一、基于神经网络的研发项目选择方法（论文文献综述）
王琳[1]（2021）在《成长期产业技术创新联盟知识融合影响因素及风险防控研究》文中认为在资源有限、创新技术和能力不足的情况下,加入产业技术创新联盟是企业实现创新获得收益的最佳方式。在成长期,联盟企业的合作创新逐渐起步,它的顺利开展为联盟持续发展和取得成功奠定了基础。知识融合过程能够收集分散在联盟中的知识,将其转换为统一的表达方式,再与企业内部知识结合,创造出新知识,可见,知识融合是联盟创新的重要途径。成长期产业技术创新联盟知识融合对联盟的健康发展,联盟企业提高技术创新能力,提升核心竞争力具有极其重要的作用,因此研究成长期产业技术创新联盟知识融合的影响因素及风险防控具有极其重要的意义。本文试图揭示哪些因素对成长期产业技术创新联盟知识融合产生重要影响,哪些风险会导致知识融合失败,所以本文围绕以下问题展开研究:成长期产业技术创新联盟知识融合的影响因素有哪些?各因素对成长期产业技术创新联盟知识融合的影响作用关系如何?各影响因素对成长期产业技术创新联盟企业选择参与知识融合决策行为的影响是怎样的?成长期产业技术创新联盟知识融合会遇到哪些风险?战胜风险的措施有哪些?因此,本文以成长期产业技术创新联盟为切入点,综合运用支持向量机（SVM）、扎根理论、实证研究、博弈分析和粒子群改进BP神经网络等研究方法,结合生命周期理论、社会网络理论、资源拼凑理论和组织学习等理论,系统研究了知识融合影响因素以及风险的防控,以揭示各影响因素对知识融合的作用,探讨各因素对成长期产业技术创新联盟中的企业选择参与知识融合决策行为的影响,提出成长期产业技术创新联盟知识融合风险因素以及应对策略。本文主要开展了以下几方面工作:（1）基于扎根理论方法,揭示成长期产业技术创新联盟知识融合的影响因素。首先,筛选出成长期产业技术创新联盟中的企业。构建了基于支持向量机（SVM）的联盟生命周期阶段划分模型,通过与BP神经网络模型的对比,验证了支持向量机（SVM）的联盟生命周期阶段划分模型的准确性。利用基于支持向量机的联盟生命周期划分模型与联盟发展阶段测量量表划分联盟生命周期,筛选出成长期产业技术创新联盟中的企业。共选出成长期产业技术创新联盟中的企业296家。其次,基于扎根理论对成长期产业技术创新联盟知识融合影响因素进行挖掘。通过访谈等方式获取基础材料,对材料进行整理和编码,最终提取出50个初始概念、30个初始范畴、9个主范畴和5个核心范畴,其中包括联盟网络、资源拼凑、组织学习、联盟内部合法性和程序公平。（2）基于对影响因素的探索性研究,构建了这些影响因素对成长期产业技术创新联盟知识融合的作用关系模型,并实证检验了模型的正确性以及各因素的不同维度的作用,填补了知识融合影响因素作用关系研究的空白,丰富了相关研究。本文首先对联盟网络、资源拼凑、组织学习、程序公平和联盟内部合法性等因素进行定义和内涵维度划分,然后构建成长期产业技术创新联盟知识融合的影响因素作用关系模型,再通过问卷调查法收集数据,使用SPSS22.0软件分析和验证模型。研究结果证明:资源配置网络对知识融合的影响效应最大;技术创新网络、资源配置网络和社会关系网络对知识拼凑、关系拼凑、探索性学习、利用性学习具有正向影响。其中,社会关系网络对知识拼凑的影响作用最大,资源配置网络对关系拼凑、探索性学习和利用性学习影响效应最大;知识拼凑、关系拼凑、探索性学习、利用性学习在技术创新网络、资源配置网络和社会关系网络对知识融合的影响中发挥中介作用。其中,关系拼凑在社会关系网络与知识融合的关系中发挥完全中介作用,知识拼凑、探索性学习和利用性学习在资源配置网络与知识融合的关系中发挥完全中介作用;知识拼凑、关系拼凑、探索性学习、利用性学习对知识融合具有正向影响。其中,关系拼凑对知识融合的影响作用优于知识拼凑,利用性学习对知识融合产生作用大于探索性学习;联盟内部合法性和程序公平在技术创新网络、资源配置网络和社会关系网络对知识拼凑、关系拼凑之间关系中发挥正向调节作用;联盟内部合法性和程序公平在技术创新网络、资源配置网络和社会关系网络对探索性学习、利用性学习之间关系中发挥正向调节作用。（3）分别采用静态博弈和动态博弈分析方法,分析联盟网络、组织学习、资源拼凑、程序公平和联盟内部合法性等因素对成长期产业技术创新联盟企业选择参与知识融合决策行为的影响。构建的博弈模型充分考虑联盟网络（资源配置网络、技术创新网络和社会关系网络）、组织学习（利用性学习、探索性学习）、资源拼凑（知识拼凑、关系拼凑）、程序公平和联盟内部合法性等因素,并将这些因素纳入到博弈模型中;以完全理性为前提构建静态博弈模型,分析在一方企业决策既定的情况下另一方企业的选择策略;以有限理性为前提构建动态演化博弈模型,分析均衡点和演化稳定策略,再对动态博弈模型进行仿真,详细分析了联盟网络（资源配置网络、技术创新网络和社会关系网络）、组织学习（利用性学习、探索性学习）、资源拼凑（知识拼凑、关系拼凑）、程序公平和联盟内部合法性等因素对企业参与知识融合决策行为的影响。（4）以扎根理论研究结果为基础,识别了成长期产业技术创新联盟知识融合风险因素,构建了风险评价指标体系,分别是主体风险、关系风险和联盟内部环境风险。其中,主体风险包括学习能力风险、资源拼凑能力风险、知识重构能力风险、知识搜索能力风险;关系风险包括资源交换关系风险、技术合作研发关系风险和人际交互关系风险;联盟内部环境风险包括公平性风险、联盟内部合法性风险。其次,构建了基于粒子群（PSO）改进BP神经网络的风险评价模型。通过与BP神经网络模型的评价结果进行对比,验证粒子群（PSO）改进BP神经网络的风险评价模型的准确性和可行性;再次,建立成长期产业技术创新联盟知识融合风险控制体系,实现对知识融合风险的监控。风险控制体系包括风险监测、风险评估、风险预警和风险控制等过程;最后,提出了有效、可执行的风险防范措施。
刘步实[2]（2021）在《复杂交通场景下轻量化视觉感知方法研究》文中指出复杂交通场景的构成要素丰富、目标多元,智能车辆的环境感知技术不仅可以帮助其精确感知和理解周围态势,及时掌握自身行驶状态并与外界环境信息实现交互,还能够有助于促进安全性能的提升。随着以图像、视频为媒介的多媒体技术蓬勃发展,视觉传感设备提供的场景信息更加充裕可靠且成本较低,因此基于视觉的环境感知已成为了智能车辆完成路径规划、决策控制等功能不可或缺的途径之一。其中,轻量化感知方法是在保持精度基础上进一步降低模型复杂度和参数量,旨在减轻计算机存储以及运算量负担,既涵盖了对模型架构压缩等思想的灵活运用,也包含了相应计算效率的探索。这类方法推动了机器视觉、控制科学等技术在移动和嵌入式设备的应用落地,并在智能驾驶、智慧交通等诸多领域都得以广泛应用。本文重点研究如何利用图像处理方法实现更精准的环境感知,运用和设计新颖的轻量化感知结构模型,帮助自动驾驶技术可以在更加便携、易操作的处理平台上实现对高分辨率道路图像的感知与理解,提升智能车辆对于复杂交通场景的判断和辅助控制能力。环境感知的关键挑战来自于系统对高层视觉内容的灵敏解读和判断,从而辅助智能车辆迅速感知交通场景中的空间布局、目标特征等动态信息,为之提供值得信赖且足够精确的执行操作与探测响应的依据。不过,实际交通场景中的道路前景和背景会时刻发生变化,多种复杂目标特征各异且相互关联,即使是同类物体不同实体之间也可能会因为拍摄角度、距离等造成尺度变化或遮挡的情况发生。诸多客观因素都为基于视觉的环境感知方法带来了严苛的考验,使其实现全局的准确理解和信息交互仍有待巩固和提升。因此,本文围绕复杂交通场景视觉感知任务的关键技术进行深入研究与创新,利用基于机器视觉的思想感知不同层级的视觉特征,构建了多种改善环境感知性能的轻量化模型和方法,同时提高其精度及效率。首先,利用轻量化的机器学习分割方法获取图像浅层特征,完成了道路环境感知中的可行驶区域识别与提取。接着,为了更全面地理解道路语义内容,结合轻量化的级联卷积神经网络获取更深层次的图像特征,实现作为环境感知问题中核心解决方案的场景语义分割。在此基础上,为了能够进一步实现对场景中可能存在的车辆障碍物及时地感知和规避,构建了轻量化的车辆目标检测模型。研究成果对于智能车辆的环境感知能力和发展具有实际意义和参考价值。本文的具体研究内容与贡献概述如下:（1）道路场景因其结构的多样性、纹理变化的复杂性和自然曝光的不稳定性,使得基于道路分割的可行驶区域识别方法大多存在信息冗余,并且存在边界丢失、模糊等质量问题。本文提出了一种基于MS-RG混合图像分割模型,该模型在无监督学习方法下提供了更多的位置像素信息,且不依赖于数据量的大小,应用在道路图像分割上完成对目标可行驶区域的提取。引入图像变换增强理论进行预处理,利用超像素算法进行更直接高效地分割,优化多种子点区域生长分割方法,解决不能完整分割问题,有效处理全局与局部像素特征,更好地控制噪音和灰度不平均,使得图像各区域之间的边界信息分割也更加分明,改善了分割方法的鲁棒性和实时性。在道路图像数据集的实验结果表明,本文提出的模型适用性强,相比于其它方法有效地提升了分割准确性和实时性,可准确识别出图像中的道路信息,可以满足实际应用需求。（2）由于深度学习对街道环境的准确认知,卷积神经网络在交通道路场景的应用中取得了巨大的发展。然而,复杂的网络深度、大型数据集、实时需求等都是实现智能驾驶技术迫切需要解决的典型问题。本文提出了一种改进的轻量级实时语义分割网络,利用图像级联网络体系结构,同时考虑道路语义建模及深入到语义层次的道路环境深度理解,使用多尺度分支和级联特征融合单元来提取丰富的多层特征。在本文中,空间信息网络被设计为传输更多关于空间位置和边缘信息的先验知识。在训练阶段的过程中,本文还附加了额外的加权损失函数,优化道路图像语义分割的鲁棒问题,以增强深度学习网络系统的学习过程。这种轻巧的网络可以快速感知道路语义信息并根据分割结果实现对道路场景的环境感知,从而满足了辅助驾驶的需求。在道路数据集的实验结果表明,相比较其他流行的语义分割算法,本文模型对细节信息的处理能力和时效性上都得到了显着的提升。（3）在复杂道路场景下执行车辆障碍物检测任务,车辆目标易受到不同物体实例之间尺度变化以及其他交通目标遮挡等干扰,模型提取的特征属性不一致,尤其是目标物体和小尺度的物体发生漏检、误检问题。为了平衡检测性能和实时需求,本文提出了一种轻量化的基于多视野特征融合的车辆检测模型,采用单阶段多框的目标检测框架,利用不同的任务模块挖掘图像深层次关联信息,减少局部特征丢失,并且保证复杂交通场景中目标障碍物检测的效率。在深层特征上,构建了特征融合模块促进算法对多层特征层的上下文信息传递;在浅层特征上,采用基于多分支卷积和膨胀卷积构建特征金字塔的多视野模块多尺度特征,学习目标车辆障碍物的位置和类别。实验结果表明,本文模型在保证实时性的前提下,不仅提升了复杂交通目标中多尺度、遮挡物的检测性能,提高了环境感知算法的工作效率。
