一、CPN原理及其在人工智能中的应用（论文文献综述）
李园[1]（2021）在《基于人体姿态迁移的视频生成方法研究》文中研究表明基于视频的人体姿态迁移作为一种新兴的视频生成类任务,在人工智能产业中有着许多的应用场景。其可用于自动编辑视频中的人体姿态,同时也可以广泛应用在短视频制作、动画制作和虚拟现实领域中,从而提高多媒体内容智能生产技术的研究水平,推动计算机视觉科学与视频社交产业发展。目前,基于视频的人体姿态迁移算法的主流研究思路是以人体姿态估计与人体姿态生成这两个阶段来完成的。受姿态估计的精度及姿态生成网络构建方式的影响,会导致迁移结果存在不合理或质量较差的问题。为此,本文针对该问题展开进一步研究,构建基于卷积神经网络的人体姿态迁移模型。对于人体姿态的估计,当人体受到遮挡或视频人物动作过快等因素的影响时,会估计出缺失或错误的人体2D姿态。针对该问题,本文提出了基于双估计器的人体2D姿态预估模型,通过引入含有预估性能的姿态估计网络对缺失关键点进行补齐,对错误关键点进行校正,得到更为完整、准确的人体2D姿态作为后期姿态生成网络的输入,引导网络进行准确的姿态迁移。对于人体姿态的生成,为提高准确性,本文针对人体姿态生成网络模型进行了如下的构造,1)在姿态生成网络模型中的编码器部分,引入自注意力机制,增强网络对人体2D姿态的结构特征的表达能力,从而提高姿态迁移结果中的人物动作质量;2)引入人体检测器构建掩模损失模块,对整体网络损失进行修正,为网络训练分别提供人物外观和视频背景的梯度信息,从而提高姿态迁移结果中的人物外观与视频背景质量,使得人物外观更加逼真,视频背景更加稳定。最终,在iPER数据集及PRCV 比赛数据上的测试实验结果验证了本文方法的有效性。
董海霞[2]（2021）在《面向高密度追踪的新型列控系统行车许可生成方法研究》文中研究指明随着我国城市化进程的快速推进,城市轨道交通在满足乘客出行需求和缓解城市交通拥堵方面发挥了极大的作用。在城轨运营网络成型,且线路基础设施确定的情况下,若要进一步提高行车密度和释放线路运能潜力,缩短列车追踪间隔将是一种行之有效的手段。在传统列控系统中,行车许可由地面设备生成。而在新型列控系统中,车载设备可以通过车-车通信实时获知前车动态信息,借助人工智能等技术预测前车动态行为,在此基础上自主计算行车许可,将其延伸至“越过前车”的适当位置。从而列车能够以“撞软墙”移动闭塞运行,通过缩短列车追踪间隔实现更高密度的动态追踪。论文的主要工作内容如下:（1）研究了新型列控系统行车许可生成原理。首先,分析了新型列控系统总体架构和车载模块主要功能。其次,以面向高密度追踪的新型列控系统行车许可为研究对象,结合移动闭塞的追踪运行模式,总结了新型列控系统行车许可生成原理。最后,详细分析了行车许可生成过程。（2）构建了基于Bi-LSTM（Bi-directional Long Short-term Memory,双向长短时记忆神经网络）神经网络的列车轨迹预测模型。根据成都城市轨道8号线川大江安校区到文星站的列车运行数据,利用Bi-LSTM方法,构建了列车动态时空轨迹预测模型。此外,采用均方根误差、平均绝对误差和平均绝对百分比误差三个指标对模型进行评价,并使用多次实验确定的最佳超参数组合对模型进行优化。在此基础上,分析模型的预测结果,发现在利用一维特征（运行速度）进行列车速度预测和二维特征（运行速度和运行距离）进行列车运行距离预测的情况下,模型的预测精度最高,得到的预测轨迹与实际轨迹拟合程度最好。（3）设计开发了列车轨迹预测和追踪仿真软件。利用C#语言开发了具备列车轨迹预测、预测结果显示、区间追踪仿真以及预测模型管理等功能的软件。并对同质列车区间追踪运行过程进行了仿真分析,结果表明,相比于“撞硬墙”,基于前车预测轨迹的“撞软墙”移动闭塞下的列车动态间隔距离更小。（4）建模验证了新型列控系统行车许可生成功能。基于CPN（Colored Petri Net,着色Petri网）理论,构建了路径资源管理、关联列车识别以及行车许可计算模型,并通过对执行结果和状态空间的分析,验证了行车许可生成功能的逻辑正确性。图74幅,表23个,参考文献85篇。
宋博[3]（2021）在《面向新型建筑智能化系统平台的室内人员计数方法研究》文中指出智能建筑和建筑节能研究与实践中,人数、人的位置、空间内有无人状态是一类建筑空间的重要属性。面向建筑区域内人员分布信息的获取,本文设计了一种基于级联分类器和卷积神经网络的两阶段室内人员计数模型与方法;讨论了室内静态背景和动态背景对该模型人员计数准确率及有无人状态识别准确率的影响;并基于静态背景部分消除和动态背景消除对室内人员计数方法进行了改进;最后面向新型建筑智能化系统平台,设计并实现了一套基于图像分析的室内人员计数系统。首先,基于单个摄像头,设计了一种使用级联分类器和卷积神经网络的两阶段室内人员计数模型与方法。该方法利用Adaboost级联分类器筛选出候选人员目标,利用CNN分类器对候选目标进行精确识别与分类并获得人员数量。进一步地,针对室内单个摄像头存在盲区的问题,本文采用对角安装在同一高度的两个摄像头,设计了一种基于摄像头覆盖面积的室内人数校核方法。其次,为了消除建筑区域内背景信息对人员目标检测的影响,本文设计了基于背景消除的室内人员计数改进算法。针对背景相对固定的场景,讨论了静态背景对本文方法人员计数准确率和有无人状态识别准确率的影响,设计了基于静态背景部分消除的改进方案。实验表明,该方案在选取合适的背景消除系数时既可以提升检测准确率,也可以提升检测效率。进一步地,为了适应背景不断变化的场景,本文提出了基于动态背景消除的改进方案,该方案基于高斯混合模型与背景减除实现动态背景的获取与消除。实验表明,该方法能够有效提升背景动态变化时的人员计数准确率和有无人状态识别准确率。最后,面向新型建筑智能化系统平台的需求,结合基于摄像头的两阶段室内人员计数方法和背景消除的改进方案,设计并实现了室内人员计数系统。该系统由前端网络摄像头和本地信息处理节点组成,两者采用无线的方式连接。其中网络摄像头负责采集图像数据,本地信息处理节点负责利用本文算法对图像进行分析与处理,处理结果可以通过本地端口直接上传至新型建筑智能化系统平台中的CPN节点,实现对该平台的人员数量信息需求的支持。应用表明,该系统可以满足新型建筑智能化系统平台对每个区域内人数信息独立感知的需求。图[45]表[28]参[73]
