导读:本文包含了预测滤波论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卡尔,粒子,算法,模型,在线,寿命,线性化。
预测滤波论文文献综述
舒服华[1]（2019）在《基于卡尔曼滤波的四川省社会消费品零售额预测》一文中研究指出卡尔曼滤波算法是一种最优线性递推估计方法,受数据分布特点影响小,适应范围广,建模简单,适合于对各种复杂时间序列的预测,效果显着。鉴于四川省社会消费品零售额数据分布不光滑,运用卡尔曼滤波算法对之进行了预测,取得了很好的效果,平均预测误差仅0.772406%,比ARMA模型的平均预测误差2.1323%减小了63.7756%。由模型预测得到2019年四川省社会消费品零售额为21570.26亿元。(本文来源于《阿坝师范学院学报》期刊2019年04期）
王艳[2]（2019）在《基于HP滤波-ARMA的湖北省居民个人存款预测》一文中研究指出针对湖北省居民个人储蓄存款余额数据不平滑的特点,采用HP滤波技术将其分解为平滑的趋势序列和波动序列,然后分别用ARMA对其进行建模预测,最后将两种预测结果相加。由于平滑的趋势序列成分占比很大,因此综合预测误差有所减小。结果显示:平均预测误差为1.240618%,比直接建模的平均预测误差2.820174%减小了56.0604%,由模型预测得到2018年湖北省居民个人存款额为26082.9159亿元。(本文来源于《金融理论与教学》期刊2019年05期）
李小雨,肖汉,李嘉逸[3]（2019）在《使用卡尔曼滤波修正蒙特卡洛算法的电动汽车充电负荷预测研究》一文中研究指出电动汽车将在未来迎来大规模的推广和应用,并对电网运行产生深远影响。而电动汽车充电负荷预测将是分析电动汽车对电网运行产生影响的基础。传统的电动汽车负荷预测方法仅仅通过对电动汽车运行行为特征进行分析,预测结果也仅仅是一种预期,即便考虑了多种典型场景,也难以准确描述随机性较大的电动汽车充电情况及充电功率大小。通过对电动汽车充电设施设置充电功率采样观测点,使用测量值对蒙特卡洛预测结果进行卡尔曼滤波修正,计算出较为符合系统状态的预测结果,并使用某行政区进行了算例演示,所提计算方法为研究电动汽车充电负荷精确预测和有序充电提供了新的方法探究和思路。(本文来源于《四川电力技术》期刊2019年05期）
马彦,陈阳,张帆,陈虹[4]（2019）在《基于扩展H_∞粒子滤波算法的动力电池寿命预测方法》一文中研究指出动力电池的性能随着使用会出现不可避免的老化,直接影响着电动汽车的性能和使用。在动力电池使用过程中对其进行剩余寿命的预测,可以确定动力电池的最佳维修和更换时机,进而有效延长动力电池寿命,增加电动汽车的续驶里程。因此,采用扩展H_∞粒子滤波算法进行动力电池的剩余寿命预测。进行锂离子动力电池循环老化试验,获取其全寿命周期的容量衰减数据。采用双指数拟合的方法建立电池容量衰减模型,并验证其准确性。将模型参数作为状态量,采用扩展H_∞粒子滤波算法对模型参数进行实时估计与更新,获得剩余循环次数以及预测结果的可信度。仿真结果表明,基于扩展H_∞粒子滤波算法得到的动力电池剩余寿命预测结果与基于粒子滤波得到的预测结果相比更加精确。(本文来源于《机械工程学报》期刊2019年20期）
戴银娟,郭佑民,高锋阳,付石磊[5]（2019）在《基于粒子滤波算法的车载储能元件SOH预测方法研究》一文中研究指出储能元件作为无接触网供电城市轨道交通车辆的重要组成元件,其健康状态(SOH)直接决定着列车是否能够安全可靠的运行。将由大量数据拟合得到的双指数经验退化模型和适用于解决非线性复杂系统的粒子滤波算法相结合,对车载储能元件蓄电池SOH预测。结果表明,该算法虽能较好地跟踪蓄电池的容量退化过程,但其精度有待提高,因此,引入遗传算法,利用遗传算法产生新粒子的优势提高预测结果的精度,根据实验结果,遗传粒子滤波算法能更精确地预测出电池健康状态。(本文来源于《铁道科学与工程学报》期刊2019年10期）
唐一举[6]（2019）在《改进的卡尔曼滤波预测采煤工作面瓦斯涌出量》一文中研究指出为了准确可靠预测工作面的瓦斯涌出量,本文以卡尔曼滤波为基础,结合人工神经网络,设计虚拟中间状态变量并得出对应预测模型。其间通过Matlab使预测模型实现目的,并用此方法对某矿采煤工作面瓦斯涌出量进行预测。结果表明,建立的预测方法具有较好的预测性能,其平均误差为3.35%,结果正确可靠。(本文来源于《河南科技》期刊2019年29期）
严刚,汤剑飞[7]（2019）在《基于粒子滤波的疲劳裂纹扩展和剩余寿命预测实验研究》一文中研究指出本文对应用粒子滤波在线预测疲劳裂纹扩展和剩余寿命进行了实验研究。根据ASTM标准制作了紧凑拉伸(CT)试件,结合MTS疲劳测试系统进行了Q235钢的疲劳裂纹扩展实验。通过将传统的Paris模型嵌入到贝叶斯状态估计的框架中,采用粒子滤波方法,结合裂纹张开位移(COD)引伸计不断获得的裂纹监测信息,在线预测未来时刻疲劳裂纹扩展情况并更新剩余寿命。实验结果验证了粒子滤波对疲劳裂纹扩展和剩余寿命在线预测的可行性和有效性,表明粒子滤波不仅能进行在线预测,还能给出预测结果的置信区间;随着监测信息的增多,剩余寿命预测结果的不确定性逐渐减小。(本文来源于《实验力学》期刊2019年05期）
