一、一种基于遗传算法的小波神经网（论文文献综述）
胡瑞卿[1]（2021）在《无人机飞行姿态的故障检测方法研究》文中指出无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
景聪慧[2]（2021）在《基于优化小波神经网络的煤系气共采产能预测研究》文中认为近年来,随着我国对煤系非常规天然气资源潜力及开发价值的关注,逐步推动着煤系气产业的快速发展。煤系气共采产能是衡量煤系气井储层潜在产气能力的综合指标,产能的高低直接影响着煤系气项目的经济效益。由于煤系气储层间存在复杂的叠置关系,其产出过程由多个地质因素决定且各因素之间关系复杂,难以采用精确的数学表达式来描述动态的生产过程。论文基于遗传算法优化小波神经网络建立煤系气共采产能预测模型,对研究区煤系气井进行产能的预测,为进一步研究煤系气共采产能预测提供了新思路。首先,在影响煤系气共采产能地质特征基础上,结合前人工作成果深入探讨了煤系气共采产能的影响因素。对研究区样本数据采用GIS空间插值进行完善,并引入灰色关联法筛选出对共采产能影响最大的因素。然后,采用小波神经网络作为产能预测模型,并使用遗传算法优化了网络中各层权值、平移缩放因子的初始值,提高了预测模型的泛化性和收敛性。针对样本数据量小且存在多样性影响模型训练的问题,采用K-Means方法将数据聚为3类,保证了每类样本的质量和共性。对聚类后的每类样本分别构建模型,并重点探讨了模型中遗传算法各初始参数以及小波神经网络的各层节点个数,确定了3类不同结构的基于煤系气共采产能预测的遗传算法优化小波神经网络模型。最后,对选定的研究区20个煤系气样本数据,采用KNN方法进行分类,然后采用相应类别的遗传算法优化小波神经网络模型进行产能的预测,并与另外4种对比模型的预测结果进行比较。结果表明,无论从预测精度、稳定性还是泛化能力来看,遗传算法优化小波神经网络模型均具有最好的预测效果,验证了该模型在煤系气共采产能预测中的适用性和精确度。论文有图40幅,表13个,参考文献95篇。
刘茂龙[3]（2020）在《数控车床主轴热误差建模算法研究》文中研究说明随着工业产品技术水平的提高,功能部件的精度要求越来越高,这就对机床的加工精度提出了更高的要求。在影响机床加工精度的多个误差源中,热误差在机床总误差源中所占的比重最大,因此,利用热误差补偿技术对热误差进行补偿是提高机床加工精度的一种经济有效的措施。大量的国内外研究资料表明,热误差补偿技术的重点集中在温度敏感测点的选择、热误差建模以及补偿三个方面,而建立预测精度高、鲁棒性强的热误差预测模型则是热误差补偿技术的关键。针对热误差补偿技术的关键问题,本论文以一台数控车床主轴为研究对象,结合实际测量得到的温度和热误差数据,探索温度敏感点筛选的方法以及有效热误差模型的建立,旨在系统地给出鲁棒性强,预测精度高的误差建模法,以提高热误差补偿技术的精度和稳定性。论文的主要研究内容如下:（1）提出了一种数控车床主轴热误差融合算法模型,利用K-means++聚类算法结合Pearson相关性分析筛选关键温度测点,并给出了聚类结果的评价指标。由于单一的热误差数学模型存在一定的不足,因此,本文利用融合算法的思想,针对小波神经网络受初始值敏感的问题,利用蝙蝠算法对小波神经网络的初始连接系数进行了优化,提出了基于蝙蝠算法优化的小波神经网络主轴热误差模型。（2）针对传统K-means聚类算法受初始聚类中心敏感的问题,提出了 AP聚类算法确定其初始聚类中心的方法。提出了基于遗传算法的广义回归神经网络主轴热误差预测模型,由于广义回归神经网络的预测能力依赖平滑参数的选取,因此利用遗传算法优化广义回归神经网络的平滑参数,给出了平滑参数选取的理论依据,建立了 GA-GRNN神经网络主轴热误差模型。（3）提出了基于果蝇算法优化灰色神经网络的主轴热误差预测模型。由于灰色神经网络的预测能力受初始系数的影响。针对这一问题,采用果蝇算法对其初始系数进行优化,将优化后的灰色神经网络用于热误差模型的建立,建立了基于果蝇算法的灰色神经网络主轴热误差建模方法。经建模实验验证,果蝇算法能够实现对灰色神经网络初始参数的优化。此外,基于果蝇算法优化灰色神经网络能够胜任热误差建模的工作。
金博文[4]（2020）在《基于小波神经网络的资金预测模型研究》文中研究说明随着全球经济一体化的发展以及未来经济不确定性的增加,传统的行业景气分析已经不再适用于目前错综复杂的形式,而企业对于资金流的需求显着性增加。今年新冠肺炎引发的全球系统性风险使得人们对于灰犀牛以及黑天鹅事件的关注程度明显高于以往,企业往日那种高速发展举债度日的发展模式面临巨大的挑战,因此正是基于现实情况的不断发展以及潜在风险的变化,企业以及个人对于未来现金流的预测需求越来越高,本文就是在此背景之下通过阿里支付宝数据的资金流作为研究对象,试探性的对资金预测展开分析。本文将基本的数学原理进行组合得到小波神经网络,对小波神经网络的优点以及组合原理进行了详细的阐释,其次通过两部分析法对小波神经网络进行时间序列建模,得到线性分离式小波及非线性嵌入式小波神经网络。最终本文通过2.8万用户的基金购买指标进行分析,利用上述模型对上证50信息、余额宝用户流水信息进行预测,构造出模型的预测信息结果,随后再利用预测日的上证50结果作为新模型的输入,对现金流进行预测。并对比经典支持向量机模型、狼群算法模型得到嵌入式小波神经网络预测综合性能更优的结论。本文还加入了资金预测经典模型支持向量机模型、狼群优化算法模型进行资金预测效果对比分析,证明了本文创新模型的可行性及预测精度。本模型的实现,可为资金预测企业提供服务,故具有一定意义。
