一、基于频谱与小波分析的卡尔曼滤波器监控技术（论文文献综述）
王宏旭[1]（2020）在《多通道EEG信号去噪算法的研究》文中研究说明脑电图是当今流行的疾病诊断工具,常用于监控脑电（简称EEG）信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的影响。在新的小波阈值去噪算法的基础上,根据多通道EEG信号的拉普拉斯噪声模型,对贝叶斯估计理论进行了解析。从贝叶斯估计算法出发,论证了该算法可有效地估计新阈值函数的小波系数。实验结果表明,贝叶斯估计新阈值小波函数系数的算法相比于新阈值小波函数去噪算法,可有效地解决能量低的问题,从信号的评价指标上分析,能量比提升了12%,均方根误差下降了0.1,信噪比提升了0.2d B,谱峰值和原始信号更加接近。以贝叶斯估计算法去噪后的EEG信号进行实验,通过对噪声信号的状态方程进行评估,从而选择最优的去噪解对观测值进行卡尔曼滤波。实验研究结果表明,相比于贝叶斯估计算法,应用卡尔曼滤波算法可有效地滤除幅值为5mv以下的噪声,且信噪比提升了0.3d B,能量比接近了100%,更好地还原了原始信号特征。
李悦[2]（2020）在《多传感器信息融合在刀具磨损在线监测中的应用研究》文中认为机械自动化发展水平体现了一个国家的经济水平和科学技术实力,机械加工水平受刀具磨损程度的影响较大。由于刀具在加工过程中出现的磨损无可避免,且单一传感器监测存在不足,因此多传感器实时在线监测刀具磨损状态成为解决这一问题的关键。多传感器信息融合过程需要对传感器技术、信息采集技术、信息融合技术进行研究,通过信号采集、特征选择、特征提取等环节,实现多传感器信息的有效互补,完成刀具磨损程度的在线监测。本文的主要研究内容如下:1、本文首先基于刀具磨损相关理论,综合考虑传感器类型、信号特征和刀具型号,选择试验设备,搭建了振动信号和切削力信号的信号采集系统平台;其次,在初期磨损到严重磨损的整个过程中,采集每次走刀的振动信号和切削力信号与每次走刀后的刀具磨损量VB值;最后,分析了影响刀具耐用度的因素,利用正交试验法对振动信号和切削力信号分别进行了“因子对数据的影响试验”,并分析了磨损程度、主轴转速、进给速度和切削深度对两种信号的影响程度。2、采用时域、频域、时频域分析法对采集的信号进行了特征分析和特征提取。首先,采用时域、频域分析法分别对两种信号进行分析;再在分析得到的特征频段范围中,利用小波包分析法分解信号频段并计算信号不同频带的能量值;最后,采用正交试验法分析振动信号和切削力信号中能量值变化明显的频段,提取最优频段作为融合特征值。3、采用BP神经网络-优化贝叶斯算法建立了基于特征层和决策层相结合的信息融合智能识别系统。选择利用变学习率的BP神经网络进行特征层融合,再利用加入卡尔曼滤波的优化后的贝叶斯融合算法进行决策层融合,最终得到融合后的刀具磨损预测值。通过一系列试验进行刀具磨损状态监测,证实了BP神经网络和优化贝叶斯融合算法相结合的刀具磨损状态监测的可靠性和可行性,为刀具磨损监测方向的发展开拓了新思路。
朱庆旭[3]（2020）在《基于高频GNSS的桥梁变形监测研究》文中研究说明随着我国经济的发展,各种大型复杂工程日益增多,特别是近年来,大型桥梁的建设和使用,使得桥梁变形监测成为一个热门话题。随着GNSS现代化建设进程的发展,软硬件系统的功能不断提高。GNSS变形监测在大型桥梁中的应用越来越普遍。本文就是以金马湖大桥监测试验为数据来源,围绕GNSS在桥梁监测中的应用为核心,对在桥梁监测中的一些影响因素进行了深入的分析,所做的工作总结如下:为验证高频GNSS对高差变化的探测能力,针对高频GNSS变形监测中高斯白噪声的特点,采用卡尔曼滤波方法对GPS和GPS/BDS动态变形监测模拟数据进行滤波处理,结果表明,高频GNSS能够探测到亚厘米级高差变形。经过GPS系统和GPS/BDS系统精度的比较,GPS/BDS双系统的组合定位可以大大增加可见卫星的数量,提高卫星空间几何分布结构,定位精度优于GPS单系统。这证明了GPS/BDS双系统进行组合定位的高精度与可靠性。在GNSS动态变形监测的基础上,将其应用于实际桥梁案例中,以检验其实际应用的可行性。通过金马湖大桥GNSS变形监测的采样数据进行初步分析,分析了影响其监测系统精度和可靠性的因素,样本数据采用小波滤波的方法,来削弱高频随机噪声和多路径效应的影响,通过对桥梁观测站的高频GPS/BDS定位结果进行滤波处理,最后基于滤波结果,展开多方面分析,验证了本文研究方法的有效性和实际发展应用性,实测数据分析结果表明,该方法对于有效提取桥梁形变信息,具有重要的实践意义。
肖遥[4]（2020）在《基于盲信号处理的机械冲击型故障声学特征提取方法研究》文中研究说明信号处理是故障诊断的核心问题,其目的在于提取信号中携带的故障特征;噪声信号也称声学信号,与振动信号相比,同样适用于机械故障诊断与监测,并具有无接触式监测、操作快捷简便、传感器要求低等优势;但因其独特的传播方式,形成了特殊的声场环境,需要在噪声与信号模型等方面加以关注;因此,本文将围绕针对机械声信号冲击特征提取的去噪算法与时域盲解卷积算法进行研究。为提取出声学信号中隐藏的故障特征,本文基于盲信号处理卷积混叠模型,对声学信号特征提取算法进行研究和探索,从理论与实验仿真两方面,对比验证独立分量分析FastICA的两种改进算法,EFICA与RobustICA在时域盲解卷积中的性能表现,发现在冲击型信号的盲解卷积中,EFICA算法要更加稳定和有效。考虑到声信号的传播过程易受干扰,对适应于机械声学信号处理的去噪算法开展研究。从算法基础理论模型到具体实现步骤,探究了小波分解重构算法,及其进阶优化算法,平移不变量小波去噪法;又对Kalman滤波作了论述;经分析提出KTIWD算法;实验证明了该算法的优越性,适应于鞍点较多的冲击型故障信号处理。在时域盲解卷积算法研究中,尤其是在长卷积的问题中,面对成倍增长的信号数量,需要对信号空间进行聚类提取;对此,本文结合理论模型与使用条件,对FCM基于核的改进算法KFCM,和拓展条件下的改进算法Conditional FCM进行分析,并提出一种可关联信号频域与时域差别进行区分的信号聚类算法,TFKFCM算法。通过实验,对比KFCM聚类,验证了TFKFCM算法的有效性。最后,将以上改进研究整合于冲击型机械故障信号提取中,提出新的KETFE算法,并应用于模拟声学信号故障特征提取试验中,成功提取出故障特征信号,验证了改进算法在声信号故障特征提取中的效能。
