针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高...针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高维数据进行非线性降维与重构,利用SAE-BP神经网络完成分类识别。仿真结果表明,在干噪比(JNR)大于-1 dB的强噪声环境中,KPCA-SAE-BP网络算法对6种新型有源干扰的识别准确率达到90%以上,训练与识别时间少于0.7 s。相同参数条件下,与经典BP神经网络、SAE-BP网络、KPCA-BP网络、GA-BP网络相比,具有更好的检测识别性能。展开更多
文摘传感器作为复杂装备监测系统的关键组成部分,若发生故障会引起误报警,极大影响复杂机械系统状态监测的可靠性。针对该难题,笔者从系统角度出发,提出一种基于去趋势互相关分析(detrended cross-correlation analysis,简称DCCA)和双尺度自编码器(dual auto encoder,简称DAE)的传感器故障检测方法,记作DCCA-DAE。首先,采用DCCA方法建立耦合网络,将数据从欧氏空间扩展到拓扑空间,实现对系统多源多态监测数据蕴含信息的全面表征;其次,构建基于DAE的异常检测方法,消除工况变化对传感器监测序列产生的影响,实现工况复杂变化下的系统传感器故障准确检测;最后,利用某电厂汽轮机组历史数据,验证所提方法的综合性能。结果表明,DCCA-DAE模型特征提取能力强,检测精度显著优于传统支持向量描述和自编码器等方法,在工业场景中传感器故障检测领域具有良好的应用前景。
