舰船RCS特征提取与GA-BP神经网络分类研究

在典型舰船RCS的FEKO仿真数据基础上,提取均值、标准差、变异系数、平滑系数4种RCS数字特征作为BP神经网络的分类特征向量,进行目标分类仿真实验.实验结果显示,由于BP神经网络采用梯度下降法,其初始权值、阀值的随机设置会导致BP神经网络易陷入局部极小,为此,本文研究采用遗传算法对BP网络节点权值和阀值进行优化选择,仿真实验结果显示采用遗传算法优化后的BP神经网络分类识别性能稳定,不易陷入局部极小.     

基于机器视觉的船舶吃水线自动检测方法分析

传统的船舶吃水线自动检测方法自动化水平较低,无法获取精准的检测结果。为了解决该问题,提出基于机器视觉的船舶吃水线自动检测方法。从机器视觉系统提取吃水异常数据,在采用修正思想对船舶吃水异常数据进行补偿,在此基础上,应用定量分析表,设置船舶吃水线自动检测标准,待完成上述操作步骤后,对船舶吃水线进行自动检测,由此完成基于机器视觉的船舶吃水线自动检测方法的设计。实验选择在水质较为清晰的水域,并随机选取8个实验参数,对2种检测方法进行实验对比,实验结果表明,所提方法的自动检测结果更精准。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

Cat Boost算法在舰船轴承故障诊断领域的应用

轴承是舰船故障发生的常见位置,针对现有机器学习方法在舰船轴承故障诊断领域中存在多分类精度差、运算效率低等问题,提出一种基于Cat Boost(category boosting)算法的轴承诊断技术。首先,对振动信号进行时域分析、频域分析以及EMD(empirical mode decomposition)分解,得到截选振动信号段的特征指标;其次,利用Cat Boost算法在所提取特征中进行筛选,通过基尼指数快速建立树结构并进行排序。最后,选取不同维数特征输入进行模型算法评价,并与传统方法分类的准确率进行对比。试验结果表明,该方法在处理滚动轴承故障多分类问题上故障特征提取更为有效,识别效果明显高于其他传统算法。     

牵引电机定子绝缘局部放电试验和可靠性评估

针对牵引电机定子绝缘局部缺陷问题,基于局部放电脉冲电流法,提出了一种可用于评估牵引电机定子绝缘可靠性的方案。根据电机定子绝缘的4种放电类型建立了放电模型,通过放电模型的局部放电试验获取了不同放电类型的相位谱图和放电脉冲,对典型放电相位谱图和脉冲特征进行了分析;提取了相位谱图的特征序列,采用BP神经网络对放电类型进行分类,并根据放电幅值的大小划分定子绝缘安全等级,提出定子绝缘评估方案;搭建了局部放电试验平台,对牵引电机试验样机的定子绝缘性能进行了局部放电测试。文章提出的定子绝缘可靠性评估方案可有效评估电机定子绝缘的局部放电缺陷类型和放电强度,对分析电机的绝缘状况具有一定的通用性和指导意义。     

基于帧间隔-总线电压混合特征的汽车ECU伪装攻击识别

汽车的网联化和智能化发展提高了汽车内部总线CAN(controller aera network)网络被入侵的风险。不像以太网具有完善的身份认证机制和加密传输协议，总线CAN网络采用明文传输数据，其报文非常容易被非法ECU窃取和攻击。因此，如何设计车载的入侵检测系统识别ECU的非法篡改和伪装攻击成为当前汽车网络安全研究的重点和难点。基于此，本文提出了基于帧间隔-总线电压混合特征提取的汽车ECU伪装攻击识别技术。首先，借助嵌入式设备的时间戳机制获取报文帧的帧间隔时间；同时，采样汽车总线网络的电压信号，并采用快速信号处理技术获取总线电压的特征参数（如电压众数和边沿时间等），以此构建ECU识别的指纹特征（即混合特征参数，包含帧间隔时间、电压众数、位时间、边沿时间等）。然后，利用轻量化的Softmax学习算法训练IDS模型并在线识别潜在的伪装攻击等非法入侵行为。为了验证所提方法的有效性，本文开展了基于ECU设备的硬件试验测试；结果表明，所提方法对所有合法ECU的识别精度高达98.33%，即可以通过甄别报文消息源头判断非法入侵；并且相较于传统的基于单特征指纹的方法，本文所提方法能够提高7%左右的...     

采用改进多尺度符号动力学熵的铁路机车轴承故障诊断

针对铁路机车轴承在真实复杂环境下故障特征难以提取而导致故障诊断困难的问题，提出一种改进多尺度符号动力学熵（IMSDE）的铁路机车轴承故障诊断方法。首先，通过邻域滑移均值化的方式改进多尺度符号动力学熵，克服了传统粗粒化造成的熵值偏差缺陷；然后，利用IMSDE充分提取振动信号在不同尺度下的关键故障特征；最后，结合极限学习机（ELM）实现铁路轴承不同故障类型与程度的识别。在此基础上，分别进行了3组试验分析。结果表明，对人为构造的轴承故障和工程实际产生的轴承故障，该方法都具有精准的故障识别效果，对比其他4种方法故障识别率更高，验证了该方法具有一定的工程实际应用价值。     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。     

基于CEEMDAN与KFCM聚类的转辙机退化状态识别方法

针对道岔转换设备在使用寿命内的功率信号特征提取与退化状态识别问题，提出基于自适应白噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）与核模糊C均值聚类（Kernel-based Fuzzy C-Means clustering,KFCM）相结合的转辙机退化状态识别方法。首先，对S700K转辙机采集的功率曲线数据进行模态分解，得到多个固有模态函数（Intrinsic Mode Functions,IMFs），通过IMFs的能量幅值获得表征数据退化过程的特征向量；然后，由KFCM算法对特征向量进行转辙机退化状态识别，并进行状态划分；最后，通过计算分类系数和平均模糊熵对该方法的分类性能进行综合评估，并与模糊C均值聚类（Fuzzy C-Means clustering,FCM）和GK (Gustafson Keseel)聚类算法进行比较。结果表明：该方法聚类效果准确率达95.6%，优于FCM和GK聚类算法，能对转辙机的退化状态进行科学划分，为铁路现场道岔设备健康状态监测提供...     

AUV海底地形匹配导航方法综述

基于智能水下机器人（AUV）导航任务需求与战略规划，总结国内外海底地形匹配导航技术研究现状，分析海底地形匹配导航系统应用中所需的关键技术及解决途径，包括滤波算法、地形特征提取和测深数据处理等。系统性归纳海底地形匹配导航的前沿方向，并结合我国的研究现状与发展需求展望海底地形匹配导航未来的发展方向，即发展高精度水下激光测距地形测绘设备、发展低分辨率先验海图下的海底地形匹配导航算法，以及通过深度学科交叉趋势提升海底地形匹配导航的精度、效率和鲁棒性。