导读:本文包含了鲁棒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:矩阵,组合,风电,算法,红外光,全景,反射率。
鲁棒估计论文文献综述
邹云龙,杨杰[1]（2019）在《基于单目视频帧的基础矩阵鲁棒估计算法》一文中研究指出为从视频图像获得鲁棒的基础矩阵,提出一种适用于视频帧的基础矩阵鲁棒估计算法。利用连续3帧为一组,分别在连续帧间两两匹配,确定最优和较优的2个子样本集,在较优子样本集中随机抽取采样,使用新的预检验方法,获得初始矩阵。并结合匹配点的分数和内点率作为权重因子,加权估算出待优化基础矩阵。由第一帧和第叁帧对应于中间帧的两条极线交于同一点,构成约束关系,利用光束平差法对2个待优化基础矩阵同时进行优化。实验表明:该方法在精度和鲁棒性上,相比传统方法均能有明显提升。(本文来源于《传感器与微系统》期刊2019年10期）
甘江璋[2]（2019）在《基于自步学习和鲁棒估计的属性选择算法研究》一文中研究指出信息化时代的高维大数据通常呈现高维,多样性的特点。由于这些数据在积累的过程没有经过选择,使得高维大数据存在大量的不相关,冗余的属性,而能有效表达数据功能的属性被隐藏其中。这不但会增加存储数据所需的空间,还会消耗大量的计算资源,特别是随着数据维度的增加达到某一个值时,反而会导致数据挖掘算法性能的下降。因此对高维数据进行维数约简对于解决目前高维数据面临的诸多问题具有重要意义。属性选择作为维数约简的一种有效方法,在可靠性和对结果的解释性上都好于子空间学习方法,但子空间学习可用于探索数据的内部结构。所以本文结合这两种方法,从自步学习和鲁棒估计的角度,针对目前的属性选择算法未能充分考虑噪声和异常值影响以及忽略实现世界中的数据大多存在的流行结构从而导致的数据挖掘算法性能不佳等问题,提出了两种属性选择算法。具体如下:(1)针对现有属性选择模型没有充分考虑离群训练样本的影响而导致模型泛化能力差问题,提出一种结合自步学习和稀疏学习的有监督属性选择算法。具体地,首先通过自步学习理论优先选择高置信度的样本来训练初始属性选择模型,然后依次加入次高置信度的训练样本增加初始选择模型的泛化能力,直至增加的训练样本使得模型的泛化能力减弱或者所有训练样本被用完。最后用选择的属性进行多元回归分析检验提出的SPM_RS算法的性能。六个公开的数据集上实验结果显示,该算法在回归分析中得到的结果均优于对比算法。(2)传统的属性选择模型易受异常值的影响,同时未能考虑到数据中的局部流行结构,所以在本文中,我提出通过学习一个变换矩阵来进行鲁棒图降维,在不受异常值影响的情况下将原始高维数据映射到其低维属性空间。为了做到这一点,1)我提出的方法同时自适应学习叁个矩阵。即,原始数据的反向图嵌入矩阵,变换矩阵,以及在其低维属性空间中保持原始数据局部相似性的图矩阵;2)使用鲁棒估计器,避免这叁个矩阵优化过程中的异常值的影响。因此,原始数据通过两种策略进行清理,即,基于叁个结果变量和鲁棒估计器对原始数据的预测。利用反向图嵌入和图矩阵的方法,从精确估计的属性空间中学习变换矩阵。此外,对所得的目标函数提出了一种新的优化算法,并从理论上证明了算法的收敛性。实验结果表明,该方法在不同的分类任务上优于所有的比较方法。综上所述,本文创新的将自步学习和鲁棒估计嵌入属性选择模型,自步学习作为一种鲁棒学习方法倾向于平稳的探索数据,鲁棒估计通过给异常值赋予较低的权值来最小化异常值的影响,并结合流行学习探索数据的内部结构。为了测试提出方法的性能,所有的实验均在公开数据集上进行,并与最近几年优秀的降维算法做对比,使用分类和回归作为评价方法。实验结果显示,我设计的方法性能优于对比算法,证明了我提出方法的有效性。(本文来源于《广西师范大学》期刊2019-06-01）
