基于AR信号处理和KⅡ模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法.将传感器信号分为:上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征.在电子鼻的模式识别算法上,利用KⅡ模型对气味信号进行分类.该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KⅡ模型在模式识别方面的优越性.仿真将该方法与BP网络、AR_BP算法及单KⅡ网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KⅡ建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率.     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

正交Chirp信号数字产生方法

提出了一种正交Chirp信号的数字产生算法,具有运算量小和存储容量要求低的特点.该算法用二阶时变参数ARMA模型来表示Chirp信号,避免了Chirp信号产生中常规DDS技术的正弦函数的计算和相位截断效应.通过采用二阶时变参数ARMA模型,由于实时计算出了信号的及时值,并不需要有查找表,所以能将数据字长做到很大,可以大大降低幅度量化带来的误差.     

基于AR信号处理和KII模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征．在电子鼻的模式识别算法上,利用KII模型对气味信号进行分类．该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KII模型在模式识别方面的优越性．仿真将该方法与BP网络、AR—BP算法及单KII网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KII建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率．     

粘弹介质中圆孔时变轴对称问题的解析分析

对任意粘弹模型,用拉普拉斯变换法推导无限粘弹平面中圆孔半径任意时变时应力和位移的一般解析解.首先根据一般粘弹模型边界时变轴对称问题的基本方程,应用拉普拉斯变换得到拉氏空间中位移应满足的微分方程,并求得方程的通解,从而得到拉氏空间中位移、应力的一般表达式.对应力边界问题,将拉氏空间应力表达进行逆变换,再根据边界条件确定待定函数,最终得到应力和位移解答.解答没有体积不可压缩的限制条件,并且适用于球量也具有粘弹效应的情况.作为应用,根据该解答求得H-Kelvin粘弹模型的解.算例显示,不同半径时变过程位移场的变化也不同.对线性时变过程,较慢的时变速度下位移变化平缓,但时变结束时刻的位移较大.     

GLMS系列算法和时变信号模型的自适应处理

提出了具有指数数据窗的GLMS算法和近似GLMS算法.分析和计算证明,两算法不仅具有较高的起始收敛速度,而且还有较强的跟踪能力和小的失调量,适用于时变和非时变信号模型的自适应处理.     

格型陷波器和DTFT科氏流量计信号处理方法

频率、幅度和相位均按随机游动模型变化的时变信号模型,更为真实地描述科氏流量计信号的实际特性.基于时变模型,提出用于科氏流量计的信号处理方法.采用自适应格型陷波器对频率、幅度和相位均按随机游动模型变化的科氏流量计信号进行滤波,得到频率及增强信号;通过短窗截取,采用DTFT法计算2路信号的相位差和时间差.仿真结果表明,方法具有很好的跟踪效果,且计算量小,可用于科氏流量计的实时信号处理.     

时变AR模型阶数确定与系数估计的方法

研究了用时变自回归(TVAR)模型对非平稳信号建模的方法.对该模型进行详细分析,探讨了参数模型辨识存在的2大问题:模型阶数的确定和基函数的选择.基于现定阶准则只适用于短时平稳信号的分析,所以利用具有时变特性的信息理论准则(information theoretic criteriaI,TC)来确定模型的阶数.通过引入基函数,利用最小二乘算法对模型系数进行估计,从而将非平稳信号的时变模型转化为线性时不变模型,并比较了几种基函数的拟合性能.证明了由于墨西哥草帽小波基函数具有良好的时频特性并且在使用时无需预知信号的先验信息,从而优于其他传统的基函数.     

基于特征波形稀疏匹配的滚动轴承故障模式识别

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性.     

嗅觉系统神经网络模型字符识别中的应用

Freeman在大量神经生理实验的基础上建立了生物嗅觉系统的非线性神经网络模型,即K系列模型．其中,KⅢ模型是一种混沌神经网络,它的模式识别机制与以往的人工神经网络完全不同,更接近实际生物神经系统的工作模式．研究通过对26个英文字符的学习、识别研究得出,系统相对于传统的神经网络有着很强的学习能力,学习5～6次就能有很好的识别能力,在10次达到最优学习效果,并与真实神经系统学习过程中的倒“U”曲线相对应．     

基于TVAR-HMM的滚动轴承故障诊断

针对工况条件下轴承故障振动信号的非平稳特性,分析时变自回归与隐马尔科夫模型的特点,提出了一种基于时变自回归和隐马尔科夫模型的滚动轴承故障诊断方法.振动信号经时变自回归建模后,得到时频分辨率较高、无交叉干扰项的时频谱,基于能量法对时频谱进行特征提取,然后利用隐马尔科夫模型对故障特征统计分类,实现对轴承故障的诊断.轴承信号分析表明,TVAR建模可以有效地提取信号中的故障特征,结合隐马尔科夫模型的动态统计特性可智能识别轴承故障类型,得到良好的诊断效果.     

