基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

基于自适应本征维数估计流形学习的相空间重构降噪方法

针对实际工程领域振动信号噪声干扰大、具有强烈非线性等问题,提出了基于自适应本征维数估计流形学习的相空间重构降噪方法。利用相空间重构将一维含噪时间序列重构到高维相空间;基于极大似然估计法(maximum likelihood estimate,MLE)估计相空间中每个样本点的本征维数并使用自适应加权平均法计算全局本征维数;采用局部切空间排列(Local tangent space Alignment,LTSA)流形学习方法将含噪信号从高维相空间投影到有用信号的本征维空间中,剔除分布在高维空间中的噪声后,重构回一维时间序列。通过Lorenz仿真实验和风电机组振动信号降噪实例,证实了该方法具有良好的非线性降噪性能。     

高阶局部投影算法及其在滚动轴承故障诊断中的应用

针对局部投影降噪算法中邻域相点的质心选取问题,分析了邻域质心的选取对降噪效果所产生的影响。提出了一种高阶邻域质心的选取方法,利用高阶多项式对邻域质心进行了更为精确地估计,更好地适应了吸引子的几何形状,进一步抑制了噪声,提升了局部投影算法的降噪效果。通过数值仿真信号进行了验证,并与同样基于相空间重构的非线性时间序列降噪方法做了对比,说明了高阶局部投影算法的优越性。最后将其运用于工业现场的风机轴承故障诊断中,从频域成功地提取出了滚动轴承的故障特征。     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

邻域自适应选取的局部投影非线性降噪方法

局部投影降噪算法已广泛应用于非线性时间序列的分析中，但受邻域选取的影响较大。提出了一种按照自适应方式选取邻域大小的局部投影降噪算法。首先用时间延迟方法将一维时间序列重构到高维相空间。然后逐步增大每个待分析相点的领域大小，根据领域最大主方向变化过程中首次出现平稳阶段时，自适应地确定该相点的最优领域，最后再用局部几何投影的方法去除噪声成分。对洛伦兹信号和杜芬信号分别添加不同噪声水平的高斯白噪声，对领域自适应选取的局部投影算法与标准局部投影算法的降噪效果进行了比较。实验结果表明，自适应邻域选取方法，提高了局部投影算法的降噪能力和对领域参数的鲁棒性。     

一种改进的盲解卷积算法在轴承声学诊断中的应用

针对时域盲解卷积算法滤波器长度估计困难的缺点,提出一种基于遗传算法优化的改进算法。该算法利用遗传算法搜索最佳时延,解决了盲解卷积结果不确定问题,并改进了信号分量的聚类指标,采用峭度作为独立分量间距离测度,提高了信号分量聚类的准确性,获得了可靠的估计信号。计算机仿真和实际环境中故障轴承声信号提取实验验证了该算法的有效性。     

温变工况下超定独立成分分析导波监测方法

基于超声导波的结构健康监测技术在实际工程应用中受到变化的环境工况条件的影响,由于独立成分分析方法对于处理时变工况条件下的大量监测导波信号存在局限性,以及对不同程度的损伤表征研究存在不足,提出一种基于超定独立成分分析的导波监测方法并改进了基于k均值聚类的损伤指标。以广泛存在的环境温度作为环境变量,通过主成分分析从大量导波信号组成的观测矩阵中确定独立分量个数,使用独立成分分析将处理后的导波信号分解为独立分量,能够有效地将损伤与环境工况的影响分离到不同的独立分量中。对长期经受环境温度变化的铝板进行了导波监测实验,结果表明该方法能够有效减少独立分量数目并从大量导波信号中排除环境温度的干扰识别出损伤,并且对处于温变条件下的完整和不同损伤程度的铝板进行了损伤识别实验,进一步研究了该方法在排除环境温度干扰的同时表征损伤程度的效果。     

EMD和SLS法在爆破振动加速度信号时域积分中的应用

实测差异分析表明,速度振幅峰值分布受外界因素影响更具规律性,加速度信号主频分布比速度信号更分散。提出一种加速度信号时域积分算法,先基于经验模态分解法对信号进行趋势项剔除、去均值化和高频降噪,再对存在漂移现象的各固有模态函数分量时域积分速度分量进行最小二乘法处理。研究表明：各固有模态函数分量在处理过程中应分别对待;为达到较好降噪效果,阈值修正系数k应不断调整;分段最小二乘法对漂移现象的消除能力优于单段最小二乘法和经验模态分解法。最后,通过本文定义的全局参量和局部参量验证了算法的优越性。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于相空间重构和非线性流形的滚动轴承复合故障诊断

