导读:本文包含了神经网络滤波算法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:神经网络,卷积,算法,卡尔,目标,道格拉斯,组合。
神经网络滤波算法论文文献综述
王巍,周凯利,王伊昌,王广,袁军[1]（2019）在《基于快速滤波算法的卷积神经网络加速器设计》一文中研究指出为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据,并通过标志信号启动卷积计算加速单元来实现逐层加速;其次,设计了基于4并行快速滤波算法的卷积计算加速单元,该单元采用若干小滤波器组成的复杂度较低的并行滤波结构来实现。利用手写数字集MNIST对所设计的CNN加速器电路进行测试,结果表明:在xilinx kintex7平台上,输入时钟为100 MHz时,电路的计算性能达到了20.49 GOPS,识别率为98.68%。可见通过减少CNN的计算量,能够提高电路的计算性能。(本文来源于《电子与信息学报》期刊2019年11期）
陈倩倩,王伟[2]（2019）在《基于卷积神经网络的尺度自适应相关滤波目标跟踪算法》一文中研究指出目标跟踪是计算机视觉领域一项重要而具有挑战的工作,由于现实场景的复杂性,在目标跟踪过程中会因受到目标尺度变化、遮挡、快速运动等影响而出现跟踪漂移或混淆的现象。本文通过线下目标识别数据集中的大量样本训练学习,得到深层卷积神经网络模型以进行特征提取,将目标的深度特征信息有效表达;然后在原有位置相关滤波器的基本框架下,本文再引入了尺度相关滤波器以增强对目标尺度变化的自适应能力,可更好地估计目标;最后结合线下训练模型和线上滤波响应最大的学习过程,提高算法在目标跟踪中的准确性。本文算法在OTB Benchmark公开数据集的50组具有不同视频属性的视频序列上进行测试,分别与一些主流跟踪算法比较,结果表明该算法有较好的成功率和鲁棒性。并在快速运动、尺度变化、运动模糊、遮挡等复杂环境下表现出了较好的应对能力。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
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）
贺彬[4]（2019）在《基于BP神经网络和Kalman滤波的室内定位算法研究》一文中研究指出无线传感器网络已广泛应用于众多领域,包括环境监测,智能家居和工业控制等.定位是无线传感器网络的一个重要部分,目前针对室外环境下的定位技术有GPS,GLONASS,GALILEO,BDS等.但在室内环境中受到多路径衰落和复杂建筑的影响,上述室外定位技术很难达到预期的定位精度且定位成本相对较高.因此,为了在复杂的室内环境中以低成本实现细粒度的定位,本文选择基于接收信号强度指示(Received Signal Strength Indication,)进行定位.基于的室内定位技术面临的一个重要挑战是易受到环境噪声的干扰.为了减少噪声对定位精度的影响,主要进行了以下两个方面的研究:(1)在复杂的室内环境中,因环境噪声问题导致测量不准确,传统的定位算法如信号衰减模型的定位精确度降低.本文提出一种基于BP神经网络和无迹Kalman滤波(UKF)的定位方法(记为BP-UKF).在第一阶段,使用基于位置指纹映射的BP神经网络对距离进行估计;在第二阶段,通过叁边定位法获得坐标初始值.进一步为了提高噪声环境下算法的定位精度,通过UKF使用带有噪声的数据对系统状态即坐标值进行优化.实验结果表明BP-UKF算法的位置估计误差比BP-EKF算法小,尤其比传统的信号衰减模型估计误差小.(2)UKF无法对噪声统计特性进行在线估计,使得在室内环境下BP-UKF算法的定位精度很难再提升.本文对基于极大似然估计的自适应Kalman滤波算法(AKF)的噪声统计特性估计器进行改进,提出了一种新的自适应无迹Kalman滤波算法.基于BP神经网络和改进的自适应无迹Kalman滤波的定位算法(记为BP-AUKF)可以在线感知噪声并实时更新噪声参数,进而提高算法的定位准确度.大量仿真证明,相比于现有的滤波优化算法,改进的AUKF总是可以获得高的定位准确度,且在真实环境中BP-AUKF算法也有很好的定位准确度.(本文来源于《山西大学》期刊2019-06-01）
