一、元模型可度量性及度量方法研究（論文文獻綜述）
宋杰[1]（2020）在《基于深度模型的零樣本遷移學習》文中提出深度學習在過去十年中取得了前所未有的發(fā)展,在計算機視覺等多個領域取得了巨大的成功。然而當前深度學習方法依賴于大量的標注數(shù)據(jù),限制了其在很多數(shù)據(jù)有限的實際場景中的應用。遷移學習是解決數(shù)據(jù)有限問題的一種比較流行的學習范式。在遷移學習中,深度模型將在數(shù)據(jù)豐富的源任務中學習到的知識,遷移到數(shù)據(jù)有限的目標任務中,從而降低了自身在目標任務上對大量標注數(shù)據(jù)的依賴。本文聚焦于遷移學習中一類非常重要且常見的問題:零樣本遷移學習問題。與傳統(tǒng)遷移學習不同,零樣本遷移學習的目標是,在標注信息或者數(shù)據(jù)量為零的條件下,實現(xiàn)將源任務中所學的知識有效遷移到目標任務中。本文依次研究了三種類型的零樣本遷移學習問題:目標任務上有數(shù)據(jù)但零標注的直推式零樣本遷移學習、目標任務上零數(shù)據(jù)零標注的歸納式零樣本遷移學習、以及源任務上零數(shù)據(jù)零標注的模型遷移性度量。具體工作如下:1.在直推式零樣本遷移學習方面,現(xiàn)有方法訓練后的模型往往存在映射偏移問題,即容易將目標類別數(shù)據(jù)誤分類為源類別。本文提出了一種基于無偏嵌入空間的直推式零樣本遷移學習方法,以解決此映射偏移問題。為了充分利用未標注的目標數(shù)據(jù),本文同時還提出了一種準全監(jiān)督學習機制,使得模型在解決映射偏移的基礎上,能夠提升在源類別以及目標類別數(shù)據(jù)上的識別效果。2.在歸納式零樣本遷移學習方面,現(xiàn)有方法中人工屬性具有一定的不完備性,阻礙了知識從源類別到目標類別的遷移,導致了零樣本分類器準確度不高,應用到實際問題中風險較大。本文提出了一種基于屬性自動增強的歸納式零樣本遷移學習方法,通過字典學習自動挖掘人工屬性之外的剩余屬性,以構(gòu)建更加完備的屬性空間。此外,本文還提出通過選擇性分類的方式解決零樣本分類問題,以降低零樣本分類器在實際應用中的預測風險。3.在零樣本條件下模型遷移性度量方面,現(xiàn)有遷移學習方法在多個預訓練的深度模型可用時,無法選擇最優(yōu)的預訓練模型,也無法選擇最優(yōu)的特征提取層。本文提出了一種可解釋、可比較的知識表示形式,稱為深度歸因圖譜,以研究深度模型從異構(gòu)任務中學到的知識的可遷移性。即使沒有訓練數(shù)據(jù),該方法也可以度量不同模型或者同一模型不同層提取的特征的可遷移性。本文按照源任務與目標任務數(shù)據(jù)總量從多到少、任務由易到難的順序依次對上述零樣本遷移學習問題展開了研究,取得了出色的研究成果,很好地補充與完善了當前零樣本遷移學習方向的研究。
張云濤[2]（2020）在《產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效評價研究》文中認為隨著“工業(yè)4.0”、“工業(yè)互聯(lián)網(wǎng)”等概念的提出,復興工業(yè)尤其是制造業(yè)正逐漸成為一項全球性的艱巨任務。在“中國制造2025”行動綱領的頂層設計下,中國制造業(yè)也亟需改變以往以價格戰(zhàn)打天下的低端戰(zhàn)略,利用智能信息技術系統(tǒng)、物聯(lián)網(wǎng)及服務系統(tǒng)等新型高技術積極加入產(chǎn)業(yè)互聯(lián)網(wǎng)的改革大潮中,實現(xiàn)轉(zhuǎn)型升級和創(chuàng)新發(fā)展。本文針對產(chǎn)業(yè)互聯(lián)網(wǎng)背景下的制造業(yè)企業(yè)構(gòu)建了創(chuàng)新績效指標體系,并結(jié)合可拓學中的物元理論和關聯(lián)函數(shù)概念,構(gòu)建了制造業(yè)企業(yè)創(chuàng)新績效可拓優(yōu)度評價體系。最后利用我國大型家電制造企業(yè)A集團進行了實證研究,證明上述創(chuàng)新績效指標體系和評價模型的可行性,結(jié)合評價結(jié)果為A集團提升創(chuàng)新績效提出了相應對策。平衡記分卡是目前研究較為深入、運用較廣的績效管理框架,其兼顧財務與其他內(nèi)外因素指標,組成指標間具有一定因果關系的系統(tǒng)性績效評價體系,這對于評價企業(yè)創(chuàng)新績效具有整體性和系統(tǒng)性。在梳理投入產(chǎn)出理論和利益相關者理論的基礎上,根據(jù)產(chǎn)業(yè)互聯(lián)網(wǎng)對制造業(yè)企業(yè)創(chuàng)新績效評價的內(nèi)在邏輯要求與原則,在改進的平衡記分卡系統(tǒng)基礎上構(gòu)建制造業(yè)企業(yè)創(chuàng)新績效指標體系,其中包括財務、顧客、內(nèi)部業(yè)務流程、學習與成長和外部柔性5個一級指標,以及22個二級指標。其中,16個指標為定量指標,其余6個指標需要通過問卷等形式進行定性考量,對每個二級指標的測度方法也進行了詳細描述。除了創(chuàng)新績效指標,還需要一定的評價方法才能對企業(yè)整體創(chuàng)新績效進行評價。因此,借鑒我國蔡文教授團隊首創(chuàng)的可拓學理論,利用可拓物元理論及關聯(lián)函數(shù)等概念構(gòu)建制造業(yè)企業(yè)創(chuàng)新績效可拓優(yōu)度評價模型,并詳細描述了模型的構(gòu)建過程。其中,采用權(quán)值因子判斷法對各一級指標和二級指標進行賦權(quán);采取專家咨詢法、標桿企業(yè)管理法、訪談法,并參考《2018企業(yè)績效標準值》確定各二級指標取值的經(jīng)典域與節(jié)域。最后,以我國大型家電制造業(yè)企業(yè)A集團進行案例研究,驗證以上創(chuàng)新績效指標體系與可拓優(yōu)度評價模型的可行性,并為其定位了短板指標,提出了加大創(chuàng)新投入、強化創(chuàng)新激勵、成立職能部門等創(chuàng)新績效提升策略。本文構(gòu)建的產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效評價體系具有整體性、前沿性和系統(tǒng)性。指標涵蓋企業(yè)財務、顧客、內(nèi)部業(yè)務流程、學習與成長及外部柔性,指標的選取充分響應產(chǎn)業(yè)互聯(lián)網(wǎng)對制造業(yè)企業(yè)創(chuàng)新發(fā)展的要求,同時將可拓優(yōu)度評價模型與指標體系相結(jié)合可實現(xiàn)由指標到企業(yè)整體的系統(tǒng)性評。案例研究表明所構(gòu)建的創(chuàng)新績效評價體系和可拓優(yōu)度評價模型具有一定的可操作性,能夠有效幫助制造業(yè)企業(yè)挖掘創(chuàng)新發(fā)展中的短板,以此作為創(chuàng)新活動的依據(jù),有利于企業(yè)實現(xiàn)創(chuàng)新戰(zhàn)略從計劃、操作、評價到提升的戰(zhàn)略管理閉環(huán)。
林圣琳[3]（2020）在《面向復雜仿真的評估與優(yōu)化方法研究》文中進行了進一步梳理仿真評估包含對仿真系統(tǒng)/模型本身的評估和基于仿真的評估兩個方面。隨著仿真對象的復雜化和仿真應用需求的提高,仿真系統(tǒng)呈現(xiàn)出大規(guī)模、非線性、不確定性、連續(xù)離散混合、輸出變量復雜、仿真數(shù)據(jù)量大等特點,現(xiàn)有仿真評估、優(yōu)化方法與工具面臨巨大挑戰(zhàn)。論文針對復雜仿真模型可信度評估、體系效能仿真評估與優(yōu)化開展深入研究。從仿真系統(tǒng)內(nèi)部和外部兩方面分析復雜仿真的若干復雜特性,給出復雜仿真評估與優(yōu)化問題的數(shù)學描述。針對大規(guī)模系統(tǒng)觀測數(shù)據(jù)缺乏時,多子模型構(gòu)成的復雜仿真模型可信度評估問題,構(gòu)建基于輸出變量間關系的可信度外推結(jié)構(gòu)模型,采用貝葉斯網(wǎng)絡由子模型驗證數(shù)據(jù)估計系統(tǒng)級輸出的后驗分布,并基于最大后驗概率密度置信域準則分別對子模型和系統(tǒng)級模型進行結(jié)果驗證。另外,該驗證準則在觀測數(shù)據(jù)充分的前提下,能夠有效提高驗證結(jié)果的準確度。針對非平穩(wěn)、多元、異類且具有相關性和不確定性的復雜仿真輸出,分別提出基于Hilbert-Huang變換的模型排序評估方法和基于變量相關性分析與概率分布差異結(jié)合的結(jié)果驗證方法。針對非平穩(wěn)時間序列輸出,采用經(jīng)驗模態(tài)分解將輸出數(shù)據(jù)分解為趨勢項和平穩(wěn)項,提出基于Hilbert譜密度的平穩(wěn)項一致性分析方法,利用灰色關聯(lián)分析計算仿真模型排序結(jié)果。針對多元、異類、相關輸出,采用互信息和分形維數(shù)法分別提取動、靜態(tài)輸出的相關變量子集,考慮不確定性因素的影響,基于聯(lián)合概率分布差異法度量仿真模型可信度。針對體系效能仿真評估中各裝備影響關系復雜的問題,以及高效的體系效能仿真優(yōu)化需求,分別提出面向多裝備協(xié)同的效能評估方法和基于序貫元模型與改進多目標優(yōu)化算法的效能優(yōu)化方法。基于關聯(lián)規(guī)則挖掘?qū)Ａ糠抡鏀?shù)據(jù)進行關聯(lián)分析得到指標間關聯(lián)關系,構(gòu)建網(wǎng)絡化評估指標體系,并采用網(wǎng)絡層次分析法實現(xiàn)效能綜合評估。另外,改進傳統(tǒng)的多目標優(yōu)化算法解決連續(xù)離散混合優(yōu)化問題,與元模型方法相結(jié)合提高昂貴仿真優(yōu)化效率,并提出空間填充和聚類相結(jié)合的開發(fā)-探索序貫策略,進而提高元模型擬合精度。針對復雜仿真評估與優(yōu)化、仿真大數(shù)據(jù)管理與分析需求,開發(fā)基于Hadoop的復雜仿真綜合評估系統(tǒng),支持分布式數(shù)據(jù)管理與并行分析、復雜仿真結(jié)果驗證、復雜仿真模型可信度外推、體系效能仿真評估與優(yōu)化等功能。采用Hadoop環(huán)境為仿真數(shù)據(jù)管理與算法運行提供支撐,具有算法可擴展、組件可重用、過程可視化等特點。通過某防空體系仿真可信度評估、效能仿真評估與優(yōu)化的相關應用,驗證了系統(tǒng)的有效性和實用性。最后,總結(jié)了論文的主要創(chuàng)新點,并對下一步的研究工作作出了展望。
