一、关于序列Mackey收敛的进一步讨论（论文文献综述）
火元莲,脱丽华,齐永锋,丁瑞博[1]（2022）在《基于P范数的核最小对数绝对差自适应滤波算法》文中进行了进一步梳理为了进一步提高在a稳定分布噪声背景下非线性自适应滤波算法的收敛速度,本文提出了一种新的基于p范数的核最小对数绝对差自适应滤波算法（kernel least logarithm absolute difference algorithm based on p-norm, P-KLLAD）.该算法结合核最小对数绝对差算法和p范数,一方面利用最小对数绝对差准则保证了算法在a稳定分布噪声环境下良好的鲁棒性,另一方面在误差的绝对值上添加p范数,通过p范数和一个正常数a来控制算法的陡峭程度,从而提高该算法的收敛速度.在非线性系统辨识和Mackey-Glass混沌时间序列预测的仿真结果表明,本文算法在保证鲁棒性能的同时提高了收敛速度,并且在收敛速度和鲁棒性方面优于核最小均方误差算法、核分式低次幂算法、核最小对数绝对差算法和核最小平均p范数算法.
张道庆[2]（2021）在《迁移演化计算及其应用研究》文中进行了进一步梳理演化计算是模拟自然界物种演化和聚群行为来解决优化问题的一类算法,在黑箱优化、组合优化、非凸优化和多目标优化中被广泛应用。本文聚焦于演化计算的一个分支:迁移演化计算,迁移演化计算是指种群中的个体通过隐式或显式的迁移来辅助优化的一类算法,具体可以分为多任务演化计算和并行演化计算两类。迁移演化计算作为传统演化计算的一个扩展,具有较为广阔的应用价值和研究意义。对于多任务演化计算,本文的贡献有两点:第一,针对多任务演化计算中最经典的多因子演化算法MFEA,我们从理论上分析了 MFEA在处理子函数维度不同的多任务优化问题时所存在的固有缺陷,并提出改进版本的异维多因子演化算法HD-MFEA。在HD-MFEA中,我们提出了异维选择交叉与自适应精英替换策略,使HD-MFEA可以在异维多任务环境下更好的进行基因迁移。同时,我们提出了异维多任务优化的基准测试问题,在测试问题上,HD-MFEA优于MFEA和其他改进算法。第二,我们扩展了多任务演化计算的应用范围,第一次将不同结构的神经网络训练问题等效为异维多任务优化问题。同时,针对神经网络的层次化特征,提出了可同时训练多个神经网络的异维多因子神经演化算法HD-MFEA Neuroevolution。通过在混沌时间序列数据集上的实验,我们发现HD-MFEA Neuroevolution算法远优于其他演化算法,且收敛速度和精度均优于现在神经网络训练中常用的梯度算法。对于并行演化计算,我们以狮群算法作为演化算法的一个范例,提出了用于解决旅行商问题的并行狮群算法。首先,通过在原始的狮群算法中引入离散编码与顺序交叉算子,我们提出了用于解决组合优化问题的离散狮群算法;然后,我们提出了基于岛屿模型的并行狮群算法,并行狮群算法采用环型拓扑结构,通过在相邻子种群间迁移最优个体来进行通信;最后,我们在不同的设备上对并行狮群算法进行了大量实验,验证了算法能给出较短的路线,且在不同的设备上均能达到较好的加速性能。
程丽[3]（2021）在《在线序列极限学习机及其应用研究》文中研究说明极限学习机（Extreme learning machine,ELM）是一种单隐层前馈神经网络,经典ELM学习算法为批量算法,所有的数据在训练之前都应该事先获得。然而,实际应用中数据往往是连续接收的。针对该场景,在线序列极限学习机（Online Sequential Extreme learning machine,OS-ELM）应运而生,它可以对逐个或逐块到来的数据进行顺序处理,具有较好的泛化性能和较快的学习速度。本文从非高斯噪声鲁棒性和隐含层结构稀疏性这两个方面改进OS-ELM算法,并将其应用于OFDM系统的信道均衡。具体研究内容如下:（1）OS-ELM算法利用均方误差（Mean Squared Error,MSE）准则构造代价函数,由于该准则只考虑数据的二阶统计量,因此在处理非线性和非高斯分布的数据时难以获得最佳性能。针对该问题,本文提出了基于鲁棒递归最小二乘的在线序列极限学习机（RR-OSELM）算法,利用最大相关熵准则构造代价函数,采用半二次优化算法将模型转化为二次型问题,从而得到输出权值递推公式。通过对算法收敛的理论证明以及实验表明,该算法在期望数据受非高斯噪声污染时具有良好的鲁棒性。（2）OS-ELM算法中人为设置隐含层节点数目具有随机性,设置过大会引起过拟合问题,设置太小会降低预测精度。为了能自动获得隐含层最佳结构,本文提出基于稀疏递归最小二乘的在线序列极限学习机（S-OSELM）,在代价函数中加入输出权值的l0-范数和1l-范数正则化惩罚项以获得稀疏解,使用子梯度方法得到输出权值的在线更新方式。同时,为了防止正则化参数选取不当对算法性能造成的不利影响,提出一种自适应调整正则化参数的方法。从理论上证明了S-OSELM算法的收敛性,实验结果表明,所提出的S-OSELM-l0和S-OSELM-l1算法精确度较高,隐含层规模更小。（3）正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统中经过高功率放大器（High Power Amplifier,HPA）和衰落信道后,非线性失真和多径效应使得接收端信号发生严重的畸变,通信系统性能受到较大影响。现有的大部分基于神经网络的OFDM信道均衡方法需要对信道模型提前进行离线训练,当真实信道场景与之前的信道模型出现较大差异时,信道均衡性能下降。针对以上问题,本文使用在线序列极限学习机完成信道均衡。仿真结果表明,该方法能克服多径衰落信道和HPA产生的非线性失真带来的影响,相比传统的信道均衡方法能获得更低的误比特率。
