一、连续小波神经网络优化结构研究（论文文献综述）
胡钧剑[1]（2021）在《基于深度学习理论的桥梁结构损伤识别研究》文中研究指明桥梁作为交通运输工程中的重要项目,是连接不同线路的关键节点。桥梁结构在其服役期间,由于外部荷载、自然环境、材料性质等因素,必然会发生不同程度的疲劳和损伤,严重影响结构的安全性、适用性和耐久性,关系到人民群众的生命财产安全,因此有必要采取准确的损伤识别方法,及时发现结构的损伤状况。传统的识别方法在处理海量的数据方面存在计算能力不足、识别准确率偏低的问题,深度学习凭借其多层次的感知器,可以处理高维海量的数据,因此在损伤识别领域相比传统的模式识别方法有较大的优势。本文的主要研究工作有:（1）阐述了深度学习的理论发展,介绍了目前主流的三种深度学习网络模型,比较各自的性能,通过对比,选择深度置信网络作为桥梁损伤识别的方法。（2）提出基于深度置信网络的桥梁结构损伤识别方法,搭建适用于桥梁损伤识别特点的深度置信网络。（3）以简支钢梁为例,利用所提出的方法对直接提取的结构竖向加速度响应做损伤识别分析,得到关于结构的损伤位置和损伤程度的识别结果,并与传统的SVM支持向量机、BP神经网络作比较,结果表明:该方法识别性能明显优于传统的识别方法,且抗噪性能优异,识别准确率均在85%以上。（4）以预应力混凝土连续梁为例,设置多损伤工况,比较所提方法与SVM支持向量机、BP神经网络的识别结果,结果表明:该方法在多损伤工况下识别性能与传统方法相比有优势,在多损伤工况下具备一定的抗噪性能,在30%的噪声状况下损伤定位识别准确率在85%以上,定量识别准确率略低,在70%左右浮动。（5）提出基于小波变换和深度置信网络的识别方法,对斜拉桥的多损伤工况展开识别,比较所提出的深度置信网络的识别方法,对比结果表明:该方法的抗噪性能要明显优于深度置信网络的识别方法。（6）运用所提出的基于小波变换和深度置信网络的识别方法,对工字钢梁展开损伤识别的试验验证,试验结果表明:该方法在实际情况下能够识别出结构的损伤状况,且识别准确率较高,损伤定位和损伤定量的结果均在80%以上。综上所述,基于深度学习理论的损伤识别方法可以用于桥梁结构,且性能较好,但是如何在实际条件下施行该方法还有待更深入的研究。
黄小乔[2]（2021）在《基于深度学习的超短期太阳辐照度预测模型研究》文中研究说明随着全球能源危机和环境问题的日益加剧,可再生能源成为各国政府关注的焦点。太阳能发电作为一种应用前景广阔的清洁能源,近年来取得了飞速发展,正成为一种重要的可再生能源。然而,太阳能发电具有间歇性和波动性的特点,当越来越多的太阳能发电并入电网时,如果不能有效的预测和控制这种不稳定性将给电网的安全稳定运行提出重大的挑战。太阳辐照度的变化是导致太阳能发电输出功率不稳定的最主要的影响因素,因此准确预测太阳辐照度在电能规划和管理中起着越来越重要的作用,具有重要的应用价值。论文针对辐照度时间序列的特点,以循环神经网络（recurrent neural network,RNN）中的长短期记忆网络（long short-term memory,LSTM）、门控循环单元（gated recurrent unit,GRU）、Elman网络为基础,提出并设计了五种网络结构和方法,实现了辐照度较为精确的预测。主要工作如下:（1）统计分析了天气预报参数与辐照度的相关性,研究了辐照度的时间特性,确定了温度、湿度、天气类型三个天气预报参数加上月、天和时三个时间参数合计六个输入特征。在此基础上,提出了一种基于天气预报的GRU模型预测方法。实验结果表明,以确定的六个特征为输入的GRU网络能实现较为准确的24小时辐照度预测;对比BP神经网络（back propagation neural network,BPNN）和RNN,GRU网络的均方根误差（root mean squared error,RMSE）分别降低了23.3%和11.9%;对比LSTM网络,训练时间减少了36.6%;预测技巧分数（forecast skill,FS）为0.4201。（2）提出了基于小波变换和Elman网络的辐照度预测模型。该模型中,首先将辐照度时间序列用小波分解成不同频率的子带,然后,将每一个子带单独输入到Elman网络中训练测试预测,最后对每一个子带预测的小波系数进行小波重构得到预测的辐照度值。小波变换能将辐照度序列中因地球运动而产生的周期性低频信息和因云层运动而产生的高频信息进行简单的分离。Elman网络针对不同频率的信息单独预测,其数据的相关性更强,因而准确性越高。根据实测数据的仿真结果表明,提出的模型在小时辐照度预测中表现出优良的性能,预测技巧分数FS达到了0.7590。（3）提出了一种基于自适应噪声总体集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）数据分解方法和CNN-LSTM网络的辐照度预测模型。辐照度数据经过CEEMDAN分解后得到不同频率成分的特征模态函数（intrinsic mode functions,IMFs）和残余分量（residual,R）。针对一段时间内的IMFs和R数据的结构特点,构建了五种CNN-LSTM网络的输入结构,并进行了详细讨论和性能比较,结果表明,文中的CNN-LSTMV结构性能最优,模型的可解释性也最强。在四个不同气候类型的数据集上对提出的CEEMDAN-CNN-LSTM模型进行了验证比较,证实了该模型的预测精度高、鲁棒性强。（4）构建了应用于辐照度时间序列预测的LSTM网络,设计了两种含有不同输入特征的输入结构;提出了一个双分支输入的LSTM-MLP网络,针对该网络设计了两个不同的主输入,两个不同的辅助输入,共四种输入结构。探讨了以上六种结构在不同滞后时间的输入下的预测性能。实验结果表明,当主输入为历史辐照度和气象数据、辅助输入为下一时刻的天气预报参数时,网络的性能最佳。这表明下一时刻的天气预报参数对模型的预测精度的提升发挥了重要的作用。（5）提出了一种WPD-CNN-LSTM-MLP混合深度学习辐照度预测模型。该模型在LSTM-MLP双分支的基础上,进一步改进为多分支多输入的结构,同时添加了小波包分解（wavelet packet decomposition,WPD）和卷积神经网络（convolutional neural network,CNN）来提取特征信息。辐照度序列经WPD分解为四个通道,每一个通道采用CNN进一步提取特征后输入到LSTM网络;历史辐照度和气象参数作为第二个输入,输入到LSTM网络;天气预报参数作为第三个输入,输入到前面两个合并的全连接层中,最终得到预测结果。该模型通过不同的输入将频域信息和时域信息进行了有效的融合,达到了联合学习的目的。实验结果表明,多分支多输入的WPD-CNN-LSTM-MLP模型提高了预测精度。
