基于局部双谱和卷积神经网络的弧齿锥齿轮故障诊断

针对传统故障诊断方法对弧齿锥齿轮故障诊断效率低的问题,提出一种基于局部双谱和卷积神经网络(Convolution Neural Network,CNN)的故障诊断方法。该方法使用包含全域信息的弧齿锥齿轮振动信号局部双谱图作为CNN的输入构造诊断模型,实现弧齿锥齿轮故障诊断,不仅降低了故障信息的冗余度,而且提高了CNN训练速度。通过与全双谱+CNN、原始振动信号+CNN、局部双谱+SVM(Support Vector Machine)、局部双谱+BP(Back Propagation)神经网络的诊断结果对比,所提出方法的平均诊断准确率为99.56%,模型训练时间为15 s,综合性能最优。

基于局部双谱和深度卷积神经网络的通信电台识别研究

通信电台识别是通信对抗的重要组成部分。针对使用全双谱实现通信辐射源识别时数据维度大易造成数据灾难的问题,研究了一种基于信号局部双谱特征和深度卷积神经网络的辐射源识别方法。从时域射频信号中提取二维双谱特征,通过抽取双谱局部特征降低数据维度,并构建基于VGG19的深度卷积神经网络实现辐射源识别。实验结果表明,基于双谱矩阵次对角线上的数据识别效果最优,平均识别率达到90.38%。

基于局部双谱的高分辨距离像雷达目标识别

针对飞机目标的分类问题 ,介绍了一种基于局部双谱的高分辨雷达目标距离像识别方法 ,利用 Fisher类别可分性鉴别测度在距离像的双谱平面选择用于分类的局部双谱。将局部双谱方法与现有的几种基于双谱的方法进行比较 ,分析出局部双谱既利用了双谱的平移不变性 ,实现了一维匹配 ,又避免了在识别过程中计算整个双谱 ,减少了计算量 ,而且不需考虑极坐标双谱的插值与积分步长问题。利用三种缩比模型飞机的微波暗室转台数据对局部双谱的分类性能进行了测试 ,结果表明局部双谱是一种很有价值的平移不变特征 。

基于局部围线积分双谱的空间目标识别算法

提出了基于局部围线积分双谱的空间目标识别算法,从空间目标距离像的双谱中提取出局部围线积分双谱特征。应用BP神经网络进行分类识别,为了避免网络权值陷入局部极值点,采用遗传算法来获取网络权值的初值。仿真实验表明,即使在较低的信噪比下,该算法仍然可以取得比较高的识别率。

基于局部围线积分双谱的通信辐射源个体识别

对同类通信辐射源个体识别方法进行了深入的研究,提出了基于局部围线积分双谱的通信辐射源个体识别算法,融合了辐射源调制特征参量作为分类特征向量,采用了基于混合核函数的支持向量机(SVM)实现辐射源个体识别。实验结果表明,该方法具有较高的正确识别率(90%以上),并能够较好地解决同型号、同批次通信辐射源的个体识别问题。

局部积分双谱及其在齿轮故障诊断中的应用

提出了一种局部积分双谱分析方法,探讨了局部积分双谱抑制噪声的能力,利用局部积分双谱分析了正常齿轮和早期剥落齿轮振动信号。局部积分双谱可以分析出齿轮故障的调制现象,结果显示,局部积分双谱与传统的双谱切片相比能较全面地反映双谱信息,是处理齿轮故障调制现象的有力工具。

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。

基于多谱与支持向量机的通信辐射源个体识别

研究电台信号性能识别问题,针对同类辐射源个体难以分类识别的特点,为消除噪声,识别有效信号,采用一种局部积分双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的电台辐射源特征参数形成新的特征向量,提出了一种基于混合核函数的支持向量机实现通信辐射源个体的分类识别的方法,并比较了核函数的不同参数对通信信号分类正确率的影响以及使用混合核函数和普通核函数的各自的分类效果。对FM电台辐射源个体分类的实验结果表明,方法在较低信噪比下对同型号、同批次通信辐射源个体识别可以取得良好的效果。