一、多尺度多速率递归Kalman滤波（论文文献综述）
李云天[1]（2021）在《月面着陆多体制导航方法研究》文中指出随着嫦娥-4号探测器在月球背面的成功着陆和嫦娥-5号探测器的成功发射,我国探月工程“绕-落-回”三步走战略已正式进入采样返回阶段。作为月球着陆器的核心组成部分,导航系统的位姿估计精度对于在月球表面高价值区域实现精确受控定点软着陆至关重要。相较于姿态信息,受限于地月信号传输延迟大、月球先验信息匮乏、可用辅助信息有限等因素,导航系统对于着陆器高精度位置信息的获取较为困难。综上所述,本文以月面定点着陆为研究背景,重点针对月面着陆过程中的多体制导航方法展开研究,主要内容包括:根据月面定点着陆任务对导航系统需求设计了多传感器组合导航系统的配置方案,建立导航系统在不同参考坐标系下的力学编排方程和IMU、单目相机、无线电信标、激光高度计等导航传感器的量测模型。针对全自主导航和月基辅助导航的不同任务特征,分别基于嫦娥-4号和ATON探测器的相关参数设计仿真着陆轨迹并对比不同轨迹下的IMU位姿解算误差,验证多源融合定位算法研究的必要性以为后续研究奠定基础。为解决现有视觉/惯性导航系统受限于相机视场和陨石坑分布,无法在着陆下降过程中持续工作的问题,研究一种不依赖月面地形特征的视觉/惯性相对导航方法。通过引入多尺度图像金字塔和图像边缘直方图,解决匹配跟踪算法计算耗时长和光流跟踪算法大尺度运动下鲁棒性差的问题。同时,结合IMU预积分残差和视觉重投影残差设计视觉/惯性联合估计代价函数,并将位姿估计由单状态递归滤波扩展至多状态滑动窗口滤波。室内等效试验验证结果表明,本文所设计的视觉/惯性相对导航系统可取得较为准确的相对位置估计精度。视觉/惯性相对导航系统虽能获得准确的相对位置估计信息,却无法对着陆器的绝对位置形成有效估计,需要定期引入绝对量测对其进行修正。针对这一问题,研究基于随机克隆滤波框架的Sigma点Kalman滤波方法（Stochastic Cloning Sigma-point Kalman Filter,SC-SPKF）,并将其扩展至交替异步量测下,实现相对/绝对量测的有效融合。此外,为抑制着陆下降过程中由着陆器高程变化引起的传感器时变噪声和由地形变化及陨石坑误匹配引起的量测野值,进一步将新息协方差匹配算法和多重衰减χ2算法与SC-SPKF相结合,提出一种改进的鲁棒自适应SC-SPKF方法（Robust Adaptive SC-SPKF,RA-SC-SPKF）。仿真结果表明,RA-SC-SPKF在多种干扰工况下均能取得较好的位置和速度估计精度。另一方面,随着月面驻留科研站建设方案的提出,基于月基辅助的导航方法已成为目前月面定点着陆导航系统设计的一个热点研究方向。作为其中的典型代表,基于无线电信标的月基辅助导航方法需要事先确定信标的准确位置,而由于月球尚不具备可靠的精确定位手段,基于地面深空探测网络或绕月轨道器的位置测量精度通常为百米级。为解决这一情况下的着陆导航问题,基于稀疏扩展混合滤波（Sparse Extended Hybrid Filter,SEHF）设计一种可同时对着陆器和信标位置进行估计的分布式信标辅助导航方法。在此基础上,进一步结合阻尼自适应迭代算法和鲁棒Triggs修正算法,提出一种改进的鲁棒自适应迭代SEHF（Robust Adaptive Iterated SEHF,RAISEHF）算法。仿真结果表明,所提出的RAISEHF可有效抑制模型线性化误差和非高斯量测噪声对滤波器估计精度的影响。
陈卫卫[2]（2021）在《基于机器视觉的车道偏离预警系统关键技术研究》文中进行了进一步梳理车道偏离预警系统（LDWS）是智能交通系统（ITS）中车辆安全辅助驾驶子系统（SDAS）的一个重要组成部分。LDWS通过各种传感器获得行驶道路的相关信息,并参考车辆运行状态,预警阈值、距离等数据分析车辆有没有偏离当前车道的趋势。如果有发生偏离的趋势,则LDWS会通过图像、声音或震动等方式向驾驶员发出预警信息。LDWS的不断深入研究和广泛应用将大大提升驾驶员的行车安全,降低交通事故的发生概率。目前,LDWS已经成为了国内外相关研究人员聚焦的一个热点问题。本文主要研究内容是基于单目机器视觉的LDWS关键技术及相关算法研究。LDWS一般分为道路图像中车道线的识别检测、车道线建模、车道偏离决策预警等几个功能模块。目前恶劣天气环境下的车道线检测技术依然是一个难题。本文针对LDWS中的这些关键功能模块,主要研究的内容包括以下几个方面。（1）提出了一种自适应阈值的单行滑动窗口车道线检测算法。针对树阴遮挡、轻度雾霾、夜间光线差等不同情况,依据车道线图像中单行像素具有的“双峰”结构特征,设计了以滑动窗口进行图像行像素扫描,动态调整检测阈值,达到快速检测车道线的一种算法。经实验分析,该算法有着较强的准确性和鲁棒性。针对长度小于6和长度大于“滑动窗口”2倍的连续噪声都有着显着的抑制效果。（2）提出了一种基于分数阶微分和Frangi的夜间车道线检测算法。针对夜间光线较弱、图像噪声较大、单幅帧图像中车道线信息少的特点,通过合并连续3-4幅图像,使车道线信息相对比较丰富。再对合并后的图像进行降噪增强处理,然后进行车道线检测。经实验分析,该算法能够快速有效地检测出夜间道路图像中的车道线,准确率76%。（3）提出了一种基于山脊直线检测的车道线检测算法,针对大雨和雾（霾）的天气情况下,道路图像中含有大量雨滴、雾（霾）、水汽、路面积水等噪声导致对比度明显下降,设计了一种在图像去噪增强的基础上、再使用山脊直线检测、骨架提取、间隙缝合等过程的车道线检测算法。经过实验分析,该算法能够快速有效地检测出大雨和雾（霾）天气下的车道线,准确率71%。（4）结合我国公路设计标准《公路工程技术标准》（JTG B01-2014）和《车道偏离报警系统性能要求与检测方法》（GB/T26773-2011）重点分析了直线模型的实际意义。使用了一种基于Kalman滤波的车道线追踪算法,对车道标识线进行滤波追踪,有效地提升了车道线的检测效率。（5）提出了一种改进TLC并与CCP相结合的车道偏离决策算法。文中分析了各种车道偏离决策模型的优缺点,研究了有效检测区域下方车辆中心和左右车道线距离变化的速度、速率和趋势,结合驾驶员的驾驶特性,提出了一种改进TLC和CCP相结合的偏离决策算法。通过实验分析,文中算法误警率低于5%,漏警率低于4%。
