一、BP网络激励函数的研究（论文文献综述）
彭正晓[1]（2021）在《基于神经网络的融合估计研究》文中提出本文基于神经网络,提出了多传感器线性和非线性融合估计方法。本文首先针对线性系统,利用局部线性估计和三种经典分布式融合估计作为样本训练集,提出了基于BP网络的按矩阵加权,按对角阵加权和按标量加权三种分布式融合算法,并给出了关于该融合框架隐含层节点数目选择的依据。其次,本文以局部线性估计值作为网络输入,集中式融合估计作为目标训练集,提出了一种基于递归网络Elman的线性系统分布式融合框架。该融合算法精度高于三种经典分布式融合算法,并给出了相应的理论依据,并在平面目标跟踪系统验证了所提出算法的有效性。再次,针对非线性系统的复杂性及不确定性,再加上估计值间的协方差不易求得等难题,本文提出了一种基于BP网络按矩阵加权分布式融合CKF算法。该算法与经典矩阵融合CKF算法相比,无需每时刻计算协方差矩阵,并证明了机器学习方法的理论等效性。最后,本文以局部非线性估计值作为网络输入,集中式融合估计作为目标训练集,提出了一种基于BP网络的非线性系统分布式融合框架,并在平面目标跟踪系统验证了所提出算法的有效性。
单涵琪[2]（2020）在《基于UR5机械臂的运动学分析及轨迹规划研究》文中认为随着工业技术的发展,机械臂已经逐步成为工业领域自动化程度最高的科技产品之一,它可代替人进行繁重劳动以实现生产的机械化和自动化,能在有害环境下作业以保护人身安全,因而广泛应用于机械制造、汽车、冶金、电子、轻工和原子能等行业。目前,机械臂运动学分析和轨迹规划是机械臂的重要研究方向,高效精确的逆运动学求解算法和快速平滑的轨迹对提高机械臂运动稳定性、运动精度和作业效率有着重要意义。因此,本文从这两方面出发,以UR5机械臂为研究对象,开展了如下研究工作:论文在查阅国内外相关文献资料的基础上,利用机械臂在空间坐标下的位姿表示方法以及齐次变换原理,采用D-H标准方法建立了六自由度UR5机械臂的运动学模型。基于ROS平台建模了UR5机械臂URDF模型,对其改进后使用Rviz3D可视化平台验证了URDF模型的有效性,采用Moveit功能包对机械臂的URDF文件进行配置,为后面UR5机械臂的运动学分析及轨迹规划算法研究提供虚拟仿真模型。针对机械臂的逆运动学求解难且精度差的问题,提出了一种改进隐含层激励函数的BP神经网络求解逆运动学方法。通过仿真实验表明该方法比标准BP神经网络方法收敛速度快和精度高,能够有效解决逆运动学求解问题。在介绍了机械臂的轨迹规划原理基础上,讨论了在关节空间和笛卡尔空间下轨迹规划的方法和流程。提出了基于组合函数的轨迹规划方法,通过逆运动学求得机械臂末端执行器在关节空间的关节角度。在满足约束的条件下,利用Gazebo物理仿真平台进行了UR5机械臂运动仿真实验,实验结果表明该运动轨迹更加平稳,可以减小机械臂关节冲击和磨损,为机械臂的控制提供了理论依据。
胡磊[3]（2020）在《基于机器视觉的机械臂分拣技术研究》文中指出随着中国制造2025战略的发展,机械臂在智能制造中的应用越来越广泛,引入机器视觉的机械臂将传统的工业制造转入了智能化模式,不但提高了生产效率,而且改变了常规的生产格局。依靠人工完成不同物体的分拣工作具有许多弊端,本文主要研究基于机器视觉的机械臂分拣工作,包含机械臂的运动分析和视觉分类识别两部分内容。分拣系统以AUBO-i5机械臂为主要硬件平台,结合机器视觉设计了软件系统并对不同的工件进行了分拣实验验证,在实际的生产中具有较高的理论指导和应用价值。首先,采用M-D-H方法建立AUBO-i5机械臂的连杆坐标系并计算对应坐标系之间的齐次转换矩阵,对机械臂进行运动学建模分析得到关节空间和笛卡尔空间的映射关系,根据正逆运动学完成机械臂五次插值的轨迹规划。为了视觉系统能够精准地引导机械臂进行分拣工作,需要对视觉系统进行标定,在HALCON中完成双目标定以及双目视觉定位,得到双目相机的内外参,同时进行Eye-to-hand模式的手眼标定得到相机坐标系与机械臂坐标系的转换矩阵。其次,针对采用单一类型特征进行目标分类时准确度较低的问题,本文在图像预处理后提取工件的仿射不变矩、圆形性以及矩形度等特征,采用多特征融合的方式制作分类器的数据集以提高分类识别的准确度。为解决在工厂等环境中相机采集的图像存在信息不完整、目标物体辨认度较低的问题,质量过低的图像会造成分类识别准确度降低,本文采用改进的Retinex方法来对图像进行增强处理。然后,针对传统的工件分类方法中因物体的特征参数和种类具有较强的非线性映射关系导致分类准确度较低的问题,本文提出一种量子粒子群（Quantum Particle Swarm Optimization,QPSO）结合BP神经网络（Back Propagation Neural Network,BP）的工件分类识别方法。用QPSO优化BP网络中的权值与阈值参数,解决传统粒子群算法容易陷入局部最优的情况。先用特征向量和类别标签构成数据集在QPSO-BP网络中训练,然后用训练好的分类器完成对不同物体的分类识别。最后,以AUBO-i5机械臂为主要硬件平台设计实验系统,运用本文提出的QPSO-BP分类方法结合图像处理等软件系统完成机械臂对不同工件的分拣工作,实验结果表明该方法能够在工件分拣过程中进行准确的分类识别。
莫华朝[4]（2020）在《10kV馈线短期负荷预测方法研究与应用》文中进行了进一步梳理电力系统负荷是一个动态变化过程,它受地区经济发展、政治因素、自然条件等因素影响,因此,如何利用历史负荷数据以及收集其他历史影响因素,建立合适的短期负荷预测模型,进行快速、高精度地预测未来某一段时间的负荷值,成为了维持电力系统安全运行、电力市场供求平衡的关键点。短期负荷预测是指预测未来一天至一周的负荷值,对供电质量及可靠性的稳定提高具有十分重大的指导意义,同时是缩小负荷预测差额、减少运行成本以及利润损失的前提,因此,不断探索研究先进迅速有效的短期负荷预测方法显得日趋重要。本文首先介绍了国内外常见的趋势外推法、时间序列法、灰色模型、专家系统、神经网络、小波分析等负荷预测算法模型,然后选择了神经网络算法进行研究分析,详尽介绍了BP网络与Elman网络算法网络结构与基本原理,利用广州市番禺区某变电站10k V馈线的历史负荷数据,首先进行历史数据的前期的预处理,避免由于异常数据影响预测效果。同时通过对历史数据的负荷特性分析和相关性分析,研究剖析气温、日类型因素对10k V馈线负荷的影响。本文选择MATLAB软件进行算法编程,通过调用神经网络工具箱函数,分别建立BP网络与Elman网络模型并训练,并利用验证样本与仿真预测结果对比分析,根据仿真结果分析可知本文所采用神经网络负荷预测模型的合理性。另外根据利用不同神经网络算法的短期负荷预测结果在误差和收敛速度方面进行比较分析,表明在电力负荷短期预测的应用方面,Elman神经网络算法比BP神经网络算法具有更优预测性能。为了进一步提高预测精度,本文采取从Elman网络算法的激励函数和网络结构上进行改进完善,从而在短期负荷预测方面获取更优的效果表现。本文最后根据短期负荷预测模型的应用情况,总结提出相关问题难点和个人改进的方向见解。
