一、多层前向神经网络的快速学习算法及其应用（论文文献综述）
葛轶洲,刘恒,王言,徐百乐,周青,申富饶[1]（2022）在《小样本困境下的深度学习图像识别综述》文中进行了进一步梳理图像识别是图像研究领域的核心问题,解决图像识别问题对人脸识别、自动驾驶、机器人等各领域研究都有重要意义.目前广泛使用的基于深度神经网络的机器学习方法,已经在鸟类分类、人脸识别、日常物品分类等图像识别数据集上达到了超过人类的水平,同时越来越多的工业界应用开始考虑基于深度神经网络的方法,以完成一系列图像识别业务.但是深度学习方法极度依赖大规模标注数据,这一缺陷极大地限制了深度学习方法在实际图像识别任务中的应用.针对这一问题,越来越多的研究者开始研究如何基于少量的图像识别标注样本来训练识别模型.为了更好地理解基于少量标注样本的图像识别问题,广泛地讨论了几种图像识别领域主流的少量标注学习方法,包括基于数据增强的方法、基于迁移学习的方法以及基于元学习的方法,通过讨论不同算法的流程以及核心思想,可以清晰地看到现有方法在解决少量标注的图像识别问题上的优点和不足.最后针对现有方法的局限性,指出了小样本图像识别未来的研究方向.
张浩[2]（2021）在《风电功率时空不确定性预测方法研究》文中研究说明双碳目标下,大规模集中开发是未来我国风电开发的重要模式。但是,在此模式下风资源及其发电功率在时间和空间上将呈现复杂的耦合和聚合特性,加剧了其不确定性对电力系统安全、稳定、经济运行的不利影响。如何准确预测风电功率时空不确定性成为新能源电力系统亟待突破的关键问题。因此,以“空间联合→时序联合→时空联合→多主体数据保护时空联合”为研究思路,基于深度学习理论开展了风电功率时空不确定性预测方法研究。主要工作包括:1.提出了 Beta型深度混合密度网络（IDMDN）的短期多风电场功率不确定性预测模型,融合区域多风电场空间关联信息,同时避免了密度泄露问题。首先,以Beta分布作为基分布构建了混合密度网络模块,提出了相应的数值稳定策略;然后,结合提出的Beta型混合网络模块与深度全连接网络,建立了IDMDN模型,用于区域多风电场功率空间联合不确定性预测。采用7个风电场的实际运行数据进行模型验证,结果表明:IDMDN模型避免了密度泄露问题,能够得到符合真实情况的风电功率预测概率分布,预测效果优于几种区域总功率预测和单风电场功率预测对比方法。2.提出了多源时序注意力网络（MSTAN）的短期风电场功率不确定性预测模型,融合历史数据与多源数值天气数据,并挖掘其隐含时序依赖模式,提高了预测精度。首先,引入多源数值天气预报数据,研究了多源数值天气预报中存在的时序误差模式;其次,结合发现的时序误差模式,提出了一种多源变量注意力模块用于多源数值天气预报的动态特征提取;然后,提出了一种时序注意力模块,用于提取隐含在历史观测序列和多源数值天气预报序列中的长时依赖信息;最后,结合研究1中的混合密度网络模块和参数共享机制,建立了 MSTAN模型用于单个风电场未来1-48小时功率时序联合不确定性预测。通过3个风电场的实际运行数据对MSTAN模型进行验证,结果表明:多源数值天气预报改善了预测结果,MSTAN模型结构设计合理,其确定性预测与不确定性预测精度指标均超过了两种典型技术路线下的多种对比预测方法。3.提出了自适应时空图卷积网络（SA-STGCN）的多风电场功率时空联合不确定性预测模型,加强了对于非规则排布风电场群数据的时空特征提取能力,提升了多风电场、多时刻短期联合不确定性预测性能。首先,从空间维度拓展了研究2中提出的多源变量注意力模块,形成了多位置-多源变量筛选模块,用于多风电场、多源NWP的特征提取与数据融合;其次,提出了具备动态空间特征提取能力的自适应图卷积模块,与三维时序注意力模块相结合形成了时空特征提取模块;然后,在空间维度拓展了研究1中提出的混合密度网络模块,并在时间维度上进行参数共享;最后,建立SA-STGCN模型用于未来1-48小时的多风电场功率不确定性预测。以中国北方某风电集群实际运行数据为例进行验证分析,结果表明:SA-STGCN模型对复杂时空关联数据有更好的适应性,在多个风电场的确定性与不确定性预测结果均优于多种对比模型。4.提出了多运营主体数据保护的分割网络（SplitNN）不确定性预测模型,在数据安全的前提下间接融合多区域时空信息,提升了多个区域的超短期预测水平,显着缩短了模型训练用时。首先,总结了 Split Learning（SL）的几种典型设计模型;然后,结合SL中的 CSC（Client to Server to Client）模式和 MCS（Multi-Client to Server）模式建立了 SplitNN模型,用于多风电运营主体下的多风电场超短期功率时空联合不确定性预测。SplitNN模型以一个服务端对多个客户端的信息进行融合,多个客户端基于融合信息分别进行各自区域内的风电功率不确定性预测,从而在原始数据不出本地的情况下实现多个风电运营主体协同预测的目的。通过美国东部四州65座气象观测站的数据对所提出的模型进行验证分析,结果表明:提出的SplitNN模型提升了多个区域的超短期风速不确定性预测精度,同时缩短了训练时间。本文中提出了风电功率空间、时序、时空不确定性预测方法,提出的部分方法、技术已工程应用于区域风电场群功率预测系统中,并取得了良好预测效果。
