一、离散贝叶斯分类算法及分类误差估计（论文文献综述）
吕泓卓[1]（2020）在《IPv4&IPv6数据分析系统的设计与实现》文中研究指明随着当今社会的发展,计算机网络技术得到了越来越广泛的使用,与此同时,人们对网络的性能和安全的要求也越来越高,所以网络管理人员对网络进行合理规划、对网络进行安全管理也变得越来越重要。现如今互联网出现了IPv4技术和IPv6技术混合使用的情况,两种技术的使用既扩大了网络规模也增加了网络流量数据的复杂度,所以在此基础上开展IPv4&IPv6网络环境下的流量数据分析十分有必要。通过对流量数据的分析,管理人员可以及时掌握网络情况,发现网络中新应用的发展趋势,也可以对网络通信协议研究、网络设备开发以及网络规划进行指导等。本文以Hadoop大数据平台网络流量采集为基础,以公司业务需求为背景,结合数据存储以及数据分析技术,研究开发了IPv4&IPv6数据分析系统。系统主要完成了以下几方面工作:（1）本文首先提出一种基于UA识别和随机森林的终端识别算法TRF,通过对手持设备和非手持设备的分类,对网络终端设备做分类展示。通过实验表明,TRF算法有效提高了分类准确率,提升了分类器的性能。（2）其次构建了基于Hadoop大数据平台的数据分析系统,通过Bro采集框架的改造和算法改进,对IPv4&IPv6数据流量进行了采集和预处理,同时为了使数据存储符合系统的多样性和复杂性,设计运用了多种存储方式对数据进行存储,并对存储后的数据流量进行分析,为系统展示提供更为准确和清晰的网络信息。（3）最后对系统分析后的网络信息运用饼图、柱状图和折线图进行可视化展示,便于系统用户对网络流量数据情况的直观了解;同时为了保证系统的可靠性和正确性,对系统进行功能性和非功能性测试。本文按照原计划顺利完成IPv4和IPv6流量数据的采集、分析和展示工作,通过使用本系统,一方面可以有效地减少技术人员对网络管理的成本和工作量,提高工作效率;另一方面可以使用户更加全面、客观的了解和掌握网络现状;更进一步的说,也为以后提高网络防御水平打下坚实的基础。
郝旭欢[2]（2020）在《两类非严格重复系统的迭代学习控制方法研究》文中认为迭代学习控制是现代自动控制领域涌现的一个新兴研究方向,其利用系统重复操作的特点,能够有效改善时域瞬态控制性能。但在实际工程中,传统迭代学习控制对重复性的严格假设往往不能满足,放宽重复性条件是迭代学习控制领域近几年的研究热点,这也是迭代学习控制在跨越其理论与应用鸿沟过程中亟待解决的一个重要科学难题。本文以两类非严格重复的离散时间系统为研究对象,分别研究了两种非严格重复的问题,有针对性地设计迭代学习控制方法,特别是首次提出分类算法与迭代学习控制器相结合的设计理念。论文的主要工作和创新点总结如下。（1）针对一类线性离散时间系统,首次研究了系统参数在不同类别之间迭代变化的问题,这一类问题完善并丰富了非严格重复领域的研究内容。这不仅在很大程度上扩展了系统参数在迭代域上的允许变化范围,而且从实际应用角度充分考虑了系统参数在迭代域上变化时可能存在的类别特征。（2）针对系统参数在不同类别之间迭代变化的离散时间线性系统,设计了结合分类器的迭代学习控制算法,训练好的分类器根据实时输入输出数据判断系统参数类别,利用相应类别的历史数据更新迭代学习控制器。通过理论分析证明了所提算法在没有分类错误情况下的有界收敛性能,比较了所提算法相对于传统迭代学习控制算法的优势。（3）针对分类器与迭代学习控制结合时存在的实时性要求和数据存储问题,研究了类别校正机制和分类存储机制。一方面,提出两种基于投票法的类别校正机制,对分类器得到的实时类别判断结果进行修正;另一方面,提出了迭代学习控制对历史数据的分类存储思想,分别研究了实时分类存储机制和Batch-wise分类存储机制。仿真分析了所提类别校正机制和分类存储机制的特点,应用于结合分类器的迭代学习控制算法并说明这两种关键机制的有效性。（4）针对快速路宏观交通流系统这一类典型的分布参数系统,考虑非严格重复的边界条件,设计了基于反馈-迭代学习控制的入口匝道调节方案。反馈模块利用边界路段的密度跟踪误差,抑制每次迭代下游边界拥堵带来的不同影响;迭代学习控制模块有效利用交通流的重复性特征,学习以往的控制经验。通过严格的理论分析证明了在非严格重复边界条件的影响下,应用所提的迭代学习控制方法可以得到有界的误差。通过仿真分析验证了反馈-迭代学习控制的有效性。
向高军[3]（2020）在《采用微惯性传感器组合的可穿戴式人员定位技术研究》文中指出人员定位,又称个人或行人定位,是指在确定参考坐标系下对目标提供空间位置信息的技术。在室外环境中,常见的卫星定位系统在偏远、遮挡等环境条件下因失去卫星信号而存在定位盲区;在室内环境中,常见的WIFI定位、蓝牙定位等定位技术,由于对现场环境依赖严重,极易受到干扰。目前,采用微惯性传感器组合的惯性定位技术是一种不依赖于外界环境条件,具有较强的抗干扰性和稳定性,可以全天候地实现自身位置信息获取。传统的惯性定位技术大多将导航单元固定在单一位置下进行定位,存在佩戴方式复杂、适应性差等局限,这在一定程度上限制了系统进一步提升性能的空间,降低了用户对可穿戴设备的体验。基于此,本文设计了定位终端多种佩戴模式下的人员定位技术。主要研究内容如下:1.