一、特征系统实现算法的小波去噪方法研究（论文文献综述）
胡瑞卿[1]（2021）在《无人机飞行姿态的故障检测方法研究》文中认为无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
张丁心[2]（2021）在《基于改进型随机共振的超宽带信号检测方法研究》文中提出通信技术快速发展的今天,超宽带技术作为一种新型无线通信技术,在室内短距离定位方面的优势较为突出。与传统通信技术相比,超宽带通信不需要类似于载波这种载体,而是直接将有用信息调制在非正弦的窄带脉冲上,从而实现数据的传输。超宽带信号具有抗多径能力强、发射信号功率谱密度低和定位精度高等多项优势。也正是由于极低的发射功率,使得超宽带信号容易被干扰信号和噪声淹没,所以对超宽带信号的检测具有十分重要的意义。针对上述提到的超宽带信号易被噪声淹没从而不易被检测的问题,本文提出一种基于改进型随机共振的超宽带信号检测方法。该方法是利用噪声能量转移机制,提取和识别淹没在强噪声中的微弱信号,在不破坏待测信号的基础上达到对其有效的检测。论文的主要工作包括:本文首先介绍了超宽带信号的基本脉冲和调制方式,分析了不同参数对信号带宽的影响。运用双稳随机共振模型,在不同噪声环境和噪声强度条件下,对不同调制方式的超宽带信号进行仿真实验。结果表明双稳模型对超宽带信号具有一定的检测能力,且系统参数对检测结果具有很大的影响。因此,结合粒子群优化算法,以归一化互相关系数作为评价指标,结合参数诱导随机共振巾系统参数白适应同步优化的力法,在高斯噪声环境下分别采用单稳模型和新型势阱模型实现了对超宽带信号的街效检测。并与双稳模型的约果进行了对比,分析了不同模型的系统参数对检测结果的影响,结果表明新型势阱模型的检测效果最佳。同时也发现随机共振方法存在对超宽带信号符号问干扰检测不敏感的问题,本文提出随机共振和小波变换联合方法解决了该问题。最后,采用两组实际信号作为研究对象,利用改进型随机共振模型对其进行检测,并与自适应单稳模型和小波变换方法的检测结果进行对比。研究结果表明,改进型随机共振模型对超宽带信号的检测效果更佳,小波变换与随机共振联合模型是对超宽带信号符号问干扰问题的一种新的尝试,为随机共振在实际工程领域的应用拓展了新思路。
李成宇[3]（2021）在《基于高斯过程回归模型的土石坝沉降预测研究》文中进行了进一步梳理在水利事业飞速发展的今天,安全监测在水工建筑物从施工开始到竣工,以及运行期间都必不可少。只有在掌握了建筑物的变形情况以后,才能了解其真实的运行状态,确保水工建筑物的安全。因此对大型水工建筑物进行变形监测并且对其数据进行分析处理就尤为重要。通过国内外学者多年来的不断研究与不懈努力,有关大坝安全监测方向的理论模型以及计算方法取得了长足的进步与发展,为大坝安全运行提供了可靠的理论支持,但是客观来看,在某些方面依然存在不足,有待改进。高斯过程作为新兴的机器学习方法,提高了预测模型的可解释性,并且提供了对于预测模型的选取和学习框架的结构。近年来,高斯过程的理论不断进步发展并在众多领域中得到广泛应用。本文以土石坝沉降位移为研究对象并引入了高斯过程回归模型,主要研究内容如下:（1）介绍了多元回归分析法与人工神经网络法这两种较为传统的建模方法的计算原理以及操作流程,并结合工程实例,根据2005～2012年的水位、温度、时间等观测资料,对工程中某测点2005～2012年的沉降值进行拟合,并对2013～2014年的沉降变形进行预测。将预测结果与实际沉降量进行对比,发现多元线性回归模型与人工神经网络模型的预测精度不够理想。（2）针对传统模型预测精度不足的问题引入高斯过程回归,并详细介绍高斯过程回归的计算原理、高斯过程回归模型的建立过程。根据观测资料对实际工程2013～2014年的沉降变形进行预测,并将预测计算结果与多元线性回归模型及人工神经网络模型的预测结果进行对比,验证高斯过程回归模型预测的准确性。（3）为进一步提升模型精度,降低复杂环境中系统噪声和观测噪声对观测数据造成的不良影响,引入了小波理论并详细介绍了小波去噪的计算原理及操作流程。通过采用小波分析对实际工程的观测数据进行去噪处理,建立高斯过程回归模型进行拟合与预测,从而使得模型精度得到提升,证明了基于小波去噪的高斯过程回归模型在实际工程运用中具有可行性与实用性。高斯过程回归模型不仅在精度上优于传统模型,而且在进行较为精确的拟合与预测的同时,能够给出具有较高可解释性的置信度,有利于判断依靠预测结果的决策风险,为工程中大坝的安全运行提供科学依据。
张贤[4]（2021）在《偏心轴超声检测及缺陷智能识别方法研究》文中研究指明在机械行业中,轴是一种使用极为普遍的零部件,但是这些轴类零件在生产使用时,其上很容易产生裂纹、孔洞等各种缺陷。目前缺陷的检测大多依靠人工检测,而且自动化检测系统主要应用在一些外形简单的工件检测中。针对现有超声检测方法存在检测效率低,检测对象外形简单等问题,研制了自动化超声检测系统,并对检测到的缺陷进行智能识别研究。在对近年来国内外超声自动化检测研究的基础上,将机械技术、自动控制技术和超声波探伤技术相结合,设计了基于偏心轴缺陷检测的自动化超声检测系统。该系统主要包括五轴机械手、水箱检测平台以及多通道超声探伤卡。针对偏心轴这种特殊结构的回转体,采用机械手夹持超声探头进行自动化检测的方法。对偏心轴的扫查轨迹进行划分,结合机械手运动学模型,确定超声探头在空间轨迹上某点的位置与姿态,通过五次多项式轨迹规划,实现机械手夹持探头精确而平稳的运动。对采集的信息进行特征信号提取。首先针对采集到的信息中含有大量噪声的问题,提出了软、硬阈值折衷法去噪理论对采集的数据进行小波去噪分析。然后讨论了阈值和分解层数对缺陷信号去噪的影响,并做实验分析。经仿真结果表明,对采集的缺陷信号,采用Sqtwolog阈值进行四层小波去噪时,有着很好的去噪效果。接着利用小波包能量谱法对去噪处理的缺陷信号进行特征信息的提取,以八个子频段上的能量值为作为偏心轴缺陷的特征向量,用于神经网络等模型训练,最后实现偏心轴缺陷智能识别分类。为了实现偏心轴的四种缺陷智能识别,采用概率神经网络来对缺陷进行模式识别。在概率神经网络的基础上提出了基于麻雀搜索算法改进的概率神经网络,通过麻雀搜索算法来优化概率神经网络的平滑因子,提取最优的平滑因子值,以提高其识别的准确率。并通过实验仿真得出,基于麻雀搜索算法改进的概率神经网络比传统的概率神经网络和径向基函数神经网络的识别分类准确率更高。最后通过实验测试,对一定数量的缺陷样本进行了去噪预处理、特征信息的提取以及缺陷的智能识别。经实验表明,所研究的理论方法对偏心轴缺陷的识别具有有效性与可行性。因此,针对偏心轴缺陷的超声检测问题,所采取的理论分析和实验研究方法可行,提高了缺陷识别的可靠性和准确性。