陈晓龙,史元浩,曾建潮,李强[8]（2019）在《基于改进粒子滤波算法预测健康状态的锅炉吹灰优化》一文中研究指出为了对锅炉受热面沉积的灰污进行及时、准确地清扫,制定合理的吹灰优化策略。采用清洁因子来评估受热面的健康状况,并根据实时监测数据结合改进粒子滤波;采用滚筒式预测单次积灰过程内清洁因子未来的变化趋势,并验证了该预测方法的准确度。同时,提出一种基于单位时间传热量损耗最低的吹灰优化模型,吹灰优化计算中采用相同工况下多组清洁因子数据进行拟合。以某300 MW燃煤锅炉为例,验证了所提优化模型的可行性。(本文来源于《热能动力工程》期刊2019年10期）
朱美峰,吴青龙,王永琴[9]（2019）在《基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）》一文中研究指出目前中国以化石能源为主的能源消费格局正逐步优化,清洁能源的消费规模逐步增加。对天然气消费量的预测分析对未来能源消费结构调整具有积极意义。本文创新性地采用拟合值偏离度倒数法进行权重设置,利用残差自回归模型和Kalman滤波算法构建组合预测模型,以《BP世界能源统计年鉴》和《中国统计年鉴》1980–2017年的天然气消费历史数据为对象,对中国天然气消费量进行预测研究。研究结果表明:(1)组合预测模型的预测精度更高:残差自回归预测模型的相对误差落在(–0.08,0.09)区间内,卡尔曼滤波预测的相对误差落在(–0.09, 0.32)区间内,组合预测模型相对误差落在(–0.03, 0.11)区间内。(2)组合预测模型预测结果的稳定性更好:残差自回归预测模型相对误差的预测方差为0.002,卡尔曼滤波预测相对误差的预测方差为0.007,组合预测模型相对误差的预测方差为0.001。(3)其他条件不变的情况下,2018年天然气消费量费预测值为2418.08亿m~3。与其他时间序列预测方法相比,利用残差自回归模型和卡尔曼滤波算法构成的组合预测模型对数据限制条件少,可操作性强,且分析结果更为可信。(本文来源于《Journal of Resources and Ecology》期刊2019年05期）
侯小秋[10]（2019）在《多变量系统的变时滞无模型预测滤波PID控制》一文中研究指出针对已有多变量紧格式动态线性化方法的泛模型仅适用于干扰为常值干扰和慢变化干扰的系统,在泛模型中加入辅助向量和时变时滞,当干扰为常值和慢变化情形时,提出一种更加有效的多变量紧格式动态线性化方法的泛模型。采用多变量增量型预测滤波PID控制,基于可克服算法病态的非线性递推最小二乘算法对PID控制参数在线优化,给出多变量系统的在线修正参数的变时滞无模型自适应预测滤波PID控制算法。结果表明,因提出的PID控制算法具有在线修正参数性能和无模型自适应预测控制功能,具有优良的控制效果。(本文来源于《黑龙江科技大学学报》期刊2019年05期）
预测滤波论文开题报告
（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：
针对湖北省居民个人储蓄存款余额数据不平滑的特点,采用HP滤波技术将其分解为平滑的趋势序列和波动序列,然后分别用ARMA对其进行建模预测,最后将两种预测结果相加。由于平滑的趋势序列成分占比很大,因此综合预测误差有所减小。结果显示:平均预测误差为1.240618%,比直接建模的平均预测误差2.820174%减小了56.0604%,由模型预测得到2018年湖北省居民个人存款额为26082.9159亿元。
（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。
预测滤波论文参考文献
[1].舒服华.基于卡尔曼滤波的四川省社会消费品零售额预测[J].阿坝师范学院学报.2019
[2].王艳.基于HP滤波-ARMA的湖北省居民个人存款预测[J].金融理论与教学.2019
[3].李小雨,肖汉,李嘉逸.使用卡尔曼滤波修正蒙特卡洛算法的电动汽车充电负荷预测研究[J].四川电力技术.2019
[4].马彦,陈阳,张帆,陈虹.基于扩展H_∞粒子滤波算法的动力电池寿命预测方法[J].机械工程学报.2019
[5].戴银娟,郭佑民,高锋阳,付石磊.基于粒子滤波算法的车载储能元件SOH预测方法研究[J].铁道科学与工程学报.2019
[6].唐一举.改进的卡尔曼滤波预测采煤工作面瓦斯涌出量[J].河南科技.2019
[7].严刚,汤剑飞.基于粒子滤波的疲劳裂纹扩展和剩余寿命预测实验研究[J].实验力学.2019
[8].陈晓龙,史元浩,曾建潮,李强.基于改进粒子滤波算法预测健康状态的锅炉吹灰优化[J].热能动力工程.2019
[9].朱美峰,吴青龙,王永琴.基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）[J].JournalofResourcesandEcology.2019
[10].侯小秋.多变量系统的变时滞无模型预测滤波PID控制[J].黑龙江科技大学学报.2019
论文知识图
