一、带一类自适应非线性特性的变步长BP学习算法（论文文献综述）
朱一帆[1]（2015）在《基于CANPSO-BP网络的自卸车参数辨识与平顺性优化》文中研究指明矿用自卸车在大型露天矿山运输工具中占有2/3的市场份额,但由于研发技术相对滞后,国内在很长一段时间内对矿用自卸车的需求主要依赖进口。为改变这种现状,国务院将矿用自卸车确定为十六个重大技术装备关键领域之一,并对矿用自卸车的性能提出了较高的要求。在政策和市场需求的驱动下,矿用自卸车的研发进入了高速发展阶段。由于矿区工作条件恶劣,自卸车在行驶过程中产生的振动影响驾驶员乘坐舒适性,使其易于产生疲劳。因此,非常有必要对矿用自卸车的行驶平顺性进行研究和优化。整车平顺性仿真分析和研究的关键问题是如何提高动力学模型的建模精度,其中,准确参数的获取方法又是动力学建模需首要解决的问题之一,例如对整车平顺性具有较大影响的座椅空气弹簧悬架非线性刚度阻尼特性、油气悬架非线性刚度阻尼特性和矿山软土路面不平度等相关参数均由于矿用自卸车的特殊性及各方面条件的限制,不易直接通过试验准确获取,或者获取的成本较高,且传统算法得到的辨识结果精度较低。因此,本文提出新的粒子群神经网络,在整车行驶平顺性试验数据的基础上,对上述参数进行有效辨识,这对于降低车辆开发成本,提高开发水平具有重要意义,并最终在建立的基于辨识参数的整车动力学模型基础上,考虑了不确定因素对优化结果的影响,借助改进粒子群算法对悬架非线性参数进行区间不确定性优化,有效改善整车行驶平顺性。本文的主要研究内容如下:1、本文结合混沌初始化技术、惯性权重动态调整策略和小生境进化策略,改进了粒子群算法优化机制,提高算法搜索速度及精度。然后将改进的粒子群算法植入神经网络的拓扑结构,用以替换网络的BP学习算法,构建出基于改进粒子群神经网络（CANPSO-BP网络）的智能辨识算法。2、在建立整车刚柔耦合模型的基础上,利用CANPSO-BP网络对座椅空气弹簧悬架和油气悬架非线性刚度阻尼参数进行辨识分析,通过与标准BP网络和PSO-BP网络的比较,验证CANPSO-BP网络的辨识能力。最终根据整车道路试验,分别对座椅空气弹簧悬架和油气悬架非线性刚度阻尼参数进行辨识和验证。3、结合车辆地面力学理论基础,对弹性轮胎在软土路面上的相互作用力公式进行推导。编写出适用于ADAMS的TIRSUB轮胎子程序,建立车辆-软土路面耦合模型。并在反映矿山软土路面变形的基础上,利用CANPSO-BP网络对矿山路面不平度进行辨识研究。4、在建立的基于辨识参数的整车动力学模型基础上,利用区间不确定性优化方法,以油气悬架和座椅空气弹簧悬架非线性刚度阻尼系数为优化变量,载货量、质心位置和车速作为不确定性变量,对座椅加权加速度均方根值进行优化,并与确定性优化结果进行对比分析,结果表明:得到的最优设计参数在提升自卸车整车行驶平顺性的同时又具有较好的稳健性。
葛晓静[2]（2015）在《电力通信传输网自愈能力评估系统的设计与实现》文中指出电力传输网是面向电力系统的通信专网,也是保障电力系统安全可靠稳定运行的重要基础设施,具有显着的行业特色和特殊的安全性和可靠性要求。网络的自愈能力是指无需或仅需少量的人为干预,网络就能在极短的时间内从故障中自动恢复业务并正常传输的能力。在自愈过程中,业务传输不会中断,用户感觉不到网络发生的故障、重组以及自愈。在传统电力传输网中,运行维护、告警管理和故障定位主要依靠网络管理人员的经验。然而随着电力通信传输网的迅速发展,现有电力通信传输网络规模庞大,结构复杂,仅仅依靠人工处理故障已不能保证电力通信传输网的高效可靠运行,导致在实际网络环境下难以快速准确的评价网络的自愈能力。因此,需要研究面向电力传输网的自愈能力评估技术,且研发实现一套电力通信传输网自愈能力仿真原型平台,以支持网络的自愈仿真、故障管理和人员培训,提高网络运行的可靠性。为此,本文主要展开电力通信传输网自愈能力评估系统方面的研究。论文首先介绍了自愈技术在电力传输网中的应用以及常见评估方法,然后结合电力传输网的特点,设计了改进的BP神经网络算法作为自愈系统的评估方法。在此基础上,设计并实现了电力通信传输网自愈能力评估系统,主要包括指标体系、评估方法以及评估模块的设计与实现。本文结合指标体系的相关原则建立层次化的自愈能力指标体系,并引入变步长学习率来增强BP神经网络的学习能力,利用该算法对自愈能力值进行评估。在实现电力传输网自愈能力评估系统中将改进的BP算法应用于该系统的自愈评估模块中,表明该方法具有较稳定的性能。自愈评估系统主要实现了自愈指标管理、自愈指标数据管理、自愈评估、自愈评估报告管理的功能。论文最后给出较为详细的系统测试描述,表明本文设计与实现的自愈评估系统具有较好的可用性和稳定性。
