导读:本文包含了过程神经网络集成论文开题报告文献综述及选题提纲参考文献，主要关键词:DevOps,持续集成,神经网络,过程自调节
过程神经网络集成论文文献综述
郭雪[1]（2019）在《基于神经网络的过程自调节持续集成工具设计与实现》一文中研究指出不少研究数据表明DevOps的出现确实推动了项目工作流,提高了企业和团队的工作效率,但真正在实践中使用DevOps的团队仍然为数不多。导致其使用率不高的因素主要是企业和团队对于DevOps不够熟悉和了解,并且转型DevOps资源耗费较高,没有一个完整的实践平台来帮助实现DevOps流程等。其中本文重点针对如今持续集成过程中的问题进行了研究。首先,现在的持续集成过程灵活度较低,难以对动态变化的开发上下文实时做出针对性的调整;其次,软件规模增长后,持续集成的成本就愈发高昂,还会造成项目进度的延迟;最后,集成的频率力度难以把控,构建频率过低会导致代码质量的降低,过高又会造成集成的资源开销增加。面对这些困境,本文基于现在的流水线理念,参与设计了DevOps流水线实践平台,可以实现持续开发、持续集成、自动化测试、容器镜像管理等流水线软件产品交付过程。其中重点在持续集成模块提出了一种支持过程自调节的持续集成框架,并基于该框架,实现了自动化集成工具,在DevOps实践平台的持续集成模块使用。该框架基于神经网络模型,利用了前馈神经网络自学习和自调整的优势,能够在集成过程中不断根据已有的集成历史信息和构建数据对集成过程进行自动调整和决策优化,为开发者预测和计划最佳的下一次构建,从而帮助开发者合理平衡开发与集成。为了验证模型的稳定性和适用场景的普遍性,本文选取了GitLab上星级靠前且采用了持续集成和持续交付过程的十一个项目进行案例研究。研究结果表明,在没有足够的构建频率下使用该模型进行预测指导,可以达到70%左右的准确率;而如果项目构建频率能够达到10%以上,该模型可以达到80%-90%的预测精度。并且模型对每个项目的预测代价值整体呈下降趋势,这是前馈神经网络的优化效果。各个项目代价值减小了0.05至0.27不等,最终可以稳定在0.3-0.6左右。因此,项目团队可以在应用规模较小时尽可能提高构建频率,在应用规模扩大到过于频繁的构建会影响到项目进度时,采用该模型进行集成过程指导,避免不必要的集成,达到质量和效率的二者兼得。(本文来源于《南京大学》期刊2019-05-05）
雷达,钟诗胜[2]（2015）在《用集成过程神经网络预测民航发动机振动趋势》一文中研究指出提出了一种集成过程神经网络预测模型用于民航发动机振动信号趋势预测。首先,对AdaBoost.RT算法的误差函数进行了改进,并采用自适应调整策略在训练过程中自动调节算法的分类阈值;然后,以改进的AdaBoost.RT算法为集成学习框架构建集成过程神经网络(process neural network,简称PNN)预测模型。通过对两组实际民航发动机振动信号序列的预测对集成模型的预测效果进行了评估。结果表明,在具有更加简单网络结构的情况下,集成PNN模型的预测效果好于单一PNN模型。此外,提出的改进AdaBoost.RT算法的效果优于原始AdaBoost.RT以及仅改进了阈值调整方法的AdaBoost.RT算法。对比结果表明,提出的集成PNN模型适用于民航发动机振动信号变化趋势预测。(本文来源于《振动.测试与诊断》期刊2015年01期）
江大伟,周平,李丽华[3]（2014）在《基于粗糙集与神经网络集成的制造过程质量诊断技术研究》一文中研究指出结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和神经网络结合的机械制造过程质量诊断模型;并以42CrMo轴高硬度磨削工序为例分析各因素对其粗糙度的影响程度,表明可以简化网络训练样本,优化神经网络结构,提高质量诊断效率,验证了模型的可行性与有效性。(本文来源于《中国铸造装备与技术》期刊2014年02期）
任东红,韩红桂,乔俊飞[4]（2014）在《基于IHPSO算法的污水处理过程集成神经网络软测量模型》一文中研究指出针对污水处理过程关键水质参数的测量问题,提出了一种基于改进混合粒子群算法的集成神经网络软测量方法.本方法利用出水关键水质参数(出水COD,出水BOD,出水TN,出水TP)之间的耦合关系,建立了基于集成前馈神经网络的软测量模型.同时利用改进的粒子群算法对集成神经网络进行训练,该训练算法具有较高的精度,能够建立有效的污水处理过程软测量模型.仿真结果表明,基于该算法的污水处理过程集成神经网络软测量模型能够准确地测量出水关键水质参数,测量精度较高.(本文来源于《信息与控制》期刊2014年01期）