介绍了采用微惯性传感器组合的定位理论,对本文采用的惯性定位系统算法结构和硬件结构进行了说明,同时对惯性定位技术的基本原理和关键技术进行了说明,并详细推导了行人航迹推算算法。2.分析了惯性传感器的常见误差来源,并采用六位置法、最小二乘法分别对三轴MEMS加速度计、三轴MEMS陀螺仪的安装误差和刻度系数进行修正,进而有效提高了惯性传感器数据精度,为后续人员定位算法提供了可靠的数据来源。3.结合人机工程学特征对MIMU佩戴模式进行分析,定义了MIMU分别佩戴在上衣口袋、右衣口袋、右前裤口袋、右后裤口袋等四种常见佩戴模式。结合朴素贝叶斯分类方法,选取三轴MEMS加速度计的合加速度时域特征值,设计了基于朴素贝叶斯的MIMU佩戴模式识别算法。经验证,所设计的识别算法能够有效的对MIMU佩戴模式进行识别,且识别精度高于96.61%。4.结合MIMU不同的佩戴模式,分别对行人航迹推算算法中的步态检测、步长估计、航向估计等关键参数进行改进。提出了波峰-双阈值计步、基于HDE-KF的航向最优估计等算法。经验证,MIMU在不同佩戴模式下,改进的PDR算法均可提供准确可靠的位置信息,最终得到综合定位误差小于0.49%,且达标率在85%以上。
张昊楠[4]（2020）在《基于机器学习的航天器损伤检测算法研究》文中研究指明随着人们对太空的探索,越来越多的空间碎片出现在太空中,这些空间碎片在太空中运行速度高、破坏力大,会对航天器的正常运行造成十分严重的影响,因此我们有必要对航天器的超高速撞击损伤进行评估。国内外存在许多航天器损伤评估的方法,本文结合超高速撞击损伤的特点,运用红外成像技术来评估超高速撞击损伤。基于航天复合材料的红外图像序列,我们根据超高速撞击损伤的特性与需求设计算法框架最终实现了损伤评估。本文的主要研究内容如下:1)由于在不同损伤区域内导热介质是存在差异性的,这将会导致材料在加热过程中不同损伤区域内的温度变化不同,这些温度变化的差异性可以被用来判断损伤区域。通过分析损伤的红外图像序列,我们提出了一些属性用于挖掘温度变化信号的物理特征。之后基于这些属性,我们建立朴素贝叶斯分类器和加权贝叶斯分类器来判断损伤区域内的温度变化信号,进而实现损伤区域的判断。在此基础上,考虑到在复杂环境中进行超高速撞击损伤评估的需求,我们进一步提出了多环境贝叶斯分类器实现复杂环境中的损伤评估。2)为了可视化的对损伤进行评估,我们进一步设计了基于图像处理的损伤评估算法框架。根据所采集的红外图像序列,我们对传统线性模型进行改进得到新的损伤重构模型,之后通过变分贝叶斯对模型进行求解得到损伤重构图像。在得到损伤图像之后,为了获得有效损伤区域,我们通过主动轮廓模型对损伤区域进行提取。在此基础上,为了更加准确的提取损伤区域,我们结合损伤红外图像的特点,分别考虑不同区域（损伤与非损伤）的温度变化程度和不同分割因素（局部与全局）对主动轮廓模型进行改进。另外,为了得到亚表面损伤的位置描述,我们采用多尺度变换的方法对不同层级损伤进行融合。3)上述两种算法框架对材料的损伤位置和是否存在损伤进行了判断。为了得到更加客观准确的损伤描述,我们利用物理信息和形态信息对损伤进行量化。通过建立量化属性能够对每个损伤进行数字化描述,另外,我们基于这些量化属性建立集成学习分类器,将其用于不同损伤类型的判断。
吴玲玲[5]（2019）在《高压断路器故障诊断及维修决策研究》文中认为近年来,随着我国电力工业不断发展完善及人民经济水平不断提高,社会用电量需求不断增加,高压断路器作为保障电力系统安全稳定运行的核心元件之一,得到了广泛重视。在线监测技术的发展,使得基于在线监测数据的高压断路器状态分析成为可能,为实现高压断路器运行维护的经济最大化,有必要对高压断路器的故障诊断及维修决策进行深入研究。本文针对基于在线监测数据的高压断路器故障诊断及维修决策展开研究,主要工作如下:介绍了高压断路器结构、工作原理及故障类型,分析了各种在线监测技术的原理与技术难点,探讨了各种故障诊断方法的原理与局限性,总结了常见的维修决策方案及其不足之处。在线监测方面,详细分析了断路器操作回路线圈电流特征变化,探究了断路器状态与线圈电流特征值的关系。考虑到在线监测的线圈电流信号中存在噪声干扰,引入了小波阈值降噪原理,消除噪声信号,同时提出了一种提取线圈电流特征值的方法。通过仿真分析验证了所提方法能有效消除噪声干扰并提取断路器线圈电流特征值。故障诊断方面,针对高压断路器这一小样本故障诊断问题,提出了一种基于改进贝叶斯算法的高压断路器故障诊断方法。该方法应用基于标准状态概率分配的方法对断路器操作回路线圈电流特征值进行离散化,并采用入侵杂草优化算法选取线圈电流特征值的标准状态,利用贝叶斯分类器进行诊断。通过仿真分析验证了所提故障诊断算法能有效识别高压断路器故障。维修决策方面,基于风险评估模型对断路器进行维修决策。应用威布尔分布计算断路器在不同运行时长情况下的故障率,同时建立断路器严重度评估模型,并综合故障率与严重度指标建立基于风险评估的断路器维修决策模型,最后通过算例分析验证了基于风险评估的断路器维修决策方法对安排检修资源的合理性。
