基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

基于声发射信号的纳秒激光划片轮廓监测

针对Al5083纳秒激光划片过程中产生沟槽和凸起两种轮廓的问题，研究了不同工艺参数下产生轮廓与映射声信号的关系。开展Al5083薄板纳秒紫外脉冲激光划片试验，观察轮廓的微观形貌，探究轮廓形成机制；采集声发射信号，小波包变换后分析声信号的差异性，并开展支持向量机分析。微观观测结果表明，凸起轮廓的成形机制包括熔融金属溅出受阻和凝固时产生的大量气孔。声信号分析结果显示，沟槽轮廓对应的小波包分解系数的方差和包络面积显著高于凸起轮廓；以小波包分解后的频谱为特征向量，添加标签后使用高斯核支持向量机分类，分类准确度达92.57%,验证了小波包变换和支持向量机的结合在基于声信号的轮廓监测中的可行性，为构建基于声发射的激光划片监测系统提供可行的技术路径。     

基于小波包分析的辐射源特征提取和识别算法

提出了一种基于小波包的变换方法。该方法通过对不同脉内调制方式进行频带能量的提取,并引入支持向量机来完成对辐射源的分类。该小波包变换对信号局部的时频特征具有较好的分辨率。仿真结果表明,文中的小波包变换信号时频特征的分析精度优于传统算法。     

基于小波包变换和支持向量机的制冷机动静碰摩故障部位识别研究

制冷机在红外遥感领域发挥着极其重要的作用,如果出现故障直接影响探测器的正常工作以及性能,因此,制冷机智能故障诊断具有重要的意义.针对制冷机出现的碰摩故障,提出了一种基于小波包变换、遗传算法、支持向量机的智能故障诊断方法.首先对振动信号做小波变换及时域特征提取组成特征集.利用距离评价技术从特征集中选择敏感特征.利用遗传算法优化支持向量机参数.将特征值输入到优化好的支持向量机中,自动识别机器运行状态.开展制冷机故障模拟实验,结果表明,该方法最终识别准确率达95%,能有效识别制冷机碰摩故障部位.     

基于小波包与支持向量机结合的滤波器故障诊断研究

首先介绍了小波包分解与重构算法和支持向量机的分类算法,然后以一个带通滤波器故障诊断为实例,利用小波包提取特征响应向量建立样本集,并利用支持向量机完成滤波器电路的故障诊断,诊断效果良好。     

基于小波支持向量机的模拟电路故障诊断

在模拟电路故障诊断中,提出了利用小波分析与支持向量机结合的系统方法,利用小波变换对信号进行特征提取得到特征向量并作为支持向量机的训练向量,得到故障分类器。针对激励信号必须能够充分地激励电路的需求,提出一种通用激励信号——连续多抽样函数,利用抽样函数在带通区间内频谱分布均匀且能量相同这一特点作为模拟电路的通用激励信号。仿真结果表明,该激励条件下,利用小波-支持向量机能够较好地对模拟电路进行故障诊断。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于小波包变换的辐射源信号特征提取和识别

文中基于小波包变换方法,对MSK信号辐射源提取了J-散度特征和能量特征,结合支持向量机分类器完成辐射源的识别,仿真结果表明：两者识别率均达到90％以上,从而验证了基于小波包变换的辐射源识别的有效性。     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。