采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。     

模糊聚类在特征选取中的应用

提出了一种基于模糊聚类算法的高维特征选取方法。首先,利用Bhattacharyya距离过滤样本类别无关的特征;然后,基于递归特征剔除过程,提出了基于模糊迭代自组织数据分析技术(Interactive self-organizing dataanalysis technique,ISODATA)聚类方法,以样本与聚类中心的加权距离作为可分性指标,产生候选特征子集;最后,以候选特征子集分类和聚类的接受者操作特征曲线下面积(Area under the receiver operating characteristiccurve,AUC)值和正确率作为目标函数,确定最佳特征子集。将该方法用于选取5个基因表达谱数据集的特征基因,结果显示该方法所选特征具有较好的分类和聚类能力,说明了提出的特征选取方法的有效性。     

小样本图像分类中的类别信息融合网络

小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络（Category-fusion network, CFN）,通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块：具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。     

一种改进的模糊聚类算法在图像边缘检测中的应用

提出了一种改进的模糊聚类图像边缘快速检测算法,该算法在利用像素灰度值的同时还考虑了像素的空间信息,基于模糊集合理论将图像从灰度空间映射成一个模糊隶属度矩阵,然后将隶属度矩阵中的元素作为样本进行模糊聚类,从而提取出图像边缘。基于热力学原理选取隶属度函数,通过调节温度系数,实现图像边缘由粗到细的提取。实验证明,该方法在计算速度、滤除噪声、提取边缘等方面均优于C-均值聚类算法。     

一种加权核鉴别分析方法

基于Fisher准则的核鉴别分析法(KDA)是最常用的非线性特征提取方法之一,但对于多类识别问题,就分类率而言Fisher准则并不是最优.本文提出了一种加权核鉴别分析方法(KIDA).首先利用非线性映射将原始样本隐式地映射到高维隐特征空间;在此特征空间内使用权函数重新估计类间离散度矩阵得到优化的准则函数,最后采用同时对角化方案求解最优鉴别矢量.在ORL和Yale人脸数据库上的实验结果验证了本文方法的有效性.     

基于光纤智能夹层和模糊RBF神经网络的飞行器载荷识别

为了更好地保障航空飞行器的安全,提高飞行器的可靠性,提出了一种通过性能参数稳定的光纤智能夹层采集数据,并且结合模糊RBF神经网络对机翼盒段载荷进行识别实验的方法.该方法融合了模糊理论和神经网络各自的优点,通过改进的模糊C均值聚类(FCM)聚类算法删除冗余的规则以进行规则的优化,能自适应地从学习样本数据中提取相应信息,实时地进行载荷辨识.从仿真结果可以看出:该网络模型具有学习时间较短、学习速率较快和精度较高等优点.     

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况，但实际工况情况呈现典型的长尾分布特性，类别严重不平衡。传统方法无法准确识别小类别工况，也无法获得井下工作状态准确识别。针对这一问题，提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法（Cost-sensitive active learning algorithm based on distribution -driven multi-class long-tailed data， CALA）。首先，考虑数据分布特性，以最小化代价为优化目标确定数据的最佳聚类簇数；其次，通过加入预分类误差代价来更新之前得到的最佳聚类簇数；然后，构建集成分类模型作为分类器；最后，通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试，显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。     

峰值点非负矩阵分解聚类算法

非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。     

基于支持向量机和线性判别分析的维数约减方法及其应用

目前已提出的一些基于支持向量机的维数约减方法,但其投影矩阵的获得仅考虑支持向量机的类间间隔,而忽略了数据中的类内信息。本文首次提出了一种基于支持向量机和线性判别分析的维数约减方法,称之为DRSL。DRSL实现了类问和类内信息的有效组合,能有效拟合数据中类间和类内结构,使得所获投影矩阵能够提高后续分类器的推广能力。实验验证了该方法的有效性。     