郝文凯[5]（2019）在《无人直升机故障诊断与容错控制系统设计与实现》文中研究指明近年来,随着智能控制技术的发展,无人机的应用也越来越广泛。大型无人直升机因其出色的续航能力和负载能力,在民用、商用和军用的很多具体领域都有着不可替代的作用。复杂的任务环境和任务需求也在客观上要求无人直升机具备更加可靠的控制稳定性。故障诊断与容错控制技术是提高控制系统稳定性和可靠性的有效手段。本研究依托于某国防预研项目,为国产某型无人直升机设计故障诊断与容错控制系统,主要从传感器和执行器两部分提高无人直升机的容错能力。完成的工作和取得的成果主要如下。首先对常规构型的无人直升机进行了介绍,然后结合研究对象的具体配置对整机系统进行了研究分析。根据动力学原理,建立了常规构型无人直升机的数学模型,为后续方法研究提供了仿真验证的基础。针对某型无人直升机的具体硬件配置,考虑传感器实际输出的数据特性,设计了基于小波分析和多传感器综合分析的传感器故障诊断方法。该方法利用小波变换对输出数据较为“连续”的传感器信号进行分析,以实现对相应传感器健康状态的监测;多传感器综合分析的方法充分利用不同传感器测量结果之间的解析关系建立余度对比,进行故障的判决和定位。考虑大型无人直升机传感器数据的冗余特性,文中对不同余度特性的传感器进行了相应的容错控制设计。对于多余度配置的传感器,设计了基于分布式结构的数据融合方法,以实现无故障或有故障下系统状态观测量的最优估计。对于单余度配置的传感器,综合考虑传感器的可容错性和飞行器安全,进行了控制系统的重构设计。仿真和实测数据实验结果表明,该方法能够快速检测到传感器故障的发生并具有良好的容错性。针对该型无人直升机执行器可能发生的软性故障,将执行器的健康情况增广为系统状态,设计了基于中心差分卡尔曼滤波算法的状态估计方法,对执行器的健康状态进行实时监测。文章还根据执行器健康状态设计了重构控制器,进行实时的控制量重构,以最小化故障影响。仿真结果验证了该方法能够快速、准确地检测出执行器的软性故障并消除故障的影响。
初广前[6]（2019）在《基于认知无线电的频谱感知与检测技术研究》文中研究说明电磁频谱是稀缺的自然资源。随着无线通信技术,第五代、第六代移动通信技术的发展,无线频谱资源短缺的矛盾日益加剧,而无线频谱固定分配的机制进一步加剧了电磁谱供不应求的矛盾。频谱这种用命令方式分配的机制是导致频谱利用率在时间和空间上低的根本原因。授权无线频谱相对低的利用率表明当前的频谱短缺主要是由于被授权的无线频谱没有得到充分的利用,而不是无线频谱真正的物理短缺。严重的无线频谱短缺困境,迫切期望一种新的技术产生,以解决当前无线频谱资源供不应求的矛盾,在这种背景下,认知无线电技术诞生。频谱感知是认知无线电实现其功能的基础功能,在前人探讨的基础上,进一步研究了认知无线电频谱检测方法,主要研究内容及创新如下:1)研究了广义衰落信道下多天线协作频谱感知与检测,提出了用MGF方法推导了单天线κ-μ衰落信道的平均检测概率的闭式表达式,分析了单天线κ-μ衰落信道的频谱感知性能。在此基础上,推导了广义衰落信道多天线协作的平均检测概率的闭式表达式,分析了广义衰落信道下的多天线协作频谱感知性能。具体而言,分析了κ-μ衰落信道下最大比合并（MRC,Maximum Ratio Combining）多天线分集的频谱感知性能,分析了κ-μ衰落信道下平方率合并（SLC,Square Law Combining）多天线分集的频谱感知性能,分析了η-μ衰落信道下等增益合并（EGC,Equal Gain Combining）多天线分集的频谱感知性能。理论分析和仿真结果表明:MRC多天线分集方式以高的计算复杂度为代价,呈现出比SLC多天线分集方式更好的检测性能。2)研究了多用户多天线协作的频谱感知与检测,提出了两步复合协作频谱感知与检测技术。该两步复合协作频谱感知与检测技术是基于两步复合的设计思想,第一步针对经典软数据协作网络负载大的缺点,认知用户独立执行软数据协作频谱感知,获得主用户是否存在的一比特局部判决.第二步在第一步软数据协作的基础上认知用户执行经典硬决定协作频谱感知。这样可以达到硬决定协作和软数据协作的折中,既减小了网络负载,又提高了频谱检测性能。在Nakagami-m信道下,采用SLC多天线软协作,我们推导了两步复合协作频谱感知的平均检测概率表达式,分析了提出的两步复合协作频谱感知的频谱感知性能,仿真结果表明:提出的两步复合协作频谱感知的频谱感知性能比经典的硬决定协作频谱感知性能有显着地改善。更进一步,在广义κ-μ衰落信道下,采用MRC和SLC多天线软协作,我们也推导了两步复合协作频谱感知的平均检测概率表达式,分析了在κ-μ衰落信道下提出的两步复合协作频谱感知的频谱感知性能,仿真结果也表明:提出的两步复合协作频谱感知的频谱感知性能比经典的硬决定协作频谱感知性能有显着地改善。综上述所述,提出的两步复合协作频谱感知方案不管是在特殊的Nakagami-m信道下,还是在广义κ-μ的衰落信道下,都呈现出良好的检测性能,体现了特殊与一般的统一。提出的两步复合协作频谱感知方案,兼有硬决定融合和软数据融合的优点,是一种性价比高的可用于实际的频谱感知方案。3)研究了基于小波分析和压缩感知的认知无线电频谱感知与检测,首先,提出了小波熵认知无线电频谱感知与检测技术。推导了小波熵的计算表达式。根据小波变换和小波包变换理论,小波熵频谱感知比小波包熵频谱感知有较低的算法复杂度。根据信息不增性原理,小波熵频谱感知比小波包熵频谱感知有较低的检测概率,理论分析和仿真结果表明小波熵频谱感知也是一种性价比高的可用于实际的频谱感知方案。接着,提出了基于卡尔曼滤波的稀疏信号稀疏阶估计技术。稀疏信号的稀疏阶是一个未知时变的重要参数,在压缩感知理论中,稀疏信号的稀疏阶通常认为是已知的,并且取统计最大值,这是不符合实际的。仿真结果表明:我们提出的基于卡尔曼滤波的稀疏信号稀疏阶估计技术,能够把稀疏信号的稀疏阶可靠地估计出来,有了稀疏信号的稀疏阶,就可以减小稀疏信号的重构误差,为进一步改善频谱感知性能奠定基础。
