一、单纯形上的Stancu多项式与最佳多项式逼近（论文文献综述）
邓琪,高建军,葛冬冬,何斯迈,江波,李晓澄,王子卓,杨超林,叶荫宇[1]（2020）在《现代优化理论与应用》文中研究说明过去数十年间,现代运筹学,特别是优化理论、方法和应用有了长足的发展.本文就运筹与优化多个领域的一些背景知识、前沿进展和相关技术做了尽可能详尽的概述,涵盖了线性规划、非线性规划、在线优化、机器学习、组合优化、整数优化、机制设计、库存管理和收益管理等领域.本文的主要目标并非百科全书式的综述,而是着重介绍运筹学某些领域的主流方法、研究框架和前沿进展,特别强调了近期一些比较重要和有趣的发现,从而激发科研工作者在这些领域进行新的研究.
刘艳玲[2]（2020）在《α-Bernstein算子若干逼近性质的研究》文中进行了进一步梳理Stancu型算子是函数逼近论的一个重要研究方向。本文以二元α-BernsteinStancu算子为对象,研究了该算子及其GBS算子的若干逼近性质。全文共五章,具体内容如下:第一章,综述Stancu型算子及α-Bernstein算子的研究历史与现状,提出本文的研究内容和研究思路;第二章,给出α-Bernstein算子的定义及其相关逼近定理,并将其推广到二元情形,研究了二元α-Bernstein算子及其GBS算子的逼近性质;第三章,研究α-Bernstein算子的Stancu型推广,得到α-Bernstein-Stancu算子。利用光滑模得到矩的递归关系和收敛速度,并给出该算子的Voronovskaya型和Grüss-Voronovskaya型渐近结果;第四章,研究α-Bernstein-Stancu算子的二元情形,给出Voronoskaya型定理,并结合混合光滑模、二元函数的Lipschitz类、K-泛函,介绍了二元算子的若干逼近性质。此外,构造了二元α-Bernstein-Stancu算子的GBS算子,研究了其B连续函数和B可微函数的逼近;第五章,总结全文,展望下一步的研究工作。
黄晓地[3]（2020）在《面向序列数据异常模式挖掘的集体离群点检测方法研究》文中研究表明序列数据是指一系列按先后顺序依次采集且顺序之间有特定意义,在分析过程中不可相互颠倒的数据。随着大数据时代的全面来临,互联网、物联网以及计算智能技术得到飞速发展,各类互联传感设备采集和交换的数据量级呈爆炸式增长。序列数据作为最常见的信息采集形式之一,广泛存在于各种业务流程中。例如,机器工作时产生的振动信号,城市交通系统中各类交通媒介的流量,股票市场的价格行情以及临床医学监测的人体生物波等。这些数据尽管在属性、结构以及相互关系上存在显着差异,但均属于具备序列特征的流式数据。作为业务流程的主要信息输出方式,其序列特征的背后往往隐含着系统的特定规律和潜在特性。如何通过分析序列数据,重构所观测系统的动力学行为,挖掘具有管理价值的业务模式,从而对系统进行预测和调控是当前大数据时代迫切需要解决的问题。序列数据的分析研究是一个新兴的交叉学科领域,集成了数据库、概率统计、机器学习、人工智能等多种成熟的理论和工具。针对序列数据显着的时序性、关联性以及高维性等特征,以模式挖掘为主的分析方法近年来十分活跃。根据应用需求,模式挖掘研究可以分为频繁模式挖掘和异常模式挖掘。尽管一般性研究中侧重于发现频繁出现的周期变换模式,但是在某些特定应用场景下,异常业务模式的发现往往具有更大的价值。基于异常模式挖掘分析序列数据的重难点在于面向不同应用领域的挖掘方法不具备普适性,需要针对数据类型和具体任务设计相应的挖掘方法。因此,本文首先基于数据的属性类别将序列数据划分为时间序列数据和空间序列数据;其次,立足于实际应用背景,根据两类序列数据的特征和异常模式挖掘的目标构建相匹配的集体离群点度量规则,将异常模式挖掘问题转换为集体离群点检测问题;最后,设计有针对性的集体离群点检测原理和算法框架,提高异常模式在各类序列数据上的挖掘效率。论文的主要研究工作如下:1.对于具有预标注信息的异常模式挖掘问题,若待测数据具备充足的正常样本标签信息,则异常模式挖掘目标在于从时间序列数据中挖掘与正常模式相似度差异最大的数据模式。对此,本文提出一种基于数据分布拟合识别异常模式特征的集体离群点检测方法。模型中采用多元混合高斯分布拟合序列数据中的集体离群点分布函数,根据最大似然法构建样本数据与待测数据分布特征的相似度度量方法,并设计一种基于不动点迭代的似然方程求解方法。若待测数据具备充足的异常样本标签信息,则异常模式挖掘的目标在于从时间序列数据中挖掘与异常模式相似度差异最小的数据模式。对此,本文提出一种基于层次聚类算法匹配异常模式特征的集体离群点检测方法。模型中首先依据不同的异常度量规则进行分层聚类,再过对比同层聚类簇以及对比上下层聚类簇的簇内信息构建样本数据与待测数据的相似度度量方法,并设计一种基于不动点迭代的改进聚类算法FPKmedoids（Fixed point k-medoids）,通过并行处理各聚类簇提高收敛效率。2.对于不具备充足样本标签的异常模式挖掘问题,既无法确定各种模式的边界,也没有清晰的异常模式判断标准。异常模式挖掘的目标在于从时间序列数据中划分出不同模式对应的数据边界,再通过模式间的特征对比识别异常模式。对此,本文提出一种基于模式间转换概率度量异常模式特征的集体离群点检测方法。模型中首先以蚁群算法拟合序列数据中各类业务模式对应的数据边界,其次以各模式对应的信息素浓度构建模式间的转换概率度量,并设计一种基于不动点单纯形法优化初始参数的连续蚁群算法。3.对于空间同质序列数据中异常模式挖掘问题,具有不同空间属性的序列数据用于描述相似的行为属性且这些行为属性旨在表述相同的目标,因此同质序列数据大多由相似的机理生成,具备相似的数据分布和结构。异常模式挖掘的主要思路在于先融合多源序列数据以消除空间属性影响,再按照处理时间序列数据的方式分析融合后的数据。对此,本文以融合多类交通数据预测城市中实时出现的异常交通状态为例,提出一种基于同质序列数据在不同分辨率下融合分析的集体离群点检测方法。模型中首先从交通检测点的单类交通数据,交通检测点的多类交通数据,以及交通枢纽点的交通数据三种分辨率对城市交通信息进行聚类分析,其次通过与整体数据变化趋势进行对比构建表征异常模式的集体离群点度量方法,并设计一种基于“距离-密度-权重”的DDWK-medoids聚类改进算法自适应确定最佳聚类簇数和初始中心点等初始参数。4.对于空间异质序列数据中异常模式挖掘问题,具有不同空间属性的序列数据用于描述同一目标的不同行为属性,但这些行为属性是相互关联的,因此异质序列数据大多源于不同生成机理,在数据类别、结构和分布等方面不尽相同。异常模式挖掘的主要思路在于根据异质序列数据之间的关联关系,对多源序列数据的分析结果进行融合,再根据融合结果挖掘异常模式。对此,本文设计了一种基于自适应权重加权融合异质序列数据的集体离群点检测方法。模型首先以多窗口技术和相关性分析技术确定关联关系,再通过双层粒子群框架自适应确定各类异质序列数据对结果以及相互之间的影响权重,将基于权重融合后与预期显着异常的数据序列识别为表征异常模式的集体离群点。在算法框架中,本文设计了一种基于不动点单纯形法的改进粒子群算法FP-PSO（Fixed point based Particle swarm optimization）,以不动点单纯形法在解空间内搜索到的近似不动点集作为初始种群并据此设置其余参数。
