一、一种改进的BP人工神经网络模型（论文文献综述）
朱明[1]（2021）在《深基坑支护方案评价与优选研究》文中认为
邓晓刚[2]（2021）在《基于神经网络胶印油墨配色的研究》文中研究表明研究目的是基于神经网络油墨配色方法,针对油墨配色中存在的配色精度低、配色过程繁琐和数字化程度低的现象,研发了一种关于胶印油墨配色的软件系统。应用计算机配色技术能够提高印刷生产效率、有效降低配色劳动强度,能够有效促进智能化油墨配色技术在印刷行业的推广应用。当今印刷行业朝着智能化、网络化和数字化方向发展,结合我国印刷行业的特点,基于神经网络框架设计出一种关于胶印油墨的智能配色软件。课题利用三色叠印色块的三刺激值和其油墨网点百分比作为实验数据,采用PyQt设计人机交互界面,使用pytorch作为神经网络模型构建的框架,用python语言完成主体程序的编写,实验数据存入MySQL数据库,配色方法选用三刺激值配色法,最后封装成一个完整的应用软件。在前期对油墨配色的算法进行探讨和分析,利用改进粒子群算法来优化BP神经网络,讨论了该算法在油墨配色方面的可应用性。通过pytorch框架建立神经网络模型,训练优化模型后得到了一种精度较高的油墨配色软件。从随机选取的色块预测出的配色结果来看:基于BP神经网络训练得到的模型,其训练均方误差为0.0039,平均色差为5.4880;基于改进粒子群优化BP神经网络训练得到的模型,其训练得到的均方误差为0.0033,平均色差为4.7896;基于分区域网络训练得到模型,其最小色差为0.0731,最大色差为7.5883,平均色差为2.4957,预测出的色差主要分布在1到3之间,其中有92.31%的色差小于5。文中基于分区域粒子群优化BP神经网络建立的胶印油墨配色模型具有较高的精度。对于整个配色的结果来讲,其油墨百分比预测结果精度的平均色差可以达到精细化印刷的要求,初次配方预测准确度较高,对于实际油墨配色具有重要价值。
臧子婧[3]（2021）在《基于ABC-BP模型的煤层含气量地震属性预测方法研究》文中认为煤层含气量预测是煤层气资源勘探和开发利用初期的重要研究内容之一。利用测井数据来约束地震属性反演配合线性映射模型是目前煤层含气量预测的常用方法之一,然而该方法的预测精度难以控制,普适性受到了极大的限制。BP神经网络预测模型常被运用于煤层含气量预测领域,但传统的BP模型在面对复杂情景时往往容易出现收敛速度慢,易陷入局部最优以及预测结果受网络初始值影响大等问题。基于此,本文提出了一种以人工蜂群算法为特征的改进的BP神经网络预测方法,并联合优选地震属性,将其应用于煤层含气量预测领域。以沁水盆地某工区3号煤层为研究对象,首先,针对研究区的具体地质情况,依据三维地震勘探数据,提取出目标储层的叠前和叠后地震属性切片;其次,利用R型聚类分析法对提取属性进行分类,优选出5种对煤层含气量变化反应最为敏感且相互独立的地震属性;再利用人工蜂群寻优算法（ABC）来确定BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置的优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。为了进一步验证ABC-BP模型的预测精度和改进效果,本次研究以相同的数据带入到传统BP神经网络预测模型中来进行训练与预测,并将两预测模型的结果进行了对比分析。预测结果表明:相较于传统的BP神经网络预测模型,改进后的ABC-BP预测模型预测精度更高,误差范围更稳定,预测效果更加理想。其中:ABC-BP模型的预测结果与各井含气量的变化趋势基本吻合,训练井处的平均误差率为0.11%,相比于BP模型低0.72%,验证井处的平均误差率为2.22%,相比于BP模型低1.57%,此外,ABC-BP模型对煤层含气量的预测无论是高值、低值还是中等值,预测精度均较高,误差范围稳定,而BP神经网络预测模型对高值和低值的预测相较于其他位置的井效果欠佳,误差范围不稳定。因此,本文认为,改进后的ABC-BP预测模型可靠性高,适用性强,可有效用于煤层含气量的预测工作。图[33]表[6]参[119]。
祝国强[4]（2021）在《基于改进鲸鱼优化算法的CFRP钻削加工刀具磨损状态预测研究》文中研究指明碳纤维增强复合材料（Carbon Fiber Reinforced Plastic,CFRP）具有比强度高、比模量大、刚性好、耐高温、耐腐蚀、耐磨损等优异性能,被广泛应用于航空航天和汽车制造等领域。由于材料各异向性及层间结合强度低的特性,钻削加工中刀具磨损剧烈,严重影响加工表面质量,加剧毛刺、撕裂、分层等复合材料特有的孔缺陷。本文以CFRP钻孔加工过程为研究对象,针对聚晶金刚石（PCD）麻花钻、硬质合金三尖钻、硬质合金匕首钻的加工性能和磨损状态的预测评估,基于切削力、三项加速度、温度传感器的信号特征,构建了一种结合人工神经网络和群体智能优化算法的刀具磨损状态预测模型。主要的工作如下:（1）对CFRP钻削加工中的孔加工缺陷和刀具磨损机理以及多特征融合的优势进行了阐述。进行了多类型刀具下的CFRP钻削磨损实验,获取多个传感器的监测数据及刀具磨损数据,绘制了各类刀具的磨损曲线,并根据实际情况设定了各类刀具不同磨损状态的磨损值标准,为后文的数据分析及构建预测模型提供基础。（2）通过变切削参数单因素磨损实验,研究了刀具结构对磨损特性及孔质量的影响。发现三类刀具的钻削温度和后刀面磨损值随切削参数变化的趋势一致;随着钻孔数目的增加,三类刀具造成的孔壁表面粗糙度和孔出口处分层因子均呈现上升的趋势。在孔壁表面粗糙度的加工效果上,三尖钻>匕首钻>PCD麻花钻;在孔出口处分层因子的抑制效果上,匕首钻>PCD麻花钻>三尖钻;在纤维毛刺剪切效果上,三尖钻>PCD麻花钻>匕首钻。（3）研究了传感器特征提取与分析方法。