基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。

基于支持向量机的概率密度估计方法

介绍了基于支持向量机的概率密度估计。从概率密度的定义出发,利用支持向量机求解线性算子方程的方法,直接估计出密度。建立了几种不同的支持向量机仿真模型来进行概率密度估计。从仿真结果来看,该种方法与Parzen窗的精度等级类似,同时又具有Parzen窗方法所不具备的稀疏解。

基于变分模态分解和概率密度估计的变压器绕组变形在线检测方法

短路电抗是判断变压器绕组是否变形的重要依据。其在实际测量中受现场噪声干扰而呈现一定的随机性,从而影响对绕组状态的判断,为此,提出一种基于变分模态分解和概率密度估计的绕组在线检测方法。首先,将变分模态分解应用于电气信号消噪处理,得到基波模态分量;然后,利用该基波模态分量在线计算短路电抗值;最后,对检测周期内求得的短路电抗样本,通过参数估计得到短路电抗参数正态分布的概率密度函数,根据其正态分布均值的估计值计算短路电抗偏差系数,评估绕组的当前状态。仿真验证该方法能稳定地得到短路电抗估计值,避免噪声和设备测量误差对检测的干扰,从而可靠检测绕组变形。

混合高斯概率密度模型参数的期望最大化估计

混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。

基于多核支持向量机的概率密度估计方法

提出了一种基于多核支持向量机的概率密度估计方法。其基本思路是从概率密度的定义出发,利用支持向量机求解线性算子方程的方法,直接估计出密度。使用多核支持向量机取代传统的支持向量机方法来估计概率密度,从仿真结果来看,与Parzen窗方法相比,基于多核支持向量机的概率密度估计方法的精度等级与Parzen窗方法类似,同时又具有Parzen窗方法所不具备的稀疏解；与基于传统支持向量机的概率密度估计方法相比,基于多核支持向量机的概率密度估计方法具有更强的鲁棒性,并且其精度更高。

基于概率密度估计的认知无线电动态频谱接入算法

提出一种基于概率密度估计的动态频谱接入算法,通过由支持向量机拟合出的授权频段空闲时长的概率密度对信道状态进行评估,认知无线电用户根据信道状况选择接入.该算法可以进行自适应调整,具有良好的实用性与灵活性.仿真结果表明,所提出的算法可以有效降低信道的冲撞率,同时提高认知无线电用户的吞吐量和服务质量.

极大似然最大熵概率密度估计及其优化解法

针对经典最大熵概率密度估计中拉格朗日乘子计算目前存在高度非线性、计算精度不高或有时难以收敛等问题,提出了一种"最大似然+逐次优化"的方法。基于最大似然估计法,推导建立了简化的拉格朗日优化函数;在此基础上,基于样本原点矩约束,提出了逐次寻优算法。根据优化过程不稳定,重新推导了拉格朗日乘子的线性变换公式,避免矩阵求逆运算引起的奇异现象。针对几种常见的概率分布类型及可靠性问题,采用极大似然最大熵概率密度估计法与经典型最大熵概率密度估计法分别计算概率密度及可靠度的对比表明:极大似然最大熵概率密度估计法的优化函数非线性程度低,形式简单,而且"极大似然最大熵概率密度估计+逐次优化法计算"精度高,收敛性好。

基于半参数化概率密度估计的雷达目标识别

该文针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中距离单元回波幅值统计建模所面临的概率密度模型选择问题,提出一种基于半参数化概率密度估计的雷达目标识别方法。半参数化概率密度估计从参数化概率密度估计出发,有效利用了高分辨距离像各距离单元幅值近似服从Gamma分布的经验知识,并且通过非参数化修正因子对Gamma模型进行修正,达到参数化方法和非参数化方法优缺互补的目的。基于5种飞机模型高分辨距离像数据的仿真实验证明了该文方法的有效性。

基于局部特征概率密度估计的三维模型特征提取方法

特征提取是三维模型检索中的关键。给出了基于局部特征概率密度估计的三维模型特征提取体系框架。针对三维表面局部几何特征集,利用核密度估计方法估计选定目标点的特定局部特征密度构成特征向量,用以描述三维模型。抽取三维网格模型的单元特征及多个单元特征组合而成的多元特征支持实现三维模型检索。实验验证了其检索性能优于基于统计的直方图特征提取方法。

基于非参数核密度估计的风功率波动性概率密度建模方法

研究风电波动概率模型对于风电一体化及运行具有积极影响。该文提出一种基于非参数核密度估计的风功率波动性概率密度建模方法。首先通过小波分解对风功率样本数据的波动量进行提取,基于波动量样本建立相应的非参数核密度估计模型,然后针对模型带宽选择问题,构造一种以拟合优度检验为约束条件的带约束带宽优化模型,最后利用约束序优化算法对其进行求解。实际算例仿真结果表明,所改进的风功率波动量概率密度模型较传统基于参数估计的模型具有更高的精确性和适用性,并且基于约束序优化的求解算法提升非参数估计方法的计算效率。

概率密度曲线及其参数估计的模糊与随机方法

首次提出了概率密度曲线及其参数估计的模糊与随机方法，并以一组疲劳寿命数据为例描述了参数估计的具体过程。对随机样本分别采用模糊与随机方法和数理统计方法进行了参数估计，结果表明：用模糊与随机方法比用数理统计方法得到参数估计值更接近理论值。

