基于BP神经网络的电机噪声在线评价系统

为有效甄别存在异常噪声的车窗电机,提出一种基于BP神经网络的车窗电机噪声在线评价系统。由于现有客观参量不能够完全适用于车窗电机的噪声评价,根据车窗电机噪声特点提出了一种形如窗函数的加权因子用于修正尖锐度参量,并通过主客观评价实验优化了心理声学客观参量。在此基础上,以有效的客观参量和物理参量为特征值,构建使用附加动量法优化的BP神经网络分类器,并最终建立了噪声在线评价系统。测试结果表明,该系统对车窗电机噪声的分类准确率在90%以上,且与传统BP神经网络分类器相比,具有更高的准确率和更少的耗时,可用于车窗电机噪声的在线评价。     

基于自适应蚁群优化的Volterra核辨识算法研究

提出了一种基于自适应蚁群优化(AACO)的Volterra核辨识方法。该方法将蚁群算法应用于Volterra时域核的辨识,并能够随着进化次数的增加,自适应调整基本蚁群算法的参数。同时,与相应的基于蚁群优化(ACO)的Volterra核辨识方法进行了对比分析。仿真结果表明,本文提出的方法与蚁群优化辨识方法不论在无噪声环境下,还是在有噪声干扰下,都能得到很好的辨识精度、收敛稳定性和较强的鲁棒抗噪性能,然而,在收敛速度方面,本文提出的方法优于蚁群优化辨识方法。     

基于粒子群-向量机的汽车加速噪声评价

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。     

利用粒子群优化算法实现阻尼比和频率的精确识别

摘要：本文提出了一种利用粒子群优化算法辨识阻尼比和频率的方法。该方法将系统频率、阻尼比、幅值和相位的辨识问题转化为非线性优化问题,引入粒子群优化算法寻找全局最优解。基于粒子群优化的阻尼比和频率辨识方法不需要测量激励信号,原理简单,实现容易。仿真和实验结果表明：基于粒子群优化算法的阻尼比和频率辨识方法不受邻近模态耦合的影响。在无噪声条件下具有较高的辨识精度,随着信噪比的逐步降低,辨识精度开始逐步下降。用低通滤波器滤除高阶模态后,得到的脉冲响应信号对频率、阻尼比、幅值的辨识精度影响很小,对相位的辨识精度影响很大。

     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

转子全周碰摩与局部碰摩的识别方法研究

摘 要：超临界汽轮发电机组的结构和工况复杂,容易引起转、静子间的碰摩。根据碰摩诱发因素的不同,可将其分为全周碰摩与局部碰摩。由于两种碰摩故障的时、频特征相似,传统的时、频域分析方法很难准确提取它们的故障特征。本文针对这一不足,提出一种基于经验模式分解-奇异值分解（EMD-SVD）与支持向量机（SVM）的碰摩故障识别方法,用于对转子全周碰摩与局部碰摩故障进行识别。首先,通过EMD获取碰摩信号的固有模式函数（IMF）;然后,提取表征信号主要能量的前四阶IMF组成特征矩阵并进行SVD分解,得到关于原信号的一组特征值;最后,将特征值输入SVM,对原信号进行分类识别。转子试验台全周碰摩与局部碰摩试验结果表明,本方法对转子全周碰摩与局部碰摩故障的分类准确率高,其中以径向基函数作为核函数的SVM分类准确率达到96.0%。     

基于双层相空间相似度的滚动轴承故障模式与故障程度的综合辨识

提出了一种基于双层相空间相似度分析算法结构,应用于滚动轴承故障类型和故障程度的综合辨识。该算法第一层结构中,对测试数据和样本数据进行相空间重构(PSR),得到在拓扑意义下等价的相空间,然后使用滑动窗截取数据段,采用归一化互相关函数(NCC)进行相空间相似度分析,实现轴承故障类型的分类;在第二层结构中,以已知不同故障程度数据之间的相空间相似度(PSS)为特征训练SVR结构,实现对故障程度的跟踪。实验信号分析结果表明,该方法能有效对轴承故障类型和故障程度进行综合辨识。与传统方法的对比表明该方法在准确性上有了一定的提高。     