李进[3]（2021）在《基于深度神经网络模型的地震信号识别研究》文中研究表明地震信号识别相关研究在不断提高采集信号的信噪比和数字记录技术的推动下得到了长足的发展。但是,这种传统的地震信号识别方式是建立在基于已知能区分不同信号之间异同特征的因果逻辑上,只关注所谓的“有效信号”,压制噪声,选取能表达大部分地震信号信息的特征进行信号识别,忽略了信号的完整性表述。随着深度学习和大数据技术的发展,通过运用大数据驱动的深度神经网络技术挖掘地震信号数据中“不知道自己不知道”的隐含着的丰富物性参数信息,建立一套地震信号参数表征模型,研究地震信号与其它非相干信号之间的差异,实现对地震信号的识别成为可能。深度神经网络是一种具有多隐藏层结构的神经网络,具有高阶的抽象刻画能力,自动提取数据本质特征,无需人工干预等特点,已成功应用于生产生活中的各个领域,如语音识别、图像识别、自动驾驶和目标检测等。基于深度神经网络的以上优点,本文给出了一种新的基于深度神经网络模型的地震信号识别方法,与传统的地震信号识别方法相比,该方法精度更高,模型鲁棒性更强。下面给出本文的具体研究内容:（1）为减少人工干预信号特征提取过程造成的影响,基于Le Net5卷积神经网络模型,提出基于地震信号的卷积神经网络QConv Net（Quake Convolutional Neural Networks）识别模型。实验中将美国国家地质调查局地震监测目录下的公开地震信号数据集作为实验数据,使用序列型的三通道地震波形数据作为QConv Net神经网络模型的输入,实验结果与支持向量机、决策树以及逻辑斯蒂回归等传统机器学习模型实验结果进行对比,在准确率、召回率和F1-score三个评价指标上都更为优异,展现了良好的二分类效果。（2）为进一步提高深度神经网络模型在地震信号识别的性能,在QConv Net神经网络模型的基础上,通过引入残差模块、多尺度模块和收缩模块三种优化结构,提出基于多尺度模块和收缩模块混合的残差神经网络模型DRISN（Deep Residual Inception Shrinkage Network）。为验证该网络模型在地震信号识别中的性能,实验使用地震信号语谱图数据作为输入,将DRISN与引入收缩模块的残差神经网络DRSN（Deep Residual Shrinkage Network）等深度神经网络模型进行对比实验,DRISN模型在地震信号识别实验中的识别准确率最高可达95.62%,较其它实验模型有更好的识别性能和更高的准确率,说明了此模型在地震信号识别任务中的有效性。
李俊[4]（2020）在《基于二维CNN的车轴疲劳裂纹声发射信号实验数据分析》文中认为车轴是列车的关键支承部件,也是走行部的最基本的旋转部件之一。在轨道车辆运行过程中,轮对车轴承受荷载的同时面临着非常复杂的运行环境,容易引发故障。对车轴进行故障诊断并预测出车轴的剩余寿命不仅方便制定合理的维修策略,又能有效避免事故的发生,从而提高安全性并降低故障引起的损失。为实现对车轴故障的分类识别和寿命预测,本文提出了一种基于二维卷积神经网络的车轴故障诊断方法。卷积神经网络（CNN）是深度学习的一种方法,相较于传统的方法,深度学习可以自动的从数据中提取特征,尽可能地消除专家经验对最终结果的影响。故障分类识别方面:首先,本文分别采用时域分析、频域分析和时频联合域（时频）分析三种分析方法将一维声发射信号转换为二维图像数据,得到相应的时域图、频域图和时频图。三种图像分别包含了丰富的时域、频域和时频联合域信息。利用Alex net（CNN模型的一种）的卷积层和池化层的操作自动提取可以表征不同类型故障的特征,利用分类器达到故障分类的目的。然后,通过分类识别准确率和训练时间对比分析了三种图像数据与Alex net相结合的最佳故障分类识别方法。确定最佳结合的方案后对Alex net模型进行改进,以求在分类识别准确率不变的情况下降低训练时间,并将改进后的Alex net模型与原始模型进行对比。经实验,改进后的网络的分类识别准确率基本保持不变为98%左右,而训练时间缩短了将近三分之一。其中,对一维信号进行频域变换所用的方法为快速傅里叶变换（FFT）,时频变换采用的方法为连续小波变换（CWT）,连续小波变换的小波基函数为Cmor3-3。车轴剩余寿命预测方面:将车轴疲劳裂纹声发射信号的时域信号经FFT变换为频域幅值信号,再经归一化处理转变为二维像素图片作为自建CNN模型的输入,利用卷积层和池化层的操作自动提取可以标注车轴故障阶段的抽象特征,用以表征车轴不同时期的寿命百分比,构建健康指标（HI）,并用RMSE和MAE作为评价指标,对寿命预测网络性能进行评价,并验证了此网络的可靠性和泛化性。
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》文中研究指明目前,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。
丁海旭[6]（2020）在《自组织递归模糊神经网络设计及污水处理应用研究》文中研究说明模糊神经网络（Fuzzy Neural Network,FNN）是一种兼具人工神经网络（Artificial Neural Network,ANN）的非线性分析能力与模糊系统的模糊推理能力的网络模型。FNN针对人脑思维的模糊性特点,利用数值化信息构建特定的非线性映射以实现对模糊事物的识别和判断,是一种能够适用于更复杂问题和更广泛领域的高级信息处理系统。然而,现有的FNN在内部动态信息传递与结构自适应调整过程中仍存在着诸多尚未解决的研究难题,在一定程度上限制了FNN的建模能力与应用领域。因此,研究能够自适应传递网络内部信息与自组织调整网络结构的FNN具有重要的意义。为解决以上研究难题,本文通过研究和分析FNN的动力学特性,提出了一种基于多元时间序列分析的自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network based on Multivariate Time Series Analysis,MTSA-SORFNN）模型。该模型通过小波变换-模糊马尔可夫链（Wavelet Transform Fuzzy Markov Chain,WTFMC）算法将预测因子引入到递归层中,增强了网络的递归环节的适应性;同时,采用加权动态时间弯曲（Weighted Dynamic Time Warping,WDTW）算法与敏感度分析（Sensitivity Analysis,SA）算法分别从局部与整体对网络的结构进行评估与优化;最后,将该网络模型应用于基准非线性问题的预测,并设计开发了污水处理关键出水参数软测量智能系统。