导读:本文包含了递归估计论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:递归,神经网络,偏差,密度,功率,卷积,波幅。
递归估计论文文献综述
朱亚运,田佳强,徐瑞龙,张陈斌[1]（2019）在《基于递归神经网络和粒子滤波的锂电池SOC估计》一文中研究指出电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估。由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态。为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法。首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系。其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果。本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性。最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性。(本文来源于《第二十届中国系统仿真技术及其应用学术年会论文集（20th CCSSTA 2019）》期刊2019-08-20）
陈楚曦,凌能祥,凌劲,刘阳[2]（2019）在《平稳遍历函数型非参数递归M估计的收敛速度》一文中研究指出文章基于平稳遍历函数型数据,构造非参数回归算子的递归M估计,在一定条件下建立了递归估计量的几乎完全一致收敛速度,推广了现有文献中的相关结果。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年05期）
陈建明,梁志成,符成山[3]（2019）在《基于时间递归平均的语音噪声功率谱估计算法研究》一文中研究指出提出一种改进的时间递归平均噪声功率谱估计算法;利用谱熵计算当前语音存在概率并获取平滑系数,采用双平滑系数估计平滑后的当前语音存在概率,最后得到噪声功率谱;该算法采用自适应跟踪可以通过参数及时跟踪噪声变化,使得估计的噪声信号与原噪声信号基本保持一致;实验仿真结果证明该算法估计的噪声明显改善了时间递归平均算法估计滞后的问题,同时该算法的归一化均方误差也低于时间递归平均算法。(本文来源于《兵器装备工程学报》期刊2019年01期）
黄宏亮,和萍[4]（2018）在《递归随机子空间辨识方法在电力系统区间振荡模式估计中的应用》一文中研究指出本文用随机子空间辨识方法在电网不同工况下对其区间振荡模式进行估计。同时,针对现有方法在线估计时奇异值分解步骤次数过多的问题,提出具有递归形式的随机子空间辨识方法以大大降低运算量。最后,将两种算法分别在四机系统和美国东北部NPCC48机系统进行区间模式估计试算。结果表明,随机子空间辨识方法能同时利用暂态数据和类噪声数据准确估计区间低频振荡模式,而递归随机子空间辨识方法既保证较好精度,又能提高原有算法的效率,为在线模式追踪提供了可能。(本文来源于《电力系统及其自动化学报》期刊2018年08期）
黄宇婷[5]（2018）在《空变K-分布杂波模型参数的递归矩估计方法》一文中研究指出世界各国对海权维护的日益重视大大促进了海用雷达的快速发展。使用海用雷达对海上和海面目标进行检测是雷达信号处理领域的一个重要课题而海杂波是影响海洋背景下雷达目标检测的重要因素。海杂波是指在雷达波束照射海面后海表面的后向散射回波,海杂波的幅度分布特性对雷达的目标检测、定位跟踪性能有重要影响。海用雷达一般采用波束扫描的工作模式监视大范围的海洋区域,为了提高海面目标检测的效率,波束驻留时间短。因为监视场景广阔,其气象条件、海况、以及雷达照射几何都是随着空间位置变化的,导致海杂波需要用空变K-分布杂波模型来进行建模。所谓的空变K-分布杂波模型就是指描述海杂波的K-分布的尺度和形状参数是随着空间位置变化的。对于传统的K-分布海杂波模型,可以运用二四阶矩或分数阶矩对其尺度和形状参数进行估计。由于空变K-分布杂波模型中模型参数是随着空间位置变化的,也就是说只能使用一个雷达扫描周期内邻近空间分辨单元的回波数据进行参数估计,因此可利用的数据样本常常是不够的。本学位论文针对能够很好描述大场景海杂波的空变K-分布杂波模型的参数估计问题,提出了基于多个扫描周期数据的递归矩估计方法。该方法能够充分利用邻近扫描周期的雷达数据并且实现了“只记忆信息,不记录数据”的海杂波特性感知模式。具有估计精度高和实现计算代价小的优点。本学位论文内容安排如下:第二章对海杂波特性进行全面回顾,包括海杂波的幅度分布以及不同幅度分布对应的参数估计方法。第叁章引入了空变K-分布杂波模型描述大场景对海探测的海杂波数据。