王韵[5]（2021）在《基于激光超声技术的油气管道缺陷识别研究》文中进行了进一步梳理油气管道安全与石油、天然气等化石能源的运输息息相关,随着国内外化石能源的高速发展,在役油气管道的运输安全变得越来越不可忽视,激光超声检测技术作为近几年无损探伤领域的新型检测技术,其针对在役油气管道可以实现快捷、高效地损伤检测。本文通过对国内外激光超声检测技术理论、激光超声检测系统及激光超声缺陷识别技术的研究与分析,利用激光超声检测系统采集油气管道缺陷时域信号和油气管道损伤图像,对在役油气管道实现缺陷识别。论文的具体研究内容和创新点如下:（1）通过对油气管道缺陷时域信号小波参数选取的讨论,分析小波去噪与多分辨率分析去噪在油气管道超声模拟信号中的去噪效果,结果证明多分辨率分析下的coif4小波、3层分解、软阈值去噪针对激光超声模拟信号去噪为最优去噪方法,其在保持超声信号平滑度与连续性的基础上,信噪比平均提高了13.75d B,相比于小波去噪信噪比平均提升了1.393d B,在最优激光超声模拟信号去噪的基础上,采取最优去噪方法对激光超声实测信号进行去噪处理。（2）以去噪处理后的油气管道缺陷时域信号为研究目标,采用小波包能量分解的方法进行油气管道超声缺陷信号特征能量与特征熵提取,提取的特征能量与熵作为BP神经网络输入与油气管道损伤尺寸输出实现激光超声油气管道缺陷的初步定量分析,结果证明油气管道缺陷定量分析的BP神经网络模型稳定、性能良好,预测准确性平均达到0.997645,预测误差接近2%。（3）针对激光超声检测系统采集的油气管道损伤图像进行灰度化预处理,对灰度化激光超声管道损伤图像进行Mask-SAD图像分割与匹配算法,对Mask缺陷图像采取图像增强并滤除杂波的Retinex算法和改进Retinex算法处理;对油气管道损伤灰度化图像存在的杂波与干扰前进波滤除问题,采用经典滤波算法进行滤除;对处理后缺陷Mask图像与滤除杂波和干扰前进波的油气管道损伤图像进行SAD匹配算法与Canny算法处理,实现油气管道损伤的定性识别。（4）为了实现激光超声油气管道损伤识别的快速与高效化,采用MATLAB制作软件,通过软件可以直观地显示油气管道的不同损伤类型与不同损伤大小,软件设计的实现为激光超声实地检测时所面临的快速探伤与快速定损问题提供了可行性。最后,通过对激光超声油气管道缺陷识别的检测与研究,为在役油气管道激光超声检测提供了理论与研究依据,并对今后在役油气管道损伤检测提供了参考价值。
荆春晖[6]（2021）在《雷达通信一体化波形设计及干扰抑制》文中研究说明在频谱资源紧缺的时代,系统集成化发展将成为趋势,雷达与通信的结合使得一体化波形在系统中可以同步实现信息的传输与雷达的探测功能,减缓频谱资源的浪费,节约设备成本资源。在雷达通信一体化的研究中,波形设计无疑成为热点问题,良好的波形能够结合通信、雷达两者的优势,抑制恶劣环境下的干扰,同时带来更多的挑战与未知。因此本文从一体化波形设计方向入手展开研究,同步考虑各类因素引发的干扰问题并进行干扰抑制,具体包括以下三个方面:1、基于雷达通信全共享信号的设计方案,本文提出了将高斯最小频移键控（Gaussian Minimum Shift Keying,GMSK）调制的通信序列嵌入调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达序列中,构成GMSK-FMCW一体化波形,同时设计一体化系统框架,主要包括发射机、接收机中的信号处理模块。通过系统模拟环境仿真验证GMSK-FMCW一体化波形的通信、雷达性能,根据功率谱密度、误码率、模糊函数、动目标检测等性能指标对比其他一体化波形,结果表明本文所提出的一体化波形及系统在通信及雷达探测方面都有较好的性能。2、针对一体化系统中出现的雷达与通信之间的干扰问题,提出了小波去噪联合独立分量分离的算法,引入盲源分离的思想,对一体化系统的接收端进行改进,其中独立分量分离部分采用基于统计特性精确求解的特征矩阵的联合近似对角化（Joint Approximation Diagonalization of Eigen-matrices,JADE）算法及基于非线性函数高阶特性近似求解的复值非高斯最大化（Complex Maximization of Non-Gaussianity,CMN）算法,联合小波去噪首先进行环境降噪,其次进行信号分离,从而达到抑制雷达与通信之间干扰的目的。3、针对一体化信号间的干扰问题,模拟车联网中一体化信号传输场景,提出了复杂多目标一体化探测模型。采用斜坡滤波（Ramp Filtering,RFmin）算法、自适应阈值的迭代算法（Iterative Method with Adaptive Thresholding,IMAT）及干扰估计消除算法抑制一体化信号间的干扰,通过距离维度的信噪比（Signal to Interference and Noise Ratio,SINR）、速度维度 SINR、误差矢量幅度（Error Vector Magnitude,EVM）、恒虚警率（Constant False Alarm Rate,CFAR）、动目标检测、误码率等方式对比三类算法的适用性。结果表明IMAT算法在一体化信号间的干扰抑制中有较好的效果。最后结合以上三点对GMSK-FMCW一体化系统进一步完善,实现多目标环境下无干扰的信息传递与雷达探测。
