Lagrange优化的LMK神经网络盲多用户检测

提出一种基于LMK准则的前馈神经网络盲多用户检测算法,给出算法的代价函数和约束条件,利用Lagrange方法对带约束的代价函数进行优化,获得前馈神经网络网络权值的迭代公式,从而实现神经网络盲多用户检测。仿真结果表明,新算法具有良好的误码率性能和收敛速度。

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解(LMD)与相关系数-能量比-峭度准则、结合天鹰座优化算法(AO)优化概率神经网络(PNN)的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵(MPE),以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明:提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法(PSO-PNN)和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。

基于局部均值分解和切片双谱的滚动轴承故障诊断研究

针对滚动轴承故障诊断问题,提出一种结合局部均值分解(LMD)和切片双谱的诊断新方法。首先利用LMD算法对故障信号进行自适应分解,分解后获得一组位于不同频带的乘积函数(PF)分量,然后利用所提出的峭度准则对分解结果进行筛选,筛选出峭度值最大的PF分量,并对其包络信号做切片双谱分析,从而提取出故障特征频率信息。为加快分解速度、减少分解运算量,对LMD算法中的循环迭代结束条件做出改进,并利用模拟信号验证了LMD算法的信号分解能力以及切片双谱的噪声抑制和非二次相位耦合谐波剔除能力。最后,运用提出的诊断方法对实测轴承内圈、外圈故障振动信号进行分析,诊断效果良好,证明该方法具有一定的可靠性。

多径信道下基于最小平均峰度准则的盲多用户检测算法

基于最小平均峰度(LMK)准则,提出了一种适用于同步直扩码分多址(DS/CDMA)系统多径慢衰落信道中的盲自适应多用户检测算法.这种算法基于高阶统计量特性,算法复杂度相对较低.仿真结果表明,该算法的稳态性能与子空间自适应多用户检测算法相当,是一种较好的多用户检测算法,有一定的实际应用价值.

基于符号-最小平均峭度的自适应谱线增强器

从误差信号峭度的性质和误差符号(SE)算法的特点出发,提出了基于符号-最小平均峭度穴Sign-LMK雪的自适应谱线增强算法。该谱线增强器的结构与基于LMS算法的自适应谱线增强器(ALE)相同,但它是用误差峭度的符号和输入信号作为权向量的更新因子的。仿真结果表明具有计算量小、抑制非高斯噪声和增强谱线性能强、收敛后均方误差小等优点。

改进自适应形态学滤波的滚动轴承故障检测

针对形态学滤波算法最佳结构元素尺度难以确定的不足,提出了峭度-均方根准则优化结构元素尺度参数,实现自适应滤波和故障信号特征频率提取。采用变分模态分解(Variational Mode Decomposition,VMD)对滚动轴承振动信号进行模态分解,根据互信息法选取有效模态分量进行求和重构;提出一种峭度-均方根准则自适应寻求最佳结构元素尺度,采用形态学滤波算法提取振动信号故障特征,并通过仿真数据与轴承全寿命实验数据开展了应用研究。结果表明,与粒子群算法优化和峭度准则优化结构元素的自适应形态学滤波等方法相比,能有效提取出滚动轴承故障特征频率,检测早期故障。