苏海亮[4]（2020）在《不确定条件下可靠性方法研究及其在汽车结构设计中的应用》文中提出随着工业技术发展、结构日趋复杂化,汽车结构可靠性与安全性问题,在工程结构设计中越来越占有重要地位。由于实际工程结构承载的环境极其恶劣,各种不确定性普遍存在于设计参数中,使得结构频繁出现故障,引起灾难性事故,良好的可靠性设计能够避免这些事故的发生,保障结构设计应有的性能特征。结构可靠性分析及优化设计是基于不确定变量下以结构可靠性作为目标函数或约束条件,求解最优设计变量的方法。该方法比传统的结构设计方法能够获得更好的结构特性与经济效益,具有重要研究价值与工程意义。高昂的仿真计算成本使得精确且有效的可靠性分析与设计优化成为迫切需要解决的问题,特别对存在多维变量且非线性的情况下,进行可靠性研究仍然存在效率与精度上的不足。本文对结构可靠性分析及其优化设计方法以及拓扑优化进行了系统研究,提出了基于数据驱动的汽车可靠性设计流程框架、基于改进下山单纯形算法插值响应面算法的结构系统概率可靠性分析模型、基于局部有效性约束下的近似模型可靠性优化设计方法、基于Chebyshev多项式的非概率可靠性拓扑优化模型、基于概率-非概率混合变量的可靠性优化设计模型在汽车结构中的应用。主要研究内容及结论如下:1)针对汽车结构被动安全系统缺乏可靠性设计问题,提出了基于数据驱动的汽车结构参数不确定性可靠性优化设计流程。基于当前结构系统可靠性理论知识,分析了不确定性概率模型、非概率模型的基本理论,梳理了随机性、区间性运算基本规则。为了结合汽车实际工程应用,给出了可靠度分析方法、可靠性优化设计方法以及结合有限元运算的代理模型可靠性优化设计算法,并通过描述总结了当前可靠性分析及优化设计存在的缺陷,引入了汽车结构考虑不确定性的分析方法与优化设计流程,并对所提的设计流程进行了深入探讨与分析,为实际工程提供一种可靠性设计流程框架。2)提出了结合自适应移动实验点策略和响应面法（RSM）的混合方法,使用下山单纯形算法描述一种新的响应面法用于高效地评估结构可靠度。由于计算效率较高,响应面法已被广泛用于结构可靠性分析中。然而,由初始实验点组成的响应面函数很少能够完全适合极限状态函数,从而导致了不正确的设计点。对于高度非线性的极限状态函数,由于可靠性失效概率的近似精度主要取决于设计点,致使传统RSM评估可靠性出现误差。基于效率与精度之间的平衡问题,本文提出了改进策略。其原理主要是通过改变基本下山单纯形算法的搜索策略,并将改进的下山单纯形算法所具有的直接搜索优势与响应面可靠性分析机制相结合,重建了RSM近似模型。通过实例分析表明,对于修改的RSM全局优化算法具有良好的收敛能力与高计算精度。3)针对近似模型在结构可靠性优化设计中存在精度问题,提出了基于代理模型的局部有效约束可靠性优化设计方法。代理模型方法由于低成本的计算过程已广泛用于考虑不确定条件下的结构可靠性优化设计中,该方法的主要局限性在于难以量化由代理模型近似引起的误差,导致可靠性评估的优化结果不准确。通过分析输出响应存在不确定性的根源问题,以提升工程中不确定性性能为目标,识别重要性区域与可行性区域,引入局部高效性思想,用以解决可靠性优化设计问题。为了提高算法的效率,在搜索迭代过程引入约束有效性,避免概率约束出现无效时在设计优化进程中重复调用。最终以汽车实例论证表明,所提方法能够有效的解决工程应用问题。4)针对结构拓扑优化设计变量存在的不确定性,基于多椭球凸模型的非概率可靠性量化结构参数的变化,提出了存在不确定但有界的参数连续体结构拓扑优化设计方法。考虑材料特性以及载荷大小均为不确定性条件下,应用区间Chebyshev零点多项式逼近归一化随机变量的真实极限状态函数,并利用单环可靠性算法计算相应目标可靠性指标下的最佳设计点值,从而使得非概率可靠性优化问题可以转化为确定性优化问题。算例优化结果表明,与确定性的结构拓扑优化设计比较,考虑变量具有随机性的可靠性拓扑优化能够获得更加可靠的拓扑结构。5)针对汽车结构碰撞安全系统的轻量化设计问题,提出了基于考虑随机-非概率混合变量条件下的汽车碰撞安全-轻量化可靠性优化设计方法。不确定性参数普遍存在于汽车结构设计中,汽车结构的碰撞安全性、可靠性是汽车安全设计的重要环节之一,因此,考虑不确定性的结构设计是汽车性能设计研究的必然性。当变量存在部分可知分布特征与部分不完全可知信息时,此时有必要考虑混合变量模式的不确定性模型。通过Chebyshev采样分布,引入均匀性采样优化样本点。在对高度非线性的汽车碰撞进行仿真模型分析基础上,以车身重要零部件为研究对象进行轻量化设计,获取可靠性约束下碰撞安全性能良好的优化设计方案。最终结果表明,优化后的关键零部件总质量减轻了13.44%,并且可靠性约束也满足了给定的可靠度指标,实现了碰撞安全可靠性与结构轻量化均衡设计。
吕珊珊[5]（2019）在《一类多维变量密度的Bernstein多项式混合模型估计》文中提出在对于密度函数估计方法的基础上,这篇文章主要研究了利用单纯形上定义的多维Bernstein多项式来对多维密度函数进行估计的问题.与以往的多维密度估计的研究不同,本文研究的多维密度估计是建立在单纯形的区域内的,各个变量间具有一定的约束条件.受到一维情况时Bernstein多项式估计模型的启发,采用多维Bernstein多项式的混合模型来估计未知的多维密度,可以得到很好的结果.本文主要针对二维的情况进行说明,用EM迭代算法计算得到最大似然意义下的最优的二维Bernstein混合模型.利用在密度函数下采得的样本进行拟合,可以看出当阶数m增加时,该混合模型的最大似然函数值,它的改变量逐渐减少.与此同时,可看出估计值与真实数据之间的均方误差是开始先减小然后增大的.再通过变点的方法可以找到二维Bernstein多项式混合模型所对应的最优阶数.结合拟合仿真,可以观察出这种模型的拟合效果是不错的.在单纯形上二维Bernstein多项式渐进展开的基础上,证明了混合模型渐进的效果.并且在大数定律和中心极限定理的基础上,说明了大样本下该混合模型的收敛情况.
