一、BP神经网络训练算法的改进（论文文献综述）
翟刘辉[1]（2021）在《基于水泥炉窑节能管控平台的水泥烧成电耗及其参数优化方法》文中研究表明水泥制造业是对能源依赖度非常高的行业之一,在整个生产的总成本中,能源消费占其中的一半之多,尽管水泥企业近些年在节约能耗方面做出了巨大的努力,但是吨水泥的综合电耗水平与世界先进水泥企业的水泥生产电耗水平仍然有一定的差距。在面对企业发展的压力时,水泥企业对节能降耗的重视将日趋增高,而在水泥生产过程中,水泥煅烧系统是最耗能的部分,水泥煅烧系统几乎每个环节和设备都存在众多理化反应,这就导致水泥生产涉及的数据众多,且生产过程中几乎大部分的水泥数据都呈非线性关系和强耦合性,传统的方法很难实现全面地,快速地分析这些数据与电耗之间的关系,因此就无法有效、精准且全面的预测水泥煅烧电耗。本文针对水泥煅烧电耗的优化问题以及煅烧过程最优关键参数的预测问题,提出了基于改进BP神经网络的电耗优化和关键参数预测的模型。具体研究工作如下:（1）介绍水泥煅烧系统的生产工艺及其工艺机理,并分析水泥煅烧过程中电耗分布及对电耗产生影响的关键因素,通过具体分析初步选取对电耗造成影响的变量,待后续筛选,为水泥煅烧系统电耗优化和最优关键参数预测的模型打下基础。（2）针对水泥生产过程中的电耗及其关键参数数据存在的非线性和耦合性等问题,首先建立了基于BP神经网络的水泥煅烧电耗预测模型,并根据BP神经网络存在的一些缺点采取了相应的改进措施,分别通过遗传算法和粒子群算法对BP神经网络的权值和阈值进行优化并对两种算法的仿真结果进行对比分析,找到优化效果最佳的改进方法,最终选择通过遗传算法改进BP神经网络并利用相关水泥电耗数据训练建立出水泥煅烧电耗预测模型,实现更为精准的电耗预测模型。（3）基于已经建立起来的水泥煅烧电耗预测模型,通过平均影响值法（Mean Impact Value,MIV）计算出各个关键参数的平均影响值,作为参数的敏感度值,其大小代表对电耗的影响程度,根据敏感度值对关键参数进行筛选,剔除一些对电耗影响不大的参数,对模型输入数据进行降维,实现模型优化,再通过遗传算法以电耗为适应度值进行寻优。（4）最后结合某水泥企业水泥炉窑节能管控平台数据并形成节能模块,找到关键参数的最优个体,作为电耗优化结构的具体参数数值为操作人员提供参考。
孙肖坤[2]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中认为随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
邓晓刚[3]（2021）在《基于神经网络胶印油墨配色的研究》文中进行了进一步梳理研究目的是基于神经网络油墨配色方法,针对油墨配色中存在的配色精度低、配色过程繁琐和数字化程度低的现象,研发了一种关于胶印油墨配色的软件系统。应用计算机配色技术能够提高印刷生产效率、有效降低配色劳动强度,能够有效促进智能化油墨配色技术在印刷行业的推广应用。当今印刷行业朝着智能化、网络化和数字化方向发展,结合我国印刷行业的特点,基于神经网络框架设计出一种关于胶印油墨的智能配色软件。课题利用三色叠印色块的三刺激值和其油墨网点百分比作为实验数据,采用PyQt设计人机交互界面,使用pytorch作为神经网络模型构建的框架,用python语言完成主体程序的编写,实验数据存入MySQL数据库,配色方法选用三刺激值配色法,最后封装成一个完整的应用软件。在前期对油墨配色的算法进行探讨和分析,利用改进粒子群算法来优化BP神经网络,讨论了该算法在油墨配色方面的可应用性。通过pytorch框架建立神经网络模型,训练优化模型后得到了一种精度较高的油墨配色软件。从随机选取的色块预测出的配色结果来看:基于BP神经网络训练得到的模型,其训练均方误差为0.0039,平均色差为5.4880;基于改进粒子群优化BP神经网络训练得到的模型,其训练得到的均方误差为0.0033,平均色差为4.7896;基于分区域网络训练得到模型,其最小色差为0.0731,最大色差为7.5883,平均色差为2.4957,预测出的色差主要分布在1到3之间,其中有92.31%的色差小于5。文中基于分区域粒子群优化BP神经网络建立的胶印油墨配色模型具有较高的精度。对于整个配色的结果来讲,其油墨百分比预测结果精度的平均色差可以达到精细化印刷的要求,初次配方预测准确度较高,对于实际油墨配色具有重要价值。