刘娟花[7]（2019）在《多尺度数据融合算法及其应用研究》文中认为分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
何虹江[8]（2019）在《基于人工侧线的机器鱼障碍物感知及避障研究》文中进行了进一步梳理随着现代科学技术的进步,机器人技术也得到迅速发展。在众多的机器人研究方向中,仿生机器鱼的研究相对较少,但它却有着重要的研究价值和研究意义。仿生机器鱼的研究,有助于人类探索海洋世界,有助于海事救援、海洋考古以及深海资源勘探等。当前,机器鱼的研究方向主要包括通信、感知和定位等,而传统机器鱼的感知研究大都采用声呐、图像等技术,但在水下,电磁波衰减迅猛,光线时时变化,地形地势较为复杂,这些环境因素对声呐和图像产生较为严重的干扰,而这些干扰却是现有技术难以克服的,因此机器鱼的感知问题一直是一个难以解决的问题,也是近年来科研人员研究的重难点。随着生物学家的深入研究,他们发现大部分鱼类和两栖动物有着一种特殊的感知器官系统即侧线系统,侧线系统可以帮助这些生物有效地感知周围的水环境信息。研究人员从鱼类的侧线系统中获得灵感,模仿鱼类侧线系统的功能,从而设计人工侧线系统,这成为近年来机器鱼研究领域的热点。在国内外,人工侧线系统常见的设计原理有两类,一类是基于人造纤毛感知器,另一类是基于压强传感器阵列。人造纤毛感知器具有微型、精密、易分布等特点,但其成本较高,不易操作,而压强传感器阵列具有成本低、易安装等特点,适合应用于常规机器鱼。本文基于压强传感器阵列原理,开展了基于人工侧线系统的机器鱼障碍物感知和避障研究,主要研究成果如下:第一,利用压强传感器阵列设计和制作了一套新型人工侧线系统,该人工侧线系统具有可拓展,易安装等特点。第二,设计和制作了一套新型仿箱鲀机器鱼电气系统,该机器鱼电气系统由感知单元、控制单元以及逻辑单元构成,可实时记录人工侧线系统以及机器鱼姿态数据,可实时通过上位机对机器鱼的游动参数进行设置,以控制机器鱼的运动。第三,利用方形水槽实验平台,搭建了障碍物感知实验的实验环境,进行了多次感知实验,记录了仿箱鲀机器鱼在实验过程中人工侧线系统的实时数据,通过分析这些数据,研究了仿箱鲀机器鱼对障碍物的感知能力,从而实现了机器鱼的避障功能,达到了本文的研究目的。
徐楠[9]（2019）在《手术机器人前端控制器噪声检测及抑制方法研究》文中指出近年来,由于传统手术的诸多限制,人们把目光转向了精度和灵敏性较高的机械臂上,研制出微创手术机器人,使用微创手术机器人进行的手术创伤小、出血量少、恢复期短,因此虽然一台手术机器人手术的费用高昂,但是其相对于传统手术的优势使得其备受医生和患者的青睐。目前,投入使用最多的是美国intuitive公司的Da Vinci手术机器人,其多自由度的主控台使得医生能够最大限度的进行各种高难度的动作。手术机器人的使用给医生和患者带来诸多方便,但是其仍存在很多问题,比如力反馈的问题以及手术机器人前端控制器信号中由于医生手部的抖动以及机械间摩擦产生的噪声问题。根据先验知识,医生手部的抖动信号的频率一般在6～14Hz,而自主性运动信号一般集中在1～2Hz的低频信号中,本文首先使用不同频率的正弦信号模拟医生的手部自主运动和抖动,使用高斯白噪声模拟器械之间由于摩擦引起的噪声进行分析,通过对上述信号使用小波滤波进行预滤波、再使用自适应滤波方法对其进行处理。仿真实验结果表明,小波变换能够实时的滤除大部分噪声,提高含噪信号的信噪比,为自适应滤波方法提供期望信号,将其滤波后信号经过自适应滤波器后误差率大幅下降。验证了使用小波滤波和自适应滤波相结合的方式对手术机器人前端控制器信号进行滤波的可行性。由于卡尔曼滤波器具有可以实时滤波的特性,本文采用卡尔曼滤波器对含有不同方差的高斯白噪声的正弦信号模拟的含噪信号进行滤波,使用均方根误差和误差率作为其评价指标。仿真结果表明方差越大的含噪信号,即信噪比越低的信号,其滤波效果越差,时延越长。本文使用简易的装置作为手术机器人实验系统前端控制器,采集实验人员的手部运动信号,采用小波滤波器对其进行分析和预滤波,尽可能还原实验人员手部的自主运动信号,提高手术机器人实验系统前端控制器信号的信噪比,为自适应滤波器和卡尔曼滤波器提供输入信号。通过自适应滤波和基于时间序列的卡尔曼滤波器对经过小波滤波的实际信号进行处理。在自适应方法中,采用小波滤波后的信号作为自适应滤波器的期望信号,手术机器人实验系统前端控制器作为输入信号,采用LMS自适应滤波算法进行滤波。在基于时间序列的卡尔曼滤波过程中,首先检验通过小波滤波后的高信噪比的手术机器人实验系统前端控制器信号的平稳性,对其一阶差分信号建立ARMA模型,将ARMA模型转化为状态空间方程进行卡尔曼滤波,最终再转化为经过滤波后的手术机器人实验系统前端控制器信号。实验结果表明,使用小波滤波预滤波后的信号再使用自适应滤波和基于时间序列的卡尔曼滤波器可以实时有效的滤除前端控制器中的噪声,且基于ARMA模型的卡尔曼滤波法能够滤除更多的高频成分,对噪声信号进行更大程度的抑制。