涂芝润[3]（2021）在《基于LSTM的VOD精炼炉终点预报模型研究》文中认为近年来,不锈钢的需求与日俱增,对不锈钢的质量也提出了更高要求,作为冶炼不锈钢的主要方法,真空吹氧脱碳法（Vacuum Oxygen Decarburization,VOD）开始在钢材生产企业中投入使用。VOD精炼炉冶炼不锈钢过程是一个典型的多输入、多输出、非线性的时变过程,也是一个复杂的多相火法冶金过程。VOD终点参数的准确预测控制是冶炼的主要控制目标。其中,终点碳含量和温度作为最为关键的参数,它与多个变量存在非线性、耦合性非线性的关系,且存在大量参数无法实时测量的问题。建立准确的预报模型对VOD终点碳温进行预报,可以提高终点命中率,提高生产效益。本文首先通过分析VOD冶炼工艺流程,以及对精炼机理过程进行简要分析,对各个阶段发生的物理化学反应和体系热量收支进行简要分析,确定出对终点碳温有影响的输入参数。其次,针对VOD冶炼过程参数众多、参数之间非线性、冗余性的特点,深入学习特征选择理论相关知识,采用基于最大相关最小冗余（Max Relevance Min Redundancy,mRMR）的互信息（Mutual Information,MI）特征选择方法,对输入参数进行选择,不仅能衡量变量之间的相关性也考虑了变量之间的非线性和冗余性,从而减少模型参数和冗余特征。然后,分别对神经网络和循环神经网络的工作原理进行了深入学习,针对循环神经网络目前存在的梯度消失和梯度爆炸问题,引出本文采用的算法模型长短时记忆网络（Long Short Term Memory Networks,LSTM）,并对其工作原理进行了深入研究,并在燃气轮机上对CO和NOx的排放量对LSTM算法进行了仿真实验。结果表明,与极限学习机和随机森林算法的结果相比,LSTM在处理具有时序特点的工业参数预测控制中有着较强的预测效果和泛化能力。最后,基于互信息的特征选择方法得到VOD终点碳温预报模型的输入参数,并对LSTM网络模型训练参数的设置进行了研究,包括损失函数的选择和模型泛化能力的提升方法。然后分别建立了支持向量回归机（Support Vector Regression,SVR）预报模型、未经特征选择的LSTM模型和基于互信息的LSTM终点预报模型。针对SVR参数选择问题,采用遗传算法优化SVR的超参数,提升SVR预测效果。结果表明,经过特征选择能够减少参数个数和参数之间的冗余性,降低模型复杂度。同时,将深度学习算法应用于炼钢过程参数预测控制,为炼钢终点预报方法开辟了新方法。仿真实验表明,本文提出的方法优于传统的BP神经网络模型和SVR模型,能够提高VOD精炼炉的终点碳温命中率,可用于指导VOD生产过程,并拓展到其他冶金领域。
亢亚楠[4]（2021）在《基于多层卷积稀疏编码的图像重建》文中研究说明
白旭天[5]（2021）在《基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究》文中研究表明由于通信技术的飞速发展和通信设备的日益复杂,电磁环境中出现了多种多样调制方式的通信信号。作为无线电频谱监测、认知无线电、软件无线电中的关键工作环节,通信信号调制方式识别是在缺乏先验信息和存在噪声干扰的情况下,分析接收信号样本获得其调制方式和其它调制参数的技术。正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）是一种新型的多载波调制技术,被广泛应用于民用和军用领域中。在多种数字通信信号和噪声共同存在的复杂电磁空间环境中,将OFDM信号有效识别出来的困难较大,相关研究成果较少,因而本文将人工智能技术中的深度学习方法引入到OFDM信号调制识别领域中,提出一种基于短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法,解决OFDM信号和单载波信号在低信噪比条件下的调制识别问题。本文的主要研究内容如下:1.介绍数字通信的基本理论。分析了 MASK、MFSK、MPSK、MQAM等四种单载波调制信号的基本理论;分析了多载波调制系统的原理,给出了 OFDM调制系统的基本原理和基本结构模型;分析了通信信号循环平稳性的基本理论。2.介绍深度学习和卷积神经网络理论。阐述了深度学习的发展历程和擅长领域,给出了与深度学习相关的三种技术之间的关系,分析了基础神经网络的模型、训练过程及过拟合问题处理方法,分析了激活函数及其特点。重点阐述了卷积神经网络（Convolution Neural Network,CNN）的相关理论,依次介绍了 CNN的基本结构、主要特性、相关运算,分析了 CNN输出层中所使用的Softmax分类器。3.提出一种应用短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法。该算法首先利用通信信号具有周期为符号间隔的循环平稳性,对每个符号周期内的OFDM信号和几种单载波信号进行窗口长度为符号间隔的短时傅里叶变换（short-time Fourier transform,STFT）,转换为对应的时间-频率图像;然后,将时间-频率图像作为信号浅层特征送入VGG-16卷积神经网络模型中进行训练,网络卷积层、池化层自动提取OFDM信号和几种单载波信号的特征信息;最后,在网络输出层中选用Softmax分类器,完成OFDM信号与其他几种单载波信号的调制分类。仿真分析了算法的总体识别结果和算法的复杂度,从不同卷积核尺寸、不同激活函数、不同优化算法角度分析了该算法对调制识别系统性能的影响。研究结果表明:基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法提高了 OFDM信号在低信噪比下的调制识别准确率,验证了本文方法的有效性。
