一、一种复数赫布型学习算法及其在自适应ⅡR滤波器中的应用(论文文献综述)
刘志超[1](2020)在《合成孔径雷达图像目标识别方法研究》文中指出合成孔径雷达(Synthetic Aperture Radar,SAR)能在恶劣气象、天候条件下工作,随着SAR分辨率的不断提高,其获取的图像可广泛应用在军事和民用等领域,尤其在军事战术中常态化的侦查监视中具有重要的应用价值。典型的SAR自动目标识别需要经历目标检测、目标鉴别、目标识别三个阶段。相比较于目标检测、目标鉴别,SAR图像目标识别在识别有效性和准确率上仍存在问题,因此,SAR图像目标识别研究成了信息工程领域研究的疑难问题,具有重要的研究意义。本文针对SAR图像目标识别在不同配置条件(包括俯仰、遮挡、噪声等)变化下现有目标识别方法识别准确率不高问题,对SAR图像目标识别关键技术:目标特征提取和目标分类的方法进行了深入的理论分析和可行性研究,具体研究内容如下:1、针对SAR图像基于传统二维经验模态分解特征提取时图像信息缺失问题,提出了一种改进了的基于复数二维经验模态分解特征提取的SAR图像目标识别方法。SAR图像本身为复数矩阵,具有幅度和相位信息,传统二维经验模态分解方法中单纯使用幅度信息会一定程度造成信息缺失。复数二维经验模态分解作为传统二维经验模态分解在复数域的扩展,可有效用于复数图像的处理和分析。通过复数二维经验模态分解对原始SAR图像进行分解,获得多层次复数内蕴模函数,反映目标时频二维特性,联合稀疏表示分类算法,可利用内在关联性约束提高各层次复数内蕴模函数的表征精度。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法有效提升了识别准确率。2、针对SAR图像基于压缩感知理论设计的单一随机投影矩阵获得的特征具有局限性,不能从多个方面反映原始SAR图像的特性,提出了一种改进了的基于联合多层次二维压缩感知投影特征提取的SAR图像目标识别方法。通过构建多个二维压缩感知随机投影矩阵,以提取原始SAR图像的多层次特征,多层次二维压缩感知随机投影矩阵不仅可以有效对高维数据进行降维处理,而且获得的特征矢量具有良好的鉴别性,能够反映原始SAR图像中目标的不同层次特征,采用联合稀疏表示来表示提取的多个特征,并考察不同特征的内在关系,根据所有特征的重建误差之和来确定目标类别。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法具有较好的识别率和鲁棒性。3、针对SAR图像基于卷积神经网络的特征提取时多特征向量融合出现的冗余问题,提出了一种基于多重集典型相关分析的深度特征融合的SAR图像目标识别方法。通过卷积神经网络中使用不同卷积核的卷积运算可以挖掘出输入图像的多方面属性,学习得到多层深度特征,利用多重集典型相关分析对来自不同卷积层的的特征向量融合为最终的特征矢量,在减少冗余的同时还保持它们的相关性,采用稀疏表示分类对多重集典型相关分析融合的深度特征向量进行分类。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法在标准操作条件和扩展操作条件下保持着较高的识别率和鲁棒性。4、提出了一种基于二维经验模态分解和极限学习机的SAR图像目标识别方法,二维经验模态分解对SAR图像进行特征提取,产生多层二维内模函数,这些多层二维内模函数能够有效消除噪声,补偿了极限学习机对噪声相对较低的自适应性。极限学习机作为一种新型的快速学习算法,训练过程中不需要对参数进行调节就可以展开训练,当设定隐层神经元数量时,自动得到最优解,学习效率高、泛化能力强。基于MSTAR数据集,该方法在标准操作条件和扩展操作条件下都具有较高的识别率和鲁棒性。
万锦伟[2](2020)在《基于深度网络的HRRP目标识别与对抗攻击研究》文中提出随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别(RATR)技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像(HRRP)反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关注。本论文将围绕国家自然科学基金、国防预研等项目,针对雷达高分辨距离像信号,主要从基于深度神经网络的HRRP特征提取(目标识别)及针对HRRP识别系统的对抗攻击两方面开展相关研究。论文研究内容可以概括为以下几个方面:1、为充分挖掘HRRP信号距离单元之间的空间相关性和提取结构化的判别特征,本文提出了一种可同时完成雷达HRRP目标识别和拒判任务的改进的卷积神经网络(CNN)模型。该模型在传统CNN识别网络基础上,增加一个重构网络来实现库外目标拒判功能。通过识别网络和重构网络的融合,使得该模型可同时实现HRRP的识别和拒判任务。此外,由于雷达HRRP信号的相位信息可以提供额外的分类信息,因此在该模型中除了使用常用的HRRP一维时域特征外,还使用HRRP的二维谱图特征用于识别和拒判任务。在实测数据集上的实验结果表明:所提方法无论在识别性能还是拒判性能上均优于传统方法。2、本文探讨了HRRP时频表示对识别结果的影响,并提出了一种具有注意力机制的CNN网络用于HRRP目标识别任务。具体的,为探索HRRP时频表示的影响,文中分别使用了短时傅里叶变换和连续小波变换两种时频变换方法对HRRP信号进行分析并对比了它们在CNN网络中的识别性能。在此基础上,针对在使用HRRP时频表示时需要参数选择的问题,提出了一种具有注意力机制的CNN模型用于HRRP目标识别。该模型通过注意力机制将由CNN从不同HRRP时频表示提取的特征进行自动融合,不仅避免了参数不合适影响识别结果的问题,而且还进一步提高了目标识别的准确率。3、为使深度网络同时具有好的特征提取和抗平移敏感能力,本文提出了一种CNN与双向递归网络(Bi RNN)的混合模型(称为CNN-Bi RNN模型),用以HRRP目标识别任务。在CNN-Bi RNN模型中,先采用CNN从HRRP信号中提取有用的结构化特征,然后利用双向RNN对所提特征进行时序建模。为进一步提高模型的抗平移敏感能力,在CNN-Bi RNN模型中还引入了注意力机制,使模型所提特征更聚焦在目标区域。CNN-Bi RNN模型结合了CNN和RNN各自的优点,即与单纯的CNN模型相比,CNN-Bi RNN具有时序建模能力,可以缓解HRRP的平移敏感问题;而与直接用RNN对HRRP识别相比,CNN-Bi RNN采用CNN进行特征提取,有效提高了模型的识别率。基于实测数据的实验显示,本模型无论在识别率还是对抗平移敏感方面均具有优势。4、本文对比和分析了几种经典的数字对抗样本生成方法,并提出了一种鲁棒的数字对抗样本生成方法。对抗样本是深度网络的特有产物,研究对抗样本的生成可以达到攻击基于深度网络的目标识别系统的目的。为研究基于深度网络HRRP识别模型中的对抗样本问题,本文分析了几种经典的数字对抗样本生成方法并在实测数据集上进行了攻击性能对比。进一步地,为提高数字对抗样本的鲁棒性与实用性,提出了一种鲁棒的数字对抗样本方法。该方法通过优化的方式产生一个通用的、局部对抗扰动用以网络攻击。相比经典的数字对抗攻击方法,该方法产生的对抗扰动更具实用性,为将来针对实际HRRP目标识别系统的攻击提供基础。
