一、多传感器数据融合方法在系统建模中的应用（论文文献综述）
王峰[1]（2021）在《面向复杂劣化信号的预测健康指数构造方法研究及应用》文中进行了进一步梳理预测性维修可有效降低铁路维护成本并提升铁路设备的可用性,其核心在于剩余寿命预测（Remaining useful life,RUL）。RUL预测旨在利用状态监测数据对设备的劣化状态进行评估以预测其失效时间,从而为维修决策的制定提供依据。随着传感器技术的发展,复杂设备监测过程中通常部署多传感器从不同的角度分别监测设备的状态信息。为系统地刻画设备的劣化状态,多传感器数据通常被融合为一个综合的健康指数。然而,现有的健康指数构造方法大多将劣化数据假设为成分简单的一维状态或特征信号,而该假设在大量的复杂劣化信号场景下已不适用。为应对该问题,本文主要研究了基于复杂劣化信号的预测健康指数构造问题。针对信号的非线性关系、信号构成成分的耦合、协变量影响和元素缺失下的成分耦合几种情况,以劣化建模领域性质和劣化信号的特征为基础,分别利用深度学习、稀疏学习和张量分析等技术,设计了相应的目标函数和高效的优化算法,解决复杂劣化信号下健康指数构造的难点问题,实现了设备劣化状态的刻画和RUL预测。最后,研究了铁路道岔系统的应用案例。具体地,本文开展了以下几项工作:（1）针对信号间的非线性关系,研究了基于深度学习的健康指数构造方法。首先,以深度神经网络作为融合模型刻画劣化信号与健康指数之间的非线性关系。为应对健康指数“未知”（待构造变量）的难点,利用劣化建模领域的性质,设计了一组对抗网络架构从而实现模型参数的无监督训练。针对求解过程的不稳定性,提出了一种基于RMSprop的采样算法实现了参数的稳定求解。通过一组仿真实验和一组典型案例验证了所构造的健康指数在RUL预测中较现有方法的优越性和鲁棒性。（2）针对成分复杂耦合的情况,研究了结构化信号的健康指数构造方法。以“稳定背景估计-劣化信息提取及融合”分层解耦策略为基础,在移除劣化信号的稳定背景后,依据劣化成分的时空特征,设计了一种基于稀疏学习和保序回归（Sparse learning and isotonic regression,SLIR）的劣化信息提取和融合方法,以保证健康指数的高质量构造。其次,设计了分块坐标下降的优化算法,实现了劣化信息的准确定位和融合模型估计。最后,利用一组仿真实验和后续案例应用对提出方法的求解效率、识别劣化区域和预测RUL的准确性进行验证。（3）针对协变量影响下时变成分耦合的情况,研究了存在元素缺失的高维劣化信号的健康指数构造方法。为解决元素缺失下时变背景估计的难点问题,着重研究了基于低秩学习和Tucker张量分解技术的张量回归建模方法,设计了回归模型参数和缺失元素的协同估计架构。在此基础上,提出了基于分块坐标下降的大规模数值优化算法,实现了模型的高效求解。进而,通过残差信号的特征提取和融合实现了健康指数的构造。利用一组仿真实验和一组案例研究验证了提出方法的优越性。（4）在上述理论研究的基础上,结合铁路道岔系统的自身特征,针对两种常见的劣化模式,分别利用其状态监测数据进行健康指数构造和预测分析。针对液压转辙机的油泄漏模式,考虑温度的影响特征,提出了基于惩罚卷积的温度-液位关系模型,进而利用移除温度影响的液位残差构造健康指数并开展RUL预测。针对滑床板阻力增大的劣化模式,利用提出的SLIR法分析转辙机的功率信号,实现了劣化信息的准确定位及融合,进而在健康指数构造的基础上,开展了该模式下的RUL预测。
高军燕[2]（2020）在《基于退化数据的老化策略在线优化和剩余寿命预测》文中研究指明随着市场竞争的不断加剧,可靠性已经成为产品的一个重要性能指标,受到用户和市场的关注。老练测试和故障预测是可靠性领域的两个热点问题,是确保产品和系统可靠性的重要途径,由此具有重要研究意义。随着生产工艺的精进,产品可靠性得到极大提升,早期基于故障的老练测试在这种情况下显得尤为低效。得益于现代测量技术和传感技术的发展,老练测试和故障预测有了极大发展,但仍然面临诸多挑战。本文针对高可靠产品的老练测试和多传感器数据下的故障预测问题,基于退化数据,结合当前的深度学习技术,对老练策略在线优化和剩余寿命预测展开研究。本文的主要研究工作如下:（1）调研国内外老练测试和剩余寿命预测的研究现状,阐述各类方法涉及的原理与技术特征,总结这些方法各自的优缺点,为本文之后的研究奠定基础。（2）对可靠产品的老练策略生成算法展开研究并完成老练时间的在线优化。其难点在于如何基于给定的时间序列数据获得合理的老练时间,并在老练测试时根据实际退化情况调整老练时间并完成缺陷产品筛选。算法设计上,本文基于深度学习将滑窗策略同一维卷积神经网络相结合,完成分类模型的离线训练,并在组准确率策略下,获得最佳老练时间;在线测试时,通过有效信息的判定,调整老练时间。（3）对多传感器数据下的剩余寿命预测进行研究,使其能够提供关于系统退化的一个连续可视化过程,能够保证生成的融合信号在寿命预测上具有好的表现,并且不必先验性地假定数据融合模型和退化模型以及任意的模型参数分布。为此,本文提出一个基于深度学习的剩余寿命预测框架,并进行了相关的应用设计。框架包含一个多传感器数据融合模型和一个剩余使用寿命预测模型,分别用以数据融合和剩余使用寿命预测。框架的最大特点是在离线阶段,通过提出的监督式联合训练技术完成两个子模型的联合训练。（4）构建仿真数据库和确定可用的公开数据集,进行必要的数据可视化分析和预处理。通过实验,本文设计的算法的有效性均得到了验证。
余峰[3]（2019）在《多关节柔性机械臂通用动力学建模与末端精准定位研究》文中指出柔性机械臂由于具有质量轻、工作半径大、高机动性、高负载比和低耗能等突出优点广泛用于航空航天操作机械臂、大跨度工程机械臂等,然而柔性臂在运动过程中会发生明显的弹性振动,严重影响其末端的定位精度。多关节柔性臂之间的强烈振动耦合大大增加了柔性臂刚柔耦合动力学建模难度,厘清柔性臂多点振动信号与振动状态之间的非线性映射关系以及设计多关节柔性臂主动减振控制算法也非常困难。因此深入研究柔性臂刚柔耦合动力学建模、柔性臂的振动状态测量方法以及柔性臂末端减振控制算法对柔性臂末端的振动抑制及精准定位控制有重要的理论意义和工程应用价值。本文对含有刚性转动关节的低频小振幅多自由度柔性机械臂为研究对象,深入研究了多关节柔性机械臂的动力学建模、柔性臂振动状态的实时测量以及柔性臂末端的振动和精准定位等问题。论文的主要研究内容由以下四个方面组成:（1）建立了多关节小幅振动柔性臂刚柔耦合动力学模型。针对多关节柔性臂刚柔耦合动力学建模复杂及计算工作量大的问题,提出了一种适用于多自由度柔性臂刚柔耦合动力学建模的方法,建立了其数学模型,并利用Mathematica软件开发了相应的符号表达式计算程序,最后通过仿真验证了该建模方法的正确性。有效地降低了多关节柔性臂的动力学建模难度,简化了建模计算过程。（2）研制了两自由度低频小振幅刚柔耦合机械臂实验系统。为了便于开展刚柔耦合机械臂的理论和实验研究工作,研制了一个两自由度刚柔耦合机械臂实验系统。通过理论计算和Adams仿真确定了柔性臂的机械结构和尺寸参数,开发了多传感器系统来测量柔性臂的多点振动信号,构建了基于c RIO 9035的嵌入式实时数据采集及控制系统,设计了无刷直流电机关节驱动系统,开发了各个系统之间的接口程序等。通过实验性能测试,表明研制的实验系统可靠、有效,能满足期望的实验性能指标要求。（3）提出了一种低成本的柔性臂振动状态及末端位置实时测量的方法。针对柔性臂振动状态及末端位置测量困难的问题,提出了一种基于Kalman滤波的低成本高精度多传感器数据融合算法,可实时测量出柔性臂各臂段的振动状态和末端位置。通过应变计和加速度计测量柔性臂的多点振动信号,并由弹性力学理论计算出柔性臂关节处的动态弯矩值,根据Kalman滤波原理进行数据融合并对柔性臂振动状态和末端位置进行实时测量。实时振动状态及末端位置测量的结果与理论结果之间的误差为5.5%,表明该测量方法是正确有效的。（4）提出了一种适用于小幅低频振动工况的多关节柔性臂末端同时快速减振与精准定位的双优控制算法。针对多关节柔性臂振动难以抑制及末端位置难以精准控制的问题,提出将柔性臂末端的减振与精准定位控制转化为对虚拟的刚性臂关节角度跟踪控制的方法。设计了基于LQR的最优控制器,可以快速的对柔性臂振动进行抑制,同时能使其末端精准定位在期望的位置上,考虑在有建模误差等情况下,设计了基于LMI的鲁棒最优保性能控制器,实验结果验证了该控制算法的有效性。
