高斯混合模型与小波包能量相结合的齿轮故障分类

提出小波包能量与高斯混合模型相结合的齿轮故障分类算法。利用小波包分析提取某种模式下齿轮振动信号多层分解后的不同频带内的能量,并进行归一化处理。然后以各频带能量为元素构造该模式的特征向量,利用这些特征向量以及高斯混合模型良好的数据分布刻画能力,对该模式进行描述。最后采用贝叶斯分类器进行齿轮故障分类。采用该方法对齿轮振动信号进行故障识别,结果表明能取得比人工神经网络算法更高的识别率。     

基于正态反高斯模型的自适应小波消噪方法

提出一种基于正态反高斯分布模型局部逼近小波系数的降噪算法。该算法以db5小波作为振动信号的分解小波,对噪声信号进行分解。对于分解过程中包含大量噪声的小波系数,利用具有良好细节逼近性能的正态反高斯分布构造先验模型,在先验模型的基础上,运用贝叶斯最大后验概率估计从含噪的小波系数中估计出真实的小波系数。在后验估计的过程中,对于估计模型中的关键系数采用粒子群算法进行优化选取。利用估计的小波系数来重构信号,得到降噪后的信号。通过仿真实验和实际轴承的故障信号对该方法进行了验证,结果表明,该方法具有较好的降噪效果,可以有效的消除信号的噪声。     

一种用于说话人辨认的概率神经网络的MCE训练算法

提出了一种基于最小分类错误准则的概率神经网络的训练算法.实验结果表明,这种分类网络及其学习算法在30个说话人辨认应用中利用5秒清晰语音获得98.4%的辨认率,利用15秒电话语音获得85.1%的辨认率.     

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达（SAR）图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。     

基于形态学重建和GMM的球团颗粒图像分割

机器视觉技术的发展为颗粒粒径的自动测量提供了一种有效方法,但是,重叠颗粒的图像分割问题仍有待进一步解决。针对这一问题,提出一种基于形态学重建和高斯混合模型的球团颗粒图像分割算法。首先利用似圆度将单独颗粒和重叠颗粒进行区分;根据重叠颗粒图像距离变换特征建立了高斯混合模型;为实现无监督的聚类,采用形态学重建结合聚类有效性指标的方法获得最佳聚类数目,并利用期望极大(EM)算法进行求解;最后采用圆拟合的方法对缺失的球团颗粒轮廓进行重构,实现了对重叠球团颗粒的分割。实验结果表明,该算法能够有效地对重叠颗粒进行分割,分割正确率评价指标AC为93.6%,明显优于现有的对比算法,为基于机器视觉的球团颗粒粒径分布测量奠定了基础。     

基于排列熵和GMM的说话人识别系统

文章设计的说话人识别系统,采用基于排列熵的端点检测算法,对采集的语音信号提取能够反映人对语音的感知特性的Mel频率倒谱系数(MFCC)进行矢量量化.设计的GMM模型通过实验调整模型参数,对说话人进行识别取得了很好的结果,鲁棒性、识另惜果、系统计算量、复杂度都比较令人满意.     

基于训练局部字典的倒装芯片高频超声检测信号稀疏去噪方法

针对高频超声检测倒装芯片缺陷的精度易受噪声影响以及高频超声信号维度高的问题,提出一种基于K-奇异值分解(K-Singular value decomposition, K-SVD)训练局部字典的高频超声信号稀疏去噪方法。采用K-SVD训练字典来减小信号与字典中原子之间的误差,并针对K-SVD不能训练高维度字典的问题,将高频超声信号分段,在低维度字典上对局部信号进行稀疏分解,从而降低训练字典和稀疏分解的计算复杂度;利用信号的全局最大后验概率(Maximum a posteriori probability, MAP)估计重构信号,消除因局部处理带来的信号跳变,实现高频超声信号的去噪。仿真和试验结果证明,提出的方法能够有效的去除高频超声信号中的噪声,与在全局字典上进行高频超声信号的稀疏分解相比,采用局部训练字典对信号进行稀疏分解在保证去噪性能的同时降低了计算复杂度。     