侯文浩[6]（2019）在《基于决策树与贝叶斯的电气负载类型识别方法研究》文中提出对于电力部门,通过电力负荷类型识别了解电力用户负荷的构成不仅可以增强负荷侧的管理,还可以引导用户合理消费,同时还能有针对性地降低网损以及调节峰谷差,提高预测电力负荷的精度,提供更加精准的数据参数给电力系统仿真和电力系统规划。对消费者来说,通过电气负载识别达到对负载的开关时长、消耗功率等参数的了解,合理减少不必要的电能消耗,从而可以达到节能的目的。对学生公寓等管理者而言,通过电气负载识别了解学生公寓的电器装置使用情况,能够避免一些电器装置违规使用所带来的安全隐患。针对各种正在使用的电气负载进行现场数据采样具有较大难度的情况,采用仿真软件搭建不同类型电气负载的仿真电路,获取样本数据。选用电气负载电流启动过程时间、启动电流最大值时间和启动电流最大值作为电气负载的启动电流特征,同时对电气负载的稳态工作电流进行快速傅里叶变换（FFT）,以获得谐波参数作为电流频谱特征,并提出一种将离散的样本特征值区间化的数据预处理方法。根据功率、负载、电流等参数的不同,采集多组特征数据,任选其中的部分数据作为分类器构建的样本数据,其余数据作为分类器的测试数据。分别使用决策树分类器和贝叶斯分类器对电气负载类型进行分类,并在此基础上,提出一种运用参数重叠阈值作为临界值,将决策树和贝叶斯相结合的组合分类器设计方法,分类准确率最高的参数重叠阈值为组合分类器的最优重叠阈值。组合分类器比贝叶斯分类器对测试数据分类的准确率高22.5%,比决策树分类器对测试数据分类的准确率高5.65%。结果表明:组合分类器的分类效果更好,分类更准确。
王享[7]（2019）在《电力变压器多参数信息融合故障诊断技术研究》文中研究说明油浸式电力变压器作为电力系统的核心设备之一,其故障影响大且故障原因复杂。为确保电力系统的安全稳定运行,必须对其运行状态进行监测与判断。随着互联网行业的日渐成熟以及传感器技术的不断发展,促成了智能电网的出现,实现了智能化的变压器在线监测、状态评估以及故障诊断。基于以上,本文将智能诊断算法与变压器故障特征参数相结合,围绕油色谱数据与电气试验数据展开对变压器故障诊断的研究。本文首先在分析了变压器故障诊断研究现状及现有诊断方法存在的问题的基础上,将油色谱数据作为故障特征参数,提出了PSO-ELM融合动态加权AdaBoost与PSO-IGWO优化混合核极限学习机这两种变压器故障诊断模型,并利用Matlab软件进行了仿真验证。但由于油色谱数据所展现的故障特征信息有限以及变压器故障诊断时存在的不确定性,因而无法对变压器运行中的异常状态给出准确的判断结果。故而,本文将变压器的油色谱数据与电气试验数据相结合,形成多特征参数,提出了一种基于多参数信息融合的变压器故障诊断模型,该模型以4个多分类相关向量机完成了变压器故障的初步诊断,并将诊断结果转变为相应的证据体,采用入兰式距离函数、光谱角余弦函数以及冲突再分配策略对DS证据理论进行了改进,利用改进后的DS证据理论对证据体实现了最终决策融合,并以实例分析证明了该方法的可行性、准确性。其次,将单一油色谱数据与多特征参数分别作为输入量,对上述三种模型以及BP神经网络与多分类相关向量机进行了仿真验证。通过对比仿真结果可知,不同模型的诊断效果之间存在一定差距,且多特征参数的诊断准确率明显优于单一油色谱数据的判断结果。在本文所提出的在三种诊断模型中,多参数信息融合的变压器故障诊断模型准确率最高,达到93.37%,PSO-ELM融合动态加权AdaBoost的变压器故障诊断模型次之,为89.10%,PSO-IGWO优化混合核极限学习机的变压器故障诊断模型最低,为88.08%。因此,多参数信息融合模型更适合于对变压器异常运行状态的判定。最后,利用Matlab的GUI控件,搭建了变压器故障诊断专家系统,实现了良好的人机交互,为更好地完成变压器运行状态诊断提供了便利。图53幅,表8个,参考文献66篇。
吴争[8]（2019）在《数据流动态加权策略与自适应学习研究》文中提出数据流在生活中无处不在,每时每刻都在快速产生数据流数据,如ATM交易、传感器网络和股票交易等众多应用领域都会产生数据流。数据流可视为随时间变化的连续到达的数据序列,是一种海量的动态数据。不同于普通的数据挖掘技术,数据流挖掘要求一次扫描、快速处理,并且模型要具有动态更新的能力,因此采用一种高效的自适应学习策略是数据流挖掘的重点研究问题。目前的数据流挖掘算法主要面临两大问题:概念漂移与特征漂移。数据流中的目标概念会随着时间的推移而发生变化,这种变化被称为概念漂移。同时数据流中的特征相关性也会随时间发生变化,这使得特征子集与目标概念不再相关,从而产生一种特殊类型的漂移——特征漂移。概念漂移与特征漂移的发生会严重影响分类器的分类精度,目前已有的处理概念漂移算法的处理效率和效果仍然不够理想,并且大多数数据流算法并没有充分考虑特征漂移的情况。为此本文对数据流中的概念漂移与特征漂移问题展开了研究,对实例以及特征使用动态加权策略以适应概念漂移与特征漂移,也就是使分类器具有自适应学习的能力,主要工作包括:（1）提出了实例动态加权贝叶斯分类算法,用于解决概念漂移问题。越新的实例对构建分类器的影响就越大,因此本文提出了一个时间衰减函数,使用遗忘机制对数据块内的实例进行权重的衰减,并设置了一个权重阈值,随着每次迭代,较旧实例的权重会降低,直到它们低于这个阈值而被丢弃。然后将实例加权模块应用到贝叶斯分类器中对原始贝叶斯分类器进行改进以适应概念漂移。实验表明,该方法能有效处理数据流挖掘中的概念漂移问题。（2）提出了特征动态加权贝叶斯分类算法,用于解决特征漂移问题。对于数据流动态特征空间,采用了基于相关性的特征权重计算方法,使用滑动窗口技术跟踪特征与目标概念以及其他特征之间的相关性变化趋势,并计算特征权重。同时为贝叶斯建立特征动态加权模型,减少特征漂移带来的影响,学习到的特征权重可整体改善贝叶斯模型在特征漂移数据流中的分类性能。实验表明,该算法的分类性能相较于其他算法得到了一定的提升。
