一、混合学习模式ANN组合的研究（论文文献综述）
周思洋[1]（2021）在《基于机器学习的大动态信噪比下调制模式识别方法研究》文中认为自动调制模式识别（Automatic Modulation Recognition,AMR）作为软件无线电与认知无线电的核心技术,在当今智能通信系统中有着广泛的应用。目前的AMR方法的性能大都受信噪比（Signal to noise ratio,SNR）影响比较大,在大动态SNR环境下识别与泛化能力不足。然而在深空通信与高速飞行器通信等场景中,宇宙射线与飞行器高速移动等原因会导致接收端SNR动态范围很大且快速变化,这使得AMR的性能极度依赖信道估计的实时性与准确性,无法工作在大动态SNR环境下。本文主要研究基于机器学习的大动态SNR环境下单信号以及混叠多信号的调制模式识别方法,提高AMR在大动态SNR环境下的识别与泛化能力,降低AMR对于信道估计的依赖。首先针对非合作体制信号可获得样本数很少的场景下,为了解决大动态SNR环境下由于特征集中的冗余特征导致的泛化能力不足的问题,提出了基于鲁棒特征集遴选的小样本调制识别方法。首先利用特征值在不同SNR下的统计信息,通过K均值聚类选择出对噪声变化具有鲁棒性的特征,进而通过粗糙集属性约简移除特征集中的冗余信息,得到适合在大动态SNR下进行识别的特征集用于分类器训练。该方法在只需要少量样本的情况下,在保持识别性能的同时,大幅降低了特征维度并提高了算法的噪声鲁棒性。其次,针对大动态信噪比环境下合作通信体制信号可获得样本充足的场景,研究基于鲁棒特征学习的调制识别方法。在样本量充足的前提下,使用深度学习完成对更复杂通信场景的识别,包括2种不同的识别场景:（1）在高斯白噪声信道中,为了解决大动态SNR环境下特征集对于多类属调制集泛化能力不足的问题,提出了一种基于鲁棒特征组合的复杂调制集调制识别方法。由于特征遴选的方式无法处理由于特征泛化能力不足导致的性能缺失,故在固定SNR下可分的前提下,采用自动编码机对SNR动态范围内所有信号的特征值进行训练与学习,并通过特征组合的方式输出一组新的特征。该方法在大幅度降低特征维度的同时,增强了特征集在大动态SNR下的识别与泛化能力;（2）在多径衰落信道中,为了解决特征集在固定SNR下对于多类属调制集识别能力不足,更无法在大动态SNR环境下部署的问题,提出了一种基于卷积神经网络的多径衰落信道调制识别方法。在特征集在固定SNR下无法完成识别时,寻找新的有效特征是一项费时费力且性能无法保证的工作。该方法采用卷积神经网络,通过特征学习的方式直接从海量样本中学习出适合在大动态SNR环境下识别的特征,在完成识别的同时,通过对CNN中间层以及输出特征的可视化,验证了CNN学习到特征优秀的可分性与泛化性,该方法不依赖于人工寻找与设计特征集,在保证识别性能的前提下,可实现多径信道环境下的多类属信号调制模式识别;最后,针对时频域均不可分的混叠多信号调制模式识别的应用场景,为了解决需要同时识别出信号中所有信号的调制方式的问题,在大动态SNR环境下提出了一种基于胶囊神经网络的混叠多信号调制识别方法。该方法通过将胶囊结构与卷积神经网络相结合,使网络在输出端具有多标签同时识别的能力,通过提出阈值判决的方式,实现混叠信号中包含的信号数量的识别,并针对阈值判决的识别方式提出了一种代价函数,加快了网络训练的收敛速度。同时对于信号数量未知带来的识别结果判定以及性能评价指标也做了定义。该方法相较于已知的混叠多信号AMR方法,可以处理的调制方式种类与识别性能均有提高,不依赖于信号数量估计并首次实现3个信号同时存在情况下的识别。
高迪[2]（2021）在《基于QbD理念的组分中药粉体性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建》文中进行了进一步梳理中药颗粒剂是指将原料药物与适宜的辅料混合均匀,制备成为具有一定粒度的干燥颗粒状制剂,是现代中药制剂的主要形式之一。与普通中药制粒方法相比,干法制粒无需制软材、挤压制粒、干燥和整粒等过程,具有生产工艺简单、生产效率高、辅料用量少等优点,在中药固体制剂中应用广泛。在干法制粒过程中,中药提取物的粉体性质、工艺参数设定等均与颗粒剂质量密切相关。在现有“经验和试错”的研发及生产模式下,不仅会造成时间和原料的浪费,也难以保证颗粒剂质量的一致性,因此,对中药提取物粉体性质、工艺参数与颗粒剂质量间的相关性进行研究并构建预测模型对于颗粒剂的质量控制具有重要意义。质量源于设计（Qb D）旨在将药品质量监管体系从过去单纯依赖终产品检验过渡到产品设计、生产过程和研究阶段的质量控制,可全面提升产品质量的稳定性和生产工艺的可调节性。中药提取物由不同类型的成分构成,具有化学成分多样、构成体系复杂的特点,其中黄酮、皂苷及多糖类成分是中药重要的药效组分,不同组分中药原料的天然属性决定了其性质的差异性,并将通过工艺过程传递至终产品的质量属性,导致颗粒质量的变化。基于Qb D理念,本课题分别以黄芩、知母及黄芪提取物作为黄酮、皂苷和多糖上述三类组分的模型药物进行干法制粒研究构建设计空间及预测模型,使得产品质控中心前移至原料控制和制药过程控制,以期在节省时间和辅料的同时,为保证中药颗粒剂质量的均一性和稳定性提供参考。综上,本文主要包括以下五部分:第一部分,基于FMEA的中药干法制粒贝叶斯网络故障诊断研究。采用FMEA辨识并确定中药干法制粒的CPPs,即送料速度、滚轮速度、滚轮压力;基于FMEA构建中药干法制粒贝叶斯故障诊断模型,依据FMEA故障模式的发生度及BN强大的数学逻辑推理计算功能求解故障模式的发生概率,将“颗粒质量不合格”的“Bad”状态值设置为100%,然后更新整个网络的概率参数,在颗粒质量不合格的条件下,“颗粒成型率低”、“颗粒溶化性差”、“颗粒脆碎度差”故障发生概率（Bad）均>50%。因此在后续实验中将颗粒成型率、脆碎度及溶化时间作为颗粒的CQAs,研究工艺及处方因素对中药干法制粒过程的影响。第二部分,基于Qb D理念的黄酮组分中药（黄芩提取物）粉体性质-工艺参数-颗粒质量相关性研究及预测模型的构建。采用Box-Behnken实验设计制备干法颗粒,构建设计空间,从中选取控制空间,蒙特卡洛法验证其准确度;采用混料设计制备黄酮组分提取物粉体样品,在该空间中选取具体工艺参数数值制备干法颗粒。综合上述样本数据作为模型数据,将彼此间具有较强相关性的模型数据采用主成分分析（PCA）方法进行提取,将重新得到的变量和其他输入变量（包括工艺参数和片状物厚度）分别作为径向基神经网络（RBFNN）、广义回归神经网络（GRNN）和反向传播神经网络（BPNN）预测模型的输入层构建模型对粉体性质、工艺参数及干法颗粒质量的相关性进行研究。结果显示:控制空间选取为5Hz<送料速度<11Hz,15Hz<滚轮速度<27Hz,0kg/cm2<滚轮压力<37kg/cm2,颗粒成型率和溶化时间准确度分别达到100%、99.4%;构建的成型率、溶化时间和脆碎度的PCA-RBFNN预测模型的MRE均在6%范围内,与PCA-BPNN与PCA-GRNN相比,均有不同程度的降低。表明本章所构建的PCA-RBFNN模型对于黄酮组分提取物颗粒质量具有相对较好的预测精度,能够较准确的对黄酮组分中药干法颗粒的CQAs进行预测。第三部分,基于Qb D理念的皂苷组分中药（知母提取物）粉体性质-工艺参数-颗粒质量相关性研究及预测模型的构建。采用Box-Behnken实验设计制备干法颗粒,确定控制空间,蒙特卡洛法验证其准确度;采用混料设计制备皂苷组分提取物粉体样品,在该空间中选取具体工艺参数数值制备干法颗粒。综合上述样本数据作为模型数据,PCA方法处理模型中具有较强相关性的输入指标,构建并验证相应RBFNN的皂苷组分提取物粉体性质-工艺参数-颗粒质量预测模型研究三者之间的相关性。结果显示:控制空间选取为10Hz<送料速度<26Hz,10Hz<滚轮速度<18Hz,10kg/cm2<滚轮压力<50kg/cm2,颗粒成型率及溶化时间的准确度均达到100%;构建的成型率、溶化时间和脆碎度的PCA-RBFNN预测模型的MRE均在6%范围内,表明本章所构建的PCA-RBFNN模型对于皂苷组分提取物颗粒质量具有相对较好的预测精度,能够较准确的对皂苷组分中药干法颗粒的CQAs进行预测。第四部分,基于Qb D理念的多糖组分中药（黄芪提取物）粉体性质-工艺参数-颗粒质量相关性研究及预测模型的构建。采用Box-Behnken实验设计制备干法颗粒,并确定控制空间,蒙特卡洛法验证其准确度;采用混料设计制备多糖组分提取物粉体样品,在该空间中选取具体工艺参数数值制备干法颗粒。综合上述样本数据,PCA方法处理模型中具有较强相关性的输入指标,构建并验证相应RBFNN的多糖组分提取物粉体性质-工艺参数-颗粒质量预测模型研究三者之间的相关性。结果显示:控制空间选取为10Hz<送料速度<37Hz,7Hz<滚轮速度<19Hz,0kg/cm2<滚轮压力<50kg/cm2,颗粒成型率及溶化时间的准确度分别达到95%、94%;构建的PCA-RBFNN的成型率、溶化时间和脆碎度预测模型的MRE均在6%范围内,表明本章所构建的PCA-RBFNN模型对于多糖组分提取物颗粒质量具有相对较好的网络的预测精度,能够较准确的对多糖组分颗粒剂的CQAs进行预测。第五部分,复方组分中药提取物粉体性质-工艺参数-颗粒质量预测模型的构建。采用混料设计模拟制备不同物理性质的复方组分中药,选择黄酮、皂苷及多糖三种组分中药干法制粒工艺参数控制空间的重叠部分,并从中选取具体的工艺参数制备干法颗粒。运用PCA-RBFNN预测模型研究粉体性质-工艺参数-干法颗粒质量间的相关性,PCA方法处理模型中具有较强相关性的输入指标,构建相应RBFNN的复方组分中药提取物粉体性质-工艺参数-颗粒质量预测模型。结果显示:构建的PCA-RBFNN的成型率、溶化时间和脆碎度预测模型的MRE均在7%范围内,能够较准确的预测复方组分中药颗粒剂质量。综上,本文在黄酮、皂苷及多糖三种不同物性的组分中药粉体性质-工艺参数-干法颗粒质量相关性研究的基础上,构建模型的预测结果能够对颗粒的成型性、溶化性及机械强度实际结果提供参考,应用Qb D理念,对处方组成及工艺参数设置、调整以确定最佳颗粒质量具有一定的借鉴意义,为组分中药干法颗粒质量控制方法的建立提供新思路。
