一、神经网络BP算法在噪声主动控制中的应用（论文文献综述）
符金鑫[1]（2021）在《基于无标定视觉伺服的微动平台精密运动控制研究》文中研究表明视觉机器人伺服是一种控制系统,它使用收集的图像信息作为反馈信号来引导机器人执行任务。在基于图像的视觉伺服系统中,图像特征变化与机器人关节角变化之间的关系是非线性的,传统的标定方法在实际的生产生活中尤其是面临较为复杂的现场环境时往往难以取得较好的标定效果进而影响视觉伺服的精度和任务完成的速度。无标定技术自被提出以来就受到了广泛的关注,基于无标定技术的视觉伺服在未知的工作条件和较为复杂的工作任务时具有较强的适应性。本文以三菱机械臂为研究对象,设计了基于无标定技术的视觉伺服控制系统。首先对采集到的图像信息进行图像滤波、增强等预处理,利用Canny等算子对处理后的图像进行阈值分割,获取目标的轮廓信息,利用基于图像矩的改进模板匹配算法对目标图像进行识别工作;其次构建了基于反向传播神经网络和遗传算法（GA-BP）混合优化的视觉伺服控制器,利用遗传算法优化神经网络初始权重和阈值,加快了图像处理的速度和精度;最后提出了一种基于极限学习机和粒子群优化遗传算法（ELMPSO-GA）的机械臂逆解算法,结合了遗传算法全局搜索能力强和粒子群算法局部搜索能力强的特点,提高了机械臂逆解精度,实现了对机械臂的精密控制。本文设计并建立了基于无标定技术的视觉伺服控制系统,实验结果表明,所提控制器相较于传统控制方法而言具有更好控制效果,可以使末端执行机构以更快的速度完成更高精度的任务,实现了对其进行精密控制的功能,为机器人控制提供了一种有效的控制方法。
胡磊[2]（2021）在《基于深度学习的超临界机组给水流量预测及控制优化》文中研究指明超临界火电机组在能源利用、发电效率、环境污染和电网负荷调节等方面具备显着优势,因而已成为各个工业大国的关注热点和研究方向。超临界火电机组不同于亚临界机组利用汽包来完成汽水分离,因内部采用直流锅炉,给水控制相对比较复杂,所以对锅炉给水流量进行预测具有重要意义,可以为给水的预判和实时调整提供决策依据。本文首先从宏观角度对超临界机组直流锅炉的工作原理和结构特点进行了介绍,并以山西某电厂350MW超临界CFB机组的给水控制系统为研究对象,对其工艺流程和控制逻辑进行了详细的分析,分析出给水流量数据与主蒸汽流量、中间点焓值和机组运行负荷等运行参数存在强耦合关系,并对预测建模相关理论进行概述,为给水流量的预测建模提供了理论依据与准备。然后,将采集到的该电厂从2020年8月1日到8日的机组运行历史数据划分为训练集和测试集。将原始数据进行数据预处理后,进行特征选取作为预测模型的输入对锅炉给水流量进行短期预测和中长期预测,并利用测试集来检验模型训练效果。短期预测采用的是BP神经网络、PSO-BP神经网络和GA-BP神经网络这三种神经网络算法,中长期预测采用的是RNN算法、LSTM算法、GRU算法、Bi-LSTM算法以及EMD-LSTM算法这五种深度学习算法。对比测试集的MAE、RMSE和MAPE这三项预测性能指标后发现,EMD-LSTM算法的综合预测性能最好。最后,在对给水系统控制逻辑分析的基础上简化了给水系统控制模型,引入收缩因子对粒子群算法进行改进后,对给水系统控制模型的传递函数进行了辨识,并以EMD-LSTM算法输出的锅炉给水流量预测值为指导,作为控制模型的设定值输入,设计了基于模糊PID控制的给水系统控制方案。仿真结果表明,模糊PID控制系统相比常规PID控制具有更好的稳定性、动态响应性能和抗扰动性能,能够提高给水控制的品质。
孟豪[3]（2021）在《纯电动汽车路噪主动控制方法研究》文中指出随着我国汽车产品消费升级,NVH（Noise Vibration&Harshness）性能成为衡量汽车品质和决定顾客购买意愿的重要因素之一。纯电动汽车作为汽车未来发展的主要趋势,在行驶过程中,低频宽带路噪对车内噪声的贡献相较于传统汽车显着提升。传统的被动降噪方法对低频噪声的降噪效果有限,主动噪声控制技术通过发出与初级噪声源相等幅值相反相位的次级声源进行抵消衰减,能够在指定的区域内实现静声区,对低频噪声有较好的降噪效果。纯电动汽车车内低频噪声主要来源于轮胎与路面相互作用产生的结构路噪,因此降低车内低频噪声的关键在于对车辆结构（轮心、悬架、底盘和车身）传递噪声的主动控制。本文基于以上分析,研究了主动噪声控制系统的原理及实施方法。根据车内结构路噪的特性,开发了新的自适应主动噪声控制方法以降低纯电动汽车车内路噪。结构路噪是由轮胎和路面接触面压缩、滚挤和释放时产生的激励力所引起,因此车内路噪与车辆不同结构部位的振动加速度信号具有一定相关性。纯电动汽车车内路噪的主动控制策略为:首先,利用神经网络通过相干度较高的振动加速度信号对车内路噪信号进行辨识。然后,采用改进的前馈FXLMS算法对纯电动汽车车内路噪实施主动控制。根据研究的控制方法,完成以下工作:采用改进的BP（Back Propagation,反向传播）神经网络算法辨识车内路噪信号,将同时测得的车辆不同结构部位的振动加速度信号和驾驶员头枕部位的噪声信号作为辨识模型的输入和输出,验证改进BP神经网络的辨识效果。在主动噪声控制算法研究的过程中,提出了对参考信号和误差信号进行限幅的增强广义自适应权重限制EGMACFx LMS算法,此后又提出了基于PSO算法（Particle Swarm Optimization,粒子群优化）且带有参考信号平滑滤波器的自适应步长NASFSx LMS-PSO算法,进一步提高了降噪性能。基于提出车内路噪主动控制方法,在MATLAB/Simulink中搭建了纯电动汽车车内路噪主动控制模型。模拟不同的噪声信号,并作为EGMACFx LMS和NASFSx LMS-PSO算法的参考信号,仿真初步验证了提出的主动降噪算法的有效性。在MATLAB/Simulink搭建的主动噪声控制模型中,使用实车采集的不同行驶工况下的噪声信号和振动加速度信号作为参考信号进行降噪仿真。当以噪声信号为参考信号时,降噪频带宽度可达300Hz,降噪量集中分布在5-12d B（A）。当以振动加速度信号为参考信号时,最大降噪量可达20d B（A）。此后,基于提出的纯电动汽车路噪主动方法进一步搭建了硬件在环试验平台,并利用采集的实车数据进行降噪试验。当车内噪声信号作为参考信号时,主动噪声控制系统实现的降噪频带宽度可达120-260Hz,降噪量集中分布在3-8d B（A）,最大降噪量达17d B（A）。当以振动加速度信号作为参考信号时,主动噪声控制系统对噪声信号60-300Hz频段具有较好的控制效果,降噪量集中分布于2-7d B（A）,最大降噪量达13d B（A）。
