一、基于混沌变量的变步长梯度下降优化算法（论文文献综述）
钟昌廷[1]（2020）在《基于智能优化算法的工程结构可靠度研究》文中研究表明在结构的设计和风险分析中,需要考虑与尺寸、荷载、材料性能等有关的各种不确定性的影响,可靠性分析是考虑这些不确定性的一种非常有效的技术,其主要任务是获得结构的失效概率。在可靠性分析的各种数值方法中,一阶可靠度法（FORM）是结构可靠性界非常流行的方法。然而,在求解具有高度非线性极限状态函数的高维问题时,一阶可靠度法通常会遇到不收敛或发散的情况。这一困难限制了一阶可靠度法在工程和复杂问题中的进一步应用。针对高非线性和高维可靠性分析问题,提出了四种基于不同群智能优化算法来改善一阶可靠度法的性能,并在复杂工程结构中进行了应用。本文主要工作如下:（1）提出了一种结合樽海鞘群算法（SSA）和一阶可靠度法的可靠性分析混合方法。SSA算法受深海樽海鞘群体食物搜索行为的启发,能够在优化问题中找到全局解。在所提出的SSA-FORM方法中,利用外部惩罚函数法来处理约束条件,以方便元启发式优化策略。然后,利用具有较强全局寻优能力的SSA算法寻找全局最优可靠指标。使用了8个算例对SSA-FORM方法进行了验证,并比较了多种基于梯度和基于启发式的改进一阶可靠度法。结果表明,所提出的SSA-FORM在非线性问题上有良好的性能。（2）提出了一种结合栗翅鹰优化（HHO）的改进一阶可靠度法用于高维问题的可靠度分析。HHO是一种模仿栗翅鹰捕食行为的元启发式算法,能有效地求解高维问题的全局最优解。为了实现所提出的HHO-FORM算法,首先根据形式理论将可靠性指标表示为约束优化问题的解。然后,利用外部罚函数法对约束条件进行处理。此外,最优可靠性指标由栗翅鹰优化算法确定,该优化通过基于种群的机制和莱维飞行策略加速收敛。HHO-FORM不需要极限状态函数的导数,从而减少了高维问题的计算负担。因此,HHO-FORM的简单性大大提高了求解高维可靠性问题的效率。将HHO-FORM应用于多个高维数值问题,并将其应用于一个高维框架结构可靠度分析。并将几种FORM算法与HHO-FORM进行了比较。实验结果表明,HHO-FORM算法在所测试的高维问题上有着良好的性能。（3）提出了一种基于教学优化的改进一阶可靠度法（TLBO-FORM）。TLBO的灵感源于课堂内教师学生的学习行为,以提高学习成绩作为优化目标。TLBO-FORM算法利用一阶可靠度理论将可靠性指标表示为一个约束优化问题的解。然后,采用外部罚函数法对优化问题进行约束处理。之后,采用TLBO的教师和学习两阶段策略,通过迭代过程寻找全局最优可靠指标。另外,还发展了多个版本的混沌TLBO-FORM方法。通过19个可靠度算例对所提算法进行测试,验证了所提方法的准确性和有效性,充分说明了TLBO-FORM能够在不同类型和各维度问题上的适用性。另外,通过参数讨论,说明了TLBO-FORM比HHO-FORM有着更好适应性的原因。（4）提出了采用平衡优化算法（EO）来改进一阶可靠度法进行结构可靠度分析。EO的灵感来源于用于评估动态和平衡状态的控制体积-质量平衡模型。为了实现EO-FORM算法,将可靠性指标表示为一个约束优化问题的解,而约束则由外部罚函数法处理,然后利用EO算法搜索全局可靠性指标。通过多个数值和工程算例对所提出的EO-FORM进行了验证,结果表明EO-FORM在各类问题中具有良好的精度和效率。最后给出了四种改进FORM方法求解不同类型可靠度问题的使用建议。（5）研究了大型复杂工程结构的可靠度分析,三个工程结构分别为布洛溪大桥、测地线空间网架穹顶结构、三维岩质边坡,并测试了第二章至第五章所提的SSA-FORM、HHO-FORM、TLBO-FORM、EO-FORM方法的性能,且分别设置了不同大小的算法参数进行性能对比。在布洛溪大桥结构可靠度分析中,TLBO-FORM在算法参数较小的时候性能最佳,EO-FORM则在算法参数较大时性能最佳。在测地线空间网架穹顶结构可靠度分析中,EO-FORM和SSA-FORM表现最好。在三维岩质边坡可靠度分析中,TLBO-FORM的性能最好,EO-FORM在算法参数较大时全局收敛性较好。结果表明,本论文所提方法可用于复杂工程结构可靠度分析中。（6）研究了新型带暗支撑组合核心筒结构的可靠度分析。首先基于编号为CW3X-1的核心筒低周往复实验结果,采用Open SEES软件对组合核心筒结构进行有限元分析。然后,考虑各种因素（荷载、混凝土与钢筋材料性能）的变异性和不确定性,计算新型核心筒结构的可靠指标,评估结构安全性能,并讨论了在不同轴压比、高宽比、连梁跨高比、墙肢钢板暗支撑含钢率、加载方式等因素对可靠指标和失效概率的影响。之后,采用本文所提智能优化FORM方法,评估了随机变量对可靠指标的参数敏感性。
卫佳敏[2]（2020）在《群智能优化算法及其在分数阶系统参数辨识中的应用研究》文中研究指明群智能优化算法是一类通过模拟自然界生物种群的智能行为而产生的随机优化算法,具有对目标函数的要求不高、不依赖于初值的选取等特点,为许多领域中的优化问题提供了卓有成效的解决方案.目前,已经提出了多种新兴或改进的群智能优化算法,其中一些算法的有效性不仅在理论上得到了验证,在实际中也得到了应用,但是对群智能优化算法的研究在很多方面仍存在可以提升的空间.例如,如何在算法的探索能力和开发能力之间达到较好的平衡仍是一个值得探讨的问题.另外,有些算法在解决实际问题时存在计算精度不高、收敛速度慢或易于陷入局部最优等问题,提出相应的改进算法具有重要意义.此外,已提出的优化算法通常是针对某个特定问题而设计的,当将其应用到其他问题时存在失去效力的风险,具有一定的局限性,因此,采用具有不同复杂特性的测试函数来综合评判算法的优化性能很有必要.另一方面,分数阶系统的参数辨识问题是非线性系统的控制与同步领域中非常重要的一个研究课题,可以通过建立数学模型将其转化为一个多维优化问题,然而由于分数阶微分算子的引入和非线性系统的复杂性,构造的适应度函数可能存在多个局部极值点,传统的优化算法往往难以处理,而原始的群智能优化算法也存在一定的缺陷,提出新的改进算法不仅可以改善算法的优化性能,同时将为参数辨识问题提供更加有效的解决方案.综上所述,本文主要研究了以布谷鸟搜索（CS）算法为代表的一类群智能优化算法,通过分析算法的特点和不足,提出了一系列改进的群智能优化算法,并将其应用到分数阶（整数阶）非线性系统的参数辨识问题中.此外,为了更加全面地研究算法的优化性能,选取一系列函数优化问题对算法的优化性能进行测试和评价,最后再次采用参数辨识问题来验证算法的有效性和通用性.本文的具体内容如下:（1）基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识.CS算法在其局部搜索阶段采用了比较简单的随机游走机制,搜索速度快,但是解的多样性较低.针对这个问题,提出了一种混合布谷鸟搜索（HCS）算法.HCS算法在CS算法的局部随机搜索阶段,引入了一种参数自适应的差分进化策略,给出了基于差分进化的随机游走.此外,在算法的初始化和每次迭代的最后结合了反向学习方法,引导种群向更有潜力的区域进行搜索.最后,将HCS算法应用到整数阶无时滞和时滞混沌系统的参数辨识中,数值实验结果表明,HCS算法可以得到较为精确的参数辨识值,并且收敛速度较快,在与其他算法比较时也具有一定的竞争优势.（2）基于改进的量子行为粒子群优化算法的分数阶非线性系统的参数辨识.为了改善量子行为粒子群优化（QPSO）算法易于陷入局部最优这一缺陷,同时保留其收敛速度快、控制参数少等优点,通过在QPSO算法中引入基于适应度值的平均最优位置、推广的反向学习方法和差分变异算子,提出了一种改进的量子行为粒子群优化（IQPSO）算法,并将该算法应用到分数阶混沌系统的参数辨识中,其中系统参数和分数阶阶数被设定为未知参数,此外,还考虑了噪声对参数辨识结果的影响,相比以往的研究工作,具有更高的维数和要求,处理起来难度更高.通过分析实验结果得出,IQPSO算法可以被认为是一种精确度高、通用性强、鲁棒性好的分数阶系统的参数辨识方法,相比其他算法具有一定的优越性.（3）基于两种改进的布谷鸟搜索算法的函数优化及应用.通过对分数阶系统的参数辨识问题的研究,我们发现针对特定问题而设计的群智能优化算法往往具有一定的局限性,仅在某些特定问题中体现出其优势.因此,在已有研究工作的基础上考虑了函数优化问题.同时,为了进一步提高CS算法的优化能力,增强其探索能力和开发能力,分别针对全局搜索阶段和局部搜索阶段做出改进,提出了兼具高优化性能和广泛通用性的两种CS改进算法:参数自适应的新型布谷鸟搜索（CSAPC）算法和带有外部存档的自适应布谷鸟搜索（ACS-OEA）算法.并采用具有单峰、多峰、旋转和/或移位等复杂性质的测试函数问题从不同方面对所提出算法的性能进行评价,此外,为了进一步验证算法的有效性,还将两种算法应用到分数阶系统的参数辨识问题中.通过分析数值实验结果可以得出,两种改进的布谷鸟搜索算法均具有较高的计算精度和收敛效率,同时具有一定的通用性.（4）对布谷鸟搜索算法中分布函数的分析.算法的探索能力与分布函数产生的随机数之间有着密切的联系,CS算法因为采用了基于L′evy重尾分布的L′evy飞行而具有较强的全局优化能力.然而采用不同的重尾分布也可能在一定程度上提高CS算法的搜索能力,因此,我们对基于不同重尾分布的CS算法进行了分析,主要采用四种经典的重尾分布,即Mittag-Leffler分布、Pareto分布、Cauchy分布和Weibull分布,来替换CS算法中的L′evy分布,提出了基于相应重尾分布的布谷鸟搜索算法.数值实验结果表明,采用不同的重尾分布可以有效地增强CS算法的探索能力.