付果[9]（2019）在《基于贝叶斯方法的风电功率概率性预测分析及研究》文中提出随着风电技术的日益成熟和迅速发展,使得风电并网的容量大幅度增加,而风电并网对于电力系统稳定运行具有重大影响,故对风电功率进行高精度的预测对经济和社会发展具有重要意义。为了给决策者在决策规划和可靠性评估方面的提供更多的信息,以贝叶斯方法为基础对风电功率做出概率性的区间预测分析。本文主要工作如下。首先,通过全球风能协会发布的风电数据分析了目前国内外风力发电的现状及未来的发展趋势,并指出了风力发电功率概率性研究的意义,以及现阶段国内外的风电功率概率性预测成果。然后提出了基于粗糙集属性约减和粒子群权重优化的朴素贝叶斯风电功率概率区间预测法。其利用粗糙集方法选择出了朴素贝叶斯合适的输入量并利用粒子群算法优化了朴素贝叶斯的输出权重,从而提高了预测精度。以西北某风场的运行数据为基础进行仿真验证,通过多种方法对比表明其具有更好的工程使用价值。进一步的,通过对点预测误差概率分布进行分析得出风电功率区间,提出了一种基于贝叶斯估计ARIMA参数的云模型误差拟合风功率区间预测方法。首先对ARIMA模型的未知参数的估计采用贝叶斯估计方法,然后采用云变换理论对预测误差概率密度进行拟合,得到多个正态概念云,最后针对不同功率段的特征不同并且其对应的最佳分位点也是不同的,采用了粒子群算法对各个功率段进行寻优找到其最佳分位点,从而得到区间覆盖率更高,平均带宽更窄的风电功率预测区间。同时通过与不同方法的对比彰显本文方法具有更优越的区间预测效果。最后,建立了一种基于模糊C均值聚类分析的贝叶斯神经网络风电功率区间预测方法,构建了双层风电功率区间预测模型。对于内层模型其首先通过模糊C均值聚类对训练数据进行了分类处理,然后分别带入贝叶斯神经网络对其进行训练;外层模型将FCM-BNN模型输出的预测功率与实际功率相减,得到功率预测误差序列,再通过非参数核密度估计对此功率预测误差序列进行拟合,得到误差序列概率密度函数。在预测误差概率密度函数上选取满足置信度要求的上下分位点,结合FCM-BNN所得预测功率,从而得到预测功率区间。
张梦婷,李星野[10]（2018）在《基于最小分类误差的阈值优化方法设计》文中认为传统Fisher线性判别（FLD）的常用阈值对特定数据集的分类精度存在明显差异。为提高分类精度,通过最小化贝叶斯误差对二分类问题的FLD阈值进行了优化设计。对UCI中的8个数据集进行验证,将所得的平均分类精度与常用阈值在这些数据集上所得的平均分类精度进行比较。结果表明,所提出的优化阈值分类效果显着,相比于常用阈值,在平均分类精度上有所提升。
二、离散贝叶斯分类算法及分类误差估计（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、离散贝叶斯分类算法及分类误差估计（论文提纲范文）
（1）IPv4&IPv6数据分析系统的设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 项目背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据采集研究现状 |
| 1.2.2 数据分析研究现状 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 2 相关技术 |
| 2.1 大数据集群简介 |
| 2.2 数据采集技术简介 |
| 2.3 终端识别技术简介 |
| 2.4 Ajax简介 |
| 2.5 本章小结 |
| 3 系统总体分析与设计 |
| 3.1 系统需求分析 |
| 3.1.1 功能需求分析 |
| 3.1.2 非功能需求分析 |
| 3.2 系统架构设计 |
| 3.3 数据采集方案选择 |
| 3.4 数据分析研究与设计 |
| 3.5 本章小结 |
| 4 基于UA识别和随机森林的终端识别算法TRF |
| 4.1 常用分类算法研究 |
| 4.1.1 常用算法优缺点比对 |
| 4.1.2 仿真实验和分析 |
| 4.2 随机森林算法改进 |
| 4.2.1 OOB误差估计 |
| 4.2.2 改进算法TRF |
| 4.3 TRF算法仿真实验 |
| 4.3.1 实验数据集 |
| 4.3.2 实验评价标准 |
| 4.3.3 实验与结果分析 |
| 4.4 本章小节 |
| 5 数据分析系统实现 |
| 5.1 数据采集模块实现 |
| 5.1.1 流量区分 |
| 5.1.2 应用识别 |
| 5.2 数据存储模块实现 |
| 5.3 数据分析模块实现 |
| 5.3.1 基本功能处理 |