于文涛[3]（2021）在《复杂地表时空连续植被参数遥感反演方法研究》文中认为植被是地球表面植物群落的总称,是生态环境的重要组成部分。植被参数的精确获取和相关信息产品的生成在全球变化等研究中至关重要。空间异质性和地形起伏是复杂地表的显着特征,对地表辐射传输过程、植被参数反演具有重要的影响,是限制植被参数遥感产品精度提升的瓶颈。现有植被参数反演算法通常针对单一均匀地物构成的场景建立,反演过程中缺少对地表异质性和地形特征的考虑,导致现有产品精度在复杂地表区域精度较低。随着计算能力的提升,基于计算机模拟模型模拟复杂地表的辐射传输过程成为可能。同时,高分辨率的地表分类数据的出现也为描述复杂地表的场景结构提供了数据支撑,为复杂地表植被参数反演提供了新的可能。围绕着复杂地表连续植被参数反演的目标,本文首先对复杂地表特征进行了参数化和定量分析,然后模拟分析了山地LAI反演的地形误差并在此基础上提出了山地森林LAI的反演方法,最后针对植被参数产品时空不连续的问题,发展了耦合气候数据的植被参数时间序列重建方法。论文主要的研究内容和结论如下:（1）分析了全球地表公里尺度的地表覆盖异质性特征,统计了30m尺度植被和地形特征的耦合关系。基于30m土地覆盖数据Globe Land30提出定量描述1km像元非均质特征的参数化方案。使用像元场景内的地物类型数量和各地物的面积比例描述像元的混合特征;对不同植被类型的冠层高度等级进行划分,描述像元内斑块拼接的边界特征,刻画混合像元的破碎程度;生成了全球1km的地表混合类型分布图和边界长度分布图。基于30m分辨率的DEM数据和地表分类数据分析了全球1km尺度下地表的异质性特征和30m尺度下植被的地形分布关系,并得出以下结论:在1km尺度上,不同土地覆盖类型的混合所导致的异质性在全球范围内广泛存在。陆地/植被区域分别只有35%/25.8%的像元由单一的地表类型覆盖,即为纯像元。由多种植被类型组成的像元占据植被区域所有像元的65.0%。混合像元在生态过渡带中更为常见。具有较多端元数量的混合像元地表通常破碎程度较高,但由两种端元组成的混合像元也可能十分破碎,如北方的针叶林地区。植被生态类型的内部地表覆盖异质性由高到低依次为:稀树草原、落叶针叶林、常绿针叶林、落叶阔叶林、灌木、阔叶作物、草地/谷物作物、常绿阔叶林。全球超过16%的地表面积坡度超过15°。山地区域中,森林和草地所占的面积比例远高于其他植被类型,其中森林更是占据主导地位。在全球尺度上,不同植被类型在坡向上没有明显的分布差异。（2）基于计算机模拟模型（DART）分析了LAI遥感反演的地形效应。论文使用DART模型模拟了坡面连续植被不同参数设置（包括叶片参数、冠层结构参数、土壤背景参数和地形参数等）下的红和近红外反射率数据,定量分析了地形对坡地LAI反演的影响。首先使用人工神经网络（ANN）构建了不考虑地形的LAI反演算法。然后将模拟的坡地反射率输入到ANN模型中,得到有偏差的LAI反演值用于分析LAI反演的地形误差。结果表明,LAI反演的地形误差随着坡度的增加呈线性增长趋势,在坡度为60°时,平均相对偏差可达51%。LAI反演的地形误差与冠层密度有关,除稀疏冠层外,地形的存在通常会导致LAI反演结果偏低。LAI反演误差随着坡向的变化趋势与局部入射角密切相关。浓密冠层中,LAI的反演值从阳坡到阴坡逐渐变低,而稀疏冠层的规律与之相反。这是因为在稀疏冠层场景中,红波段反射率的地形效应更强,而在浓密冠层中,红波段接近饱和,近红外波段受地形的影响程度更大。此研究结果有助于更好地理解LAI反演的地形效应,为山地LAI产品提供更好的反演策略。（3）基于随机森林和DART模型,提出了山地森林的LAI遥感反演方法。论文以DART模型为基准模拟了不同叶片参数、冠层结构参数、土壤背景参数和地形参数条件下坡地森林场景的可见光到近红外的反射率。使用不同传感器的光谱响应函数,卷积得到传感器特定的波段反射率,基于生成的波段反射率数据集,使用随机森林模型训练得到山地森林的LAI反演模型。输入遥感影像的反射率数据、成像几何参数和地形参数得到山地LAI的反演结果。使用模拟数据、四川王朗区域的LAI真值参考图对本算法进行了验证并与现有LAI反演方法（3D-RT查找表）和山地反演策略进行了对比分析。结果表明,本算法能够纠正不同地形特征下的LAI反演误差。本算法的反演精度（RMSE:0.973;r2:0.508）优于现有的山地LAI反演策略（成像几何参数校正策略（RMSE:1.465;r2:0.193）和反射率地形校正策略（RMSE:1.720;r2:0.278））,在山地森林LAI反演中具有很大的应用潜力。（4）提出了耦合气候数据的植被指数时空重建（CGF）方法。论文提出了一种耦合气候因子（包括太阳下行辐射,降水量和温度）的植被指数时间序列重建方法。针对祁连山区域30多年来Landsat-5、Landsat-7和Landsat-8遥感观测数据进行了重建,得到了8天时空连续的植被指数产品。以Sentinel-2的观测数据作为参考,比较分析了本方法和传统的时间序列重建方法（如HANTS,SG滤波）在Landsat数据上的重建效果。结果表明,本方法在数据缺失较少的时候,能够与主流的方法达成相似的重建效果（RMSE接近于0.066）,而当数据缺失大于50%时,本方法的重建成功率（RI:99.9%）和重建精度（RMSE:0.089）均明显高于传统的时间序列重建方法（平均RI:45.3%;RMSE:0.178）。此方法的重建结果可为研究区域长时间序列植被分析提供有效的数据支撑。
张晶[4]（2021）在《基于高光谱成像技术的甜菜生理生态参数检测方法研究》文中进行了进一步梳理作物生理生态信息的获取是精细农业信息获取的关键和核心问题之一,传统检测方法时效性差且具有破坏性,无法满足对作物生理生态参数实时无损动态检测的需求。甜菜生理生态信息的快速无损检测是甜菜实际生产过程中制定精细化和科学化管理决策的根本依据,对发展绿色农业,实现甜菜的丰产高糖具有重要意义。本文以不同氮胁迫下的田间小区试验为测试平台,综合利用多年（2014、2015和2018）、多点（内蒙古赤峰市太平地镇甜菜种植区、呼和浩特市内蒙古农业大学教学农场和土默特左旗麻合理村）、多品种（KWS1676、KWS9147和KWS1231）、多栽培模式（移栽和直播）、多生育期（叶丛快速生长期、糖分增长期和糖分积累期）和多氮肥梯度（0～200 kg/hm2）的甜菜高光谱测试数据并同步结合生理生态参数（叶片氮含量、SPAD值和植株地上生物量）生化分析,探究基于高光谱成像技术的甜菜冠层尺度生理生态参数快速无损检测方法。主要研究内容及成果如下:（1）通过分析各生育期不同氮胁迫、不同试验区和不同品种甜菜冠层叶片氮含量、叶绿素含量和植株地上生物量的变化规律及相应光谱响应曲线的变化趋势,探究了甜菜生理生态参数变化规律和光学检测机理,验证了高光谱成像技术在甜菜生理生态参数检测上的适用性,确定了各试验区的最佳施氮量,内蒙古赤峰市太平地镇为108 kg/hm2,呼和浩特市内蒙古农业大学教学农场为120 kg/hm2以及土默特左旗麻合理村为130 kg/hm2。（2）在390-990 nm波段范围内,利用精细采样法构建了所有可能波段组合的归一化光谱指数（NDSI）和土壤调节光谱指数（SASI）,提出了利用PSO算法对SASI植被冠层调节参数L进行寻优的方法。通过分析NDSI和SASI与甜菜冠层氮含量间的相关性,以及对比不同建模算法对甜菜冠层氮含量估测模型的影响,确定了估测各生育期甜菜冠层氮含量的最佳光谱指数和反演模型。其中,叶丛快速生长期的最佳建模输入量为SASI1（418nm,686 nm）,验证集R2为0.82,RMSE为2.30 g/kg,RRMSE为7.11%;糖分增长期以SASI2（820 nm,655 nm）的建模效果最理想,验证集R2为0.74,RMSE为2.71 g/kg,RRMSE为10.21%;糖分积累期的最优建模参数为SASI3（874 nm,889 nm）,模型R2为0.80,RMSE为2.26 g/kg,RRMSE为8.75%。（3）应用CARS算法对高光谱数据进行降维处理并挖掘有效光谱信息,提取了各生育期甜菜地上生物量的特征波长。通过改进GWO算法收敛因子的更新方式和个体进化模式,提出了基于MDE-GWO算法的甜菜地上生物量SVM模型关键参数优化方法,并对比了SCV、GWO和DE-GWO算法对甜菜地上生物量SVM模型预测精度的影响,确定了MDE-GWO算法为甜菜地上生物量SVM模型关键参数的最佳优化方法。与SCV-SVM、GWO-SVM和DE-GWO-SVM模型相比,基于特征波长构建的各生育期MDE-GWO-SVM模型对甜菜地上生物量的估测精度最高。（4）在综合分析现有叶绿素估测光谱指数与甜菜冠层相对叶绿素含量（SPAD值）间相关关系及其构建方式的基础上,通过引入一个可变参数M到传统CI中提出了MCI,并利用PLS和MDE-GWO-SVM算法建立估测模型,对比不同输入参数对甜菜冠层叶绿素含量模型预测精度的影响,确定了各生育期甜菜冠层叶绿素含量的最佳估测光谱指数为MCI。基于MCI建立的MDE-GWO-SVM模型可实现甜菜冠层叶绿素含量的定量预测,叶丛快速生长期对应的验证集R2为0.85,RMSE为2.20和RRMSE为4.62%;糖分增长期R2为0.73,RMSE为2.97和RRMSE为5.78%;糖分积累期R2为0.79,RMSE为2.55和RRMSE为5.28%（5）利用高光谱图像数据“图谱合一”的特性,基于甜菜各生育期叶片氮含量和叶素含量的最佳光谱指数,分别计算高光谱图像中每个像素点对应的光谱指数信号,并结合优选的最佳估测模型将高光谱图像中所有像素点下的光谱信号分别转化为对应位置处的氮含量和叶绿素含量,最终实现各生育期甜菜冠层氮含量和叶绿素含量的可视化分布,可直观体现甜菜整个生长过程中冠层氮含量和叶绿素含量在时间和空间上的变化规律。