实验结果表明,MTSA-SORFNN在收敛速度和建模精度上都展现出了较好的性能,实现了对基准非线性问题与污水处理关键水质参数的准确预测。论文的主要研究工作和创新点如下:（1）基于WTFMC算法的递归机制设计研究。针对自组织递归模糊神经网络（Self-organizing Recurrent Fuzzy Neural Network,SORFNN）的递归量难以自适应的问题,提出了一种基于WTFMC算法的递归机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建多元时间序列（Multivariate Time Series,MTS）;其次,通过小波变换分解此MTS,并结合模糊马尔可夫链预测分解后得到的子序列变化趋势;最后,合并预测值并完成网络递归层的计算。实验结果表明,该递归机制可以探知网络的内部变化规律,有效地提高了网络的收敛速度。（2）基于WDTW-SA算法的自组织机制设计研究。针对SORFNN的结构难以确定的问题,提出了一种基于WDTW-SA算法的自组织机制。首先,在时间维度上记录隐含层神经元的模糊逻辑规则以构建MTS;其次,采用WDTW算法计算MTS间距以分析神经元之间的相关性,根据相关性评价指标对神经元进行合并;同时,结合SA算法计算该段时间的神经元的累计贡献度,根据贡献度评价指标对神经元进行分裂与删减。实验表明该自组织机制能够获得更紧凑的网络结构,并有效地提高了网络的预测精度。（3）SORFNN的结构参数调整策略设计研究。为了保证SORFNN在结构变化时的稳定性,提出了一种结构参数的调整策略。首先,针对神经元的合并阶段、分裂阶段和删减阶段分别设计了相应的参数调整算法;其次,设计了相应的阈值调整策略以提高网络的结构优化效率;最后,通过收敛性分析,证明了网络在该结构参数调整策略下的输出稳定性,避免了网络的震荡。（4）污水处理关键出水参数软测量智能系统设计研究。针对污水处理中关键出水参数检测工艺复杂且实时测量困难等问题,设计并开发了一种以MTSA-SORFNN模型为理论基础的污水处理关键出水参数软测量智能系统。根据系统需求分析,将其分为用户管理、数据采集、氨氮预测和模型理论四个模块。该系统以Visual Studio 2010为开发平台,通过调用SQL Server 2008数据库以实现用户信息的管理、水厂数据的调用和预处理,通过调用预置的MTSA-SORFNN的MATLAB程序以实现软测量模型的训练与预测。该软测量系统相较于传统检测方法具有检测快速、成本低廉、实用性好等优点,对保证污水处理厂稳定高效运行具有实际的意义。
吴广彬[7]（2020）在《基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究》文中提出拖拉机作为一种在农业生产领域广泛运用的工具,其核心部件的好坏会直接影响到整机的性能与操作人员的安全,故关于拖拉机及其核心部件的故障研究一直是研究热点。拖拉机故障诊断一般是通过检修人员依靠经验来判断是否存在故障,对检修人员的经验以及责任心有很大的要求,且存在效率低、判断不精确的问题。故本文提出一种拖拉机故障检测方法,既能够判断出拖拉机是否存在故障,又能够定位出故障的部件并分析出具体的故障类型。本文首先对机械故障诊断常用方法进行了研究,并结合拖拉机的实际情况,分析了当前对于拖拉机整机故障进行研究所面临的问题,在此基础之上提出了通过振动与噪声信号相结合的拖拉机及其关键部件故障诊断方法,主要研究内容如下:（1）针对尺寸较大的拖拉机,采用噪声采集这种非接触式测量的方法,并使用小波包分解将拖拉机噪声信号分解为8个频带,以信号峰值、小波包能量熵及各频带的能量贡献率作为判断拖拉机故障与否的特征,在分析出拖拉机存在故障之后,将信号边际谱与正常拖拉机信号边际谱对比,找出噪声信号变化较大的频率范围,依据其与1000Hz的大小关系适当选取波束形成方法及部件振动信号分析的方法来判断该部件是否存在故障,若存在故障,则进一步分析故障部件的具体故障类型及程度。（2）针对结构简单、故障特征容易提取、数据样本的数量较多且多个加速度传感器安装方便的故障部件,研究了基于多通道信号特征提取与模式识别相结合的诊断方法,结合美国凯斯西储大学的公开的轴承数据集详述了时域特征参数及频域特征参数的选取过程,并且分析了基于粒子群算法进行PNN平滑因子参数优化的过程,优化之后模型对于4种及10种故障分类达到100%的识别率,对于19种故障类别的识别率达到98%以上,相较于单通道振动信号分析准确率提高10%以上,对于多工况数据混合的情况也能达到98%的准确率,验证了基于多通道振动信号数据特征提取与优化PNN相结合的故障诊断方法的准确性及可靠性。（3）为了提高故障诊断方法的可迁移性,满足实际测试中诊断任务多变的需求,研究了以振动信号波形图结合边际谱作为识别对象的深度学习故障诊断方法,同样结合美国凯斯西储大学公开的轴承数据集讲述了特征图像提取的过程,考虑到实际没有足够训练样本的情况,选用预训练的ResNet18对少量的目标样本进行迁移学习,经过实例分析,该方法在少量样本的情况下对轴承故障的识别准确率达到99%以上,对于多工况数据混合情况下轴承故障的识别率达到了99%以上,并且达到高准确率的同时所需要安装的加速度传感器数量较少。同时,将该方法运用到美国康涅狄格大学的齿轮箱故障数据上时,在少量数据的情况下故障诊断准确率达到100%。表明结合时、频域图像与预训练的卷积神经网络迁移学习的故障诊断方法具有较好的准确性及适应能力,且所需的样本数量少,适合工况多变以及测试任务多变的情况。研究结果表明:本文提出的方法能够在没有故障先验知识的基础之上识别出拖拉机是否存在故障,并且找出故障部件的位置。针对实际的测试情况,本文提出的智能故障诊断方法不仅能够识别出故障的类型及故障程度,还能够识别出故障零件的具体位置。基于卷积神经网络迁移学习的方法只需要少量数据便能够很快迁移到新的诊断任务当中,快速构建满足当前诊断任务的故障诊断模型,具有很好的迁移性。
