一、DIAGNOSTIC PREDICTIONS OF SST IN THE EQUATORIAL EASTERN PACIFIC OCEAN BASED ON FUZZY INFERRING AND WAVELET DECOMPOSITION（论文文献综述）
雷冠军[1]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中研究表明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
张一朦[2]（2018）在《基于粗糙集与模糊神经网络的滚动轴承故障诊断研究》文中研究指明滚动轴承在机械设备中应用广泛,它的工作状态直接影响机械设备生产,研究轴承的故障诊断,具有一定意义。轴承的故障可以通过温度分析技术、油样分析技术进行诊断,但是当滚动轴承的故障比较轻微时,温升较不明显,难以诊断,而油样分析技术又不能对脂润滑的轴承进行诊断,因此上述方法存在一定的局限性。滚动轴承工作时产生的振动信号反映了滚动轴承的工作状态,所以振动信号分析法是轴承故障诊断的最实用的方法。粗糙集理论是人工智能领域中处理混乱、不完整信息的重要方法,在数据关联关系的挖掘、冗余属性的约简等领域有着广泛的应用。模糊神经网络集合了神经网络和模糊系统的优点,可以充分发挥模型对系统不确定性的处理能力,而且模型的参数能够通过自我学习进行调整和优化。这两种理论方法,均可以同振动信号分析法相结合,用于滚动轴承的故障诊断。本文通过轴承故障模拟试验台,采集振动信号,提取特征向量,研究了两种方法用于故障诊断。第一,基于粗糙集理论相关原理,通过粗糙集分析工具Rosetta软件,对提取到的振动信号的特征向量进行属性约简,建立粗糙集分类器,通过自学习实现故障的诊断;第二,将粗糙集方法和模糊神经网络融合,其中粗糙集方法仅作为特征向量约简的工具,将约简后的特征向量作为模糊神经网络输入,训练生成自适应模糊神经网络系统,用于轴承故障的诊断。结果表明,融合了粗糙集降维和自适应模糊神经网络的诊断方法诊断效果更佳。最后结合LabVIEW和MATLAB两款软件的不同优点,开发了两者混合编程的故障诊断系统,实现了轴承的故障诊断。
朱双[3]（2017）在《流域中长期水文预报与水资源承载力评价方法研究》文中认为水资源在人类生存和社会发展中占有重要地位,保证水资源的可持续发展利用,是实现经济社会可持续发展的首要前提条件。流域水文预报和水资源承载力分析是水资源系统研究中的两个重要课题,是水利工程规划建设、水资源优化配置及社会可持续发展的重要支撑。进入二十一世纪以来,我国水资源的可持续利用面临人口增长、供需水不平衡以及气候变化影响等多重压力。一方面全球气候变暖导致两极冰盖加剧融化,海平面升高,淡水资源减少,暴雨、洪涝、干旱等极端事件发生频率显着增加;另一方面,水利工程胁迫导致流域自然径流破碎化,流域水资源系统的时空变异规律更加复杂,水循环系统的大气、地表、土壤、河川和地下水过程的显着变化诱发了系列资源、生态、环境等问题。气候和水循环过程的变异对流域水文预报和水资源承载力分析提出了更高的要求。本文针对变化环境下中长期水文预报与水资源承载力研究中存在的关键科学问题,以长江上游金沙江流域及西南地区为主要研究对象,分析了金沙江流域径流和降雨特性时空变化规律;建立了基于灰色关联分析的模糊支持向量机月径流预报模型,为了提高模型预报精度,研究了模型构建过程中预报因子选择与时间序列分解两个关键环节。将气象,大气环流,影响长江中上游流域降雨的黑潮海温,东亚夏季风指数等遥相关因子组成特征集合,采用序列浮动前向算法挖掘预报因子特征子集,并尝试采用高斯过程回归对金沙江上游石鼓站和下游屏山站月径流进行不确定性预报,得到月径流的预报区间和置信水平,在此基础上,采用Sobol全局敏感性方法推求了石鼓和屏山站汛期径流预报因子的灵敏度,辨识了对汛期径流预报结果产生较大影响的因子集。最后针对传统模糊综合评价方法中的不足之处,建立了可变模糊集与集对分析耦合的西南地区水资源承载力评价模型,识别了西南各地水资源承载力等级。本文的主要研究内容和创新性成果包括:（1）研究工作以金沙江最大支流雅砻江二滩站以及金沙江干流控制断面石鼓、攀枝花,工程断面乌东德、白鹤滩、溪洛渡、向家坝为分析对象,研究金沙江流域径流年内年际时空变化特性,并建立了金沙江和乌江洪水联合概率分布,探求两江洪水遭遇概率。金沙江流域多时空尺度径流特性以及洪水遭遇研究发现,过去50年金沙江径流年内分配存在较大的不均匀性,而径流的年际变化较小,且金沙江下游地区径流年际变化比上游地区相比较弱。洪水遭遇方面,金沙江与乌江洪水同现概率非常小,而乌江已经发生大洪水情况下,金沙江发生洪水的条件概率很大,当乌江发生20年一遇洪水时,有接近50%的可能金沙江发生了 20年一遇洪水。（2）为了提高中长期径流预报模型的预报精度,本文从模型构建,预报因子筛选和时间序列分解三个关键环节进行了研究。径流的形成受到气象、水文、地形等复杂因素的影响,随着气候条件以及流域下垫面条件发生变化,不同时期水文样本数据对未来径流贴近程度是不相同的。将支持向量机与模糊集理论的中隶属度概念相结合,构建模糊支持向量机模型使得径流模拟过程中样本数据能根据重要性的不同而具有不同误差要求,其中离预测期较近的历史样本数据具有更大的参考价值而离预测期较远的历时样本具有相对较小的参考价值。