一、A NOTE ON DERIVATIVES OF FUNCTION AND THEIR FOURIER TRANSFORMS IN L_2（论文文献综述）
王全来[1]（2021）在《波利亚在函数最后集上的贡献》文中进行了进一步梳理基于原始文献,利用历史分析和比较的方法,首次系统研究了波利亚在函数最后集上的工作,梳理了最后集理论发展的历史脉络.波利亚在该工作上的文章有12篇.在对这些文章进行解读和分析的基础上,探讨了波利亚在最后集工作上的背景、重要思想和影响.该文指出,奥兰德的有关工作和波利亚关于指数型多项式零点的研究是其最后集研究的重要基础;波利亚在1922年的文章首次从几何角度提出了函数最后集思想, 1943年的文章给出分析学定义和命名;波利亚的工作对其后的数学家有重要影响,产生了许多深刻成果.这些结果对哥德堡猜想及黎曼猜想的解决也有一定意义.
袁琼,杨志伟,付芳芳[2]（2021）在《时空分数阶扩散方程的扩展混合有限元方法》文中提出文章主要讨论了带有双边Riemann-Liouville分数阶导数的分数阶扩散方程.通过引入未知函数的通量p=-K（θ0Ixβ+（1-θ）xI1β）Du和导数q-Du作为中间变量,建立了相应的鞍点变分格式.基于鞍点格式构造了可同时高精度逼近未知函数,未知函数导数和分数阶通量的L1全离散扩展混合有限元格式.在数值分析中,借助混合元投影算子的投影误差估计得到关于未知函数u的收敛阶为O(τ2-α+hmin{k+1,s=1+β/2}),关于函数导数与分数阶数值通量p的收敛阶为O(τ2-3α/2+hmin{k+1,s-1+β/2}).文中数值实验表明,所提出的L1全离散扩展混合有限元格式具有理想的数值逼近效果.
刘世斌[3]（2021）在《磁梯度张量测量系统野外现场校正与标定方法研究》文中研究指明磁梯度张量是磁场矢量沿着笛卡尔坐标系三个坐标轴方向的空间变化率,与传统磁法勘探手段相比,磁梯度张量测量具有众多优点,因此在近二十多年以来引起国内外研究单位广泛关注,其测量技术也不断趋于成熟。然而,目前应用于张量仪的校正和标定技术都存在一定缺陷,这就造成张量探测结果中存在误差,测量精度难以保证,严重制约了其在相关领域的应用。张量仪误差来源是分层次的,因此,仪器标定之前需要先对其进行必要的校正。张量仪的校正又需要经过两个方面,其一是对张量各分量的梯度不平衡进行校正,目前采用的梯度不平衡校正方法由于存在一定的缺陷,导致梯度不平衡难以完全去除;其二是对张量各分量构成张量整体时引入的误差开展校正,该阶段的误差建模过程复杂,目前暂无针对此类误差的校正方法。除了仪器校正方面的困难外,另一个张量仪标定需要面对的难题是张量仪在野外复杂环境中进行测量时,测量环境与标定环境不一致,这引出目前张量仪标定的两个主流思路:一是优先保证标定环境,即在屏蔽环境下用麦克斯韦线圈产生精确梯度值,然后对张量仪进行标定,该方法虽然可以提供精确标定值,但标定环境与测量环境相差甚远;二是优先保证测量环境,即利用磁场均匀区域梯度为零作为约束完成标定,该方法虽然保证了测量环境与标定环境一致,但采用的约束条件是张量仪标定的必要非充分条件,标定依然无法全部完成。针对目前张量仪校正和标定方法中存在的各类问题,本文开展了以下研究工作:（1）磁梯度张量仪误差校正方法研究。针对张量整体误差校正,虽然不同测量方法获得的磁梯度分量所存在的误差各不相同,难以统一表达,但从梯度分量构建张量整体时存在的误差却基本类似,因此本文以差分式张量仪为例,建立了张量分量构建张量整体时的误差模型,然后借鉴磁矢量校正时常用的椭球拟合法,用张量的旋转不变量进行约束,完成该阶段的校正,仿真结果表明该方法可以有效对张量仪进行校正。针对梯度不平衡误差残留问题,本文分析了以往张量探测实验中测量数据的特征,根据梯度不平衡与仪器姿态和磁场测量值高度相关的特性,设计了阵列式自适应噪声抵消器,实验结果表明该方法可以有效减小残留的梯度不平衡。（2）航空磁梯度张量测量系统标定方法研究。由于张量仪标定方法存在的问题可以归结于缺少测量环境下的非零标定参考值,因此本文提出将磁总场梯度计与张量仪一起进行测量,然后通过广义希尔伯特变换计算得到张量值,作为标定参考值,完成对张量仪的标定。