胡诗杨[3]（2020）在《哈密顿系统保能量算法的构造及应用》文中进行了进一步梳理能量是保守哈密顿动力学系统中的重要守恒量,在一定程度上决定了系统的运动规律。在求解保守哈密顿系统时,把握体系能量不变是准确分析系统动力学性质的关键,这就促使我们要构造、发展基于保守哈密顿系统的保能量算法。本文在哈密顿正则方程离散化的基础上,将每一个正则变量的梯度改写成多个哈密顿量差、商的形式,进行多次平均,成功地构造出具有二阶精度、不含任何截断误差的8维哈密顿系统保能量算法,填补了此类型算法在高维哈密顿系统中的空缺。我们将新构造的二阶8维保能量算法应用于无序离散非线性薛定谔方程、Fermi-Pasta-Ulam-β模型和后牛顿自旋致密双星系统,测试了算法的能量误差、轨道误差、计算效率等多个方面的性质,并将相关数值结果与同阶龙格-库塔法、隐式中点法、扩大相空间类辛算法进行对比。通过比较不同算法的表现,我们发现二阶8维保能量算法在保持系统能量不变方面具有绝对优势,其计算所得能量误差精度极高,且呈现长期稳定趋势。同时,我们利用二阶8维保能量算法求得的数值解,分析了 Fermi-Pasta-Ulam-β模型的轨道动力学特征,研究了系统由有序状态转为混沌的能量临界值。在后牛顿自旋致密双星系统中,我们借助保能量算法分析了天体轨道形状、进动、引力波辐射与轨道初始偏心率的关系。因为保能量算法是不含有任何截断误差项的、严格保持系统能量不变的稳定数值积分算法,所以在一些需要长期保持系统能量不变的研究中,保能量算法是可靠的求解工具,值得进一步发展。
熊奎[4]（2020）在《基于固定维度特征空间的鲁棒自适应滤波器研究》文中指出作为统计信号处理的有力工具,自适应滤波器被广泛应用于信息处理、自动控制、目标跟踪和生物医学等领域。对于这些实际应用,模拟环境的统计特性不是单纯的高斯的,而是非高斯的,也就是轻尾的（如均匀和二进制）和重尾的（如拉普拉斯和α稳态）统计量。另外,模拟系统的数据往往是非线性的、大规模的、多元的以及非平稳的。在系统环境方面,在自适应滤波器中引入归一化、变步长和非二次代价函数以用于鲁棒学习,且代价函数设计是研究者最常用的方法。在数据方面,利用随机特征近似方法将核空间近似为固定维的特征空间,从而有效地减少了运算成本和内存需求。然而,以上两类自适应滤波器不能同时在高斯和非高斯环境中提供理想的滤波精度、运算和存储效率以及跟踪能力。为此,本文在原始数据空间、随机特征空间和复数特征空间建立不同固定维度的鲁棒自适应滤波器以解决上述问题。本文的主要工作如下。（1）在原始数据空间,提出了广义对数代价函数,然后通过最小化该代价函数并利用梯度下降方法,提出了鲁棒的最小平均对数二次（RLMLS,robust least mean logarithmic square）算法。为了进行理论分析,在均方意义上导出了RLMLS算法的暂态性能、稳态性能和跟踪性能。为进一步提高RLMLS算法的收敛速度和滤波精度,利用一种新的变步长方法提出了变步长RLMLS（VSSRLMLS,variable step-size RLMLS）算法。本文提出的RLMLS算法和VSSRLMLS算法能够同时对抗高斯和非高斯噪声,且相对于传统滤波器在性能上也得到了提高。（2）为了解决相关熵在凸优化应用中的非凸问题,利用半平方（HQ,halfquadratic）优化方法将相关熵转化为一个半平方函数。然后,最大相关熵问题被转化为加权最小二乘问题,从而构建起相关熵HQ（CHQ,correntropic HQ）优化方法。本文建立的CHQ方法可以扩展到不同的局部相似性度量,且为全局凸优化方法。利用随机傅里叶特征近似高斯核,建立起随机傅里叶特征映射（RFFM,random Fourier features mapping）,其将输入信号投射到固定维的随机傅里叶特征空间（RFFS,random Fourier features space）。因此,利用共轭梯度法求解加权最小二乘问题,提出了随机傅里叶特征相关熵共轭梯度（RFFKCCG,random Fourier features kernel correntropy conjugate gradient）算法。具有线性滤波器结构的RFFKCCG算法显着地降低了传统核自适应滤波器的复杂度,且在脉冲干扰和非脉冲干扰环境中能够保证其滤波精度。（3）基于传统随机傅里叶特征方法,利用复数化实数再生核希尔伯特空间（RKHSs,reproducing kernel Hilbert spaces）方法,提出了复数RFFM（CRFFM,complex RFFM）,其能够将复数数据投射到固定维的复数RFFS。为了对抗复数非高斯噪声,提出了复数柯西代价函数,并导出了其重要性质及证明。然后,利用CRFFM将输入信号投射到复数RFFS,并通过最小化复数柯西代价函数,提出了复数随机傅里叶特征递归复数柯西（CRFFRCC,complex random Fourier features recursive complex Cauchy）算法。在复数非高斯噪声环境,CRFFRCC算法分别降低和提高了传统复数自适应滤波器的复杂度和性能。另外,CRFFRCC算法在非平稳系统中还能够提供有效的跟踪性能。
刘玉奇[5]（2019）在《基于核近似技术的自适应滤波算法研究》文中指出目前,传统核自适应滤波算法由于存在权值网络无限制增长问题,导致计算复杂度较大。核近似技术具有提高核学习训练效率的优点。将其引入到核自适应滤波领域得到的核自适应滤波算法从根本上解决了权值网络无限制增长的缺陷,一定程度上降低了计算复杂度,但在计算复杂度、精度、收敛速度等方面仍有待进一步改进。具体表现包括:（1）针对计算资源受限的嵌入式系统进行在线滤波的应用需求,基于随机傅里叶特征的核自适应滤波算法复杂度较高;（2）随机傅里叶特征的参数缺少优化方法导致算法精度较低;（3）收敛过程中对权值更新的调控能力不足导致收敛速度较慢等诸多问题。因此本文围绕当前基于核近似技术的自适应滤波算法存在的复杂度较大、精度较低和收敛速度较慢的问题展开研究。论文完成的主要研究工作如下:基于随机傅里叶特征的核自适应滤波算法由于需要将输入映射到较高维度的特征空间才能达到较满意的滤波精度,导致算法计算复杂度较高、占用计算和存储资源较大的问题,难以适用于计算资源受限的在线自适应滤波应用。本文从核近似技术的角度解决特征映射方法上的缺陷,提出了一种基于约简高斯核函数的最小均方算法,通过利用高斯核部分泰勒展开的低阶项近似得到一种约简的高斯核函数,减少了特征映射所需的维度,从而降低了核自适应滤波算法的计算复杂度。此外,利用统一的非线性滤波算法分析框架“能量守恒关系”对该算法进行了收敛性能分析。通过研究每次迭代的能量流进行均方收敛分析,给出了相邻迭代之间的能量关系和均方收敛的充分条件,并建立了稳态均方误差理论值的上下限,提供了算法部分参数值的设置依据。在时间序列预测和信道均衡仿真实验中的结果表明,与现有核自适应滤波算法相比提出的算法在达到相近的精度性能时的计算复杂度更小。随机傅里叶特征的频率参数对随机傅里叶特征核最小均方算法的精度性能起到至关重要的作用。频率参数的取值为一定概率分布的随机采样值,由于采样随机性使得近似核函数的精度不高,导致算法滤波精度性能较差。因此,本文针对现有的特征参数预处理方法对随机傅里叶特征的参数样本集优化能力不足导致的算法滤波精度有待提高的问题,针对随机傅里叶特征的特征参数采样结果优化方法展开研究。本文首先提出了一种以训练均方误差作为评估标准,在不同维度设置下对频率参数样本集进行筛选的预训练策略,得到一组最佳的频率参数样本集,以提高算法的精度性能。实验结果表明,相比于直接采用随机采样结果,筛选出的频率参数样本集极大提高了算法的精度性能。但以上对频率参数样本集整体进行训练的预处理方法计算复杂度较大,不适用于计算资源受限的系统。因此本文进一步提出了一种对特征参数采样值进行直接评价的预处理方法,通过利用核极化法对随机傅里叶特征的频率参数采样值进行度量,在特征参数预处理阶段筛选出一组与训练样本特征一致性高的参数样本集。以该参数样本集赋值的随机傅里叶特征称为极化随机傅里叶特征。提出的极化随机傅里叶特征核最小均方算法在仿真实验中的结果表明,特征参数极化预处理方法可以有效提高随机傅里叶特征核最小均方算法的精度,且极化预处理方法相比预训练方法更简单、高效。针对现有随机傅里叶特征核自适应滤波算法由于采用固定步长导致难以同时保证较好的精度和收敛速度的问题,以极化随机傅里叶特征核最小均方算法为研究对象,开展收敛性能优化方法研究。提出了一种变元步长策略,通过动态调整步长更新式中误差能量项的系数,使算法能够在期望误差较大时增大对步长参数的调控力度,从而提高算法的动态收敛性能。进一步针对变元步长策略的极化随机傅里叶特征核最小均方算法的收敛性能进行研究,引入动量技术并结合变遗忘因子策略对算法的权值收敛过程进行改进,提出了一种变遗忘因子变元步长极化随机傅里叶特征核最小均方算法。通过变遗忘因子策略动态调整历史信息对权值优化过程的影响,提高非平稳环境下权值更新对历史信息的利用效率,进一步提高算法的收敛速度和动态跟踪能力。广泛的仿真实验结果表明,所提出的变遗忘因子变元步长极化随机傅里叶特征核最小均方算法仅牺牲了少量的计算复杂度代价但收敛速度得到了有效提高。
