导读:本文包含了递推滤波算法论文开题报告文献综述及选题提纲参考文献，主要关键词:航空发动机,健康参数,卡尔曼滤波,核递推最小二乘
递推滤波算法论文文献综述
顾嘉辉,黄金泉,鲁峰[1]（2018）在《基于核递推最小二乘的扩展卡尔曼滤波算法的商用航空发动机机载自适应模型与健康参数估计》一文中研究指出针对航空发动机部件级模型(CLM)计算量大而机载EMU内存有限,提出一种利用机器学习算法:指数加权-滑动窗口-核递推最小二乘(EW-SW-KRLS)算法来代替部件级模型机载使用的方法。其指数加权的特性保证了跟踪能力而滑动窗口结构维持了固定的机载内存开销使得基于该核递推最小二乘的扩展卡尔曼滤波(EKF)算法可以用来跟踪发动机可测输出同时估计发动机各部件效率和流量的变化量,即健康参数。数字仿真模拟了某型商用涡扇发动机的几种性能退化情况,同时采用该方法与传统的基于CLM的EKF方法进行比较。经验证,该方法相比基于CLM的EKF方法在估计精度上非常接近,同时具有较少的计算时间,适合机载使用。(本文来源于《Proceedings of The 2018 2nd International Conference on Advances in Energy, Environment and Chemical Science (AEECS 2018)（Advances in Engineering Research VOL.155）》期刊2018-02-02）
陈慕羿,田野,王洪源[2]（2016）在《一种适用于空间监视跟踪的递推滤波算法》一文中研究指出针对空间监视跟踪环境中对于包含角变量的状态向量估计存在精度较低的缺点,利用Gauss von Mises(GVM)多变量概率密度分布,提出一种基于矩匹配的GVM参数估计方法,并在此基础上改进GVM分布的确定性采样方法,建立针对GVM分布的递推滤波算法,该算法充分考虑了流形的内蕴结构,克服了传统滤波方法假设状态向量定义于欧氏空间及采用欧氏空间中高斯分布模型的局限性。仿真结果表明,该滤波算法能有效估计状态变量的后验概率分布,对角变量的估计精度明显优于扩展卡尔曼滤波方法(EKF)。(本文来源于《宇航学报》期刊2016年07期）
景绍学,李正明[3]（2016）在《基于数据滤波的带协方差重置的递推贝叶斯算法》一文中研究指出针对传统最小二乘算法计算量大、在有色噪声干扰下估计有误差的问题,提出了一种基于滤波技术的带协方差重置的递推贝叶斯算法。该算法使用一个动态非线性滤波器对输入输出数据进行滤波,然后使用贝叶斯方法进行参数估计。为了加快参数的收敛速度,在算法中加入了一种新型的协方差重置策略。计算量分析表明,当过程模型和噪声模型的阶数分别为6和4的时候,所提算法可以减少约62.35%的计算量。仿真结果显示,所提算法与传统最小二乘算法在采样数据长度为3 000时的估计误差分别为0.771%和1.118%。因此,所提算法具有较高的计算效率,并且可以给出精度较高的参数估计值。(本文来源于《计算机应用研究》期刊2016年05期）
张然,汤全武,史崇升[4]（2014）在《基于递推最小二乘自适应滤波算法的图像去噪》一文中研究指出递推最小二乘RLS(Recursive of Least Square)算法是自适应滤波算法中的精确分析算法。它具有收敛速率快,精确度高等特点,但是发现目前RLS算法多用于对一维信号的去噪处理。使用递推最小二乘(RLS)算法对二维图像进行去噪,从处理一维信号变成处理二维图像信号,需要对RLS算法进行改进。先迭代得到滤波器参数,形成3×3滤波掩模,再改进算法对图像进行滤波;同时与常数比率维纳滤波和自相关函数的维纳滤波算法的去噪效果进行对比。结论证明在对图像进行较严重的模糊和加噪处理后,其他两种算法对图像的还原能力差,而递推最小二乘自适应滤波(RLS)算法具有优良的图像去噪性能。(本文来源于《计算机应用与软件》期刊2014年04期）
