一、ANN与ANFIS的拟合能力和推广预测能力的比较研究（论文文献综述）
路辉[1]（2021）在《复杂铝电解质关键物化参数预报和测定新方法》文中指出铝电解质是电解铝生产的载体介质,其组成和物理化学性质直接影响铝电解产品质量、电能消耗和电流效率。随着原材料及辅助材料变化,电解质体系成分越来越复杂,且呈现出明显的区域性特征,其物理化学性质发生了较大改变,给电解生产带来效率低、能耗高、沉淀多和控制难等系列问题。围绕电解铝工业提质增效、节能降耗,转型升级战略目标,深入研究复杂铝电解质体系物理化学性质,探索复杂电解质初晶温度、分子比等关键物化参数精准预报和测定,对优化铝电解生产工艺、实现生产精准管控和推动铝冶炼智能升级具有重要意义。本论文以复杂铝电解质体系为研究对象,采用多种分析检测手段,获得了复杂铝电解质体系的化学组成、物相组成、元素赋存状态和热稳定性等物理化学性质,揭示了复杂铝电解质体系区域性特征,建立了原材料、辅助材料和复杂电解质体系形成间的映射关联。采用机器学习算法,构建了基于多基体类型、宽成分范围复杂铝电解质样本的初晶温度预报模型。采用激光诱导击穿光谱（LIBS）技术,基于特征提取和机器学习融合的化学计量学方法实现了复杂铝电解质CR的定量分析测定。开展了熔融复杂铝电解质CR和Ca、Mg含量的LIBS原位在线检测实验,首次实现复杂铝电解质体系主要成分的LIBS原位在线检测分析。主要研究成果如下:（1）电解质和原辅料多维度、大容量的多源数据结合原料区域供应协同的分析方法,实现复杂铝电解质体系和原辅料间成分的区域映射关联。分析了复杂铝电解质体系的典型物理化学性质,揭示了复杂铝电解质体系区域性特征。从氧化铝、炭素阳极、阳极覆盖料和炭渣等方面对复杂铝电解质体系形成进行溯源分析,阐明氧化铝、炭素阳极和阳极覆盖料中杂质元素分布规律,构建了铝电解原材料、辅助材料中杂质元素和复杂铝电解质形成之间的基本映射关系。（2）大样本容量电解质样本成分全要素耦合结合机器学习解析的建模方法实现了复杂铝电解质体系初晶温度的精准预报。模型适用范围拓宽,预报准确性提高,揭示出复杂铝电解质体系初晶温度与其化学成分之间的非线性关系。BP-ANN模型留一交叉验证RMSE=6.77,MRE=0.54%,39个外部样本初晶温度预报的平均相对误差为0.39%;SVM（Rbf）模型留一交叉验证RMSE=6.90,MRE=0.49%,预报39个外部样本初晶温度的平均相对误差为0.43%,预报准确性较高,具有重要的应用价值。（3）设计、搭建LIBS实验装置,通过开展单因素实验,实现了 LIBS检测关键实验参数优化。通过选择特征分析谱线,计算等离子体温度和电子密度,证实等离子体光谱有效性,优化LIBS实验条件,获得合理的实验参数组合。结合Mc-Whirter准则,计算出激光等离子体温度为5353 K,电子密度为1.55×1018 cm-3,证实复杂铝电解质等离子体满足局部热力学平衡状态,LIBS等离子体光谱有效。实验确定LIBS参数优化条件为:氩气气氛,激光器延迟时间4 μs,激光器能量133 mJ,电解质研磨时间30 s,电解质压样压力8 Mpa,激光脉冲累加50次,为复杂铝电解质体系主要成分LIBS定量分析奠定基础。（4）提出基于光谱变量特征提取和机器学习融合方法,首次实现复杂铝电解质CR的LIBS定量测定分析。采用超多面体方法筛选光谱特征变量,以筛选出的特征变量为新数据集,采用机器学习算法训练建模,发现SVM（Liner）模型留一交叉验证RMSE=0.062,MRE=1.79%,SVM（Rbf）模型留一交叉验证RMSE=0.027,MRE=0.93%;通过验证17个外部独立测试样本,SVM（Liner）与SVM（Rbf）模型测定分析复杂电解质CR的平均相对误差为0.33%与0.43%,Hyperpolyhedron-SVM方法对复杂铝电解质训练样本和验证样本均表现出较好的分析测定能力。（5）搭建LIBS原位在线检测装置结合化学计量学解析方法,首次实现高温环境下强扰动、非均质熔融态复杂铝电解质主要成分的LIBS定量分析。基于全谱的SVM校正模型分析测定能力较好,分析20个外部电解质样本CR的平均相对误差为2.62%。采用传统定标法建立了面向复杂电解质体系Ca、Mg含量的定标曲线,其中Ca元素的定标曲线为y=6208.43x-8654.59,定标模型 R=0.94,RSD=1.89%,Mg 元素的定标曲线为 y=7120.13x+1312.60,定标模型R=0.95,RSD=3.28%。通过分析13个外部独立测试电解质样本,Ca元素平均相对标准偏差为5.40%,Mg元素的平均相对标准偏差为13.0%。Ca元素最低检测限为8.54mg·g-1,Mg元素最低检测限为15.50mg·g-1。
毛政中[2]（2021）在《微生物电催化还原CO2产甲烷系统运行性能提升及实用化技术研究》文中研究表明化石燃料的燃烧排放大量CO2导致严重的温室效应,太阳能和风能为主的可再生能源得到了广泛开发。然而,可再生能源存在不稳定性,需要配套储能设备以提高并网率和维持电网稳定运行。因此,人类迫切需要开发碳中性的储能技术以推动碳达峰和碳中和的进程。微生物电催化产甲烷系统（Electromethanogenesis,EMG）是一种新型绿色能量转换系统,它使用产甲烷生物膜作为生物催化剂,能够在温和的反应条件下实现CO2的还原,实现将过剩的可再生能源转化为甲烷的化学能,该技术具有成本低廉、转化效率高、产物选择性高、绿色环保等优点。但目前EMG存在电流密度和产甲烷速率低、产甲烷生物阴极启动时间长、功率密度未达到储能应用级别和运行稳定性差等技术瓶颈,导致其难以实用化。本文针对上述问题,开展利用电化学技术启动和运行产甲烷生物阴极的研究。同时基于人工神经网络和自适应模糊推理系统对扩大化EMG系统运行性能进行建模和预测并分析阴极产甲烷性能主要的影响因素。取得的成果如下:（1）研究了恒电流（galvanostatic,GS）,恒电压（applying constant voltage,ACV）和恒电位（potentiostatic,PS）三种电化学技术启动和运行生物阴极。发现ACV法启动的生物阴极的产甲烷速率分别比GS法和PS法的高145%和238%,其电荷转移阻抗仅为PS法的45%和GS法的71%。揭示出供给足够的还原当量（e-或H2）比改变电极电位调节微生物群落组成对富集高效产甲烷生物膜更为重要。（2）开发出快速启动具有高比表面积颗粒活性炭生物阴极的间歇性阶梯升压启动策略（Intermittent step-up voltage,ISUV）。生物阴极的启动缩短至15天,电流密度达到23.39A m-2,其产甲烷速率(65.66 L m-2 d-1)比间歇性恒定外加电压启动策略（Intermittent applying constant voltage,IACV）高11.7倍;EMG在波动和间歇的电力输入下运行的稳定性和恢复速度分别提高了56%和500%。发现运行性能及其稳定性的提升是因为ISUV策略富集了包含纳米导线的紧凑型生物膜,具有高覆盖率、高种群丰富度和多样性。为解决EMG运行稳定性差和产甲烷速率低的问题提供了思路。（3）开发了以ISUV策略运行的18 L扩大化半连续流双室EMG,功率密度达到173.28W m-2。基于人工神经网络（Artificial neural network,ANN）和自适应模糊推理系统（Adaptive neuro-fuzzy inference system,ANFIS）构建双室EMG运行性能的预测模型。发现ANFIS对平均电流、产甲烷速率、阴极产甲烷库伦效率和电产气转化效率四个输出变量的预测准确度R2均达到0.9971以上,高于ANN模型。敏感性分析显示:运行周期对平均电流的权重最大（41%）;外加电压对产甲烷速率的权重最大（41%）。为EMG的扩大化提供了理论依据和关键技术指导。（4）首次提出电化学氧化——产甲烷（Electrochemical oxidation-methanogenesis,EO-M）耦合技术,构建了低能耗降解抗生素环丙沙星同时还原CO2产甲烷的系统。获得86.4 L m-2 d-1的产甲烷速率和71.76%的CCE-CH4;同时去除99.99%的环丙沙星和90.53%的化学需氧量;其降解环丙沙星的能耗比单纯电化学氧化系统降低3.03 Wh L-1。通过阴极生物膜形貌和微生物群落分析,发现阴极富集具有鞭毛的产甲烷菌Methanobacterium movens,可能促进生物阴极通过鞭毛介导进行直接电子传递,从而降低了阴极过电位。为解决传统电化学氧化工艺阴极H2难回收和电位低导系统能耗较高的问题提供了新思路
徐龙华[3]（2021）在《蠕墨铸铁切削数据的综合智能推理方法研究》文中提出难加工材料的不断涌现推动了切削加工技术的进步。由于常规金属切削加工技术的效率低、能耗高、加工表面质量不稳定、自动化水平低等缺点,因此迫切需要新的切削加工技术和智能制造系统来提高切削加工的智能化水平。高速切削加工和智能推理系统的结合不仅能极大的提高切削效率和工件表面质量,而且能够降低切削能耗,进一步提高切削加工的自动化水平。因此,本研究以蠕墨铸铁为实验材料,通过高速铣削加工实验获得蠕墨铸铁在粗加工、半精加工和精加工时的切削数据。进而通过所获得的切削数据建立综合智能推理系统,实现刀具磨损、刀具寿命、切削力、切削功率和已加工表面质量等的推理预测,并获得最优切削参数组合。研究提出VPSO与VCPSO优化训练算法。VPSO与VCPSO算法的全局收敛能力较强,且均优于标准粒子群优化算法、遗传算法和其它优化算法。建立了基于VCPSO算法的自适应神经模糊推理系统,可靠预测了刀具后刀面磨损量、刀具寿命和切削力,它们的推理精度分别达93.5%、91.8%和95.6%,验证了推理模型的有效性。建立了改进的自适应神经模糊推理系统、切削功率和表面粗糙度的理论相似推理模型。利用方差分析方法分析了切削参数对切削功率和表面粗糙度的影响。结果表明,切削功率和表面粗糙度的推理精度分别达93.1%和93.8%;高速铣削蠕墨铸铁时,切削速度对切削功率的影响最大,其次为切削深度,进给量的影响最小;切削速度对表面粗糙度的影响最大,其次为进给量,切削深度的影响可忽略不计。建立了切削功率和表面粗糙度理论相似推理模型,该推理模型能够预测相同切削参数下不同铸铁材料的切削功率和表面粗糙度,切削功率和表面粗糙度的推理精度分别达92.1%和89.4%。提出了智能推理与优化系统,该系统包括改进的实例推理方法、基于自适应神经模糊推理系统和VPSO算法的优化方法。采用人工神经网络模型确定切削参数和刀具磨损的权重,采用高斯模糊灰色关联方法作为实例重用模型求解问题。改进的实例推理方法能够根据切削参数和刀具磨损状态推理预测切削功率和切削振动振幅,采用VPSO算法对建立的自适应神经模糊推理系统进行切削参数优化。结果表明,切削速度对切削功率的影响最大,其次为切削深度和刀具磨损,进给量的影响最小;对切削振动振幅影响最大的是切削速度,其次为进给量和切削深度,刀具磨损的影响最小。改进后的实例推理方法在预测切削功率和切削振动振幅时的推理精度分别达91.7%和95.7%。建立了高斯过程回归和支持向量回归机实例重用模型,预测不同切削参数和刀具磨损下的表面粗糙度和残余应力。结果表明,高斯过程回归重用模型推理精度较高。采用人工神经网络模型分析得切削速度对表面粗糙度的影响最大,其次为刀具磨损和进给量,切削深度的影响最小;对残余应力的影响从大到小分别为进给量,切削速度与切削深度。与其它智能推理模型相比,提出的推理方法具有较高的推理效果,能够实现工件材料加工表面质量的推理预测。以B/S模式为基础构建了综合智能推理系统。该系统通过自适应神经模糊推理系统和实例推理方法实现了切削数据的推理和有效利用。该系统不仅具有推理功能,而且能够为使用者提供优化的切削参数。综合智能推理系统能够提高切削效率、表面质量、降低切削能耗。
