一、DNA计算与软计算（论文文献综述）
徐慧敏[1]（2016）在《软计算的哲学内涵分析》文中研究指明软计算（Soft Computing,简称SC）作为一种创建计算智能系统的新型方法,其概念最早是1992年由加州大学伯克利分校的扎德（Lotfi A.Zadeh）教授和他的学生将模糊逻辑和智能技术相结合而提出的。总体看来,软计算是相对于传统计算硬计算而言的,硬计算完全建立在纯数学推理的基础之上,主要目的是产生精确的解。而软计算则是与人脑相对应,主要是开发并利用那些不精确、不确定和部分真实数据,以更好地解决实际中存在的不确定性问题。本论文主要在系统分析软计算这种全新计算方法的基础上从理性与非理性、客观性与主观性、一元性与多元性这三个来方面阐述其哲学内涵。全文主要分为四部分:第一部分——"软计算的历史回顾",本章节是对软计算发展历史的追溯,清晰地描述了近年来计算领域中发生的一些变化以及产生这些变化的历史背景。首先,对软计算这一新型优化计算方法产生的历史背景进行梳理,指出软计算的产生是由于科学实践由硬科学向软科学转变的需要,数学已经丧失了其应有的确定性。其次,对硬计算和软计算进行比较,指出软计算相对于硬计算在计算方式以及实际应用中的优势。第二部分——"软计算的理性与非理性"。理性主要指基于传统纯数学推理基础上的运算,主要目的是得出精确的解,并作为计算的基础。而非理性则是在传统纯数学推理基础上融入诸如情感、意志、环境等等因素。软计算之所以可以获得更好的发展和应用就在于考虑到了实际生活中存在的非理性因素,所以说,软计算是理性与非理性的结合。第三部分——"软计算的客观性与主观性",本章节从客观性与主观性的角度对软计算的哲学内涵做了更深层次的分析和思考。首先,从客观分析的角度指出软计算作为新型的数学优化方法同样基于客观性的基础之上,软计算中的每一计算方法都是基于客观事实和客观数据,并在此基础上运用计算模型得出最优化结果。其次,从主观分析的角度指出软计算中的每一计算方法都带有人的主观性思维,这一主观性不仅仅是辅助软计算中计算结果的得出,例如粗糙集、情感计算、文化计算中许多计算模型关键部分的得出往往根据研究者的个人经验及文化倾向。并且,主观性因素在实际计算的过程中同样必不可少。所以说,软计算是客观性与主观性的结合。第四部分——"软计算的一元性与多元性"。本章节主要从应用的角度来考量软计算的哲学内涵。软计算的提出者扎德教授指出,软计算成员之间不是相互竞争而是相互补充的关系。从软计算近几年的发展来看,软计算成员之间根据实际情况的融合运用可以更好地解决不确定性问题。软计算在计算过程中可以仅仅运用一元计算方法,也可以运用多元计算方法。所以,软计算是一元性与多元性的结合。
霍家佳,张文政[2]（2014）在《DNA密码与DNA计算及应用》文中研究表明DNA密码是目前新兴的一个前沿研究方向,是传统密码技术的潜在替代途径之一,它以DNA为信息载体,以现代生物学技术为实现工具,挖掘DNA固有的高存储密度、高并行性等优点,实现加密、认证、签名等密码学功能。本文从信息安全的角度入手,首先分析了DNA密码的研究方向、研究现状及其发展特点,然后探讨了DNA计算在信息安全技术中的应用及其对现代密码体制的影响,最后对DNA密码和DNA计算将来的发展方向进行了总结和展望。
张喜锋,刘军[3]（2012）在《油藏描述中的软计算方法》文中研究指明构成软计算方法的3个主要成分是神经计算、模糊计算和进化计算。其中神经网络使系统获得学习和适应的能力,模糊逻辑主要处理非精确性和进行近似推理,遗传算法则提供进行随机搜索和优化的能力。三者之间的混合体可在功能上实现互补,从而使系统的总体性能最佳。软计算方法已在油藏描述领域引起关注和应用。研究资料表明,软计算对于油藏数据的处理、油藏表征、地震反演、测井解释、油藏映射来说,都是一个很好的选择。就不同软计算方法对油藏数据的处理进行了概述。为了提高对油藏数据的理解,减少预测的不确定性,未来的研究应主要集中在各种软计算方法的混合使用。
朱雅莉,李浪,邹超君[4]（2011）在《DNA计算机的研究现状》文中研究指明为了帮助研究者进一步认识DNA计算机的研究现状,通过查找文献法和归纳法对DNA计算机的研究现状进行了梳理。首先介绍了DNA计算机的原理基础和研制过程,然后综述了DNA计算机的主要研究成果及应用,分析了DNA计算机目前面临的主要困难。特别讨论了DNA计算机中的数据结构与自组装技术的研究情况。最后得到DNA计算机的研究已取得一些进展,但还面临许多困难和技术挑战的结论。