吴杰[10]（2019）在《平抑风电波动的混合储能系统控制策略及容量优化配置研究》文中进行了进一步梳理风能固有的间歇性、波动性和不确定性导致风电场输出功率无法直接满足并网波动标准,影响了风力发电的大规模开发。储能系统具有双向功率吞吐能力,响应速度快,可操控性强,为并网风电场配置储能系统是平抑风电输出功率波动、提高风电并网能力的可靠解决方案。本文深入分析目前储能平抑风电波动相关领域的发展现状,选取蓄电池-超级电容混合储能系统（hybrid energy storage system,HESS）作为平抑风电波动的载体,围绕风电波动平抑控制、混合储能能量管理和储能容量优化配置等方面展开研究,主要的研究内容及成果包括:（1）提出了一种具有场景自适应能力的风电功率波动分解分配算法。首先针对风电场输出功率的幅频特性展开分析,确定风电能量在不同频段的分布情况指导平抑策略的设计;然后根据不同风电场景下的功率波动特性设计自适应小波包分解算法将风电功率分解为符合并网标准的并网功率和混合储能功率指令;最后通过由基于混合储能充放电特性的初级分配和基于储能荷电状态（state of charge,SOC）模糊控制的二次修正所组成的两级功率指令分配方法确定蓄电池和超级电容的功率指令。所提自适应分解分配算法能够实现风电功率的最优分解和混合储能功率指令的合理分配,为后续混合储能优化配置模型的建立提供了控制基础。（2）提出了一种考虑控制系统响应延时的风电波动实时控制方法。与基于历史数据的自适应小波包平抑算法不同,实时平抑控制方法建立在未知风电将来变化趋势、充分考虑控制系统响应时延的前提下。首先量化分析混合储能平抑风电波动控制系统各环节的响应时延,然后采用滤波参数随风电出力模糊优化的卡尔曼滤波算法在线平抑风电波动确定并网功率和储能功率指令,最后通过基于混合储能SOC的模型预测控制（model predictive control,MPC）方法实现功率指令的滚动在线分配。所提控制方法能够满足实时在线控制的要求,更加贴近工程实践中风电波动平抑的要求。（3）建立了一种考虑电池循环寿命的混合储能容量优化配置模型,提出了联合求解混合储能功率指令最优分界点和储能容量配置方案的优化方法。建立蓄电池循环寿命量化模型分析蓄电池充放电过程所产生的寿命衰减对储能系统综合成本的影响,针对利用小波包分解平抑风电波动的混合储能容量优化配置模型,将混合储能功率指令最优分界点和混合储能容量配置方案进行联合求解,在此基础上分别建立单一蓄电池储能和单一超级电容储能的容量优化配置模型,并与蓄电池-超级电容混合储能系统作对比以验证混合储能在平抑风电波动场合的技术经济优势。（4）提出了一种提高储能容量优化模型求解过程计算精度和计算效率的储能典型运行曲线分析算法。为解决根据典型日数据确定储能配置方案的计算精度较差、根据全年运行数据确定储能配置方案的计算效率较差的问题,采用k-means聚类算法从储能年度运行曲线中提取典型数据集作为储能容量优化模型的输入数据,并结合云变换从储能年度运行曲线出发确定k-means聚类的聚类数目和初始聚类中心。所提典型曲线分析算法能够克服传统k-means聚类需人为指定聚类数目的缺点,并解决初始聚类中心随机所带来的稳定性问题,以所提算法分析结果作为储能配置模型的输入数据相对典型日数据和全年运行数据达成了求解过程计算精度和计算效率的平衡。上述研究在改善风电并网品质、优化混合储能能量管理效果、完善混合储能系统容量优化模型和提高储能容量优化模型求解精度及效率等方面进行了前瞻性探索,为平抑风电波动的混合储能系统控制和配置研究提供了新的思路。
二、基于频谱与小波分析的卡尔曼滤波器监控技术（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、基于频谱与小波分析的卡尔曼滤波器监控技术（论文提纲范文）
（1）多通道EEG信号去噪算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 EEG信号中的噪声 |
| 1.2.1 EEG信号噪声产生的原因 |
| 1.2.2 EEG信号噪声的类别 |
| 1.2.3 EEG信号噪声成分分析 |
| 1.3 多通道EEG去噪国内外研究现状 |
| 1.3.1 国外EEG去噪研究现状 |
| 1.3.2 国内EEG去噪研究现状 |
| 1.4 论文研究的主要内容 |
| 第2章 小波分析基本理论 |
| 2.1 小波变换简介 |
| 2.2 小波变换理论分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅里叶变换 |
| 2.2.3 连续小波变换 |
| 2.2.4 离散小波变化 |
| 2.3 常用小波函数介绍 |
| 2.3.1 小波基的选择 |
| 2.3.2 Haar小波 |
| 2.3.3 Meyer小波 |
| 2.3.4 Doubechies小波 |
| 2.4 小波变换的快速算法 |
| 2.5 本章小结 |
| 第3章 基于小波变换的多通道EEG信号去噪算法研究 |
| 3.1 EEG信号去噪实验分析 |
| 3.1.1 实验数据及电极的放置 |
| 3.1.2 实验方法 |
| 3.2 傅里叶去噪原理 |
| 3.3 小波去噪原理 |
| 3.3.1 小波分解与重构去噪原理 |
| 3.3.2 小波阈值去噪原理 |
| 3.3.3 新阈值函数去噪原理 |
| 3.4 仿真结果与分析 |
| 3.4.1 傅里叶算法的EEG去噪结果 |
| 3.4.2 小波分解与重构算法的EEG去噪结果 |
| 3.4.3 小波阈值算法的EEG去噪结果 |
| 3.4.4 新阈值小波函数算法的EEG去噪结果 |
| 3.5 EEG信号去噪效果综合评价 |
| 3.5.1 SNR、RMSE、PER分析 |
| 3.5.2 ROC曲线分析 |
| 3.5.3 频谱分析 |
| 3.6 本章小结 |
| 第4章 基于贝叶斯估计的多通道EEG信号去噪算法研究 |
| 4.1 贝叶斯估计理论 |
| 4.1.1 贝叶斯定理 |
| 4.1.2 先验分布 |
| 4.1.3 后验分布 |
| 4.2 EEG信号噪声模型分析 |
| 4.2.1 噪声的分类 |
| 4.2.2 高斯噪声模型 |
| 4.2.3 非高斯噪声模型 |
| 4.3 基于贝叶斯估计的EEG去噪算法研究 |
| 4.3.1 拉普拉斯最大后验概率分布 |
| 4.3.2 贝叶斯算法建立 |
| 4.3.3 阈值系数的估计 |
| 4.4 基于贝叶斯估计的去噪结果分析 |