衣晚卓[6]（2021）在《基于深度特征的相关滤波铁路异物侵限检测及跟踪方法研究》文中研究表明我国铁路的快速发展和广泛的覆盖范围为铁路运输效率及安全带来挑战。而影响铁路运输安全及效率的主要因素之一是在铁路限界内常发生的行人和轻飘物等异物入侵事件。我国主要以护栏网的形式物理阻拦侵限异物以此得到防护效果,但仍常有异物侵入铁路限界内,导致列车紧急制动,扰乱列车线路运行计划。同时铁路线路多处于半封闭式环境中,铁路上空区域成为防护盲区。铁路沿线附近的风筝,塑料袋等异物常飘入铁路限界内或飘落在接触网的关键部位处使弓网供电装置受损造成列车停车,相关线路晚点。这些事件都对铁路运输安全及效率造成了潜在影响。因此,研究一种准确且鲁棒性高的铁路异物侵限检测及跟踪方法,通过智能视频分析技术保证铁路运输安全及效率是铁路运输领域的热点问题。为此本文研究了一种基于深度特征的相关滤波铁路异物侵限检测及跟踪方法。本文在异物侵限检测跟踪阶段的主要研究工作如下:1)使用优化后的像素级视觉背景提取器对侵限异物进行检测。其中为提升铁路限界内复杂场景的能见度,在检测环节中融合视频序列的去雾过程。并在视觉背景提取器中新建立一个背景局部三值模式纹理特征模型。当背景颜色及局部三值模式纹理特征模型的预分割结果都是前景时,则把该点判别为前景点。可消除噪声敏感,减弱光照变化对异物侵限前景分割的影响。2)针对大雾天气中铁路异物侵限跟踪易受采集的视频序列图像质量及侵限异物成像尺度变化的影响使算法学习到错误目标信息的问题,提出尺度自适应的异物侵限去雾跟踪算法。该算法融合去雾,得出适用于铁路综合视频监控系统中特殊应用场景的最佳保真调节因子,优化透射率。并新增尺度估计环节,使用尺度金字塔丰富尺度样本以完成侵限异物尺度预测。在大雾天气中实现对有尺度变化的侵限异物的准确有效跟踪。3)之后针对侵限异物易受背景干扰、旋转形变或局部遮挡的影响导致跟踪失败的问题,提出基于深度特征分权融合的鲁棒性相关滤波异物侵限跟踪算法。该算法根据传统与深度特征优势互补的特性将多层卷积特征分权与传统特征有效融合,并压缩特征维度优化样本集,引入模型自适应低频更新的策略。有效解决跟踪算法在铁路限界内侵限异物受其他干扰时抗干扰能力弱的问题。最终采用多组在某铁路试验线路的铁路综合视频监控系统中采集的视频序列对所提算法进行测试。实验结果表明跟踪中融入去雾的有效性,并显示所提DFAL算法在铁路限界内复杂环境下的跟踪准确度及鲁棒性值分别达到0.603和0.828。在保证跟踪算法准确率的同时,进一步提升跟踪算法的鲁棒性。
陶自强[7]（2021）在《基于深度学习的多尺度文本分类算法研究》文中提出随着大数据时代的来临,社交媒体中出现了越发丰富的文本信息数据,特别是在微博和贴吧之中。虽然信息化丰富了人们的生活,但带来的却是监管的困难。由于在社交媒体中常常充斥着一些负面的消息和情况,如果不加以管控,则有可能造成负面的影响,但是以人力难以对庞大的文本数据进行管控,因此如何通过计算机算法对文本信息进行有效准确的分类成为当前计算机领域的一项重要研究课题。根据数据集的样本尺度可以将文本分成短文本和长文本,而两类文本适用的分类方法也不相同。随着机器学习和深度学习的不断发展,文本分类技术也有了很大的进步,但是依旧存在许多问题。为了解决长文本在文本长度上给模型带来的影响,本文提出了一种基于层次结构的自注意力稀疏长文本分类算法。该方法提出将长文本先切分为不同的句子,通过对句子的处理从而得到相应句向量,再通过句向量获得长文本的文本表示,以这种层次结构来有效获得文本特征,避免了文本过长而导致的特征提取困难的问题。再者,为了解决模型无法捕捉重要特征的问题,通过在模型中加入自注意力机制抓取重要特征,通过对特征重要程度的判断,从而分配更多的权重值,得到更加正确的语义表达。最后,通过对RNN门控单元进行结构剪枝,在保证准确率的同时降低参数量,可以有效减少运算资源的使用,降低了运算时间。在此基础上与不同数据集进行实验,同时还与其他论文模型进行了比较,可以得出本模型的有效性。而针对短文本数据,为了解决在短文本分类中神经网络训练时产生的梯度消失、特征信息丢失以及注意力机制短语维度组合不匹配的问题,本文提出一种基于密集池化连接和短语注意力机制的短文本分类算法,该算法首先通过密集池化连接中的残差网络部分进行特征提取,可有效缓解梯度消失问题,并通过池化层复用重要特征,改善特征信息丢失问题。再通过改进常规注意力机制,提出短语注意力机制,可灵活的得到不同阶短语之间联系,解决常规注意力机制短语维度不匹配问题,通过最终实验得出该模型在所有的对比模型中取得了最优结果。本文所提出的两种模型可以有效的对不同维度的文本进行处理,有效解决在不同维度文本中存在的特征提取困难和特征丢失的问题,可以根据文本长度选择对应的处理方法,提高了文本分类效率。最后通过实验可以得出,本文模型可以有效的对通用数据集进行分类,并且具有良好的分类结果,愈发证明了本文模型的有效性。
