一、基于奇异值分解单步迭代滤波算法的应用（论文文献综述）
谢雨岑[1]（2021）在《基于深度学习的燃料电池性能衰退预测研究》文中进行了进一步梳理质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,PEMFC）是一种以氢气为能源的新型发电装置,因其具有能量转换效率高、比功率高、工作温度低、环境友好等优点,被认为是实现碳中和的能源解决方案。作为“十四五”期间重点发展的产业,氢能和燃料电池得到越来越多的关注和政策支持。然而,PEMFC的可靠性和耐久性仍然制约了其大规模应用及产业化。燃料电池实际应用中的性能衰退预测及其健康管理（prognostics and health management,PHM）是解决其可靠性和耐久性问题的主要途径和关键技术。目前,亟需精确、高效的PEMFC性能衰退预测技术,为系统的维护策略设计、运行条件优化和健康状态评估提供信息支撑。PEMFC作为一种涉及多物理量、多部件、多因素的强耦合复杂电化学系统,其性能衰减过程中表现出的强非线性、随机性、不确定性都极大地增加了预测难度。目前,PEMFC性能衰退预测方法仍存在预测精度低、泛化性差、缺乏不确定性表达等问题。本文针对上述问题,重点研究并建立一套基于深度学习的PEMFC性能衰退预测理论和方法,通过充分利用PEMFC退化数据,有效挖掘数据中的深度特征,以提高PEMFC性能衰减预测的准确性、可靠性和鲁棒性。论文的主要研究内容和贡献概述如下:（1）分析了燃料电池的退化行为及其衰退特性,介绍了PEMFC性能衰退预测的基本原理、实现框架、具体流程、主流方法。在此基础上,比较了传统浅层预测方法和深度学习方法在PEMFC性能衰退预测中的性能,比较了不同数据预处理下的预测模型性能。预测实验结果说明采用有效的数据预处理方法以及使用深度学习预测方法可以提升PEMFC性能衰退预测的性能,也为之后的预测方法设计奠定了研究基础。（2）针对基于浅层机器学习模型的性能衰退预测方法无法准确表征PEMFC强非线性衰退特征而导致预测精度低的问题,提出了一种基于深度置信网络（Deep Belief Network,DBN）和极限学习机（Extreme Learning Machine,ELM）的燃料电池性能衰退预测方法。该方法采用中值滤波算法对退化数据进行预处理,采用DBN对数据中的非线性衰退特征进行深入挖掘,再采用ELM调节模型参数并完成DBN-ELM预测模型构建。然后采用粒子群优化算法对模型的结构参数进行优化。最后采用恒定负载和动态负载测试下的PEMFC退化数据进行了预测实验,结果表明该方法兼具DBN和ELM的优势,提高了衰退预测的准确性和泛化性。（3）针对传统预测方法无法有效量化PEMFC性能衰退预测的不确定性而导致预测结果可靠性低的问题,提出了一种基于奇异谱分析和深度高斯过程的PEMFC性能衰退预测方法。该方法采用奇异谱分析方法对退化数据中的有效特征进行重构以完成数据的预处理。然后采用深度高斯过程构建预测模型,根据退化特性优化核函数设计,以实现衰退规律的准确表达。最后采用两组测试时间长达1000h的退化数据集验证所提出的预测方法。结果表明,该方法不仅具有较高的预测精度,还可以构造高质量的置信区间来量化预测的不确定性,提高了预测结果的可靠性。（4）针对实际工程应用中需要同时提供高精度预测结果和高质量预测区间的问题,提出了一种基于非支配排序遗传算法和DBN-ELM模型的燃料电池性能衰退预测方法。该方法首先采用DBN-ELM模型和上下限估计方法构建了PEMFC性能衰退的区间预测模型,并将区间中值作为模型的确定性预测结果。然后构造了多目标优化框架来处理预测精度和区间质量同时优化的问题,并采用非支配排序遗传算法对预测模型的参数进行了优化。最后采用两组真实的PEMFC退化数据来综合评估预测方法的性能。结果表明,该方法可以同时提供高精度的预测结果和高质量的预测区间,进而提高了PEMFC性能衰退预测的准确性和可靠性。（5）针对现有方法未充分考虑PEMFC性能衰退过程中多变量耦合作用以及退化数据异常而导致预测精度低的问题,提出了一种基于随机森林和鲁棒深度高斯过程的多变量性能衰退预测方法。该方法采用随机森林方法选择用于衰退预测的最优特征变量集,以获取更全面且可靠的退化信息。然后采用鲁棒深度高斯过程挖掘多变量的相互关系来构建性能衰退预测模型,并采用Student-t似然来处理异常数据以提高预测模型的鲁棒性。最后采用两组具有24维变量的PEMFC退化数据来验证了该方法的预测性能。实验结果表明该方法具有较高的预测准确性和鲁棒性,且能提供高质量的置信区间来表达PEMFC性能衰退预测的不确定性。
张美春[2]（2021）在《SVD人脸识别算法的改进及在BWDSP上的优化》文中研究表明现如今,人脸识别技术在商业、安全、军事等各个领域应用十分广泛。在新一代国产DSP处理器上实现人脸识别算法是一次积极的探索和创新,研究人脸识别算法在国产芯片上的实现,可以避免国外企业在技术支持和产品供应上带来的“卡脖子”风险,具有一定的社会效益和理论价值。本文首先对基于奇异值分解（SVD）的人脸识别算法进行改进,然后对改进的算法在国产DSP上的编程优化进行研究。本文的研究结果对人脸识别系统在国产芯片上的实现提供了重要参考方案。传统的基于SVD的人脸识别算法,是先将二维图像转化为一维向量,然后将奇异值分解的三个矩阵的乘积作为提取的图像特征进行分类识别的一种处理方法。该方法存在数据量大、运行效率慢、识别率低等问题。本文采用奇异值分解的左酉矩阵的转置与中心化处理数字图像转置的乘积作为提取的图像特征。最后使用ORL数据库,在MATLAB平台上仿真验证改进人脸识别算法的优良性,实验证明改进的人脸识别算法与传统的算法相比识别率提高了 14.5%,运行时间缩短了 1.28倍。针对改进的SVD人脸识别算法在BWDSP1042上实现时需要消耗大量时间的问题,本文采用C语言与汇编语言混合编程的方法,对人脸识别算法的编程进行优化。首先根据C语言编程的优化方法,对人脸识别算法软件编程进行优化与实现。然后根据BWDSP1042的VLIW和SIMD硬件结构,在常用软件优化方法基础上,采用多组算法共同执行以及减少三级循环次数的方法进行优化,实验结果表明,汇编语言版本的特征提取在优化前后的加速比为2.23。本课题通过对传统的基于SVD人脸算法进行改进,仿真验证了改进算法具有更优的识别率及实时性。在BWDSP1042对算法编程的优化,证明了优化后的算法具有更快的运行效率,为人脸识别系统在BWDSP1042上的实现提供了理论价值。
