一、模糊对向传播神经网络及其应用（论文文献综述）
杨帆[1]（2021）在《基于事故情景划分的山区普通干线公路事故预测和安全隐患挖掘》文中研究表明山区普通干线公路是我国交通运输的大动脉,承担着大量的客运和货运运输需求,对我国经济发展起着重要作用。但是山区普通干线公路由于地形复杂、地质条件特殊,道路线形存在较多的极限设计指标;由于资金或建设条件受限,山区普通干线公路配套交通安全设施、交通管理设施较为缺乏,进一步导致了交通事故的频发。根据资料显示,山区普通干线公路的事故率往往是其他平原地区交通事故的若干倍,对经济发展、人民健康产生了巨大的负面影响。本文以山区普通干线公路交通安全作为研究对象,期望通过交通安全影响因素的挖掘,分析交通事故的可能性和严重性,结合交通事故发生的持续时间和空间影响范围,进行交通事故的情景划分。在此基础上,提取交通事故情景与其他影响因素的强关联规则,并预测弱关联规则下对应的事故情景概率。根据道路条件、交通环境等要素进行交通事故情景的提前推断,可实现交通安全的主动防控。结合交通事故情景与道路网络的对应关系,对事故情景进行聚类分析,得到安全隐患点的分布及其风险级别。本文的研究从交通事故时空影响范围分析、交通事故情景划分、交通事故关联规则提取和情景预测、交通安全隐患点识别四个方面研究了山区普通干线公路的交通风险识别,为山区普通干线公路交通安全风险防控、事故预警提供理论支撑和决策依据,主要研究内容包括:首先,分析了山区普通干线公路特殊的道路、环境特性,挖掘了山区普通干线公路交通事故的成因,明确了引起交通事故的关键要素。对应交通事故发生的扩散过程,时间上,将事故持续时间划分为事故响应阶段、事故处理阶段和交通流恢复阶段,采用交通波理论构建了交通事故持续时间计算模型。空间上,基于交通事故的传播规律,分别考虑交通事故不占用对向车道和占用对向车道两种情况,提出了基于改进高斯烟雨模型的类椭圆交通事故空间影响范围分级模型,对当前道路和相交道路的影响范围进行了量化和影响程度分级。类椭圆交通事故影响分级模型考虑了交通事故在不同方向道路上传播速度的差异性,反应了交通事故在空间传播的非匀质性。然后,引入交通事故情景概念,构建了基于交通事故可能性和严重性的交通事故情景判别方法体系。事故可能性考虑道路及外部条件等客观因素,严重性考虑事故属性、交通属性两类指标,建立了交通事故情景划分指标体系。对于多属性决策问题,采用CRITIC方法确定了各属性指标的权重。引入秩和比方法,通过计算所有事故可能性和严重性两大类指标秩和比权重的累积概率,得到事故情景划分判断矩阵。本文引入的事故情景概念,考虑不同严重程度事故由于其特有的属性造成的影响程度区别,构建了多因素的事故情景判别方法,与严重性单一指标相比更能反应事故的真实影响。进一步在事故情景划分的基础上,提取了交通事故情景与道路、交通、外界环境等因素的关联规则,并进行了多规则组合下的事故情景概率预测。由于不同要素对事故的影响程度不同,本文引入了改进的Apriori算法,采用多维多层加权规则,对事故情景与各类要素之间的强关联规则进行挖掘和提取,得到了山区普通干线公路风险因素组合规则识别方法。而在提取的强关联规则基础上,针对强规则的要素风险值其他组合情况,采用贝叶斯网络方法,进行交通事故情景概率的推理和预测,得到风险因素组合的弱关联规则。通过强关联规则挖掘,在已知要素风险值前提下即可得到事故的情景;而弱关联规则可得到各类交通事故情景对应的概率。最后,提出了基于网络核密度估计的山区普通干线公路交通安全隐患点识别和分级方法。考虑道路网络的非匀质性,以及交通事故在空间上的发生特定性,以事故情景作为聚类指标,提出基于网络距离的核密度估计方法。采用零膨胀负二项回归模型对核密度值进行分段估计,基于统计学原理提出了核密度值分级阈值确定方法,据此对事故情景核密度值进行分级处理,得到道路网的一级、二级、三级隐患热点。交通安全隐患点识别以事故情景作为聚类指标,同时考虑了事故发生的可能性和严重性;安全隐患点分级则为交通管理部门进行分阶段的交通安全管理措施的实施提供了依据。
蔡雪松[2]（2019）在《面向城市交通领域的信息融合关键技术研究》文中研究表明随着我国城市化进程不断发展,城市交通问题逐步突显,未来智能交通系统将是解决城市交通需求的最重要方法。智能交通系统的实现,需要对道路交通状况进行实时感知与监测,所幸随着移动通信、卫星定位、物联网、大数据等技术的不断发展,GNSS、RFID、微波、地磁、视频等采集方法已广泛地应用在城市交通领域的信息感知当中。采集设备的多样性,一方面扩展了信息获取的渠道,扩宽了信息收集的广度;但另一方面,也造成了信息量大、异构性强、数据冲突等问题,为交通信息的有效利用带来了困难。信息融合技术的不断发展为解决这一新问题提供了新思路和新方法。目前现有的关于信息融合模型的研究成果大多承袭了军事领域的应用环境和技术特征,在功能界定、信息特征和应用目标等方面与城市交通领域有所交叉却不完全一致,难以适用于城市交通领域的各类应用。因此,本文以城市交通领域为研究背景,开展信息融合关键技术研究,提出适合该领域信息特点和应用需求的融合模型与方法,用以解决城市交通领域多源信息有效融合应用的科学问题。本文的创新性工作主要包括以下几个方面:1.同属性多源信息融合技术研究。针对多源信息之间存在数据冲突,影响融合准确性的问题,提出适用于同属性信息融合的KDS-R模型,将Kalman滤波器的结构和D-S证据理论的算法相结合,并引入证据的静态和动态可靠性分析,实现对经典D-S证据理论算法的改进。仿真数据实验和实测数据实验结果表明,该模型能有效处理数据冲突,与经典D-S证据理论算法相比,融合结果更接近实际情况。2.复杂属性的多源信息融合技术研究。针对具有复杂属性的信息之间难以简单映射、难以进行信息融合的问题,重点选取速度和流量两个交通参数,基于实测交通数据,研究分析了两者之间的关系;提出一种基于关联规则和BP神经网络的CANN融合模型,通过构建并优化速度与流量之间的映射关系,实现两者间的融合计算。实验结果表明,基于该模型的预测曲线相比应用单一流量信息预测的结果,方差更小,与实测流量曲线更接近。3.基于多源信息融合的交通预测模型研究。基于综合分析交通信息特有的时间、空间特征,提出基于WNN的短时交通流预测模型和基于信息融合的公交到站时间预测模型。短时交通流预测模型侧重交通信息的空间属性,通过速度与流量的关联分析,拟合出虚拟断面,进一步细化道路流量描述颗粒度,应用KDS-R模型和CANN模型,结合小波神经网络技术完成预测。公交到站时间预测模型侧重交通信息的时间属性,结合交通流信息判断道路通行状况,再应用KDS-R模型,完成到站时间的预测。实验结果表明,基于WNN的短时交通流预测模型相比基于BP神经网络的预测模型收敛速度更快,预测结果更趋近于实际曲线,误差减少近50%左右;基于信息融合的公交到站时间预测模型有效改善了单一数据对道路突发拥堵情况敏感度低,影响预测准确性的问题,预测效果优于基于前车数据预测的结果和基于历史平均数据预测的结果。4.基于信息融合的公交大数据平台设计与实现。基于上述研究成果,设计并实现了基于信息融合的公交大数据平台,解决了复杂城市交通环境下的数据冲突与信息冗余等关键技术问题,为大数据平台中的公交信息发布服务提供支撑。通过上海市浦东新区82路公交车的实际运行数据,详细展示了大数据平台中公交到站时间模块的运行效果,预测准确率达到96%,优于上海市公交行业管理规范要求,为全面建设浦东地区公交信息服务提供了保障。