蒲婷婷[5]（2020）在《基于小波神经网络的输电线路行波故障测距方法研究》文中指出目前,行波测距方法作为研究热点在输电线路中应用广泛,行波测距主要分为单端法与双端法。行波故障测距双端法对线路两端时间同步性与通信性能要求较高,若线路双端分别受制于不同的电网管制部门,受两端行波数据传输系统与两端硬件系统同时启动因素的影响,使用双端法可能会测距不及时、精度低,甚至会失效。相比双端法,单端法受外部因素限制较少,行波波头识别可以影响单端法的可靠性,进而影响测距精度,因此,解决行波测距单端法的可靠性是十分重要且必要的。本文主要针对单端行波测距方法中行波波头的识别问题,提出了一种利用小波神经网络进行故障测距的方法,主要内容如下:1.分析了输电线路故障测距问题目前已有的测距方法,包括故障分析法、行波法与神经网络方法,详细分析几种方法测距原理与技术局限,针对单端法中行波性质的识别问题,提出利用人工智能方法解决。2.总结单端行波测距方法理论基础与小波神经网络理论基础,分析单导线输电线路中行波的传播过程,提出小波神经网络输入值的选择原则,针对待提取的行波特征值分析行波的预处理工作。3.提取行波信号,分析行波到达保护安装处时间值与波速、线路长度之间的函数关系;分析信号的李氏指数与奇异程度的关系。行波时间值与李氏指数结合构成网络样本值。4.利用行波信号特征值训练小波神经网络构建测距模型,分析输电线路模型中可能会影响模型测距结果的因素;从提高测距模型的测距精度与收敛速度出发,提出了测距模型的优化方法,主要包括学习算法的优化、训练算法的优化、小波基函数的选取以及网络结构的构建。5.在MATLAB/Simulink环境下搭建输电线路仿真模型,完成神经网络程序构建,并在仿真中验证测距效果,同时对传统训练方法下的小波神经网络、BP神经网络与经优化训练算法后的小波神经网络之间进行性能比较。仿真结果表明,经过改进粒子群算法训练后的小波神经网络比传统的小波神经网络精度高、误差小、收敛速度快,优化后的小波神经网络性能优于传统小波神经网络,同样训练算法下的小波神经网络的性能优于BP神经网络。
井倩倩[6]（2020）在《基于视频车流量的智能路网指挥系统研究与设计》文中提出城市汽车保有量随着城市化进程的加快而快速增长,导致城市道路交通拥堵问题变得愈发严重,为了有效地缓解城市道路拥堵问题,智能交通作为智慧城市建设的重要组成部分,已成为当前研究热点。2019年度智能交通领域中交通信号控制成为最受关注的民生内容之一,在原有的道路建设条件下,研究如何缓解城市交通拥堵状况,提高路网通行效率和管理能力,解决当下人们关注的出行问题,具有重要的理论意义和研究价值。本文针对城市道路中交通控制信号优化问题进行了研究,利用交通道路监控拍摄的视频,实时获取当前道路的交通流量;将当前车流量数据输入误差校正小波神经网络预测模型,对路口下一时段交通流量进行预测;根据模型的预测值实时调整当前路口及区域路网的信号控制策略,提升道路通行效率及交通管理水平,在此基础上设计了基于视频车流量的智能路网指挥系统。本文在算法研究方面,首先,为了更加准确地获取视频中交通流量信息,提出了一种融合改进ViBe和自适应阈值阴影消除算法的动态目标检测算法,该算法利用均值背景建模对ViBe算法进行改进,解决了ViBe算法的鬼影问题,并且进一步融合了阈值自适应的混合色度空间阴影消除算法,有效地消除了前景图像中的阴影,使目标检测更加准确,为后续的车流量数据统计奠定基础;其次,为了提高小波神经网络预测模型的精度,对其进行了误差校正,运用时间序列预测模型对误差进行预测,利用误差的预测值对小波神经网络预测模型的预测结果进行修正,提高预测的准确性;之后结合多目标优化模型,对交叉路口的配时策略进行优化调整,实现交叉口的实时调控和智能指挥。论文针对研究的各部分内容进行了实验与仿真,本文提出的算法与模型均运行稳定并达到了很好的效果。论文最后给出了智能路网指挥系统的总体设计、软件平台设计、数据库设计以及界面设计流程,并对系统软件平台进行测试,结果表明系统运行稳定、可靠,达到了设计要求。
胡文琪[7]（2020）在《聚酯纤维聚合过程的特性粘度软测量研究》文中提出聚酯纤维具有优良的物理性质、力学性能以及化学稳定性,作为最大的合成纤维品种广泛运用于国民经济各个方面。聚酯纤维的工艺流程包括聚合、熔体输送、纺丝和后加工等四部分,聚合过程作为聚酯纤维生产的首道工序,会对最终的纤维性能产生至关重要的影响。而在聚合过程中,特性粘度能够有效地衡量聚合物的性能。因此建立聚酯特性粘度的软测量模型,实现对它的准确预测是有意义的。由于聚合过程是具有高度非线性、强耦合、多变量、时变性的复杂系统,建立完善的机理模型较为困难。因此本文利用数据驱动的方法建立聚酯特性粘度的软测量模型,并按照工业过程的建模步骤展开研究,最终建立了全局学习模型和即时学习模型。本文主要的研究工作如下:（1）结合聚酯纤维聚合过程的工艺流程和反应机理,将特征工程应用于聚合数据集基础特征构建。特征工程包括:通过统计学方法和可视化技术进行数据探索;针对数据中存在的异常值、噪声以及量纲不一致的问题进行数据预处理;结合聚合过程的特点构建出有实际意义的拓展特征。由此可以将原始数据集转换为可用于建模的数据集。（2）将特征选择方法与集成学习的思想相结合,建立集成特征选择模型,用于对聚合数据集中特征重要性进行分析判断,并为后续实验筛选出最合适的特征子集。实验结果表明该模型能够有效的衡量特征的重要性,比单一特征选择方法的结果要更全面且客观。