刘举[5]（2020）在《家庭服务机器人神经网络PID运动控制算法的FPGA实现》文中研究指明随着当前社会人们经济生活水平不断提高以及人口老龄化日益加剧,家庭服务机器人作为一种方便了人们工作和日常生活的有效智能工具,其运用变得越来越广泛。家庭服务机器人技术是国家科学技术发展的关键领域之一,由于家庭服务机器人具有非线性和时变等多种不确定性的特点,另外人们对其性能有更高的智能化技术要求,因此家庭服务机器的控制机理变得越来越复杂,其系统的数学模型也越来越难以建立。为提高家庭服务机器人的控制精度,满足其在运动控制方面稳定性和实时性的更高要求,本文对家庭服务机器人运动控制系统中所采用的传统PID闭环控制算法进行研究,并针对该算法控制参数的固定不变性,以及运动控制系统对上位机发送的控制指令在特定环境中,其响应的实时性和稳定性差的问题,利用具有强大非线性映射能力和自学习能力的神经网络,及其具有并行高效处理能力的现场可编程器件FPGA,设计了一种利用BP神经网络改进传统PID控制算法的优化算法,并用FPGA实现基于该算法的机器人轮式结构底盘运动控制系统。本文在深入研究了全方位移动机器人运动特性和神经网络PID控制算法原理的基础上,用Simulink对所设计的闭环控制算法进行建模和仿真;接着利用Verilog语言自顶向下的模块化设计方法,对BP神经网络PID闭环控制系统进行FPGA电路设计,并基于Modelsim软件平台对所设计的各模块进行时序波形分析;最后将编译成功的烧写文件下载到FPGA主控板进行实物试验。文中以三轮全方位移动机器人底盘为实验平台,结合实验室现有可实现跟随和自主导航功能的机器人上位机,对底盘的运动控制系统进行实物测试试验。结果表明,本文所实现的运动控制系统使底盘的运行速度提高了11.6%,准确性提高了17.1%,从而有效的验证了该BP神经网络PID运动控制算法在家庭服务机器人控制方面的可靠性和实用性。
王雪辉[6]（2020）在《基于数据挖掘技术的股票预测研究与应用》文中指出近些年国家日新月异的发展,股票市场经历着巨大变化。现在股票市场的数据规模已非常庞大、复杂,且容易受市场行情、国内政策和投资者情绪等因素的影响,随机性较强,给股票的预测研究带来了难度。数据挖掘结合了统计学、计算机学和机器学习等多门学科,可以从庞大的数据中搜索挖掘出有效信息,用于支持投资者的决策,为股票数据分析提供了有效途径,因此采用数据挖掘技术研究股票预测非常有意义。论文首先搜集了股票的27个技术指标数据并进行了指标挖掘,然后建立BP网络、RBF网络模型对个股罗牛山、海南高速和大盘深证成指进行了预测研究与分析,再针对所建立的网络模型的不足采用了遗传算法进行了优化。数据挖掘技术研究股票预测非常有应用价值,其创新性研究成果如下所述:（1）针对神经网络预测模型的输入变量是否合理的问题,提出采用Apriori算法来分析股票技术指标间的关联,确定了与股票次日收盘价相关联的指标。预测个股罗牛山和海南高速时神经网络模型的输入变量为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL,共11个指标。预测大盘深证成指时输入变量为前一日的最高价、最低价、开盘价、收盘价、成交额、MA1、MA2、MA3、BOLL、OBV和RSI3,共11个指标。并且与大部分文献所选的输入变量（前一日的最高价、最低价、开盘价、收盘价和成交量）进行了仿真试验对比研究,仿真结果验证了通过Apriori算法所选指标的可行性与有效性。（2）针对采用试凑法确定BP、RBF网络参数存在的随机性和盲目性问题,提出采用正交试验方法确定了预测罗牛山、海南高速和深证成指的BP网络参数（训练样本、隐含层神经元数目、学习速率、学习次数和期望误差）和RBF网络参数（训练样本、spread和期望误差）的较优组合,并分别与试凑法进行了仿真试验对比研究,仿真结果验证了通过正交试验方法确定BP、RBF网络参数的可行性与有效性。（3）针对正交-BP网络易陷入局部最优的问题,提出采用遗传算法优化正交-BP网络。并与正交-BP网络进行了仿真试验对比研究,仿真结果验证了GA-正交-BP网络的可行性与有效性。本文提出的上述三种方法和试验结果表明了提高个股、大盘走势的预测精度是有效的,具有应用价值,可以为投资者提供有意义的技术支持。
赵志刚[7]（2020）在《高压脉冲除尘电源及其控制系统研究》文中指出高压脉冲除尘电源是常见的废气除尘方法,随着国家对环保的日益重视,其重要作用日益凸显。国内燃煤电厂、水泥、冶金等场景多使用电除尘设备,具备广泛的改造和使用基础,而高压除尘电源作为其供能单元,配合相应的控制系统,可极大提高除尘效率,助推电除尘器走好最后一公里。更进一步,就这种电源本身特点来说,可以避开基础直流电源的电压极点限制,极大降低反电晕和抑制火花放电现象频次,从而维持更大的除尘输出功率,突破效率瓶颈。基于此,本文以原边并联对称式升压脉冲电源为研究基础,按步设计有在60k V直流电压基础上,叠加有80k V脉冲电压,并搭建了并联型脉冲电源样机,并进行了系列实验以验证。基于叠加型电源的主电路,分析了工作原理,提出一种简化计算模型。在主要参数进行计算的基础上,总结了主电路参数,并进行了部分器件选型。结合本电路参数,探讨了闪络的过度状态划分,特别是根据闪络的不同状态,对火花闪络种类划分,并给出了仿真验证,以便进行分类处理。最后提出一种主电路结构和器件排布方式。从控制参数的设定角度,结合基于DSP和FPGA的控制系统硬件平台,对控制系统进行了设计。引入了主要的调控机制,突出其脉冲、直流交互机制。针对不同火花闪络,提出了火花类型的识别与处理的方法。最后给出了控制系统的硬件构架和软件实现构成。发现了一种母线boost现象问题,提出了模糊PID策略并进行仿真验证。基于BP神经元网络,提出了对低频次,高位害的脉冲火花现象的预测机制的构想。并搭建了相应的BP模型,进行了网络训练、仿真验证和网络持续优化等工作,验证了这种方法的可行性。在搭建的样机平台上,采用降压等效实验的方式,完成了三种典型实验,即运行参数验证、过零关断、火花闪络实验,验证了系统设计的正确性,控制策略的可行性。此外对于与母线boost现象,补充了母线稳压附加实验,以达到验证与优化的目的,并为后续研究提供一定的参考。