黄懿[7]（2021）在《结合谱聚类理论的形态小波域水下地貌图像去噪技术研究》文中进行了进一步梳理在数字地球、海洋强国建设发展的推动下,数字海洋理念随之产生。数字海洋是建立一个立体化、网络化、持续性的全面观测海洋系统,需要获取海洋地质、生物、物理等海量数据。其中水下地貌勘探是支撑数字、科技化海洋建设急需的技术之一,成像声呐作为直观分析水下地貌最为有效的获取手段,得到了广泛关注。由于水下环境的复杂以及人为干扰的影响,声呐图像通常表现为分辨率低、对比度差等特点。为准确获取水下地貌信息,首要步骤是对声呐图像进行去噪处理。本文以小波变换和谱聚类两种理论为基础,结合声呐图像的特点,针对图像去噪技术进行了研究,探讨适用于声呐图像的去噪算法。第一,本文梳理了侧扫声呐系统的基本组成、声呐图像的成像原理以及成像过程中的噪声影响。分析了深海条件下对声呐图像质量影响最大的海洋环境噪声模型;第二,介绍了小波变换基本理论。依据海洋环境噪声的高斯特性,在声呐图像中添加高斯白噪声,采用小波阈值去噪算法对含噪声呐图像进行仿真实验;第三,介绍了形态学分析的形态小波变换,构建了形态中点小波变换,采用改进后的形态中点小波去噪方法对含噪声呐图像进行仿真实验;第四,分析了经形态中点小波分解后的高频系数（包含噪声和图像细节两部分）,为进一步提高去噪性能,结合谱聚类在聚类方法中的突出表现,采用谱聚类方法对高频系数进行分类,提出了谱聚类与形态中点小波相结合的去噪方法,采用该方法对含噪声呐图像进行仿真实验。实验结果表明,由于形态小波变换的非线性特性,结合了谱聚类理论的形态中点小波方法在保边去噪方面更具优势。谱聚类的引入使低信噪比下的声呐图像去噪性能得到进一步提升。证明了结合谱聚类理论的形态中点小波的算法的可行性和有效性。
盛祖维[8]（2021）在《基于小波去噪的阈值函数改进及其应用研究》文中研究说明小波分析理论是众多研究领域的学者们共同而奋斗的结晶,在故障诊断、语音信号处理、图像压缩以及流体力学方面,小波变换凭借强大的分析能力,已经成为非常重要的处理工具,反映了在现代科学时代,众多学科之间相互交织的特点。傅里叶分析是小波理论的基础,由于傅里叶变换在进行信号处理时存在一定的缺陷,它只能处理相关的平稳的信号,而如果信号是非平稳的,傅里叶变换就不能对该信号进行分析了,而小波分析可以对信号进行局部化分析,反映信号在时频域上的重要特征,对信号进行更深层次的解读。在对相关信号进行分析时,都需要先对信号进行去噪之后再做相关的处理,所以,信号去噪在信号的处理中占据重要的地位。传统的硬阈值和软阈值函数自身存在一定的不足,在当前快速发展的信号处理方面显得无能为力,因此新的小波阈值函数的提出在当前的信号处理面前显得格外重要。首先,本文对小波分析的相关理论进行概述,然后详细介绍了小波信号去噪的相关原理和流程以及常见的信号去噪方法。在这几类去噪的方法中,小波阈值去噪方法凭借最大信噪比和最小均方误差性质,去噪效果最为强大。因此,对小波阈值去噪方法进行深入的研究和应用也很有必要。其次,对小波阈值去噪的相关影响方面进行分析,这其中包括小波基函数的选取,小波分解层数的选择,阈值规则的选取以及阈值函数的选取,这些方面选择的不同,都会对影响信号去噪的效果。本文主要针对阈值函数这一影响因素做出改进,硬阈值函数是不连续的,信号容易产生比较大的方差,重构的信号很容易产生振荡,最终导致信号的重构效果质量变差;软阈值函数在进行软阈值处理时,原始信号和去噪信号两者的小波系数存在恒定的偏差,也会导致信号的重构受到相应的影响,重构质量变差。本文在传统的阈值函数基础上进行研究,构造出新的阈值函数,新的阈值函数具备良好的数学特性,克服了传统阈值函数相关缺陷,同时对比信号去噪的信噪比和均方误差两个评价标准进行分析,验证了新的阈值函数具有良好的去噪效果。最后,本文从信号去噪的应用这个角度出发,将小波阈值去噪方法与Elman神经网络相结合,构造新的股价预测模型方法,首先对Elman神经网络方法相关概念进行阐述,然后选取上证综指的收盘价进行信号去噪处理,在Elman神经网络模型中,对去噪的数据信号进行建模,做出相关的预测处理。同时将数据有和没有去噪的两种情况下,使用神经网络预测的效果进行对比分析,发现阈值去噪之后再进行神经网络预测的效果更好。
乔思蓉[9]（2021）在《基于构架载荷信号多尺度熵的高速列车工况识别研究》文中进行了进一步梳理随着国民经济的增长,人们的出行方式发生了改变,从单一的汽车、自行车到快捷的飞机、高铁。据统计,我国2015年高铁旅客发送量仅25亿,而2019年高铁旅客发送量迅速增长到35亿,旅客数量的持续增长充分证明了高铁的普遍性,同时也对高铁的运行安全性提出严峻的考验。高铁运行速度的增长和载客量的增加对轨道车辆零部件疲劳可靠性提出新要求,转向架作为动车组关键承载部件,其结构疲劳强度评估和可靠性设计至关重要。载荷谱编制是研究动车组转向架关键部件结构可靠性的前提。大规模的载荷谱编制工作,需要已知不同运用工况下高速动车组转向架构架载荷数据,因此通过对不同工况下构架载荷的信号特征进行分析,找到可以表征工况特征的统计量,在此基础上进行典型工况识别。本文选用中国标准动车组于大西线实测线路载荷信号进行分析,主要研究内容如下:（1）针对传统的时域信号分析方法无法准确描述频率随时间变化的信号微小特征问题,本文采用时频联合分析中的小波变换和集合经验模态分解对原始载荷数据进行时频处理。对于单一尺度难以全面概括时间序列复杂性以及时间尺度未知的问题,本文使用多尺度熵进行不同工况下构架载荷复杂性研究,得到不同工况载荷复杂性变化规律。