针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述...针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述特征差异性,迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习,提升了分类正确率,同时利用向量夹角余弦进行可迁移度检测从而避免负迁移。试验结果表明,SVD无需利用故障先验知识,具有通用性,且迁移学习相比传统机器学习在目标振动数据较少条件下性能得到显著提升。展开更多
随着现代技术不断更新,雷达种类及相关技术得到不断发展,雷达辐射源信号的识别逐渐成为一个十分重要的研究领域。该文主要针对辐射源信号识别中的调制类型识别问题,从数据能量角度出发,在奇异值分解(Singular Value Decomposition, SVD...随着现代技术不断更新,雷达种类及相关技术得到不断发展,雷达辐射源信号的识别逐渐成为一个十分重要的研究领域。该文主要针对辐射源信号识别中的调制类型识别问题,从数据能量角度出发,在奇异值分解(Singular Value Decomposition, SVD)基础上进行优化,提出基于权重归一化奇异值分解特征提取算法。该文从奇异值分解的滤波效果、数据矩阵行数对分解结果的影响及不同分类模型识别效果等方面进行分析。实验结果表明该算法对常用雷达信号有较好滤波和识别效果,在–20 dB条件下滤波重构信号与原始信号余弦相似度值仍保持在0.94左右,在判别置信度?为0.65条件下识别正确率仍维持在97%以上。此外实验还表明相对于传统PCA算法,基于权重归一化奇异值分解特征提取算法拥有更好的鲁棒性。展开更多
文摘针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述特征差异性,迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习,提升了分类正确率,同时利用向量夹角余弦进行可迁移度检测从而避免负迁移。试验结果表明,SVD无需利用故障先验知识,具有通用性,且迁移学习相比传统机器学习在目标振动数据较少条件下性能得到显著提升。
文摘随着现代技术不断更新,雷达种类及相关技术得到不断发展,雷达辐射源信号的识别逐渐成为一个十分重要的研究领域。该文主要针对辐射源信号识别中的调制类型识别问题,从数据能量角度出发,在奇异值分解(Singular Value Decomposition, SVD)基础上进行优化,提出基于权重归一化奇异值分解特征提取算法。该文从奇异值分解的滤波效果、数据矩阵行数对分解结果的影响及不同分类模型识别效果等方面进行分析。实验结果表明该算法对常用雷达信号有较好滤波和识别效果,在–20 dB条件下滤波重构信号与原始信号余弦相似度值仍保持在0.94左右,在判别置信度?为0.65条件下识别正确率仍维持在97%以上。此外实验还表明相对于传统PCA算法,基于权重归一化奇异值分解特征提取算法拥有更好的鲁棒性。