雷晖[3]（2021）在《基于AIS数据的港口船舶轨迹预测方法研究》文中提出船舶自动识别系统（Automatic Identification System,AIS）是在甚高频海上移动频段采用时分多址接入技术,可自动广播和接收船舶航次相关动、静态信息的系统。AIS的快速发展让船舶海量轨迹数据的获取成为可能,为船舶轨迹数据挖掘特别是船舶轨迹预测的研究提供了基础性条件。论文以历史AIS轨迹数据为研究对象,以深度学习为研究方法,充分挖掘数据背后隐藏的船舶运动模式,实现了对港口船舶未来五个时刻的航行轨迹预测,预测特征包括时间间隔、经纬度、对地航速和对地航向,对船舶在复杂的通航环境下安全、高效地进出港作业及海事部门实现高效交通管理具有重要的应用价值。论文主要的工作内容如下:（1）AIS轨迹数据预处理。从AIS数据中提取美国纽约˙新泽西港附近的船舶轨迹数据,基于AIS技术特性、运动学基本原理与阈值法相结合的方法,对时间间隔、经纬度、航速和航向异常数据进行检测、剔除、修正。进而基于时间间隔阈值对船舶轨迹进行分割和子轨迹提取,构建轨迹预测数据集。最后对子轨迹序列进行平稳性分析,为轨迹预测模型的选取提供依据。（2）构建了典型的长短期记忆神经网络（Long Short-Term Memory,LSTM）和基于时序卷积网络（Temporal Convolutional Networks,TCN）的港口船舶轨迹预测模型,这两种方法均为通过多步迭代的方式实现对船舶未来多个时刻的多特征轨迹预测。TCN作为处理时间序列的新模型,通过其卷积层强大的感受野进行特征提取和轨迹序列的长时间依赖信息挖掘,并行高效地实现预测任务;论文将TCN模型与LSTM模型实验结果进行了对比,证实了TCN模型的优越性。（3）构建了基于张量列分解的长短期记忆神经网络（Tensor-Train LSTM Network,TLSTM）港口船舶轨迹预测模型,TLSTM模型通过其高阶动力学显式建模能力及长期时间依赖性关系捕捉能力实现高效、精准的序列到序列直接多步轨迹预测。本文讨论了LSTM层数与隐藏层节点数对TLSTM的影响,并与编、解码器均采用LSTM的Seq2Seq模型、迭代预测的LSTM和TCN模型均进行了对比。论文还构建了基于形状和时间失真损失函数（Distortion Loss including sh Ape and Tim E,DILATE）的改进TLSTM轨迹预测模型,DILATE用于模型训练能一定程度上改善预测轨迹序列的形状失真和时间畸变,通过与TLSTM实验结果对比验证了该方法的有效性。实验结果表明,相比于此前轨迹预测效果较好的LSTM模型来说,TCN对港口船舶未来五个时刻轨迹点的各个特征预测的均方误差更低,预测精度更高。但TCN模型也存在一定局限性,其预测误差会随着预测时长增加而增大,不适用于较长时间的轨迹预测。基于直接多步预测方式的TLSTM模型的预测效果优于Seq2Seq和TCN,且其不存在迭代误差累积,更适用于长时间轨迹预测。而DIALTE＿TLSTM模型虽然预测均方误差较TLSTM模型并未降低,但其降低了时间失真指数,提升了轨迹拟合效果。总体来说,DILATE＿TLSTM模型预测性能最佳,对连续多个时刻的港口船舶轨迹预测具有很好的适用性,为港口安全高效管理提供可靠支撑。
蔡瑛芙[4]（2020）在《车底检测系统图像增强及其软件测试效率研究》文中提出我国已经成为全球第二大贸易国,尽管在总贸易额上仍然居美国之后,但在货物贸易量上已经超越美国。海关在对外贸易中扮演着关键性的重要角色。对来往车辆进行安全性与合法性的监管,是海关日常执法监管工作的重要内容。不法分子进行非法交易时,将违禁物品藏匿于车底试图通过边境口岸,是一种常见的手段。因此,车底检测成为对过境车辆合法性查验的重要环节。不仅如此,车底检查还可用于各种大型会议活动、重要国家机关出入口、高速路收费站及安检站、监狱出入口、机场车辆出入口以及重要场所周边的安检工作。车底检测技术,可以通过直观的图像查验,快速地发现藏匿于汽车底盘上的毒品、武器、走私品、危险爆炸物以及可疑违禁物品。这对于边境安全、社会安全乃至国家安全,都具有十分重要的意义。传统车底检测工作,是检查人员通过车底检查杆窥镜和摄像头来获取车底信息,操作员通过视频或者镜面反射直接观察车底状态。但因为检查手段的局限性,不仅操作不便,也难以提供高质量的检测结果。目前,基于扫描成像技术的车底检测设备,可以更好地为车底检测提供便利。车底扫描成像设备包含固定式或移动式车辆底盘拍照系统,可以拍摄出完整的车辆底部图像,为检查人员提供高清车底大图和高清车底视频。这种设备和技术,一方面便于检测操作,另一方面可以形成高质量的检测图像。同传统车底检测技术相比,基于扫描成像的车底检测技术具有很大的优势。但是,这种检测技术也会受到环境光、部件遮光、补光灯功率不足、线阵相机曝光时间不合适等因素的影响,结果导致生成的车底图像在亮度、对比度和完整性等方面存在不足,这就需要通过图像去噪、图像恢复和图像增强等关键技术获取更高质量的车底图像。鉴于基于扫描成像的车底检测技术存在的问题,本文针对车底图像去噪、恢复和对比度增强算法展开深入研究,并对基于相关算法设计出的软件进行稳定性测试,进而在通用图像集和车底线阵图像上进行实验验证,本文开展的主要研究工作如下:1.针对因补光灯功率不足和曝光参数配置不合理造成的车底扫描图像偏暗、噪声大和对比度低的问题,提出一种具有初始边界条件的各向异性的非线性Perona-Malik微分方程图像增强算法。Perona-Malik微分方程图像增强算法,采用非线性最小化技术,多次优化去除图像噪声,可以有效地增强图像对比度和保留图像上的边缘细节。本文算法可以更好地完成Perona-Malik 微分方程的数值求解,并使图像增强过程具有更好的稳定性和收敛性。实验结果表明,本文提出的具有初始边界条件的各向异性非线性Perona-Malik微分方程增强算法,无论在通用图像数据集,还是在车底扫描图像的去噪和对比度增强处理中,都可以获得比传统的图像增强算法更好的效果。2.针对因成像环境、成像方式和编码传输等方面问题造成的车底图像噪声、模糊和缺失,提出了一种基于傅里叶变换域的半监督特征图像复原算法,用于在傅立叶变换域中复原车底图像。为了实现非奇异系统的求解,提出了一种截断奇异值分解算法;为了减小辅助点的影响,提出了一种利用辅助点强度等信息的半监督特征选择方法。理论分析证明了所提算法具有收敛性,实验结果验证了所提算法对于通用图像数据集与车底扫描图像在包含模糊与噪声图像复原的有效性。3.针对车底检查系统软件性测试存在效率低的问题,提出了一种基于跟踪文件最优重排序的Daikon软件测试改进方法。借助程序不变量检测工具Daikon,通过引入变量属性来减少不变量数量,通过采用非确定性的启发式方法进行数据跟踪文件的重排序来提高测试速度。车底图像软件测试实验表明,所提方法减少了测试时间、提升了测试效率,软件文件数量越多、其测试效率提升越明显。本文研究获得了一种采用Grunwald-Letnikov导数实现基于分数阶非线性各向异性扩散方程的数值求解方法、一种基于傅里叶变换的半监督图像复原算法和一种基于跟踪文件最优重排序的Daikon软件测试改进方法三项创新性成果,取得了显着的图像去噪增强和复原增强的效果,明显提高了Daikon软件测试的效率。这促进了图像增强处理技术的发展,提升了车底检查系统的技术水平,对监管车辆安全和保障社会安全具有重要意义。
