基于快速kurtogram算法的共振解调方法在滚动轴承故障特征提取中的应用

共振解调方法是滚动轴承故障特征提取和故障诊断中最为常用的一种方法。然而传统的共振解调技术存在带通滤波参数(中心频率和滤波带宽)需要人工进行预先确定,其具有很大的偶然性、局限性等缺陷。本文将快速Kurtogram算法用于共振解调技术带通滤波器参数的确定中,并结合共振解调技术成功运用于滚动轴承的故障特征提取,弥补了传统共振解调方法需要人工干预进行带通滤波参数确定的不足,并分别进行仿真和实验来验证该方法的有效性。

L-M算法在变换矩阵计算中的应用

基于特征的图像拼接是最受关注的一类拼接方法,它分为特征提取、特征匹配、变换矩阵的计算和图像融合4步。如何利用获得的多对特征点来计算较高精度的变换矩阵是图像拼接中的重要问题。介绍L-M(Levenberg-Mar-quardt,利弗博格-马夸特)算法,并将L-M算法运用于获得较高精度的变换矩阵的计算中。另外,对于应用该算法的过程中出现的矩阵元素过大而无法求逆的问题,也给出了解决的办法。实验结果证明,该方法实用可行,能有效提高拼接质量。

L-M算法在高层结构体系选型中的应用

采用L-M算法人工神经网络进行高层建筑结构体系选择的研究。与传统的BP算法和改进的带动量自适应学习率BP算法比较表明,L-M算法可以解决高层建筑结构体系选择的问题,算法快,精度高,是运用人工神经网络解决高层建筑结构体系选择的较好网络。

多符号差分酉空时系统的低复杂度M算法设计

为了解决多符号差分检测(MSDD)高计算复杂度的问题,已经提出了一系列低复杂度次优的检测算法,其中,M算法因其具有固定的复杂度和时延被广泛关注.当前,M算法在多符号差分检测中的运用大多假设每层的保留分支数M值是相同的,而这种方法在复杂度的角度来看并不是最佳的方法,鉴于此本文提出了一种动态M算法,即每层保留分支数设为不同的值,通过仿真分析得出该方法与恒定M值的方法比较不仅使扩展和更新的分支数减少,而且在高信噪比时其性能更优越.另外目前对M算法的研究主要集中在通过减少节点扩展分支数来降低复杂度,而对每层选取最佳M条路径的排序方法的研究几乎是空白,因此基于多符号差分检测系统对一种低复杂度的排序方法进行了研究.分析表明这种方法相比传统冒泡排序方法可以节约75.39%的比较交换次数.该方法的运用使得M算法更有利于在实际当中的运用.

基于M算法的1000 BASE-T千兆以太网收发器联合解码均衡器实现研究

提出了一类适用于IEEE 802.3ab标准1000 BASE-T千兆以太网收发器的预滤波M算法联合解码均衡器.通过研究保留路径数、期望信道响应拖尾长度以及回溯深度等参数对M算法解码器的性能与硬件复杂度的影响,确定了优化参数和结构.0.18μm标准单元CMOS工艺下的综合和后仿真证明其性能与硬件复杂度均优于常用的预滤波并行判决反馈解码器(Parallel Deci-sion Feedback Decoder,PDFD).研究表明,预滤波M算法解码器适合在多种情况下取代预滤波PDFD,用于1000 BASE-T千兆以太网收发器联合解码均衡器,其中4tap PF-MA4解码器的性能优于14tap PDFD,而面积仅为其39%.

基于L-M算法的二维PSD非线性校正

本文分析了二维PSD的工作原理及非线性产生的原因,提出了应用BP神经网络对PSD非线性进行修正的方法。由于传统的BP及其改进算法收敛速度过慢,往往收敛于局部极小值等缺点,因此引入了L-M算法。本文通过利用MATLAB工具箱进行BP网络的建立、训练、仿真,结果证明了L-M算法不仅提高了测量精度,而且缩短了训练时间。

基于L——M算法的水冷振动炉排锅炉灰渣含碳量的预测

对锅炉灰渣含碳量大的原因进行了分析,通过实验采集了相关实验数据并运用人工神经网络L——M算法对这一损失进行了预测,结果表明:采用L——M算法可以有效地预测锅炉的灰渣含碳量。