郭海湘[5]（2008）在《石油储层纵向预测软硬计算融合的理论与方法研究》文中研究表明本论文的选题及研究内容获得诸克军教授主持的国家自然科学基金项目“石油勘探管理中软计算集成的理论和方法研究（NO．70573101）”和笔者主持的高等学校博士学科点专项科研基金“石油储层纵向预测软硬计算融合的理论与方法研究（NO．20070491011）”的联合资助。1996年我国产石油15729×104t，石油消费量为17307×104t，石油对外依存度为9．12％；2004年产石油17499×104t，石油消费量为31873×104t，石油对外依存度为45．10％，该年的石油消费量和石油进口量分别居世界第二位和第三位；2007年产原油18665．7×104t，石油消费量34593．7×104t，石油对外依存度为46．04％。以上数据显示：我国原油产量虽有大幅度增长，但是我们面对的主要情况是我国国民经济发展速度快，而石油产量的年增长率相对滞后，供需矛盾进一步凸显，并且随着石油勘探领域的不断扩大，储层预测面临的研究对象越来越复杂，已有的预测技术与不断提高的解释要求之间的矛盾也越来越突出。如何有效利用新的技术手段和思路，科学地预测储层的岩性和含油性，对于指导石油勘探和开发具有十分重要的实际意义，并普遍受到人们的关注。本研究以江汉油田某区块为石油储层纵向预测的案例，基于将该区块储层的测井数据转化成信息，再将信息转化成认识的动态过程，把软计算和硬计算进行融合，提出软计算和硬计算融合的模式，并且在这些融合模式下进行算法设计，对石油储层进行纵向预测：（1）在分析了软计算和硬计算的基本理论和原理的基础上，提出了软计算和硬计算的融合模式（分离模式、并行连接模式、串联模式和嵌套模式），并分析了各个模式的特点。（2）创建三维表（三维包括搜索策略、评价标准和识别任务类别。其中，搜索策略包括：穷举法、启发方法和随机方法；评价标准模式包括：过滤模式、包裹模式和杂交模式；识别任务类别包括分类和聚类。）对属性优化方法（特征选择）进行了归纳，并且在归纳的基础上提出了算法选择平台，依据算法选择平台可以从归纳的特征选择方法中选择匹配的算法进行属性优化。（3）在储层岩性识别中通过硬计算方法对数据进行整理，然后通过算法选择平台得出匹配的算法和各种软计算和硬计算方法中的分类器进行组合，最后得出识别该区块岩性最优的属性子集为孔隙度（POR），然后运用人工神经网络（ANN）对数据进行学习，从中提取对应各个类别的识别函数（硬计算函数），把该识别函数作为目标函数，再用遗传算法（GA）从中进行规则提取：①如果POR是中，则该层为砂岩；②如果POR是低，则该层为砂岩；③如果POR是高，则该层为泥岩。（4）在储层含油性识别中，通过算法选择平台得出匹配的算法和各种软计算和硬计算方法中的分类器进行组合，最后得出识别该区块含油性最优的属性子集为声波时差（AC）和含油饱和度（So），接着提出了数据驱动的灰色关联预测方法来识别储层的含油性，然后进行样本约简，最后运用人工神经网络（ANN）对数据进行学习，从中提取对应各个类别的识别函数（硬计算函数），把该识别函数作为目标函数，再用遗传算法（GA）从中进行规则提取①如果AC是低和So是低，则该层为干层；②如果AC是中和So是低，则该层为干层；③如果AC是高和So是低，则该层为水层；④如果AC是中和So是中，则该层为差油层；⑤如果AC是低和So是中，则该层为油层；⑥如果AC是高和So是中，则该层为油层；⑦如果So是高，则该层为油层。（5）在岩性识别的最优属性子集POR和含油性最优属性子集AC和So的基础上，如果在测井数据集中没有或者缺少这些关键属性时，需要解决的问题就是怎样在不需要额外的开支下（钻井、化验等）构建预测POR，AC和So的模型。首先通过硬计算方法中的回归模型分别建立预测POR，AC和So的回归方程；然后再用软计算方法中的遗传算法和BP神经网络的嵌套（GA-BP，其中遗传算法用来优化确定BP神经网络的输入属性组合和隐含层神经元的个数）得到满意的BP神经网络预测模型来预测和识别POR，AC和So；最后对硬计算和软计算得到的模型进行比较和分析，得出GA-BP模型优于多元回归预测模型。（6）该研究区块的储层分为四个类别：①如果该层岩性为砂岩，含油性为油层，那么该储层为类别Ⅰ；②如果该层岩性为泥岩，含油性为油层，那么该储层为类别Ⅱ；③如果该层岩性为砂岩，含油性为差油层，那么该储层为类别Ⅲ；④如果该层岩性为泥岩，含油性为差油层，那么该储层为类别Ⅳ。石油储层纵向预测可以为减少石油勘探风险、准确评估石油储量、明确合理开发方案、提高石油采收率等提供极为重要的决策依据。
王永全[6]（2008）在《入侵检测系统（IDS）的研究现状和展望》文中研究指明通过对入侵检测系统发展历史的回顾,对入侵检测系统（技术）研究现状进行了分析,指出了入侵检测系统面临的问题和挑战,并对其未来研究进行了展望。同时强调:随着软计算等智能化理论和方法（如:粗糙集理论、模糊逻辑和模糊推理、数据挖掘技术、遗传算法、进化计算、计算机免疫原理、DNA计算、协议分析加命令解析等）在IDS中的应用研究不断展开和深入进行,将为IDS的研究和发展注入新的活力。入侵检测系统（IDS）与计算机网络（数字）证据的获取分析技术和方法的集成研究将是其未来的主要发展方向之一。