杨毅[3]（2020）在《无人船组合导航系统信息融合研究》文中研究指明为建设海洋强国,推动海洋科技发展,无人船领域研究得到了广泛关注。无人船作为一种自主导航控制的海上智能化平台,组合导航系统信息融合技术成为提高导航系统精度和可靠性的关键。本文基于分布式滤波算法进行无人船组合导航系统信息融合研究,解决组合导航信息融合中的异步多速率问题、不可靠测量问题等,提高了组合导航系统的可靠性与精确性。首先,通过捷联惯导系统、全球定位系统、电子罗盘组成无人船组合导航系统,采用联邦卡尔曼滤波器进行组合导航系统的信息融合,解决了局部故障干扰对组合导航系统可靠性的影响;针对联邦卡尔曼滤波信息分配原则对滤波精度的影响,采用最优自适应因子求取方法来表示信息分配因子,研究一种最优自适应联邦卡尔曼滤波算法,增加了联邦卡尔曼滤波器的自适应性。仿真结果和比较分析验证了所采用的最优自适应联邦卡尔曼滤波算法的可靠性和优越性。然后,为解决无人船组合导航系统信息融合过程中的不可靠测量问题,通过创新序列定义衡量方法判断量测信息的可靠性,降低了不可靠测量问题对导航精度的影响;针对噪声的相关性影响,根据正交投影定理构造局部卡尔曼滤波器,采用最优分布式融合算法进行组合导航系统信息融合,实现了无人船组合导航系统的高精度导航。仿真结果和比较分析验证了所采用的信息融合算法的有效性与优越性。最后,为解决无人船组合导航系统信息融合过程中的异步多速率问题,采用多尺度系统模型,实现了无人船组合导航异步多速率系统的信息融合,提高了无人船组合导航系统的可靠性与精确性;针对噪声相关性影响下滤波器间交叉协方差计算量大的问题,采用一种基于协方差交叉的最优分布式融合算法,提高了信息融合后的导航精度。仿真结果和比较分析验证了所采用的信息融合算法的有效性和优越性。
刘娟花[4]（2019）在《多尺度数据融合算法及其应用研究》文中指出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。
房鸿才[5]（2018）在《多微机电陀螺数据融合方法的切换策略研究》文中提出微机电系统（Micro Electronic Mechanical System,MEMS）陀螺仪是一种重要的惯性器件,近些年来发展迅速,并且在实际当中也得到了较多的应用。但是,MEMS陀螺仪依然存在着噪声大、测量精度低等缺陷。运用小波域多尺度数据融合算法,通过对多个MEMS陀螺仪的信号融合可有效提高陀螺仪的测量精度和可靠性,但是该方法在处理陀螺动态数据尤其是含有跳变数据时融合值相比较原始数据有时延等问题。因此,如何充分利用小波域多尺度数据融合算法在处理陀螺静态数据时的优势,同时还保证系统在动态中的实时性,从而提高系统整体输出精度就显得尤为重要。为此本文采用了一种数据融合方法切换策略,全文主要工作包括:1.论文首先对小波域多尺度数据融合算法的基本原理、多尺度融合的优势做了详细的阐述。重点分析了小波域多尺度数据融合算法在处理动态陀螺数据时存在的问题。2.在对小波域多尺度数据融合算法处理动态陀螺数据表现出的问题以及常见时间序列突变检测方法分析的基础上,确定了陀螺信号突变检测采用累积和控制图算法与预设阈值结合的方法,用实测的陀螺数据验证方法可行性。3.考虑到动态情况下陀螺信号处理需要适应性强、对动态变化信号跟踪能力强的特点,确定使用优加权递归最小二乘融合方法来处理陀螺跳变数据,该方法中引入权值因子衡量陀螺传感器可信度。通过对MEMS陀螺分别在静态和动态条件下进行实验来对融合方法切换策略进行有效性验证。经过实验验证,本文采出的融合方法切换策略可以很好解决单一使用小波域多尺度数据融合时在动态条件下带来的时延问题,陀螺信号处理的实时性以及系统频率响应明显提出精度。综合静态和动态实验来看,融合方法切换策略是有效可行的。
刘佳琳[6]（2013）在《模糊统计决策理论基础上的大型工程项目风险评估方法研究》文中提出随着社会经济长期快速发展，地球在为人类提供了生命必须的粮食、水和必要的能源和矿产资源的同时，也给人类带来了很多自然灾难，诸如火山、地震、海啸等。人类面临日益突出的环境、资源、能源等问题，这不仅是人类探求自然奥秘经过的历程，更是人类向大自然获取能源、资源同时为保障自身安全做出努力的过程，因此急需发展深部探测及其相关技术，以支撑解决以上方面遇到的各种问题。近百年来，各国的地球物理学家、地质学家进行着不懈的努力对其不断探索。我国科学家也意识到必须开展中国地球深部探测计划，才能解决所面临的重大资源环境问题全面实现地球科学的创新与发展。然而全世界地球科学家不得不面对一个事实就是：人类对自身赖以生存的地球内部结构了解太少，目前我们的直接钻探仅达到12km，与庞大的地球体系相比，所涉及的只是地球的表面结构。在一直以来的研究中，研究人员渐渐发现一个不争的事实：可谓上天不易，入地更难。所谓“入地”就是通过深部探测工程，了解地下物质、结构的过程。而以上所要解决的问题都将依赖于深部探测手段——大陆深部科学钻探工程。大陆深部科学钻探工程不仅仅是一个名词，更不单纯是一个简单的工程，它是现代地球科学研究领域中不可或缺的重要工具，它能够提供随着深度的增加直接获得信息，同时无疑也是验证地球物理研究成果和结果正确性的可靠手段。我国超深科学钻探设计万米深度，将面临一系列挑战。