一、广义Logistic模型的捕获优化问题（论文文献综述）
郑琦[1]（2021）在《无人值守光伏充电站电缆故障检测方法研究与设计实现》文中进行了进一步梳理近年来,我国的新能源汽车产业发展迅速。作为新能源产业大国,中国政府在大力支持国内的新能源产业的发展,但我国目前对于新能源汽车的充电基础设施建设仍较落后。目前我国新能源汽车充电设施大都建设在人口密集地区,而无人值守光伏充电站对偏远地区的新能源汽车充电问题给出了良好的解决方案。在无人值守光伏充电站中,由于人员维护较为困难,无人充电站中的电缆由于环境等诸多因素引起的故障隐患不得不引起人们的重视。因此本文对于无人值守光伏充电站中的电缆故障问题,基于混沌扩展频谱时域检测法设计了无人值守光伏充电站的电缆检测系统,便于在电缆出现故障时及时对电缆故障位置进行判断从而进行电缆维护,保证无人光伏充电站的正常运行。本文主要完成了以下工作:1.根据无人光伏充电站中电缆检测系统的组成,完成了无人值守光伏充电站电缆检测系统的模型搭建,对于混沌序列在混沌扩展频谱时域检测法中的应用进行了仿真验证。2.通过对无人值守光伏充电站中电缆检测系统的需求分析,完成了无人值守光伏充电站电缆检测系统的各个模块设计工作。基于FPGA设计了混沌序列产生模块、BP SK调制与解调模块、DA/AD发射与采集模块以及BP SK解调模块。对于各个模块进行了功能仿真并进行了下板验证。3.对广义互相关算法在混沌序列扩展频谱时域检测法中的应用进行了仿真分析,对广义互相关算法中三种常用的加权函数在混沌扩展频谱时域反射法中的运算结果进行比较,发现使用SCOT加权函数的广义互相关算法不仅优于基本互相关算法,并优于使用其他两种常用的加权函数的广义互相关算法。经验证,本文设计的无人值守光伏充电站电缆检测系统模型对于混沌序列产生、DA发射、AD采集等功能都达到了预计要求。将广义互相关算法应用于混沌扩展频谱时域反射法更优于基本互相关算法。本设计对于无人值守光伏充电站电缆检测系统的研究具有一定的实际意义。
胡堰翔[2]（2021）在《基于特征融合的多元时间序列预测方法研究》文中进行了进一步梳理多元时间序列预测是机器学习领域非常重要的问题,可以应用在多个领域,比如电力消耗、交通拥堵情况以及疾病预测等。随着时间维度的引入,数据的维度和规模会大大增加,因此会带来一系列问题,比如梯度消失、梯度爆炸、以及无法很好地捕捉数据短期和长期间的依赖关系等。在医学领域,急性肾损伤（Acute Kidney Injury,AKI）需要医生根据患者的历史状态进行经验性的诊断,根据患者的真实数据本文发现医生对于诊断AKI的召回率是很低的,漏掉了很多实际发病的患者,本文依托于针对住院患者是否会患AKI的预测任务,进行了一系列的数据挖掘和算法分析,提出一种基于特征融合的多元时间序列预测模型,能够很好的捕获特征在时间维度间的关系,从而提高模型的预测结果。本文的主要工作如下:（1）对住院患者数据进行清洗、预处理和打标签,并对数据的分布进行分析,包括患者的患病比例、发病时间、住院时长等。针对不同的模型研究最合适的特征提取方案,之后基于逻辑回归和随机森林模型对AKI数据特征的重要性进行分析。（2）对深度学习模型,比如多层感知机、循环神经网络进行深入分析。发现常用的模型对多元时间序列的预测结果均达不到最理想的状态,原因是时间维度上的信息利用不充分。针对此问题,本文提出一种基于时序卷积的多元时间序列预测模型,将原始输入的时间序列数据进行二维卷积,得到各个特征在时间维度上的依赖关系,进而与RNN的最终状态进行融合,这样可以增强模型对数据中短期依赖的识别。（3）由于传统注意力机制是对RNN隐藏状态的列向量取加权和,因此不太适用于多元时间序列预测任务。本文设计了一种融合注意力特征的多元时间序列预测模型。在基于时序卷积的多元时间序列预测模型的基础上,将RNN隐藏状态在时间维度上进行一维卷积,得到经过改进的注意力特征,目的是将隐藏状态中的特征在时间维度上进行融合,从而更好地捕获RNN隐藏状态中各变量之间的时间模式。（4）本文提出的基于特征融合的多元时间序列预测模型在AKI预测上的AUC最终达到0.908,召回率为0.869。并将模型结果与本地Baseline模型、AKI预测的主流模型以及医生实际诊断结果进行了深入的对比分析。
招春旭[3]（2021）在《南海鸢乌贼（Sthenoteuthis oualaniensis）生物学特性及栖息地特征研究》文中提出鸢乌贼（Sthenoteuthis oualaniensis Lesson,1830）是南海具有较高资源开发潜力的大洋性经济头足类,具有生命周期短、生长速度快、繁殖力强和营养级高等特征,资源群体结构复杂且易受到环境波动的影响,给该资源的渔业合理可持续开发管理带来了困难。深入了解南海鸢乌贼的生物学特性和栖息生境,对管理和可持续开发该海域鸢乌贼有重要的科学和经济意义。本研究利用2018年逐月及2019年2月在南海采集的鸢乌贼生物样本和渔获产量数据,对其群体结构、生长、繁殖特性、摄食生态和栖息地特征等方面进行了研究。通过胴长频数分布对鸢乌贼群体结构进行分析;结合形态特征、线粒体COI基因和生态特性等作为依据探讨其群体划分;利用耳石进行研磨并估算其日龄,建立鸢乌贼生长模型,探究其日龄生长及其生长率的变化;根据性比、性腺成熟度指数和繁殖力测算,探明鸢乌贼繁殖高峰期和繁殖季节等特性;基于传统胃含物分析和碳氮稳定同位素对鸢乌贼摄食生态和营养级进行分析,解析了鸢乌贼各生长阶段的摄食习性并推测其食性转换的过程。基于环境遥感数据和渔获产量数据,采用广义可加性模型（Generalized additive model,GAM）分析环境因子和鸢乌贼单位捕捞努力量渔获量（Catch per unit effort,CPUE）之间的关系。（1）群体结构:南海区鸢乌贼个体相对较小,依据外部形态特征（发光器）可将其大致划分为中型群（Medium form）和微型群（Dwarf form）两个群体,并未发现大型群（Giant form）。通过线粒体CO I基因的群体遗传结构分析发现:南海区鸢乌贼可分为两个种群,一个种群完全由微型群个体组成,无发光器;另一个种群主要由具发光器的个体组成,混有少量无发光器的且为性腺未成熟的个体。基于稳定同位素分析表明,4个类群（有发光器雌性、有发光器雄性、无发光器雌性和无发光器雄性）δ13C无显着差异,说明各类群的营养生态位上无明显差异。南海区鸢乌贼中型群和微型群在形态上呈现一定的差异,但在栖息生境空间、食性和发育过程等方面均比较相似,在渔业资源管理上不需要区别对待。（2）日龄与生长:鸢乌贼胴长-体质量呈幂函数关系,生长参数b>3,属于正异速生长类型。南海区鸢乌贼日龄范围为45～90 days,相对其他海域较小,南海鸢乌贼具有较短的寿命,平均每日胴长增量为4 mm/day。雌性和雄性群体的生长模型分别以von Bertalanffy和幂函数生长模型方程最优,整体以Logistic生长模型方程最优。南海鸢乌贼雌雄群体的胴长和体质量生长率均呈现不同程度的下降趋势。（3）繁殖特性:雌性鸢乌贼胴长在90～109 mm范围内出现第一次性成熟,胴长大于160 mm出现第二次性成熟,这可能与鸢乌贼的两个群体相关;雄性样本在各胴长段均发生性成熟,且未发现胴长大于150 mm的雄性个体,性成熟可以作为区分两个群体重要标志。（4）摄食生态:鸢乌贼主要以鱼类为食,其次为头足类和甲壳类。