一、格子点分布序列的正则化和的一个收敛性质（论文文献综述）
苏晓庆,徐工[1]（2022）在《水下应答器定位的正则化数值算法研究》文中研究指明为解决线性化平差估计和高斯牛顿法求解水下应答器绝对坐标不稳定的问题,根据水下网型布设,提出将正则化数值算法应用于水下应答器定位。相比于传统非线性正则化算法,该算法将正则化约束只作用于病态方向即Z方向,在保证解决水下非线性病态的同时提高了传统非线性正则化算法的收敛效率。算法的正则化参数通过调整信赖域半径来确定。最后采用南海水下实测数据进行验证,结果表明,非线性正则化算法能够提高线性化平差估计的求解精度,收敛效率优于传统非线性正则化算法。
潘昭天[2]（2021）在《基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究》文中认为信号交叉口交通流的受控过程对城市道路网络性能具有重要影响。然而,现有城市道路网络交通控制方案优化设计仍处于优化-性能改善-需求增加-性能恶化-再优化的循环困境。当经济、技术、城市建设程度迅速发展引发交通需求变化加速、交通流动态性增强,优化困境面临周期缩短的问题。交通控制方案频繁迭代优化将造成城市交通建设成本增加。抑制相应随机性诱发交通拥堵能力不足是现有交通控制方法面临的主要问题。因此,有必要针对城市道路网络交通流动态、随机性展开城市道路网络控制方法研究。此外,网络节点失效扩增交通拥堵蔓延引发路网性能下降也需要考虑。围绕城市道路网络交通控制方法研究:（1）在城市道路网络分布式的交通控制方法与交通分配、信号控制耦合方法之间,对交通信号控制领域理论体系中作进一步补充完善;（2）使交通信号控制系统具备自适应改进能力,能够随路网拓扑关系及交通需求共同演化,避免迭代优化的循环困境。论文从随机出行需求下的分布式动态交通分配、应对随机出行需求影响的分布式交通信号控制、应对网络节点失效的信号控制系统鲁棒性增强三个方面展开研究。（1）分布式动态交通分配方法,对随机出行需求分配,从根源抑制路网交通拥堵产生,为后续研究的关键基础。构建异构建议者多智能体团体,耦合异构建议者建议约束决策者动作空间,使其在有限动作空间内采用混合策略形式分配出行需求,提升多智能体强化学习在动态交通分配任务方面的运行效率;构建差异化回报函数机制,使智能体在学习中实现用户均衡原则;设计自适应学习率机制,提升方法对随机出行需求以及交通状态变化的敏感性,增强其再学习能力。经验证分析,分布式动态分配方法有效改善城市道路网络中个体出行者平均出行时间、提升网络整体吞吐量水平,且出行需求分配结果满足用户均衡原则。此外,研究也表明,与分布式交通信号控制方法相耦合,能够有效降低路网内出行延误水平。（2）分布式交通信号控制方法,从应对出行需求随机性影响出发维持城市道路网络性能稳定、进而缓解抑制交通拥堵发生、蔓延,是研究中的重要核心。引入博弈中混合策略纳什均衡概念,改进多智能体强化学习决策过程,使智能体隐式获取全局信息,增强其在不同随机出行需求状态下维持路网性能稳定的能力;在混合策略纳什均衡解基础上,引入Jensen-Shannon散度构建自适应学习率机制,增强信号控制智能体对局部交通流状态变化的敏感性,使其具备收敛后再学习能力。经验证分析,分布式交通信号控制方法在应对出行需求骤增、起讫点间出行需求分布骤变以及路网中出行需求分布不均衡、到达率随机引发随机性影响方面具有良好控制效果,将城市道路网络出行延误维持在较低水平。然而,验证也表明其仅适用于城市道路网络流量输入适中的情况下,是一种对城市道路网络时空资源深度挖掘的方法。（3）应对网络节点失效的信号控制鲁棒性增强方法,侧重于在路网结构受损时,强化信号控制方法维持路网性能的能力,是对重要核心的补充。立足于多智能体系统,构建对城市道路网络节点等级度量方法,实现对路网关键节点判别;引入路网节点交通状态,构建节点各向异性影响力传播机制,实现节点交互关系动态演化;根据节点交互结构差异,修正相应信号控制智能体混合策略纳什均衡求解决策过程及回报函数机制。经验证分析,在少量节点失效情况下,论文方法能够较好的将城市道路网络出行延误维持在较低水平,且在节点失效时间增加时有效抑制路网性能下降速度。然而,当路网拓扑结构严重受损、承载能力无法满足出行需求时,该鲁棒性增强机制难以提升信号控制方法性能。综上所述,论文构建动态交通分配方法出行需求分配从根源抑制交通拥堵的形成,该方法可独立执行交通分配任务,与分布式控制耦合使用可以有效抑制拥堵,还是信号控制鲁棒性增强机制的关键接口。针对随机出行需求影响构建的分布式交通信号控制方法,能够在局部交互过程中隐式地感知全局信息,有效缓解、抑制随机出行需求诱发的交通拥堵。而信号控制鲁棒性增强机制,构建节点间交互关系,实现信号控制方法网络节点失效鲁棒性提升。将分布式动态交通分配、分布式交通信号控制、信号控制鲁棒性增强机制相融合,使交通控制系统能够有效应对频繁的优化困境且具跟随城市道路网络共演化的能力。
谢国宏[3]（2021）在《光学元件表面抛光创成及其形貌研究》文中进行了进一步梳理随着工业的发展,在国防、民生等领域高精度光学元件的需求量迅速增加,其制造工艺中的最后,也是最重要的一道工序大多为精抛光。若希望自动控制抛光方法完全取代传统低效的人工方式,需要提高其确定性以及提升自动抛光后,工件的面形精度及表面质量。对表面质量的提升除了需要对工件的表面粗糙度进行控制外,还需要严格控制工件表面的中频误差。而建立准确的抛光创成模型是实现上述目标的重要前提。本文主要针对五轴数控机床小工具头抛光方法,以Preston方程为基础,分析抛光时的材料去除过程,并通过K9玻璃抛光实验,对Preston方程系数进行标定,利用建立的工具影响函数模型（TIF）确定合适的抛光工艺参数。提出一种离散式的材料去除量分布情况计算方法—TIF单元叠加法,该抛光创成方法相对于积分求解法简化了计算过程,且适用于计算不同抛光轨迹的材料去除轮廓,具有较强的通用性。以传统的光栅式轨迹和相对随机的摆线式抛光轨迹为例,应用所提出算法分别对整体材料去除情况进行仿真运算,分析轨迹间隔等工艺参数对材料去除轮廓的影响。除抛光轨迹外,抛光工艺中的另一重要参数为驻留时间,目前驻留时间的求解方法大多包含卷积运算,而卷积运算的求解方法存在原理性的数学缺陷,容易出现不收敛的情况,本文运用离散化的思路,将TIF单元法与Tikhonov正则化法结合,能够快速求解不同抛光轨迹的驻留时间。分别以光栅轨迹及摆线轨迹为例,对计算机生成的随机粗糙表面进行驻留时间求解。运用TIF单元叠加法反求对应条件下,驻留时间修正后的材料去除量分布,对比仿真结果的面形精度,并对仿真表面进行功率谱密度（PSD）分析,提取其表面误差中的中频成分。结果显示,应用该离散式驻留时间求解方法对抛光创成进行修正,能够使工件表面的峰谷差值、均方根值均得到改善,且摆线轨迹相较于光栅轨迹能够更有效地抑制工件表面的中频误差。最后通过设计、开展抛光实验,验证所提出的抛光创成方法、驻留时间计算方法以及工件表面面形精度和表面质量分析的有效性。