马志阳[6]（2019）在《基于LMS和FA的盲源分离优化算法研究》文中研究表明盲源分离（Blind Source Separation,BSS）是信号处理领域的一个重要分支,且一直深受广大学者的关注。如今盲源分离技术被广泛应用于生物医学信号、图像、语音信号等信息处理领域,是一种融合了神经网络、数理统计等其它学科的研究课题。在瞬时盲源分离领域,传统盲源分离算法主要集中在基于最小均方（Least Mean Squares,LMS）的自然梯度算法（Natural Gradient Algorithm,NGA）和等变自适应（Equivariant Adaptive Separation via Independence,EASI）算法。在工程实践中,由于部分混合信号是由不同类型信号组合而成,因此需要将群集智能算法应用到盲源分离中或者对传统算法进行优化。然而群集智能算法存在收敛速度慢等缺陷。因此,本论文对自然梯度算法、EASI算法和萤火虫算法（Firefly Algorithm,FA）展开研究并进行优化,主要工作如下:1.针对传统盲源分离算法性能受固定步长参数制约的问题,研究出一种自适应调节参数的盲源分离优化策略。其中,以自然梯度算法和EASI算法为基础,依靠实时的输出信号建立一种新的表征信号分离程度的指标,从而实时调整步长与动量因子,最终选取恰当、准确的数值。在平稳和非平稳环境下,利用改进的优化算法对接收到的混合信号较好地分离,且分离效果优于传统算法。2.针对混合信号由不同类型源信号组合而成的情况下,传统盲源分离算法存在激活函数不易选取的问题;且萤火虫算法存在易陷入局部极值,收敛速度慢等缺点,研究出一种改进萤火虫算法的盲源分离优化方法。该方法首先对萤火虫算法中随机扰动项的步长因子实时调节,然后在位置更新公式中增添全局最优解引导项来引导萤火虫移动;并将正交矩阵以参数化的形式表示,减小算法的复杂度。在平稳环境下,改进后的萤火虫算法可将含有不同类型的混合信号重构出源信号,并解决传统算法激活函数选取难的问题,且性能优于基本萤火虫算法。本文借鉴前人学者的研究成果,对LMS算法和萤火虫算法进行研究并加以改进。并对改进的算法进行数学分析和仿真验证,表明所提出改进策略的正确性和有效性,在盲源分离领域具有一定的借鉴意义和应用前景。
朱帅[7]（2019）在《动力学问题的高精度算法及其在燃气轮机工程的探索》文中研究指明本文是燃气轮机工程和计算数学相结合的一篇论文,是一个跨专业跨学科的研究成果。燃气轮机和航空发动机有着极其广泛的应用,它们不仅是国防装备中的关键,而且在国民经济中的电力、能源开采和输送、分布式能源系统领域具有不可替代的战略地位和作用。动力学是燃气轮机和航空发动机的重要理论基础。燃气轮机中发动机的动态特性、压气机和涡轮通流部分的非定常场流动、高温部件冷却过程的非定常传热传质过程、燃烧室中与燃烧相关的化学物理过程……都涉及动力学的问题,这些重要过程的合理组织都必须在动力学指导下进行。动力学又是数学家高度重视而为之做出贡献的领域,为了用“科学计算”解决动力学问题,他们把长期在牛顿力学系统中展开的动力学问题转到Hamilton力学系统,构造合适的辛几何算法,从而提高“科学计算”的有效性和可靠性。本文根据燃气轮机动力学问题（工程热物理范畴）的需要,在Hamilton力学系统表达中,利用有限元方法离散框架,设计求解Hamilton系统的新型高精度算法。数值求解线性Hamilton系统的诸多辛算法虽然可以保证系统的结构特性,但仍存在较大的相位误差和能量误差。本文针对线性Hamilton系统提出“无相位误差加权间断时间有限元方法（WDG-PDF）”。WDGPDF方法利用间断时间有限元方法在节点不连续的特性,设计可以保证无相位误差的加权权重,并通过对传递矩阵的处理实现算法保辛。本文给出了WDG-PDF方法保辛和无相位误差证明。WDG-PDF方法在保辛和无相位误差的同时,数值上Hamilton函数误差达到计算机舍入误差量级。因此对于线性Hamilton系统,无相位误差加权间断时间有限元方法是最优的选择。本文针对非线性Hamilton系统,提出“自适应时间有限元方法（ATFEM）”。近年来自适应高效算法在求解动力学问题中得到广泛应用,但是现有的自适应算法求解Hamilton系统往往不能保证Hamilton系统的固有特性（能量守恒、辛结构等）。A-TFEM方法利用时间有限元方法的后验误差估计,设计自适应指标Θ,当自适应指标Θ大于预设的误差范围上界,则缩小计算步长;当自适应指标Θ小于预设误差范围下界,则增加计算步长。本文给出了A-TFEM方法的保能量以及保辛特性的证明,从理论上证明算法的保能量及高精度保辛性质。选取具有典型意义的非线性Hamilton系统,利用A-TFEM方法进行数值仿真,数值实验验证了理论分析结果。燃气轮机动态过程的计算长期在牛顿力学系统中进行,本课题组将该问题纳入Hamilton力学系统进行表述。研究表明上述“A-TFEM方法”非常适合于燃气轮机动态过程的数值计算,明显地提高计算效率。数值结果显示“A-TFEM方法”较以前求解该模型的“FSJS算法”在能量守恒以及计算精度上都有较大的改进。燃气轮机工程中的许多动力学问题必须用偏微分方程来描述,最典型的就是流动的控制方程——Navier-Stokes方程。数学家做了大量的研究工作,构建了诸多数值求解模型和算法。为了避免数值求解NavierStokes方程中遇到的鞍点问题,数学家提出了不同的解耦方法。Gauge方法是基于Navier-Stokes方程的Hamilton形式而发展的着名的解耦算法,然而Gauge方法在计算实践中还存在不少有待解决的问题。针对Gauge方法的诸多问题本文提出了“改进Gauge方法（MGM）”,MGM方法是Navier-Stokes方程数值求解格式上的创新。本文一方面给出了MGM方法稳定性分析和速度及压力的误差估计,即从理论上证明算法的有效性;另一方面,利用MGM方法计算了流体力学中的经典模型,数值实验验证了理论分析结论。MGM方法不仅适用于Navier-Stokes方程,而且可推广应用到更复杂的偏微分方程,例如Boussinesq方程。
褚鼎立[8]（2018）在《基于独立分量分析的盲源分离算法研究》文中研究表明盲源分离作为通信对抗侦察领域的一种重要手段,近年来受到更加广泛的重视,深入研究盲源分离技术有着重要的军事意义。本文针对通信对抗侦察中线性瞬时混合的通信信号盲源分离问题,基于独立分量分析深入研究盲源分离算法,主要研究内容如下:（1）系统地阐述了基于独立分量分析的盲源分离基本原理,总结了独立分量分析方法的基本步骤,介绍了独立分量分析中几种常用的独立性准则,分析了三种常用优化算法的优缺点,为后续章节提供理论基础。（2）信源数目估计算法研究。针对信息论准则算法在有色噪声中估计失效的问题,提出一种改进算法,该算法通过对角加载技术白化色噪声,适用于色噪声环境;针对盖尔圆准则算法估计精度低的问题,结合信息论准则提出一种改进算法,通过构造的对角矩阵进行矩阵变换,使得算法方位角分辨率更高。（3）基于自然梯度的盲源分离算法研究。推导了自然梯度算法,分析了自然梯度算法的性能;针对四种常规的变步长思想分离精度低、收敛速度慢的问题,提出一种的新的变步长算法,通过估计混合矩阵,得到串音误差的估计值,再利用该估计值自适应地控制步长的变化,仿真实验证明该算法收敛速度更快,全局寻优能力更强,一定程度上平衡了收敛速度与分离精度之间的矛盾,同时算法在低信噪比时也有很好的分离性能。（4）基于鲸鱼优化的盲源分离算法研究。针对鲸鱼优化算法收敛速度慢的问题,提出一种结合自适应权重和模拟退火策略的改进算法,仿真表明改进算法收敛速度提高的同时,计算精度也大幅提高;针对盲源分离算法中收敛速度和分离精度存在矛盾的问题,将改进的鲸鱼算法用于线性瞬时混合信号的盲源分离,以分离信号的峰度为代价函数进行寻优,仿真中对比了改进的粒子群算法和标准鲸鱼优化算法,结果表明改进算法对盲信号的分离精度更高,收敛速度更快;将改进的鲸鱼优化算法结合主分量分析用于线性瞬时混合信号的有序盲分离中,该方法能够按照峰度绝对值的倒序逐个分离出服从任意分布的源信号。（5）设计了盲源分离软件。软件包含信号生成模块、信源数目估计模块和信号分离模块,分别通过仿真信号和实测信号的实验,验证了软件的有效性。