鲁佳颖[8]（2021）在《应用于IGBT结温预测的BP算法的设计与实现》文中指出IGBT（绝缘栅型双极晶体管）是一种电压控制的复合型器件,在电力电子领域得到广泛的应用。电力电子器件在实际使用中常会因为温度过高或过低而使器件失效。因此研究IGBT工作过程中的结温预测方法具有重要的意义。本文基于BP神经网络研究IGBT的结温预测方法。将通过温敏参数法测量得到的IGBT饱和压降、集电极电流作为BP神经网络的输入量,IGBT模块的结温作为网络的输出量,采用MATLAB对BP网络进行训练,并对预测结果进行了仿真。由于BP神经网络存在容易陷入局部极小值无法达到全局最优的自身缺陷,因此论文采用了遗传算法和思维进化算法优化的LM改进型BP算法,仿真结果表明,与遗传算法优化后的网络相比,思维进化算法优化的LM改进型BP算法从回归系数（R）、预测误差、预测误差百分比等四个方面都具有较低的波动范围和较好的准确率,其中预测误差最大波动不超过15℃,最大预测误差百分比不超过0.3%。基于优化后的网络结构,论文将网络的最优阈值以及权值提取出来存入存储器中,采用verilog硬件描述语言完成了网络的FPGA设计。论文基于Xilinx公司的SPARTAN-6开发板,进行了系统的硬件设计及验证,系统包括数据采集模块、数据存储模块和神经网络计算模块。论文完成了各模块的设计和仿真,最后在实验平台上进行了验证,结果表明在误差范围内可以实现IGBT模块的结温预测,实测结温和运算结温的最大误差为7℃,符合算法的预期要求。论文研究工作对IGBT在线结温监测方法具有一定的参考意义。
黄丽婷[9]（2021）在《基于深度学习的网络入侵检测技术研究》文中进行了进一步梳理随着互联网技术的快速发展,网络数据量也不断增长,随之产生了更多类型的网络攻击。面对规模庞大的网络流量特征信息,传统的基于机器学习的入侵检测系统存在检测率低、实时性差以及对多分类稀有样本检测率低等问题,而深度学习算法在解决入侵检测问题上有着独特的优势。因此,本文将入侵检测技术与深度学习算法相结合。针对上述问题,论文主要利用多种算法相结合对基于深度学习的入侵检测算法进行改进,旨在提高检测率的同时提高入侵检测的整体性能。具体研究工作如下:（1）针对入侵检测模型存在检测率低的问题,从网络流量具有空间和时间特性及网络流量的重要程度不同的角度出发,提出了一种基于空时特征和注意力机制的网络入侵检测算法。此算法很大程度提高了对网络流量的检测率。仿真结果表明,该算法对NSL-KDD数据集进行二分类检测率为99.6%,五分类检测率为92.69%。该算法与其他算法相比不仅在解决网络异常问题时有着较好的检测率,而且减少了计算资源开销。（2）针对入侵检测模型存在检测实时性低的问题,从网络流量是一维序列的角度出发,提出了一种基于一维空时特征的网络入侵检测算法。该算法使用一维卷积神经网络和双向长短期记忆神经网络高速学习数据的一维序列特征,得到比较全面的空时特征后再进行分类。此算法充分考虑了网络流量的内部结构关系。仿真结果表明,该算法与其他算法相比不仅在解决网络异常问题时有着较好的检测率,而且具有较优的测试阶段检测实时性。（3）针对入侵检测模型存在多分类及对罕见攻击检测率低的问题,从数据不平衡角度出发,提出了一种基于多分类和数据不平衡的深度学习混合入侵检测模型。该模型引入Borderline-SMOTE算法对少数类边界样本进行生成,从而对基于深度学习的混合入侵检测算法做进一步改进。仿真结果表明,改进后的两种算法对NSL-KDD数据集进行五分类检测率分别提高到97.12%和98.95%,验证了该算法的正确性和有效性。本文的研究工作较好解决了目前入侵检测技术存在的关键问题,不仅提高了入侵检测算法的检测率,同时也提高了入侵检测的整体性能,为网络入侵检测问题的研究提供了一种新的建模思路,具有重要的参考价值。
赵孝礼[10]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中研究指明滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
二、多层前向神经网络的快速学习算法及其应用（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、多层前向神经网络的快速学习算法及其应用（论文提纲范文）
（2）风电功率时空不确定性预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率时空不确定性预测研究现状 |
| 1.2.1 风电功率不确定性预测 |
| 1.2.2 考虑时空相关性的风电功率预测 |
| 1.2.3 主要问题总结 |
| 1.3 论文研究思路 |
| 1.4 论文研究内容与框架 |
| 第2章 基于改进深度混合密度网络的短期风电功率空间联合不确定性预测 |
| 2.1 引言 |
| 2.2 混合密度网络及密度泄露问题 |
| 2.2.1 原始混合密度网络 |
| 2.2.2 密度泄露问题 |
| 2.3 基于BETA分布的改进深度混合密度网络 |
| 2.3.1 Beta分布及其性质 |
| 2.3.2 改进深度混合密度网络的结构 |
| 2.3.3 数值稳定策略 |
| 2.4 算例分析 |
| 2.4.1 数据介绍 |
| 2.4.2 评价指标与对比方法 |
