基于全矢谱-深度置信网络的转子故障诊断方法研究

针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技...     

多尺度细节增强的红外图像去混合噪声研究

针对红外图像中噪声强度高、类型多的问题,提出一种基于卷积自编码器实现的图像降噪模型——IS-DCAE.通过分析红外图像噪声干扰原因,建立了3种噪声模型产生噪声图像;在基本卷积自编码器的基础上,增加了简化的Inception模块,用以拓展网络的深度、增强模型的非线性映射能力和特征表达能力;同时,为了更好地恢复图像的细节信息,在编码器和解码器的不同尺度特征图之间建立了跳跃连接,用于融合不同语境间的特征信息,增强了重构图像的边缘纹理等细节表现力.实验结果表明,所提方法无论在降噪效果还是处理时间上,都明显优于传统的BM3D算法,并具备同时剔除多类型高强度噪声干扰的能力.该方法鲁棒性好,细节还原能力强,是一种高效降低红外图像常见混合噪声的方法.     

基于多模型的模拟电路软故障诊断

针对电子装备模拟电路故障诊断过分依赖专业技术人员和诊断专家的不足,提出利用信息融合技术,综合极限学习机(ELM,Extreme Learning Machine)、支持向量机(SVM,Support Vector Machine)以及BP(Back Propagation)神经网络等智能故障诊断模型,对模拟电路软故障进行诊断的故障诊断方法。通过对不同模型分别输入不同频率的电压信号,得到每个模型的诊断结果;采用DS(Dempster-Shafe)证据理论对每个模型诊断结果的可信度进行评估,确立每个模型诊断结果的组合置信度。通过不同模型诊断结果的决策层融合,最终获得诊断结果。以某型装备滤波电路的故障诊断为例,多模型融合诊断结果的准确率比单一方法模型的诊断准确率有了明显的提高,证明了该方法的有效性。     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

组合网络与证据理论相结合的电路故障诊断

针对神经网络中两种常用的网络类型BP和Elman,在模拟电路故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的故障诊断方法.首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值,作为证据组合的依据;证据理论组合规则将初步诊断结果融合得出决策级诊断结果.通过对某装备位置调节器板的故障诊断过程表明,该模型经过尽可能融合有效故障信息,大大提高了系统的诊断精度和诊断正确率,而且有效降低了系统不确定性.     

基于流形结构约束的堆栈自编码机模拟电路故障诊断

针对传统智能故障诊断方法过度依赖特征提取算法和诊断模型泛化能力不足的问题,提出将堆栈自编码机应用于模拟电路故障诊断;通过分析堆栈自编码机在模拟电路故障诊断应用中的不足,提出基于流形结构约束的堆栈自编码机。通过给自编码机的隐层输出加上流形结构特征约束,增强堆栈自编码机的特征提取能力。在3个不同的数据集上,用不同的分类器做故障诊断仿真实验,结果表明,该方法在3个数据集上较之其他分类器都表现出更高的识别率,并且在训练数据量很小时仍然有很好的诊断结果。     

模拟线性电路的多故障诊断方法

提出了一种基于电路分析理论的模拟线性电路多故障诊断方法,该方法采用电路分析理论中的替代定理,叠加定理来列写电路的故障诊断方程,利用方程组的相容性原理来进行故障定位,通过计算故障支路的电导增量来完成故障定值.仿真实例表明,这种方法可以提高电路诊断的准确性,并为模拟动态电路的故障诊断提供了理论依据.     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

基于贝叶斯网络的计算机网络端到端服务故障诊断

研究了利用贝叶斯网络不确定推理技术实现端到端服务故障诊断的方法,详细描述了贝叶斯网络故障诊断模型的建立方法,设计了基于Pearl信念传播机制的故障诊断算法,并对其进行了改进,以提高诊断效果.最后,通过仿真验证了该方法的有效性,并提出了下一步的研究方向.     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

基于双层长短时记忆网络的齿轮故障诊断方法

为了提高齿轮故障诊断准确率,解决齿轮故障诊断中数据量大、提取特征困难等问题,构建了齿轮故障诊断系统,采用深度学习方法建立了齿轮故障诊断模型,提出一种基于双层长短时记忆(Binary Long Short Term Memory,Bi LSTM)网络的故障诊断方法,并对该方法进行了性能分析和对比实验。结果表明:采用Bi LSTM网络方法进行齿轮故障诊断的准确率达到99.76%,分类效果优于支持向量机、Xg Boost、卷积神经网络和长短时记忆(LSTM)网络等方法,有效地提高了故障诊断精度。     

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。     

基于证据理论与多模型结合的模拟电路故障诊断

针对模拟电路故障诊断中单一诊断模型诊断结果模糊性与不确定性较大的不足,基于信息融合原理,提出一种结合神经网络、支持向量机(SVM)与DS证据理论的综合诊断模型。在分析了传统BP神经网络与支持向量机的缺点后,分别用改进的免疫遗传算法和粒子群算法对其进行结构优化。利用两种模型的初步诊断结果进行DS证据理论的基本概率分配(BPA),得到证据理论的两个证据体。采用DS融合算法进行决策层融合诊断,定位故障元件。仿真验证表明,该方法可以有效提高故障诊断的准确率,避免了单一诊断模型的偶然性与不确定性。     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。     

装备模拟电路UKF-WRNN软故障诊断

为提高装备模拟电路的软故障诊断能力,在构建多分辨率变换样本基础上,提出一种应用改进UKF算法训练小波RBF神经网络(WRNN)软故障诊断方法。它引入基于方差膨胀原理的自适应因子,改善UKF算法性能;并利用改进UKF算法优化估计WRNN参数,建立多分辨率变换样本集的故障诊断模型;再由所建模型对各种故障模式进行诊断判定。Sallen-Key带通滤波器的仿真测试表明,该方法收敛速度快,诊断准确率高,进而验证了其可行性和有效性。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理；设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力；利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。     

随动系统模拟电路模块化故障诊断研究

针对人工神经网络在对装备电路进行故障诊断时出现的网络结构庞大，而影响网络诊断速度的问题，提出了模块化诊断思想。首先根据电路的功能特点以及系统电路分割的原则，将装备电路分割成具有独立功能的模块及子模块，然后建立起混联、串联2种模型，分别对其提出逻辑思想、模糊信息融合的诊断方法，从而将电路故障快速、有效地定位在模块级别，如需进一步诊断元器件故障，只需对故障子模块建立规模较小的诊断网络，从而有效避免诊断大规模电路时诊断网络结构庞大的问题。     

基于强化学习的鱼群自组织行为模拟

自组织行为广泛存在于自然界中。为了通过学习的方式模拟鱼群自组织行为,构建了鱼群模拟环境模型、智能体模型和奖励机制,并提出了一种基于赫布迹和行动者-评价者框架的多智能体强化学习方法。该方法利用赫布迹加强游动策略的学习记忆能力,基于同构思想实现了多智能体的分布式学习。仿真结果表明,该方法能够适用于领航跟随、自主漫游、群体导航等场景中鱼群自组织行为学习,并且基于学习方法模拟的鱼群展现的行为特性与基于博德规则计算模拟的鱼群行为类似。