解来卿[4]（2019）在《基于结构共用的智能电动车辆传感器优选配置与节能控制》文中提出智能化与电动化的融合是当前车辆技术发展的前沿。在电动车辆智能化升级过程中,先进的智能驾驶系统不断地被集成在电动车辆上,使电动车辆逐步具备自动驾驶功能。但目前智能电动车辆在系统构型、关键传感器配置及节能控制等方面尚存在配置冗余、成本较高、关键部件利用不充分等问题。针对上述问题,论文开展了电动车辆智能驾驶系统架构、传感器优选配置及节能控制的相关研究工作。针对智能电动车辆复杂系统优化集成的需要,提出了智能驾驶系统结构共用总体方案;着眼于传感、控制、执行的多功能集成协同优化,设计了包括传感器信息共享、控制器资源共用、执行器操作共管在内的电动车辆智能驾驶系统结构共用新型架构,并对架构特点进行了对比分析;对智能驾驶系统结构共用相关的关键技术进行了研究,提出了多传感器系统结构共用、整车控制结构共用、执行系统结构共用和结构共用后的系统功能安全设计等重点内容。基于结构共用架构,提出了智能驾驶系统环境感知传感器的优选配置方法。考虑传感器探测性能及安装位置等因素,建立了车载多传感器系统模型;从功能性、经济性、可靠性等维度,构建了传感器配置的评价指标体系,并将传感器的优选配置问题转化为多目标组合优化问题;采用多目标优化算法,求解出了兼顾性能和成本的传感器配置前沿解集,实现了传感器选型及布置的综合寻优,并对多种算法进行了对比。仿真结果表明,本方法所优化的传感器配置方案,在满足探测范围、探测精度和可靠性要求的同时,降低了系统成本。为了充分利用自车信息资源,进一步降低电动车辆的能量消耗,提出了基于传感信息共享的智能电动车辆节能控制方法。依托传感器对前车运动状态的感知,对行车安全态势进行实时评估和场景划分,并据此进行节能模式的决策与切换控制;利用模型预测控制方法离线优化生成各模式下的电机转矩优化系数,对电机输出转矩进行实时动态优化,在保证行驶安全的前提下,降低了能量消耗。仿真结果表明,所提方法在中国城市循环工况下能量消耗平均降低9.6%。为了验证所提节能控制方法实际控制效果,以纯电动城市客车为实验样车,基于中国典型城市的实际交通工况,进行了实车实验。实验结果表明,所提控制方法在保证行驶安全的同时,有效降低了车辆行驶中的能量消耗,两种路况下的平均能量消耗降低分别为7%和5.9%。
周剑[5]（2019）在《面向无人驾驶的道路场景建模关键技术研究》文中研究表明感知系统是无人驾驶平台与现实空间联系最为紧密的部分。在实际道路场景下,感知结果的准确性直接反映车辆整体的智能化水平。本文针对实际道路场景下无人驾驶系统对于环境感知的具体需求,围绕道路场景感知建模中涉及的基于单目相机的车道线检测、基于多特征融合的道路边界提取以及基于三维激光雷达车辆检测与跟踪三个关键问题进行深入研究。相关方法在自主研发的三代无人驾驶平台中得到应用,具体研究内容包括以下几个方面:1)提出基于误差传递模型和Bresenham Line的车道线检测方法。为了提高单目相机模型下道路车道线的量测精度,本文首先引入摄影测量中常用的透视作图分析法,对车道线检测视角下透视变换的点、线、面特性进行分析,构建适合车道线检测的灭点相机模型。然后,利用测量平差中常用的误差传递模型对该相机模型进行分析,计算图像空间的高可靠区域来保证车道线特征尺度的计算精度。为了提高直线检测的算法效率和提取精度,利用计算机图像学中的Bresenham Line直线生成方法,在离散空间提高单位角度内投票直线表达密度,并减少浮点计算提高算法效率。最后,结合基于增量回归的几何模型和卡尔曼滤波的运动模型实现车道线的参数拟合和跟踪。2)考虑三维激光雷达的时空特性,提出基于区域划分和级联特征融合的道路边界提取方法。考虑三维激光雷达的空间特性,结合点云疏密特性,对局部道路场景进行区域划分。首先,对不同道路区域,通过不同尺度下的深度变化特征和角度特征级联的方式实现道路区域由粗到精,由近至远的渐优提取。然后,路面分割的基础上,结合视觉车道线特征,在特征层实现道路多车道模型的超视域检测。最后,结合三维激光雷达的时序特性对整体方法进行优化,利用点云采集过程的间隙时间实现特征检测的异步处理,极大的提高算法整体的实时性。3)提出基于轮廓点云特征线和偏离模型的动态车辆检测与跟踪该方法。引入图像处理中的线特征提取方法,利用点云切向角度平均梯度提取锚点特征。以锚点为轮廓点云特征线提取的起点,利用最小二乘方法在同一扫描线的点云数据中完成最小线特征初始化,并通过邻域增长的方式完成轮廓点云中线特征快速提取。根据点云时空特性,进行直线相似度匹配,得到轮廓主方向线,并在主方向线的基础上完成车辆的实时检测和几何模型构建。结合车道几何参数,构建目标车辆的偏离运动模型,通过卡尔曼滤波器实现车辆位置和姿态的准确跟踪。
秦月梅[6]（2018）在《广义未知扰动下不确定系统自适应滤波研究》文中指出动态系统的状态估计与融合问题广泛存在于自动控制、目标跟踪、信息处理等领域。在实际复杂环境下,诸如系统偏差、传感器故障、线性化误差等多种因素的并存,通常导致量测的先验标称模型与实际模型失配,表征为量测标称模型上附加了特性未知且建模困难的广义未知扰动。同时,参数多模态、乘性噪声、非线性、噪声参数未知、分布式架构需求等使系统建模面临多种复杂特性的影响。考虑到模型失配导致的数据不准确与系统复杂特性导致的模型不确定往往共存,本文研究并发展了一系列广义未知扰动与不确定性耦合下的自适应滤波机制。具体开展了以下研究:1.提出了模型失配与多模态并存下的状态估计问题。建立了广义未知扰动下跳变马尔可夫线性系统的自适应估计框架,通过引入相关自由参数,构造了估计误差协方差的上限,并通过参数凸优化得到了递推最小上限滤波实现;在存在/不存在广义未知扰动下,利用协方差交叉方法扩展了所提上限滤波的融合结构。所提算法突破了跳变马尔可夫线性系统在传统线性最小均方误差估计体制下要求模型及参数统计特性已知的局限。在广义未知扰动下的机动目标跟踪滤波中,所提算法可以获得比相应线性最小均方误差估计更高的估计精度,同时对于初始参数选取具有一定的鲁棒性。2.提出了乘性噪声、模型非线性且模型失配并存下的滤波器设计问题。基于二阶泰勒展开,设计了广义未知扰动下高精度扩展自适应上限滤波框架,不仅考虑了乘性随机参数与状态高阶矩（如海塞矩阵）的耦合计算,同时引入了调节因子对广义未知扰动进行在线自适应,以获得满意的估计精度。在测量精度依赖于相对距离的径向距雷达目标状态估计仿真中,所提算法获得了比一阶、二阶扩展Kalman滤波和乘性噪声下一阶扩展Kalman滤波更优的滤波性能。3.提出了模型失配且噪声协方差未知下的非线性系统状态估计问题,建立了基于矩阵特征分解的自适应变分贝叶斯联合状态估计与未知参数处理机制。在高斯滤波框架下,通过矩阵特征分解来重构相关协方差阵,并基于统计线性回归处理量测模型非线性来递推估计未知噪声协方差,解决了广义未知扰动和模型非线性共存时现有变分贝叶斯递推解析框架不适用的情况。在具有广义未知扰动和未知量测噪声协方差的目标跟踪滤波中,所提算法的估计精度优于模型集无法完全先验已知的交互式多模型算法。4.考虑广义未知扰动下的多传感器估计融合,提出了基于网络共识的分布式下限信息滤波算法,克服了广义未知扰动下协方差无法直接融合的局限并避免了集中式架构下的高维优化问题。基于单传感器节点引入自由参数并进行低维凸优化处理以自适应广义未知扰动的影响,提出了相应的下限信息滤波机制,同时结合均值共识策略,设计了多传感器下的分布式滤波实现,以获得估计结果的渐近一致性。所提方法在广义未知扰动下的多传感器目标估计融合中优于Kalman滤波、多传感器状态和偏差估计滤波及单传感器节点下的上限滤波方法。5.考虑广义未知扰动下的状态平滑估计,基于前向上限滤波和后向上限平滑递推,利用逆协方差交叉优化,设计了去耦合上限一致融合算法,即基于固定区间的最小上限平滑估计。所提方法解决了由于广义未知扰动导致的前向滤波和后向平滑估计结果相互耦合而无法有效融合的问题。为进一步放松初始条件,即状态初始协方差及后向平滑初始协方差,给出了去耦合下限信息平滑递推实现。在方波、斜坡函数、sin曲线、均匀分布等不同形式广义未知扰动下的目标状态估计中,所提算法获得了优于Kalman滤波、前向-后向Kalman平滑及上限滤波的估计精度。