不同胴长范围鸢乌贼摄食等级、空胃率、饱满指数和饵料组成存在一定差异,分析鸢乌贼摄食习性发生变化的转折点在胴长为100 mm,饵料中鱼类和头足类的出现频率在节点之前逐渐上升,空胃率逐渐下降;节点之后,鸢乌贼以鱼类和头足类为主要食物,出现频率分别为80.74%和65.68%,空胃率接近0。甲壳类在大部分生长阶段保持在20%左右,胴长大于160 mm的雌性鸢乌贼不再摄食甲壳类。δ13C和δ15N值变化说明鸢乌贼在下半年的食物来源较广且营养级较高。不同胴长范围个体碳氮稳定同位素分析发现,雌性鸢乌贼胴长范围在100～160 mm可能逐渐出现食性转换。（5）栖息地特征:在GAM模型分析中,海水表层温度（Sea surface temperature,SST）是最重要的影响因子,GAM模型的最佳拟合解析率为62.6%。纬度方向上,平均CPUE最高海域范围为12°～13°N,经度方向上平均CPUE变化并不明显。南海区鸢乌贼CPUE较高的环境条件为海水表层温度（SST）27～28℃、海平面高度异常（Sea surface height anomaly,SSHA）-0.05～0.05 m、叶绿素a浓度（Chlorophyll-a concentration,Chl-a）高于0.18μg/l。根据鸢乌贼最适栖息环境条件分析,调查海域的2月和3月的SST较为适合鸢乌贼生产作业;Chl-a从7月到次年3月较高,在高温影响下,4～6月出现贫营养状态;1～3月的SSHA较为平稳。
樊春光[4]（2020）在《天宫二号机械臂运动学标定位形选取策略与轨迹跟踪控制研究》文中提出空间机器人能够代替人类宇航员在空间环境中进行空间探索、科学实验等活动,大幅度降低了宇航员在太空活动中风险和成本。现阶段在轨任务中,相当多的一部分为非接触类的演示任务,对于接触类操作任务研究较少,而精细操作任务的研究更是寥寥。天宫二号机械臂属于舱内服务机器人范畴,主要用于满足航天器内设备维修和物体捕获的需求。本文主要研究天宫二号机械臂运动学标定位形优化选取策略以及针对两种类型操作任务的轨迹跟踪控制策略,并且进行地面重力环境与空间微重力环境下的仿真与实验验证。首先,研究天宫二号机械臂运动学标定位形优化选取策略。利用矩阵摄动理论,将测量误差与标定误差之间的辨识雅可比矩阵,推广到含有矩阵摄动表达的摄动辨识雅可比矩阵。接着根据摄动展开式,推导出辨识雅可比矩阵是如何被位形集合影响的基本原理,并且结合DETMAX算法,建立从位形摄动到奇异值变化的封闭映射,在避免数值计算不稳定的同时解决位形陷入局部最优的问题。通过与常见的随机搜索法,蒙特卡洛搜索算法,IOOPS搜素算法进行对比,证明本文提出的方法具有更高的标定精度。然后,提出一种基于滑模观测器的轨迹跟踪控制方案,用于天宫二号机械臂旋拧J599电连接器的操作任务,对关节迟滞特性和非线性摩擦特性进行分析,基于Swevers模型对机械臂在执行旋拧任务时的摩擦情况进行补偿,接着分析不同重力环境下的机械臂系统动力学模型,将机械臂系统模型以非线性系统状态方程的形式进行描述,通过将耦合扰动问题转化成非耦合扰动问题,对系统状态进行估计。将空间微重力环境下相对于地面重力环境下的模型变化视为内部不确定态,重力载荷的消失视为外部扰动,从干扰抑制的角度对这些非线性集总扰动进行解耦与重构。提出一种基于滑模观测器的轨迹跟踪控制方案,将神经网络中的Logistics函数应用到趋近律的设计中,提高控制系统的动态性能。接着,提出一种基于扩张状态观测器的轨迹跟踪控制方案,用于捕获空间漂浮小球任务,首先设计非线性扩张状态观测器将扰动扩张成新的状态并且对此进行估计,采用自适应参数整定方案对扩张状态观测器增益进行滤波,在第三章对模型内部不确定态和未知外扰进行成功观测的基础上,设计观测效率更高的扩张状态观测器,使内部不确定态和未知外扰脱离开集中扰动,利用先验结果提高观测效率,此种高阶扩张状态观测器能够在有限时间内估计出系统的未知状态和集总扰动。并且通过调节增益与阶数使计算复杂度与观测精度达到平衡。最后针对单目相机在景深方向精度较低引起控制抖振的问题,设计模糊滑模控制器,将控制律拆分成已知控制律和模糊控制律,利用模糊系统的切换增益代替切换控制律,降低捕获过程中会产生的抖振现象。最后,搭建天宫二号机械臂手系统实验平台,完成操作任务的同时对本文提出的算法进行验证。利用天宫二号机械臂、多指仿人灵巧手、遥操作系统、中央控制系统以及视觉系统等硬件搭建可用于执行旋拧J599电连接器、捕获漂浮小球任务的实验平台。对天宫二号空间站实验舱内的坐标进行定义与转换,编制地面模拟系统软件,用于地面同步验证实验。最后在舱内微重力环境下采用基于滑模观测器和扩张状态观测器的轨迹跟踪控制方案进行了旋拧J599电连接器实验与捕获空间漂浮小球实验。验证本文提出的方法在解决舱内标定问题、轨迹跟踪控制问题,具有很强的针对性和有效性,为这一类问题的控制策略提供一定的理论基础和指导意义。
李媛[5]（2020）在《有害生物数量生态调控中的突变理论研究与应用》文中提出自然界中存在大量的由连续运动导致的不连续变化现象,如火山爆发、地震、泥石流、桥梁断裂、细胞分裂、犬吠等。这种现象很难用微积分或统计学的知识来描述,而突变理论的出现为这类现象的研究提供了理论依据,突变理论自产生初期开始,就被应用于各个研究领域中,取得了令人瞩目的成绩。在农田生态系统中有害生物的突然暴发或突然消失也属于突变现象,给农业生产带来严重损失,然而由于有害生物的发生发展乃至突变涉及自然的、生物的和社会的等诸多生态因素,要做到准确的预测预报十分困难;特别是涉及多个控制变量和状态变量时更是难上加难。运用突变模型可以预测系统中状态变量的重大或者细微的变化,解释和预测预警灾变的发生——这对于农田生态系统有害生物管理至关重要。本研究以突变理论为基础、以农业上的重要害虫蚜虫和猕猴桃园节肢动物群落为研究对象,分析生态系统中有害生物的突变现象。由于折叠突变、尖角突变、燕尾突变、蝴蝶突变模型都只包含一个状态变量,而与生态系统变化的实际关系密切、更能描述和反映害虫生态系统的变化的两个状态变量的突变模型研究很少。因此,本研究特别对椭圆型脐点突变模型、双曲型脐点突变模型和抛物型脐点突变模型进行详细的分析;通过相平面图法和势函数图两种独特方法,分析系统平衡点的个数和稳定性变化情况,这是灾变预测和指定动态调控阈值的关键。通过上述研究,目的是为有害生物的生态调节提供理论依据和调节效果的预测,填补突变理论研究与灾变预测的空白。研究得到以下结果:1.推导出害虫数量即将发生突变时七种突变模型的分歧点集区域划分的表达式,对可能发生突变的条件进行了理论证明和解释。2.基于生态学和突变理论的基本知识,研究了害虫生态调节中的灾变机理,建立了描述麦蚜数量变化的广义数量动态模型,并对模型的性质进行了推导和证明,得到了控制蚜虫数量变化的动态调控阈值函数。模拟田间调查数据证明了该模型不仅能够预测害虫的暴发还能预测调控措施的效果。因此,突变模型可以为解释和预测蚜虫暴发规模及其发生概率提供科学依据。3.在广义数量动态模型的基础上,建立了一个基于尖角突变模型的麦蚜数量动态模型。用田间实测数据计算得到综合控制变量u和v,确定控制点位于控制面板中的区域,进而分析控制点位置的变化,证明了尖点突变模型的分歧集是定量化的动态控制阈值,可以根据控制变量的变化来解释和预测蚜虫数量的暴发。4.在模型拟合实际数量动态时,对比了两阶段法和灰色估计法的均方根误差（RMSE）值,得出两阶段法的RMSE值更小,拟合结果优于灰色估计法的结论。