然而航空测量条件十分复杂,为了评估此方法获取的标定值的准确性,本文分析实际航空测量条件与理想条件的差异,对在实际条件下应用广义希尔伯特变换会产生的误差进行分类,并建立各类误差的模型,分析其传递规律,然后基于大量的仿真分析,设计各类误差的估计模型和准确性评估算法。最后基于飞行模拟器的仿真结果和实际的飞行实验表明该算法可以有效分析出实际飞行对应用广义希尔伯特变换的影响,指导我们获取准确标定参考值。为了进一步验证所提出的航空张量仪标定方法的正确性,本文还设计基于磁源辨识的校正和标定验证方法,即通过校正和标定方法处理之后的数据与原始测量数据辨识结果的对比来反映标定效果,开展基于飞行模拟器的仿真实验和实际航空探测实验,结果表明,用经过校正和标定的数据进行辨识大大提高了磁源位置和结构指数的辨识精度,证明了所提出方法的正确性。（3）井中磁梯度张量测量系统标定方法研究。采用先测量磁场三分量,用频率域求导法获取z轴上三个张量分量,并对这三个分量先进行标定,然后再将这三个分量的标定参数配合不变量约束,完成另两个标定参数的求取,最终完成五个独立分量的标定。仿真结果表明,相比于旋转不变量校正法,该方法可以进一步提升张量数据的精度。同样的,针对井中张量测量系统也采用基于辨识结果的验证方法。本文提出一种基于井中张量的磁层信息辨识方法,该方法先建立地下倾斜磁层在钻井中轴线产生的磁梯度张量模型,然后通过张量不变量辨识磁层厚度和倾角,再通过张量分量辨识磁层其它信息,最后通过少量迭代提高了算法精度和稳定性。仿真实验表明,经过不变量校正后,磁层的几何信息辨识精度得到了大幅度提升,再经过进一步标定后,磁层磁化信息的辨识结果也得到提升。最后设计了人造磁层探测实验,模拟井中探测时钻井穿过磁层的效果,结果表明本文的校正方法提升了磁层辨识精度,证明所提方法的正确性。
王全来[4]（2021）在《波利亚在LP类函数猜想上的工作》文中研究表明对波利亚关于拉盖尔-波利亚类函数猜想的历史脉络进行梳理。利用历史分析和比较的方法,基于原始文献,研究波利亚与之有关的一些文献,分析其提出该猜想的历史背景,指出拉盖尔1882年的相关工作是其思想基础,波利亚关于多项式逼近整函数的研究是其工作基础;通过研究波利亚在该猜想上的重要工作,揭示其思想的演变过程,指出波利亚在1914年的文章中已有该猜想雏形,在1915年的文章中进一步明确。在其后工作中,虽未能完全解决该猜想,但提出了整函数或亚纯函数零点集的最后集概念,为其他学者进一步研究奠定了基础。最后探讨该猜想的重要影响,指出海勒斯坦和威廉森最终在1977年完全解决了该猜想,在该猜想的求证过程中产生一些新的方法和思想,及相关研究新领域。
任胜杰[5]（2021）在《基于卷积神经网络的螺栓松动故障诊断研究》文中研究指明螺栓连接具有可靠性高、便于安装和维护以及承载能力强等优点,被广泛应用于航空航天、土木和桥梁等工程领域中。然而,由于螺栓连接结构通常在时变负载下工作,导致服役螺栓常常发生松动,从而造成连接失效,若无法及时有效地诊断出螺栓松动,常常会造成设备精度降低、经济损失甚至人员伤亡。因此,有效检测和量化螺栓松动具有重要的工程意义。传统的机械故障诊断方法侧重于人工手动设计并提取特征,研究人员需要具有一定的先验知识,整个诊断过程效率低。而卷积神经网络可以从故障数据中自主学习并挖掘有用特征以提高诊断准确率,实现了端到端的螺栓松动故障诊断。针对卷积神经网络应用于螺栓松动故障诊断所需样本量大、准确率低的问题,建立了基于时频分析和深度迁移学习的螺栓松动故障诊断模型。首先,分析了十种典型的时频分析方法;其次,采用微调后的预训练AlexNet网络进行训练,分析比较每种时频方法的特征表达能力;最后,为了更好地理解网络学习过程,对神经元激活状态和提取特征进行可视化。为了观察模型逐层提取特征能力,采用t-SNE分别对测试样本和经过第一层卷积、第二层卷积和Softmax层后提取到的特征进行可视化。由于噪声会严重影响模型最终的诊断准确率,建立了基于一维（1D）和二维（2D）双流卷积神经网络的螺栓松动故障诊断模型（TSCNN）。