信息融合在飞行器智能健康诊断中的应用

提出了一种基于经验模态分析(Empirical mode decomposition,EMD)和D-S证据相结合的飞行器健康诊断方法.该方法首先对由声发射传感器募集到的飞行器关键结构部件原始声发射信号进行EMD,得到多个内禀模态分量,选取内禀模态能量构建声发射信号的特征向量,并分别采用模糊神经网络、GRNN网络和Elman神经网络对提取出的特征向量进行分类,最后运用D-S证据理论进行决策融合,对飞行器的健康状态进行诊断.实验表明,运用此方法对某型号真实飞行器关键结构部件的健康状态进行诊断,可以得到很好放入诊断结果.与单分类器相比,采用D-S证据理论进行决策融合有效地提高了故障诊断的精度.     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于EMD与邻域粗糙集的液体电磁阀故障诊断

液体电磁阀的故障诊断是保证飞行器动力系统正常工作、实现故障快速定位的重要手段。为了对液体电磁阀进行检测与诊断,提出了一种基于经验模态分解（EMD,Empirical Mode Decomposition）与邻域粗糙集相结合的新方法。首先对电磁阀的结构、故障形式、故障机理进行了分析,通过采集电磁阀正常、弹簧失效、阀芯卡滞、线圈异常、电气短路五种状态的驱动端电流信号,对不同状态的电流进行了分析。针对电流稳态长度难以控制,EMD分解获得的本征模态函数（IMF,Intrinsic Mode Function）分量的能量熵存在不一致的特点,选用电流变化率作为特征对其进行EMD分解。引入数据挖掘思想,采用邻域粗糙集构造贪心式属性约简算法进行属性约简,将约简后的属性集输入所设计的C4.5决策树算法,经过训练,其诊断准确率达到98%。研究结果表明：该方法能够实现液体电磁阀的快速诊断,具有一定的应用价值。     

利用EMD的自适应图像去噪

为了在去噪的同时保证图像细节尽可能不被破坏,提出了利用经验模式分解（Empirical Mode Decomposition,EMD）的自适应图像去噪方法。对噪声图像按照列、行、左对角和右对角方向一维展开,分别进行EMD处理,采用提出的基于噪声标准差的自适应阈值对各个基本模式函数（Intrinsic Mode Function,IMF）进行局部硬阈值去噪,将去噪后的IMF进行反变换分别获得按照四个方向展开对应的去噪后图像,将它们加和平均得到去噪后图像。实验结果表明,提出的方法能够有效地去除图像的噪声并保留足够的图像细节。     

多通道图像EMD及应用

针对现有的经验模态分解方法（Empirical Mode Decomposition,EMD）对多通道图像（如彩色图像）进行分解时通常忽略各通道图像之间相关性的问题,提出了一种多通道图像EMD方法。该方法采用双拉普拉斯算子插值得到图像上下包络,并建立一个整体筛分停止准则进行筛分来考虑各通道图像相关性,能够将多通道图像自适应分解为数目不多的内蕴模态函数（Intrinsic Mode Function,IMF）分量和一个余量,其中内蕴模态函数分量体现了原始图像不同尺度的特征信息,余量体现了图像的整体变化趋势。该方法可以应用在图像锐化、夜景图像增强等图像分析和处理领域。实验结果显示该方法能够取得较好的效果。     

IMF复杂度特征在心音信号分类识别中的应用

为提高非线性、非平稳心音信号特征提取的准确性和分类识别的高效性,提出一种基于固有模态函数（Intrinsic Mode Function,IMF）复杂度和二叉树支持向量机（Binary Tree Support Vector Machine,BT-SVM）的心音分类识别方法。对心音进行经验模式分解（Empirical Mode Decomposition,EMD）,得到若干反映心音本体特征的平稳IMF分量;利用互相关系数准则对其筛选,计算所选IMF分量的复杂度值为信号的特征;将其组成特征向量输入到BT-SVM进行分类识别。临床数据仿真结果表明,该方法能有效提取心音特征,与传统识别方法相比,具有训练时间短,识别率高等优点。     

基于EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题,提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法,并利用改进的粒子群优化（Particle Swarm Optimization,PSO）算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比。分析得到前6阶IMF能量占比在前99%以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标）,得到9维特征参数矩阵。并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。     

公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解（Empirical Mode Decomposition,EMD）和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式（EMD）分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,观察并计算每个IMF分量的能量谱,筛选有效的IMF频段（5~28 Hz）,使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机（Support Vector Machine,SVM）进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。     