李永进[6]（2018）在《智能航空发动机性能优化控制技术研究》文中进行了进一步梳理论文围绕智能航空发动机性能优化控制进行了研究,针对其中的关键技术:推进系统一体化模型、机载推进系统自适应模型、稳态性能寻优控制、加速优化控制以及性能恢复控制进行了深入研究。论文的主要贡献及创新点如下:首先,建立并完善了包含进气道与涡扇发动机在内的推进系统一体化模型,该模型能够准确反映进气道和尾喷管内外流特性、风扇和压气机的变导叶特性、涡轮叶尖间隙变化特性。在涡轮叶尖间隙的计算中,由于热传导方程中常用的半无限平面法不符合使用条件,提出了一种通过热传导方程提取外表面微分方程的方法,对衬环、叶片的外表面温度进行预测,提高了计算精度。为验证进气道放气调节的可行性,对进气道放气过程进行了二维流场模拟仿真。通过仿真实验验证了推进系统一体化模型的准确性。其次,开展了机载推进系统自适应模型研究。在机载推进系统稳态模型方面,提出了一种新的相似准则,对基点样本数据进行了更有效压缩,提高了相似换算后的模型输出参数精度;对机载推进系统模型中的简化发动机模型部分,提出一种泰勒展开余项建模修正的方法,将二阶余项加入线性模型展开式中,得出含二阶余项的推进系统矩阵;利用无约束优化算法对推进系统矩阵进行优化,进一步提高了其精度。在机载推进系统动态模型方面,提出一种修正动态系数的平衡流形方法,通过预先构建系数多项式,并在各样本点进行优化,得到全局优化的系数多项式,解决了常规动态系数线性插值精度偏低的问题。在机载自适应模型参数估计方面,提出一种联邦卡尔曼分布式滤波方法,相比传统的集中式卡尔曼滤波方法具有更高的计算效率。再次,进行了稳态性能寻优控制研究。建立最大推力、最小耗油率和最低涡轮前温度三种性能寻优模式;提出了一种人工蜂群优化算法,该方法具备微分进化算法的双种群进化策略、满足柯西分布的随机数以及更灵活的邻域定义,使算法更易跳出局部最优解,最终搜索到最优解,并将其应用于发动机稳态性能寻优控制中。仿真结果表明,该方法能够在发动机满足约束的情况下,相比常规方法能得到更优的性能。然后,开展了加速优化控制研究。以高压转速及涡轮前温度为目标函数,通过罚函数转为无约束加速优化问题,提出一种求解复杂度低、收敛快速的无约束响应面算法,该方法具有实时性高、全局搜索能力强等优点;针对用于加速优化的实时模型建立问题,提出了张量积-单纯形B样条建模方法,具有建模精度高且算法复杂度与样本量无关,仅与B样条系数有关的优点。针对张量积-单纯形B样条模型维数难以进一步增加的难题,提出了最小批量梯度下降法神经网络,该方法能够对发动机大包线、变状态、多变量的大样本数据建模。数字仿真验证了上述方法的有效性。最后,提出了一种全包线推力估计器设计方法:首先对输入参数基于留一法及稀疏编码器进行优选,再基于泰勒原理合理压缩采样样本,最后基于稀疏自动编码器建立推力估计器并进行集成学习,该方法可提高推力估计精度及泛化性能。设计了基于线性自抗扰控制器的内环传统控制器及外环推力控制器。该双环结构充分利用了传统控制本身的优点,外环控制属于慢时间常数环节,对推力估计器实时性要求更低,有助于工程实现。设计了一种性能退化恢复控制律,可以估计出部件性能变化引起的推力性能退化,并能够进行快速有效恢复。仿真验证了所设计方法的可行性。
李冀[7]（2017）在《基于机器学习和智能优化算法的压力传感器补偿技术研究》文中研究指明微机电系统（MicroElectroMechanicalSystem,MEMS）拥有功耗低、灵敏度高、体积小、制造标准化程度高以及性价比高等突出优势,基于MEMS制造工艺的压阻式压力传感器被广泛应用于汽车、航空、石油石化及消费电子的压力测量环节。伴随社会工业化水平的不断发展,对相应工业过程的压力测量性能也日趋严格。环境温度和静压压力作为全面影响高精度MEMS压力传感器整体测量特性的两个关键因素,已然成为压阻式压力传感器在高精度测量领域更进一步的瓶颈。针对上述问题,本文以半导体材料的压阻效应和MEMS制造工艺为基础,以绝压压力传感器、差压压力传感器为研究对象,通过结合包括支持向量回归机（Support Vector Regression,SVR）、最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）与核极限学习机（Kernel Extreme Learning Machine,KELM）在内的机器学习模型以及包括自适应变异粒子群优化（Adaptive Mutation Particle Swarm Optimization,AMPSO）、混沌离子运动算法（Chaotic Ions Motion Algorithm,CIMA）和耦合模拟退火-单纯形搜索（Coupled Simulated Annealing-Simplex,CSA-Simplex）在内的智能算法为手段,对环境温度变化和静压压力影响导致的非线性输出特性、静压输出误差等关键问题展开研究。论文主要研究内容如下:（1）分析了温度漂移现象成因,表明传感器的输出非线性不仅是基于半导体材料压阻系数对温度变化的本质响应也同时受到制造工艺过程中许多其他因素的干扰。比较现有的硬件补偿方法和软件补偿方法,分析各种方法存在的优势和缺陷。（2）针对250kPa压阻式差压压力传感器的温度补偿问题,提出基于改进的AdaBoost.RT集成自适应变异粒子群优化支持向量回归机（Adaptive Muatation Particle Swarm Optimization Optimized Support Vector Regression,AMPSO-SVR）的方法。考虑温度对输出特性的非线性影响,温度补偿问题可以抽象为非线性函数的回归问题。支持向量回归机的结构风险最小化框架保证了良好的模型非线性逼近能力和泛化能力。由于模型参数选择对于支持向量回归机的性能起到至关重要的作用,引入经典的智能优化算法——粒子群优化作为优化选参的策略。局限于传统粒子群算法存在的早熟问题和有限的寻优能力,结合Levy飞行阶段性调整粒子群运动轨迹避免早熟现象。为加速粒子群算法的收敛过程,在初始化种群阶段利用相对基初始化令种群在寻优空间中均匀分布等价于最大程度获取参数空间的结构信息。以精简标定过程为目的设计并完成了动态温度标定实验,结合实验数据与布谷鸟搜索优化支持向量回归机（Cukoo Search Optimized Support Vector Regression,CS-SVR）、飞蛾算法优化支持向量回归机（Firefly Algorithm Optimized Support Vector Regression,FA-SVR）、混合蛙跳算法优化支持向量回归机（Shuffled Leap Frog Algorithm Optimized Support Vector Regression,SLFA-SVR）、粒子群优化支持向量回归机（Particle Swarm Optimization Optimized Support Vector Regression,PSO-SVR）、结合Levy飞行粒子群优化支持向量回归机（Particle Swarm Optimization with Levy Flight Optimized Particle Swarm Optimization Optimized Support Vector Regression,Levy-PSO-SVR）以及自适应变异粒子群优化支持向量回归机（Adaptive Muatation article Swarm Optimization Optimized Support Vector Regression,AMPSO-SVR）的补偿算法相比较,结果表明所提出的自适应变异粒子群优化算法对支持向量回归机的优化程度强于其他优化方法。进一步比较BP神经网络、RBF神经网络、AMPSO-SVR模型与以AMPSO-SVR为基学习机的改进AdaBoost.RT集成模型,结果显示所提出的温度补偿方法在减少标定工作量的基础上获得了更为满意的补偿性能且更易于工程实现。（3）针对40kPa压阻式差压压力传感器的温度补偿问题,提出混沌离子运动优化最小二乘支持向量机的补偿方案。最小二乘支持向量机将支持向量回归机中的二次优化问题转化为线性方程组,其中的正则化理论获得了建模能力与模型复杂度之间的平衡。