一、多传感器单模型多尺度平滑融合估计（论文文献综述）
杜丽[1]（2021）在《面向自动驾驶的场景理解关键技术研究》文中认为随着人类社会的信息化程度逐渐提高,人工智能作为下一代信息技术的核心受到了广泛重视。作为人工智能技术在汽车行业和交通领域的延伸与应用,自动驾驶近年来在学术和工业界都受到了密切的关注。自动驾驶车辆是一个基于计算机、传感器、现代通信、人工智能和自动控制等高新技术,集环境感知、决策规划和多级辅助驾驶等功能为一体的综合系统。研究者们提出了使用成本较低的摄像头完成更多环境感知任务的方案。因此,在当前基于计算机视觉技术的自动驾驶研究中,广泛采用了由感知、规划、决策和控制模块组成的数据驱动的计算框架,且已逐步延伸到开放的交通场景,并通过构建符合驾驶员脑认知过程中注意力、推理、学习和决策机制的基本计算框架,建立功能较完善的、受生物智能启发的自主智能系统。本文针对基于计算机视觉的自动驾驶场景理解涉及的几个关键性技术进行了研究,将实现自动驾驶功能的方法总结为基于规则、端到端学习、直接感知、未来帧预测和脑启发式认知模型五种典型范式。以上述五种范式为基础,本文从路域环境中车辆运动状态的分析出发,逐步深入到整体场景的分析与理解,完成驾驶场景中多目标行为分析的研究。最后,将数据驱动的方式与脑启发认知范式方法相结合,探索视频数据与脑认知数据之间的联系。本文的主要研究内容及创新点包括:1.提出了图像帧级和事件级两种端到端学习的深度神经网络模型,对车辆行驶状态进行分类,采集并标注了真实驾驶环境车辆行驶视频图像数据集,对所提两种方法处理实时视频多类事件检测任务的有效性进行了验证,为该课题未来的研究方向奠定了数据和基准方法的基础;2.以人脑感知预测生理机制与基于深度学习的视频序列预测相关经验为基础,分别提出了模拟人脑逐层信息反馈的多任务联合预测方法和模拟人脑凭借记忆进行预测的未来帧预测方法,完成了对驾驶场景视频图像未来帧及其对应的方向盘角度的预测;3.提出了一种基于视觉交互的分阶段学习的双流架构,通过对图像序列空时信息进行自动分析与反馈,提取类光流信息,自适应地对驾驶场景中多目标的未来状态信息（位置和速度）进行预测。在公开数据集UDACITY上的实验结果表明,所提方法能够在真实的驾驶场景中有效预测目标物体的状态信息;4.提出了一种将单通道脑电信息转换为反映驾驶者注意力集中强度的二维注意力掩模特征图的方法,构建了端到端学习的深度神经网络模型从脑电信号和对应视频数据中提取驾驶员注意力信息,在自建数据集上的实验对视觉表示信息与其诱导产生的脑电信号之间的关联性进行了验证,结果表明增加脑电信号后的预测模型得到的视觉显着性特征图与人眼注意力显着区域结构更为接近,特征分布更具合理性和可解释性。
刘娟花[2]（2019）在《多尺度数据融合算法及其应用研究》文中研究说明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。
王昱淇[3]（2018）在《基于多尺度理论的水下导航系统信息融合》文中研究说明水下导航技术是智能水下机器人研究的核心课题。高精度水下导航系统是AUV的关键技术。本文首先对导航系统信息融合的数据融合模型、坐标系空间配准、目标运动模型选择与导航滤波算法等方面做了详细介绍;在小波变换理论与多尺度系统理论的基础上,研究了一类多尺度卡尔曼滤波算法的滤波性能,并针对该算法进行仿真实验分析,提出了改进思路;针对导航系统的非线性滤波问题,提出了基于集合卡尔曼思想的多尺度集合卡尔曼滤波算法以及基于切法向速度模型的多尺度无迹卡尔曼滤波算法。本论文具体研究内容包括以下四个方面:描述了目前制约水下组合导航技术发展的关键问题以及多尺度分析方法解决动态系统估计的特色;在小波变换与信号多尺度表示基础上,探讨构建多尺度系统中的尺度变量选择方法、内部模型和外部模型的实现方法,研究AUV水下组合导航系统的MKF滤波估计算法,通过分析粗细尺度间转换算法与噪声的内在关系,探讨了MKF滤波算法的滤波性能,并提出改进方案;从导航系统的多尺度特性出发,分析水下导航系统数据融合领域的非线性滤波估计方法和信息融合策略,主提出了基于集合卡尔曼思想的多尺度集合卡尔曼滤波算法以及基于切法向速度模型的多尺度无迹卡尔曼滤波算法,并通过仿真计算加以验证;针对多级式导航系统信息融合结构,提出了一种基于多尺度理论的辅助导航信息融合方法,通过仿真验证对该算法有效性进行分析。
郭博[4]（2014）在《船舶位置参考系统异步信息融合方法研究》文中研究表明在现代船舶动力定位系统中,为了提高船舶位置信息的准确性与可靠性,位置参考系统都进行了冗余配置。冗余配置的同类和异类位置参考系统可以提供大量的船舶运动信息,如何充分利用冗余信息、确保所得信息的准确性和可靠性是动力定位系统需要解决的核心问题。本论文针对冗余配置的位置参考系统展开研究,将位置参考系统信息融合分为同步信息融合和异步信息融合,建立了位置参考系统的同步、异步信息融合结构与融合算法,从而改善DP系统的性能。本文根据船舶运动学和动力定位船舶的运动特点,建立动力定位船舶的运动学模型;分析动力定位位置参考系统的测量定位原理,建立位置参考系统的测量模型,为论文的后续研究提供必要条件。结合多传感器信息融合结构,本文将位置参考系统信息融合分为两部分:测量数据处理和融合算法,其中测量数据处理包括测量信息空间配准,数据质量检测和滤波。由于各位置参考系统测量数据质量检测与其故障检测具有一致性,因此建立位置参考系统的故障检测算法对其测量数据质量和故障进行检测,所建立的故障检测算法包括突变型故障检测方法和渐变型故障检测方法;选择无迹卡尔曼滤波对各子系统的测量信息进行滤波,实现船舶位置的状态估计。在实际应用中,一般采取两种方法融合异步采样信息,一是时间配准,二是利用表决逻辑,这两种方法都存在着不足,如时间配准的实时性差、当系统存在共模故障时表决方法是失败的等,这些都会制约DP系统的融合精度。为此,本文将位置参考系统信息融合算法分为同步融合算法和异步融合算法,研究了同步多传感器信息最优分布式估计融合算法;针对异步采样信息提出了一种基于尺度的异步信息融合算法,使整个系统的工作建立在不同尺度上,突破了单一尺度系统的限制,实现了异步采样信息的直接融合,克服了利用时间配准进行同步化存在的不足,提高了异步多传感器信息的融合性能。根据船舶动力定位测量系统高精度、高可靠性及动态自适应重构的要求,结合所建立的故障检测算法和多传感器同步、异步信息融合算法,研究建立了动力定位位置参考系统同步、异步信息的融合结构和融合算法,组成了新的动力定位系统多传感器信息融合体系。通过仿真验证了所建位置参考系统异步信息融合结构与融合算法的有效性。