优化污水处理厂污泥测量 基于PCM算法的超声波固体悬浮物浓度计

污泥处理处置是污水处理厂必须考虑的问题，韩国WESSGLOBAL公司推出的ENV200超声波固体悬浮物浓度计可以同时完成电磁流量计和传统污泥浓度计的工作，同时PCM算法使得ENV200超声波固体悬浮物浓度计更加智能化。

基于改进AdaBoost.M2算法的自动调制识别方法

针对同族调制类型通信信号识别难度大、深度学习模型普遍存在泛化能力弱的问题,基于经典AdaBoost.M2算法,提出改进样本权重的AdaBoost.M2算法,用于解决大样本情况下学习率与加权后样本数据难以相适应的问题。改进后的新样本权重确保训练样本数据的数量级在加权后不变,并使算法更迅速地关注到难分类样本,提高了弱分类器综合性能,降低了加权投票模型中弱分类器重要性之间的差异。针对部分样本的统计特性易淹没于噪声中造成难分类问题,提出随机特征裁剪方法,使算法避免过度关注异常特征,降低了极难分类样本对AdaBoost.M2算法性能的负面影响,提升了算法的泛化能力,并以低信噪比数据进行实验验证。针对调制类型同族信号难分类的问题,选取同族调制类型的通信信号开展模型训练和测试。实验结果表明:相比于单一卷积长短时记忆全连接深度网络(CLDNN)算法,改进AdaBoost.M2算法对低信噪比PSK族类和QAM族类通信信号的测试集准确率分别提高了8.5%和11.25%,相比于直接集成CLDNN的经典AdaBoost.M2算法,测试集准确率分别提高了8.25%和6.5%。

基于贪心策略的大规模MIMO系统信号检测算法

针对传统球形译码性能和计算复杂度受到初始半径及搜索策略制约的问题,提出了一种新的基于M算法的贪心策略球形译码检测算法,对树搜索的方法进行了改进,先将该层信号集合中的距离增量进行排序,然后选择距离增量最小的M个点为信号点,这样每一次选取的信号点相对该层都是局部最优的。仿真结果表明,相比于传统球形译码检测算法,当M为1时,该算法可以降低约30%的计算复杂度。使球形译码算法的效率得到了很大的提高,可以运用于大规模MIMO系统中。

MIMO-OFDM系统中改进的QRD-M检测算法

在MIMO-OFDM系统的信号检测中传统的QRD-M算法以较低的复杂度逼近了ML检测的性能,具有很好的应用前景。但是该算法M值必须足够大且计算复杂度较高。针对此缺点,在QRD-M算法的基础上,首先对QR分解采用改进的修正GramSchmidt正交化算法,使得接收端能够最先检测信噪比较大的层,从而减少错过ML解的可能性;其次在树搜索过程中与DFE(Decision Feedback Equalization)算法相结合,引入新的参数T。改进算法的前T层用M分支搜索算法检测,剩余的其他层用DFE算法检测。这种方法降低了传统算法复杂度,同时增加了接收端检测的灵活性。仿真结果显示,改进的算法以更低的复杂度获得更接近最大似然检测的性能。

基于L-M算法的EV71传播预测模型

本文基于神经网络L-M优化算法,提出一种对EV71病毒的有效预测模型,利用matlab进行仿真模拟,结果和阜阳病毒感染情况非常符合。神经网络L-M优化算法克服了神经网络BP算法收敛速度慢的缺点,同时通过学习训练,本模型的神经系统具有有效性和通用性的特点。

空间调制系统下改进的QRD-M检测算法

空间调制(SM)系统中性能最优的最大似然(ML)检测算法复杂度很高,用基于信道矩阵QR分解的M算法(QRD-M)可以降低复杂度,但传统QRD-M算法检测时,每层都保留固定的M个节点,仍会造成额外的计算量。针对传统QRD-M算法中存在的问题,提出一种低复杂度的动态M值QRD-M检测算法——LC-QRD-dM。LC-QRD-dM算法利用设计的阈值与累积分支度量值进行比较,每层自适应地选择不超过M的保留节点数,相对于传统QRD-M算法以牺牲少量性能为代价大大降低了复杂度。接着又针对该改进算法在信道衰落较深时会产生较大误码率的问题,进一步提出一种基于信道状态的动态M值QRD-M检测算法——CS-QRD-dM。CS-QRD-dM利用LC-QRD-dM的原理,在低信噪比(SNR)时,每层根据阈值选择不小于M的保留节点数;在高信噪比时,每层则选择不超过M的保留节点数。理论分析和仿真结果表明:相比传统QRD-M,CS-QRD-dM在低信噪比时有约1. 3 d B的信噪比增益(误码率为10-2),以增加少量复杂度为代价,显著地改善了检测性能;在高信噪比时,其检测性能及复杂度与LC-QRD-dM相同。

