一、基于通用模型的某武器系统多类传感器模糊故障诊断（论文文献综述）
于凤满[1]（2010）在《基于模型的传感器故障诊断研究》文中研究表明现阶段控制系统的可靠性问题受到了高度的重视,为了提高控制系统的可靠性,实时地检测出发生的故障,并对故障原因、特征进行分析、判断,防止故障的发生,本文针对目前故障诊断的状况,进行了基于模型的传感器故障诊断的研究,具体工作如下:论文开始部分,结合近几年来故障诊断技术的发展与现状,提出了本文研究的工作重点。接着介绍基于模型的各种故障故障诊断方法,研究传感器故障诊断的原理和步骤,并讨论了两种提高故障诊断性能的方法,未知输入观测器法和阈值法。为了进一步实现传感器故障的诊断,深入研究了一种基于等价转化的UIO故障诊断方法,该方法通过一系列变化在不失掉任何信息的情况下去除了干扰,在有未知输入的情况下,能很好的对系统进行故障检测。仿真验证了该方法对故障分离、故障辨识的有效性。针对非线性系统应用了一种基于强跟踪滤波器的故障诊断方法,并对三种传感器故障分别建立其故障模型,研究了强跟踪滤波器的具体设计方法及其在传感器恒偏差故障检测中的应用。仿真验证了所提出方法对非线性系统传感器故障诊断的有效性。最后,总结全文进行的工作,并对下一步的研究工作提出了展望。
姚松平[2]（2008）在《改进PSO的神经网络数据融合技术研究》文中指出数据融合是许多传统学科和新兴工程领域相结合而形成的一个新的前沿学科,超越了在军事领域的应用,已经在许多领域中得到了广泛的应用。人工神经网络是计算智能和机器学习研究最活跃的分支之一,它是从人脑的生理结构出发,探讨人类智能活动的机理。基于神经网络数据融合是当前研究的热点问题,基于反向传播神经网络便是其中研究方向之一。虽然反向传播神经网络得到了广泛的应用,但它也存在不足,主要有训练时间较长,易陷入局部极小值,训练过程中学习新样本时有遗忘旧样本的趋势等。针对上述问题,本文探讨了将粒子群算法用于神经网络数据融合的网络训练,加快了网络的训练收敛速度和收敛精度,进而提高了训练速度和实际应用的精确度。PSO是近年来被广泛关注和研究的一种智能优化算法,该算法相对于遗传算法简单,而且容易实现,没有交叉和变异操作,需要调整的参数少,收敛速度快。针对基本PSO算法在多峰函数寻优时出现的“早熟”现象,本文提出一种引入进化梯度的种群小生境粒子群算法。该算法通过划分小生境保持粒子群的多样性,引入进化梯度以加快收敛速度,并增强粒子群优化算法跳出局部最优解的能力。将PSO用于神经网络的优化得到广泛的关注,本文将引入进化梯度的种群小生境粒子群算法引入到权值优化问题,实现了高维数权值空间的按维细致搜索,提高了收敛精度。通过五个基准测试函数的测试表明:引入进化梯度的种群小生境粒子群算法在多峰函数优化上比标准粒子群算法有很大的提高,在收敛速度和精度上也比种群小生境粒子群算法有所提高,是一种寻优能力、效率和可靠性更高的优化算法,其综合性能比标准粒子群算法有显着提高。
陈列[3]（2007）在《雷达情报数据融合系统的误差校正和航迹关联技术研究》文中认为随着科学技术的发展和现代战争的需要，数据融合作为一门新兴交叉学科，在近年来得到了广泛关注和快速发展，而关于雷达情报处理的研究和应用也日益受到重视。现代战争中，指挥、控制通信和情报系统面临着严峻的挑战。在多雷达情报处理系统中，采用数据融合技术，提供更加实时、准确的情报是现代战争的迫切需求。论文正是围绕这一需求展开的，研究了雷达情报数据融合系统的误差校正和航迹关联问题。论文较为系统地介绍了数据融合的概念、研究意义、国内外发展状况及其应用，并讨论了数据融合的模型、结构及关键技术。论文针对多雷达情报处理系统中的系统误差问题，研究了四种误差校正方法。论文研究了密集目标环境中的航迹关联问题，对多传感器数据关联的方法进行了分类，并针对多雷达情报处理系统这个分布式系统，研究了分布式数据关联方法。运用0-1整数规划法建立了密集目标环境的规划模型函数并求解应用在多雷达数据融合软件中，使航迹关联达到了极好的效果，为开发多雷达数据融合软件提供了技术支持。
