一、基于贝叶斯理论的数据重构方法（论文文献综述）
孟欣[1]（2021）在《建筑能源监测系统中缺失数据的重构与修补方法研究》文中提出目前,随着“大数据”、“人工智能”等热门前沿技术的迅猛发展,建筑能源领域也逐渐展开了智能控制方向的相关研究。一个完备的智能化建筑能源监测系统具备了众多监测物理量的传感器和庞大且复杂的传输网络以及数据管理平台。每一个正常工作的传感器都肩负着采集、传递和储存大量数据的重要任务,而稳定的网络环境也在控制系统中担任着至关重要的角色。但是由于传感器存在电源和存储容量较小的局限性,且易受到诸如强电磁环境等外界因素的干扰,以及在系统运行过程中通讯网络的波动和一些人为的错误操作,都有可能会导致监测数据随机地、不可预测地出现缺失现象。完整的实时数据库是保障建筑能源监测系统安稳运行的基础,每一时刻运行工况的调节都取决于前一时刻的数据反馈情况,一旦某时刻数据缺失使系统处于无应答状态,会影响建筑能源监测系统反馈调控、系统的安全运行和数据库的应用分析价值,导致不必要的能源浪费、环境舒适度降低以及设备性能损耗等。因此,建筑能源监测系统中缺失数据的重构和修补问题的研究在建筑能源智能控制领域愈发重要。本研究以建筑能源监测系统中的一次回风再加热系统和冷冻站系统为例,将系统中所有传感器监测数据为研究对象,经过对数据特性和缺失特性的研究分析后针对不同数据缺失工况设计相应的重构方法进行数据修补。同时考虑系统实际运行过程中传感器故障、监测数据漂移的情况,提出了校准与重构并行的研究思路,以避免多次使用历史数据产生的误差累加,确保数据重构的精准度;依据建筑能源监测系统具有个物理变量间的高度耦合性的特质建立解析模型,以避免直接利用监测历史数据拟合生成数学模型的方法对数据的高度依赖性。且由于模型中所有变量之间紧密联系,相互制约提高了预估数据的可靠性和准确性。填补数据方法的本质就是重构出与缺失数据点真实值最为接近的估计值对空白处进行填补。本研究采用贝叶斯推理,通过合理建立似然函数中的距离函数实现数据重构,并引入少量的历史数组减少对历史数据的依赖。本研究依据监测仪表的精度来设定贝叶斯推理中的先验分布,同时为了满足模型中多个自变量和未知变量,引用最大期望方法（Expectation-Maximization Algorithm,EM）和极大似然（Maximum Likelihood Estimation,MLE）方法逆向推演正态分布参数增加引入数据量,以解决模拟出的各种数据缺失类型进行数据填补和修复。本研究针对多种情况均能够保证预估值的准确性,且填补效率高、填补维度大,同时实现了历史数据的准确性和数据库的完整性,这对完善智能化的建筑能源监测系统具有十分重要的意义。
黄江凤[2]（2021）在《声波与弹性波反散射问题的贝叶斯方法》文中研究说明反散射问题由于其在许多科学和工程领域的广泛应用受到了越来越多的关注。反散射问题通常是不适定的,这使得它在理论分析和数值求解方面存在很多困难和挑战。在实际应用中,由于观测数据有限且有不可忽略的误差和不确定性,而传统的确定性方法通常不能处理反问题解的不确定性,贝叶斯方法将反问题重塑为统计推断问题,并提供了一个系统的框架来量化反问题解的不确定性。本论文立足于贝叶斯方法,围绕几类声波和弹性波反散射问题展开研究,包括声波内腔反散射、传输反散射、介质反散射以及弹性波介质反散射问题。本文研究内容主要分为如下四个部分:第二章研究贝叶斯方法求解声波内腔反散射问题,其主要目的是从有限孔径散射场数据重构散射体的形状。贝叶斯方法将反问题重塑为统计问题,通过贝叶斯公式,反问题的解为后验分布。考虑先验是高斯分布,证明后验分布的适定性。马尔可夫链蒙特卡洛采样法通常被考虑用来提取后验分布的信息,数值实验结果证明了所提方法的有效性。第三章研究贝叶斯方法求解二维时谐声波在可穿透障碍物上的反散射问题,即声波传输反散射问题。对于传输反散射问题,其主要目的是根据远场模式的全孔径数据或有限孔径数据重建散射体的形状。基于第二章的分析,在贝叶斯框架下考虑高斯先验并证明后验分布的适定性。最后,利用马尔可夫链蒙特卡罗算法抽取后验分布样本,数值实验结果证明了所提方法的有效性。第四章研究贝叶斯水平集方法求解声波反介质散射问题。假设具有紧支撑的非均匀散射体由一个分段常函数表示,它的密度函数值是已知的,其支撑通过水平集函数表示。利用贝叶斯方法与水平集方法耦合将反问题重塑为形状重构的统计问题,且利用多频的数据恢复散射体形状。考虑Whittle-Matérn高斯随机场作为先验,在这种设置下可以得到水平集不连续集的Lebesgue测度几乎确定为零。从而,基于贝叶斯定理证明后验分布的适定性。最后,通过马尔可夫链蒙特卡洛法抽取后验分布样本,其数值结果表明所提方法可以有效地重构散射体形状。第五章研究贝叶斯水平集方法求解弹性波反介质散射问题。假设弹性介质的Lamé参数是已知的常数,且与背景介质的常数相同,弹性介质的密度是给定值的分段常函数。此时,弹性波反介质散射问题可以被表述为一个从多频测量数据中恢复散射体支撑的问题。基于第四章的研究,将散射体的几何形状由水平集来表示,且水平集函数的先验是通过Whittle-Matérn高斯随机场实现的,进一步证明后验分布关于数据是局部Lipschitz连续的。数值实验通过马尔可夫链蒙特卡罗法来抽取后验分布样本,重构结果表明了所提方法的有效性。
张婧姝[3]（2021）在《复杂环境下的稳健稀疏贝叶斯学习算法研究》文中研究表明稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）算法是一种基于贝叶斯理论的稀疏重构算法,在阵列信号处理、频谱感知、雷达定位、图像处理等领域中得到了广泛的应用。传统稀疏贝叶斯学习算法假设噪声服从高斯分布,但是在一些实际应用环境中,存在多种复杂环境噪声,此时传统的概率假设无法提供准确的先验信息,针对这一问题进行改进,可提高稀疏贝叶斯算法在复杂环境下的性能。本文从环境噪声模型的建立、稀疏重构算法的设计、仿真性能的对比分析等方面入手,对基于非高斯噪声模型的稳健稀疏贝叶斯学习算法进行了研究。现有稳健算法通常将复杂环境噪声建模为高斯噪声与冲击噪声之和。本文首先对基于传统稀疏贝叶斯学习框架的稳健算法进行了分析,这类算法的统计模型假设观测值均受到冲击噪声的影响,优点是能够获得稀疏信号的后验分布解析表达式,利于理论分析,复杂度较低。本文还对基于变分推理的稳健稀疏贝叶斯学习算法进行了研究。这类算法通过设置标志变量用于表示是否受到冲击噪声影响,进而对不同类型测量数据建立不同的条件分布模型,相较于传统稀疏贝叶斯学习框架下的稳健算法而言,统计更加准确,能够获得更好的重构性能,但需要引入变分推理的思想对后验概率分布进行近似,复杂度较高。在实际环境中冲击噪声与高斯噪声的叠加导致已有统计方法无法将其参数分开进行准确建模估计,针对这一问题,本文提出了一种基于二元混合高斯分布噪声模型的新型变分稳健稀疏贝叶斯学习算法,不再对噪声成分进行划分,而是用非高斯噪声经验模型对噪声整体进行模拟。仿真实验证明本文提出的算法在非高斯噪声环境下相较于已有算法具有更好的重构性能。
