一、用遗传算法优化前馈神经网络的结构（论文文献综述）
李静[1]（2021）在《基于遗传算法优化的深度神经网络剩余寿命预测》文中研究表明
王巧凤[2]（2021）在《基于智能算法的快速工程投资估算研究》文中研究说明当前,城市化进程的不断推进导致城市土地资源紧缺,价格上涨严重,高层住宅凭借着容积率较高和单位面积土地开发成本较低,逐渐取代了多层住宅成为住宅建设的主要类型。然而高层住宅层数多、建筑面积大、结构复杂,导致建设过程中的“三超”现象严重,因此如何将高层住宅的工程造价限制在一个合理的范围内是当前建筑行业亟待解决的问题。根据一些西方学者的研究,工程项目初期阶段的成本花费只占到了整个项目全部花费的1%左右,对项目全部花费额的影响却占到了75%,可以说项目建设前期的工作是整个项目建设的“牛鼻子”。本文旨在根据智能算法理论构建工程投资估算模型,实现高层住宅工程决策阶段的快速投资估算。本文做了大量的数据预处理工作。输入指标的选取是否恰当对智能估算模型的估算结果影响很大,但影响建筑工程造价的因素众多,全部加以考虑会导致网络运算效率不高,传统的根据经验挑选代表性指标又不具有客观性。本文查阅大量文献建立了指标选取原则,并通过相关性分析筛选高层住宅工程各单位工程的特征向量,删除对造价没有影响的指标。最后通过因子分析简化特征向量,去除数据之间的信息重叠,将提取后的因子作为模型的输入向量大大提升了网络的训练性能。在MATLAB软件中分别构建BP神经网络模型、极限学习机模型（ELM）、支持向量机（SVM）模型,并通过遗传算法优化BP神经网络的初始权值和阈值、支持向量机模型中的参数c、g,构建GA-BP与GA-SVM模型。收集山西省2016-2020年共257个高层住宅项目进行验证分析,将土建工程、装饰装修工程、安装工程造价单独进行估算。结果显示遗传算法优化后的模型性能普遍提升,BP模型的整体拟合度比较好,ELM模型参数容易确定但对样本的敏感性较高,SVM模型的预测效果则是三者中最好的。整体来看,土建模型的最大相对误差都在10%以内,装饰装修工程、安装工程的最大相对误差都在15%以内,GA-SVM模型总造价的最大相对误差控制在5%以内,模型具有一定的实用性,能够作为工程投资估算的参考。
游洪[3]（2021）在《基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测》文中指出地面沉降被国内外相关研究者广泛关注,是城市发展、过度开采地下资源等因素而产生的地质灾害问题,对建筑物、南水北调等安全运营产生一定影响。同时,区域发生不均匀沉降,沉降差异值较大,则其对高速铁路轨道的平滑性产生较大影响,对高速铁路沿线的区域沉降特征及沉降发展变化趋势的研究是很必要,对高速铁路安全运营有着重要意义,其获取时序沉降值及变化趋势能为有关部门提供一定的参考信息。本文研究主要工作如下:（1）用覆盖研究区内2018年5月-2020年8月期间的升降轨SAR数据,基于SBAS-In SAR技术获取了升降轨的年均沉降速率和沉降序列值,分析了高速铁路沿线区域形变特征。分析表明:升降轨模式下的年均沉降速率、沉降序列值变化趋势具有较高的一致性;共探测出7个较明显沉降区,总沉降面积达1620km2。高速铁路沿线在该沉降内总长度达121km,年均沉降速率在-26mm/yr-18mm/yr。（2）以年均沉降速率为研究对象,进一步分析了影响区域沉降的因素,还分析了区域沉降可能对高速铁路产生影响。研究发现:开采石油、盐田等人类活动会影响地面沉降;研究区内高速铁路沿线区域发生不同程度非均匀沉降,将会对轨道的平滑性、稳定性产生一定的影响。（3）用BP神经网络及其优化后的三种预测模型对高速铁路沿线沉降区域内7个沉降点沉降序列值进行训练与预测等分析。结果发现:对沉降序列值进行2层小波分解降噪,降噪效果最佳,降噪后沉降值序列值更加平滑;遗传算法和粒子群算法有一定的优化作用,遗传算法的优化效果最佳,预测值均方根误差最小,粒子群算法次之。
辛珂[4]（2020）在《基于GA-ELM的城市短期需水预测与误差修正方法研究》文中进行了进一步梳理随着人口大量地向城市涌入,导致城市需水量不断攀升,从而出现城市用水紧张、水资源供需不平衡等问题。因此,在保证城市居民用水舒适度不会降低的前提下,尽可能的节约供水成本和水资源消耗是将来城市供水系统发展的必然趋势。在科技不断进步发展趋势下,为了实现未来城市实时性和自动化供水调度方式,这就要求有一种精度高、用时少的需水量预测方法作为基础。需水量预测在整体城市供水系统的设计、规划、管理和运行中起着重要的作用,是供水策略、运行调度、优化设计的关键性参考。传统预测方法要求历史数据具有较明显的周期性和趋势上的稳定性,以及人工智能预测方法易于陷入局部最优、运算速度慢、泛化性能低等问题,现在已经很少被单独作为一种研究需水量预测的方法,而以数据、影响因素和神经网络算法相结合的组合预测模型因结合了两者的优点和弥补了两者的不足被如今大多数学者所青睐并且得到较好的发展。针对传统的神经网络预测模型训练时间长、易于陷入局部最优的预测结果,且在少量数据样本情况下预测精确度不足的缺点,首先,本文提出了一种基于遗传算法-极限学习机的城市短期用水预测方法,在引入相关影响因素的基础上,使用擅长全局搜索和并行搜索的遗传算法对极限学习机参数进行寻优,使得GA-ELM预测模型精度得到提升。其次,提出一种误差修正方法,使用马尔可夫链对遗传算法—极限学习机预测模型的预测结果进行误差修正。结果表明,经过误差修正的最终组合模型的预测结果精度比传统预测模型结果要高,具有较强的实用价值,为未来水资源实时调度提供理论依据。