武峥嵘[3]（2013）在《基于多点红外探头的铁路轴温热判方法和探测系统研究》文中研究表明铁路红外轴温探测系统正是通过红外探头采集轴温数据来探测和识别运行列车的问题车轴、防止燃轴和切轴、保障行车安全的重要设施。随着铁路运输的大面积提速、计算机和网络技术的快速发展，现役轴温探测系统在探测设备的热轴兑现率偏低的问题日益凸显，所以对于轴温探测系统来说，加大轴温的探测速度、增强轴温数据的可信度是铁路运输安全的重要课题之一。本文在深入调研国内当前铁路轴温探测技术的架构和特点基础上，引入一种新型智能线阵式多点红外探头，结合数据融合思想和模式识别技术，探讨基于四点线阵式轴温探测模型的热轴判别方法，并建立相应的新型铁路轴温探测系统，具体研究内容和工作如下：1.研究和分析了热轴信息的判别方法。首先在明确红外轴温探测原理的基础上，从探测设备和热轴判别方法的角度剖析其热轴兑现率不高的原因；然后对本课题所基于的新型线阵式四点红外探头的轴温探测模型进行分析，给出一种分批估计的信息融合算法对四路轴温数据进行有效融合，从而计算出相对可靠的轴温特征值；最后以轴温特征值为依据，对影响热轴判别的参数进行研究，结合模糊理念和神经网络技术，设计一种模糊神经网络应用在热轴判定和级别决策上，为提高热轴兑现率而提供可能和理论指导。2.设计和开发探测站计算机监控终端。先根据整个轴温探测系统的体系结构和功能需求，基于新型探测设备，设计相应的探测站计算机监控终端和通信机制，接着按照模块化编程的思想和本文提出的热轴判别方法，开发在终端上运行的热轴探测软件，并建立对应的本地数据库，实现了热轴的有效探测和探头工作状态的实时监管。3.设计和开发中心站联网轴温监测平台。先按照轴温探测系统网络化的架构设计，给出一种探测站的数据联网上传软件，使全路轴温探测站的信息及时共享至联网数据库服务器。接着基于此中心站数据库，利用Java Web开发技术和WEBGIS思想开发B/S架构的全路联网轴温监测平台，实现探测站工作状态报警定位以及全网轴温信息的查询与追踪。
谢慧娟[4]（2012）在《基于BP神经网络的自适应逆控制的研究与应用》文中进行了进一步梳理作为一种新颖的控制方法,自适应逆控制已经过了二十多年的发展,目前,线性自适应逆控制方法相对比较成熟,而非线性自适应逆控制的研究成果却还不多。非线性自适应滤波器和非线性自适应逆控制结构是决定非线性自适应逆控制性能的关键,而神经网络的飞速发展给非线性自适应逆控制提供了强有力的非线性自适应滤波器。根据BP神经网络结构的简单性、万能逼近性和较好的泛化能力等特点,本课题将BP神经网络非线性自适应滤波器引入非线性自适应逆控制系统,选择适当的非线性自适应逆控制结构,以兼顾系统的动态特性和扰动抑制能力。首先,给出了一种基于神经网络的非线性自适应逆控制结构,并依据非线性对象和BP神经网络的特点,设计了两种不同结构的BP神经网络,分别由BP算法和BPTM算法驱动,以逼近非线性对象模型和对象的逆控制器,仿真结果表明,该神经网络能以较高的精度逼近对象模型和逆控制器,从而使基于BP神经网络的自适应逆控制系统能获得较好的动态性能。针对自适应逆控制方法将动态控制和扰动抑制分开进行而互不干扰的特点,在深入分析和研究扰动抑制原理的基础上,通过BP算法驱动BP神经网络逼近对象的逆模型,在已有非线性控制结构上引入扰动抑制回路,设计出一种能快速消除扰动的非线性自适应逆控制系统。仿真结果表明,该系统可以快速的消除对象扰动,同时能获得良好的设定值跟踪性能。最后,将本文设计的非线性自适应方法应用于一级倒立摆这一典型的非线性对象,利用BP神经网络完成了一级倒立摆正模型和逆控制器的建立,使倒立摆在允许的范围内达到稳定,并获得较好的控制效果。结果表明,非线性自适应逆控制具有解决非线性问题的能力,可用于解决复杂非线性系统的控制问题。
刘显晶[5]（2010）在《纯滞后系统的控制算法研究》文中研究表明本文针对纯滞后控制系统研究了一系列先进的PID控制方法,以Matlab为工具分别对常规PID控制算法和智能PID控制算法进行了仿真研究。结果表明:在系统参数和环境不变的情况下,若设定合理的控制参数,常规PID控制方法在纯滞后控制系统中表现良好。考虑到常规控制的缺点,本文提出了模糊自适应非线性PID控制算法和改进的RBF神经网络PID控制算法,能根据被控对象的参数变化自适应调整PID控制参数,在自适应性、鲁棒性和易操作性等方面较常规PID算法有较显着的提高。主要研究方法如下:（1）通过对常规PID控制的研究,讨论了几种改进的PID控制方法,分析了在纯滞后系统控制中存在的一些常见问题。（2）分析了模糊控制的作用机理,并在它与常规PID控制算法结合在一起的基础上加入了非线性整定PID参数的思想,给出了模糊自适应非线性PID控制算法,用由经验得到的非线性特性来动态设计模糊规则,以达到自适应调整PID控制参数的目的。（3）研究了基于BPNN整定的PID控制算法,该算法可以根据纯滞后系统参数的变化自适应的调整控制参数,抗干扰能力强。通过对基于RBF神经网络的PID控制的研究,改进了神经网络学习算法,并把基于RBFNN-PID的Smith预估控制器用于纯滞后系统控制,以实现系统响应的准确性和控制参数的自适应性。
张永华[6]（2010）在《基于神经网络的原稳加热炉控制研究》文中研究说明原稳加热炉是典型的大滞后系统,由于滞后环节的存在,对控制系统的性能会产生极为不利的影响,甚至引起闭环系统的不稳定或根本无法对系统进行有效的控制,因此对原稳加热炉这一大滞后系统的建模与控制方法研究一直是控制领域的难点。论文根据加热炉控制的研究现状,研究了加热炉控制中的技术难点。主要研究内容如下：1.针对加热炉这一大滞后系统,研究了常规的PID控制、串级控制、以及Smith预估控制等方法在加热炉控制系统中的应用。2.研究了神经网络与Smith预估控制、PID控制的结合算法在加热炉控制过程中的作用。3.利用神经网络可逼近任意非线性函数的能力,以及Smith预估控制理论,提出了一种基于神经网络补偿的纯滞后系统控制策略,实现了Smith预估控制和神经网络控制的结合。仿真结果表明该算法具有良好的控制效果,能提高系统的鲁棒性和控制品质。
