一种用于机械故障特征提取的多尺度稀疏滤波网络

针对传统稀疏滤波网络缺乏多尺度特征提取能力,难以充分挖掘故障信息的问题,提出一种多尺度稀疏滤波网络.该网络包括5层:多尺度粗粒度层,以获取多尺度信号;样本分段层,对每个尺度的信号分段;局部特征提取层,计算每个片段的特征向量;特征平均化层,将单个尺度下所有片段的特征向量池化以得到输入信号在该尺度下的表征;特征堆叠层,将所有尺度下的表征堆叠成一个长向量,作为输入信号最终的特征向量.采集3个齿轮数据集进行实验验证,可视化和聚类结果表明,多尺度网络从齿轮振动信号中提取的特征比原始网络提取的特征更具区分性和判别性.用Softmax对这两种网络及3种传统多尺度方法提取的特征进行分类,结果显示,多尺度稀疏滤波网络对每种故障的识别精度均最高.同时,所提出的多尺度稀疏滤波网络的性能与两种其他框架下的多尺度网络相比非常具有竞争力.所提出的多尺度稀疏滤波网络可广泛用于机械故障诊断的特征提取阶段,能自动从大量无标注样本中挖掘有用的故障信息.

一种循环谱特征提取的直扩信号智能识别方法

为解决传统信号识别方法对直接序列扩频信号识别率低、智能化程度不高等问题,提出一种基于循环谱特征提取的直扩信号智能识别算法。在深入分析直扩信号循环谱特征基础上,以直扩信号循环谱独特的稀疏特性为依据,设计一种稀疏滤波-卷积神经网络模型对提取的循环谱等高线图进行识别,采用无监督预训练和有监督训练微调的方式对网络参数进行更新,提升网络对信号整体特征的表达能力和对小数据量信号样本的学习能力。仿真结果表明:本文算法能够有效识别直接序列扩频信号,在不低于-10 dB高斯噪声条件下对采用正交相移键控调制的直扩信号识别准确率达到98%以上;在混合其他调制信号条件下,相较于常见的几种深度学习算法,本文提出的算法具有更高的识别准确率和鲁棒性。