同时,为克服常用的相关系数法不能衡量因子间非线性相关关系的缺陷,研究工作引入一种多元因子分析方法-灰色关联分析法,该方法能考察复杂现象发展态势的关联、接近程度而不是简单度量变量间的一致性。以金沙江石鼓站月径流预报为实例,考察基于灰色关联分析的模糊支持向量机模型的预报效果,研究结果表明相对传统支持向量机模型,本文构建的模型极大提高了预测精度和泛化能力,是一种可靠有效的径流中长期径流预报模型。（3）将输入因子序列进行小波分解被证明能提高水文模型的预报精度,为了研究不同时间序列分解方法在径流预报领域的适用性,本文研究了离散小波变换、经验模式分解、STL三种分解方法的原理并分别采用三种方法对金沙江屏山站径流和降雨序列进行了分解,选用被证明具有良好预测性能的基于灰色关联分析的模糊支持向量机模型对分解子序列进行模拟预测,模拟结果表明三种分解方法能使模型的预报精度有不同程度提高,其中离散小波变换分解对模型精度改善最大、其次是STL分解处理,经验模式分解处理后的模型精度改善效果较不明显。（4）径流的形成极其复杂,仅仅用前期的径流或气象数据来预报未来径流是不全面的,限制了预报精度的进一步提高。气候遥相关因子与径流具有滞后相关性,研究工作提出基于信息增益的序列浮动前向选择算法,从降雨、气温、气压等气象因子,国家气象中心发布的74项环流因子,与长江流域径流有密切关系的黑潮海温,太平洋10年涛动、东亚夏季风指数等300多个初选预报因子中挖掘出与预报月径流密切相关的一组预报因子集。将近年发展起来的基于贝叶斯网络的新型机器学习算法高斯过程回归引入到金沙江上游石鼓站和下游屏山站的径流预报研究中来,预报结果同时给出置信水平和预报区间,并采用Sobol全局敏感性分析方法辨识了对金沙江汛期径流预报影响较大的因子集。建立的基于气候因子的高斯过程回归水文预报模型具有良好的预报效果,在汛期对径流预报有较大影响的因子为前期径流、降雨、湿度以及大西洋东部欧洲环流型、北大西洋振荡遥相关因子。（5）在水资源承载力评价研究中,针对以往模糊综合评价多采用主观方法确定各评价指标权重的诸多弊端,研究工作将信息熵理论客观权重法与层次分析主观权重法相结合,采用基于主客观组合权重的改进模糊可变模型,评价了水资源承载力等级。在选取评价标准时,为了避免在模糊决策方面广泛应用的最大隶属原则在极端情况下失效问题,研究工作引入了可处理不确定性问题的集对分析方法,通过集合间同异反分析,选用联系度系数描述集合间的贴近度。通过云南水资源系统实例计算并进行对比分析,表明该方法不但结构严谨,而且可信度较高。
顾哲衍[4]（2014）在《大别山黄尾河流域径流特征分析及预测模型研究》文中研究指明本文以黄尾河流域长时间序列的降雨径流资料为基础，利用Mann-Kendall趋势检验法、累积距平法、Cramer突变检验法、小波分析法等揭示了径流的年际年内变化、周期性变化等特性；利用GIS和遥感技术、大气环流和气候变异等理论对径流变化的驱动机理进行了深入探讨；利用人工神经网络和支持向量机原理建立了降雨径流预测模型，预测模拟了流域径流变化过程。主要研究成果如下：（1）径流变化特性分析：流域径流量总体呈减少趋势，突变时域为1991～1993年。径流的多时间尺度结构明显，主要存在34～40年，11～34年和10年以下3类尺度的周期性变化规律，其中10年以下的小尺度周期变化显着，中心尺度在6年左右。径流年内分配不均匀，夏季径流量比例最大，几乎是全年径流量的一半，冬季最小，春季径流量大于秋季径流量。（2）径流影响因素分析：重点分析了降水、土地利用/覆被变化、ENSO现象、太阳黑子活动等对流域径流的影响。结果表明流域降雨与径流序列基本呈同步变化，一致性明显，几乎无时滞效应；流域土地利用的变迁方式以“林地—农田”相互转化为主，建设用地和水体占地面积过小，对流域水文过程的影响可忽略不计，林地面积的增加和农田面积的减少，会弱化降雨径流相关性，同时引起径流量的减少；流域径流的变化对ENSO事件具有统计学上的响应关系，当ENSO事件发生时，径流的丰枯特性会发生一定变化，径流偏丰、平水的概率大于偏枯的概率。当太阳黑子活动增强时，径流量有增加的趋势，反之，则呈减少趋势。（3）径流预测模拟分析：黄尾河流域BP模型模拟的总体相对误差为14.43%，合格率为77.5%，确定性系数为0.76，预报精度等级为乙级；SVM模拟的总体相对误差为12.41%，合格率、确定性系数及预报精度等级与BP模型相同，结果较为理想。SVM模型平均模拟水平与BP模型相近，但其模拟结果较BP模型而言更集中于较小的误差范围内，对径流的高精度模拟能力强于BP模型。BP模型的累积误差大于SVM模型，并且随着误差自由度的增大，这种差距有扩大的趋势，表明SVM模型的误差范围较小，误差间隔小于BP模型，模拟性能较BP模型更稳定。最后以与黄尾河流域北部相邻的白莲崖流域降雨径流序列对模型性能进行了验证，得到了相似的结果。