安宁[8]（2020）在《基于PSO-BP神经网络的硅片多线切割关键参数优化研究》文中认为近年来,集成电路行业得到快速发展,市场对于存储器、逻辑器件、模拟器件、功率器件等半导体产品的需求剧增。硅片作为集成电路的基底材料,其制造技术的提升至关重要,多线切割是硅片制造中的重要工艺之一,切割质量的好坏直接影响后续工艺及硅片的品质。传统的多线切割是采用游离砂浆式切割,这种切割方式效率低、成本高,切割后的废液难以分离,易造成环境污染。金刚线切割方式可以显着提高生产效率、降低成本,但是金刚线切割设备大都来自进口,价格昂贵,而国产设备稳定性差,很难满足生产加工要求。此外,相较于太阳能级硅片,IC级硅片质量要求更高,对金刚线切割的硅片质量控制要求更高,国内IC级硅片生产厂家还未推广使用金刚线切割设备。因此,急需设计一种高精度新型金刚石多线切割设备以满足国内IC级硅片制造需求。首先,本文介绍了一种新型金刚石多线切割设备的总体结构、各子部分结构及关键参数设计模型,分别介绍了机械结构、电气控制、数据采集与监控系统的设计,进行硅片切割试验,并与砂浆多线切割的切割质量进行对比,结果表明,金刚线设备切割的硅片TTV、Warp、Bow的均值优于传统砂浆切割,但是数据不稳定,整体收率小于砂浆切割。其次,为了提高设备切割的稳定性,采用BP神经网络,通过对多线切割的工艺、过程参数和质量参数进行建模分析,预测硅片切割的质量。由于BP神经网络权重的训练使用梯度下降法容易陷入局部最优,于是引入PSO算法对BP网络权重进行训练与仿真。通过对比分析BP网络和PSO-BP网络,PSO-BP网络大大降低了算法陷入局部极小值的可能,提高了预测精度,加快了收敛速度。最后,对影响金刚石多线切割质量的关键参数进行研究,结合PSO-BP质量预测模型,使用正交试验法,得出各关键参数对切割的影响程度,并选择出最优参数组合（选定金刚线速度为13008）/8)4)9),进刀速度为1.18)8)/8)4)9),硅棒长度为1508)8),钢线张力为13N)。通过PSO-BP预测模型的构建和关键参数的优化,能够提高生产效率,保证产品质量,为硅片制造行业提供了可借鉴的解决方案。
罗昆[9]（2019）在《基于神经网络的交警动态手势识别方法研究与实现》文中认为近年来,无人驾驶技术的研究热度一直居高不下。为了顺应互联网科技的发展浪潮,许多学者投入到了交警手势识别的研究中。目前,常用的交通指挥方式主要包括固定式的交通信号指挥和交警手势指挥。随着无人驾驶技术的日益成熟,无人驾驶汽车不仅需要具备辨别固定式的交通信号的能力,还需对复杂的交警手势及时作出响应和处理。本文在现有研究的基础上,对交警手势的检测和识别方法进行了深入探索,采用OpenCV库函数、手势检测算法和神经网络算法完成了交警手势的识别任务并实现了一套交警动态手势识别系统。论文的主要研究工作如下:（1）采用多种传统的手势检测技术对交警手势进行检测,对比了不同的手势分割结果,发现分割后的手势均存在大量伪边缘信息和边缘轮廓断裂的问题,基于上述研究提出了一种手势检测技术结合动态区域边缘点整合算法来实现手势的分割和手势轮廓信息的提取。（2）针对复杂背景和人体运动等非刚性问题的干扰,采用手势检测技术结合动态区域边缘点整合算法实现了手势的分割和手势轮廓信息的提取,同时有效剔除了大量的手势伪边缘信息,改善了提取过程中出现断裂现象严重等问题。实验证明,传统的手势的检测方法结合动态区域边缘点保留法,具有良好的检测效果,同时也能够较好地处理采光环境、手势动作速度不一致和手势姿态不同等带来的识别问题。（3）针对交警的指挥手势识别率低的问题,本文采用BP神经网络和极限学习机实现了交警的手势识别,对比了两者的手势识别结果后,发现极限学习机的识别效果要明显优于BP网络。此外,在传统极限学习机研究的基础上,结合粒子群优化算法对神经网络的极限学习机算法部分进行了改进。实验证明,改进后的算法对交警的手势识别效果有了较明显的提升,具有较高的识别率和运行效率。
陆俊峰[10]（2019）在《基于EMI技术的电机振动噪声分析与优化》文中研究说明工业的发展使电机得到了广泛地运用,同时它带来的噪声不仅对电机质量、寿命进行了考验,也对周边的环境、生活造成了不良影响,因此在电机振动噪声方面的研究具有十分重要的意义。本文对汽车座椅调节电机运作时出现的振动噪声问题进行研究,通过实验确定电机振动噪声的原因,结合有限元分析、优化实验以及神经网络的搭建,最终达到减振降噪的目的。本文的具体工作内容如下:⑴介绍了电机的振动噪声基本原理,从理论上分析了电机的振动特性方程以及压电方程,通过推导电机在多自由度下振动的复数模态方程以及与压电材料耦合情况下的电阻抗方程,建立了电机与PZT的耦合模型。⑵分别搭建了电机噪声的声学与阻抗测量系统,完成了电机噪声的声学与阻抗实验。通过声级计、NI数据采集卡以及上位机搭建了声学测量系统,对电机进行了声学激振实验,利用LABVIEW中的快速傅里叶变换模块对得到的数据信号进行处理,得到声压频域图像。利用阻抗分析仪分别对定子、转子进行阻抗测量实验,对比阻抗与声学结果,确定电机振动噪声的原因,并划定共振区。⑶搭建了基于ANSYS的电机噪声的阻抗仿真模型,并完成电机噪声的阻抗仿真。利用ANSYS对压电材料进行了仿真分析,确定了PZT的型号、材料参数以及与电机耦合过程中的贴片方式。对电机定子、转子与PZT耦合状态下的模态结果进行了分析。对改进后的定子结构进行模态仿真,对仿真结果进行分析得到了电机固有频率的变化趋势。结果表明,耦合PZT对电机的固有特性影响较小,对实验结果不会造成较大的误差,优化方式能够有效使电机的固有频率发生偏移。⑷建立并完成了基于辐条数变化的电机噪声优化实验,对结构优化后的问题电机进行阻抗测量实验,分析了频率与共振区的关系。结果表明,实验结果与仿真结果一致,即电机的固有频率变化趋势相同,得到了能使机壳固有频率脱离共振区的具体辐条数目,最终达到了电机的减振降噪的目的。⑸建立了基于阻抗仿真的神经网络的模型。重点研究了基于BP算法的前馈神经网络的网络结构与实现步骤,对网络数据的输入输出、训练函数的调用以及神经网络模型的优势与缺点进行了探究。利用MATLAB构建了BP神经网络,识别优化情况。图[40]表[17]参[81]