郑宇昕[9]（2018）在《最优输入设计方法及其在飞行器参数辨识中的应用》文中研究表明作为飞行器试验及设计应用领域的核心和基础技术,气动参数辨识精确度的提高有着极为重要的研究意义。本论文在飞行器六自由度建模与非线性气动建模的基础上,研究解决了飞行器气动参数辨识中参数可辨识性、试验数据预处理、辨识算法改进、最优输入设计等关键技术,取得了如下成果:1、建立并分析了飞行器数学模型（1）建立了飞行器六自由度数学模型,以及非线性气动模型;（2）明确了飞行器气动参数辨识系统中的状态方程组、观测方程组,并分析了气动参数的可辨识性;（3）对极大似然估计法进行了深入研究,应用Newton-Raphson迭代算法作为辨识算法对飞行器气动参数进行了辨识,并指出了由于算法对迭代初值的敏感性、迭代进行中Jacobian矩阵求解困难等因素,使用Newton-Raphson迭代算法得到的辨识结果不尽人意,甚至无法收敛。2、研究了传统优化算法在飞行器气动参数辨识中的应用（1）将气动参数辨识问题进行了转换,使其成为基于最小二乘准则的小残差非线性最小二乘优化问题,并将其归纳为无约束优化问题;（2）在无约束优化问题的基础上,引入了Newton法、基础Gauss-Newton法,并指出了其在求解飞行器气动参数辨识问题中所存在的局限性;（3）针对基础Gauss-Newton法迭代方向可能不下降的问题,引入了改进算法——变步长Gauss-Newton法与LevenbergMarqurdt法;（4）根据单一算法的特点,提出了将变步长Gauss-Newton法和Levenberg-Marqurdt法结合在一起的混合迭代算法,并在其迭代过程中提出了Jacobian矩阵的简化更新策略,缓解了迭代过程中Jacobian矩阵求解困难的问题。3、研究并改进了粒子群算法（1）研究了粒子群算法（Particle Swarm Optimization,PSO）,指出了标准PSO算法在解决高维非线性问题时很容易陷入局部最优;对惯性权重和学习因子进行了分析,并引入了相应的改进,为后续改进算法的比较提供了基础;（2）研究了社会情感模型,分析其中的智能行为,提出了一种改进的粒子群算法——社会情感粒子群算法（Social Emotional Particle Swarm Optimization,SEPSO）,通过改进加强了粒子群算法的种群多样性,从而为其在飞行器气动参数辨识中的应用提供了可能。4、研究了最优输入设计方法（1）研究了最优设计准则,由于条件数在矩阵运算中是十分重要的评判准则,因此,基于D-最优准则与矩阵条件数,提出了一种新的最优设计准则——Dc-最优准则;（2）研究了多正弦正交输入方法,为最优输入设计提供方法;（3）针对飞行器线性模型单一运动方向,设计了基于Dc-最优准则与多正弦正交输入方法的最优输入激励,通过仿真,该激励所得到的参数辨识精度有所提高。5、研究了基于最优输入设计及粒子群算法的飞行器气动参数辨识（1）针对飞行器六自由度非线性模型及非线性气动模型,设计了最优输入激励;（2）研究了测量数据预处理技术,提出了自适应抗差Kalman法对噪声与偏差进行处理,结果表明自适应抗差Kalman法能够更加有效的处理噪声与偏差,具有更好的鲁棒性;（3）针对非线性飞行器气动模型,采用所设计的最优输入激励作为系统输入,应用SEPSO算法作为参数辨识方法,对飞行器气动参数进行辨识;辨识结果与混合迭代算法、标准PSO算法的结果进行了对比分析,验证了本文所提出参数辨识方法的有效性和优越性。本文所提出的基于最优输入设计的参数辨识方法可以有效提高气动参数辨识精度,对相关领域的发展研究有积极的借鉴价值,并能够为其它复杂非线性系统的参数辨识提供参考。
柴炜[10]（2018）在《区域电网高比例可再生能源的分层消纳与互动控制关键技术》文中研究指明本文针对区域电网中高比例可再生能源的友好并网与高效消纳问题,研究输电层、配电层和用电层可再生能源的分层消纳关键技术、层间纵向互动控制技术及区域电网与主网的横向互动调控技术。对于输电层的大规模风力发电,研究了风电场-燃气电厂互补发电控制技术。首先分析了风力发电的波动率及其概率分布、波动置信区间与置信水平、混沌特性等出力特性,建立了基于混沌理论与人工神经网络的风电出力超短期组合预测模型。然后研究了燃气-蒸汽联合循环机组的动态响应特性,分析了燃机补偿风电功率快速波动的能力,建立了机组的控制模型。在此基础上,提出了风-燃互补发电的双层复合控制策略,计划调度层通过最优化计算得到燃机基准功率,实时优化层调节燃机出力,补偿系统功率偏差和频率偏差。仿真验证了该策略的有效性。对于配电层的分布式风、光电源,研究了配合其友好并网的电池储能控制技术。建立了磷酸铁锂电池的多因素聚合寿命模型,分析了控制步长对电池寿命、系统效率和并网波动率的影响,提出了基于模糊变步长和状态量预测的电池储能系统有功控制策略。研究了多运行模式下的无功电压控制问题,进而提出有功、无功的协调优化控制方法。对上述控制策略进行仿真分析,从抑制出力波动、提高电池寿命、提升电能质量等方面验证了该策略的有效性。对于用电层含风-光-荷-储的电力用户,提出了基于多时间尺度的能量优化控制方法。建立了日前能量管理模型,优化用户负荷和储能出力;针对可再生能源发电及用户行为的不确定性问题,设计了正偏差段和负偏差段模糊控制器,进行日内小时级优化;基于变时间常数滤波算法进行日内分钟级优化。针对不同时间尺度的控制需求,研究了用户端多类型储能系统的功率分配问题,实现了储能系统整体在使用寿命、工作效率和控制效果等方面的综合最优。在分层关键技术研究的基础上,建立了区域电网高比例可再生能源的分层消纳与互动控制总体架构,提出了电网的横向互动和纵向互动控制策略。提出了不同控制模式下区域电网与大电网之间的横向互动控制策略和用电层与配电层、配电层与输电层之间协调优化的纵向互动控制策略。基于统一信息支撑平台和综合能量管理系统,以纵横互动为技术核心,实现了各个层面可控资源的有效利用和优化调控。研究成果用于某海岛智能电网综合示范工程,在长80km、宽30km的区域里,在输电层面建设风-燃互补发电示范和区域电网与主网的横向互动示范、配电层面建设风-储并网示范、用电层面建设智能用电示范,基于全岛统一信息平台和能量管理系统开展层间可控资源的纵向互动示范,实现了占比为22.3%可再生能源的高效消纳和友好调控。
二、基于混沌变量的变步长梯度下降优化算法（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、基于混沌变量的变步长梯度下降优化算法（论文提纲范文）
（1）基于智能优化算法的工程结构可靠度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 结构可靠度方法发展现状 |
| 1.2.1 近似可靠度计算方法 |
| 1.2.2 抽样方法 |
| 1.2.3 矩方法 |
| 1.2.4 代理模型方法 |
| 1.3 智能优化算法的研究现状 |
| 1.3.1 智能优化算法的简介 |
| 1.3.2 智能优化算法在结构工程中的研究进展 |
| 1.3.3 智能优化算法在结构可靠度分析中的研究进展 |
| 1.4 研究过程中存在的问题 |
| 1.5 本文研究的主要工作 |
| 第2章 基于樽海鞘群算法的结构可靠度分析 |
| 2.1 结构可靠度分析的基本概念 |
| 2.2 结构可靠度分析基本方法 |
| 2.2.1 蒙特卡洛模拟法 |
| 2.2.2 一次二阶矩方法 |
| 2.2.3 响应面法 |
| 2.3 基于梯度优化算法的验算点法 |
| 2.4 智能优化算法基本理论 |
| 2.4.1 粒子群算法 |
| 2.4.2 混沌粒子群算法 |
| 2.5 基于樽海鞘群智能优化算法的一阶可靠度方法 |
| 2.5.1 可靠指标法 |
| 2.5.2 惩罚函数法 |
| 2.5.3 樽海鞘群算法 |
| 2.5.4 执行步骤 |
| 2.6 算例 |
| 2.6.1 低维可靠度问题 |
| 2.6.2 高维可靠度问题 |
| 2.6.3 工程结构可靠度问题 |
| 2.7 小结 |
| 第3章 基于哈里斯鹰优化算法的高维结构可靠度分析 |
| 3.1 引言 |
| 3.2 元启发式算法介绍 |
| 3.2.1 粒子群算法 |
| 3.2.2 灰狼优化算法 |
| 3.2.3 樽海鞘群算法 |
| 3.2.4 蜻蜓算法 |
| 3.3 基于哈里斯鹰优化的一阶可靠度分析方法 |
| 3.3.1 基本FORM理论 |
| 3.3.2 哈里斯鹰优化算法 |
| 3.3.3 约束处理技术 |
| 3.3.4 算法执行步骤 |
| 3.4 算例分析 |
| 3.5 小结 |
| 第4章 基于教学优化算法的结构可靠度分析 |
| 4.1 引言 |
| 4.2 基于教学优化的FORM方法 |
| 4.2.1 可靠指标法 |
| 4.2.2 教学优化算法 |
| 4.2.3 约束处理技术 |
| 4.2.4 执行步骤 |
| 4.3 混沌TLBO-FORM方法 |
| 4.4 算例分析 |
| 4.5 参数讨论 |
| 4.6 小结 |
| 第5章 基于平衡优化算法的结构可靠度分析 |
| 5.1 引言 |
| 5.2 平衡优化算法介绍 |
| 5.3 算法执行步骤 |
| 5.4 算例分析 |
| 5.5 小结 |
| 第6章 大跨结构和边坡结构可靠度案例分析 |
