一、观测主体的遗忘机制(论文文献综述)
吴波前[1](2021)在《基于GNSS/INS的列车自主定位性能评估方法研究》文中进行了进一步梳理列车运行控制系统为铁路运输安全可靠运营提供关键技术保障,实时、准确地获取列车位置与运行状态信息是列控系统实施安全控制的关键基础。随着北斗卫星导航系统全球组网完成,基于卫星导航系统的多传感器融合列车自主定位已成为我国列控系统的重要技术发展方向。本文以全球卫星导航系统GNSS(Global Navigation Satellite System)与惯性导航系统INS(Inertial Navigation System)融合实现列车自主定位为基础,研究并形成有效的定位性能评估方法,确保列车自主定位能够为列控系统提供可靠的基础信息服务。本文面向列控系统应用,针对列车自主定位性能评估问题,开展对列车自主定位信息处理过程的分析,实现基于环境场景驱动的量测噪声加权计算及完好性评估的故障检测与状态识别;在此基础上,考虑列车自主定位单元整体架构,通过对不同因素影响下定位单元的状态变化描述,构建了基于随机Petri网SPN(Stochastic Petri Nets)的列车自主定位故障传播模型,研究了基于确定信息的变迁激发率计算和基于不确定信息的变迁激发率区间灰数表达方法,形成了灰色SPN模型下的列车自主定位可用性评估方法;最后,以列车自主定位支撑移动闭塞模式的实现为框架,开展了列车自主定位安全风险评估,形成了基于步长自适应长短时记忆LSTM(Long Short-Term Memory)神经网络的安全风险评估方法。论文主要取得了以下创新:(1)提出了一种环境场景信息驱动的完好性评估方法,基于粒子群优化K均值对铁路线路周边环境场景进行聚类划分,并结合铁路沿线卫星分布特性,提出一种基于EKF紧耦合滤波量测噪声加权的滤波估计优化算法,并结合紧耦合滤波估计建立了多层级故障检测及状态识别方法。(2)提出了一种基于灰色SPN的列车自主定位可用性评估方法,构建了基于SPN的列车自主定位故障传播模型,对基于GNSS/INS的列车自主定位从信息采集到决策输出一系列信息处理中的定位单元状态变化及故障传递过程进行描述,结合灰色系统理论,提出了不确定信息影响下的变迁激发率区间灰数表达方法,并建立了相应的灰色SPN评估模型,解决了复杂铁路运行环境下难以对列车自主定位可用性进行评估的问题。(3)提出了一种基于步长自适应LSTM神经网络的列车自主定位安全风险评估方法,针对列控系统的移动闭塞运行模式,对列车自主定位支撑移动闭塞可能影响安全追踪运行的情况进行描述,利用LSTM神经网络构建了风险评估模型,对具有时序特性的列车自主定位信息与风险之间的关系进行描述,并考虑不同环境场景下网络输入的时间关联程度差异,提出了基于环境场景的LSTM神经网络步长自适应调整方法。为了支持本文提出的方法验证工作,结合京沈高铁现场采集数据,对论文提出的场景聚类划分、完好性评估、可用性评估及面向移动闭塞的安全风险评估方法进行了验证。本文研究成果能够为推进北斗卫星导航系统在我国新型列车控制系统中的应用提供理论参考与技术支持。
王薇[2](2021)在《我国信贷供给传导机制及其宏观经济效应研究》文中认为2008年全球性金融危机的爆发证明了居于主导地位的实际经济周期理论(RBC)存在显着缺陷。传统的货币经济理论和新凯恩斯主义均侧重于对利率和汇率等宏观经济变量的调控,往往忽视了银行信贷因素对实体经济发展及经济波动的影响。党的十九大要求我国金融体系建设应服务于实体经济,同时防范化解重大金融风险,推动我国经济转型和高质量增长。一方面尽力发挥金融市场的资源配置功能,另一方面最大程度地降低金融市场波动对宏观经济产生的负面影响。基于此背景,本文在推导信贷供给对宏观经济的微观影响机制的基础上,进一步从总量调控、结构优化、价格传导、风险累积四个维度展开实证分析,最后从宏观经济政策视角探究了信贷监管政策对货币政策调控“经济增长、物价稳定和金融稳定”三大目标有效性的异质性影响。本文的主要研究结论如下:首先,本文基于动态随机一般均衡模型从微观视角探究了信贷供给波动对宏观经济影响的传导机制,发现信贷供给增加能够短期内带动投资水平迅速上升并促进资本存量的长期积累,信贷供给对投资存在扩张性影响,但会对消费形成挤出效应,使得短期内经济增长主要依靠投资驱动,在长期主要依靠消费拉动。在理论分析的基础上,本文进一步应用基于GAS过程的时变转移概率马尔科夫区制转移回归(MS-GAS-TVTP)模型对我国信贷供给波动和产出波动进行阶段性变迁识别和时变转移分析发现,在经济衰退初期,信贷供给波动表现出强烈的“顺周期”特征,经济环境恶化会在短期内导致信贷紧缩,但随着信贷扩张政策的逐步实施,信贷供给对产出的引导效应逐渐显现。基于时变协整模型对信贷供给与产出的动态联动关系进行检验发现,我国信贷供给与产出之间同向动态联动,信贷扩张能够带动我国经济增长,信贷收缩会进一步加剧经济的衰退程度,信贷供给对产出的时变影响系数在长期基本趋于稳定,二者趋于长期均衡。其次,考虑到商业银行的信贷扩张和收缩对宏观经济可能存在非对称影响效应,本文进一步从产出增长和物价稳定的角度出发应用非线性自回归分布滞后(NARDL)模型展开探究。研究发现,在经济衰退期,可以通过扩张信贷的方式增强企业投资积极性、促进实体经济恢复平稳增长;在经济扩张期,信贷扩张对产出的带动效果会随着产出总量的不断积累而逐渐减弱,并加剧通货膨胀;信贷收缩虽然能够降低通货膨胀水平,但无法完全抵消信贷扩张带来的通胀风险,并且会对经济增速产生强烈的负面影响。在此基础上,本文进一步从期限结构视角应用SV-TVP-FAVAR模型探究了推动我国产出增长和通货膨胀水平上升的信贷供给根源。研究发现,我国中长期信贷供给增加虽然能够显着拉动我国经济增长,但同时对通货膨胀也具有强烈的促进作用,非金融企业中长期信贷供给在促进经济增长方面未能占据优势;相较于中长期信贷,我国短期信贷供给在促进经济增长方面不具优势,我国短期住户消费信贷供给增加对经济增长存在逐渐减弱的负向影响,并且不会引起强烈的通货膨胀效应,证实了扩大内需是推动我国经济增长、降低通货膨胀损失的可行路径之一。随后,本文进一步基于价格传导视角运用贝叶斯估计的平滑迁移向量自回归(ST-BVAR)模型分析了不同经济状态下信贷价格波动对宏观经济的影响效应,并探讨不同时期我国信贷价格政策的有效性。结果发现,在经济衰退期,信贷价格下调能够引导第二、三产业投资和消费增加,进而从需求侧驱动经济增长,信贷价格政策的传导渠道基本畅通,政策基本有效。在经济扩张期,我国利率市场化尚不完全且居民储蓄率水平相对较高,存在“金融抑制”和“消费抑制”双重抑制现象,因此我国信贷价格下调仅能通过促进第三产业投资的方式对经济增长产生正向影响,第二产业投资和消费的传导渠道均存在梗阻,极大地降低了信贷价格调控政策的有效性。接下来,本文进一步基于风险累积视角运用多元方向分位数向量自回归(MDQVAR)模型分析了信贷风险累积对我国宏观经济及信贷调控有效性的影响效应。研究发现,信贷风险累积在不同经济状态下对产出、通货膨胀和金融稳定均呈现出抑制效应,但影响强度随经济下行程度加深逐渐增强,并且信贷风险累积对金融稳定的负面影响最为强烈。信贷供给对产出、通货膨胀和金融稳定的影响效应在不同信贷风险累积程度下表现出显着的异质性。当以“经济增长”作为主要的经济目标时,信贷风险累积水平应当控制在一定范围内,既不能为了追求低不良水平过分惜贷,也不能为了投资扩张过度放贷。当以“稳定物价、促进货币流通”和“金融稳定”为主要目标时,应全力避免过度放贷和过度负债,同时加强贷款发放前后的审慎监管,尽量减少非理性的竞争行为和代际遗忘,尽可能降低银行资产中的不良资产规模,并加快不良资产的处置流程。最后,本文基于宏观经济政策视角运用多元方向分位数向量自回归(MDQVAR)模型探究了信贷监管政策对货币政策调控“经济增长、物价稳定和金融稳定”三大目标有效性的异质性影响,为更好地完善“双支柱”框架提供参考。研究发现,在经济下行期,流动性类的信贷监管政策能够显着增强数量型货币政策对经济增长的调控效果,但会形成通货膨胀问题,因此,需要在“促增长”和“稳通胀”目标中进行取舍。在经济平稳期,价值类的信贷监管政策虽然会在一定程度上削弱数量型货币政策对经济增长的促进效果,但信贷监管政策的动态调整不会对数量型货币政策有效性产生显着影响,二者可以各自调控,能够同时实现“稳增长、稳通胀、稳金融”三大目标。在经济过热期,价值类的信贷监管政策与价格型货币政策存在“政策冲突”,二者难以在动态调控中同时实现“金融稳定”与“价格稳定”。流动性类的信贷监管政策能够增强价格型货币政策对通货膨胀的抑制效果,两政策配合能够同时实现“稳金融、降通胀”的目标,并且在一定程度上“保增长”,是经济过热期最优的政策协调模式。除此之外,货币政策在金融稳定目标的调控上不具优势,维持金融市场稳定还是应以信贷监管政策为主。
