独立分量分析和概率神经网络在机械故障诊断中的应用

针对旋转机械进行故障诊断时,由于临近机械的干扰,往往无法得到真实的的故障信息以及诊断速度慢的问题,本文提出了一种基于独立分量分析(Independent Component Analysis,ICA)和概率神经网络(Probabilistic Neural Network,PNN))的故障诊断方法,采用快速独立分量分析(FastICA)进行特征提取,PNN实现状态识别.通过仿真与实验加以证明,并与经典的前向多层神经网络(BP网络)的故障分类进行对比,结果表明PNN的准确率可以达到100%,而BP网络只有95%,同时PNN所需的时间只有BP的1/3.     

考虑不确定性因素的结构损伤检测方法

结构损伤检测是当前国内外学术与工程界研究比较活跃的领域，如何将不确定性的因素与确定性的损伤检测方法相结合，并应用于实际的复杂工程结构中是当前亟需解决的课题。在贝叶斯概率处理不确定性信息的基础上，提出了运用概率神经网络（PNN）进行复杂结构的损伤检测方法，并分别用传统PNN和自适应PNN对悬索桥的桥面板进行了损伤检测，以验证该方法的有效性。研究表明，运用PNN进行损伤检测是可行、有效的，自适应PNN极大地优于传统PNN，且随着噪声程度的增大，自适应PNN的优越性更显著。     

基于LMD和PNN神经网络的列车辅助逆变器故障检测

针对列车辅助逆变器故障信号非平稳的特性,本文提出了一种基于局部均值分解方法和概率神经网络的地铁辅助逆变器的故障诊断方法。通过对采集到的列车故障信号进行局部均值分解,将非平稳信号分解成多个乘积函数(product function,PF)分量,并利用概率神经网络(probabilistic neural network,PNN)模型,将故障信号进行检测和分类,最后采用Matlab进行仿真实验。仿真结果表明,局部均值分解方法对非平稳信号的处理效果良好,特征向量输入到概率神经网络进行训练分析,PNN神经网络故障诊断正确率较高,30组测试样本输出结果对于逆变器故障检测结果均是正确的。该研究可以准确识别列车辅助逆变器的不同故障类型,能够满足对列车辅助逆变器的故障检测要求。     

基于SVM的说话声实时检测

研究了说话声音频数据的音频特征,并且利用SVM实现了说话声的实时检测.首先,对原始音频数据做预处理,然后对音频数据进行了3层小波分解,并提取了第3层低频系数的MFCC特征,同时提取了音频数据的质心、谱熵特征;其次,计算MFCC特征的均值、质心和谱熵的方差,由此构造了特征向量集;最后,利用SVM模型训练音频样本,并对测试集中的样本进行了测试和实时检测.实验表明,所提取的音频特征有效、合理,并且表现出良好的分类与检测性能.     

自然场景下交通标志检测与分类算法研究

在HSV彩色空间进行颜色分割的基础上,提出一种基于局部特征与模糊规则的交通标志检测算法.为了对检测出的标志进行分类理解,根据交通标志的颜色与形状特征信息进行分层分解,设计多层决策分类系统,并采用J-means聚类分析与PSO算法来优化设计PNN作为其子分类器.对晴天、多云和小雨天气状况下共3000幅图像进行了交通标志识别,该检测算法的检测率分别达到93.28%、90.25%与88.97%;所设计分类器不仅具有精简的结构,而且有较高的分类精度.     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

高效音频功率放大器的发展

首先介绍了脉宽调制(PWM)高效音频功率放大的基本原理。然后,综述并归纳分类了近年来高效音频功放的各种改进方案。最后,对其性能做了比较。     

轴承钢硬度涡流检测虚拟系统的研究

针对轴承钢硬度检测要求,提出了对电磁检测信号进行分类处理的简便方法,得出了一种简单实用的无IR区的线性分类规则。在此基础上,利用C Bu ilder设计了轴承钢硬度虚拟检测系统。     

概率神经网络在可疑交易监测中的应用及效率比较

通过概率神经网络PNN对金融交易时间序列数据的预测偏移误差分类实现对交易异常与否的分类,并将其与前馈神经网络BP、后馈神经网络Elman、竞争型神经网络LVQ、SOM等4种经典类型的分类效率进行比较,结果发现PNN在相近预测精度前提下在网络结构、运行效率方面都有明显优势,适合金融交易海量数据的监测分析.     

基于支持向量机和HMM的音频信号分类算法

将基于隐马尔可夫的分类方法与基于支持向量机的分类方法相结合,构造了一种混合语音识别系统,可以对静音、音乐、带背景语音和纯语音(语音+音乐)四类音频信号进行分类。实验结果表明,该算法的两级分类效果较好。