房卓群,于晓升,贾同,吴成东,李永强[3]（2019）在《基于非稳态随机过程的近红外反射率鲁棒估计算法》一文中研究指出反射率估计在计算机视觉、计算机图形学等领域具有重要作用.为了精确获取反射率,提出一种基于非稳态随机过程的近红外反射率鲁棒估计算法(RENA).该算法以Kinect二代传感器采集结果计算初始反射率,并建立反射率加性噪声模型,同时提出光照度鲁棒估计的概念,简化反射率图像非稳态随机过程模型.实验表明, RENA算法的反射率估计结果优于其他去噪算法,适用于室内场景的反射率图像高精度估计.(本文来源于《控制与决策》期刊2019年06期）
王波[4]（2019）在《ADS-B系统的GPS/INS组合导航鲁棒估计方法》一文中研究指出ADS-B系统具有通信和监视功能,导航信息的准确性关系到系统的性能,目前常用的GPS/INS组合导航算法采用了卡尔曼滤波器,算法要求噪声统计特性是已知的并且系统的数学模型是精确的,这在复杂工作环境下很难保证。由于H∞滤波方法可在系统方程和噪声不精确的情况下实现参数估计,本文采用H∞滤波方法设计实现了GPS/INS组合导航鲁棒估计,从理论和仿真实验两个方面验证了该方法的有效性,解决了复杂环境下滤波可靠性和实时性问题。(本文来源于《电子世界》期刊2019年09期）
康凯凯[5]（2019）在《传感器网络分布式鲁棒估计算法》一文中研究指出随着物联网技术、互联网技术等兴起,集成了微电子技术、传感器技术、无线通信技术和分布式信息处理技术的传感器网络逐渐进入到人们生活的方方面面,它能够协同地实时监测、感知和采集网络覆盖区域内各种环境或检测对象的物理信息,并对其进行处理和传输,在军事国防、工农业控制、环境监测、危险区域远程控制等方面有着广泛的应用。参数估计是传感器网络的重要应用之一,它通过建立一定的统计模型,并采用各种算法从被噪声污染的节点测量数据中获得对某一参数的估计,从而确定不同物理量之间的相互依赖关系。按照传感器网络的节点协作机制,传感器网络的参数估计方式可以分为集中式和分布式。在集中式估计方法中,传感器网络需要一个融合中心,网络中各个节点将测量数据传送至融合中心进行集中处理,以获得全局的最优估计值,但是,在这种方式下,一旦网络融合中心不能正常运行,会导致整个网络的参数估计系统瘫痪。相比之下,在分布式估计方法中,网络节点依赖于和邻居节点之间的局部数据交换和协作处理获得全局的最优估计值,使得网络的部分节点在受到干扰甚至瘫痪的情况下,整个传感器网络仍能正常运行。另一方面,在实际的应用中,传感器网络所处的环境错综复杂,例如某些节点可能存在冲击噪声或脉冲干扰,也可能被人为地恶意攻击,这会造成节点测量数据中包含大大偏离实际范围的离群值(outlier),从而无法获得有效的参数估计,而这种影响通过节点协作机制传递到整个网络,导致整个网络的参数估计性能下降。为了解决这个问题,本文在传统的分布式LMS算法和分布式RLS算法的基础上提出两种基于节点协作、具有鲁棒性的分布式自适应估计算法,两种算法基于的思想是利用在一段时间内,节点受到干扰或攻击具有偶发性(稀疏性)的特点,在代价函数中引入l1范数,对测量数据中可能存在的离群值进行识别和剔除,同时利用网络节点之间的相互协作,进一步提高参数估计性能。在分布式鲁棒LMS算法中,我们考虑到在一个时刻内,同时对测量数据中的离群值和未知参数进行在线估计,从而将问题转换成了对离群值和未知参数的联合优化问题,其中,利用Huber函数对离群值不敏感的特性,将系统期望输出与实际输出的误差代入到Huber函数中,以去除测量数据中的离群值,然后结合传统LMS算法中的梯度下降法的思想,将Huber函数的梯度值代入分布式LMS算法的迭代方程,最后获得当前时刻对未知参数的估计。而在分布式鲁棒RLS算法中,在一个时刻内,首先通过坐标下降法对测量数据中的离群值进行估计,然后利用前一步获得的离群值估计对系统输出进行偏差补偿,再应用分布式RLS算法获得有效的参数估计值。论文通过一系列的计算机仿真实验,验证了本文提出的算法具有良好的估计性能。(本文来源于《杭州电子科技大学》期刊2019-03-01）