范锴光[7]（2007）在《神经网络PID控制系统设计及参数PSO优化研究》文中研究说明PID控制技术是一种应用很普遍的控制技术，目前在很多方面都有广泛的应用。本文首先简要介绍了神经网络的理论基础和神经网络的学习算法，传统的常规PID控制器，针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处进行了分析。为了达到改善常规PID控制器在复杂的、动态的和不确定的系统控制还存在着许多不足之处的目的，文中系统的介绍了五种改进方式，主要有：模糊PID控制器、专家PID控制器、灰色PID控制器、遗传算法PID控制器和神经网络PID控制器。神经网络具有强的非线性映射能力、自学习能力、联想记忆能力、并行信息处理方式及优良的容错性能。应用神经网络对PID控制器进行改进后，对于工业控制中的复杂系统控制有着更好的控制效果，有效的改善了由于系统结构和参数变化导致的控制效果不稳定。文中主要对基于单神经元PID控制器、BP神经网络PID控制器进行研究。对于BP神经网络初始权值选择困难的问题，本文采用粒子群优化算法（PSO）来对BP神经网络控制器进行优化。本文同时也利用PSO算法对常规PID控制器的参数进行整定研究。最后，本文分别对PSO算法和常规Z-N法整定的常规PID控制器进行仿真试验，仿真结果表明PSO整定法明显改善了系统性能。本文也对单神经元自适应PID控制系统和基于PSO优化的BP神经网络PID控制系统进行仿真试验，发现后者使系统的性能有所提高。
邵奎星,申东日,陈义俊,范燕[8]（2007）在《改进的Elman网络在非线性系统辨识中的应用》文中研究指明通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题。通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识。
周峰[9]（2006）在《神经网络PID控制在工业过程控制中的应用研究》文中指出PID控制方法是经典控制算法中的典型代表,并在多种控制场合取得了很好的效果,但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高,传统的PID控制方法往往难以满足闭环优化控制的要求。基于知识且不依赖于模型的智能控制为解决这类问题提供了新的思路,成为目前提高过程控制质量的重要途经。而神经网络作为现代信息处理技术的一种,正在很多应用中显示它的优越性,它在自动控制领域的应用成果——神经网络控制也成为令人瞩目的发展方向。而神经网络PID控制技术在其中扮演了十分重要的角色,并且仍将成为未来研究与应用的重点技术之一,这是因为PID类型的控制技术在工业过程控制中仍占有主导地位,如果能发现性能优于PID的控制器,且具有类似PID易于使用的特点,无论在理论还是实践上都将具有重要的意义。 本文对目前研究较为成熟的神经网络PID控制进行了归纳,根据工业控制的需要,对几种典型的神经网络PID控制器（基于单神经元的PID控制器SNPC,基于多层网的PID控制器NNPC和基于多层网的近似PID控制器LPNC）进行了仿真研究,并比较分析了各种控制器的优缺点,并针对缺点提出了相应的改进方案。 最后,在山梨醇化工生产线的自动控制系统项目中,将LPNC用于其结晶过程的温度控制,通过仿真比较证实了神经网络PID控制的有效性和适用性,并在RSView中用VB语言实现了温度的自动控制过程。
杨彦利[10]（2005）在《旋转机械故障诊断工程师辅助分析系统研究与开发》文中研究指明随着现代工业的快速发展，对设备的安全运行要求越来越高，故障诊断技术得到了广泛的重视，而传统的诊断技术已经很难适应工业生产的需要。伴随着计算机技术的发展，将专家系统与神经网络技术应用到故障诊断中，故障诊断进入了智能化阶段， 本文针对大型的旋转机械，分析了设备的状态监测技术，详细介绍了设备诊断中的重要方法——振动诊断方法，并介绍了与之相关的信号处理方法。通过对旋转机械常见故障机理的分析．形成了相应的专家知识及故障治理措施。通过介绍神经网络的原理、功能、模型等，推导了三层BP神经网络的数学模型，从而建立了智能故障诊断系统的模型及模块化结构，详细介绍了每一模块的功能及其模型。结合故障诊断中的实际经验，利用VC++6.0实现了模型的计算机化。针对网络易陷入局部最优的缺点，设计了限幅的变步长算法来改进系统的学习过程。 针对设备运行中存在的大量的非线性现象，本文还开发了一个小波分析模块。由于FFT在振动信号的处理中存在一定的局限性，而小波变换具有时频特性，可以保证信息的完备性。因此，在介绍小波变换的数学模型和物理意义的同时，还阐述了它在故障诊断中的应用。这样就可以配合诊断模块，对设备的运行状态进行直观的反映。 本文设计的系统能够在线运行，可以多通道实时监测设备的运行状态。在将专家知识按规定的格式输入到系统后，经学习后系统就具有了区分这些故障模式的能力，就可以用来进行故障识别。
二、带一类自适应非线性特性的变步长BP学习算法（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、带一类自适应非线性特性的变步长BP学习算法（论文提纲范文）
（1）基于CANPSO-BP网络的自卸车参数辨识与平顺性优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 车辆动力学模型参数辨识的研究概况 |
| 1.2.1 参数辨识研究现状 |
| 1.2.2 车辆工程中的参数辨识研究现状 |
| 1.3 智能计算技术研究概况 |