朱丹[5]（2020）在《基于矩阵低秩分解理论的位场数据处理方法研究》文中认为位场勘探利用岩石的密度和磁性差异研究地下空间的结构和展布。位场数据的转换和处理作为反演和解释的基础,是位场理论方法的重要研究方向。观测到的重磁场是不同深度地质体引起的重磁场的叠加,位场分离方法被用来从总场中提取浅部或深度地质体所引起重磁异常,其是位场数据处理中的研究重点。目前,位场分离方法主要分为空间域和频率域方法。现有的空间域方法理论基础不足且分离精度较低,使得频率域方法是目前位场分离方法的主流。然而,频率域方法的分离精度也难以令人满意,这一方面由频率的混叠造成,另一方面由数据的有限性和离散性带来的有限效应、离散效应和叠加效应,使得由数据计算得到频谱与真实频谱不一致造成。为了避免有限离散数据的频谱估计误差,地球物理意义明确且高精度分离的空间域方法是本文的研究目标。低秩矩阵分解方法是近些年信号和图像处理领域的热门研究方向之一。其是一种鲁棒性强和计算精度高的空间域方法,但在位场数据处理中鲜有应用。本文主要研究低秩矩阵分解方法在位场分离中的应用,研究思路从低秩方法应用的理论基础到具体方法再到实际应用。应用的理论基础以讨论不同深度地质体引起的位场数据延滞矩阵的奇异值特征为主。具体方法以现有的低秩分解方法为先行,再根据位场数据的特点进一步改进,以计算效率为着重考量。实际应用是将所研究的低秩分解方法应用到我国不同地区重磁场的数据处理中。研究表明,低秩矩阵分解方法可以被应用于解决位场数据分离问题。相比于传统方法,低秩矩阵分解方法分离精度高,鲁棒性强且参数设置简单。所提出的快速算法能在一定程度上降低时间复杂度,增强方法的实际应用性。本文的主要研究内容如下:（1）以匹配滤波和Wiener滤波为例,介绍了频率域方法的原理。总结有限离散数据Fourier变换的抽样定理、有限离散定理和误差方程。讨论了离散Fourier变换对频谱估计的影响。（2）分别研究了一维和二维位场数据延滞矩阵的奇异值特征。讨论模型参数、频谱、自相关函数、自相关矩阵、功率谱、延滞矩阵、谐波模型和奇异值之间的关系,得到模型参数与延滞矩阵奇异值之间的关系。研究表明,深部地质体产生的位场数据的延滞矩阵具有低秩特征且非零奇异值较大,浅部地质体产生的位场数据的延滞矩阵具有高秩特征且非零奇异值较小,总场数据延滞矩阵的前几个较大奇异值是深部地质体的反映,剩余较小奇异值主要是浅部地质体的反映。（3）研究了基于奇异谱分析的位场分离方法。分别展示了一维和二维情况奇异谱方法的原理和计算过程。讨论了参数选取方法,并结合理论模型实验与传统模型对比分离精度。研究表明,K和（?）的取值与异常尺度有关,奇异值截断位置与奇异值的下降趋势有关,在理论模型实验中,奇异谱分析的分离精度高于传统方法。（4）研究了低秩和稀疏分解的位场分离方法。展示了位场分离的优化模型和求解算法,讨论了惩罚参数对结果的影响,并结合理论模型实验与传统方法对比。研究表明,该方法鲁棒性较强,惩罚参数对分离结果的影响有限,理论模型实验表明,该方法相比于频率域方法具有更高的分离精度和鲁棒性。（5）研究了低秩分解方法的快速算法。针对块Hankel矩阵尺度过大导致计算效率低和内存占用较大的问题,提出快速块Hankel矩阵奇异值分解算法。该算法能够在避免构建延滞矩阵的情况下,得到延滞矩阵的奇异值和奇异向量。进一步将该快速算法应用于奇异谱分析和低秩和稀疏分解方法。研究表明,改进的低秩分解方法在计算效率有明显提升,并且可以计算尺度更大的矩阵。此外,理论模型实验表明,快速低秩和稀疏分解方法的分离精度进一步提高。（6）将低秩分解方法应用到实际问题中。分析和处理了鄂东南某矿集区、湖北省大冶矿集区某研究区、宁夏省卫宁北山-香山矿集区某研究区和安徽省铜陵矿集区某研究区的重磁数据。结合已知地质状况和钻探分析了低秩分解方法在实际问题中的应用效果。研究表明,低秩矩阵分解方法在实际数据中有较好的应用,分离的局部异常和区域异常与目标地质体的对应关系好。本文的创新点如下:（1）本文将低秩理论与方法应用于位场数据处理中。（2）本文提出低秩分解方法的快速计算方法,使得低秩矩阵分解方法实用化。
翟玉兰[6]（2020）在《无透镜相干衍射成像系统的降噪技术研究》文中研究指明相干衍射成像是一种通过测量衍射场的强度分布来获得物体的二维或三维物体形貌的成像技术。作为一种有效的无透镜成像方式,相干衍射成像可以实现不受透镜装置限制的分辨率,因而被广泛应用于x射线实验、电子光学激光器、高谐波光源,以及材料科学、计量学、生物学等领域。迭代式相位恢复算法在相干衍射成像技术中发挥着重要作用,然而,在相干衍射成像系统中会不可避免的引入噪声,影响了迭代式相位恢复算法的恢复效果。目前用于相干衍射成像的降噪算法不多,能够保留再现目标细节信息的降噪算法更少。因此,此条件下的降噪变得尤为重要。本文通过改进现有的多强度相位恢复算法来提高算法的鲁棒性,这也是相干衍射成像中的一项重要任务。重点研究在成像系统的不同阶段产生的噪声类型,充分论述了其对成像系统的影响。因此,本文的目的是通过对相干衍射成像系统引入噪声的分析,提出一种鲁棒性高的相位恢复算法,使相干衍射成像系统可以使用含有噪声的衍射图像来获得高质量的重建结果,其主要内容如下:（1）首先,通过分析噪声对相干衍射成像系统的影响,提出一套新的改进算法,得出了最合理的降噪方案,即在CCD采集时引入的噪声和直接在图像上引入噪声是等价的。其次,展示了所提方法的数值仿真和实验结果,验证其有效性并与最先进的算法进行比较。最后,在不同的模拟噪声条件下测试了现有的三种算法。主要针对于非局部均值在图像块之间相似性衡量、权重参数选择等问题进行研究,并对其改进算法进行了探究,使之与鲁棒性多强度相位算法结合在一起。除此之外,分析了常见噪声模型以及常用图像降噪质量评价方法,完成噪声条件下对目标光场的重构,扩展了相干衍射成像的应用。最后搭建实验台,实验验证数值仿真所得结论。（2）设计了不同等级的噪声条件下的基于幅-相加权反馈和平滑约束的抗噪算法,其可实现在不同迭代阶段,使用不同参量的空间频率滤波器,把高频权重削弱,从而达到有效减小噪声的干扰,取得较好的恢复效果。接着对已有算法和所提新算法进行了仿真计算,量化讨论了它们的恢复效果。最后,对实验数据进行重构计算,得到的重构结果和仿真结论一致,验证了所提新算法的有效性和优越性。实验验证结果表明,该算法在无需任何噪声先验的条件下,可提升现有轴向多图像迭代式相位恢复算法对噪声的鲁棒性,且该算法适用性高,具有良好的收敛性。（3）提出了基于奇异值分解的抗噪声多强度相位恢复算法。将奇异值分解引入振幅-相位恢复算法,在振幅-相位恢复算法取平均值之后,对恢复的图像进行奇异值分解,奇异值较小的分量认为是噪声,保留奇异值较大的分量,将奇异值较小的分量置为0。通过数值模拟实验可以看出,通过奇异值分解,不仅可以去除测量过程中所引入的噪声,而且还可以充分利用自然图像稀疏的特性,加快振幅-相位恢复算法的收敛,且具有更少的算法运行时间。
周昱洁[7]（2020）在《几类约束矩阵方程的多步迭代算法研究》文中认为在解决实际生活中工程技术、控制理论、信息与图像处理、动力系统与修正、时间序列分析等众多领域的问题时引入矩阵方程的理论和方法已经成为了普遍现象[1-3].这不仅促进了现代工程与科学技术的发展,也为数值代数领域约束矩阵方程的求解提供了更多的研究方向.本篇硕士论文主要研究工作是:多步迭代算法求解如下几类约束矩阵方程.问题Ⅰ 给定矩阵A,B∈Rm×n,（m≥n）,S（?）Rm×n,求X∈S使得AX=B（或‖AX-B‖=min）.问题Ⅱ 给定 A∈Rp×m,B∈Rn×q,C∈Rp×q,（p≥m,n≤q）,S（?）Rm×n,求X∈S使得AXB=C（或‖AXB-C‖=min）.问题Ⅲ 设问题Ⅰ和Ⅱ是相容的,且其解集合为SE,给定X0∈S,求X∈SE,使得#12上述三个问题中‖·‖为Frobenius范数,S代表的是在矩阵集合Rm×n中,满足特定约束条件的矩阵集合,如一般矩阵、对称矩阵、反对称矩阵.本文基于不动点迭代的思想,给出了求解问题Ⅰ和问题Ⅱ的多步迭代算法,给出并证明了多步迭代算法的收敛条件.对比实验结果表明本文提出的多步迭代算法相对于基于梯度的迭代算法具有更好的收敛效果.最后,分析说明问题Ⅲ同样可以用多步迭代算法求解,并且数值实验也验证了该算法的有效性.
