基于MFCC与PNN的高精密航天器多余物材质特征识别方法

针对不同材质的高精密航天器多余物信号检测存在特征重叠、可重复性较差的问题,提出基于梅尔频率倒谱系数(MFCC)与概率神经网络(PNN)的多余物材质特征识别方法。借鉴语音识别技术,设计了一种基于能量加权MFCC的多余物材质脉冲特征提取方法;构建了基于MFCC和优化PNN的单个多余物材质脉冲分类模型;利用每个多余物材质脉冲的分类信息构建多余物材质可信度,实现对铝屑、焊锡、塑料和橡胶4种典型材质的识别。经实验验证,该分类模型对单个多余物材质的识别准确率均在90%以上,对2个多余物材质的识别准确率均在80%以上。

高精密航天器多余物检测算法研究

高精密航天器中内部活动多余物的存在是降低航天器可靠性的重要因素。针对现有多余物检测算法在较强环境噪声下难以有效检测出多余物信号脉冲并排除可动组件干扰的问题,提出了一种基于谱减法去噪、两级脉冲提取和脉冲发生序列周期性分析的高精密航天器多余物检测算法。利用谱减法实现对环境噪声的有效抑制;采用两级脉冲提取法对多余物信号与可动组件信号进行脉冲提取;通过对脉冲发生序列进行周期性分析,以周期信号相似度作为区分多余物信号和可动组件信号的判别依据,从而实现对多余物有无的检测。试验验证表明,该算法能有效检测航天器内多余物与可动组件的存在情况,识别准确率可达96%。

基于聚类的航天器多余物粒径特征识别方法

针对焊锡粒多余物粒径特征识别过程中,粒径区分度不足和粒径特征参数类间交叉对分类准确率的不利影响,提出基于聚类的高精密航天器多余物粒径特征识别方法。从信号时域与频域分析技术出发,选取多个特征参数构建多余物粒径初始特征参数向量;采用Fisher比量化各个特征参数对粒径的区分能力并削除贡献率较低的特征参数,从而构建最终多余物粒径特征识别模型;用K均值聚类算法对无标记的不同粒径等级训练样本进行学习后揭示不同粒径等级下输入特征参数的分布规律,实现混合粒径的识别。验证试验表明,在含单个和2个多余物的情况下,多余物粒径的总体识别准确率达81.8%,满足实际要求。