王永乐[8]（2020）在《基于卷积神经网络的的雷达图像处理》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是把几个尺寸较小的真实天线合成孔径雷达,利用雷达与目标的相对运动,通过传感器和数据处理的方法合成为一个等效真实天线合成孔径的雷达。SAR图像具有全天时、全天候等特点,广泛应用于经济和军事等各个领域。SAR目标识别技术是利用先进的雷达采集图像的信息,对目标种类及型号等其他属性进行判定识别,并且由于其优良的特性,被广泛应用于军事上的战场侦察及精确打击等领域。随着时代的进步,SAR目标识别技术得到越来越多的发展,逐渐趋于成熟。本文针对SAR图像目标识别,进行如下工作:首先针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN。将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行特征融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测。该方法在去除SAR图像噪声的同时能很好地保留图像的边缘特征,有效提高算法的精确度。其次在原有算法的基础上进行改进,提出一种新型SAR目标识别算法MOPSO-WTD-Canny-CNN,利用MOPSO优化小波阈值去噪算法中的阈值,以及Canny边缘特征提取算法中的双阈值,构建了一种新的优化网络结构—MOPSO-WTD-Canny,在去噪的同时更好的保留图像边缘信息,将寻找出来的最优阈值用到WTD-Canny-CNN算法中,进行分类识别。最后利用MSTAR公开数据集进行仿真实验,比较各类去噪算法与边缘提取算法在进行特征融合后的识别准确率,并与其它已提出的算法进行实验比较,结果表明该算法具有较高的准确性。
刘鑫波[9]（2020）在《对抗样本技术在恶意软件检测和自动驾驶应用中的研究》文中研究指明基于机器学习、人工神经网络方法的人工智能技术及其相关应用,目前正得到前所未有的发展机遇。近年来,随着高性能计算技术的升级、各类优化算法的完善、5G网络的商用化,智能物联网技术的发展,以人工智能技术为基础的产品研究与应用正得到了国内外各行各业的重视。近年来从中央政府到地方机构,各级政府正在大力建设智慧城市、人工智能产业园区,行业巨头也正在逐渐完善各自在人工智能领域的产业链布局,创新型企业也正在加大对人工智能垂直领域的深度融合。然而事物总是一分为二的,当前深度神经网络研究中出现的对抗样本技术带来了人工智能研究领域中的新问题。对抗样本是指在原样本中通过人为增加某些少量的特定干扰,可以在人类无法准确分辨差异的情况下使得某些人工智能模型产生错误的判定结果。这种误判现象对于人工智能研究领域却是灾难性的。特别是针对应用较为广泛的人脸识别、无人驾驶、恶意软件检测等技术领域,相关研究的安全问题引起人们的普遍重视。论文主要就对抗样本技术在当前值得关注的恶意软件检测、以及自动驾驶等领域的应用展开研究,并提出相应的攻击与防御方法。论文的主要工作和创新点包括以下几个方面内容:（1）针对对抗样本技术进行了综述。其中,包括与对抗样本技术相关的基础概念、对抗样本的生成方法、防御对抗样本的策略、以及与对抗样本相关的实际应用技术。论文中详细分析了六种经典的对抗样本攻击方法以及五种防御性策略;同时,介绍了当前对抗样本技术新颖的拓展性领域,综合、详细的讨论了对抗样本技术的进展。（2）针对对抗样本技术对恶意软件检测器的攻击进行研究。提出一种对抗性纹理恶意软件攻击方法,即ATMPA方法。该攻击方法利用基于梯度下降和L-范数优化算法,将转化后的恶意软件样本图片进行微小的扰动,最终致使基于机器学习的可视化检测方法失效。在开源数据集上进行的测试结果表明,只需微弱的干扰就能使得多种基于机器学习的检测方法失效;同时,ATMPA在攻击不同的检测方法之间还能获得较高的转移率。攻击实验结果表明,通过微弱的干扰,可以获得100%的成功率。此外,通过对基于机器学习的不同检测方法之间的可转移性测试,该方法能够获得88.7%的最大可转移率以及74.1%的平均可转移效率。（3）研究了利用对抗样本技术强化恶意软件检测器和提高检测准确度的问题。提出一种基于对抗性训练的恶意软件可视化检测方法,即Visual-AT方法。不同于传统的基于数字签名、静态代码分析、以及动态代码分析的检测方法,Visual-AT方法不仅可以提高恶意软件在分析判别中的检测效率,而且可以防御恶意软件对抗样本的可能攻击、以及与之相关变种样本的潜在威胁,并达到防止零日攻击的效果。通过对两种开源的恶意软件数据库进行检测,实验结果表明Visual-AT方法不仅可以达到防止零日攻击的目的,而且还能获得最高97.73%的准确率,以及96.25%的平均准确率。同时,在多项性能的评价指标上Visual-AT方法也明显优于现有的几种检测方法。（4）研究了对抗样本技术在自动驾驶系统中的安全问题。结合现有的对抗性技术与图像缩放技术提出一种基于对抗样本的自动驾驶交通标示攻击方法,即AE-Sign方法。该方法分析了自动驾驶技术的安全性问题,指出了基于深度学习方法在实际应用中存在的误判现象。AE-Sign方法通过图像缩放技术,在原始实景图中利用对抗样本方法添加微弱的干扰信息,可以在不破坏原图可识别性的情况下达到干扰交通标示识别系统的目的,由此导致自动驾驶系统失误。通过开源实时数据集的实验测试,AE-Sign攻击方法表现出较高的准确度,较少的干扰可以达到100%的成功率,并且,平均转移率达到86.5%。相比同类型攻击方法,AE-Sign攻击方法不仅具有较强的灵活性与泛化能力,同时还能保持干扰样图与原始样本图的最大一致性,大大提高攻击的可靠性与可信度。（5）针对对抗样本技术以及自动驾驶技术的应用,设计并实现一个对抗样本交通标志攻击系统原型。系统原型首先搭建一个简单的自动驾驶模拟系统,再结合现有的对抗样本攻击方法进行攻击测试。系统按照模拟自动驾驶的实景方式进行攻击,初步实现了基于对抗样本技术针对自动驾驶系统的攻击环境。论文中详细介绍了攻击系统的构架、以及各个功能模块的实现。最后,通过实时路况数据的测试,将实验结果以图、表的形式展示出攻击系统的整体效果。
任晓倩[10]（2020）在《基于小波神经网络的Volterra积分方程的数值解法》文中指出积分方程作为近代数学研究中的一个重要部分,其应用领域广泛渗透在物理、生物、化学等多个学科中,且很多实际问题可以归结为积分方程的问题来进行求解.Volterra积分方程在积分方程当中占有重要的地位,但由于其无解析解或解析解形式复杂,使得其数值解的研究成为学者们关注的重点.近年来,神经网络技术不断成熟,将小波分析理论和人工神经网络相结合的产物小波神经网络逐渐发展起来,它不仅具有运算速度快,抗干扰能力强等优点.还具有小波变换的优点,使得小波神经网络在函数逼近方面性能较优,故本文构造小波神经网络模型求解第二类Volterra积分方程.本文首先简述了人工神经网络和小波神经网络的理论基础.其次,构造了以梯度下降算法进行优化的单隐层小波神经网络模型,同时对该模型进行了收敛性分析,并通过运用该模型求解第二类Volterra积分方程的数值解,发现本文方法的计算精度优于其他文献中的计算精度,从而验证了该方法的有效性.最后结合第二类Volterra积分方程组的结构构造新型的双隐层小波神经网络模型,用Lyapunov函数分析了双隐层小波神经网络模型的收敛性,并利用第二类Volterra积分方程组的数值算例验证了此方法的可行性和有效性.