分析了不同核函数对模型逼近能力的影响,构造了混合核函数。介绍了离子运动优化算法,引入混沌映射保证混沌离子运动算法中搜索过程的遍历性和随机性,提出了混沌离子运动算法选取混合核参数。结合静态标定实验数据,从静态划分和随机划分两种不同的训练集生成角度,与只含RBF核函数的支持向量机（RBF-SVM）、改进的粒子群优化支持向量机（Improved Particle Swarm Optimization Optimized Support Vector Machine,IPSO-RBF-SVM）、改进的粒子群算法优化最小二乘支持向量机（Improved Particle Swarm Optimization Optimized Least Square Support Vector Machine,IPSO-RJBF-LSSVM）以及考虑混合核函数的改进的粒子群算法优化最小二乘支持向量机（Improved Particle Swarm Optimization Optimized Least Square Support Vector Machine,IPSO-Hybird-LSSVM）、离子运动算法优化最小二乘支持向量机（Ions Motion Algorithm Optimized Least Square Support Vector Machine,IMA-Hybrid-LSSVM）和混沌离子运动算法优化最小二乘支持向量机（Chaotic Ions Motion Algorithm Optimized Least Square Support Vector Machine,CIMA-Hybrid-LSSVM）进行对比,仿真结果表明基于LSSVM的温度补偿方案相比SVM拥有计算效率高的优势,混合核函数相比单一 RBF核函数具有更好的模型泛化能力,CIMA优化算法具有良好的全局寻优能力。（4）针对数据量较大的情形提出一种新的量子粒子群最小二乘支持向量机稀疏化（Quatum Particle Swarm Optimization Sparsed Least Squares Support Vector Machine,QPSO-sparsed-LSSVM）策略。量子粒子群优化算法不仅能够以较大概率搜索到与当前稀疏化模型对应的最优模型特征参数,也避免了经典稀疏化算法顺序停止准则可能造成的早期停止效应。量子粒子群优化算法对1MPa绝压压力传感器的补偿效果都优于未稀疏化的最小二乘支持向量机和经典稀疏化最小二乘支持向量机。（5）提出耦合模拟退火结合单纯形搜索优化核极限学习机（Coupled Simulated Annealing and Simplex Optimized Kernel Extreme Learning Machine,CSA-simplex-KELM）框架以解决考虑静压和环境温度综合影响的差压压力传感器的补偿问题。利用极限学习机（Extreme Learning Machine,ELM）拥有令人满意的建模速度并将正则化方法和核方法纳入其中可迅速获得泛化性能良好的预测模型。对核极限学习机（KLEM）的参数寻优策略由耦合模拟退火算法（CSA）与单纯形搜索（simplex）组合的两阶段搜索构成,先由CSA算法在参数空间中获取局部最优或可能的全局最优位置,进而用单纯形搜索完成更小范围的局部精细搜索。结合实验数据与误差反传神经网络（Back Propagation Neural Network,BP）、径向基神经网络（RadialBasisFunctionNeuralNetwork,RBF）、粒子群优化支持向量机（Particle Swarm Optimization Optimized Support Vector Machine,PSO-SVM）、粒子群优化优化最小二乘支持向量机（Particle Swarm Optimization Optimized Least Square Support Vector Machine,PSO-LSSVM）、极限学习机（Extreme Learning Machine,ELM）相比,在温度补偿问题和综合补偿问题上有了显着的精度提升,对压力传感器的测量特性具备较强的学习能力。本文将理论分析、智能优化算法、机器学习理论与试验研究相结合,提出了改善有关MEMS硅压阻式压力传感器温度漂移问题和静压误差问题的关键方法与技术,对多样化压力测量领域的研究方法和深化学科发展具有重要的理论意义和应用价值。
夏晟[8]（2013）在《散乱数据逼近方法研究》文中进行了进一步梳理本学位论文针对球面散乱数据,提出新模型和新方法为目的,将插值和拟插值工具作为主要研究内容.在研究的模型和方法等方面,本文就散乱数据的若干逼近方法做了以下工作:第2章,鉴于球面径向基函数（SBFs）和球面多项式均为处理球面散乱数据逼近的有效工具,我们考虑了由球面径向基函数与球面多项式函数组成的混合插值模型,并利用最小二乘法求解该模型.对于该插值模型,我们首先给出了带Bessel势Sobolev空间中的Bernstein不等式,然后利用该不等式建立逼近正定理,并进一步给出了该插值工具的误差估计.最后,研究了该插值方式（即利用最小二乘法求解混合插值模型）的稳定性.第3章,我们将单纯形上的多元Bernstein多项式推广到节点为散乱点的情形上,并将其看成采样算子.对随机和确定的两种情形进行深入的探讨:一方面给出了Chebyshev型误差估计;另一方面,结合一致分布和偏差理论,讨论了该算子的逼近阶以及Lp上的收敛性.第4章,基于多元样条函数,构造了一类散乱中心点上的离散拟插值算子,并且利用换位子的阶数来讨论对多项式的再生性,最后给出了带网格范数的逼近阶.第5章,借助球面上广义Fix-strang条件以及球面径向基函数,构造了球面散乱数据上的径向拟插值算子,并且利用球面求积公式等手段,学习该算子对不同函数的逼近能力.
岑咏华[9]（2010）在《面向领域中文文本信息的潜在语义分析研究》文中提出随着计算机和网络技术的不断发展,以自然语言为特征的领域文本信息不断喷涌,这些文本信息是进行科学研究、企业竞争情报研究的宝贵知识源泉,如何处理和利用这些文本型数据至关重要。中文文本信息在这些年亦是飞速增长。然而较之于那些通过空格分隔语义单元的语种信息来说,中文文本信息缺乏在计算机化信息处理方面的天然便利,处理工作困难重重。这其中首先要解决的问题是如何对中文文本信息进行预处理,以正确地识别和理解中文文本信息中的语义单元（即词语单元）,包括如何进行语义单元的自动切分（即分词）,如何对切分的歧义进行有效消解,如何智能化地识别和提取文本中所包含的新的命名实体、概念、术语等。正是因为这些问题的存在,传统中文文本信息处理对文本中所包含的内容特征的识别和理解能力不足。再者,现有文本信息处理的研究与应用主要基于“文档词语映射”来建立信息组织模型,例如将文档表示成词语的向量。词语间的独立性假设在这些模型中广泛使用。尽管这个假设使得信息组织、检索和处理模型的设计变得简单,但语言中词语间的严格独立性显然不成立。更具体地,自然语言中存在某些内在的、潜在的语义结构,这种语义结构支配着词语的使用、出现和文档的构成。文档的语义是由词语组成的,而词语又要放到文档中去理解,其中存在着一种“词语-文档”双重概率关系。文档可被视为以词语为维度的空间中的点,一个包含语义的文档出现在这种空间中,其分布绝对不是随机的,而是服从某种语义结构;词语也可视为以文档为维度的空间中的点,一个词语出现在某个文档中也同其它出现在该文档中的词语有密切的关系,其分布同样服从某种语义结构。然而,因为自然语言中词语使用的不一致性以及文档主题的不确定性等因素的存在,支配自然语言中词语使用和文档构成的语义结构在一定程度上被“噪音”所干扰和掩藏。传统信息处理方式忽略了这种语义结构的存在,因而无法更有效地形成对文档、词语等知识单元的正确表示。更为理想的信息处理方式是考虑文本信息中所包含的语义单元（特征词语）之间的语义关系,在此基础上实现对文档、概念本身、作者、机构等知识单元的语义表示和信息处理。这里特征词语之间的语义关联,可以是形式化的关联,如包含、隶属、等同、同义、反义等,抑或是本体（Ontology）意义上的概念的属性、函数、公理、实例等语义特征,还可以是超乎这种形式化、很难准确定性却又客观存在的潜在关联。