乔凯[4]（2021）在《自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究》文中研究说明视觉在人类生存生活、进化发展中发挥着不可替代的关键作用,人类视觉功能的研究一直是脑科学研究的热点问题。其中,探索大脑视觉皮层对视觉场景内容的信息加工机制,分析视觉皮层神经活动对视觉场景内容的表征特点,解析视觉皮层神经活动中的视觉场景内容是人类视觉功能研究中非常重要的课题,对理解大脑视觉神经信息处理机制,构建鲁棒、可解释的机器视觉模型,促进人工智能视觉的发展,都具有深远的意义和重要的价值。功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）为大脑视觉皮层功能研究提供了一种空间分辨率高、可靠性好、非侵入式的神经活动监测技术,已经成为人类视觉功能研究的一种重要工具。自然图像场景复杂、目标种类多样,针对自然图像的f MRI视觉信息解析是一个前沿而困难的问题。深度神经网络模型是目前性能最好、与人类视觉层次化信息处理模式最为相近的计算机视觉模型之一。同时,人类视觉又对深度神经网络视觉计算模型的研究具有较强的启发性。因此,本文采用深度神经网络模型针对自然图像刺激下的f MRI视觉信息解析开展研究,系统探索了视觉信息的深度神经网络模型处理和人类层次化处理在结构、任务、表征特点等方面的联系和差异,对深度学习和f MRI视觉信息解析的交叉研究提供了一些新的理解视角,对与人类视觉信息处理相关的机制、方法和技术研究具有重要的借鉴价值和意义。本文围绕“如何通过深度神经网络构造符合视觉皮层信息表征特点的计算模型并精确解析自然图像场景内容”这一科学问题展开研究。考虑到深度神经网络模型对视觉信息的表征方式和能力受到多方面因素的影响,本文从深度学习的训练方式、视觉任务、网络结构等多个角度出发,首先利用深度神经网络及其特征构建编码模型,充分刻画低级和高级视觉区域的信息加工过程,实现从自然图像刺激到视觉皮层f MRI体素响应的精确预测;然后构建解码模型,实现从图像低层特征内容重构到融合高层语义的自然图像场景重构,不断推进自然图像刺激下的f MRI视觉信息解析水平的层级跃迁。主要研究成果如下:1.针对低级视觉区域,提出了一种基于端到端卷积回归网络的视觉编码模型（End-toEnd Convolutional Regression Network-based Visual Encoding Model,ETECRN-VEM）。如何构造符合视觉皮层信息表征特点的图像表征模型是视觉编码的关键问题。现有编码模型首先采用预训练深度网络图像识别模型提取图像特征,然后按照逐体素的方式把图像特征线性映射到f MRI体素响应。然而,这种两阶段的方式事先难以确定哪一层网络特征能够与特定视觉感兴趣区域（Region of Interest,ROI）体素响应具有较好的线性匹配关系,需要遍历尝试深度网络中不同层的特征构建编码模型。因此,图像表征模型的构造具有较大的不确定性,难以较好刻画特定视觉ROI的信息表征特点,同时,逐体素的编码方式效率较低。针对这两方面问题,本文引入端到端的训练方式,驱动深度神经网络直接从f MRI数据中自动学习更加符合特定视觉ROI表征特点的图像表征模型,在同时编码一个视觉ROI中所有体素时,通过设计体素选择性优化策略,降低了一些较低信噪比的无效体素对整体编码的干扰,从而构建了端到端逐视觉ROI编码模型。实验结果表明所提出模型相比可以更好地编码大约80%的V1视觉区域体素,以及60%-70%的V2和V3视觉区域体素,在低级视觉区域的编码性能和效率有了显着提升。2.针对高级视觉区域,提出了一种基于图像描述特征的视觉编码模型（Image Caption Features-based Visual Encoding Model,ICF-VEM）。如何构造针对图像高级语义的表征模型是编码高级视觉区域的关键问题。现有f MRI数据规模较小,端到端逐视觉ROI编码模型难以自动学习高级视觉皮层较为复杂抽象的信息表征模式。现有编码模型主要采用在图像分类任务上预训练的深度神经网络模型,然而,图像分类任务仅要求辨识自然图像场景中的关键目标,使用图像分类任务难以驱动深度网络有效刻画高级视觉皮层的信息表征特点。针对该问题,本文引入语义层次更高的图像描述任务,驱动深度神经网络构造更加符合高级视觉皮层信息表征特点的图像表征模型,提取更加复杂抽象的语义特征,以更好地编码高级视觉皮层。同时借助图像描述特征与大量语义词汇的关联性,实现了对高级视觉区域体素的语义解释。实验结果表明所提出模型几乎对所有的高级视觉区域,在大约60%的体素上表现出了优势,获得了更高的编码性能,可视化分析揭示了高级视觉区域表征自然图像场景内容中目标、目标属性以及目标间关联性的特点。3.针对简单图像低层特征内容,提出了一种基于胶囊网络的视觉重构模型（Capsule Network-based Visual Reconstruction Model,Caps Net-VRM）。基于深度网络特征的两阶段视觉重构是简单图像重构的一种有效方式,首先把f MRI体素响应映射到中间网络特征上,然后通过预测的特征逆向映射回到图像,重构精度受到中间网络特征的信息完整性和可逆性的影响。因此,如何构造符合视觉皮层信息表征特点的可逆图像特征中间桥梁是简单图像精确重构的关键问题。卷积神经网络（Convolutional Neural Network,CNN）结构具有平移、旋转等不变性表征的特点,在图像表征过程中容易丢失一些与目标位置、方向等相关的低层特征信息,降低了图像低层特征内容的重构精度。针对该问题,本文从深度学习网络结构的角度,引入胶囊网络模型通过等变性表征构建信息完整、可逆的图像低层特征桥梁,从f MRI体素响应中预测对应的胶囊特征,进而通过逆向变换完成了对简单图像的精确重构。实验结果表明所提出模型在结构相似性指标上提高了约10%,显着提高了简单图像低层特征内容的重构性能,并通过可视化胶囊特征实现了对低级视觉皮层f MRI体素的特征解释和分析。4.针对自然图像低层特征内容,提出了一种基于自编码器交替训练的视觉重构模型（Alternating Autoencoder-based Visual Reconstruction Model,AAE-VRM）。视觉编码和视觉重构是两个完全相反的问题,如何构造符合视觉皮层信息表征特点的特征空间是视觉编码和视觉重构共同的关键问题,然而现有方法通常分别单独构建视觉编码和视觉重构模型,忽略了两者紧密关联的性质。针对该问题,本文提出了交替循环构建视觉编码和视觉重构模型的方式,在编码模型辅助下实现了较好的重构模型构建,较好的重构模型又辅助编码模型的构建。首先,以不同的顺序连接视觉编码网络和视觉重构网络,构造两个相反的自编码器,分别用于图像和f MRI体素响应的自编码训练,辅助视觉编码和视觉重构的有监督训练。然后,在半监督学习过程中交替循环训练视觉编码和视觉重构模型,通过两者的相互促进、迭代增强,辅助构造了更加符合视觉皮层信息表征特点的视觉重构模型。实验结果表明所提出模型在低层特征重构辨识度指标上接近90%,在自然图像低层特征内容重构上取得了更高的精度。5.针对自然图像场景语义,提出了一种基于双向循环神经网络的视觉分类模型（Bidirectional Recurrent Neural Network-based Visual Classification Model,BRNN-VCM）。不同层次视觉区域在自底向上和自顶向下视觉机制的作用下相互联系,关联表征视觉输入信息,而现有视觉分类模型将所有视觉区域f MRI体素看作一个整体送入视觉分类器,没有利用不同视觉区域间的关联性,难以刻画视觉皮层自底向上和自顶向下的信息表征特点。针对该问题,本文采用BRNN,把视觉皮层中拓扑相连的视觉区域看作一个空间序列,将每个特定视觉ROI中的f MRI体素响应作为空间序列中的一个节点送入BRNN,构造了符合人类视觉皮层中自底向上和自顶向下视觉信息流动特点的解析模型。