徐炜鸿[3](2020)在《神经网络在基带信号处理中的应用及其高效实现》文中指出未来无线网络超高的速率给基带信号处理芯片的设计与实现提出了巨大的挑战,基带芯片不仅需要能够处理多种算法,还需要能够提供极高的吞吐率,然而电子信息设备小型化、低功耗的发展趋势意味着未来的基带芯片需要兼具小面积和低功耗的特性。在摩尔定律放缓的大背景下,这些挑战使得基带芯片的设计与制造难上加难。此外已有的无线基带算法中还面临最优检测与估计、无法建模和难以求解以及缺乏算法与硬件实现联合优化等问题。本文立足于以上问题,对神经网络算法在多个基带算法中的应用进行了深入探究。此外,本文还针对经过神经网络优化的算法,进行算法与硬件的协同优化,提出了高效的专用硬件架构,并在ASIC平台上进行了实现和性能验证。首先,针对第五代移动通信(5G)系统中的极化码译码,本文提出了深度学习(DL)方法,以优化极化码BP译码和级联的Polar--LDPC码联合译码这两种译码算法。首先,本文提出了二维偏移最小和(2--D OMS)译码算法,以提升现有归一化最小和(NMS)译码的纠错性能。然后,本文利用DL中优化神经网络的方法用来优化和搜索所提出算法中的参数。数值结果表明,在各种码长度上,所提出的2--D OMS与精确BP译码算法之间几乎没有纠错性能上的差距。本文还针对级联的Polar--LDPC码,提出了低复杂度的级联OMS算法,结果显示经过DL算法优化后的级联OMS算法在码长为1024的极化码上,取得了与L=2的CRC辅助的串行抵消列表(CA-SCL)译码算法接近的纠错性能。上述的优化方法被扩展应用到大规模MIMO系统,深度神经网络(DNN)被用于增强基于消息传递算法的MIMO检测器(MPD)。本文首先介绍了通过展开迭代的MPD算法来构建用于MIMO检测的DNN架构的通用方法。然后结合改进的MPD(包括阻尼置信传播(BP),最大和(MS)BP和简化的CHEMP算法,提出了多种DNN MIMO检测器。所提出的DNN MIMO检查其中未知的校正因子通过深度学习方法进行优化,以达到更好的性能。实验结果表明,与最小均方误差(MMSE),BP和CHEMP等多种最新的MIMO检测算法相比,本文提出的DNN MIMO检测器只需要训练一次,即可重复用于多次检测,而且在保证复杂度相近的前提下,可以实现更好的误码率性能,增加对各种天线和信道条件的鲁棒性。基于神经网络方法,本文还研究了非线性信道上的均衡问题。文章提出了一种基于神经网络的联合均衡与译码器,无需信道状态信息(CSI)即可实现对接收信号的盲均衡和译码过程。与已有的方法不同,本文使用了两个分离的神经网络。首先,使用一个卷积神经网络(CNN)从具有码间干扰和非线性失真的接收信号中,自适应地恢复出传输信号。然后,一个深度神经网络译码器(NND)对来自CNN均衡器的检测信号结果进行译码。在多种信道条件下,实验结果表明,所提出的CNN均衡器比其他基于机器学习的方法具有更好的均衡性能。与最先进的神经网络模型相比,所提出的模型减少了约2/3的参数量。此外,该模型可以轻松地以O(n)的复杂度拓展到任意长度的序列。针对低复杂度的硬件实现,本文对极化码译码和神经网络的推理等各种任务提出了多种量化方案和优化策略,主要贡献在于三个方面:(a)本文提出一种确定极化码BP译码器的定点量化方案和最佳LLR缩放因子的方法,为相应的硬件设计提供了理论指导。(b)此外,针对高效CNN推理,本文提出了一种低比特且无需重新训练的量化方法,该方法可使CNN仅用移位和加法运算处理推理运算。实验结果表明,与其他低比特的量化方法相比,该方法无需在Image Net上进行重新训练即可达到更高的精度。而与全精度模型相比,所提出的算法取得了5至8倍的压缩比,而硬件实现所需的资源大量减少,同时还保持了系统吞吐量。(c)为了设计和优化通信系统中的神经网络模型,我们提出了一个经过重新训练的迭代优化框架,以找到不同神经网络的高效量化方案。此外,本文提出了卷积神经网络的高效设计方法,在不损失性能的前提下减少了所需的参数和计算复杂度。在调制分类、信道译码器和均衡器任务上,与全精度模型相比,量化并优化后的NN模型仅需4到5位的权重比特和8比特的激活值即可达到与全精度模型相当的性能。优化后模型的大小被显着压缩,推理的硬件复杂度也大大降低。除了算法的优化外,本文还重点研究了极化码BP译码器和神经网络推理的高效能和可重配置的硬件体系结构。首先,本文提出了可配置的极化码OMS译码器的ASIC硬件架构。该译码器架构可重新配置,以支持三种极化码码长(N=256,512,1024)和两种译码模式(2-D OMS和级联OMS)。在65 nm CMOS工艺上实现的极化码OMS译码器对于码长为1024的最大译码吞吐率为5.4 Gb/s,对于码长为256的最大译码吞吐率为7.5 Gb/s,与目前其他最新的极化码BP译码器性能相当。此外,在码长度为1024的级联OMS译码模式下可实现5.1 Gb/s的吞吐量,延迟为200 ns,这优于具有相近纠错性能的CA-SCL(L=2)译码器。现有的研究利用Winograd和快速傅里叶变换(FFT)等快速算法来减少CNN的卷积运算复杂度,本文针对CNN和生成对抗网络(GAN)模型提出了一种基于ASIC的可重构且低复杂度的加速器,旨在进一步加速CNN中的卷积(CONV)以及GAN中的转置卷积(TCONV)计算。首先,利用费马数变换(FNT),我们提出了两种基于FNT的快速算法,分别降低了CONV和TCONV计算的复杂度。然后给出了基于FNT的加速器的硬件体系结构,以实现所提出的快速算法。还介绍了确定硬件设计参数和优化数据流的方法,以获取最高的性能和效率。此外,我们在65 nm 1P9M工艺上实现了所提出的加速器,并在多种CNN和GAN模型上对其进行了评估和测试。布局布线的后仿真结果表明,我们的设计在VGG-16上实现了288.0 GOP/s的吞吐率以及25.11 GOP/s/mm2的硬件面积效率,优于最新的CNN加速器。此外,在GAN上至少比现有的加速器快1.7倍,并且其能源效率分别是CPU和GPU的275.3倍和12.5倍。
鄢小安[4](2019)在《基于数学形态学的滚动轴承故障诊断方法研究》文中提出旋转机械在现代工业和智能制造中占据越来越大的地位。对旋转机械的工作状态进行实时监控不仅能够避免灾难事故的发生,而且有望增加明显的经济收益。滚动轴承被誉为工业生产中旋转机械装备的重要关节之一,在不同领域有着广泛的应用,其运行状态的正常与否直接关系到整个机械装备的工作性能。因此,对于新故障诊断方法的探索和挖掘,滚动轴承是一个很好的研究对象。在实际工程中,由局部缺陷引起的轴承振动信号通常具有非线性、非平稳、低信噪比、故障特征不明显等特点,直接采用频谱分析将难以做出有效诊断。另外,一些常规诊断方法如AR模型、谱峭度、时频分析等各自具有一定局限性。因此,探索有效的滚动轴承故障诊断方法在工程实际中是不得不面对的现实问题。数学形态学是一种非线性非平稳信号分析方法,通过结构元素探针可以实现对非线性信号细节信息的有效匹配和捕捉,在轴承损伤检测领域有着良好的应用前景。本文以滚动轴承为研究对象,在现有数学形态学方法的基础上,对基于数学形态学的轴承故障诊断方法进行了深入研究并作出了改进,旨在提高轴承故障诊断的准确度,进而最大程度避免事故的出现。本文的创新点和主要工作内容如下:(1)在研究数学形态学基本理论和性质的基础上,通过采用闭开-开闭组合形态滤波器与原信号的差值运算,定义了一种新形态学算子——组合形态-hat变换(Combination morphological filter-hat transform,CMFH)。通过研究数学形态学的滤波特性,给出了不同形态学算子的适用场合。在此基础上,针对数学形态学算子主要依赖于经验性选取结构元素参数的问题,提出了一种基于粒子群优化的组合形态-hat变换(PSO-CMFH)。该算法首先通过粒子群优化算法自适应搜索形态学算子的最佳结构元素参数,随后利用最佳结构元素参数下的CMFH变换对故障信号进行分析,进而实现轴承故障信息的提取。通过仿真验证了提出算法在冲击故障特征提取中的有效性。(2)以CMFH变换为基础,通过引入多尺度结构元素和加权运算,定义了一种多尺度组合形态-hat变换(Multiscale combination morphological filter-hat transform,MCMFH),能够用于兼顾不同尺度上的冲击特征信息。随后,在MCMFH变换的基础上,针对融合单一特征指标的多尺度形态学分析容易引起部分故障特征信息丢失的问题,提出了一种基于特征选择框架的多尺度形态学分析方法(FS-MMA)。该算法首先提取原始信号的多域特征;然后根据熵权法选取若干个代表性敏感特征;最后运用灰色关联分析确定MCMFH变换的最优结构元素尺度,进而实现轴承故障特征信息的有效提取。通过仿真和实验轴承故障数据分析验证了提出算法的有效性。分析结果表明:与传统的融合单一特征指标的多尺度形态学分析相比,提出算法具备更好的特征提取效果,提升了诊断精度。(3)以CMFH变换和开闭平均-hat变换为基础,将两者进行乘积运算,定义了一种形态顶帽乘积算子(Morphology hat product operation,MHPO)。在此基础上,借鉴对角切片谱具备特征增强和抑制噪声的优良特性,提出了一种增强尺度形态顶帽乘积滤波(Enhanced scale morphological-hat product filtering,ESMHPF)。