| 2.4.3 模型设置 |
| 2.4.4 确定性预测结果对比 |
| 2.4.5 概率预测结果对比 |
| 2.4.6 密度泄露对比 |
| 2.4.7 训练时间对比 |
| 2.4.8 讨论 |
| 2.5 结论 |
| 第3章 基于多源时序注意力网络的短期风电功率时序联合不确定性预测 |
| 3.1 引言 |
| 3.2 多源NWP及其时序误差模式 |
| 3.2.1 单源NWP与多源NWP对比 |
| 3.2.2 多源NWP的时序误差模式 |
| 3.3 多源时序注意力网络模型 |
| 3.3.1 问题描述与模型整体框架 |
| 3.3.2 多源变量注意力模块 |
| 3.3.3 残差模块 |
| 3.3.4 时序注意力模块 |
| 3.3.5 混合密度网络模块 |
| 3.3.6 损失函数与训练方法 |
| 3.3.7 各模块间关系 |
| 3.4 算例分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 对比模型介绍 |
| 3.4.3 模型设置 |
| 3.4.4 评价指标 |
| 3.4.5 确定性预测结果分析 |
| 3.4.6 概率预测结果分析 |
| 3.4.7 误差显着性评估 |
| 3.5 小结 |
| 第4章 基于自适应时空图卷积网络的短期风电功率时空联合不确定性预测 |
| 4.1 引言 |
| 4.2 自适应时空图卷积 |
| 4.2.1 问题定义 |
| 4.2.2 自适应时空图卷积网络整体框架 |
| 4.2.3 多位置-多源变量注意力模块 |
| 4.2.4 时空特征提取模块 |
| 4.2.5 时空混合密度网络模块 |
| 4.2.6 损失函数和优化方法 |
| 4.3 算例分析 |
| 4.3.1 数据与评价准则 |
| 4.3.2 对比模型介绍 |
| 4.3.3 模型设置 |
| 4.3.4 确定性预测结果 |
| 4.3.5 不确定性预测结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 考虑数据保护的超短期风电功率时空联合不确定性预测 |
| 5.1 引言 |
| 5.2 SPLIT LEARNING |
| 5.3 分割网络-SPLITNN |
| 5.3.1 网络模型结构 |
| 5.3.2 客户端与服务端训练过程 |
| 5.4 算例分析 |
| 5.4.1 数据描述 |
| 5.4.2 评价指标 |
| 5.4.3 SplitNN与单区域建模方案对比 |
| 5.4.4 SplitNN与集中式方案对比 |
| 5.4.5 讨论 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）基于LSTM的VOD精炼炉终点预报模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外发展现状 |
| 1.2.1 不锈钢炼钢工艺发展现状 |
| 1.2.2 VOD精炼工艺发展现状 |
| 1.2.3 炼钢终点预报方法研究现状 |
| 1.2.4 深度学习在工业过程建模研究现状 |
| 1.3 本文的主要内容与结构安排 |
| 2 VOD精炼炉生产工艺流程与精炼机理过程分析 |
| 2.1 VOD冶炼工艺简介 |
| 2.1.1 VOD精炼技术简介 |
| 2.1.2 VOD冶炼工艺特点 |
| 2.2 VOD生产工艺流程 |
| 2.2.1 吹氧阶段生产工艺 |
| 2.2.2 真空阶段生产工艺 |
| 2.2.3 还原阶段生产工艺 |
| 2.3 VOD精炼炉精炼机理简要分析 |
| 2.3.1 精炼过程氧化还原反应 |
| 2.3.2 精炼过程速率方程分析 |
| 2.3.3 VOD精炼炉体系热量分析 |
| 2.4 VOD终点影响参数因素分析 |
| 2.4.1 终点碳含量影响因素 |
| 2.4.2 终点温度影响因素 |
| 2.5 VOD终点参数预测方法 |
| 2.5.1 终点预报模型 |
| 2.5.2 模型性能评价指标 |
| 2.6 本章小结 |
| 3 基于互信息的VOD炉输入特征选择 |
| 3.1 特征选择方法概述 |
| 3.1.1 特征选择相关知识 |
| 3.1.2 特征选择方法分类 |
| 3.2 VOD炉输入特征选择过程 |
| 3.2.1 搜索策略 |
| 3.2.2 评价函数 |
| 3.2.3 终止条件 |
| 3.2.4 结果验证 |
| 3.3 熵与互信息 |
| 3.3.1 熵,联合熵与条件熵 |
| 3.3.2 互信息与条件互信息 |
| 3.4 基于互信息的特征选择方法 |
| 3.5 本章小结 |
| 4 深度学习模型LSTM介绍及算法实验 |
| 4.1 LSTM模型发展现状 |
| 4.2 神经网络的基本结构 |
| 4.2.1 神经网络工作原理 |
| 4.2.2 多层感知机前向传播过程 |
| 4.2.3 多层感知机反向传播过程 |
| 4.3 循环神经网络 |
| 4.3.1 RNN基本结构 |
| 4.3.2 RNN前向传播过程 |
| 4.3.3 RNN反向传播过程 |
| 4.3.4 传统RNN存在的问题 |
| 4.4 LSTM神经网络 |
| 4.4.1 LSTM网络基本理论 |