徐树生[5]（2013）在《船舶动力定位系统多传感器信息融合方法研究》文中认为随着动力定位技术和测控理论的发展，现代船舶动力定位系统配备了船舶位置、姿态及环境测量等多种传感器，构成一个多传感器测量系统。信息融合技术是解决多源信息综合处理问题的强有力手段，通过多传感器信息的最优融合，能够有效地提高动力定位测量系统的精度和可靠性。本论文旨在研究信息融合理论在动力定位系统中的应用。在船舶动力定位多传感器融合系统中，船舶运动模型、传感器测量模型及滤波算法是船舶运动状态最优滤波的基础，直接影响着滤波精度、滤波算法的稳定性及实用性，传感器的故障检测与容错是多传感器融合系统可靠性和有效性的有力保证，融合算法决定了融合系统的精度，因此，本论文从上述几个方面对船舶动力定位多传感器信息融合的方法进行研究，论文的主要工作有：分析了动力定位船的运动特性和动力定位系统各位置参考系统的测量机理，提出动力定位船的连续白噪声加速度运动模型，并在北东坐标系下建立船舶位置参考系统的线性测量模型。研究了传感器突变型故障检测与容错算法，根据传感器的不同故障状态设定多个阈值，使得该算法同时检测传感器的突变型故障、测量信号冻结故障和测量野值。针对动力定位系统利用表决或中位数法检测传感器漂移性故障的局限性，利用多传感器的融合信息递推子系统的滤波残差，改进残差故障检测法，建立了基于多传感器信息融合的传感器渐变型故障检测与容错算法。对于位置参考系统测量噪声统计特性可能存在的不准确性问题，提出一种自适应平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter, SRCKF）算法，根据新息协方差匹配原理计算自适应系数，实时地调整测量噪声协方差矩阵。针对动力定位船系统模型可能存在的不确定性问题及强跟踪滤波器的理论局限性，推导出强跟踪滤波器中渐消因子的等价计算方法，将SRCKF和自适应SRCKF与强跟踪滤波的理论框架相结合，构成强跟踪SRCKF和强跟踪自适应SRCKF两种算法。针对动力定位系统利用时间配准技术处理异步信息存在的问题，将不同尺度上的测量模型及测量值利用小波分解统一变换到某一尺度上，然后在该尺度上进行同步多传感器的融合，实现异步多传感器多尺度最优融合估计；将系统最细尺度上的状态估计信息通过小波分解反馈给其他各尺度，再把各尺度上的状态估计结果向最细尺度进行小波重构，最后在最细尺度上进行同步信息的融合，实现异步多传感器最优分布式融合估计。根据冗余动力定位系统的实际需求，设计同步、异步位置参考系统融合结构及同步姿态测量系统的融合结构，由此构成船舶动力定位系统多传感器信息融合的体系，利用本单位研制的船舶半实物仿真系统，对所建动力定位船运动模型、传感器测量模型、同步位置参考系统及同步姿态测量系统的融合结构与相应的算法进行仿真验证。
张宇林[6]（2009）在《计算智能在土壤数据融合中的应用研究》文中研究指明多传感器数据融合技术首先是从军事领域发展起来的,并且己经发展成为一个新的学科方向和研究领域。本文介绍了数据融合系统的基本理论、发展及研究现状,研究了数据融合中的不确定方法,结合在研的国家“863”重大项目——车载农田土壤信息快速采集关键技术与产品研发,构建土壤参数融合模型,在智能计算理论的基础上,对多传感器数据融合算法提出了新的思路,并进行了深入的研究。对基于神经网络与信任度函数的多传感器数据融合算法进行了研究,构造信任度函数矩阵,采用该矩阵度量各传感器测得数据之间的综合信任程度,合理分配测得数据在融合过程中的权重,作为BP神经网络的输入,经过训练好的网络,取得良好的融合效果,以削弱白噪声对测量精度的影响。提出了两种基于粒子群优化算法（PSO）的传感器融合方法。一种方法是对粒子群优化算法中的固定惯性权重进行改进,分析了惯性权值因子在粒子群优化算法中的作用,在现有线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性的运用到多传感器数据融合的领域,运用该算法对加权因子进行调整,得到良好的融合效果。另一种是基于量子空间的粒子群算法（QDPSO）和BP神经网络的多传感器融合算法,经过QDPSO训练的BP神经网络具有较好的稳定性和收敛性,将其运用于多传感器数据融合中,通过仿真取得了比常规算法更高的精度,是一种较有潜力的融合算法。研究小波变换的特性,提出了基于小波包变换的多分辨率多传感器信息融合模型。利用小波变换的理论,研究小波在像素级、特征级融合中的新算法。根据已经建立好的土壤信息融合模型,结合测量得到的各种农田参数,将研究的融合算法运用于具体的数据处理中,对土壤含水率、电导率等参数进行实际分析,从海量传感器信息中,提取有价值的农作物生物物理和生物化学参数,以指导实地农业生产和管理,从而提高农作物的产量和质量,为进一步实现精准农业提供理论依据和实践参考。
