导读:本文包含了智能滤波论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,分布式,智能,卡尔,故障诊断,充电站,卷积。
智能滤波论文文献综述写法
周晓云,卜婷婷,肖奔奔,齐连伟,胡晓霞[1]（2019）在《无级调容智能滤波技术在充电站中的应用研究》一文中研究指出提出一种无级调容移相变压器,不仅能够降低变压器损耗,而且与有源滤波器结合使用能够抑制并补偿充电站所产生的谐波,提高电能质量,并通过仿真验证了该方法的有效性。(本文来源于《电力设备管理》期刊2019年08期）
宋浏阳,李石,王芃鑫,王华庆[2]（2019）在《基于动态统计滤波与深度学习的智能故障诊断方法》一文中研究指出电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆迭特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。(本文来源于《仪器仪表学报》期刊2019年07期）
李云飞,李广飞,杨勇,谢康,代飞[3]（2019）在《基于量子遗传算法的RBF神经网络智能滤波组合导航算法》一文中研究指出组合导航中标准卡尔曼滤波和扩展卡尔曼滤波存在容错性和鲁棒性不足,处理非线性信号能力较弱的缺点.提出了基于量子遗传算法的RBF神经网络的智能滤波组合导航算法,通过RBF神经网络调节卡尔曼滤波增益,而神经网络参数由量子遗传算法进行调整优化.对捷联惯导系统(SINS)/全球卫星定位系统(GPS)组合导航系统进行了仿真实验,结果表明:该算法提高了导航定位的精度、鲁棒性和可靠性.(本文来源于《云南大学学报(自然科学版)》期刊2019年S1期）
齐苏敏,王来花,贾慧[4]（2019）在《基于相关滤波扩展记忆系统模型的智能目标跟踪》一文中研究指出将目标跟踪过程看作一个多重记忆系统模型,提出了基于相关滤波的扩展记忆系统模型,实现了基于记忆系统模型的智能目标跟踪。首先,通过提取跟踪目标特征学习目标信息,生成短时相关滤波器,产生短时记忆;然后利用每一帧短期记忆的不断重复与更新,产生长时记忆,生成长时相关滤波器。短时与长时记忆构成相关滤波记忆系统模型,完成目标跟踪。在此模型基础上,分析与挖掘模型中的相关滤波数据,加入四种智能化控制信息,构建扩展记忆系统模型,实现智能化的目标跟踪。基于相关滤波的扩展记忆系统模型利用生物记忆的原理使目标跟踪更加自动化、智能化,增强目标跟踪的准确性。实验结果表明,与当前流行的相关滤波跟踪算法相比,本文算法提高了目标跟踪的抗干扰性、抗遮挡性与抗形变能力,同时保证了在尺度跟踪的有效性。(本文来源于《光电子·激光》期刊2019年06期）
张忠伟,陈怀海,李舜酩,王金瑞[5]（2019）在《一种应用于不同转速下智能故障诊断的基于时频特征提取和softmax回归的稀疏滤波新方法（英文）》一文中研究指出现代农业机械化对农机使用过程中的故障诊断提出了更高的要求。然而,故障特征通常是在所有转速下进行学习和分类的,而没有考虑转速波动的影响。为了克服这一缺陷,本文提出了一种基于时频变换的智能故障诊断新框架。在该框架中,一种转速下的样本用来训练稀疏滤波,然后其他转速下的样本用来测试稀疏滤波的性能。本文提出的方法包括两个阶段:1)对机械原始振动数据进行短时傅里叶变换(STFT),得到时频域信号,然后利用稀疏滤波模型从时频信号中提取故障特征。2)基于学习到的故障特征,利用softmax回归对不同的机械健康状况进行分类。提出方法可以用来自适应的提取故障特征,是一种可对农业机械进行有效故障诊断的智能方法。故障诊断结果表明,该方法不仅在不同转速下的故障诊断中下具有较强优势,而且比其他方法具有更高的分类准确率。(本文来源于《Journal of Central South University》期刊2019年06期）
赵迪,陈哲夫,莫操湖,金古月[6]（2019）在《一种基于空间滤波方法的地性线特征智能提取方法探究》一文中研究指出首先采用高通滤波方法去除DEM影像中的低频变化特征,然后使用经验阈值生成二值化影像,突出显示地性线的带状特征,最后引入细线化算法,将地性线的带状特征缩减为一个像素宽度,实现地性线的轴线辨识。经过实验证明,该算法相比于传统的线性提取方法,执行速度快很多,但是由于仅是几何意义的处理,与实际地形特征的误差会增加,因此可以采用迭加高程数据进行校准。(本文来源于《科技与创新》期刊2019年11期）