唐鹏[4]（2021）在《基于机器学习的火焰面建表标量优化和放热率模化研究》文中研究表明在当今数据驱动思潮的推进下,计算燃烧学也开始和数据科学结合起来研究燃烧问题。本文以机器学习算法为工具,针对包含拉伸效应的预混和分层燃烧的火焰面建表标量的优化和火焰前锋的放热率模型中若干问题开展研究。本文的主要工作和结论如下:（1）采用无监督线性降维的主成分分析法（PCA）和有监督线性降维的偏最小二乘法（PLS）,对包含拉伸效应的CH4/air一维预混和分层火焰进行了降维分析。无监督降维算法PCA和将放热率设置成因变量的有监督降维算法PLS在降维上的表现十分相似。PCA和PLS两种算法得到的建表标量之间两两相互正交,故其投影到低维流形中能保留更多的组分信息。这两种方法都比文献中常用的使用H的质量分数表征拉伸的建表方案更有优势。（2）为了保留燃烧中非常重要的混合物分数Z作为建表标量,对分别PCA和PLS算法进行了优化。修正后的算法记为PCA*和PLS*。修正算法得到正交的建表标量也可以很好重构包含拉伸的分层火焰。此外,修正PLS*算法在保留被动标量混合物分数Z的同时继承了有监督算法的优势。它是一种很有潜力的方法。（3）以CH4/air一维自由传播预混火焰数据为样本,基于人工神经网络、支持向量机回归和多元线性回归这三种机器学习算法构建了贫燃宽当量比下的放热指标。结果表明,传统的放热指标如k[CH2O][OH]模型预测精度严重依赖当量比,而机器学习算法得到的模型在不同当量比下均能保持很好的预测精度。对比三种机器学习算法的预测精度和调参难度,多元线性回归算法最有优势。使用CH3和O组分的摩尔浓度构造的多元线性回归模型在CH4/air宽当量比燃烧的放热率预测上有很好的表现。（4）以正十二烷的均质自点火过程数据为样本,研究了包含复杂低温反应和高温反应两个阶段的放热率模型的构造问题。结果表明,高碳燃料燃烧的路径十分复杂,使用简单的线性比例模型k[CH2O][OH]无法同时兼顾冷焰和热焰两个阶段的预测,而使用多元线性回归算法构建的放热率模型可以很好的兼顾两阶段的放热率表征。（5）针对具包含复杂组分分层的湍流液雾燃烧下放热率模化问题,以正十二烷的二维DNS湍流液雾自点火过程的数据为样本,结合多元线性回归算法,构建放热率模型。结果表明,使用DNS数据结合多元线性回归算法构造得到的放热率模型对比简单线性比例模型在预测精度上有很大的提升,对燃烧区域的预测更加准确。使用机器学习算法构建的放热率模型预测精度更高,适应范围更广。
梁建红[5]（2021）在《基于Bi-LSTM网络的电主轴回转误差预测方法研究》文中认为数控机床被誉为制造业“工作母机”,电主轴作为数控机床核心功能和执行部件。回转误差是衡量电主轴精度的重要指标,直接关系加工工件品质。昂贵测量设备、苛刻安装要求,且现有测量技术会影响正常加工任务,致使电主轴回转误差不便直接监测。振动信号因包含丰富信息而被誉为设备状态指示器,且已被广泛应用于旋转设备的状态监测。鉴于此,本文开展易采集振动信号到电主轴回转误差预测方法的研究。调研和总结振动信号处理方法,振动信号设备状态预测模型以及小样本情况下设备预测方法。根据现状问题制定由提升振动信号对磨损和转速特征提取能力,预测模型逐步完善再到模型推广应用的研究思路,具体开展如下研究内容:围绕自适应时-频处理方法LMD及其端点效应问题,分析端点效应导致分解波形畸变和干扰特征提取的原因,确定延拓找到新的极值点的基本思路。进而,提出基于Bi-LSTM回归网络的自适应波形点延拓方法,延拓方法将可训练样本分成两步训练以达到优化训练参数和确定初始化矩阵的目标:第一步训练是为在有限样本中自适应找到最优训练参数;第二步应用全部可训练样本完善延拓网络参数。另外,延拓方法结合LMD构建具有抑制端点效应的ILMD方法。最终实验结果表明:ILMD不仅实现对仿真信号准确的特征频率提取且保证更高特征幅值,还实现无负载、恒力负载和变力负载情况下振动信号更精确磨损和转速特性频率提取,也保证特征频率处具有较高幅值。针对振动信号干扰问题和回转误差具有时间关联的特性,结合实际工程对回转误差的预测要求。据此,本文提出基于ILMD滤波融合和Bi-LSTM分类网络的预测方法,该方法首先对振动信号进行ILMDFF和回转误差按照1um为间隔的预处理,最终将预处理结果输入Bi-LSTM分类网络中进行训练与预测。设计并搭建了电主轴模拟加载实验台,完成累计1700小时磨损加载实验,分别采集各转速条件下的170组振动信号和对应回转误差值。最后,该方法分别对转速为1000,2000,3000和4000进行预测并分析结果:通过对比4种类型输入信号,ILMDFF优于其他输入形式信号,说明预测方法具有滤波融合特性,且预测精度优于传统的数据压缩方法。鉴于对电主轴极端回转误差值无法精准预测问题,二维图像卷积方法能够更高灵敏度预测。进而,提出基于2D-ILMDFF和卷积Bi-LSTM分类网络的预测方法,该方法首先将一维时序顺序转换到二维图谱转换中,不仅保留时序的时间记忆特性,并融入高维卷积特征学习能力。另外,该方法训练过程中增设优化训练参数和确定图像尺寸。最后,该方法应用于训练和预测已收集的实验数据,同样分析多转速下的预测结果:该方法即使在不同输入方式的条件下也整体提高了预测精度,同时二维卷积引入有效的解决极值回转误差无法预测问题。考虑不同电主轴回转误差预测推广应用问题,不同电主轴能够采集数据集极易存在小样本及零样本情况,造成具有监督学习卷积Bi-LSTM模型出现欠训练以及先验模型无法直接使用问题。本文研究迁移学习在小样本设备监测方面的应用,提出基于抑制迁移学习和卷积Bi-LSTM模型的改进方法。改进方法不仅提出样本缺失条件下调整策略,同时通过对小样本预训练和增加抑制因子的再训练方式能够解决样本欠学习问题。最后,改进方法应用新电主轴20组无负载、恒力负载和变力负载情况下回转误差预测,分析预测结果表明:预训练、再训练以及抑制学习因子的引入,有效的提高了对新电主轴回转误差的预测精度。
王宇哲[6]（2021）在《基于统计机器学习的盾构隧道地表沉降预测模型及优化方法研究》文中提出盾构法是地铁隧道建设过程中应用最为广泛的工法之一,盾构隧道施工引起地层变形的预测是保障地铁安全建设的关键。我国的轨道交通目前仍处于大规模高速建设阶段,一方面密集的轨道交通建设对地层变形的预测与控制提出了更高的要求,另一方面已有的大量工程实践经验也为准确预测地层变形创造了条件。由于盾构隧道施工引起地层变形响应具有多因素与非线性的特点,传统的理论与模型难以反映这一复杂的关系,利用机器学习模型实现地层沉降的智能预测已成为重要的研究方向,但已有的机器学习沉降预测模型存在着泛化能力差、可解释性不强的问题。本文以成都地铁6号线区间工程为背景,引入了机器学习模型中的树模型对盾构隧道施工引起地表沉降问题进行预测,在与多种算法对比分析的基础上提出了相应的优化方法。主要的研究内容和成果如下:（1）盾构隧道开挖引起地层变形机理及影响因素研究。从盾构隧道掘进过程出发,全面分析总结盾构隧道开挖引起地层变形机理,重点分析地层水平变形规律及和地表沉降历时变化规律。从施工过程出发,建立相应的数值模型,分析在隧道开挖过程中各个因素对于地表沉降的影响,为后续研究提供理论基础。（2）基于地表沉降分析的预测模型的建模要素提取。收集整理3段盾构区间地表沉降监测数据及盾构参数,分析盾构隧道施工引起地表沉降的分布规律及发展趋势,并对影响地表沉降值大小的各要素进行统计分析,建立了相应的数据库。结果表明:区间地表沉降槽曲线基本符合高斯分布,沉降槽曲线宽度系数与隧道埋径比（H/D）呈负相关关系,地层损失与地层类型显着相关。沉降的历时发展曲线分布则主要与地层类型及注浆有关,不同的地层条件下沉降发展曲线差异明显,但基本符合沉降发展的四个阶段。通过对地表沉降影响要素的分析发现地层类型是影响沉降大小的主要因素,特殊周边环境会影响沉降值的分布,掘进参数主要反映盾构掘进状态。（3）沉降预测模型性能对比。考虑在地下工程中应用广泛的线性回归模型（LR）、BP神经网格模型（BPNN）、支持向量回归模型（SVR）以及两种树模型CART模型与XGBoost模型共五种机器学习算法分别建立相应的预测模型,对比了各模型在学习能力、泛化能力、可解释性上存在的差异,确定在地表沉降预测问题上的最优模型。以测试集预测误差为指标考量模型泛化能力,表现排名为XGBoost>CART>SVR>BPNN>LR,特别是在沉降值较大的少数测点,两种树模型预测效果好于其余三种模型,同时树模型也具有更好的可解释性。（4）提出沉降预测的分阶段动态预测模式。针对已有预测模型工程意义不明确的问题,考虑盾构隧道引起地表沉降存在时间效应的特点,充分利用已有的先验信息,提出沉降的分阶段预测模式,实现沉降的动态预测,优化了模型数据集。（5）基于贝叶斯方法实现预测模型的正则化优化。从XGBoost算法的正则化项出发,引入贝叶斯优化方法,实现了模型正则化参数的自动寻优,进一步提高了模型本身的泛化能力,优化后的模型对于地表沉降有更好的预测效果。