罗文慧[3]（2019）在《智慧交通背景下道路交叉口交通流控制模型与算法研究》文中研究说明大力发展智慧交通是当今社会构建交通运输创新发展体系的主攻方向。智慧交通是智能交通运输系统在新时代的一次质的飞跃,其概念可以概括为应用物联网、云计算、大数据、无线传感、“互联网+”和人工智能等先进技术,逐步提升整个交通运输系统的科学智能程度,从而给道路使用者提供更加优质的服务,使人们的生产生活更加便捷。由于土地等自然资源有限,在未来的交通发展中,应在正确评估区域经济社会发展水平的基础上,适当发展交通基础设施建设,同时,要充分利用新思想、新技术,大力推进交通运输的科学管理,落脚点为交通运输的控制与诱导的不断发展。本文在建设智慧交通背景下,对交通控制与诱导的重点对象——道路交叉口的交通流控制技术开展了以下研究工作:（1）针对当前交通流预测模型不能充分提取交通流数据的时空特征,预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型。该模型结合卷积神经网络与支持向量回归分类器的特点,在网络底层采用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测。为验证模型的有效性,利用实际的交通流量数据进行试验,结果表明,提出的预测模型与传统的模型相比具有更高的预测精度,是一种有效的交通流预测模型。（2）在分析经典信号灯配时模型原理和应用的基础上,确定了道路交叉口动态配时的三个优化指标,并构建了多目标规划模型;为了更好的对模型求解,得到最优的配时方案,引入仿生学蜻蜓算法,并对标准的蜻蜓算法进行了改进,引入混合变异算子,保证了解集的多样性;应用动态的外部档案策略,保证最优解集的分布性。在实验阶段,应用基准函数对提出的算法进行测试,验证改进算法的有效性。构建真实的实验场景对提出的模型和算法进行验证,应用vissim仿真平台对多种场景进行进一步仿真,并将模拟的结果与Webster模型进行比对,比对结果证明了提出模型及求解算法的优势。（3）在分析GPS、航迹推算基础理论和扩展卡尔曼算法内涵的基础上,提出一种基于车路协同的协同地图匹配定位算法。该算法首先利用扩展卡尔曼滤波融合全球定位系统信息与车载航位推算系统信息,将其作为协同地图匹配的预先定位;然后基于短程通讯技术实现车辆信息的共享与交换,在电子地图的基础上.利用道路约束实现车辆定位的进一步精确。为了验证算法的有效性,搭建了模拟真实场景的仿真环境进行实验,结果表明,本文提出的CMM算法比传统的车辆定位算法具有更高的精度。（4）在分析车辆避撞的基本知识、设计车辆避撞的控制流程、对交叉口冲突事态进行预先评估、对相关参数的计算过程进行解释和说明的基础上,构建了车辆危险度评价模型;在分析最优控制问题的数学表达方式,车辆运动状态模型的基础上,构建了无信号灯交叉路口车辆避撞最优控制模型,说明了边界约束条件和性能指标。并应用遗传算法对所建立的模型进行求解,介绍了遗传算法的流程,设计了避撞路径编码,构造了适应度函数和遗传操作,最后利用本文提出的模型和算法对两车交叉冲突事态和两车纵向冲突事态下的车辆避撞情况进行了仿真,实验证明,本节提出的模型和算法可以很好的实现无信号灯交叉路口车辆间的避撞。
吴昆[4]（2011）在《质子交换膜燃料电池动态建模与控制研究》文中研究表明质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,简称PEMFC）是一种21世纪的绿色环保能源。工作温度是衡量其性能的重要指标之一,温度的升高有利于化学反应速率提高同时减少膜的欧姆极化,而温度过高又加速了膜中水的损失严重时引起膜收缩破裂。相反,过低温度又会引起电堆内传质受影响和电化学反应速率降低。因此合适的工作温度能够提高燃料电池性能。针对这一问题,本文对PEMFC建模和温度控制进行了研究,同时设计了相应的温度控制系统,主要研究内容如下：主要介绍了质子交换膜燃料电池的机理模型和经验模型。机理模型主要依靠的是电化学、质量守恒、能量守恒等定律来建模,而经验模型则主要是依靠经验通过表现出来的伏—安曲线拟合出数学公式进行建模,并对电化学模型、电压动态模型、质量传递模型等数学模型进行比较,同时对影响单片燃料电池性能的因素进行了分析。以单电池为研究对象,结合了传热、传质等热力学原理建立了PEMFC的参数模型,采用Simulink中的组件建立了相应的仿真模型,仿真和测试结果表明此参数模型是有效的,可进一步用于PEMFC控制方法的研究。将神经网络和模糊控制技术相结合,提出了基于模糊对向传播神经网络的建模方法。将FCP神经网络应用于PEMFC温度控制系统的设计中,通过神经网络的学习能力来优化模糊逻辑的经验规则,从而实现对电堆温度的有效控制。在Matlab/Simulink平台对电堆温度控制系统的模型进行了仿真,结果表明该温度控制系统具有很好鲁棒性和良好的控制品质,能够满足参数时变的PEMFC电堆温度控制系统的要求。
王朱珍[5]（2009）在《基于气敏传感器阵列的信号处理与模式识别算法研究》文中提出随着社会的飞速发展,气体检测技术也显得越来越重要。如对矿井中易燃易爆气体进行检测,可以有效预防瓦斯爆炸等矿难事故的发生;对工业中有毒气体储存罐周围的气体进行检测,可以及时发现并报告有毒气体的泄漏情况,最大程度地降低有毒气体泄漏造成的危害;对蔬菜食品的挥发性气体进行检测,不仅可以评判蔬菜食品的新鲜程度,还可以区别产品的真假与产品的等级;对病人呼出的气体进行检测,可以快速地实现诊断,既节省诊断时间,又节省了大量的人力物力,简便快捷;……。这些都说明电子鼻检测技术实用性和重要性。电子技术的发展历程表明电子鼻技术很难在短期内实现硬件上的突破,而软件算法理论的飞速发展更新则为电子鼻技术的进步提供了可能,因而现在绝大多数研究者将电子鼻技术的研究中心转移到软件实现上来。高性能的软件算法能够提供更高的识别正确率、更短的识别时间,从而在一定程度上弥补了硬件以及环境不确定性所带来的误差。电子鼻技术软件算法的核心技术在于模式识别算法,而在进行算法实现之前还必须对数据进行一定的处理——特征选择和提取。本论文也是针对电子鼻软件算法理论方面的研究,将数据截断技术应用于传感器相应数据的截取,提出了一种新的产生特征向量的方法——特征重组法,再将特征重组法得到的特征向量输入到设计的模式识别系统中,最终实现分类。本论文的主要研究工作如下:（1）文章的第二章十分详尽地介绍了当前几乎所有已应用于电子鼻系统的模式识别算法的应用情况,十分有利于刚刚涉足本领域的研究者全面了解本领域研究已取得的成果和最新研究进展。（2）研究了数据截断技术对传感器响应数据的影响。以滤波器逼近算法为研究背景,研究了最优Hankel逼近算法与直接截断逼近算法之间的关系,并对其进行了仿真实验,说明了结合函数逼近的数据截断技术应用于传感器响应数据采集的可行性。（3）提出了基于特征值重组的模式识别算法。不同模式识别算法中所采用的特征提取手段产生的特征向量不能最大限度地发掘数据的有用信息,而将不同特征提取算法的特征提取结果按照一定的比进行重组,所得到的有用信息将大大提高,更有利于识别分类。