通过对f MRI序列数据建模提取视觉区域内部和视觉区域间的特征信息,完成对f MRI视觉信息中场景语义的解析。实验结果表明所提出模型在视觉分类精度上提高了约5%,验证了视觉皮层双向拓扑结构与视觉场景语义表征的关联性。6.针对自然图像场景内容,提出了一种基于生成对抗网络的贝叶斯视觉重构模型（Generative Adversarial Network-based Bayesian Visual Reconstruction Model,GAN-BVRM）。采用生成对抗网络是目前提高重构图像高层特征自然度的一种有效方式,却往往难以兼顾重构图像的低层特征保真度。兼顾重构图像的低层特征保真度和高层特征自然度是现有自然图像场景精确重构的困难问题。针对该问题,本文引入贝叶斯方法,首先使用BRNNVCM根据f MRI体素响应解析出场景语义类别,送入预训练生成对抗网络的条件生成器,根据输入的随机噪声生成自然图像。然后通过ETECRN-VEM评估生成图像与视觉皮层f MRI体素响应在低层特征空间的拟合度。GAN-BVRM各个模块全部由可微的神经网络组成,通过梯度反向传播,迭代更新生成器的噪声输入向量以最大化拟合视觉皮层f MRI体素响应,最终优化后的噪声向量输入生成器得到重构图像。其中,低级视觉区域编码模型和解析出的语义类别分别约束重构图像的低层特征内容和场景语义,从而兼顾了图像低层特征保真度和高层特征自然度。实验结果表明所提出模型在平均感知相似性指标上提高了约10%,显着提高了自然图像场景的重构精度。
胡斌[5]（2020）在《基于压缩感知的稀疏阵列DOA估计关键技术研究》文中提出阵列信号处理是现代信号处理重要的组成部分之一,在雷达、无线通信和声呐等领域具有广泛而重要的应用。其中包括阵列误差校准、阵列优化、空间谱估计,即波达方向（Direction of Arrival,DOA）估计等技术。但目前大部分的阵列信号处理技术都是在均匀阵列的基础上提出的。为了提高阵列的性能,目前最常用的做法是增加阵元数目,但该做法对整个天线系统的硬件复杂度和成本有较高的要求,同时也会增加信号处理复杂度也较高。为了降低成本,降低系统复杂度,一个可行的方案就是使用非均匀分布的稀疏阵列代替均匀直线阵。但在相同孔径下,与均匀阵列相比,稀疏阵列由于阵元数目的减少,稀疏阵列的性能会下降。此外,目前大部分稀疏阵列信号处理技术都是在理想条件下,在实际系统中,由于器件的非线性等因素,阵列误差的存在不可避免,也会导致阵列的性能的下降。为了解决误差存在条件下,稀疏阵列的校准和DOA估计的问题,本文在压缩感知理论的基础上,开展了基于压缩感知的稀疏阵列DOA估计技术的研究,主要研究内容如下:1)结合压缩感知理论和稀疏阵列优化算法,提出一种基于入侵杂草算法的稀疏阵列优化算法,并基于优化后的稀疏阵列,建立了幅相误差存在条件下的稀疏直线阵列信号重构模型。介绍了幅相误差存在条件下,基于压缩感知的稀疏直线阵列DOA估计的基本原理。首先将稀疏阵列的信号接收模型转换成一个变量误差（Errors in Variables,EIV）模型,此时对幅相误差矩阵的估计问题也转换成一个对误差矩阵的求解问题。之后在该模型的基础上,从矩阵的约束等距特性（Restricted Isometry Property,RIP）的角度分析了幅相误差对信号重构性能的影响。2)针对幅相误差对测量矩阵的RIP特性的改变以及对信号重构性能的影响,提出了一种将贪婪算法和最小二乘算法相结合的同步正交匹配追踪-最小二乘（Simultaneous Orthogonal Matching Pursuit-Total Least Square,SOMP-TLS）算法,并从理论上分析了该算法的收敛性。该算法通过迭代的方式,首先利用初始化的误差矩阵,通过贪婪算法估计信号的稀疏系数,然后利用估计的稀疏系数,通过最小二乘算法估计误差矩阵,再利用估计的误差矩阵重新估计信号的稀疏系数。最后利用估计的误差矩阵,进一步得到幅相误差矩阵的估计。该算法能够在低快拍数的条件下实现稀疏阵列的幅相误差校准,同时重构出信号,并获得目标的角度信息。3)针对压缩感知信号模型中的网格划分失配问题,提出了两种幅相误差存在条件下的网格优化算法。首先介绍了无网格压缩感知理论,在EIV模型的基础上,提出了一种基于无网格压缩感知的幅相误差估计和信号重构算法:半正定-最小二乘（Semi-definite Programming-Total Least Square,SDP-TLS）算法。该算法通过求解半正定规划问题,求解信号的稀疏系数,再利用估计的稀疏系数,通过最小二乘算法估计误差矩阵。该算法解决了网格划分失配问题,同时实现了幅相误差的估计和校准。但是由于该方法在每次迭代过程中都要求解半正定规划问题,增加了运算复杂度。且该算法只能处理单次快拍的数据,对于多个快拍的数据,要逐个快拍进行处理,增加了运算时间。当目标的角度间隔较近时,该方法难以对目标进行有效分辨。针对以上问题,本文提出了一种基于稀疏贝叶斯理论的幅相误差估计和信号重构算法,该方法将幅相误差视为一个待估计的超参数,同时将网格视为一个可调的参数,对网格进行自适应的调整。和SDP-TLS算法相比,该算法在降低计算量的同时提高了信号重构的精度,且能够同时处理多个快拍的数据。4)提出了一种基于压缩感知的稀疏矩形阵、稀疏圆阵和稀疏L阵的幅相误差校准和DOA估计算法。首先建立幅相误差存在条件下的稀疏二维阵信号接收模型,并将该模型转换成一个EIV模型。之后在该模型的基础上,提出相应的算法,实现幅相误差和DOA的联合估计。由于基于压缩感知的方法无可避免的要进行网格划分,从而带来的网格划分失配问题。针对该问题,本文提出了一种基于改进的贪婪算法的信号重构和幅相误差估计算法,该算法通过迭代的方式首先利用改进的正交匹配追踪算法估计信号的稀疏系数以及网格划分偏差值,并利用估计的偏差值更新网格,然后利用估计的信号的稀疏系数和更新的网格重新估计误差矩阵,利用误差矩阵估计幅相误差矩阵,最终实现稀疏二维阵的幅相误差的校准和DOA估计。
陈剑沫[6]（2020）在《智能抗干扰中基于压缩感知的信道检测算法研究》文中研究说明随着无线通信技术的飞速发展和无线通信业务的稳步扩展,电磁环境越来越复杂多变,无处不在的人为及自然干扰成为宽带通信高质量、高速率及高效率传输的最大障碍,智能化抗干扰系统的研究尤为迫切。作为智能抗干扰系统核心的信道检测模块,其性能直接决定了后续参数决策的准确性以及系统抗干扰性能的优劣。传统的信道估计方法一般采用均匀导频和线性插值,导致频带利用率低及恢复精确度不高等问题。而基于压缩感知的估计方法则通过稀疏表达和精确重构,可大大降低数据率,从而减小硬件压力、降低系统开销。基于此,本文对干扰环境下基于压缩感知和贝叶斯压缩感知的信道估计算法展开研究,为智能抗干扰系统后续参数决策提供精确的信道信息,从而进一步提高系统的抗干扰能力。首先,介绍了智能抗干扰系统架构,引出了基于压缩感知的信道检测算法优势。接着对压缩感知理论及其重要概念进行了剖析,并分析了凸优化算法、贪婪追踪算法和基于贝叶斯的压缩感知算法的实现步骤及其优缺点,为本文后续章节研究奠定了基础。接着,从OFDM信道估计模型出发,对其系统框架、关键特征及信道估计模型进行了介绍;重点对OMP、CoSaMP和SAMP三种基于压缩感知的估计算法、性能及应用场景进行了研究,与传统LS和MMSE算法相比,不仅可节约导频数量,还可降低估计误差。针对稀疏信道的估计问题,理论分析了不同的干扰和导频结构对信道估计性能的影响,实验表明压缩感知方法在稀疏信道上有更优的表现,但其必须在信道稀疏度已知的前提下进行,算法自适应能力差。然后,研究贝叶斯理论下的压缩感知重构算法,实现自适应的稀疏信道估计。在JSM-2模型框架下,详细推导了基于贝叶斯压缩感知和基于Laplace先验的复贝叶斯信道估计算法,并与LS、LMMSE、OMP、SAMP、Co SAMP等五种重构算法进行仿真对比,结果表明,在已知稀疏度情况下,OMP性能最优;而基于贝叶斯的两种算法在信道稀疏度未知的情况下,均具有较好的估计性能。最后,为进一步提高低信噪比环境下的重构准确度,结合小波树结构模型,用DCT基替换小波基,提出了基于TSBCS的信道估计算法,进一步提高了收敛速度及低SNR下的估计精度。此外,仿真对比了多音干扰情况下上述算法的重构精确度,结果表明TSBCS最适用于低信干比情况,抗干扰能力强。