基于稀疏表示分类的说话人识别算法及其在智能考勤系统中的应用

智能考勤系统在企业对员工的出勤考查中具有十分重要的作用。为了提高语音考勤系统的准确性,提出基于稀疏表示的说话人识别算法。该算法在通用背景模型的基础上提取说话人语音的高斯混合模型超向量,采用线性判别分析技术对超向量进行信道补偿和降维,再由低维超向量形成稀疏表示的过完备字典。根据话者测试语音在过完备字典上的重构误差,对话者的身份进行验证。实验结果表明,基于稀疏表示分类的语音考勤系统具有良好的性能。     

基于ECMS算法的能量管理策略研究

控制策略是混合动力汽车的核心技术之一,直接影响了混合动力汽车的经济性、动力性等。本文以Prius混联式混合动力汽车为研究对象,进行ECMS算法的研究,对算法中的等效系数的确定以及等效系数的主动修正进行研究分析,先根据行驶工况确定参考等效系数,再根据电池SOC对等效系数进行调整,并在AVL/CRUISE中建立整车模型,在SIMULINK中设计了基于ECMS算法的控制策略,进行整车经济性的仿真分析,仿真结果表明所设计的控制策略能够在实现较好的燃油经济性的同时维持电池SOC的平衡。     

基于改进双树复小波的光谱去噪算法研究

为了消除可见光近红外光谱噪声,提高利用光谱曲线进行信息提取的精度,提出一种改进双树复小波变换(DTCWT)的后验估计及广义形态滤波的光谱去噪方法。首先对带噪信号进行双树复小波分解,将信号的高频部分和低频部分进行分离。然后分别采用最大后验(MAP)估计算法和广义形态学滤波(GMF)对高频系数和低频系数进行去噪处理。最后对去噪后的高频系数和低频系数进行DTCWT反变换,得到去噪光谱。对USGS光谱库中的植被光谱以及铁铝榴石光谱进行实验,结果表明该方法易于实现,去噪效果理想,是一种很好的可见光近红外光谱去噪方法。     

一种新的半监督直推式支持向量机分类算法

传统的支持向量机(SVM)是一种有监督学习方法,需要大量有标记样本,然而有标记样本的数量十分有限且获得困难。因此,当存在海量的无标记样本时,如何有效地利用这些数据成为了机器学习面临的重要任务。研究提出了一种新的半监督直推式支持向量机分类算法,将半监督算法与支持向量机结合,在迭代算法中将无标签样本与有标签样本结合,逐渐得到更可信的分类超平面。理论分析和计算机仿真结果都表明,研究提出的样本能够有效地利用大量的无标签样本,并且无标签样本的加入能够有效地提高分类准确率。     

基于小波包域噪声能量分布的脉冲噪声消除

针对信号被平稳脉冲噪声污染的场合,提出了一种从含噪信号中检测脉冲噪声并降噪的脉冲噪声消除方法.该方法选择脉冲噪声能量相比含噪信号能量最为显著的小波包树节点,并利用该节点小波包系数重构信号进而检测脉冲噪声的时域分布.在降噪中,该方法于小波包域内估计脉冲噪声的能量分布并依据估计结果计算每段脉冲噪声的滤波阀值.将该方法用语音增强实验验证,结果表明所提出的检测算法能获得较好的检测结果,而提出的降噪算法能显著地改善信噪比,获得较好的降噪效果.将文中的检测算法应用于轴承故障检测的信号预处理,进一步验证了方法的有效性.     