| 1.3.1 人工神经网络研究现状 |
| 1.3.2 粒子群算法研究现状 |
| 1.4 汽车平顺性优化的研究概况 |
| 1.5 本文的研究内容 |
| 第2章 基于CANPSO算法的BP神经网络优化研究 |
| 2.1 BP神经网络原理分析 |
| 2.1.1 人工神经元介绍 |
| 2.1.2 BP神经网络原理概述 |
| 2.1.3 BP神经网络存在的主要问题 |
| 2.1.4 改进粒子群算法优化BP神经网络的改进设想 |
| 2.2 粒子群优化算法的改进研究 |
| 2.2.1 改进粒子群算法的基本思想 |
| 2.2.2 粒子群算法混沌初始化 |
| 2.2.3 惯性权重动态改变策略 |
| 2.2.4 小生境进化策略 |
| 2.2.5 改进粒子群算法(CANPSO)的提出 |
| 2.3 CANPSO算法对BP神经网络优化研究 |
| 2.3.1 粒子群优化神经网络的基本方法 |
| 2.3.2 CANPSO算法优化BP神经网络的模型设计 |
| 2.4 本章小结 |
| 第3章 基于CANPSO-BP网络的悬架非线性参数辨识研究 |
| 3.1 整车行驶平顺性试验 |
| 3.1.1 试验工况的设计 |
| 3.1.2 试验设备及测点的布置 |
| 3.1.3 试验数据测量及处理 |
| 3.2 整车动力学模型的建立 |
| 3.2.1 自卸车模型参数的选取 |
| 3.2.2 整车多体动力学模型的建立 |
| 3.3 CANPSO-BP网络在座椅悬架参数辨识中的应用 |
| 3.3.1 训练、预测样本集的收集和处理 |
| 3.3.2 改进粒子群神经网络拓扑结构与基本参数确定 |
| 3.3.3 CANPSO-BP网络辨识方法的研究 |
| 3.3.4 CANPSO-BP网络辨识能力分析 |
| 3.3.5 座椅悬架参数辨识结果及试验验证 |
| 3.4 CANPSO-BP网络在油气悬架参数辨识中的应用 |
| 3.4.1 油气悬架参数预测模型的建立 |
| 3.4.2 CANPSO-BP网络辨识能力分析 |
| 3.4.3 油气悬架参数辨识结果及试验验证 |
| 3.5 本章小结 |
| 第4章 基于CANPSO-BP网络的矿山软土路面不平度辨识 |
| 4.1 弹性轮胎与软土路面接触模型分析 |
| 4.1.1 地面力学特性 |
| 4.1.2 弹性轮胎的判别依据 |
| 4.1.3 弹性轮胎-软土路面力学特性分析 |
| 4.2 车辆-软土路面耦合系统的子程序编程及实现 |
| 4.2.1 基于C语言编程的TIRSUB轮胎子程序建立 |
| 4.2.2 时域路面不平度函数的生成 |
| 4.2.3 车辆-软土路面耦合模型建立 |
| 4.3 矿山软土路面不平度辨识研究 |
| 4.3.1 矿山软土路面不平度辨识模型的建立 |
| 4.3.2 CANPSO-BP网络辨识能力分析 |
| 4.3.3 路面不平度参数辨识结果及试验验证 |
| 4.4 本章小结 |
| 第5章 矿用自卸车平顺性区间不确定性优化 |
| 5.1 区间不确定性优化理论 |
| 5.1.1 不确定性优化方法 |
| 5.1.2 区间不确定性优化的描述 |
| 5.2 目标函数和设计变量的确定 |
| 5.2.1 目标函数的确定 |
| 5.2.2 优化变量的确定 |
| 5.2.3 不确定性变量的确定 |
| 5.3 基于区间不确定性的平顺性优化 |
| 5.3.1 试验设计 |
| 5.3.2 近似模型的建立 |
| 5.3.3 平顺性优化结果分析 |
| 5.4 区间不确定性与确定性优化结果对比分析 |
| 5.4.1 传统的确定性优化 |
| 5.4.2 优化结果对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 A(攻读学位期间发表的论文) |
（2）电力通信传输网自愈能力评估系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 研究生期间主要工作 |
| 1.5 论文组织结构 |
| 第二章 自愈能力评估技术概述 |
| 2.1 自愈概述 |
| 2.1.1 自愈及其应用 |
| 2.1.2 名词解释 |
| 2.1.3 自愈技术在电力通信传输网中的应用 |
| 2.2 综合评估方法概述 |
| 2.2.1 综合评估方法简述 |
| 2.2.2 层次分析法 |
| 2.2.3 模糊综合评价法 |
| 2.3 本章小结 |
| 第三章 BP神经网络算法评估系统的自愈能力 |
| 3.1 BP神经网络算法 |
| 3.1.1 BP神经网络基础概念 |
| 3.1.2 BP神经网络的算法原理 |
| 3.2 BP神经网络算法的改进 |
| 3.2.1 BP神经网络算法的不足 |
| 3.2.2 BP神经网络算法的改进 |
| 3.3 电力通信传输网自愈能力指标体系 |
| 3.4 实验分析 |
| 3.4.1 改进的BP神经网络算法流程 |
| 3.4.2 系统自愈能力评估 |
| 3.4.3 仿真结果图 |
| 3.5 本章小结 |
| 第四章 自愈能力评估系统的设计与实现 |
| 4.1 功能需求 |
| 4.1.1 自愈能力评估 |
| 4.1.2 自愈行为模拟 |
| 4.1.3 系统功能结构 |
| 4.2 系统技术方案 |
| 4.2.1 技术选型 |
| 4.2.2 系统软件结构 |
| 4.2.3 系统架构 |
| 4.3 数据库 |