杨静懿[5]（2014）在《风力发电机的整机故障诊断》文中指出风力发电是世界上公认的最接近商业化的可再生能源技术之一。在当今强调保护环境、可持续发展的背景下,不消耗化石燃料、无环境污染的风力发电被认为是最清洁的能源利用形式。随着风能的快速发展和大规模风电机组的投入运行,且由于大部分机组安装在偏远地区,负荷不稳定等因素,我国不少风电机组都出现了运行故障,直接影响了风力发电的安全性和经济性。因此,风电机组的状态检测和故障诊断显得尤为重要,是保证机组长期稳定运行和安全发电的关键。本文简要介绍了风电机组故障诊断的国内外现状及发展趋势,在分析风电机组的工作原理、基本结构及子系统主要功能的基础上,总结了风电机组各子系统的常见故障以及目前应用于实际的主要诊断方法,并指出了故障诊断所需的检测参数。分析比较了常用的故障诊断的方法,给出了利用将模糊逻辑与SDG模型相结合的改进SDG模型构建风机整机故障诊断模型的方法。针对当前风机故障诊断系统仍处于风场级别,从系统的角度出发,利用相关性分析的原理,针对风电场中常见的矩形和一字形风机排列方式,基于实际的风场风机的输出有功功率及风速数据,得出相邻风电机组的互相关性以及风机自相关性的一般统计规律,为后续风机故障的具体分析提供了前提。针对风机的故障诊断,提出了层次故障诊断的设计思想,首先通过风场级的相关性分析及风机状态监测量将风机的状态区分为正常、非正常以及故障状态,其次在主要对故障状态进行分析研究的过程中,通过实例分析了基于模糊SDG模型的故障诊断方法的具体流程,验证了故障诊断思想设计的可行性及模型的正确性,具有一定的实用性。
郝国文[6]（2011）在《大型风电机组传动系统故障诊断信息分析方法研究与应用》文中研究指明能源和环境问题已经成为人类生存发展所要解决的紧迫问题。风能作为一种清洁能源,引起世界各国的普遍关注。各国开发的重点就是风能发电。目前,风电机组的发展越来越趋向于大型化、复杂化。为进一步提高风能应用水平和风电机组运行水平,尤其是应对突发故障或渐变故障,需要实时地了解设备的运行状况,并对风电机组进行专门的监测,进行故障预警和故障诊断,减轻人员的伤亡,降低维修成本。在风电机组常见的故障当中,传动系统的故障发生率偏高,本文简单介绍了传动系统各部件的常见故障形式,并且对常用故障诊断技术做了概括性的描述。在风电机组的故障诊断中,本文主要研究风电机组的故障诊断信息分析方法,从简易的故障诊断方法到复杂的故障诊断方法,同时完成风电机组故障诊断系统的开发。为了实现故障诊断的智能化,本文对神经网络相关理论知识研究学习,将神经网络理论应用到风电机组故障诊断中,结合风电机组模拟平台测试试验,实现故障预警与故障类型的判断。根据故障历史信息,结合运行过程中提取的特征信号,基于贝叶斯网络对风电机组的故障诊断方法进行研究。该方法以概率的形式来最终确定故障类型,并通过建立不同的网络来定位故障位置。基于贝叶斯网络故障诊断理论与方法,构建大型风电机组传动系统的故障诊断系统,通过软件编程,最终实现大型风电机组故障诊断原型系统的开发。
杨勇[7]（2008）在《EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用》文中研究说明滚动轴承是机械设备中的易损件,据统计旋转机械的故障有30%是由滚动轴承故障引起的,在其出现故障后机械设备的工作精度就会下降,甚至导致机械设备无法正常工作,出现严重的事故。可以说,滚动轴承的运行状况的好坏直接影响到整个机电设备系统的性能。所以,滚动轴承作为机械设备中最常用的部件之一,对其进行故障监测和诊断是国内外工程技术领域一直非常关注的课题。据大量的研究事实证明,目前对滚动轴承的状态进行监测与诊断,最实用的方法是振动信号分析法。本文首先从滚动轴承的故障振动机理出发,总结了滚动轴承在发生局部故障时所对应的谱值变化,并在实验室的故障诊断实验台上,针对滚动轴承正常、外滚道疲劳剥落、滚动体疲劳剥落、内滚道疲劳剥落四种状况进行了故障模拟实验,采集了这四种状况的振动信号。本文把具有自适应性的EMD方法应用在滚动轴承的故障特征值的提取中,首次提出了基于IMF能量矩的特征向量提取法,通过和小波包频带能量法与IMF能量法的比较,说明了IMF能量矩的特征向量提取法更能突显出非平稳信号的差异。并把IMF能量矩和模糊神经网络相结合,通过与单纯的模糊诊断和神经网络诊断方法的比较,证明了模糊神经网在滚动轴承的故障识别中,显着的提高了滚动轴承故障诊断与识别的准确性和实时性。
崔慧敏[8]（2007）在《基于神经网络的旋转机械故障诊断方法研究》文中认为近年来国内外的机械故障诊断技术迅速发展,其应用已遍及各个工业领域。由于旋转机械结构复杂,故障特征及原因普遍存在模糊性和复杂性,对其实施故障诊断比较困难,尽管人们对其开展了不少研究并取得了一些研究成果,但总的诊断水平还不是很高,这与其在生产中广泛应用的现状极不相符。因此,对旋转机械开展故障诊断研究具有十分重要的意义。针对旋转机械故障的特点,本文研究了神经网络故障诊断方法和模糊理论故障诊断方法,比对了两种方法的优缺点,采用了一种基于模糊神经网络（ANFIS）的旋转机械故障诊断方法。所采用的故障诊断方法具有实时性好、误报率低、算法简捷和可兼顾多参数诊断等特点,并将其用于旋转机械的故障诊断。实验结果表明,与常用的神经网络和模糊理论故障诊断方法相比,该方法能够弥补模糊理论和神经网络单独应用时所存在的不足,具有更高的诊断准确率,在旋转机械故障诊断领域具有较好的应用前景。在深入分析旋转机械故障诊断过程的基础上,借助Visual C++6.0开发环境,完成了旋转机械故障诊断原型系统的设计,并用旋转机械常见故障状态的特征向量数据对其诊断结果的正确性进行了测试和仿真,效果良好,证明此系统具有可用性。
