导读:本文包含了分布式协同方法论文开题报告文献综述及选题提纲参考文献，主要关键词:无线传感器网络,多层感知器,TensorFlow,分布式协同训练
分布式协同方法论文文献综述
饶绪黎,陈志德,林晶,林峰[1]（2019）在《基于多层感知器的无线传感器网络分布式协同训练方法研究》一文中研究指出为了提高分散在无线传感器网络各个节点上的数据训练的准确度和时效性,采用多层感知器分类算法训练数据,并将分类算法部署在TensorFlow分布式集群上,以实现协同训练。结果表明本算法与传统算法相比,准确率能控制在95%以上,训练时间缩短了65.8%,具有实际应用价值。(本文来源于《荆楚理工学院学报》期刊2019年02期）
张科科,孙煜坤,夏磊,朱振才,王静[2]（2019）在《网络卫星在轨分布式协同任务调度方法》一文中研究指出针对网络条件下卫星执行多目标观测任务的自主调度问题,本文设计了一种"Sandwich"空间信息网络体系架构,通过网络传输延时仿真分析,其传输时延为毫秒级别,略优于传统中继方式,该网络传输效能适合多任务需求下实施在轨分布式协同计算;在此基础上,提出了一种分布式断链重连算法,可突破单星计算资源限制,提高在轨计算能力。仿真结果表明:相比单星计算,可有效缩短任务调度约一半时间;利用树莓派和无线网络搭建了分布式调度演示系统,完成了该算法的工程实现。该方法可满足组网状态下面向多任务的各类对地观测、天基探测类卫星的空间在轨自主任务规划调度需求,为空间信息网络的进一步研究和应用奠定技术基础。(本文来源于《哈尔滨工程大学学报》期刊2019年02期）
刘鹏飞[3]（2018）在《基于复杂网络特性的分布式协同决策方法的研究》一文中研究指出面向未来协同的大规模机器人系统是当前多智能体系统的研究热点,包括很多极具吸引力的应用,例如:无人机集群协同控制,城市灾难救援机器人系统等。在这些应用系统的设计研究中,一个核心关键技术瓶颈在于构建适用于以上场景体系化的多机器人协同决策算法,该算法既能基于多机器人系统动态开放式的自组织网络系统架构,又能求解多机器人协同需要解决的多层次无中心式决策任务,然而相关文献已证明即使仅解决部分协同问题的无中心式多智能体联合决策问题已经是 NEXP-COMPLETE。本论文致力于通过引入人类社会已经证明可行有效的复杂网络特性研究,能够有效地针对大规模多机器人系统无中心式协同决策问题,在不同的协同决策层面构建启发式算法,形成基于复杂网络特性分析的多机器人协同决策系统的研究,主要进行了如下系统性的工作:(1)由于人类社会可以抽象成一个更为复杂的协同决策系统,本文展开了对人类社会协同所依赖的复杂网络特性进行分析,根据多机器人系统与人类社会系统的相似性,总结了具备对未来大规模多机器人协同启发式决策形成较大影响的复杂网络特征,例如度分布特性、网络半径与聚类系数等。(2)本文针对大规模多机器人系统协同决策需求进行深入的分析,研究发现完整系统性的多机器人协同决策至少需要完成叁个层面的决策任务,自上而下可描述为服务调度-信息共享-数据分发。本文将针对这叁个层次分别构建基于复杂网络特性分析的启发式决策算法,并最终形成对整个多机器人系统协同决策问题系统性的求解方案。(3)在数据分发层面,本文面向多机器人物理自组织网络建立基于复杂网络特性分析的启发式算法。数据分发算法以物理网络不获取语义信息为前提,以数据转发路径为基本依据构建分布式机器人对物理网络复杂网络特性的局部估计和启发式转发决策,实现多机器人节点在信息覆盖与减少冗余数据转发间平衡优化。自组织网络结构调整算法利用物理网络度平均等复杂网络特性构建机器人在开放式复杂环境中无中心式协同移动决策方法实现机器人有限能量下移动消耗、感知覆盖和未来通讯消耗间高效的均衡。