侯兆凯[5]（2020）在《高速公路交通事故严重程度GA-BP预测方法研究》文中指出近些年我国车辆指数增长,交通资源与车辆之间的供需矛盾日益加剧,交通事故频发,各界人士都密切关注并渴望解决这一难题。随着人工智能快速发展与国家政策导向,对高速公路交通事故进行深入探讨,研究构建交通事故智能预测方法,对后期研发交通事故智能监测预测、预警与处理等智能化系统具有重要意义。基于高速公路交通安全现状,本文首先从事故影响因素分析与交通事故智能预测方法两方面分析已有研究成果,提出了用BP神经网络和遗传算法智能预测高速公路交通事故严重程度。其次,明确了我国交通事故的定义和交通事故严重程度划分依据,依据交通系统中人、车、路、环境四要素的相互作用机理与云南省K高速公路交通事故的历史数据,全面系统地分析了高速公路交通事故严重程度的影响因素,采用极值统计思想量化了初步整理指标,采用主成分分析法简化与选取了特征指标。然后,基于神经网络和遗传算法的特点与不足,提出了采用遗传算法优化BP神经网络结构的权值和阈值完成建模,给出了详细的参数设计与建模过程,并在MATLAB完成了高速公路交通事故GA-BP神经网络预测模型的实现。最后,选取云南省K高速公路对交通事故智能预测方法进行验证,对事故数据进行处理、筛选分类后,312条事故数据用于模型基本结构的设计与学习训练,100条事故数据用于验证模型。结果表明:模型预测值与实际事故严重程度基本吻合,预测准确率高达95%;采用遗传算法优化后的BP神经网络均方误差由1.89×10-4降低到5.37×10-5。本文的研究成果可以用于后期交通事故实时监测与预测,方便交通事故的提前预警、及时干预、优化处理等,也为交通事故智能监测预测、预警与处理等智能化系统的实现奠定基础。
石琛[6]（2020）在《基于数据驱动和深度学习的配电网无功优化技术研究》文中研究表明无功优化（Reactive Power Optimization）是维持配电网安全、可靠、经济运行的重要手段,也是提高电网电压质量、降低线损的有效措施。通过无功优化,合理配置无功功率使其就地平衡,不仅可以减少电网中的线路损耗,而且可以提高系统电压水平,能够带来经济效益和社会效益。目前,随着大量的分布式电源（Distributed Generation,DG）和电动汽车（Electric Vehicle,EV）接入配电网,配电网运行的复杂性大大增加,对无功优化也提出了更高的要求。本文主要提出了一种基于数据驱动的无功优化方法,摆脱了传统无功优化模型和参数的限制,利用神经网络进行训练学习,更快地提出优化策略。具体来说,以降低配电网络线损与减少电压偏差为出发点,通过调节变压器分接头以及投切电容器组进行无功控制,首先利用传统遗传算法求解得到这些优化措施,对配电网进行无功优化,同时通过系统线路损耗以及整体电压偏离度两项指标验证其有效性。而后根据历史大数据中每个时刻的各类电气数据及环境数据,以及该时刻对应的用遗传算法求得的无功优化控制策略,通过神经网络学习他们之间的映射关系,将数据作为输入,对应的策略作为输出来训练网络,训练好网络后,输入当前待优化时刻的数据,便直接可以输出对应的策略用于无功优化。通过两种网络进行测试,一种是先利用自由熵的方法提取数据的特征指标,然后将特征指标和策略通过BP人工神经网络进行学习。另外一种是通过深度学习,利用卷积神经网络CNN,该方法具备更强大的自主特征学习能力,无需对数据进行前期特征处理,直接可以利用配电系统原始特征数据与对应时刻策略进行学习。最后,利用一年半的历史数据,在改进的IEEE37节点配电系统中进行各方法算例测试与效果比较。结果表明,基于CNN深度学习的方法有着更好的性能,基本学习到了各类数据与无功优化策略的映射关系,可以明显降低线路损耗和系统整体电压偏离度,部分时刻甚至优于传统方法。同时,它不再依赖于配电系统的模型和参数,与传统方法相比,优化时间大大减少,可以更快地提供在线决策。通过对各方法在不同DG渗透率率和历史数据量下优化效果的讨论,表明即使在新的未知场景下,基于深度学习的方法也有着良好的优化效果,验证了基于CNN方法的适应性、鲁棒性和泛化能力,为大数据和深度学习技术在配电网无功优化中的应用提供了一条新的途径。
肖景章[7]（2020）在《基于BP神经网络的水质评价模型研究》文中指出我国作为一个干旱、缺水的国家,水污染问题也很突出。水质评价便是对水资源的质量等级做出评价。水质环境复杂多变,存在着大量的微生物和化学物质,增加了水质评价的难度。BP神经网络是现阶段应用最为广泛的神经网络模型之一。其自适应性、自学习性和分布式处理的能力在水质评价中已经得到了较好的应用。但是BP神经网络自身存在着一些缺点,会导致评价结果的不准确。因此需要寻找一个更加优秀的水质评价方法。本文对基于BP神经网络的水质评价模型进行实验和研究,希望找出更好的水质评价方法。研究中,发现遗传算法具有强大的宏观搜索功能,可以解决BP神经网络的局部极值问题,而自适应遗传算法可以提高收敛速度、优化学习效果。在实验上,分别用BP神经网络和用以上两种方法优化后的BP神经网络分别对水质进行了评价,结果显示自适应遗传算法优化后的BP神经网络对水质的评价取得了良好的评价效果。得出结论,使用自适应遗传算法优化原有的水质评价方法能够更好地为我国各流域断面水质做出评价,在水质评价中有着很好的适用价值,为水资源保护提供了数据基础。
