共查询到10条相似文献,搜索用时 78 毫秒
1.
2.
传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。 相似文献
3.
为了提高舰船电磁兼容数据库索引结构安全性评估的准确度,提出新型评估方法。根据索引结构特征,建立评估模型,划分当前索引结构安全态势级别,以此建立模型状态安全评价指标的对应评估权值,在传统D-S融合策略的基础上,引入指标权重,对数据库索引评价集进行归一化处理,建立安全评价集,明确当前数据库索引的实际威胁等级,实现对舰船兼容数据库索引的安全评估。实验数据证明,针对TCC非法登录攻击,设计的评估方法比传统方法评估准确率提高37%,针对TSRS漏洞攻击,评估准确率提高29%,可以证明该方法真实有效。 相似文献
4.
[目的]船舶柴油机状态信息数据普遍存在类别不均衡的问题,非均衡数据集降低了基于数据驱动的故障诊断模型对柴油机健康状况自动识别的准确性。因此,提出基于样本间概率相似性的图卷积网络(GCN)模型,以解决非均衡数据集分类问题。[方法]首先,引入Kullback-Leibler散度来计算样本间的概率相似性,以挖掘样本间的非线性关系,将各个样本间的相似性用构造概率图的拓扑结构体现。然后,利用图学习对样本特征及邻近样本特征进行聚合和提取,为非均衡数据集的分类提供更多的信息。最后,通过构造多层图卷积层,对样本特征信息进行更深层次的挖掘。[结果]仿真及台架实验表明,所提出的图卷积网络能够有效地学习更多样本信息,通过聚合邻近样本信息来提高非均衡数据集分类的准确率。[结论]该模型的召回率和精确率均高于其他分类模型,具有一定的工程应用价值。 相似文献
5.
6.
针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题,本文提出了一种新型的自监督学习框架用于机电设备的故障诊断,挖掘无标签数据集中的特征信息,以提高模型的分类能力。首先,通过KNN算法,将采集到的无标签数据集划分为正类样本和负类样本,并通过添加噪声的方法对原始数据进行数据增强,以此构造自监督任务。然后,设计基于卷积神经网络的编码器,根据正类、负类的伪标签,来提取无标签数据中的监督信息。最后,基于小样本的标签数据,通过编码器得到新的特征表征,对分类模型进行参数微调,提高模型精度。船舶柴油发电机故障实验证明,该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型。 相似文献
7.
为了有效地提取船舶噪声数据库中数据,提出一种基于DBSCAN算法的船舶噪声数据库中自动快速筛选数据方法。采用DBSCAN方法识别数据库中的数据分布特征并排除异常数据,利用数据值筛选特征,通过数据增益率对特征进行加权,计算船舶噪声数据库中聚类质心的距离来提取出噪声数据。采用扰动支持噪声数据代价函数的方法测量数据特征的分类贡献度,进而建立噪声数据特征指数,对噪声数据特征指数以递归方法进行噪声数据特征排序和优化筛选。实验仿真证明,所提方法能够有效地自动快速筛选数据,筛选出来的数据质量较高。 相似文献
8.
9.
10.
为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率. 相似文献