李敏哲[6]（2008）在《基于神经网络的液压动力系统多源诊断信息融合方法研究》文中研究指明结合液压系统故障诊断的特点和发展趋势,本文以信息融合的基本理论为指导思想,对液压动力系统多源诊断信息的获取、分析及融合方面的问题进行了研究,提出了适用于液压动力系统的多源诊断信息融合方法,其主要研究工作归纳如下:（1）综述现代液压系统故障诊断技术的现状及趋势,强调引入多源诊断信息融合技术的重要性,介绍适用于故障监测、报警和诊断的多源诊断信息融合结构及多源诊断信息融合算法。（2）对液压动力系统多源诊断信息获取与实验系统进行详细的介绍,最后通过实例应用来验证该实验系统所获取多源诊断信息的适用性。（3）根据多源信息监测技术的应用特点及液压系统的工作参数,给出液压系统运行状态的多源信息监测系统模型;对应用于液压系统的多源监测信息进行分析,主要分析电流信号和油压信号;分析基于电阻应变计压力信号监测时桥路的选择、管路形状对压力信号的影响及监测信号的选取。（4）介绍对向传播神经网络（CPN）的基本理论和特点,结合频谱分析法对液压动力系统的典型故障进行分类;通过与BP网络分类能力相比较分析其在故障分类方面的优势。（5）针对单源信号提供信息量的不足,以及故障间的相互影响而造成的误判等问题,提出基于模糊CPN神经网络的多源诊断信息融合方法;给出适用于液压系统的多源诊断信息融合模型,并建立模糊隶属度函数。最后通过实例应用来验证该方法的有效性,说明开展神经网络与其它融合方法相结合的研究是十分必要的。
刘朝华[7]（2008）在《基于客户价值的客户分类模型研究》文中认为随着经济全球化以及网络技术的发展,信息交流越来越通畅,企业面临着更加激烈的市场竞争,对客户的争夺能力成为企业生存和发展的决定性因素。企业成功获取客户的关键是确定企业的客户,合理的客户分类是企业改善与客户关系的前提条件,也是非常关键的因素。对客户的合理分类有助于企业有效分配稀少的资源,加强与客户的联系,获得真正的竞争优势。基于此,本文对客户分类方法及模型进行了深入的研究,运用管理决策理论及数据挖掘技术和统计技术,对客户分类的变量及方法进行了分析,分析过程及结果概括为以下几个方面:（1）根据客户价值的内涵,对客户价值的构成进行全面深入的分析,提出基于客户当前价值、潜在价值及客户忠诚度构建客户价值模式;分析了客户价值与客户当前价值、客户潜在价值及客户忠诚度之间的关系;提出以RFM表示客户当前价值,以交叉销售能力表示客户潜在价值。（2）以RFM分析客户的当前价值,并基于自组织神经网络建立客户分类模型。通过对输出层结构分别为2×2、3×3、4×4的自组织神经网络模型进行实例分析,确定最佳的自组织神经网络分类模型输出层结构为4×4;通过对基于RFM所划分的16类客户进行分析,说明了每种类型客户的不同当前价值;利用层次分析法分析RFM对客户当前价值的贡献权重,并对每类客户当前价值排序,得到每类客户当前价值的具体排序情况。（3）针对表示客户潜在价值的客户交叉销售能力,提出了两种理解方式,并基于对向传播神经网络分别建立这两种不同理解的交叉销售模型,研究表明两种模型都能有效预测客户交叉销售活动。通过对这两种交叉销售模型的分析评价,提出了表征客户交叉销售能力的数值分析方法,并基于客户成熟度及客户最近一个购买产品的产品等级分析客户交叉销售能力,解决了客户交叉销售能力的数值预测问题。在此基础上,结合RFM及交叉销售能力对客户进行分类,对每种类型客户从当前价值及潜在价值进行了说明。（4）对客户忠诚度从情感和行为两方面进行分析,构建了客户忠诚度指标体系,通过该指标体系可以计算客户忠诚度的数值,并建立了基于神经网络的客户忠诚度模型,该模型可以预测客户的忠诚度值。（5）综合RFM、交叉销售能力和客户忠诚度在客户分类中的应用,构建了基于客户价值（RFM、交叉销售能力和客户忠诚度）的客户分类体系,依此提出综合RFM、交叉销售能力及忠诚度三方面对客户进行分类的模型,并对所划分的每类客户的价值进行排序,为企业合理分配资源提供了依据。
史光宝[8]（2008）在《渤海水域海事预警研究》文中研究指明安全是海上交通中永恒的话题，海事的发生，严重地威胁着人命安全、财产安全以及水域环境安全。安全是相对的，风险是绝对的，事故是有一定规律的，事故的发生是分阶段的。预警思想、理论，可以起到防止或减缓事故发生的作用。预警，发源于军事领域，而后逐渐在经济、自然灾害、社会政治等领域进行了广泛的研究和应用，并取得了良好的效果。渤海水域作为我国北方重要的水域，在经济大发展的现状下，起着重要的作用，该水域内的安全航行也越发受到人们的关注。为了提高该水域水上安全的形势，本文在分析研究预警理论的基础上，借鉴其在其他领域应用的经验，将预警理论运用到海上安全领域，进行海事预警的探索性研究。本文首先对预警理论以及其在各领域的研究、应用现状以及研究方法进行了简述，在此基础上对海事预警的含义进行了阐述；而后对渤海水域海事预警的警源从自然、船舶、人员、安全管理等四个方面进行了分析，并据此构建海事预警的警素，即海事预警的指标体系：接下来借鉴其他领域的经验，综合考虑人员伤亡、经济损失、环境污染等方面的因素，进行海事预警警级划分；在上述基础上，本文运用对向传播网络（CPN）建立了海事预警分析模型，最后利用渤海水域客滚船的数据对模型进行了验证分析。
李俊武[9]（2007）在《某武器随动系统智能控制研究》文中指出近年来，随着计算机技术及集成电路技术的迅速发展，工业控制系统已成为计算机技术应用领域最具活力的一个分支，并取得了巨大进步。总线化是工业控制系统的一个发展方向，它在适用范围、可扩展性、可维护性以及抗故障能力等方面较集中式控制系统有明显的优越性。CAN（Controller Area Network）总线由于其高性能、高可靠性及独特的设计，具有较强的抗干扰能力，适合用于实时性要求很高的系统。目前许多工业伺服控制系统是基于模拟电子技术实现的，电路系统复杂、成本较高、抗干扰能力差、系统可扩展性差。它将无法适应工业伺服控制系统未来结构的要求。本文致力于武器火控系统的通信及随动系统智能控制研究，在全面、细致地分析了火控系统通信特点的基础上，提出了一种以数字信号处理器（DSP）为随动控制的核心单元，以CAN总线为底层通信网络的方案。并对该系统软硬件的功能及实现、系统辨识和智能控制器的设计，以及在实践中遇到的问题及解决问题的方法做了较系统、深入的研究。通过大量的实验证明本文提出方案的有效性和实用性。
武星星[10]（2007）在《模糊系统和ANFIS的改进及其在加工参数智能选择中的应用研究》文中认为针对CAPP技术由于其要解决问题具有复杂性、非线性和不确定性等特点而发展缓慢的现状,本文结合吉林省科技发展计划项目（20040333）“机械加工中的模糊-神经网络技术研究”,进行模糊推理系统、自适应模糊推理系统（ANFIS）等智能算法的改进及其在解决CAPP微观层的工艺参数确定问题中的应用研究。本文结合减法聚类对模糊C-均值聚类算法进行改进,改进后算法收敛速度加快,且更稳定。基于改进后聚类算法提出了一种新型模糊系统建模方法,该方法适用范围较广且便于实现,降低了模糊系统的应用难度。提出了一种新型的模糊系统—混合输入型模糊系统,该系统可以同时输入精确值和模糊语言真值,能满足某些特定需求,且更灵活实用。用Fletcher-Reeves update法和比例共轭梯度法对ANFIS算法进行改进,改进后算法训练速度明显加快。提出了一种便捷的模糊系统在DSP上的实现方法,推动模糊系统在更多领域得到应用。建立了用于加工参数智能选择的混合输入型模糊系统和ANFIS,并将该ANFIS成功移植到DSP上,为实现加工参数的在线智能选择奠定了基础。