上述麦蚜数量动态突变模型有如下优点（1）数量动态模型比统计模型更注重机理的真实性、系统的结构和功能。即数量动态模型能够反映麦蚜生态系统本质特征的生物学意义。（2）将数量动态模型转化为突变模型,采用突变模型进行预测不仅可以分析害虫系统的普通状态（没有突变行为的现象）和突变行为的发生（蚜虫的暴发）,而且可以预测采取一定措施后会发生什么。5.用主成分分析方法建立了椭圆型脐点和双曲型脐点两种突变模型,并对猕猴桃园节肢动物群落进行分析,通过对比椭圆型脐点突变与双曲型脐点突变模型的结果,证明双曲脐点突变较椭圆脐点突变模型更适合描述猕猴桃园节肢动物群落,为害虫亚群落生态调控提供了方法。6.本文设计出了模型拟合所需的程序,特别是突变级数可由自定义函数my CCP得到,为本研究模型的应用提供了保障,并减少和降低难度。综上所述:本文研究了节肢动物数量生态调节中灾变机理与理论;推导出了害虫数量即将发生突变时七种突变模型的分歧点集区域划分的表达式,对可能发生突变的条件进行了理论证明和解释;建立了广义麦蚜数量动态变化突变模型和基于尖角突变模型的麦蚜数量动态模型,得到了控制麦蚜灾变的动态阈值函数并经过田间试验数据检验,证明了突变模型用于有害生物灾变预测具有的优势;建立了含有两个状态变量的椭圆脐点和双曲脐点两种突变模型,并用此对猕猴桃园节肢动物群落进行分析,证明了双曲脐点突变模型比椭圆突变模型能更好地描述猕猴桃园节肢动物群落。本研究虽然以节肢动物为主要研究对象,同样可以推广到农田生态系统中的其它有害生物数量的生态调节中,同时,本研究也填补了突变理论高阶控制变量研究和应用的空白。
王睿[6]（2020）在《基于词嵌入与生成式神经网络的主题模型研究》文中研究说明近年来,随着深度学习技术的发展,文本挖掘作为软件工程学科的重要子领域,正在逐步向智能化的方向过渡。然而,受传统信息处理技术及挖掘方法的限制,其智能化进程的推进目前仍较为缓慢。尤其自Web2.0时代以来,大量的信息以文本的形式发布在互联网上,如新闻网站中的新闻报道、在线百科中的百科词条、社交软件上的推文及购物软件中的商品评论等。这类文本中往往包含大量的主题、商品属性和事件等信息,然而人工地阅读并分析语料库中的文本需要巨大的人力消耗且无法适应语料规模的日益增长。因此,设计可以从海量非结构化的无标注文本中自动地挖掘出其中隐含主题、事件等的模型将有助于提高文本挖掘领域的智能化程度并进一步推动整个软件工程学科由信息化向智能化的转型。主题模型旨在从文本语料中进行无监督地知识发现,它作为语义模式的常用挖掘工具为无监督地理解文本内容提供了重要的技术基础且已被成功应用于众多软件工程领域的任务（如信息抽取、文本挖掘等）。然而,传统主题模型仍面临如下挑战:1)传统主题模型往往仅利用文本中词与词之间的共现关系建模且难以向建模过程融入外部知识;2)传统主题模型求解过程往往采用变分推理、吉布斯采样等近似求解策略,此类方法需要复杂的数学推导且不易进一步拓展;3)多数传统主题模型挖掘出的主题之间是相互独立的,并没有对主题间关系进行准确的建模,因而难以学习到主题间的关联度且不利于人们对文本语料进行宏观上的理解。为解决上述挑战,本文引入以基于神经网络的词嵌入学习方法获得的词向量为外部语义知识,以加权波利亚球罐机制和生成式神经网络为主要学习框架设计主题模型并从文本语料中挖掘高质量的主题、商品属性及事件。具体地,本文的主要工作及创新如下:（1）针对传统主题建模方法仅依靠词共现信息而导致的主题质量不高的问题,本文提出了一种基于加权波利亚球罐机制（WPU）的采样策略并将其融入隐狄利克雷分配的学习框架进而提出基于加权波利亚球罐机制的主题模型（WPU-LDA）。通过引入基于神经网络的词嵌入模型得到的词向量和基于WPU机制的采样策略,WPU-LDA模型在求解过程中动态地考虑单词与不同主题之间的语义相关性,从而将语义相关的词更好地聚集到了一个主题中提升了主题的抽取质量;（2）针对传统建模方法难以求解且不易于应用拓展的问题,本文首次在生成对抗网络的学习框架下提出了一种基于对抗训练的神经主题模型（ATM）。ATM模型利用一个生成器网络建立了由文档-主题分布到文档-词分布之间的单向映射,并利用一个判别器网络来判断其输入文档的真假。判别器网络的输出信号在对抗训练过程中可以指导生成器的学习从而使得其可以挖掘出隐含在文档中的主题信息。同时,不同于传统主题模型,ATM模型还能为词表中每个单词提供低维的语义表示向量;（3）针对传统主题建模方法求解困难及ATM模型难以为文档提供主题分布推理、不易应用于下游任务的问题,本文在双向对抗生成网络的学习框架下提出一种基于双向对抗训练的神经主题模型（BAT）。该模型在ATM模型的基础上,引入一个由文档-词分布到文档-主题分布的编码器网络从而可以为新文档文档-主题分布进而用于文本聚类等下游任务。此外,为进一步提升主题挖掘质量并建模主题之间的相关性,本文在BAT模型的基础上提出了基于双向对抗训练的高斯神经主题模型（Gaussian-BAT）。该模型在生成器网络中将每个主题建模为词向量空间内的多维高斯分布进而融入了词向量中的外部语义知识。同时,Gaussian-BAT模型利用与主题对应的高斯分布之间的关系完成了对主题关系的建模与挖掘;（4）针对传统主题建模方法挖掘的主题质量不高、模型求解困难且难以准确捕获主题间相互关系的问题,本文基于变分自编码器的学习框架提出了一种变分高斯神经主题模型（VaGTM）。该模型在解码器中将每个主题建模为词向量空间的多维高斯分布并将外部语义信息融入了解码过程。同时,利用解码器中高斯分布之间关系完成了主题相关性的建模。此外,由于一个主题的主题词对应的词向量并不完全服从一个多维高斯分布,为解决这一问题,本文在VaGTM的基础上提出了基于可逆转换的变分高斯神经主题模型（VaGTM-IP）,该模型引入了一个可逆转换将词向量转换为更适合主题建模的单词表示并进一步提高了主题挖掘的质量;（5）最后,针对传统主题建模方法不易于应用拓展的问题,同时也为了验证基于对抗训练的神经主题模型在应用层面具有易扩展性。本文提出一种基于对抗训练的神经事件模型（AEM）用来从在线事件文本（推文、新闻报道）中无监督地抽取热门事件。该模型将事件定义为四元组<实体、地点、时间、关键字>且其中每个元素使用一个主题来表示。为挖掘出在线文本中的事件,AEM模型利用一个生成器网络建立了由文档-事件分布到文档-实体分布、文档-地点分布、文档-时间分布及文档-关键字分布的单向映射函数,并利用判别器网络提供的输出信号来指导生成器网络及判别器网络的学习。通过对抗训练,生成器网络可以从文档中挖掘出与各个事件相关的实体主题、地点主题、时间主题及关键字主题从而完成事件的抽取。此外,由于GPU的加速,AEM模型较传统事件抽取模型有更高的执行效率。
范家铭[7]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中研究说明伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
张巧玲,陆海霞,张翼[8]（2020）在《基于广义Logistic模型的美国白蛾优化控制策略》文中指出以细菌增长模型为基础,提出描述美国白蛾种群密度的广义Logistic模型,分析其平衡点的稳定性,讨论了对美国白蛾进行捕杀防治的优化控制问题和种群的动力学性质,并以可持续发展的最大捕获量为分析目标,提出线性捕获下的优化控制策略.