该算法首先采用多尺度形态顶帽乘积算子对原始信号进行滤波处理;然后计算各尺度处形态顶帽乘积滤波结果的三阶累计量对角切片和对角切片谱,同时结合故障特征比确定最优结构元素尺度;最后根据最优尺度形态对角切片谱,实现了轴承故障特征信息的增强检测,同时提升了传统多尺度形态学滤波的诊断效果。利用仿真和实测轴承故障信号验证了提出方法的有效性。分析结果表明:ESMHPF方法不仅可以有效地提取故障特征信息,而且具备特征增强的功效。(4)通过将形态学梯度算子引入到形态谱运算中,同时结合信息熵理论,定义了形态梯度谱(Pattern gradient spectrum,PGS)和形态梯度谱熵(Pattern gradient spectrum entropy,PGSE)的概念。在此基础上,借鉴传统多尺度熵的粗粒化序列过程,提出了一种广义多尺度形态梯度谱熵(Generalized multiscale pattern gradient spectrum entropy,GMPGSE),实现了PGSE在多个尺度上评估时间序列的随机性和动力学突变行为。最后,为了实现轴承故障状态的智能识别和自动分类,将GMPGSE、拉普拉斯分值(LS)和极限学习机(ELM)相结合,提出了一种基于GMPGSE的滚动轴承智能故障诊断方法。通过实例数据分析证明了提出方法的可行性。研究结果表明:与传统多尺度熵相比,GMPGSE具有更高的诊断精度和计算效率,能够更有效地辨识不同的轴承故障状态。(5)通过搭建实验室的滚动轴承故障模拟实验台对研究方法进行了实用性验证。首先,详细地介绍了滚动轴承故障模拟的整体实验方案。然后,分别采用PSO-CMFH、FS-MMA、ESMHPF三种特征提取算法对采集的轴承振动数据和实际工程数据进行了分析,验证了研究方法的有效性。另外,从定量和定性两个方面对三种特征提取算法进行了比较和讨论。最后,将GMPGSE应用在滚动轴承智能故障诊断中。通过实验分析结果表明:GMPGSE能够有效地辨识滚动轴承的不同损伤类型,其分类精度高于传统多尺度熵。
王成杰[5](2019)在《基于观测器的纵向飞行控制系统故障重构研究》文中研究表明由于民航客机在飞行的过程中将面临复杂多变的外部空间环境,各种不利因素将不同程度影响飞行控制系统的可靠性与稳定性,导致各类运行风险甚至引发严重的飞行灾难。因此,基于现有飞行控制系统与外部空间环境特征,探讨分析科学有效的系统故障重构机制能显着提升控制系统的性能,提高飞机飞行的安全水平。本文针对含有有界干扰输入的飞行控制系统进行传感器故障检测研究。通过对输出信号进行非奇异线性变换,将传感器故障等效转化为执行器故障,提出对干扰具有鲁棒性、对故障具有敏感性的残差生成方法,设计滑模观测器完成残差的计算分析,对传感器可能出现的故障风险进行预计和监测,从而获得比较可靠的故障信号,以此为依据对其信号进行重构从而提供系统的可靠性。仿真结果证明了所提方法的有效性。此外,针对满足Lipschitz条件的非线性飞行控制系统,探讨分析基于滑模观测器的执行器和传感器同时发生故障的鲁棒重构问题。借助线性变化矩阵与后置滤波器完成系统的增维处理,并结合H?控制设计构建鲁棒滑模观测器的增益矩阵,将所需研究的问题转化为基于线性矩阵不等式(Linear Matrix Inequality,LMI)约束条件的多目标凸优化问题。并且将自适应律引入滑模观测器的增益矩阵中,确保状态估计误差渐近稳定,在此基础上给出传感器与执行器故障的优化重构算法。最后通过仿真实验对算法的有效性进行检验。本文还针对满足Lipschitz条件并且存在执行器故障与外部扰动问题的飞行控制系统,结合相关科学理论和实践经验构建一种以比例微分(Proportion Differentiation,PD)型迭代学习观测器技术理念为基础的全新故障重构体系。根据线性矩阵不等式的计算结果确定该上述迭代学习观测器的架构方式,同时结合Lyapunov稳定性理论从理论层面对本设计的稳定性条件进行分析论述。结果表明,本设计表现出良好的鲁棒性能指标,实现了测量噪声、随机扰动等因素共存条件下的故障重构并且进一步提升了重构结果的精确性。而仿真实验的结果也充分肯定了本方法的科学性与有效性。
史春芬[6](2019)在《自适应滤波算法的代价函数及更新方法》文中研究表明自适应滤波器(Adaptive Filter,AF)作为统计信号处理的一个重要组成部分,在信号处理与定位等领域得到了广泛的应用与发展。针对平稳数据,AF在信号处理的过程中,系统参数能够随着输入信号的变化进行自适应调整,不需要提前估计噪声与信号的参数。针对非平稳数据,基于状态空间模型,以卡尔曼滤波器为代表的AF对具有良好的状态估计性能。此外,作为一种新兴的机器学习方法,超限学习机(Extreme Learning Machine,ELM)已经被广泛应用于信号处理与机器学习领域。从学习效率的角度来看,ELM具有学习速度快、性能好的特点。关于AF的研究现状,主要包括优化准则,滤波结构及权重更新方式三个方面。其中,AF的优化准则主要包括最小均方误差准则(Minimum Mean Square Error,MMSE)、最大相关熵准则(Maximum Correntropy Criterion,MCC)及广义最大相关熵准则(Generalized Maximum Correntropy Criterion,GMCC)等。其中,MMSE准则在高斯噪声的干扰下可以取得最佳的滤波性能;而基于高斯核函数的MCC由于包含误差的高阶统计特性,因此可以有效地抑制脉冲等非高斯干扰噪声的影响,具有较好的鲁棒性。然而,在相关熵中,高斯核函数并不总是最好的选择,基于广义高斯密度(Generalized Gaussian Density,GGD)函数,提出了广义相关熵。传统的带有高斯核函数的最大相关熵可以看作广义相关熵的特殊形式。类似于MCC,广义相关熵可以被看作一种新的优化准则而用于解决估计最优问题,从而产生了GMCC。对于滤波结构的研究,主要包括前馈和反馈两种。传统的滤波算法主要采取前馈结构。而针对权重的更新方式,传统的自适应滤波算法主要采用的为牛顿下降法和梯度下降法两种。作为传统微分形式的泛化形式,q微分及分数阶微分在自适应滤波方面得到了越来越多的应用。本文主要基于代价函数及其更新方式两个方面,对自适应滤波器的滤波性能及鲁棒性做了相关的研究。主要工作如下:(1)为了有效地提高滤波器的滤波精度和收敛速度,本文将q微分与仿射投影算法(Affine Projection Algorithm,APA)相结合,推导出了基于q微分的仿射投影算法(q-Affine Projection Algorithm,q-APA)。由于q微分是计算代价函数的割线,而传统的微分是计算代价函数的切线,因此,q微分相比于传统的微分,可以更好地避免代价函数的局部最优解。定q值的滤波算法往往不能同时提高滤波器的滤波精度和收敛速度,为了能够同时提高两者,在q-APA的基础上本文提出了变q值的仿射投影算法(Variable q-Affine Projection Algorithm,V-q-APA)。由于V-q-APA在权重更新的过程中可以自适应调节q值,因此V-q-APA能够同时提高滤波器的滤波精度和收敛速度。(2)由于MCC准则能够有效地抵抗脉冲噪声中的异常值,因此,基于MCC准则的滤波器具有更好的鲁棒性。分数阶微分相比于传统的整数阶微分,其所描述的系统往往更接近实际系统。因此,本文基于MCC准则,提出了分数阶最大相关熵算法(Fractional-order Maximum Correntropy Criterion,FMCC),相比于传统的最大相关熵算法,本文所提FMCC算法可以取得更快的收敛速度和更好的滤波精度。(3)为了使滤波器在非高斯噪声环境中获得更好的鲁棒性和滤波精度,将广义最大相关熵准则应用于在线序贯超限学习机(Online Sequential Extreme Learning Machine,OS-ELM),提出了一种具有更好鲁棒性的基于广义最大相关熵的在线序贯超限学习机(Online Sequential Extreme Learning Machine Based on the Generalized Maximum Correntropy Criterion,OS-ELM-GMCC)。作为MCC的泛化形式,通过选择合适的参数,OS-ELM-GMCC可以取得更好的滤波性能。