蒲爱香[7]（2009）在《基于动态多尺度的火箭飞行数据模糊Kalman融合》文中指出随着测控技术的发展,航天测量系统拥有众多的跟踪设备,通过各种类型的传感器采集数据,已经构成了一个多传感器跟踪系统。信息融合方法是解决多传感器信息综合处理问题强有力的手段。多传感器信息融合是对多源信息进行处理的理论、技术和方法的一门综合性学科,通过对多个或多种传感器提供信息进行融合,减少了观测信息的不确定性和模糊性,提高了对目标的检测、跟踪定位和识别能力,增强系统的可靠性和生存能力。本论文旨在研究信息融合在航天测控系统火箭飞行数据中的应用。本文在深入分析国内外信息融合理论和我国外测数据处理的相关理论与技术文献的基础上,归纳总结了该领域的主要内容与关键技术,详尽论述了外测数据融合的研究现状,存在问题与发展方向。系统地研究了数据融合中的动态多尺度理论及模糊Kalman滤波估计在多分辨率传感器数据融合中的应用。对此,主要内容如下:①分析了火箭飞行数据的特征,根据广义回归神经网络（generalized regression neural network,GRNN）解决函数逼近问题的特点,针对动态多尺度建模的需要,对原始数据进行拟合实现时间对准,并采用Matlab进行仿真。结果表明:该拟合曲线精度较高,网络学习速度快,曲线较为光滑。②研究了基于Haar小波的动态多尺度算法原理,根据算法较低的计算复杂度和较高的实时性,将其应用到多传感器火箭飞行数据的融合问题中,解决了从不同观测源获得的不同分辨率、不同精度甚至不同类型的数据进行有效实时融合处理问题,实现对系统状态的最优估计。为解决实际应用问题,设计尺度间的投影算子,并进行仿真。结果表明通过多尺度融合的系统误差较小,并且容易达到较高的精度。③研究了模糊Kalman滤波估计的基本原理,针对传统的动态多尺度基于标准Kalman估计容易出现的发散的问题,引入了优化策略,采用模糊控制规则,设计了动态多尺度系统Kalman滤波估计的模糊控制器,根据信息的方差和均值变化自适应调整观测噪声权值矩阵,并进行仿真。结果表明通过基于动态多尺度的模糊Kalman融合的系统误差较小,并且容易达到较高的精度,并实现了参数的在线调整,有效地防止了滤波发散。
于春晓[8]（2007）在《带乘性噪声系统多尺度状态平滑及基于量测预处理的滤波算法研究》文中指出带乘性噪声系统在石油地震勘探、水下目标探测和跟踪等问题中都有重要应用,其最优估计算法研究已有了很大进展。本文进一步研究带乘性噪声系统状态在多尺度观测下的最优固定域平滑估计问题,以及利用小波去噪进行量测预处理的滤波问题。经典线性随机系统的状态估计研究已经发展到针对多传感器观测下的多尺度（多采样率）的复杂情况,但带乘性噪声系统的相关研究尚不够深入。本文利用小波变换和多尺度分析的思想,在带乘性噪声系统的多尺度最优滤波融合的基础上,进一步研究了其线性最小方差意义下的状态最优固定域平滑算法。带乘性噪声系统的最优滤波同经典滤波一样,本质上需要最大限度地利用量测信息,然而在实际工程应用中,当假设量测是在某一分辨级上获得时,量测信息往往被噪声严重干扰,如何有效地抑制量测噪声是提高滤波精度和可靠性的关键。本文将小波阈值去噪方法与带乘性噪声系统滤波方法相结合,提出了一种基于量测预处理的带乘性噪声系统最优滤波算法。本文的主要工作如下:第一,针对不同尺度多传感器带乘性噪声系统,在多尺度分布式最优滤波融合的基础上,研究了其线性最小方差意义下的状态最优固定域平滑算法。提出了不需要利用滤波融合后局部参数而仅使用一步预测及滤波值的简化最优固定域平滑算法。第二,对进入带乘性噪声系统滤波的量测信息利用小波阈值方法进行了去噪处理,从而降低了量测信息中噪声对滤波的影响,提高了滤波精度。第三,进行了仿真研究,通过实例验证了上述各算法的有效性。
文传博[9]（2007）在《多率系统多尺度融合及不确定系统稳定性分析》文中指出在多速率信号处理当中,往往要求有多个传感器同时在不同尺度上对研究的现象或过程进行观测。怎样将不同类型、不同尺度上的传感器获得的信息进行有效的综合是目前普遍关注的工作,其中多尺度分析和多尺度建模是其中的一个重要研究方向。随着多尺度系统理论的不断发展,将小波分析理论与Kalman滤波技术结合起来,并将它有效地用到对多速率动态系统的研究和应用当中也已受到相关领域科研技术工作者的关注。利用Kalman滤波的实时性以及小波变换的多分辨率分析能力可以在不同尺度上得到所研究对象的统计特性,由此可以推导出该对象的多尺度表示方法,进而获得高效、并行的迭代算法。实现上述目标的关键是要建立正确的多尺度动态模型,并且找出有效的数据融合算法,它是获取具有多尺度特征的数据分析和信号处理问题的重要方式。本文利用新的分块技术与多尺度变换方法,建立一个动态系统基于时域与频域相结合的多尺度联合滤波器。本文主要是针对单传感器单模型以及多传感器（包括同步、采样率成任意整数倍关系）单模型的情形分别给出了递归的多尺度融合算法。在单传感器情况下,首先将时域中描述的状态方程和观测方程分别改写为块状态方程和块观测方程的;然后,利用多尺度变换技术对系统进行多尺度建模;最后,类似与经典Kalman滤波的估计步骤,利用新得到的状态方程与测量方程对状态进行估计。在多传感器情况下的多尺度估计与单传感器情形下的不同之处在于更新时的不同,其利用了序贯滤波的思想,建立了应用于动态系统的多尺度估计联合滤波器。这些混合滤波器均是实时的、递归的。本文研究的另外一部分内容是利用估计误差协方差的限制问题来处理一类带有测量丢失以及时间延迟的离散随机系统。所研究系统的状态矩阵中同样存在不确定性,而带有丢失的测量用满足贝努利分布的二值序列来刻画。解决这类系统的关键是线性滤波器的设计问题,它需要能够使得在所有可允许参数不确定情况下,随机系统的误差状态是均方有界的,并且每个状态的估计误差方差分别小于给定的值。在对系统的求解过程中,系统的稳定性问题部分可以转化为代数矩阵不等式以及二次矩阵不等式的求解问题,通过解方程得到所研究系统稳定的一个充分条件。
