改假近邻法确定混响时间序列的最小嵌入维

采用了改假近邻法来确定实测湖底混响时间序列的嵌入维,判定了混响不同于一般随机信号,混响能够用低维动力学系统来建模.

利用自适应假近邻方法优化卷积神经网络的图像目标分类算法

为了能够在处理不同的数据类型或任务时得到良好的结果,设计了基于自适应假近邻方法的卷积神经网络(CNN)架构。将中心矩的思想应用在CNN的池化操作中,利用稀疏滤波算法实现训练过程的无监督化,并设置CNN算法的卷积掩模(卷积核)的大小和每层卷积单位(CNN神经元)的数量;此外,该架构还利用自适应假近邻方法实现了简化建模和预测等任务。实验结果证实,提出的改进CNN架构的复杂度较低,它可以更快地接受训练并且不易产生过度拟合。

排列熵算法参数的优化确定方法研究

由于排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性好,已在信号突变检测方面显示出良好的应用前景,但是排列熵算法中嵌入维数和延迟时间等参数的确定仍依赖于经验和尝试,该问题已成为排列熵算法走向工程应用的瓶颈问题。根据排列熵算法的原理,提出了基于重构时间序列最佳相空间来确定模型参数的方法。根据相空间重构的两种观点,介绍了延迟时间与嵌入维数独立确定和联合确定两种方法的基本理论,然后利用仿真信号和滚动轴承全寿命数据对两种算法进行了检验和对比。结果表明,模型参数的独立确定方法比联合确定方法对信号的异常检测更好。