期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于CEEMDAN多尺度改进排列熵和SVM的空化噪声特征提取
1
作者 兀成龙 高翰林 +1 位作者 朱丹丹 李亚安 《振动与冲击》 EI CSCD 北大核心 2024年第13期190-197,216,共9页
当水下航行器处于高速航行时就会形成空化噪声,所产生的噪声会严重影响水下航行器的性能和安全。螺旋桨噪声包含着丰富的空化信息,是识别空化状态的有效手段。针对改进排列熵在单尺度下对原信号进行分析,无法有效区分不同空化状态,提出... 当水下航行器处于高速航行时就会形成空化噪声,所产生的噪声会严重影响水下航行器的性能和安全。螺旋桨噪声包含着丰富的空化信息,是识别空化状态的有效手段。针对改进排列熵在单尺度下对原信号进行分析,无法有效区分不同空化状态,提出了将改进排列熵与自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)相结合的空化噪声特征提取方法。首先,采用CEEMDAN方法对水下航行器螺旋桨的空化噪声进行分解,提取具有空化特征的固有模态函数(intrinsic mode function, IMF)分量;其次,选取相关系数最高的IMF分量并计算其多尺度改进排列熵(multi-scale improved permutation entropy, MIPE);最后,基于多尺度改进排列熵,建立支持向量机的特征分类模型。仿真和试验结果表明,该方法具有更好的可分性。 展开更多
关键词 多尺度改进排列熵(MIPE) 自适应噪声完备经验模态分解(CEEMDAN) 空化噪声 特征提取
在线阅读 下载PDF
改进的多尺度熵算法及其情感脑电特征提取性能分析 被引量：2
2
作者 李昕 谢佳利 +1 位作者 侯永捷 王金甲 《高技术通讯》 CAS CSCD 北大核心 2015年第10期865-870,共6页
进行了用多尺度熵提取情感脑电特征的研究,针对传统的基于多尺度熵的特征提取算法在粗粒化过程中存在重要信息丢失以及尺度选择过小造成特征不显著、尺度过大造成计算过度复杂的问题,提出了一种改进的多尺度熵算法。该改进算法通过自适... 进行了用多尺度熵提取情感脑电特征的研究,针对传统的基于多尺度熵的特征提取算法在粗粒化过程中存在重要信息丢失以及尺度选择过小造成特征不显著、尺度过大造成计算过度复杂的问题,提出了一种改进的多尺度熵算法。该改进算法通过自适应多尺度熵中本征模态函数的个数确定尺度,而且为突出脑电信号的微小变化,对脑电信号进行自适应二值化处理,充分挖掘特征并降低算法复杂性。利用Deap国际标准情感分析数据库并基于优化支持向量机分类器实现了情感脑电特征识别,进行了改进算法与传统多尺度熵算法的性能比较。结果表明,改进算法的分类准确率较传统多尺度熵算法提高了12.33%,较自适应多尺度熵算法提高了7.27%,表明改进算法是一种有效的脑电特征提取算法。 展开更多
关键词 情感脑电 多尺度熵 自适应多尺度熵 改进的多尺度熵
在线阅读 下载PDF
基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断 被引量：4
3
作者 曹源 宋迪 +1 位作者 胡小溪 孙永奎 《电子学报》 EI CAS CSCD 北大核心 2023年第1期117-127,共11页
为充分挖掘转辙机振动信号的有效故障信息,提高故障诊断准确率,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、改进时域多尺度散布熵(Improved Time-domain Multiscale Dispersion Entropy,TMDE)与粒... 为充分挖掘转辙机振动信号的有效故障信息,提高故障诊断准确率,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、改进时域多尺度散布熵(Improved Time-domain Multiscale Dispersion Entropy,TMDE)与粒子群优化算法(Particle Swarm Optimization algorithm,PSO)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法 .首先,通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数(Intrinsic Mode Functions,IMFs);其次,采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号;再次,应用所提ITMDE算法提取重构信号的多尺度故障特征;最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%,分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法,能精确地识别转辙机故障类型. 展开更多
关键词 故障诊断 转辙机 集合经验模态分解 改进时域多尺度散布熵 支持向量机
在线阅读 下载PDF
一种IMAE和IDHT的轴承故障识别新方法应用研究
4
作者 贺高锋 冯利军 《噪声与振动控制》 北大核心 2025年第1期146-151,196,共7页
为了提高故障识别精度,提出一种改进多尺度注意熵(Improved Multi-scale Attention Entropy,IMAE)和改进自组织分裂分层Voronoi细分(Improved Self-organizing Divisive Hierarchical Voronoi Tessellation,IDHT)分类器的轴承故障诊断... 为了提高故障识别精度,提出一种改进多尺度注意熵(Improved Multi-scale Attention Entropy,IMAE)和改进自组织分裂分层Voronoi细分(Improved Self-organizing Divisive Hierarchical Voronoi Tessellation,IDHT)分类器的轴承故障诊断新方法。首先,针对注意熵(Attention Entropy,AE)的缺陷,提出改进多尺度注意熵(IMAE);随后,采用IMAE对原始振动信号进行特征提取;其次,采用奇异值分解(Singular Value Decomposition,SVD)对特征向量进行降维操作;最后,针对自组织分裂分层Voronoi细分(Self-organizing Divisive Hierarchical Voronoi Tessellation,DHT)分类器的缺陷,基于Pearson相关系数对加权马氏距离(Weighted Mahalanobis Distance,WMD)进行改进,形成改进加权马氏距离(Improved Weighted Mahalanobis Distance,IWMD);并利用IWMD的优势对DHT分类器进行改进,形成IDHT分类器。为了测试所提新方法的准确性与有效性,采用试验台数据进行分析;通过分析发现其平均故障识别准确率高达98.533%。同时,为了验证所提方法的优越性,将其与8种故障模型进行对比,结果表明:采用所提新方法进行故障识别使正确率提高0.39%~8.06%。 展开更多