鲁佳颖[4]（2021）在《应用于IGBT结温预测的BP算法的设计与实现》文中研究表明IGBT（绝缘栅型双极晶体管）是一种电压控制的复合型器件,在电力电子领域得到广泛的应用。电力电子器件在实际使用中常会因为温度过高或过低而使器件失效。因此研究IGBT工作过程中的结温预测方法具有重要的意义。本文基于BP神经网络研究IGBT的结温预测方法。将通过温敏参数法测量得到的IGBT饱和压降、集电极电流作为BP神经网络的输入量,IGBT模块的结温作为网络的输出量,采用MATLAB对BP网络进行训练,并对预测结果进行了仿真。由于BP神经网络存在容易陷入局部极小值无法达到全局最优的自身缺陷,因此论文采用了遗传算法和思维进化算法优化的LM改进型BP算法,仿真结果表明,与遗传算法优化后的网络相比,思维进化算法优化的LM改进型BP算法从回归系数（R）、预测误差、预测误差百分比等四个方面都具有较低的波动范围和较好的准确率,其中预测误差最大波动不超过15℃,最大预测误差百分比不超过0.3%。基于优化后的网络结构,论文将网络的最优阈值以及权值提取出来存入存储器中,采用verilog硬件描述语言完成了网络的FPGA设计。论文基于Xilinx公司的SPARTAN-6开发板,进行了系统的硬件设计及验证,系统包括数据采集模块、数据存储模块和神经网络计算模块。论文完成了各模块的设计和仿真,最后在实验平台上进行了验证,结果表明在误差范围内可以实现IGBT模块的结温预测,实测结温和运算结温的最大误差为7℃,符合算法的预期要求。论文研究工作对IGBT在线结温监测方法具有一定的参考意义。
史启盟[5]（2021）在《高速运动物体图像识别与压缩方法研究》文中研究表明运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:（1）分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经网络的高速运动物体图像识别方法。根据高速运动物体运动速度快导致的成像模糊,使得传统的图像识别方法人为提取图像特征困难的问题,采用基于卷积神经网络（CNN）的深度学习方法进行图像识别研究,并针对现有的CNN方法存在的训练效率差、准确率低的问题设计了相关改进方案来提高图像识别的快速性和准确性。（2）针对3D打印机高速移动激光点红外图像进行图像识别研究,分别建立了CNN和改进CNN两种激光点图像识别模型,对两种模型进行对比分析,实验结果表明改进后的CNN模型大大提高了识别效率和准确率;最后利用改进后的CNN模型进行激光中心点温度预测,在误差范围内取得了很好的预测结果。（3）研究了高速运动物体视频图像冗余信息,提出了基于帧内编码和帧间预测结合的高速运动物体视频压缩方法。以静态图像压缩为基础,在传统BP神经网络的基础上加入小波变换的方法进行图像压缩以减少帧内的空间冗余信息,同时针对高速运动物体的视频序列进行了运动信息补偿从而减少帧间的时间冗余信息,最终重构后的视频在保证关键运动信息的前提下大大减少视频数据量。（4）针对高速运动固定翼无人机视频进行图像压缩研究,先对单帧的无人机运动图像进行基于小波变换和神经网络结合的帧内有损压缩,再对压缩后的无人机序列进行基于运动估计和运动补偿的帧间预测编码,最后对压缩前后的无人机运动视频进行目标跟踪和视频传输效果方面的对比分析,结果表明该压缩系统在保留无人机运动信息的情况下可以大大减少冗余数据信息,提高传输效率。
任娣声[6]（2021）在《基于深度学习的货架状态画像研究与实现》文中提出超市的出现极大地为消费者提供了便利,但当前超市的很多工作需要人工来完成,使得超市管理既耗时、耗财又低效、易错。如何高效地管理超市是当前的研究热点,而超市管理实质是依据货架状态提出行之有效的营销策略。论文研究了货架商品当前、未来状态以及货架当前状态,如是否需要补货,以便管理者对售罄的货架商品及时补货、对畅销商品充分备货、淘汰滞销商品。以下是论文的主要研究工作:（1）论文分析了国内外的目标检测研究现状并对比了不同的目标检测算法的特点。根据超市货架商品“体积小,排列密集”等特点,选择了基于深度学习的且适合小物体识别的Mask R-CNN算法来识别货架上的商品类别。针对该算法准确度高,但是检测速率低的问题,论文分析该算法原理后提出了改进算法,即利用多种固定大小的窗口来分割特征图的思想来替换该算法中的RPN滑动窗口原理。论文利用改进算法构建了货架商品检测模型,并把经过清洗和预处理后的真实场景下的货架商品图片作为货架商品检测模型的数据集。通过模型测试验证了提出的方法对提升商品目标检测速度的有效性。（2）论文分析了商品销量预测的研究现状,并对比分析了几种常见的商品销售预测方法,分析出在选择预测方法时要考虑所研究商品的特点,以及历史数据的特点等因素。由于实验中的货架商品受季节、节假日等因素影响不大,选择了 BP神经网络进行销售预测。为提高预测精度,论文最终在常规BP神经网络的基础上,增加了两层隐含层来构建商品销售预测模型。论文对货架商品以往的销售记录进行清洗和处理后,通过销售预测模型很好实现商品未来一周的销售预测,并分析出货架商品的库存量、是否畅销等货架状态。（3）论文将商品检测模型与销售预测模型结合成一个货架状态画像模型。为方便管理员直观查看货架状态,论文结合了 PyQt5与Qt Designer工具设计了一个简单、易用的系统供管理员操作。超市管理员仅需选择一张含有商品的货架图片后,该系统立即将货架状态画像即货架当前状态、货架商品当前及未来状态直观呈现。通过货架状态画像系统便于查看货架的商品种类、销售情况以及商品未来的销售趋势等状态,能够为超市售罄补货、制定决策提供有力依据,从而促进超市可持续发展。