（3）采用堆叠式集成学习作为基准算法并运用选择性集成的方法构建用于特性粘度软测量的全局学习模型。提出基于遗传算法的堆叠式集成学习（GA-SEL）,该算法把遗传算法运用在堆叠式集成学习的结构寻优方面,将对其中个体学习器的选择与组合的问题转化为以预测效果最好为目标的优化问题。实验结果表明GA-SEL具有预测精度高、鲁棒性强、可拓展性高的优点,能够实现对聚酯特性粘度的准确预测。（4）提出基于GMMMD的自适应即时学习算法（GMMMD-JI TL）并用于构建特性粘度软测量的即时学习模型。该算法在即时学习的相似性度量方面,把高斯混合模型与马氏距离相结合构建了GM MMD相似性度量指标;在确定局部样本数量方面,利用相似性度量指标贡献率自适应的选定。由实验结果可知GMMMD-JITL具有更高的预测精度,在具有非高斯时变特性的工业过程的建模上具有明显的优越性。
任宇超[8]（2020）在《城轨交通短时断面客流预测与行车组织优化研究》文中指出城轨交通作为一种必不可少的交通方式,在缓解交通拥堵、优化空间结构、改善自然环境、优化土地资源等方面具有显着优势,凭借其便捷、可靠、安全、准时的功能特征,在国内外发达城市中迅速发展起来。但城轨交通发展的同时,也存在高峰时段拥堵、平峰时段运能浪费、行车组织不通畅等问题,行车组织优化可以很好地解决这方面的问题,而行车组织优化与短时断面客流预测息息相关,因此提高短时断面客流预测精度,对城轨交通行车组织优化具有十分重要的意义。城轨交通短时断面客流预测方面,本文首先基于断面客流的时空特性,从全日行车计划和交路方案设计两方面介绍了基于短时断面客流预测的行车组织优化方法,建立了便于模型整合与调用的断面客流数据结构,并对断面客流进行降噪和聚类分析等处理;然后,从种群初始化、约束条件、进化机制等三方面对传统的鸡群算法（Chicken Swarm Optimization,CSO）进行了优化改进,运用改进鸡群算法（ICSO）优化的小波神经网络（Wavelet Neural Network,WNN）对断面客流进行预测,并与遗传算法（Genetic Algorithm,GA）与粒子群算法（Particle Swarm Optimization,PSO）的优化效果进行对比,实验证明,ICSO-WNN对短时断面客流的预测精度达到99.01%,优于GA-WNN与PSO-WNN。城轨交通行车组织优化与系统开发方面,本文以某地铁线路的断面客流数据为例,验证了短时断面客流预测模型的预测精度和行车组织优化方案的有效性,并以Visual Studio 2017和Matlab 2018a为开发工具进行联合编程,采用C#编程语言,实现了城轨交通短时断面客流预测与行车组织优化系统（Urban Rail Transit Short-term Section Passenger Flow Prediction and Organization Optimization System,USOS）的开发,该系统以历史车辆载客量为输入量,输出预测的断面客流量及对应的行车组织优化方案,可以为城轨交通运营方的行车组织方案编制提供依据。
李俊杰[9]（2020）在《某舰载火炮自回归小波神经网络预测控制》文中研究表明随着军事科学技术的发展,现代战争对打击精度、快速响应提出了很高的要求。提高火箭炮射击精度的最佳途径是实现武器的自动操瞄,因此火箭炮火控系统起到了关键作用。本文以某舰载火箭炮系统为工程背景,通过设计火箭炮的位置伺服系统控制策略,实现在强干扰和参数摄动等情况下的高精度位置控制。本论文的研究工作主要集中在以下几个方面:（1）介绍某舰载火箭炮伺服系统的组成。基于矢量控制方法推导PMSM模型,从而建立舰载火箭炮交流位置伺服系统的数学模型。并对工作中影响系统的非线性因素进行了分析。（2）对舰载火箭炮伺服系统进行系统离线辨识研究,并引入模型预测算法对辨识输出进行修正。分别采用自适应变异粒子群优化的小波神经网络和自回归小波神经网络进行模型辨识。仿真结果表明,自回归小波神经网络辨识方案具有良好的动态特性,能更好地适应系统的快速变化。（3）设计在线辨识器,为控制器中神经网络的参数调整提供梯度信息。参考自回归小波神经网络的预测特性,首先提出了自适应自回归小波滑模位置环控制策略。基于快速终端滑模函数推导出系统的控制率,将自回归小波神经网络作为逼近算法,逼近快速终端滑模控制律。给出在线调节参数的自适应率,并证明了系统的稳定性。（4）设计STM32+DSP双处理器架构的系统硬件电路以及上位机软件控制界面。搭建系统半实物模拟实验平台,对本文设计的自适应自回归小波滑模控制策略进行实验验证。实验结果表明,该控制策略能满足系统的性能指标,系统设计方案正确。
谢思宇[10]（2019）在《电动汽车锂离子电池SOC估算方法研究》文中提出电池荷电状态SOC（State of Charge）是衡量电动汽车剩余电量的技术指标,SOC的精确估算有助于电动汽车的行车安全,是电动汽车电池能量管理系统BMS（Battery Management System）中关键的指标。为了更加快速精确地估算电动汽车锂离子电池的荷电状态,且可用于不同类型的锂离子电池,本文提出了一种基于主成分分析PCA（Principal Component Analysis）和遗传算法GA（Genetic Algorithm）优化的小波神经网络WNN（Wavelet Neural Network）模型的SOC估算方法。论文详细分析了锂离子电池特性,并基于主成分分析法,根据NASA研究中心锂离子电池历史实验数据,对影响电池荷电状态的参数进行主成分分析,提取出的主成分在有效保留原始数据所含信息的同时,大大降低了后续模型数据处理的难度。建立WNN模型,并引入遗传算法进行优化,把PCA处理后的数据用GA-WNN模型对锂离子电池进行SOC估算。最后采用均方根误差RMSE指标、迭代收敛曲线对整个模型的估算结果进行评价,并将PCA-GA-WNN模型估算结果、收敛性与BPNN模型、WNN模型、和GA-WNN模型进行比较。结果表明,基于主成分分析与遗传算法优化后的小波神经网络对电动汽车锂离子电池进行SOC估算的结果精度高,收敛性好,并可防止模型陷入局部最优。