| 4.5 EEG去噪效果综合评价 |
| 4.5.1 SNR、RMSE、PER分析 |
| 4.5.2 ROC曲线分析 |
| 4.5.3 频谱分析 |
| 4.6 本章小结 |
| 第5章 基于卡尔曼滤波的EEG信号去噪算法研究 |
| 5.1 卡尔曼滤波的EEG信号算法应用 |
| 5.1.1 AR模型分析 |
| 5.1.2 EEG信号的卡尔曼滤波模型 |
| 5.1.3 卡尔曼滤波模型的参数估计 |
| 5.2 基于卡尔曼滤波流程分析 |
| 5.3 仿真结果及分析 |
| 5.4 EEG去噪效果综合评价 |
| 5.4.1 SNR、RMSE、PER分析 |
| 5.4.2 ROC曲线分析 |
| 5.4.3 频谱分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（2）多传感器信息融合在刀具磨损在线监测中的应用研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 刀具状态监测技术研究现状 |
| 1.2.1 刀具状态监测方法 |
| 1.2.2 刀具磨损特征分析及提取方法 |
| 1.2.3 信息融合 |
| 1.2.4 智能识别 |
| 1.3 论文的研究内容和结构 |
| 第二章 刀具磨损状态监测试验方法研究 |
| 2.1 刀具磨损相关理论的研究及监测指标确定 |
| 2.1.1 刀具磨损原因 |
| 2.1.2 刀具磨损形态 |
| 2.1.3 刀具磨损过程 |
| 2.1.4 刀具磨钝标准及磨损量区间的设定 |
| 2.2 试验系统设计 |
| 2.2.1 监测信号的选择 |
| 2.2.2 信号采集试验平台搭建 |
| 2.3 试验方法研究 |
| 2.3.1 影响刀具耐用度的因素 |
| 2.3.2 正交试验设计 |
| 2.3.3 试验数据采集方法 |
| 2.4 因子的影响程度分析 |
| 2.5 本章小结 |
| 第三章 传感器信号分析与特征提取 |
| 3.1 信号的时域特征分析 |
| 3.1.1 振动信号时域分析 |
| 3.1.2 切削力信号时域分析 |
| 3.2 信号的频域特征分析 |
| 3.2.1 振动信号频域分析 |
| 3.2.2 切削力信号频域分析 |
| 3.3 信号的时频域分析 |
| 3.3.1 小波变换 |
| 3.3.2 小波基选择 |
| 3.3.3 振动信号特征提取 |
| 3.3.4 切削力信号特征提取 |
| 3.4 本章小结 |
| 第四章 刀具磨损状态监测智能识别 |
| 4.1 信息融合的系统结构 |
| 4.2 BP神经网络 |
| 4.2.1 BP网络结构 |
| 4.2.2 BP网络学习算法 |
| 4.2.3 学习率可变的BP训练算法 |
| 4.3 一种优化的贝叶斯算法 |
| 4.3.1 改进的贝叶斯算法 |
| 4.3.2 加入卡尔曼滤波器的优化融合算法 |
| 4.4 BP神经网络和优化贝叶斯算法相结合的刀具磨损状态监测 |
| 4.4.1 BP神经网络设计 |
| 4.4.2 基于BP神经网络的特征层融合 |
| 4.4.3 基于优化的贝叶斯算法的决策层融合 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（3）基于高频GNSS的桥梁变形监测研究（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 GNSS动态变形监测研究现状 |
| 1.2.1 高频GNSS用于桥梁监测 |
| 1.3 研究内容 |
| 1.4 研究路线 |
| 第2章 GNSS发展及误差来源 |
| 2.1 GNSS简介 |
| 2.1.1 GNSS现代化进程 |
| 2.2 GNSS定位方法 |
| 2.2.1 伪距观测方程 |
| 2.2.2 载波相位观测方程 |
| 2.2.3 差分观测方程 |
| 2.3 GNSS误差来源 |
| 2.3.1 与卫星有关的误差 |
| 2.3.2 与信号传播有关的误差 |
| 2.3.3 与接收机有关的误差 |
| 2.3.4 其他误差 |
| 2.4 多路径效应基本原理 |
| 2.4.1 多路径效应的影响幅值 |
| 2.4.2 多路径效应的影响周期 |
| 2.5 本章小结 |
| 第3章 基于Kalman滤波的高频GNSS动态数据处理与分析 |
| 3.1 标准卡尔曼滤波 |
| 3.2 高频GNSS测量高差变化模拟实验 |
| 3.2.1 实验方案、数据采集与预处理 |
| 3.2.2 GNSS单系统和双系统监测精度分析 |
| 3.3 本章小结 |
| 第4章 基于小波分析的高频GNSS桥梁监测数据处理与分析 |
| 4.1 傅里叶变换 |
| 4.2 小波分析 |
| 4.2.1 连续小波变换 |
| 4.2.2 离散小波变换 |
| 4.2.3 多尺度分析 |
| 4.3 基于小波分析的GNSS去噪原理 |
| 4.3.2 小波基函数的选取 |
| 4.4 高频GNSS桥梁监测实验与结果分析 |
| 4.4.1 金马湖大桥实验概述 |
| 4.4.2 加速度计识别桥梁频率 |
| 4.4.3 GNSS数据解算与预处理 |
| 4.4.4 GNSS桥梁动态监测精度分析 |
| 4.4.5 似静态成分分析 |
| 4.4.6 动态成分分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（4）基于盲信号处理的机械冲击型故障声学特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1.1 课题概述 |
| 1.2 特征提取技术概述 |
| 1.3 盲解卷积概述 |
| 1.3.1 盲解卷积定义 |
| 1.3.2 时域盲解卷积问题研究现状 |
| 1.4 机械声信号处理概述 |
| 1.5 本文研究的内容 |
| 2 ICA盲解卷积算法基础 |
| 2.1 卷积混合的基础模型 |
