基于判别字典学习的电能质量扰动识别方法

电能质量扰动识别方法通常是先通过数字信号处理工具对信号进行检测和特征提取,再采用人工智能方法对特征进行分类识别,增加了识别过程的复杂性和冗余性。提出一种基于判别字典学习(DDL)的稀疏表示电能质量扰动识别方法,可有效减少识别步骤、降低复杂性,并提高识别率。该方法首先采用主成分分析方法将K类扰动训练样本集降维为扰动降维特征训练样本集,由各类样本分别训练出冗余子字典,然后级联成判别字典。接着基于l0范数算法求解出降维测试信号在该判别字典下的稀疏表示矩阵,最后利用不同的冗余子字典重构测试样本,由冗余残差最小值确定目标归属类,实现对电能质量扰动信号的识别。仿真实验结果表明该方法能有效地对不同电能质量扰动进行识别,过程简单、数据量少、抗噪声鲁棒性好,在信噪比20 d B以上的噪声环境中电能质量扰动识别准确率达到95%以上。     

基于S变换与PNN的电能质量多扰动检测

针对电能质量检测与分类需求,提出了一种基于S变换与概率神经网络的电能质量扰动检测和分类方法,应用S变换对电能质量扰动样本信号进行时频分析,提取信号的特征量,利用获得的特征量训练概率神经网络,并进行分类.仿真实验证明基于S变换与概率神经网络融合的电能质量多扰动分类方法训练速度快、分类准确度高,在训练样本数少、噪声影响大和多扰动信号并存时分类识别效果好.在此基础上研制了基于虚拟仪器的电能质量扰动检测系统,给出了系统构成与工作流程,现场试验验证了系统的准确性.     

基于S变换和人工神经网络的电能质量扰动识别

本文提出了一种基于S变换和人工神经网络的电能质量扰动识别方法.首先通过S变换对电能质量扰动信号进行时频分析,实现了各种扰动的有效检测,然后对该检测输出信号进行特征提取,得到包含扰动时频特性的训练和测试样本集,并运用人工神经网络进行扰动训练识别,最终实现电能质量扰动信号的自动分类.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动.     

基于不完全S变换和改进SVM的电能质量分类方法

随着社会的高速发展，各式各样的负载接入电网，单一扰动形式的电能质量问题，已被多扰动复合类型的电能质量问题取代。这无疑增加了电能质量问题特征提取与分类精度提升的难度。针对此问题，提出了基于不完全S变换和改进SVM的特征提取与分类方法。首先利用不完全S变换处理电能质量信号，对矩阵求模后从模矩阵中选取特征向量，组建特征矩阵，并利用递归特征消除选取重要特征。利用改进天牛须搜索算法（CBAS）优化支持向量机（SVM）的两个重要参数惩罚因子c和核函数参数g，将所选特征及优化后的SVM构建扰动分类器。根据实验表明，该方法准确率高，运行时间短，能够识别多种复合信号在内的扰动类型。根据对比，的分类效果明显优于随机森林（RF）、粒子群优化支持向量机（PSO-SVM）等常用方法。在不同信噪比条件下，具有良好的鲁棒性及抗噪能力，对电能质量扰动分类的研究具有重要意义。     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

复杂噪声环境下电能质量复合扰动特征选择

为满足复杂噪声环境下海量电能质量信号高效分类需要,提出一种可应用于复杂噪声环境的电能质量信号特征选择新方法。首先,采用贝叶斯优化方法优化随机森林参数;之后,以具有随机噪声的原始特征向量训练随机森林分类器,训练过程中通过Gini重要度量化比较各特征分类效果;然后,采用序列前向搜索方法,以分类准确率为主要标准,兼顾特征维数,确定最优特征子集;最后,以最优特征子集建立随机森林分类器,识别15种电能质量信号。仿真对比实验证明,在信噪比30 d B以上噪声环境下,新方法分类准确率在99.33%以上,20 d B噪声环境下分类准确率为94.60%。此外,通过葡萄牙某配电网实测电能质量数据开展实验,证明了新方法在实际工业应用中的有效性。     

化工系统海量数据的扩散映射和异常辨识

为充分提取化工系统中的故障特征以辨识故障类型,提出针对动态系统海量数据的故障分类方法。该方法利用扩散映射算法与扩散映射的线性增量算法,对高维空间中的化工系统运行数据进行降维,提取出数据中的低维流形特征。利用降维后的故障样本训练支持向量机多类分类器,实现系统在线数据异常辨识。通过田纳西—伊斯曼仿真数据和实际生产运行数据验证了方法的可行性和高效性。与其他类似分类方法对比,该方法具有更高的分类精度。     

基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别

针对天然气管道泄漏受孔径、传感器距离、管道内压力等多种因素影响,特征提取及识别算法较为复杂的问题,提出了基于总体局域均值分解-相对熵的特征提取算法并结合稀疏表示分类的泄漏孔径识别新方法。该方法采用总体局域均值分解方法对泄漏信号进行自适应分解,得到不同孔径泄漏信号的特征信息,并根据KL散度选择包含主要泄漏信息的PF分量,在此基础上提取多种时频特征参数,获取全面准确表征泄漏信号的特征向量;针对小样本复杂信号的分类,提出稀疏表示分类器实现泄漏孔径准确分类。该分类器采用过完备字典求得测试信号的最稀疏解,并以此解作为测试信号的稀疏重构系数,以获取测试信号在不同类别中的重构信号,最终通过判断测试信号与重构信号的残差值大小完成泄漏孔径分类。实验结果表明,所提出的算法比传统的SVM及BP分类算法识别准确率高。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于核切片逆回归的轴承故障特征提取

