一、à Trous小波在卫星遥测数据递归预测中的应用（论文文献综述）
石梦鑫[1]（2020）在《基于注意力机制神经网络的遥测数据预测方法》文中提出航天器遥测数据是卫星地面应用系统判读星载设备状态的唯一依据。对遥测数据未来变化趋势进行准确预测,是航天器异常检测的有效方法。传统基于滑动自回归平均模型、机器学习的遥测数据预测方法,在以下几个方面存在不足:（1）没有综合考虑与被预测遥测参数有关联关系的其他遥测数据;（2）大多研究聚焦于遥测时间序列的点预测,而现有区间预测方法对区间宽度、区间覆盖率等性能指标考虑不足;（3）对平稳数据预测效果较好,对具有突变特征的遥测预测欠佳。论文在对现有遥测时间序列的点预测、区间预测方法进行充分调研的基础上,针对遥测数据预测的上述缺陷,提出了基于注意力机制的自编码神经网络方法,对遥测数据进行多步点预测和区间预测,并采用先导专项地面支撑系统量子卫星遥测数据进行了实验。论文主要研究内容如下:1)针对卫星遥测数据密度大、变化缓慢等特征,对遥测数据进行预处理。包括对训练数据进行压缩以构造新特征值,使其符合所提预测模型的输入输出要求;采用数据可视化分析方法,对数据进行可视化分析,绘制出箱线图分析原始数据分布的特征;针对量纲不统一的数据进行归一化处理;采用最大信息系数对遥测数据相关性分析,选取对预测目标关联的遥测变量;2)针对突变型卫星遥测数据的多步点预测问题,提出一种结合注意力机制的复合长短时记忆神经网络自编码器模型。该模型对具有一定程度相关关系的遥测多元数据进行学习,完成自动特征提取和遥测序列多步预测。采用量子卫星数据进行实验验证,并对比向量自回归模型、支持向量回归模型,验证了本文方法在均方根误差指标上具有更高的预测精度;3)针对遥测数据的区间预测问题,提出一种将结合注意力机制的复合长短时记忆神经网络自编码器模型与改进后的质量驱动的区间预测方法相结合的预测方法。该方法通过自编码模型,直接对具有一定程度相关关系的遥测数据进行学习,输出预测区间的上、下界和点预测结果。采用量子卫星任务遥测数据进行验证实验,结果表明对比传统向量自回归、相关向量机、高斯过程回归等模型,本文方法在均方根误差、区间覆盖率、预测区间宽度、区间距离指标上的具有更好的预测性能。
陈雨薇[2]（2020）在《基于机器学习的卫星在轨长期管理数据处理》文中指出卫星在轨长期管理（长管）数据是卫星状态的一种反映。卫星运行到地面测控弧段时,地面接收卫星遥测系统下传的遥测数据,数据中包含与各子系统及卫星载荷相关的遥测参量数据,反映出显现及隐含的卫星自身状态信息及宇宙环境信息等。实时以及延时遥测数据中包含异常数据,其中一部分为错误数据,一部分为故障数据。导致卫星遥测数据异常的原因主要有如下几种:未提前通知的基地人为操作、卫星自身或装载的有效载荷运行状态异常、遥测数据传输过程中的编解码错误以及宇宙环境的变化等。卫星遥测数据的分析处理工作对保证卫星在轨正常运行十分重要。对于卫星遥测数据的监测,卫星在轨长管领域采用二十四小时有人值守的传统方式。当遥测数据出现异常情况时,监测人员在机器的辅助下结合自身监测经验判断卫星遥测异常数据是否为错误数据或故障数据。上述传统判断方式对于人力、时间等资源成本消耗大,对卫星长管遥测数据监测人员的相关知识储备量以及卫星运行监测中心与基地的联系实时性有较高的要求。针对卫星遥测数据传统监测方式存在的问题,本文对卫星在轨长管遥测数据的预测方法及异常检测方法开展研究。在对传统时间序列预测算法差分自回归移动平均模型ARIMA与机器学习长短时记忆网络模型LSTM进行比较分析的基础上,本文提出了LSTM-ARIMA融合神经网络时间序列预测模型以及基于预测模型的双门限异常检测模型,实现了对卫星长管遥测数据的准确预测以及对卫星长管遥测异常数据的异常检测。LSTM-ARIMA预测模型不仅考虑到卫星遥测参量数据自身的变化趋势,同时考虑了其他卫星长管遥测参量数据对目标遥测参量数据的影响,提升了卫星长管数据的预测准确率;双门限异常检测方法结合了专家知识对超差值门限及异常统计值门限进行设定,简单高效的实现对遥测参量数据的异常判断。上述卫星长管数据预测及异常检测模型准确度高、人为成本低,模型验证过程搭建寒武纪智能计算服务器,实现国产自主,具有良好的应用前景。
任国恒,王迤冉,朱海,于帆[3]（2014）在《一种遥测数据短期预测方法》文中提出为实现遥测数据的快速和高精度预测,针对遥测数据的非平稳性特点,提出一种基于小波分析和自适应指数平滑法的建模方法.该方法引入小波分析技术对遥测数据非平稳序列进行分解和重构,将原始非平稳遥测数据序列分解为较平稳的序列.利用对传统的指数平滑法改进后的自适应指数平滑法和周期自回归模型（PAR模型）建立短期预测模型,并对太阳翼输出功率数据的未来趋势进行预测分析.实验结果表明预测曲线与实际曲线吻合效果理想,该方法能够有效的解决遥测数据的短期预测问题.