| 6.1 引言 |
| 6.2 布洛溪大桥的结构可靠度分析 |
| 6.3 空间网架穹顶结构可靠度分析 |
| 6.4 三维岩质边坡可靠度分析 |
| 6.4.1 三维岩质边坡稳定性评价的确定性模型 |
| 6.4.2 边坡结构可靠度分析模型 |
| 6.5 本章小结 |
| 第7章 带钢板暗支撑组合核心筒结构可靠度分析 |
| 7.1 引言 |
| 7.2 试验概况 |
| 7.3 有限元分析模型 |
| 7.4 核心筒结构可靠度参数分析 |
| 7.4.1 轴压比 |
| 7.4.2 高宽比 |
| 7.4.3 连梁跨高比 |
| 7.4.4 暗支撑含钢率 |
| 7.4.5 加载方式 |
| 7.5 随机变量的敏感性分析 |
| 7.6 小结 |
| 结论与展望 |
| 参考文献 |
| 附录 A 核心筒随机变量敏感性分析计算结果 |
| 附录 B 攻读学位期间发表的学术论文目录 |
| 致谢 |
（2）群智能优化算法及其在分数阶系统参数辨识中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 优化问题与优化算法概述 |
| 1.1.1 优化问题及其分类 |
| 1.1.2 优化算法的研究现状 |
| 1.2 群智能优化算法概述 |
| 1.2.1 群智能优化算法的发展历程 |
| 1.2.2 群智能优化算法的研究现状 |
| 1.3 分数阶系统参数辨识的研究现状 |
| 1.3.1 混沌控制与同步概述 |
| 1.3.2 整数阶非线性系统的参数辨识方法 |
| 1.3.3 分数阶非线性系统的参数辨识方法 |
| 1.4 本文的主要工作 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的组织结构 |
| 第二章 基础知识 |
| 2.1 布谷鸟搜索算法 |
| 2.1.1 布谷鸟搜索算法的启发背景 |
| 2.1.2 布谷鸟搜索算法的原理 |
| 2.1.3 布谷鸟搜索算法的研究现状 |
| 2.2 其他几种常见的群智能优化算法 |
| 2.2.1 蚁群优化算法 |
| 2.2.2 粒子群优化算法 |
| 2.2.3 人工蜂群算法 |
| 2.3 分数阶微积分概述 |
| 2.3.1 分数阶微积分的定义和性质 |
| 2.3.2 分数阶微分方程的数值解法 |
| 2.4 基于优化方法的分数阶系统的参数辨识 |
| 2.4.1 整数阶非线性系统的参数辨识模型 |
| 2.4.2 分数阶非线性系统的参数辨识模型 |
| 2.4.3 群智能优化算法对系统未知参数的辨识 |
| 第三章 基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识 |
| 3.1 引言 |
| 3.2 混合布谷鸟搜索(HCS)算法 |
| 3.2.1 基于差分进化的随机游走 |
| 3.2.2 反向学习方法 |
| 3.2.3 HCS算法的操作步骤 |
| 3.3 数值实验及结果分析 |
| 3.3.1 无时滞混沌系统的参数辨识 |
| 3.3.2 时滞混沌系统的参数辨识 |
| 3.3.3 HCS算法组成部分有效性的测试 |
| 3.4 本章小结 |
| 第四章 基于改进的量子行为粒子群优化算法的分数阶系统的参数辨识 |
| 4.1 引言 |
| 4.2 量子行为粒子群优化算法简介 |
| 4.2.1 量子行为粒子群优化算法的启发背景 |
| 4.2.2 量子行为粒子群优化算法原理 |
| 4.3 改进的量子行为粒子群优化(IQPSO)算法 |
| 4.3.1 基于适应度值的平均最优位置 |
| 4.3.2 推广的反向学习方法 |
| 4.3.3 差分变异算子 |
| 4.3.4 IQPSO算法的操作步骤 |
| 4.4 数值实验及结果分析 |
| 4.4.1 不同阶次分数阶经济混沌系统的参数辨识 |
| 4.4.2 不同阶次分数阶R¨ossler混沌系统的参数辨识 |
| 4.5 本章小结 |
| 第五章 基于参数自适应的新型布谷鸟搜索算法的函数优化及应用 |
| 5.1 参数自适应的新型布谷鸟搜索(CSAPC)算法 |
| 5.1.1 CSAPC算法的思想 |
| 5.1.2 CSAPC算法的操作步骤 |
| 5.2 数值实验及结果分析 |
| 5.2.1 测试函数和参数设置 |
| 5.2.2 参数自适应策略对CS算法的有效性研究 |
| 5.2.3 维数对CSAPC算法的影响研究 |
| 5.2.4 种群大小对CSAPC算法的影响研究 |
| 5.2.5 与其他CS改进算法的对比 |
| 5.2.6 与其他不同优化算法的对比 |
| 5.2.7 优化CEC2013测试函数集的实验结果 |
| 5.3 CSAPC算法及其改进算法在分数阶系统参数辨识中的应用 |
| 5.3.1 CSAPC算法对分数阶混沌系统未知参数的辨识 |
| 5.3.2 改进的CSAPC算法对分数阶生物系统未知参数的辨识 |
| 5.4 本章小结 |
| 第六章 基于带有外部存档的自适应布谷鸟搜索算法的函数优化及应用 |
| 6.1 带有外部存档的自适应布谷鸟搜索(ACS-OEA)算法 |
| 6.1.1 ACS-OEA算法的思想 |
| 6.1.2 ACS-OEA算法的操作步骤 |
| 6.2 数值实验及结果分析 |
| 6.2.1 测试函数和参数设置 |
| 6.2.2 搜索趋势的研究 |
| 6.2.3 所提出策略对CS算法的有效性研究 |
| 6.2.4 维数对ACS-OEA算法的影响研究 |
| 6.2.5 与其他CS改进算法的对比 |
| 6.2.6 与其他不同优化算法的对比 |
| 6.2.7 优化CEC2013测试函数集的实验结果 |
| 6.3 ACS-OEA算法在分数阶忆阻器系统参数辨识中的应用 |
| 6.4 本章小结 |
| 第七章 对布谷鸟搜索算法中概率分布函数的分析 |
| 7.1 引言 |
| 7.2 基于不同重尾分布的布谷鸟搜索算法 |
| 7.2.1 几种常见的重尾分布 |
| 7.2.2 算法步骤 |
| 7.3 数值实验及结果分析 |
| 7.3.1 测试函数和参数设置 |
| 7.3.2 不同重尾分布对CS算法的影响研究 |
| 7.3.3 维数对算法的影响研究 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 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 |
（3）哈密顿系统保能量算法的构造及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 天文学的发展离不开算法 |
| 1.2 算法概述 |
| 1.2.1 算法的作用 |
| 1.2.2 传统算法的发展 |
| 1.3 保能量算法的发展历程 |
| 1.4 本文的主要内容 |
| 1.5 本文的创新点 |
| 第2章 经典算法的差分格式 |
| 2.1 引言 |
| 2.2 龙库法 |
| 2.3 隐式中点法 |
| 2.4 扩大相空间类辛算法 |
| 2.5 高阶变步长龙库法 |
| 2.6 本章小结 |
| 第3章 哈密顿系统的保能量算法 |
| 3.1 引言 |
| 3.2 哈密顿系统保能量算法的原理 |
| 3.3 不同维数保能量算法的构造 |
| 3.3.1 4维哈密顿系统保能量算法 |
| 3.3.2 6维哈密顿系统保能量算法 |
| 3.3.3 8维哈密顿系统保能量算法 |
| 3.4 保能量算法的简单测试 |
| 3.4.1 能量误差及轨道误差 |
| 3.4.2 测试保能量算法时的注意事项 |
| 3.5 本章小结 |
| 第4章 8维哈密顿系统保能量算法的应用 |
| 4.1 引言 |
| 4.2 一维无序离散非线性薛定谔方程 |
| 4.2.1 模型介绍 |
| 4.2.2 数值检验 |
| 4.3 Fermi-Pasta-Ulam系统 |
| 4.3.1 模型介绍 |
| 4.3.2 数值检验 |
| 4.3.3 FPU-β系统的运动学特征 |
| 4.4 后牛顿单体自旋致密双星系统 |
| 4.4.1 模型介绍 |
| 4.4.2 数值检验 |
| 4.4.3 后牛顿单体自旋致密双星系统的轨道特征 |
| 4.4.4 后牛顿单体自旋致密双星系统的引力波 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（4）基于固定维度特征空间的鲁棒自适应滤波器研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与行文结构 |
| 第二章 鲁棒自适应滤波器 |
| 2.1 代价函数 |
| 2.2 鲁棒自适应滤波器 |
| 2.2.1 鲁棒线性自适应滤波器 |
| 2.2.2 鲁棒核自适应滤波器 |
| 2.2.3 鲁棒复数自适应滤波器 |
