基于模糊VSM和RBF网络的文本分类方法

针对文本自动分类问题,提出了一种基于模糊向量空间模型和径向基函数网络的分类方法.网络由输入层、隐层和输出层组成.输入层完成分类样本的输入,隐层提取输入样本所隐含的模式特征,将分类结果在输出层表现出来.该方法在特征提取时充分考虑了特征项在文档中的位置信息,构造出模糊特征向量,使自动分类更接近手工分类方法.以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性.     

基于模糊SVM和虚拟仪器的模拟电路故障诊断研究

基于模糊支持向量机理论构建模拟电路故障诊断网络,采用虚拟仪器技术开发故障诊断平台;通过对电路仿真软件与实际测量得到的数据进行分析,选取一种自适应小波变换特征提取方法对电路进行故障特征提取,提取电路输出响应的6个低频系数构成故障特征向量并作为FSVM诊断网络的学习样本,诊断网络采用C-SVM算法.规则化参数墩为200;在LabVIEW软件中调用以MAT-LAB-M文件编写的特征提取与故障诊断算法,将模拟电路的故障定位到元件级;最后,将网络的诊断结果与BP神经网络诊断方法做了对比,证明基于虚拟仪器的模糊SVM模拟电路诊断方法在故障诊断速度与准确性方面都具有明显优势,平均故障识别率达到90%以上.     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

基于小波分析的最优故障特征提取研究

针对因模拟电路的故障模型复杂、有容差、非线性等导致的模拟电路故障特征提取难度大、严重依赖于专家的经验的现状,对基于小波分析的模拟电路最优故障特征提取技术进行了研究;以四运放电路为实验基础,采用Morlet和Haar两种小波基分别从不同的维度上做数据预处理,能量化、归一化后组成故障特征,而后通过克隆选择算法的诊断结果分析对比特征提取的效果;实验结果为通过两种小波基提取的故障特征在不同的情况下达到最高故障诊断率均接近89%,表明基于两种小波基的故障特征提取技术都是优秀可用的,以及单点采样数据的有效性;同时实验结果还反映了模拟电路故障特征的详细程度与诊断正确率成正比例关系;这对实际复杂模拟电路的故障特征提取具有指导性的意义。     

基于小波变换多分辨率特征提取的模拟电路故障诊断方法研究

提出一种基于小波变换多分辨率特征提取的模拟电路故障诊断的方法。该方法先对采样后的故障信号进行小波分解,提取各频段系数作为特征向量输入到神经网络进行训练。通过带通滤波器电路诊断的实例,阐述该方法的具体实现,验证该方法可以有效地简化神经网络结构和减少它的训练时间,快速高效地进行模拟电路故障的诊断和定位。     

小波变换在液压油缸泄漏故障诊断中的应用

针对液压油缸泄漏故障诊断中压力信号特征提取的难题,提出了通过监测压力信号,基于小波变换能量特征和BP网络的故障诊断方法。该诊断方法将压力信号进行小波分解后得到的各频带信号能量作为特征向量,输入到BP网络分类器中进行故障识别和分类。实验结果表明,该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的三种状态,是液压油缸泄漏故障诊断行之有效的方法。     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference

In this paper, an intelligent diagnosis for fault gear identification and classification based on vibration signal using discrete wavelet transform and adaptive neuro-fuzzy inference system (ANFIS) is presented. The discrete wavelet transform (DWT) technique plays one of the important roles for signal feature extraction in the proposed system. The abnormal transient signals will show in different decomposition levels and can be used to recognize the various faults by the DWT figure. However, many fault conditions are hard to inspect accurately by the naked eye. In the present study, the feature extraction method based on discrete wavelet transform with energy spectrum is proposed. The different order wavelets are considered to identify fault features accurately. The database is established by feature vectors of energy spectrum which are used as input pattern in the training and identification process. Furthermore, the ANFIS is proposed to identify and classify the fault gear positions and the gear fault conditions in the fault diagnosis system. The proposed ANFIS includes both the fuzzy logic qualitative approximation and the adaptive neural network capability. The experimental results verified that the proposed ANFIS has more possibilities in fault gear identification. The ANFIS achieved an accuracy identification rate which was more satisfactory than traditional vision inspection in the proposed system.     

基于小波包神经网络的模拟电路故障诊断

提出了基于小波多分辨分析和小波包预处理的模拟电路故障诊断方法。该方法用小波作为信号预处理工具,经小波多分辨分析得到N层分解后的低频和高频信号,再利用小波包分析对多分辨分析没有细分的高频信号进一步分解,以达到提高频率分解率的目的。经PCA分析和归一化后的能量作为训练样本送入BP神经网络进行训练。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

基于特征层融合的模拟电路故障诊断方法

为了提高模拟电路软故障诊断精度,提出了基于特征层融合的模拟电路故障诊断方法.通过小波变换的频带能量和AR模型的系数生成故障的初始特征,利用线性判别分析提取特征,降低特征向量的维数,结合mRMR原则与支持向量机构成的组合特征选择方法,对降维后特征进行最优选择,输入到训练好的支持向量机多分类器中进行分类,从而降低特征的冗余,提高故障诊断的精度.以某车辆电压调节电路为例进行仿真分析,实验结果表明,该方法有很好的诊断能力.     

基于小波分析和分层决策的模拟电路故障识别方法*

针对模拟电路存在较多故障模式的诊断中易出现分类混叠的问题,提出一种小波分析和分层决策的故障识别方法。首先用小波变换方法提取电路的两种故障特征,模糊C均值算法分析故障特征数据的分布特性,以决策树的形式分割各故障子类。通过对决策树节点特征的优化选择,使各故障子类的区分得以最大化。最后按照决策树结构建立分级诊断的故障决策系统,分别以支持向量机和神经网络作为树节点分类器,有效地提高了故障的识别率。该方法应用于高通滤波器电路的故障识别,正确率高于99%,比经典支持向量机多分类方法具有更好的诊断性能。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

一种有效的传感器故障诊断方法

提出了一种核Fisher特征提取以及模糊模式识别的传感器故障诊断方法。提取传感器信号波形时域特征和频域特征构成初始特征,使用核Fisher方法对初始特征进行非线性变换增强信号特征。然后使用模糊数学方法建立了传感器故障诊断模型,通过使用隶属度函数获取特征向量对各状态的隶属度,运用最大隶属原则对特征向量进行定性分类,判定传感器状态。将该方法应用到FDT/DTM（Field Device Tool/Device Type Manager）设备管理系统中,对NCS4000水循环控制的压力传感器进行故障诊断,数值实验表明该算法具有实效性。     

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。