周密[8]（2020）在《优化BP神经网络在急性胸痛疾病分类诊断中的应用研究》文中研究表明胸痛是急诊科的一种常见急症,急性胸痛疾病发病急,救治时间窗窄,鉴别诊断困难,给急诊科医生的诊断带来极大挑战。借助神经网络对急性胸痛患者早评估,能够辅助医生诊断、优化诊治流程,为患者争取宝贵的救治时间。本文针对医生对急性胸痛疾病快速诊断的需求,设计了基于五种典型急性胸痛疾病的分类诊断系统。分析并提取这五种胸痛疾病各自的相关特征,形成样本数据集,其中用于建模的样本数120组,用于测试的样本数20组。分别利用基本BP神经网络和经遗传算法优化的BP神经网络拟合样本数据,通过对患者临床特点的若干参数的计算得到初步诊断结果。具体研究工作如下:1、构建用于急性胸痛疾病诊断的BP神经网络。分析五种急性胸痛疾病的影响因素,提取、整合样本数据,构建基本的BP神经网络,经样本数据训练后的网络能够预测新样本所患疾病的类型。2、利用遗传算法优化BP神经网络初始权值阈值。BP神经网络随机的权值阈值使得预测的结果不稳定,优化后的BP神经网络能够改善这一问题,提高预测的准确性,使应用于急性胸痛诊断的BP神经网络更加合理。3、设计了可视化用户界面,构成了急性胸痛疾病诊断系统。系统操作过程简单,能够准确显示初步诊断结果,具有实用性,易于推广。本系统的设计依托MATLAB软件,系统模型的构建通过MATLAB编程语言、遗传算法工具箱等实现,系统的可视化用户界面通过图形用户界面工具GUI设计。20例新样本测试结果表明,BP神经网络、遗传算法优化的BP神经网络预测的准确率分别为85%、95%,说明系统是有效的,具有使用价值。
贺一凡[9]（2020）在《基于遗传算法的多项式神经网络求解分类问题》文中指出分类问题是机器学习的核心内容之一,神经网络（ANN）因为可以在任意精度下逼近真实分类函数而受到了广泛运用。本文提出了一种基于实编码遗传算法和QR分解的多项式结构的神经网络（GA-QR-PNN）,并通过QR分解法和遗传算法求解网络的各项参数。算法主要思想是先用多项式线性函数尽可能的正确划分数据类别,再通过非线性激活函数调整。多项式网络克服了传统神经网络结构难以确定的缺点,文中给出了如何自适应生成网络结构的方法。PNN中的神经元又称为部分描述（PDs）,不同于ANN的全连接方式,PNN只取训练样本中的两个特征做为输入,经过多项式计算得到相应的输出。多项式的系数通过求最小二乘问题得到,使用选主列的QR分解法避免了法方程中求解逆矩阵数值不稳定。最后将PDs的系数,样本输入和一项偏置以权连接的方式,再通过激活函数输出。最后一层的权重构成实编码遗传算法（RCGA）的染色体,在训练集上的分类正确数目作为适应度函数,加入最优保存策略保证算法收敛性。文章详细分析了遗传算法的各类交叉算子,交叉概率,种群规模和迭代次数对分类结果的影响,给出了最优参数结果。测试算法的数据集全部来自UCI机器学习库,并且采用十折交叉验证的方式取平均分类正确率作为算法结果,和其他类型的最新算法做了对比。
任坚[10]（2020）在《基于机器学习的无人机飞控系统主动容错控制技术研究》文中研究指明无人飞行器是一种十分复杂的工程系统,内部由众多模块组成,并且随着社会的进步以及科学技术的发展,无人飞行器的系统规模势必会日益扩大,复杂度会不断提高,所以对于飞行控制系统的安全性与可靠性的要求也会日益增加,于是无人机飞控系统的故障诊断与容错控制的重大意义也就不言而喻了。本文将无人机飞控系统作为研究对象,分析系统的结构和系统可能出现的故障的类型,利用飞控系统运行数据结合机器学习设计故障诊断与容错控制方法,具体工作包括:首先,介绍了无人机飞控系统的发展背景,并阐述了故障诊断与容错控制的相关研究现状,并概括了飞行控制系统故障的概念以及分类,对主要的容错控制方法进行了分类。然后针对主动容错控制的故障检测与诊断子系统,提出了通过遗传算法优化的极限学习机对飞控系统进行故障检测与诊断的方法,利用飞控系统运行时产生的大量状态数据对正常状态下的飞行数据做预测,从而实现故障检测与诊断。最后,通过MATLAB仿真对上述方法的效果进行验证。其次,对于飞行控制系统的容错控制问题,本文提出了一种基于增量式策略强化学习的主动容错控制方法,利用强化学习方法中自动抽取数据特征的特性实现了隐式的故障检测与诊断功能,本文通过增量式策略的思想对经典的强化学习进行了改善,解决了确定性策略无法准确逼近最优策略的问题,使强化学习方法能够较好的完成容错控制任务。最后,通过MATLAB仿真对方法的有效性进行了验证。然后,针对比较复杂的复合故障进行了进一步的研究,由于基于增量式策略的强化学习对于复合故障的检测与诊断能力有限,本文提出了基于GA-ELM和增量式策略强化学习的主动容错控制方法,提高了主动容错控制器的故障检测与诊断子系统对故障判别的准确性,从而使控制器所作出的策略能够逼近当前系统所处状态下的最优策略。最后,为了对本文中所提出的方法在实际工程系统中的应用效果进行验证,根据本课题所研究的内容与方向,通过南京航空航天大学“先进飞行器导航、控制与健康管理”工信部重点实验室的飞行器故障诊断实验平台上进行了实验验证,将本文提出的基于增量式策略强化学习的主动容错控制算法为例,应用在此平台上,实验结果说明本文所提出的方法能够很好地实现无人机飞行控制系统的主动容错控制,具有一定的工程应用价值。
二、用遗传算法优化前馈神经网络的结构（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、用遗传算法优化前馈神经网络的结构（论文提纲范文）