一个识别零件几何与工艺特征的自动分类系统

提出了一种在成组技术中应用模糊综合评判理论识别零件几何与工艺特征、进行计算机辅助零件分类的新方法，据此设计了自动分类软件。本法是根据零件本身间的相似性自动分类，不需建立一套分类用编码系统，也不需事先设定假想零件。对不同的分类要求，修改各种输入信息很方便，具有柔性。本文对２３００个航空附件回转类零件作了试验分析，讨论了特征抽取，目标类别，权级、权重分配，模糊关系矩阵计算，及自动分类应用软件设计．本软件是在ＩＢＭ－ＰＣ微型计算机上用Ｆｏｒｔｒａｎ－７７语言实现的，分类结果满意，自动分类正确率达９０％以上。本软件设计方法也适用于设计管理部门．     

局部Bagging方法及其在人脸识别中的应用

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器.同时,小样本特性Bagging也很难应用于人脸识别等任务中.本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题.L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样.由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的, 因此 L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器.在4个标准的人脸数据库(AR,Yale,ORL和Yale B)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的.     

改进的EMD方法在车辆振动信号提取中的应用(英文)

为了能在强噪声背景下准确地进行振动信号的特征提取,对经验模式分解进行了研究和改进,并将其应用于车辆振动信号的特征提取中。首先对系统中各输入信号进行了多次自相关处理,有效地降低信号中的噪声。然后对处理的信号进行经验模式分解,得到了各固有模态函数分量。最后对感兴趣的固有模态函数分量进行希尔伯特变换和谱分析,从而得到信号的特征信息。仿真和试验分析说明了改进的经验模式分解方法的可行性,并且对同类工程问题具有一定的参考价值。     

采用PQLF的不确定模糊系统最优保性能控制

对一类模有界的参数不确定T-S模糊系统的保性能控制问题进行了分析研究。一个二次指标函数表征了闭环系统的性能。采用分段二次Lyapunov函数(Piecewise quadratic Lyapunov function,PQLF)方法,在使闭环系统渐近稳定的前提下以线性矩阵不等式(Linear matrix inequality,LMI)的形式给出了一种鲁棒最优保性能控制律。同时提出了一种新型分段并行补偿(Parallel distributed compensation,PDC)控制策略。该PDC控制器同样反映了模糊系统前提变量的规则结构信息。数值仿真显示,采用该设计方法所得到的闭环保性能值优于传统二次Lyapunov函数(Common quadratic Lyapunov function,CQLF)方法下的闭环保性能值,且系统动态性能良好,鲁棒性强。     

基于OO的CIMS信息分类编码研究

通过分析国内外现有各分类编码系统以及ＣＩＭＳ对信息集成的要求，结合面向对象（Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ，ＯＯ）方法提出了一种面向ＣＩＭＳ各环节的分类编码结构模型ＦＣＣ。该模型由复杂对象Ｏ和施加于Ｏ上的操作Ｍ构成，其中Ｏ可描述为一个三元组，用于类别标识，事物特征描述和图形特征描述。类别标识项是一个可用二元组描述的复杂对象；图形特征项是一个四元组，描述了图形标识，图形符号，图形特征数据和图形文件；     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

对方案有模糊互补偏好关系的模糊多属性决策法

研究了权重为区间数且对方案有模糊互补偏好关系的模糊多属性决策问题.首先,基于模糊互补判断矩阵的主观偏好信息,利用转换函数将决策信息一致化,并建立了目标规划模型.通过求解该模型得到属性的权重,运用加性加权法获得各方案的模糊综合属性值.其次,提出了基于方案的模糊正理想解与其模糊综合属性值相似度的方案排序法.该方法既能充分利用已有的客观信息,又能最大限度地体现决策者的主观意愿,且具有操作简便、易于上机实现的特点.该方法已应用于解决风险投资领域中项目评估问题.     

银行印鉴的模糊识别方法

印鉴的计算机自动识别在金融电子化进程中是一个关键问题，也是一项十分难以解决的课题，目前国内外已提出了一些算法，但仍然在存在若干未能解决的问题，本文结合遗传算法，图像分析，模糊识别等方法，提出了一套完整的印鉴识别方法，能适应不同形状，大小的印鉴，配准精度高，特征提取较为全面，有效，分类准确，且能较好的消除背景干扰，基本达到实用要求。