于洪华[3](2021)在《基于情景记忆和元学习的机械臂运动技能获取》文中认为人类从出生到老去可以一直的学习和积累知识,并能够对学习到的技能进行存储记忆,实现有效的重复利用知识以快速解决新任务的。研究机器人技能的学习方法,使其在学习过程中掌握完成任务所需技能,记住训练过任务中经历过的多个片段,并能够进行整合应用到新任务中。本文分章节开展了基于情景记忆和元学习的机械臂运动技能获取研究,研究内容主要从以下几个方面展开:首先,设计了物体识别定位和操作系统(Object recognition and grasping system),通过视觉实现对工作空间内物体的识别和无碰撞操作。通过对相机标定后获取物体的点云信息,实现物体的定位;搭建基于RGB-D图像的视觉系统,分别实现简单环境和复杂环境下的物体识别。基于Move It!运动规划库进行机械臂的路径规划,并针对任务常用基础动作进行设计。然后,开展了基于元学习的机器人学习技能的方法研究。采用了LSTM为核心搭建的元学习网络。通过机械臂在多个任务上的训练进行跨任务学习,在模型训练阶段,元学习器针对技能获取目标设置多组任务进行训练,对每个任务基础学习器学习当前任务,掌握当前任务,由LSTM搭建的元学习器接收元分类器传递的梯度信息,元学习网络训练完成后,通过建立的情景记忆模型将网络参数存储为经验模块,指导元分类器在新任务的学习。再次,通过研究情景记忆的生物学基础和认知特性,对情景记忆功能进行分析,构造包含机器人经验和技能模型的情景记忆。将每个任务的情景记忆建模为多个事件的集合以及元学习器对于该任务的网络权重。在低层次,针对任务的每个事件封装机器人对该事件的状态感知以及行为动作;在高层次,针对每个任务封装该任务元学习器的网络权重作为情景经验存储。最后搭建由Kinect V2摄像头、UR3e机械臂、移动操作平台、robotiq二指夹爪等构成的机器人实验平台,设计桌面混杂物体清理任务、木块堆叠等任务,通过示教操作机器人与物体交互学习抓取、堆叠等简单技能;然后通过木块堆叠任务构型变化任务、混杂物品分类任务验证模型在复杂任务上的泛化能力。
左岗岗[4](2021)在《基于机器学习的径流预测方法及适应性预测机制研究》文中研究说明变化环境影响下,径流形成过程和演进机理复杂多变,流域稳态假设不再成立。基于历史资料和实际变化调查,评价一致性、可靠性、代表性的传统工作暴露了不少问题。在此背景下,开展响应变化的径流预测既难又关键。由问题驱动,走先进可行的技术路线既是探索也是突破。本论文立足于响应环境变化和支撑水资源管理决策的径流适应性预测,开展了径流预测方法及适应性预测机制研究。在构建径流适应性预测机制的基础上,首先基于对径流演变规律的大数据分析,挖掘径流形成的驱动要素,提取径流预测因子;然后借助机器学习技术,提出径流预测模型构建方法,建立径流预测模型;最后以综合集成平台为支撑,设计并开发融合机制、数据、模型、方法和业务的径流适应性预测系统,实现不同应用主题、不同驱动因子、不同时空尺度和不同模型组合的径流适应性预测。论文的主要研究内容及成果如下:(1)提出并建立了响应变化和支撑决策的径流适应性预测机制。针对变化环境下流域稳态假设不再成立的问题,分析了变化环境对径流预测的影响和径流预测对水资源管理的支撑作用,明确了径流适应性预测需要响应和支撑的对象及其变化因素。从径流预测活动的数据输入、模型和预测结果应用层面,设计了响应环境变化和支撑决策的径流适应性预测机制,为变化环境下的径流预测提供了新的模式和思路。基于大数据分析和机器学习,构建了实现径流适应性预测机制的技术方法;基于综合集成平台,建立了径流适应性预测机制的图谱化集成实现技术,为径流适应性预测奠定了技术基础。(2)建立了基于大数据分析的径流驱动因子挖掘方法。针对变化环境下径流统计规律和成因规律频繁改变的问题,采用传统方法与大数据分析相结合的方法,提出了径流关键驱动因子挖掘技术方法,去除了对径流变化影响不显着的特征要素,抽取了影响径流变化的隐含特征因子,辨识了水文、气象和植被等特征要素对径流变化的驱动关系,提取了径流变化的关键驱动因子,为基于机器学习的径流适应性预测奠定了数据基础。(3)提出了基于机器学习的径流预测模型构建方法。针对变化环境下径流驱动因子频繁改变,引起径流预测模型结构和参数不适用的问题,将机器学习技术引入径流预测,提出了径流预测机器学习模型构建方法,实现了径流预测模型自学习,有效地响应了变化,为径流适应性预测模型构建奠定了方法基础。针对径流预测机器学习模型的黑箱特征,建立了模型解释流程,实现了对径流预测机器学习模型的解释说明,为径流适应性预测奠定了应用基础。(4)构建了基于径流统计规律的径流预测机器学习模型。针对气象和下垫面要素缺测区域的径流适应性预测问题,提出了基于径流统计规律,构建径流预测机器学习模型的框架。将信号处理算法和机器学习算法相结合,使用历史径流,构建了不同时间尺度或空间尺度下径流预测机器学习模型,并开展了多模型对比评价,避免未来信息使用的同时有效降低了信号处理算法边界效应的影响,为开展径流适应性预测奠定了模型基础。(5)构建了基于径流成因规律的径流预测机器学习模型。针对气候变化和下垫面环境演变对径流形成过程的影响问题,提出了基于径流成因规律,构建径流预测机器学习模型的框架。基于机器学习算法,使用历史径流、气象要素和下垫面特征要素,构建了不同时间尺度或空间尺度下的径流预测机器学习模型,并开展了多模型对比评价,在有效利用径流变化成因信息的同时,基于历史同期径流变化情况,实现了对模型预测结果的修正,为径流适应性预测奠定了模型基础。(6)设计并开发了径流适应性预测系统,开展了集成应用研究。针对径流适应性预测需要过程化决策支撑的问题,采用“平台+内容+服务”的方式,设计了径流适应性预测系统。基于综合集成平台,构建了径流预测数据库、模型方法组件库和知识图库,实现了对预测数据、预测模型和预测业务的分离管理。通过组件集成数据、模型和方法,知识图集成组件的方式,实现了径流适应性预测系统的快速搭建。通过系统的持续集成应用,开展了“引汉济渭”工程黄金峡水库的预测调度业务模拟仿真,实现了径流适应性预测。
华郁秀[5](2021)在《无线网络智能感知与切片资源管理研究》文中提出移动通信从第一代模拟通信发展到目前的第五代数字通信(5G),服务对象已经从单纯的语音通讯扩展为无处不在的连接和林林总总的应用。作为数字经济时代的关键使能技术和基础设施,5G网络将承载更多的应用与海量连接,面向业务服务等级指标迥异的场景。不同商业模式需要在统一的5G网络架构下共存。网络切片技术被认为是5G实现万物互联的关键,通过在物理网络上切分出多个虚拟网络切片,适配不同业务的差异化需求。网络切片的资源管理对负载均衡、资源利用和网络性能起着至关重要的作用,因此针对网络切片资源管理的研究一直是学界和业界关注的焦点。同时,随着大数据时代的到来以及深度学习和强化学习技术的兴起,利用LSTM、DQN等数据驱动的模型算法智能感知无线网络或解决复杂优化问题,进而设计针对网络切片的智能无线资源管理方法已成为一种趋势。本文首先在第二章研究了智能化切片资源管理的一种解决方案,即通过无线网络智能感知技术对网络切片的请求数量、数据流量等时间序列进行预测,根据预测结果分配或调整无线资源,以满足调度周期内的用户需求。我们分析了很有代表性的时间序列预测模型——LSTM,并针对其计算量大且容易过拟合的问题设计了神经元随机连接的LSTM单元。仿真中我们选择了对解决网络切片资源管理问题有参考价值的网络流量预测和用户移动性预测任务,仿真结果表明所提模型的性能明显优于传统的时间序列预测方法,而且以部分性能损失为代价显着减少了计算量。第三章研究了无线网络智能感知中的无线信道估计问题,将深度学习用于大规模MIMO系统的信道估计。之所以进行这项研究,是因为在网络切片中,当考虑空口资源的分配时,必须使用到信道状态信息,而信道估计技术正是为了获得更加精确的信道状态信息。该研究不仅对网络切片很重要,而且对于大规模MIMO通信中的收发端信号处理有着极其重要的研究意义。我们针对导频序列长度小于发送端天线数量的情况引入GAN估计信道,为了进一步提高估计质量,我们在信道估计的前端加入了对含噪导频进行去噪处理的操作,提出了两级信道估计方法N2N-GAN。仿真结果表明N2N-GAN可以得到更小的估计误差,而且对更短的导频序列、更多的基站天线都具备较好的适应能力。第四章致力于解决网络环境中的随机因素对网络切片资源分配算法的干扰问题。我们发现值分布强化学习方法对环境中影响最优策略的随机因素具有很强的规避能力,其框架中动作值分布的表示和学习是研究重点。我们使用GAN学习动作值分布,从而提出了GANDDQN算法和训练效率更高的Dueling GAN-DDQN算法。仿真中我们考虑RAN切片场景,利用所提算法根据网络切片的请求数量学习带宽分配策略,仿真结果表明我们的算法学习到的策略能提供更高的系统效益,并且在整个训练过程中表现得更加稳定,收敛得更快。总体来说,本文探索了深度学习和强化学习在无线网络智能感知和网络切片资源管理的应用前景和改进方向,提出了RCLSTM、N2N-GAN、GAN-DDQN和Dueling GAN-DDQN算法分别针对时间序列预测、大规模MIMO信道估计、网络切片资源分配三个问题提供了解决方案,并且均通过仿真验证了算法的性能增益。