| 5.3.2 流量统计处理 |
| 5.3.3 流量分析处理 |
| 5.4 数据可视化模块实现 |
| 5.4.1 流量统计可视化 |
| 5.4.2 流量分析可视化 |
| 5.5 系统测试 |
| 5.6 本章小节 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）两类非严格重复系统的迭代学习控制方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 迭代学习控制理论研究 |
| 1.2.2 迭代学习控制应用研究 |
| 1.2.3 迭代学习控制中的非严格重复问题 |
| 1.2.4 机器学习方法在控制领域的应用 |
| 1.3 研究动机 |
| 1.3.1 非严格重复的系统参数 |
| 1.3.2 非严格重复的边界条件 |
| 1.4 论文主要工作及结构安排 |
| 2 迭代学习控制及分类算法理论基础 |
| 2.1 离散时间系统的迭代学习控制理论概述 |
| 2.2 分类算法理论概述 |
| 2.3.1 分类器训练及性能评估 |
| 2.3.2 典型的分类算法 |
| 2.3 本章小结 |
| 3 一类非严格重复参数系统的分类-迭代学习控制方法 |
| 3.1 问题描述 |
| 3.2 结合分类器的迭代学习控制算法设计 |
| 3.2.1 分类器训练与选择 |
| 3.2.2 基于投票法的类别校正机制 |
| 3.2.3 分类存储机制 |
| 3.2.4 利用分类结果的分类-迭代学习控制律 |
| 3.2.5 算法流程 |
| 3.3 结合分类器的迭代学习控制算法收敛性分析 |
| 3.3.1 基本假设 |
| 3.3.2 主要结论及证明 |
| 3.4 仿真研究 |
| 3.4.1 数据准备与分类器训练 |
| 3.4.2 结合分类器的迭代学习控制仿真和分析 |
| 3.4.3 不同迭代学习控制方法的对比分析 |
| 3.5 本章小结 |
| 4 一类边界条件非严格重复的分布参数系统迭代学习控制 |
| 4.1 快速路宏观交通流模型及问题描述 |
| 4.1.1 宏观动态交通流模型 |
| 4.1.2 问题描述及基本假设 |
| 4.2 基于迭代学习控制的入口匝道调节及分析 |
| 4.2.1 基于传统ILC的入口匝道调节算法及收敛性分析 |
| 4.2.2 基于反馈ILC的入口匝道调节算法及收敛性分析 |
| 4.3 仿真分析 |
| 4.3.0 场景设定 |
| 4.3.1 严格重复的边界条件 |
| 4.3.2 非严格重复的边界条件 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）采用微惯性传感器组合的可穿戴式人员定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容与论文结构安排 |
| 第2章 采用微惯性传感器组合的定位理论 |
| 2.1 惯性定位系统结构 |
| 2.1.1 惯性定位系统算法结构 |
| 2.1.2 惯性定位系统硬件结构 |
| 2.2 基本原理及关键技术 |
| 2.2.1 常用坐标系介绍 |
| 2.2.2 姿态角定义 |
| 2.2.3 坐标变换 |
| 2.2.4 基于加速度计/磁力计组合姿态解算原理 |
| 2.2.5 基于陀螺四元数法姿态解算原理 |
| 2.3 行人航迹推算算法 |
| 2.4 本章小结 |
| 第3章 微惯性传感器误差分析与预处理 |
| 3.1 传感器数据采集 |
| 3.2 传感器主要误差来源 |
| 3.3 三轴MEMS加速度计校准 |
| 3.3.1 原理方法 |
| 3.3.2 加速度计标定方案 |
| 3.3.3 实验分析 |
| 3.4 三轴MEMS陀螺仪校准 |
| 3.4.1 原理方法 |
| 3.4.2 陀螺仪标定方案 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第4章 MIMU佩戴模式识别算法研究 |
| 4.1 人机工程与佩戴模式分析 |
| 4.2 常用模式识别算法比较 |
| 4.3 朴素贝叶斯分类原理 |
| 4.3.1 贝叶斯原理 |
| 4.3.2 朴素贝叶斯原理 |
| 4.3.3 朴素贝叶斯特征 |
| 4.4 数据特征提取与佩戴模式识别算法 |
| 4.4.1 特征提取 |
| 4.4.2 基于朴素贝叶斯的MIMU佩戴模式识别算法 |
| 4.5 MIMU佩戴模式识别算法参数构建与仿真 |
| 4.6 本章小结 |
| 第5章 采用可穿戴式MIMU的人员定位算法设计与实现 |
| 5.1 行人步态检测算法 |
| 5.1.1 行人步态特征 |
| 5.1.2 波峰-双阈值计步算法 |
| 5.1.3 实验结果及分析 |
| 5.2 步长估计算法 |
| 5.2.1 步长估计理论 |
| 5.2.2 实验结果及分析 |
| 5.3 航向最优估计算法 |
| 5.3.1 多佩戴模式下的航向误差 |
| 5.3.2 基于HDE的主方向划分 |
| 5.3.3 基于HDE-KF的航向最优估计 |
| 5.3.4 实验结果及分析 |