| 2.3 本章小结 |
| 第三章 基于原始数据空间的鲁棒自适应滤波器 |
| 3.1 鲁棒最小平均对数二次算法 |
| 3.2 均方性能分析 |
| 3.2.1 暂态性能分析 |
| 3.2.2 稳态性能分析 |
| 3.2.3 跟踪性能分析 |
| 3.3 扩展算法与复杂度分析 |
| 3.3.1 扩展算法 |
| 3.3.2 复杂度分析 |
| 3.4 仿真结果 |
| 3.4.1 理论分析验证 |
| 3.4.2 算法性能比较 |
| 3.5 本章小结 |
| 第四章 基于随机特征空间的鲁棒自适应滤波器 |
| 4.1 相关熵与共轭梯度法 |
| 4.1.1 相关熵 |
| 4.1.2 共轭梯度法 |
| 4.2 相关熵半平方优化 |
| 4.3 随机傅里叶特征核相关熵共轭梯度算法 |
| 4.3.1 随机傅里叶特征近似 |
| 4.3.2 随机傅里叶特征核相关熵共轭梯度算法 |
| 4.3.3 复杂度分析 |
| 4.4 仿真结果 |
| 4.4.1 混沌时间序列预测 |
| 4.4.2 大规模数据多元回归 |
| 4.5 本章小结 |
| 第五章 基于复数特征空间的鲁棒自适应滤波器 |
| 5.1 复数随机傅里叶特征方法 |
| 5.1.1 复数核方法 |
| 5.1.2 复数随机傅里叶特征方法 |
| 5.2 复数随机傅里叶特征递归复数柯西算法 |
| 5.2.1 复数柯西代价函数 |
| 5.2.2 复数随机傅里叶特征递归复数柯西算法 |
| 5.3 收敛性与复杂度分析 |
| 5.3.1 收敛性分析 |
| 5.3.2 复杂度分析 |
| 5.4 仿真结果 |
| 5.4.1 非线性系统辨识 |
| 5.4.2 非线性信道均衡 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间已发表的论文 |
| 攻读硕士期间参加的科研项目 |
| 附录 A RLMLS算法在非高斯噪声环境的稳态性能 |
（5）基于核近似技术的自适应滤波算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 核学习理论 |
| 1.2.1 核方法 |
| 1.2.2 核近似技术 |
| 1.3 核自适应滤波算法研究现状 |
| 1.3.1 核自适应滤波算法简介 |
| 1.3.2 国内外研究研究现状 |
| 1.4 本领域存在的主要问题 |
| 1.5 本文主要研究内容 |
| 1.6 论文的组织结构 |
| 第2章 基于约简高斯核的最小均方算法 |
| 2.1 引言 |
| 2.2 随机傅里叶特征核最小均方算法分析 |
| 2.3 约简高斯核最小均方算法提出 |
| 2.4 约简高斯核最小均方算法收敛性能分析 |
| 2.4.1 能量守恒关系推导 |
| 2.4.2 均方收敛条件 |
| 2.4.3 稳态均方误差 |
| 2.5 约简高斯核最小均方算法复杂度分析 |
| 2.6 约简高斯核最小均方算法仿真实验 |
| 2.6.1 非线性时间序列预测 |
| 2.6.2 非线性信道均衡 |
| 2.7 本章小结 |
| 第3章 随机傅里叶特征的参数样本集预处理方法 |
| 3.1 引言 |
| 3.2 随机傅里叶特征参数样本集分布差异性度量 |
| 3.3 基于预训练策略的随机傅里叶特征参数样本集优化方法 |
| 3.3.1 预训练方法提出 |
| 3.3.2 预训练方法复杂度分析 |
| 3.3.3 预训练方法仿真实验 |
| 3.4 基于核极化策略的随机傅里叶特征参数样本集优化方法 |
| 3.4.1 核极化预处理方法提出 |
| 3.4.2 核极化预处理方法复杂度分析 |
| 3.4.3 核极化预处理方法仿真实验 |
| 3.5 本章小结 |
| 第4章 基于权值收敛优化方法的极化随机傅里叶特征核最小均方算法 |
| 4.1 引言 |
| 4.2 基于变元步长策略的权值收敛优化方法提出 |
| 4.2.1 变元步长极化随机傅里叶特征核最小均方算法 |
| 4.2.2 变元步长极化随机傅里叶特征核最小均方算法复杂度分析 |
| 4.2.3 变元步长极化随机傅里叶特征核最小均方算法仿真实验 |
| 4.3 基于变遗忘因子变元步长策略的权值收敛优化方法提出 |
| 4.3.1 变遗忘因子变元步长极化随机傅里叶特征核最小均方算法 |
| 4.3.2 变遗忘因子变元步长极化随机傅里叶特征核最小均方算法复杂度分析 |
| 4.3.3 变遗忘因子变元步长极化随机傅里叶特征核最小均方算法仿真实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（6）基于LMS和FA的盲源分离优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 盲源分离研究背景及意义 |
| 1.1.1 盲源分离概念 |
| 1.1.2 盲源分离分类 |
| 1.1.3 盲源分离应用 |
| 1.2 盲源分离发展历史及研究现状 |
| 1.3 论文主要研究工作及结构安排 |
| 第2章 盲源分离理论 |
| 2.1 引言 |
| 2.2 盲源分离信号模型及预处理 |
| 2.2.1 信号模型 |
| 2.2.2 预处理 |
| 2.3 盲源分离的基础知识及基本假设 |
| 2.3.1 峭度 |
| 2.3.2 信息论理论 |
| 2.3.3 基本假设 |
| 2.4 盲源分离算法的分类 |
| 2.4.1 批处理算法 |
| 2.4.2 自适应算法 |
| 2.4.3 萤火虫算法 |
| 2.5 分离程度指标及评价准则 |
| 2.5.1 分离矩阵的评判准则 |
| 2.5.2 分离信号的评价准则 |
| 2.6 本章小结 |
| 第3章 基于改进分离程度的盲源分离优化方法 |
| 3.1 引言 |
| 3.2 基于LMS算法的传统盲源分离 |
| 3.2.1 自然梯度算法及EASI算法 |
| 3.2.2 动量项原理 |
| 3.3 分离程度指标的定义 |
| 3.3.1 最佳解混矩阵 |
| 3.3.2 定义自然梯度算法的分离程度指标 |
| 3.3.3 定义EASI算法的分离程度指标 |
| 3.4 基于分离程度指标的盲源分离算法 |
| 3.4.1 变步长盲源分离算法 |
| 3.4.2 变动量因子盲源分离算法 |
| 3.4.3 结合变步长及变动量因子的盲源分离算法 |
| 3.5 仿真实验及性能分析 |
| 3.5.1 基于改进分离程度指标的自然梯度算法实验分析 |
| 3.5.2 基于改进分离程度指标的EASI算法实验分析 |
| 3.6 本章小结 |
| 第4章 基于萤火虫算法的盲源分离优化方法 |
| 4.1 引言 |
| 4.2 萤火虫算法介绍 |
| 4.2.1 萤火虫算法原理 |
| 4.2.2 萤火虫算法描述 |
| 4.3 萤火虫算法的改进方法 |
| 4.4 变步长萤火虫算法 |
| 4.5 基于全局最优解引导项的萤火虫算法更新方法 |
| 4.6 基于改进的萤火虫算法盲源分离优化方法 |
| 4.6.1 结合变步长及全局最优引导项的萤火虫盲源分离算法 |
| 4.6.2 正交矩阵参数化表示 |
| 4.7 实验结果及性能分析 |
| 4.8 本章小结 |
| 第5章 结束语 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间参与项目及取得的成果 |
（7）动力学问题的高精度算法及其在燃气轮机工程的探索（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 主要缩写表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 Hamilton系统的数值算法 |
| 1.2.2 时间有限元方法 |
| 1.2.3 线性Hamilton系统数值算法的不足 |
| 1.2.4 非线性Hamilton系统数值算法的不足 |
| 1.2.5 非线性偏微分方程(Navier-Stokes方程)的数值算法 |
| 1.3 本文的主要工作及创新点 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文主要构成及创新点 |
| 第二章 Hamilton系统及其数值方法 |
| 2.1 Hamilton系统 |
| 2.2 Hamilton系统的辛结构 |
| 2.2.1 辛算法 |
| 2.2.2 常见的辛算法 |
| 2.3 Hamilton系统的守恒规律 |
| 2.4 数值算例阐明Hamilton系统的特性 |
| 2.4.1 辛算法对系统结构的保持 |
| 2.4.2 辛算法对系统守恒规律的保持 |
| 2.5 小结 |
| 第三章 时间有限元方法求解Hamilton系统 |
| 3.1 时间间断有限元方法的基本知识 |
| 3.2 时间间断有限元方法求解线性Hamilton系统 |