孙元杰[6](2021)在《基于全阶滑模观测器的IPMSM无位置传感器控制策略研究》文中指出永磁同步电机具有高功率密度、体积小和效率高等优势,因此在数控机床、矿用电机设备和新能源汽车等电气传动装置中得到广泛应用。永磁同步电机控制系统中需要转子的位置和转速信息,实现电机的高性能控制。传统方法是通过在电机转轴上安装位置传感器来获取转子信息,但是会导致电机的体积和系统成本增加,降低系统的稳定性,因此永磁同步电机无位置传感器的研究是当前的研究重点。本文以基于全阶滑模观测器的无位置传感器控制进行研究,全阶滑模观测器的引入有效提高了观测的精度,同时针对谐波电流和电参数的变化对观测精度的影响,分别从谐波电流的抑制和参数在线辨识来提高观测的精度和控制的性能。首先,本文分析永磁体同步电机的原理和结构。根据坐标变换推导电机在各坐标系下的数学模型。然后根据电机的数学模型,分析了几种常用的PMSM矢量控制策略。针对滑模观测器无法在低速阶段运行的情况,分析了开环启动策略,并重点分析IF开环启动的原理。其次,对传统滑模观测器进行理论推导,并分析传统滑模在运行时存在的滑模抖振、低通滤波器的使用和观测角度抗扰动能力差等问题。针对传统滑模观测器存在的问题,本文首先建立全阶滑模观测器来消除系统的抖振和解决低通滤波器的使用问题,同时为进一步抑制滑模抖振,采用反正切函数代替传统的开关函数,并将观测的扩展反电动势反馈至滑模电流观测器中提高观测的精度,然后再采用锁相环来提取反电动势中的转子位置信息,并在其中加入消除旋转因子的环节,解决转速对角度提取的影响,进一步提高观测的精度。最后通过仿真验证了该方案的有效性。再次,搭建了以TMS320F28335为处理器的变频驱动系统,并给出相应的硬件设计和软件设计。在硬件电路保护设计方面,为及时检测IGBT过流的发生,根据IGBT随电流增大而管压降增大的原理设计了及时有效的过流检测电路。同时针对尖峰电压方面,通过在有源箝位电路的基础上增加前级回路,能够有效地抑制尖峰电压的产生,从而保护IGBT。同时在软件设计中进行了谐波电流的抑制和参数在线辨识的研究。最后,在所搭建的平台上进行谐波电流的抑制、IF电流频比控制和传统滑模观测器与本文全阶滑模观测器的对比分析等一系列实验,验证了本文所提方案的有效性和所搭建平台的稳定性。
赵江元[7](2021)在《微博舆情观点团簇形成机理与演化态势感知研究》文中提出在当前互联网技术快速革新的今天,新媒体蓬勃发展融合网络用户数量的高速增长,形成了当前复杂多变的网络舆情生态环境。对比上世纪九十年代末、本世纪初以及现在网络环境来看,互联网的普及与入网用户数量激增导致各种阶层和素质参差不齐的人大量涌入网络世界,导致用户整体特征呈现低龄化、低素质化。而我国社会结构呈金字塔形,教育程度低、文明素质低的人口占比较大,所以当网络向社会全阶层普及后稀释了少数高素质人口的文明行为,导致了网络环境的恶劣化。微博作为国内最主要的社交平台,网络舆情在微博上的传播具有传播范围广、传播速度快、影响力巨大等特点,大量用户在微博平台发表其关于各类社会事件看法、观点的言论构成了微博网络舆情。因此针对微博平台中的网络舆情的形成与演化进行深度的分析有利于有关部门及时管控失范舆情发展并引导微博舆情的正确走向,对网络生态环境的稳定发展具有重要意义。舆情受众个体观点是基于个体的立场、观念、认知水平等思维模式所形成的,具有极强的主观性,在个体观点形成的过程中受其观点引导能力的影响,对社会事件抱有相似或相同看法的舆情受众会自发的协调自身观点从而形成能够体现群体智慧的群体观点,但不同的人对同一事物会有不同的感知与理解,大量持有相反看法的网络舆情受众会以其他群体观点为锚定点或判断的立足点,形成其他群体观点。在基于某个社会事件的网络舆情空间中,个体之间的交互和相互影响与演化促成了关于该事件几种主流观点的产生,这种主流群体观点的抽象概念化可以认为是一个团簇结构,即每个观点团簇是由大量内涵相似的个体观点通过引导效应形成较为稳定结构。由于观点在网络舆情空间中的聚集体可以抽象的视作为团簇结构,因此可以将具有相同或相似立场并反映出各种属性状态的大量观点聚集体视作为观点团簇。以观点团簇概念进行理论构建与实证研究对于快速感知网络舆情发展趋势以及节约网络舆情管控成本具有重要意义。观点团簇由于事件发生而形成,同样随着事态发展而演化,在时间维度上不断演化代表了网络舆情受众对事件的态度变化,大量负面观点的传播将对网络信息生态环境造成冲击,因此针对国内最大的社交平台微博舆情观点团簇的形成进行探究,对加强网络综合治理、打造清朗网络空间具有重要的理论意义。同时,对微博舆情观点团簇的演化态势进行感知有助于发现符合人民主流价值观的群体观点,对其正确有效引导符合当前党对于“建立以内容建设为根本、先进技术为支撑、创新管理为保障的全媒体传播体系”的要求,具有重要的实践意义。目前对于舆情观点团簇的形成机理与演化态势感知的研究内容较少,对于观点团簇的概念、内涵尚无明确的界定,对于观点演化的研究主要结合心理学与社会网络从微观角度与技术层面进行研究,尚无从宏观角度对观点团簇演化态势进行理论分析与感知实践。因此,本文结合传播学、信息学、情报学、统计学、计算机科学等学科为基础,依托观点动力学、演化博弈论共同探讨微博舆情观点团簇的形成机理与演化态势感知。本文将从特征、属性、内涵等方面对舆情观点团簇进行分析,剖析微博舆情观点团簇的形成过程与形成机理,并构建微博舆情观点团簇的测度模型,运用自然语言处理、情感分析、回归分析等方法对微博舆情观点团簇的极性、体量、结构、密度进行测度,作为微博舆情观点团簇演化态势感知的技术支撑,基于态势感知理论构建微博舆情观点团簇演化态势感知模型,并通过实证研究的方式验证模型的适用性与可操作性。本文希望从理论角度与实践角度展开微博舆情观点团簇形成机理与演化态势感知的深入研究,力图完善网络舆情演化监控与识别体系,并丰富网络舆情的基础理论与实践应用研究。本文的主要内容如下:第一章,绪论。本章首先论述微博舆情观点团簇形成机理与演化态势感知研究的背景与理论、现实意义,然后对网络舆情观点、观点挖掘、观点演化、态势感知进行文献梳理,总结当前国内外的研究热点与现状。最后,阐述本文研究内容、研究方法、技术路线,并总结创新点。第二章,相关理论基础。在本章节研究中,对信息传播、网络舆情、观点演化、机器学习、态势感知的基础理论进行阐述,分析其理论对本文的应用价值与实用性。第三章,微博舆情观点团簇的属性、特征与形成阶段分析。对微博舆情观点团簇进行概念、内涵与外延的界定,分析微博舆情观点团簇的特征,包括观点团簇的动态稳定、持续隐匿性、阶段演化性以及异类传播性,明确观点团簇极性、规模、信息量、引导力、热度五种固有属性,并将舆情观点团簇的形成过程分为形成期、发展期、稳定期、隐匿期,本章内容将作为微博舆情观点团簇形成机理分析的理论基础。第四章,微博舆情观点团簇形成机理分析。本章研究主要是对微博舆情观点团簇的形成机理进行剖析,基于观点动力学对观点团簇形成动因进行分析,从观点团簇五种属性的形成综合分析观点团簇的形成过程,根据形成过程的共性总结微博舆情观点团簇形成动力要素,作为微博舆情观点团簇形成机理分析的基础,最后对舆情观点团簇要素与机理关系、形成过程与机理关系及机理间关系进行阐述。第五章,微博舆情观点团簇测度模型组构建。首先明确舆情观点团簇测度的目标、原则与流程,说明团簇测度在本研究中的必要性,其次利用python语言通过情感分析、LDA模型、CNN神经网络等多种技术手段构建测度模型组对微博舆情观点团簇的极性、规模、信息量、引导力、热度属性进行测度,作为后续对观点团簇演化态势分析的数理基础。第六章,微博舆情观点团簇演化态势感知模型组构建。在本章开篇说明团簇测度与演化态势感知的关联关系,明确前文研究的必要性,基于态势感知理论分析微博舆情观点团簇演化态势感知的概念与目的,根据态势感知理论解析观点团簇演化态势感知模型组,阐述观点团簇演化态势感知的流程,随后构建观点团簇演化态势感知模型组,利用python语言通过文本相似度分析、LSTM神经网络等方法构建微博舆情观点团簇演化态势要素提取模型、观点团簇演化态势理解模型、观点团簇演化态势预测模型。演化态势感知模型是基于态势感知理论所构建的,演化态势感知的首要任务是确定观点团簇之间的演化关系,然后根据属性的类型划分演化态势分型要素并构建分型标准,将观点团簇演化态势等级分为红橙黄蓝四个等级。最后根据演化态势理解结果对微博舆情观点团簇的演化态势进行预测,将为后文实证研究提供技术手段。第七章,实证研究。本章节以“翟天临知网事件”为实证研究对象,对前文研究中的舆情观点团簇测度模型组与演化态势感知模型组进行实证测试,验证模型的有效性与适用性。第八章,基于观点团簇演化态势感知的微博舆情观点演化风险处置策略与建议。本章从观点团簇演化态势感知结果的基础上,针对红、橙、黄、蓝四个等级提出具有针对性与有效性的处置策略,针对处于高演化态势等级的观点团簇采取切断传播、源头控制等应急响应措施,而针对处于较低演化态势等级的观点团簇则采取积极引导、精准推送等长效处置手段。并根据本文研究内容结合实际情况针对微博舆情观点团簇演化风险处置过程中的存在的问题提出建议。第九章,总结与展望。本章总结本文研究内容与研究成果,分析研究不足之处以及后续研究计划。对微博舆情观点团簇的形成机理剖析与演化态势感知研究是网络舆情危机预警的前提条件,通过将多学科优势相结合,能够将微博舆情观点团簇演化态势感知应用到现实当中,为网络舆情观点演化预警与管控提供新的思路与方法。