吴月红[4]（2014）在《基于à Trous小波变换与多核SVM的电力短期负荷预测方法》文中提出提出了一种基于à Trous小波变换与多核SVM的电力短期负荷预测方法。应用à Trous小波变换将负荷时间序列分解为近似分量和细节分量,并选择不同尺度核的SVM对分解后的数据进行预测,然后将预测后的数据进行合成,得到多尺度负荷预测结果。运用该方法对实际负荷数据进行了1步预测和2步预测,数据实验表明,最大的RMSE误差为1.82,与标准BP神经网络相比,文中所提方法具有更高的预测精度和更好的泛化能力。
任国恒,朱变,朱海[5]（2014）在《马特拉算法在遥测数据短期预测中的应用》文中研究表明为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.
马剑,吕琛,刘红梅[6]（2010）在《复杂系统故障诊断中的两类关键技术》文中认为复杂系统故障诊断中的一些关键技术问题一直制约诊断技术的发展.本文对其中的两类典型的关键技术（性能衰退预测技术、故障定位技术）进行了介绍和分析.简要总结分析了复杂系统故障诊断当前的研究现状.提出了复杂系统故障诊断中的两类关键技术（性能衰退预测、故障定位）,并给出了适合这两类关键技术的具体方法.结合作者所在课题组的研究,介绍了基于àTrous算法的小波递归预测的小卫星电源系统性能衰退预测技术、基于双级径向基函数（RBF）神经网络的液压伺服系统故障定位技术.研究结果证明了所提出的方法对于这两类典型对象故障诊断的有效性.
叶廷东[7]（2010）在《多传感信息建模与动态校正方法研究》文中研究表明实时、高准确度建模和动态校正理论方法是实现制造工业过程的在线、高准确度测量的关键,这对先进制造、仪器科学技术发展具有重要学术价值和实际意义。论文以“多传感信息建模与动态校正方法研究”为题,系统地研究多传感信息预处理方法、多传感信息建模解耦和预测补偿方法,并进一步进行网络化检测系统研制和相关实验与初步应用试验。论文得到教育部产学研结合项目（2007A090302039）和广州市科技计划项目（2005Z3-D0341）资助。论文对多传感信息预处理与建模校正方法的国内外研究进展和研究热点进行分析,确定论文将利用PLS和NPLS的相关分析、数据简化和多元回归能力,实现传感信息预处理与非线性建模,并结合时间序列分析方法、曲线拟合建模方法和小波多尺度分析方法,开展可在线快速计算的传感信息解耦与动态预测补偿方法研究。主要工作包括:①研究一种基于多项式外模型-内模型NPLS的多传感信息预处理与建模方法。在多项式外模型-内模型NPLS建模前端,引入基于PLS的预处理实现变量筛选,可使多项式外模型-内模型NPLS建模方法更有实用意义;②研究基于变量投影重要性-PLS回归系数的多传感信息变量筛选方法。该方法综合考虑变量投影重要性VIP指标、PLS回归系数对自变量的解释作用,有别于以往单一VIP指标作为变量筛选条件易出现误筛的现象。并提出以PLS回归模型拟合误差增量ΔE l作为变量筛选指标,无需逐个地考察每个自变量的重要性,具有计算量少的特点;③研究一种基于多项式外模型-内模型NPLS的双层非线性回归建模方法。该模型很好地表达了反应变量与解释变量之间、解释潜变量和反应潜变量之间以及反应变量相互之间的非线性关系,模型显式稳健,较好地解决了单独内外模型NPLS方法在应用中难于确定非线性项的问题;④提出一种简便的多传感信息尺度特征估计方法。该方法对所有传感信息仅进行一次N （ N≥6）尺度分解,求得分辨误差εij和分辨误差阈值ξ,进而完成多传感信息量的尺度特征估计,过程相对比较简单;⑤提出一种基于尺度逼近的多传感信息自适应插值解耦方法。根据各传感信息分辨级和在预估准确度目标下确定的分辩阈值δ,确定不同插值方法,完成多传感信息解耦计算;⑥提出一种提高传感动态性能的基于小波计算的传感信息动态预测模型。