一、求取混沌时间序列嵌入维数的一种神经元网络方法（论文文献综述）
李永涛[1]（2021）在《基于深度差分神经进化的混沌时间序列预测研究》文中认为混沌在气候、能源、水文和金融等非线性系统中广泛存在,混沌的出现往往会使得非线性系统更加难以分析和预测。在混沌系统中,影响系统运动的因素较多且难以界定。另外,在对一个非线性系统进行观测时很难获取完整的系统信息,这无疑会给非线性系统的预测带来困难。此外,传统的基于神经网络的混沌时间序列预测模型存在预测精度低、网络拓扑结构难以确定等问题。近年来,混沌时间序列预测问题也引起了深度学习领域研究人员的关注。为了提高混沌时间序列的预测精度,本文开展了基于混沌理论和深度学习的混沌时间序列预测算法和模型研究,主要研究内容如下:（1）本文提出了基于卷积神经网络（CNN）、门控循环单元网络（GRU）和注意力机制的深度混合神经网络进行混沌时间序列预测。在数据预处理中,本文结合归一化和混沌理论中的相空间重构技术对数据进行处理。在本文提出的深度混合神经网络中,利用CNN从混沌时间序列的重构相空间中获取系统的空间特征信息。而后将空间特征信息与原始混沌时间序列相结合,并利用GRU从组合序列中提取系统的时空特征信息。此外,本文还设计了一个具有自适应学习能力的注意力机制来捕捉关键时空特征信息。该注意力机制可对关键时空特征信息进行权重分配,预测模型会根据获取的加权时空特征信息进行计算。（2）本文利用神经进化的思想来优化提出的深度混合神经网络的拓扑结构。使用差分进化算法（DE）优化CNN的卷积核数量、GRU隐藏神经元的数量和预测所需的时间步。针对DE收敛速度和运行速度较慢的问题,本文提出了具有自适应变异算子和动态混沌交叉算子的DE算法。（3）本文通过Lorenz理论数据集验证提出的预测算法及模型的可行性,使用月平均太阳黑子数据集和煤矿瓦斯浓度数据集验证其在不同非线性系统下的适用性。实验结果表明,改进后的DE算法不仅拥有更快的收敛速度,还能够加速寻优时间。此外,经过改进DE算法优化后的深度混合神经网络,在混沌时间序列预测中能够取得稳定且精度较高的预测表现。本文提出的混沌时间序列预测模型具有较强的适用性,能够推广到不同的非线性系统中,这对研究和认识非线性系统有着重要的理论和现实意义。
高贺[2]（2021）在《基于多维时空的NPCA-PSR-IGM组合模型的短时交通流预测》文中认为实时获取城市道路交通流量,有效分析城市道路的时空相关性,准确预测城市道路未来交通流量,是实现城市道路交通控制与诱导的前提与关键,对缓解城市道路交通拥堵问题有着重要的理论意义,同时也具有非常广泛的实际应用价值。本文在现有工作的基础上,针对短时交通流具有较强的时空特性、混沌特性以及非线性等特点,通过运用非线性主成分分析、相空间重构理论以及改进的灰色模型预测算法,以此达到对交通流量实时准确的预测,具体工作包括以下几个方面:（1）针对交通流量数据具有时间和空间上相互联动与影响的特性,提出了一种基于数据相关性的非线性主成分分析算法。在交通路网中,就短时交通流预测而言,不仅与预测路段的单点交通流量有关,还受到附近路段交通流量的影响。考虑城市交通的非线性与复杂性,空间维度上使用序列数据相关性系数除去与预测路段相关系数较低的交通流量序列;时间维度上使用非线性主成分分析,剔除相关性较低的交通流量数据,保留相关性较大的交通流量,同时消除序列中的非线性数据给短期交通流预测带来的误差,提高了预测精准度。（2）针对交通流量序列的非线性以及混沌特征,在多维时空交通流量序列进行相空间重构的基础上,提出了一种基于背景值改进的灰色模型预测算法。结合单变量时间序列相空间重构使序列的内部细微特征得以充分放大,但单序列的重构并不能十分准确地描述交通系统状态变量的演变规律,采用多维时空交通流量序列来重构相空间,使其在原系统基础上建立起更加丰富与完整的信息体系,起到提高预测质量的作用。然后,结合灰色模型预测算法适用于非线性和所需数据少的特点,利用背景值的改进对常规灰色模型的预测精度进行改善。（3）采集合肥市芜湖路与徽州大道交叉口附近交通流量数据作为样本,建立基于多维时空非线性主成分分析与相空间重构的改进灰色（NPCA-PSRIGM（1,1））组合预测模型,将采集来的实际路段交通流量作为模型样本。实验结果表明,基于多维时空NPCA-PSR-IGM（1,1）组合预测模型的平均相对误差相比NPCA-PSR-GM（1,1）组合预测模型减小3.21%,其标准偏差相对PCA-PSRIGM（1,1）组合预测模型从15.7091下降到2.0589。同时与一些现有的预测模型相比,该组合预测模型在提高预测精准度方面,达到了较好的预期效果。
庞宇[3]（2021）在《基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究》文中研究说明近年来,风力发电产业得到迅猛发展,风电场作为风力发电产业的基本出力单元,其经济效益的好坏取决于风电机组故障停机时间。风电机组故障停机时间很大程度上受限于故障定位速度以及备品备件是否充足,这两点严重依赖于风电机组故障诊断技术和部件剩余寿命预测技术,而风电场在这两个关键技术环节上都比较薄弱。风电现场运行状况统计表明风电机组故障停机主要是风电机组传动系统机械部件故障引起的,现有故障诊断技术和部件剩余寿命预测技术要求大量具有高技术水平的诊断分析人员以人工方式进行故障诊断,这种低效工作模式不能有效支撑风电行业的健康发展。本文针对风电场故障诊断效率低下问题进行了详细深入的分析,聚焦于风电机组传动系统故障诊断和轴承剩余寿命预测技术,提出并实现了三种风电机组批量化和自动化故障诊断的方法,并对轴承剩余寿命预测方法进行了研究,相关工作内容如下:（1）系统化研究了信号降噪方法。在详细分析风电机组电磁干扰产生原因和传播路径基础上,从四个层面提出了具体的降噪措施:在传感器网络层面通过屏蔽接地和绝缘隔离方式进行降噪,在监测数据采集硬件平台层面通过设计抗混叠滤波器方式进行降噪,软件层面通过过采样方式进行降噪,在数据预处理层面通过小波变换和经验模态分解方法（EMD）进行降噪,实现了从传感器端到分析数据端各个环节的降噪,并将所提方法成功应用于风电现场实际,取得了良好的降噪效果。（2）提出了基于模糊专家系统的风电机组故障诊断方法。该方法通过设计故障模型来提取监测数据中的故障特征向量,经过模糊化处理后,作为模糊专家系统的事实输入,在模糊知识库和模糊推理机作用下完成风电机组在线故障诊断。目前,该方法已成功应用于风电现场实际,实现了风电机组故障诊断的自动化和批量化操作,大幅提高了风电机组故障诊断效率。（3）提出了基于特征可视化的风电机组故障诊断方法。引入混沌系统相空间重构技术将反映风电机组部件健康状态的非线性时间序列转化成高维解析模型,应用奇异值分解（SVD）将高维解析模型降维到三维空间,将表征部件健康状态的非线性时间序列转变为三维空间坐标点的移动轨迹,当坐标点移动到故障阈值区域时,可判断风电机组部件发生故障。现场应用实践表明该方法不需要进行频谱分析,降低了对故障诊断分析人员的技能要求,可大幅提升故障诊断效率。（4）提出了基于卷积神经网络的风电机组故障诊断方法。该方法核心关键是获得完备的训练样本,然而,风电规模化发展至今,尚未经历一个完整的设计生命周期,无法获取部件现场实际运行的完备性数据。本文通过反方向构建与故障特征相对应的时间序列,并与现场少量实际故障数据一起构成训练样本,完成卷积神经网络的训练和测试。现场实际应用表明本文所提出的故障诊断方法可实现风电机组故障诊断的批量化和自动化,具有很高的实用价值。（5）提出了基于离散余弦变换卷积神经网络的风力机组轴承剩余寿命预测方法。其思路是:首先,对轴承工作过程振动信号进行小波变换获得表征轴承退化状态的时频图像;其次,引入双线性变换技术对时频图像特征进行降维处理,并在应用离散余弦变换对降维后的时频图像进行稀疏性压缩,压缩后的图像作为卷积神经网络的训练样本,从而降低了网络复杂度,提高了网络效率。实验结果表明本文所提出方法相比于其它预测方法具有明显的效率优势,同时可在风电机组现有监测系统硬件平台上实现,提高了监测设备的利用水平,避免了风电场二次投资。本文研究内容直接应用于生产实际,针对风电场不同应用场景,提出的三种故障诊断方法已经应用于超过2000台风力电机组。大量现场应用结果表明,本文所提方法可以有效减少机组平均故障维护时间,降低运维成本,具有显着的经济效益和推广价值。