詹剑[7]（2021）在《基于深度神经网络麻醉深度监测技术的相关研究》文中认为背景和目的:精准监测麻醉深度（Depth of anesthesia,Do A）对预防全身麻醉患者术中知晓,维持适宜的麻醉深度,减少麻醉药用量及麻醉相关并发症,加速术后康复非常重要。随着精准医学和快速康复理念的发展,对麻醉深度监测提出了更高的要求,因此,探寻高精准度的麻醉深度监测新方法已成为近年的研究热点。目前,麻醉深度监测尚无评估的“金标准”。研究发现脑电（Electroencephalogram,EEG）信号能反映全身麻醉药对中枢神经系统的作用而准确监测意识状态改变。因此,基于EEG信号的麻醉深度监测仪成为麻醉深度监测的主流方法,但其监测的准确性和必要性仍存在争议,而我国麻醉医生对麻醉深度监测仪的使用、态度和监测需求尚不清楚。此外,国产品牌对比进口品牌麻醉深度监测仪的准确性尚不清楚。美国的脑电双频指数（Bispectral index,BIS）是目前临床使用范围广,准确性高,评估麻醉深度的常用参考标准,而麻醉深度指数（Depth of anesthesia index,Ai）是国内自主研发的麻醉深度指数,其监测麻醉深度的准确性尚缺乏研究。由于EEG信号易受到年龄和多种病理生理状态如低温、低血糖、缺氧等的影响及不同麻醉深度指数的专有算法各异导致目前的麻醉深度监测方法具有一定的局限性。此外,心电（Electrocardiogram,ECG）信号中的心率变异性（Heart rate variability,HRV）受中枢神经和自主神经系统共同调控,与麻醉药物作用和麻醉深度密切相关。因此,有必要深入研究EEG和ECG信号,探寻麻醉深度监测的新方法以进一步提高麻醉深度监测的准确性。人工智能（Artificial intelligence,AI）机器学习算法是近年麻醉深度监测研究的热点,但哪种人工智能算法监测麻醉深度更准确尚不清楚。人工神经网络（Artificial neural network,ANN）是一种模拟人类大脑神经网络结构的人工智能算法,而深度神经网络（Deep neural network,DNN）是一种高级的人工神经网络,具有更强的学习和预测能力。研究发现DNN可结合EEG或ECG信号特征监测麻醉深度,但监测的准确性还存在提升的空间。因此,本研究作为国家重点研发计划《基于物联网技术的围术期生命监测支持仪器的评价研究》中麻醉深度监测仪评价研究的核心内容,通过麻醉深度监测应用现状的调研以了解麻醉深度监测的不足,采用Ai指数与BIS准确性的对比研究以了解Ai指数与BIS准确性的差距,进而基于EEG或ECG信号特征结合DNN探索麻醉深度监测的新算法以提升麻醉深度监测的准确性。第一部分国内麻醉深度监测应用现状的调查研究方法:2020年7月～2020年9月,邀请临床麻醉医生参与在线调查,调研问卷通过微信调研表的形式发送。所有的调研问卷均匿名填写。采用分层分析、相关性分析、卡方检验方法分析临床麻醉医生对麻醉深度监测仪的使用、态度和需求。结果:本调查研究共收回4037份反馈问卷。对于麻醉深度监测仪的使用,仅有9.1%的麻醉医生常规使用;教学医院的麻醉医生使用麻醉深度监测仪的主要目的是预防术中知晓,而非教学医院的麻醉医生使用麻醉深度监测仪的主要目的是指导术中麻醉用药;而准确性有限、抗干扰能力较差、不能监测镇痛、监测及耗材不能收费或费用高是影响其临床使用的重要原因。对于麻醉深度监测仪的态度,67.3%的麻醉医生对国产和进口品牌的麻醉深度监测仪均认可;81.0%的麻醉医生最常用BIS麻醉深度监测仪;68.5%的麻醉医生认为目前准确性最高的麻醉深度指数是BIS。对于麻醉深度监测仪的需求,95.7%的麻醉医生认为需提升麻醉深度监测仪的准确性;86.3%的麻醉医生认为麻醉深度监测仪应适用于所有年龄的患者;80.4%的麻醉医生认为麻醉深度监测仪应具有镇痛监测;75.6%的麻醉医生认为麻醉深度监测仪应适用于所有的麻醉药物;65.0%的麻醉医生认为麻醉深度监测仪应整合脑电信号和生命体征监测;53.7%的麻醉医生认为先进的麻醉深度监测仪应具有人工智能。结论:麻醉深度监测仪的使用率有待提高,准确性有限等多种因素影响其使用。大部分麻醉医生对国产和进口品牌的麻醉深度监测仪均认可,对BIS的熟悉程度和认可度高。准确性是麻醉医生选择使用麻醉深度监测仪的重要指标和需求。具有人工智能的麻醉深度监测仪可能是未来麻醉深度监测研究的新方向。第二部分麻醉深度指数与脑电双频指数准确性的对比研究:一项前瞻性、多中心、随机对照临床研究方法:2020年9月～2021年1月,在陆军军医大学第二附属医院、四川大学华西医院等10家三甲医院招募并纳入择期腹腔镜胃肠手术患者145例。通过随机对照研究,以BIS作为参照标准,探讨Ai指数用于麻醉深度监测的准确性。结果:根据Bland-Altman一致性分析,Ai指数与BIS的差异均值为-0.1747,95%CI（-0.6660～0.3166）,P=0.4857。根据戴明回归分析,Ai指数与BIS两种麻醉深度指数的戴明回归方程为:y=5.6387+0.9067x（y为BIS,x为Ai）,斜率与截距均有统计学意义。通过ROC曲线分析,BIS监测意识状态的AUC为0.943,高于Ai指数的AUC0.941,两种指数的AUC无统计学差异（P=0.4705）。而Ai指数与BIS监测意识消失的最佳界值均为79.5,监测意识消失的AUC分别为0.953和0.965,有统计学差异（P=0.0013）。两种指数监测意识恢复的最佳界值分别为71.5和70.5,监测意识恢复的AUC分别为0.936和0.934,无统计学差异（P=0.5271）。结论:Ai指数与BIS的一致性较好,监测麻醉深度的准确性相似,均能准确监测全身麻醉患者的意识水平。第三部分基于脑电信号奇异谱分析结合深度神经网络监测麻醉深度的研究方法:2020年9月～2021年1月,基于麻醉深度监测仪对比研究中78例受试者的脑电数据,通过奇异谱分析提取α,β,θ,δ,β比率,频域和时域样本熵7个脑电特征作为深度神经网络的输入特征,以BIS作为深度神经网络的输出标准监测麻醉深度,同时对比深度神经网络与支持向量机监测麻醉深度的准确性。结果:通过奇异谱分析提取的EEG特征α,β,θ,δ,β比率,频域和时域样本熵与目标值BIS均存在相关关系,尤其是β比率和时域样本熵与BIS具有中度相关性,相关系数分别为0.58和0.62。与目标值BIS相比,深度神经网络监测值的均方误差明显小于支持向量机,差异具有统计学意义（Χ2=15.2,P=0.0012）。结论:奇异谱分析可用于α,β,θ,δ,β比率,时域和频域样本熵EEG特征的提取,DNN监测麻醉深度的准确性优于SVM。第四部分基于深度神经网络的心率变异性衍生特征监测不同麻醉状态的研究方法:2020年3月～2020年4月,在陆军军医大学第二附属医院招募并纳入23例择期腹腔镜手术患者,使用飞利浦监护仪采集受试者术中心电监测数据,通过原始心电数据的重采样及数据处理,提取高频,低频,高频与低频比和样本熵4种心率变异性的时频特征作为输入,以意识水平专家评分作为输出标准,基于4种心率变异性衍生特征结合DNN监测麻醉诱导、麻醉维持、麻醉苏醒三种麻醉状态,同时对比DNN与Logistic回归、决策树和支持向量机监测不同麻醉状态的准确性。结果:基于高频,低频,高频与低频比和样本熵4种心率变异性衍生特征结合四种机器学习算法监测麻醉状态的准确性分别为86.2%（Logistic回归）,87.5%（支持向量机）,87.2%（决策树）和90.1%（DNN）。DNN的准确性高于Logistic回归（P<0.05）,支持向量机（P<0.05）和决策树（P<0.05）。结论:心率变异性衍生的高频,低频,高频与低频比和样本熵特征结合DNN可准确监测不同的麻醉状态,DNN的准确性高于Logistic回归,支持向量机和决策树。
何欣欣[8]（2020）在《径流预报的过程化机制研究与系统集成实现》文中研究说明径流预报是水文水资源学科的基础性难题。受气候、自然地理及人类活动等诸多因素的综合影响,降雨、蒸发、下垫面条件等不确定性增大,径流序列的一致性问题突出,复杂性、非线性、动态性等让传统的预报模型方法受到了挑战,迫切需要适应性强的预报业务化创新。针对径流预报过程中不确定性问题及动态变化因素,基于过程,强化机制,研究过程化机制下的预报模式更为关键。立足于响应动态变化特征,聚焦滚动反馈、多尺度嵌套、区间化、适应性机制,从径流序列特性分析到预报模型方法与机制的融合及集成应用,探究并设计过程化的动态机制,并借助综合集成服务平台实现面向主题、面向过程化的径流动态预报模式。围绕径流预报过程化动态机制,以应用为导向,本文开展了以下几项工作:（1）分析了研究流域径流序列的变化特性,奠定了径流预报的研究基础。针对渭河流域径流演变态势,在时间尺度和空间尺度上对河道径流的变化特征进行了多维度分析,通过校对、“三性”审查和插补延长确保了所整编径流数据的准确性和完整性;采用P-Ⅲ型曲线计算拟合,确定了年径流量的优化适线参数;从径流量年内变化、年际变化、代际变化、周期识别和变异诊断等多方面分析了渭河流域的径流时间序列特性。（2）提出了径流预报的过程化机制,强化了在预报业务化过程中用机制指导并开展径流预报的新模式。针对径流时间序列的复杂非线性、高度不规则性和多尺度变异性,立足于“预报、决策、实施,再预报、再决策、再实施”的径流预报动态化的过程,在深入分析环境、需求、条件等变化因素对径流预报影响机理的基础上,基于动态系统辨识理论、反馈控制原理和滚动优化原理,面向动态变化,在径流预报过程中,聚焦滚动反馈、多尺度嵌套、区间化适应性,通过机制适应径流预报过程中的动态变化,设计了涵盖滚动反馈、多尺度嵌套、区间化适应等的机制集成,以及预报过程化机制实现的可行性。（3）开展了基于综合集成服务平台的径流预报过程化机制的系统实现。依托平台,以组件技术和知识图技术为支撑,将径流预报模型方法,按照不同时间尺度、不同适用条件进行了归类粒度化、采用java编程组件化、并封装成Web服务组件发布到了径流预报模型组件库中,在平台上依据知识图逻辑定制、添加组件,完成了面向主题的应用组织及运行,针对主题搭建径流预报过程化机制的业务应用系统。（4）实现了径流预报的过程化机制与分解集成模型方法的融合。以分解集成模型方法为对象,聚焦了预报过程中模型方法与机制的对接,以及对动态变化的适应,立足于径流预报的过程化作业,在过程中充分考虑各类因素的动态变化,用过程化机制引导分解集成模型方法的适时应用,同时把模型方法也融合进入过程化机制,实例化说明了适应性强的径流预报过程化机制模式。（5）实例验证了过程化机制下的径流预报模型方法的预报过程及成效。以主题为导向,围绕主题,在过程化机制中,先采用数据预处理技术与人工智能模型相结合,再分别建立了基于VMD-DNN（变分模态分解-深度神经网络）的日径流预报模型和基于VMD-GBRT（变分模态分解-梯度渐进回归树）的月径流预报模型,最后以渭河为例,在尺度上融合并分析了预报结果。通过与传统水文模型方法的比较,说明了预报指标的在线评价的快速及时效果、以及定量和定性分析在预报过程中的作用。（6）实现了基于过程化机制的径流预报业务的集成应用。针对径流预报业务的全过程,以问题为导向,在过程中发现问题,并提出解决问题的方案,通过数据集成、信息集成、组件集成、机制集成、应用集成,围绕滚动反馈机制、多尺度嵌套机制、区间化适应性机制,针对动态变化,开展了基于分解集成人工智能模型的径流预报、不同时间尺度的径流预报、适应性径流预报的业务集成应用,基于系统自身的动态性,在线分析预报过程中发生的各种动态变化,通过不断反馈与调整,由动态性产生适应性,由适应性产生合理性,强化了对实际径流预报工作的决策支持。
