基于EMD的Hilbert变换的柴油机气缸套磨损故障诊断

为准确地对柴油机进行状态监测和故障诊断,运用基于经验模态分解(Empirical Mode Decomposition,EMD)的Hilbert变换,对船用低速柴油机缸盖振动加速度信号进行分析.改变柴油机的转矩和转速,测量各工况下缸盖的振动信号,并对其进行分析;将柴油机的6个缸分为3组,分别采用3种不同性能的气缸油,让柴油机在额定工况下连续运转,测取活塞环与气缸套在不同间隙时的缸盖振动信号.结果表明,当转矩和转速同时增大时,振动加速度信号特征频带变化不大,但能量相应增加;当转矩和转速保持不变,活塞环与气缸套间隙增大时,振动加速度信号特征频带发生改变,并且能量增大.与快速傅里叶变换(Fast Fourier Transform,FFT)法及功率密度谱法的对比表明,基于EMD的Hilbert变换可以有效处理缸盖的振动信号,并可以运用到气缸套磨损故障的诊断中.     

未来不是梦——脑机接口综述

脑机接口(BCI)是在人脑和外界之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种通讯系统,概述了基于EEG的BCI技术的基本原理、研究方法、类型和研究现状,并分析了存在的问题与应用前景。     

能量熵在运动想象脑电信号分类中的应用

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,通过利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于滑动窗口KECA-SVM的非线性过程故障检测

为了有效地提高支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于滑动窗口的核熵成分分析(KECA)和支持向量机(SVM)结合(MWKECA-SVM)的非线性过程故障检测方法.运用核熵成分分析(KECA)提取包含非线性特征信息的得分向量作为SVM的输入.运用正常和故障数据的非线性特征向量训练SVM模型获得判别分...     

用经验模式分解和重标极差分析法进行摩擦振动信号分析

为提取和表征摩擦振动的特征信号，在摩擦磨损试验机上进行以船用柴油机缸套和活塞环为材质的摩擦副摩擦磨损试验.应用经验模式分解(Empirical Mode Decomposition, EMD)对非线性、非平稳的摩擦振动信号进行分解，获得若干个本征模式函数(Intrinsic Mode Function, IMF).从中选择反映摩擦振动特征的IMF重新合成摩擦振动特征信号，应用重标极差分析法对摩擦振动特征信号进行分析，得到线性回归谱和Hurst指数.结果表明，EMD能够实现摩擦振动特征信号的提取，重标极差分析法可以分析摩擦振动信号的渐变过程，提取摩擦振动信号的特征.该方法可为基于摩擦振动信号的机械摩擦副摩擦磨损行为的研究提供新的途径.     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法. 利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别. 实验结果表明该方法可以获得较高的分类正确率.     

基于EMD和HHT的轧机扭振瞬态冲击信号时频分析研究

为解决轧机扭振非平稳瞬态冲击信号的瞬态时频分析难题,提出了基于EMD和川bert—Huang变换的瞬态振动信号时频分析方法．利用EMD分解提取信号的固有模态函数OMF）,再结合Hilbert变换,求解瞬时频率,进而得到信号的Hilbert—Huang时频谱及边际谱,从而提取扭振信号瞬态特征．通过仿真实验验证了该方法的可靠性,通过轧机在咬钢抛钢时实测瞬态信号的分析,表明了该方法的可行性．     

基于核聚类的K-均值聚类（英文稿）

为处理线性不可分、结构复杂的数据集，提出基于核聚类的K 均值聚类(Kernel Clustering based K means Clustering，KCKC).该方法先在原始空间中对模式进行聚类，再由径向基函数(Radial Basis Function, RBF)核把它们映射到核空间，从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF based Neural Network，RBFNN)、基于RBF的支持向量机(RBF based Support Vector Machine, RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier，KNNC)中，结果表明本文提出的算法可以生成更有效的核，节省在核空间中的核生成时间，避免核数目设置的敏感性，并提高分类性能.     

EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断

针对船用往复式二级空压机振动信号非线性、非平稳性问题，利用振动信号辨识故障，综合集成经验模态分解（ensemble empirical mode decomposition, EEMD）和支持向量机（support vector machine, SVM）的信号处理优势，提出一种将EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断方法。模拟正常状态和4种故障状态进行故障诊断实验。采集的振动信号用小波降噪法进行处理。为模拟船用空压机实际工作环境，在EEMD处理过程中加入加性高斯白噪声（信噪比7.5 dB）。以相关性为评价指标选取各状态下本征模态函数（intrinsic mode function, IMF），并以每个IMF的能量熵和奇异值熵作为特征值，采用SVM分类器识别故障。实验表明：与基于经验模态分解（empirical mode decomposition, EMD）和SVM等故障诊断方法相比，该方法能更有效地识别故障。该方法在实船应用中获得较好的诊断效果，可为现代船舶智能故障诊断研究提供参考。     

基于SVM的实时自动超声钢轨伤损检测分类系统

介绍了一个更有效的基于支持向量机的实时超声波钢轨伤损自动检测分类系统.根据钢轨伤损的特点提取特征量,利用基于支持向量机的分类预测算法实现钢轨伤损的实时检测分类,并基于统计处理的计算伤损尺寸.在嵌入式系统DSP中利用该机器学习算法实现了伤损的实时处理和测试.实现了钢轨伤损实时报警、显示伤损类型、所处轨内位置及程度.     

干散货运价指数与钢材价格的联动关系

为探究干散货运费市场的波动规律，以研究干散货运价指数与钢材价格联动为基础，探究大宗原材料的海运成本与产品价格之间的联动关系和联动机制.以2003—2013年波罗的海海岬型指数（Baltic Capesize Index，BCI）与国际钢材价格指数（由Commodity Research Unit研发，记为CRU指数）的周度数据作为基础，用ADF和Johansen检验法验证数据的平稳性与协整特征；在符合平稳性要求基础上，引入Granger因果检验方法，探索BCI与CRU指数之间的因果关系.通过GARCH模型，评估运输成本与产品价格之间的溢出效应及其相关性影响程度.最后，结合数据分析结果，构建大宗原材料的运输成本与原材料价格之间的联动机制.研究表明：钢材价格对铁矿石海运运费有非常重要且直接的影响，而铁矿石海运运费对钢材价格并无直接的影响;BCI与CRU指数存在显著的自相关，但是BCI更容易受到其他因素变化的干扰；BCI和CRU指数都具有显著的ARCH效应，且BCI波动本身对未来的影响是逐步衰弱的；CRU指数对BCI的影响较小且综合影响为正相关，而BCI对CRU指数的影响较大且综合影响为负相关.     

经验模式分解去斑和顶帽变换在舰船检测预处理中的应用

提出了一种基于经验模式分解去斑和顶帽变换背景不均匀的预处理方法. 经验模式分解去斑算法先对图像每一列进行经验模式分解得到IMF函数,然后将原信号与第一、二模态相减得到初步处理图像,再对该图像每一行重复该操作从而得到去斑图像,该算法有效地去除斑点噪声;顶帽变换则有效地补偿了海浪带来的局部不均匀的背景亮度,提高了图像的信杂比,有利于目标的检测. 仿真结果证明了算法的有效性.     

基于特征筛选和二级分类的极化SAR建筑提取算法

提出一种基于特征筛选和二级分类的建筑提取算法。该算法首先对极化SAR数据进行精致Lee滤波,获取多维极化特征和纹理特征构成原始特征集;然后将随机森林作为初级分类器评估各特征的重要性,依据重要性排名进行特征筛选;最后通过支持向量机对特征子集进行次级分类,并用邻域投票法将两级分类结果融合。AIRSAR极化数据实验结果表明,本算法可有效提高极化SAR建筑提取准确率。     

基于时频域分析的运动想象脑电信号分类

人类运动想象会引起脑电信号的变化。基于脑电信号的时频域分析,结合C3、C4电极脑电信号间的相互关系,依据Fisher距离进行特征抽取,运用线性分类器进行分类。从运用到3名受试者的脑电数据中,分类效果因受试者而异,从65.0%到93.1%。     

基于卷积注意力和胶囊网络的 SAR少样本目标识别方法

合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

人因海事事故诱因组合模式分析与预测

为深入了解人因失误对海事事故的诱发机制,以事故历史数据为基础,对诱因组合模式进行分析和预测.在阐述"瑞士奶酪"模型和人的因素分析与分类系统(Human Factors Analysis and Classification System,HFACS)核心思想的基础上,构建人因海事事故诱因分类体系.将诱因量化为矩阵并通过矩阵转化和聚类分析等提取事故主要诱因组合模式,利用Bootstrap方法对主要诱因组合模式进行预测,结果有助于决策者制定针对性强、可操作性高的防范措施,可以从根本上提高海上运输安全性.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。