基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

一种基于SD-ICA的卫星电池健康状态估计方法

针对容量增量分析（ICA）法应用在卫星电池的健康状态（SOH）估计中存在较大误差的问题,提出了基于带平滑处理并使用放电数据的容量增量分析（SD-ICA）的电池健康状态估计方法。首先,利用光滑样条函数的拟合结果具有二阶导连续的特性,对低分辨率的遥测数据进行平滑处理,从而提高了计算结果的准确性。其次,针对ICA必须使用微小电流放电数据的限制,推导出有负载条件下的容量增量（IC）计算方法,降低了对卫星电池放电工况的要求。最后,利用IC曲线的第一特征点（FOI1）与电池容量的关系,对卫星电池的健康状态进行估计。经验证,所提方法具有对数据分辨率要求低、不需要增加电池工况、计算简便等优势,可以准确地从卫星遥测数据中估计电池健康状态。研究成果在卫星电池的健康管理和任务规划中具有重要的应用价值。      

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件,其可靠性直接关系到整星寿命与安全.作为动量轮的核心组件,轴承易于发生故障,且独特结构和复杂运行环境导致监测信号信噪比低,早期故障诊断困难.针对这种情况,对变分模态分解和峭度熵结合的特征提取方法进行研究,获得动量轮轴承监测信号中的微弱故障特征,并建立特征向量.引入分层极限学习机,对结构...     

一种基于改进KELM的在线状态预测方法

针对核超限学习机（KELM）在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法。通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证（FLOO-CV）误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新。某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%。      

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移,基于经验模态分解（EMD）和模态集合选择标准,结合时间序列建模滤波法,提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先,通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF）,利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类;然后,对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）;最后,将3类信号重构,实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性,提高了MEMS陀螺仪的使用精度。      

基于形态学滤波的快速多通道图像EMD

为了提高多通道图像经验模态分解（EMD）方法分解的效率,提出了一种基于形态学滤波的快速多通道图像EMD方法。利用形态学膨胀和腐蚀滤波可以计算图像上下包络这一重要特性,实现了多通道图像EMD的快速计算,形态学滤波窗口大小由各通道图像的平均极值距离确定,将一幅多通道图像自适应分解为若干个尺度从细到粗的内蕴模态函数（IMF）图像和一个体现图像整体变化趋势的余量。大量的实验结果与对比显示,所提方法不但能够加快EMD方法分解的速度,而且也能够有效地对多通道图像进行自适应分解。通过在图像融合和图像水印中的应用及大量的实验比较,说明了所提方法能够方便快捷地投入到具体的图像处理任务中。      

基于CEEMDAN的雷达信号脉内细微特征提取法

有效的信号特征提取是高精度雷达辐射源识别的基础,以脉冲描述字为代表的传统特征已无法满足复杂电磁环境的需要。本文提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）的有效雷达辐射源脉内细微特征提取算法。雷达信号由对非平稳、非线性信号尤为有效的CEEMDAN分解产生的个别分量重构,抑噪效果通过1 000次蒙特卡罗实验得到验证,同时设计基于该重构的一种脉内特征空间。本文方法与主流特征提取方法的识别精度在6部雷达辐射源产生的3 000个不同脉内调制的加噪信号样本上进行了实验对比,结果表明不同种类信号样本在本文特征空间中清晰可分,本文方法较之主流方法更加精确,尤其在0 dB信噪比（SNR）下仍保持90%以上的高精度。      

基于经验模态分解的点云数据平滑与增强

在计算机辅助设计与逆向工程应用中,针对缺乏拓扑连接关系的点云数据,提出了基于经验模态分解(EMD)的点云数据平滑与增强算法。首先,以点云模型的拉普拉斯矩阵坐标与法向的内积作为EMD输入信号,提取点云模型输入信号的极值点作为插值节点计算信号的上下包络;然后,为实现特征保持的EMD信号分解,通过检测点云数据上特征点,并在计算信号上下包络的过程中作为约束,克服传统EMD算法无法保持特征的局限;最后,迭代地从输入信号中减去上下包络的均值得到内蕴模态函数(IMF)和余量,并通过设计滤波器实现了点云数据平滑和增强。实验结果表明,本文算法有效地将EMD推广到三维散乱点云数据中,扩大EMD在三维几何中的应用范围,并在点云数据平滑和增强方面取得了很好的效果。     

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.