基于形态非抽样融合与DCT高阶奇异熵的液压泵退化特征提取

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题,提出基于形态非抽样融合与DCT(Discrete Cosine Transform)高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法,通过构建特征能量因子筛选各分解层近似信号,据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息;并利用DCT高阶谱分析法对融合信号进一步处理,通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量;用仿真信号及液压泵实测振动信号验证该方法的有效性。

基于改进Leaders算子的审计潜在疑点发现

数据库查询方法审计疑点发现依赖于审计人员先验知识,当经验不足且审计数据量巨大时,难以发挥大数据优势并从海量数据中发现疑点。为解决这一问题,提出基于改进Leaders算子迭代聚类的审计大数据潜在疑点发现方法。该方法在无先验知识的情形下,通过Leaders算法自动完成审计大数据的初始聚类,在此基础上通过随机抽样融合方法对初始聚类结果优化,最后通过多次迭代聚类的方法,对实例数较少或可疑程度易被掩盖的小簇进一步聚类,实现审计大数据的精确聚类,并将实例较少且行为明显异常的数据聚类识别为潜在疑点,配合审计人员审计经验快速精确定位审计疑点。实验结果验证了算法的有效性,表明算法有助于从海量数据中自主发现审计疑点,缩小疑点筛查范围,提高审计效率。