赵毓[8](2021)在《多智能体系统自主规避任务决策方法研究》文中指出随着航空航天事业的高速发展,越来越多的飞行器采用群体或多体协同的方式执行任务,呈现出典型的多智能体特征,适于使用多智能体理论对其进行分析和建模,对分布式自主决策技术的需求日益突出。飞行器自主规避是确保其安全性最直接有效的方法,但是当前对相关技术的研究多是基于静态全局规划算法,难以满足动态场景中多实体间实时协同需求。为了解决多实体协同规避问题,本文引用多智能体系统思想对其进行规避任务决策技术研究。多智能体系统有着自主、高效和可扩展的优点,本文将其与强化学习技术相结合,用以设计飞行器决策算法。本文以航天器反拦截、无人机避碰和空间机械臂轨迹规划等典型任务为研究背景,对多智能体自主规避任务决策问题进行研究,结合真实约束条件,实现智能体的实时决策。本文取得主要研究成果如下:在运动分析基础上给出智能体与环境交互的数学模型。针对多智能体系统规避决策问题,建立部分可观马尔科夫决策模型,考虑部分可观的约束条件,结合博弈理论研究了多智能体马尔科夫博弈问题,分析常规回报函数的设计方法,并给出了求解序列决策的三种典型方式。在多智能体强化学习方面,分析了航天器规避机动场景和空间机械臂捕捉场景的决策流程;将策略梯度方法向多智能体系统进行改进研究;提出一种基于策略协调和信度分配的Actor-Critic强化学习方法,用于解决全局可观条件下决策器的训练和策略提升问题,并给出相关收敛性分析;根据任务需求设计各关键环节的神经网络结构和算法流程。分别在航天器反拦截和空间机械臂避障规划等多种任务场景中进行了强化学习训练,通过对累积回报值和成功率的结果对比分析验证了所提方法的正确性和有效性。在强化学习算法应用方面,分析典型任务场景对决策效率的约束情况;针对问题场景设计了进行任务决策的神经网络结构,并对其不同部分设计压缩方法;在神经网络权值聚类和量化的基础上,提出一种自适应分层重构剪枝方法,该方法以重训练的方式对目标神经网络进行动态剪枝和压缩,用于提高决策器运行速度,并压缩其存储空间;对部分可观条件下的任务场景进行强化学习系统设计,详细给出了回报函数的设计方法。分别在有限空域大量无人机场景和多航天器反拦截场景对提出方法进行仿真验证,从决策运行速度、累计回报值和成功率等方面对算法性能进行分析和讨论,并验证了所提强化学习方法对实体数量可变环境的适应性。在任务环境稀疏奖励问题上,对任务场景约束和常规强化学习算法局限性进行分析,设计了案例评价机制;提出逆值法强化学习算法,解决了奖励延迟分配和无奖励引导系统学习效率低的问题;基于马尔科夫博弈理论设计了自学习系统,并结合启发式搜索思想分析了所提算法的收敛性;分析了有扰动状态输入情况,并设计了用于对比分析的有限状态机;分析了算法优势和改进方向。在仿真验证中与前文章节训练所得决策器进行了对比分析,验证了所提算法的正确性和相关性能优势。本文对多智能体决策技术进行探索,研究了信度分配、策略协调、执行提速和稀疏奖励等重要方向,提高了航空航天硬件设备在执行任务中的存活率,所得研究成果对航空航天安全保障技术的发展具有一定的参考价值。
李伟[9](2021)在《轨道交通路网客流时空分布预测及疏散诱导控制》文中进行了进一步梳理轨道交通以其安全、快速、准点、运量大、绿色等特点,在综合交通运输体系中发挥了骨干作用。当前,轨道交通作为城市居民的重要出行方式,在满足出行需求、缓解交通拥堵等方面发挥了重要作用,是构建绿色城市和智能城市的有效途径。随着轨道交通路网的不断完善,运营环境日趋复杂,超大规模客流日渐常态化,准确实时获取轨道交通客流时空分布情况及客流演化规律,在突发事件下引导乘客选择合理出行路径,降低路网客流运营压力,是保障轨道交通安全高效运行的有效措施。本文针对轨道交通客流时空分布预测及疏散诱导控制问题展开研究,围绕车站类型识别及客流演化机理、常态运营下路网客流时空分布预测以及突发事件下路网客流疏散诱导控制等关键问题开展研究。本文的主要研究内容可概括为如下4个方面:1.考虑车站客流的演变特征,提出基于二阶聚类的车站类型识别及客流演化机理识别方法。提取网络结构、客流时间序列形态特征和结构特征以及客流统计特征等,应用主成分分析法对特征值降维处理,提出基于二阶聚类的车站类型识别方法;从车站类型和降雨强度等级两个角度出发,提出基于震荡系数的客流影响分析方法。以北京市轨道交通为例,将车站分为6类,并分析典型车站进站客流演化机理。仿真算例结果表明降雨对轨道交通出行有显着影响,且不同类型车站受降雨影响客流演化机理明显不同。2.考虑客流的非线性、非平稳性、周期性、随机性等特点,提出分解集成策略下基于深度神经网络的进站客流预测方法。采用时间序列分解方法将进站客流数据转化为多个波动性较弱、规律性较强的子时间序列;采用归一化方法将时间序列预处理,降低了时间序列数据均值差距,然后基于长短期记忆神经网络模型预测并重构还原得到最终预测结果。针对不同类型的车站分别开展进站客流预测算例仿真,结果表明本文所提客流预测模型性能优于传统的客流预测模型,提高了客流预测的精度。3.考虑乘客换乘路径辨识问题,提出常态运营下基于移动定位轨迹重构的路网客流时空分布预测方法。针对刷卡数据并不包含乘客换乘信息的特点,提出基于移动定位轨迹重构的乘客出行路径辨识模型;基于随机用户均衡原则,考虑乘客留乘、车厢拥挤等多种因素,构建了轨道交通路网客流时空分布预测模型;针对轨道交通路网进行算例仿真分析,结果表明模型输出的换乘客流量等信息与实际调查结果相符,验证了模型的有效性与准确性。4.考虑突发事件造成的乘客出行延误以及路网拥挤等影响,提出基于双层规划模型的路网客流疏散诱导控制方法。考虑突发事件对乘客出行路径选择造成的影响,建立基于累积前景理论的乘客出行路径选择模型;考虑乘客出行阻抗和路网拥挤程度两种因素,设计离散粒子群算法优化路网客流疏散诱导控制策略;针对轨道交通路网进行算例仿真分析,结果表明基于累积前景理论的乘客出行路径选择模型结果与乘客实际路径选择结果相符,可以准确地刻画乘客在路径选择时的决策行为,提出的客流疏散诱导控制策略有效降低了乘客整体出行时间,改善了路网的拥挤程度。
郑黎明[10](2021)在《基于雷达回波和闪电观测的雷电临近预警研究》文中研究指明闪电作为常见自然灾害之一对人的生命以及工业基础设施有重大威胁,精细时空分辨率下的闪电临近预警对这种灾害的预防具有重要意义。然而,由于雷暴发展的不稳定性,该任务在气象预报领域仍具有重大挑战。本文考虑了闪电的时间特性和空间特性,将闪电临近预警问题归类为时空序列预测问题,并提出了两种闪电临近预警解决方案。第一,本文提出了一个主从时空预测网络模型MSTNet实现闪电的临近预警。模型的输入包括两种时空数据:历史闪电观测与雷达回波。MSTNet利用主从时空预测网络分别对两种数据特有的时空规律进行挖掘:主预测网络用于建模历史闪电与未来闪电之间的强时序关系;从预测网络则负责推演发展相对稳定的雷达回波,为预测未来闪电提供间接支撑。主从预测网络提取得到的特征通过一个融合模块实现信息互补,基于融合特征完成对闪电有无以及强度的临近预警。第二,本文提出了一种闪电数据缺失场景下的端到端的闪电临近预警模型ARLNet,仅使用历史雷达回波数据对未来时刻的闪电进行高时空分辨率场景下的临近预警,这种使用异构数据的时空序列预测方法对模型的特征提取能力有很大的考验,为了解决这一问题,ARLNet采用了两种不同的注意力机制——基于地缘特征的注意力机制与基于空间域的注意力机制——加强模型的特征提取能力,促使模型学习雷达数据与闪电数据的内在联系,在仅使用雷达回波数据的情形下实现了精细时空分辨率下的闪电临近预警。本文模型在我国华南地区实际采集的数据集(随论文一同发布)上进行了实验,结果表明两种模型相比于其他先进的时空序列天气预报模型具有明显优势。
二、观测主体的遗忘机制(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、观测主体的遗忘机制(论文提纲范文)