刘全胜[7]（2019）在《多智能体系统的分布式滤波与控制研究》一文中研究指出在过去的十年里,多智能体系统的分布式滤波与控制问题,由于其在无线传感器网络的信息融合与目标跟踪、多机器人系统的编队控制、通信网络的拥塞控制、社会经济系统的分析与优化等领域的广泛应用,受到了控制领域与人工智能领域研究者的极大关注。本文围绕多智能体系统的分布式滤波与控制问题开展一系列研究,取得了以下成果:(1)研究了多智能体系统的强跟踪一致性滤波问题。基于已有分布式滤波算法并利用强跟踪滤波器和当前统计模型在模型失配和噪声统计特性不准确下依然能够有效跟踪目标的优点,提出了基于当前统计模型的分布式强跟踪一致性滤波算法,较好地实现了对非合作目标的跟踪。该分布式估计融合算法能够综合利用多个传感器的测量信息和冗余度提高参数估计的鲁棒性和精确性,为多智能体系统对非合作目标的跟踪提供了理论基础。(2)研究了多四旋翼飞行器系统的编队跟踪问题。基于模型参考一致性协议、最大距离一致性协议和参考控制器,提出了带有编队信息反馈的四旋翼飞行器系统编队控制方法。使用分布式强跟踪一致性滤波对参考模型一致性协议进行相应修正,实现了多四旋翼飞行器系统对非合作目标的编队跟踪。(3)研究了基于采样数据的二阶随机多智能体系统的一致性跟踪问题。通过引入智能体自身的加速度近似信息以及智能体与移动目标的相对时滞速度信息,提出了适用于测量噪声及加速度渐近无界而急动度有界移动目标存在下二阶多智能体系统的采样数据一致性跟踪协议。使用代数图理论、特征值分析法、概率极限理论,获得了确保系统实现均方有界一致性跟踪的充要条件。(4)研究了基于事件驱动的二阶离散时间多智能体系统的一致性问题。为了减少网络的通信带宽,节约传感器的能耗,提出了一种分布式事件驱动一致性协议。基于Lyapunov函数方法,得到了确保二阶离散时间多智能体系统实现一致性的以线性矩阵不等式形式给出的充分条件。结果表明,所提的事件驱动一致性协议在确保二阶离散时间多智能体系统实现一致性方面以及在减少网络通信带宽方面是有效的。(本文来源于《江南大学》期刊2019-06-01）
张哲,吴剑,何诚,李玉琪[8]（2019）在《基于卡尔曼滤波和增量式PID控制的智能车载系统》一文中研究指出针对复杂环境中智能体的电机易受外界干扰的问题,设计了一种基于卡尔曼滤波和增量式PID控制的Wi-Fi智能车载系统。首先,在匀速阶段,建立了无刷直流电机的数学模型,利用增量式PID算法实现对系统电机转速的精准控制。其次,在加速阶段,结合动力学分析,建立线性系统模型,利用卡尔曼滤波算法对系统的真实轨迹进行不断修正。最后,系统以STM32单片机为核心,同时具有Wi-Fi视频传输、环境避障和精准定位等多种功能。经测试,系统电机能够输出稳定的速度,真实轨迹不断趋近于理想轨迹,视频传输稳定。该方法能够消除外部干扰所造成的误差,具有良好的现实意义。(本文来源于《现代信息科技》期刊2019年10期）
吴东金,夏林元,李倩霞,程静,耿继军[9]（2019）在《基于智能手机的粒子滤波室内融合定位方法》一文中研究指出室内定位需求急剧增加,普及的智能手机带来了解决问题的一种方法。本文提出了一种基于智能手机的粒子滤波室内融合定位方法。利用叁轴加速计和叁轴罗盘等微机电系统(micro-electromechinical system, MEMS)传感器数据估计目标的运动状态信息,利用WiFi数据更新运动状态,实现融合定位。室内动态环境下实验结果表明,融合定位方法平均定位误差小于2 m,其有效利用智能手机平台获取多种传感器数据,很好地结合了行人航迹推算方法和K加权最近邻方法的优势,在定位精度和稳健性方面均有良好表现。(本文来源于《测绘地理信息》期刊2019年03期）
万好[10]（2019）在《滤波视觉跟踪算法研究及在智能机器人中的应用》一文中研究指出智能机器人因其集合了机构学、材料学、计算机图像学、智能控制、仪器仪表、模式识别等多学科融合技术的特点,始终处于科学技术领域的研究热点。本文以工业应用环境为研究背景,分析基于视觉感知的智能机器人在复杂工业环境中需要面对的各种干扰因素,并依据干扰因素在工业应用中出现的频率将其分为叁个层次,而各层次的干扰因素分别对智能机器人视觉跟踪算法提出了准确性或鲁棒性的要求。因此,智能机器人的工业应用对所采用的视觉跟踪算法的鲁棒性、准确性和实时性提出了更高的要求。对此,本文对智能机器人视觉跟踪算法进行深入研究,旨在提高目标跟踪算法在复杂工业环境下的稳、准、快叁方面的性能。本文主要研究内容安排如下:1、针对目标跟踪算法较为复杂且计算量大的情况,研究时空上下文信息相关滤波目标跟踪算法。