一、多维非线性时间序列的投影寻踪学习逼近（论文文献综述）
余涛[1]（2021）在《基于投影寻踪的高速公路短时交通流预测方法研究》文中认为高速公路短时交通流预测一方面能为出行者提供实时交通信息,避免出行的盲目性,另一方面可以为交通管理部门提供决策和管理依据。但由于短时交通流具有很强的随机性和非线性,且影响因素较多,对其进行准确预测难度较大。投影寻踪（Projection Pursuit,PP）是处理和分析高维数据的一类新兴的统计方法,目前广泛应用于水文、农业等领域,具有良好的预测效果。为此,本文以高速公路联网收费数据为基础,探讨基于投影寻踪的短时交通流预测问题,然后以交通量和行程时间两个参数为研究对象,验证所提方法的适用性和准确性。具体而言,本文的主要研究工作如下:（1）介绍了投影寻踪的概念和基本特征,阐述了基于遗传算法来寻找最佳投影方向的建模步骤;同时介绍了BP神经网络模型的基本结构和建模过程,以及将BP神经网络模型与投影寻踪回归模型进行组合的可能性。（2）针对高速公路联网收费数据本身带有的缺陷性,阐述了相关的数据预处理方法。对于冗余数据,直接进行删除操作;对于缺失数据,分别以断面流量关键字段和行程时间关键字段为出发点进行识别和处理,采用历史平均法和K近邻方法对缺失值进行补充;对于行程时间的噪声数据,以偏离样本均值u的两倍标准差??为判断依据删除噪声值。（3）提出了基于投影寻踪回归（PPR）的交通量和行程时间短时预测模型,并通过灰色关联分析法选择预测影响因子。在实例分析中,对比分析了历史平均模型、BP神经网络模型和PPR模型的预测效果。通过实验发现,PPR模型能较好地拟合出短时交通量和行程时间变化曲线:在短时交通量预测上,其平均绝对百分比误差MPAE相较于历史平均模型和BP神经网络模型分别减少了16.17%和5.76%;在短时行程时间预测上,MAPE分别减少了3.29%和0.83%,验证了本文所提方法的有效性。（4）提出了基于神经网络投影寻踪耦合（BPPP）的交通量和行程时间短时预测模型。通过实验发现,BPPP模型能一定程度地提高预测准确度:在短时交通量预测上,MAPE相较于PPR模型和BP神经网络模型分别减少了1.80%和7.56%;在短时行程时间预测上,MAPE分别减少了0.26%和1.37%,验证了模型耦合的有效性。通过以上分析,验证了投影寻踪方法在高速公路交通量和行程时间短时预测上的可行性、准确性,该方法可以作为现有预测方法的有益补充,拓展研究思路。
程扬[2]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中提出磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
周丽慧[3]（2020）在《灌溉用水效率约束下灌区水资源优化配置及其决策支持系统研究》文中认为三江平原位于黑龙江省东部,该区域土质肥沃,气候适宜,光照条件好,雨热同季,污染少,适于农作物生长,农业生产增产的潜力巨大。主要种植作物有水稻、玉米和大豆,是中国最主要的粮食产区。但是经过多年的高强度开发种植,当地为了增加粮食产量大量抽取地下水,造成了局部地区出现了地下水位持续下降的现象。此种背景下,如何科学管理灌区灌溉用水已经成为保障区域粮食安全与生态安全的迫切需求。本文选取位于三江平原上的梧桐河灌区、锦西灌区、松江灌区、友谊农场灌区（本文简称友谊灌区）、幸福灌区、蛤蟆通灌区、江川灌区、八五三灌区、大兴灌区、龙头桥灌区等10个典型灌区作为研究对象。在文中构建灌区灌溉水利用效率评价指标体系,采用三种数学评价模型对灌区灌溉水利用效率进行评价,运用指标权重和情景分析对灌区灌溉水利用效率驱动力进行解析,并应用预测模型及评价模型预测其未来发展态势,优化配置研究区域灌溉用水结构,研发灌区水资源优化配置决策支持系统,具体研究结果如下:（1）合理选择灌溉水利用效率评价指标是有效使用指标的前提,而制订科学严谨的指标选择方案又是解决评价指标选择难题的关键。为了使评价灌区灌溉水利用效率的指标更加全面和科学,本文构建了一种新的评价指标的优选模型,将驱动力-压力-状态-影响-响应模型（DPSIR模型）与基于信息显着性差异的评价指标优选模型（ISD模型）相结合,构建了一种新颖的DPSIR-ISD评价指标优选组合模型。将初选指标选择约束在DPSIR框架内,减少了指标初选集建立过程中的主观因素干扰,使指标体系更加科学合理。结合研究区域实际情况,首先将50个初筛指标中的6个信息重复和不完善的指标剔除,再利用DPSIR-ISD模型将评价指标数量由44个优选至14个,即用31.82%的指标数量反映了91.88%的原始信息。将DPSIR-ISD法与SC-ISD法和ISD法对比分析,结果显示本文提出的DPSIR-ISD法兼顾了指标体系的完备性与简洁性,且更契合研究区域实际情况,在指标优选中具有明显优势。研究成果可为灌区灌溉水利用效率评价指标研究提供一种更加简单便于应用的指标优选体系。（2）灌区灌溉水利用效率评价在灌区灌溉用水监测、提高灌溉水利用效率和工程管理与决策中发挥着重要作用。采用基于萤火虫算法的投影寻踪模型（FA-PP模型）、基于熵权法的逼近理想解排序模型（EWM-TOPSIS模型）和基于CRITIC法的逼近理想解排序模型（CRITIC-TOPSIS模型）三种评价模型对研究区域10个典型灌区灌溉用水效率进行评价,评价结果显示灌区灌溉用水效率综合指数由高到低排序为:梧桐河>江川>锦西>松江>幸福>八五三>大兴>蛤蟆通>龙头桥>友谊,而对评价模型在可靠性和稳定性两方面综合分析对比之后发现,EWM-TOPSIS模型优于FA-PP模型和CRITIC-TOPSIS模型。（3）利用评价模型得出的评价指标投影方向和指标权重,根据序号总和理论分析出灌区灌溉水利用效率主要驱动因子,并运用情景分析方法对灌区灌溉用水效率驱动机制进行解析。以梧桐河灌区作为典型灌区,应用ARIMA预测模型对其各评价指标数值进行预测,并将评价指标自2000年至2028年的时间序列通过EWM-TOPSIS模型进行评价,以此预测其灌区灌溉用水效率未来发展态势。结果表明,评价指标R3（单位面积水利工程投资额）、R5（单位面积固定职工人数）、R4（水费征收率）、P2（耕地面积占比）、S1（人均水资源量）、D5（单位面积机电井数量）、I8（单位面积灌溉用水量）、S9（地下水水质等级）、S2（林草覆盖率）为灌区灌溉用水效率主要驱动因子。灌区灌溉用水效率是一个综合性评价结果,各评价指标驱动力虽有不同,但是单一指标的驱动力并不突出。梧桐河灌区灌溉用水效率未来发展趋势积极向好,至2028年,梧桐河灌区的灌溉用水效率综合指数与2000年相比,提高64%,与2018年相比,提高11%。（4）基于最小二乘算法,构造了在灌溉用水效率约束下的灌溉用水优化配置模型,对研究灌区灌溉水资源进行了地表水资源和地下水资源的优化配置,优化当地的灌溉用水结构。优化结果显示,预测2025年、2030年三江平原各典型灌区灌溉水资源量分别按照在基准年2013年增加60%和70%的基础上,锦西灌区、松江灌区、友谊灌区、江川灌区、八五三灌区和大兴灌区的地下水灌溉用水量按照基准年均有大幅度下降,能够达到回补平衡地下水的目的,使用水结构更为合理。以2013年为基准年,加入灌溉用水效率约束系数之后,地下水灌溉总量减少8.72%,降幅明显,可以极大的缓解当地的地下水超采情况.（5）研发灌溉用水效率约束下的灌区灌溉用水优化配置决策支持系统。本系统操作界面设计简洁,功能显示清晰,具有很强的人机交互能力。系统采用模块化设计,分为灌区灌溉用水效率评价模块和灌区灌溉用水优化配置模块两部分,模块功能独立设计,用户可以根据各灌区的实际情况制订和修改相关参数。
