一、非线性权函数感知器的一种线性快速学习算法（论文文献综述）
邹伯昌[1]（2021）在《基于深度学习的三维点云分割与球体辨识》文中进行了进一步梳理在工业生产中,球状工件的分辨与识别受其他杂质影响,易产生识别误差。针对识别误差,基于深度学习的点云识别,通过提取工件特征信息,能够提高工业分辨与识别效率,在工业生产中具有迫切的需求。对于点云识别,高精度的点云分割是实现点云识别的基础。点云数据无序性和非结构性给点云分割造成了障碍。PointNet直接对原始点云处理,解决了无序性问题。但该模型注重点云自身信息,未考虑点云相邻点之间的属性联系,从而导致局部特征丢失,造成分割与辨识的误差。同时,球体点云易受噪声影响而造成目标残缺。球体辨识方法获取的特征只适合特定场景,不具有通用性。为了提高三维点云分割与球体辨识的精度,本文做的具体工作如下:为了解决重心选取而造成关键特征缺失的问题,提出最远点加权下采样的点云精简方法。为了解决受噪声影响而造成特征损失的问题,提出基于双边滤波优化的点云降噪方法。实验结果表明,在保持点云具有足够特征信息的条件下,提出的点云精简方法比传统下采样精简速度快7.9倍,且能删除更多的无效点云。在相同条件下,提出的点云降噪方法的Pd和Rd分别为96.96%和92.66%,比双阈值曲面降噪方法高4.4%和5%,且具有高效性。为了解决PointNet只提取点信息,导致局部特征丢失的问题,在多尺度空间聚合模型的基础上,提出多尺度点云特征分割卷积网络模型。设计空间多尺度特征提取模块,获得局部特征。采用文中提出的点云精简和降噪方法进行采样,领域点被K近邻结合阈值K所改善的八分域搜索。然后进行多方向的卷积特征融合,将局部特征与点特征进行多次多层卷积处理,最终经过最大池化实现点云的分割。在Shape Net上,类别分类和物体分割的m Io U为84.1%和86.7%,比PointNet高3.7%。在S3DIS上,分割的精确度为81.53%,比空间聚合网SAN提高3.14%。针对球体辨识易受噪音影响,在多尺度点云特征分割卷积网络模型的基础上,提出多尺度球体特征辨识网络模型。设计了多边形轮廓提取和凸包处理的球体特征提取模块。将球体特征与点特征全连接,通过多方向空间提取局部特征。在搭建的球体辨别数据集上对多尺度球体特征辨识网络模型进行了性能验证。结果显示,所提模型的球体辨识Io U为92.58%,比多尺度点云特征分割模型提高2.9%,比SAN和PointNet++分别提高3.2%和15%。在辨识准确度上,文中所提出模型为94.3%,比多尺度点云特征分割模型高0.6%,比SAN和PointNet++提高4.8%和5.9%。多尺度点云特征分割和多尺度球体特征辨识网络模型的高效性和可行性被验证。实验结果证明,多尺度点云特征分割模型能够获取点云相邻点之间的相关属性,实现点云的高精确分割。面对复杂环境中其他杂质的影响,多尺度球体特征辨识网络模型能够防止产生误识别,从而提高工业中球状工件辨识的准确性。
傅婷婷[2]（2021）在《区域土壤和水稻镉含量相关分析与估测研究》文中指出土壤作为地球上生命赖以生存的重要基础,不仅支撑着人类农业生产,还是陆地生物所需营养物质的主要来源。然而,随着工业化、城市化的进程不断加快,工业“三废”的大量排放以及化学农药和污水污泥的过度使用,重金属污染物通过大气沉降、污水灌溉、垃圾填埋等多种途径进入土壤和水稻,不可避免地导致土壤重金属污染问题和水稻重金属超标问题愈发严重,影响农产品质量安全,进而威胁人体健康。因此,研究土壤-农产品系统中的重金属污染现状对于保障土壤环境质量和农作物生产安全具有重要的意义。历史土壤污染状况调查结果表明,我国环境污染问题中最为突出的重金属元素为镉（Cadmium,Cd）,因此,本研究采用统计分析、相关性分析结合空间分析与机器学习等方法,在三个不同研究区,探究环境因素（如成土母质、土壤类型、土壤p H、地形等）对作物富集镉元素的影响,并进行稻米中Cd含量的估测。主要研究内容和结论如下:（1）土壤-水稻系统重金属含量统计分析与相关性研究针对土壤-水稻系统中不同形态的土壤Cd含量、水稻Cd含量开展统计分析,结果表明,A区、B区、C区的土壤Cd全量的平均含量分别为1.50 mg/kg、0.49 mg/kg、0.68 mg/kg,土壤有效态Cd含量的平均含量为0.26 mg/kg、0.07 mg/kg、0.18 mg/kg,水稻Cd的平均含量分别为0.83 mg/kg、0.22 mg/kg、0.25 mg/kg,且三个研究区都存在极端高值。此外,本研究对重金属含量数据开展了相关性分析,土壤Cd全量-土壤有效态Cd、土壤Cd全量-水稻Cd、土壤有效态Cd-水稻Cd三对变量均表现出强相关性,且土壤有效态Cd与水稻Cd之间的相关性较土壤Cd全量更强,与多数文献研究结论一致。通过开展偏相关分析、比较偏相关系数发现,不同研究区的土壤Cd全量、土壤有效态Cd、水稻Cd三个变量两两之间的相关性存在差异,主要受区域内土壤特性的影响,其中土壤p H对水稻Cd与土壤Cd的相关性表现出最强的影响作用。（2）水稻镉含量主控因子分析本研究通过引入定性和定量辅助变量,构建多元评价指标体系,对环境变量进行拟合建模,结果表明该多元非线性回归方程的整体拟合效果较好。在多元评价指标体系的基础上,对具有多重共线性的环境辅助变量开展非线性主成分分析,得到降维后的四个主成分因子,并将其逐个引入到回归方程中,筛选出不同研究区影响水稻Cd含量的主控因子。结果显示,分区域的主控因子一定程度上反映了区域特浙江大学硕士学位论文摘要征,区域内空间分异性较大的几个环境变量通过主成分变换后的主成分因子都对应地被选为主控因子,如研究区A的土壤类型和母质特性、研究区B的区域环境特性等,表明不同研究区内环境因子的差异,会影响区域内水稻Cd含量的分布。针对影响因子之间存在的交互作用,本研究进一步开展了因子交互探测分析,可知土壤p H与多个因子交互后呈现显着的非线性增强作用,侧面印证了土壤p H在土壤-水稻系统中的重要作用。（3）水稻镉含量估测模型探究现有的水稻Cd含量估测模型多为经验模型和机理模型,在实际应用中常存在预测精度较低、普适性不佳等局限性。本文研究从因子的交互作用、空间非平稳性和数据的复杂非线性关系入手,引入神经网络模型,将因子之间的交互作用纳入考虑,开展含量预测研究,对比分析模型的差异性及适用性;引入空间回归模型,从环境因子的空间异质性角度探究水稻Cd的定量估测与区域环境的关系,开展水稻Cd空间制图研究。考虑模型对数据的非线性映射能力,本研究对比了反向传播神经网络、卷积神经网络以及反向神经网络-遗传算法模型（Backpropagation Neural Network-Genetic Algorithm,BP-GA）,结果表明,BP-GA对水稻Cd含量的预测效果最佳,训练模型对验证样本拟合后的R2达到0.963,证明预测值与真实值之间的相关性极强。考虑环境变量的空间异质性,本研究利用地理加权回归模型（Geographically Weighted Regression,GWR）开展空间回归分析,实现水稻Cd含量的预测制图。结果可知,GWR作为一种预测性的制图方法,在土壤属性分析和环境数据制图方面具有独特的优势,为水稻Cd含量的估测提供了新的思路。本研究旨在提供一种思路,即通过土壤Cd含量及土壤-水稻系统相关环境变量,确定可能存在水稻超标风险的潜在区域,为把控农产品质量安全提供依据。
