一、算术平均值滤波器抗噪性能分析及应用（论文文献综述）
王文娟[1]（2021）在《基于Android平台的网点图像边缘检测系统的设计与实现》文中认为目前图像边缘检测技术被应用于印刷网点测量中。当下,学界方面普遍认为相比较其他边缘检测算法而言,Canny边缘检测算法能够发挥出更好的边缘检测性能。但是对在印刷品质量检测系统中经常出现的脉冲噪声（椒盐噪声）的滤除效果并不理想。根据这一现状,本课题提出了基于自适应中值滤波的Canny边缘检测算法,以达到提高印刷品网点图像边缘检测效果的目的。并在Android平台上开发基于自适应中值滤波的Canny算法的印刷品网点图像边缘检测系统。论文首先研究和分析了图像边缘检测的常用算法,同时进一步针对自适应中值滤波展开了有关于Canny边缘检测算法的探讨和实践应用,对胶印、柔印、凹印、丝网印刷四种印刷品网点图像进行边缘提取,并通过峰值信噪比PSNR对其效果进行了客观评价,通过对比实验验证了该算法对于含有脉冲噪声的印刷品网点图像的边缘检测效果和良好的去噪效果。根据提出的基于自适应中值滤波的Canny边缘检测算法,进行边缘检测,开发出的Android网点图像边缘检测针对含有脉冲噪声印刷品网点图像的检测精确度高,可以应用于印刷品的网点图像边缘检测中。
马康宇[2]（2020）在《基于卷积神经网络的双耳声定位研究》文中研究指明主流的声源定位技术大多基于多麦克风的阵列,而基于双耳的声源定位研究有着硬件小型化、低成本的优势。传统的双耳声定位技术往往易受环境影响,在混响和噪声较强的复杂环境下表现不佳,近年来崛起的卷积神经网络（Convolutional Neural Network,CNN）建模具有较好的鲁棒性,使得复杂环境下的定位效果有了显着提升。为应对噪声和混响等复杂环境的挑战,本文提出了两种基于CNN的双耳声定位算法:基于密集连接卷积网络（Densely Connected Convolutional Networks,DCCN）分类器的双耳声源定位算法,以及基于Soft-argmax回归器的双耳声源定位算法。（1）基于DCCN分类器的双耳声源定位算法是对传统CNN模型算法的改进。该算法引入了密集连接（Dense Connection）结构,其特征复用的特性使得模型无需庞大的参数量就能具备强大的拟合能力,而且DCCN中的1×1卷积也有效压缩了模型规模。训练采用仿真混响的含噪语音,测试采用实测混响的含噪语音,通过这样的实验设置来验证算法面对未知环境的表现。实验表明,在复杂环境下基于DCCN分类器的定位算法的定位正确率显着优于传统算法。（2）基于Soft-argmax回归器的双耳声源定位算法是对神经网络分类器的改进。该算法引入了Soft-argmax回归结构,能够将任意使用Softmax结构的神经网络分类器改造成回归器,以提升定位的精确性和鲁棒性。该算法的实验部分将DCCN分类器改造成Soft-argmax回归器,从而进行直接的对比。实验表明,在复杂环境下基于Soft-argmax回归器的定位算法的均方根误差（Root Mean Squared Error,RMSE）小于传统算法和基于神经网络分类器的定位算法。
赵仁鑫[3]（2020）在《微电机教学平台的设计与应用》文中指出电机是大学电类专业如电气工程、自动化、电子信息工程等专业的教学中的一个非常典型应用对象,《电力拖动基础》、《微机原理》、《运动控制系统》、《电力电子技术》、《自动控制原理》等核心课程的教材中,都采用电机及其控制系统作为典型教学案例,来完成这些课程工程应用部分的课堂授课。因此,本文将针《电力拖动基础》、《微机原理》、《电力电子技术》、《运动控制系统》、《自动控制原理》等多门本科核心教学课程,研发一套高性能、便于携带的微电机教学平台,为本科教学打造一款直观、生动的教学设备,进一步提升课堂教学质量。本文主要工作如下:（1）本文将针对教学内容对微电机教学平台进行针对性的硬件设计,做到硬件模块分类清晰、元件选材通用合理、整体布局美观轻巧、可维护性高、成本低廉。硬件设计的内容主要是对控制芯片电路以及其外围电路的设计,最后整合各个硬件模块制成PCB板。（2）在搭建好硬件电路之上,本文将围绕所选取的两款常用的控制芯片分别进行软件配置,具体而言,是对这两款芯片的片内功能模块,如PWM功能模块、串口通信模块、ADC采样模块等分别进行配置与设计。（3）在完成了硬件电路和控制芯片功能模块配置后,本文还选用Lab VIEW编写了上位机系统,该上位机系统主要功能是发送上位机的数据指令以及接收下位机传输过来的实时的转速与电流数据。除此之外,滤波算法作为一种特色功能也在Lab VIEW中加以实现。（4）在完成了本教学平台的上位机与下位机的设计后,本文还对其投入课堂中的效果、学生的反馈等进行了探讨和叙述,得出了该教学平台的应用会给本科教学带来正面效益的结论。
郦超杰[4]（2020）在《禽蛋动态称重算法及嵌入式软件研究》文中进行了进一步梳理随着我国居民生活水准的提高,对禽蛋类农产品的质量要求越来越高,因此对于禽蛋分级设备的需求也越来越高。而禽蛋重量是衡量禽蛋品质的一个重要指标。本文在课题组研发的禽蛋动态称重机械设备与动态称重信号调理模块的基础上,开发了适合用于禽蛋动态称重的嵌入式软件系统,主要以禽蛋为研究对象,从滤波去噪的数字滤波器选择和基于信号特征值的重量预测入手,分别开展了不同FIR滤波器与IIR滤波器对禽蛋动态称重原始信号滤波效果的影响;以及研究了使用不同方式的滤波信号特征值提取对称重效果的影响,初步开展了使用二代神经计算棒用于禽蛋动态称重的神经网络边缘计算。（1）研究了不同滤波器选型对原始信号的滤波效果的影响。主要结论有:1)禽蛋动态称重原始信号的噪声频率主要在20Hz以上,且在滤波器阶数选择时以20Hz及以下的滤波阶数为主;2)过高的FIR滤波阶数在称重速度为5个/秒时,容易导致程序运行出错,导致出现丢值的现象,即说明在过高的滤波阶数与过高的速度双重影响下,滤波程序的运行时长影响到了程序的正确逻辑运行。3)根据不同称重速度采取不同的数字滤波器是较为合适的,当称重速度低于3.5个/秒时,采用截至频率为20Hz,7阶的Butterworth滤波器。当称重速度高于3.5个/秒时,采用beta=4.55,截至频率为5Hz的80阶Kaiser窗口滤波器。（2）研究了采用不同方式的滤波信号特征值提取算法对称重效果的影响。主要结论有:1)称重传感器滞后问题导致在高速连续称重时称重结果偏高;2)分别采用了算术平均值、算术平均值优化和中位值均值作为滤波信号特征值的算法,在3个/秒时,三种特征值提取算法都取得了误差范围在±1 g以内;在4个/秒时,采用算术平均值优化同中位值均值算法的效果较好,误差范围在±1 g左右;但在5个/秒时,三种算法的测试结果误差均较大。（3）探究了神经计算棒与边缘计算在动态称重中的应用。设计了简易的通信上位机,并探究了使用BP神经网络处理滤波信号的结果,在一定程度上,本文搭建的BP神经网络对滤波信号的特征值提取并未提高称重精度。