任伟杰[4]（2020）在《多元时间序列的特征分析与建模研究》文中进行了进一步梳理多元时间序列广泛存在于实际复杂系统中,多个变量之间存在着复杂的耦合关系。挖掘出时间序列数据中蕴含的有用信息,对实际复杂系统的分析与建模具有重要意义。本文以复杂系统产生的多元时间序列为研究对象,针对多元时间序列的特征选择、因果关系分析和特征提取问题展开研究,为模型构建合适的输入特征,最终提升模型的精度和计算效率。本文的研究内容包括以下三个方面:（1）针对多元时间序列的特征选择问题,提出全局互信息特征选择方法。该方法将互信息特征选择转化为全局优化问题,应用全局搜索策略进行求解,提出基于单目标和多目标优化的全局互信息特征选择算法,然后根据结合过滤式和封装式的混合特征选择框架确定最优特征子集,为特征选择问题提供一种新的求解思路。此外,针对多变量混沌系统,提出基于联合互信息的非均匀状态空间重构方法。该方法将非均匀嵌入与特征选择相结合,首先推导出低维近似的联合互信息准则,选择状态空间的延迟变量,然后采用条件熵准则确定嵌入维数,具有较高的计算精度和效率。重构的状态空间不仅能够恢复原系统的动力学特性,而且可以有效去除冗余信息。（2）针对多元时间序列的因果关系分析问题,提出基于Hilbert-Schmidt独立性准则（Hilbert-Schmidt independence criterion,HSIC）-Lasso 的非线性 Granger 因果分析模型。由于传统Granger因果模型仅限于分析二元时间序列的线性因果关系,本文将其扩展至分析多元时间序列的非线性因果关系。该方法首先对原始时间序列进行平稳性检验和状态空间重构,然后将输入和输出样本映射到再生核Hilbert空间中,并建立HSIC-Lasso回归模型,最后根据显着性检验结果确定Granger因果关系。本文方法不仅能够获得准确的非线性因果关系,而且可以同时进行多个输入对输出的因果关系分析,具有较高的计算效率,适合解决高维系统的因果分析问题。（3）针对时间序列的特征提取问题,提出一种混合特征提取方法。该方法首先根据不同类型的特征提取方法分别提取特征,全面描述时间序列的复杂特性,然后设计基于类可分离性的特征选择算法,为分类模型选择最优特征子集。此外,针对单个极限学习机分类结果不稳定的问题,提出基于线性判别分析的集成极限学习机模型。该模型从数据样本扰动、输入属性扰动和算法参数扰动三方面提升基学习器的多样性,从而提高分类器的泛化性能和结果的稳定性。本文提出的混合特征提取与集成分类器相结合的方法具有很高的分类精度,在医学信号特征提取和分类中具有广阔前景。
左一格[5]（2020）在《基于相空间重构相图深度信念网络的滚动轴承故障诊断》文中提出在各种类型机械设备中,滚动轴承的应用最为广泛,具有十分重要的地位。考虑到滚动轴承故障诊断的研究背景及国内外研究现状,本文基于滚动轴承信号的混沌特性,提出基于相空间重构相图深度信念网络的滚动轴承故障诊断方法。通过相空间重构相图提取故障特征,结合深度信念网络（DBN）分类器对滚动轴承故障进行诊断。首先,分析了混沌特性及相空间重构理论。根据混沌吸引子及相空间重构的理论,对信号相空间重构时相关参数的选取方法进行探讨,简要介绍了复自相关法,互信息法,虚假近邻点法,CAO方法,饱和关联维数法,最后选用更加简单高效的联合求参C-CMethod算法对相空间重构时的参数:延迟时间和嵌入维数8)同时进行选取。其次,在几种不同混沌统计量及混沌特性分析的方法的基础上,利用计算最大Lyapunov指数的方式证明滚动轴承信号具有混沌特性。进而提出了一种基于相空间重构相图的特征提取方法,通过混沌动力学系统Lorenz、Duffing、Rossler方程的重构后在X-Y平面上相图差异性证实了该特征提取方法的有效性,通过对比不同损伤位置,不同损伤程度,同种损伤程度3种不同的轴承故障信号相图,利用感知哈希算法对相图的相似性进行检测。实验结果证明了该特征提取方法的可行性。再次,研究了基于深度信念网络（DBN）的故障诊断方法。受限玻尔兹曼机（RBM）通过对比散度算法快速训练RBM,从而拟合训练样本的分布。DBN通过半监督学习方式来训练网络,以无监督预训练方式从下到上训练RBM,从低阶数据特征中获取高阶数据特征,再从上到下对每层RBM参数进行有监督微调,避免网络陷入局部最优的缺点。并讨论了DBN模型参数设置的影响,通过对轴承小样本故障数据进行实验,分析网络层数、隐层神经元数目、学习率和迭代次数等相关参数对误差率、训练时间的影响,选取合适的参数将提高模型诊断效果。最后,将美国凯斯西储大学滚动轴承故障数据作为研究对象,将相空间重构相图提取轴承故障特征与DBN相结合,构建基于DBN的滚动轴承模型诊断方法。分别从滚动轴承不同损伤程度、不同故障部位和十种故障混合进行诊断分析,实验结果表明,基于相空间重构特征提取方法具有有效性并结合DBN进行故障诊断。通过准确率、召回率和F值等评价指标综合判断模型效果,得出了DBN模型在多分类任务中诊断效果更好。将本文方法应用于上海宝钢实际采集的信号分析,取得了很好效果。
侯星雨[6]（2020）在《直流弓网电弧特性及识别方法研究》文中研究指明直流弓网系统主要应用在城市轨道交通工具中。弓网电弧的出现会在很大程度上影响接触网的使用寿命,还可能对地铁列车的正常行驶造成干扰,因此对于直流弓网电弧的研究对于提高接触网使用寿命及提高地铁列车运行的稳定性都具有重要的现实意义。此外,当前对于弓网电弧的研究成果主要集中于交流领域,对于直流弓网电弧的研究尚处于探索阶段,因此对于直流弓网电弧的研究也具有一定的学术意义。论文通过搭建直流弓网电弧实验平台,进行直流弓网电弧实验,同时还对直流弓网电弧进行了物理场仿真,从电气特性和物理特性两个方面对直流弓网电弧进行了分析,通过分析获得了多种能够较大程度影响直流弓网电弧存在状态的因素,以及其对弓网电弧的影响规律。论文还通过对实验所获得电弧数据进行规律分析,对弓网电弧检测方法进行了研究。论文主要获得了以下结论:（1）分析了实验条件变化对直流弓网电弧存在状态的影响,发现当其他实验条件恒定不变时,直流弓网电弧燃弧时间与接触压力呈正相关,与转盘转速呈负相关,与工作电流水平呈呈正相关;直流弓网电弧载流效率与接触压力呈负相关,与转盘转速呈正相关,与工作电流水平呈正相关;而直流弓网电弧波动水平基本不受接触压力和转盘转速的影响,波动剧烈程度随工作电流增大而增大。（2）通过从两个不同角度对直流弓网电弧进行了磁流体动力学仿真,发现电弧最高温度与工作电流水平呈正相关,与接触间隙距离呈负相关,与气流流速呈负相关,并给出了合理解释;同时直流弓网电弧进行了平行列车行进方向的气流场仿真,从而解释了气流场作用条件下的温度场分布问题。（3）通过对直流弓网电弧产生时线路中电流信号波动的随机性进行了分析,通过相空间重构以及最大Lyapunov值检测发现直流弓网电弧电流信号具有混沌特性,属于混沌时间序列,并获得了其等效高维重构序列,通过利用流形学习降维算法对重构序列进行可视化处理,获得了能够直接观测的低维序列,并以序列中向量点的分布规律作为依据,利用极限学习机算法实现了直流弓网电弧识别,识别效果良好。该论文有图34个,表4个,参考文献95篇。
