排序方式: 共有4条查询结果,搜索用时 265 毫秒
1
1.
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。 相似文献
2.
结合经验模态分解(Empirical Mode Decomposition,EMD)和隐Markov模型(HMM)各自的优点,提出了一种基于EMD-HMM的旋转机械故障诊断新方法,该方法是先对振动信号进行EMD分解,对分解后的本征模函数进行希尔伯特变换得到其边缘谱图,并用希尔伯特边缘幅值谱作为特征向量,输入到各种故障模式的HMM中进行识别:该方法非常适合旋转机械设备非平稳运行过程中的故障诊断,实验结果表明该方法是有效的。 相似文献
3.
基于非线性Volterra核辨识的转子裂纹故障诊断方法研究 总被引:1,自引:1,他引:0
Volterra级数模型是一类能够完全描述系统的非线性传递特性的模型.将Volterra核的辨识应用于转子裂纹的故障诊断,提出一种基于Volterra核的转子系统故障诊断方法.该方法利用系统的输入输出同步采样信号,采用RLS算法进行非线性系统Volterra时域核的辨识,利用得到的一阶核、二阶核和三阶核来判断系统当前所处的状态.以正常转子和有裂纹转子为例进行实验验证,实验结果表明:该方法不仅可以从一阶核的特性来判断系统的变化,而且还可以从二阶核、三阶核等来判断系统的变化,提供更丰富的故障信息. 相似文献
4.
1