而不管是哪一种,都是智能化领域文本信息处理应该去揭示的。进一步地,传统文本信息处理的高维稀疏文档表示模型也为大规模特定领域的文本信息检索、聚类、分类、相似测度等典型应用工作的效率、准确率和召回率都提出了严重的挑战。为解决上述问题,本论文试图研究一套全流程、自动化的机制（包括理论模型和方法体系）来解决传统面向领域的文本信息处理和文本挖掘的语义缺失问题。具体的,论文的主要研究工作包括以下几个部分:1)中文领域文本粗分词与词性标注主要研究了面向中文领域文本信息深度处理和潜在语义分析的粗分词与词性标注等预处理的方法:（1）首先基于对中科院计算所ICTCLAS分词系统的词典结构和最短路径算法的改进,研究并实现一种有效的中文粗分词系统;（2）在此基础上,基于隐性马尔科夫模型,针对粗分词结果进行词性标注,并根据各种不同粗分词结果的词性标注概率优选最佳词语切分方案。2)中文领域术语的边界标注与识别提取分析面向中文文本信息处理的领域术语界定、识别和提取方面的实际需求和特征,在比较众多模型（如隐性马尔科夫模型、最大熵模型、条件随机场模型等）的基础上,研究和探索了一套基于条件随机场模型的领域概念识别和提取方案,根据领域概念的位置特征、语法特征（主要为词性特征）、独立成词概率概率、语境概率特征、领域语言规则特征等选定模型所需的条件特征集合,构造各特征的势函数,确定各特征的权重,设计模型的算法,实现了基于条件随机场模型的领域中文术语识别和提取系统。3)面向潜在语义分析的术语权重模型研究主要研究了两个方面的问题:（1）基于术语区域分类的领域术语甄选:在领域文本信息预处理的基础上,借助于若干对比领域语料,测度术语的领域相关性、领域间一致性、领域内部一致性和术语新奇性,进而将术语划分到通用词语、领域一般术语、主题术语、新奇术语等四个术语区域中,基于分类思想对具有特定领域意义的术语进行甄选。（2）术语文档权重模型研究:在领域术语甄选的基础,研究一种包括术语局部权重、术语全局权重,文档全局权重及归一除数等四个部分的术语综合权重方案,测度术语在不同文档中的权重进而对文档予以正确表示,构建术语文档权重矩阵,为面向领域文本信息处理的潜在语义分析或主题加权采样提供支撑。4)基于矩阵分解的潜在语义分析研究主要研究了以下几种基于矩阵分解的潜在语义分析方法:（1）基于矩阵分解的潜在语义分析的基本方法:包括基于奇异值分解（SVD）的LSA的基本思想、等价特征值问题、Lanczos迭代算法及其理论解释;基于半离散分解（SDD）的LSA的基本思想,整数规划原理以及实现SDD的迭代方法。（2）基于Σ调整的潜在语义分析方法——μ-SVD/SDD方法:作为本课题的创新研究之一,提出并研究一种基于Σ调整的潜在语义分析方法——μ-SVD/SDD方法,通过有监督的机器学习方法,获取SVD/SDD分解结果中对角矩阵Σ的分配调整向量,以改进传统基于SVD/SDD方法将Σ的对角元素作为潜在维度的重要性时对对角元素向量进行同指数分配的思想缺陷和精度不足问题。（3）基于稀疏约束的非负矩阵分解（NMF）方法:作为本课题的探索性研究之一,本部分在对NMF的基本思想、损失函数、乘性迭代规则等基本问题的研究基础上,考虑领域文本信息处理对于矩阵分解结果的稀疏性要求,研究了稀疏约束下的NMF分解算法。5)基于主题模型的潜在语义分析研究作为本论文的主要创新点之一,本部分将在对概率潜在语义分析模型、潜在狄利克雷分配模型、相关主题模型、弹珠机分配模型、基于中式餐厅处理分布的层次主题模型等的原理、模型学习、瓶颈问题的理论分析以及对潜在狄利克雷分配模型、相关主题模型、弹珠机分配模型等应用于潜在语义分析的实验分析基础上,提出并研究一种基于加权采样的层次主题模型（WS-HTM）的理论框架,以解决已有主题模型在采样和学习效率、主题层次路径、精度等方面的不足。6)潜在语义分析在领域中文文本信息处理的应用研究对基于潜在语义分析的领域文本信息处理的典型应用问题进行了方法设计,包括:设计了面向潜在语义分析的大规模稀疏矩阵的文件存储和内存装载机制;重点研究了基于压缩编码过滤和语义倒排的领域文本信息检索方法;阐述了基于潜在语义分析的领域知识单元关联挖掘的基本方案;研究了一种基于二分k-Means的高效领域文本信息聚类方法,分析了潜在语义（主题）维度与聚类意义上的类目之间的等价性问题;研究了基于潜在语义分析的领域文本信息可视化的途径并重点就基于力导算法的领域知识单元网络化语义关联自适应可视化进行了方法设计。论文在进行理论和方法研究的同时,通过实验和对比,对论文所研究理论和方法进行了实证分析,相关实验分析结果表明,论文在领域中文文本信息处理的每一个流程上所研究的方法和理论较之于传统的方法,具有一定的科学性和实践可参考性。
丁春梅[10]（2009）在《多元Stancu多项式的强逆不等式》文中研究表明对于单纯形上的多元Stancu多项式（它是多元Bernstein多项式的广义形式）,定义一适当的K-泛函并以此作为度量尺度估计该多项式的逼近阶.特别地,给出该多项式逼近连续函数的强型逆向不等式.
二、单纯形上的Stancu多项式与最佳多项式逼近（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、单纯形上的Stancu多项式与最佳多项式逼近（论文提纲范文）
（2）α-Bernstein算子若干逼近性质的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 关于函数逼近论的简介 |
| 1.2 Stancu型算子及相关研究 |
| 1.3 α-Bernstein算子及相关研究 |
| 1.4 本文主要内容与相关记号 |
| 第二章 α-Bernstein算子 |
| 2.1 α-Bernstein算子的定义 |
| 2.2 α-Bernstein算子的逼近性质 |
| 2.3 二元α-Bernstein算子 |
| 2.4 二元α-Bernstein算子的GBS算子 |
| 第三章 α-Bernstein-Stancu算子 |
| 3.1 Bernstein-Stancu算子 |
| 3.2 α-Bernstein-Stancu算子定义 |
| 3.3 α-Bernstein-Stancu算子的逼近性质 |
| 第四章 二元α-Bernstein-Stancu算子 |
| 4.1 二元α-Bernstein-Stancu算子定义 |
| 4.2 二元α-Bernstein-Stancu算子逼近 |
| 4.2.1 Voronoskaya型定理 |
| 4.2.2 基于K-泛函的二元逼近 |
| 4.2.3 Lipschitz连续函数的二元逼近 |
| 4.3 二元α-Bernstein-Stancu算子的GBS算子 |
| 4.3.1 二元α-Bernstein-Stancu算子的GBS算子定义 |
| 4.3.2 B连续函数及B可微函数GBS算子逼近 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）面向序列数据异常模式挖掘的集体离群点检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 序列数据分析方法研究现状 |
| 1.2.1 序列数据分析方法 |
| 1.2.2 面向序列数据的异常模式挖掘研究 |
| 1.2.3 面向序列数据异常模式挖掘的集体离群点检测技术 |
| 1.2.4 研究评述 |
| 1.3 研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.3.3 章节结构 |
| 第二章 理论基础 |
| 2.1 序列数据 |
| 2.2 离群点 |
| 2.2.1 点离群点 |
| 2.2.2 情境离群点 |
| 2.2.3 集体离群点 |
| 2.3 不动点理论 |
| 2.3.1 不动点定义和定理 |
| 2.3.2 不动点方程 |
| 2.3.3 不动点迭代法 |
| 2.3.4 不动点单纯形法 |
| 2.4 本章小结 |
| 第三章 面向预标注异常模式挖掘的集体离群点检测方法 |
| 3.1 引言 |
| 3.2 基于数据分布拟合的预标注异常模式挖掘方法 |
| 3.2.1 集体离群点检测模型 |