从多个传感器信号中提取出了65个特征,并与切削速度、进给速度、孔壁表面粗糙度、出口处分层因子结合构建出了77维特征空间,利用核主成分分析法（KPCA）对其进行特征降维,以降低特征维度和冗余并弱化噪声带来的影响。利用皮尔逊相关系数证明了融合特征的有效性。（4）针对鲸鱼优化算法（Whale Optimization Algorithm,WOA）在收敛精度及速度上的缺陷,结合反向学习和自适应惯性权值得到改进后的鲸鱼优化算法（Amendatory Whale Optimization Algorithm,AWOA）。采用标准测试函数对其进行性能评估,结果表明AWOA算法具有更快的收敛速度和更优的收敛精度。（5）利用AWOA算法优化后的BP人工神经网络（AWOA-BP）刀具磨损状态预测模型对刀具的磨损状态进行预测分类,验证AWOA-BP模型的有效性,实验结果表明AWOA-BP模型比一些经典算法的预测精度更高,可以实现对CFRP钻削加工中刀具磨损状态的准确预测。
徐慧琳[5]（2021）在《考虑电动汽车的配电网有功负荷预测方法研究》文中进行了进一步梳理随着科学技术的进步和发展,电力系统负荷预测这一项工作愈发成为电力系统运行中的一项重要工作。短期负荷预测是电力系统负荷预测的重要组成部分,也是母线负荷预测的重点研究对象,对调度部门起着指导性的作用,调度部门可根据负荷预测的结果进行经济调度、机组最优组合,负荷预测精度越高越有利于提高发电设备的利用率和经济调度的有效性。然而高比例分布式电源如风电、光伏以及电动汽车等设备接入配电网造成负荷波动加大,使得负荷的变动更加具有随机性与不确定性,对短期负荷预测提出了新的挑战,仅对常规负荷进行预测已不能满足电力系统对负荷预测的精度要求,如何更有效地计及具有高比例分布式电源的情况下提高短期负荷预测的精度这一问题亟待解决,需要针对考虑分布式电源等具有强波动性的负荷进行负荷特性分析并对其进行预测。针对上述问题,本文采用人工智能算法,为解决当前高比例分布式电源接入配电网的问题,提出一种基于正交化最大信息系数与长短期记忆人工神经网络相结合的电动汽车负荷预测方法,以此来量化相关因素对电动汽车负荷预测的影响,从而对影响负荷的因素进行降维处理,确定最适宜的影响因素及其数量,并在此基础上引入权重趋势变量,并与改进前的方法进行对比以验证所提方法的有效性。在对电动汽车进行负荷预测的基础上,结合电动汽车及配电网的负荷特性,进行综合负荷预测。引入模糊C均值聚类与BP神经网络相结合的方法,由于电动汽车负荷敏感于季节特性,加之常规负荷也会受到季节因素的影响,所以在综合负荷中更加突出了季节的重要性,因此考虑负荷的季节特性对其进行划分,并与未划分季节情况下的预测结果进行对比验证,基于此在综合负荷中考虑电动汽车的峰谷特性,与未考虑电动汽车的峰谷特性的情况作对比,且基于不分四季且考虑电动汽车峰谷特性情况下使用FCM+BP模型以及FCM+SVR模型对综合负荷进行对比预测,仿真验证所提方法可降低综合负荷预测误差,提高精度。基于以上研究最后对电动汽车在综合负荷中所占比例不同的情况对负荷误差进行了分析与对比。
程奇云[6]（2021）在《蓄水坑灌氮肥管理方式对果园氮素分布利用及果树生长的影响》文中认为水肥的高效利用是农业生产可持续发展的重要内容,不同灌溉方式下水肥耦合作用会对水肥的利用规律及效率产生影响。随着蓄水坑灌技术的推广应用,探寻蓄水坑灌氮肥管方法下水氮分布规律,揭示蓄水坑灌下苹果树氮肥利用机理,对完善蓄水坑灌水肥管理制度具有重要意义。本研究的田间试验在山西农业大学果树研究所果树节水灌溉示范园进行,试验共设置8个试验处理,蓄水坑灌条件下以不同的施肥总量（300kg N/hm2、600kg N/hm2）和施肥时期（花后期、果实膨大期以及花后期和果实膨大期两次施肥）为变量,采用全面试验法设置6组试验组,同时,以蓄水坑灌未施肥和地面灌溉、低施肥量、两次施肥分别设置2组对照组。研究明确了土壤铵态氮、硝态氮的分布规律;分析了果树根系、冠层叶片、树干茎流、苹果产量品质以及不同尺度下苹果树水氮利用效率对水肥管理方法的响应;利用15N稳定同位素示踪技术,探明了土壤中肥料氮素的分布规律、不同年际下果树对肥料氮素的分配利用规律;建立了基于典型人工神经网络和粒子群算法改进人工神经网络的苹果树根系生长预测模型和叶片光合速率模型,并对不同算法下的模型进行对比研究。主要研究结论如下:（1）不同灌溉施肥方式下土壤矿质氮分布规律存在差异。相较于地面灌溉,蓄水坑灌有效促进了铵态氮和硝态氮累积于土壤中层（20-80cm）,减少了土壤表层（0-20cm）铵态氮和100-160cm土层硝态氮的积累,提高尿素的水解速度,减少水解时间。蓄水坑灌下,随着施氮量的增加,土壤剖面（0-160cm）的铵态氮平均值显着增加;而硝态氮平均值则随施氮量的增加先增大后减小,高施氮量并不能持续增加土壤硝态氮含量。施肥时期对土壤铵态氮和硝态氮的绝对含量存在显着影响,果实膨大期施肥显着增加了土壤中铵态氮和硝态氮的全生育期平均含量。与一次施肥相比,两次施肥增加了土壤铵态氮和硝态氮绝对含量。（2）灌溉施肥方式的改变会引起苹果树生理生长的变化。相较于地面灌溉,蓄水坑灌可以促进苹果树根系以及苹果树冠层、叶片的生长,同时蓄水坑灌条件下的茎流量日变化规律存在显着的出峰现象,且峰值较高。随着施肥总量的增加,除叶绿素外,根系和冠层、叶片各项指标,以及树干茎流值均呈现先增大后减小的规律,在本试验中,低施肥量（300kg N/hm2）为最适根系及冠层叶片生长的施肥量。不同施肥时期下,果树生长的侧重略有不同,相对于膨大期施肥,花后期施肥处理的冠层和叶片各指标数值,以及树干茎流量均较大,而根长密度增量（ΔRLD）和根表面积密度增量（ΔRSAD）较小。在保持施肥总量一致的情况下,两次施肥可以促使苹果树冠层和叶片各指标小幅增长,而根长密度、根表面积密度和树干茎流量则出现显着增长。