模型由多分辨近似树原理,利用àtrous算法进行在线小波分解计算,借助小波分析的低通滤波效应,有效抑制噪声干扰,应用基于滑动窗口的多项式预测算法SWPM和基于AR预测模型的并行Kalman递推估计算法REPK算法,分别对平滑层、分辩层信息进行动态预测,有效地利用各分解层信息特点,提高传感系统的动态性能;⑦系统研究REPK的实现算法和滚动混合式预测算法。REPK算法使用两个Kalman滤波器,交替进行AR模型参数的递推辨识与时变数据中真实信号的最优估计,能根据测量数据的最新分辨信息d j ,t实时修正AR模型参数进行预测,具有良好的计算一致性和收敛性,可推广应用到其它平稳时间序列信号的预测估计中;所提出的滚动混合式预测算法,能够克服长延迟传感信息预测中直接多步预测间隔时间过长问题,将一次长时间预测,分解为若干次直接多步预测,由实测数据开始,用前一次预测得到的数据实现后一次预测模型参数的滚动修正,使得最终预测信息,是由实测数据滚动修正预测获得的,降低预测误差。⑧结合检测通用化、智能化和网络化要求,设计一种基于嵌入式智能检测节点的网络化检测系统结构模型。研制用于多传感网络化检测的嵌入式智能检测节点,节点采用DSP和ARM微处理器为核心芯片,将所有传感量转换为频率信号,提高信号的抗干扰能力;用ARM的嵌入式微型因特网互联技术进行通信接口设计,在uClinux操作系统中引入IPv6通信模式,提高通信的安全性、可靠性和可扩展性。并讨论网络检测平台的软件结构与运行机制、基于XML的跨平台数据交换技术、基于XML数据的检测平台实时数据库技术等几个关键技术的解决方法。论文还开展相关仿真实验及应用试验,仿真结果表明,基于多项式外模型-内模型NPLS的多传感信息预处理与建模方法,可在少用拟合自变量的情况下,提高预测准确度（分别提高56.2%和24.7%）;基于尺度逼近的多传感信息自适应插值解耦方法在预估准确度目标θ为0.1%下,通过分辩阈值δ计算,取δ=2-4,解耦时间50.4 ms,该方法与神经网络解耦方法相比,具有通用性好、收敛性好、运算速度较快等特点;基于小波计算的传感信息动态预测补偿方法,利用小波快速计算算法进行一次分解的时间为54.3ms,进行一次预测补偿的时间为127.0ms,具有良好的计算实时性;对低延迟传感信息进行直接三步预测时,准确度为0.538%。在发酵液及乙醇精馏中的检测试验初步应用结果表明,应用传感信息解耦与动态预测补偿技术后,使基于嵌入式智能检测节点的网络化检测系统具有较高检测准确度和较好实时性能,液态乙醇浓度的最大检测误差为-1.9%,传感检测响应时间从20s提高到1.3s。这些都表明本论文所研究的理论方法正确性、有效性,成果可推广到其它先进制造过程等应用领域。
孙振明,姜兴渭,王晓锋,徐敏强[8]（2004）在《à Trous小波在卫星遥测数据递归预测中的应用》文中指出该文提出了一种基于劋Ｔｒｏｕｓ算法的小波递归预测方法?迷げ馑惴ú捎梦蕹槿±肷⑿〔ū浠坏膭ぃ裕颍铮酰笏惴?,可以逐点把时间序列分解为与原序列长度相同的小波系数 ,适合在递归预测中应用 ,弥补了Mallat算法不能实时调整模型参数的不足。预测卫星电源母线电压数据表明 ,该方法满足预测卫星遥测数据的要求。
魏敏敏[9]（2019）在《机器学习在趋势预测中的研究及应用》文中进行了进一步梳理作为一种集成多种高精尖科技的大型复杂系统,卫星发挥的作用已经体现在各种领域中,并占有无可替代的位置。然而,卫星常年暴露在恶劣的宇宙环境中,会受到太阳活动、宇宙射线,太空垃圾等外界因素的干扰,同时其在工作过程中由于一些内部自身因素,都会导致故障的发生。卫星在长期监测管理的过程中,会产生大量遥测数据,从中可挖掘出各种有用信息,然后有效利用关键参数的潜在变化规律来进行未来趋势预测,对于卫星正常工作具有重要意义。本文将机器学习算法应用于卫星关键参数趋势预测中,主要有如下几部分:（1）针对卫星关键参数受噪声影响、数据缺失以及机器学习预测模型选择问题,分析比较了几种常用方法和3种评价指标,提出了基于BAS优化的自适应小波阈值去噪算法,实验数据表明该算法可行且有效。（2）利用浅层学习模型中的快速学习网络（FLN）、Elman神经网络以及回声状态网络（ESN）实现趋势预测。