江帅[7](2019)在《基于改进小波神经网络的电力系统谐波检测方法研究》文中进行了进一步梳理我国生活水平和生产步伐的快速发展使得其对电力的需求呈现逐年上升的趋势,同时对电力系统的稳定性和安全性要求也日益提高。电力系统中大量非线性设备的使用,使电力系统受到谐波的污染。谐波会使电力系统中的电力设备产生额外的损耗,使设备中的线路过热,加速设备与线路的老化,甚至可能引发火灾与事故;还有可能引起电力系统中的谐振,存在烧毁电网中的重要电容、电感的风险;引起继电保护和自动装置的误动作,影响电力系统的稳定性,进而导致人身和设备的巨大损失。因此,为了确保电力系统安全,有必要研究如何快速、准确地检测电力系统中谐波信号。文献调研结果表明,相关研究已经为电力系统谐波检测提供了丰富的手段,但是仍存在未解决的问题,主要包括:(1)小波神经网络收敛速度较慢,网络性能受多个参数的影响。(2)实际电力系统的噪声中脉冲噪声占主要成分;现有谐波检测方法大多对噪声比较敏感,尤其是在环境比较恶劣、信号中噪声成分较多时,易导致谐波检测性能不佳。(3)电力系统中的基波存在波动,会影响谐波检测的精度。本文为解决上述问题选取小波神经网络方法对电力系统谐波检测这一课题开展研究,主要研究内容包括:(1)对小波神经网络方法进行研究,针对小波神经网络的学习算法、结构以及初始参数确定问题进行了优化,改进了小波神经网络的检测精度和收敛性能,为电力系统的谐波检测提供方法支持。(2)针对电力系统中含有脉冲噪声的问题,采用中值滤波进行预处理;对电力系统中的基波波动的问题,采用BP神经网络方法进行电力系统基波的检测,再将检测所得基波值带入谐波检测中。上述结果可为后续谐波检测提供数据支持。(3)为提高谐波检测的性能和抗噪能力,应用改进的小波神经网络方法进行电力系统的谐波检测;并与其他常用谐波检测方法进行比较,仿真结果表明改进小波神经网络在电力系统谐波检测方面具有更好的检测性能和运算效率。通过本文的研究工作,为电力系统谐波检测提供了可行的方法,尤其是在环境比较恶劣、信号受噪声影响较大时,所提方法仍然具有较高的检测精度,有助于研究方法的扩展与应用。
孟琦[8](2019)在《数据驱动学习控制及其电力逆变器工程应用研究》文中研究表明本论文以电力逆变器为被控对象,针对输出电压谐波问题系统的研究了数据驱动学习控制设计方法,考虑逆变器工程中存在不确定性和扰动问题,设计了三通道复合控制器,同时也考虑了微网中多逆变器电压电流协调控制等问题。论文主要研究内容及创新点总结如下:一、针对逆变器输出电压谐波问题,提出了基于数字滤波器的线性相位学习控制方法。工作包括通过对系统扰动和期望信号传递函数的分析,给出了闭环学习系统稳定性条件,并利用数字滤波器线性相位特性设计了满足稳定性条件的学习控制器;设计了带有正反馈通道滤波器的学习控制方法,用于抑制逆变器运行中的周期域误差累积,使得学习控制对于特定频段的稳定裕度相应增加。仿真表明,所提逆变器学习控制方法具有较低的总谐波畸变和较高的输出电压精度。二、针对逆变器学习控制中存在的非周期扰动,提出了带有信息选择机制的学习控制方法。工作包括利用输出电压误差有效值分析误差信息周期特征,通过设置误差波动阈值抑制非周期扰动对学习环节的影响;通过引入扩张状态观测器对非周期扰动进行估计与补偿,并分析了观测器对不同频率扰动的估计性能;为了便于逆变系统实际应用,将学习环节设计为仅含有一个滤波器的单位正反馈环节,使用滤波器截止频率即可确定学习参数。三、针对逆变器实际工程中存在的不确定因素和外部扰动,设计了含有前馈学习环节、抗扰环节,以及基本反馈环节的三通道复合控制器,并证明了稳定性;对三通道控制器各环节参数进行整合,提出了逆变系统复合控制器单参数整定方法。实验表明,三通道复合控制器能够有效抑制多种不确定性和扰动,对逆变系统参数摄动以及外部扰动等均不敏感。四、针对微网多逆变器协调控制问题,在信息物理系统框架下设计了整合的电压电流双环协调控制方案,实现了电压的精确输出与分布式单元的电流均衡。工作包括设计了带同步信号发生器的电压学习控制,使得各分布式单元间可实现正弦输出电压相位同步;设计了电流趋同调节器,利用本地和邻节点瞬时电流数据非线性组合,实现分布式单元间的电流均衡;利用邻节点历史电流数据,设计了通信受限情况下电流调节器趋同策略,降低了该协调方案受通信网络的制约。通过仿真验证了所提微网多逆变器协调控制方案的有效性。
刘倩[9](2019)在《几类广义系统的迭代学习控制算法研究》文中进行了进一步梳理广义系统又称为广义状态空间系统,是客观系统的一种自然表示,它可以用来描述系统的更多性能特征,在许多实际的系统模型中大量出现。它是处理多目标、多维数和多层次大规模复杂系统的一个重要工具。与正常系统相比,广义系统在结构上更复杂,在研究上更富有挑战性,并更具有普遍性和代表性。在电力系统、经济系统、决策理论、电子网络等领域都得到较广泛的应用。学习是人类的智能行为之一,迭代学习控制则是现代控制理论中发展起来的一个重要方法,它具有记忆特性和修正策略,不依赖于动态系统的精确数学模型,适用对象是诸如工业机器人那样具有重复运动性质的被控系统。目标是实现有限时间区间上的完全跟踪任务,通过对被控对象进行控制尝试,根据已有的重复跟踪信息,修正不理想的控制信号,从而产生新的控制输入,逐步提高系统的跟踪性能。然而将这一重要控制方法应用于广义系统上的研究相对较少,且主要集中于广义连续时间系统。本学位论文将重点研究几类广义系统的迭代学习控制算法以及与此相关的问题,主要创新点为:1.离散时间广义系统的普通控制理论及其发展为我们所熟知,并且已经趋于成熟。在本学位论文中,基于离散时间广义系统广泛的应用背景,在广义连续时间系统迭代学习控制问题的基础上,将结论拓展到离散时间广义系统。考虑一类PD型迭代学习控制律,使得系统在有限时间区间内能够跟踪到期望轨迹,并给出保证系统输出收敛到期望轨迹的充分条件,最后进行算例仿真验证结果的有效性和可行性,丰富并发展广义系统的迭代学习控制理论研究。2.脉冲控制系统广泛应用在现代科技各领域的实际问题中。目前,对脉冲微分方程解的存在性、稳定性、周期性、等做了很多研究。对于脉冲系统而言,迭代学习控制是一个有效且可行的控制策略。本学位论文在脉冲系统研究基础上对广义脉冲系统的迭代学习控制问题作进一步的研究和分析,并在广义系统的迭代学习控制算法基础上给出适用于广义脉冲系统的迭代学习控制算法,获得保证系统输出收敛到期望输出的充分性条件,提高并改善系统的跟踪性能,使得系统在有限时间区间内收敛到期望轨迹。3.分数阶微分方程把传统整数阶微分方程的阶次推广到分数甚至复数领域,因而分数阶微积分极大地拓展了传统微积分的概念。在分数阶微分系统解的存在唯一性条件下,对广义分数阶系统的迭代学习控制问题进行研究,采用分数阶迭代学习控制算法,使得系统获得更优越的跟踪性能。接下来给出系统输出误差收敛的充分条件,并作出理论分析,最后用数值算例验证结果的有效性。4.非线性是在实际工程中广泛存在且是不可避免的,在某种程度上,非线性现象是反映出非线性系统运动本质的一类现象。对于非线性系统来说一般采用等效线性化方法,主要用于分析非线性程度较低的非线性系统。其实质是把非线性问题近似地加以线性化,然后去解决已线性化的问题。在本学位论文中,将针对一类广义非线性脉冲系统和一类广义非线性分数阶系统来研究其迭代学习控制问题,给出系统输出误差信号和迭代学习控制算法的收敛条件,证明算法的收敛性,并用数值仿真验证结果的正确性和有效性。最后对全文工作进行总结,并指出下一步的研究方向。