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于相空间重构和非线性流形的滚动轴承复合故障诊断方法。该方法首先将滚动轴承一维振动信号重构到高维相空间,然后计算重构信号协方差矩阵的特征值,以此组成轴承故障诊断原始特征集;采用局部切空间排列算法对原始特征集作特征压缩后,将获得的新的特征输入到K-means分类器中进行轴承故障的识别与聚类。实验结果表明,与经典的线性分析方法PCA相比,该方法的聚类效果更好。     

基于Dirichlet过程的无线视频码率变化识别算法

研究了通过对终端视频帧质量的聚类分析来识别无线视频传输中码率变化的方法,以便为无线视频传输过程中视频码率自适应调整提供参考依据.针对经典模糊C均值(FCM)算法和K均值(K-means)算法需要设定聚类数目的问题,提出一种基于荻利克雷过程(DP)的FCM算法——DP-FCM算法.该算法将Dirichlet过程和FCM算法相结合,由视频帧信息权重峰值信噪比(IWPSNR)值使用DP过程混合模型模拟估计出聚类数目,然后进行FCM模糊聚类,通过设定合理的阈值,合并聚类结果相似项,完成视频帧的聚类,从而实现视频传输码率变化的识别.以LIVE视频库为试验数据源,对该算法进行了性能测试.试验结果表明,DP-FCM算法能够在无需设定聚类数目的前提下实现视频传输码率变化的分类识别.     

Improved K-means clustering algorithm for exploring local protein sequence motifs representing common structural property

Information about local protein sequence motifs is very important to the analysis of biologically significant conserved regions of protein sequences. These conserved regions can potentially determine the diverse conformation and activities of proteins. In this work, recurring sequence motifs of proteins are explored with an improved K-means clustering algorithm on a new dataset. The structural similarity of these recurring sequence clusters to produce sequence motifs is studied in order to evaluate the relationship between sequence motifs and their structures. To the best of our knowledge, the dataset used by our research is the most updated dataset among similar studies for sequence motifs. A new greedy initialization method for the K-means algorithm is proposed to improve traditional K-means clustering techniques. The new initialization method tries to choose suitable initial points, which are well separated and have the potential to form high-quality clusters. Our experiments indicate that the improved K-means algorithm satisfactorily increases the percentage of sequence segments belonging to clusters with high structural similarity. Careful comparison of sequence motifs obtained by the improved and traditional algorithms also suggests that the improved K-means clustering algorithm may discover some relatively weak and subtle sequence motifs, which are undetectable by the traditional K-means algorithms. Many biochemical tests reported in the literature show that these sequence motifs are biologically meaningful. Experimental results also indicate that the improved K-means algorithm generates more detailed sequence motifs representing common structures than previous research. Furthermore, these motifs are universally conserved sequence patterns across protein families, overcoming some weak points of other popular sequence motifs. The satisfactory result of the experiment suggests that this new K-means algorithm may be applied to other areas of bioinformatics research in order to explore the underlying relationships between data samples more effectively.     

尺度方向自适应的减法聚类视频运动目标定位

针对减法聚类算法对视频运动目标进行定位时无法获取目标尺度及方向参数的问题,本文提出了一种可获取待定位目标尺度及方向参数的视频运动目标定位算法.该算法在减法聚类算法预定位目标位置及获得目标个数的基础上,进一步采用模糊C均值聚类对目标前景样本进行归类,最后通过对目标前景样本协方差矩阵特征值和特征向量的分析获得目标的尺度及方向参数,从而实现对视频运动目标的定位.实验结果表明,所提出的方法与原减法聚类定位方法相比可获得更合理的目标定位结果.     

