基于可分性测度的模糊隶属函数确定方法

隶属程度的思想是模糊数学的基本思想,应用模糊数学方法解决实际问题的关键在于建立符合实际的隶属函数,然而,如何正确地确定隶属函数仍是至今尚未完全解决的问题.鉴于此,提出一种基于可分性测度的隶属函数确定方法,利用类间在各个特征上的可分性确定模糊集的划分,进而确定描述该模糊集的隶属函数.通过轨道电路故障诊断实验表明了所提出方法的有效性.

字符特征的可分性量化分析

选择字符识别的特征时要进行特征的可分性量化分析.文中分析了5种在汽车号牌识别中用到的字符特征提取方法,进行了可分性测度量化计算.采用主成分分析法对特征降维处理,可以简化可分性测度的计算,使结果更加直观清晰.测度图谱的表示方法,能较好地对字符特征进行确定及取舍.采用其中3种特征的组合,即有较好的可识别性,又可降低计算工作量.

改进二叉树支持向量机及其故障诊断方法研究

针对层次结构对二叉树支持向量机分类性能影响较大的问题,提出了一种改进的二叉树支持向量机层次结构构建方法。以类内样本平均距离和类间样本平均距离建立带权值的可分性测度,将类间距离大且类内样本分布广的类最先分离,并提出了权值选取准则和算法步骤。利用标准数据集,通过与不同多类算法比较,验证了改进的二叉树支持向量机的优越性。以往复压缩机传动机构为研究对象,基于多重分形和奇异值分解提取故障特征,应用改进的二叉树支持向量机实现了常见故障的准确诊断。

最小生成树SVM的模拟电路故障诊断方法

提出最小生成树的支持向量机模拟电路故障诊断方法,通过小波分解提取电路故障特征,在特征空间中以故障类的可分性测度为权值构造最小生成树,得到具有聚类属性的故障子类划分,从而优化故障决策树节点的分布。按照最小生成树的结构建立具有较大分类间隔的多分类支持向量机,能够有效地提高模拟电路故障诊断的正确率。该方法简化支持向量机的结构,在实例电路的故障诊断中获得更高的诊断精度和效率,其性能优于常用的支持向量机方法。

碳纤维复合材料缺陷的小波包分析

利用超声相控阵检测系统对含有裂纹、夹杂、分层三种缺陷的碳纤维复合材料实验板进行检测。对采集到的缺陷信号,在计算机中利用小波包变换进行分析。提出基于距离可分性测度的小波基评估准则,以确定最优小波基。对三种缺陷信号用sym8小波进行小波包的分解和重构,用"频率-能量"的方法提取各类缺陷信号的能量特征;结果表明,该方法对碳纤维复合材料的缺陷类型的区分具有较好的效果,从而为缺陷自动识别奠定了基础。

无线传感网中多传感器特征融合算法研究

面向无线传感器网络在地面目标识别方面的应用需求,该文提出了一种基于改进局域判别基(Local Discriminant Bases,LDB)和二进制粒子群优化(Binary Particle Swarm Optimization,BPSO)方法的多传感器特征融合算法。利用新的基于概率密度估计的相对微分熵可分性测度来改进LDB,以提取目标信号的特征频段,然后分别利用一种改进的和一种全新的BPSO来实现特征融合。基于实地采集到的地面目标的声音和震动信号,仿真实验表明,该方法减少了所需分类器的数目,降低了特征维数,并在一定程度上提高了目标的正确识别率,具有实际的应用价值。

多亮点各向异性目标回声特征的神经网络提取

如何从回声信号中抽取特征,是目标识别或无损检测的前提。实际物体,从其反射声学特性考察,大多呈多亮点结构并表现出各向异性,其回声特性主要随目标姿态角或声渡入射角的变化而呈混沌态变化。常规方法提取的回声特征,往往随入射角的变化出现严重的类内弥散与类间交迭,从而导致决策界面过分复杂、甚至完全失效。因此,在目标姿态以未知方式自然变化的情况下,如何提取适当的回波特征一直是国内外学者广泛关注的瓶颈问题。本文提供一种趋向不变识别的回声特征的神经网络自动提取方法和新的可分性测度Js与Jr。研究表明,它能直接利用回波信号自动生成具有最大可分性的紧致特征集。给出了典型的实验结果,并着重剖析了神经网络特征提取的信息蕴含及其物理意义。实验结果与理论分析的结论相一致。可望在自动目标识别、水下机器人视觉、图像处理、机械故障诊断、数据压缩、以及生物医学工程等领域获得应用。

基于杂草算法优化的轴承时频谱图聚类识别研究

针对KFCM算法对初始聚类中心敏感导致聚类效果不好等问题,提出一种基于杂草算法(IWO)优化的模糊核聚类算法(IWO-KFCM),将其运用于轴承时频谱图的状态识别。通过小波变换获取轴承运行状态的时频图像,利用灰度梯度共生矩阵提取图像的纹理特征,提出基于可分性测度构造IWO算法的适应度函数;将IWO算法优化获取的初始聚类中心输入KFCM,实现时频谱图的聚类识别。最后进行多类轴承状态数据的测试,验证所提算法的有效性和优越性。

基于时频分析的战场声信号主成分特征提取技术

信号的时频分布描述了信号从时域到频域的变换,较为全面地表征了信号的特征。主成分分析是统计学中分析数据的一种有效方法。本文将时频分析的方法应用于声目标的特征提取及分类;在保证信息的相对完整性的基础上,利用基于时频分析的主成分特征提取技术对4类战场目标的声信号进行了特征提取。经仿真实验验证,信号的时频分布较好地体现了各类声目标在时-频域的分布规律,主成分分析方法有效地压缩了数据量。结果表明,各目标的类间可分性测度值较大,具有良好的可分性。