纪广玉[10](2017)在《卫星数传发射机线性化技术研究》文中指出在卫星通信中,为了更高效的利用有限的频谱资源,一系列频谱利用率较高的调制方式,如M-QAM(Multi Quadrature Amplitude Modulation)、M-APSK(Multi Amplitude Phase Shift Keying)等正逐渐被应用于数据传输系统。常用的高阶调制信号大多为非恒定包络调制信号,与恒定包络信号相比其峰均比较高。由于卫星通信系统特殊的工作环境,功率放大器需要工作在饱和点或邻近饱和点。当非恒定包络信号经过饱和功放时,将产生严重的非线性失真,非线性失真会使输出信号的带内与带外产生严重失真。为了补偿功率放大器对信号产生的失真,本文针对数字预失真技术进行研究,并对相关算法进行了仿真、改进和验证工作。数字预失真线性化技术主要包括查找表技术和自适应数字预失真技术。针对卫星通信数据传输系统的应用需求,本文对数字预失真技术在卫星数传系统中的应用展开研究。主要研究包括以下几个方面:⒈针对无记忆功放模型和记忆功放模型,采用查找表及自适应预失真技术进行数字预失真仿真,并分析自适应算法参数对预失真效果的影响。⒉基于最小二乘算法和记忆多项式模型,提出了一种实数型QR分解LS预失真算法。该自适应预失真算法对传统复数型LS算法进行改进,避免了复数矩阵QR分解的复杂运算以及传统LS算法矩阵求逆运算,实现了利用实数矩阵精确快速求解预失真器参数。⒊对实数型QR分解LS算法进行理论推导证明,并对该算法进行Matlab仿真验证。在Matlab中搭建仿真环境,采用16QAM调制信号与记忆多项式功放记忆模型,并与传统LS算法进行对比分析。⒋搭建基于矢量信号发生器和频谱仪的半实物仿真平台,对本文提出的实数型QR分解LS算法进行半实物仿真测试,验证了算法的正确性和有效性。⒌对本文所提出的数字预失真系统核心算法进行FPGA代码设计,并进行仿真,包括:数据流幅度差相关法环路延时算法、基于脉动阵列的实数型QR分解LS算法。
二、一种复数赫布型学习算法及其在自适应ⅡR滤波器中的应用(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、一种复数赫布型学习算法及其在自适应ⅡR滤波器中的应用(论文提纲范文)
(1)合成孔径雷达图像目标识别方法研究(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 SAR图像目标识别关键技术综述 |
1.2.1 常用目标特征提取 |
1.2.2 常用目标分类方法 |
1.3 论文主要研究内容及章节安排 |
第2章 基于复数二维经验模态分解的SAR图像目标识别 |
2.1 引言 |
2.2 经验模态分解基本原理 |
2.2.1 一维经验模态分解(EMD)基本原理 |
2.2.2 二维经验模态分解(BEMD)基本原理 |
2.2.3 复数二维经验模态分解(C-BEMD)算法 |
2.3 联合原始图像和多层次内蕴模函数的识别方法 |
2.3.1 联合稀疏表示 |
2.3.2 目标识别流程 |
2.4 实验与分析 |
2.4.1 实验设置 |
2.4.2 实验结果与分析 |
2.5 本章小结 |
第3章 基于二维压缩感知多投影矩阵的SAR图像目标识别 |
3.1 引言 |
3.2 压缩感知理论 |
2.2.1 信号的稀疏表示 |
2.2.2 测量矩阵 |
2.2.3 信号重构 |
3.3 基于压缩感知的SAR图像目标识别算法原理 |
3.3.1 算法原理 |
3.3.2 字典构建方法 |
3.3.3 基于稀疏解的目标分类 |
3.4 基于多投影矩阵二维压缩感知的SAR图像目标识别 |
3.4.1 随机投影 |
3.4.2 基于多投影矩阵的目标特征提取 |
3.4.3 联合稀疏表示 |
3.4.4 目标识别流程 |
3.5 实验与分析 |
3.5.1 实验设置 |
3.5.2 实验结果与分析 |
3.6 本章小结 |
第4章 基于MCCA深度特征融合的SAR图像目标识别 |
4.1 引言 |
4.2 基于CNN的 SAR图像深度特征学习 |
4.2.1 CNN理论基础 |
4.2.2 基于CNN的深度特征提取 |
4.3 基于MCCA深度特征融合的SAR图像目标识别 |
4.3.1 典型相关分析(CCA)理论 |
4.3.2 基于多重集典型相关(MCCA)的深度特征融合 |
4.3.3 基于MCCA深度特征融合的目标识别 |
4.4 实验与分析 |
4.4.1 实验设置 |
4.4.2 实验结果与分析 |
4.5 本章小结 |
第5章 基于BMED和极限学习机的SAR图像目标识别 |
5.1 引言 |
5.2 极限学习机理论 |
5.2.1 极限学习机理论基础 |
5.2.2 极限学习机网络构造方式 |
5.3 变长型增量极限学习机算法 |
5.3.1 增量算法 |
5.3.2 增量型极限学习机算法 |
5.3.3 变长型增量(VI-ELM)极限学习机算法 |
5.4 基于BEMD和极限学习机的SAR图像目标识别 |
5.4.1 基于BEMD的 SAR图像特征提取 |
5.4.2 目标识别流程 |
5.5 实验与分析 |
5.5.1 实验设置 |
5.5.2 实验结果与分析 |
5.6 本章小结 |
第6章 工作总结与展望 |
6.1 工作总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
附录 :作者攻读博士学位期间的科研成果 |
(2)基于深度网络的HRRP目标识别与对抗攻击研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 雷达自动目标识别概述 |
1.2 雷达自动目标识别基本概念及分类 |
1.3 雷达自动目标识别技术发展概述 |
1.3.1 雷达HRRP目标识别技术的发展 |
1.3.2 基于深度学习的HRRP目标识别技术的发展 |
1.4 深度神经网络中的攻击与防御 |
1.4.1 对抗样本技术与网络防御技术 |
1.5 高分辨距离像及其特性分析 |
1.5.1 高分辨距离像的信号模型 |
1.5.2 高分辨距离像的特性分析 |
1.6 实验数据、平台及评价指标说明 |
1.6.1 实测三类飞机数据 |
1.6.2 实验平台介绍 |
1.6.3 评价指标说明 |
1.7 论文内容安排 |
第二章 基于卷积神经网络的HRRP目标识别与拒判 |
2.1 引言 |
2.2 预备知识 |
2.2.1 一个典型的CNN网络 |
2.2.2 高分辨距离像的谱图特征表示 |
2.3 基于CNN的HRRP目标识别与拒判 |
2.3.1 基于CNN的HRRP识别 |
2.3.2 基于CNN的HRRP识别与拒判 |
2.4 实验结果与分析 |
2.4.1 实验设置 |
2.4.2 模型参数的影响 |
2.4.3 识别性能对比 |
2.4.4 特征可视化 |
2.4.5 拒判性能比较 |
2.5 本章小结 |
第三章 基于注意力机制卷积网络的HRRP目标识别 |
3.1 引言 |
3.2 基于时频分析的HRRP目标识别 |
3.2.1 高分辨距离像的连续小波变换(CWT) |
3.2.2 识别性能对比与分析 |
3.3 基于多时频特征融合的目标识别技术 |
3.3.1 注意力机制 |
3.3.2 具有注意力机制的CNN网络 |
3.4 实验结果与分析 |
3.4.1 实验设置 |
3.4.2 识别性能比较 |
3.4.3 注意力权值可视化 |
3.5 本章小结 |
第四章 基于卷积-双向递归网络的HRRP目标识别 |
4.1 引言 |
4.2 基于CNN-BiRNN混合模型的HRRP识别 |
4.2.1 循环神经网络(RNN) |
4.2.2 CNN-BiRNN 网络 |
4.2.3 网络训练与测试过程 |
4.3 模型对比 |
4.4 实验结果与分析 |
4.4.1 实验设置 |
4.4.2 卷积层的影响 |
4.4.3 识别性能比较 |
4.4.4 注意力权值可视化 |
4.5 本章小结 |
第五章 雷达HRRP目标识别网络中的对抗攻击方法 |
5.1 引言 |
5.2 雷达HRRP中的经典数字对抗样本 |
5.2.1 经典的数字对抗样本生成方法 |
5.2.2 攻击结果展示 |
5.3 一种鲁棒的HRRP数字对抗样本生成方法 |
5.3.1 鲁棒的HRRP对抗样本生成方法 |
5.3.2 方法对比 |
5.3.3 实验设置 |
5.3.4 对抗扰动长度的影响 |
5.3.5 攻击结果展示 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 工作展望 |
6.2.1 高分辨距离像目标识别工作展望 |
6.2.2 高分辨距离像对抗攻击和防御工作展望 |
参考文献 |
致谢 |
作者简介 |
(3)神经网络在基带信号处理中的应用及其高效实现(论文提纲范文)
摘要 |
Abstract |
符号说明 |
英文缩略词 |
第一章 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 极化码译码 |
1.2.2 大规模MIMO检测 |
1.2.3 信道均衡 |
1.2.4 深度神经网络硬件加速器 |
1.3 本文研究内容及意义 |
1.4 文章组织结构 |
第二章 神经网络在信道译码中的应用 |
2.1 极化码置信传播(BP)译码算法 |