周彪[3]（2021）在《小微企业互联网融资信用评价研究》文中指出我国正处于经济结构、产业结构调整优化的重要阶段,小微企业由于产业类型多样、覆盖范围广、市场反应敏感等特征,对促进我国产业结构的调整和社会经济的持续、平稳运行,发挥着关键的作用。然而,小微企业的融资难题,特别是传统融资的困境限制了小微企业的发展,转向民间信贷融资又使得小微企业面临融资贵的风险,并加剧了市场动荡。信息不对称是小微企业融资困境产生的关键原因,在“互联网+”背景下,加快我国金融供给侧改革、推动互联网金融的发展,既为小微企业融资渠道的拓展提供条件,又为小微企业融资信用水平相关信息的获取提供重要手段。大数据背景下的小微企业互联网融资,成为解决小微企业融资困境的有力方式;基于大数据技术、对小微企业互联网融资信用评价问题展开深入而细致的研究,是该方式发挥作用的关键。本文研究的关键科学问题包括:（1）评价机理分析。研究国外小微企业特征及信贷服务实践的成功经验,分析小微企业互联网融资信用数据来源、剖析小微企业传统渠道与互联网渠道下融资信用评价的异同点等,分析大数据背景下小微企业互联网融资信用评价机理。（2）评价体系构建。加快适用于小微企业互联网融资信用评价体系的针对性研究,强化小微企业互联网融资信用评价的有效性,成为银行等金融机构服务小微企业互联网融资、防控小微企业互联网融资风险的重要举措;（3）数据模型构建。借助互联网技术、大数据技术对海量、多元信息的获取能力,利用数据挖掘及机器学习技术如何改进小微企业融资信用评价模型及模型精确度;（4）评价结果及应用。研究信用评价对金融机构与小微企互联网融资信任关系形成的作用机理,是需要深入分析和研究的重点问题。文章在基本理论模型分析的基础上,通过对四大类问题的研究,产生如下的研究成果:（1）基于大数据的小微企业互联网融资评价机理模型。针对小微企业互联网金融产品、服务及融资流程不明晰、不系统的现状,对小微企业互联网融资途径及大数据信用评价机理展开分析。我国小微企业是国民经济发展的重要力量,从国外小微企业特征及信贷服务实践的分析入手,实现我国小微企业特征的详细统计分析和对比分析,我国小微企地域分布和行业分布等总体情况、金融行为、竞争力、社会关联性以及还款能力和还款意愿上,表现出显着差异性特征。基于案例提出小微企业互联网融资模式共包含传统融资业务的互联网化、基于互联网平台的融资模式、“互联网+”金融的全新模式以及上市融资四种类型。提出信息不对称风险、财务风险、关联关系复杂性风险、脆弱性风险四类小微企业互联网融资信用的风险来源,剖析小微企业传统渠道与互联网渠道下融资信用评价的异同点,界定小微企业互联网融资信用评价的四维概念模型。研讨大数据技术小微企业互联网融资信用评价中的应用机理,提出评价的基本框架。（2）“互联网+”的小微企业互联网融资评价体系模型。充分利用“互联网+”下小微企业融资渠道拓宽所带来的海量信息获取优势,分析影响小微企业互联网融资信用水平的相关因素,构建针对小微企业互联网融资信用评价的专门指标框架,形成具体、细致的评价指标储备。界定反映小微企业互联网融资信用水平的硬信息、软信息,从双重维度提炼81项影响小微企业互联网融资信用水平的具体因素。继而,从经营活动信息、金融行为信息、企业基本信息、企业竞争力信息、企业关联关系信息系和企业融资申请陈述信息等六个维度提炼、储备90个具体评价指标,构建小微企业互联网融资信用评价指标体系的总体框架,明确各评价指标的指标类型、评分方法及数据的标准化方法。构建融合熵值法、CRITIC方法、方差齐性检验的小微企业互联网融资信用评价指标组合赋权方法,强化指标体系区分小微企业互联网融资信用履约客户和违约客户的能力。（3）基于主题挖掘的小微企业互联网融资数据获取模型。信息量暴增、数据结构多元化,是大数据背景下小微企业互联网融资评价的鲜明特征,小微企业互联网融资信用评价研究需围绕硬信息、软信息多元结构的融合展开。基于小微企业互联网融资信用指标框架中的部分软信息变量,构建小微企业互联网融资信用相关软信息LDA主题挖掘模型,获取17个主题变量及各主题对应每条样本的概率分布,实现小微企业互联网融资信用软信息的量化挖掘。（4）基于神经网络的小微企业互联网融资评价模型。针对小微企业互联网融资信用评价的二分类问题,构建基于BP神经网络的小微企业互联网融资信用评价模型。选取同花顺行情中心新三板作为数据来源开展案例分析,分别将硬信息、软信息、硬信息+软信息纳入BP神经网络模型,形成三组对比实验。结果发现硬信息能够更直观地反映小微企业互联网融资的偿债能力、偿债意愿,相对于单独使用软信息进行小微企业互联网融资信用评价而言,单独使用硬信息进行评价的精确度更高;融入软信息的小微企业互联网融资信用评价精确度高于仅使用软信息或硬信息进行评价的精确度,因而将软信息、硬信息同时纳入小微企业互联网融资信用评价模型,是提升银行等金融机构信贷风险评估准确性的重要方式。（5）小微企业互联网融资发展政策建议。以多元数据的合理化运用为脉络,研究大数据背景下信用评价对金融机构与小微企业信任关系形成的作用机理,给出促进小微企业与金融机构互联网融资信任体系良性发展的策略和管理建议。明确了不同阶段银行等金融机构对多元信息的处理范式,分析小微企业多元信息发挥作用的方式。将小微企业的互联网融资行为和银行等金融机构的放贷行为,抽象为小微企业与金融机构之间互联网融资信任关系形成的博弈问题,构建演化博弈模型,分析二者互联网融资信任关系形成过程中的策略选择,逆向推理信用评价中的相关因素对二者策略选择的影响,进而为银行等金融机构提供相应的管理建议。本文产生的创新点可能包括:（1）基于大数据的小微企业互联网融资信用评价体系总体框架。从我国小微企业的概念和范围界定入手,具体考虑我国小微企业特征,提出大数据背景下、针对小微企业互联网融资信用评价的指标体系总体框架,为后续相关研究提供范式参考。小微企业融资过程中存在大量财务管理数据等结构性硬信息获取不足的问题,致使银行等经融机构难以作出准确的风险评估,造成严重的“信息不对称风险”,进而加剧小微企业互联网融资难度。非结构性文本信息等软信息暴增、数据结构多元化,是大数据背景下小微企业互联网融资评价的鲜明特征,小微企业互联网融资信用评价研究需围绕硬信息、软信息多元结构的融合展开。针对我国小微企业特征,综合考虑小微企业经营过程中产生硬信息、软信息的双重维度,提炼影响小微企业互联网融资信用水平的多项因素,构建针对小微企业互联网融资信用评价的指标体系总体框架,确定具体评价指标及指标类型、标准化方法。大数据技术能够大大提升不同类型、不同来源数据的可得性,因而该数据集合在大数据技术的辅助下,获取更多数据成为可能,这也为其他相关研究提供借鉴。（2）基于多元信息融合的小微企业互联网融资信用评价模型的构建方法。研究大数据技术下非结构性软信息的获取方式、使用方式。软信息暴增、数据结构多元化,是大数据背景下小微企业互联网融资评价的鲜明特征。基于文本挖掘技术,提出大数据背景下小微企业互联网融资信用评价非结构性软信息的量化方法,实现大数据背景下小微企业互联网融资信用评价结构性硬信息和非结构性软信息的量化融合。基于机器学习方法、神经网络模型,构建大数据背景下的小微企业互联网融资信用评价模型。利用网络爬虫技术,研究针对我国小微企业互联网融资信用评价的多元数据获取方法。案例分析设计三重实验,分别采用硬信息数据集、软信息数据集、硬信息+软信息数据集,将三类数据集合分别纳入评价模型中,发现不同数据类型的使用对模型精度具有显着影响。硬信息能够更直观地反映小微企业互联网融资的偿债能力、偿债意愿,相对于单独使用软信息进行小微企业互联网融资信用评价而言,单独使用硬信息进行评价的精确度更高;融入软信息的小微企业互联网融资信用评价精确度高于仅使用软信息或硬信息进行评价的精确度。（3）基于演化博弈的金融机构与小微企业互联网融资信任的关系模型。针对我国小微企业与银行等金融机构之间相互信任不足的特征,构建金融机构与小微企业互联网融资信任关系的演化博弈模型,分析如何通过大数据技术下互联网融资信用评价不同策略选择,实现信用评价的改进、促进小微企业与金融机构互联网融资互利互信共赢的最终目标。围绕多元数据的合理化运用脉络,将小微企业的互联网融资行为和金融机构的放贷行为,抽象为小微企业与金融机构之间互联网融资信任关系形成的博弈问题,构建演化博弈模型。通过演化博弈均衡的分析及影响因素分析,模拟二者互联网融资信任关系形成过程中的策略选择,发现金融机构在小微企业互联网融资中的潜在损益、体现小微企业信用水平的结构性软信息潜在损益以及对软信息硬化边界、机器评价与人际沟通关系的掌握,是影响二者策略选择和良好信任关系形成的重要因素。基于此,为银行等金融机构提供相应的管理建议,以期在大数据背景下实现小微企业互联网融资信用评价效果的提升。图58幅,表27个,参考文献204篇。