吕金凤[4]（2021）在《非线性动态系统模糊辨识方法研究》文中研究表明T-S模糊模型可简单、高效地描述复杂非线性系统,因其具有万能逼近性而被广泛应用于复杂非线性系统辨识领域。T-S模糊系统辨识的主要工作包括输入变量的选择与确定、模糊规则个数的确定、模糊空间划分以及前提和结论参数估计等。T-S模糊系统辨识领域的最新研究成果主要集中于优化用于训练或校准模型的参数,然而对于反映模型最佳性能所需的重要输入变量的选择问题还未引起足够重视。事实上,选择和优化系统的输入变量是模糊系统结构辨识的关键步骤之一,可以有效地消除冗余信息,进而降低模型的复杂度。本文围绕非线性动态系统T-S模糊模型重要输入变量选择、前提参数优化等问题进行研究,力求达到模型辨识精度的同时,降低模型的复杂度,减少系统运行时间,提高模型在线辨识能力,主要研究内容如下:在分析传统T-S模糊模辨识方法的基础上,提出一种模糊C均值（Fuzzy C-Means,FCM）聚类算法与Gauss函数相结合确定模糊模型前提参数的辨识方法（FCM-G）。首先,选用Gauss函数作为隶属度函数;然后,将FCM算法自动搜索确定的聚类中心作为Gauss型隶属函数的中心,该方法弥补了Gauss型隶属函数不能自动确定中心的缺陷。仿真结果表明,与采用FCM算法或Gauss函数进行模糊划分相比,基于FCM-G算法建立的模型能够获得较高的辨识精度。针对复杂非线性动态系统T-S模糊建模问题,提出了基于重要输入变量选择的模糊辨识方法。首先,利用简化的两阶段模糊曲线曲面法（Two Stage Fuzzy Curves,TSFC）选择模型的重要输入变量;然后,分别采用FCM聚类算法和三角形模糊划分方法确定模型前提参数。与现有的研究成果相比较,通过仿真研究验证了重要输入变量选择对模糊模型辨识精度和泛化性能的积极影响。为解决模型精度与模糊规则库大小的矛盾,将T-S模糊模型重要输入变量选择与前提参数优化相结合,提出了一种基于TSFC-FCM-G的模糊辨识方法。首先,基于两阶段模糊曲线法确定模型的重要输入变量;然后,采用FCM-G方法确定模型的前提参数;最后,采用递推最小二乘法辨识结论参数。两个国际标准例题和一实际变荷载气动加载系统上的仿真实验结果表明,该方法无需复杂的迭代优化过程即可获得较高辨识精度。为了进一步提高辨识精度,提出了基于TSFC和PSO（Particle Swarm Optimization,PSO）算法的模糊辨识方法。首先,基于TSFC算法进行输入变量选择;然后,利用FCM算法确定Gauss函数中心,进而通过PSO算法对Gauss函数的宽度进行优化。仿真实验结果验证了本文提出辨识方法的有效性和实用性。为了克服传统1型模糊系统在处理不确定性方面的局限性,针对一实际液压位置控制系统,建立了基于TSFC-FCM-G的区间2型T-S模糊模型。首先,利用TSFC算法确定模型重要输入变量;然后,通过FCM-G方法确定前提参数,采用集合中心（Center-of-Sets,COS）降型器得到降型输出;最后,通过递推最小二乘法确定结论参数。仿真实验验证了本文所建立模型具有良好的逼近性能。
金振宇[5]（2021）在《线性模糊化一致空间及囿向量空间研究》文中提出一致空间作为连接度量空间与一般拓扑空间的纽带,在模糊拓扑学理论研究中受到相关学者的广泛关注.另一方面,近年来由于囿向量空间可作为研究非交换几何与表示论,大范围分析和优化问题的理想工具而成为许多学者关注的热点.如何处理囿向量空间框架下的不确定对象成为模糊泛函分析理论研究的前沿问题,其中开展以模糊逻辑为基础的模糊化囿向量空间研究成为首选.本文试图以模糊逻辑为基础,对模糊化Hutton型一致结构与线性运算的相容性,模糊化囿向量空间及其相关问题进行较为系统的研究.本文的研究内容主要分为两部分,第一部分主要研究了 Hutton型线性模糊化一致空间及其性质,如全有界性,Hausdorff分离性等,并讨论他们之间的关系.同时,讨论了始和终Hutton型线性模糊化一致空间.第二部分研究了模糊化囿向量空间以及囿序列收敛和分离性.其次,还探讨了模糊化囿滤子收敛和模糊化囿网收敛,以及囿完备性、囿准紧性和囿紧性,并探究了它们之间的关系.最后,还讨论了 L-囿向量空间和由分明囿向量空间导出的L-囿向量空间.下面分章节具体叙述主要工作.第一章本章是全文的综述,主要展示了国内外相关内容的研究现状以及本文的研究意义.第二章主要罗列了本文所需的有关模糊化一致结构以及模糊化囿结构方面的一些基本概念和定理.第三章本章主要对线性空间上的Hutton型模糊化一致结构进行探讨.若线性空间上的模糊化一致结构的基是均衡的、吸收的和平移不变的,则它可导出一个线性模糊化拓扑.并证明了此线性模糊化拓扑又可构造出一个与线性结构相容的模糊化一致结构,且与给定的模糊化一致结构等价.同时,讨论了线性模糊化一致结构的Hausdorff分离性及全有界性.另外,作为例子,我们还讨论了由模糊范数导出线性模糊化一致结构.最后,本章也对始和终Hutton型线性模糊化一致结构的概念和具体刻画做了研究.第四章本章介绍了模糊化囿向量空间的概念,并且给出了几个关于模糊化囿向量空间的例子,如线性模糊化一致空间中的全有界集可导出模糊化囿结构,概率度量空间中准紧集可导出模糊化囿结构等.同时也研究了模糊化囿收敛的具体刻画,并讨论了模糊化囿向量空间中一些关于收敛的性质.另外,通过考虑模糊化囿闭集的详细刻画,讨论了模糊化囿向量空间的分离性问题,并将结论应用到乘积和商模糊化囿向量空间空间中.其次,介绍了模糊化囿滤子收敛的概念,并给出了模糊化囿滤子收敛和模糊化囿网收敛之间的关系.另外,讨论了模糊化囿向量空间中的一些性质,如完备性、准紧性和紧性.特别地,证明了一个集合是囿紧的当且仅当它是囿准紧和囿完备的.第五章首先介绍L-囿向量空间的具体刻画,并讨论了囿向量空间范畴与L-囿向量空间范畴之间的Lowen函子的一些性质.其次,给出了 L-Mackey收敛的具体定义并讨论了其性质.另外,研究了L-囿向量空间中的分离性问题,并且得到分离性条件与L-Mackey收敛之间的等价刻画.第六章总结本论文所做的主要工作,并指出未来进一步研究的问题.