应文豪[7]（2008）在《基于软计算的基因调控网络应用研究》文中研究指明功能基因组学的主要研究内容就是研究基因的表达调控机制,研究基因在生物体代谢途径中的地位,分析基因、基因产物之间的相互作用关系、绘制基因调控网络图。近几年发展起来的DNA微阵列技术可以得到大量的时序基因表达数据,这就为这些研究奠定了基础。另外,为了从分子水平上理解生物体功能,需要知道生物体中有哪些基因被表达、在哪里被表达、什么时候表达,以及表达的程度如何等。基因表达的调控是通过基因调控系统实现的,而该系统的结构又由DNA、RNA、蛋白质及小分子之间的关系网络决定。这个网络含有多类成分,调控关系较为复杂,因此引入有效的模型和高效的计算方法来进行研究就显得必不可少。本文回顾了基因表达调控的原理以及现有的一些基因调控网络模型,比如布尔网络模型、线性微分方程模型、贝叶斯网络模型及递归神经网络模型等。本文同时回顾了软计算理论的基本概念,并重点介绍了两类进化计算的方法,即遗传算法和粒群优化算法。在两个基因调控网络（一个是人造基因调控网络,另一个是DNA修复网络）的时序基因表达数据的基础上,本文结合软计算方法对两个模型展开了一系列的研究。一个是稳态系统模型（S-system）,本文使用粒群优化算法结合稳态系统模型来确定基因间调控关系,实验证明该方法具有快速收敛性,准确度也较高;另一个是基于惯性法则的微分动力学模型。由于基因调控网络本身具有高度非线性的特征,本文对该模型加以改进,将非线性函数引入到该模型,并且证明该模型具有递归神经网络的特征。实验表明改进的方法有效的减少了模型本身的震荡特性,仿真效果较为理想。由于目前生物信息学,尤其是基因调控网络分析和重建这个研究领域的很多方面尚不成熟,所以从当前获得的实验数据不可能对我们所推测出的网络的生物学准确性进行评价。最好的评价方法就是产生一系列可得的网络,然后交给生物学家用实验证明。科学技术的发展是十分快速的,相信在不久的将来,我们能建立很好的评价网络的方法。
於世为[8]（2008）在《储层预测信息管理中软计算集成理论与方法研究》文中研究指明当今,油气勘探开发得到了进一步发展,浅层和储集条件简单的区块得到了较为充分地勘探开发。随着石油勘探领域不断地向深层和储集条件复杂的区域进军,油气勘探活动越来越复杂,要求勘探技术水平必须相应地提高。今后油气开发的重点将是复杂油气储集层,一方面,复杂油气储集层具有非均匀性、非线性及不确定性的响应特征,显然,基于均匀线性理论的传统统计方法难以达到这种要求;另一方面,储层管理中涉及地震、测井、地质等海量数据,信息量大,来源多样,一般的信息管理技术难以及时而有效地处理。因此要提高储层描述的精度和可靠性,最大限度地挖掘和利用已有的地震与测井的信息,以适应复杂储层油气田勘探开发的要求,必须寻找新的信息管理技术来迎接油田勘探开发的新挑战。软计算作为一种智能技术,能充分利用不精确性、不确定性和部分真实的信息,具有易处理和鲁棒性的优点,能综合运用推理和搜索方法处理海量数据与信息问题,在复杂储层勘探开发信息管理中将发挥着重要作用。本文以国家自然科学基金项目“石油储层管理中的集成软计算的理论与方法研究（NO:70573101）”为基础,主要探讨了软计算集成技术在储层预测中的信息管理理论与实践问题。即如何有效集成软计算中的神经网络、模糊逻辑、智能优化算法（遗传算法、粒群算法）技术建立储层参数与地震信息之间的联系并提取相应规则。通过对地震属性优化、油井类型识别、储层参数横向预测、提取地震储层模糊规则,实现地震数据——参数信息——储层认识的动态过程。为此本文做了如下的工作:（1）探讨了软计算技术之间集成的一般原则与规律。在总结软计算技术研究发展概况的基础上,对软计算技术中的神经网络、模糊系统、进化算法两两之间,三者之间集成的一般原则与规律,作了较为详细的分析与探讨。（2）提出了一种基于GA-BP的地震属性优化方法。采用GA二进制编码与BP神经网络集成的方法,对从复杂的地震记录中提取的各种地震信息,自适应地进行属性优化,即从全体地震属性集中挑选出与储层关系最密切、最能代表储层特征的地震属性子集,以降低信息冗余及多解性,提高了储层预测精度。（3）提出一种GA-FCM油井类型识别方法。集成遗传算法与模糊C均值分类方法,能根据井旁地震道属性与油井的含油气性（干井、低产井、高产井）关系来优化地震属性,得到与油井类别关系最强的少数地震属性,进行油井类型识别,不但识别率高,而且应用模糊隶属度,对识别结果具有较强的解释性。（4）建立了一种储层预测的动态全参数自适应BP神经网络模型。它将GA、SA与BP三种算法有机地融合在一起,实现优势互补,采用二进制与实数混合编码,能动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整。在保证精度的前提下,使网络的结构相对简单（较少的输入节点和隐层节点数）,同时采用自适应交叉率、变异率与学习率,以增强网络的自适应能力与泛化能力,极大的减少人为主观因素对网络设计的影响。（5）改进了RBF网络最近邻中心学习算法。采用离散PSO优化方法,对最近邻中心学习算法进行了改进,解决了最近邻中心学习算法半径选择难、中心向量对样本输入次序依赖性强的不足。（6）提出了一种混合编码的MPSO-RBF学习方法。集成PSO与RBF技术,有效地解决了RBF中隐节点确定难问题,同时能全局地优化RBF网络参数（中心、宽度）与输出层权值,与现有RBF学习方法作了详细的对比研究,发现该方法学习后的RBF隐节点少,性能优越,并成功地应用于地震储层预测中。（7）提取地震储层模糊规则。根据优选后的地震属性,集成神经网络、模糊系统、进化计算,提出了一种GA-FNN网络,该模型物理意义明显,具有较高的透明度与可解释性,并成功应用于地震属性与储层厚度之间的模糊规则提取,形成专家决策知识。此外,为实现本文各种软计算集成方法,编写了大量的Matlab算法程序。本文研究成果和结论对软计算集成具有重要理论意义,对石油勘探、地震储层信息管理具有重要的指导意义与实用价值。