谢良才[4]（2021）在《基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用》文中提出近十几年来,随着人们利用信息技术采集和分析数据能力的大幅提升以及人工智能技术的快速发展,极大的推动了数据挖掘技术在各类基础科学研究中的快速兴起,尤其是以人工神经网络智能算法为基础的数据挖掘技术应用更为广泛。鉴于此,本文以非线性映射能力、并行处理能力以及容错性能优异且广泛使用的BP神经网络数据挖掘技术为基础,将数据挖掘的方法和思想引入到煤热转化领域的数据规律挖掘之中,以期在煤质基础数据与其热转化特性之间探寻出有价值的内在规律或关系。本文的研究内容主要包括高性能数据挖掘技术的设计和在煤热转化领域实际应用两个方面的研究工作。首先,本文全面阐述了数据挖掘的基本理论与方法。在了解并分析了多种数据挖掘技术的基础上,重点对基于BP神经网络的数据挖掘技术进行了深入的分析与阐述。进一步的,本文针对BP神经网络算法中存在的收敛速度慢、网络初值随机性、易陷入局部极小等不足,提出了一种多算法优势集成、联合优化的改进型算法（HA-BP）,并在非线性函数仿真中得到了充分论证。此外,本文基于HA-BP算法分别设计了HA-BP-3δ异常数据检测模型、HA-BP-MIV变量因素分析模型,它们的可靠性与实用性同样在非线性函数仿真中得到了充分论证。而后,本文将该数据挖掘技术应用于煤质基础数据（工业分析、元素分析、灰成分分析）对煤燃烧发热量、煤热解特性、煤气化灰流动温度的数据规律挖掘（预测目标）研究中。（1）煤工业分析、元素分析与燃烧发热量之间的数据规律挖掘本节以104组我国不同地域（涵盖了华东、华中、华北、华南以及西北地区）的煤质基础分析数据（工业分析、元素分析）以及发热量（Qnet,ad）数据样本为研究基础。首先,采用HA-BP-3δ模型剔除了6组原始训练数据样本。清洗后的样本（原始数据使用率达到93%）,经HA-BP计算的总数据集的平均绝对误差为0.22 MJ/Kg。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,FCad、Cad、Had、Nad以及Sad与煤的发热量呈正相关性,Mad、Aad与煤的发热量呈负相关性。此外,7个因素对煤发热量的影响大小为:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad对煤发热量的累计影响值达到了总贡献率的90.31%。进一步的,基于三个主要因素计算的平均绝对误差为0.47 MJ/Kg。此外,鉴于部分企业缺乏煤质元素分析的数据,进而难以使用该算法挖掘到的内在关系,为此,本文进一步的使用煤质工业分析的Mad、Aad、FCad作为输入变量,借助HA-BP模型对发热量进行了研究。计算结果发现,仅通过工业分析数据计算的发热量总样本集的平均绝对误差为0.36MJ/Kg。（2）煤热解失重特性与工业分析、元素分析数据之间的数据规律挖掘本节以10组不同产地的煤为研究样本,借助HA-BP模型考察了煤（加氢）热解失重特性曲线与其工业分析、元素分析之间的内在关联。为了实现对煤热解失重特性曲线“线”预测的目标,本文首先基于煤热解失重的典型特征,有针对性的提取了部分数据点。经HA-BP计算后,发现训练样本、检验样本的计算值与实验值数据点的相关性R2分别为0.9966、0.9943。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,T、Ad、Vd、Hd、Sd对煤热解失重呈现正相关性;Cd、Nd对煤热解失重呈现负相关性。此外,7个因素对煤热解失重结果的影响大小为T>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd这4个因素对煤热解失重的累计影响达到了总贡献率的98.26%。进一步的,我们发现基于4个主要因素预测的精度与7因素下的预测精度几乎相当。最后,基于简化后的4个主要因素成功的预测出了未知煤样的热解失重特性曲线（精度为每隔1 ℃）,且整条失重曲线（200～1100 ℃）的绝对误差不超过2.25%。同样的方式,基于4个主要因素也成功的预测出了未知煤样的加氢热解失重特性曲线。（3）气化环境下的煤灰流动温度（FT）与其灰成分之间的数据规律挖掘本节以321组不同类型的煤灰组成以及FT数据样本作为研究基础。首先,采用HA-BP-3δ模型剔除了27组原始训练数据样本。清洗后的样本（原始数据使用率达到92%）,经HA-BP计算的总数据集的平均绝对误差为25 ℃。在此基础上,借助HA-BP-MIV算法分析了各个化学组成对FT的影响。分析结果显示,SiO2、Al2O3、TiO2与FT之间表现出正相关性;CaO、Fe2O3、MgO、K2O+Na2O与FT之间表现出负相关性。此外,7个因素对FT的影响大小为:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,进一步的,基于变量因素的分析结果选取了3类典型的煤灰样本,在模拟高温、气化的环境下进行了结渣机理分析,并总结了不同煤灰的结晶特征。基于此,本文将煤灰分为酸性灰、中性灰、碱性灰三个类型,其中酸性灰的FT绝大多数都高于1400 ℃。而后,借助HA-BP-MIV分别对中性灰、碱性灰进行了关键特征参量的分析,并发现探寻到的关键特征参量与FT之间存在着显着的线性相关性。最后,通过实际测试值对基于关键特征参量提出的关系式进行了验证,并取得了良好的效果。这为调控FT助剂类型的选择、添加量的确定以及不同煤种的配煤和配煤比例提供了更为直接、有效的指导。本节提出的单因素、易调控的FT计算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:碱性灰,A/B<0.96,FT=116.81x2+1122.3.经本文的研究发现,煤质基础数据与其发热量、热解特性、FT之间确实存在着紧密的内在联系,通过数据挖掘的思想和方法,不仅实现了对煤热转化数据的异常数据诊断以及高效预测,而且实现了基础数据样本的有效增值,更为煤热转化过程中的数理分析、影响因素分析甚至后续的研究主攻方向等提供了新的研究方法和思路。
王懿[5]（2021）在《基于改进BP神经网络的水轮机控制算法研究》文中指出水电是一种重要的清洁能源,在历经几十年的发展后中国水电总装机量已经跃居世界前列。水轮机调速器是水轮机调节系统中的重要组成部分,承担着调整机组负荷增减、启停机等任务。目前水轮机调速器大多采用微机调速器,其控制策略也通常为传统PID控制。传统PID控制算法具有结构简单,鲁棒性强等优点,但其往往也存在参数整定不良,性能欠佳,对运行工况适应性差等问题。鉴于此,作者基于改进BP神经网络算法开展研究,并将其用于水轮机调节系统的仿真控制。首先,在BFGS-BP神经网络算法基础上,对其所涉及的近似Hessian阵迭代过程中引入岭回归进行优化,得到一种基于改进BP神经网络算法的岭回归拟牛顿BP（TR-BFGS-BP）神经网络算法。经编程验证,优化后算法的数值稳定性与收敛精度得到显着提升。其次,使用固定初始权值训练法与小批量优化训练法对TR-BFGS-BP神经网络算法进行优化,结果表明,这两种优化训练法能有效提升算法收敛速度,降低算法陷入局部最小的风险。最后,为验证TR-BFGS-BP控制算法在水轮机调节系统的性能,利用Matlab/Simulink中的S函数将其嵌入到水轮机调节系统中进行仿真。结果表明,TR-BFGS-BP控算法能够自适应被控对象,较传统PID控制算法的超调量、调节时间大幅减小。
