基于模糊函数等高线与栈式降噪自编码器的雷达辐射源信号识别

针对当前复杂体制雷达辐射源信号识别方法抗噪性能差、识别率低等问题,提出一种基于模糊函数等高线与栈式降噪自编码器的新识别方法。首先对辐射源信号的模糊函数进行高斯滤波并根据线性插值计算等高线,然后采用主成分分析方法降低其特征维度,保留主要模糊能量信息,最后构建深度学习栈式降噪自编码器,学习并提取等高线深层、泛在的特征,并通过Softmax分类器进行分类识别。实验结果表明,该方法在信噪比为0 dB时对6类典型雷达信号的整体平均识别率均保持在99.83%以上,即便是在-6 dB环境中,识别率也可达到83.67%,验证了所提方法在极低信噪比条件下良好的性能和可行性。     

模糊函数主脊切面极坐标域形态特征提取方法EI北大核心CSCD

提取能表现信号本征信息的脉内特征参数是解决当前复杂体制雷达辐射源信号分选难题的有效途径。由于模糊函数能较为细致地反映信号的内在信息,提出一种基于极坐标转换的模糊函数主脊切面形态特征提取方法,该方法首先将模糊函数主脊切面变换到极坐标域以形成封闭的几何图像,然后提取该图像的均面积、致密度和似圆度作为信号分选的特征向量。模糊C均值聚类实验表明,所提特征在大于0 dB条件下分选6类典型雷达信号的成功率保持在95.33%以上,即使在信噪比为-2 dB,分选成功率仍可达到88.5%;在0-20 dB动态信噪比条件下平均分选成功率为99.7%,证实了所提方法的有效性。特征提取耗时实验证明,所提方法提取单个信号特征仅需1.34 s,具有令人满意的时效性。     

基于小波脊和FSVM的雷达辐射源识别

有效的特征提取和信号特征选择是解决复杂体制雷达辐射源信号分选难题的重要手段。利用小波脊和高阶谱分析方法提取雷达辐射源信号的瞬时频率、瞬时相位和幅度以及高阶累积量等特征向量。通过基于互信息的贪婪算法进行特征选择,得到具有低维数、可识别性的辐射源特征。为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机进行雷达辐射源分类识别实验。实验表明,该方法对多种复杂辐射源信号具有较好的识别效果。     

基于半监督模糊核聚类的变速箱早期故障诊断

研究半监督学习的模糊核聚类方法用于变速箱早期故障诊断的方法。故障特征不明显、样本差异小是机械故障早期检测的难点,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行了变速箱正常运行和齿轮轻微剥落的故障实验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法。实验结果表明,基于半监督学习的核聚类方法性能更优越。     

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improvedsemi-supervised fuzzy c-means clustering algorithm,ISS-FCM).定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以...     

基于半监督模糊核聚类的齿轮箱离群检测方法

研究核聚类方法在机械故障检测中的应用问题,将基于半监督学习的模糊核聚类方法用于齿轮箱离群故障的检测。机械故障早期检测的难点是故障特征微弱、样本差异小,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行齿轮箱正常运行和齿轮轻微点蚀的故障试验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法的检测效果。试验结果表明,基于半监督学习的核聚类方法性能更优越。     

面向多机器人路径规划的一种基于模糊模型的再励函数结构

再励学习,作为一种新兴的智能学习模式,由于学习机制简单,不需要任何先验知识,也不需要样本数据,被越来越多地用于未知环境模型系统的学习.而目前再励学习存在的问题之一是学习速度不高,难以保证系统的实时性.在已有的再励学习系统中,再励函数多采用无模型表示结构,这种结构过于简单粗糙,也是再励学习学习效率低下的主要原因之一.因此,本文结合多机器人协调避障路径规划问题,提出一种新的基于模糊模型的再励函数结构,这种结构将反映机器人基本行为如躲避障碍物、其它机器人和趋向目标等的再励函数子函数进行分层建模,并取模糊加权和来表示总的再励函数.仿真试验表明,使用基于模糊模型的再励函数结构使再励学习的收敛速度要高于无模型结构.