杨洁[8]（2020）在《基于广义矩阵模型的高阶图像低秩近似算法研究》文中研究说明低秩近似是图像成像、传输和识别等过程中的重要环节。图像是人们获取外部信息的重要媒介,自然界中存在的图像大多为二阶灰度图像或三阶的RGB图像,而且图像在传输过程中易受到各种外部因素的干扰,这些都会为图像低秩近似带来挑战,造成已有算法峰值信噪比较低、重建效果不好等问题,难以适应大数据发展的需要。近年来,奇异值分解、高阶奇异值分解及高阶正交迭代在图像低秩近似中得到了广泛的应用,并取得了很好的效果。但是,针对图像的高阶信息及像素间的相互制约关系,经典的低秩近似算法已不能很好的利用图像的空间结构及高阶信息,本文对基于广义矩阵模型的高阶图像低秩近似方法进行了深入研究。具体研究成果为:（1）针对传统图像奇异值分解低秩近似效果不理想的问题,提出了一种基于广义奇异值分解的高阶图像低秩近似算法并对该算法进行改进,同时将其应用于图像去噪。首先,针对原始二维灰度图像,利用广义矩阵模型得到其广义高阶图像,通过傅立叶域中的切片操作求解传统奇异值分解,再通过反傅立叶变换进而得到近似的广义矩阵;其次对广义奇异值分解进行改进,主要是通过改变广义矩阵的扩展方式,例如邻域选取方式及阶数扩展方式,得到更优的广义奇异值分解;然后对原始二维灰度图像添加高斯噪声,利用广义矩阵模型对含噪图像进行邻域选取,得到高阶的含噪图像,并对其做广义奇异值分解和特征值选取;最后利用峰值信噪比和平均结构相似度分析低秩近似性能。（2）提出了一种基于广义高阶奇异值分解的高阶图像低秩近似方法。首先,介绍了高阶奇异值分解算法的实现步骤;然后对传统算法进行改进,利用广义矩阵模型对不同模式扩展下的传统矩阵进行扩展,使原始的矩阵变换为广义矩阵;再利用傅立叶变换对其进行广义奇异值分解,得到不同模式下的广义左奇异向量;最后通过反傅立叶变换求得近似的广义张量,并利用峰值信噪比得到最优近似效果。（3）提出了一种基于广义张量高阶正交迭代的图像低秩近似算法。首先,利用广义矩阵模型推广得到广义高阶奇异值分解;其次根据广义高阶奇异值分解得到模式n的广义左奇异向量,并对其按照公式进行组合,再做模式n展开得到新的模式n的广义左奇异向量;然后对得到的新的模式n的广义左奇异向量进行特征值选取;最后得到近似后的广义核心张量及广义近似张量。最后通过仿真实验分析可知,本文提出的广义矩阵算法明显优于传统的矩阵算法,且随着广义矩阵阶数的扩展,图像的近似效果和去噪效果均明显提高。
胡雷鸣[9]（2020）在《轴流式水轮发电机组振动信号分析与故障诊断》文中提出水轮发电机组在运行过程中不可避免的会产生振动,机组异常振动使得机组零部件疲劳受损,机组运行状态变差,对机组安全稳定运行非常不利。当振动幅值较大时将严重影响到机组负荷的分配和电网安全。据研究显示,水轮发电机组80%的故障特征信息能在振动信号中能够显示出来,但由于水轮发电机组运行环境复杂,在对机组振动数据进行采集过程中受到多种因素的影响,导致所采集的数据受到噪声、异常脉冲等因素影响。研究如何将噪声和异常脉冲等干扰因素去除,准确的提取机组的振动信号特征,判断机组的运行状况,确定合适的检修时间和检修工作对电站乃至电网的安全稳定经济运行至关重要。首先,对水轮发电机组的故障特征进行详细分析,根据水电站实际机组的变转速、变励磁和变负荷试验所得的试验数据,结合振摆数据的趋势曲线特征、频谱特征、轴心轨迹特征和轴系状态特征对机组故障进行综合分析,找出引起机组振动的原因。通过分析发现该电站这台机组在做这三个试验时,机组的转动部位较其他部位的振摆值要大;通过分析其趋势曲线特征、频谱特征和轴心轨迹特征,发现其特征和机组转动部件存在的质量不平衡一样。再通过分析该机组其他部位振摆数据表明,该机组尾水管部位存在中频压力脉动,发电机部位存在转子气隙不均或者不平衡磁势等问题。然后,根据水轮发电机组振摆数据呈现出非平稳和非线性并且含有噪声等特性导致机组故障特征难以提取的问题,提出变分模态分解（Variational mode decomposition,VMD）结合样本熵的水轮发电机组振动信号故障诊断方法。首先用VMD对数据进行分解;然后计算各模态分量的样本熵,确定样本熵的选取阀值;最后对所选取的模态分量进行重构从而达到去噪的目的。通过仿真分析和实例验证了该方法的有效性,并且将该方法与LMD、CEEMD方法进行对比分析,结果表明,本文该方法去噪后数据的信噪比更高,相关系数高达0.9937,保留了更多原信号中的有效信息,去噪后数据能够准确的提取组数据的故障特征。再根据水轮发电机组振摆数据含有噪声和异常尖峰且信号呈非线性非平稳等特性导致机组故障特征信息难以提取的问题,提出基于非线性模态分解（Nonlinear mode decomposition,NMD）的水轮发电机组故障特征提取方法。利用NMD将含有噪声和异常脉冲的信号进行自适应降噪和重构,对重构数据和原始信号数据进行相关性分析,相关系数高达0.9908,有效达到降噪和去除异常尖峰的目的;将NMD与EMD、CEEMD进行对比分析,结果表明,经NMD处理后的数据所得的分量更少,无多余分量,更多地保留了原信号的有效信息;最后,通过实例验证了NMD方法在实际机组振摆数据故障特征提取中的有效性和可行性。最后针对在强噪声背景下尾水管等部位压力脉动数据特征难以提取的问题,提出一种自适应局部迭代滤波（Adaptive local iterative filtering,ALIF）结合样本熵和奇异值分解（singular value decomposition,SVD）的双重消噪方法。首先将待分解数据进行ALIF分解然后根据所设定的样本熵阀值,选取分量进行重构,再将重构后的信号进行奇异值分解,根据奇异值谱突变点的位置选择重构数进行重构,从而达到去噪的效果,将本文该方法和EMD方法进行对比,发现本文该方法去噪效果更优。通过仿真和实例验证,发现该方法能够精确的将强噪声背景下的特征信号提取出来,非常有利于故障的诊断。
任勇[10]（2019）在《变转速旋转机械关键零部件故障诊断研究》文中研究指明转子、轴承和齿轮是旋转机械的重要组成部件,在运行中起到支撑、动力转化和功率传递的重要作用,其性能状态对机械设备运行及效率具有重要的影响。在旋转机械启停运行阶段,转速的变化导致系统振动信号不再具有周期性,同时也导致振动信号产生调频、调幅和调相等非平稳特征,造成以转速平稳为前提的故障诊断方法失效。近年来,针对变转速条件下旋转机械的故障诊断研究已成为研究热点之一。基于转子、轴承和齿轮部件不同部位发生故障时导致机械系统采集的振动信号表现出不同的非平稳性特点,国内外学者先后提出多种不同处理方法。然而,不同的旋转机械转速变化形式多样,导致其振动信号的非平稳特征不同,造成已有方法适应性较低,不利于实际生产应用。因此,以转子、轴承和齿轮为研究对象,开展适用于不同变转速条件下的旋转零部件故障诊断方法研究具有重要意义。本文在“基于多时间尺度模型的变工况大型旋转机械健康管理研究”（国家自然科学基金项目（51475455））的基础上,以机械设备中转子、轴承和齿轮旋转零部件为研究对象,针对变转速运行工况下振动信号信噪比低、对转速测量装置依赖以及包含部件故障信息微弱等问题,开展了不同转速变化条件下基于振动信号的噪声消除、转速提取、故障敏感频带定位和故障特征提取方法的研究。论文主要研究工作如下:（1）研究分析了转子、轴承和齿轮的常见故障类型,指出在变转速工况下部件不同故障对应的故障特征,分析构建了不同部件对应故障振动模型。通过仿真手段分别分析了转子、轴承和齿轮在变转速工况下时域、频域和阶域信号特征,为后续基于阶谱成分辨识的故障信息提取建立了基础。同时,还针对本课题研究内容设计了不同实验方案,采集了相应的实验数据。（2）在实际生产中采集的振动信号存在大量的噪声干扰,导致表征部件故障特征信息成分被淹没。