(4)本文在信息共享层抽象建立多机器人信息共享逻辑网络,基于该网络信息共享服务推送对分布式机器人在环境部分可观测条件下的协同决策具有启发意义的信息。这些信息分发的目的必将与机器人在协同层面上的固有属性(如能力特性,协同主从关系等)密切相关。通过海量历史信息分发的统计认知引入复杂网络特性建模,基于对网络全局认知和局部网络认知两种条件下分别构建信息共享网络结构调整算法以达到优化多机器人协同信息共享效能的目的。(5)在服务调度层面,本文将多机器人系统任务分配问题构建为服务调度问题,设计基于服务约束条件的多机器人系统服务调度网络模型并明确服务调度目标。对动态服务调度网络进行复杂网络特性分析,发现对服务调度网络具有影响的复杂网络特征因素,并提出基于节点度值、聚类系数及介数的复杂网络特性服务调度决策启发式优化算法,以实现机器人间高效的服务调度,有效提升系统执行复杂任务的效能。最后,本文面向多机器人协同不同任务层面分别构建了应用仿真验证环境,通过相关算法比较与效能分析,验证本研究通过在多机器人协同过程中通过引入复杂网络特性分析、构建分布式机器人局部可观测条件下的复杂网络特性认知方法,可以显着优化无中心式决策多机器人系统的自主协同效能。(本文来源于《电子科技大学》期刊2018-10-12）
王建明[4]（2018）在《基于高分辨距离像的分布式协同识别方法》一文中研究指出宽带高分辨图像是复杂突防场景下真假弹头识别最有效的特征之一。针对单部雷达无法有效估计目标真实尺寸问题,提出了基于分布式宽带雷达的高分辨一维像协同识别方法。通过多部宽带雷达协同测量,获取弹道目标同一时刻多视角下的高分辨一维距离像,利用多个视角的径向尺寸协同估计目标真实尺寸。仿真分析了典型突防场景下,双站最小二乘估计和递推最小二乘序贯协同尺寸估计方法的有效性。(本文来源于《现代雷达》期刊2018年08期）
刘杰,张耀中[5]（2017）在《基于黑板模型的分布式协同任务决策方法研究》一文中研究指出基于黑板模型的分布式指挥控制网络为未来复杂环境下海战中多平台间的高效协同提供了新思路,通过构建应用于多航母群联合海战的分布式协同网络,对多航母群联合海战下的系统负载进行了研究,建立了一种多平台任务决策的数学模型,采用嵌套遗传算法进行了仿真求解,得到了理想的任务决策方案。最后对由于目标函数中内部负载权重系数不同取值所引起的不同任务决策结果进行了比较,验证了将基于黑板模型的分布式协同网络应用于多航母海战协同决策的科学性,为分布式海战协同决策网络的后续研究工作奠定了基础。(本文来源于《火力与指挥控制》期刊2017年11期）
崔乃刚,吴蔚楠,郭继峰[6]（2017）在《分布式协同动态任务规划的建模与一体化求解方法》一文中研究指出以多异构无人机执行侦查、打击、评估任务为背景,开展了协同任务规划问题建模、一体化求解算法设计。采用分布式规划框架及图论思想对问题进行建模,且将无人机避碰、燃油、任务执行次序作为约束条件,并充分考虑任务分配与路径规划存在的强耦合特性,采用禁忌/遗传算法,设计包含任务序列和路径位姿点的基因编码,将问题进行一体化求解。结果表明:算法能够适用于动态任务场景,且能够较为快速地解决任务空间较为复杂的规划问题。(本文来源于《中国惯性技术学报》期刊2017年04期）
侯国强[7]（2016）在《基于一致性的微网分布式协同无功功率控制方法》一文中研究指出在传统集中式分级控制的基础之上提出了一种分布式协同控制方法,通过对传统集中式分级控制进行一致化,能有效改善各分布式电源的终端电压,进而实现了各分布式电源间无功功率的合理分配;同时,该方法还能适应网络拓扑结构的变化,实现了微网即插即用的要求。通过在Matlab/Simulink中搭建仿真模型验证了该方法的有效性。(本文来源于《黑龙江科技信息》期刊2016年29期）