关键词 故障诊断 轴承 改进多尺度注意熵 IDHT
在线阅读 下载PDF
基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法 被引量：23
5
作者 王振亚 姚立纲 +1 位作者 蔡永武 张俊 《振动与冲击》 EI CSCD 北大核心 2021年第6期107-114,共8页
针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation... 针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。 展开更多
关键词 故障诊断 行星齿轮箱 熵-流特征 改进多尺度加权排列熵(IMWPE) 等度规映射(Isomap) 樽海鞘群优化算法(SSO) 支持向量机(SVM)
在线阅读 下载PDF
基于MMSE和ABCSVM的液压泵故障模式识别 被引量：9
6
作者 李洪儒 王余奎 +1 位作者 马济乔 叶鹏 《振动与冲击》 EI CSCD 北大核心 2016年第9期152-158,共7页
为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对... 为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。 展开更多
关键词 液压泵 模式识别 改进多尺度熵 人工蜂群算法 SVM
在线阅读 下载PDF
基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断 被引量：4
7
作者 戚晓利 王振亚 +2 位作者 吴保林 叶绪丹 潘紫微 《振动与冲击》 EI CSCD 北大核心 2020年第4期252-260,共9页
针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从... 针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。 展开更多
关键词 故障诊断 滚动轴承 SSDSL-Isomap 变分模态分解(VMD) 改进复合多尺度熵(ICMSE) 粒子群优化极限学习机(PSO-ELM)
在线阅读 下载PDF
基于VMD与IMWPE的舰船辐射噪声特征提取研究
8
作者 丁元明 柳力嘉 +1 位作者 刘苏睿 杨阳 《舰船科学技术》 北大核心 2023年第4期121-127,共7页
舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解(variational mode decomposition, VMD)与改进多尺度加权排列熵(improved multisacle weighted permutation entr... 舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解(variational mode decomposition, VMD)与改进多尺度加权排列熵(improved multisacle weighted permutation entropy, IMWPE)相结合的方法进行特征提取,将原始信号通过VMD分解成多个固有模态函数(intrinsic mode function, IMF),选取能够充分体现目标复杂度特征的IMF作为研究对象,然后通过IMWPE方法采用平移均值法解决多尺度加权排列熵(multisacle weighted permutation entropy, MWPE)的单一粗粒化问题。实验数据表明,将本文算法与对比算法提取的特征参数经过粒子群优化的支持向量机(particle swarm optimization support vector machine, PSO-SVM)进行分类识别,IMWPE算法识别率最高,具有良好的稳定性和优越性。 展开更多
关键词 舰船辐射噪声 特征提取 VMD 改进多尺度加权排列熵
在线阅读 下载PDF
基于VMD-IMDE-PNN的滚动轴承故障诊断方法 被引量：8
9
作者 刘备 蔡剑华 彭梓齐 《噪声与振动控制》 CSCD 北大核心 2022年第5期96-101,133,共7页
为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解(Variational Mode Decomposition,VMD)、改进粗粒化多尺度散布熵(Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE)和概率神经网络(Probabilistic Neural Network... 为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解(Variational Mode Decomposition,VMD)、改进粗粒化多尺度散布熵(Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE)和概率神经网络(Probabilistic Neural Network,PNN)相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵(Multi-scale Dispersion Entropy,MDE)不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的VMD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。 展开更多
关键词 故障诊断 变分模态分解 改进粗粒化多尺度散布熵 概率神经网络 滚动轴承
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部