张泽新[4]（2021）在《面向群智能建筑的网关开发与应用》文中研究指明由于传统建筑控制系统的结构缺陷使得系统难以灵活应对多样且动态变化的用户需求,直至“十三五”国家重点研发计划项目:新型建筑智能化系统平台技术被提出,我国实现全局优化的“智能建筑”仍然不足7%。群智能建筑控制系统利用生物集群个体之间既相互独立又能共同协作的特性,为传统建筑控制系统调整成本高、升级拓展困难的普遍问题提供一种全新的解决思路。本文首先对群智能建筑技术及相关背景做了简要介绍,分析其理论依据和系统架构,针对因通信协议不统一导致已经部署在建筑中的传统机电设备无法接入群智能控制系统计算网络平台的问题,提出使用嵌入式网关来让非面向群智能控制系统的设备获得连接计算网络平台的接口的解决方案;然后依据网关在群智能建筑控制系统架构中的位置,结合其职能分析网关的软硬件功能需求;再根据其硬件需求使用ARM内核的微控制器开发网关的硬件系统,设计通信电路使其具备和CPN及支持RS-485协议的设备通信的接口,并依据该硬件系统设计嵌入式程序及其配套的上位机软件,方便修改网关的运行参数来匹配各式现场设备、筛选有效的交互数据。在论文最后,通过搭建测试平台,使用网关将各种传感器及控制器直接接入计算网络,为空间单元环境参数调节提供数据支持,数据交互测试验证了网关的协议转换功能和上位机软件的配置功能,并结合模拟器测试网关作为群智能建筑系统云-端之间的桥梁功能;通过丢包率测试和时延测试评估网关的通信指标;将网关与通用的工业控制器相结合,开发出能满足大多数建筑中机电设备的控制点位数量需求的控制器,并对控制器进行一系列的应用和测试,验证了网关在群智能建筑控制系统中的应用价值;测试和应用的结果证明了以边缘网关为枢纽,连接传统末端设备和群智能云端来解决数据交互问题的可行性,为群智能控制系统在已完工建筑中的部署提供一种高效且低成本的通用解决方案。
蔡经鑫[5]（2021）在《基于视觉的压缩机自动化切割技术研究》文中指出随着社会的发展,人们对生态文明建设的重视程度不断加深。我国人口众多,对电子产品的需求量巨大,电子产品更新换代的速度不断加快,所产生的电子垃圾数量庞大,电子垃圾中含有丰富的可再生资源。在电子垃圾的处理中,目前冰箱的处理相对困难,原因在于其内部心脏“压缩机”种类繁多、情况复杂,因此压缩机自动化切割成为了行业的亟需解决的难题。目前,已有相关研究人员将机器视觉相关技术应用到了压缩机自动化切割的研究中,但均未取得良好成效。本文旨在依托机器视觉相关技术,设计出满足工业生产条件的压缩机自动化切割解决方案,解决回收行业冰箱压缩机的处理难题。首先,本文依托行业生产经验,明确了压缩机自动化切割技术所需满足的基本原则,并将人工经验转化为机器视觉任务,明确机器视觉需要解决罐体分类问题和关键切割点定位问题。在此基础上,本文设计出了一套基于机器视觉的压缩机自动化切割解决方案。其次,本文在所设计的解决方案基础上,完成了方案中技术点的研究与实现。本文设计了封闭采集环境以减少环境对图像的干扰,在此环境下采集了大量压缩机图像数据,并通过实验制定了一套效果较好的图像预处理方案,为后续视觉任务奠定了基础;本文利用YOLOv3网络、CPN网络分别完成了罐体分类任务和切割关键点检测任务;为了进一步提升检测效果,本文对CPN网络做了三点优化:引入注意力机制、修改精修网络损失函数、优化网络结构,并通过实验验证了优化效果;在获得了切割关键点图像坐标后,本文利用单目相机定位原理完成了切割点三维坐标获取。至此,本文完成了基于视觉的压缩机自动化切割解决方案关键技术实现。最后,本文利用以上研究内容进行了系统搭建,并在工业环境中进行了连续18天的切割实验,压缩机切割成功率达94%,视觉检测造成的失败数占比约0.32%,整体效果较好,证明了本文的研究成果的性能较好。综上,本文提出了一套基于机器视觉的压缩机自动化切割解决方案,对所利用到的网络模型进行了优化,并通过实验验证了所提出方案的性能较好。本文所研究的内容,对网络优化以及压缩机处理等领域,有一定的参考意义和工业价值。
陈志伟[6]（2020）在《群智能建筑电气设备接口技术研究》文中研究说明传统的建筑集中式系统采用分层架构,子系统各成体系,造成了组网调试、升级改造、机电设备互联互通困难等问题,严重阻碍了跨系统功能的实现。相比于传统的建筑集中式架构,群智能作为一种新型的建筑运行管理系统,采用的分布式架构去掉了中央监控主机,使得整个系统更加扁平,而作为建筑的重要组成部分,机电设备的互联互通是实现建筑群智能控制的关键。本文通过将计算处理节点（Computing Process Node,CPN）嵌入建筑电气设备对其进行改造升级,统一规范了电气设备的对外接口形式,并将一种改进的负荷预测算法植入电气设备中,将其升级为群智能电气设备。针对群智能建筑中电气设备的标准化描述问题,本文首先研究了电气设备标准信息模型的编制方法,从控制需求角度将电气类机电设备划分为七类,选取其中的配电箱作为典型代表,建立了配电箱这一大类的标准化信息模型,然后着重研究了配电箱与CPN的接口特性,为实现配电箱与CPN的信息交互提供了理论基础。为了分析设备的能耗水平,需要在电气设备中集成负荷预测功能。本文又分别研究了循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long Short Term Memory,LSTM）以及添加Attention机制的长短期记忆网络（Attention Long Short Term Memory,Attention-LSTM）的数学模型,并使用PyCharm编辑器对上述神经网络进行建模,结果表明Attention-LSTM较其他两种网络具有更高的预测精度,验证了所提出算法的有效性。然后,为实现配电箱与CPN的接口对接,本文研制了基于STM32F407芯片控制的协议转换装置,着重分析了转换装置硬件和软件的设计过程,给出了将神经网络部署在STM32嵌入式中的方式。最后,基于配电箱的标准信息模型以及AttentionLSTM负荷预测模型,实现了配电箱与CPN的信息交互。