杨沁瑜[4]（2020）在《渭河流域中长期径流预报研究》文中指出由于气候、下垫面、人类活动等一系列因素的影响,径流序列往往具有随机性、偏态性及非线性等特征,及时准确的径流预报对水资源配置管理、水库调度决策等工作具有十分重要的实际意义与应用价值。渭河是黄河第一大支流,渭河流域以占陕西省18%的水资源量支撑着省内56%的耕地、72%的灌溉面积以及75%的国民生产总值,中长期径流预报可为渭河流域水资源开发利用、水利工程防洪、抗旱、发电等提供科学决策依据。因此本文考虑径流序列的变化特性,选用渭河流域林家村、魏家堡、咸阳、华县、张家山和状头6个控制性水文站月径流资料,结合Box-Cox变换（BC）、Min-Max标准化（MM）和小波分析（WD）3种径流序列处理方法,灰色关联分析（Gray）和Lasso回归2种预报因子筛选方法以及BP神经网络、投影寻踪回归和支持向量回归3种模型,建立了24种月径流预报组合模型,进行中长期径流预报研究,根据3个预报误差指标对模型进行综合评价与优选,取得以下主要结果:（1）构建BC-Lasso、BC-Gray、MM-Lasso和MM-Gray预报因子筛选方法,对于相同的径流预报模型,由6个水文站在验证期的各项评价指标可以看出,4种方法的综合预报效果由优到劣的排序为BC-Lasso>BC-Gray>MM-Lasso>MM-Gray,研究结果表明,采用Box-Cox变换对数据做正态化处理以及采用Lasso回归优选预报因子集能有效提高模型的预报效果。（2）构建基于小波分析的WD-BC-Lasso、WD-BC-Gray、WD-MM-Lasso和WD-MM-Gray预报因子筛选方法,其综合预报效果由优到劣的排序为WD-BC-Lasso>WD-BC-Gray>WD-MM-Lasso>WD-MM-Gray,基于小波分析预处理技术的筛选方法优于未进行小波分解处理的筛选方法,研究结果表明,采用小波分析对数据进行分解重构提高了模型的预报效果。（3）构建BP神经网络模型、投影寻踪回归模型和支持向量回归模型,对于相同的径流序列处理及预报因子选择方法,由6个水文站在验证期的各项评价指标可以看出,3个模型的综合预报效果由优到劣的排序为SVR>BP>PPR,研究结果表明,支持向量回归模型能够很好地实现有限样本下的全局最优解,具有良好的泛化能力。对于6个水文站的24种预报组合模型,虽然不同水文站点满足预报要求的模型及数量并不相同,但是综合对比下,基于小波分解、Box-Cox变换处理径流序列和Lasso回归筛选预报因子的支持向量回归（WD-BC-LSVR）模型在渭河流域月径流预报中表现出了良好的预报精度和稳定性,在验证期,6个水文站的MRE均小于17%,R大于0.97,Ens大于0.93,表明WD-BC-LSVR模型模拟效果优于其他模型,具有明显的优势,其中,林家村、魏家堡、咸阳、华县和张家山5站优选模型为WD-BC-LSVR模型,状头站虽未优选该模型,但其预报效果仍能满足要求,综上,WD-BC-LSVR模型为24种预报组合模型中的最优模型,可用于渭河流域月径流预报。
秦琴[5]（2019）在《突发自然灾害网络舆情风险评价研究》文中进行了进一步梳理近年来,随着我国网民普及率的不断升高,当突发自然灾害事件发生时,往往能在网络上引发人们的大量关注以及讨论,由此引发的网络舆情往往具有一定的风险,如何合理、及时地监测到舆情和正确认识舆情风险是亟待解决的新问题。本文研究的核心点在于突发自然灾害事件情境下,尝试构建出舆情风险监测指标体系,评价事件导致的网络舆情风险大小轻重程度,并对不同风险程度的舆情给予相应的解决方案。本文以近三年发生的突发自然灾害事件为背景,聚焦进行了以下研究:（1）研究突发自然灾害网络舆情风险监测体系。针对突发灾害不确定性和网络舆情蔓延速度快的特点,首先研究的问题是突发灾害网络舆情风险监测体系中指标的选取。以突发灾害为整体研究的切入点,梳理突发灾害发生过后在网络中引发网络舆情的过程中可能存在并转化为舆情风险的影响要素,根据影响因素建立风险监测指标体系。为后续突发灾害网络舆情风险评价的开展提供分析依据。此部分将重点解决两个问题:第一,突发灾害网络舆情风险监测指标选取。在突发灾害事件的发展演化过程中,表征突发事件网络舆情风险的特征间存在着错综复杂的联系,并反映着突发灾害网络舆情风险扩散的态势。研究将突发灾害理论和舆情信息传播理论相结合并作为理论基础,综合使用德尔菲法、主成分分析及相关性分析,将其运用于突发灾害网络舆情风险监测体系的构建中,探寻舆情风险监测的构建原理及各分类指标的划分依据,并围绕每一维度指标特点,提出多层次的指标说明,并结合实际情况对指标的衡量机制进行了解释,最终初步建立了突发灾害网络舆情风险监测指标。第二,突发灾害网络舆情风险监测指标优化选择。监测指标体系建立后,依次采用德尔菲法、主成分分析法和相关性分析法进行指标筛选,之后采用熵权法进行赋权处理。德尔菲法可初步保证所选指标的可靠性,主成分分析法采取降维思想,识别出影响程度大的指标,相关性分析则可降低指标体系的冗余度,保证指标的客观性。经过多种方法对初始指标进行层层筛选,最终构建出一个由16项末级指标构成的指标体系。（2）研究突发灾害网络舆情风险评价模型。为提高突发灾害网络舆情处置应对效率、进一步降低舆情次生负面影响,需根据突发灾害网络舆情风险特征、传播规律和应对目标等,将突发自然灾害网络舆情风险监测指标体系作为风险评价的指标依据。参考优选后的突发灾害网络舆情风险监测指标体系,结合实际突发灾害情景信息,确定影响突发灾害网络舆情风险的因素集,集合历史典型案例,通过投影寻踪和加速遗传算法,利用降维思想,将影响灾害网络舆情风险判定的多个指标因素（高维数据）通过映射投影到一维空间,从而建立突发灾害网络舆情风险评价模型,即经遗传算法优化的投影寻踪耦合评价模型,该模型首次应用于舆情评价领域,丰富了舆情评价方法库。通过对突发灾害网络舆情风险爆发情况的判定,模拟提取表征不同的突发灾害网络舆情信息,构建灾害舆情评估模型,并以此为依据按照一定的原则,划分突发灾害网络舆情风险等级,提出针对各风险等级的应对措施。将突发灾害网络舆情风险等级细化为四个等级,最大限度地反映突发灾害网络舆情风险变化走势。舆情风险等级的划分有利于舆情风险评价在实际生活中的应用,使得风险评价得到更直观的呈现,对本文舆情风险评价起到辅助作用,此外,它还具有两方面的优点,一方面为政府相关部门有针对性、有计划性开展突发灾害网络舆情后续应对工作提供现实依据和智力支持,减少社会次生危害发生的可能性;另一方面根据突发灾害网络舆情风险评价体系反过来从源头开展网络舆情预警监测工作,降低类似突发灾害或者突发事件再次发生的概率。（3）研究舆情风险应对策略。基于舆情风险的评价结果,舆情风险被划分为四个等级,每个等级的舆情风险危害程度各不相同,所采取的应对方案因等级而异。因此从舆情风险等级方面考量,分别从政府部门、网络媒体、其他社会组织、网民个人四个层面建立针对等级的舆情应对策略,并且从强化他们各自社会责任的角度出发,对它们自身的行为提供了舆情风险应对策略的建议。本文的理论贡献主要体现在:（1）首次建立了自然灾害事件网络舆情的风险监测指标体系。拓展了舆情风险指标理论,为自然灾害事件舆情提供了一套科学的风险评价方案,有效弥补和充实了舆情风险评价的难题,发展了舆情评价的理论体系。（2）分析了遗传算法改进的投影寻踪模型用于舆情评价研究的适用性和可能性,并对耦合模型进行了调优。（3）搭建了用于舆情风险评价的AGA-PP耦合理论模型,拓展了舆情研究的定量模型应用。
李朋慧[6]（2019）在《R语言时间序列分析在瓦斯浓度预测中的应用研究》文中研究指明煤炭企业瓦斯事故的发生,不仅给正常的生产作业造成严重的影响,甚至还可能导致人员伤亡。目前,煤矿均配备了矿井安全监测监控系统,对瓦斯等气体信息进行实时监测,而对该平台获取的大量数据进行统计分析,能为预控瓦斯超限提供决策依据。本文在R语言环境下,研究ARIMA模型、TAR模型的相关理论知识及其构建过程,基于实测数据进行建模分析,并对两种模型的预测效果进行对比分析,主要研究工作包括如下几个方面:研究R语言环境下有关时间序列分析的理论知识及其模型构建方法,以工作面产生的具体数据为例,通过平稳性检验、差分化、确定模型参数、模型检验等一系列手段构建ARIMA预测模型,通过非线性检验、参数估计、拟合检验等步骤构建TAR瓦斯浓度预测模型,且两种模型均表现出较好的预测效果。基于陈家山煤矿427综采工作面监测到的上隅角瓦斯数据,分别选取出样本数据和测试数据,并进行模型应用分析。分别应用ARIMA模型和TAR模型对瓦斯浓度进行预测分析,得出预测值的范围分别落在0.14%～0.23%、0.127%～0.261%区间,属于实际值的分布区域范围内,变化趋势也基本与原始值基本吻合。对比分析两种模型的预测结果,发现TAR模型相对ARIMA模型预测更方便,误差也更小。同时,对基于两种模型的预测结果求均值来比较两种模型的预测效果,表明TAR模型的平均绝对误差和平均相对误差更小,预测效果优于ARIMA模型。
