文本分类中基于CHI和PCA混合特征的降维方法

中文文本数据的半结构化甚至非结构化的特点使得其分类存在着特征高维的问题,传统单一的特征降维方法难以满足大数据时代的文本分类需求.基于此,提出了一种基于卡方统计(Chi-square statistics,CHI)和主成分分析(principal component analysis,PCA)的混合特征降维方法(CHI-...     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

中医闻诊声音采集方法研究与改进

传统中医闻诊声音采集方法,由于位置和发音角度的不确定,无法获取精确的声音幅度。提出一种闻诊声音采集改进方法,通过加入一个频率固定、声强固定的参考音,利用声强校准原理,将人的语音归一化到同一位置的声音幅度值,从而消除因距离和发音角度变化带来的信号不确定性。该方法简单易行,归一化后误差小于6%,已应用于临床科研工作。     

基于改进二阶循环平稳解卷积的轴承故障检测方法

针对涡轴发动机主轴轴承故障特征难以提取,背景噪声干扰大的问题,提出了改进二阶循环平稳解卷积(PSO-CYCBD)方法,用于提取强噪声背景下的故障特征频率.该方法采用粒子群优化(PSO)算法对二阶循环平稳解卷积(CYCBD)方法中的滤波器长度参数进行寻优.首先,基于故障轴承振动特点建立信号模型,然后用PSO算法对包络谱故障特征比(FFR)进行最大化处理,将得到的最优滤波器长度参数输入到CYCBD方法中,对滤波后的信号进行包络谱分析,提取故障特征频率.最后,将提出的方法应用于实测信号中,与传统包络谱分析相比提高了故障特征提取的效率和准确性,从而验证了该方法的有效性.     

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解（variational mode decomposition,VMD）参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.      

一种非正交多址接入下行链路信号检测方法

非正交多址接入（non-orthogonal multiple access,NOMA）下行链路存在严重的多址干扰。软解调-串行干扰消除（successive interference cancellation,SIC）检测方法是一种性能较好的信号检测方法,但是接收机的复杂度比较高。考虑到软解调算法对其他用户信号的信号特征信息并未充分利用,提出一种基于软解调算法改进的联合检测算法,该算法直接利用多用户叠加信号的联合星座图计算用户信号信息比特的软信息,不需要对干扰信号进行检测和重构,可以降低接收机的复杂度。仿真分析表明,与软解调-SIC检测方法相比,联合检测方法在性能损失不超过1．5 dB的情况下,可以将接收机的复杂度降低一半。     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于酉ESPRIT的跳频信号DOA估计

为了利用跳频信号的空域信息辅助同步跳频信号的网台分选,提出了一种基于STFD酉ESPRIT的跳频信号DOA估计算法。首先用WVDSPWVD组合时频分析方法对接收数据进行时频变换,然后提取出跳频信号的有效跳(hop),并对其建立空时频矩阵(STFD),最后利用酉ESPRIT算法进行跳频信号DOA估计。该方法通过酉变换将ESPRIT算法的协方差矩阵从复数域转化到实数域,降低了计算量,而且酉ESPRIT算法利用了数据的共轭信息使数据长度等价增加了一倍,提高了估计精度。仿真结果表明文中算法在信噪比大于2dB时,DOA估计性能优于ESPRIT算法。     

栈式降噪自编码器在辐射源信号识别中的应用

针对传统辐射源信号识别方法在低信噪比条件下提取特征困难且识别率低的问题,提出了一种基于短时傅里叶(STFT)变换和栈式降噪自编码器(sDAE)的识别系统。首先对雷达辐射源信号进行短时傅里叶变化,然后对时频图像进行一系列预处理,将处理后的图像输入到栈式降噪自编码器中,将提取的特征输入到softmax分类器中,完成分类识别。通过仿真表明:该系统在SNR=-10dB的时候,识别率能够达到80%以上,在低信噪比的情况下,识别效果明显优于传统识别方法。     