周志高[3]（2021）在《飞行器气动力数据建模方法及可视化交互系统研究与实现》文中进行了进一步梳理建立气动力模型是飞行器工程中最重要的一环,其中模型的准确度将直接影响飞行器的控制效果以及仿真系统的可信度。随着现代飞行器的机动性不断增强、飞行包线范围不断扩大、飞行条件日益复杂化,气动特性非线性化问题越来越明显,如何建立准确的气动力模型成为当下研究的课题之一。针对非线性气动问题,本文从传统数学拟合方法和人工智能方法两个方向对气动力建模进行了研究,并取得了较好的成果,最后在前面研究的基础上构建了一个在线气动数据建模系统,该系统可以提供更直观的操作方式完成气动力建模工作。具体研究内容如下:首先,提出了一种基于移动最小二乘法的气动力数据建模方法。在利用典型的移动最小二乘法拟合气动力数据时,通过经验公式来确定支撑域半径大小,由此建立的气动力模型精度具有随机性。为了提高移动最小二乘模型的精度,本文在构建移动最小二乘模型时采用遗传算法来获取最佳权函数影响因子β以及最佳支撑域半径,最后得到了非线性气动力模型,并与偏最小二乘法建立的气动力模型进行了比较。实验结果表明:该方法建立的气动力模型精度较高,且其建模效果整体优于偏最小二乘法,适用于非线性气动拟合。其次,提出了一种基于深度置信网络的气动力数据建模方法。由于传统深度置信网络（DBN）在处理气动力数据这种连续型数据时会导致信息丢失,本文对该网络结构进行了修改,在传统深度置信网络底层加入了高斯-伯努利受限玻尔兹曼机（GBRBM）,由此构成的GBRBM-DBN网络可以有效处理连续型数据。与BP网络模型相比,该方法通过无监督的预训练阶段,可以克服传统神经网络易陷入局部最优的缺点,并且该方法建立的气动力模型准确度较高,且拥有一定的外推能力,具有研究应用价值。最后,基于前面的研究工作,构建了一个可交互的在线气动数据建模系统。该系统主要分为三个模块进行设计和实现:一是数据上传模块,通过表格的形式统计管理上传的数据文件,支持数据文件的查看、删除以及下载等功能;二是数据建模模块,该模块支持在浏览器中完成气动力建模工作,并且将建模结果以三维图表的形式进行展示;三是模型结果模块,该模块支持对建模结果进行查看和气动参数的预测。本文对该系统进行了测试,测试结果表明,该系统操作界面友好、各个功能模块运作正常,与预期目标一致。
吴梓声[4]（2021）在《多段域激活函数感知器研究与应用》文中认为作为近年来研究最火热的课题之一,深度学习浪潮席卷了各行各业,大放异彩。从简单的手写数字识别、文本分类,到风格迁移、文本生成,再到未来的无人驾驶、智能机器人等,都离不开深度神经网络。而作为深度神经网络的基础单元—感知器,则是构成这些复杂模型的基础。感知器模型的研究很早就有,但是传统的感知器模型由于只有一层非线性映射,导致结构比较简单,不能实现对非线性可分问题的有效分类。因此,本文针对感知器模型的缺点提出了基于多段域脉冲型激活函数的感知器模型及其训练算法,该模型能够充分利用数据的分段线性可分特性实现高效分类,而训练算法能为该模型找到全局收敛的权值向量,取得的主要创新成果如下:（1）非线性可分问题的解决算法有很多研究,但是针对分段线性可分这种特殊的非线性可分问题目前暂无比较高效的算法。因此,本文首先提出并定义了分段线性可分问题,并提出了针对性的多段域脉冲型激活函数感知器模型,与传统的感知器相比,该模型能充分利用数据集的分段线性可分特性,在保持本身简易性的同时能够进行有效的分类。（2）不同实际问题的多段域脉冲型激活函数感知器的激活函数可能不同,而且原始数据可能具有非常高的维度,进而使该模型激活函数的定义变得更加复杂。因此,本文提出先采取Kmeans聚类算法对数据集进行聚合,从而得到合适的簇数,进而可以通过求解优化问题得到激活函数的边界,进而确定多段域脉冲型激活函数感知器模型。（3）当多段域激活函数感知器的边界一旦确定,需要进一步确定的只剩下感知器的权值向量。为了求解该权值向量,本文提出了针对性的多段域脉冲型激活函数感知器的训练算法,该训练算法在数据集是分段线性可分的时候将自动收敛,并且得到全局收敛的权重。总之,本文主要针对传统感知器模型进行改进并且提出了适用于分段线性可分的感知器训练算法,在一些场景下,如开源的机器学习数据集和实际数据上取得了不错的效果,但是关于该模型更广的适用范围以及有效性需要进一步验证。
张苏楠[5]（2020）在《生猪异常行为多源监测及其信息融合方法的研究与应用》文中进行了进一步梳理畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:（1）基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器（Single Shot Multi Box Detector,SSD）的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法（Frame Difference,FD）和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。（2）生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述（Multiple Support Vector Data Description,Multi-SVDD）识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。（3）生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化（Particle Swarm Optimization,PSO）算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。（4）生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。
刘辉[6]（2020）在《基于机器学习的煤矿冲击危险性综合预测方法研究》文中研究说明由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。