基于频域ICA的语音特征增强*

为了降低卷积噪声对语音特征所产生的影响,提高语音识别正确率,文章提出了一种基于频域ICA（Independent Component Analysis,独立分量分析）的语音特征增强算法。该算法首先使用频域ICA方法作对噪声进行估计,然后在倒谱域内将带噪语音信号的短时谱减去所估计噪声的短时谱,最后根据去噪后语音信号的短时谱计算美尔倒谱系数（MFCC）作为特征参数。在仿真和真实环境下的语音识别实验中,本文所提出的语音特征参数相比较传统的MFCC其识别正确率分别提升了38.2%和35.8%。实验结果表明本文所提算法能够较好地解决卷积噪声环境下训练与识别特征不匹配的问题,有效提高了语音识别系统的识别正确率。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准。基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性。实验结果表明:VMD-Entropy-OSVM不仅可识别轴承损伤末期的不同故障类型,且在识别损伤初期亦有较高准确度;在信噪比为8dB下准确率高达99.8%,比现有方法提高3.3%～27.3%;当信噪比为0dB下仍有73.5%的准确度,比现有方法提高11%～33%,该模型表现出良好的泛化性能;在相同计算资源下,所需运行时间更短,效率更高。     

基于SVM的船舶上层建筑舱室噪声预报方法

摘 要：为对舰船舱室噪声进行精确预测,提出了基于SVM（支持向量机）的舱室噪声预测方法。采用RBF核函数和ERBF核函数,以某集装箱船上层建筑舱室噪声为训练样本,建立了两种集装箱船上层建筑舱室噪声的非线性回归模型;并应用两种模型对母型船及另一艘集装箱船上层建筑舱室噪声进行预测,并将预测结果进行了比较分析;在此基础上,应用效果较好的模型对一艘散装货船上层建筑舱室噪声进行预测。预测结果表明：应用SVM非线性回归模型对船舶上层建筑舱室噪声的预测是可行的,预测效果较为理想。     

离散频谱四点能量重心校正法及抗噪性能分析

在对比离散频谱能量重心法采用不同点数时的频率、幅值和相位校正精度的基础上提出了4点能量重心校正法,推导了高斯白噪声背景下单频率谐波信号采用4点能量重心法进行频率、幅值和相位校正的统计方差公式,通过仿真计算验证了其正确性.分析对比了采用不同点数进行能量重心校正时的优缺点,建议在工程中采用Han-ning窗4点能量重心法进行谐波信号离散频谱校正.     

基于谱质心直方图-SVM的滚动轴承故障诊断

轴承早期故障信号的信噪比较低,较难识别。为提高轴承早期故障诊断的准确率,分析了现有方法和视觉信息处理方式的相似点,从视觉信息处理的角度进行研究,提出一种基于谱质心直方图的滚动轴承故障特征提取方法,将所提出方法用于滚动轴承不同运行状态下的故障特征提取,将所提取特征作为支持向量机的输入特征向量从而实现对滚动轴承不同运行状态的智能分类。实验证明,谱质心直方图提高了轴承早期故障诊断准确率,准确率平均提高了2 %,优于Mel频率倒谱系数特征。     

水下蛙人呼吸声Mel倒谱特征的实验研究

为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。     

Multi-task Joint Sparse Representation Classification Based on Fisher Discrimination Dictionary Learning

Recently, sparse representation classification (SRC) and fisher discrimination dictionary learning (FDDL) methods have emerged as important methods for vehicle classification. In this paper, inspired by recent breakthroughs of discrimination dictionary learning approach and multi-task joint covariate selection, we focus on the problem of vehicle classification in real-world applications by formulating it as a multi-task joint sparse representation model based on fisher discrimination dictionary learning to merge the strength of multiple features among multiple sensors. To improve the classification accuracy in complex scenes, we develop a new method, called multi-task joint sparse representation classification based on fisher discrimination dictionary learning, for vehicle classification. In our proposed method, the acoustic and seismic sensor data sets are captured to measure the same physical event simultaneously by multiple heterogeneous sensors and the multi-dimensional frequency spectrum features of sensors data are extracted using Mel frequency cepstral coefficients (MFCC). Moreover, we extend our model to handle sparse environmental noise. We experimentally demonstrate the benefits of joint information fusion based on fisher discrimination dictionary learning from different sensors in vehicle classification tasks.     

