一、神经网络的发展及其在天气模拟预测方面的应用（论文文献综述）
蔡朋艳[1]（2021）在《基于FY-4A卫星的云检测与云图预测方法研究》文中提出地球表面超过66%的区域常被云覆盖,而云的变化指示着各种天气现象的发生,当云的急剧变化发生在暴雨、雷电等灾害性天气中时,将会对人类的生活产生极大影响,甚至威胁人类的生命安全。尤其是西藏地区,夏季的强对流天气极易导致自然灾害的发生,因此需要监测该地区的云团变化情况以预防灾害的发生。风云四号A星实现了对云的实时观测,可提供高时间分辨率且多通道的观测数据,借助该数据分析云的动态变化可实现更为准确的天气预报。因此本文将风云四号A星作为数据源,并结合深度学习技术对西藏地区进行云检测与云图预测研究。针对现有深度学习模型体积较大且捕获云特征的能力较弱的问题,提出了基于改进U-Net网络的轻量级云检测模型。该模型以U-Net网络为基础框架,将全天候云图作为输入数据。将残差模块和卷积注意力模块融入U-Net网络中,提升模型对云特征的提取能力,并且几乎不会增加模型的计算复杂度。此外,在模型中使用深度可分离卷积可以在不降低模型性能的同时生成一个轻量级的云检测模型,为模型嵌入移动设备提供了可能。实验结果表明本文提出的云检测模型可以检测出大量的碎云和薄云,平均交并比指标达到了92.21%,与U-Net相比,提升了1.79%。针对现有的时间序列预测模型生成的云图模糊且预测精度不高的问题,提出了基于三维生成对抗网络的云图预测模型。该模型使用风云四号A星的历史观测数据来预测未来时刻的卫星图像以及红外通道亮温数据。在模型中应用三维卷积,并采用生成对抗的训练方式,提升模型对时空特征的提取能力。此外,通过改进损失函数,进一步提高预测图像的清晰度以及红外亮温数据的真实性。通过实验验证本文提出的云图预测方法可以生成更为清晰的图像以及精确的红外亮温数据,并且图像结构相似度指标达到了0.85,红外亮温的均方根误差指标小于10K。为了分析预测数据的可用性,使用改进U-Net网络对预测云图进行云检测,结果显示预测云图的动态变化情况与实际云图相似,表明本文提出的云图预测方法可为天气预报提供可靠的数据支持。
王珂珂[2]（2021）在《计及新能源的电力现货市场交易优化研究》文中提出能源是社会进步和人类生存的物质基础,随着能源资源约束日益加剧,绿色低碳发展成为我国经济社会发展的重大战略和生态文明建设的重要途径,我国亟需加快建设以可再生能源为主导的清洁低碳、安全高效的能源体系,实现“30·60”双碳目标。电力工业在现代能源体系中处于核心地位,在减少温室气体排放方面发挥着重要作用,应加大力度发展以风电、太阳能为代表的绿色电力。但由于中国风能、光能富集区与需求区逆向分布,市场在优化资源配置中的作用发挥不够充分,亟需完善新能源参与的电力现货市场交易机制,构建高比例新能渗透的电力现货市场交易决策支持方法,以实现资源有效配置,促进新能源消纳。鉴于以上考虑,本文从新能源参与对电力现货市场影响、新能源发电功率预测与电力现货市场电价预测、计及新能源的中长期合约与现货日前市场的衔接与出清机制、电力现货市场各阶段市场的衔接与出清机制、碳交易权市场与电力现货市场的耦合机制等多个方面展开研究。本文主要研究成果与创新如下:（1）对新能源参与对电力现货市场的影响进行研究,基于电力现货市场价格信号的复杂性,构建由三个模块构成的新能源对电力现货市场影响分析模型,包括基于数据统计的相关性分析、基于小波变换与分形理论的全部特征值分析与基于关键因素提取的相关性分析。以丹麦两地区现货市场的历史数据进行验证,证实新能源发电对于电价影响高于常规历史数据;基于小波变换分析与分形理论求得全部特征值方法,计算两地区分类准确率为分别为80.35%,82.30%,分类结果表明负荷、新能源发电量序列与新能源发电量占比分类错误率较高;通过关键特征提取的相关性分析结果,重要程度位于前三的因素均存在新能源发电相关因素。因此研究中仅考虑负荷等常规因素不足以支撑电力现货市场电价预测、交易匹配与出清问题的研究。（2）对电力现货市场中新能源发电功率与电价预测进行研究,构建基于完全集成经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）与样本熵（sample entropy,SE）的数据预处理策略,基于和声搜索（harmony searchm,HS）算法优化的核极限学习机（kernel extreme learning machine,KELM）的混合新能源发电功率预测模型,基于相似日筛选与长短期记忆模型（long short-term memory,LSTM）的电力现货市场电价预测模型。针对非线性、非稳态的短期新能源发电功率预测,首先通过皮尔森相关系数筛选模型输入数据,减少数据冗余;而后,采用CEEMD-SE的组合数据预处理策略,对发电功率时间序列进行分解和重构,消除数据噪声,减少模型计算量;其次,采用HS-KELM模型对重构后的多个子序列进行建模预测,集成处理后得到最终的新能源发电功率预测值。基于CEEMD-SE-HS-KELM新能源发电功率预测模型具有更高的预测精度。针对电力现货市场电价预测,将新能源出力指标纳入电力现货市场电价预测中,首先采用CEEMD-SE对电价序列进行分解与重构;而后,构建基于随机森林（random forest,RF）与改进灰色理想值逼近（improved approximation ofgrey ideal values,IAGIV）的新能源出力影响量化模型,筛选出与待预测天数关联性较强的历史天作为输入集;其次,采用LSTM模型对重构后的多个子序列分别进行预测,基于CEEMD-SE-RF-IAGIV-LSTM预测模型对于电价序列的拟合效果较好,可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑,降低电力现货市场中的风险。（3）对计及新能源与中长期市场影响的现货日前电力市场优化模型进行研究。本文提出计及中长期合约电量分解与新能源参与的日前电力市场交易优化模型,首先构建考虑火电厂合约电量完成进度偏差的中长期合约电力分解模型,将分解得到的每日中长期合约电量作为约束引入日前市场的优化模型中,保证中长期合约电量物理执行;针对系统不确定性进行建模,在电力现货市场价格模拟中加入新能源渗透率,更精准地刻画能源参与对于电力现货市场的影响;构建新能源参与的日前市场多目标出清优化模型,利用模糊优选方法对多目标进行转换,较好地平衡经济性与节能减排目标;最后采用基于GA-PSO组合优化模型对构建模型进行求解。模型求解结果表明,本文构建的多目标优化函数能够在保证系统运行经济效益的基础上,实现环境效益最大化,达到节能减排的效果;同时随着新能源渗透率的增加,系统不确定性增加,常规机组的成交电量有所下降。（4）对计及新能源的日前市场与日内市场的衔接机制进行分析,并构建相应的出清优化模型。在日前市场与实时市场之间增加日内市场,以减少系统辅助服务成本、降低用于平衡间歇性、波动性新能源的化石燃料容量、灵活性资源配置与储能成本,以提高现货市场效率,更好的发挥市场对资源优化配置的作用。采用基于模型预测结果与误差分布函数结合的不确定性刻画模型,而后构建了基于拉丁超立方采样进行场景集生成法与改进谱聚类分析的场景集削减策略,能够选择出最具代表性的场景集。基于电力现货市场出清流程,将含有新能源较多的系统将引入日内市场,以减小实时市场的功率偏差,提高系统运行的经济性和稳定性,采用预测模型对新能源出力、电力负荷进行预测,结合预测误差分布函数刻画系统不确定性;构建日前市场和模拟日内市场联合出清优化模型,在各个日内市场考虑对应实时市场新能源偏差功率的不确定性、电价不确定性,建立各日内市场和模拟实时市场联合优化模型。（5）考虑到中国“30·60”双碳目标与宏观发展规划,本文构建一个基于STIRPAT模型碳排放影响因素分析与改进烟花算法（improved fireworks algorithm,IFWA）优化的广义回归神经网络（general regression neural network,GRNN）预测模型。基于不同的社会环境与政策环境,对碳排放影响因素进行模拟并设定,预测结果表示中国的碳排放总量将于2031年达到峰值。以此为基础分析现行政策下中国的碳减排压力,并进行相应的建设全国统一的碳交易权市场必要性分析。而后,基于电力市场和碳市场的建设现状,利用系统动力学模型进行碳交易对电力现货市场的影响分析,系统动力学模型分析结果证实电力市场价格与碳交易价格呈现正相关关系;最后,基于对于碳交易对电力市场作用机理的分析,提出碳交易机制与电力现货市场机制协同建设建议。
