一、基于熵方误差的NL2SOL前馈神经网络（论文文献综述）
陈藜藜[1]（2018）在《黑龙江省耕地系统安全预警及调控研究》文中认为耕地系统安全预警是科学把握区域耕地安全状态的有效途径,既可掌握耕地系统安全运行存在的优势条件,为保障耕地系统安全可持续提供支撑,又可以预先发现耕地系统未来运行可能出现的问题及成因,为提前实施预防耕地系统安全风险和化解警情的措施提供依据,是保障粮食安全、促进社会经济发展和生态保护的重要基础。黑龙江省耕地面积丰富,约占全国耕地面积的11.7%,是国家重要的粮食主产区和商品粮基地,对保障国家粮食安全起着举足轻重的作用。尽管黑龙江省耕地资源和粮食总量丰富,但部分地区耕地土壤污染、耕地生态环境破坏、水土流失以及农药和化肥施用过量等问题凸显,且2015年黑龙江省中、低等产田面积高达1580.49万hm2,占全省耕地总面积的99.69%,耕地质量令人堪忧。因此,准确识别黑龙江省耕地系统安全状况并及时地做出科学预警,既保持区域的优势条件,保障耕地系统安全区域的可持续发展,又准确识别出耕地系统安全问题区域可能存在的风险,并有针对性地提出耕地系统安全调控途径和措施,对于保障全省耕地系统安全运行,实现粮食安全、经济发展和生态保护的共同可持续至关重要。已有耕地系统安全预警及调控方面的相关研究,多从单一空间尺度,针对耕地资源数量、质量和生态的某一方面,或几方面简单组合进行预警研究,缺乏系统性的多尺度预警研究;对于预警现状评定和预警预测结果精度都较低,无法准确把握区域耕地系统安全警情状况,更缺少对耕地系统安全预警机理的探究,且耕地系统安全调控多为宏观对策建议,缺乏定量的、有针对性的、系统性的调控方案。本文以黑龙江省为研究区,基于其自然生态、社会经济以及耕地利用相关数据,引入生物免疫机理,从系统角度构建省、市和县域不同尺度下耕地系统安全预警体系,并运用主客观赋权法和数值转化方法构建基于改进突变级数的耕地系统安全预警评定模型,同时引入Elman神经网络模型,科学识别研究区不同尺度下耕地系统安全预警现状和未来发展趋势,系统性把握耕地系统安全预警状态;分析不同尺度下耕地系统安全预警时空变化特征,并通过分析权重大小,构建面板数据模型和地理加权回归模型,确定不同尺度下耕地系统安全预警变化的关键性驱动因素,阐明耕地系统安全预警变化的作用机理;分别通过调控预警直接影响因素和预警根本驱动因素,以定量的分区情景模拟和耕地格局优化的方式分别对市和县域（与斑块相结合）尺度下耕地系统安全进行调控,并结合省级尺度下耕地系统安全预警定性的宏观调控对策,构成研究区不同尺度的耕地系统安全调控方案。研究结果对保障国家粮食安全,实现黑龙江省经济发展和生态保护的协调发展提供参考和借鉴。研究结果表明:（1）从系统的角度尝试性地提出了耕地系统和耕地系统安全的概念,构建了基于生物免疫机理的耕地系统安全预警理论分析框架,并分别从政策推动调控、分区情景模拟调控以及耕地格局优化调控方式构建了省域、市域和县域不同尺度下黑龙江省耕地系统安全调控理论分析框架。（2）改进突变级数模型和Elman神经网络模型可为耕地系统安全预警现状评定和预警预测研究提供新的方法。改进突变级数模型揭示了不同尺度下近20年黑龙江省耕地系统安全预警现状结果,更能凸显评价对象之“优、劣”特征,更符合客观实际,且该方法是针对传统突变级数模型本身存在的缺陷而提出的,具有普适性;Elman神经网络模型揭示了未来20年耕地系统安全预警结果,测试拟合精度高,误差小,预测结果可靠。（3）不同尺度下黑龙江省整体耕地系统安全警情较高,耕地系统安全状况不容乐观,亟待合理有效调控。