李勇[9]（2019）在《基于结构化稀疏表示的压缩视频采样》文中进行了进一步梳理对信号进行采样和重建是信号处理领域最基本也是最核心的研究任务。传统的信号处理理论体系建立在香农等人的经典基础工作之上,遵循先采样,再压缩的过程。然而,由于奈奎斯特采样定理的要求,采样频率应不小于信号带宽的两倍才能保证不失真的信号重构,使得信号的采样值存在巨大的冗余。在随后的变换压缩过程中,再对变换后的系数进行大量的舍弃。这一系列过程不仅带来了巨大的计算和存储资源的浪费,也对硬件成本和传输带宽等因素带来了巨大的挑战。作为稀疏的一种应用,压缩感知是一种有效的信号采样和重构框架。压缩感知直接把待采样信号随机地投影到一个极低维空间中以获取采样数据,然后尝试通过获取该信号的稀疏表示来重建信号,实现了采样和压缩的同步融合,也以极大概率保证了信号的完美重构。因此,压缩感知降低了采样端对资源的要求,采样频率远远低于奈奎斯特采样频率,计算负担也被转移到了解码端。鉴于此,压缩感知被广泛的应用于全息成像、医学成像、卫星多光谱成像、雷达成像等各种成像技术,图像视频处理、传感网络以及信道编码等领域。然而,传统的压缩感知理论是建立在一般性稀疏的假设前提下,对于高维信号的采样和重构,无法有效利用其内在的结构化信息。因此,如何获取结构化的稀疏表示和信号内在的结构化信息对高维信号的采样重建性能至关重要。本文的主要研究内容为基于结构化稀疏表示的压缩视频采样。本文利用数据驱动子空间联合模型,该模型基于视频信号内的空时结构进行结构化稀疏表示,可实现高效压缩采样。该联合模型具有泛化性和可伸缩性,能够适用线性和多线性子空间学习,同时支持信号的渐进表示。本文的主要创新点包括以下几个方面:本文提出了一种泛化的数据驱动子空间联合模型,该模型可自适应性的分解信号以获取结构化的稀疏表示。该方法的主要贡献在于以下两个方面。首先,我们对已采样信号,利用子空间聚类得到各个子空间最优的结构信息和基矩阵。对于内含多种统计特性的多维信号,该模型可提供线性和多线性子空间学习的方法用于压缩感知基矩阵的学习。作为一般性的压缩感知模型的一种改进,这种用于信号稀疏性的基是通过线性子空间学习方法自适应得到的。其次,为了避免对高维信号向量化操作带来的存储和计算问题,我们考虑利用更加泛化的基于张量的压缩感知模型,该模型采用了多线性子空间学习的方法用于自适应学习出张量信号的稀疏表示基矩阵。我们提出的数据驱动子空间联合模型在一定的重建质量要求下需要更少的自由度。实验结果表明我们的模型用于压缩视频采样更加有效。本文提出了一种块稀疏子空间学习框架,引入结构化稀疏约束进一步优化数据驱动子空间联合模型,获得广义块稀疏表示用于压缩视频采样。该方法克服了子空间联合模型由于子空间关联无法获得块稀疏的问题。我们利用块相关性最小化来消除子空间之间的交集进而提升了基于数据驱动子空间联合的块稀疏表示。我们设计的这种块相关约束下的正则化学习进一步优化子空间联合学习的结构以及独立基矩阵。在块约束等距特性的假设下,我们证明了对于相互正交的子空间下的最优块稀疏表示是可以得到,并给出稳定重构的保证条件。更进一步,尤其针对内含变化不平稳统计性的多维信号,我们提出的框架可进一步利用克罗内克积进而可被推广处理张量信号。实验结果表明我们的框架用于压缩视频采样可获得更高的稳定性和效率。本文提出了一种新型的可伸缩结构化压缩视频采样框架,通过分层子空间学习来实现在异构网络条件下的视频传输。首先,我们所提出的框架结合了数据驱动子空间联合模型,将结构化稀疏性引入感知矩阵,用于采样测量的渐进获取。进一步的,我们设计了分层子空间学习,其基于自适应子空间聚类以渐进的方式生成子空间和对应的基。这样,我们可以得到两种分层结构以分别实现子空间和基矩阵到结构化感知矩阵的渐进映射从而实现质量可伸缩性。为了保证分层子空间学习的收敛,我们利用重建的参考帧中的自适应组集来更新训练集。此外,我们证明了,在块限制等距特性（RIP）的约束下,本文提出的可伸缩结构化压缩视频采样算法可以保证每个质量层的稳定恢复。最后,我们把所提出的模型推广到张量子空间中,用于高维信号的可伸缩压缩采样。实验结果表明,与现有的质量可伸缩压缩视频采样方法相比,所提出的算法可以得到更佳的重建性能。本文提出了大尺度优化问题的可分解迭代算法,通过把高维优化问题分解成多个子问题进行迭代求解,实现了优化算法的分布式和加速运算。首先,我们考虑针对大尺度优化的对偶优化算法,通过Legendre变换把主问题转化成对偶问题进行迭代求解。基于此,我们设计了一种基于垂直网格分解的Newton-Raphson迭代算法用以逻辑回归（logistic regression）。该算法通过把数据进行垂直分布式划分,利用核方法及NewtonRaphson迭代算法,把逻辑回归主问题转换成对偶问题进行分布式优化计算,不仅降低模型训练的复杂度还可应用于隐私保护联邦数据分析的场景。进一步的,考虑上述基于对偶分解的Newton-Raphson迭代算法对于优化函数要求Legendre条件需满足最优点的存在性,我们进一步提出基于交替方向乘子法的可分解优化算法,并应用于基于结构化稀疏的约束优化问题中,进一步提高在自适应克罗内克基下的稀疏张量表示的重构性能。实验结果表明我们提出的方法优于已有最先进的方法。
邬娜[10]（2017）在《私人汽车保有与使用行为的基础研究》文中指出随着我国机动化水平的快速发展,由私人汽车使用引发的诸如交通拥堵、交通事故、交通排放及交通能源消耗等社会问题已经严重地影响了人们的正常生活、制约了社会经济的快速发展。研究私人汽车保有与使用行为不但可以正确地预测交通需求及能源消耗,而且可以掌握其影响因素与发展规律,从而有助于政府部门、汽车产业部门、能源和环境部门制定合理的汽车产业管理策略。为此,本文从多个角度对私人汽车保有与使用行为展开研究。主要研究内容有如下几个方面:1)结合我国32个城市2001年至2011年的面板数据,利用双对数固定效应模型和双对数随机效应模型,研究城市私人汽车保有量的影响因素及不同城市规模、不同城市区域位置间的差异。估计结果显示,经济水平、人均收入、人均高速公路里程和人均道路铺装面积的增长会显着地促进私人汽车保有量的增长。并且,大规模城市和小规模城市体现出不同的交通出行需求发展规律。大规模城市总交通出行需求量增加缓慢,而小规模城市总交通出行需求量仍急剧增加。此外,大规模城市和东部城市依赖于高速公路里程城际间的交通出行需求较大,而小规模城市和中西部城市的交通出行更多是城市内部的出行。最后,在对地铁影响的分析中发现,地铁的修建虽然会抑制私人汽车的增长率,但效果并不显着。2)以家庭为研究单位,结合大连实际意愿调查数据,利用基于贝叶斯MCMC（Markov Chain Monte Carlo）的空间自回归二项Probit模型研究家庭间相关性对私人汽车保有行为的影响。家庭之间的互相影响是通过基于家庭结构相似性而定义的空间相关权重矩阵来捕获的。结果表明,家庭间的相关性确实显着存在。此外,与传统二项Probit模型比较,考虑家庭间相关性模型对数据的拟合度得到了极大的提高。同时,孩子的存在、住宅的拥有、较高的消费水平均会显着地促进家庭私人汽车的保有。3)假设样本选择模型中误差项服从联合正态分布（传统假设）,利用基于贝叶斯MCMC方法研究家庭私人汽车保有与使用行为。该方法由Hasselt于2011年提出,但是在实际中的应用却鲜有文献报道。为此,本研究首先通过仿真实验证明该模型的有效性。之后,结合实际意愿调查数据将该模型用于私人汽车保有与使用行为的实证研究。实证研究结果显示,私人汽车保有决策与使用决策确实存在显着的相关性。所以,如果单独对行驶里程进行回归分析,得到的参数估计值会存在偏误。此外,研究发现家庭中孩子的存在、住宅的拥有、较高的消费水平均会显着地促进家庭拥有并使用汽车。汽车属性变量中,车辆排量越大,使用强度越高。而年均养护费用与私人汽乍使用里程呈现显着的负相关。4)放松了传统样本选择模型中对误差项的联合正态分布假设,提出了基于混合正态分布和贝叶斯MCMC的样本选择模型。为验证新模型的有效性,首先进行了多次仿真实验。仿真结果显示,新模型能够较好地揭示仿真模型中参数的真值。此外,相较于传统正态分布假设模型,新模型对数据的拟合度得到了显着的提高。但是,随着新模型复杂度的增加,可能会产生“过拟合”现象。为此,本研究继而提出了多种检验“过拟合”现象的方法。实证研究显示,当混合分布个数为3时,模型的拟合度较高且结果非常稳健,且此时误差变量的联合概率密度分布曲线呈现规律明显。因此,从普适性、拟合度和稳健性综合考虑,正态分布个数为3时的模型表现最好。此外估计结果显示,正态分布假设模型中无论是变量显着性还是估计值大小均有显着偏误产生。因此,混合正态分布模型对私人汽车保有与使用行为解释更加准确。综合仿真结果和实例研究发现,当混合分布个数为2或3时,新模型就已经可以捕获数据的大部分特征。因此,新模型具有非常高的效率。