刘沁[4]（2021）在《船舶舵机液压系统的智能故障诊断方法研究》文中研究指明舵机液压系统作为掌控船舶航向的执行机构,对于船舶的安全航行至关重要,舵机系统的故障将可能引发严重的海难事故,会造成巨大的人员和经济损失。因此,实现船舶舵机液压系统的故障诊断对提高船舶航行的安全性和可靠性具有重要的意义。然而,液压系统是集机械、电气、流体特性于一体的耦合复杂系统,具有不确定性、非线性和时变性等特点,其故障形式多样,引发某种故障的因素通常不单一,且故障具有隐蔽性,对系统进行快速准确的故障诊断已成为亟待解决的科学问题。本文以船舶舵机液压系统为对象,研究基于数据的智能故障诊断方法。此类方法中样本数据的质量和数量对故障诊断模型的精度有重要影响,但在液压系统的故障诊断领域,已有的研究成果并未考虑数据不充足的情况。为此,本文探索了在数据充足程度不同的情况下,设计相应的故障诊断方法,并在现有的通用方法基础上,针对船舶舵机液压系统的数据特点进行一定的算法改进。具体研究工作如下:（1）在数据充足的情况下,针对数据时序性的特点,提出了基于LSTM（long short-term memory）神经网络的船舶舵机液压系统的故障诊断方法。首先,对船舶舵机液压系统的工作原理及各故障工况的现象进行了详细的理论分析,在AMESim和Matlab中搭建了联合仿真平台,用于模拟多种系统工况。其次,从仿真平台中采集充足的样本数据,为LSTM神经网络的训练和测试提供数据支持。然后,设计了多种LSTM神经网络结构和参数配置方案,通过大量对比实验确定了最优的监测器网络结构,并通过FPGA完成了算法的硬件加速,使运算速度提升了约10倍。最终,实验表明本研究所提出的故障诊断方法在计算和资源开销、分类准确率等各方面都优于其他神经网络,信噪比高于70dB的噪声干扰下的故障诊断准确率可达到99.5%以上。（2）针对数据集不平衡的问题,提出了基于GAN-RF（generative adversarial network and random forest）的船舶舵机液压系统的故障诊断方法。从实际船舶舵机液压系统中可获取的故障样本数往往远少于正常工况的样本数,而基于这种不平衡数据集设计的故障诊断方法准确率往往不高。目前,在液压系统中对该类问题的研究尚处于空白。本文通过联合仿真平台获得不平衡的时序样本数据,提出将时序数据的时频特征转换为二维图像来训练GAN神经网络,并用直观的样本特征分布图展示GAN生成样本的可行性。时频特征的提取采用MEMD（multivariate empirical mode decomposition）,样本特征分布图显示了所设计的GAN深度学习网络结构能够合成特征分布趋向于真实的样本。用GAN生成的故障样本扩充不平衡的数据集,再应用CFS（correlation-based feature selection）进行特征选择,实验表明所选择的特征在不同工况下具有可区分性。最后,设计了RF分类器实现故障诊断,信噪比在50dB以上的分类准确率超过98.5%。（3）针对无法获取实测数据的情况,提出了基于MTES（multidimensional time-series trend extracted shapelet）的船舶舵机液压系统的故障诊断方法。在船舶舵机液压系统的研发阶段或运行初期,可获得实际系统的实测数据很少,尤其是故障工况下的数据。根据仿真系统与实际系统的信号具有趋势变化（即形状特征）一致的特点,本文从仿真系统的时序数据中提取形状特征（shapelets）设计分类器,使其能够在实际系统中进行故障诊断。在训练过程中,将舵机液压系统中的多通道时序信号看作是多个独立的一元时间序列,提出了基于多趋势特征的快速shapelet发现方法获得候选集,然后以信息增益为依据,为各信号分别筛选k个最佳的shapelets。实验结果显示所选择的shapelet具备区分于其他类的形状特征。在测试过程中,提出了基于贝叶斯概率的加权投票机制,综合多通道信号的分类结果,实现对船舶舵机液压系统的故障诊断。最终,用加入噪声的测试样本模拟真实系统数据进行测试,结果表明信噪比高于30dB的情况下,分类准确率均在98%以上,验证了该方法对真实系统有效且可靠性很高。（4）为验证所提出的三种方法在实际舵机液压系统中的故障诊断效果,提出了基于负载模拟器的实验验证方法。本文设计了一套舵机工况模拟试验系统来模拟多种系统工况,采集系统的信号输出,为验证故障诊断方法提供数据。在该试验系统中,需为舵机系统建立带载环境,使采集的数据包含反映真实系统响应的信息,实验中利用负载模拟器实现。为此,本文提出了基于IAKF（improved adaptive Kalman filter）的速度前馈加载力控制策略,提升负载模拟器对舵机系统的变力加载能力。通过试验系统与仿真系统的实验结果对比,表明两者的故障现象具有一致性,验证了仿真系统的准确性。最终,三种方法对试验系统的故障诊断准确率均超过85%,验证了所提出故障诊断方法的有效性,体现了对不同场景下实际工程的应用价值和指导意义。
孙肖坤[5]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中提出随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
司振宇[6]（2021）在《香菇菌棒成熟度识别与生产管理系统研发》文中研究指明本文针对香菇菌棒生产过程中刺孔、成熟度识别等关键环节凭经验,精准化管控困难,菌棒培养数据手工填报繁琐以及统计分析困难等问题,依托智慧七河创新工程项目,研究了香菇菌棒成熟度识别方法,构建了菌棒生产专题数据库,设计并实现了香菇菌棒生产管理系统,主要研究内容如下:（1）构建了基于深度卷积神经网络的香菇菌棒成熟度识别模型。结合菌棒培养实际情况,通过Res Net50、VGG16、Alex Net三种深度卷积神经网络特征提取结果与SIFT和SURF传统特征提取结果进行对比,结果表明了深度卷积神经网络优秀的特征提取能力。最后分别采用softmax和SVM、KNN、贝叶斯四种分类器将全连接层与输出层进行连接,分类结果经过对比可以看出基于Res Net50的深度网络特征提取结果在softmax分类器上具有较好的分类表现,达到了78.94%的识别精度。（2）构建了香菇菌棒生产专题数据库。包括基础信息数据库、装袋管理数据库、接种管理数据库、培养管理数据库、仓库结转管理数据库、工作量统计数据库等,为生产系统提供数据服务。（3）设计并实现了香菇菌棒生产管理系统。通过构建香菇菌棒生产专题数据库,响应式前端框架等技术,构建了香菇菌棒生产管理模型,设计并研发了香菇菌棒生产管理系统,主要实现了香菇菌棒生产装袋管理、接种管理、培养管理、培养操作指导、仓库结转、工作量统计等功能。系统模型对菌棒成熟度判断及刺孔操作时间提供了科学指导,解决了人力成本较高,培养效率较低的问题。系统为生产人员解决了生产过程纸质化的记录较多,统计复杂的问题,为管理人员规划、调度生产提供了便利。系统已在山东省淄博市七河生物科技股份有限公司双泉、西楼、文昌湖三个工厂使用,降低了人力成本,提高了生产效率。
王一然[7]（2021）在《机场休息室管理系统软件项目进度管理研究》文中研究表明信息化是当今世界各行各业的发展趋势。T公司在信息化初期出于软件技术水平的限制与降低风险的目的采用软件外包的方式进行信息化项目建设,这导致T公司在软件研发能力方面落后于一般软件技术企业。虽然T公司决心提升自己的软件研发实力并开始组建自身的研发团队,加大研发的资源投入,但是对软件项目管理缺乏足够的投入,因此在软件项目的研发过程中,进度延期的情况频发,这成为T公司信息化道路上的障碍。本文采用文献研究法、案例分析法对T公司软件项目进行研究分析,分析T公司在软件项目进度管理方面存在的问题。重新为T公司制定科学的软件项目管理制度,以T公司的休息室管理系统项目为试点项目,用项目进度管理方法使得项目完工早于计划交付时间和目标交付时间。在寻找T公司存在的问题时,采用的是系统工程方法论中的解释结构模型化,成功地为T公司找到了其项目进度管理中的主要问题。在项目的需求管理阶段,对项目采用需求分解结构并对需求逐个分析和筛选。对于存在资源受到限制和存在重要风险问题的需求,在项目进入实施阶段前解决需求存在的问题。在休息室管理系统项目中人脸识别技术的购买或是自主研发选择上,通过AHP层次分析法为T公司的技术引入决策提供科学评价方法。在制定T公司的项目管理计划时,结合T公司的组织结构和组织文化,采用Scrumbanfall模型管理方法、缓冲区监控、燃尽图监控和神经网络辅助计划活动编制的方法替代T公司原有的瀑布模型项目管理方法,解决T公司的人手不足和人员分工混乱、资源与进度难以监控导致的进度延期问题。最终,从项目燃尽图和缓冲区消耗也可以得出,采用了进度管理方法使得项目的实际进展一直好于最初计划评审时制定的工期。团队和团队成员的水平也得到了提升。