黄柏刚[7]（2019）在《基于小波神经网络的波浪中船舶运动在线建模与预报研究》文中研究说明船舶运动预报是船舶航行性能研究领域的重要问题,它事关船舶航行安全与作业效率。精确预报船舶未来一段时间的运动姿态,再利用运动补偿与控制技术对船舶运动进行控制,对于提高舰载机着舰的安全,改进舰船火控系统的瞄准精度,提高船船之间货物过驳等海上作业的安全和效率具有重要的意义。船舶运动预报数学模型是船舶运动预报及控制器设计的基础。在大海中航行的船舶,由于受到风、浪、流等环境的干扰以及其自身载荷的变化,其运动呈复杂的非线性和时变性,很难建立精确的船舶运动机理模型。因此,现实中船舶运动建模与预报的很多方法是从统计学理论出发,早期的有经典的时间序列分析方法,如自回归模型,自回归滑动平均模型等;近年来,随着人工智能技术的发展,神经网络、支持向量机等机器学习理论也被广泛应用于船舶运动建模与预报。神经网络可以以任意的精度逼近任意的非线性函数;小波神经网络是在小波理论的基础上提出的,由小波激活函数构成的小波神经网络,不仅拥有传统神经网络的优点,而且还拥有小波函数的优点。小波函数在时域和频域上同时拥有局部特性,尤其是拟合强非线性系统,小波神经网络通常收敛更快。针对强非线性的船舶摇荡运动,本论文分别采用自适应小波神经网络与固定网格小波神经网络对波浪中的船舶摇荡运动进行了辨识建模与预报研究。自适应小波神经网络一般采用梯度下降类训练方法,易使小波神经网络收敛于局部最优。为了避免小波神经网络收敛于局部最优,本文采用粒子群优化算法与误差反传算法相结合的神经网络训练方法,克服了仅采用误差反传算法导致的对神经网络初始位置敏感的缺点,还提高了所训练小波神经网络的鲁棒性。论文应用Mexican Hat小波激活函数构建神经网络模型,对规则波与不规则波中的船舶横摇运动进行了辨识建模与预报研究;为了预报多自由度的船舶运动,还把该建模方法扩展到多输入多输出系统,对波浪中双自由度垂荡-纵摇耦合运动进行了辨识建模研究,并通过将船舶运动的仿真数据与试验数据进行对比,验证了该建模方法的有效性。小波激活函数种类繁多,不同的小波激活函数可以构建不同的小波神经网络;针对不同的应用环境,可以采用不同的小波神经网络模型。本文利用Mortlet与Gaussian小波激活函数构建了两种自适应小波神经网络,基于不规则波中的船舶横摇运动与垂荡-纵摇耦合运动的仿真数据,采用粒子群优化算法与误差反传算法相结合的训练方法,分别建立了基于Mortlet与Gaussian小波神经网络的波浪中船舶横摇运动与垂荡-纵摇耦合运动预报模型,体现了构建小波神经网络模型的灵活性。基于粒子群优化的自适应小波神经网络模型,虽然在一定程度上可以避免神经网络陷于局部最优,但是在针对多输入多输出系统建模时,由于目标函数针对的是系统输出的整体优化效果,在训练优化过程中可能会出现不同维输出的优化结果差异较大的现象,为了避免这一现象,本文采用了基于固定网格小波神经网络的建模方法。该建模方法只要固定网格小波神经网络的训练条件一样,小波神经网络的训练结果就唯一,模型可以收敛于全局最优,而且该小波神经网络模型还可以清楚地表示不同神经网络输入变量对系统输出贡献大小的关系以及输入变量之间的耦合关系。基于波浪中船舶横摇运动和垂荡-纵摇耦合运动的数据,本文应用该建模方法对波浪中的船舶横摇运动和垂荡-纵摇耦合运动进行了在线辨识建模与预报研究。为了提高基于固定网格小波神经网络的在线建模方法在系统建模中的计算效率,本文提出了粗微调固定网格小波神经网络的在线建模方法,其中粗调可以改变神经网络模型的结构,而微调借助于Givens Rotation算法仅调整神经网络模型的参数。该建模方法既可以灵活调整模型结构,还提高了建模的计算效率。基于波浪中船舶横摇运动与垂荡-纵摇耦合运动的仿真数据和实验数据,本文应用该方法对波浪中船舶横摇运动与垂荡-纵摇耦合运动进行了辨识建模研究,针对多输入单输出与多输入多输出系统建立了波浪中船舶运动的在线预报模型。仿真结果表明,该预报模型可以较好地对船舶运动进行在线预报。本文将粒子群优化的自适应小波神经网络在线建模方法引入波浪中船舶运动的在线建模与预报中,在固定网格小波神经网络的基础上提出了一种新的粗微调固定网格小波神经网络在线建模方法,为波浪中船舶运动的在线建模与预报提供了一种有效的方法。
邴其春[8]（2016）在《城市快速路交通状态评估与预测关键技术研究》文中研究说明随着城市道路交通网络的不断完善,快速路在城市交通系统中发挥着不可替代的重要作用,其运行质量不仅影响着整个城市路网的运行效率,甚至影响着整个城市功能的正常发挥。然而,随着交通需求的急剧增长,城市快速路不可避免地出现了交通拥堵现象,且快速路上交通拥堵的时空影响范围持续扩大,极大限制了快速路舒适、便捷、安全等功能的有效发挥。另外,城市快速路作为城市路网系统中等级最高的道路,配备有完善的交通检测设备,能够获得不同精度、广度和内容的动态交通数据,为动态评估其交通状态提供了充足的数据保障。因此,深入挖掘海量的交通数据资源,准确评估快速路的交通运行状态并合理预测交通状态的演变趋势,已成为快速路交通管理与控制的关键环节。本文立足于城市快速路交通流数据的时间和空间特性,对快速路交通状态评估与预测所涉及到的关键技术展开深入研究,为城市快速路交通管理与控制提供理论依据和技术支持。主要研究内容如下:（1）城市快速路交通流缺失数据修复方法针对向量和矩阵形式存在维数限制,无法充分利用快速路交通流数据多模式相关性信息的问题,将张量的概念引入到交通流缺失数据修复的研究中。在分析快速路交通流数据时空相关性的基础上,提出了一种基于层次Tucker张量分解的城市快速路交通流缺失数据修复方法,并利用基于黎曼流形的最优化算法进行了优化求解。最后,采用快速路实测数据验证了所提出方法的有效性。（2）城市快速路多尺度交通数据融合方法针对现有交通数据融合方法大多集中在特征级融合或者决策级融合的问题,在对快速路多检测器进行采样分析的基础上,以异步采样中的非等采样率同时采样为研究对象,提出了基于小波和Kalman滤波的城市快速路多尺度交通数据融合算法,并以快速路实测数据为基础,结合仿真手段验证了算法的有效性。研究结果从源头上保证了交通数据的质量,为后续研究提供了可靠的数据基础。（3）城市快速路交通事件自动检测方法在分析交通事件发生时段快速路交通参数变化规律的基础上,以基本交通参数及其多角度组合的方式,构建了包含12个变量的交通事件检测初始变量集,并采用随机森林模型的变量重要性度量筛选出对交通事件更为敏感的关键变量。在此基础上,设计了基于粒子群优化相关向量机模型的快速路交通事件自动检测算法。其中,针对训练样本数据集分布不平衡的问题,采用SMOTE方法对样本数据集进行了重构以达到平衡。最后,采用快速路实测数据验证了所设计方法的有效性。（4）城市快速路交通状态自动识别方法在阐述快速路交通状态划分及其度量标准的基础上,选取流量、速度、占有率、占有率与流量的比值和占有率与速度的比值五个变量作为交通状态特征变量,设计了一种基于投影寻踪动态聚类的城市快速路交通状态自动识别方法。首先利用动态聚类思想构建了投影指标函数,然后利用混合蛙跳算法对投影指标函数进行了优化,从而获得最佳投影方向。最后,采用实测数据和仿真数据验证了所提出方法的有效性。（5）城市快速路交通状态预测方法本部分包括两方面研究内容,一方面是基于协整理论的短时交通参数预测方法,另一方面是基于混沌理论的短时交通流局域预测方法。在基于协整理论方面,通过对交通参数数据的平稳性检验、滞后阶数确定、协整检验以及参数估计,构建了基于流量-速度-占有率向量误差修正模型和速度-占有率向量误差修正模型的短时交通参数预测方法,并分别对模型进行稳定性检验和脉冲响应分析。在基于混沌理论方面,利用C-C方法进行相空间重构,然后采用Hannan-Quinn信息准则确定邻近点个数,进而构建了基于组合核相关向量机模型的短时交通流局域预测方法,并利用遗传算法优化组合核函数的参数。最后,采用快速路实测数据分别验证两种方法的有效性。