| 3.2.2 算法框架 |
| 3.2.3 实例测试 |
| 3.3 基于层次聚类的预标注异常模式挖掘方法 |
| 3.3.1 集体离群点检测模型 |
| 3.3.2 算法框架 |
| 3.3.3 实例测试 |
| 3.4 本章小结 |
| 第四章 面向未知异常模式挖掘的集体离群点检测方法 |
| 4.1 引言 |
| 4.2 基于模式转换概率的异常模式挖掘方法 |
| 4.2.1 问题描述 |
| 4.2.2 基于集体离群点度量的异常驾驶模式检测模型 |
| 4.3 算法框架 |
| 4.3.1 横摆角速度 |
| 4.3.2 基于信息素浓度的集体离群点检测算法 |
| 4.3.3 基于不动点单纯形法改进的蚁群算法 |
| 4.4 实例测试 |
| 4.4.1 测试数据 |
| 4.4.2 实验过程与分析 |
| 4.5 本章小结 |
| 第五章 面向同质序列数据异常模式挖掘的集体离群点检测方法 |
| 5.1 引言 |
| 5.2 基于交通数据多分辨率融合的异常模式挖掘方法 |
| 5.2.1 相关概念定义 |
| 5.2.2 基于集体离群点的异常交通状态度量 |
| 5.2.3 集体离群点检测模型 |
| 5.3 算法框架 |
| 5.3.1 单类交通数据拟合 |
| 5.3.2 检测点交通数据变化趋势拟合 |
| 5.3.3 枢纽点交通数据变化趋势拟合 |
| 5.3.4 异常交通状态预测规则 |
| 5.4 实例测试 |
| 5.4.1 检测过程的可视化示例 |
| 5.4.2 实验测试结果 |
| 5.5 本章小结 |
| 第六章 面向异质序列数据异常模式挖掘的集体离群点检测方法 |
| 6.1 引言 |
| 6.2 面向多参数系统中异质序列数据的异常模式挖掘方法 |
| 6.2.1 基于集体离群点度量的系统异常状态 |
| 6.2.2 检测模型 |
| 6.3 算法框架 |
| 6.3.1 窗口技术 |
| 6.3.2 相关性分析技术 |
| 6.3.3 双层粒子群算法 |
| 6.4 实例测试 |
| 6.4.1 实验数据 |
| 6.4.2 实验结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（4）不确定条件下可靠性方法研究及其在汽车结构设计中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 随机理论与概率可靠性研究现状 |
| 1.3 非概率可靠性理论发展与研究现状 |
| 1.4 考虑不确定性的结构可靠性优化设计 |
| 1.4.1 不确定性的结构分析与优化技术 |
| 1.4.2 可靠性与近似模型耦合应用 |
| 1.4.3 汽车结构可靠性分析与优化 |
| 1.5 本文的研究目标和主要研究内容 |
| 第二章 基于汽车结构参数不确定性的开发流程研究 |
| 2.1 引言 |
| 2.2 极限状态函数定义 |
| 2.3 工程设计基本理论分析 |
| 2.3.1 随机模型理论分析 |
| 2.3.2 非正态随机变量的当量正态化 |
| 2.3.3 拉丁超立方抽样 |
| 2.3.4 非概率模型理论分析 |
| 2.3.5 可靠性优化设计模型与方法 |
| 2.4 汽车结构可靠性优化设计开发流程框架 |
| 2.4.1 基于数据驱动模式的汽车可靠性设计流程 |
| 2.4.2 汽车结构“数据-性能”可靠性优化模型 |
| 2.4.3 基于“数据-仿真”的高效代理模型可靠性方法研究 |
| 2.5 本章小结 |
| 第三章 高效代理模型在结构可靠性分析中应用 |
| 3.1 引言 |
| 3.2 响应面法应用于可靠性分析 |
| 3.2.1 响应面法可靠性分析原理 |
| 3.2.2 实验设计对响应面法的影响 |
| 3.3 下山单纯形算法 |
| 3.4 基于DSA的改进响应面方法 |
| 3.4.1 初始迭代选取实验点 |
| 3.4.2 修改的DSA插值响应面法 |
| 3.4.3 分析流程与步骤 |
| 3.5 算例分析与应用 |
| 3.5.1 算例分析一 |
| 3.5.2 非线性数学模型算例分析 |
| 3.5.3 桁架结构可靠性分析 |
| 3.6 本章小结 |
| 第四章 基于近似模型的结构可靠性优化设计方法研究 |
| 4.1 引言 |
| 4.2 结构可靠性优化设计方法 |
| 4.2.1 序列单循环方法 |
| 4.2.2 双循环方法 |
| 4.3 近似模型在可靠性优化设计中的应用 |
| 4.3.1 响应面法在可靠性优化设计中的应用 |
| 4.3.2 移动最小二乘法原理(MLSM) |
| 4.4 局部约束有效性可靠性优化设计 |
| 4.4.1 局部加密策略 |
| 4.4.2 概率约束有效性 |
| 4.4.3 优化方法流程与步骤 |
| 4.5 算例分析 |
| 4.5.1 数值算例一 |
| 4.5.2 数值算例二 |
| 4.6 汽车可靠性优化设计分析 |
| 4.7 本章小结 |
| 第五章 区间变量的连续体结构拓扑优化设计 |
| 5.1 引言 |
| 5.2 非概率理论模型 |
| 5.2.1 区间模型 |
| 5.2.2 椭球凸集模型 |
| 5.3 拓扑优化设计理论 |
| 5.3.1 均匀化方法 |
| 5.3.2 变密度法 |
| 5.4 Chebyshev多项式模型 |
| 5.5 非概率可靠性拓扑优化设计 |
| 5.5.1 确定性拓扑优化 |
| 5.5.2 非概率可靠性拓扑优化设计 |
| 5.5.3 基于Chebyshev多项式的可靠性拓扑优化 |
| 5.5.4 拓扑优化的求解方法 |
| 5.6 算例分析 |
| 5.6.1 L形结构的设计 |
| 5.6.2 三维框架模型分析 |
| 5.7 本章小结 |
| 第六章 基于混合变量下的汽车碰撞不确定性优化设计 |
| 6.1 引言 |
| 6.2 不确定性结构优化模型 |
| 6.3 初始样本点的构建方法 |
| 6.4 汽车结构40%偏置碰撞不确定性优化设计 |
| 6.4.1 汽车可靠性研究概述 |
| 6.4.2 汽车结构有限元模型与实验验证分析 |
| 6.4.3 车辆耐撞性不确定性优化设计 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）一类多维变量密度的Bernstein多项式混合模型估计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究问题的背景 |
| 1.2 研究问题的现状 |
| 1.3 本文研究的内容 |
| 第2章 预备知识 |
| 2.1 相关概念及引理 |
| 2.2 本章小结 |
| 第3章 Bernstein多项式混合模型 |
| 3.1 多维Bernstein多项式混合模型 |
| 3.2 二维Bernstein多项式混合模型 |
| 3.3 二维Bernstein多项式混合模型的近似结果 |
| 3.4 本章小结 |
| 第4章 拟合与仿真 |
| 4.1 抽样方法 |
| 4.2 最优阶数 |
| 4.3 拟合仿真与模拟图 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（6）智能航空发动机性能优化控制技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 术语缩略词 |
| 注释表 |
| 第一章 绪论 |
| 1.1 研究的背景、意义及必要性 |
| 1.2 航空发动机建模技术 |
| 1.2.1 推进系统一体化模型建模技术 |
| 1.2.2 智能发动机机载自适应模型建模技术 |
| 1.3 智能发动机性能寻优控制技术 |
| 1.4 智能发动机加速优化控制技术 |
| 1.5 智能发动机性能退化恢复控制 |
| 1.6 论文内容安排 |
| 第二章 推进系统一体化模型研究 |
| 2.1 引言 |
| 2.2 推进系统模型一体化建模 |
| 2.2.1 进气道及尾喷管内外流模型 |
| 2.2.2 进气道二维流场模型 |
| 2.2.3 风扇、压气机导叶角可调模型 |
| 2.2.4 燃烧室热惯性模型 |
| 2.2.5 涡轮叶尖间隙计算模型 |
| 2.3 仿真 |