二、广义Logistic模型的捕获优化问题（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、广义Logistic模型的捕获优化问题（论文提纲范文）
（1）无人值守光伏充电站电缆故障检测方法研究与设计实现（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 电缆检测的国内外研究现状 |
| 1.2.1 电缆故障离线检测方法研究现状 |
| 1.2.2 电缆故障在线检测方法研究现状 |
| 1.2.3 文献评论 |
| 1.3 无人值守光伏充电站电缆检测系统构成 |
| 1.4 论文主要工作内容与章节组织 |
| 1.4.1 论文主要工作内容 |
| 1.4.2 论文章节组织 |
| 2 电缆故障检测技术 |
| 2.1 电缆电力故障基础知识 |
| 2.1.1 电缆故障出现原因 |
| 2.1.2 电缆故障类型 |
| 2.2 电缆行波传输理论 |
| 2.2.1 传输线基本理论 |
| 2.2.2 电缆的特性阻抗与等效阻抗 |
| 2.2.3 电缆阻抗不匹配时的行波反射与透射现象 |
| 2.2.4 行波在电缆中的传输速度 |
| 2.3 SSTDR技术原理及关键技术 |
| 2.3.1 SSTDR的基本原理 |
| 2.3.2 二进制伪随机序列的选取 |
| 2.3.3 调制方式的选取 |
| 2.4 本章小结 |
| 3 混沌扩展频谱时域检测法基本原理 |
| 3.1 常见的混沌映射 |
| 3.2 混沌序列在SSTDR系统中的应用 |
| 3.3 混沌扩展频谱时域检测法基本原理 |
| 3.3.1 混沌序列发生模块仿真 |
| 3.3.2 BPSK调制模块仿真 |
| 3.3.3 故障电缆模块仿真 |
| 3.3.4 BPSK解调模块仿真 |
| 3.4 本章小结 |
| 4 广义互相关在混沌扩展频谱时域检测法中的应用 |
| 4.1 基本互相关在混沌扩展频谱时域检测法中的不足 |
| 4.2 广义互相关的三种常用加权函数 |
| 4.2.1 ROTH加权函数 |
| 4.2.2 PHAT加权函数 |
| 4.2.3 SCOT加权函数 |
| 4.3 广义互相关算法在混沌扩展频谱时域检测法中的应用 |
| 4.3.1 ROTH加权函数 |
| 4.3.2 PHAT加权函数 |
| 4.3.3 SCOT加权函数 |
| 4.4 结果分析与讨论 |
| 4.5 本章小结 |
| 5 无人值守光伏充电站电缆检测系统软件设计 |
| 5.1 无人值守光伏充电站电缆检测系统软件设计框架 |
| 5.2 各模块功能仿真 |
| 5.2.1 时钟的分频倍频 |
| 5.2.2 混沌序列产生模块 |
| 5.2.3 BPSK调制模块 |
| 5.2.4 其他模块 |
| 5.3 本章小结 |
| 6 无人值守光伏充电站电缆检测系统硬件选型及下板测试 |
| 6.1 硬件芯片选型 |
| 6.1.1 FPGA芯片选型 |
| 6.1.2 DAC芯片选型 |
| 6.1.3 ADC芯片选型 |
| 6.2 各模块下板测试 |
| 6.2.1 混沌序列产生模块下板测试 |
| 6.2.2 DA输出模块下板测试 |
| 6.2.3 AD采集模块下板测试 |
| 6.2.4 BPSK解调模块下板测试 |
| 6.2.5 混叠信号下板测试及运算结果 |
| 6.3 本章概述 |
| 7 总结和展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（2）基于特征融合的多元时间序列预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时间序列预测方法研究现状 |
| 1.2.2 AKI预测方法研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文结构安排 |
| 第二章 相关理论基础 |
| 2.1 时间序列分析理论基础 |
| 2.1.1 单变量时间序列分析 |
| 2.1.2 多变量时间序列分析 |
| 2.2 基于深度学习的时间序列预测算法 |
| 2.2.1 循环神经网络(RNN) |
| 2.2.2 长短期记忆网络(LSTM) |
| 2.2.3 门控循环单元网络(GRU) |
| 2.2.4 注意力机制 |
| 2.3 时间序列数据特征提取方法 |
| 2.3.1 缺失值处理方法 |
| 2.3.2 序列特征提取 |
| 2.4 本章小结 |
| 第三章 基于时序卷积的多元时间序列预测模型 |
| 3.1 多元时间序列数据分析 |
| 3.1.1 AKI数据预处理 |
| 3.1.2 AKI时序特征提取 |
| 3.2 多元时间序列特征重要性分析 |
| 3.2.1 基于逻辑回归的AKI特征重要性分析 |
| 3.2.2 基于随机森林的AKI特征重要性分析 |
| 3.3 基于时序卷积的预测模型 |
| 3.3.1 模型设置 |
| 3.3.2 深度学习模型分析 |
| 3.3.3 卷积操作 |
| 3.3.4 模型结构 |
| 3.3.5 模型训练与测试 |
| 3.3.6 实验结果分析 |
| 3.4 本章小结 |
| 第四章 融合注意力特征的多元时间序列预测模型 |
| 4.1 传统注意力机制分析 |
| 4.2 模型结构 |
| 4.3 实验结果与性能分析 |
| 4.3.1 评估指标 |
| 4.3.2 实验环境及设置 |
| 4.3.3 模型训练与测试 |
| 4.3.4 实验结果分析 |
| 4.4 本章小节 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）南海鸢乌贼（Sthenoteuthis oualaniensis）生物学特性及栖息地特征研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 资源量及分布 |
| 1.2.2 种群结构 |
| 1.2.3 生活史特性 |
| 1.2.4 栖息地特征 |
| 1.3 研究内容及目的 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 样本采集及处理 |
| 2.1 生物学样本采集 |
| 2.2 生物学样本测量及判别 |
| 第3章 南海鸢乌贼种群结构及划分 |
| 3.1 材料与方法 |
| 3.1.1 形态分析 |
| 3.1.2 分子遗传分析 |
| 3.1.3 生态习性分析 |
| 3.2 结果 |
| 3.2.1 群体胴长结构 |
| 3.2.2 形态分析 |
| 3.2.3 分子遗传分析 |
| 3.2.4 生态习性分析 |
| 3.3 讨论 |
| 3.3.1 南海鸢乌贼群体结构状况 |