首先,对传统LeNet-5网络进行改进,通过改变卷积核大小和数量、增加卷积层和池化层、采用批量归一化和Dropout等操作,分别建立一维卷积神经网络（1DCNN）和二维卷积神经网络（2DCNN）;其次,通过分析第一层宽卷积核、时频图像尺寸和网络深度对诊断结果的影响,确定了 1DCNN和2DCNN的结构参数;最后,将两种网络提取到的深度不变特征进行双流融合,以提高螺栓松动故障诊断模型的准确率。最后,在单螺栓钢板搭接、双螺栓钢板搭接和多螺栓机床导轨三种实验平台上对两种方法的有效性进行了验证。与传统方法相比,基于时频分析和深度迁移学习方法在小样本2000下就具有较高的识别准确率,TSCNN在三种实验平台上的准确率分别为100%、99.58%和99.58%。另外,测试了网络在不同噪声环境下的诊断性能,无需任何降噪预处理,TSCNN模型在不同噪声环境下表现出良好的鲁棒性和较高的识别准确率。
胡图[6]（2021）在《基于行波固有频率配电网混合线路故障测距研究》文中指出
赵雨凡[7]（2021）在《基于数据和机理混合驱动的复杂工业软测量方法研究》文中提出复杂工业过程中为了及时获得被控对象的关键信息,经常要对一些参量进行定性或定量的检查和测量,但是由于复杂工业系统结构繁杂多样、变量繁多等特点以及成本和技术等因素限制无法获取过程变量的某些关键信息。软测量技术被广泛应用于解决上述难题,它的核心是模型的建立,目前对复杂工业过程的研究大都致力于对建模方法的研究而忽略了输入特征对目标变量的影响,而且由于复杂工业建模难的特点导致对混合驱动软测量方法的研究相对较少。本文对复杂工业过程建模前的输入数据特征进行处理以及混合模型的建立展开研究,以电站锅炉空气预热器为复杂工业过程的研究对象,将研究内容应用于空气预热器的转子热变形量的预测中。本文具体研究如下:（1）在进行混合驱动建模前先确定数据驱动模型和机理模型。文章首先利用WORKBENCH19.0软件对型号为LAP14948/2400的空气预热器进行了热-应力耦合分析,可知转子发生热变形的形状为“蘑菇状”,然后根据能量守恒定律、边界条件等简化的机制和原理对热应力导致的热应变进行了数学描述,得到了基于机理模型的转子热变形量。（2）在得到空气预热器的工业现场数据后,采用机理模型分析法筛选出与转子热变形量有关的辅助变量,再利用斯皮尔曼相关系数法对输入辅助变量与目标变量之间的相似度进行分析,得到与转子热变形量有密切关联的辅助变量作为可靠输入。受测量仪器精度、工业现场环境差等因素影响,工业现场采集的数据不可避免地有偏差,而输入数据的准确性对于数据驱动软测量建模结果的影响较大,所以在进行数据驱动建模前,本文利用小波阈值去噪的方法对输入数据进行了去噪处理。然后对去噪数据进行归一化操作后选取出互斥的训练样本和测试样本用于数据驱动建模。（3）对（2）中选取的未去噪的数据集分别采用BP神经网络、支持向量回归（Support Vector Regression,SVR）、粒子群优化算法（Particle Swarm Optimization,PSO）的 SVR 进行数据驱动建模后预测了转子的形变量,再利用小波去噪后的数据结合SVR建立起基于小波和SVR相结合的数据驱动软测量方法预测了转子的形变量。结果表明对于复杂工业而言,利用去噪后的数据进行数据驱动建模的预测效果优于未去噪的建模方法而且降低了模型的复杂度。（4）将（3）中建立好的小波与SVR相结合的数据驱动模型和（1）中建立的机理驱动模型分别以并联、串联和杂模的方式结合起来,建立起基于误差、基于叠加及基于权重因子的混合模型,用这三种混合模型对转子热变形量进行预测。实验结果表明文章建立的三种混合驱动中基于权重因子的建模方法优于其他两种混合建模方法同时也优于单一模型,但是基于误差的混合建模方法的表现不如单一模型。混合驱动模型的建立没有固定标准,混合模型的建模效果不一定优于单一模型,要结合具体工业过程分析。本文分别对单一模型和混合模型进行了软测量建模和分析且将其应用于复杂工业过程中加以验证,表明本文提出的基于小波与SVR相结合的数据驱动建模方法的预测精度高于未去噪的数据驱动建模方法,同时在建立的三种混合驱动模型进行了对比找到最适合预测转子热变形量的建模方法。为空气预热器漏风技术的研究提供了较准确的形变量。