张西良[9]（2020）在《岩体爆破环境效应预测的集成学习模型及工程应用》文中研究指明爆破在采矿和土木工程中仍然是一种经济可行的岩石开挖方法,而工程岩体开挖爆破破岩的同时产生了爆破振动、飞石、空气冲击波以及地震波等一系列不良环境效应,往往造成周边建（构）筑物出现裂缝,甚至倒塌等破坏现象,严重甚至造成人员伤亡,因其普遍性、复杂性、容易引起民事纠纷,不仅使施工难度加大,也影响了社会稳定。由于其非线性演化过程的复杂性,如何精准评估爆破环境效应一直是困扰工程界和科学界的难题。在系统总结和分析国内外爆破环境效应评估方法优势和不足的基础上,从集成学习理论出发,对爆破有害效应预测这一课题进行了深入的探讨,构建了爆破振动峰值速度型、爆破诱发民房结构破坏和爆破飞石预测的集成学习模型。主要内容和结论性成果如下:（1）针对爆破环境效应评价不确定性和精度偏低的问题,构建了基于工程爆破振动、飞石等动力学特征的爆破环境效应预测模型库,包括爆破振动峰值速度预测的PSO-XGBoost集成学习模型,爆破诱发民房结构破坏预测的Adaboost集成学习模型和爆破飞石预测的GBDT集成学习模型。本文构建的集成学习模型具有在爆破环境效应预测方面的针对性,以及工程应用方面的联合性。在具体工程应用上,既可独立应用解决特定方面的预测问题;又可任意组合,针对不同工程需求得到综合预测评价结果。研究结果表明,提出的集成学习模型十分可靠,评价效果良好,具有较高的预测精度,实现了对爆破环境效应定性与定量的准确预测。（2）揭示了模型中各输入参量在预测模型中的贡献度,建立了预测模型内部验证和外部验证的验证策略,采用了 K折交叉验证的方法对模型中的超参数进行优化。针对回归问题,建立了 R2+MAE+RMSE的联合评价方法;针对分类问题,建立了误差矩阵+用户精度+生产者精度+总体精度+Kappa系数的联合评价方法,提高了模型评价效果的全面性和正确性。解决了岩体爆破环境效应集成学习模型过学习或欠学习的难题。（3）为进一步验证本文构建的爆破环境效应预测的集成学习模型,以和尚桥铁矿为例,对构建的爆破振动PPV预测的PSO-XGBoost集成学习模型、爆破振动对民房结构损伤预测的Adaboost集成学习模型和爆破飞石距离预测的梯度提升机模型进行工程验证,取得了良好的效果,验证了所建模型数据库的有效性。
郝艳[10]（2020）在《基于机器学习的碳交易价格预测方法及应用研究》文中研究表明长期以来,人类对化石能源的需求量的不断扩大导致了以二氧化碳为主的温室气体过度排放。在加速全球气候的异常变化以及全球变暖进程的同时,也使得缓解温室气体排放解决日益恶化的气候环境问题成为世界各国面临的严峻挑战。随着《联合国气候变化框架公约》、《京都议定书》的颁布,碳交易逐渐成为温室气体减排中普遍认可的有效手段与机制之一。在碳交易市场中,由于碳交易价格的变动趋势对市场相关参与者的决策具有基础性的作用,使得科学的碳交易价格预测成为市场参与者和学者关注的热点问题。同时,由于碳交易价格的影响因素复杂、固有的非线性以及非平稳特征又使得准确的碳交易价格预测成为统计预测领域的难点问题。近年来,国内外学者对碳交易价格预测模型进行了大量的研究,大致可分为两大类:基于碳交易价格变量历史值的预测模型和基于多因素的碳交易价格预测模型。虽然现有的碳交易价格预测模型可以获得较好的预测结果,但仍存在一些问题:首先是未充分认识机器学习模型对提高碳交易价格预测性能的巨大潜力;其次,多数研究只是使用传统单目标优化算法,但元启发式优化算法易陷入局部最优解,且以往的多数预测模型由于偏重于使用单目标优化算法来提高预测精度,忽视了预测稳定性的重要性,导致多目标优化算法涉及不多;再次是没有考虑特征选择在预测模型中的重要性,一定程度上降低了预测精度和预测效率;此外,多数研究忽略了碳交易价格特征分析对改善预测性能的重要性;另外,多数研究多侧重于点预测与单步预测,忽略了区间预测与多步预测,而区间预测与多步预测可为碳交易市场提供更多有价值的信息;最后,多数基于多因素的预测模型仅考虑对碳交易价格数据的预处理,忽略了对其它外部影响变量进行数据预处理的重要性。针对已有研究存在问题,本文引入两种解决传统人工智能模型缺陷的机器学习模型作为基础预测模型,包括拓展于极限学习机理论的机器学习预测模型和拓展于模糊推理系统理论的机器学习预测模型,融合数据预处理算法、人工智能优化算法、特征选择算法等,从不同角度开展碳交易价格预测模型的建立与应用,以弥补现有研究存在的缺陷。具体地,本文的研究内容主要分为七部分:第一章介绍了选题背景与研究意义、国内外研究现状、主要研究内容以及主要创新与不足;第二章论述了碳交易价格以及本文引入的基础碳交易价格预测模型的基本理论;第三章对本文构建的预测模型评价体系进行介绍;第四章、第五章和第六章分别提出了基于两阶段特征选择和多目标优化的碳交易价格预测模型、基于混沌理论和混合优化算法的碳交易价格预测模型和基于多因素的碳交易价格预测模型,并应用于实际碳交易市场。实验表明,本文提出的碳交易价格预测模型可获得更好的预测精度;第七章是全文的总结及对未来研究方向的展望。本文的工作主要集中于碳交易价格预测模型的构建与应用:（1）针对以往的多数碳交易价格预测研究未考虑特征选择、只关注模型预测精度、很少考虑预测结果稳定性等提出了基于两阶段特征选择和多目标优化的碳交易价格预测模型。该模型体现了机器学习模型、数据预处理算法、特征选择、多目标优化算法等的优势有效结合。具体地,该模型首先利用分解-重构策略对原始碳交易价格数据进行数据预处理,有效降低噪声对预测性能的影响。之后,利用提出的两阶段特征选择算法确定预测模型的最佳输入变量。此外,为同时获得具有较好的预测精度和预测稳定性的预测结果,利用多目标蝗虫优化算法对加权正则化极限学习机进行优化,并将其对分解-重构后的序列进行预测。最后,加总各子序列的结果获得最终的预测结果。（2）针对现有的碳交易价格预测多考虑点预测、缺乏对碳交易价格特征进行分析以及区间预测模型的研究等问题构建了基于混沌理论和混合优化算法的碳交易价格预测模型,该模型包括分析模块与预测模块。在分析模块中,对原始碳交易价格数据进行混沌分析和最优分布函数的确定,可以有效分析碳交易价格特征并为准确建立预测模型奠定基础。预测模块包括点预测与区间预测:点预测中,该模型利用相空间重构方法确定预测模型的最优输入-输出特征,并利用本文提出的混合蝴蝶优化算法-正弦余弦算法对自适应神经模糊推理系统进行训练;区间预测中,利用分析模块确定的碳交易价格序列的最优分布函数以及点预测结果,获得了区间预测结果。（3）针对多数现有研究中未考虑特征选择、对外部影响变量进行数据预处理、改进多目标优化算法、多步预测等在碳交易价格预测中的重要性提出了基于多因素的碳交易价格预测模型。具体地,首先利用先进的数据预处理技术对碳交易价格序列及其外生影响变量数据进行预处理,有效解决了噪声的负面影响。接下来,利用有效的特征选择算法确定预测模型的最佳输入特征,改善了模型的预测性能并为碳交易市场相关参与者提供更多有价值的信息。此外,为了克服极限学习机和人工神经网络模型的局限性,基于本文新提出的多目标混沌正弦余弦算法建立了具有良好泛化能力和稳定性的最优核极限学习机模型。最后,基于建立的预测模型验证其单步预测与多步预测性能。总的来说,本文的主要创新有:（1）基于机器学习方法、人工智能优化算法、特征选择算法、先进的数据预处理算法等,并充分融合各算法的优点搭建了碳交易价格预测方法的理论框架;（2）不同于现有研究只构建一个碳交易价格预测模型,本文多角度构建多个碳交易价格预测模型,具有更强的应用价值。此外,为验证提出模型的优良性,构建了包括模型预测精度评价、模型预测有效性评价以及模型预测显着性评价的碳交易价格预测模型综合评价体系;（3）提出基于两阶段特征选择和多目标优化的碳交易价格预测模型:模型中提出的两阶段特征选择算法,为确定最优输入特征提供选择;模型采用多目标优化算法对加权正则化极限学习机进行优化,可同时提高预测精度以及预测结果的稳定性;（4）提出基于混沌理论和混合优化算法的碳交易价格预测模型:在模型中,提出一个新颖的混合优化算法,为解决优化问题提供了新的可行性选择;提出了一种改进的自适应神经模糊推理系统模型,并将其首次应用于碳交易价格预测;所提出的建模前对碳交易价格的特征进行分析,为准确建模奠定了基础;构建的预测模块同时考虑点预测和区间预测,可同时量化确定性及不确定性;（5）提出基于多因素的碳交易价格预测模型:该模型对碳交易价格数据及其外部影响变量均利用先进的数据预处理技术进行预处理,有效减少噪声对预测性能的影响;利用有效的特征选择算法确定预测模型的最优输入特征;成功提出了一种新的多目标优化算法:多目标混沌正弦余弦算法,为处理多目标优化问题提供了新的选择;采用具有良好泛化能力的最优核极限学习机模型进行预测,可有效提高预测能力;构建的预测模型可同时提高单步预测与多步预测的性能,为碳交易市场提供充足的信息。本文的研究具有重要的理论意义与现实意义:从理论意义来讲,基于机器学习、数据预处理算法、特征选择、人工智能优化算法等理论提出多个改进的碳交易价格预测模型,可以从理论上弥补现有碳交易价格预测研究的不足;从现实意义来看,精确的碳交易价格预测有助于理解碳交易价格的变动特征及掌握碳交易价格的波动规律,为建立稳定的价格定价机制奠定基础;准确的碳交易价格预测对于碳交易市场中的相关参与者具有重要的指导作用;此外,准确的碳交易价格预测还有助于把握碳交易市场动态,为改变碳排放量的上限值提供理论参考。本文的主要不足之处有:（1）所提出的碳交易价格预测模型中仍然存在一些参数需要人工预定义的问题,在未来研究中,预测模型中相关参数设置的问题需要进一步改进;（2）由于所提出的预测模型将多种算法进行融合,故可能造成模型计算时间的增加。但随着科学技术的发展,相信该问题在一定程度上可以解决;（3）本文没有考虑深度学习在碳交易价格预测中的应用,在今后的研究中,将进一步探索深度学习在碳交易价格预测研究中的应用。