王昊[7]（2020）在《基于声达时间差的移动机器人声源定位方法研究》文中指出机器人听觉感知系统作为人机交互与环境感知的重要手段,可以与视觉感知方式配合使用,以弥补视觉感知的局限性,如受光线条件限制和障碍物阻挡影响等等,因此有了更广泛的应用。作为声源目标定位最核心的评价指标——定位精度,也便成了听觉感知系统要研究的关键问题。定位精度的影响因素众多,主要包括环境噪声的影响、麦克风阵列的实际安装位置和定位计算模型的合理性。针对提高定位精度这一基本问题,本文在噪声存在的前提下研究了基于声达时间差方法的声源目标定位问题。主要进行了以下三方面的研究工作:（1）对传统的时延估计方法进行介绍,并分别对采用四种不同加权函数的广义互相关方法进行仿真实验和性能分析。由于实际环境中存在噪声,特别是非线性噪声,为提高声信号采集的信噪比,本文提出了一种基于LM-BP神经网络的非线性噪声消除方法,以Volterra滤波器为参考模型,对其进行训练,最终通过对噪声滤波,提高了信噪比。最后将本文提出的非线性噪声消除方法与广义互相关方法相结合,提出了基于非线性噪声消除的广义互相关时延估计方法,并对该方法和基本互相关、广义互相关方法进行仿真实验。仿真结果表明,该方法具有更好的抗噪声性能,且性能恶化速度降低。（2）在假定声源目标为远场信号的前提下,根据正四面体麦克风阵列结构和声音传播模型,构建了一种几何定位计算模型,并进行推导,最后进行了水平角和俯仰角误差仿真实验。仿真结果表明,随着声源距离的增加,水平角和俯仰角误差变小。（3）针对实际麦克风阵列与理想麦克风阵列存在差别的情况,本文提出了一种正四面体麦克风阵列标定方法。将距离已知的声源进行多次移动,得到多组测量数据,根据数据估计麦克风位置。该方法只需测量声源的距离,使用LM算法对数据进行处理。仿真实验结果证明,该方法具有很好的标定结果。
向国菲[8]（2020）在《不确定环境下机器人的自主任务学习及抗扰策略研究》文中研究指明近年来,机器人应用已从传统的结构化受控工业环境中的大规模产品生产,拓展到任意的个性化生产场景和产品制造中。人们对机器人的期待和依赖也越来越高,当前各种样式的机器人正在介入并深刻改变人类的日常工作和生活。在这样的背景下,机器人的自身结构越来越复杂,机器人所要完成的任务也越来越多元,更重要的是,机器人所面临的环境越来越是未知和动态变化的。基于人工分析机器人行为特性和构建环境模型,然后采用复杂编程的传统模式已经不能满足实际需求。因此,结合人工智能技术,研究具备一定自主决策和学习能力的机器人系统,业已成为机器人领域的研究热点。尤其是深度强化学习算法因其融合了深度学习强大的感知能力和强化学习的决策能力,在机器人自主学习领域得到广泛的研究。另外,机器人任务完成的过程中亦不可避免地会受到多种不确定性的不利影响,因此,高性能抗扰策略是机器人任务完成的根本保障。面对不确定环境,如何才能使得机器人高效地习得完成任务的方式,并确保任务的高性能执行?针对这个问题,本文从机器人自主任务学习和抗扰策略两个层面开展研究工作。针对机器人自主学习,我们研究了未知环境中任务与强化学习探索机制之间的关系,旨在提升自主学习的效率;然后,借助元学习的思想和信息瓶颈技术研究了动态环境中的机器人技能迁移问题,旨在探究机器人如何借助已有经验来促进新任务的高效学习。针对机器人抗扰策略,基于DOB（Disturbance Observer）探讨了机器人完成任务过程中系统不确定性对任务完成性能的影响,着重关注稳态和暂态性能的协调以及由传统DOB内在结构约束而导致的任务可实现性问题。本文的主要研究工作和创新点包括:（1）机器人如何充分挖掘自身经验以提升自主任务学习效率?采用深度强化学习进行未知环境中机器人自主任务学习时存在效率低、样本需求量大、训练时间长等问题,本文提出了面向任务的强化学习算法。当前强化学习中广泛使用的随机探索机制会导致大量与任务无关的探索,从而极大地降低学习效率,危及机器人安全。针对这种情况,充分利用少量非最优示教样本,合理设计引导奖励函数,然后融合引导奖励函数和任务奖励函数构建基于最大熵约束的深度强化学习算法。这样,机器人能更有目的地探索任务,从而提升学习效率;也能更充分地利用已有经验,从而提升学习的性能。基于Mujoco机器人任务学习库的实验表明:针对密集型奖励函数的任务,能实现3-7倍效率提升;针对稀疏延迟型奖励函数,能实现4-10倍效率提升,更能大幅提升机器人完成任务的性能。（2）机器人如何借助相关任务的经验以提升自主学习的效率?深度强化学习算法不能利用相关任务经验而导致的适应性差,本文提出了基于变分信息瓶颈的元强化学习算法,以实现动态环境中机器人技能的高效迁移学习。该算法在元训练阶段,基于变分信息瓶颈理论推断出任务空间的“基任务”,并采用最大熵约束的强化学习算法学习与“基任务”相对应的“基技能”。一旦训练完成,任务集合中的所有任务都可用“基任务”进行一定的时空组合得到,完成任务的技能也可用与“基任务”相对应的“基技能”以相应的方式进行组合得到。因此,在元测试阶段,机器人仅通过少量与环境的交互,便可推断出新任务在“基任务”空间的组合方式,进而得到完成新任务的技能。在基于Mujoco开发的机器人技能学习库进行验证,结果表明:基于变分信息瓶颈的元强化学习算法能实现200-5000倍的学习效率的提升,同时完成技能的高效迁移,实现大幅性能提升。（3）机器人如何协调任务完成过程中的稳态与暂态性能?针对复合干扰,固定参数干扰观测器不能很好地协调完成任务过程中的稳态与暂态性能,本文基于模态切换控制的思想提出了切换干扰观测器控制方案。该方法由两个不同截止频率的DOB和切换逻辑构成。为了进一步研究基于DOB的控制系统的性能,采用一种新颖的等价变换降低设计过程的保守性。进而根据不同性能要求,选择相应的频率加权函数,基于H∞鲁棒控制理论优化Q-滤波器参数,采用Lyapunov稳定性理论分析了切换系统的稳定性。最后,将基于切换DOB的控制策略用于解决直流电机驱动的单自由度机械臂速度控制中的复合干扰抑制问题,结果显示:基于切换DOB的控制策略能同时满足良好的稳态与暂态性能。（4）机器人如何确保针对更广泛的系统类型均能满足任务的可实现性?传统DOB存在的结构约束,本文提出了广义DOB结构,并开发了保证闭环系统鲁棒稳定的参数求解算法。在分析传统DOB结构缺陷和性能局限的基础上,融合典型二自由度控制器的Youla参数化策略,构建了广义DOB结构。分析显示广义DOB严格继承了传统DOB良好的干扰抑制能力,同时,消除了传统DOB中存在缺陷,进而发挥DOB控制策略的潜在优势。通过适当的系统重构,将Q-滤波器的设计问题转化为针对增广系统的降阶控制器设计问题。然后,借助KYP（Kalman-Yakubovich-Popov）引理和投影定理,提出了“两步法”启发式算法:首先求解一个满足性能的全信息控制器;然后基于所求解的全信息控制器得出降阶控制器。最后,基于最小相位系统与非最小相位系统的仿真算例验证了广义DOB的有效性以及潜在性能优势。
