线性判别函数对刀具监视中声发射信号的分析

在全自动化制造系统中，为了保证系统运行的稳定性、可靠性，必须对刀具磨损进行的线监视。声发射是近年来刀具监视研究中发展的最重要的技术之一。本文用时间序列的分析方法对刀具切削中的声发射号建立自回归模型，用线性判别函数进行分析实现对工具的监视实验证明，所用方法是可行的。     

一种适于高维小样本数据的线性判别分析方法

针对高维小样本数据的类（模式）内离散度矩阵常为奇异,提出了一种改进的线性判别分析方法ModLDA。它通过嵌入偏最小二乘算法,完成投影方向矢量的稳健估计,进而提取出若干个特征变量。而后基于特征变量张成的低维空间,构造样本类别的线性判别函数。在实证中,将ModLDA应用于药物光谱数据的化学模式识别,结果显示ModLDA方法判别能力明显优于其他方法。     

基于线性判别分析的表面肌电信号动作模式识别

表面肌电信号(SEMG)属于非平稳的生物电信号,特点是信号微弱、易受干扰.为了有效提取表面肌电信号(SEMG)特征、更好地识别人体上肢运动的模式,针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法.通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号,取平均绝对值(MAV)和均方根(RMS)为特征参数,应用线性判别分析(LDA)方法对样本特征矩阵进行模式识别.与其他特征识别方式的对比实验表明,此方法的动作识别率更高,能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,动作的平均识别率达到了99.5%.     

一种基于运动模式识别的视频对象编码算法

针对块匹配运动估计补偿（ME+MC）算法的不足,提出了一种基于自组织特征映射（SOM）的运动模式识别（MPR）算法,应用于会议电视的视频对象编码. 为了进一步提高SOM算法的性能,提出了频率敏感自组织特征映射（FSSOM）算法. 实验结果表明,FSSOM－MPR算法较ME+MC算法具有更好的编码性能,在压缩比为180∶1时,重建视频图像的平均峰值信噪比（PSNR）有3.3 dB的改善.     

混合系数线性模型参数的一种新估计

将混合系数线性模型转化为一般线性模型,借助于其相应的知识,给出了混合系数线性模型的固定系数,随机系数的期望和方差的新估计,证明了所得的估计为最佳线性无偏估计,并讨论了这些估计的性质．     

一种新的基于模型和参数估计的过程故障诊断

提出了一种故障特征化的方法和基于距离分类的故障模式识别方法，既利用参数估计拓展了模式识别的特征空间，又避免了基于模型故障诊断方法求解非线性特征方程ｐ＝ｆ（θ）的困难，提高了故障诊断定位能力。     

基于局部线性降维拓扑空间的主轴故障诊断方法

机床主轴故障的形成是一个长时间历程渐进性发展的过程,为了实现主轴系统的故障预警和智能维护,需要准确提取主轴早期故障的特征。主轴的早期故障信号特征微弱难以获取,为解决早期故障原始信号特征不具备良好可分性的困难,提出基于局部线性降维拓扑空间理论的主轴故障特征提取方法。该方法首先采集主轴系统的振动信号,然后对信号进行小波降噪处理并进行信号重构;用获取的重构信号构造轴心轨迹的高维流形拓扑空间,使用局部线性降维算法获得主轴系统的故障敏感特征。经过实验验证,该方法能准确地提取故障敏感特征,为判断主轴故障提供了依据。     

混合系数线性模型参数的一种新估计

将混合系数线性模型转化为一般线性模型，借助于其相应的知识，给出了混合系数线性模型的固定系数，随机系数的期望和方差的新估计，证明了所得的估计为最佳线性无偏估计，并讨论了这些估计的性质。     

一种基于模式识别的故障在线诊断方法

该项研究的目的是为了提高快速实时自动控制系统的在线故障诊断能力。介绍了一个基于模式识别的故障在线诊断系统,并结合一个电力电子电路故障诊断实例说明了该系统的具体实现。针对采用软件实现时在线诊断能力不强的缺点,提出了一种软硬件相结合的方法,以提高在线诊断能力。重点讨论了实现这一方法的专用波形采集卡的结构和功能,以及相关的技术处理措施。实验结果表明,该方法思路正确,显著地提高了在线故障诊断能力。     