王静文[7]（2020）在《基于三维视觉信息的复杂场景位置识别技术研究》文中进行了进一步梳理视觉位置识别是指移动无人系统根据自身视觉传感器的信息,与地图环境的先验视觉信息进行匹配,从而判断自身位置的过程。面向大规模复杂场景的位置识别是移动无人系统自主定位与导航的重要研究内容。图像是应用最为广泛的视觉数据,具有丰富的纹理信息,但是因为缺乏绝对尺度,基于单一图像的位置识别容易产生歧义的结果。随着三维视觉传感器的发展,具有几何信息的三维点云成为近两年位置识别研究的新热点,然而点云数据处理难度大且对场景结构性变化敏感,基于点云的位置识别还处于起步阶段仍有很大的提升空间。本文根据图像与点云的特性,研究基于三维视觉信息的复杂场景位置识别技术,取得优于现有方法的识别效果。本文主要研究贡献如下:首先,基于卷积神经网络与非局部操作构建一个新的图像特征提取网络,并以此设计基于图像序列的位置识别方法。在多组对照实验中,本文的网络模型与开源模型Image Net和Place Net相比性能均取得显着提升,提取的图像特征对光照与视角变化具有更强的鲁棒性;本文提出的序列位置识别算法的精确率与现有算法Seq SLAM相比平均提升了约10%,另外通过实验也验证了基于图像序列的识别效果远远超出基于单一图像的方法。其次,基于现有网络Point Net通过上下文信息融合的方式设计新的点云特征提取网络,并结合特征聚合方法构造一个基于点云的端到端位置识别网络模型。本文设计的点云特征提取网络与Point Net相比可以获得更具区分性的特征,在位置识别任务中平均召回率提升了约1.5个百分点;本文提出的端到端位置识别网络模型比现有算法Point Net VLAD提升了约2.7个百分点。最后,针对多传感器移动无人系统,提出一种先图像检索、后点云匹配的分层三维视觉位置识别策略。将图像与点云这两种视觉信息进行结合,通过多帧图像检索为点云匹配提供可靠的候选位置,与本文纯点云的方法相比平均召回率提升了约10%,与Point Net VLAD相比提升了约12%,为基于三维视觉信息的位置识别提供了新的研究思路。
于昊[8]（2018）在《I2B网络下冷冻站并联设备供给量分配群体智能优化方法》文中提出由冷机、水泵和冷却塔等大型设备构成的空调冷冻站是中央空调系统的“心脏”,也是建筑用能重点。随着技术的发展和能源的日益匮乏,空调冷冻站运维的重点已由保障设备稳定、安全以及满足末端需求,转移到同时高效、节能、安全、稳定的运行。然而,当前冷冻站采用的集中式控制系统架构,在实际应用中普遍面临实用性差、通用性差、施工效率低下、控制效果差、升级改造困难、推广应用难等问题,为了解决此问题,引入了群智能建筑（Insect Intelligent Building,I2B）网络平台技术。根据现有研究结果,在I2B网络平台下冷冻站中的冷冻水泵、冷机、冷却水泵和冷却塔等设备被嵌入一个智能计算单元（Computing Process Node,CPN）封装成具有标准化、统一接口的智能化设备,设备与设备之间通过即插即用的方式取代了现有集中式控制架构的监控点位组态过程。其中,每个智能设备都是独立平等的个体,智能设备之间通过自组织、自识别的方式完成冷冻站整体优化任务。显然,I2B网络平台具有特殊的网络架构,因此,面向该架构的算法及运行机制与现有集中式控制架构存在本质上的区别,现有面向集中式架构的优化控制算法也不能直接在该I2B网络平台上运行,为此,亟需研究解决适于在I2B网络平台架构下冷冻站机电设备的优化控制问题。冷冻站的优化控制问题可以概括为设定值问题和供给量（供冷量、供水量）分配问题两类,其中,供给量分配问题是典型的组合优化问题,即在满足总供冷量或总供水量的约束下如何确定一组冷机或水泵的运行组合模式,使其总能耗最低。因此,本文将在深入分析现有集中式控制架构存在问题、简述I2B网络技术新进展及国内外关于空调冷冻站智能优化方法的基础上,通过引入模糊建模、群体智能优化等理论和方法,开展了以下内容的研究工作。（1）模型是研究优化问题的基础,由于现有建模方法中存在形式多样、难以通用、在线更新困难等问题,不适合应用于I2B网络平台,因此,本文引入了模糊建模方法,提出了以减法聚类模糊规则自动提取方法为核心的冷冻站设备在线模糊建模方法。通过仿真验证,验证了该建模方法具备动态更新和扩展模糊模型的能力,具有性能稳定、实现简单、泛化能力强的优点,适于在I2B网络平台应用。（2）针对如何在I2B网络下求解冷冻站并联设备供给量组合分配优化问题,首先,分析归纳了水泵、冷机和冷却塔等三类并联设备的供给量分配优化问题的统一数学描述,引入群体智能优化方法,提出了适于I2B网络平台应用的冷冻站并联设备供给量有限状态机群体智能优化范式。进而将粒子群算法和人工鱼群算法与有限状态机群体智能优化范式相结合,分别提出了 I2B网络平台架构下的有限状态机分布式粒子群智能优化算法（Finite state machine distributed particle swarm optimization algorithm,FDPSO）和人工鱼群智能优化算法（Finite state machine distributed artificial fish swarm algorithm,FDAFSA）。（3）由于I2B网络平台的特殊性,难以在现有成熟的仿真平台上进行优化算法的仿真验证。因此,本文开发了虚拟CPN节点（VCPN）及I2B网络虚拟仿真平台,并在虚拟CPN组成的链状拓扑下对本文提出的FDPSO与FDAFSA算法进行仿真验证。（4）利用I2B网络虚拟仿真平台,将FDPSO与FDAFSA两种算法应用于并联冷机系统的供冷量分配优化问题,进行对比仿真验证,从优化效果、求解稳定性及收敛速度三个方面进行了对比,结果表明,FDPSO与FDAFSA算法均比常规并联冷机运行策略具有明显的节能效果,同时在I2B架构下,针对该应用FDAFSA比FDPSO具有更强的稳定性和更快的收敛速度。（5）在虚拟仿真平台下将FDPSO与FDAFSA两种算法应用于并联水泵系统的供水量分配优化问题中,并通过仿真对两者的优化效果和性能进行对比,结果同样表明FDPSO与FDAFSA算法均比常规并联水泵运行策略具有明显的节能效果,同时针对该应用FDAFSA比FDPSO具有更强的稳定性和更快的收敛速度。
李莹[9]（2017）在《基于RS-CPN的电力系统输电线路故障诊断方法研究》文中研究说明伴随着中国电力行业的发展,电力网的规模和结构也变得日益复杂,电能用户对输电线路供电可靠性的要求也随之增加。因此,当电力输电线路出现故障时,就要求控制人员能快速确定故障区域、切除故障元件,避免波及到更大的供电区域,影响用户用电的可靠性。本文在对电力输电线路故障诊断的各种人工智能方法进行了深入研究的基础上,首先建立粗糙集-Petri网（Rough Sets-Petri Net,RS-PN）的故障诊断模型,该模型是将保护和断路器信号作为对故障分类的条件属性集,建立考虑各种可能发生故障情况的属性决策表,利用RS对冗余数据的约减优势,得到最优属性决策表,然后根据约减后的数据,利用PN对输电线路进行故障诊断。针对PN无法详细诊断断路器存在误动或拒动的复杂故障,提出了粗糙集-有色Petri网（Rough Sets-Coloured Petri Net,RS-CPN）的故障诊断方法。该方法利用CPN的结线分析功能,采取分层式故障诊断模式,可快速判断出发生简单故障的元件,或找出故障区域。当出现复杂故障时,通过建立故障区域内各自元件独立的传统PN数学模型,结合“元件—保护—断路器”的关联数据库,找出拒动、误动的断路器,从而识别出故障元件。最后,由于考虑到电力输电线路构造的复杂性导致所得数据过于庞大,将分区域并行推理引入到RS-CPN的故障诊断方法中,把电力输电线路划分为多个独立的区域,针对这些区域建立其独立的故障诊断系统。通过具体的输电线路实例对本文中所提出方法进行仿真实验验证,实验结果表明本课题达到了简化诊断模型、提高诊断有效性的目的。