随着深度的增加，温度、压力等环境因素也在不断变化，设备的安全性以及钻探过程中事故发生的概率也随之大大增加，对风险的预测和防范增加了难度。实际大陆深部科学钻探工程的实施可以作为实验室研究成果的验证手段，同时对于探索地球奥秘、改进研究起着关键性作用，同时也扮演着极其重要的角色，与社会能源经济有着紧密的联系。其中随钻设计的动态实时量化风险评估针对这项工作展开，能够直接在人力物力财力上减少大量不必要的损失，降低大陆深部科学钻探的整体风险，因此，启动该项研究具有现实意义。然而，现有的风险评估方法满足不了大陆科学深部钻探的需要。原因是：（1）信息来源单一，目前进行项目风险评估的信息源往往是专家系统的经验和单一手段获得的数据，在有经验可循的项目或事件中，专家的经验可以作为判断的依据，遇到无经验可以参照或者经验很少的情况下，这种方法就会变成一种相对主观的判断，很多问题会由于主观经验不足，引起判断上的失误；（2）在对风险评估整体评价维度上，以往的方法是简单地将风险发生的概率与事后影响相乘，这样虽然能够评价出风险的大小，但是得到结果是宽泛、粗线条的，有时甚至可能会遗漏一些风险，或者把一些并不重要的风险归入其中，这样会对进一步的工作带来干扰。（3）现有风险评估的方法大部分是静态的，虽然近年来风险评估会应用在石油勘探企业的管理中，但绝大多数解决的是事前关于项目预算和时间估计与预先评定方面的应用，对于大型工程项目，只做这些方面的风险评估是远达不到要求，加强动态风险评估是解决问题的重要途径，因此，针对具体问题发展一套行之有效的解决方案尤为必要。随着深部钻探技术的不断改进，获取数据信息的手段也不断增加，如何将获得的海量数据有效利用，是获得优质风险评估结果的前提，这就涉及在数据处理阶段用有效的方法将得到的信息进行多尺度多源信息融合。这些数据主要来自于重力勘探、磁法测量、电法测量、地震手段、随钻测井等信息手段。这些信息具有以下特点：多类型、多尺度、多时态，同时数据量庞大数据结构复杂，但是如果恰当运用，这些数据信息之间将能相互配合弥补、彼此之间的不足，从不同角度反映相同地质体特征。除了以上客观数据信息外，我们还有专家系统，这也是一个巨大的信息来源。另外，在深部探测过程中进行实时风险评估可以解决钻进过程中客观条件不断变化带来的问题，例如：压力、温度以及地质岩层结构，直接导致风险因素也会随之发生变化，风险发生的可能性也会发生变化，这就需要在钻探过程中对风险因素进行实时更新与识别，随时监控钻探各项风险发生可能性的大小，以便及时采取防范措施。因此，针对数据特点发展一套行之有效的融合技术需要进行跨学科技术融合和针对性攻关研究。综上所述，深部探测所提供的参数特点具有诸多不确定性，运用结合针对对比开发建立在统计基础上的风险评估数学模型，可以解决在该行业中未解决的问题，因此，对超深钻探进行随钻实时风险评估方法的研究具有理论意义和应用价值。针对大陆超深科学钻探过程中不确定性风险预测和防范问题所设定的研究目标，提出一套基于多尺度多源信息融合的动态风险评估方法，同时建立多指标风险综合评价体系，通过利用随钻测量数据实时更新和完善评估手段，修正评估参数，实现钻进过程中及时发现风险、规避风险和降低风险的应用目标。本文的研究内容：主要分析如何充分考虑大陆深部钻探工程的特点，针对深部钻探随钻过程缺乏有效实时评估钻进风险的方法和技术等问题，尤其是超深钻探过程对此需求更为迫切，本项目将基于实际参数的多尺度多源信息特性，以及在随钻过程中数据实时、递归的特点，研究随钻深度动态参数融合的风险评估方法，对钻进过程中可能出现的随机风险作出预测，提高实时风险评估的准确性，并在复杂的工程实践中得到加强和完善。由此，本论文形成了一个逻辑比较合理的研究框架，在此框架下本论文系统地研究了风险评估方法的相关问题。从研究工作流程上可分为以下7个章节：第一章：摘要。主要介绍本论文的研究背景以及研究的目的和意义。第二章：研究综述。将论文中涉及的两大概念给出定义与性质的描述，同时对国内外的研究现状进行综述。第三章：论文的核心章节之一，属于静态风险评估方法的研究部分。在这一章中主要目的是对各个因素进行风险评估从而进行风险排序，根据以往研究的经验总结出不足之处，提出一种新的4维度评价标准，这4个评价标准分别是：风险发生的概率、风险严重性、不可预知性和恶化后果严重性，这4种维度的评价标准，能够更加适合本项目的特点进行风险评价，以期达到在项目施工前期更加贴近实际风险发生情况概率的预测，给项目实施方以一个量化的标准来看待将要执行的项目，首先是会在哪些方面遇到风险，这些可能发生的风险的大小是怎样的，使之能更加直观明朗。第四章：论文的另一核心章节，也属于静态风险评估方法的研究部分。在这一章中主要目的是对项目整体风险进行风险评估，应用了集成的解释结构模型（ISM）和网络分析法（ANP）对其进行评估。第五章：论文的又一核心章节，动态风险评估方法研究部分。这项研究的主要目的是根据项目实施的具体特点提出的，本项目的特点是：有很多因素会在钻探过程中发生变化，而这些因素的变化在施工前期是无法准确得到的，也就是说在施工前期所得到的情况并非准确信息，这样就加大了项目实施过程中的风险。另外，还有一些影响因素是随着钻进的加深而不断变化，我们在施工前期只能知道这影响因素的大概变化趋势，这样在很大程度上也加大了施工的风险。同时需要明确的是，由于本项目的特殊性，如果在本文中所提出的风险发生，带来的将是十分严重的后果，这样就需要我们在项目施工过程中，不断增强风险预测概率的准确性，以期能够提前给项目实施人员以预警，尽量做到防患于未然的目的。第六章：案例研究。将以上三个核心章节中的方法应用到大陆科学深部钻探工程中，运用在项目中实际得到的数据对以上方法进行验证，一方面是能够对上述工程项目的风险有一个全面量化的结果，另外方面也是验证所提出方法的正确性和可行性。