容毅标[6]（2020）在《卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析》文中研究说明随着现代社会的发展,眼病患者的数量呈现出一种不断增长的趋势。这势必会导致医生的负担也不断增加。因此,研究开发计算机辅助眼病诊断系统意义重大:一方面它可以辅助医生进行诊断,减轻医生负担,提高诊断效率;另一方面它可以为患者提供早期病变信息,从而做到及早发现及早治疗。在一个计算机辅助眼病诊断系统中,图像分类、分割及回归分析是其重要的功能组成部分。本文基于卷积神经网络,分别围绕这三个问题展开研究。针对分类问题,本文提出了一个代理辅助的视网膜光学相干断层扫描（Optical Coherence Tomography,OCT）图像分类算法,该算法通过代理图像实现数据的扩充和分类。具体的,该算法首先对图像进行降噪处理,接着基于降噪图像提取出前景掩模,并利用降噪图像和前景掩模生成大量原图的代理图像。然后利用代理图像训练卷积神经网络,并利用训练好的卷积神经网络对代理图像进行分类。原图的最终分类结果则由这些代理图像的分类结果的平均值决定。该算法在不同的数据库上进行了测试,并取得了十分有竞争力的结果。针对分割问题,本文结合卷积神经网络与参数主动轮廓模型间的优势,提出了一个梯度向量流网络分割算法。该算法利用梯度向量流作为参考训练卷积神经网络,接着利用训练好的卷积神经网络从原图像中导出一个外力,并利用该外力实现轮廓的初始化,最后该外力被整合到主动轮廓模型中,从而实现最终的目标边缘检测。该算法在不同的眼科医学图像分割任务中进行了测试,包括眼底彩照图像中的视盘分割以及OCT图像中的积液分割。此外,为了说明该算法的通用性,该算法也在超声图像中的胎头分割任务上进行了测试。大量的实验结果表明该算法是十分有效的。针对回归分析问题,本文利用卷积神经网络直接预测OCT图像中的新生脉络膜血管（Choroidal Neovascularization,CNV）的面积,并探讨了输入形态将会对网络的性能造成何种影响。本文收集了4060张B-scan图像对该问题展开了研究。研究发现,与分割法进行对比,直接法所得的结果是十分有竞争力的,尤其是对于那些难以准确分割的情况,分割法通常会失效,而直接法依旧可能会得到准确的预测结果。此外,该研究还发现当对CNV进行有效的增强时,网络的性能将得到提高;当输入中包含的信息达到一定量时,输入的具体形式对网络的性能影响不大,如用图像作为输入和用图像的方向梯度直方图作为输入时的性能差别不大,而用图像的直方图作为输入时,性能则会显着下降。这些发现可以为进一步改善网络的性能提供参考。总的来说,本文的研究对于促进计算机辅助眼病诊断系统的发展具有重要意义。针对分类问题,所提的代理辅助视网膜OCT图像分类算法可以对数据实现有效的扩充。针对分割问题,所提的梯度向量流网络分割算法可以有效整合卷积神经网络与参数主动轮廓模型间的优势,提高分割结果的准确率。针对回归分析问题,研究利用直接法对CNV面积进行预测,这将有助于促进直接法在CNV面积预测中的应用。
王迦祺[7]（2020）在《基于智能计算的模块化非线性系统辨识研究》文中认为非线性系统辨识一直是过程控制领域中的热点问题。而模块化模型作为非线性模型的一种,便于操作,能够有效拟合实际生产系统,因此常用于非线性系统辨识中。考虑到智能计算领域近年来发展飞快,成功解决了诸多非线性系统辨识问题,本文主要针对两种典型的模块化模型:Wiener模型和Hammerstein模型,结合智能优化算法和神经网络来研究具体辨识方案。主要内容包括:（1）针对标准粒子群优化算法（PSO）易早熟收敛等缺点,通过引入早熟收敛程度评价指标,将种群分类后对其位置进行自适应调整,提出了一种改进的粒子群优化算法（MPSO）。针对标准飞蛾优化算法（MFO）横向定位机制的低效性,将高斯混合分布思想引入其位置更新和种群初始化中,提出了一种新型的高斯混合飞蛾优化算法（GMFO）,并通过测试函数证明了其有效性。（2）针对Wiener模型进行研究,线性模块用动态线性神经元来表示,非线性模块分别用BP神经网络和RBF神经网络来逼近,将模型表达成串联的网络结构。将双层优化策略应用到辨识中,内层学习采用BP算法,而外层学习采用MPSO算法,之后通过对CO2浓度系统的辨识证明了辨识方案的有效性。（3）研究SISO Hammerstein模型,利用函数连接型神经网络（FLANN）来表示非线性模块,通过将均方误差（MSE）定为评价指标,利用提出的GMFO算法对FLANN-IIR结构进行训练,很好地结合了 GMFO算法的计算能力和FLANN的非线性拟合能力。最后通过几组实例证明了方法的有效性。（4）研究重尾噪声影响下的MIMO Hammerstein模型辨识问题。考虑到传统辨识算法受到重尾噪声干扰可能会失效,而GMFO算法中的高斯混合飞行策略能够有效应对重尾噪声中离群点的干扰,我们将静态非线性模块用RBF神经网络来拟合,利用GMFO算法将RBFNN的训练和线性部分的参数辨识同步进行。最后实验证明了辨识方案的有效性和对离群点的鲁棒性。
余滨杉[8]（2018）在《高压输电塔结构地震响应被动—半主动混合控制分析与试验》文中进行了进一步梳理输电塔是生命线工程的重要组成部分,一旦在强震中遭到破坏,不仅会给国家造成巨大经济损失,而且还会引发火灾、缺水、断气等次生灾害,对震后救灾和重建也影响很大。然而,由于地震的复杂性和输电塔结构的特殊性等,即使按照最新抗震规范设计的输电塔结构,在近期发生的一些地震中仍然出现严重破坏或倒塌,导致整个生命线工程陷入瘫痪。这就迫使研究人员不得不寻求一些新的抗震设计理论或减震方法,以确保这类结构在地震中的安全。本文以形状记忆合金（Shape Memory Alloy,SMA）和压电堆为核心元件,研发了一种SMA被动-压电堆半主动摩擦混合减震系统,并将其应用于输电塔结构地震响应的混合控制分析和试验,得出了一些创新性结论和建议。主要内容如下:（1）根据输电塔结构地震响应的主要特点和震害调查结果,利用SMA和压电堆特殊的物理力学性能,研发制作了一种体积较小、便于与输电塔结构集成的一体化SMA被动-压电堆半主动摩擦混合减震控制系统。该系统的工作原理主要为,结构地震响应较小时,以SMA被动消能减震为主,地震响应较大时,压电堆半主动摩擦装置发挥较大作用,同时两者共同工作,最后再利用SMA进行系统的震后复位。这样既可以保证混合减震控制系统工作性能的可靠性,又能够根据结构地震响应控制需要进行结构的被动或混合减震控制,明显提高系统的减震控制能力。（2）基于上述一体化SMA被动-压电堆半主动摩擦混合减震控制系统的研发结果,同时考虑到输电塔结构的地域特殊性,设计独立光伏发电装置作为系统的能源供给,进行了混合减震控制系统的优化分析和减震控制性能试验,研究了SMA的初始状态、压电堆的工作条件和激励电压等因素对该系统混合减震控制效果的影响,探讨了相应的优化设计和构造方法,总结了影响系统减震控制效果的一般规律。结果表明,文中研发的混合减震控制系统体积较小,便于与结构杆件集成,被动减震和混合减震控制能力均较好,特别是压电堆半主动摩擦装置工作后,混合减震控制能力明显提高,绝对最大控制力与电压基本上呈线性增大关系,当位移幅值为13mm,同时施加120V电压时,系统的耗能能力提高了135%,等效阻尼比提高了90%以上。（3）以SMA丝材和混合减震控制系统的试验结果为基础,采用不同的神经元输入,对二者建立了BP网络预测本构模型,并利用遗传算法分别对SMA丝材和混合减震系统BP预测模型的权阈值进行了优化分析,建立了2种优化后的BP网络预测本构模型。