王瓊[4]（2020）在《考慮參數(shù)不確定性的汽車碰撞安全優(yōu)化設計》文中認為汽車碰撞安全優(yōu)化設計是一項非常復雜和高難度的系統(tǒng)工程。因制造工藝、人為認知和外部環(huán)境等的影響,汽車碰撞的實際工程問題中存在著如材料屬性、結(jié)構(gòu)幾何尺寸和載荷等各種不確定性。在各種不確定因素的耦合作用下,基于傳統(tǒng)確定性的汽車碰撞安全優(yōu)化設計可能會產(chǎn)生較大分析偏差,已難以很好地滿足汽車碰撞安全的設計需求。隨著人們認識水平和安全意識的提高,汽車碰撞安全不確定性優(yōu)化設計理論和方法應運而生。不確定性優(yōu)化設計可充分考慮優(yōu)化過程中的不確定因素對約束可行域或目標變化范圍的影響,以獲得能夠滿足優(yōu)化要求的設計結(jié)果。雖然考慮不確定性的汽車碰撞安全優(yōu)化設計研究在過去很長時間受到了科學界和工程界的廣泛關注,但目前還未發(fā)展成熟,仍然需要改進和完善,特別對參數(shù)含復雜不確定性問題、優(yōu)化設計求解及其效率等方面尚存在一系列技術難點亟待解決。為此,本文針對汽車碰撞安全設計中存在大容差多參數(shù)關聯(lián)非精確概率的不確性優(yōu)化難題,從不確定參數(shù)樣本變化信息量、各種相關關系、不確定性描述等方面展開了研究。研究思路從設計變量或設計參數(shù)的有界不確定性、多源不確定性、混合不確定性和復雜非線性相關性幾個角度出發(fā),力求對考慮各種參數(shù)不確定性的分析模型與優(yōu)化求解效率工作給出一些探索性方法,最終為汽車碰撞安全性能的提升和有效設計給予指導和借鑒。首先為了降低不確定性參數(shù)在有界范圍內(nèi)波動的敏感性,針對容差問題,采用區(qū)間模型描述參數(shù)的不確定性,建立了一種考慮公差設計的汽車碰撞安全穩(wěn)健性優(yōu)化模型,進一步考慮到不確定性參數(shù)的多源相關性問題,建立了一種可用于處理區(qū)間參數(shù)獨立性和相關性的汽車碰撞安全穩(wěn)健性優(yōu)化設計模型,并且發(fā)展了高效的優(yōu)化算法;其次考慮到非精確概率分布的非單一不確定性問題,將區(qū)間不確定性與概率不確定性相融合,建立了一種汽車碰撞安全混合可靠性優(yōu)化模型并發(fā)展了高效設計方法。另外,還考慮了存在復雜參數(shù)相關性的不確定性問題,研究了汽車碰撞安全可靠性分析與高效設計方法。鑒于上述思路,本文開展和完成了如下研究內(nèi)容:1)基于區(qū)間不確定性分析,發(fā)展了一種考慮參數(shù)有界不確定性的汽車碰撞安全優(yōu)化設計方法。針對汽車碰撞優(yōu)化中主要設計部件的尺寸、形狀和位置容差的不確定性問題,采用表示對稱公差形式的區(qū)間模型度量參數(shù)的不確定性。根據(jù)穩(wěn)健性理論,將目標函數(shù)的半徑作為穩(wěn)健性評價指標。結(jié)合參數(shù)設計和公差設計,引入公差評價指標,建立一種同步優(yōu)化設計變量名義值和公差的穩(wěn)健性優(yōu)化模型。利用基于可靠性的區(qū)間可能度處理模型中的不確定約束,將考慮公差的穩(wěn)健性優(yōu)化問題轉(zhuǎn)換為確定性嵌套多目標優(yōu)化問題,并且發(fā)展了相應的優(yōu)化算法。通過在車身耐撞性優(yōu)化設計的應用表明該方法同步調(diào)整設計變量的名義值和公差可在保證碰撞安全性穩(wěn)健的同時實現(xiàn)公差范圍的最大化,提高制造工藝性能,避免設計的重復性,降低生產(chǎn)成本。2)基于區(qū)間不確定性的相互關聯(lián)關系,發(fā)展了一種考慮參數(shù)多源不確定性的汽車碰撞安全優(yōu)化設計方法。針對汽車碰撞優(yōu)化中存在獨立和相關參數(shù)的不確定性問題,融入一種平行六面體凸模型來度量參數(shù)的多源不確定性,使得獨立和相關參數(shù)得以在一個統(tǒng)一的框架內(nèi)進行描述,進而建立一種考慮多源不確定性的穩(wěn)健性優(yōu)化模型,對目標函數(shù)的中點和半徑進行優(yōu)化。采用一種獨立性轉(zhuǎn)換技術,將不確定性參數(shù)轉(zhuǎn)換為標準的獨立區(qū)間參數(shù),多維平行六面體不確定域轉(zhuǎn)化為多維立方體域,從而含多源不確定性的穩(wěn)健性優(yōu)化模型轉(zhuǎn)換為標準的獨立區(qū)間穩(wěn)健性優(yōu)化模型,大大方便后續(xù)的穩(wěn)健性分析和優(yōu)化設計。利用基于可靠性的區(qū)間可能度處理不確定約束,將獨立區(qū)間穩(wěn)健性問題轉(zhuǎn)換為確定性的多目標嵌套優(yōu)化問題。以高效的微型多目標遺傳算法作為框架,結(jié)合獨立性轉(zhuǎn)換和基于一階泰勒展開的區(qū)間分析,發(fā)展了一種有效的穩(wěn)健性優(yōu)化算法,消除了嵌套問題的內(nèi)層優(yōu)化。通過在考慮乘員損傷的女性和男性假人約束系統(tǒng)優(yōu)化設計的應用表明該方法不僅可保證安全性能的穩(wěn)健性還能提高優(yōu)化結(jié)果的準確性。3)基于非單一區(qū)間不確定性,發(fā)展了一種考慮參數(shù)混合不確定性的汽車碰撞安全優(yōu)化設計方法。針對汽車碰撞優(yōu)化中含有非精確概率分布的不確定性問題,雖然難以給定參數(shù)的精確概率分布函數(shù),但給定其分布類型和分布參數(shù)變化區(qū)間是可能的,引用參數(shù)化概率盒度量此類概率-區(qū)間混合不確定性,進而以保證汽車碰撞安全性指標的可靠性為約束,建立一種關于汽車碰撞安全問題的混合可靠性優(yōu)化設計模型?？紤]到區(qū)間參數(shù)的存在,對約束的評估遵循保守原則,在經(jīng)典序列優(yōu)化與可靠性評估（Sequential Optimization and Reliability Assessment,SORA）方法理念的基礎上,基于功能度量法（Performance Measurement Approach,PMA）得到混合可靠性最差情況時的MPP和區(qū)間向量（最不利點）,再利用該MPP并結(jié)合最不利信息構(gòu)造移動向量,通過解耦算法使原優(yōu)化問題變?yōu)榇_定性設計優(yōu)化與可靠性評估交替執(zhí)行的序列迭代過程。由此,避免了內(nèi)外層嵌套尋優(yōu),可實現(xiàn)汽車碰撞混合可靠性優(yōu)化設計的快速收斂和高效性。通過在車身耐撞性和考慮乘員損傷的約束系統(tǒng)優(yōu)化設計的應用表明該方法不僅可保證安全性能的可靠性還能提高優(yōu)化結(jié)果的準確性。4)基于相關性的多元化,發(fā)展了一種考慮參數(shù)復雜相關性的汽車碰撞安全優(yōu)化設計方法。針對汽車碰撞優(yōu)化中不確定參數(shù)存在各種相關性的問題,融入Copula函數(shù)度量參數(shù)的弱非線性、強非線性及尾部相關性,以保證汽車碰撞安全性指標的可靠性為約束,建立一種關于汽車碰撞安全參數(shù)相關問題的可靠性優(yōu)化設計模型。根據(jù)樣本點數(shù)量選擇使用貝葉斯方法或參數(shù)估計法挑選與已知樣本匹配度最佳的Copula函數(shù)來構(gòu)造參數(shù)間的聯(lián)合分布函數(shù),將不確定性參數(shù)的相關性集成到可靠性分析中。在經(jīng)典SORA方法理念的基礎上,采用一種可考慮參數(shù)間相關性的解耦算法,將嵌套優(yōu)化問題轉(zhuǎn)換為基于Copula函數(shù)的可靠性分析和確定性優(yōu)化交替進行的序列迭代過程,以快速實現(xiàn)汽車碰撞安全在考慮不確定性參數(shù)復雜相關情況時的可靠性設計。通過在車身耐撞性優(yōu)化設計的應用表明該方法不僅可保證安全性能的可靠性還能提高優(yōu)化結(jié)果的準確性。
孫煜時[5]（2020）在《空域扇區(qū)擁擠等級識別與預測研究》文中認為隨著民航業(yè)快速發(fā)展,持續(xù)快速增長的航空運輸需求與有限的空域資源之間的矛盾逐漸凸顯,導致空域擁擠現(xiàn)象日益嚴重。因此,對空域扇區(qū)的擁擠現(xiàn)象進行監(jiān)控,將有助于空中交通管理部門掌握空域擁擠情況,為日常運行和空域規(guī)劃提供決策支持。本文對扇區(qū)擁擠等級識別和預測進行研究,包括扇區(qū)擁擠指標構(gòu)建、擁擠識別模型以及擁擠預測方法三個方面的內(nèi)容。本文從復雜網(wǎng)絡的角度,將扇區(qū)擁擠程度識別問題轉(zhuǎn)化為扇區(qū)內(nèi)航空器網(wǎng)絡復雜性的綜合評價。首先,根據(jù)扇區(qū)內(nèi)所有航空器的飛行信息,構(gòu)建以航空器為節(jié)點的網(wǎng)絡,航空器之間的相互關系構(gòu)成了網(wǎng)絡的邊。最后,針對航空網(wǎng)絡的特點,選取網(wǎng)絡節(jié)點數(shù),平均節(jié)點度等七個復雜度指標來表征扇區(qū)擁擠程度的指標。在指標構(gòu)建的基礎上,提出一種基于深度主動學習的擁擠程度識別方法,在保證識別性能的同時減少標記樣本的數(shù)量。為了充分利用大量無標記樣本的特征信息,在主動學習迭代之前,利用堆棧稀疏自編碼對所有標記樣本和無標記樣本進行特征表示,并利用標記樣本集訓練輸出回歸層的參數(shù)。在主動學習迭代過程中,引入最小置信度、邊際采樣和信息熵作為樣本采樣度量,從未標記樣本集選擇與已標記樣本集特征差異較大的樣本,減少有標記樣本集的冗余,從而以最小的樣本標記,達到理想的模型性能。實驗結(jié)果表明,本文方法在各項指標上均優(yōu)于現(xiàn)有主流方法。之后在指標構(gòu)建與擁擠識別的基礎上,提出一種基于隨機森林算法的擁擠程度預測方法,目的是為了建立起扇區(qū)擁擠度量指標與扇區(qū)擁擠等級之間的聯(lián)系。采用有放回抽樣的方式從原特征數(shù)據(jù)集中抽取出多個數(shù)目與原特征數(shù)據(jù)集相同的子數(shù)據(jù)集,并針對每一個子數(shù)據(jù)集構(gòu)建子決策樹,通過多次迭代穩(wěn)定每棵子決策樹中的分類方式,使模型達到理想的性能。當新數(shù)據(jù)產(chǎn)生時,最終結(jié)果由所有子決策樹結(jié)果中的眾數(shù)決定。實驗結(jié)果表明,本文方法在各項指標上均優(yōu)于現(xiàn)有主流方法。
