定义和性质 |
| 2.2.2 基于互信息的评价准则 |
| 2.2.3 搜索策略 |
| 2.3 基于单目标和多目标优化的全局互信息特征选择方法 |
| 2.3.1 基于单目标优化的全局互信息特征选择算法 |
| 2.3.2 基于多目标优化的全局互信息特征选择算法 |
| 2.3.3 混合特征选择框架 |
| 2.3.4 时间复杂度分析 |
| 2.4 仿真实例 |
| 2.4.1 Friedman数据特征选择 |
| 2.4.2 大连市气象时间序列预测 |
| 2.5 本章小结 |
| 3 基于联合互信息的非均匀状态空间重构方法 |
| 3.1 引言 |
| 3.2 状态空间重构方法 |
| 3.2.1 均匀嵌入方法 |
| 3.2.2 非均匀嵌入方法 |
| 3.3 非均匀状态空间重构方法 |
| 3.3.1 互信息及其估计方法 |
| 3.3.2 联合互信息的低维近似 |
| 3.3.3 延迟变量的选择 |
| 3.3.4 嵌入维数的确定 |
| 3.3.5 时间复杂度分析 |
| 3.4 仿真实例 |
| 3.4.1 预测模型 |
| 3.4.2 Lorenz时间序列预测 |
| 3.4.3 Henon映射时间序列预测 |
| 3.4.4 气象时间序列预测 |
| 3.4.5 厄尔尼诺时间序列预测 |
| 3.5 本章小结 |
| 4 多元时间序列的非线性因果关系分析方法 |
| 4.1 引言 |
| 4.2 Granger因果关系分析方法 |
| 4.2.1 Granger因果模型 |
| 4.2.2 条件Granger因果模型 |
| 4.2.3 Lasso-Granger因果模型 |
| 4.3 多变量非线性Granger因果分析方法 |
| 4.3.1 Hilbert-Schmidt独立性准则 |
| 4.3.2 HSIC-Lasso回归模型 |
| 4.3.3 基于HSIC-Lasso的Granger因果分析模型 |
| 4.3.4 算法流程与计算复杂度分析 |
| 4.4 仿真实例 |
| 4.4.1 多变量标杆数据因果分析 |
| 4.4.2 空气质量指标与气象时间序列因果分析 |
| 4.5 本章小结 |
| 5 时间序列的特征提取与分类方法 |
| 5.1 引言 |
| 5.2 时间序列的混合特征提取方法 |
| 5.2.1 混合特征提取 |
| 5.2.2 基于类可分离性的特征选择算法 |
| 5.3 集成极限学习机模型 |
| 5.3.1 极限学习机模型 |
| 5.3.2 基于线性判别分析的集成极限学习机模型 |
| 5.4 仿真实例 |
| 5.4.1 数据描述 |
| 5.4.2 脑电时间序列特征提取 |
| 5.4.3 脑电时间序列分类 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（5）基于人工神经网络的SiGe HBT高频噪声模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 2 SiGe HBT高频小信号等效噪声电路建模 |
| 2.1 包含非准静态效应的等效电路建模 |
| 2.1.1 等效电路模型拓扑结构的确定 |
| 2.1.2 等效电路模型参数提取方法 |
| 2.1.3 等效电路模型参数提取过程 |
| 2.1.4 参数提取结果及验证 |
| 2.2 SiGe HBT高频噪声分类及模型分析 |
| 2.3 SiGe HBT散粒噪声半经验统一模型的建立及验证 |
| 2.4 本章小结 |
| 3 基于人工神经网络的散射参数模型 |
| 3.1 神经网络的分类 |
| 3.2 本文采用的神经网络及其学习算法 |
| 3.2.1 多层感知机 |
| 3.2.2 Levenberg-Marquardt算法 |
| 3.2.3 遗传算法 |
| 3.3 神经网络的训练 |
| 3.4 基于GA+BP神经网络优化的S参数建模 |
| 3.4.1 GA与 BP神经网络的结合 |
| 3.4.2 BP神经网络建模 |
| 3.4.3 遗传算法的优化过程 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 4 四噪声参数的ANN模型及应用 |
| 4.1 四噪声参数的工程应用价值 |
| 4.2 四噪声参数的ANN建模表征 |
| 4.3 基于知识的四噪声参数ANN建模 |
| 4.4 两种ANN模型的对比分析 |
| 4.5 所建ANN模型的应用验证 |
| 4.5.1 基于四噪声参数的散粒噪声提取 |
| 4.5.2 结果对比及分析 |
| 4.6 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
（6）基于可抛堆叠受限玻尔兹曼机的图像分类方法（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 |
| 1.3 主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 深度置信网络及优化算法 |
| 2.1 深度学习 |
| 2.1.1 人工神经网络 |