杨杏丽[4]（2021）在《基于正则化交叉验证的模型选择方法》文中提出统计机器学习的主要目的是依据训练数据建立模型,并通过建立的模型对新数据进行预测。其中模型选择是建模的关键环节。本文针对模型选择中基于数据的交叉验证集成特征选择以及模型的调节参数选择问题进行了研究。具体内容如下:1、给出了一种基于正则化交叉验证（Block-regularized m×2 cross-validation,m×2 BCV）的投票集成特征选择方法。近年来许多研究表明基于交叉验证的多次结果的投票集成特征选择方法能提高特征选择性能,其性能分析的关键是特征入选概率估计的分布描述。但是,现有的研究主要以各次特征选择结果相互独立为假设,用二项分布来分析和表示每个特征的入选概率估计的分布,与其真实分布差异较大。鉴于常用的交叉验证方法未考虑到数据切分的随机性对特征选择性能的影响,而m×2 BCV对训练集的重叠样本个数进行了限制,减少了数据切分的随机性,从而降低了泛化误差估计的方差,并在模型预测性能比较方面体现出了优越性,特别是,可用组内和组间两个相关系数就可较为准确地描述出特征选择结果之间的相关结构。因此,本文提出了一种基于m×2 BCV的投票集成特征选择方法（Ensemble feature selection based on block-regularized m×2 cross-validation,EFSBCV）,考虑了各次特征选择结果之间的相关性,将特征入选概率估计的分布表示为更为准确的贝塔分布。并从理论上分析了在各次特征选择结果的相关系数满足一定条件下,才能保证投票集成特征选择方法对相关特征（Relevant feature）有更高的入选概率,才能提高集成特征选择的准确性。随后给出了交叉验证的数据切分次数m增大时特征入选概率的理论界。最后,用大量的实验验证了所给的特征入选概率估计的贝塔分布明显好于二项分布,对比了本文方法（EFSBCV）与现有的主要集成特征选择方法StabSel（Stability selection）和CPSS（Complementary pairs stability selection）的性能。实验结果表明:EFSBCV方法在相关特征的入选方面要好于StabSel和CPSS方法,在无关特征（Irrelevant feature）的剔除方面与StabSel和CPSS方法相当。2、给出了一种基于m×2 BCV的高维线性回归模型调节参数选择方法。在高维线性回归模型中,常用的交叉验证的调节参数选择方法在证明模型选择的一致性时,现有的文献中要求对训练集和验证集的大小以及交叉验证重复次数有较为苛刻的条件。本文证明了基于m×2 BCV调节参数选择方法,不需要对训练集,验证集和交叉验证重复次数有特殊要求,在更为一般的条件下就具有模型选择的一致性。最后,通过大量实验,在Lasso（Least absolute shrinkage and selectionator operator）,MCP（Minimax concave penalty）和SCAD（Smoothly clipped absolute deviation）下的高维线性回归模型的调节参数选择中,与现有的主流的基于交叉验证的调节参数选择方法（如Hold-out、5-折、10-折交叉验证）做了对比。实验结果表明,本文的方法优于上述的交叉验证方法。综上,正则化交叉验证方法在统计机器学习的模型选择中相比通常的交叉验证方法有优势。
常淼[5]（2021）在《基于深度学习的风电滚动轴承故障诊断与预测》文中研究指明随着社会的不断发展,大气环境污染问题日渐加剧,风能是最为最清洁的可再生能源之一,在改善能源结构方面具有重要作用,在世界各国倍受重视。随着装机容量的快速发展,风电机组的运行维护问题日益突出。由于长期工作在恶劣环境中,风电机组各部件的运行性能和健康状态随运行环境和时间的变化呈现衰退趋势,甚至产生故障,导致严重的发电量损失和经济损失。在风电机组中,由齿轮箱轴承故障引起的停机时间最长,而滚动轴承是其重要组成部件,对其故障诊断与预测进行研究具有重要的理论研究价值和工程应用意义。针对风电滚动轴承的故障诊断,目前常用的方法是将人工提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人工提取特征容易丢失关键信息,无法保证通用性和泛化能力。为此,论文以风电机组滚动轴承为研究对象,考虑风电机组滚动轴承故障特征微弱、提取困难,诊断效率低下等问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）的故障诊断算法,实现故障特征自动提取和故障分类。在此故障诊断策略中,对传统CNN的结构和训练算法进行改进。通过实验证明此模型在故障特征提取自动提取、训练速度、诊断精确度、泛化能力、鲁棒性等方面的优越性。考虑CNN网络参数对故障诊断的影响,且无法对所有数据集进行最佳泛化的问题,使用贝叶斯优化器对此改进CNN模型的网络深度、初始学习率、正则化系数以及随机梯度下降算法的动量进行选择。通过实验,对贝叶斯优化的迭代过程进行数字和图像的记录,分析CNN参数优化结果,对优化得到的CNN模型的泛化性和鲁棒性进行验证。对风电滚动轴承已发故障的迅速诊断可以节省故障排查时间。但是,对其运行状态进行预测性诊断可以及时识别故障征兆,及早确定故障发生的时间,从而对设备进行预测性维护。考虑长短期记忆网络（Long Short Term Memory,LSTM）在处理时序序列方面的优越性,提出一种基于双层LSTM的故障预测策略。在此故障预测策略中,两个LSTM分别用于短期时序预测和序列到标签的分类,从而实现对该时序序列未来一定时间的每一个时间步的运行状态的预测。通过实验验证此模型在故障预测方面的有效性。对风电滚动轴承的剩余寿命预测进行研究,可以进一步优化运维检修策略和备件订购事宜,进行视情维修,提高风电机组运行的可靠性。考虑LSTM在处理较长时序序列所需时间较长的问题,提出一种基于CNN-LSTM模型的风电滚动轴承剩余寿命预测模型,充分利用CNN的故障特征提取能力和LSTM处理时序序列方面的优越性。通过实验验证此CNN-LSTM模型可以较为精确地描绘剩余寿命变化趋势,在实现剩余寿命预测方面具有很高的有效性。
罗佳[6]（2021）在《基于生成式对抗网络的机械故障诊断方法研究》文中研究说明机械设备的状态监测和故障诊断是实现现代化工业安全运行的重要手段。随着计算机、传感器和通信技术的发展,机械设备的状态监测迈入了“大数据”时代,海量数据、种类繁多、速度极快,这些都给机械故障诊断带来了新的挑战。因此,利用新理论与新方法对大数据下的机械故障实施监测和诊断以保证其准确性与高效性,已成为当前热点研究方向。而基于深度学习的新一代人工智能技术是通过挖掘数据深层特征和自主学习知识来实现智能故障诊断的有效方法。在大数据下利用新理论与新方法对机械故障进行实时监测诊断具有十分重要的理论意义和实用价值。在实际工作环境下,采集到的故障数据是有限的,且往往是高度不平衡的,这限制了诊断的准确性和稳定性。生成式对抗网络（GAN）是深度学习研究领域的一个分支,是目前处理不平衡数据最有价值的方法。本文以提高诊断准确率和以诊断结果的可靠性为目标,以轴承、行星齿轮箱等机械设备的关键部件为检测对象,研究基于生成式对抗网络的机械设备故障信号生成技术和诊断方法。本文结合条件生成式对抗网络（CGAN）与深度卷积生成对抗网络（DCGAN）建立条件深度卷积生成对抗网络模型（C-DCGAN）来解决机械故障诊断中的数据不平衡问题。其中生成器和判别器均采用卷积神经网络（CNN）。原始振动数据的真实分布由生成器捕获,生成的新样本和原始数据有一样的分布规律,可作为故障样本的扩展数据。判别器对输入样本和真实样本进行鉴别。