基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。

一种基于参数字典的动态数据库设计与管理方法

某武器试验资源库系统中,针对拥有不同参数数据的武器型号入库问题,提出了一种基于参数字典的动态数据库设计方法。该方法通过参数结构表、参数字典表、数值数据表实现动态结构,较好地解决了J2EE平台下SSH2不能通过增加数据表的方式实现动态数据库的问题。在动态数据库的管理中,针对参数字典更新的"少次、大量"的原则,提出并实现了3种参数字典更新模式:参数字典模板导入模式、浏览器端直接输入模式、工作表导入模式。经系统验证,很好地满足了要求。

基于FineUI的零部件参数字典维护方法

基于FineUI的可编辑表格控件,实现了零部件参数字典的维护,使用单元格、行进行增加、编辑和删除等操作,实现界面简洁,操作灵活方便。

参数字典稀疏表示的完全无监督域适应

无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成了所谓的完全无监督域适应。该问题给域适应学习带来了严峻的挑战。受先前提出的软大间隔聚类学习(soft large margin clustering,SLMC)启发,提出了一种参数迁移方法——参数字典稀疏表示的完全无监督的域适应方法(whole UDA,WUDA)。SLMC采用分类学习思想在输出(标记)空间中实现给定数据的聚类,在这种实现原理的启发下,从参数(决策函数的权重矩阵)公共字典的角度,在源域和目标域的权重间进行互适应参数字典学习实现知识迁移,同时引入l_(2,1)范数来约束字典系数矩阵,使得各域权重可从公共字典中自适应地选择,从而实现域适应学习。最后,在相关数据集上的实验显示了WUDA在聚类性能上的显著有效性。

基于参数设计字典的稀疏表示方法

稀疏化是压缩感知理论的关键,对信号恰当的稀疏表示能提高恢复的精度.本文提出一种基于参数字典的稀疏表示方法,把参数字典设计作为一个优化问题来分析,通过交替迭代的方式求得参数方程的可行解,进而生成参数字典.本文的参数字典设计方法较其他方法而言能获得较优的近似解,且该方法产生的优化字典更符合紧框架特性.

面向服务构架的海洋数据集成系统的设计与实现

以SOA架构和W eb Services技术为支撑点,设计实现了一个海洋数据集成系统,针对海洋学科中数据源的异构性问题,采用XML技术进行集成,实现了海洋数据的统一表示。与传统架构的数据集成系统相比,该系统具有易于扩充、服务友好等优点。

火箭发射决策支持系统设计与实现

该文主要介绍了火箭发射决策支持系统的结构设计,对其结构和处理过程进行了详细的阐述,利用参数字典索引、内存映射和曲线定义等方法,实现实时数据的存储和处理,理论飞行曲线和安全控制区域曲线的处理和安装,曲线的绘制等。给出了通过上述方法处理后实时获取缓冲区数据的方法。文章最后给出了实现后的显示效果图。

穿墙雷达扩展目标自聚焦稀疏成像方法

实际场景中穿墙雷达成像的墙体参数大多是未知的,采用现有的穿墙稀疏成像算法会出现目标位置偏移和图像模糊,提出一种基于结构化贝叶斯压缩感知的自聚焦稀疏成像方法。该方法首先把墙体厚度和介电常数视为字典的参数,建立了参数化字典稀疏表示模型,并且充分考虑扩展目标像素间的结构信息,然后对未知墙体参数的字典矩阵在墙体参数上进行一阶泰勒级数展开,采用变分法进行分层交替迭代优化相应的隐变量和参数。仿真和实验结果表明,该方法通过修正墙体参数偏差,有效消除了目标位置偏移和图像模糊,实现了未知墙体参数下的高分辨自聚焦成像。

基于OBDD的信号处理任务智能加卸载算法

为实现信号处理平台中应用任务的快速动态加卸载和智能切换,提出一种基于有序二叉决策图(OBDD)的智能加卸载算法。在分析智能加卸载整体系统构成的基础上,构建信号处理平台软硬件资源模型、态势参数定义字典和智能加卸载规则库。通过基于OBDD的智能规则决策算法,实现最小人工干预下的应用任务智能加卸载。实验结果表明,与顺序规则存储算法相比,该算法的效率较高,圈复杂度较低。