Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning

Impulse components in vibration signals are important fault features of complex machines. Sparse coding(SC) algorithm has been introduced as an impulse feature extraction method, but it could not guarantee a satisfactory performance in processing vibration signals with heavy background noises. In this paper, a method based on fusion sparse coding(FSC) and online dictionary learning is proposed to extract impulses efficiently. Firstly, fusion scheme of different sparse coding algorithms is presented to ensure higher reconstruction accuracy. Then, an improved online dictionary learning method using FSC scheme is established to obtain redundant dictionary and it can capture specific features of training samples and reconstruct the sparse approximation of vibration signals. Simulation shows that this method has a good performance in solving sparse coefficients and training redundant dictionary compared with other methods. Lastly, the proposed method is further applied to processing aircraft engine rotor vibration signals. Compared with other feature extraction approaches, our method can extract impulse features accurately and efficiently from heavy noisy vibration signal, which has significant supports for machinery fault detection and diagnosis.     

基于迁移学习的SAR目标超分辨重建

针对合成孔径雷达(SAR)目标超分辨重建问题,提出了一种基于迁移学习的超分辨方法。在光学图像梯度域中联合训练超完备字典与稀疏编码映射,利用半耦合字典联系SAR图像与光学图像,寻找SAR图像在半耦合字典下的稀疏编码,并在高分辨率字典下完成重建。结合SAR图像的先验信息,使用正则化方法对SAR目标进行特征增强。所提方法在TerraSAR-X数据和MSTAR数据上进行了仿真实验,重建结果表明,相比目前的插值方法和稀疏表示方法,所提方法空间分辨率可提高0.5~1.5个像素。正则化增强结果表明,引入稀疏先验的正则化增强能够进一步提高空间分辨率并抑制杂波比,最后分析了正则化参数的选取对图像质量的影响。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图...     

基于多特征尺度特征融合的航空指挥动作识别

视觉辅助引导系统(Visual aided Guide System,VaGS)是未来航空运输必不可少的重要组成部分,可以大大节省地面指挥和引导资源,提高安全性。VaGS的核心技术是识别地面指挥员手势并将其转化为指令。介绍了一种新的高效手势识别体系结构,它主要包括2个部分:(1)采用多尺度浅层结构进行特征学习,将全局身体姿态特征与局部手势特征提这两种尺度特征进行融合;(2)所提取的特征输入到超限学习机(Exteme Learning Machine,ELM)中进行分类,输出指令。实验结果表明,在自建的40个类别的航空指挥动作数据集中,准确率达到98.5%,单帧用时0.13 ms。     

自由飞行下基于集成学习的概率型冲突探测算法

空中交通流量的持续增加对中、短期飞行冲突探测的精度与处理大量目标的能力的要求更高,提出基于集成学习(ensemble learning)的冲突探测算法。首先,对飞机冲突过程建模,收集飞行样本;其次,提取飞机当前位置、速度矢量、向前看时间、待转弯时刻和转角为特征量,训练基本分类器,获得元数据集;然后,以支持向量机为二级分类器,元数据集为新的特征量,训练Stacking元分类器(meta classifier),分类阶段通过Sigmoid函数概率映射法输出冲突概率;最后进行仿真分析。结果表明:基于集成学习的冲突探测算法对冲突探测具有较高的准确率,使得虚警概率大幅下降,且适用于转弯飞行。     

人工智能与空气动力学结合的初步思考

以人工智能为核心的新一轮技术革命及产业变革正在影响着社会的各个领域,世界各航空航天大国均在人工智能与空气动力学的结合方面开展了许多有益的尝试与探索。本文回顾了人工智能技术的发展历程及现状,重点讨论了大数据时代背景下人工智能在风洞试验、数值计算和飞行试验等空气动力学研究的三大手段上的应用,详细分析了人工智能在辅助海量气动数据分析与知识发现上发挥的作用,探讨了人工智能在气动建模与先进飞行器设计中蕴藏的应用价值,并指出了人工智能与空气动力学相结合所带来的挑战。     

基于高斯过程回归的连续式风洞马赫数控制

在风洞实验中保持实验段马赫数的稳定对实验的成功具有重要意义。传统的PID控制算法具有一定时滞性,不能满足连续变迎角实验模式下马赫数的控制精度要求。针对这一缺陷,提出了一种基于高斯过程回归的前馈控制策略,结合PID控制器共同完成马赫数控制任务。首先,对原始数据执行了预处理操作,将数据集中的异常数据进行清洗并且对清洗后的数据进行标准化;其次,选取迎角、实时马赫数、实验段截面积作为高斯过程回归模型的输入,压缩机转速作为输出,采用随机划分数据集与分组划分数据集两种策略进行建模,并将高斯过程回归与常用回归模型的预测精度进行了比较;最后,给出了利用高斯过程回归预测结果及预测置信度进行PID反馈控制的方法。实验结果表明高斯过程回归对风洞实验数据具有很好的建模能力,基于高斯过程回归的前馈控制与PID结合的控制策略能够提高连续变迎角模式下的马赫数控制精度。     

自动编码器在流场降阶中的应用

自动编码器作为一种压缩算法,在数据降维和去噪等方面有着广泛实践,有条件作为一种降阶方法在流场识别与数据处理方面得到应用。文章中以圆柱绕流为例,首先对圆柱后速度场建立了编码模型,用来对原始数据进行降维和特征提取,之后将编码后的数据与流场特征量相关联,建立了由流场编码回归圆柱表面压力系数的神经网络,探索了降维后数据的应用。结果表明,自动编码得到的结果能够承载原始速度场的主要信息,解码后速度场与原速度场测试均方根误差小于0.02,压力回归测试均方根误差可小于0.1。说明自动编码器能够作为一种流场的特征提取和降阶方法,在未来得到更广泛的应用。     

高校贫困生资格认定的实证分析

我国现阶段构建高校贫困生资助体系时,应采取与市场经济中"效益优先,兼顾公平"的指导思想,做到"教育公平优先".由于各方的强烈呼吁,国家从2007年下半年开始加大了对贫困学生的资助力度,而具体落实到实际操作方法时,以达到资助公平为目标,其前提是必须准确的界定贫困生身份,使真正的贫困生获得必要的资助,以最大限度的实现教育公平.