二、ANN与ANFIS的拟合能力和推广预测能力的比较研究（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、ANN与ANFIS的拟合能力和推广预测能力的比较研究（论文提纲范文）
（1）复杂铝电解质关键物化参数预报和测定新方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 铝电解质体系概述 |
| 2.1.1 铝电解质体系发展历程 |
| 2.1.2 铝电解质体系分类 |
| 2.1.3 复杂铝电解质体系形成原因 |
| 2.1.4 复杂铝电解质对生产过程的影响 |
| 2.2 铝电解质体系初晶温度预报和CR测定分析 |
| 2.2.1 铝电解质体系初晶温度预报 |
| 2.2.2 复杂铝电解质体系CR测定分析 |
| 2.3 激光诱导击穿光谱(LIBS)技术 |
| 2.3.1 LIBS技术概述 |
| 2.3.2 LIBS激光等离子体产生机制 |
| 2.3.3 LIBS定量分析方法 |
| 2.3.4 LIBS技术在冶金中的应用 |
| 2.4 研究背景和内容 |
| 2.4.1 研究背景 |
| 2.4.2 研究内容 |
| 3 复杂铝电解质体系物化特征和溯源分析 |
| 3.1 实验方案 |
| 3.1.1 实验原料 |
| 3.1.2 实验仪器 |
| 3.2 复杂铝电解质物化特征分析 |
| 3.2.1 化学成分分析 |
| 3.2.2 物相组成分析 |
| 3.2.3 元素赋存状态分析 |
| 3.2.4 热稳定性分析 |
| 3.3 复杂铝电解质体系形成溯源分析 |
| 3.3.1 氧化铝中杂质元素分析 |
| 3.3.2 炭素阳极中杂质元素分析 |
| 3.3.3 阳极覆盖料中杂质元素分析 |
| 3.3.4 炭渣量分析 |
| 3.4 本章小结 |
| 4 基于机器学习解析的初晶温度预报方法 |
| 4.1 实验方案 |
| 4.1.1 实验原料 |
| 4.1.2 实验装置及原理 |
| 4.1.3 实验方法 |
| 4.1.4 机器学习算法实现 |
| 4.1.5 初晶温度校正模型评价指标 |
| 4.2 结果与讨论 |
| 4.2.1 区域性复杂铝电解质初晶温度测试结果分析 |
| 4.2.2 基于机器学习解析的初晶温度建模及预报 |
| 4.2.3 初晶温度校正模型敏感性分析 |
| 4.2.4 基于优选模型预报的初晶温度等温分布 |
| 4.3 本章小结 |
| 5 LIBS实验系统设计、搭建和关键实验参数优化 |
| 5.1 实验方案 |
| 5.1.1 实验样品制备 |
| 5.1.2 实验装置搭建 |
| 5.1.3 实验方法 |
| 5.1.4 主要评价指标 |
| 5.2 结果与讨论 |
| 5.2.1 等离子体光谱特征分析 |
| 5.2.2 等离子体温度和电子密度计算 |
| 5.2.3 环境气体对等离子体光谱的影响 |
| 5.2.4 延迟时间对等离子体光谱的影响 |
| 5.2.5 激光能量对等离子体光谱的影响 |
| 5.2.6 电解质研磨时间对等离子体光谱的影响 |
| 5.2.7 电解质压实度对等离子体光谱的影响 |
| 5.2.8 脉冲次数对等离子体光谱的影响 |
| 5.3 本章小结 |
| 6 基于光谱特征提取和机器学习融合的LIBS定量分析方法 |
| 6.1 实验方案 |
| 6.1.1 实验原料 |
| 6.1.2 实验装置搭建 |
| 6.1.3 实验方法 |
| 6.1.4 光谱建模与算法实现 |
| 6.2 实验结果与讨论 |
| 6.2.1 基于PLS特征选择的分子比建模及验证 |
| 6.2.2 基于PCA特征选择的分子比建模及验证 |
| 6.2.3 基于Hyper-polyhe特征选择的分子比建模及验证 |
| 6.2.4 基于GA特征选择的分子比建模及验证 |
| 6.3 本章小结 |
| 7 复杂铝电解质体系LIBS原位在线定量分析方法 |
| 7.1 实验方案 |
| 7.1.1 实验原料 |
| 7.1.2 实验装置搭建 |
| 7.1.3 实验方法 |
| 7.2 实验结果与讨论 |
| 7.2.1 工业熔融电解质LIBS光谱特征分析 |
| 7.2.2 熔融复杂铝电解质CR在线检测分析 |
| 7.2.3 熔融复杂铝电解质Ca、Mg含量在线检测分析 |
| 7.2.4 存在问题分析 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（2）微生物电催化还原CO2产甲烷系统运行性能提升及实用化技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 符号对照表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 碳循环与CO_2排放 |
| 1.1.2 生物催化转化CO_2 |
| 1.1.3 微生物电催化还原CO_2产甲烷系统EMG |
| 1.2 EMG产甲烷生物阴极 |
| 1.2.1 产甲烷生物阴极材料及其修饰 |
| 1.2.2 阴极产甲烷生物膜胞外电子传递途径 |
| 1.2.3 产甲烷生物阴极微生物胞内代谢途径 |
| 1.3 EMG产甲烷微生物群落 |
| 1.3.1 生物阳极微生物群落结构 |
| 1.3.2 溶液或污泥中微生物群落结构 |
| 1.3.3 生物阴极微生物群落结构 |
| 1.4 EMG的运行与建模 |
| 1.4.1 EMG的启动与运行 |
| 1.4.2 EMG运行性能的数学建模 |
| 1.5 EMG扩大化及耦合系统实用化技术研究现状 |
| 1.5.1 EMG的扩大化关键技术研究 |
| 1.5.2 EMG耦合系统研究现状 |
| 1.6 研究内容和技术路线 |
| 1.6.1 研究内容 |
| 1.6.2 技术路线 |
| 2 实验材料与方法 |
| 2.1 实验仪器与药品 |
| 2.1.1 实验仪器 |
| 2.1.2 实验药品 |
| 2.2 EMG构建、启动与运行 |
| 2.2.1 反应器构建 |
| 2.2.2 生物阴极的接种与启动 |
| 2.2.3 EMG半连续流运行 |
| 2.3 EMG产甲烷运行性能测试与评价 |
| 2.3.1 甲烷及副产物生成速率 |
| 2.3.2 库伦效率及能量转化效率 |
| 2.3.3 EMG运行稳定性表征 |
| 2.4 生物阴极电化学性能评价 |
| 2.4.1 线性扫描伏安法 |
| 2.4.2 电化学交流阻抗谱法 |
| 2.5 生物阴极生物膜形貌及结构表征 |
| 2.5.1 生物膜形貌表征 |
| 2.5.2 生物膜空间结构表征 |
| 2.6 生物阴极生物膜成份分析 |
| 2.6.1 生物膜微生物群落鉴定与分析 |
| 2.6.2 生物膜定量检测 |
| 2.6.3 生物膜胞外聚合物(EPS)分析 |
| 2.7 污染物降解及性能表征 |
| 2.7.1 电化学氧化阳极制备 |
| 2.7.2 污染物浓度测试 |
| 2.7.3 污染物降解路径分析 |
| 2.7.4 污染物降解能耗计算 |
| 2.8 EMG建模方法 |
| 2.8.1 数据收集与处理 |
| 2.8.2 人工神经网络模型(ANN) |
| 2.8.3 自适应模糊推理系统(ANFIS) |
| 2.8.4 ANFIS和 ANN模型的比较 |
| 2.8.5 敏感性分析 |
| 3 电化学启动过程对产甲烷生物阴极运行性能的影响 |
| 3.1 引言 |
| 3.2 生物阴极电位,电流及阻抗分析 |
| 3.2.1 生物阴极电位和电流 |
| 3.2.2 生物阴极阻抗 |
| 3.3 生物阴极动力学 |
| 3.3.1 电化学阻抗变化 |
| 3.3.2 电化学活性变化 |
| 3.4 生物阴极产甲烷性能 |
| 3.4.1 产甲烷性能对比分析 |
| 3.4.2 连续流运行提升性能 |
| 3.5 生物阴极生物膜 |
| 3.5.1 微生物量 |
| 3.5.2 生物膜形貌 |
| 3.6 生物阴极微生物群落演变 |
| 3.6.1 古菌群落演变 |
| 3.6.2 细菌群落演变 |
| 3.7 本章小结 |
| 4 间歇性阶梯升压启动策略提升EMG运行稳定性 |
| 4.1 引言 |
| 4.2 EMG产甲烷性能对比分析 |
| 4.3 EMG稳定性模拟测试 |
| 4.3.1 电力输入波动时的系统稳定性测试 |
| 4.3.2 电力输入间歇时的系统稳定性测试 |
| 4.4 生物阴极形貌与组分表征 |
| 4.4.1 阴极生物膜形貌表征 |
| 4.4.2 阴极生物膜空间结构表征与胞外聚合物(EPS)分析 |
| 4.5 生物阴极微生物群落分析 |
| 4.5.1 微生物群落与古菌定量PCR分析 |
| 4.5.2 菌群多样性分析 |
| 4.6 本章小结 |
| 5 基于人工神经网络建模预测扩大化EMG运行性能 |
| 5.1 引言 |
| 5.2 扩大化半连续流EMG运行数据 |
| 5.3 基于ANN模型的扩大化EMG运行性能建模 |
| 5.3.1 反向传播训练算法的选择 |
| 5.3.2 神经元数优化 |
| 5.3.3 模型验证和测试 |
| 5.4 基于ANFIS的扩大化EMG运行性能建模 |