①省域尺度下1995～2014年黑龙江省耕地系统安全预警警度由“无警（安全或较安全状态）”上升至“轻警”,再至“中警”,且在当前警情发展态势下,2015～2034年预警警度处于“轻警”与“中警”之间;②市域尺度下1995～2014仅有2个市域处于较安全状态,3个处于重警状态,其他7个处于轻警和中警状态;且在当前警情发展态势下,2015～2034年12个地市中都有出现预警值降低的阶段,但整体上最终都呈现预警值升高的趋势,即各地市耕地系统安全警情还将有所增加;③县域尺度下2014年全省72个县域中,有69个县域处于预警状态,约为县域总数94%,处于轻警、中警和重警状态的县域分别为28、32和9个,仅有3个县域处于较安全状态。（4）不同尺度下黑龙江省耕地系统安全预警时空分异特征显着。①省域尺度下 1995～2014年耕地系统安全预警历史变化呈现较剧烈的波动特征,且在当前发展趋势下,2015～2034年将呈现与历史研究时段相一致的变化特征;②市域尺度下1995～2014年耕地系统安全预警值呈现一定的波动特征,且在当前发展趋势下,12个地级市中,除伊春市和绥化市外,其他10个地级市耕地系统安全预警变化都具有时间序列上的持续性,在未来将主要延续各自在近20年内的历史变化,大体上呈现先升高后降低,最终略有升高的趋势;重警区主要分布在黑龙江省东南部的鸡西市和双鸭山市,以及西部的齐齐哈尔市和大庆市,轻警区（安全和较安全的区域）主要集中在黑河市、伊春市和牡丹江市等中北部和南部地区;③县域尺度下2014年西部县域预警水平最高,东部次之,南北轴带地区（包括中部）最低。预警值高-高型和低-低型以“组团”形式凸显,聚集性较强;预警值低-高型和高-低型县域较少,且零星分散。（5）构建面板数据模型科学有效实现了市域尺度下耕地系统安全预警时空变化的关键性驱动因素的识别。①人口自然增长率、自然灾害指数、单位耕地面积农业三废指数、单位耕地面积废水负荷量和森林覆盖率是1995～2014年市域尺度下耕地系统安全预警时空变化的关键性驱动因素,除森林覆盖率与预警值呈显着负相关外,其他4个驱动因素呈显着正相关;②科学有效的面板数据模型的构建应逐步通过单位根检验、协整检验、模型选择、工具变量检验和内生性检验,否则将可能产生伪回归现象。（6）构建地理加权回归模型实现了县域尺度下耕地系统安全预警空间分异的关键性驱动因素作用大小的空间化。①高程、坡度和年均气温3个自然因素和人均GDP、城镇化水平、地均农业固定资产投资、水土协调度、单位耕地面积农业三废指数和路网密度6个社会经济因素对耕地系统安全预警有着显着的影响,且影响的空间差异较为显着:高程和坡度对预警的作用呈现西北向东南递减规律;年均气温则是对西部和南部作用高,东部和北部作用低;水土协调度对预警作用呈现由东部向西部逐渐递减;人均GDP、城镇化水平、农业固定资产投资、单位耕地面积农业三废指和路网密度对预警作用由西北向东南逐渐降低;②基于地理加权回归模型的耕地系统安全预警驱动因素空间可视化,回归系数随空间位置发生变化,充分考虑了各县域空间异质特征,能够精准地刻画各因素的空间变化特征,可为研究区耕地系统保护提供新的思路和视角。（7）单位耕地面积农业三废指数是省域、市域和县域尺度下耕地系统安全预警空间分异的共同关键驱动因素,亟待改变以增加农业三废的施用量提高粮食产量的恶性增长方式;在自然变化、区域人类社会经济发展和耕地效益相互作用下产生的“自然条件和人类经济发展—耕地经营方式—耕地效益—耕地系统安全”循环互动过程,是耕地系统安全预警时空动态变化的内在驱动机理,为耕地系统安全调控及土地利用的科学规划提供了更丰富的有效信息。（8）在省域尺度,从减少耕地系统“隐患”、增强耕地系统“免疫”、缓解耕地系统“压力”和提高耕地系统“响应”四个方面提出了整体性、宏观政策性的耕地系统安全调控措施;在市域尺度,分别设定3区（松嫩平原经济发展区、三江平原综合发展区和山地丘陵生态功能区）最优分析情景,通过调控耕地系统安全预警直接影响因素,未来20年（2015～2035年）市域耕地系统安全状态将呈现明显上升趋势;县域（与斑块相结合）尺度,通过调控耕地系统安全预警根本驱动因素,从优化耕地格局的角度,引入FLUS模型,设定不同模拟情景,确定了粮食安全、生态保护与经济发展综合调控情景下耕地格局最利于缓解耕地系统安全警情。