| 3.3.2 南海鸢乌贼群体划分依据 |
| 第4章 南海鸢乌贼基础生物学特性 |
| 4.1 南海鸢乌贼日龄结构与生长研究 |
| 4.1.1 材料与方法 |
| 4.1.2 结果 |
| 4.1.3 讨论 |
| 4.2 南海鸢乌贼繁殖特性研究 |
| 4.2.1 材料与方法 |
| 4.2.2 结果 |
| 4.2.3 讨论 |
| 4.3 南海鸢乌贼摄食生态研究 |
| 4.3.1 材料与方法 |
| 4.3.2 结果 |
| 4.3.3 讨论 |
| 第5章 南海鸢乌贼资源与环境关系 |
| 5.1 材料与方法 |
| 5.1.1 渔获数据 |
| 5.1.2 环境遥感数据 |
| 5.1.3 方法 |
| 5.2 结果 |
| 5.2.1 环境条件的时空变化 |
| 5.2.2 鸢乌贼CPUE的时空变化 |
| 5.2.3 最适环境条件筛选 |
| 5.2.4 鸢乌贼CPUE与环境关系 |
| 5.3 讨论 |
| 5.3.1 南海鸢乌贼时空分布规律 |
| 5.3.2 南海鸢乌贼CPUE与环境关系 |
| 第6章 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究特色与创新性 |
| 6.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在读期间科研成果情况 |
（4）天宫二号机械臂运动学标定位形选取策略与轨迹跟踪控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 物理量名称及符号表 |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 空间机械臂研究综述 |
| 1.2.1 国内外空间机械臂发展现状 |
| 1.2.2 微重力模拟环境实验平台研究综述 |
| 1.2.3 研究现状解析 |
| 1.3 机械臂最优标定集合选取问题研究综述 |
| 1.3.1 最优标定评价指标研究综述 |
| 1.3.2 基于DETMAX的位形搜索算法研究综述 |
| 1.3.3 其他搜索算法研究综述 |
| 1.3.4 机械臂位形摄动理论研究综述 |
| 1.3.5 研究现状解析 |
| 1.4 空间机械臂系统非线性模型研究综述 |
| 1.4.1 空间机械臂迟滞特性研究综述 |
| 1.4.2 空间机械臂摩擦模型研究综述 |
| 1.4.3 研究现状解析 |
| 1.5 轨迹跟踪控制问题研究综述 |
| 1.5.1 基于滑模理论的轨迹跟踪控制研究方法综述 |
| 1.5.2 基于观测器的轨迹跟踪控制研究方法综述 |
| 1.5.3 基于模糊理论的轨迹跟踪控制研究方法综述 |
| 1.5.4 研究现状解析 |
| 1.6 本文主要研究内容 |
| 第2章 天宫二号机械臂运动学最优标定位形选取策略 |
| 2.1 引言 |
| 2.2 机械臂运动学参数标定的最优位形集合选择算法 |
| 2.2.1 奇异值分解与可观性指数 |
| 2.2.2 矩阵摄动理论 |
| 2.2.3 基于矩阵摄动理论的位形集合搜索算法 |
| 2.2.4 摄动对辨识雅可比及其奇异值的影响 |
| 2.2.5 利用位形摄动修正奇异值 |
| 2.2.6 位形搜索算法 |
| 2.3 基于矩阵摄动算法的参数标定仿真与实验 |
| 2.3.1 基于位形摄动算法的参数标定仿真 |
| 2.3.2 基于位形摄动算法的参数标定实验 |
| 2.4 本章小结 |
| 第3章 旋拧J599电连接器机械臂轨迹跟踪控制策略 |
| 3.1 引言 |
| 3.2 天宫二号机械臂关节模型与非线性因素分析 |
| 3.2.1 迟滞特性分析与建模 |
| 3.2.2 非线性摩擦分析与建模 |
| 3.3 不同重力环境下的机械臂系统动力学模型 |
| 3.4 基于滑模观测器的轨迹跟踪控制策略 |
| 3.4.1 滑模观测器设计 |
| 3.4.2 观测误差系统稳定性分析 |
| 3.4.3 基于滑模观测器的控制器设计 |
| 3.4.4 滑模观测器与控制器设计步骤 |
| 3.4.5 仿真结果与分析 |
| 3.5 本章小结 |
| 第4章 捕获空间漂浮小球的机械臂轨迹跟踪控制策略 |
| 4.1 引言 |
| 4.2 扩张状态观测器设计 |
| 4.2.1 扩张状态观测器的一般形式 |
| 4.2.2 扩张状态观测器自适应参数整定 |
| 4.2.3 高阶扩张状态观测器设计 |
| 4.2.4 观测误差系统稳定性分析 |
| 4.3 基于扩张状态观测器的轨迹跟踪控制策略 |
| 4.3.1 模糊控制器表示方法 |
| 4.3.2 自适应模糊滑模控制器设计 |
| 4.3.3 扩张状态观测器与模糊控制器设计步骤 |
| 4.3.4 仿真结果与分析 |
| 4.4 本章小结 |
| 第5章 天宫二号机械臂维修与捕获实验 |
| 5.1 引言 |
| 5.2 天宫二号机械臂实验平台搭建 |
| 5.2.1 天宫二号机械臂设计指标 |
| 5.2.2 天宫二号机械臂关节设计 |
| 5.3 空间站实验舱内机械臂标定过程 |
| 5.3.1 坐标系定义 |
| 5.3.2 PNP问题 |
| 5.3.3 标定过程 |
| 5.4 地面模拟实验系统软件设计 |
| 5.5 基于滑模观测器的旋拧J599电连接器在轨实验 |
| 5.5.1 旋拧J599电连接器任务介绍 |
| 5.5.2 旋拧J599电连接器轨迹跟踪控制结果与分析 |
| 5.6 基于扩张状态观测器的捕获空间漂浮小球在轨实验 |
| 5.6.1 捕获空间漂浮小球任务介绍 |
| 5.6.2 空间实验舱内气流对捕获任务的影响 |
| 5.6.3 捕获空间漂浮小球轨迹跟踪控制结果与分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 各种位形搜索算法的标定实验数据 |
| 附录B 引理证明过程 |
| B.1 关于引理 3-1 的证明 |
| 附录C 基于两种观测器的轨迹跟踪控制程序框图 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）有害生物数量生态调控中的突变理论研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 种群数量动态模型及其发展过程 |
| 1.1.1 种群数量动态模型的概念 |
| 1.1.2 种群模型的发展过程 |
| 1.2 突变理论及其研究现状 |
| 1.2.1 突变理论 |
| 1.2.2 初等突变模型的应用 |
| 1.3 模型参数估计方法的应用现状 |
| 1.4 小结 |
| 第二章 材料与方法 |
| 2.1 动力系统的平衡点 |
| 2.2 综合评价方法 |
| 2.2.1 主成分分析 |
| 2.2.2 因子分析 |
| 2.2.3 突变级数法 |
| 2.3 微分方程参数拟合 |
| 2.3.1 灰色估计法 |
| 2.3.2 两阶段法 |
| 2.3.3 精度检验 |
| 2.3.4 灰色估计法和两阶段法比较 |
| 2.4 技术路线 |
| 第三章 七种初等突变模型的定性分析 |
| 3.1 折叠突变模型 |
| 3.1.1 表达式 |
| 3.1.2 突变分析 |
| 3.2 尖角突变模型 |
| 3.2.1 表达式 |
| 3.2.2 突变分析 |
| 3.3 燕尾突变模型 |
| 3.3.1 表达式 |
| 3.3.2 突变分析 |
| 3.4 蝴蝶突变模型 |
| 3.4.1 表达式 |
| 3.4.2 突变分析 |
| 3.5 椭圆型脐点突变模型 |
| 3.5.1 表达式 |
| 3.5.2 突变分析 |
| 3.6 双曲型脐点突变模型 |
| 3.6.1 表达式 |
| 3.6.2 突变分析 |