（2）基于智能算法的快速工程投资估算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 国家经济环境及政策导向 |
| 1.1.2 工程投资估算的发展趋势 |
| 1.1.3 实现快速投资估算的意义 |
| 1.2 建筑工程投资估算国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 现有研究存在的问题与不足 |
| 1.3 论文研究的目的和主要内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.3.4 技术路线 |
| 第2章 工程投资估算相关理论基础 |
| 2.1 建筑工程造价的概念及构成 |
| 2.2 建筑工程造价估算 |
| 2.2.1 建筑工程造价估算的概念 |
| 2.2.2 建筑工程投资估算的内容 |
| 2.2.3 建筑工程投资估算的计价依据 |
| 2.3 工程造价估算影响因素分析 |
| 2.3.1 估算模型特征向量选取原则 |
| 2.3.2 估算模型特征向量选取 |
| 2.4 本章小结 |
| 第3章 智能算法相关理论基础 |
| 3.1 BP神经网络 |
| 3.1.1 人工神经网络概述 |
| 3.1.2 BP神经网络简介 |
| 3.1.3 BP神经网络基本原理 |
| 3.2 极限学习机(ELM) |
| 3.2.1 极限学习机(ELM)简介 |
| 3.2.2 极限学习机(ELM)基本原理 |
| 3.3 支持向量机(SVM) |
| 3.3.1 支持向量机(SVM)简介 |
| 3.3.2 支持向量机(SVM)基本原理 |
| 3.4 遗传算法 |
| 3.5 本章小结 |
| 第4章 数据收集与预处理 |
| 4.1 工程项目数据收集 |
| 4.2 定性指标的量化 |
| 4.2.1 通用特征定量化处理规则 |
| 4.2.2 实体特征定量化处理规则 |
| 4.3 数据预处理 |
| 4.3.1 运用相关性分析筛选特征向量 |
| 4.3.2 各单位工程离群值的查找与删除 |
| 4.4 因子分析法降维 |
| 4.4.1 因子分析法原理 |
| 4.4.2 因子分析法流程 |
| 4.4.3 因子分析法与智能算法结合的基本思想 |
| 4.4.4 各单位工程因子分析 |
| 4.5 本章小结 |
| 第5章 智能算法估算模型构建与实证分析 |
| 5.1 模型实现计算环境简介 |
| 5.2 模型构建前的准备工作 |
| 5.2.1 估算模型训练集与测试集的划分 |
| 5.2.2 数据归一化 |
| 5.2.3 模型评价性能函数确定 |
| 5.3 基于智能算法的投资估算模型构建 |
| 5.3.1 BP神经网络估算模型构建流程 |
| 5.3.2 BP神经网络估算模型计算结果 |
| 5.3.3 极限学习机(ELM)估算模型构建流程 |
| 5.3.4 极限学习机(ELM)估算模型计算结果 |
| 5.3.5 支持向量机(SVM)估算模型构建流程 |
| 5.3.6 支持向量机(SVM)估算模型计算结果 |
| 5.4 各模型预测结果对比 |
| 5.5 对某拟建工程进行投资估算 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 星载SAR卫星发展 |
| 1.2.2 InSAR技术的发展 |
| 1.2.3 BP神经网络预测模型 |
| 1.3 研究目的与论文结构 |
| 1.3.1 研究目的 |
| 1.3.2 论文内容安排 |
| 第二章 合成孔径雷达干涉测量原理与误差分析 |
| 2.1 合成孔径雷达成像原理 |
| 2.2 合成孔径雷达成像几何畸变 |
| 2.3 合成孔径雷达干涉测量技术 |
| 2.3.1 InSAR/D-InSAR技术原理 |
| 2.3.2 InSAR技术误差来源 |
| 2.4 时序InSAR技术 |
| 2.4.1 散射体类型 |
| 2.4.2 PS-InSAR技术 |
| 2.4.3 SBAS-InSAR技术 |
| 2.5 本章小结 |
| 第三章 BP神经网络预测模型 |
| 3.1 人工神经网络概述 |
| 3.1.1 神经元模型 |
| 3.1.2 激活函数类型 |
| 3.1.3 神经网络结构 |
| 3.1.4 神经网络学习 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络正向传递 |
| 3.2.2 BP神经网络误差反向传递过程 |
| 3.2.3 BP网络神经网络的局限性 |
| 3.3 小波变换降噪原理 |
| 3.4 BP神经网络优化算法 |
| 3.4.1 BP算法优化 |
| 3.4.2 遗传算法优化 |
| 3.4.3 粒子群算法优化 |
| 3.5 本章小结 |
| 第四章 基于SBAS-InASR技术的高速铁路沿线区域沉降监测分析 |
| 4.1 研究区概况 |
| 4.2 数据源介绍 |
| 4.2.1 Sentinel-1数据介绍 |
| 4.2.2 其他相关数据 |
| 4.3 数据预处理 |
| 4.3.1 DEM正高到大地高转换 |
| 4.3.2 SAR数据读取 |
| 4.4 SBAS-InSAR技术处理 |
| 4.5 验证性分析 |