孙立剑[7]（2018）在《基于高斯过程的复杂光学曲面重建和多传感器数据融合方法研究》文中研究表明超精密加工技术的高速发展,促使具有多几何特征的复杂光学曲面越来越广泛地应用于光电产品、生物医学等领域来实现产品的小型化和功能的多样化。为了保证这些新型曲面质量的可靠性,需要精密曲面测量技术对这类复杂曲面进行各个尺度几何特征的测量,综合评定其加工精度。在过去的几十年里测量仪器已经有了很大的发展,多传感器测量设备越来越多地应用于多特征复杂曲面的测量,但大部分只是简单地将多种传感器整合到同一平台,未能系统性地研究包括复杂曲面重建模型、测量规划、多传感器数据匹配与融合等在内的基础理论,导致传感器之间的协同性和互补性较差,未能真正意义上展现出多传感器测量技术的优势。与此同时,曲面测量数据一般符合高斯分布或近似高斯分布,具有统计学特性,但是大多数方法未考虑到曲面模型和数据分布之间的关系,也忽略了数据之间的相关性。而高斯过程作为一种基于贝叶斯核方法的模型,具有优良的自适应能力和非线性处理能力,既能处理高斯分布数据,也能处理一些非高斯分布的数据集,充分利用了数据的分布和数据之间的相关性信息,同时还能提供预测均值和不确定度,适应于曲面测量数据的处理。因此,本文从曲面模型的研究出发,提出了基于高斯过程的复杂曲面重建与多传感器数据融合方法,通过构建曲面几何特征与核函数性质之间的对应关系,实现曲面形态特征的统计学表征,自适应采样和多传感器数据融合,提高复杂曲面测量效率的同时保证测量精度。本文的主要工作及成果归纳如下:一、提出了基于复合核函数理论的复杂曲面重建方法。该方法不仅充分考虑到数据的分布性和数据之间的相关性,还将曲面几何特征和核函数本身的性质结合起来,将曲面先验知识融合到核函数的选择中,从而可以利用相同的点达到更好的曲面重建精度要求。同时,该方法还能解决测量数据中存在的噪声问题,能够输出预测值和对应的不确定度。二、针对接触式测量头对复杂曲面测量效率低下的问题,提出了基于特定核函数高斯过程的自适应曲面采样方法。该方法将高斯过程作为数学模型来近似代替所测量的曲面,通过设置不同的复合核函数来学习各种不同几何形貌特征,并将曲面重建误差和曲面重建不确定度的组合作为自适应采样的评判标准,通过在线确定采样点的方式实施曲面采样,模型的自优化算法可以用较少的点达到曲面重建精度的要求。三、提出了基于特定核函数的高斯过程的多传感器数据融合方法。为了提升复杂曲面的测量效率和测量精度,引入了多传感器测量系统。对于来自同一测量曲面的不同传感器测量得到的数据,如果两种传感器经过标定之后没有明显的系统性偏差时,利用异方差高斯过程进行数据融合减小曲面重建模型的不确定度;当其中一个传感器有明显的难以补偿的系统性误差时,利用相依高斯过程融合方法处理系统性偏差和噪声的影响,获取高精度和低不确定度的融合结果;当数据量较大或匹配误差较大时,采用加权最小二乘和高斯过程的混合数据融合算法以减小匹配误差并提高计算效率。四、设计光学磨床多传感器在位测量系统并进行加工件的检测实验。根据多传感器测量系统的协作性和互补性要求,将接触式传感器和非接触式测量传感器联合使用,并对传感器进行标定。为了提高在位测量设备的精度,对机床关键部位的结构进行了优化,并对机床的几何误差进行了标定。当从传感器获得测量数据之后,通过标定模型对这些数据进行补偿,最后将基于高斯过程的算法集成到在位检测系统中,并对实际加工的复杂曲面进行采样、融合和重建,在保证精度的同时提升了检测效率。综上所述,基于高斯过程学习的曲面重建、采样和数据融合方法,充分利用了数据的分布性和数据之间的相关性信息,克服了传统方法主要易受测量曲面的影响以及无法对多几何特征曲面有很好的表征性能。随着计算机水平的不断提升和人工智能的不断发展,这类基于概率统计模型的机器学习方法将会在多几何特征复杂曲面的测量领域产生较大的突破并促进下一代先进光学曲面在多个领域的进一步发展和应用。
陈开元[8]（2021）在《基于多源数据的DoS攻击检测方法的研究与实现》文中认为本文通过数据融合与深度学习神经网络相结合的方式实现了一种针对DoS攻击的检测方法。该方法首先通过深度学习神经网络计算产生各类攻击发生的初始概率分配值（BPA）,再将BPA输入改进的D-S证据理论得到攻击检测结果。本文的研究工作主要集中于数据融合方法在DoS攻击检测领域的应用,并对所应用的数据融合方法做了一定的改进。首先我们对本课题研究的背景与意义进行了简要阐述。之后,我们对数据融合技术的基本概念、融合过程、层次划分、技术优势等内容进行了简单介绍。在此基础上,我们对数据融合领域的几类关键技术进行了分析和对比。本文主要工作和创新点如下:（1）针对经典D-S证据理论中存在的一些固有问题,即在证据源之间出现严重冲突甚至完全冲突情况下数据融合结果明显不合理的问题和基础概率分配值（BPA）的获取过于依赖专家经验的问题,我们提出了改进方法。首先,经过对历年以来研究人员对经典D-S证据理论的改进的研究和借鉴,我们在经典D-S证据理论中引入了模糊隶属度fA和数据源平均支持度SA这两个概念,作为权值因子加入到合成公式中,提高了数据融合结果的准确性。我们分别从证据源之间出现严重冲突、完全冲突以及有新证据源加入这三个方面进行实验,证明了该方法相比以往方法具有一定的优越性。（2）其次,通过引入内部逻辑严密、善于逼近复杂非线性关系、收敛速度也较快的深度学习神经网络,我们可以得到更精确的基本概率分配值（BPA）。我们还对神经网络的优化算法进行了改进,新的优化算法在Adam算法的基础上做出了改进,按照历年以来深度学习优化算法的改进方式,延续Adam算法引入一阶矩估计和二阶矩估计的思路,将三阶矩估计的概念引入其中,使得学习率会相对增大,以使得算法在训练前期可以快速向最优解方向靠近,在训练后期学习率也不会过低,从而缓解了训练提前结束的问题,一定程度上防止了 Adam算法出现的可能错过全局最优解的问题。我们还引入了动态控制学习率的思想,对学习率的控制可以保证上一轮迭代过程中的学习率不小于下一轮迭代过程中的学习率,避免了自适应学习率在迭代过程中上下波动的问题,使得在训练过程中学习率单调递减,从而保证了模型最终一定会收敛。我们在多个数据集上进行了实验,与其他几种优化算法对比,验证了本文所提出的改进优化算法在收敛速度和分类精度等方面的良好效果。（3）基于以上工作,我们通过深度学习神经网络和D-S证据理论相结合的方式实现了一种针对DoS攻击的检测方法。该方法主要由数据采集、数据预处理、获取基础概率分配值（BPA）以及数据融合四个组件构成。我们通过实验环境得到数据对该方法进行验证,并与以往几种DoS攻击检测方法作对比,证明其对DoS攻击的各种常见细分攻击类型（如neptune、smurf攻击等）的检测具有很高的正确率。通过对IDS、防火墙等的日志和流量数据进行抓取分析,对网络流量中的DoS攻击进行检测,从而为网络安全的决策提供强有力的支持。