周洋[9]（2007）在《基于软计算方法的个股走势分析》文中研究指明本文首先从软计算方法的基本概念以及应用方面入手,阐述了软计算方法的基本原理,同时阐述了有关股票市场的一些基本概念。软计算方法处理问题的灵活性和不确定性为股票市场的走势预测提供了新思路,作为一种创建计算智能的新颖方法,软计算应用于股市分析预测具有重要的意义。然后选取两支股票江西水泥、汕电力A的实际数据对各种特征进行分析。运用本文的研究方法可以对个股走势做出一定的预测。
师黎[10]（2007）在《基于软计算的故障诊断机理及其应用研究》文中认为系统的安全性和可靠性问题已引起人们愈来愈多的重视，正在逐步成为设计和评价系统的重要指标。故障诊断研究的意义在于避免事故发生或者降低事故的危害程度，这无论是对于工业生产，还是生物医学、航空、航天和国防领域都有着非常重要的经济意义和社会意义。基于软计算的故障诊断是将软计算与可靠性理论、控制论、人工智能和系统论相结合，以现代测试仪器和计算机为技术手段，实现系统的故障诊断。本文针对非线性系统故障诊断问题，研究和探索基于软计算的故障诊断机理及应用。主要成果如下：（1）将自适应模糊推理系统ANFIS用于非线性系统建模，将ANFIS和LVQ结合，研究了一种基于模型的故障诊断机理。从ANFIS模型中抽取特征参数作为LVQ网络的输入向量是诊断的关键。将包含故障主要信息的输出部分的参数作为LVQ网络输入向量的主要部分，通过对输出部分参数、输入部分隶属函数参数以及值域加权构成LVQ的输入向量，从而实现故障诊断。（2）考虑故障在线诊断的需要，提出了一种基于ANFIS多模型的在线智能故障诊断机理。通过同时在线运行多个ANFIS模型来表示不同的工作状况或不同的故障，产生偏差信号。诊断机理综合考虑系统的动态特性、鲁棒性和灵敏度，用偏差绝对值的累加和来探测故障的发生，特别是还引入一个独特的故障指数FI（Fault Index）来指示故障的发生和类型。（3）选用了具有紧支集且有广义线性相位的二次样条小波对ECG信号进行二进小波变换，采用相应策略完成心电信号ECG信号ST段提取。（4）针对多输入多输出（MIMO）ANFIS学习过程复杂的问题，为了提高诊断系统的准确度，研究了一个由训练系统和诊断系统构成的诊断机理。训练系统对应于，n种故障分别建立，n个ANFIS子模型。诊断系统则是把测试数据分别输入n个ANFIS系统，计算各子推理系统得到的输出yi（i=l，…，n，i代表子系统的序号）与标准输出1之间误差ei=|1-y（?）i|，令ek=min{e1，e2，…，en}以诊断第κ种故障的发生。（5）研究了基于模糊自适应谐振映射理论（ARTMAP）神经网络的故障诊断机理，推导出诊断网络的训练和分类算法。该网络具有对未知故障进行分类的能力。（6）针对BP网络的缺陷，研究了基于遗传算法的BP神经网络故障诊断机理，给出了三层BP网络的遗传算法学习网络权值和阈值的方法和步骤。（7）为了将模糊神经网络应用于动态故障诊断，构造了一种基于T-S模糊模型的递归神经网络，采用在反馈环节添加记忆元件来实现输入输出的动态映射。理论证明和仿真结果表明该网络可以逼近任意定义在一个封闭且有界集合上的函数。本文首次提出（1），（2），（4-7）六种基于软计算的故障诊断机理。（1）和（2）已成功实现了气动执行器的故障诊断，（3-6）在冠心病早期诊断上作了大胆的尝试，取得了很好的结果。由此可见，相对传统故障诊断，基于软计算的故障诊断在进行复杂非线性系统的故障诊断方面，具有获取信息更广、更方便，诊断更灵活，诊断的灵敏性更高和鲁帮性更强等突出优点。将其拓展应用于ECG信号分析上，提高了生物电信号的分析和处理能力，增加了故障诊断的研究内容和应用范围。生物医学信号的分析处理将成为故障诊断的一个重要研究领域。
二、DNA计算与软计算（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、DNA计算与软计算（论文提纲范文）
（1）软计算的哲学内涵分析（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 引言 |
| 第一章 从硬计算到软计算的发展 |
| 1.1 软计算提出的历史背景 |
| 1.2 硬计算及软计算的计算特征 |
| 第二章 软计算的理性与非理性 |
| 2.1 软计算中的理性因素 |
| 2.2 软计算中的非理性因素 |
| 2.3 软计算是理性与非理性的结合 |
| 第三章 软计算的客观性与主观性 |
| 3.1 软计算中的客观性因素 |
| 3.2 软计算中的主观性因素 |
| 3.3 软计算是客观性与主观性的结合 |
| 第四章 软计算的一元性与多元性 |
| 4.1 软计算中的一元性因素 |
| 4.2 软计算中的多元性因素 |