李艳华[9]（2016）在《东江水库入库径流预报》文中指出中长期水文预报的精度往往不高,对其研究也存在许多困难。水文变化存在不确定性,这种不确定性对于中长期水文预报的预测精度影响很大。水文系统是一个高度非线性系统、难以建立准确表示径流现象的数学模型,径流预测研究中也存在不确定性。由于水文系统十分复杂,迄今为止还没有一种通用的数学模型可以解决水文序列的中长期预报问题。本文以东江水库月径流时间序列资料为研究对象,建立中长期水库入库径流预测模型。（1）为了有效提高BP神经网络模型的稳定性和运算精度,选用遗传算法对BP神经网络的参数值进行优化,将优化后的参数值作为BP神经网络的权值和阈值,对东江水库的入库径流进行预报。由于样本容量较少,BP神经网络对于部分月份难以有效提高径流预测的精度和拟合度。（2）支持向量机能够较好地适应容量小的训练样本,将预测问题转化为二次规划问题,能够避免神经网络的局部最优和反复试凑的缺陷,将其用于东江水库入库径流预测中,能够较好地得到预测值。（3）投影寻踪方法能够很好处理高维问题,本文将人工鱼群算法与投影寻踪算法相结合建立了混合智能径流预测模型,能够根据序列的要求变换拟合函数的阶数,较好地处理了径流预测问题。BP人工神经网络、SVM模型和投影寻踪人工鱼群算法分别用于东江水库的径流预报中,其中BP人工神经网络对径流的预测结果不太理想主要原因是BP人工神经网络模型的结构难以确定,网络稳定性较差且水库入库径流时间序列较短,资料有限,很多预报因子的资料比较缺乏。SVM模型对径流的预测效果较好误差均在20%以内,这与SVM模型能较好地预测小样本、非线性的时间序列等有关。投影寻踪模型采用自动选择预报因子、高阶函数式对径流预测,能够较好地提高模型的预测精度。
姜涛[10]（2015）在《基于广域量测信息的电力大系统安全性分析与协调控制》文中提出随着我国交直流电网互联规模的不断扩大,负荷需求的日益增长,间歇性新能源的大量接入,电网运行越来越接近其稳定极限,电力系统的安全性与稳定性面临着严峻挑战,已受到工业界和学术界的高度关注。为改善电力系统运行的安全性与稳定性水平,提高电网应对各种连锁故障的能力,有效利用广域量测系统（Wide-Area Measurement Sytem,WAMS）的数据对电网进行实时监测与协调控制,成为一种可能的实现途径。广域量测系统可提供电力系统运行的大量动态信息,如何从这些海量数据中提取所需关键信息,进而指导电网的安全分析与控制优化就显得尤为重要。本文针对广域量测环境下的电力系统安全性分析与协调控制开展研究,主要工作如下:（1）研究并提出了一种基于WAMS量测信息的电力系统广域热稳定安全域求解方法:首先,研究了电力系统热稳定安全域的边界拓扑学特性,确定了适用的边界近似模型,给出了多约束条件下安全域边界的快速求解思路;进一步,利用WAMS数据给出了断面导纳和断面相位差的定义,揭示了两者间的内在联系,并用于广域电力系统断面热稳定安全域的构建,可充分利用WAMS量测信息实现广域电力大系统关键断面热稳定的在线监测;最后,将所提方法应用于南方电网西电东送通道关键断面的监控分析,验证了其有效性。（2）提出一种基于广域量测信息的电力系统电压稳定监控方法:首先,利用广域量测信息快速识别系统的电压稳定关键节点;其次,借助相关增益矩阵定量评估系统功率注入节点与电压稳定关键节点之间的耦合程度,实现与电压稳定关键节点相关控制区域的动态划分;最后,基于WAMS量测数据和电压稳定灵敏度信息,提出了一种电压稳定监控方法,并通过波兰电网实际数据进行了有效性验证。（3）提出了一套基于WAMS量测数据有效辨识电力系统主导振荡模式的系统化方法:首先,针对随机子空间辨识策略模型难于定阶的问题,提出了基于奇异值累计贡献率和基于奇异值均值的两种随机子空间模型定阶策略;其次,针对随机子空间辨识策略易引入噪声模式和计算模式的问题,利用系统低频振荡频谱特征,提出了一种主导振荡模式辨识的多阶段振荡模式筛选与提纯策略;最后,为提高主导振荡模式的辨识精度,基于随机子空间辨识策略,分别提出了基于模式匹配追踪、聚类分析及逐步聚类的电力系统主导振荡模式辨识方法,利用南方电网WAMS数据验证了其有效性。（4）提出一种基于投影寻踪最佳投影方向的广域电力系统同调机群识别新方法:首先,利用投影寻踪方法对高维WAMS量测数据进行建模;进一步,通过相关优化算法将数据投影至低维子空间,并提取反映机组同调特征的关键投影方向向量来识别同调机群;最后,将所提方法在南方电网进行了应用验证。（5）提出了一种大范围时滞稳定域快速求解方法:首先,通过构建临界点函数,在有限区域内借助二分法快速获取时滞稳定临界关键特征值及其相关信息;进一步,利用电力系统时滞稳定临界点对应关键特征值的周期性规律,通过平移过程将其扩展至待搜索区域,并利用临界点函数的逆映射确定时滞稳定临界点对应的时滞大小,进而构造时滞参数空间中的稳定域边界;最后,通过微扰技术判别时滞稳定域内外区域,同时借助时滞稳定域边界性质,探讨了由量测时滞诱发电力系统分岔的内在规律。
二、多维非线性时间序列的投影寻踪学习逼近（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、多维非线性时间序列的投影寻踪学习逼近（论文提纲范文）
（1）基于投影寻踪的高速公路短时交通流预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 短时交通流预测的特征参数选取 |
| 1.3.2 短时交通流预测模型 |
| 1.3.3 投影寻踪方法及应用 |
| 1.3.4 研究现状总结 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 主要创新点 |
| 1.4.3 技术路线 |
| 第二章 相关基础理论知识 |
| 2.1 投影寻踪回归 |
| 2.1.1 投影寻踪基础概念 |
| 2.1.2 遗传求解算法 |
| 2.1.3 投影寻踪回归 |
| 2.2 BP神经网络模型 |
| 2.2.1 BP神经网络模型结构 |
| 2.2.2 BP神经网络实现步骤 |
| 2.3 本章小结 |
| 第三章 高速公路收费数据的分析与处理 |
| 3.1 基础数据分析 |
| 3.1.1 研究路段基础分析 |
| 3.1.2 基础收费数据分析 |
| 3.1.3 基于收费数据的收费站断面流量和行程时间统计方法 |
| 3.2 数据预处理方法 |
| 3.2.1 异常数据定义及识别 |
| 3.2.2 异常数据的处理 |
| 3.3 原始数据处理实例 |
| 3.3.1 断面流量数据处理 |
| 3.3.2 行程时间数据处理 |
| 3.4 本章小结 |
| 第四章 高速公路短时交通流的特性及预测影响因素分析 |
| 4.1 短时交通流的基本特性 |
| 4.2 短时交通流的时空特性 |
| 4.2.1 时间特性 |
| 4.2.2 空间特性 |
| 4.3 短时交通流的预测影响因素 |
| 4.3.1 灰色关联分析法 |
| 4.3.2 短时交通量预测影响因素的确定 |
| 4.3.3 短时行程时间预测影响因素的确定 |
| 4.4 本章小结 |
| 第五章 基于PPR的高速公路短时交通流预测 |
| 5.1 PPR预测模型的实现过程 |
| 5.2 基于PPR的短时交通流预测流程 |
| 5.3 实例分析 |
| 5.3.1 实验设计 |
| 5.3.2 收费站断面流量预测 |
| 5.3.3 行程时间预测 |
| 5.3.4 实验结果分析 |
| 5.4 本章小结 |
| 第六章 基于BPPP的高速公路短时交通流预测 |
| 6.1 BPPP模型的建立 |
| 6.1.1 PPR与BP神经网络对比分析 |
| 6.1.2 BPPP模型结构 |
| 6.2 BPPP预测模型实现过程与短时预测流程 |
| 6.2.1 BPPP预测模型的实现过程 |
| 6.2.2 基于BPPP的短时交通流预测流程 |
| 6.3 实例分析 |
| 6.3.1 实验设计 |
| 6.3.2 收费站断面流量预测 |