刘婉[7]（2020）在《基于改进CAO算法相空间重构和ACFPA-ELM的轴承故障诊断》文中认为机械轴承由于在不断工作过程中会有磨损,经常会有故障产生。因此有必要发展出对其故障诊断更完善的体系。本文在分析轴承故障的研究现状的基础上,提出了一种基于改进CAO算法相空间重构和ACFPA-ELM轴承故障诊断的研究理论。首先,介绍了轴承故障的各个参数,并在此基础上针对写参数改进CAO算法求解最佳嵌入维数的方法,结合符号分析法求取极大联合熵,通过几组数值仿真实验,对比分析,验证了该方法可以完美地重构原系统的相空间。从而能够得出结论,本文方法可以更好地求取最佳嵌入维数。然后,在相空间重构参数能够准确确定的基础上,介绍了奇异谱的基本理论,针对性的以其作为该系统的特征量,并对它的抗波动能力和抗噪声能力分析。在此基础上对其特性进行理论的分析,在泛函分析角度讲解了其特征空间和噪声平台。然后对工业用滚动轴承在其不同结构损伤的情况下运行时所发出的振动信号进行分析,从而验证了其理论的有效性。接下来,本文提出了基于改进花授粉算法优化ELM的分类识别方法,介绍了ELM的结构组成和优缺点;引入花授粉算法,花授粉算法是一种群智能优化算法,能快速准确的寻找到最优的隐含层和连接权值;在此基础上,本文提出了Tent混沌搜索,这种基于反向学习的混沌映射方法,可以提高初始配子的分布质量;通过对比实验,证实了本文所提出的ACFPA-ELM在单隐层的神经网络分类的高效性精准性。最后,将美国高校实验平台的滚动轴承故障实验数据以及宝钢SP1580轧机所发布的实测数据应用于本文所研究方法中求取相空间重构参数,进行混沌奇异谱分析来提取出轴承混沌信号的特征量,用优化后的花授粉算法优化ELM对其机械故障进行故障诊断和识别。通过对比分析,结果表明,本文所提出的方法能准确识别轴承的各种故障
虞海彪[8]（2020）在《基于混沌时间序列的光伏功率预测方法研究》文中研究指明随着化石能源的日益枯竭以及人们对环境污染问题愈来愈关注,光伏发电的开发与利用已经成为世界各国解决能源和环境制约问题的共同方案,光伏发电系统已经成为电力系统的重要组成部分。然而,光伏功率受天气、云层、温度等多种因素的影响具有较强的随机性、波动性和间歇性,这会对大电网的安全稳定运行造成严重冲击。有效的光伏功率预测方法可以减小电网的运行成本,保护电网的安全稳定运行,电力工作者也可据此制定合理的经济调度计划。鉴于基于气象数据的传统光伏功率预测方法带有人为主观性,本文从深入挖掘光伏功率时间序列的动力学行为出发,给出了基于混沌时间序列的光伏功率预测研究方向,即基于单变量时间序列的光伏功率预测和基于多变量时间序列的光伏功率预测。首先,回顾了混沌的定义和基本概念,理清了相空间重构理论,延迟时间和嵌入维数两个关键参数的具体求解方法,介绍了关联维数法、最大Lyapunov指数法、递归图法3种混沌时间序列的判定方法,并以实际光伏电站的数据验证了光伏功率时间序列具有混沌特性。其次,由于在混沌理论中,现有嵌入维数计算方法往往难以获得时间序列的最佳嵌入维数,且不同计算方法获得的嵌入维数稍有不同,相应光伏功率的预测结果也就不同。为减小嵌入维数对预测结果的影响,研究了一种基于多嵌入维Volterra滤波器的光伏功率自适应预测方法。以实际光伏功率时间序列为研究对象,分别利用互信息法、Cao氏法确定延迟时间和嵌入维数,构建了基于多嵌入维数的Volterra组合预测模型,组合模型采用神经网络对各嵌入维数下的Volterra单一模型进行组合。仿真结果验证了所提方法的可行性和有效性。然后,为有效避免神经网络陷入局部最优,研究了一种基于天牛群优化（beetle swarm optimization,BSO）-Elman神经网络的光伏功率全局预测方法。在分析粒子群优化（particle swarm optimization,PSO）和天牛须搜索（beetle antennae search,BAS）算法特点的基础上,把由PSO和BAS有机结合在一起的BSO算法应用到Elman神经网络的预测中。在对光伏功率时间序列相空间重构后,BSO进行第一次迭代寻找全局最优解,并将其作为Elman神经网络的最优初始权重。在此基础上,Elman神经网络进行第二次迭代完成训练并以此预测光伏功率。以实际光伏电站数据为算例的预测结果和误差对比分析,验证了所提方法的适应性更强、鲁棒性和稳定性更好。最后,针对光伏功率单变量时间序列预测方法的不足,研究了一种基于多变量相空间重构和径向基函数（radial basis function,RBF）神经网络的光伏功率全局预测方法。基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;而后,利用C-C法和虚假邻近点（false nearest neighbors,FNN）法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;在此基础上,结合神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率全局预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。
陈黎君[9]（2020）在《基于改进的EMD-PSR单变量混沌时间序列短期预测研究》文中研究说明在大数据时代,人们迫切的需要有效利用城市数据,例如空气污染、交通拥堵、股价判断等,以解决和改善我们生活中的问题。但由众多微观个体组成的复杂城市数据,其内部组成十分复杂且不可测。本文以混沌理论为基础,对混沌系统中的内在随机性进行研究与分析。重点从趋势提取、模式提取、模式识别、模型优化等方面对混沌时间序列进行建模与预测研究。全文主要研究内容如下:（1）为有效识别与提取混沌时间序列中的隐含内在特征,本文结合重构相空间与聚类分析的优势,同时结合改进的粒子群优化算法,提出了以长短期记忆神经网络为基础的PSRC-I-LSTM模型。首先,基于混沌理论相关研究,对时间序列进行混沌性判定、重构参数选取计算以及参数检验。通过FCM对重构后的相点进行识别与分类,将具有相似特征的模式聚为一簇,充分利用序列中的隐藏特征构建输入序列。针对LSTM网络复杂的参数选取问题,结合IPSO算法对相关参数进行择优选取。通过与已有算法以及在具有代表意义下的不同数据集上的实验对比,验证本文模型的有效性及实用性。（2）直接进行重构与预测会忽略混沌数据的内在趋势与结构特征,且混沌数据形成过程中不免掺杂噪声,使得重构的相空间不够精确。为此,本文结合奇异谱分析、复杂度分析以及端点效应相关分析,提出基于SSA-CEEMDAN-SE的分解算法和WLSTM的端点效应处理算法的LSTM预测模型。本文对EMD算法进行了深入研究,为了缓解端点效应问题,给出基于LSTM与窗函数的算法改进分解流程;为解决混沌序列中的噪声影响以及分解过程中的模态混叠问题,分析基于奇异谱分析与CEEMDAN的组合分解模型;为量化各本征模函数的复杂度,结合基于样本熵的量化方法对各本征模函数进行复杂度计算,将相似复杂度的本征模函数重组。最后通过0-1混沌测试法检测各分量的混沌性,并结合PSRC-ILSTM模型对混沌时间序列进行组合预测。通过不同数据集上的实验结果研究与分析,以及其他模型的实验结果对比,验证了本文模型的普遍实用性。