| 2.1.1 线性瞬时混合模型 |
| 2.1.2 卷积混合模型 |
| 2.1.3 基于ICA时域盲解卷积的基础假设 |
| 2.2 FastICA算法 |
| 2.3 RobustICA算法 |
| 2.4 EFICA算法 |
| 2.5 本章小结 |
| 3 基于两步法去噪的盲解卷积改进研究 |
| 3.1 一般噪声数学模型 |
| 3.2 卷积混合的噪声数学模型研究 |
| 3.3 卷积模型下的去噪方法选择分析 |
| 3.3.1 小波分解与重构法去噪 |
| 3.3.2 平移不变量小波法去噪 |
| 3.3.3 去噪方法分析与选择 |
| 3.4 针对强噪盲解卷积的两步去噪改进方法 |
| 3.4.1 卡尔曼滤波方法 |
| 3.4.2 基于两步法去噪优化的时域盲解卷积算法 |
| 3.5 本章小结 |
| 4 基于改进聚类算法的机械特征信号提取优化研究 |
| 4.1 分离空间特征提取方案分析 |
| 4.2 模糊聚类算法分析 |
| 4.2.1 FCM算法分析 |
| 4.2.2 Conditional FCM算法分析 |
| 4.2.3 KFCM算法分析 |
| 4.3 基于改进聚类算法TF_KFCM的机械特征信号提取算法研究 |
| 4.4 本章小结 |
| 5 实验仿真 |
| 5.1 冲击故障典型特征 |
| 5.2 两步去噪法实验仿真 |
| 5.3 EFICA与 RobustICA盲分离仿真实验 |
| 5.3.1 瞬时混合条件下的盲分离 |
| 5.3.2 盲解卷积仿真实验 |
| 5.4 TF_KFCM聚类仿真实验 |
| 5.5 EFICA与 TF_KFCM时域盲解长卷积实验 |
| 5.6 断齿故障特征提取实验 |
| 5.6.1 仿真实验 |
| 5.6.2 实际信号实验 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 A:机械故障时域指标(无量纲) |
| 附录 B:卡尔曼滤波公式推导 |
| 附录 C:白化 |
| 附录 D:FastICA优化求解 |
| 附录 E:FCM优化求解 |
| 作者在读研期间科研成果简介 |
| 致谢 |
（5）无人直升机故障诊断与容错控制系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断概述 |
| 1.2.2 容错控制概述 |
| 1.2.3 国内外研究现状总结 |
| 1.3 课题研究内容及结构安排 |
| 第2章 常规构型无人直升机动力学模型 |
| 2.1 无人直升机动力学模型分析 |
| 2.2 无人直升机简介与坐标系定义 |
| 2.2.1 常规构型无人直升机简介 |
| 2.2.2 运动坐标系定义 |
| 2.3 无人直升机动力学建模 |
| 2.3.1 主旋翼动力学建模 |
| 2.3.2 机身动力学建模 |
| 2.3.3 尾桨动力学建模 |
| 2.3.4 平尾动力学建模 |
| 2.3.5 垂尾动力学建模 |
| 2.3.6 无人直升机全动态非线性动力学建模 |
| 2.3.7 无人直升机全状态非线性动力学模型简化 |
| 2.3.8 无人直升机全状态线性动力学模型 |
| 2.4 无人直升机控制器设计 |
| 第3章 传感器故障诊断与容错控制算法设计 |
| 3.1 传感器及其故障分析 |
| 3.1.1 传感器基本配置与描述 |
| 3.1.2 传感器及其数学描述 |
| 3.1.3 传感器故障及其数学描述 |
| 3.2 传感器故障诊断算法设计 |
| 3.2.1 基于小波分析的故障诊断技术 |
| 3.2.2 基于多传感器综合分析的故障诊断技术 |
| 3.3 传感器容错控制算法设计 |
| 3.3.1 基于分布式数据融合的传感器容错控制 |
| 3.3.2 基于控制结构重构的传感器容错控制 |
| 3.4 传感器故障诊断与容错控制的仿真与实验验证 |
| 3.4.1 仿真试验平台搭建 |
| 3.4.2 故障诊断与容错控制的仿真验证 |
| 3.4.3 故障诊断与容错控制的实测数据验证 |
| 第4章 执行器故障诊断与容错控制算法设计 |
| 4.1 执行器故障建模 |
| 4.2 中心差分卡尔曼滤波(CDKF)算法 |
| 4.3 基于CDKF算法的执行器故障诊断与容错控制算法 |
| 4.4 基于CDKF的执行器故障诊断与容错控制有效性验证 |
| 4.4.1 仿真验证平台搭建 |
| 4.4.2 基于CDKF的故障诊断与容错控制 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）基于认知无线电的频谱感知与检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 认知无线电技术 |
| 1.2.1 认知无线电 |
| 1.2.2 认知无线电技术的应用 |
| 1.2.3 认知无线电技术的研究意义 |
| 1.2.4 认知无线电标准化进展 |
| 1.3 认知无线电网络 |
| 1.3.1 认知无线电网络概念 |
| 1.3.2 认知无线电网络研究现状 |
| 1.4 论文研究内容及创新 |
| 1.5 论文组织结构 |
| 1.6 本章参考文献 |
| 第二章 认知无线电频谱感知及基本理论 |
| 2.1 频谱检测 |
| 2.1.1 频谱检测概述 |
| 2.1.2 经典的频谱检测技术 |
| 2.2 协作频谱感知 |
| 2.2.1 协作频谱感知类型 |
| 2.2.2 常见认知无线电网络衰落信道模型 |
| 2.2.3 常见认知无线电网络协作分集技术 |
| 2.3 频谱检测面临的困难和问题 |
| 2.4 卡尔曼滤波、留数理论、信息熵和信息不增性原理 |
| 2.5 本章小结 |
| 2.6 参考文献 |
| 第三章 广义衰落信道多天线协作频谱检测技术研究 |
| 3.1 引言 |
| 3.2 广义衰落信道 |
| 3.3 k-μ衰落信道 |
