小样本条件下的机械噪声源识别方法

在小样本条件下识别水下航行器机械噪声源,通常运用直推式置信机(transductive confidence machine,简称TCM)与K-近邻法(K-nearest neighbors,简称KNN)相结合的TCM-KNN算法。但在高置信水平下,用这种方法对测试样本进行预测分类的能力不强。通过改进奇异测量方法,提出了改进的TCM-KNN算法。经舱段模型试验表明,该算法能有效地提高预测分类的正确率和预测的置信度,且分类性能优于常用的BP和RBF神经网络等模式识别方法。

一种多传感器信息融合的噪声源识别方法研究

水下航行器噪声源识别是一个小样本条件下的模式识别问题。充分利用多个传感器采集的信号是解决小样本问题的有效途径。但是,目前各个传感器在整体评估中所占的权重没有一种合理的评估方法。文章利用直推式置信机(TCM)可以给出分类预测置信的能力,首先提出一种改进的奇异值测量方法,提高计算预测置信的准确性。然后将该置信作为传感器权重的有效表征,提出了一种多传感器信息融合的改进型直推式置信机算法,即TCM-IKNN-M(Transductive Confidence Machine for Improved K-Nearest Neighbors based on Multi_sensors)算法。舱段模型试验表明,文中提出的算法有效地利用了多个传感器的信息,大大提高了识别的正确率。