二、连续小波神经网络优化结构研究（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、连续小波神经网络优化结构研究（论文提纲范文）
（1）基于深度学习理论的桥梁结构损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 桥梁结构损伤识别的现状 |
| 1.3.1 基于振动的桥梁结构损伤识别 |
| 1.3.2 基于智能算法的桥梁结构损伤识别 |
| 1.4 本文的主要研究内容 |
| 第二章 深度学习理论 |
| 2.1 深度学习的发展历程 |
| 2.2 基于堆叠去噪自编码器的理论研究 |
| 2.2.1 自编码器的结构 |
| 2.2.2 去噪自编码器的结构堆叠 |
| 2.2.3 堆叠去噪自编码器的网络训练 |
| 2.3 基于卷积神经网络的理论研究 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 网络训练方式 |
| 2.4 基于深度置信网络的理论研究 |
| 2.4.1 限制玻尔兹曼机网络结构 |
| 2.4.2 限制玻尔兹曼机学习算法 |
| 2.4.3 深度置信网络 |
| 2.5 深度学习算法比较 |
| 第三章 基于深度置信网络的桥梁结构损伤识别数值模拟分析 |
| 3.1 基于深度置信网络的桥梁结构损伤识别方法 |
| 3.1.1 深度置信网络的构建 |
| 3.1.2 损伤指标的选择 |
| 3.1.3 函数关系的选择 |
| 3.1.4 分类器的选择 |
| 3.1.5 噪声添加的方式 |
| 3.1.6 损伤识别方法的流程 |
| 3.2 简支梁的数值模拟验证 |
| 3.2.1 模型概况及工况设置 |
| 3.2.2 样本库的构建 |
| 3.2.3 损伤识别结果 |
| 3.2.4 噪声状况下损伤识别结果 |
| 3.3 预应力混凝土连续梁桥的损伤识别 |
| 3.3.1 模型概况 |
| 3.3.2 单处损伤的识别分析 |
| 3.3.3 多处损伤的识别分析 |
| 3.4 本章小结 |
| 第四章 基于小波变换和深度置信网络的斜拉桥损伤识别研究 |
| 4.1 小波变换的理论研究 |
| 4.1.1 傅里叶变换 |
| 4.1.2 小波变换 |
| 4.1.3 小波去噪的原理及步骤 |
| 4.2 斜拉桥损伤识别分析 |
| 4.2.1 模型概况 |
| 4.2.2 损伤工况的设置 |
| 4.2.3 小波去噪函数的选择 |
| 4.2.4 损伤识别分析 |
| 4.3 本章小结 |
| 第五章 工字钢梁损伤识别试验验证 |
| 5.1 试验概况 |
| 5.1.1 试验目的 |
| 5.1.2 试验材料 |
| 5.1.3 数据采集设备 |
| 5.1.4 激振方式 |
| 5.1.5 传感器布置形式 |
| 5.1.6 主要问题及应对措施 |
| 5.2 损伤工况设定 |
| 5.2.1 损伤程度的设置 |
| 5.2.2 损伤单元的选择 |
| 5.3 试验过程 |
| 5.4 损伤识别分析 |
| 5.4.1 构建样本库 |
| 5.4.2 搭建深度置信网络 |
| 5.4.3 分析结果 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（2）基于深度学习的超短期太阳辐照度预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 辐照度预测方法的分类 |
| 1.2.2 辐照度预测模型 |
| 1.2.3 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 太阳辐照度的理论基础 |
| 2.1 基本概念 |
| 2.1.1 太阳能 |
| 2.1.2 太阳辐射 |
| 2.1.3 与太阳相关的重要参数 |
| 2.1.4 辐射能等相关术语 |
| 2.2 大气层外的太阳辐照度 |
| 2.2.1 太阳常数 |
| 2.2.2 大气质量 |
| 2.3 到达地表的太阳辐照度 |
| 2.3.1 大气的吸收 |
| 2.3.2 大气的散射 |
| 2.3.3 大气的反射 |
| 2.3.4 到达地表的太阳辐射强度 |
| 2.4 本章小结 |
| 第3章 常见的辐照度预测模型 |
| 3.1 持久性模型 |
| 3.2 气象参数模型 |
| 3.2.1 数值天气预报NWP模型 |
| 3.2.2 基于卫星图像和全天空成像图像的预测模型 |
| 3.3 统计模型 |
| 3.3.1 ARMA |
| 3.3.2 ARIMA |
| 3.3.3 指数平滑 |
| 3.4 机器学习模型 |
| 3.4.1 ANN |
| 3.4.2 SVM |
| 3.5 深度学习模型 |
| 3.5.1 卷积神经网络 |
| 3.5.2 循环神经网络 |
| 3.5.3 长短时记忆网络 |
| 3.6 混合模型 |
| 3.7 常用的评价指标 |
| 3.8 本章小结 |
| 第4章 基于门控循环单元和天气预报数据的24 小时辐照度预测研究 |
| 4.1 引言 |
| 4.2 数据分析 |
| 4.3 预测方法 |
| 4.3.1 GRU模型 |
| 4.3.2 基于GRU网络的辐照度预测 |
| 4.4 实验结果与讨论 |
| 4.4.1 与其他模型的对比 |
| 4.4.2 收敛速度对比分析 |
| 4.4.3 不同数据集上GRU和 LSTM结果对比 |
| 4.5 本章小结 |
| 第5章 基于小波变换和Elman网络的小时辐照度预测研究 |
| 5.1 引言 |
| 5.2 数据集及分析 |
| 5.3 WT-ENN方法 |
| 5.3.1 小波分解 |
| 5.3.2 Elman神经网络 |
| 5.3.3 混合WT-ENN方法 |
| 5.4 实验结果及分析 |
| 5.5 不同方法的对比研究 |
| 5.6 本章小结 |
| 第6章 基于CEEMDAN分解的CNN-LSTM网络预测小时辐照度 |
| 6.1 引言 |
| 6.2 模型设计 |
| 6.2.1 CEEMDAN方法 |
| 6.2.2 卷积神经网络 |
| 6.2.3 不同的CNN-LSTM网络输入结构 |
| 6.2.4 提出的CEEMDAN-CNN-LSTM模型 |
| 6.3 数据分析 |
| 6.4 实验结果与分析 |
| 6.4.1 不同CNN-LSTM结构结果的比较 |
| 6.4.2 不同预测方法结果的对比 |
| 6.4.3 不确定分析 |
| 6.5 本章小结 |
| 第7章 基于LSTM-MLP多分支结构的预测模型研究 |
| 7.1 基于LSTM的小时辐照度预测模型比较研究 |
| 7.1.1 LSTM-MLP双分支结构 |
| 7.1.2 数据分析 |
| 7.1.3 实验结果与分析 |
| 7.1.4 小结 |
| 7.2 WPD-CNN-LSTM-MLP混合深度学习模型预测辐照度 |
| 7.2.1 引言 |
| 7.2.2 模型设计 |
| 7.2.3 数据分析 |
| 7.2.4 实验结果 |
| 7.2.5 比较与分析 |
| 7.2.6 小结 |
| 第8章 总结与展望 |
| 8.1 研究工作总结 |