罗锦光[10]（2011）在《基于GEP-CPN的可信网络终端行为聚类模型的研究》文中进行了进一步梳理在当前网络发展中,网络安全所表现出的脆弱性越来越突出。虽然针对越来越多的网络攻击,相关研究者或技术人员提出相应的有效补救措施,如各种各样的防火墙,杀毒软件及专门针对某一领域内的安全防范软件等,但是,其采取的普遍防护措施都是以阻止外来攻击作为主要设计手段,并没考虑到网络终端本身所存在的安全隐患问题,而在安全问题上,终端的不安全性与不可信性是造成网络出现安全威胁的关键原因。正由于此,国内外学者在近几年对网络提出了可信网络的概念,试图对这些问题提出一种可行的方法措施,并取得了一定的研究成果。而在可信网络中,尤以用户终端行为是一大研究热点问题,如:如何对终端行为的属性进行统一的形式化描述;在终端连接网络时,怎么样建立终端的认证机制,如何解决一个用户终端在其向服务提供者提交请求时辨别与确定其行为的可信级别等。本文基于此提出了一种基于神经网络的改进方法对可信网络终端行为进行预测与控制,以达到更好地保障网络的安全与可信。首先研究了当前可信网络中存在的问题,和在可信领域中网络终端行为证据提取的关键技术,研究了用户终端行为证据的一般性评估方法;然后结合对偶传播神经网络（Counter Propagation Networks, CPN）机制和基因表达式（Gene Expression Programming, GEP）算法思想,设计了基于GEP-CPN的可信网络终端行为聚类模型,并通过实验与实例分析证明了该模型的有效性和优越性。本文主要工作有以下几个方面:a)分析了可信网络终端用户行为证据的定义及其特点,证据的获得与规范化。然后利用这些方法所得到的数据集,即是对不同种类的用户行为证据中各种相关的特征进行研究。b)研究怎么样改进CPN网络,使其能够跳离传统网络的束缚,达到更好的训练网络。即是优化输入向量以及对传统CPN中Kohonen层的各神经元对应的权向量尽可能做到与实际输入向量的分布一致。c)对新模型进行聚类结果的评估,在文本数据集下,对不同的聚类方法进行比较分析。d)由于要对网络终端用户行为证据进行一定的分析,才能对网络本身做出正确的判断,以及聚类分析能够从数据集中抽取出各个数据对象之间有必然价值的联系,因此本文通过对其行为数据进行聚类分析,实验证明该模型在系统的安全性能上有一定的改善,且能有效地为保障整个网络的安全提供参考。
二、CPN原理及其在人工智能中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、CPN原理及其在人工智能中的应用（论文提纲范文）
（1）基于人体姿态迁移的视频生成方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 基于图像的人体姿态迁移 |
| 1.2.2 基于视频的人体姿态迁移 |
| 1.3 研究难点及本文工作 |
| 1.4 论文的章节安排 |
| 2 两阶段人体姿态迁移的相关理论 |
| 2.1 生成对抗网络(GAN) |
| 2.1.1 网络基础层 |
| 2.1.2 网络损失函数 |
| 2.2 人体2D姿态估计模型 |
| 2.3 基于视频的人体姿态生成网络 |
| 2.4 性能评价标准及数据库 |
| 2.5 本章小结 |
| 3 抗干扰的人体2D姿态估计方法 |
| 3.1 人体关键点的预测 |
| 3.1.1 人体目标检测网络 |
| 3.1.2 CPN姿态估计网络 |
| 3.2 基于双估计器的人体2D姿态预估模型 |
| 3.3 实验结果与分析 |
| 3.3.1 实验参数 |
| 3.3.2 对比实验结果分析 |
| 3.3.3 分解实验结果分析 |
| 3.4 本章小结 |
| 4 引入掩模损失的人体姿态生成网络 |
| 4.1 自注意力机制下的特征提取 |
| 4.2 掩模损失模块 |
| 4.2.1 人体检测器 |
| 4.2.2 人体掩模损失与背景掩模损失 |
| 4.3 实验结果与分析 |
| 4.3.1 实验参数 |
| 4.3.2 对比实验结果分析 |
| 4.3.3 分解实验结果分析 |
| 4.3.4 拓展实验 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）面向高密度追踪的新型列控系统行车许可生成方法研究（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 国内外研究现状 |
| 1.2.1 城轨新型列控系统研究现状 |
| 1.2.2 列控系统行车许可计算策略研究现状 |
| 1.2.3 轨迹预测研究现状 |
| 1.2.4 列控系统建模验证研究现状 |
| 1.3 研究内容及论文结构 |
| 1.4 本章小结 |
| 2 新型列控系统行车许可生成相关原理 |
| 2.1 新型列控系统的结构与功能 |
| 2.2 新型列控系统行车许可生成原理 |
| 2.2.1 列车追踪运行模式 |
| 2.2.2 行车许可生成原理 |
| 2.3 新型列控系统行车许可生成过程分析 |
| 2.3.1 列车路径资源管理 |
| 2.3.2 关联列车识别 |
| 2.3.3 行车许可计算 |
| 2.4 本章小结 |
| 3 Bi-LSTM神经网络基础理论 |
| 3.1 Bi-LSTM神经网络 |
| 3.1.1 神经网络概述 |
| 3.1.2 LSTM模型结构 |
| 3.1.3 Bi-LSTM模型结构 |
| 3.2 轨迹预测模型参数分析 |
| 3.2.1 激活函数 |
| 3.2.2 预测模型的性能评价指标 |
| 3.2.3 模型参数分析 |
| 3.3 本章小结 |
| 4 基于Bi-LSTM神经网络的列车轨迹预测 |
| 4.1 列车轨迹预测模型构建 |
| 4.1.1 Bi-LSTM轨迹预测模型 |
| 4.1.2 轨迹预测过程 |
| 4.2 轨迹预测结果分析 |
| 4.2.1 一维特征训练结果分析 |
| 4.2.2 二维特征训练结果分析 |
| 4.2.3 不同区间预测结果分析 |
| 4.3 列车轨迹预测和追踪仿真软件 |
| 4.3.1 软件功能设计 |
| 4.3.2 基于前车预测轨迹的区间追踪运行 |
| 4.4 本章小结 |
| 5 基于CPN的行车许可生成建模与验证 |
