基于K-SVD联合参数自适应TQWT的齿轮箱故障诊断

针对齿轮箱信号在强噪声背景下故障特征提取难的问题,课题组提出了一种K-均值奇异值分解(K-means singular value decomposition,K-SVD)联合参数自适应可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)的齿轮箱故障诊断方法。利用K-SVD稀疏表示齿轮箱故障信号,重构信号后去除噪声;针对TQWT对噪声鲁棒性不强且参数过度依赖人为选择的问题,结合齿轮箱早期故障信号的冲击性与周期性特征,提出了自相关峭谱积指标,以自相关峭谱积为优化指标对TQWT参数进行自适应选择;根据自相关峭谱积指标对子带进行筛选,对选出的子带进行重构,通过包络谱分析得到齿轮箱故障特征信息。仿真和试验结果表明所提出的诊断方法能有效提取低转速、强噪声背景下的齿轮箱故障特征。

2个复矩阵若干广义逆的结构表达式及其块独立性

利用Q-SVD分解,得到了2个矩阵广义逆的结构形式,并且在两种定义下分别给出了2个矩阵块独立性的充要条件.

不同正则化方法在船舶辐射噪声计算中对比与试验研究

为研究不同背景下不同正则化参数方法在船舶辐射噪声评估中的适用性,降低辐射噪声计算误差,介绍了基于工况传递路径分析(OTPA)的船舶辐射噪声计算方法,讨论了奇异值分解(SVD)法、基于L-curve和广义交叉验证(GCV)的Tikhonov正则化方法在辐射噪声传递函数求解问题上的适用性,并进一步提出基于准最优(Q-O)判别准则的Tikhonov法。千岛湖舱段模型水下声辐射试验结果表明:在不同环境下,SVD方法性能最差;在正常环境下,L-curve、GCV和Q-O准则方法性能基本相同;随着背景噪声水平的升高,L-curve方法优于GCV方法,而Q-O准则方法优于L-curve方法,可较L-curve降低辐射噪声误差约0.42 dB,较SVD方法降低约1.19 dB。同时,Q-O准则鲁棒性分析表明该参数可近似视为最佳正则化参数,该方法可为后续实船工程应用提供指导。

Q-learning算法优化的SVDPP推荐算法

为进一步改善个性化推荐系统的推荐效果,通过使用强化学习方法对SVDPP算法进行优化,提出一种新的协同过滤推荐算法。考虑用户评分的时间效应,将推荐问题转化为马尔科夫决策过程。在此基础上,利用Q-learning算法构建融合时间戳信息的用户评分优化模型,同时通过预测评分取整填充和优化边界补全方法预测缺失值,以解决数据稀疏性问题。实验结果显示,该算法的均方根误差较SVDPP算法降低了0.005 6,表明融合时间戳并采用强化学习方法进行推荐性能优化是可行的。

分块矩阵g-逆的块独立性

本文研究分块矩阵g-逆的块独立性,得到两个和三个复矩阵块独立的充分 必要条件,并揭示了不同定义下的块独立性定义之间的联系.