MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

边界元法数值波浪水槽的建立及模拟

理想的数值波浪水槽是以边界元法为基础建立的,通过边界积分方程的求解模拟了波浪的生成、传播、变形,并用线性元法对积分方程进行离散求解,得到波浪水槽不同时刻整个波浪场的状态。最后对计算值和理论解进行了验证,结果表明二者吻合较好,此结论为研究在波浪水槽中模拟极端波浪奠定了基础。     

云计算设备中的大数据特征高效分类挖掘方法研究

云计算设备中的大数据分类挖掘是现实模式识别和智能控制的基础,传统方法中对云计算设备中的大数据挖掘采用拓扑结构网格分区挖掘算法,不能有效提取大数据的细节特征,分类的准确性不好。提出一种基于分数阶Fourier变换特征匹配和K-L分类的云计算设备中的大数据特征高效分类挖掘算法。进行云计算设备中大数据存储机制体系分析,采用分数阶Fourier变换进行云计算设备中大数据特征提取和大数据特征匹配,基于K-L变换,选择最优的路径进行分类空间导引,构建了K-L大数据特征分类器,进行云计算设备中的大数据特征分类挖掘。仿真结果表明,采用该算法进行云计算设备中的大数据特征分类挖掘,特征分类挖掘的准确度较高,能量开销较少,效率较高。