生成的新样本与原始样本一起输入鉴别器,以提高故障分类器的泛化能力。在训练过程中,通过对抗学习机制,交替优化生成器和判别器,提高生成样本的质量,单独训练一个CNN进行故障模式的识别。在西储大学轴承数据集（CWRU）和实验室行星齿轮箱数据集验证所提方法的可行性。引入双时间尺度更新规则（TTUR）解决故障诊断模型（C-DCGAN）训练的不稳定性。TTUR可以解决判别器正则化中的缓慢学习问题,使得在每个生成器迭代更新次数中使用较少的判别器迭代次数成为可能,让C-DCGAN训练过程更加稳定。用JSD散度指标评估TTUR在C-DCGAN网络上的性能,可以更好地捕获到真实数据和生成数据之间的相似度。最后在CWRU数据集和行星齿轮箱数据集上使用TTUR训练的C-DCGAN网络与单时间尺度更新规则的C-DCGAN网络进行了比较,结果表明TTUR在所有实验中均优于常规的C-DCGAN训练。针对机械设备振动信号频率成分复杂和时变性强的问题,将自注意力机制引入到C-DCGAN中,搭建自注意力生成式对抗网络（SAC-DCGAN）故障诊断模型,对所有输入振动信号计算特征注意力分布,求出输出特征关注到输入特征的权重,即输入振动信号特征向量受关注程度。根据注意力分布再计算特征信息的加权平均,对卷积层在不同时刻输出的振动特征进行动态加权融合,当网络模型面对时间序列特征差异明显的信号时,可以自适应地聚焦于不同的时刻,解决时变振动信号引起的样本差异问题。将所提方法在行星齿轮箱数据集上进行验证,并用动态时间规整算法（DTW）对其生成的样本质量进行评估。可视化实验结果表明基于自注意力机制的C-DCGAN模型优于原始的C-DCGAN,能够对行星齿轮箱多种工况进行准确诊断。最后对故障诊断模型SAC-DCGAN+TTUR进行整体评估和验证。针对故障振动信号,将三个评价指标JSD散度、Kernel MMD和1-Nearest Neighbor用于评估模型,通过计算这些度量以评估生成器模拟训练数据分布的能力。在此基础上提出了基于样本的评估方法,开展了评估指标分辨力实验,模型坍塌实验和过拟合实验。文中所提方法均有效提高了机械设备在小样本学习和数据不平衡等任务上的分类精度和泛化能力,为在大数据环境下机械设备的故障诊断提供了新手段和新思路,引导其向工程实际应用进行深度、广度的发展。
程建新[7]（2021）在《基于深度学习超分辨率的气象预报系统研究》文中提出气象预报是指在某一段时间内对气候气象变化做出的估计和记录,而气象数据是以矩阵数值形式输出的信息。矩阵内某一块区域的坐标点分布越密集,表明该区域气象预报的精细化程度越高,气象精细化预报数据则可以提供某一区域内更丰富的气象预测信息。本论文设计的精细化预报主要是研究在空间维度上的超分辨率预报,是将低分辨率（低精度）的气象观测数据在空间维度上降尺度生成高分辨率（高精度）的气象预测信息,期望将气象预报精度从省市（低精度）级别提升到乡镇（高精度）级别。同时,本论文还尝试性地提出了在时间维度上的气象精细化预报方法。在气象领域内实现精细化预报采用的方法是降尺度技术。传统的降尺度技术是采用插值算法或者统计模型来实现的,生成图像上每个像素点的值是构建其周围几个像素点的距离关系,或者是从特定分布的低分辨率和高分辨率降水数据中学习计算得到。但是,基于此类方法映射成的高分辨率图像不能很好地保留原始图像的细节。同时,发现气象观测数据是一种空间结构性信息,容易受到不同气象要素的影响。针对气象空间精细化预报领域存在的一些问题,本文展开深入研究。1)在使用降尺度技术构建气象精细化预报模型时,首先得将原始气象数据处理成可供降尺度预报模型训练的气象图片。气象观测数据是一种空间结构性信息,精细化的气象预报容易受到多种相关气象要素的影响。本论文中只研究降水精细化预报,经过多组对比实验发现,考虑温度、湿度、地形这三种气象要素的影响,能显着提升最终降水精细化预报的效果。本文还使用卷积神经网络对原始气象数据进行预处理,生成可供降尺度预报模型训练的气象图片,最终得到了适用于降水领域的标准数据集。2)采用不同的上采样层可能会给生成图片引入棋盘状条纹噪音,为了保证生成图片的质量,本文也对几种常见的上采样层做了对比分析,结果发现像素重组方法具有更好的效果。3)为了尽可能地恢复原始图像的细节,本文提出两种基于深度学习超分辨率的空间降尺度预报方法。第一种RDBLap模型引入了拉普拉斯结构和残差学习机制,虽然还是采用均方根损失误差来优化模型,但相较于传统的算法已经取得了较大的进步。第二种Pre GAN模型的核心思想是分别训练一个生成器和鉴别器网络,目的是使鉴别网络难以把生成器生成的高分辨率预测图片和标签图片区分开来。优势在于可以修复更多高纹理处的局部图像,从而进一步提高降水精细化预报的质量。本文在两类气象标准数据集中对比分析了多种气象降尺度模型,实验结果发现RDBLap和Pre GAN模型在各项评价指标上均取得了较好的效果。其中,Pre GAN模型相较于RDBLap网络,能实现更精准的气象高精度预报。
姚杰[8]（2021）在《基于LBM的多孔介质内气液两相渗流特性研究》文中认为多孔介质内的渗流过程广泛存在于石油、天然气开采、CO2地质封存、微机电系统等领域。近年来,多孔介质内两相渗流特性受到越来越多的关注。微纳米级孔隙是流体在多孔介质中渗流的主要通道,不同于常规尺度的流动,气体在微通道中的流动存在微尺度效应,这会导致渗流性质发生改变。本文基于MRT-LB模型,考虑努森层对气体流动的影响,并结合大密度比多组分多相伪势模型,构建了微尺度多组分多相LB模型,并用该模型研究微通道中气体的渗流规律以及多孔介质几何性质、润湿性和微尺度效应对甲烷/水两相渗流的影响。在应用该模型模拟气体在微通道中流动时发现:微尺度效应会使得气体的表观渗透率增加,且随着孔隙平均Kn数的增加,孔隙近壁面处的速度与截面中心的速度差值减小。分析不同平均Kn数下多孔介质内的高渗区域分布发现,随着平均Kn数增加,孔隙中高渗区域面积占孔隙总面积的比例增加,且高渗区优先在小孔隙中增加,这是由于小孔隙相对于大孔隙努森层占比更大所致。在应用该模型研究甲烷/水两相渗流特性时发现:甲烷/水两相流体在多孔介质中的流动受多孔介质颗粒形状、比表面积、均质性、润湿性以及微尺度效应等因素影响。具体来说,在相同孔隙率下,圆形颗粒的多孔介质比方形颗粒流动阻力小,水相和气相的相对渗透率均增大。当多孔介质的孔隙率保持不变时,固体颗粒的比表面积越大流体与固体的接触面积也就更大,这不利于两相渗流,但是另一方面,更大的比表面积有利于润湿相形成连续的渗流区,这有利于水相的渗流,且这种效应在饱和度较小（Sw<0.4）时更加明显,因此水相的相对渗透率呈现先增大后减小的趋势。异质多孔介质相比均质多孔介质孔隙的迂曲度更大,这对两相的渗流均是不利的,故两相的相对渗透率均减小。在多孔介质中,润湿相倾向于占据较小的孔隙空间而非润湿相倾向于占据较大的空间,这种机制使得在壁面润湿性增大时非润湿相的渗透率变大而润湿相的渗透率减小,但是另一方面,在强润湿介质中水相更容易形成连续的渗流区,这有利于水相的渗流,因此水相的相对渗透率呈现先减小后增大的变化趋势。微尺度效应会使得气体存在滑移速度,这种效应使得非润湿相和润湿相的渗透率均增大,但是气体的速度变大不利于润湿相在液相饱和度较小时的连续性,这会抑制润湿相的渗流,这两种机制共同作用使得当增大孔隙的平均Kn数使得流动从连续流区进入滑移区时,非润湿相的相对渗透率增加而润湿相的相对渗透率变化并不明显。