基于GA-SVM的刚性罐道故障诊断

针对刚性罐道故障类型识别精度低这一难题,提出了一种基于遗传算法(genetic algorithm,GA)和支持向量机（support vector machine,SVM）的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟2种典型的罐道故障,并采集提升容器振动加速度信号。运用经验模态分解（empirical mode decomposition,EMD）方法对振动加速度信号进行分解,选取前4个固有模态函数（intrinsic mode function,IMF）,然后运用奇异值分解（singular value decomposition,SVD）方法计算出每个IMF的奇异值作为故障特征参数,将得到的故障特征参数作为SVM的训练集,通过GA参数寻优方法得到SVM关键参数c和g的最优值,并选取新的测试样本检测SVM的诊断效果。实验结果表明:基于GA-SVM的刚性罐道故障诊断方法的平均分类准确率达到93%。研究结果表明该方法能精确地识别刚性罐道的典型故障类型,为立井提升系统等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方法。     

基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

On the use of amplitude shaping pulses as windows for harmonicanalysis

In this paper, we propose the use of shaping pulses as flat top windows for accurate amplitude and phase estimation from periodic signals in power systems. The intention is to eliminate the amplitude correction required to compensate the short-range leakage produced by nonflat-mainlobe windows in case of asynchronous sampling. The performance of the standard rise cosine filter, a generalized raised-cosine filter and a Hanning window, all of them with the same bandwidth, is compared in the simulation results. It is concluded that the accuracy of the estimates provided by the shaping pulses without amplitude compensation in the asynchronous case is relatively better than that of the amplitude compensated estimates obtained with the Hanning window. The generalized raised-cosine filter can achieve lower sidelobe levels but it does not improve the accuracy of the amplitude estimates of the standard raised-cosine filter     

Predicting motor vehicle crashes using Support Vector Machine models

Crash prediction models have been very popular in highway safety analyses. However, in highway safety research, the prediction of outcomes is seldom, if ever, the only research objective when estimating crash prediction models. Only very few existing methods can be used to efficiently predict motor vehicle crashes. Thus, there is a need to examine new methods for better predicting motor vehicle crashes. The objective of this study is to evaluate the application of Support Vector Machine (SVM) models for predicting motor vehicle crashes. SVM models, which are based on the statistical learning theory, are a new class of models that can be used for predicting values. To accomplish the objective of this study, Negative Binomial (NB) regression and SVM models were developed and compared using data collected on rural frontage roads in Texas. Several models were estimated using different sample sizes. The study shows that SVM models predict crash data more effectively and accurately than traditional NB models. In addition, SVM models do not over-fit the data and offer similar, if not better, performance than Back-Propagation Neural Network (BPNN) models documented in previous research. Given this characteristic and the fact that SVM models are faster to implement than BPNN models, it is suggested to use these models if the sole purpose of the study consists of predicting motor vehicle crashes.     

基于均值特征和改进深度神经网络的说话人识别算法

为提高神经网络在说话人识别应用中的识别性能,提出基于高斯增值矩阵特征和改进深度卷积神经网络的说话人识别算法。算法首先通过最大后验概率提取基于梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）特征的高斯均值矩阵,并对特征进行噪声适应性补偿,以增强信号的帧间关联和说话人特征信息,然后采用改进的深度卷积神经网络进一步对准帧间信息,以提高说话人识别特征对背景噪声的适应性。实验结果表明,相比于高斯混合模型-通用背景模型等识别框架及传统MFCC等特征,该算法可取得更高的识别准确率和最小的识别均方误差。