魏春荣[9]（2004）在《基于模糊神经网络的旋转机械故障诊断方法研究》文中提出近年来国内外的机械故障诊断技术发展迅速，研究的手段和方法日新月异，其应用已遍及各个工业领域。由于旋转机械结构复杂，故障特征及原因普遍存在模糊性和复杂性，对其实施故障诊断比较困难，尽管人们对其开展了不少研究并取得了一些研究成果，但总的诊断水平还不是很高，这与其在生产中广泛应用的现状极不相符。因此，对旋转机械开展故障诊断研究具有十分重要的意义。本文研究工作就是在这个技术背景下展开的。 研究了旋转机械振动信号的消噪方法和特征提取方法。针对旋转机械振动信号的非平稳性及特征难以提取的特点，通过对小波变换技术的进一步研究，提出旋转机械振动信号处理的小波基函数选择原则及小波包消噪的软阀值原则。利用小波包变换对旋转机械振动信号进行消噪处理和特征提取。并以“能量”为元素，构造旋转机械振动信号的特征向量，从而为旋转机械振动信号的故障特征提取以及后续的故障智能诊断提供了一种便捷的处理方法。旋转机械质量不平衡和油膜涡动故障的振动信号分析结果进一步验证了这种方法的可行性和有效性。 研究了神经网络和模糊系统的故障诊断方法。模糊系统缺乏自学习能力，隶属度函数和模糊规则的选取带有一定的主观性且依赖于专家；神经网络所获得的输入／输出关系无法用容易被人接受的方式表示出来，存在非此即彼的绝对性，使诊断结果与实际情况不符。针对以上缺点，通过对神经网络和模糊系统的结合方式的研究，提出了一种基于模糊神经网络（ANFIS）的旋转机械故障诊断方法，并将其用于旋转机械的故障诊断。实验结果表明，与常用的神经网络和模糊系统诊断方法相比，该方法能够弥补模糊和神经网络单独应用时所存在的不足，具有更高的诊断准确率。在旋转机械故障诊断领域具有较好的应用前景。 在深入分析旋转机械故障诊断过程的基础上，借助功能强大的MATLAB语言系统及其工具箱，在本论文中完成了旋转机械故障诊断原型软件的开发与设计，并用旋转机械常见故障状态的特征向量数据对其诊断结果的正确性进行了测试，效果良好，证明了此系统具有可用性。
二、DIAGNOSTIC PREDICTIONS OF SST IN THE EQUATORIAL EASTERN PACIFIC OCEAN BASED ON FUZZY INFERRING AND WAVELET DECOMPOSITION（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、DIAGNOSTIC PREDICTIONS OF SST IN THE EQUATORIAL EASTERN PACIFIC OCEAN BASED ON FUZZY INFERRING AND WAVELET DECOMPOSITION（论文提纲范文）
（1）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（2）基于粗糙集与模糊神经网络的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 轴承故障诊断技术发展及研究趋势 |
| 1.3 粗糙集和模糊神经网络的研究现状 |
| 1.3.1 粗糙集理论研究现状 |
| 1.3.2 模糊神经网络的研究现状 |
| 1.4 本文的主要研究内容 |
| 第二章 滚动轴承故障机理与特征提取 |
| 2.1 轴承的典型结构和失效形式 |
| 2.2 滚动轴承的振动特性及特征 |
| 2.2.1 滚动轴承的振动特性 |
| 2.2.2 滚动轴承的固有频率计算 |
| 2.2.3 滚动轴承的特征频率计算 |
| 2.3 滚动轴承故障信号特征 |
| 2.4 轴承振动信号分析与特征提取 |
| 2.4.1 滚动轴承振动信号的时域特征提取 |
| 2.4.2 EMD故障特征提取方法 |
| 2.4.3 基于频带能量的特征提取方法 |
| 2.5 本章小结 |
| 第三章 滚动轴承故障实验台搭建 |
| 3.1 滚动轴承振动信号采集系统概述 |
| 3.2 实验材料及硬件 |
| 3.2.1 故障轴承的制备 |
| 3.2.2 传感器的选择 |
| 3.2.3 数据处理模块 |
| 3.3 基于虚拟仪器的滚动轴承振动信号采集 |
| 3.4 本章小结 |
| 第四章 基于粗糙集理论和模糊神经网络的轴承诊断 |
| 4.1 滚动轴承故障的粗糙集诊断方法 |
| 4.1.1 粗糙集理论简介 |
| 4.1.2 离散化方法 |
| 4.1.3 属性约简方法 |
| 4.1.4 基于粗糙集的故障诊断 |
| 4.2 粗糙集与模糊神经网络结合的诊断方法 |
| 4.2.1 ANFIS的系统描述 |
| 4.2.2 ANFIS学习算法 |
| 4.2.3 粗糙集与ANFIS结合的故障诊断 |
| 4.3 粗糙集、粗糙集-ANFIS诊断方法对比 |
| 4.4 本章小结 |
| 第五章 基于虚拟仪器的滚动轴承故障诊断系统开发 |
| 5.1 故障诊断系统结构 |
| 5.2 故障诊断系统设计与实现 |
| 5.2.1 用户登录 |
| 5.2.2 数据读取 |
| 5.2.3 特征参数计算 |
| 5.2.4 能量分析 |
| 5.2.5 ANFIS分析模块 |
| 5.2.6 数据库模块设计 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
（3）流域中长期水文预报与水资源承载力评价方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 选题背景与研究目标 |
