基于物理模型的行星轮系特征提取与评估方法

特征提取与评估是损伤检测和故障预测的基础。针对2K-H行星轮系缺齿损伤,建立了行星轮系的损伤模型,通过分析模型的仿真信号,提出了基于主频边带、小波变换和经验模式分解的多种损伤特征,并采用双样本一致性检验方法对所提取损伤特征的分类能力进行了评估,采用含噪声的仿真信号和试验数据对损伤特征进行了验证。验证结果表明,所提取的损伤特征均具有较强的分类能力,其中主频边带特征的分类性能最优。     

基于VMD多尺度熵和ABC-SVM的装甲车辆识别

针对新型作战体系下以装甲车辆为主的地面目标的被动声识别问题,为实现不同车型在不同工况下的声识别,以常见的3种坦克和4种履带式装甲车为识别对象,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和人工蜂群(Artificial Bee Colony,ABC)算法优化的支持向量机(Support Vector Machine,SVM)相结合的装甲车辆声识别模型。首先,采集不同工况下的车辆噪声信号并进行频谱分析,证明了VMD分解的可行性;其次,对样本信号进行VMD分解,得到不同尺度的本征模态函数(Intrinsic Mode Function,IMF)并进行多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE)的计算,得到多尺度模糊熵特征(VMD-MFE);然后,利用优化算法对SVM进行优化,得到最优参数优化的分类器模型;最后,对噪声信号进行特征提取和分类实验。结果表明:VMD的分解效果优于经验模态分解(Empirical Made Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD);与引力搜索算法(Gravitational Search Algorithm,GSA)和布谷鸟搜索(Cuckoo Search,CS)算法相比,ABC算法得到的优化模型ABC-SVM具有更高的识别率,可达94. 14%以上。     

基于EMD和二叉树支持向量机的调制识别算法

针对数字调制模式识别问题,提出了一种基于经验模式分解(EMD)和二叉树支持向量机的识别算法。该算法通过对数字信号进行经验模式分解,利用分解得到的本征模式函数构造分类特征,再运用二叉树支持向量机作为分类器实现了6种信号的分类。仿真结果表明,该算法具有很好的识别性能。     

基于奇异谱修正香农熵的雷达信号识别方法

针对当前雷达辐射源识别在低信噪比下识别率准确率不高,信号处理过程中难以很好保留有用信息的问题,提出了一种基于奇异谱修正香农熵(Singular Spectrum Modified Shannon Entropy,SSSE)的雷达调制信号识别方法.通过符号化聚合近似和奇异谱分析对雷达信号进行处理,求出信号的分类特征SSSE,通过分类器将处理后的信号进行分类.仿真结果显示,该方法在低信噪比范围下,仍有较高总体识别率,并且优于符号化聚合近似和奇异谱分析法.     

基于Wigner-Ville分布及局部奇异值分解的磁记忆信号特征提取与识别

针对磁记忆检测中缺陷信号持续时间短且频率范围小的特点,为提取磁记忆信号的有效特征,根据矩阵奇异值的特点,提出一种基于Wigner-Ville分布及局部奇异值分解的磁记忆信号特征提取方法．通过将时频分布矩阵从时间轴和频率轴分别划分为不同局部矩阵,提取出各矩阵的奇异值来构造特征向量．然后,将构造的特征向量作为支持向量机的输入向量对不同检测区域的金属磁记忆信号进行识别．实验结果表明：基于Wigner—Ville分布及局部奇异值分解算法构造的特征向量能有效提取磁记忆信号的特征信息,提高支持向量机的识别精度．     

基于EEMD降噪和模糊函数奇异值向量的雷达辐射源信号识别算法

针对目前基于模糊函数提取的几何学特征,在低信噪比时表征能力弱,导致识别准确率不高的问题,提出了一种基于EEMD降噪和模糊函数奇异值向量的识别方法.选取合适的EEMD参数,对时域信号进行降噪,提取模糊函数矩阵奇异值向量,求解其交叉熵作为特征,实现雷达辐射源信号识别.仿真实验表明,信噪比大于-5 dB时,所提方法对于BPS...     

基于ITD与SSA的传动箱信号降噪及微弱特征提取

试验采集的传动箱振动信号特征能量通常很小且易淹没在背景噪声之中,针对这一问题,提出了一种将固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与奇异谱分析(Singular Spectrum Analysis,SSA)相结合的时频分析方法,并用于信号微弱特征的提取。通过仿真信号及试验采集的振动信号进行验证,结果表明:该方法能够有效地从混杂着能量较大的背景信号和噪声干扰中提取出微弱信号的特征频率成分,并达到了很好的降噪效果,提取出的信号更接近于原始无噪声信号。研究为设备运行状态信息的提取与状态识别提供了一种新方法。     

基于多分辨分析的雷达目标识别方法

针对宽带高距离分辨率雷达的工作体制,提出了一种基于多分辨分析和信息综合的目标识别算法。目标特征由小波变换在相邻分辨率上的能量之比的对数构成。利用多分辨分析,将目标特征分解为反映目标结构概貌的低通特征和刻画目标结构细节的高通特征。利用辐射基函数神经网络分别对目标的低通特征和高通特征进行识别判决,然后将基于目标的低通特征和高通特征的判决信息进行综合,得到最终的识别结果     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

