基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

基于SVM的电压扰动识别研究

针对电力系统中出现的电压暂升(暂降、暂断)以及谐波、电压脉冲和电压闪变这六种常见电压扰动进行建模,将特征量输入到SVM进行电能质量扰动多类分类。首先采用相应小波包分解算法将电能质量中某一频段内的信号分解到特定频段上,其次在这些特定频段上提取特征向量,最后针对该特征向量构造相应支持向量机分类器。结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

一种自适应的混合协同过滤推荐算法

为解决协同过滤算法在处理数据量较大时存在推荐效率低的问题,提出一种自适应混合协同推荐算法。根据待推荐用户活跃度和目标物品新鲜度调节模型权重,基于张量分解计算物品间的相似度,通过短路径枚举叠加生成预测结果。实验结果表明,与CBCF算法相比,该算法推荐准确率提高了28.6%。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于Hausdorff距离的光纤陀螺阈值滤波算法

要实现采矿机组的智能化，必须对采矿机械的位姿进行实时准确地控制。由于开采工作面环境复杂，可选用捷联惯性导航技术来实现对采矿机械的监测。光纤陀螺作为捷联惯导系统的核心元件，其随机噪声制约着惯性导航系统的精度。传统的建模滤波及小波消噪方法由于其自身的局限性，不能保证准确性和去噪效果。所以结合经验模态分解（Empirical Mode Decomposition，EMD），提出了Hausdorff距离（Hausdorff Distance，HD）筛选准则与阈值滤波相结合的去噪算法。该算法以本征模态函数（Intrinsic Mode Function，IMF）与原始信号概率密度函数（Probability Density Function，PDF）的Hausdorff距离为判别依据，对所有IMF进行筛选，之后引入阈值对筛选出的IMF进行滤波处理，最后将其与余项重构。通过试验比较了软硬阈值的滤波效果，确定了该算法采用硬阈值。为验证算法的有效性，将该算法与其他3种方法进行比较，仿真信号与实测陀螺静态漂移数据的试验结果表明了该方法的优越性，能够有效降低陀螺的各项随机误差。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

基于变分非线性调频模态分解方法的岩质边坡爆破振动信号特征分析

为了精确获取爆破振动速度、加速度信号携带的时频特性信息,结合某矿山岩质边坡的爆破振动监测试验,基于变分非线性调频模态分解方法对监测信号进行了分析处理,揭示了速度、加速度能量在时间、频率的分布特征。结果表明:变分非线性调频模态分解方法去噪能力较强,且分解的速度信号能量集中于低频带0～50Hz范围,而加速度能量在80～100dB范围所占比例较大,且加速度能量逐渐向高频段集中,与速度能量分布有较大的差异性。