高媛媛[6]（2021）在《储备池计算模型参数优化方法研究》文中进行了进一步梳理回声状态网络采用大规模稀疏连接的储备池作为隐层,且只对输出连接权值进行调整,使整个训练阶段变得简单高效,成为了非线性时间序列预测任务的重要处理方法。然而,传统储备池参数初始化时根据经验随机确定,容易陷入局部最优值,使网络预测性能下降。以回声状态网络为研究对象,从群体智能优化角度研究该模型的参数优化方法,主要研究内容如下:1)针对粒子群优化方法收敛性差,收敛速度慢的问题。提出了基于蚁狮算法的回声状态网络参数优化方法。即利用蚁狮优化算法选择最优的输入权值、储备池内部权值和反馈权值参数,通过蚁狮捕捉蚂蚁的过程来配置权值参数,从而提高网络的预测性能。仿真结果表明,在混沌时间序列预测任务中,对比经典粒子群算法,该模型的非线性逼近性能和收敛速度具有独特优势。2)针对蚁狮优化方法参数较多难以获取最优的问题,提出了基于教与学优化回声状态网络参数方法。利用教与学优化算法选择出部分的输入权值、储备池内部权值和反馈权值参数,通过老师教授和学生互相学习两个阶段来更新权值参数,提高预测性能同时也保留了参数的部分随机性。仿真结果表明,在混沌时间序列预测任务中,对比蚁狮算法和相关粒子群优化方法,该模型的非线性逼近性能、收敛速度和稳定性能方面的具备明显优势。3)针对教与学优化方法的自适应差和收敛慢的问题,对教与学算法的改进方法进行了研究,将精英、自适应教学因子、线性递减学习权重和自我驱动策略与回声状态网络结合,来进一步提高模型的预测性能。仿真结果表明,在混沌时间序列预测任务中,对比传统教与学、蚁狮和相关粒子群算法,改进后的模型在预测精度和收敛速度方面具备独特优势。进一步在空气质量预测任务,验证了其有效性。图23幅;表19个;参45篇。
韩琴[7]（2021）在《基于卡尔曼滤波的在线回声状态网络及其在盲均衡中的应用》文中研究表明本文在卡尔曼滤波（Kalman Filter,KF）理论的基础上,研究了基于卡尔曼滤波的回声状态网络（Echo State Network,ESN）在线训练算法并将其应用于盲均衡领域。论文的主要工作及取得的研究成果如下。（1）提出了一种基于平方根无迹卡尔曼滤波（Square-root Unscented Kalman Filter,SRUKF）的回声状态网络在线训练算法（ESN-SRUKF）。它通过高精度的SRUKF对ESN的网络参数进行在线更新,并增加了离群值检测函数处理离群值。此外,为降低算法的计算复杂度,本文将具有良好数据特征提取能力的受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）引入ESN,进一步提出了一种改进型的在线回声状态网络（R-ESN-SRUKF）,仿真结果表明,所提算法在非线性系统辨识,时间序列预测和信道均衡领域均具有一定的性能优势。（2）为提升现有盲均衡算法的均衡性能,本文提出了一种基于预测原理的回声状态网络在线盲均衡算法（ESN-PEF）。该算法使用复数型ESN代替有限长的线性预测误差滤波器,并采用卡尔曼滤波算法根据信道特性在线调整ESN参数以获得最小的预测误差,然后使用自动增益控制装置和相位调整因子分别调整信号的幅值和相位以恢复出原始的传输序列。仿真结果表明,与其它基于预测原理的盲均衡算法和基于传统代价函数的回声状态网络盲均衡算法相比,所提算法具有更小的均方误差值和更快的收敛速度且可处理高阶QAM信号。（3）本文充分考虑混沌信号的固有特性,提出了一种基于卡尔曼滤波和在线回声状态网络的盲均衡算法（KF-ESN）。该算法利用混沌信号的短期可预测性,使用所提的R-ESN-SRUKF网络逼近未知的混沌映射并用训练好的网络预测均衡器输出。此外,为提升均衡性能,本文使用与有限脉冲响应（Finite Impulse Response,FIR）相结合的卡尔曼滤波作为均衡器,并通过最小化ESN预测误差的方式调整其参数。仿真结果表明,与其它的混沌盲均衡方法相比较,所提算法具有更快的收敛速度和更小的均方误差且可适用于强非线性信道。
林艳艳[8]（2020）在《自适应学习机制驱动的多目标进化算法研究》文中提出大数据背景下,高效处理海量、高维、不确定数据的迫切需要对传统的信息处理技术提出了挑战。以进化计算为代表的智能计算方法被认为是处理复杂多目标问题的有效手段,近年来已成为研究的前沿和热点关注领域。目前,多目标进化算法已在众多领域得到十分广泛的应用,并解决了许多非常有价值的实际问题,其研究成果已经渗透到多个学科。然而,在进化多目标求解的过程中,仍然需要重点关注以下两个方面:1)如何提高多目标进化算法的通用性;2)如何在多目标进化算法搜索过程中融入问题的特征,以实现问题的高效求解。有鉴于此,本论文旨在研究自适应学习机制驱动的多目标进化算法,并对其在复杂多目标优化问题的高效求解方面展开研究,主要创新性工作如下:1.多目标差分进化算法和基于规则的多目标分布估计算法对于不同类型问题的求解具有各自的优势和不足,如何有效融合各自的优势是提高算法计算效率的一种重要途经。为此,提出一种自适应协方差学习模型驱动的多目标混合差分-分布估计算法。首先,通过矩阵理论分析差分进化算子的数学特征以及对不同类型优化问题的影响。其次,利用协方差矩阵来识别种群分布的数据关联特性,以此构建特征坐标系,并利用Sigmoid函数实现差分进化算子在两个坐标系下的协同搜索。接着,在进化的后期利用规则模型和负相关选择使得算法能够尽可能地覆盖整个Pareto结构,从而提高计算效率;最后,与3个多目标差分进化算法和3个基于规则的多目标分布估计算法在两组不同类型的测试函数上进行比较。实验结果表明,提出的算法能够有效解决不同类型的多目标问题,具有更强的鲁棒性。2.针对逆学习模型在不规则Pareto前沿的多目标优化问题上遭遇计算效率低的问题,提出一种自适应逆学习模型驱动的多目标进化算法。该算法将整个进化过程划分为探索和开发两个阶段,在探索阶段利用均匀分布的参考向量来提高算法的探索能力;在开发阶段,外部精英存档中的非支配解被用来自适应地调整参考向量的分布,这有利于提高算法的勘探能力。此外,偏好交叉和逆学习模型的协同搜索进一步提高了算法的计算效率。