基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用

机械设备从正常到故障往往经历一系列退化状态,正确识别设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。提出了一种基于小波特征尺度熵一隐半马尔可夫模型(HSMM)的设备退化状态识别新方法。通过小波变换提取小波特征尺度熵,然后构造信号的小波特征尺度熵向量,并以此作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。并且以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,实验结果表明该方法能有效的识别设备的退化状态。     

一种核主分量分析重构的雷达目标识别方法

针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间,再将测试样本投影到各角域特征子空间中进行重构,最后通过计算最小重构误差来判别测试样本的类别。基于5种飞机目标的仿真实验表明,核主分量分析重构方法可以松弛角域划分范围,降低角域划分的精度要求,相比主分量分析重构方法和最大相关系数模板匹配法有效提高了识别性能。     

S变换相对谱熵及其在液压泵退化状态识别中的应用

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。     

基于改进动态时间规整的雷达状态识别方法

针对机载雷达行为感知特征维度高,感知准确率低的问题,在典型雷达行为多级建模的基础上,将脉冲描述字(PDW)序列数据作为输入,提出一种基于语义模式距离的动态时间规整(DTW)雷达行为感知算法。该方法基于主成分分析(PCA)方法进行特征降维,并利用时间规整函数描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数,据此进行机载雷达工作模式与状态的感知。仿真结果表明,该方法在较好的实时性前提下对机载雷达工作模式与状态的整体感知准确率达到90%以上,证明该方法有效可行,具有较好的工程应用前景。     

基于双层隐马尔可夫模型的重型车辆行驶状态辨识方法研究

为实时监测并发现重型车辆危险行驶姿态,在重型车辆侧翻预警系统中,采用一种基于双层隐马尔可夫模型的重型车辆行驶状态辨识方法,动态辨识重型车辆行驶状态。选取典型重型车辆行驶工况,采集相应工况数据,采用T-G检验法对数据序列进行剔除异常数据预处理。利用K-means算法设定重型车辆行驶状态的阈值。利用Baum-Welch算法对双层隐马尔可夫模型进行优化,应用优化后的隐马尔可夫模型进行重型车辆行驶状态在线辨识。辨识结果表明：该模型可准确、高效地辨识各个单一和复合工况下的车辆行驶状态,并且具有很好的实时性。     

基于MH MM的导引头伺服机构机械故障智能诊断

针对导引头伺服机构结构局部损伤难以基于传统时频域信号分析方法进行有效诊断的问题,提出一种基于多链隐马尔可夫模型(MHMM)的多通道特征融合智能故障诊断方法.首先,充分利用多通道信号中蕴含的丰富机械故障特征信息,基于多通道采集的振动信号和经典时域特征提取方法,构建多通道时序特征库;然后,利用多链隐马尔可夫模型所特有的动态...     

基于熵权的图像分割性能灰色评判

为了克服传统的灰色综合评判中主观赋权的局限性,借助于信息工程学中的熵的概念,根据各评价指标的差异程度来修正权重,建立了一种新的综合评判模型——熵权灰色综合评判模型,并将该模型应用到图像分割性能评判当中。讨论影响图像分割性能的各种因素,从评判的灰色性入手,运用灰色数学的原理和方法对各因素从理论上进行定量分析。对因素权重的确定,不是单凭主观判断,而是采用熵权系数法进行客观计算。评价对象的固有信息得到充分利用。避免了以往评价中只强调过程的某几项少数指标而忽略其它指标的缺点。因此,该模型具有更好的有效性和实用性。     

基于数学形态分形维数与模糊C均值聚类的滚动轴承退化状态识别

针对滚动轴承的退化状态识别问题,融合数学形态学与模糊聚类理论,提出一种基于数学形态分形维数与模糊C均值聚类的退化状态识别方法。以数学形态分形维数作为滚动轴承的性能退化特征,从分形角度定量描述其复杂度与不规则度。鉴于不同退化状态边界的模糊性,将模糊C均值聚类方法应用于对退化状态的模糊聚类中,根据最大隶属度原则识别轴承性能退化状态。依托杭州轴承试验研究中心进行滚动轴承疲劳寿命强化试验,采集了滚动轴承从完好到失效的整套全寿命数据,将该方法应用于滚动轴承全寿命周期振动信号中,总体状态识别成功率达到96%. 研究结果表明：该方法计算代价小、效率高,能够有效地识别出滚动轴承的性能退化状态。     

基于ICA和HMM的战场混叠声目标识别

为识别战场混叠声目标,提出一种基于独立分量分析(ICA)的声目标盲分离和隐马尔可夫(HMM)识别的混合声识别方法.建立已知声目标的HMM,实现混叠声目标盲分离,提取的线性预测系数作为声目标识别参数,通过K均值聚类得到训练和识别特征向量,通过Viterbi解码判断声目标的类别.仿真结果表明,ICA分析能有效地分离混叠声目标信号,基于线性预测系数的HMM识别率较高,混合模型识别系统在混叠声目标识别中具有可行性.     