| 4.3 软计算是一元性与多元性的结合 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（2）DNA密码与DNA计算及应用（论文提纲范文）
| 0 引言 |
| 1 DNA密码 |
| 1. 1DNA隐写术 |
| 1. 2DNA密码系统 |
| ( 1) 使用替代的一次一密系统 |
| ( 2) 使用异或的一次一密系统 |
| ( 3) 基于生物困难问题的密码系统 |
| 1. 3DNA与认证 |
| 2 DNA计算应用 |
| 2. 1 DNA计算解决NP完全问题 |
| 2. 2 基于DNA技术的密码分析 |
| 2. 3 DNA计算机 |
| 2. 4 DNA与软计算 |
| 3 结语和展望 |
（3）油藏描述中的软计算方法（论文提纲范文）
| 1 引言 |
| 2 神经计算 |
| 2.1 概念 |
| 2.2 应用 |
| 3 模糊计算 |
| 3.1 概念 |
| 3.2 应用 |
| 4 进化计算 |
| 4.1 概念 |
| 4.2 应用 |
| 5 混合软计算 |
| 5.1 概念 |
| 5.2 应用 |
| 6 结语 |
（4）DNA计算机的研究现状（论文提纲范文）
| 1 DNA计算机的原理与基础 |
| 1.1 DNA计算机的基本原理 |
| 1.2 DNA计算机中的数据 |
| 1.3 DNA计算机中的数据结构 |
| 2 DNA计算机的研制过程 |
| 3 DNA计算机的主要研究成果 |
| 3.1 第一台DNA计算机与新型DNA计算机研制成功 |
| 3.2 更加稳定的DNA逻辑门 |
| 3.3 DNA分子的固定技术 |
| 3.4 DNA自组装技术 |
| 3.5 DNA计算机的应用 |
| 3.5.1 解决某些NP-完全问题和一些难解的数学问题 |
| 3.5.2 DNA加密与解密 |
| 3.5.3 生物化学、医学等领域的应用 |
| 3.5.4 DNA计算与软计算的集成 |
| 4 DNA计算机面临的主要困难 |
| 4.1 分子生物学技术的制约 |
| 4.2 解空间指数爆炸问题 |
| 4.3 复杂的DNA编码问题 |
| 5 结束语 |
（5）石油储层纵向预测软硬计算融合的理论与方法研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 概论 |
| 1.1 课题来源及研究内容 |
| 1.2 论文研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 本论文的基本思路 |
| 1.5 论文的主要贡献及创新 |
| 第二章 软计算与硬计算的融合 |
| 2.1 软计算 |
| 2.1.1 神经网络 |
| 2.1.2 遗传算法 |
| 2.1.3 模糊系统 |
| 2.2 硬计算 |
| 2.2.1 回归分析 |
| 2.2.2 K均值分类方法 |
| 2.2.3 层次聚类分析中的Q型聚类 |
| 2.3 软计算与硬计算的融合 |
| 2.3.1 SC和HC互相分离模式 |
| 2.3.2 SC和HC并行连接模式 |
| 2.3.3 SC和HC串联模式 |
| 2.3.4 SC和HC嵌套模式 |
| 第三章 特征选择(属性优化) |
| 3.1 特征选择的一般过程 |
| 3.1.1 生成特征子集 |
| 3.1.2 特征子集评价 |
| 3.1.3 停止准则 |
| 3.1.4 结果确认 |
| 3.2 特征选择算法的分类 |
| 3.3 算法选择平台 |
| 第四章 储层岩性识别 |
| 4.1 数据的预处理 |
| 4.2 搜索策略和分类器的组合岩性识别比较 |
| 4.2.1 多元线性回归的岩性识别 |
| 4.2.2 穷举法、启发法和随机法的介绍 |
| 4.2.3 识别结果比较 |
| 4.3 软硬计算融合的岩性模糊规则提取 |
| 4.3.1 ANN-GA-Cascades算法 |
| 4.3.2 实例研究 |
| 第五章 储层含油性识别 |
| 5.1 数据准备 |
| 5.2 搜索策略和分类器的组合含油性识别比较 |
| 5.3 数据驱动的灰色关联含油性识别 |
| 5.3.1 储层含油性评价标准 |
| 5.3.2 储层含油性参数的权系数 |
| 5.3.3 灰色关联分析法 |
| 5.4 样本约简 |
| 5.4.1 软计算进行识别分析 |
| 5.4.2 硬计算进行识别分析 |
| 5.4.3 样本约简结果分析 |
| 5.5 软硬计算融合的含油性模糊规则提取 |
| 5.5.1 属性值离散化 |
| 5.5.2 遗传算法进行规则提取 |
| 5.5.3 实例研究 |
| 第六章 测井属性预测 |
| 6.1 多元线性回归预测模型 |
| 6.2 GA-BP预测模型的算法介绍 |
| 6.3 GA-BP预测模型的结果分析 |
| 第七章 储层综合评价 |
| 7.1 数据准备 |
| 7.2 综合评价分析 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）入侵检测系统（IDS）的研究现状和展望（论文提纲范文）
| 0 引言 |
| 1 入侵检测系统的发展与研究现状 |
| 1.1 入侵检测系统[1-3] |
