导读:本文包含了滚动优化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:向量,故障诊断,算法,风电,商品交易所,鱼群,组合。
滚动优化论文文献综述
李众,王海瑞,朱建府,燕志星,李卓漫[1]（2019）在《基于蜻蜓算法优化支持向量机的滚动轴承故障诊断》一文中研究指出针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。(本文来源于《化工自动化及仪表》期刊2019年11期）
马丽华,朱春梅,赵西伟,覃绘桥[2]（2019）在《基于思维进化优化极限学习机的滚动轴承故障的智能诊断》一文中研究指出为了解决传统极限学习机随机产生的输入权值和阈值对故障诊断的准确率有较大影响的问题,提出了一种利用思维进化算法(mind evolutionary algorithm,MEA)来优化极限学习机(extreme learning machine,ELM)的智能诊断方法。MEA-ELM方法首先将ELM的权值w和阈值b编码成MEA算法个体,产生初始种群,然后通过趋同和异化操作完成种群间的竞争产生优胜种群,整个迭代过程中不断优化极限学习机的初始权值和阈值,最后获得最优个体,对最优个体解码获得隐含层的最优输入权值w和阈值b。将建立的MEA-ELM故障诊断模型应用于滚动轴承的故障诊断中,并分别与传统极限学习机故障诊断模型以及BP神经网络模型的实验结果进行对比,结果表明,经过MEA优化后的ELM不但保持了分类速度快的特点,而且有效提高了诊断的准确率,证明所提出的方法具有良好的可行性和有效性。(本文来源于《制造技术与机床》期刊2019年11期）
姚宜兵[3]（2019）在《引入不强配滚动交割 完善优化交割制度》一文中研究指出据了解，修改后的纤维板期货在一次性交割和期转现的基础上，引入不强配的滚动交割，完善优化交割制度，为产业企业参与交割提供更多便利。大连商品交易所相关业务负责人对期货日报记者表示，引入不强配的滚动交割制度，在交割月第一个交易日至最后交易日的前一交易日(本文来源于《期货日报》期刊2019-10-22）
林义鹏,廖爱华,丁亚琦[4]（2019）在《优化WOA-LSSVM的滚动轴承性能退化趋势预测》一文中研究指出为了更加准确的预测滚动轴承性能退化趋势,针对最小二乘支持向量机模型中参数选择盲目的问题,利用鲸鱼优化算法对最小二乘支持向量机模型(WOA-LSSVM)参数进行寻优。引入反向学习算法,有效提高标准WOA算法中初始群体位置的质量,更易找到最优解,从而提高WOA算法的收敛精度和收敛速度。然后采用实测滚动轴承全寿命实验数据进行仿真,选择PCA第一主成分作为特征指标的最小二乘支持向量机模型预测滚动轴承退化趋势。结果表明基于反向学习的WOA-LSSVM模型与WOA-LSSVM模型、粒子群算法优化最小二乘支持向量机模型、交叉验证算法优化最小二乘支持向量机模型和固定参数的最小二乘支持向量机模型比较,具有更好的预测精度,可用于滚动轴承性能退化趋势预测。(本文来源于《计算机仿真》期刊2019年10期）
徐冠基,曾柯,柏林[5]（2019）在《基于SPSO优化Multiple Kernel-TWSVM的滚动轴承故障诊断》一文中研究指出双子支持向量机(twin support vector machine,简称TWSVM)的核函数选择对其分类性能有着重要影响,TWSVM其核函数一般是局部核函数或者全局核函数,这两种核函数的泛化能力和分类性能不能兼顾。笔者利用综合加权的高斯局部核函数和多项式全局核函数方法组成双核函数来改进TWSVM以提高其泛化能力和分类性能,并采用简化粒子群优化(simple particle swarm optimization,简称SPSO)方法来对权值和参数进行优化,提出了SPSO优化Multiple Kernel-TWSVM模型,将该模型应用到滚动轴承故障诊断模式识别中。实验结果表明,双核TWSVM比单核TWSVM和反向传播(back propagation,简称BP)神经网络具有更高的分类准确率。(本文来源于《振动.测试与诊断》期刊2019年05期）
孙杰,吴洲洋,刘顺桂,艾欣,谢俊文[6]（2019）在《集群电动汽车配合风电调峰的滚动优化调度方法》一文中研究指出随着风电场建设和接入的规模不断扩大,电网的安全稳定也受到了风力不确定性的挑战。从解决风电不确定性的角度出发,在日前调度优化的基础上引入区域电网内的电动汽车集群形成虚拟储能系统,参与电网调度。为能实时处理预测误差,计及电动汽车用户的容量约束进行功率分配,通过日前优化与实时更新相结合的方法,建立了基于多维决策空间的多时间尺度滚动更新的调度方法,用于解决实时优化中火电机组备用和储能系统/备用响应预测误差的功率分配问题并基于算例验证了该方法在经济效益、风电消纳、运算效率上的可行性,为未来高比例风电的就地消纳提供参考。(本文来源于《华北电力大学学报(自然科学版)》期刊2019年05期）
许凡,谢伟达[7]（2019）在《基于精细复合多尺度模糊熵与粒子群优化支持向量机的滚动轴承故障诊断（英文）》一文中研究指出提出了一种结合精细复合多尺度模糊熵和采用粒子群优化支持向量机滚动轴承故障诊断模型。通过使用白噪声和1/f噪声的数值仿真实验中比较平滑度和分解精度的有效性,与精细复合多尺度样本熵和多尺度模糊熵相比,精细复合多尺度模糊熵的平滑度优于这些模型。随后使用精细复合多尺度模糊熵,精细复合多尺度样本熵和多尺度模糊熵对不同状态的滚动轴承振动信号进行特征提取,将提取的特征向量作为粒子群优化的支持向量机的输入实现滚动轴承故障诊断。实验结果表明,精细复合多尺度模糊熵的平滑度优于精细复合多尺度样本熵和多尺度模糊熵,同时,故障分类精度高于精细复合多尺度样本熵和多尺度模糊熵。(本文来源于《Journal of Central South University》期刊2019年09期）