针对传统ESN当前时刻的状态值与前一时刻的状态值没有直接关系,因此通过增加调节参数β来控制前一个时刻神经元的状态,提高ESN的记忆能力。由于采用最小二乘回归法训练网络输出权值可能存在解的“奇异”问题,则采用岭回归算法（Ridge Regression,RR）取代原有的线性回归方法,从而有效调节输出权值的幅值。针对ESN网络参数的选择问题,利用樽海鞘群算法（SSA）获得ESN网络重要参数的最优值,使得预测模型更加准确。（3）针对单一模型对非线性、非平稳时间序列预测难以达到理想的预测精度,将改进的集成经验模态分解（MEEMD）和长短时记忆网络（LSTM）结合形成MEEMD-LSTM组合预测模型。该模型首先采用MEEMD将原始序列分解为若干个不同时间尺度或趋势的本征模态函数（IMF）分量,再采用LSTM预测模型对每个IMF分量进行预测,最后集合每个分量的预测结果得到有效的预测结果。（4）将提到的几种机器学习模型应用于锂离子电池容量趋势预测实例中来验证算法的有效性,实验结果表明,在浅层学习模型中ESN网络预测精度较高,使用群智能算法组合预测模型能够提高传统ESN神经网络的预测精度;深度学习模型中MEEMD-LSTM模型具有较好的预测效果。（5）采用MATLAB与C#语言联合编程开发了一套综合电子系统健康监测软件系统。
刘娟花[10]（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。
二、à Trous小波在卫星遥测数据递归预测中的应用（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、à Trous小波在卫星遥测数据递归预测中的应用（论文提纲范文）
（1）基于注意力机制神经网络的遥测数据预测方法（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 时间序列点预测国内外研究现状 |
| 1.2.1 统计方法 |
| 1.2.2 机器学习方法 |
| 1.2.3 组合预测方法 |
| 1.3 时间序列区间预测国内外研究现状 |
| 1.4 本文的研究内容及框架 |
| 1.4.1 研究内容 |
| 1.4.2 结构框架 |
| 第2章 预测算法研究理论基础 |
| 2.1 ARMA模型 |
| 2.2 支持向量回归SVR模型 |
| 2.3 相关向量机RVM模型 |
| 2.3.1 相关向量机预测模型描述 |
| 2.3.2 参数推断 |
| 2.3.3 模型预测 |
| 2.3.4 核函数 |
| 2.4 高斯过程回归GPR模型 |
| 2.4.1 高斯过程 |
| 2.4.2 高斯过程回归GPR |
| 2.4.3 高斯过程回归模型超参数优化 |
| 2.5 长短时记忆神经网络 |
| 2.6 本章小结 |
| 第3章 基于CLAMA模型的卫星遥测时序数据点预测研究 |
| 3.1 问题模型 |
| 3.1.1 遥测数据的表示 |
| 3.1.2 回归模型的表示 |
| 3.2 卫星遥测数据的预处理 |
| 3.2.1 数据压缩-特征构造 |
| 3.2.2 数据可视化分析 |
| 3.2.3 数据归一化 |
| 3.2.4 多元遥测参数选取 |
| 3.3 遥测参数点预测模型 |
| 3.3.1 结合注意力机制的LSTM自动编码器模型 |
| 3.4 模型所采用评估指标 |
| 3.5 实验分析与结果 |
| 3.5.1 实验参数设置 |
| 3.5.2 实验对比分析 |
| 3.6 本章小结 |
| 第4章 基于CLAMA模型并结合质量驱动的区间预测方法研究 |
| 4.1 问题模型 |
| 4.1.1 预测区间的表示 |
| 4.1.2 回归模型不确定性表示 |
| 4.2 区间预测模型 |
| 4.2.1 质量驱动的无分布损失函数 |
| 4.2.2 改进质量驱动的无分布损失函数 |
| 4.3 模型不确定性 |
| 4.4 实验分析与结果 |
| 4.4.1 实验参数设置 |