潘越[3]（2021）在《区域旅游吸引力与游客流动倾向响应研究》文中研究指明旅游目的地建设的“各自为政”和游客出行的“两极化”已成为制约区域旅游业高质量、可持续发展的核心问题。结合理论研究的网络化转化和区域旅游一体化发展的实践需求,提出区域旅游吸引力空间网络结构及其与游客流动倾向响应关系研究的构建思路和方法,以期为区域性旅游空间规划的编制提供理论依据。本文在界定相关概念的基础上,应用流动空间理论、空间相互作用理论、旅游空间结构理论、旅游供求均衡理论以及机器学习理论等理论,对区域旅游吸引力与游客流动倾向响应关系进行探究。遵循“研究框架-实证研究-优化提升”的逻辑思路,其中研究框架部分以“网络结构构建→结构特征提取→响应效果检验→响应系统模拟”的递进式思路成文,主要的研究内容概括为以下几个方面:第一,构建区域旅游吸引力网络结构。基于空间相互作用理论,以特定区域为研究范围,以区域内城市为节点,融合网络、交通、气象以及统计年鉴等多源异构数据,对区域O-D旅游吸引力作用强度进行测算,进而构建区域旅游吸引力网络结构,为下文网络结构特征分析奠定基础。第二,剖析区域旅游吸引力网络结构特征。围绕“空间差异-空间关联-空间集聚”构建区域旅游吸引力网络结构的特征提取框架,分别构造原值、二值、Top三种网络形式,综合运用GIS数据分析方法、社会网络分析方法、复杂网络分析方法等,互补揭示区域旅游吸引力网络演化特征及结构特征。第三,检验区域旅游吸引力与游客流动倾向响应关系。基于游客流动倾向视角,探讨旅游吸引力网络的空间效率。以“百度指数-网络关注度”为O-D游客流动倾向对流数据来源,构建区域游客流动倾向网络,在明晰旅游吸引力与游客流动倾向体系的交互响应机理的基础上,多维尺度探讨二者响应效果。第四,建立区域旅游吸引力与游客流动倾向响应系统预测模型。基于地理探测器模型,筛选区域旅游吸引力影响核心指标;借助BP神经网络模型,模拟旅游吸引力与游客流动倾向响应系统运行机理。进而未来可通过设定不同情境,预测区域旅游吸引力与游客流动倾向响应关系,为对策建议的制定奠定理论基础。第五,开展实证研究。以京津冀地区为典型案例区,以“五一”小长假为研究时段,构建京津冀区域旅游吸引力网络结构,多角度、全方位剖析区域网络结构特征,探究京津冀区域旅游吸引力与游客流动倾向响应效果,并根据测算结果,训练BP神经网络,为京津冀地区旅游一体化的理论构建与战略设计提供理论支撑。第六,提出区域旅游吸引力与游客流动倾向响应水平提升对策。根据理论研究与实证结果,结合现实政策确立,从统筹制定区域旅游业发展整体规划、合理优化区域旅游吸引力网络结构、科学引导区域旅游者行为、加快推进区域旅游高质量发展等方面开展对策解析,力求区域旅游吸引力与游客流动倾向的最佳匹配。
余萍[4]（2020）在《基于智能技术的一类非线性系统故障诊断与预测方法研究》文中认为如何减少生产过程中的故障隐患,提高系统的安全性和可靠性,已成为现代工业系统发展中不可回避的重大问题。故障诊断与预测技术是提高系统运行可靠性、降低系统运行风险的重要方法和必要手段。现代工业系统大多为非线性系统,具有干扰强、结构复杂、参数不确定、动态时变、故障耦合性强等特点,致使故障诊断与预测难度大。因此,探究如何利用先进的科学技术,有目的、有方法、有针对性地对系统进行故障诊断和预测,是非常有意义的研究课题。本文以实际非线性系统为研究对象,基于滤波技术、信号处理、优化算法、神经网络、深度学习等智能技术,对非线性系统故障诊断与预测方法展开研究。论文的主要创新研究成果如下:（1）提出了两种基于智能优化粒子滤波的故障诊断方法。针对粒子滤波算法中由于粒子退化和多样性缺失而导致系统突变情况下状态估计精度下降,从而影响基于粒子滤波的故障诊断方法故障诊断准确性和诊断系统鲁棒性的问题,以重采样策略的改进为切入点,结合变频变异策略和天牛群搜索算法,分别提出了变频变异粒子滤波算法（variable frequency based mutation for particle filter algorithm,VFM-PF）和改进天牛群搜索优化粒子滤波（beetle swarm antennae search for particle filter algorithm,BSAS-PF）两种改进算法。VFM-PF融合了免疫理论中的变异思想和工业生产过程中的变频节能策略,通过变频算子实时调节变异粒子数目,并针对不同权值的粒子采取不同形式的变异操作,从而在克服粒子退化、增加粒子多样性的同时提高了运算效率,算法的综合性能得到显着提升;BSAS-PF结合了天牛群搜索算法的寻优特性,引导低权值粒子向高似然区移动,克服了粒子退化和多样性缺失等问题,具有更优秀的状态估计精度。在此基础上,开展了复杂非线性系统故障诊断问题研究,提出了两种基于智能优化粒子滤波的故障诊断方法,并以风力发电系统中的双馈发电机和污水处理系统中的曝气池溶解氧过程为对象验证了方法的有效性,结果表明,所提出方法能够实现系统突变情况下高准确性故障诊断,诊断系统鲁棒性强,运算效率更高。（2）提出了一种基于ADCS-ELM的故障诊断方法。针对非线性系统结构复杂、故障耦合性程度高,建立准确的数学模型困难,致使基于模型的故障诊断方法难以实现或诊断精度受限等问题,从数据驱动的角度出发,提出了一种基于ADCS-ELM的故障诊断方法。该方法首先对非线性、非平稳的轴承振动信号进行集合经验模态分解（ensemble empirical mode decomposition,EEMD）,获得故障信号的IMF（intrinsic mode function）能量特征数据集。然后,利用加入了动态自适应步长调整策略的布谷鸟搜索算法（cuckoo search,CS）实现了传统极限学习机（extreme learning machine,ELM）网络连接权值和隐含层阈值等参数的优化确定,提高了ELM网络的稳定性、鲁棒性和分类精度。最后,训练并测试ADCS-ELM网络的故障诊断性能,结果表明,本文方法可以达到平均99.51%的故障诊断精度,实现了轴承滚动体、内圈、外圈裂纹等故障的高准确性故障诊断。（3）提出了一种基于优化堆叠降噪自动编码的故障诊断方法。非线性故障具有可传播性、耦合性、继发性、不确定性和多样性等特点,导致了故障成因难以有效溯源、故障诊断准确性不高等问题。相较于传统故障诊断方法,深度堆叠降噪自动编码器（stacked denoising auto-encoder,SDAE）能够从海量数据中自适应地提取更深层次的故障特征,避免了手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。然而,采用经验枚举获得的SDAE网络超参数使得网络在不同领域的故障诊断问题中泛化能力较弱,且选参过程与设计人员经验有关,效率低。因此,本文利用新设计的人工变性天牛算法（artificial transgender longicorn algorithm,ATLA）对SDAE网络超参数进行自适应选取,优化确定网络结构,提高了网络模型的泛化能力和识别准确性。在此基础上,提出了一种基于优化堆叠降噪自动编码器的故障诊断方法,并通过多工况条件下滚动轴承故障诊断仿真实验进行了有效性验证,结果表明本文方法在故障识别准确率、泛化性能等方面优于基于BP（back propagation）神经网络、支持向量机（support vector machine,SVM）以及卷积神经网络（convolutional neural networks,CNN）的故障诊断方法,与同为深度学习模型的CNN网络相比,运算效率更高,实时性更强。（4）提出了一种基于ICS-ELM的复杂系统过程关键参数实时预测方法。通过过程关键参数的实时预测来实现系统故障的实时预测是一种有效的故障预测方法。本文利用软测量的间接测量思想,构建了ICS-ELM神经网络模型来实现系统关键参数的准确预测。首先,在动态自适应搜索步长调整的基础上,增加基于搜索进程的动态被发现概率调整策略,设计了布谷鸟搜索算法（CS）的改进算法ICS;其次,利用ICS实现了ELM回归网络的连接权值和隐含层阈值的参数优化,提高了网络稳定性和预测精度;然后,利用主成分分析（principal components analysis,PCA）完成了过程数据的降维和属性约简,实现软测量辅助变量选择;最后,建立过程关键参数的ICS-ELM预测模型,并以污水处理过程关键参数生化需氧量（biochemical oxygen demand,BOD）为预测对象,建立基于ICS-ELM的BOD故障预测模型。实验结果表明,本文方法不仅可以实现BOD的精确预测,也为其他过程关键参数的故障预测提供了一个可行的解决方案,具有一定的推广价值。（5）提出了一种基于卷积神经网络的剩余寿命预测方法。设备的剩余寿命预测是系统故障预测中的重要研究内容,然而复杂非线性系统参数众多,过程数据量大且维度高,致使预测模型难以准确建立,预测方法少。对此,本文提出了一种基于CNN-HI健康指数的剩余寿命预测方法。首先,对数据样本进行预处理,建立故障预测图像数据集;然后,借助CNN网络强大的图像特征提取能力,实现基于优化CNN网络的健康指数（CNN-HI）高品质构造与估计;最后,通过高斯过程回归分析实现剩余寿命预测,并通过滚动轴承PRONOSTIA数据集验证了方法的性能,结果表明本文方法可以有效估计轴承的退化状态,实现了轴承RUL高准确性预测,为轴承及其余设备的剩余寿命预测研究提供了重要的理论参考,具备重要的实践价值。本文结合系统非线性特点,在强噪声、多干扰背景下,就基于模型和基于数据驱动的故障诊断与预测方法进行了深入的研究,提出了多种故障诊断和预测新方法,一定程度上解决了系统突变、多工况等各种复杂情况下,由于系统复杂性、故障耦合性及不确定性等所带来的诊断准确率低、实时性差、鲁棒性弱及预测方法缺乏等问题。本文研究成果对非线性系统智能诊断技术的发展及保障系统运行的安全性和可靠性具有重要的参考价值和实践意义。