（2）基于构架载荷在不同工况下的复杂性规律,建立基于多尺度熵的工况特征提取方法,并通过增加数据量进行显着性检验的方法对提取的特征进行异常值排除。已有的研究表明,模式识别结果并非随着维数的增加而持续增加,特征维数过多会导致识别时间过长和识别精度下降,因此采用Relief算法对提取的工况特征数组进行降维,建立特征向量。为了证明基于多尺度熵的工况特征提取方法对于提高工况识别效果有积极作用,建立基于传统时频分析的工况特征向量,为后续进行传统与改进方法的工况识别结果对比做准备。（3）分别将已建立的基于传统时频分析和基于多尺度熵的工况特征向量作为输入向量,代入支持向量机中进行模式识别。分别采用传统优化算法网格搜索和自然进化算法遗传算法对支持向量机核参数g和惩罚系数C进行优化,根据识别结果择优。最终基于多尺度熵的制动工况、道岔工况和曲线工况识别结果均在90%以上,基本满足工程要求。而基于传统时频分析的道岔工况识别结果仅为50%～60%,证明了基于多尺度熵的特征提取方法可以显着提高道岔工况的识别效果。图57幅,表32个,参考文献75篇
陈曦[10]（2021）在《上肢康复训练中的动作识别及其应用研究》文中认为随着国内外老龄化程度的不断加深,老年人的健康问题得到广泛的关注。脑卒中作为发病率最高、危害较大的疾病,其后遗症所引起的上肢运动功能缺失的问题成为国内外研究的热点。目前,针对患者单侧上肢运动功能缺失的问题,一种方法是通过康复师辅助患者进行康复训练,但这种方法康复师的劳动强度过大;另一种方法是通过康复机器人进行辅助训练,但传统康复机器人只能带动患者进行单一、重复的运动训练,患者参与感低,人机交互能力差。为解决这些问题,本课题以上肢康复机器人为平台,融合加速度与表面肌电信号（sEMG）,进行患者健肢的动作识别,并根据识别出来的动作规划运动轨迹,控制上肢康复机器人带动患肢进行轨迹跟踪,以实现患者自身健肢带动患肢进行训练、解放康复师、增强患者参与感、提高人机交互能力的作用。本课题主要工作如下:（1）加速度、sEMG信号的采集与预处理。针对实验平台,选择5男5女10位受试者和7个动作,进行2个轴的加速度信号和6个通道sEMG信号的同步采集。采用卡尔曼滤波法对加速度信号进行去噪,提出改进阈值函数的小波去噪法,有效去除sEMG的基线漂移与高频噪声,解决了传统小波去噪不能解决的问题。然后为减少处理的数据量采用分帧法进行有效信号段的提取。（2）基于加速度、sEMG信号融合的动作识别。对加速度信号提取时域、频域各2个特征;对sEMG信号提取时域、频域各3个特征。针对特征数量多、维数高的情况,以DBI为评价指标对特征的相似度进行评价,选出最佳融合特征PSD+SK+MAV+MPF进行分类识别。用粒子群算法对SVM的C和g参数进行优化,以识别率和运行时间为指标证明了PSO-SVM分类器比SVM、GA-SVM分类器效果更好,实现了7种动作的有效识别,动作识别率达到了92.86%。（3）基于动作识别的上肢康复机器人控制研究。建立患肢二连杆模型,根据二连杆关节角度与末端位置关系,对患肢动作进行轨迹规划,控制电机转速使康复机器人对末端轨迹进行跟踪,引入模糊PID算法实现对轨迹跟踪的快速性、准确性。并对规划的轨迹进行电机转速与末端位置跟踪的仿真,证明控制方法与策略的可行性。（4）基于上肢康复机器人平台的动作识别与轨迹跟踪验证。采用Fourier M2上肢康复平台,设计健肢的动作识别实验与康复机器人带动患肢进行轨迹跟踪的实验。利用PSO-SVM模型得到7个动作的在线识别率为91.6%,证明两种信号融合对动作识别的高准确性;采用模糊PID实现了对规划轨迹的准确跟踪,实现了用健肢带动患肢进行康复训练的目标,解放了康复师,增强患者参与感与人机交互能力。
二、特征系统实现算法的小波去噪方法研究（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、特征系统实现算法的小波去噪方法研究（论文提纲范文）
（1）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（2）基于改进型随机共振的超宽带信号检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 超宽带通信技术 |
| 1.2.2 随机共振理论 |
| 1.3 本文的主要研究内容 |
| 2 系统模型 |
| 2.1 UWB通信技术 |
| 2.1.1 UWB信号模型 |
| 2.1.2 基本脉冲 |
| 2.1.3 基本调制 |
| 2.2 随机共振模型 |
| 2.2.1 随机共振原理 |
| 2.2.2 双稳态模型 |
| 2.2.3 新型势阱模型 |
| 2.2.4 噪声类型 |
| 2.3 系统测度指标 |
| 2.3.1 系统响应速度 |
| 2.3.2 系统评价指标 |
| 2.4 总结 |
| 3 基于经典双稳随机共振的UWB信号检测方法 |
| 3.1 经典双稳随机共振模型 |
| 3.2 基于经典双稳模型的BPM-UWB信号检测方法 |
| 3.2.1 高斯噪声环境下BPM-UWB信号的检测 |
| 3.2.2 α稳定噪声环境下BPM-UWB信号的检测 |
| 3.3 基于经典双稳模型的PPM-UWB信号检测方法 |
| 3.3.1 α稳定噪声环境下PPM-UWB信号的检测 |
| 3.3.2 高斯噪声环境下PPM-UWB信号的检测 |
| 3.4 仿真结果对比 |
| 3.5 本章小结 |
| 4 基于自适应随机共振的UWB信号的检测方法 |
| 4.1 参数自适应随机共振 |
| 4.2 基于自适应单稳随机共振的UWB波形检测算法 |
| 4.2.1 单稳随机共振模型 |
| 4.2.2 BPM-UWB信号的检测 |
| 4.3 基于自适应新型势阱模型的UWB信号检测算法 |
| 4.3.1 自适应新型势阱模型 |
| 4.3.2 BPM-UWB信号的检测 |
