一、Maximum Posterior Adjustment of Extended Network and Estimation Formulae of Its Variance Components（论文文献综述）
吴奇文[1]（2021）在《非线性平差验后方差估计的EM算法及其应用研究》文中研究表明在大地测量数据处理中,非线性平差模型是揭示数据特征和分析事物本质的重要手段。近年来,随着大地测量观测技术多样化发展,观测数据日益多源化,这对非线性平差模型的优化及平差方法提出了更高要求。平差随机模型作为联结观测数据与函数模型之间的纽带,在平差函数模型的建立、优化及参数估计方面扮演着重要角色。已有研究通过提供先验、经验性随机模型或使用平差手段修正随机模型以解决观测值的方差估计问题,但仍存在一些问题,亟待进一步研究和应用。本文基于期望最大化（EM,Expectation maximization）算法框架,充分发挥其在处理不完全数据领域的优势,对验后方差估计方面的应用研究进行探索和改进,旨在获取更为合理、精确的函数模型及参数估计精度,对非线性平差验后方差估计理论进行完善。本文的具体研究如下:（1）研究部分变量误差（Partial EIV,Partial errors-in-variables）模型非负方差分量估计的EM算法及改进算法。针对现有方差分量估计（VCE,Variance component estimation）方法易面临负方差估计风险,本文将EM算法应用于解决Partial EIV的方差分量估计问题,并对该算法下方差分量估计器的非负性进行分析。为加速EM算法效率,给出了一种非负方差分量估计的快速算法,该算法可成为现有方差分量估计的替代方法。通过算例实验验证了:本文两种方法均能获得比常规最小二乘（LS,Least squares）和总体最小二乘（TLS,Total least squares）解法更合理、准确的参数结果,且方差分量估值与已有方差分量估计方法保持一致,表明了本文方法的有效性。当负方差出现时,本文方法从统计意义上核实了方差分量估值靠近其参数空间的边缘,验证了现有非负方差分量估计方法的合理性。（2）研究非线性自调优联合概率模型验后方差估计的变分EM算法。针对正态分布定律对数据精度的要求较高,少量偏大的观测误差或粗差就可能对估计结果产生破坏性的影响,致使方差分量估计方法无法为参数估计提供准确的随机模型。本文引入学生t分布（t distribution）来描述观测值的误差特性,并以此构建顾及多源观测数据的非线性自调优联合概率模型。为进一步继承EM算法方差分量估计的优势,引入参数及方差分量的固有先验信息构建参数的随机约束,从而稳定参数解和避免负方差风险。将变分EM算法应用于解决附有参数先验分布的非线性自调优联合概率模型参数估计问题中。通过火山实例验证了:本文方法估计结果较优于基于正态分布概率模型的联合反演结果,当观测数据具有尖峰重尾特性时,本文方法能够较大限度地减少数据中有用信息的损失,对拓展非正态误差定律在大地测量联合反演中的应用具有积极促进作用。（3）研究含缺值非线性坐标时间序列验后方差波动估计模型构建方法。本文通过分析含缺值坐标时间序列的噪声特性,引入自回归-广义自回归条件异方差模型（AR-GARCH,Autoregressive-generalized autoregressive conditional heteroscedaticity）模型对时间序列的随机模型进行建模,并结合EM算法对时间序列中缺值进行估计,提出了一种AR-GARCH噪声模型下含缺值非线性坐标时间序列模型参数的估计方法。算例实验验证了:结合EM算法和AR-GARCH模型对含缺值坐标时间序列进行分析与求解,能够得到优于传统方差分量估计法且更为合理的参数、缺值估计精度以及噪声幅度估计,并有效减弱了序列中周期相关性信号等偏误对估计精度的影响,对丰富坐标时间序列分析理论具有重要的借鉴意义。（4）研究非线性速度场模型构建及稳健验后方差波动估计的EM算法。由于GNSS（Global Navigation Satellite System）坐标时间序列受各类信号、噪声等因素影响而使得验后方差估计问题变得十分复杂,该影响降低了函数模型与随机模型的建模精度,且函数模型、随机模型与观测值的相互耦合与适应状况严重影响时间序列分析与估计精度。本文基于高斯混合模型构建了顾及方差膨胀的稳健AR-GARCH模型。结合EM算法和基于极大似然比检验的检测、识别和适应（DIA,Detection,identification and adaptation）方法,分别对异常观测值和未模型化信号进行处理,得到了新的时间序列分析方法与处理流程,并对比分析不同方法对验后方差波动估计、异常值检测、参数解及其精度信息的影响。通过算例分析表明:在应对含异常观测值和多个未模型化信号的时间序列时,发现异常值在某种程度上影响了周期项与偏移量检测精度。虽然本文方法能够更好地提升模型识别的准确度与参数估计精度,但对小幅度未知偏移的检测仍为一项极具挑战性的任务。通过将不同方法应用于分析真实时间序列数据,其得到的AR模型阶数不同以往研究结果,反映了惯用的AR（1）模型可能为描述时间序列噪声特性的次优模型。最后通过不同方法得到的渐近均方根误差（ARMSE）差值表明了时间序列中存在一定数量的异常观测值。
刘玥良[2]（2021）在《面向空间非规则数据的图学习方法研究》文中认为基于图学习的数据关联结构挖掘技术,在金融决策、社交分析以及气象预测等领域发挥着重要作用。随着应用领域日益多元化,大规模观测数据呈现空间分布不规则特征,传统的时序信号分析方法直接应用到此类空间非规则数据中面临着限制。图信号处理是针对空间非规则数据的新兴研究领域,利用图的天然关联特性,为数据表征和潜在关联结构的挖掘提供一种新的视角。本文在图信号处理理论基础上,对空间非规则数据的图学习问题展开深入研究,提出了基于空时平滑性的图学习方法,低秩和空时平滑性联合约束的图学习方法,以及基于交替方向乘子法的分布式时变图学习方法。一旦获得有效的图结构,将会极大地促进后续的数据分析和处理,从而更好地指导未来的决策。本文的主要研究内容和创新点如下:1.针对图上时变信号（time-varying graph signal）的图学习问题,首先提出了一种联合空-时表征的信号模型,用于刻画图上时变信号的局部特性,即空间相关性和时间相关性。然后,在该信号模型的基础上提出了一种基于空时平滑性的图学习方法（STSGL）。相比于传统的图学习方法,STSGL方法充分挖掘了图上时变信号局部的空时特性,将信号的空间关联结构和时间关联结构有机地融合到空时平滑性的表征中,进而通过促进信号的空时平滑性来指导图结构的学习。对于信号模型中时间关联结构已知和未知的两种情况,所提方法分别采用交替优化和块坐标下降的方式进行求解,适应了不同场景下的需求。多种合成数据和真实数据实验均表明,所提的STSGL方法具有比现有图学习方法更高的图学习精度。2.针对图学习中由于信号模型与信号特征失配带来的性能瓶颈问题,首先对真实应用的空时信号进行分析,挖掘其在局部的空时特性和全局的低秩特性,提出了一种基于局部和全局表征的信号模型。然后基于该信号模型,将图学习问题转化为联合低秩信号恢复和图拉普拉斯矩阵推断的问题,提出了一种低秩和空时平滑性联合约束的图学习方法（GL-LRSS）。该方法通过引入空时平滑性和低秩特性的惩罚项分别约束信号的局部相关性和全局相关性,从而达到利用信号更全面的相关性信息,实现了对图结构的有效学习。在多种合成数据集和真实数据集上的仿真实验验证了所提模型的有效性,同时相比于现有的图学习方法,所提的GL-LRSS方法在相同情形下能够进一步提高图学习的性能。3.针对动态结构的图学习问题,提出了一种基于空-时表征的时变图学习（time-varying graph learning）框架。首先考虑到图结构的时变特性,将传统的静态图上信号（graph signal）模型扩展为基于动态图表征的信号模型,并在信号表征的同时建模了图结构的两种典型的演进模型:边平滑变化的图演进模型和单节点突变的图演进模型。然后,通过引入惩罚函数来约束图结构的动态演进,将动态结构的图学习问题统一描述为一个凸优化问题,提出了一种基于交替方向乘子法的分布式时变图学习方法（DTVGL）。该方法利用了交替方向乘子法（ADMM）的求解策略,将大规模的图结构推断问题分解为多个局部的子问题,从而实现了局部子问题的分布式并行求解。仿真实验表明,所提的DTVGL方法能够有效解决不同图演进形式下的时变图学习问题,并且相比于静态图学习方法,所提方法能够在准确推断图结构的同时识别该结构的时变特性。