韦号[5]（2020）在《基于对焦显微法的CFRP制孔粗糙度测量技术研究》文中研究说明碳纤维增强复合材料（Carbon Fiber Reinforced Plastics,CFRP）具有比强度高,比模量高,耐腐蚀等优点,广泛应用于航空航天,风力发电,汽车制造等领域。制孔连接目前仍然是一种广泛采用的连接方式。制孔粗糙度与连接件的疲劳寿命关系密切。利用光学精密测量技术不仅可以测量二维与三维粗糙度而且避免了对测量表面的损伤。本文利用对焦显微法来测量CFRP制孔粗糙度,主要研究内容如下:（1）为定量评价聚焦评估算法的质量,基于光学成像原理提出了一种应用于对焦显微的图像离焦仿真算法,克服了现有仿真算法的缺陷。研究了对焦显微技术中的聚焦评估算法,提出了组合式聚焦评估算子,并基于图像离焦仿真算法对所提出的算子进行了定量分析。（2）为快速高效的滤除重建的CFRP点云中的离群点,提出了一种基于社交圈的点云离群点滤除算法,与半径滤波器和统计滤波器相比所提出的算法可以更快速高效的滤除离群点。为了修复由于滤除离群点而产生的点云漏洞,提出了基于三次B样条的点云漏洞修复技术,可以快速的修复点云漏洞。（3）根据ISO 16610标准设计了相应的轮廓滤波器以提取CFRP制孔粗糙度轮廓。利用粗糙度仿真算法对本文的粗糙度提取方法进行了定量分析。此外,通过实际的测量数据分析了CFRP制孔内表面二维与三维粗糙度参数的差异。（4）对所搭建的粗糙度测量系统进行精度验证实验,并使用所搭建的粗糙度测量系统对CFRP制孔粗糙度进行了针对性的测量实验。
贺良[6]（2020）在《基于麦克风阵列的声源定位研究》文中认为在阵列信号处理领域,基于麦克风阵列的声源定位技术是一项研究热点,该技术广泛应用于视频会议、监测监控系统、智能机器人以及语音增强等领域。在现实应用场景中,由于受到背景噪声和混响等的干扰,导致接收到的声源信号质量下降。因此如何在复杂的声学环境下,进行有效的声源定位,仍然是一项具有挑战性的课题,也越来越受到研究者的关注。在此背景下,本文致力于现实环境下的三维空间声源定位的研究,主要做了以下三个方面的工作:（1）针对噪声与混响环境下,基于稀疏线性预测的时延估计算法性能下降的问题,本文提出一种改进的线性预测模型。为了获得麦克风信号的有效预滤波,尝试将语音幅度谱的稀疏性和线性预测向量的稀疏性同时引入最小二乘准则,并以此构建凸约束线性预测模型;然后运用split-Bregman迭代方法对模型进行求解;最后使用预测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。仿真实验结果表明,与GCC-PHAT和L2/L1范数稀疏线性预测算法相比,所提算法具有更好的时延估计性能。（2）在基于时延估计的定位算法中,考虑到与现实声源定位实验平台的一致性,构建了7麦克风组成的三维“折叠Z字形”拓扑结构的麦克风阵列,并使用球形插值算法对目标声源的三维空间坐标进行定位。并构建了声源定位的仿真系统,对三种时延估计算法的定位效果进行比较。（3）针对实际的室内环境,搭建了基于7元麦克风阵列的三维空间语音声源定位系统。搭建的声源定位系统由声音采集系统和定位系统两部分构成。声音采集系统由麦克风阵列和同步数据采集卡组成的硬件结构,以及LabVIEW控制程序构成。声源定位系统则由信号预处理与端点检测程序、时延估计程序和定位程序等构成。通过对不同距离空间位置的说话声进行声源定位实验,检验了本文提出的改进L2/L1-LP时延估计算法在现实场景的适用性。
崔永林[7]（2020）在《基于自适应滤波的电力系统谐波检测分析》文中研究指明近年来,随着各种电力电子设备的广泛应用,电网谐波问题日益突出,快速准确的谐波状态检测显得至关重要。卡尔曼滤波在处理线性、高斯系统状态滤波和参数估计具有独特的优势,但噪声统计特性、初始状态参数选取等问题一直都困扰着其发展与应用,论文提出了基于自适应滤波算法的谐波精确检测方法。本论文的主要研究成果如下:首先,在贝叶斯理论框架下对卡尔曼滤波（Kalman Filter,KF）算法进行了系统性研究。针对噪声干扰下检测精度不高的问题,提出了一种基于自适应卡尔曼滤波残差分析的谐波检测方法,即先建立电压信号的状态空间模型,对于系统模型的噪声协方差矩阵R、Q以及系统的初始状态,采用最大似然法进行自适应优化,并利用KF实现对谐波信号的预估及修正,进而得到谐波幅值的最优估计值,利用滤波残差的奇异性可以准确检测谐波的干扰起止时间。同时,针对卡尔曼滤波算法在非线性系统的局限性,论文还提出利用扩展卡尔曼滤波跟踪基波频率的动态变化,实现了对基波频率的准确检测。然后,针对基于最大似然的自适应卡尔曼滤波算法中待优化参数的初值选取不当易陷入局部最优的问题,论文进一步提出了一种基于自适应粒子群遗传优化的卡尔曼滤波算法（Particle Swarm Optimization Genetic Algorithm Kalman Filter,PSO-GA-KF）,并将其用于谐波检测。通过将基于最大似然的卡尔曼滤波算法与PSO、GA相结合来自适应优化噪声协方差矩阵R、Q和其他初始状态参数,在较短的搜索时间内获得全局最优解,使得检测精度得到提升。论文通过MATLAB软件仿真,对比多种算法在不同噪声强度、不同电压幅值参数变化的情况下谐波检测结果,验证该算法性能最优。论文提出的两种自适应卡尔曼滤波算法克服了噪声干扰环境下由噪声统计特性的不确定性导致的滤波精度低等问题,有效提高了电网谐波的检测精度,另外采用扩展卡尔曼可以准确检测基波频率。因此,论文的研究方法可为电力系统的谐波检测和治理提供方法指导。
张雅琼[8]（2019）在《基于奥米亚棕蝇听觉耦合机制的时延放大系统与声定位研究》文中研究指明声源定位技术是近年来国内外研究的一个热点,它涉及到声学、信号检测、数字信号处理等诸多技术领域,在军事、工业和民用领域有着重要的应用价值。声源定位技术一般借助于具有一定拓扑结构的传声器阵列来实现,声源定位的线索为接收信号间的到达时间差或幅值差。为了获得足够的声场信息,取得较高的定位精度,通常需要传声器阵列在保证一定阵元数目的同时具有比较大的阵元间距,这往往导致定位装置的整体尺寸比较庞大。而在一些特殊的应用领域,如微型运载工具,便携式电子设备等,由于受到空间尺寸的限制,通常要求定位装置在保证高精度的同时兼具微型化的特征。面对这些领域的特殊需求,必须寻找新的技术来满足。一种原产于北美的小型寄生蝇——奥米亚棕蝇,为我们提供了可能。该寄生蝇的听觉器官很小,耳间距仅为0.5mm左右,却能凭借寄主发出的叫声准确地将其定位,定位精度达到2°以内。研究表明,这种超强的定位能力得益于其耳间一种特殊的耦合机制。该耦合机制能够有效放大两耳接收信号间的时间差和幅值差,其效果等于将耳间距扩大了数十倍。这种耦合机制将有可能为上述应用提供良好的解决方案。本文的研究就是在这种背景下展开的,主要研究工作包括以下几个部分:（1）对奥米亚棕蝇耦合耳朵的力学模型进行了研究,分析了其时延放大特性,并对该耦合模型进行了扩展,建立了一个高维耦合模型,实现了多个输入信号间的时延放大。