王峰[9]（2021）在《面向复杂劣化信号的预测健康指数构造方法研究及应用》文中指出预测性维修可有效降低铁路维护成本并提升铁路设备的可用性,其核心在于剩余寿命预测（Remaining useful life,RUL）。RUL预测旨在利用状态监测数据对设备的劣化状态进行评估以预测其失效时间,从而为维修决策的制定提供依据。随着传感器技术的发展,复杂设备监测过程中通常部署多传感器从不同的角度分别监测设备的状态信息。为系统地刻画设备的劣化状态,多传感器数据通常被融合为一个综合的健康指数。然而,现有的健康指数构造方法大多将劣化数据假设为成分简单的一维状态或特征信号,而该假设在大量的复杂劣化信号场景下已不适用。为应对该问题,本文主要研究了基于复杂劣化信号的预测健康指数构造问题。针对信号的非线性关系、信号构成成分的耦合、协变量影响和元素缺失下的成分耦合几种情况,以劣化建模领域性质和劣化信号的特征为基础,分别利用深度学习、稀疏学习和张量分析等技术,设计了相应的目标函数和高效的优化算法,解决复杂劣化信号下健康指数构造的难点问题,实现了设备劣化状态的刻画和RUL预测。最后,研究了铁路道岔系统的应用案例。具体地,本文开展了以下几项工作:（1）针对信号间的非线性关系,研究了基于深度学习的健康指数构造方法。首先,以深度神经网络作为融合模型刻画劣化信号与健康指数之间的非线性关系。为应对健康指数“未知”（待构造变量）的难点,利用劣化建模领域的性质,设计了一组对抗网络架构从而实现模型参数的无监督训练。针对求解过程的不稳定性,提出了一种基于RMSprop的采样算法实现了参数的稳定求解。通过一组仿真实验和一组典型案例验证了所构造的健康指数在RUL预测中较现有方法的优越性和鲁棒性。（2）针对成分复杂耦合的情况,研究了结构化信号的健康指数构造方法。以“稳定背景估计-劣化信息提取及融合”分层解耦策略为基础,在移除劣化信号的稳定背景后,依据劣化成分的时空特征,设计了一种基于稀疏学习和保序回归（Sparse learning and isotonic regression,SLIR）的劣化信息提取和融合方法,以保证健康指数的高质量构造。其次,设计了分块坐标下降的优化算法,实现了劣化信息的准确定位和融合模型估计。最后,利用一组仿真实验和后续案例应用对提出方法的求解效率、识别劣化区域和预测RUL的准确性进行验证。（3）针对协变量影响下时变成分耦合的情况,研究了存在元素缺失的高维劣化信号的健康指数构造方法。为解决元素缺失下时变背景估计的难点问题,着重研究了基于低秩学习和Tucker张量分解技术的张量回归建模方法,设计了回归模型参数和缺失元素的协同估计架构。在此基础上,提出了基于分块坐标下降的大规模数值优化算法,实现了模型的高效求解。进而,通过残差信号的特征提取和融合实现了健康指数的构造。利用一组仿真实验和一组案例研究验证了提出方法的优越性。（4）在上述理论研究的基础上,结合铁路道岔系统的自身特征,针对两种常见的劣化模式,分别利用其状态监测数据进行健康指数构造和预测分析。针对液压转辙机的油泄漏模式,考虑温度的影响特征,提出了基于惩罚卷积的温度-液位关系模型,进而利用移除温度影响的液位残差构造健康指数并开展RUL预测。针对滑床板阻力增大的劣化模式,利用提出的SLIR法分析转辙机的功率信号,实现了劣化信息的准确定位及融合,进而在健康指数构造的基础上,开展了该模式下的RUL预测。
卜娜娜[10]（2021）在《温室控制中决策级数据融合方法研究》文中指出温室环境具有多参数因子、非线性、时滞性及强耦合的特点,为准确判断温室内的环境状况,需要对温室中多环境参数进行综合,从而为温室管理者提供准确的温室调控决策支持。因此,论文针对温室信息融合决策问题,以D-S证据理论为基础,提出一种改进D-S证据理论的决策级融合算法复合框架,为温室调控系统提供决策支持。主要工作和创新点如下:（1）针对D-S证据理论中,由于现有生成基本概率赋值函数BPA方法缺乏考虑证据中的不确定信息,导致生成BPA不合理的问题,提出一种基于模糊支持向量机FSVM的BPA构建方法。该方法通过模糊向量机将一些不确定信息合理表达,利用Sigmoid函数将模糊支持向量机的结果转换为概率的形式输出,从而构建出基本概率赋值函数BPA。算例仿真结果表明,本文构建BPA的方法相较于一些经典方法具有更高的准确性和可靠性。该方法通过模糊隶属度表达出每个样本数据对类别属性不同的影响程度,为下一步进行D-S证据融合提供更加可靠的BPA。（2）为了解决D-S证据理论中冲突证据问题,论文考虑了温室多个环境参数因子之间的相互依赖程度,采用一种修正证据权系数对证据合成方法进行改进。该方法将证据间的距离与相关系数结合来共同确定权系数,用修正的权值系数抑制了证据间的冲突对融合结果的影响。结合此BPA生成方法与修正权值方法,构建出基于改进D-S证据理论的复合模型。仿真测试结果表明,该方法能有效降低证据间的冲突,凸出正确融合结果的置信度,具有更高的可靠性和收敛性。最后搭建温室智能感知系统实验平台,将改进复合算法应用该实验系统中模拟温室环境进行测试。系统通过LoRa组网感知并管理数据,经本文复合决策融合方法得出对温室环境状态的判断,为温室管理者提供相应的决策支持。实验结果表明论文提出的改进证据理论决策级数据融合方法相较于经典方法使不确定量降低10倍,同时在融合准确性和稳定性上均优于其他经典方法,利用该决策级融合方法可实现对温室环境准确判断。
二、多传感器数据融合方法在系统建模中的应用（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、多传感器数据融合方法在系统建模中的应用（论文提纲范文）
（1）面向复杂劣化信号的预测健康指数构造方法研究及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 铁路数据驱动的预测修现状 |
| 1.2.1 铁路设备的状态监测现状 |
| 1.2.2 铁路数据驱动的RUL预测 |
| 1.3 数据驱动的RUL预测研究现状 |
| 1.3.1 基于回归模型的RUL预测方法 |
| 1.3.2 基于相似性的RUL预测方法 |
| 1.3.3 基于状态外推的RUL预测方法 |
| 1.3.4 健康指数的构造方法 |
| 1.3.5 方法的有效性验证 |
| 1.3.6 研究现状总结和分析 |
| 1.4 研究意义和主要内容 |
| 1.5 论文研究思路和篇章结构 |
| 2 基于劣化信号非线性融合的健康指数构造方法 |
| 2.1 问题描述 |
| 2.2 基于深度神经网络的健康指数构造建模与求解 |
| 2.2.1 基于深度神经网络的数据融合模型和架构 |
| 2.2.2 基于RMSprop的采样算法 |
| 2.2.3 算法超参数学习 |
| 2.3 仿真分析 |
| 2.3.1 多传感器数据仿真 |
| 2.3.2 劣化建模和RUL预测 |
| 2.3.3 基于深度神经网络的健康指数构造 |
| 2.3.4 RUL预测结果比较和分析 |
| 2.3.5 健康指数的鲁棒性分析 |
| 2.4 案例验证 |
| 2.4.1 劣化数据集的描述 |
| 2.4.2 数据集的预处理 |
| 2.4.3 基于深度神经网络的数据融合模型 |
| 2.4.4 RUL预测结果比较和分析 |
| 2.4.5 深度神经网络超参数的选择 |
| 2.5 小结 |
| 3 基于劣化信息定位和融合的结构化信号健康指数构造方法 |
| 3.1 问题描述 |
| 3.2 基于稀疏学习和保序回归的健康指数构造方法 |
| 3.2.1 数据定义 |
| 3.2.2 信号建模及解耦策略 |
| 3.2.3 结构化信号的背景估计 |
| 3.2.4 劣化模式和劣化路径的估计 |
| 3.3 仿真分析 |
| 3.3.1 结构化数据仿真 |
| 3.3.2 健康指数的构造 |
| 3.3.3 劣化建模和RUL预测 |
| 3.3.4 RUL预测结果分析 |
| 3.4 小结 |
| 4 基于协变量和背景关系估计的高维信号健康指数构造方法 |
| 4.1 问题描述 |
| 4.1.1 存在数据缺失的时变高维信号健康指数构造 |
| 4.1.2 高维回归模型综述及难点分析 |
| 4.2 基于增强张量回归的健康指数构造方法 |
| 4.2.1 多重线性代数基础知识 |
| 4.2.2 数据缺失下张量回归建模 |
| 4.2.3 基于特征融合的健康指数构造 |
| 4.3 仿真分析 |
| 4.3.1 曲面数据仿真 |
| 4.3.2 回归预测结果分析 |
| 4.4 案例验证 |
| 4.4.1 数据集介绍 |