| 1.3 流域中长期水文预报和水资源承载力评估理论与方法研究概况 |
| 1.4 本文主要研究内容及章节安排 |
| 2 金沙江水文特性分析及洪水遭遇研究 |
| 2.1 引言 |
| 2.2 径流年际和年内变化 |
| 2.3 金沙江洪水特性分析 |
| 2.4 本章小结 |
| 3 金沙江流域中长期水文预报建模 |
| 3.1 引言 |
| 3.2 数据驱动模型介绍 |
| 3.3 基于灰色关联分析的模糊支持向量机回归月径流预报模型 |
| 3.4 时间序列分解在中长期径流预报中的应用 |
| 3.5 本章小结 |
| 4 基于气候变量的高斯过程回归径流预报 |
| 4.1 引言 |
| 4.2 高斯过程回归模型 |
| 4.3 特征选择算法 |
| 4.4 基于方差分析的Sobol敏感性分析 |
| 4.5 实例研究 |
| 4.6 本章小结 |
| 5 基于可变模糊集与集对分析的水资源承载力评价 |
| 5.1 引言 |
| 5.2 研究区概况 |
| 5.3 可变模糊集-集对分析综合评价方法 |
| 5.4 云南省水资源评价 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录1: 攻读博士期间发表的论文 |
| 附录2: 攻读博士期间完成和参与的科研项目 |
| 附录3: 攻读博士期间奖励与授权研究成果 |
（4）大别山黄尾河流域径流特征分析及预测模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 课题来源 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究进展 |
| 1.3.1 气候变异对水文水资源的影响研究 |
| 1.3.2 土地利用/覆被变化对水文水资源的影响研究 |
| 1.3.3 径流预测技术研究 |
| 1.4 主要研究内容和技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 黄尾河流域概况和数据来源 |
| 2.1 流域概况 |
| 2.1.1 自然地理环境 |
| 2.1.2 社会经济条件 |
| 2.2 数据来源及预处理 |
| 第三章 黄尾河流域径流变化特征分析 |
| 3.1 径流年际变化特征分析 |
| 3.1.1 趋势分析及突变点确定方法 |
| 3.1.2 径流年际变化趋势性分析 |
| 3.1.3 径流年际变化突变性分析 |
| 3.2 径流年内分配特性分析 |
| 3.2.1 径流年内分配一般特征 |
| 3.2.2 径流年内分配指标变化 |
| 3.2.3 径流稳定历时分析 |
| 3.3 基于小波的径流周期性分析理论 |
| 3.3.1 小波分析法 |
| 3.3.2 径流周期性和丰枯年变化规律 |
| 第四章 黄尾河流域径流影响因素分析 |
| 4.1 降雨对径流的影响 |
| 4.1.1 降雨径流年内变化规律 |
| 4.1.2 降雨径流月际相关性分析 |
| 4.2 土地利用/覆被变化对径流的影响 |
| 4.2.1 黄尾河流域土地利用/覆被变化情况 |
| 4.2.2 黄尾河流域土地利用/覆被变化的水文效应 |
| 4.2.3 土地利用/覆被变化对径流变化的影响估算 |
| 4.3 ENSO 事件对径流的影响 |
| 4.3.1 ENSO 事件发生时间和类型 |
| 4.3.2 ENSO 事件与径流变化的关系 |
| 第五章 径流预测模型 |
| 5.1 BP 神经网络模型基本理论 |
| 5.1.1 BP 神经网络概念及网络结构 |
| 5.1.2 BP 神经网络的学习算法 |
| 5.1.3 基于 BP 神经网络的径流量预测模型设计 |
| 5.2 支持向量机基本理论 |
| 5.2.1 支持向量机的概念及体系结构 |
| 5.2.2 支持向量机预测建模的基本方法 |
| 5.2.3 基于支持向量机的径流量预测模型设计 |
| 5.3 基于 BP 网络的预测模型与 SVM 预测模型的对比 |
| 5.4 模型验证 |
| 第六章 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论与展望 |
| 攻读学位期间发表的学术论文 |
| 参考文献 |
（5）风力发电机的整机故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风电机组故障诊断技术国内外研究现状 |
| 1.2.1 国外研究发展及现状 |
| 1.2.2 国内研究发展及现状 |
| 1.2.3 目前国内外研究现状总结 |
| 1.3 本文主要研究内容 |
| 2 风力发电机的基本原理构造及故障分析 |
| 2.1 风力发电机的基本工作原理 |
| 2.1.1 风轮 |
| 2.1.2 变桨系统 |
| 2.1.3 传动系统 |
| 2.1.4 偏航系统 |
| 2.1.5 制动系统 |
| 2.1.6 发电机 |
| 2.1.7 控制系统 |
| 2.1.8 液压系统 |
| 2.1.9 安全系统 |
| 2.2 本章小结 |
| 3 风电机组故障诊断方法研究 |
| 3.1 国内外风电机组故障诊断方法的研究现状 |