赵磊[9]（2018）在《基于光栅感知的直线导轨运动误差在线测量方法研究》文中研究说明精密/超精密产品不仅在日常生活、军事国防和航空航天等领域内发挥着日益重要的作用,而且这些领域对它们的精度要求也越来越严苛。机床作为精密/超精密产品的加工母机,其工作精度影响着产品的精度;三坐标测量机（Coordinate measuring machine,CMM）作为精密/超精密产品的检测母机,其测量精度控制着产品的质量。因此,如何提高机床/CMM的精度等级一直是工业界密切关注的重大问题。直线导轨作为机床/CMM的关键部件,其运动误差既影响着机床/CMM的精度等级,又是误差补偿模型的关键参数。此外,运动误差还能够实时反映出机床/CMM的运行状态。因此,在线测量直线导轨的运动误差具有重要的工程价值与科学意义。相关的测量方法虽然较多,但仍不能满足工业界的需求,尤其直线导轨处在复杂的工况下。为此,本文提出了一种新的直线导轨运动误差在线测量方法,它利用线性光栅系统和柔性机构构建新型探头,通过多探头误差分离算法和新型探头所构建的多步式测量系统,测量出直线导轨的运动误差。此外,新型探头为多步式测量系统与导轨滑块的集成提供了可能性。对于该方法,本文对其基础理论和关键技术进行了深入的研究和系统的分析。为从探头测量值中分离出直线导轨的运动误差,依据是否考虑倾斜误差的影响,本文引入两种多探头误差分离算法——频域三点法和新的空域四点法。对于频域三点法,在测量值差值中为调零误差项引入周期性系数,使其与参考面形貌项具有相同的构造。之后,通过自然延拓获得两组测量值差值的周期序列,并得到对应的频谱序列。随后,引入权函数构造出形貌的频谱序列,并求出相对调零误差差值,进而获得形貌的估值。最终,从测量值中分离出导轨的直线度误差。在空域四点法中,由四组测量值差值构造出线性方程组。为确保方程组具有唯一解,引入两组约束条件:基于测量坐标系的定义设定形貌的首末点;通过广义三点法预估调零误差差值（35）e1。为解决线性方程组的病态性,应用Tikhonov正则化法对其求解。最终,通过正则解从测量值中分离出导轨的直线度误差和倾斜误差。构造仿真平台,以验证频域三点法和空域四点法的可行性,并对这两种算法的影响因素进行定量分析。频域三点法和空域四点法为直线导轨运动误差在线测量方法奠定了理论基础。对于新型探头的感知器——干涉式线性光栅系统,本文建立它的光学模型,并提出莫尔条纹特征参数的辨识算法,进而分析读数头与标尺光栅之间位姿偏差对莫尔条纹和输出信号的影响。为获得莫尔条纹的分布形态,基于光学软件Zemax建立光栅系统的光学模型。为辨识出条纹的频率,提出一个判定准则。基于辨识出的频率,进而求解出条纹的相位、均值和振幅,从而实现对莫尔条纹的数学解析。之后,利用Matlab对辨识算法进行验证。在光学模型中,通过改变标尺光栅的坐标参数引入读数头相对标尺光栅的位姿偏差,进而通过辨识算法分析出位姿偏差对条纹特征参数的影响规律。随后,基于特征参数建立光栅系统输出信号的数学模型,进而分析输出信号对位姿偏差的响应。为验证上述仿真结果,在五轴坐标级加工中心上进行实验验证。上述仿真分析为线性光栅系统的安装和新型探头的设计提供了指导准则。基于线性光栅系统和柔性传动模式,本文构建两个新型的线性高精度探头,并分析其动静态特性。首先,依据误差分离算法的需求,提出探头柔性机械本体（柔性传动机构和柔性加载机构）的设计准则,进而对其进行构型设计。其次,基于弹性力学推导出切口型柔性铰链的柔度矩阵,之后,通过柔度矩阵法建立串/并联型柔性机构的柔度模型。再次,基于上述柔度矩阵和柔度模型,建立柔性机械本体关键模块的柔度模型,进而分析尺寸参数对其运动学与力学特性的影响,为柔性传动机构和柔性加载机构的尺寸设计提供理论依据。最后采用有限元分析法对探头进行静力学分析和模态分析。柔性机构与线性光栅系统所构成的新型探头为直线导轨运动误差在线测量方法提供了硬件支持。为验证直线导轨运动误差在线测量方法的可行性和有效性,本文应用该方法对直线导轨的运动误差进行在线测量。首先,利用所研制的新型探头和微位移平台构建多步式测量系统。对于多步式测量系统,从探头测量值中推导出运动误差不确定度的数学模型,为预测测量值的噪声提供先决条件。其次,对所研制的新型探头进行测定,以获得放大倍数、输入刚度等性能参数的精确值,从而保证测量数据的准确性。最后,利用多步式测量系统,通过频域三点法测量出两项直线度误差;通过空域四点法测量出两项直线度误差、偏摆误差、俯仰误差和滚转误差以及相关不确定度。采用激光干涉仪测量出这些运动误差。对比误差在线测量方法的实验结果和激光干涉仪的测量结果,二值之间的一致性表明该方法是可行有效的。
刘帆[10]（2018）在《深度自编码器理论及其应用研究》文中认为深度自编码器通过重构原始输入来进行特征学习,通过预训练和微调解决了深度网络的训练问题,使其拥有较好的泛化能力,因此被广泛应用在很多领域。例如图像处理,自然语言处理等。深度自编码器作为一种典型的无监督学习方法,经常被当作预训练的模型,从而为多层感知器的训练找到了一个较好的初值。近年来,深度自编码器算法得到了广泛和深入的研究,逐渐成为模式识别领域的一个研究热点。图像作为人类感知外界事物的视觉基础,是人类从外界获取信息的重要依据,所以使用深度自编码器自动完成图像的识别和分类具有重大意义。进行图像分类最重要的就是要进行特征提取,由于深度自编码器可以分层抽取特征,因此本文主要对深度自编码器在图像分类上的应用进行了研究。通过对自编码器的算法进行改进,使得预训练过程中得到的分层特征有效地提高了分类能力。主要的研究内容概括如下:（1）针对平滑自编码器中高斯核函数的局部有效性问题,提出了混合核平滑自编码器。算法通过混合核对输入k近邻的权重进行计算,增加了权重的可靠性,更好地学习了特征,从而提高了算法的分类性能。算法还比较了不同形式的混合核对实验结果的影响,结果均表明混合核可以较为有效地提高算法的分类性能。（2）由于无监督的非负约束稀疏自编码器存在特征表达不充分的问题,提出了监督非负约束稀疏自编码器。算法在非负约束稀疏自编码器的基础上,加入了分类预测误差。其在保留连接权重非负约束的同时,使用了样本的监督信息,从而提高了模型的分类能力。此外,在所提模型的基础上研究了非负约束对模型分类能力的影响,提出了另外一种非负约束条件,将这两种非负约束条件进行了比较。较好的实验结果验证了所提算法的有效性。（3）针对传统的自编码器是通过计算原始输入和其重构结果之间的误差来进行模型训练,而没有考虑到重构样本之间的相关性问题。提出了邻域保持自编码器。其在自编码器的基础上,通过寻找重构结果的k近邻并进行加权平均,提高了特征的判别能力。此外,为了更加直观的了解模型的判别性,对隐藏层的输出值进行了可视化。实验结果表明所提算法可以有效地改善模型的分类能力。
二、非线性权函数感知器的一种线性快速学习算法（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、非线性权函数感知器的一种线性快速学习算法（论文提纲范文）
（1）基于深度学习的三维点云分割与球体辨识（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维点云数据的精简与降噪方法 |
| 1.2.2 基于深度学习的点云数据分割与辨识方法 |
| 1.2.3 室内场景中球体辨识方法 |
| 1.3 三维点云分割与球体辨识面临的问题 |
| 1.4 论文主要的研究内容和章节安排 |
| 1.4.1 研究内容 |
| 1.4.2章节安排 |
| 1.4.3 技术路线 |
| 第2章 下采样与双边滤波优化的三维点云数据预处理 |
| 2.1 最远点加权下采样 |
| 2.2 双边滤波优化的点云降噪方法 |
| 2.2.1 基于k均值改善的主成分分析方法 |
| 2.2.2 粒子群和小波平滑优化的双边滤波方法 |
| 2.3 点云精简与降噪实验 |
| 2.3.1 环境设置 |
| 2.3.2 数据选取 |
| 2.3.3 点云精简处理及其结果分析 |
| 2.3.4 点云降噪处理及其结果分析 |
| 2.4 本章小结 |