| 4.4 本章小结 |
| 5 基于自适应新型势阱随机共振和小波变换的UWB信号检测算法 |
| 5.1 基于小波变换的UWB信号检测算法 |
| 5.1.1 小波变换去噪的原理 |
| 5.1.2 小波变换去噪实验仿真及结果分析 |
| 5.2 基于自适应新型势阱随机共振与小波变换的UWB信号检测算法 |
| 5.3 实际应用 |
| 5.3.1 信号带宽为10MHz的实际信号 |
| 5.3.2 信号带宽为20MHz的实际信号 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（3）基于高斯过程回归模型的土石坝沉降预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 大坝安全监测概述 |
| 1.1.1 大坝安全监测的目的和意义 |
| 1.1.2 大坝安全监测模型在国内外的研究现状 |
| 1.2 常用的变形预测模型方法 |
| 1.3 现有模型存在的问题 |
| 1.4 本文的研究内容与技术路线图 |
| 1.4.1 本文的研究内容 |
| 1.4.2 技术路线图 |
| 2 多元回归分析法与人工神经网络法 |
| 2.1 多元回归分析法 |
| 2.1.1 回归方程 |
| 2.1.2 法方程式 |
| 2.1.3 回归方程的有效性和精度 |
| 2.1.4 预报因子的重要性考察 |
| 2.1.5 工程概况 |
| 2.1.6 多元回归模型主要操作流程与计算结果分析 |
| 2.2 神经网络法 |
| 2.2.1 神经网络的基本概念及特点 |
| 2.2.2 误差反向传播(BP)神经网络及其特点 |
| 2.2.3 BP神经网络的优缺点 |
| 2.2.4 神经网络结构及其工程应用难点 |
| 2.2.5 BP神经网络模型主要操作流程与计算结果分析 |
| 2.3 本章小结 |
| 3 高斯过程回归模型 |
| 3.1 模型因子的选择 |
| 3.2 随机过程与高斯过程 |
| 3.2.1 随机过程 |
| 3.2.2 高斯过程 |
| 3.3 高斯过程回归 |
| 3.4 高斯过程回归的核函数 |
| 3.5 高斯过程回归的超参数 |
| 3.6 高斯过程回归模型的建立 |
| 3.6.1 变形监测数据预处理 |
| 3.6.2 建立高斯过程回归模型的主要步骤 |
| 3.6.3 模型预测表现评价指标 |
| 3.7 高斯过程回归模型主要操作流程与计算结果分析 |
| 3.7.1 高斯过程回归模型主要操作流程 |
| 3.7.2 高斯过程回归模型计算结果及分析 |
| 3.8 本章小结 |
| 4 基于小波去噪的高斯过程回归模型 |
| 4.1 小波基本理论 |
| 4.1.1 小波变换的概念 |
| 4.1.2 连续小波变换概念 |
| 4.1.3 离散小波变换概念 |
| 4.2 常用的小波函数 |
| 4.3 小波去噪 |
| 4.3.1 小波阈值去噪原理 |
| 4.3.2 小波阈值去噪方式 |
| 4.4 小波去噪的精度指标 |
| 4.5 基于小波去噪的高斯过程回归模型的主要操作流程与计算结果分析 |
| 4.5.1 小波去噪主要操作流程 |
| 4.5.2 基于小波去噪的高斯过程回归模型计算结果及分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间主要研究成果 |
（4）偏心轴超声检测及缺陷智能识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 超声检测技术研究概况 |
| 1.3 超声检测智能化相关技术研究概况 |
| 1.3.1 机器人检测技术发展现状 |
| 1.3.2 超声缺陷信号处理技术研究概况 |
| 1.3.3 缺陷智能识别技术研究概况 |
| 1.4 论文研究的主要内容 |
| 第二章 偏心轴工件超声检测系统设计 |
| 2.1 五轴机械手超声检测系统总体结构 |
| 2.1.1 五轴机械手及控制器 |
| 2.1.2 水箱检测平台设计 |
| 2.2 偏心轴的扫查轨迹规划方法 |
| 2.3 偏心轴扫查轨迹的分配 |
| 2.4 五轴机械手运动学分析 |
| 2.4.1 刚体的位姿描述 |
| 2.4.2 机械手运动学正解模型 |
| 2.4.3 机械手运动学逆解模型 |
| 2.4.4 选择合适的逆解 |
| 2.5 机械手运动轨迹规划 |
| 2.5.1 三次多项式轨迹规划法 |
| 2.5.2 五次多项式轨迹规划法 |
| 2.5.3 多项式轨迹规划仿真实验 |
| 2.6 本章小结 |
| 第三章 基于小波包能量谱的缺陷特征提取 |
| 3.1 小波分析技术 |
| 3.1.1 小波变换 |
| 3.1.2 离散小波分析 |
| 3.1.3 多分辨率分析 |
| 3.2 缺陷信号去噪处理 |
| 3.2.1 小波基的选择 |
| 3.2.2 分解层数的选择 |
| 3.2.3 阈值的选择 |
| 3.2.4 阈值函数的选择 |
| 3.3 小波去噪实验仿真 |
| 3.4 小波包理论 |
| 3.4.1 小波包的基本概念 |
| 3.4.2 小波包分解频带能量提取算法 |
| 3.5 基于小波包能量谱的缺陷特征提取 |
| 3.5.1 基于小波包能量谱的特征提取步骤 |
| 3.5.2 基于小波包能量谱的缺陷信号能量提取实验 |
| 3.6 本章小结 |
| 第四章 概率神经网络在缺陷识别中的应用 |
| 4.1 径向基函数神经网络 |
| 4.2 径向基函数神经网络工作原理 |
| 4.3 概率神经网络(PNN) |
| 4.3.1 概率神经网络的结构 |
| 4.3.2 概率神经网络工作原理 |
| 4.4 基于麻雀搜索算法改进的概率神经网络 |
| 4.4.1 麻雀搜索算法原理 |
