Radar Emitter Signal Recognition Using Wavelet Packet Transform and Support Vector Machines

This paper presents a novel method for radar emitter signal recognition. First, wavelet packet transform （WPT） is introduced to extract features from radar emitter signals. Then, rough set theory is used to select the optimal feature subset with good discriminability from original feature set, and support vector machines （SVMs） are employed to design classifiers. A large number of experimental results show that the proposed method achieves very high recognition rates for 9 radar emitter signals in a wide range of signal-to-noise rates, and proves a feasible and valid method.

基于粗糙集属性约简和贝叶斯分类器的故障诊断

利用改进的小波包对收集的信号进行特征提取,解决了小波包分解的频率混叠问题;针对故障信息中的冗余属性问题,提出了基于类差别矩阵改进属性重要度的属性约简算法,根据各条件属性在类差别矩阵中出现1的频次定义新的属性重要度,提高属性约简的效率;通过考虑条件属性与类属性间的关联性,提出了基于熵权法的属性加权朴素贝叶斯分类器算法,提高故障分类精度。通过对滚动轴承故障数据的对比分析,验证了所提组合方法在提高故障诊断正确率、快速性方面所具有的优势。

神经网络的应用与发展趋势

该文首先介绍了神经网络的发展、优点及其应用,接着介绍了其发展动向,最后着重论述了神经网络目前的几个研究热点,即神经网络与模糊控制、遗传算法、专家系统、小波分析、混沌以及粗集理论的结合。

多元可变参数需求预测模型分析与应用

针对现有区域物流需求预测目标单一、预测数据复杂的问题,提出了多元可变参数的物流需求预测模型。在分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系的基础上,运用粗糙集理论对预测指标进行预处理,建立多输入-多输出小波网络(multi-input andmulti-output wavelet network,MMWNN)多元预测模型,采用迭代梯度下降法和逐步检验法确定预测网络中的可变参数。利用粗糙集约简后的评价指标来实现对多元区域物流需求的预测,实例仿真结果表明该模型具有较高的预测精度和有效度。

基于阶次小波包与粗糙集的轴承复合故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳非高斯特征,传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入到轴承的复合故障诊断中,利用计算阶次跟踪算法对瞬态振动信号进行重采样,采用小波包对该信号分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,通过粗糙集理论得到清晰、简明的决策规则。并通过复合故障实例验证了此方法的有效性。

基于小波粗糙集算法的图像拼接研究

为了提高图像拼接的质量,采用小波粗糙集算法。首先,基于自适应小波变换对图像分解,通过小波方向的对比度设定阈值来平衡图像内各个对象的差异。接着,分解图像特征点的粗糙决策属性来划分重叠区域,通过空间的划分,把上近似在属性子集的划分区域划分到对象集合中,下近似有可能划分到其他对象集合中,比较计算参考图像与输入图像特征向量因数集的欧氏距离约简规则选择特征点,并把输入图像中欧氏距离最小的点作为参考图像中特征点的匹配点。然后,通过平均值法消除拼接缝隙,实现图像的上下、左右以及斜方向的无缝拼接。最后,给出了算法流程和评价指标。实验仿真表明,本文算法拼接缝隙区域过渡光滑,视觉效果连续,没有出现重叠鬼影,本文算法的信息熵为33.872 1bit,处理时间为2.436 8s。满足拼接结果中对执行时间少、信息含量大等要求。

基于小波变换与粗集理论的滚动轴承故障诊断

结合小波和粗集理论的优点,提出了一种基于小波变换和粗集理论的故障诊断规则获取方法并成功应用于滚动轴承的故障诊断。该方法提取小波变换能量特征时不需要精确计算滚动轴承的故障特征频率,与传统的提取时域和频域参数方法相比,具有更高的诊断正确率。研究结果为滚动轴承和其他机械设备的故障诊断提供了新的思路,也为基于规则的智能故障诊断系统提供了一种更为简单的知识库自动构造方法。

基于小波能量谱和粗糙集的离心式压缩机振动故障诊断

结合小波能量谱和粗糙集理论各自优点,采用尺度小波能量谱计算公式对实测的时域信号进行尺度小波能量谱计算。以尺度小波能量谱为特征参数,对应故障为决策属性,结合粗糙集理论进行故障诊断规则获取,从而提出一种基于小波能量谱和粗糙集理论的离心式压缩机振动故障诊断方法。研究结果表明:测试样本对象诊断正确率为100%;该方法不需要精确计算离心式压缩机振动的故障特征频率,与传统的提取时域和频域参数方法相比,诊断正确率达88.5%。

一种新的小波神经网络结构优化设计方法

针对基于框架的小波神经网络存在的网络冗余性较大的问题,提出一种基于粗糙集理论的网络结构优化设计方法。首先通过时频分析确定小波神经网络的初步构造;在此基础上,根据网络输出对隐层节点依赖度的大小去除冗余的隐层节点,达到优化网络结构的目的,仿真结果表明该方法是简单而有效的。

高档车削中心故障知识库构建技术

面向高档车削中心典型功能部件,构建状态监测试验平台,提出机床故障知识库模型;采用小波包理论进行故障能量特征提取;研究基于粗糙集理论的知识获取技术.实验结果表明,小波包分析与粗糙集方法相结合能够有效获取机床故障规则,提高了故障诊断率,为实现机床故障预测提供可靠数据来源,为分析导致故障的影响因素提供了关键试验技术.