| 6.3.3 行程时间预测 |
| 6.3.4 实验结果分析 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在学期间发表的论文和取得的学术成果 |
（2）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（3）灌溉用水效率约束下灌区水资源优化配置及其决策支持系统研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 引言 |
| 1.1 立题依据 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究进展 |
| 1.3.1 灌溉用水效率评价指标研究 |
| 1.3.2 灌溉用水效率评价研究 |
| 1.3.3 灌区水资源优化配置研究 |
| 1.3.4 灌区水资源优化配置决策支持系统研究 |
| 1.3.5 国内外研究现状分析 |
| 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 |
| 2 灌区灌溉用水效率评价指标体系构建 |
| 2.1 研究区域 |
| 2.1.1 地理位置及行政分区 |
| 2.1.2 气候及地形地貌 |
| 2.1.3 水资源状况 |
| 2.1.4 社会经济状况 |
| 2.2 数据来源 |
| 2.2.1 统计数据来源 |
| 2.2.2 试验数据来源 |
| 2.3 研究方法 |
| 2.3.1 评价指标体系构建原则 |
| 2.3.2 评价指标筛选原理 |
| 2.3.3 评价指标模型构建 |
| 2.3.4 评价指标体系合理性判别 |
| 2.4 结果与分析 |
| 2.4.1 灌溉用水效率评价指标初选集的确定 |
| 2.4.2 信息显着性指标筛选及分析 |
| 2.4.3 指标体系结果分析 |
| 2.5 讨论 |
| 2.5.1 指标体系合理性分析 |
| 2.5.2 指标体系可靠性分析 |
| 2.6 本章小结 |
| 3 灌区灌溉用水效率评价研究 |
| 3.1 数据来源 |
| 3.2 研究方法 |
| 3.2.1 基于萤火虫算法的投影寻踪评价模型 |
| 3.2.2 逼近理想解排序模型 |
| 3.2.3 基于熵权法的逼近理想解排序模型 |
| 3.2.4 基于CRITIC法的逼近理想解排序模型 |
| 3.2.5 灌区灌溉用水效率评价模型性能评估方法 |
| 3.3 结果与分析 |
| 3.3.1 基于FA-PP模型的灌区灌溉用水效率测度 |
| 3.3.2 基于EWM-TOPSIS模型的灌区灌溉用水效率测度 |
| 3.3.3 基于CRITIC-TOPSIS模型的灌区灌溉用水效率测度 |
| 3.3.4 各评价模型灌区灌溉用水效率评价结果对比 |
| 3.4 讨论 |
| 3.4.1 各评价模型的稳定性比较 |
| 3.4.2 各评价模型的可靠性比较 |
| 3.4.3 各灌区综合指数空间分布特征分析 |
| 3.5 本章小结 |
| 4 灌溉用水效率驱动力解析及其发展态势分析 |
| 4.1 数据来源 |
| 4.2 研究方法 |
| 4.2.1 序号总和理论 |
| 4.2.2 情景分析 |
| 4.2.3 ARIMA预测模型 |
| 4.2.4 EWM-TOPSIS模型 |
| 4.3 结果与分析 |
| 4.3.1 灌区灌溉用水效率主要驱动因子分析 |
| 4.3.2 建立调控情景分析模式集 |
| 4.3.3 构建灌区灌溉用水效率评价指标预测矩阵 |
| 4.3.4 灌区灌溉用水效率发展趋势及预测结果分析 |
| 4.4 讨论 |
| 4.4.1 灌区灌溉用水效率主要驱动因子合理性判别分析 |
| 4.4.2 灌区灌溉用水效率驱动机制分析 |
| 4.4.3 灌区灌溉用水效率未来演变趋势分析 |
| 4.5 本章小结 |
| 5 灌溉用水效率约束下灌区水资源优化配置研究 |
| 5.1 数据来源 |
| 5.2 研究方法 |
| 5.2.1 多目标水资源配置模型 |
| 5.2.2 多目标水资源配置模型计算原理 |
| 5.2.3 多目标水资源配置模型构建 |
| 5.2.4 模型数据及参数的确定 |
| 5.3 结果与分析 |
| 5.3.1 灌溉用水量预测 |
| 5.3.2 种植结构预测 |
| 5.3.3 灌溉定额预测 |
| 5.3.4 优化配置结果分析 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 6 灌区水资源优化配置决策支持系统研制 |
| 6.1 数据来源 |
| 6.2 研究方法 |
| 6.2.1 系统需求分析 |
| 6.2.2 系统设计原则 |
| 6.2.3 系统设计方法 |
| 6.2.4 系统模块设计 |
| 6.2.5 系统设计 |
| 6.3 结果与分析 |
| 6.3.1 系统运行 |
| 6.3.2 系统模块设置 |
| 6.4 讨论 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
（4）渭河流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究方法 |
| 1.2.1 数据预处理技术 |
| 1.2.2 预报因子筛选技术 |
| 1.2.3 数据驱动预报模型 |
| 1.2.4 过程驱动预报模型 |
| 1.2.5 研究中存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 基本原理及方法 |
| 2.1 数据变换技术 |
| 2.1.1 Box-Cox变换 |
| 2.1.2 Min-Max标准化 |
| 2.2 预报因子筛选方法 |
| 2.2.1 Lasso回归 |
| 2.2.2 灰色关联分析 |
| 2.3 小波分析方法 |
| 2.3.1 小波变换原理 |
| 2.3.2 Mallat算法 |
| 2.4 人工神经网络 |
| 2.4.1 人工神经网络模型 |
| 2.4.2 人工神经网络学习规则 |
| 2.4.3 BP神经网络模型 |
| 2.5 投影寻踪模型 |
| 2.5.1 投影寻踪回归模型 |
| 2.5.2 遗传算法和Hermite多项式 |
| 2.6 支持向量机 |
| 2.6.1 支持向量机基本原理 |
| 2.6.2 支持向量回归模型 |
| 2.7 模型预报效果评价方法 |
| 第三章 渭河流域概况 |
| 3.1 流域基本情况 |
| 3.2 气象水文条件 |
| 3.3 流域水文站概况 |
| 第四章 径流序列预处理与预报因子筛选 |
| 4.1 径流序列预处理 |
| 4.1.1 小波分析 |
| 4.1.2 Box-Cox变换和Min-Max标准化 |
| 4.2 预报因子筛选 |
| 4.2.1 原始径流序列预报因子筛选 |
| 4.2.2 小波分解序列预报因子筛选 |
| 第五章 中长期径流预报模型应用 |
| 5.1 BP人工神经网络模型 |
| 5.1.1 模型最优预报因子集及结构确定 |
| 5.1.2 模型应用 |
| 5.2 投影寻踪回归模型 |
| 5.2.1 模型最优预报因子集及参数确定 |
| 5.2.2 模型应用 |
| 5.3 支持向量回归模型 |
| 5.3.1 模型最优预报因子集及参数确定 |
| 5.3.2 模型应用 |
| 5.4 模型综合评价 |
| 5.5 本章小结 |
| 第六章 基于小波分析的中长期径流预报模型应用 |
| 6.1 小波BP神经网络模型 |
| 6.1.1 模型最优预报因子集及结构确定 |
| 6.1.2 模型应用 |
| 6.2 小波投影寻踪回归模型 |
| 6.2.1 模型最优预报因子集确定 |
| 6.2.2 模型应用 |
| 6.3 小波支持向量回归模型 |
| 6.3.1 模型最优预报因子集及参数确定 |
| 6.3.2 模型应用 |
| 6.4 模型综合评价与优选 |
| 6.4.1 模型综合评价 |