| 4.4.2 麻雀搜索算法优化平滑因子的步骤 |
| 4.4.3 改进概率神经网络性能测试 |
| 4.5 本章小结 |
| 第五章 偏心轴超声检测实验及分析 |
| 5.1 实验的前期准备 |
| 5.1.1 偏心轴表面缺陷试样制作 |
| 5.1.2 超声检测条件的选择 |
| 5.2 偏心轴缺陷信号的采集与处理 |
| 5.2.1 缺陷信号采集流程 |
| 5.2.2 缺陷信号的降噪处理 |
| 5.2.3 缺陷信号特征提取 |
| 5.3 偏心轴缺陷智能识别 |
| 5.3.1 概率神经网络的建立 |
| 5.3.2 概率神经网络平滑因子的确定 |
| 5.3.3 改进后的概率神经网络识别 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间学术成果 |
（5）基于激光超声技术的油气管道缺陷识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 激光超声技术 |
| 1.2.2 激光超声油气管道缺陷识别技术 |
| 1.3 论文主要工作和内容 |
| 第二章 激光超声检测理论及系统 |
| 2.1 激光超声技术理论 |
| 2.1.1 激光超声激励机制 |
| 2.1.2 激光热弹理论 |
| 2.2 超声波衰减理论 |
| 2.3 激光超声检测系统介绍 |
| 2.3.1 激光超声发射系统 |
| 2.3.2 激光超声接收系统 |
| 2.3.3 激光超声可视化系统 |
| 2.4 本章小结 |
| 第三章 油气管道激光超声信号去噪处理 |
| 3.1 小波变换的基本理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.2 激光超声油气管道信号去噪方法 |
| 3.2.1 激光超声仿真信号 |
| 3.2.2 基于小波变换激光超声仿真信号去噪方法 |
| 3.2.3 多分辨率分析激光超声仿真信号去噪方法 |
| 3.3 激光超声信号最优去噪方法 |
| 3.4 激光超声油气管道实测信号去噪 |
| 3.4.1 激光超声实测信号多分辨率分析 |
| 3.4.2 激光超声实测信号阈值去噪 |
| 3.5 油气管道激光超声信号分析 |
| 3.6 本章小结 |
| 第四章 基于BP神经网络的管道损伤定量分析 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络结构 |
| 4.1.2 BP神经网络学习算法 |
| 4.2 BP网络管道损伤定量分析方法 |
| 4.3 基于小波包分解的BP网络特征提取 |
| 4.3.1 小波包分解 |
| 4.3.2 小波包分解特征提取 |
| 4.4 BP神经网络管道损伤定量分析 |
| 4.4.1 训练结果分析 |
| 4.4.2 训练误差分析 |
| 4.5 本章小结 |
| 第五章 管道损伤图像处理定性分析 |
| 5.1 激光超声可视化图像采集 |
| 5.2 激光超声图像预处理 |
| 5.2.1 图像灰度化 |
| 5.2.2 Mask图像 |
| 5.3 激光超声图像滤波 |
| 5.3.1 滤波算法 |
| 5.3.2 激光超声图像滤波分析 |
| 5.4 基于Retinex算法缺陷图像处理 |
| 5.4.1 Retinex算法缺陷图像处理 |
| 5.4.2 改进Retinex算法缺陷图像处理 |
| 5.5 缺陷图像SAD匹配算法 |
| 5.6 缺陷图像边缘提取 |
| 5.7 激光超声油气管道损伤图像识别 |
| 5.8 本章小结 |
| 第六章 激光超声油气管道缺陷识别软件设计 |
| 6.1 软件设计框架 |
| 6.2 软件设计流程 |
| 6.3 可视化图像处理模块 |
| 6.4 超声信号处理模块 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（6）雷达通信一体化波形设计及干扰抑制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达通信一体化设计方案 |
| 1.2.2 基于通信波形的一体化信号 |
| 1.2.3 基于雷达波形的一体化信号 |
| 1.2.4 通信与雷达波形叠加的一体化信号 |
| 1.2.5 雷达通信一体化干扰抑制 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 雷达通信一体化技术研究 |
| 2.1 一体化波形设计要素 |
| 2.2 通信系统波形选择 |
| 2.2.1 连续相位频移键控信号 |
| 2.2.2 高斯最小频移键控信号 |
| 2.3 雷达系统波形选择 |
| 2.3.1 线性调频信号 |
| 2.3.2 调频连续波雷达 |
| 2.4 传统干扰抑制算法 |
| 2.4.1 小波去噪 |
| 2.4.2 干扰估计抑制算法 |
| 2.5 本章小结 |
| 第三章 基于GMSK-FMCW的雷达通信一体化共享信号设计 |
| 3.1 引言 |
| 3.2 雷达通信一体化系统模型 |
| 3.2.1 GMSK-FMCW 一体化信号 |
| 3.2.2 一体化系统发射机设计 |
| 3.2.3 一体化系统接收机设计 |
| 3.3 GMSK-FMCW 一体化信号性能分析 |
| 3.3.1 GMSK-FMCW 一体化信号模糊函数分析 |
| 3.3.2 GMSK-FMCW 一体化信号功率谱密度分析 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 抑制雷达通信互干扰的独立分量分离算法 |
| 4.1 引言 |
| 4.2 传统的独立分量分离算法 |
| 4.2.1 复值非高斯最大化算法 |
| 4.2.2 联合近似对角化算法 |