(1)基于GNSS/INS的列车自主定位性能评估方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 问题的提出 |
1.3 国内外研究现状 |
1.3.1 基于GNSS/IN的列车自主定位性能需求研究现状 |
1.3.2 基于GNSS/INS的列车自主定位完好性评估研究现状 |
1.3.3 基于GNSS/INS的列车自主定位可用性评估研究现状 |
1.3.4 面向移动闭塞应用的列车自主定位安全风险评估方法研究现状 |
1.4 论文研究内容及组织结构 |
2 基于GNSS/INS的列车自主定位应用性能需求研究 |
2.1 基于GNSS/INS的列车自主定位结构 |
2.2 列车自主定位性能需求分析 |
2.2.1 列车自主定位单元的PLM描述 |
2.2.2 性能评估需求指标关系 |
2.2.3 性能评估参数体系 |
2.3 本章小结 |
3 环境场景信息驱动的列车自主定位完好性评估 |
3.1 问题描述 |
3.2 环境场景聚类及量测噪声加权计算方法 |
3.2.1 典型环境场景分析 |
3.2.2 基于粒子群的K均值聚类算法 |
3.2.3 列车运行沿线环境场景聚类参数 |
3.2.4 基于环境场景划分的量测噪声加权计算方法 |
3.2.5 实验分析 |
3.3 列车自主定位完好性评估方法 |
3.3.1 故障检测 |
3.3.2 状态识别 |
3.3.3 实验分析 |
3.4 本章小结 |
4 基于灰色SPN的列车自主定位可用性评估 |
4.1 问题描述 |
4.2 基于SPN的列车自主定位故障传播模型 |
4.2.1 随机Petri网及可用性计算 |
4.2.2 列车自主定位单元故障分析 |
4.2.3 列车自主定位故障传播模型 |
4.2.4 多因素影响下的变迁激发率 |
4.3 基于区间灰数的可用性评估方法 |
4.3.1 基于灰色系统理论的不确定性知识表达方法 |
4.3.2 不确定信息下变迁激发率灰色置信区间估计 |
4.3.3 灰色SPN下的稳态可用度 |
4.4 实验分析 |
4.4.1 实验条件 |
4.4.2 多环境场景下的可用性评估 |
4.5 本章小结 |
5 基于步长自适应LSTM的列车自主定位安全风险评估 |
5.1 问题描述 |
5.1.1 基于列车自主定位的移动闭塞 |
5.1.2 面向移动闭塞的列车自主定位安全风险分析 |
5.2 神经网络理论概述 |
5.2.1 人工神经网络 |
5.2.2 BP神经网络 |
5.2.3 LSTM神经网络 |
5.3 基于步长自适应LSTM的列车自主定位安全风险识别 |
5.3.1 样本数据分析 |
5.3.2 基于环境场景的步长自适应调整方法 |
5.3.3 基于步长自适应的LSTM安全风险评估过程及模型验证 |
5.4 仿真实验分析 |
5.4.1 仿真实验条件 |
5.4.2 步长自适应调整方法验证 |
5.4.3 基于步长自适应的LSTM安全风险评估结果分析 |
5.5 本章小结 |
6 列车自主定位性能评估集成验证 |
6.1 实验测试环境 |
6.2 列车自主定位性能评估验证 |
6.2.1 环境场景聚类 |
6.2.2 量测噪声加权及完好性评估 |
6.2.3 可用性评估 |
6.2.4 面向移动闭塞的安全风险评估 |
7 结论与展望 |
7.1 论文研究工作总结 |
7.2 论文创新点 |
7.3 展望 |
参考文献 |
索引 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(2)我国信贷供给传导机制及其宏观经济效应研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景与研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外文献综述 |
1.2.1 信贷供给总量的经济效应 |
1.2.2 信贷供给结构的经济效应 |
1.2.3 信贷供给价格的经济效应 |
1.2.4 信贷风险累积的经济效应 |
1.2.5 信贷供给监管对货币政策有效性的影响效应 |
1.3 主要研究目标、论文结构及主要内容 |
1.3.1 主要研究目标 |
1.3.2 论文结构及主要内容 |
1.4 研究方法与主要贡献 |
1.4.1 研究方法 |
1.4.2 主要贡献 |
第2章 信贷供给宏观经济效应的理论基础 |
2.1 信贷供求理论 |
2.1.1 宏观信贷供求理论 |
2.1.2 微观信贷供求理论 |
2.2 信贷价格理论 |
2.2.1 可贷资金理论 |
2.2.2 金融抑制理论 |
2.3 信贷风险理论 |
2.3.1 Fisher的“债务-通货紧缩”理论 |
2.3.2 金融脆弱性理论 |
2.4 信贷配给与信贷传导理论 |
2.4.1 均衡配给理论 |
2.4.2 银行信贷渠道传导理论 |
2.4.3 资产负债表渠道传导理论 |
第3章 我国信贷供给传导机制及其与产出的动态关联分析 |
3.1 基于DSGE模型我国信贷供给的微观传导机制分析 |
3.1.1 模型设定 |
3.1.2 模型均衡 |
3.1.3 参数校准与模拟分析 |
3.2 我国信贷供给与产出的波动特征及动态关联性分析 |
3.2.1 MS-GAS-TVTP模型与TVP-VECM模型原理 |
3.2.2 我国产出与信贷波动的阶段性变迁识别及时变转移分析 |
3.2.3 动态关联性分析 |
3.3 本章小结 |
第4章 我国信贷供给总量与期限结构的宏观经济效应分析 |
4.1 信贷供给总量对宏观经济影响的理论机制分析 |
4.2 我国信贷总量扩张与收缩对宏观经济的非对称影响效应分析 |
4.2.1 非线性自回归分布滞后(NARDL)模型原理 |
4.2.2 变量选取、数据处理及平稳性检验 |
4.2.3 我国信贷总量扩张与收缩对产出的非对称影响效应 |
4.2.4 我国信贷总量扩张与收缩对通货膨胀的非对称影响效应 |
4.3 我国信贷供给期限结构的宏观经济效应分析 |
4.3.1 SV-TVP-FAVAR模型原理 |
4.3.2 我国信贷供给期限结构对产出和通货膨胀的时变效应分析 |
4.3.3 我国信贷供给短期结构对产出和通货膨胀的时变效应分析 |
4.3.4 我国信贷供给中长期结构对产出和通货膨胀的时变效应分析 |
4.4 本章小结 |
第5章 我国信贷供给价格传导机制及其非线性效应分析 |
5.1 信贷供给对宏观经济增长的价格传导机制分析 |
5.1.1 投资渠道传导机制分析 |
5.1.2 消费渠道传导机制分析 |
5.2 ST-BVAR模型原理 |
5.2.1 ST-BVAR模型设定 |
5.2.2 ST-BVAR模型的非线性检验 |
5.3 不同经济周期下信贷价格对经济增长的两阶段传导效应分析 |
5.3.1 变量选取、数据处理与经济周期波动区制识别 |
5.3.2 第一阶段信贷价格对投资与消费的非线性影响效应 |
5.3.3 第二阶段投资与消费对产出的非线性影响效应 |
5.4 本章小结 |
第6章 信贷风险对宏观经济及信贷调控有效性的异质性影响效应分析 |
6.1 多元方向分位数向量自回归(MDQVAR)模型 |
6.2 不同经济周期下信贷风险对宏观经济的异质性影响效应分析 |
6.2.1 理论机制分析 |
6.2.2 变量选取及数据处理 |
6.2.3 分位数脉冲响应分析 |
6.3 不同信贷风险水平下信贷调控宏观经济有效性分析 |
6.3.1 变量选取及数据处理 |
6.3.2 分位数脉冲响应分析 |
6.4 本章小结 |
第7章 我国信贷监管对货币政策有效性的影响效应分析 |
7.1 理论背景与影响机制分析 |
7.2 信贷监管的不同强度对货币政策有效性的异质性影响分析 |
7.2.1 变量选取及数据说明 |
7.2.2 经济增长目标下信贷监管对货币政策有效性的影响分析 |
7.2.3 物价稳定目标下信贷监管对货币政策有效性的影响分析 |
7.2.4 金融稳定目标下信贷监管对货币政策有效性的影响分析 |
7.3 本章小结 |
结论 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(3)基于情景记忆和元学习的机械臂运动技能获取(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的意义 |
1.2 国内外研究现状 |
1.2.1 基于记忆的机器人学习方法 |
1.2.2 基于元学习的机器人学习方法 |
1.2.3 机器人获取技能 |
1.2.4 存在的问题 |
1.3 本文的主要研究内容 |
第2章 基于RGB-D图像的物体识别和抓取系统设计 |
2.1 引言 |
2.2 相机配准和坐标定位 |
2.2.1 Kinect V2 深度摄像头 |
2.2.2 相机标定 |