张存读,赵建辉,李帆[6]（2018）在《基于鲁棒估计的捕获段面目标图像处理》一文中研究指出深空探测捕获段导航图像为含轮廓面目标图像,目标质心与光心并不重合,传统加权质心方法无法有效提取目标视线。文章通过最小平方中值法对提取的面目标导航图像真实边缘轮廓进行椭圆鲁棒拟合,该方法能够有效估计出目标中心视线,同时能够抑制由于目标表面坑洞等纹理特征引起的误差,对伪边缘、拍摄噪声均不敏感。最后,通过大量仿真与真实图像处理,对算法进行验证。结果表明,用文中方法估计的目标中心投影点坐标精度优于0. 1个像素,视线误差优于1×10-4rad,方法具有极高的鲁棒性,对捕获段图像处理有一定的参考价值。(本文来源于《空间电子技术》期刊2018年05期）
李鹏,宿洪智,王成山,宋关羽,赵金利[7]（2018）在《基于PMU量测的智能配电网电压–功率灵敏度鲁棒估计方法》一文中研究指出配电网中同步相量测量技术的应用对于提高系统电压–功率灵敏度的估计精度具有重要作用。提出了一种基于同步相量量测的智能配电网电压–功率灵敏度鲁棒估计方法。首先,基于同步相量量测的历史数据和实时数据,采用最小二乘方法实现了实时电压–功率灵敏度的精确估计;进一步,考虑功率量测和电压量测均含有不良数据的情况,采用帽子值加权和最小绝对值估计方法相结合的方式,避免了最小二乘方法中删除坏数据的残差判断和迭代过程,提高了计算效率和可靠性,实现了电压–功率灵敏度的鲁棒估计;最后,通过IEEE33节点算例分析证明了所提出算法的正确性和有效性。(本文来源于《电网技术》期刊2018年10期）
葛维春,孙鹏,李家珏,回茜,孔璇[8]（2019）在《电网负荷峰值时段不同场景下的风电功率预测可信度鲁棒估计模型》一文中研究指出针对由于风电功率预测准确度不确定所导致的,在电网制定日前调度计划时无法将风电出力准确等效为可调节机组的问题,研究电网负荷峰值时段不同情景模式下及与之对应的风电功率预测误差概率不确定条件下的风电预测可信度的概率分布参数估计方法,建立风电功率预测可信度鲁棒估计模型。首先构建了一定置信水平下的风电功率预测不确定性概率置信域鲁棒优化模型;然后根据日前风电预测可信度与预测误差间散度函数建立了基于预测误差概率不确定性的预测可信度鲁棒估计模型,并给出已知负荷峰值出现时间区间情景数据下的风电预测可信度鲁棒评估方法;最后根据东北地区某电网建立电力系统等值模型,并根据可信度估计参数将风电功率预测可信度等值为虚拟机组安排日前发电计划,仿真结果表明风电功率预测可信度模型能够有效抑制风电预测不确定性,提高电网风电消纳能力。(本文来源于《高电压技术》期刊2019年04期）
郭屾,王鹏,栾文鹏,戚艳,么军[9]（2018）在《基于PMU的配电网潮流雅可比矩阵鲁棒估计与拓扑辨识》一文中研究指出通过量测数据实现潮流雅可比矩阵的估计计算,进而辨识配电网的运行拓扑,能够有效避免由于线路参数不准确等问题造成的误差。提出了基于同步相量量测单元PMU的配电网潮流雅可比矩阵鲁棒估计与拓扑辨识方法。首先,在估计雅可比矩阵时考虑了矩阵的稀疏性,并利用估计问题中传感矩阵各列的相关性,对现有的稀疏恢复算法进行改进;进一步引入了更具鲁棒性的最大化相关熵方法;最后,在估计时利用了雅可比矩阵的特殊性,有效提高了算法的计算效率和鲁棒性,提升了雅可比矩阵估计和拓扑辨识的成功率。通过在IEEE 33节点配电系统上的算例分析证明了所提出算法的正确性和有效性。(本文来源于《电力系统及其自动化学报》期刊2018年10期）
吴幼丝,邓非,万方[10]（2018）在《基于本质矩阵鲁棒估计的球形全景匹配》一文中研究指出针对球形全景的匹配问题,提出了基于本质矩阵鲁棒估计的匹配方法。首先构建了球形全景的投影模型,通过推导球形全景的对极几何关系,得到本质矩阵的估计模型和对极线求解算法,再利用SIFT(scale invariant feature transform)算法进行特征提取和匹配,最后采用RANSAC(random sample consensus)算法,以改进的Sampson距离算子设置阈值,对本质矩阵进行鲁棒估计并剔除误匹配。实验结果表明,该方法切实可行,可提高球形全景匹配的精度。(本文来源于《测绘地理信息》期刊2018年03期）
鲁棒估计论文开题报告
（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：