臧金蕊[5]（2020）在《面向排放测算的城市路网全样流量测算方法研究》文中研究表明机动车等移动源的动态排放测算一直是我国进行空气质量模拟工作的瓶颈问题。基于各污染源动态排放量的空气质量模拟,是空气污染物治理中制定决策的重要依据。目前工业源等固定源已实现在线实时监测,可获取连续动态排放数据,而机动车为主的移动源多为一年一度的静态排放总量测算,难以支撑大气污染物的实时动态测算和空气质量模拟分析。机动车移动源动态排放测算难以实现的重要原因之一是缺乏有效的路网全样动态流量测算方法。机动车路网动态排放量基于路网动态流量、道路长度和排放因子进行测算。其中,单车排放因子测算方法得到国内外大量学者的深入研究,已具备有效测算方法;而路网全样流量受监测技术限制,难以通过实际采集的方式获取,也缺乏有效测算方法,导致路网动态排放测算难以实现。因此,有必要开展路网全样动态流量测算方法的研究。目前路网全样动态速度采集技术较为成熟,基于流量-速度基本图模型,通过速度数据推算流量,是获取路网全样流量数据的重要手段。基于交通流基本图的流量测算研究开展较早,但由于其难以对面向交通管理与控制的短时间粒度（5min）流量进行准确测算,在交通管理与控制领域并未得到广泛的实际应用。对于路网机动车动态排放测算,小时粒度流量已满足需求,同时基于交通流模型的小时粒度流量测算精度较高,适应于路网机动车排放测算领域。因此,本文将基于交通流基本图模型研究面向排放测算的路网全样动态流量测算方法。道路交通流特征是人的出行规律在路网上的表达。受出行目的和道路功能影响,交通流表现出不同形态,例如,以通勤出行为主的工作日交通流和以娱乐活动出行为主的周末/节假日交通流具有不同形态;放射线潮汐流和环路交通流具有不同单双峰形态。出行的规律性及道路的分类分级特征,使交通流可被聚类为有限模式。由于不同模式交通流存在明显差异,针对不同模式分别进行流量预测,有助于提高流量预测精度。因此,研究交通流模式的划分和识别方法是十分必要的。基于以上背景,本文基于多源速度、流量和排放实测数据,研究交通流模式划分和识别方法,对交通流基本图影响因素进行定量分析,建立各等级道路不同交通流模式、不同时段下的交通流基本图模型,实现路网全样动态流量测算,并进行路网动态排放测算的案例应用。本文的主要研究内容和发现总结如下:（1）提出了基于速度时变差异直接指标的交通流自组织映射（Self-organizing Maps,SOM）算法神经网络聚类方法,可以实现对城市交通流的高效聚类。构建了周一到周四工作日、周五工作日、周六、周日、雨天、节假日、晚高峰突出、早高峰突出8类交通流模式,可以有效刻画城市道路90%以上交通流模式。（2）提出了各等级道路不同时段速度指标的交通流模式快速识别算法。本文提出的基于24小时、早晚高峰、0:00-12:00和早高峰速度指标的模式识别方法精度均较高,各等级道路平均正确识别率分别为94.87%、93.64%、82.45%和80.96%。深度置信网络能高效实现大规模速度数据的模式识别,对全天、早晚高峰、0:00-12:00速度指标的平均正确识别率分别为93.02%、90.98%、82.45%;经过遗传算法和模拟退火遗传算法优化的BP网络模式识别精度提高,对全天速度指标的识别精度分别提高7.38%和7.96%。（3）基于交通流基本图模型构建了各等级道路不同交通流模式、不同时段下的路网全样动态流量测算方法。通过对特定道路流-速-密基本图模型影响因素的定量分析,发现除已被既有研究识别出的大型车比例、天气条件外,早/晚高峰、工作日/节假日等不同出行目的引起的驾驶行为差异会显着影响交通流基本图。同一路段早高峰通行能力比晚高峰高3.47%,节假日通行能力比工作日高4.73%。综合考虑道路等级、早/晚高峰、工作日/节假日等因素比只考虑道路等级构建的交通流模型对流量测算的精度提高6.51%。（4）进行了基于路网全样动态流量对机动车路网动态排放量进行测算的案例应用,验证了本文提出的面向排放测算的路网全样流量测算方法的可靠性,可对节能减排政策进行快速评估。
朱传琪[6]（2020）在《基于贝叶斯理论的建筑能耗逆向不确定性研究》文中研究说明建筑能耗在全球能源消耗中的占比超过30%,且随着城市化的发展还会进一步增加。因此,需要采取积极有效的方法实现建筑的合理用能。基于建筑能耗模型校验方法,获得既有建筑中参数的准确情况,制订有效的节能改造方案,成为既有建筑节能改造研究中的重点。但由于实际建筑中参数具有高度不确定性,手动校验方法无法反映这一特点。而以贝叶斯方法为主的自动校验方法,可充分考虑参数的不确定性,但存在似然函数计算难度大的问题,影响了贝叶斯方法在建筑能耗模型校验中的应用。因此,本文以既有办公建筑为案例,提出耦合近似贝叶斯计算和机器学习的建筑能耗逆向不确定性分析方法来解决上述问题。近似贝叶斯计算可在不计算似然函数的情况下得到模型未知参数的分布,而机器学习方法可以通过建立可靠的建筑能耗机器学习模型,解决贝叶斯分析中建筑能耗模型计算成本过高的问题。本研究首先采用基于元模型的敏感性分析方法筛选出对建筑能耗有显着影响的参数。然后建立逐月或逐时建筑能耗机器学习模型提供后续分析所需数据。最后,利用近似贝叶斯计算方法得到参数校验结果,并进行建筑节能改造分析。可以得出以下主要结论:（1）案例研究结果表明,本文提出的研究方法可以快速、稳定的进行建筑能耗逆向不确定性分析。根据均方根误差变异系数和归一化平均偏差两个统计量评估模型精度,发现该方法所得结果精度远高于标准要求（ASHRAE Guideline 14-2014）。对于逐月和逐时数据而言,校验结果的均方根误差变异系数分别至少比标准中规定精度高60%和70%,而采用归一化平均偏差评估模型精度时,则分别高40%和60%。（2）根据逐月建筑能耗数据研究结果,多元自适应回归样条法建立的机器学习模型可以取得建模时间和模型精度的平衡。所选择的近似贝叶斯计算方法按计算结果精度从高到低依次为神经网络法、局部线性回归法、拒绝法。（3）根据逐时建筑能耗数据进行研究发现,采用集成学习的梯度提升法可以获得准确的逐时建筑能耗机器学习模型。神经网络法和局部线性回归法的精度相差不大,拒绝法精度相对较差,但神经网络法的计算时间为局部线性回归法的100倍以上。（4）将参数校验结果用于建筑能耗节能分析评估,针对目标建筑实际情况制订建筑节能改造方案可显着降低建筑能耗。对于本研究中的办公建筑,实施节能改造方案后,可以节约用电消耗26.2 MWh～32.3 MWh,同时会减排16.7 tonCO2～21.3 tonCO2。本研究所提出的建筑能耗模型校验方法,在考虑参数不确定性的情况下快速、准确的得到参数校验结果,这使得建筑节能方案的制订更有针对性,为既有建筑能耗分析提供准确可靠的方法。并且由于本文所提出的校验方法简单、易用,使得其可以广泛的应用于过程工业、机械装备、生物医学等需要模型校验的其他领域中。
刘嵩楠[7]（2020）在《ANFIS数据挖掘模型研究及其应用》文中认为信息爆炸时代的到来表示着大数据正在给我们的生活带来巨大的改变,因此数据挖掘的工作就显得尤为重要。数据挖掘,从字面上理解就是从大量的数据中挖掘到其中有规律的并且有价值的、能够理解并且应用的的信息与知识,而应用于数据挖掘的模型有很多种,神经网络模型就是其中一种。自从神经网络技术第一次被提出来到发展至今,各种类型的神经网络兴起并被逐渐应用到各个领域,而模糊神经网络这项技术自被提出以来至今已经给很多的科学问题提供了新的解决方案与思路。ANFIS模型就是一种自适应的模糊神经网络,它将传统神经网络和模糊逻辑有机的结合在一起,弥补了传统神经网络的不足。从上个世纪90年代以来,就开始有学者开始了用神经网络对气象预测进行建模以及气候分析等研究的工作,然而随着研究的深入,各种各样的难题也开始慢慢浮现出来,在用神经网络模型对气象要素进行预测的时候,神经网络的初始权值以及网络结构和学习系数都很难确定,所以要经过大量的训练来确定网络结构和网络的学习参数,但是这样的话又会发生过拟合的情况,模型的泛化能力会受影响。并且目前的天气预报的预测时间较短（最多15天）,所以本文尝试了用ANFIS模型来解决较长期的气象预测的问题。本文旨在对一些气象要素（气温、降水、蒸发量等）进行较长时间的预测。本文完成了以下几项工作:1)基于当前国内外的研究现状对模糊控制理论进行研究,并将其与传统神经网络进行结合;2)通过对ANFIS神经网络模型进行深入的研究,实现ANFIS网络模型;3)探索ANFIS神经网络模型在气象要素预测领域的可能性,并设计实现网络系统,用收集到的地面气象实测数据进行实验。4)将气象数据进行预处理并提取特征,然后从气温、降水、蒸发量三个方面分别建立模型,并对得出的结果进行评估,进而论证ANFIS在对长时间气象预测领域的可行性。