通过对高维耦合模型的输出响应进行求解,并对其振动特性进行分析,揭示了模型参数与时延放大倍数的关系,在此基础上,提供了时延放大的限制条件及模型参数的设计原则。此外,分析了声源频率对耦合模型时延放大特性的影响,说明了其仅适用于单频声源的局限性。（2）以耦合模型的理论研究为基础,推导了一个耦合模块。该耦合模块能够在宽频范围内保持稳定的时延放大倍数,通过调节增益单元即可对放大倍数进行灵活地改变。研究表明耦合模块可以应用于单频、多频及宽频信号间的时延放大,相比于耦合模型,其适用范围得到拓宽。基于该耦合模块,提出了一个分步实现的时延放大系统。该系统的具体实现过程为:首先,利用滤波器对输入信号进行预处理;然后,采用多个由时延估计模块、延时器及耦合模块组成的时延放大单元分步完成时延放大;最后,由延时器还原出一组具有理想时延的输出信号。该系统通过将一个不满足耦合模块放大条件的高倍数放大转化为若干次满足条件的低倍数放大,有效扩大了时延放大倍数的选择范围。通过仿真对该系统的时延放大特性进行了验证,并在不同信噪比下对系统的时延估计能力进行了考察,分析了噪声对时延放大系统的影响。（3）分别针对平面声源及空间声源,进行了传声器阵列的设计,对影响定位精度的阵列布置形式及阵元间距等进行了讨论。以此为基础,对单声源定位问题进行了研究,通过对有无时延放大系统的情况进行对比,说明了引入该系统对提高声源定位精度的重要意义。此外,为了将该系统应用于多声源定位,在传统互相关图方法的基础上,提出了时延放大系统联合互相关图时延估计方法。研究结果表明,得益于时延放大系统的作用,该方法的定位精度较传统互相关图方法得到显着提高。（4）搭建了声定位实验平台,并进行了声定位实验。对耦合模型的时延放大规律,时延放大系统的放大特性,以及时延放大系统对时延估计精度和声源定位精度的影响进行了验证,并对实验结果进行了分析和讨论。所有实验结果均验证了本文理论及仿真分析的正确性。
鄢小安[9]（2019）在《基于数学形态学的滚动轴承故障诊断方法研究》文中研究表明旋转机械在现代工业和智能制造中占据越来越大的地位。对旋转机械的工作状态进行实时监控不仅能够避免灾难事故的发生,而且有望增加明显的经济收益。滚动轴承被誉为工业生产中旋转机械装备的重要关节之一,在不同领域有着广泛的应用,其运行状态的正常与否直接关系到整个机械装备的工作性能。因此,对于新故障诊断方法的探索和挖掘,滚动轴承是一个很好的研究对象。在实际工程中,由局部缺陷引起的轴承振动信号通常具有非线性、非平稳、低信噪比、故障特征不明显等特点,直接采用频谱分析将难以做出有效诊断。另外,一些常规诊断方法如AR模型、谱峭度、时频分析等各自具有一定局限性。因此,探索有效的滚动轴承故障诊断方法在工程实际中是不得不面对的现实问题。数学形态学是一种非线性非平稳信号分析方法,通过结构元素探针可以实现对非线性信号细节信息的有效匹配和捕捉,在轴承损伤检测领域有着良好的应用前景。本文以滚动轴承为研究对象,在现有数学形态学方法的基础上,对基于数学形态学的轴承故障诊断方法进行了深入研究并作出了改进,旨在提高轴承故障诊断的准确度,进而最大程度避免事故的出现。本文的创新点和主要工作内容如下:（1）在研究数学形态学基本理论和性质的基础上,通过采用闭开-开闭组合形态滤波器与原信号的差值运算,定义了一种新形态学算子——组合形态-hat变换（Combination morphological filter-hat transform,CMFH）。通过研究数学形态学的滤波特性,给出了不同形态学算子的适用场合。在此基础上,针对数学形态学算子主要依赖于经验性选取结构元素参数的问题,提出了一种基于粒子群优化的组合形态-hat变换（PSO-CMFH）。该算法首先通过粒子群优化算法自适应搜索形态学算子的最佳结构元素参数,随后利用最佳结构元素参数下的CMFH变换对故障信号进行分析,进而实现轴承故障信息的提取。通过仿真验证了提出算法在冲击故障特征提取中的有效性。（2）以CMFH变换为基础,通过引入多尺度结构元素和加权运算,定义了一种多尺度组合形态-hat变换（Multiscale combination morphological filter-hat transform,MCMFH）,能够用于兼顾不同尺度上的冲击特征信息。随后,在MCMFH变换的基础上,针对融合单一特征指标的多尺度形态学分析容易引起部分故障特征信息丢失的问题,提出了一种基于特征选择框架的多尺度形态学分析方法（FS-MMA）。该算法首先提取原始信号的多域特征;然后根据熵权法选取若干个代表性敏感特征;最后运用灰色关联分析确定MCMFH变换的最优结构元素尺度,进而实现轴承故障特征信息的有效提取。通过仿真和实验轴承故障数据分析验证了提出算法的有效性。分析结果表明:与传统的融合单一特征指标的多尺度形态学分析相比,提出算法具备更好的特征提取效果,提升了诊断精度。（3）以CMFH变换和开闭平均-hat变换为基础,将两者进行乘积运算,定义了一种形态顶帽乘积算子（Morphology hat product operation,MHPO）。在此基础上,借鉴对角切片谱具备特征增强和抑制噪声的优良特性,提出了一种增强尺度形态顶帽乘积滤波（Enhanced scale morphological-hat product filtering,ESMHPF）。该算法首先采用多尺度形态顶帽乘积算子对原始信号进行滤波处理;然后计算各尺度处形态顶帽乘积滤波结果的三阶累计量对角切片和对角切片谱,同时结合故障特征比确定最优结构元素尺度;最后根据最优尺度形态对角切片谱,实现了轴承故障特征信息的增强检测,同时提升了传统多尺度形态学滤波的诊断效果。利用仿真和实测轴承故障信号验证了提出方法的有效性。分析结果表明:ESMHPF方法不仅可以有效地提取故障特征信息,而且具备特征增强的功效。（4）通过将形态学梯度算子引入到形态谱运算中,同时结合信息熵理论,定义了形态梯度谱（Pattern gradient spectrum,PGS）和形态梯度谱熵（Pattern gradient spectrum entropy,PGSE）的概念。在此基础上,借鉴传统多尺度熵的粗粒化序列过程,提出了一种广义多尺度形态梯度谱熵（Generalized multiscale pattern gradient spectrum entropy,GMPGSE）,实现了PGSE在多个尺度上评估时间序列的随机性和动力学突变行为。最后,为了实现轴承故障状态的智能识别和自动分类,将GMPGSE、拉普拉斯分值（LS）和极限学习机（ELM）相结合,提出了一种基于GMPGSE的滚动轴承智能故障诊断方法。通过实例数据分析证明了提出方法的可行性。研究结果表明:与传统多尺度熵相比,GMPGSE具有更高的诊断精度和计算效率,能够更有效地辨识不同的轴承故障状态。（5）通过搭建实验室的滚动轴承故障模拟实验台对研究方法进行了实用性验证。首先,详细地介绍了滚动轴承故障模拟的整体实验方案。然后,分别采用PSO-CMFH、FS-MMA、ESMHPF三种特征提取算法对采集的轴承振动数据和实际工程数据进行了分析,验证了研究方法的有效性。另外,从定量和定性两个方面对三种特征提取算法进行了比较和讨论。最后,将GMPGSE应用在滚动轴承智能故障诊断中。通过实验分析结果表明:GMPGSE能够有效地辨识滚动轴承的不同损伤类型,其分类精度高于传统多尺度熵。