| 第3章 多尺度点云特征分割卷积网络 |
| 3.1 多尺度点云特征提取的相关理论 |
| 3.1.1 多层感知器原理 |
| 3.1.2 Point Net网络模型 |
| 3.1.3 Point Net++网络模型 |
| 3.1.4 空间聚合网 |
| 3.1.5 原始点云数据的多尺度特征分割 |
| 3.2 多尺度点云特征分割卷积网络模型 |
| 3.2.1 多尺度特征提取模块 |
| 3.2.2 基于K近邻结合阈值K的八分域搜索 |
| 3.2.3 多尺度空间卷积结构 |
| 3.2.4 多尺度点云特征分割网络模型的整体设计 |
| 3.3 多尺度点云特征分割网络模型的实验条件 |
| 3.3.1 评价参量 |
| 3.3.2 数据集的选择 |
| 3.3.3 网络参量选择 |
| 3.4 多尺度点云特征分割卷积网络模型实验 |
| 3.4.1 物体局部点云分类实验 |
| 3.4.2 室内小型数据集中单个物体的分割实验 |
| 3.4.3 室内大型场景模型的分割实验 |
| 3.5 本章小结 |
| 第4章 室内场景中球状工件辨识网络 |
| 4.1 多尺度球体特征辨识网络模型 |
| 4.1.1 多尺度球体特征提取模块 |
| 4.1.2 构建多视角的球体特征模块 |
| 4.1.3 多尺度球体特征卷积结构 |
| 4.1.4 多尺度球体特征辨识网络模型的整体设计 |
| 4.2 实验数据集的采集与制作 |
| 4.2.1 基于结构光的点云采集 |
| 4.2.2 数据获取及制作 |
| 4.3 多尺度球体特征辨识网络模型实验 |
| 4.3.1 球体辨识评价参量 |
| 4.3.2 室内场景中球体数据集辨识实验 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他学术成果 |
（2）区域土壤和水稻镉含量相关分析与估测研究（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 国内外研究进展 |
| 1.2.1 土壤-水稻重金属含量相关性研究 |
| 1.2.2 土壤-水稻系统水稻镉含量影响因子研究 |
| 1.2.3 土壤-水稻系统水稻镉含量估测研究 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 样品采集与测试 |
| 2.3 协变量数据 |
| 2.3.1 土壤基本性质 |
| 2.3.2 周边环境变量数据 |
| 3 土壤-水稻镉含量统计分析与相关性研究 |
| 3.1 原理与方法 |
| 3.1.1 土壤-水稻重金属含量基本描述分析 |
| 3.1.2 土壤-水稻重金属含量相关性分析 |
| 3.2 结果与讨论 |
| 3.2.1 土壤-水稻镉含量描述分析结果 |
| 3.2.2 土壤-水稻镉含量相关性文献统计结果 |
| 3.2.3 土壤-水稻镉含量相关性分析结果 |
| 3.3 小结 |
| 4 水稻镉含量主控因子分析 |
| 4.1 原理与方法 |
| 4.1.1 多元评价指标体系 |
| 4.1.2 非线性主成分分析 |
| 4.1.3 交互作用探测器 |
| 4.2 结果与讨论 |
| 4.2.1 多元评价指标体系构建 |
| 4.2.2 不同区域主控因子分析 |
| 4.2.3 交互作用探测结果 |
| 4.3 小结 |
| 5 水稻镉含量估测模型探究 |
| 5.1 原理与方法 |
| 5.1.1 基于bagging的数据集选择 |
| 5.1.2 神经网络模型 |
| 5.1.3 空间回归模型 |
| 5.2 结果与讨论 |
| 5.2.1 神经网络模型分析 |
| 5.2.2 空间回归模型分析 |
| 5.3 小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新与特色 |
| 6.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（3）飞行器气动力数据建模方法及可视化交互系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究工作 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构以及安排 |
| 2 气动力建模简介 |
| 2.1 基础概述 |
| 2.1.1 坐标系描述 |
| 2.1.2 飞行器状态变量 |
| 2.2 气动力数学模型建立的原理和方法 |
| 2.2.1 气动力模型一般形式 |
| 2.2.2 传统研究方法 |
| 2.2.3 新型研究方法 |
| 2.3 本章小结 |
| 3 基于移动最小二乘法的气动力数据建模方法 |
| 3.1 移动最小二乘近似原理 |
| 3.2 参数优化算法 |
| 3.3 实验与结果分析 |
| 3.4 本章小结 |
| 4 基于深度置信网络的气动力数据建模方法 |
| 4.1 基本原理 |
| 4.1.1 受限玻尔兹曼机 |
| 4.1.2 DBN模型结构和学习过程 |
| 4.2 基于GBRBM-DBN的气动力数据建模方法 |
| 4.2.1 GBRBM-DBN网络 |
| 4.2.2 GBRBM-DBN相关参数 |
| 4.2.3 算法流程 |
| 4.3 实验与结果分析 |
| 4.3.1 气动力数据集描述 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果对比与分析 |
| 4.4 本章小结 |
| 5 可视化建模平台 |
| 5.1 系统需求分析 |
| 5.2 系统设计 |
| 5.2.1 系统总体设计 |
| 5.2.2 模块设计 |
| 5.2.3 数据库设计 |
| 5.2.4 算法设计 |
| 5.3 功能展示 |
| 5.4 系统测试与结果分析 |
| 5.4.1 系统测试环境 |
| 5.4.2 系统测试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及研究成果 |
（4）多段域激活函数感知器研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本课题研究背景及研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 机器学习分类算法 |
| 1.2.2 深度学习分类算法 |
| 1.3 研究目标与研究内容 |
| 1.3.1 课题研究目标 |
| 1.3.2 主要研究内容 |
| 1.4 课题来源 |
| 1.5 本章小结 |
| 第二章 多段域脉冲型激活函数感知器相关理论基础 |
| 2.1 相关理论 |
| 2.1.1 支持向量机 |
| 2.1.2 凸优化与非凸优化 |
| 2.2 评估指标 |
| 2.3 本章小结 |
| 第三章 多段域脉冲型激活函数感知器及其训练算法 |
| 3.1 定义变量 |
| 3.2 分段线性可分与多段域脉冲型激活函数感知器 |
| 3.3 多段域脉冲型激活函数感知器的训练算法 |
| 3.4 本章小结 |