| 4.3.1 光缆层 |
| 4.3.2 传输层 |
| 4.3.3 业务层 |
| 4.4 业务流程图 |
| 4.4.1 全网评估流程 |
| 4.4.2 仿真平台评估流程 |
| 4.4.3 自愈行为流程 |
| 4.5 系统部分截图 |
| 4.6 系统测试 |
| 4.6.1 功能测试 |
| 4.6.2 压力测试 |
| 4.6.3 恢复测试 |
| 4.6.4 兼容测试 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（3）基于多点红外探头的铁路轴温热判方法和探测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 铁路红外轴温探测站的发展与研究现状 |
| 1.2.1 铁路轴温探测设备 |
| 1.2.2 热轴判别方法 |
| 1.3 铁路红外轴温监测中心站的发展现状 |
| 1.4 本文的研究内容 |
| 1.5 论文的结构安排 |
| 第2章 铁路热轴探测的理论研究 |
| 2.1 铁路轴温探测系统的体系结构 |
| 2.2 铁路红外轴温探测的原理 |
| 2.3 铁路轴温的探测模型 |
| 2.3.1 轴温探测波形的形成 |
| 2.3.2 基于线阵式多点红外探测器的轴温探测模型 |
| 2.3.3 计算机处理线阵式探测模型的关键技术 |
| 2.4 线阵式轴温特征值的计算 |
| 2.4.1 多传感器信息融合思想概述 |
| 2.4.2 多传感器分批估计融合算法 |
| 2.4.3 融合算法在线阵式探测模型中的应用 |
| 2.5 热轴判别方法的研究 |
| 2.5.1 人工神经网络理论的基本概念 |
| 2.5.2 模糊理论概述 |
| 2.5.3 模糊神经网络的提出 |
| 2.5.4 基于模糊神经网络的热轴判别 |
| 2.6 本章小结 |
| 第3章 铁路轴温探测站计算机监控终端的设计与研发 |
| 3.1 探测站的体系结构与组成部分 |
| 3.1.1 智能线阵式红外轴温探测设备 |
| 3.1.2 RS485 串行通信接口 |
| 3.1.3 计算机监控终端 |
| 3.2 计算机监控终端数据通信设计 |
| 3.2.1 通信流程 |
| 3.2.2 通信内容 |
| 3.2.3 通信报文格式设计 |
| 3.2.4 通信参数 |
| 3.3 计算机终端热轴探测软件的设计 |
| 3.3.1 开发工具以及组件 |
| 3.3.2 软件结构 |
| 3.3.3 串口通信功能的实现 |
| 3.3.4 探测器状态巡检功能的实现 |
| 3.3.5 热轴的判别与报警功能的实现 |
| 3.4 终端数据库的设计和其它功能的实现 |
| 3.4.1 数据库设计 |
| 3.4.2 连接数据库的实现 |
| 3.4.3 本地轴温信息查询与统计功能的实现 |
| 3.5 软件界面设计 |
| 3.6 本章小结 |
| 第4章 铁路轴温监测联网中心站的设计 |
| 4.1 铁路轴温联网中心站的需求与结构 |
| 4.2 联网系统的数据传输 |
| 4.3 中心站服务器数据库的设计 |
| 4.4 全路联网轴温监测平台的设计与实现 |
| 4.4.1 平台架构的设计 |
| 4.4.2 平台开发和运行环境 |
| 4.4.3 探测设备监测功能的实现 |
| 4.4.4 热轴监测与追踪功能的实现 |
| 4.4.5 轴温查询功能的实现 |
| 4.4.6 获取探测站周围气象动态功能的实现 |
| 4.5 本章小结 |
| 第5章 系统测试 |
| 5.1 测试内容和方法 |
| 5.2 测试平台的搭建 |
| 5.3 探测站热轴探测软件的测试 |
| 5.3.1 探头工作状态监测功能 |
| 5.3.2 热轴报警功能 |
| 5.3.3 热轴详细信息显示功能 |
| 5.4 全路联网轴温监测平台的测试 |
| 5.4.1 全路探测设备监测功能的测试 |
| 5.4.2 全路热轴追踪功能的测试 |
| 5.4.3 历史轴温数据查询功能的测试 |
| 5.5 通信网络测试 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（4）基于BP神经网络的自适应逆控制的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 自适应逆控制概述 |
| 1.2.1 自适应逆控制的基本思想 |
| 1.2.2 线性系统的自适应逆控制 |
| 1.2.3 非线性系统的自适应逆控制 |
| 1.2.4 自适应逆控制中消除对象扰动环节 |
| 1.3 国内外研究现状 |
| 1.4 本文主要目的、工作和内容安排 |
| 第二章 BP神经网络 |
| 2.1 BP神经网络的拓扑结构 |
| 2.2 BP神经网络参数选择 |
| 2.3 BP算法 |
| 2.4 小结 |
| 第三章 基于BP神经网络的自适应逆控制系统设计 |
| 3.1 非线性系统逆的存在性 |
| 3.1.1 可逆性定义 |
| 3.1.2 奇异性定义 |
| 3.1.3 可逆性判定定理 |
| 3.2 正向建模 |
| 3.3 神经网络逆控制器的设计 |
| 3.4 基于BP神经网络的非线性AIC系统结构的设计 |
| 3.4.1 BPTM算法 |
| 3.4.2 基于神经网络的非线性自适应逆控制算法步骤 |
| 3.4.3 基于BP神经网络的模型参考自适应逆控制结构 |