针对此问题,引入奇异值分解（Singular Value Decomposition,SVD）降噪算法并指出其在变转速工况下振动信号降噪分析中存在的缺陷。在此基础上,结合变转速工况下设备振动信号的特性,提出了迭代奇异值分解降噪方法（Iterated Singular Value Decomposition,ISVD）,通过仿真信号和不同故障轴承实验数据分别进行ISVD降噪分析,并通过对比故障阶次成分幅值大小定量表述所提方法的有效性。（3）为获得无转速计辅助情况下启停运行阶段转子、轴承和齿轮的转速信息,提出了基于振动信号时频脊线特征直接提取转速信息的解决方案。在信号短时傅里叶变换（Short Time Fourier Transform,STFT）时频分析中,引入最小信息熵准则自适应确定窗长,提出自适应STFT时频分析方法,有效地提高信号的时频分辨率。同时,分析了现有基于脊线检测的转速提取方法存在的优点及不足,并在此基础上提出一种基于优化动态路径规划脊线检测（Optimized Dynamic Path Planning Based Ridge Detection,ODPPRD）的转速提取方法,通过多组不同变转速条件下的实验数据分别验证所提方法的有效性。（4）为了克服在变转速工况下常见敏感频带定位方法在定位转子、轴承和齿轮故障信息频带时存在偏差等缺陷,在分析转速变化对峭度类指标影响的基础上,结合信号阶谱特性提出阶谱相关峭度（Order Spectrum Corrlated Kurtosis,OSCK）指标。同时,考虑到角域重采样易引起信号共振带扭曲的现象,指出信号共振带的确定必须在进行角域重采样之前完成。基于此,利用OSCK替换快速谱峭度图中的谱峭度指标,提出了基于快速阶谱相关峭度图（Fast Order Spectrum Kurtogram,FOSCK）的信号故障敏感频带定位方法,实现了不同变转速运行工况下转子、轴承和齿轮不同故障对应敏感频带的准确定位。（5）针对实际生产应用中不同旋转部件一种或多种故障并发的情况,开展了基于转子、轴承和齿轮故障的快速分类识别研究。在变转速运行工况下,不同旋转部件故障振动信号的谱图特征具有明显差异。基于此,分别针对转速变化较慢和较快两种不同工况,运用随机统计平均算法构造了频谱随机统计平均特征和阶谱随机统计平均特征;结合最近邻分类算法（Nearest Neighbour Classifier,NNC）对谱图特征进行故障模式分类,实现了变转速工况下转子、轴承和齿轮的单一和混合故障的快速有效分类。该论文有图137幅,表23个,参考文献191篇。
二、基于奇异值分解单步迭代滤波算法的应用（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、基于奇异值分解单步迭代滤波算法的应用（论文提纲范文）
（1）基于深度学习的燃料电池性能衰退预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 燃料电池性能衰退预测概述 |
| 1.3 燃料电池性能衰退预测方法研究现状及分析 |
| 1.3.1 性能衰退预测研究现状 |
| 1.3.2 面向预测精度提升的预测方法 |
| 1.3.3 性能衰退区间预测方法 |
| 1.3.4 考虑预测鲁棒性的方法 |
| 1.3.5 存在的问题及分析 |
| 1.4 本文主要工作及章节安排 |
| 1.4.1 论文主要贡献与创新点 |
| 1.4.2 论文章节安排 |
| 第二章 燃料电池性能衰退特性与预测技术分析 |
| 2.1 引言 |
| 2.2 燃料电池性能衰退行为分析 |
| 2.3 燃料电池退化数据及其衰退特性分析 |
| 2.3.1 PEMFC退化数据来源 |
| 2.3.2 退化数据特性分析 |
| 2.4 燃料电池性能衰退预测技术 |
| 2.4.1 性能衰退预测的原理与目标 |
| 2.4.2 衰退预测实现框架 |
| 2.4.3 退化数据预处理 |
| 2.4.4 性能衰退预测机制 |
| 2.4.5 预测性能评估 |
| 2.5 主流性能衰退预测方法的性能比较 |
| 2.5.1 主流性能衰退预测方法介绍 |
| 2.5.2 深层模型与浅层模型的预测性能比较 |
| 2.5.3 不同预处理数据下的预测模型性能比较 |
| 2.5.4 基于AVMD-DBN性能衰退预测方法 |
| 2.6 性能衰退预测改进及其深度学习技术分析 |
| 2.6.1 性能衰退预测方法改进分析 |
| 2.6.2 基于深度学习的性能衰退预测方法分析 |
| 2.7 本章小结 |
| 第三章 基于深度置信网络的高精度性能衰退预测方法 |
| 3.1 引言 |
| 3.1.1 问题描述 |
| 3.1.2 解决思路 |
| 3.2 基于深度置信网络的性能衰退预测原理 |
| 3.3 基于DBN-ELM的PEMFC性能衰退预测算法设计 |
| 3.3.1 基于中值滤波的数据预处理 |
| 3.3.2 基于DBN-ELM的预测模型 |
| 3.4 DBN-ELM预测模型的训练及优化 |
| 3.4.1 DBN-ELM预测模型训练 |
| 3.4.2 基于PSO算法的预测模型优化 |
| 3.5 实验结果与分析 |
| 3.5.1 预测实验及其数据分析 |
| 3.5.2 数据预处理结果 |
| 3.5.3 模型结构优化结果 |
| 3.5.4 DBN-ELM模型预测性能分析 |
| 3.5.5 DBN-ELM模型多步预测性能分析 |
| 3.6 本章小结 |
| 第四章 基于深度高斯过程的性能衰退区间预测方法 |
| 4.1 引言 |
| 4.1.1 问题描述 |
| 4.1.2 解决思路 |
| 4.2 燃料电池性能衰退预测的不确定性分析 |
| 4.3 考虑不确定性的燃料电池性能衰退预测原理 |
| 4.4 基于SSA-DGP的PEMFC性能衰退预测算法设计 |
| 4.4.1 基于奇异谱分析的数据预处理 |
| 4.4.2 基于DGP的预测模型 |
| 4.5 SSA-DGP预测模型的训练 |
| 4.5.1 DGP模型的训练 |
| 4.5.2 预测模型的训练 |
| 4.6 实验结果与分析 |
| 4.6.1 预测实验及其数据分析 |
| 4.6.2 数据预处理结果 |
| 4.6.3 SSA-DGP预测模型性能验证 |
| 4.6.4 不同预测方法性能比较 |
| 4.7 本章小结 |
| 第五章 基于NSGA-Ⅱ和DBN-ELM的性能衰退预测及其多目标优化研究 |
| 5.1 引言 |
| 5.1.1 问题描述 |
| 5.1.2 解决思路 |
| 5.2 基于多目标优化的燃料电池性能衰退预测原理 |
| 5.3 多目标优化预测框架设计 |
| 5.3.1 性能衰退预测的多目标优化问题 |
| 5.3.2 多目标优化函数设计 |
| 5.3.3 基于NSGA-II的多目标优化方法 |
| 5.4 基于NSGA-DBN-ELM的性能衰退预测模型设计 |
| 5.4.1 基于LUBE的预测区间构建 |
| 5.4.2 基于LUBE改进的DBN-ELM预测模型 |
| 5.4.3 基于NSGA优化的DBN-ELM预测模型 |
| 5.5 预测结果与分析 |
| 5.5.1 多目标预测实验及其数据分析 |
| 5.5.2 NSGA-DBN-ELM预测模型性能验证 |
| 5.5.3 不同预测方法性能比较 |
| 5.6 本章小结 |
| 第六章 基于鲁棒深度高斯过程的多变量性能衰退预测方法 |
| 6.1 引言 |
| 6.1.1 问题描述 |
| 6.1.2 解决思路 |
| 6.2 基于RF-RDGP的燃料电池性能衰退预测方案设计 |
| 6.3 基于RF的操作变量选择 |
| 6.3.1 随机森林理论 |
| 6.3.2 PEMFC操作变量选择 |
| 6.4 基于RDGP的预测模型设计及训练 |