2.1.1 精确BP译码算法 |
2.1.2 低复杂度BP译码算法 |
2.2 深度学习优化极化码BP译码器 |
2.2.1 2维偏移最小和译码算法 |
2.2.2 神经网络的构建及其训练方法 |
2.2.3 实验结果 |
2.3 通过深度学习优化的Polar-LDPC级联译码器 |
2.3.1 级联的Polar-LDPC码 |
2.3.2 级联的OMS译码算法 |
2.3.3 级联的LDPC码的比特选择方案 |
2.3.4 级联的Polar-LDPC码的优化 |
2.3.5 实验结果 |
2.4 优化方法的复杂度分析 |
2.4.1 基于深度学习优化的算术复杂度 |
2.4.2 暴力搜索方法的复杂度 |
2.4.3 遗传算法的复杂度 |
2.4.4 和密度演进算法的比较 |
2.5 本章总结 |
第三章 神经网络在大规模MIMO检测中的应用 |
3.1 大规模MIMO系统模型 |
3.2 置信传播检测算法 |
3.2.1 BP检测器 |
3.2.2 CHEMP检测器 |
3.3 简化的置信传播检测算法 |
3.3.1 消息阻尼算法 |
3.3.2 Max-Sum算法 |
3.3.3 低复杂度的CHEMP算法 |
3.4 基于DNN的MIMO检测器 |
3.4.1 深度神经网络 |
3.4.2 多维度校正因子 |
3.4.3 DNN检测器 |
3.5 实验结果 |
3.5.1 DNN结构和训练细节 |
3.5.2 数值结果 |
3.5.3 复杂度分析 |
3.6 本章总结 |
第四章 神经网络在信道均衡中的应用 |
4.1 系统模型 |
4.1.1 码间干扰 |
4.1.2 非线性失真 |
4.1.3 最大似然均衡器 |
4.2 基于神经网络的联合均衡器和译码器 |
4.2.1 基于卷积神经网络的均衡器 |
4.2.2 深层神经网络译码器 |
4.2.3 训练过程 |
4.3 实验结果 |
4.3.1 实验设置 |
4.3.2 在线性信道上的实验结果 |
4.3.3 在非线性信道上的实验结果 |
4.3.4 联合均衡器和译码器的实验结果 |
4.4 算法分析 |
4.4.1 相关的工作 |
4.4.2 复杂度分析 |
4.5 本章总结 |
第五章 低比特量化及优化策略 |
5.1 极化码BP译码器的量化策略 |
5.1.1 信道软信息的定点数量化 |
5.1.2 初始化LLR值的缩放策略 |
5.2 卷积神经网络的高效非均匀量化策略 |
5.2.1 非均匀量化和数据压缩算法 |
5.2.2 CNN加速器设计 |
5.2.3 实验结果 |
5.3 神经网络在通信系统中的量化策略 |
5.3.1 所提出的高效神经网络优化框架 |
5.3.2 迭代优化方法 |
5.3.3 高效卷积神经网络的设计 |
5.3.4 实验结果 |
5.4 本章总结 |
第六章 高效极化码置信度传播(BP)译码器 |
6.1 极化码置信度传播译码器的硬件设计 |
6.1.1 硬件架构总览 |
6.1.2 量化策略 |
6.1.3 处理单元阵列 |
6.1.4 级联的LDPC译码器 |
6.1.5 支持多码长-多码率的可配置硬件架构 |
6.1.6 早停止模块 |
6.1.7 硬件时序 |
6.2 ASIC实现结果和分析比较 |
6.2.1 实现细节 |
6.2.2 与已有极化码BP译码器的比较 |
6.2.3 与已有SCL和CA-SCL译码器的比较 |
6.3 本章总结 |
第七章 基于快速卷积算法的卷积神经网络加速器设计与实现 |
7.1 已有卷积算法的介绍与分析 |
7.1.1 卷积层 |
7.1.2 转置卷积层 |
7.1.3 CNN的快速卷积算法 |
7.1.4 已有算法总结分析 |
7.2 费马数变换加速的卷积神经网络 |
7.2.1 算法设计 |
7.2.2 基于2-D OaS FNT的快速卷积算法 |
7.2.3 基于1-D OaS FNT的快速转置卷积算法 |
7.2.4 小尺寸特征图的优化技术 |
7.2.5 复杂度分析 |
7.3 FNT硬件设计 |
7.3.1 片上全局存储器(On-chip Global Buffer) |
7.3.2 PE阵列 |
7.3.3 FNT/IFNT变换模块 |
7.3.4 BN和(P)ReLU模块 |
7.4 设计参数和内存访问优化 |
7.4.1 全局存储器大小和数据重用策略 |
7.4.2 并行度最大化和循环展开 |
7.4.3 快速FNT/IFNT模块 |
7.5 性能建模分析 |
7.6 实验结果 |
7.6.1 实验设置 |
7.7 相关的工作 |
7.7.1 CNN硬件加速器 |
7.7.2 GAN硬件加速器 |
7.8 本章总结 |
第八章 总结与展望 |
8.1 全文总结与主要贡献 |
8.2 进一步的研究方向 |
致谢 |
参考文献 |
附录 A 引理1的证明 |
附录 B 引理2和引理3的证明 |
附录 C 基于Tensorflow库的Polar-LDPC级联译码器核心代码 |
附录 D 基于Tensorflow库的DNN-MPD大规模MIMO检测器核心代码 |
附录 E 基于Pytorch库的CNN信道均衡器核心代码 |
附录 F 实验中使用的CNN模型结构 |
附录 G 实验中使用的GAN模型结构 |
附录 H Winograd快速卷积算法的推导 |
H.1 F(2,3)快速卷积算法 |
H.2 F(2×2, 3 × 3)快速卷积算法 |
H.3 F(4×4, 3 × 3)快速卷积算法 |
附录 Ⅰ 快速FNT变换的Matlab核心代码 |
作者攻读硕士学位期间的研究成果 |
(4)基于数学形态学的滚动轴承故障诊断方法研究(论文提纲范文)
中文摘要 |
Abstract |
缩写符号注释 |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 滚动轴承故障诊断技术的研究现状 |
1.2.1 滚动轴承故障机理的研究现状 |
1.2.2 滚动轴承故障特征提取方法的研究现状 |
1.2.3 滚动轴承智能故障诊断方法的研究现状 |
1.3 数学形态学在故障诊断领域的研究现状 |
1.3.1 数学形态学的发展历程 |
1.3.2 数学形态学在故障特征提取中的研究现状 |
1.3.3 数学形态学在智能故障诊断中的研究现状 |
1.4 论文主要内容和技术路线 |
第2章 数学形态学基本理论与滤波特性研究 |
2.1 引言 |
2.2 数学形态学基本理论 |
2.2.1 基本形态学算子的定义 |
2.2.2 基本形态学算子的性质 |
2.2.3 新形态学算子的定义 |
2.2.4 不同形态学算子的仿真分析 |
2.3 数学形态学的滤波特性研究 |
2.3.1 基本形态学算子的滤波特性 |
2.3.2 新形态学算子的滤波特性 |
2.3.3 结构元素参数自适应优化 |
2.4 仿真信号研究 |
2.4.1 轴承故障仿真信号模型 |
2.4.2 参数优化CMFH变换分析 |
2.4.3 与STH变换和小波滤波对比分析 |
2.4.4 与ACDIF方法对比分析 |
2.4.5 结构元素参数对分析结果的影响 |
2.5 本章小结 |
第3章 基于特征选择框架多尺度形态学的滚动轴承故障特征提取方法研究 |
3.1 引言 |
3.2 多尺度形态学基本理论 |
3.2.1 常见多尺度形态学算子 |
3.2.2 多尺度组合形态-hat变换 |
3.2.3 仿真研究 |
3.3 灰色关联分析 |
3.4 基于特征选择框架的多尺度形态学分析 |
3.4.1 多域特征介绍 |
3.4.2 敏感特征选择 |
3.4.3 基于特征选择框架的多尺度形态学分析流程 |
3.5 仿真信号分析 |
3.5.1 外圈故障信号模拟 |
3.5.2 内圈故障信号模拟 |
3.5.3 对外、内圈故障模拟信号分析 |
3.5.4 与单一特征MMA的对比研究 |
3.6 滚动轴承故障信号分析 |
3.6.1 轴承故障数据简介 |
3.6.2 外圈故障信号分析 |
3.6.3 内圈故障信号分析 |
3.6.4 对比方法研究分析 |
3.7 本章小结 |
第4章 基于增强尺度形态顶帽乘积滤波的滚动轴承故障特征提取方法研究 |
4.1 引言 |
4.2 传统多尺度形态学滤波方法 |
4.2.1 传统MMF的原理思想 |
4.2.2 传统MMF中存在的问题 |
4.3 增强尺度形态顶帽乘积滤波方法 |
4.3.1 多尺度形态顶帽乘积算子 |