张琨[10]（2019）在《7075超硬铝合金焊接接头组织性能预测与优化控制研究》文中指出含Al-Zn-Mg-Cu的7075铝合金具有机械性能好、可回收再利用率高、硬度高、重量轻、抗腐蚀性好等优点,是国内外诸多高性能指标材料应用领域中的重要原料,并广泛应用于航空航天、国防军事、轨道车辆及汽车工业等部门。目前7075超硬铝合金结构件应用中采用的传统熔焊方法,对焊接接头裂纹、气孔、软化及组织性能不均匀、不稳定等问题仍缺乏全面系统的解决方案。焊接缺陷不可控的问题已经严重制约了超硬铝合金应用水平的提升。因此,本文针对7075超硬铝合金TIG焊接工艺过程,在调整焊接工艺参数得到的焊接实验数据基础上,研究7075超硬铝合金焊接接头组织性能预测及焊接过程控制理论,建立7075超硬铝合金焊接性及焊接接头组织性能影响规律及优化控制方法。本文首先对7075超硬铝合金使用ER5356焊丝在TIG焊接工艺下获得的焊接接头进行力学性能检测和组织分析,从而确定适合超硬铝合金焊接性的工艺参数。然后通过研究7075超硬铝合金TIG焊接过程参数与组织性能之间的非线性对应关系,建立组织性能预测模型。最后基于焊接过程参数控制与最终组织性能之间关系,建立焊接过程鲁棒控制方法。本文主要研究内容有:（1）针对AA7075-T651铝合金TIG焊接过程工艺参数与组织性能对应机理的最优数据样本实验方法研究。以ER5356焊丝做为填充金属进行正交优化焊接试验,研究TIG焊接过程中焊接电流、焊接速度等工艺参数对最终焊接形成的接头组织性能的影响机理,分析拉伸断口形貌、焊接接头析出强化相特征,建立焊接过程中电流、电压、焊接速度等参数及其对应的焊接接头组织性能参数测量数据最优样本集合。（2）研究7075超硬铝合金TIG焊接工艺过程测量数据及其与组织性能测试数据之间的非线性动力学特性,建立7075超硬铝合金TIG焊接过程非线性系统并进行研究,同时以焊接工艺过程测量数据为基础建立焊接过程时间序列。研究焊接过程非线性时间序列的平稳性检验方法、非线性检验方法,相空间重构和确定性检验方法。建立7075超硬铝合金TIG焊接过程参数非线性时间序列的相空间重构和确定性检验方法。研究TIG焊接过程时间序列嵌入维数、延迟时间和最大Lyapunov指数等参数计算方法,建立描述由焊接过程的工艺参数变化决定的组织性能相空间及其演化轨迹模型,并在此基础上建立基于焊接工艺过程非线性时间序列的组织性能全局预测模型。（3）研究7075超硬铝合金TIG焊接全过程中各工艺参数及其变化对最终的焊接接头组织性能的各参数的影响量化方法,基于焊接工艺参数对组织性能在时间尺度上累加作用机理和各个焊接工艺参数之间的复杂相互作用关系,建立以各个工艺参数和组织性能参数为节点,各节点间作用关系函数为连线的动力学作用机理网络模型。研究7075超硬铝合金TIG焊接工艺参数节点变化及其作用到整个网络输出点上的约束力之间相互作用的雅可比矩阵描述模型,结合描述焊接过程系统的网络输出及网络中各节点间的约束方程建立全焊接过程系统动力学模型。（4）研究7075超硬铝合金TIG焊接过程中焊枪与焊件间构成的三维坐标系下,焊枪与焊件间的相对运动在特定焊接工艺参数要求下的运动规律和运动控制模型。研究7075超硬铝合金的TIG焊接工艺中,在满足机械、物理、化学作用因素变化范围内的控制模型鲁棒性的条件下的焊枪倾角及前进速度在焊接过程中的动态控制模型,建立焊接过程的全局运动状态鲁棒估计模型。研究基于Gauss-Newton（GN）方法的运动控制算法在实时焊接过程控制中的计算量优化方法,建立能够实现焊枪运动状态快速动态计算的改进Gauss-Newton焊枪全局运动动态实时鲁棒控制算法。（5）研究基于7075超硬铝合金TIG焊接工艺过程参数与组织性能作用系统网络及焊枪最优运动状态估计的焊接过程参数实时动态鲁棒优化控制方法。针对焊接过程中任意时刻的焊接工艺参数测量结果,以及根据测量数据得到的焊接接头组织性能预测结果,结合当前时刻的焊枪运动状态,建立未来时刻焊接过程工艺参数的鲁棒动态进化优化模型,定量计算出后续焊接过程中需要对焊接工艺参数如何进行控制,才能够得到期望的焊接接头组织性能参数,实现7075超硬铝合金TIG焊接过程的全局实时鲁棒优化控制。
二、求取混沌时间序列嵌入维数的一种神经元网络方法（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、求取混沌时间序列嵌入维数的一种神经元网络方法（论文提纲范文）
（1）基于深度差分神经进化的混沌时间序列预测研究（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 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第2章 混沌时间序列 |
| 2.1 时间序列 |
| 2.2 混沌时间序列 |
| 2.2.1 混沌的性质 |
| 2.2.2 混沌时间序列判别 |
| 2.2.3 相空间重构 |
| 2.2.4 互信息法 |
| 2.2.5 Cao法 |
| 2.3 混沌时间序列预测方法 |
| 2.3.1 全域法 |
| 2.3.2 局域法 |
| 2.3.3 加权一阶局域法 |
| 2.3.4 最大Lyapunov指数法 |
| 2.4 本章小结 |
| 第3章 深度混合神经网络模型 |
| 3.1 数据预处理 |
| 3.2 深度混合神经网络 |
| 3.2.1 一维卷积神经网络 |
| 3.2.2 门控循环单元 |
| 3.2.3 注意力机制 |
| 3.3 本章小结 |
| 第4章 基于深度差分神经进化的预测模型 |
| 4.1 差分进化算法 |
| 4.1.1 差分变异 |
| 4.1.2 交叉运算 |
| 4.1.3 选择操作 |
| 4.2 改进的自适应混沌差分进化算法 |
| 4.3 基于差分神经进化的预测模型 |
| 4.4 本章小结 |
| 第5章 混沌时间序列仿真预测 |
| 5.1 实验设置 |
| 5.1.1 实验环境 |
| 5.1.2 实验评价标准 |
| 5.2 Lorenz混沌时间序列预测 |
| 5.2.1 数据获取 |
| 5.2.2 实验步骤 |
| 5.2.3 实验结果与分析 |
| 5.3 月平均太阳黑子混沌时间序列预测 |
| 5.3.1 数据获取 |
| 5.3.2 实验步骤 |
| 5.3.3 实验结果与分析 |
| 5.4 煤矿瓦斯浓度混沌时间序列预测 |
| 5.4.1 数据获取 |
| 5.4.2 实验步骤 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士期间发表论文和参加科研情况说明 |
（2）基于多维时空的NPCA-PSR-IGM组合模型的短时交通流预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 1.4 本文结构组织 |
| 第二章 短期交通流特性分析和数据预处理 |
| 2.1 引言 |
| 2.2 短期交通流特性 |
| 2.3 交通流量的采集 |
| 2.4 空间维度上的多维时空交通流量相关性分析 |
| 2.5 时间维度上的多维时空非线性主成分分析 |
| 2.5.1 主成分分析 |
| 2.5.2 主成分分析原理 |
| 2.5.3 非线性主成分分析原理和算法 |
| 2.6 本章小结 |
| 第三章 多维时空相空间重构的改进灰色模型 |
| 3.1 引言 |
| 3.2 混沌特性分析 |
| 3.2.1 交通流量时间序列的混沌特性 |
| 3.2.2 混沌检测方法 |
