基于Copula函数的高速列车信号联合特征提取

针对高速列车在车体不同位置的通道测得的振动信号,提出一种基于Copula函数的通道间信号联合特征提取方法。该方法使用泛化高斯分布对各通道信号的边缘分布进行拟合,并使用Gaussian Copula函数构建信号间的联合分布函数。提取边缘分布参数以及联合分布函数的参数作为特征。通过对某型高速列车转向架正常、抗蛇行减振器失效、空气弹簧失效和横向减振器失效4种典型工况的振动信号进行分析和特征提取,并采用支持向量机进行识别,平均识别率超过97%,表明该特征提取方法的有效性。

基于时频联合特征提取的风电机组齿轮箱齿轮磨损程度识别

针对风电机组齿轮箱齿轮发生磨损故障时其声信号非平稳非线性的特点,提出一种基于小波域倒谱的时频域联合特征提取,并与支持向量机相结合的方法,对齿轮磨损程度进行识别.特征提取部分选用db3小波对原始声信号进行三层小波包分解,对每一个节点分别进行小波包重构,计算出重构信号的能量值并进行归一化;对重构信号进行倒谱变换并选取频域异常幅值对应的频率作为特征值,形成一个八维的特征向量;以波形、峰值、峭度、脉冲、裕度五个时域因子组成时频联合特征向量作为原始信号的特征输入;用支持向量机作为模式识别的工具.试验结果表明,基于时频联合特征的分析相对于单特征提取在一定程度上提高了故障识别的准确率.

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取(Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE)的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比(Jamming-to-Noise Ratio,JNR)≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取(Automatic Feature Extractionbased Convolutional Neural Network,AFE-CNN)算法;与传统的人工特征提取的深度神经网络(Manual Feature Extraction-based Deep Neural Network,MFE-DNN)相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。

结构和内容联合提取的XML网页分类研究

针对XML网页特点,重点研究了XML文档结构和内容特征的提取方法,提出了一种基于频繁结构层次空间模型的联合特征提取策略,并给出了结构特征权重和关键词出现的位置及频度权重的计算公式,并根据计算结果提取XML网页特征矩阵,分别就结构、内容联合提取三种情况进行分类测试,通过ROSSETA系统,利用粗糙集优越的属性约简构造文本分类系统,实现XML文档分类。实验表明,该方法分类准确度较高,计算量较小。

基于联合SIFT和SURF特征的三维表面重建

一般提取二维图像特征点的方法用到SIFT特征提取,因为SIFT特征有几个特性:对噪声和光线容忍度高、区分性、多量性、可扩展性等,但对于边缘光滑目标的特征点提取能力较弱。SURF特征也是提取图像的尺度不变特征,SURF方法使用Hessian矩阵的行列式值作特征点检测,在对于光滑边缘的目标特征点检测效果要优于SIFT特征。采用同时提取图像中SIFT和SURF特征的方法用于关键点的确定,能够在SIFT特征稳定性好、尺度不变性基础上,提高边缘光滑目标的特征点检测能力。实验结果表明,使用SIFT特征和SURF特征联合的方法能够重建出更多的顶点数和面片数,包括利用SIFT特征提取后存在空缺的部分。重建出的三维表面有更完整更准确的顶点和三角形面片,能提高重建表面的完整度与真实性。

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法(SSA)优化变分模态分解(VMD)和长短时记忆神经网络(LSTM)的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合[K,α]将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解(EEMD)和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。

基于联合特征的风电机组故障检测

为了提高风电机组的运行可靠性,有必要对风电机组的故障信号进行实时采集并分析.在风电机组的故障检测诊断技术中,有语音信号诊断技术、振动信号诊断技术、电量参数诊断技术,振动信号诊断技术相对于其它诊断技术能更好地反映风电机组的实际工况.提出一种基于小波分析的联合特征提取方法,结合BP神经网络对风电机组的故障进行分析和诊断.以风电机组齿轮箱故障诊断为例,通过频谱分析和模式识别,发现基于联合特征的分析相对于单特征提取在一定程度上提高了诊断精度.

融合Transformer和VGG网络的高光谱图像分类

在高光谱图像(HSI)光谱数据中,相邻波段间信息的相关性对光谱特征近似的不同地物的分析具有重要意义。然而在传统卷积神经网络(CNN)的HSI光谱数据处理方法中,所提取的特征忽略了不同波段间信息的关联性。提出了一种融合Transformer和VGG网络的高光谱图像分类方法(SST_Like)。采用3D卷积核的VGG网络提取空间光谱特征,基于多头自注意力(MSA)机制的Transformer网络提取连续光谱间信息,形成空谱联合特征,最终通过多层感知机(MLP)完成地物分类任务。本文提出的SST_Like网络模型在3个HSI开放数据集上的实验结果表明,与传统基于CNN的HSI分类算法相比,可以提取更加深层的、判别性的特征,具有较高的分类性能。

基于双通道混合网络模型的调制方式识别方法研究

调制方式识别是电子对抗领域的核心技术之一,针对传统调制识别方法识别精度不高的问题,借助深度学习方法构建一种双通道混合网络(CLRD)模型,通过对信号的时序特征和空间特征的联合提取完成信号的有效识别。以RML2016.10a数据集为仿真对象,识别11种调制信号。仿真结果表明:在低信噪比条件下,本文提出的CLRD模型具有较好的识别准确率,当信噪比在-2 dB以上时,平均识别准确率可达到91.56%;与其他常用模型相比,识别准确率均有一定程度的提高。

基于自编码器的飞机类型识别方法

针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。

Joint eigenvalue estimation by balanced simultaneous Schur decomposition

The problem of joint eigenvalue estimation for the non-defective commuting set of matrices A is addressed. A procedure revealing the joint eigenstructure by simultaneous diagonalization of. A with simultaneous Schur decomposition （SSD） and balance procedure alternately is proposed for performance considerations and also for overcoming the convergence difficulties of previous methods based only on simultaneous Schur form and unitary transformations, it is shown that the SSD procedure can be well incorporated with the balancing algorithm in a pingpong manner, i. e., each optimizes a cost function and at the same time serves as an acceleration procedure for the other. Under mild assumptions, the convergence of the two cost functions alternately optimized, i. e., the norm of A and the norm of the left-lower part of A is proved. Numerical experiments are conducted in a multi-dimensional harmonic retrieval application and suggest that the presented method converges considerably faster than the methods based on only unitary transformation for matrices which are not near to normality.