第七章：对全文的总结和展望，在这一章中提出了本研究的不足之处以及未来的研究方向。通过大量国内外文献的阅读以及调研，发现了下面7个在风险评估中的具体问题，因此本论文围绕大型工程的风险评估方法进行研究，就发现的问题展开探讨：（1）如何确定评语集中每个权重的合理性；（2）如何确定每个风险的相对重要性；（3）现有的评价方法并不完善，如何使其能够更加完善，评价结果能够更加合理并且不遗漏或增加风险；（4）如何更加准确地对各个风险因素进行排序；（5）如何对项目整体风险指数予以较客观的评价；（6）在动态风险评估中获得的海量数据，如何将其进行有效的数据过滤；（7）如何有效地对动态过程进行监控的问题。针对以上提出的问题，就现有研究中很少涉及动态风险评估方法这一不足提出解决方案、针对静态风险评估中对每个风险因素进行评价的维度进行了改进，就此，本文在改进措施、调整方案、集成处理手段、处理流程思路、处理技巧等方面提出了以下的创新和改进之处：（1）用层次分析法和网络分析法来确定每个的权重的合理性。（2）用ANP方法确定每个风险的相对重要性。（3）在模糊综合评价法中提出一种新的四维度评价方法。（4）用ISM方法是用来识别风险之间的相互依存关系。进行基于模糊综合评价法的项目风险因素评估方法的研究。从预备阶段的识别风险因素开始，然后进行评语集的建立和评价标准的建立，然后确定每个风险指标的权重，建立模糊评价矩阵，最后计算出风险因素的风险指数。（5）针对风险的重要性排序问题提出一种整合了ISM和ANP的方法。基于集成的ISM和ANP方法的项目整体风险评估方法研究，将ISM和ANP方法有效集成最后计算出项目的整体风险指数。（6）以Kalman滤波为基础，提出一种扩展的Kalman滤波方法对多尺度海量数据进行过滤。（7）在研究动态风险评估方法是，结合实际特点，提出基于多尺度信息融合的动态风险评估方法模型。针对在动态过程中所采集数据的特点，进行动态风险评估方法上的研究，从数据过滤到算法再到模型的逐步推进，最终得到在动态过程中对风险的评估结果。（8）将本论文的所有创新研究方法应用在SinoProbe大陆深部科学钻探项目中，以验证其可行性得到评价结果。对于静态风险评估方法研究的研究思路和技术路线包括以下几个方面：（1）利用模糊综合评价法对项目风险因素进行评估从预备阶段的识别风险因素开始，然后进行评语集的建立和评价标准的建立，然后确定每个风险指标的权重，建立模糊评价矩阵，最后计算出风险因素的风险指数。（2）集成解释结构模型（ISM）和网络分析法（ANP）进行项目整体风险评估将ISM和ANP方法有效集成以计算出项目的整体风险指数。首先确定每个风险的相互依赖程度的大小，构建可达矩阵，随后建立有向图并形成解释结构模型，接下来应用ANP构建网络结构形成超矩阵，在超矩阵的基础上构建聚类矩阵和加权超级矩阵，最终得到项目整体风险大小的评价。对于动态风险评估方法研究的研究思路和技术路线包括以下几个方面：（1）多源信息数据过滤问题本项目中获得数据是多元化的，获得手段包括：重力测量、磁力测量、电法测量、地震测量以及在钻井过程中的测井以及录井的数据，针对某一风险因素，不是所有的数据信息都可以利用得上，有时虽然几个测量指标都能够指征同一个地质特征，但是测量精度、表征的准确度却不尽相同，如何有效利用这些数据信息，将不必要的冗余信息剔除做到数据过滤。本文中所指的多传感器概念和以往的并非完全相同，在这里是广义的多传感器的概念，将多种获取数据的手段看成是多传感器的目标。引入多尺度Kalman滤波的概念，由于其有实时性和递归性以及融合性的特点适应于我们应用领域，建立多传感器的多尺度算法，这是研究的内容之一。（2）动态过程多尺度信息融合表示方法和建模。建立动态过程的信息融合表示方法和建模方法，随后应用这一方法进行动态过程的过程监控以最终得到对于动态过程风险评估的目的。三、四、五、六章是文章的核心章节，提出评价标准，另一个是建立动态风险评估模型，并在实际项目中进行验证。以上的研究成果包括：静态风险评估方法的研究和动态风险评估方法的研究，在研究过程中针对动态风险评估的过程，由于工作量比较大，没有对项目所涉及的所有主要风险进行动态风险评估验证，这是本文的不足之处。同时在今后的研究中，由于本项目的特点，涉及的数据是多尺度、大数据量的，在数据处理方面需要进行更进一步的优化，这是可以开展进一步研究的地方。
周雪梅,苏丽,吴俊伟[7]（2009）在《多尺度递归融合估计在组合导航系统中的应用》文中研究说明多尺度递归融合估计是对多传感器系统进行的基于尺度的融合估计算法。利用小波变换中多尺度分析的思想,构造出多尺度动态模型,利用该模型对粗尺度上的状态估计值进行修正,递归获得最细尺度上基于全局测量值的最优估计值,该估计值是方差最小意义下的最优估计。将此算法应用于SINS/GPS组合导航系统中,仿真结果表明,应用该算法能取得较好的效果,获得了比仅在单一尺度上进行kalman融合估计更好的结果,有效地提高了组合导航系统的精度。
曲法义[8]（2008）在《基于小波滤波的多尺度传感器信息融合方法研究》文中研究指明近年来,随着计算机技术、通讯技术的发展,特别是军事上的迫切要求,多传感器信息融合技术得到了迅速的发展。信息融合作为一门跨学科的综合信息处理理论,涉及系统论、信息论、控制论、人工智能和计算机通讯等众多的领域和科学,它被广泛应用于自动目标识别、战场监视、自动飞行器导航、机器人、遥感、医疗诊治、图像处理等领域。通常,多传感器融合的信息与单源数据相比,有很大优越性。除了同源数据的简单组合（如:通过冗余的观测数据可以获得物理现象的更精确的估计）外,应用不同种类的多传感器也可以提高某些观测量和描述量的估计精度。另外,由于在军事应用领域强大的发展潜力,微机系统的快速更新换代,更先进的传感器的出现以及新的融合技术的发展,多传感器信息融合的性能不断获得新的提高。随着小波分析成为一门迅速发展起来的新兴学科,小波在信号处理和图像处理中的应用得到了空前的发展。其中在多尺度分析方面,多尺度信号和小波表示以及多尺度信号处理算法的研究日益成为国内外的研究热点。本文从组合导航系统的实际需求出发,提出了一种基于小波滤波的多尺度分布式多传感器系统融合估计算法。将信号的多尺度分析方法与多传感器信息融合技术相结合,并应用于组合导航过程中,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估计的限制,从一定程度上解决了常规滤波估计方法在高频缓变噪声处理方面的不足。通过仿真结果验证了该算法用于组合导航系统可较为有效地保证系统的精度,为实际系统应用提供了理论依据。