| 5.4 人员定位算法整体设计与测试分析 |
| 5.4.1 整体算法设计 |
| 5.4.2 足球场测试分析 |
| 5.4.3 教学楼测试分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）基于机器学习的航天器损伤检测算法研究（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 超高速撞击损伤评估的研究现状 |
| 1.2.1 航天器的主要结构及材料 |
| 1.2.2 超高速撞击的损伤特点 |
| 1.2.3 航天器损伤评估的研究现状 |
| 1.3 本文主要的研究内容 |
| 第二章 基于温度变化信号分类的损伤评估方法 |
| 2.1 损伤信号的特征挖掘 |
| 2.2 基于贝叶斯分类器的多类型损伤信号判别 |
| 2.2.1 理论介绍 |
| 2.2.2 基于朴素贝叶斯分类器的多类型损伤信号判别 |
| 2.2.3 基于加权贝叶斯分类器的多类型损伤信号判别 |
| 2.2.4 基于多环境贝叶斯分类器的多类型损伤信号判别 |
| 2.3 实验及结果分析 |
| 2.3.1 碳纤维复合材料的损伤检测 |
| 2.3.2 金属防护材料的损伤检测 |
| 2.4 本章小结 |
| 第三章 基于图像处理的损伤评估方法 |
| 3.1 损伤重构模型 |
| 3.1.1 模型的建立 |
| 3.1.2 损伤图像求解 |
| 3.2 损伤区域提取 |
| 3.2.1 传统的主动轮廓模型 |
| 3.2.2 初始轮廓的选择 |
| 3.2.3 基于局部均值和方差的主动轮廓模型(MV) |
| 3.2.4 基于局部和全局的区域主动轮廓模型(LG) |
| 3.3 损伤图像融合 |
| 3.4 实验及结果分析 |
| 3.4.1 碳纤维复合材料的损伤检测 |
| 3.4.2 金属材料的损伤检测 |
| 3.5 本章小结 |
| 第四章 超高速撞击损伤的定量识别 |
| 4.1 损伤量化模型的建立 |
| 4.1.1 损伤物理信息的挖掘 |
| 4.1.2 损伤尺寸的提取 |
| 4.2 基于集成学习的损伤类型判断 |
| 4.2.1 集成学习简介 |
| 4.2.2 损伤类型判断模型的建立 |
| 4.2.3 实验及结果分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 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 |
（5）高压断路器故障诊断及维修决策研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 第2章 高压断路器故障诊断及维修决策概述 |
| 2.1 引言 |
| 2.2 高压断路器基本介绍 |
| 2.2.1 高压断路器结构 |
| 2.2.2 高压断路器工作原理 |
| 2.2.3 高压断路器故障类型 |
| 2.3 高压断路器在线监测概述 |
| 2.4 高压断路器故障诊断概述 |
| 2.4.1 基于BP神经网络的高压断路器故障诊断 |
| 2.4.2 基于支持向量机的高压断路器故障诊断 |
| 2.4.3 基于贝叶斯算法的高压断路器故障诊断 |
| 2.5 高压断路器维修决策概述 |
| 2.6 本章小结 |
| 第3章 断路器操作回路线圈电流特征值的分析与提取 |
| 3.1 引言 |
| 3.2 断路器操作回路线圈电流特征值的分析 |
| 3.2.1 断路器操作回路线圈电流特征变化分析 |
| 3.2.2 仿真分析 |
| 3.3 线圈电流特征值的提取 |
| 3.3.1 信号降噪 |
| 3.3.2 特征值提取 |
| 3.3.3 仿真分析 |
| 3.4 本章小结 |
| 第4章 基于改进贝叶斯算法的高压断路器故障诊断 |
| 4.1 引言 |
| 4.2 基于标准状态概率分配的线圈电流特征值离散化 |
| 4.3 基于入侵杂草优化算法的标准状态选取 |
| 4.4 基于改进贝叶斯故障诊断模型的建立 |
| 4.5 仿真分析 |
| 4.5.1 基于仿真样本数据的故障诊断 |
| 4.5.2 基于实际样本数据的故障诊断 |
| 4.6 本章小结 |
| 第5章 基于风险评估的高压断路器维修决策 |
| 5.1 引言 |
| 5.2 高压断路器故障率的计算 |
| 5.3 高压断路器风险评估指标 |
| 5.3.1 严重度模型 |
| 5.3.2 风险成本 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 发表论文及科研情况说明 |
| 致谢 |
（6）基于决策树与贝叶斯的电气负载类型识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究动机 |
| 1.3 国内外研究动态 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 主要研究内容和论文结构安排 |
| 第二章 电气负载样本数据获取 |
| 2.1 MATLAB/Simulink仿真平台简介 |
| 2.2 样本数据获取电路中参数的设置 |