| 3.7 抛物型脐点突变模型 |
| 3.7.1 表达式 |
| 3.7.2 突变分析 |
| 3.8 结论与讨论 |
| 第四章 基于突变理论的麦蚜数量动态模型I |
| 4.1 问题的提出 |
| 4.2 广义数量动态模型 |
| 4.2.1 广义数量动态模型的建立 |
| 4.2.2 广义数量动态模型与突变模型的结合 |
| 4.2.3 初等突变模型的选择 |
| 4.3 数值模拟 |
| 4.3.1 数据来源 |
| 4.3.2 环境因子的计算 |
| 4.3.3 天敌因子的计算 |
| 4.3.4 农药的计算 |
| 4.3.5 模型中常参数拟合 |
| 4.4 麦蚜生态系统中的突变分析、预测与控制策略 |
| 4.4.1 突变分析 |
| 4.4.2 预测 |
| 4.4.3 控制策略 |
| 4.5 结论与讨论 |
| 第五章 基于突变理论的麦蚜数量动态模型II |
| 5.1 问题的提出 |
| 5.2 麦蚜数量动态模型和突变模型 |
| 5.2.1 麦蚜数量动态模型的建立 |
| 5.2.2 尖角突变模型的背景知识 |
| 5.2.3 蚜虫数量动态模型与突变模型间的转换 |
| 5.3 参数估计 |
| 5.3.1 变量 |
| 5.3.2 常量 |
| 5.4 数值拟合 |
| 5.4.1 调查数据 |
| 5.4.2 参数拟合结果 |
| 5.4.3 麦蚜生态系统中蚜虫数量突变行为和控制策略 |
| 5.5 结论与讨论 |
| 第六章 猕猴桃园节肢动物群落中突变模型的研究与应用 |
| 6.1 问题的提出 |
| 6.2 猕猴桃园节肢动物群落双曲脐点突变模型 |
| 6.2.1 数据来源 |
| 6.2.2 群落基本特征的计算方法 |
| 6.2.3 椭圆型脐点突变和双曲型脐点突变模型的建立 |
| 6.2.4 椭圆型脐点突变模型的突变分析 |
| 6.2.5 双曲型脐点突变模型的突变分析 |
| 6.3 数值模拟结果 |
| 6.4 结论与讨论 |
| 第七章 结论、创新点与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简历 |
（6）基于词嵌入与生成式神经网络的主题模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 主题模型研究现状 |
| 1.2.2 词嵌入研究现状 |
| 1.2.3 生成式神经网络研究现状 |
| 1.3 研究内容与方法 |
| 1.4 论文主要工作 |
| 1.5 论文组织 |
| 第二章 背景知识 |
| 2.1 相关概念定义 |
| 2.2 主题模型 |
| 2.2.1 基于矩阵分解的主题模型 |
| 2.2.2 基于概率图的主题模型 |
| 2.2.3 神经主题模型 |
| 2.2.4 主题模型的应用 |
| 2.2.5 讨论 |
| 2.3 词表示模型 |
| 2.3.1 传统词表示模型 |
| 2.3.2 词嵌入模型 |
| 2.3.3 讨论 |
| 2.4 生成式神经网络 |
| 2.4.1 生成对抗网络 |
| 2.4.2 流模型 |
| 2.4.3 讨论 |
| 2.5 本文使用的数据集及主题评价指标 |
| 2.5.1 数据集及预处理 |
| 2.5.2 主题评价指标 |
| 2.6 小结 |
| 第三章 基于加权波利亚球罐机制的主题模型 |
| 3.1 引言 |
| 3.2 概述 |
| 3.3 相关工作 |
| 3.4 模型描述 |
| 3.4.1 加权波利亚球罐机制 |
| 3.4.2 基于加权波利亚球罐机制的主题模型 |
| 3.5 实验与结果分析 |
| 3.5.1 对比模型 |
| 3.5.2 参数设置 |
| 3.5.3 主题一致性对比 |
| 3.5.4 参数分析 |
| 3.5.5 主题样例 |
| 3.6 本章小结 |
| 第四章 基于对抗训练的神经主题模型 |
| 4.1 引言 |
| 4.2 概述 |
| 4.3 相关工作 |
| 4.4 模型描述 |
| 4.4.1 表示映射模块 |
| 4.4.2 模型网络结构 |
| 4.4.3 模型训练 |
| 4.4.4 主题生成 |
| 4.5 实验与结果分析 |
| 4.5.1 对比模型 |
| 4.5.2 参数设置 |
| 4.5.3 主题一致性对比 |
| 4.5.4 主题样例及主题可视化 |
| 4.5.5 开放事件抽取及样例 |
| 4.6 本章小结 |
| 第五章 基于双向对抗训练的高斯神经主题模型 |
| 5.1 引言 |
| 5.2 概述 |
| 5.3 相关工作 |
| 5.4 模型描述 |
| 5.4.1 双向对抗主题模型 |
| 5.4.2 高斯生成器 |
| 5.4.3 模型训练 |
| 5.4.4 主题生成和聚类 |
| 5.5 实验与结果分析 |
| 5.5.1 对比模型 |
| 5.5.2 参数设置 |
| 5.5.3 主题一致性对比 |
| 5.5.4 文本聚类 |
| 5.5.5 主题样例 |
| 5.5.6 主题相关性 |
| 5.6 本章小结 |
| 第六章 基于可逆转换的变分高斯神经主题模型 |
| 6.1 引言 |
| 6.2 概述 |
| 6.3 相关工作 |
| 6.4 模型描述 |
| 6.4.1 编码器网络 |
| 6.4.2 高斯解码器 |
| 6.4.3 基于可逆转换的高斯解码器 |
| 6.4.4 优化目标 |
| 6.5 实验与结果分析 |
| 6.5.1 对比模型 |
| 6.5.2 参数设置 |
| 6.5.3 主题一致性对比 |
| 6.5.4 主题样例 |
| 6.5.5 主题相关性 |
| 6.6 本章小结 |
| 第七章 基于对抗训练的神经事件模型 |
| 7.1 引言 |
| 7.2 概述 |
| 7.3 相关工作 |
| 7.4 模型描述 |
| 7.4.1 真实文档采样与表示模块 |
| 7.4.2 模型网络结构 |
| 7.4.3 模型训练 |
| 7.4.4 事件生成 |
| 7.5 实验与结果分析 |
| 7.5.1 对比模型 |
| 7.5.2 参数设置 |
| 7.5.3 事件抽取实验 |
| 7.5.4 参数分析与可视化 |
| 7.5.5 事件抽取样例 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 论文的主要贡献 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于广义Logistic模型的美国白蛾优化控制策略（论文提纲范文）
| 1 预备知识 |
| 2 主要结果 |
| 2.1 平衡点的存在性及稳定性 |
| 2.2 种群动力学性质 |
| 2.3 美国白蛾的优化控制 |
| 3 结论 |
（9）基于结构化稀疏表示的压缩视频采样（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及难点 |
| 1.3 主要研究内容和文章结构 |
| 1.4 主要创新点 |
| 第二章 背景知识 |
| 2.1 引言 |
| 2.2 稀疏表示 |
| 2.2.1 一般性稀疏 |
| 2.2.2 结构化稀疏 |
| 2.3 采样矩阵的设计 |
| 2.4 CS重构算法 |
| 2.4.1 基于一般性稀疏的重构算法 |
| 2.4.2 基于结构化稀疏的重构算法 |
| 2.5 基于端到端的压缩感知 |
| 2.6 可伸缩视频编码 |
| 第三章 压缩视频采样:数据驱动子空间联合模型 |
| 3.1 前言 |
| 3.2 压缩视频采样技术概述 |
| 3.2.1 向量化的压缩视频采样技术概述 |
| 3.2.2 张量化的压缩视频采样技术概述 |
| 3.3 背景和驱动 |
| 3.3.1 单子空间模型 |
| 3.3.2 子空间联合模型 |
