共查询到18条相似文献,搜索用时 78 毫秒
1.
针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。 相似文献
2.
针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统子载波的调制识别问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)算法从接收端的混合信号中恢复发送信号;然后,提取恢复信号的循环谱切片和四次方谱作为浅层特征;最后,利用1D-CNN对特征进行训练,使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明,所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别,在信噪比为10 dB时的识别精度即可达到100%。 相似文献
3.
提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。 相似文献
4.
复杂弹道群目标空间密集程度高,群内目标相互遮挡,在给定雷达工作带宽前提下如何对复杂群目标进行有效分辨、实现航迹的连续稳定跟踪已成为亟待解决的难题。针对该问题,首先通过二体运动预测获得航迹群预测中心,根据预测偏差与分辨阈值关系,自适应开启局部压缩感知群目标分辨算法,提高群目标遮蔽分辨能力。其次,引入航迹片段拼接思想,利用已有航迹档案构建假设检验,对航迹片段进行关联、平滑处理和批号管理,有效减少换批和非线性估计误差。仿真结果表明,所提算法大大增加了可分辨时间,分辨能力可达80%,平均跟踪时长提高一倍,中断期间跟踪均方根误差显著降低,且航迹稳定跟踪并全程未换批,为弹道群目标精确稳定跟踪提供了一种新的思路。 相似文献
5.
6.
基于随机卷积的压缩感知雷达成像 总被引:1,自引:0,他引:1
压缩感知理论为解决传统高分辨雷达面临的大带宽信号采样、海量数据存储、传输与处理等问题提供了契机。基于随机卷积的压缩感知是一种通用有效的数据获取策略,且便于物理实现。研究了基于随机卷积的压缩感知雷达成像方法,对随机测量体系中降采样的不同实现方式进行分析和讨论。仿真和实测数据验证了成像方法的有效性,并对比分析了不同降采样方式下信噪比和样本数对成像性能的影响。 相似文献
7.
基于压缩感知的自适应匹配追踪算法优化 总被引:1,自引:0,他引:1
针对基于压缩感知的稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法运行效率低的问题,给出了一种优化的自适应匹配追踪(modified adaptive matching pursuit,MAMP)算法.该算法在支撑集选择过程中对稀疏度进行了初步估计,并优化了迭代停止的条件.实验表明,该算法相比于SAMP有更快的收敛速度,并且实现更优的重建效果. 相似文献
8.
针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。 相似文献
9.
基于贝叶斯压缩感知的SAR目标识别 总被引:1,自引:0,他引:1
针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。 相似文献
10.
针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。 相似文献
11.
现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络(strengthening condition generative adversarial network,SCGAN)+卷积神经网络(convolutional neural network,CNN)的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。 相似文献
12.
在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像... 相似文献
13.
探讨了G2的知识表示、知识库管理及实时推理.针对飞船推进系统的工程实际问题,分析了推进舱推进子系统的故障特点,采用神经-模糊系统理论对推进舱推进子系统故障模式的知识表示进行研究,提出了推进舱推进子系统故障的知识表示形式.运用G2软件平台设计了飞船推进系统的故障诊断推理机.该推理机可以实时地诊断出相应的故障模式,记录相关的故障信息,还可以对故障进行预报,以避免故障的发生. 相似文献
14.
基于证据理论的集成神经网络故障诊断方法 总被引:3,自引:1,他引:3
以Dempster Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变速箱轴承故障诊断为例,详细说明了该方法的具体步骤。结果表明,经过多故障特征信息,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该诊断方法的有效性。 相似文献
15.
动态电源电流测试对模拟集成电路故障诊断十分有效。采用斜坡电压源代替传统的恒定直流电压,从电源电流波形采样训练神经网络的数据并建立故障字典。利用小波变换具有同时在时-频域分析信号、大量压缩数据的属性,对采样信号进行小波包分解,提取故障特征来训练神经网络,简化了网络结构、提高了训练速度。实验结果表明,该方法能够实现快速故障检测及定位,具有准确率高的特点。 相似文献
16.
针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。 相似文献
17.
针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。 相似文献
18.
针对一类模型未知及状态不可测的非线性系统,提出了基于自适应神经网络的故障诊断策略,不仅在线估计神经网络的矩阵权重,而且在线估计高斯函数的宽度和中心。该方法对系统的未知非线性特性没有特别要求,仅对神经网络提出较弱的假设条件。首先利用径向基函数(Radial Basis Function,简称RBF)神经网络构造状态观测器,估计系统的状态。然后利用另一个自适应RBF神经网络作为故障估计器,其输入是系统的估计状态(而不是系统状态),其输出为系统所发生的故障模型。利用Lyapunov稳定理论详细分析了状态误差和故障误差的收敛性,分别给出了两个神经网络的参数调整律,仿真证明了该方法的实用性和有效性。 相似文献