胡瑞卿[7]（2021）在《无人机飞行姿态的故障检测方法研究》文中进行了进一步梳理无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
张书荣[8]（2021）在《六辊可逆冷轧机全轧程轧制力预测的方法研究》文中进行了进一步梳理带钢冷轧的生产技术是衡量钢铁工业发展水平的重要标志,成品的板形质量和板厚精度与轧制过程中的轧制力密切相关。轧制过程需要先后经历加速、稳速、减速三个阶段,随着轧制不断进行,轧辊磨损会引起轧辊状态的改变,若不及时更换轧辊导致冷轧过程无法正常进行。目前对轧制力预测的研究很少涉及整个轧制过程（全轧程）,本文以单机架六辊可逆冷轧机为研究对象,以提高全轧程轧制力预测精度为目标,研究了多种预测轧制力的方法。根据速度变化特性可简单分为稳速段和变速段。基于冷轧的基本原理,摩擦系数和变形抗力直接决定了轧制力的计算精度,分析两者的影响因素,建立相应的拟合模型。根据轧件宽度、带材合金号、道次数、轧制阶段等分别建立稳速段和变速段参数模型库,利用Bland-Ford-Hill公式得到轧制力预测值并加以分析。为实现对全轧程轧制力的预测,引入神经网络,同时对稳速段、变速段数据进行分析。使用加法纠偏补偿模型,结合数学方法和神经网络预测轧制力,将模型库的计算结果作为轧制力预测值的主值,建立单隐层神经网络模型预测主值与实测值的差值,对轧制力预测偏差进行补偿。同时更改网络输出参数,将轧制力作为网络的输出量,以相同的网络结构预测轧制力。并使用GA算法优化神经网络的权值阈值,建立GA-BP神经网络轧制力预测模型,减小轧制力的预测误差。针对换辊周期内参数变化的关联性,将长短期记忆（LSTM）网络应用于全轧程轧制力预测中,LSTM网络充分考虑样本点的时间序列信息,更贴近实际冷轧生产的工艺流程。根据标记的换辊信息将52136个数据点划分为50组数据集,将前40组数据作为训练集,最后10组作为预测集数据。分别从时间步长、隐藏层神经元个数、学习速率等方面进行综合对比分析,确定合适的参数取值。结果表明,使用LSTM网络模型预测精度最高,预测误差可减小到3%左右。
李萍[9]（2021）在《基于深度信念网络的水力翼型优化设计》文中进行了进一步梳理近些年来,随着海洋能源的不断开发,潮流能水轮机的应用越来越广泛。转轮叶片是潮流能水轮机中的主要部件,而叶片的性能又与水力翼型密切相关,因此开展水力翼型的水动力学优化设计对提升潮流能水轮机的性能有重要意义。在目前水力翼型和叶轮叶片优化设计方法中,仍以优化算法与CFD数值模拟相结合为主,该方法由于CFD的单个样本性能计算时间太长,使整个优化流程的时间周期远超出设计人员可接受的范围。为此已有部分研究采用浅层神经网络建立翼型几何参数和翼型性能间的非线性响应模型,并代替传统CFD过程应用于翼型优化中,但由于水力翼型优化时的目标性能参数较多,浅层神经网络在构建复杂非线性响应关系时精度有所欠缺。因此,有必要采用一种新的神经网络构建水力翼型几何参数与性能参数间的响应关系,以提升水力翼型优化设计方法的可靠性与高效性。本文提出深度信念网络与NSGA-Ⅱ算法相结合的水力翼型多工况优化设计方法,以提高翼型优化效率,主要内容如下:（1）采用Bezier曲线对翼型NACA63-815参数化。引入度量空间中的欧几里得距离对不同攻角工况下（0°、6°和12°）水力翼型的升阻比和空化性能参数进行统一,从而极大缩减了优化问题的目标函数数量。最后使用最优拉丁超立方试验设计方法获得训练神经网络所需的水力翼型样本,并通过数值模拟方法计算得到每个翼型样本的性能参数。（2）在传统深度信念网络的基础上,分别以一组约束变量,包括不同工况下翼型的阻力系数和升力系数;两组目标变量,包括翼型的升阻比差距和空化性能差距,共三组变量为三个分网络（DBN1、DBN2及DBN3）的输出变量,以翼型上下型线的纵坐标数值为输入变量,构建适用于本文所研究的水力翼型性能参数的多维深度信念网络。基于最优拉丁超立方抽样设计方法,在规定的设计空间内产生1600个水力翼型样本用于训练DBN,并重新抽取100个样本用于检测DBN模型的准确性。为了提高深度信念网络模型的预测精度,采用NSGA-Ⅱ算法分别优化DBN1、DBN2及DBN3的网络参数。此外,通过与相同结构BP神经网络模型预测翼型参数的精度对比,验证深度学习预测的准确性和稳定性。（3）以水力翼型的升阻比差距和空化性能差距为目标函数,翼型表面积及0°、6°和12°攻角工况下的阻力系数和升力系数为约束函数,建立多维DBN与NSGA-Ⅱ遗传算法的优化流程开展水力翼型优化设计。整个优化设计过程,与直接采用CFD评价样本个体相比,节约时间77.3%左右,提高了整体优化设计工作的效率。采用CFD分析优化翼型与原始翼型的几何形状、压力系数、壁面熵产率及湍动能等性能,发现优化翼型的升阻比性能均优于原始翼型,同时空化现象也得到了较好的改善,证明该优化方法的有效性和可行性。