毛维培[8]（2021）在《基于压缩感知和深度学习的供水管道泄漏孔径识别研究》文中提出
张安琪[9]（2021）在《基于小波稀疏表示和深度学习的高压设备局部放电识别应用研究》文中指出
吕涛涛[10]（2021）在《单晶二维材料势垒层磁性隧道结的偏压效应研究》文中认为
二、A NOTE ON DERIVATIVES OF FUNCTION AND THEIR FOURIER TRANSFORMS IN L_2（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、A NOTE ON DERIVATIVES OF FUNCTION AND THEIR FOURIER TRANSFORMS IN L_2（论文提纲范文）
（3）磁梯度张量测量系统野外现场校正与标定方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外磁梯度张量测量技术发展现状 |
| 1.2.2 国内外磁梯度张量仪校正和标定技术发展现状 |
| 1.2.3 现有磁梯度张量仪校正和标定技术存在的缺陷 |
| 1.3 研究意义和目的 |
| 1.4 本文研究内容及组织结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 本文组织结构 |
| 第2章 磁梯度张量探测原理与测量系统构建 |
| 2.1 引言 |
| 2.2 磁梯度张量测量的物理学基础 |
| 2.2.1 地球磁场模型及主要特征 |
| 2.2.2 磁梯度张量基本概念与特征 |
| 2.2.3 磁梯度势场转换原理 |
| 2.2.4 磁偶极子梯度场空间分布模型 |
| 2.3 磁梯度张量探测技术 |
| 2.3.1 航空磁梯度张量探测技术简介 |
| 2.3.2 井中磁梯度探测技术简介 |
| 2.3.4 磁梯度张量探测坐标系 |
| 2.3.5 三轴磁传感器通用误差模型 |
| 2.4 磁梯度探测实验系统构建 |
| 2.4.1 磁梯度张量探测仪器 |
| 2.4.2 高精度总场梯度计 |
| 2.4.3 实验场地及航空实验载具 |
| 2.5 本章小结 |
| 第3章 磁梯度张量仪误差校正方法研究 |
| 3.1 引言 |
| 3.2 基于不变量的磁梯度张量仪误差校正方法研究 |
| 3.2.1 二维空间中张量仪分量之间非对准和非正交误差模型 |
| 3.2.2 三维空间中张量仪分量之间非对准和非正交误差模型建立 |
| 3.2.3 磁梯度张量仪误差校正模型建立 |
| 3.2.4 基于旋转不变量约束的校正系数求解方法 |
| 3.2.5 仿真验证 |
| 3.3 基于自适应噪声抵消器的梯度不平衡度校正方法研究 |
| 3.3.1 梯度不平衡的概念与分析 |
| 3.3.2 阵列式自适应噪声抵消器设计 |
| 3.3.3 仿真与实验验证 |
| 3.4 本章小结 |
| 第4章 航空磁梯度张量测量系统标定方法研究 |
| 4.1 引言 |
| 4.2 航空磁梯度张量测量系统间标定法研究 |
| 4.2.1 基于广义希尔伯特变换的间接标定法原理研究 |
| 4.2.2 广义希尔伯特变换法的误差模型建立 |
| 4.2.3 广义希尔伯特变换法误差估计方法研究 |
| 4.3 航磁梯度张量测量系统间标定法实验研究 |
| 4.3.1 基于模拟飞行器的仿真实验 |
| 4.3.2 实际飞行验证实验 |
| 4.4 基于航空磁梯度全张量数据的磁源辨识应用研究 |
| 4.4.1 NSS磁源辨识法基本原理 |
| 4.4.2 基于磁特性辨识的校正和标定效果验证方法仿真分析 |
| 4.5 野外航空磁梯度探测综合实验 |
| 4.5.1 实验设计 |
| 4.5.2 实验结果 |
| 4.6 本章小结 |
| 第5章 井中磁梯度张量测量系统标定方法研究 |
| 5.1 引言 |
| 5.2 井中磁梯度张量测量系统间接标定方法研究 |
| 5.2.1 井中磁测基本磁层模型 |
| 5.2.2 井中磁梯度张量测量系统间接标定原理研究 |
| 5.2.3 井中磁梯度张量测量系统标定方法仿真验证 |