| 2.1.2 卷积神经网络 |
| 2.2 深度置信网络 |
| 2.3 梯度下降 |
| 2.4 演化策略 |
| 2.5 本章小结 |
| 第三章 基于可抛的深度置信网络图像分类 |
| 3.1 受限玻尔兹曼机 |
| 3.2 可抛堆叠受限玻尔兹曼机及分类网络 |
| 3.3 全局-局部的改进演化-梯度下降算法 |
| 3.4 总体流程 |
| 3.5 本章小结 |
| 第四章 实验方法及实验分析 |
| 4.1 数据集及参数设置方法 |
| 4.1.1 数据集 |
| 4.1.2 参数设置 |
| 4.2 实验结果及分析 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）中国汽车工程学术研究综述·2017（论文提纲范文）
| 索引 |
| 0引言 |
| 1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
| 1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
| 1.1.1国内外研究现状 |
| 1.1.1.1声品质主观评价 |
| 1.1.1.2声品质客观评价 |
| 1.1.1.3声品质主客观统一模型 |
| 1.1.2存在的问题 |
| 1.1.3研究发展趋势 |
| 1.2新能源汽车NVH控制技术 |
| 1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
| 1.2.1.1国内外研究现状 |
| 1.2.1.2热点研究方向 |
| 1.2.1.3存在的问题与展望 |
| 1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
| 1.2.2.1国内外研究现状 |
| 1.2.2.2存在的问题 |
| 1.2.2.3总结与展望 |
| 1.3车身与底盘总成NVH控制技术 |
| 1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
| 1.3.1.1车身结构 |
| 1.3.1.2声学包装 |
| 1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
| 1.3.2.1制动抖动 |
| 1.3.2.2制动颤振 |
| 1.3.2.3制动尖叫 |
| 1.3.2.4瓶颈问题与未来趋势 |
| 1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
| 1.3.3.1轮胎噪声机理研究 |
| 1.3.3.2轮胎噪声计算模型 |
| 1.3.3.3轮胎噪声的测量手段 |
| 1.3.3.4降噪方法 |
| 1.3.3.5问题与展望 |
| 1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
| 1.3.4.1悬架系NVH问题概述 |
| 1.3.4.2悬架系的动力学建模与NVH预开发 |
| 1.3.4.3悬架系的关键部件NVH设计 |
| 1.3.4.4悬架NVH设计整改 |
| 1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
| 1.4.1主动和半主动悬架技术 |
| 1.4.1.1主动悬架技术 |
| 1.4.1.2半主动悬架技术 |
| 1.4.2主动和半主动悬置技术 |
| 1.4.2.1主动悬置技术 |
| 1.4.2.2半主动悬置技术 |
| 1.4.3问题及发展趋势 |
| 2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
| 2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
| 2.1.1国内外研究现状 |
| 2.1.1.1替代燃料发动机 |
| 2.1.1.2高效内燃机 |
| 2.1.1.3新型传动方式 |
| 2.1.2存在的主要问题 |
| 2.1.3重点研究方向 |
| 2.1.4发展对策及趋势 |
| 2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.2.1国内外研究现状 |
| 2.2.2存在的问题 |
| 2.2.3重点研究方向 |
| 2.3新能源汽车技术 |
| 2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
| 2.3.1.1动力电池 |
| 2.3.1.2分布式驱动电动汽车驱动控制技术 |
| 2.3.1.3纯电动汽车制动能量回收技术 |
| 2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.3.2.1国内外研究现状 |
| 2.3.2.2存在的问题 |
| 2.3.2.3热点研究方向 |
| 2.3.2.4研究发展趋势 |
| 2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