周腾蛟[8]（2020）在《基于ETKF的大尺度林火蔓延预测数据同化研究》文中提出近年来,全球范围内的林火事件时有发生,且发生频率和过火面积成上升的趋势。林火的破坏力极大,大尺度的林火不但导致大规模人员的流离失所,还可能造成居民和消防员的伤亡、房屋和建筑的损毁,甚至会引起恶劣的社会影响和带来严重的生态灾难。实时有效地对大尺度林火蔓延进行预测,有利于合理地制定灭火战术和疏散策略,减少火灾所造成的损失。对于传统的火蔓延软件预测方法来说,给定初始火线位置、火场的地形和植被条件、风场等环境和气候条件,火蔓延的预测结果是确定的。然而,初始火线位置的不确定性、消防力量的干预、地形和植被数据的误差、风速大小和方向的变化等等,这些不确定性将导致传统方法的预测结果与真实火灾蔓延情况偏离较大,给应急救援带来不利后果。随着科技的发展,遥感技术的成熟,我们可以通过卫星或无人机获取火场的实时信息。把这些带有噪声的火线位置观测数据和火蔓延模型的预测数据相结合,通过数据同化方法,实时更新模型的状态和参数,减小模型的状态和参数误差,从而极大地提高林火蔓延预测的准确性。本论文研究目的是建立大尺度林火蔓延的数据同化预测的框架和系统,提出更贴合实际的状态和参数估计方法,并针对不利观测数据下的数据同化算法的进行改进。本文的具体工作如下:提出了基于集合的卡尔曼滤波与林火蔓延模型结合的数据同化预测框架,建立了林火蔓延的数据同化预测系统。该系统主要包括观测模块、数据同化模块、火蔓延模拟模块和控制层。观测模块,用来对观测数据进行输入;数据同化模块,由MATLAB语言编写,并编译成可执行文件;火蔓延模拟模块,是FARSITE的命令行第四版本;控制层,由Python语言编写,控制整个系统数据流的进程。在该系统上,测试了观测数据的误差变化时算法的可靠性。提出了集合转换卡尔曼滤波（ETKF）算法应用于林火蔓延的状态估计,ETKF克服了标准集合卡尔曼滤波需要人为扰动观测数据的局限。基于观测系统仿真试验,在风场条件已知和未知的情况下,比较研究了 ETKF和标准集合卡尔曼滤波在状态估计方面的性能。研究了包括过火面积、火线周长、火线位置等火蔓延行为的预测结果,并提出了用豪斯多夫距离（HD）这一相对于均方根误差（RMSE）更为保守的指标来评估数据同化算法的性能。结果显示,在风场条件已知时,ETKF和标准集合卡尔曼滤波,在处理初始条件误差和边界条件误差方面表现都较好。然而,在风场条件未知时,即还存在模型参数误差时,ETKF的预测值和分析值都明显比标准集合卡尔曼滤波的结果更接近真实值。突出体现了 ETKF在误差来源较多时这一更符合实际情况时的应用优势。提出了估计火线位置和燃料调节因子的状态和参数同时估计策略。火线位置的估计是减小模型状态误差的关键,燃料调节因子的估计是减少模型参数不确定性的重要组成部分。为此,我们仍采用基于ETKF的算法对火线位置进行修正,采用基于Monte Carlo的径向基函数神经网络（RBFNN）估计燃料调节因子。通过FireFlux Ⅰ实验和Camp Fire火灾事件的数据进行了验证,结果表明所提出的状态参数估计策略能够提高预测精度,突出了所提出的状态-参数的估计策略的优点。火线位置的估计能够检测到大尺度林火的飞火和合并,并更新火线位置。并动态确定燃料调节因子,充分模拟了林火发展的不同阶段（如“爆燃”阶段）。此外,基于Monte Carlo的RBFNN具有较低的计算成本,有助于应急救援时的决策,该方法具有较强的实用性。系统研究了在不利观测数据下ETKF算法的改进方法。在林火蔓延数据同化预测中通常假定火线位置观测数据是完整的。另外,传统意义上的观测误差也假定只有一个不确定度。由于仪器故障或火灾引起的热烟羽流或云层的存在,飞机或卫星装载的探测器所获得的林火位置的观测数据可能是不完整的和/或观测数据误差方差存在空间变化。为了克服这些问题,我们引入了一个点权值来修正“推进”项,以弥补ETKF算法在处理这类观测数据上的不足。在没有观测或观测数据可信度较低的对应预测的火点处,我们可以调整将预测火线位置推向观测火线位置的程度。通过一系列的观测系统仿真实验,比较了基于点权的ETKF（VWETKF）与ETKF的性能,验证了 VWETKF灵活的空间分布的状态估计的优越性。我们考虑了一个实际可能发生的情况,即观测到的火线是真实火线的某一部分,并且/或部分观测数据受到较大的噪声。结果表明,具有新的“推进”项的VWETKF提高了分析和预测火线位置的准确性。
雷冠军[9]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中提出我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
陈杨[10]（2020）在《基于无人机遥感开发平台的草莓生长状况快速监测研究》文中研究指明草莓是一种多年生草本植物,其果实外观呈心形,含糖量高,味道甜美。营养价值高,富含胡萝卜素、葡萄糖、苹果酸、膳食纤维及A、B1、B2、C、E等各类维生素以及钙、钾、铁、钠、镁等各类矿物质。草莓一直以来深受广大消费者喜爱,作为一种高经济价值作物,在世界各地都有大量的种植,但种植者一直以来缺乏快速检测草莓生长状况和预测草莓产量的方法和手段。本文结合无人机遥感多光谱技术、深度学习网络与目标检测算法、无人机遥感三维重构技术、倾斜摄影技术等研究和开发了一系列无人机遥感平台与装置来帮助种植者快速、智能地检测草莓生长状况,主要研究内容和成果如下:（1）设计开发了一个环境可控的五自由度无人机低空遥感模拟平台。该平台可以模拟无人机的水平运动、垂直运动以及云台的俯仰运动、水平旋转与滚翻运动。使用该模拟平台搭载多光谱相机在不同模拟飞行高度和速度下获取草莓苗期冠层多光谱图像并从中提取的6种植被特征指数建立SPAD线性解析模型,探究图像采集的速度和高度对模型预测性能的影响。最后选取最佳的植被特征指数线性预测模型建立草莓冠层在不同氮胁迫下的可视化反演图。结果表明在相机高度为2.0m、模拟飞行速度为0.1m/s时,基于植被指数NIR/G建立的线性预测模型效果最优,预测集相关系数Rp达到0.7481,模型可视化反演结果也直观反映了过量氮组和适量氮组的SPAD值明显高于缺氮组,与实际测量结果吻合。（2）设计开发了一款基于无人机遥感平台和目标检测算法的草莓田间花朵与果实实时分布自动检测系统。为了比较不同飞行高度对该系统检测结果的影响,该系统分别采用了2m和3m两种不同的高度进行图像采集并对10个目标进行检测,结果表明在2m高处拍摄的Sensation品种的成熟草莓检测效果最佳,平均精度（Average Precision,AP）为0.91,在3m高处拍摄的Radiance品种的未成熟草莓最难检测,平均精度为0.61。使用该系统在不同实验日期对田间的花朵数量进行统计并与人工统计结果比对,结果表明该系统花朵计数的平均准确度为84.1%,田间花朵的平均遮挡率为13.5%。最终利用该系统建立不同日期的草莓花朵与果实的产量分布图,帮助种植者对草莓田未来产量进行预测。（3）提出了Straw R-CNN目标检测算法。在Faster R-CNN模型的基础上修改了提取特征图的主网络（Backbone）并加入了金字塔型特征网络提取结构和Ro I Aline层提升对草莓花朵之类小尺寸目标的检测和定位精度。通过训练和检测相同的草莓遥感数据集将Straw R-CNN目标检测算法与其他基于区域的目标检测算法包括Faster R-CNN、Fast RCNN以及R-CNN算法进行了对比,结果表明Straw R-CNN目标检测算法在检测精度上（m AP为0.772）、训练时间（5.5小时）和检测速度上（8.850帧/秒）显着优于其他三类算法。（4）开发了ZTRS-M5B小型无人机倾斜影像系统。使用该系统对大范围草莓田进行图像采集并建立正射影像图,结果表明相比于单镜头小型无人机系统,该系统能够更快速建立大范围草莓田正射影像图,并且精度更高。为了进一步测试该倾斜摄影系统性能,分别还对农村居民区和工厂区两种更复杂的区域环境进行勘察测试,通过比较生成的三维模型测量值与地面实测值来检验模型精度,其结果满足遥感测绘的精度要求。另外相比于市面上其他倾斜摄影系统,ZTRS-M5B在成本和便携上拥有更多优势。
二、神经网络的发展及其在天气模拟预测方面的应用（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、神经网络的发展及其在天气模拟预测方面的应用（论文提纲范文）
（1）基于FY-4A卫星的云检测与云图预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测方法研究现状 |
| 1.2.2 云图预测研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 问题的总结与分析 |
| 1.3.1 云检测方法 |
| 1.3.2 云图预测方法 |
| 1.4 本文主要研究内容与技术线路 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术线路 |
