相关系数准则下的多光谱图像最优融合方法

证明了在相关系数准则下最优融合算法与线性最优融合算法是等价的 ,利用这一结果大大减少了计算的空间与时间复杂度 ;并通过设置加权系数和提供一种自适应计算权值的方法以突出原多光谱图像目标区域的频谱特征 ;对于相关性较弱的多光谱图像集提出了分组融合的方法 实验结果表明 :该最优融合算法高效可行 。

相关系数准则对水文相依模型的适用性及验证

相依变异是水文过程变异的一种重要表征形式,可以用自回归、滑动平均和自回归滑动平均模型进行描述,但如何有效地确定模型阶数是前提和关键。相关系数准则是针对自回归模型提出的定阶准则,该准则基于相依成分与原序列间的相关系数指标,计算其均方误差以反映模型的拟合优劣,并构造信息熵函数以衡量模型不确定性及复杂程度。本文基于相关系数定阶准则,尝试探讨该准则对于滑动平均和自回归滑动平均模型的适用性。以三阶以内的滑动平均模型和自回归滑动平均模型为例,统计试验表明:相关系数准则所判定阶数相较于其它两种常用的准则更为准确。最后选取实测水文序列对其进行验证,结果表明该定阶准则同样适用于滑动平均和自回归滑动平均模型。

基于二次CEEMDAN与CCJC的滚动轴承故障冲击特征提取

滚动轴承故障振动信号的成分复杂多样,且受噪声和传递路径的影响,导致从中提取表征故障的周期性冲击成分难度很大。对此,利用自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)良好的非平稳非线性数据处理能力,首先将原始轴承振动信号中的各种成分予以分离,在此基础上,提出相关系数跳变准则(Correlation Coefficient Jump Criterion,CCJC)区别以故障周期性冲击成分为主的分量,以及以噪声和转频成分为主的分量,并通过二次分解二次重构的方式,最大限度去除噪声与转频相关成分,最终得到提纯的滚动轴承故障周期性冲击信号。通过对滚动轴承故障仿真信号和基准数据的分析,表明所提方法可以准确高效提取轴承故障周期性冲击成分;对滚动轴承实验振动信号进行分析,并与经典方法对比,验证所提方法的优势及其良好的工程应用前景。

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解(LMD)与相关系数-能量比-峭度准则、结合天鹰座优化算法(AO)优化概率神经网络(PNN)的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵(MPE),以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明:提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法(PSO-PNN)和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。

基于EEMD降噪与PNN的齿轮箱齿轮故障诊断

提出一种基于集合经验模态分解(EEMD)降噪与概率神经网络(PNN)的齿轮箱齿轮故障诊断方法:利用EEMD对采集到的齿轮振动信号进行分解,得到一系列固有模态函数(IMF),然后利用相关系数准则对IMF进行处理,筛选出包含主要特征频率的部分IMF,随后求取IMF样本熵,作为PNN分类器的特征向量输入,实现对齿轮故障类型进行诊断识别。

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。

基于综合分层聚类的水质监测断面优化研究

为合理、有效地进行湖库、流域水质断面监测的优化布设,提出一种基于综合分层聚类(CHC)算法的水质监测断面优化设置方法。根据原始采集的水质监测数据建立归一化矩阵,通过5种距离算法计算监测数据变量之间的相似性以获得变量之间的亲疏关系,接着通过4种连接算法以实现对数据集合的自动聚类;以相关系数为评价准则来选择最优分层聚类算法,通过生成的相应最优聚类树矩阵,来优化设置断面监测站点,可获得反映水域整体水质的监测数据,以提高水环境的监测质量。实验结果表明该方法实用性强、集成度高,具有良好的推广价值。