闫莉萍[10]（2006）在《多速率传感器状态融合估计及多分辨率图像融合算法研究》文中研究说明信息融合技术具有可以提高系统的可靠性和稳定性、扩大空间和时间覆盖范围与改善尺度等优点,因而,在众多的军事和非军事领域都存在着非常广泛的应用。状态融合估计和图像融合是其中两个研究热点,本文的研究工作也主要在这两方面展开。在状态融合估计方面,针对多速率传感器同步采样的时变线性动态系统、多速率传感器异步时不变和时变线性动态系统,分别提出了不同的状态融合估计算法。对多传感器同步采样系统,采用分块,无反馈分布式,以及有反馈分布式结构等方法,分别对最高采样率下的状态进行了有效的估计;对时不变异步采样多传感器系统,采用多尺度建模、尺度递归分层融合的策略,得到了方差的迹最小意义下状态的线性无偏最优估计;而对于多速率时变异步采样的多传感器数据融合问题,则通过状态和观测的分块与扩维,将其在形式上转化为单速率同步多传感器观测系统,进而运用Kalman滤波和分布式融合结构得出方差最小意义下状态的最优估计。通过具体应用实例,仿真验证了所提出算法的有效性。在图像融合方面,分别研究了多传感器多分辨率图像融合算法以及图像融合结果的性能评估问题。在算法方面,给出了问题的数学描述,采用二维多尺度Kalman滤波的方法融合具有不同分辨率的观测图像;对上述融合图像依据其熵的大小进行加权融合并进行边缘修正,最终将不同传感器观测的具有不同分辨率的图像进行了有机融合。通过多组图像融合的实验,验证了算法的有效性,并利用多种性能评价指标对其进行了分析。图像的性能评估是图像融合领域的研究难点之一。从信息论的角度和人的视觉感应系统原理出发,本文依次提出了综合熵、归一化互信息熵和归一化视觉感应信息熵等性能评价指标。实验结果表明,由于归一化视觉感应信息熵兼顾了信息的充分转移和人的视觉感应原理,因此,在图像的性能评估方面具有独特的优势。
二、多传感器单模型多尺度平滑融合估计（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、多传感器单模型多尺度平滑融合估计（论文提纲范文）
（1）面向自动驾驶的场景理解关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基于计算机视觉的自动驾驶系统功能实现方法 |
| 1.2.1 基于规则的感知范式 |
| 1.2.2 端到端的学习范式 |
| 1.2.3 直接感知范式 |
| 1.2.4 未来帧预测范式 |
| 1.2.5 脑启发认知范式 |
| 1.3 论文的研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文的组织结构及章节安排 |
| 第二章 基于深度网络的车辆行驶状态分类 |
| 2.1 Campus20数据集 |
| 2.2 图像帧级的车辆行驶状态分类 |
| 2.2.1 模型结构及学习过程 |
| 2.2.2 基于局部平衡策略的数据重排 |
| 2.2.3 重加权数据平衡方法 |
| 2.2.4 小结 |
| 2.3 事件级的车辆行驶状态预测 |
| 2.3.1 事件级车辆行驶状态预测网络 |
| 2.3.2 实验结果与分析 |
| 2.4 本章小结 |
| 第三章 驾驶场景下的未来信息预测 |
| 3.1 引言 |
| 3.2 端到端学习的未来帧预测 |
| 3.2.1 模型结构及学习方法 |
| 3.2.2 实验结果与分析 |
| 3.3 双模态未来信息预测 |
| 3.3.1 问题定义及模型结构 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于自适应视觉交互的多目标未来状态预测 |
| 4.1 目标任务 |
| 4.2 多目标未来状态预测网络 |
| 4.2.1 双流预测模型架构 |
| 4.2.2 自适应视觉交互多目标未来状态预测网络 |
| 4.3 实验结果与分析 |
| 4.3.1 目标检测验证 |
| 4.3.2 基于反馈机制的动态信息生成 |
| 4.3.3 在线状态预测 |
| 4.4 本章小结 |
| 第五章 驾驶场景视觉注意力区域预测 |
| 5.1 引言 |
| 5.2 脑电数据采集 |
| 5.3 基于视觉注意的脑电特征提取 |
| 5.4 FocusNet模型 |
| 5.4.1 基于空间特征学习的选择性注意机制 |
| 5.4.2 基于双向空时特征学习的直觉推理过程 |
| 5.4.3 算法模型学习 |
| 5.5 实验结果与分析 |
| 5.5.1 基于视频图像的FOA区域检测 |
| 5.5.2 基于双模态数据的FOA区域检测 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）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 |
（3）基于多尺度理论的水下导航系统信息融合（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 水下导航系统发展现状 |
| 1.2.1 国外水下组合导航系统研究现状 |
| 1.2.2 国内水下组合导航系统研究现状 |
| 1.2.3 导航数据滤波算法研究现状 |
| 1.3 多尺度系统理论研究现状 |
| 1.4 本论文主要工作及组织结构 |
| 第2章 水下导航系统数据融合结构与算法研究 |
| 2.1 引言 |
| 2.2 导航系统数据融合模型 |
| 2.2.1 数据融合功能模型 |
| 2.2.2 数据融合结构模型 |
| 2.3 坐标系定义及转换 |
| 2.3.1 导航坐标系定义 |
| 2.3.2 坐标系转换 |
| 2.4 目标运动模型设计 |
| 2.4.1 AUV基本模型的状态方程 |
| 2.4.2 AUV运动规律分析 |
| 2.4.3 AUV运动模型设计 |
| 2.5 常用组合导航系统滤波算法 |
| 2.5.1 扩展卡尔曼滤波算法 |
| 2.5.2 无迹卡尔曼滤波算法 |
| 2.5.3 强跟踪滤波算法 |
| 2.5.4 仿真计算及分析 |
| 2.6 本章小结 |
| 第3章 水下导航系统的多尺度分析方法 |
| 3.1 小波变换理论 |
