期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于RBF神经网络的头相关传输函数的个性化建模方法 被引量:2
1
作者 黄青华 李琳 赖士村 《上海大学学报(自然科学版)》 CAS CSCD 北大核心 2014年第2期157-164,共8页
采用主成分分析方法提取头相关传输函数(head-ralated transfer function,HRTF)的个性化系数,计算了影响HRTF的人体参数的拉普拉斯得分,并联合Pearson相关系数提取出对HRTF影响显著的关键人体参数;构建了径向基函数(radial basis functi... 采用主成分分析方法提取头相关传输函数(head-ralated transfer function,HRTF)的个性化系数,计算了影响HRTF的人体参数的拉普拉斯得分,并联合Pearson相关系数提取出对HRTF影响显著的关键人体参数;构建了径向基函数(radial basis function,RBF)神经网络,学习关键人体参数到头相关传输函数个性化系数的非线性映射模型,利用简单的人体参数测量估计出待测者的个性化头相关传输函数.通过实验仿真与偏最小二乘回归(partial least squares regression,PLSR)法比较可知。 展开更多
关键词 头相关传输函数 个性化 拉普拉斯得分 RBF神经网络
在线阅读 下载PDF
基于改进HHT和SVM的滚动轴承故障状态识别 被引量:6
2
作者 王圣杰 殷红 彭珍瑞 《噪声与振动控制》 CSCD 北大核心 2021年第1期89-94,107,共7页
针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(S... 针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。 展开更多
关键词 故障诊断 集合经验模态分解 HILBERT-HUANG变换 拉普拉斯得分 支持向量机 状态识别
在线阅读 下载PDF
基于LS和MTS的两阶段滚动轴承故障特征选择方法 被引量:5
3
作者 彭宅铭 程龙生 +1 位作者 詹君 姚启峰 《电子测量与仪器学报》 CSCD 北大核心 2020年第4期186-193,共8页
滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两... 滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。 展开更多
关键词 特征选择 拉普拉斯得分 互信息 马田系统 故障检测
在线阅读 下载PDF
基于改进HHT的矿山微震信号多尺度特征提取及分类研究 被引量:3
4
作者 王英乐 左宇军 +3 位作者 陈斌 林健云 郑禄璟 万入祯 《矿冶工程》 CAS CSCD 北大核心 2022年第6期7-12,共6页
针对矿山微震与爆破信号难以识别问题,提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进,信号被自适应分解后,计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复... 针对矿山微震与爆破信号难以识别问题,提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进,信号被自适应分解后,计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数,运用拉普拉斯得分(LS)对5种时频域特征参数降维,最后通过遗传算法(GA)优化的支持向量机(SVM)模型,实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证,两类信号的5种特征参数均有较大差异,改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD),且基于改进HHT和GA-SVM分类模型准确率达到95%,证实了此识别方法的准确性。 展开更多
关键词 微震信号 爆破信号 信号识别 模式识别 互补集合经验模态分解 HILBERT-HUANG变换 拉普拉斯得分
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部