结果表明,混合减震控制系统以位移、电压和速率等作为系统预测本构模型的神经元输入,可简化神经元的输入参量,方便工程应用,特别是经遗传算法优化的BP网络模型能够提高系统预测本构模型的精度和稳定性,可用于系统的优化设计和研发。（4）针对基本免疫克隆选择算法存在的一些问题,引入抗体浓度和自适应变异对其进行了改进,提出了一种改进的免疫克隆选择算法。将模态可控度作为优化配置的性能指标,以某实际典型输电塔结构为原型,采用文中改进的免疫克隆选择算法,对该结构模型中混合减震控制系统的配置数量和位置等进行了优化分析,研究了优化减震控制效果。结果表明,改进的免疫克隆选择算法具有丰富的种群多样性,寻优能力强,收敛速度快,经其计算得出的优化配置方案能够使结构获得较高的控制性能指标,减震控制效果提高。一般地,经过优化方案配置后结构的减震控制效果比未优化任意配置时可提高20%左右。（5）结合模糊控制和神经网络算法二者的优势,设计了一种适用于输电塔结构混合减震控制的模糊神经网络计算模型,采用上述改进的免疫克隆选择算法得到的最优配置方案,将文中研发的混合减震控制系统集成于上述典型输电塔模型结构之中,进行了输电塔结构地震响应混合减震控制的数值模拟,分析了减震控制规律和效果。结果表明,采用文中的模糊神经网络计算模型和优化配置的混合减震控制系统,可明显减小结构的地震响应,减震控制效果基本可达50%。（6）以某实际典型输电塔结构为原型,设计制作了一个相似比为1/15的输电塔缩尺模型结构,根据改进的免疫克隆选择算法对其优化配置了文中的混合减震控制系统,采用模糊神经网络控制算法,进行了模型结构在无控和受控时共18个工况下的模拟地震振动台试验,分析了无控时试验模型的动力响应和混合控制时减震系统对试验模型的减震控制效果。试验表明,文中的混合减震控制系统能够有效提高模型结构的整体性能,明显降低模型结构的地震响应,其中7度罕遇地震作用下结构的位移响应减震效果最大可达50%,8度罕遇地震作用下结构加速度响应减震效果最大可达42%,可见文中研发的混合减震控制系统和模糊神经网络控制算法减震控制效果明显,值得进一步研究和推广应用。
陈长征,陈宇,白晓天[9]（2016）在《基于GA-BP神经网络的汽车排气系统噪声主动控制》文中研究指明发动机排气系统噪声主动控制相对于被动控制具有更好的效果。其中控制算法的选取决定了降噪效果的好坏。目前主要应用BP神经网络算法对发动机排气噪声进行控制,但是BP网络算法存在一些缺点,比如容易陷入局部极小值、收敛精度低等。将GA-BP算法引入汽车排气系统噪声主动控制中,建立基于GA-BP神经网络的汽车排气噪声主动控制系统的仿真模型。由仿真结果得出,所提方法能够使BP网络算法的收敛精度明显得到改善,有效地提高了噪声主动控制系统的降噪效果。
陈宇[10]（2016）在《油电混合汽车排气系统噪声主动控制研究》文中研究表明随着汽车工业的快速发展和人们对环保理念的加深,新能源汽车备受消费者的青睐,油电混合汽车因其具有诸多优势在新能源汽车中崭露头角。同时由于人们对汽车乘坐舒适性的关注,使得汽车研发更加注重汽车的NVH性能。汽车排气系统的性能对汽车的整体性能有着重要影响。噪声是汽车对环境污染的重要指标之一。对于噪声的控制分为主动控制和被动控制两种方法。目前大多采用被动控制方法应用于对排气系统的噪声控制,主要针对于中高频噪声的控制,但是对低频噪声控制效果并不是很好。而噪声主动控制方法针对低频噪声具有很好的消声效果,恰好能解决汽车排气噪声中的低频部分。在噪声主动控制系统中,控制算法的选取直接影响到对噪声的控制效果。当下比较广为应用的是具有计算量小、简单且容易实现的基于线性自适应滤波理论的控制算法,如LMS算法。但是面对解决存在非线性的复杂问题时,线性控制算法便无法体现它的优点,这时候就需要应用非线性算法对问题进行处理。由于对汽车排气系统噪声中的中高频部分控制的研究已经比较成熟,本文主要研究汽车排气系统噪声中低频部分的控制,使用非线性控制算法来代替应用较为广泛的LMS算法。BP神经网络算法在解决非线性问题方面具有很强的实际应用能力。但是随着对其越来越深入的研究及应用,BP算法也显露出收敛精度较低、容易陷入局部极小值、对初始权值的选定比较敏感等缺点。本文引入具有全局优化特性、收敛精度高的遗传算法,来确定BP网络初始权值和阈值。进而提出GA-BP算法。本文建立前馈结构的汽车排气系统噪声主动控制系统模型,在对发动机排气噪声的产生机理和频率构成进行分析的基础上,利用MATLAB/Simulink软件进行仿真实验,分别比较采用LMS算法、BP网络算法、GA-BP神经网络算法的仿真结果。结果显示,对于存在非线性问题的系统,神经网络算法效果优于LMS算法,改进的GA-BP算法比BP算法的效果更好。为了验证本文提出的算法的有效性,对实测到的某款油电混合汽车的排气噪声进行处理,也取得了不错的效果。进一步表明,本文基于非线性控制算法的噪声主动控制方法能够有效地降低汽车排气噪声,其具有一定的应用价值,对汽车排气噪声主动控制的研究提供一定的参考。
二、神经网络BP算法在噪声主动控制中的应用（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、神经网络BP算法在噪声主动控制中的应用（论文提纲范文）
（1）基于无标定视觉伺服的微动平台精密运动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 基于视觉伺服的微动平台研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本课题研究内容及组织结构 |
| 1.4.1 本课题研究的主要内容 |
| 1.4.2 论文内容结构安排 |
| 第2章 常用视觉伺服控制方法概述 |
| 2.1 视觉伺服控制原理 |
| 2.2 视觉伺服控制分类 |
| 2.3 视觉伺服模型标定法与无标定法 |
| 2.3.1 标定法 |
| 2.3.2 无标定法 |
| 2.4 自动对焦系统设计 |
| 2.4.1 图像清晰度评价函数 |
| 2.4.2 自动对焦系统设计 |
| 2.5 常用的视觉伺服控制算法 |
| 2.5.1 逆雅克比矩阵法 |
| 2.5.2 PID算法 |
| 2.5.3 任务函数法 |
| 2.5.4 自适应控制算法 |
| 2.5.5 智能视觉伺服算法 |
| 2.6 本章小结 |
| 第3章 目标图像处理与分析 |
| 3.1 图像预处理与边缘检测 |
| 3.1.1 颜色空间转换 |
| 3.1.2 图像滤波 |
| 3.1.3 图像灰度化与增强 |
| 3.2 图像分割与轮廓提取 |
| 3.2.1 图像二值化 |
| 3.2.2 图像边界分割 |
| 3.2.3 目标特征提取 |
| 3.3 基于改进模板匹配的多目标识别 |
| 3.4 实验分析 |
| 3.4.1 图像边缘提取实验 |
| 3.4.2 模板匹配实验 |
| 3.5 本章小结 |
| 第4章 无标定图像视觉伺服控制器设计 |
| 4.1 图像雅克比矩阵建立 |
| 4.2 基于图像的视觉伺服框架设计与稳定性分析 |
| 4.3 视觉伺服控制器设计 |