李超[3]（2021）在《可穿戴网络数据融合估计算法的研究》文中研究说明可穿戴网络作为物联网的重要组成部分之一,在军事、医疗、工业等领域均有重要的应用。近些年,随着电子产业以及大数据相关技术的迅猛发展,可穿戴网络与各领域的结合更加紧密与深入,对于可穿戴网络中信息的精度也提出了更高的要求。数据融合技术可以利用原始数据的冗余信息进一步提高数据的精度与可用性;数据估计技术则可以根据原始数据的状态信息进行数据的处理,去除或减少噪声的影响。可穿戴网络数据处理中的高精度数据融合估计技术已经成为可穿戴网络的研究热点之一。可穿戴网络主要是对个人或群体的运动数据和状态数据进行采集和处理。一方面,数据的采集过程中不可避免的混入了噪声,使得数据存在不确定性,如何降低不确定性或充分利用不确定性信息提高数据精度是本领域研究的一个重要课题;另一方面,可穿戴网络采集和处理后的数据,需要进一步的数据分析,以得到最终的、可用的结论,如何将数据的融合估计与后续的数据分析紧密结合,充分利用数据信息,也是本领域研究的一个重要内容。本论文结合可穿戴网络数据处理中存在的实际问题,从上述两个角度分别对高精度融合估计技术进行了深入的研究:（1）针对非平稳过程的出现会导致估计结果存在一定的滞后性和精度出现明显下降的问题,提出了一种基于无损卡尔曼估计的突发事件感知融合估计模型,该模型引入了绝对差阈值用于发现数据流的非平稳过程,并且在非平稳过程出现时主动进行模型参数调整,一定程度上避免了非平稳过程导致的数据精度下降的问题,仿真实验表明,非平稳阶段的出现对所提模型的融合估计精度的影响不大。而且基于本模型的分类算法,其分类精度至少提升了4%。（2）针对采集数据的不确定性差异较大时,基于可能世界聚类算法的精度快速下降甚至失效的问题,提出了一种基于可能世界和K-L散度的融合估计模型。该模型将估计结果看作概率分布进行处理,充分利用了数据的不确定性。模拟数据和真实数据仿真分析表明:模型在采集数据的不确定性差异较大时,提高了聚类精度,避免了聚类算法失效,扩展了聚类算法的应用范围。（3）针对可穿戴网络中已经存在的采集数据具有一定关联性时,算法的复杂度高,估计精度低的问题,提出了一种基于吸引子的二次融合估计模型。该模型利用吸引子思想对未知的状态数据关系进行了近似拟合,得到了状态数据间数值上的关系表达式,并利用该表达式对融合估计结果进行二次处理,进一步提高了数据的融合估计精度。仿真分析表明:模型在一定条件下可以提高数据的精度,并使得同类数据的分布更加集中。（4）针对基于卡尔曼思想的融合估计算法无法处理噪声不服从正态分布下的数据,以及目前基于降维和数据离散化的处理能耗偏大的问题,提出了基于混合H2/H∞的轻量级融合估计模型。该模型使用了混合H2/H∞估计算法对状态转移方程进行融合估计,弱化了模型对噪声的要求;同时考虑到可穿戴设备中能量有限的问题,使用数据压缩方法降低可穿戴设备的数据通信消耗,达到降低能量消耗,延长使用寿命的目的。仿真分析表明:该模型在提高整体估计精度的同时,模型中各设备的通信量较其他同类模型有所降低,并在噪声剧烈变化时保持了较强的鲁棒性。
王川阳[4]（2020）在《UWB定位方法及构型优化研究》文中认为随着导航定位技术的快速发展,高精度位置信息的重要性日益提高,卫星定位技术具备全天候提供三维定位的特点,能够满足室外定位需求,但在室内环境下,由于受到建筑物遮挡,无法实现高精度定位。UWB定位技术具有穿透力强、功耗低、抗干扰等优点,可应用于室内物体及人员的定位跟踪与导航。因此,对UWB定位相关理论和方法研究,建立更合理、更有效的室内定位系统,提供精确的室内位置服务有着重要的意义。基于此,本文研究了UWB定位方法及构型优化,主要研究内容如下:（1）介绍了UWB技术及特征、同步和异步定位应用系统,比较了角度及距离测量方法,讨论了定位模型和参数估计方法,对比分析了几种迭代方法的性能。针对UWB定位系统的测量过程受到多种不同介质的影响,统计分析了UWB信号的测距误差特性,同时,基于测距误差变化规律,实现对测距误差的建模补偿,提高测距定位精度,此外,基于经验模态分解方法分离属于多路径误差的低频噪声和随机误差的高频噪声,分析多路径误差对UWB定位影响。（2）在高斯-牛顿迭代法的定位模型解算中,距离方程线性化过程忽略了高阶项的影响,从而引起模型偏差。通过分析泰勒展开的二阶模型项对参数估计偏差的影响因素及规律,并对参数偏差进行假设检验,量化线性化模型偏差大小、判断模型精度是否足够用于UWB定位以及参数偏差可否忽略。结果表明,参数偏差由先验观测值精度、定位几何构型的设计矩阵及非线性量决定。对于相对较高的测量精度,线性化是有效的,参数偏差可以忽略不计,同时,当非线性量与设计矩阵在向量空间正交时,即基站配着均匀合理,参数估计也趋于无偏。（3）由于室内环境限制,在高斯-牛顿迭代法的UWB定位解算中,不易获得良好的初始值,尤其当定位系统存在病态时,导致其不能收敛到全局最优解甚至迭代发散。通过引入考虑高阶项的封闭牛顿迭代方法,与高斯-牛顿法对比分析,表明,封闭牛顿法在增加一定计算量的条件下,具有更稳定有效的收敛性和更好的定位性能,尤其在定位系统存在病态问题或观测精度相对较低时,无论初始值是否合理,其都可以更好地收敛到全局最优解。（4）非线性滤波算法已广泛应用于导航定位,但在测量过程中存在离群值情景下,会使得新息向量异常增大,影响滤波性能和可靠性。因此,提出两种非线性滤波的抗差估计方法应用于UWB动态定位,两种抗差方法首先都通过全局检验判断模型的有效性,REKF利用IGGIII方案基于归一化残差对单个离群值进行局部检验,进而实现残差优化和抗差估计,RUKF通过调节测量噪声协方差来减少离群点的异常影响。结果表明,当离群值符合系统误差粗差或者大方差随机误差粗差时,REKF和RUKF可以有效抵抗减弱离群值的影响并提高定位精度,当离群值来自重尾分布时,此时,最小二乘估计并不是最大似然估计,基于卡方检验探测也不合理,使得抗差估计不起作用,应考虑基于L1范数估计实现最大似然估计。（5）定位参数估计与观测质量、定位方法和空间几何构型有关,GDOP广泛应用于评价导航定位系统的性能,而GDOP最小化条件也适用于UWB定位构型优化,基于是否考虑时钟误差,介绍了两类GDOP最小化条件,同时引入并分析了GDOP最小化的圆锥构型。结果表明,对于二维定位,正多边形是最佳基站构型,其不仅实现了第二类GDOP最小化,并且补偿了多种系统误差,在三维定位下,信号传输限制了基站和标签的定位构型,同时,双向测距技术广泛应用于UWB定位的测量,使得基于第一类GDOP最小化进行基站构型优化更加合理,此外,通过增加部分约束信息,可以更加有效地实现全局区域的构型优化。该论文有图115幅,表15个,参考文献156篇。