芦婧[2]（2018）在《基于长短期记忆网络的短期风速组合预测研究》文中进行了进一步梳理伴随着我国化学工业水平的巨大进步,我国多地发生了多起由毒害气体泄漏造成的重大生产安全事故,已经严重危害到人民群众的生命财产安全。毒害气体在泄露之后,其传播路径及扩散轨迹的影响因素很多,其中起决定性作用的是风。自然风场中的风具有湍动性和间歇性,为毒害气体泄漏源定位的任务增加了巨大的难度。准确地预测复杂风场的变化将为毒害气体泄漏源定位提供非常有价值的搜寻线索。针对经典风速预测方法的不足,本文采用长短期记忆（LSTM）网络建立风速预测模型,并提出一种自适应迭代加强的高精度短期风速组合预测方法,具体工作如下:一、采用支持向量机法、时间序列法和人工神经网络法这三种经典预测方法分别构建SVR预测模型、ARIMA预测模型和BP神经网络预测模型,并利用以上模型预测短期风速。预测结果表明,SVR预测模型泛化性很强,但是该模型在训练数据量变大时就会遇到困难,预测效果不是很理想;ARIMA预测模型可以将时间序列归纳为数学模型,但是在处理非线性较强的数据时效果并不理想;BP神经网络预测模型,具有强大的自适应性和容错能力,更适合用于分析具有高度间歇性和波动性的非线性时间序列,因而在三种经典预测模型中表现最优,但是其训练过程中有时会陷入局部最小值或遇到梯度消失等问题。二、针对前馈神经网络无法利用时序信息的缺点和传统递归神经网络（RNN）训练面临的梯度爆炸和梯度消失问题,采用LSTM深度学习网络建立风速预测模型。从实验结果可以看出,LSTM预测模型的预测效果明显优于三种经典预测模型,表明LSTM预测模型能够体现风速数据之间的连续变化性,挖掘出时间序列的有用信息,深刻理解其波动结构和内部规律。三、针对独立风速预测模型无法在所有应用对象上均取得最佳预测结果的问题,本文提出一种自适应迭代加强的高精度短期风速组合预测方法,优选几种独立预测模型,并自适应调整各模型预测结果的组合系数,以此作为性能次优的弱回归预测器,经过多次迭代过程更新输入样本权重系数并得到多个性能次优的弱回归预测器,将这几个弱回归预测器的输出值进行融合最终得到短期风速高精度预测值。本文还将熵系数法组合预测方法和广义回归神经网络组合预测方法作为对照,证明了自适应迭代加强的高精度短期风速组合预测方法的有效性。
高闯,谷传纲,王彤,舒信伟[3]（2008）在《基于小波神经网络的无叶扩压器失速分析》文中研究指明用来自不同文献的实验数据作为样本,对小波神经网络进行训练,并利用训练好的神经网络研究叶轮和扩压器几何尺寸对无叶扩压器失速的影响.计算分析结果表明:几何尺寸对于宽、窄扩压器失速的影响表现不同,这也证明了不同宽度的扩压器的确存在不同的失速机理.文章的结果,对无叶扩压器的设计具有一定的借鉴意义.
鄢春艳,赖兴余,叶邦彦,李伟光[4]（2006）在《基于小波神经网络的加工过程自适应控制》文中进行了进一步梳理把信息熵、小波分析和神经网络相结合,提出了基于小波神经网络的加工过程自适应控制系统及其自适应控制算法。提出并定义了广义熵方误差函数,在理论上证明了广义熵方误差函数的有效性。用广义熵方误差函数准则取代BP算法的均方误差准则,用自适应地搜索小波基函数和自适应地调整小波的尺度参数、平移参数和神经网络权值的方法对参数变化的切削力进行在线控制。仿真结果表明,该系统响应快,无超调,比传统的加工过程神经网络自适应控制具有更好的控制效果。
徐晋[5]（2004）在《基于熵方误差的NL2SOL前馈神经网络》文中研究表明为提高前馈神经网络学习算法的收敛速度,尝试定义熵方误差函数,在理论上证明了熵方误差函数的有效性,并将其应用于NL2SOL前馈神经网络.对比实验表明,引入熵方误差函数的前馈神经网络具有良好的收敛性与稳定性.