| 5.3 基于井中磁梯度全张量数据的磁层辨识应用研究 |
| 5.3.1 倾斜磁层产生的磁梯度张量模型建立 |
| 5.3.2 基于井中张量数据的磁层辨识方法研究 |
| 5.3.3 基于井中张量数据的磁层辨识仿真验证 |
| 5.3.4 基于磁层辨识的张量仪校正与标定方法应用研究 |
| 5.4 井中磁梯度张量探测综合实验 |
| 5.4.1 旋转校正实验 |
| 5.4.2 模拟井中探测实验 |
| 5.6 本章小结 |
| 第6章 总结和展望 |
| 6.1 全文总结 |
| 6.1.1 本文主要研究内容及成果 |
| 6.1.2 本文主要创新点 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简介及攻读博士期间科研成果 |
| 作者简介 |
| 攻读硕士、博士期间所取得的科研成果 |
| 致谢 |
（4）波利亚在LP类函数猜想上的工作（论文提纲范文）
| 1 波利亚提出猜想的工作背景 |
| 1.1 波利亚之前一些学者的工作 |
| 1.2 波利亚的早期工作 |
| 2 波利亚在LP类函数猜想上的工作 |
| 2.1 LP类函数猜想的提出 |
| 2.2 波利亚后续的相关工作 |
| 3 LP类函数猜想的影响 |
| 3.1 LP类函数猜想的解决 |
| 3.2 LP类函数猜想的相关工作 |
| 4 结语 |
（5）基于卷积神经网络的螺栓松动故障诊断研究（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 基于物理模型的故障诊断方法 |
| 1.2.2 基于数据驱动的故障诊断方法 |
| 1.2.3 基于卷积神经网络的故障诊断方法 |
| 1.3 论文主要内容及安排 |
| 2 基于卷积神经网络的螺栓松动故障诊断原理 |
| 2.1 卷积神经网络结构 |
| 2.1.1 输入层 |
| 2.1.2 卷积层 |
| 2.1.3 激活函数 |
| 2.1.4 池化层 |
| 2.1.5 全连接层和Softmax分类器 |
| 2.2 网络训练过程 |
| 2.3 十种典型的时频分析方法 |
| 2.4 螺栓数据增强 |
| 2.5 螺栓故障诊断网络性能评价指标 |
| 2.6 本章小结 |
| 3 基于时频分析和深度迁移学习的螺栓松动故障诊断方法 |
| 3.1 深度迁移学习 |
| 3.1.1 迁移学习 |
| 3.1.2 预训练网络模型 |
| 3.2 螺栓故障诊断网络过程优化 |
| 3.2.1 不同优化算法对比分析 |
| 3.2.2 贝叶斯参数优化 |
| 3.3 Dropout和批量归一化 |
| 3.3.1 Dropout |
| 3.3.2 批量归一化 |
| 3.4 基于时频分析和深度迁移学习的螺栓松动故障诊断流程 |
| 3.5 螺栓样本数量对诊断结果的影响 |
| 3.6 可视化分析 |
| 3.7 本章小结 |
| 4 基于1D和2D双流卷积神经网络的螺栓松动故障诊断方法 |
| 4.1 1DCNN与2DCNN的滤波器滑动方式 |
| 4.2 1DCNN对诊断结果的影响 |
| 4.2.1 第一层宽卷积核对结果的影响 |
| 4.2.2 1DCNN网络结构参数 |
| 4.3 2DCNN对诊断结果的影响 |
| 4.3.1 数据预处理 |
| 4.3.2 时频图像尺寸对结果的影响 |
| 4.3.3 网络深度对结果的影响 |
| 4.3.4 2DCNN网络结构参数 |
| 4.4 基于1D和2D双流卷积神经网络的螺栓松动故障诊断流程 |
| 4.5 网络参数的比选实验 |
| 4.5.1 学习率对网络训练的影响 |
| 4.5.2 训练批量对网络训练的影响 |
| 4.6 本章小结 |
| 5 螺栓松动故障实验和诊断结果 |
| 5.1 实验内容 |
| 5.1.1 实验设备 |
| 5.1.2 实验平台搭建 |
| 5.1.3 环境配置 |
| 5.2 基于时频分析和深度迁移学习方法的实验结果 |
| 5.3 基于1D和2D双流卷积神经网络的实验结果 |
| 5.3.1 单螺栓钢板搭接实验结果 |