| 4.3.1 神经网络结构基础 |
| 4.3.2 遗传算法简介 |
| 4.3.3 混合优化遗传BP网络视觉伺服控制器 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第5章 末端执行机构运动学求解算法设计 |
| 5.1 机器人运动学基础 |
| 5.1.1 位置描述 |
| 5.1.2 方位描述 |
| 5.1.3 坐标变换 |
| 5.1.4 运动位姿表示 |
| 5.1.5 运动学方程推导与模型建立 |
| 5.2 正逆运动学分析与求解 |
| 5.2.1 正运动学分析 |
| 5.2.2 逆运动学分析 |
| 5.3 机器人动力学 |
| 5.4 基于ELM-PSO-GA末端执行机构逆解算法 |
| 5.4.1 极限学习机ELM |
| 5.4.2 PSO-GA算法 |
| 5.4.3 基于ELM-PSO-GA的机械臂逆解算法 |
| 5.5 实验分析 |
| 5.5.1 ELM与 ANN对比分析 |
| 5.5.2 主流优化算法逆解性能对比分析 |
| 5.5.3 ELM-PSO-GA算法逆解结果及对比分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（2）基于深度学习的超临界机组给水流量预测及控制优化（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 预测建模方法的发展现状 |
| 1.2.2 超临界机组给水系统的发展现状 |
| 1.3 课题主要研究内容 |
| 1.4 本章小结 |
| 第二章 超临界机组给水系统介绍与分析 |
| 2.1 超临界机组直流锅炉概述 |
| 2.1.1 超临界机组直流锅炉的工作原理 |
| 2.1.2 超临界机组直流锅炉的结构特点 |
| 2.2 超临界机组给水控制系统简介 |
| 2.2.1 超临界机组给水系统的工艺流程 |
| 2.2.2 超临界机组给水系统的控制逻辑 |
| 2.3 本章小结 |
| 第三章 预测建模相关理论概述 |
| 3.1 数据预处理方法 |
| 3.1.1 数据缺失值处理 |
| 3.1.2 数据异常值处理 |
| 3.1.3 数据噪声处理 |
| 3.1.4 数据标准化处理 |
| 3.2 特征选取方法 |
| 3.3 深度学习相关基本概念 |
| 3.3.1 感知器训练 |
| 3.3.2 浅层神经网络 |
| 3.3.3 深度神经网络 |
| 3.4 预测精度分析方法 |
| 3.5 本章小结 |
| 第四章 超临界机组给水流量预测模型建立与结果分析 |
| 4.1 数据获取与数据特点 |
| 4.1.1 数据获取 |
| 4.1.2 数据特点 |
| 4.2 数据预处理 |
| 4.3 特征分析与特征选择 |
| 4.4 基于神经网络的超临界机组给水流量短期预测 |
| 4.4.1 BP神经网络预测模型 |
| 4.4.2 PSO-BP神经网络预测模型 |
| 4.4.3 GA-BP神经网络预测模型 |
| 4.4.4 算例分析 |
| 4.5 基于深度学习的超临界机组给水流量中长期预测 |
| 4.5.1 RNN算法预测模型 |
| 4.5.2 LSTM算法预测模型 |
| 4.5.3 GRU算法预测模型 |
| 4.5.4 Bi-LSTM算法预测模型 |
| 4.5.5 EMD-LSTM算法预测模型 |
| 4.5.6 算例分析 |
| 4.6 本章小结 |
| 第五章 超临界机组给水系统控制优化 |
| 5.1 系统建模方法及方法简介 |
| 5.2 基于改进粒子群算法的给水系统模型辨识 |
| 5.3 模糊PID控制器 |
| 5.3.1 PID控制原理 |
| 5.3.2 模糊PID控制算法基本原理 |
| 5.3.3 模糊PID控制器的设计 |
| 5.4 基于模糊PID控制器的给水系统控制 |
| 5.5 仿真实验结果及分析 |
| 5.6 抗扰动分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 存在的问题及今后工作的愿望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（3）纯电动汽车路噪主动控制方法研究（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 主动噪声控制技术研究历程及现状 |
| 1.2.1 主动噪声控制算法研究 |
| 1.2.2 主动噪声控制技术应用实例及拓展 |
| 1.3 车内主动噪声控制技术研究现状 |
| 1.3.1 车内发动机噪声主动控制技术研究现状 |
| 1.3.2 车内路噪主动控制技术研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 车内路噪主动控制技术理论基础 |
| 2.1 主动噪声控制技术声学原理 |
| 2.2 主动噪声控制系统基本结构 |
| 2.2.1 前馈控制 |
| 2.2.2 反馈控制 |
| 2.3 自适应滤波器 |
| 2.3.1 有限脉冲响应FIR滤波器 |
| 2.3.2 无限脉冲响应IIR滤波器 |
| 2.4 自适应算法 |
| 2.4.1 最小均方LMS算法 |
| 2.4.2 滤波-x最小均方FxLMS算法 |
| 2.5 次级声通路建模 |
| 2.6 BP神经网络预测方法 |
| 2.7 本章小结 |
| 第3章 纯电动汽车车内路噪主动控制方法 |
| 3.1 纯电动汽车车内路噪特性分析 |
| 3.2 路噪主动控制算法 |
| 3.2.1 EGMACFxLMS算法 |
| 3.2.2 NASFSxLMS-PSO算法 |
| 3.2.3 算法的性能分析 |
| 3.3 基于改进 BP 神经网络的路噪辨识 |
| 3.3.1 BP神经网络的改进 |
| 3.3.2 改进BP神经网络路噪辨识应用设置 |
| 3.4 本章小结 |
| 第4章 车内路噪主动控制系统性能仿真分析 |
| 4.1 基于模拟信号的主动噪声控制算法降噪性能分析 |
| 4.2 纯电动汽车路噪主动控制模型 |
| 4.3 纯电动汽车车内路噪主动控制仿真分析 |
| 4.3.1 基于采集的车内噪声数据仿真分析 |
| 4.3.2 基于改进BP神经网络辨识的噪声数据仿真分析 |
| 4.4 本章小结 |
| 第5章 纯电动汽车路噪主动控制平台搭建及试验 |
| 5.1 纯电动汽车路噪主动控制平台搭建 |
| 5.2 纯电动汽车路噪主动控制硬件在环试验 |
| 5.2.1 基于实际采集的噪声数据的硬件在环试验 |
| 5.2.2 基于振动加速度信号数据的硬件在环试验 |
| 5.3 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 全文展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（4）基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用（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 常见的煤热转化方式 |
