基于面积加权GWT-GFT的水声目标识别

由于海洋环境的复杂性,水声目标的识别具有很大的挑战性。为解决这类复杂环境下特征提取的问题,提出了一种基于面积加权的图小波变换-图傅里叶变换(GWT-GFT)的分析方法。在完成数据预处理后,为了能够凸显顶点之间的关系,提出了一种新的基于顶点三角形面积的加权方法来构建图信号;构建好的图信号通过GWT分解为多尺度图分量;然后,利用GFT将这些分量从图域变换到特征值谱域进行分析;在此基础上,提取各分量特征值谱的特征;最后,利用基于高斯核函数的支持向量机(SVM)对获取的特征向量进行分类。基于水声信号ShipsEar数据库,采用5折交叉验证方法进行验证。与现有的其它方法相比,所提的模型以36个特征在376656个样本上取得了97.22%的准确率,证明了该分析方法的有效性和鲁棒性。

谱图傅里叶变换与谱图小波变换基分析研究

卷积神经网络在欧氏数据上取得巨大成功之后,开始在图结构、几何流行等非欧数据上泛化。当前图卷积神经已成为研究热点。在数字图像去噪、压缩、增强、融合以及加密方面傅里叶变换与小波变换是不可或缺的处理手段,在图卷积神经中有卷积定理将傅里叶变换用于实现图上的卷积运算,谱图小波变换也只是实现了卷积的快速算法,都是围绕如何在图结构上做卷积而展开的研究,没有真正发挥其作用,大大限制了图卷积神经网络性能的发挥。该文对谱图傅里叶变换与谱图小波变换基进行分析研究,同时研究基与图结构之间的关系。实验表明通过谱图傅里叶变换和谱图小波变换可以获取图结构的特征信息,为谱图小波变换和谱图傅里叶变换更深入地与图卷积神经网络结合提供了参考。

机车齿轮箱齿根裂纹故障特征提取方法研究

齿轮箱是机车传动系统的重要部件。诊断齿轮箱齿根裂纹故障有助于减少或者避免列车运行事故。基于图傅里叶变换方法对齿轮箱传动系统齿根裂纹进行故障诊断时,由于受到高斯白噪声的影响,处理后故障特征频率不够明显。提出一种基于复Morlet小波梳状滤波器以及图谱理论相结合的齿轮箱传动系统齿根裂纹故障诊断方法。首先,通过复Morlet小波簇梳状滤波器对含有齿轮箱齿根裂纹故障信息的信号进行滤波以及包络解调处理;然后,通过图谱傅里叶变换方法将信号中含有的冲击分量集中到图谱域的高阶区域,从而提取出信号中所含有的冲击成分,可为齿轮箱齿根裂纹故障诊断提供有力依据。通过运用所提出方法对含有齿根裂纹的机车齿轮箱振动信号进行分析,证明了其有效性。