曹浏[10]（2021）在《基于BP优化的卡尔曼滤波算法在行人跟踪中的应用》文中研究说明行人跟踪在现代计算机视觉领域中,一直是众多学者所关注的热点问题,随着近几年各项技术壁垒的突破,行人跟踪己经在生活中得到了广泛的应用。近几年,基于检测器和跟踪器的行人跟踪方法已经成为当前热门的研究方向之一。针对当前行人跟踪在进行多目标跟踪时因算法误判导致身份标识切换（ID switch）的问题,本文提出了基于YOLOv5检测模块和卡尔曼滤波跟踪模块相结合的行人跟踪算法。首先,选用卡尔曼滤波算法作为跟踪模块,是因为该算法是基于预测来进行跟踪,运算快速,保证了跟踪的稳定性。而针对卡尔曼滤波算法在非线性系统下跟踪误差较大的缺点,本文提出了一种利用BP神经网络优化卡尔曼滤波算法的方式,接着通过与其他滤波算法的仿真实验对比,证明了本文的优化方法能有效的提升卡尔曼滤波算法的性能。其次,选用YOLOv5作为检测模块,是因为YOLOv5极快的推理能力,能大大减少检测行人所需的时间。为了进一步提升YOLOv5网络模型检测的精确度,在合理调整训练参数的同时,本文在原有数据集的基础上额外加入带有行人遮挡以及带有小目标行人的负样本,通过对比推理结果可得,对数据集进行针对性的拓展能改善YOLOv5 网络模型的训练结果。最后,搭建整体算法框架,在对多目标行人进行跟踪时,通过判断检测框是否有预测框与之匹配来决定是否赋予行人新的ID或者继承之前的ID。最终通过在MOT Challenge数据集上与其他跟踪算法进行实验对比,可验证本文的行人跟踪算法确实达到了预期的效果,能有效减少多目标行人跟踪时ID的误判。
二、BP神经网络训练算法的改进（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、BP神经网络训练算法的改进（论文提纲范文）
（1）基于水泥炉窑节能管控平台的水泥烧成电耗及其参数优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 BP神经网络优化方法研究现状 |
| 1.2.2 水泥煅烧电耗预测方法研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 水泥烧成工业流程与电耗影响因素分析 |
| 2.1 水泥烧成工业流程 |
| 2.1.1 生料制备 |
| 2.1.2 熟料烧成 |
| 2.1.3 水泥粉磨及包装 |
| 2.2 水泥生产中的电耗 |
| 2.2.1 水泥生产中电耗的构成分布 |
| 2.2.2 水泥生产中电耗的标准 |
| 2.3 水泥生产中电耗的影响因素及关键参数的选择 |
| 2.3.1 生料制备环节的影响因素 |
| 2.3.2 熟料煅烧环节的影响因素 |
| 2.3.3 水泥粉磨环节的影响因素 |
| 2.3.4 电能消耗影响参数选取 |
| 2.4 本章小结 |
| 第三章 基于改进BP神经网络的水泥烧成电耗预测模型 |
| 3.1 引言 |
| 3.2 传统BP神经网络 |
| 3.2.1 传统BP神经网络模型 |
| 3.2.2 传统BP神经网络算法流程 |
| 3.2.3 传统BP神经网络的特点 |
| 3.3 基于遗传算法的改进BP神经网络 |
| 3.3.1 遗传算法 |
| 3.3.2 基于遗传算法的改进BP神经网络模型 |
| 3.4 基于粒子群算法的改进BP神经网络 |
| 3.4.1 粒子群算法 |
| 3.4.2 基于粒子群算法的改进BP神经网络 |
| 3.5 实验仿真分析 |
| 3.5.1 仿真结果 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 基于平均影响值法的参数敏感度分析和优化 |
| 4.1 输入参数的敏感度分析 |
| 4.1.1 分析方法 |
| 4.1.2 实验仿真 |
| 4.1.3 仿真结果分析 |
| 4.2 基于遗传算法的电耗优化与优化参数推荐 |
| 4.3 本章小结 |
| 第五章 水泥炉窑节能管控平台的应用 |
| 5.1 水泥炉窑节能管控平台的实现 |
| 5.1.1 系统总体架构 |
| 5.1.2 系统硬件设计 |