| 3.5 仿真研究 |
| 3.5.1 非线性对象 |
| 3.5.2 基于BP神经网络的非线性自适应逆控制结构 |
| 3.5.3 仿真结果 |
| 3.6 小结 |
| 第四章 非线性自适应逆控制系统的扰动抑制设计 |
| 4.1 扰动作用下非线性对象建模 |
| 4.2 逆对象模型建模 |
| 4.3 扰动存在下逆控制器的设计 |
| 4.4 具有扰动消除的模型参考自适应逆控制系统设计 |
| 4.5 扰动消除仿真分析 |
| 4.5.1 受扰动非线性对象 |
| 4.5.2 仿真结果 |
| 4.6 小结 |
| 第五章 倒立摆自适应逆控制系统的仿真研究 |
| 5.1 倒立摆系统 |
| 5.2 状态反馈控制 |
| 5.3 基于BP神经网络的倒立摆非线性自适应逆控制系统的仿真分析 |
| 5.3.1 倒立摆非线性模型 |
| 5.3.2 非线性倒立摆系统正向建模 |
| 5.3.3 倒立摆自适应逆控制 |
| 5.4 扰动存在情况下线性倒立摆的控制仿真 |
| 5.4.1 状态反馈控制下仿真结果 |
| 5.4.2 线性AIC控制下仿真结果 |
| 5.5 小结 |
| 第六章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要的研究成果 |
（5）纯滞后系统的控制算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 前言 |
| 1 选题的背景及研究意义 |
| 2 纯滞后系统的研究现状 |
| 3 纯滞后系统研究的发展前景 |
| 4 论文的主要研究内容 |
| 第一章 纯滞后系统的常规控制 |
| 1.1 常规PID 算法 |
| 1.1.1 算法描述 |
| 1.1.2 仿真分析 |
| 1.2 改进PID 控制算法 |
| 1.2.1 变速积分PID 控制 |
| 1.2.2 不完全微分PID 控制 |
| 1.2.3 基于前馈补偿的PID 控制 |
| 1.3 Smith 预估补偿控制 |
| 1.3.1 算法描述 |
| 1.3.2 仿真及性能分析 |
| 1.4 本章小结 |
| 第二章 纯滞后系统的模糊控制 |
| 2.1 模糊控制概述 |
| 2.2 模糊控制基本理论 |
| 2.2.1 模糊化 |
| 2.2.2 模糊推理 |
| 2.2.3 知识库 |
| 2.2.4 清晰化 |
| 2.3 模糊非线性PID 控制器的设计 |
| 2.3.1 语言变量的模糊化 |
| 2.3.2 模糊控制规则表 |
| 2.3.3 算法步骤 |
| 2.3.4 仿真程序 |
| 2.4 本章小结 |
| 第三章 纯滞后系统的神经网络控制 |
| 3.1 人工神经网络概述 |
| 3.2 BP 神经网络控制 |
| 3.2.1 网络结构及学习算法 |
| 3.2.2 BP 学习算法的特点 |
| 3.2.3 基于BPNN 的PID 控制 |
| 3.3 基于RBF 神经网络的Smith 预估控制 |
| 3.3.1 RBF 神经网络结构及学习规则 |
| 3.3.2 RBF-PID 整定原理 |
| 3.3.3 仿真控制 |
| 3.4 纯滞后系统的各种控制算法比较 |
| 3.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 详细摘要 |
（6）基于神经网络的原稳加热炉控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 前言 |
| 1.1 选题的背景及研究意义 |
| 1.2 原稳加热炉控制的研究现状 |
| 1.2.1 原稳加热炉简介 |
| 1.2.2 PID控制 |
| 1.2.3 Smith预估控制 |
| 1.2.4 智能控制 |
| 1.3 原稳加热炉控制的发展前景 |
| 1.4 论文的主要内容 |
| 第二章 加热炉控制系统的基本原理 |
| 2.1 引言 |
| 2.2 原稳加热炉控制的PID算法 |
| 2.2.1 PID控制的基本原理 |
| 2.2.2 PID控制器 |
| 2.2.3 数值仿真 |
| 2.2.4 结论 |
| 2.3 基于SMITH预估算法的原稳加热炉控制 |
| 2.3.1 Smith预估控制的基本原理 |
| 2.3.2 数值仿真 |
| 2.4 基于串级控制的原稳加热炉控制 |
| 2.4.1 串级控制的基本思想 |
| 2.4.2 基于串级控制的加热炉控制 |
| 2.4.3 数值仿真 |
| 2.4.4 存在的问题和改进方法 |
| 2.5 加热炉系统的大林控制算法 |
| 2.5.1 大林算法的基本原理 |
| 2.5.2 数值仿真 |
| 第三章 神经网络控制理论 |
| 3.1 人工神经网络概论及其发展 |
| 3.2 单神经元神经网络 |
| 3.2.1 生物神经元模型 |
| 3.2.2 单神经元模型 |
| 3.2.3 神经网络模型 |
| 3.2.4 数值仿真 |
| 3.3 PID神经网络 |
| 3.3.1 网络结构与输出计算 |
| 3.3.2 学习算法 |
| 3.4 多层前馈网络与BP算法 |
| 3.4.1 网络结构 |
| 3.4.2 BP学习算法 |
| 3.4.3 BP学习算法的特点 |
| 3.4.4 数值仿真 |
| 3.5 RBF神经网络 |
| 3.5.1 网络输出计算 |
| 3.5.2 网络的学习算法 |
| 3.5.3 数值仿真 |