曹婷[5]（2020）在《复杂环境下雷达目标跟踪方法研究》文中指出雷达是现代战争中不可或缺的电子设备,雷达目标跟踪是雷达数据处理中至关重要的一个组成部分,在军民两用领域中都具着广泛的应用。但雷达在实际工作中所处的物理环境十分恶劣,接收到的量测数据中存在大量杂波或虚警。此外,有时也会出现目标数量不确定的情形,无疑加大了目标跟踪的难度,尤其以天波超视距雷达更为复杂。因此,迫切需要研究复杂环境下雷达目标跟踪方法。本文的研究内容就是在上述课题背景下提出来的,全文的主要工作总结如下:1.研究了雷达目标状态估计算法。研究了线性高斯系统、非线性高斯系统和非线性非高斯系统下的滤波技术,并分析了各种滤波技术的适用场景及优缺点。2.在非线性高斯系统中,为了进一步提高容积卡尔曼滤波的估计精度,基于球面单纯形准则和Gauss-Laguerre积分准则,提出了一种改进的容积卡尔曼滤波算法（SSGQKF）。理论分析和仿真结果表明,改进的算法在非线性程度较高的场合下,能够在精度和计算量中有个很好的折衷。3.在非线性非高斯系统中,针对标准粒子滤波固有的粒子退化和粒子贫化现象,提出了相应的改进算法。首先将数值稳定性好的二阶中心差分滤波算法作为重要性密度函数,然后利用差分演化优化重采样过程。研究结果表明,改进的算法能有效克服粒子退化和贫化问题,提高了粒子利用率和状态估计精度。4.研究了杂波环境下的基于数据关联的目标跟踪算法,主要包括最近邻互联、概率数据互联、联合概率数据互联、交互多模型概率数据互联。考虑了目标的机动性,在传统的交互多模型概率数据互联算法的基础上提出了一种改进算法。即引入固定延迟技术和量测幅值信息的交互多模型概率数据互联算法,并将改进的方法分别与传统的交互多模型数据互联算法进行仿真分析。5.针对跟踪场景中目标数量不定和杂波密集等复杂环境下的多目标跟踪问题,研究了基于随机有限集的多目标跟踪方法,并将差分演化优化的二阶中心差分算法引入到粒子概率假设密度滤波（PHD）中。仿真结果表明,改进的算法对复杂环境下的多目标跟踪问题有较好的效果。6.超视距雷达在地理坐标下跟踪目标时目标动态方程为线性的,而量测方程是非线性的。针对超视距雷达目标跟踪的这一特点,将两步滤波算法和均方根容积卡曼滤波算法相结合,并应用到超视距雷达目标跟踪系统中。改进的算法避免了复杂的求导运算,滤波精度也更高。其次,还研究了基于概率数据互联和随机有限集下的多径目标跟踪问题,并将球面单纯形Gauss-Laguerre积分准则融入到高斯混合多径PHD中,最后通过仿真实验验证了算法的有效性。
陈丕建[6]（2020）在《铝离子电池建模及SOC估算的研究》文中研究说明近年来,铝离子电池相关研究出现重大突破,由戴宏杰院士团队研制的铝离子电池拥有安全性高、稳定性能强且能够支持大电流充放电等一系列的优点,其在电网等大规模储能领域有着广阔的应用前景。为了满足铝离子电池的实际应用与推广需要,本文根据铝离子电池的基本特性建立了铝离子电池的等效电路模型并确立了铝离子电池的荷电状态（State of Charge,SOC）估算方法。首先,以铝离子电池为主要研究对象,综合考虑铝离子电池已知的自身性能与实验条件,通过实验分析充放电倍率等因素对铝离子电池各项基本特性的影响,并以此为依据并设计了获取电池电势的脉冲实验方法,通过获取结果明确铝离子电池存在较为明显的电压滞回特性。然后,结合目前主流电池的建模方法详细讨论经典等效电路模型针对铝离子电池的适用程度,仿真结果显示经典模型仅能在电池电量较高时粗略地描述铝离子电池的外部特性,不能完全适用于铝离子电池。结合铝离子电池较明显的电压滞回特性在经典模型的基础上提出一种针对铝离子电池的等效电路模型,并根据脉冲放电实验的实测数据对所提出模型的参数进行辨识。在MATLAB/Simulink环境下对此模型进行搭建,以恒流放电、脉冲放电、恒流充电三种电池工作状态对所提出的电池模型进行仿真验证,仿真结果表明本文提出的铝离子电池等效电路模型在上述三种工况下均拥有较高的精度,能够较为准确的描述铝离子电池的外部电压特性。最后,详细阐述分别适用于线性离散系统、非线性离散系统的卡尔曼滤波（Kalman Filter,KF）与扩展卡尔曼滤波（Extended Kalman Filter,EKF）的基本原理,结合电池在实际应用中容易受到有色噪声干扰的问题,利用开窗法在EKF的基础上增加自适应环节,明确以自适应扩展卡尔曼滤波算法（Adaptive Extended Kalman Filter,AEKF）对铝离子电池SOC进行估算的方法。以已建立的铝离子电池等效电路模型为基础推导出参数矩阵与AEKF递推公式,在MATLAB/Simulink环境下搭建基于AEKF的SOC估算模型。以铝离子电池在恒流放电、脉冲放电工作状态下的实测数据为参考进行仿真验证,仿真结果表明本文提出的基于AEKF的铝离子电池SOC估算方法有较高的精度、较好的收敛性与较强的抗干扰能力。
陈未敏[7]（2020）在《永磁同步电机在线参数辨识研究》文中研究说明永磁同步电机矢量控制系统依赖于电机参数的准确获知,然而电机温度以及磁饱和程度的变化将导致电机参数发生变化,从而影响电机的控制性能。准确的电机参数对于提高电流控制器的动稳态性能、减小无位置传感器的估计误差和减小转矩谐波、实时监测电机运行状态等具有诸多益处。本文以永磁同步电机的参数在线辨识为目标,主要进行以下研究:对引起电机参数变化的原因进行分析,深入研究电机参数变化对于电机矢量控制系统带来的影响,分析利用稳态电压方程实现电机参数多参数辨识的可行性。针对稳态电压方程本身欠秩的问题提出以动态电压方程为辨识模型进行参数辨识。为此研究了遗忘因子最小二乘法、扩展卡尔曼滤波算法和卡尔曼滤波算法的基本原理,介绍了这三种算法在解决参数辨识问题的实现方法,并分别从其所使用的动态模型出发分析了利用各种算法实现多参数辨识所需要满足的条件。对电机矢量控制系统中存在的非理想因素进行分析,深入研究了控制延时、转子位置初始角偏差以及逆变器死区这三种非理想因素的成因及其带来的影响。从最小二乘法的基本原理出发提出了一种辨识误差的定量计算方法以分析辨识模型中的噪声对于辨识结果造成的影响。并针对这三种非理想因素提出相应的补偿措施以提高辨识结果的精度。利用永磁同步电机实验平台对本文所述的多参数辨识方法进行验证,实验结果表明能够实现对电机的多参数实时在线辨识,且三种算法当中最小二乘法与卡尔曼滤波算法的耗时最短,而扩展卡尔曼滤波算法的抗扰性能最佳。非理想因素补偿前的实验结果可以验证本文所提出辨识误差定量计算方法,补偿后的结果可证明本文所述补偿方法能够显着提高参数辨识结果的精度。