王宏旭[7]（2020）在《多通道EEG信号去噪算法的研究》文中研究说明脑电图是当今流行的疾病诊断工具,常用于监控脑电（简称EEG）信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的影响。在新的小波阈值去噪算法的基础上,根据多通道EEG信号的拉普拉斯噪声模型,对贝叶斯估计理论进行了解析。从贝叶斯估计算法出发,论证了该算法可有效地估计新阈值函数的小波系数。实验结果表明,贝叶斯估计新阈值小波函数系数的算法相比于新阈值小波函数去噪算法,可有效地解决能量低的问题,从信号的评价指标上分析,能量比提升了12%,均方根误差下降了0.1,信噪比提升了0.2d B,谱峰值和原始信号更加接近。以贝叶斯估计算法去噪后的EEG信号进行实验,通过对噪声信号的状态方程进行评估,从而选择最优的去噪解对观测值进行卡尔曼滤波。实验研究结果表明,相比于贝叶斯估计算法,应用卡尔曼滤波算法可有效地滤除幅值为5mv以下的噪声,且信噪比提升了0.3d B,能量比接近了100%,更好地还原了原始信号特征。
强梦烨[8]（2020）在《传感器网络故障节点高效检测方法研究》文中进行了进一步梳理近年来,无线传感器网络已成功用于环境监测、车辆跟踪等场景。传感器节点成本低、所处环境恶劣,容易发生故障。故障节点影响整个网络的监测能力以及数据处理准确性。高效地检测出故障节点是保障传感器网络高效工作的必要手段。故障传感器节点依然传输数据,只是数据错误,或噪声过大,难以检测。现有的故障传感器节点检测方法多是利用节点采集数据的时空相关性。对于桥梁、建筑物监测传感器网络,各节点采集的振动数据的时空相关性较弱,基于时空相关性的故障节点检测方法效果差。本文研究利用传感器节点已采集数据,在不增加传感器网络数据采集量的基础上,检测桥梁、建筑物监测传感器网络中故障节点的方法。本文主要研究以下三方面内容:1.针对桥梁、建筑物监测传感器网络节点采集数据的直接时空相关性差、基于时空比较的故障检测方法不再适用的问题,提出基于Kalman滤波重构误差的故障检测方法。本方法利用Kalman滤波和系统初始状态空间参数重构一组传感器节点的测量数据,根据Kalman滤波重构误差是否大于预设门限判断该待测分组中是否存在故障节点。桥梁监测传感器网络实测数据实验表明了基于Kalman滤波重构误差的故障检测方法的适用性。2.研究基于群验理论的故障节点检测方法。利用群验技术,设计多个分组测试向量,并根据多个分组测试结果能够检测故障节点,且测试次数可以小于待测传感器节点数。本文结合群验技术与基于Kalman滤波重构误差的故障检测方法,实现传感器网络故障节点高效检测。3.针对基于Kalman滤波重构误差的故障检测方法存在误判的状况,提出自适应贝叶斯群验算法的故障节点检测方法。本方法在群验算法中引入贝叶斯理论,使用概率推理代替确定性推理,根据最大化更新增益的期望值自适应选择测试向量,根据贝叶斯理论获得传感器节点状态概率更新方法。桥梁监测传感器网络实测数据实验表明:基于自适应贝叶斯群验的故障节点检测方法所需测试次数少,在群验存在误判的情况下,依然能够准确检测故障节点,算法鲁棒性高。
骆乐[9]（2019）在《基于扩展小波树的自适应压缩采样及图像重构方法研究》文中提出受限于Nyquist-Shannon采样定理先采样后压缩的采样架构,传统数字成像技术不可避免地采样了大量冗余信息,造成采样资源的浪费。压缩感知（Compressed Sensing,CS）利用自然图像的稀疏性,将采样和压缩过程合二为一,提高了采样样本的利用率,降低了对采样系统的硬件要求。然而,压缩感知存在成像质量低、重建算法计算复杂度高等问题,随着人们对成像分辨率要求的不断提高,这些问题更加突出。对此,本文基于压缩感知和扩展小波树结构研究自适应压缩成像方法,以降低重建算法复杂度,缩短重建时间。同时,本文分别针对高分辨率压缩成像中的噪声影响、块状效应和彩色失真等问题开展研究,提高成像质量。本文主要内容包括:对于压缩感知光学成像技术存在算法复杂度高、成像时间长的问题,提出了基于数字微镜阵列（Digital Micromirror Device,DMD）分区控制与扩展小波树的自适应压缩成像方法。该方法将DMD分区控制应用于基于扩展小波树理论的采样之中,有效减少测量矩阵所需存储空间,提高采样效率。仿真和实验表明,该方法在低采样率下仍然能够获得较高的成像质量。针对存在测量噪声污染场景下的压缩采样问题,提出了基于哈达玛编码测量的自适应压缩成像方法。以扩展小波树理论为框架,利用哈达玛矩阵编码构造DMD采样模式,对相应的空间区域进行分块测量。仿真和实验表明,该方法能够在减少采样数据量的同时,有效减少噪声干扰,获得较高的成像峰值信噪比,适用于在微弱光信号条件下的高灵敏成像领域。由于基于小波树结构的自适应压缩采样方法只对重要小波系数进行采样,其重构图像存在块状效应,对此提出了结合小波域插值计算的自适应压缩成像方法。该方法在对每层小波树重要系数进行自适应采样的同时,通过小波域的插值计算估计未采样的非重要小波系数,从而减少块状效应,改善成像质量。仿真和实验表明,在无噪和有噪两种环境下,该方法获得的图像都更加平滑,成像质量较好。针对彩色图像采样过程中出现的时效性低,重构图像存在色彩失真等问题,提出了基于多任务贝叶斯模型的彩色自适应压缩成像方法。根据红绿蓝三个通道间的相关性,利用基于压缩感知的多任务贝叶斯模型进行处理,将处理后的小波系数分别通过小波逆变换重构得到红绿蓝灰度分量图像,并融合得到最终图像。仿真和实验表明,多任务贝叶斯模型能够减少颜色失真,较好保证重构彩色图像的色调一致性,成像效果较好。
刘馨悦[10]（2020）在《基于贝叶斯压缩感知的车辆噪声源识别技术研究》文中进行了进一步梳理在交通运输领域,控制交通工具舱室内的噪声水平是提高乘客乘坐舒适度的一项重要内容。控制噪声的关键是准确地识别噪声源来源,目前通过声场重建技术对噪声源进行识别的方法发展较为成熟,其中近场声全息技术利用靠近声源表面附近测得的全息数据进行声场重建,因其包含较多的声场细节信息“倏逝波”成分,使得能够突破瑞利波长对重建分辨率的限制。因而近场声全息技术是一种强大的声场可视化工具,在噪声源识别应用中也日趋成熟。然而通过近场声全息技术获得较为准确的高空间分辨率重建结果,需要满足奈奎斯特采样定理在全息面上布置大量的采样点,这极大地增加了实验成本与难度,同时也降低了算法的计算效率,严重阻碍了近场声全息技术在实际工程中的推广与应用。因此,要克服该技术的这一缺陷,需要从理论上对这一问题进行深入研究并提出新型算法,这不仅可以推动近场声全息理论的发展,也可极大地促进近场声全息技术在噪声源识别领域的应用和推广。针对以上问题,本文的主要研究内容如下:首先,在声场重建过程中存在源强解的不适定性问题,针对求解过程中使用的正则化方法提出一种新的解决方案——贝叶斯正则化。并且通过仿真与传统的正则化方法进行对比分析,说明贝叶斯声场重建方法的可行性与其存在的优势。其次,针对近场声全息技术的空间分辨率和最高分析频率都受到采样定理限制的问题,提出一种基于贝叶斯压缩感知理论的声场重建方法。通过奇异值分解技术获取基函数,利用信号稀疏表示理论分析声压信号在该基函数下的稀疏性,并对声场重建问题进行建模。通过仿真对该方法的有效性、抗噪性进行了分析并结合实验对方法进行了验证。最后,根据声源表面的刚性约束条件对非自由声场中的干扰声以及声源表面的散射声实现快速去除。结合贝叶斯压缩感知理论建立新型自由声场还原模型,为在实际工程应用中实施近场声全息技术提供必要的前处理技术。