刘洪林[5]（2021）在《基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究》文中提出食品认证已经引起了全世界的关注,品牌保护、错贴标签、产地错配是食品认证的重要参数。茶是世界上最常见的饮料之一,人们对茶叶产品的证实一直很感兴趣。茶叶产品的配方、生产年份和产地是茶叶产品证实最关注的的几个方面。迫切需要加强对茶叶产品的证实,使用判别性的科学技术来管理和验证。采用电感耦合等离子体质谱仪（ICP-MS）、电感耦合等离子体发射光谱仪（ICP-OES）、元素分析仪-稳定同位素比率质谱仪（EA-IRMS）和气相色谱-燃烧-稳定同位素比值质谱仪（GC-C-IRMS）方法对不同配方的重庆沱茶产品、2014年至2018年5个年份普洱茶茶样和永川、秀山、万州、江津、荣昌和宜宾6个产地的茶叶样本的矿质元素及其稳定同位素、多稳定同位素比值和咖啡碱及6种主要游离态氨基酸的δ13C和δ15N指纹进行了分析。对茶叶产品中这些指标的变化规律及机制进行了分析,对结合矿质元素及其稳定同位素、多稳定同位素比值和咖啡碱及6种主要游离态氨基酸的δ13C和δ15N指纹对茶叶产品（配方、生产年份和产地）的证实可行性和效果进行了研究,继而建立茶叶产品证实技术体系和指标体系。四种方法在茶叶中具有较好的适用性,灵敏度高,线性范围宽,精密度和准确度良好。不同配方、不同生产年份和不同产地的茶叶中矿质元素及其稳定同位素具有显着性差异（P<0.05）,具有各自不同的矿质元素及其稳定同位素指纹特征。采用矿质元素及其稳定同位素指纹技术对茶叶产品证实是可行的。各模型预测准确率达到90%以上,验证准确率达到88%以上。LDA和BP-ANN证实性能最优。114Cd、95Mo和85Rb是证实不同配方茶样最重要的化学标记;Mn、68Zn和203Tl是证实不同生产年份茶样最重要的化学标记;86Sr和112Cd是证实不同产地茶样最重要的化学标记;可作为茶叶产品证实的有效的指标体系。不同配方、不同生产年份和不同产地的茶叶具有不同的多稳定同位素比值指纹特征,采用稳定同位素比值指纹技术对茶叶产品的证实是可行的。各模型预测准确率达到90%以上,验证准确率达到85%以上。LDA和BP-ANN证实性能最优。因此,多稳定同位素比值组合建立的判别模型可以有效的进行茶叶产品证实。使不同配方的重庆沱茶证实的最重要的化学标记为δ2H、18O、98Mo/95Mo、96Mo/95Mo和98Mo/96Mo;δ2H、δ13C和154Sm/152Sm是不同生产年份茶样证实最重要的化学标记;δ2H、138Ba/137Ba、205Tl/203Tl、δ15N、88Sr/86Sr和154Sm/152Sm为不同产地茶样证实最重要的化学标记;可作为茶叶产品证实的有效的指标体系。茶叶中咖啡碱和6种主要游离态氨基酸的δ13C和δ15N分析方法验证效果好,适合茶叶中分析。不同配方、不同生产年份和不同产地的茶叶具有不同的咖啡碱和6种主要游离态氨基酸的δ13C和δ15N指纹特征,采用咖啡碱和6种主要游离态氨基酸的δ13C和δ15N指纹技术对茶叶产品的证实是可行的。各模型预测准确率达到85%以上,验证准确率达到85%以上。BP-ANN证实性能最优。因此,咖啡碱和6种主要游离态氨基酸的δ13C和δ15N组合建立的判别模型可以有效的进行茶叶产品证实。使不同配方的重庆沱茶样品证实的最重要的化学标记为δ13CSer和δ15NSer;使不同生产年份茶叶样品证实的最重要的化学标记为δ15NThea、δ13CGlu和δ15NGlu;不同产地茶叶样品得到证实的最重要的化学标记为δ15NAla和δ13CThea;可作为茶叶产品证实的有效的指标体系。通过比较不同的指纹特征,发现茶叶产品证实效果的矿质元素及其稳定同位素、多元素稳定同位素比值和咖啡碱及6种主要游离态氨基酸δ13C和δ15N结合组合>矿物元素及其稳定同位素值组合>多稳定同位素比值指标组合>咖啡碱和6种主要游离态氨基酸δ13C和δ15N值组合。矿质元素及其稳定同位素、多元素稳定同位素比值和咖啡碱和6种主要游离态氨基酸δ13C和δ15N结合在茶叶产品证实具有优越性,各模型证实性能相当且优异,能提高整体正确证实率。筛选出95Mo、δ15NSer、133Cs、δ13CSer、Co、85Rb、P、La、172Yb、47Ti/46Ti、112Cd和88Sr/86Sr为结合136个变量证实不同配方茶叶产品的最重要的化学标记,K和85Rb为结合110个变量证实不同生产年份茶叶产品的最重要的化学标记,δ2H为结合134个变量证实不同产地茶叶产品的最重要的化学标记,茶叶产品证实的指标体系进一步筛选并建立。化学计量学方法（HCA、PCA、PLS-DA、BP-ANN和LDA等）是茶叶产品证实指标筛选及判别模型建立不可缺少的数学工具,不同方法对茶叶产品证实效果不一,使用前提条件需要仔细考察。本研究的结果为茶叶产品证实提供了技术支撑;同时,本研究的研究方法和结果对于其他食品,尤其是植源性产品的证实研究亦有重要的借鉴意义。
黄小乔[6]（2021）在《基于深度学习的超短期太阳辐照度预测模型研究》文中认为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。
徐龙华[7]（2021）在《蠕墨铸铁切削数据的综合智能推理方法研究》文中研究说明难加工材料的不断涌现推动了切削加工技术的进步。由于常规金属切削加工技术的效率低、能耗高、加工表面质量不稳定、自动化水平低等缺点,因此迫切需要新的切削加工技术和智能制造系统来提高切削加工的智能化水平。高速切削加工和智能推理系统的结合不仅能极大的提高切削效率和工件表面质量,而且能够降低切削能耗,进一步提高切削加工的自动化水平。因此,本研究以蠕墨铸铁为实验材料,通过高速铣削加工实验获得蠕墨铸铁在粗加工、半精加工和精加工时的切削数据。进而通过所获得的切削数据建立综合智能推理系统,实现刀具磨损、刀具寿命、切削力、切削功率和已加工表面质量等的推理预测,并获得最优切削参数组合。研究提出VPSO与VCPSO优化训练算法。VPSO与VCPSO算法的全局收敛能力较强,且均优于标准粒子群优化算法、遗传算法和其它优化算法。建立了基于VCPSO算法的自适应神经模糊推理系统,可靠预测了刀具后刀面磨损量、刀具寿命和切削力,它们的推理精度分别达93.5%、91.8%和95.6%,验证了推理模型的有效性。建立了改进的自适应神经模糊推理系统、切削功率和表面粗糙度的理论相似推理模型。利用方差分析方法分析了切削参数对切削功率和表面粗糙度的影响。结果表明,切削功率和表面粗糙度的推理精度分别达93.1%和93.8%;高速铣削蠕墨铸铁时,切削速度对切削功率的影响最大,其次为切削深度,进给量的影响最小;切削速度对表面粗糙度的影响最大,其次为进给量,切削深度的影响可忽略不计。建立了切削功率和表面粗糙度理论相似推理模型,该推理模型能够预测相同切削参数下不同铸铁材料的切削功率和表面粗糙度,切削功率和表面粗糙度的推理精度分别达92.1%和89.4%。提出了智能推理与优化系统,该系统包括改进的实例推理方法、基于自适应神经模糊推理系统和VPSO算法的优化方法。采用人工神经网络模型确定切削参数和刀具磨损的权重,采用高斯模糊灰色关联方法作为实例重用模型求解问题。改进的实例推理方法能够根据切削参数和刀具磨损状态推理预测切削功率和切削振动振幅,采用VPSO算法对建立的自适应神经模糊推理系统进行切削参数优化。结果表明,切削速度对切削功率的影响最大,其次为切削深度和刀具磨损,进给量的影响最小;对切削振动振幅影响最大的是切削速度,其次为进给量和切削深度,刀具磨损的影响最小。改进后的实例推理方法在预测切削功率和切削振动振幅时的推理精度分别达91.7%和95.7%。建立了高斯过程回归和支持向量回归机实例重用模型,预测不同切削参数和刀具磨损下的表面粗糙度和残余应力。结果表明,高斯过程回归重用模型推理精度较高。采用人工神经网络模型分析得切削速度对表面粗糙度的影响最大,其次为刀具磨损和进给量,切削深度的影响最小;对残余应力的影响从大到小分别为进给量,切削速度与切削深度。与其它智能推理模型相比,提出的推理方法具有较高的推理效果,能够实现工件材料加工表面质量的推理预测。以B/S模式为基础构建了综合智能推理系统。该系统通过自适应神经模糊推理系统和实例推理方法实现了切削数据的推理和有效利用。该系统不仅具有推理功能,而且能够为使用者提供优化的切削参数。综合智能推理系统能够提高切削效率、表面质量、降低切削能耗。
史策[8]（2021）在《模型辅助的连续流层析过程开发和抗体分离应用研究》文中认为单克隆抗体（单抗）是最重要的生物技术药物,传统的批次生产方式投资大,风险高,能耗、物耗和废液量大。改变传统工艺,实现连续化制造,是国际发展趋势,可以提高产品质量和过程效率,促进设备小型化,拓展过程的灵活性,减少废物排放,降低生产成本。连续生物制造的关键难点在于连续分离过程,特别是连续流层析,过程复杂,参数较多,优化设计难度大。本文针对连续流层析的复杂性和特殊性,引入机理模型和人工智能方法,构建模型辅助的连续流层析过程设计新方法,探讨关键因素影响,建立过程优化方法,为连续流层析过程开发和应用提供指导。首先,针对抗体亲和捕获,构建层析机理模型,表征不同模式的连续捕获过程（包括双柱CaptureSMB、三柱3C-PCC以及多柱连续流层析）。采用考虑平行扩散的通用速率模型,对不同操作条件的穿透曲线进行预测;结合过程模型,计算连续流层析的性能参数,分析不同操作参数对过程产率和介质利用率的交互影响。结果表明,过程产率随关键操作参数变化呈现三个阶段的变化特征,且不同连续捕获模式表现出不同规律,提出了相应的优化方法。经模型辅助优化,MabSelect SuRe介质的CaputreSMB最大过程产率达33.3 g/L/h,介质利用率为94.3%。MabSelect SuRe LX介质的3C-PCC最大过程产率达34.5 g/L/h,介质利用率为97.6%,结果得到实验验证。在此基础上,提出了模型辅助连续流层析过程优化的基本策略,并开发了软件包,应用于单抗药物连续捕获的工艺开发。其次,针对机理模型计算速度较慢的问题,引入人工神经网络算法,建立机理模型和人工神经网络的混合模型,应用于抗体连续捕获过程分析。对人工神经网络的结构和数据耦合方法进行了优化,相比于机理模型,混合模型计算速度提高了2000倍,达到毫秒级,适用于多参数和复杂状况的过程分析和比较。针对不同模式连续捕获过程,采用混合模型系统分析了介质主要性能参数对最大产率和操作空间的影响,发现不同上样浓度体现不同规律,从而得到不同上样浓度下的连续流层析介质选择和优化策略。为了便于混合模型的应用,开发了集成软件包,已在实际连续流层析过程开发中得到应用。针对抗体精制分离的迎头层析,以单抗单体和聚集体分离为目标,探讨了双柱连续迎头层析Flow2新方法。结合集总动力学模型、DLVO理论和Flow2过程模型,建立基于过程认知的Design Procedure方法,对Flow2过程性能进行表征,实现多参数和多目标优化。结果表明,Flow2相比于单柱迎头层析具有明显优势,在较低上样流速下过程产率为单柱迎头层析的3倍;Flow2可在较高盐浓度下实现更高的过程产率和收率,当收率为99%时,Flow2过程产率可以达到130 g/L/h以上,较单柱迎头层析提高36.5%。参数敏感性分析表明,Flow2过程鲁棒性更高。最后,采用过程模拟软件SuperPro Deisgner,对单抗批次和连续生产进行全流程模拟,比较不同生产模式的投资和成本差异。结果表明,随着批次生产规模扩大,成本下降显着,经济热点从设备转移到关键原材料和消耗品;对于全流程优化,三个主反应器配置一条下游过程,可有效提高过程的整体效率。进一步构建了年产1000kg单抗规模的上游连续、下游连续和上下游整合连续的单抗生产流程,并与批次过程进行比较。结果显示,上游灌流培养可以显着减少上游和下游设备相关成本,简化菌种放大培养过程;下游使用连续流层析进行抗体捕获,可以减小10倍层析柱体积,减少33%蛋白A介质消耗,从而降低11%单抗生产成本;上下游连续化整合,组合两方面优势,生产成本比批次过程下降30%。综上所述,本文利用机理模型、人工智能方法和过程模拟工具,辅助连续流层析过程分析和优化,探讨关键参数的影响,确定最佳操作空间,实现连续流层析的理性设计。本文建立的模型辅助连续流层析过程设计新方法,具有通用性,可以推广到其它分离过程,为连续生物过程的合理开发和应用提供指导。