龐景月[6]（2019）在《基于概率性預測的航天器遙測數(shù)據(jù)異常檢測方法研究》文中研究說明航天器飛行過程中由于受到特殊空間環(huán)境、設計驗證不充分、生產(chǎn)加工工藝風險與損傷累計效應等影響,在軌異常事件屢見不鮮,影響航天器系統(tǒng)在軌運行可靠性和任務安全性。遙測數(shù)據(jù)作為地面長管系統(tǒng)判斷航天器運行狀態(tài)和工作性能的重要依據(jù),及時有效地檢測其中的異常模式,對于提升在軌航天器的監(jiān)測能力、保障飛行任務以及延長航天器使用壽命均具有重要價值和意義。航天器遙測數(shù)據(jù)呈現(xiàn)時序特性、偽周期特性與不確定性,其異常模式具有時間關聯(lián)以及聚集特性。概率性預測方法由于具備時間序列建模、動態(tài)閾值生成、可在線檢測異常以及強解釋性等優(yōu)勢,已被嘗試應用于航天器遙測數(shù)據(jù)異常檢測領域。但針對單遙測參數(shù)復雜時序特性的聚集異常模式,以及具有復雜相關關系的多遙測參數(shù)的異常檢測,此類方法仍存在預測置信度難以自適應選擇、單遙測參數(shù)與多遙測參數(shù)異常檢測性能不足等挑戰(zhàn),本文圍繞概率性預測的航天器遙測數(shù)據(jù)異常檢測的上述三個方面開展研究,主要研究工作如下:（1）針對概率性預測的異常檢測方法中預測置信度選擇依賴常規(guī)經(jīng)驗值的問題,研究非監(jiān)督條件下預測置信度的優(yōu)化選擇方法。首先設計非監(jiān)督受試者工作特征（Unsupervised Receiver Operating Characteristic,Un ROC）曲線,以揭示不同預測置信度下預測區(qū)間的潛在檢測率與誤檢率的關聯(lián)關系。在此基礎上構(gòu)建以改進Youden（Enhanced Youden,E-Youden）指數(shù)為目標函數(shù)的預測置信度優(yōu)化模型,實現(xiàn)Un ROC曲線的預測置信度尋優(yōu)以生成有效的動態(tài)閾值。實驗結(jié)果表明,與其他預測置信度選擇方法相比,所提方法選擇的預測置信度,其對應的異常檢測閾值具有較強的正負樣本區(qū)分性能以及樣本標簽預測能力,有效解決預測置信度缺乏選擇依據(jù)而影響異常檢測閾值的樣本分類性能的問題。（2）針對概率性預測的異常檢測方法在單參數(shù)異常量化表征與多步預測特征融合建模方面的不足,研究一種離散特征構(gòu)建及融合的單參數(shù)異常檢測方法。首先結(jié)合預測置信度優(yōu)化的概率性預測模型提供的有效動態(tài)閾值,設計基于等寬離散與統(tǒng)計分析的預測特征離散化方法,將預測誤差分割為對應不同異常程度的離散化區(qū)間,以增強單參數(shù)異常量化表征能力。在此基礎上,結(jié)合馬爾科夫鏈與多數(shù)投票集成方法,對離散特征進行多步—多窗口的多時間尺度融合,實現(xiàn)多步預測特征的時序建模。實驗結(jié)果表明,與其他單參數(shù)異常檢測方法相比,所提方法對于表現(xiàn)形式各異且持續(xù)時間不同的聚集異常模式,具有較強的異常檢測性能及檢測穩(wěn)定性,有效提升概率性預測方法對單遙測參數(shù)異常檢測的綜合性能及應用能力。（3）針對概率性預測的異常檢測方法在高維輸入空間預測性能與多特征融合建模方面的不足,研究一種時空特征提取及融合的多參數(shù)異常檢測方法。首先基于因子分析方法提取多參數(shù)的空間特征,降低輸入空間維度且揭示多參數(shù)內(nèi)部結(jié)構(gòu)關系,以構(gòu)建關于空間特征的預測置信度優(yōu)化的概率性預測模型,提取多參數(shù)的時空特征。在此基礎上,通過時空特征離散化形成多參數(shù)的異常描述子,并基于多維馬爾科夫鏈對特征進行交叉,實現(xiàn)多特征的關聯(lián)建模。實驗結(jié)果表明,與其他多參數(shù)異常檢測方法相比,所提方法對于相關關系復雜的多遙測參數(shù),具有較強異常檢測能力且具有強解釋性,有效提升概率性預測方法對于多遙測參數(shù)異常檢測的適應性及應用能力。
周玉臣[7]（2019）在《復雜仿真模型驗證方法研究》文中進行了進一步梳理復雜仿真模型具有運行機理、組成結(jié)構(gòu)及交互關系復雜,高維、非線性,應用目的多樣、多逼真度、多分辨率等特點;仿真模型可信是應用仿真模型開展分析、評估、優(yōu)化等研究工作的基礎,模型驗證是評估仿真模型可信度的重要手段。對復雜仿真模型的狀態(tài)變量、輸出變量的觀測數(shù)據(jù)與參考系統(tǒng)的狀態(tài)變量、輸出變量的觀測數(shù)據(jù)進行相似性分析是模型驗證的基本途徑。針對復雜仿真模型驗證與實驗設計問題,本文主要開展了以下研究工作:首先,針對多維時間序列的相似性分析問題,研究基于核主成分分析的多變量驗證方法。核主成分分析利用核方法將特征空間上的內(nèi)積計算轉(zhuǎn)換為核函數(shù)計算,進而對核矩陣進行奇異值分解,獲取多個相關變量在特征空間的關聯(lián)關系。核主成分分析需要對核函數(shù)參數(shù)進行優(yōu)化,以最大化第一核主成分的方差貢獻率;考慮到長時間序列的高維核矩陣奇異值分解效率低的問題,提出一種核主成分近似計算方法,將高維矩陣分解問題轉(zhuǎn)換為若干低維矩陣分解問題。進一步,綜合變量間的相關關系與單個變量間的尺度相似性,給出一種相似性度量方法。相對于經(jīng)典方法,基于核主成分分析的多變量驗證方法考慮了變量間的相關關系,驗證結(jié)果更加客觀合理。其次,針對海量數(shù)據(jù)的相似性分析問題,研究基于機器學習的復雜仿真模型驗證方法。給出基于機器學習的仿真模型驗證方法框架和訓練過程,分析影響機器學習模型性能的因素;進而利用基于局部窮舉搜索的特征選擇方法,發(fā)現(xiàn)最優(yōu)特征子集?；跈C器學習的智能化驗證方法的難點在于如何提高分類準確率,以降低其在海量數(shù)據(jù)相似性分析中的應用風險;為此,提出一種改進的Boosting方法,通過生成多樣化的訓練樣本、選擇異類組件分類器、采用基于懲罰因子的多樣性篩選準則等策略增強機器學習模型的泛化性能。再次,復雜仿真模型在某一想定下可信,無法保證其在整個應用域內(nèi)可信;由此,對復雜仿真模型驗證的實驗設計方法進行研究。單步實驗設計方法方面,給出一種多準則拉丁超立方實驗設計方法,通過綜合距離準則與相關性準則,生成具有良好空間填充性的初始實驗設計方案。針對實驗設計中過采樣和欠采樣問題,提出一種基于開發(fā)-探索策略的自適應序貫實驗設計方法,利用改進的距離準則度量實驗點的全局探索價值,通過交叉驗證誤差估計實驗點的局部開發(fā)價值;為了避免實驗點在局部區(qū)域的過度聚集問題,設計權(quán)重自適應更新策略。以高斯過程模型為例,證明基于開發(fā)-探索策略的序貫實驗設計,通過最大化期望誤差,可以構(gòu)建高精度的元模型。最后,針對現(xiàn)有的模型驗證和可信度評估工具難以滿足復雜仿真模型驗證的應用需求的問題,設計并實現(xiàn)面向服務的復雜仿真模型驗證平臺?；谛枨蠓治?設計平臺的總體架構(gòu),給出算法服務的統(tǒng)一描述;利用通用建模語言,描述子系統(tǒng)的功能、內(nèi)部交互關系和功能實現(xiàn)流程?？紤]到用戶專業(yè)及研究領域不同,其驗證方法使用偏好不同的問題,提出一種個性化服務推薦K近鄰算法,進一步提高平臺的功能完備性、易用性和模型驗證的效率。利用該平臺對電磁軌道炮仿真模型進行驗證,檢驗本文研究的模型驗證方法和實驗設計方法的有效性,驗證平臺的實用性。
李瀟[8]（2019）在《基于多視點元模型的需求追蹤性方法研究》文中認為面向多視點的方法在需求工程中得到了廣泛的應用,采用“關注點分離”的思想將復雜的系統(tǒng)需求轉(zhuǎn)化為視點需求,是研究者和開發(fā)者進行系統(tǒng)需求分析與描述的一種有效方法;然而在理論研究和實際應用方面仍然存在需求描述不完整、需求變更困難以及需求不一致等問題,本文主要針對需求描述的不完整性、變更困難及不一致性的問題進行研究。本文在分析和探討傳統(tǒng)需求建模方法優(yōu)缺點的基礎上提出了一種基于多視點元模型的需求建模方法,并建立了多視點追蹤元模型,根據(jù)所建立的元模型元素間關系建立起多視點間的追蹤關系,通過計算變化追蹤矩陣實現(xiàn)多視點元模型間需求的可追蹤性,在需求變更時可以追蹤到相關元素并進行更改。其次,以建立的需求追蹤矩陣為基礎,結(jié)合需求關聯(lián)程度度量方法計算并比較沖突需求與其他視點需求的關聯(lián)程度值,將關聯(lián)程度值較大的需求保留,將關聯(lián)程度值較小的需求舍棄,從而消除在追蹤過程中需求的不一致性問題。最后,結(jié)合基于ATM系統(tǒng)實際案例對上述方法的可行性進行說明與驗證。通過上述研究,在多視點元模型間建立需求的可追蹤關系為需求變更管理提供了一種有效途徑,通過需求關聯(lián)程度度量方法可以保證在追蹤過程中需求描述的一致性,本文的研究對提高軟件需求質(zhì)量以及降低后期的系統(tǒng)維護代價等方面具有一定的理論意義和應用價值。