二、一种基于遗传算法的小波神经网（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、一种基于遗传算法的小波神经网（论文提纲范文）
（1）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（2）基于优化小波神经网络的煤系气共采产能预测研究（论文提纲范文）
| 致谢 |
| 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 目前存在问题 |
| 1.4 研究内容及论文研究特色 |
| 1.5 研究技术路线及章节安排 |
| 2 研究区概况及样本数据处理 |
| 2.1 位置及构造 |
| 2.2 煤系储层地质参数 |
| 2.3 影响煤系气共采产能指标的优选 |
| 2.4 本章小结 |
| 3 小波神经网络原理及优化方法 |
| 3.1 人工神经网络结构 |
| 3.2 小波神经网络原理 |
| 3.3 遗传算法优化小波神经网络研究 |
| 3.4 本章小结 |
| 4 基于遗传算法优化小波神经网络的煤系气共采产能预测模型的构建 |
| 4.1 模型精度性能评价指标 |
| 4.2 基于样本数据的K-Means聚类分析 |
| 4.3 遗传算法最优初始参数的设定 |
| 4.4 不同类别遗传算法优化小波神经网络模型结构的确定 |
| 4.5 本章小结 |
| 5 遗传算法优化小波神经网络在煤系气共采产能预测中的应用 |
| 5.1 预测样本类别判断 |
| 5.2 煤系气产能预测结果分析 |
| 5.3 模型精度对比验证与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）数控车床主轴热误差建模算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 热误差补偿技术的研究现状 |
| 1.2.1 温度测点优化技术研究现状 |
| 1.2.2 热误差建模技术研究现状 |
| 1.3 热误差补偿技术当前存在的问题 |
| 1.4 本论文的主要研究内容 |
| 2 机床热误差建模相关理论 |
| 2.1 温度测点优化理论 |
| 2.1.1 K-means聚类算法 |
| 2.1.2 聚类有效性指标 |
| 2.1.3 相关性分析 |
| 2.2 热误差建模方法 |
| 2.2.1 小波神经网络模型 |
| 2.2.2 广义回归神经网络 |
| 2.2.3 灰色神经网络模型 |
| 2.3 本章小结 |
| 3 基于蝙蝠算法的小波神经网络主轴热误差建模算法 |
| 3.1 车床主轴热误差测量实验设备 |
| 3.1.1 传感器布置 |
| 3.1.2 主轴温升与热误差测量实验数据获取 |
| 3.2 温度敏感点选择 |
| 3.2.1 基于K-means聚类算法改进的K-means++算法 |
| 3.2.2 温度测点分类 |
| 3.3 蝙蝠算法 |
| 3.3.1 蝙蝠算法的实现 |
| 3.3.2 蝙蝠算法的计算流程 |
| 3.4 蝙蝠算法优化小波神经网络主轴热误差模型 |
| 3.4.1 BA-WNN神经网络 |
| 3.4.2 BA-WNN神经网络主轴热误差建模 |
| 3.5 BA-WNN神经网络热误差建模验证 |
| 3.6 本章小结 |
| 4 基于遗传算法优化广义回归神经网络的主轴热误差建模研究 |
| 4.1 温度测点优化 |
| 4.1.1 近邻传播聚类算法 |
| 4.1.2 AP-K-means聚类算法 |
| 4.1.3 温度测点优化结果 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法理论 |
| 4.2.2 遗传算法的实现流程 |
| 4.3 遗传算法优化广义回归神经网络主轴热误差建模 |
| 4.3.1 广义回归神经网络平滑参数的选取 |
| 4.3.2 遗传算法优化广义回归神经网络平滑参数的流程 |
| 4.3.3 遗传算法优化广义回归神经网络建模 |
| 4.4 遗传算法优化广义回归神经网络建模验证 |
| 4.5 本章小结 |
| 5 基于果蝇算法优化灰色神经网络的主轴热误差建模 |
| 5.1 果蝇算法相关理论 |
| 5.2 果蝇算法优化灰色神经网络的主轴热误差建模 |
| 5.2.1 果蝇算法优化灰色神经网络建模流程 |
| 5.2.2 果蝇算法优化灰色神经网络建模 |
| 5.3 果蝇算法优化灰色神经网络建模验证 |
| 5.4 热误差建模对比分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（4）基于小波神经网络的资金预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 关于资金预测模型的研究 |