| 2.3.3.1国内外技术发展现状 |
| 2.3.3.2关键技术及热点研究方向 |
| 2.3.3.3制约燃料电池汽车发展的关键因素 |
| 2.3.3.4燃料电池汽车的发展趋势 |
| 3汽车电子化 (吉林大学宗长富教授统稿) |
| 3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
| 3.1.1国内外研究现状 |
| 3.1.2重点研究方向 |
| 3.1.2.1汽车发动机燃油喷射控制技术 |
| 3.1.2.2汽车发动机涡轮增压控制技术 |
| 3.1.2.3汽车发动机电子节气门控制技术 |
| 3.1.2.4汽车发动机点火控制技术 |
| 3.1.2.5汽车发动机空燃比控制技术 |
| 3.1.2.6汽车发动机怠速控制技术 |
| 3.1.2.7汽车发动机爆震检测与控制技术 |
| 3.1.2.8汽车发动机先进燃烧模式控制技术 |
| 3.1.2.9汽车柴油发动机电子控制技术 |
| 3.1.3研究发展趋势 |
| 3.2汽车转向电控技术 |
| 3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.1.1国内外研究现状 |
| 3.2.1.2重点研究方向和存在的问题 |
| 3.2.1.3研究发展趋势 |
| 3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.2.1国内外研究现状 |
| 3.2.2.2研究热点和存在问题 |
| 3.2.2.3研究发展趋势 |
| 3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
| 3.2.3.1转向角传动比 |
| 3.2.3.2转向路感模拟 |
| 3.2.3.3诊断容错技术 |
| 3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
| 3.2.4.1电控液压转向系统 |
| 3.2.4.2电液耦合转向系统 |
| 3.2.4.3电动助力转向系统 |
| 3.2.4.4后轴主动转向系统 |
| 3.2.4.5新能源商用车转向系统 |
| 3.2.4.6商用车转向系统的发展方向 |
| 3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
| 3.3.1国内外研究现状 |
| 3.3.1.1制动系统元部件研发 |
| 3.3.1.2制动系统性能分析 |
| 3.3.1.3制动系统控制研究 |
| 3.3.1.4电动汽车研究 |
| 3.3.1.5混合动力汽车研究 |
| 3.3.1.6参数测量 |
| 3.3.1.7与其他系统耦合分析及控制 |
| 3.3.1.8其他方面 |
| 3.3.2存在的问题 |
| 3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
| 3.4.1电控悬架功能与评价指标 |
| 3.4.2电控主动悬架最优控制 |
| 3.4.3电控悬架其他控制算法 |
| 3.4.4电控悬架产品开发 |
| 4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
| 4.1国内外智能网联汽车研究概要 |
| 4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
| 4.1.1.1美国智能网联车研究意义 |
| 4.1.1.2网联车安全研究 |
| 4.1.1.3美国自动驾驶车辆研究 |
| 4.1.1.4智能网联自动驾驶车 |
| 4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
| 4.1.2.1中国智能网联汽车规划 |
| 4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
| 4.1.2.3中国企业智能网联汽车开发情况 |
| 4.1.2.4存在的问题 |
| 4.1.2.5展望 |
| 4.2复杂交通环境感知 |
| 4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
| 4.2.1.1点云聚类 |
| 4.2.1.2可通行区域分析 |
| 4.2.1.3障碍物识别 |
| 4.2.1.4障碍物跟踪 |
| 4.2.1.5小结 |
| 4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
| 4.2.2.1交通标志识别 |
| 4.2.2.2车道线检测 |
| 4.2.2.3交通信号灯检测 |
| 4.2.2.4行人检测 |
| 4.2.2.5车辆检测 |
| 4.2.2.6总结与展望 |
| 4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
| 4.3.1国内外研究现状 |
| 4.3.2当前研究热点 |