二、BP网络激励函数的研究（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、BP网络激励函数的研究（论文提纲范文）
（1）基于神经网络的融合估计研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 多传感器信息融合技术 |
| 1.3 基于神经网络的信息融合研究现状 |
| 1.4 论文内容框架 |
| 第2章 基于卡尔曼滤波的分布式和集中式融合算法 |
| 2.1 引言 |
| 2.2 问题阐述 |
| 2.3 Kalman滤波框架 |
| 2.4 分布式融合与集中式融合算法 |
| 2.5 仿真分析 |
| 2.6 本章小结 |
| 第3章 基于神经网络的线性系统融合估计算法 |
| 3.1 引言 |
| 3.2 问题阐述 |
| 3.3 人工神经网络的基本理论 |
| 3.4 基于BP神经网络的分布式融合框架 |
| 3.4.1 经典融合估计训练的基于BP网络的分布式融合算法 |
| 3.4.2 基于真实状态训练的BP网络分布式融合算法 |
| 3.5 基于递归神经网络的融合估计算法 |
| 3.5.1 循环神经网络的发展趋势 |
| 3.5.2 简单循环神经网络 |
| 3.5.3 基于Elman的分布式融合框架 |
| 3.5.4 一种集中式融合框架 |
| 3.6 仿真分析 |
| 3.7 本章小结 |
| 第4章 基于神经网络的非线性系统融合估计算法 |
| 4.1 引言 |
| 4.2 问题阐述 |
| 4.3 非线性分布式融合CKF算法 |
| 4.3.1 一种由矩阵加权的非线性分布式融合CKF算法 |
| 4.3.2 一种基于BP网络的按矩阵加权分布式融合CKF算法 |
| 4.3.3 基于真实状态训练的BP网络融合算法 |
| 4.3.4 一种基于BP网络的按集中式融合CKF算法 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文 |
（2）基于UR5机械臂的运动学分析及轨迹规划研究（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 国内外机械臂的发展现状 |
| 1.2.1 国外机械臂发展现状 |
| 1.2.2 国内机械臂发展现状 |
| 1.2.3 机械臂运动学的研究现状 |
| 1.2.4 机械臂轨迹规划的研究现状 |
| 1.3 论文的研究内容 |
| 1.4 本章小结 |
| 第2章 机械臂的运动学分析 |
| 2.1 机械臂的位姿描述和空间坐标变换 |
| 2.1.1 位姿在坐标系中的描述 |
| 2.1.2 机械臂的齐次坐标变换 |
| 2.2 机械臂运动学方程的建立 |
| 2.2.1 连杆参数和连杆坐标系 |
| 2.2.2 连杆之间的坐标变换方程 |
| 2.2.3 运动学方程 |
| 2.3 六自由度机械臂模型的建立和运动学分析 |
| 2.3.1 UR5机械臂的结构和参数 |
| 2.3.2 UR5机械臂的正运动学 |
| 2.3.3 UR5机械臂的逆运动学 |
| 2.4 本章小结 |
| 第3章 基于ROS的UR5机械臂仿真系统搭建 |
| 3.1 开源操作系统ROS简介 |
| 3.1.1 历史起源与设计目标 |
| 3.1.2 ROS的架构 |
| 3.1.3 Moveit功能包 |
| 3.1.4 Rviz3D可视化 |
| 3.2 基于ROS的UR5机械臂建模 |
| 3.2.1 URDF文件 |
| 3.2.2 UR5 机械臂的URDF模型的建立 |
| 3.2.3 UR5的URDF模型的可视化 |
| 3.3 UR5 机械臂在Moveit中的基本配置 |
| 3.3.1 设置助手(Setup Assistant) |
| 3.3.2 创建UR5机械臂的配置文件 |
| 3.4 UR5机械臂的运动控制 |
| 3.4.1 关节控制和启动文件的配置 |
| 3.4.2 正向运动学求解 |
| 3.4.3 逆运动学求解 |
| 3.5 基于ROS的系统节点图 |
| 3.6 本章小结 |
| 第4章 基于神经网络的机械臂逆运动学求解 |
| 4.1 BP神经网络 |
| 4.1.1 BP网络的模型结构 |
| 4.1.2 基本BP算法 |
| 4.1.3 改进的BP算法 |
| 4.2 改进BP神经网络的机械臂逆运动学求解 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第5章 基于组合函数的机械臂轨迹规划研究 |
| 5.1 轨迹规划 |
| 5.1.1 基本原理 |
| 5.1.2 关节空间的轨迹规划的描述 |
| 5.1.3 直角坐标空间的轨迹规划描述 |
| 5.2 机械臂轨迹规划方法的研究 |
| 5.2.1 三次多项式插值算法的轨迹规划 |
| 5.2.2 高阶多项式插值算法的轨迹规划 |
| 5.2.3 抛物线过渡插值算法的轨迹规划 |
| 5.3 组合函数算法的轨迹规划 |
| 5.4 基于组合函数的轨迹规划方法的仿真实验 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文总结 |
| 6.2 未来的展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）基于机器视觉的机械臂分拣技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 基于机器视觉的机械臂分拣技术国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究内容及组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第2章 机械臂运动学分析与轨迹规划仿真 |