邵小伟[10]（2019）在《基于电刺激信号信噪比的人工耳蜗降噪算法研究》文中研究说明人工耳蜗（Cochlear Implant,CI）又称为电子耳蜗,是目前仅有的一种帮助重度听力损失患者恢复听力的仿生设备。它通过在患者的耳蜗内植入电极阵列直接刺激听觉神经来代替缺失的毛细胞以实现听力感知。CI对于重度听力损失患者恢复听觉机能,正常进行社会生活具有重要的意义。目前CI的工艺已经相对成熟,现有的CI系统已经能够让植入者在安静环境下进行交谈,但是在噪声环境中,CI植入者对声音的聆听效果依然较差,这严重制约了其社会交往能力。因此,提高CI植入者在噪声环境下的言语感知能力是CI研究的关键问题之一。针对噪声环境下CI植入者的言语识别效果较差的问题,本文提出了一种基于电刺激信号信噪比的CI降噪算法。现有的研究表明,电听觉和声听觉的感知机理存在显着的区别,而现有的降噪算法大都是基于正常人或轻度听力损失者的声听觉研究,基于电听觉的研究还很匮乏。本研究针对基于CI电听觉的降噪算法展开研究,通过研究输入CI系统的声信号和CI系统各电极通道上电刺激信号的信噪比之间的映射规律,实现对电刺激信号信噪比的估计,并在此基础上提出基于电刺激信号信噪比的降噪算法。然后本文首先通过分析降噪后的信号包络、语谱图、归一化协方差测度和加权谱斜率距离来初步分析降噪算法的性能;之后通过正常听力者的仿真声言语接受阈值实验和言语识别实验进一步验证所提算法的降噪性能。实验结果表明本文所提的基于电刺激信号信噪比的降噪方法对噪声情况下CI性能有较好的改善,但是相比于基于声信号信噪比的降噪方法来说,仍有一定的不足;最后根据客观分析及仿真声实验的分析结果,本文对出现该实验结果的可能原因展开进一步的分析、讨论和验证,分析结果表明电刺激信号信噪比的估计方法对本文所提降噪算法的性能有显着的影响。总体而言,本文提出的基于电刺激信号信噪比的降噪方法是有研究价值的,本文的研究为后续完善基于电刺激信号信噪比降噪算法的研究打下了基础。
二、算术平均值滤波器抗噪性能分析及应用（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、算术平均值滤波器抗噪性能分析及应用（论文提纲范文）
（1）基于Android平台的网点图像边缘检测系统的设计与实现（论文提纲范文）
| 致谢 |
| 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 图像边缘检测算法研究现状 |
| 1.2.2 中值滤波研究现状 |
| 1.2.3 网点测量技术研究现状 |
| 1.3 论文研究对象及内容 |
| 2 印刷网点图像边缘检测理论基础 |
| 2.1 图像边缘检测的基本理论 |
| 2.1.1 图像边缘检测定义 |
| 2.2 几种常用的边缘检测算法 |
| 2.2.1 Roberts边缘检测算法 |
| 2.2.2 Sobel边缘检测算法 |
| 2.2.3 Prewitt边缘检测算法 |
| 2.2.4 LOG边缘检测算法 |
| 2.2.5 Canny边缘检测算法 |
| 2.3 图像边缘检测的难点和算法优缺点比较 |
| 2.3.1 图像边缘检测的难点 |
| 2.3.2 图像边缘检测算法的优缺点比较 |
| 3 几种常用边缘检测算法的效果验证实验 |
| 3.1 几种常用边缘检测算法的实现 |
| 3.1.1 Roberts边缘检测算法的实现 |
| 3.1.2 Sobel边缘检测算法的实现 |
| 3.1.3 Prewitt边缘检测算法的实现 |
| 3.1.4 LOG边缘检测算法的实现 |
| 3.1.5 Canny边缘检测算法的实现 |
| 3.2 图像边缘检测算法性能客观评价指标 |
| 3.3 基于几种经典边缘检测算法的网点图像边缘检测 |
| 3.3.1 实验材料及过程 |
| 3.3.2 实验结果 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 4 基于自适应中值滤波的Canny边缘检测算法 |
| 4.1 印刷品网点图像灰度化处理 |
| 4.2 印刷品网点图像降噪 |
| 4.2.1 传统中值滤波 |
| 4.2.2 中值滤波的改进—自适应中值滤波 |
| 4.3 印刷品网点图像边缘提取 |
| 4.3.1 实验材料及过程 |
| 4.3.2 实验结果及分析 |
| 4.3.3 小结 |
| 4.4 本章小结 |
| 5 印刷品网点图像边缘检测系统的实现 |
| 5.1 Android平台简介 |
| 5.1.1 平台简介及特性 |
| 5.1.2 Android平台架构 |
| 5.2 网点图像边缘检测系统的实现 |
| 5.2.1 项目搭建 |
| 5.2.2 系统界面的实现 |
| 5.2.3 图像裁剪 |
| 5.2.4 系统图像处理机制 |
| 5.3 软件操作 |
| 5.4 仿真实验验证 |
| 5.4.1 测试工具 |
| 5.4.2 测试结果及分析 |
| 5.5 本章小结 |
| 6 结论 |
| 7 展望 |
| 参考文献 |
| 附录 印刷网点图像检测样品 |
| 作者攻读硕士学位期间取得的研究成果 |
（2）基于卷积神经网络的双耳声定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 声源定位技术研究背景及意义 |
| 1.2 声源定位技术研究现状 |
| 1.3 本文主要研究内容 |
| 1.3.1 基于DCCN分类器的双耳声源定位算法 |
| 1.3.2 基于Soft-argmax回归器的双耳声源定位算法 |
| 1.4 论文组织结构 |
| 第二章 基于神经网络的双耳声源定位 |
| 2.1 人类听觉系统 |
| 2.1.1 人耳听觉特性 |
| 2.1.2 空间听觉模型 |
| 2.2 双耳线索 |
| 2.2.1 耳间时间差 |
| 2.2.2 耳间强度差 |
| 2.3 神经网络 |
| 2.3.1 多层感知器 |
| 2.3.2 卷积神经网络 |
| 2.4 基于双耳线索的传统定位算法 |
| 2.5 基于神经网络的定位算法 |
| 第三章 基于DCCN分类器的双耳声源定位算法 |
| 3.1 系统概述 |
| 3.2 双耳特征提取 |
| 3.2.1 Gammatone子带滤波 |
| 3.2.2 分帧与加窗 |
| 3.2.3 子带互相关函数特征 |
| 3.2.4 子带耳间强度差特征 |
| 3.2.5 特征融合 |
| 3.3 DCCN分类器模型 |
| 3.3.1 密集连接块 |
| 3.3.2 转换层 |
| 3.3.3 输出层与损失函数 |
| 3.4 实验 |
| 3.4.1 数据集与实验环境 |