王杰[9]（2021）在《基于边界元的声学、声振问题结构形状与拓扑优化算法研究》文中研究指明为实现高效的噪声控制,优化设计方法已被引入噪声问题分析中,其中形状优化和拓扑优化是当前主要的研究方向。形状优化的思想是通过改变结构形状来改善其声学性能,而拓扑优化则是通过优化结构材料的拓扑分布关系来实现减振降噪。边界元方法在声学问题分析中具有独特的优势,通过将其与优化工具相结合,可以有效地建立形状优化和拓扑优化模型,从而显着改善结构的声学性能。等几何分析（IGA）成功地消除了 CAD与CAE之间的分离状态,其精确构造几何模型、不需要重复生成网格等优点显着缩短了形状设计更新周期。另一方面,IGA采用的NURBS插值,搭建起了结构形状变化和表面材料分布之间交流的桥梁。本文基于声学等几何边界元进行了形状优化、材料拓扑优化以及联合优化算法研究,同时基于有限元与边界元耦合方法实施结构材料的拓扑优化设计,实现更好的减振降噪效果。本文主要内容包括下面四部分:基于等几何宽频快速多极边界元的二维声学结构形状优化分析。针对二维外声场问题,基于NURBS插值推导了等几何边界元的一般表达式。采用Burton-Miller 法实现频域分析下的稳定求解,基于奇异性相消思想并结合 Cauchy 主值和Hadamard主值准确计算超奇异积分。引入宽频快速多极算法实现宽频域范围内高精度及高效率求解的平衡,进一步通过伴随变量法提升形状灵敏度分析效率。最终建立形状优化算法,通过MMA优化求解器实现有效的二维结构形状优化设计,显着降低目标区域的声学物理量。基于等几何边界元的三维声学结构形状优化分析。针对三维外声场问题,基于NURBS曲面插值推导了等几何边界元的基本公式。引入非连续元思想并结合Bezier extraction操作,提升等几何边界元的分析精度。同时,基于几何参数空间与物理参数空间相互独立的思想建立非连续等几何边界元算法,增强其针对分片插值模型的分析能力。使用伴随变量法并结合等几何边界元获得形状灵敏度,提高多设计参数的灵敏度计算效率。为提高大型复杂问题的计算效率,采用OpenMP并行工具缩短计算时间。最终结合MMA优化工具建立了一套三维声学结构形状优化算法,针对复杂工程问题模型进行了有效的形状优化分析。基于等几何边界元的三维声学结构联合形状与拓扑的优化算法研究。在结构表面贴附吸声材料的基础上,基于阻抗边界条件推导了基本分析公式。使用SIMP材料插值模型开展连续体材料分布的拓扑优化设计,采用伴随变量法提升多设计变量的拓扑灵敏度计算效率。通过NURBS插值构建结构几何形状和结构表面吸声材料拓扑分布之间的联系通道,以NURBS控制点坐标为形状设计参数,以吸声材料的人工密度为拓扑设计变量,基于有效的形状设计与材料分布拓扑改变相结合的方案,建立三维声学结构几何形状与表面吸声材料拓扑分布的联合优化算法,实现比单一类型的结构优化更好的降噪效果。基于有限元-边界元耦合分析的频带拓扑优化算法研究。设置结构由双材料构成设计,依据有限元-边界元耦合方法开展声振耦合分析。通过使用SIMP双材料插值模型和伴随变量法实施高效的拓扑灵敏度分析,进一步结合MMA优化工具建立结构材料拓扑优化算法,以减振降噪为目标实施材料分布优化设计。基于声辐射模态分析和阻抗矩阵插值技术,提升多频点分析的计算效率,最终建立一套基于声振耦合分析的结构材料频带拓扑优化算法,通过频带拓扑优化分析获得更具有工程实际意义的材料分布结果,为工程降噪问题提供有效的设计分析手段。本文基于声学等几何边界元方法建立了形状优化、吸声材料分布拓扑优化、联合优化算法,并基于有限元-边界元耦合分析方法发展了结构材料频带拓扑优化算法,通过优化设计改善结构的声学性能以实现减振降噪,为工程中的噪声控制问题提供理论指导。
翟敏[10]（2020）在《病态模型的解算方法及其在短基线集InSAR形变反演中的应用研究》文中进行了进一步梳理短基线集干涉合成孔径雷达（SBAS-InSAR,Small Baseline Subset Interferometric Synthetic Aperture Radar）是在差分干涉合成孔径雷达（D-InSAR,Differential Interferometric Synthetic Aperture Radar）基础上发展起来的一种干涉测量技术,继承了 D-InSAR大范围、全天候、实时快速的优点,同时减少了数据成本,提高了数据的应用效率,已成为目前监测地震、滑坡、泥石流等地质灾害的一项重要技术手段。然而在利用SBAS-InSAR监测地表形变的实际应用中发现,其形变模型的解算存在着病态问题,严重影响着形变信息反演结果的精度和可靠性。病态问题是观测模型受误差影响所产生的解不稳定问题,广泛存在于测量数据处理中且影响较大,一直是大地测量领域的研究热点。论文较为系统地回顾了当前国内外病态问题解算方法和SBAS-InSAR形变模型反演的研究现状,针对大地测量领域经典病态问题处理方法中存在的问题,结合SBAS-InSAR形变模型反演解算的实际情况,对有偏估计领域出现的新理论、新方法进行了分析、研究和改进。主要研究内容和创新点如下:（1）基于L曲线的谱修正迭代法在证明谱修正迭代法最终收敛于最小二乘估计的基础上,发现根据相邻迭代结果小于阈值的迭代终止条件无益于估计结果的优选,为此提出基于L曲线的谱修正迭代法,即通过绘制迭代过程L曲线,从而确定估值稳定且残差较小的谱修正迭代估值。通过数值算例和SBAS-InSAR形变模型反演实验,验证了基于L曲线的谱修正迭代法对病态问题的改善程度优于经典谱修正方法;实验也表明谱修正迭代法及其改进方法能改善最小二乘估计结果,但不能一致优于岭估计方法,而其与阻尼最小二乘存在的联系使其在病态估计问题中仍有一定的研究价值。（2）基于最小均方误差奇异值修正的正则化方法正则化方法通过对病态问题附加约束条件,将病态问题转换为病态性较弱或者良性问题进行解算,其关键是正则化参数与正则化矩阵的确定。现有方法中利用较小奇异值的右奇异向量构造的正则化矩阵,通过奇异值修正降低估计方差并减少偏差的引入,但该方法存在较小奇异值判定标准不明确的问题,为此提出了基于均方误差最小的原则确定满足估计结果最优的较小奇异值分界值的新方法。通过数值算例和SBAS-InSAR形变模型反演实验,证明了较小奇异值判定标准的改变会影响病态问题的改善程度,基于最小均方误差奇异值修正的正则化方法具有更严密的理论依据,且病态估计结果更加稳定可靠。（3）基于指数函数奇异值修正的正则化方法正则化方法中增加的稳定泛函通常定义为非负定的正则化矩阵,但现有方法构造的正则化矩阵常以奇异值有选择性的修正为目标,往往忽略了矩阵非负定的特性。为满足正则化矩阵非负定的要求,提出一种基于指数函数奇异值修正的正则化方法。该方法以正则化参数修正后的各估计参数的标准差分量作为变量,通过有选择性地修正奇异值,实现对较小奇异值的重点修正,减少对较大奇异值的修正程度。通过数值算例和SBAS-InSAR形变模型反演实验,验证了基于指数函数奇异值修正的正则化方法的有效性,且估计结果优于岭估计结果。（4）Liu型估计最优参数d的取值方法Liu型估计通过在参数估计过程中引入双参数α和d,利用参数α降低系数矩阵病态性,并利用参数d提高估计结果的拟合性质,因此Liu型估计中参数的最优取值对提高估计结果的精度至关重要。基于均方误差最小原则确定参数d取值时,一般需要较为准确的估值和单位权中误差,但受病态问题影响的最小二乘估值已严重失真。为此,提出了一种参数d的迭代优化方法,即通过迭代计算消除估计初值对参数d取值的影响,并通过严密的理论推导证明了迭代方法的收敛性。通过数值算例和SBAS-InSAR形变模型反演实验,证明了迭代计算可以实现参数d的优化取值和估计结果的渐次修正。（5）Liu型估计最优参数α的取值方法Liu型估计中参数α的取值一般是由条件数判断病态程度的经验公式确定的,即认为条件数小于100的估计问题的病态性较低,据此调整参数α的取值使系数矩阵的条件数为100。但根据经验公式确定参数α取值的方法不具备严密的理论依据,对病态问题的改善程度具有很大的不确定性。为此,提出参数α的L曲线优选方法,通过在一定范围内解算不同参数α取值下的估计结果并绘制L曲线,确定估值稳定且残差较小的L曲线拐点,从而得到参数α的最优取值及最优估计结果。通过数值算例和SBAS-InSAR形变模型反演实验,证明了基于L曲线的最优参数α的取值方法的有效性。