| 2.1 AUBO-i5型机械臂简介 |
| 2.2 机械臂的运动学理论基础 |
| 2.2.1 刚体的位置和姿态描述 |
| 2.2.2 坐标系的齐次变换 |
| 2.3 机械臂连杆坐标系建立的M-D-H法 |
| 2.3.1 连杆坐标系的建立规则 |
| 2.3.2 连杆坐标系的变换 |
| 2.4 机械臂的运动学分析 |
| 2.4.1 AUBO-i5机械臂的正运动学 |
| 2.4.2 AUBO-i5机械臂的逆运动学求解 |
| 2.5 机械臂轨迹规划在MATLAB中的仿真 |
| 2.5.1 机械臂在关节空间的轨迹规划仿真 |
| 2.5.2 机械臂在笛卡尔空间的轨迹规划仿真 |
| 2.6 本章小结 |
| 第3章 视觉系统标定及图像处理 |
| 3.1 相机的标定 |
| 3.1.1 摄像机成像模型 |
| 3.1.2 双目标定 |
| 3.1.3 相机标定实验 |
| 3.2 双目定位原理 |
| 3.3 手眼标定 |
| 3.3.1 手眼标定原理 |
| 3.3.2 手眼标定实验 |
| 3.4 基于改进Retinex的图像增强 |
| 3.5 图像特征提取 |
| 3.5.1 仿射不变矩特征 |
| 3.5.2 圆形性与矩形度特征 |
| 3.5.3 特征值数据集的设计 |
| 3.6 本章小结 |
| 第4章 量子粒子群结合神经网络的工件分类识别 |
| 4.1 人工神经网络的简介 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络基础理论 |
| 4.2.2 BP神经网络参数的确定 |
| 4.3 传统粒子群优化算法 |
| 4.4 量子粒子群优化算法 |
| 4.5 QPSO-BP分类算法 |
| 4.5.1 QPSO优化BP网络流程 |
| 4.5.2 QPSO-BP网络训练 |
| 4.6 本章小结 |
| 第5章 机械臂分拣平台的设计与实现 |
| 5.1 分拣系统的主要工作流程 |
| 5.2 硬件系统平台 |
| 5.3 软件控制系统设计 |
| 5.4 机械臂分拣工件实验 |
| 5.4.1 工件的分类实验 |
| 5.4.2 工件定位与分拣实验 |
| 5.5 本章小结 |
| 第6章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）10kV馈线短期负荷预测方法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经典负荷预测方法 |
| 1.2.2 传统负荷预测方法 |
| 1.2.3 现代负荷预测方法 |
| 1.3 发展趋势与存在问题 |
| 1.4 本文主要研究内容 |
| 第二章 电力系统负荷数据特性分析与数据处理 |
| 2.1 电力系统负荷预测分类与意义 |
| 2.2 电力负荷影响因素的分析 |
| 2.3 电力系统的负荷特性分析 |
| 2.3.1 周负荷特性分析 |
| 2.3.2 日负荷特性分析 |
| 2.4 历史负荷数据的选择与整理 |
| 2.4.1 历史数据的选择获取 |
| 2.4.2 异常数据的检测与修正 |
| 2.5 气温因素对负荷的影响分析 |
| 2.6 本章小结 |
| 第三章 BP神经网络在短期负荷预测中的应用 |
| 3.1 人工神经网络的基本特点 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络原理 |
| 3.2.3 BP神经网络的设计 |
| 3.3 数据样本的预处理 |
| 3.3.1 日类型特征的量化处理 |
| 3.3.2 气温特征的选择 |
| 3.3.3 数据样本的归一化处理 |
| 3.4 基于BP神经网络算法短期负荷预测模型的建立 |
| 3.4.1 输入变量和输出节点数的选择 |
| 3.4.2 神经网络工具箱 |
| 3.4.3 BP神经网络的预测过程 |
| 3.5 基于BP神经网络算法的算例仿真分析 |
| 3.6 本章小结 |
| 第四章 Elman神经网络在短期负荷预测中的应用 |
| 4.1 Elman神经网络结构 |
| 4.2 Elman神经网络的原理以及算法 |
| 4.3 Elman神经网络的预测流程 |
| 4.4 基于Elman神经网络算法短期负荷预测模型的建立 |
| 4.5 基于Elman神经网络算法的算例仿真分析 |
| 4.6 BP神经网络算法与Elman神经网络算法的仿真结果对比 |
| 4.7 Elman神经网络的改进 |
| 4.8 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
| 致谢 |
（5）家庭服务机器人神经网络PID运动控制算法的FPGA实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 服务机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 家庭服务机器人总体系统介绍 |
| 2.1 控制系统设计 |
| 2.2 移动平台控制系统 |
| 2.2.1 驱动部件选择 |
| 2.2.2 传感器部件选择 |
| 2.3 本章小结 |
| 第3章 全方位移动平台控制系统理论分析 |
| 3.1 全方位移动平台的运动学分析 |
| 3.2 神经网络基础 |
| 3.2.1 单神经元模型 |
| 3.2.2 神经网络拓扑结构 |
| 3.2.3 神经网络学习规则 |
| 3.2.4 BP神经网络 |
| 3.3 移动平台神经网络PID控制算法 |
| 3.3.1 BP神经网络PID运动控制算法 |
| 3.3.2 运动控制方案 |
| 3.4 本章小结 |
| 第4章 BP神经网络PID闭环控制系统建模仿真 |
| 4.1 simulink模型及S函数 |
| 4.1.1 S函数编写 |
| 4.1.2 服务机器人运动控制系统模型 |
| 4.2 运动控制系统MATLAB仿真分析 |
| 4.3 本章小结 |
| 第5章 服务机器人运动控制系统逻辑电路设计 |
| 5.1 串口通信模块 |
| 5.2 编码器信号采集模块 |