| 3.1.1 离散小波变换 |
| 3.1.2 构造正交小波基 |
| 3.1.3 小波方差 |
| 3.1.4 Haar小波函数 |
| 3.2 多尺度分析方法 |
| 3.2.1 信号的多尺度分解与重构 |
| 3.2.2 系统状态方程的多尺度时间更新 |
| 3.2.3 系统量测方程的多尺度时间更新 |
| 3.3 基于小波变换的MKF算法 |
| 3.3.1 MKF滤波算法原理 |
| 3.3.2 MKF算法仿真结果分析 |
| 3.4 基于小波变换的MKF算法改进分析 |
| 3.5 本章小结 |
| 第4章 多尺度理论在水下导航系统信息融合应用 |
| 4.1 基于多尺度理论的ENKF滤波方法研究 |
| 4.1.1 集合卡尔曼思想 |
| 4.1.2 MENKF算法 |
| 4.1.3 仿真分析 |
| 4.2 基于切法向速度模型的MUKF滤波估计方法 |
| 4.2.1 切法向速度模型 |
| 4.2.2 改进MUKF算法 |
| 4.2.3 仿真分析 |
| 4.3 辅助导航信息融合算法 |
| 4.3.1 辅助导航信息融合策略 |
| 4.3.2 仿真分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）船舶位置参考系统异步信息融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 动力定位系统概述 |
| 1.3 多传感器信息融合技术概述 |
| 1.3.1 多传感器信息融合的概念 |
| 1.3.2 多传感器信息融合结构 |
| 1.3.3 多传感器信息融合方法 |
| 1.4 信息融合技术在动力定位中的应用 |
| 1.5 论文主要研究内容 |
| 第2章 船舶模型及位置参考系统模型建立 |
| 2.1 船舶运动坐标系 |
| 2.1.1 惯性坐标系 |
| 2.1.2 运动坐标系 |
| 2.1.3 两坐标系的转化 |
| 2.2 船舶运动模型 |
| 2.3 船舶运动模型仿真 |
| 2.4 位置参考系统测量模型 |
| 2.4.1 DGPS位置参考系统测量模型建立及仿真验证 |
| 2.4.2 水声位置参考系统测量模型建立及仿真验证 |
| 2.4.3 张紧锁位置参考系统测量模型建立及仿真验证 |
| 2.5 本章小结 |
| 第3章 船舶位置参考系统测量数据处理 |
| 3.1 问题分析 |
| 3.2 空间配准 |
| 3.3 数据质量检测 |
| 3.3.1 突变型故障检测方法 |
| 3.3.2 突变型故障检测方法仿真分析 |
| 3.3.3 渐变型故障检测方法 |
| 3.3.4 渐变型故障检测方法仿真分析 |
| 3.4 无迹卡尔曼滤波算法 |
| 3.4.1 UT变换 |
| 3.4.2 UKF算法 |
| 3.4.3 无迹卡尔曼滤波算法仿真验证 |
| 3.5 本章小结 |
| 第4章 船舶位置参考系统异步信息融合算法研究 |
| 4.1 异步多传感器信息融合概述 |
| 4.1.1 异步多传感器信息融合 |
| 4.1.2 多尺度估计理论 |
| 4.1.3 小波变换理论 |
| 4.2 同步多传感器分布式状态融合估计 |
| 4.2.1 全局信息不反馈最优分布式估计融合算法 |
| 4.2.2 全局信息反馈最优分布式估计融合算法 |
| 4.3 基于小波分析的异步多传感器信息融合算法研究 |
| 4.3.1 异步多传感器多尺度最优融合估计 |
| 4.3.2 异步多传感器多尺度最优分布式融合估计 |
| 4.4 同步和异步多传感器信息融合估计算法仿真分析 |
| 4.4.1 同步多传感器信息最优分布式融合估计算法仿真分析 |
| 4.4.2 异步多传感器信息最优分布式融合估计算法仿真分析 |
| 4.5 本章小结 |
| 第5章 船舶位置参考系统多传感信息融合体系设计 |
| 5.1 引言 |
| 5.2 位置参考系统同步信息融合结构与算法设计 |
| 5.2.1 位置参考系统同步信息融合结构设计 |
| 5.2.2 船舶位置参考系统同步信息融合算法 |
| 5.3 位置参考系统异步信息融合结构与算法设计 |
| 5.3.1 位置参考系统异步信息融合结构设计 |
| 5.3.2 位置参考系统异步信息融合算法 |
| 5.4 位置参考系统异步多传感器信息融合方法试验仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）船舶动力定位系统多传感器信息融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的来源与意义 |
| 1.2 动力定位系统多传感器信息融合的研究现状 |
| 1.2.1 动力定位系统多传感器信息融合的内容与方法 |
| 1.2.2 动力定位系统多传感器信息融合的发展 |
| 1.3 多传感器信息融合的基本原理与功能结构 |
| 1.3.1 信息融合的基本原理 |
| 1.3.2 多传感器系统的描述 |
| 1.3.3 信息融合系统的结构模型 |
| 1.4 动力定位系统多传感器信息融合关键技术的研究现状 |
| 1.4.1 目标运动建模技术的发展现状 |
| 1.4.2 故障检测与容错技术的发展现状 |
| 1.4.3 滤波技术的研究现状 |
| 1.4.4 多传感器信息融合技术的研究现状 |
| 1.5 论文主要研究内容 |
| 第2章 动力定位船运动模型及传感器测量模型研究 |
| 2.1 动力定位船运动学模型研究 |
| 2.1.1 船舶运动学模型 |
| 2.1.2 动力定位船运动学模型研究 |
| 2.2 船舶动力定位系统传感器测量模型研究 |
| 2.2.1 船舶位置参考系统测量模型研究 |
| 2.2.2 船舶姿态传感器测量模型研究 |
| 2.3 本章小结 |
| 第3章 动力定位系统传感器故障检测与容错研究 |