| 1.2.2 关于小波神经网络模型的研究 |
| 1.2.3 关于时间序列预测方法的研究 |
| 1.3 研究内容以及意义 |
| 1.3.1 防范流动性风险,减少或规避损失 |
| 1.3.2 合理控制流动性盈余,保障投资者收益 |
| 1.3.3 创新模型,落实“智能金融” |
| 1.3.4 规避突发性风险 |
| 1.4 研究方法 |
| 1.4.1 文献研究法 |
| 1.4.2 常用的实证经济分析法 |
| 1.4.3 模型分析法 |
| 第二章 相关理论研究 |
| 2.1 机器学习识别器 |
| 2.1.1 监督学习 |
| 2.1.2 无监督学习 |
| 2.1.3 半监督学习 |
| 2.1.4 强化学习 |
| 2.2 小波神经网络概述 |
| 2.2.1 BP神经网络 |
| 2.2.2 小波神经网络 |
| 2.3 小波分析及其滤波器 |
| 2.3.1 小波的分类与性质 |
| 2.3.2 小波变换与傅里叶变换的比较 |
| 本章小结 |
| 第三章 基于WANN的时间序列小波神经网络 |
| 3.1 时间序列概述 |
| 3.2 基于WANN时间序列的小波分析 |
| 3.2.1 小波伸缩因子 |
| 3.2.2 小波变换 |
| 3.2.3 小波基函数 |
| 3.3 小波降噪处理 |
| 本章小节 |
| 第四章 基于小波神经网络的时间序列金融预测模型构建 |
| 4.1 数据来源 |
| 4.1.1 余额宝ALIP数据集 |
| 4.1.2 上证SSEP数据集 |
| 4.2 数据预处理 |
| 4.2.1 金融数据预处理 |
| 4.2.2 用户分类 |
| 4.3 小波神经网络模型概述 |
| 4.4 分离式小波神经网络 |
| 4.4.1 残差噪声检验 |
| 4.4.2 基于WANN分离式小波神经网络资金预测模型 |
| 4.4.3 实证分析 |
| 4.5 嵌入式小波神经网络 |
| 4.5.1 基于WANN嵌入式双隐层小波神经网络资金预测模型 |
| 4.5.2 实证分析 |
| 4.6 对比分析 |
| 本章小结 |
| 第五章 多种优化算法预测模型的对比分析 |
| 5.1 基于SVM支持向量机的预测模型 |
| 5.1.1 支持向量机的误差预测matlab实现 |
| 5.2 基于狼群算法的阈值优化神经网络 |
| 5.3 对比分析 |
| 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
（5）基于小波神经网络的输电线路行波故障测距方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 输电线路测距方法的研究现状 |
| 1.2.1 故障分析法 |
| 1.2.2 行波法 |
| 1.2.3 智能测距方法 |
| 1.3 行波故障测距技术存在的主要问题 |
| 1.4 本文的主要研究内容 |
| 第二章 神经网络在行波测距中的理论基础 |
| 2.1 行波测距理论基础 |
| 2.1.1 行波特性参数 |
| 2.1.2 行波的折反射 |
| 2.1.3 行波测距原理 |
| 2.2 小波神经网络理论分析 |
| 2.2.1 小波神经网络模型 |
| 2.2.2 小波神经网络的学习算法 |
| 2.2.3 小波神经网络的训练算法 |
| 2.3 小波神经网络的优化方法 |
| 2.3.1 小波神经网络学习算法优化 |
| 2.3.2 小波神经网络训练算法优化 |
| 2.3.3 小波基函数优化 |
| 2.3.4 小波神经网络结构优化 |
| 2.4 本章小结 |
| 第三章 小波神经网络测距模型的设计 |
| 3.1 输电线路行波信号预处理 |
| 3.1.1 三相线路相模变换 |
| 3.1.2 小波变换 |
| 3.1.3 小波模极大值获取 |
| 3.2 小波神经网络测距模型的样本构建 |
| 3.2.1 小波神经网络测距模型的样本选择 |
| 3.2.2 行波波头时间值提取 |
| 3.2.3 李氏指数的确定 |
| 3.3 小波神经网络测距模型的样本归一化处理 |
| 3.4 小波神经网络测距模型的样本训练 |
| 3.5 本章小结 |
| 第四章 小波神经网络测距模型的仿真 |
| 4.1 小波神经网络输入样本的提取 |
| 4.2 MATLAB环境下小波神经网络测距模型的仿真 |
| 4.2.1 小波神经网络测距模型的建立 |
| 4.2.2 小波神经网络测距模型的训练 |
| 4.2.3 优化小波神经网络测距模型的训练 |
| 4.3 基于小波神经网络的行波测距仿真验证 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（6）基于视频车流量的智能路网指挥系统研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流量预测国内外研究现状 |
| 1.2.2 交叉路口交通信号控制国内外研究现状 |
| 1.2.3 智能交通控制系统国内外研究现状 |
| 1.3 论文研究主要内容 |
| 1.4 论文主要结构安排 |
| 第二章 论文相关技术研究 |
| 2.1 编程语言 |
| 2.2 图像处理技术 |
| 2.2.1 色度空间转换 |
| 2.2.2 图像形态学处理 |
| 2.3 神经网络 |
| 2.4 遗传算法 |
| 2.5 本章小结 |
| 第三章 视频交通流量检测 |
| 3.1 引言 |