| 4.4.2 CLAMA-proposal集成模型实验结果 |
| 4.4.3 对比实验结果分析 |
| 4.4.4 模型不确定性 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）基于机器学习的卫星在轨长期管理数据处理（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 论文研究框架 |
| 1.4 论文结构安排 |
| 第二章 卫星在轨长管数据预测与异常检测原理 |
| 2.1 卫星系统及在轨长管数据特点 |
| 2.2 卫星在轨长管数据预测技术 |
| 2.2.1 基于多项式拟合外推的预测技术 |
| 2.2.2 基于差分自回归移动平均的预测技术 |
| 2.2.3 基于支持向量机的预测技术 |
| 2.3 卫星在轨长管数据异常检测技术 |
| 2.3.1 基于动态特征的异常检测技术 |
| 2.3.2 基于聚类方法的异常检测技术 |
| 2.4 现有技术的局限性 |
| 2.5 本章小结 |
| 第三章 基于机器学习的卫星长管数据预测与异常检测原理 |
| 3.1 长短时记忆网络 |
| 3.1.1 循环神经网络 |
| 3.1.2 LSTM基本单元及前向传播 |
| 3.1.3 反向传播 |
| 3.2 异常状态判断 |
| 3.3 基于机器学习的卫星在轨长管数据预测及异常检测模型 |
| 3.4 本章小结 |
| 第四章 卫星在轨长管数据预测与异常检测模型搭建 |
| 4.1 特征工程 |
| 4.1.1 卫星长管数据预处理 |
| 4.1.2 特征筛选 |
| 4.2 算法优化 |
| 4.2.1 激活函数及损失函数 |
| 4.2.2 优化器 |
| 4.3 寒武纪智能计算服务器 |
| 4.4 卫星在轨长管数据预测及异常检测模型应用效果 |
| 4.4.1 卫星在轨长管数据预测 |
| 4.4.2 卫星在轨长管数据异常检测 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（3）一种遥测数据短期预测方法（论文提纲范文）
| 1 引言 |
| 2 遥测数据特性分析 |
| 3 小波分析理论 |
| 3.1 小波函数的选择 |
| 3.2 小波分解尺度研究 |
| 4 自适应性遥测数据模型构建 |
| 4.1 周期自回归模型 (PAR模型) |
| 4.2 a'trous小波自适应性预测算法研究 |
| 5 卫星遥测数据预测实例分析 |
| 6 结语 |
（4）基于à Trous小波变换与多核SVM的电力短期负荷预测方法（论文提纲范文）
| 1 理论分析 |
| 1.1 小波理论 |
| 1.2 支持向量机回归理论 |
| 2 预测方法提出 |
| 3 实验验证及结果分析 |
| 3.1 小波函数选择 |
| 3.2 算例分析 |
| 4 结语 |
（5）马特拉算法在遥测数据短期预测中的应用（论文提纲范文）
| 0 引言 |
| 1 小波变换相关工作 |
| 1.1 小波基选择 |
| 1.2 分解尺度研究 |
| 2 基于小波变换的预测模型构建 |
| 2.1 周期自回归模型 |
| 2.2 遥测数据短期预测模型 |
| 3 遥测数据预测实例分析 |
| 4 结语 |
（6）复杂系统故障诊断中的两类关键技术（论文提纲范文）
| 0 引 言 |
| 1 复杂系统故障诊断介绍 |
| 2 复杂系统故障诊断中的两类关键技术 |
| 2.1 性能衰退预测技术 |
| 2.2 故障定位技术 |
| 3 实例介绍 |
| 3.1 性能衰退预测研究实例 |
| 3.2 故障定位研究实例 |
| 4 结束语 |
（7）多传感信息建模与动态校正方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 论文相关内容的国内外研究进展 |
| 1.2.1 多传感信息预处理的研究进展 |
| 1.2.2 多传感信息建模校正方法及研究进展 |