| 3.1 动力定位系统传感器测量数据预处理 |
| 3.1.1 传感器测量数据的时间配准 |
| 3.1.2 位置参考系统测量数据的空间配准 |
| 3.1.3 动力定位传感器测量数据的质量检测 |
| 3.2 传感器故障检测与容错方法研究 |
| 3.2.1 基于滤波残差的传感器突变型故障检测与容错方法 |
| 3.2.2 基于信息融合的传感器渐变型故障检测与容错方法 |
| 3.3 传感器故障检测与容错算法的性能分析 |
| 3.3.1 传感器突变型故障检测与容错算法仿真分析 |
| 3.3.2 传感器渐变型故障检测与容错算法仿真分析 |
| 3.3.3 突变型和渐变型故障检测算法分析 |
| 3.4 本章小结 |
| 第4章 动力定位位置参考系统非线性滤波方法研究 |
| 4.1 容积卡尔曼滤波 |
| 4.1.1 容积卡尔曼滤波 |
| 4.1.2 平方根容积卡尔曼滤波 |
| 4.2 基于 SRCKF 的非线性自适应滤波算法研究 |
| 4.2.1 自适应 SRCKF 滤波算法 |
| 4.2.2 强跟踪 SRCKF 滤波算法 |
| 4.2.3 强跟踪自适应 SRCKF 滤波 |
| 4.3 基于 SRCKF 的非线性自适应滤波算法性能分析 |
| 4.3.1 自适应 SRCKF 算法仿真分析 |
| 4.3.2 强跟踪 SRCKF 算法仿真分析 |
| 4.3.3 强跟踪自适应 SRCKF 算法仿真 |
| 4.4 本章小结 |
| 第5章 动力定位系统多传感器信息融合算法研究 |
| 5.1 多传感器信息融合结构与方法 |
| 5.1.1 多传感器信息融合结构 |
| 5.1.2 多传感器信息估计融合方法 |
| 5.2 同步多传感器信息最优分布式估计融合算法 |
| 5.2.1 全局信息不反馈最优分布式估计融合算法 |
| 5.2.2 全局信息反馈最优分布式估计融合算法 |
| 5.3 基于小波分析的异步多传感器信息融合算法研究 |
| 5.3.1 异步多传感器多尺度最优融合估计 |
| 5.3.2 异步多传感器多尺度最优分布式融合估计 |
| 5.4 多传感器信息融合估计算法仿真分析 |
| 5.4.1 同步多传感器信息最优分布式融合估计算法仿真分析 |
| 5.4.2 异步多传感器多尺度最优分布式融合估计算法仿真分析 |
| 5.5 本章小结 |
| 第6章 动力定位系统多传感器信息融合体系设计与仿真 |
| 6.1 动力定位同步位置参考系统融合结构与算法 |
| 6.1.1 动力定位同步位置参考系统融合结构设计 |
| 6.1.2 动力定位同步位置参考系统融合算法 |
| 6.2 动力定位同步姿态测量系统融合结构与算法 |
| 6.2.1 动力定位同步姿态测量系统融合结构设计 |
| 6.2.2 动力定位同步姿态测量系统融合算法 |
| 6.3 动力定位异步位置参考系统融合结构与算法 |
| 6.3.1 动力定位异步位置参考系统融合结构设计 |
| 6.3.2 动力定位异步位置参考系统融合算法 |
| 6.4 船舶动力定位同步多传感器信息融合方法试验仿真 |
| 6.4.1 船舶艏向三冗余测量系统融合方法仿真分析 |
| 6.4.2 船舶位置三冗余 GPS 测量系统融合方法仿真分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）计算智能在土壤数据融合中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 计算智能的发展史 |
| 1.3 数据融合的发展及应用 |
| 1.3.1 国外数据融合研究历史与现状 |
| 1.3.2 国内数据融合研究现状 |
| 1.3.3 数据融合的应用领域 |
| 1.3.4 多传感数据融合在农业中的应用 |
| 1.4 本文的研究内容及创新点 |
| 1.5 本文的组织 |
| 第二章 数据融合系统 |
| 2.1 引言 |
| 2.2 基本概念 |
| 2.2.1 数据融合的定义 |
| 2.2.2 数据融合的原理 |
| 2.3 数据融合的功能模型 |
| 2.4 数据融合的结构分类 |
| 2.5 数据融合的算法 |
| 2.5.1 基于量测信号的数值算法 |
| 2.5.2 基于状态估计技术的算法 |
| 2.5.3 基于不确定性测度的算法 |
| 2.6 本章小结 |
| 第三章 土壤信息融合模型的研究 |
| 3.1 引言 |
| 3.2 小波分析理论基础 |
| 3.2.1 小波变换 |
| 3.2.2 多尺度分析 |
| 3.3 单模型多尺度分析 |
| 3.3.1 单传感器单模型多尺度分析 |
| 3.3.2 多传感器单模型多尺度分析 |
| 3.4 多模型多尺度分析 |
| 3.4.1 单传感器多模型多尺度分析 |
| 3.4.2 多传感器多模型多尺度分析 |
| 3.5 本章小结 |
| 第四章 基于计算智能的土壤数据融合方法的研究 |
| 4.1 引言 |
| 4.2 基于神经网络与信任度函数的多传感器数据融合 |
| 4.2.1 神经网络算法理论 |
| 4.2.2 神经网络数据融合发展概况 |
| 4.2.3 信任度函数的构造 |
| 4.2.4 基于神经网络与信任度函数的数据融合 |
| 4.2.5 实验仿真 |
| 4.3 基于粒子群算法的多传感器数据融合 |
| 4.3.1 粒子群算法理论 |
| 4.3.2 基于非线性权值递减的多传感器数据融合 |
| 4.3.3 基于QDPSO-BP 多传感器数据融合 |
| 4.3.4 实验仿真 |
| 4.4 基于WNN-BP 多传感器数据融合 |
| 4.4.1 小波神经网络理论 |
| 4.4.2 基于Mallat 算法的图像融合 |
| 4.4.3 基于WNN-BP 多传感器数据融合 |
| 4.4.4 实验仿真 |
| 4.5 本章小结 |
| 第五章 融合算法在农田参数处理中的应用研究 |
