一种基于LMS加权的残差补偿光谱降维模型研究

目的在PCA算法的基础上提出一种基于LMS锥响应加权的残差补偿光谱降维模型。方法介绍以LMS为加权函数对源光谱加权以及用残差光谱对模型补偿的基本框架。以Munsell色卡作为训练样本,以多光谱图像和SG色卡为检测样本,用文中算法与主成分分析算法分别对其进行降维、重构。结果在不同维数下,采用文中算法重构都具有较高的色度精度,该算法有效提高了主成分分析算法的色度精度,且在变光源情况下仍具有较高的色度稳定性。结论该降维算法采用LMS加权并对残差光谱补偿是一种精度较高的光谱降维模型。     

修改LMS加权特性的PCA空间内光谱色域映射模型

目的针对跨媒体光谱颜色复制中不同颜色媒介光谱色域不一致的问题,在LMS-PCA光谱空间下构建一种修改LMS加权特性的PCA空间内光谱色域映射模型。方法利用调整后的修改LMS加权函数对高维光谱数据进行加权,采用主成分分析法提取其加权光谱的前3个主成分,用以构建LMS-PCA光谱链接空间。在LMS-PCA空间内引入分区成熟SMGBD算法描述设备的光谱色域,对超出设备光谱色域的图像颜色点进行LSLINce Lmax色域压缩以映射到设备光谱域内,LSLINce Lmax色域压缩基于传统LSLIN算法优化得到。结果新模型相比于利用其他色域映射方向的光谱色域映射模型,以及普通加权视觉特性的PCA空间内光谱域映射模型,拥有更高的光谱精度和色度精度,且在变观察环境下具有稳定的色差精度。结论修改LMS加权特性的PCA空间内色域映射模型能够基本解决变观察环境下,不同颜色媒介光谱色域不一致的问题,具有较好的实用性。     

基于LMS算法的磁悬浮轴承系统振动补偿

主动磁悬浮轴承转子高速旋转时会对系统产生周期性不平衡激振力响应,此响应会降低系统的控制精度、稳定性以及限制转子速度的提高等.针对此响应对系统的影响,首先,从轴承转子机械特性及系统控制过程分析系统周期性力产生的原因;其次,以振动在系统控制过程中体现的正弦形式信号为处理对象,采用最小均方差(LMS)算法与数字PID联合控制的方法实现滤波补偿;然后,通过分析定步长LMS算法与PID参数及被处理信号的频率的相互影响,提出了一种依据转子位移信号频率变化而实时变频切换补偿的控制策略;最后通过实验台实验验证了方法的有效性,为轴承转速的进一步提高奠定基础.     

基于动态加权的多尺度残差网络旋转机械故障诊断算法

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于加权欧氏距离的光谱重构训练样本选择

目的研究光谱反射率重建过程中训练样本的选取,以提高光谱反射率的重建精度。方法根据检验样本与训练样本间的欧氏距离判断两者的相似度,并将样本向量各维度分量"标准化"到均值、方差相等,使得各维度分别满足标准正态分布,同时将其方差的倒数作为权重赋予训练样本。实验以Munsell色卡为总的训练样本集,经Mohammadi方法、Cao方法以及文中方法选择出的样本作为最终的训练样本,用Color Rendition Chart 24色卡为检验样本,采用伪逆法分别对选择出来的训练样本进行光谱反射率重建。结果通过Matlab软件仿真实验,文中方法的平均色差为0.7918△E_(ab)~*,最大色差为1.7148△E_(ab)~*,平均均方根误差为0.0060,最大光谱均方根误差为0.0127。结论基于加权欧氏距离的训练样本选择可以有效地提高光谱的重建精度,能更好地实现颜色再现。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于最小位移的磁悬浮转子变极性LMS反馈不平衡补偿