| 5.5 ANFIS和 ANN模型的比较 |
| 5.6 模型敏感性分析 |
| 5.7 本章小结 |
| 6 构建EO-M耦合系统低能耗处理难降解污染物并还原CO_2产甲烷 |
| 6.1 引言 |
| 6.2 产甲烷生物阴极性能测试 |
| 6.3 阳极电化学氧化降解环丙沙星性能测试 |
| 6.3.1 CIP及 COD降解性能 |
| 6.3.2 降解路径分析 |
| 6.4 EO-M耦合系统性能测试 |
| 6.4.1 EO-M系统降解CIP与还原CO_2产甲烷性能 |
| 6.4.2 EO-M系统降解能耗分析 |
| 6.5 启动过程生物阴极表面形貌分析 |
| 6.6 构建EO-M耦合系统前后阴极微生物群落变化 |
| 6.7 本章小结 |
| 7 全文总结及展望 |
| 7.1 全文总结 |
| 7.2 本文的创新点 |
| 7.3 未来的工作展望 |
| 附录 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文和研究成果 |
（3）蠕墨铸铁切削数据的综合智能推理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能推理技术的研究现状 |
| 1.1.1 高速切削加工数据库的研究现状 |
| 1.1.2 智能推理技术的研究现状 |
| 1.2 启发式算法的研究现状 |
| 1.3 高速切削加工蠕墨铸铁的研究现状 |
| 1.4 智能推理在高速切削铸铁中存在的问题 |
| 1.5 本文的研究目的、意义及主要研究内容 |
| 1.5.1 本文的研究目的和意义 |
| 1.5.2 主要研究内容 |
| 第2章 改进的粒子群优化算法及其应用研究 |
| 2.1 常规粒子群优化算法和差分进化算法分析 |
| 2.1.1 常规粒子群优化算法 |
| 2.1.2 常规差分进化算法 |
| 2.2 改进的粒子群优化算法研究 |
| 2.2.1 改进的振动粒子群优化算法 |
| 2.2.2 改进的振动交流粒子群优化算法 |
| 2.3 改进的粒子群优化算法全局收敛能力分析 |
| 2.3.1 改进的振动粒子群优化算法的全局收敛能力分析 |
| 2.3.2 改进的振动交流粒子群优化算法的全局收敛能力分析 |
| 2.3.3 改进的优化算法与其它优化算法的对比分析 |
| 2.4 VCPSO算法在高速铣削蠕墨铸铁材料中的应用研究 |
| 2.4.1 ANFIS推理模型结构 |
| 2.4.2 实验方案 |
| 2.4.3 基于ANFIS-VCPSO推理模型的刀具磨损预测 |
| 2.4.4 铣削蠕墨铸铁时基于ANFIS-VCPSO推理模型的刀具寿命和切削力预测 |
| 2.5 本章小结 |
| 第3章 改进的模糊推理模型和相似推理模型的建立与应用 |
| 3.1 在相同材料不同切削参数下模糊推理模型的建立 |
| 3.1.1 模糊推理系统 |
| 3.1.2 改进的ANFIS推理模型 |
| 3.2 在不同材料相同切削参数下相似推理模型的建立 |
| 3.2.1 切削功率的相似推理模型建立 |
| 3.2.2 表面粗糙度的相似推理模型建立 |
| 3.3 实验验证方案 |
| 3.3.1 实验验证方案设计 |
| 3.3.2 推理模型参数设置 |
| 3.4 结果分析 |
| 3.4.1 模糊推理模型的验证 |
| 3.4.2 基于IANFIS-VPSO方法的切削参数优化分析 |
| 3.4.3 基于特定切削要求的切削参数优化分析 |
| 3.4.4 切削功率相似推理模型的验证 |
| 3.4.5 表面粗糙度相似推理模型的验证 |
| 3.5 本章小节 |
| 第4章 基于模糊灰色关联方法的实例推理方法的重建与应用 |
| 4.1 改进的实例推理方法 |
| 4.1.1 实例描述 |
| 4.1.2 实例检索 |
| 4.1.3 实例重用 |
| 4.2 实验验证方案 |
| 4.3 结果分析 |
| 4.3.1 实验结果 |
| 4.3.2 切削参数和刀具磨损对切削功率和切削振动振幅的影响 |
| 4.3.3 ICBR推理方法的推理性能分析 |
| 4.3.4 基于ANFIS-VPSO方法的切削参数优化分析 |
| 4.4 本章小结 |
| 第5章 基于高斯过程回归模型的实例推理方法的重建与应用 |
| 5.1 改进的实例重用模型 |
| 5.1.1 改进的实例重用高斯过程回归模型 |
| 5.1.2 改进的实例重用支持向量回归机模型 |
| 5.1.3 改进的实例推理模型的参数确定 |
| 5.2 实验验证方案 |
| 5.3 结果分析 |
| 5.3.1 实验数据收集 |
| 5.3.2 切削参数和刀具磨损对表面质量的影响分析 |
| 5.3.3 表面粗糙度和残余应力的推理预测 |
| 5.3.4 不同推理模型的推理性能比较分析 |
| 5.4 本章小结 |
| 第6章 综合智能推理系统的实现 |
| 6.1 综合智能推理系统的开发环境 |
| 6.2 综合智能推理系统的数据库构建 |
| 6.3 综合智能推理系统的构建 |
| 6.4 综合智能推理系统的实现 |
| 6.4.1 用户登录界面 |
| 6.4.2 改进的自适应神经模糊推理系统界面实现 |
| 6.4.3 改进的实例推理方法界面实现 |
| 6.5 本章小结 |
| 结论与展望 |
| 论文创新点摘要 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和获得的奖励 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（4）基于机器学习的火焰面建表标量优化和放热率模化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动下燃烧学的研究现状 |
| 1.2.2 火焰面模型的建表标量选择和燃烧中放热率模型的构建 |
| 1.3 本文主要内容 |
| 第2章 降维算法在火焰面模型中构造建表标量的研究 |
| 2.1 火焰面建表的降维思想 |
| 2.2 拉伸火焰数据来源 |
| 2.3 降维算法 |
| 2.3.1 主成分分析 |
| 2.3.2 单因变量偏最小二乘法 |
| 2.3.3 降维算法的评估 |
| 2.4 拉伸CH_4/air预混层流火焰建表标量的优化 |
| 2.4.1 当量比为0.5的贫燃工况 |
| 2.4.2 当量比为1.0的当量混合工况 |
| 2.4.3 当量比为1.5的富燃工况 |
| 2.5 拉伸CH_4/air分层层流火焰建表标量的优化 |
| 2.6 保留混合物分数Z的修正 |
| 2.6.1 PCA修正 |
| 2.6.2 PLS修正 |
| 2.7 本章小结 |
| 第3章 CH_4/air层流贫燃预混火焰放热指标的研究 |
| 3.1 数据来源及数据集划分 |
| 3.2 常用放热指标分析 |
| 3.3 基元反应模型分析 |
| 3.4 机器学习模型选优 |
| 3.4.1 数据标准化方法 |
| 3.4.2 人工神经网络算法 |
| 3.4.3 支持向量机回归算法 |
| 3.4.4 多元线性回归模型 |
| 3.4.5 机器学习算法结果对比 |
| 3.5 多元回归模型分析 |
| 3.6 本章小结 |
| 第4章 n-C_(12)H_(26)/air两阶段着火过程中放热指标的研究 |
| 4.1 数据来源及数据集划分 |
| 4.2 贫燃工况放热指标分析 |
| 4.2.1 单组分放热指标筛选 |
| 4.2.2 双组分乘积放热指标筛选 |
| 4.2.3 线性回归放热指标筛选 |
| 4.2.4 不同模型放热指标在测试集上的对比 |
| 4.3 当量混合工况放热指标分析 |
| 4.3.1 单组分放热指标筛选 |
| 4.3.2 双组分乘积放热指标筛选 |
| 4.3.3 线性回归放热指标筛选 |
| 4.3.4 不同模型放热指标在测试集上的对比 |
| 4.4 富燃工况放热指标分析 |
| 4.4.1 单组分放热指标筛选 |
| 4.4.2 双组分乘积放热指标筛选 |
| 4.4.3 线性回归放热指标筛选 |
| 4.4.4 不同模型放热指标在测试集上的对比 |
| 4.5 多当量比放热指标分析 |
| 4.6 本章小结 |
| 第5章 n-C_(12)H_(26)/air湍流燃烧的放热指标研究 |
| 5.1 热化学数据来源及数据集划分 |
| 5.2 DNS数据放热指标分析 |
| 5.2.1 零维数据模型在DNS数据集中的验证 |
| 5.2.2 单组分放热指标筛选 |
| 5.2.3 双组分放热指标筛选 |
| 5.2.4 线性回归放热指标筛选 |
| 5.2.5 不同放热指标模型在测试集上的对比 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（5）基于Bi-LSTM网络的电主轴回转误差预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩写表 |
| 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 基于振动信号特征提取方法研究现状 |
| 1.2.2 基于振动信号的设备状态预测方法研究现状 |
| 1.2.3 小样本情况下设备预测方法研究现状 |
| 1.3 亟待解决的问题 |
| 1.4 课题来源 |
| 1.5 技术路线与研究内容 |
| 1.5.1 技术路线 |
| 1.5.2 研究内容之间逻辑关系 |
| 1.6 章节安排 |
| 2 基于Bi-LSTM回归网络抑制LMD端点效应及特征提取的研究 |
| 2.1 LMD算法及其端点效应 |
| 2.1.1 LMD算法 |
| 2.1.2 LMD端点效应分析 |
| 2.2 Bi-LSTM回归网络 |
| 2.2.1 MC单元 |
| 2.2.2 Bi-LSTM回归架构 |
| 2.3 自适应延拓方法与改进LMD方法 |
| 2.3.1 基于Bi-LSTM回归网络的自适应延拓方法 |
| 2.3.2 仿真分析 |
| 2.3.3 改进LMD方法——ILMD |
| 2.4 振动信号在多受力情况下特征提取验证 |
| 2.4.1 实验1:振动信号在无负载情况下特征提取 |
| 2.4.2 实验2:振动信号在恒定负载情况下特征提取 |