| 4.3.2.1高精度地图的采集 |
| 4.3.2.2高精度地图的地图模型 |
| 4.3.2.3高精度地图定位技术 |
| 4.3.2.4基于GIS的路径规划 |
| 4.3.3存在的问题 |
| 4.3.4重点研究方向与展望 |
| 4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
| 4.4.1驾驶人决策行为特性 |
| 4.4.2周车运动轨迹预测 |
| 4.4.3智能汽车决策方法 |
| 4.4.4自主决策面临的挑战 |
| 4.4.5自动驾驶车辆的路径规划算法 |
| 4.4.5.1路线图法 |
| 4.4.5.2网格分解法 |
| 4.4.5.3 Dijistra算法 |
| 4.4.5.4 A*算法 |
| 4.4.6路径面临的挑战 |
| 4.5车辆横向控制及纵向动力学控制 |
| 4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
| 4.5.1.2基于现代控制理论的车辆横向控制 |
| 4.5.1.3基于智能控制理论的车辆横向控制 |
| 4.5.1.4考虑驾驶人特性的车辆横向控制 |
| 4.5.1.5面临的挑战 |
| 4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
| 4.5.2.1纵向动力学模型 |
| 4.5.2.2纵向稳定性控制 |
| 4.5.2.3纵向速度控制 |
| 4.5.2.4自适应巡航控制 |
| 4.5.2.5节油驾驶控制 |
| 4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
| 4.6.1智能网联汽车测试研究现状 |
| 4.6.2智能网联汽车测试热点研究方向 |
| 4.6.2.1智能网联汽车测试内容研究 |
| 4.6.2.2智能网联汽车测试方法 |
| 4.6.2.3智能网联汽车的测试场地建设 |
| 4.6.3智能网联汽车测试存在的问题 |
| 4.6.4智能网联汽车测试研究发展趋势 |
| 4.6.4.1智能网联汽车测试场地建设要求 |
| 4.6.4.2智能网联汽车测评方法的发展 |
| 4.6.4.3加速智能网联汽车测试及进程管理 |
| 4.7典型应用实例解析 |
| 4.7.1典型汽车ADAS系统解析 |
| 4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
| 4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.7.2 V2X协同及队列自动驾驶 |
| 4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
| 4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
| 4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
| 4.7.3.1国内外研究现状 |
| 4.7.3.2存在的问题 |
| 4.7.3.3热点研究方向 |
| 4.7.3.4研究发展趋势 |
| 5汽车碰撞安全技术 |
| 5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
| 5.1.1汽车碰撞相容性 |
| 5.1.1.1国内外研究现状 |
| 5.1.1.2存在的问题 |
| 5.1.1.3重点研究方向 |
| 5.1.1.4展望 |
| 5.1.2汽车偏置碰撞安全性 |
| 5.1.2.1国内外研究现状 |
| 5.1.2.2存在的问题 |
| 5.1.2.3重点研究方向 |
| 5.1.2.4展望 |
| 5.1.3汽车碰撞试验测试技术 |
| 5.1.3.1国内外研究现状 |
| 5.1.3.2存在的问题 |
| 5.1.3.3重点研究方向 |
| 5.1.3.4展望 |
| 5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
| 5.2.1国内外研究现状 |
| 5.2.2重点研究方向 |
| 5.2.3展望 |
| 5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
| 5.3.1概述 |
| 5.3.2国内外研究现状 |
| 5.3.2.1被动安全技术 |
| 5.3.2.2主动安全技术研究 |
| 5.3.3研究热点 |
| 5.3.3.1事故研究趋势 |
| 5.3.3.2技术发展趋势 |
| 5.3.4存在的问题 |
| 5.3.5小结 |
| 5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
| 5.4.1国内外研究现状 |
| 5.4.1.1儿童碰撞安全现状 |
| 5.4.1.2儿童损伤生物力学研究现状 |
| 5.4.1.3车内儿童安全法规和试验方法 |
| 5.4.1.4车外儿童安全法规和试验方法 |