| 4.4.2 回归预测结果分析 |
| 4.4.3 健康指数构造和RUL预测结果分析 |
| 4.5 小结 |
| 5 铁路道岔系统应用案例 |
| 5.1 道岔系统介绍及问题描述 |
| 5.1.1 道岔构成、机理及状态监测 |
| 5.1.2 文献综述及难点分析 |
| 5.2 基于惩罚卷积模型的漏油监测和预测 |
| 5.2.1 油泄漏的监测和预测框架 |
| 5.2.2 温度和液位关系建模 |
| 5.2.3 漏油监测和预测 |
| 5.2.4 案例验证 |
| 5.3 滑床板劣化的健康指数构造和RUL预测 |
| 5.3.1 数据集介绍 |
| 5.3.2 健康指数构造、RUL预测和结果分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 主要工作与结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A RMSprop 算法 |
| 附录 B 基于线性化指数模型的 RUL 预测 |
| 附录 C 近似算子推导 |
| 附录 D 问题(3-6)推导 |
| 附录 E 问题(4-7)到(4-9)的转化 |
| 附录 F 问题(4-13)的转化 |
| 附录 G 问题(4-16)的转化 |
| 附录 H 套刻误差的生成过程 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于退化数据的老化策略在线优化和剩余寿命预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 老练测试的研究现状及挑战 |
| 1.2.2 寿命预测的研究现状及挑战 |
| 1.3 研究内容与创新 |
| 1.4 论文的组织结构 |
| 第二章 相关技术理论 |
| 2.1 可靠性定义及其特征量 |
| 2.1.1 可靠性定义 |
| 2.1.2 可靠度与不可靠度 |
| 2.1.3 故障率 |
| 2.1.4 平均寿命 |
| 2.2 常用随机过程与退化仿真 |
| 2.2.1 维纳随机过程 |
| 2.2.2 伽马随机过程 |
| 2.2.3 逆高斯随机过程 |
| 2.2.4 蒙特卡洛仿真 |
| 2.3 深度学习相关理论 |
| 2.3.1 深度学习概念 |
| 2.3.2 卷积神经网络 |
| 2.3.3 长短期记忆网络 |
| 2.4 本章小结 |
| 第三章 高可靠产品的最佳老练策略生成算法 |
| 3.1 本章总体算法概述 |
| 3.2 离线老练策略生成算法 |
| 3.2.1 滑窗策略 |
| 3.2.2 CNN1 结构设计 |
| 3.2.3 组准确率策略 |
| 3.3 老练时间在线优化算法 |
| 3.3.1 有效信息定义 |
| 3.3.2 在线优化算法 |
| 3.4 实验设计及结果分析 |
| 3.4.1 仿真数据集描述 |
| 3.4.2 ROC评估策略 |
| 3.4.3 方法验证及结果分析 |
| 3.4.4 方法对比及结果分析 |
| 3.5 本章小结 |
| 第四章 多传感器数据下的剩余寿命预测算法 |
| 4.1 本章总体算法概述 |
| 4.2 通用的剩余寿命预测框架 |
| 4.2.1 多传感器数据融合模型 |
| 4.3 监督式联合训练策略 |
| 4.4 基于LSTM的联合模型 |
| 4.4.1 LSTM工作原理 |
| 4.4.2 初始分布状态差异化策略 |
| 4.5 仿真实验设计及结果分析 |
| 4.5.1 数据仿真设置 |
| 4.5.2 方法验证 |
| 4.5.3 数据稀疏度的影响 |
| 4.6 案例学习及实验结果分析 |
| 4.6.1 数据描述 |
| 4.6.2 数据预处理 |
| 4.6.3 模型训练及结果分析 |
| 4.6.4 方法对比及结果分析 |
| 4.7 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）多关节柔性机械臂通用动力学建模与末端精准定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景与意义 |
| 1.3 柔性机械臂动力学建模、测量与控制研究现状 |
| 1.3.1 柔性机械臂动力学建模研究现状 |
| 1.3.2 柔性机械臂传感测量研究现状 |
| 1.3.3 柔性机械臂控制研究现状 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 第2章 N自由度柔性机械臂通用动力学建模 |
| 2.1 柔性机械臂变形描述 |
| 2.2 柔性机械臂动力学方程建立 |
| 2.2.1 柔性机械臂动能计算 |
| 2.2.2 柔性机械臂势能计算 |
| 2.2.3 广义力与实际关节驱动力的关系 |
| 2.3 N自由度柔性机械臂通用表达式计算 |
| 2.4 符号表达式计算软件开发 |
| 2.4.1 软件开发流程 |
| 2.4.2 与传统建模方法对比 |
| 2.5 仿真实验研究 |
| 2.6 本章小结 |
| 第3章 两自由度低频小振幅柔性臂实验系统开发 |
| 3.1 柔性臂实验系统硬件环境开发 |
| 3.1.1 低频振动柔性机械臂结构设计 |
| 3.1.2 柔性臂振动多传感器测量系统 |
| 3.1.3 BLDC电流闭环驱动执行器 |
| 3.1.4 同步异构嵌入式实时控制器 |
| 3.2 柔性臂控制系统软件环境开发 |
| 3.2.1 嵌入式控制器信号的输入输出 |
| 3.2.2 控制器算法程序架构 |
| 3.3 柔性臂实验平台性能测试 |
| 3.4 本章小结 |
| 第4章 多传感器信息融合的柔性臂振动状态实时测量 |
| 4.1 柔性臂振动状态实时测量原理 |
| 4.1.1 柔性臂振动状态测量原理分析 |
| 4.1.2 柔性臂振动状态测量计算方法 |
| 4.2 单自由度柔性臂静态时根部弯矩测量 |
| 4.2.1 柔性臂水平姿态 |
| 4.2.2 柔性臂倾斜姿态 |
| 4.3 单自由度柔性臂振动时根部弯矩测量 |
| 4.3.1 柔性臂末端无集中质量振动 |
| 4.3.2 末端存在集中质量下柔性臂的振动 |
| 4.4 多自由度柔性臂振动时根部弯矩测量 |
| 4.4.1 柔性臂不受外力作用 |
| 4.4.2 柔性臂受外力作用 |
| 4.5 基于Kalman滤波的多传感器信号融合算法 |
| 4.5.1 基于Kalman滤波算法的柔性臂振动状态测量原理 |
| 4.5.2 柔性臂实时振动状态递推公式 |
| 4.6 两自由度柔性臂振动状态测量实验 |
| 4.7 本章小结 |
| 第5章 多关节柔性臂末端同时减振与精准定位控制 |
| 5.1 柔性臂末端同时减振与精准定位原理 |
| 5.1.1 传统的末端减振与定位控制方法 |
| 5.1.2 末端同时减振与定位控制方法 |
| 5.2 基于LQR的柔性臂末端同时减振与定位控制 |
| 5.2.1 LQR输出反馈控制律设计 |
| 5.2.2 柔性臂末端同时减振与定位控制仿真 |
| 5.3 基于LMI的柔性臂末端同时减振与定位控制 |
| 5.3.1 基于LMI的柔性臂保性能控制器设计 |
| 5.3.2 基于LMI的两自由度柔性臂最优保性能控制器求解 |
| 5.4 柔性臂末端同时减振与定位控制实验及结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结与展望 |
| 6.1.1 工作总结 |
| 6.1.2 展望研究 |
| 6.2 本文创新点 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（4）基于结构共用的智能电动车辆传感器优选配置与节能控制（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第1章 引言 |
| 1.1 概述 |
