基于多尺度信息熵特征的数据流快速聚类研究

由于数据流规模较大,产生和更新的速度较快,因此数据流中有价值的信息很难被充分挖掘。针对这种情况,研究一种基于多尺度信息熵特征的数据流快速聚类方法。对数据流实施降维和标准化处理,提取数据流的多尺度特征,包括压缩比数、数据流平均值、数据流峰值以及数据流峭度。计算多尺度特征的信息熵权重,选取数据流快速聚类中心,将数据流样本划分给聚类中心,完成数据流快速聚类。实验结果表明,所研究聚类方法的聚类质量系数均大于0.9,说明该方法的聚类能力更强。

睡眠EEG的多尺度信息熵分析

本文提出一种基于连续小波变换的睡眠 EEG分析方法。该方法使用 Morlet小波计算 EEG信息的小波变换系数 ,通过计算 EEG信号在多个尺度上小波系数的熵分析睡眠 EEG。结果表明 :浅睡阶段 EEG信号的多尺度熵的变化模式与深睡阶段的多尺度熵的变化模式不同 ,REM睡眠期间 EEG信号的多尺度熵的变化与深睡阶段类似 ,使用多尺度熵可以区分 REM睡眠和浅睡时 EEG之间的差别。

考虑空域分布多尺度信息熵的SAR图像模板匹配

图像的熵和多尺度熵仅考虑像素灰度分布而无视像素在空域分布的情况,基于此的图像匹配容易受噪声的影响而导致误配。为解决此问题,给出了一种空域分布多尺度信息熵(SDMSE),将图像像素在空域的分布与灰度空间分布结合起来,对不同的行或列求多尺度信息熵。在合成孔径雷达(SAR)图像匹配时,对输入图像和基准子图(基准图中和输入图尺寸一样的子图)求SDMSE矩阵,并通过求两矩阵的相似性来度量匹配程度,相似性最大的位置对应匹配点。仿真结果表明,所提匹配算法相比基于熵和多尺度熵的SAR匹配算法有更优异的噪声适应性,匹配误差更小,但计算耗时较多。在如何减少计算时间方面也做了尝试,实验表明尺度个数减少可以大幅减少计算时间而抗噪声性能并没有明显降低。

基于多尺度信息熵的雷达辐射源信号识别

随着雷达信号的日益复杂,从实数序列中提取特征变得越来越困难,但当它们表示成符号序列时,通常能更容易地挖掘出有效的特征参数。因此,该文提出一种基于多尺度信息熵(MSIE)的雷达信号识别方法。首先通过符号聚合近似(SAX)算法在不同字符集尺度下将雷达信号转换为符号化序列;然后联合各符号序列的信息熵值,组成MSIE特征向量;最后,使用k邻近算法(k-NN)作为分类器实现雷达信号的分类识别。通过仿真6种典型的雷达信号进行验证,结果表明该方法在信噪比(SNR)为5 dB时,不同雷达信号的识别正确率大于90%,并且优于传统的基于复杂度特征(盒维数和稀疏性)的识别方法。

基于LCD多尺度融合特征GJO-SVM的电机轴承故障诊断

目的 针对电机滚动轴承故障难以提取而导致诊断准确率低问题,提出了一种局部特征尺度分解(Local Characteristic-scale Decomposition, LCD)多尺度融合的特征提取方法,并将提取得到的特征向量输入到采用金豺算法(Golden Jackal Optimization, GJO)优化后的支持向量机(Support Vector Machine, SVM)里进行电机轴承故障诊断,从而提升故障诊断正确率。方法 首先,使用LCD算法对使用振动传感器采集得到的电机轴承信号进行分解,得到信号在前3个尺度下的内禀尺度分量(Intrinsic Scale Components, ISC);其次,求每个ISC的能量比和能量熵得到6组特征向量;然后,构建特征向量矩阵并按照3∶2随机选取,生成训练集和测试集;最后,把训练集输入到金豺算法优化支持向量机(GJO-SVM)中,采用GJO算法对支持向量机中的惩罚参数C和核参数g进行寻优选择建立出GJO-SVM故障诊断模型,接着将测试集输入到模型中以实现轴承的故障识别。结果 通过仿真实验验证,LCD多尺度融合特征的特征提取方法能够有效地提取电机轴承的故障信息,且使用金豺算法优化支持向量机(GJO-SVM)的故障诊断准确率达97.86%。结论在同样的条件下与变分模态分解(Variational Modal Decomposition,VMD)融合特征相比,LCD多尺度融合特征的诊断准确率提升了1.79%;与粒子群算法优化支持向量机(PSO-SVM)方法、果蝇算法优化支持向量机(FOA-SVM)方法相比,金豺算法优化支持向量机(GJO-SVM)诊断电机轴承故障的方法具有更高的故障识别效果。

改进多尺度符号动力学信息熵及其在行星变速箱特征提取中的应用

针对行星变速箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种新的特征提取方法--改进多尺度符号动力学信息熵。在传统的符号动力学信息熵原理的基础上,通过改进传统方法的符号化过程,在考虑条件概率情况下计算信息熵,并引入多尺度概念,使得所提特征具有更大优势。最后求解行星变速箱故障模拟试验台采集到的三种状态下的振动信号改进多尺度符号动力学信息熵,并基于提出的特征评价指标对改进多尺度符号动力学信息熵、时频熵、排列熵、样本熵等特征的计算结果进行了对比。结果表明,该方法能够有效的提取行星变速箱运行状态特征,具有更高的敏感度。

长江流域月降水的多尺度随机特征及其分区

提出了一种基于集合经验模态分解的多尺度信息熵方法来分析长江流域138个气象站1961~2016年的月降水在不同时间尺度下的随机性,然后,采用模糊C均值聚类(FCM)算法对流域月降水进行空间区划,最后,探讨各区平均月降水序列与厄尔尼诺1+2区的平均海表温度(NINO1+2)之间的时滞相关性。结果表明:(1)长江流域月降水存在明显的季节、年际和年代际变化特征;(2)流域月降水在不同时间尺度下的随机性均呈现出东部高-西部低的空间分布模式,并且流域月降水的IMF分量的随机性随时间尺度的增大而降低,且不同地区间其随机性的差异越来越大;(3)流域月降水在各IMF分量上的随机性沿纬向自西向东逐渐增大,而沿经向呈现出拟均匀性;(4)流域月降水在空间上可划分为6个一致性子区域:西部高原区、西南部横断山区、北部低山盆地区、南部低山丘陵区、东南部鄱阳湖平原区和东部长江三角洲区;(5)流域各区平均月降水对NINO1+2的最佳响应时滞自东南沿海向内陆地区依次由2个月延长至4个月。