2.2.3 物体检测识别 |
2.3 基于Move It!的动作分层规划 |
2.4 本章小结 |
第3章 基于LSTM神经网络的元学习网络 |
3.1 引言 |
3.2 元学习网络搭建 |
3.2.1 循环神经网络 |
3.2.2 长短时记忆网络 |
3.2.3 本文元学习模型框架 |
3.3 元学习网络 |
3.3.1 元学习器 |
3.3.2 批量归一化 |
3.3.3 Se LU激活函数 |
3.3.4 模型训练与预测 |
3.4 本章小结 |
第4章 情景记忆模型及其工作原理 |
4.1 引言 |
4.2 情景记忆 |
4.2.1 情景记忆功能分析 |
4.2.2 情景记忆建模 |
4.3 情景记忆工作机制 |
4.3.1 记忆权重 |
4.3.2 情景记忆创建 |
4.3.3 情景记忆读取 |
4.3.4 情景记忆的写入更新 |
4.4 本章小结 |
第5章 机械臂运动技能获取实验及结果分析 |
5.1 引言 |
5.2 实验设置 |
5.2.1 实际机器人环境设置 |
5.2.2 仿真环境设置 |
5.2.3 示教软件 |
5.2.4 实验任务设置 |
5.3 基于RGB-D图像示教的数据采集 |
5.3.1 桌面清理任务 |
5.3.2 堆叠积木任务 |
5.4 元学习获取技能实验 |
5.4.1 堆叠积木任务构型变化实验 |
5.4.2 混杂物体分类任务 |
5.4.3 性能评估 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(4)基于机器学习的径流预测方法及适应性预测机制研究(论文提纲范文)
摘要 |
Abstract |
符号说明 |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 课题背景 |
1.1.3 研究目的意义 |
1.2 国内外研究现状 |
1.2.1 径流预测 |
1.2.2 机器学习 |
1.3 存在的不足分析 |
1.4 主要研究内容 |
1.5 研究技术路线 |
1.6 研究区域与数据 |
2 响应变化与支撑决策的径流适应性预测机制研究 |
2.1 响应与支撑对象分析 |
2.1.1 变化环境对径流预测的影响分析 |
2.1.2 径流预测对水资源管理的决策支撑作用分析 |
2.1.3 对象及因素归类 |
2.2 径流适应性预测机制构建 |
2.2.1 响应环境变化的适应性机制构建 |
2.2.2 支撑决策的适应性机制构建 |
2.3 适应性机制实现技术方法构建 |
2.3.1 响应环境变化的适应性机制技术实现 |
2.3.2 支撑决策的适应性机制技术实现 |
2.4 适应性机制图谱化集成实现方式 |
2.4.1 适应性机制实现的关键支撑平台及技术 |
2.4.2 基于知识图的径流预测图谱构建 |
2.4.3 基于预测图谱的适应性机制集成 |
2.5 本章小结 |
3 基于大数据分析的径流驱动因子挖掘研究 |
3.1 径流预测特征因子预处理 |
3.1.1 特征因子提取 |
3.1.2 特征因子缺失值处理 |
3.1.3 复杂非线性特征因子分解 |
3.1.4 特征因子清洗 |
3.2 特征因子对径流变化的驱动关系构建 |
3.2.1 特征因子滞后时段选择 |
3.2.2 驱动关系构建方式 |
3.3 基于成因贡献分析的驱动因子提取 |
3.3.1 径流成因贡献分析 |
3.3.2 关键驱动因子提取 |
3.4 径流预测样本集构建 |
3.4.1 基于统计规律的径流预测样本 |
3.4.2 基于成因规律的径流预测样本 |
3.5 本章小结 |
4 基于机器学习的径流预测模型构建方法 |
4.1 径流预测样本预处理 |
4.1.1 样本集划分 |
4.1.2 样本集归一化 |
4.2 径流预测机器学习模型构建 |
4.2.1 支持向量回归机 |
4.2.2 梯度增强决策回归树 |
4.2.3 长短期记忆神经网络 |
4.3 径流预测机器学习模型优化 |
4.3.1 模型性能评价 |
4.3.2 模型超参数优化 |
4.4 径流预测机器学习模型解释 |
4.4.1 解释对象确定 |
4.4.2 解释需求分析 |
4.4.3 解释方法梳理 |
4.5 本章小结 |
5 基于统计规律的径流预测机器学习模型研究 |
5.1 基于统计规律的径流预测框架 |
5.2 径流预测实例验证与对比评价 |
5.2.1 TSDF模型中边界效应的减少 |
5.2.2 直接法与多分量法效果对比 |
5.2.3 TSDF模型的过拟合程度 |
5.2.4 不同预见期TSDF预测效果 |
5.2.5 不同分解算法及预测框架的效果 |
5.2.6 径流预测与径流回测的差距 |
5.3 本章小结 |
6 基于成因规律的径流预测机器学习模型研究 |
6.1 基于成因规律的径流预测框架 |
6.2 径流预测实例验证与对比评价 |
6.2.1 不同驱动因子筛选阈值对比 |
6.2.2 气象与ERA5L要素的预测效果对比 |
6.2.3 降维与线性相关重构的预测效果对比 |
6.2.4 径流序列降噪对预测效果的提升 |
6.2.5 不同预见期多模型对比 |
6.3 本章小结 |
7 径流适应性预测系统研究与集成实现 |
7.1 径流适应性预测系统设计 |
7.2 径流预测主题知识图构建 |
7.2.1 径流预测业务主题划分 |
7.2.2 径流预测主题知识图绘制 |
7.3 径流预测模型方法组件库构建 |
7.3.1 径流预测模型方法组件化 |
7.3.2 径流预测组件定制 |
7.4 径流适应性预测系统构建 |
7.4.1 预测图谱与组件耦合集成 |
7.4.2 径流预测图谱集成运行 |
7.5 径流适应性预测系统应用 |
7.5.1 径流预测数据集管理 |
7.5.2 径流驱动因子挖掘 |
7.5.3 径流预测模型构建 |
7.5.4 径流预测结果应用 |
7.6 本章小结 |
8 结论与展望 |
8.1 主要研究成果 |
8.2 创新点 |
8.3 展望 |
致谢 |
建模工具、程序及模型性能评价 |
参考文献 |
攻读博士学位期间主要研究成果 |
(5)无线网络智能感知与切片资源管理研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
1 绪论 |
1.1 研究背景 |
1.2 人工智能模型概述 |
1.2.1 深度学习 |
1.2.2 强化学习 |
1.2.3 深度Q网络 |
1.3 论文研究内容 |
1.4 主要贡献及结构安排 |
2 基于RCLSTM的网络流量与用户移动性感知 |
2.1 引言 |
2.1.1 背景介绍 |
2.1.2 相关研究 |
2.1.3 方法和结论 |
2.2 RCLSTM单元 |
2.2.1 动机和目标 |
2.2.2 模型介绍 |
2.3 时间序列预测定义 |
2.3.1 单步预测 |
2.3.2 多步预测 |
2.4 网络流量预测 |
2.4.1 数据介绍及预处理 |
2.4.2 评估指标 |
2.4.3 仿真实验 |
2.4.4 仿真结果分析 |
2.5 用户移动性预测 |
2.5.1 数据介绍及预处理 |
2.5.2 仿真实验 |
2.5.3 仿真结果分析 |
2.6 小结与讨论 |
3 基于生成对抗网络的MIMO信道估计方法 |
3.1 引言 |
3.1.1 背景介绍 |
3.1.2 相关研究 |
3.1.3 方法和结论 |
3.2 系统模型 |
3.3 基于GAN的信道估计方法 |
3.3.1 相关背景介绍 |
3.3.2 N2N-GAN |
3.4 仿真验证 |
3.4.1 仿真数据和评估标准 |
3.4.2 仿真结果分析 |
3.5 小结与讨论 |
4 基于强化学习与生成对抗网络的网络切片资源管理 |
4.1 引言 |
4.1.1 背景介绍 |
4.1.2 相关研究 |
4.1.3 方法和结论 |
4.2 系统模型 |
4.3 基于GAN的 Di RL算法 |
4.3.1 数学背景 |
4.3.2 GAN-DDQN |
4.3.3 收敛性分析 |
4.3.4 Dueling GAN-DDQN |
4.4 仿真实验 |
4.4.1 仿真环境设定 |
4.4.2 仿真结果分析 |
4.5 小结与讨论 |
5 结论和展望 |
5.1 成果和结论 |
5.2 研究展望 |
参考文献 |
攻读博士学位期间主要研究成果 |
简历 |
(6)基于全阶滑模观测器的IPMSM无位置传感器控制策略研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景及意义 |
1.2 课题的研究现状 |
1.2.1 无位置传感器控制研究现状 |
1.2.2 基于滑模观测器的无位置传感器控制研究现状 |
1.3 本文主要内容 |
第2章 永磁同步电机数学模型与控制策略 |
2.1 永磁同步电机的结构及分类 |
2.2 永磁同步电机数学模型 |
