基于CEEMDAN排列熵和LS-SVM的滚动轴承状态分类

针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)排列熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量(intrinsic mode functions,IMF),并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明:该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法的准确性和优越性.     

基于小波分析的刀具磨损状态监测方法

为了实现车削过程刀具磨损状态的实时在线监测 ,使用离散二阶小波变换对切削过程声发射信号进行分解 ,以不同尺度下信号分量的均方根值组成的特征向量为样本 ,利用模糊模式识别技术实现对刀具磨损状态的在线识别 .实验表明 ,在选择适当的标准样本基础上 ,所提出的基于声发射信号小波分解的模糊模式识别方法能准确实现刀具磨损状态的正确识别 ,具有较高的可靠性和准确性 .     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于改进VMD和自适应BSA优化LS-SVM的刀具磨损状态监测方法

为提高加工过程中刀具磨损状态的识别精度,结合改进的变分模态分解算法(modified variational mode decomposition,MVMD)、自适应回溯搜索算法(adaptive backtracking search algorithm,ABSA)及最小二乘支持向量机(least squares-support vector machine,LS-SVM),提出一种刀具磨损快速识别模型.针对传统信号处理方法存在的模态混叠、噪声敏感等问题,采用瞬时频率均值法预先确定最佳分解模态数,引入降噪型变分模态分解算法进行信号分解;为提高优化效率与自适应性,提出一种改进的自适应回溯搜索算法,通过参数自适应选择提高算法的全局与局部搜索能力;基于自适应回溯搜索算法,采用LS-SVM多分类模型实现了刀具磨损状态的识别.实验结果表明,MVMD可以有效降低噪声、剔除虚假信息,同时验证了ABSA算法具有更强的全局探索和局部寻优能力,使得ABSA优化LS-SVM模型具有更高的准确性.     

基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量,用神经网络技术对信号的特征量进行训练仿真。结果表明,该方法实现了对刀具切削状态的特征识别。     

基于连续高斯密度混合HMM的刀具磨损状态监测

针对端面铣刀磨损状态的识别问题,根据隐式马尔可夫模型(HMM)具有良好的模式分类能力,提出了基于连续高斯密度混合HMM(CHMM)的刀具磨损状态监测系统.以铣削力作为监测信号,应用小波包理论对铣削力信号进行分析和消噪处理,并提取信号的能量特征作为CHMM的输入向量,训练CHMM模型,再用训练好的模型对未知的刀具磨损状态进行监测与识别,实验结果表明该模型可以对刀具磨损状态进行准确的识别,且所需训练样本数较少,对刀具状态的智能监测具有很好的实际意义.     

基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量，用神经网络技术对信号的特征量进行训练仿真。结果表明，该方法实现了对刀具切削状态的特征识别。     

利用支持向量机和高阶累量实现飞机类型识别

为了探讨短波语音通信的飞机类型识别问题,根据短波语音通信下的飞机舱内背景声信号的物理特性,利用小波包分解和高阶累量提取出目标声信号的特征向量,分别采用BP神经网络和支持向量机作为分类器进行飞机类型的识别分类.仿真实验结果表明,小波包分解及高阶累量与支持向量机的结合算法,能够抽取出有效的飞机舱内背景声信号特征,并且能以93%以上的识别率识别出5种类型飞机.     

基于小波包特征熵SVM的压缩机气阀故障诊断研究

针对气阀信号信噪比低、特征提取困难及故障样本较少、难以建立可靠的故障识别模型的问题,提出基于小波包特征熵支持向量机的气阀故障诊断方法。首先选择容错性较强的信息熵作为特征参数,通过对信号小波包分解,提取故障敏感频带的小波包特征熵作为输入向量,采用仅有的故障训练样本构建SVM分类器,建立气阀故障诊断模型。试验表明,该方法对小样本情形下气阀故障的非线性模式分类问题体现了良好的适应性,且具有特征提取工作量小的特点。     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

基于高阶累积量和支持向量机的信号调制分类

给出了一种基于支持向量机的数字调制信号分类器设计方法。将接收信号的二阶、四阶、六阶累积量作为分类特征向量,利用支持向量机把分类特征向量映射到一个高维空间,并在高维空间中构造最优分类超平面以实现信号分类。文中选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类支持向量机分类器。仿真实验表明：基于支持向量机的分类器具有很高的分类性能和良好的稳健性。     

核Fisher判别分析在数字信号分类中的应用

为了提高通信信号的识别精度,提出了一种基于核Fisher判别分析(KFDA)的数字调制信号分类器设计方法.将接收信号的高阶累积量作为分类特征向量,利用核函数的思想把非线性向量映射到一个高维空间,并在高维空间中利用线性Fisher判别分析实现数字信号的分类.将多类分类器分解成一系列二类问题,并给出了KFDA用于信号分类的详细流程.仿真实验结果表明,当选择合适的核参数时,基于KFDA的分类精度与支持向量机相当,但由于避免了求解非线性优化问题,故计算复杂度低,训练时间短.     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于多核学习的下肢肌电信号动作识别

为了提高下肢肌电控制系统中多运动模式识别的准确性,提出一种基于多核学习(MKL)和小波变换尺度间相关性特征提取的多类识别方法.根据多核学习理论,采用二叉树组合策略构造基于多核学习的多类分类器.对下肢4路表面肌电信号进行离散平稳小波变换,用小波系数尺度间的相关性提取特征向量输入构造的多类分类器,对水平行走时划分的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期这5个细分运动状态进行分类.实验结果表明,所提的多模式识别方法能够以较高识别率区分多个细分运动状态,得到比标准的单核支持向量机(SVM)分类器更好的准确性.     

基于小波包和支持向量机的ERT系统流型识别

两相流体具有复杂的流动特性,流型的准确识别是两相流参数准确测量的基础,是两相流研究的重点内容之一.本文首先采用小波包分析方法对ERT系统中的测量数据进行特征提取,然后将提取的特征数据输入支持向量机多类分类模型,对两相流的4种流型进行识别.仿真实验证明小波包分析和支持向量机的结合是两相流流型识别领域的一种有效方法.