| 1.5 本文章节安排 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区域 |
| 2.2 研究数据介绍 |
| 2.2.1 风云四号A星 |
| 2.2.2 AGRI数据介绍 |
| 2.2.3 FY-4A卫星云检测产品 |
| 2.3 数据预处理 |
| 2.3.1 数据提取 |
| 2.3.2 几何校正 |
| 2.3.3 辐射定标 |
| 2.3.4 数据规范化 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net网络的云检测方法 |
| 3.1 U-Net网络 |
| 3.2 基于改进U-Net网络的云检测模型 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 残差模块 |
| 3.2.3 卷积注意力模块 |
| 3.2.4 改进的U-Net网络 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.3.4 消融实验 |
| 3.3.5 结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于3DGAN网络的云图预测方法 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络的基本原理 |
| 4.1.2 Pixel2Pixel网络 |
| 4.2 基于3DGAN网络的云图预测模型 |
| 4.2.1 3D卷积 |
| 4.2.2 生成器模型结构 |
| 4.2.3 判别器模型结构 |
| 4.2.4 损失函数 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 预测图像对比与分析 |
| 4.3.5 预测通道亮温对比与分析 |
| 4.3.6 预测云图的云检测对比与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（2）计及新能源的电力现货市场交易优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新能源对电力现货市场的影响研究 |
| 1.2.2 新能源发电功率预测研究 |
| 1.2.3 电力现货市场电价预测研究 |
| 1.2.4 新能源参与电力现货市场交易研究 |
| 1.2.5 计及碳交易的电力现货市场研究 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 主要创新点 |
| 1.4 本章小结 |
| 第2章 电力现货市场交易优化相关理论基础 |
| 2.1 典型国家电力现货市场发展概述 |
| 2.1.1 美国电力现货市场 |
| 2.1.2 英国电力现货市场 |
| 2.1.3 北欧电力现货市场 |
| 2.2 中国电力现货市场发展概述 |
| 2.2.1 能源电力现状分析 |
| 2.2.2 电力现货市场现状分析 |
| 2.2.3 建设基本原则 |
| 2.2.4 建设关键问题 |
| 2.2.5 未来发展方向 |
| 2.3 电力预测理论基础 |
| 2.3.1 经典预测方法 |
| 2.3.2 机器学习预测方法 |
| 2.3.3 深度学习预测方法 |
| 2.4 系统优化理论基础 |
| 2.4.1 模糊规划 |
| 2.4.2 鲁棒优化 |
| 2.4.3 随机规划模型 |
| 2.5 SD模型及其应用 |
| 2.6 本章小结 |
| 第3章 新能源对电力现货市场的影响分析 |
| 3.1 新能源对电力现货市场的影响分析模型 |
| 3.1.1 基于统计数据的影响分析 |
| 3.1.2 基于小波变换与分形理论的特征表示 |
| 3.1.3 基于SVM的特征因素分类 |
| 3.1.4 基于因子分析的特征提取 |
| 3.1.5 影响分析模型框架与流程 |
| 3.2 新能源对现货市场电价影响的实证分析 |
| 3.2.1 数据收集 |
| 3.2.2 基于统计数据的影响实证分析 |
| 3.2.3 基于全部特征的影响实证分析 |
| 3.2.4 基于关键特征的影响实证分析 |
| 3.3 本章小结 |
| 第4章 电力现货市场中新能源发电功率预测与电价预测 |
| 4.1 基于CEEMD-SE-HS-KELM的新能源发电功率预测模型 |
| 4.1.1 CEEMD-SE模型 |
| 4.1.2 HS-KELM模型 |
| 4.1.3 CEEMD-SE-HS-KELM |
| 4.1.4 实例分析 |
| 4.2 基于相似日筛选与LSTM的现货市场电价预测模型 |
| 4.2.1 电价影响因素初选 |
| 4.2.2 基于RF的新能源影响量化 |
| 4.2.3 基于改进灰色关联的相似日筛选 |
| 4.2.4 RF-IAGIV-CEEMD-SE-LSTM模型 |
| 4.2.5 实例分析 |
| 4.3 本章小结 |
| 第5章 计及新能源与中长期市场影响的现货日前市场交易优化 |
| 5.1 计及新能源与中长期市场的日前市场交易模式 |
| 5.2 中长期合约电量分解模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.3 系统不确定性分析及建模 |
| 5.3.1 新能源出力不确定性 |
| 5.3.2 电力现货价格不确定性 |
| 5.4 计及新能源与中长期合约电量分解的现货日前市场出清模型 |
| 5.4.1 目标函数与约束条件的建立 |
| 5.4.2 多目标函数的模糊优选处理 |
| 5.4.3 基于GA-PSO的优化模型求解算法 |
| 5.5 实例分析 |
| 5.5.1 算例设置 |
| 5.5.2 中长期合约电量分解结果 |
| 5.5.3 系统不确定性求解 |
| 5.5.4 现货日前电力市场出清结果 |
| 5.5.5 惩罚系数对多目标优化结果的影响 |
| 5.5.6 新能源渗透率对多目标优化结果的影响 |
| 5.6 本章小结 |
| 第6章 计及新能源的现货日前与日内、日内与实时市场交易优化 |
| 6.1 现货日前、日内与实时市场的组合及及关联分析 |
| 6.2 系统不确定性建模 |
| 6.2.1 系统不确定性模拟 |
| 6.2.2 拉丁超立方生成场景集 |
| 6.2.3 基于改进谱聚类算法的场景削减策略 |
| 6.3 计及新能源的电力现货市场两阶段交易优化模型 |
| 6.3.1 计及新能源的日前与日内市场联合优化模型 |
| 6.3.2 计及新能源的日内与实时市场联合优化模型 |
| 6.4 实例分析 |
| 6.4.1 算例设置 |
| 6.4.2 场景集生成与削减 |
| 6.4.3 日前与日内市场联合优化出清结果 |
| 6.4.4 日内与实时市场联合优化出清结果 |
| 6.5 本章小结 |
| 第7章 计及碳市场影响的电力现货市场建设路径分析 |
| 7.1 碳排放相关政策梳理 |
| 7.2 现行政策下碳排放压力分析 |
| 7.2.1 碳排放预测模型 |
| 7.2.2 碳排放预测效果检验 |
| 7.2.3 碳排放总量及碳排放强度预测 |
| 7.2.4 基于碳排放预测结果的政策建议 |
| 7.2.5 碳排放市场建设必要性分析 |
| 7.3 碳交易实施对电力现货市场的影响分析 |
| 7.3.1 碳交易市场现状 |
| 7.3.2 碳交易对电力现货市场的影响分析 |
| 7.4 碳交易与电力现货市场的协同建设建议 |
| 7.5 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）区域旅游吸引力与游客流动倾向响应研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关理论基础 |
| 2.1 相关概念 |
| 2.1.1 旅游吸引力 |
| 2.1.2 区域旅游吸引力网络结构 |
| 2.1.3 游客流动倾向 |
| 2.2 相关理论 |
| 2.2.1 流动空间理论 |
| 2.2.2 空间相互作用理论 |
| 2.2.3 旅游空间结构理论 |
| 2.2.4 旅游供求均衡理论 |
| 2.2.5 机器学习理论 |
| 2.3 本章小结 |
| 第3章 区域旅游吸引力网络结构构建 |
| 3.1 总体思路 |
| 3.2 网络范围界定 |
| 3.3 网络节点提取 |
| 3.4 网络连线赋权 |
| 3.4.1 测度模型选取 |
| 3.4.2 目的地影响力测评 |
| 3.4.3 客源地出游力测评 |
| 3.4.4 目的地-客源地时间距离测评 |
| 3.5 网络拓扑结构绘制 |
| 3.6 本章小结 |
| 第4章 区域旅游吸引力网络结构特征分析 |
| 4.1 区域旅游吸引力网络结构特征评价体系综合识别 |
| 4.2 基于原值网络的区域旅游吸引力空间差异特征认知 |