董建华[9]（2021）在《参考作物蒸散量机器学习模型适用性评价》文中研究表明参考作物蒸散量（ET0）是表征大气蒸散能力的一个重要指标,是作物需水量研究的重要组成部分。对ET0进行准确的预报和估算,可以对ET0进行实时监控,减少作物的受灾害的风险,及时做出调控。明晰ET0在不同气候环境和气象数据缺失下等条件下的变化趋势,可为精确预测ET0未来的变化趋势提供重要理论依据,对农作物种植结构调整、区划与布局具有指导意义,进而实现区域农业水资源可持续利用的目的。本文将联合国粮农组织（FAO）推荐的Penman-Monteith（P-M）公式计算结果作为ET0标准值,从多种角度来评估预报和估算ET0的准确性。1)使用多个邻站的ET0等数据与本地气象数据相结合,组成不同参数组合输入极限梯度提升（XGBoost）和支持向量机（SVM）模型中,评估2种输入模式（本地输入或与邻站数据相融合输入）下估算逐月ET0的适用性。2)在中国7种气候区域下,使用不同参数组合输入四种混合模型中（包括蚱蜢优化算法耦合基于核的Arps下降的非线性扩展（KNEA）模型（GOA-KNEA）、灰狼优化算法耦合KNEA模型（GWO-KNEA）、粒子群优化算法耦合KNEA模型（PSO-KNEA）和樽海鞘群优化算法耦合KNEA模型（SSA-KNEA））,来评估混合模型的性能以及不同气候条件对模型影响程度。3)选取中国西北地区5个站点的气象数据,使用等距CDF映射方法（EDCDFm）、XGBoost和Light GBM模型对5种气象因子和ET0在预见期为1～16d进行逐个预报,与PM模型计算出的ET0值进行比较,分析在整个预见期,不同气象因子及不同季节对预报ET0的影响。得出的主要结论如下:（1）两种输入模式下,XGBoost模型的性能整体优于SVM模型。只使用本地资料作为输入时,以最高温度(Tmax)、最低温度(Tmin)、地表总辐射量（Rs）为参数的模型性价比最高。使用邻站结合本地资料作为输入时,XGBoost模型对应的最佳输入参数为邻站ET0数据（ET0-ex）。Tmax和Tmin是估算ET0研究的最基本因子,增加风速（U2）因子会提高研究模型的估算性能,因子Rs的重要性高于相对湿度（RH）。综合精度和稳定性等因素,当存在部分气象资料缺失时,使用本地数据或与邻站数据相结合,可成功估算出目标站点的ET0值。推荐使用XGBoost模型且2种输入模式下最实用的输入组合分别为Tmax、Tmin、Rs和ET0-ex。（2）性能最优的是GWO-KNEA2模型。GWO-KNEA模型的估算性能、收敛速度和种群大小均优于其他三种耦合模型。在组合3中,各模型的总体性能表示最差。但此时所需的气象资料也最容易获取。反之,性能最好的参数组合是组合2。参数Rs的重要性大于地外总辐射量（Ra）、RH和U2。各模型在内蒙古半干旱草原地区中的站点表现出最优的估算性能。反之在青藏高原地区中的站点表现相对较差的性能。模型的估算性能会受到当地气候区环境影响。在组合4中,GOA-KNEA和SSA-KNEA模型表现出最大的增长百分比,该两种模型存在过度拟合的问题。反之,GWO-KNEA模型为最稳定模型,测试期RMSE增幅最小。综合考虑模型的估计精度、稳定性、收敛速度和气候环境等因素,GWO-KNEA是估计不同气候区ET0的最佳模型,最实用的输入组合是组合2。（3）Light GBM模型在三种预报模型中,预报性能相对较好。Tmin的预报性能整体会略优于Tmax的预报性能。Tmax、Tmin的预报性能最高,其次是Rs和RH,最后是U2。模型预报的ET0与实测值之间的误差与预报期的长短有关,时间越长,误差越大。且预见期为第8d和第16d时,预报误差最大。各模型预报ET0和气象因子均在冬季的预报性能表现相对较好,其次是秋季和春季,最后是夏季。总之预报时长和不同季节均能一定程度上影响模型预报精度和稳定性,其中温度的预报结果对ET0预报起到至关重要的作用,Light GBM模型在西北地区预报ET0为最佳预报模型。
任玉[10]（2021）在《分子级石脑油蒸汽裂解反应过程模拟与工艺优化》文中认为随着工业4.0概念的提出,智能制造逐渐渗透到各个工业领域。大数据、物联网、人工智能等先进数字化技术助力传统石化产业转型升级。低碳烯烃是重要的化工基础原料,石脑油蒸汽裂解是生产烯烃的主要化工过程,也是能源消耗巨大的操作单元。传统粗放型和经验型的裂解过程模拟已无法满足当下经济高质量发展的需求,亟需为该过程建立准确的、分子级的过程模拟与优化模型,以契合当前世界“分子炼油”的发展方向,及顺应过程模拟软件国产化的趋势。与此同时,近些年石化类车载燃料的市场受到电能、氢能等新能源冲击,国内炼油能力过剩现象明显,传统千万级炼厂逐渐向“炼化一体化”转型。因此,开发原子经济性更好、低碳烯烃收率更高的石油烃裂解新工艺具有极为重要的时代意义。新型烃类低温引发裂解技术具有显着的开发潜力。该技术基于烃类高温热裂解机理,通过添加低温下更易裂解生成自由基的引发剂,从而达到提前引发链式反应的目的。然而,现有常见小分子助剂存在添加量大、成本高等缺点,而新型超支化聚合物助剂仅需很少的添加量即可达到优质的引发裂解效果。目前,助剂低温引发裂解增产低碳烯烃的作用规律尚未完全明晰,特别是聚合物助剂的引发机理值得深入探讨。本文围绕分子级石脑油蒸汽裂解反应过程模拟与优化,先后进行了石脑油组成分子重构建模、蒸汽裂解动力学建模、人工神经网络建模,并进一步探究了助剂低温引发烃类裂解制烯烃的作用规律。主要研究结论如下:（1）建立了基于常见宏观物性的石脑油分子重构模型。该模型使用确定性分子库,根据碳数和同系物两个维度,将C4-C12范围内的258个烃类分子集总为35个集总组分,并引入按照碳数或沸点遵循伽马分布的假设。对比了伽马分布中使用碳数和沸点的差异,以及宏观物性作为约束条件或目标函数的组合效果,采用文献中的50组石脑油样品对各建模方案进行检验。结果表明,同系物内部含量按照碳数遵循伽马分布,并将PIONA（直链烷烃、异构烷烃、烯烃、环烷烃、芳烃）含量数据放置于约束条件,而将其他宏观物性信息放置于目标函数的这种建模方案准确性最高。经检验,该最优组合的模型能够在仅依赖常见宏观物性的情况下较为准确地预测石脑油详细组成分布。（2）借助自动反应网络生成技术,构建了石脑油蒸汽裂解的详细自由基机理模型。提出一种分步式构建方法:从单个烃分子的反应网络自动生成开始,依据特定的合并规则将所有考虑的烃分子的反应网络合并。一共60种烃分子被选作反应物种来描述石脑油裂解原料。最终合并得到的模型包含1947个物种和82130个反应。文献中的正癸烷裂解实验被用来验证单个烃分子反应网络的准确性。正癸烷和主产物含量变化的模拟结果与实验结果吻合较好。一系列石脑油蒸汽裂解小试实验被用来验证石脑油混合物的详细机理模型。结果显示所得到的石脑油蒸汽裂解反应网络能够在常规裂解温度下,准确预测主产物产率及其变化趋势,副产物误差也在可接受范围内。（3）基于上述机理模型获取反应器模拟数据集,构建了石脑油蒸汽裂解反应过程人工神经网络模型。该模型由进料组成ANN和反应器ANN两个子网络构成,能够实现从进料石脑油宏观物性直接预测裂解产物分布。在第一部分进料组成ANN中,对比了直接通过油品宏观物性预测组分含量,和间接通过先预测PIONA各自含量分布再得到总含量分布的这两种ANN构建方法。结果表明间接法进料组成ANN预测精度更高。第二部分反应器ANN的裂解产物MAE（平均绝对误差）为0.24wt%。将两部分ANN结合起来,则对于直接法和间接法,其从宏观物性直接预测产物分布的裂解产物MAE分别为0.53wt%和1.02wt%。经验证表明间接法之所以能够拥有更低的产物预测误差,根本原因是其能够保证PIONA与实际值相等,而不仅仅是进料组成总误差的降低。最后,基于ANN代理模型,以乙烯、丙烯、甲烷为对象,对石脑油蒸汽裂解进行了耦合进料油配比的单目标和多目标过程优化,实现了进料组成和操作条件的同时优化。（4）选取三类常见小分子助剂的代表性分子,通过自动反应网络生成获得各助剂与正己烷的共裂解反应网络,通过反应器模拟对助剂的引发裂解性能进行了对比和分析。结果表明,引发温度与助剂本身裂解温度有关,助剂的裂解温度越低,正己烷裂解温度的降幅越大。三乙胺和硝基甲烷均能提高正己烷生成乙烯、丙烯的选择性,硝基甲烷更加显着,而DTBP几乎无效。通过考察影响助剂初始引发裂解速率的各因素,表明助剂的性能与初始引发反应的温度和自由基浓度关系密切。DTBP由于在过低温度下已完全裂解,因而几乎失效;硝基甲烷在预热段出口附近充分裂解,此时正己烷夺氢反应和乙烯生成反应的速率常数均达到较高水平,释放的自由基正好能起作用;三乙胺由于裂解温度过高,烃类自身热裂解已发生,低温引发效果被削弱。通过计算助剂的自由基转化比,发现硝基甲烷比三乙胺拥有更高的自由基转化比,说明硝基甲烷释放的自由基浓度更高,这也是硝基甲烷呈现出更优促进效果的原因之一。最后我们提出助剂选择和设计的三条标准:适当的裂解温度、较高的自由基转化比、较大的自由基夺氢反应速率常数。（5）通过自动反应网络生成技术构建了超支化聚合物助剂与烃类分子的共裂解反应网络。选取能够反应原始聚合物中心结构连接模式和端位基团基特征的代表性碎片和模型化合物作为反应物种。通过反应网络分析得到助剂碎片可能的裂解路径。发现助剂在裂解过程中不断生成·H、·NH2、·CH3自由基和一些小分子物质,与PY-GC/MS热裂解实验中的产物基本吻合。通过分析助剂进攻正己烷的反应过程,超支化聚合物助剂的作用机理可以被解释为:助剂加入后释放活性自由基·CH3,·H,同时还引入了新的·NH2;三种活性自由基进攻正己烷,夺氢反应反超C-C断裂反应成为主反应,从而改变了正己烷的反应网络;·NH2具有较强的夺取仲氢原子的能力,生成的仲碳自由基可能具有更高的丙烯选择性。