| 5.1 着色Petri网理论 |
| 5.1.1 CPN基本定义 |
| 5.1.2 CPN Tools建模工具 |
| 5.1.3 CPN模型动态属性及分析方法 |
| 5.2 新型列控系统行车许可生成过程建模与验证 |
| 5.2.1 列车路径资源管理建模与分析 |
| 5.2.2 关联列车识别建模与分析 |
| 5.2.3 行车许可计算建模与分析 |
| 5.3 本章小结 |
| 6 结论 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（3）面向新型建筑智能化系统平台的室内人员计数方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 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 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 基础知识和相关技术 |
| 2.1 图像处理 |
| 2.1.1 RGB与 HSV颜色模型 |
| 2.1.2 二值化处理 |
| 2.1.3 常用的图像特征 |
| 2.1.4 滑动窗口检测 |
| 2.2 Adaboost级联分类器 |
| 2.2.1 分类器检测原理 |
| 2.2.2 分类器训练流程 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络结构 |
| 2.3.2 基于Tensor Flow的卷积神经网络实现 |
| 2.4 室内人员计数装置与CPN的数据交换 |
| 2.4.1 新型建筑智能化系统平台概述 |
| 2.4.2 基于TCP协议的人员计数装置与CPN通信 |
| 2.5 本章小结 |
| 第三章 基于摄像头的两阶段室内人员计数方法 |
| 3.1 基于摄像头的室内人员计数方法 |
| 3.1.1 训练数据集 |
| 3.1.2 面向人员计数的Adaboost级联分类器 |
| 3.1.3 面向人员计数的CNN分类器 |
| 3.1.4 基于单摄像头的室内人员计数方法 |
| 3.1.5 基于双摄像头的室内人员计数方法 |
| 3.2 室内人员计数方法准确性的两种评估指标 |
| 3.2.1 室内人数准确率 |
| 3.2.2 室内有无人状态准确率 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于背景消除的两阶段室内人员计数方法的改进 |
| 4.1 背景及背景提取 |
| 4.1.1 静态背景提取 |
| 4.1.2 动态背景提取 |
| 4.2 两阶段室内人员计数方法的改进 |
| 4.2.1 基于静态背景部分消除的室内人员计数方法 |
| 4.2.2 基于动态背景消除的室内人员计数方法 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集 |
| 4.3.2 实验设置 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于图像分析的室内人员计数系统设计与实现 |
| 5.1 系统概述 |
| 5.1.1 设计思想 |
| 5.1.2 系统需求 |
| 5.2 系统设计 |
| 5.2.1 概要设计 |
| 5.2.2 数据库设计 |
| 5.2.3 详细设计 |
| 5.3 系统实现 |
| 5.3.1 运行环境部署 |
| 5.3.2 系统部署 |
| 5.3.3 系统运行效果 |
| 5.4 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 |
| 作者简介及读研期间主要科研成果 |
（4）面向群智能建筑的网关开发与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 群智能建筑控制系统简介 |
| 1.3.1 CPN性能参数 |
| 1.3.2 信息集模型 |
| 1.4 国内外研究现状及发展趋势 |
| 1.5 主要研究内容及结构安排 |
| 2 网关需求分析及方案设计 |
| 2.1 引言 |
| 2.2 群智能网关的需求分析 |
| 2.2.1 硬件需求分析 |
| 2.2.2 软件需求分析 |
| 2.3 方案设计 |
| 2.4 本章小结 |
| 3 群智能网关硬件系统开发 |
| 3.1 引言 |
| 3.2 系统硬件架构 |
| 3.3 嵌入式微控制器 |
| 3.3.1 微控制器选型 |
| 3.3.2 微控制器电路设计 |
| 3.4 通信电路设计 |
| 3.4.1 WiFi通信电路设计 |
| 3.4.2 以太网通信电路设计 |
| 3.4.3 RS-485通信电路设计 |
| 3.5 电源电路设计 |
| 3.6 PCB板设计 |
| 3.7 本章小结 |
| 4 网关软件设计 |
| 4.1 引言 |
| 4.2 通信协议及报文结构 |
| 4.2.1 CPN与网关间的通信协议 |
| 4.2.2 采集模块的Modbus-RTU协议 |
| 4.2.3 上位机软件与网关之间的通信协议 |
| 4.3 嵌入式程序开发 |
| 4.3.1 网关与CPN之间的通信程序 |
| 4.3.2 网关与配置软件之间的通信程序 |
| 4.3.3 数据采集程序 |
| 4.4 上位机配置软件开发 |
| 4.4.1 .NET开发平台 |
| 4.4.2 上位机软件的功能架构 |
| 4.4.3 上位机软件的功能实现 |
| 4.5 本章小结 |
| 5 网关功能测试及应用 |
| 5.1 引言 |
| 5.2 网关功能性测试 |
| 5.2.1 配置软件功能测试 |
| 5.2.2 网关协议转换功能测试 |
| 5.2.3 网关主动数据采集测试 |
| 5.2.4 网关的被动采集功能测试 |
| 5.3 网关与CPN通信性能测试 |
| 5.4 网关在群智能项目中的应用 |
| 5.4.1 网关在传统控制器中的应用 |
| 5.4.2 群智能通用控制器功能性测试 |
| 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 |
（5）基于视觉的压缩机自动化切割技术研究（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 国内外研究与发展现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构安排 |
| 第二章 基于视觉的回收压缩机自动化切割总体方案设计 |