针对高速电机磁悬浮转子受不平衡扰动时位移精度下降的问题,提出一种基于最小位移原则的变极性最小均方误差（least mean square,LMS）反馈不平衡补偿策略,通过在线辨识位移信号中的转速同频分量,引入反馈补偿来增加系统对同频分量的广义动刚度,实现不平衡补偿。利用广义根轨迹分析了引入补偿后系统的闭环稳定性,同时针对仅以负极性或正极性引入补偿后,闭环系统均存在临界转频以上或以下发散的问题,设计了通过切换引入补偿的极性来穿越临界转频,从而实现引入LMS反馈补偿后全转速范围闭环稳定。实验结果表明,该方法在全转速范围内均能大幅减小位移信号中的转速同频分量。     

基于加权GMRES的多项式预处理广义极小残差法

Essai对求解非对称线性方程组的广义极小残差法(GMRES)进行改进,提出加权GMRES方法(WGMRES).该方法具有良好的收敛效果,但计算量较大.本文利用加权GMRES本身构造出一种有效的多项式预处理并与加权GMRES结合,构造了一种新算法.该算法能够显著地减少加权GMRES迭代次数,并能减少运算量和储存量.数值算例表明,相对于加权GMRES方法来说,新算法减少了运算时间和迭代次数.     

基于BP网络的苹果硬度高光谱无损检测

目的为了实现基于高光谱成像以及误差反向传播(BP)网络模型的苹果硬度快速无损检测。方法利用高光谱成像采集系统采集采后"富士"苹果的高光谱图像,然后提取整个苹果样本区域的平均反射光谱;利用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)实现对标准正态变换预处理后光谱数据的降维;研究基于全光谱以及特征光谱的预测苹果硬度BP网络模型。结果采用SPA和CARS分别从256个全光谱中提取了18个和16个特征波长,明显提升了预测模型的运行效率,且SPA+BP网络模型具有相对较好的苹果硬度预测能力(rp=0.728,RPm=0.282 kg/cm2)。结论研究表明基于高光谱成像技术和BP网络建立的预测模型可快速无损预测苹果的硬度。     

黄酒糖度近红外光谱降维算法的研究

选取PCA、PLS线性降维算法,LLE、LTSA、ISOMAP、FastICA非线性降维算法对光谱数据降维并建立PLS预测模型.结果表明,线性降维算法中建模效果最好的为PCA算法;非线性降维算法中建模效果最差为FastICA算法;在黄酒近红外光谱降维中非线性降维算法优于线性降维算法.选取ISOMAP-PLS和BP非线性模型对光谱数据进行建模.结果表明,ISOMAP-PLS预测效果优于BP预测效果从而验证非线性降维算法结合PLS建模的可行性.     

同色异谱黑在光谱降维中的应用研究

目的研究同色异谱黑在光谱降维中的应用。方法基于同色异谱黑光谱特性提出MBPCA光谱降维法。该方法将颜色光谱分解为基本光谱和同色异谱黑光谱,基本光谱的基向量由原始光谱通过PCA法得到的前3个基向量构成,原始光谱与基本光谱之间的残余光谱作为同色异谱黑光谱,其基向量由残余光谱通过PCA法推导。结果当降维光源与实际光照光源一致时,只要基向量数目超过3个,其低维模型的色度精度皆为0,当用6个基向量重构光谱时,在4种标准光源下的平均色差接近于1。结论 MBPCA法与PCA法相比,其光谱重构精度与PCA法接近,色度精度比PCA法有明显提高,其六维模型能有效满足光谱颜色复制的需要。     