| 第四章 基于多段域脉冲型激活函数感知器的应用研究 |
| 4.1 数据集介绍 |
| 4.2 分段线性可分例子 |
| 4.3 异或问题 |
| 4.4 膀胱炎症的模式识别问题 |
| 4.5 音频数据问题 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（5）生猪异常行为多源监测及其信息融合方法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩写对照表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术的研究现状 |
| 1.2.2 音频监测技术的研究现状 |
| 1.2.3 超声波技术研究现状 |
| 1.2.4 多源信息融合研究现状 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2章节安排 |
| 1.4 本章小结 |
| 第2章 基于机器视觉技术的生猪动作异常监测 |
| 2.1 基于机器视觉技术的生猪异常行为监测总体结构 |
| 2.2 生猪生长周期分析 |
| 2.3 生猪视频采集与预处理 |
| 2.3.1 生猪视频采集 |
| 2.3.2 生猪图像预处理 |
| 2.4 基于改进SSD的生猪目标检测研究 |
| 2.4.1 卷积神经网络 |
| 2.4.2 SSD基本结构 |
| 2.4.3 SSD网络训练 |
| 2.4.4 SSD基础网络 |
| 2.4.5 生猪目标的改进SSD检测方法 |
| 2.4.6 基于改进SSD的生猪目标检测结果与分析 |
| 2.5 生猪过度聚集的改进SSD检测方法研究 |
| 2.6 生猪打斗行为的FD-SSD检测方法研究 |
| 2.6.1 基于帧间差分法的生猪移动像素提取 |
| 2.6.2 基于SSD的运动生猪个体检测 |
| 2.6.3 生猪打斗行为判别方法 |
| 2.6.4 生猪打斗行为的FD-SSD检测方法实验结果与分析 |
| 2.7 本章小结 |
| 第3章 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.1 生猪异常声音识别总体结构 |
| 3.2 生猪异常声音分析与生猪声音信号采集 |
| 3.2.1 生猪异常声音分析 |
| 3.2.2 生猪异常声音采集 |
| 3.3 生猪声音信号预处理 |
| 3.3.1 生猪声音能量检测 |
| 3.3.2 生猪混合声音分离 |
| 3.3.3 生猪声音降噪 |
| 3.3.4 生猪声音端点检测 |
| 3.3.5 生猪声音分帧加窗 |
| 3.4 生猪声音特征参数提取 |
| 3.4.1 生猪声音短时能量 |
| 3.4.2 生猪声音短时过零率 |
| 3.4.3 生猪声音线性预测倒谱系数 |
| 3.4.4 生猪声音梅尔频率倒谱系数 |
| 3.4.5 生猪声音耳蜗滤波倒谱系数 |
| 3.4.6 生猪声音特征参数提取结果 |
| 3.5 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.5.1 支持向量数据描述基本步骤 |
| 3.5.2 多重支持向量数据描述 |
| 3.5.3 改进多重支持向量数据描述 |
| 3.6 生猪异常声音识别实验结果与分析 |
| 3.6.1 生猪声音独立源分离 |
| 3.6.2 生猪声音降噪结果与分析 |
| 3.6.3 生猪异常声音识别结果与分析 |
| 3.7 本章小结 |
| 第4章 生猪饮食异常的改进PSO-SVDD判断方法 |
| 4.1 生猪饮食异常判断总体结构 |
| 4.2 基于超声波的生猪饮食数据采集装置 |
| 4.3 基于改进SVDD的生猪饮食异常判断 |
| 4.4 基于改进粒子群优化算法的SVDD参数寻优 |
| 4.4.1 粒子群算法基本原理 |
| 4.4.2 基于粒子变异的粒子群优化算法 |
| 4.5 基于改进PSO-SVDD的生猪饮食异常判断 |
| 4.5.1 样本归一化 |
| 4.5.2 构建适应度函数 |
| 4.5.3 改进PSO优化SVDD参数 |
| 4.6 实验结果与分析 |
| 4.6.1 不同参数下SVDD训练结果 |
| 4.6.2 改进SVDD决策函数前后生猪饮食异常判断结果比较 |
| 4.6.3 改进PSO优化SVDD参数结果 |
| 4.6.4 基于改进PSO-SVDD的生猪饮食异常判断结果 |
| 4.7 本章小结 |
| 第5章 生猪多源多时段异常行为的灰色证据组合模型融合评价方法 |
| 5.1 生猪异常概率计算 |
| 5.2 基于灰色证据组合模型的生猪多源多时段异常融合评价总体结构 |
| 5.3 基于灰色聚类评估模型的生猪多源异常评估 |
| 5.3.1 灰色聚类评估模型相关概念 |
| 5.3.2 构建白化权函数 |
| 5.3.3 确定指标组合权重 |
| 5.4 基于D-S证据理论的生猪多时段异常评估结果融合 |
| 5.4.1 D-S证据理论基本原理 |
| 5.4.2 D-S证据理论的改进组合规则 |
| 5.5 生猪多源多时段异常行为融合评价实例分析 |
| 5.5.1 低冲突证据融合 |
| 5.5.2 高冲突证据融合 |
| 5.6 生猪异常行为智能监测管理平台 |
| 5.6.1 用户登录 |
| 5.6.2 生猪异常行为智能监测主画面 |
| 5.6.3 生猪动作异常监测 |
| 5.6.4 生猪声音异常监测 |
| 5.6.5 生猪饮食异常监测 |
| 5.7 本章小结 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（6）基于机器学习的煤矿冲击危险性综合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文主要内容和研究方法 |
| 2 基于人工神经网络的矿震监测与矿震强度预测方法研究 |
| 2.1 深井矿震分类和影响因素分析 |
| 2.2 “区域-局部”式矿震监测 |
| 2.3 矿震强度神经网络预测方法及算法 |
| 2.4 样本矿井概况 |
| 2.5 实际资料处理与分析 |
| 2.6 本章小结 |
| 3 基于贝叶斯网络推理的冲击危险性等级分析 |
| 3.1 冲击地压影响因素分析 |
| 3.2 冲击地压危险等级分类研究 |
| 3.3 基于贝叶斯网络的冲击危险性等级预测方法 |
| 3.4 实际资料处理与分析 |
| 3.5 本章小结 |
| 4 基于深度神经网络的冲击类型和冲击危险性等级判别 |
| 4.1 微震信号特征分析 |
| 4.2 深度循环神经网络预测模型 |
| 4.3 基于深度循环神经网络的冲击地压诱因分析 |
| 4.4 基于深度受限玻尔兹曼机过程神经网络的冲击等级预测分析 |
| 4.5 实际资料处理与分析 |
| 4.6 本章小结 |
| 5 基于动态模糊推理网络的冲击危险性预测 |
| 5.1 冲击地压煤矿开采地质影响因素综合分析 |
| 5.2 模糊信息处理与模糊神经网络 |
| 5.3 动态模糊推理神经网络预测模型 |