| 2.4.3 实验3:振动信号在变力负载情况下特征提取 |
| 2.5 本章小结 |
| 3 基于ILMD滤波融合和Bi-LSTM分类网络的电主轴回转误差预测研究 |
| 3.1 ILMD滤波融合(ILMDFF) |
| 3.2 Bi-LSTM分类网络 |
| 3.3 基于ILMDFF和 Bi-LSTM分类网络的预测方法 |
| 3.4 实验设备及数据集说明 |
| 3.4.1 模拟加载实验台 |
| 3.4.2 实验过程及数据集获取 |
| 3.5 预测性能分析 |
| 3.5.1 滤波融合特性验证 |
| 3.5.2 时间记忆特性验证 |
| 3.6 本章小结 |
| 4 基于2D-ILMDFF和卷积Bi-LSTM的极值回转误差预测研究 |
| 4.1 2D图谱构建方法 |
| 4.2 卷积神经网络(CNN)架构 |
| 4.2.1 图像输入层(Image Input Layer) |
| 4.2.2 卷积层(Convolutional layer,CL) |
| 4.2.3 ReLU激活层 |
| 4.2.4 批量归一化层(Batch Normalization Layer,BN层) |
| 4.2.5 池化层(Pooling layer) |
| 4.3 基于2D-ILMDFF图谱和卷积Bi-LSTM的预测方法 |
| 4.4 预测性能评估 |
| 4.4.1 总体预测能力验证 |
| 4.4.2 极值回转误差预测能力验证 |
| 4.5 本章总结 |
| 5 小样本及零样本条件下电主轴回转误差的预测研究 |
| 5.1 小样本和样本不均衡下回转误差预测问题的特点与应对方法 |
| 5.2 迁移学习及样本调整策略 |
| 5.2.1 迁移学习理论 |
| 5.2.2 样本调整策略 |
| 5.3 基于迁移学习和卷积Bi-LSTM分类网络模型的预测方法 |
| 5.4 新实验台及数据集介绍 |
| 5.4.1 新实验台介绍 |
| 5.4.2 数据集介绍 |
| 5.5 实验分析 |
| 5.5.1 实验1 组:新电主轴实验台空载情况下回转误差预测 |
| 5.5.2 实验2 组:新电主轴实验台恒定力情况下回转误差预测 |
| 5.5.3 实验3 组:新电主轴实验台变力情况下回转误差预测 |
| 5.6 本章总结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 论文展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于统计机器学习的盾构隧道地表沉降预测模型及优化方法研究（论文提纲范文）
| 致谢 |
| 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 隧道施工引起地层变形响应及预测方法研究 |
| 1.2.2 机器学习在地下工程领域应用研究 |
| 1.3 研究中存在的主要问题 |
| 1.4 研究内容 |
| 1.5 研究思路及技术路线 |
| 2 盾构隧道施工对地层扰动机理及影响因素分析 |
| 2.1 工程概况 |
| 2.1.1 工程基本情况 |
| 2.1.2 地质条件 |
| 2.1.3 工程特点 |
| 2.2 盾构法施工对地层影响机理 |
| 2.2.1 盾构施工对地层扰动过程 |
| 2.2.2 盾构隧道施工开挖面稳定原理 |
| 2.2.3 盾构隧道背后注浆原理 |
| 2.3 盾构隧道施工引起地层变形特征 |
| 2.3.1 盾构隧道施工地表沉降时间变化特征 |
| 2.3.2 盾构隧道施工地表沉降空间变化特征 |
| 2.4 基于数值计算的地层变形影响因素分析 |
| 2.4.1 影响因素分类 |
| 2.4.2 数值模型设计 |
| 2.4.3 计算工况设定 |
| 2.4.4 计算结果分析 |
| 2.5 本章小结 |
| 3 基于地表沉降分析的建模要素提取 |
| 3.1 监测布置方案 |
| 3.2 沉降规律分析 |
| 3.2.1 沉降值最大值统计分析 |
| 3.2.2 沉降水平分布规律 |
| 3.2.3 沉降发展趋势 |
| 3.3 预测模型建模要素分析 |
| 3.3.1 地层条件 |
| 3.3.2 特殊周边环境 |
| 3.3.3 盾构参数 |
| 3.3.4 盾构参数相关性分析 |
| 3.5 本章小结 |
| 4 基于机器学习的地表沉降预测模型设计及评价 |
| 4.1 机器学习理论 |
| 4.1.1 模型训练准则 |
| 4.1.2 已有预测模型存在的问题 |
| 4.1.3 机器学习模型搭建一般流程 |
| 4.2 数据库构建 |
| 4.2.1 特征选取 |
| 4.2.2 环境因素参数化方法 |
| 4.2.3 数据预处理 |
| 4.3 基于机器学习的盾构隧道开挖引起地表沉降预测算法设计 |
| 4.3.1 环境配置 |
| 4.3.2 线性回归模型(LR) |
| 4.3.3 Bp神经网络(BPNN) |
| 4.3.4 支持向量回归(SVR) |
| 4.3.5 分类与回归树(CART) |
| 4.3.6 XGBoost |
| 4.3.7 结果汇总 |
| 4.4 本章小结 |
| 5 基于XGBoost算法的沉降预测模型优化研究 |
| 5.1 考虑沉降发展时间效应的数据集优化 |
| 5.1.1 分阶段动态预测模式 |
| 5.1.2 数据集提取 |
| 5.2 基于贝叶斯算法的XGBoost模型优化 |
| 5.2.1 XGBoost模型正则化参数 |
| 5.2.2 贝叶斯优化原理 |
| 5.2.3 贝叶斯优化实现 |
| 5.3 优化XGBoost模型的应用 |
| 5.3.1 模型构建 |
| 5.3.2 模型预测结果对比与评价 |
| 5.4 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 |
| 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）基于深度神经网络麻醉深度监测技术的相关研究（论文提纲范文）
| 缩略语表 |
| abstract |
| 摘要 |
| 第一章 前言 |
| 第二章 国内麻醉深度监测应用现状的调查研究 |
| 2.1 材料与方法 |
| 2.2 结果 |
| 2.3 讨论 |
| 2.4 结论 |
| 第三章 麻醉深度指数与脑电双频指数准确性的对比研究:一项前瞻性、多中心、随机对照临床研究 |
| 3.1 材料与方法 |
| 3.2 结果 |
| 3.3 讨论 |
| 3.4 结论 |
| 第四章 基于脑电信号奇异谱分析结合深度神经网络监测麻醉深度的研究 |
| 4.1 材料与方法 |
| 4.2 结果 |
| 4.3 讨论 |
| 4.4 结论 |
| 第五章 基于深度神经网络的心率变异性衍生特征监测不同麻醉状态的研究 |
| 5.1 材料与方法 |
| 5.2 结果 |
| 5.3 讨论 |
| 5.4 结论 |
| 全文结论 |
| 参考文献 |
| 文献综述一麻醉深度监测技术临床应用对比研究进展 |
| 参考文献 |
| 文献综述二人工智能在麻醉深度监测中的研究进展 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表的论文 |
| 致谢 |
（8）径流预报的过程化机制研究与系统集成实现（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 |
| 1.3 问题剖析 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究的主要内容 |
| 1.4.2 技术路线 |
| 2 研究流域概况及径流序列特性分析 |
| 2.1 研究流域概况 |
| 2.1.1 流域概况 |
| 2.1.2 河流水系分布 |
| 2.1.3 径流量概况 |
| 2.2 径流资料整编及“三性”审查 |
| 2.2.1 径流资料整编 |
| 2.2.2 径流资料“三性”审查 |
| 2.3 径流时间序列特征分析 |
| 2.3.1 年径流序列特征值 |
| 2.3.2 年内变化特征 |
| 2.3.3 年际变化特征 |
| 2.3.4 代际变化特征 |
| 2.3.5 周期识别 |
| 2.3.6 变异诊断 |
| 2.4 本章小结 |
| 3 径流预报的过程化机制研究 |
| 3.1 问题导向 |
| 3.1.1 径流预报的不确定性因素 |
| 3.1.2 径流预报现存的问题与挑战 |
| 3.1.3 过程化机制的引入 |
| 3.2 基于过程化机制的径流预报模式 |
| 3.3 滚动反馈机制 |
| 3.4 多尺度嵌套机制 |
| 3.5 区间化机制 |
| 3.6 响应变化的适应性机制 |
| 3.6.1 响应环境变化的适应机制 |
| 3.6.2 响应需求变化的适应机制 |
| 3.7 本章小结 |
| 4 基于过程化机制的径流预报系统实现 |
| 4.1 支撑过程化机制实现的平台 |
| 4.2 支撑过程化机制实现的技术 |
| 4.2.1 组件开发技术 |
| 4.2.2 知识图技术 |
| 4.3 面向主题的应用组织及运行 |
| 4.3.1 系统主题提取 |
| 4.3.2 系统知识可视化组织 |
| 4.3.3 系统组件的划分、开发、封装与发布 |
| 4.3.4 系统运行 |
| 4.4 本章小结 |
| 5 径流预报的过程化机制与分解集成模型的融合 |
| 5.1 预报模型方法库构建 |
| 5.1.1 数据预处理方法库 |
| 5.1.2 预报模型方法库 |
| 5.2 过程化机制与预报模型的融合实现 |
| 5.2.1 基于分解集成人工智能模型的径流预报实现 |
| 5.2.2 不同时间尺度的径流预报实现 |
| 5.2.3 适应性径流预报实现 |
| 5.2.4 基于过程化机制的径流预报实现 |
| 5.3 径流预报的在线评价 |
| 5.4 本章小结 |
| 6 基于过程化机制的分解集成预报模型应用实例 |
| 6.1 基于过程化机制的日径流预报 |
| 6.1.1 研究数据来源与描述 |
| 6.1.2 评价指标 |
| 6.1.3 预报模型构建 |
| 6.1.4 应用结果分析 |
| 6.2 基于过程化机制的月径流预报 |
