变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故...变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故障振动信号特征值的相互内在联系,将LMD能量矩与变量预测模型模式识别相结合,提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product function,PF)分量;然后利用相关分析剔除LMD方法中的虚假PF分量,并提取真实PF分量能量矩组成特征向量来有效地表达故障信息;最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量更能反映非平稳信号本质特征。轴承故障诊断实验结果表明,论文提出的方法能有效地应用于小样本多分类轴承故障智能诊断。展开更多
多变量经验模式分解(MEMD)方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数(IMFs),提出一种基于噪声辅助多变量经验模式分解(N...多变量经验模式分解(MEMD)方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数(IMFs),提出一种基于噪声辅助多变量经验模式分解(NA-MEMD)和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式(CSP)法对重构信号进行特征提取,再用支持向量机(SVM)实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。展开更多
为寻求一种快速有效的四维变分资料同化(英文缩写4DVar)作了有意义的尝试,提出了映射观测的新概念和反向四维变分资料同化的新思路,并以此为基础建立了三维变分映射资料同化(英文缩写为3DVM:3-DimensionalVariational data assimilation...为寻求一种快速有效的四维变分资料同化(英文缩写4DVar)作了有意义的尝试,提出了映射观测的新概念和反向四维变分资料同化的新思路,并以此为基础建立了三维变分映射资料同化(英文缩写为3DVM:3-DimensionalVariational data assimilation of Mapped observation)。该方法与传统的四维变分资料同化一样,不仅考虑了模式的动力和物理约束,使得同化后的初值与模式协调,而且通过模式方程对同化窗口中不同时刻的观测资料作了最佳拟合。与传统四维变分同化方法不同的是,由3DVM得到的初值不在同化窗口的始端,而在窗口的末端。正是所求初值时刻的改变,使得该方法的计算代价大大减少,几乎与三维变分资料同化(英文缩写3DVar)相当,这实际上是用3DVar的代价实现了4DVar的功能。同时,由于3DVM不再需要切线性和伴随近似来计算代价函数的梯度也提高了同化的精度。对具体的台风个例(Dan)用AMSU-A反演的温度场进行变分同化模拟试验,发现3DVM能比传统4DVar产生更好的初值,而且所花计算时间只需4DVar的1/7。展开更多
针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based ...针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。展开更多
文摘变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故障振动信号特征值的相互内在联系,将LMD能量矩与变量预测模型模式识别相结合,提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product function,PF)分量;然后利用相关分析剔除LMD方法中的虚假PF分量,并提取真实PF分量能量矩组成特征向量来有效地表达故障信息;最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量更能反映非平稳信号本质特征。轴承故障诊断实验结果表明,论文提出的方法能有效地应用于小样本多分类轴承故障智能诊断。
文摘多变量经验模式分解(MEMD)方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数(IMFs),提出一种基于噪声辅助多变量经验模式分解(NA-MEMD)和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式(CSP)法对重构信号进行特征提取,再用支持向量机(SVM)实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。
文摘为寻求一种快速有效的四维变分资料同化(英文缩写4DVar)作了有意义的尝试,提出了映射观测的新概念和反向四维变分资料同化的新思路,并以此为基础建立了三维变分映射资料同化(英文缩写为3DVM:3-DimensionalVariational data assimilation of Mapped observation)。该方法与传统的四维变分资料同化一样,不仅考虑了模式的动力和物理约束,使得同化后的初值与模式协调,而且通过模式方程对同化窗口中不同时刻的观测资料作了最佳拟合。与传统四维变分同化方法不同的是,由3DVM得到的初值不在同化窗口的始端,而在窗口的末端。正是所求初值时刻的改变,使得该方法的计算代价大大减少,几乎与三维变分资料同化(英文缩写3DVar)相当,这实际上是用3DVar的代价实现了4DVar的功能。同时,由于3DVM不再需要切线性和伴随近似来计算代价函数的梯度也提高了同化的精度。对具体的台风个例(Dan)用AMSU-A反演的温度场进行变分同化模拟试验,发现3DVM能比传统4DVar产生更好的初值,而且所花计算时间只需4DVar的1/7。
文摘针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。