最后,与六个基于规则的多目标进化算法在18个不规则的测试函数上进行比较。实验结果表明,真实验结果表明,提出的算法能够有效解决各种类型的不规则多目标优化问题。3.针对基于规则的学习模型和逆学习模型的进化种群在决策空间和目标空间分布的不平衡的问题,提出一种自适应双空间学习模型驱动的多目标进化算法。该算法首先引入一种基于序列化的种群初始化方法来识别距离函数的适应度特征,这有利于降低算法陷入Pareto局部最优的风险;其次,设计一种自适应机制来调节计算资源的分配,以实现两种学习模型的优势互补;接着,通过集成双空间的环境选择策略实现同时兼顾种群在不同空间分布多样性的目标;最后,与六个基于规则的多目标进化算法在22个测试函数上进行比较。数值模拟与仿真实验结果表明,提出的算法的性能明显优于其它对比算法。4.针对混沌时间序列预测和电力负荷预测中的建模问题,构建一种多目标引导的稀疏深度信念网络。在网络训练种,该模型将带有稀疏惩罚因子的单目标函数转化为包含有重构误差和稀疏程度的双目标函数,并结合多目标进化算法和CD-1方法实现参数的自动选择,避免了手动调节稀疏惩罚因子难的问题。数值实验结果表明多目标引导的深度信念网络在时间序列预测的应用中比其它常用模型具有一定的优越性。
魏强[9]（2020）在《基于核学习方法的超短期风电功率预测研究》文中认为风力发电是未来清洁能源主要发展的方向之一,随着关键风力发电技术和设备的日渐成熟,风力发电场规模不断扩大,风电全国并网比例也呈递增趋势,风力发电功率的强非线性特性对国网安全与稳定运行的影响越来越突出,及时预测风力发电的输出功率是缓解电网调峰、调频压力,提高国网稳定安全运行的有效方法之一。因此,研究能够准确预测风电功率及变化趋势的方法是很有必要的。本文通过核主成分分析（Kernel Principal Component Analysis,KPCA）提取有效维度的历史风电功率数据,简化核极限学习机（Kernel Extreme Learning Machine,KELM）算法的输入维度,然后将不同核函数引入新型前馈神经网络构建基于实际风电场数据的短期风电功率预测模型,为了进步简化主观因素对模型的影响,将优化算法引入到预测模型中来,对核函数的参变量予以改善,使模型在预测精度和泛化方面具备更好的表现。本文主要研究内容如下:（1）核学习理论研究。首先,在研究前馈神经网络的基础上,对极限学习机（Extreme Learning Machine,ELM）的基本算法进行了深入研究,并将核函数升维学习的思想引入到ELM算法中,构建具有强非线性信号处理能力的KELM,并重点分析高斯核函数、小波核函数、多项式核函数以及线性核函数对ELM算法的影响,并且利用正则化最小二乘算法,进一步提高KELM的鲁棒能力。其次,在主成分分析（Principal Component Analysis,PCA）基本原理与算法基础上,着重探究高斯核函数、小波核函数、多项式核函数以及线性核函数与PCA算法的结合。将核函数引入PCA形成KPCA,并深入研究核函数对提取的有效特征以及对模型预测精度的影响。（2）将KPCA方法与KELM方法相结合,提出一种基于KPCA-KELM的超短期风电功率预测模型。将KPCA提取的非线性主元,重构成时间序列向量,并作为KELM方法有效输入,构建KPCA-KELM风电功率预测模型。为了验证所提出方法的合理性,首先将KPCA-KELM应用于常规混沌时间序列的预测中,并且探究影响KPCA-KELM风电功率预测模型预测精度因素。其次,基于加拿大亚伯达省风电场及美国NREL实验室的实测数据,验证所提KPCA-KELM风电功率预测模型的预测精度和泛化能力。并通过对比试验探究核学习理论对基于KPCA-KELM的超短期风电功率预测模型的预测精度的影响。（3）在研究影响KPCA-KELM风电功率预测模型预测精度的基础上,为了简化主观因素对模型的预测精度的影响,将优化的思想引入KPCA-KELM风电功率预测模型中,即分别利用遗传算法（GA）、模拟退火（SA）和微分演化（DE）三种优化算法对风电功率模型的初始化参数:输入维度、核变量以及正则化系数进行寻优,进而形成KPCA-O-KELM方法的三种不同算法:KPCA-GA-KELM、KPCA-DE-KELM、KPCA-SA-KELM,并且,首先将KPCA-O-KELM应用于标准混沌时间序列的预测中,探究KPCA-O-KELM风电功率预测模型构建的合理性。其次,为了测试KPCA-O-KELM方法对超短期风电功率预测的能力,将KPCA-O-KELM风电功率预测模型用于美国NREL实验室所提供的实际风电功率实测数据。
吕明阳[10]（2020）在《燃煤炉窑烧结系统的混沌分析与特征提取》文中研究指明燃煤窑炉是冶金、化工、电力、水泥和活性石灰等基础工业领域的关键生产设备,也是主要的能耗设备。窑炉内燃煤过程（烧结过程）工况的稳定决定了产品的品质、煤粉的消耗量和污染物排放水平,是燃煤窑炉实现“节能减排”的关键。然而,由于窑炉烧结过程存在大量的物理和化学反应、物质和能量的交换,这限制了研究人员对燃煤窑炉内在动力学机理的认知,以及实际的工业应用效果。对此,本文以氧化铝回转窑烧结系统为研究对象,基于生产现场的热工数据,从非线性系统的角度研究了烧结系统的混沌辨识问题和基于混沌的实际应用,为燃煤窑炉的稳定控制奠定基础。本文主要工作和创新如下:（1）很多领域的混沌研究主要是基于数学方程或者小型样机,但是这些方法不适用于燃煤窑炉的混沌研究。对此,本文以氧化铝回转窑的烧结系统为例,基于生产现场实际的热工数据,研究了数学方程未知的燃煤窑炉烧结系统的混沌辨识问题。其中,针对数据来源、数据长度和数据采样周期对结果的影响,首先选择了不同数据长度和不同采样周期的烧结温度数据和窑头温度数据;对每一组数据使用相空间重构方法获得若干候选的动态轨迹,然后基于混沌特征量的性质从每组数据的候选动态轨迹中确定出一个合适的动态轨迹。最后,使用每组数据的分析结果相互印证,首次确定了氧化铝回转窑的烧结系统是一个具有混沌特征的五阶系统。（2）燃煤窑炉中存在的噪声干扰了信号的检测和系统的控制,并且噪声的种类和特征等尚不清楚。