朱群雄,赵乃伟,徐圆[5]（2012）在《一种新的基于误差矢量化的选择性神经网络集成方法及其在高密度聚乙烯串级反应过程中的应用(英文)》一文中研究指出Chemical processes are complex, for which traditional neural network models usually can not lead to satisfactory accuracy. Selective neural network ensemble is an effective way to enhance the generalization accuracy of networks, but there are some problems, e.g., lacking of unified definition of diversity among component neural networks and difficult to improve the accuracy by selecting if the diversities of available networks are small. In this study, the output errors of networks are vectorized, the diversity of networks is defined based on the error vectors, and the size of ensemble is analyzed. Then an error vectorization based selective neural network ensemble (EVSNE) is proposed, in which the error vector of each network can offset that of the other networks by training the component networks orderly. Thus the component networks have large diversity. Experiments and comparisons over standard data sets and actual chemical process data set for production of high-density polyethylene demonstrate that EVSNE performs better in generalization ability.(本文来源于《Chinese Journal of Chemical Engineering》期刊2012年06期）
孙智源[6]（2010）在《基于过程神经网络集成的航空发动机性能衰退预测》一文中研究指出航空发动机一直被喻为飞机的心脏,其性能衰退情况直接影响着飞机的飞行安全和航空公司的经济效益。航空发动机的性能衰退主要表现在其性能衰退参数呈品质下降趋势,而性能衰退参数属于时间序列参数,必须利用能够处理时间序列的方法来处理和预测航空发动机的性能衰退情况。DEGT(Delta Exhaust Gas Temperature, DEGT)是发动机重要性能衰退参数之一,本文以DEGT为例,对航空发动机性能衰退预测技术展开研究。针对航空发动机性能衰退参数的时序特点,避开繁琐的、实际操作困难的数学建模和无法反映参数时间累积效应的传统人工神经网络预测方法,提出一种基于过程神经网络的性能衰退预测方法,并将前馈过程神经网络、双并联过程神经网络、小波过程神经网络分别应用于航空发动机性能衰退预测中,对各种模型的预测结果进行比较,分析影响过程神经网络泛化能力的多种因素。在此基础上,为提高预测精度和克服单一过程神经网络的预测缺陷,提出基于过程神经网络集成的性能衰退预测方法,介绍过程神经网络集成的基本概念和基本理论,分析个体网络输出结果合成阶段的几种方法,并对各种方法的优缺点进行比较。为提高过程神经网络集成的泛化能力即优化过程神经网络集成模型,对影响过程神经网络集成模型泛化能力的诸多因素进行分析研究。在上述理论研究的基础上,开发“基于过程神经网络的航空发动机健康状态预测系统”,并集成到“基于Web的航空发动机健康状态监测和维修数据管理系统”中,为实现航空发动机性能衰退预测的实时化、自动化和智能化提供支持。(本文来源于《哈尔滨工业大学》期刊2010-06-01）