| 6.4.1 RDGP预测模型设计 |
| 6.4.2 基于RDGP的预测模型训练 |
| 6.5 预测结果与分析 |
| 6.5.1 多变量预测实验及其数据分析 |
| 6.5.2 PEMFC退化数据预处理 |
| 6.5.3 基于RF的操作变量选择结果 |
| 6.5.4 RF-RDGP模型的预测性能评估 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（2）SVD人脸识别算法的改进及在BWDSP上的优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别国内外研究现状 |
| 1.2.2 DSP在国内外的研究现状 |
| 1.3 论文研究内容及论文组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 2 BWDSP1042 处理器及人脸识别技术 |
| 2.1 人脸识别技术 |
| 2.1.1 人脸图像预处理技术 |
| 2.1.2 人脸特征提取方法 |
| 2.2 BWDSP1042 处理器 |
| 2.2.1 BWDSP1042 体系结构 |
| 2.2.2 流水线 |
| 2.2.3 指令系统 |
| 2.3 本章小结 |
| 3 基于奇异值分解的人脸识别算法的研究与改进 |
| 3.1 基于奇异值分解的人脸识别算法分析 |
| 3.1.1 奇异值分解定理 |
| 3.1.2 基于奇异值分解的特征提取 |
| 3.1.3 奇异值分解在人脸识别中的应用 |
| 3.2 基于奇异值分解人脸识别算法的改进 |
| 3.2.1 图像预处理的实现方法 |
| 3.2.2 奇异值分解在特征提取中的改进 |
| 3.3 基于MATLAB的改进的奇异值分解人脸识别算法仿真 |
| 3.3.1 基于改进的奇异值分解人脸识别算法的仿真设计 |
| 3.3.2 实验数据及环境 |
| 3.3.3 实验内容 |
| 3.4 本章小结 |
| 4 改进的人脸识别算法在BWDSP1042 上的编程优化 |
| 4.1 基于BWDSP1042 的人脸识别算法编程的优化条件分析 |
| 4.1.1 基于BWDSP1042 的编程优化分析 |
| 4.1.2 人脸识别算法编程实现的整体方案 |
| 4.1.3 人脸识别算法编程的设计流程 |
| 4.2 人脸识别关键算法C语言运行速度的优化 |
| 4.2.1 C语言编程优化运行效率的方法 |
| 4.2.2 图像预处理的实现 |
| 4.2.3 特征提取的实现 |
| 4.3 特征提取汇编语言级的优化 |
| 4.3.1 汇编语言编程的常规优化方法 |
| 4.3.2 资源有限条件下的优化 |
| 4.3.3 运行效率低条件下的优化 |
| 4.3.4 其它问题的优化 |
| 4.4 本章小结 |
| 5 人脸识别算法的验证与分析 |
| 5.1 验证平台与度量标准的选定 |
| 5.1.1 开发环境 |
| 5.1.2 自动化测试平台 |
| 5.1.3 度量标准 |
| 5.2 人脸识别算法的结果与分析 |
| 5.2.1 预处理的结果与分析 |
| 5.2.2 特征提取的结果与分析 |
| 5.2.3 人脸识别算法验证 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 1 攻读硕士学位期间发表的论文 |
| 2 参与的项目 |
（3）基于AIS数据的港口船舶轨迹预测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 AIS现状 |
| 1.2.2 船舶轨迹预测方法现状 |
| 1.3 研究内容与创新点 |
| 1.4 论文结构安排 |
| 第二章 深度学习基础理论及轨迹数据预处理 |
| 2.1 人工神经网络和深度学习概述 |
| 2.1.1 人工神经网络与深度学习简介 |
| 2.1.2 深度学习经典模型 |
| 2.2 船舶轨迹预处理的一般方法 |
| 2.3 AIS数据介绍及轨迹数据预处理 |
| 2.3.1 AIS数据介绍 |
| 2.3.2 港口AIS数据提取 |
| 2.3.3 轨迹提取及异常数据处理 |
| 2.3.4 轨迹分割及轨迹序列平稳性分析 |
| 2.3.5 特征编码及归一化 |
| 2.4 本章小结 |
| 第三章 基于LSTM及 TCN的港口船舶轨迹预测 |
| 3.1 基于LSTM的港口船舶轨迹预测模型 |
| 3.1.1 循环神经网络简介 |
| 3.1.2 LSTM结构原理 |
| 3.1.3 基于LSTM的港口船舶轨迹预测模型建立 |
| 3.2 基于TCN的港口船舶轨迹预测模型 |
| 3.2.1 TCN网络基础结构 |
| 3.2.2 基于TCN的港口船舶轨迹预测模型建立 |
| 3.3 实验配置与结果分析 |
| 3.3.1 实验环境和模型评价指标 |
| 3.3.2 基于LSTM的港口船舶轨迹预测实验结果分析 |
| 3.3.3 基于TCN的港口船舶轨迹预测实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于TLSTM及 DILATE_TLSTM的港口船舶轨迹预测 |
| 4.1 基于Seq2Seq和 TLSTM的港口船舶轨迹预测模型 |
| 4.1.1 Encoder-Decoder框架原理 |
| 4.1.2 基于Seq2Seq的港口船舶轨迹预测模型建立 |
| 4.1.3 Tensor-Train分解原理 |
| 4.1.4 基于TLSTM的港口船舶轨迹预测模型建立 |
| 4.2 基于DILATE_TLSTM的港口船舶轨迹预测模型 |
| 4.2.1 DILATE原理 |
| 4.2.2 基于DILATE_TLSTM的港口船舶轨迹预测模型建立 |
| 4.3 实验配置及结果分析 |
| 4.3.1 实验环境和模型评价指标 |
| 4.3.2 基于Seq2Seq和 TLSTM的港口船舶轨迹预测实验结果分析 |
| 4.3.3 基于DILATE_TLSTM的港口船舶轨迹预测实验结果分析 |
| 4.4 模型预测性能分析 |
| 4.4.1 DILATE_TLSTM预测拟合效果优越性分析 |
| 4.4.2 DILATE_TLSTM模型泛化能力验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）车底检测系统图像增强及其软件测试效率研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去噪算法研究现状 |
| 1.2.2 图像复原算法研究现状 |
| 1.2.3 图像增强算法研究现状 |
| 1.2.4 车底图像问题及其增强 |
| 1.2.5 Daikon软件测试工具 |
| 1.3 本文的研究内容 |
| 1.4 本文的章节安排 |
| 第2章 车底成像硬件系统与算法理论基础 |
| 2.1 引言 |
| 2.2 车底成像硬件系统组成与工作原理 |
| 2.3 算法理论基础 |
| 2.3.1 偏微分方程去噪 |
| 2.3.2 Perona-Malik模型 |
| 2.3.3 傅里叶变换增强 |
| 2.3.4 奇异值分解 |
| 2.3.5 截断奇异值分解 |
| 2.3.6 半监督特征选择 |
| 2.3.7 迭代耦合变换域图像增强算法 |
| 2.3.8 迭代傅里叶域图像增强算法 |
| 2.4 图像质量评价方法 |
| 2.4.1 图像质量的主观评价 |
| 2.4.2 图像质量的客观评价 |
| 2.5 遗传算法 |
| 2.6 本章小结 |
| 第3章 基于Perona-Malik微分方程的车底图像增强算法 |
| 3.1 引言 |
| 3.2 Perona-Malik微分方程的图像增强 |