张鲁洋,秦波,赵文军,李宏,张建强[8]（2019）在《基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究》一文中研究指出针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。(本文来源于《机械强度》期刊2019年04期）
李振坤,崔静,路群,米阳,苏向敬[9]（2019）在《基于时序动态约束的主动配电网滚动优化调度》一文中研究指出为有效应对主动配电网(ADN)中间歇性能源和负荷等不确定性因素给ADN优化调度带来的挑战,提出了基于时序动态约束的ADN滚动连续实时优化调度方法。以恒定调度周期24 h的经济性最优为优化目标,建立了统筹考虑各类有功和无功功率等控制资源的综合实时优化调度模型。所提的滚动优化调度方法基于优化时刻的实时采集数据和后续23 h的预测数据,采用和声搜索算法求解所建调度模型,连续实时确定每个时刻ADN的最优运行方案。在建模过程中考虑到风光荷预测的不准确性随时间的增长而增大的特性,提出了时序动态约束的概念,即愈往后其安全约束愈加宽松,以此扩大解空间范围,进一步提高了调度方案的经济水平。最后,对改进的IEEE 33节点算例和IEEE 69节点算例的调度仿真分析,验证了所提方法和模型的可行性和有效性。(本文来源于《电力系统自动化》期刊2019年16期）
李守军,李光宇,马小平[10]（2019）在《基于马尔科夫滚动优化的锂电池寿命灰色预测研究》一文中研究指出文章建立了一种电池容量的动态预测方法,提出了滚动优化GM(1,1)模型、残差修正滚动GM(1,1)模型和Markov残差修正滚动GM(1,1)预测模型。研究结果证明了3种模型具有极好的预测性能,只是残差GM(1,1)模型的精度比其他2个低一些。且发现在仅有4个数据点建立的残差修正滚动GM(1,1)模型与Markov残差修正滚动预测模型也有相当高的预测精度。通过预测不同电池在不同充放电条件及温度条件下的电容容量,验证了滚动优化模型的普遍适用性。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年06期）
滚动优化论文开题报告
（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：
为了解决传统极限学习机随机产生的输入权值和阈值对故障诊断的准确率有较大影响的问题,提出了一种利用思维进化算法(mind evolutionary algorithm,MEA)来优化极限学习机(extreme learning machine,ELM)的智能诊断方法。MEA-ELM方法首先将ELM的权值w和阈值b编码成MEA算法个体,产生初始种群,然后通过趋同和异化操作完成种群间的竞争产生优胜种群,整个迭代过程中不断优化极限学习机的初始权值和阈值,最后获得最优个体,对最优个体解码获得隐含层的最优输入权值w和阈值b。将建立的MEA-ELM故障诊断模型应用于滚动轴承的故障诊断中,并分别与传统极限学习机故障诊断模型以及BP神经网络模型的实验结果进行对比,结果表明,经过MEA优化后的ELM不但保持了分类速度快的特点,而且有效提高了诊断的准确率,证明所提出的方法具有良好的可行性和有效性。
（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。
滚动优化论文参考文献
[1].李众,王海瑞,朱建府,燕志星,李卓漫.基于蜻蜓算法优化支持向量机的滚动轴承故障诊断[J].化工自动化及仪表.2019
[2].马丽华,朱春梅,赵西伟,覃绘桥.基于思维进化优化极限学习机的滚动轴承故障的智能诊断[J].制造技术与机床.2019
[3].姚宜兵.引入不强配滚动交割完善优化交割制度[N].期货日报.2019
[4].林义鹏,廖爱华,丁亚琦.优化WOA-LSSVM的滚动轴承性能退化趋势预测[J].计算机仿真.2019
[5].徐冠基,曾柯,柏林.基于SPSO优化MultipleKernel-TWSVM的滚动轴承故障诊断[J].振动.测试与诊断.2019
[6].孙杰,吴洲洋,刘顺桂,艾欣,谢俊文.集群电动汽车配合风电调峰的滚动优化调度方法[J].华北电力大学学报(自然科学版).2019
[7].许凡,谢伟达.基于精细复合多尺度模糊熵与粒子群优化支持向量机的滚动轴承故障诊断（英文）[J].JournalofCentralSouthUniversity.2019
[8].张鲁洋,秦波,赵文军,李宏,张建强.基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究[J].机械强度.2019
[9].李振坤,崔静,路群,米阳,苏向敬.基于时序动态约束的主动配电网滚动优化调度[J].电力系统自动化.2019
[10].李守军,李光宇,马小平.基于马尔科夫滚动优化的锂电池寿命灰色预测研究[J].合肥工业大学学报(自然科学版).2019
论文知识图