| 2.3.1 进气道放气调节仿真 |
| 2.3.2 可变导叶角调节仿真 |
| 2.3.3 高压涡轮叶尖间隙调节仿真 |
| 2.4 本章小结 |
| 第三章 智能航空发动机机载自适应模型研究 |
| 3.1 引言 |
| 3.2 基于一种新的相似准则及考虑非线性余项的机载推进系统建模 |
| 3.2.1 推进系统相似准则的改进 |
| 3.2.2 简化进气道模型及安装推力的计算 |
| 3.2.3 常规简化发动机模型的建立 |
| 3.2.4 简化发动机模型的改进 |
| 3.2.5 机载推进系统稳态模型的建立 |
| 3.2.6 机载推进系统稳态模型数字仿真 |
| 3.3 基于平衡流形的机载推进系统动态模型建模 |
| 3.4 机载卡尔曼滤波器设计 |
| 3.5 机载自适应模型仿真验证 |
| 3.6 本章小结 |
| 第四章 智能发动机稳态性能寻优控制研究 |
| 4.1 引言 |
| 4.2 发动机性能寻优控制原理及算法 |
| 4.2.1 优化原理 |
| 4.2.2 人工蜂群算法 |
| 4.3 发动机性能寻优控制的数字仿真验证 |
| 4.3.1 最大推力控制模式 |
| 4.3.2 最小油耗模式 |
| 4.3.3 最低涡轮温度控制模式 |
| 4.4 本章小结 |
| 第五章 智能发动机加速过程优化控制研究 |
| 5.1 引言 |
| 5.2 发动机加速优化控制原理及算法 |
| 5.2.1 优化原理 |
| 5.2.2 响应面算法 |
| 5.3 基于张量积-单纯形B样条的航空发动机机载动态模型研究 |
| 5.3.1 张量积-单纯形B样条多维算法 |
| 5.3.2 张量积-单纯形B样条仿真验证 |
| 5.4 基于MGD NN的航空发动机机载动态模型研究 |
| 5.4.1 MGD NN神经网络算法 |
| 5.4.2 MGD NN动态模型仿真 |
| 5.5 加速仿真 |
| 5.6 本章小结 |
| 第六章 智能发动机性能退化恢复控制研究 |
| 6.1 引言 |
| 6.2 推力性能退化恢复控制方法 |
| 6.3 LADRC控制器设计 |
| 6.3.1 线性扩展状态观测器(LESO) |
| 6.3.2 误差反馈 |
| 6.4 推力估计器设计 |
| 6.4.1 推力估计器输入参数优选及本体结构 |
| 6.4.2 特征采样数据量的压缩 |
| 6.4.3 推力估计器集成学习 |
| 6.5 数值仿真 |
| 6.5.1 集成推力估计器精度对比验证 |
| 6.5.2 推力退化性能恢复控制验证 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 本文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的研究成果及发表的学术论文 |
（7）基于机器学习和智能优化算法的压力传感器补偿技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文研究背景及意义 |
| 1.2 课题来源 |
| 1.3 压阻效应和压阻式压力传感器的MEMS制造工艺 |
| 1.4 温度漂移与其补偿方法研究现状 |
| 1.4.1 温度漂移 |
| 1.4.2 温度漂移硬件补偿方法 |
| 1.4.3 温度漂移软件补偿方法 |
| 1.5 静压影响 |
| 1.6 机器学习和智能优化算法背景 |
| 1.6.1 机器学习概述 |
| 1.6.2 智能优化算法概述 |
| 1.7 主要研究内容 |
| 1.8 论文结构安排 |
| 第二章 基于改进AdaBoost.RT的压力传感器的温度补偿研究 |
| 2.1 引言 |
| 2.2 支持向量回归机 |
| 2.2.1 经验风险最小化原则与结构风险最小化原则 |
| 2.2.2 凸二次规划及其对偶问题 |
| 2.2.3 核技巧 |
| 2.2.4 表示定理及其泛化能力 |
| 2.2.5 交叉验证 |
| 2.3 自适应变异粒子群优化算法 |
| 2.3.1 粒子群优化算法 |
| 2.3.2 相对基学习 |
| 2.3.3 Levy飞行 |
| 2.3.4 自适应变异粒子群算法 |
| 2.4 改进的AdaBoost.RT集成回归算法 |
| 2.4.1 AdaBoost.RT |
| 2.4.2 改进的AdaBoost.RT |
| 2.5 基于改进的AdaBoost.RT集成的AMPSO-SVR温度补偿模型 |
| 2.6 标定实验 |
| 2.6.1 静态标定 |
| 2.6.2 动态标定 |
| 2.7 温度补偿建模与结果分析 |
| 2.7.1 比较算法及其参数设置 |
| 2.7.2 各优化算法优化SVR模型的补偿结果性能分析 |
| 2.7.3 改进的AdaBoost.RT集成AMPSO-SVR的补偿结果分析 |
| 2.8 本章小结 |
| 第三章 基于混沌离子运动算法优化混合核最小二乘支持向量机的压力传感器的温度补偿方法研究 |
| 3.1 引言 |
| 3.2 最小二乘支持向量机 |
| 3.3 混合核函数 |
| 3.4 快速留一交叉验证 |
| 3.5 混沌离子运动算法 |
| 3.5.1 离子运动算法 |
| 3.5.2 混沌系统 |
| 3.6 混沌离子运动算法优化混合核LSSVM |
| 3.7 标定实验与结果分析 |
| 3.7.1 标定实验 |
| 3.7.2 CIMA-LSSVM温度补偿 |
| 3.8 本章小结 |
| 第四章 基于量子粒子群稀疏化最小二乘支持向量机的压力传感器的温度补偿研究 |
| 4.1 引言 |
| 4.2 量子粒子群算法 |
| 4.3 QPSO稀疏化LSSVM |
| 4.4 QPSO稀疏化LSSVM的压力传感器温度补偿 |
| 4.4.1 标定实验 |
| 4.4.2 温度补偿结果 |
| 4.5 本章小结 |
| 第五章 基于耦合模拟退火和单纯形搜索优化核极限学习机的压力传感器的温度补偿和综合补偿研究 |
| 5.1 引言 |
| 5.2 极限学习机 |
| 5.3 核极限学习机 |
| 5.4 耦合模拟退火算法和单纯形搜索 |
| 5.4.1 耦合模拟退火算法 |
| 5.4.2 单纯形搜索 |
| 5.5 基于耦合模拟退火算法和单纯形搜索优化的核极限学习机 |
| 5.6 差压压力传感器的温度补偿和综合补偿 |
| 5.6.1 数据标定 |
| 5.6.2 补偿结果及分析 |
| 5.7 本章小结 |
| 工作总结与研究展望 |
| 工作总结 |
| 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
| 附录 考虑静压影响的差压压力传感器标定数据 |
（8）散乱数据逼近方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 散乱数据逼近方法的研究背景与意义 |
| 1.2 记号与相关概念 |
| 1.3 本文的主要工作 |
| 2 球面混合插值的逼近性质 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.3 核和框架 |
| 2.4 Bernstein不等式 |
| 2.5 误差估计 |
| 2.6 稳定性分析 |
| 2.7 小结 |
| 3 基于随机采样散乱数据的多元Bernstein多项式 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.3 Chebyshev型误差估计 |
| 3.4 逼近阶 |
| 3.5 Lp上的收敛性 |
| 3.6 小结 |
| 4 散乱点的样条拟插值 |
| 4.1 引言 |
| 4.2 再生性 |
| 4.3 逼近阶 |
| 5 球面上的散乱拟插值 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.3 球面求积公式 |
| 5.4 误差估计 |
| 6 总结和展望 |
| 参考文献 |
| 作者简历 |
（9）面向领域中文文本信息的潜在语义分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究问题的引出 |
| 1.2 研究意义和目标 |