| 5.4 实际资料验证 |
| 5.5 本章小结 |
| 6 工作面冲击地压综合预测应用 |
| 6.1 1412工作面概况 |
| 6.2 冲击地压监测情况 |
| 6.3 1412工作面冲击危险性综合预测分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 学位论文数据集 |
（7）基于声达时间差的移动机器人声源定位方法研究（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 国内外研究现状 |
| 1.2.1 基于双耳听觉机理的机器人声源目标定位方法 |
| 1.2.2 基于麦克风阵列的机器人声源目标定位方法 |
| 1.2.3 去噪技术的国内外研究现状 |
| 1.2.4 机器人声源目标定位方法研究中现存的主要问题 |
| 1.3 本文主要研究内容 |
| 第二章 基于麦克风阵列的声源目标定位方法 |
| 2.1 声音定位原理 |
| 2.1.1 仿人双耳的定位原理 |
| 2.1.2 基于麦克风阵列的定位原理 |
| 2.1.3 两种定位原理比较 |
| 2.2 基于麦克风阵列的声源目标定位方法 |
| 2.2.1 基于高分辨率谱估计的声源定位方法 |
| 2.2.2 基于最大输出功率的可控波束形成的声源定位方法 |
| 2.2.3 基于声达时间差的声源定位方法 |
| 2.2.4 三种定位方法比较 |
| 2.3 基于声达时间差技术的定位方法 |
| 2.4 本章小结 |
| 第三章 基于麦克风阵列的时延估计技术 |
| 3.1 时延估计的物理意义 |
| 3.2 时延估计的声音信号模型 |
| 3.2.1 理想模型 |
| 3.2.2 实际模型 |
| 3.3 传统的时延估计技术 |
| 3.3.1 基本互相关法 |
| 3.3.2 广义互相关法 |
| 3.3.3 最小均方(LMS)自适应滤波时延估计法 |
| 3.4 本章小结 |
| 第四章 基于时延估计技术的非线性噪声消除方法 |
| 4.1 时延估计技术存在的问题 |
| 4.2 基于LM-BP神经网络的非线性噪声消除方法 |
| 4.2.1 噪声条件下麦克风阵列接收的单声源信号模型 |
| 4.2.2 Volterra滤波器 |
| 4.2.3 神经网络方法介绍 |
| 4.2.4 一种基于LM-BP神经网络的非线性噪声消除方法 |
| 4.3 本章小结 |
| 第五章 基于麦克风阵列的声源定位方法实验设计 |
| 5.1 麦克风阵列标定 |
| 5.1.1 麦克风阵列标定的必要性 |
| 5.1.2 正四面体麦克风阵列标定方法 |
| 5.1.3 仿真实验 |
| 5.2 声源定位计算模型 |
| 5.2.1 模型推导 |
| 5.2.2 仿真实验及结果分析 |
| 5.3 基于非线性噪声消除的广义互相关时延估计方法 |
| 5.3.1 仿真性能评价指标设定 |
| 5.3.2 仿真环境 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文完成的主要工作 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（8）不确定环境下机器人的自主任务学习及抗扰策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 算法索引 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 机器人任务学习与执行的范式变迁 |
| 1.3 研究现状 |
| 1.3.1 深度强化学习研究现状 |
| 1.3.2 迁移学习研究现状 |
| 1.3.3 抗干扰策略研究现状 |
| 1.4 现有结果的不足 |
| 1.5 本文主要研究工作 |
| 1.5.1 研究思路 |
| 1.5.2 主要内容及文章结构 |
| 第二章 未知环境中面向受限专家样本的机器人自主任务学习 |
| 2.1 引言 |
| 2.2 最大熵约束强化学习 |
| 2.3 面向任务的强化学习算法 |
| 2.3.1 面向任务的强化学习框架 |
| 2.3.2 引导奖励函数设计 |
| 2.3.3 算法描述 |
| 2.4 机器人技能学习实验 |
| 2.4.1 实验环境描述 |
| 2.4.2 密集奖励型环境下的性能比较 |
| 2.4.3 稀疏延迟奖励型环境下的性能比较 |
| 2.5 本章小结 |
| 第三章 动态环境中基于元强化学习策略的机器人技能迁移 |
| 3.1 引言 |
| 3.2 问题阐述及背景知识 |
| 3.2.1 问题阐述 |
| 3.2.2 变分信息瓶颈理论 |
| 3.3 基于变分信息瓶颈的迁移学习 |
| 3.3.1 基于变分信息瓶颈的元强化学习 |
| 3.3.2 隐空间学习 |
| 3.3.3 基于变分信息瓶颈的迁移学习算法 |
| 3.4 机器人技能迁移学习实验 |
| 3.4.1 实验环境描述 |
| 3.4.2 结果比较 |
| 3.5 本章小结 |
| 第四章 任务实现过程中的稳态与暂态性能协调 |
| 4.1 引言 |
| 4.2 基于H_∞鲁棒控制理论DOB参数优化 |
| 4.3 鲁棒稳定条件 |
| 4.3.1 闭环系统鲁棒稳定性 |
| 4.3.2 保守性分析 |
| 4.4 切换干扰观测器设计及分析 |
| 4.4.1 基于切换干扰观测器的控制系统框架 |
| 4.4.2 切换机制 |
| 4.4.3 稳定性分析 |
| 4.5 单自由度机械臂速度控制实验 |
| 4.5.1 系统模型 |
| 4.5.2 基于切换干扰观测器的控制系统设计 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 第五章 保证任务可实现性的广义干扰观测器 |
| 5.1 引言 |
| 5.2 问题阐述 |
| 5.3 广义干扰观测器分析 |
| 5.3.1 广义干扰观测器框架 |
| 5.3.2 广义干扰观测器分析 |
| 5.3.3 增广状态空间表达 |
| 5.4 启发式算法设计 |
| 5.4.1 系统重构 |
| 5.4.2 Q-滤波器的迭代求解算法 |
| 5.4.3 初始全信息控制器优化算法 |
| 5.5 设计案例 |
| 5.5.1 最小相位系统 |
| 5.5.2 非最小相位系统 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 附录A 第二章附录 |
| A.1 2.4节超参数选择 |
| A.2 2.4节附加结果 |
| A.3 2.4节评判指标定义 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（9）基于光栅感知的直线导轨运动误差在线测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景及研究的目的和意义 |
| 1.2 直线导轨运动误差测量的研究现状 |
| 1.3 多探头误差分离算法的研究现状 |
| 1.4 线性光栅系统的研究现状 |