王磊[8]（2021）在《多源气象垂直观测设备综合产品集成处理系统》文中进行了进一步梳理气象行业不仅仅对社会的经济发展有着至关重要的影响,同时对环境的保护和灾害性气候的预报也起着举足轻重的作用。当前,地基遥感观测技术的研究日益受到关注,逐渐发展并形成了以地基遥感观测设备为数据源的气象观测体系。这类体系的气象观测预报系统,大多依托新型地基遥感垂直观测设备进行平台系统建设,往往各平台系统之间独立运行,数据与数据之间无法便捷的实现共享,通常需要外部接口转换,一定程度上影响了气象数据之间的联系。在此背景下,如何充分利用新型地基遥感观测设备连续探测实时性高的优势,将多源气象数据集成,最大化地为业务与研究人员提供便捷的数据提取,多设备数据集成处理,多源数据交叉融合互相弥补,结合相关融合产品算法,以实现多种气象预报产品综合展示,是当前气象探测最为热门的课题之一。本课题来源于中国气象局大气探测中心立项项目,旨在研发一套将云雷达、风廓线雷达和微波辐射计三类地基遥感观测设备集成的,具有多源气象观测数据的气象业务系统。系统实现了对三类设备连续性观测数据的采集、存储、处理以及结合众多气象产品算法生成气象指数或产品等,以充分发挥多源数据集成,数据交叉融合互相弥补的优势。系统实现了众多气象产品、算法或气象指数等内容,同时根据实际业务需求,对利用微波辐射计亮温反演大气温湿廓线进行相关研究,对基于BP神经网络的大气温湿廓线反演算法进行应用上的改进,提出了引入完整云信息的大气温湿廓线反演算法,并将算法接入系统以实现业务应用。本文研发的系统,满足了立项的项目需求,完成了相关目标,实现了三类观测设备的集成,建设了多源气象数据数据库平台,极大的便利了多源设备数据之间的融合反演,优势互补等,借助多源数据集成融合,系统实现了众多气象产品。为气象数值预报和研究提供了必要的数据支撑、气象产品算法支撑和平台系统支撑。
贾丹[9]（2021）在《润滑材料数据库平台设计及机器学习性能预测方法研究》文中认为我国对高品质润滑油的需求量占润滑油总需求量正逐年上升,而高品质润滑油的设计及开发技术严重依赖国外,自主研发面临很大困难。在润滑油产品的开发与改进中,性能检测与评价是必不可少的重要环节,我国润滑油性能评价主要依靠经验或大量实验与数据分析的现状严重制约着润滑油的设计与开发周期,致使润滑油发展十分缓慢。将材料数据库与机器学习相结合是润滑材料研发的新方法,为润滑油的性能快速评价提供了一种新的途径,对于提升装备运行可靠性以及指导润滑油开发与应用具有重要意义。本文以典型润滑油及其添加剂为研究对象,通过构建包括试验测试与模拟计算等多样化数据存储与分析数据库,建立数据的自动录入、检索,模拟计算及性能预测一体化数据平台;基于分子模拟计算,分析润滑油及其添加剂分子的结构参量与性能之间的关联规律;确定润滑油分子参量对摩擦学性能和热氧化性能的影响权重,结合机器学习算法,建立润滑油分子结构-性能机器学习模型,研究不同机器学习模型对润滑油热氧化性能和摩擦学性能预测的准确性与适用性,并提出了一种精确、稳定的性能预测集成学习算法,通过将润滑材料数据库与机器学习相结合,为高性能润滑油的开发提供有力证据。基于上述研究工作,论文的主要结论如下:（1）设计了润滑材料数据存储与数据分析一体化平台,实现了润滑材料试验检测数据与模拟计算结果文件等多样化数据导入;建立了基于不同数据格式（表格、文档）之间转换与关键信息提取的数据检索功能;集成了支撑材料快速评价的模拟计算软件调用以及性能预测等模块。该数据库涵盖商用润滑油、基础油、添加剂、润滑脂、固体润滑膜等,数据内容包括了润滑油及其添加剂的化学结构式、材料的物性参数、试验参数和材料主要性能等,满足高通量计算设计结果的归纳与数据挖掘的需要,为润滑材料性能的快速评价提供数据基础及分析开发平台。（2）以四种典型酯类油（双酯、季戊四醇酯、三羟甲基丙烷酯和偏苯三酸酯）为研究对象,开展了不同链长结构的酯类油分子参量模拟计算,分析了酯类油分子的成键性质、化学活性、分子轨道等对其使役性能的影响规律。结果表明:不同酯类油的分子总能量和偶极矩存在明显差异,是影响酯类油抗氧化性、水解稳定性和润滑性等宏观性质的重要参数。HOMO-LUMO能级结果表明,酯类油分子结构中酯基（或苯环与酯基形成的共轭结构）的活性最高,在润滑金属的过程中,酯类油会在金属表面吸附形成一层固体润滑膜,保证了良好的摩擦性能,适当增加双酯分子两端碳链长度,可提高其抗磨性能。静电势结果表明,酯基中的C=O键呈负电性,易与金属阳离子结合或被水中的H+攻击,使其分子结构发生破坏,影响润滑或水解稳定性。电子结构结果阐明了酯类油的分子轨道贡献与分布。模拟计算结果可为机器学习筛选出的特征参量重要性的原因提供科学解释。（3）基于分子模拟计算的润滑油分子结构参量,计算了润滑油结构参数相对于磨损量的影响权重,确定润滑油分子特征参量为:低轨道能量和偶极矩;同样,根据润滑油结构参数相对于起始氧化温度的影响权重,确定润滑油分子特征参量为:分子能量、低轨道能量、HOMO-LUMO能量、偶极矩、脂水分配系数。之后,结合多元线性回归机器学习方法,开展了润滑油的摩擦学性能预测和抗氧化性能预测方法的初步研究,建立了润滑油计算特征参数与磨损量之间、计算特征参数与氧化起始温度之间的机器学习模型,并将预测集代入模型中进行了准确性验证,结果表明,模型预测值与试验值具有较高的一致性。（4）基于多元线性回归、支持向量机和神经网络机器学习算法,开展了润滑油材料的摩擦学性能和抗氧化性能预测研究,阐明了不同机器学习方法对于润滑油性能预测的差异性。在此基础上,探索了基于Stacking理论的润滑油机器学习性能预测集成学习算法,提出了一种基于机器学习的润滑油摩擦学性能集成学习预测方法,最终建立了润滑油摩擦学性能精准预测系统,丰富和完善了润滑材料数据库功能,提升了润滑油性能评价技术,加快润滑油的研发及应用进程。
刘梦乔[10]（2021）在《基于神经网络模型的上市公司估值方法应用研究》文中研究表明经济的飞速发展,企业之间的产权交易也越来越丰富,使得市场对于企业价值评估的内容也越来越严格和多样化。科创板于2018年宣布成立,它对于整个市场来说,是属于新成立的板块,其独立于主板,因此,设立科创板对于市场来说具有重大意义,那么对科创板的研究也同样极具现实意义。本文首先分析了科创板的企业普遍运用几大传统估值方法的适用性及其缺陷,而以往的企业价值评估方法,大体上涵盖下列方面:资产价值法、期权估值法、现金流量折现法等。资产价值法评估的结果可能不全面,公司的价值绝非仅是各项资产的加总,同时一旦仅以价值评估的历史数据为侧重点,通常无法对企业当前资产规模和经营状况产生直观准确的认识与判断;相对估值法的重点主要集中在比较对象的确定上,一般情况下经营状况完全一致的两个企业是不存在的,而这主要取决于相关专业人员的主观评价,一旦出现问题必然会导致价值评估结果的准确性难以保障;其次现金流量折现法对创立之初的企业适用性本质上是不高的,主要是由于初创企业在当前阶段的现金流并不会出现明显增长,甚至还会出现负现金流的情况,同时考虑到风险因素的影响,使得该方法实际操作难度较高;而期权估值法、EVA估值法用估值模型需要假设很多前提条件,模型中的参数可能无法从市场中得到,在现实条件下通常会受到商业运行模式和行业产业类型的制约和束缚,从而限制了模型的应用。由此,在前文分析了传统估值方法存在的一系列问题及局限性的基础上,提出了运用BP神经网络对企业价值进行适当评估。为了确保对BP神经网络在企业价值评估中的优势有着准确了解与认识,本文选取科创板企业为侧重点,依托于Python3.6软件对现有相关企业的各项数据进行统一收集与梳理,并在此基础上构建相应的BP神经网络模型,同时通过个案检验法对所得模型的合理性与有效性加以验证,最终归纳出研究结论。本研究归纳出的BP神经网络并不依赖于数学模型的应用,同时在应用过程中并未存在前提和假设,因此能够有效弥补现有相关模型的不足。另外,BP神经网络对企业类型并不存在严格要求,样本数据主要来源于企业历史数据,不需要对企业未来经营状况进行推测与判断,模型建立主要是在计算机支持下完成的,在最大限度内降低主观因素的干扰,因此能够打破以往评估方法的局限性,提高评估效率,确保所得评估结果的科学准确。在选取科创板公司为重点构建BP神经网络模型过程中,从中归纳出下列结论:由于BP神经网络的优势与特征,使其在企业价值评估中表现出良好的适用性;通过对现有案例进行分析验证发现,BP神经网络模型评估企业价值的精确度明显高于传统的价值评估方法;针对任何类型的企业来讲,均可能存在企业价值评估不准确的情况,进而造成投资者投资风险的提高,因此应确保投资者能够对企业价值有着准确认识与判断;从影响企业价值的指标来看,大体上包括:存货周转率、资产总额、净资产收益率,所以,要想在真正意义上实现企业价值的提高,应扩大企业规模和数量,同时还应重视提高企业发展水平,最终实现企业价值的有效提升。不仅如此,还应对产品质量保持着高度关注,强化产品竞争优势,通过创新促进自身经营效益的提高,同时进一步延伸销售范围,保证预期经营目标顺利实现。
二、基于神经网络的研发项目选择方法（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、基于神经网络的研发项目选择方法（论文提纲范文）
（1）成长期产业技术创新联盟知识融合影响因素及风险防控研究（论文提纲范文）
| 评阅意见 |
| 答辩决议书 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 现实背景 |
| 1.1.2 理论背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 技术路线与结构安排 |
| 1.5.1 结构安排 |
| 1.5.2 技术路线 |
| 1.6 本章小结 |
| 第2章 理论基础与文献综述 |
| 2.1 理论基础 |
| 2.1.1 生命周期理论 |
| 2.1.2 社会网络理论 |
| 2.1.3 资源拼凑理论 |
| 2.1.4 组织学习理论 |
| 2.1.5 博弈论 |
| 2.2 社会网络相关研究综述 |
| 2.2.1 社会网络分类 |
| 2.2.2 社会网络的特征 |
| 2.2.3 现有相关研究述评 |