徐兴贵[8]（2020）在《近地面扩展目标远距成像识别关键技术研究》文中指出目标从毫米波雷达进入近地面光学系统探测范围时,目标2D图像信息成为战场情报的关键。然而,大气中的湍流、分子和气溶胶等光传输介质使得近地面远距离成像系统获取的目标图像发生模糊、几何畸变、纹理缺失等退化降质。为提高该类近地面远距离成像场景下的扩展目标检测与识别能力,本文围绕扩展目标识别的关键技术展开研究。首先,采用预处理手段增强目标图像和去除湍流几何畸变。接着,针对运动的暗弱扩展目标提出了有效的检测算法。在以上预处理和检测算法获取较为完备的动静态轮廓形状目标基础上,改进了方向形状上下文匹配算法以提高远距离湍流杂波场景下的点集形状扩展目标匹配识别精度,同时还针对湍流形变轮廓扩展目标提出了融合轮廓形状关键点结构和热核特征的分类识别算法。具体研究工作可分为以下五个方面:（1）提出了一种无需任何先验信息的自适应全尺度Retinex（AFSR）目标图像增强算法。与传统复原方法需依靠自然成像场景中的海量数据和先验知识来构建数学模型或者深度网络模型不同,所提方法无需先验信息便可利用图像光传输透射率自适应地引导构建全尺度环绕函数,改进了传统Retinex方法不能表征深度光照信息以及手调尺度参数的缺点。同时,采用简单的线性逼近策略代替对数函数运算进行反射分量解算,降低了算法的计算复杂度,能够在997×658×3大小的视频图像序列中达到0.055s/帧的准实时处理。大量实验表明:所提算法能够有效地提高外场近地面薄膜衍射成像系统获取的目标图像能量,提高扩展目标的鉴别力。（2）提出了一种基于自适应混合高斯子空间分解（AMoGSF）的扩展目标图像去几何畸变算法。为克服自适应光学系统在近地面非等晕成像中的局限,以及传统的（半）盲复原算法难以获得准确先验知识和无法处理时空变化畸变的问题,提出了一种在线式的去几何畸变算法。所提方法利用混合高斯分布模型对湍流前景中的目标、噪声和湍流分量建模,同时利用多帧低秩结构进行在线子空间分解以实现包含运动目标的几何畸变矫正。在合成的湍流退化图像序列、薄膜衍射成像实验系统和外场远距离光学成像系统等三类图像数据上实验,结果表明:所提的AMoGSF算法能够平均提高湍流畸变图像的峰值信噪比（PSNR）约30dB,降低归一化均方误差（NMSE）约4.5%。与此同时,所提方法提高了目标鉴别力,获得了较为完备的轮廓形状扩展目标,也为后续自动目标识别奠定了基础。（3）提出了一种由粗到精的暗弱运动扩展目标检测算法。针对机载、车载等近地面远距成像场景中出现相机抖动或平台旋转导致视频序列背景低秩假设受到破坏,以及湍流分量与真实运动物体咬合交织导致目标检测识别准确率降低等问题,提出了转移操作算子的T-AMoGSF模型以保证相机抖动或平台移动下的背景低秩特性,改进了算法在动态背景下提取‘粗’运动目标的鲁棒性。同时,改进的可变加权管道滤波（VWPF）方法能充分利用多帧序列的时空结构特性以有效地对暗弱刚体或非刚体目标进行‘细’识别。对比了7种方法在5种不同湍流场景中的实验结果,验证了所提方法在近地面可见光和红外成像数据集上获得最好的检测精度,最小的漏检率和虚警率。该方法实现了远距离成像探测系统中感兴趣区域（ROI）的运动暗弱扩展目标直接检测识别。（4）针对近地面湍流杂波场景中形状点集扩展目标匹配误差较大的问题,提出了一种形状边连续性约束下的方向形状上下文（OSC）能量代价函数模型。所提方法首先构造了一个具有旋转和尺度不变特征的OSC描述算子,然后在形状边连续性先验约束条件下构建了匹配能量代价函数模型,最后利用有序的动态匹配算法实现目标代价函数优化,算法的时间复杂度也由传统的O（n4）下降到O（nm2）,其中（n>m）。在仿真的湍流杂波点集形状和实际的近地面形状目标场景中实验,结果表明:所提方法较其他2种典型的方法更具鲁棒性,匹配精度平均提高约7%。（5）针对发生形变的轮廓形状扩展目标导致识别精度下降问题,提出了一种改进形状上下文和几何等距不变特征的融合描述算子。所提方法首先理论推导出广义的形状特征融合模型和贝叶斯分类器模型,然后利用改进的加权离散轮廓演化算法（WDCE）有效地获取湍流杂波场景中目标轮廓形状的稀疏关键点。在此基础上,构建了基于关键点形状结构（CP-IDSC）和局部等距不变热核（SI-HKS）的融合特征算子进行分类和匹配识别。在仿真和实际的湍流形变数据集上实验表明:所提出的融合特征描述子对轮廓形变、旋转和尺度变化具有不变性,并可有效地用于湍流退化杂波场景下的远距离（红外或可见光成像）形变扩展目标识别。与其他4种典型的方法相比,所提方法获得最高为92.8%的识别精度。总之,本文以问题为导向,以算法模型为核心,以实验为落脚点,围绕近地面远距离探测成像场景下智能扩展目标识别中的关键技术展开研究,取得了一些理论和工程应用方面的成果。
孔俊东[9]（2020）在《一类滚动时域估计方法的性能指标研究》文中研究指明状态估计是根据测量数据估算系统状态的方法,被广泛地应用于自动控制、故障诊断、软测量等众多工业应用领域。滚动时域估计是一类利用滚动窗口数据进行状态估计的滤波算法,能够显式处理带约束系统的状态估计问题。在应用过程中,窗口尺寸的择取和到达代价的计算是影响算法估计性能的两个重要方面。本文致力于研究窗口尺寸的合理选择和到达代价的近似计算问题,提升求解效率和估计精度,并通过典型的数值算例和实际案例进行分析验证。在阅读大量文献的基础上,本文在滚动时域估计算法方面开展了一些研究工作,具体如下:1.针对线性系统中滚动时域估计算法的优化问题,通过将全信息估计问题和近似估计问题转化为以矩阵形式表述的二次规划问题,给出了相应的求解方法。基于最小二乘原理,给出了一种递推形式的滚动时域状态估计方法。该方法通过成批输出数据的向前滚动,分别对含系统参数的矩阵和含输出信息的矩阵进行分块,获得的状态估计值和卡尔曼滤波算法一样以递推形式给出。最后,将该方法分别应用于白噪声和有色噪声的线性模型中,验证了该方法的有效性和普适性。2.针对窗口尺寸会影响到滚动时域估计算法的估计精度及计算效率问题,为了平衡这两个指标,提出了一种窗口尺寸的选取方法。该方法在结合遗传算法和模拟退火机制的优良特性上,对不同量纲的精度指标和效率指标采用归一化原理设计了相应的适应度函数,寻找出当前权重比下的最佳窗口尺寸。通过线性无约束离散模型和带约束的连续搅拌反应釜模型为例验证表明:该参数优化方法在预设的权重比下,能有效的计算出最佳的窗口尺寸用于滚动时域估计算法的应用。3.针对滚动时域估计算法在非线性系统中的应用问题,给出了一种通过无迹卡尔曼滤波得到先验协方差矩阵用以计算到达代价的方法。首先应用单形采样原则取代了无迹变换中的对称采样原则,减少原有方法中sigma点的数目;其次对无迹变换中的比例因子提出自适应的计算策略,用以提高到达代价的计算精度。采用两个非线性的案例进行仿真验证,结果表明该方法具有更精确的估计效果,相对于扩展卡尔曼滤波更适合应用于高阶的非线性系统。
马秀[10]（2020）在《概率模型的随机变分近似推理算法及应用研究》文中研究说明概率模型由于其灵活的表达形式成为当前广泛使用的密度估计和聚类工具之一。目前,随着因特网技术的快速发展,信息化数据呈现出爆炸式增长,如何将概率模型应用于大规模数据集上成为了急待解决的问题。针对这一现象,本文主要就如何解决大规模数据集上概率混合模型中的参数估计和模型需选择问题进行了深入探究。首先,本文介绍了当前概率模型的研究现状和意义,引出了概率模型的定义,对模型参数估计和模型选择的两种主要方法——确定性方法和非确定性方法进行了介绍,其中,确定性方法以EM算法为主,但是EM算法存在初始值敏感和不能自动确定混合分量数的问题。因此采用以贝叶斯方法为代表的非确定性方法。但是直接使用贝叶斯公式并不能求解,因此采用近似推理方法解决该问题。接下来,本文对逆狄利克雷混合模型进行建模,采用传统变分贝叶斯框架,通过不断最大化变分函数目标的下界来逼近真实的后验分布。在传统变分贝叶斯基础上,引入随机变分贝叶斯方法,解决传统变分贝叶斯方法效率低的问题。传统变分贝叶斯方法更新局部参数时需要估计所有数据点的局部变分参数。随机变分方法每次迭代更新局部参数先抽取部分样本计算局部变分参数,再根据局部变分参数求解中间全局变分参数,最后将中间变分参数和上一次的全局变分参数加权平均得到当前的全局变分参数。最后,将本文提出的随机变分方法和传统变分方法进行实验对比,设置合成数据集,对比两种算法的估计准确率,实验结果表明随机变分方法能够准确估计模型参数和混合系数,同时减少了计算量,大大提高了算法的运行效率。在公认的数据集Scene13和Caltech04上进行图像分类实验,在实际场景中验证了随机变分算法的准确性和高效性。