对此,本文分析了从五种热工数据中提取的噪声数据的混沌特征和多分形特征。实验结果表明氧化铝回转窑烧结系统中的噪声既不是高斯白噪声,又不是单分形的彩色噪声,而是具有混沌特征和多分形特征的确定信号,并且分析了噪声难以有效预测的原因。（3）针对应用于燃煤窑炉的深度学习软测量模型存在计算复杂度高、未考虑系统动力学特征和缺乏可解释性的缺点,本文从混沌时间序列预测的角度,结合回转窑烧结系统的强耦合、大滞后和参数时变的非线性特征以及实际生产中检测数据可能存在风险的情况,提出了一个预测精度高、计算复杂度小和可解释性强的集成预测框架,以实现窑头温度混沌时间序列的精确在线预测。其中,针对烧结系统具有大滞后的特征,使用相空间重构方法获取与烧结系统拓扑等价的动态轨迹;Volterra滤波器被用于拟合出烧结系统的状态和输出之间的函数关系;针对烧结系统的参数具有时变特征会减弱固定模型的性能,每次预测前使用滑窗技术更新Volterra滤波器的核来实现模型的动态更新;针对实际工业数据中会包含不可靠的值,使用偏差补偿技术将每一个预测值进行校正之后作为最终的预测值。（4）燃煤窑炉内恶劣的生产环境会掩盖火焰图像颜色、纹理、梯度等众多有用信息,阻碍了基于火焰图像或视频的烧结工况识别方法的性能。对此,本文提出了基于火焰图像的平均灰度值序列和混沌特征量的火焰温度变化趋势的混沌特征提取方法,以实现火焰温度变化趋势的准确识别,提升燃煤窑炉自动化水平。其中,不仅基于混沌理论和熵理论解释了此方法的有效性,还基于标准数据和氧化铝回转窑的火焰视频数据验证了本方法的有效性。
二、关于序列Mackey收敛的进一步讨论（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、关于序列Mackey收敛的进一步讨论（论文提纲范文）
（2）迁移演化计算及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与创新点 |
| 1.4 本文结构安排 |
| 第二章 多因子演化算法 |
| 2.1 引言 |
| 2.2 算法分析 |
| 2.2.1 基本定义 |
| 2.2.2 算法流程 |
| 2.3 实验结果 |
| 2.3.1 基准测试问题 |
| 2.3.2 结果分析 |
| 2.4 本章小结 |
| 第三章 基于异维多因子神经演化算法求解混沌时间序列预测问题 |
| 3.1 引言 |
| 3.2 异维多因子演化算法 |
| 3.2.1 MFEA的缺陷分析 |
| 3.2.2 HD-MFEA算法流程 |
| 3.2.3 数值实验与分析 |
| 3.2.4 超参数分析 |
| 3.3 异维多因子神经演化算法 |
| 3.3.1 混沌时间序列预测 |
| 3.3.2 算法原理 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 第四章 基于并行狮群算法求解旅行商问题 |
| 4.1 引言 |
| 4.2 狮群优化算法 |
| 4.3 离散狮群算法 |
| 4.3.1 C2-OPT算法 |
| 4.3.2 算法流程 |
| 4.4 并行狮群算法 |
| 4.5 实验结果及分析 |
| 4.5.1 离散狮群算法结果分析 |
| 4.5.2 并行狮群算法结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来的工作展望 |
| 附录A 异维多任务优化测试问题 |
| 附录B 混沌时间序列拟合结果对比图 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和参加科研情况 |
| 学位论文评阅及答辩情祝表 |
（3）在线序列极限学习机及其应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 极限学习机研究现状 |
| 1.2.2 在线序列极限学习机研究现状 |
| 1.2.3 基于神经网络的OFDM系统信号处理 |
| 1.3 本文主要工作和内容安排 |
| 第二章 基础知识 |
| 2.1 极限学习机概述 |
| 2.1.1 极限学习机 |
| 2.1.2 正则化极限学习机 |
| 2.2 在线序列极限学习机 |
| 2.2.1 在线序列极限学习机 |
| 2.2.2 正则化在线序列极限学习机 |
| 2.3 本章小结 |
| 第三章 基于鲁棒递归最小二乘的在线序列极限学习机 |
| 3.1 基于递归最小二乘的在线序列极限学习机 |
| 3.2 基于鲁棒递归最小二乘的在线序列极限学习机 |
| 3.2.1 最大相关熵准则 |
| 3.2.2 RR-OSELM算法推导 |
| 3.3 RR-OSELM算法收敛性分析 |
| 3.3.1 输出权值的无偏估计 |
| 3.3.2 输出权值的均方误差 |
| 3.3.3 训练样本的均方误差 |
| 3.4 实验仿真与分析 |
| 3.4.1 时间序列预测实验 |
| 3.4.2 回归实验 |
| 3.5 本章小结 |
| 第四章 基于稀疏递归最小二乘的在线序列极限学习机 |
| 4.1 极限学习机隐含层设计方法 |
| 4.2 基于稀疏递归最小二乘的在线序列极限学习机 |
| 4.2.1 S-OSELM算法推导 |
| 4.2.2 正则化参数的自适应调整 |
| 4.2.3 基于l_0-范数和l_1-范数的S-OSELM算法 |
| 4.2.4 多输出节点的S-OSELM算法 |
| 4.3 S-OSELM算法收敛性分析 |
| 4.4 实验仿真与分析 |
| 4.4.1 时间序列预测问题分析 |
| 4.4.2 回归问题分析 |
| 4.4.3 分类问题分析 |
| 4.5 本章小结 |
| 第五章 在线序列极限学习机在OFDM系统中的应用 |
| 5.1 OFDM系统概述 |
| 5.1.1 OFDM系统框图 |
| 5.1.2 OFDM系统的信道均衡 |
| 5.2 基于在线序列极限学习机的OFDM系统信道均衡 |
| 5.2.1 问题描述 |
| 5.2.2 算法设计 |
| 5.3 实验仿真 |
| 5.3.1 数据产生 |