| 3.4.2 卷积核形状对DCCN模型定位性能的影响 |
| 3.4.3 迭代轮数对DCCN模型定位性能的影响 |
| 3.4.4 网络层数对DCCN模型定位性能的影响 |
| 3.4.5 DCCN模型与以往模型定位性能对比 |
| 3.5 小结 |
| 第四章 基于Soft-argmax回归器的双耳声源定位算法 |
| 4.1 系统概述 |
| 4.2 双耳特征提取 |
| 4.3 Soft-argmax回归器模型 |
| 4.3.1 骨干网络结构 |
| 4.3.2 输出层与损失函数 |
| 4.4 实验 |
| 4.4.1 数据集与实验环境 |
| 4.4.2 β参数对模型定位性能的影响 |
| 4.4.3 损失函数对模型定位性能的影响 |
| 4.4.4 回归器模型与以往模型定位性能对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 攻读硕士学位期间参加的科研项目和完成的论文 |
（3）微电机教学平台的设计与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 开发背景 |
| 1.2 课堂实验教学 |
| 1.3 微电机教学平台软硬件设计的技术概述 |
| 1.3.1 硬件设计概述 |
| 1.3.1.1 外壳的选择 |
| 1.3.1.2 电源和信号线接插口的选择 |
| 1.3.1.3 联轴器的选择 |
| 1.3.1.4 电机的配型 |
| 1.3.1.5 双微处理器的选择 |
| 1.3.1.6 控制芯片介绍 |
| 1.3.2 软件设计概述 |
| 1.3.2.1 IAP15W和 C8T6 产生PWM波形的原理 |
| 1.3.2.2 PWM频率的选择 |
| 1.3.2.3 异步通信概述 |
| 1.3.2.4 C8T6的DMA工作原理 |
| 1.3.2.5 单片机获取转速值的几种方法 |
| 1.3.2.6 关于采样时机与采样方式 |
| 1.3.2.7 数字PI算法 |
| 1.4 本文工作 |
| 第2章 教学平台的硬件设计 |
| 2.1 教学平台硬件总框架 |
| 2.2 硬件电路设计 |
| 2.2.1 电源模块电路设计 |
| 2.2.2 按键电路设计 |
| 2.2.3 控制芯片电路设计 |
| 2.3.3.1 IAP15W电路设计 |
| 2.3.3.3 C8T6电路设计 |
| 2.2.4 驱动电路设计 |
| 2.2.5 运算放大电路设计 |
| 2.2.6 通信电路设计 |
| 2.2.7 继电器电路设计 |
| 2.3 整体PCB板 |
| 2.4 本章小结 |
| 第3章 教学平台的软件设计 |
| 3.1 整体编程框架 |
| 3.2 按键程序 |
| 3.3 PWM信号程序 |
| 3.4 串口通信程序 |
| 3.5 转速采样程序 |
| 3.6 电流采样程序 |
| 3.7 PI算法程序 |
| 3.7.1 传统数字PI算法 |
| 3.7.1.1 位置式数字PI调节器 |
| 3.7.1.2 增量式数字PI调节器 |
| 3.7.1.3 对比 |
| 3.7.2 比例系数K_p和积分系数K_i |
| 3.7.2.1 比例系数K_p |
| 3.7.2.2 积分系数K_i |
| 3.7.3 数字PI算法的实现 |
| 3.8 本章小结 |
| 第4章 教学平台的上位机设计 |
| 4.1 Lab VIEW简介 |
| 4.2 上位机界面功能介绍 |
| 4.3 上位机编程框架 |
| 4.4 串口操作程序 |
| 4.5 页面切换程序 |
| 4.6 超时事件 |
| 4.7 按键触发指令发送程序 |
| 4.8 演示效果 |
| 4.8.1 开环模式实验结果 |
| 4.8.2 闭环模式实验结果 |
| 4.8.3 双闭环模式实验结果 |
| 4.8.4 PI实验结果 |
| 4.9 电流信号的数字滤波器的实现 |
| 4.9.1 电流波形的仿真 |
| 4.9.2 模拟式滤波和数字式滤波 |
| 4.9.3 数字滤波器的实现方法 |
| 4.9.4 基础滤波器 |
| 4.9.4.1 算术平均值滤波器 |
| 4.9.4.2 加权平均值滤波器 |
| 4.9.4.3 递推平均滤波器 |
| 4.9.4.4 加权递推平均滤波器 |
| 4.9.4.5 中位值滤波器 |
| 4.9.4.6 限幅滤波器 |
| 4.9.4.7 一阶滞后滤波器 |
| 4.9.5 卡尔曼滤波器 |
| 4.9.5.1 卡尔曼滤波器的原理 |
| 4.9.5.2 迭代过程 |
| 4.9.5.3 卡尔曼滤波器效果 |
| 4.10 本章小结 |
| 第5章 教学平台的上位机设计 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 B 攻读学位期间所参与的科研项目 |
（4）禽蛋动态称重算法及嵌入式软件研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 我国禽蛋产业现状 |
| 1.1.2 研究的目的及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内动态称重系统算法开发现状 |
| 1.2.2 国外动态称重系统算法开发现状 |
| 1.3 研究目标与研究内容 |
| 1.4 本章小结 |
| 第二章 禽蛋动态称重信号处理研究 |
| 2.1 禽蛋动态称重试验台与DSP动态称重信号调理模块介绍 |
| 2.1.1 禽蛋动态称重试验台介绍 |
| 2.1.2 DSP动态称重信号调理模块介绍 |
| 2.2 基于DSP的禽蛋动态称重系统软件介绍 |
| 2.2.1 TMS320F28335与AD7606 的通信软件设计 |
| 2.2.2 信号截取软件设计 |
| 2.2.3 嵌入式滤波算法的实现 |
| 2.3 原始信号截取参数与滤波器选择参数的确定 |
| 2.3.1 原始信号截取参数的确定 |
| 2.3.2 原始信号滤波器参数 |
| 2.4 称重信号滤波评价指标 |
| 2.4.1 滤波稳态信号段数据的标准差 |
| 2.4.2 滤波效果的重复性 |
| 2.4.3 滤波信号的稳态信号长度 |
| 2.5 实验结果对比与分析 |
| 2.5.0 数字滤波器的分析与介绍 |
| 2.5.1 实验样本与测试流程 |
| 2.5.2 Hamming窗口滤波器结果与分析 |
| 2.5.3 Kaiser窗口滤波器结果与分析 |
| 2.5.4 Constr least-squares滤波器结果与分析 |
| 2.5.5 Butterworth滤波器结果与分析 |
| 2.5.6 滤波实验总结 |
| 2.6 本章小结 |
| 第三章 基于DSP的嵌入式称重算法开发 |
| 3.1 动态称重结果评价指标 |
| 3.1.1 误差、误差平均值和误差标准差 |
| 3.1.2 相对测量误差均值与不同测试速度下的评价指标 |