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》文中认为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》文中研究表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、多尺度多速率递归Kalman滤波（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、多尺度多速率递归Kalman滤波（论文提纲范文）
（1）月面着陆多体制导航方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国内外月球探测任务简述 |
| 1.2.2 月球着陆导航技术研究现状 |
| 1.2.3 多源导航状态估计技术研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 月面定点着陆导航系统建模 |
| 2.1 引言 |
| 2.2 参考坐标系及转换关系 |
| 2.2.1 月面着陆参考坐标系定义 |
| 2.2.2 坐标系转换关系 |
| 2.3 着陆导航系统力学编排 |
| 2.3.1 M系下的力学编排 |
| 2.3.2 G系下的力学编排 |
| 2.3.3 L系下的力学编排 |
| 2.3.4 引力场模型 |
| 2.4 着陆导航传感器建模 |
| 2.4.1 IMU量测模型 |
| 2.4.2 单目相机量测模型 |
| 2.4.3 无线电信标量测模型 |
| 2.4.4 激光高度计量测模型 |
| 2.5 月面着陆仿真轨迹设计 |
| 2.5.1 全自主导航仿真轨迹设计 |
| 2.5.2 月基辅助导航仿真轨迹设计 |
| 2.5.3 IMU位姿解算误差分析 |
| 2.6 本章小结 |
| 第3章 基于多尺度边缘光流和滑窗滤波的视觉/惯性相对导航方法 |
| 3.1 引言 |
| 3.2 基于多尺度边缘光流的视觉特征跟踪方法 |
| 3.2.1 多尺度图像金字塔 |
| 3.2.2 多级掩模特征提取 |
| 3.2.3 多尺度边缘光流特征跟踪 |
| 3.3 基于滑窗滤波的视觉/惯性相对位姿估计方法 |
| 3.3.1 单目相机尺度初始化 |
| 3.3.2 滑动窗口滤波框架 |
| 3.3.3 视觉/惯性相对位姿估计代价函数 |
| 3.3.4 滑窗滤波中的状态边缘化 |
| 3.4 仿真与试验分析 |
| 3.4.1 多尺度边缘光流特征跟踪算法 |
| 3.4.2 滑窗滤波相对定位算法 |
| 3.5 本章小结 |
| 第4章 基于鲁棒自适应随机克隆Sigma点Kalman滤波的相对/绝对量测融合导航方法 |
| 4.1 引言 |
| 4.2 基于随机克隆Kalman滤波的相对/绝对量测融合方法 |
| 4.2.1 随机克隆扩展Kalman滤波 |
| 4.2.2 随机克隆Sigma点Kalman滤波 |
| 4.2.3 基于SC-SPKF的相对/绝对量测融合方法 |
| 4.3 交替异步更新下的相对/绝对量测融合 |
| 4.3.1 基于Rauch-Tung-Striebel固定区间平滑的异步量测融合方法 |
| 4.3.2 基于显示克隆固定点平滑的异步量测融合方法 |
| 4.4 基于新息协方差匹配和多重衰减 χ2 检测的鲁棒自适应融合 |
| 4.4.1 基于新息协方差匹配的自适应融合方法 |
| 4.4.2 基于多重衰减 χ2 检测的鲁棒融合方法 |
| 4.5 数学仿真验证 |
| 4.5.1 恒定量测噪声且无野值下的仿真结果 |
| 4.5.2 时变量测噪声且含野值下的仿真结果 |
| 4.6 本章小结 |
| 第5章 基于鲁棒自适应迭代稀疏扩展混合滤波的分布式信标辅助导航方法 |
| 5.1 引言 |
| 5.2 分布式信标辅助导航系统总体概览 |
| 5.2.1 DBSNS系统概览 |
| 5.2.2 异步量测预处理 |
| 5.2.3 状态量定义与Jacobian矩阵 |
| 5.3 基于AISEHF的着陆器/信标位置联合估计 |
| 5.3.1 混合形式状态预测 |
| 5.3.2 自适应迭代量测更新 |
| 5.4 基于Triggs修正的鲁棒AISEHF算法 |
| 5.4.1 非高斯闪烁噪声模型 |
| 5.4.2 鲁棒Triggs修正方法 |
| 5.5 数学仿真验证 |
| 5.5.1 仿真场景定义 |
| 5.5.2 高斯白噪声下的仿真结果 |
| 5.5.3 闪烁噪声下的仿真结果与分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 相关数学概念及推导 |
| A.1 Gauss-Newton迭代算法 |
| A.2 高斯变量的联合分布与条件分布 |
| A.3 统计线性化 |