| 8.2 本文的创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（3）基于深度神经网络模型的地震信号识别研究（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 国内外研究现状 |
| 1.2.1 传统模板匹配的地震信号识别研究现状 |
| 1.2.2 传统机器学习的地震信号识别研究现状 |
| 1.2.3 深度神经网络的地震信号识别研究现状 |
| 1.3 研究内容和组织结构 |
| 第二章 深度神经网络模型简介 |
| 2.1 卷积神经网络 |
| 2.1.1. 卷积层 |
| 2.1.2. 池化层 |
| 2.1.3. 全连接层 |
| 2.2 残差神经网络 |
| 2.2.1. 提出动机 |
| 2.2.2. 残差结构 |
| 2.3 本章小结 |
| 第三章 地震信号的选取与数据预处理 |
| 3.1 地震信号识别流程 |
| 3.2 地震信号的选取 |
| 3.3 地震信号的预处理 |
| 3.3.1 地震信号不平衡问题处理 |
| 3.3.2 数据归一化处理 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络模型的地震信号识别 |
| 4.1 网络结构 |
| 4.1.1 QConvNet网络结构 |
| 4.1.2 网络处理流程 |
| 4.2 实验结果及分析 |
| 4.2.1 实验环境和参数设置 |
| 4.2.2 QConvNet与其它模型性能对比 |
| 4.3 本章小结 |
| 第五章 基于混合残差神经网络模型的地震信号识别 |
| 5.1 优化模块 |
| 5.1.1 收缩模块 |
| 5.1.2 多尺度模块 |
| 5.2 三种混合残差网络结构 |
| 5.2.1 基于收缩模块的残差神经网络 |
| 5.2.2 基于多尺度模块的残差神经网络 |
| 5.2.3 基于两者混合的残差神经网络 |
| 5.3 实验结果及分析 |
| 5.3.1 实验环境和参数设置 |
| 5.3.2 DRISN和其它模型性能对比 |
| 5.4 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 作者简介 |
| 致谢 |
| 附录A 地震数据获取方式 |
（4）基于二维CNN的车轴疲劳裂纹声发射信号实验数据分析（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 列车车轴故障诊断研究现状 |
| 1.2.1 列车车轴故障诊断的发展历程 |
| 1.2.2 基于深度学习的故障诊断研究现状 |
| 1.2.3 声发射技术发展及研究现状 |
| 1.3 课题来源与本文研究内容 |
| 1.3.1 课题及数据来源 |
| 1.3.2 本文主要研究内容 |
| 第二章 主要理论基础 |
| 2.1 声发射信号的分析方法 |
| 2.1.1 时域波形分析 |
| 2.1.2 频域波形分析 |
| 2.1.3 时频波形分析 |
| 2.2 卷积神经网络概述 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 卷积神经网络的特点及训练过程 |
| 2.2.3 卷积神经网络的训练过程 |
| 2.3 卷积神经网络的优化方法 |
| 2.3.1 损失函数 |
| 2.3.2 梯度下降 |
| 2.3.3 Dropout和 CUDA |
| 本章小结 |
| 第三章 基于改进Alex net的车轴故障分类识别 |
| 3.1 一维数据至二维图像数据的转换 |
| 3.1.1 信号的时域波形图转换 |
| 3.1.2 信号的频域波形图转换 |
| 3.1.3 信号的时频图转换 |
| 3.2 提出的故障分类方法的流程 |
| 3.3 最佳分段长度及组合方案的确定 |
| 3.4 Alex net网络模型及其改进过程 |
| 3.4.1 Alex net网络模型结构 |
| 3.4.2 Alex net网络模型的改进过程 |
| 3.5 模型验证 |
| 3.5.1 模型对比 |
| 3.5.2 提出的分类识别方法验证 |
| 本章小结 |
| 第四章 基于自建CNN模型的车轴剩余寿命预测 |
| 4.1 一维数据至二维数据的转化方法 |
| 4.2 CNN模型的构建 |
| 4.3 确定迭代次数 |
| 4.4 CNN模型参数选优过程 |
| 4.4.1 初始学习率的确定 |
| 4.4.2 最佳批量尺寸的确定 |
| 4.4.3 Dorpout值的确定 |
| 4.5 寿命预测的一般步骤 |
| 4.6 模型应用与分析 |
| 4.7 模型验证 |
| 本章小结 |
| 第五章 结论和展望 |
| 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）自组织递归模糊神经网络设计及污水处理应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 自组织递归模糊神经网络研究现状 |
| 1.2.1 递归机制研究现状 |
| 1.2.2 自组织机制研究现状 |
| 1.3 污水处理关键出水参数预测方法研究进展 |
| 1.3.1 化学检测方法 |
| 1.3.2 软测量分析方法 |
| 1.4 课题来源 |
| 1.5 论文研究内容与结构安排 |
| 第2章 基于WTFMC算法的递归神经网络设计方法 |
| 2.1 引言 |
| 2.2 递归神经网络 |
| 2.2.1 RNN的概念 |
| 2.2.2 RNN的分类 |
| 2.2.3 RNN的分析 |
| 2.3 基于WTFMC算法的递归机制研究 |
| 2.3.1 问题描述 |
| 2.3.2 小波变换 |
| 2.3.3 模糊马尔可夫链 |
| 2.4 基于WTFMC算法的RFNN设计方法 |
| 2.5 仿真实验及结果分析 |
| 2.5.1 Henon混沌系统辨识 |
| 2.5.2 非线性系统辨识 |
| 2.6 本章小结 |
| 第3章 基于WDTW-SA算法的自组织神经网络设计方法 |
| 3.1 引言 |
| 3.2 自组织神经网络 |
| 3.2.1 SONN的概念 |
| 3.2.2 SONN的分类 |
| 3.2.3 SONN的分析 |
| 3.3 基于WDTW-SA算法的自组织机制研究 |
| 3.3.1 问题描述 |
| 3.3.2 加权动态时间弯曲算法 |
| 3.3.3 敏感度分析算法 |
| 3.4 基于WDTW-SA算法的SOFNN设计方法 |
| 3.5 仿真实验及结果分析 |
| 3.5.1 动态系统辨识 |
| 3.5.2 Mackey-Glass时间序列预测 |
| 3.6 本章小结 |
| 第4章 基于MTSA算法的SORFNN设计方法 |
| 4.1 引言 |
| 4.2 模糊神经网络 |
| 4.2.1 FNN的概念 |
| 4.2.2 FNN的分类 |
| 4.2.3 FNN的分析 |
| 4.3 基于MTSA算法的SORFNN的构建过程 |
| 4.3.1 结构设计方法 |
| 4.3.2 结构调整策略 |
| 4.3.3 阈值设定分析 |
| 4.3.4 收敛性分析 |
