基于小波包和改进多元LS-SVM 的滚动轴承故障模式识别

为了实现对故障轴承的特征提取和对故障特征的准确分类,该文提出了应用小波包变换与改进的多元最小二乘支持向量机(LS-SVM)相结合进行滚动轴承故障模式识别的方法.首先,利用小波包对滚动轴承振动信号进行分解和重构,并构造特征向量;然后,针对传统的单个核函数不能兼顾学习能力和泛化能力的缺点,提出了应用混合核函数对多元LS-SVM进行改进的算法;最后,将特征向量作为输入,分别应用于常用核函数和基于混合核函数的多元LS-SVM对滚动轴承故障类型进行仿真判别对比实验.结果证明了所设计方法的有效性.     

基于傅立叶描述符优化形变轮廓插值的步态识别研究

针对现有步态识别算法在步态周期变化时不能很好地保留瞬时信息的问题,提出了一种基于傅里叶描述符优化形变轮廓插值方法。首先,对人类轮廓的周期性形变进行建模;然后,将基于傅里叶系数乘积的新度量作为闭合曲线之间的距离度量,并利用帧插值方法近似识别半周期的起始帧和结束帧;最后,利用步态距离完成最终的步态分类。在OU-ISIR和CASIA步态数据库上的识别精度可分别高达99%、87.34%,分析结果表明,提出的算法在步态周期变化时依然能保留瞬时信息,对行走速度上的轻微变化具有更好的鲁棒性,并且大大降低了整体计算复杂度。