| 4.2.1 空间总体差异特征 |
| 4.2.2 空间相对差异特征 |
| 4.3 基于二值网络的区域旅游吸引力空间关联特征识别 |
| 4.3.1 数据处理 |
| 4.3.2 网络节点位置评价 |
| 4.3.3 整体网络结构评价 |
| 4.4 基于Top网络的区域旅游吸引力空间集聚特征判定 |
| 4.4.1 数据处理 |
| 4.4.2 网络集聚特征测度指标 |
| 4.5 本章小结 |
| 第5章 区域旅游吸引力与游客流动倾向响应关系检验 |
| 5.1 旅游吸引力与游客流动倾向交互响应机理 |
| 5.1.1 旅游吸引力驱动下游客流动倾向响应机理 |
| 5.1.2 游客流动倾向驱动下旅游吸引力响应机理 |
| 5.2 区域游客流动倾向测评 |
| 5.2.1 游客流动倾向数据来源 |
| 5.2.2 游客流动倾向衡量方式 |
| 5.2.3 游客流动倾向特征分析 |
| 5.3 区域旅游吸引力与游客流动倾向响应效果检验 |
| 5.3.1 区域总体响应效果 |
| 5.3.2 城市局部响应效果 |
| 5.3.3 城市间路径响应效果 |
| 5.4 本章小结 |
| 第6章 区域旅游吸引力与游客流动倾向响应系统预测模型建立 |
| 6.1 指标来源与处理 |
| 6.1.1 旅游吸引力相关指标 |
| 6.1.2 游客流动倾向相关指标 |
| 6.1.3 旅游吸引力与游客流动倾向响应关系衡量指标 |
| 6.2 基于地理探测器的影响因素遴选 |
| 6.2.1 地理探测器作用原理 |
| 6.2.2 地理探测器适用条件 |
| 6.2.3 地理探测器模块划分 |
| 6.2.4 基于地理探测器的影响因素遴选的基本步骤 |
| 6.3 基于BP神经网络的预测模型构建 |
| 6.3.1 BP神经网络模型概述 |
| 6.3.2 BP神经网络学习算法 |
| 6.3.3 基于BP神经网络的响应系统建模的基本步骤 |
| 6.3.4 对比模型构建 |
| 6.4 本章小结 |
| 第7章 实证研究——以京津冀地区为例 |
| 7.1 研究区域与数据来源 |
| 7.1.1 研究区域概况 |
| 7.1.2 研究时段截取 |
| 7.1.3 研究数据来源与处理 |
| 7.2 京津冀区域旅游吸引力网络结构构建 |
| 7.2.1 京津冀区域旅游吸引力各要素分析 |
| 7.2.2 京津冀区域旅游吸引力关系矩阵构建 |
| 7.3 京津冀区域旅游吸引力网络结构的空间维度特征分析 |
| 7.3.1 基于原值网络的京津冀区域旅游吸引力空间差异特征分析 |
| 7.3.2 基于二值网络的京津冀区域旅游吸引力空间关联特征分析 |
| 7.3.3 基于Top网络的京津冀区域旅游吸引力空间集聚特征分析 |
| 7.4 京津冀区域旅游吸引力与游客流动倾向响应关系检验 |
| 7.4.1 京津冀区域游客流动倾向测评 |
| 7.4.2 京津冀区域旅游吸引力与游客流动倾向响应效果 |
| 7.5 京津冀区域旅游吸引力与游客流动倾向响应系统模拟预测 |
| 7.5.1 基于地理探测器的指标遴选 |
| 7.5.2 基于BP神经网络的响应系统模拟 |
| 7.6 本章小结 |
| 第8章 区域旅游吸引力与游客流动倾向响应水平提升对策 |
| 8.1 统筹制定区域旅游业发展整体规划 |
| 8.1.1 强化多中心一盘棋思想 |
| 8.1.2 培育层次合理等级体系 |
| 8.1.3 推进跨区域旅游合作网络 |
| 8.2 合理优化区域旅游吸引力网络结构 |
| 8.2.1 打造高效交通网络体系 |
| 8.2.2 注重跨城市旅游线路整合 |
| 8.2.3 健全全方位旅游服务 |
| 8.3 科学引导区域旅游者行为 |
| 8.3.1 创新区域旅游营销模式 |
| 8.3.2 调节区域旅游流流向 |
| 8.3.3 管控区域旅游流流量 |
| 8.4 加快推进区域旅游高质量发展 |
| 8.4.1 积极推进智慧旅游建设 |
| 8.4.2 加大生态环境保护和治理力度 |
| 8.4.3 创新推动文旅融合发展 |
| 8.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）基于智能技术的一类非线性系统故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语说明 |
| 第一章 绪论 |
| 1.1 论文的背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性系统的故障诊断与预测问题描述 |
| 1.2.2 故障诊断与预测方法研究现状 |
| 1.3 存在的问题和研究难点 |
| 1.4 研究内容及思路 |
| 1.5 论文结构安排及课题来源 |
| 1.5.1 论文结构安排 |
| 1.5.2 课题来源 |
| 第二章 基于智能优化粒子滤波的故障诊断方法研究 |
| 2.1 引言 |
| 2.2 粒子滤波算法 |
| 2.2.1 状态空间模型 |
| 2.2.2 标准粒子滤波 |
| 2.3 变频变异粒子滤波(VFM-PF) |
| 2.3.1 变频变异策略 |
| 2.3.2 变频变异粒子滤波算法 |
| 2.3.3 算法性能实验及结果分析 |
| 2.4 基于VFM-PF的曝气池溶解氧过程故障诊断 |
| 2.4.1 活性污泥法污水处理及曝气池溶解氧过程 |
| 2.4.2 曝气池溶解氧过程故障诊断模型 |
| 2.4.3 基于VFM-PF的曝气池溶解氧过程故障诊断实验及结果分析 |
| 2.5 基于改进天牛群搜索算法的粒子滤波(BSAS-PF) |
| 2.5.1 天牛群搜索算法 |
| 2.5.2 改进天牛群搜索算法 |
| 2.5.3 基于改进天牛群搜索算法的粒子滤波 |
| 2.5.4 算法性能实验及结果分析 |
| 2.6 基于BSAS-PF的双馈风力发电机故障诊断 |
| 2.6.1 风力发电系统概述 |
| 2.6.2 双馈发电机故障诊断模型 |
| 2.6.3 基于BSAS-PF的双馈发电机故障诊断实验及结果分析 |
| 2.7 本章小结 |
| 第三章 基于ADCS-ELM的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 本章相关技术概述 |
| 3.2.1 经验模态分解和集合经验模态分解 |
| 3.2.2 极限学习机 |
| 3.3 ADCS-ELM神经网络 |
| 3.3.1 改进布谷鸟搜索算法 |
| 3.3.2 基于ADCS的改进ELM神经网络 |
| 3.4 基于ADCS-ELM的故障诊断 |
| 3.4.1 故障诊断流程 |
| 3.4.2 基于EEMD的特征提取 |
| 3.4.3 基于ADCS-ELM的故障模式识别 |
| 3.5 故障诊断实验及结果分析 |
| 3.5.1 数据来源 |
| 3.5.2 故障特征提取实验 |
| 3.5.3 故障分类识别实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于堆叠降噪自动编码器的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 堆叠降噪自动编码器(SDAE) |
| 4.2.1 自动编码器(AE) |
| 4.2.2 稀疏自动编码器(SAE) |
| 4.2.3 降噪自动编码器(DAE) |
| 4.2.4 堆叠降噪自动编码器(SDAE) |
| 4.3 基于人工变性天牛算法的改进堆叠降噪自动编码器(ATLA-SDAE) |
| 4.3.1 人工变性天牛算法(ATLA) |
| 4.3.2 基于ATLA的 SDAE超参数优化 |
| 4.4 基于ATLA-SDAE的故障诊断 |
| 4.5 故障诊断实验及结果分析 |
| 4.5.1 多工况轴承数据与特征集的构造 |
| 4.5.2 故障诊断实验及结果分析 |
| 4.6 本章小结 |
| 第五章 基于ICS-ELM的故障预测方法研究 |
| 5.1 引言 |
| 5.2 基于ICS-ELM的污水处理过程BOD预测 |
| 5.2.1 改进布谷鸟搜索算法(ICS) |
| 5.2.2 基于ICS的改进ELM神经网络污水处理过程BOD预测 |
| 5.3 基于ICS-ELM的 BOD实时故障预测实验及结果分析 |
| 5.3.1 实验数据的获取 |
| 5.3.2 实验数据的预处理 |
| 5.3.3 BOD预测实验及结果分析 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的剩余寿命预测方法研究 |
| 6.1 引言 |
| 6.2 本章相关技术概述 |
| 6.2.1 连续小波变换 |
| 6.2.2 卷积神经网络CNN |
| 6.3 CNN预测模型结构设计 |
| 6.4 基于CNN-HI的滚动轴承剩余寿命预测 |
| 6.5 基于CNN-HI的轴承RUL预测实验及结果分析 |