| 1.3 论文研究框架与内容 |
| 第2章 国内外研究现状综述 |
| 2.1 中文文本信息处理 |
| 2.2 中文词语切分预处理 |
| 2.3 中文领域术语的识别与提取 |
| 2.3.1 基于语言规则的术语识别与提取 |
| 2.3.2 基于统计的术语识别与提取 |
| 2.3.3 基于机器学习的术语识别与提取 |
| 2.3.4 中文领域术语识别与提取方法总结 |
| 2.4 形式化规范语义知识库构建 |
| 2.5 潜在语义或主题结构挖掘 |
| 2.5.1 基于词语共现的浅层语义分析 |
| 2.5.2 基于矩阵分解的潜在语义分析 |
| 2.5.3 基于主题模型的潜在语义分析 |
| 2.6 总结 |
| 第3章 领域中文文本粗分词与词性标注 |
| 3.1 基于多重哈希和改进最短路径算法的中文粗分词方案 |
| 3.1.1 多重哈希结构词典设计 |
| 3.1.2 全切分与全切分有向图构建 |
| 3.1.3 基于全切分有向图的改进K-最短路径搜索 |
| 3.1.4 系统实验与结果分析 |
| 3.2 基于隐马尔科夫模型的粗切分语义单元的词性标注 |
| 3.2.1 隐马尔科夫模型概述 |
| 3.2.2 基于隐马尔科夫模型的词性标注系统的总体框架 |
| 3.2.3 模型参数训练 |
| 3.2.4 词性标注 |
| 3.3 本章小结 |
| 第4章 中文领域术语的边界标注与识别提取 |
| 4.1 条件随机场(CRF)模型原理 |
| 4.1.1 基本思想 |
| 4.1.2 特征选择 |
| 4.1.3 模型训练 |
| 4.2 基于条件随机场的中文领域术语识别与提取 |
| 4.2.1 系统总体框架设计 |
| 4.2.2 预处理与原始特征赋值 |
| 4.2.3 特征函数设计与获取 |
| 4.2.4 模型参数估计 |
| 4.2.5 模型应用——术语边界标注 |
| 4.3 实验设计与结果分析 |
| 4.3.1 训练用语料选择 |
| 4.3.2 测试用语料选择 |
| 4.3.3 特征模板设计 |
| 4.3.4 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 面向潜在语义分析的术语权重模型 |
| 5.1 术语领域权重模型与面向领域的术语甄选 |
| 5.1.1 术语的术语性 |
| 5.1.2 术语领域相关性 |
| 5.1.3 术语领域一致性 |
| 5.1.4 术语新奇性 |
| 5.1.5 基于区域分类的领域术语甄选 |
| 5.2 术语文档权重模型 |
| 5.2.1 术语文档权重模型概述 |
| 5.2.2 术语局部权重 |
| 5.2.3 术语全局权重 |
| 5.2.4 文档全局权重 |
| 5.3 实验分析 |
| 5.3.1 术语领域权重模型与领域术语甄选的实验分析 |
| 5.3.2 不同组合术语文档权重模型的实验对比分析 |
| 5.4 本章小节 |
| 第6章 基于矩阵分解的潜在语义分析 |
| 6.1 潜在语义分析概述 |
| 6.1.1 传统文本信息检索与处理存在的问题 |
| 6.1.2 潜在语义分析(LSA)的内涵 |
| 6.2 基于奇异值分解(SVD)的潜在语义分析 |
| 6.2.1 SVD的基本思想 |
| 6.2.2 与SVD等价的特征值问题 |
| 6.2.3 SVD迭代算法 |
| 6.2.4 基于SVD的潜在语义分析分析的理论解释 |
| 6.2.5 基于Σ调整的潜在语义分析方法——μ-SVD |
| 6.3 基于半离散矩阵分解(SDD)的潜在语义分析 |
| 6.3.1 SDD的基本思想 |
| 6.3.2 k-SDD的计算 |
| 6.4 基于非负矩阵分解(NMF)的潜在语义分析 |
| 6.4.1 NMF的基本思想 |
| 6.4.2 NMF的概率模型与辅助约束 |
| 6.4.3 稀疏性约束下的NMF |
| 6.5 实验分析 |
| 6.5.1 应用LSA与不应用LSA的实验对比分析 |
| 6.5.2 基于Σ调整的LSA——μ-SVD实验分析 |
| 6.5.3 不同损失函数定义下的NMF算法实验对比分析 |
| 6.5.4 基于NMF与k-Means的文本聚类实验对比分析 |
| 6.5.5 NMF方法与SVD方法的实验对比分析 |
| 6.5.6 稀疏性约束下的NMF实验对比分析 |
| 6.6 本章小节 |
| 第7章 基于主题模型的潜在语义分析 |
| 7.1 概率潜在语义分析(PLSA)模型 |
| 7.1.1 PLSA模型的基本思想 |
| 7.1.2 基于期望最大化(EM)算法的模型拟合 |
| 7.1.3 改进的模型拟合方法——退火期望最大化算法 |
| 7.1.4 PLSA与LSA的关系 |
| 7.2 潜在狄利克雷分配(LDA)模型 |
| 7.2.1 LDA模型的基本思想 |
| 7.2.2 基于变分算法的模型推理 |
| 7.2.3 基于Gibbs采样的模型推理 |
| 7.3 相关主题模型(CTM) |
| 7.3.1 CTM的基本思想 |
| 7.3.2 基于变分算法的模型推理 |
| 7.4 层次主题模型(hLDA) |
| 7.4.1 中式餐厅处理(CRP)分布 |
| 7.4.2 hLDA模型的基本思想 |
| 7.4.3 非参数hLDA |
| 7.4.4 模型推理 |
| 7.5 弹珠机分配模型(PAM) |
| 7.5.1 PAM的基本思想 |
| 7.5.2 模型推理 |
| 7.5.3 PAM与hLDA比较 |
| 7.6 实验分析 |
| 7.6.1 基于LDA模型的潜在语义分析实验 |
| 7.6.2 基于CTM模型的潜在语义分析实验 |
| 7.6.3 基于PAM模型的层次潜在主题挖掘实验 |
| 7.7 一种加权采样层次主题模型(WS-HTM)的理论框架设计 |
| 7.8 本章小节 |
| 第8章 潜在语义分析在领域文本信息处理中的应用 |
| 8.1 面向潜在语义分析的大规模稀疏矩阵实现 |
| 8.2 基于潜在语义分析的领域文本信息检索 |
| 8.2.1 压缩编码过滤 |
| 8.2.2 语义倒排索引构建 |
| 8.3 基于潜在语义分析的领域知识单元关联挖掘 |
| 8.4 基于潜在语义分析的领域文本信息聚类 |
| 8.4.1 一种基于二分k-Means的高效率文本聚类方法 |
| 8.4.2 潜在语义(主题)与聚类类目的等价性分析 |
| 8.5 基于潜在语义分析的领域文本信息可视化 |
| 8.5.1 基于潜在语义降维和坐标轴定位的可视化 |
| 8.5.2 基于层次化主题模型的潜在主题可视化 |
| 8.5.3 基于力导算法的领域知识单元网络化语义关联自适应可视化 |
| 8.6 本章小节 |
| 第9章 结束语 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间参加科研项目及发表论文情况 |
四、单纯形上的Stancu多项式与最佳多项式逼近（论文参考文献）
- [1]现代优化理论与应用[J]. 邓琪,高建军,葛冬冬,何斯迈,江波,李晓澄,王子卓,杨超林,叶荫宇. 中国科学:数学, 2020(07)
- [2]α-Bernstein算子若干逼近性质的研究[D]. 刘艳玲. 合肥工业大学, 2020(02)
- [3]面向序列数据异常模式挖掘的集体离群点检测方法研究[D]. 黄晓地. 合肥工业大学, 2020(01)
- [4]不确定条件下可靠性方法研究及其在汽车结构设计中的应用[D]. 苏海亮. 华南理工大学, 2020
- [5]一类多维变量密度的Bernstein多项式混合模型估计[D]. 吕珊珊. 哈尔滨师范大学, 2019(01)
- [6]智能航空发动机性能优化控制技术研究[D]. 李永进. 南京航空航天大学, 2018
- [7]基于机器学习和智能优化算法的压力传感器补偿技术研究[D]. 李冀. 厦门大学, 2017(02)
- [8]散乱数据逼近方法研究[D]. 夏晟. 中国计量学院, 2013(02)
- [9]面向领域中文文本信息的潜在语义分析研究[D]. 岑咏华. 南京大学, 2010(05)
- [10]多元Stancu多项式的强逆不等式[J]. 丁春梅. 数学学报, 2009(04)