基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

基于二维主成分分析的掌纹识别研究

掌纹作为一种新的生物特征可用来进行人的身份识别.论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99.4%的正确识别率.二维主成分分析方法相比主成分分析方法(PCA)方法具有更高的识别率和更快的计算速度,尤其是在小样本训练数据的情况下优势更明显.同时论文也研究了不同应用系统下阈值的选取方法.     

基于二维对称主成分分析的人脸识别

由于人脸姿态、光照和表情等各方面的显著差别,使人脸识别成为非常具有挑战性的模式识别问题.主成分分析是模式识别技术中经典的特征抽取和降维技术之一.本文把其改进算法二维对称主成分分析应用到人脸识别中.二维对称主成分分析与传统主成分分析和对称主成分分析相比,可以得到更好的适合分类的特征.实验结果表明,二维对称主成分分析不仅实现了降维,而且能取得比传统主成分分析和对称主成分分析更好的识别性能,对ORL标准人脸数据库的正确识别率达到94%以上.     

基于同步压缩广义S变换的发动机故障诊断

为提高发动机故障诊断准确率,提出了基于同步压缩广义S变换（synchrosqueezing generalized S?transform,简称SSGST）与中心对称局部二值模式（center?symmetric local binary patterm,简称CSLBP）的故障诊断方法。首先,针对信号时频分析中的能量泄露、频谱涂抹、频带混叠和时频分辨率较低的问题,基于同步压缩算法与广义S变换提出了SSGST,对缸盖振动信号进行时频分析得到时频聚集性较高的二维时频图;然后,利用CSLBP提取缸盖振动信号时频图的纹理谱特征,并将其输入交叉验证寻优的核极限学习机对发动机进行故障诊断。实验结果表明,SSGST的能量聚集效果好,时频分辨率高,各频带分布较窄且不存在混叠,能够有效分离出非线性混合信号中的各频带分量;时频图的CSLBP纹理谱特征维数较低,且具有良好的类内聚集性和类间离散性;利用交叉验证寻优的KELM对故障特征进行分类,实现发动机故障诊断,获得了较高的诊断速度和精度。     

基于广义S变换的齿轮箱轴承故障诊断方法

齿轮箱轴承故障冲击信号通常具有非平稳和非线性的特点,若在强背景信号与噪声中,更加难以识别和提取。鉴于广义S变换具有良好的自适应性和时频聚集性,提出了一种基于广义S变换的齿轮箱滚动轴承故障诊断方法。对广义S变换的时窗函数进行讨论,分析了不同参数对调节窗函数宽度的影响;讨论了不同程度的轴承故障在广义S变换时频谱图上的能量分布;通过仿真和实验验证了所提方法的可行性。结果表明,广义S变换方法能有效地反映不同轴承故障的特征频率,为齿轮箱的轴承故障诊断提供一种有效的方法。     

基于小波变换和核主成分分析的人脸识别算法

人脸识别是当前模式识别和图像处理领域的研究热点。属于生物鉴别技术的一部分。一个完整的人脸识别系统主要由以下几个基本环节构成：图像预处理、人脸检测与定位、特征提取分类识别。本文主要针对图像的特征提取分类识别环节进行分析和试验：首先应用哈尔小波变换初步提取人脸图像的特征;再对小波系数运用核主成分分析进行最终的人脸特征提取。     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

基于小波变换、二维主元分析和EBF神经网络的指纹识别方法

指纹识别是模式识别中的一个十分重要课题。结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数（EBF）特点,本文提出了一种基于WT和2DPCA的EBF神经网络指纹识别方法。首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征。然后,通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(Ellipsoidal Basis Function Neural Network, EBFNN)完成指纹识别。本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000（国际指纹竞赛数据库）上作了测试。并与WT-PNN算法和WT-2DPCA-RBF算法进行比较。实验结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT－PNN算法和WT-2DPCA-RBF算法。     

用二维相关近红外谱和多维主成分分析判别掺杂牛奶

为了有效地提取牛奶中微量的掺杂物特征信息,提出了基于二维相关近红外光谱多维主成分分析（MPCA）和最小二乘支持向量机（LS-SVM）判别牛奶掺杂物的方法。首先,采集纯牛奶、掺杂尿素牛奶和掺杂三聚氰胺牛奶的一维近红外谱,并对其进行相关计算,构建各样品的二维相关近红外谱。然后,采用多维主成分分析法分析二维相关谱矩阵,压缩数据,提取相关谱的得分矩阵。最后,将提取的得分矩阵输入最小二乘支持向量机,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶及两种掺杂牛奶与纯牛奶的LS-SVM判别模型。用所建模型对测试集未知样品进行了判别,结果显示其判别正确率分别为92.3%,96.2%,92.3%。研究结果表明：所提出的方法不仅有效提取了牛奶中掺杂物的特征信息,而且缩短了建模所需时间,取得了较好的判别效果。     

变压器故障诊断中的主成分分析研究

电力变压器的正常运行是对电力系统安全,可靠、优质、经济运行的重要保证,用主成分分析思想及方法,对油中溶解气体数据进行分析、降维,用最少的数据代表原变量的最大信息,以利于快速准确地诊断出变压器的故障原因,进而提高变压器的安全、经济运行水平。     

一种基于主成分分析和支持向量机的发动机故障诊断方法

提出一种新型的基于主成分分析（PCA）和支持向量机（SVM）的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征;再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度;最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。     

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE); DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。