| 3.2 基于改进ViBe算法的动态目标检测 |
| 3.2.1 ViBe算法 |
| 3.2.2 改进的ViBe算法 |
| 3.3 自适应阈值的混合色度空间阴影消除算法 |
| 3.3.1 常用阴影消除算法 |
| 3.3.2 自适应阈值的混合色度空间阴影消除算法 |
| 3.3.3 实验与结果分析 |
| 3.4 交叉路口多车道车流量获取 |
| 3.4.1 车流量基本概念 |
| 3.4.2 基于虚拟线圈的车流量统计 |
| 3.4.3 车流量统计与结果分析 |
| 3.5 本章小结 |
| 第四章 短时交通流量预测 |
| 4.1 引言 |
| 4.2 短时交通流特性及评价指标 |
| 4.2.1 短时交通流特性 |
| 4.2.2 预测效果评价指标 |
| 4.3 交通流预测常用模型 |
| 4.3.1 时间序列模型 |
| 4.3.2 神经网络模型 |
| 4.3.3 小波神经网络模型 |
| 4.4 基于小波神经网络的短时交通流预测模型设计 |
| 4.4.1 数据预处理 |
| 4.4.2 小波神经网络模型初始化 |
| 4.4.3 小波神经网络预测模型设计 |
| 4.5 误差校正 |
| 4.5.1 ARIMA模型简介 |
| 4.5.2 车流量误差预测ARIMA模型建立 |
| 4.5.3 误差校正的小波神经网络模型 |
| 4.6 预测模型实验及结果分析 |
| 4.7 本章小结 |
| 第五章 基于多目标优化的交叉口配时策略 |
| 5.1 引言 |
| 5.2 多目标优化 |
| 5.2.1 多目标优化概念 |
| 5.2.2 多目标优化方法 |
| 5.2.3 多目标优化求解算法 |
| 5.3 单交叉口配时优化模型 |
| 5.3.1 信号配时参数 |
| 5.3.2 配时指标选取 |
| 5.3.3 基于多目标优化的单交叉口配时模型 |
| 5.4 基于遗传算法的配时优化策略 |
| 5.4.1 多目标优化模型转化 |
| 5.4.2 遗传算法模型求解 |
| 5.4.3 实验与结果分析 |
| 5.5 本章小结 |
| 第六章 多交叉口绿波协同控制 |
| 6.1 引言 |
| 6.2 干道绿波协调控制基本概念 |
| 6.2.1 干道绿波协调控制基本要求 |
| 6.2.2 干道绿波协调控制方式 |
| 6.2.3 干道绿波协调控制基本参数 |
| 6.3 多交叉口协同控制 |
| 6.3.1 关键交叉口及协调相位确定 |
| 6.3.2 公共周期及绿灯时长确定 |
| 6.3.3 相位差确定方法 |
| 6.4 实验仿真与结果分析 |
| 6.4.1 数据准备 |
| 6.4.2 仿真流程 |
| 6.4.3 实验与结果及分析 |
| 6.5 本章小结 |
| 第七章 智能路网指挥系统设计 |
| 7.1 引言 |
| 7.2 开发平台搭建 |
| 7.2.1 云服务器 |
| 7.2.2 WEB项目搭建 |
| 7.3 智能路网指挥系统设计 |
| 7.3.1 系统总体设计 |
| 7.3.2 软件平台设计 |
| 7.3.3 数据库表结构设计 |
| 7.3.4 界面设计 |
| 7.4 系统测试 |
| 7.4.1 登录测试 |
| 7.4.2 主要功能测试 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 攻读硕士期间研究成果 |
| 致谢 |
（7）聚酯纤维聚合过程的特性粘度软测量研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工业过程中软测量建模的研究现状 |
| 1.2.2 聚酯纤维聚合过程建模的研究现状 |
| 1.2.3 集成学习在工业过程建模的研究现状 |
| 1.2.4 即时学习在工业过程建模的研究现状 |
| 1.3 主要研究内容和创新点 |
| 1.4 本文的章节安排 |
| 第二章 相关理论基础概述 |
| 2.1 引言 |
| 2.2 工业过程中软测量建模的基本方法 |
| 2.2.1 建模步骤 |
| 2.2.2 建模方法概述 |
| 2.3 集成学习模型 |
| 2.3.1 常用的集成学习模型 |
| 2.3.2 选择性集成学习 |
| 2.4 基于即时学习的工业过程建模方法 |
| 2.4.1 全局学习模型与即时学习模型 |
| 2.4.2 常见的相似性度量指标 |
| 2.5 用于解决回归问题的机器学习算法 |
| 2.5.1 线性模型 |
| 2.5.2 支持向量机回归 |
| 2.5.3 最邻近算法 |
| 2.5.4 决策树与基于决策树的集成模型 |
| 2.6 小结 |
| 第三章 特征工程以及集成特征选择模型的构建 |
| 3.1 引言 |
| 3.2 聚酯纤维生产中的聚合过程工艺分析 |
| 3.3 数据来源及特征描述 |
| 3.4 特征工程 |
| 3.4.1 数据探索 |
| 3.4.2 数据预处理 |
| 3.4.3 特征构建 |
| 3.5 集成特征选择模型 |
| 3.5.1 特征选择的方法概述 |
| 3.5.2 集成特征选择模型的构建 |
| 3.5.3 集成特征选择模型的实验结果 |
| 3.6 小结 |
| 第四章 基于遗传算法的堆叠式集成学习的特性粘度软测量模型 |
| 4.1 引言 |
| 4.2 堆叠式集成学习 |
| 4.2.1 堆叠式集成学习的原理 |
| 4.2.2 个体学习器的选择准则 |
| 4.3 遗传算法 |
| 4.3.1 遗传算法简介 |