| A.4 固定点平滑器与显式克隆的等价性证明 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（2）基于机器视觉的车道偏离预警系统关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 车道偏离预警系统研究的目的意义 |
| 1.2 LDWS的研究现状 |
| 1.2.1 LDWS的分类 |
| 1.2.2 基于道路基础构造的车道偏离预警系统 |
| 1.2.3 基于车辆的车道偏离预警系统 |
| 1.2.4 国内车道偏离预警系统研究现状 |
| 1.3 车道线检测技术研究现状 |
| 1.3.1 基于传统图像处理的车道线检测技术 |
| 1.3.2 基于语义分割网络的车道线检测技术 |
| 1.4 车道线跟踪技术研究现状 |
| 1.4.1 基于感兴趣区域的车道线跟踪方法 |
| 1.4.2 基于模型参数的车道线跟踪方法 |
| 1.5 车道偏离决策技术研究现状 |
| 1.5.1 基于CCP(Car’s Current Position)的预警模型 |
| 1.5.2 基于FOD(Future Offset Distance)的预警模型 |
| 1.5.3 基于TLC(Time to Lane Crossing)的预警模型 |
| 1.5.4 基于KBIRS(Knowledge-Based Interpretation of Road Scenes)的预警模型 |
| 1.5.5 基于瞬时侧向位移的预警模型 |
| 1.5.6 基于横向速度的预警模型 |
| 1.5.7 基于预测轨迹偏离的预警模型 |
| 1.5.8 基于EDF(Edge Distribution Function)的预警模型 |
| 1.5.9 基于预瞄轨迹偏离TTD(Time to Trajectory Divergence)的预警模型 |
| 1.6 车道偏离预警系统相关技术存在的问题 |
| 1.7 研究内容与章节安排 |
| 第二章 基于自适应阈值单行滑动窗口的车道线检测技术研究 |
| 2.1 道路视频(图像)采集 |
| 2.2 道路图像车道线有效检测区域设置 |
| 2.3 道路图像局部特征研究 |
| 2.3.1 图像分割研究 |
| 2.3.2 道路图像局部特征研究 |
| 2.4 自适应阈值的单行滑动窗口车道线检测技术 |
| 2.4.1 自适应阈值的单行滑动窗口车道线检测算法中相关概念定义 |
| 2.4.2 自适应阈值的单行滑动窗口车道线检测算法设计 |
| 2.4.3 自适应阈值动态调整原则 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 基于分数阶微分和Frangi的夜间车道线检测技术研究 |
| 3.1 夜间车道线图像特征分析 |
| 3.2 夜间车道线图像合并 |
| 3.3 基于Frangi和 Hessian的图像滤波增强 |
| 3.4 基于分数阶微分的夜间车道线检测 |
| 3.5 递归霍夫直线检测 |
| 3.6 实验结果与分析 |
| 3.6.1 本章算法与传统图像处理算法的比较 |
| 3.6.2 本章算法与深度学习处理算法的比较 |
| 3.7 本章小结 |
| 第四章 基于山脊直线的大雨和雾(霾)天气下车道线检测技术研究 |
| 4.1 大雨和雾(霾)天气下车道线图像特征分析 |
| 4.2 基于改进Retinex和 Hessian的图像增强算法 |
| 4.3 基于山脊直线检测的车道线检测 |
| 4.4 车道线线段骨架提取及间隙缝合 |
| 4.4.1 车道线线段骨架提取 |
| 4.4.2 车道线骨架间隙缝合 |
| 4.4.3 最小外切矩形 |
| 4.5 实验结果与分析 |
| 4.5.1 极端天气下车道线检测过程 |
| 4.5.2 大雨天车道线检测及增强算法比较 |
| 4.5.3 雾(霾)天车道线检测及增强算法比较 |
| 4.5.4 弯曲车道线的检测 |
| 4.5.5 几种车道线检测算法对比分析 |
| 4.6 本章小结 |
| 第五章 车道线模型分析及车道线跟踪技术研究 |
| 5.1 车道线数学模型分析研究 |
| 5.2 直线车道线模型分析研究 |
| 5.3 Kalman滤波原理及优势分析 |
| 5.3.1 Kalman滤波原理 |
| 5.3.2 Kalman滤波优势分析 |
| 5.4 Kalman滤波在车道线跟踪技术中的应用 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于改进TLC和 CCP相结合的车道偏离决策技术研究 |
| 6.1 车道偏离预警算法的主要技术要求 |
| 6.2 改进TLC和 CCP相结合的车道偏离决策技术 |
| 6.2.1 改进TLC的车道偏移预警算法 |
| 6.2.2 车辆偏移方向及偏离速度研究 |
| 6.3 实验结果与分析 |
| 6.3.1 车道偏离预警测试标准 |
| 6.3.2 车道偏离预警算法测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文的工作总结 |
| 7.2 下一步工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（3）无人船组合导航系统信息融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人船组合导航研究现状 |
| 1.2.2 无人船信息融合技术研究现状 |
| 1.3 本文的研究内容 |
| 2 信息融合基础理论 |
| 2.1 捷联惯导系统原理及误差分析 |
| 2.1.1 捷联惯导系统基本原理 |
| 2.1.2 捷联惯导系统误差分析 |
| 2.2 卡尔曼滤波理论 |