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络,通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析,来确定网络的拓扑结构,建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络,仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性,模型的预测精度较高,同时通过一组非样本天气环境参数和作物需水量来验证该神经网络,也得到了较好的预测结果,能够满足灌溉的精度要求。

基于L-M优化算法的喷头射程神经网络预测模型

喷头射程受较多因素影响,各因素之间相互作用,是一个复杂的非线性系统。神经网络能有效地描述非线性模型多输入和不确定的特征。采用Levengerg-Marquardt优化算法对神经网络进行了改进,对获得的数据进行训练,建立了喷头射程预测中喷嘴仰角、喷嘴直径和工作压力的映射网络模型,并模拟分析了喷头射程与其影响因素之间的变化规律。结果表明,用基于L-M算法的人工神经网络预测喷头射程时,不需要建立具体的模型,设计方便、运算迅速、仿真性强、精确度高。

GMRES(m)算法在离散不适定问题中的应用

基于投影方法的规划算法——Krylov子空间技术,研究了离散不适定正则化和Krylov子空间广义极小残余算法(GMRES(m))的基本理论,特别是残余向量与Krylov子空间的关系。利用离散不适定正则化方法,将不适定问题转化为适定问题,利用广义极小残余算法对此适定问题进行数值求解。数值结果表明该算法是可靠和有效的。

低频振荡模式在线辨识的最小平均M估计自适应滤波算法

研究了常规最小均方二乘自适应滤波算法应用于低频振荡的基本原理,以及最小平均M估计(least meanM-estimate,LMM)算法的基本原理。首次将LMM算法应用于低频振荡模式的在线辨识,采用新英格兰-39节点系统时域仿真数据和某电网的同步相量装置(phasormeasurement unit,PMU)实测数据对所提方法进行了测试,验证了LMM算法在低频振荡模式在线辨识的鲁棒性和有效性,对稳态类噪声数据和动态数据均可辨识,并能消除异常数据对辨识结果的影响。

机器学习AdaBoost.M2算法在砂砾岩流体识别中的应用

由于砾石成分复杂、孔隙结构多样、非均质性强,流体对测井响应的影响远小于岩石骨架,导致常规测井技术识别砂砾岩中的流体比较困难。为此,提出将机器学习AdaBoost.M2算法运用于砂砾岩流体识别中。应用该算法,结合试油、试采资料,将K类多流体类型拆解为K-1个二分类问题,通过多轮迭代得到样本分布,然后调用决策树算法作为弱学习算法自动得到分类器h_t进行判别。将该方法应用于A研究区砂砾岩流体识别中,样本回判准确率为95%,测试准确率达91.5%,证明了该方法的适用性,为常规测井识别砂砾岩流体性质提供了新的方法,对油气开采具有一定的指导意义。

大区域地下水模拟的预优并行GMRES(m)算法研究

大区域研究区由于涉及范围大、水文地质参数复杂多变,一直是进行地下水数值模拟的热点和难点。针对大区域地下水模拟的特点,在MPI环境中对Krylov子空间GMRES(m)算法的并行性进行分析,提出基于区域分解法的并行实现策略,并对不同的预条件子的加速效果进行比较。数值实验结果表明:并行GMRES(m)算法在求解大区域三维地下水模型时可以显著的加快求解速度,且具有较好的可扩展性。另外,Jacobi预条件子与GMRES算法的组合具有更优的加速比和执行效率,是一种求解大型化、复杂化地下水水流问题的可行方案。

基于FMM的Krylov子空间IGMRES(m)新算法及其应用

研究了Krylov子空间GMRES(m)算法的基本理论,提出一种基于FMM的Krylov子空间截断型IGMRES(m)新算法.给出三物体弹性摩擦接触算例,计算结果表明,所提出算法在保证计算精度的前提下,可以大大减少迭代次数,显著提高计算效率.