牛大鹏,王福利,何大阔,贾明兴[7]（2009）在《基于Elman神经网络集成的诺西肽发酵过程建模》一文中研究指出针对单神经网络模型外推效果不理想、泛化能力较差的缺点,将神经网络集成用于诺西肽发酵过程的建模.采用Bagging技术进行重复取样用于个体神经网络的训练,结论生成时采用加权平均法,各子网络的权重利用差分进化算法来确定.个体神经网络选用典型的动态神经网络Elman网络,通过对多个Elman神经网络模型的输出进行融合,建立了基于神经网络集成的诺西肽发酵产物浓度模型.最后将所建立的模型与基于单神经网络的模型进行了比较,结果说明该模型具有更高的精度和泛化能力.(本文来源于《东北大学学报(自然科学版)》期刊2009年06期）
高小平[8]（2008）在《基于集成过程神经网络的交通流动态预测方法研究与实现》一文中研究指出交通拥堵已成为影响经济和社会秩序和谐发展的全球性问题,而智能交通系统(ITS)被认为是缓解交通拥堵的重要手段。作为ITS的重要组成部分,交通流预测是交通状态识别、交通控制与诱导等应用的重要研究基础。然而,道路交通系统是一个由人、车、路等多因素组成的复杂巨系统,其所具有的高度复杂性、非线性、不确定性等特征,对交通流的实时、准确、可靠的预测提出了严峻挑战。传统交通流预测方法的不足可归纳为:1)未充分考虑交通流的混沌性、过程性和多状态等特征;2)未充分考虑交通流的局部特征所导致模型泛化差的问题;3)未充分考虑交通流的动态变化所导致自适应性和动态预测能力下降的问题。针对传统方法上述不足,本论文在分析美国加州PeMS真实交通数据的基础上,提出动态数据驱动的交通流预测思想和方法,并用实验证明了该方法的有效性。具体包括:1.基于相空间重构的混沌交通流预测在证明交通流存在混沌现象的基础上,利用C-C算法和相空间重构方法将交通流映射到拓扑同构的相空间,并提出基于过程神经网络的相点序列预测模型。实验表明,混沌信息的有效利用可以明显提高交通流预测的准确率。2.基于集成过程神经网络(Process Neural Network Ensemble)的动态预测分析交通流的局部性和过程性特征,构建了局部过程神经网络模型;根据各局部模型的差异度,提出并构建了集成过程神经网络预测模型;针对交通流的动态性,设计了预测模型的在线学习和自适应更新机制,给出了各局部模型预测结果的动态融合算法。实验表明,集成过程神经网络模型显着提高了预测的实时性和准确性。(本文来源于《北京大学》期刊2008-06-01）
廖明燕[9]（2007）在《基于神经网络和证据理论集成的钻井过程状态监测与故障诊断》一文中研究指出钻井过程状态监测与故障诊断是钻井系统安全运行过程中的重要保障。基于信息融合原理,先建立钻井过程参数子空间和子神经网络进行初级融合,形成对钻井故障辨识框架中各故障模式的证据支持,再利用D-S证据理论将子网络输出所形成的证据进行融合,得到各故障模式的置信区间,很好地实现了钻井状态识别。试验结果表明,基于神经网络和证据理论集成的融合算法降低了神经网络的复杂性,提高了神经网络诊断过程的效率,集成融合算法可以很好地提高钻井参数融合的准确性。(本文来源于《中国石油大学学报(自然科学版)》期刊2007年05期）
张晓彬[10]（2005）在《基于神经网络的循环流化床烟气脱硫过程的智能集成建模研究》一文中研究指出循环流化床烟气脱硫(CFB-FGD)技术以循环流化床原理为基础,通过对反应产物和脱硫剂的多次循环利用,增加了反应器内的物料浓度,延长了反应时间,使脱硫剂的利用率和脱硫效率大幅提高,是一种具有投资低、脱硫效率高、运行可靠和操作维护方便等特点的烟气脱硫技术。 我国的燃煤发电在电力供给中占80%以上。以煤为主的能源消耗结构导致了二氧化硫的大量排放,对我国生态环境产生了严重的影响。节约资源,减少污染排放是我国急需解决的重要问题之一。