汤全武,史崇升,吴佳[5]（2014）在《基于小波递推最小二乘滤波算法的马铃薯高光谱图像去噪研究》一文中研究指出为了提高马铃薯高光谱图像的滤波效果,降低马铃薯外部损伤检测模型的错误率和误判率,采用小波递推最小二乘滤波算法对马铃薯高光谱图像进行去噪.该算法先对经过主成分分析的马铃薯高光谱图像进行4尺度的小波变换,并将得到的二维小波变换系数集成为一个单一的一维重构向量,利用此向量的系数重构分辨率更高的图像,再将经过小波逆变换的图像使用递推最小二乘滤波算法进行滤波,得到结果图像;同时与改变噪声类型的滤波效果、采用维纳滤波和递推最小二乘滤波算法对马铃薯高光谱图像的滤波效果进行对比.结果表明:该滤波算法对高斯和椒盐噪声均具有良好的滤波效果;与采用维纳滤波算法和递推最小二乘滤波算法相比,滤波效果明显,对提高马铃薯外部损伤检测模型的正确率和识别率具有促进作用.(本文来源于《甘肃农业大学学报》期刊2014年02期）
黄全振,易金聪,李恒宇,王小华[6]（2013）在《基于递推最小二乘的自适应滤波振动主动控制算法分析》一文中研究指出针对自适应滤波X最小均方差(FXLMS)和滤波U最小均方差(FULMS)振动主动控制算法收敛性较为缓慢的问题,给出一种基于递归最小二乘(RLS)方法的自适应滤波控制算法。该算法大致有无限长脉冲响应(IIR)滤波器结构和RLS算法两部分组成,IIR滤波器作为整个算法的主体框架,采用RLS算法针对滤波器的权值进行实时调整,实现了自适应滤波控制算法的功能。仿真对比分析表明,所提算法收敛速度较快。经过实验平台验证,被控对象的整体振动响应下降了65%左右,证明了算法的有效性和可行性。(本文来源于《计算机应用》期刊2013年09期）
翟博,李星野[7]（2012）在《基于误差修正模型的自适应递推滤波算法》一文中研究指出提出自适应滤波算法是经典Kalman滤波与最小方差自适应控制结合的成果。通过引入一个可变因子,将线性系统的状态转移方程与观测方程合并,然后平滑估计未知白噪声,使原本不相关的估计量被映射在同一线性流型中,由此获得可变因子的最优值。可变因子的最优调节保证了滤波的自适应性。最后通过仿真将此算法与经典的Kalman滤波对同一目标状态进行比较,发现由于误差修正因子的引入,此算法在滤波精度上得到显着提高。(本文来源于《火力与指挥控制》期刊2012年06期）
刘贵富[8]（2012）在《低频振荡模式的鲁棒递推及自适应滤波辨识算法研究》一文中研究指出随着大型机组快速励磁系统的应用，以及电网规模的不断扩大，低频振荡问题日益突出，严重威胁着电力系统安全稳定运行。现有的在线辨识算法仅能对单一类型的信号（稳态或动态）有效，对信号类型发生变化（如稳态时发生扰动），则缺乏准确和有效辨识。如何对电力系统低频振荡模式进行全过程的辨识和跟踪，对低频振荡进行及时预警和告警具有重要作用。本文提出的新型鲁棒递推以及鲁棒自适应滤波辨识方法可有效的解决上述问题。本文首先对广域测量系统结构及应用现状、低频振荡的定义、发生机理以及各种分析方法进行了综述。基于小扰动理论给出了ARMA模型用于低频振荡的原理，并对ARMA模型的定阶问题进行了分析和讨论。结合低频振荡在线辨识的实际情况，本文还提出了一种低频振荡模式辨识的方案，包括数据预处理、ARMA模型定阶、ARMA模型参数计算、低频振荡模式计算、主导模式提取。其次，分析了常规递推算法在辨识动态数据时可能发散的原因，通过在算法中引入基于输入信号自相关矩阵和互相关向量的L1范数的自适应权重参数，保证算法在扰动条件下的收敛性，实现了一种基于ARMA模型的新型鲁棒递推算法。采用新英格兰39节点系统的时域仿真获得了稳态类噪声数据、带扰动类噪声数据以及模式变化数据，进行辨识，并通过对该数据的辨识，验证了该算法的有效性、鲁棒性、快速跟踪性。最后采用南方电网实测数据进行了分析和测试，进一步验证了该方法在同时辨识稳态数据和动态数据中的有效性。最后，研究了基于最小均方二乘的自适应滤波算法的低频振荡辨识的原理和方法。分析了最小均方二乘的自适应滤波算法辨识动态数据不收敛的原因，并将鲁棒最小均方二乘的自适应滤波算法首次应用于的低频振荡模式辨识。并采用新英格兰39节点系统的时域仿真数据和南方电网实测数据对算法进行了分析和测试。验证了该算法的鲁棒性和有效性。结果表明：鲁棒最小均方二乘的自适应滤波算法对稳态数据和动态数据均可辨识，并能消除异常数据对辨识结果的影响。(本文来源于《重庆大学》期刊2012-05-01）