人工神经网络在手感评定中的应用

针对现有的手感评定方法在识别准确性,容错性和适应性方面存在的问题,提出了用4个检测模型产生手感信号,并用BP神经网络处理信号的具体方法和步骤.实验证明,BP神经网络具有较好的自适应模式识别能力和容错性.     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故...     

无线网络拓扑瞬态时变干扰下的信号分解模型仿真

无线网络拓扑结构容易受到瞬态时变干扰。为了保证信号的完整性,采用自适应滤波器对瞬态时变干扰进行滤除,并建立信号分解模型对信号进行分解。不同调频信号在不同信噪比下进行仿真实验表明,针对同一子带,该方法增加幅度低,得到的实验结果优;针对分解结果,该方法的分解次数较集成经验模态分解方法更少,且频率过度更加自然;在该分解方法的Hilbert谱图中,频率分量清晰明确,证明了该模型在无线网络拓扑瞬态时变干扰下可以对信号进行合理准确的分解。     

一种新的时变参数AR模型分析方法

提出了一种新的非平稳信号的时变参数AR模型分析方法－局域波分解及其时变参数AR模型。该方法先用局域波分解方法把待处理信号分解成有限个基本模型分量，再对分解得到的基本模式分量建立时变参数AR模型，从而得出时频平面上的时变参数AR模型谱。它扩大了传统的时变参数模型法的应用范围，可用于复杂的非平稳信号的分析和处理。     

基于[WTHX]Y[WTHZ]参数的压电变压器端口串-并联接特性研究

以循环平稳随机过程的参数模型表示为研究对象,提出一种由循环平稳随机过程谐波级数表示(HSR)获得信号周期时变参数模型的方法.首先采用滑动平均参数模型(MA)来描述谐波级数表示中的联合平稳随机过程,然后利用谐波级数表示中谐波信号的周期性构造周期时变参数模型,最后通过仿真验证了模型的一致性.理论分析和仿真结果均表明在满足一定精度的条件下,可以由循环平稳随机过程的谐波级数表示获得周期时变参数模型.     

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常，通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此，分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理，并对预处理的振动信号进行小波分解，再对小波分解系数进行单支重构，得到不同尺度下的单支重构信号；接着对单支重构信号分别建立威布尔分布模型，并验证模型的恰当性，然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数；最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别，识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.     

一种非线性直接判决的OFDM电力线通信盲信道估计算法

对OFDM低压电力线信道的特性进行了分析.采用OFDM技术的低压电力线信道具有周期时变的特性,为了跟踪这种特性,提出了一种非线性直接判决的OFDM电力线通信盲信道估计算法.该算法利用接收机接收到的频域信息进行非线性的直接判决,因而无需辅助的导频信息.仿真结果表明,该算法能够很好地跟踪信道的周期时变特性,误码率性能明显优于线性的导频信号辅助信道估计算法.     

计及开关过程的LCC-HVDC小信号建模及其对电力系统电磁尺度稳定性分析

电力电子装备在电力系统中的广泛应用使得现代电力系统动态行为发生了显著变化,基于电网换相整流器的高压直流输电(LCC-HVDC)作为电力系统重要的组成部分,对电力系统的安全稳定运行具有重要影响。由于LCC-HVDC开关过程呈现断续时变特征,且开关频率与电磁尺度时间常数相当,因此断续时变开关过程的动态特性描述是研究LCC-HVDC电磁尺度动态稳定问题的关键。为此,该文提出了适用于计及开关过程的LCC-HVDC电磁尺度动态稳定分析的小信号模型。首先讨论了LCC-HVDC原始关系及其非线性断续周期时变特征,指出基本问题和挑战;然后基于线性周期时变理论建立了LCC-HVDC电磁尺度下的小信号模型。最后,通过与现有不考虑时变开关过程模型的对比分析,探究了开关过程对系统稳定性的影响,并通过时域仿真验证了分析的正确性。     

基于免疫危险理论的手机恶意软件检测模型

为了提高智能手机恶意软件检测的自适应性和有效性,该文提出了基于免疫危险理论的手机恶意软件检测模型,该模型由4个部分组成:数据采集、危险信号生成、共刺激信号生成和预警部分,针对不同的恶意软件,采用微分方法表达危险信号,由自适应抗原提呈细胞产生相应的共刺激信号,最后对恶意软件产生预警.通过实验验证了该文模型的自适应性和有效性.