测距误差分级的室内TOA定位算法

在室内TOA(time of arrival)定位中,严重的多径和非视距现象造成测距误差较大.如何降低测距误差对定位精度的影响是室内精确定位系统的重要挑战.首先介绍了基于RSSI的室内TOA测距误差分级模型(RSSI based indoor TOA ranging error model,RITEM),该模型根据测距过程的RSSI值大小,将测距误差划分为4个等级,且各个等级的误差区间和对应的RSSI值区间可以通过现场测试获得.将RITEM应用到定位算法中,提出一种基于误差分级的室内TOA定位算法(ranging error classification based indoor TOA localization algorithm,REC).算法根据TOA测距过程中的RSSI值和RITEM实时估计测距误差级别和误差范围,利用极大似然法求得定位区域中标签最大概率位置作为定位结果.仿真和实际测试结果显示,在实际室内环境中,REC定位算法具有较高的定位精度,且平均定位误差、定位误差均方差和90％定位误差、最大定位误差等性能明显好于Ls、CN-TOAG、Nano算法.     

基于噪声抽取的信息隐藏方法研究

信息隐藏技术是在只具平凡意义的载体中隐藏需要进行保密通信的敏感信息,只要人类感觉系统无法察觉由此所引起的载体变化,则此通信中对外表现的只是载体的属性,除了通信双方之外的任何第三方并不知道在此平凡载体通信过程中存在着隐蔽信道,由此以减少敏感信息在信道传输过程中受到攻击的可能性,因此本文认为若将信息隐藏与加密技术结合使用则可以较为完善地解决高强度的保密通信问题.文中利用所提出的基于噪声抽取信息隐藏方法实现了上述方案,算法设计过程中主要考虑了图像质量、全比特恢复能力、保密性、反检测能力等方面的因素,最后给出了实验结果和反检测分析.     

基于自适应稀疏表示的宽带噪声去除算法

为了有效地去除信号中的宽带噪声,提出了一种基于自适应稀疏表示的宽带噪声去除算法.根据噪声成分与信号特征成分之间的不相关或弱相关特点,自适应地确定稀疏分解的终止条件,实现信号的稀疏表示.降噪过程中使用染噪信号构造学习样本,由信号的自适应稀疏表示和原子库的更新迭代实现原子库的训练.染噪信号在训练后的原子库上进行自适应稀疏表示,实现信号的噪声去除.仿真信号和齿轮振动信号的降噪试验表明:该方法具有比小波阈值降噪、匹配追踪降噪方法更好的降噪性能,能够有效地去除信号中的宽带噪声.     

基于SVM和小波的木材纹理分类算法

选用二进正交小波基对木材纹理图像进行多层分解,利用所得到的纹理特征向量分析水平、垂直和对角方向上木材纹理频率分布特点.基于木材纹理的这种频率分布特点,选取能够表达木材纹理特征的一组向量作为SVM分类的特征向量,利用多类SVM分类器对木材纹理样本进行训练和识别分类.实验表明,文中基于SVM和小波的木材纹理分类方法优于传统的分类方法.     

一种基于配对矩阵改进的LE分类算法

拉普拉斯特征映射(LE)算法基于流形学习思想将原始数据映射到低维空间,然而其无法解决样本外点学习问题,更没有使用类别信息.针对这些实际应用问题提出了一种新的基于配对矩阵的拉普拉斯特征映射(PM-LE)算法.PM-LE的目标是使得高维空间中的“相似点”投影到本征低维空间后为近邻点,同时该算法引入类别信息帮助构建近邻图,并且利用最大化相似矩阵及其配对矩阵内积的算法来重新计算权值矩阵,从而更适合应用于分类问题.应用于人脸识别的实验结果证明,PM-LE算法能很好地完成实际的降维和分类任务.     

改进自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法.由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果.为此,提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能.仿真和实际数据验证了该算法的有效性.     

一种基于超磁致伸缩材料的发音头盔

在分析了超磁致伸缩材料工作特性的基础上,提出了一种基于超磁致伸缩材料的发音头盔。介绍了发音头盔的工作原理和结构,超磁致伸缩驱动器以及在头盔中固定机构的设计。该发音头盔极大地提高了头盔的使用性能,具有广阔的推广应用前景。