二、模糊对向传播神经网络及其应用（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、模糊对向传播神经网络及其应用（论文提纲范文）
（1）基于事故情景划分的山区普通干线公路事故预测和安全隐患挖掘（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通事故影响研究 |
| 1.2.2 交通安全隐患点识别 |
| 1.2.3 交通事故关联规则挖掘研究 |
| 1.2.4 国内外研究述评 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 山区普通干线公路交通事故成因及特性分析 |
| 2.1 交通事故成因分析 |
| 2.1.1 道路特性 |
| 2.1.2 环境特性 |
| 2.2 交通事故特性 |
| 2.2.1 交通事故类型特征 |
| 2.2.2 交通事故时间分布特征 |
| 2.2.3 交通事故空间分布特征 |
| 2.2.4 交通事故形态分布特征 |
| 2.2.5 交通事故人为因素分布特征 |
| 2.2.6 交通事故车辆因素分布特征 |
| 2.3 本章小结 |
| 第三章 山区普通干线公路交通事故时空影响分析 |
| 3.1 事故持续时间的阶段划分 |
| 3.1.1 交通事故发现与响应阶段 |
| 3.1.2 交通事故清除阶段 |
| 3.1.3 交通恢复阶段 |
| 3.2 山区普通干线公路交通事故持续时间 |
| 3.2.1 Van Aerde模型下的交通波方程 |
| 3.2.2 事故持续时间计算 |
| 3.3 事故空间扩散范围的影响因素分析 |
| 3.4 山区普通干线公路交通事故空间影响范围 |
| 3.4.1 高斯烟雨模型 |
| 3.4.2 周围路网影响力Q的标定 |
| 3.4.3 事故影响范围的类椭圆高斯烟雨模型 |
| 3.5 实例分析 |
| 3.6 本章小结 |
| 第四章 山区普通干线公路事故情景划分 |
| 4.1 情景分类指标体系 |
| 4.1.1 事故可能性影响因素分析 |
| 4.1.2 运行严重性影响因素分析 |
| 4.1.3 指标体系的构建 |
| 4.2 指标权重的确定 |
| 4.2.1 指标等级的划分 |
| 4.2.2 事故评价矩阵的建立 |
| 4.2.3 CRITIC法确定指标权重 |
| 4.3 基于秩合比方法的交通事故情景判断矩阵 |
| 4.3.1 秩和比法原理及步骤 |
| 4.3.2 编秩并计算RSR值 |
| 4.3.3 确定RSR分布并计算回归方程 |
| 4.3.4 构建情景划分判断矩阵 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 基于关联规则和贝叶斯网络的交通事故情景预测 |
| 5.1 交通事故情景与风险因素关联规则简介 |
| 5.1.1 交通事故风险关联规则基本概念 |
| 5.1.2 交通事故关联规则筛选标准 |
| 5.2 普通干线公路事故情景与风险因素加权关联规则挖掘 |
| 5.2.1 加权关联规则概述 |
| 5.2.2 加权关联规则评价指标计算 |
| 5.2.3 基于Apriori算法改进的多维多层加权Top-k关联规则挖掘算法 |
| 5.2.4 结果分析 |
| 5.3 基于贝叶斯网络的事故情景预测 |
| 5.3.1 贝叶斯网络基本理论 |
| 5.3.2 贝叶斯网络学习 |
| 5.3.3 贝叶斯网络推理分析 |
| 5.4 本章小结 |
| 第六章 基于网络核密度估计的安全隐患点挖掘 |
| 6.1 核密度估计理论 |
| 6.2 事故情景类别的网络核密度估计 |
| 6.2.1 网络核密度估计基本理论 |
| 6.2.2 事故情景类别指数 |
| 6.2.3 实例分析 |
| 6.3 安全隐患点段分级 |
| 6.3.1 零膨胀负二项回归模型基本理论 |
| 6.3.2 鉴别模型求解及结果可视化分析 |
| 6.4 本章小结 |
| 研究结论与展望 |
| 主要研究结论 |
| 创新点 |
| 研究展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得研究成果 |
| 致谢 |
（2）面向城市交通领域的信息融合关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究思路和方法 |
| 1.4 本文研究内容和章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 1.4.3 创新之处 |
| 第2章 城市交通信息融合相关技术研究 |
| 2.1 交通系统和交通参数 |
| 2.2 城市交通信息采集 |
| 2.2.1 移动式采集方式 |
| 2.2.2 固定式采集方式 |
| 2.2.3 采集样本数量 |
| 2.3 信息融合 |
| 2.3.1 信息融合的定义和原理 |
| 2.3.2 信息融合的层次分类 |
| 2.3.3 常用的信息融合方法 |
| 2.4 面向城市交通领域的信息融合 |
| 2.4.1 信息融合在交通领域的应用 |
| 2.4.2 交通领域信息特点 |
| 2.4.3 面临的问题和挑战 |
| 2.5 本章小结 |
| 第3章 基于KDS-R模型的同属性多源信息融合 |
| 3.1 联合KALMAN滤波 |
| 3.1.1 滤波方式 |
| 3.1.2 结构及算法 |
| 3.2 D-S证据理论 |
| 3.2.1 D-S证据基础理论 |
| 3.2.2 多个证据间的组合 |
| 3.2.3 证据理论应用中的问题 |
| 3.2.4 证据距离和证据权 |
| 3.3 基于KDS-R模型的信息融合 |
| 3.3.1 KDS-R模型及主要步骤 |
| 3.3.2 数据预处理层 |
| 3.3.3 提取BPA |
| 3.3.4 修正BPA |
| 3.3.5 融合算法 |
| 3.3.6 决策分析 |
| 3.4 实验验证 |
| 3.4.1 仿真实验验证 |
| 3.4.2 实测数据验证 |
| 3.5 本章小结 |
| 第4章 基于CANN模型的复杂属性信息融合 |
| 4.1 速度、流量关系分析 |
| 4.2 神经网络概述 |
| 4.2.1 神经网络基础理论 |
| 4.2.2 神经网络训练 |
| 4.2.3 BP神经网络 |
| 4.3 CANN信息融合模型 |
| 4.3.1 创建有效样本 |
| 4.3.2 初始速度-流量数据对 |
| 4.3.3 关联分析 |
| 4.3.4 优化映射关系 |
| 4.3.5 计算BPA |
| 4.3.6 证据融合 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于多源信息融合的交通预测模型的技术研究 |
| 5.1 基于WNN的短时交通流预测 |
| 5.1.1 短时交通流预测需求分析 |
| 5.1.2 交通信息的时空特性匹配 |
| 5.1.3 基于KDS-R模型和CANN模型的交通信息融合 |
| 5.1.4 基于WNN的短时交通流量预测 |
| 5.1.5 实例分析 |
| 5.2 基于信息融合的公交到站时间预测 |