一种基于降维密度聚类的船舶异常轨迹识别方法

目的 有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法 针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果 以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9 048、0.9 534、0.8 218、0.6 627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论 研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。     

基于改进蝙蝠优化自确定的模糊C-均值聚类算法

针对模糊C-均值聚类算法敏感于初始聚类中心及聚类收敛慢、聚类数目手动设定等缺陷,提出了基于改进蝙蝠优化自确定的模糊C-均值聚类算法。该算法是基于密度峰值综合衡量聚类中心外围数据密集程度和聚类中心间距离,自动确定聚类中心和聚类数目,以此作为改进蝙蝠算法的初始中心;在原始蝙蝠算法中引入Levy飞行特征加强算法跳出局部最优能力;使用Powell局部搜索加快算法的收敛,利用改进的蝙蝠种群进行种群寻优,并将最优蝙蝠位置作为聚类C-均值新聚类中心,进行模糊聚类,以此循环交叉迭代多次最终获得聚类结果。将基于改进蝙蝠优化自确定的模糊C-均值聚类算法与其它两种聚类算法在标准数据集上进行仿真对比,实验结果表明:与其它两种算法相比,该算法收敛速度快、误差率低。     

A decomposition-based approach to flexible flow shop scheduling under machine breakdown

Manufacturing systems in real-world production are generally dynamic and often subject to a wide range of uncertainties. Recently, research on production scheduling under uncertainty has attracted substantial attention. Although some methods have been developed to address this problem, scheduling under uncertainty remains inherently difficult to solve by any single approach. This article considers makespan optimisation of a flexible flow shop (FFS) scheduling problem under machine breakdown. It proposes a novel decomposition-based approach to decompose an FFS scheduling problem into several cluster scheduling problems which can be solved more easily by different approaches. A neighbouring K-means clustering algorithm is developed to first group the machines of an FFS into an appropriate number of machine clusters, based on a proposed machine allocation algorithm and weighted cluster validity indices. Two optimal back propagation networks, corresponding to the scenarios of simultaneous and non-simultaneous job arrivals, are then selectively adopted to assign either the shortest processing time (SPT) or the genetic algorithm (GA) to each machine cluster to solve cluster scheduling problems. If two neighbouring machine clusters are allocated with the same approach, they are subsequently merged. After machine grouping and approach assignment, an overall schedule is generated by integrating the solutions to the sub-problems. Computation results reveal that the proposed approach is superior to SPT and GA alone for FFS scheduling under machine breakdown.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.     

一种快速移动对象轨道聚类算法

针对已有轨道聚类(TRACLUS)算法的线段聚类模块需要对划分后的每条线段进行邻域查询的问题,将取样技术引入轨道聚类,提出一种快速移动对象轨道聚类(FTCS)算法。FTCS算法根据基于极大连通子图的合并原理,对核心线段的Eps邻域以及与该Eps邻域相重叠的所有轨道聚类进行合并,避免了TRACLUS算法中核心线段Eps邻域内线段的不必要邻域查询操作。在真实和合成轨道数据集上的大量实验结果表明,FTCS算法显著降低了邻域查询操作次数,在保持TRACLUS算法轨道聚类质量的同时,成倍提高了轨道聚类的时间效率。     

玻璃表面缺陷检测系统研究

目的针对玻璃表面存在的划痕、漏点、结石和水印等4种主要缺陷,研究一种基于背光照射的玻璃表面缺陷检测方法,提出一种改进K均值聚类算法用于水印缺陷的检测。方法首先,通过设计的图像采集系统对玻璃图像进行采集,并对采集图像背景估计;然后根据水印缺陷与其他3种缺陷的灰度差异,将含缺陷的玻璃分成2类,完成缺陷粗分类;接着利用边缘检测算法对含划痕、漏点和结石缺陷的玻璃图像进行处理,利用结合了Otsu阈值分割方法和补偿系数f的改进K均值聚类算法对含有水印缺陷的玻璃图像进行处理,最终实现对玻璃表面4种缺陷的识别与标记。结果实验表明,该系统操作方便,算法复杂度低,缺陷识别准确度高,检测速度快。结论通过上述玻璃表面缺陷检测系统,可准确高效地检测出玻璃表面存在的4种主要缺陷。改进的K均值聚类可以准确实现对水印缺陷的检测,且该方法可以克服聚类迭代次数高,聚类结果容易陷入局部最小等缺点。极大地提高了缺陷检测的效率,可用于玻璃生产过程中的实时检测。