| 4.4.2 LSTM网络基本结构 |
| 4.4.3 LSTM的门控结构与传播过程 |
| 4.5 LSTM算法测试实验 |
| 4.5.1 燃气轮机原理说明 |
| 4.5.2 CO排放量预测模型 |
| 4.5.3 NOx排放量预测模型 |
| 4.6 本章小结 |
| 5 VOD精炼炉终点参数预报模型 |
| 5.1 VOD预报模型输入参数的确定 |
| 5.2 LSTM网络模型的损失函数选择 |
| 5.2.1 平均绝对误差 |
| 5.2.2 均方误差和均方根误差 |
| 5.3 模型泛化能力的提升 |
| 5.3.1 提前停止和保存最优模型 |
| 5.3.2 模型参数设置 |
| 5.3.3 数据预处理 |
| 5.4 VOD精炼炉终点预测模型的建立 |
| 5.4.1 支持向量机模型 |
| 5.4.2 基于互信息的LSTM预测模型 |
| 5.5 本章总结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参与的项目 |
（5）基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 通信信号调制识别的研究现状 |
| 1.2.2 OFDM信号调制识别的研究现状 |
| 1.2.3 基于卷积神经网络的信号调制识别研究现状 |
| 1.3 本文的主要工作和章节安排 |
| 2 数字通信基本理论 |
| 2.1 单载波数字调制基本理论 |
| 2.1.1 二进制单载波数字调制原理 |
| 2.1.2 多进制单载波数字调制原理 |
| 2.2 OFDM基本理论 |
| 2.2.1 多载波调制系统原理 |
| 2.2.2 OFDM调制系统的基本原理 |
| 2.2.3 OFDM调制系统的基本结构模型 |
| 2.3 通信信号循环平稳性基本理论 |
| 2.3.1 一阶循环平稳理论 |
| 2.3.2 二阶循环平稳理论 |
| 2.4 本章小结 |
| 3 深度学习和卷积神经网络理论 |
| 3.1 深度学习简述 |
| 3.1.1 机器学习、深度学习和人工智能 |
| 3.1.2 深度学习发展历程 |
| 3.1.3 深度学习擅长领域 |
| 3.2 神经网络基础 |
| 3.2.1 神经网络模型 |
| 3.2.2 激活函数及其特点 |
| 3.2.3 神经网络的训练 |
| 3.3 卷积神经网络理论 |
| 3.3.1 卷积神经网络的基本结构 |
| 3.3.2 卷积神经网络的主要特性 |
| 3.3.3 卷积神经网络的相关运算 |
| 3.3.4 Softmax分类器 |
| 3.4 本章小结 |
| 4 应用短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法 |
| 4.1 信号模型 |
| 4.2 基于短时傅里叶变换理论的信号时频特征提取 |
| 4.2.1 连续短时傅里叶变换 |
| 4.2.2 离散短时傅里叶变换 |
| 4.3 VGGNet卷积神经网络识别方法 |
| 4.4 基于STFT和VGG-16网络模型的OFDM信号调制识别算法 |
| 4.4.1 算法流程 |
| 4.4.2 信号数据集和时间-频率图像生成 |
| 4.5 实验仿真结果与分析 |
| 4.5.1 算法总体识别结果 |
| 4.5.2 不同卷积核尺寸识别结果对比分析 |
| 4.5.3 不同激活函数识别结果对比分析 |
| 4.5.4 不同优化算法识别结果对比分析 |
| 4.5.5 算法复杂度分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（6）基于深度特征的相关滤波铁路异物侵限检测及跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 关键技术性能评价指标 |
| 1.4 论文主要研究内容及结构安排 |
| 第二章 铁路异物侵限去雾检测技术方法 |
| 2.1 铁路综合视频监控系统架构 |
| 2.2 铁路监控视频图像预处理 |
| 2.2.1 图像灰度化 |
| 2.2.2 空间滤波 |
| 2.2.3 直方图均衡化 |
| 2.2.4 图像二值化 |
| 2.2.5 形态学处理 |
| 2.3 基于暗通道先验的去雾算法 |
| 2.3.1 暗通道先验 |
| 2.3.2 复原图像 |
| 2.3.3 透射率优化 |
| 2.3.4 去雾性能评价 |
| 2.4 优化的Vi Be异物侵限检测算法 |
| 2.4.1 背景模型初始化 |
| 2.4.2 异物检测过程 |
| 2.4.3 背景模型的更新 |
| 2.5 本章小结 |
| 第三章 基于核相关滤波的异物侵限去雾跟踪 |
| 3.1 核相关滤波异物侵限跟踪算法 |
| 3.1.1 FHOG特征提取 |
| 3.1.2 循环位移采样 |
| 3.1.3 异物位置预测 |
| 3.2 尺度自适应的异物侵限跟踪 |
| 3.2.1 尺度样本的构建 |
| 3.2.2 异物尺度预测 |
| 3.2.3 滤波器更新 |
| 3.3 实验结果与分析 |
| 3.3.1 实验参数与算例 |
| 3.3.2 算法的定性定量评估 |
| 3.4 本章小结 |
| 第四章 基于深度特征分权融合的异物侵限鲁棒跟踪 |