| 1.2.3 研究进展分析 |
| 1.3 论文的主要研究内容 |
| 第二章 基于多项式外模型-内模型 NPLS 的多传感信息预处理与建模 |
| 2.1 引言 |
| 2.2 基于多项式外模型-内模型NPLS 的多传感信息预处理与建模框架 |
| 2.2.1 PLS 回归分析方法的外模型与内模型 |
| 2.2.2 多项式外模型-内模型NPLS 建模方法的模型结构 |
| 2.3 基于PLS 的多传感信息预处理 |
| 2.3.1 基于变量投影重要性-PLS 回归系数变量筛选方法 |
| 2.3.2 变量筛选准则ΔE l 的计算 |
| 2.3.3 基于PLS 回归系数的试验设计 |
| 2.4 多项式外模型-内模型NPLS 的数学建模过程 |
| 2.5 多项式外模型-内模型NPLS 方法在多传感信息系统中的应用流程 |
| 2.6 仿真例 |
| 2.6.1 基于PLS 的多传感信息预处理 |
| 2.6.2 多项式外模型-内模型NPLS 建模仿真 |
| 2.7 本章小结 |
| 第三章 在线快速计算的多尺度逼近传感建模解耦 |
| 3.1 引言 |
| 3.2 传感信息尺度特征估计方法 |
| 3.2.1 传感信息多尺度逼近表示 |
| 3.2.2 多传感信息尺度特征估计 |
| 3.3 多传感信息插值解耦方法 |
| 3.3.1 多传感信息插值建模数学原理 |
| 3.3.2 多尺度插值解耦过程 |
| 3.3.3 基于预估准确度目标的分辨阈值δ确定 |
| 3.4 基于方差可靠性的分辩阈值自适应解耦 |
| 3.5 仿真分析 |
| 3.5.1 多传感信息尺度特征估计 |
| 3.5.2 分辨阈值确定计算及插值解耦仿真 |
| 3.5.3 基于方差可靠性的分辩阈值自适应解耦仿真 |
| 3.6 本章小结 |
| 第四章 基于小波计算的传感信息动态预测补偿方法 |
| 4.1 引言 |
| 4.2 基于小波计算的传感信息动态预测模型 |
| 4.3 传感信息快速小波计算 |
| 4.4 小波计算信息的动态预测 |
| 4.4.1 平滑层信息动态预测 |
| 4.4.2 分辨层信息动态预测 |
| 4.5 实现滞后补偿的动态预测算法 |
| 4.6 基于小波计算的动态预测补偿方法性能分析 |
| 4.6.1 小波计算结果分析 |
| 4.6.2 动态预测补偿性能 |
| 4.6.3 滚动混合式多步预测补偿性能 |
| 4.7 本章小结 |
| 第五章 基于智能检测节点的网络化检测系统研制及试验 |
| 5.1 引言 |
| 5.2 用于多传感网络化检测模型的嵌入式智能检测节点 |
| 5.2.1 嵌入式智能检测节点硬件设计 |
| 5.2.2 DSP 信息处理与ARM 网络通信实现 |
| 5.3 基于C/S 模式的网络检测平台 |
| 5.3.1 网络检测平台的软件结构与运行机制 |
| 5.3.2 基于XML 的跨平台数据交换技术 |
| 5.3.3 基于XML 数据的检测平台实时数据库技术 |
| 5.4 在流程工业生产过程中的初步应用 |
| 5.4.1 乙醇在线检测传感模式与试验装置 |
| 5.4.2 在发酵过程中的检测试验与初步应用 |
| 5.4.3 在精馏过程中的建模应用 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（8）à Trous小波在卫星遥测数据递归预测中的应用（论文提纲范文）
| 1 ARIMA和Mallat小波预测模型分析 |
| 1.1 传统ARIMA模型 |
| 1.2 应用Mallat算法的小波多分辨率 |
| 2 应用à Trous算法的小波递归预测 |
| 3 卫星遥测数据预测的实例分析 |
（9）机器学习在趋势预测中的研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 趋势预测方法综述 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文研究内容与结构 |