| 6.4.2 模型优选 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录1 预报方法及模型名称说明 |
| 致谢 |
| 个人简介 |
（5）突发自然灾害网络舆情风险评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线与研究思路 |
| 1.5 研究创新之处 |
| 第2章 理论基础和文献综述 |
| 2.1 自然灾害风险理论 |
| 2.2 投影寻踪理论及应用 |
| 2.2.1 投影寻踪概念 |
| 2.2.2 投影指标 |
| 2.2.3 投影寻踪的发展与应用 |
| 2.3 加速遗传算法 |
| 2.3.1 遗传算法概念 |
| 2.3.2 遗传算法原理及其特点 |
| 2.3.3 遗传算法的应用 |
| 2.4 文献综述 |
| 2.4.1 突发事件网络舆情理论的相关研究 |
| 2.4.2 自然灾害网络舆情的相关研究 |
| 2.4.3 舆情风险评价的相关研究 |
| 2.4.4 指标评价方法的相关研究 |
| 2.5 本章小结 |
| 第3章 突发自然灾害网络舆情风险评价指标体系构建 |
| 3.1 引言 |
| 3.2 网络舆情指标体系的相关研究 |
| 3.3 突发自然灾害网络舆情风险监测指标初选 |
| 3.3.1 突发自然灾害网络舆情风险监测指标初步构建 |
| 3.3.2 突发自然灾害网络舆情风险监测初选指标说明 |
| 3.4 基于德尔菲法的指标初筛 |
| 3.4.1 样本选择和问卷设计 |
| 3.4.2 信度检验 |
| 3.4.3 效度检验 |
| 3.5 基于相关性分析和主成分分析的指标筛选 |
| 3.5.1 指标数据的采集 |
| 3.5.2 指标数据的标准化处理 |
| 3.5.3 基于相关性分析的指标筛选 |
| 3.5.4 基于主成分分析的指标筛选 |
| 3.5.5 突发自然灾害网络舆情风险监测指标体系的合理性检验 |
| 3.6 基于熵权法的指标权重设置 |
| 3.6.1 熵权法概述 |
| 3.6.2 数据来源及初始数据矩阵的建立 |
| 3.6.3 基于熵权法的指标权重分析 |
| 3.6.4 权重计算结果分析 |
| 3.7 本章小结 |
| 第4章 突发自然灾害网络舆情风险评价模型构建研究 |
| 4.1 投影寻踪模型 |
| 4.1.1 投影寻踪的概念 |
| 4.1.2 投影寻踪对于舆情风险评价的适用性 |
| 4.2 加速遗传算法 |
| 4.2.1 遗传算法的再选择 |
| 4.2.2 遗传算法的适用性 |
| 4.2.3 实数编码的遗传算法 |
| 4.3 遗传算法改进的投影寻踪评价模型 |
| 4.3.1 耦合模型的可行性 |
| 4.3.2 可能性 |
| 4.3.3 传统的投影寻踪模型 |
| 4.3.4 基于实数编码的加速遗传算法(AGA) |
| 4.3.5 加速遗传算法改进的投影寻踪评价模型 |
| 4.4 本章小结 |
| 第5章 实证研究 |
| 5.1 舆情风险的等级划分 |
| 5.1.1 等级评价的选定——基于四分法的等级评价 |
| 5.1.2 舆情风险的四级颜色划分 |
| 5.2 舆情风险评价等级标准的确立 |
| 5.2.1 建立等级标准的必要性 |
| 5.2.2 建立等级标准的过程 |
| 5.3 案例选择 |
| 5.3.1 台风“天鸽” |
| 5.3.2 九寨沟地震 |
| 5.3.3 四川茂县山体滑坡事件 |
| 5.4 数据来源 |
| 5.4.1 清博舆情 |
| 5.4.2 百度指数 |
| 5.5 风险评价指标体系的确定 |
| 5.6 计算过程 |
| 5.6.1 simulink的模型仿真 |
| 5.6.2 标准投影寻踪模型进行计算 |
| 5.6.3 采取AGA-PP模型进行计算 |
| 5.7 AGA-PP与标准投影寻踪方法的比较 |
| 5.7.1 精度 |
| 5.7.2 稳定性 |
| 5.8 结果分析 |
| 5.9 本章小结 |
| 第6章 自然灾害网络舆情风险应对策略 |
| 6.1 政府层面的应对策略 |
| 6.1.1 自然灾害网络舆情应对措施的基本要求 |
| 6.1.2 不同风险等级下舆情管控对策建议 |
| 6.2 对网络媒体的借鉴 |
| 6.2.1 掌握第一手信息,确保信息的真实性 |
| 6.2.2 引导舆情向健康的方向发展 |
| 6.3 对其他社会组织的借鉴 |
| 6.4 对网民个人的借鉴 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 理论贡献 |
| 7.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与科研项目经历 |
（6）R语言时间序列分析在瓦斯浓度预测中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 监测数据处理及应用研究现状 |
| 1.2.2 瓦斯浓度预测方法研究现状 |
| 1.2.3 基于ARIMA模型的预测方法研究现状 |
| 1.2.4 基于TAR模型的预测方法研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 时间序列模型理论分析 |
| 2.1 时间序列基本理论 |
| 2.2 ARIMA模型 |
| 2.2.1 模型分类 |
| 2.2.2 ARIMA模型理论分析 |
| 2.3 TAR模型 |
| 2.3.1 模型介绍 |
| 2.3.2 TAR模型理论分析 |
| 2.4 本章小结 |
| 3 ARIMA预测模型构建 |
| 3.1 获取平稳时间序列 |
| 3.1.1 时间序列的平稳性判断 |
| 3.1.2 非平稳时间序列差分化 |
| 3.2 确定模型参数 |
| 3.3 检验模型是否成立 |
| 3.3.1 白噪声检验 |
| 3.3.2 正态性检验 |
| 3.4 模型预测 |
| 3.5 本章小结 |
| 4 TAR预测模型构建 |
| 4.1 非线性检验 |
| 4.2 TAR模型参数估计 |
| 4.2.1 确定模型阶数 |
| 4.2.2 确定延迟参数 |
| 4.3 模型拟合效果检验 |
| 4.4 模型预测 |
| 4.5 本章小结 |
| 5 预测模型实例应用分析 |
| 5.1 矿井概况 |
| 5.1.1 煤矿概述 |
| 5.1.2 综采工作面概述 |
| 5.1.3 工作面通风方式 |
| 5.1.4 工作面监测监控系统 |
| 5.2 数据预处理 |
| 5.2.1 获取被观测时间序列 |
| 5.2.2 绘图分析 |
| 5.2.3 异常值分析 |
| 5.3 ARIMA模型预测结果分析 |
| 5.4 TAR模型预测结果分析 |
| 5.5 ARIMA与TAR模型预测结果对比分析 |
| 5.5.1 预测步长对比 |
| 5.5.2 预测结果误差对比 |
| 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）基于小波神经网络的波浪中船舶运动在线建模与预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 1.4 本文主要创新点 |
| 第二章 AWN与 FGWN及其学习算法 |
| 2.1 AWN与 FGWN简介 |
| 2.2 AWN的学习算法 |
| 2.2.1 BP算法 |
| 2.2.2 PSO算法 |
| 2.2.3 PSO算法与BP算法的结合 |
| 2.3 FGWN的学习算法 |
| 2.4 本章小结 |
| 第三章 基于PSO-AWN的波浪中船舶运动在线建模与预报 |
| 3.1 基于仿真数据的规则波中船舶横摇运动预报 |
| 3.1.1 规则波中船舶横摇运动仿真 |
| 3.1.2 规则波中船舶横摇运动的AWN模型结构 |
| 3.1.3 基于PSO-AWN的规则波中横摇运动在线建模与预报 |
| 3.2 基于仿真数据的不规则波中船舶横摇运动预报 |
| 3.2.1 不规则波中船舶横摇运动仿真 |
| 3.2.2 不规则波中船舶横摇运动的AWN模型结构 |