戴孟元[8]（2016）在《卫星星座分布式协同定轨方法研究》一文中研究指出某些航天任务的正常运营要求对相关星座卫星进行持续不断的精密轨道确定,这其中尤以全球卫星导航系统为典型代表。但是,传统的人造卫星精密轨道确定方法通常要求在全球布设一定数量的地面测控站,这对于我国正在发展中的北斗卫星导航系统提出了严峻的挑战。近年来,随着星间测量/通信技术的发展,以及分布式信息融合算法研究的深入,一种新的卫星星座轨道确定方法逐渐成为领域内的研究热点:基于星间链路的卫星星座协同轨道确定。本文从这一问题出发,着眼于我国北斗卫星导航系统的自主运行,展开了对以下四个方面的研究。(1)鉴于单纯基于星间链路的卫星星座自主定轨中存在的星座整体漂移问题,提出了基于地面锚固站和星间链路的卫星星座协同定轨方案,建立了相应的卫星运动模型及相对测量模型,并应用局部可观测性理论论证了方案的有效性。(2)从状态空间模型出发,设计了基于扩展卡尔曼滤波的分布式协同定轨算法,具体包括全阶扩展卡尔曼滤波、降阶扩展卡尔曼滤波以及迭代级联扩展卡尔曼滤波叁类,并从精度、计算量、通信量叁个角度对算法性能进行了详细分析。(3)从概率图模型出发,设计了基于联合树推理的分布式协同定轨算法,新算法的计算精度与集中式贝叶斯估计等效;并受平方根卡尔曼滤波的启发,针对星载计算机字长不足的应用场景,提出了分布式平方根联合树推理算法,该算法具有优于集中式贝叶斯估计和标准联合树推理的数值稳定性。(4)针对北斗卫星导航系统的自主运行问题,建立了类广播星历轨道模型并推导了相应的定轨偏导数;针对协方差矩阵及其平方根矩阵的条件数过大的问题,设计了集中式窗口迭代平方根卡尔曼滤波算法和分布式窗口迭代平方根联合树推理算法,有效弥补了现有算法的不足。论文所提出的新算法弥补了现有的集中式卡尔曼滤波以及基于精确贝叶斯推理的分布式滤波的不足;所提出的类广播星历轨道模型及其定轨偏导数可为导航星座的自主星历拟合提供参考;所提出的分布式协同定轨算法可作为一套标准设计流程,为其它多平台协作系统的设计提供参考。(本文来源于《国防科学技术大学》期刊2016-02-01）
徐婷婷[9]（2016）在《基于偏差补偿LMS算法的分布式协同估计方法研究》一文中研究指出近年来,分布式协同信息处理技术在无线通信网络等领域的应用研究越来越多,如无线传感器网络目标定位、多无人机目标搜索、航天编队控制和工业无线网络参数估计等。分布式协同信息处理是指在多代理网络中,通过代理间的不同信息交互模式,实现整个网络的信息协同处理。本文则主要研究分布式协同信息处理技术在自适应目标参数估计问题的应用,即针对未知参数目标,并基于自适应滤波算法,利用分布式策略进行目标参数协同估计。由于LMS自适应滤波算法具有计算量小和结构简单的特点,因此本文的整体研究都是基于LMS算法,然后分别基于FIR和IIR两种滤波器来实现算法的性能比较。本文首先介绍单代理的自适应估计过程,并对基于两种滤波器的LMS算法分别进行理论分析。在单代理自适应估计的基础上,研究多代理分布式协同估计算法,详细介绍了多代理网络模型和分布式协同策略,其中分布式协同策略主要包括增量式策略、一致式策略和扩散式策略叁种。通过研究不同策略的信息交互方式,然后基于LMS算法给出分布式LMS算法,并对算法的估计精度进行仿真比较。仿真结果表明,与单代理的非协作估计算法相比,分布式协同估计算法具有更好的估计精度,同时还表明叁种分布式协同估计算法在不同步长条件下的性能也有所不同。考虑到在实际环境中,分布式网络中代理的输入输出信号通常包含多种噪声(如量化噪声和测量噪声等),这些噪声会导致以往的分布式协同估计算法对目标参数的估计结果存在严重偏差,因此相关研究学者基于偏差补偿原则,通过消除噪声引起的偏差,提出分布式协同估计偏差补偿算法,从而得到无偏估计结果。