李禎[9]（2019）在《高效能仿真云平臺關鍵技術研究》文中認為隨著仿真應用領域的不斷拓展,仿真對象規(guī)模日益擴大、結(jié)構(gòu)日益復雜,以提升平臺按需協(xié)同與可定制的建模仿真能力為目標,構(gòu)建高效能建模仿真平臺的需求日益凸顯。云仿真技術作為一種新興的網(wǎng)絡化建模仿真手段,極大地改變了建模仿真應用模式,為構(gòu)建高效能建模仿真平臺提供了方法與架構(gòu)支撐。然而當前云仿真理論和技術研究尚不完善,難以應對多領域多用戶按需協(xié)同與可定制的建模仿真需求。從效能優(yōu)化角度看,也未能充分發(fā)揮云計算平臺的資源整合與按需供給的特點和優(yōu)勢,難以為用戶提供更加敏捷高效的建模仿真服務。針對上述問題,論文以高效能仿真云平臺建設為目標,提出了用戶中心式云仿真服務架構(gòu)及其應用模式,解決了多領域多用戶按需協(xié)同與可定制的建模仿真需求。同時從建模開發(fā)、仿真運行以及作業(yè)調(diào)度三個方面,提出了仿真云平臺效能優(yōu)化框架和方法。論文的主要工作和貢獻總結(jié)如下:1.提出了高效能用戶中心式的云仿真服務架構(gòu)及應用模式,設計了用戶中心式仿真云平臺架構(gòu)。用戶中心式云仿真服務架構(gòu)以提升仿真云平臺效能為目標,以面向服務架構(gòu)為基礎,根據(jù)用戶需求的語義特征,通過一個虛擬協(xié)同建模環(huán)境,將領域相關的仿真資源、技術人員和用戶等動態(tài)關聯(lián)在一起,提供資源按需發(fā)現(xiàn)、組合、協(xié)同建模和仿真等能力。仿真云平臺架構(gòu)則分別從用戶管理層、領域仿真服務層、仿真部署和調(diào)度管理層以及基礎架構(gòu)層等四個方面,設計了實現(xiàn)高效能用戶中心式云仿真服務架構(gòu)所需的關鍵模塊。2.提出了仿真云效能度量框架。以高性能計算領域中效能概念為基礎,提出并闡述了仿真云平臺效能的概念與內(nèi)涵,設計了仿真云平臺效能量化模型。該模型定量化地描述了影響仿真云平臺效能的關鍵因素,為設計高效能云仿真服務架構(gòu)和效能優(yōu)化方法提供了理論依據(jù)。3.提出了基于云平臺的面向特征領域建模仿真框架Clou Fo DSim。Clou Fo DSim的核心是構(gòu)建了面向特征的領域資產(chǎn)追蹤、管理和組合集成方法,一方面實現(xiàn)了仿真云平臺下領域仿真資產(chǎn)的虛擬化管理,提供了資源的按需發(fā)現(xiàn)和動態(tài)聚合的能力;另一方面,基于特征的模型管理和集成框架,解決了傳統(tǒng)組合式仿真中需求與已有資源難以匹配的問題。因而,Clou Fo DSim從建模開發(fā)效能優(yōu)化角度,實現(xiàn)了面向多領域多用戶按需協(xié)同與可定制的建模仿真能力。4.提出了面向帶寬保障的并行仿真作業(yè)管理和調(diào)度框架及相應的優(yōu)化算法。該框架從作業(yè)調(diào)度效能優(yōu)化角度,采用基于虛擬集群的方式部署并行仿真作業(yè),以保障虛擬機間的帶寬性能,解決仿真云中面臨的網(wǎng)絡帶寬競爭以及網(wǎng)絡性能不確性等問題。針對虛擬集群的分配問題,提出了自適應帶寬感知的虛擬集群部署算法Ada Ba。進而,在Ada Ba算法基礎上,提出了面向帶寬保障的并行仿真作業(yè)調(diào)度算法Bg MBF以及其改進算法Bg MBFSDF。在保證帶寬需求前提下,獲得了最優(yōu)的虛擬資源分配和作業(yè)調(diào)度性能。5.提出了通信感知的自適應仿真運行優(yōu)化框架及相應的優(yōu)化算法。該框架從仿真運行效能優(yōu)化角度,分別從虛擬機間網(wǎng)絡通信消耗及模型在分布式虛擬節(jié)點上的分割部署策略兩個方面,提出了高效的自適應優(yōu)化算法。針對自適應模型分割部署問題,論文以大規(guī)模人工社會仿真運行優(yōu)化為例,提出了基于統(tǒng)計遷移圖分割的負載分割方法,在負載均衡約束下,減小了模型在分布式虛擬機節(jié)點間的通信量。針對虛擬機間網(wǎng)絡通信消耗問題,論文提出了通信感知的虛擬機自適應遷移調(diào)度算法,在考慮遷移代價情況下,減小了數(shù)據(jù)中心內(nèi)虛擬機間的通信消耗。本文從理論框架和關鍵技術兩個方面,對高效能仿真云平臺進行了研究。在理論框架上,面向仿真云效能優(yōu)化需求,提出了用戶中心式云仿真服務架構(gòu)及其應用模式,并從建模開發(fā)、作業(yè)調(diào)度以及仿真運行三個方面,提出了基于仿真云的效能優(yōu)化框架。在關鍵技術方面,面向建模開發(fā)效能優(yōu)化需求,提出了基于Clou Fo DSim的云端高效能仿真應用構(gòu)建方法;面向作業(yè)調(diào)度效能優(yōu)化需求,提出了面向帶寬保障的并行仿真作業(yè)調(diào)度優(yōu)化方法;面向仿真運行優(yōu)化需求,提出了通信感知的自適應仿真運行優(yōu)化方法。論文研究成果對云仿真理論研究和仿真云平臺建設具有借鑒和指導意義。
曹立雄[10]（2019）在《基于證據(jù)理論的結(jié)構(gòu)不確定性傳播與反求方法研究》文中認為在實際工程應用中,不確定性因素不可避免的存在于結(jié)構(gòu)的設計、制造、運營及維護等各個階段,主要由結(jié)構(gòu)的幾何尺寸、材料特性、安裝和測量誤差、邊界條件及對工程問題所做的一些假設等引起。工程中的不確定性因素表現(xiàn)形式多種多樣,并且在其影響下系統(tǒng)性能可能產(chǎn)生劇烈的波動,甚至失效的風險。因此,有效的度量和控制甚至縮減各種不確定性對實際工程結(jié)構(gòu)的可靠性、穩(wěn)健性及經(jīng)濟性具有十分重要的意義。目前,已存在概率論、區(qū)間模型、模糊集合和證據(jù)理論等多種不確定分析模型,其中證據(jù)理論通過離散的證據(jù)焦元可靈活地量化工程中信息量不足時的各種不確定性,從而被認為一種不確定性度量和分析較為理想的選擇,具有非?？捎^的應用前景。然而,證據(jù)理論在工程結(jié)構(gòu)中的研究和應用仍處于初級階段,許多關鍵仍有待進一步解決,尤其是計算量的組合爆炸問題嚴重阻礙了證據(jù)理論在實際工程問題中的推廣。本文以證據(jù)理論為研究對象,在計算效率、相關性度量和建模及反問題等方面展開了較為系統(tǒng)的研究,取得了一些創(chuàng)新性成果。具體研究工作如下:（1）提出了基于不確定域分析的證據(jù)理論不確定傳播分析方法。傳統(tǒng)證據(jù)理論傳播分析中,因為需要對每個焦元進行極值分析,因此計算成本較大,并且由于焦元的離散特性,僅能采用可信度和似真度構(gòu)成的概率區(qū)間對結(jié)果進行度量。針對該問題,通過系統(tǒng)的極限狀態(tài)方程可以將焦元分析轉(zhuǎn)化到不確定域中。通過劃分子不確定域,可以構(gòu)造一個多段、顯式的極限狀態(tài)方程。利用顯式的多段極限狀態(tài)方程可以準確的判斷焦元甚至整個子不確定域與原事件域的歸屬情況,從而有效提升了計算效率。此外,由于極限狀態(tài)方程的使用,對于部分屬于事件域的焦元,通過求解近似體積比可獲得焦元部分支持原命題的概率,進而可獲得在可信度和似真度之間的一個明確的最大熵度量指標,為工程實際問題提供了一個明確的度量結(jié)果。（2）針對高維不確定涉及的組合爆炸問題,提出了基于邊緣區(qū)間分析的證據(jù)理論不確定傳播分析方法。首先,通過證據(jù)矩將原系統(tǒng)功能函數(shù)在證據(jù)變量均值中點處降維分解為單變量子函數(shù)的組合。因此,利用展開軸上邊緣配置點處的響應可獲得不確定域空間中的所有聯(lián)合配置點處的響應,進而通過統(tǒng)計聯(lián)合配置點處的響應便可快速的獲取焦元響應極值。該方法可極大地減少中焦元極值分析中原系統(tǒng)功能函數(shù)的調(diào)用。在此基礎上,又進一步推導出邊緣區(qū)間分析方法,通過邊緣配置點的響應可直接獲取子函數(shù)邊緣區(qū)間,進而通過各子函數(shù)邊緣區(qū)間的區(qū)間運算,即可快速獲取焦元的響應極值。從而克服了高維問題中后續(xù)的數(shù)值計算效率低下問題。通過算例分析可知,該邊緣區(qū)間分析方法有效改善了高維問題證據(jù)傳播分析的計算效率,并且由于邊緣配置點處原函數(shù)的使用,該方法也具有較高的計算精度,從而有效擴展了證據(jù)理論在工程實際問題中的應用。（3）提出了度量證據(jù)相關性的超平行體的證據(jù)理論模型,以克服傳統(tǒng)證據(jù)理論模型無法有效量化相關的不確定變量的問題。首先,通過提出證據(jù)相關系數(shù)的概念,構(gòu)建了一個超平行體的識別框架來度量變量的不確定性和相關性。然后,在識別框架內(nèi)進一步構(gòu)建超平行體的聯(lián)合焦元并進行基本概率分配。由于所構(gòu)建的聯(lián)合焦元形狀一致、排列規(guī)律且都能體現(xiàn)與識別框架相同的證據(jù)相關性。因此,通過構(gòu)建的超平行體的識別框架、超平行體的聯(lián)合焦元及基本概率分配可形成一個統(tǒng)一的證據(jù)理論模型。在傳播分析中,可通過構(gòu)建該超平行體證據(jù)理論模型將帶有相關變量的傳播問題轉(zhuǎn)化為獨立變量的傳播問題,進而采用現(xiàn)有的傳播方法即可實現(xiàn)相關證據(jù)變量的不確定傳播分析。該模型的提出完善了證據(jù)理論的理論體系,提高了工程實用性。（4）針對模型中存在不確定性的反問題,提出了高效的證據(jù)理論結(jié)構(gòu)不確定反求方法。該方法從兩個層面提升計算的效率,從而實現(xiàn)了證據(jù)逆向傳播的高效求解。首先,該方法通過正向傳播中的邊緣區(qū)間分析方法將證據(jù)焦元的逆向傳播轉(zhuǎn)化為有限個不確定參數(shù)配置點下的確定性反求,從而大大減少了證據(jù)反求過程中確定性反求次數(shù)。其次,由于相鄰配置點下不確定參數(shù)的微小變化,其對應確定性反求中系統(tǒng)方程具有相似性?；诖?又進一步發(fā)展了基于相似系統(tǒng)原理的確定反求方法,以減少了每次迭代過程中梯度矩陣的計算量,從而有效降低了正問題模型的調(diào)用次數(shù)。通過算例分析表明,在兩個方法的組合效應下,該不確定反求方法可高效、準確地獲得待識別參數(shù)的累積信度和累積似真度函數(shù),實現(xiàn)結(jié)構(gòu)不確定下待識別參數(shù)的反求。（5）針對測量響應中含有認知不確定的反問題,提出了一種基于證據(jù)理不確定反求方法。該方法根據(jù)測量響應的累積信度和累積似真度函數(shù)來識別未知參數(shù)的證據(jù)焦元結(jié)構(gòu)。首先,根據(jù)測量響應的上下界,通過典型的區(qū)間反問題可確定待反求參數(shù)的證據(jù)框架。其次,通過添加線性約束,將證據(jù)結(jié)構(gòu)的反求轉(zhuǎn)化為焦元節(jié)點參數(shù)的反求,從而減少了待求解的結(jié)構(gòu)參數(shù),解耦了求解中的優(yōu)化嵌套。最后,選擇目標函數(shù)誤差較小的焦元個數(shù)組合情況作為最優(yōu)解,從而將此情況下反求的證據(jù)結(jié)構(gòu)視為待識別參數(shù)的證據(jù)BPA結(jié)構(gòu)。算例分析結(jié)果也表明,該方法反求所得證據(jù)焦元結(jié)構(gòu)可有效表征因測量端的認知不確定引起輸入端參數(shù)的不確定性。
二、元模型可度量性及度量方法研究（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、元模型可度量性及度量方法研究（論文提綱范文）