李旭军[4]（2006）在《多传感器数据融合及其在潜艇目标识别中的应用》文中研究说明多传感器信息融合是指对一来自多个传感器的数据进行多级别、多方面、多层次的处理,从而产生新的有意义的信息,而这种新信息是任何单一传感器所无法获得的。多传感器信息融合在国防上己经发展成为一个十分活跃的热门研究领域。现代海战瞬息多变,潜艇静悄悄地在激流涌动地大洋洋面下航行,在意想不到地时间和地点出现并给敌军舰艇以致命地打击。如今潜艇在向深、快、静方向发展,力图通过占领地球的“内层空间”,以对付敌国的潜在威胁。近年来,随着卫星预警技术的发展,大型水面舰艇几乎无法隐蔽地接近攻击目标,潜艇成为最可靠的武器载荷平台,最有效的第二次核打击力量。 本文以潜艇目标识别为背景研究了多传感器数据融合。水下目标识别不能用图像的模式识别来确定目标的类型及其特性,在现代军事发展中潜艇目标识别是利用潜艇在水下航行的特性提取传感器数据,然后进行数据融合。战场目标识别的准确与及时,对后面的态势评估和威胁估计有重要的意义,做到“知己知彼,百战不殆”也是在战争中取胜的关键。 本论文介绍了多传感器信息融合技术的发展过程及其在目标识别中的研究意义和研究现状,综述了信息融合算法及其国内外研究动向。研究了多传感器信息融合技术,针对水下多传感器目标识别的实现问题,论文对其相关技术进行了理论上的研究。主要内容如下: 在数据融合基础理论方面:全面阐述了有关数据融合的基本概念、融合原理、发展简史、应用概况、结构级别以及数据融合技术等,总结分析了数据融合功能模型和结构模型的原理、结构特点及其主要融合算法。 在多传感器数据融合的目标识别技术方面,首先对目标识别算法进行了分类,然后对信息融合中的Bayes推理、Dempster-Shafer证据推理方法、身份融合的最佳方法和神经网络目标识别算法进行了详细的阐述。 在潜艇目标识别中,对潜艇的特征作了详尽的分析并对所用传感器作了具体部署,同时给出了实例分析,对本文所说的数据融合的目标识别方法作了具体的应用,最后对几种目标识别方法进行了比较,展望了未来的发展方向。
张伟,胡昌华,吕瑛洁,何华锋[5]（2004）在《基于通用模型的某武器系统多类传感器模糊故障诊断》文中研究说明叙述了基于通用拓扑结构的RBFN建立某武器系统多类传感器通用模型、用阈值逻辑对被测传感器及其RBFN输出的残差进行故障判别以及用模糊故障定位系统实现故障点定位的方法。
张伟,胡昌华,吕瑛洁,何华锋[6]（2004）在《基于通用模型的某武器系统多类传感器模糊故障诊断》文中研究表明叙述了基于通用拓扑结构的RBFN建立某武器系统多类传感器通用模型、用阈值逻辑对被测传感器及其RBFN输出的残差进行故障判别以及用模糊故障定位系统实现故障点定位的方法。
二、基于通用模型的某武器系统多类传感器模糊故障诊断（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、基于通用模型的某武器系统多类传感器模糊故障诊断（论文提纲范文）
（1）基于模型的传感器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 有关概念 |
| 1.2.1 故障定义 |
| 1.2.2 故障分类 |
| 1.2.3 诊断任务 |
| 1.2.4 评价指标 |
| 1.3 发展及现状 |
| 1.3.1 发展阶段 |
| 1.3.2 有待解决的问题 |
| 1.3.3 故障诊断的难点 |
| 1.4 论文研究思路 |
| 第二章 基于模型的传感器故障诊断 |
| 2.1 概述 |
| 2.1.1 诊断内容分类 |
| 2.1.2 研究的传感器故障类型 |
| 2.2 诊断原理 |
| 2.2.1 残差生成 |
| 2.2.2 残差评价 |
| 2.3 采用的诊断方法 |
| 2.3.1 传感器故障诊断方法 |
| 2.4 本章小结 |
| 第三章 提高故障诊断性能的方法 |
| 3.1 概述 |
| 3.2 未知输入观测器 |
| 3.3 检测阈值的选取 |
| 3.3.1 检测阈值的确定方法 |
| 3.4 本章小结 |
| 第四章 等价转化方法解决传感器故障 |
| 4.1 问题综述 |
| 4.2 等价转化方法 |
| 4.2.1 具有动态特性传感器故障 |
| 4.2.2 设计观测器 |