| 5.3 BP神经网络PID算法控制模块 |
| 5.3.1 前向运算模块 |
| 5.3.2 误差反向传播和权值更新模块 |
| 5.3.3 控制模块设计 |
| 5.3.4 顶层BP神经网络PID闭环模块测试仿真 |
| 5.4 整体运动控制系统顶层模块设计及仿真 |
| 5.5 实物实验分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（6）基于数据挖掘技术的股票预测研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 关联规则 |
| 1.2.2 BP神经网络 |
| 1.2.3 RBF神经网络 |
| 1.2.4 遗传算法 |
| 1.2.5 正交试验 |
| 1.3 主要创新点 |
| 1.4 研究内容与章节 |
| 2 数据挖掘与股票分析 |
| 2.1 数据挖掘 |
| 2.1.1 基本知识 |
| 2.1.2 常用方法 |
| 2.1.3 挖掘过程 |
| 2.2 股票分析 |
| 2.2.1 基本知识 |
| 2.2.2 常用指标 |
| 2.2.3 常用方法 |
| 2.3 本章小结 |
| 3 基于关联规则的股票指标选取 |
| 3.1 关联规则 |
| 3.1.1 基本知识 |
| 3.1.2 规则分类 |
| 3.2 基于Apriori算法的股票指标选取 |
| 3.2.1 Apriori算法 |
| 3.2.2 数据准备 |
| 3.2.3 数据预处理 |
| 3.2.4 关联分析 |
| 3.2.5 仿真结果与分析 |
| 3.3 本章小结 |
| 4 基于人工神经网络的股票预测研究与分析 |
| 4.1 正交试验 |
| 4.2 人工神经网络 |
| 4.2.1 网络模型 |
| 4.2.2 激活函数 |
| 4.3 基于正交-BP网络的股票预测研究与分析 |
| 4.3.1 BP网络结构 |
| 4.3.2 BP算法 |
| 4.3.3 BP网络优缺点分析 |
| 4.3.4 正交-BP网络模型设计 |
| 4.3.5 仿真结果与分析 |
| 4.4 基于正交-RBF网络的股票预测研究与分析 |
| 4.4.1 RBF网络结构 |
| 4.4.2 RBF算法 |
| 4.4.3 RBF网络优缺点分析 |
| 4.4.4 正交-RBF网络模型设计 |
| 4.4.5 仿真结果与分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化的正交-BP网络的股票预测研究与分析 |
| 5.1 遗传算法 |
| 5.1.1 基本原理 |
| 5.1.2 算法特征 |
| 5.2 基于GA-正交-BP网络的股票预测研究与分析 |
| 5.2.1 GA-正交-BP网络模型设计 |
| 5.2.2 仿真结果与分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
（7）高压脉冲除尘电源及其控制系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.2 静电除尘电源研究现状 |
| 1.2.1 除尘电源的发展趋势 |
| 1.2.1.1 工频高压电源 |
| 1.2.1.2 高频高压电源 |
| 1.2.1.3 高压脉冲电源 |
| 1.2.2 电源控制技术研究现状 |
| 1.3 脉冲电源主电路分析 |
| 1.3.1 静电除尘原理 |
| 1.3.2 脉冲供电对反电晕的作用 |
| 1.3.3 主电路拓扑及原理 |
| 1.4 本文的主要研究目标和内容 |
| 1.4.1 论文的设计目标 |
| 1.4.2 论文的主要研究内容 |
| 第2章 主电路原理与参数计算 |
| 2.1 叠加电源拓扑结构 |
| 2.1.1 叠加电源主电路拓扑 |
| 2.1.2 高压基础直流电源的选用 |
| 2.2 脉冲部分主电路设计 |
| 2.2.1 脉冲主电路原理分析 |
| 2.2.2 谐振回路参数计算 |
| 2.2.2.1 脉冲主电路结构详解 |
| 2.2.2.2 谐振回路参数计算 |
| 2.3 仿真分析与闪络状态解读 |
| 2.3.1 主电路的仿真验证 |
| 2.3.2 火花状态分析 |
| 2.4 主电路的搭建 |
| 2.4.1 关键功率器件的选型 |
| 2.4.1.1 大功率IGBT管 |
| 2.4.1.2 RCD器件 |
| 2.4.2 主电路空间结构 |
| 2.5 本章小节 |
| 第3章 电源控制系统分析及详解 |
| 3.1 控制系统整体描绘 |
| 3.1.1 系统主控量 |
| 3.1.1.1 基础直流电压U_(dc) |
| 3.1.1.2 脉冲峰值U_(pulse) |
| 3.1.1.3 输出脉冲电流I_E |
| 3.1.1.4 IGBT电流I_(igbt)、电压U_(igbt) |
| 3.1.2 功能部分构成 |
| 3.1.2.1 主控功能模块划分 |
| 3.1.2.2 MU测量模块 |
| 3.1.3 运行调控机制 |
| 3.1.3.1 系统软启动 |
| 3.1.3.2 交互协调运行 |
| 3.1.4 闪络处理机制 |
| 3.1.4.1 直流火花 |
| 3.1.4.2 脉冲火花 |
| 3.2 控制系统硬件架构 |
| 3.2.1 主控板结构及特点 |
| 3.2.2 器件的选择与使用 |
| 3.2.2.1 DSP芯片的选择 |
| 3.2.2.2 FPGA的选择 |
| 3.3 控制系统软件实现 |
| 3.3.1 控制程序结构设计 |
| 3.3.2 主控程序流程 |
| 3.3.3 关键辅助程序 |
| 3.3.3.1 IGBT控制与保护 |
| 3.3.3.2 火花处理交互 |
| 3.4 控制系统稳压环节 |
| 3.4.1 寄生boost的影响 |
| 3.4.2 模糊自适应PID控制 |
| 3.4.2.1 控制模型 |
| 3.4.2.2 仿真验证 |
| 3.5 本章小结 |
| 第4章 基于BP神经网络的火花预测 |
| 4.1 神经网络理论准备 |
| 4.1.1 基础神经网络 |
| 4.1.1.1 发展历程概述 |
| 4.1.1.2 神经网络的学习能力 |
| 4.1.1.3 神经元模型 |