二、Maximum Posterior Adjustment of Extended Network and Estimation Formulae of Its Variance Components（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、Maximum Posterior Adjustment of Extended Network and Estimation Formulae of Its Variance Components（论文提纲范文）
（1）非线性平差验后方差估计的EM算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性模型参数迭代算法研究现状 |
| 1.2.2 验后方差估计原理研究现状 |
| 1.2.3 不完全观测理论与EM算法研究现状 |
| 1.2.4 非线性平差验后方差估计研究中存在的不足 |
| 1.3 论文的研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 本章小结 |
| 2 Partial EIV模型先验随机模型修正因子估计的EM算法及其可估性研究 |
| 2.1 概述 |
| 2.2 常用方差分量估计方法 |
| 2.2.1 最小二乘方差分量估计 |
| 2.2.2 限制性极大似然估计 |
| 2.3 EM算法 |
| 2.3.1 EM算法的基本原理 |
| 2.3.2 EM算法的收敛性 |
| 2.4 非负方差分量估计的EM算法及改进算法 |
| 2.4.1 Partial EIV模型 |
| 2.4.2 Partial EIV模型方差分量估计的EM算法 |
| 2.4.3 方差分量非负性分析 |
| 2.4.4 非负方差分量估计的改进算法 |
| 2.5 算例及分析 |
| 2.5.1 直线拟合模型 |
| 2.5.2 四参数平面坐标转换模型 |
| 2.6 本章小结 |
| 3 非线性自调优联合概率模型验后方差估计的变分EM算法 |
| 3.1 概述 |
| 3.2 顾及多元t分布误差的非线性联合平差模型 |
| 3.3 非线性自调优联合平差模型的变分EM算法 |
| 3.3.1 附有先验信息的非线性自调优变分推断方法 |
| 3.3.2 变分EM算法:计算变分分布 |
| 3.3.3 变分EM算法:变分分布参数估计 |
| 3.4 算例及分析 |
| 3.4.1 Mogi模型 |
| 3.4.2 Mogi模型蒙特卡洛分析 |
| 3.4.3 Calbuco火山联合反演 |
| 3.5 本章小结 |
| 4 含缺值非线性GNSS坐标时间序列验后方差波动估计模型构建方法 |
| 4.1 概述 |
| 4.2 含缺值非线性坐标时间序列模型构建方法 |
| 4.2.1 含缺值非线性坐标时间序列模型 |
| 4.2.2 Lomb-Scargle变换法周期项提取 |
| 4.2.3 现有噪声模型分类 |
| 4.3 现有AR噪声模型的建模与EM算法缺值估计 |
| 4.4 含缺值坐标时间序列验后方差波动模型的构建与估计 |
| 4.4.1 ARCH-LM方差波动效应检验 |
| 4.4.2 AR-GARCH验后方差波动模型与EM缺值估计 |
| 4.4.3 AR-GARCH模型的阶数确定 |
| 4.5 算例及分析 |
| 4.5.1 数据来源与说明 |
| 4.5.2 线性趋势项 |
| 4.5.3 线性趋势项+周期项 |
| 4.6 本章小结 |
| 5 GNSS测站非线性速度场模型构建及其EM算法稳健验后方差波动估计 |
| 5.1 概述 |
| 5.2 GNSS测站非线性速度场稳健观测模型 |
| 5.2.1 函数模型 |
| 5.2.2 稳健AR-GARCH随机模型 |
| 5.3 非线性速度场稳健观测模型处理的EM算法 |
| 5.3.1 引入隐变量与期望计算 |
| 5.3.2 参数的极大似然估计 |
| 5.4 非线性速度场模型稳健识别与模型选择 |
| 5.4.1 稳健识别 |
| 5.4.2 模型选择 |
| 5.5 算例及分析 |
| 5.5.1 算法验证 |
| 5.5.2 模拟实验 |
| 5.5.3 真实实验 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要工作总结 |
| 6.2 对下一步工作的展望 |
| 参考文献 |
| 攻读硕士学位期间的论文、主要学术活动及获奖情况 |
| 致谢 |
（2）面向空间非规则数据的图学习方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号列表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 基于统计模型的图学习方法 |
| 1.2.2 基于GSP模型的图学习方法 |
| 1.2.3 研究现状分析和总结 |
| 1.3 论文主要内容及结构安排 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文结构安排 |
| 第二章 图信号处理基础 |
| 2.1 引言 |
| 2.2 图和图上信号 |
| 2.2.1 图的构造方式 |
| 2.2.2 图拉普拉斯矩阵 |
| 2.2.3 图上信号的频域表示 |
| 2.2.4 图上平滑信号 |
| 2.3 图学习的相关研究 |
| 2.3.1 图上平滑信号的图学习 |
| 2.3.2 图上平稳信号的图学习 |
| 2.3.3 各类方法的优势和局限 |
| 2.4 本章小结 |
| 第三章 图上时变信号的图学习研究 |
| 3.1 引言 |
| 3.2 问题模型 |
| 3.2.1 联合空-时表征的信号模型 |
| 3.2.2 模型的空时特性和概率特性分析 |
| 3.2.3 图学习的优化模型 |
| 3.3 基于空时平滑性的图学习算法 |
| 3.3.1 理想信号模型下的图学习算法 |
| 3.3.2 非理想情况下的图学习算法 |
| 3.4 实验验证 |
| 3.4.1 合成数据实验 |
| 3.4.2 全国地表温度数据实验 |
| 3.4.3 传感网水汽蒸发数据实验 |
| 3.5 本章小节 |
| 第四章 基于信号局部和全局特性的图学习研究 |
| 4.1 引言 |
| 4.2 问题模型 |
| 4.2.1 基于局部和全局表征的信号模型 |
| 4.2.2 模型的局部特性和全局特性分析 |
| 4.2.3 图学习的优化模型 |
| 4.3 低秩和空时平滑性联合约束的图学习算法 |
| 4.4 实验验证 |
| 4.4.1 合成数据实验 |
| 4.4.2 舞者动作网格数据实验 |
| 4.4.3 全国地表温度数据实验 |
| 4.4.4 传感网水汽蒸发数据实验 |
| 4.5 本章小结 |
| 第五章 面向动态结构的图学习研究 |
| 5.1 引言 |
| 5.2 问题模型 |
| 5.2.1 基于动态图表征的信号模型 |
| 5.2.2 图的演进模型 |
| 5.2.3 时变图学习的优化模型 |
| 5.3 基于交替方向乘子法的分布式时变图学习算法 |
| 5.4 实验验证 |
| 5.4.1 合成数据实验 |
| 5.4.2 公司股票数据实验 |
| 5.4.3 空手道俱乐部的社交网络实验 |
| 5.5 本章小节 |
| 第六章 全文总结及展望 |
| 6.1 论文的研究总结 |
| 6.2 论文进步研究方向展望 |
| 参考文献 |