一种基于扩散映射的非线性降维算法

非线性降维方法旨在保持数据局部结构的同时,使不在一个邻域内的点之间的距离变得松弛．作为一种新的流形学习框架,扩散映射通过在扩散过程中保持扩散距离进行降维．基于扩散映射的理论背景,建立了多层谱分解的数值算法,并具体给出了用扩散映射进行非线性降维的算法．实验结果表明,与传统的非线性降维方法相比较,该算法能够发现非线性高维数据的本征维数,并且对噪声具有很好的鲁棒性．     

样本线性判别函数精度的影响分析

利用判别分析与回归分析的关系，将回归分析中影响，分析的应用到判别分析中，讨论了一组试验数据对样本线性判别函数精度的影响问题，给出了样本线性判别函数精度的强影响点的定义，以及相应的确定强影点的统计量及其分布，从而得到了样本一性差别函数精度的强影响点的判别法。     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

一种新的模式识别特征评选与简化方法

基于粗集理论，从模式识别表达知识系统的方法出发，讨论了对于系统根据特征描述瓣分类的上近似、下近似概念，提出用去掉某些特征后对系统模式识别的影响来衡量该特征的分类能力，以模式识别效果为依据来评选有用特征，从而实现特征集的简化和珠一种新方法，这种方法对于对降低知识表达的空间维数，简化信息处理也十分有用。     

一种快速结构模式识别的新方法

首先对图象进行二值化,再用数学形态学中的闭合和开启算子从所得的二值图象中提取出模式的封闭边缘,随后通过对此边缘进行直线逼近得一多边形,最后将此多边形与各模板进行匹配而完成对模式的正确识别。仿真表明,这种识别方法具有尺度、平移和旋转的不变性,而且识别速度很快。     

一种改进的自适应模式识别系统

自适应模式识别系统具有大规模并行分布处理能力，通过性和自适应性，因而显示了巨大的潜力，但由于其结构的原因，系统性能受到了一定的限制。利用Ｐ．Ｋａｎｅｒｖａ提出的稀疏分布存贮原理对自适应模式识别系统进行改进，提出了一种新的系统模型，并就新系统的工作过程和主要特点作了较为详尽的叙述。     

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。     

一种用于时空模式识别的综合神经网络

介绍了一种用于时空模式识别的综合神经网络模型，称为ＴＳ－ＬＭ－ＳＯＦＭ．该网络的顶层是一种称为ＴＳ（ｔｅｍｐｏｒａｌｓｅｑｕｅｎｃｅ）的单层时序识别网络，可以把时序模式转换成抽象的空间模式．该网络的底层是ＳＯＦＭ（自组织特征映射网络），用于空间模式特征检测．ＬＭ（学习矩阵）用于上述两层的联接．在实验中，用移动机器人超声阵列传感器作为输入训练，结果表明，该神经网络输出的模式能够较好地抽象表示输入信号的时空特征．     

一种基于小波消噪技术的平直度模式识别方法

为了提高平直度模式识别的精度,引入小波消噪技术对平直度信号进行预处理,然后采用以1次、2次、3次和4次勒让德多项式作为平直度基本模式的基于最小二乘原理的多项式回归方法进行模式识别,提出了一种计算精度高、抗干扰能力强的平直度模式识别方法。该方法能够从本质上提高平直度模式识别的精度,计算过程稳定可靠,能够为平直度控制模型提供准确的平直度信息,适合在线应用。     

一阶线性非奇次微分方程的稳定性

在对各种映射的Hyers-Ulam稳定性问题的讨论中,其中对线性映射的研究占据了重要的一部分.该文先是给出了一些重要引理的证明,然后讨论了实区间(a,b)上非齐次线性微分方程φ(t)y′(t)=y(t)+h(t)的Hyers-Ulam稳定性问题.