二、基于熵方误差的NL2SOL前馈神经网络（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、基于熵方误差的NL2SOL前馈神经网络（论文提纲范文）
（1）黑龙江省耕地系统安全预警及调控研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究综述 |
| 1.3.1 国内外研究动态 |
| 1.3.2 国内外研究动态评述 |
| 1.4 研究内容 |
| 1.5 研究方法 |
| 1.5.1 多学科相结合方法 |
| 1.5.2 典型调查法 |
| 1.5.3 数理统计分析方法 |
| 1.5.4 遥感技术与地理信息系统相结合的方法 |
| 1.6 研究思路与技术路线 |
| 1.7 创新点 |
| 1.7.1 构建了基于生物免疫机理的耕地系统安全预警识别体系 |
| 1.7.2 实现了耕地系统安全预警关键驱动因素的识别 |
| 1.7.3 构建了耕地系统安全预警驱动机理框架 |
| 1.7.4 探索了省-市-县多尺度的耕地系统安全调控方案 |
| 第2章 耕地系统安全预警及调控理论分析框架 |
| 2.1 核心概念界定 |
| 2.1.1 耕地系统安全 |
| 2.1.2 耕地系统安全预警 |
| 2.1.3 耕地系统安全调控 |
| 2.2 理论基础 |
| 2.2.1 系统论 |
| 2.2.2 控制论 |
| 2.2.3 地域分异理论 |
| 2.3 耕地系统安全预警理论分析框架 |
| 2.3.1 生物免疫机理应用于耕地系统安全预警的可行性分析 |
| 2.3.2 耕地系统安全预警内容 |
| 2.3.3 耕地系统安全预警目标 |
| 2.3.4 耕地系统安全预警结构流程 |
| 2.3.5 耕地系统安全预警功能模块 |
| 2.4 耕地系统安全调控理论分析框架 |
| 2.4.1 耕地系统安全调控思想 |
| 2.4.2 耕地系统安全调控主体 |
| 2.4.3 耕地系统安全调控原则 |
| 2.4.4 耕地系统安全调控目标 |
| 2.4.5 耕地系统安全调控内容框架 |
| 2.5 总体理论分析框架 |
| 2.6 本章小结 |
| 第3章 研究区概况与数据来源及处理 |
| 3.1 研究区概况 |
| 3.1.1 自然地理条件 |
| 3.1.2 社会经济条件 |
| 3.1.3 耕地资源安全现状 |
| 3.2 数据来源与处理 |
| 3.2.1 数据来源 |
| 3.2.2 数据处理 |
| 第4章 基于生物免疫机理的黑龙江省耕地系统安全预警 |
| 4.1 耕地系统安全预警指标体系构建 |
| 4.1.1 指标体系构建的原则 |
| 4.1.2 抗原(Ag) -抗体(Ab)框架模型 |
| 4.2 基于改进突变级数模型的耕地系统安全预警现状模型构建 |
| 4.2.1 改进的突变级数模型 |
| 4.2.2 现状评定模型的构建 |
| 4.2.3 预警评判标准 |
| 4.3 基于Elman模型的耕地系统安全预警预测模型构建 |
| 4.3.1 Elman神经网络原理及学习算法 |
| 4.3.2 预测模型的构建 |
| 4.4 省域尺度下研究区耕地系统安全预警 |
| 4.4.1 省域尺度下基于Ag-Ab模型的耕地系统安全预警指标体系 |
| 4.4.2 耕地系统安全预警现状结果及分析 |
| 4.4.3 耕地系统安全预警预测结果及分析 |
| 4.5 市域尺度下研究区耕地系统安全预警 |
| 4.5.1 市域尺度下基于Ag-Ab模型的耕地系统安全预警指标体系 |
| 4.5.2 耕地系统安全警情现状结果及分析 |
| 4.5.3 耕地系统安全预警预测结果及分析 |
| 4.6 县域尺度下耕地系统安全预警 |
| 4.6.1 县域尺度下基于Ag-Ab模型的耕地系统安全预警指标体系 |