| 1.2 车辆智能驾驶系统集成设计研究现状 |
| 1.2.1 车辆智能驾驶系统的发展与集成 |
| 1.2.2 结构共用原始概念及相关技术 |
| 1.3 车载环境感知传感器选型与配置研究现状 |
| 1.3.1 车载环境感知传感器建模与选型 |
| 1.3.2 车载环境感知传感器的配置 |
| 1.4 电动车辆节能控制研究现状 |
| 1.4.1 电动车辆的节能驾驶辅助及其控制 |
| 1.4.2 基于智能交通信息的电动车辆节能控制 |
| 1.5 本文研究内容 |
| 第2章 结构共用型电动车辆智能驾驶系统架构 |
| 2.1 总体设计 |
| 2.1.1 总体方案设计 |
| 2.1.2 相关概念界定 |
| 2.2 结构共用型系统架构设计 |
| 2.2.1 架构设计原则与总体构成 |
| 2.2.2 传感器信息共享架构设计 |
| 2.2.3 控制器资源共用架构设计 |
| 2.2.4 执行器操作共管架构设计 |
| 2.3 结构共用型系统架构特点分析 |
| 2.3.1 评价指标与计算模型 |
| 2.3.2 与功能叠加型架构对比分析 |
| 2.3.3 架构特点总结 |
| 2.4 关键技术规划及典型应用 |
| 2.4.1 关键技术规划 |
| 2.4.2 典型应用技术 |
| 2.5 本章小结 |
| 第3章 基于结构共用的车载环境感知传感器优选配置 |
| 3.1 传感器优选配置总体框架 |
| 3.2 车载多传感器系统建模 |
| 3.2.1 车载多传感器系统的探测性能模型 |
| 3.2.2 车载多传感器系统的可靠性模型 |
| 3.3 传感器配置优化问题的建立与求解 |
| 3.3.1 多维评价指标体系 |
| 3.3.2 目标函数与约束条件设计 |
| 3.4 多目标优化求解算法 |
| 3.4.1 基于NSGA-II的多目标优化算法 |
| 3.4.2 基于GA-PSO的多目标加权组合优化算法 |
| 3.4.3 基于蒙特卡洛分析的启发式算法对比 |
| 3.5 典型应用与仿真验证 |
| 3.5.1 典型场景与探测需求 |
| 3.5.2 传感器优选配置结果 |
| 3.5.3 基于PreScan的仿真验证 |
| 3.6 本章小结 |
| 第4章 基于传感器共用的智能电动车辆节能控制 |
| 4.1 智能节能控制系统总体架构 |
| 4.1.1 控制系统设计的原则 |
| 4.1.2 控制系统架构 |
| 4.2 基于场景分析的节能模式决策与切换 |
| 4.2.1 基于安全态势评估的行车场景划分 |
| 4.2.2 基于场景变化的模式切换控制 |
| 4.2.3 基于驾驶意图的系统开启控制 |
| 4.3 各模式下的驱动电机转矩优化控制 |
| 4.3.1 各模式下的驱动电机转矩优化规则 |
| 4.3.2 基于MPC的纵向跟车运动控制算法 |
| 4.3.3 电机转矩优化系数表的提取与拟合 |
| 4.4 节能控制仿真分析 |
| 4.4.1 仿真平台设计 |
| 4.4.2 仿真方案设计 |
| 4.4.3 仿真结果分析 |
| 4.5 本章小结 |
| 第5章 智能电动车辆节能控制系统实验研究 |
| 5.1 实验方案设计 |
| 5.1.1 实验总体方案 |
| 5.1.2 实验数据采集系统 |
| 5.1.3 实验样车与实验路况 |
| 5.1.4 实验过程与主要参数设置 |
| 5.2 样车A实验结果分析 |
| 5.2.1 总体实验结果 |
| 5.2.2 全程路段的实验结果分析 |
| 5.2.3 典型路段的实验结果分析 |
| 5.3 样车B实验结果分析 |
| 5.3.1 总体实验结果 |
| 5.3.2 全程路段的实验结果分析 |
| 5.3.3 典型路段的实验结果分析 |
| 5.3.4 样车B与样车A实验结果对比 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（5）面向无人驾驶的道路场景建模关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 无人驾驶研究历程和发展趋势 |
| 1.2.1 国外无人驾驶发展历程 |
| 1.2.2 国内无人驾驶发展历程 |
| 1.2.3 无人驾驶发展趋势 |
| 1.3 实时道路场景建模的相关概念 |
| 1.3.1 道路几何结构 |
| 1.3.2 障碍物检测与跟踪 |
| 1.3.3 交通信号识别 |
| 1.4 论文章节内容安排 |
| 第2章 基于单目视觉的实时车道线检测与跟踪 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 基于误差传递模型的车道线特征边缘提取 |
| 2.3.1 灭点相机模型 |
| 2.3.2 ROI区域初始化 |
| 2.3.3 基于正负对称平均梯度边缘特征提取 |
| 2.4 基于BRESENHAM LINE算法的直线快速提取 |
| 2.4.1 投票空间的构建 |
| 2.4.2 图像空间到投票空间的变换 |
| 2.4.3 直线参数修正 |
| 2.5 模型自适应的车道线拟合和参数跟踪 |
| 2.5.1 几何模型估计 |
| 2.5.2 跟踪模型 |
| 2.6 实验结果及分析 |
| 2.6.1 实验平台 |
| 2.6.2 边缘特征提取对比试验 |
| 2.6.3 直线检测效率对比 |
| 2.6.4 自身数据车道线提取效果 |
| 2.6.5.公开数据集对比实验 |
| 2.7 本章小结 |
| 第3章 基于级联特征融合道路边界提取 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 三维激光雷达工作原理 |
| 3.3.1 三维激光雷达硬件组成 |
| 3.3.2 点云数据采集过程 |
| 3.3.3 点云坐标计算 |
| 3.4 基于区域划分和特征级联的路面分割 |
| 3.4.1 基于角度特征的路面分割方法 |
| 3.4.2 基于多特征级联的路面分割方法 |
| 3.4.2.1 近处区域路面分割 |
| 3.4.2.2 远处区域路面分割 |
| 3.4.3 基于三维激光雷达的时序特征的算法效率优化 |
| 3.4.3.1 扫描线预处理 |
| 3.4.3.2 三维激光雷达的时序特征 |
| 3.4.3.3 基于时序特征的算法效率优化 |
| 3.5 多传感器融合的多车道检测 |
| 3.5.1 路沿特征提取 |
| 3.5.2 融合车道线和路沿的直线车道模型构建 |
| 3.5.3 基于分段最小二乘的路沿拟合 |
| 3.6 实验与总结 |
| 3.6.1.路面分割实验 |
| 3.6.1.1 实时性分析 |
| 3.6.1.2 检测效果分析 |
| 3.6.2.路沿检测实验 |
| 3.7 本章小结 |
| 第4章 基于轮廓点云线特征和偏离模型车辆检测与跟踪 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 车辆轮廓点云线特征提取 |
| 4.3.1 锚点检测 |
| 4.3.2 直线提取 |
| 4.3.3 线特征聚类 |
| 4.4 融合车道偏离模型的车辆检测与跟踪 |
| 4.4.1 基于车辆方向线特征的目标聚类 |
| 4.4.2 基于车道偏离参数的车辆运动模型 |
| 4.5 实验与分析 |
| 4.5.1 实时性分析 |
| 4.5.2 检测效果分析 |
| 4.6 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 主要创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻博期间研究经历和科研成果 |
| 参与的科研项目 |
| 研究经历及获奖情况 |
| 发表的学术文章 |
| 致谢 |
（6）广义未知扰动下不确定系统自适应滤波研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 未知扰动下的状态估计 |
