基于SVM和EMD 包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.     

关于两个线性递推序列

用发生函数的办法考察了线性递推关系bi,j=αbi-1,j βbi,j-1和ci,j=αci-1,j βci,j-1 αβci-1,j-1的特殊情况所确定的矩阵B和C,得到了矩阵B,C的分解B=P[α](bo,oI ωE)PT[β],C=P[α]DPT[β]和相应行列式的值.发现B,C与Pascal矩阵P有着紧密的联系.     

面向三维信号的分组码

设Z[3√2]是代效效域Q（3√2）的代效整效环．把商环Z[3√2]／(2^Z)的乘法单位群分解为群的直积．由此获得三维信号空间并可用来构造分组码．这些码能够改正某些错误．     

四元数矩阵的左（右）加权＊-序

利用四元数矩阵的加权共轭转置定义了四元数矩阵的加权左(右)*-序，给出了加权左(右)*-序的一些等价刻画．推广了以往文献的相应结果．     

Sn中元素的左、右逆的研穷

对次随机矩阵半群的正则元作了研究。文章将对随机矩阵半群中元的随机左、右逆进行了探讨。首先给出了Sn中元有随机右逆的充要条件以及元有唯一随机右逆的充要条件，其次，给出了Sn中元有随机左逆的充要条件。本文在最后给出了比Sn更广的一类半群T，它的幂等元、正则元就是Sn中的幂等元和正则元。     

基于奇异值分解与融合的音频盲认证算法

提出一种适用于检验音频真实性和完整性的盲音频认证方法。它采用奇异值分解(SVD)与融合技术相结合，将音频奇异值分解所得的奇异值作为不变特征，利用融合将其嵌入到原始音频中。验证时无需原始音频数据，利用融合的逆过程提取不变特征，进行匹配，达到音频认证的目的。实验结果表明，该算法不但可以有效地检测出音频中被篡改内容的位置，而且能将随机噪声同恶意篡改区分开。     

基于区间灰数预测模型的天猫“双十一”物流需求量预测

基于天猫"双十一"包裹量增长呈"S"形和连续动态变化的特性,对"双十一"包裹量进行预测;首先将天猫历年"双十一"包裹量划分成几个连续区间,然后通过信息分解法对连续区间灰数进行白化处理,将区间灰数分解成白部序列和灰部序列,最后建立基于信息分解的连续区间灰数离散Verhulst预测模型;经误差检验分析,该模型预测结果精度较高,可以作为天猫平台第三方物流企业对物流资源进行合理、有效调配的依据。     

基于二层分解技术和改进极限学习机模型的PM_(2.5)浓度预测研究

准确的PM_(2.5)浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM_(2.5)浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机(ELM)模型的PM_(2.5)浓度预测方法,该方法融合了快速集成经验模态分解(FEEMD)和变分模态分解(VMD)两种分解技术以及经过差分演化(DE)算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明:1)相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2)基于二层分解技术的DE-ELM预测模型可以显著提高PM_(2.5)浓度的预测精度.     

基于低秩矩阵分解的遥感图像薄云去除方法

为了较好地去除遥感图像中的薄云遮挡,还原地表图像,提出了一种利用低秩矩阵分解的遥感图像薄云去除算法。该算法根据薄云图像的低秩特性,将图像进行低秩矩阵分解,得到背景、前景和薄云图像。然后将去除薄云信息后的前景和背景信息相融合,得到地物成分。将该算法与其他传统算法应用在卫星影像数据上,对薄云去除效果运用主客观指标进行比较。实验结果表明,该算法能够克服传统算法中细节丢失以及去除不完全的问题,不仅能够在不同地物场景下对薄云进行去除,而且能够较好地保留地物的细节信息。     

基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。