| 5.3.2 实验设置 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）非线性动态系统模糊辨识方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 非线性系统模糊辨识 |
| 1.2.2 重要输入变量选择问题 |
| 1.2.3 智能优化算法应用 |
| 1.3 本文研究内容与结构安排 |
| 第2章 模糊模型辨识理论及FCM-G模糊辨识方法 |
| 2.1 引言 |
| 2.2 T-S模糊辨识基础理论 |
| 2.2.1 T-S模糊模型 |
| 2.2.2 T-S模糊模型结构辨识 |
| 2.2.3 T-S模糊模型参数辨识 |
| 2.3 基于FCM-G的 T-S模糊辨识方法 |
| 2.3.1 基于FCM-G的前提参数辨识 |
| 2.3.2 基于RLS的结论参数辨识 |
| 2.4 仿真研究 |
| 2.4.1 静态非线性函数 |
| 2.4.2 Mackey-Glass混沌时间序列 |
| 2.5 本章小结 |
| 第3章 基于TSFC的非线性动态系统模糊辨识 |
| 3.1 引言 |
| 3.2 基于TSFC的输入变量选择算法 |
| 3.2.1 第一阶段模糊曲线 |
| 3.2.2 第二阶段模糊曲线 |
| 3.3 基于TSFC的非线性动态系统模糊辨识 |
| 3.3.1 基于TSFC-T的 T-S模糊辨识方法 |
| 3.3.2 基于TSFC-FCM的 T-S模糊辨识方法 |
| 3.3.3 仿真研究 |
| 3.4 基于TSFC-FCM的气动变载荷加载系统模糊辨识 |
| 3.5 本章小结 |
| 第4章 基于TSFC-FCM-G的非线性动态系统模糊辨识 |
| 4.1 引言 |
| 4.2 基于TSFC-FCM-G的非线性动态系统模糊辨识方法 |
| 4.3 仿真研究 |
| 4.3.1 Mackey-Glass混沌时间序列 |
| 4.3.2 Box-Jenkins煤气炉系统 |
| 4.3.3 气动变载荷加载系统 |
| 4.4 本章小结 |
| 第5章 基于TSFC及PSO的非线性动态系统模糊辨识 |
| 5.1 引言 |
| 5.2 粒子群优化算法基本原理 |
| 5.3 基于TSFC及PSO的非线性动态系统模糊辨识方法 |
| 5.3.1 基于TSFC及FCM-G-PSO模糊前提结构及参数辨识 |
| 5.3.2 仿真研究 |
| 5.4 本章小结 |
| 第6章 考虑输入变量选择的区间2 型模糊系统辨识 |
| 6.1 引言 |
| 6.2 区间2型模糊系统辨识 |
| 6.2.1 2型模糊集 |
| 6.2.2 区间2型模糊系统 |
| 6.3 考虑重要输入变量选择的区间2型模糊系统辨识 |
| 6.4 液压缸位置系统模糊建模 |
| 6.4.1 内高压成形设备结构分析 |
| 6.4.2 基于区间2型模糊模型的液压缸位置系统模糊建模 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）线性模糊化一致空间及囿向量空间研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 一致结构 |
| 1.2 囿结构 |
| 第2章 预备知识 |
| 2.1 模糊化一致结构 |
| 2.2 模糊化囿结构 |
| 第3章 Hutton型线性模糊化一致空间 |
| 3.1 Hutton型线性模糊化一致结构 |
| 3.2 由模糊范数导出的Hutton型线性模糊化一致结构 |
| 3.3 始和终Hutton型线性模糊化一致结构 |
| 第4章 模糊化囿向量空间 |
| 4.1 线性模糊化囿结构 |
| 4.2 囿收敛性及囿分离性 |
| 4.3 囿紧性,囿准紧性及囿完备性 |
| 第5章 导出L-囿向量空间及L-Mackey收敛 |
| 5.1 导出L-囿向量空间 |
| 5.2 L-Mackey收敛 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间所发表及已完成的论文 |
| 致谢 |
（6）储备池计算模型参数优化方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 第2章 基于ALO的回声状态网络参数优化 |
| 2.1 基于蚁狮算法的回声状态网络 |
| 2.1.1 模型结构 |
| 2.1.2 学习算法 |
| 2.1.3 蚁狮优化策略 |
| 2.1.4 训练流程 |
| 2.2 实验仿真与性能评估 |
| 2.2.1 数据描述与参数配置 |
| 2.2.2 性能分析 |
| 2.3 本章小结 |
| 第3章 基于TLBO的回声状态网络参数 |
| 3.1 基于教与学优化的回声状态网络模型 |
| 3.1.1 模型结构 |
| 3.1.2 教与学优化策略 |
| 3.1.3 训练流程 |
| 3.1.4 对比模型 |
| 3.2 实验仿真与性能评估 |
| 3.2.1 数据描述与参数配置 |
| 3.2.2 性能分析 |
| 3.3 本章小结 |
| 第4章 基于改进TLBO的回声状态网络参数优化 |
| 4.1 改进教与学优化策略 |
| 4.1.1 精英策略 |
| 4.1.2 自适应教学因子策略 |
| 4.1.3 线性递减学习权重策略 |
| 4.1.4 自我驱动策略 |
| 4.2 训练流程 |
| 4.2.1 ETLBO-ESN |
| 4.2.2 SATLBO-ESN |
| 4.2.3 WTLBO-ESN |
| 4.2.4 SDTLBO-ESN |
| 4.3 实验仿真与性能评估 |
| 4.3.1 数据描述与参数配置 |
| 4.3.2 性能分析 |
| 4.4 本章小结 |
| 第5章 典型应用场景分析研究 |
| 5.1 实验仿真与性能评估 |
| 5.1.1 数据预处理 |
| 5.1.2 数据描述与参数配置 |
| 5.1.3 性能分析 |
| 5.2 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 在学期间研究成果 |