二、基于贝叶斯理论的数据重构方法（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：
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、基于贝叶斯理论的数据重构方法（论文提纲范文）
（1）建筑能源监测系统中缺失数据的重构与修补方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外发展动态分析 |
| 1.3 研究内容和论文架构 |
| 2 建筑能源监测系统的数据缺失特性分析 |
| 2.1 数据缺失的原因 |
| 2.2 数据缺失类型 |
| 2.2.1 数据缺失模式 |
| 2.2.2 数据缺失机制 |
| 2.3 各类传感器数据特征分析 |
| 2.4 填补缺失数据工况分类 |
| 2.5 本章小结 |
| 3 建筑能源监测系统缺失数据的处理方法 |
| 3.1 系统模型的建立及模拟数据的生成 |
| 3.1.1 全空气一次回风再加热系统模型 |
| 3.1.2 冷冻站系统模型 |
| 3.1.3 AHU系统及冷冻站系统的模拟数据 |
| 3.2 相似性分析 |
| 3.3 基于EM和MLE算法的填充数据集构建方法 |
| 3.3.1 EM和MLE极大似然法的原理 |
| 3.3.2 稳定型数据点缺失的填充数据集 |
| 3.3.3 稳定型数据段缺失的填充数据集 |
| 3.3.4 波动型数据缺失的填充数据集 |
| 3.4 基于MCMC算法的贝叶斯数据重构方法 |
| 3.4.1 MCMC算法的原理 |
| 3.4.2 贝叶斯定理的原理 |
| 3.4.3 数据重构方法 |
| 3.5 基于MCMC算法的贝叶斯数据校准方法 |
| 3.6 本章小结 |
| 4 单变量缺失数据的重构与修补结果 |
| 4.1 分散点缺失数据的重构结果 |
| 4.1.1 AHU系统数据点缺失 |
| 4.1.2 冷冻站系统数据点缺失 |
| 4.2 分散点缺失数据的重构与修补结果 |
| 4.2.1 AHU系统数据点缺失 |
| 4.2.2 冷冻站系统数据点缺失 |
| 4.3 连续型缺失数据的重构结果 |
| 4.3.1 AHU系统数据段缺失 |
| 4.3.2 冷冻站系统数据段缺失 |
| 4.4 连续型缺失数据的重构与修补结果 |
| 4.4.1 AHU系统数据段缺失 |
| 4.4.2 冷冻站系统数据段缺失 |
| 4.5 本章小结 |
| 5 多变量数据同时缺失的重构结果 |
| 5.1 同类型传感器数据同时缺失的重构结果 |
| 5.1.1 温度传感器数据同时缺失 |
| 5.1.2 湿度传感器数据同时缺失 |
| 5.1.3 压力传感器数据同时缺失 |
| 5.1.4 质量流量传感器数据同时缺失 |
| 5.2 不同类型传感器数据同时缺失的重构结果 |
| 5.2.1 温度和湿度传感器数据同时缺失 |
| 5.2.2 温度和流量传感器数据同时缺失 |
| 5.2.3 温度和压力传感器数据同时缺失 |
| 5.2.4 湿度和流量传感器数据同时缺失 |
| 5.2.5 流量和压力传感器数据同时缺失 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 附录 A 一次回风系统各变量数据段缺失重构结果 |
| 附录 B 冷冻站系统各变量数据段缺失重构结果 |
| 附录 C 一次回风系统各变量数据段缺失重构与校准结果 |
| 附录 D 冷冻站系统各变量数据段缺失重构与校准结果 |
| 攻读硕士学位期间发表学术论文及参与项目情况 |
| 致谢 |
（2）声波与弹性波反散射问题的贝叶斯方法（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究课题的背景与意义 |
| 1.2 几类反散射问题数值方法的研究现状 |
| 1.3 贝叶斯方法的研究现状 |
| 1.4 研究内容与创新 |
| 1.5 本论文的结构安排 |
| 1.6 预备知识 |
| 1.6.1 贝叶斯公式 |
| 1.6.2 高斯先验 |
| 1.6.3 抽样算法 |
| 第二章 声波内腔反散射问题的贝叶斯方法 |
| 2.1 引言 |
| 2.2 内腔散射问题 |
| 2.2.1 问题模型 |
| 2.3 贝叶斯推断 |
| 2.3.1 先验分布 |
| 2.3.2 后验分布的适定性 |
| 2.4 数值实验 |
| 2.4.1 数据参数 |
| 2.4.2 数值结果 |
| 2.5 本章小结 |
| 第三章 声波反传输散射问题的贝叶斯方法 |
| 3.1 引言 |
| 3.2 传输散射问题 |
| 3.2.1 问题模型 |
| 3.3 贝叶斯推断 |
| 3.3.1 先验分布的选取 |
| 3.3.2 后验分布的适定性 |
| 3.4 数值实验 |
| 3.4.1 数据参数 |
| 3.4.2 数值结果 |
| 3.5 本章小结 |
| 第四章 声波反介质散射问题的贝叶斯与水平集耦合方法 |
| 4.1 引言 |
| 4.2 声波介质散射问题 |
| 4.2.1 问题模型 |
| 4.2.2 等价公式 |
| 4.3 贝叶斯水平集反演 |
| 4.3.1 反问题 |
| 4.3.2 贝叶斯推断 |
| 4.4 数值实验 |
| 4.4.1 数据参数 |
| 4.4.2 数值结果 |
| 4.5 本章小结 |
| 第五章 弹性波反散射形状重构问题的贝叶斯与水平集耦合方法 |
| 5.1 引言 |
| 5.2 弹性波介质散射问题 |
| 5.2.1 问题模型 |
| 5.3 贝叶斯水平集反演 |
| 5.3.1 反问题 |
| 5.3.2 贝叶斯推断 |
| 5.4 数值实验 |
| 5.4.1 数据参数 |
| 5.4.2 数值结果 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）复杂环境下的稳健稀疏贝叶斯学习算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知 |
| 1.2.2 稀疏贝叶斯学习算法 |
| 1.2.3 稳健稀疏重构算法 |
| 1.2.4 稳健稀疏贝叶斯学习算法 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的结构安排 |
| 第二章 压缩感知与非高斯噪声模型 |
| 2.1 压缩感知基础理论 |
| 2.1.1 压缩感知数学模型 |
| 2.1.2 信号的稀疏表示 |