| 4.1 特征选择 |
| 4.1.1 CN特征提取 |
| 4.1.2 深度特征提取 |
| 4.2 特征分权融合 |
| 4.3 模型自适应低频更新策略 |
| 4.4 实验结果及分析 |
| 4.4.1 实验算例 |
| 4.4.2 卷积层数选取的性能影响测试 |
| 4.4.3 多特征融合有效性分析 |
| 4.5 本章小结 |
| 第五章 基于结构感知网络的异物侵限跟踪 |
| 5.1 网络结构 |
| 5.1.1 循环神经网络结构 |
| 5.1.2 结构感知网络整体结构 |
| 5.2 网络训练 |
| 5.2.1 卷积神经网络训练 |
| 5.2.2 侵限异物自结构建模 |
| 5.3 在线跟踪与模型更新策略 |
| 5.4 实验结果与分析 |
| 5.4.1 实验算例 |
| 5.4.2 算法定性评估 |
| 5.4.3 算法定量评估 |
| 5.5 本章小结 |
| 第六章 总结 |
| 6.1 主要工作回顾 |
| 6.2 研究工作展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（7）基于深度学习的多尺度文本分类算法研究（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 国内外研究现状 |
| 1.2.1 文本表示方法 |
| 1.2.2 基于传统机器学习的文本分类算法 |
| 1.2.3 基于深度学习的文本分类 |
| 1.3 本文主要工作 |
| 1.3.1 研究内容 |
| 1.3.2 主要创新 |
| 1.4 论文结构安排 |
| 第二章 相关理论与技术基础 |
| 2.1 深度神经网络 |
| 2.1.1 神经网络定义 |
| 2.1.2 神经网络的训练 |
| 2.1.3 卷积神经网络 |
| 2.1.4 循环神经网络 |
| 2.1.5 双向循环神经网络 |
| 2.1.6 注意力机制 |
| 2.1.7 残差网络 |
| 2.2 文本预处理方法 |
| 2.2.1 基于词袋模型的离散表示方法 |
| 2.2.2 基于Fasttext和 Glove的分布式表示方法 |
| 2.3 本章小结 |
| 第三章 基于层次结构的自注意力稀疏长文本分类算法 |
| 3.1 模型主要结构 |
| 3.1.1 词嵌入层 |
| 3.1.2 句向量处理层 |
| 3.1.3 文本表示处理层 |
| 3.2 RNN结构稀疏策略 |
| 3.2.1 RNN稀疏模型1 |
| 3.2.2 RNN稀疏模型2 |
| 3.2.3 RNN稀疏模型3 |
| 3.3 数据集 |
| 3.4 数据预处理 |
| 3.5 实验设置 |
| 3.5.1 实验环境 |
| 3.5.2 参数设置 |
| 3.5.3 评价指标 |
| 3.6 实验对比与结果分析 |
| 3.6.1 对比实验说明 |
| 3.6.2 对比实验结果分析 |
| 3.6.3 参数量对比分析 |
| 3.6.4 运算时间对比 |
| 3.7 本章小结 |
| 第四章 密集池化连接和短语注意力下的短文本分类算法 |
| 4.1 模型设计 |
| 4.1.1 词嵌入层 |
| 4.1.2 密集连接池化层 |
| 4.1.3 多尺度短语注意力机制层 |
| 4.1.4 全连接层 |
| 4.2 数据集 |
| 4.3 实验设置 |
| 4.3.1 实验环境 |
| 4.3.2 参数设置 |
| 4.3.3 评价指标 |
| 4.4 实验对比与结果分析 |
| 4.4.1 实现效果对比 |
| 4.4.2 变体实验结果分析 |
| 4.4.3 超参数设置 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 个人简历 在读期间科研成果 |
（8）应用于IGBT结温预测的BP算法的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 IGBT的结温测量研究现状 |
| 1.2.2 神经网络实现的研究现状 |
| 1.2.3 FPGA发展及研究现状 |
| 1.3 本文的主要内容及各章节安排 |
| 2 BP神经网络结温预测算法 |
| 2.1 BP神经网络的简介 |
| 2.1.1 神经元模型和网络工作流程 |
| 2.1.2 BP神经网络的算法原理 |
| 2.1.3 BP神经网络的不足与各类改进 |
| 2.2 改进算法的简介 |
| 2.2.1 遗传算法 |
| 2.2.2 思维进化算法 |
| 2.3 BP神经网络的FPGA训练流程 |
| 2.4 本章小结 |
| 3 应用于结温预测的BP神经网络的优化 |
| 3.1 训练数据集的获取 |
| 3.2 GA优化BP算法 |
| 3.3 LM改进型的思维进化算法优化BP |
| 3.4 两种算法的对比及最终模型 |
| 3.5 本章小结 |
| 4 BP神经网络的FPGA设计实现 |
| 4.1 FPGA概述及开发板 |
| 4.2 系统的总体设计 |
| 4.3 各模块设计 |
| 4.3.1 数据采集模块设计 |
| 4.3.2 计算单元实现 |
| 4.3.3 数据存储模块设计 |
| 4.4 仿真结果分析 |
| 4.5 平台实测结果 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 本文的工作总结 |