| 2 相关理论和关键技术 |
| 2.1 机器学习概述 |
| 2.2 机器学习的类型 |
| 2.2.1 人工神经网络 |
| 2.2.2 深度学习 |
| 2.2.3 群智能优化算法 |
| 2.3 机器学习预测模型的设计步骤 |
| 2.4 预测模型的评价指标 |
| 2.5 数据预处理 |
| 2.5.1 缺失值处理 |
| 2.5.2 数据降噪 |
| 2.5.3 数据标准化 |
| 2.6 本章小结 |
| 3 浅层学习模型研究 |
| 3.1 快速学习网络 |
| 3.2 Elman神经网络 |
| 3.3 回声状态网络 |
| 3.3.1 ESN网络 |
| 3.3.2 改进的回声状态网络 |
| 3.3.3 SSA算法优化RMESN模型 |
| 3.4 本章小结 |
| 4 深度学习模型研究 |
| 4.1 长短时记忆网络 |
| 4.1.1 循环神经网络 |
| 4.1.2 长短时记忆网络 |
| 4.2 长短时记忆网络的优势 |
| 4.3 改进的集成经验模态分解方法 |
| 4.3.1 经验模态分解 |
| 4.3.2 改进的集成经验模态分解法 |
| 4.4 基于MEEMD-LSTM的预测方法研究 |
| 4.5 本章小结 |
| 5 卫星锂离子电池容量趋势预测实例研究 |
| 5.1 实验数据分析 |
| 5.1.1 数据来源 |
| 5.1.2 间接健康因子选取 |
| 5.1.3 相关性分析 |
| 5.2 浅层学习模型实例分析 |
| 5.2.1 快速学习网络实例分析 |
| 5.2.2 Elman神经网络实例分析 |
| 5.2.3 回声状态网络实例分析 |
| 5.3 深度学习模型实例分析 |
| 5.3.1 容量的MEEMD分解 |
| 5.3.2 MEEMD-LSTM模型实例分析 |
| 5.4 本章小结 |
| 6 综合电子系统健康监测软件实现 |
| 6.1 MATLAB与C#联合编程 |
| 6.1.1 开发环境简介 |
| 6.1.2 C#与MATLAB混编过程 |
| 6.2 综合电子系统健康监测软件框架及实现 |
| 6.3 综合电子系统健康监测软件使用实例 |
| 6.3.1 功能模块实例验证 |
| 6.3.2 C#生成辅助决策报告 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（10）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 |
四、à Trous小波在卫星遥测数据递归预测中的应用（论文参考文献）
- [1]基于注意力机制神经网络的遥测数据预测方法[D]. 石梦鑫. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [2]基于机器学习的卫星在轨长期管理数据处理[D]. 陈雨薇. 上海交通大学, 2020(01)
- [3]一种遥测数据短期预测方法[J]. 任国恒,王迤冉,朱海,于帆. 小型微型计算机系统, 2014(12)
- [4]基于à Trous小波变换与多核SVM的电力短期负荷预测方法[J]. 吴月红. 华东电力, 2014(09)
- [5]马特拉算法在遥测数据短期预测中的应用[J]. 任国恒,朱变,朱海. 武汉工程大学学报, 2014(02)
- [6]复杂系统故障诊断中的两类关键技术[J]. 马剑,吕琛,刘红梅. 测试技术学报, 2010(04)
- [7]多传感信息建模与动态校正方法研究[D]. 叶廷东. 华南理工大学, 2010(12)
- [8]à Trous小波在卫星遥测数据递归预测中的应用[J]. 孙振明,姜兴渭,王晓锋,徐敏强. 南京理工大学学报(自然科学版), 2004(06)
- [9]机器学习在趋势预测中的研究及应用[D]. 魏敏敏. 西安理工大学, 2019(08)
- [10]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