| 2.1.3 基于范数的稀疏重构方法 |
| 2.2 基于稀疏贝叶斯学习的稀疏重构方法 |
| 2.2.1 模型描述 |
| 2.2.2 先验概率密度与条件似然函数 |
| 2.2.3 后验概率密度与超参数更新 |
| 2.2.4 算法流程总结 |
| 2.3 非高斯噪声模型 |
| 2.3.1 Student-t分布模型 |
| 2.3.2 -稳定分布模型 |
| 2.3.3 高斯混合分布模型 |
| 2.4 本章小结 |
| 第三章 稳健稀疏贝叶斯学习算法 |
| 3.1 RB-RVM算法 |
| 3.1.1 高斯分层先验模型 |
| 3.1.2 后验概率密度 |
| 3.1.3 超参数更新原理 |
| 3.1.4 算法流程总结 |
| 3.2 SD-RVM算法 |
| 3.2.1 高斯分层先验模型 |
| 3.2.2 超参数更新原理 |
| 3.2.3 算法流程总结 |
| 3.3 本章小结 |
| 第四章 基于变分推理的稳健稀疏贝叶斯学习算法 |
| 4.1 变分贝叶斯基础理论 |
| 4.1.1 似然函数与K-L散度 |
| 4.1.2 后验概率近似 |
| 4.2 BP-RBCS算法 |
| 4.2.1 高斯分层先验模型 |
| 4.2.2 变分推理 |
| 4.2.3 算法流程总结 |
| 4.3 PR-RBCS算法 |
| 4.3.1 高斯分层先验模型 |
| 4.3.2 变分推理 |
| 4.3.3 算法流程总结 |
| 4.4 本章小结 |
| 第五章 基于二元高斯混合分布模型的变分稳健算法 |
| 5.1 GMM-RBCS算法 |
| 5.1.1 模型与假设 |
| 5.1.2 先验概率及条件似然函数 |
| 5.1.3 变分推理 |
| 5.1.4 算法流程总结 |
| 5.2 仿真实验及分析 |
| 5.2.1 重构误差分析 |
| 5.2.1.1 稳定分布噪声 |
| 5.2.1.2 高斯混合分布噪声 |
| 5.2.2 收敛速度分析 |
| 5.2.3 重构成功率分析 |
| 5.2.4 波达方向估计应用分析 |
| 5.2.5 仿真结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于fMRI的视觉信息解析 |
| 1.2.1 针对自然图像的fMRI视觉信息解析 |
| 1.2.2 大脑视觉皮层 |
| 1.2.3 fMRI技术原理 |
| 1.2.4 实验设计和数据库构建 |
| 1.3 国内外研究现状 |
| 1.3.1 视觉编码模型 |
| 1.3.2 视觉解码模型 |
| 1.4 研究内容和结构安排 |
| 1.4.1 研究出发点 |
| 1.4.2 研究内容 |
| 1.4.3 研究内容的关联性 |
| 1.4.4 深度学习角度下的本文研究结构 |
| 第二章 低级视觉皮层编码模型研究 |
| 2.1 引言 |
| 2.2 模型 |
| 2.2.1 端到端卷积回归网络 |
| 2.2.2 体素选择性优化 |
| 2.3 实验结果及分析 |
| 2.3.1 实验条件和结果 |
| 2.3.2 性能对比分析 |
| 2.4 本章小结 |
| 第三章 高级视觉皮层编码模型研究 |
| 3.1 引言 |
| 3.2 模型 |
| 3.2.1 语义描述特征 |
| 3.2.2 基于图像语义描述特征的视觉编码模型 |
| 3.3 实验结果及分析 |
| 3.3.1 实验条件和结果 |
| 3.3.2 性能对比分析 |
| 3.3.3 高级视觉区域体素可视化 |
| 3.4 本章小结 |
| 第四章 简单图像低层特征内容重构模型研究 |
| 4.1 引言 |
| 4.2 模型 |
| 4.2.1 胶囊网络与胶囊特征 |
| 4.2.2 基于胶囊网络特征的视觉重构模型 |
| 4.3 实验结果及分析 |
| 4.3.1 实验条件和性能对比分析 |
| 4.3.2 特征可视化分析 |
| 4.4 本章小结 |
| 第五章 自然图像低层特征内容重构模型研究 |
| 5.1 引言 |
| 5.2 模型 |
| 5.2.1 自编码器和半监督学习 |
| 5.2.2 基于自编码器交替训练的视觉重构模型 |
| 5.3 实验结果及分析 |
| 5.3.1 实验条件 |
| 5.3.2 实验结果和性能对比分析 |
| 5.4 本章小结 |
| 第六章 自然图像场景语义分类模型研究 |
| 6.1 引言 |
| 6.2 模型 |
| 6.2.1 基于视觉编码的体素挑选 |
| 6.2.2 基于BRNN的视觉分类模型 |
| 6.3 实验结果及分析 |
| 6.3.1 实验条件和性能对比分析 |
| 6.3.2 视觉皮层拓扑信息的双向连接 |
| 6.4 本章小结 |
| 第七章 自然图像场景重构模型研究 |
| 7.1 引言 |
| 7.2 模型 |
| 7.2.1 类别解码 |
| 7.2.2 预训练生成对抗网络 |
| 7.2.3 视觉编码模型 |
| 7.2.4 评估器 |
| 7.3 实验结果及分析 |
| 7.3.1 实验条件 |
| 7.3.2 类别先验在视觉重构中的作用 |
| 7.3.3 GAN在视觉重构中的作用 |
| 7.3.4 性能对比分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（5）基于压缩感知的稀疏阵列DOA估计关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知概述 |
| 1.2.2 幅相误差校正概述 |
| 1.2.3 基于压缩感知的稀疏阵列优化 |
| 1.2.4 基于压缩感知的DOA估计 |
| 1.2.5 基于压缩感知的幅相误差校准 |
| 1.3 本文的主要研究内容 |
| 第2章 基于压缩感知的阵列稀疏方法 |
| 2.1 引言 |
| 2.2 压缩感知基本理论 |
| 2.2.1 压缩感知理论的基本数学建模 |
| 2.2.2 信号的稀疏表示 |
| 2.2.3 信号的压缩采样 |
| 2.2.4 信号的重构 |
| 2.3 均匀阵列的稀疏优化 |
| 2.3.1 稀疏直线阵列优化 |
| 2.3.2 稀疏二维阵列优化 |
| 2.4 基于压缩感知的稀疏阵列DOA估计基本模型 |
| 2.5 本章小结 |
| 第3章 稀疏一维阵列校准和DOA估计 |
| 3.1 引言 |
| 3.2 稀疏阵列幅相误差校准和DOA估计 |
| 3.2.1 幅相误差条件下矩阵的RIP特性分析 |
| 3.2.2 SOMP-TLS算法 |
| 3.3 仿真实验结果与分析 |
| 3.3.1 采样阵元数目的选择 |
| 3.3.2 幅相误差校准分析 |
| 3.3.3 DOA估计性能分析 |
| 3.3.4 实测数据分析 |
| 3.5 本章小结 |
| 第4章 幅相误差条件下的网格优化方法 |
| 4.1 引言 |
| 4.2 基于连续域的网格优化方法 |
| 4.2.1 连续域信号重构算法 |
| 4.2.2 SDP-TLS算法 |
| 4.2.3 仿真实验结果与分析 |
| 4.3 基于稀疏贝叶斯学习的网格优化方法 |
| 4.3.1 基于稀疏贝叶斯学习的信号重构原理 |
| 4.3.2 仿真实验结果与分析 |
| 4.4 本章小结 |
| 第5章 稀疏二维阵列校准和DOA估计 |
| 5.1 引言 |
| 5.2 稀疏二维阵幅相误差校准和DOA估计 |
| 5.2.1 二维阵阵列信号接收模型 |