| 1.3 国内、外数据挖掘的研究及应用现状 |
| 1.4 数据挖掘的由来 |
| 1.5 数据挖掘的任务及基本过程 |
| 1.5.1 数据挖掘的任务 |
| 1.5.2 数据挖掘的基本过程 |
| 1.6 常用的数据挖掘的方法 |
| 1.7 人工神经网络 |
| 1.7.1 主要的人工神经网络模型 |
| 1.8 本文的组织框架及研究内容 |
| 第二章 BP神经网络的算法理论及其算法优化探究 |
| 2.1 BP神经网络概述 |
| 2.2 BP神经网络的运行机制 |
| 2.2.1 BP神经网络的理论推理过程 |
| 2.3 BP神经网络的优缺点 |
| 2.3.1 BP神经网络的优点 |
| 2.3.2 BP神经网络的缺点 |
| 2.4 BP神经网络算法的优化分析 |
| 2.4.1 自身算法的直接改进 |
| 2.4.2 与其它智能算法的联用 |
| 2.4.3 多算法优势集成的设计与实现(HA-BP) |
| 2.5 BP神经网络算法优化的检验 |
| 2.5.1 建模与分析 |
| 2.5.2 BP神经网络的计算效果分析 |
| 2.5.3 A-BP神经网络的计算效果分析 |
| 2.5.4 GA-BP神经网络的计算效果分析 |
| 2.5.5 PSO-BP神经网络的计算效果分析 |
| 2.5.6 HA-BP神经网络的计算效果分析 |
| 2.5.7 各模型计算效果对比 |
| 2.6 本章小结 |
| 第三章 异常数据检测(剔除)及变量因素分析(选择) |
| 3.1 异常数据检测(剔除) |
| 3.1.1 异常数据检测方法 |
| 3.1.2 非线性函数仿真验证 |
| 3.1.3 检测效果分析 |
| 3.2 变量因素的分析与选择 |
| 3.2.1 特征参量的选取方法 |
| 3.2.2 HA-BP-MIV算法的实现过程 |
| 3.2.3 HA-BP-MIV算法的仿真验证 |
| 3.3 本章小结 |
| 第四章 煤燃烧发热量的预测探究 |
| 4.1 引言 |
| 4.2 样本情况 |
| 4.3 基于工业分析、元素分析数据预测发热量的建模与探究 |
| 4.3.1 发热量计算的建模与分析 |
| 4.3.2 发热量的预测以及异常数据检测 |
| 4.3.3 影响发热量的变量因素分析 |
| 4.3.4 主要因素提取与计算效果分析 |
| 4.4 基于工业分析数据计算发热量的探究 |
| 4.5 本章小结 |
| 第五章 煤(加氢)热解失重特性曲线的预测探究 |
| 5.1 引言 |
| 5.2 煤样情况 |
| 5.3 基于工业分析、元素分析的煤热解失重特性预测模型 |
| 5.3.1 热解失重实验 |
| 5.3.2 特征数据点的选择与模型建立 |
| 5.3.3 变量分析与筛选 |
| 5.3.4 主要因素的计算效果分析 |
| 5.3.5 热解失重曲线的预测 |
| 5.4 基于工业分析、元素分析的煤加氢热解失重特性预测模型 |
| 5.4.1 加氢热解失重实验 |
| 5.4.2 特征数据点的选择与模型建立 |
| 5.4.3 变量分析与筛选 |
| 5.4.4 主要因素的计算效果分析 |
| 5.4.5 加氢热解失重曲线的预测 |
| 5.5 本章小结 |
| 第六章 煤灰流动温度(FT)的预测探究 |
| 6.1 引言 |
| 6.2 样本情况 |
| 6.3 基于煤灰组成数据预测FT的建模与探究 |
| 6.3.1 预测FT的建模与分析 |
| 6.3.2 FT的预测以及异常数据检测 |
| 6.3.3 影响FT的变量因素分析 |
| 6.3.4 主要因素提取与计算效果分析 |
| 6.4 典型灰样的结渣机理探究及结渣晶相的特征总结 |
| 6.4.1 典型灰样的基础数据测试 |
| 6.4.2 AFTs的测试与分析 |
| 6.4.3 典型灰样的XRD分析 |
| 6.4.4 混合样的灰渣XRD分析 |
| 6.4.5 反应机理的热力学分析 |
| 6.4.6 灰渣样的SEM-EDS分析 |
| 6.4.7 灰样的相图分析 |
| 6.4.8 新生成的矿物对共混灰FT的影响 |
| 6.5 煤灰的分类预测研究 |
| 6.5.1 结渣晶相的特征总结与煤灰的分类 |
| 6.5.2 影响FT的关键因素探究 |
| 6.5.3 “关键特征参量”对FT的影响与关系式的提出 |
| 6.5.4 关系式的验证 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 特色与创新 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（5）基于改进BP神经网络的水轮机控制算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能算法研究现状 |
| 1.2.2 智能算法用于水轮机调节系统研究现状 |
| 1.3 主要研究内容 |
| 2 水力发电机组调节系统数学模型 |
| 2.1 调速器数学模型 |
| 2.2 水轮机数学模型 |
| 2.2.1 水轮机动态特性表示 |
| 2.2.2 水轮机传递系数的计算 |
| 2.3 有压过水系统数学模型 |
| 2.4 发电机数学模型 |
| 2.5 水轮机调节系统数学模型 |
| 2.6 PID控制算法的小波动过渡过程仿真 |
| 3 BP神经网络算法基本理论 |
| 3.1 人工神经网络原理 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络信号正向传播理论 |
| 3.2.2 BP网络误差反向传播理论 |
| 3.2.3 BP神经网络的局限性 |
| 4 梯度优化理论 |
| 4.1 牛顿法与拟牛顿法 |
| 4.1.1 牛顿法 |
| 4.1.2 拟牛顿法 |
| 4.2 线搜索方法 |
| 4.2.1 精确线搜索 |
| 4.2.2 非精确线搜索中的Armijo准则 |
| 4.3 基于梯度优化理论的BFGS-BPNN算法构建 |
| 4.3.1 网络神经元数目选择 |
| 4.3.2 归一化数据处理 |
| 4.3.3 激活函数选择及参数设定 |
| 4.3.4 网络计算 |
| 5 基于岭回归的拟牛顿BP算法研究 |
| 5.1 岭回归的原理 |
| 5.2 基于岭回归拟牛顿BP算法 |
| 6 TR-BFGS-BPNN算法性能优化 |
| 6.1 固定初始权值的训练法 |
| 6.2 小批梯度下降训练法 |
| 6.3 优化后TR-BFGS-BPNN的性能验证 |
| 7 TR-BFGS-BPNN控制算法在水轮机调节系统的仿真研究 |
| 7.1 S函数的编写 |
| 7.2 具有神经网络控制算法的水轮机调节系统数学模型建立 |
| 7.3 岭回归拟牛顿BP算法在水轮机调节系统的仿真研究 |
| 7.3.1 岭回归拟牛顿BP-PID控制算法在水轮机调节系统仿真研究 |
| 7.3.2 岭回归拟牛顿BP控制算法水轮机调节系统仿真研究 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