| 1.2.2 参数不确定下的状态估计 |
| 1.2.3 多传感器估计融合 |
| 1.3 本文主要研究内容 |
| 1.3.1 主要工作及章节安排 |
| 1.3.2 论文符号说明 |
| 第二章 跳变马尔可夫线性系统最小上限滤波 |
| 2.1 引言 |
| 2.2 广义未知扰动下跳变马尔可夫线性系统状态估计问题 |
| 2.3 最小上限滤波器设计 |
| 2.4 算法扩展 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 第三章 乘性噪声下非线性系统高精度扩展上限滤波 |
| 3.1 引言 |
| 3.2 广义未知扰动下带乘性噪声的非线性系统状态估计问题 |
| 3.3 基于二阶泰勒展开的上限滤波器设计 |
| 3.4 仿真结果及分析 |
| 3.5 小结 |
| 第四章 噪声参数未知下自适应变分贝叶斯估计 |
| 4.1 引言 |
| 4.2 广义未知扰动及噪声协方差未知下非线性系统估计问题 |
| 4.3 基于变分贝叶斯的自适应滤波器设计 |
| 4.3.1 自适应状态估计 |
| 4.3.2 量测噪声协方差辨识 |
| 4.4 仿真结果及分析 |
| 4.4.1 仿真场景一 |
| 4.4.2 仿真场景二 |
| 4.5 本章小结 |
| 第五章 广义未知扰动下限信息滤波及分布式融合 |
| 5.1 引言 |
| 5.2 广义未知扰动下多传感器系统状态估计问题 |
| 5.3 集中式下限信息滤波器设计 |
| 5.4 分布式下限信息滤波器设计 |
| 5.5 仿真结果及分析 |
| 5.6 本章小结 |
| 第六章 基于前向滤波与后向平滑的去耦合上限一致融合 |
| 6.1 引言 |
| 6.2 线性系统状态平滑问题描述 |
| 6.3 广义未知扰动下的去耦合平滑器设计 |
| 6.3.1 去耦合上限状态平滑器 |
| 6.3.2 去耦合下限信息平滑器 |
| 6.4 仿真结果及分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者博士期间的学术成果 |
| 作者博士期间参与的项目 |
| 致谢 |
（7）基于高斯过程的复杂光学曲面重建和多传感器数据融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 复杂光学曲面的发展现状 |
| 1.4 光学曲面测量技术国内外研究现状 |
| 1.4.1 曲面离线检测的研究现状 |
| 1.4.2 曲面在位检测的研究现状 |
| 1.4.3 复杂光学曲面重建、采样和数据融合技术的研究现状和存在的问题 |
| 1.5 课题提出及研究目的 |
| 1.6 研究内容与论文章节安排 |
| 第二章 基于高斯过程的回归建模 |
| 2.1 引言 |
| 2.2 高斯过程回归基本原理 |
| 2.3 高斯过程函数选择和模型优化 |
| 2.3.1 均值函数 |
| 2.3.2 核函数 |
| 2.3.3 高斯过程超参数学习优化 |
| 2.4 高斯过程计算复杂度及优化方法 |
| 2.5 本章小结 |
| 第三章 基于复合核函数高斯过程的复杂光学曲面重建和自适应采样 |
| 3.1 引言 |
| 3.2 基于复合核函数高斯过程的复杂光学曲面重建 |
| 3.2.1 基于复合核函数的复杂曲面重建方法 |
| 3.2.2 特定复合核函数的选择 |
| 3.2.3 复杂曲面重建实例研究 |
| 3.3 基于复合核函数高斯过程的复杂曲面自适应采样 |
| 3.3.1 基于特定核函数的高斯过程曲面采样方法 |
| 3.3.2 仿真实验设计和结果 |
| 3.3.3 实际采样实验验证 |
| 3.4 本章小结 |
| 第四章 基于多传感器的复杂光学曲面数据匹配和融合 |
| 4.1 引言 |
| 4.2 点云数据匹配算法研究与应用 |
| 4.2.1 曲面匹配算法基本原理 |
| 4.2.2 曲面匹配算法应用 |
| 4.3 基于高斯过程的多传感器数据融合方法研究 |
| 4.3.1 异方差高斯过程数据融合 |
| 4.3.2 相依高斯过程数据融合 |
| 4.3.3 混合高斯过程数据融合 |
| 4.4 本章小结 |
| 第五章 复杂光学曲面在位检测系统开发和实验研究 |
| 5.1 引言 |
| 5.2 光学磨床在位测量系统设计 |
| 5.3 在位测量系统的标定和补偿 |
| 5.3.1 测量传感器误差标定 |
| 5.3.2 机床几何误差标定 |
| 5.4 在位测量系统界面设计和算法集成 |
| 5.5 测量实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文的主要贡献与创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的学术成果 |
（8）基于多源数据的DoS攻击检测方法的研究与实现（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 国内外数据融合领域研究现状 |
| 1.2.2 国内外攻击检测领域研究现状 |
| 1.2.3 模糊集合理论研究现状 |
| 1.2.4 D-S证据理论研究现状 |
| 1.3 主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 数据融合概论及关键技术分析 |
| 2.1 数据融合概述 |
| 2.2 数据融合的基本过程 |
| 2.3 多传感器数据融合的优势 |
| 2.4 数据融合关键技术 |
| 2.4.1 加权平均法 |
| 2.4.2 卡尔曼滤波法 |
| 2.4.3 贝叶斯推理法 |
| 2.4.4 D-S证据理论 |
| 2.4.5 模糊逻辑推理法 |
| 2.4.6 人工神经网络法 |
| 2.4.7 专家系统 |
| 2.4.8 统计决策理论 |
| 2.5 本章小结 |
| 第三章 一种改进的D-S证据理论数据融合方法 |
| 3.1 D-S证据理论简介 |
| 3.1.1 经典D-S证据理论 |
| 3.1.2 经典D-S证据理论存在的主要问题 |
| 3.1.3 D-S证据理论的改进历程 |
| 3.2 模糊集合理论 |
| 3.2.1 模糊集合理论基本概念 |
| 3.2.2 模糊集合的表示方法 |
| 3.2.3 模糊隶属度的确定方法 |
| 3.3 一种改进的D-S证据理论数据融合方法 |
| 3.4 实验与分析 |
| 3.4.1 证据源之间出现严重冲突 |
| 3.4.2 证据源之间出现完全冲突 |
| 3.4.3 有新证据源加入 |
| 3.5 本章小结 |
| 第四章 一种改进的深度学习优化算法 |
| 4.1 深度学习神经网络和优化算法简介 |
| 4.1.1 随机梯度下降算法(SGD) |
| 4.1.2 随机梯度下降法的改进过程 |
| 4.2 一种改进的深度学习优化算法 |
| 4.3 实验与分析 |
| 4.3.1 MNIST数据集上的实验结果 |
| 4.3.2 CIFAR-10数据集上的实验结果 |
| 4.4 本章小结 |
| 第五章 数据融合的应用 |
| 5.1 方案总体设计 |
| 5.1.1 系统框架 |
| 5.1.2 深度学习神经网络的总体框架 |
| 5.2 模块设计 |
| 5.2.1 数据采集模块 |
| 5.2.2 数据预处理模块 |
| 5.2.3 BPA获取模块 |
| 5.2.4 数据融合模块 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）面向复杂劣化信号的预测健康指数构造方法研究及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 铁路数据驱动的预测修现状 |
| 1.2.1 铁路设备的状态监测现状 |
| 1.2.2 铁路数据驱动的RUL预测 |
| 1.3 数据驱动的RUL预测研究现状 |