| 4.5.1 1A与1B升降轨沉降对比分析 |
| 4.5.2 监测结果验证分析 |
| 4.6 区域沉降分布特征分析 |
| 4.7 区域沉降影响因素分析 |
| 4.7.1 栏海盐田生产区沉降分析 |
| 4.7.2 油田开采区域沉降分析 |
| 4.7.3 区域沉降与降雨量及浅层地下水相关性分析 |
| 4.8 非均匀沉降对高速铁路的影响分析 |
| 4.9 本章小结 |
| 第五章 高速铁路沿线沉降预测分析 |
| 5.1 小波降噪处理 |
| 5.2 BP网络预测模型建 |
| 5.2.1 训练集与测试集的划分 |
| 5.2.2 沉降序列值预处理与函数选择 |
| 5.2.3 BP网络各层节点数确立 |
| 5.2.4 BP网络参数设置 |
| 5.3 BP网 络优化预测模型 |
| 5.3.1 基于遗传算法优化 |
| 5.3.2 基于粒子群算法优化 |
| 5.4 预测结果与对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A: 硕士期间发表论文成果 |
| 附录B:典型沉降点沉降序列值 |
（4）基于GA-ELM的城市短期需水预测与误差修正方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 城市需水量预测研究现状 |
| 1.2.2 误差修正研究现状 |
| 1.3 城市需水预测中的关键问题 |
| 1.4 本研究内容和技术路线 |
| 1.5 本章小结 |
| 第2章 数据清洗及影响因素分析 |
| 2.1 城市日用水量数据 |
| 2.2 数据清洗 |
| 2.2.1 数据清洗方法 |
| 2.2.2 城市日用水量数据修复补充 |
| 2.3 影响因素分析 |
| 2.4 基于灰色关联的影响因素筛选 |
| 2.5 本章小结 |
| 第3章 基于GA-ELM的日需水量预测模型 |
| 3.1 极限学习机 |
| 3.1.1 经验风险最小化理论 |
| 3.1.2 单隐含层前馈神经网络 |
| 3.1.3 极限学习机 |
| 3.1.4 极限学习机流程 |
| 3.2 遗传算法 |
| 3.2.1 遗传算法原理 |
| 3.2.2 遗传算法的基本要素 |
| 3.2.3 遗传算法的特点及优点 |
| 3.2.4 遗传算法的基本流程 |
| 3.3 基于GA-ELM的城市日水量预测模型 |
| 3.3.1 遗传算法优化极限学习机的网络结构设计 |
| 3.3.2 遗传算法优化极限学习机的流程设计 |
| 3.4 多种预测模型方法验证 |
| 3.4.1 数据划分 |
| 3.4.2 不同预测模型的结果对比 |
| 3.5 本章小结 |
| 第4章 基于马尔可夫链的误差修正模型 |
| 4.1 城市需水量预测误差产生的原因分析 |
| 4.2 误差修正理论 |
| 4.3 基于马尔可夫链的误差修正模型 |
| 4.3.1 随机过程理论 |
| 4.3.2 马尔可夫链的基本理论 |
| 4.3.3 城市需水预测的马尔可夫适用性分析 |
| 4.3.4 概率分布及状态划分方法 |
| 4.3.5 马尔可夫性检验 |
| 4.4 城市用水量误差修正模型 |
| 4.5 本章小结 |
| 第5章 案例分析 |
| 5.1 实例区域概况及数据 |
| 5.1.1 北京市区域概况 |
| 5.1.2 数据处理 |
| 5.2 预测流程与结果讨论 |
| 5.2.1 状态划分 |
| 5.2.2 建立状态转移矩阵 |
| 5.2.3 制作预测表 |
| 5.3 结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 致谢 |
| 作者简介 |
（5）高速公路交通事故严重程度GA-BP预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 事故特性与成因分析方面 |
| 1.2.2 人工智能在交通事故识别预测中的应用 |
| 1.2.3 小结 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 第二章 高速公路交通事故严重程度预测方法基础理论 |
| 2.1 神经网络基础知识 |
| 2.1.1 神经网络概述 |
| 2.1.2 神经网络基本结构 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络特性 |
| 2.2.2 BP神经网络原理 |
| 2.2.3 BP神经网络的逼近能力与程序实现 |
| 2.2.4 BP神经网络的局限性与改进 |
| 2.3 遗传算法 |
| 2.3.1 遗传算法概述 |
| 2.3.2 遗传算法的基本概念 |
| 2.3.3 遗传算法原理与程序实现 |
| 2.3.4 遗传算法特点 |
| 2.4 本章小结 |
| 第三章 高速公路交通事故严重程度影响因素分析与指标选取 |
| 3.1 道路交通事故严重程度划分方法 |
| 3.2 高速公路交通事故严重程度影响因素分析 |
| 3.2.1 人的影响 |
| 3.2.2 车的影响 |
| 3.2.3 路的影响 |
| 3.2.4 环境的影响 |
| 3.3 高速公路交通事故严重程度指标量化与选取 |
| 3.3.1 变量量化方法 |
| 3.3.2 特征指标选取 |
| 3.4 本章小结 |
| 第四章 高速公路交通事故GA-BP神经网络预测模型构建 |