| 4.1.1.4 神经网络模型结构 |
| 4.1.2 BP神经网络 |
| 4.1.2.1 BP神经网络概述 |
| 4.1.2.2 BP神经网络的模型 |
| 4.1.2.3 BP学习算法 |
| 4.1.2.4 BP神经网络的优缺点 |
| 4.2 预测模型建立与分析 |
| 4.2.1 BP网络模型的建立 |
| 4.2.1.1 网络层数 |
| 4.2.1.2 各层神经元数 |
| 4.2.1.3 权值与阈值的初始化设定 |
| 4.2.1.4 学习速率 |
| 4.2.1.5 动量因子 |
| 4.2.2 数据的筛选与处理 |
| 4.2.2.1 样本数据的选取 |
| 4.2.2.2 样本数据的处理 |
| 4.3 网络训练与测试分析 |
| 4.3.1 BP网络的训练 |
| 4.3.2 测试与结果分析 |
| 4.3.2.1 多层网络模型 |
| 4.3.2.2 简化网络模型 |
| 4.4 本章小结 |
| 第5章 叠加电源样机实验与分析 |
| 5.1 实验平台详解 |
| 5.1.1 实验平台样机 |
| 5.1.2 实验上位机 |
| 5.2 电源基本运行实验 |
| 5.2.1 正常运行 |
| 5.2.1.1 脉冲单列运行验证 |
| 5.2.1.2 叠加试运行 |
| 5.2.2 过零关断 |
| 5.2.2.1 谐振电流过零前关断 |
| 5.2.2.2 谐振电流过零关断 |
| 5.3 闪络实验 |
| 5.3.1 脉冲单列运行闪络实验 |
| 5.3.1.1 脉冲前半周闪络实验 |
| 5.3.1.2 脉冲后半周期闪络实验 |
| 5.3.2 并列运行闪络实验 |
| 5.3.2.1 前半周闪络实验 |
| 5.3.2.2 后半周闪络实验 |
| 5.4 稳压实验 |
| 5.4.1 升压现象 |
| 5.4.2 稳压验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 致谢 |
| 参考文献 |
| 在校期间发表论文 |
（8）基于PSO-BP神经网络的硅片多线切割关键参数优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 硅片多线切割技术 |
| 1.2.1 砂浆多线切割 |
| 1.2.2 金刚石多线切割 |
| 1.2.3 两种切割方式对比分析 |
| 1.3 国内外相关工作研究进展 |
| 1.3.1 单晶硅片的发展概况 |
| 1.3.2 切割方式的发展概况 |
| 1.3.3 线切割设备的发展概况 |
| 1.4 课题研究内容 |
| 第2章 金刚石多线切割设备的设计 |
| 2.1 多线切割设备的总体结构 |
| 2.2 多线切割设备的机械结构 |
| 2.2.1 切割室的设计 |
| 2.2.2 收放线室的设计 |
| 2.2.3 冷却室的设计 |
| 2.2.4 夹紧装置的设计 |
| 2.2.5 过滤系统的设计 |
| 2.3 多线切割设备的电气控制 |
| 2.4 数据采集与监控系统 |
| 2.5 多线切割相关参数 |
| 2.5.1 工艺参数 |
| 2.5.2 过程参数 |
| 2.5.3 质量检测参数 |
| 2.6 多线切割实验与分析 |
| 2.7 本章小结 |
| 第3章 神经网络预测模型的建立 |
| 3.1 人工神经网络 |
| 3.1.1 神经网络特点 |
| 3.1.2 神经元激活函数 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络基本结构 |
| 3.2.2 BP神经网络参数选择 |
| 3.2.3 BP神经网络算法步骤 |
| 3.2.4 BP神经网络的优势与不足 |
| 3.2.5 BP神经网络的优化方法 |
| 3.2.6 正则化方法 |
| 3.3 PSO算法 |
| 3.3.1 基本粒子群算法 |
| 3.3.2 带惯性权重的粒子群算法 |
| 3.3.3 带收缩因子的粒子群算法 |
| 3.3.4 改进的动态调整惯性权重的粒子群算法 |
| 3.4 PSO算法优化BP神经网络 |
| 3.4.1 PSO算法参数选择 |
| 3.4.2 PSO算法优化BP网络的权重 |
| 3.4.3 PSO算法优化BP网络的步骤 |
| 3.5 本章小结 |
| 第4章 PSO-BP网络对硅片质量的预测实验 |
| 4.1 样本数据预处理 |
| 4.1.1 原始数据集 |
| 4.1.2 灰色关联法筛选关键参数 |
| 4.1.3 PCA法处理数据 |
| 4.2 预测实验及分析 |
| 4.2.1 模型参数设定 |
| 4.2.2 预测结果 |
| 4.3 BP模型与PSO-BP模型的预测对比 |
| 4.4 本章小结 |
| 第5章 金刚石多线切割关键参数优化 |
| 5.1 关键参数对切割的影响 |
| 5.1.1 金刚线速度对切割的影响 |
| 5.1.2 进刀速度对切割的影响 |
| 5.1.3 硅棒长度对切割的影响 |
| 5.1.4 金刚线张力对切割的影响 |
| 5.2 正交试验优化关键参数 |
| 5.2.1 正交试验指标、因素和水平的确定 |
| 5.2.2 正交试验设计 |
| 5.2.3 正交试验结果 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间发表的学术论文与研究成果 |
（9）基于神经网络的交警动态手势识别方法研究与实现（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 研究现状 |
| 1.2.1 手势识别研究现状 |
| 1.2.2 交警手势识别研究现状 |
| 1.3 手势识别技术研究难点及主要问题 |
| 1.4 研究课题来源 |
| 1.5 论文的研究内容和组织结构 |
| 1.5.1 论文的研究内容 |
| 1.5.2 论文的组织结构 |
| 第2章 手势图像预处理和特征提取 |
| 2.1 手势样本的预处理 |
| 2.1.1 图像灰度处理 |
| 2.1.2 图像平滑滤波 |
| 2.1.3 图像二值化 |
| 2.2 手势检测相关技术 |
| 2.2.1 基于轮廓的手势检测 |
| 2.2.2 基于运动的手势检测 |
| 2.2.3 基于肤色检测的手势检测 |