2.2.1 坐标变换 |
2.2.2 数学模型 |
2.3 永磁同步电机控制策略 |
2.3.1 矢量控制策略 |
2.3.2 开环启动策略 |
2.5 本章小结 |
第3章 基于全阶滑模观测器的无位置传感器控制研究 |
3.1 传统滑模观测器的设计 |
3.1.1 扩展反电动势模型 |
3.1.2 滑模观测器的设计 |
3.2 基于全阶滑模观测器的设计 |
3.2.1 全阶滑模观测器的设计 |
3.2.2 全阶滑模观测器稳定性分析 |
3.2.3 全阶滑模观测器抖振抑制和角度求取 |
3.3 仿真结果分析 |
3.4 本章小结 |
第4章 无位置传感器控制平台的设计 |
4.1 硬件设计 |
4.1.1 整流电路 |
4.1.2 逆变电路 |
4.1.3 电源电路 |
4.1.4 驱动电路 |
4.1.5 短路及过流保护电路 |
4.1.6 电压箝位保护电路 |
4.1.7 速度采样电路 |
4.1.8 电流及直流母线采样电路 |
4.2 软件设计 |
4.2.1 系统主体程序设计 |
4.2.2 谐波电流抑制策略设计 |
4.2.2.1 谐波检测 |
4.2.2.2 谐波抑制 |
4.2.3 电机参数在线辨识设计 |
4.2.3.1 带遗忘因子的递推最小二乘法 |
4.2.3.2 永磁同步电机参数辨识模型建立 |
4.2.3.3 仿真结果分析 |
4.2.4 上位机调试程序 |
4.3 本章小结 |
第5章 实验结果分析 |
5.1 谐波电流抑制实验分析 |
5.2 IF电流频比控制实验分析 |
5.3 全阶滑模观测器与传统滑模观测器的实验对比分析 |
5.3.1 恒速实验分析 |
5.3.2 变速实验分析 |
5.3.3 电压突变实验分析 |
5.3.4 加减载实验分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 本文工作总结 |
6.2 未来工作展望 |
参考文献 |
在读期间发表学术论文及研究成果 |
致谢 |
(7)微博舆情观点团簇形成机理与演化态势感知研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 现实意义 |
1.3 研究综述 |
1.3.1 网络舆情观点团簇形成研究综述 |
1.3.2 网络舆情观点团簇挖掘研究 |
1.3.3 网络舆情观点团簇演化研究 |
1.3.4 网络舆情演化态势感知研究综述 |
1.4 研究内容与研究方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
1.5 本文创新点 |
第二章 相关理论基础 |
2.1 信息传播相关理论 |
2.1.1 信息传播的概念 |
2.1.2 信息传播的模式 |
2.2 网络舆情相关理论 |
2.2.1 网络舆情概念 |
2.2.2 网络舆情演化 |
2.3 观点演化相关理论 |
2.3.1 观点挖掘 |
2.3.2 观点动力学 |
2.3.3 离散观点模型与连续观点模型 |
2.4 机器学习相关理论 |
2.4.1 自然语言处理 |
2.4.2 人工神经网络 |
2.5 态势感知相关理论 |
2.5.1 态势感知理论 |
2.5.2 网络安全态势感知 |
第三章 微博舆情观点团簇的属性、特征与形成阶段 |
3.1 微博舆情观点团簇解析 |
3.1.1 微博舆情观点团簇的概念 |
3.1.2 微博舆情观点团簇的内涵 |
3.1.3 微博舆情观点团簇的外延 |
3.2 微博舆情观点团簇特征分析 |
3.2.1 微博舆情观点团簇的动态稳定性 |
3.2.2 微博舆情观点团簇的持续隐匿性 |
3.2.3 微博舆情观点团簇的阶段演化性 |
3.2.4 微博舆情观点团簇的传播异类性 |
3.3 微博舆情观点团簇属性分析 |
3.3.1 观点团簇极性 |
3.3.2 观点团簇规模 |
3.3.3 观点团簇引导力 |
3.3.4 观点团簇信息量 |
3.3.5 观点团簇热度 |
3.4 微博舆情观点团簇形成阶段分析 |
3.4.1 微博舆情观点团簇形成期 |
3.4.2 微博舆情观点团簇发展期 |
3.4.3 微博舆情观点团簇稳定期 |
3.4.4 微博舆情观点团簇隐匿期 |
3.5 本章小结 |
第四章 微博舆情观点团簇形成动力要素与形成机理 |
4.1 微博舆情观点团簇形成动力要素分析 |
4.1.1 观点团簇极性形成要素 |
4.1.2 观点团簇规模形成要素 |
4.1.3 观点团簇引导力形成要素 |
4.1.4 观点团簇信息量形成要素 |
4.1.5 观点团簇热度形成动力要素 |
4.2 微博舆情观点团簇形成机理分析 |
4.2.1 群体极性形成机理 |
4.2.2 同源观点聚合机理 |
4.2.3 观点立场引导机理 |
4.2.4 团簇信息累积机理 |
4.2.5 观点团簇隐匿机理 |
4.3 微博舆情观点团簇形成机理的关系分析 |
4.3.1 微博舆情观点团簇形成动力要素与形成机理的关系 |
4.3.2 微博舆情观点团簇形成过程与机理的关系 |
4.3.3 微博舆情观点团簇形成机理间的关系 |
4.4 本章小结 |
第五章 微博舆情观点团簇测度模型组构建 |
5.1 微博舆情观点团簇测度模型组解析 |
5.1.1 微博舆情观点团簇测度模型组构建的目的 |
5.1.2 微博舆情观点团簇测度模型组构建原则 |
5.1.3 微博舆情观点团簇测度模型组整体框架 |
5.2 微博舆情观点团簇测度指标体系构建 |
5.2.1 微博舆情观点团簇测度指标体系结构设计 |
5.2.2 微博舆情观点团簇测度指标释义 |
5.3 微博舆情观点团簇极性测度模型构建 |
5.3.1 观点团簇极性测度流程 |
5.3.2 观点团簇情感极性确定方法 |
5.3.3 观点团簇极性强度测度方法 |
5.4 微博舆情观点团簇规模测度模型构建 |
5.4.1 观点团簇规模测度流程 |
5.4.2 观点团簇数量确定方法 |
5.4.3 观点团簇划分方法 |
5.4.4 观点团簇规模表示方法 |
5.5 微博舆情观点团簇引导力测度模型构建 |
5.5.1 观点团簇引导力测度流程 |
5.5.2 引导力测度指标权重确定方法 |
5.5.3 观点团簇引导力测度方法 |
5.6 微博舆情观点团簇信息量测度模型构建 |
5.6.1 观点团簇信息量测度流程 |
5.6.2 观点团簇信息量测度方法 |
5.7 微博舆情观点团簇热度测度模型构建 |
5.7.1 观点团簇热度测度原理 |
5.7.2 观点团簇热度测度方法 |
5.8 本章小结 |
第六章 微博舆情观点团簇演化态势感模型组构建 |
6.1 微博舆情观点团簇演化态势感知解析 |
6.1.1 微博舆情观点团簇演化态势感知的概念 |
6.1.2 微博舆情观点团簇测度与演化态势感知的关联关系 |
6.1.3 微博舆情观点团簇演化态势感知的目的 |
6.2 微博舆情观点团簇演化态势感知模型组解析 |
6.2.1 微博舆情观点团簇的演化态势感知的流程 |
6.2.2 微博舆情观点团簇演化的态势要素提取 |
6.2.3 微博舆情观点团簇演化的态势理解 |
6.2.4 微博舆情观点团簇演化的态势预测 |
6.3 微博舆情观点团簇的演化态势要素提取模型构建 |
6.3.1 观点团簇的演化链识别方法 |
6.3.2 观点团簇的演化态势要素提取方法 |
6.4 微博舆情观点团簇的演化态势理解模型构建 |
6.4.1 观点团簇的演化态势分型方法 |
6.4.2 观点团簇的演化态势分型标准 |
6.5 微博舆情观点团簇的演化态势预测模型构建 |
6.5.1 观点团簇的演化态势预测流程 |
6.5.2 观点团簇的演化态势预测模型训练 |
6.6 本章小结 |
第七章 实证研究 |
7.1 实验环境 |
7.2 “翟天临知网事件”案例分析 |
7.3 “翟天临知网事件”中微博舆情观点团簇测度解析 |
7.4 “翟天临知网事件”中微博舆情观点团簇演化态势感知 |
7.5 实验结果分析 |
7.6 本章小结 |
第八章 基于观点团簇演化态势感知的微博舆情观点演化风险处置策略 |
8.1 针对演化态势红色等级的微博舆情演化风险处置策略 |
8.2 针对演化态势橙色等级的微博舆情演化风险处置策略 |
8.3 针对演化态势黄色等级的微博舆情演化风险处置策略 |
8.4 针对演化态势蓝色等级的微博舆情演化风险处置策略 |
8.5 微博舆情观点演化风险处置过程中的建议 |
8.6 本章小结 |
第九章 总结与展望 |
9.1 研究总结 |
9.2 研究展望 |
参考文献 |
致谢 |
攻读博士期间取得的主要研究成果 |
(8)多智能体系统自主规避任务决策方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景与研究意义 |
1.2 典型多智能体系统技术发展 |
1.2.1 无人机集群避碰技术研究现状 |