（7）基于卡尔曼滤波的在线回声状态网络及其在盲均衡中的应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于神经网络的盲均衡方法 |
| 1.2.2 针对混沌信号的盲均衡方法 |
| 1.2.3 回声状态网络在线训练算法的研究现状 |
| 1.3 本文的研究内容和结构安排 |
| 第二章 基于卡尔曼滤波的在线回声状态网络 |
| 2.1 回声状态网络的基础理论 |
| 2.1.1 回声状态网络的拓扑结构 |
| 2.1.2 回声状态网络的经典训练方法 |
| 2.2 卡尔曼滤波的基础理论 |
| 2.2.1 随机线性离散系统的数学模型 |
| 2.2.2 随机线性离散系统的卡尔曼滤波方程 |
| 2.3 基于卡尔曼滤波的回声状态网络的在线训练算法 |
| 2.4 本章小结 |
| 第三章 基于平方根无迹卡尔曼滤波的在线回声状态网络 |
| 3.1 基于平方根无迹卡尔曼滤波的在线回声状态网络 |
| 3.1.1 无迹变换 |
| 3.1.2 基于平方根无迹卡尔曼滤波的在线回声状态网络 |
| 3.2 基于受限玻尔兹曼机的改进型在线回声状态网络 |
| 3.2.1 受限玻尔兹曼机 |
| 3.2.2 基于受限玻尔兹曼机的改进型在线回声状态网络 |
| 3.3 仿真实验 |
| 3.3.1 Mackey-Glass时间序列预测 |
| 3.3.2 非线性系统辨识 |
| 3.3.3 信道均衡 |
| 3.4 本章小结 |
| 第四章 基于在线回声状态网络的盲均衡算法 |
| 4.1 盲均衡原理 |
| 4.2 基于传统代价函数的在线回声状态网络盲均衡算法 |
| 4.3 基于预测原理的在线回声状态网络盲均衡算法 |
| 4.3.1 基于预测误差滤波器的盲均衡原理 |
| 4.3.2 基于预测原理的在线回声状态网络盲均衡算法 |
| 4.4 仿真实验 |
| 4.4.1 ESN参数设置对算法性能的影响 |
| 4.4.2 与其它盲均衡算法的性能对比 |
| 4.4.3 信道跟踪性能与高阶QAM均衡 |
| 4.5 本章小结 |
| 第五章 基于在线回声状态网络的混沌信号盲均衡算法 |
| 5.1 KF-ESN算法原理 |
| 5.2 KF-ESN算法实现 |
| 5.3 实验仿真 |
| 5.3.1 函数逼近器的性能分析 |
| 5.3.2 非线性信道1 下的KF-ESN算法的性能分析 |
| 5.3.3 非线性信道2 下的KF-ESN算法的性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（8）自适应学习机制驱动的多目标进化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 现有研究的不足和分析 |
| 1.4 本文的主要工作 |
| 2 基础知识 |
| 2.1 多目标优化问题 |
| 2.2 两类多目标分布估计算法 |
| 2.2.1 基于规则模型的多目标分布估计算法 |
| 2.2.2 基于高斯过程逆模型的多目标分布估计算法 |
| 2.3 快速非支配排序选择策略 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法 |
| 3.1 引言 |
| 3.2 提出的算法 |
| 3.2.1 差分进化算子的数学特征分析 |
| 3.2.2 自适应协方差学习 |
| 3.2.3 负相关学习 |
| 3.3 算法框架 |
| 3.4 最坏情况计算复杂度分析 |
| 3.5 实验研究 |
| 3.5.1 测试函数 |
| 3.5.2 参数设置 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 自适应逆学习模型驱动的多目标进化算法 |
| 4.1 引言 |
| 4.2 提出的算法 |
| 4.2.1 外部精英存档策略 |
| 4.2.2 动态参考向量的设计 |
| 4.2.3 偏好交叉操作 |
| 4.3 算法框架 |
| 4.4 最坏情况计算复杂度分析 |
| 4.5 实验研究 |
| 4.5.1 测试函数 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 5 自适应双空间学习模型驱动的多目标进化算法 |
| 5.1 引言 |
| 5.2 提出的算法 |
| 5.2.1 基于序列的确定性初始化方法 |
| 5.2.2 学习模型的自适应选择策略 |
| 5.2.3 集成双空间的自适应环境选择策略 |
| 5.3 算法框架 |
| 5.4 最坏情况计算复杂度分析 |
| 5.5 实验研究 |
| 5.5.1 测试函数 |
| 5.5.2 参数设置 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 6 基于多目标深度信念网络的时间序列预测模型 |
| 6.1 时间序列预测 |
| 6.2 多目标引导的稀疏深度信念网络 |
| 6.2.1 深度信念网络模型 |
| 6.2.2 多目标引导的稀疏RBM训练 |
| 6.3 实验研究 |
| 6.3.1 混沌时间序列预测 |
| 6.3.2 电力负荷预测 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A |
| 附录B |
| 攻读博士学位期间的研究成果 |
| 1. 完成的论文成果 |
| 2. 参与的科研项目 |
| 3. 完成的论文成果 |
（9）基于核学习方法的超短期风电功率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 风电功率预测分类 |
| 1.4 风电功率预测模型及原理 |
| 1.5 论文的主要研究内容 |
| 第二章 核学习理论 |
| 2.1 极限学习机理论 |
| 2.2 核极限学习机理论 |
| 2.3 序列特征提取方法 |
| 2.3.1 PCA方法 |
| 2.3.2 核学习方法 |
| 2.3.3 KPCA方法 |