小波变换和粗糙集的图像增强方法

提出一种基于小波变换和粗糙集的图像增强方法,其思想是先把待处理图像采用小波分解成4个子图像,然后再对分解后的小波系数利用粗糙集进行处理,以改善图像的视觉效果,最后采用小波逆变换得到增强图像。该方法很好地区分了图像低频分量和高频分量对图像增强的不同影响。实验结果表明,该方法图像增强效果好,去噪能力强,能较好地保持图像的边缘细节信息。

基于粗糙集与小波分析的图像融合算法

提出了将粗糙集理论与小波理论相结合的图像融合算法。对含有椒盐噪声图像进行了图像融合实验,用粗糙集对源图像增强,然后再用Db4小波对源图像进行图像融合。用熵作为图像融合效果评价准则,仿真结果表明得到的融合图像熵值比源图像大,视觉效果比源图像更好。

基于RS和WSVM的网络入侵检测算法研究

研究网络入侵检测问题,由于网络系统受到入侵攻击,危害网络安全。针对传统SVM检测能力有限,在高维数大规模的入侵检测样本下学习速度慢、资源消耗大的问题。为提高检测系统的精度及实时性,提出了一种将粗糙集(RS)和小波核支持向量机(WSVM)相结合的检测算法。使用粗糙集对训练样本进行属性约简及样本约简,降低样本维数及规模;用小波函数构造SVM的核函数以增强其推广能力,用约简后的样本训练WSVM,建立分类器模型,选用KDD Cup 99数据集进行仿真。结果表明,组合算法获得了较高的检测速度,降低了误报率,证明了算法的可行性,提高了入侵检测系统的性能。

粗糙集—小波神经网络在隧道围岩分类中的应用

隧道工程围岩的级别是隧道围岩稳定性的尺度,施工期间的隧道围岩分类的确定是最为基础、也是最为重要的内容。本文将粗糙集、小波神经网络和围岩分类有机结合起来,对白鹤隧道围岩分类进行识别研究。结果表明:用经过粗糙集约简后的样本集作为神经网络的训练样本集,有效地简化了神经网络的结构,减少了训练步数与训练时间,并提高了网络的学习速度和判断准确率;经过粗糙集约简后的WNN判别准确率最高,识别结果更接近专家质量评价法;而BP网络判别结果与专家质量评价法相差较大;总体上,小波神经网络预判的结果要比BP神经网络预判的结果精度要高,约简后要比约简前的精度要高。

基于粗糙小波神经网络的客户协同供应商选择过程研究

为准确有效地将客户需求反映到企业的供应商选择过程中,建立了客户协同供应商选择的过程模型,分析了协同客户评价的重要性,提出了客户协同机制。从客户价值、客户协同态度、客户协同能力和客户协同效应四方面构建了协同客户选择评价指标体系,采用粗糙集理论和小波神经网络相结合的方法确定协同客户的重要性。由协同客户与企业根据供应商选择评价准则,共同对备选供应商进行评价,从而选择出合适的供应商。通过应用研究验证了该方法的有效性和可行性。

基于粗集的正交小波网络预测模型研究

为满足复杂工程预测问题的需要,把粗集理论与正交小波网络相结合,建立了一种基于粗集的正交小波网络预测模型。应用主成分分析方法解决了正交小波网络多维输入时的维数灾难,提高了网络的收敛性和预测的时效性。预测模型兼容了正交小波网络和粗神经网络的优良特性,具有良好的函数逼近能力和极强的鲁棒性,特别适合于具有随机因素的高精度预测问题。仿真研究表明,模型的预测精度和收敛速度优于小波框架神经网络。

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度。实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度。

基于粗糙集的电机机械状态特征的约简研究

针对集装箱起重机起升电机振动特征参数较多的特点,在利用小波包分解算法进行特征提取的过程中,引入基于粗糙集理论的属性约简方法,在保证识别精度的前提下约简特征参数的维数,以便更高效地进行机械状态识别。同时,引入Wallace测度对约简后的特征属性集与约简前进行识别精度比较。实验结果显示,约简前后的识别结果和精度基本相同,而特征属性维数大大减少,从而大大降低了聚类识别过程的复杂程度和计算量。

一种基于粗糙集与小波变换的电能质量分类方法

针对目前电能质量问题分类常用方法中存在判断过程复杂且计算量大的问题,提出将小波变换和粗糙集理论相结合解决电能质量分类问题的方法。首先,利用小波变换提取扰动信号的特征矢量样本数据;然后,应用模糊C均值聚类的方法将所提取的连续的特征矢量样本数据离散化,得到离散化后的分类知识规则表;最后,采用粗糙集理论中的属性与属性值约简算法,获得判断电能质量分类的核心规则知识。通过对Matlab下的模拟信号数据进行仿真实验,结果表明该方法可直接由信号数据快速准确地判断出信号所属的电能质量类型,简单易行。

基于粗糙集和支持向量机的空间结构健康监测

目的为了改进现有损伤诊断方法的不足,降低结构健康监测的成本并提高其准确性和分析速度.方法基于小波包分解技术、粗糙集特征约简和支持向量机强大的分类功能,提出了一种空间结构损伤诊断方法,并以此为基础建立了空间结构的健康监测系统框架.利用有限元模拟,应用该方法对一单层球面网壳结构进行了损伤诊断.结果由小波包分解得到的特征向量能够敏感地反映构件的损伤,经过学习的支持向量机基本可以正确地识别出空间结构杆件的损伤位置和程度.结论经过粗糙集约简的损伤诊断同样有效并提高了计算速度.该方法具有面向工程实际应用、成本低和分析简便等特点.