二、格子点分布序列的正则化和的一个收敛性质（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、格子点分布序列的正则化和的一个收敛性质（论文提纲范文）
（1）水下应答器定位的正则化数值算法研究（论文提纲范文）
| 0 引言 |
| 1 水下应答器定位的正则化数值算法 |
| 2 基于信赖域半径确定松弛因子 |
| 3 数值实验 |
| 4 结论 |
（2）基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究现状综述 |
| 1.3.1 城市道路网络交通控制 |
| 1.3.2 城市道路网络动态交通分配 |
| 1.3.3 城市道路网络中的多智能体强化学习 |
| 1.3.4 研究现存问题 |
| 1.4 研究目的及意义 |
| 1.5 研究内容框架 |
| 第2章 城市道路网络分布式动态交通分配方法 |
| 2.1 动态交通分配 |
| 2.1.1 动态交通分配问题 |
| 2.1.2 用户均衡和系统最优 |
| 2.1.3 动态交通分配的主要数学形式 |
| 2.1.4 动态交通分配模型的缺陷 |
| 2.2 多智能体强化学习 |
| 2.2.1 多智能体系统 |
| 2.2.2 强化学习机制 |
| 2.2.3 多智能体强化学习算法 |
| 2.3 动态交通分配决策者智能体架构 |
| 2.3.1 决策者智能体状态空间 |
| 2.3.2 决策者智能体动作空间 |
| 2.3.3 决策者智能体回报函数 |
| 2.3.4 决策者智能体的学习率机制 |
| 2.4 动态交通分配空间约束建议者智能体架构 |
| 2.4.1 建议者智能体的状态空间 |
| 2.4.2 建议者智能体的动作空间 |
| 2.4.3 建议者智能体的回报函数 |
| 2.4.4 建议者智能体的学习率机制 |
| 2.5 异构建议者多智能体强化学习 |
| 2.5.1 HAB-MARL 框架的应用 |
| 2.5.2 HAB-MARL 算法 |
| 2.6 本章小结 |
| 第3章 城市道路网络分布式交通信号控制方法 |
| 3.1 城市道路网络交通信号控制 |
| 3.1.1 URNTSC优化目标选取 |
| 3.1.2 URNTSC方法主要形式 |
| 3.1.3 多智能体强化学习在URNTSC中的应用 |
| 3.1.4 当前URNTSC方法可改进性 |
| 3.2 交通管控中的博弈论 |
| 3.2.1 博弈论形式及基本分类 |
| 3.2.2 博弈中的均衡解 |
| 3.2.3 博弈论在交通系统中的应用形式 |
| 3.3 分布式交通信号控制智能体架构 |
| 3.3.1 信号控制智能体状态空间 |
| 3.3.2 信号控制智能体动作空间 |
| 3.3.3 信号控制智能体决策过程 |
| 3.3.4 信号控制智能体回报函数 |
| 3.3.5 信号控制智能体的学习率机制 |
| 3.4 混合策略纳什均衡多智能体强化学习 |
| 3.4.1 MSNE-MARL 框架的应用 |
| 3.4.2 MSNE-MARL 算法 |
| 3.5 本章小结 |
| 第4章 城市道路网络交通信号控制鲁棒性增强方法 |
| 4.1 复杂网络关键节点判别技术 |
| 4.1.1 图论基础 |
| 4.1.2 复杂网络理论 |
| 4.1.3 关键节点判别技术 |
| 4.1.4 现有关键节点判别技术局限性 |
| 4.2 节点影响力传播机制 |
| 4.2.1 社会网络影响力传播机制 |
| 4.2.2 基于 MAS 的节点影响力传播机制 |
| 4.2.3 影响力传播机制改进关键点 |
| 4.3 MAS-AITM的URNTSC鲁棒性增强框架 |
| 4.3.1 MAS-AITM中节点等级度量及关键节点判别机制 |
| 4.3.2 MAS-AITM节点交互关系的分类 |
| 4.3.3 MAS-AITM节点交互关系的各向异性自择机制 |
| 4.3.4 MAS-AITM节点交互机制 |
| 4.3.5 URNTSC中鲁棒性增强构建的其他事项 |
| 4.4 本章小结 |
| 第5章 数值模拟框架及验证测试 |
| 5.1 城市道路网络数值模拟框架 |
| 5.1.1 元胞传输模型 |
| 5.1.2 基于CTM-DNL的数值模拟框架 |
| 5.1.3 城市道路网络交叉口转弯比动态构建方法 |
| 5.2 HAB-MARL分布式动态交通分配方法验证分析 |
| 5.2.1 出行成本函数选用 |
| 5.2.2 验证方法选用 |
| 5.2.3 验证网络选用 |
| 5.2.4 验证输入值设置 |
| 5.2.5 HAB-MARL验证分析 |
| 5.2.6 本节小结 |
| 5.3 MSNE-MARL分布式交通信号控制方法验证分析 |
| 5.3.1 验证指标选用 |
| 5.3.2 验证方法选用 |
| 5.3.3 验证网络选用 |
| 5.3.4 验证输入值设置 |
| 5.3.5 验证方法参数标定 |
| 5.3.6 MSNE-MARL验证分析 |
| 5.3.7 本节小结 |
| 5.4 MAS-AITM的URNTSC鲁棒性增强方法验证分析 |
| 5.4.1 验证方法选用 |
| 5.4.2 验证网络选用 |
| 5.4.3 验证输入值设置 |
| 5.4.4 MAS-AITM验证分析 |
| 5.4.5 本节小结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）光学元件表面抛光创成及其形貌研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 典型确定性抛光方法 |
| 1.4 小工具头抛光研究现状 |
| 1.5 主要研究内容 |
| 第2章 抛光过程的材料去除函数建立与分析 |
| 2.1 小工具头抛光过程材料去除理论 |
| 2.2 工件与工具头的接触区域情况 |
| 2.2.1 接触区域形状及压力分布分析 |
| 2.2.2 接触区域压强计算 |
| 2.2.3 接触区域速度计算 |
| 2.3 Preston方程的抛光系数标定实验 |
| 2.4 工具影响函数(TIF)计算 |
| 2.5 本章小结 |
| 第3章 表面抛光材料去除量分布计算与分析 |