| 4.3.2 遗传算法的基本操作 |
| 4.4 基于遗传算法的选择性堆叠式集成学习 |
| 4.4.1 算法思想及改进 |
| 4.4.2 算法流程 |
| 4.5 实验结果 |
| 4.5.1 实验数据与评价指标 |
| 4.5.2 实验设计及结果分析 |
| 4.6 小结 |
| 第五章 基于GMMMD的自适应即时学习算法的特性粘度软测量模型 |
| 5.1 引言 |
| 5.2 高斯混合模型 |
| 5.2.1 高斯混合模型的基本原理 |
| 5.2.2 基于期望最大化算法的GMM参数估计方法 |
| 5.2.3 基于贝叶斯信息准则的高斯成分数设定方法 |
| 5.3 基于GMMMD的自适应即时学习模型 |
| 5.3.1 算法思想及改进 |
| 5.3.2 算法流程 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据与评价指标 |
| 5.4.2 实验设计及结果分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间参加的项目及成果 |
（8）城轨交通短时断面客流预测与行车组织优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 短时断面客流预测方法 |
| 1.3.2 行车组织优化方法 |
| 1.4 论文结构及主要研究内容 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 城轨交通短时断面客流分析 |
| 2.1 城轨交通断面客流特征分析 |
| 2.1.1 断面客流时间分布特性 |
| 2.1.2 断面客流空间分布特性 |
| 2.2 基于短时断面客流预测的行车组织优化 |
| 2.2.1 行车组织优化设计思路 |
| 2.2.2 行车组织优化方法 |
| 2.3 本章小结 |
| 3 城轨交通短时断面客流预测模型 |
| 3.1 断面客流数据预处理 |
| 3.1.1 断面客流数据结构 |
| 3.1.2 断面客流数据降噪 |
| 3.2 断面客流聚类分析与预测性能评价指标 |
| 3.2.1 断面客流聚类分析 |
| 3.2.2 断面客流预测性能评价指标 |
| 3.3 基于小波神经网络的短时断面客流预测 |
| 3.3.1 小波神经网络 |
| 3.3.2 预测算法步骤及流程 |
| 3.3.3 实验结果及分析 |
| 3.4 基于改进鸡群算法优化的小波神经网络短时断面客流流预测 |
| 3.4.1 鸡群算法简介 |
| 3.4.2 鸡群算法优化 |
| 3.4.3 预测算法步骤及流程 |
| 3.4.4 实验结果及分析 |
| 3.5 三种智能算法在短时断面客流预测模型的性能对比分析 |
| 3.5.1 基于遗传算法优化的小波神经网络短时断面客流预测 |
| 3.5.2 基于粒子群算法优化的小波神经网络模型的短时断面客流预测 |
| 3.5.3 三种算法的预测性能对比 |
| 3.6 本章小结 |
| 4 短时断面客流预测与行车组织优化系统设计与开发 |
| 4.1 系统需求分析与设计 |
| 4.1.1 系统需求分析 |
| 4.1.2 系统设计 |
| 4.2 系统开发环境与系统实现 |
| 4.2.1 系统开发环境 |
| 4.2.2 系统实现 |
| 4.3 本章小结 |
| 5 实例分析 |
| 5.1 线路概况 |
| 5.2 短时断面客流预测结果 |
| 5.3 行车组织优化设计 |
| 5.3.1 全日分时最大断面客流 |
| 5.3.2 时间不均衡系数与断面不均衡系数 |
| 5.3.3 编组方案与交路方案 |
| 5.3.4 全日行车计划 |
| 5.4 行车组织优化系统展示 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 发表的学术论文与研究成果 |
（9）某舰载火炮自回归小波神经网络预测控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 伺服系统发展概况 |
| 1.3 舰载火箭炮交流伺服系统研究现状 |
| 1.3.1 舰载火箭炮交流伺服系统建模概述 |
| 1.3.2 交流伺服系统控制策略综述 |
| 1.4 主要研究内容 |
| 2 舰载火箭炮交流位置伺服系统建模与特性分析 |
| 2.1 舰载火箭炮交流伺服系统的组成 |
| 2.2 舰载火箭炮交流位置伺服系统数学模型 |
| 2.2.1 交流位置伺服电机数学模型 |
| 2.2.2 交流位置伺服电机矢量控制模型 |
| 2.2.3 舰载火箭炮交流位置伺服系统数学模型 |
| 2.2.4 火箭炮位置伺服系统各子系统模型 |
| 2.3 舰载火箭炮控制系统的非线性与不确定性分析 |
| 2.4 本章小结 |
| 3 舰载火箭炮交流伺服系统非线性模型辨识预测研究 |
| 3.1 引言 |
| 3.2 系统辨识基础概念 |
| 3.2.1 获取辨识数据 |
| 3.2.2 系统辨识评价标准 |
| 3.3 系统模型预测 |
| 3.4 小波神经网络 |
| 3.4.1 神经网络简介 |
| 3.4.2 小波神经网络基本原理 |
| 3.4.3 小波神经网络训练算法 |
| 3.5 自适应变异粒子群优化的小波神经网络辨识 |
| 3.5.1 粒子群优化小波神经网络算法 |
| 3.5.2 自适应变异粒子群小波神经网络算法 |
| 3.5.3 混沌搜索策略 |