| 2.3 知识融合相关研究综述 |
| 2.3.1 知识融合的定义 |
| 2.3.2 知识融合的相关研究 |
| 2.3.3 现有相关研究述评 |
| 2.4 资源拼凑相关研究综述 |
| 2.4.1 资源拼凑的概念 |
| 2.4.2 资源拼凑的维度划分 |
| 2.4.3 影响因素研究 |
| 2.4.4 影响效果研究 |
| 2.4.5 现有研究述评 |
| 2.5 产业技术创新联盟知识融合相关研究综述 |
| 2.5.1 产业技术创新联盟知识融合影响因素 |
| 2.5.2 产业技术创新联盟知识融合博弈分析 |
| 2.5.3 产业技术创新联盟知识融合风险研究 |
| 2.5.4 现有研究述评 |
| 2.6 本章小结 |
| 第3章 成长期产业技术创新联盟知识融合影响因素探索性研究 |
| 3.1 基于支持向量机SVM的产业技术创新联盟生命周期阶段划 |
| 3.1.1 联盟生命周期阶段划分指标体系 |
| 3.1.2 基于支持向量机SVM联盟生命周期阶段划分模型的构建 |
| 3.1.3 联盟生命周期阶段划分实证研究 |
| 3.2 基于扎根理论的成长期产业技术创新联盟知识融合影响因素挖掘 |
| 3.2.1 研究设计 |
| 3.2.2 研究过程 |
| 3.2.3 成长期产业技术创新联盟知识融合影响因素分析 |
| 3.3 本章小结 |
| 第4章 影响因素及其作用关系的理论模型构建与假设提出 |
| 4.1 相关概念及内涵维度 |
| 4.1.1 产业技术创新联盟企业的知识融合 |
| 4.1.2 产业技术创新联盟企业的资源拼凑 |
| 4.1.3 产业技术创新联盟企业的组织学习 |
| 4.1.4 产业技术创新联盟网络 |
| 4.1.5 产业技术创新联盟程序公平 |
| 4.1.6 产业技术创新联盟内部合法性 |
| 4.2 理论模型构建 |
| 4.3 研究假设提出 |
| 4.3.1 成长期产业技术创新联盟网络与知识融合 |
| 4.3.2 成长期产业技术创新联盟网络与资源拼凑 |
| 4.3.3 成长期产业技术创新联盟网络与组织学习 |
| 4.3.4 资源拼凑与知识融合 |
| 4.3.5 组织学习与知识融合 |
| 4.3.6 组织学习、资源拼凑的中介作用 |
| 4.3.7 联盟内部合法性的调节作用 |
| 4.3.8 程序公平的调节作用 |
| 4.4 控制变量的解析 |
| 4.5 本章小结 |
| 第5章 实证研究 |
| 5.1 研究设计 |
| 5.1.1 问卷设计 |
| 5.1.2 样本选取 |
| 5.2 共同方法偏差检验 |
| 5.3 信度和效度检验 |
| 5.3.1 信度分析 |
| 5.3.2 效度分析 |
| 5.4 假设检验 |
| 5.4.1 变量相关性分析 |
| 5.4.2 联盟网络与知识融合关系的检验 |
| 5.4.3 联盟网络、资源拼凑与知识融合关系的检验 |
| 5.4.4 联盟网络、组织学习与知识融合关系的检验 |
| 5.4.5 联盟内部合法性的调节作用检验 |
| 5.4.6 程序公平的调节作用检验 |
| 5.5 研究结果与分析 |
| 5.5.1 联盟网络对知识融合的影响分析 |
| 5.5.2 联盟网络、资源拼凑与知识融合的影响分析 |
| 5.5.3 联盟网络、组织学习与知识融合的影响分析 |
| 5.5.4 联盟内部合法性的调节作用 |
| 5.5.5 程序公平的调节作用 |
| 5.6 本章小结 |
| 第6章 影响因素对知识融合决策行为作用的博弈分析 |
| 6.1 成长期产业技术创新联盟知识融合博弈要素 |
| 6.2 博弈分析模型参数与收益矩阵 |
| 6.3 成长期产业技术创新联盟知识融合静态博弈分析 |
| 6.4 成长期产业技术创新联盟知识融合动态博弈分析 |
| 6.4.1 动态演化博弈基本模型 |
| 6.4.2 动态演化博弈模型分析 |
| 6.4.3 演化博弈模型分析及仿真分析 |
| 6.5 本章小结 |
| 第7章 成长期产业技术创新联盟知识融合风险分析与防控 |
| 7.1 成长期产业技术创新联盟知识融合风险因素识别 |
| 7.1.1 联盟知识融合主体风险 |
| 7.1.2 联盟企业之间合作关系风险 |
| 7.1.3 联盟内部环境风险 |
| 7.2 成长期产业技术创新联盟知识融合风险评价 |
| 7.2.1 风险评价指标体系的构建 |
| 7.2.2 基于PSO-BP神经网络的成长期产业技术创新联盟知识融合风险评价模型 |
| 7.3 成长期产业技术创新联盟知识融合风险控制体系 |
| 7.3.1 风险监测 |
| 7.3.2 风险评估 |
| 7.3.3 风险预警 |
| 7.3.4 风险控制 |
| 7.4 成长期产业技术创新联盟知识融合风险防范对策 |
| 7.4.1 主体风险防范措施 |
| 7.4.2 关系风险防范措施 |
| 7.4.3 联盟内部环境风险防范措施 |
| 7.5 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究总结与结论 |
| 8.2 创新点 |
| 8.3 研究局限与展望 |
| 8.3.1 研究局限 |
| 8.3.2 研究展望 |
| 参考文献 |
| 附录 |
| 在读期间所取得的科研成果 |
| 致谢 |
（2）复杂交通场景下轻量化视觉感知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状分析 |
| 1.2.1 智能驾驶车辆发展现状 |
| 1.2.2 可行驶区域识别算法研究 |
| 1.2.3 场景语义分割算法研究 |
| 1.2.4 道路车辆检测算法研究 |
| 1.2.5 研究现状总结与难点分析 |
| 1.3 论文主要创新点 |
| 1.4 论文研究内容与框架 |
| 1.5 本章小结 |
| 2 交通场景环境感知相关工作概述 |
| 2.1 基于视觉的环境感知任务 |
| 2.2 深度学习原理 |
| 2.2.1 卷积神经网络 |
| 2.2.2 经典网络模型 |
| 2.2.3 网络学习框架 |
| 2.3 轻量化感知的图像处理方法 |
| 2.3.1 图像语义分割 |
| 2.3.2 目标检测任务 |
| 2.4 本章小结 |
| 3 轻量化的无监督可行驶区域识别方法研究 |
| 3.1 引言 |
| 3.2 多视觉的特征提取算法 |
| 3.2.1 超像素视觉特征 |
| 3.2.2 基于聚类的区域分割算法 |
| 3.3 基于多区域的轻量化道路识别模型 |
| 3.3.1 道路图像增强 |
| 3.3.2 基于多种子点的像素提取 |
| 3.3.3 构建道路分割模型 |
| 3.4 实验与性能分析 |
| 3.4.1 测试数据集与评价指标 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 轻量化的尺度感知语义分割方法研究 |
| 4.1 引言 |
| 4.2 基于级联感知的语义分割网络 |
| 4.2.1 基于信息感知的空洞卷积 |
| 4.2.2 基于上下文的金字塔池化 |
| 4.2.3 图像级联特征网络 |
| 4.3 基于双分支的轻量化语义分割模型 |
| 4.3.1 空间信息网络 |
| 4.3.2 加权损失函数 |
| 4.3.3 框架整体结构 |
| 4.4 实验与性能分析 |
| 4.4.1 测试数据集与评价指标 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 轻量化的多视野车辆目标检测方法研究 |
| 5.1 引言 |
| 5.2 基于回归的目标检测算法 |
| 5.2.1 单阶段多框预测网络 |
| 5.2.2 候选区域生成 |
| 5.2.3 边框回归与损失函数 |
| 5.3 基于多模块的轻量化车辆检测模型 |
| 5.3.1 特征融合模块 |
| 5.3.2 多视野特征提取模块 |
| 5.3.3 框架整体结构 |
| 5.4 实验与性能分析 |
| 5.4.1 测试数据集与评价指标 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 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）小微企业互联网融资信用评价研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 现实意义 |
| 1.4 研究内容、研究方法与技术路线 |
| 1.4.1 研究内容与研究方法 |
| 1.4.2 技术路线 |
| 1.5 研究创新点 |
| 2 文献与基础理论综述 |
| 2.1 小微企业的概念及范围界定 |
| 2.1.1 小微企业的概念 |
| 2.1.2 小微企业的范围 |
| 2.2 小微企业的融资困境及互联网融资 |
| 2.2.1 小微企业融资难题 |
| 2.2.2 小微企业的互联网融资 |
| 2.3 小微企业融资信用评价影响因素及评价指标体系 |
| 2.3.1 硬信息对小微企业互联网融资信用的影响 |
| 2.3.2 软信息对小微企业互联网融资信用的影响 |
| 2.4 小微企业互联网融资信用评价模型及方法 |
| 2.4.1 传统信用评价技术 |
| 2.4.2 大数据技术下的企业融资信用评价方法 |
| 2.5 文献述评 |
| 2.6 本章小结 |
| 3 小微企业互联网融资信用评价机理分析 |
| 3.1 国外小微企业特征及信贷服务实践 |
| 3.1.1 国外小微企业发展模式及传统渠道融资特征 |