| 3.2.3 基于PSO-AWN的不规则波中横摇运动在线建模与预报 |
| 3.3 基于仿真数据的不规则波中船舶垂荡-纵摇耦合运动预报 |
| 3.3.1 不规则波中船舶垂荡-纵摇耦合运动仿真 |
| 3.3.2 不规则波中船舶垂荡-纵摇耦合运动的AWN模型结构 |
| 3.3.3 基于PSO-AWN的不规则波中垂荡-纵摇耦合运动在线建模与预报 |
| 3.4 基于试验数据的船舶运动预报 |
| 3.4.1 基于试验数据的不规则波中船舶横摇运动预报 |
| 3.4.2 基于试验数据的不规则波中船舶垂荡-纵摇耦合运动预报 |
| 3.5 本章小结 |
| 第四章 基于不同小波激活函数AWN模型的不规则波中船舶运动在线建模与预报 |
| 4.1 Mortlet小波激活函数构建的AWN模型 |
| 4.1.1 基于PSO-Mortlet小波神经网络的不规则波中横摇运动预报 |
| 4.1.2 基于PSO-Mortlet小波神经网络的不规则波中垂荡-纵摇耦合运动预报 |
| 4.2 Gaussian小波激活函数构建的AWN模型 |
| 4.2.1 基于PSO-Gaussian小波神经网络的不规则波中横摇运动预报 |
| 4.2.2 基于PSO-Gaussian小波神经网络的不规则波中垂荡-纵摇耦合运动预报 |
| 4.3 本章小结 |
| 第五章 基于FGWN的波浪中船舶运动在线建模与预报 |
| 5.1 基于FGWN的波浪中船舶横摇运动预报 |
| 5.1.1 基于仿真数据的规则波中横摇运动预报 |
| 5.1.2 基于仿真数据的不规则波中横摇运动预报 |
| 5.1.3 基于试验数据的不规则波中横摇运动预报 |
| 5.2 基于FGWN的波浪中船舶垂荡-纵摇耦合运动预报 |
| 5.2.1 基于仿真数据的不规则波中垂荡-纵摇耦合运动预报 |
| 5.2.2 基于试验数据的不规则波中垂荡-纵摇耦合运动预报 |
| 5.3 本章小结 |
| 第六章 基于CFT-FGWN的波浪中船舶运动在线建模与预报 |
| 6.1 CFT-FGWN简介 |
| 6.2 基于CFT-FGWN的波浪中船舶横摇运动预报 |
| 6.2.1 基于仿真数据的规则波中横摇运动预报 |
| 6.2.2 基于仿真数据的不规则波中横摇运动预报 |
| 6.2.3 基于试验数据的不规则波中横摇运动预报 |
| 6.3 基于CFT-FGWN的波浪中船舶垂荡-纵摇耦合运动预报 |
| 6.3.1 基于仿真数据的不规则波中垂荡-纵摇耦合运动预报 |
| 6.3.2 基于试验数据的不规则波中垂荡-纵摇耦合运动预报 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间主持或参加的科研项目 |
| 攻读博士学位期间发表与录用的学术论文 |
| 致谢 |
（8）城市快速路交通状态评估与预测关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 依托项目 |
| 1.2 研究背景及意义 |
| 1.3 研究现状 |
| 1.3.1 交通流缺失数据修复的研究现状 |
| 1.3.2 交通数据融合的研究现状 |
| 1.3.3 交通事件自动检测的研究现状 |
| 1.3.4 交通状态自动识别的研究现状 |
| 1.3.5 交通状态预测的研究现状 |
| 1.4 研究思路与章节安排 |
| 1.4.1 研究思路 |
| 1.4.2 章节安排 |
| 1.5 小结 |
| 第2章 城市快速路交通流缺失数据修复方法 |
| 2.1 概述 |
| 2.2 张量理论基础 |
| 2.2.1 张量基本运算 |
| 2.2.2 张量分解模型 |
| 2.3 快速路交通流数据时空相关性分析 |
| 2.3.1 时间相关性分析 |
| 2.3.2 空间相关性分析 |
| 2.4 快速路交通流数据张量模式构建 |
| 2.5 基于层次Tucker张量分解的数据修复方法 |
| 2.5.1 基于张量分解的数据修复方法分析 |
| 2.5.2 层次Tucker张量表示 |
| 2.5.3 目标函数构建 |
| 2.5.4 基于黎曼流形的优化算法 |
| 2.6 实例验证 |
| 2.6.1 数据来源与分析 |
| 2.6.2 实验方案设计 |
| 2.6.3 实验结果分析 |
| 2.7 小结 |
| 第3章 城市快速路多尺度交通数据融合方法 |
| 3.1 概述 |
| 3.2 数据融合的层次结构 |
| 3.3 快速路多检测器采样分析 |
| 3.4 多尺度交通数据融合问题的界定 |
| 3.5 多尺度分析与状态估计理论 |
| 3.5.1 多尺度分析 |
| 3.5.2 离散小波变换 |
| 3.5.3 Kalman滤波模型 |
| 3.6 基于小波和kalman滤波的多尺度交通数据融合算法 |
| 3.6.1 快速路多检测器动态系统构建 |
| 3.6.2 多检测器动态系统的小波变换 |
| 3.6.3 多尺度交通数据融合算法流程 |
| 3.7 实例验证 |
| 3.7.1 实验方案 |
| 3.7.2 实验结果分析 |
| 3.8 小结 |
| 第4章 城市快速路交通事件自动检测方法 |
| 4.1 概述 |
| 4.2 快速路交通事件检测初始变量集构建 |
| 4.3 基于随机森林模型的关键变量筛选 |
| 4.3.1 随机森林的构建过程 |
| 4.3.2 基于随机森林的关键变量筛选 |
| 4.4 基于PSO-RVM的城市快速路AID算法设计 |
| 4.4.1 相关向量机模型的分类原理 |
| 4.4.2 基于SMOTE的训练样本集重构 |
| 4.4.3 基于粒子群算法的核参数优化 |
| 4.4.4 基于PSO-RVM的AID算法流程 |
| 4.5 实例验证 |
| 4.5.1 数据来源 |
| 4.5.2 评价指标选取 |
| 4.5.3 实验结果分析 |
| 4.6 小结 |
| 第5章 城市快速路交通状态自动识别方法 |
| 5.1 概述 |
| 5.2 快速路交通状态划分 |
| 5.3 快速路交通状态特征变量的选取 |
| 5.4 基于PPDC模型的城市快速路ACI算法设计 |
| 5.4.1 投影寻踪的基本概念 |
| 5.4.2 投影寻踪动态聚类模型构建 |
| 5.4.3 基于SFLA的投影指标函数优化 |
| 5.5 实例验证 |
| 5.5.1 数据来源 |
| 5.5.2 实验结果分析 |
| 5.6 小结 |
| 第6章 城市快速路交通状态预测方法 |
| 6.1 概述 |
| 6.2 基于协整理论的短时交通参数预测方法 |
| 6.2.1 协整理论 |
| 6.2.2 城市快速路向量误差修正模型构建 |
| 6.2.3 模型稳定性检验 |
| 6.2.4 脉冲响应分析 |
| 6.2.5 实例验证 |
| 6.3 基于混沌理论的短时交通流局域预测方法 |
| 6.3.1 交通流时间序列相空间重构 |
| 6.3.2 基于信息准则的邻近点确定 |
| 6.3.3 组合核相关向量机模型构建 |
| 6.3.4 基于CKF-RVM的短时交通流局域预测流程 |
| 6.3.5 实例验证 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（9）东江水库入库径流预报（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水库径流中长期预报研究 |
| 1.2.2 人工神经网络在水文领域的应用情况 |
| 1.2.3 支持向量机在水文领域的应用情况 |
| 1.2.4 其他方法 |
| 1.3 研究的主要内容与技术路线 |
| 1.3.1 主要内容 |
| 1.3.2 技术路线 |
| 2 东江水库基本概况 |
| 2.1 东江水库流域概况 |
| 2.2 东江水库历年逐月平均入库流量 |
| 2.3 本章小结 |
| 3 基于人工神经网络对东江水库入库径流量的中长期预报 |
| 3.1 人工神经网络概述 |
| 3.2 基于遗传算法的BP神经网络预报模型 |
| 3.2.1 BP神经网络概述 |
| 3.2.2 遗传算法的基本要素 |