基于CEEMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳特征导致的故障频率难以提取的问题,提出一种基于补充总体平均经验模态分解(Complementary EEMD,CEEMD)和奇异值差分谱结合的滚动轴承故障诊断方法。CEEMD分解向原信号成对地添加符号相反的白噪声,几乎消除残留白噪声的影响。首先,对故障信号利用CEEMD算法进行分解,得到若干IMF(Intrinsic Mode Function)分量,然后运用相关系数—峭度准则对IMF分量进行筛选并重构,再对重构信号进行奇异值分解,并求出奇异值差分谱,根据奇异值差分谱理论进行消噪和重构,最后对重构信号进行Hilbert包络谱分析,提取故障频率。实验结果表明,提出的方法,能精确地提取滚动轴承的故障频率。

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除;对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果;采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.

基于ALIF和PNN的轴承故障特征提取研究

轴承的早期故障诊断和在线健康监测对机械设备的维护和安全至关重要。为了从强背景噪声下的复杂信号中突出弱故障特征,提出了一种基于自适应局部迭代滤波(ALIF)和概率神经网络(PNN)来准确识别轴承故障特征的研究方法。首先,通过ALIF自适应地将非线性非平稳信号分解为多个单分量,利用峭度—相关系数准则对各单分量进行筛选,过滤掉不包含故障信息的单分量。然后,计算单分量的能量与总能量的比值来组成特征向量。最后通过输入故障特征向量到PNN中来实现轴承故障状态的识别和在线健康监测。

基于动态图像变形的PP与PS波层位直接匹配

多分量地震资料的矢量偏移、多波地震资料的联合解释与反演均需要估算纵横波的速度比,实现纵波与转换横波在时间或深度域的匹配.基于DTW,本文实现了一种适用于PP与PS波直接匹配的动态图像变形算法.该算法分为三个部分:首先,使用二阶对称动态规划算法逐样点递归计算PP与PS波走时或深度的误差累积和;其次,在以误差累积和为目标函数的回溯阶段设定变形窗,并在纵横波速比约束的变形窗内递归回溯搜索匹配路径;最后,根据最大相关系数判定准则在匹配路径中确定最佳匹配路径,获得使PP与PS波匹配的拉伸或压缩时移量.利用所获得的拉伸压缩时移量计算纵横波速度比就可以实现PP与PS波之间的匹配.模型与实际陆上多分量地震资料测试结果表明:该方法具有较高的匹配精度,且对于信噪比、相似度较低的多分量地震资料,该方法也能产生较好的匹配效果.

基于自适应K-SVD的能量泄漏恢复研究

针对现有常规去噪方法手段在参数选择及条件假设的不合理因素,导致去除的噪声剖面中残留部分有效信号(又称能量泄漏)的问题,本文提出了基于自适应K-SVD的能量泄漏恢复方法,实现残存有效信号的回收利用。首先采用小波阈值、f-x域去噪等传统方法处理,获得一个较高品质的样本进行字典的构造,再引入相关系数匹配准则对残差剖面进行稀疏分解,实现随机噪声与残留有效信号的二次分离。试验结果表明,本文算法能较好地兼顾地震信号的去噪与保幅,具有自适应性。

基于小波包变换与CEEMDAN的滚动轴承故障诊断方法

针对滚动轴承诊断受环境噪声影响,特征频率难以提取的问题,提出了一种基于小波包变换与完全自适应噪声集合经验模态分解(CEEMDAN)的滚动轴承故障诊断方法。通过CEEMDAN将传感器收集到的原始振动信号进行分解并依据峭度值-相关系数(K-C)筛选准则划分高噪信号和低噪信号。利用小波包变换分解高噪信号后选取合适分量重构实现环境噪声的滤除并与低噪信号进行整合产生新的振动信号进行包络解调,提取实际故障特征频率实现滚动轴承的故障诊断。经对比试验,所提出的方法清晰地提取出滚动轴承的转频、故障特征频率及其倍频和调制频率,由仿真信号计算可知降噪后的信号信噪比提高了7.61 dB,有效优化了对噪声滤除的效果。