| 4.6.2 耕地系统安全警情现状结果及分析 |
| 4.7 本章小结 |
| 第5章 黑龙江省耕地系统安全预警时空分异特征 |
| 5.1 省域尺度下耕地系统安全预警时间序列变化特征 |
| 5.1.1 耕地系统安全预警历史变化特征 |
| 5.1.2 耕地系统安全预警发展趋势特征 |
| 5.2 市域尺度下研究区耕地系统安全预警时空分异特征 |
| 5.2.1 耕地系统安全预警历史变化特征 |
| 5.2.2 耕地系统安全预警发展趋势特征 |
| 5.2.3 不同时段耕地系统安全预警空间格局特征 |
| 5.3 县域尺度下耕地系统安全预警空间分异特征 |
| 5.3.1 探索性空间数据分析方法及原理 |
| 5.3.2 县域耕地系统安全预警空间分异特征 |
| 5.3.3 县域耕地系统安全预警空间自相关分析 |
| 5.4 本章小结 |
| 第6章 黑龙江省耕地系统安全预警驱动机理 |
| 6.1 耕地系统安全预警驱动因素分析模型构建 |
| 6.1.1 驱动因素的选取及分析 |
| 6.1.2 面板数据模型构建 |
| 6.1.3 最小二乘法和地理加权回归模型构建 |
| 6.2 省域尺度下耕地系统安全预警驱动因素分析 |
| 6.2.1 耕地系统安全预警驱动因素作用大小 |
| 6.2.2 耕地系统安全预警驱动因素作用比较分析 |
| 6.3 市域尺度下耕地系统安全预警驱动因素分析 |
| 6.3.1 单位根检验 |
| 6.3.2 协整检验 |
| 6.3.3 面板数据模型的选择 |
| 6.3.4 组间异方差、序列相关和横截面相关检验 |
| 6.3.5 内生性检验 |
| 6.3.6 不同面板数据模型回归结果比较及驱动因素作用分析 |
| 6.4 县域尺度下耕地系统安全预警驱动因素分析 |
| 6.4.1 OLS模型估算结果 |
| 6.4.2 GWR模型估算结果 |
| 6.4.3 驱动因素的空间差异分析 |
| 6.5 耕地系统安全预警驱动机理分析 |
| 6.5.1 不同尺度下耕地系统安全预警关键性驱动因素比较 |
| 6.5.2 自然生态因素对耕地系统安全预警驱动机理分析 |
| 6.5.3 社会经济因素对耕地系统安全预警驱动机理分析 |
| 6.5.4 耕地系统安全预警驱动机理框架 |
| 6.6 本章小结 |
| 第7章 黑龙江省耕地系统安全调控 |
| 7.1 省域尺度下基于政策推动的耕地系统安全总体调控 |
| 7.1.1 总体调控体系构建 |
| 7.1.2 基于政策推动的调控内容 |
| 7.2 市域尺度下基于情景分析的耕地系统安全分区调控 |
| 7.2.1 分区调控原则 |
| 7.2.2 分区指标体系构建 |
| 7.2.3 分区结果 |
| 7.2.4 分区调控情景设定 |
| 7.2.5 基于情景分析的各分区耕地系统安全预警变化趋势分析 |
| 7.3 县域尺度下基于耕地格局优化的耕地系统安全调控 |
| 7.3.1 耕地格局时空变化特征 |
| 7.3.2 基于耕地格局优化的耕地系统安全调控原理及模型 |
| 7.3.3 基于耕地格局优化的耕地系统安全调控技术框架 |
| 7.3.4 基于FLUS模型的耕地格局情景模拟 |
| 7.3.5 不同调控情景下耕地在不同地形上分布的耕地系统安全警情分析 |
| 7.4 本章小结 |
| 第8章 结论与讨论 |
| 8.1 结论 |
| 8.2 讨论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读博士学位期间发表论文及获奖情况 |
（2）基于长短期记忆网络的短期风速组合预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 经典风速预测方法研究现状 |