| 4.3 小波去噪联合独立分量分离算法 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 一体化信号间干扰抑制算法 |
| 5.1 引言 |
| 5.2 车联网下一体化信号间干扰抑制模型 |
| 5.3 车联网下一体化信号间干扰抑制算法 |
| 5.3.1 斜坡滤波算法 |
| 5.3.2 自适应阈值的迭代算法 |
| 5.4 抑制一体化信号间干扰算法性能比较 |
| 5.4.1 性能指标评估标准 |
| 5.4.2 性能指标仿真结果与分析 |
| 5.5 仿真结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间研究成果 |
（7）结合谱聚类理论的形态小波域水下地貌图像去噪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究背景及意义 |
| 1.3 图像去噪技术研究现状 |
| 1.3.1 小波理论研究现状 |
| 1.3.2 谱聚类理论研究现状 |
| 1.4 课题研究内容和结构 |
| 第2章 成像声呐及成像原理 |
| 2.1 引言 |
| 2.2 侧扫声呐系统组成及功能 |
| 2.3 成像原理 |
| 2.4 海洋噪声 |
| 2.5 海洋环境噪声模型 |
| 2.6 本章小结 |
| 第3章 基于小波变换理论的声呐图像去噪 |
| 3.1 引言 |
| 3.2 小波变换基本理论 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 二维信号的小波分解 |
| 3.3 小波变换图像去噪 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 形态小波域声呐图像去噪 |
| 4.1 引言 |
| 4.2 形态小波去噪 |
| 4.2.1 形态小波的定义 |
| 4.2.2 形态小波去噪算法 |
| 4.3 可重构形态中点小波的构建 |
| 4.3.1 形态中点小波的多重化改进 |
| 4.3.2 形态中点小波的提升 |
| 4.3.3 形态中点小波的增强 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第5章 结合谱聚类理论的形态小波域声呐图像去噪 |
| 5.1 引言 |
| 5.2 谱聚类算法 |
| 5.3 结合谱聚类理论的形态中点小波声呐图像去噪 |
| 5.3.1 结合谱聚类的形态中点小波高频系数估计 |
| 5.3.2 结合谱聚类的形态中点小波去噪系统 |
| 5.4 综合实验结果分析 |
| 5.4.1 实验验证 |
| 5.4.2 综合对比试验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和研究成果 |
（8）基于小波去噪的阈值函数改进及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究综述 |
| 1.2.1 小波技术发展及其现状 |
| 1.2.2 信号去噪的研究现状 |
| 1.3 主要工作及论文框架 |
| 1.4 研究的创新与不足 |
| 1.4.1 研究的创新点 |
| 1.4.2 研究的不足 |
| 第二章 小波及信号去噪理论 |
| 2.1 小波分析方法概述 |
| 2.1.1 傅里叶变换 |
| 2.1.2 加窗傅里叶变换 |
| 2.1.3 小波理论简述 |
| 2.2 多尺度理论 |
| 2.2.1 多尺度分析概述 |
| 2.2.2 Mallat分解重构算法 |
| 2.2.3 极大重叠离散小波变换 |
| 2.3 基于小波变换的信号去噪流程及方法 |
| 2.3.1 小波去噪基本原理流程 |
| 2.3.2 小波去噪基本方法 |
| 2.4 小波去噪效果的影响因素 |
| 2.4.1 小波基函数的选择 |
| 2.4.2 分解层数的选择 |
| 2.4.3 阈值的选取 |
| 2.4.4 阈值函数的选取 |
| 2.5 小波去噪信号性能评价标准 |
| 2.5.1 信噪比 |
| 2.5.2 均方差 |
| 2.6 本章小结 |
| 第三章 改进阈值函数的小波去噪 |
| 3.1 小波去噪基本原理 |
| 3.2 阈值函数的选取 |
| 3.2.1 传统的阈值函数 |
| 3.2.2 改进的阈值函数 |
| 3.3 仿真实验结果及分析 |
| 3.3.1 仿真结果 |
| 3.3.2 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于小波阈值去噪神经网络模型的应用研究 |
| 4.1 小波去噪 |
| 4.2 Elman神经网络 |
| 4.3 神经网络预测 |
| 4.3.1 数据的预处理 |
| 4.3.2 预测模型的建立 |
| 4.3.3 实验仿真 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 研究结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
（9）基于构架载荷信号多尺度熵的高速列车工况识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文预期成果及目标 |
| 2 载荷信号处理以及信号时频分析理论 |
| 2.1 构架载荷数据提取和前处理 |
| 2.1.1 转向架构架结构介绍 |
| 2.1.2 构架载荷识别方法 |
| 2.1.3 信号前处理方法 |
| 2.2 小波变换 |
| 2.2.1 小波变换理论 |
| 2.2.2 小波去噪 |
| 2.3 集合经验模态分解 |
| 2.3.1 经验模态分解理论 |
| 2.3.2 集合经验模态分解理论 |
| 2.4 本章小结 |