| 3.1.2 国外小微企业互联网融资模式的发展 |
| 3.2 我国小微企业特征 |
| 3.2.1 小微企业的总体特征 |
| 3.2.2 小微企业的经营活动特征 |
| 3.2.3 小微企业的金融行为特征 |
| 3.2.4 小微企业的竞争力特征 |
| 3.2.5 小微企业的社会关联性特征 |
| 3.2.6 小微企业的还款能力及还款意愿特征 |
| 3.3 我国小微企业互联网融资模式及途径 |
| 3.3.1 小微企业互联网融资模式 |
| 3.3.2 小微企业互联网融资途径 |
| 3.4 小微企业互联网融资信用分析 |
| 3.4.1 小微企业互联网融资信用数据的来源 |
| 3.4.2 小微企业传统与互联网渠道融资信用评价的异同 |
| 3.4.3 小微企业互联网融资信用评价的四维概念模型与要素 |
| 3.5 大数据背景下小微企业互联网融资信用评价机理 |
| 3.5.1 大数据背景下小微企业互联网融资信用评价的目的 |
| 3.5.2 大数据背景下小微企业互联网融资审核流程分析 |
| 3.5.3 大数据技术在小微企业互联网融资信用评价中的应用 |
| 3.6 本章小结 |
| 4 小微企业互联网融资信用评价指标体系构建 |
| 4.1 小微企业互联网融资信用指标构建 |
| 4.1.1 小微企业互联网融资信用硬信息与软信息界定 |
| 4.1.2 影响小微企业互联网融资信用水平的硬信息 |
| 4.1.3 影响小微企业互联网融资信用水平的软信息 |
| 4.2 小微企业互联网融资信用评价指标界定与预处理 |
| 4.2.1 小微企业互联网融资信用评价指标框架 |
| 4.2.2 小微企业互联网融资信用评价指标类型及标准化方法 |
| 4.3 小微企业互联网融资信用评价指标组合赋权 |
| 4.3.1 小微企业互联网融资信用评价指标单一客观赋权方法 |
| 4.3.2 小微企业互联网融资信用评价指标组合赋权方法 |
| 4.3.3 小微企业互联网融资信用熵评价模型 |
| 4.4 本章小结 |
| 5 小微企业互联网融资信用数据获取模型 |
| 5.1 软信息对小微企业互联网融资信用评价的作用方式 |
| 5.1.1 软信息对小微企业互联网融资信用评价的直接作用 |
| 5.1.2 软信息文本特征对小微企业互联网融资信用评价的间接作用 |
| 5.1.3 软信息主题特征对小微企业互联网融资信用评价的间接作用 |
| 5.2 融合多元信息的小微企业互联网融资信用数据获取 |
| 5.2.1 小微企业互联网融资信用软信息分类 |
| 5.2.2 小微企业互联网融资信用软信息量化方法 |
| 5.2.3 小微企业互联网融资信用评价软硬信息变量选取 |
| 5.3 小微企业互联网融资信用数据模型 |
| 5.3.1 小微企业互联网融资信用评价数据来源 |
| 5.3.2 小微企业互联网融资信用信息量化处理 |
| 5.4 本章小结 |
| 6 小微企业互联网融资信用评价模型与案例分析 |
| 6.1 基于博弈的评价主体关系分析 |
| 6.1.1 评价主体的互联网融资信任博弈模型假设 |
| 6.1.2 评价主体的互联网融资信任博弈模型构建 |
| 6.1.3 评价主体的互联网融资信任博弈演化均衡的稳定性分析 |
| 6.2 基于演化的小微企业互联网融资信用评价模型 |
| 6.2.1 评价主体的互联网融资信用特征 |
| 6.2.2 基于神经网络和物元可拓的评价方法 |
| 6.2.3 模型精确度测量 |
| 6.3 小微企业互联网融资信用评价结果分析 |
| 6.3.1 小微企业互联网融资信用评价数据来源 |
| 6.3.2 小微企业互联网融资信用评价实验设计 |
| 6.3.3 小微企业互联网融资信用评价实验结果及分析 |
| 6.4 本章小结 |
| 7 小微企业互联网融资信用评价总结与政策建议 |
| 7.1 大数据背景下小微企业互联网融资信用内涵总结 |
| 7.1.1 大数据背景下小微企业互联网融资 |
| 7.1.2 大数据背景下小微企业互联网融资信用优势 |
| 7.2 小微企业互联网融资信用评价要素 |
| 7.2.1 传统融资过程中的信用评价与信任关系 |
| 7.2.2 互联网融资过程中的信用评价与信任关系 |
| 7.3 小微企业互联网融资信用评价的管理建议 |
| 7.3.1 基于激励政策执行力的信用评价技术研究 |
| 7.3.2 基于互联网金融信用评价的风险防控 |
| 7.3.3 基于大数据来平衡评价技术与人际沟通的关系 |
| 7.4 本章小结 |
| 8 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究展望 |
| 参考文献 |
| 附录 A 词云图代码 |
| 附录 B LDA模型代码 |
| 附录 C BP神经网络代码 |
| 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 |
（4）船舶舵机液压系统的智能故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 液压系统故障诊断的国内外研究现状 |
| 1.2.1 液压系统故障诊断的特点 |
| 1.2.2 基于经验的液压系统故障诊断方法 |
| 1.2.3 基于模型的液压系统故障诊断方法 |
| 1.2.4 基于数据的液压系统故障诊断方法 |
| 1.2.5 在数据不充足时的故障诊断方法 |
| 1.3 主要研究内容安排 |
| 2 船舶舵机液压伺服系统的建模及故障仿真结果分析 |
| 2.1 引言 |
| 2.2 船舶舵机液压系统建模 |
| 2.2.1 液压系统工作原理 |
| 2.2.2 液压系统模型 |
| 2.2.3 液压缸模型 |
| 2.2.4 电液换向阀模型 |
| 2.2.5 位置随动控制系统 |
| 2.3 故障仿真及结果分析 |
| 2.3.1 液压油混入空气故障 |
| 2.3.2 液压缸内泄漏故障 |
| 2.3.3 力矩马达线圈损坏 |
| 2.3.4 反馈弹簧损坏 |
| 2.3.5 喷嘴堵塞 |
| 2.3.6 阀芯单向卡死 |
| 2.3.7 液压泵泄漏故障 |
| 2.3.8 油滤堵塞 |
| 2.3.9 防浪阀弹簧失效 |
| 2.3.10 溢流阀弹簧失效 |
| 2.3.11 伺服放大器失效 |
| 2.3.12 仿真工况总结 |
| 2.4 本章小结 |
| 3 基于LSTM神经网络的船舶舵机液压系统的故障诊断方法 |
| 3.1 引言 |
| 3.2 Long Short-Term Memory算法 |
| 3.3 基于LSTM神经网络的故障诊断方法 |
| 3.3.1 离线监测器模型的构建 |
| 3.3.2 在线监测的实现 |
| 3.4 船舶舵机液压系统故障诊断的实现 |
| 3.4.1 数据采集情况 |
| 3.4.2 三种LSTM神经网络的对比 |
| 3.4.3 不同网络超参数的对比 |
| 3.4.4 算法的硬件加速效果对比 |
| 3.4.5 抗噪能力分析 |
| 3.4.6 与其他神经网络的对比 |
| 3.5 本章小结 |
| 4 基于GAN-RF的船舶舵机液压系统的故障诊断方法 |
| 4.1 引言 |
| 4.2 基于MEMD和CFS的特征工程 |
| 4.2.1 特征提取 |
| 4.2.2 特征选择 |
| 4.3 基于GAN神经网络的数据合成 |
| 4.4 基于RF的故障分类 |
| 4.5 基于GAN-RF的故障诊断方法 |
| 4.6 船舶舵机液压系统故障诊断的实现 |
| 4.6.1 数据采集情况 |
| 4.6.2 特征提取及选择结果 |
| 4.6.3 GAN合成样本质量的评估 |
| 4.6.4 抗噪能力分析 |
| 4.6.5 算法的硬件实现 |
| 4.7 本章小结 |
| 5 基于MTES的船舶舵机液压系统的故障诊断方法 |
| 5.1 引言 |
| 5.2 MTES方法的提出 |
| 5.2.1 相关定义 |
| 5.2.2 基于多趋势特征的快速shapelet发现方法 |
| 5.2.3 数据转换和shapelet的选择 |
| 5.2.4 多元时序的加权投票分类机制 |
| 5.2.5 基于MTES的故障诊断方法 |
| 5.3 船舶舵机液压系统故障诊断的实现 |
| 5.3.1 数据采集情况 |
| 5.3.2 Shapelet候选集的获取 |
| 5.3.3 Shapelet的选择 |
| 5.3.4 故障诊断结果 |
| 5.3.5 算法的硬件实现 |
| 5.4 本章小结 |
| 6 基于负载模拟器的实验验证 |
| 6.1 引言 |
| 6.2 舵机工况模拟试验系统的组成及工作原理 |
| 6.3 基于IAKF的速度前馈加载力控制方法 |
| 6.3.1 加载系统数学模型 |
| 6.3.2 基于IAKF的速度估计 |
| 6.3.3 速度前馈的加载系统力控制 |
| 6.4 船舶舵机液压系统的故障诊断实验验证 |
| 6.4.1 故障工况模拟 |
| 6.4.2 故障诊断结果 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 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 |
（5）复杂大型建设项目费用偏差控制方法及信息系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 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 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（6）香菇菌棒成熟度识别与生产管理系统研发（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.1.1 食用菌信息化系统研究现状 |