| 5.1.3 系统软件设计功能 |
| 5.1.4 节能管控平台系统运行效果 |
| 5.2 节能模块仿真 |
| 5.2.1 参数设置 |
| 5.2.2 仿真结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（2）复杂大型建设项目费用偏差控制方法及信息系统设计（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 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 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）基于神经网络胶印油墨配色的研究（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 |
| 1.3 研究内容及技术路线 |
| 2 计算机测配色的理论分析 |
| 2.1 色度学基本原理 |
| 2.1.1 色光加色法 |
| 2.1.2 色料减色法 |
| 2.2 CIE1976 L~*a~*b~*均匀颜色空间 |
| 2.3 色差 |
| 2.4 BP神经网络 |
| 2.4.1 人工神经元模型 |
| 2.4.2 BP神经网络 |
| 2.4.3 BP神经网络结构设计 |
| 2.5 PSO算法及改进 |
| 2.5.1 改进PSO算法 |
| 2.6 改进PSO算法优化BP神经网络 |
| 2.7 神经网络在油墨配色中可行性分析 |
| 3 油墨配色实验 |
| 3.1 实验软硬件设备 |
| 3.2 建立数据基色库 |
| 3.3 BP神经网络的配色模型 |
| 3.3.1 数据集的准备 |
| 3.3.2 色差的计算 |
| 3.3.3 隐含层数的设计 |
| 3.3.4 隐含层节点数的设计 |
| 3.4 粒子群优化BP神经网络配色模型 |
| 3.4.1 标准粒子群优化BP神经网络配色模型 |
| 3.4.2 改进粒子群优化BP神经网络配色模型 |
| 3.4.3 改进粒子群优化多层BP神经网络配色模型 |
| 3.5 分区域改进粒子群优化BP神经网络配色模型 |
| 3.5.1 三区域改进粒子群优化BP神经网络配色模型 |
| 3.5.2 多区域改进粒子群优化BP神经网络配色模型 |
| 3.6 配色结果分析与总结 |
| 4 神经网络油墨配色平台的应用 |
| 4.1 平台介绍 |
| 4.2 平台的使用展示 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 作者简介 |
（4）应用于IGBT结温预测的BP算法的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 IGBT的结温测量研究现状 |
| 1.2.2 神经网络实现的研究现状 |
| 1.2.3 FPGA发展及研究现状 |
| 1.3 本文的主要内容及各章节安排 |
| 2 BP神经网络结温预测算法 |
| 2.1 BP神经网络的简介 |
| 2.1.1 神经元模型和网络工作流程 |
| 2.1.2 BP神经网络的算法原理 |
| 2.1.3 BP神经网络的不足与各类改进 |
| 2.2 改进算法的简介 |
| 2.2.1 遗传算法 |
| 2.2.2 思维进化算法 |
| 2.3 BP神经网络的FPGA训练流程 |
| 2.4 本章小结 |
| 3 应用于结温预测的BP神经网络的优化 |
| 3.1 训练数据集的获取 |
| 3.2 GA优化BP算法 |
| 3.3 LM改进型的思维进化算法优化BP |
| 3.4 两种算法的对比及最终模型 |
| 3.5 本章小结 |
| 4 BP神经网络的FPGA设计实现 |
| 4.1 FPGA概述及开发板 |
| 4.2 系统的总体设计 |
| 4.3 各模块设计 |
| 4.3.1 数据采集模块设计 |
| 4.3.2 计算单元实现 |
| 4.3.3 数据存储模块设计 |
| 4.4 仿真结果分析 |
| 4.5 平台实测结果 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 本文的工作总结 |
| 5.2 后期工作展望 |
| 致谢 |
| 参考文献 |
（5）高速运动物体图像识别与压缩方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像识别研究现状 |
| 1.2.2 图像压缩研究现状 |
| 1.2.3 高速运动物体研究现状 |
| 1.3 课题主要内容和结构 |
| 2 高速运动物体图像识别方法 |
| 2.1 高速运动物体图像特征分析 |
| 2.2 图像识别过程 |