| 2.1 基本设计原则 |
| 2.2 基于视觉的压缩机自动化切割方案设计 |
| 2.2.1 整体方案设计 |
| 2.2.2 视觉检测方案设计 |
| 2.3 本章小结 |
| 第三章 视觉图像的采集及预处理 |
| 3.1 视觉图像采集设计 |
| 3.2 视觉图像的预处理 |
| 3.2.1 图像感兴趣区域的选取 |
| 3.2.2 图像灰度化 |
| 3.2.3 图像滤波 |
| 3.2.4 图像增强 |
| 3.3 视觉图像的采集和增广 |
| 3.4 本章小结 |
| 第四章 基于CNN的压缩机切割关键信息检测 |
| 4.1 卷积神经网络 |
| 4.2 回收压缩机分类技术研究 |
| 4.2.1 基于边缘信息的回收压缩机分类 |
| 4.2.2 YOLOv3 网络 |
| 4.2.3 基于YOLOv3 的回收压缩机分类 |
| 4.3 回收压缩机切割关键点检测技术研究 |
| 4.3.1 基于形状的回收压缩机切割关键点检测 |
| 4.3.2 CPN网络 |
| 4.3.3 基于CPN的回收压缩机切割关键点检测 |
| 4.3.4 CPN网络的优化 |
| 4.4 关键切割点坐标系转换 |
| 4.4.1 单目相机定位原理 |
| 4.4.2 基于单目相机的切割关键点坐标转换 |
| 4.5 本章小结 |
| 第五章 回收压缩机自动化切割实验 |
| 5.1 实验环境说明 |
| 5.2 基于视觉的回收压缩机自动化切割实验 |
| 5.2.1 实验预处理 |
| 5.2.2 实验结果 |
| 5.2.3 结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）群智能建筑电气设备接口技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 群智能的产生及发展 |
| 1.2.2 群智能技术在建筑中的应用 |
| 1.2.3 电气设备的运行控制 |
| 1.3 论文的主要研究工作 |
| 2 群智能电气设备的接口特性分析 |
| 2.1 群智能电气设备 |
| 2.2 电气设备的标准信息模型 |
| 2.2.1 电气类机电设备的划分 |
| 2.2.2 信息模型是实现群智能设备互联互通的基础 |
| 2.2.3 配电箱的标准化信息模型 |
| 2.3 配电箱及CPN的接口特性 |
| 2.3.1 配电箱的接口特性 |
| 2.3.2 CPN的接口特性 |
| 2.4 本章小结 |
| 3 负荷预测算法研究 |
| 3.1 负荷预测算法基础理论 |
| 3.1.1 负荷预测算法选择 |
| 3.1.2 人工神经网络模型 |
| 3.1.3 神经网络的评价指标 |
| 3.2 循环神经网络 |
| 3.2.1 循环神经网络数学模型 |
| 3.2.2 循环神经网络的反向传播 |
| 3.2.3 循环神经网络的优缺点 |
| 3.3 基于Attention机制的长短期记忆网络 |
| 3.3.1 长短期记忆神经网络数学模型 |
| 3.3.2 基于Attention机制的改进模型 |
| 3.4 仿真结果及分析 |
| 3.4.1 传统时间序列模型仿真结果 |
| 3.4.2 Attention+LSTM的改进效果 |
| 3.5 基于Attention机制的负荷预测方法 |
| 3.5.1 STM32与神经网络 |
| 3.5.2 神经网络在STM32中的实现过程 |
| 3.6 本章小结 |
| 4 接口技术的软硬件设计 |
| 4.1 接口技术的硬件电路设计 |
| 4.1.1 STM32最小系统 |
| 4.1.2 与CPN的通讯模块 |
| 4.1.3 与配电箱的通讯模块 |
| 4.1.4 FLASH存储模块电路设计 |
| 4.1.5 电源模块电路设计 |
| 4.1.6 液晶显示模块电路设计 |
| 4.2 接口技术的软件设计 |
| 4.2.1 移植μC/OS-Ⅱ操作系统 |
| 4.2.2 系统的任务划分及设计 |
| 4.2.3 主程序设计 |
| 4.2.4 通讯程序设计 |
| 4.2.5 协议转换程序设计 |
| 4.2.6 负荷预测程序设计 |
| 4.3 本章小结 |
| 5 实验结果分析 |
| 5.1 信息交互实验结果分析 |
| 5.1.1 与配电箱模拟控制器的信息交互 |
| 5.1.2 与带载配电箱的信息交互 |
| 5.2 负荷预测实验结果分析 |
| 5.3 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 |
（7）基于三维视觉信息的复杂场景位置识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图像的位置识别 |
| 1.2.2 基于点云的位置识别 |
| 1.3 本文的研究内容及结构安排 |
| 第2章 位置识别理论基础及相关技术 |
| 2.1 SLAM系统内容概述 |
| 2.2 位置识别相关原理 |
| 2.2.1 机器人的位置概念 |
| 2.2.2 位置识别的主要模块 |
| 2.3 深度学习基本理论技术 |
| 2.3.1 深度学习相关概念 |
| 2.3.2 卷积神经网络基本原理 |
| 2.4 Oxford Robot Car数据集 |
| 第3章 基于图像非局部特征改进的位置识别算法 |
| 3.1 总体方案 |
| 3.2 基于非局部操作改进的特征提取网络 |
| 3.2.1 非局部特征提取 |
| 3.2.2 相似性度量学习 |
| 3.3 基于图像序列的位置识别 |
| 3.3.1 基于非局部特征的词袋模型构建 |
| 3.3.2 差异性矩阵与序列搜索 |
| 3.4 实验验证 |
| 3.4.1 实验环境与评价指标 |
| 3.4.2 测试数据集 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于点云特征融合改进的位置识别算法 |
| 4.1 总体方案 |
| 4.2 三维视觉数据处理 |
| 4.2.1 基于手工设计的点云特征 |
| 4.2.2 基于深度学习的点云特征 |
| 4.3 基于点云端到端的位置识别网络模型 |
| 4.3.1 基于PointNet改进的特征提取网络 |
| 4.3.2 基于Net VLAD的点云描述子 |
| 4.3.3 基于端到端的相似性度量学习 |
| 4.4 实验验证 |
| 4.4.1 实验环境与评价指标 |
| 4.4.2 训练数据集与测试数据集 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于图像与点云的分层位置识别方法 |
