排序方式: 共有12条查询结果,搜索用时 140 毫秒
1.
信号在采集过程中存在的噪声会给后续工作造成一定程度的困难,因此消除噪声干扰是准确进行下一步工作的关键问题。提出了一种正则化线性调频模式追踪(regularized chirp mode pursuit, RCMP)算法,该算法通过先验频率信息及递归框架提取信号中的每一个信号模式,具有一定的自适应性。将提出的RCMP算法应用到传感器数据降噪中,通过仿真信号和实际信号研究了RCMP算法的去噪性能。同时,通过与EMD结合区间阈值的降噪方法、CEEMDAN结合区间阈值的降噪方法以及VMD结合相关系数的降噪方法进行对比,验证了所提方法的可行性和优越性。 相似文献
2.
针对复杂非线性的滚动轴承系统,提出了极点对称模态分解(ESMD)和概率神经网络(PNN)相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线(AGM)的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。 相似文献
3.
4.
旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性 相似文献
5.
6.
基于数据挖掘的数据可视化是将大数据量展示给用户的一种有效手段.在EFCS-Grid中,基于特定属性的k-平均聚类分析算法进行聚类分析,之后将聚类结果展示给用户.本文通过实验测试并分析了多用户下的采用服务器进行聚类分析的时间代价以及EFCS-Grid系统在不同压力情况下的数据处理的总时间代价,得出了聚类分析在系统的数据处理过程中占重要比重,并随着数据量和并发用户数的增加,系统的性能急剧下降.为此,本文结合P2P体系结构,提出了采用分布式聚类分析数据的处理策略,并将数据处理分为数据合成层和数据分析层.由数据合成层实现数据的整合,保证合成后的数据满足用户的模式需求,之后,在相同模式的基础上实现数据的一次聚类分析和二次聚类分析,达到了通过利用P2P的分布计算能力,缓解集中处理瓶颈和提高网格内数据处理的效率的目的. 相似文献
7.
提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。 相似文献
8.
9.
短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flowerpollinationalgorithm,FPA)优化变分模态分解(variationalmodedecomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美... 相似文献
10.