基于多尺度样本熵与PCA-FCM的滚动轴承故障诊断

针对滚动轴承故障诊断中多尺度样本熵特征向量维数高及其维度难以确定问题,提出了一种基于多尺度样本熵的主成分分析的模糊聚类故障识别模型。该模型首先使用多尺度样本熵方法提取滚动轴承正常、内圈故障、外圈故障、滚动体故障的振动信号特征。其次对多尺度样本熵特征向量使用主成分分析方法进行降维。然后通过累积贡献率来确定其特征向量的维度,并利用选定的特征向量属性作为模糊C均值聚类模型的输入并进行故障识别。最后通过分类系数和分类熵这两个聚类评价指标进行聚类效果的检验。实验结果表明该模型能较好的区分滚动轴承的正常与内圈故障、外圈故障、滚动体故障这4种信号。     

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.     

一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

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.     

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明：该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。     

基于模糊c-均值与核Fisher判别分析的不平衡数据分类方法

为了解决传统分类方法对不平衡数据集中少数类的识别率较低的问题,提出一种基于模糊c-均值与核Fisher判别分析相结合的分类方法.该方法首先采用模糊c-均值算法对样本数据进行聚类,将聚类后的样本数据映射到特征空间中,再对映射后的样本数据采用核Fisher判别分析算法对数据进行分类.在UCI上选取8个不平衡数据进行仿真实验,就分类性能上与其他5种算法作了比较和分析.实验结果表明采用模糊c-均值与核Fisher判别相结合的方法可以获得较高的识别率,能有效地处理不平衡数据集的分类.     

通带MQAM信号调制方式识别方法

提出了一种实现MQAM信号调制方式分类的方法．该方法在通带内利用Hilbert变换提取瞬时包络,然后统计瞬时能量分布向量作为特征向量来实现调制方式分类,避免了搬移到基带过程中带来的频差、相差等计算误差．同时给出了该方法对部分MQAM信号进行仿真识别的结果,在信噪比不低于10dB的情况下,对4QAM,8QAM,16QAM的正确识别率达到100％,对32QAM,128QAM的识别率在95％以上,对64QAM,256QAM的识别率在90％以上,证明了该方法的有效性．     

基于短时傅立叶变换的脉象信号的模式识别方法

针对脉象信号的非平稳特性,采用全极点滑动窗递归算法,对15例吸毒者和15例正常人脉象信号的离散短时功率谱进行了分析。在得到每一例脉搏波的短时功率谱后,应用奇异值分解有效地提取特征矢量,然后进行模糊c-均值聚类,受测者全部予以正确识别。研究结果表明,基于短时傅立叶变换的奇异值分解方法是一种稳定、有效的特征提取方法;同样,运用模糊c-均值聚类算法不需要模式的先验知识,分类结果正确率较高,简便实用。     

确定FCM聚类中心的自动谱聚类社团发现算法

通常大规模复杂网络中社团数量是未知的,针对K-means谱聚类社团发现算法无法自动确定社团数量和聚类精度不高的缺点,提出了基于本征间隙和模糊c均值算法的自动谱聚类算法发现算法(FCMASC).该算法利用特征值的最大本征间隙来确定社团划分数量k,以特征向量矩阵线性相关性来确定FCM算法的初始聚类中心,运用FCM算法来对特征矩阵向量矩阵进行聚类.实验结果显示FCMASC算法能够有效提高聚类精度.     

基于S-method的多分量雷达辐射源信号检测

针对传统时频方法在处理多分量雷达辐射源信号时存在交叉项,不能检测各分量信号时域参数,难以适应低信噪比环境的问题,提出一种基于S-method(SM)的多分量雷达辐射源信号检测新方法。该方法首先计算信号的SM时频分布,然后在时频面的基础上检测各信号分量的瞬时频率和脉冲起止时间。实验结果表明,该方法能处理线性及非线性调频信号、时频分辨率高且不受交叉项干扰,时域检测精度大于98.60%,频域检测精度大于99.48%,信噪比降低时仍然保持强检测能力。     

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。     

基于逆云模型的雷达辐射源识别方法

针对由于噪声环境造成的雷达辐射源不能正确识别的问题,提出了一种新的基于逆云模型的雷达辐射源识别方法。该方法首先构建了更符合实际的含有噪声数据的雷达辐射源数据库,利用逆云模型求出数据库中雷达辐射源各属性的云数字特征,给出了基于属性相似度的识别权重确定方法,并构建了基于云模型和属性相似度的雷达辐射源分类器。仿真实验证明,该方法可以更好地处理由于噪声环境引起的随机性和模糊性,能在恶劣噪声环境下有效地进行雷达辐射源识别。     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

通信信号调制类型的三角矩特征盲识别

针对盲环境下的通信信号调制类型识别困难的问题,提出了一种新的信号盲聚类算法,该算法利用采样信号的瞬时频率作为训练样本,以方向数据统计理论为依据提取分类特征,利用该特征参数在二维特征平面实现了多种不同通信信号的调制类型识别.该方法不仅能实现类间识别,同时也能够实现类内识别.仿真实验结果表明,该算法简单高效,识别率较高,鲁棒性较好,具有较强的实用性和可行性.     

基于时变AR模型的雷达ESM信号多径抑制

针对雷达ESM信号存在多径干扰,从而影响信号特征提取以及辐射源识别的问题,提出了一种多径抑制新方法．首先采用非线性能量算子方法对多径时延进行粗估计,再利用基于时间函数扩展的时变AR模型方法对信号进行预测．然后根据多径时延粗估计和预测序列,采用最小二乘方法精确估计时延和多径幅度因子．在此基础上,提出一种逐级抑制的多径信号滤波方案．对仿真信号和实测雷达辐射源信号进行实验,结果证明该方法可有效实现信号多径估计与抑制．     

宽带非平稳信号的瞬时频率测量方法

针对宽带非平稳信号,提出一种瞬时频率测量方法.利用加限自适应滤波器将信号分解为多个渐进单频信号,根据其解析信号的相位函数求出其瞬时频率;综合所有分量的时频关系实现对宽带非平稳信号瞬时频率的准确测量.仿真实验和误差分析结果表明,该方法克服了Fourier分析、Wavelet变换和Hilbert-Huang算法求解宽带非平稳信号瞬时频率的困难,在整个分析频段都能实现较高的频率测量分辨率,对信噪比在0dB以上的信号具有优于0.2MHz的测量误差.对8μs长度信号,该方法除了有25.816μs初始运算延时外,对连续数据处理具有实时性,能够满足宽带非平稳信号频率的瞬时测量要求.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.     

一种雷达目标与杂波环境信号模拟器

介绍一种以存储器芯片为核心的数字式雷达目标与杂波环境信号模拟器，该模拟器可模拟单脉冲雷达在杂波干扰环境下的视频回波．可作为专用测试设备来完成对单脉冲雷达的调试，和对其进行抗干扰性能测试     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。