| 5.2.1 公交到站时间预测分析 |
| 5.2.2 基于信息融合的公交到站时间预测模型 |
| 5.2.3 模型预测效果分析 |
| 5.3 本章小结 |
| 第6章 基于信息融合的公交大数据平台设计与实现 |
| 6.1 公交大数据平台的基本概述 |
| 6.2 公交大数据平台体系结构设计 |
| 6.2.1 系统逻辑结构设计 |
| 6.2.2 系统平台软件架构 |
| 6.2.3 数据结构设计 |
| 6.2.4 平台系统页面设计 |
| 6.3 公交到站时间预测模型应用实例 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在学期间所取得的科研成果 |
（3）智慧交通背景下道路交叉口交通流控制模型与算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 交通流预测模型研究现状 |
| 1.3.2 信号灯配时模型研究现状 |
| 1.3.3 车辆定位模型研究现状 |
| 1.3.4 车辆避撞模型研究现状 |
| 1.4 论文研究内容和技术路线 |
| 1.5 小结 |
| 2 基于CNN和SVR的混合深度学习短时交通流预测模型 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积运算 |
| 2.1.2 卷积网路的特点 |
| 2.1.3 池化 |
| 2.2 支持向量回归 |
| 2.3 CNN-SVR组合预测模型的建立 |
| 2.3.1 模型网络结构 |
| 2.3.2 网络模型的构造 |
| 2.4 网络训练算法 |
| 2.5 基于时空特征的输入矩阵 |
| 2.6 实验与分析 |
| 2.6.1 数据描述 |
| 2.6.2 数据的预处理 |
| 2.6.3 模型参数的确定和对比方案 |
| 2.6.4 结果与分析 |
| 2.7 本章小结 |
| 3 基于多目标优化的道路交叉口信号灯配时模型 |
| 3.1 经典信号配时方法 |
| 3.1.1 TRRL方法 |
| 3.1.2 HCM方法 |
| 3.1.3 ARRB方法 |
| 3.2 多目标进化基础 |
| 3.2.1 多目标优化问题 |
| 3.2.2 多目标进化算法 |
| 3.3 道路交叉口信号灯多目标优化模型的建立 |
| 3.3.1 车辆延误时间 |
| 3.3.2 通行能力 |
| 3.3.3 停车次数 |
| 3.4 基于蜻蜓算法的模型求解 |
| 3.4.1 蜻蜓算法 |
| 3.4.2 蜻蜓算法的改进 |
| 3.5 实验与分析 |
| 3.5.1 算法性能的基准函数测试 |
| 3.5.2 交通实验与仿真分析 |
| 3.6 本章小结 |
| 4 基于车路协同的车辆定位算法 |
| 4.1 GPS定位原理 |
| 4.1.1 GPS系统简介 |
| 4.1.2 GPS坐标转换 |
| 4.2 航迹推算定位原理 |
| 4.3 行驶车辆地图匹配定位原理 |
| 4.4 扩展卡尔曼 |
| 4.4.1 标准卡尔曼滤波器 |
| 4.4.2 扩展卡尔曼 |
| 4.5 基于车路协同的车辆定位算法 |
| 4.5.1 基于扩展卡尔曼滤波的GPS/DR信息融合 |
| 4.5.2 基于车路协同的车辆定位算法 |
| 4.6 实验与分析 |
| 4.6.1 数据描述 |
| 4.6.2 结果与分析 |
| 4.7 本章小节 |
| 5 基于最优控制理论的道路交叉路行驶车辆避撞模型 |
| 5.1 车辆避撞基本知识及避撞流程设计 |
| 5.1.1 车辆主动避撞概述 |
| 5.1.2 交叉口车辆避撞过程设计 |
| 5.1.3 车辆冲突区域的预先评估 |
| 5.1.4 相关参数的计算 |
| 5.1.5 车辆危险度评价模型 |
| 5.1.6 避让责任 |
| 5.2 行驶车辆无信号灯交叉路口避撞最优控制模型的建立 |
| 5.2.1 最优控制问题数学描述 |
| 5.2.2 车辆运动数学模型 |
| 5.2.3 边界条件 |
| 5.2.4 性能指标 |
| 5.2.5 约束条件 |
| 5.3 利用遗传算法的求解 |
| 5.3.1 遗传算法的基本流程 |
| 5.3.2 避撞路径编码及初始种群的构造 |
| 5.3.3 适应度函数的选取 |
| 5.3.4 遗传操作 |
| 5.4 仿真与结果分析 |
| 5.4.1 两车交叉冲突态势下的避撞仿真 |
| 5.4.2 两车纵向冲突态势下的仿真 |
| 5.5 本章小节 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 论文展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）质子交换膜燃料电池动态建模与控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 燃料电池测试系统研究现状 |
| 1.3.2 PEMFC模型研究现状 |
| 1.3.3 PEMFC控制方法 |
| 1.4 本文主要研究内容 |
| 第2章 PEMFC数学模型及影响因素分析 |
| 2.1 PEMFC数学模型概述 |
| 2.2 PEMFC数学模型 |
| 2.2.1 电化学模型 |
| 2.2.2 电压动态模型 |
| 2.2.3 质量传递模型 |
| 2.2.4 传热传质模型 |
| 2.3 单片PEMFC影响因素分析 |
| 2.4 本章小结 |
| 第3章 基于SIMULINK的仿真模型建立 |
| 3.1 仿真模型基本假设 |
| 3.2 仿真模型的建立 |
| 3.2.1 能斯特电压 |
| 3.2.2 活化过电压 |
| 3.2.3 欧姆过电压 |
| 3.2.4 浓差过电压 |
| 3.3 仿真结果分析 |
| 3.4 本章小结 |
| 第4章 基于FCP神经网络的温度控制系统设计 |
| 4.1 FCP神经网络模型及算法 |
| 4.1.1 模糊神经网络概述 |
| 4.1.2 FCP神经网络的结构 |
| 4.1.3 FCP神经网络的学习算法 |
| 4.2 PEMFC温度控制方案确定 |
| 4.2.1 电堆温度控制方法介绍 |
| 4.2.2 电堆温度控制方案确定 |
| 4.3 基于FCP神经网络的温度控制系统设计 |
| 4.3.1 控制系统模型 |
| 4.3.2 控制系统算法 |
| 4.4 仿真研究结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（5）基于气敏传感器阵列的信号处理与模式识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 气体传感器阵列检测技术的重要性 |
| 1.1.2 气体传感器阵列检测技术的实用性 |
| 1.2 传感器阵列信号处理和模式识别国内外研究进展及研究现状 |
| 1.2.1 国外研究进展及现状 |
| 1.2.2 国内研究进展及现状 |
| 1.3 本论文的研究内容、意义及创新之处 |
| 1.3.1 研究内容及意义 |
| 1.3.2 创新之处 |
| 第2章 电子鼻模式识别算法应用情况综述 |
| 2.1 多变量统计分类识别方法 |
| 2.1.1 主分量分析（PCA） |
| 2.1.2 独立分量分析法（ICA） |