| 2.3 阻性负载 |
| 2.4 阻感性负载 |
| 2.5 微型直流电机类负载 |
| 2.6 整流电容滤波类负载 |
| 2.7 三相电机型负载 |
| 2.7.1 三相异步电机型负载 |
| 2.7.2 三相同步电机型负载 |
| 2.8 单相异步电动机型负载 |
| 2.9 本章小结 |
| 第三章 电气负载类型分类特征提取 |
| 3.1 电气负载的启动电流特性 |
| 3.1.1 电气负载的启动特性 |
| 3.1.2 不同电气负载的启动电流特征 |
| 3.2 电气负载的电流频谱特性 |
| 3.2.1 离散傅里叶变换(DFT) |
| 3.2.2 使用DFT进行谐波分析 |
| 3.2.3 从离散傅里叶变换(DFT)到快速傅里叶算法(FFT) |
| 3.2.4 电气负载的电流频谱特征 |
| 3.3 启动电流特征和电流频谱特征的提取 |
| 3.4 本章小结 |
| 第四章 电气负载类型识别的分类器构建 |
| 4.1 基于决策树分类器的电气负载类型识别 |
| 4.1.1 决策树生成过程 |
| 4.1.2 决策树分类器的构建 |
| 4.1.3 决策树分类器仿真测试 |
| 4.2 基于贝叶斯分类器的电气负载类型识别 |
| 4.2.1 条件概率和乘法定理 |
| 4.2.3 朴素贝叶斯分类器的构建 |
| 4.2.4 贝叶斯分类器仿真测试 |
| 4.2.5 贝叶斯分类器和决策树分类器的优缺点 |
| 4.3 基于组合分类器的电气负载类型识别 |
| 4.3.1 组合分类器的概念 |
| 4.3.2 组合分类器的构建 |
| 4.3.3 组合分类器仿真测试 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 致谢 |
（7）电力变压器多参数信息融合故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器状态在线监测研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 多源信息融合在电力变压器故障诊断中的应用 |
| 1.3.1 多源信息融合技术 |
| 1.3.2 变压器故障诊断中的多源信息融合技术 |
| 1.4 本文主要研究内容 |
| 2 电力变压器故障诊断技术基础 |
| 2.1 电力变压器简介 |
| 2.2 电力变压器常见故障 |
| 2.3 电力变压器诊断算法 |
| 2.3.1 极限学习机 |
| 2.3.2 核极限学习机 |
| 2.3.3 AdaBoost集成算法 |
| 2.3.4 DS证据理论 |
| 2.4 本章小结 |
| 3 采用DGA的变压器故障诊断 |
| 3.1 基于PSO-ELM融合动态加权AdaBoost变压器故障诊断模型 |
| 3.1.1 ELM优化 |
| 3.1.2 PSO-ELM融合动态加权AdaBoost |
| 3.1.3 PSO-ELM融合动态加权AdaBoost变压器故障诊断 |
| 3.1.4 仿真分析 |
| 3.2 基于PSO-IGWO优化混合KELM变压器故障诊断模型 |
| 3.2.1 混合KELM |
| 3.2.2 PSO-IGWO混合算法 |
| 3.2.3 PSO-IGWO优化混合KELM变压器故障诊断 |
| 3.2.4 仿真分析 |
| 3.3 本章小结 |
| 4 采用多参数信息融合的变压器故障诊断 |
| 4.1 DS证据理论的改进 |
| 4.1.1 基于兰式距离函数的修正证据 |
| 4.1.2 基于光谱角余弦函数的修正证据 |
| 4.1.3 改进冲突再分配策略 |
| 4.2 基于M-RVM变压器故障诊断证据体构造 |
| 4.2.1 M-RVM模型 |
| 4.2.2 基于M-RVM构造证据体 |
| 4.3 多参数信息融合变压器故障诊断模型 |
| 4.3.1 特征量选取及故障类型划分 |
| 4.3.2 核函数选取及诊断过程 |
| 4.4 诊断实例分析 |
| 4.4.1 基于M-RVM与改进DS证据理论变压器故障诊断 |
| 4.4.2 综合诊断结果对比分析 |
| 4.5 本章小结 |
| 5 变压器故障诊断专家系统实现 |
| 5.1 变压器故障诊断专家系统总体架构 |
| 5.1.1 变压器故障诊断专家系统开发平台简介 |
| 5.1.2 变压器故障诊断专家系统总体架构实现 |
| 5.2 变压器故障诊断专家系统主要功能界面 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（8）数据流动态加权策略与自适应学习研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 2 数据流分类相关工作 |
| 2.1 相关概念 |
| 2.2 数据流分类算法 |
| 2.2.1 数据流单分类器分类算法 |
| 2.2.2 数据流多分类器分类算法 |
| 2.3 数据流窗口策略 |
| 2.4 数据流自适应学习 |
| 2.4.1 概念漂移检测 |
| 2.4.2 特征加权 |
| 2.4.3 实例加权 |
| 2.5 本章总结 |