舰船复合材料局部结构细节设计方法

由于复合材料结构具有各向异性、组份复杂、可设计变量多等特性,有效的复合材料结构设计应同时考虑整体结构宏观设计和局部结构细节设计,两者虽密切关联,但在分析方法上存在一定差异。对此,将整体结构简化分析与局部结构细节设计联系起来,重点针对局部结构细节设计方法进行探讨,提出了一种细节设计方法。该方法基于子模型与试验工况模型的对比分析,通过局部结构试件试验对整体结构承载特性进行了综合评价。以某型船复合材料甲板室结构设计为例,通过整体简化模型优化分析确定板架构件尺度参量和铺层设计方案;提取典型局部结构承载形变特征要求,并基于子模型分析技术探讨局部结构细节设计;最后,以局部结构试验验证与考核完成整体结构的优化设计。计算结果表明:该方法能在有效控制设计成本的同时,合理开展复合材料结构设计工作,可供研究和设计者参考。     

时频图像二维EMD分解在LPI信号识别中的应用

针对LPI信号分类识别问题中,时频图像受噪声干扰严重的问题,提出了一种基于二维快速经验模式分解(FBEMD)的图像降噪算法,并利用该算法实现对LPI信号的分类。首先利用时频分析方法,获得待分类信号的时频分布图像;使用二维EMD分解算法对图像降噪;截取包含时频信息的图像部分,通过主分量分析法提取特征矢量;最后采用RBF神经网络完成信号的分类识别任务。对常见的LPI雷达信号进行仿真,结果表明较低信噪比情况下,该方法仍能获得较好的分类结果。当信噪比为-2 d B时,采用二维EMD降噪算法,平均正确识别率能够达到93%。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析；利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节；增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高；前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。     

基于熵理论的间歇采样转发干扰识别方法

干扰识别历来是抗干扰流程中的关键环节,针对间歇采样转发干扰的识别问题,提出了一种基于熵理论的干扰识别方法,将熵的概念应用于干扰信号的特征提取,并使用支持向量机进行分类识别。对干扰及回波信号进行FFT变换及预处理后,提取信号频谱的3种熵特征,并进行仿真实验检验熵特征的性能。仿真结果表明,熵特征受噪声影响较小,将其作为特征参数进行干扰识别均能取得较为理想的识别结果,其中信息熵作为特征参数时的识别性能最优,指数熵次之,范数熵识别性能最差。     

一种钢管焊接结构焊接节点损伤识别的新方法

采用端部半刚性连接梁单元模型进行模拟焊接节点的损伤,并基于应变模态理论,提出了一种焊接节点损伤识别两步法。第一步,先整体测量结构的位移模态并推导出应变模态,然后采用改进后的目标函数,通过信赖域优化算法对损伤节点位置进行准确判定;第二步,采用提出的杆端应变模态变化比指标,实现焊接节点损伤程度的精确识别。经工程实例的数值仿真及试验分析,验证了该方法的有效性及优越性,为解决这类大型焊接结构焊接节点的损伤识别问题提供了新思路。     

多输出性能下的重要性测度指标及其求解方法

针对基于马氏距离的重要性测度存在的问题,提出了基于谱分解加权摩尔彭罗斯马氏距离的重要性测度指标,通过构造多输出协方差阵的广义逆矩阵以及谱分解的策略,有效解决了协方差阵求逆奇异情况以及由于未能充分考虑多输出之间的相互关系而导致的错误识别重要变量的问题,克服了基于马氏距离指标的局限性。数值算例与工程算例结果表明:所提重要性测度可以更加准确地获得输入变量对结构系统多输出性能随机取值特征贡献的排序,从而为可靠性设计提供充分的信息。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于独立分量分析和神经网络的钢结构损伤识别方法

为了有效剔除钢结构振动信号中的噪声,提取用于损伤识别的特征量,采用独立分量分析方法分离统计独立信号,同时得到表征结构损伤状态的混合矩阵,然后将混合矩阵作为特征量输入至神经网络进行训练,最后将训练好的神经网络作为分类器进行结构损伤识别.在冲击载荷作用下,针对钢框架结构模型进行了不同损伤部位的振动实验,结果表明:基于独立分量分析和神经网络的损伤识别方法具有较高的识别率和可重复性,而且实现简单,在结构损伤识别领域具有较大的应用潜力.     

增强小波系数的飞行数据奇异值阈值降噪

针对飞行数据降噪问题,提出了增强小波系数的飞行数据奇异值阈值降噪算法.结合小波系数噪声自相关函数进行飞行数据的最佳分解层小波分解,对高频小波系数先进行增强预处理再进行SVD分解,运用奇异熵理论确定奇异值重构阶次,采用奇异值阈值对小波系数进行处理并重构,得到降噪数据.仿真实验表明,本文算法能获得较高的信噪比,改善了数据质量.     

基于时序特征编码的目标战术意图识别算法?

对战场目标战术意图的快速、准确和自动识别，是智能决策的前提和基础。目标战术意图通常由多个战术动作组合完成，因而目标状态呈现动态、时序变化特征。本文针对目标意图识别问题的特点，提出一种基于栈式自编码器（ SAE）的智能识别模型，设计智能识别模型的基本框架，提出一种基于时序特征的输入信号编码方法及相应的模式解析机制，通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号，将军事专家的知识经验封装为模式标签，模拟人的推理模式与认知经验，实现对目标战术意图的智能识别。最后通过实验，分析预训练过程和网络深度对算法性能的影响，并通过与多层感知机（MLP）和逻辑回归分类器（LRC）识别准确率的比较，验证所提SAE算法的有效性。     

基于波形骨架的信号细微特征识别

从渡形这一原始信号特征来分析信号细微特征,研究建立一种渡形骨架提取的信号细微特征识别模型,强调利用主曲线来提取渡形的原始骨架,采用分形进行骨架比对,借此识别不同信号源发出的信号.依据信号源细微特征产生机理,设计仿真实验,验证波形骨架提取的信号细微特征识别模型可靠有效.