| 5.1 总体方案 |
| 5.2 二维图像与三维点云的数据对齐 |
| 5.3 基于多帧图像检索与点云匹配的分层位置识别方法 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 A 攻读学位期间发表的学术论文 |
| 致谢 |
（8）I2B网络下冷冻站并联设备供给量分配群体智能优化方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 问题的提出及课题来源 |
| 1.1.2 既有系统架构及现代楼控新要求 |
| 1.1.3 群智能(扁平化无中心)网络技术新进展 |
| 1.1.4 研究意义 |
| 1.2 群智能冷冻站控制系统研究现状 |
| 1.2.1 群智能冷冻站控制系统硬件架构 |
| 1.2.2 群智能冷冻站设备自识别工作机制 |
| 1.2.3 群智能冷冻站设备自组织工作机制 |
| 1.2.4 群智能冷冻站亟需解决优化控制问题 |
| 1.3 冷冻站优化控制的国内外研究进展 |
| 1.3.1 设备建模方法研究现状 |
| 1.3.2 并联设备供给量分配问题研究现状 |
| 1.4 主要研究内容及研究思路 |
| 1.4.1 现有问题分析 |
| 1.4.2 研究内容 |
| 1.4.3 研究思路 |
| 2 I~2B架构下冷冻站设备模糊模型减法聚类建模方法 |
| 2.1 冷冻站设备模糊规则减法聚类提取方法的研究 |
| 2.1.1 冷冻站设备模糊模型的选择 |
| 2.1.2 冷冻站设备模糊模型参数的定义 |
| 2.1.3 冷冻站设备减法聚类模糊规则提取方法 |
| 2.1.4 冷冻站设备减法聚类规则提取算例分析 |
| 2.2 冷冻站设备模糊模型在线减法聚类建模方法研究 |
| 2.2.1 冷冻站设备模糊模型减法聚类在线建模方法 |
| 2.2.2 冷冻站设备模糊模型减法聚类在线建模仿真方法 |
| 2.2.3 冷冻站设备减法聚类在线建模仿真验证结果分析 |
| 2.3 减法聚类在线模糊建模方法与递推最小二乘法的对比 |
| 2.3.1 递推最小二乘建模方法简述 |
| 2.3.2 跨工况自调整能力对比验证 |
| 2.4 冷机与冷却塔模糊模型减法聚类在线建模效果的验证 |
| 2.4.1 冷水机组在线模糊建模的实验验证 |
| 2.4.2 冷却塔在线模糊建模的实验验证 |
| 2.5 本章小结 |
| 3 冷冻站并联设备分布式群体智能分配优化控制方法研究 |
| 3.1 冷冻站并联设备分配优化问题的数学描述 |
| 3.1.1 并联设备供给量分配优化问题的提出 |
| 3.1.2 并联水泵供水量分配优化问题分析 |
| 3.1.3 并联冷水机组供冷量分配优化问题 |
| 3.1.4 并联冷却塔散热量分配优化问题 |
| 3.1.5 并联设备分配优化问题的统一描述 |
| 3.2 冷冻站并联设备分配优化问题求解思路 |
| 3.2.1 确定性优化方法的特性分析 |
| 3.2.2 群体智能组合优化方法及优越性 |
| 3.2.3 典型群体智能算法及统一求解范式 |
| 3.3 I~2B架构下有限状态机分布式群体智能优化范式的研究 |
| 3.3.1 并联设备CPN链状拓扑的数据结构 |
| 3.3.2 并联设备CPN中局部变量和传递变量的划分 |
| 3.3.3 有限状态机分布式群体智能优化范式的提出 |
| 3.3.4 有限状态机分布式群体智能优化范式的改进 |
| 3.4 I~2B架构下有限状态机分布式粒子群智能优化方法的提出 |
| 3.4.1 优化范式下粒子群优化算法的变量划分 |
| 3.4.2 优化范式下分布式粒子群优化方法的提出 |
| 3.4.3 分布式粒子群优化方法的仿真验证 |
| 3.5 I~2B架构下有限状态机分布式人工鱼群优化方法的提出 |
| 3.5.1 优化范式下人工鱼群优化方法的变量划分 |
| 3.5.2 优化范式下分布式人工鱼群优化方法的提出 |
| 3.5.3 分布式人工鱼群优化方法的仿真验证 |
| 3.6 本章小结 |
| 4 I~2B网络虚拟仿真平台的开发 |
| 4.1 I~2B网络虚拟仿真平台的需求分析 |
| 4.1.1 现有多智能体仿真平台简述 |
| 4.1.2 虚拟CPN节点功能需求分析 |
| 4.2 虚拟CPN节点的软件开发及验证 |
| 4.2.1 核心处理单元功能模块实现方法 |
| 4.2.2 网卡功能模块的实现方法 |
| 4.2.3 协处理器功能模块虚拟实现方法 |
| 4.2.4 VCPN节点组网及计算功能仿真验证 |
| 4.3 I~2B网络虚拟仿真平台下分布式群智能优化方法的实现 |
| 4.3.1 VCPN网络下实现有限状态机运行的方法 |
| 4.3.2 I~2B虚拟平台下分布式粒子群算法的仿真验证 |
| 4.3.3 I~2B虚拟平台下分布式人工鱼群算法的仿真验证 |
| 4.4 本章小结 |
| 5 并联冷机供冷量分布式群体智能优化控制仿真 |
| 5.1 I~2B网络下并联冷机供冷量分配仿真方案与仿真工况 |
| 5.1.1 I~2B网络下并联冷机控制系统与供冷量分配仿真方案 |
| 5.1.2 并联冷机仿真工况与模糊模型 |
| 5.2 I~2B虚拟平台下并联冷机FDPSO供冷量优化仿真分析 |
| 5.2.1 I~2B虚拟平台下并联冷机FDPSO供冷量优化仿真方法 |
| 5.2.2 并联冷机FDPSO供冷量优化结果分析 |
| 5.2.3 并联冷机FDPSO优化即插即用特性的验证 |
| 5.3 I~2B虚拟平台下FDAFSA与FDPSO并联冷机优化效果对比 |
| 5.3.1 I~2B虚拟平台下并联冷机FDAFSA供冷量优化仿真方法 |
| 5.3.2 FDAFSA和FDPSO优化效果与稳定性对比分析 |
| 5.3.3 FDAFSA与FDPSO收敛速度对比分析 |
| 5.4 本章小结 |
| 6 并联水泵供水量分布式群体智能优化控制仿真 |
| 6.1 I~2B网络下并联水泵供水量分配调节机理与仿真工况 |
| 6.1.1 并联水泵I~2B网络控制系统与供冷量调节机理 |
| 6.1.2 并联水泵仿真工况与模糊模型 |
| 6.2 I~2B虚拟平台下并联水泵FDPSO供水量优化仿真分析 |
| 6.2.1 I~2B虚拟平台下并联水泵FDPSO供水量优化仿真方法 |
| 6.2.2 并联水泵FDPSO供冷量优化结果分析 |
| 6.2.3 并联水泵FDPSO优化即插即用特性的验证 |
| 6.3 I~2B虚拟平台下FDAFSA与FDPSO并联水泵优化效果对比 |