| 3.5.4 自适应变异粒子群优化的小波神经网络辨识仿真 |
| 3.6 自回归小波神经网络辨识 |
| 3.6.1 自回归小波神经网络算法 |
| 3.6.2 自回归小波神经网络辨识步骤和流程图 |
| 3.6.3 自回归小波神经网络辨识仿真 |
| 3.7 辨识结果的比较 |
| 3.8 本章小结 |
| 4 舰载火箭炮交流伺服系统自适应自回归小波滑模控制 |
| 4.1 引言 |
| 4.2 滑模控制理论简介 |
| 4.2.1 滑模控制基本思想 |
| 4.2.2 滑模控制的选择 |
| 4.2.3 滑模控制的抖振问题 |
| 4.3 自回归小波神经网络在线辨识器 |
| 4.3.1 小波集的筛选规则 |
| 4.3.2 自回归小波神经网络在线辨识器 |
| 4.4 自适应自回归小波滑模控制设计 |
| 4.4.1 快速终端滑模控制结构描述 |
| 4.4.2 自适应自回归小波滑模控制描述 |
| 4.4.3 自适应自回归小波滑模控制稳定性证明 |
| 4.5 仿真实验及分析 |
| 4.5.1 阶跃响应实验及分析 |
| 4.5.2 正弦跟踪实验及分析 |
| 4.6 本章小结 |
| 5 舰载火箭炮半实物仿真平台验证 |
| 5.1 引言 |
| 5.2 实验平台的功能 |
| 5.3 交流伺服系统实验平台组成 |
| 5.3.1 模拟负载加载装置 |
| 5.3.2 减速箱 |
| 5.3.3 旋转变压器选型 |
| 5.4 控制系统设计 |
| 5.4.1 仿真系统硬件设计 |
| 5.4.2 仿真系统软件下位机设计 |
| 5.4.3 仿真系统软件上位机设计 |
| 5.5 半实物仿真结果分析 |
| 5.5.1 舰载火箭炮伺服系统性能指标 |
| 5.5.2 阶跃响应实验 |
| 5.5.3 正弦跟踪实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）电动汽车锂离子电池SOC估算方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 前言 |
| 第1章 绪论 |
| 1.1 电动汽车发展历史及未来趋势 |
| 1.2 电动汽车电池管理系统 |
| 1.3 动力电池介绍 |
| 1.4 电池SOC研究现状 |
| 1.4.1 SOC定义 |
| 1.4.2 SOC传统估算方法 |
| 1.5 国内外研究情况 |
| 1.6 本文研究内容与结构 |
| 1.6.1 论文研究内容 |
| 1.6.2 论文结构 |
| 第2章 锂离子电池特性分析 |
| 2.1 锂离子电池工作原理 |
| 2.2 锂离子电池特性 |
| 2.2.1 性能参数 |
| 2.2.2 等效电路模型 |
| 2.3 影响锂离子电池SOC估算因素分析 |
| 2.4 数据说明 |
| 2.5 本章小结 |
| 第3章 主成分分析处理锂离子电池SOC影响指标 |
| 3.1 主成分分析 |
| 3.1.1 基本思想 |
| 3.1.2 几何解释 |
| 3.1.3 分析流程框图 |
| 3.2 SOC影响指标主成分分析 |
| 3.2.1 SOC主要影响指标 |
| 3.2.2 提取主成分 |
| 3.2.3 程序实现 |
| 3.3 本章小结 |
| 第4章 基于小波神经网络的锂离子电池SOC估算模型 |
| 4.1 小波神经网络模型 |
| 4.1.1 神经网络概述 |
| 4.1.2 小波神经网络概述 |
| 4.1.3 几种常用的小波函数 |
| 4.2 小波神经网络模型建立 |
| 4.3 模型存在的不足及改进办法 |
| 4.3.1 模型存在的不足 |
| 4.3.2 改进方案 |
| 第5章 基于PCA-GA-WNN的SOC估算模型 |
| 5.1 遗传算法概述 |
| 5.1.1 遗传算法分析过程 |
| 5.1.2 遗传算法基本特点 |
| 5.2 PCA-GA-WNN模型建立 |
| 5.3 SOC估算结果以及评价指标 |
| 5.3.1 SOC估算结果 |
| 5.3.2 SOC估算评价指标 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 学术成果和参加科研情况说明 |
| 致谢 |
四、一种基于遗传算法的小波神经网（论文参考文献）
- [1]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [2]基于优化小波神经网络的煤系气共采产能预测研究[D]. 景聪慧. 中国矿业大学, 2021
- [3]数控车床主轴热误差建模算法研究[D]. 刘茂龙. 大连海事大学, 2020(01)
- [4]基于小波神经网络的资金预测模型研究[D]. 金博文. 大连交通大学, 2020(06)
- [5]基于小波神经网络的输电线路行波故障测距方法研究[D]. 蒲婷婷. 山东理工大学, 2020(02)
- [6]基于视频车流量的智能路网指挥系统研究与设计[D]. 井倩倩. 东华大学, 2020(01)
- [7]聚酯纤维聚合过程的特性粘度软测量研究[D]. 胡文琪. 东华大学, 2020(01)
- [8]城轨交通短时断面客流预测与行车组织优化研究[D]. 任宇超. 南京理工大学, 2020(01)
- [9]某舰载火炮自回归小波神经网络预测控制[D]. 李俊杰. 南京理工大学, 2020(01)
- [10]电动汽车锂离子电池SOC估算方法研究[D]. 谢思宇. 天津大学, 2019(01)