二、混合学习模式ANN组合的研究（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、混合学习模式ANN组合的研究（论文提纲范文）
（1）基于机器学习的大动态信噪比下调制模式识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的与意义 |
| 1.2 单信号调制模式识别方法研究现状 |
| 1.2.1 通信信号特征提取研究现状 |
| 1.2.2 特征选择与组合研究现状 |
| 1.2.3 分类器研究现状 |
| 1.2.4 基于深度学习的调制模式识别方法研究现状 |
| 1.3 混叠多信号调制模式识别方法研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 无线通信系统与仿真信号模型 |
| 2.1 软件无线电系统模型 |
| 2.2 信号模型与调制方式 |
| 2.3 通信信号的仿真 |
| 2.3.1 仿真信号的带限 |
| 2.3.2 仿真信号的产生 |
| 2.4 本章小结 |
| 第3章 基于鲁棒特征集遴选的小样本调制识别方法 |
| 3.1 引言 |
| 3.2 通信信号的原始特征集提取 |
| 3.3 大动态信噪比下的鲁棒特征集遴选 |
| 3.3.1 基于K均值聚类的噪声鲁棒特征集遴选 |
| 3.3.2 基于粗糙集的特征集属性约简 |
| 3.4 基于鲁棒特征集遴选与支持向量机的通信信号识别 |
| 3.5 仿真结果与分析 |
| 3.6 本章小结 |
| 第4章 基于鲁棒特征学习的调制识别方法 |
| 4.1 引言 |
| 4.2 基于鲁棒特征组合的复杂调制集调制识别方法 |
| 4.2.1 自动编码机的原理与结构 |
| 4.2.2 大动态信噪比下的鲁棒特征组合与降维 |
| 4.2.3 仿真结果与分析 |
| 4.3 基于卷积神经网络的多径衰落信道调制识别方法 |
| 4.3.1 系统模型 |
| 4.3.2 卷积神经网络的结构 |
| 4.3.3 大动态信噪比下基于卷积神经网络的特征学习 |
| 4.3.4 仿真结果与分析 |
| 4.4 本章小结 |
| 第5章 基于胶囊神经网络的混叠多信号调制识别方法 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 混叠多信号信号模型 |
| 5.2.2 胶囊神经网络的原理 |
| 5.2.3 胶囊神经网络的动态路由结构 |
| 5.3 混叠多信号识别的损失函数与评价准则 |
| 5.3.1 多信号调制识别的损失函数 |
| 5.3.2 混叠多信号调制识别的性能评价 |
| 5.4 仿真结果与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（2）基于QbD理念的组分中药粉体性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 英文缩略词表 |
| 前言 |
| 第一章 基于FMEA的中药干法制粒贝叶斯网络的构建及其故障诊断研究 |
| 1 FMEA及BN概述 |
| 1.1 FMEA |
| 1.2 BN |
| 1.2.1 原理 |
| 1.2.2 相关参数的确定 |
| 2 中药干法制粒过程风险因素的统计分析 |
| 2.1 中药干法制粒引发因素的统计分析 |
| 2.1.1 工艺因素 |
| 2.1.2 处方因素 |
| 2.1.3 设备因素 |
| 2.1.4 环境因素 |
| 2.1.5 人员因素 |
| 2.2 中药干法制粒的FMEA |
| 3 基于FMEA的中药干法制粒BN的构建 |
| 3.1 中药干法制粒主要风险因素的识别与筛选 |
| 3.2 中药干法制粒BN的构建 |
| 4 中药干法制粒BN的故障诊断研究 |
| 5 小结与讨论 |
| 第二章 基于QbD理念的黄酮组分中药(黄芩提取物)粉体性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建 |
| 第一节 工艺参数-干法颗粒质量相关性研究及其设计空间的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 工艺参数-干法颗粒质量相关性研究 |
| 2.1.1 关键工艺参数(CPPs)的确定 |
| 2.1.2 关键质量属性(CQAs)的测定 |
| 2.1.3 关键工艺单元数学模型的建立 |
| 2.2 设计空间的建立 |
| 2.3 蒙特卡洛法的验证 |
| 2.3.1 成型率 |
| 2.3.2 溶化时间 |
| 3 小结与讨论 |
| 第二节 粉体性质-工艺参数-干法颗粒质量预测模型的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 黄芩混合粉的制备 |
| 2.2 粉体学性质的测定 |
| 2.2.1 粉体软化性能 |
| 2.2.2 粉体均一性能 |
| 2.2.3 粉体堆积性能 |
| 2.2.4 粉体流动性能 |
| 2.2.5 粉体可压性能 |
| 2.2.6 粉体稳定性能 |
| 2.3 模型特征数据的提取 |
| 2.3.1 粉体性质间相关性分析 |
| 2.3.2 主成分分析(PCA) |
| 2.3.3 片状物厚度及颗粒CQAs的测定 |
| 2.3.4 数据的选择及归一化 |
| 2.4 基于PCA-反向传播神经网络(BPNN)的干法颗粒质量预测模型的建立 |
| 2.5 基于PCA-径向基函数神经网络(RBFNN)的干法颗粒质量预测模型的建立 |
| 2.6 基于PCA-广义回归神经网络(GRNN)的干法颗粒质量预测模型的建立 |
| 2.7 不同模型预测准确性验证 |
| 2.7.1 PCA-BPNN预测模型 |
| 2.7.2 PCA-RBFNN预测模型 |
| 2.7.3 PCA-GRNN预测模型 |
| 2.8 不同模型准确性比较 |
| 3 小结与讨论 |
| 第三章 基于QbD理念的皂苷组分中药(知母提取物)粉体性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建 |
| 第一节 工艺参数-干法颗粒质量相关性研究及其设计空间的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 工艺参数-干法颗粒质量相关性研究 |
| 2.1.1 CPPs的确定 |
| 2.1.2 CQAs的测定 |
| 2.1.3 关键工艺单元数学模型的建立 |
| 2.2 设计空间的建立 |
| 2.3 蒙特卡洛法的验证 |
| 2.3.1 成型率 |
| 2.3.2 溶化时间 |
| 3 小结与讨论 |
| 第二节 粉体性质-工艺参数-干法颗粒质量预测模型的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 知母混合粉的制备 |
| 2.2 粉体学性质的测定 |
| 2.3 模型特征数据的提取 |
| 2.3.1 粉体性质间相关性分析 |
| 2.3.2 主成分分析 |
| 2.3.3 片状物厚度及颗粒CQAs的测定 |
| 2.3.4 数据的选择及归一化 |
| 2.4 基于PCA-RBFNN的干法颗粒质量预测模型的建立 |
| 2.5 PCA-RBFNN预测模型的验证 |
| 3 小结与讨论 |
| 第四章 基于QbD理念的多糖组分中药(黄芪提取物)粉体学性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建 |
| 第一节 工艺参数-干法颗粒质量相关性研究及其设计空间的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 工艺参数-干法颗粒质量相关性研究 |
| 2.1.1 CPPs的确定 |
| 2.1.2 CQAs的测定 |
| 2.1.3 关键工艺单元数学模型的建立 |
| 2.2 设计空间的建立 |
| 2.3 蒙特卡洛法的验证 |
| 2.3.1 成型率 |
| 2.3.2 溶化时间 |
| 3 小结与讨论 |
| 第二节 粉体性质-工艺参数-干法颗粒质量预测模型的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 黄芪混合粉的制备 |
| 2.2 粉体学性质的测定 |
| 2.3 模型数据的提取 |
| 2.3.1 粉体性质间相关性分析 |
| 2.3.2 主成分分析 |
| 2.3.3 片状物厚度及颗粒CQAs的测定 |
| 2.3.4 数据的选择及归一化 |
| 2.4 基于PCA-RBFNN的干法颗粒质量预测模型的建立 |
| 2.5 PCA-RBFNN预测模型的验证 |
| 3 小结与讨论 |
| 第五章 复方组分中药粉体性质-工艺参数-干法颗粒质量预测模型的构建 |
| 1 仪器与材料 |
| 1.1 仪器 |
| 1.2 试药与材料 |
| 2 方法与结果 |
| 2.1 复方组分中药混合粉的制备 |
| 2.2 粉体学性质的测定 |
| 2.3 模型数据的提取 |
| 2.3.1 粉体性质间相关性分析 |
| 2.3.2 主成分分析 |
| 2.3.3 片状物厚度及颗粒CQAs的测定 |
| 2.3.4 数据的选择及归一化 |
| 2.4 基于PCA-RBFNN的干法颗粒质量预测模型的建立 |
| 2.5 PCA-RBFNN预测模型的验证 |
| 3 小结与讨论 |
| 全文总结 |
| 创新点 |
| 参考文献 |