| 3.1 材料去除过程分析 |
| 3.2 TIF单元叠加法求解单条直线轨迹去除量 |
| 3.3 TIF单元叠加法求解表面去除形貌 |
| 3.4 光栅轨迹抛光去除过程分析 |
| 3.5 摆线式去除轨迹 |
| 3.5.1 摆线轨迹的原理与生成 |
| 3.5.2 摆线轨迹材料去除计算 |
| 3.5.3 摆线轨迹材料去除仿真 |
| 3.6 本章小结 |
| 第4章 驻留时间修正后的光学元件表面创成 |
| 4.1 工件粗糙表面形貌仿真 |
| 4.1.1 前序粗糙表面纹理三维模型生成 |
| 4.1.2 实际表面仿真实例 |
| 4.2 驻留时间求解 |
| 4.2.1 矩阵法驻留时间求解过程 |
| 4.2.2 Tikhonov正则化法求解驻留时间 |
| 4.3 表面创成实例及其残余误差分析 |
| 4.3.1 光栅抛光轨迹驻留时间求解 |
| 4.3.2 摆线轨迹驻留时间求解 |
| 4.3.3 表面形貌特征分析 |
| 4.4 本章小结 |
| 第5章 抛光实验设计与分析 |
| 5.1 实验准备及实验设备介绍 |
| 5.1.1 实验工艺设计 |
| 5.1.2 实验设备介绍 |
| 5.2 抛光方案对比实验 |
| 5.3 实验结果分析 |
| 5.3.1 表面原始轮廓测量结果 |
| 5.3.2 表面波纹度测量结果 |
| 5.3.3 表面粗糙度测量结果 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）基于正则化交叉验证的模型选择方法（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 本文的主要贡献 |
| 1.3 论文的组织 |
| 第二章 研究现状综述 |
| 2.1 正则化交叉验证研究现状 |
| 2.2 集成特征选择研究现状 |
| 2.3 高维线性回归模型中调节参数选择的研究现状 |
| 2.4 本章小结 |
| 第三章 基于正则化m×2交叉验证的集成特征选择方法 |
| 3.1 正则化m×2交叉验证的集成特征选择 |
| 3.2 特征入选概率估计的贝塔分布描述 |
| 3.3 特征选择相关评价指标的理论性质 |
| 3.4 实验结果与分析 |
| 3.4.1 贝塔分布合理性的模拟实验验证 |
| 3.4.2 与其他集成特征选择方法的模拟实验分析与对照 |
| 3.4.3 真实数据实验 |
| 3.4.4 实验小结 |
| 3.5 正则化m×2交叉验证的集成特征选择方法在高维线性回归模型的方差估计中的应用 |
| 3.5.1 重拟合交叉验证方差估计 |
| 3.5.2 基于正则化m×2交叉验证的方差估计 |
| 3.5.3 方差估计的渐近正态性 |
| 3.5.4 方差估计的实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于正则化m×2交叉验证的高维线性回归模型的调节参数选择 |
| 4.1 记号和定义 |
| 4.2 基于正则化m×2交叉验证的调节参数选择 |
| 4.3 调节参数选择一致性的理论证明 |
| 4.4 实验结果与分析 |
| 4.4.1 与其他调节参数选择方法的模拟实验分析与对照 |
| 4.4.2 调节参数选择一致性的模拟实验验证 |
| 4.4.3 真实数据实验 |
| 4.4.4 实验小结 |
| 4.5 本章小结 |
| 第五章 结论及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（5）基于深度学习的风电滚动轴承故障诊断与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 国内研究现状及发展趋势 |
| 1.2.2 国外研究现状及发展趋势 |
| 1.3 主要研究内容与章节安排 |
| 第二章 基于改进CNN的风电轴承故障诊断策略 |
| 2.1 引言 |
| 2.2 深度学习常见问题 |
| 2.2.1 梯度消失 |
| 2.2.2 过拟合 |
| 2.2.3 计算量大 |
| 2.3 CNN基本理论 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 目标函数 |
| 2.3.5 CNN的训练 |
| 2.4 模型评价指标 |
| 2.5 改进的CNN模型 |
| 2.5.1 批归一化 |
| 2.5.2 改进CNN的结构 |
| 2.5.3 改进CNN的训练 |
| 2.5.4 基于改进CNN的故障诊断流程 |
| 2.6 基于改进CNN的轴承故障诊断 |
| 2.6.1 实验数据 |
| 2.6.2 CNN模型的结构与参数 |
| 2.6.3 泛化性验证 |
| 2.6.4 特征降维可视化 |
| 2.6.5 鲁棒性验证 |
| 2.7 本章小结 |
| 第三章 基于贝叶斯优化的CNN超参数优化策略 |
| 3.1 引言 |
| 3.2 贝叶斯优化原理与应用 |
| 3.2.1 贝叶斯优化器 |
| 3.2.2 概率代理模型 |
| 3.2.3 采集函数 |
| 3.3 贝叶斯优化CNN模型 |
| 3.3.1 贝叶斯优化流程 |
| 3.3.2 基于贝叶斯优化CNN的故障诊断策略 |
| 3.3.3 贝叶斯优化结果与分析 |
| 3.3.4 泛化性和鲁棒性验证 |
| 3.4 本章小结 |
| 第四章 基于双层LSTM的故障预测策略 |
| 4.1 引言 |
| 4.2 RNN基本理论 |
| 4.2.1 RNN的结构 |
| 4.2.2 RNN的梯度消失与梯度爆炸 |
| 4.3 LSTM基本理论 |
| 4.3.1 LSTM自循环 |
| 4.3.2 LSTM的门结构 |
| 4.3.3 LSTM的训练 |
| 4.4 双层LSTM模型 |
| 4.4.1 LSTM模型 |
| 4.4.2 Adam算法 |
| 4.4.3 基于双层LSTM模型的故障预测模型 |
| 4.5 实验验证 |
| 4.5.1 实验数据集 |
| 4.5.2 用于时序预测的LSTM |
| 4.5.3 序列到序列分类的LSTM |
| 4.5.4 故障预测实验结果 |
| 4.6 本章小结 |
| 第五章 基于CNN-LSTM的剩余寿命预测策略 |
| 5.1 引言 |
| 5.2 剩余寿命 |
| 5.2.1 统计学寿命模型 |
| 5.2.2 基于断裂力学的剩余寿命模型 |
| 5.2.3 经验寿命模型 |
| 5.3 滚动轴承全寿命试验平台 |
| 5.4 基于CNN-LSTM的剩余寿命预测模型 |
| 5.4.1 CNN-LSTM模型 |
| 5.4.2 实验数据预处理 |
| 5.4.3 剩余寿命预测 |
| 5.5 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（6）基于生成式对抗网络的机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状综述 |
| 1.2.1 传统故障诊断方法 |
| 1.2.2 大数据驱动的智能故障诊断方法 |
| 1.2.3 深度学习在故障诊断中的应用 |
| 1.2.4 生成式对抗网络研究现状 |
| 1.2.5 注意力机制研究现状 |
| 1.3 机械故障诊断目前存在的问题及研究方向 |