王明雪,杨海清,徐勇军[5]（2019）在《卷积神经网络与核相关滤波相结合的跟踪算法》一文中研究指出卷积神经网络已经在计算机视觉领域得到了成功的应用,在目标跟踪方面的相关滤波算法也得到了极大的关注,针对卷积神经网络的训练需要花费大量数据和时间,以及跟踪目标的不确定性,本文提出了一种在线的卷积神经网络训练方法,通过完全前馈的浅网络层提取目标上下文的特征,并结合核相关滤波算法进行目标跟踪,最后在Object Tracking Benchmark中进行实验测试,结果表明仅用两层简单的网络层提取目标特征,作为核相关滤波的多通道特征进行目标跟踪也能达到优秀的结果.(本文来源于《小型微型计算机系统》期刊2019年04期）
李依泽,陆超,王印峰,熊春晖,方陈[6]（2019）在《基于Kalman滤波与神经网络的高精度同步时钟算法》一文中研究指出大规模分布式电源、储能与电动汽车的接入对配电网状态监测与运行控制带来了挑战。基于配电网同步相量测量单元(phasor measurement unit,PMU)的广域量测系统被认为是解决这一问题的有效方式。然而,采用低成本晶振时,现有的同步时钟算法难以满足配电网PMU对同步时钟高精度、高稳定性、低成本的要求。为满足配电网PMU应用的需求,提出一种基于Kalman滤波器与BP神经网络的授时/守时算法。基于卫星信号误差与晶振频率数学模型,利用Kalman滤波器对卫星信号的随机误差进行滤除,提高授时精度,并提供准确的晶振状态数据。利用此数据训练BP神经网络模型,刻画出晶振频率的老化规律,提高守时性能。在卫星信号正常接入与失锁场景下,基于实际时钟装置量测数据进行测试验证。测试结果显示,文中所提算法在不提高现有硬件成本的基础上,有效提高了同步时钟的算法性能。(本文来源于《电网技术》期刊2019年03期）
潘耿政[7]（2019）在《结合卷积神经网络的相关滤波跟踪算法研究》一文中研究指出通用视觉目标跟踪是计算机视觉中的一个非常重要而且活跃的研究领域,并在视频监控,人机交互和自动驾驶等场景中有着广泛的应用。一直以来,国内外的研究人员针对目标跟踪问题提出了大量的解决方法,其中基于相关滤波的方法以高效的运行效率着称,并在近年来受到越来越多的关注。当前绝大部分的研究工作通过改进相关滤波算法获得了准确率性能的提升,但是却极大地降低了算法运行效率。本文深入剖析并揭示了相关滤波跟踪算法存在的不足,并提出结合卷积神经网络来有效解决这些问题,最终实现又好又快的目标跟踪算法。本文实现了两种结合卷积神经网络的相关滤波跟踪算法,主要工作包括:第一,结合孪生网络的相关滤波跟踪算法。首先,在相关滤波算法中,滤波器需要进行在线更新来适应视频中目标外观的动态变化。目前绝大多数算法直接将每一帧的跟踪结果用于滤波器更新,因此当目标受到严重遮挡的时候,更新后的滤波器会对背景过拟合。针对这个问题,本文通过使用孪生网络对跟踪结果进行评价,实现了一个鲁棒的滤波器自适应更新策略。然后,经典的相关滤波算法虽然有着高效的运行效率,但是却因受到边缘效应的影响,只能在有限的搜索区域内进行目标的检测。另外由于手工特征的使用,这些算法在遇到目标快速运动和相似背景干扰的时候,常常会出现跟踪失败。针对这些不足,本文提出了一个多峰检测策略。这个策略通过自适应地产生候选目标并用孪生网络进行验证,可以有效减少由于搜索区域小和特征表达能力弱而导致的跟踪失败问题。最后,本文提出在目标跟踪过程中在线构建一个模板库。相比于只用一个固定的模板,多样化的模板库可以使得孪生网络拥有更加准确的分辨能力。第二,背景感知的相关滤波网络。相关滤波跟踪框架主要包含特征表达和滤波器学习两部分。而在特征表达方面,手工特征或者其他任务中训练好的卷积特征被绝大多数的相关滤波算法所使用。本文考虑将特征表达和滤波器进行联合学习,目的是为滤波器学习到具有针对性的特征表达。具体来说,我们构建一个卷积神经网络,并将滤波器解释成网络中的一个具有可微分性质的层,称为相关滤波层,然后就可以通过反向传播对网络进行端到端训练,学习到针对滤波器的卷积特征表达。相比于使用经典的滤波器作为相关滤波层,本文提出使用更高级的滤波器,最后得到一个背景感知的相关滤波网络用于实现目标跟踪。在权威数据集OTB-13和OTB-15上的大量对比实验结果表明,本文提出的两种结合卷积神经网络的相关滤波跟踪算法均实现了优越的跟踪准确率性能,并保持了远超实时的跟踪速度。在OTB-15上,结合孪生网络的相关滤波跟踪算法取得了61.3%的AUC分数,相比于基准跟踪算法获得了12.3%的相对提升;背景感知的相关滤波网络取得了62.6%的AUC分数,相比于基准跟踪算法获得了11.0%的相对提升。(本文来源于《华南理工大学》期刊2019-01-04）