| 3.2.1 无相位误差加权间断时间有限元方法(WDG-PDF) |
| 3.2.2 WDG-PDF算法数值算例 |
| 3.3 自适应时间有限元方法求解非线性Hamilton系统 |
| 3.3.1 自适应时间有限元算法(A-TFEM) |
| 3.3.2 自适应时间有限元方法的保辛和保能量特性 |
| 3.4 自适应时间有限元方法数值算例 |
| 3.4.1 Vander Pol振荡器 |
| 3.4.2 单摆运动 |
| 3.4.3 Huygens振子 |
| 3.4.4 三重旋转反对称Hamilton系统 |
| 3.4.5 Henon-Heiles系统 |
| 3.4.6 Kepler系统 |
| 3.5 小结 |
| 第四章 燃气轮机动态过程的时间有限元方法 |
| 4.1 燃气轮机的动态过程的数学模型 |
| 4.1.1 牛顿形式 |
| 4.1.2 Hamilton形式 |
| 4.2 有精确解的燃气轮机动态过程的数学模型 |
| 4.2.1 模型一 |
| 4.2.2 模型二 |
| 4.3 三轴燃气轮机动态过程的时间有限元仿真 |
| 4.3.1 供油规律与转子转动角速度呈线性关系 |
| 4.3.2 供油规律与转子转动角速度呈抛物线关系 |
| 4.4 小结 |
| 第五章 偏微分方程(Navier-Stokes方程)数值方法的研究分析 |
| 5.1 混合有限元方法(GRPC) |
| 5.2 投影法 |
| 5.3 增量压力矫正算法(IPCS) |
| 5.4 Gauge方法 |
| 5.5 Gauge Uzawa方法 |
| 5.6 小结 |
| 第六章 改进Gauge算法(MGM) |
| 6.1 改进Gauge方法(MGM) |
| 6.1.1 MGM算法基本方程及计算过程 |
| 6.1.2 边界条件讨论 |
| 6.1.3 初值条件 |
| 6.2 MGM算法有限元离散方案及求解 |
| 6.2.1 MGM方法α?p的选择 |
| 6.2.2 MGM方法空间有限元离散 |
| 6.2.3 MGM时间有限元离散 |
| 6.2.4 时间层采用向后欧拉差分 |
| 6.2.5 MGM方法计算流程 |
| 6.2.6 时空步长的选择 |
| 6.2.7 代数方程组求解器选择 |
| 6.3 稳定性和误差分析 |
| 6.4 MGM方法数值算例 |
| 6.4.1 二维方腔环流(有解析解) |
| 6.4.2 [0, 1] × [0, 1] 方腔驱动问题 |
| 6.4.3 圆柱绕流 |
| 6.4.4 后台阶流 |
| 6.4.5 双出口Y型流场 |
| 6.4.6 Beltrami流(3D) |
| 6.4.7 三维的圆球绕流 |
| 6.4.8 MGM方法求解Boussinesq方程 |
| 6.5 叶型和叶栅流动 |
| 6.5.1 绕NACA叶型流动 |
| 6.5.2 轴流压气机叶栅中的流动 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的论文 |
（8）基于独立分量分析的盲源分离算法研究（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 基于ICA的盲源分离研究进展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要工作与内容安排 |
| 第二章 基于ICA的盲源分离基本原理 |
| 2.1 基于ICA的盲分离基本方法 |
| 2.1.1 独立分量分析模型及假设条件 |
| 2.1.2 独立分量分析基本步骤 |
| 2.2 独立性判据 |
| 2.2.1 互信息最小化准则 |
| 2.2.2 信息最大化准则 |
| 2.2.3 非高斯最大化准则 |
| 2.3 独立分量分析的学习算法 |
| 2.3.1 联合对角化算法 |
| 2.3.2 固定点算法 |
| 2.3.3 粒子群算法 |
| 2.4 本章小结 |
| 第三章 超定条件下信源数目估计 |
| 3.1 引言 |
| 3.2 基于信息论准则的信源数目估计算法 |
| 3.2.1 信息论准则 |
| 3.2.2 基于信息论准则的信源数目估计算法 |
| 3.2.3 基于对角加载技术的信源数目估计改进算法 |
| 3.2.4 实验仿真及结果分析 |
| 3.3 基于盖尔圆定理的信源数目估计算法 |
| 3.3.1 盖尔圆定理 |
| 3.3.2 基于盖尔圆定理的信源数目估计算法 |
| 3.3.3 结合信息论准则和盖尔圆准则的信源数目估计改进算法 |
| 3.3.4 实验仿真及结果分析 |
| 3.4 本章小结 |
| 第四章 基于自然梯度的盲源分离算法 |
| 4.1 自然梯度算法 |
| 4.2 常用的变步长方法 |
| 4.2.1 模拟退火类 |
| 4.2.2 分离阶段类 |
| 4.2.3 梯度求取类 |
| 4.2.4 模糊控制类 |
| 4.3 基于自然梯度的自适应盲源分离改进算法 |
| 4.3.1 基于串音误差的自适应步长因子 |
| 4.3.2 算法的实现步骤 |
| 4.3.3 算法仿真及性能分析 |
| 4.4 本章小结 |
| 第五章 基于鲸鱼优化的盲源分离算法 |
| 5.1 鲸鱼优化算法 |
| 5.1.1 鲸鱼优化算法的生物学描述 |
| 5.1.2 鲸鱼优化算法的原理 |
| 5.1.3 鲸鱼优化算法的流程 |
| 5.2 改进的鲸鱼优化算法 |
| 5.2.1 自适应惯性权重 |
| 5.2.2 模拟退火策略 |
| 5.2.3 改进算法的具体步骤 |
| 5.2.4 时间复杂度及渐进性分析 |
| 5.2.5 函数测试与结果分析 |
| 5.3 基于改进鲸鱼优化的盲源分离算法 |
| 5.3.1 目标函数的选择 |
| 5.3.2 分离原理及步骤 |
| 5.3.3 仿真验证与结果分析 |
| 5.4 基于改进鲸鱼优化的有序盲源分离算法 |
| 5.4.1 算法的提出 |
| 5.4.2 盲提取原理 |
| 5.4.3 算法步骤 |
| 5.4.4 仿真实验与结果分析 |
| 5.5 本章小节 |
| 第六章 盲源分离软件设计与实现 |
| 6.1 盲源分离软件设计 |
| 6.1.1 通信信号生成模块 |
| 6.1.2 信源数目估计模块 |
| 6.1.3 信号分离模块 |
| 6.2 实验测试 |
| 6.3 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）最优输入设计方法及其在飞行器参数辨识中的应用（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 国内外研究综述 |
| 1.2.1 飞行器气动参数辨识研究综述 |
| 1.2.2 最优输入设计研究综述 |
| 1.2.3 参数辨识传统算法研究综述 |
| 1.2.4 参数辨识现代智能优化算法研究综述 |
| 1.3 论文的主要工作 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 飞行器数学模型建立与分析 |
| 2.1 建模常用坐标系及其转换 |
| 2.1.1 常用坐标系 |
| 2.1.2 坐标系的相互转换 |
| 2.2 六自由度飞行器数学模型建立 |
| 2.2.1 飞行器质心动力学方程组 |
| 2.2.2 飞行器绕质心动力学方程组 |
| 2.2.3 飞行器运动学方程组 |
| 2.2.4 飞行器空气动力方程组 |
| 2.2.5 气动参数辨识方程组 |
| 2.3 气动参数可辨识性分析 |
| 2.4 基于极大似然法的飞行器气动参数辨识 |
| 2.4.1 极大似然原理 |
| 2.4.2 似然函数的构造 |
| 2.4.3 不同噪声模型下的极大似然估计 |
| 2.4.4 极大似然估计 |
| 2.4.5 Newton-Raphson迭代求解法 |
| 2.4.6 基于极大似然法的飞行器气动参数辨识 |
| 2.5 Newton-Raphson迭代算法求解的主要问题 |
| 2.6 本章小结 |
| 第三章 基于传统优化算法的飞行器气动参数辨识 |
| 3.1 飞行器气动参数辨识问题的转换 |
| 3.2 优化算法简介 |
| 3.2.1 传统优化算法 |
| 3.2.2 现代智能优化算法 |
| 3.3 无约束的Gauss-Newton法 |
| 3.3.1 相关基础知识 |
| 3.3.2 Newton法 |
| 3.3.3 Gauss-Newton法 |
| 3.4 Gauss-Newton法的改进 |
| 3.4.0 Gauss-Newton法在飞行器气动参数辨识问题中的应用分析 |
| 3.4.1 变步长Gauss-Newton法 |
| 3.4.2 Levenberg-Marqurdt法 |
| 3.4.3 Jacobian矩阵的简化近似 |
| 3.5 混合迭代算法 |