| 1.2 入侵检测系统的发展与研究现状 |
| 2 入侵检测系统的研究展望 |
| 2.1 入侵检测系统面临的主要问题和挑战 |
| 2.2 入侵检测系统（技术）的研究展望[12-16] |
| 3 结语 |
（7）基于软计算的基因调控网络应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 功能基因组学 |
| 1.1.2 软计算方法 |
| 1.1.3 研究意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 基因调控网络概述 |
| 2.1 与基因调控网络有关的生物学知识 |
| 2.2 基因表达调控 |
| 2.3 基因调控网络 |
| 2.3.1 细胞周期调控 |
| 2.3.2 埃希氏菌属大肠杆菌SOS DNA 修复网络 |
| 2.4 利用生物学工具和计算技术分析和重建基因调控网络 |
| 2.4.1 利用生物学工具获得大量基因表达数据 |
| 2.4.2 利用计算技术分析和重建基因调控网络 |
| 第三章 基因调控网络模型概要 |
| 3.1 布尔网络模型 |
| 3.1.1 传统的布尔网络模型 |
| 3.1.2 改进的布尔网络模型——概率布尔网络 |
| 3.2 线性微分方程模型 |
| 3.3 贝叶斯网络模型 |
| 3.3.1 普通贝叶斯网络模型 |
| 3.3.2 动态贝叶斯网络模型 |
| 3.4 递归神经网络模型 |
| 第四章 结合软计算方法推断基因调控网络模型 |
| 4.1 进化计算方法介绍 |
| 4.1.1 遗传算法 |
| 4.1.2 粒子群优化算法 |
| 4.2 稳态系统模型 |
| 4.2.1 稳态系统模型介绍 |
| 4.2.2 使用遗传算法重构网络模型 |
| 4.2.3 使用粒群优化算法重构网络模型 |
| 4.2.4 实验及结果 |
| 4.3 基于惯性法则的微分动力学模型 |
| 4.3.1 基于惯性法则的二阶微分动力学模型 |
| 4.3.2 对模型进行非线性化改进 |
| 4.3.3 引入递归神经网络进行仿真 |
| 4.3.4 实验及结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读硕士学位期间发表的论文 |
（8）储层预测信息管理中软计算集成理论与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1.1 研究的背景及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| §1.2 储层预测技术的发展与现状 |
| §1.3 储层预测信息管理中软计算的作用 |
| 1.3.1 数据的挖掘和融合 |
| 1.3.2 智能解释和数据分析 |
| 1.3.3 聚类分析 |
| 1.3.4 属性优化 |
| §1.4 研究的思路与主要研究内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容 |
| 第二章 软计算理论及其讨论 |
| §2.1 神经网络 |
| 2.1.1 BP神经网络 |
| 2.1.2 RBF神经网络 |
| 2.1.3 自组织特征映射网络 |
| §2.2 模糊系统 |
| 2.2.1 若干模糊概念 |
| 2.2.2 模糊系统 |
| 2.2.3 模糊逻辑系统的组成 |
| 2.2.4 模糊逻辑系统的分类 |
| 2.2.5 模糊系统的基本理论 |
| 2.2.6 模糊建模 |
| 2.2.7 模糊系统的一些难点问题 |
| §2.3 遗传算法 |
| 2.3.1 GA运行过程 |
| 2.3.2 GA中的几种编码方式 |
| 2.3.3 GA适应度函数 |
| §2.4 模拟退火 |
| 2.4.1 算法基本原理 |
| 2.4.2 相关参数的选取 |
| 2.4.3 算法基本步骤 |
| 2.4.4 模拟退火算法特点 |
| §2.5 粒子群算法 |
| 2.5.1 算法的基本原理 |
| 2.5.2 算法的参数分析 |
| 2.5.3 算法基本步骤 |
| 本章小节 |
| 第三章 软计算集成 |
| §3.1 软计算集成一般框架 |
| §3.2 模糊神经网络 |
| 3.2.1 概况 |
| 3.2.2.模糊系统与神经网络的联系 |
| 3.2.3 模糊系统与神经网络的集成 |
| §3.3 进化神经网络 |
| 3.3.1 进化神经网络主要集成方式 |
| 3.3.2 进化神经网络一般思路 |
| §3.4 进化模糊系统 |
| 3.4.1 集成模式 |
| 3.4.2 集成类型 |
| 3.4.3 遗传模糊聚类算法 |
| §3.5 进化模糊神经网络 |
| 3.5.1 概述 |
| 3.5.2 一种集成方式 |
| §3.6 混合进化计算 |
| 3.6.1 GA-SA |
| 3.6.2 GA-PSO |
| 本章小节 |
| 第四章 地震属性优化的集成软计算方法 |
| §4.1 地震属性及其分类 |
| 4.1.1 地震属性的概念 |
| 4.1.2 地震属性的分类 |