基于核函数和带宽的海杂波概率密度函数估计

针对参数化估计方法在分析海杂波非平稳特性方面的局限性,提出了基于核密度的海杂波概率密度函数非参数化估计方法,该方法利用核函数和带宽来估计海杂波的概率密度函数。与实测的X波段海杂波概率密度函数对比表明:非参数化的核密度优于参数化的Gamma分布和Weibull分布,其估计值与实测值最相吻合,且具有最小的均方根误差。对于一维的海杂波来讲,该方法是一种计算效率适中的算法。

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度,并解决支持向量机(SVM)对多类分类问题没有特别有效解决方法的问题。提出了一种基于一类支持向量机的多分类贝叶斯算法,证明了基于径向基核函数的一类SVM的分类函数归一化为密度函数,并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝叶斯算法应用于多类通信信号调制识别,结果表明:该算法的分类准确率不低于传统SVM多分类器,而在多类属、每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%,大大减小了核矩阵规模和训练时间。

采用概率密度比值估计的距离度量学习

现有的距离度量学习算法都是假设训练数据和测试数据服从相同的分布,但是该假设在实际中不一定成立。当训练数据和测试数据的分布不同时,利用训练数据学习得到的度量函数可能难以适用于测试数据。针对上述问题,本文在NCA(Neighbourhood Components Analysis)度量学习方法的基础上,通过引入概率密度比值对目标函数加权,提出了一种采用概率密度比值估计的距离度量学习方法(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR)。在UCI数据集和Corel图像库上的KNN分类实验表明,新方法克服了传统度量学习方法的不一致问题,提高了分类的准确率。

一种基于改进W-SVM算法的概率密度估计

研究了基于加权支持向量机的概率密度估计算法。现有算法只考虑采样时间或样本密度,导致概率密度结果误差较大。为提升估计精度,文中提出了一种改进的W-SVM算法,该算法同时考虑了采用时间和区域样本点,依次选择不同的加权惩罚系数,并对加权系数进行归一化处理,最后采用网格寻优法找出最合适的加权系数。仿真结果表明,所提改进加权支持向量的概率密度估计的均方误差远小于传统算法,即所提算法优于传统算法。

基于改进点估计法的结构随机动力地震反应概率密度演化

为了获得结构反应概率密度随时间的变化规律,将改进的点估计法、最大熵原理与随机动力学的概率密度演化理论相结合,提出了基于统计矩信息的结构非线性随机动力反应概率密度演化分析方法.以一栋按我国规范设计的钢筋混凝土框架结构为研究对象,选取结构在地震作用下的顶层位移和整体地震损伤指数作为反应参数,并考虑结构参数的不确定性,用本文提出的方法进行了地震作用下结构的非线性随机动力反应的概率密度演化分析及参数灵敏度分析,结果表明:钢筋屈服强度、结构的阻尼、混凝土容重对结构的位移反应影响较为明显,灵敏度超过10%.

基于截尾数据概率密度核估计的一些渐近行为(英文)

Blum和Snsarla(1980)提出了一基于截尾数据非负随机变量概率密度f(t)的核估计(?)_n(t),本文证明了(?)_n(t)的一致强相合性。此外,我们还进一步研究了(?)_n(t)的一致强收敛速度问题,给出了(?)_n(t)的一渐近表达式,并利用所给的表达式证明了(?)_n(t)以速度为O(n^(-2a))均方收敛到(?)_n(t),其中0<a<1/4。

SAR目标多尺度概率密度估计与识别

针对SAR目标识别问题,提出了一种基于核非线性映射的SAR目标多尺度概率密度特征的估计方法,并利用该特征进行目标识别。首先将SAR目标图像在多尺度域中分解,按一定规则建立多尺度根矢量;将多尺度根矢量经非线性映射到另一空间中,在该空间中利用基于核函数的技术结合parzen窗非参数估计得到概率密度函数。通过这一途径得到的多尺度概率密度分布挖掘了目标散射在尺度之间的相互关系,分布特征之间的相对熵测度可以用与目标分类识别。以MSTAR实测SAR目标数据集进行了多尺度概率密度估计和目标识别试验和分析,试验结果表明了提出方法的有效性。

基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法

为了解决当前基于图像特征点的水印技术存在的问题,设计了基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法。首先,基于载体图像的强度概率密度,构建概率密度梯度估计函数;利用概率密度梯度值替代强度梯度,计算载体图像的二阶自相关矩阵,以改进Harris-Laplace检测算子,充分提取载体的鲁棒特征点;然后,基于LOG(Laplacian-of-Gaussians)算子,计算每个点的特征尺度,构建了圆形局部特征区域;引入圆谐傅里叶变换,对所有局部特征区域进行处理,输出相应的傅里叶系数;定义鲁棒系数选择规则,从所有的傅里叶系数中确定合适的系数作为水印隐藏位置;根据选择的鲁棒系数,设计水印嵌入方法,将加密后的二值水印隐藏到这些系数中,形成水印图像;最后,建立水印检测机制,从水印图像中复原二值水印。测试结果显示,与当前图像水印方案相比,面对几何变换攻击,所提算法具有更高的不可感知性,所输出的水印图像与载体的相似度为0.994;另外,所提技术也具备更强的鲁棒性,复原水印失真度最小,在中心裁剪攻击下,所提算法的复原水印对应的峰值信噪比(PSNR)、归一化系数(NC)值最大,分别达到了41.91dB、0.901。