（3）利用15N稳定同位素示踪技术研究不同年份肥料氮素在土壤、果树各器官中的分布利用规律。结果表明,蓄水坑灌可以有效促使肥料氮素深入土壤中层（40-100cm）,减少表层和深层肥料氮素的累积;不同施肥量条件下肥料氮素均主要集中于土壤中层（40-100cm）,而高施氮量条件下不同土层分布量的差异则相对较小;不同施肥时期条件下肥料氮素的分布规律类似,主要集中于土壤浅层（0-40cm）和中层（40-100cm）,而果实膨大期施肥条件下,土壤浅层（0-40cm）和中层（40-100cm）肥料氮素含量相对较高;不同施肥管理方式下,翌年肥料氮素的分布存在显着差异,整体而言,在高施肥量并采用两次施肥的施肥方式下肥料氮素在第二年残留最多,而低施肥量并采用两次施肥和低施肥量花后期施肥的方式下肥料氮素的残留最小。试验条件下,苹果树叶片和果实主要利用上一年的肥料氮素,而苹果树根系主要利用的肥料氮素与施肥时期和施肥量相关,生育初期施肥和低施肥量有利于根系对当年肥料氮素的吸收。叶片对当年肥料的吸收程度是逐月增大的,而对上一年肥料氮素的吸收程度则相反。苹果各器官间对当年肥料氮素的分配为:根系>果实>叶片;而对上年肥料氮素的分配则为:果实>根系>叶片。在全部处理中,两次施肥可以促使肥料氮素相对更平均的分配于各器官中。（4）明确了灌溉施肥管理方式对苹果树水肥利用效率的影响。在相同施肥条件下,蓄水坑灌显着提高了叶片瞬时水分利用效率、产量水平的水分利用效率和氮素农学利用效率;而低施肥量下,叶片瞬时水分利用效率和氮素农学利用效率较高。然而,施肥量的变化对产量水平的水分利用效率影响并不显着。相较于单次施肥,两次施肥的方式可以显着提高叶片瞬时水分利用效率、产量水平的水分利用效率和氮素农学利用效率。（5）建立了基于典型人工神经网络和粒子群算法改进的人工神经网络的苹果树根系生长预测模型和叶片光合速率模型,并对不同算法下的模型进行对比研究。研究发现,相对于典型人工神经网络模型（BP）,经过粒子群算法改进的人工神经网络模型（PSO-BP）可以有效提高模拟精度,降低模拟误差。在根系生长模型中,PSO-BP模型的平均绝对百分误差（MAPE）和均方根误差（RMSE）分别降低34%和22.51;在叶片光合速率模型中,PSO-BP模型的平均绝对百分误差（MAPE）和均方根误差（RMSE）分别降低1.6%和0.268。
吴光仡[7]（2021）在《风光储联合发电的微电网优化调度》文中提出近年来,我国持续推动低碳经济发展,风力发电和光伏发电迅速发展,风力和光伏发电成为可再生清洁能源主流,装机容量和发电量都稳步提升,但风力和太阳能的不稳定性使得风光发电的电能较差,风电光电并网时会出现弃风弃光情况发生,而抽水蓄能是最经济的储能技术,正好能弥补这一缺点。本文对风光储联合发电进行研究,构建风电场、光伏电站、抽水蓄能电站的模型,并综合考虑多目标的发电成本,最后得到最优的收益。本文运用改进的BP神经网络来进行风光功率的预测,并建立含有抽水蓄能机组的微电网优化调度模型。首先,对BP神经网络进行优化,进行对训练样本的优化选取,构建以预测数据为中心的预测模型,然后使用社会粒子群算法,对BP神经网络中的初始值进行优化处理。最后通过算例分析来证明了神经网络对于风光功率的预测有很好的效果。其次,因为风光功率在调度上存在较大的波动,所以结合抽水蓄能机组对风电功率的波动起到平抑作用,分别对风力发电、光伏发电、抽水蓄能系统进行建模并对模型进行分析,明确三者在微电网中的运行原理,提出抽水蓄能机组参与平抑风光功率波动的控制策略。通过微电网优化调度结果的比较,验证了控制策略的有效性。最后,在微电网中以发电成本最低为目标,计及多目标下的含风光蓄联合发电的微电网经济调度。主要优化的目标为环境污染成本最小、经济成本最小。进行了计及多目标的含抽水蓄能的微电网调度研究,最后通过算例分析,使用MATLAB软件对模型进行求解,验证了模型的有效性、算法的可行性。
李思源[8]（2021）在《基于BP神经网络的重力坝深层抗滑稳定分析》文中研究指明深层抗滑稳定分析是重力坝抗震计算中的一项重要内容,采用有限元方法进行深层抗滑稳定计算需要在计算模型中预先设置滑动面,当重力坝坝基深层存在多个缓倾角和软弱结构面时,不仅整个有限元模型建模和网格剖分将面对较大的困难,而且会面临局部单元质量降低的问题。本文提出了一种基于BP神经网络的重力坝深层抗滑稳定有限元分析方法。该方法无需在有限元计算模型中设置滑动面,结合BP神经网络算法根据坝基深层空间应力关系拟合滑动面应力,避免了复杂滑块的建模和网格剖分,具有良好的准确性和易用性;同时,本文比较了不同粘弹性人工边界条件对重力坝深层抗滑稳定计算结果的影响。本文主要研究内容如下:（1）根据BP神经网络基本理论推导了多层前馈和误差反向传播过程的计算公式,编制了BP神经网络拟合滑动面应力和预测抗滑稳定安全系数程序。程序根据无滑块有限元模型的坝基深层空间应力场,结合BP神经网络算法逼近坐标与应力的函数关系,即可拟合出滑动面任意位置处的应力值,从而预测滑动面的抗滑稳定安全系数。（2）分别建立了二维、三维重力坝无滑块和有滑块的有限元模型,在静力工况下应用BP神经网络方法预测无滑块模型的抗滑稳定安全系数,与传统预设滑动面模型的计算结果进行对比,验证了BP神经网络方法在静力工况下的预测精度。分析了BP神经网络程序中神经元个数和样本数据的质量对BP神经网络预测性能的影响,提出以神经网络性能参数衡量神经网络程序预测准确度,并验证了这一方法的可行性。（3）总结了粘弹性人工边界及等效荷载的常用公式,编制了二维和三维的粘弹性边界和地震动输入程序,比较了不同粘弹性人工边界条件在自由场算例和重力坝抗滑稳定分析问题中的影响。（4）应用BP神经网络方法在动力工况下进行了抗滑稳定计算,为了降低BP神经网络结果的随机性,对每个时刻的抗滑系数预测采取多次预测取均值作为该时刻的预测值,并对比了每个时刻的重复次数对预测结果稳定性和准确性的影响。