飞行器健康状态的灰色预测方法

针对飞行器健康状况难以准确预测的问题,提出了一种基于小波包变换与自适应多变量灰色预测模型对飞行器健康状况进行预测的新方法。采用先进的声发射技术监测飞行器关键部件的健康状态,运用小波包对由声发射监测系统募集到的飞行器关键部件原始声发射信号进行三级小波包分解,分别提取其第三级小波包分解中八个频段分解系数的能量最大值、方差最大值和范数最大值作为特征向量,并以此构建三变量MVGFM（1,n,β）模型。运用该模型对飞行器关键部件的健康状态进行预测研究,并通过该模型预测值与特征真实值之间的相对偏差来修正模型中参数β,以提高模型的下一步预测精度。实验结果表明,提出的自适应MVGFM方法可以动态实现对飞行器关键部件裂纹故障的准确预测,其预测准确度明显高于GM（1,1）模型,从而证实了该方法的有效性。     

海面目标的自适应预白化检测前跟踪算法

针对超视距雷达的海面目标检测问题,提出一种基于自适应预白化处理的检测前跟踪（TBD）算法。在目标TBD处理之前,利用海杂波的自回归模型构建白化滤波器进行杂波预白化,在跟踪阶段采用递归贝叶斯算法估计目标运动状态,在检测阶段通过跟踪滤波器的输出构造广义似然比进行似然比检测。不同信噪比下的仿真结果表明,该算法能有效抑制海杂波,检测到低信噪比的目标。．     

神经网络集成的城市道路状态判别模型研究

针对城市道路交通状态影响因素多、判别难的特点,在分析K-均值聚类算法和概率神经网络（PNN）的基础上,利用多源检测信息的互补性,提出一种基于快速全局聚类分析的概率神经网络集成模型,通过聚类提高集成网络间的差异度,同时利用主成分分析（PCA）优化概率神经网络结构,仿真实验表明该模型与传统的集成方法Bagging相比,能够利用更简单的网络结构,快速有效地识别出城市道路交通状态,为交通预警和诱导策略的制定提供数据依据。     

基于经验模态分解的WVD交叉项抑制法

针对Wigner-Ville分布(WVD)存在交叉项的问题,提出一种基于经验模态分解(EMD)的WVD交叉项抑制方法,将EMD得到的各固有模态函数去伪后进行WVD计算,将WVD分析结果线性叠加后重构出原始信号的WVD时频分布。仿真结果表明,该方法能有效抑制时频分布的交叉项,保证WVD的时频聚集性,分析信号的调幅调频现象。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

基于三参数Chirplet变换的ARM检测

根据反辐射导弹(ARM)回波信号的特征,选择Chirplet变换5个参数中的3个,得到三参数Chirplet变换,并结合自适应线性预测滤波算法,提出一种基于三参数Chirplet变换的ARM检测方法。该方法可有效缩小搜索范围和降低输入信噪比要求,且可借助FFT实现。仿真结果表明其可在大载机回波干扰和低信噪比环境下快速准确地检测出ARM回波,实现实时告警。     

深度自编码器在数据异常检测中的应用研究

针对自编码器网络（AE）需要正常数据进行训练的局限性,结合主成分分析方法,将AE的每次重建输出与输入数据进行求差,隔离出异常数据部分,即将输入数据分为正常与异常部分,正常部分由AE重建输出,异常部分由近端法进行优化输出,最后采用交替方向乘子法训练整个模型并达到预定训练次数再输出结果,实现了一种基于深度自编码网络（DAE）模型的无监督数据异常检测方法。在7个真实数据集与8种机器学习模型和AE模型进行了对比实验,结果表明,DAE模型无需输入正常数据就可以有效进行模型训练,且可以防止模型的过拟合,其综合表现高于传统机器学习模型和AE模型,AUC值在4个数据集中达到最优。在mnist数据集中,DAE模型的AUC值相比于孤立森林（IF）方法提高了10.93%。     

基于EMD方法的机电作动系统故障特征提取

提出基于经验模式分解(EMD)分析的特征提取方法,该方法自适应地将故障信号分解为不同频段上的基本模式分量(IMF)之和,由于只有少数IMF对故障敏感,从而可以有效提取故障特征。实验结果表明该方法可有效提取电机早期隐性故障特征,为飞机机电作动系统的故障预测和健康评估提供必要的前期准备。     

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。