| 3.3.1 k-μ衰落信道模型 |
| 3.3.2 k-μ衰落信道单天线频谱感知性能分析 |
| 3.3.3 MRC分集k-μ衰落信道下频谱感知性能分析 |
| 3.3.4 SLC分集k-μ衰落信道下频谱感知性能分析 |
| 3.4 k-μ衰落信道下频谱感知仿真结果和分析 |
| 3.5 η-μ衰落信道 |
| 3.5.1 η-μ衰落信道模型 |
| 3.5.2 EGC分集η-μ衰落信道下频谱感知性能分析 |
| 3.6 η-μ衰落信道下频谱感知仿真结果和分析 |
| 3.7 本章小结 |
| 3.8 参考文献 |
| 第四章 两步复合协作频谱感知与检测技术研究 |
| 4.1 引言 |
| 4.2 两步复合协作频谱感知系统模型和算法 |
| 4.2.1 软数据协作频谱感知系统模型 |
| 4.2.2 硬决定协作频谱感知系统模型 |
| 4.2.3 两步复合协作频谱感知算法 |
| 4.3 SLC软数据协作频谱感知 |
| 4.4 硬决定合并协作频谱感知 |
| 4.4.1 逻辑OR硬决定合并协作方案 |
| 4.4.2 逻辑AND硬决定合并协作方案 |
| 4.4.3 逻辑MAJORITY硬决定合并协作方案 |
| 4.5 Nakagami-m衰落信道下频谱感知数值结果与分析 |
| 4.6 k-μ衰落信道下的两步复合协作 |
| 4.6.1 k-μ衰落信道下MRC分集接收的两步复合协作 |
| 4.6.2 k-μ衰落信道下SLC分集接收的两步复合协作 |
| 4.7 k-μ衰落信道下频谱感知数值结果与分析 |
| 4.8 本章小结 |
| 4.9 参考文献 |
| 第五章 基于小波分析和压缩感知的非协作频谱检测技术研究 |
| 5.1 引言 |
| 5.2 小波变换、小波包变换和小波包熵 |
| 5.2.1 小波变换 |
| 5.2.2 小波包变换 |
| 5.2.3 小波包熵 |
| 5.3 小波熵频谱感知 |
| 5.3.1 小波熵 |
| 5.3.2 小波熵频谱感知 |
| 5.3.3 小波熵和小波包熵比较分析 |
| 5.3.4 小波熵和小波包熵复杂度分析 |
| 5.3.5 小波分析频谱感知性能比较 |
| 5.4 小波熵频谱感知数值结果与分析 |
| 5.4.1 数值分析参数 |
| 5.4.2 数值结果与分析 |
| 5.5 卡尔曼滤波稀疏阶估计 |
| 5.5.1 稀疏阶估计向量模型 |
| 5.5.1.1 单测量向量模型 |
| 5.5.1.2 多测量向量模型 |
| 5.5.2 卡尔曼滤波稀疏阶估计 |
| 5.5.2.1 单测量向量稀疏阶估计 |
| 5.5.2.2 多测量向量稀疏阶估计 |
| 5.5.2.3 稀疏信号稀疏阶估计意义 |
| 5.6 稀疏信号稀疏阶估计数值结果和分析 |
| 5.7 本章小结 |
| 5.8 参考文献 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
（7）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（8）基于人工侧线的机器鱼障碍物感知及避障研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 前言 |
| 1.2 机器鱼感知研究现状 |
| 1.3 人工侧线系统研究现状 |
| 1.4 本文工作 |
| 第2章 人工侧线系统设计 |
| 2.1 人工侧线系统概念 |
| 2.2 原人工侧线系统存在的问题 |
| 2.3 人工侧线系统硬件设计 |
| 2.3.1 人工侧线系统设计要求 |
| 2.3.2 压强传感器介绍 |
| 2.3.3 基于IIC复用芯片的设计方案 |
| 2.3.4 基于GPIO多路模拟IIC的设计方案 |
| 2.3.5 基于CAN总线的设计方案 |
| 2.4 人工侧线系统软件设计 |
| 2.4.1 Slave程序设计 |
| 2.4.2 Master程序设计 |
| 2.5 本章小结 |
| 第3章 仿箱鲀机器鱼电气系统设计 |
| 3.1 仿箱鲀机器鱼介绍 |
| 3.2 电气系统框架设计 |
| 3.3 感知单元设计 |
| 3.4 控制单元设计 |
| 3.5 逻辑单元设计 |
| 3.6 各单元通信协议 |
| 3.7 上位机设计 |
| 3.8 电气系统组装 |
| 3.9 本章小结 |
| 第4章 障碍物感知实验以及避障设计 |
| 4.1 实验平台介绍 |
| 4.2 实验过程 |
| 4.3 实验数据分析 |
| 4.3.1 数据预处理 |
| 4.3.2 频谱分析 |
| 4.3.3 带通滤波 |
| 4.3.4 小波包络分析 |
| 4.3.5 障碍物感知强度分析 |
| 4.3.6 障碍物感知方向分析 |
| 4.3.7 障碍物感知理论分析 |
| 4.4 避障算法设计 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
（9）手术机器人前端控制器噪声检测及抑制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景 |
| 1.2 手术机器人的国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 手术机器人的应用现状和研究意义 |
| 1.4 手术机器人前端信号噪声的国内外研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 主要研究内容 |
| 1.6 本章小结 |
| 第二章 前端控制器仿真信号的构建与信号预处理 |
| 2.1 小波变换的概述 |
| 2.2 小波变换在前端控制器仿真信号预处理中的应用 |
| 2.3 本章小结 |
| 第三章 自适应滤波在前端控制器噪声抑制中的理论研究 |
| 3.1 自适应滤波的原理 |
| 3.2 自适应滤波在前端控制器仿真信号噪声抑制中的应用 |
| 3.3 本章小结 |