李俊双[9]（2021）在《基于深度学习的数据融合在空气质量监测的研究与应用》文中研究说明近年来,社会的工业化和现代化不断的发展,使得城市的规模不断扩大、人口量不断增多,这些使得工业废气和汽车尾气的排放量有所增加,带来了一系列的环境问题。正是由于环境和发展之间存在着不平衡,让城市的空气质量问题变得日益突出。空气质量问题不仅与人们的健康和生活息息相关,还会为社会的发展、经济、环境等带来影响,因此对空气的质量进行实时、全面的监测变得尤为重要。在空气质量监测中,难免会遇到监测的仪器损坏、站房搬迁等意外情况,造成监测数据的缺失。针对这种监测数据缺失的情况,本文基于深度学习的数据融合方法对缺失数据进行补充,并实现了一个空气质量监测系统。本文对深度学习的理论和数据融合的技术进行了深入的研究,为了提高数据的可参考性,在深度信念网络的基础上,提出了一种改进的深度信念网络来对多源数据进行融合,当监测数据有缺失时,对缺失数据进行补充。相比于使用传统的深度信念网络对多源数据进行融合的方法,能够提供更具参考性的数据,使得相关人员在空气质量等领域能够更深入的研究。为了更好、更全面的监测空气质量,结合了空气质量监测数据、气象监测数据和基于深度学习的数据融合方法,设计并实现了包含用户登录、实时空气质量、用户管理、时段监测、相关知识等模块的空气质量监测系统,通过对系统进行全面的测试和评估,本系统能为空气质量的有效监测提供一定的技术支持,具有一定的使用价值。
高华兴[10]（2021）在《南疆地区光伏功率预测及农业大棚负荷可时移的研究》文中指出光伏发电具有随机性、波动性和受天气影响等特点,棚内微电网自身容量有限且光伏输出功率波动大,微电网线电压受光伏输出随机性和负荷变化的影响,造成线电压波动大。本文提出一种光伏功率预测方法,根据预测结果研究大棚负荷可时移用电策略,提高光伏利用率,降低光伏随机性、波动性对棚内线电压的影响。具体研究内容如下:（1）对光伏发电影响因素进行分析。研究辐照强度、温度、风速、湿度等对光伏功率的影响,运用ELM激励函数的余弦非线性相关性度量方法,求出各影响因素与光伏功率输出的非线性相关系数。对原始数据进行归一化、缺值修补,根据K-means聚类方法将训练数据分为晴天、雨天、阴天三种相似日类型。（2）对BP（back propagation neural network,BP）、Elman、LSTM（Long Short-Term Memory,LSTM）3种预测模型进行网络结构分析及光伏功率预测仿真。仿真结果表明,以BP为代表的具有单隐含层网络结构的预测模型运算速度快、预测精度低;以Elman为代表的多隐含层预测模型预测精度较高、运算速度慢;以LSTM为代表的具有长时记忆能力的预测模型预测精度高、运算速度介于两者之间。（3）为提高光伏功率预测速度,本文研究了含有单隐含层且具有横向学习能力的宽度学习（BLS）预测模型,仿真结果表明,BLS在预测速度上显着提升;为提高光伏功率预测精度,在BLS网络上增加级联结构使其具有时间记忆能力,因此研究了一种深度级联宽度学习（DCBLS）光伏功率预测模型,仿真结果表明,DCBLS预测模型在运算速度与预测精度上效果最好。（4）根据光伏功率预测结果,提出一种农业大棚负荷可时移策略。首要对大棚微电网安全结构系统设计,之后根据负荷特性将其分为不同等级,制定负荷可时移策略。仿真结果表明,负荷时移后光伏利用率提高,棚内微电网电压波动减小。
二、一种改进的BP人工神经网络模型（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、一种改进的BP人工神经网络模型（论文提纲范文）
（2）基于神经网络胶印油墨配色的研究（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 研究内容及技术路线 |
| 2 计算机测配色的理论分析 |
| 2.1 色度学基本原理 |
| 2.1.1 色光加色法 |
| 2.1.2 色料减色法 |
| 2.2 CIE1976 L~*a~*b~*均匀颜色空间 |
| 2.3 色差 |
| 2.4 BP神经网络 |
| 2.4.1 人工神经元模型 |
| 2.4.2 BP神经网络 |
| 2.4.3 BP神经网络结构设计 |
| 2.5 PSO算法及改进 |
| 2.5.1 改进PSO算法 |
| 2.6 改进PSO算法优化BP神经网络 |
| 2.7 神经网络在油墨配色中可行性分析 |
| 3 油墨配色实验 |
| 3.1 实验软硬件设备 |
| 3.2 建立数据基色库 |
| 3.3 BP神经网络的配色模型 |
| 3.3.1 数据集的准备 |
| 3.3.2 色差的计算 |
| 3.3.3 隐含层数的设计 |
| 3.3.4 隐含层节点数的设计 |
| 3.4 粒子群优化BP神经网络配色模型 |
| 3.4.1 标准粒子群优化BP神经网络配色模型 |
| 3.4.2 改进粒子群优化BP神经网络配色模型 |
| 3.4.3 改进粒子群优化多层BP神经网络配色模型 |
| 3.5 分区域改进粒子群优化BP神经网络配色模型 |
| 3.5.1 三区域改进粒子群优化BP神经网络配色模型 |
| 3.5.2 多区域改进粒子群优化BP神经网络配色模型 |
| 3.6 配色结果分析与总结 |
| 4 神经网络油墨配色平台的应用 |
| 4.1 平台介绍 |
| 4.2 平台的使用展示 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 作者简介 |
（3）基于ABC-BP模型的煤层含气量地震属性预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 煤层气开发的研究现状 |