4.3.2 对角切片谱的定义 |
4.3.3 对角切片谱的性质 |
4.3.4 增强尺度形态顶帽乘积滤波方法流程 |
4.4 仿真信号分析 |
4.4.1 外圈故障仿真信号分析 |
4.4.2 内圈故障仿真信号分析 |
4.4.3 与不同分析方法的对比研究 |
4.5 实测轴承故障信号分析 |
4.6 本章小结 |
第5章 基于广义多尺度形态梯度谱熵的滚动轴承故障诊断方法研究 |
5.1 引言 |
5.2 数学形态谱的基本理论 |
5.2.1 多尺度形态梯度分析 |
5.2.2 形态谱和形态谱熵的定义 |
5.2.3 形态梯度谱和形态梯度谱熵 |
5.2.4 仿真对比分析 |
5.3 广义多尺度形态梯度谱熵 |
5.3.1 样本熵的定义 |
5.3.2 多尺度熵的定义 |
5.3.3 广义多尺度形态梯度谱熵 |
5.4 基于广义多尺度形态梯度谱熵的故障诊断方法 |
5.4.1 基于拉普拉斯分值的特征选择 |
5.4.2 基于极限学习机的故障识别 |
5.4.3 基于GMPGSE的故障诊断方法流程 |
5.5 实例验证 |
5.6 本章小结 |
第6章 数学形态学方法在滚动轴承故障诊断中的应用研究 |
6.1 引言 |
6.2 实验方案介绍 |
6.2.1 实验系统描述与数据采集 |
6.2.2 故障信号的直接解调谱分析 |
6.3 实验应用研究 |
6.3.1 基于参数优化组合形态-hat变换算法验证 |
6.3.2 基于特征选择框架多尺度形态学算法验证 |
6.3.3 基于增强尺度形态顶帽乘积滤波算法验证 |
6.3.4 不同特征提取算法的比较与讨论 |
6.3.5 基于广义多尺度形态梯度谱熵算法验证 |
6.4 工程应用实例 |
6.4.1 风电机组传动系统描述与数据采集 |
6.4.2 风机轴承故障检测 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 全文工作总结 |
7.2 未来展望 |
参考文献 |
致谢 |
攻读博士学位期间取得的研究成果 |
(5)基于观测器的纵向飞行控制系统故障重构研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统故障重构方法 |
1.2.2 广义故障重构方法 |
1.3 本文研究的主要内容和章节安排 |
第二章 纵向飞行控制系统模型及故障类型 |
2.1 纵向飞行控制系统概述 |
2.2 波音747 纵向飞行控制系统模型 |
2.2.1 飞机纵向动态模型 |
2.2.2 执行器动态模型 |
2.2.3 控制器动态模型 |
2.2.4 传感器动态模型 |
2.3 无人机纵向飞行控制系统建模 |
2.4 故障系统建模 |
2.4.1 飞行控制系统常见故障及分类 |
2.4.2 飞行控制系统故障建模 |
2.5 本章小结 |
第三章 基于滑模观测器的飞行控制系统传感器故障重构 |
3.1 滑模观测器设计与传感器故障检测 |
3.1.1 系统描述 |
3.1.2 滑模观测器设计 |
3.2 传感器故障重构 |
3.2.1 传感器故障转化 |
3.2.2 故障重构设计 |
3.3 仿真实验 |
3.4 本章小结 |
第四章 基于鲁棒自适应滑模观测器的多故障重构 |
4.1 系统描述与传感器故障转化 |
4.1.1 系统描述 |
4.1.2 传感器故障转化 |
4.2 观测器设计与故障重构 |
4.2.1 鲁棒自适应滑模观测器设计 |
4.2.2 鲁棒故障重构 |
4.3 仿真实验 |
4.4 本章小结 |
第五章 基于PD型学习观测器的飞行控制系统故障重构 |
5.1 系统描述 |
5.2 基于PD型学习观测器的执行器加性故障重构 |
5.2.1 PD型学习观测器设计 |
5.2.2 PD型学习观测器稳定性分析 |
5.3 仿真实验 |
5.3.1 突变型执行机构加性故障重构 |
5.3.2 时变型执行机构加性故障重构 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(6)自适应滤波算法的代价函数及更新方法(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景及意义 |
1.2 目前研究现状 |
1.2.1 关于优化准则的研究 |
1.2.2 权重更新方式 |
1.3 本文研究内容 |
第二章 自适应滤波算法 |
2.1 优化准则 |
2.1.1 最小均方误差准则 |
2.1.2 最大相关熵准则 |
2.1.3 广义最大相关熵准则 |
2.2 基于最小均方误差准则的学习算法 |
2.2.1 最小均方误差算法(LMS) |
2.2.2 仿射投影算法(APA) |
2.2.3 递归最小二乘算法(RLS) |
2.3 最大相关熵算法(MCC) |
2.4 广义最大相关熵算法(GMCC) |
2.5 小结 |
第三章 基于q梯度的仿射投影算法 |
3.1 q微分 |
3.2 基于q梯度的仿射投影算法(q-APA) |
3.3 计算复杂度 |
3.4 均方性能分析 |
3.4.1 均方收敛性分析 |
3.4.2 稳态性能分析 |
3.5 变q的仿射投影算法(V-q-APA) |
3.6 数值仿真结果 |
3.6.1 系统辨识 |
3.6.2 非线性信道均衡 |
3.7 小结 |
第四章 基于分数阶最大相关熵算法 |
4.1 分数阶微积分 |
4.2 基于分数阶最大相关熵算法(FMCC) |
4.3 数值仿真结果 |
4.3.1 alpha噪声 |
4.3.2 Mackey-Glass混沌时间序列的预测 |
4.3.3 Lorenz混沌时间序列的预测 |
4.4 小结 |
第五章 基于广义最大相关熵的在线序贯超限学习机 |
5.1 基于广义最大相关熵的在线序贯超限学习机(OS-ELM-GMCC) |
5.1.1 超限学习机(ELM) |
5.1.2 算法推导 |
5.2 数值仿真结果 |
5.2.1 系统辨识 |
5.2.2 Mackey-Glass混沌时间序列 |
5.3 小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士期间已发表的学术论文 |
攻读硕士期间参加的科研项目 |
(7)基于改进小波神经网络的电力系统谐波检测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 背景及意义 |
1.2 国内外研究现状 |
1.2.1 谐波检测方法的研究现状 |
1.2.2 小波神经网络的研究现状 |
1.3 本文主要研究内容 |
1.4 本文结构安排 |
第二章 小波神经网络理论基础 |
2.1 神经网络理论 |
2.2 小波分析理论 |
2.3 小波神经网络概述 |
2.3.1 小波神经网络的构造 |
2.3.2 小波神经网络的性质 |
2.4 仿真验证 |
2.5 本章小结 |
第三章 小波神经网络的优化方法 |
3.1 小波神经网络学习算法优化 |
3.1.1 添加动量项 |
3.1.2 变学习率学习算法 |
3.2 小波神经网络结构优化 |
3.2.1 隐含层层数与节点数确定 |
3.2.2 小波基函数选择 |
3.3 小波神经网络初始参数优化 |
3.3.1 优化算法选择 |
3.3.2 遗传算法的实现步骤 |
3.3.3 遗传算子的改进 |
3.3.4 遗传算法仿真 |
3.3.5 遗传算法与小波神经网络结合方式 |
3.4 分析与对比 |
3.5 本章小结 |
第四章 电力系统谐波检测预处理 |
4.1 基于中值滤波的脉冲噪声滤除 |
4.1.1 电力系统噪声成分 |
4.1.2 中值滤波原理 |
4.1.3 基于中值滤波的谐波信号仿真 |
4.2 电力系统基波检测 |
4.2.1 电力系统基波检测意义 |
4.2.2 基于BP神经网络的基波检测 |
4.2.3 BP神经网络基波检测仿真验证 |
4.3 本章小结 |
第五章 基于改进小波神经网络的电力系统谐波检测 |
5.1 传统谐波检测方法 |
5.1.1 基于FFT的谐波检测方法 |
5.1.2 基于BP神经网络的谐波检测方法 |
5.2 基于改进小波神经网络的谐波检测方法实现 |
5.2.1 待测信号与谐波关系 |
5.2.2 网络结构确定 |
5.2.3 训练样本生成 |
5.2.4 改进小波神经网络谐波检测仿真验证 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