| 5.2.2 二维阵幅相误差和DOA估计算法基本原理 |
| 5.2.3 仿真实验结果与分析 |
| 5.3 二维网格优化方法 |
| 5.3.1 稀疏平面阵的二维网格划分 |
| 5.3.2 网格优化方法 |
| 5.3.3 仿真实验结果与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（6）智能抗干扰中基于压缩感知的信道检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信道估计研究现状 |
| 1.2.2 压缩感知研究现状 |
| 1.2.3 智能抗干扰系统研究现状 |
| 1.3 论文主要工作及组织架构 |
| 第二章 智能抗干扰和压缩感知 |
| 2.1 智能抗干扰系统架构 |
| 2.2 压缩感知概述 |
| 2.2.1 稀疏表示 |
| 2.2.2 测量矩阵 |
| 2.2.3 信号重构 |
| 2.3 压缩感知重构算法 |
| 2.3.1 凸优化算法 |
| 2.3.2 贪婪追踪算法 |
| 2.3.3 基于贝叶斯的压缩感知算法 |
| 2.4 本章小结 |
| 第三章 基于压缩感知的OFDM系统信道估计 |
| 3.1 OFDM信道估计模型 |
| 3.1.1 OFDM系统概述 |
| 3.1.2 OFDM信道估计模型 |
| 3.2 传统信道估计算法 |
| 3.2.1 LS信道估计 |
| 3.2.2 MMSE信道估计 |
| 3.3 基于压缩感知的OFDM信道估计算法 |
| 3.3.1 基于OMP算法的OFDM信道估计 |
| 3.3.2 基于CoSaMP算法的OFDM信道估计 |
| 3.3.3 基于SAMP算法的OFDM信道估计 |
| 3.4 信道估计中的影响因素 |
| 3.4.1 干扰对算法性能的影响 |
| 3.4.2 导频结构对算法性能的影响 |
| 3.5 基于压缩感知的OFDM系统信道估计仿真 |
| 3.6 本章小结 |
| 第四章 基于贝叶斯压缩感知的信道估计 |
| 4.1 贝叶斯理论 |
| 4.2 贝叶斯压缩感知信道估计 |
| 4.2.1 联合稀疏信号模型 |
| 4.2.2 基于贝叶斯压缩感知信道估计算法 |
| 4.2.3 基于Laplace先验的复贝叶斯信道估计算法 |
| 4.3 算法仿真 |
| 4.4 本章小结 |
| 第五章 基于稀疏贝叶斯压缩感知的信道估计 |
| 5.1 块稀疏贝叶斯理论 |
| 5.1.1 信号分块特性 |
| 5.1.2 块稀疏贝叶斯理论 |
| 5.2 多观测向量(MMV)模型 |
| 5.3 基于小波树的稀疏贝叶斯信道估计 |
| 5.3.1 小波树结构模型 |
| 5.3.2 小波树TSBCS信道估计算法 |
| 5.3.3 算法仿真 |
| 5.3.4 多音干扰环境下的信道估计仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（7）多通道EEG信号去噪算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 EEG信号中的噪声 |
| 1.2.1 EEG信号噪声产生的原因 |
| 1.2.2 EEG信号噪声的类别 |
| 1.2.3 EEG信号噪声成分分析 |
| 1.3 多通道EEG去噪国内外研究现状 |
| 1.3.1 国外EEG去噪研究现状 |
| 1.3.2 国内EEG去噪研究现状 |
| 1.4 论文研究的主要内容 |
| 第2章 小波分析基本理论 |
| 2.1 小波变换简介 |
| 2.2 小波变换理论分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅里叶变换 |
| 2.2.3 连续小波变换 |
| 2.2.4 离散小波变化 |
| 2.3 常用小波函数介绍 |
| 2.3.1 小波基的选择 |
| 2.3.2 Haar小波 |
| 2.3.3 Meyer小波 |
| 2.3.4 Doubechies小波 |
| 2.4 小波变换的快速算法 |
| 2.5 本章小结 |
| 第3章 基于小波变换的多通道EEG信号去噪算法研究 |
| 3.1 EEG信号去噪实验分析 |
| 3.1.1 实验数据及电极的放置 |
| 3.1.2 实验方法 |
| 3.2 傅里叶去噪原理 |
| 3.3 小波去噪原理 |
| 3.3.1 小波分解与重构去噪原理 |
| 3.3.2 小波阈值去噪原理 |
| 3.3.3 新阈值函数去噪原理 |
| 3.4 仿真结果与分析 |
| 3.4.1 傅里叶算法的EEG去噪结果 |
| 3.4.2 小波分解与重构算法的EEG去噪结果 |
| 3.4.3 小波阈值算法的EEG去噪结果 |
| 3.4.4 新阈值小波函数算法的EEG去噪结果 |
| 3.5 EEG信号去噪效果综合评价 |
| 3.5.1 SNR、RMSE、PER分析 |
| 3.5.2 ROC曲线分析 |
| 3.5.3 频谱分析 |
| 3.6 本章小结 |
| 第4章 基于贝叶斯估计的多通道EEG信号去噪算法研究 |
| 4.1 贝叶斯估计理论 |
| 4.1.1 贝叶斯定理 |
| 4.1.2 先验分布 |
| 4.1.3 后验分布 |
| 4.2 EEG信号噪声模型分析 |
| 4.2.1 噪声的分类 |
| 4.2.2 高斯噪声模型 |
| 4.2.3 非高斯噪声模型 |
| 4.3 基于贝叶斯估计的EEG去噪算法研究 |
| 4.3.1 拉普拉斯最大后验概率分布 |
| 4.3.2 贝叶斯算法建立 |
| 4.3.3 阈值系数的估计 |
| 4.4 基于贝叶斯估计的去噪结果分析 |
| 4.5 EEG去噪效果综合评价 |
| 4.5.1 SNR、RMSE、PER分析 |
| 4.5.2 ROC曲线分析 |
| 4.5.3 频谱分析 |
| 4.6 本章小结 |
| 第5章 基于卡尔曼滤波的EEG信号去噪算法研究 |
| 5.1 卡尔曼滤波的EEG信号算法应用 |
| 5.1.1 AR模型分析 |
| 5.1.2 EEG信号的卡尔曼滤波模型 |
| 5.1.3 卡尔曼滤波模型的参数估计 |
| 5.2 基于卡尔曼滤波流程分析 |
| 5.3 仿真结果及分析 |
| 5.4 EEG去噪效果综合评价 |
| 5.4.1 SNR、RMSE、PER分析 |
| 5.4.2 ROC曲线分析 |
| 5.4.3 频谱分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（8）传感器网络故障节点高效检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和组织结构 |
| 第二章 基于Kalman滤波的故障分组检测算法 |
| 2.1 监测传感器网络采集数据建模 |
| 2.2 基于Kalman滤波的数据重构方法 |
| 2.3 算法仿真与性能分析 |
| 2.4 本章小结 |
| 第三章 基于群验的传感器网络故障节点检测方法 |
| 3.1 问题建模 |
| 3.2 群验方法 |
| 3.3 测试组设计 |
| 3.4 故障节点检测方法 |
| 3.5 算法仿真与性能分析 |
| 3.6 本章小结 |
| 第四章 基于自适应贝叶斯群验的传感器故障节点检测方法 |
| 4.1 算法原理 |
| 4.1.1 状态概率函数更新 |
| 4.1.2 测试组设计 |
| 4.1.3 性能分析 |