| 4.2.3 结论分析 |
| 4.3 满足条件和极点配置 |
| 4.4 算法举例 |
| 4.5 仿真举例 |
| 4.6 本章小结 |
| 第五章 非线性系统的故障诊断 |
| 5.1 问题综述 |
| 5.2 建立传感器故障模型 |
| 5.3 用STF 的方法解决恒偏差传感器故障 |
| 5.3.1 系统描述 |
| 5.3.2 STF 递推算法 |
| 5.4 仿真举例 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（2）改进PSO的神经网络数据融合技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景和意义 |
| 1.3 国内外研究历史及现状 |
| 1.4 本文的工作及其结构安排 |
| 第2章 数据融合概述 |
| 2.1 数据融合的概念及特点 |
| 2.1.1 数据融合的概念 |
| 2.1.2 数据融合的特点 |
| 2.2 数据融合4元素和一般模型 |
| 2.3 数据融合系统体系结构 |
| 2.4 数据融合的应用概况 |
| 2.5 本章小结 |
| 第3章 基于神经网络的数据融合 |
| 3.1 神经网络的基本概念和模型 |
| 3.2 BP神经网络数据融合算法研究 |
| 3.2.1 基于BP算法的多层前馈网络模型 |
| 3.2.2 BP学习算法 |
| 3.2.3 BP网络的训练过程 |
| 3.3 神经网络在数据融合中的应用 |
| 3.4 本章小结 |
| 第4章 标准粒子群算法及其改进 |
| 4.1 粒子群优化算法 |
| 4.1.1 粒子群算法的基本原理 |
| 4.1.2 标准粒子群算法 |
| 4.1.3 标准粒子群算法的流程 |
| 4.2 粒子群算法的改进 |
| 4.2.1 粒子群算法的发展 |
| 4.2.2 引入进化梯度的种群小生境粒子群算法的基本思想 |
| 4.2.3 引入进化梯度的种群小生境粒子群算法的描述 |
| 4.3 利用种群小生境粒子群算法训练的BP算法 |
| 4.3.1 BP神经网络的缺点 |
| 4.3.2 进化神经网络 |
| 4.3.3 神经网络的设计 |
| 4.4 本章小结 |
| 第5章 实验及结果分析 |
| 5.1 改进粒子群算法仿真实验 |
| 5.1.1 粒子群算法的基准测试函数 |
| 5.1.2 实验结果分析 |
| 5.2 数据融合应用实例及仿真 |
| 5.2.1 实验数据 |
| 5.2.2 实验结果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（3）雷达情报数据融合系统的误差校正和航迹关联技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究状况 |
| 1.3 数据融合的应用 |
| 1.3.1 军事应用 |
| 1.3.2 民事应用 |
| 1.4 论文的研究内容与组织结构 |
| 2 数据融合及相关技术 |
| 2.1 数据融合概念 |
| 2.2 数据融合通用模型 |
| 2.3 数据融合系统的结构模型 |
| 2.3.1 集中式融合结构 |
| 2.3.2 分布式融合结构 |
| 2.3.3 混合式融合结构 |
| 2.4 多传感器数据关联方法研究 |
| 2.4.1 集中式数据关联方法 |
| 2.4.2 分布式航迹关联方法 |
| 2.4.3 航迹关联算法分析 |
| 2.5 小结 |
| 3 系统误差校正 |
| 3.1 统一各雷达的测量坐标系 |
| 3.1.1 几种坐标系定义 |
| 3.1.2 坐标转换 |
| 3.2 统一时钟 |
| 3.3 系统误差分析 |
| 3.4 校正方法 |
| 3.4.1 雷达系统误差元素 |
| 3.4.2 动态卡尔曼滤波迭代校正法 |
| 3.4.3 固定回波校正法 |
| 3.4.4 机载GPS定位设备校正法 |
| 3.4.5 标准雷达校正法 |
| 3.5 系统误差校正效果图 |
| 3.6 小结 |
| 4 雷达航迹关联 |
| 4.1 雷达航迹处理 |
| 4.2 航迹相关波门 |