由于大场景的海杂波幅度分布的模型参数会随着距离和方位变化并且在时间上慢变,多个相继扫描周期的数据可以被利用去解决单扫描周期中局部区域样本不足的问题。空变K-分布杂波模型中海杂波幅度分布的形状参数和尺度参数是距离-方位的光滑函数并且在扫描周期上是慢变的。与K-分布相比,空变K-分布杂波模型能更好建模大场景、大动态范围、多扫描周期的多维海杂波数据。第四章提出了利用多个扫描周期数据的递归矩估计方法估计空变K-分布杂波模型的尺度和形状参数。在提出的方法中,每一个空间分辨单元的局部邻域内数据的二阶和四阶样本矩从多个相继扫描周期的数据中递归计算。递归过程中,当前扫描周期的局部样本和从先前扫描周期数据估计的尺度和形状参数导出的矩加权组合得到当前的样本矩,然后从样本矩中估计尺度和形状参数。在加权和中,遗忘因子或者权值用于适应参数随着扫描周期变化的变化率。提出的方法中,雷达系统仅需要记忆先前扫描周期估计的尺度和形状参数的值而不需要记录先前扫描周期海杂波的数据。另外,当提出的方法应用于雷达时,海陆场景分割和数据中“野点”的排除必须预先完成,这是因为矩估计方法对“野点”是敏感的。(本文来源于《西安电子科技大学》期刊2018-06-01）
张静[6]（2018）在《混合数模编码视频递归失真估计模型及功率分配算法的研究》一文中研究指出随着无线视频传输在许多应用中变得越来越重要和流行,例如移动电视、视频监控和在线教育等,传统的数字通信系统将面临两大挑战:数字视频编码方面的“质量饱和效应”和数字信道编码方面的“悬崖效应”。近年来,提出一种混合数字模拟(HDA)视频传输方案,可以有效的避免“悬崖效应”。然而,目前大多数的HDA方案都假设数字信号是无误码传输,这在实际通信中是很难实现的,所以本文主要集中解决HDA方案中数字和模拟信号的失真问题,主要工作和创新点如下:首先,提出一种混合数字模拟视频传输的递归失真估计模型(RDE-HDA)。通过该模型,在给定信道条件的情况下,在编码端可以估计得到解码端的失真。本方案在考虑数字信号和模拟信号的失真对重建视频质量影响的基础上,新加入了数字、模拟信号的迭加过程对解码端重建视频的影响。此外,假设数字部分的误码率为p,推导了HDA系统递归失真估计的闭式表达式。因此,RDE-HDA方案不需要保证HDA系统中的数字部分完美解码,使HDA方案更加适用于实际的无线传输系统。仿真结果验证了我们提出RDE-HDA方案的估计是相当准确的。其次,提出基于RDE-HDA的自适应功率分配方案(ARDE-HDA)。在RDE-HDA方案的基础上,进一步考虑数字信号与模拟信号间的功率自适应分配问题,最大程度地减小解码端的失真。此外,在ARDE-HDA方案中,数字和模拟信号的功率分配在“帧级”执行,与RDE-HDA方案相比,ARDE-HDA方案中功率分配因子带来的传输开销可以忽略不计,然而用户接收的视频质量得到明显改善。实验结果表明,相比于目前其他先进的HDA方案,本论文提出的ARDE-HDA方案在不同的信道条件下,都可以获得更好的重建视频质量。(本文来源于《太原科技大学》期刊2018-05-01）
宋越[7]（2018）在《具有测量丢失和信号量化的离散时滞递归神经网络的状态估计》一文中研究指出众所周知,人工神经网络是一类根据人脑中细胞复杂结构和功能模拟出来的信息处理系统,这类系统高效地解决了信号处理、模式识别等领域中的诸多实际问题,因此得到了学者的密切关注。人工神经网络也可以由电路系统来实现,随着忆阻的提出,基于忆阻的人工神经网络得到了广泛的关注。另一方面,由于现实环境中外部噪声干扰以及设备等因素的影响,通常神经元的信息并不完全可测,因此,如何基于可获得的测量信息,对系统内部状态进行有效地估计具有重要的研究意义和应用价值。本文将针对几类具有测量丢失和随机信号量化的离散时滞递归神经网络,利用线性矩阵不等式技术,提出一些新的鲁棒状态估计方法。具体工作如下:1.研究了一类具有混和时滞和测量丢失的离散递归神经网络的非脆弱状态估计问题。这里,混合时滞由随机发生时滞和分布式传感器时滞组成。首先,基于可获得的测量信息及测量丢失的概率信息,设计了新的状态估计器。其次,通过构造Lyapunov-Krasovskii泛函,采用适当的不等式处理技巧并利用Lyapunov稳定性理论,得到了保证增广系统均方指数稳定性的充分条件,给出了估计器增益矩阵的显式表达式。最后,利用数值仿真验证了所提状态估计算法的有效性。2.针对一类具有随机发生时滞和测量丢失的离散忆阻递归神经网络,探讨了该类神经网络的有限时有界H∞状态估计问题。由于忆阻神经网络系统参数的状态依赖特性,先对系统参数进行处理。然后,基于随机发生时滞和测量丢失的概率信息,设计了新型的状态估计器。接着,根据Lyapunov稳定性理论,得到了保证增广系统有限时有界性且具有H∞性能的充分条件;此外,给出了状态估计器增益的显式表达式。最后,仿真算例验证了所提状态估计策略的可行性。3.针对一类具有随机量化和乘性噪声的离散忆阻递归神经网络,研究了该类离散忆阻神经网络的有限时有界非脆弱状态估计问题。采用多重加性噪声刻画估计器增益摄动。利用可获得的测量信息,设计了一个非脆弱状态估计器。基于Lyapunov稳定性理论及随机分析方法,得到了保证增广系统有限时有界的判别条件;同时,基于线性矩阵不等式技术,得到了状态估计器增益矩阵的显式表达式。同样地,通过数值仿真验证了给出的状态估计方法的可行性和有效性。(本文来源于《哈尔滨理工大学》期刊2018-03-01）