| 3.6 传统优化算法在飞行器气动参数辨识中的应用 |
| 3.7 本章小结 |
| 第四章 智能优化算法 |
| 4.1 基于种群的现代智能优化算法 |
| 4.1.1 智能优化算法的提出 |
| 4.1.2 智能优化算法的原理 |
| 4.1.3 飞行器气动参数辨识问题中智能优化算法的选择 |
| 4.2 标准粒子群算法 |
| 4.2.1 标准粒子群算法基本原理 |
| 4.2.2 标准粒子群算法计算流程 |
| 4.2.3 标准粒子群算法的参数分析 |
| 4.3 基于社会情感的粒子群算法 |
| 4.3.1 标准粒子群算法的缺陷 |
| 4.3.2 粒子群算法的改进 |
| 4.3.3 基于社会情感的粒子群算法 |
| 4.3.4 仿真算例 |
| 4.4 本章小结 |
| 第五章 最优输入设计 |
| 5.1 相关基础知识 |
| 5.1.1 Fisher信息矩阵 |
| 5.1.2 Cramer-Rao不等式 |
| 5.2 参数辨识评价准则 |
| 5.2.1 辨识偏差 |
| 5.2.2 不确定性椭球 |
| 5.2.3 Cramer-Rao下界 |
| 5.3 最优设计准则 |
| 5.3.1 D-最优准则 |
| 5.3.2 E-最优准则 |
| 5.3.3 A-最优准则 |
| 5.3.4 R-最优准则 |
| 5.3.5 DC-最优准则 |
| 5.4 最优输入设计方法 |
| 5.4.1 多正弦正交输入设计方法 |
| 5.4.2 多正弦正交输入设计步骤 |
| 5.5 最优输入设计在飞行器线性模型中的应用 |
| 5.6 本章小结 |
| 第六章 飞行器气动参数辨识 |
| 6.1 飞行器气动参数辨识的最优输入设计 |
| 6.2 基于自适应Kalman滤波的试验数据预处理 |
| 6.2.1 数据预处理状态方程及观测方程 |
| 6.2.2 抗差自适应Kalman滤波准则 |
| 6.2.3 抗差自适应Kalman滤波算法 |
| 6.2.4 仿真算例 |
| 6.3 基于SEPSO算法的气动参数辨识 |
| 6.3.1 气动参数辨识中的算法参数设置及计算流程 |
| 6.3.2 气动参数辨识结果与分析 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 工作总结 |
| 7.2 主要创新性点 |
| 7.3 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A 某型反舰导弹的基本数据 |
（10）区域电网高比例可再生能源的分层消纳与互动控制关键技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 我国可再生能源并网发电的现状和特点 |
| 1.1.2 高比例可再生能源接入对区域电网的影响 |
| 1.2 国内外研究现状 |
| 1.2.1 大规模集中式风力发电的并网消纳 |
| 1.2.2 分布式可再生能源与电池储能联合发电的控制技术 |
| 1.2.3 含风-光-荷-储的用户端用能优化及需求响应技术 |
| 1.3 本文的主要研究内容 |
| 第二章 风-燃互补发电控制技术 |
| 2.1 引言 |
| 2.2 风电出力特性与预测模型 |
| 2.2.1 风电出力特性建模 |
| 2.2.2 基于混沌理论与BP神经网络的超短期组合预测模型 |
| 2.3 燃气-蒸汽联合循环机组的控制特性研究 |
| 2.3.1 CCGT的控制系统建模 |
| 2.3.2 CCGT的动态响应特性 |
| 2.3.3 CCGT与风电的互补能力评价 |
| 2.4 风-燃互补联合发电的控制策略 |
| 2.4.1 双层复合控制架构设计 |
| 2.4.2 燃机基准功率的最优化计算 |
| 2.4.3 风-燃互补发电的实时优化 |
| 2.5 仿真分析与验证 |
| 2.5.1 风电功率超短期预测模型的仿真验证 |
| 2.5.2 风-燃互补发电控制的仿真结果及分析 |
| 2.5.3 不同类型电源互补方案的比较 |
| 2.6 本章小结 |
| 第三章 配合分布式风光电源并网的电池储能控制技术 |
| 3.1 引言 |
| 3.2 电池储能系统控制模型的建立 |
| 3.2.1 考虑多因素聚合的储能电池寿命建模 |
| 3.2.2 BESS综合控制模型 |
| 3.3 实现分布式可再生能源友好并网的电池储能控制策略 |
| 3.3.1 基于状态量预测的波动平抑与有功调度控制策略 |
| 3.3.2 提高寿命和效率的BESS模糊变步长优化控制方法 |
| 3.3.3 多运行模式下的BESS无功电压控制策略 |
| 3.3.4 配合DG友好并网的BESS协调优化控制策略 |
| 3.4 仿真分析与验证 |
| 3.4.1 基于状态量预测的优化结果与仿真验证 |
| 3.4.2 变步长优化控制的仿真结果与分析 |
| 3.4.3 无功电压控制的仿真结果与分析 |
| 3.4.4 变步长功率综合优化控制的仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 含风-光-荷-储的用户端能量优化控制策略 |
| 4.1 引言 |
| 4.2 含风-光-荷-储的用户端日前能量管理策略 |
| 4.2.1 四种负荷类型及其模型建立 |
| 4.2.2 市场电价机制与电价函数 |
| 4.2.3 基于用户收益最大化的日前能量管理策略 |
| 4.3 用户端日内调节策略 |
| 4.3.1 用户端多时间尺度优化控制方案 |
| 4.3.2 基于有效功率偏差模糊控制的日内小时级优化 |
| 4.3.3 基于变时间常数滤波算法的日内分钟级优化 |
| 4.4 用户端多类型储能的功率分配策略 |
| 4.4.1 初级分配方案 |
| 4.4.2 基于多目标粒子群优化的功率分配策略 |
| 4.5 仿真分析与验证 |
| 4.5.1 用户端日前能量管理的规划结果与分析 |
| 4.5.2 日内双时间尺度优化策略的控制效果与分析 |
| 4.5.3 复合储能系统功率分配策略的仿真结果与分析 |
| 4.6 本章小结 |
| 第五章 区域电网横向互动与层间纵向互动控制技术 |
| 5.1 引言 |
| 5.2 分层消纳与互动控制总体架构 |
| 5.2.1 高比例可再生能源的分层消纳方案 |
| 5.2.2 横向互动与纵向互动的总体架构 |
| 5.2.3 统一信息支撑平台与综合能量管理系统 |
| 5.3 横向互动控制策略 |
| 5.4 纵向互动控制策略 |
| 5.4.1 用电层与配电层间的互动控制策略 |
| 5.4.2 配电层与输电层间的互动控制策略 |
| 5.4.3 基于NSGA-II改进的PSO求解算法 |
| 5.5 仿真分析与验证 |
| 5.5.1 横向互动的仿真结果与分析 |
| 5.5.2 纵向互动的仿真结果与分析 |
| 5.6 本章小结 |
| 第六章 可再生能源分层消纳与互动控制的示范应用 |
| 6.1 引言 |
| 6.2 示范工程总体架构 |
| 6.3 各层示范应用与现场运行效果 |
| 6.3.1 输电层风-燃互补发电示范 |
| 6.3.2 配电层风电场储能并网示范 |
| 6.3.3 用电层智能用电示范 |
| 6.4 电网分层横纵互动的示范应用与运行效果 |
| 6.5 小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结与创新点 |
| 7.2 进一步工作展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
四、基于混沌变量的变步长梯度下降优化算法（论文参考文献）
- [1]基于智能优化算法的工程结构可靠度研究[D]. 钟昌廷. 湖南大学, 2020(02)
- [2]群智能优化算法及其在分数阶系统参数辨识中的应用研究[D]. 卫佳敏. 北京交通大学, 2020(03)
- [3]哈密顿系统保能量算法的构造及应用[D]. 胡诗杨. 南昌大学, 2020(01)
- [4]基于固定维度特征空间的鲁棒自适应滤波器研究[D]. 熊奎. 西南大学, 2020(01)
- [5]基于核近似技术的自适应滤波算法研究[D]. 刘玉奇. 哈尔滨工业大学, 2019(01)
- [6]基于LMS和FA的盲源分离优化算法研究[D]. 马志阳. 重庆邮电大学, 2019(02)
- [7]动力学问题的高精度算法及其在燃气轮机工程的探索[D]. 朱帅. 上海交通大学, 2019(06)
- [8]基于独立分量分析的盲源分离算法研究[D]. 褚鼎立. 国防科技大学, 2018(01)
- [9]最优输入设计方法及其在飞行器参数辨识中的应用[D]. 郑宇昕. 国防科技大学, 2018(02)
- [10]区域电网高比例可再生能源的分层消纳与互动控制关键技术[D]. 柴炜. 上海交通大学, 2018(01)