尹嘉娃,戴石良,张振峰,马臣,何广言[9]（2011）在《基于加权递推滤波模糊算法的工艺风力控制》一文中研究指出针对工艺风力控制系统存在的问题,提出了一种新的模糊控制算法。该算法采用离线计算与在线查表结合加权递推平均滤波的方式,运算量小,既具有传统比例-积分-微分(PID)的控制经验的优点,也有模糊控制的自适应性,还能克服输出模糊量变化时控制量的跳变。通过实践证明,该算法具有响应快、超调小、稳态精确度高、抗干扰和自适应能力强等优点,并明显减少了风压和流量的超调量以及调节时间,降低超调量至少1.2%,减少调节时间至少1.3 s,对于工程技术人员如何利用PLC实现高级控制方法具有较好的指导意义。(本文来源于《信息与电子工程》期刊2011年03期）
孟真,于进勇,阎跃鹏[10]（2011）在《基于并行卡尔曼滤波的递推最小二乘测频算法》一文中研究指出提出了一种基于并行卡尔曼滤波的递推最小二乘算法.利用最小二乘算法对卡尔曼滤波的并行多路收敛输出值进行二次优化估计.将本算法应用于正弦波测频,与只采用卡尔曼滤波的算法相比,可使频率估计精度得到明显提高.仿真证明在信噪比0~100 dB区间内采用本算法为卡尔曼滤波算法的测频误差的1/10左右.(本文来源于《微电子学与计算机》期刊2011年03期）
递推滤波算法论文开题报告
（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：
针对空间监视跟踪环境中对于包含角变量的状态向量估计存在精度较低的缺点,利用Gauss von Mises(GVM)多变量概率密度分布,提出一种基于矩匹配的GVM参数估计方法,并在此基础上改进GVM分布的确定性采样方法,建立针对GVM分布的递推滤波算法,该算法充分考虑了流形的内蕴结构,克服了传统滤波方法假设状态向量定义于欧氏空间及采用欧氏空间中高斯分布模型的局限性。仿真结果表明,该滤波算法能有效估计状态变量的后验概率分布,对角变量的估计精度明显优于扩展卡尔曼滤波方法(EKF)。
（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。
递推滤波算法论文参考文献
[1].顾嘉辉,黄金泉,鲁峰.基于核递推最小二乘的扩展卡尔曼滤波算法的商用航空发动机机载自适应模型与健康参数估计[C].ProceedingsofThe20182ndInternationalConferenceonAdvancesinEnergy,EnvironmentandChemicalScience(AEECS2018)（AdvancesinEngineeringResearchVOL.155）.2018
[2].陈慕羿,田野,王洪源.一种适用于空间监视跟踪的递推滤波算法[J].宇航学报.2016
[3].景绍学,李正明.基于数据滤波的带协方差重置的递推贝叶斯算法[J].计算机应用研究.2016
[4].张然,汤全武,史崇升.基于递推最小二乘自适应滤波算法的图像去噪[J].计算机应用与软件.2014
[5].汤全武,史崇升,吴佳.基于小波递推最小二乘滤波算法的马铃薯高光谱图像去噪研究[J].甘肃农业大学学报.2014
[6].黄全振,易金聪,李恒宇,王小华.基于递推最小二乘的自适应滤波振动主动控制算法分析[J].计算机应用.2013
[7].翟博,李星野.基于误差修正模型的自适应递推滤波算法[J].火力与指挥控制.2012
[8].刘贵富.低频振荡模式的鲁棒递推及自适应滤波辨识算法研究[D].重庆大学.2012
[9].尹嘉娃,戴石良,张振峰,马臣,何广言.基于加权递推滤波模糊算法的工艺风力控制[J].信息与电子工程.2011
[10].孟真,于进勇,阎跃鹏.基于并行卡尔曼滤波的递推最小二乘测频算法[J].微电子学与计算机.2011