| 4.2 自适应贝叶斯群验快速算法 |
| 4.3 算法实现流程 |
| 4.3.1 自适应贝叶斯群验算法 |
| 4.3.2 自适应贝叶斯群验快速算法 |
| 4.4 算法仿真与性能分析 |
| 4.5 本章小结 |
| 第五章 桥梁传感器故障检测实验 |
| 5.1 实验场景 |
| 5.2 实验分析 |
| 5.2.1 实验一:针对节点数为10的桥梁传感器组 |
| 5.2.2 实验二:针对节点数为14的桥梁传感器组 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间科研成果 |
（9）基于扩展小波树的自适应压缩采样及图像重构方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像采样方法研究现状 |
| 1.2.2 图像重构技术研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 2 压缩感知与自适应压缩采样 |
| 2.1 引言 |
| 2.2 压缩感知理论 |
| 2.2.1 图像的稀疏表示 |
| 2.2.2 测量矩阵的构造 |
| 2.2.3 重构算法 |
| 2.3 自适应压缩采样 |
| 2.3.1 小波树结构 |
| 2.3.2 基于小波树结构的压缩采样原理 |
| 2.3.3 利用DMD采样小波系数 |
| 2.4 本章小结 |
| 3 基于压缩感知与扩展小波树的自适应压缩成像 |
| 3.1 引言 |
| 3.2 数字微镜阵列分区控制与扩展小波树结构 |
| 3.2.1 基于单像素相机的DMD分区控制采样 |
| 3.2.2 扩展小波树理论 |
| 3.3 基于DMD分区控制与扩展小波树的自适应压缩成像方法 |
| 3.3.1 成像方法与流程 |
| 3.3.2 仿真测试与分析 |
| 3.3.3 实验测试与分析 |
| 3.4 本章小结 |
| 4 基于哈达玛编码与小波域插值的自适应压缩成像 |
| 4.1 引言 |
| 4.2 基于哈达玛矩阵编码测量的自适应压缩成像方法 |
| 4.2.1 哈达玛矩阵 |
| 4.2.2 基于哈达玛矩阵编码的成像模型 |
| 4.2.3 成像方法与流程 |
| 4.2.4 仿真测试与分析 |
| 4.2.5 实验测试与分析 |
| 4.3 基于小波域插值的自适应压缩成像方法 |
| 4.3.1 基于小波树结构的压缩采样存在的不足 |
| 4.3.2 图像超分辨重建插值算法 |
| 4.3.3 成像方法与流程 |
| 4.3.4 仿真测试与分析 |
| 4.3.5 实验测试与分析 |
| 4.4 本章小结 |
| 5 基于多任务贝叶斯模型的彩色自适应压缩成像 |
| 5.1 引言 |
| 5.2 基于RGB融合的彩色图像压缩采样方法 |
| 5.2.1 彩色图像的特征与描述 |
| 5.2.2 彩色图像压缩成像方法研究现状 |
| 5.2.3 相关性分析 |
| 5.3 多任务贝叶斯模型 |
| 5.3.1 贝叶斯方法与相关理论 |
| 5.3.2 分层贝叶斯模型 |
| 5.3.3 彩色图像的多任务贝叶斯模型 |
| 5.4 基于多任务贝叶斯模型的彩色自适应压缩成像方法 |
| 5.4.1 成像方法与流程 |
| 5.4.2 仿真测试与分析 |
| 5.4.3 实验测试与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文主要研究成果和创新点 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文情况 |
| 攻读博士学位期间参加的科学研究情况 |
（10）基于贝叶斯压缩感知的车辆噪声源识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 噪声源识别技术的发展 |
| 1.3 近场声全息技术的研究现状 |
| 1.3.1 近场声全息技术的发展 |
| 1.3.2 近场声全息技术存在的问题 |
| 1.4 本文内容安排及主要工作 |
| 第二章 声场重建理论基础 |
| 2.1 声辐射理论模型 |
| 2.2 声场重建理论模型 |
| 2.3 声场重建问题的不适定性及正则化 |
| 2.3.1 截断奇异值法 |
| 2.3.2 Tikhonov正则化方法 |
| 2.4 本章小结 |
| 第三章 贝叶斯声场重建方法 |
| 3.1 贝叶斯理论 |
| 3.2 贝叶斯声场重建理论模型 |
| 3.2.1 贝叶斯声场重建模型 |
| 3.2.2 权重系数估计 |
| 3.3 仿真分析 |
| 3.3.1 重建结果分析 |
| 3.3.2 稳定性分析 |
| 3.4 本章小结 |
| 第四章 基于贝叶斯压缩感知理论的声场重建 |
| 4.1 压缩感知理论 |
| 4.1.1 压缩感知的信号模型 |
| 4.1.2 信号恢复的条件 |
| 4.1.3 现有稀疏信号恢复算法 |
| 4.2 声场稀疏表示模型 |
| 4.2.1 空间离散声源稀疏表示 |
| 4.2.2 空间连续声源稀疏表示 |
| 4.2.3 稀疏性分析 |
| 4.3 基于贝叶斯压缩感知的信号重构 |
| 4.4 仿真分析 |
| 4.4.1 声场声压与振速重建效果 |
| 4.4.2 方法抗噪性能分析 |
| 4.5 实验研究 |
| 4.6 本章小结 |
| 第五章 非自由声场中目标声场的稀疏重构 |
| 5.1 自由声场还原模型 |
| 5.1.1 声场分离技术 |
| 5.1.2 自由声场还原 |
| 5.1.3 自由声场还原简化模型 |
| 5.2 非自由声场中基于贝叶斯理论的声场重建 |
| 5.2.1 基函数—声辐射模式 |
| 5.2.2 基函数—冗余字典 |
| 5.3 仿真分析 |
| 5.3.1 声源表面质点振速重建分析 |
| 5.3.2 基函数重建性能分析 |
| 5.3.3 声源表面反射系数影响分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论及取得的相关科研成果 |
| 致谢 |
四、基于贝叶斯理论的数据重构方法（论文参考文献）
- [1]建筑能源监测系统中缺失数据的重构与修补方法研究[D]. 孟欣. 大连理工大学, 2021(01)
- [2]声波与弹性波反散射问题的贝叶斯方法[D]. 黄江凤. 电子科技大学, 2021(01)
- [3]复杂环境下的稳健稀疏贝叶斯学习算法研究[D]. 张婧姝. 电子科技大学, 2021(01)
- [4]自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究[D]. 乔凯. 战略支援部队信息工程大学, 2021
- [5]基于压缩感知的稀疏阵列DOA估计关键技术研究[D]. 胡斌. 哈尔滨工业大学, 2020(02)
- [6]智能抗干扰中基于压缩感知的信道检测算法研究[D]. 陈剑沫. 东南大学, 2020(01)
- [7]多通道EEG信号去噪算法的研究[D]. 王宏旭. 长春理工大学, 2020(01)
- [8]传感器网络故障节点高效检测方法研究[D]. 强梦烨. 南京大学, 2020(04)
- [9]基于扩展小波树的自适应压缩采样及图像重构方法研究[D]. 骆乐. 南京理工大学, 2019(01)
- [10]基于贝叶斯压缩感知的车辆噪声源识别技术研究[D]. 刘馨悦. 上海工程技术大学, 2020(04)