信息化时代的高维大数据通常呈现高维,多样性的特点。由于这些数据在积累的过程没有经过选择,使得高维大数据存在大量的不相关,冗余的属性,而能有效表达数据功能的属性被隐藏其中。这不但会增加存储数据所需的空间,还会消耗大量的计算资源,特别是随着数据维度的增加达到某一个值时,反而会导致数据挖掘算法性能的下降。因此对高维数据进行维数约简对于解决目前高维数据面临的诸多问题具有重要意义。属性选择作为维数约简的一种有效方法,在可靠性和对结果的解释性上都好于子空间学习方法,但子空间学习可用于探索数据的内部结构。所以本文结合这两种方法,从自步学习和鲁棒估计的角度,针对目前的属性选择算法未能充分考虑噪声和异常值影响以及忽略实现世界中的数据大多存在的流行结构从而导致的数据挖掘算法性能不佳等问题,提出了两种属性选择算法。具体如下:(1)针对现有属性选择模型没有充分考虑离群训练样本的影响而导致模型泛化能力差问题,提出一种结合自步学习和稀疏学习的有监督属性选择算法。具体地,首先通过自步学习理论优先选择高置信度的样本来训练初始属性选择模型,然后依次加入次高置信度的训练样本增加初始选择模型的泛化能力,直至增加的训练样本使得模型的泛化能力减弱或者所有训练样本被用完。最后用选择的属性进行多元回归分析检验提出的SPM_RS算法的性能。六个公开的数据集上实验结果显示,该算法在回归分析中得到的结果均优于对比算法。(2)传统的属性选择模型易受异常值的影响,同时未能考虑到数据中的局部流行结构,所以在本文中,我提出通过学习一个变换矩阵来进行鲁棒图降维,在不受异常值影响的情况下将原始高维数据映射到其低维属性空间。为了做到这一点,1)我提出的方法同时自适应学习叁个矩阵。即,原始数据的反向图嵌入矩阵,变换矩阵,以及在其低维属性空间中保持原始数据局部相似性的图矩阵;2)使用鲁棒估计器,避免这叁个矩阵优化过程中的异常值的影响。因此,原始数据通过两种策略进行清理,即,基于叁个结果变量和鲁棒估计器对原始数据的预测。利用反向图嵌入和图矩阵的方法,从精确估计的属性空间中学习变换矩阵。此外,对所得的目标函数提出了一种新的优化算法,并从理论上证明了算法的收敛性。实验结果表明,该方法在不同的分类任务上优于所有的比较方法。综上所述,本文创新的将自步学习和鲁棒估计嵌入属性选择模型,自步学习作为一种鲁棒学习方法倾向于平稳的探索数据,鲁棒估计通过给异常值赋予较低的权值来最小化异常值的影响,并结合流行学习探索数据的内部结构。为了测试提出方法的性能,所有的实验均在公开数据集上进行,并与最近几年优秀的降维算法做对比,使用分类和回归作为评价方法。实验结果显示,我设计的方法性能优于对比算法,证明了我提出方法的有效性。
（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。
鲁棒估计论文参考文献
[1].邹云龙,杨杰.基于单目视频帧的基础矩阵鲁棒估计算法[J].传感器与微系统.2019
[2].甘江璋.基于自步学习和鲁棒估计的属性选择算法研究[D].广西师范大学.2019
[3].房卓群,于晓升,贾同,吴成东,李永强.基于非稳态随机过程的近红外反射率鲁棒估计算法[J].控制与决策.2019
[4].王波.ADS-B系统的GPS/INS组合导航鲁棒估计方法[J].电子世界.2019
[5].康凯凯.传感器网络分布式鲁棒估计算法[D].杭州电子科技大学.2019
[6].张存读,赵建辉,李帆.基于鲁棒估计的捕获段面目标图像处理[J].空间电子技术.2018
[7].李鹏,宿洪智,王成山,宋关羽,赵金利.基于PMU量测的智能配电网电压–功率灵敏度鲁棒估计方法[J].电网技术.2018
[8].葛维春,孙鹏,李家珏,回茜,孔璇.电网负荷峰值时段不同场景下的风电功率预测可信度鲁棒估计模型[J].高电压技术.2019
[9].郭屾,王鹏,栾文鹏,戚艳,么军.基于PMU的配电网潮流雅可比矩阵鲁棒估计与拓扑辨识[J].电力系统及其自动化学报.2018
[10].吴幼丝,邓非,万方.基于本质矩阵鲁棒估计的球形全景匹配[J].测绘地理信息.2018
论文知识图