| 2.2.1 卡尔曼滤波基本方程 |
| 2.2.2 卡尔曼滤波关键引理 |
| 2.3 最优自适应卡尔曼滤波算法 |
| 2.4 本章小结 |
| 3 基于最优自适应联邦卡尔曼滤波的无人船组合导航信息融合 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 组合导航系统数学模型 |
| 3.3.1 状态方程 |
| 3.3.2 观测方程 |
| 3.4 最优自适应联邦卡尔曼滤波器 |
| 3.4.1 联邦卡尔曼滤波器 |
| 3.4.2 自适应信息分配因子 |
| 3.5 仿真研究 |
| 3.6 本章小结 |
| 4 具有不可靠测量信息的无人船组合导航信息融合 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 最优分布式信息融合 |
| 4.3.1 可靠测量下的局部卡尔曼滤波器 |
| 4.3.2 不可靠测量下的局部卡尔曼滤波器 |
| 4.3.3 不可靠测量下的最优分布式滤波器 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 5 异步多速率下的无人船组合导航信息融合 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 多尺度系统模型 |
| 5.4 基于协方差交叉的最优分布式信息融合 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（4）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 |
（5）多微机电陀螺数据融合方法的切换策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 MEMS陀螺仪 |
| 1.3 多传感器数据融合技术 |
| 1.4 信号突变检测研究进展 |
| 1.5 MEMS陀螺技术的发展趋势 |
| 1.6 研究内容与论文结构 |
| 2 信号多尺度分析与小波域多尺度数据融合算法 |
| 2.1 小波分析的基础理论 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 多分辨率分析及Mallat算法 |
| 2.3 多尺度融合分析 |
| 2.4 小波熵 |
| 2.5 小波域多尺度数据融合算法 |
| 2.6 基于小波融合算法的陀螺数据融合处理 |
| 2.7 本章小结 |
| 3 信号突变检测 |
| 3.1 小波方法 |
| 3.1.1 信号的突变与小波变换 |
| 3.1.2 小波方法信号突变检测原理 |
| 3.2 累积和控制图法 |
| 3.3 Mann-Kendall方法 |
| 3.4 启发式分割算法 |
| 3.5 陀螺信号实时突变检测方法 |
| 3.6 本章小结 |
| 4 动态陀螺信号融合方法及融合方法切换方案 |
| 4.1 自适应Kalman滤波融合算法 |
| 4.2 正交基神经网络算法 |
| 4.2.1 正交基神经网络模型 |
| 4.2.2 正交基神经网络算法描述 |
| 4.3 最优加权递归最小二乘融合算法 |
| 4.3.1 最优权值的确定 |
| 4.3.2 量测噪声的方差估计 |
| 4.3.3 递归最小二乘 |
| 4.4 数据融合方法的分析比较 |
| 4.5 MEMS陀螺数据融合方法切换方案 |
| 4.6 本章小结 |
| 5 实验分析 |
| 5.1 陀螺数据融合结果性能评价 |
| 5.1.1 普通Allan方差 |
| 5.1.2 动态Allan方差 |
| 5.2 静态实验 |
| 5.3 动态实验 |
| 5.3.1 恒速率实验 |
| 5.3.2 匀加速实验 |
| 5.3.3 跳变实验 |
| 5.3.4 单轴角振动实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 存在的不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）模糊统计决策理论基础上的大型工程项目风险评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和问题提出 |
| 1.2 研究目的和意义 |
| 1.3 研究思路及主要内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 本文创新之处 |
| 第2章 研究现状综述 |
| 2.1 概念定义与性质分析 |
| 2.1.1 大型复杂工程项目的定义与性质 |
| 2.1.2 模糊统计决策理论的定义 |
| 2.2 风险评估方法研究现状 |
| 2.2.1 国外研究现状 |
| 2.2.2 国内研究现状 |
| 第3章 基于模糊综合评价法的项目风险因素评估方法研究 |
| 3.1 预备阶段 |
| 3.1.1 建立风险评估组 |
| 3.1.2 识别风险因素 |
| 3.2 评估特定风险 |
| 3.2.1 确定评语集 |
| 3.2.2 建立评价标准 |
| 3.2.3 确定每个风险指标的权重 |
| 3.2.4 建立模糊评价矩阵 |
| 3.2.5 计算风险指数 |
| 3.3 本章小结 |
| 第4章 基于集成ISM 和ANP方法的项目整体风险评估方法研究 |
| 4.1 项目整体风险评估的基本方法 |
| 4.1.1 解释结构模型法 |
| 4.1.2 层次分析法 |
| 4.2 集成ISM和ANP的项目整体风险评估方法研究 |
| 4.2.1 确定各个风险相互依赖程度 |
| 4.2.2 构建ANP网络结构 |