| 3.2.3 Lyapunov指数 |
| 3.3 多维时空序列的相空间重构理论 |
| 3.3.1 相空间重构概述 |
| 3.3.2 多维时空序列的相空间重构理论 |
| 3.3.3 多维时空序列相空间重构的参数选取 |
| 3.3.4 相点演变规律 |
| 3.4 改进的灰色预测模型 |
| 3.4.1 灰色系统理论 |
| 3.4.2 常规的灰色预测模型 |
| 3.4.3 改进灰色预测模型 |
| 3.4.4 模型精度检验 |
| 3.4.5 IGM(1,1)模型与GM(1,1)模型的对比 |
| 3.5 本章小结 |
| 第四章 基于多维时空NPCA-PSR-IGM(1,1)组合预测模型构建与算法 |
| 4.1 引言 |
| 4.2 多维时空交通流量序列数据相关性分析 |
| 4.3 多维时空交通流量序列非线性主成分降维 |
| 4.4 多维时间序列的相空间重构参数的选取 |
| 4.5 改进灰色模型参数的确定 |
| 4.6 基于多维时空的NPCA-PSR-IGM(1,1)组合预测模型 |
| 4.7 基于多维时空的NPCA-PSR-IGM(1,1)组合预测算法 |
| 4.8 本章小结 |
| 第五章 实证性研究 |
| 5.1 引言 |
| 5.2 预测结果评价方法 |
| 5.3 实验对比与分析 |
| 5.3.1 各组合预测模型对比分析 |
| 5.3.2 现有一些预测模型比较分析 |
| 5.4 短时交通流预测系统 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 风电机组结构及运行原理介绍 |
| 1.2 风电机组运行故障及主动运维模式 |
| 1.3 风电机组传动系统故障诊断及剩余寿命预测技术现状 |
| 1.3.1 风电机组传动系统故障诊断技术 |
| 1.3.2 风电机组传动系统剩余寿命预测技术 |
| 1.4 本论文拟展开研究的内容及技术路线 |
| 1.5 本论文内容安排 |
| 2 风电机组运行状态监测信号降噪方法 |
| 2.1 引言 |
| 2.2 噪声来源 |
| 2.2.1 功率开关器件 |
| 2.2.2 断路器和继电器干扰 |
| 2.2.3 雷电干扰 |
| 2.3 噪声传播途径 |
| 2.3.1 接地传导干扰 |
| 2.3.2 电磁辐射干扰 |
| 2.4 风电机组故障诊断系统降噪方法 |
| 2.4.1 数据预处理-传感器网络降噪方法 |
| 2.4.2 数据预处理-数据采集硬件降噪方法 |
| 2.4.3 数据预处理-数据采集软件降噪方法 |
| 2.4.4 数据预处理-小波降噪方法 |
| 2.4.5 数据预处理-EMD 降噪方法 |
| 2.5 风电机组故障诊断系统降噪案例 |
| 2.5.1 数据预处理-传感器网络降噪现场案例 |
| 2.5.2 数据预处理-数据过采样降噪现场案例 |
| 2.5.3 数据预处理-小波降噪现场案例 |
| 2.5.4 数据预处理-EMD 降噪案例 |
| 2.6 本章小结 |
| 3 基于模糊专家系统的风电机组智能故障诊断方法 |
| 3.1 引言 |
| 3.2 基于模糊专家系统的风电机组智能故障诊断方法总体结构 |
| 3.3 基于故障模型触发的风电机组故障特征提取方法 |
| 3.3.1 风电机组运行状态故障特征提取方法 |
| 3.3.2 风电机组运行状态故障特征模糊化处理 |
| 3.4 风电机组故障诊断专家系统模糊知识库设计 |
| 3.4.1 风电机组故障诊断专家系统故障知识获取系统设计 |
| 3.4.2 风电机组故障诊断专家系统知识库构建方法 |
| 3.5 风电机组故障诊断专家系统模糊推理机设计 |
| 3.5.1 风电机组故障诊断专家系统模糊推理流程 |
| 3.5.2 风电机组故障诊断专家系统模糊关系矩阵设计 |
| 3.6 风电机组故障诊断专家系统诊断案例 |
| 3.6.1 现场情况概述 |
| 3.6.2 风电机组运行状态故障特征提取 |
| 3.6.3 风电机组故障诊断专家系统诊断结果 |
| 3.7 本章小结 |
| 4 基于特征可视化的风电机组智能故障诊断方法 |
| 4.1 引言 |
| 4.2 风电机组运行状态特征变化混沌特性判定 |
| 4.3 风电机组运行状态特征相空间建模方法 |
| 4.3.1 风电机组运行状态特征相空间延时时间确定 |
| 4.3.2 风电机组运行状态特征相空间嵌入维数确定 |
| 4.4 风电机组运行状态高维特征SVD降维方法 |
| 4.5 基于运行状态特征可视化的风电机组故障诊断方法 |
| 4.5.1 基于风电机组状态特征参数变化率进行故障诊断阈值设计 |
| 4.5.2 基于风电场整体状态特征参数进行故障诊断阈值设计 |
| 4.6 风电机组运行状态特征变化趋势预测方法 |
| 4.7 现场诊断案例 |
| 4.7.1 现场情况描述 |
| 4.7.2 基于特征可视化风电机组故障诊断过程 |
| 4.7.3 基于特征可视化的风电机组运行状态预测 |
| 4.8 本章小结 |
| 5 基于卷积神经网络的风电机组故障诊断方法 |
| 5.1 引言 |
| 5.2 风电机组故障诊断深度学习网络选择 |
| 5.2.1 小样本与大样本学习 |
| 5.2.2 风电机组故障诊断深度学习网络选择 |
| 5.3 基于卷积神经网络的风电机组故障诊断系统设计 |
| 5.3.1 风电机组故障诊断卷积神经网络结构 |
| 5.3.2 风电机组故障诊断卷积神经网络前馈运算 |
| 5.3.3 风电机组故障诊断卷积神经网络目标函数 |
| 5.3.4 风电机组故障诊断卷积神经网络反馈优化算法 |
| 5.4 风电机组故障诊断卷积神经网络训练样本构建 |
| 5.4.1 风电机组故障特征 |
| 5.4.2 风电机组故障样本构建 |
| 5.5 现场故障诊断案例 |
| 5.5.1 现场情况描述 |
| 5.5.2 风电机组运行监测数据采集及预处理 |
| 5.5.3 风电机组故障诊断卷积神经网络训练 |
| 5.5.4 现场故障诊断结果 |
| 5.6 本章小结 |
| 6 基于离散余弦变换神经网络的风电机组轴承剩余寿命预测 |
| 6.1 引言 |
| 6.2 基于离散余弦变换卷积神经网络的轴承剩余寿命预测方法 |
| 6.3 轴承退化性能表征向量提取和降维方法 |
| 6.4 轴承退化性能表征向量稀疏压缩方法 |
| 6.5 轴承剩余寿命回归预测方法 |
| 6.6 实例验证 |
| 6.6.1 试验设备和数据采集 |
| 6.6.2 轴承退化性能表征向量降维 |
| 6.6.3 轴承退化性能表征向量稀疏压缩 |
| 6.6.4 轴承剩余寿命回归预测方法 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）多元时间序列的特征分析与建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 多元时间序列相关性分析研究现状 |
| 1.2.2 多元时间序列因果关系分析研究现状 |
| 1.2.3 多元时间序列特征选择研究现状 |
| 1.2.4 现有研究工作存在的不足 |
| 1.3 本文研究内容与结构 |
| 2 基于互信息的多元时间序列特征选择方法 |
| 2.1 引言 |
| 2.2 互信息特征选择方法 |
| 2.2.1 互信息的定义和性质 |
| 2.2.2 基于互信息的评价准则 |
| 2.2.3 搜索策略 |
| 2.3 基于单目标和多目标优化的全局互信息特征选择方法 |