| 6.2.1 研究数据来源与描述 |
| 6.2.2 预报模型构建 |
| 6.2.3 评价指标 |
| 6.2.4 应用结果分析 |
| 6.3 本章小结 |
| 7 基于过程化机制的径流预报业务集成应用 |
| 7.1 基于分解集成人工智能模型的径流预报 |
| 7.2 不同时间尺度的径流预报 |
| 7.2.1 实测流量分析 |
| 7.2.2 不同时间尺度的径流预报 |
| 7.2.3 预报结果与实测结果对比分析 |
| 7.2.4 多模型集成洪水预报分析 |
| 7.3 适应性径流预报 |
| 7.3.1 区间化径流预报 |
| 7.3.2 多时间尺度嵌套的径流预报 |
| 7.3.3 径流预报方案滚动互馈 |
| 7.3.4 径流预报指导下的水量调配 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间主要研究成果 |
（9）岩体爆破环境效应预测的集成学习模型及工程应用（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 爆破环境效应预测模型研究现状及进展 |
| 1.2.1 爆破振动峰值速度预测模型 |
| 1.2.2 爆破诱发民房结构破坏预测模型 |
| 1.2.3 爆破飞石预测模型 |
| 1.3 本文主要研究内容 |
| 1.4 研究方法及技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 论文技术路线 |
| 参考文献 |
| 第2章 爆破振动PPV预测的PSO-XGBoost集成学习模型 |
| 2.1 引言 |
| 2.2 数据来源 |
| 2.3 使用方法的背景 |
| 2.3.1 粒子群优化算法 |
| 2.3.2 极限梯度提升 |
| 2.3.3 经验方程 |
| 2.4 PSO-XGBoost模型的框架 |
| 2.5 粒子峰值振动速度的发展历程 |
| 2.5.1 PSO-XGBoost模型 |
| 2.5.2 经验模型 |
| 2.6 结果和讨论 |
| 2.7 结论 |
| 参考文献 |
| 第3章 爆破振动对民房结构损伤预测的Adaboost集成学习模型 |
| 3.1 引言 |
| 3.2 材料和方法 |
| 3.2.1 数据来源及指标分析 |
| 3.2.2 Adaboost算法数学描述 |
| 3.2.3 模型验证方法 |
| 3.2.4 预测性能评价指标 |
| 3.3 结果和讨论 |
| 3.3.1 数据可视化 |
| 3.3.2 预测模型构建与应用 |
| 3.3.3 变量重要度分析 |
| 3.4 本章小结 |
| 参考文献 |
| 第4章 爆破飞石预测的梯度提升集成学习模型及应用 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 爆破飞石的产生机制及原因 |
| 4.2.2 数据及指标分析 |
| 4.2.3 GBDT算法 |
| 4.2.4 预测性能指标与模型验证方法 |
| 4.3 爆破飞石距离预测的梯度提升机模型及应用 |
| 4.3.1 数据可视化 |
| 4.3.2 构建爆破飞石距离预测的随机梯度提升机模型 |
| 4.3.3 训练集结果 |
| 4.3.4 测试集结果 |
| 4.3.5 变量重要度分析 |
| 4.4 本章小结 |
| 参考文献 |
| 第5章 工程应用 |
| 5.1 引言 |
| 5.2 工程概况 |
| 5.2.1 和尚桥铁矿 |
| 5.2.2 矿区工程地质及爆破参数 |
| 5.2.3 矿区周围建(构)筑物 |
| 5.3 和尚桥爆破环境效应监测及模型检验 |
| 5.3.1 和尚桥测震点布置 |
| 5.3.2 和尚桥爆破振动PPV验证 |
| 5.3.3 和尚桥爆破振动对民房结构预测验证 |
| 5.3.4 和尚桥爆破飞石距离预测 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 本文主要创新点 |
| 6.3 存在问题及工作展望 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（10）基于机器学习的碳交易价格预测方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于变量历史值的碳交易价格预测模型 |
| 1.2.2 基于多因素的碳交易价格预测模型 |
| 1.2.3 研究述评 |
| 1.3 本文的主要研究内容及章节结构 |
| 1.4 本文主要创新与不足 |
| 1.4.1 主要创新 |
| 1.4.2 不足之处 |
| 2 碳交易价格及其基础预测模型概述 |
| 2.1 碳交易价格相关理论 |
| 2.1.1 碳交易 |
| 2.1.2 碳交易市场 |
| 2.1.3 碳交易价格 |
| 2.2 拓展于极限学习机理论的机器学习预测模型 |
| 2.2.1 极限学习机理论 |
| 2.2.2 加权正则化极限学习机 |
| 2.2.3 核极限学习机 |
| 2.3 拓展于模糊推理系统理论的机器学习预测模型 |
| 2.3.1 模糊推理系统 |
| 2.3.2 自适应神经模糊推理系统的网络结构 |
| 2.3.3 自适应神经模糊推理系统的学习算法 |
| 2.4 本章小结 |
| 3 预测模型评价体系 |
| 3.1 模型预测精度评价 |
| 3.2 模型预测有效性评价 |
| 3.3 模型预测显着性评价 |
| 3.3.1 DM检验 |
| 3.3.2 非参数检验 |
| 3.4 本章小结 |
| 4 基于两阶段特征选择和多目标优化的碳交易价格预测模型研究 |
| 4.1 引言 |
| 4.1.1 已有研究的不足 |
| 4.1.2 本章主要贡献 |
| 4.2 基于两阶段特征选择和多目标优化的碳交易价格预测模型构建 |
| 4.2.1 基本理论概述 |
| 4.2.2 两阶段特征选择算法 |
| 4.2.3 改进的WRELM模型 |
| 4.2.4 基于两阶段特征选择和多目标优化的碳交易价格预测模型构建过程 |
| 4.3 实验数据与实验设计 |
| 4.3.1 样本和数据 |
| 4.3.2 实验设计思路 |
| 4.4 实验仿真与结果分析 |
| 4.4.1 实验一: 中国碳交易价格预测 |
| 4.4.2 实验二: EU ETS碳交易价格预测 |
| 4.5 模型预测有效性与显着性评价 |
| 4.5.1 模型预测有效性分析 |
| 4.5.2 模型预测显着性分析 |
| 4.6 本章小结 |
| 5 基于混沌理论和混合优化算法的碳交易价格预测模型研究 |
| 5.1 引言 |
| 5.1.1 已有研究的不足 |
| 5.1.2 本章主要贡献 |
| 5.2 基于混沌理论和混合优化算法的碳交易价格预测模型构建 |
| 5.2.1 基本理论概述 |
| 5.2.2 提出的混合优化算法:HBOASCA算法 |
| 5.2.3 基于混沌理论和混合优化算法的碳交易价格预测模型构建过程 |
| 5.3 实验数据与实验设计 |
| 5.3.1 样本和数据 |
| 5.3.2 实验设计思路 |
| 5.4 实验仿真与结果分析 |
| 5.4.1 原始碳交易价格序列分析 |
| 5.4.2 实验一: HBOASCA算法的性能测试 |
| 5.4.3 实验二: 基于深圳和EU ETS数据集的点预测 |
| 5.4.4 实验三: 基于深圳和EU ETS数据集的区间预测 |
| 5.5 模型预测有效性与显着性评价 |
| 5.5.1 模型预测有效性分析 |
| 5.5.2 模型预测显着性分析 |
| 5.6 相比于现有研究成果的优良性分析 |
| 5.7 本章小结 |
| 6 基于多因素的碳交易价格预测模型研究 |
| 6.1 引言 |
| 6.1.1 已有研究的不足 |
| 6.1.2 本章主要贡献 |
| 6.2 基于多因素的碳交易价格预测模型构建 |
| 6.2.1 基本理论概述 |
| 6.2.2 提出的多目标混沌正弦余弦算法:MOCSCA算法 |
| 6.2.3 改进的KELM模型 |
| 6.2.4 基于多因素的碳交易价格预测模型构建过程 |
| 6.3 实验数据与实验设计 |
| 6.3.1 样本和数据 |
| 6.3.2 实验设计思路 |
| 6.4 实验仿真与结果分析 |
| 6.4.1 实验一: MOCSCA优化算法测试 |
| 6.4.2 实验二: 基于湖北数据集的单步碳交易价格预测 |
| 6.4.3 实验三: 基于深圳数据集的多步碳交易价格预测 |
| 6.4.4 实验四: 外部影响因素数据预处理的重要性分析 |
| 6.5 模型预测有效性与显着性评价 |
| 6.5.1 模型预测有效性分析 |
| 6.5.2 模型预测显着性分析 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 在学期间发表的科研成果 |
| 参考文献 |
| 后记 |
四、ANN与ANFIS的拟合能力和推广预测能力的比较研究（论文参考文献）
- [1]复杂铝电解质关键物化参数预报和测定新方法[D]. 路辉. 北京科技大学, 2021
- [2]微生物电催化还原CO2产甲烷系统运行性能提升及实用化技术研究[D]. 毛政中. 浙江大学, 2021
- [3]蠕墨铸铁切削数据的综合智能推理方法研究[D]. 徐龙华. 山东大学, 2021
- [4]基于机器学习的火焰面建表标量优化和放热率模化研究[D]. 唐鹏. 中国科学技术大学, 2021
- [5]基于Bi-LSTM网络的电主轴回转误差预测方法研究[D]. 梁建红. 西南科技大学, 2021
- [6]基于统计机器学习的盾构隧道地表沉降预测模型及优化方法研究[D]. 王宇哲. 北京交通大学, 2021(02)
- [7]基于深度神经网络麻醉深度监测技术的相关研究[D]. 詹剑. 中国人民解放军陆军军医大学, 2021
- [8]径流预报的过程化机制研究与系统集成实现[D]. 何欣欣. 西安理工大学, 2020(01)
- [9]岩体爆破环境效应预测的集成学习模型及工程应用[D]. 张西良. 中国科学技术大学, 2020(01)
- [10]基于机器学习的碳交易价格预测方法及应用研究[D]. 郝艳. 东北财经大学, 2020