| 附录一 缩略语列表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）可穿戴网络数据融合估计算法的研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 主要研究方法和研究现状 |
| 1.2.1 可穿戴网络数据处理中的融合估计技术 |
| 1.2.2 可穿戴网络数据处理中基于融合估计的聚类与分类技术 |
| 1.2.3 融合估计技术在可穿戴网络数据处理中的应用 |
| 1.2.4 融合估计技术在数据聚类与分类中的应用 |
| 1.3 主要研究内容和创新点 |
| 1.4 论文的总体结构 |
| 2 基于UKF的突发事件感知融合估计模型 |
| 2.1 引言 |
| 2.2 相关研究工作 |
| 2.2.1 相关工作 |
| 2.2.2 UKF算法 |
| 2.2.3 估计结果相互独立的融合算法 |
| 2.3 基于UKF的突发事件感知融合估计模型 |
| 2.3.1 数据预处理阶段 |
| 2.3.2 数据融合估计阶段 |
| 2.3.3 数据后续处理阶段 |
| 2.4 系统仿真与分析 |
| 2.4.1 仿真环境 |
| 2.4.2 系统仿真 |
| 2.5 本章小结 |
| 3 基于可能世界与K-L散度的融合估计模型 |
| 3.1 引言 |
| 3.2 相关研究工作 |
| 3.2.1 相关工作 |
| 3.2.2 可能世界 |
| 3.2.3 分布的距离计算方法 |
| 3.3 基于可能世界与K-L散度的融合估计模型 |
| 3.3.1 距离相关性矩阵 |
| 3.3.2 基于数据精度差异的相关性矩阵融合算法 |
| 3.3.3 基于相关性矩阵的数据处理 |
| 3.4 系统仿真与分析 |
| 3.4.1 基于模拟数据集的模型参数分析 |
| 3.4.2 基于真实数据集的模型性能分析 |
| 3.5 本章小结 |
| 4 基于吸引子的二次融合估计模型 |
| 4.1 引言 |
| 4.2 相关研究工作 |
| 4.2.1 相关工作 |
| 4.2.2 基于最小二乘估计的匹配算法 |
| 4.3 基于吸引子的二次融合估计模型 |
| 4.3.1 初始化 |
| 4.3.2 数据的融合估计 |
| 4.3.3 数据所属类的判断 |
| 4.3.4 基于吸引子的二次融合估计 |
| 4.3.5 吸引子更新 |
| 4.3.6 CA-QFEM模型的复杂度分析 |
| 4.4 系统仿真与分析 |
| 4.4.1 仿真环境 |
| 4.4.2 系统仿真 |
| 4.5 本章小结 |
| 5 基于混合H_2/H_∞估计的轻量级融合估计模型 |
| 5.1 引言 |
| 5.2 相关研究工作 |
| 5.2.1 相关工作 |
| 5.2.2 混合H_2/H_∞估计算法 |
| 5.3 基于混合H_2/H_∞估计的轻量级融合估计模型 |
| 5.3.1 局部估计 |
| 5.3.2 数据压缩 |
| 5.3.3 高精度数据融合策略 |
| 5.3.4 相关参数研究 |
| 5.4 系统仿真与分析 |
| 5.4.1 环境仿真 |
| 5.4.2 参数分析 |
| 5.4.3 模型分析 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 论文的主要工作 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）UWB定位方法及构型优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究意义 |
| 1.4 主要研究内容及论文组织架构 |
| 2 UWB定位理论基础 |
| 2.1 技术定义及特征 |
| 2.2 测量方法 |
| 2.3 定位应用系统 |
| 2.4 定位模型及参数估计方法 |
| 2.5 本章小结 |
| 3 测距误差分析及多路径提取 |
| 3.1 测距误差分析 |
| 3.2 测距误差改正模型 |
| 3.3 实验与分析 |
| 3.4 多路径提取及降噪模型 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 4 基于高斯-牛顿迭代法的模型偏差 |
| 4.1 基于高斯-牛顿迭代法的参数估计偏差 |
| 4.2 模型偏差的假设检验 |
| 4.3 实验与分析 |
| 4.4 本章小结 |
| 5 基于封闭牛顿迭代法的UWB定位 |
| 5.1 封闭牛顿迭代法 |
| 5.2 实验与分析 |
| 5.3 本章小结 |
| 6 非线性滤波的抗差估计 |
| 6.1 抗差扩展卡尔曼滤波 |
| 6.2 离群点随机模型 |
| 6.3 实验与分析 |
| 6.4 抗差无迹卡尔曼滤波 |
| 6.5 实验与分析 |
| 6.6 本章小结 |
| 7 定位构型优化 |
| 7.1 单点定位构型及GDOP最小化 |
| 7.2 实验与分析 |
| 7.3 基于GDOP值最小化的圆锥构型 |
| 7.4 实验与分析 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）复杂环境下雷达目标跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究的背景和意义 |
| 1.2 雷达目标跟踪研究现状 |
| 1.2.1 雷达目标状态估计的研究进展 |
| 1.2.2 视距雷达目标跟踪的研究进展 |
| 1.2.3 天波超视距雷达目标跟踪的研究进展 |
| 1.3 本文主要研究内容及结构安排 |
| 第二章 雷达目标状态估计算法 |
| 2.1 卡尔曼滤波 |
| 2.2 扩展卡尔曼滤波(EKF) |
| 2.3 基于确定性采样的非线性滤波算法 |
| 2.3.1 无迹卡尔曼滤波 |
| 2.3.2 二阶中心差分滤波 |
| 2.3.3 容积卡尔曼滤波 |
| 2.3.4 改进的容积卡尔曼滤波 |
| 2.3.5 仿真分析 |
| 2.4 粒子滤波 |
| 2.4.1 基本粒子滤波 |
| 2.4.2 改进的粒子滤波算法 |
| 2.4.3 仿真分析 |
| 2.5 小结 |
| 第三章 基于数据关联的雷达目标跟踪理论 |
| 3.1 航迹起始 |
| 3.1.1 直观法 |
| 3.1.2 基于m/n逻辑法 |
| 3.1.3 Hough变换航迹起始 |
| 3.1.4 仿真分析 |
| 3.2 典型数据互联算法 |
| 3.2.1 干扰环境下的单目标数据关联算法 |
| 3.2.2 干扰环境下的多目标跟踪数据关联算法 |
| 3.2.3 仿真分析 |
| 3.3 基于交互多模型的数据互联算法 |
| 3.3.1 IMMPDA算法 |
| 3.3.2 改进的IMMPDA算法 |
| 3.3.3 仿真分析 |
| 3.4 小结 |
| 第四章 基于随机有限集的多目标跟踪方法 |
| 4.1 单目标和多目标情形下的递推贝叶斯模型 |
| 4.1.1 单目标贝叶斯滤波 |
| 4.1.2 多目标RFS框架下的贝叶斯滤波 |
| 4.2 基于随机有限集PHD滤波 |
| 4.2.1 概率假设密度滤波 |
| 4.2.2 带势的概率假设密度滤波 |
| 4.3 PHD滤波的实现 |
| 4.3.1 混合高斯PHD滤波算法 |
| 4.3.2 粒子PHD滤波算法 |
| 4.3.3 改进的粒子PHD滤波算法 |
| 4.3.4 随机有限集的性能指标评价 |
| 4.3.5 仿真分析 |
| 4.4 小结 |
| 第五章 多径效应下的OTHR目标跟踪算法 |
| 5.1 OTHR目标跟踪模型 |