| 3.1.1 专家系统 |
| 3.1.2 人工神经网络 |
| 3.1.3 故障树 |
| 3.1.4 模糊理论 |
| 3.1.5 SDG模型 |
| 3.2 算法比较及选择 |
| 3.2.1 算法的比较 |
| 3.2.2 算法的选择 |
| 3.3 本章小结 |
| 4 基于模糊SDG模型的风力发电机整机故障诊断 |
| 4.1 风力发电机组SDG模型 |
| 4.1.1 风力发电机组模糊SDG建模分析 |
| 4.2 基于模糊SDG模型的风力发电机组故障诊断方法 |
| 4.2.1 故障诊断步骤 |
| 4.2.2 故障源候选节点的筛选 |
| 4.2.3 故障源候选节点排序 |
| 4.3 本章小结 |
| 5 基于数据统计相关性分析的系统风机故障诊断 |
| 5.1 相关性分析 |
| 5.1.1 相关性原理 |
| 5.1.2 互相关性 |
| 5.1.3 自相关性 |
| 5.1.4 统计学常用评价指标 |
| 5.2 基于实际风场数据的相关性分析 |
| 5.2.1 相邻机组互相关性分析 |
| 5.2.2 自相关性分析 |
| 5.3 本章小结 |
| 6 基于风场相关性分析的风机故障诊断 |
| 6.1 故障诊断系统设计 |
| 6.2 案例分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参加的项目和发表的论文 |
| 1 攻读硕士学位期间参加的项目 |
| 2 攻读硕士学位期间发表的论文 |
| 附录 |
（6）大型风电机组传动系统故障诊断信息分析方法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 故障诊断技术国内外研究现状 |
| 1.3 风电机组及其故障诊断技术研究与应用现状 |
| 1.3.1 国外现状 |
| 1.3.2 国内现状 |
| 1.4 课题研究意义和主要内容 |
| 第2章 大型风电机组机械系统及典型故障概述 |
| 2.1 大型风电机组的基本组成 |
| 2.2 大型风电机组传动系统 |
| 2.3 风电机组传动系统典型故障 |
| 2.3.1 增速齿轮箱故障 |
| 2.3.2 低速轴和高速轴故障 |
| 2.4 传动系统的故障信号振动特征 |
| 2.4.1 齿轮箱典型故障振动信号特征 |
| 2.4.2 高、低速轴典型故障振动信号特征 |
| 2.5 本章小结 |
| 第3章 风电机组故障诊断方法分析 |
| 3.1 风电机组故障诊断过程 |
| 3.2 振动信号特征提取方法 |
| 3.2.1 时域分析 |
| 3.2.2 频域分析 |
| 3.3 风电机组故障诊断方法分析 |
| 3.3.1 阈值分析法 |
| 3.3.2 趋势分析法 |
| 3.3.3 专家系统 |
| 3.4 本章小结 |
| 第4章 风电机组神经网络故障诊断实验研究 |
| 4.1 神经网络方法概述 |
| 4.1.1 人工神经元的基本模型 |
| 4.1.2 BP 神经网络 |
| 4.1.3 BP 算法 |
| 4.2 神经网络模型的建立 |
| 4.3 实验平台概述 |
| 4.4 实验数据的分析 |
| 4.5 本章小结 |
| 第5章 风电机组基于贝叶斯网络故障诊断研究 |
| 5.1 贝叶斯网络理论分析 |
| 5.1.1 贝叶斯网络发展现状 |
| 5.1.2 贝叶斯网络的概率论基础 |
| 5.1.3 贝叶斯网络组成 |
| 5.1.4 基于贝叶斯分类器的状态识别方法 |
| 5.2 风电机组贝叶斯网络诊断模型和诊断推理 |
| 5.2.1 贝叶斯网络诊断模型框架 |
| 5.2.2 风电机组传动系统贝叶斯诊断网络的构建 |
| 5.2.3 故障诊断的贝叶斯网络推理 |
| 5.3 本章小结 |
| 第6章 基于贝叶斯网络的风电机组故障诊断信息系统设计与实现 |
| 6.1 风电机组故障诊断系统总体设计 |
| 6.2 网络构建模块设计 |
| 6.3 网络推理模块设计 |
| 6.3.1 证据信息的预处理 |
| 6.3.2 网络推理 |
| 6.4 诊断知识数据库管理模块设计 |
| 6.4.1 数据库的选取 |
| 6.4.2 数据库设计 |
| 6.5 风电机组故障诊断信息系统原型 |
| 6.5.1 网络构建与更新 |
| 6.5.2 故障诊断信息系统界面 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（7）EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 滚动轴承故障诊断技术研究的意义和目的 |
| 1.2 滚动轴承故障诊断技术的综述 |
| 1.2.1 滚动轴承故障诊断技术的发展概况 |
| 1.2.2 滚动轴承故障诊断方法概述 |
| 1.3 传统信号分析方法及其局限性 |
| 1.4 经验模态分解方法 |
| 1.5 模糊神经网络方法 |
| 1.5.1 模糊诊断与神经网络诊断的特点与差异 |
| 1.5.2 模糊诊断与神经网络结合的必要性 |
| 1.6 本论文研究的意义、主要内容及创新之处 |
| 第二章 滚动轴承故障的振动机理分析 |
| 2.1 概述 |
| 2.2 滚动轴承故障的主要形式 |
| 2.3 滚动轴承振动的基本参数 |
| 2.3.1 滚动轴承的典型结构 |