| 1.4 本文的主要研究目标、内容及结构安排 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 论文结构及安排 |
| 2.生成式对抗网络相关理论研究 |
| 2.1 引言 |
| 2.2 生成模型简介 |
| 2.3 生成式对抗网络(GAN) |
| 2.3.1 GAN的基本原理和组成 |
| 2.3.2 GAN数学原理 |
| 2.3.3 GAN训练算法 |
| 2.3.4 GAN可视化理解 |
| 2.3.5 提升GAN训练效果的方法 |
| 2.3.6 GAN与其它生成模型和衍生模型的比较 |
| 2.3.7 GAN的优缺点 |
| 2.4 条件生成式对抗网络 |
| 2.5 深度卷积生成式对抗网络 |
| 2.6 卷积神经网络 |
| 2.7 本章小结 |
| 3.基于条件深度卷积生成式对抗网络(C-DCGAN)的故障诊断方法 |
| 3.1 引言 |
| 3.2 基于C-DCGAN的故障诊断方法 |
| 3.2.1 C-DCGAN故障诊断模型 |
| 3.2.2 C-DCGAN模型超参数选择 |
| 3.2.3 C-DCGAN模型训练 |
| 3.2.4 故障诊断算法实现 |
| 3.2.5 生成样本质量评估方法 |
| 3.3 工程案例验证 |
| 3.3.1 CWRU实验 |
| 3.3.2 行星齿轮箱实验 |
| 3.3.3 实验讨论 |
| 3.4 本章小结 |
| 4.基于TTUR的 C-DCGAN机械故障诊断模型稳定训练方法 |
| 4.1 引言 |
| 4.2 双时间尺度更新规则(TTUR) |
| 4.3 TTUR在 C-DCGAN模型中的收敛性 |
| 4.4 TTUR仿真实验 |
| 4.5 TTUR实验验证 |
| 4.5.1 CWRU实验 |
| 4.5.2 行星齿轮箱实验 |
| 4.6 TTUR性能评估 |
| 4.7 本章小结 |
| 5.基于自注意力机制的C-DCGAN故障样本生成技术 |
| 5.1 引言 |
| 5.2 注意力机制的数学表达 |
| 5.3 自注意力机制 |
| 5.4 自注意力生成式对抗网络模型(SAC-DCGAN) |
| 5.5 实验验证 |
| 5.5.1 生成样本时频图对比分析 |
| 5.5.2 自注意力矩阵分布 |
| 5.5.3 故障诊断可视化分析 |
| 5.5.4 故障诊断结果分析 |
| 5.5.5 SAC-DCGAN生成样本性能评估 |
| 5.6 本章小结 |
| 6.机械故障诊断模型(SAC-DCGAN+TTUR)评估方法 |
| 6.1 引言 |
| 6.2 生成振动信号评价指标 |
| 6.2.1 Jensen-Shannon divergence(JSD) |
| 6.2.2 Kernel Maximum Mean Discrepancy(MMD) |
| 6.2.3 The1-Nearest Neighbor classifier(1-NN) |
| 6.3 故障诊断模型评估方法 |
| 6.4 SAC-DCGAN+TTUR评估指标实验 |
| 6.4.1 评估指标分辨力实验 |
| 6.4.2 模式坍塌实验 |
| 6.4.3 过拟合实验 |
| 6.4.4 实验讨论 |
| 6.5 评估方法的鲁棒性和局限性 |
| 6.6 本章小结 |
| 7.总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（7）基于深度学习超分辨率的气象预报系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.3.1 降水精细化预报不是单一的预测任务 |
| 1.3.2 现有降尺度模型难以完全恢复图片细节 |
| 1.4 研究内容和创新点 |
| 1.5 本文的组织结构 |
| 2 相关概念及理论基础 |
| 2.1 气象空间降尺度预报定义 |
| 2.2 图像的超分辨率技术定义 |
| 2.3 空间降尺度方法 |
| 2.3.1 插值法 |
| 2.3.2 深度学习超分辨率算法 |
| 2.4 图像上采样操作方法 |
| 2.4.1 上采样层的插值方式 |
| 2.4.2 上采样层出现的次序 |
| 2.5 本章小结 |
| 3 基于深度学习的气象精细化预报方法 |
| 3.1 算法综述 |
| 3.2 模型输入数据生成 |
| 3.3 RDBLap空间降尺度模型 |
| 3.3.1 模型结构 |
| 3.3.2 损失函数 |
| 3.4 Pre GAN空间降尺度模型构建 |
| 3.4.1 Generator生成器结构 |
| 3.4.2 Discriminator鉴别器结构 |
| 3.4.3 感知损失函数 |
| 3.5 气象时间降尺度预测介绍 |
| 3.5.1 时间降尺度定义 |
| 3.5.2 时间降尺度步骤 |
| 3.6 本章小结 |
| 4 实验设置 |
| 4.1 数据集处理 |
| 4.1.1 数据集描述 |
| 4.1.2 数据预处理 |
| 4.2 实验配置 |
| 4.3 评价指标 |
| 4.4 实验研究问题 |
| 4.5 实验结果分析 |
| 4.5.1 计算不同气象要素对气象精细化预报的影响 |
| 4.5.2 计算不同图像上采样操作对气象预报模型的影响 |
| 4.5.3 基于气象评价指标的实验结果 |
| 4.5.4 消融实验结果 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 攻读学位期间参加的科研工作及成果 |
| 致谢 |
（8）基于LBM的多孔介质内气液两相渗流特性研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 多孔介质渗流研究现状 |
| 1.3 微尺度效应以及研究方法 |
| 1.4 本文的主要工作 |
| 2 格子Boltzmann方法简介 |
| 2.1 格子Boltzmann方法基本理论 |
| 2.1.1 格子Boltzmann方法简介 |
| 2.1.2 格子Boltzmann方法基本模型 |
| 2.2 边界格式 |
| 2.2.1 周期性边界 |
| 2.2.2 反弹边界格式 |
| 2.2.3 镜面反射格式 |
| 2.2.4 动力学格式 |
| 2.2.5 非平衡外推格式 |
| 2.3 多组分多相流模型 |
| 2.2.1 概述 |
| 2.2.2 Shan-Chen多组分多相模型 |
| 2.2.3 SC模型程序验证 |
| 2.4 本章小结 |
| 3 多孔介质内气体渗流特性研究 |
| 3.1 松弛时间和曲面滑移边界条件 |
| 3.1.1 松弛时间 |
| 3.1.2 曲面滑移边界 |
| 3.2 局部Kn数 |
| 3.3 模型验证 |
| 3.3.1 Poiseuille流动 |
| 3.3.2 含有方柱的微通道绕流 |
| 3.4 微尺度气体渗流规律研究 |
| 3.4.1 网格无关性验证 |
| 3.4.2 不同Kn_m数下多孔介质内气体速度分布 |
| 3.4.3 不同Kn_m数下多孔介质渗流特性 |
| 3.5 本章小结 |
| 4 多孔介质内的两组分两相渗流研究 |
| 4.1 多组分多相大密度比模型 |
| 4.1.1 大密度比MRT模型介绍 |
| 4.1.2 模型验证 |