| 3.2.1 改进的Perona-Malik方程 |
| 3.2.2 数值求解方案设计 |
| 3.2.3 稳定性及收敛性验证 |
| 3.3 实验及结果分析 |
| 3.3.1 通用图像数据集实验及结果分析 |
| 3.3.2 车底图像实验及结果分析 |
| 3.4 本章小结 |
| 第4章 基于傅里叶变换域的半监督车底图像增强算法 |
| 4.1 引言 |
| 4.2 傅里叶变换域的半监督特征算法 |
| 4.2.1 半监督特征选择算法 |
| 4.2.2 截断奇异值分解算法 |
| 4.2.3 最小化优化算法 |
| 4.2.4 收敛性分析与验证 |
| 4.3 实验及结果分析 |
| 4.3.1 通用图像数据集实验及结果分析 |
| 4.3.2 车底图像实验及结果分析 |
| 4.4 本章小结 |
| 第5章 基于跟踪文件最优重排序的车底软件测试方法 |
| 5.1 引言 |
| 5.2 动态不变量检测算法 |
| 5.3 不变量检测算法的改进 |
| 5.3.1 减少不变量策略 |
| 5.3.2 跟踪文件最优重排序策略 |
| 5.4 实验与结果分析 |
| 5.4.1 实验方法 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（5）基于矩阵低秩分解理论的位场数据处理方法研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究的发展趋势 |
| 1.3 本文的研究内容和全文结构 |
| 第二章 Fourier变换及其在位场分离中的应用 |
| 2.1 引言 |
| 2.2 频率域分离方法—以Wiener滤波和匹配滤波为例 |
| 2.3 DFT的抽样定理、有限离散定理和误差方程 |
| 2.4 理论模型实验 |
| 本章结论 |
| 第三章 低秩矩阵理论与位场数据的低秩性和稀疏性 |
| 3.1 引言 |
| 3.2 低秩矩阵分解原理 |
| 3.3 位场延滞矩阵及其秩特征 |
| 3.3.1 一维数据延滞矩阵奇异值与数据频谱的关系 |
| 3.3.2 二维数据延滞矩阵奇异值与数据频率的关系 |
| 3.4 位场数据的谱特征及其低秩性 |
| 3.4.1 一维数据地质体深度与延滞矩阵奇异值的关系 |
| 3.4.2 二维数据地质体深度与延滞矩阵奇异值的关系 |
| 3.5 位场数据的稀疏性 |
| 本章结论 |
| 第四章 基于奇异谱分析的位场分离方法 |
| 4.1 引言 |
| 4.2 一维位场数据的奇异谱分析分离方法 |
| 4.2.1 基于自相关矩阵分解的奇异谱分析方法 |
| 4.2.2 基于延滞矩阵分解的奇异谱分析方法 |
| 4.2.3 参数选择的分析 |
| 4.3 二维位场数据的奇异谱分析分离方法 |
| 4.3.1 二维位场数据的奇异谱分析算法 |
| 4.3.2 参数选择的分析 |
| 4.4 理论模型实验 |
| 4.4.1 一维位场数据理论模型实验 |
| 4.4.2 二维位场数据理论模型实验 |
| 本章小结 |
| 第五章 位场分离的低秩和稀疏分解方法 |
| 5.1 引言 |
| 5.2 位场分离的数学模型 |
| 5.3 常用的求解低秩矩阵逼近问题的凸优化算法 |
| 5.3.1 APG算法 |
| 5.3.2 EALM算法 |
| 5.3.3 IALM算法 |
| 5.3.4 参数设置 |
| 5.3.5 计算效率 |
| 5.4 理论模型实验 |
| 5.4.1 一维数据理论模型实验 |
| 5.4.2 二维数据理论模型实验 |
| 本章小结 |
| 第六章 位场分离的低秩矩阵分解快速算法 |
| 6.1 引言 |
| 6.2 快速块Hankel矩阵奇异值分解算法 |
| 6.2.1 基于一维FFT的块Hankel矩阵与向量乘法算法 |
| 6.2.2 基于二维FFT的块Hankel矩阵与向量乘法算法 |
| 6.2.3 快速块Hankel矩阵随机奇异值分解算法 |
| 6.3 快速奇异谱分析算法 |
| 6.3.1 快速奇异谱分析算法 |
| 6.3.2 理论模型实验 |
| 6.4 快速低秩和稀疏分解算法 |
| 6.4.1 快速非凸低秩矩阵分解算法 |
| 6.4.2 参数设置 |
| 6.4.3 理论模型实验 |
| 本章小结 |
| 第七章 应用实例 |
| 7.1 鄂东南某矿集区重磁数据处理 |
| 7.2 湖北省大冶矿集区某研究区重磁数据处理 |
| 7.3 宁夏回族自治区卫宁北山-香山矿集区某研究区重磁数据处理 |
| 7.4 安徽省铜陵矿集区某研究区重磁数据处理 |
| 本章小结 |
| 第八章 全文总结与展望 |
| 8.1 全文总结 |
| 8.2 进一步工作的展望 |
| 致谢 |
| 参考文献 |
（6）无透镜相干衍射成像系统的降噪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 无透镜相干衍射系统中的噪声 |
| 2.1 引言 |
| 2.2 相干衍射系统中噪声的形成和分类 |
| 2.3 噪声对相干衍射成像系统的影响分析 |
| 2.4 降噪算法 |
| 2.4.1 非局部平均降噪算法 |
| 2.4.2 三维块匹配降噪算法 |
| 2.4.3 降噪性能评价指标 |
| 2.4.4 两种降噪算法性能对比 |
| 2.4.5 将降噪算子应用于相干衍射成像系统 |
| 2.4.6 实验测试 |
| 2.5 本章小结 |
| 第3章 基于平滑约束的抗噪算法 |
| 3.1 引言 |
| 3.2 研究方案 |
| 3.2.1 相干衍射成像系统 |
| 3.2.2 可调频率滤波参数的研究 |
| 3.3 仿真与实验 |
| 3.3.1 纯振幅数值模拟 |
| 3.3.2 复振幅物体仿真 |
| 3.3.3 数字板实验结果 |
| 3.3.4 生物样品实验结果 |
| 3.4 本章小结 |
| 第4章 基于奇异值分解的抗噪声多强度相位恢复算法 |
| 4.1 引言 |
| 4.2 奇异值分解 |
| 4.3 奇异值分解用于图像降噪 |
| 4.3.1 基于低秩模型的图像降噪方法 |
| 4.3.2 寻找信号最佳估计的图像降噪方法 |
| 4.4 基于奇异值分解的振幅-相位恢复算法 |
| 4.4.1 算法流程 |
| 4.4.2 数值仿真 |
| 4.4.3 实验测试 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（7）几类约束矩阵方程的多步迭代算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究意义与研究现状 |
| §1.2 本文的主要工作和创新点 |
| §1.3 本文所用的记号 |
| 第二章 约束矩阵方程AX=B的多步迭代解法 |
| §2.1 引言 |
| §2.2 求解矩阵方程AX=B一般解及其最佳逼近的多步迭代解法 |
| §2.3 求解矩阵方程AX=B对称解及其最佳逼近的多步迭代解法 |
| §2.4 求解矩阵方程AX=B反对称解及其最佳逼近的多步迭代解法 |
| §2.5 数值实验 |
| 第三章 约束矩阵方程AXB=C的多步迭代解法 |
| §3.1 引言 |
| §3.2 求解矩阵方程AXB=C一般解及其最佳逼近的多步迭代解法 |
| §3.3 求解矩阵方程AXB=C对称解及其最佳逼近的多步迭代解法 |
| §3.4 求解矩阵方程AXB=C反对称解及其最佳逼近的多步迭代解法 |
| §3.5 数值实验 |
| 第四章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要的研究成果 |
（8）基于广义矩阵模型的高阶图像低秩近似算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 奇异值分解算法的研究现状 |