| 6.5.1 PRONOSTIA轴承加速全寿命数据集 |
| 6.5.2 预测实验及结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
（5）面向排放测算的城市路网全样流量测算方法研究（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 研究目标与内容 |
| 1.3 研究方法与技术路线 |
| 1.4 论文框架与结构 |
| 2 国内外研究综述 |
| 2.1 污染物排放量测算方法 |
| 2.1.1 大气污染物排放测算方法 |
| 2.1.2 机动车排放测算方法 |
| 2.2 交通流量测算模型 |
| 2.2.1 交通流参数 |
| 2.2.2 经典交通流模型及其适应性 |
| 2.2.3 宏观交通流基本图模型 |
| 2.3 交通流模式聚类方法 |
| 2.3.1 聚类分析方法及其在交通流聚类中的应用 |
| 2.3.2 交通流时间序列模式划分 |
| 2.4 模式识别算法及其在交通领域中的应用 |
| 2.4.1 模式识别算法 |
| 2.4.2 模式识别算法在交通领域的应用 |
| 2.5 国内外相关研究存在问题总结 |
| 3 数据收集及特征分析 |
| 3.1 浮动车速度数据 |
| 3.1.1 路段行程速度 |
| 3.1.2 路网/多断面平均速度数据 |
| 3.2 流量数据 |
| 3.2.1 RTMS数据 |
| 3.2.2 流量调查数据 |
| 3.3 排放数据 |
| 3.4 多源数据集成与匹配方法 |
| 3.4.1 数据集成方法 |
| 3.4.2 多源数据匹配方法 |
| 3.5 本章小结 |
| 4 面向路网全样流量测算的交通流模式聚类方法研究 |
| 4.1 交通流模式定义及其影响因素分析 |
| 4.1.1 交通流模式定义 |
| 4.1.2 交通流模式影响因素及其影响机理分析 |
| 4.2 交通流模式聚类分析方法研究 |
| 4.2.1 交通流模式聚类分析算法研究 |
| 4.2.2 交通流模式聚类分析特征指标研究 |
| 4.2.3 交通流模式最佳聚类数确定方法 |
| 4.2.4 交通流模式聚类分析效果评价指标研究 |
| 4.3 快速路交通流模式图谱库构建 |
| 4.3.1 层次聚类法各指标下交通流模式聚类分析 |
| 4.3.2 K-means聚类法各指标下交通流模式聚类分析 |
| 4.3.3 SOM神经网络聚类法各指标下交通流模式聚类分析 |
| 4.3.4 各聚类算法不同指标下的交通流模式聚类效果评价 |
| 4.4 本章小结 |
| 5 面向路网全样流量测算的交通流模式识别方法研究 |
| 5.1 交通流模式识别方法研究 |
| 5.1.1 交通流模式识别步骤 |
| 5.1.2 交通流模式快速识别算法研究 |
| 5.1.3 交通流模式识别特征指标研究 |
| 5.1.4 交通流模式识别效果评价指标研究 |
| 5.2 各等级道路不同场景下的交通流模式识别 |
| 5.2.1 0:00-24:00 速度指标 |
| 5.2.2 凌晨0:00-6:00 速度指标 |
| 5.2.3 0:00-12:00 速度指标 |
| 5.2.4 早高峰6:00-10:00 速度指标 |
| 5.2.5 早高峰 6:00-10:00 和晚高峰 17:00-21:00 速度指标 |
| 5.3 不同等级道路和特征指标下最优模式识别算法研究 |
| 5.4 本章小结 |
| 6 面向排放测算的城市路网全样流量测算方法研究 |
| 6.1 各等级道路交通流基本图模型构建方法 |
| 6.2 交通流基本图模型影响因素分析 |
| 6.2.1 道路属性 |
| 6.2.2 交通构成 |
| 6.2.3 驾驶员驾驶特征 |
| 6.2.4 环境因素 |
| 6.3 基于多源实测数据的交通流基本图模型构建 |
| 6.3.1 基于Van Aerde模型的快速路交通流基本图模型构建 |
| 6.3.2 各等级道路各方案下交通流模型流量测算误差分析 |
| 6.4 基于多源数据的路网全样流量测算方法研究 |
| 6.5 本章小结 |
| 7 案例应用 |
| 7.1 基于路网全样动态流量的机动车排放量测算方法研究 |
| 7.1.1 机动车路网排放动态测算方法研究 |
| 7.1.2 排放测算数据 |
| 7.2 基于路网动态排放测算的限行政策评估 |
| 7.2.1 限行政策实施前后交通流变化 |
| 7.2.2 限行政策实施前后路网机动车排放量动态测算 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论和创新点 |
| 8.2 研究展望 |
| 参考文献 |
| 附录A |
| 作者简历及博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于贝叶斯理论的建筑能耗逆向不确定性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号及缩略语 |
| 1 前言 |
| 1.1 课题的提出 |
| 1.1.1 课题的社会背景 |
| 1.1.2 课题的研究背景 |
| 1.2 研究现状 |
| 1.2.1 建筑能耗计算方法研究现状 |
| 1.2.2 建筑能耗敏感性分析研究现状 |
| 1.2.3 建筑能耗模型校验方法研究现状 |
| 1.2.4 存在的问题与不足 |
| 1.3 研究的目标与意义 |
| 1.4 研究内容及技术路线 |
| 1.5 论文整体结构 |
| 2 论文所用的软件环境和研究方法 |
| 2.1 耦合近似贝叶斯计算与机器学习的建筑能耗逆向不确定性分析 |
| 2.2 本研究所采用的研究工具 |
| 2.2.1 EnergyPlus建筑能耗计算软件 |
| 2.2.2 SketchUp三维建模平台 |
| 2.2.3 数据分析软件环境 |
| 2.3 本研究所采用的数据分析方法 |
| 2.3.1 基于元模型的敏感性分析 |
| 2.3.2 机器学习算法 |
| 2.3.3 近似贝叶斯计算 |
| 2.4 本章小结 |
| 3 基于逐月能耗数据的建筑能耗逆向不确定性分析 |
| 3.1 本章研究内容 |
| 3.2 建筑能耗模型 |
| 3.2.1 建筑模型 |
| 3.2.2 天气数据 |
| 3.2.3 自动建模 |
| 3.2.4 模型计算结果收集整理 |
| 3.3 建筑能耗模型全局敏感性分析结果 |
| 3.4 建筑能耗机器学习模型的建立 |
| 3.4.1 逐月建筑能耗机器学习建模的基本流程 |
| 3.4.2 逐月耗电量机器学习建模 |
| 3.4.3 逐月耗气量机器学习建模 |
| 3.4.4 机器学习建模方法的计算成本 |
| 3.5 近似贝叶斯校验计算结果 |
| 3.5.1 近似贝叶斯计算方法对于校验结果的影响 |
| 3.5.2 近似贝叶斯计算接受率对于校验结果的影响 |
| 3.6 不同近似贝叶斯计算方法计算成本的比较 |
| 3.7 近似贝叶斯计算校验结果评价 |
| 3.8 逐月建筑能耗模型校验方法的有效性 |
| 3.9 本章小结 |
| 4 基于逐时能耗数据的建筑能耗逆向不确定性分析 |
| 4.1 本章研究内容 |
| 4.2 逐时建筑能耗机器学习模型的建立 |
| 4.2.1 逐时建筑能耗机器学习建模基本流程 |
| 4.2.2 逐时建筑能耗机器学习模型的建模结果 |
| 4.2.3 逐时建筑能耗预测 |
| 4.3 汇总统计量的计算 |
| 4.4 逐时建筑能耗近似贝叶斯计算 |
| 4.4.1 不同近似贝叶斯计算方法的逐时建筑能耗校验结果 |
| 4.4.2 近似贝叶斯计算接受率对于校验结果的影响 |
| 4.5 逐时建筑能耗模型校验结果评价 |
| 4.6 逐时建筑能耗模型校验方法的有效性 |
| 4.7 本章小结 |
| 5 基于逆向不确定性分析的既有建筑节能改造 |
| 5.1 本章研究内容 |
| 5.2 建筑节能改造策略制订 |
| 5.2.1 建筑碳排放量计算 |
| 5.2.2 建筑能耗分析及节能改造策略制订 |
| 5.3 校验参数对于建筑能耗的影响 |
| 5.4 建筑改造方案制订及评价 |
| 5.4.1 节能改造方案制订 |
| 5.4.2 建筑节能改造方案的评价 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 论文的不足之处 |
| 7 展望 |
| 8 参考文献 |
| 9 攻读学位期间发表论文情况 |
| 10 硕士阶段参与科研项目 |
| 11 致谢 |
（7）ANFIS数据挖掘模型研究及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究意义 |
| 1.4 本文结构 |
| 1.5 本章小结 |
| 第2章 粗糙集理论 |
| 2.1 粗糙集的基本概念 |
| 2.1.1 集合中的近似关系 |
| 2.1.2 约简与核的概念 |
| 2.2 信息系统与知识的含义 |