李永明,邓绍坚,蒋伟红[8]（2017）在《END样本下递归密度函数估计的相合性》一文中研究指出同分布扩展负相依(extended negatively dependent,END)随机样本具有未知的概率密度函数。在适当的条件下证明了一类递归密度函数核估计的强相合性和r-阶矩相合性。(本文来源于《山东大学学报(理学版)》期刊2017年11期）
吴寿川,赵海涛,孙韶媛[9]（2017）在《基于双向递归卷积神经网络的单目红外视频深度估计》一文中研究指出考虑到红外视频的深度特征具有单帧图像的独特性和视频全局的连续性,在单目红外视频深度估计问题上提出一种基于双向递归卷积神经网络(BrCNN)的深度估计方法。BrCNN在卷积神经网络(CNN)能够提取单帧图像特征的基础之上引入循环神经网络(RNN)传递序列信息机制,使其既具有CNN良好的图像特征提取能力,能够自动提取视频中每一帧图像的局部特征,又具有RNN良好的序列特征提取能力,能够自动提取视频中每一帧图像所包含的序列信息,并向后递归传递这种信息。采用双向递归的视频序列信息传递机制来估计红外视频的深度,提取到的每一帧图像的特征都包含了视频前后文的序列信息。实验结果表明,相对于传统CNN提取单帧图像特征进行的估计,使用BrCNN能够提取更具有表达能力的特征,估计出更精确的深度。(本文来源于《光学学报》期刊2017年12期）
邓聪慧[10]（2017）在《对于递归密度估计的中偏差和大偏差》一文中研究指出本文研究关于密度估计的知识,常见的估计有Rosenblatt估计.Wolverton-Wagner估计和Wegman-Davies估计.主要研究内容是Wegman-Davies估计的中偏差和大偏差.第一章,给出引言,在本章中,主要介绍了研究背景和前人的一些研究成果.其次.提出了我们的研究方向及研究问题.第二章,是本文中重要的部分.在这部分中,介绍了我们的主要研究成果.首先.给出了 Wegman-Davies估计,运用Gartner-Ellis定理对Wegmau-Davies估计进行证明.验证它的中偏差是否成立,若是有偏估计,要加系数对其修正为无偏估计.第叁章,我们主要介绍Wegman-Davies递归密度估计的大偏差原理,弱化条件并得到相同,乃至更优化的结论,并且利用概率论的知识用分块证明的方法证明原有结论和新结论.(本文来源于《河南师范大学》期刊2017-05-01）
递归估计论文开题报告
（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：
文章基于平稳遍历函数型数据,构造非参数回归算子的递归M估计,在一定条件下建立了递归估计量的几乎完全一致收敛速度,推广了现有文献中的相关结果。
（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。
递归估计论文参考文献
[1].朱亚运,田佳强,徐瑞龙,张陈斌.基于递归神经网络和粒子滤波的锂电池SOC估计[C].第二十届中国系统仿真技术及其应用学术年会论文集（20thCCSSTA2019）.2019
[2].陈楚曦,凌能祥,凌劲,刘阳.平稳遍历函数型非参数递归M估计的收敛速度[J].合肥工业大学学报(自然科学版).2019
[3].陈建明,梁志成,符成山.基于时间递归平均的语音噪声功率谱估计算法研究[J].兵器装备工程学报.2019
[4].黄宏亮,和萍.递归随机子空间辨识方法在电力系统区间振荡模式估计中的应用[J].电力系统及其自动化学报.2018
[5].黄宇婷.空变K-分布杂波模型参数的递归矩估计方法[D].西安电子科技大学.2018
[6].张静.混合数模编码视频递归失真估计模型及功率分配算法的研究[D].太原科技大学.2018
[7].宋越.具有测量丢失和信号量化的离散时滞递归神经网络的状态估计[D].哈尔滨理工大学.2018
[8].李永明,邓绍坚,蒋伟红.END样本下递归密度函数估计的相合性[J].山东大学学报(理学版).2017
[9].吴寿川,赵海涛,孙韶媛.基于双向递归卷积神经网络的单目红外视频深度估计[J].光学学报.2017
[10].邓聪慧.对于递归密度估计的中偏差和大偏差[D].河南师范大学.2017
论文知识图