| 2.3 基于卷积神经网络的图像识别 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络参数训练 |
| 2.3.3 卷积神经网络图像识别流程 |
| 2.4 卷积神经网络改进方法 |
| 2.4.1 网络结构改进 |
| 2.4.2 标准化和正则化 |
| 2.4.3 多层特征融合 |
| 2.5 本章小结 |
| 3 基于卷积神经网络的高速移动激光点图像识别 |
| 3.1 3D打印激光束特点分析 |
| 3.2 激光点图像数据采集系统设计 |
| 3.2.1 红外图像采集装置 |
| 3.2.2 红外摄像头采集模块 |
| 3.2.3 串口数据传输模块 |
| 3.2.4 激光温度数据采集过程 |
| 3.3 激光点红外图像识别过程 |
| 3.3.1 激光图像识别流程 |
| 3.3.2 图像数据预处理 |
| 3.3.3 数据集制作及参数设置 |
| 3.3.4 CNN及改进CNN模型 |
| 3.3.5 模型训练及结果分析 |
| 3.4 激光中心点温度预测 |
| 3.4.1 测试集处理 |
| 3.4.2 预测结果及实验分析 |
| 3.5 本章小结 |
| 4 高速运动物体视频图像压缩方法 |
| 4.1 数据的冗余与压缩 |
| 4.1.1 数据的冗余类型 |
| 4.1.2 数据压缩分类 |
| 4.1.3 压缩评价指标 |
| 4.2 静态图像压缩 |
| 4.2.1 图像压缩系统构成 |
| 4.2.2 基于小波变换的图像数据压缩 |
| 4.2.3 基于BP神经网络的图像数据压缩 |
| 4.3 序列图像中的运动信息处理 |
| 4.3.1 运动序列图像特点 |
| 4.3.2 高速运动物体视频分割 |
| 4.3.3 基于运动估计的帧间预测编码 |
| 4.4 高速运动视频图像压缩系统 |
| 4.4.1 视频图像压缩整体流程 |
| 4.4.2 压缩重构示例 |
| 4.5 本章小结 |
| 5 基于帧内和帧间编码的高速无人机视频图像压缩 |
| 5.1 高速无人机视频传输系统 |
| 5.2 基于小波神经网络的无人机静态图像压缩 |
| 5.2.1 视频图像关键帧提取 |
| 5.2.2 小波神经网络图像压缩 |
| 5.2.3 图像重构及结果分析 |
| 5.3 基于帧间预测编码的无人机视频序列压缩 |
| 5.3.1 基于三帧差分的无人机目标分割 |
| 5.3.2 基于块匹配的无人机运动估计 |
| 5.4 无人机视频重构及结果分析 |
| 5.4.1 视频重构 |
| 5.4.2 视频压缩前后结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（6）基于深度学习的货架状态画像研究与实现（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 传统的目标检测研究现状 |
| 1.2.2 基于深度学习的目标检测研究现状 |
| 1.2.3 商品销量预测研究现状 |
| 1.3 本论文的主要研究内容 |
| 1.4 本论文创新点与组织结构 |
| 1.4.1 论文创新点 |
| 1.4.2 论文组织结构 |
| 2 相关理论与算法 |
| 2.1 基于深度学习的目标检测算法 |
| 2.1.1 基于深度学习的目标检测算法 |
| 2.1.2 目标检测算法选择 |
| 2.2 货架商品销售预测方法及选择 |
| 2.2.1 常见的预测方法 |
| 2.2.2 货架商品销售预测方法选择 |
| 2.3 深度学习框架 |
| 2.4 本章小结 |
| 3 货架商品目标检测算法改进及实现 |
| 3.1 目标检测Mask R-CNN算法原理 |
| 3.1.1 Mask R-CNN算法网络结构 |
| 3.1.2 主干网络 |
| 3.1.3 ROIAlign技术 |
| 3.1.4 Mask掩码分支 |
| 3.2 目标检测Mask R-CNN算法改进与实现 |
| 3.2.1 RPN工作原理 |
| 3.2.2 算法改进 |
| 3.2.3 改进算法实现 |
| 3.2.4 改进算法实验结果 |
| 3.3 目标检测算法检测结果对比分析 |
| 3.4 本章小结 |
| 4 货架商品状态分析与销售预测研究 |
| 4.1 货架商品状态分析 |
| 4.1.1 货架商品状态字段说明 |
| 4.1.2 货架商品状态数据获取 |
| 4.2 货架商品销售预测模型实现 |
| 4.2.1 预测精度指标 |
| 4.2.2 数据处理 |
| 4.2.3 BP神经网络改进与销售预测模型构建 |
| 4.2.4 商品销售预测结果 |
| 4.2.5 销售预测检测结果对比分析 |
| 4.3 本章小结 |