（6）卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状概述 |
| 1.3 本文工作 |
| 1.4 本文组织 |
| 第二章 卷积神经网络简介 |
| 2.1 发展历程 |
| 2.2 单层感知机与前馈神经网络 |
| 2.3 BP算法 |
| 2.4 卷积神经网络 |
| 第三章 基于代理辅助的视网膜OCT图像分类 |
| 3.1 背景介绍 |
| 3.2 方法介绍 |
| 3.2.1 OCT图像去噪 |
| 3.2.2 掩模提取 |
| 3.2.3 产生代理图像 |
| 3.2.4 集成分类 |
| 3.3 结果分析 |
| 3.3.1 数据及性能指标 |
| 3.3.2 网络结构及运行环境 |
| 3.3.3 算法参数分析 |
| 3.3.4 算法在公开数据库的性能 |
| 3.4 讨论与总结 |
| 3.4.1 去噪的有效性 |
| 3.4.2 集成分类的有效性 |
| 3.4.3 代理图像的有效性 |
| 3.4.4 在三维图像上的性能 |
| 第四章 基于梯度向量流网络的眼科图像分割 |
| 4.1 背景介绍 |
| 4.2 相关工作 |
| 4.3 方法介绍 |
| 4.3.1 主动轮廓模型 |
| 4.3.2 梯度向量流网络 |
| 4.3.3 基于外力幅度的轮廓初始化 |
| 4.4 结果分析 |
| 4.4.1 数据 |
| 4.4.2 性能指标 |
| 4.4.3 训练细节及参数设置 |
| 4.4.4 时间成本分析 |
| 4.4.5 性能分析 |
| 4.4.6 与经典外力间的比较 |
| 4.4.7 与专设算法的对比 |
| 4.5 讨论与总结 |
| 4.5.1 改善外力 |
| 4.5.2 参考外力对性能的影响 |
| 4.5.3 噪声对算法性能的影响 |
| 第五章 基于直接法的回归分析:CNV面积预测 |
| 5.1 背景介绍 |
| 5.2 方法介绍 |
| 5.2.1 降噪与噪声图像 |
| 5.2.2 目标增强图像 |
| 5.2.3 手工特征 |
| 5.3 结果分析 |
| 5.3.1 实验数据 |
| 5.3.2 网络参数及训练细节 |
| 5.3.3 性能指标 |
| 5.3.4 性能分析 |
| 5.3.5 不同输入对性能的影响 |
| 5.4 讨论与总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 博士期间的主要成果 |
| 致谢 |
（7）基于智能计算的模块化非线性系统辨识研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 本课题相关领域的研究现状 |
| 1.2.1 智能计算领域的研究现状 |
| 1.2.2 神经网络的研究现状 |
| 1.2.3 智能优化算法的研究现状 |
| 1.2.4 模块化非线性系统辨识的研究现状 |
| 1.3 论文研究内容 |
| 第二章 基于改进粒子群优化算法的网络化Wiener模型辨识 |
| 2.1 引言 |
| 2.2 基于神经网络的Wiener模型 |
| 2.2.1 一般的Wiener模型 |
| 2.2.2 基于BP网络的Wiener模型 |
| 2.2.3 基于RBF网络的Wiener模型 |
| 2.3 改进的粒子群优化算法 |
| 2.3.1 标准粒子群优化算法 |
| 2.3.2 各个参数对算法性能的影响 |
| 2.3.3 MPSO算法 |
| 2.4 基于双层优化策略的辨识 |
| 2.4.1 双层优化策略 |
| 2.4.2 辨识过程 |
| 2.5 仿真实例 |
| 2.5.1 基于BP网络的Wiener模型辨识 |
| 2.5.2 基于RBF网络的Wiener模型辨识 |
| 2.6 小结 |
| 第三章 基于高斯混合飞蛾优化算法的Hammerstein模型辨识 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 单输入单输出Hammerstein模型 |
| 3.2.2 FLANN的结构 |
| 3.3 飞蛾扑火优化算法 |
| 3.4 高斯混合飞蛾优化算法 |
| 3.5 测试函数 |
| 3.5.1 算法参数设置 |
| 3.5.2 实验结果分析 |
| 3.6 基于GMFO算法的Hammerstein模型辨识 |
| 3.6.1 辨识原理及流程 |
| 3.6.2 仿真实例 |
| 3.7 小结 |
| 第四章 重尾噪声影响下MIMO Hammerstein模型辨识研究 |
| 4.1 引言 |
| 4.2 重尾噪声 |
| 4.3 问题公式化 |
| 4.3.1 MIMO Hammerstein模型 |
| 4.3.2 MIMO RBF神经网络的结构 |
| 4.4 重尾噪声下MIMO Hammerstein模型辨识 |
| 4.4.1 辨识过程 |
| 4.4.2 GMFO算法在解决重尾噪声下辨识问题的优势 |
| 4.5 仿真实验 |
| 4.5.1 仿真实验一 |
| 4.5.2 模型验证 |
| 4.5.3 仿真实验二 |
| 4.5.4 模型验证 |
| 4.5.5 仿真实验三 |
| 4.5.6 模型验证 |
| 4.6 小结 |
| 第五章 总结及展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（8）高压输电塔结构地震响应被动—半主动混合控制分析与试验（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 结构智能振动控制理论 |
| 1.3 智能材料在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 压电材料 |
| 1.4 智能优化及控制算法研究现状 |
| 1.4.1 遗传算法 |
| 1.4.2 人工免疫算法 |
| 1.5 输电塔结构抗震研究现状 |
| 1.5.1 被动控制 |
| 1.5.2 主动控制 |
| 1.5.3 半主动控制 |
| 1.6 本文主要研究内容 |
| 参考文献 |
| 2 混合减震控制系统的设计与性能试验 |
| 2.1 压电堆驱动器 |
| 2.2 SMA丝超弹性性能试验研究 |
| 2.2.1 试验材料与设备 |
| 2.2.2 试验工况 |
| 2.2.3 试验结果与分析 |
| 2.3 混合减震系统设计与工作原理 |
| 2.3.1 构造设计与工作原理 |
| 2.3.2 加工制作 |
| 2.4 能源提供 |
| 2.4.1 光伏发电系统原理 |
| 2.4.2 独立光伏发电系统的设计 |
| 2.5 混合减震控制系统力学性能试验研究 |
| 2.5.1 预压力的施加 |
| 2.5.2 设计参数 |
| 2.5.3 加载方案 |
| 2.5.4 试验结果与分析 |
| 2.6 本章小结 |
| 参考文献 |
| 3 基于遗传算法优化的混合减震系统BP神经网络本构模型 |
| 3.1 遗传算法原理 |
| 3.2 BP神经网络算法原理 |
| 3.3 遗传算法优化的BP神经网络算法 |
| 3.4 基于遗传算法优化的SMABP神经网络本构模型 |