| 1.2.2 煤层含气量预测方法的研究现状 |
| 1.2.3 地震属性分析技术的研究现状 |
| 1.3 研究内容和技术路线 |
| 2 煤层气的地质与地球物理理论基础 |
| 2.1 煤层气形成条件及特征 |
| 2.2 煤层含气性的控制地质因素 |
| 2.3 煤层含气量地震预测理论基础 |
| 2.4 研究区基本地质与勘探情况 |
| 2.5 本章小节 |
| 3 地震属性的提取与优选 |
| 3.1 地震属性的分类及物理意义 |
| 3.1.1 地震属性的分类 |
| 3.1.2 地震属性参数的物理意义 |
| 3.2 叠前地震属性的提取 |
| 3.3 叠后地震属性的提取 |
| 3.4 地震属性的优选 |
| 3.5 本章小节 |
| 4 ABC-BP神经网络预测模型 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络的原理 |
| 4.1.2 BP神经网络分析 |
| 4.2 人工蜂群算法(ABC) |
| 4.3 ABC-BP神经网络模型构建与测试 |
| 4.4 预测结果与分析 |
| 4.5 本章小节 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（4）基于改进鲸鱼优化算法的CFRP钻削加工刀具磨损状态预测研究（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 CFRP钻削加工的国内外研究现状 |
| 1.2.1 CFRP钻削加工缺陷的研究 |
| 1.2.2 CFRP钻削加工动态特性的研究 |
| 1.2.3 CFRP制孔刀具的研究 |
| 1.3 刀具磨损状态预测的国内外研究现状 |
| 1.3.1 刀具磨损状态预测传感器及信号特征提取的研究 |
| 1.3.2 多特征融合技术的研究 |
| 1.3.3 刀具磨损状态预测传方法的研究 |
| 1.3.4 群体智能优化算法的研究 |
| 1.4 本文主要内容及结构安排 |
| 1.5 课题来源 |
| 第二章 CFRP钻削刀具磨损实验及数据处理方法 |
| 2.1 实验工件 |
| 2.2 实验刀具 |
| 2.3 实验设备 |
| 2.4 实验方案 |
| 2.4.1 CFRP钻削单因素磨损实验方案 |
| 2.4.2 垫板的选择 |
| 2.5 本章小结 |
| 第三章 刀具结构对磨损特性及钻孔质量的影响分析 |
| 3.1 CFRP钻削加工刀具的磨损机理 |
| 3.1.1 刀具的磨损形式 |
| 3.1.2 刀具的磨损机制 |
| 3.1.3 刀具的磨损过程 |
| 3.2 刀具磨损与切削参数的关系 |
| 3.2.1 刀具磨损与切削速度的关系 |
| 3.2.2 刀具磨损与进给速度的关系 |
| 3.3 刀具磨损与钻削动态特性的关系 |
| 3.3.1 刀具磨损与轴向力及振动幅值的关系 |
| 3.3.2 刀具类型与轴向力及振动幅值的关系 |
| 3.4 切削参数对加工温度的影响 |
| 3.5 钻削加工缺陷的分析 |
| 3.5.1 刀具结构及切削参数与孔出口处分层因子的关系 |
| 3.5.2 刀具磨损与孔出口处分层因子的关系 |
| 3.5.3 刀具结构与孔出口处毛刺的关系 |
| 3.6 孔壁粗糙度的分析 |
| 3.6.1 刀具结构及切削参数与孔壁粗糙度的关系 |
| 3.6.2 刀具磨损与孔壁粗糙度的关系 |
| 3.7 本章小结 |
| 第四章 钻削加工信号特征的提取和融合 |
| 4.1 时域特征 |
| 4.2 频域特征 |
| 4.3 小波域特征 |
| 4.3.1 小波基函数的选择 |
| 4.3.2 分解层数的选择 |
| 4.3.3 细节层信号的频率分布 |
| 4.4 特征向量 |
| 4.5 核主成分分析法 |
| 4.6 基于KPCA的多传感器特征融合效果分析 |
| 4.6.1 多传感器的特征融合 |
| 4.6.2 融合特征的验证及相关性分析 |
| 4.7 本章小结 |
| 第五章 基于改进鲸鱼优化算法的三尖钻磨损状态预测 |
| 5.1 鲸鱼优化算法及其改进 |
| 5.1.1 鲸鱼优化算法 |
| 5.1.2 改进的鲸鱼优化算法 |
| 5.2 算法的比较及结果分析 |
| 5.2.1 标准测试函数选择 |
| 5.2.2 各类算法的性能比较 |
| 5.2.3 平均收敛曲线 |
| 5.2.4 改进的鲸鱼优化算法中概率的选取 |
| 5.3 BP神经网络 |
| 5.3.1 BP神经网络的算法结构 |
| 5.3.2 BP神经网络的局限性 |
| 5.4 基于改进的鲸鱼优化算法和BP神经网络的预测方法 |
| 5.5 刀具磨损状态的预测 |
| 5.5.1 基于AWOA-BP的刀具磨损状态预测 |
| 5.5.2 与其它算法优化后BP神经网络的对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 I |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（5）考虑电动汽车的配电网有功负荷预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 短期负荷预测 |
| 1.2.2 电动汽车负荷预测 |
| 1.3 主要研究内容 |
| 第2章 负荷特性分析及数据处理 |
| 2.1 电动汽车负荷特性 |
| 2.2 电动汽车影响因素 |
| 2.3 综合负荷特性分析 |
| 2.4 数据的选取及预处理 |
| 2.4.1 补充缺失数据 |
| 2.4.2 修正异常数据 |
| 2.4.3 影响因素的量化 |