| 第四章 卡尔曼滤波在前端控制器噪声抑制中的理论研究 |
| 4.1 .时间序列建模 |
| 4.1.1 平稳时间序列的建模方法 |
| 4.1.2 平稳时间序列的建模过程 |
| 4.2 状态空间转换 |
| 4.3 卡尔曼滤波 |
| 4.4 卡尔曼滤波器在前端控制器仿真信号噪声抑制中的应用 |
| 4.5 本章小结 |
| 第五章 实验系统的噪声检测与数据预处理 |
| 5.1 实验系统前端控制器信号的采集及噪声检测 |
| 5.2 实验系统前端控制器噪声信号的预处理 |
| 5.2.1 实验系统前端控制器信号的平稳性分析 |
| 5.2.2 小波滤波在实验系统前端控制器噪声抑制中的实现 |
| 5.3 本章小结 |
| 第六章 实验系统前端控制器噪声的抑制方法应用研究 |
| 6.1 自适应滤波器在实验系统前端控制器噪声抑制中的应用 |
| 6.2 卡尔曼滤波器在实验系统前端控制器噪声抑制中的应用 |
| 6.2.1 ARMA(4,2)模型的建立 |
| 6.2.2 卡尔曼滤波模型的建立 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（10）平抑风电波动的混合储能系统控制策略及容量优化配置研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外风电并网功率波动标准 |
| 1.2.2 国内外储能技术发展现状 |
| 1.2.3 混合储能系统拓扑及能量管理策略 |
| 1.2.4 平抑风电波动的储能系统控制策略 |
| 1.2.5 平抑风电波动的储能系统容量配置方法 |
| 1.3 现有研究存在的问题 |
| 1.4 本文的研究内容与章节安排 |
| 第二章 混合储能平抑风电波动自适应控制方法 |
| 2.1 风电出力特性及频谱分析 |
| 2.2 风电功率自适应小波包分解方法 |
| 2.2.1 小波包分解原理 |
| 2.2.2 风电并网波动标准 |
| 2.2.3 自适应小波包分解 |
| 2.3 混合储能系统功率指令两级分配方法 |
| 2.3.1 基于混合储能响应特性的初级功率分配 |
| 2.3.2 基于SOC模糊控制的次级功率指令优化 |
| 2.4 算例分析 |
| 2.4.1 不同场景自适应分解效果对比 |
| 2.4.2 小波包分解层数最优性验证 |
| 2.4.3 风电平抑效果分析 |
| 2.4.4 模糊优化控制效果分析 |
| 2.5 本章小结 |
| 第三章 考虑响应时延的风电波动平抑实时控制策略 |
| 3.1 混合储能系统控制时延分析 |
| 3.2 参数模糊优化的卡尔曼滤波平抑算法 |
| 3.2.1 卡尔曼滤波基本原理 |
| 3.2.2 平抑风电波动的卡尔曼滤波算法 |
| 3.3 基于模型预测控制的混合储能功率指令分配 |
| 3.3.1 模型预测控制基本原理 |
| 3.3.2 基于模型预测控制的功率指令分配 |
| 3.4 算例分析 |
| 3.4.1 控制过程实时性分析 |
| 3.4.2 卡尔曼滤波效果对比 |
| 3.4.3 卡尔曼滤波参数模糊控制效果 |
| 3.4.4 模型预测控制效果分析 |
| 3.5 本章小结 |
| 第四章 考虑电池循环寿命的混合储能容量优化配置 |
| 4.1 电池储能寿命量化模型 |
| 4.1.1 电池寿命量化常见计算模型 |
| 4.1.2 电池放电深度统计方法 |
| 4.1.3 适用于成本核算的电池寿命量化模型 |
| 4.2 平抑风电波动的储能系统成本建模 |
| 4.2.1 蓄电池储能系统容量配置模型 |
| 4.2.2 超级电容储能系统容量配置模型 |
| 4.2.3 混合储能系统容量配置模型 |
| 4.3 算例分析 |
| 4.3.1 电池储能寿命量化模型效果及对配置结果影响 |
| 4.3.2 混合储能功率指令最优分界点的确定 |
| 4.3.3 不同储能容量配置方案对比 |
| 4.4 本章小结 |
| 第五章 基于云模型和k-means聚类的混合储能容量优化配置 |
| 5.1 聚类分析算法 |
| 5.1.1 基本原理 |
| 5.1.2 常用算法对比 |
| 5.2 云模型理论 |
| 5.2.1 基本原理 |
| 5.2.2 储能运行曲线的云变换分析 |
| 5.3 储能典型运行曲线分析算法 |
| 5.4 算例分析 |
| 5.4.1 电池储能配置方案对比 |
| 5.4.2 聚类稳定性分析 |
| 5.4.3 聚类数目合理性分析 |
| 5.4.4 混合储能配置方案对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
四、基于频谱与小波分析的卡尔曼滤波器监控技术（论文参考文献）
- [1]多通道EEG信号去噪算法的研究[D]. 王宏旭. 长春理工大学, 2020(01)
- [2]多传感器信息融合在刀具磨损在线监测中的应用研究[D]. 李悦. 太原科技大学, 2020(03)
- [3]基于高频GNSS的桥梁变形监测研究[D]. 朱庆旭. 西南交通大学, 2020(07)
- [4]基于盲信号处理的机械冲击型故障声学特征提取方法研究[D]. 肖遥. 西华大学, 2020(01)
- [5]无人直升机故障诊断与容错控制系统设计与实现[D]. 郝文凯. 天津大学, 2019(01)
- [6]基于认知无线电的频谱感知与检测技术研究[D]. 初广前. 北京邮电大学, 2019(01)
- [7]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [8]基于人工侧线的机器鱼障碍物感知及避障研究[D]. 何虹江. 中国地质大学(北京), 2019(02)
- [9]手术机器人前端控制器噪声检测及抑制方法研究[D]. 徐楠. 上海工程技术大学, 2019(06)
- [10]平抑风电波动的混合储能系统控制策略及容量优化配置研究[D]. 吴杰. 合肥工业大学, 2019