面向颜色再现的光谱降维方法研究

目的为了解决颜色信息光谱反射率的高维数给颜色再现过程带来的诸多问题。方法利用主流的光谱降维方法(主成分分析,Lab PQR,WSPCA,WSPCAplus),实现利于颜色再现的光谱信息筛选,从光谱精度、色度精度及变光源色差稳定性等3个方面评价这些降维方法。结果实验证明,主成分分析(PCA)法的光谱精度最高,光谱误差只有0.0076,但是在色度精度及变光源色差稳定性方面表现不好;Lab PQR法在光谱精度和色度精度间达到了很好的平衡,但是当变换光源时,其色差稳定性较差;WSPCA法去除了光源的影响,其变光源后色差变化不大,并且同时兼顾了色度精度,但以牺牲光谱精度为代价,WSPCAplus在其基础上将光谱精度提高为0.0081。结论研究结果对颜色再现过程中降维方法的选择具有一定的指导作用。     

基于LLTSA的转子故障数据集降维方法

特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性数据集中获取反映转子运行状态的敏感特征信息,导致故障模式识别精度降低。局部切空间排列算法（LTSA）对部分高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此,在LTSA算法的基础上结合线性分块思想,提出线性局部切空间排列算法（LLTSA）。该算法充分考虑了数据集的整体与局部结构,将数据样本空间划分为一组最大线性块,使降维后的同类数据具有更好的聚类性。通过高维非线性转子振动数据时域特征数据集对该算法进行验证,结果表明经该算法降维后的数据集具有较好的聚类与分类性能。     

基于特征融合与降维的印刷套准识别方法

目的针对单一方面特征难以准确表达印刷标志套准状态的问题,研究印刷标志图像多维特征提取、融合和降维的印刷套准识别方法。方法提取印刷标志图像的灰度共生矩阵、Tamura纹理特征、灰度差分统计特征和灰度梯度共生矩阵表达其纹理,并采用主成分分析法对融合后的多维特征进行降维处理,得到主特征。将印刷标志图像的主特征数据分成训练集和测试集。支持向量机模型通过对训练集的学习确定模型参数,然后在测试集上验证模型的性能。结果文中建议方法在测试集上的识别准确率为99%,训练集对支持向量机模型的训练时间为1.9327 s,模型在测试集上的识别时间为0.0307 s,模型的总体时间(训练时间和识别时间之和)为1.9634s。结论文中建议方法优于采用单一方面特征的识别准确率;同时在不影响识别准确率的情况下,优于未PCA降维方法的模型训练时间、识别时间和总体时间。     

一种基于小波级数分解的LMS自适应除噪方法

将小波级数引入ＬＭＳ算法，利用小波的时频局部特性，将小波级数同ＬＭＳ算法结合，提出了一种新型的基于小波级数分解的ＬＭＳ方法，提高了ＬＭＳ算法的收敛速度，并应用于自适应滤波器，提高了自适应滤波器整体的收敛速度及输出的信噪比。文中给出了算法的推导，并用模拟实验进行了验证。     

基于拓扑降维法路径规划的状态空间划分原则

在拓扑降维法理论的基础上，提出了划分状态空间的一个原则，即用机器人肘关节运动禁止区划分机器人腰关节角度集合，并对状态空早分原则做了归纳和总结。     

基于小波包近似熵与LMS加权特征融合异步电机故障诊断

针对大多数情况下异步电机故障在不同传感器和转频等工况参数下的近似熵集合存在差异,难以有效提取表征不同故障状态的信号特征,进行故障状态识别的问题,提出一种基于小波近似熵与加权最小均方误差LMS的特征融合异步电机故障诊断方法。首先,通过小波包分解电机正常、转子不平衡、转子弯曲以及基座松动等故障信号,得到不同频带的信号特性,然后选取最优尺度提取不同频带上近似熵构成集合。然后,结合同种故障不同运行状态下的近似熵集合,通过采用自适应LMS算法进行加权融合提取电机不同故障状态的最优特征,将其作为SVM的输入进行故障分类,从而实现不同工况下故障状态的精确识别。最后,针对异步电机正常运行、转子不平衡、转子弯曲、基座松动四种运行状态,分别采用所提出的SVM分类法和BP神经网络法,结果表明SVM分类法比BP神经网络法的分类识别率更高,诊断效果更好。