（1）基于深度模型的零樣本遷移學習（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 引言 |
| 1.2 研究意義 |
| 1.2.1 理論研究意義 |
| 1.2.2 應用研究價值 |
| 1.3 面臨的挑戰(zhàn) |
| 1.4 本文主要目標和工作 |
| 1.4.1 基于無偏嵌入空間的直推式零樣本遷移學習 |
| 1.4.2 基于屬性自動增強的歸納式零樣本遷移學習 |
| 1.4.3 基于深度歸因圖譜的零樣本模型可遷移性度量 |
| 1.5 本文組織結(jié)構(gòu) |
| 2 相關文獻綜述 |
| 2.1 普通遷移學習研究綜述 |
| 2.1.1 同構(gòu)任務遷移學習 |
| 2.1.2 異構(gòu)任務遷移學習 |
| 2.2 零樣本遷移學習研究綜述 |
| 2.2.1 零樣本遷移學習中的語義空間 |
| 2.2.2 直推式零樣本遷移學習方法 |
| 2.2.3 歸納式零樣本遷移學習方法 |
| 2.3 遷移性度量研究綜述 |
| 2.3.1 任務分類法 |
| 2.3.2 特征相似性分析法 |
| 2.4 本章小結(jié) |
| 3 基于無偏嵌入空間的直推式零樣本遷移學習 |
| 3.1 引言 |
| 3.2 直推式無偏嵌入空間 |
| 3.2.1 問題描述 |
| 3.2.2 直推式無偏嵌入模型 |
| 3.2.3 準全監(jiān)督學習 |
| 3.3 實驗結(jié)果與分析 |
| 3.3.1 實驗設置 |
| 3.3.2 實現(xiàn)細節(jié)與討論 |
| 3.3.3 常規(guī)零樣本遷移學習設定下實驗對比 |
| 3.3.4 通用零樣本遷移學習設定下實驗對比 |
| 3.4 本章小節(jié) |
| 4 基于屬性自動增強的歸納式零樣本遷移學習 |
| 4.1 引言 |
| 4.2 屬性自動增強 |
| 4.2.1 預備知識 |
| 4.2.2 問題描述 |
| 4.2.3 選擇性零樣本分類器 |
| 4.2.4 增廣屬性學習 |
| 4.2.5 優(yōu)化方法 |
| 4.3 實驗結(jié)果與分析 |
| 4.3.1 實驗設置 |
| 4.3.2 消融實驗 |
| 4.3.3 基準比較 |
| 4.4 本章小節(jié) |
| 5 基于深度歸因圖譜的零樣本模型可遷移性度量 |
| 5.1 引言 |
| 5.2 深度歸因圖譜 |
| 5.2.1 預備知識 |
| 5.2.2 可遷移性定義 |
| 5.2.3 深度歸因圖譜的構(gòu)建 |
| 5.3 可遷移性度量 |
| 5.3.1 模型可遷移性 |
| 5.3.2 層可遷移性 |
| 5.4 實驗結(jié)果與分析 |
| 5.4.1 模型遷移性度量 |
| 5.4.2 模型微調(diào)臨界點選擇 |
| 5.5 本章小節(jié) |
| 6 總結(jié)與展望 |
| 6.1 本文工作總結(jié) |
| 6.2 未來工作展望 |
| 參考文獻 |
| 作者簡歷 |
| 攻讀博士學位期間主要的研究成果 |
（2）產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效評價研究（論文提綱范文）
| 摘要 |
| abstract |
| 注釋表 |
| 縮略詞 |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 文獻綜述 |
| 1.2.1 產(chǎn)業(yè)互聯(lián)網(wǎng)概念界定 |
| 1.2.2 企業(yè)創(chuàng)新績效指標研究綜述 |
| 1.2.3 企業(yè)績效評價方法研究綜述 |
| 1.2.4 文獻評述 |
| 1.3 研究內(nèi)容與研究方法 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 研究方法 |
| 1.4 研究思路與技術路線 |
| 1.4.1 研究思路 |
| 1.4.2 技術路線 |
| 1.5 創(chuàng)新點 |
| 第二章 制造業(yè)企業(yè)創(chuàng)新績效評價的理論基礎 |
| 2.1 投入產(chǎn)出理論 |
| 2.1.1 投入產(chǎn)出理論概述 |
| 2.1.2 投入產(chǎn)出理論與企業(yè)創(chuàng)新績效評價 |
| 2.2 利益相關者理論 |
| 2.2.1 企業(yè)利益相關者理論概述 |
| 2.2.2 利益相關者理論與企業(yè)創(chuàng)新績效評價 |
| 2.3 本章小結(jié) |
| 第三章 產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效指標體系 |
| 3.1 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標選取依據(jù) |
| 3.1.1 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)發(fā)展特點 |
| 3.1.2 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效評價重點 |
| 3.2 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標體系的功能和特點 |
| 3.2.1 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標體系的功能 |
| 3.2.2 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效評價體系的特點 |
| 3.3 構(gòu)建產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標體系的原則 |
| 3.3.1 科學客觀性原則 |
| 3.3.2 整體系統(tǒng)性原則 |
| 3.3.3 可比性原則 |
| 3.3.4 可度量性原則 |
| 3.4 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標體系基本架構(gòu) |
| 3.5 產(chǎn)業(yè)互聯(lián)網(wǎng)下制造業(yè)企業(yè)創(chuàng)新績效指標選取 |
| 3.5.1 財務層面 |
| 3.5.2 顧客層面 |
| 3.5.3 內(nèi)部業(yè)務流程層面 |
| 3.5.4 學習與成長層面 |
| 3.5.5 外部柔性層面 |
| 3.6 本章小結(jié) |
| 第四章 產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效可拓優(yōu)度評價 |
| 4.1 可拓學理論 |
| 4.1.1 可拓學研究內(nèi)容與適用范圍 |
| 4.1.2 可拓學的特點及優(yōu)勢 |
| 4.2 物元理論及關聯(lián)函數(shù) |
| 4.2.1 物元及物元的可拓性 |
| 4.2.2 關聯(lián)函數(shù)及其相關概念 |
| 4.3 制造業(yè)企業(yè)創(chuàng)新績效可拓優(yōu)度評價模型的構(gòu)建 |
| 4.3.1 定義創(chuàng)新績效指標物元模型 |
| 4.3.2 設置績效等級 |
| 4.3.3 確定經(jīng)典域與節(jié)域 |
| 4.3.4 建立關聯(lián)函數(shù) |
| 4.3.5 計算綜合關聯(lián)度并確定績效等級 |
| 4.4 本章小結(jié) |
| 第五章 案例分析——以大型家電制造業(yè)企業(yè)A集團為例 |
| 5.1 家電制造業(yè)產(chǎn)業(yè)背景 |
| 5.2 A集團的愿景與戰(zhàn)略概述 |
| 5.3 A集團的創(chuàng)新績效評價體系 |
| 5.3.1 各指標取值 |
| 5.3.2 確定指標權(quán)重 |
| 5.3.3 確定指標經(jīng)典域與節(jié)域 |
| 5.3.4 計算綜合關聯(lián)度及判定績效等級 |
| 5.3.5 績效分析 |
| 5.4 A集團創(chuàng)新績效提升策略 |
| 5.5 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 主要結(jié)論 |
| 6.2 不足與展望 |
| 參考文獻 |
| 致謝 |
| 附錄 |
（3）面向復雜仿真的評估與優(yōu)化方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及研究意義 |
| 1.2 仿真評估與優(yōu)化相關概念 |
| 1.2.1 仿真可信度評估概念 |
| 1.2.2 效能仿真評估與優(yōu)化概念 |
| 1.3 國內(nèi)外研究現(xiàn)狀綜述與分析 |
| 1.3.1 仿真可信度評估研究現(xiàn)狀 |
| 1.3.2 裝備效能評估與優(yōu)化研究現(xiàn)狀 |
| 1.3.3 仿真評估工具研究現(xiàn)狀 |
| 1.3.4 目前所面臨的問題 |
| 1.4 論文的研究內(nèi)容與組織結(jié)構(gòu) |
| 第2章 復雜仿真模型可信度外推方法 |
| 2.1 引言 |
| 2.2 復雜仿真評估問題分析與數(shù)學描述 |
| 2.2.1 仿真復雜特性分析 |
| 2.2.2 復雜仿真評估與優(yōu)化問題數(shù)學描述 |
| 2.3 基于貝葉斯推理的復雜仿真模型可信度外推方法 |
| 2.3.1 問題描述與分析 |
| 2.3.2 基于貝葉斯網(wǎng)絡的外推結(jié)構(gòu)模型構(gòu)建 |
| 2.3.3 基于HPD置信域的驗證準則 |
| 2.4 可信度外推實例驗證 |
| 2.4.1 飛機引擎轉(zhuǎn)子疲勞度仿真模型可信度外推 |
| 2.4.2 飛行器制導仿真模型可信度外推 |
| 2.5 本章小結(jié) |
| 第3章 面向復雜輸出的仿真結(jié)果驗證方法 |
| 3.1 引言 |
| 3.2 基于Hilbert-Huang變換的仿真模型排序評估方法 |
| 3.2.1 問題描述與分析 |
| 3.2.2 基于經(jīng)驗模態(tài)分解的非平穩(wěn)數(shù)據(jù)預處理 |
| 3.2.3 基于Hilbert變換的平穩(wěn)項一致性分析 |
| 3.2.4 基于灰色關聯(lián)分析的排序評估 |
| 3.2.5 實例驗證 |