| 5.1.1 电离层模型 |
| 5.1.2 目标跟踪状态模型 |
| 5.1.3 OTHR量测模型 |
| 5.2 OTHR目标跟踪中两步滤波算法研究 |
| 5.2.1 两步滤波算法 |
| 5.2.2 改进的两步滤波算法及其在OTHR目标跟踪系统中的应用 |
| 5.2.3 仿真分析 |
| 5.3 多径效应下的数据互联算法 |
| 5.3.1 MPDA算法 |
| 5.3.2 MPCR算法 |
| 5.3.3 仿真分析 |
| 5.4 基于随机有限集的多径效应下的目标跟踪算法 |
| 5.4.1 基于RFS的OTHR量测模型 |
| 5.4.2 高斯混合多径PHD |
| 5.4.3 仿真分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
（6）铝离子电池建模及SOC估算的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的背景及意义 |
| 1.3 课题研究现状 |
| 1.4 主要研究内容及章节安排 |
| 2 铝离子电池基本特性分析 |
| 2.1 铝离子电池的基本工作原理 |
| 2.2 铝离子电池的主要特性参数及其影响因素 |
| 2.3 铝离子电池特性实验和分析 |
| 2.4 本章小结 |
| 3 铝离子电池等效电路模型的建立与验证 |
| 3.1 常用的等效电路模型 |
| 3.2 经典等效电路模型针对铝离子电池的适用性分析 |
| 3.3 铝离子电池等效电路模型的提出 |
| 3.4 铝离子电池等效电路模型的参数辨识 |
| 3.5 铝离子电池等效电路模型的验证与分析 |
| 3.6 本章小结 |
| 4 基于AEKF的铝离子电池SOC估算 |
| 4.1 经典SOC估算方法分析 |
| 4.2 卡尔曼滤波原理 |
| 4.3 基于AEKF的铝离子电池SOC估算方法 |
| 4.4 铝离子电池SOC估算模型的建立 |
| 4.5 铝离子电池SOC估算模型的验证 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（7）永磁同步电机在线参数辨识研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 参数辨识方法研究 |
| 1.2.2 多参数在线辨识研究 |
| 1.2.3 非理想因素对于参数辨识的影响 |
| 1.3 论文主要工作内容及安排 |
| 2 永磁同步电机数学模型及控制性能分析 |
| 2.1 永磁同步电机数学模型及矢量控制系统 |
| 2.2 温度及磁链饱和对电机参数变化的影响 |
| 2.3 参数不准对矢量控制系统性能的影响 |
| 2.3.1 定子电阻对矢量控制性能的影响 |
| 2.3.2 转子磁链对矢量控制性能的影响 |
| 2.3.3 d/q轴电感对矢量控制性能的影响 |
| 2.4 永磁同步电机数学模型欠秩问题 |
| 2.5 小结 |
| 3 永磁同步电机多参数在线辨识 |
| 3.1 基于递推最小二乘法的永磁同步电机多参数在线辨识 |
| 3.1.1 遗忘因子递推最小二乘法 |
| 3.1.2 最小二乘法在PMSM参数辨识中的应用 |
| 3.2 基于扩展卡尔曼滤波法的永磁同步电机多参数在线辨识 |
| 3.2.1 扩展卡尔曼滤波算法 |
| 3.2.2 扩展卡尔曼滤波法在PMSM参数辨识中的应用 |
| 3.3 基于卡尔曼滤波法的永磁同步电机多参数在线辨识 |
| 3.3.1 卡尔曼滤波算法 |
| 3.3.2 卡尔曼滤波法在PMSM参数辨识中的应用 |
| 3.3.3 最小二乘法与卡尔曼滤波算法的统一 |
| 3.4 小结 |
| 4 非理想因素对于辨识结果的影响及补偿 |
| 4.1 噪声来源分析 |
| 4.2 基于最小二乘法的辨识误差分析 |
| 4.3 非理想因素补偿 |
| 4.4 小结 |
| 5 在线参数辨识实验验证 |
| 5.1 实验平台 |
| 5.2 多参数在线辨识实验结果 |
| 5.3 非理想因素补偿前后的实验结果 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 对进一步研究工作的展望 |
| 参考文献 |
| 附录 A |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）近地面扩展目标远距成像识别关键技术研究（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 目标检测与识别研究现状 |
| 1.2.1 图像清晰化预处理 |
| 1.2.2 几何畸变校正预处理 |
| 1.2.3 目标检测算法 |
| 1.2.4 目标识别算法 |
| 1.3 成像特性分析 |
| 1.3.1 模糊退化图像特性 |
| 1.3.2 湍流退化图像特性 |
| 1.4 面临的主要问题 |
| 1.5 研究内容及技术路线 |
| 1.6 本文组织结构 |
| 第二章 低秩矩阵分解与形状不变特征表示理论基础 |
| 2.1 低秩矩阵分解 |
| 2.1.1 相关定义 |
| 2.1.2 矩阵分解原理 |
| 2.1.3 低秩矩阵恢复方法 |
| 2.2 形状不变特征表示与识别原理 |
| 2.2.1 形状上下文特征 |
| 2.2.2 热核特征 |
| 2.2.3 基于特征匹配的目标识别 |
| 2.2.4 基于分类器模型的目标识别 |
| 2.3 小结 |
| 第三章 基于自适应全尺度Retinex的扩展目标图像增强 |
| 3.1 概述 |
| 3.2 图像清晰化模型 |
| 3.2.1 光学传输模型 |
| 3.2.2 Retinex原理 |
| 3.3 自适应全尺度Retinex算法 |
| 3.3.1 算法数学模型 |
| 3.3.2 算法优化 |
| 3.3.3 算法鲁棒性分析 |
| 3.3.4 算法流程 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据及评价指标 |
| 3.4.2 薄膜衍射成像系统的扩展目标图像增强 |
| 3.4.3 背光图像和夜间模糊图像增强 |
| 3.4.4 图像增强预处理后的扩展目标检测 |
| 3.5 小结 |
| 第四章 基于自适应混合高斯空间分解的扩展目标几何畸变校正 |
| 4.1 概述 |
| 4.2 湍流退化图像序列统计模型 |
| 4.2.1 湍流前景统计模型 |
| 4.2.2 低秩背景模型 |
| 4.3 扩展目标几何畸变校正 |
| 4.3.1 自适应混合高斯子空间分解模型 |
| 4.3.2 求解方法及步骤 |
| 4.3.3 分解结果 |
| 4.3.4 运动扩展目标掩模 |
| 4.3.5 算法流程 |
| 4.4 结果与分析 |
| 4.4.1 实验数据及参数设置 |
| 4.4.2 评价指标 |
| 4.4.3 湍流合成图像校正 |
| 4.4.4 薄膜衍射成像系统的扩展目标图像校正 |
| 4.4.5 外场湍流退化扩展目标图像校正 |
| 4.5 小结 |
| 第五章 改进低秩分解和管道滤波的远距离运动扩展目标检测 |
| 5.1 概述 |
| 5.2 由粗到精检测 |
| 5.2.1 转移算子模型 |
| 5.2.2 可变加权管道滤波的目标精识别 |
| 5.2.3 算法流程 |
| 5.3 实验结果及分析 |
| 5.3.1 实验数据及参数设置 |
| 5.3.2 评价指标 |
| 5.3.3 实验结果对比 |
| 5.4 小结 |