| 2.3 手势特征提取 |
| 2.3.1 常用的特征提取方法 |
| 2.3.2 基于PCA的特征提取 |
| 2.4 本章小结 |
| 第3章 交警动态手势检测与边缘轮廓处理 |
| 3.1 运动目标检测算法介绍 |
| 3.1.1 背景减除法 |
| 3.1.2 帧间差分法 |
| 3.1.3 光流法 |
| 3.2 动态区域边缘点保留法 |
| 3.2.1 算法流程 |
| 3.2.2 运动区域边缘点生成 |
| 3.3 边缘点整合算法 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于神经网络的手势识别算法 |
| 4.1 交警的手势识别方法概述 |
| 4.1.1 基于模板匹配的方法 |
| 4.1.2 基于机器学习的方法 |
| 4.2 人工神经网络 |
| 4.2.1 概述 |
| 4.2.2 BP网络 |
| 4.3 基于BP神经网络的手势识别 |
| 4.4 本章小结 |
| 第5章 神经网络手势识别算法的改进 |
| 5.1 极限学习机理论 |
| 5.1.1 BP神经网络的缺点 |
| 5.1.2 极限学习机算法 |
| 5.2 基于ELM的手势识别 |
| 5.3 粒子群优化算法 |
| 5.3.1 粒子群优化算法 |
| 5.3.2 粒子群优化算法流程 |
| 5.4 极限学习机算法的改进 |
| 5.4.1 算法的基本原理 |
| 5.4.2 算法的流程 |
| 5.5 基于粒子群优化的ELM的手势识别 |
| 5.6 本章小结 |
| 第6章 交警动态手势识别系统的设计与实现 |
| 6.1 系统的总体结构及功能 |
| 6.1.1 交警手势在线识别系统的实现 |
| 6.1.2 离线学习系统的实现 |
| 6.1.3 系统功能演示 |
| 6.2 实验环境和样本采集 |
| 6.2.1 系统运行环境 |
| 6.2.2 样本采集 |
| 6.3 实验结果及分析 |
| 6.4 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
（10）基于EMI技术的电机振动噪声分析与优化（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源和背景 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景 |
| 1.2 研究现状 |
| 1.2.1 压电阻抗技术研究现状 |
| 1.2.2 振动噪声研究现状 |
| 1.2.3 神经网络技术研究现状 |
| 1.3 研究计划 |
| 1.4 本章小结 |
| 2 电机振动噪声理论与压电阻抗理论 |
| 2.1 电机的振动噪声理论 |
| 2.2 电机的振动模型 |
| 2.3 多自由度下的复数模态 |
| 2.4 EMI压电阻抗技术 |
| 2.4.1 压电方程 |
| 2.4.2 结构压电耦合电阻抗理论 |
| 2.5 本章小结 |
| 3 对电机的声学实验和压电阻抗实验 |
| 3.1 基于LABVIEW的声学实验 |
| 3.1.1 声学设备 |
| 3.1.2 可视化程序结构 |
| 3.1.3 快速傅里叶变换 |
| 3.1.5 针对电机的声压实验 |
| 3.1.6 声压实验结果 |
| 3.2 基于EMI技术的阻抗模态实验 |
| 3.2.1 对定子进行阻抗值测量 |
| 3.2.2 对转子进行阻抗值测量 |
| 3.3 本章小结 |
| 4 有限元电机结构仿真及压电阻抗优化实验 |
| 4.1 有限元法的基本思想 |
| 4.1.1 基本概念 |
| 4.2 压电分析原理 |
| 4.2.1 软件介绍 |
| 4.2.2 ANSYS压电分析 |
| 4.3 基于ANSYS的 PZT以及电机仿真分析 |
| 4.3.1 PZT材料参数 |
| 4.3.2 PZT的选择 |
| 4.3.3 PZT片仿真分析 |
| 4.3.4 电机的仿真分析 |
| 4.4 小型直流电机的结构优化仿真 |
| 4.4.1 优化方案 |
| 4.4.2 模态仿真 |
| 4.5 基于EMI技术的电机结构优化实验 |
| 4.5.1 实验一 |
| 4.5.2 实验二 |
| 4.6 本章小结 |
| 5 神经网络和优化识别系统 |
| 5.1 生物神经元模型 |
| 5.2 单神经元模型 |
| 5.2.1 激活/激励函数 |
| 5.3 神经网络分类 |
| 5.4 BP神经网络 |
| 5.4.1 BP网络 |
| 5.4.2 BP算法步骤 |
| 5.5 神经网络的格式及函数 |
| 5.5.1 神经网络输入输出格式 |
| 5.5.2 神经网络训练函数 |
| 5.5.3 神经网络模型的优势和缺点 |
| 5.6 电机优化识别系统 |
| 5.6.1 基于MATLAB的 BP神经网络 |
| 5.6.2 电机优化识别结果 |
| 5.7 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
四、BP网络激励函数的研究（论文参考文献）
- [1]基于神经网络的融合估计研究[D]. 彭正晓. 黑龙江大学, 2021(09)
- [2]基于UR5机械臂的运动学分析及轨迹规划研究[D]. 单涵琪. 沈阳工业大学, 2020(01)
- [3]基于机器视觉的机械臂分拣技术研究[D]. 胡磊. 重庆邮电大学, 2020(02)
- [4]10kV馈线短期负荷预测方法研究与应用[D]. 莫华朝. 广东工业大学, 2020(06)
- [5]家庭服务机器人神经网络PID运动控制算法的FPGA实现[D]. 刘举. 西北师范大学, 2020(01)
- [6]基于数据挖掘技术的股票预测研究与应用[D]. 王雪辉. 海南大学, 2020(07)
- [7]高压脉冲除尘电源及其控制系统研究[D]. 赵志刚. 东南大学, 2020(01)
- [8]基于PSO-BP神经网络的硅片多线切割关键参数优化研究[D]. 安宁. 郑州大学, 2020(02)
- [9]基于神经网络的交警动态手势识别方法研究与实现[D]. 罗昆. 东华理工大学, 2019(01)
- [10]基于EMI技术的电机振动噪声分析与优化[D]. 陆俊峰. 安徽理工大学, 2019(01)