| 1.1.2 深度卷积神经网络研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织结构 |
| 2 基于深度卷积神经网络的香菇菌棒成熟度识别 |
| 2.1 香菇菌棒图像数据集的采集与处理 |
| 2.2 卷积神经网络基本架构 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 激活函数 |
| 2.2.5 卷积神经网络训练过程 |
| 2.3 基于深度卷积神经网络的香菇菌棒成熟度分类模型 |
| 2.3.1 深度卷积神经网络模型 |
| 2.3.2 深度卷积神经网络优化算法 |
| 2.3.3 超参数设计 |
| 2.4 识别结果分析 |
| 2.4.1 特征可视化对比 |
| 2.4.2 分类结果评价指标 |
| 2.4.3 分类结果对比分析 |
| 2.4.4 识别结果系统应用 |
| 2.5 本章小结 |
| 3 香菇菌棒生产管理系统需求分析 |
| 3.1 企业概况 |
| 3.2 用户分析 |
| 3.3 功能性需求分析 |
| 3.4 非功能性需求分析 |
| 3.5 本章小结 |
| 4 香菇菌棒生产管理系统设计与实现 |
| 4.1 系统总体框架设计 |
| 4.2 系统功能模块设计 |
| 4.2.1 基础信息设置模块 |
| 4.2.2 装袋管理模块 |
| 4.2.3 接种管理模块 |
| 4.2.4 培养管理模块 |
| 4.2.5 仓库结转管理模块 |
| 4.2.6 工作量统计模块 |
| 4.3 系统数据库设计 |
| 4.3.1 数据库构成 |
| 4.3.2 数据库实体 |
| 4.4 香菇菌棒生产管理系统实现 |
| 4.4.1 主要技术 |
| 4.4.2 系统实现 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 主要创新点 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的成果和参加的科研项目 |
（7）机场休息室管理系统软件项目进度管理研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 研究的内容和方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.2.3 技术路线 |
| 1.2.4 论文的主要成果 |
| 第2章 相关理论概述 |
| 2.1 相关研究发展与现状 |
| 2.1.1 项目进度管理 |
| 2.1.2 软件项目管理模型 |
| 2.1.3 神经网络模型 |
| 2.2 项目进度管理理论与方法 |
| 2.2.1 项目进度管理理论 |
| 2.2.2 项目进度管理方法 |
| 2.3 软件开发项目管理模型理论 |
| 2.3.1 传统瀑布模型 |
| 2.3.2 增量模型 |
| 2.3.3 螺旋模型 |
| 2.3.4 敏捷开发模型 |
| 2.3.5 Scrumbanfall模型 |
| 2.4 决策方法 |
| 2.4.1 层次分析法(AHP分析法) |
| 2.4.2 神经网络比较法 |
| 2.5 文献评述 |
| 第3章 T公司项目进度管理问题分析 |
| 3.1 T公司现状及问题分析 |
| 3.1.1 T公司概况 |
| 3.1.2 T公司组织架构 |
| 3.1.3 T公司软件研发流程概述 |
| 3.1.4 T公司承包的软件项目特点总结 |
| 3.1.5 影响进度的问题分析 |
| 3.2 解释结构模型化寻找关键因素 |
| 3.2.1 收集影响进度的原因 |
| 3.2.2 解释结构模型化(ISM技术) |
| 3.3 本章小结 |
| 第4章 T公司软件项目进度管理改善措施 |
| 4.1 需求转化偏差的改善措施 |
| 4.1.1 软件项目需求定义 |
| 4.1.2 客户需求转化偏差改善 |
| 4.1.3 开发需求转化偏差改善 |
| 4.1.4 质量需求的解决措施 |
| 4.2 缺乏变更控制的改善措施 |
| 4.3 缺乏规划的改善措施 |
| 4.3.1 开发模型的选择 |
| 4.3.2 活动任务选择决策模型 |
| 4.3.3 其他规划方法——设置缓冲区 |
| 4.4 本章小结 |
| 第5章 休息室管理系统项目进度管理实践 |
| 5.1 项目需求管理实践 |
| 5.1.1 项目目标的确认 |
| 5.1.2 需求管理实施 |
| 5.1.3 人脸识别技术解决方案决策 |
| 5.2 项目的需求形成活动 |
| 5.3 项目活动持续时间的预估与工期优化 |
| 5.3.1 活动持续时间预估 |
| 5.3.2 工期优化 |
| 5.4 项目进度计划的制定 |
| 5.4.1 实施需求变更流程对需求变更的控制 |
| 5.4.2 Scrumbanfall模型的应用 |
| 5.4.3 神经网络协助活动排序 |
| 5.4.4 采用缓冲区对项目进度监控 |
| 5.5 项目进度控制实践 |
| 5.5.1 变更管理控制的实践流程 |
| 5.5.2 每日站会实践效果 |
| 5.5.3 缓冲区和燃尽图监控总结 |
| 5.5.4 合作方进度监控实践 |
| 5.6 实施效果 |
| 5.6.1 项目需求转化偏差的改善效果 |
| 5.6.2 变更控制的改善效果 |
| 5.6.3 规划措施的改善效果 |
| 5.6.4 整体改善评价 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
（8）多源气象垂直观测设备综合产品集成处理系统（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 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构 |
| 第二章 相关理论技术 |
| 2.1 多源气象观测数据 |
| 2.1.1 气象垂直观测设备 |
| 2.1.2 多源气象观测设备观测数据 |
| 2.2 系统研发相关技术研究 |
| 2.2.1 B/S架构 |
| 2.2.2 MVC与 MTV架构模式 |
| 2.2.3 前端可视化技术 |
| 2.2.4 数据库与Redis缓存技术 |
| 2.3 人工神经网络技术 |
| 2.4 本章小结 |
| 第三章 气象产品算法研究及实现方法 |
| 3.1 线性插值应用 |
| 3.2 改进的TlnP图制作方法 |
| 3.2.1 背景曲线制作 |
| 3.2.1.1 横纵坐标 |
| 3.2.1.2 状态曲线制作 |
| 3.2.1.3 等饱和比湿线制作 |
| 3.2.2 实时曲线制作 |
| 3.2.2.1 温度层结曲线 |
| 3.2.2.2 露点层结曲线 |
| 3.2.2.3 状态曲线 |
| 3.3 气象指数产品介绍与实现方法 |
| 3.3.1 对流有效位能CAPE与 LFC和 EL高度 |
| 3.3.2 沙瓦特指数 |
| 3.3.3 K指数 |
| 3.3.4 全总指数 |
| 3.3.5 S指数 |
| 3.3.6 TQ指数 |
| 3.3.7 交叉总指数 |
| 3.3.8 抬升指数 |
| 3.3.9 Thompson指数 |
| 3.3.10 深对流指数 |
| 3.3.11 KO指数 |
| 3.3.12 混合微下击暴流指数 |
| 3.3.13 微下击暴流潜势日指数 |
| 3.3.14 强天气威胁指数 |
| 3.3.15 风暴强度指数 |
| 3.3.16 雾稳定性指数 |
| 3.4 本章小结 |
| 第四章 引入云信息的微波辐射计大气温湿廓线反演算法 |
| 4.1 温湿廓线反演方法 |
| 4.2 神经网络算法 |
| 4.2.1 BP神经网络算法原理 |
| 4.2.2 BP神经网络算法流程 |
| 4.3 BP神经网络模型构建 |
| 4.3.1 探空资料云信息计算方法 |
| 4.3.2 神经网络模型构建 |
| 4.3.3 神经网络模型总流程 |
| 4.4 微波辐射计LV1 数据质量控制算法 |
| 4.4.1 逻辑检查 |
| 4.4.2 最小变率检查 |
| 4.4.3 降水检查 |
| 4.4.4 时间一致性检查 |
| 4.4.5 极值检查 |
| 4.4.6 偏差订正 |
| 4.5 反演算法实验与结果分析 |
| 4.5.1 温度廓线反演实验 |
| 4.5.2 湿度廓线反演实验 |
| 4.6 本章小结 |
| 第五章 需求分析与总体设计 |
| 5.1 系统的需求分析和总体要求 |
| 5.2 系统总体架构设计 |
| 5.3 系统总体功能模块设计 |
| 5.3.1 系统管理模块 |
| 5.3.2 自动化解析入库模块 |
| 5.3.3 数据综合处理模块 |
| 5.3.4 综合产品展示模块 |
| 5.3.5 数据标准输出与数据共享模块 |
| 5.4 系统数据库设计 |
| 5.4.1 系统信息管理表设计 |
| 5.4.2 业务数据表设计 |
| 5.4.2.1 云雷达数据表 |
| 5.4.2.2 风廓线雷达数据表 |
| 5.4.2.3 微波辐射计数据表 |
| 5.4.2.4 二次产品数据表 |
| 5.5 系统非功能需求分析 |
| 5.6 本章小结 |