为研究开发出技术可行、指标较高、工程改造量不大、施工周期较短、投资比较合理等特点的具有我国自主知识产权的燃煤电厂CFB-FGD控制技术,本文以国家“十五”重点攻关课题“CFB-FGD设备自动控制技术的研究与开发”为基础,建立了CFB-FGD机理模型。但由于CFB-FGD系统是一个非线性多变量复杂的系统,当前还未能完全掌握其复杂的机理,从机理角度出发建立的数学模型还不能完全满足要求,这就导致了CFB-FGD系统的放大设计以及工业生产过程的指导仍然主要是基于经验性的。除了数学模型的建立和维护都很复杂以外,数学模型在计算时需要较长时间进行反复迭代,为了解决这些困难,本文对CFB-FGD系统进行了基于神经网络的智能集成建模研究。 首先,本文在智能集成建模理论的指导下,重点探讨了神经网络与传统建模方法间的集成,提出了输入加权式前向神经网络智能集成建模方法,并给出了其具体实现。该方法预测精度高,收敛速度较快,适合于非线性严重,特别是输入变量较多的工业过程。 接着,对CFB-FGD过程运行规律进行了深入的分析,建立了CFB-FGD机理模型。包括:反应器内干燥阶段脱硫模型、气固阶段脱硫模型、布袋除尘器脱硫模型和考虑物料返混情况下的脱硫模型,其中干燥阶段模型又包含了环/核流动模型。为检验过程模型的可行性,将建立的稳态机理模型的计算值与实际数据进行了比较,结果表明所建立的模型能够较好的模拟实际系统的稳态运行状态。 最后,根据CFB-FGD机理模型确定了影响脱硫效率的因素,并由各因素对脱硫效率贡献的大小确定了其加权系数,建立了CFB-FGD系统的基于神经网络的智能集成模型。并对此模型的结构、训练和模拟能力进行了深入系统的研究。仿真结果表明,该神经网络智能集成模型可以较好地模拟和预测脱硫效率;和机理模型相比,CFB-FGD神经网络智能集成模型的效果更好。(本文来源于《东北大学》期刊2005-02-01）
过程神经网络集成论文开题报告
（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：
提出了一种集成过程神经网络预测模型用于民航发动机振动信号趋势预测。首先,对AdaBoost.RT算法的误差函数进行了改进,并采用自适应调整策略在训练过程中自动调节算法的分类阈值;然后,以改进的AdaBoost.RT算法为集成学习框架构建集成过程神经网络(process neural network,简称PNN)预测模型。通过对两组实际民航发动机振动信号序列的预测对集成模型的预测效果进行了评估。结果表明,在具有更加简单网络结构的情况下,集成PNN模型的预测效果好于单一PNN模型。此外,提出的改进AdaBoost.RT算法的效果优于原始AdaBoost.RT以及仅改进了阈值调整方法的AdaBoost.RT算法。对比结果表明,提出的集成PNN模型适用于民航发动机振动信号变化趋势预测。
（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。
过程神经网络集成论文参考文献
[1].郭雪.基于神经网络的过程自调节持续集成工具设计与实现[D].南京大学.2019
[2].雷达,钟诗胜.用集成过程神经网络预测民航发动机振动趋势[J].振动.测试与诊断.2015
[3].江大伟,周平,李丽华.基于粗糙集与神经网络集成的制造过程质量诊断技术研究[J].中国铸造装备与技术.2014
[4].任东红,韩红桂,乔俊飞.基于IHPSO算法的污水处理过程集成神经网络软测量模型[J].信息与控制.2014
[5].朱群雄,赵乃伟,徐圆.一种新的基于误差矢量化的选择性神经网络集成方法及其在高密度聚乙烯串级反应过程中的应用(英文)[J].ChineseJournalofChemicalEngineering.2012
[6].孙智源.基于过程神经网络集成的航空发动机性能衰退预测[D].哈尔滨工业大学.2010
[7].牛大鹏,王福利,何大阔,贾明兴.基于Elman神经网络集成的诺西肽发酵过程建模[J].东北大学学报(自然科学版).2009
[8].高小平.基于集成过程神经网络的交通流动态预测方法研究与实现[D].北京大学.2008
[9].廖明燕.基于神经网络和证据理论集成的钻井过程状态监测与故障诊断[J].中国石油大学学报(自然科学版).2007
[10].张晓彬.基于神经网络的循环流化床烟气脱硫过程的智能集成建模研究[D].东北大学.2005