对时空上下文信息和相关滤波方法的基本理论进行研究,构建快速目标跟踪方法;针对目标大幅度尺度变化的问题,在时空上下文信息跟踪算法的基础上研究基于特征金字塔的相关滤波多尺度估计方法,实现准确的目标尺度估计,提升跟踪算法对工业环境中光照变化、尺度变化、复杂背景等第一层次干扰因素的适应性。2、研究干扰判别及位置预测目标跟踪算法。为了提高对目标特征描述的准确性以应对工业环境中相似物体干扰、快速运动等第二层次干扰因素的影响,提出融合方向梯度直方图特征及时空上下文信息的目标表观模型建模方法,在充分利用目标及其周边背景信息的基础上,融入了梯度直方图HOG目标特征描述方法,增强了目标模型构建的准确性;针对目标受到的相似物体干扰及部分遮挡问题,设计了基于平均峰值相关能量的目标干扰信息判别方法,并根据跟踪结果受干扰的程度制定目标模板更新策略;针对目标存在的快速运动问题,研究融合目标运动位置预测的跟踪算法。通过上述叁种方法与时空上下文信息相关滤波跟踪算法的融合,实现了准确的目标跟踪。3、研究多特征融合级联检测目标跟踪算法。针对工业环境存在的严重遮挡、目标短暂消失等第叁层次干扰因素的影响以及工业智能机器人对跟踪算法鲁棒性的需求,提出了融合颜色统计特征、时空上下文信息以及HOG特征的目标描述方法,利用颜色特征对目标快速形变的不敏感特性、HOG特征对光照变化不敏感的特性以及目标周边背景辅助信息,形成特征的性能互补,提升跟踪算法的鲁棒性;针对目标受到较长时间遮挡导致跟踪失败的问题,研究一种基于级联分类器的目标检测算法,在目标跟踪器误差达到预设阈值时,检测算法对图像进行检索捕捉目标,并修正跟踪结果,避免目标模板受到污染,使目标跟踪算法具有较强鲁棒性,能够适应较长时间的跟踪任务。4、为了进一步提高智能机器人在工业环境中的实用性与适用范围,提升目标跟踪算法的快速性能,研究基于数据降维的快速目标跟踪算法。采用主成分分析法PCA与矩阵QR分解方法,对基于相关滤波框架的目标跟踪算法的特征实现降维,降低算法计算量,提升速度性能。5、设计一款基于视觉跟踪的智能机器人平台,验证目标跟踪算法在智能机器人平台运动控制中的性能。智能机器人平台能够对行驶路径中特定的目标进行检测与跟踪,为机器人运动控制提供实时和丰富有效的信息。智能机器人平台主要包含基于视觉的避障模块、运动控制模块、通讯定位模块等功能模块。通过设计避障试验与跟踪试验,验证本文跟踪算法在实际应用中的有效性。综上所述,本文围绕工业应用领域对智能机器人目标跟踪算法提出的要求,对基于相关滤波的目标跟踪算法进行深入研究,提高目标跟踪算法在复杂条件下的鲁棒性、准确性和实时性,为智能机器人在工业领域的推广应用提供理论与数据支撑。(本文来源于《华南理工大学》期刊2019-04-09）
智能滤波论文开题报告范文
（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：
电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆迭特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。
（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。
智能滤波论文参考文献
[1].周晓云,卜婷婷,肖奔奔,齐连伟,胡晓霞.无级调容智能滤波技术在充电站中的应用研究[J].电力设备管理.2019
[2].宋浏阳,李石,王芃鑫,王华庆.基于动态统计滤波与深度学习的智能故障诊断方法[J].仪器仪表学报.2019
[3].李云飞,李广飞,杨勇,谢康,代飞.基于量子遗传算法的RBF神经网络智能滤波组合导航算法[J].云南大学学报(自然科学版).2019
[4].齐苏敏,王来花,贾慧.基于相关滤波扩展记忆系统模型的智能目标跟踪[J].光电子·激光.2019
[5].张忠伟,陈怀海,李舜酩,王金瑞.一种应用于不同转速下智能故障诊断的基于时频特征提取和softmax回归的稀疏滤波新方法（英文）[J].JournalofCentralSouthUniversity.2019
[6].赵迪,陈哲夫,莫操湖,金古月.一种基于空间滤波方法的地性线特征智能提取方法探究[J].科技与创新.2019
[7].刘全胜.多智能体系统的分布式滤波与控制研究[D].江南大学.2019
[8].张哲,吴剑,何诚,李玉琪.基于卡尔曼滤波和增量式PID控制的智能车载系统[J].现代信息科技.2019
[9].吴东金,夏林元,李倩霞,程静,耿继军.基于智能手机的粒子滤波室内融合定位方法[J].测绘地理信息.2019
[10].万好.滤波视觉跟踪算法研究及在智能机器人中的应用[D].华南理工大学.2019