基于自适应阈值的心音分段算法研究

心音信号可以反映人体心脏瓣膜活动情况,对心音进行分类可以区别出不同心音的病理性信息,这对于临床上诊断不同的心脏疾病具有重要的意义.心音分段是进行心音分类的前提,通过心音分段可以定位出心音中的第一心音(S1)和第二心音(S2),为心音特征参数提取与心音分类提供定位基准.为此,本文提出了一种新的自适应阈值选取心音分段算法.该方法首先利用小波变换默认阈值法对心音信号进行去噪;然后使用归一化香农能量来提取较为平滑的心音包络;接着对包络进行有效地峰值检测,从而确定初始大阈值TH1,并通过迭代法得到最终稳定的双阈值;最后进行心音分段以及分段结果分析.针对部分异常心音分段结果,如心音分裂等的分段结果,利用心音时域、能量等特性实现心音段的合并或去除,保证了分段结果的准确性.实验结果表明,本文方法对正常及异常心音分段准确率分别为97.24%和91.83%,总体分段准确率为95.56%,分段准确率高于传统的阈值选取分段方法.     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

视障针推专业《中医妇科学》教学改革的探讨

视障《中医妇科学》教学改革势在必行,旨在确立符合视障专业特点的教学内容体系,使其既要满足中医妇科学教育的要求与特色,又要与视障专业的教育特点、规律相适应。确立适合视障学生身心特点的教学方法,从而提高教学质量,达到培养高素质,实用型人才的目的。     

MR中融合语义特征传播模型的前景对象感知定位算法

移动主体获得准确的定位信息是构建稳定的混合现实(mixed reality,MR)系统的关键,然而MR中的前景对象对传统定位算法的精度影响较大.现阶段基于深度学习的定位算法可以通过识别前景对象来提升精度,但深度学习模型耗时过高,导致算法实时性下降.针对该问题,提出了一种MR中融合语义特征传播模型的前景对象感知定位算法.该算法依托语义分割网络与一种快速旋转的二进制独立稳定描述子特征(oriented fast and rotated binary robust independent elementary feature,ORB)提取算法构建了语义特征传播模型,实现高速语义特征提取;融合该模型和几何特征检测方法实现算法中的前景对象感知层,并依赖该感知层剔除MR中前景对象的特征点,构建了背景特征点集,实现高精度、高实时性的定位.实验结果表明:在慕尼黑工业大学(Technical University of Munich,TUM)公共数据集的高动态前景对象场景中,相比动态语义视觉同步定位与建图(dynamic semantic visual simultaneous localization...     

一种基于最大互信息/进化计算混合结构的语音识别方法

传统的最大互信息训练中一般采用梯度方法，这就使得所得模型往往只是一个局部最优模型。文中将最大互信息（MMI）和演化计算（EC）相结合，引入到隐马尔柯夫模型(HMM）的训练中去。各模型集用个体表示，个体的适应值采用模型的最大互信息。这样借助于进化计算的全局搜索及种群的特点，得到了基于最大互信息估计的HMM模型的更优解。实验结果表明，用该方法训练所得的系统识别率高于传统的基于梯度的最大互信息估计方法训练所得的系统。     

用于挖掘TCM-FP树中维间最大频繁项集的算法

为了提高数据挖掘算法在中医药数据处理中的效率,提出了采用TCMA算法挖掘TCM-FP树中的维间最大频繁项集。根据中医药数据的特点及药组挖掘的需求,在FP-growth算法的基础上,提出了TCM-FP树及其建树算法和挖掘算法TCMA,在TCM-FP树中采用优化搜索策略挖掘维间最大频繁项集,与FP-growth算法挖掘所有频繁项集比,大大缩短了时间。优化搜索算法切合中药TCM规则挖掘的实际意义,比FP-growth算法挖掘有更高的运行效率。     

一种混合优化的匹配追踪生态声音识别方法

针对生态自然环境中噪声对声音识别产生干扰的问题,提出利用混合优化的匹配追踪(MP)进行生态声音识别的方法.首先,使用萤火虫算法(GSO)和粒子群算法(PSO)对匹配追踪算法进行混合优化,加快匹配追踪有限次稀疏分解的速度并重构声音信号,保留高相关成分,滤除低相关噪声;其次,根据所选最优原子的时频信息结合MFCCs提取复合抗噪特征;最后,结合支持向量机(SVM)对40种生态声音在不同背景噪声与信噪比的情境下进行分类与识别.实验表明,优化后的匹配追踪算法去噪性能优于谱减法和小波去噪法.与常用的MFCCs方法相比,本方法对生态声音在不同信噪比下的识别性能有不同程度的改善,并且具有较好抗噪性.