| 6.3.1 I~2B虚拟平台下并联水泵FDAFSA供水量优化仿真方法 |
| 6.3.2 FDAFSA和FDPSO优化效果与稳定性对比分析 |
| 6.3.3 FDAFSA与FDPSO收敛速度对比分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A FDAFSA算法程序部分代码 |
| 附录B FDPSO算法程序部分代码 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（9）基于RS-CPN的电力系统输电线路故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 人工智能诊断方法的国内外研究现状 |
| 1.2.1 人工神经网络 |
| 1.2.2 专家系统 |
| 1.2.3 模糊理论 |
| 1.2.4 优化技术及遗传算法 |
| 1.2.5 多代理系统 |
| 1.2.6 Petri网 |
| 1.3 本论文的主要工作 |
| 2 粗糙集 |
| 2.1 粗糙集理论 |
| 2.2 知识表达系统 |
| 2.3 不可分辨关系 |
| 2.4 上、下近似集 |
| 2.5 属性约简、核集的求取 |
| 2.6 属性约简算法 |
| 2.7 粗糙集的软件—ROSETTA |
| 2.8 本章小结 |
| 3 RS-PN的输电线路故障诊断方法 |
| 3.1 Petri网 |
| 3.1.1 Petri网基本理论 |
| 3.1.2 网的系统图及逻辑关系的Petri网模型 |
| 3.1.3 基于初始标识的Petri网的实现 |
| 3.2 RS与PN结合的故障诊断方法 |
| 3.2.1 RS与PN方法结合的可行性分析 |
| 3.2.2 RS与PN方法结合的流程图 |
| 3.2.3 RS与PN结合输电线路故障诊断模型 |
| 3.3 本章小结 |
| 4 RS-CPN的输电线路故障诊断方法 |
| 4.1 电力系统输电线路的结线分析的基本理论 |
| 4.2 CPN结线分析模型的建立 |
| 4.3 RS-CPN原理结构 |
| 4.4 RS-CPN的算法分析 |
| 4.5 RS-CPN的输电线路故障诊断模型分析 |
| 4.5.1 模型的建立 |
| 4.5.2 故障诊断决策表的建立 |
| 4.5.3 故障诊断决策表的约减 |
| 4.5.4 基于CPN进行电力系统输电线路故障诊断 |
| 4.5.5 RS的软件实现 |
| 4.6 故障诊断方法对比分析 |
| 4.6.1 RS-PN与RS-CPN故障诊断数据对比 |
| 4.6.2 CPN与RS-CPN故障诊断对比分析 |
| 4.7 本章小结 |
| 5 RS与CPN结合的分区域并行推理故障诊断方法 |
| 5.1 输电线路分割方法 |
| 5.1.1 多重叠分割法 |
| 5.1.2 蝴蝶型分割法 |
| 5.1.3 无重叠分割法 |
| 5.2 基于RS的并行推理的规则提取 |
| 5.3 RS与CPN结合的分区域并行推理的故障诊断 |
| 5.3.1 输电线路的模型分析 |
| 5.3.2 故障诊断决策表的建立 |
| 5.3.3 故障诊断决策表的约减 |
| 5.3.4 CPN故障诊断 |
| 5.4 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者攻读学位期间发表学术论文清单 |
| 致谢 |
（10）基于GEP-CPN的可信网络终端行为聚类模型的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 第2章 可信网络及其终端行为证据的分析 |
| 2.1 可信网络基本概念 |
| 2.2 网络终端用户行为证据 |
| 2.2.1 证据的获取途径 |
| 2.2.2 行为证据的评估 |
| 2.3 本章小结 |
| 第3章 基于CPN 神经网络的聚类模型 |
| 3.1 CPN 神经网络 |
| 3.1.1 概述 |
| 3.1.2 CPN 网络特点 |
| 3.1.3 网络中各层的现有算法 |
| 3.2 基于CPN 神经网络的聚类模型 |
| 3.2.1 模型结构算法 |
| 3.2.2 模型检验 |
| 3.3 本章小结 |
| 第4章 基于GEP-CPN 的聚类算法 |
| 4.1 GEP 算法相关概念 |
| 4.2 改进的CPN 算法 |
| 4.2.1 改进的CPN 算法 |
| 4.2.2 GEP-CPN 算法（NCPNA）实现与分析 |
| 4.3 算法检验 |
| 4.3.1 参数设置 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第5章 GEP-CPN 聚类算法在可信网络中的应用 |
| 5.1 可信网络终端用户行为评估体系层次结构 |
| 5.2 GEP-CPN 聚类模型（NCPNA 算法）应用模块架构 |
| 5.3 实例检验 |
| 5.3.1 实例的评估过程 |
| 5.3.2 实例的聚类预测过程检验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 数据取值及其预测的结果和样本期望输出之间比较结果 |
| 附录B 本文作者在攻读硕士学位期间所发表的论文 |
| 附录C 本文作者攻读硕士学位期间主持和参加的科研项目 |
四、CPN原理及其在人工智能中的应用（论文参考文献）
- [1]基于人体姿态迁移的视频生成方法研究[D]. 李园. 西安理工大学, 2021(01)
- [2]面向高密度追踪的新型列控系统行车许可生成方法研究[D]. 董海霞. 北京交通大学, 2021
- [3]面向新型建筑智能化系统平台的室内人员计数方法研究[D]. 宋博. 安徽建筑大学, 2021(08)
- [4]面向群智能建筑的网关开发与应用[D]. 张泽新. 大连理工大学, 2021(01)
- [5]基于视觉的压缩机自动化切割技术研究[D]. 蔡经鑫. 电子科技大学, 2021(01)
- [6]群智能建筑电气设备接口技术研究[D]. 陈志伟. 大连理工大学, 2020(02)
- [7]基于三维视觉信息的复杂场景位置识别技术研究[D]. 王静文. 湖南大学, 2020(07)
- [8]I2B网络下冷冻站并联设备供给量分配群体智能优化方法[D]. 于昊. 大连理工大学, 2018(08)
- [9]基于RS-CPN的电力系统输电线路故障诊断方法研究[D]. 李莹. 西安工程大学, 2017(06)
- [10]基于GEP-CPN的可信网络终端行为聚类模型的研究[D]. 罗锦光. 广西师范学院, 2011(09)