| §4.2 地震属性优化问题 |
| 4.2.1 地震属性优化 |
| 4.2.2 地震属性优化的必要性 |
| 4.2.3 地震属性优化方法概述 |
| §4.3 基于GA-BP网络优化地震属性 |
| 4.3.1 GA-BP网络优化地震属性流程 |
| 4.3.2 GA设计 |
| 4.3.3 BP网络设计 |
| 4.3.4 实例研究 |
| §4.4 基于GA-FCM地震属性优化油井识别 |
| 4.4.1 聚类与FCM聚类算法 |
| 4.4.2 GA-FCM属性优化模型 |
| 4.4.3 模型相关设计 |
| 4.4.4 实例验证 |
| 本章小节 |
| 第五章 一种自适应BP网络及其在储层预测中的应用 |
| §5.1 两种SA-BP集成方式性能比较分析 |
| 5.1.1 SA—BP模型方法 |
| 5.1.2 仿真比较实验研究 |
| 5.1.3 结论 |
| §5.2 一种动态全参数自适应BP神经网络模型 |
| 5.2.1 引言 |
| 5.2.2 模型相关设计 |
| 5.2.3 自适应优化网络相关参数步骤 |
| §5.3 地震储层预测实例研究 |
| 5.3.1 问题的描述 |
| 5.3.2 利用地震属性预测的理论基础 |
| 5.3.3 网络输入及样本设计 |
| 5.3.4 网络效果比较研究 |
| 5.3.5 结论 |
| 本章小节 |
| 第六章 两种PSO-RBF集成方式研究 |
| §6.1 RBF网络常用的学习算法及存在的问题 |
| 6.1.1 基于K-Means聚类的RBF学习算法 |
| 6.1.2 正交最小二乘法OLS的RBF学习算法 |
| 6.1.3 最近邻聚类的RBF学习算法 |
| 6.1.4 基于梯度下降法的RBF学习算法 |
| §6.2 一种基于离散粒子群的自适应RBF网络模型 |
| 6.2.1 离散粒子群 |
| 6.2.2 模型相关设计 |
| 6.2.3 算法步骤 |
| 6.2.4 算法流程图 |
| 6.2.5 仿真实验 |
| §6.3 一种基于MPSO-RBF混合学算法 |
| 6.3.1 算法相关设计 |
| 6.3.2 算法步骤 |
| 6.3.3 仿真实验 |
| §6.4 基于MPSO-RBF的地震储层横向预测 |
| 本章小节 |
| 第七章 地震储层模糊规则提取的遗传模糊神经集成方法 |
| §7.1 基于Mamdani的遗传模糊神经集成 |
| 7.1.1 一种GA-BP FNN模糊神经网络 |
| 7.1.2 GA-FNN模型相关设计 |
| 7.1.3 GA-FNN集成算法步骤 |
| §7.2 基于GA-BP FNN地震储层模糊规则提取 |
| 7.2.1 样本及数据 |
| 7.2.2 FNN映射结果 |
| 7.2.3 模糊规则提取 |
| 本章小节 |
| 第八章 结论与展望 |
| §8.1 结论 |
| §8.2 主要创新点 |
| §8.3 展望 |
| 致谢 |
| 参考文献 |
（10）基于软计算的故障诊断机理及其应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章.绪论 |
| §1.1.引言 |
| §1.2.故障诊断技术及其发展趋势 |
| §1.2.1.故障诊断的基本问题 |
| §1.2.2.故障诊断研究的难点问题和发展趋势 |
| §1.3.基于软计算故障诊断的主要方法及研究现状 |
| §1.3.1.基于神经网络的故障诊断 |
| §1.3.2.基于模糊理论的故障诊断 |
| §1.3.3.基于进化计算的故障诊断 |
| §1.3.4.基于粗糙集理论的故障诊断 |
| §1.4.气动执行器及其故障诊断现状 |
| §1.4.1.气动执行器装置 |
| §1.4.2.气动执行器故障诊断研究的意义和现状 |
| §1.5.冠心病早期诊断与心电图ECG的ST段提取的研究现状 |
| §1.5.1.冠心病及其诊断 |
| §1.5.2.ECG特征点提取及其有关诊断的研究现状 |
| §1.5.3.心电信号的数据来源 |
| §1.6.课题来源及研究意义 |
| §1.6.1.课题来源 |
| §1.6.2.研究意义 |
| §1.7.本文主要的工作及内容安排 |
| 第二章.模糊神经网络 |
| §2.1.引言 |
| §2.2.神经网络的非线性逼近能力 |
| §2.3.模糊模型的类型及分割形式 |
| §2.3.1.Mamdani模糊模型 |
| §2.3.2.Takagi-Sugeno模糊系统 |
| §2.3.3.Tsukamoto模糊模型 |
| §2.3.4.模糊模型的分割形式 |
| §2.4.模糊系统的通用近似特性 |
| §2.4.1.模糊基函数 |
| §2.4.2.模糊系统的通用逼近性 |
| §2.5.模糊神经网络的融合方式 |
| §2.6.模糊神经网络的故障诊断方法 |
| §2.7.模糊神经网络学习算法研究 |
| §2.8.基于T-S模糊模型的递归神经网络 |
| §2.8.1.基于T-S模糊模型的递归神经网络结构 |
| §2.8.2.基于T-S模糊模型的递归神经网络的通用逼近特性 |