| 第四章 基于神经网络补偿的控制算法在加热炉控制中的应用 |
| 4.1 引言 |
| 4.2 基于神经网络补偿的控制算法 |
| 4.2.1 Smith预估控制 |
| 4.2.2 基于BP网络补偿的纯滞后系统控制 |
| 4.3 在原稳加热炉控制现场中的应用 |
| 4.3.1 加热炉系统的硬件及软件设计 |
| 4.3.2 实现的功能及成果 |
| 第五章 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
（7）神经网络PID控制系统设计及参数PSO优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容 |
| 第2章 常规及改进PID控制器 |
| 2.1 常规PID控制算法的理论基础 |
| 2.1.1 模拟PID控制算法 |
| 2.1.2 数字PID控制算法 |
| 2.2 改进型PID控制器 |
| 2.2.1 模糊PID控制器 |
| 2.2.2 专家PID控制器 |
| 2.2.3 基于遗传算法整定的PID控制器 |
| 2.2.4 灰色PID控制器 |
| 2.2.5 神经网络PID控制器 |
| 2.3 组合优化改进型PID控制器 |
| 2.3.1 模糊神经网络PID控制器 |
| 2.3.2 遗传算法神经网络PID控制器 |
| 第3章 神经网络基础 |
| 3.1 神经元的数理建模 |
| 3.1.1 MP模型 |
| 3.1.2 其它形式的作用函数 |
| 3.1.3 Hebb学习规则 |
| 3.2 感知器 |
| 3.2.1 单层感知器 |
| 3.2.2 多层感知器 |
| 3.3 多层前馈网络与BP学习算法 |
| 3.3.1 网络结构 |
| 3.3.2 BP学习算法 |
| 3.4 其它网络类型及学习算法 |
| 3.4.1 自适应线性神经元与δ规则 |
| 3.4.2 径向基函数神经网络 |
| 3.4.3 小脑模型神经网络 |
| 3.4.4 连续型Hopfield网络 |
| 3.5 神经网络的学习规则 |
| 第4章 神经网络PID控制器 |
| 4.1 神经元PID控制器 |
| 4.2 单神经元自适应PID控制器 |
| 4.3 基于BP神经网络参数自学习的PID控制器 |
| 4.4 改进型BP神经网络参数自学习PID控制器 |
| 4.4.1 采用线性预测模型的BP神经网络PID控制器 |
| 4.4.2 采用非线性预测模型的BP神经网络PID控制器 |
| 4.5 遗传算法神经网络PID控制器 |
| 第5章 PSO优化研究 |
| 5.1 粒子群优化算法基本原理 |
| 5.2 粒子群算法的各种改进算法 |
| 5.2.1 惯性权重法 |
| 5.2.2 自适应模糊惯性权重法 |
| 5.2.3 压缩因子法 |
| 5.2.4 基于遗传选择思想改进微粒群算法 |
| 5.3 PSO整定常规PID控制器参数 |
| 5.4 PSO优化BP神经网络PID控制器 |
| 第6章 仿真试验 |
| 6.1 常规PID控制及PSO改进常规PID控制器仿真 |
| 6.2 单神经元PID控制器仿真 |
| 6.3 PSO优化的神经网络PID控制器仿真 |
| 第7章 总结与展望 |
| 工作总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目与发表论文 |
（8）改进的Elman网络在非线性系统辨识中的应用（论文提纲范文）
| 0前言 |
| 1 Elman网络及其改进 |
| 1.1 学习算法 |
| 1.2 学习算法的改进 |
| 2 仿真实验 |
| 3 结束语 |
（9）神经网络PID控制在工业过程控制中的应用研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 工业过程控制概述 |
| 1.1.1 工业过程控制的特点 |
| 1.1.2 工业过程控制的发展 |
| 1.2 工业过程控制的常用算法 |
| 1.3 神经网络PID控制研究的意义和现状 |
| 1.4 本文的主要工作 |
| 第二章 神经网络基础 |
| 2.1 神经元的数理建模 |
| 2.1.1 MP模型 |
| 2.1.2 其它形式的作用函数 |
| 2.1.3 Hebb学习规则 |
| 2.2 感知器 |
| 2.2.1 单层感知器 |
| 2.2.2 多层感知器 |
| 2.3 多层前馈网络与BP学习算法 |
| 2.3.1 网络结构 |
| 2.3.2 BP学习算法 |
| 2.4 其它网络类型及学习算法 |
| 2.4.1 自适应线性神经元与δ规则 |
| 2.4.2 径向基函数神经网络 |
| 2.4.3 小脑模型神经网络 |
| 2.4.4 连续型Hopfield网络 |
| 第三章 神经网络PID控制 |
| 3.1 基于神经网络的PID控制理论 |
| 3.1.1 基于单神经元的直接PID控制 |
| 3.1.1.1 基于单神经元的PID控制器(SNPC) |
| 3.1.1.2 单神经元 PID控制器的稳定性分析 |
| 3.1.2 基于多层前向网的PID控制 |
| 3.1.2.1 基于 BP学习算法的多层前向网 PID控制器 |
| 3.1.2.2 基于多层前向网的 PID控制的改进方案 |
| 3.1.3 基于多层网的近似 PID控制 |
| 3.2 基于神经网络的 PID控制器的仿真研究 |