| 2.3.2 滚动轴承的特征频率 |
| 2.3.3 滚动轴承的固有振动频率 |
| 2.4 滚动轴承的振动信号特征 |
| 2.4.1 正常轴承的振动信号特征 |
| 2.4.2 滚动轴承局部损伤时的振动故障特征 |
| 2.5 本章小结 |
| 第三章 滚动轴承故障模拟实验方案 |
| 3.1 滚动轴承故障模拟实验台装置 |
| 3.2 振动信号采集装置 |
| 3.3 实验方案设计 |
| 3.3.1 滚动轴承的基本参数 |
| 3.3.2 轴承故障模拟 |
| 3.3.3 测点布置 |
| 3.3.4 试验测试装置 |
| 3.3.5 振动信号的采集 |
| 3.4 本章小结 |
| 第四章 小波变换及其在信号消噪中的应用 |
| 4.1 小波变换理论 |
| 4.1.1 小波函数基础 |
| 4.1.2 小波分解 |
| 4.1.3 频带范围 |
| 4.1.4 小波包分解 |
| 4.2 小波消噪的基本原理及仿真信号的研究 |
| 4.2.1 小波消噪的基本原理 |
| 4.2.2 仿真信号的研究 |
| 4.3 小波消噪技术在滚动轴承故障振动信号中的应用 |
| 4.4 本章小结 |
| 第五章 EMD及其在滚动轴承故障诊断中的应用 |
| 5.1 基本概念 |
| 5.1.1 希尔伯特变换及瞬时频率的概念 |
| 5.1.2 本征模函数的概念 |
| 5.2 经验模态分解(EMD)的基本原理和算法 |
| 5.2.1 经验模态分解(EMD)的基本原理 |
| 5.2.2 经验模态分解(EMD)的基本算法 |
| 5.3 基于经验模态分解(EMD)的Hilbert变换 |
| 5.4 基于 EMD的滚动轴承故障诊断 |
| 5.4.1 基于 EMD分解与小波包结合的滚动轴承的故障特征提取 |
| 5.4.2 基于 IMF能量矩的滚动轴承故障特征向量的提取 |
| 5.5 本章小结 |
| 第六章 模糊诊断方法在滚动轴承故障诊断中的研究与应用 |
| 6.1 模糊理论的基本概念 |
| 6.1.1 模糊集合的基本概念 |
| 6.1.2 模糊集合的表示方法 |
| 6.1.3 隶属度函数的确定方法 |
| 6.1.4 常用的隶属函数 |
| 6.1.5 模糊集合的基本运算 |
| 6.1.6 模糊集合与普通集合的相互转换 |
| 6.2 模糊关系 |
| 6.2.1 模糊关系的定义 |
| 6.2.2 模糊关系的运算 |
| 6.3 模糊推理 |
| 6.3.1 广义前向推理和广义反向推理 |
| 6.3.2 模糊命题 |
| 6.3.3 模糊蕴含 |
| 6.3.4 模糊推理的过程 |
| 6.4 基于模糊诊断方法的滚动轴承故障诊断 |
| 6.5 本章小结 |
| 第七章 神经网络在滚动轴承故障诊断中的研究与应用 |
| 7.1 人工神经网络的基本概念 |
| 7.1.1 人工神经元模型 |
| 7.1.2 网络结构及工作方式 |
| 7.1.3 神经网络的学习方法及规则 |
| 7.2 反向(BP)神经网络 |
| 7.2.1 BP神经网络的算法 |
| 7.2.2 BP算法的改进 |
| 7.3 BP神经网络故障诊断的方法与步骤 |
| 7.4 基于 BP神经网络的滚动轴承故障诊断 |
| 7.5 本章小结 |
| 第八章 模糊神经网络在滚动轴承故障诊断中的研究与应用 |
| 8.1 模糊系统与神经网络的连接方式 |
| 8.2 自适应模糊神经网络 ANFIS |
| 8.2.1 ANFIS系统的模型 |
| 8.2.2 ANFIS系统的结构 |
| 8.2.3 ANHS系统的学习算法 |
| 8.3 基于模糊神经网络(ANRS)的滚动轴承故障诊断 |
| 8.4 模糊推理、神经网络、ANFIS诊断结果的对比分析 |
| 8.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（8）基于神经网络的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 机械故障诊断概述 |
| 1.2.1 机械故障定义及其分类 |
| 1.2.2 机械故障的特点 |
| 1.2.3 机械故障诊断方法 |
| 1.3 机械故障诊断的国内外研究现状与发展方向 |
| 1.4 神经网络在机械故障诊断中的应用 |
| 1.5 论文的主要研究内容 |
| 第2章 模糊理论与旋转机械故障诊断 |
| 2.1 模糊理论的发展 |
| 2.2 模糊理论基础与模糊逻辑 |
| 2.2.1 模糊集合和隶属函数 |
| 2.2.2 模糊集合运算 |
| 2.2.3 模糊条件语句 |
| 2.2.4 模糊知识与模糊推理 |
| 2.3 模糊控制理论 |
| 2.3.1 控制原理 |
| 2.3.2 模糊控制器的组成 |
| 2.4 模糊理论在旋转机械故障诊断系统中的应用 |
| 2.4.1 模糊故障诊断的基本原理 |
| 2.4.2 模糊故障诊断原则 |
| 2.4.3 模糊故障诊断过程 |
| 2.5 本章小结 |
| 第3章 人工神经网络与旋转机械故障诊断 |
| 3.1 人工神经网络概况 |
| 3.2 人工神经网络的结构及学习方法 |
| 3.2.1 人工神经元模型 |
| 3.2.2 人工神经元传递函数的类型 |
| 3.2.3 人工神经网络的联接形式 |