| 2.1.3 最小二乘法（PLS） |
| 2.1.4 Fisher 分类方法 |
| 2.1.5 线性判别函数法（LDA） |
| 2.1.6 聚类分析法（CA） |
| 2.1.7 K 均值法 |
| 2.1.8 判别分析法（DA） |
| 2.2 人工神经网络技术分类识别方法 |
| 2.2.1 多层感知器（MLP）神经网络 |
| 2.2.2 误差回传神经网络（BP） |
| 2.2.3 自组织映射神经网络（SOM） |
| 2.2.4 径向基函数神经网络（RBF） |
| 2.2.5 支持向量机神经网络（SVM） |
| 2.2.6 概率神经网络（PNN） |
| 2.2.7 自适应共振理论神经网络（ART） |
| 2.2.8 学习向量量化神经网络（LVQ） |
| 2.2.9 广义回归神经网络（GRNN） |
| 2.2.10 模糊神经网络（FNN） |
| 2.2.11 混沌神经网络（K 系列模型神经网络） |
| 2.2.12 小脑模型关节控制器神经网络（CMACNN） |
| 2.2.13 时延神经网络（TDNN） |
| 2.2.14 海明神经网络、对向传播神经网络及双向联想记忆神经网络 |
| 2.2.15 脉冲神经网络（SNN） |
| 2.3 遗传算法GA |
| 2.4 混合型模式识别算法 |
| 2.5 本章小结 |
| 第3章 信号处理方法研究 |
| 3.1 传感器阵列信号处理方法 |
| 3.1.1 传感器阵列响应数据的产生 |
| 3.1.2 数据预处理 |
| 3.1.3 特征提取 |
| 3.1.4 特征选择 |
| 3.2 本文提出的改良信号处理方法 |
| 3.2.1 信号改良的思路 |
| 3.2.2 传感器的响应数据 |
| 3.2.3 传感器响应数据的截断处理 |
| 3.2.4 滤波器逼近算法仿真 |
| 3.3 本章小结 |
| 第4章 模式识别算法研究 |
| 4.1 统计模式识别算法 |
| 4.1.1 主成分分析法（PCA） |
| 4.1.2 独立成分分析法(ICA) |
| 4.1.3 最小二乘法(LS) |
| 4.2 神经网络识别算法 |
| 4.2.1 神经网络理论基础 |
| 4.2.2 BP 神经网络模式识别算法 |
| 4.2.3 RBF 神经网络模式识别算法 |
| 4.2.4 自组织特征神经网络模式（SOM）识别算法 |
| 4.3 混合模式识别算法 |
| 4.4 本论文研究采用的模式识别算法 |
| 4.4.1 设计思路 |
| 4.4.2 最优特征向量的确定 |
| 4.4.3 模式识别算法步骤 |
| 4.4.4 模式识别算法的仿真 |
| 4.5 本章小结 |
| 第5章 总结及展望 |
| 5.1 工作总结 |
| 5.2 研究结论 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 详细摘要 |
（6）基于神经网络的液压动力系统多源诊断信息融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 液压系统故障诊断技术研究现状与发展趋势 |
| 1.2.1 液压系统故障诊断技术研究现状 |
| 1.2.2 液压系统故障诊断技术发展趋势 |
| 1.3 多源诊断信息融合方法的研究意义及国内外研究现状 |
| 1.3.1 信息融合技术的发展概况 |
| 1.3.2 在液压动力系统故障诊断中引入多源诊断信息融合技术的意义 |
| 1.3.3 多源诊断信息融合的层次结构及算法 |
| 1.4 课题来源、论文主要研究内容及创新点 |
| 2 多源诊断信息获取与分析实验系统研究与运用 |
| 2.1 引言 |
| 2.2 多源诊断信息获取与分析实验系统简介 |
| 2.3 多源诊断信息获取实验系统研制与分析 |
| 2.3.1 多源诊断信息获取实验系统的工作原理 |
| 2.3.2 多源诊断信息获取实验系统的特点 |
| 2.4 多源诊断信息测试与分析实验系统介绍及应用 |
| 2.4.1 多源诊断信息测试与分析实验系统整体介绍 |
| 2.4.2 在线测试模块实验仪器及其说明 |
| 2.4.3 CRAS数据采集模块的分析与应用 |
| 2.4.4 测试信号分析与处理模块的分析与应用 |
| 2.5 实验系统应用实例 |
| 2.5.1 溢流阀结构及原理 |
| 2.5.2 溢流阀的性能介绍 |
| 2.5.3 溢流阀特性实验条件 |
| 2.5.4 实验结果及其分析 |
| 2.6 本章小结 |
| 3 多源信息监测技术在液压系统中的应用研究 |
| 3.1 引言 |
| 3.2 液压系统运行状态的多源信息监测模型 |
| 3.3 多源信息监测技术在液压系统中的应用 |
| 3.3.1 电流传感器监测信息在液压系统中的应用 |
| 3.3.2 压力传感器监测信息在液压系统中的应用 |
| 3.4 应变监测技术在液压系统中的应用 |
| 3.4.1 管路应变片的粘贴方式及组桥 |
| 3.4.2 管路应变片布置 |
| 3.4.3 管路几何形状变化引起的压力损失分析 |
| 3.4.4 压力信号检测桥路选择分析 |
| 3.4.5 应变监测信号选择分析 |
| 3.5 多源信息监测技术中存在的问题 |
| 3.5.1 多源信息监测系统的静态标定问题 |
| 3.5.2 多源信息监测系统的误差分析问题 |
| 3.5.3 多源信息监测系统的动态特性问题 |
| 3.6 本章小结 |
| 4 基于对向传播神经网络的液压动力系统故障分类方法研究 |
| 4.1 引言 |
| 4.2 CPN神经网络结构及其算法 |
| 4.2.1 CPN神经网络结构 |
| 4.2.2 CPN神经网络的运行过程 |
| 4.2.3 CPN神经网络的学习过程 |
| 4.3 实验研究 |
| 4.3.1 实验系统及条件 |
| 4.3.2 实验设计 |
| 4.4 电流信号的分析和特征提取 |
| 4.4.1 频域分析方法及频域特征参数 |
| 4.4.2 液压动力系统电流信号频域特征提取 |
| 4.5 基于对向传播网络的液压动力系统故障分类 |
| 4.5.1 网络分类器设计及其训练结果 |
| 4.5.2 网络分类性能分析 |
| 4.6 本章小结 |
| 5 基于模糊CPN神经网络的多源诊断信息融合方法研究 |
| 5.1 引言 |
| 5.2 模糊理论和神经网络在多源信息融合应用中的特点 |
| 5.3 基于模糊CPN神经网络的多源诊断信息融合方法介绍 |
| 5.3.1 模糊CPN神经网络多源诊断信息融合原理 |
| 5.3.2 多源诊断信息特征参数的分析与计算 |
| 5.3.3 模糊隶属度函数的确定 |
| 5.3.4 CPN神经网络多源诊断信息融合算法 |
| 5.3.5 故障决策原则 |
| 5.3.6 模糊理论与神经网络结合应用于多源诊断信息融合的一般方法 |
| 5.4 基于模糊CPN的特征级多源信息融合故障诊断策略 |
| 5.4.1 基于模糊CPN的特征级多源信息融合故障诊断模型 |
| 5.4.2 液压系统故障诊断特征参数分析及选择 |
| 5.4.3 液压系统特征级多源信息融合方案设计 |
| 5.5 液压系统多源信息融合故障诊断实例 |
| 5.5.1 设置工作状态类型 |
| 5.5.2 数据样本 |