| 综述 基于QbD理念的组分中药干法颗粒质量控制方法概述 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（3）复杂地表时空连续植被参数遥感反演方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂地表场景建模与参数化方法 |
| 1.2.2 复杂地表叶面积指数反演方法 |
| 1.2.3 植被参数的时空重建方法 |
| 1.3 存在的问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 第2章 复杂地表特征的参数化与定量分析 |
| 2.1 地表覆盖异质性特征参数化方法 |
| 2.1.1 实验数据 |
| 2.1.2 参数化方案 |
| 2.1.3 地表覆盖异质性提取流程 |
| 2.2 全球地表覆盖异质性特征分析 |
| 2.2.1 公里尺度混合像元组合特征和破碎特征 |
| 2.2.2 公里尺度典型植被类型的内部异质性特征 |
| 2.2.3 边界有效长度分析 |
| 2.2.4 地表覆盖异质性特征不确定性分析和应用前景 |
| 2.3 全球地表地形特征分析 |
| 2.3.1 全球地形的分布特征 |
| 2.3.2 全球植被区域地形特征分布 |
| 2.4 小结 |
| 第3章 山地叶面积指数遥感反演误差分析 |
| 3.1 山地LAI反演理论背景 |
| 3.1.1 重要的参数定义 |
| 3.1.2 山地叶面积指数反演不确定性来源 |
| 3.1.3 现有山地叶面积指数反演策略 |
| 3.2 数据与分析方法 |
| 3.2.1 卫星观测数据 |
| 3.2.2 基于DART模型的模拟坡面反射率数据 |
| 3.2.3 基于人工神经网络(ANN)的LAI反演模型 |
| 3.2.4 LAI反演地形效应分析方法 |
| 3.2.5 不同山地LAI反演策略对比 |
| 3.3 研究结果及讨论 |
| 3.3.1 基于神经网络的平地LAI反演模型精度 |
| 3.3.2 坡地LAI反演误差分布 |
| 3.3.3 坡地LAI反演模型输入的误差分布 |
| 3.3.4 山地区域不同LAI反演策略的表现 |
| 3.3.5 其他因素对分析结果的影响 |
| 3.4 小结 |
| 第4章 基于DART模型的山地森林叶面积指数遥感反演算法 |
| 4.1 实验区域与数据介绍 |
| 4.2 山地叶面积指数反演算法 |
| 4.2.1 山地查找表的构建 |
| 4.2.2 基于随机森林的山地LAI反演方法 |
| 4.2.3 山地不同LAI反演策略 |
| 4.3 结果与分析 |
| 4.3.1 随机森林模型的参数选择 |
| 4.3.2 算法在模拟数据集上的表现 |
| 4.3.3 反演算法在遥感数据集中的表现 |
| 4.3.4 反演误差分析—模拟空间和影像空间一致性分析 |
| 4.4 小结 |
| 第5章 耦合气候因素的植被指数时空重建方法 |
| 5.1 研究区域与数据介绍 |
| 5.1.1 研究区域 |
| 5.1.2 实验数据 |
| 5.2 耦合气候数据的时空重建方法 |
| 5.3 研究结果及讨论 |
| 5.3.1 基于RBFN的 NDVI预测模型理论精度 |
| 5.3.2 初始合成NDVI数据的缺失模式 |
| 5.3.3 基于模拟数据的不同重建方法定量评估 |
| 5.3.4 基于Landsat观测数据的不同重建方法定量评估 |
| 5.3.5 不同分辨率气候数据的影响 |
| 5.3.6 CGF方法局限性和不确定性 |
| 5.4 小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于高光谱成像技术的甜菜生理生态参数检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 作物生理生态指标检测现状 |
| 1.2.1 常规检测方法 |
| 1.2.1.1 作物叶片氮含量测定 |
| 1.2.1.2 作物叶绿素含量测定 |
| 1.2.1.3 地上生物量测定 |
| 1.2.2 无损检测技术 |
| 1.2.2.1 光谱分析技术 |
| 1.2.2.2 计算机机器视觉技术 |
| 1.2.2.3 高光谱成像技术 |
| 1.2.2.3.1 高光谱成像原理 |
| 1.2.2.3.2 高光谱成像传感器 |
| 1.3 高光谱成像技术在作物生理指标检测方面的应用 |
| 1.3.1 氮素营养诊断 |
| 1.3.2 生物量检测 |
| 1.3.3 叶绿素含量检测 |
| 1.4 目前存在的问题 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 1.7 本章小结 |
| 2 试验与方法 |
| 2.1 试验设计 |
| 2.2 高光谱成像数据采集 |
| 2.2.1 高光谱成像采集系统 |
| 2.2.2 高光谱成像数据采集 |
| 2.2.3 样本高光谱数据提取 |
| 2.3 甜菜生理生态指标测定 |
| 2.3.1 氮含量测定 |
| 2.3.2 地上生物量测定 |
| 2.3.3 叶绿素含量测定 |
| 2.4 化学计量学建模算法 |
| 2.4.1 偏最小二乘算法 |
| 2.4.2 BP人工神经网络算法 |
| 2.4.3 支持向量机算法 |
| 2.5 模型评价指标 |
| 2.6 本章小结 |
| 3 基于高光谱成像技术的甜菜冠层氮含量检测研究 |
| 3.1 引言 |
| 3.2 甜菜冠层氮含量及光谱响应曲线的变化规律 |
| 3.2.1 各生育期甜菜冠层氮含量及光谱响应曲线分析 |
| 3.2.2 建模集和验证集甜菜冠层氮含量统计分析 |
| 3.3 特征光谱参数的优化研究 |
| 3.3.1 传统植被指数与甜菜冠层氮含量的回归分析 |
| 3.3.2 特征光谱指数的优化及筛选 |
| 3.3.2.1 粒子群优化算法 |
| 3.3.2.2 光谱指数与甜菜冠层氮含量的相关性分析 |
| 3.3.3 特征光谱指数筛选 |
| 3.4 光谱特征模型建立与分析 |
| 3.4.1 BP-ANN预测模型建立 |
| 3.4.2 支持向量机模型建立 |
| 3.4.3 预测模型结果分析 |
| 3.5 甜菜冠层氮含量的可视化 |
| 3.6 本章小结 |
| 4 基于高光成像技术的甜菜地上生物量估测模型优化算法研究 |
| 4.1 引言 |
| 4.2 甜菜地上生物量与光谱反射率的相关性分析 |
| 4.3 甜菜地上生物量实测值统计分析 |
| 4.4 特征波长筛选 |
| 4.4.1 竞争自适应重加权算法 |
| 4.4.2 特征波长提取 |
| 4.5 SVM关键参数优化方法研究 |
| 4.5.1 差分进化算法 |
| 4.5.2 灰狼优化算法 |
| 4.5.3 差分灰狼优化算法 |
| 4.5.4 改进的差分灰狼优化算法 |
| 4.5.5 支持向量机关键参数优化 |
| 4.6 甜菜地上生物量估测模型建立 |
| 4.7 本章小结 |
| 5 基于改进型光谱指数的甜菜冠层叶绿素含量检测方法研究 |
| 5.1 引言 |
| 5.2 实测SPAD值的变化规律以及统计分析 |
| 5.3 光谱预处理方法研究 |
| 5.3.1 光谱预处理算法 |
| 5.3.1.1 平滑预处理 |
| 5.3.1.2 一阶导数处理 |
| 5.3.1.3 多元散射校正 |
| 5.3.1.4 标准正态变换 |
| 5.3.2 不同预处理下光谱反射率与甜菜冠层叶绿素含量的相关性分析 |
| 5.4 SPAD值与常用光谱指数间的相关性分析 |
| 5.4.1 常用光谱指数筛选 |
| 5.4.2 光谱指数与SPAD值间的估测精度分析 |
| 5.5 光谱指数的优化及构建 |
| 5.5.1 光谱指数优化 |
| 5.5.2 最佳光谱指数筛选 |
| 5.6 甜菜SPAD值估测模型的构建及验证 |
| 5.7 甜菜冠层叶绿素含量可视化 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 文献综述 |
| 1.1 课题背景及意义 |
| 1.2 茶叶产品证实的研究进展 |
| 1.2.1 液相色谱技术 |
| 1.2.2 气相色谱技术 |
| 1.2.3 光谱技术 |
| 1.2.4 传感器技术 |
| 1.2.5 多元素认证技术 |
| 1.2.6 稳定同位素及其比值(比率)认证技术 |
| 1.3 研究的目的、内容及预期研究成果 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 预期研究成果 |
| 第2章 基于矿质元素及其稳定同位素值的茶叶产品证实研究 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 试验材料 |
| 2.2.2 仪器与设备 |
| 2.2.3 样品制备 |
| 2.2.4 试验方法 |
| 2.2.5 数据统计与分析 |
| 2.3 结果与分析 |
| 2.3.1 ICP-MS和ICP-OES方法学验证 |
| 2.3.2 茶叶产品的矿质元素和稳定同位素特征分析 |
| 2.3.3 无监督识别聚类趋势分析 |
| 2.3.4 茶叶样品产品证实的预测建模 |
| 2.4 讨论 |
| 2.5 本章小结 |
| 第3章 基于碳氮氢氧和矿质元素稳定同位素比值的茶叶产品证实研究 |
| 3.1 前言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 仪器与设备 |
| 3.2.3 样品制备 |
| 3.2.4 试验方法 |
| 3.2.5 数据统计及分析 |
| 3.3 结果与分析 |
| 3.3.1 方法学验证 |
| 3.3.2 茶叶产品的δ~(13)C,δ~(15)N,δ~2H和δ~(18)O和矿质元素的稳定同位素比值特征分析 |
| 3.3.3 无监督识别方法的探索性数据分析 |
| 3.3.4 有监督识别方法的茶叶产品证实的预测建模 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 基于非挥发性化合物咖啡碱和氨基酸中稳定同位素比值δ~(13)C和δ~(15)N的茶叶产品证实研究 |