| 5.4.1.5儿童安全防护措施 |
| 5.4.1.6儿童约束系统使用管理与评价 |
| 5.4.2存在的问题 |
| 5.4.3重点研究方向 |
| 5.4.4发展对策和展望 |
| 5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
| 5.5.1国内外研究现状 |
| 5.5.1.1新能源汽车碰撞试验 |
| 5.5.1.2高压电安全控制研究 |
| 5.5.1.3新能源汽车车身结构布局研究 |
| 5.5.1.4电池包碰撞安全防护 |
| 5.5.1.5动力电池碰撞安全 |
| 5.5.2热点研究方向 |
| 5.5.3存在的问题 |
| 5.5.4发展对策与展望 |
| 6结语 |
（8）基于模式搜索的类电磁机制算法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的来源、目的及意义 |
| 1.2 全局优化及其国内外研究概况 |
| 1.3 类电磁机制算法的研究现状与分析 |
| 1.4 现状总结与问题分析 |
| 1.5 本文的主要工作与结构 |
| 2 基于模式搜索的改进类电磁机制算法 |
| 2.1 类电磁机制算法的基本介绍 |
| 2.2 模式搜索算法的基本介绍 |
| 2.3 基于模式搜索的类电磁机制算法 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 3 基于PSEM的多目标优化算法 |
| 3.1 多目标优化问题的描述 |
| 3.2 多目标优化方法概述 |
| 3.3 基于模式搜索的多目标类电磁机制算法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于PSEM的神经网络训练算法及其应用 |
| 4.1 引言 |
| 4.2 基于PSEM的神经网络训练算法 |
| 4.3 基于PSEM的神经网络在旅游需求预测中的应用 |
| 4.4 本章小结 |
| 5 基于PSEM的约束优化算法及其应用 |
| 5.1 引言 |
| 5.2 带约束处理机制的PSEM算法 |
| 5.3 PSEM算法在铣削加工参数优化问题中的应用 |
| 5.4 本章小结 |
| 6 原型系统开发与实现 |
| 6.1 应用背景简介 |
| 6.2 系统体系结构 |
| 6.3 原型系统实现 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录Ⅰ 攻读博士学位期间发表论文目录 |
（9）几类神经网络的分析与优化及其应用研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1.1 研究的背景和意义 |
| §1.2 差分进化算法的研究进展 |
| §1.3 进化神经网络的研究现状 |
| §1.4 Integrate-and-Fire 神经网络与细胞神经网络的研究现状 |
| §1.5 本文的主要工作和内容安排 |
| 第二章 嵌入正交杂交和局部搜索的差分进化算法 |
| §2.1 引言 |
| §2.2 全局优化问题 |
| §2.3 嵌入正交杂交和局部搜索的差分进化算法 |
| §2.4 数值实验 |
| §2.5 本章小结 |
| 第三章 协同二进制—实数差分进化算法 |
| §3.1 引言 |
| §3.2 混合整数非线性规划问题 |
| §3.3 协同二进制—实数差分进化算法 |
| §3.4 数值实验及结果 |
| §3.5 本章小结 |
| 第四章 正交离散差分进化算法 |
| §4.1 引言 |
| §4.2 二进制—整数非线性规划问题 |
| §4.3 正交离散差分进化算法 |
| §4.4 数值实验及比较 |
| §4.5 本章小结 |
| 第五章 一种结合正交 DE 和 LM 算法的混合训练算法优化前馈神经网络的权值 |
| §5.1 引言 |
| §5.2 前馈神经网络的描述 |
| §5.3 结合正交 DE 和 LM 算法的混合训练算法 |
| §5.4 仿真实验 |
| §5.5 本章小结 |
| 第六章 一种两阶段算法优化前馈神经网络的结构和权值 |
| §6.1 引言 |
| §6.2 前馈神经网络的矩阵和向量描述 |
| §6.3 两阶段训练算法 |
| §6.4 仿真实验 |
| §6.5 本章小结 |
| 第七章 协同二进制—整数差分进化算法进化神经网络的结构和整数权值 |
| §7.1 引言 |
| §7.2 训练整数权值神经网络的协同二进制—整数 DE 算法 |
| §7.3 实验与分析 |
| §7.4 本章小结 |
| 第八章 Integrate-and-Fire 神经网络的点火特征 |
| §8.1 引言 |
| §8.2 IF 神经元模型及其同步发放脉冲的特性 |
| §8.3 指数衰减阈值对 IF 神经元点火统计特性的影响 |
| §8.4 简化的 IF 模型及其点火特性 |
| §8.5 本章小结 |
| 第九章 IF 神经元的条件反射行为及在图像处理中的应用 |
| §9.1 引言 |
| §9.2 IF 神经元模型 |