| 第六章 系统实现与测试 |
| 6.1 系统管理模块的实现 |
| 6.1.1 用户登录 |
| 6.1.2 用户、权限及日志管理 |
| 6.2 自动化解析入库模块的实现 |
| 6.2.1 云雷达数据解析 |
| 6.2.2 风廓线数据解析 |
| 6.2.3 微波辐射计数据解析 |
| 6.3 数据综合处理模块实现 |
| 6.3.1 气象产品指数计算 |
| 6.3.2 微波辐射计质制与反演 |
| 6.4 综合产品展示模块实现 |
| 6.4.1 微波辐射计产品展示 |
| 6.4.2 云雷达产品展示 |
| 6.4.3 风廓线产品展示 |
| 6.4.4 融合产品展示 |
| 6.4.5 拓展产品展示 |
| 6.5 数据标准输出与数据共享模块 |
| 6.6 系统测试 |
| 6.6.1 测试环境说明 |
| 6.6.2 系统测试结果 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文研究工作总结 |
| 7.2 论文的主要创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（9）润滑材料数据库平台设计及机器学习性能预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 润滑材料数据库的研究现状 |
| 1.2.1 数据库技术的发展与研究现状 |
| 1.2.2 传统材料数据库的研究现状 |
| 1.2.3 面向数据驱动的材料数据库的研究现状 |
| 1.3 润滑油分子模拟计算发展现状 |
| 1.4 润滑油机器学习性能预测研究现状 |
| 1.4.1 基于机器学习的材料性能预测研究现状 |
| 1.4.2 润滑油性能预测研究现状 |
| 1.4.3 集成学习算法的研究现状 |
| 1.5 本文的主要研究工作 |
| 第二章 润滑材料数据库的设计与开发研究 |
| 2.1 引言 |
| 2.2 数据库系统平台的开发语言与软件 |
| 2.2.1 数据库类型 |
| 2.2.2 Web服务器 |
| 2.2.3 脚本语言与开发框架 |
| 2.3 关系型数据库的数据结构 |
| 2.4 润滑材料数据库系统框架的搭建 |
| 2.4.1 搭建满足模拟-试验的集成开发环境 |
| 2.4.2 搭建数据库网站前台/后台系统框架 |
| 2.5 数据库网站登录及注册页面的搭建 |
| 2.6 数据库系统功能模块的构建 |
| 2.6.1 数据库功能模块的设计 |
| 2.6.2 润滑材料数据库平台的优化与数据收集 |
| 2.7 结论 |
| 第三章 润滑油分子模拟计算方法研究 |
| 3.1 引言 |
| 3.2 润滑油分子模拟计算方法 |
| 3.2.1 分子模拟简介 |
| 3.2.2 分子模拟计算软件 |
| 3.2.3 分子模拟方法 |
| 3.3 润滑油分子模拟计算及结果分析 |
| 3.3.1 润滑油材料的选择 |
| 3.3.2 分子总能量 |
| 3.3.3 分子偶极矩 |
| 3.3.4 HOMO-LUMO能级 |
| 3.3.5 静电势 |
| 3.3.6 电子结构 |
| 3.4 结论 |
| 第四章 润滑油机器学习性能预测方法研究 |
| 4.1 引言 |
| 4.2 机器学习方法概述 |
| 4.3 润滑油摩擦磨损性能预测方法 |
| 4.3.1 试验材料 |
| 4.3.2 润滑油添加剂分子结构参量计算 |
| 4.3.3 润滑油特征参量的选取 |
| 4.3.4 特征参量与磨损量之间的机器学习模型 |
| 4.4 润滑油抗氧化性能预测方法研究 |
| 4.4.1 试验材料 |
| 4.4.2 润滑油分子结构参量计算 |
| 4.4.3 润滑油特征参量的选取 |
| 4.4.4 特征参量与起始氧化温度之间的机器学习模型 |
| 4.5 结论 |
| 第五章 润滑油性能集成学习预测系统研究 |
| 5.1 引言 |
| 5.2 集成学习模型构建方法 |
| 5.2.1 集成学习方法 |
| 5.2.2 润滑油集成学习性能预测模型构建方法 |
| 5.3 不同机器学习方法性能预测差异性对比 |
| 5.3.1 多元线性回归模型 |
| 5.3.2 支持向量机模型 |
| 5.3.3 神经网络模型 |
| 5.4 润滑油集成学习性能预测系统的建立 |
| 5.4.1 神经网络-多元线性回归集成学习模型构建 |
| 5.4.2 神经网络-支持向量机集成学习模型构建 |
| 5.4.3 支持向量机-多元线性回归集成学习模型构建 |
| 5.5 结论 |
| 第六章 结论与展望 |
| 6.1 本文的主要结论 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 作者简介 |
（10）基于神经网络模型的上市公司估值方法应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、 选题背景 |
| 二、 研究意义 |
| （一） 理论意义 |
| （二） 现实意义 |
| 第二节 研究方法与研究内容 |
| 一、 研究方法 |
| 二、 研究内容 |
| 三、技术路线图 |
| 第三节 研究的贡献与不足 |
| 第二章 文献综述 |
| 第一节 企业价值研究现状综述 |
| 一、 国外企业价值评估方法研究现状 |
| 二、 国内企业价值评估方法研究现状 |
| 第二节 影响企业价值评估的指标研究综述 |
| 一、 国外影响企业价值评估的指标研究现状 |
| 二、 国内影响企业价值评估的指标研究现状 |
| 第三节 神经网络应用研究现状综述 |
| 一、 神经网络理论发展历程的文献综述 |
| 二、 神经网络在财务会计领域应用的文献综述 |
| 第四节 文献研究评述 |
| 第三章 相关理论概述 |
| 第一节 企业价值评估理论及方法 |
| 一、 资产价值法 |
| 二、 相对估值法 |
| （一） 市盈率、市净率、市销率估值法 |
| （二） 公司价值倍数估值法 |
| 三、 现金流量折现法 |
| 四、 期权估值法 |
| 五、 EVA估值法 |
| 第二节 传统企业价值评估方法的优劣分析 |
| 一、 资产价值评估法 |
| 二、 相对价值法 |
| 三、 现金流量折现法 |
| 四、 期权定价法 |
| 五、 EVA估值法 |
| 第四章 神经网络理论及模型的建立 |
| 第一节 神经网络相关理论 |
| 一、 神经网络基本理论 |
| 二、 神经网络的发展历程 |
| （一） 单层神经网络（感知机） |
| （二） 两层神经网络（多层感知器） |
| （三） 多层神经网络（深度学习） |
| 三、 神经网络模型选择 |
| （一） 结构 |
| （二） 激活函数 |
| 第二节 企业价值评估指标的建立 |
| 一、 选择科创板企业的原因及其特点 |
| 二、 科创板企业的价值驱动因素 |
| 第三节 神经网络预测模型的建立及结果 |
| 一、 神经网络预测模型的建立 |
| 二、 具体构建模型的过程 |
| （一） 数据来源及处理 |
| （二） 模型设计 |
| （三） 各个神经元的权重值W和偏置bias |
| （四） 训练配置 |
| （五） 训练过程 |
| （六） 保存模型 |
| 三、 神经网络预测模型的值与结果分析 |
| （一） 结果验证 |
| （二） 相关指标结果分析 |
| 第五章 传统法估值与模型结果对比 |
| 第一节 相对估值法 |
| 一、 市盈率、市净率、市销率预测法 |
| （一） 市盈率模型预测值 |
| （二） 市净率模型预测值 |
| （三） 市销率模型预测值 |
| 第二节 绝对估值法 |
| 一、 现金流量法预测值 |
| （一） 加权资本成本的确定 |
| （二） 企业自由现金流预测 |
| （三） 2019年末企业价值评估 |
| 二、 B-S模型预测值 |
| （一） 实物期权法计算现有企业价值 |
| （二） 实物期权法计算企业价值 |
| 三、 EVA预测值 |
| （一） 计算历史EVA |
| （二） 计算预测期EVA |
| 第三节 传统估值法与神经网络估值结果对比 |
| 第六章 结论与展望 |
| 第一节 研究结论 |
| 第二节 未来展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、基于神经网络的研发项目选择方法（论文参考文献）
- [1]成长期产业技术创新联盟知识融合影响因素及风险防控研究[D]. 王琳. 吉林大学, 2021
- [2]复杂交通场景下轻量化视觉感知方法研究[D]. 刘步实. 北京交通大学, 2021(02)
- [3]小微企业互联网融资信用评价研究[D]. 周彪. 北京交通大学, 2021(02)
- [4]船舶舵机液压系统的智能故障诊断方法研究[D]. 刘沁. 北京交通大学, 2021(02)
- [5]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [6]香菇菌棒成熟度识别与生产管理系统研发[D]. 司振宇. 山东农业大学, 2021(01)
- [7]机场休息室管理系统软件项目进度管理研究[D]. 王一然. 浙江大学, 2021
- [8]多源气象垂直观测设备综合产品集成处理系统[D]. 王磊. 南京信息工程大学, 2021
- [9]润滑材料数据库平台设计及机器学习性能预测方法研究[D]. 贾丹. 机械科学研究总院, 2021
- [10]基于神经网络模型的上市公司估值方法应用研究[D]. 刘梦乔. 云南财经大学, 2021(09)