课题来源 |
(8)数据驱动学习控制及其电力逆变器工程应用研究(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 绪论 |
1.1 引言 |
1.2 逆变技术发展及现状 |
1.2.1 电力电子技术的发展 |
1.2.2 逆变控制技术 |
1.2.3 现代逆变技术的研究内容 |
1.3 数据驱动学习控制 |
1.3.1 数据驱动控制的发展 |
1.3.2 数据驱动学习控制 |
1.3.3 迭代学习控制 |
1.3.4 重复控制 |
1.3.5 迭代学习控制与重复控制关系 |
1.4 逆变器数据驱动学习控制研究现状 |
1.5 主要工作及结构安排 |
1.5.1 论文主要工作 |
1.5.2 论文结构安排 |
2 逆变器模型及其特性研究 |
2.1 引言 |
2.2 逆变器模型 |
2.2.1 单相全桥逆变器结构及模型 |
2.2.2 指定模型 |
2.3 逆变系统不确定性及谐波分析 |
2.3.1 不确定性和扰动 |
2.3.2 谐波分析 |
2.4 逆变器主要元件特性分析 |
2.4.1 LC-滤波器 |
2.4.2 绝缘栅双极型晶体管 |
2.4.3 IGBT驱动器 |
2.5 本章小结 |
3 逆变器线性相位学习控制 |
3.1 引言 |
3.2 问题描述 |
3.3 线性相位学习控制 |
3.3.1 学习控制器设计 |
3.3.2 稳定性分析 |
3.3.3 线性学习律的改进 |
3.3.4 仿真对比 |
3.4 逆变控制系统方案 |
3.4.1 系统鲁棒性改进 |
3.4.2 逆变系统整体方案 |
3.4.3 仿真研究 |
3.5 本章小结 |
4 逆变器周期与非周期扰动补偿学习控制 |
4.1 引言 |
4.2 问题假设 |
4.3 逆变器扰动估计 |
4.3.1 扰动估计器设计 |
4.3.2 扰动估计性能分析 |
4.4 周期性信息提取 |
4.5 三通道逆变控制系统设计 |
4.5.1 2N阶滤波器型学习控制 |
4.5.2 三通道控制器稳定性分析 |
4.5.3 控制器参数设计 |
4.6 仿真和实验 |
4.6.1 仿真实例1 |
4.6.2 仿真实例2 |
4.6.3 实验 |
4.7 本章小结 |
5 多逆变器协调控制 |
5.1 引言 |
5.2 预备知识 |
5.2.1 信息物理系统 |
5.2.2 微网结构 |
5.3 多逆变器协调控制方案 |
5.4 电压学习控制 |
5.4.1 电压学习控制器设计 |
5.4.2 输出电压相位同步 |
5.5 电流趋同调节器 |
5.5.1 跟踪微分器 |
5.5.2 非线性组合电流趋同调节器 |
5.5.3 通信受限下的电流趋同 |
5.6 仿真 |
5.6.1 四节点微网仿真 |
5.6.2 13-Bus微网仿真 |
5.7 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 有待进一步研究的问题 |
参考文献 |
作者简历 |
攻读博士学位期间发表的学术论文 |
学位论文数据集 |
(9)几类广义系统的迭代学习控制算法研究(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 |
1.3 预备知识 |
1.4 本文主要工作与结构 |
1.5 本章小结 |
第二章 离散时间广义系统的迭代学习控制算法研究 |
2.1 引言 |
2.2 系统描述 |
2.3 收敛性分析 |
2.4 数值仿真 |
2.5 本章小结 |
第三章 广义脉冲系统的迭代学习控制算法研究 |
3.1 引言 |
3.2 广义线性脉冲系统的迭代学习控制算法 |
3.3 广义非线性脉冲系统的迭代学习控制算法 |
3.4 本章小结 |
第四章 广义线性分数阶系统的迭代学习控制算法分析 |
4.1 引言 |
4.2 广义线性分数阶系统的迭代学习控制算法分析 |
4.3 初始学习状态下的迭代学习控制算法控制器设计 |
4.4 本章小结 |
第五章 广义非线性分数阶系统的迭代学习控制算法分析 |
5.1 引言 |
5.2 广义非线性分数阶系统的迭代学习控制算法分析 |
5.3 广义非线性时滞分数阶系统的迭代学习控制算法研究 |
5.4 带状态干扰的广义非线性分数阶系统的迭代学习控制算法分析 |
5.5 本章小结 |
总结与展望 |
参考文献 |
攻读博士学位期间的研究成果 |
致谢 |
附件 |
(10)卫星数传发射机线性化技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 数字预失真研究现状与发展趋势 |
1.3 本课题目的和任务 |
1.4 论文结构 |
第2章 功放非线性特性和行为模型 |
2.1 功率放大器非线性失真特性 |
2.1.1 无记忆非线性失真 |
2.1.2 记忆非线性失真 |
2.2 功率放大器非线性失真分析 |
2.2.1 谐波失真 |
2.2.2 互调失真 |
2.3 功率放大器线性化评价指标 |
2.3.1 1dB压缩点 |
2.3.2 三阶截断点 |
2.3.3 误差矢量幅度 |
2.3.4 邻信道功率比 |
2.4 功率放大器和预失真器行为模型 |
2.4.1 无记忆功率放大器模型 |
2.4.2 记忆功率放大器模型 |
2.5 本章小结 |
第3章 数字预失真技术研究 |
3.1 数字预失真技术原理 |
3.1.1 数字预失真基本原理 |
3.1.2 线性化增益选择 |
3.1.3 数字预失真系统结构 |
3.2 查找表预失真设计与仿真 |
3.2.1 查找表初始化 |
3.2.2 无记忆功放模型系统仿真 |
3.2.3 记忆多项式功放模型仿真 |
3.3 数字预失真系统学习结构 |
3.3.1 直接学习型结构 |
3.3.2 间接学习结构 |
3.4 自适应预失真算法 |
3.4.1 最小二乘算法(LS) |
3.4.2 最小均方误差算法(LMS) |
3.4.3 递归最小二乘算法(RLS) |
3.4.4 仿真结果及分析 |
3.5 环路延时估计 |
3.5.1 整数倍环路延时估计算法 |
3.5.2 分数环路延时估计算法 |
3.6 本章小结 |
第4章 自适应数字预失真算法研究 |
4.1 基于QR分解实现LS算法 |
4.1.1 QR分解LS算法原理 |
4.1.2 Givens变换实现QR分解 |
4.2 实数型QRD_LS算法 |
4.3 算法仿真验证 |
4.3.1 仿真验证步骤 |
4.3.2 仿真结果 |
4.4 基于VSG-VSA的半实物平台验证 |
4.4.1 验证平台系统构成 |
4.4.2 测试过程及测试结果 |
4.5 预失真系统算法FPGA代码设计 |
4.5.1 整数倍延时估计算法 |
4.5.2 实数QRD_LS算法设计 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 本论文已完成工作 |
5.2 本文创新点 |
5.3 工作展望 |
参考文献 |
致谢 |
作者简介及攻读学位期间发表的学术论文与研究成果 |
四、一种复数赫布型学习算法及其在自适应ⅡR滤波器中的应用(论文参考文献)
- [1]合成孔径雷达图像目标识别方法研究[D]. 刘志超. 江南大学, 2020(04)
- [2]基于深度网络的HRRP目标识别与对抗攻击研究[D]. 万锦伟. 西安电子科技大学, 2020(05)
- [3]神经网络在基带信号处理中的应用及其高效实现[D]. 徐炜鸿. 东南大学, 2020(01)
- [4]基于数学形态学的滚动轴承故障诊断方法研究[D]. 鄢小安. 东南大学, 2019
- [5]基于观测器的纵向飞行控制系统故障重构研究[D]. 王成杰. 中国民航大学, 2019(02)
- [6]自适应滤波算法的代价函数及更新方法[D]. 史春芬. 西南大学, 2019(12)
- [7]基于改进小波神经网络的电力系统谐波检测方法研究[D]. 江帅. 电子科技大学, 2019(01)
- [8]数据驱动学习控制及其电力逆变器工程应用研究[D]. 孟琦. 北京交通大学, 2019
- [9]几类广义系统的迭代学习控制算法研究[D]. 刘倩. 华南理工大学, 2019
- [10]卫星数传发射机线性化技术研究[D]. 纪广玉. 中国科学院大学(中国科学院国家空间科学中心), 2017(11)