| 1.3 深度学习及其在风速预测中的应用研究现状 |
| 1.3.1 深度学习理论的基本思想 |
| 1.3.2 深度学习常用模型 |
| 1.3.3 基于深度学习的风速预测应用研究现状 |
| 1.4 课题的选题及特色 |
| 1.5 本文的主要工作 |
| 第2章 基于经典风速预测模型的短期风速预测研究 |
| 2.1 时间序列法基本原理 |
| 2.2 支持向量机基本原理 |
| 2.3 BP神经网络基本原理 |
| 2.4 风场数据采集及预测模型误差分析指标 |
| 2.4.1 室外风速数据采集 |
| 2.4.2 风速预测模型误差分析指标 |
| 2.5 经典风速预测模型建立 |
| 2.5.1 ARIMA风速预测模型建立 |
| 2.5.2 SVR风速预测模型建立 |
| 2.5.3 BP神经网络风速预测模型建立 |
| 2.6 本章小结 |
| 第3章 基于长短期记忆网络的短期风速预测研究 |
| 3.1 LSTM网络 |
| 3.1.1 LSTM网络概念及原理 |
| 3.1.2 LSTM网络训练方法 |
| 3.2 LSTM网络参数选择以及预测模型建立 |
| 3.3 实验结果与对比分析 |
| 3.4 本章小结 |
| 第4章 自适应迭代加强的短期风速高精度组合预测研究 |
| 4.1 组合预测方法 |
| 4.1.1 线性组合预测 |
| 4.1.2 非线性组合预测 |
| 4.2 基于熵系数法的风速组合预测方法 |
| 4.2.1 熵系数法原理 |
| 4.2.2 基于熵系数法的风速组合预测模型建立 |
| 4.3 基于广义回归神经网络的风速组合预测方法 |
| 4.3.1 广义回归神经网络原理 |
| 4.3.2 基于广义回归神经网络的风速组合预测模型建立 |
| 4.4 自适应迭代加强的短期风速高精度组合预测方法 |
| 4.5 实验结果与对比分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（3）基于小波神经网络的无叶扩压器失速分析（论文提纲范文）
| 1 学习算法和神经网络的拓扑结构 |
| 1.1 小波神经网络的拓扑结构 |
| 1.2 误差函数的选择和学习算法 |
| 2 神经网络数据的搜集和结果检验 |
| 2.1 数据搜集和处理 |
| 2.2 神经网络的检验 |
| 3 影响扩压器失速起始的因素分析 |
| 3.1 叶片数目的影响 |
| 3.2 叶片出口角的影响 |
| 3.3 叶轮旋转速度的影响 |
| 3.4 扩压器宽度比的影响 |
| 3.5 扩压器半径比的影响 |
| 4 结 论 |
（5）基于熵方误差的NL2SOL前馈神经网络（论文提纲范文）
| 1 前馈神经网络与熵误差函数 |
| 1.1 前馈神经网络 |
| 1.2 熵误差函数 |
| 2 基于熵方误差的NL2SOL前馈神经网络 |
| 2.1 熵方误差的定义和有效性定理 |
| 2.2 基于熵方误差的NL2SOL前馈神经网络 |
| 3 对比实验 |
| 3.1 实验描述 |
| 3.2 实验结果 |
| 4 结 论 |
四、基于熵方误差的NL2SOL前馈神经网络（论文参考文献）
- [1]黑龙江省耕地系统安全预警及调控研究[D]. 陈藜藜. 东北大学, 2018(12)
- [2]基于长短期记忆网络的短期风速组合预测研究[D]. 芦婧. 天津大学, 2018(04)
- [3]基于小波神经网络的无叶扩压器失速分析[J]. 高闯,谷传纲,王彤,舒信伟. 航空动力学报, 2008(04)
- [4]基于小波神经网络的加工过程自适应控制[J]. 鄢春艳,赖兴余,叶邦彦,李伟光. 计算机工程与应用, 2006(07)
- [5]基于熵方误差的NL2SOL前馈神经网络[J]. 徐晋. 武汉大学学报(工学版), 2004(06)