| 3 概念漂移数据流中实例动态加权分类算法 |
| 3.1 概念漂移 |
| 3.2 算法基本思想 |
| 3.3 利用时间衰减函数计算实例权重 |
| 3.4 基于时间衰减模型的分类算法 |
| 3.5 本章总结 |
| 4 特征漂移数据流中特征动态加权分类算法 |
| 4.1 特征漂移 |
| 4.2 算法基本思想 |
| 4.3 基于相关性的特征权重度量 |
| 4.4 基于相关性动态特征加权的贝叶斯分类算法 |
| 4.5 本章总结 |
| 5 实验设计与结果分析 |
| 5.1 实验环境及数据集 |
| 5.1.1 实验平台 |
| 5.1.2 数据集 |
| 5.2 IDWNB算法的性能分析 |
| 5.2.1 对比实验 |
| 5.2.2 参数分析 |
| 5.3 FDWNB算法的性能分析 |
| 5.3.1 对比实验 |
| 5.3.2 参数分析 |
| 5.4 本章总结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于贝叶斯方法的风电功率概率性预测分析及研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 风电功率概率性预测研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 第2章 基于粗糙集属性约减和粒子群权重优化的朴素贝叶斯风电功率概率区间预测 |
| 2.1 引言 |
| 2.2 风电功率预测区间模型及其相关理论 |
| 2.2.1 粗糙集理论 |
| 2.2.2 朴素贝叶斯分类器 |
| 2.2.3 粒子群优化算法 |
| 2.3 RS-PSO-NBC风功率区间预测模型的建立 |
| 2.3.1 粗糙集选择条件属性 |
| 2.3.2 朴素贝叶斯分类器预测风电功率 |
| 2.3.3 粒子群优化输出权重 |
| 2.3.4 区间预测步骤 |
| 2.4 算例分析 |
| 2.4.1 粗糙集选择朴素贝叶斯条件属性 |
| 2.4.2 区间预测结果 |
| 2.4.3 PSO分段优化输出权重 |
| 2.4.4 仿真对比 |
| 2.5 本章小结 |
| 第3章 基于贝叶斯估计ARIMA参数的云变换误差拟合风电功率概率区间预测 |
| 3.1 引言 |
| 3.2 基于贝叶斯估计ARIMA参数的云变化误差拟合风功率区间预测 |
| 3.2.1 贝叶斯估计ARIMA模型参数 |
| 3.2.2 云变换拟合误差 |
| 3.2.3 粒子群寻优最佳分位点 |
| 3.3 风功率区间预测整体流程 |
| 3.3.1 模型建立 |
| 3.3.2 预测步骤 |
| 3.4 算例分析 |
| 3.4.1 ARIMA模型建立 |
| 3.4.2 云变换拟合误差分布 |
| 3.4.3 粒子群寻优最佳分位点 |
| 3.4.4 仿真结果与对比 |
| 3.5 本章小结 |
| 第4章 基于模糊C均值聚类分析的贝叶斯神经网络风电功率区间预测 |
| 4.1 引言 |
| 4.2 相关算法介绍 |
| 4.2.1 模糊C均值聚类 |
| 4.2.2 贝叶斯神经网络 |
| 4.2.3 核密度估计 |
| 4.3 基于模糊C均值聚类分析的贝叶斯神经网络风电功率区间预测 |
| 4.3.1 模型建立 |
| 4.3.2 预测步骤 |
| 4.4 算例分析 |
| 4.4.1 模糊C均值聚类结果 |
| 4.4.2 贝叶斯神经网络点预测结果 |
| 4.4.3 基于NKDE法的功率区间求取 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（10）基于最小分类误差的阈值优化方法设计（论文提纲范文）
| 0 引言 |
| 1 分类原理 |
| 1.1 Fisher分类原理和常用阈值 |
| 1.2 阈值优化 |
| 2 实验验证 |
| 3 实验结果 |
| 4 结语 |
四、离散贝叶斯分类算法及分类误差估计（论文参考文献）
- [1]IPv4&IPv6数据分析系统的设计与实现[D]. 吕泓卓. 北京交通大学, 2020(06)
- [2]两类非严格重复系统的迭代学习控制方法研究[D]. 郝旭欢. 北京交通大学, 2020(03)
- [3]采用微惯性传感器组合的可穿戴式人员定位技术研究[D]. 向高军. 重庆邮电大学, 2020(02)
- [4]基于机器学习的航天器损伤检测算法研究[D]. 张昊楠. 电子科技大学, 2020(07)
- [5]高压断路器故障诊断及维修决策研究[D]. 吴玲玲. 天津大学, 2019(01)
- [6]基于决策树与贝叶斯的电气负载类型识别方法研究[D]. 侯文浩. 湖南工业大学, 2019(01)
- [7]电力变压器多参数信息融合故障诊断技术研究[D]. 王享. 西安工程大学, 2019(02)
- [8]数据流动态加权策略与自适应学习研究[D]. 吴争. 北京交通大学, 2019(01)
- [9]基于贝叶斯方法的风电功率概率性预测分析及研究[D]. 付果. 华北电力大学(北京), 2019(01)
- [10]基于最小分类误差的阈值优化方法设计[J]. 张梦婷,李星野. 软件导刊, 2018(08)