滚动轴承发生局部故障时将产生由共振频率调制的周期瞬态冲击,有效提取冲击特征是诊断滚动轴承故障的关键。图信号处理方法(Graph Signal Processing,GSP)是基于图谱理论发展起来的新研究领域,将振动信号转换为图信号进行分析,能有效揭...滚动轴承发生局部故障时将产生由共振频率调制的周期瞬态冲击,有效提取冲击特征是诊断滚动轴承故障的关键。图信号处理方法(Graph Signal Processing,GSP)是基于图谱理论发展起来的新研究领域,将振动信号转换为图信号进行分析,能有效揭示振动信号特性。对高斯函数加权下的路图拉普拉斯矩阵进行特征分解,发现代数连通度(Algebraic Connectivity)以内的特征向量存在明显的冲击,因此提出利用代数连通度以内的特征向量结合逆图傅里叶变换(Graph Fourier Transform,GFT)重构故障信号中冲击分量的方法。高斯加权函数中的热核宽度决定冲击特征向量的分布,直接影响重构结果,为解决热核宽度的选择问题,提出结合粒子群算法(Particle Swarm Optimization,PSO)确定最优热核宽度;然后利用最优特征向量组重构冲击信号,并进行包络解调;最后实现滚动轴承故障的有效诊断。算法仿真和应用实例表明,基于最优加权的路图GFT方法能有效地重构滚动轴承故障冲击特征,诊断故障类型。展开更多
针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,...针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。展开更多
文摘针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。