| 3.2 动态称重计算公式的基本原理与设计 |
| 3.2.1 称重计算基本公式与确定 |
| 3.2.2 称重算法中遇到的问题与解决 |
| 3.3 基于算术平均值的称重算法研究 |
| 3.3.1 算术平均值的提取方式 |
| 3.3.2 算术平均值算法在线称重测试结果与分析 |
| 3.4 基于算术平均值优化的称重算法研究 |
| 3.4.1 基于算术平均值优化的方式 |
| 3.4.2 基于算术平均值优化的在线称重测试结果与分析 |
| 3.5 基于中位值均值的称重算法研究 |
| 3.5.1 中位均值特征值提取方式 |
| 3.5.2 中位值均值算法的在线称重测试结果与分析 |
| 3.6 本章小结 |
| 第四章 基于神经计算棒的神经网络禽蛋称重算法研究 |
| 4.1 神经计算棒介绍 |
| 4.1.1 神经计算棒介绍 |
| 4.1.2 边缘计算与神经计算棒应用介绍 |
| 4.2 神经计算棒平台搭建 |
| 4.3 BP神经网络算法的建立与测试 |
| 4.3.1 BP神经网络的结构与特征值选择 |
| 4.3.2 BP神经网络的实验方案与测试结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
（5）基于对焦显微法的CFRP制孔粗糙度测量技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 对焦显微技术 |
| 1.4 本文选题背景 |
| 1.5 本文研究内容 |
| 第二章 基于对焦显微的三维形貌精确重建技术 |
| 2.1 引言 |
| 2.2 对焦显微技术原理 |
| 2.2.1 图像像素点的聚焦评估 |
| 2.2.2 深度估计与三维重建 |
| 2.3 应用于对焦显微的图像离焦仿真技术 |
| 2.3.1 虚拟模型构建与点采样 |
| 2.3.2 仿真图像的获取 |
| 2.3.3 仿真流程与实验 |
| 2.4 基于图像离焦仿真的聚焦评估优化技术 |
| 2.4.1 聚焦评估算子选择 |
| 2.4.2 聚焦评估算子组合算法 |
| 2.4.3 算法验证与分析 |
| 2.5 本章小结 |
| 第三章 CFRP形貌点云离群点滤除与漏洞修复技术 |
| 3.1 引言 |
| 3.2 点云离群点滤除技术 |
| 3.3 基于社交圈的有序点云离群点快速滤除技术 |
| 3.3.1 社交圈初始点获取 |
| 3.3.2 社交圈半径的确定 |
| 3.3.3 社交圈的迭代拓展与离群点的滤除 |
| 3.3.4 算法的验证与分析 |
| 3.4 基于三次B样条的点云漏洞修复技术 |
| 3.4.1 三次B样条函数 |
| 3.4.2 点云漏洞修复算法 |
| 3.4.3 算法验证与分析 |
| 3.5 本章小结 |
| 第四章 CFRP制孔粗糙度评定技术 |
| 4.1 引言 |
| 4.2 粗糙度仿真技术 |
| 4.3 CFRP制孔内表面粗糙度轮廓提取技术 |
| 4.3.1 粗糙度轮廓的提取 |
| 4.3.2 异常值对高斯回归滤波器的影响及其抑制 |
| 4.3.3 制孔形状的滤除 |
| 4.3.4 CFRP表面粗糙度的评定参数与仿真实验分析 |
| 4.4 CFRP制孔内表面二维与三维粗糙度对比分析 |
| 4.5 本章小结 |
| 第五章 粗糙度测量系统平台搭建与实验 |
| 5.1 引言 |
| 5.2 硬件系统 |
| 5.3 软件系统 |
| 5.4 横向形貌分辨率标定 |
| 5.5 测量实验 |
| 5.5.1 纵向精度测量实验 |
| 5.5.2 粗糙度测量实验 |
| 5.5.3 CFRP制孔粗糙度测量实例 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）基于麦克风阵列的声源定位研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究历史及现状 |
| 1.3 基于麦克风阵列声源定位的基本方法概述 |
| 1.3.1 基于可控波束形成的声源定位方法 |
| 1.3.2 基于高分辨率谱估计的声源定位方法 |
| 1.3.3 基于时延估计的声源定位方法 |
| 1.4 论文结构和各章节内容安排 |
| 2 信号预处理和端点检测 |
| 2.1 预处理 |
| 2.1.1 消除趋势项和直流分量 |
| 2.1.2 幅度归一化 |
| 2.1.3 预滤波 |
| 2.1.4 加窗分帧 |
| 2.2 端点检测 |
| 2.3 本章小结 |
| 3 时延估计 |
| 3.1 引言 |
| 3.2 L_2/L_1-LP时延估计算法 |
| 3.3 改进的L_2/L_1-LP时延估计算法 |
| 3.3.1 建立优化模型 |
| 3.3.2 优化模型的解 |
| 3.4 仿真环境 |
| 3.5 结果与讨论 |
| 3.5.1 Im-L_2/L_1-LP参数值的设置 |
| 3.5.2 三种算法性能比较 |
| 3.6 本章小结 |
| 4 基于时延估计的定位算法 |
| 4.1 声源定位描述 |
| 4.2 建立定位模型 |
| 4.3 球形插值法 |
| 4.4 球形插值法的几何解释 |
| 4.5 麦克风阵列的拓扑结构 |
| 4.6 声源定位仿真实验 |
| 4.6.1 仿真环境 |
| 4.6.2 性能标准 |
| 4.6.3 结果与讨论 |
| 4.7 本章小结 |
| 5 实验 |
| 5.1 声音采集系统 |
| 5.1.1 麦克风阵列 |
| 5.1.2 同步数据采集卡 |
| 5.2 LabVIEW编程 |
| 5.3 声源定位系统介绍 |
| 5.4 实验与结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（7）基于自适应滤波的电力系统谐波检测分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 电网谐波的定义与危害 |
| 1.2.1 电网谐波的定义 |
| 1.2.2 电网谐波的危害 |
| 1.3 国内外研究现状及存在的问题 |
| 1.4 论文主要工作 |
| 第二章 卡尔曼滤波算法概述 |
| 2.1 卡尔曼滤波算法的基础理论 |
| 2.1.1 卡尔曼滤波算法的产生 |
| 2.1.2 贝叶斯滤波原理 |
| 2.1.3 卡尔曼滤波的基本算法 |
| 2.2 卡尔曼滤波算法特性分析 |
| 2.3 卡尔曼滤波算法的改进 |
| 2.4 卡尔曼滤波在谐波检测的应用 |
| 2.5 本章小结 |
| 第三章 基于自适应KF-ML滤波残差分析的电网谐波检测 |
| 3.1 电网谐波信号状态空间模型 |
| 3.2 自适应KF-ML的检测算法 |
| 3.2.1 自适应KF-ML的状态估计 |
| 3.2.2 自适应KF-ML的参数估计 |
| 3.3 基于自适应KF-ML滤波残差的谐波检测步骤 |
| 3.4 仿真验证及结果分析 |