| 2.3.1 基于单目标优化的全局互信息特征选择算法 |
| 2.3.2 基于多目标优化的全局互信息特征选择算法 |
| 2.3.3 混合特征选择框架 |
| 2.3.4 时间复杂度分析 |
| 2.4 仿真实例 |
| 2.4.1 Friedman数据特征选择 |
| 2.4.2 大连市气象时间序列预测 |
| 2.5 本章小结 |
| 3 基于联合互信息的非均匀状态空间重构方法 |
| 3.1 引言 |
| 3.2 状态空间重构方法 |
| 3.2.1 均匀嵌入方法 |
| 3.2.2 非均匀嵌入方法 |
| 3.3 非均匀状态空间重构方法 |
| 3.3.1 互信息及其估计方法 |
| 3.3.2 联合互信息的低维近似 |
| 3.3.3 延迟变量的选择 |
| 3.3.4 嵌入维数的确定 |
| 3.3.5 时间复杂度分析 |
| 3.4 仿真实例 |
| 3.4.1 预测模型 |
| 3.4.2 Lorenz时间序列预测 |
| 3.4.3 Henon映射时间序列预测 |
| 3.4.4 气象时间序列预测 |
| 3.4.5 厄尔尼诺时间序列预测 |
| 3.5 本章小结 |
| 4 多元时间序列的非线性因果关系分析方法 |
| 4.1 引言 |
| 4.2 Granger因果关系分析方法 |
| 4.2.1 Granger因果模型 |
| 4.2.2 条件Granger因果模型 |
| 4.2.3 Lasso-Granger因果模型 |
| 4.3 多变量非线性Granger因果分析方法 |
| 4.3.1 Hilbert-Schmidt独立性准则 |
| 4.3.2 HSIC-Lasso回归模型 |
| 4.3.3 基于HSIC-Lasso的Granger因果分析模型 |
| 4.3.4 算法流程与计算复杂度分析 |
| 4.4 仿真实例 |
| 4.4.1 多变量标杆数据因果分析 |
| 4.4.2 空气质量指标与气象时间序列因果分析 |
| 4.5 本章小结 |
| 5 时间序列的特征提取与分类方法 |
| 5.1 引言 |
| 5.2 时间序列的混合特征提取方法 |
| 5.2.1 混合特征提取 |
| 5.2.2 基于类可分离性的特征选择算法 |
| 5.3 集成极限学习机模型 |
| 5.3.1 极限学习机模型 |
| 5.3.2 基于线性判别分析的集成极限学习机模型 |
| 5.4 仿真实例 |
| 5.4.1 数据描述 |
| 5.4.2 脑电时间序列特征提取 |
| 5.4.3 脑电时间序列分类 |
| 5.5 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 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（5）基于相空间重构相图深度信念网络的滚动轴承故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取的研究现状 |
| 1.2.2 模式识别的研究现状 |
| 1.3 滚动轴承故障诊断的实验平台简介 |
| 1.4 本文主要研究内容 |
| 第2章 混沌特性分析及相空间重构 |
| 2.1 混沌的特征分析 |
| 2.2 混沌吸引子与相空间重构 |
| 2.2.1 混沌吸引子的基本特性 |
| 2.2.2 相空间重构理论 |
| 2.2.3 重构参数的选取 |
| 2.3 本章小结 |
| 第3章 混沌特性分析与相空间重构相图的特征提取 |
| 3.1 混沌特性分析 |
| 3.1.1 混沌特性定性分析方法 |
| 3.1.2 混沌特性定量分析方法 |
| 3.2 轴承振动信号混沌特性分析 |
| 3.3 基于相空间重构相图的特征提取 |
| 3.3.1 仿真实验 |
| 3.3.2 基于感知哈希(pHash)算法的图片相似度检测 |
| 3.3.3 滚动轴承信号的相空间重构相图特征提取 |
| 3.4 本章小结 |
| 第4章 基于深度信念网络的故障诊断 |
| 4.1 受限玻尔兹曼机 |
| 4.2 受限玻尔兹曼机训练算法 |
| 4.3 深度信念网络训练 |
| 4.4 DBN参数设定的研究 |
| 4.5 DBN参数确定实验 |
| 4.6 本章小结 |
| 第5章 基于DBN的轴承故障诊断实验 |
| 5.1 实验数据分析和处理 |
| 5.2 实验过程 |
| 5.2.1 不同损伤程度的故障诊断 |
| 5.2.2 不同故障部位的故障诊断 |
| 5.2.3 对10种故障诊断实验 |
| 5.2.4 对比实验分析 |
| 5.3 实际机械设备数据实验分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）直流弓网电弧特性及识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 直流弓网电弧研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究工作 |
| 2 弓网电弧理论 |
| 2.1 电弧产生原因和机理 |
| 2.2 电弧的主要分类 |
| 2.3 等离子体理论 |
| 2.4 本章总结 |
| 3 直流弓网电弧实验研究 |
| 3.1 实验系统研制 |
| 3.2 数据采集系统研制 |
| 3.3 实验方案设计 |
| 3.4 本章小结 |
| 4 直流弓网电弧特性研究 |
| 4.1 电气特性分析 |
| 4.2 物理场仿真分析 |
| 4.3 本章总结 |
| 5 直流弓网电弧识别方法研究 |
| 5.1 直流弓网电弧电流混沌特性分析 |
| 5.2 直流弓网电弧识别 |
| 5.3 本章总结 |
| 6 结论、创新点和展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
（7）基于改进CAO算法相空间重构和ACFPA-ELM的轴承故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 机械故障诊断的背景和意义 |
| 1.2 机械故障诊断的研究现状 |
| 1.3 滚动轴承故障诊断的基本内容 |
| 1.3.1 滚动轴承的故障种类 |
| 1.3.2 滚动轴承故障诊断的步骤 |
| 1.4 诊断轴承故障的基本方法 |
| 1.4.1 特征提取方法 |
| 1.4.2 故障分类识别方法 |
| 1.5 本文主要研究内容 |
| 第2章 时间序列的混沌特性识别 |
| 2.1 重新构建相空间的概述 |
| 2.2 延迟时间的求取方法 |
| 2.2.1 极优延迟时间的极大联合熵准则 |
| 2.2.2 求取极大联合熵 |
| 2.3 基于改进CAO算法的极优嵌入维数求取方法 |
| 2.3.1 CAO算法求取极优嵌入维数 |
| 2.3.2 改进的CAO算法 |
| 2.4 数值仿真验证 |
| 2.4.1 基于Lorenz混沌时间序列的混沌特性分析 |
| 2.4.2 基于Rossler混沌时间序列的混沌特性分析 |
| 2.5 本章小结 |
| 第3章 滚动轴承时间序列的混沌奇异谱分析 |
| 3.1 奇异谱理论 |
| 3.1.1 构造轨迹矩阵 |
| 3.1.2 奇异值分解及重构 |
| 3.2 混沌奇异谱的特征量化分析 |
| 3.2.1 奇异谱的抗噪能力 |
| 3.2.2 奇异谱的稳定性能 |
| 3.3 轴承振动信号的奇异谱特征 |
| 3.4 本章小结 |
| 第4章 基于ACFPA的极限学习机参数优化方法研究 |
