基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法;首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别;在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。

复杂环境下用于人体目标红外图像分割的改进PCNN方法

为了解决复杂环境下红外人体目标分割应用中当前脉冲耦合神经网络(PCNN)方法常出现的噪声适应性差、目标边缘细节模糊等问题,提出了改进的PCNN方法。根据红外噪声特点,利用加权均值滤波和各向异性高斯滤波设计了模型反馈输入域的权值矩阵;采用改进的拉普拉斯分量绝对和表示PCNN的连接强度参数,从而实现了该参数的自适应设置;用点火区域平均灰度值构建动态阈值的方法,实现了PCNN模型的迭代控制。对IEEE OTCBVS和自拍数据库中的250余幅红外人体图像进行对比实验,结果表明,提出的方法能够有效抑制红外噪声,分割出带有较多边缘细节的人体目标,与其他PCNN分割方法相比,该方法还具有较优的平均概率兰德指数和较低的平均全局一致性误差。