| 3.2.3 遗传BP神经网络流程图 |
| 3.3 BP网络的学习算法以及BP算法的推导过程 |
| 3.4 实例应用 |
| 3.5 本章小结 |
| 4 基于支持向量机对东江水库入库径流量的中长期预报 |
| 4.1 支持向量机 |
| 4.1.1 支持向量机的分类 |
| 4.1.2 支持向量回归（SVR） |
| 4.2 实例应用 |
| 4.3 本章小结 |
| 5 基于人工鱼群算法-投影寻踪的东江水库入库径流量的中长期预报 |
| 5.1 基于参数投影寻踪回归分析的径流预测原理 |
| 5.2 人工鱼群算法 |
| 5.2.1 人工鱼群算法概述 |
| 5.2.2 人工鱼群算法的步骤 |
| 5.3 人工鱼群-投影寻踪径流预测建模步骤 |
| 5.4 人工鱼群-投影寻踪算法对东江水库入库径流预测 |
| 5.5 预测方法结果的比较 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 攻读学位期间发表的学术论文及参加的科研项目 |
| 参考文献 |
| 致谢 |
（10）基于广域量测信息的电力大系统安全性分析与协调控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 广域量测系统 |
| 1.3 电力系统稳定性 |
| 1.4 电力系统安全域的研究现状 |
| 1.4.1 确定型安全分析——Dy-Liacco的安全监视构想 |
| 1.4.2 概率型安全分析构想和安全域的研究 |
| 1.4.3 静态安全域 |
| 1.4.4 小扰动稳定域 |
| 1.4.5 动态安全域 |
| 1.5 电力系统电压稳定的研究现状 |
| 1.5.1 基于潮流模型的电压稳定分析方法 |
| 1.5.2 基于广域量测信息的电压稳定分析方法 |
| 1.6 电力动态稳定的研究现状 |
| 1.6.1 基于模型的动态稳定分析方法 |
| 1.6.2 基于广域量测信息的动态稳定分析方法 |
| 1.7 电力系统同调的研究现状 |
| 1.7.1 基于模型的同调辨识方法 |
| 1.7.2 基于广域量测信息的同调辨识方法 |
| 1.8 电力系统时滞稳定性的研究现状 |
| 1.9 本文研究目的与主要工作 |
| 第二章 基于广域量测信息的跨区域互联电网热稳定安全域构建 |
| 2.1 引言 |
| 2.2“N-1”准则下的断面热稳定安全域 |
| 2.3 安全域边界的常用近似方法 |
| 2.4 基于多元非线性回归理论的电力系统安全域边界近似 |
| 2.4.1 拟合优度检验 |
| 2.4.2 模型总体显着性检验 |
| 2.4.3 变量的显着性检验 |
| 2.4.4 参数的置信区间 |
| 2.4.5 算例分析 |
| 2.4.6 小结 |
| 2.5 基于断面相位差的电力系统广域热稳定安全域 |
| 2.5.1 断面导纳和断面相位差 |
| 2.5.2 割集相位差及与功率间关系 |
| 2.5.3 基于割集相位差的热稳定安全域 |
| 2.5.4 不同参数空间中的热稳定安全域的映射关系 |
| 2.5.5 割集相位差空间中热稳定安全域边界的近似 |
| 2.5.6 算例分析 |
| 2.5.7 小结 |
| 2.6 本章总结 |
| 第三章 基于广域量测信息的电力系统电压稳定在线监控 |
| 3.1 引言 |
| 3.2 广域电压稳定指标 |
| 3.3 动态电压稳定关键注入区域识别 |
| 3.3.1 相关增益矩阵原理 |
| 3.3.2 基于CRG的电压强耦合节点静态识别 |
| 3.3.3 基于CRG的电压强耦合节点动态识别 |
| 3.3.4 基于CRG的电压稳定关键注入区域识别及控制策略 |
| 3.3.5 计算步骤 |
| 3.3.6 算例分析 |
| 3.3.7 小结 |
| 3.4 基于广域量测电压稳定指标的广域电压稳定控制 |
| 3.4.1 LQ灵敏度 |
| 3.4.2 L指标简化及L￠Q灵敏度 |
| 3.4.3 灵敏度的物理意义及其应用 |
| 3.4.4 LQ灵敏度(或L￠Q灵敏度)中对特殊节点的处理 |
| 3.4.5 灵敏度计算步骤 |
| 3.4.6 算例分析 |
| 3.4.7 小结 |
| 3.5 本章小结 |
| 第四章 基于广域量测信息的电力系统动态稳定在线监测 |
| 4.1 引言 |
| 4.2 基于广域量测信息的电力系统状态空间模型 |
| 4.3 随机子空间理论 |
| 4.3.1 协方差驱动型随机子空间辨识算法 |
| 4.3.2 数据驱动型随机子空间辨识算法 |
| 4.4 模型定阶 |
| 4.4.1 基于奇异值累积贡献率定阶 |
| 4.4.2 基于奇异值均值定阶 |
| 4.5 基于模式匹配追踪的大电网动态稳定在线监测 |
| 4.5.1 模式匹配追踪原理 |
| 4.5.2 模式匹配追踪实现 |
| 4.5.3 模式匹配追踪算法流程 |
| 4.5.4 算例分析 |
| 4.5.5 小结 |
| 4.6 基于随机子空间和聚类分析的大电网动态稳定在线监测 |
| 4.6.1 模式聚类实现 |
| 4.6.2 类中元素提纯 |
| 4.6.3 模式聚类算法流程 |
| 4.6.4 算例分析 |
| 4.6.5 小结 |
| 4.7 基于随机子空间和逐步聚类的大电网动态稳定在线监测 |
| 4.7.1 模式逐步聚类原理 |
| 4.7.2 模式逐步聚类实现 |
| 4.7.3 模式逐步聚类算法流程 |
| 4.7.4 算例分析 |
| 4.7.5 小结 |
| 4.8 本章总结 |
| 第五章 基于广域量测信息的电力系统同调模式在线辨识 |
| 5.1 引言 |
| 5.2 投影寻踪的基本原理 |
| 5.3 基于投影寻踪的同调机群识别 |
| 5.3.1 问题描述 |
| 5.3.2 基于投影寻踪的同调机群识别方法建模 |
| 5.3.3 求解流程 |
| 5.4 算例分析 |
| 5.4.1 16 机68节点系统 |
| 5.4.2 CSG仿真数据 |
| 5.4.3 CSG广域实测数据 |
| 5.5 本章小结 |
| 第六章 广域量测时滞对电力系统小扰动稳定影响研究 |
| 6.1 引言 |
| 6.2 电力系统的时滞稳定性 |
| 6.3 临界点搜索原理 |
| 6.3.1 临界函数构造 |
| 6.3.2 临界点的二分搜索方法 |
| 6.4 临界点邻域稳定性判别 |
| 6.5 实现步骤 |
| 6.6 算例分析 |
| 6.6.1 临界点搜索及稳定域判定 |
| 6.6.2 算法可行性分析 |
| 6.6.3 大范围时滞的求取及时滞稳定域边界拓扑特性探究 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 附录 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
四、多维非线性时间序列的投影寻踪学习逼近（论文参考文献）
- [1]基于投影寻踪的高速公路短时交通流预测方法研究[D]. 余涛. 重庆交通大学, 2021
- [2]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [3]灌溉用水效率约束下灌区水资源优化配置及其决策支持系统研究[D]. 周丽慧. 东北农业大学, 2020(04)
- [4]渭河流域中长期径流预报研究[D]. 杨沁瑜. 西北农林科技大学, 2020
- [5]突发自然灾害网络舆情风险评价研究[D]. 秦琴. 中国科学技术大学, 2019(02)
- [6]R语言时间序列分析在瓦斯浓度预测中的应用研究[D]. 李朋慧. 西安科技大学, 2019(01)
- [7]基于小波神经网络的波浪中船舶运动在线建模与预报研究[D]. 黄柏刚. 上海交通大学, 2019(06)
- [8]城市快速路交通状态评估与预测关键技术研究[D]. 邴其春. 吉林大学, 2016(08)
- [9]东江水库入库径流预报[D]. 李艳华. 华北水利水电大学, 2016(05)
- [10]基于广域量测信息的电力大系统安全性分析与协调控制[D]. 姜涛. 天津大学, 2015(08)