| 3.4.1 幅值参数固定下的谐波干扰检测 |
| 3.4.2 幅值参数时变下的谐波幅值检测 |
| 3.4.3 幅值参数时变下的谐波干扰检测 |
| 3.5 扩展卡尔曼在基波频率检测的应用 |
| 3.6 本章小结 |
| 第四章 基于自适应PSO-GA的卡尔曼滤波谐波检测 |
| 4.1 粒子群遗传优化算法 |
| 4.1.1 粒子群优化算法 |
| 4.1.2 遗传算法 |
| 4.1.3 粒子群遗传优化算法 |
| 4.2 基于自适应PSO-GA的卡尔曼滤波原理 |
| 4.2.1 自适应PSO-GA滤波系统建模 |
| 4.2.2 自适应KF-ML的参数与状态估计 |
| 4.2.3 自适应PSO-GA优化算法 |
| 4.3 仿真验证及结果分析 |
| 4.3.1 幅值参数固定下的谐波幅值检测 |
| 4.3.2 幅值参数时变的谐波幅值检测 |
| 4.3.3 谐波干扰下的电压暂降检测 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间完成的论文及获得的专利 |
| 附录B 攻读硕士学位期间参与的项目 |
（8）基于奥米亚棕蝇听觉耦合机制的时延放大系统与声定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 声源定位方法研究概况 |
| 1.2.1 传声器阵列声源定位方法 |
| 1.2.2 时延估计方法 |
| 1.3 奥米亚棕蝇听觉系统研究概况 |
| 1.3.1 解剖学研究 |
| 1.3.2 力学特性研究 |
| 1.4 奥米亚棕蝇听觉系统的仿生学研究概况 |
| 1.5 目前存在的问题及本文研究内容 |
| 1.5.1 目前存在的主要问题 |
| 1.5.2 本文的主要研究内容 |
| 第二章 仿生耦合力学模型研究 |
| 2.1 引言 |
| 2.2 二维耦合模型研究 |
| 2.2.1 二维耦合模型的建立 |
| 2.2.2 二维耦合模型的时延放大特性分析 |
| 2.2.3 二维耦合模型的参数设计 |
| 2.3 高维耦合模型研究 |
| 2.3.1 高维耦合模型的建立 |
| 2.3.2 高维耦合模型的时延放大特性分析 |
| 2.3.3 频率偏移的影响 |
| 2.3.4 高维耦合模型的参数设计 |
| 2.4 耦合模型的仿真分析 |
| 2.4.1 耦合模型的响应求解 |
| 2.4.2 二维耦合模型的仿真分析 |
| 2.4.3 高维耦合模型的仿真分析 |
| 2.5 本章小结 |
| 第三章 基于耦合模型的时延放大系统研究 |
| 3.1 引言 |
| 3.2 时延放大系统构成 |
| 3.3 耦合模块(CM) |
| 3.3.1 耦合模型的等效信号流程图 |
| 3.3.2 传递函数的设计 |
| 3.3.3 时延放大特性分析 |
| 3.3.4 耦合模块的仿真分析 |
| 3.4 滤波器(Filter) |
| 3.5 时延估计模块(TDEM) |
| 3.6 延时器 |
| 3.6.1 时延放大单元中的延时器(DU) |
| 3.6.2 系统末端的延时器(TDU) |
| 3.7 时延放大系统研究 |
| 3.7.1 信号处理流程 |
| 3.7.2 时延放大特性分析 |
| 3.7.3 时延估计性能分析 |
| 3.8 本章小结 |
| 第四章 基于时延放大系统的声源定位研究 |
| 4.1 引言 |
| 4.2 接收阵列的设计 |
| 4.2.1 近场与远场 |
| 4.2.2 阵列的布置 |
| 4.2.3 阵元间距 |
| 4.3 单声源定位研究 |
| 4.4 多声源定位研究 |
| 4.4.1 互相关图时延估计方法 |
| 4.4.2 时延放大系统联合互相关图方法 |
| 4.4.3 多声源定位仿真分析 |
| 4.5 本章小结 |
| 第五章 声源定位实验研究 |
| 5.1 引言 |
| 5.2 实验内容 |
| 5.3 实验方法 |
| 5.4 实验准备 |
| 5.4.1 实验平台设计与搭建 |
| 5.4.2 传声器选择与布置 |
| 5.4.3 近场与远场 |
| 5.4.4 方位校准 |
| 5.5 实验结果 |
| 5.5.1仿生耦合模型放大规律验证实验 |
| 5.5.2 时延放大系统的时延放大特性验证实验 |
| 5.5.3 时延放大系统的时延估计性能验证实验 |
| 5.5.4 时延放大系统的声定位效果验证实验 |
| 5.6 结果讨论 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的学术成果 |
（9）基于数学形态学的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 滚动轴承故障机理的研究现状 |
| 1.2.2 滚动轴承故障特征提取方法的研究现状 |
| 1.2.3 滚动轴承智能故障诊断方法的研究现状 |
| 1.3 数学形态学在故障诊断领域的研究现状 |
| 1.3.1 数学形态学的发展历程 |
| 1.3.2 数学形态学在故障特征提取中的研究现状 |
| 1.3.3 数学形态学在智能故障诊断中的研究现状 |
| 1.4 论文主要内容和技术路线 |
| 第2章 数学形态学基本理论与滤波特性研究 |
| 2.1 引言 |
| 2.2 数学形态学基本理论 |
| 2.2.1 基本形态学算子的定义 |
| 2.2.2 基本形态学算子的性质 |
| 2.2.3 新形态学算子的定义 |
| 2.2.4 不同形态学算子的仿真分析 |
| 2.3 数学形态学的滤波特性研究 |
| 2.3.1 基本形态学算子的滤波特性 |
| 2.3.2 新形态学算子的滤波特性 |
| 2.3.3 结构元素参数自适应优化 |
| 2.4 仿真信号研究 |
| 2.4.1 轴承故障仿真信号模型 |
| 2.4.2 参数优化CMFH变换分析 |
| 2.4.3 与STH变换和小波滤波对比分析 |
| 2.4.4 与ACDIF方法对比分析 |
| 2.4.5 结构元素参数对分析结果的影响 |
| 2.5 本章小结 |
| 第3章 基于特征选择框架多尺度形态学的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 多尺度形态学基本理论 |
| 3.2.1 常见多尺度形态学算子 |
| 3.2.2 多尺度组合形态-hat变换 |
| 3.2.3 仿真研究 |
| 3.3 灰色关联分析 |
| 3.4 基于特征选择框架的多尺度形态学分析 |
| 3.4.1 多域特征介绍 |
| 3.4.2 敏感特征选择 |
| 3.4.3 基于特征选择框架的多尺度形态学分析流程 |
| 3.5 仿真信号分析 |
| 3.5.1 外圈故障信号模拟 |
| 3.5.2 内圈故障信号模拟 |
| 3.5.3 对外、内圈故障模拟信号分析 |
| 3.5.4 与单一特征MMA的对比研究 |
| 3.6 滚动轴承故障信号分析 |
| 3.6.1 轴承故障数据简介 |