多尺度粒子滤波算法对目标状态估计的研究

当观测值给定的条件下,为了提取未知参数的信息,文中基于Gibbs与Metropolis-Hasting两种重要采样提出了多尺度粒子滤波算法。该算法在目标状态空间上一条马尔科夫链上,采用不同的粗细尺度进行交替采样来传递目标的状态信息和参数信息,从而搜索目标状态的最大后验分布函数。从而实现对机动目标状态的最优估计。其中细尺度采样保持了估算的精度,粗尺度提高了运算效率。仿真表明,该新算法实现了算法精度和效率的良好折衷。     

基于双谱熵模型的故障模式识别

提出利用双谱计算信号的双谱熵,并作为特征参量进行故障模式识别的方法。分析了振动信号双谱的特征,在子空间分布概率下,推导了基于能量分布的双谱熵计算方法。在理论推导分析的基础上,进行了某齿轮箱在4种工况下的振动信号提取实验,建立了齿轮箱故障模式识别BP神经网络。最后将双谱熵特征参量作为输入,对设置了4种故障工况的齿轮箱进行了故障模式识别,成功地判别了4种工况,验证了方法的有效性。     

基于数据融合的机电设备状态评估方法

针对机电设备状态评估中测试信息模式不一、定量和定性信息共存等问题,提出一种基于数据融合的机电设备状态评估方法。详细介绍机电设备的状态评估过程,运用D-S证据理论进行机电设备状态评估的决策层融合并进行仿真测试。仿真结果表明：将数据融合技术应用于机电设备的状态评估是可行和有效的,不同评估方法提供的决策信息经过多次融合、反复抽取有用信息后,能降低判断的模糊性,提高状态评估的可信度。     

相关证据下的水中目标识别方法研究

研究了基于现代信号处理技术的舰船辐射噪声信号特征提取，提出了基于欧氏距离特征标准化的算法和基本概率赋值的获取方法，给出了相关证据下的信息融合规则。通过对大量实船噪声样本进行实验分析表明，该方法可以提高对水中目标识别分类结果。     

基于谱相关的正弦调频和脉间伪码调相复合体制侦查信号识别

推导了正弦调频和脉间伪码调相复合体制信号的谱相关函数(SCF)，基于谱相关特征给出了对该复合体制侦察信号的自动识别算法。分析了宽带调频和窄带调频两种情况下谱相关函数的特征,对载频、调制频率、调制系数以及伪码的子脉冲宽度、子脉冲重复周期、编码个数进行了盲估计,分析了信噪比对参数估计精度的影响。仿真分析表明，在SNR为-5dB时,对载频和调制频率估计的归ー化均方根误差（NRMSE)小于2.5%,在SNR>0dB时,对伪码参数估计的NRMSE小于7.5%.     

基于随机森林的HRGV滑翔段飞行状态识别

针对临近空间高超声速再入滑翔飞行器(Hypersonic Reentry-Glide Vehicle,HRGV)滑翔段飞行状态识别问题,提出了一种基于随机森林的识别方法。首先将目标的飞行状态分为6类,通过运动方程生成具有代表性的飞行数据;其次分析了目标运动特性,利用运动参数构造特征属性并对其进行处理和筛选,得到最终样本数据。为实现雷达跟踪轨迹的飞行状态识别,将雷达跟踪数据进行平滑处理,经坐标变换后得到运动参数估计结果,并用训练好的分类器识别目标的飞行状态。试验结果表明,所设计的随机森林分类器识别精度较高,但当运动参数的估计存在误差时,识别精度会有一定程度的下降。     

采用主分量分析的非合作水声通信信号调制识别

由于信道传输特性、信噪比低等因素的影响,非合作水声通信信号的调制识别极具挑战性。对信号功率谱、平方谱进行主分量分析,提取代表不同类型调制信号特有信息的主分量作为特征参数,从而降低特征参数维度、抑制噪声影响,并在此基础上设计一种基于人工神经网络的水声通信信号调制方式分类器。海上实录信号数据的识别实验结果表明了该方法的有效性。     

基于D-S证据理论的红外小目标识别方法

提出了一种基于D-S证据理论的红外小目标融合识别方法。该方法首先对中红外和远红外成像小目标进行目标特征的提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用改进的D-S组合公式进行融合识别。融合识别试验表明该方法能在传感器工作不正常的情况下仍然可以根据对两个传感器输出的结果进行融合对目标进行有效的识别。     

基于时空信息融合的复合引信目标识别方法

针对传统导弹引信不能有效识别目标的问题,提出了基于时空信息融合的复合引信目标识别方法。该方法利用BP(Back Propagation)神经网络获取基本概率赋值,根据时空信息融合算法进行证据组合,最后通过Dempster决策规则得到复合引信目标识别结果。实践表明,利用该方法进行复合引信多传感器信息融合,能够提高引信对空中目标的识别率。