| §9.3 基于部分重设的 IF 神经网络及其在图像分割中的应用 |
| §9.4 本章小结 |
| 第十章 一种自反馈细胞神经网络的稳定性分析及其在函数优化中的应用 |
| §10.1 引言 |
| §10.2 细胞神经网络模型 |
| §10.3 一种新的细胞神经网络模型 |
| §10.4 新的细胞神经网络的稳定性分析 |
| §10.5 单个细胞神经元的动态特性 |
| §10.6 细胞神经网络在函数优化中的应用 |
| §10.7 本章小结 |
| 第十一章 总结与展望 |
| §11.1 本文主要研究工作 |
| §11.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的科研成果 |
（10）基于群智能算法优化的入侵检测模型研究（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 入侵检测概述 |
| 1.3 国内外研究现状 |
| 1.3.1 典型入侵检测方法 |
| 1.3.2 基于群智能的入侵检测研究方案 |
| 1.4 本文研究思路和工作创新 |
| 1.4.1 本文研究思路 |
| 1.4.2 工作创新 |
| 1.5 论文的组织结构 |
| 1.6 本章小结 |
| 第二章 相关背景知识 |
| 2.1 超启发式算法 |
| 2.1.1 粒子群优化算法 |
| 2.1.2 蝙蝠算法 |
| 2.1.3 灰狼优化算法 |
| 2.1.4 差分进化算法 |
| 2.2 无免费午餐定理 |
| 2.3 核极限学习机的演进 |
| 2.3.1 单隐层前馈神经网络 |
| 2.3.2 极限学习机 |
| 2.3.3 核极限学习机 |
| 2.4 本章小结 |
| 第三章 基于PSO的核极限学习机入侵检测模型 |
| 3.1 引言 |
| 3.2 基于PSO的核极限学习机建模过程 |
| 3.3 参数优化和特征选择技术 |
| 3.3.1 基于网格搜索的参数优化 |
| 3.3.2 基于遗传算法的参数优化和特征选择 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 数据集及实验环境 |
| 3.4.2 评价指标 |
| 3.4.3 参数对核极限学习机分类器的影响 |
| 3.4.4 适应函数中权重系数选取 |
| 3.4.5 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于BA的集成剪枝入侵检测模型 |
| 4.1 引言 |
| 4.2 投票极限学习机集成方案 |
| 4.2.1 随机子空间 |
| 4.2.2 基于随机子空间的投票极限学习机集成方法 |
| 4.3 基于BA的集成剪枝过程 |
| 4.3.1 集成学习方法中的多样性度量 |
| 4.3.2 集成剪枝过程 |
| 4.3.3 复杂度分析 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 确定隐藏层节点个数和随机子空间维数 |
| 4.4.3 基本ELM、VELM和Pruning VELM技术比较 |
| 4.4.4 讨论 |
| 4.5 本章小结 |
| 第五章 基于超启发算法的多核极限学习机入侵检测模型 |
| 5.1 引言 |
| 5.2 ReliefF技术 |
| 5.3 基于超启发算法的多核极限学习机模型 |
| 5.3.1 多核极限学习机建模过程 |
| 5.3.2 复杂度分析 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 实验描述 |
| 5.4.2 评价指标 |
| 5.4.3 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的成果 |
| 攻读博士学位期间参与的科研项目 |
四、一种新的全局优化前馈神经网络（论文参考文献）
- [1]电站锅炉燃烧和SCR脱硝系统一体化建模与优化控制研究[D]. 康俊杰. 华北电力大学(北京), 2021(01)
- [2]深度时空注意力网络的视频修复技术研究[D]. 刘浪. 重庆理工大学, 2021(02)
- [3]深度神经网络的训练优化方法研究[D]. 袁群勇. 华南理工大学, 2020(01)
- [4]多元时间序列的特征分析与建模研究[D]. 任伟杰. 大连理工大学, 2020
- [5]基于人工神经网络的SiGe HBT高频噪声模型[D]. 何林. 西南科技大学, 2020(08)
- [6]基于可抛堆叠受限玻尔兹曼机的图像分类方法[D]. 肖亮. 湖北工业大学, 2019(06)
- [7]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)
- [8]基于模式搜索的类电磁机制算法研究与应用[D]. 吴擎. 华中科技大学, 2013(02)
- [9]几类神经网络的分析与优化及其应用研究[D]. 张莉. 西安电子科技大学, 2012(02)
- [10]基于群智能算法优化的入侵检测模型研究[D]. 沈焱萍. 北京邮电大学, 2021(01)