| 5.1 引言 |
| 5.2 车载农田土壤信息快速采集项目简介 |
| 5.2.1 项目主要研究内容 |
| 5.2.2 多传感器土壤信息融合模型及算法 |
| 5.3 融合算法在车载农田土壤信息快速采集项目中应用 |
| 5.3.1 问题的提出 |
| 5.3.2 模型的建立 |
| 5.3.3 测量值获取 |
| 5.3.4 过程状态的动态模型 |
| 5.3.5 实验仿真 |
| 5.4 本章小结 |
| 第六章 结论和展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读博士学位期间发表的论文 |
（7）基于动态多尺度的火箭飞行数据模糊Kalman融合（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 航天测量数据面临的问题 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的定义 |
| 1.2.2 信息融合的发展现状 |
| 1.2.3 信息融合的功能特点 |
| 1.2.4 信息融合的基本方法 |
| 1.2.5 信息融合的层次及通用模型 |
| 1.3 多尺度系统理论基本方法 |
| 1.4 内容安排 |
| 2 外测多分辨率传感器测量数据融合基本方法 |
| 2.1 外测数据处理简介 |
| 2.1.1 外测数据处理的分类和作用 |
| 2.1.2 外测数据事后处理的分类 |
| 2.2 状态估计方法概述 |
| 2.2.1 多传感器融合与状态估计 |
| 2.2.2 Kalman 滤波的基本原理 |
| 2.2.3 模糊自适应Kalman 滤波 |
| 2.3 多尺度分析原理 |
| 2.4 本章小结 |
| 3 多分辨率传感器测量数据预处理 |
| 3.1 原始弹道数据的特征 |
| 3.2 原始弹道数据的拟合 |
| 3.3 GRNN 神经网络理论基础 |
| 3.4 平滑参数的确定 |
| 3.5 算法实验仿真 |
| 3.6 本章小结 |
| 4 基于 Haar 小波的动态多尺度系统建模 |
| 4.1 集中式建模系统描述 |
| 4.2 动态系统多尺度分布式融合 |
| 4.3 动态多尺度系统Haar 小波实现 |
| 4.4 投影算子实现 |
| 4.5 算法实验仿真 |
| 4.6 本章小结 |
| 5 基于动态多尺度的模糊 Kalman 融合 |
| 5.1 模糊控制器的组成 |
| 5.2 系统模糊Kalman 滤波估计 |
| 5.2.1 模糊控制器的结构设计 |
| 5.2.2 模糊控制规则的选择 |
| 5.2.3 解模糊化 |
| 5.2.4 模糊控制论域、量化因子及比例因子的确定 |
| 5.3 算法实验仿真 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）带乘性噪声系统多尺度状态平滑及基于量测预处理的滤波算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题的意义 |
| 1.2 带乘性噪声系统的特点及应用背景 |
| 1.2.1 带乘性噪声系统的特点 |
| 1.2.2 带乘性噪声系统的应用背景 |
| 1.3 带乘性噪声系统最优状态估计理论的发展及研究现状 |
| 1.4 本文所做的主要工作 |
| 2 多尺度多传感器观测下的最优固定域平滑算法 |
| 2.1 概述 |
| 2.2 系统模型 |
| 2.3 多尺度分布式滤波 |
| 2.4 最优固定域平滑算法 |
| 2.5 算法流程图 |
| 2.6 本章小结 |
| 3 基于小波量测预处理的最优滤波算法 |
| 3.1 背景及数学模型 |
| 3.2 量测信息的小波预处理 |
| 3.2.1 小波去噪原理 |
| 3.2.2 阈值的选取和量化 |
| 3.2.3 MATLAB 中的小波去噪 |
| 3.3 去噪后的多通道带乘性噪声最优滤波算法 |
| 3.4 本章小结 |
| 4 仿真研究 |
| 4.1 基于多尺度滤波融合的最优固定域平滑算法仿真 |
| 4.2 基于量测预处理的最优滤波算法仿真 |
| 4.3 基于量测预处理的多尺度最优固定域平滑算法仿真 |
| 4.4 本章小结 |
| 5 结论 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间所发表的论文 |
（9）多率系统多尺度融合及不确定系统稳定性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题意义及研究内容 |
| 1.2 国内外研究现状 |
| 1.3 不确定系统介绍 |
| 1.4 论文结构 |
| 本章小结 |
| 第2章 基础知识 |
| 2.1 离散 KALMAN 滤波 |
| 2.2 小波分析基础 |
| 2.2.1 多尺度分析 |
| 2.2.2 离散正交小波变换 |
| 2.3 李亚普诺夫的稳定性 |
| 2.3.1 李亚普诺夫关于稳定的定义 |
| 2.3.2 李亚普诺夫第一方法 |
| 2.3.3 李亚普诺夫第二方法 |
| 本章小结 |
| 第3章 单传感器单模型系统的多尺度滤波方法 |
| 3.1 引言 |
| 3.2 单传感器单模型系统与分块描述 |
| 3.2.1 单传感器系统描述 |
| 3.2.2 系统分块描述 |
| 3.3 分块系统的多尺度描述 |
| 3.3.1 状态的小波变换 |
| 3.3.2 分块系统的多尺度描述 |
| 3.4 多尺度序贯式 KALMAN 滤波器(MSBKF) |
| 3.4.1 序贯式块 Kalman 滤波器(SBKF) |
| 3.4.2 多尺度块 Kalman 滤波器(MBKF) |
| 3.4.3 多尺度序贯式 Kalman 滤波器(MSBKF) |