| 2.2.1 信息系统与决策表 |
| 2.2.2 属性约简算法 |
| 2.3 知识不确定性的分析 |
| 2.4 本章小结 |
| 第3章 ANFIS模糊神经网络 |
| 3.1 人工神经网络的基本原理 |
| 3.1.1 人工神经网络的学习原理 |
| 3.1.2 人工神经网络的特性 |
| 3.1.3 人工神经网络的激活函数 |
| 3.1.4 人工神经网络的学习方法 |
| 3.2 模糊控制系统的组成 |
| 3.2.1 模糊化处理 |
| 3.2.2 模糊规则库 |
| 3.2.3 模糊推理 |
| 3.2.4 清晰化处理 |
| 3.3 ANFIS模糊控制系统 |
| 3.4 本章小结 |
| 第4章 气象学基础知识 |
| 4.1 天气系统简介 |
| 4.1.1 气团 |
| 4.1.2 锋 |
| 4.2 天气预报简介 |
| 4.2.1 气象数据的收集 |
| 4.2.2 天气预报常用方法 |
| 4.3 本章小结 |
| 第5章 基于ANFIS的气象预测模型的设计与实现 |
| 5.1 模型的设计 |
| 5.1.1 样本的选择 |
| 5.1.2 样本数据的构成 |
| 5.2 数据的预处理 |
| 5.3 实验结果与评估 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）基于ETKF的大尺度林火蔓延预测数据同化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 林火正在成为全球性挑战 |
| 1.1.2 预测林火行为 |
| 1.2 研究现状 |
| 1.2.1 林火蔓延模拟 |
| 1.2.2 数据同化在林火上的应用 |
| 1.3 本文的研究内容 |
| 1.4 本文的章节安排 |
| 参考文献 |
| 第2章 林火蔓延预测数据同化系统 |
| 2.1 系统架构 |
| 2.2 火蔓延模型 |
| 2.3 数据同化 |
| 2.4 应用测试 |
| 参考文献 |
| 第3章 基于ETKF的林火状态估计方法 |
| 3.1 引言 |
| 3.2 方法介绍 |
| 3.2.1 ETKF算法 |
| 3.2.2 基于FARSITE的ETKF实施 |
| 3.2.3 距离评价指标 |
| 3.3 案例研究 |
| 3.3.1 仿真试验设置 |
| 3.3.2 集合数的产生 |
| 3.3.3 仿真观测数据 |
| 3.4 结果 |
| 3.4.1 火线位置 |
| 3.4.2 过火面积 |
| 3.5 定量评价与讨论 |
| 3.5.1 均方根误差 |
| 3.5.2 豪斯多夫距离 |
| 3.5.3 讨论 |
| 3.6 小结 |
| 参考文献 |
| 第4章 林火蔓延预测的状态和参数估计 |
| 4.1 引言 |
| 4.2 方法介绍 |
| 4.2.1 算法步骤 |
| 4.2.2 理论框架 |
| 4.2.3 相似性评价指标 |
| 4.3 FireFluxⅠ实验验证 |
| 4.3.1 实验条件和模拟设置 |
| 4.3.2 结果 |
| 4.4 Camp Fire火灾 |
| 4.4.1 事故背景 |
| 4.4.2 数据收集和处理 |
| 4.4.3 数据同化配置 |
| 4.5 Camp Fire模拟预测结果 |
| 4.5.1 火灾发展预测 |
| 4.5.2 燃料调节因子的估计 |
| 4.5.3 增加预测时长 |
| 4.6 讨论 |
| 4.7 小结 |
| 参考文献 |
| 第5章 不利观测条件下的林火数据同化研究 |
| 5.1 引言 |
| 5.2 方法介绍 |
| 5.2.1 基于点权的ETKF算法(VWETKF) |
| 5.2.2 评价指标 |
| 5.3 案例研究 |
| 5.3.1 研究区域和植被数据 |
| 5.3.2 风场数据和燃料调节因子设置 |
| 5.3.3 观测系统仿真试验 |
| 5.4 结果与讨论 |
| 5.4.1 部分观测数据缺失 |
| 5.4.2 部分观测数据嗓声较大 |
| 5.4.3 观测数据部分缺失而且部分嗓声较大 |
| 5.4.4 讨论 |
| 5.5 小结 |
| 参考文献 |
| 第6章 结语与展望 |
| 6.1 本文研究工作总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（9）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（10）基于无人机遥感开发平台的草莓生长状况快速监测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 农用无人机遥感技术发展及现状 |
| 1.3 深度学习技术发展及现状 |
| 1.4 草莓生物学特征及生产现状 |
| 1.5 本文内容架构 |
| 第二章 材料与方法 |
| 2.1 深度学习网络 |
| 2.1.1 人工神经网络结构与训练 |
| 2.1.2 卷积神经网络 |
| 2.1.3 循环神经网络 |
| 2.2 目标检测算法 |
| 2.2.1 R-CNN与 SPP-NET |
| 2.2.2 Fast R-CNN |
| 2.2.3 Faster R-CNN |
| 2.3 基于无人机遥感平台的三维重建技术 |
| 2.3.1 特征点检测与匹配 |
| 2.3.2 运动恢复结构与多视图立体匹配 |
| 2.3.3 无人机辅助信息对三维重建的优化 |
| 2.4 本章小结 |
| 第三章 基于无人机遥感模拟平台的草莓育苗期冠层养分检测研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 无人机遥感模拟平台搭建 |
| 3.2.2 样本制备 |
| 3.2.3 数据采集与处理 |
| 3.3 结果分析 |
| 3.3.1 基于不同植被指数的线性模型比较与优选 |
| 3.3.2 图像采集高度和速度对模型的影响 |
| 3.3.3 不同程度氮胁迫下SPAD值可视化反演 |
| 3.4 本章小结 |
| 第四章 基于无人机遥感平台和目标检测算法的草莓产量自动快速检测 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 无人机数据采集 |
| 4.2.2 草莓田正射影像图构建 |
| 4.2.3 数据预处理 |
| 4.2.4 Straw R-CNN目标检测算法 |
| 4.3 结果分析 |
| 4.3.1 正射影像图生成结果 |
| 4.3.2 Straw R-CNN目标检测算法检测结果 |
| 4.3.3 系统检测的花朵数量与人工统计的结果比较 |
| 4.3.4 目标检测方法比较 |
| 4.3.5 产量分布图的建立 |
| 4.4 本章小结 |
| 第五章 低成本便携式小型无人机倾斜影像系统开发 |
| 5.1 引言 |
| 5.2 无人机倾斜摄影系统开发 |
| 5.2.1 倾斜相机外壳设计 |
| 5.2.2 倾斜相机内部系统设计 |
| 5.2.3 无人机飞行平台 |
| 5.3 倾斜摄影系统试验 |
| 5.3.1 草莓田数据采集 |
| 5.3.2 农村区域数据采集 |
| 5.3.3 数据预处理 |
| 5.3.4 三维重建 |
| 5.4 结果与分析 |
| 5.4.1 大范围草莓田正射影像图生成结果 |
| 5.4.2 农村区域三维模型精度检验 |
| 5.4.3 倾斜相机比较 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究主要创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 作者简介 |
四、神经网络的发展及其在天气模拟预测方面的应用（论文参考文献）
- [1]基于FY-4A卫星的云检测与云图预测方法研究[D]. 蔡朋艳. 南京信息工程大学, 2021(01)
- [2]计及新能源的电力现货市场交易优化研究[D]. 王珂珂. 华北电力大学(北京), 2021(01)
- [3]区域旅游吸引力与游客流动倾向响应研究[D]. 潘越. 燕山大学, 2021(01)
- [4]基于智能技术的一类非线性系统故障诊断与预测方法研究[D]. 余萍. 兰州理工大学, 2020
- [5]面向排放测算的城市路网全样流量测算方法研究[D]. 臧金蕊. 北京交通大学, 2020(02)
- [6]基于贝叶斯理论的建筑能耗逆向不确定性研究[D]. 朱传琪. 天津科技大学, 2020
- [7]ANFIS数据挖掘模型研究及其应用[D]. 刘嵩楠. 中国地质大学(北京), 2020(08)
- [8]基于ETKF的大尺度林火蔓延预测数据同化研究[D]. 周腾蛟. 中国科学技术大学, 2020
- [9]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [10]基于无人机遥感开发平台的草莓生长状况快速监测研究[D]. 陈杨. 浙江大学, 2020