| 5 货架状态画像系统设计与实现 |
| 5.1 系统框架设计 |
| 5.2 功能模块设计 |
| 5.3 系统实现 |
| 5.3.1 系统实现平台 |
| 5.3.2 货架状态画像实现界面 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（7）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（8）六辊可逆冷轧机全轧程轧制力预测的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 冷轧工艺的生产流程 |
| 1.3 可逆冷轧机的轧制过程 |
| 1.4 轧制力预测方法的研究现状 |
| 1.5 研究的主要内容 |
| 2 冷轧过程的理论基础及轧制参数数学模型的设定 |
| 2.1 冷轧过程中的几何参数 |
| 2.1.1 变形区 |
| 2.1.2 简单轧制 |
| 2.1.3 咬入角和接触弧长 |
| 2.1.4 体积不变原理和金属秒流量相等法则 |
| 2.1.5 中性角的定义及计算 |
| 2.1.6 前滑值的计算公式 |
| 2.2 轧制力的数学公式 |
| 2.2.1 冷轧轧制力计算的特点 |
| 2.2.2 常用轧制力的数学模型 |
| 2.3 影响轧制力的参数变量 |
| 2.3.1 摩擦系数 |
| 2.3.2 变形抗力 |
| 2.3.3 张力 |
| 2.4 摩擦系数的数学模型 |
| 2.4.1 计算公式 |
| 2.4.2 拟合模型 |
| 2.5 变形抗力的数学模型 |
| 2.5.1 计算公式 |
| 2.5.2 拟合模型 |
| 2.6 本章小结 |
| 3 结合数学模型和神经网络预测轧制力 |
| 3.1 数学模型下全轧程轧制力预测 |
| 3.1.1 稳速段模型库 |
| 3.1.2 变速段模型库 |
| 3.1.3 预测精度的评价指标 |
| 3.1.4 全轧程预测结果及分析 |
| 3.2 全轧程参数的变化特点 |
| 3.2.1 轧制力与轧制速度的关系 |
| 3.2.2 轧制速度与摩擦系数的关系 |
| 3.3 神经网络对轧制力的偏差补偿研究 |
| 3.3.1 算法原理及训练流程 |
| 3.3.2 结构设计 |
| 3.3.3 参数设定 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 4 GA-BP神经网络预测轧制力 |
| 4.1 使用神经网络预测轧制力 |
| 4.2 GA算法优化神经网络 |
| 4.2.1 主要特征 |
| 4.2.2 基本要素 |
| 4.2.3 计算流程 |
| 4.3 GA-BP混合算法优化流程 |
| 4.4 轧制力预测仿真及结果分析 |
| 4.5 本章小结 |
| 5 基于LSTM神经网络的轧制力预测 |
| 5.1 抽象问题 |
| 5.2 LSTM神经网络 |
| 5.2.1 实现原理 |
| 5.2.2 训练过程 |
| 5.3 构建网络结构 |
| 5.3.1 输入参数 |
| 5.3.2 隐含层神经元数 |
| 5.3.3 轧制力预测步骤 |
| 5.4 预测结果及分析 |
| 5.4.1 不同参数下的预测结果 |
| 5.4.2 LSTM神经网络的预测结果及分析 |
| 5.4.3 多种方法预测结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（9）基于深度信念网络的水力翼型优化设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 翼型优化设计研究现状 |
| 1.2.2 深度信念网络研究现状 |
| 1.3 主要研究内容及思路 |
| 1.4 论文章节安排 |
| 2 深度学习相关理论 |
| 2.1 神经网络 |
| 2.1.1 神经元 |
| 2.1.2 激活函数 |
| 2.1.3 反向传播算法 |
| 2.2 深度学习 |
| 2.2.1 受限波尔兹曼机(Restricted Boltzmann Machines,RBM) |
| 2.2.2 深度信念网络 |
| 2.3 多目标优化问题 |
| 2.3.1 Pareto最优解 |
| 2.3.2 NSAG-Ⅱ算法 |
| 2.4 预测模型评价标准 |
| 2.5 本章小结 |
| 3 基于NSGA-Ⅱ的多维深度信念网络的水力翼型预测模型 |
| 3.1 引言 |
| 3.2 基于多维深度信念网络的水力翼型预测模型 |
| 3.2.1 水力翼型参数化表示方法 |
| 3.2.2 水力翼型目标函数计算方法 |
| 3.2.3 水力翼型性能参数的计算 |
| 3.2.4 水力翼型训练及测试样本数据的产生 |