| 3.4.1 确定BP网络结构 |
| 3.4.2 训练样本采集与处理 |
| 3.4.3 仿真结果比较与分析 |
| 3.4.4 确定遗传算法优化参数 |
| 3.5 基于遗传算法优化的混合减震控制系统BP神经网络本构模型 |
| 3.5.1 网络结构 |
| 3.5.2 样本数据 |
| 3.5.3 优化参数 |
| 3.5.4 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 4 基于改进的免疫克隆选择算法的输电塔结构混合减震系统优化配置研究 |
| 4.1 基本免疫克隆选择算法 |
| 4.1.1 基本免疫克隆选择算法的流程 |
| 4.1.2 基本免疫克隆选择算法的存在问题 |
| 4.2 改进的免疫克隆选择算法 |
| 4.2.1 抗体与抗体之间的亲和度 |
| 4.2.2 实数编码 |
| 4.2.3 Logistic混沌序列初始化抗体群 |
| 4.2.4 变异算子的改进 |
| 4.2.5 改进后的免疫克隆算法步骤 |
| 4.3 优化准则 |
| 4.4 混合减震控制系统优化配置算例分析 |
| 4.4.1 优化模型 |
| 4.4.2 优化结果与分析 |
| 4.4.3 优化控制分析 |
| 4.5 本章小结 |
| 参考文献 |
| 5 结构地震响应模糊神经网络控制系统 |
| 5.1 受控系统的状态空间模型 |
| 5.1.1 状态空间的基本概念 |
| 5.1.2 振动控制状态方程 |
| 5.1.3 状态空间模型建立 |
| 5.1.4 控制力位置矩阵建立 |
| 5.2 模糊控制基本原理 |
| 5.3 模糊神经网络控制原理 |
| 5.4 模糊神经网络控制流程 |
| 5.5 模糊神经网络控制系统的设计 |
| 5.5.1 LQR最优主动控制训练样本 |
| 5.5.2 基于自适应模糊神经推理系统的控制仿真 |
| 5.6 算例分析 |
| 5.6.1 模型选取 |
| 5.6.2 生成LQR主动最优控制训练样本 |
| 5.6.3 训练模糊神经推理系统 |
| 5.6.4 模糊神经网络控制仿真分析 |
| 5.7 本章小结 |
| 参考文献 |
| 6 高压输电塔结构地震响应混合减震控制试验研究 |
| 6.1 试验装置与设备 |
| 6.1.1 试验模型 |
| 6.1.2 混合减震控制系统布置与安装 |
| 6.2 试验装置 |
| 6.2.1 试验设备 |
| 6.2.2 驱动电源的设计 |
| 6.2.3 控制系统 |
| 6.3 传感器布置及试验工况 |
| 6.3.1 传感器布置 |
| 6.3.2 试验工况 |
| 6.4 控制流程 |
| 6.5 试验结果与分析 |
| 6.5.1 动力特性分析 |
| 6.5.2 动力反应分析 |
| 6.6 本章小结 |
| 参考文献 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 工作展望 |
| 致谢 |
| 附录 |
（9）基于GA-BP神经网络的汽车排气系统噪声主动控制（论文提纲范文）
| 0 引言 |
| 1 汽车排气噪声主动控制 |
| 2 GA-BP神经网络算法 |
| 3 GA-BP神经网络在汽车排气噪声主动控制系统中的应用 |
| 4 结论 |
（10）油电混合汽车排气系统噪声主动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 新能源汽车的发展现状 |
| 1.2.1 新能源汽车的国内发展现状 |
| 1.2.2 新能源汽车的国外发展现状 |
| 1.2.3 油电混合汽车 |
| 1.3 噪声主动控制的发展 |
| 1.3.1 噪声主动控制的国外发展现状 |
| 1.3.2 噪声主动控制的国内发展现状 |
| 1.4 主要研究内容 |
| 第2章 汽车排气噪声主动控制相关理论研究 |
| 2.1 噪声主动控制原理 |
| 2.2 排气系统自适应噪声主动控制系统 |
| 2.2.1 排气系统自适应噪声主动控制原理 |
| 2.2.2 参考信号的采集 |
| 2.3 自适应噪声主动控制系统结构 |
| 2.3.1 前馈控制系统 |
| 2.3.2 反馈控制系统 |
| 2.3.3 混合型控制系统 |
| 2.4 基于线性的控制算法 |
| 2.4.1 LMS控制算法 |
| 2.4.2 RLS控制算法 |
| 2.5 神经网络控制算法 |
| 2.5.1 神经网络算法简介 |
| 2.5.2 神经网络的应用 |
| 2.6 本章小结 |
| 第3章 噪声主动控制神经网络控制算法理论研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP网络算法 |
| 3.1.2 BP算法存在的缺点 |
| 3.2 遗传算法及其改进算法 |
| 3.2.1 遗传算法 |
| 3.2.2 遗传算法的特点 |
| 3.3 GA-BP网络算法 |
| 3.3.1 遗传的编码与解码 |
| 3.3.2 适应度函数的设计 |
| 3.3.3 遗传算子的设计 |
| 3.3.4 GA-BP网络算法的设计 |
| 3.4 控制算法的仿真 |
| 3.5 本章小结 |
| 第4章 基于GA-BP算法的排气系统噪声主动控制仿真 |
| 4.1 前馈控制系统模型 |
| 4.2 汽车排气噪声源分析 |
| 4.2.1 排气噪声的产生 |
| 4.2.2 排气噪声的频谱特性 |
| 4.3 仿真及结果 |
| 4.4 本章小结 |
| 第5章 油电混合汽车排气系统噪声主动控制的实现 |
| 5.1 实验原理 |
| 5.2 实验条件 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、神经网络BP算法在噪声主动控制中的应用（论文参考文献）
- [1]基于无标定视觉伺服的微动平台精密运动控制研究[D]. 符金鑫. 长春工业大学, 2021(08)
- [2]基于深度学习的超临界机组给水流量预测及控制优化[D]. 胡磊. 山西大学, 2021(12)
- [3]纯电动汽车路噪主动控制方法研究[D]. 孟豪. 吉林大学, 2021(01)
- [4]基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用[D]. 谢良才. 西北大学, 2021(12)
- [5]基于改进BP神经网络的水轮机控制算法研究[D]. 王懿. 西华大学, 2021(02)
- [6]卷积神经网络在眼科医学图像中的应用研究：分类、分割及回归分析[D]. 容毅标. 苏州大学, 2020(06)
- [7]基于智能计算的模块化非线性系统辨识研究[D]. 王迦祺. 北京化工大学, 2020(02)
- [8]高压输电塔结构地震响应被动—半主动混合控制分析与试验[D]. 余滨杉. 西安建筑科技大学, 2018(06)
- [9]基于GA-BP神经网络的汽车排气系统噪声主动控制[J]. 陈长征,陈宇,白晓天. 机械工程师, 2016(05)
- [10]油电混合汽车排气系统噪声主动控制研究[D]. 陈宇. 沈阳工业大学, 2016(06)