| 4.1 前言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 仪器与设备 |
| 4.2.3 样品制备 |
| 4.2.4 试验方法 |
| 4.2.5 数据统计及分析 |
| 4.3 结果与分析 |
| 4.3.1 方法学验证 |
| 4.3.2 茶叶产品的咖啡碱和主要游离态氨基酸中δ~(13)C和δ~(15)N的特征分析 |
| 4.3.3 无监督识别方法的探索性数据分析 |
| 4.3.4 有监督识别方法的茶叶产品证实的预测建模 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 基于矿质元素及其稳定同位素、多元素稳定同位素比值的综合模型优化的茶叶产品证实研究 |
| 5.1 前言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 仪器与设备 |
| 5.2.3 样品制备 |
| 5.2.4 试验方法 |
| 5.2.5 数据统计及分析 |
| 5.3 结果与分析 |
| 5.3.1 结合多变量的无监督识别方法的探索性数据分析 |
| 5.3.2 有监督识别方法的茶叶产品证实的预测建模 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第6章 全文结论与展望 |
| 6.1 全文结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 博士期间研究成果 |
（6）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 |
（7）蠕墨铸铁切削数据的综合智能推理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能推理技术的研究现状 |
| 1.1.1 高速切削加工数据库的研究现状 |
| 1.1.2 智能推理技术的研究现状 |
| 1.2 启发式算法的研究现状 |
| 1.3 高速切削加工蠕墨铸铁的研究现状 |
| 1.4 智能推理在高速切削铸铁中存在的问题 |
| 1.5 本文的研究目的、意义及主要研究内容 |
| 1.5.1 本文的研究目的和意义 |
| 1.5.2 主要研究内容 |
| 第2章 改进的粒子群优化算法及其应用研究 |
| 2.1 常规粒子群优化算法和差分进化算法分析 |
| 2.1.1 常规粒子群优化算法 |
| 2.1.2 常规差分进化算法 |
| 2.2 改进的粒子群优化算法研究 |
| 2.2.1 改进的振动粒子群优化算法 |
| 2.2.2 改进的振动交流粒子群优化算法 |
| 2.3 改进的粒子群优化算法全局收敛能力分析 |
| 2.3.1 改进的振动粒子群优化算法的全局收敛能力分析 |
| 2.3.2 改进的振动交流粒子群优化算法的全局收敛能力分析 |
| 2.3.3 改进的优化算法与其它优化算法的对比分析 |
| 2.4 VCPSO算法在高速铣削蠕墨铸铁材料中的应用研究 |
| 2.4.1 ANFIS推理模型结构 |
| 2.4.2 实验方案 |
| 2.4.3 基于ANFIS-VCPSO推理模型的刀具磨损预测 |
| 2.4.4 铣削蠕墨铸铁时基于ANFIS-VCPSO推理模型的刀具寿命和切削力预测 |
| 2.5 本章小结 |
| 第3章 改进的模糊推理模型和相似推理模型的建立与应用 |
| 3.1 在相同材料不同切削参数下模糊推理模型的建立 |
| 3.1.1 模糊推理系统 |
| 3.1.2 改进的ANFIS推理模型 |
| 3.2 在不同材料相同切削参数下相似推理模型的建立 |
| 3.2.1 切削功率的相似推理模型建立 |
| 3.2.2 表面粗糙度的相似推理模型建立 |
| 3.3 实验验证方案 |
| 3.3.1 实验验证方案设计 |
| 3.3.2 推理模型参数设置 |
| 3.4 结果分析 |
| 3.4.1 模糊推理模型的验证 |
| 3.4.2 基于IANFIS-VPSO方法的切削参数优化分析 |
| 3.4.3 基于特定切削要求的切削参数优化分析 |
| 3.4.4 切削功率相似推理模型的验证 |
| 3.4.5 表面粗糙度相似推理模型的验证 |
| 3.5 本章小节 |
| 第4章 基于模糊灰色关联方法的实例推理方法的重建与应用 |
| 4.1 改进的实例推理方法 |
| 4.1.1 实例描述 |
| 4.1.2 实例检索 |
| 4.1.3 实例重用 |
| 4.2 实验验证方案 |
| 4.3 结果分析 |
| 4.3.1 实验结果 |
| 4.3.2 切削参数和刀具磨损对切削功率和切削振动振幅的影响 |
| 4.3.3 ICBR推理方法的推理性能分析 |
| 4.3.4 基于ANFIS-VPSO方法的切削参数优化分析 |
| 4.4 本章小结 |
| 第5章 基于高斯过程回归模型的实例推理方法的重建与应用 |
| 5.1 改进的实例重用模型 |
| 5.1.1 改进的实例重用高斯过程回归模型 |
| 5.1.2 改进的实例重用支持向量回归机模型 |
| 5.1.3 改进的实例推理模型的参数确定 |
| 5.2 实验验证方案 |
| 5.3 结果分析 |
| 5.3.1 实验数据收集 |
| 5.3.2 切削参数和刀具磨损对表面质量的影响分析 |
| 5.3.3 表面粗糙度和残余应力的推理预测 |
| 5.3.4 不同推理模型的推理性能比较分析 |
| 5.4 本章小结 |
| 第6章 综合智能推理系统的实现 |
| 6.1 综合智能推理系统的开发环境 |
| 6.2 综合智能推理系统的数据库构建 |
| 6.3 综合智能推理系统的构建 |
| 6.4 综合智能推理系统的实现 |
| 6.4.1 用户登录界面 |
| 6.4.2 改进的自适应神经模糊推理系统界面实现 |
| 6.4.3 改进的实例推理方法界面实现 |
| 6.5 本章小结 |
| 结论与展望 |
| 论文创新点摘要 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和获得的奖励 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（8）模型辅助的连续流层析过程开发和抗体分离应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略语表 |
| 符号表 |
| 第一章 文献综述 |
| 1.1 引言 |
| 1.2 单抗药物生产流程 |
| 1.2.1 单抗批次生产流程 |
| 1.2.2 单抗连续生产流程 |
| (1) 上游连续生产 |
| (2) 下游连续生产 |
| (3) 上下游整合连续生产 |
| 1.3 连续流层析及抗体分离应用 |
| 1.3.1 双柱连续流层析CaptureSMB |
| 1.3.2 三柱/四柱连续流层析 |
| 1.3.3 3～16柱连续流层析BioSMB |
| 1.3.4 双柱连续迎头层析Flow2 |
| 1.4 层析模型及连续流层析应用 |
| 1.4.1 层析模型 |
| 1.4.2 模型求解方法 |
| 1.4.3 层析模型在连续流层析中的应用 |
| 1.5 人工智能方法及其在层析领域的应用 |
| 1.5.1 人工智能方法 |
| 1.5.2 人工智能方法在层析领域的应用 |
| 1.6 过程模拟软件及生物过程评价 |
| 1.6.1 生物过程模拟软件 |
| 1.6.2 过程模拟软件用于生物过程评价 |
| 1.7 本文研究思路 |
| 第二章 连续亲和捕获模型构建及双柱连续流层析过程优化 |
| 2.1 引言 |
| 2.2 亲和捕获及双柱连续流层析模型 |
| 2.2.1 通用速率模型 |
| 2.2.2 模型无因次化 |
| 2.2.3 正交配置法求解 |
| 2.2.4 平行扩散理论 |
| 2.2.5 模型参数及拟合方法 |
| 2.2.6 双柱连续流层析模型 |
| 2.2.7 双柱连续流层析过程评价 |
| 2.3 材料和方法 |
| 2.3.1 主要试剂与仪器 |
| 2.3.2 蛋白穿透曲线测定 |
| 2.3.3 双柱连续流层析实验 |
| 2.4 结果与讨论 |
| 2.4.1 双柱连续流层析模型参数拟合和模型验证 |
| 2.4.2 连续流层析操作参数分析和优化 |
| 2.4.3 模型辅助的连续流层析过程优化策略 |
| 2.5 本章小结 |
| 第三章 三柱及多柱通用连续流层析模型构建及过程优化 |
| 3.1 引言 |
| 3.2 三柱及以上连续流层析模型构建 |
| 3.2.1 通用速率模型 |
| 3.2.2 三柱连续流层析蛋白捕获模式 |
| 3.2.3 四柱连续流层析蛋白捕获模式 |
| 3.2.4 四柱以上通用连续流层析蛋白捕获模式 |
| 3.2.5 三柱及以上连续流层析模型 |
| 3.2.6 连续流层析蛋白捕获过程评价 |
| 3.3 材料和方法 |
| 3.3.1 主要试剂与仪器 |
| 3.3.2 蛋白穿透曲线测定 |
| 3.3.3 三柱连续流层析实验 |
| 3.4 结果与讨论 |
| 3.4.1 蛋白穿透曲线拟合和模型验证 |
| 3.4.2 3C-PCC过程设计和实验验证 |
| 3.4.3 3C-PCC操作参数分析和优化 |
| 3.4.4 连续流层析操作参数优化的简化方法 |
| 3.4.5 不同连续流层析模式比较及适用条件分析 |
| 3.5 连续流层析过程分析软件包 |
| 3.6 本章小结 |
| 第四章 引入人工神经网络的连续流层析过程分析和优化 |
| 4.1 引言 |
| 4.2 引入人工神经网络的混合模型 |
| 4.2.1 混合模型基本结构 |
| 4.2.2 人工神经网络拓扑结构 |
| 4.2.3 人工神经网络构建与训练 |
| 4.2.4 ANN和GRM模型参数耦合 |
| 4.2.5 ANN和连续流层析过程参数耦合 |
| 4.3 结果与讨论 |
| 4.3.1 ANN训练和优化 |
| 4.3.2 ANN和GRM模型参数耦合 |
| 4.3.3 ANN预测连续流层析过程参数 |
| 4.3.4 ANN辅助连续流层析过程优化 |
| 4.3.5 基于ANN混合模型的介质性能参数分析 |
| 4.4 基于混合模型的连续流层析过程分析软件包 |