| 4.2 甲烷/水两相渗流特性研究 |
| 4.2.1 网格无关性验证 |
| 4.2.2 颗粒几何性质对相对渗透率的影响 |
| 4.2.3 润湿性对相对渗透率的影响 |
| 4.2.4 Kn数对相对渗透率的影响 |
| 4.3 本章小结 |
| 5 结论和展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）基于边界元的声学、声振问题结构形状与拓扑优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 特殊函数符号定义 |
| 专业名词缩写 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 等几何分析 |
| 1.2.2 声学边界元及灵敏度分析 |
| 1.2.3 结构优化设计及噪声控制 |
| 1.2.4 有限元-边界元(FEM-BEM)声振耦合分析及结构拓扑优化设计 |
| 1.3 本文研究目标及内容安排 |
| 第2章 基于等几何宽频快速多极边界元算法的二维声学结构形状优化设计 |
| 2.1 引言 |
| 2.2 二维等几何宽频快速多极边界元算法 |
| 2.2.1 二维声学等几何边界元 |
| 2.2.2 宽频快速多极边界元 |
| 2.3 形状灵敏度分析 |
| 2.3.1 直接微分法 |
| 2.3.2 伴随变量法 |
| 2.4 二维声学结构形状优化设计 |
| 2.5 数值算例 |
| 2.5.1 声场分析 |
| 2.5.2 灵敏度分析 |
| 2.5.3 形状优化 |
| 2.6 本章小结 |
| 第3章 基于等几何边界元的三维声学结构形状优化设计 |
| 3.1 引言 |
| 3.2 三维声学等几何边界元算法 |
| 3.2.1 NURBS曲面 |
| 3.2.2 三维声学边界元 |
| 3.2.3 非连续B(?)zier单元 |
| 3.2.4 几何参数空间与物理参数空间相互独立 |
| 3.3 形状灵敏度分析 |
| 3.3.1 直接微分法 |
| 3.3.2 伴随变量法 |
| 3.4 三维声学结构形状优化设计 |
| 3.5 数值算例 |
| 3.5.1 声场分析 |
| 3.5.2 灵敏度分析 |
| 3.5.3 形状优化 |
| 3.6 本章小结 |
| 第4章 基于等几何边界元的三维声学结构联合优化设计 |
| 4.1 引言 |
| 4.2 阻抗边界条件 |
| 4.3 形状灵敏度分析 |
| 4.3.1 直接微分法 |
| 4.3.2 伴随变量法 |
| 4.4 拓扑灵敏度分析 |
| 4.4.1 直接微分法 |
| 4.4.2 伴随变量法 |
| 4.5 三维声学结构吸声材料分布拓扑优化设计 |
| 4.6 三维声学结构联合优化设计 |
| 4.7 数值算例 |
| 4.7.1 灵敏度分析 |
| 4.7.2 拓扑优化 |
| 4.7.3 联合优化 |
| 4.8 本章小结 |
| 第5章 基于有限元-边界元耦合方法的三维声学结构材料分布拓扑优化设计 |
| 5.1 引言 |
| 5.2 有限元-边界元耦合分析 |
| 5.2.1 结构振动分析 |
| 5.2.2 声场分析 |
| 5.2.3 耦合分析 |
| 5.2.4 辐射声功率 |
| 5.3 拓扑灵敏度分析 |
| 5.3.1 材料设计模型 |
| 5.3.2 伴随变量法 |
| 5.4 吸声材料拓扑分布 |
| 5.4.1 耦合分析 |
| 5.4.2 灵敏度分析 |
| 5.5 材料分布拓扑优化模型 |
| 5.6 频带插值分析 |
| 5.6.1 Lagrange插值 |
| 5.6.2 Chebyshev插值 |
| 5.6.3 频带拓扑优化模型 |
| 5.7 数值算例 |
| 5.7.1 拓扑优化 |
| 5.7.2 频带插值分析 |
| 5.8 本章小结 |
| 第6章 工作总结与研究展望 |
| 6.1 工作内容总结 |
| 6.2 工作创新点总结 |
| 6.3 研究展望 |
| 参考文献 |
| 附录A 奇异积分推导 |
| A.1 二维声学边界元奇异积分 |
| A.1.1 声场分析 |
| A.1.2 灵敏度分析 |
| A.2 三维声学边界元奇异积分 |
| A.2.1 声场分析 |
| A.2.2 灵敏度分析 |
| 附录B BeTSSi潜艇建模 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（10）病态模型的解算方法及其在短基线集InSAR形变反演中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与安排 |
| 2 病态问题的基本理论 |
| 2.1 病态问题及其分析 |
| 2.2 病态诊断方法与评价 |
| 2.3 病态问题估计方法 |
| 2.4 SBAS-InSAR形变反演的病态问题 |
| 2.5 本章小结 |
| 3 基于L曲线的谱修正迭代方法 |
| 3.1 谱修正迭代法的基本原理 |
| 3.2 基于L曲线的谱修正迭代法 |
| 3.3 谱修正迭代法实验与分析 |
| 3.4 本章小结 |
| 4 基于奇异值修正的正则化方法 |
| 4.1 Tikhonov正则化方法 |
| 4.2 基于最小均方误差奇异值修正的正则化方法 |
| 4.3 基于指数函数奇异值修正的正则化方法 |
| 4.4 正则化方法实验与分析 |
| 4.5 本章小结 |
| 5 Liu型估计的最优参数确定方法 |
| 5.1 Liu型估计基本原理 |
| 5.2 Liu型估计参数d的最优取值确定 |
| 5.3 Liu型估计参数α的最优取值确定 |
| 5.4 Liu型估计法实验与分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 论文主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
四、格子点分布序列的正则化和的一个收敛性质（论文参考文献）
- [1]水下应答器定位的正则化数值算法研究[J]. 苏晓庆,徐工. 工程勘察, 2022(02)
- [2]基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究[D]. 潘昭天. 吉林大学, 2021(01)
- [3]光学元件表面抛光创成及其形貌研究[D]. 谢国宏. 吉林大学, 2021(01)
- [4]基于正则化交叉验证的模型选择方法[D]. 杨杏丽. 山西大学, 2021(01)
- [5]基于深度学习的风电滚动轴承故障诊断与预测[D]. 常淼. 江南大学, 2021(01)
- [6]基于生成式对抗网络的机械故障诊断方法研究[D]. 罗佳. 中北大学, 2021
- [7]基于深度学习超分辨率的气象预报系统研究[D]. 程建新. 武汉大学, 2021(12)
- [8]基于LBM的多孔介质内气液两相渗流特性研究[D]. 姚杰. 大连理工大学, 2021(01)
- [9]基于边界元的声学、声振问题结构形状与拓扑优化算法研究[D]. 王杰. 中国科学技术大学, 2021(09)
- [10]病态模型的解算方法及其在短基线集InSAR形变反演中的应用研究[D]. 翟敏. 山东科技大学, 2020(06)