针对高维小样本数据在构造分类模型时容易产生过拟合现象及特征物理量间的非线性关系,采用核切片逆回归(KSIR)特征提取方法,首先采用核函数将样本数据从低维不可分空间映射到高维可分空间,然后结合类别先验信息进行切片分组,将映射样本向有效降维方向投影实现数据的综合降维。将KSIR与核主成分分析(KPCA)同时应用于轴承故障模式分类,结果表明:KSIR在选取合适参数后不仅适应数据间的非线性关系,而且能以更少、解释能力更强的特征向量取得更高的分类精度,较KPCA有更强的类间区分和特征提取能力。     

原油含水率红外光谱测量的超稀疏表示方法

油水混合物的光谱分析方法已经成为当前油水两相流测量的研究热点。然而,传统的油水混合物光谱分析中,一般是通过主成分分析、连续投影算法等降维技术实现其光谱特征提取,所提取光谱数大多在10条以上,这使得油水两相测量光纤式传感器的制造成本很高且工程实现难度很大。为提高基于光谱分析的油水两相测量光纤式传感器的实用性,需要实现油水两相红外光谱的超稀疏表示。为此提出了油水混合物光谱自-互相关联合(self-cross correlation,SCC)的光谱超稀疏表示方法。为了验证方法的有效性,搭建了油水混合物红外光谱含水率测量实验装置,从SCC算法筛选出的6个波段中,根据实际生产工艺选择了1 050 nm和1 650 nm波段进行动态实验,实验结果表明,1 050 nm和1 650 nm波段对油和水的混合流型响应良好,且两者呈现出了显著的互相关性。显然,本文研究有助于提升工业光纤式传感器的使用性能。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines，简称 SNP-DELM））的滚动轴承故障诊断方法。首先，将极限学习机（extreme learning machine，简称ELM）与自编码器（autoencoder，简称AE）相结合，提出一种ELM-AE的结构，利用自编码器对极限学习机的隐含层进行分层；其次，将稀疏与近邻思想融入深层网络中，在投影过程中，通过稀疏表示保持数据的全局结构，通过近邻表示保持数据的局部流形结构，无监督地逐层提取数据的深层特征；最后，通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验，并与ELM、堆叠降噪自编码器（stacked autoencoder，简称SAE）、深层极限学习机（deep extreme learning machine，简称DELM）、卷积神经网络（convolution neural network，简称CNN）等方法进行对比，实验结果表明，SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

基于稀疏表示分类的说话人识别算法及其在智能考勤系统中的应用

智能考勤系统在企业对员工的出勤考查中具有十分重要的作用。为了提高语音考勤系统的准确性,提出基于稀疏表示的说话人识别算法。该算法在通用背景模型的基础上提取说话人语音的高斯混合模型超向量,采用线性判别分析技术对超向量进行信道补偿和降维,再由低维超向量形成稀疏表示的过完备字典。根据话者测试语音在过完备字典上的重构误差,对话者的身份进行验证。实验结果表明,基于稀疏表示分类的语音考勤系统具有良好的性能。     

L1 Graph联合转换学习多观测样本分类算法

不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1 Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1 Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS Binary数字数据库、Three Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。     

压缩感知理论测量矩阵研究

压缩感知理论突破传统的奈奎斯特采样定律对数据进行采集,其研究的核心问题是随机测量矩阵的设计和恢复重构算法。本文主要将压缩感知理论应用于数字图像处理领域,在对压缩感知进行系统研究的基础上,主要分析了常用随机高斯测量矩阵对图像还原算法的影响,结合矩阵的相关性构造了由测量矩阵和稀疏矩阵所决定的格拉姆(Gram)测量矩阵,并对其进行相关性阈值和缩放处理。使用优化改进后的测量矩阵能获取更多有信息量的测量值,进而完成对测量值的优化,最后结合不同的恢复重构算法在MATLAB环境下对改进方法进行仿真验证,仿真结果证实了改进方法的正确性,具有较高的研究和实用价值。     

基于模态分量优化重构和稀疏表达的 静电信号联合降噪方法

航空发动机静电监测技术表现出了较高的故障预警能力,但原始静电信号常包含较多噪声,为提高故障信息提取的准确性,必须对静电信号进行降噪处理。本研究首先介绍了静电监测技术的原理,分析了信号的噪声的来源和主要构成;针对静电信号耦合噪声滤除问题,引入了信号稀疏表达和经验模态分解理论,研究了模态分量的筛选依据和相关准则,并提出了一种基于模态分量优化重构和稀疏表达的联合降噪算法和具体流程;利用所提方法对涡扇发动机试车实验中采集的实际静电信号进行了降噪效果验证,并与其它方法进行了对比。结果表明本文方法在滤除随机噪声以及工频干扰的同时能更高程度的保留有用异常颗粒信号,稀疏迭代次数在设置为20～50时均能够较好提取异常信号。     

Bearing remaining useful life estimation based on time–frequency representation and supervised dimensionality reduction

The extraction of ideal age feature is a challenging task in vibration-based bearing remaining useful life (RUL) estimation. Aiming at this problem, a new approach is proposed on the basis of time–frequency representation (TFR) and supervised dimensionality reduction. Firstly, S transform and Gaussian pyramid are employed to obtain TFRs at multiple scales. Textural features of TFRs are used as the high-dimensional features. Then, a two-step supervised dimensionality reduction technique, i.e. principal component analysis (PCA) plus linear discriminant analysis, is employed to reduce the dimensionality, in which the target dimension and number of classes are taken as variable parameters. Finally, the simple multiple linear regression model is utilized to estimate the RUL. Experimental results indicate that the proposed approach outperforms the methods using traditional statistical features and/or PCA. Additionally, variable conditions of load and speed should be considered in the future to further improve the proposed approach.