| 3.6.2 外圈故障信号分析 |
| 3.6.3 内圈故障信号分析 |
| 3.6.4 对比方法研究分析 |
| 3.7 本章小结 |
| 第4章 基于增强尺度形态顶帽乘积滤波的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 传统多尺度形态学滤波方法 |
| 4.2.1 传统MMF的原理思想 |
| 4.2.2 传统MMF中存在的问题 |
| 4.3 增强尺度形态顶帽乘积滤波方法 |
| 4.3.1 多尺度形态顶帽乘积算子 |
| 4.3.2 对角切片谱的定义 |
| 4.3.3 对角切片谱的性质 |
| 4.3.4 增强尺度形态顶帽乘积滤波方法流程 |
| 4.4 仿真信号分析 |
| 4.4.1 外圈故障仿真信号分析 |
| 4.4.2 内圈故障仿真信号分析 |
| 4.4.3 与不同分析方法的对比研究 |
| 4.5 实测轴承故障信号分析 |
| 4.6 本章小结 |
| 第5章 基于广义多尺度形态梯度谱熵的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 数学形态谱的基本理论 |
| 5.2.1 多尺度形态梯度分析 |
| 5.2.2 形态谱和形态谱熵的定义 |
| 5.2.3 形态梯度谱和形态梯度谱熵 |
| 5.2.4 仿真对比分析 |
| 5.3 广义多尺度形态梯度谱熵 |
| 5.3.1 样本熵的定义 |
| 5.3.2 多尺度熵的定义 |
| 5.3.3 广义多尺度形态梯度谱熵 |
| 5.4 基于广义多尺度形态梯度谱熵的故障诊断方法 |
| 5.4.1 基于拉普拉斯分值的特征选择 |
| 5.4.2 基于极限学习机的故障识别 |
| 5.4.3 基于GMPGSE的故障诊断方法流程 |
| 5.5 实例验证 |
| 5.6 本章小结 |
| 第6章 数学形态学方法在滚动轴承故障诊断中的应用研究 |
| 6.1 引言 |
| 6.2 实验方案介绍 |
| 6.2.1 实验系统描述与数据采集 |
| 6.2.2 故障信号的直接解调谱分析 |
| 6.3 实验应用研究 |
| 6.3.1 基于参数优化组合形态-hat变换算法验证 |
| 6.3.2 基于特征选择框架多尺度形态学算法验证 |
| 6.3.3 基于增强尺度形态顶帽乘积滤波算法验证 |
| 6.3.4 不同特征提取算法的比较与讨论 |
| 6.3.5 基于广义多尺度形态梯度谱熵算法验证 |
| 6.4 工程应用实例 |
| 6.4.1 风电机组传动系统描述与数据采集 |
| 6.4.2 风机轴承故障检测 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（10）基于电刺激信号信噪比的人工耳蜗降噪算法研究（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 听觉系统与人工耳蜗 |
| 1.2.1 听觉原理与听力损伤 |
| 1.2.2 人工耳蜗 |
| 1.3 正常听觉与CI植入者听觉 |
| 1.4 国内外研究进展 |
| 1.5 本文主要内容及文章结构 |
| 第2章 人工耳蜗言语处理策略及降噪算法 |
| 2.1 人工耳蜗言语处理策略 |
| 2.1.1 连续间隔采样策略 |
| 2.1.2 高级混合编码 |
| 2.2 语音降噪算法 |
| 2.2.1 维纳滤波降噪算法 |
| 2.2.2 参数维纳滤波降噪算法 |
| 2.3 噪声估计算法 |
| 2.3.1 最小值统计噪声估计算法 |
| 2.3.2 改进的最小值控制递归平均算法 |
| 2.4 人工耳蜗降噪算法 |
| 2.5 语音降噪算法的性能评估 |
| 2.5.1 语音质量的评价 |
| 2.5.2 语音可懂度的评价 |
| 2.6 总结与讨论 |
| 第3章 基于电刺激信噪比的CI降噪算法 |
| 3.1 本文算法框架 |
| 3.2 CI电刺激信号的信噪比估计 |
| 3.2.1 理想情况下的信噪比估计 |
| 3.2.2 CI声-电信号信噪比映射 |
| 3.3 基于增益函数的噪声抑制算法 |
| 3.3.1 维纳增益函数 |
| 3.3.2 参数维纳增益函数 |
| 3.4 总结与讨论 |
| 第4章 基于电刺激信号信噪比的CI降噪算法的客观分析 |
| 4.1 CIS言语处理算法的声码器仿真 |
| 4.2 语音评价指标WSS和 NCM |
| 4.2.1 加权谱斜率(WSS)距离 |
| 4.2.2 归一化协方差评价方法(NCM) |
| 4.3 基于仿真声的降噪效果客观分析 |
| 4.3.1 包络效果分析 |
| 4.3.2 语谱图效果分析 |
| 4.3.3 WSS和 NCM评估 |
| 4.4 总结与讨论 |
| 第5章 基于电刺激信号信噪比的CI降噪算法的主观听觉实验 |
| 5.1 仿真声SRT实验 |
| 5.1.1 实验素材和实验对象 |
| 5.1.2 实验方法 |
| 5.1.3 实验结果 |
| 5.1.4 分析与讨论 |
| 5.2 仿真声言语识别实验 |
| 5.2.1 实验方法 |
| 5.2.2 个体言语识别率结果分析 |
| 5.2.3 平均言语识别率结果分析 |
| 5.2.4 分析与讨论 |
| 第6章 信噪比估计和降噪算法对实验效果影响的分析与讨论 |
| 6.1 电刺激信号信噪比估计对降噪效果的影响客观分析 |
| 6.1.1 包络效果分析 |
| 6.1.2 语谱图分析 |
| 6.1.3 WSS和 NCM评估 |
| 6.2 降噪算法对降噪效果的影响理论分析 |
| 6.3 总结与讨论 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、算术平均值滤波器抗噪性能分析及应用（论文参考文献）
- [1]基于Android平台的网点图像边缘检测系统的设计与实现[D]. 王文娟. 北京印刷学院, 2021(09)
- [2]基于卷积神经网络的双耳声定位研究[D]. 马康宇. 东南大学, 2020(01)
- [3]微电机教学平台的设计与应用[D]. 赵仁鑫. 湖南大学, 2020(07)
- [4]禽蛋动态称重算法及嵌入式软件研究[D]. 郦超杰. 浙江大学, 2020
- [5]基于对焦显微法的CFRP制孔粗糙度测量技术研究[D]. 韦号. 南京航空航天大学, 2020
- [6]基于麦克风阵列的声源定位研究[D]. 贺良. 西南科技大学, 2020(08)
- [7]基于自适应滤波的电力系统谐波检测分析[D]. 崔永林. 长沙理工大学, 2020(07)
- [8]基于奥米亚棕蝇听觉耦合机制的时延放大系统与声定位研究[D]. 张雅琼. 上海交通大学, 2019(06)
- [9]基于数学形态学的滚动轴承故障诊断方法研究[D]. 鄢小安. 东南大学, 2019
- [10]基于电刺激信号信噪比的人工耳蜗降噪算法研究[D]. 邵小伟. 深圳大学, 2019(09)