| 4.1 GA-BP神经网络建模思路 |
| 4.2 GA-BP神经网络模型构建 |
| 4.2.1 GA-BP神经网络样本准备 |
| 4.2.2 BP神经网络结构设计 |
| 4.2.3 遗传算法优化设计 |
| 4.2.4 GA-BP网络模型设计 |
| 4.3 基于MATLAB的 GA-BP网络模型实现 |
| 4.3.1 MATLAB的网络工具箱介绍 |
| 4.3.2 模型的MATLAB程序实现 |
| 4.4 本章小结 |
| 第五章 高速公路交通事故预测模型准确性验证 |
| 5.1 实例验证路段概况 |
| 5.2 事故数据收集与预处理 |
| 5.2.1 事故数据收集 |
| 5.2.2 事故数据预处理 |
| 5.3 高速公路交通事故预测模型设计 |
| 5.3.1 GA-BP神经网络结构设计 |
| 5.3.2 GA-BP神经网络训练函数设计 |
| 5.4 基于K高速事故验证数据集的预测模型验证 |
| 5.4.1 事故智能预测模型的准确性验证 |
| 5.4.2 遗传算法优化的有效性验证 |
| 5.5 本章小结 |
| 结论与展望 |
| 主要研究工作与结论 |
| 论文创新点 |
| 建议与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 附录一 MATLAB实现代码 |
| 附录二 模型预测测试集 |
（6）基于数据驱动和深度学习的配电网无功优化技术研究（论文提纲范文）
| 致谢 |
| 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 配电网无功优化 |
| 1.2.2 大数据技术在配电网中的应用 |
| 1.2.3 人工智能技术在电网中的应用 |
| 1.2.4 研究现状小结 |
| 1.3 本文主要研究内容及章节安排 |
| 2 基于OpenDss平台的配电网建模和数据预处理 |
| 2.1 OpenDss相关功能简介 |
| 2.1.1 软件简介 |
| 2.1.2 配电网建模方法 |
| 2.1.3 潮流计算功能 |
| 2.2 配电网相关模型建模分析 |
| 2.2.1 主要元件模型结构 |
| 2.2.2 分布式电源及电动汽车模型 |
| 2.3 本文的数据来源及处理 |
| 2.4 基于OpenDss的配电网无功控制优化 |
| 2.4.1 改进的IEEE37节点配电网模型 |
| 2.4.2 OpenDss无功控制模块优化分析 |
| 2.5 本章小结 |
| 3 基于遗传算法和人工神经网络的配电网无功优化 |
| 3.1 传统无功优化数学模型 |
| 3.2 遗传算法在无功优化中的应用 |
| 3.2.1 遗传算法基本原理及步骤 |
| 3.2.2 改进遗传算法的配网无功优化流程 |
| 3.2.3 算例分析 |
| 3.3 基于浅层神经网络的配电网无功优化 |
| 3.3.1 神经网络相关理论 |
| 3.3.2 BP神经网络的无功优化流程 |
| 3.3.3 算例分析 |
| 3.4 本章小结 |
| 4 基于卷积神经网络深度学习的配电网无功优化 |
| 4.1 卷积神经网络 |
| 4.1.1 相关理论基础 |
| 4.1.2 CNN的具体结构和训练方法 |
| 4.2 基于CNN的无功优化模型及流程 |
| 4.2.1 初始特征集的构建 |
| 4.2.2 网络模型搭建及超参数设置调整 |
| 4.2.3 无功优化流程 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 5 无功优化效果综合对比及影响因素分析 |
| 5.1 优化效果指标 |
| 5.2 改进的BP网络半年优化效果分析 |
| 5.2.1 改进方法介绍 |
| 5.2.2 各方法综合比较 |
| 5.3 含CNN的各类方法优化效果比较 |
| 5.3.1 CNN半年优化效果统计 |
| 5.3.2 各类方法综合比较 |
| 5.4 优化效果影响因素分析 |
| 5.4.1 历史数据量对优化效果的影响 |
| 5.4.2 分布式电源渗透率对优化效果的影响 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 IEEE37节点系统相关原始数据 |
| 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 |
（7）基于BP神经网络的水质评价模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 概述 |
| 1.2 水质评价模型研究背景和水质评价标准等级 |
| 1.2.1 确定性水质评价模型 |
| 1.2.2 不确定性水质评价模型 |
| 1.2.3 水质评价标准等级 |
| 1.3 国内外水质评价研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 研究发现的问题 |
| 1.5 论文主要研究内容及结构 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文结构 |
| 第2章 我国地表水水质状况 |
| 2.1 地表水 |
| 2.2 我国地表水断面水质状况 |
| 2.3 长江流域 |
| 2.3.1 长江流域概况 |
| 2.3.2 长江流域断面水质状况 |
| 2.4 松花江流域 |
