基于MSST及HOG特征提取的雷达辐射源信号识别

针对传统雷达信号识别算法在低信噪比下识别准确率低的问题,提出了基于多重同步压缩（MSST）时频变换及方向梯度直方图（HOG）特征提取的雷达辐射源信号识别算法。所提算法在雷达时域信号短时傅里叶变换（STFT）基础上进行多重同步压缩处理获得信号时频分布图,通过HOG算子对信号时频分布图进行HOG特征提取,将提取的HOG特征通过主成分分析法（PCA）进行降维,将降维后的特征参数送入支持向量机（SVM）对雷达信号进行分类与识别。实验结果表明：所提算法具有较低的复杂度,当信噪比为-8 dB时,仿真实验与半实物仿真实验针对9种典型雷达信号的识别准确率达到90%以上。     

基于BDS-GD的低截获概率雷达信号识别

针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片（BDS）与广义维数（GD）相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率（LPI）雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。      

基于支持向量机的飞行器多余物信号识别

针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测（PIND）的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数（MFCC）特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。      

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.      

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。     

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

基于AI+神经网络的数字化故障电弧识别方案研究

线路故障电弧的特征随着电力电子技术的提高更趋复杂，传统的故障电弧识别方式已无法应对新型用电系统。对比传统故障电弧识别方案，研究故障电弧产生类型和新型检测技术，提出基于谐波因素、总谐波畸变率、电流零休时间、电流变化速率、电流周期性等典型时域、频域特征的AI+神经网络的数字化故障电弧识别方案。该方案运用回归算法向量机对特征图进行分类处理，通过正向传输运算、反向传输运算和迭代回归运算三个步骤执行卷积神经网络，频繁迭代回归以获得最佳特征识别图。本文以调光器的故障电弧识别为例，对故障识别方案进行验证，结果表明采用此方案可实现更高效、更精准、更稳定地识别故障电弧。     

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术,有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势,但也存在参数众多、计算量大的问题,难以实现空间在轨应用。针对以上问题,提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征,再提取时域特征,最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时,平均识别准确率能达到86.94%,较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比,仅使用不到10%的模型参数,在树莓派4B上计算速度平均提高了20倍。      

基于多特征融合与RF的球磨机滚动轴承故障诊断

由于冶金工业工况复杂，很难从单一信号中获取高质量的故障特征，诊断效果不佳。针对直接使用电流和振动信号进行融合，不能体现2类信号在不同频段上的优势和彼此之间的互补信息，而影响诊断性能的问题，提出一种基于振动和电流信号的多特征互补融合故障诊断方法。将振动信号和电流信号的高频系数特征通过最大绝对值规则融合，形成体现高频段特征的互补特征；将振动信号和电流信号的低频系数特征通过稀疏表示（SR）融合，形成体现低频段特征的互补特征。通过定义由多特征组成的特征矩阵融合全频段特征，增强全局特征表征能力。采用递归特征消除法消除融合后的冗余特征，提高分类精度，结合随机森林（RF）对轴承故障状态进行分类。实验结果表明：所提方法相比基于振动信号和基于电流信号的诊断结果更加准确。     

基于互锁双指令控制的电磁阀驱动电路设计

为满足体积及重量强约束条件下的动力系统电磁阀控制需求,提出了一种基于互锁双指令控制的电磁阀驱动电路设计方案。采用逻辑相反的互锁指令与串并联设计的阀门驱动电路结构形式,设计了基于McBSP内总线交互的电磁阀控制流程,建立了150N电磁阀驱动电路仿真模型及阀门电流测试平台。仿真及测试结果表明,该驱动电路能够有效实现二度故障下的电磁阀开启与关闭。     

基于互锁双指令控制的电磁阀驱动电路设计

为满足体积及重量强约束条件下的动力系统电磁阀控制需求,提出了一种基于互锁双指令控制的电磁阀驱动电路设计方案。采用逻辑相反的互锁指令与串并联设计的阀门驱动电路结构形式,设计了基于McBSP内总线交互的电磁阀控制流程,建立了150N电磁阀驱动电路仿真模型及阀门电流测试平台。仿真及测试结果表明,该驱动电路能够有效实现二度故障下的电磁阀开启与关闭。     

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。      

基于最小偏差LS-SVR的模电系统多故障诊断

为解决支持向量分类机多分类存在的样本重复训练、训练模型过多的问题,保证模拟电子系统在整体和局部多故障模式上的诊断正确率,提出基于最小偏差的最小二乘支持向量回归机多故障诊断方法.通过引进样本各维度拟合误差相对于平均拟合误差的偏差平方项,最小化维度间的拟合误差间距,得到能够输出多维变量及具有高分辨率的最小二乘支持向量回归机模型.将模型多维输出值与预设的各个多故障模式值相乘,所得结果集中最大值所对应的多故障模式即为最终诊断结果.仿真结果表明:提出的方法在简化训练过程的同时,能够保持良好的整体和局部多故障诊断正确率.     

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.