| 4.3 整数规划法 |
| 4.3.1 整数规划法的数学描述 |
| 4.3.2 0-1整数规划的解法 |
| 4.4 密集目标环境模型及算法研究 |
| 4.4.1 规划模型函数 |
| 4.4.2 规划模型求解算法 |
| 4.5 0-1整数规划法在数据融合软件中的实现 |
| 4.6 小结 |
| 5 结束语 |
| 致谢 |
| 参考文献 |
（4）多传感器数据融合及其在潜艇目标识别中的应用（论文提纲范文）
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 数据融合的定义和潜在能力 |
| 1.3 数据融合研究在潜艇目标识别中的意义 |
| 1.4 数据融合技术在军事和民用中的应用 |
| 1.4.1 信息融合的军用领域 |
| 1.4.2 信息融合的民用领域 |
| 1.5 数据融合及其在潜艇目标识别中的研究现状 |
| 1.6 本论文所做的研究工作 |
| 第2章 多传感器数据融合技术的概述 |
| 2.1 引言 |
| 2.2 基本概念和融合原理 |
| 2.3 数据融合系统功能的通用模型 |
| 2.4 数据融合的结构级别 |
| 2.4.1 数据级融合 |
| 2.4.2 特征级融合 |
| 2.4.3 决策级融合 |
| 2.5 数据融合技术 |
| 2.6 数据融合的主要内容 |
| 2.6.1 数据融合的体系结构 |
| 2.6.2 数据关联 |
| 2.6.3 状态估计 |
| 2.6.4 身份估计 |
| 2.6.5 态势评估和威胁评估 |
| 2.6.6 辅助决策 |
| 2.6.7 传感器管理 |
| 第3章 数据融合的目标识别技术 |
| 3.1 目标识别算法分类 |
| 3.2 基于BAYES推理的多传感器目标识别算法 |
| 3.2.1 Bayes推理的基本原理 |
| 3.2.2 信息融合中的Bayes推理 |
| 3.3 DEMPSTER—SHAFER证据推理方法 |
| 3.3.1 证据理论的基本概念 |
| 3.3.2 Dempster组合规则 |
| 3.3.3 证据理论的决策准则 |
| 3.3.4 D-S融合处理 |
| 3.4 目标识别身份融合的最佳方法 |
| 3.4.1 传感器报告 |
| 3.4.2 方法阐述 |
| 3.5 神经网络目标识别算法 |
| 3.5.1 人工神经网络研究与发展 |
| 3.5.2 神经网络的基本原理 |
| 3.5.3 人工神经网络的互连模式 |
| 3.5.4 后向传播(BP)神经网络模型 |
| 3.5.5 神经网络的学习方式 |
| 第4章 潜艇目标的特征提取及其目标识别 |
| 4.1 目标特征提取的概念 |
| 4.1.1 特征的特点 |
| 4.1.2 特征的分类 |
| 4.1.3 特征提取的步骤 |
| 4.2 类别可分离性判据 |
| 4.3 潜艇目标的特征提取及所应用的传感器 |
| 4.4 实例分析 |
| 4.4.1 目标身份融合 |
| 4.4.2 神经网络潜艇目标识别 |
| 4.4.3 几种目标识别方法的比较 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的学术论文 |
| 致谢 |
四、基于通用模型的某武器系统多类传感器模糊故障诊断（论文参考文献）
- [1]基于模型的传感器故障诊断研究[D]. 于凤满. 青岛理工大学, 2010(05)
- [2]改进PSO的神经网络数据融合技术研究[D]. 姚松平. 哈尔滨工程大学, 2008(06)
- [3]雷达情报数据融合系统的误差校正和航迹关联技术研究[D]. 陈列. 南京理工大学, 2007(02)
- [4]多传感器数据融合及其在潜艇目标识别中的应用[D]. 李旭军. 武汉理工大学, 2006(08)
- [5]基于通用模型的某武器系统多类传感器模糊故障诊断[J]. 张伟,胡昌华,吕瑛洁,何华锋. 仪器仪表学报, 2004(S1)
- [6]基于通用模型的某武器系统多类传感器模糊故障诊断[A]. 张伟,胡昌华,吕瑛洁,何华锋. 第二届全国信息获取与处理学术会议论文集, 2004(总第116期)