| 3.3 建立水力翼型预测模型 |
| 3.3.1 深度信念网络预测模型 |
| 3.3.2 基于NSGA-Ⅱ遗传算法的DBN网络参数确定方法 |
| 3.4 DBN模型预测结果分析 |
| 3.5 本章小结 |
| 4 基于NSGA-Ⅱ算法的水力翼型性能参数优化设计 |
| 4.1 引言 |
| 4.2 建立水力翼型性能参数的优化模型 |
| 4.3 选取水力翼型的优化结果 |
| 4.4 优化翼型与原始翼型的结果对比及分析 |
| 4.5 本章小结 |
| 5 基于NSGA-Ⅱ算法与9维DBN网络的水力翼型优化设计 |
| 5.1 九维DBN预测模型 |
| 5.2 九维NSGA-DBN预测结果及分析 |
| 5.3 基于NSGA-II算法的水力翼型优化 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的主要研究成果 |
（10）基于BP优化的卡尔曼滤波算法在行人跟踪中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 行人检测研究现状 |
| 1.2.2 行人跟踪研究现状 |
| 1.3 研究难点 |
| 1.4 本文的主要内容及章节安排 |
| 2 卡尔曼滤波算法的基本理论 |
| 2.1 贝叶斯滤波理论 |
| 2.2 线性卡尔曼滤波理论 |
| 2.3 非线性卡尔曼滤波理论 |
| 2.3.1 扩展卡尔曼滤波器 |
| 2.3.2 无迹卡尔曼滤波器 |
| 2.3.3 容积卡尔曼滤波器 |
| 2.4 仿真实验 |
| 2.4.1 各个维度下不同滤波算法的对比 |
| 2.5 本章小结 |
| 3 基于BP神经网络优化的卡尔曼滤波器 |
| 3.1 BP神经网络概述 |
| 3.1.1 BP神经网络的基本原理 |
| 3.1.2 BP算法的步骤及流程图 |
| 3.2 BP神经网络修正卡尔曼滤波算法原理 |
| 3.2.1 BP神经网络的设计 |
| 3.2.2 卡尔曼滤波和BP算法相结合的预测方法 |
| 3.3 仿真与分析 |
| 3.3.1 无人机模型仿真实验说明 |
| 3.3.2 本文优化算法与其他算法仿真结果对比 |
| 3.3.3 地铁工程预测仿真实验说明 |
| 3.3.4 不同条件下的本文算法以及原论文中的组合模型仿真结果对比 |
| 3.4 本章小结 |
| 4 行人检测系统 |
| 4.1 行人检测方法 |
| 4.1.1 基于运动检测的算法 |
| 4.1.2 基于特征学习的算法 |
| 4.1.3 行人检测算法总结 |
| 4.2 基于YOLOv5 的行人检测 |
| 4.2.1 YOLOv5 算法介绍 |
| 4.2.2 行人检测常用的数据集与评测指标 |
| 4.2.3 实验说明 |
| 4.2.4 第一次训练结果分析 |
| 4.2.5 第二次训练结果分析 |
| 4.3 本章小结 |
| 5 基于YOLOv5与BP-KF的行人跟踪方法 |
| 5.1 行人跟踪系统框架 |
| 5.1.1 基于YOLOv5与BP-KF的行人跟踪算法框架和流程 |
| 5.2 实验与结果分析 |
| 5.2.1 数据集与评价指标 |
| 5.2.2 在MOT16 数据集上进行测试并与其他算法的性能相对比 |
| 5.2.3 在MOT2015-AVG-Town Centre视频序列上的实验对比 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
四、BP神经网络训练算法的改进（论文参考文献）
- [1]基于水泥炉窑节能管控平台的水泥烧成电耗及其参数优化方法[D]. 翟刘辉. 南京邮电大学, 2021
- [2]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [3]基于神经网络胶印油墨配色的研究[D]. 邓晓刚. 西安理工大学, 2021(01)
- [4]应用于IGBT结温预测的BP算法的设计与实现[D]. 鲁佳颖. 西安理工大学, 2021(01)
- [5]高速运动物体图像识别与压缩方法研究[D]. 史启盟. 西安理工大学, 2021(01)
- [6]基于深度学习的货架状态画像研究与实现[D]. 任娣声. 西安理工大学, 2021(01)
- [7]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [8]六辊可逆冷轧机全轧程轧制力预测的方法研究[D]. 张书荣. 西安理工大学, 2021(01)
- [9]基于深度信念网络的水力翼型优化设计[D]. 李萍. 西安理工大学, 2021
- [10]基于BP优化的卡尔曼滤波算法在行人跟踪中的应用[D]. 曹浏. 西安理工大学, 2021(01)