期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于符号变量矩阵的改进样本熵算法
1
作者 李彦阳 罗伟 《科学技术与工程》 北大核心 2025年第5期1913-1919,共7页
针对样本熵算法在相空间重构过程中存在冗余运算的问题,通过构建符号变量矩阵的方法,对样本熵算法的相空间重构过程进行替换,建立改进的样本熵算法。白噪声和粉噪声仿真信号分析表明,改进的样本熵算法能有效提取信号的特征,并且具有较... 针对样本熵算法在相空间重构过程中存在冗余运算的问题,通过构建符号变量矩阵的方法,对样本熵算法的相空间重构过程进行替换,建立改进的样本熵算法。白噪声和粉噪声仿真信号分析表明,改进的样本熵算法能有效提取信号的特征,并且具有较高计算效率。以往复压缩机轴承间隙故障为研究对象,应用改进的样本熵算法对其进行特征提取,并与样本熵进行对比,该方法特征提取结果与样本熵算法保持高度一致,算法的计算效率远高于样本熵算法。 展开更多
关键词 样本 改进样本 计算效率 特征提取 往复压缩机
在线阅读 下载PDF
基于改进样本熵的牵张反射起始点检测研究 被引量:2
2
作者 胡保华 朱宗俊 +1 位作者 刘正士 王勇 《电子测量与仪器学报》 CSCD 北大核心 2019年第2期1-9,共9页
针对痉挛状态患者表面肌电(sEMG)信号质量差、易出现尖锐毛刺噪声且信号时序较短的问题,提出基于改进样本熵的牵张反射起始点(SRO)判定方法,利用固定长度的滑动窗对sEMG信号进行分帧,计算每帧信号改进样本熵,设定自适应阈值确定SRO,并... 针对痉挛状态患者表面肌电(sEMG)信号质量差、易出现尖锐毛刺噪声且信号时序较短的问题,提出基于改进样本熵的牵张反射起始点(SRO)判定方法,利用固定长度的滑动窗对sEMG信号进行分帧,计算每帧信号改进样本熵,设定自适应阈值确定SRO,并分析对比了基于标准样本熵的SRO检测性能。实验结果表明,基于改进样本熵SRO最大识别率为89.06%,SRO识别能力优于标准样本熵(最大识别率为48.18%),且数据长度依赖性优于标准样本熵,在短时序列与含尖锐毛刺噪声sEMG信号处理上表现出更好的鲁棒性,为定量与细化上肢痉挛状态提供了基础。 展开更多
关键词 改进样本熵 表面肌电信号 痉挛状态 牵张反射起始点
在线阅读 下载PDF
基于改进相对样本熵和BIGRU的滚动轴承退化分析 被引量:1
3
作者 严帅 熊新 《组合机床与自动化加工技术》 北大核心 2022年第6期96-100,共5页
针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距... 针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距离只考虑状态向量之间的最大元素差异的问题,提出了通过组合绝对值、最大值、最小值来识别状态向量间元素差异范围;其次,再对样本熵求均值得到改进后的RSE;最后,将改进RSE作为性能退化指标输入到BIGRU中完成轴承退化趋势预测。实验结果表明,所提出的改进RSE健康指标很好地克服了轴承退化过程中的随机波动现象,具有更好的单调趋势;且与LSTM、GRU预测模型相比,BIGRU有着更高的预测准确性。 展开更多
关键词 滚动轴承 改进相对样本 双向门控循环单元 退化趋势预测
在线阅读 下载PDF
基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究 被引量:9
4
作者 周付明 刘武强 +2 位作者 杨小强 申金星 陈赵懿 《机械强度》 CAS CSCD 北大核心 2023年第1期1-8,共8页
为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用... 为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用快速样本熵代替传统样本熵,通过改进重构向量匹配机制大幅降低了计算成本,而后使用改进的多尺度拓展方法代替传统的粗粒化方法,避免了幅值信息的丢失。在此基础上,结合最大相关最小冗余(Max-relevance and Min-redundancy, mRMR)方法及支持向量机(Support Vector Machine, SVM)分类器提出一种新的旋转机械故障诊断方法。使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证,同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy, CMSE)及精细化复合MSE(Refined Composite Multiscale Sample Entropy, RCMSE)等现有方法进行对比。结果表明,相较于MSE、CMSE及RCMSE,提出的方法在鲁棒性、计算效率及识别精度等方面均具有明显优势,为基于熵特征提取的旋转机械故障诊断提供了一种新的思路。 展开更多
关键词 精细化改进多尺度快速样本 最大相关最小冗余 支持向量机分类器 旋转机械 故障诊断
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部