| 3.2.4 人工神经网络的学习 |
| 3.3 典型的前向网络－反向传播网络(BP)网络 |
| 3.3.1 反向传播网络模型与结构 |
| 3.3.2 反向传播算法 |
| 3.3.3 BP 网络权值的调整规则 |
| 3.3.4 BP 网络的缺陷 |
| 3.3.5 BP 网络的改进 |
| 3.4 神经网络结构设计原则 |
| 3.4.1 网络信息容量与训练样本数 |
| 3.4.2 网络层数的确定 |
| 3.4.3 隐层节点数的设计 |
| 3.4.4 初始权值的选取 |
| 3.4.5 学习速率 |
| 3.4.6 期望误差的选择 |
| 3.5 神经网络在旋转机械故障诊断中的应用 |
| 3.5.1 旋转机械故障诊断网络的建模及网络分析 |
| 3.5.2 诊断网络参数选择 |
| 3.5.3 诊断模型在旋转机械故障诊断中的实际应用 |
| 3.6 本章小结 |
| 第4章 模糊神经网络故障诊断方法和系统实现 |
| 4.1 模糊和神经网络的结合方式 |
| 4.2 自适应模糊神经网络ANFIS |
| 4.2.1 ANFIS 结构 |
| 4.2.2 ANFIS 算法 |
| 4.3 基于ANFIS 的旋转机械故障诊断实现 |
| 4.4 故障诊断分析与评价 |
| 4.4.1 诊断结果的对比分析 |
| 4.4.2 三种诊断方法的比较 |
| 4.5 旋转机械故障诊断系统开发 |
| 4.5.1 旋转机械故障诊断过程 |
| 4.5.2 故障诊断系统模块介绍 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（9）基于模糊神经网络的旋转机械故障诊断方法研究（论文提纲范文）
| 第1章 绪论 |
| 1.1 旋转机械故障诊断技术的研究意义 |
| 1.2 旋转机械故障诊断技术的研究现状 |
| 1.3 旋转机械故障诊断技术的发展趋势 |
| 1.4 论文的主要研究内容 |
| 第2章 基于小波包的旋转机械故障特征提取方法研究 |
| 2.1 小波包分析 |
| 2.1.1 从傅立叶变换到小波包变换 |
| 2.1.2 小波包变换 |
| 2.1.3 旋转机械振动信号处理中小波包基函数的选择 |
| 2.2 旋转机械故障信号的消噪处理 |
| 2.2.1 小波消噪的基本原理 |
| 2.2.2 小波包消噪处理 |
| 2.3 旋转机械故障信号的特征提取 |
| 2.3.1 特征向量提取的基本概念和任务 |
| 2.3.2 基于小波包的旋转机械故障信号特征提取 |
| 2.4 本章小结 |
| 第3章 神经网络故障诊断方法研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络结构 |
| 3.1.2 BP神经网络算法 |
| 3.2 基于BP神经网络的旋转机械故障诊断方法 |
| 3.2.1 故障诊断过程 |
| 3.2.2 基于BP神经网络的故障诊断 |
| 3.3 本章小结 |
| 第4章 模糊神经网络故障诊断方法研究 |
| 4.1 模糊和神经网络的结合方式 |
| 4.2 自适应模糊神经网络ANFIS |
| 4.2.1 ANFIS结构 |
| 4.2.2 ANFIS算法 |
| 4.3 基于ANFIS的旋转机械故障诊断方法的实现 |
| 4.4 诊断结果对比分析 |
| 4.4.1 神经网络、模糊系统、模糊神经网络(ANFIS)诊断结果的对比分析 |
| 4.4.2 三种方法的对比分析 |
| 4.5 本章小结 |
| 第5章 旋转机械故障诊断软件原型系统开发 |
| 5.1 旋转机械故障诊断过程 |
| 5.2 应用工具软件的简要介绍 |
| 5.3 故障诊断软件系统各模块的主要用法与功能 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
四、DIAGNOSTIC PREDICTIONS OF SST IN THE EQUATORIAL EASTERN PACIFIC OCEAN BASED ON FUZZY INFERRING AND WAVELET DECOMPOSITION（论文参考文献）
- [1]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [2]基于粗糙集与模糊神经网络的滚动轴承故障诊断研究[D]. 张一朦. 大连交通大学, 2018(04)
- [3]流域中长期水文预报与水资源承载力评价方法研究[D]. 朱双. 华中科技大学, 2017(10)
- [4]大别山黄尾河流域径流特征分析及预测模型研究[D]. 顾哲衍. 南京林业大学, 2014(04)
- [5]风力发电机的整机故障诊断[D]. 杨静懿. 东华大学, 2014(09)
- [6]大型风电机组传动系统故障诊断信息分析方法研究与应用[D]. 郝国文. 燕山大学, 2011(10)
- [7]EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用[D]. 杨勇. 太原理工大学, 2008(10)
- [8]基于神经网络的旋转机械故障诊断方法研究[D]. 崔慧敏. 燕山大学, 2007(02)
- [9]基于模糊神经网络的旋转机械故障诊断方法研究[D]. 魏春荣. 大庆石油学院, 2004(03)