| 3.2.1 基于单个神经元PID控制器的实例仿真 |
| 3.2.2 基于 BP学习算法的多层前向网 PID控制器的实例仿真 |
| 3.2.3 基于 BP学习算法的多层网近似 PID控制器的实例仿真 |
| 3.2.4 各种神经网络 PID控制器比较分析 |
| 第四章 神经网络 PID控制器在山梨醇生产线控制系统中的应用 |
| 4.1 山梨醇生产工艺简介 |
| 4.2 山梨醇生产线计算机控制系统设计 |
| 4.2.1 系统配置 |
| 4.2.1.1 硬件配置 |
| 4.2.1.2 网络结构 |
| 4.2.1.3 软件配置 |
| 4.2.2 系统控制 |
| 4.3 结晶工艺段温度控制系统的设计及实现 |
| 4.3.1 控制方案设计 |
| 4.3.2 被控过程的数学模型 |
| 4.3.4 控制系统的实现方案 |
| 第五章 结论与展望 |
| 5.1 工作总急结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
（10）旋转机械故障诊断工程师辅助分析系统研究与开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 诊断技术的发展与诊断研究的意义 |
| 1.1.1 故障诊断的必要性 |
| 1.1.2 机械故障诊断的发展历程 |
| 1.1.3 智能故障诊断技术 |
| 1.1.4 故障诊断的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外的研究现状 |
| 1.2.2 国内的研究现状 |
| 1.3 本文研究的主要内容 |
| 本章小结 |
| 第二章 振动监测与信号处理 |
| 2.1 故障诊断的常用方法 |
| 2.1.1 故障诊断的概念 |
| 2.1.2 常用的故障诊断方法 |
| 2.2 振动诊断方法 |
| 2.2.1 振动监测系统 |
| 2.2.2 测点的选择 |
| 2.2.3 判断标准 |
| 2.3 振动信号处理 |
| 2.3.1 时域分析 |
| 2.3.2 频域分析 |
| 2.3.3 时频分析 |
| 本章小结 |
| 第三章 旋转机械的常见故障及机理 |
| 3.1 旋转机械振动的基本特征 |
| 3.1.1 转子振动的基本特征 |
| 3.1.2 临界转速 |
| 3.2 旋转机械的常见故障机理 |
| 3.2.1 转子不平衡 |
| 3.2.2 转子不对中 |
| 3.2.3 转子弯曲 |
| 3.2.4 油膜涡动与油膜振荡 |
| 3.2.5 轴裂纹 |
| 3.2.6 碰摩 |
| 本章小结 |
| 第四章 基于BP神经网络的智能故障诊断系统 |
| 4.1 专家系统 |
| 4.1.1 专家系统的基本结构 |
| 4.1.2 专家系统各部分功能 |
| 4.1.3 机械设备故障诊断专家系统 |
| 4.2 神经网络 |
| 4.2.1 神经网络的基本理论 |
| 4.2.2 神经网络的信息处理能力 |
| 4.2.3 人工神经网络的用途 |
| 4.2.4 神经网络模式识别 |
| 4.2.5 BP神经网络 |
| 4.3 神经网络智能故障诊断系统 |
| 本章小结 |
| 第五章 在线故障辅助分析系统的开发 |
| 5.1 系统的体系结构 |
| 5.2 系统各部分的功能及其模型 |
| 5.2.1 系统知识库及其管理软件 |
| 5.2.2 故障征兆提取 |
| 5.2.3 神经网络系统 |
| 5.2.4 动态数据库 |
| 5.2.5 推理机 |
| 5.2.6 解释机制 |
| 本章小结 |
| 第六章 小波分析在故障诊断中的应用 |
| 6.1 小波分析简介 |
| 6.1.1 短时傅里叶变换 |
| 6.1.2 连续小波变换 |
| 6.1.3 离散小波变换 |
| 6.1.4 多分辨分析 |
| 6.1.5 小波包 |
| 6.2 小波变换在故障诊断中应用 |
| 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、带一类自适应非线性特性的变步长BP学习算法（论文参考文献）
- [1]基于CANPSO-BP网络的自卸车参数辨识与平顺性优化[D]. 朱一帆. 湖南大学, 2015(04)
- [2]电力通信传输网自愈能力评估系统的设计与实现[D]. 葛晓静. 北京邮电大学, 2015(08)
- [3]基于多点红外探头的铁路轴温热判方法和探测系统研究[D]. 武峥嵘. 北京工业大学, 2013(03)
- [4]基于BP神经网络的自适应逆控制的研究与应用[D]. 谢慧娟. 中南大学, 2012(02)
- [5]纯滞后系统的控制算法研究[D]. 刘显晶. 东北石油大学, 2010(05)
- [6]基于神经网络的原稳加热炉控制研究[D]. 张永华. 东北石油大学, 2010(08)
- [7]神经网络PID控制系统设计及参数PSO优化研究[D]. 范锴光. 武汉理工大学, 2007(05)
- [8]改进的Elman网络在非线性系统辨识中的应用[J]. 邵奎星,申东日,陈义俊,范燕. 河南科技大学学报(自然科学版), 2007(01)
- [9]神经网络PID控制在工业过程控制中的应用研究[D]. 周峰. 合肥工业大学, 2006(08)
- [10]旋转机械故障诊断工程师辅助分析系统研究与开发[D]. 杨彦利. 大连交通大学, 2005(12)