| 4.2.5 形成未加权超矩阵 |
| 4.2.6 构建聚类矩阵 |
| 4.2.7 构建加权超矩阵 |
| 4.2.8 形成极限级矩阵 |
| 4.3 评估项目整体风险指数 |
| 4.4 本章小结 |
| 第5章 基于多尺度信息融合的动态风险评估方法研究 |
| 5.1 多尺度数据的过滤 |
| 5.1.1 分块系统的多尺度描述 |
| 5.1.2 多尺度贯序式Kalman滤波 |
| 5.1.3 MSBKF算法推导 |
| 5.2 多尺度多传感器数据融合 |
| 5.2.1 多传感器系统描述 |
| 5.2.2 多尺度序贯Kalman滤波器实时性和递归性 |
| 5.2.3 多尺度序贯Kalman滤波器融合性 |
| 5.3 动态过程多尺度数据融合表示方法与建模 |
| 5.3.1 动态过程多尺度信息融合表示方法 |
| 5.3.2 动态过程多尺度信息融合建模 |
| 5.4 多尺度数据融合方法的动态过程监控 |
| 5.4.1 问题描述与分析 |
| 5.4.2 基于数据融合理论的动态过程监控 |
| 5.4.3 基于多尺度数据融合的动态过程监控方法 |
| 5.4.4 多尺度方法的优势 |
| 5.5 本章小结 |
| 第6章 案例应用 |
| 6.1 项目风险因素评估 |
| 6.1.1 建立风险评估组 |
| 6.1.2 确定风险因素 |
| 6.1.3 确定评估标准 |
| 6.1.4 建立评语集 |
| 6.1.5 确定每个标准的权重 |
| 6.1.6 建立模糊评估矩阵 |
| 6.1.7 计算风险指数 |
| 6.2 项目整体风险评估 |
| 6.2.1 整体风险评估前期工作 |
| 6.2.2 确定每个风险的权重 |
| 6.2.3 评估总体风险 |
| 6.3 动态风险评估 |
| 6.3.1 数据过滤 |
| 6.3.2 多尺度数据融合 |
| 6.3.3 动态过程监控 |
| 第7章 结论与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简介及在校期间所取得的科研成果 |
| 致谢 |
（7）多尺度递归融合估计在组合导航系统中的应用（论文提纲范文）
| 1 系统描述 |
| 2 多尺度递归融合估计算法 |
| 3 组合导航系统仿真 |
| 4 小结 |
（8）基于小波滤波的多尺度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 课题研究背景和意义 |
| 1.2 信息融合的发展概况 |
| 1.3 多尺度系统理论 |
| 1.4 多传感器系统的特点和结构 |
| 1.5 多传感器信息融合主要方法 |
| 1.6 组合导航系统的研究现状 |
| 1.7 研究内容与论文结构 |
| 第2章 基于小波滤波的多尺度系统理论 |
| 2.1 引言 |
| 2.2 小波变换理论 |
| 2.2.1 连续小波变换 |
| 2.2.2 小波级数 |
| 2.2.3 多尺度分析 |
| 2.2.4 Mallat算法 |
| 2.3 本章小结 |
| 第3章 多尺度单传感器系统模型研究 |
| 3.1 引言 |
| 3.2 多尺度单传感器系统模型 |
| 3.3 信号的多尺度分析 |
| 3.4 多尺度单传感器分布式融合估计算法 |
| 3.5 估计算法在SINS/GPS组合导航系统中的应用 |
| 3.5.1 状态和量测的选取 |
| 3.5.2 系统的状态方程 |
| 3.5.3 系统的测量方程 |
| 3.5.4 SINS/GPS组合导航系统数字仿真 |
| 3.6 本章小结 |
| 第4章 多尺度多传感器的组合导航系统研究 |
| 4.1 引言 |
| 4.2 多尺度多传感器动态系统模型 |
| 4.3 多尺度多传感器分布式融合估计算法 |
| 4.3.1 算法描述 |
| 4.3.2 算法实现 |
| 4.4 惯导系统与其它传感器观测模型的建立 |
| 4.4.1 双星导航系统对惯导系统误差的观测 |
| 4.4.2 星光导航系统对捷联惯导系统误差的观测 |
| 4.4.3 多普勒导航系统对捷联惯导系统误差的观测 |
| 4.5 多尺度多传感器在导航系统中的数字仿真 |
| 4.5.1 组合导航系统仿真初始条件设定 |
| 4.5.2 组合导航系统仿真结果及分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 个人简历 |
（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、多尺度多速率递归Kalman滤波（论文参考文献）
- [1]月面着陆多体制导航方法研究[D]. 李云天. 哈尔滨工业大学, 2021(02)
- [2]基于机器视觉的车道偏离预警系统关键技术研究[D]. 陈卫卫. 长安大学, 2021(02)
- [3]无人船组合导航系统信息融合研究[D]. 杨毅. 大连海事大学, 2020(01)
- [4]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
- [5]多微机电陀螺数据融合方法的切换策略研究[D]. 房鸿才. 西安理工大学, 2018(12)
- [6]模糊统计决策理论基础上的大型工程项目风险评估方法研究[D]. 刘佳琳. 吉林大学, 2013(08)
- [7]多尺度递归融合估计在组合导航系统中的应用[J]. 周雪梅,苏丽,吴俊伟. 中国惯性技术学报, 2009(01)
- [8]基于小波滤波的多尺度传感器信息融合方法研究[D]. 曲法义. 哈尔滨工业大学, 2008(S2)
- [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)