| 3.3.3 问题驱动 |
| 3.4 基于数据驱动子空间联合模型的压缩视频采样框架 |
| 3.4.1 框架描述 |
| 3.4.2 子空间聚类 |
| 3.4.3 线性子空间学习 |
| 3.4.4 稳定重构 |
| 3.5 UoDS模型的张量推广 |
| 3.5.1 广义问题陈述 |
| 3.5.2 稳定重构 |
| 3.5.3 基于广义模型的压缩视频采样框架 |
| 3.6 实验结果 |
| 3.6.1 实验设置 |
| 3.6.2 线性子空间结果 |
| 3.6.3 多线性子空间结果 |
| 3.6.4 计算复杂度 |
| 3.7 小结 |
| 第四章 压缩视频采样:块稀疏子空间学习框架 |
| 4.1 前言 |
| 4.2 背景及驱动 |
| 4.3 最优结构化稀疏表示 |
| 4.3.1 数据驱动的张量子空间联合模型 |
| 4.3.2 块稀疏下的最优性 |
| 4.4 结构化稀疏约束优化 |
| 4.4.1 块稀疏子空间学习 |
| 4.4.2 泛化的块稀疏子空间学习 |
| 4.5 实验结果 |
| 4.5.1 实验设置 |
| 4.5.2 线性子空间学习:BSSL |
| 4.5.3 张量子空间学习:UoTS和 GBSSL |
| 4.5.4 计算复杂度 |
| 4.6 本章小结 |
| 第五章 结构化稀疏可伸缩压缩视频采样方法 |
| 5.1 前言 |
| 5.2 背景及驱动 |
| 5.3 结构化稀疏可伸缩压缩视频采样方法(SS-CVS) |
| 5.3.1 框架描述 |
| 5.3.2 可伸缩的压缩感知 |
| 5.3.3 稳定的可伸缩重构 |
| 5.4 质量可伸缩性:分层子空间学习 |
| 5.4.1 子空间聚类的层次结构 |
| 5.4.2 基矩阵派生的层次结构 |
| 5.4.3 基于块稀疏张量的SS-CVS(BT-SS-CVS) |
| 5.5 实验 |
| 5.5.1 实验设置 |
| 5.5.2 结构化稀疏可伸缩视频采样:分层子空间学习 |
| 5.5.3 基于张量的扩展:BT-SS-CVS |
| 5.5.4 计算复杂度 |
| 5.6 本章小结 |
| 第六章 大尺度优化问题的可分解迭代算法 |
| 6.1 前言 |
| 6.2 背景及驱动 |
| 6.2.1 联邦数据分析 |
| 6.2.2 二元逻辑回归 |
| 6.3 垂直网格逻辑回归学习 |
| 6.3.1 逻辑回归对偶优化问题的牛顿迭代算法 |
| 6.3.2 垂直网格逻辑回归学习 |
| 6.3.3 基于固定海森矩阵的垂直网格逻辑回归 |
| 6.4 块稀疏张量的交替方向乘子法 |
| 6.5 实验 |
| 6.5.1 实验:垂直网格逻辑回归算法 |
| 6.5.2 实验:块稀疏张量的交替方向乘子法 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 全文总结 |
| 7.2 未来工作展望 |
| 附录 A附录A定理3.3 的证明 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
（10）私人汽车保有与使用行为的基础研究（论文提纲范文）
| 摘要 abstract 通用符号说明 1 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 研究内容 |
| 1.3 本章小结 2 文献综述 |
| 2.1 引言 |
| 2.2 私人汽车保有量宏观研究 |
| 2.2.1 静态研究 |
| 2.2.2 动态研究 |
| 2.3 家庭私人汽车保有行为研究 |
| 2.3.1 家庭间互相独立 |
| 2.3.2 家庭间相互关联 |
| 2.4 家庭私人汽车保有与使用及其相关决策联合研究 |
| 2.4.1 静态研究 |
| 2.4.2 动态研究 |
| 2.5 贝叶斯MCMC估计 |
| 2.5.1 共轭先验 |
| 2.5.2 马尔科夫蒙特卡洛(MCMC)方法 |
| 2.5.3 其他抽样方法 |
| 2.6 本章小结 3 城市私人汽车保有量影响因素及其差异分析 |
| 3.1 引言 |
| 3.2 数据 |
| 3.3 面板数据模型与估计检验 |
| 3.3.1 模型结构 |
| 3.3.2 估计方法 |
| 3.3.3 模型检验 |
| 3.4 估计结果分析 |
| 3.4.1 城市总体分析 |
| 3.4.2 城市规模差异分析 |
| 3.4.3 城市区域位置差异分析 |
| 3.5 地铁抑制作用分析 |
| 3.6 本章小结 4 家庭间相关性对私人汽车保有行为影响分析 |
| 4.1 引言 |
| 4.2 数据 |
| 4.3 模型 |
| 4.3.1 传统二项Probit模型 |
| 4.3.2 空间自回归二项Probit模型 |
| 4.4 贝叶斯MCMC估计 |
| 4.4.1 传统二项Probit估计 |
| 4.4.2 空间自回归二项Probit估计 |
| 4.5 模型评价指标 |
| 4.6 结果分析 |
| 4.6.1 贝叶斯MCMC估计的有效性 |
| 4.6.2 空间自回归二项Probit模型估计结果分析 |
| 4.7 本章小结 5 正态分布假设下的私人汽车保有与使用行为分析 |
| 5.1 引言 |
| 5.2 数据 |
| 5.3 样本选择模型 |
| 5.4 贝叶斯MCMC估计 |
| 5.4.1 选择偏误与Heckman两阶段估计 |
| 5.4.2 似然函数与先验分布 |
| 5.4.3 Gibbs抽样 |
| 5.5 仿真验证 |
| 5.6 实证结果 |
| 5.7 本章小结 6 混合正态分布假设下的私人汽车保有与使用行为分析 |
| 6.1 引言 |
| 6.2 混合正态模型 |
| 6.2.1 模型结构 |
| 6.2.2 模型识别 |
| 6.3 基于混合正态分布的样本选择模型 |
| 6.4 贝叶斯MCMC估计 |
| 6.4.1 似然函数与先验分布 |
| 6.4.2 Gibbs抽样 |
| 6.5 仿真验证 |
| 6.5.1 仿真模型 |
| 6.5.2 交叉验证 |
| 6.5.3 模型评价 |
| 6.6 实证研究 |
| 6.6.1 模型评价 |
| 6.6.2 结果分析 |
| 6.7 本章小结 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 参考文献 附录 攻读博士学位期间参加课题和发表论文情况 致谢 作者简介 |
四、广义Logistic模型的捕获优化问题（论文参考文献）
- [1]无人值守光伏充电站电缆故障检测方法研究与设计实现[D]. 郑琦. 西安理工大学, 2021(01)
- [2]基于特征融合的多元时间序列预测方法研究[D]. 胡堰翔. 电子科技大学, 2021(01)
- [3]南海鸢乌贼（Sthenoteuthis oualaniensis）生物学特性及栖息地特征研究[D]. 招春旭. 集美大学, 2021
- [4]天宫二号机械臂运动学标定位形选取策略与轨迹跟踪控制研究[D]. 樊春光. 哈尔滨工业大学, 2020(02)
- [5]有害生物数量生态调控中的突变理论研究与应用[D]. 李媛. 西北农林科技大学, 2020
- [6]基于词嵌入与生成式神经网络的主题模型研究[D]. 王睿. 东南大学, 2020
- [7]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [8]基于广义Logistic模型的美国白蛾优化控制策略[J]. 张巧玲,陆海霞,张翼. 扬州大学学报(自然科学版), 2020(04)
- [9]基于结构化稀疏表示的压缩视频采样[D]. 李勇. 上海交通大学, 2019(06)
- [10]私人汽车保有与使用行为的基础研究[D]. 邬娜. 大连理工大学, 2017(09)