1.2.2 多自由度空间机械臂避障技术研究现状 |
1.2.3 航天器规避机动算法发展现状 |
1.3 基于自学习理论的决策方法国内外研究现状 |
1.3.1 多智能体深度强化学习方法研究现状 |
1.3.2 深度神经网络压缩及加速方法研究现状 |
1.3.3 稀疏奖励强化学习方法研究现状 |
1.4 主要研究内容及论文结构 |
1.4.1 存在问题及技术难点 |
1.4.2 研究内容及章节安排 |
第2章 多智能体系统决策模型 |
2.1 引言 |
2.2 动力学相关描述 |
2.2.1 多智能体系统运动模型 |
2.2.2 空间拦截器制导律 |
2.3 多智能体部分可观决策模型 |
2.3.1 马尔科夫决策过程理论基础 |
2.3.2 分布式部分可观马尔科夫博弈 |
2.3.3 常规回报函数设计思路 |
2.4 序列决策问题求解方法 |
2.4.1 模糊系统 |
2.4.2 有限状态机 |
2.4.3 蒙特卡洛树搜索 |
2.5 本章小结 |
第3章 基于ACTOR-CRITIC架构的自主决策算法 |
3.1 引言 |
3.2 问题场景描述 |
3.2.1 航天器规避机动问题场景描述 |
3.2.2 空间机械臂轨迹规划场景描述 |
3.2.3 多智能体系统决策流程分析 |
3.3 多智能体策略梯度强化学习方法 |
3.3.1 算法基础理论框架 |
3.3.2 策略梯度算法收敛性分析 |
3.3.3 策略梯度方法在多智能体系统中应用 |
3.4 基于信度分配的多智能体强化学习框架 |
3.4.1 航天器规避决策方法 |
3.4.2 案例优选的空间机械臂决策方法 |
3.4.3 基于信度分配的算法收敛性分析和改进 |
3.4.4 网络结构设计及算法流程 |
3.5 仿真及结果分析 |
3.5.1 基于最优控制理论的对比算法 |
3.5.2 航天器规避机动仿真 |
3.5.3 空间机械臂轨迹规划仿真 |
3.5.4 强化学习算法仿真结果简析 |
3.6 本章小结 |
第4章 多智能体分布式协同避碰决策方法研究 |
4.1 引言 |
4.2 有限空域无人机集群避碰问题分析 |
4.2.1 求解策略的训练方法 |
4.2.2 在线协调和沟通机制 |
4.3 多智能体强化学习系统设计 |
4.3.1 状态空间和动作空间选取 |
4.3.2 系统体系结构和流程分析 |
4.3.3 回报函数设计 |
4.4 仿真及结果分析 |
4.4.1 仿真条件设定 |
4.4.2 训练曲线及场景案例仿真 |
4.4.3 结果分析 |
4.5 本章小结 |
第5章 基于优化神经网络的分布式规避决策方法 |
5.1 引言 |
5.2 多航天器对多拦截器协同规避问题研究 |
5.2.1 状态空间和动作空间选取 |
5.2.2 系统体系结构和流程分析 |
5.2.3 回报函数设计 |
5.3 基于自适应重构方法的深度神经网络优化方法 |
5.3.1 神经网络结构设计 |
5.3.2 权值聚类及量化 |
5.3.3 自适应分层重构剪枝 |
5.4 仿真及结果分析 |
5.4.1 基于微分对策理论的对比算法 |
5.4.2 神经网络优化算法试验及数值仿真 |
5.4.3 强化学习训练及场景案例仿真 |
5.4.4 结果分析 |
5.5 本章小结 |
第6章 基于逆值法的多航天器自学习规避算法 |
6.1 引言 |
6.2 稀疏奖励强化学习算法分析 |
6.2.1 规避任务分析 |
6.2.2 常规强化学习方法局限 |
6.2.3 逆值法强化学习算法 |
6.2.4 算法核心逻辑流程 |
6.3 多智能体稀疏奖励自学习系统设计 |
6.3.1 自学习系统结构设计 |
6.3.2 信念状态估计方法 |
6.3.3 逆值法在案例中的收敛性简析 |
6.3.4 网络结构和算法流程 |
6.4 仿真及结果分析 |
6.4.1 基于有限状态机的对比算法 |
6.4.2 仿真条件设定 |
6.4.3 结果对比分析 |
6.4.4 算法优势及改进分析 |
6.5 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它成果 |
致谢 |
个人简历 |
(9)轨道交通路网客流时空分布预测及疏散诱导控制(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
缩略语 |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
2 客流时空分布及疏散诱导中的基本概念和问题 |
2.1 轨道交通客流特征分析 |
2.2 乘客出行路径建模方法 |
2.3 长短期记忆神经网络 |
2.4 本章小结 |
3 基于二阶聚类的车站类型识别及进站客流演化机理 |
3.1 问题描述 |
3.2 基于二阶聚类的车站类型识别 |
3.3 降雨天气下进站客流演化机理 |
3.4 算例仿真 |
3.5 本章小结 |
4 分解集成策略下基于深度神经网络的进站客流预测 |
4.1 问题描述 |
4.2 基于分解集成算法的进站客流预测方法 |
4.3 基于深度神经网络的进站客流预测模型 |
4.4 算例仿真 |
4.5 本章小结 |
5 常态运营下基于移动定位轨迹重构的路网客流时空分布预测 |
5.1 问题描述 |
5.2 基于移动定位轨迹重构的乘客出行路径辨识建模 |
5.3 考虑随机用户均衡的路网客流时空分布预测 |
5.4 算例仿真 |
5.5 本章小结 |
6 突发事件下基于双层规划模型的路网客流疏散诱导控制 |
6.1 问题描述 |
6.2 基于累积前景理论的乘客出行路径建模 |
6.3 考虑乘客出行阻抗的路网客流疏散诱导控制 |
6.4 算例仿真 |
6.5 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 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 |
(10)基于雷达回波和闪电观测的雷电临近预警研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 本文的主要工作及创新点 |
1.3 本文的组织结构 |
2 相关研究工作与理论基础 |
2.1 闪电临近预警研究现状 |
2.1.1 基于历史观测数据的闪电临近预警方法 |
2.1.2 基于数值预报模式的闪电临近预警方法 |
2.1.3 基于机器学习的闪电临近预警方法 |
2.2 相关理论基础 |
2.2.1 深度学习基础理论及其常见结构 |
2.2.2 长短期记忆模型与时空数据挖掘 |
2.2.3 注意力机制 |
3 基于主从时空预测网络的闪电临近预警方法 |
3.1 使用双源数据的主从时空预测网络 |
3.1.1 任务数据分析与问题形式化 |
3.1.2 主从时空预测网络模型 |
3.1.3 损失函数与训练细节 |
3.2 主从时空预测网络在真实数据集上的实验 |
3.2.1 实验设置 |
3.2.2 评估方法 |
3.2.3 实验结果与分析 |
3.3 小结 |
4 基于注意力机制的闪电临近预警方法 |
4.1 闪电数据缺失场景下的闪电临近预警模型 |
4.1.1 问题描述 |
4.1.2 网络主体模型 |
4.1.3 基于地缘特征的注意力机制 |
4.1.4 基于空间域的注意力机制 |
4.2 注意力时空预测网络在真实数据集上的实验 |
4.2.1 实验设置 |
4.2.2 实验结果与分析 |
4.3 小结 |
5 结论 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
四、观测主体的遗忘机制(论文参考文献)
- [1]基于GNSS/INS的列车自主定位性能评估方法研究[D]. 吴波前. 北京交通大学, 2021(02)
- [2]我国信贷供给传导机制及其宏观经济效应研究[D]. 王薇. 吉林大学, 2021(01)
- [3]基于情景记忆和元学习的机械臂运动技能获取[D]. 于洪华. 大连理工大学, 2021(01)
- [4]基于机器学习的径流预测方法及适应性预测机制研究[D]. 左岗岗. 西安理工大学, 2021
- [5]无线网络智能感知与切片资源管理研究[D]. 华郁秀. 浙江大学, 2021(01)
- [6]基于全阶滑模观测器的IPMSM无位置传感器控制策略研究[D]. 孙元杰. 曲阜师范大学, 2021(02)
- [7]微博舆情观点团簇形成机理与演化态势感知研究[D]. 赵江元. 吉林大学, 2021(01)
- [8]多智能体系统自主规避任务决策方法研究[D]. 赵毓. 哈尔滨工业大学, 2021(02)
- [9]轨道交通路网客流时空分布预测及疏散诱导控制[D]. 李伟. 北京交通大学, 2021
- [10]基于雷达回波和闪电观测的雷电临近预警研究[D]. 郑黎明. 北京交通大学, 2021(02)