| 1.3.1 基于回归模型的RUL预测方法 |
| 1.3.2 基于相似性的RUL预测方法 |
| 1.3.3 基于状态外推的RUL预测方法 |
| 1.3.4 健康指数的构造方法 |
| 1.3.5 方法的有效性验证 |
| 1.3.6 研究现状总结和分析 |
| 1.4 研究意义和主要内容 |
| 1.5 论文研究思路和篇章结构 |
| 2 基于劣化信号非线性融合的健康指数构造方法 |
| 2.1 问题描述 |
| 2.2 基于深度神经网络的健康指数构造建模与求解 |
| 2.2.1 基于深度神经网络的数据融合模型和架构 |
| 2.2.2 基于RMSprop的采样算法 |
| 2.2.3 算法超参数学习 |
| 2.3 仿真分析 |
| 2.3.1 多传感器数据仿真 |
| 2.3.2 劣化建模和RUL预测 |
| 2.3.3 基于深度神经网络的健康指数构造 |
| 2.3.4 RUL预测结果比较和分析 |
| 2.3.5 健康指数的鲁棒性分析 |
| 2.4 案例验证 |
| 2.4.1 劣化数据集的描述 |
| 2.4.2 数据集的预处理 |
| 2.4.3 基于深度神经网络的数据融合模型 |
| 2.4.4 RUL预测结果比较和分析 |
| 2.4.5 深度神经网络超参数的选择 |
| 2.5 小结 |
| 3 基于劣化信息定位和融合的结构化信号健康指数构造方法 |
| 3.1 问题描述 |
| 3.2 基于稀疏学习和保序回归的健康指数构造方法 |
| 3.2.1 数据定义 |
| 3.2.2 信号建模及解耦策略 |
| 3.2.3 结构化信号的背景估计 |
| 3.2.4 劣化模式和劣化路径的估计 |
| 3.3 仿真分析 |
| 3.3.1 结构化数据仿真 |
| 3.3.2 健康指数的构造 |
| 3.3.3 劣化建模和RUL预测 |
| 3.3.4 RUL预测结果分析 |
| 3.4 小结 |
| 4 基于协变量和背景关系估计的高维信号健康指数构造方法 |
| 4.1 问题描述 |
| 4.1.1 存在数据缺失的时变高维信号健康指数构造 |
| 4.1.2 高维回归模型综述及难点分析 |
| 4.2 基于增强张量回归的健康指数构造方法 |
| 4.2.1 多重线性代数基础知识 |
| 4.2.2 数据缺失下张量回归建模 |
| 4.2.3 基于特征融合的健康指数构造 |
| 4.3 仿真分析 |
| 4.3.1 曲面数据仿真 |
| 4.3.2 回归预测结果分析 |
| 4.4 案例验证 |
| 4.4.1 数据集介绍 |
| 4.4.2 回归预测结果分析 |
| 4.4.3 健康指数构造和RUL预测结果分析 |
| 4.5 小结 |
| 5 铁路道岔系统应用案例 |
| 5.1 道岔系统介绍及问题描述 |
| 5.1.1 道岔构成、机理及状态监测 |
| 5.1.2 文献综述及难点分析 |
| 5.2 基于惩罚卷积模型的漏油监测和预测 |
| 5.2.1 油泄漏的监测和预测框架 |
| 5.2.2 温度和液位关系建模 |
| 5.2.3 漏油监测和预测 |
| 5.2.4 案例验证 |
| 5.3 滑床板劣化的健康指数构造和RUL预测 |
| 5.3.1 数据集介绍 |
| 5.3.2 健康指数构造、RUL预测和结果分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 主要工作与结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A RMSprop 算法 |
| 附录 B 基于线性化指数模型的 RUL 预测 |
| 附录 C 近似算子推导 |
| 附录 D 问题(3-6)推导 |
| 附录 E 问题(4-7)到(4-9)的转化 |
| 附录 F 问题(4-13)的转化 |
| 附录 G 问题(4-16)的转化 |
| 附录 H 套刻误差的生成过程 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）温室控制中决策级数据融合方法研究（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 温室环境控制的研究现状 |
| 1.2.2 数据融合的研究现状 |
| 1.2.3 证据理论的研究现状 |
| 1.3 研究内容与论文组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织结构 |
| 2 数据融合技术分析 |
| 2.1 数据融合技术 |
| 2.1.1 多传感器数据融合原理 |
| 2.1.2 决策级融合的常用方法 |
| 2.2 D-S证据理论 |
| 2.2.1 D-S证据理论基础 |
| 2.2.2 证据理论的合成规则 |
| 2.2.3 基于D-S证据理论的决策级数据融合模型 |
| 2.3 本章小结 |
| 3 证据理论中基本概率赋值函数BPA构建方法 |
| 3.1 经典BPA构建方法分析 |
| 3.1.1 基于贝叶斯方法的BPA函数构建 |
| 3.1.2 基于高斯分布方法的BPA函数构建 |
| 3.1.3 基于目标类型和环境加权系数的BPA函数构建 |
| 3.1.4 基于模糊集理论的BPA函数构建 |
| 3.2 模糊支持向量机(FSVM)的构造 |
| 3.2.1 模糊支持向量机 |
| 3.2.2 knn模糊隶属度函数 |
| 3.2.3 knn-FSVM的模型建立 |
| 3.3 本文改进BPA函数构建方法 |
| 3.4 实验仿真与结果分析 |
| 3.5 本章小结 |
| 4 改进D-S证据理论的决策级数据融合方法 |
| 4.1 基于修正权系数的冲突证据合成方法 |
| 4.1.1 修正冲突证据的权系数 |
| 4.1.2 证据加权融合规则 |
| 4.2 改进D-S证据理论的决策融合复合模型 |
| 4.3 实验仿真与结果分析 |
| 4.3.1 实验仿真步骤 |
| 4.3.2 证据数量对融合准确性影响分析 |
| 4.3.3 决策准确性对比分析 |
| 4.4 本章小结 |
| 5 基于证据理论的决策融合算法在温室控制中的应用 |
| 5.1 实验平台搭建 |
| 5.1.1 实验方案 |
| 5.1.2 温室实验平台 |
| 5.1.3 无线传输方案选择 |
| 5.1.4 系统模块设计与实现 |
| 5.2 温室环境决策级数据融合实验 |
| 5.3 实验结果与性能对比 |
| 5.3.1 实验系统性能测试 |
| 5.3.2 决策融合结果与性能对比 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、多传感器数据融合方法在系统建模中的应用（论文参考文献）
- [1]面向复杂劣化信号的预测健康指数构造方法研究及应用[D]. 王峰. 北京交通大学, 2021(02)
- [2]基于退化数据的老化策略在线优化和剩余寿命预测[D]. 高军燕. 电子科技大学, 2020(07)
- [3]多关节柔性机械臂通用动力学建模与末端精准定位研究[D]. 余峰. 武汉科技大学, 2019(08)
- [4]基于结构共用的智能电动车辆传感器优选配置与节能控制[D]. 解来卿. 清华大学, 2019(02)
- [5]面向无人驾驶的道路场景建模关键技术研究[D]. 周剑. 武汉大学, 2019(06)
- [6]广义未知扰动下不确定系统自适应滤波研究[D]. 秦月梅. 西北工业大学, 2018
- [7]基于高斯过程的复杂光学曲面重建和多传感器数据融合方法研究[D]. 孙立剑. 上海交通大学, 2018
- [8]基于多源数据的DoS攻击检测方法的研究与实现[D]. 陈开元. 北京邮电大学, 2021(01)
- [9]面向复杂劣化信号的预测健康指数构造方法研究及应用[D]. 王峰. 北京交通大学, 2021
- [10]温室控制中决策级数据融合方法研究[D]. 卜娜娜. 西安科技大学, 2021(02)