| 5.3.2 双螺栓钢板搭接实验结果 |
| 5.3.3 多螺栓机床导轨实验结果 |
| 5.4 与其他诊断方法对比 |
| 5.5 抗噪性能研究 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（7）基于数据和机理混合驱动的复杂工业软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 复杂工业过程介绍 |
| 1.2 课题研究背景及意义 |
| 1.3 软测量方法的研究现状 |
| 1.3.1 基于机理驱动的软测量方法研究现状 |
| 1.3.2 基于数据驱动的软测量方法研究现状 |
| 1.3.3 基于混合驱动的软测量方法研究现状 |
| 1.4 本文主要研究内容 |
| 1.5 全文的结构安排 |
| 2 相关理论基础 |
| 2.1 软测量基本理论 |
| 2.1.1 软测量的基本概念 |
| 2.1.2 软测量模型建立的基本步骤 |
| 2.2 软测量建模方法概述 |
| 2.2.1 相关性检验 |
| 2.2.2 小波阈值去噪 |
| 2.2.3 支持向量回归 |
| 2.2.4 粒子群优化算法 |
| 2.3 课题应用实例分析 |
| 2.3.1 空气预热器简介 |
| 2.3.2 空气预热器转子热变形分析 |
| 2.3.3 空气预热器漏风分析 |
| 2.4 本章小结 |
| 3 基于数据驱动的软测量方法 |
| 3.1 工业过程数据的处理及分析 |
| 3.1.1 工业过程数据采集 |
| 3.1.2 辅助变量的选择 |
| 3.1.3 小波分析进行数据去噪 |
| 3.1.4 数据集的选择及归一化 |
| 3.2 基于数据驱动的软测量方法建模 |
| 3.2.1 基于BP神经网络的软测量方法 |
| 3.2.2 基于支持向量回归的软测量方法 |
| 3.2.3 基于粒子群优化算法的支持向量机的软测量方法 |
| 3.2.4 基于小波分析和支持向量机的软测量方法 |
| 3.3 本章小结 |
| 4 基于数据和机理混合驱动的软测量方法 |
| 4.1 软测量方法的整体设计 |
| 4.2 混合驱动软测量建模方法概述 |
| 4.3 混合驱动软测量建模 |
| 4.3.1 基于误差的混合驱动软测量建模 |
| 4.3.2 基于叠加的混合驱动软测量的建模 |
| 4.3.3 基于权重因子的混合驱动的软测量建模 |
| 4.4 实验结果分析 |
| 4.4.1 机理模型建模结果分析 |
| 4.4.2 数据驱动模型建模结果分析 |
| 4.4.3 混合驱动模型建模结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
四、A NOTE ON DERIVATIVES OF FUNCTION AND THEIR FOURIER TRANSFORMS IN L_2（论文参考文献）
- [1]波利亚在函数最后集上的贡献[J]. 王全来. 纯粹数学与应用数学, 2021(03)
- [2]时空分数阶扩散方程的扩展混合有限元方法[J]. 袁琼,杨志伟,付芳芳. 数值计算与计算机应用, 2021(03)
- [3]磁梯度张量测量系统野外现场校正与标定方法研究[D]. 刘世斌. 吉林大学, 2021(01)
- [4]波利亚在LP类函数猜想上的工作[J]. 王全来. 内蒙古师范大学学报(自然科学汉文版), 2021(05)
- [5]基于卷积神经网络的螺栓松动故障诊断研究[D]. 任胜杰. 西安理工大学, 2021
- [6]基于行波固有频率配电网混合线路故障测距研究[D]. 胡图. 中国矿业大学, 2021
- [7]基于数据和机理混合驱动的复杂工业软测量方法研究[D]. 赵雨凡. 西安理工大学, 2021
- [8]基于压缩感知和深度学习的供水管道泄漏孔径识别研究[D]. 毛维培. 重庆邮电大学, 2021
- [9]基于小波稀疏表示和深度学习的高压设备局部放电识别应用研究[D]. 张安琪. 中国矿业大学, 2021
- [10]单晶二维材料势垒层磁性隧道结的偏压效应研究[D]. 吕涛涛. 南京邮电大学, 2021