| 5.5.3 诊断实例 |
| 5.5.4 诊断结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于客户价值的客户分类模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 概论 |
| 1.1 问题的提出 |
| 1.2 研究目的与意义 |
| 1.3 CRM 及客户分类研究综述 |
| 1.4 本文研究的主要内容与研究方法 |
| 1.5 本章小结 |
| 2 客户价值分析及评价体系 |
| 2.1 客户价值理论 |
| 2.2 基于客户价值的分类 |
| 2.3 客户价值理论研究评述 |
| 2.4 客户价值评价体系 |
| 2.5 本章小结 |
| 3 RFM 客户分类的指标及方法 |
| 3.1 基于RFM 的客户分析 |
| 3.2 基于RFM 的客户分类 |
| 3.3 基于RFM 的评价模型建立 |
| 3.4 本章小结 |
| 4 基于交叉销售能力的客户分类模型 |
| 4.1 关于交叉销售 |
| 4.2 基于第一种理解的交叉销售模型 |
| 4.3 基于第二种理解的交叉销售模型 |
| 4.4 客户交叉销售能力数值模型 |
| 4.5 基于RFM 及客户交叉销售能力的客户分类 |
| 4.6 本章小结 |
| 5 客户忠诚度分析模型 |
| 5.1 客户忠诚度的概念及内涵 |
| 5.2 分析客户忠诚度的方法及模型 |
| 5.3 建立客户忠诚度的方法及模型 |
| 5.4 本章小结 |
| 6 基于客户价值的客户评价与分类 |
| 6.1 基于客户价值的客户类别分析 |
| 6.2 基于RFM、交叉销售与客户忠诚度的客户价值排序 |
| 6.3 本章小结 |
| 7 全文总结与研究展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间发表论文 |
（8）渤海水域海事预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 水域环境 |
| 1.1.2 国内外预警研究取得良好效果 |
| 1.2 研究的意义 |
| 1.3 本文研究的主要内容及方法 |
| 1.3.1 本文研究的主要内容 |
| 1.3.2 本文的研究方法 |
| 1.4 小结 |
| 第2章 预警理论综述及海事预警理论界定 |
| 2.1 预警理论综述 |
| 2.1.1 预警的含义 |
| 2.1.2 预警各要素的含义 |
| 2.2 国内主要领域预警研究现状 |
| 2.2.1 科技安全方面预警研究 |
| 2.2.2 经济方面预警研究 |
| 2.2.3 企业财务方面预警研究 |
| 2.2.4 民航方面预警研究 |
| 2.2.5 环境安全方面预警研究 |
| 2.2.6 地震、海啸方面预警研究 |
| 2.3 主要的预警研究方法 |
| 2.3.1 预警的数学理论 |
| 2.3.2 主要预警研究方法 |
| 2.4 海事预警理论界定 |
| 2.4.1 海事的含义 |
| 2.4.2 海事预警 |
| 2.5 小结 |
| 第3章 海事预警警源分析 |
| 3.1 自然环境方面 |
| 3.1.1 风 |
| 3.1.2 浪 |
| 3.1.3 能见度 |
| 3.1.4 水域地理环境 |
| 3.2 船舶方面 |
| 3.2.1 船舶类型 |
| 3.2.2 船舶结构 |
| 3.2.3 船舶设备 |
| 3.2.4 船龄 |
| 3.2.5 船舶大小 |
| 3.2.6 航海图书资料 |
| 3.3 人员方面 |
| 3.3.1 船长的水平 |
| 3.3.2 高级船员水平 |
| 3.3.3 船员总体语言水平 |
| 3.3.4 船员学历、专业技能 |
| 3.3.5 船员平均海龄 |
| 3.4 安全管理方面 |
| 3.4.1 安全管理规章制度 |
| 3.4.2 安全教育管理 |
| 3.5 社会政治环境方面 |
| 3.6 小结 |
| 第4章 警素—海事预警的指标体系的建立 |
| 4.1 指标体系的建立原则 |
| 4.2 指标体系的建立 |
| 4.2.1 海事预警指标体系的构建 |
| 4.2.2 海事预警指标性质分析 |
| 4.3 海事预警指标的处理 |
| 4.3.1 定量指标的处理 |
| 4.3.2 定性指标的处理 |
| 4.4 小结 |
| 第5章 海事预警的警级的设定 |
| 5.1 现有海事等级分级方法和标准 |
| 5.1.1 国际上对海事等级的分级方法和标准 |
| 5.1.2 我国对海事等级的分级方法和标准 |
| 5.2 我国部分领域预警警级的划分 |
| 5.2.1 我国突发气象灾害预警警级的划分 |
| 5.2.2 我国产品质量安全突发事件预警警级的划分 |
| 5.3 海事预警警级的划分与设定 |
| 5.3.1 海事预警警级的级数的设定 |
| 5.3.2 常用的预警警级的判定方法 |
| 5.3.3 海事预警警级的设定 |
| 5.4 小结 |
| 第6章 基于对向传播网络(CPN)的海事预警模型 |
| 6.1 对向传播网络(CPN)概述 |
| 6.1.1 CPN简介 |
| 6.1.2 CPN学习及工作规则 |
| 6.1.3 CPN回想(测试) |
| 6.2 预警指标的预处理 |
| 6.2.1 定量指标的预处理 |
| 6.2.2 定性指标的预处理 |
| 6.3 基于对向传播网络(CPN)的海事预警模型的建立 |
| 6.3.1 基于对向传播网络(CPN)的海事预警模型的建立 |
| 6.3.2 基于对向传播网络(CPN)的海事预警模型的工作模式 |
| 6.3.3 基于对向传播网络(CPN)的海事预警模型的MATLAB仿真 |
| 6.4 以客滚船为例的验证分析 |
| 6.4.1 客滚船航行数据的收集整理 |
| 6.4.2 客滚船CPN预警模型的学习与仿真 |
| 6.4.3 客滚船CPN预警模型的回想(测试) |
| 6.5 小结 |
| 结论 |
| 参考文献 |
| 附录1 CPN网络模型的MATLAB仿真程序 |
| 附录2 客滚船CPN预警模型的MATLAB仿真程序 |
| 攻读学位期间公开发表论文 |
| 致谢 |
| 研究生履历 |
（9）某武器随动系统智能控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的来源及背景 |
| 1.2 火炮火控系统概述 |
| 1.3 自动控制的发展及其在随动系统中的应用 |
| 1.4 本论文的主要研究内容 |
| 1.4.1 对系统建模 |
| 1.4.2 火控计算机与随动控制单元的数据通信 |
| 1.4.3 控制器的设计 |
| 1.4.4 程序的设计与数据分析 |
| 2 随动模拟调试台的硬件设计 |
| 2.1 模拟实验台硬件组成 |
| 2.2 模拟实验台硬件工作原理 |
| 2.3 模拟实验台主要硬件介绍 |
| 2.3.1 控制计算机 |
| 2.3.2 数据采集部分 |
| 2.3.3 模拟负载 |
| 2.3.4 信号调整电路 |
| 3 火控计算机与随动控制单元数据通信的实现 |
| 3.1 现场总线与CAN总线概述 |
| 3.1.1 现场总线概述 |
| 3.1.2 CAN总线技术 |