| 4.1 基于极限学习机的故障诊断 |
| 4.1.1 极限学习机原理 |
| 4.1.2 基于ELM的故障诊断流程 |
| 4.2 FPA寻优算法改进方法研究 |
| 4.2.1 FPA算法寻优原理 |
| 4.2.2 基于Tent混沌搜索和自适应算子的FPA算法改进 |
| 4.3 基于改进FPA算法的ELM模型参数优化 |
| 4.4 改进FPA算法优化ELM模型实验分析 |
| 4.5 本章小结 |
| 第5章 滚动轴承故障诊断实验研究及应用 |
| 5.1 滚动轴承故障诊断实验数据 |
| 5.2 四种损伤程度的轴承故障诊断 |
| 5.2.1 轴承振动信号时频域分析 |
| 5.2.2 重新构建振动信号的相空间 |
| 5.2.3 基于混沌奇异谱分析的故障特征提取 |
| 5.2.4 基于ACFPA-ELM模型的故障诊断 |
| 5.3 不同结构损伤的轴承故障诊断 |
| 5.3.1 轴承振动信号的时频域分析 |
| 5.3.2 轴承振动信号的相空间重构 |
| 5.3.3 基于混沌奇异谱分析的故障特征提取 |
| 5.3.4 基于ACFPA-ELM模型的故障诊断 |
| 5.4 实际机械设备采集数据分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）基于混沌时间序列的光伏功率预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 光伏功率预测的背景和意义 |
| 1.2 光伏功率预测的基本原理及特点 |
| 1.2.1 光伏功率的影响因素 |
| 1.2.2 光伏功率预测的特点 |
| 1.3 光伏功率预测的研究方法及其发展现状 |
| 1.3.1 光伏功率预测方法分类及工程应用 |
| 1.3.2 光伏功率主要预测方法简介 |
| 1.3.3 混沌理论及其在时间序列预测中的应用 |
| 1.4 本文的主要研究内容和章节安排 |
| 第二章 光伏功率时间序列混沌特性分析 |
| 2.1 混沌的定义和基本概念 |
| 2.2 相空间重构理论 |
| 2.3 相空间重构参数的确定 |
| 2.3.1 延迟时间的选择 |
| 2.3.2 嵌入维数的选择 |
| 2.4 时间序列混沌特性的判定 |
| 2.4.1 关联维数法 |
| 2.4.2 最大Lyapunov指数法 |
| 2.4.3 递归图法 |
| 2.5 光伏功率时间序列混沌特性实证 |
| 2.5.1 关联维数法计算结果 |
| 2.5.2 最大Lyapunov指数法中的小数据法计算结果 |
| 2.5.3 递归图法计算结果 |
| 2.6 本章小结 |
| 第三章 基于单变量时间序列的光伏功率预测方法 |
| 3.1 混沌时间序列预测方法 |
| 3.1.1 自适应预测法 |
| 3.1.2 全局预测法 |
| 3.1.3 局域预测法 |
| 3.2 基于多嵌入维Volterra滤波器的光伏功率自适应预测 |
| 3.2.1 Volterra滤波器 |
| 3.2.2 BP神经网络 |
| 3.2.3 基于BP神经网络的组合预测模型 |
| 3.2.4 算例分析 |
| 3.3 基于BSO-Elman神经网络的光伏功率全局预测 |
| 3.3.1 智能优化算法 |
| 3.3.2 Elman神经网络 |
| 3.3.3 光伏功率的BSO-Elman神经网络全局预测模型 |
| 3.3.4 算例分析 |
| 3.4 本章小结 |
| 第四章 基于多变量时间序列的光伏功率预测方法 |
| 4.1 光伏功率影响因素及其相关性分析 |
| 4.2 光伏功率预测的多变量相空间重构理论 |
| 4.2.1 光伏功率预测的多变量相空间重构 |
| 4.2.2 光伏功率预测的多变量相空间重构参数优化 |
| 4.3 基于多变量相空间重构和RBF神经网络的光伏功率全局预测 |
| 4.3.1 RBF神经网络 |
| 4.3.2 RBF神经网络结构的确定 |
| 4.3.3 光伏功率的多变量相空间重构和RBF神经网络全局预测模型 |
| 4.4 算例分析 |
| 4.4.1 算例描述 |
| 4.4.2 预测结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 前景与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）基于改进的EMD-PSR单变量混沌时间序列短期预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时间序列预测的国内外研究现状 |
| 1.2.2 时间序列重构的国内外研究现状 |
| 1.2.3 时间序列分解与重组的国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 章节安排 |
| 第2章 混沌时间序列预测方法研究 |
| 2.1 时间序列混沌特性分析 |
| 2.1.1 混沌理论概述与分析 |
| 2.1.2 重构相空间关键参数的选择 |
| 2.2 混沌序列特征提取相关分析 |
| 2.2.1 经验模态分解 |
| 2.2.2 经验模态分解改进 |
| 2.3 时间序列预测算法 |
| 2.3.1 时间序列预测经典算法 |
| 2.3.2 长短时记忆神经网络 |
| 2.3.3 预测效果评价指标 |
| 2.3.4 预测算法性能对比 |
| 2.4 本章小结 |
| 第3章 基于相空间重构与聚类分析的单变量时间序列预测研究 |
| 3.1 重构相空间的关键参数选取 |
| 3.2 时间序列混沌的定量分析 |
| 3.2.1 最大Lyapunov法 |
| 3.2.2 Kolmogorov熵法 |
| 3.2.3 0-1 混沌测试法 |
| 3.3 模糊C均值聚类算法分析 |
| 3.3.1 模糊C均值聚类原理简述 |
| 3.3.2 硬聚类与软聚类效果对比 |
| 3.4 基于改进的粒子群优化的预测模型IPSO-LSTM |
| 3.4.1 粒子群优化算法理论介绍 |
| 3.4.2 PSO算法对比 |
| 3.4.3 粒子群优化算法应用实例分析 |
| 3.5 PSRC-I-LSTM预测模型实例研究 |
| 3.5.1 模型分析 |
| 3.5.2 数据集介绍 |
| 3.5.3 模式提取实验结果与分析 |
| 3.5.4 模型有效性分析 |
| 3.6 本章小结 |
| 第4章 改进的经验模态分解组合模型预测研究 |
| 4.1 端点效应改进分析 |
| 4.2 CEEMDAN算法分析 |
| 4.2.1 CEEMDAN方法原理介绍 |
| 4.2.2 分解性能对比 |
| 4.3 奇异谱分解相关分析 |
| 4.3.1 奇异谱分解算法流程与参数讨论 |
| 4.3.2 实例对比分析 |
| 4.4 基于样本熵的CEEMDAN优化分析 |
| 4.4.1 样本熵计算与参数选取 |
| 4.4.2 基于CEEMDAN-SE的特征提取研究 |
| 4.4.3 基于CEEMDAN-SE的模型预测研究 |
| 4.5 基于SCEEMDAN-SE-PSRCI的组合预测模型 |
| 4.5.1 组合预测模型分析 |
| 4.5.2 分步实验与分析 |
| 4.5.3 对比实验与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（10）7075超硬铝合金焊接接头组织性能预测与优化控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 国内外7075铝合金焊接工艺技术研究现状 |