| 3 构架载荷信号的复杂性分析 |
| 3.1 复杂性分析方法 |
| 3.1.1 多尺度熵 |
| 3.1.2 载荷信号复杂性分析方法的建立 |
| 3.2 不同工况下载荷信号的复杂性分析 |
| 3.2.1 制动工况 |
| 3.2.2 道岔工况 |
| 3.2.3 曲线工况 |
| 3.3 本章小结 |
| 4 典型工况信号特征向量建立 |
| 4.1 基于传统时频分析的信号特征向量建立 |
| 4.2 不同工况多尺度熵的差异性检验 |
| 4.2.1 参数检验算例 |
| 4.2.2 非参数检验算例 |
| 4.2.3 差异性检验结果 |
| 4.3 基于多尺度熵的信号特征提取方法建立 |
| 4.4 基于多尺度熵的信号特征向量建立 |
| 4.4.1 Relief算法选取特征向量 |
| 4.4.2 制动工况特征向量建立 |
| 4.4.3 道岔工况特征向量建立 |
| 4.4.4 曲线工况特征向量建立 |
| 4.5 本章小结 |
| 5 支持向量机工况识别 |
| 5.1 支持向量机 |
| 5.2 网格搜索寻优 |
| 5.2.1 网格搜索理论 |
| 5.2.2 网格搜索寻优算例 |
| 5.3 遗传算法寻优 |
| 5.3.1 遗传算法理论 |
| 5.3.2 遗传算法寻优算例 |
| 5.3.3 两种寻优方法识别时间对比 |
| 5.4 工况识别结果 |
| 5.4.1 基于传统时频分析的工况识别结果 |
| 5.4.2 基于多尺度熵的工况识别结果 |
| 5.4.3 基于传统时频分析与基于多尺度熵识别结果对比 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）上肢康复训练中的动作识别及其应用研究（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 |
| 1.2.1 上肢康复机器人国内外研究现状 |
| 1.2.2 基于加速度信号、sEMG信号的动作识别技术研究现状 |
| 1.2.3 上肢康复机器人的控制策略研究现状 |
| 1.3 论文的创新点与内容安排 |
| 第二章 加速度信号、sEMG信号的采集与预处理 |
| 2.1 加速度信号的采集 |
| 2.1.1 加速度计模型 |
| 2.1.2 采集设备的选择 |
| 2.1.3 加速度信号采集方案的设计 |
| 2.2 加速度信号的预处理 |
| 2.2.1 滑动平均法 |
| 2.2.2 卡尔曼滤波法 |
| 2.2.3 加速度信号去噪 |
| 2.3 sEMG信号的采集 |
| 2.3.1 sEMG信号产生的原理与特点 |
| 2.3.2 sEMG信号采集设备的选择 |
| 2.3.3 sEMG信号采集肌群的选择 |
| 2.3.4 sEMG信号采集方案的设计 |
| 2.4 sEMG信号的预处理 |
| 2.4.1 去噪指标 |
| 2.4.2 传统小波去噪 |
| 2.4.3 改进小波阈值去噪 |
| 2.5 活动段的提取 |
| 2.6 本章小结 |
| 第三章 加速度信号、sEMG信号的特征提取与动作识别 |
| 3.1 加速度信号、sEMG信号的特征提取 |
| 3.1.1 加速度信号特征提取 |
| 3.1.2 sEMG信号特征提取 |
| 3.2 特征融合 |
| 3.3 基于粒子群优化的支持向量机设计 |
| 3.3.1 支持向量机原理 |
| 3.3.2 支持向量机的分类方法 |
| 3.3.3 粒子群算法对支持向量机的优化 |
| 3.4 分类器训练与动作识别实验 |
| 3.5 本章小结 |
| 第四章 基于动作识别的上肢康复机器人控制研究 |
| 4.1 运动学模型建立与运动轨迹规划 |
| 4.1.1 运动学模型的建立 |
| 4.1.2 运动轨迹规划 |
| 4.2 基于动作识别的末端位置控制研究 |
| 4.2.1 电机模型与位置控制关系 |
| 4.2.2 基于PID的末端位置控制 |
| 4.2.3 基于模糊PID的末端位置控制 |
| 4.2.4 仿真分析 |
| 4.3 本章小结 |
| 第五章 基于桌面式上肢康复机器人的实验验证 |
| 5.1 上肢康复机器人训练平台 |
| 5.2 基于加速度、sEMG的动作识别与末端轨迹控制验证 |
| 5.2.1 实验方案设计 |
| 5.2.2 实验结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
四、特征系统实现算法的小波去噪方法研究（论文参考文献）
- [1]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [2]基于改进型随机共振的超宽带信号检测方法研究[D]. 张丁心. 西安理工大学, 2021(01)
- [3]基于高斯过程回归模型的土石坝沉降预测研究[D]. 李成宇. 西安理工大学, 2021(01)
- [4]偏心轴超声检测及缺陷智能识别方法研究[D]. 张贤. 沈阳化工大学, 2021(02)
- [5]基于激光超声技术的油气管道缺陷识别研究[D]. 王韵. 西安石油大学, 2021(09)
- [6]雷达通信一体化波形设计及干扰抑制[D]. 荆春晖. 北京邮电大学, 2021(01)
- [7]结合谱聚类理论的形态小波域水下地貌图像去噪技术研究[D]. 黄懿. 大理大学, 2021(08)
- [8]基于小波去噪的阈值函数改进及其应用研究[D]. 盛祖维. 江西财经大学, 2021(10)
- [9]基于构架载荷信号多尺度熵的高速列车工况识别研究[D]. 乔思蓉. 北京交通大学, 2021(02)
- [10]上肢康复训练中的动作识别及其应用研究[D]. 陈曦. 曲阜师范大学, 2021(02)
标签：小波去噪论文; 神经网络模型论文; 阈值分割论文; matlab小波变换论文; 超声成像论文;