| 1.5 柔性机构的研究现状 |
| 1.6 本文的研究思路与内容 |
| 第2章 多探头误差分离算法及其影响因素分析 |
| 2.1 引言 |
| 2.2 频域三点法的误差分离原理及有效性仿真验证 |
| 2.2.1 频域三点法的误差分离原理 |
| 2.2.2 频域三点法有效性的仿真验证 |
| 2.3 频域三点法计算精度的影响因素分析 |
| 2.3.1 测量噪声的影响 |
| 2.3.2 探头间距误差的影响 |
| 2.3.3 导轨定位误差的影响 |
| 2.3.4 探头增益系数误差的影响 |
| 2.4 空域四点法的误差分离原理及有效性仿真验证 |
| 2.4.1 空域四点法的误差分离原理 |
| 2.4.2 空域四点法有效性的仿真验证 |
| 2.5 空域四点法计算精度的影响因素分析 |
| 2.5.1 测量噪声的影响 |
| 2.5.2 探头间距误差的影响 |
| 2.5.3 导轨定位误差的影响 |
| 2.5.4 探头增益系数误差的影响 |
| 2.6 本章小结 |
| 第3章 位姿偏差对线性光栅系统输出的影响及其实验验证 |
| 3.1 引言 |
| 3.2 线性光栅系统的工作原理及光学建模 |
| 3.2.1 成像扫描式线性光栅系统 |
| 3.2.2 干涉扫描式线性光栅系统 |
| 3.3 莫尔条纹的数学解析 |
| 3.3.1 莫尔条纹特征参数的辨识 |
| 3.3.2 噪声对辨识算法的影响 |
| 3.3.3 辨识算法的仿真验证 |
| 3.4 位姿偏差对莫尔条纹特征参数的影响分析 |
| 3.4.1 单项偏差对莫尔条纹特征参数的影响 |
| 3.4.2 多项偏差对莫尔条纹特征参数的影响 |
| 3.5 位姿偏差对线性光栅系统输出信号相位的影响分析与验证 |
| 3.5.1 基于莫尔条纹特征参数的输出信号模型建立 |
| 3.5.2 位姿偏差对输出信号相位影响的仿真分析 |
| 3.5.3 位姿偏差对输出信号相位影响的实验验证 |
| 3.6 本章小结 |
| 第4章 基于光栅感知和柔性传动的新型探头设计及特性分析 |
| 4.1 引言 |
| 4.2 探头柔性机械本体的设计准则 |
| 4.3 探头柔性机械本体的构型 |
| 4.3.1 常用柔性导向机构的对比分析 |
| 4.3.2 常用柔性放大/转向机构的对比分析 |
| 4.3.3 探头柔性机械本体的构型 |
| 4.4 切口型柔性铰链的柔度建模 |
| 4.5 串/并联型柔性机构的柔度建模 |
| 4.6 柔性机械本体关键模块的柔度建模及特性分析 |
| 4.6.1 导向模块的柔度建模及特性分析 |
| 4.6.2 放大模块的柔度建模及特性分析 |
| 4.7 新型探头的特性分析 |
| 4.7.1 水平式探头的特性分析 |
| 4.7.2 垂直式探头的特性分析 |
| 4.8 本章小结 |
| 第5章 直线导轨运动误差在线测量方法的实验验证 |
| 5.1 引言 |
| 5.2 多步式测量系统的搭建 |
| 5.3 新型探头性能参数的校核 |
| 5.3.1 水平式探头性能参数的校核 |
| 5.3.2 垂直式探头性能参数的校核 |
| 5.4 基于误差在线测量方法的直线导轨运动误差测量及验证 |
| 5.4.1 直线度误差EYX与偏摆误差ECX |
| 5.4.2 直线度误差EZX与俯仰误差EBX |
| 5.4.3 滚转误差EAX |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）深度自编码器理论及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 深度自编码器研究现状 |
| 1.3 分类算法概述 |
| 1.4 本文主要研究内容及组织结构 |
| 第二章 自编码器基础介绍 |
| 2.1 神经网络 |
| 2.1.1 感知器模型 |
| 2.1.2 误差反向传播 |
| 2.2 自编码器网络 |
| 2.3 深度自编码器 |
| 2.4 SOFTMAX分类器 |
| 2.5 相关数据集介绍 |
| 2.5.1 MNIST手写字符集 |
| 2.5.2 ORL人脸数据集 |
| 2.5.3 ExtendedYaleB人脸数据集 |
| 2.6 本章小结 |
| 第三章 混合核平滑自编码器 |
| 3.1 引言 |
| 3.2 平滑自编码器的基本结构 |
| 3.3 混合核平滑自编码器的基本结构 |
| 3.3.1 高斯核函数和线性核函数组合 |
| 3.3.2 高斯核函数和多项式核函数组合 |
| 3.3.3 多项式核函数和线性核函数组合 |
| 3.3.4 高斯核函数,多项式核函数和线性核函数组合 |
| 3.4 实验结果与分析 |
| 3.4.1 高斯核函数和线性核函数组合实验 |
| 3.4.2 高斯核函数和多项式核函数组合实验 |
| 3.4.3 多项式核函数和线性核函数组合实验 |
| 3.4.4 高斯核函数,多项式核函数和线性核函数组合实验 |
| 3.5 本章小结 |
| 第四章 监督非负约束稀疏自编码器 |
| 4.1 引言 |
| 4.2 非负约束稀疏自编码器 |
| 4.3 监督非负约束稀疏自编码器 |
| 4.4 实验结果与分析 |
| 4.4.1 MNIST手写字符集 |
| 4.4.2 ExtendedYaleB人脸数据集 |
| 4.5 本章小结 |
| 第五章 邻域保持自编码器 |
| 5.1 引言 |
| 5.2 稀疏自编码器 |
| 5.3 邻域保持自编码器 |
| 5.4 实验结果与分析 |
| 5.4.1 MNIST-BASIC手写字符集 |
| 5.4.2 ExtendedYaleB人脸数据集 |
| 5.4.3 ORL人脸数据集 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读硕士学位期间完成的论文 |
四、非线性权函数感知器的一种线性快速学习算法（论文参考文献）
- [1]基于深度学习的三维点云分割与球体辨识[D]. 邹伯昌. 齐鲁工业大学, 2021(09)
- [2]区域土壤和水稻镉含量相关分析与估测研究[D]. 傅婷婷. 浙江大学, 2021
- [3]飞行器气动力数据建模方法及可视化交互系统研究与实现[D]. 周志高. 西南科技大学, 2021(08)
- [4]多段域激活函数感知器研究与应用[D]. 吴梓声. 广东工业大学, 2021
- [5]生猪异常行为多源监测及其信息融合方法的研究与应用[D]. 张苏楠. 太原理工大学, 2020(01)
- [6]基于机器学习的煤矿冲击危险性综合预测方法研究[D]. 刘辉. 山东科技大学, 2020(04)
- [7]基于声达时间差的移动机器人声源定位方法研究[D]. 王昊. 青岛科技大学, 2020(01)
- [8]不确定环境下机器人的自主任务学习及抗扰策略研究[D]. 向国菲. 上海交通大学, 2020(01)
- [9]基于光栅感知的直线导轨运动误差在线测量方法研究[D]. 赵磊. 哈尔滨工业大学, 2018(01)
- [10]深度自编码器理论及其应用研究[D]. 刘帆. 江南大学, 2018(01)