| 2.4.1 松花江流域概况 |
| 2.4.2 松花江流域断面水质状况 |
| 2.5 黄河流域 |
| 2.5.1 黄河流域概况 |
| 2.5.2 黄河流域断面水质状况 |
| 2.6 本章小结 |
| 第3章 人工神经网络 |
| 3.1 人工神经网络的基础理论 |
| 3.1.1 人工神经网络的概念 |
| 3.1.2 人工神经网络的结构原理 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络的概述 |
| 3.2.2 BP神经网络的基本原理 |
| 3.3 本章小结 |
| 第4章 基于BP神经网络水质评价模型的实验 |
| 4.1 实验背景 |
| 4.2 实验配置 |
| 4.3 实验数据处理 |
| 4.4 基于BP神经网络水质评价模型的构建 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第5章 基于BP神经网络水质评价模型的优化实验 |
| 5.1 实验背景 |
| 5.2 优化方案分析 |
| 5.2.1 遗传算法基本原理 |
| 5.2.2 遗传算法优化BP神经网络的基本原理 |
| 5.2.3 自适应遗传算法优化BP神经网络的基本原理 |
| 5.3 优化实验 |
| 5.3.1 遗传算法优化BP神经网络水质评价模型构建 |
| 5.3.2 试验结果和对比分析 |
| 5.3.3 基于自适应遗传算法优化BP神经网络的水质评价实验 |
| 5.3.4 试验结果分析 |
| 5.4 本章小结 |
| 第6章 总结 |
| 6.1 全文总结 |
| 6.2 研究成果 |
| 6.3 有待研究的课题 |
| 致谢 |
| 参考文献 |
（8）优化BP神经网络在急性胸痛疾病分类诊断中的应用研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 神经网络在医学领域应用的国内外研究现状 |
| 1.3 急性胸痛疾病的研究现状 |
| 1.4 主要研究内容及论文架构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 本文相关理论基础 |
| 2.1 BP神经网络概述 |
| 2.1.1 神经元及网络模型 |
| 2.1.2 BP神经网络学习原理 |
| 2.1.3 BP神经网络的设计过程 |
| 2.1.4 BP神经网络在急性胸痛疾病诊断中的适用性 |
| 2.2 遗传算法概述 |
| 2.2.1 遗传算法的基本原理及特点 |
| 2.2.2 遗传算法的设计流程 |
| 2.2.3 遗传算法优化BP神经网络的参数 |
| 2.3 数据挖掘原理 |
| 2.3.1 数据挖掘概念及主要任务 |
| 2.3.2 数据挖掘过程 |
| 2.4 本章小结 |
| 第3章 急性胸痛疾病及其数据处理 |
| 3.1 五种急性胸痛疾病的知识库 |
| 3.2 五种急性胸痛疾病数据收集及特征数据提取 |
| 3.2.1 样本数据来源及分析 |
| 3.2.2 特征数据挖掘、提取与预处理 |
| 3.3 本章小结 |
| 第4章 急性胸痛疾病诊断模型的构建 |
| 4.1 BP神经网络参数及结构设计 |
| 4.1.1 输入输出模式的确定 |
| 4.1.2 训练参数的选择 |
| 4.1.3 隐含层神经元数目的选择 |
| 4.2 遗传算法优化BP神经网络参数 |
| 4.2.1 遗传算法参数设定 |
| 4.2.2 优化前后BP网络学习过程对比 |
| 4.3 本章小结 |
| 第5章 急性胸痛疾病分类诊断系统的实现与测试 |
| 5.1 开发平台 |
| 5.2 系统设计与实现 |
| 5.2.1 诊断系统设计流程 |
| 5.2.2 用户界面 |
| 5.2.3 系统应用测试 |
| 5.3 测试结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
（9）基于遗传算法的多项式神经网络求解分类问题（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 文献综述 |
| 1.3 文章结构安排 |
| 1.4 工作主要贡献 |
| 第二章 遗传算法 |
| 2.1 遗传算法概要 |
| 2.2 遗传算法编码方式 |
| 2.2.1 二进制编码 |
| 2.2.2 实数编码 |
| 2.2.3 序号编码 |
| 2.3 交叉算子 |
| 2.3.1 二进制编码的交叉算子 |
| 2.3.2 实数编码的交叉算子 |
| 2.4 变异算子 |
| 2.4.1 二进制编码的变异算子 |
| 2.4.2 实数编码的变异算子 |
| 2.5 连续函数上的RCGA分析 |
| 2.6 适应度函数 |
| 2.6.1 最值问题 |
| 2.6.2 尺度变换 |
| 2.7 选择算子 |
| 2.7.1 比例选择 |
| 2.7.2 随机联赛选择 |
| 2.7.3 父子竞争选择 |
| 2.7.4 最优保存策略 |
| 2.8 遗传算法的参数 |
| 2.9 约束条件的处理 |
| 2.10 图式定理 |
| 2.11 遗传算法隐并行性 |
| 2.12 遗传算法编码的基数 |
| 2.13 二进制编码的缺陷 |
| 2.13.1 连续空间 |
| 2.13.2 冗余性 |
| 2.13.3 隐并行性质争议 |
| 2.14 实数编码的优势 |