| 1.2.2 高阶奇异值分解算法的研究现状 |
| 1.2.3 高阶正交迭代算法的研究现状 |
| 1.3 本文的主要内容及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 本文的结构安排 |
| 2 广义矩阵模型与理论 |
| 2.1 广义矩阵的定义 |
| 2.2 基于循环卷积的广义矩阵模型 |
| 2.2.1 Tensorial Scalar |
| 2.2.2 Tensorial Matrix |
| 2.3 广义矩阵模型的应用 |
| 2.3.1 图像低秩近似 |
| 2.3.2 图像去噪方法 |
| 2.3.3 图像质量评价指标 |
| 3 基于广义奇异值分解的高阶图像低秩近似算法 |
| 3.1 广义奇异值分解算法模型构建 |
| 3.1.1 改进的广义奇异值分解算法模型构建 |
| 3.1.2 广义奇异值分解去噪原理 |
| 3.2 实验结果及分析 |
| 3.2.1 广义奇异值分解的低秩近似研究 |
| 3.2.2 改进的广义奇异值分解的低秩近似研究 |
| 3.2.3 广义奇异值分解的图像去噪算法的研究 |
| 3.3 本章小结 |
| 4 基于广义高阶奇异值分解的图像低秩近似算法 |
| 4.1 基本张量概念 |
| 4.2 高阶奇异值分解 |
| 4.3 广义高阶奇异值分解算法模型构建 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于广义张量高阶正交迭代的图像低秩近似算法 |
| 5.1 广义张量高阶正交迭代算法模型构建 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作的展望 |
| 参考文献 |
| 附录:攻读学位期间所发表的论文 |
| 致谢 |
（9）轴流式水轮发电机组振动信号分析与故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状和发展趋势 |
| 1.3 水轮发电机组故障特征机理及频率特征 |
| 1.3.1 水力因素 |
| 1.3.2 机械因素 |
| 1.3.3 电气因素 |
| 1.3.4 水轮发电机组故障特征分析 |
| 1.4 文章主要内容 |
| 2.轴流式水轮发电机组故障诊断 |
| 2.1 概述 |
| 2.2 傅里叶变换 |
| 2.3 轴心轨迹和轴系状态图 |
| 2.4 机组变转速试验振摆数据分析 |
| 2.5 变负荷试验 |
| 2.6 变励磁试验 |
| 2.7 本章小结 |
| 3.基于VMD和样本熵的水轮发电机组故障特征提取方法 |
| 3.1 概述 |
| 3.2 基本原理 |
| 3.2.1 变分模态分解 |
| 3.2.2 样本熵 |
| 3.2.3 基于VMD和样本熵的故障特征提取方法 |
| 3.3 仿真信号分析 |
| 3.3.1 机组振摆信号仿真 |
| 3.3.2 样本熵阀值的确定 |
| 3.3.3 VMD分解 |
| 3.3.4 CEEMD分解 |
| 3.3.5 LMD分解 |
| 3.3.6 相关判断指标 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4.基于NMD的水轮发电机组故障特征提取方法研究 |
| 4.1 概述 |
| 4.2 非线性模式分解 |
| 4.3 水轮发电机组振摆信号仿真分析 |
| 4.3.1 振摆信号仿真 |
| 4.3.2 振摆信号的自适应分解 |
| 4.4 信号的相关指标分析比较 |
| 4.5 实例验证 |
| 4.5.1 水轮机上导X向数据分析 |
| 4.5.2 水轮机上导Y方向数据分析 |
| 4.5.3 水轮机水导X向数据数据分析 |
| 4.6 本章小结 |
| 5.基于自适应局部迭代滤波和奇异值分解的水轮发电机组故障诊断方法 |
| 5.1 概述 |
| 5.2 自适应局部迭代滤波原理 |
| 5.2.1 迭代滤波的基本原理 |
| 5.3 奇异值差分谱原理 |
| 5.4 ALIF-SVD的故障诊断方法步骤 |
| 5.5 仿真验证 |
| 5.6 自适应局部迭代滤波结合奇异值分解故障特征提取 |
| 5.7 经验模态分解结合奇异值分解的故障特征提取方法 |
| 5.8 相关指标的比较 |
| 5.9 实例验证 |
| 5.10 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 :攻读硕士学位期间发表的论文 |
（10）变转速旋转机械关键零部件故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容和目标 |
| 1.5 技术路线与总体框架 |
| 1.6 本章小结 |
| 2 变转速下转子、轴承和齿轮故障特性分析 |
| 2.1 引言 |
| 2.2 转子故障机理分析 |
| 2.3 滚动轴承故障机理分析 |
| 2.4 齿轮故障机理分析 |
| 2.5 实验台简介 |
| 2.6 本章小结 |
| 3 基于迭代奇异值分解的故障冲击信号降噪分析 |
| 3.1 引言 |
| 3.2 奇异值分解降噪分析 |
| 3.3 奇异值分解的影响因素分析 |
| 3.4 迭代奇异值分解降噪分析 |
| 3.5 实验验证与分析 |
| 3.6 本章小结 |
| 4 基于振动信号的转速信息提取 |
| 4.1 引言 |
| 4.2 基于自适应STFT的振动信号时频表示 |
| 4.3 基于优化动态路径规划脊线检测的转速提取 |
| 4.4 仿真信号分析 |
| 4.5 实验验证与分析 |
| 4.6 本章小结 |
| 5 基于快速阶谱相关峭度图的敏感频带提取 |
| 5.1 引言 |
| 5.2 快速谱峭度图 |
| 5.3 基于快速阶谱相关峭度图的故障敏感频带提取 |
| 5.4 实验验证与分析 |
| 5.5 本章小结 |
| 6 基于谱图特征的故障分类识别研究 |
| 6.1 引言 |
| 6.2 最近邻分类算法 |
| 6.3 基于频谱随机统计平均特征的故障识别研究 |
| 6.4 基于阶谱随机统计平均特征的故障识别研究 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要研究工作与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、基于奇异值分解单步迭代滤波算法的应用（论文参考文献）
- [1]基于深度学习的燃料电池性能衰退预测研究[D]. 谢雨岑. 电子科技大学, 2021
- [2]SVD人脸识别算法的改进及在BWDSP上的优化[D]. 张美春. 西安科技大学, 2021(02)
- [3]基于AIS数据的港口船舶轨迹预测方法研究[D]. 雷晖. 兰州大学, 2021(09)
- [4]车底检测系统图像增强及其软件测试效率研究[D]. 蔡瑛芙. 哈尔滨理工大学, 2020(04)
- [5]基于矩阵低秩分解理论的位场数据处理方法研究[D]. 朱丹. 中国地质大学, 2020(03)
- [6]无透镜相干衍射成像系统的降噪技术研究[D]. 翟玉兰. 哈尔滨工业大学, 2020(01)
- [7]几类约束矩阵方程的多步迭代算法研究[D]. 周昱洁. 桂林电子科技大学, 2020(04)
- [8]基于广义矩阵模型的高阶图像低秩近似算法研究[D]. 杨洁. 中原工学院, 2020(01)
- [9]轴流式水轮发电机组振动信号分析与故障诊断[D]. 胡雷鸣. 华北水利水电大学, 2020(01)
- [10]变转速旋转机械关键零部件故障诊断研究[D]. 任勇. 中国矿业大学, 2019(04)