基于复五阶累积量的高次耦合特征提取算法

非线性振动系统产生的二次频率耦合特征能用三阶累积量提取,三次频率耦合特征、双对频率耦合特征能用四阶累积量提取,高于三次的频率耦合特征的提取,未见报道。本文首次定义了四次频率耦合、二三对频率耦合等概念,推导了五阶累积量直接估计公式,给出了平稳复随机过程五阶累积量定义的两类主要形式,研究了五阶累积量特征,分析了其递推估计与计算量的关系,构造了基于五阶累积量的自适应谱线增强器,该增强器可从高斯噪声环境中恢复或提取高次耦合特征。理论分析与仿真结果验证了算法的有效性。     

LSTM Encoder-Decoder方法预测设备剩余使用寿命

应用LSTM Encoder-Decoder提出了机械设备剩余使用寿命预测方法;对获取的传感器数据进行预处理,利用LSTM Encoder对数据序列进行编码,得到设备状态信息的中间表示,其中蕴含了设备状态的特征信息,利用LSTM Decoder对中间表示信息进行解码,利用解码后的信息预测剩余使用寿命;研究了LSTM Encoder-Decoder方法在公开的C-MAPSS数据集上的剩余使用寿命预测试验,与LSTM、D-LSTM等方法进行了对比试验;研究了不同滑动窗口大小对于剩余寿命预测结果的影响。研究结果表明:LSTM Encoder-Decoder方法的剩余使用寿命预测结果的评分函数值和均方根误差均优于LSTM、D-LSTM方法;在FD001子集上,LSTM Encoder-Decoder方法、LSTM方法和D-LSTM方法对应的均方根误差分别为11、12、16;当滑动窗口大小为30时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为164、3 012、372、4 800,对应的均方根误差分别为11、20、14、22;当滑动窗口大小为40时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为305、1 220、408、4 828,对应的均方根误差分别为14、16、15、19。可见,提出的LSTM Encoder-Decoder方法是一种有效的预测机械设备剩余使用寿命方法,并且滑动窗口大小对于剩余使用寿命预测结果存在一定的影响。      

模糊支持向量机和独立成分分析在人脸识别中的应用

将独立成分分析(ICA)、模糊支持向量机(FSVM)以及三叉决策树相结合并应用于人脸识别。首先对人脸图像做独立成分分析，提取有利于分类的面部特征的主要独立成分，然后在特征空间中，用FSVM和三叉决策树相结合设计人脸分类器。在ORL人脸库上的实验结果表明，该算法能够取得较好的分类效果。     

电气化铁路馈线故障特征提取方法研究

继电保护装置在保证电气化铁路牵引供电系统的可靠运行方面发挥着重要作用。针对牵引馈线短路瞬间电流波形发生畸变的"形态"特征,用偏度与峰度进行定量描述,提出牵引网暂态保护新方法。用牵引变电所故障录波数据进行检验,获得令人满意的判断结果。     

车底图像局部不变特征信号提取SIFT算法对比分析

为实现机车车底图像局部不变特征信号提取,比较了3种新兴的SIFT改进算法:GS-SIFT算法、RIT-SIFT算法和Harris-SIFT算法,对3种改进算法的准确性、实时性和高效性进行评价。应用基于SIFT的改进算法对火车机车车底实际图像进行处理,提取局部不变特征值,改进算法针对机车车底图像具有很好的适用性和准确高效性。     

一种改进的不变矩方法在图像目标识别中的应用

分析了离散状态下比例因子对不变矩的影响，采用一种改进的不变矩算法来提取识别对象的不变量，利用计算出的不变矩特征量来训练BP网络，进行待识别对象的分类。实例计算表明这种识别方法有良好的分类效果，具有一定的利用价值。     

基于图像的车道线内车辆目标识别

为了获取本车道内前方车辆信息,文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域,结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域,针对假想区域进行HOG特征提取,构建车辆正、负样本库,将假想区域进行HOG特征输入到训练好的SVM识别器,实现车辆目标的识别。通过大量测试图像进行验证,结果表明文章采用的方法可识别出本车道内前方车辆目标。     

手写体蒙古文字识别——切分技术的研究

针对蒙古文字连笔的特殊书写特征,本论文主要论述了手写体蒙古文字识别的切分技术。我们依次采用了去除噪声的预处理技术、基于粗分类和细分类特征提取技术,以及结合了蒙古文自身结构特征的切分技术等。基于以上技术,我们开发出一个蒙古文字切分实验系统。实验结果表明,蒙古文单词平均准确切分率达到80%,系统整体性能良好稳定,切分率初步达到实用化水平。     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法

[目的]针对多分量、强背景噪声下滚动轴承故障特征提取困难的问题,提出一种将改进傅里叶模态分解(MFMD)和频带熵(FBE)分析相结合的滚动轴承故障特征提取方法.针对傅里叶分解(FDM)在强背景噪声下边界频率偏移和过分解等问题,提出频带熵和包络谱相结合的敏感频带和敏感模态分量选取方法.[方法]首先,通过FBE分析选取频带...