| 5.2 后期工作展望 |
| 致谢 |
| 参考文献 |
（9）基于深度学习的网络入侵检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 相关技术的发展与研究现状 |
| 1.2.1 入侵检测的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.3 入侵检测存在的问题 |
| 1.4 论文的主要研究工作 |
| 2 相关基础知识 |
| 2.1 引言 |
| 2.2 入侵检测系统 |
| 2.2.1 入侵检测系统定义 |
| 2.2.2 入侵检测系统分类 |
| 2.2.3 入侵检测模型评价指标 |
| 2.3 深度学习 |
| 2.3.1 深度学习理论 |
| 2.3.2 多层感知机 |
| 2.3.3 自编码网络 |
| 2.3.4 一维卷积神经网络 |
| 2.3.5 二维卷积神经网络 |
| 2.3.6 长短期记忆神经网络 |
| 2.3.7 注意力机制 |
| 2.4 本章小结 |
| 3 基于空时特征和注意力机制的网络入侵检测算法 |
| 3.1 引言 |
| 3.2 基于空时特征和注意力机制的网络入侵检测算法总体框架 |
| 3.3 基于空时特征和注意力机制的网络入侵检测模型 |
| 3.3.1 入侵检测数据集预处理层 |
| 3.3.2 CNN层 |
| 3.3.3 Dropout层 |
| 3.3.4 Max-pooling层 |
| 3.3.5 Bi-LSTM层 |
| 3.3.6 注意力层 |
| 3.3.7 输出层 |
| 3.4 实验运行环境和设置 |
| 3.4.1 实验运行环境 |
| 3.4.2 实验设置 |
| 3.5 仿真结果与分析 |
| 3.5.1 卷积核大小的设置对算法性能的影响 |
| 3.5.2 Bi-LSTM隐藏层节点的设置对算法性能的影响 |
| 3.5.3 学习率的设置对算法性能的影响 |
| 3.5.4 CLT-net算法二分类性能分析 |
| 3.5.5 CLT-net算法多分类性能分析 |
| 3.6 本章小结 |
| 4 基于一维空时特征的网络入侵检测算法 |
| 4.1 引言 |
| 4.2 基于一维空时特征的网络入侵检测算法总体框架 |
| 4.3 基于一维空时特征的网络入侵检测模型 |
| 4.4 实验运行环境和设置 |
| 4.4.1 实验运行环境 |
| 4.4.2 实验设置 |
| 4.5 仿真结果与分析 |
| 4.5.1 CLSTM-net算法二分类性能分析 |
| 4.5.2 CLSTM-net算法多分类性能分析 |
| 4.6 本章小结 |
| 5 基于多分类及数据不平衡的深度学习混合入侵检测算法 |
| 5.1 引言 |
| 5.2 不平衡数据集 |
| 5.2.1 不平衡数据集定义 |
| 5.2.2 从数据层面开展的研究 |
| 5.2.3 从算法层面开展的研究 |
| 5.3 入侵检测数据特征分析 |
| 5.4 算法基础与分析 |
| 5.4.1 SMOTE算法 |
| 5.4.2 Borderline-SMOTE算法 |
| 5.5 基于数据不平衡的深度学习混合入侵检测算法 |
| 5.6 仿真结果与分析 |
| 5.6.1 ICLT-net算法多分类性能分析 |
| 5.6.2 ICLSTM-net算法多分类性能分析 |
| 5.6.3 四种算法性能对比 |
| 5.7 本章小结 |
| 6 总结及展望 |
| 6.1 论文的主要工作和结论 |
| 6.2 论文的展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要的研究成果 |
（10）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
四、多层前向神经网络的快速学习算法及其应用（论文参考文献）
- [1]小样本困境下的深度学习图像识别综述[J]. 葛轶洲,刘恒,王言,徐百乐,周青,申富饶. 软件学报, 2022(01)
- [2]风电功率时空不确定性预测方法研究[D]. 张浩. 华北电力大学(北京), 2021
- [3]基于LSTM的VOD精炼炉终点预报模型研究[D]. 涂芝润. 西安理工大学, 2021
- [4]基于多层卷积稀疏编码的图像重建[D]. 亢亚楠. 燕山大学, 2021
- [5]基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究[D]. 白旭天. 西安理工大学, 2021(01)
- [6]基于深度特征的相关滤波铁路异物侵限检测及跟踪方法研究[D]. 衣晚卓. 华东交通大学, 2021(01)
- [7]基于深度学习的多尺度文本分类算法研究[D]. 陶自强. 华东交通大学, 2021(01)
- [8]应用于IGBT结温预测的BP算法的设计与实现[D]. 鲁佳颖. 西安理工大学, 2021(01)
- [9]基于深度学习的网络入侵检测技术研究[D]. 黄丽婷. 西安理工大学, 2021(01)
- [10]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021