林少铎,高向东,黎扬进,张南峰,全方红[8]（2018）在《神经网络补偿卡尔曼滤波焊缝偏差预测算法》一文中研究指出针对V型坡口中厚板对接焊,研究一种噪声环境下应用径向基函数(Radial Basis Function,RBF)神经网络补偿卡尔曼滤波(Kalman Filter,KF)误差的焊缝跟踪方法。根据叁角测量原理设计激光结构光视觉传感器并采集焊缝图像,对受噪声干扰的焊缝图像进行预处理。采用基于光强度分布特性的灰度平方加权重心法提取结构光条纹中心线,通过道格拉斯-普克算法(Douglas-Peucker algorithm)和最小二乘法相结合的方法提取焊缝特征点。建立描述焊缝中心位置的系统状态方程与测量方程,运用RBF神经网络补偿卡尔曼滤波模型误差及噪声统计不确定性造成的滤波误差,修正卡尔曼滤波估计值。试验结果表明,RBF神经网络补偿卡尔曼滤波能够减小噪声干扰的影响,提高焊缝跟踪精度,有效抑制卡尔曼滤波发散。(本文来源于《应用激光》期刊2018年06期）
张沫,章彪[9]（2018）在《基于混合核函数和高阶容积卡尔曼滤波的神经网络训练算法》一文中研究指出现有的高阶容积卡尔曼滤波(HCKF)对基于单个核函数的神经网络进行训练精度不高。为解决这一问题,提出一种基于混合核函数和HCKF的神经网络训练算法。将局部核函数与全局核函数线性组合成混合核函数,在该混合核函数的基础之上通过神经网络建立非线性系统的状态空间模型。将非线性系统的状态量和网络的权重合并成系统的扩维状态向量,用HCKF对扩维状态进行实时训练估计。仿真结果表明,该训练算法具有可行性和有效性。(本文来源于《计算机应用与软件》期刊2018年10期）
顾嘉辉,黄金泉,鲁峰[10]（2018）在《航空发动机健康估计的神经网络修正卡尔曼滤波算法》一文中研究指出针对商用航空发动机与气路相关的传感器分布不均、且个数小于气路健康参数的个数、使用卡尔曼滤波算法估计全部气路健康参数时容易出现误判的特点,提出一种神经网络修正的卡尔曼滤波算法。该算法在每个采样周期内利用BP神经网络来修正个体的偏移方向,按粒子滤波算法计算每个个体的权值用以估计总体的均值和协方差,然后利用卡尔曼滤波算法更新所有个体,并将总体的均值作为当前时刻的估计结果。通过对商用航空发动机部件级模型在多个飞行状态点数字仿真模拟9种气路突变故障,由7个可测输出估计全部10个健康参数,该混合算法的估计误差相比BP神经网络与无迹卡尔曼滤波算法分别平均降低了34.6%与47.9%。(本文来源于《推进技术》期刊2018年11期）
神经网络滤波算法论文开题报告
（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：
目标跟踪是计算机视觉领域一项重要而具有挑战的工作,由于现实场景的复杂性,在目标跟踪过程中会因受到目标尺度变化、遮挡、快速运动等影响而出现跟踪漂移或混淆的现象。本文通过线下目标识别数据集中的大量样本训练学习,得到深层卷积神经网络模型以进行特征提取,将目标的深度特征信息有效表达;然后在原有位置相关滤波器的基本框架下,本文再引入了尺度相关滤波器以增强对目标尺度变化的自适应能力,可更好地估计目标;最后结合线下训练模型和线上滤波响应最大的学习过程,提高算法在目标跟踪中的准确性。本文算法在OTB Benchmark公开数据集的50组具有不同视频属性的视频序列上进行测试,分别与一些主流跟踪算法比较,结果表明该算法有较好的成功率和鲁棒性。并在快速运动、尺度变化、运动模糊、遮挡等复杂环境下表现出了较好的应对能力。
（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。
神经网络滤波算法论文参考文献
[1].王巍,周凯利,王伊昌,王广,袁军.基于快速滤波算法的卷积神经网络加速器设计[J].电子与信息学报.2019
[2].陈倩倩,王伟.基于卷积神经网络的尺度自适应相关滤波目标跟踪算法[C].第30届中国过程控制会议（CPCC2019）摘要集.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].贺彬.基于BP神经网络和Kalman滤波的室内定位算法研究[D].山西大学.2019
[5].王明雪,杨海清,徐勇军.卷积神经网络与核相关滤波相结合的跟踪算法[J].小型微型计算机系统.2019
[6].李依泽,陆超,王印峰,熊春晖,方陈.基于Kalman滤波与神经网络的高精度同步时钟算法[J].电网技术.2019
[7].潘耿政.结合卷积神经网络的相关滤波跟踪算法研究[D].华南理工大学.2019
[8].林少铎,高向东,黎扬进,张南峰,全方红.神经网络补偿卡尔曼滤波焊缝偏差预测算法[J].应用激光.2018
[9].张沫,章彪.基于混合核函数和高阶容积卡尔曼滤波的神经网络训练算法[J].计算机应用与软件.2018
[10].顾嘉辉,黄金泉,鲁峰.航空发动机健康估计的神经网络修正卡尔曼滤波算法[J].推进技术.2018
论文知识图
