飞行机动动作识别主要用于飞行员训练质量评估、飞行作战时的辅助决策等场景。为实现基于飞行参数的飞行机机动识别,研究了模式袋(bag of patterns,BoP)算法,针对算法在多维时间序列应用中的不足进行了改进,利用改进后的算法对飞行姿态...飞行机动动作识别主要用于飞行员训练质量评估、飞行作战时的辅助决策等场景。为实现基于飞行参数的飞行机机动识别,研究了模式袋(bag of patterns,BoP)算法,针对算法在多维时间序列应用中的不足进行了改进,利用改进后的算法对飞行姿态数据进行特征提取,并进行飞行机动识别分析。识别仿真结果表明,改进后的BoP算法能提高飞行机动识别的准确率和置信度,通过该算法提取的飞行参数特征能更好地表征具体的飞行机动动作。展开更多
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
针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural net...针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。展开更多
针对故障特征维数过高导致故障的分类与辨识性能不佳的现状,提出一种基于中值特征线多图嵌入(median feature line multi-graph embedding,简称MFLME)的故障数据集降维算法。首先,将样本点到特征空间的投影度量改进为中值度量,削弱算法...针对故障特征维数过高导致故障的分类与辨识性能不佳的现状,提出一种基于中值特征线多图嵌入(median feature line multi-graph embedding,简称MFLME)的故障数据集降维算法。首先,将样本点到特征空间的投影度量改进为中值度量,削弱算法的外推误差;其次,通过定义近邻特征线图和远邻特征线图,减少异类样本的混淆,扩大类别间距,为后续故障的分类决策降低难度;最后,利用两个不同的转子故障模拟实验对算法性能进行验证。结果表明,该算法能降低故障分类难度,提升故障辨识准确率。展开更多
针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class...针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。展开更多
文摘飞行机动动作识别主要用于飞行员训练质量评估、飞行作战时的辅助决策等场景。为实现基于飞行参数的飞行机机动识别,研究了模式袋(bag of patterns,BoP)算法,针对算法在多维时间序列应用中的不足进行了改进,利用改进后的算法对飞行姿态数据进行特征提取,并进行飞行机动识别分析。识别仿真结果表明,改进后的BoP算法能提高飞行机动识别的准确率和置信度,通过该算法提取的飞行参数特征能更好地表征具体的飞行机动动作。
文摘针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。
文摘针对故障特征维数过高导致故障的分类与辨识性能不佳的现状,提出一种基于中值特征线多图嵌入(median feature line multi-graph embedding,简称MFLME)的故障数据集降维算法。首先,将样本点到特征空间的投影度量改进为中值度量,削弱算法的外推误差;其次,通过定义近邻特征线图和远邻特征线图,减少异类样本的混淆,扩大类别间距,为后续故障的分类决策降低难度;最后,利用两个不同的转子故障模拟实验对算法性能进行验证。结果表明,该算法能降低故障分类难度,提升故障辨识准确率。
文摘针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。
