基于快速支持向量聚类和相似熵的多参雷达信号分选方法

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并在此基础上对其进行改进,使改进后的算法能对异常值做进一步处理,以达到缩短消耗时间的同时提高正确率的目的。同时以信息熵的理论描述类内聚集度和类间分离度,应用相似熵指标验证分选效果的有效性。仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。

基于改进相似熵的参数交叠雷达信号分选

在信号参数日益交叠的背景下,传统的雷达信号分选算法已经不能解决参数严重交叠的雷达信号分选问题。因此提出了基于改进相似熵指标的K均值分选算法,该算法利用相像系数来代替传统的欧几里德距离,用相似熵指标作为迭代是否结束的标志,利用Wpt6和Wpt7小波参数特征与传统的分选参数进行联合分选。仿真结果表明,新算法较传统K均值算法可提高15.8%的分选准确率,对于严重交叠的雷达信号分选准确率可达到96.2%,较好地解决了参数严重交叠的雷达信号分选问题。

基于余弦相似熵的滚动轴承状态表征方法

样本熵是一种有效的表征时间序列复杂性的非线性动力学分析方法,但其存在对数据中不稳定的噪声敏 感,且存在无约束和未定义的熵值等问题,为此,引入余弦相似熵(Cosine Similarity Entropy, CSE),CSE采用角距离代 替切比雪夫距离,并用香农熵代替条件熵。首先介绍CSE算法,并研究参数对其影响;其次,通过仿真信号分析,将其 与样本熵和模糊熵进行对比。最后,将CSE应用于滚动轴承退化特征表征,实验数据分析结果表明CSE的有效性及其 相较于样本熵、模糊熵和均方根值的优越性。

一种基于运动相似熵的人群异常行为检测

实现对人群异常事件的检测是图形处理在智能视频监控领域的重要研究内容。提出了一种基于运动相似性熵(EMS)的人群异常行为检测算法。该算法在对视频图像进行光流计算的基础上,以底层光流块为基本单位获取场景运动信息,根据社会网络模型的概念,提出构建场景的运动网络模型(MNM),完成对场景粒子运动相似性的划分,并在时间域上计算MNM的粒子分布熵值EMS,最后将得到的图像熵与设置合理的阈值相比,判断异常行为是否发生。实验证明,该算法可有效检测异常行为,与其他经典检测算法相比有较大优势。

论系统进化中变异、相似与熵

本文论述系统进化中变异与相似、相似与熵的关系。提出相似元,相似系统,相似熵的新概念。并进一步探讨了相似熵与演化关系。结果表明:相似熵能指明系统演化的方向与过程。相似熵理论对系统演化描述与物理学中的熵及信息熵对系统演化的描述是一致的。

基于UPEMD融合RCMCSE和ALWOA-BP的水电机组故障诊断

水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(ALWOA-BP)的水电机组故障诊断方法。利用UPEMD对原始信号进行分解,然后建立WOA-BP故障诊断模型。针对WOA算法快速陷入局部最优和过早收敛的问题,采用自适应权重和莱维飞行对WOA算法进行优化。实验结果表明,该方法的准确率达到了100%。为探究所提模型的抗噪性能,引入信噪比为2 dB的噪声进行再次分析,诊断结果为94.44%,明显优于其他未优化模型。该项研究可以对现有水电机组故障诊断方法进行有价值的补充。

基于相似度的双搜索多目标识别算法

在分析远距离多目标特性的基础上,提出了一种基于相似度的粗精双搜索多目标识别算法。在粗搜索阶段,首先利用圆形形态学模板在滤波后的二值化图像中快速搜索候选目标,再利用"距离相似度"原则进行候选目标的聚类分析,以同一目标内各候选目标点的形心位置作为局部熵处理区域中心。在精搜索阶段,以最大熵值点为种子点进行目标区域生长。为了减少运算量,提高实时性,还采用基于熵相似度、简单连接法与子区合并法相结合的改进型区域生长法,重构单个目标。仿真结果表明该算法可快速、准确地实现对5个目标的识别。

一种低复杂度的雷达信号分选方法

针对现有支持向量聚类算法在雷达信号分选应用中复杂度高、用传统有效性指标难以描述最佳分选效果的问题,研究了基于锥面聚类分配的支持向量聚类算法;利用该算法依赖于特征空间和数据空间近似覆盖的特性,避免了邻接矩阵的计算.提出了基于相似熵的有效性验证指标,应用信息熵的理论描述了类内聚集性和类间分离性.仿真结果表明,该方法在保证分选正确率的同时,可以有效降低计算复杂度,在一定程度上满足了情报侦察系统的实时性和准确性要求,具有较强的实用价值.

基于PSOOI算法的PID控制器参数整定

针对粒子群算法(PSO)在搜索空间范围较大时搜索能力变差,甚至出现不收敛问题,提出一种对PID控制器3个参数进行整定的带有目标性初始化粒子群的改进粒子群优化算法(PSOOI)。通过引入粒子间相似熵和参数内熵对初始化粒子种群进行调整,以获得分散性较高的初始种群,提高粒子群算法的全局搜索能力和收敛速度。最后针对典型的控制对象进行PID控制器3个参数整定,研究结果表明所提出的PSOOI控制算法具有较大搜索空间范围时的全局寻优能力和快速收敛性优点。

改进伪并行遗传算法求解作业车间调度问题

针对遗传算法在求解极复杂优化问题中出现的过早收敛、执行效率差的缺点,提出了一种改进的伪并行遗传算法.该算法将并行进化与串行搜索相结合,提高了算法的收敛速度.同时该算法通过种群因子控制伪并行算法中的各子种群的规模,不仅保证了搜索过程中勘探和开采的平衡,克服过早收敛,而且减少了计算的复杂性,特别是在处理复杂优化问题上具有较高的性能.实验结果证明了该算法的有效性.