| 1.1.1 7075超硬铝合金焊接工艺方法 |
| 1.1.2 7075超硬铝合金焊接接头组织性能优化研究 |
| 1.2 国内外7075超硬铝合金焊接过程控制研究动态 |
| 1.2.1 7075超硬铝合金TIG焊接参数控制研究现状 |
| 1.2.2 7075超硬铝合金TIG焊接质量预测与控制研究现状 |
| 1.3 7075超硬铝合金焊接过程控制存在的主要问题 |
| 1.4 课题的选题依据 |
| 1.4.1 选题的背景 |
| 1.4.2 选题的目的意义 |
| 1.5 课题主要研究内容 |
| 第2章 7075超硬铝合金TIG焊接实验方法研究 |
| 2.1 引言 |
| 2.2 7075超硬铝合金TIG焊接实验材料 |
| 2.3 7075超硬铝合金TIG焊接实验方法及设备 |
| 2.3.1 7075超硬铝合金TIG焊接实验方法及设备 |
| 2.3.2 7075超硬铝合金TIG焊接过程测量控制设计 |
| 2.4 7075超硬铝合金TIG焊接实验其他相关设备 |
| 2.5 7075超硬铝合金TIG焊接接头力学性能测试 |
| 2.5.1 7075超硬铝合金TIG焊接接头拉伸试验 |
| 2.5.2 7075铝合金TIG焊接接头硬度试验 |
| 2.6 7075超硬铝合金TIG焊接接头微观组织及断口分析 |
| 2.6.1 7075超硬铝合金TIG焊接接头金相组织观察 |
| 2.6.2 7075超硬铝合金TIG焊接接头扫描电镜分析 |
| 2.6.3 7075超硬铝合金TIG焊接接头X射线衍射分析 |
| 2.6.4 7075 超硬铝合金TIG焊接接头EBSD分析 |
| 2.7 本章小结 |
| 第3章 7075超硬铝合金TIG焊接参数对接头组织性能影响研究 |
| 3.1 引言 |
| 3.2 7075铝合金TIG焊接材料的选择 |
| 3.3 7075超硬铝合金TIG焊接工艺参数对ER5356焊丝焊接影响研究 |
| 3.3.1 7075超硬铝合金TIG焊接接头物相分析 |
| 3.3.2 7075超硬铝合金TIG焊接接头显微组织分析 |
| 3.3.3 7075超硬铝合金TIG焊接接头力学性能分析 |
| 3.4 本章小结 |
| 第4章 基于非线性时间序列分析的7075焊接接头组织性能预测模型研究 |
| 4.1 引言 |
| 4.2 7075超硬铝合金TIG焊接过程测量数据非线性特性分析 |
| 4.2.1 7075超硬铝合金TIG焊接过程的测量数据的获得 |
| 4.2.2 7075超硬铝合金TIG焊接过程的测量数据特性分析 |
| 4.2.3 7075超硬铝合金TIG焊接过程的动力学系统特性 |
| 4.3 7075超硬铝合金TIG焊接过程测量数据检验 |
| 4.3.1 7075超硬铝合金TIG焊接过程测量数据平稳性检验 |
| 4.3.2 7075超硬铝合金TIG焊接过程测量数据非线性检验 |
| 4.4 7075超硬铝合金TIG焊接过程测量数据的非线性时间序列分析 |
| 4.4.1 7075超硬铝合金TIG焊接过程测量数据的非线性时间序列描述 |
| 4.4.2 7075超硬铝合金TIG焊接过程时间序列的相空间结构 |
| 4.4.3 7075超硬铝合金TIG焊接过程时间序列的延迟时间选择 |
| 4.4.4 7075超硬铝合金TIG焊接过程时间序列的嵌入维数 |
| 4.4.5 7075超硬铝合金TIG焊接过程时间序列的关联维数 |
| 4.4.6 7075 超硬铝合金TIG焊接过程时间序列的Lyapunov指数 |
| 4.4.7 7075 超硬铝合金TIG焊接过程时间序列的Kolmogorov熵 |
| 4.5 7075超硬铝合金TIG焊接过程测量时间序列确定性检验 |
| 4.5.1 7075超硬铝合金TIG焊接过程测量数据预处理模型 |
| 4.5.2 7075超硬铝合金TIG焊接过程时间序列平稳性和非线性分析 |
| 4.5.3 7075超硬铝合金TIG焊接过程时间序列相空间重构参数计算 |
| 4.6 基于非线性时间序列分析的7075铝合金TIG焊接组织性能预测方法 |
| 4.6.1 7075超硬铝合金TIG焊接组织性能的多变量非线性时间序列模型 |
| 4.6.2 7075超硬铝合金TIG焊接过程多变量时间序列相空间重构方法 |
| 4.6.3 7075超硬铝合金TIG焊接组织性能多变量时间序列预测模型 |
| 4.6.4 7075超硬铝合金TIG焊接系统相空间轨迹人工神经网络预测模型 |
| 4.7 本章小结 |
| 第5章 7075铝合金TIG焊接过程全局鲁棒优化控制方法研究 |
| 5.1 引言 |
| 5.2 7075铝合金TIG焊接组织性能形成过程系统作用网络模型 |
| 5.2.1 无环境约束的7075超硬铝合金TIG焊接过程系统作用网络模型 |
| 5.2.2 考虑环境约束的7075超硬铝合金TIG焊接过程系统作用网络模型 |
| 5.3 工艺参数扰动下7075超硬铝合金TIG焊接过程预见控制模型 |
| 5.3.1 7075超硬铝合金TIG焊接过程控制离散时间系统模型 |
| 5.3.2 7075超硬铝合金TIG焊接过程预测误差跟踪模型 |
| 5.3.3 7075超硬铝合金TIG焊接过程最优鲁棒预见控制器设计 |
| 5.4 7075超硬铝合金TIG焊接过程全局鲁棒控制模型 |
| 5.4.1 7075超硬铝合金TIG焊接过程全局运动状态估计模型 |
| 5.4.2 7075超硬铝合金TIG焊接过程焊枪动态鲁棒运动控制模型 |
| 5.5 7075超硬铝合金TIG焊接过程控制动态鲁棒优化方法 |
| 5.5.1 7075超硬铝合金TIG焊接过程控制动态优化问题 |
| 5.5.2 7075超硬铝合金TIG焊接过程控制动态鲁棒最优解 |
| 5.5.3 7075超硬铝合金TIG焊接过程控制动态多目标鲁棒优化算法 |
| 5.6 7075超硬铝合金TIG焊接过程全局动态鲁棒控制算法验证 |
| 5.7 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、求取混沌时间序列嵌入维数的一种神经元网络方法（论文参考文献）
- [1]基于深度差分神经进化的混沌时间序列预测研究[D]. 李永涛. 河北工程大学, 2021(08)
- [2]基于多维时空的NPCA-PSR-IGM组合模型的短时交通流预测[D]. 高贺. 合肥工业大学, 2021(02)
- [3]基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究[D]. 庞宇. 北京交通大学, 2021(02)
- [4]多元时间序列的特征分析与建模研究[D]. 任伟杰. 大连理工大学, 2020
- [5]基于相空间重构相图深度信念网络的滚动轴承故障诊断[D]. 左一格. 燕山大学, 2020(01)
- [6]直流弓网电弧特性及识别方法研究[D]. 侯星雨. 辽宁工程技术大学, 2020
- [7]基于改进CAO算法相空间重构和ACFPA-ELM的轴承故障诊断[D]. 刘婉. 燕山大学, 2020(01)
- [8]基于混沌时间序列的光伏功率预测方法研究[D]. 虞海彪. 合肥工业大学, 2020(02)
- [9]基于改进的EMD-PSR单变量混沌时间序列短期预测研究[D]. 陈黎君. 武汉理工大学, 2020(08)
- [10]7075超硬铝合金焊接接头组织性能预测与优化控制研究[D]. 张琨. 沈阳工业大学, 2019(01)