| 2.5 本章小结 |
| 第3章 电动汽车负荷预测 |
| 3.1 正交化最大信息系数 |
| 3.2 长短期记忆人工神经网络 |
| 3.2.1 LSTM神经网络原理 |
| 3.2.2 LSTM模型参数选择 |
| 3.2.3 LSTM训练步骤 |
| 3.3 基于OMIC和LSTM网络的电动汽车负荷预测模型 |
| 3.3.1 权重趋势变量的引入 |
| 3.3.2 电动汽车负荷预测模型建立 |
| 3.3.3 电动汽车负荷预测流程 |
| 3.4 实例分析 |
| 3.4.1 实验数据 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 第4章 配电网综合负荷预测 |
| 4.1 模糊C均值聚类 |
| 4.2 BP人工神经网络 |
| 4.2.1 神经网络结构 |
| 4.2.2 BP神经网络原理 |
| 4.3 支持向量回归机 |
| 4.4 基于FCM和BP网络的综合负荷预测模型 |
| 4.4.1 聚类簇数的确定 |
| 4.4.2 综合负荷预测模型建立 |
| 4.4.3 综合负荷预测流程 |
| 4.5 实例分析 |
| 4.5.1 实验数据 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）蓄水坑灌氮肥管理方式对果园氮素分布利用及果树生长的影响（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 氮肥管理方式研究 |
| 1.2.2 氮稳定同位素在氮分布研究中的应用 |
| 1.2.3 人工神经网络在作物生长预测方面的应用 |
| 1.2.4 蓄水坑灌水肥管理的研究进展 |
| 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 |
| 第二章 试验区概况与试验方案 |
| 2.1 试验区概况 |
| 2.2 试验设计方案 |
| 2.3 测量项目与方法 |
| 2.3.1 土壤矿质氮及含水率的测定 |
| 2.3.2 植物根系生长指标的测定 |
| 2.3.3 植物地上部分生理指标的测定 |
| 2.3.4 样品~(15)N同位素的测定 |
| 2.3.5 产量及品质的测定 |
| 2.4 试验数据处理与分析 |
| 第三章 水肥管理方式对土壤氮素分布的影响 |
| 3.1 灌溉方式对土壤氮素分布的影响 |
| 3.1.1 灌溉方式对土壤矿质氮分布的影响 |
| 3.1.2 灌溉方式对肥料氮素残留的影响 |
| 3.2 施肥总量对土壤氮素分布的影响 |
| 3.2.1 施肥总量对土壤矿质氮分布的影响 |
| 3.2.2 施肥总量对肥料氮素残留的影响 |
| 3.3 施肥时期对土壤氮素分布的影响 |
| 3.3.1 施肥时期对土壤矿质氮分布的影响 |
| 3.3.2 施肥时期对肥料氮素残留的影响 |
| 3.4 施肥次数对土壤氮素分布的影响 |
| 3.4.1 施肥次数对矿质氮分布的影响 |
| 3.4.2 施肥次数对肥料氮素残留的影响 |
| 3.5 施肥翌年肥料氮素在土壤中的残留 |
| 3.5.1 施肥翌年肥料氮素在土壤中的分布 |
| 3.5.2 施肥翌年土壤中肥料氮素随时间变化规律 |
| 3.6 讨论 |
| 3.7 本章小结 |
| 第四章 水肥管理方式对苹果树生长及产量的影响 |
| 4.1 水肥管理方式对苹果树根系生长的影响 |
| 4.1.1 灌溉方式对苹果树根系生长的影响 |
| 4.1.2 施肥总量对苹果树根系生长的影响 |
| 4.1.3 施肥时期及次数对苹果树根系生长的影响 |
| 4.2 水肥管理方式对苹果树冠层及叶片的影响 |
| 4.2.1 灌溉方式对苹果树冠层及叶片的影响 |
| 4.2.2 施肥总量对苹果树冠层及叶片的影响 |
| 4.2.3 施肥时期和次数对苹果树冠层及叶片的影响 |
| 4.3 水肥管理方式对苹果树茎流的影响 |
| 4.3.1 灌溉方式对苹果树茎流的影响 |
| 4.3.2 施肥量对苹果树茎流的影响 |
| 4.3.3 施肥时期和次数对苹果树茎流的影响 |
| 4.4 水肥管理方式对苹果产量品质的影响 |
| 4.4.1 水肥管理方式对苹果产量的影响 |
| 4.4.2 水肥管理方式对苹果品质的影响 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 氮肥分配及水氮利用效率研究 |
| 5.1 苹果树氮素对不同灌溉施肥管理方式的响应及其分配规律研究 |
| 5.1.1 苹果树叶片肥料氮素对灌溉施肥管理方式的响应 |
| 5.1.2 苹果树根系氮素对灌溉施肥管理方式的响应 |
| 5.1.3 果实氮素对灌溉施肥管理方式的响应 |
| 5.1.4 苹果树各器官间肥料氮素分配规律 |
| 5.2 蓄水坑灌下苹果树水氮利用效率分析 |
| 5.2.1 苹果树叶片瞬时水分利用效率分析 |
| 5.2.2 基于产量的水分利用效率分析 |
| 5.2.3 苹果树氮肥农学利用效率分析 |
| 5.3 讨论 |
| 5.3.1 作物肥料氮素的吸收分配策略 |
| 5.3.2 水氮施用对水氮利用效率的影响 |
| 5.4 本章小结 |
| 第六章 蓄水坑灌下苹果树生长预测模型研究 |
| 6.1 人工神经网络及粒子算法基础理论 |
| 6.1.1 人工神经网络 |
| 6.1.2 粒子群算法 |
| 6.2 数据预处理方法及模型设计 |
| 6.2.1 数据的预处理方法 |
| 6.2.2 模型结构设计 |
| 6.3 蓄水坑灌下苹果树根系生长预测模型 |
| 6.3.1 数据集的建立 |
| 6.3.2 参数的选取 |
| 6.3.3 模拟结果与分析 |