| 4.5 本章小结 |
| 第五章 双柱连续迎头层析模型构建及过程优化 |
| 5.1 引言 |
| 5.2 迎头层析模型构建 |
| 5.2.1 集总动力学模型 |
| 5.2.2 单柱迎头层析和双柱连续迎头层析 |
| 5.2.3 连续迎头层析过程评价 |
| 5.3 模型参数及优化方法 |
| 5.3.1 迎头层析模型参数 |
| 5.3.2 迎头层析的过程优化 |
| 5.4 结果与讨论 |
| 5.4.1 两种优化方法比较 |
| 5.4.2 迎头层析分离的参数分析和过程优化 |
| 5.4.3 敏感性分析 |
| 5.5 本章小结 |
| 第六章 单抗批次和连续生产的过程模拟和经济性分析 |
| 6.1 引言 |
| 6.2 单抗批次生产流程构建 |
| 6.2.1 上游细胞培养流程 |
| 6.2.2 下游分离纯化流程 |
| 6.3 单抗批次生产的过程分析和经济性评价 |
| 6.3.1 不同生产规模的经济性分析 |
| 6.3.2 瓶颈分析和过程评价 |
| 6.4 单抗连续生产流程构建 |
| 6.4.1 上游连续细胞培养 |
| 6.4.2 下游连续分离 |
| 6.5 单抗连续生产的过程分析和经济性评价 |
| 6.5.1 投资分析 |
| 6.5.2 生产成本分析 |
| 6.5.3 设备相关成本和劳动力成本的制约关系 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 作者简介 |
（9）参考作物蒸散量机器学习模型适用性评价（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 跨站估算ET_0 研究进展 |
| 1.2.2 混合模型在不同气候区估算ET_0研究进展 |
| 1.2.3 预报ET_0 研究进展 |
| 1.3 论文研究目标和主要内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究区域概况和数据资料 |
| 2.2 研究方法 |
| 2.2.1 参考作物蒸散量计算方法 |
| 2.2.2 等距CDF映射方法(EDCDFm) |
| 2.2.3 极限梯度提升(XGBoost) |
| 2.2.4 Light GBM |
| 2.2.5 支持向量机(SVM) |
| 2.2.6 基于核的Arps下降的非线性扩展(KNEA) |
| 2.2.7 蚱蜢优化算法耦合KNEA(GOA-KNEA) |
| 2.2.8 灰狼优化算法耦合KNEA(GWO-KNEA) |
| 2.2.9 粒子群优化算法耦合KNEA(PSO-KNEA) |
| 2.2.10 樽海鞘群优化算法耦合KNEA模型(SSA-KNEA) |
| 2.2.11 统计指标 |
| 第三章 基于机器学习的ET_0 跨站适应性研究 |
| 3.1 研究区域和数据来源 |
| 3.2 本地输入气象组合下模型估算性能的比较 |
| 3.3 邻站与本地数据结合情况下模型估算性能的比较 |
| 3.4 2 种机器学习模型综合性能的比较 |
| 3.5 讨论 |
| 3.6 小结 |
| 第四章 基于耦合模型预测不同气候区逐月ET_0 研究 |
| 4.1 研究区域和数据来源 |
| 4.2 各种机器学习模型的综合性能比较 |
| 4.3 不同站点的各种机器学习模型的比较 |
| 4.4 不同机器学习模型的稳定性比较 |
| 4.5 各站的最佳模型 |
| 4.6 讨论 |
| 4.7 小结 |
| 第五章 基于提升树算法改进西北地区ET_0 预报精度 |
| 5.1 研究区域和数据来源 |
| 5.2 气象因子预报精度比较 |
| 5.3 ET_0 预报精度比较 |
| 5.4 ET_0 预报季节差异 |
| 5.5 讨论 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 论文的主要研究成果 |
| 6.1.1 基于机器学习的ET_0跨站适应性研究 |
| 6.1.2 基于耦合模型预测不同气候区逐月ET_0研究 |
| 6.1.3 基于提升树算法改进西北地区ET_0预报精度 |
| 6.2 论文的创新点 |
| 6.3 论文的不足与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 硕士研究生期间发表论文及专利 |
（10）分子级石脑油蒸汽裂解反应过程模拟与工艺优化（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究意义及目的 |
| 1.2 本研究的主要工作 |
| 第二章 文献综述 |
| 2.1 石脑油蒸汽裂解过程简介 |
| 2.1.1 蒸汽裂解装置 |
| 2.1.2 烃类热裂解反应机理 |
| 2.2 石油组成分子重构技术研究进展 |
| 2.2.1 分子重构建模方法 |
| 2.2.2 石脑油馏分的分子重构 |
| 2.3 石脑油蒸汽裂解动力学建模研究进展 |
| 2.3.1 不同水平的动力学模型分类 |
| 2.3.2 自动反应网络生成技术 |
| 2.3.3 人工神经网络的应用 |
| 2.4 助剂低温引发烃类裂解研究进展 |
| 2.4.1 小分子助剂 |
| 2.4.2 超支化聚合物助剂 |
| 2.5 课题的提出 |
| 第三章 基于常见宏观物性的石脑油分子重构建模方法与比较 |
| 3.1 引言 |
| 3.2 建模方法 |
| 3.2.1 石脑油确定性分子库 |
| 3.2.2 分子重构数学模型 |
| 3.3 案例分析 |
| 3.3.1 伽马分布中使用碳数和沸点的比较 |
| 3.3.2 在约束条件和目标函数中放置PIONA数据的比较 |
| 3.3.3 最优建模方法的详细说明 |
| 3.4 本章小结 |
| 符号命名 |
| 第四章 石脑油蒸汽裂解自由基机理模型的自动反应网络生成 |
| 4.1 引言 |
| 4.2 建模方法 |
| 4.2.1 挑选作为反应物种的烃分子 |
| 4.2.2 单个烃分子反应网络自动生成 |
| 4.2.3 石脑油混合物的反应网络合并 |
| 4.3 结果与讨论 |
| 4.3.1 单个烃分子裂解反应网络的验证 |
| 4.3.2 石脑油混合物裂解反应网络的验证 |
| 4.4 本章小结 |
| 符号命名 |
| 第五章 石脑油蒸汽裂解反应过程人工神经网络模拟与优化 |
| 5.1 引言 |
| 5.2 人工神经网络的搭建 |
| 5.2.1 数据集的获取 |
| 5.2.2 进料组成的ANN模型 |
| 5.2.3 反应器的ANN模型 |
| 5.3 人工神经网络的结果与讨论 |
| 5.3.1 进料组成ANN的预测性能 |
| 5.3.2 反应器ANN的预测性能 |
| 5.3.3 组合ANN的预测性能 |
| 5.3.4 猜想验证 |
| 5.4 基于人工神经网络的过程优化 |
| 5.4.1 耦合石脑油进料配比的单目标优化 |
| 5.4.2 裂解产物的多目标优化 |
| 5.5 本章小结 |
| 第六章 小分子助剂低温引发裂解过程模拟与性能对比 |
| 6.1 引言 |
| 6.2 小分子助剂低温引发裂解反应过程建模 |
| 6.2.1 引发裂解反应网络模拟 |
| 6.2.2 裂解过程反应器模拟 |
| 6.3 不同助剂的低温引发裂解效果与对比 |
| 6.3.1 低温引发裂解效果 |
| 6.3.2 烯烃产率提升效果 |
| 6.3.3 选择性调变效果 |
| 6.4 助剂性能的关键因素分析 |
| 6.4.1 助剂的裂解温度 |
| 6.4.2 助剂的自由基转化比 |
| 6.4.3 助剂设计标准浅析 |
| 6.5 本章小结 |
| 第七章 超支化聚合物助剂引发裂解机理探究 |
| 7.1 引言 |
| 7.2 超支化聚合物助剂共裂解反应网络模拟 |
| 7.2.1 模型化合物的选取 |
| 7.2.2 共裂解反应网络自动生成 |
| 7.3 结果与讨论 |
| 7.3.1 超支化聚合物助剂的裂解路径 |
| 7.3.2 超支化聚合物助剂的作用机理分析 |
| 7.3.3 超支化聚合物助剂与小分子助剂的对比 |
| 7.4 木章小结 |
| 第八章 总结和展望 |
| 8.1 总结 |
| 8.1.1 结论 |
| 8.1.2 创新点 |
| 8.2 展望 |
| 参考文献 |
| 附录1 表格 |
| 第三章 基于常见宏观物性的石脑油分子重构建模方法与比较 |
| 第四章 石脑油蒸汽裂解自由基机理模型的自动反应网络生成 |
| 第五章 石脑油蒸汽裂解反应过程人工神经网络模拟与优化 |
| 附录2 程序 |
| 第四章 石脑油蒸汽裂解自由基机理模型的自动反应网络生成 |
| 第七章 超支化聚合物助剂引发裂解机理探究 |
| 附录3 反应网络 |
| 第四章 石脑油蒸汽裂解自由基机理模型的自动反应网络生成 |
| 作者简介 |
四、混合学习模式ANN组合的研究（论文参考文献）
- [1]基于机器学习的大动态信噪比下调制模式识别方法研究[D]. 周思洋. 哈尔滨工业大学, 2021
- [2]基于QbD理念的组分中药粉体性质-工艺参数-干法颗粒质量相关性研究及其预测模型的构建[D]. 高迪. 天津中医药大学, 2021(01)
- [3]复杂地表时空连续植被参数遥感反演方法研究[D]. 于文涛. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [4]基于高光谱成像技术的甜菜生理生态参数检测方法研究[D]. 张晶. 内蒙古农业大学, 2021
- [5]基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究[D]. 刘洪林. 西南大学, 2021(01)
- [6]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)
- [7]蠕墨铸铁切削数据的综合智能推理方法研究[D]. 徐龙华. 山东大学, 2021
- [8]模型辅助的连续流层析过程开发和抗体分离应用研究[D]. 史策. 浙江大学, 2021
- [9]参考作物蒸散量机器学习模型适用性评价[D]. 董建华. 昆明理工大学, 2021(01)
- [10]分子级石脑油蒸汽裂解反应过程模拟与工艺优化[D]. 任玉. 浙江大学, 2021(01)