| 第六章 基于方向形状上下文的杂波点集形状扩展目标匹配识别 |
| 6.1 概述 |
| 6.2 形状上下文匹配算法原理 |
| 6.2.1 轮廓形状识别过程 |
| 6.2.2 图表示 |
| 6.2.3 优化匹配 |
| 6.3 改进的方向上下文目标匹配算法 |
| 6.3.1 方向上下文特征表示 |
| 6.3.2 边连续性约束的目标函数优化模型 |
| 6.3.3 点集形状目标匹配优化实现 |
| 6.3.4 算法总结 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据 |
| 6.4.2 参数设置与评价指标 |
| 6.4.3 仿真杂波场景的实验结果 |
| 6.4.4 现实湍流杂波场景的实验结果 |
| 6.5 小结 |
| 第七章 融合形状结构和热核特征的几何形变扩展目标识别 |
| 7.1 概述 |
| 7.2 广义形状不变特征融合模型 |
| 7.3 融合形状结构和热核不变特征的分类模型 |
| 7.3.1 尺度不变热核特征 |
| 7.3.2 关键点IDSC形状结构特征 |
| 7.3.3 贝叶斯架构下的分类识别模型 |
| 7.3.4 融合特征的识别算法实现 |
| 7.4 实验结果与分析 |
| 7.4.1 实验数据及参数设置 |
| 7.4.2 合成的形变扩展目标匹配识别 |
| 7.4.3 实际畸变扩展形状目标匹配识别 |
| 7.4.4 热核特征的形变扩展目标分类识别 |
| 7.4.5 融合特征的形变扩展目标分类识别 |
| 7.5 小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 论文创新工作 |
| 8.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）一类滚动时域估计方法的性能指标研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 状态估计方法概述 |
| 1.3 滚动时域估计方法的研究现状 |
| 1.3.1 理论研究 |
| 1.3.2 应用研究 |
| 1.4 研究工作和论文结构 |
| 第2章 滚动时域估计方法 |
| 2.1 引言 |
| 2.2 预备理论 |
| 2.2.1 最小二乘 |
| 2.2.2 卡尔曼滤波 |
| 2.2.3 扩展卡尔曼滤波 |
| 2.2.4 无迹卡尔曼滤波 |
| 2.3 MHE的概率统计意义 |
| 2.4 两类滚动时域估计方法 |
| 2.4.1 全信息MHE方法 |
| 2.4.2 近似MHE方法 |
| 2.5 到达代价的求解 |
| 2.5.1 到达代价定义 |
| 2.5.2 线性系统估计问题 |
| 2.5.3 非线性系统估计问题 |
| 2.6 MHE算法步骤 |
| 2.7 本章小结 |
| 第3章 基于窗口数据递推的状态估计方法 |
| 3.1 引言 |
| 3.2 线性MHE的优化求解 |
| 3.2.1 全信息MHE求解 |
| 3.2.2 近似MHE求解 |
| 3.3 基于窗口数据的状态估计递推式 |
| 3.4 案例验证 |
| 3.4.1数值算例1 |
| 3.4.2数值算例2 |
| 3.5 本章小结 |
| 第4章 MHE窗口尺寸的优化方法 |
| 4.1 引言 |
| 4.2 遗传算法基本原理 |
| 4.3 模拟退火机制基本原理 |
| 4.4 参数优化方法 |
| 4.4.1 适应度函数计算 |
| 4.4.2 MHE参数优化方法 |
| 4.5 案例验证 |
| 4.5.1 数值算例 |
| 4.5.2 CSTR系统实例 |
| 4.6 本章小结 |
| 第5章 基于非对称无迹变换的MHE |
| 5.1 引言 |
| 5.2 基于UKF的 MHE |
| 5.2.1 UT变换 |
| 5.2.2 基于UKF的到达代价的计算 |
| 5.3 单形无迹变换 |
| 5.3.1 Sigma点偏度计算 |
| 5.3.2 采样点的比例修正 |
| 5.4 比例因子的自适应择取方法 |
| 5.5 基于非对称UT变换的MHE算法 |
| 5.6 案例验证 |
| 5.6.1 数值算例 |
| 5.6.2 雷达跟踪实例 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间成果汇总 |
（10）概率模型的随机变分近似推理算法及应用研究（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 |
| 1.2.1 确定性学习方法 |
| 1.2.2 非确定性学习方法 |
| 1.3 本文研究内容及工作安排 |
| 第二章 相关知识 |
| 2.1 概率论相关理论 |
| 2.1.1 概率函数和概率分布 |
| 2.1.2 加和规则和乘积规则 |
| 2.1.3 期望和方差 |
| 2.2 概率分布函数 |
| 2.2.1 高斯分布 |
| 2.2.2 非高斯分布 |
| 第三章 概率混合模型的参数学习方法 |
| 3.1 概率混合模型的定义 |
| 3.2 贝叶斯估计法 |
| 3.2.1 极大似然法 |
| 3.2.2 最大后验法 |
| 3.2.3 期望最大法 |
| 3.3 变分贝叶斯 |
| 3.4 随机变分法 |
| 第四章 逆狄利克雷混合模型的变分推理 |
| 4.1 逆狄利克雷混合模型 |
| 4.2 变分贝叶斯框架 |
| 4.3 变分后验分布 |
| 4.4 变分学习算法 |
| 第五章 逆狄利克雷混合模型的随机变分推理 |
| 5.1 联合概率密度 |
| 5.2 随机变分框架 |
| 5.2.1 局部变分参数 |
| 5.2.2 全局变分参数 |
| 5.3 随机变分算法 |
| 第六章 逆狄利克雷混合模型的应用研究 |
| 6.1 合成数据集 |
| 6.2 实际数据集 |
| 6.2.1 特征提取 |
| 6.2.2 图像分类 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 下一步计划 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
四、Maximum Posterior Adjustment of Extended Network and Estimation Formulae of Its Variance Components（论文参考文献）
- [1]非线性平差验后方差估计的EM算法及其应用研究[D]. 吴奇文. 东华理工大学, 2021
- [2]面向空间非规则数据的图学习方法研究[D]. 刘玥良. 北京邮电大学, 2021(01)
- [3]可穿戴网络数据融合估计算法的研究[D]. 李超. 北京交通大学, 2021
- [4]UWB定位方法及构型优化研究[D]. 王川阳. 中国矿业大学, 2020(07)
- [5]复杂环境下雷达目标跟踪方法研究[D]. 曹婷. 武汉大学, 2020
- [6]铝离子电池建模及SOC估算的研究[D]. 陈丕建. 山东科技大学, 2020(06)
- [7]永磁同步电机在线参数辨识研究[D]. 陈未敏. 北京交通大学, 2020(03)
- [8]近地面扩展目标远距成像识别关键技术研究[D]. 徐兴贵. 电子科技大学, 2020(07)
- [9]一类滚动时域估计方法的性能指标研究[D]. 孔俊东. 杭州电子科技大学, 2020(02)
- [10]概率模型的随机变分近似推理算法及应用研究[D]. 马秀. 北方工业大学, 2020(02)