| §2.9.基于T-S模糊模型的递归神经网络在系统辨识中的应用 |
| §2.9.1.结构辨识 |
| §2.9.2.参数辨识 |
| §2.10.仿真分析 |
| §2.10.1.仿真实例 |
| §2.10.2.结论 |
| §2.11.本章小结 |
| 第三章.自适应神经网络模糊推理系统(ANFIS) |
| §3.1.自适应网络 |
| §3.1.1.自适应神经网络的结构 |
| §3.1.2.反向传播学习规则 |
| §3.1.3.复合(Hybrid)学习算法 |
| §3.1.4.自适应网络的特例:神经网络 |
| §3.2.自适应神经-模糊推理系统ANFIS |
| §3.2.1.ANFIS结构 |
| §3.2.2.复合(Hybrid)学习算法 |
| §3.3.气动执行器的ANFIS建模 |
| §3.3.1.气动执行器的ANFIS模型 |
| §3.3.2.实验结果 |
| §3.4.本章小结 |
| 第四章.基于ANFIS模型和学习向量(LVQ)神经网络的故障诊断 |
| §4.1.引言 |
| §4.2.学习向量(LVQ)神经网络 |
| §4.3.用LVQ神经网络实现故障诊断的机理 |
| §4.3.1.ANFIS模型特征的抽取 |
| §4.3.2.用ANFIS模型和LVQ网络进行故障诊断 |
| §4.4.气动执行器故障诊断实验结果及分析 |
| §4.5.本章小结 |
| 第五章.基于ANFIS的多模型在线故障诊断 |
| §5.1.引言 |
| §5.2.多模型的建立 |
| §5.3.多模型故障诊断的机理 |
| §5.4.故障诊断的灵敏度和鲁棒性分析 |
| §5.5.基于ANFIS多模型的气动执行器故障诊断 |
| §5.5.1.实验结果 |
| §5.5.2.结果分析 |
| §5.6.本章小结 |
| 第六章.基于软计算故障诊断及其在冠心病早期诊断中的应用 |
| §6.1.引言 |
| §6.2.典型心电信号的组成及其生理意义 |
| §6.3.小波变换与心电信号ST段的提取原理 |
| §6.3.1.小波变换原理与基函数的选取 |
| §6.3.2.信号奇异值的小波变换检测原理 |
| §6.4.心电信号特征点的小波变换检测方法 |
| §6.4.1.波峰值点的检测 |
| §6.4.2.T波特征点的检测 |
| §6.4.3.ST段特征点的检测 |
| §6.5.ECG特征提取的实验结果及分析 |
| §6.5.1.采用华南医电的心电数据的实验结果 |
| §6.5.2.采用郑州大学一附院的运动平板系统心电数据的实验结果 |
| §6.5.3.美国MIT/BIH标准数据库数据进行实验 |
| §6.6.ST段分析 |
| §6.7.斜率法和函数拟合相结合的方法实现ST形态识别 |
| §6.7.1.斜率法和函数拟合相结合的诊断机理 |
| §6.7.2.实验结果 |
| §6.8.基于ANFIS的故障诊断及其应用 |
| §6.8.1.基于ANFIS的智能故障诊断机理 |
| §6.8.2.基于ANFIS的心电图ST段诊断 |
| §6.8.3.结果分析 |
| §6.8.4 结论 |
| §6.9.基于模糊自适应谐振映射理论的神经网络的故障诊断及应用 |
| §6.9.1.基于模糊自适应谐振映射理论神经网络的故障诊断机理 |
| §6.9.2.基于模糊自适应谐振映射理论神经网络的ST段形态识别机理 |
| §6.9.3.实验结果及分析 |
| §6.10.基于遗传算法BP神经网络的故障诊断 |
| §6.10.1.基于遗传算法BP神经网络的故障诊断机理 |
| §6.10.2.基于遗传算法BP神经网络在冠心病早期诊断上的应用 |
| §6.11.本章小结 |
| 第七章.总结与展望 |
| §7.1.本文总结 |
| §7.2.展望 |
| 致谢 |
| 攻读博士学位期间发表的学术论文及参加的科研项目 |
| 参考文献 |
四、DNA计算与软计算（论文参考文献）
- [1]软计算的哲学内涵分析[D]. 徐慧敏. 山西大学, 2016(05)
- [2]DNA密码与DNA计算及应用[J]. 霍家佳,张文政. 中国电子科学研究院学报, 2014(01)
- [3]油藏描述中的软计算方法[J]. 张喜锋,刘军. 电脑编程技巧与维护, 2012(05)
- [4]DNA计算机的研究现状[J]. 朱雅莉,李浪,邹超君. 电子设计工程, 2011(06)
- [5]石油储层纵向预测软硬计算融合的理论与方法研究[D]. 郭海湘. 中国地质大学, 2008(01)
- [6]入侵检测系统（IDS）的研究现状和展望[J]. 王永全. 通信技术, 2008(11)
- [7]基于软计算的基因调控网络应用研究[D]. 应文豪. 江南大学, 2008(03)
- [8]储层预测信息管理中软计算集成理论与方法研究[D]. 於世为. 中国地质大学, 2008(10)
- [9]基于软计算方法的个股走势分析[J]. 周洋. 中国西部科技(学术), 2007(12)
- [10]基于软计算的故障诊断机理及其应用研究[D]. 师黎. 上海大学, 2007(04)