| 4.3.5 网络学习过程 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 Henon混沌系统辨识 |
| 4.4.2 Mackey-Glass时间序列预测 |
| 4.5 本章小结 |
| 第5章 污水处理关键出水参数软测量方法 |
| 5.1 引言 |
| 5.2 污水处理软测量模型的原理 |
| 5.3 污水处理软测量模型的辅助变量选取 |
| 5.3.1 污水处理工艺 |
| 5.3.2 出水NH_4~+-N机理分析 |
| 5.3.3 数据采集和预处理 |
| 5.3.4 辅助变量降维 |
| 5.4 基于MTSA-SORFNN的出水NH_4~+-N软测量模型 |
| 5.5 本章小结 |
| 第6章 污水处理关键出水参数软测量智能系统开发 |
| 6.1 引言 |
| 6.2 软件系统的需求分析 |
| 6.2.1 用户需求 |
| 6.2.2 功能需求 |
| 6.3 软件系统的方案设计及关键技术 |
| 6.3.1 系统方案设计 |
| 6.3.2 系统关键技术 |
| 6.4 软件系统的功能开发 |
| 6.4.1 用户管理模块 |
| 6.4.2 数据采集模块 |
| 6.4.3 氨氮预测模块 |
| 6.4.4 模型理论模块 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的成果 |
| 致谢 |
（7）基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究（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 拖拉机及其关键部件故障诊断技术的研究进展 |
| 1.2.1 传统模式识别方法 |
| 1.2.2 基于深度学习的故障诊断方法 |
| 1.3 声成像技术及其在故障诊断方面的应用 |
| 1.3.1 波束形成方法 |
| 1.3.2 基于声成像的故障诊断方法研究现状 |
| 1.4 研究内容及章节安排 |
| 第2章 拖拉机整机及其关键部件故障诊断技术基础理论 |
| 2.1 拖拉机整机及其关键部件故障诊断方法分析 |
| 2.2 振动噪声信号时频域特征提取方法 |
| 2.2.1 振动噪声信号时域特征提取方法 |
| 2.2.2 振动噪声信号时频域特征提取方法 |
| 2.3 基于波束形成的声成像技术 |
| 2.4 模式识别方法及其优化算法 |
| 2.4.1 概率神经网络算法 |
| 2.4.2 粒子群算法 |
| 2.5 卷积神经网络 |
| 2.5.1 卷积神经网络基本结构 |
| 2.5.2 卷积神经网络训练过程 |
| 2.5.3 学习算法 |
| 2.6 本章小结 |
| 第3章 基于振动噪声的拖拉机整机故障诊断及故障部件位置识别方法 |
| 3.1 测试流程 |
| 3.2 拖拉机故障判断方法 |
| 3.2.1 特征选取及标准数据的获取 |
| 3.2.2 拖拉机故障与否识别方法 |
| 3.2.3 拖拉机故障与否识别仿真分析 |
| 3.3 拖拉机故障部件位置识别方法 |
| 3.3.1 基于声成像的故障部件定位方法 |
| 3.3.2 基于振动信号分析的故障部件识别方法 |
| 3.4 本章小结 |
| 第4章 基于多通道信号和优化PNN的故障类型及程度识别方法 |
| 4.1 拖拉机关键部件故障原因分析 |
| 4.2 故障特征选取以及特征向量构建 |
| 4.2.1 信号时域特征提取与分析 |
| 4.2.2 基于HHT的信号频域特征提取及分析 |
| 4.3 基于概率神经网络的关键部件故障诊断与识别方法 |
| 4.3.1 PNN算法参数优化 |
| 4.3.2 基于改进的PNN算法的故障诊断方法 |
| 4.4 故障诊断实例验证分析 |
| 4.4.1 数据集描述 |
| 4.4.2 训练及测试结果分析 |
| 4.4.3 验证实例分析总结 |
| 4.5 本章小结 |
| 第5章 基于卷积神经网络迁移学习的故障类型及程度识别方法 |
| 5.1 特征图像数据集生成 |
| 5.1.1 振动信号时域波形图 |
| 5.1.2 振动信号边际谱图 |
| 5.1.3 数据集生成 |
| 5.2 基于卷积神经网络迁移学习的故障诊断方法 |
| 5.2.1 深度残差网络(ResNet) |
| 5.2.2 基于预训练ResNet模型的迁移训练 |
| 5.3 基于卷积神经网络迁移学习的故障诊断方法实例验证分析一 |
| 5.3.1 轴承故障少量数据样本迁移学习结果分析 |
| 5.3.2 多工况混合数据样本迁移学习结果分析 |
| 5.3.3 验证实例分析总结 |
| 5.4 基于卷积神经网络迁移学习的故障诊断方法实例验证分析二 |
| 5.4.1 齿轮故障少量数据样本迁移学习结果分析 |
| 5.4.2 验证实例分析总结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（8）基于卷积神经网络的的雷达图像处理（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 国内外研究现状 |
| 1.3 论文的主要结构与内容 |
| 第二章 相关知识介绍 |
| 2.1 SAR图像介绍 |
| 2.2 MSTAR实验数据集介绍 |
| 2.3 图像去噪算法介绍 |
| 2.3.1 各类图像去噪算法 |
| 2.3.2 小波阈值去噪法 |
| 2.4 图像边缘提取算法介绍 |
| 2.4.1 各类边缘检测算法 |
| 2.4.2 Canny边缘检测 |
| 2.5 卷积神经网络 |
| 2.5.1 基本结构 |
| 2.5.2 主要特点 |
| 2.6 多目标优化问题 |
| 2.7 本章小结 |
| 第三章 基于多特征与卷积神经网络的SAR图像识别 |
| 3.1 图像预处理 |
| 3.2 多特征提取 |
| 3.2.1 小波去噪特征 |
| 3.2.2 Canny边缘特征 |
| 3.2.3 多特征融合 |
| 3.3 多特征与卷积神经网络的结合 |
| 3.4 仿真实验 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 改进的多特征与卷积神经网络的SAR图像识别 |
| 4.1 多目标粒子群优化算法 |
| 4.2 图像质量评价指标 |
| 4.3 基于MOPSO的WTD-Canny优化结构 |
| 4.4 实验结果对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（9）对抗样本技术在恶意软件检测和自动驾驶应用中的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 技术层面的研究现状 |
| 1.2.2 应用层面的研究现状 |
| 1.3 本文的主要研究工作与贡献 |
| 1.4 论文的组织结构 |
| 第2章 对抗样本技术综述 |
| 2.1 对抗样本基础知识 |
| 2.1.1 神经网络 |
| 2.1.2 范数 |
| 2.1.3 Lipschitz连续性 |
| 2.2 对抗样本简介及评价指标 |
| 2.2.1 对抗样本简介 |