| 3.2 微控制器TMS320F2812(DSP)简介 |
| 3.2.1 DSP芯片的发展 |
| 3.2.2 DSP芯片的基本结构 |
| 3.2.3 DSP芯片的选择依据 |
| 3.2.4 TMS320F2812处理器功能 |
| 3.2.5 DSP作为数字控制系统核心的特点 |
| 3.3 本设计中主要器件的选择 |
| 3.3.1 随动系统控制单元 |
| 3.3.2 火控计算机部分 |
| 3.4 通信程序设计 |
| 3.4.1 CAN应用层协议 |
| 3.4.2 火控计算机(上位机)程序设计 |
| 3.4.3 随动控制计算机(下位机)程序设计 |
| 3.4.4 程序设计中,注意的几个问题 |
| 4 一类模糊神经网络自适应控制系统 |
| 4.1 神经网络理论基础 |
| 4.1.1 神经元模型 |
| 4.1.2 神经网络的结构 |
| 4.1.3 神经网络的学习 |
| 4.1.4 BP神经网络 |
| 4.1.5 神经网络控制系统研究现状 |
| 4.2 模糊控制理论基础 |
| 4.3 基于模糊神经网络的系统辨识器设计 |
| 4.3.1 标准对向神经网络 |
| 4.3.2 模糊对向传播神经网络 |
| 4.3.3 神经网络训练集的选择 |
| 4.3.4 模糊对向传播神经网络辨识器 |
| 4.3.5 系统辨识 |
| 4.5 基于模糊神经网络自适应控制器的设计 |
| 4.5.1 控制器的结构和工作原理 |
| 4.5.2 基于神经网络的控制器 |
| 5 系统仿真研究 |
| 6 台架实验结果及数据分析 |
| 6.1 阶跃响应 |
| 6.2 等速信号响应 |
| 6.3 正弦信号响应 |
| 6.4 在实际系统中三种信号响应误差曲线图 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
（10）模糊系统和ANFIS的改进及其在加工参数智能选择中的应用研究（论文提纲范文）
| 提要 |
| 第一章 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.2 模糊系统、ANFIS 和DSP 技术的发展和应用 |
| 1.2.1 模糊系统的发展和应用 |
| 1.2.2 模糊系统和神经网络结合技术的发展和应用 |
| 1.2.3 DSP 的发展和应用 |
| 1.3 本文的主要研究内容 |
| 第二章 模糊系统和ANFIS 基本理论 |
| 2.1 模糊逻辑基础 |
| 2.1.1 模糊集合 |
| 2.1.2 模糊集合运算的基本性质 |
| 2.1.3 隶属度函数 |
| 2.1.4 模糊集合相关的概念和定理 |
| 2.1.5 模糊关系及其合成 |
| 2.2 模糊推理规则 |
| 2.2.1 模糊语言变量 |
| 2.2.2 模糊蕴含关系 |
| 2.2.3 模糊逻辑推理 |
| 2.3 模糊推理系统分类与组成 |
| 2.3.1 纯模糊逻辑系统 |
| 2.3.2 高木－关野型模糊逻辑系统 |
| 2.3.3 Mamdani 型模糊逻辑系统 |
| 2.4 自适应模糊神经推理系统原理 |
| 2.4.1 自适应网络结构与训练算法 |
| 2.4.2 自适应模糊神经推理系统 |
| 2.4.3 BP 算法的各种改进方法 |
| 2.5 模糊聚类 |
| 2.5.1 普通聚类分析 |
| 2.5.2 模糊聚类分析 |
| 2.5.3 常用聚类算法 |
| 2.6 本章小结 |
| 第三章 基于改进型模糊聚类的模糊系统建模方法研究 |
| 3.1 模糊聚类算法的改进 |
| 3.1.1 改进型聚类算法的提出 |
| 3.1.2 改进型聚类算法的实现 |
| 3.1.3 改进前后算法聚类结果比较 |
| 3.2 基于改进型模糊聚类的模糊系统建模 |
| 3.2.1 模糊系统建模新方法的提出 |
| 3.2.2 拟合方法及其在MATLAB 中的实现 |
| 3.3 本文提出的模糊系统建模方法的验证 |
| 3.3.1 水箱水位控制系统模型 |
| 3.3.2 输入/输出样本集的获取 |
| 3.3.3 水位控制模糊系统建模 |
| 3.3.4 控制性能比较与结论 |
| 3.4 本章小结 |
| 第四章 基于混合输入型模糊系统的加工参数智能选择 |
| 4.1 用于加工参数智能选择的系统模型 |
| 4.2 实验数据的获取 |
| 4.2.1 实验的目的与方案 |
| 4.2.2 实验装置与实验流程 |
| 4.2.3 实验数据及其分析 |
| 4.3 混合输入型模糊系统的构建 |
| 4.3.1 混合输入型模糊系统的提出 |
| 4.3.2 转换器的实现方法 |
| 4.3.3 用GUIDE 设计GUI |
| 4.4 用于加工参数智能选择的模糊系统 |
| 4.4.1 输入/输出空间分割与隶属度函数的确定 |
| 4.4.2 模糊规则库的建立与模糊运算方法选择 |
| 4.4.3 图形用户界面设计与系统验证 |
| 4.5 本章小结 |
| 第五章 自适应模糊神经推理系统的改进和应用研究 |
| 5.1 自适应模糊神经推理系统的改进 |
| 5.1.1 ANFIS 改进算法的提出 |
| 5.1.2 用Fletcher-Reeves Update 法改进ANFIS |
| 5.1.3 用比例共轭梯度法改进ANFIS |
| 5.2 改进算法的验证与比较 |
| 5.2.1 用于混沌时间序列预报 |
| 5.2.2 用于逼近非线性函数 |
| 5.3 改进后的ANFIS 用于加工参数智能选择 |
| 5.4 本章小结 |
| 第六章 模糊系统和ANFIS 在DSP 上的实现和优化 |
| 6.1 模糊系统在DSP 上的实现 |
| 6.2 ANFIS 在DSP 上的实现 |
| 6.3 代码优化 |
| 6.4 本章小结 |
| 第七章 结论 |
| 附录 IRIS 数据集 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
| 致谢 |
| 摘要 |
| Abstract |
四、模糊对向传播神经网络及其应用（论文参考文献）
- [1]基于事故情景划分的山区普通干线公路事故预测和安全隐患挖掘[D]. 杨帆. 长安大学, 2021(02)
- [2]面向城市交通领域的信息融合关键技术研究[D]. 蔡雪松. 华东师范大学, 2019(02)
- [3]智慧交通背景下道路交叉口交通流控制模型与算法研究[D]. 罗文慧. 北京交通大学, 2019(01)
- [4]质子交换膜燃料电池动态建模与控制研究[D]. 吴昆. 武汉理工大学, 2011(09)
- [5]基于气敏传感器阵列的信号处理与模式识别算法研究[D]. 王朱珍. 杭州电子科技大学, 2009(02)
- [6]基于神经网络的液压动力系统多源诊断信息融合方法研究[D]. 李敏哲. 西安建筑科技大学, 2008(09)
- [7]基于客户价值的客户分类模型研究[D]. 刘朝华. 华中科技大学, 2008(12)
- [8]渤海水域海事预警研究[D]. 史光宝. 大连海事大学, 2008(06)
- [9]某武器随动系统智能控制研究[D]. 李俊武. 南京理工大学, 2007(01)
- [10]模糊系统和ANFIS的改进及其在加工参数智能选择中的应用研究[D]. 武星星. 吉林大学, 2007(03)