| 3.5 不同算法的性能比较 |
| 3.5.1 几种滤波器的精度比较 |
| 3.5.2 MSBKF 算法推导 |
| 3.6 单传感器单模型系统仿真 |
| 本章小结 |
| 第4章 多速率多传感器的多尺度算法 |
| 4.1 多速率多传感器系统描述 |
| 4.2 同步多尺度顺序块 KALMAN 滤波器 |
| 4.3 异步多尺度顺序块 KALMAN 滤波器 |
| 4.4 计算机仿真 |
| 本章小结 |
| 第5章 一种带有测量丢失的离散不确定系统的鲁棒滤波 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 系统扩维以及滤波器设计标准 |
| 5.4 滤波器参数的推导 |
| 5.5 计算机仿真 |
| 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参加的主要项目 |
| 攻读硕士学位期间发表的论文及科研成果 |
（10）多速率传感器状态融合估计及多分辨率图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 多传感器信息融合的体系结构 |
| 1.2.1 多传感器信息融合的定义 |
| 1.2.2 多传感器信息融合的原理与体系结构 |
| 1.2.3 多传感器信息融合的优缺点 |
| 1.3 信息融合算法分类综述 |
| 1.3.1 采样率系统 |
| 1.3.2 单采样率多传感器数据融合状态估计算法 |
| 1.3.3 多采样率多传感器数据融合状态估计算法 |
| 1.3.4 异步多传感器数据融合估计算法概述 |
| 1.4 图像融合算法与性能评估方法综述 |
| 1.5 当前研究热点、难点与未来的研究方向 |
| 1.6 本文的主要内容及章节安排 |
| 1.7 本章小结 |
| 第2章 一类时变单模型同步多速率传感器动态系统的状态融合估计 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 同步多速率传感器动态系统的状态融合估计 |
| 2.3.1 基于状态分块的融合估计算法 |
| 2.3.2 两种分布式数据融合状态估计算法 |
| 2.4 仿真实验 |
| 2.4.1 在机动目标跟踪中的应用 |
| 2.4.2 变压器电流的估计 |
| 2.5 本章小结 |
| 第3章 一类时不变单模型异步多速率传感器动态系统的状态融合估计. |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 多尺度状态空间模型 |
| 3.4 尺度递归状态融合估计算法 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第4章 一类时变单模型异步多速率传感器动态系统的状态融合估计 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 系统建模 |
| 4.4 状态融合估计算法 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第5章 多传感器多分辨率图像的融合 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 多传感器多分辨率图像的融合 |
| 5.3.1 基于Kalman 滤波的多分辨率图像的融合 |
| 5.3.2 同分辨率异类图的融合 |
| 5.3.3 多分辨率异类图的融合 |
| 5.4 实验与性能分析 |
| 5.4.1 性能评价指标与算法的优化 |
| 5.4.2 基于Kalman 滤波的多分辨率图像融合结果的评价 |
| 5.4.3 同分辨率异类图融合算法性能分析 |
| 5.4.4 多分辨率异类图融合结果的分析 |
| 5.5 本章小结 |
| 第6章 数据融合的定量性能评估方法 |
| 6.1 前言 |
| 6.2 归一化互信息熵 |
| 6.2.1 基于信息熵理论的性能评价指标 |
| 6.2.2 归一化互信息熵 |
| 6.3 归一化视觉感应信息熵 |
| 6.3.1 基于视觉感应原理的性能评价指标 |
| 6.3.2 归一化视觉感应信息熵 |
| 6.4 实验与结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究总结 |
| 7.2 进一步工作 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的论文与研究成果 |
四、多传感器单模型多尺度平滑融合估计（论文参考文献）
- [1]面向自动驾驶的场景理解关键技术研究[D]. 杜丽. 北京邮电大学, 2021(01)
- [2]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
- [3]基于多尺度理论的水下导航系统信息融合[D]. 王昱淇. 哈尔滨工程大学, 2018(12)
- [4]船舶位置参考系统异步信息融合方法研究[D]. 郭博. 哈尔滨工程大学, 2014(03)
- [5]船舶动力定位系统多传感器信息融合方法研究[D]. 徐树生. 哈尔滨工程大学, 2013(04)
- [6]计算智能在土壤数据融合中的应用研究[D]. 张宇林. 江南大学, 2009(04)
- [7]基于动态多尺度的火箭飞行数据模糊Kalman融合[D]. 蒲爱香. 重庆大学, 2009(12)
- [8]带乘性噪声系统多尺度状态平滑及基于量测预处理的滤波算法研究[D]. 于春晓. 中国海洋大学, 2007(04)
- [9]多率系统多尺度融合及不确定系统稳定性分析[D]. 文传博. 河南大学, 2007(06)
- [10]多速率传感器状态融合估计及多分辨率图像融合算法研究[D]. 闫莉萍. 清华大学, 2006(06)