| 2.2.2 对抗样本的评价指标 |
| 2.3 几种对抗样本的攻击方法与比较 |
| 2.3.1 L-BFGS方法 |
| 2.3.2 FGSM方法 |
| 2.3.3 DeepFool方法 |
| 2.3.4 C&W’s attack方法 |
| 2.3.5 One Pixel方法 |
| 2.3.6 JSMA方法 |
| 2.3.7 其它攻击方法 |
| 2.3.8 几种对抗样本生成方法的性能比较 |
| 2.4 几种对抗样本的防御方法与比较 |
| 2.4.1 对抗性训练方法 |
| 2.4.2 防御性蒸馏 |
| 2.4.3 基于检测器的方法 |
| 2.4.4 其它防御方法 |
| 2.4.5 防御性方法的比较以及其局限性 |
| 2.5 对抗样本技术的应用与挑战 |
| 2.5.1 经典领域 |
| 2.5.2 新兴领域 |
| 2.6 本章小结 |
| 第3章 ATMPA方法对恶意软件检测器的攻击研究 |
| 3.1 引言 |
| 3.2 研究背景 |
| 3.2.1 基于代码分析的恶意软件检测方法 |
| 3.2.2 基于机器学习的恶意软件检测方法 |
| 3.2.3 基于对抗样本的攻击方法 |
| 3.3 基础知识 |
| 3.3.1 恶意软件可视化技术 |
| 3.3.2 基于机器学的检测方法 |
| 3.4 ATMPA攻击方法 |
| 3.4.1 方法结构 |
| 3.4.2 模型训练过程 |
| 3.4.3 恶意软件对抗样本的构建 |
| 3.5 实验部分 |
| 3.5.1 实验数据集 |
| 3.5.2 攻击效率 |
| 3.5.3 攻击转移率 |
| 3.6 讨论与分析 |
| 3.6.1 样本相似性分析 |
| 3.6.2 对抗样本生成的迭代过程讨论 |
| 3.6.3 检测算法结构的分析 |
| 3.6.4 防御性策略 |
| 3.7 本章小结 |
| 第4章 Visual-AT方法强化恶意软件检测器的研究 |
| 4.1 引言 |
| 4.2 研究背景 |
| 4.2.1 基于机器学习的检测方法 |
| 4.2.2 基于非对抗性技术的可视化检测方法 |
| 4.2.3 对抗性技术在恶意软件检测方面的相关工作 |
| 4.3 基础知识 |
| 4.3.1 对抗性训练 |
| 4.4 Visual-AT检测方法 |
| 4.4.1 方法结构 |
| 4.4.2 对抗样本技术模拟恶意软件变体的生成方法 |
| 4.4.3 Visual-AT检测方法的优化 |
| 4.4.4 计算复杂度分析 |
| 4.5 实验部分 |
| 4.5.1 实验数据与步骤 |
| 4.5.2 恶意软件检测方法的定量对比 |
| 4.5.3 Visual-AT方法的性能评估 |
| 4.5.4 方法对比 |
| 4.5.5 Visual-AT的计算开销 |
| 4.6 讨论与分析 |
| 4.6.1 算法结构的讨论 |
| 4.6.2 样本相似性的讨论与分析 |
| 4.6.3 参数影响的分析 |
| 4.7 本章小结 |
| 第5章 AE-Sign方法对自动驾驶系统的攻击研究 |
| 5.1 引言 |
| 5.2 研究背景 |
| 5.2.1 自动驾驶技术简介 |
| 5.2.2 道路标识识别技术 |
| 5.2.3 基于自动驾驶技术的对抗性方法 |
| 5.3 基础知识 |
| 5.3.1 基于CNN的方法 |
| 5.3.2 基于YOLO的方法 |
| 5.3.3 降尺度缩放方法 |
| 5.4 AE-Sign攻击方法 |
| 5.4.1 AE-Sign攻击方法整体结构 |
| 5.4.2 标识样本的识别 |
| 5.4.3 样本缩放与伪装区域 |
| 5.4.4 对抗样本的生成 |
| 5.5 实验部分 |
| 5.5.1 实验数据及设定 |
| 5.5.2 攻击效率测试 |
| 5.5.3 干扰因素测试 |
| 5.5.4 计算开销评估 |
| 5.6 讨论与分析 |
| 5.6.1 缩放因子的影响 |
| 5.6.2 模型训练的因素 |
| 5.6.3 参数干扰的因素 |
| 5.7 本章小结 |
| 第6章 对抗样本交通标志攻击系统的设计与实现 |
| 6.1 系统架构 |
| 6.2 功能简介 |
| 6.3 模块设计和实现 |
| 6.3.1 目标锁定模块 |
| 6.3.2 目标分类模块 |
| 6.3.3 对抗样本攻击模块 |
| 6.4 功能测试 |
| 6.4.1 交通标志检测模块测试 |
| 6.4.2 交通标志识别模块测试 |
| 6.4.3 对抗样本攻击模块测试 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于小波神经网络的Volterra积分方程的数值解法（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 |
| 1.3 本文主要内容及工作安排 |
| 第二章 基本知识 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经元模型 |
| 2.1.2 激活函数 |
| 2.1.3 人工神经网络结构模型 |
| 2.2 小波神经网络 |
| 2.2.1 小波理论 |
| 2.2.2 小波神经网络模型结构 |
| 2.2.3 小波基函数的选取 |
| 2.3 本章小结 |
| 第三章 第二类Volterra积分方程的小波神经网络数值解法 |
| 3.1 单隐层小波神经网络模型的构建 |
| 3.2 算法程序框图 |
| 3.3 收敛性分析 |
| 3.4 数值结果 |
| 3.5 本章小结 |
| 第四章 第二类Volterra积分方程组的小波神经网络数值解法 |
| 4.1 双隐层小波神经网络模型的构建 |
| 4.2 算法说明 |
| 4.3 收敛性分析 |
| 4.4 数值结果 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
四、连续小波神经网络优化结构研究（论文参考文献）
- [1]基于深度学习理论的桥梁结构损伤识别研究[D]. 胡钧剑. 华东交通大学, 2021(01)
- [2]基于深度学习的超短期太阳辐照度预测模型研究[D]. 黄小乔. 云南师范大学, 2021(09)
- [3]基于深度神经网络模型的地震信号识别研究[D]. 李进. 河北地质大学, 2021(07)
- [4]基于二维CNN的车轴疲劳裂纹声发射信号实验数据分析[D]. 李俊. 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]自组织递归模糊神经网络设计及污水处理应用研究[D]. 丁海旭. 北京工业大学, 2020
- [7]基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究[D]. 吴广彬. 吉林大学, 2020(08)
- [8]基于卷积神经网络的的雷达图像处理[D]. 王永乐. 中北大学, 2020
- [9]对抗样本技术在恶意软件检测和自动驾驶应用中的研究[D]. 刘鑫波. 湖南大学, 2020(02)
- [10]基于小波神经网络的Volterra积分方程的数值解法[D]. 任晓倩. 宁夏大学, 2020(03)