| 2.4 小结 |
| 第三章 基于KPCA-KELM方法的超短期风电功率预测研究 |
| 3.1 基于KPCA-KELM方法在混沌时间序列预测中的应用 |
| 3.2 基于KPCA-KELM方法在实际风电功率预测中的应用 |
| 3.2.1 KPCA的性能评价 |
| 3.2.2 KELM的性能评价 |
| 3.3 小结 |
| 第四章 基于KPCA-O-KELM的超短期风电功率预测研究 |
| 4.1 KPCA-GA-KELM方法 |
| 4.2 KPCA-DE-KELM方法 |
| 4.3 KPCA-SA-KELM模型 |
| 4.4 基于KPCA-O-KELM方法在混沌时间序列预测中的应用 |
| 4.5 基于KPCA-O-KELM方法在实际风电功率预测中的应用 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 研究结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（10）燃煤炉窑烧结系统的混沌分析与特征提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 混沌研究概述 |
| 1.3 复杂工业系统中混沌的研究与应用 |
| 1.4 工业噪声的研究现状 |
| 1.5 窑炉烧结工况检测的研究现状 |
| 1.6 现有研究工作存在的问题和挑战 |
| 1.7 本文的研究内容和结构安排 |
| 第2章 混沌分析和预测方法 |
| 2.1 引言 |
| 2.2 相空间重构 |
| 2.2.1 基于延时坐标嵌入技术的相空间重构方法 |
| 2.2.2 延迟时间的估计 |
| 2.2.3 嵌入维数的估计 |
| 2.3 混沌特征辨识方法 |
| 2.3.1 李雅普诺夫指数谱 |
| 2.3.2 最大李雅普诺夫指数 |
| 2.3.3 分数维 |
| 2.4 基于相空间重构的混沌时间序列预测方法 |
| 2.5 本章小结 |
| 第3章 烧结系统中热工变量的混沌特征辨识 |
| 3.1 引言 |
| 3.2 实验对象和实验数据介绍 |
| 3.3 烧结温度数据的混沌特征分析 |
| 3.3.1 烧结温度数据提取 |
| 3.3.2 烧结温度数据的混沌特征辨识 |
| 3.3.3 烧结温度的三维相图 |
| 3.3.4 烧结温度混沌时间序列预测 |
| 3.4 窑头温度的混沌特征辨识 |
| 3.4.1 窑头温度数据 |
| 3.4.2 窑头温度数据的混沌特征辨识 |
| 3.5 本章小结 |
| 第4章 烧结系统中噪声的混沌特征和多分形特征分析 |
| 4.1 引言 |
| 4.2 氧化铝回转窑噪声数据的提取 |
| 4.2.1 基于小波包分解的噪声提取 |
| 4.2.2 基于Gao方法的噪声提取 |
| 4.3 噪声数据的混沌特征分析 |
| 4.4 噪声数据的统计特征分析 |
| 4.4.1 基于白噪声零假设的代替分析 |
| 4.4.2 基于彩色噪声零假设的代替分析 |
| 4.5 噪声数据的多分形特征分析 |
| 4.5.1 MFDFA方法和多分形特征简介 |
| 4.5.2 彩色噪声的单分形特征 |
| 4.5.3 回转窑噪声的多分形特征分析 |
| 4.5.4 回转窑噪声的多分形特征的来源分析 |
| 4.6 本章小结 |
| 第5章 窑头温度混沌时间序列在线预测 |
| 5.1 引言 |
| 5.2 基于混合动态预测框架的窑头温度混沌时间序列在线精确预测 |
| 5.2.1 基于固定滑窗技术的局部Volterra滤波器 |
| 5.2.2 偏差补偿 |
| 5.3 具有时滞特征的MG方程产生的混沌时间序列的精确预测 |
| 5.3.1 未加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.3.2 加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.4 窑头温度混沌时间序列的精确在线预测 |
| 5.4.1 模型的参数估计 |
| 5.4.2 对比模型和参数设置 |
| 5.4.3 结果和分析 |
| 5.5 本章小结 |
| 第6章 基于混沌特征量的火焰温度变化趋势识别方法 |
| 6.1 引言 |
| 6.2 火焰温度变化趋势的混沌特征提取方法 |
| 6.3 基于标准数据的方法有效性验证 |
| 6.3.1 样本熵 |
| 6.3.2 实验设计 |
| 6.3.3 实验结果和分析 |
| 6.4 基于实际火焰视频的方法有效性验证 |
| 6.4.1 实验数据的提取 |
| 6.4.2 实验数据的分析 |
| 6.4.3 基于固定温度区间的方法有效性验证 |
| 6.4.4 基于不固定温度区间的方法有效性验证 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
四、关于序列Mackey收敛的进一步讨论（论文参考文献）
- [1]基于P范数的核最小对数绝对差自适应滤波算法[J]. 火元莲,脱丽华,齐永锋,丁瑞博. 物理学报, 2022(04)
- [2]迁移演化计算及其应用研究[D]. 张道庆. 山东大学, 2021(12)
- [3]在线序列极限学习机及其应用研究[D]. 程丽. 兰州大学, 2021(09)
- [4]非线性动态系统模糊辨识方法研究[D]. 吕金凤. 燕山大学, 2021
- [5]线性模糊化一致空间及囿向量空间研究[D]. 金振宇. 南京师范大学, 2021
- [6]储备池计算模型参数优化方法研究[D]. 高媛媛. 华北理工大学, 2021
- [7]基于卡尔曼滤波的在线回声状态网络及其在盲均衡中的应用[D]. 韩琴. 兰州大学, 2021(09)
- [8]自适应学习机制驱动的多目标进化算法研究[D]. 林艳艳. 西安理工大学, 2020
- [9]基于核学习方法的超短期风电功率预测研究[D]. 魏强. 华东交通大学, 2020(06)
- [10]燃煤炉窑烧结系统的混沌分析与特征提取[D]. 吕明阳. 湖南大学, 2020