| 第三章 神经网络 |
| 3.1 后向传播神经网络 |
| 3.2 BPNN的缺陷 |
| 3.3 BPNN的改进策略 |
| 第四章 基于遗传算法的多项式神经网络 |
| 4.1 多项式神经网络 |
| 4.2 最小二乘问题求解 |
| 4.3 GA-QR-PNN算法 |
| 第五章 数值实验 |
| 5.1 遗传算法对PNN优化分析 |
| 5.2 GA-QR-PNN和其他算法比较 |
| 5.3 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于机器学习的无人机飞控系统主动容错控制技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 动态系统的故障诊断技术研究 |
| 1.2.1 故障的概念与分类 |
| 1.2.2 故障诊断技术的概念与分类 |
| 1.2.3 基于人工神经网络的故障诊断方法研究现状 |
| 1.3 动态系统的故障诊断技术研究 |
| 1.3.1 容错控制的概念及分类 |
| 1.3.2 主动容错控制方法的研究现状 |
| 1.3.3 强化学习算法研究现状 |
| 1.4 论文主要工作 |
| 第二章 遗传算法优化极限学习机的飞控系统故障诊断方法 |
| 2.1 引言 |
| 2.2 遗传算法优化极限学习机 |
| 2.2.1 极限学习机算法 |
| 2.2.2 遗传算法优化思想 |
| 2.2.3 遗传算法优化极限学习机模型训练流程 |
| 2.3 基于遗传算法优化极限学习机的故障诊断与隔离 |
| 2.4 仿真验证 |
| 2.4.1 飞行器控制系统数值仿真验证 |
| 2.4.2 仿真验证与结果分析 |
| 2.4.3 遗传算法优化效果对比 |
| 2.5 本章小结 |
| 第三章 增量式策略强化学习方法的飞行控制系统的容错控制 |
| 3.1 引言 |
| 3.2 强化学习算法原理 |
| 3.2.1 智能体与环境 |
| 3.2.2 马尔科夫决策过程与值函数 |
| 3.3 基于增量式策略强化学习的主动容错控制器设计 |
| 3.3.1 容错控制器系统状态与奖励函数 |
| 3.3.2 增量式策略思想 |
| 3.3.3 策略选取方法 |
| 3.4 强化学习主动容错控制系统结构 |
| 3.4.1 评价网络的实现 |
| 3.4.2 执行网络的实现 |
| 3.4.3 状态转移预测网络 |
| 3.5 容错控制器迭代学习算法 |
| 3.6 仿真验证 |
| 3.6.1 仿真实验设置 |
| 3.6.2 增量型策略配置方案 |
| 3.6.3 仿真结果与分析 |
| 3.7 本章小结 |
| 第四章 基于GA-ELM结合增量式强化学习方法的飞控复合故障的容错控制 |
| 4.1 引言 |
| 4.2 GA-ELM优化增量式强化学习方法 |
| 4.2.1 增量式强化学习方法特点分析 |
| 4.2.2 强化学习容错控制器评价网络优化 |
| 4.3 GA-ELM优化增量式强化学习容错控制器迭代学习算法 |
| 4.4 仿真验证 |
| 4.4.1 仿真实验设置与故障注入描述 |
| 4.4.2 状态和动作描述 |
| 4.4.3 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 基于飞行器故障诊断实验平台的半物理验证实验 |
| 5.1 引言 |
| 5.2 Quanser三自由度飞行控制实验平台介绍 |
| 5.2.1 平台硬件介绍 |
| 5.2.2 平台软件介绍 |
| 5.3 Quanser三自由度飞行器容错控制实验平台实验 |
| 5.3.1 Quanser三自由度飞行器模型与控制器设计 |
| 5.3.2 增量式策略强化学习方法容错跟踪控制的半物理平台验证 |
| 5.3.3 GA-ELM结合增量式强化学习方法的复合故障容错半物理平台验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文及参与的科研项目 |
四、用遗传算法优化前馈神经网络的结构（论文参考文献）
- [1]基于遗传算法优化的深度神经网络剩余寿命预测[D]. 李静. 太原科技大学, 2021
- [2]基于智能算法的快速工程投资估算研究[D]. 王巧凤. 太原理工大学, 2021(01)
- [3]基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测[D]. 游洪. 昆明理工大学, 2021(01)
- [4]基于GA-ELM的城市短期需水预测与误差修正方法研究[D]. 辛珂. 河北工程大学, 2020(04)
- [5]高速公路交通事故严重程度GA-BP预测方法研究[D]. 侯兆凯. 长安大学, 2020(06)
- [6]基于数据驱动和深度学习的配电网无功优化技术研究[D]. 石琛. 北京交通大学, 2020(03)
- [7]基于BP神经网络的水质评价模型研究[D]. 肖景章. 南昌大学, 2020(01)
- [8]优化BP神经网络在急性胸痛疾病分类诊断中的应用研究[D]. 周密. 天津职业技术师范大学, 2020(08)
- [9]基于遗传算法的多项式神经网络求解分类问题[D]. 贺一凡. 南京大学, 2020(02)
- [10]基于机器学习的无人机飞控系统主动容错控制技术研究[D]. 任坚. 南京航空航天大学, 2020(07)