| 3.3 多元相關輸出仿真結(jié)果驗證方法 |
| 3.3.1 問題描述與分析 |
| 3.3.2 多元異類輸出相關變量提取 |
| 3.3.3 相關變量子集的一致性分析 |
| 3.3.4 實例驗證 |
| 3.4 本章小結(jié) |
| 第4章 體系效能仿真評估與優(yōu)化方法 |
| 4.1 引言 |
| 4.2 考慮多裝備協(xié)同的體系效能仿真評估方法 |
| 4.2.1 問題描述與分析 |
| 4.2.2 基于關聯(lián)規(guī)則挖掘的評估指標關聯(lián)分析 |
| 4.2.3 網(wǎng)絡化效能評估指標體系構(gòu)建 |
| 4.2.4 基于ANP的體系效能綜合評估 |
| 4.2.5 實例驗證 |
| 4.3 基于序貫元模型的體系效能仿真優(yōu)化方法 |
| 4.3.1 問題描述與分析 |
| 4.3.2 改進的多目標全局優(yōu)化算法 |
| 4.3.3 基于開發(fā)-探索序貫策略的元模型構(gòu)建 |
| 4.3.4 體系效能仿真優(yōu)化流程 |
| 4.3.5 算法性能分析與實例驗證 |
| 4.4 本章小結(jié) |
| 第5章 基于Hadoop的復雜仿真綜合評估系統(tǒng) |
| 5.1 引言 |
| 5.2 復雜仿真綜合評估系統(tǒng)設計 |
| 5.2.1 復雜仿真綜合評估系統(tǒng)總體設計 |
| 5.2.2 復雜仿真綜合評估子系統(tǒng)設計 |
| 5.3 復雜仿真綜合評估系統(tǒng)實現(xiàn)及應用 |
| 5.3.1 復雜仿真綜合評估系統(tǒng)實現(xiàn) |
| 5.3.2 復雜仿真綜合評估系統(tǒng)應用 |
| 5.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表的論文及其它成果 |
| 致謝 |
| 個人簡歷 |
（4）考慮參數(shù)不確定性的汽車碰撞安全優(yōu)化設計（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 汽車碰撞安全分析及確定性優(yōu)化 |
| 1.2.1 車身結(jié)構(gòu)耐撞性分析與優(yōu)化 |
| 1.2.2 考慮乘員損傷的約束系統(tǒng)分析與優(yōu)化 |
| 1.3 汽車碰撞安全不確定性優(yōu)化設計 |
| 1.3.1 基于概率不確定性的汽車碰撞安全優(yōu)化設計 |
| 1.3.2 基于非概率不確定性的汽車碰撞安全優(yōu)化設計 |
| 1.4 汽車碰撞安全不確定性優(yōu)化設計目前存在的問題 |
| 1.5 本文的研究目標和主要研究內(nèi)容 |
| 第2章 考慮參數(shù)有界不確定性的汽車碰撞安全優(yōu)化設計 |
| 2.1 引言 |
| 2.2 有界不確定性的區(qū)間度量模型 |
| 2.2.1 目標函數(shù)的不確定性處理 |
| 2.2.2 約束的不確定性處理 |
| 2.3 基于區(qū)間度量的穩(wěn)健性優(yōu)化設計模型及求解 |
| 2.3.1 考慮公差的區(qū)間穩(wěn)健性優(yōu)化模型 |
| 2.3.2 確定性轉(zhuǎn)換 |
| 2.3.3 優(yōu)化設計求解 |
| 2.4 車身耐撞性設計參數(shù)的區(qū)間穩(wěn)健性優(yōu)化 |
| 2.4.1 車身結(jié)構(gòu)參數(shù)尺寸公差設計 |
| 2.4.2 車身結(jié)構(gòu)參數(shù)形位公差設計 |
| 2.5 本章小結(jié) |
| 第3章 考慮參數(shù)多源不確定性的汽車碰撞安全優(yōu)化設計 |
| 3.1 引言 |
| 3.2 多源不確定性的平行六面體度量模型 |
| 3.3 基于平行六面體度量的穩(wěn)健性優(yōu)化設計模型及求解 |
| 3.3.1 考慮多源不確定性的穩(wěn)健性優(yōu)化模型 |
| 3.3.2 獨立性變換 |
| 3.3.3 確定性轉(zhuǎn)換 |
| 3.3.4 優(yōu)化設計求解 |
| 3.4 乘員約束系統(tǒng)穩(wěn)健性優(yōu)化設計 |
| 3.4.1 女性駕駛員約束系統(tǒng)設計 |
| 3.4.2 男性駕駛員約束系統(tǒng)設計 |
| 3.4.3 綜合考慮男性和女性駕駛員約束系統(tǒng)設計 |
| 3.5 本章小結(jié) |
| 第4章 考慮參數(shù)混合不確定性的汽車碰撞安全優(yōu)化設計 |
| 4.1 引言 |
| 4.2 混合不確定性的P-box度量模型 |
| 4.3 基于混合度量的可靠性優(yōu)化設計模型及求解 |
| 4.3.1 混合可靠性優(yōu)化模型 |
| 4.3.2 約束混合可靠性分析 |
| 4.3.3 優(yōu)化設計求解 |
| 4.4 車身耐撞性混合可靠性優(yōu)化設計 |
| 4.4.1 100%正面碰撞有限元模型分析 |
| 4.4.2 100%正面碰撞設計變量和不確定參數(shù)分析 |
| 4.4.3 100%正面碰撞目標函數(shù)和約束分析 |
| 4.4.4 100%正面碰撞HRBDO模型 |
| 4.4.5 100%正面碰撞優(yōu)化結(jié)果分析 |
| 4.5 乘員約束系統(tǒng)混合可靠性優(yōu)化設計 |
| 4.5.1 乘員約束系統(tǒng)模型分析 |
| 4.5.2 乘員約束系統(tǒng)設計變量和不確定參數(shù)分析 |
| 4.5.3 乘員各損傷值靈敏度分析 |
| 4.5.4 乘員約束系統(tǒng)HRBDO模型 |
| 4.5.5 乘員約束系統(tǒng)優(yōu)化結(jié)果分析 |
| 4.6 本章小結(jié) |
| 第5章 考慮參數(shù)復雜相關性的汽車碰撞安全優(yōu)化設計 |
| 5.1 引言 |
| 5.2 參數(shù)復雜相關性的Copula度量函數(shù) |
| 5.3 基于Copula函數(shù)的可靠性優(yōu)化設計模型及求解 |
| 5.3.1 RBDO模型 |
| 5.3.2 約束的可靠性分析 |
| 5.3.3 最優(yōu)Copula函數(shù)選擇 |
| 5.3.4 優(yōu)化設計求解 |
| 5.4 汽車100%正面碰撞可靠性優(yōu)化設計 |
| 5.4.1 100%正面碰撞有限元模型分析 |
| 5.4.2 100%正面碰撞設計變量和不確定參數(shù)分析 |
| 5.4.3 100%正面碰撞目標函數(shù)和約束分析 |
| 5.4.4 100%正面碰撞RBDO模型 |
| 5.4.5 100%正面碰撞優(yōu)化結(jié)果分析 |
| 5.5 汽車40%偏置碰撞可靠性優(yōu)化設計 |
| 5.5.1 40%偏置碰撞有限元模型分析 |
| 5.5.2 40%偏置碰撞設計變量和不確定參數(shù)分析 |
| 5.5.3 40%偏置碰撞目標函數(shù)和約束分析 |
| 5.5.4 40%偏置碰撞RBDO模型 |
| 5.5.5 40%偏置碰撞優(yōu)化結(jié)果分析 |
| 5.6 本章小結(jié) |
| 結(jié)論與展望 |
| 參考文獻 |
| 附錄 A 攻讀學位期間所發(fā)表的學術論文目錄 |
| 附錄 B 攻讀學位期間所主持或參加的科研項目 |
| 致謝 |
（5）空域扇區(qū)擁擠等級識別與預測研究（論文提綱范文）
| 摘要 |
| abstract |
| 注釋表 |
| 縮略詞 |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 空域扇區(qū)擁擠程度的識別 |
| 1.2.2 空域扇區(qū)擁擠程度的預測 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的內(nèi)容安排 |
| 第二章 扇區(qū)擁擠行為定義及指標構(gòu)建 |
| 2.1 扇區(qū)擁擠行為定義 |
| 2.2 基于復雜網(wǎng)絡理論的扇區(qū)航空網(wǎng)絡構(gòu)建 |
| 2.2.1 復雜網(wǎng)絡的定義 |
| 2.2.2 復雜網(wǎng)絡的拓撲模型 |
| 2.2.3 扇區(qū)航空網(wǎng)絡構(gòu)建 |
| 2.3 擁擠度量指標構(gòu)建 |
| 2.3.1 航空網(wǎng)絡拓撲結(jié)構(gòu)分析 |
| 2.3.2 拓撲屬性擁擠度量指標構(gòu)建 |
| 2.4 實驗驗證 |
| 2.4.1 數(shù)據(jù)預處理 |
| 2.4.2 實驗結(jié)果 |
| 2.5 小結(jié) |
| 第三章 空中交通扇區(qū)擁擠狀態(tài)識別 |
| 3.1 引言 |
| 3.2 問題闡述 |
| 3.3 基于深度主動學習的扇區(qū)擁擠識別方法 |
| 3.3.1 堆棧式稀疏自編碼神經(jīng)網(wǎng)絡 |
| 3.3.2 樣本標記策略 |
| 3.3.3 扇區(qū)擁擠識別具體實現(xiàn)步驟 |
| 3.4 案例分析 |
| 3.4.1 案例研究數(shù)據(jù) |
| 3.4.2 模型評價度量 |
| 3.4.3 模型參數(shù)設置 |
| 3.4.4 模型性能分析 |
| 3.5 小結(jié) |
| 第四章 空中交通扇區(qū)擁擠狀態(tài)預測 |
| 4.1 引言 |
| 4.2 問題闡述 |
| 4.3 基于隨機森林的扇區(qū)擁擠預測方法 |
| 4.3.1 隨機森林算法原理 |
| 4.3.2 基于隨機森林的扇區(qū)擁擠預測 |
| 4.3.3 扇區(qū)擁擠預測具體實現(xiàn)步驟 |
| 4.4 案例分析 |
| 4.4.1 案例研究數(shù)據(jù) |
| 4.4.2 模型參數(shù)設置 |
| 4.4.3 模型性能分析 |
| 4.5 小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻 |
| 致謝 |
| 在學期間的研究成果及發(fā)表的學術論文 |
（6）基于概率性預測的航天器遙測數(shù)據(jù)異常檢測方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 課題背景及研究的目的和意義 |
| 1.2 航天器遙測數(shù)據(jù)異常檢測研究現(xiàn)狀 |
| 1.2.1 航天器遙測數(shù)據(jù)簡介 |
| 1.2.2 航天器遙測數(shù)據(jù)異常內(nèi)涵 |