| 6.4 蓄水坑灌下苹果树叶片光合速率预测模型 |
| 6.4.1 数据集的建立 |
| 6.4.2 模型参数的选取 |
| 6.4.3 模型模拟结果 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）风光储联合发电的微电网优化调度（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电功率预测的研究 |
| 1.2.2 光伏功率预测的研究 |
| 1.2.3 风光储联合运行的微电网调度研究 |
| 1.3 主要研究内容 |
| 第2章 基于改进BP神经网络的风光功率预测模型研究 |
| 2.1 神经网络的简介 |
| 2.1.1 人工神经网络原理 |
| 2.1.2 人工神经网络的分类 |
| 2.1.3 人工神经网络的学习 |
| 2.2 BP神经网络的改进 |
| 2.2.1 建立以预测数据样本为中心的预测模型 |
| 2.2.2 改进的粒子群算法 |
| 2.3 BP神经网络在风光功率预测中的应用研究 |
| 2.3.1 BP神经网络风电功率出力预测模型建立 |
| 2.3.2 BP神经网络光伏功率出力预测模型的建立 |
| 2.3.3 基于BP神经网络风光功率预测建模流程 |
| 2.4 算例分析 |
| 2.5 本章小结 |
| 第3章 储能系统平抑风光功率波动的控制策略 |
| 3.1 抽水蓄能电站的工作原理 |
| 3.2 风光储输出联合运行模型 |
| 3.2.1 目标函数 |
| 3.2.2 约束条件 |
| 3.3 风光储联合调度策略 |
| 3.3.1 传统调度策略 |
| 3.3.2 改进控制策略 |
| 3.4 算例分析 |
| 3.4.1 算例参数 |
| 3.4.2 算例结果 |
| 3.5 本章小结 |
| 第4章 计及多目标下的风光储微电网经济调度 |
| 4.1 计及多目标的微电网联合调度模型的构建 |
| 4.1.1 目标函数 |
| 4.1.2 约束条件 |
| 4.2 算例分析 |
| 4.2.1 算例参数 |
| 4.2.2 算例结果 |
| 4.3 本章小结 |
| 第5章 结论 |
| 5.1 论文总结 |
| 5.2 进一步工作方向 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（8）基于BP神经网络的重力坝深层抗滑稳定分析（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 重力坝抗滑稳定的研究现状 |
| 1.2 神经网络发展历史及研究现状 |
| 1.3 粘弹性人工边界及地震动输入方式研究现状 |
| 1.4 主要研究内容 |
| 2 BP神经网络理论 |
| 2.1 BP神经网络基本理论 |
| 2.1.1 BP神经网络的结构 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.1.4 训练函数 |
| 2.1.5 样本数据划分 |
| 2.1.6 学习率 |
| 2.2 BP神经网络算法原理 |
| 2.2.1 神经网络模型建立 |
| 2.2.2 多层前馈 |
| 2.2.3 误差反向传播 |
| 2.3 BP神经网络的特点 |
| 2.4 本章小结 |
| 3 基于BP神经网络的重力坝抗滑稳定分析方法 |
| 3.1 基于BP神经网络拟合滑动面应力的抗滑计算方法 |
| 3.1.1 有限元前处理建模和计算 |
| 3.1.2 构建BP神经网络拟合应力模型 |
| 3.1.3 局部坐标系的应力转换 |
| 3.1.4 深层抗滑稳定分析计算方法 |
| 3.2 基于BP神经网络的二维抗滑稳定算例 |
| 3.2.1 工程概况 |
| 3.2.2 有限元法抗滑稳定计算 |
| 3.2.3 BP神经网络抗滑稳定算例 |
| 3.3 本章小结 |
| 4 粘弹性人工边界及等效荷载 |
| 4.1 粘弹性人工边界及地震动等效荷载常用实现方法 |
| 4.1.1 粘弹性人工边界 |
| 4.1.2 地震动输入等效荷载 |
| 4.2 自由场波动输入问题算例 |
| 4.2.1 二维粘弹性人工边界自由场算例 |
| 4.2.2 三维粘弹性人工边界自由场算例 |
| 4.3 本章小结 |
| 5 静动工况下的三维重力坝深层抗滑稳定分析 |
| 5.1 工程概况 |
| 5.2 基于BP神经网络的静力抗滑稳定计算及参数调优 |
| 5.2.1 有限元滑动面模型的抗滑稳定计算 |
| 5.2.2 BP神经网络抗滑稳定计算及分析 |
| 5.2.3 BP神经网络拟合应力模型的影响因素 |
| 5.3 动力工况重力坝深层抗滑稳定分析 |
| 5.3.1 有限元抗滑稳定安全系数时程计算 |
| 5.3.2 BP神经网络抗滑稳定安全系数时程计算 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间参与科研项目情况 |
| 致谢 |
（9）基于深度学习的数据融合在空气质量监测的研究与应用（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 国内外研究现状 |
| 1.2.1 数据融合的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关理论与技术研究 |
| 2.1 相关理论研究 |
| 2.1.1 大气中需要监测的污染物 |
| 2.1.2 空气质量指数以及等级划分 |
| 2.1.3 气象条件对主要污染物的影响 |
| 2.1.4 深度学习的理论研究 |
| 2.2 相关技术研究 |
| 2.2.1 数据融合 |
| 2.2.2 Spring |