但是在以往的研究中,通常假设噪声方差是已知条件或者含有约束条件,不能实现无约束条件的实时估计噪声方差。因此,本文在以往的研究基础上,提出一种无约束条件实时估计噪声方差的方法,并根据不同的分布式LMS算法,提出分布式偏差补偿LMS算法。仿真结果表明,首先相比分布式LMS算法,分布式偏差补偿LMS算法能够实现目标参数的无偏估计,然后与以往的偏差补偿LMS算法相比,本文提出的偏差补偿LMS算法具有更好的估计精度,即更低的均方误差(MSD),而且在不同的信噪比条件下都能很好的实现参数的无偏估计。(本文来源于《北京理工大学》期刊2016-01-01）
张子良,禹鑫燚,欧林林[10]（2015）在《一种平面编队的分布式协同控制方法》一文中研究指出相似编队是一种新型的平面编队控制方法。本文研究了一种基于相似编队的分布式控制器的设计方法。首先将多智能体系统的编队控制问题转化为多智能体系统的稳定性分析问题。接着将多智能体系统分解成多个子系统,并分析子系统的稳定性。然后分别设计比例控制器保证无时滞的一阶积分系统和具有时滞的一阶积分系统的稳定性。通过求解子系统的稳定范围的交集,得到能使整个系统达到相似队形的控制参数的范围。最后的仿真实例验证了所设计的控制器的有效性。(本文来源于《第27届中国控制与决策会议论文集》期刊2015-05-23）
分布式协同方法论文开题报告
（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：
针对网络条件下卫星执行多目标观测任务的自主调度问题,本文设计了一种"Sandwich"空间信息网络体系架构,通过网络传输延时仿真分析,其传输时延为毫秒级别,略优于传统中继方式,该网络传输效能适合多任务需求下实施在轨分布式协同计算;在此基础上,提出了一种分布式断链重连算法,可突破单星计算资源限制,提高在轨计算能力。仿真结果表明:相比单星计算,可有效缩短任务调度约一半时间;利用树莓派和无线网络搭建了分布式调度演示系统,完成了该算法的工程实现。该方法可满足组网状态下面向多任务的各类对地观测、天基探测类卫星的空间在轨自主任务规划调度需求,为空间信息网络的进一步研究和应用奠定技术基础。
（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。
分布式协同方法论文参考文献
[1].饶绪黎,陈志德,林晶,林峰.基于多层感知器的无线传感器网络分布式协同训练方法研究[J].荆楚理工学院学报.2019
[2].张科科,孙煜坤,夏磊,朱振才,王静.网络卫星在轨分布式协同任务调度方法[J].哈尔滨工程大学学报.2019
[3].刘鹏飞.基于复杂网络特性的分布式协同决策方法的研究[D].电子科技大学.2018
[4].王建明.基于高分辨距离像的分布式协同识别方法[J].现代雷达.2018
[5].刘杰,张耀中.基于黑板模型的分布式协同任务决策方法研究[J].火力与指挥控制.2017
[6].崔乃刚,吴蔚楠,郭继峰.分布式协同动态任务规划的建模与一体化求解方法[J].中国惯性技术学报.2017
[7].侯国强.基于一致性的微网分布式协同无功功率控制方法[J].黑龙江科技信息.2016
[8].戴孟元.卫星星座分布式协同定轨方法研究[D].国防科学技术大学.2016
[9].徐婷婷.基于偏差补偿LMS算法的分布式协同估计方法研究[D].北京理工大学.2016
[10].张子良,禹鑫燚,欧林林.一种平面编队的分布式协同控制方法[C].第27届中国控制与决策会议论文集.2015
标签：无线传感器网络; 多层感知器; TensorFlow; 分布式协同训练;