| 1.2.3 航天器遙測數(shù)據(jù)異常檢測方法 |
| 1.3 數(shù)據(jù)驅(qū)動的異常檢測方法研究現(xiàn)狀 |
| 1.3.1 基于相似性度量的異常檢測方法 |
| 1.3.2 基于支持度的異常檢測方法 |
| 1.3.3 基于模型偏差的異常檢測方法 |
| 1.3.4 數(shù)據(jù)驅(qū)動的異常檢測方法對比和總結(jié) |
| 1.4 研究現(xiàn)狀總結(jié) |
| 1.5 論文的主要研究內(nèi)容 |
| 第2章 非監(jiān)督ROC曲線尋優(yōu)的預測置信度選擇 |
| 2.1 引言 |
| 2.2 預測置信度的影響分析 |
| 2.2.1 概率性預測的異常檢測方法 |
| 2.2.2 預測置信度選擇對異常檢測性能的影響分析 |
| 2.3 非監(jiān)督ROC曲線尋優(yōu)的預測置信度選擇方法 |
| 2.3.1 方法的提出 |
| 2.3.2 非監(jiān)督ROC曲線尋優(yōu) |
| 2.3.3 改進的預測置信度選擇方法 |
| 2.4 實驗驗證與評估 |
| 2.4.1 實驗設置 |
| 2.4.2 面向仿真及公開數(shù)據(jù)集的實驗驗證與評估 |
| 2.4.3 面向?qū)崪y遙測數(shù)據(jù)的實驗驗證與評估 |
| 2.4.4 預測置信度選擇的算法參數(shù)影響分析 |
| 2.4.5 實驗結(jié)果分析與討論 |
| 2.5 本章小結(jié) |
| 第3章 多時間尺度離散特征融合的單參數(shù)異常檢測 |
| 3.1 引言 |
| 3.2 基于多步預測特征融合的單參數(shù)異常檢測方法分析 |
| 3.3 多時間尺度離散特征融合的單參數(shù)異常檢測方法 |
| 3.3.1 方法的提出 |
| 3.3.2 多時間尺度離散特征融合建模 |
| 3.3.3 改進的單參數(shù)異常檢測方法 |
| 3.4 實驗驗證與評估 |
| 3.4.1 實驗設置 |
| 3.4.2 面向仿真及公開數(shù)據(jù)集的實驗驗證與評估 |
| 3.4.3 面向?qū)崪y遙測數(shù)據(jù)的實驗驗證與評估 |
| 3.4.4 單參數(shù)異常檢測的算法參數(shù)影響分析 |
| 3.4.5 實驗結(jié)果分析與討論 |
| 3.5 本章小結(jié) |
| 第4章 時-空離散特征融合的多參數(shù)異常檢測 |
| 4.1 引言 |
| 4.2 多參數(shù)異常檢測方法分析 |
| 4.3 時-空離散特征融合的多參數(shù)異常檢測方法 |
| 4.3.1 方法的提出 |
| 4.3.2 時空離散特征融合建模 |
| 4.3.3 改進的多參數(shù)異常檢測方法 |
| 4.4 實驗驗證與評估 |
| 4.4.1 實驗設置 |
| 4.4.2 面向仿真遙測數(shù)據(jù)的實驗驗證與評估 |
| 4.4.3 面向?qū)崪y遙測數(shù)據(jù)的實驗驗證與評估 |
| 4.4.4 多參數(shù)異常檢測的算法參數(shù)影響分析 |
| 4.4.5 實驗結(jié)果分析與討論 |
| 4.5 單參數(shù)以及多參數(shù)異常檢測方法的適應性分析 |
| 4.6 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表的論文及其他成果 |
| 致謝 |
| 個人簡歷 |
（7）復雜仿真模型驗證方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及研究意義 |
| 1.2 仿真模型驗證相關概念 |
| 1.2.1 模型驗證與仿真可信度 |
| 1.2.2 仿真模型驗證實驗設計 |
| 1.2.3 仿真模型驗證的兩類錯誤 |
| 1.3 國內(nèi)外研究現(xiàn)狀綜述及分析 |
| 1.3.1 模型驗證方法研究現(xiàn)狀 |
| 1.3.2 實驗設計方法研究現(xiàn)狀 |
| 1.3.3 模型驗證軟件研究現(xiàn)狀 |
| 1.3.4 目前面臨的問題 |
| 1.4 論文的研究內(nèi)容與組織結(jié)構(gòu) |
| 第2章 復雜仿真模型的多變量驗證方法 |
| 2.1 引言 |
| 2.2 仿真模型驗證問題描述 |
| 2.3 復雜仿真模型的驗證過程與指標體系 |
| 2.3.1 復雜仿真模型驗證過程 |
| 2.3.2 復雜仿真模型驗證指標體系 |
| 2.4 基于核主成分分析的多變量驗證方法 |
| 2.4.1 問題描述與分析 |
| 2.4.2 核主成分分析 |
| 2.4.3 核主成分的近似計算方法 |
| 2.4.4 核主成分的相似性度量方法 |
| 2.5 應用實例 |
| 2.5.1 電磁軌道炮仿真模型及其驗證指標體系 |
| 2.5.2 多變量驗證實例 |
| 2.6 本章小結(jié) |
| 第3章 基于機器學習的復雜仿真模型驗證方法 |
| 3.1 引言 |
| 3.2 問題描述與分析 |
| 3.3 基于機器學習的智能化驗證方法 |
| 3.3.1 方法框架 |
| 3.3.2 機器學習模型的訓練過程 |
| 3.3.3 影響機器學習模型性能的因素 |
| 3.3.4 基于PES的特征選擇方法 |
| 3.4 異構(gòu)集成學習方法 |
| 3.4.1 改進的Boosting方法 |
| 3.4.2 分類系統(tǒng)的更新算法 |
| 3.5 應用實例 |
| 3.5.1 特征提取與選擇 |
| 3.5.2 單一分類器性能對比 |
| 3.5.3 集成學習方法性能對比 |
| 3.5.4 改進的集成分類系統(tǒng)性能分析及更新 |
| 3.6 本章小結(jié) |
| 第4章 復雜仿真模型驗證的實驗設計方法 |
| 4.1 引言 |
| 4.2 問題描述與分析 |
| 4.3 多準則拉丁超立方實驗設計方法 |
| 4.4 基于開發(fā)-探索策略的自適應序貫實驗設計方法 |
| 4.4.1 全局探索與局部開發(fā)的度量準則 |
| 4.4.2 權(quán)重自適應更新策略 |
| 4.4.3 序貫實驗設計的終止策略 |
| 4.4.4 仿真結(jié)果可信度預測模型構(gòu)建過程 |
| 4.5 開發(fā)-探索策略的有效性證明 |
| 4.5.1 高斯過程模型 |
| 4.5.2 有效性證明 |
| 4.6 實例驗證 |
| 4.6.1 數(shù)值實例 |
| 4.6.2 應用實例 |
| 4.7 本章小結(jié) |
| 第5章 面向服務的復雜仿真模型驗證平臺 |
| 5.1 引言 |
| 5.2 面向服務的復雜仿真模型驗證平臺設計 |
| 5.2.1 面向服務的復雜仿真模型驗證平臺總體設計 |
| 5.2.2 面向服務的復雜仿真模型驗證平臺的子系統(tǒng)設計 |
| 5.3 考慮數(shù)據(jù)特征與用戶偏好的服務推薦方法 |
| 5.3.1 問題描述與分析 |
| 5.3.2 個性化服務推薦K近鄰方法 |
| 5.4 面向服務的復雜仿真模型驗證平臺實現(xiàn)及應用 |
| 5.4.1 面向服務的復雜仿真模型驗證平臺實現(xiàn) |
| 5.4.2 面向服務的復雜仿真模型驗證平臺應用 |
| 5.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表的論文及其它成果 |
| 致謝 |
| 個人簡歷 |
（8）基于多視點元模型的需求追蹤性方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 論文的主要研究內(nèi)容及創(chuàng)新點 |
| 1.3.1 論文的主要研究內(nèi)容 |
| 1.3.2 論文的主要創(chuàng)新點 |
| 1.4 本文的組織結(jié)構(gòu) |
| 第二章 基于多視點元模型建模方法的研究與分析 |
| 2.1 面向多視點需求建模方法的分析 |
| 2.1.1 傳統(tǒng)基于UML的 OO建模方法 |
| 2.1.2 RUP提出的“4+1”視圖建模方法 |
| 2.1.3 傳統(tǒng)面向多視點需求建模方法的不足 |
| 2.2 基于多視點元模型建模過程的構(gòu)建 |
| 2.2.1 構(gòu)建基于多視點元模型的建模過程 |
| 2.2.2 建模技術的分析 |
| 2.3 多視點下元模型的構(gòu)建 |
| 2.3.1 I~*目標元模型的建模與分析 |
| 2.3.2 基于目標的場景元模型的建模與分析 |
| 2.3.2.1 傳統(tǒng)場景元模型的建模與分析 |
| 2.3.2.2 傳統(tǒng)場景元模型的缺陷 |
| 2.3.2.3 構(gòu)建基于目標的場景元模型 |
| 2.3.3 軟件體系結(jié)構(gòu)元模型的建模與分析 |
| 2.4 小結(jié) |
| 第三章 多視點元模型間可追蹤性研究 |
| 3.1 需求可追蹤性分析 |
| 3.1.1 需求追蹤的定義 |
| 3.1.2 需求追蹤的形式 |
| 3.1.3 需求追蹤的必要性 |
| 3.2 基于多視點的追蹤元模型 |
| 3.2.1 構(gòu)建基于多視點的追蹤元模型 |
| 3.2.2 追蹤元模型中追蹤關系的分析 |
| 3.2.2.1 目標層與場景層間的追蹤 |
| 3.2.2.2 場景層與軟件體系結(jié)構(gòu)層間的追蹤 |
| 3.3 追蹤元模型的可追蹤性研究與實現(xiàn) |
| 3.3.1 構(gòu)建需求追蹤的整體框架 |
| 3.3.2 構(gòu)建需求傳播途徑 |
| 3.3.3 構(gòu)建需求追蹤關系 |
| 3.3.4 構(gòu)建需求追蹤矩陣 |
| 3.3.5 可追蹤性的驗證 |
| 3.4 小結(jié) |
| 第四章 需求的一致性研究與實現(xiàn) |
| 4.1 需求一致性概述 |
| 4.2 需求沖突處理 |
| 4.2.1 需求關聯(lián)性與需求一致化程度 |
| 4.2.2 基于需求追蹤矩陣的需求沖突處理過程 |
| 4.3 需求關聯(lián)程度度量 |
| 4.3.1 場景-目標矩陣的建立及定義 |
| 4.3.2 基于場景-目標矩陣的關聯(lián)性度量 |
| 4.4 小結(jié) |
| 第五章 實例分析 |
| 5.1 建立基于ATM系統(tǒng)的追蹤元模型 |
| 5.2 基于ATM系統(tǒng)追蹤元模型間追蹤的實現(xiàn) |
| 5.2.1 構(gòu)建需求傳播途徑 |
| 5.2.2 構(gòu)建需求追蹤關系 |
| 5.2.3 構(gòu)建需求追蹤矩陣 |
| 5.3 可追蹤性的驗證 |
| 5.4 沖突需求的處理 |