| 2.2.3 Spring MVC |
| 2.2.4 React |
| 2.3 本章小结 |
| 第3章 关键技术与算法研究 |
| 3.1 人工神经网络 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络的训练过程 |
| 3.2.3 BP神经网络存在的不足 |
| 3.3 深度信念网络 |
| 3.3.1 受限玻尔兹曼机 |
| 3.3.2 深度信念网络结构 |
| 3.4 改进的深度信念网络 |
| 3.4.1 LM算法 |
| 3.4.2 改进的深度信念网络结构 |
| 3.4.3 实验过程 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 空气质量监测系统的设计与实现 |
| 4.1 系统需求分析 |
| 4.1.1 功能性需求分析 |
| 4.1.2 非功能性需求分析 |
| 4.2 系统总体架构设计 |
| 4.3 系统功能设计 |
| 4.4 数据库设计 |
| 4.4.1 数据库选取 |
| 4.4.2 数据库设计原则 |
| 4.4.3 数据库表设计 |
| 4.5 系统实现 |
| 4.5.1 系统环境与开发平台 |
| 4.5.2 用户登录模块 |
| 4.5.3 实时空气质量模块 |
| 4.5.4 时段监测模块 |
| 4.5.5 用户管理模块 |
| 4.5.6 相关知识模块 |
| 4.6 本章小结 |
| 第5章 系统测试 |
| 5.1 系统测试环境 |
| 5.1.1 硬件测试环境 |
| 5.1.2 软件测试环境 |
| 5.2 系统功能性测试 |
| 5.3 系统非功能性测试 |
| 5.4 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 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（10）南疆地区光伏功率预测及农业大棚负荷可时移的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 光伏发电在农业大棚中的应用 |
| 1.2.2 光伏发电功率预测方法分类 |
| 1.2.3 国内外光伏功率预测方法研究现状 |
| 1.3 研究内容 |
| 第2章 光伏发电功率影响因素分析 |
| 2.1 自身结构影响 |
| 2.2 非自身影响因素分析 |
| 2.2.1 辐照强度对光伏功率的影响 |
| 2.2.2 温度对光伏功率的影响 |
| 2.2.3 风速对光伏功率的影响 |
| 2.2.4 湿度对光伏功率的影响 |
| 2.3 非线性相关性度量 |
| 2.4 本章小结 |
| 第3章 基于人工神经网络短期光伏功率预测 |
| 3.1 预测模型 |
| 3.2 光伏数据预处理 |
| 3.2.1 数据归一化 |
| 3.2.2 缺失值补充 |
| 3.2.3 K-means聚类 |
| 3.3 BP预测模型及仿真分析 |
| 3.4 Elman预测模型及仿真分析 |
| 3.5 LSTM预测模型及仿真分析 |
| 3.6 预测模型结构分析 |
| 3.7 本章小结 |
| 第4章 DCBLS预测模型 |
| 4.1 随机向量函数连接网络 |
| 4.2 BLS预测模型 |
| 4.3 BLS预测模型算例仿真 |
| 4.4 DCBLS预测模型 |
| 4.4.1 级联网络 |
| 4.4.2 DCBLS网络结构分析 |
| 4.4.3 DCBLS预测模型算例仿真 |
| 4.5 预测模型对比 |
| 4.6 本章小结 |
| 第5章 光伏大棚负荷可时移研究 |
| 5.1 孤岛运行大棚微电网架构 |
| 5.2 负荷分级策略 |
| 5.2.1 负荷特性分析 |
| 5.2.2 负荷分级 |
| 5.3 大棚微电网功率平衡策略 |
| 5.3.1 大棚微电网正常运行策略 |
| 5.3.2 大棚微电网紧急处理策略 |
| 5.4 负荷可时移策略 |
| 5.5 负荷时移算例仿真分析 |
| 5.5.1 时移后电量消纳水平对比 |
| 5.5.2 负荷时移前后微电网电压 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、一种改进的BP人工神经网络模型（论文参考文献）
- [1]深基坑支护方案评价与优选研究[D]. 朱明. 中国矿业大学, 2021
- [2]基于神经网络胶印油墨配色的研究[D]. 邓晓刚. 西安理工大学, 2021(01)
- [3]基于ABC-BP模型的煤层含气量地震属性预测方法研究[D]. 臧子婧. 安徽理工大学, 2021(01)
- [4]基于改进鲸鱼优化算法的CFRP钻削加工刀具磨损状态预测研究[D]. 祝国强. 广西大学, 2021
- [5]考虑电动汽车的配电网有功负荷预测方法研究[D]. 徐慧琳. 华北电力大学(北京), 2021(01)
- [6]蓄水坑灌氮肥管理方式对果园氮素分布利用及果树生长的影响[D]. 程奇云. 太原理工大学, 2021
- [7]风光储联合发电的微电网优化调度[D]. 吴光仡. 长春工业大学, 2021(08)
- [8]基于BP神经网络的重力坝深层抗滑稳定分析[D]. 李思源. 大连理工大学, 2021(01)
- [9]基于深度学习的数据融合在空气质量监测的研究与应用[D]. 李俊双. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [10]南疆地区光伏功率预测及农业大棚负荷可时移的研究[D]. 高华兴. 塔里木大学, 2021(08)
标签：神经网络模型论文; 预测模型论文; 负荷预测论文; python神经网络论文; 负荷曲线论文;