| 5.5 小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
| 攻讀學位期間的研究成果 |
| 致謝 |
（9）高效能仿真云平臺關鍵技術研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號使用說明 |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.1.1 高效能建模仿真平臺建設需求 |
| 1.1.2 云仿真及其發(fā)展趨勢 |
| 1.1.3 面向效能需求的不足與局限 |
| 1.1.4 本文研究的問題與意義 |
| 1.2 相關研究現(xiàn)狀與分析 |
| 1.2.1 云仿真架構(gòu)及其應用研究 |
| 1.2.2 仿真云效能優(yōu)化方法研究 |
| 1.3 研究內(nèi)容與論文結(jié)構(gòu) |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 論文結(jié)構(gòu) |
| 第二章 高效能用戶中心式仿真云平臺架構(gòu)設計 |
| 2.1 仿真云效能度量框架 |
| 2.1.1 仿真云平臺效能的定義與內(nèi)涵 |
| 2.1.2 仿真云平臺效能量化模型 |
| 2.2 用戶中心式的云仿真服務架構(gòu) |
| 2.2.1 動態(tài)COI領域仿真環(huán)境 |
| 2.2.2 動態(tài)仿真運行環(huán)境 |
| 2.2.3 用戶中心式云仿真應用模式 |
| 2.3 用戶中心式仿真云平臺架構(gòu) |
| 2.4 本章小結(jié) |
| 第三章 基于Clou Fo DSim的云端高效能仿真應用構(gòu)建方法 |
| 3.1 方法的提出 |
| 3.1.1 需求與動機 |
| 3.1.2 Clou Fo DSim:基于云的面向特征領域仿真建?？蚣?/td> |
| 3.2 面向特征的組合集成方法 |
| 3.2.1 基于DEVS的建模仿真框架 |
| 3.2.2 面向DEVS的元特征模型 |
| 3.2.3 基于Fx DEVS的特征組合集成框架 |
| 3.3 基于領域資產(chǎn)追蹤的領域建模與仿真服務 |
| 3.3.1 面向Clou Fo DSim的領域資產(chǎn)追蹤元模型 |
| 3.3.2 領域建模與仿真服務過程 |
| 3.4 案例實驗 |
| 3.4.1 領域分析 |
| 3.4.2 領域設計與實現(xiàn) |
| 3.4.3 基于特征組合的應用定制 |
| 3.5 本章小結(jié) |
| 第四章 面向帶寬保障的并行仿真作業(yè)調(diào)度優(yōu)化方法 |
| 4.1 面向帶寬保障的高效能并行仿真作業(yè)管理和調(diào)度 |
| 4.1.1 仿真云中的并行仿真作業(yè)調(diào)度問題 |
| 4.1.2 基于虛擬集群的帶寬保障方法 |
| 4.1.3 面向帶寬保障的作業(yè)管理和調(diào)度框架 |
| 4.2 算法設計 |
| 4.2.1 自適應帶寬感知的TVC部署算法 |
| 4.2.2 帶寬保障的遷移回填調(diào)度算法 |
| 4.3 性能評估 |
| 4.3.1 仿真實驗設置 |
| 4.3.2 輸入負載 |
| 4.3.3 結(jié)果和討論 |
| 4.4 本章小結(jié) |
| 第五章 通信感知的自適應仿真運行優(yōu)化方法 |
| 5.1 通信感知的自適應仿真運行優(yōu)化框架 |
| 5.1.1 云端仿真運行優(yōu)化問題 |
| 5.1.2 自適應仿真運行優(yōu)化框架 |
| 5.2 基于統(tǒng)計遷移圖分割的大規(guī)模人工社會仿真運行優(yōu)化方法 |
| 5.2.1 問題 |
| 5.2.2 方法 |
| 5.2.3 結(jié)果與討論 |
| 5.3 通信感知的自適應虛擬機遷移優(yōu)化方法 |
| 5.3.1 問題建模 |
| 5.3.2 算法設計 |
| 5.3.3 性能評估 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文工作總結(jié) |
| 6.2 未來工作展望 |
| 致謝 |
| 參考文獻 |
| 作者在學期間取得的學術成果 |
| 附錄 A 基于網(wǎng)格分割算法和空間距離生成算法 |
| 附錄 B 環(huán)境實體在GIS上地理分布及在不同算法下的分割結(jié)果 |
（10）基于證據(jù)理論的結(jié)構(gòu)不確定性傳播與反求方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 不確定傳播理論及研究現(xiàn)狀 |
| 1.2.1 隨機不確定性傳播理論及研究現(xiàn)狀 |
| 1.2.2 認知不確定性傳播理論及研究現(xiàn)狀 |
| 1.2.3 證據(jù)理論傳播理論及研究現(xiàn)狀 |
| 1.3 不確定反問題理論及研究現(xiàn)狀 |
| 1.4 基于證據(jù)理論的不確定性傳播及反求主要問題 |
| 1.5 本文的研究目標和主要研究內(nèi)容 |
| 第2章 基于不確定域分析的證據(jù)理論不確定性傳播方法 |
| 2.1 引言 |
| 2.2 證據(jù)理論的基本概念 |
| 2.2.1 識別框架 |
| 2.2.2 基本可信度分配 |
| 2.2.3 可信度和似真度函數(shù) |
| 2.3 傳統(tǒng)證據(jù)理論不確定傳播 |
| 2.3.1 構(gòu)建聯(lián)合BPA |
| 2.3.2 Bel和 Pl的計算 |
| 2.4 基于不確定域分析的證據(jù)傳播方法 |
| 2.4.1 子不確定域劃分 |
| 2.4.2 極限狀態(tài)方程的多段近似 |
| 2.4.3 Bel和 Pl的計算 |
| 2.4.4 基于體積比的不確定度量 |
| 2.4.5 計算流程 |
| 2.5 算例分析 |
| 2.5.1 數(shù)值算例 |
| 2.5.2 管狀懸臂梁 |
| 2.5.3 車架結(jié)構(gòu)的不確定傳播分析 |
| 2.6 本章小結(jié) |
| 第3章 基于降維分解的證據(jù)理論不確定傳播方法 |
| 3.1 引言 |
| 3.2 證據(jù)矩 |
| 3.3 基于降維配點和邊緣區(qū)間分析的證據(jù)不確定傳播方法 |
| 3.3.1 降維配點 |
| 3.3.2 邊緣區(qū)間分析 |
| 3.3.3 計算流程 |
| 3.4 算例分析 |
| 3.4.1 數(shù)值算例1 |
| 3.4.2 數(shù)值算例2 |
| 3.4.3 數(shù)值算例3 |
| 3.4.4 增強現(xiàn)實眼鏡 |
| 3.5 本章小結(jié) |
| 第4章 考慮相關性的超平行體證據(jù)理論模型 |
| 4.1 引言 |
| 4.2 超平行體證據(jù)理論模型 |
| 4.2.1 超平行體FD的構(gòu)建 |
| 4.2.2 超平行體聯(lián)合焦元的構(gòu)建 |
| 4.3 基于超平行體證據(jù)理論模型的結(jié)構(gòu)不確定性傳播 |
| 4.4 數(shù)值算例 |
| 4.4.1 數(shù)值算例 |
| 4.4.2 平面25 桿桁架 |
| 4.4.3 車輛耐撞性中的不確定傳播 |
| 4.5 本章小結(jié) |
| 第5章 基于相似系統(tǒng)分析的模型不確定反求方法 |
| 5.1 引言 |
| 5.2 問題描述 |
| 5.3 基于采樣的證據(jù)不確定反求 |
| 5.3.1 聯(lián)合焦元極值分析 |
| 5.3.3 反求參數(shù)Bel和 Pl的計算 |
| 5.4 基于相似系統(tǒng)原理的證據(jù)不確定性反求方法 |
| 5.4.1 不確定反問題向確定性反問題的轉(zhuǎn)化 |
| 5.4.2 基于相似系統(tǒng)原理的確定性反求 |
| 5.4.3 基本計算流程 |
| 5.5 算例分析 |
| 5.5.1 數(shù)值算例 |
| 5.5.2 十桿桁架結(jié)構(gòu) |
| 5.5.3 車輛碰撞事故重構(gòu) |
| 5.6 本章小結(jié) |
| 第6章 基于證據(jù)理論的響應不確定反求方法 |
| 6.1 引言 |
| 6.2 響應不確定反問題數(shù)學描述 |
| 6.3 待識別參數(shù)的不確定建模 |
| 6.4 基于證據(jù)理論響應不確定反求方法 |
| 6.4.1 識別框架的反求 |
| 6.4.2 證據(jù)結(jié)構(gòu)的反求 |
| 6.4.3 基本求解流程 |
| 6.5 算例分析 |
| 6.5.1 數(shù)值算例 |
| 6.5.2 車輛乘員約束系統(tǒng)的參數(shù)識別 |
| 6.6 本章小結(jié) |
| 結(jié)論與展望 |
| 參考文獻 |
| 致謝 |
| 附錄A 攻讀學位期間所發(fā)表的學術論文 |
| 附錄B 攻讀學位期間所參加的科研項目 |
四、元模型可度量性及度量方法研究（論文參考文獻）
- [1]基于深度模型的零樣本遷移學習[D]. 宋杰. 浙江大學, 2020(08)
- [2]產(chǎn)業(yè)互聯(lián)網(wǎng)背景下制造業(yè)企業(yè)創(chuàng)新績效評價研究[D]. 張云濤. 南京航空航天大學, 2020(07)
- [3]面向復雜仿真的評估與優(yōu)化方法研究[D]. 林圣琳. 哈爾濱工業(yè)大學, 2020(01)
- [4]考慮參數(shù)不確定性的汽車碰撞安全優(yōu)化設計[D]. 王瓊. 湖南大學, 2020
- [5]空域扇區(qū)擁擠等級識別與預測研究[D]. 孫煜時. 南京航空航天大學, 2020(07)
- [6]基于概率性預測的航天器遙測數(shù)據(jù)異常檢測方法研究[D]. 龐景月. 哈爾濱工業(yè)大學, 2019(01)
- [7]復雜仿真模型驗證方法研究[D]. 周玉臣. 哈爾濱工業(yè)大學, 2019
- [8]基于多視點元模型的需求追蹤性方法研究[D]. 李瀟. 青島大學, 2019(02)
- [9]高效能仿真云平臺關鍵技術研究[D]. 李禎. 國防科技大學, 2019(01)
- [10]基于證據(jù)理論的結(jié)構(gòu)不確定性傳播與反求方法研究[D]. 曹立雄. 湖南大學, 2019(07)
標簽：大數(shù)據(jù)論文; 預測模型論文; 系統(tǒng)仿真論文; 不確定性分析論文; 學習遷移論文;