关于最大功率输出的探讨—与（美）蔡少棠葛守仁教授商榷

总结了实现最大功率的三种方式。以此为根据，对［美］蔡少棠、葛守仁教授所著之《线性与非线性电路习题与问题详解》一书中有关问题提出质疑，从理论和数学的角度指出了其中的一些原则性错误，并提出了自己的见解。     

基于制造过程信息融合的产品早期失效率评估

为在快速响应制造模式下充分利用制造过程多源信息,通过评价产品的早期失效率来评估特定工艺的质量,进而选取合适的工艺,提出基于制造过程信息融合的评估方法.首先建立产品早期失效率的模型,并给出参数估计的方法;其次通过对形成产品可靠性的制造过程进行分析,确定合理的信息源;再次利用信息熵得到当前加工完成的产品与类似产品的相似程度;最后确定产品早期故障率的融合分布,对当前工艺生产产品的早期故障率进行评估;并以雷达移相单元为评估对象,验证论文所提方法的可行性.      

成分数据的空间自回归模型

针对已有成分数据线性回归模型对研究对象相互独立的严格要求,提出了含有成分数据和普通数据的空间自回归模型,在此基础上提出了成分数据空间自回归模型的估计方法。新模型结合了空间自回归模型处理因变量之间相互依赖的优势,可同时处理成分数据和普通数据。通过利用等距对数比（ilr）变换将成分数据解约束,得到了新模型的参数估计量。蒙特卡罗模拟实验验证了所提估计方法的有效性。      

模糊等价关系下滚动轴承振动性能变异分析

在小样本且概率分布未知条件下,提出模糊等价关系和自助最大熵模型,并通过变异概率分析滚动轴承振动性能变异过程。对滚动轴承振动加速度原始数据分组得到样本,选定本征样本,计算各样本间的模糊等价系数;运用自助最大熵模型建立各样本的概率密度函数,通过交集法得到各样本相对于本征样本的变异概率,建立模糊等价系数和变异概率的关系曲线以实现对变异过程的监控;通过仿真和实验案例验证了所提模型的可行性和正确性。实验结果表明:随着磨损直径的逐渐增大,变异概率曲线呈“躺椅状”非线性上升趋势,对应滚动轴承磨损的3个阶段,即初级磨合阶段、正常性能退化阶段和性能恶化阶段。      

固体火箭发动机性能可靠性评估的Bayes方法

在研制阶段试验信息以及积累以往试验信息的基础上，运用Bayes方法，建立了固体火箭发动机性能可靠性仿真模型，给出了仿真模型可信性检验的最大熵谱方法；将仿真信息作为验前信息，结合现场试验信息确定了性能可靠性的近似分布，并给出了性能可靠性的点估计和置信下限估计。     

基于遗传算法的最佳熵阈值图像分割法

将遗传算法用于图像分割的Ｋａｐｕｒ 等人提出的最佳熵阈值确定法（ 简称ＫＳＷ 熵法） 中,进行了针对图像分割遗传程序所需的参数设计．ＫＳＷ 熵方法具有很多优点,但同时也存在弱点：需要大量的运算时间,特别是在计算多阈值时．因此需要引入优化算法．Ｊ． Ｈｏｌｌａｎｄ 的遗传算法是具有鲁棒性和自适应性的搜索方法．采用遗传算法实现单阈值和多阈值图像分割,实验结果表明分割速度快于传统的ＫＳＷ 熵法,缩短了运算时间．     

P—平稳过程的最大ch熵谱估计

研究少平稳随机序列在Chrestenson变换意义下的功率谱密度及其最大熵估计问题,得到了功率谱密度函数与熵率的关系公式及最大熵谱估计的正规方程。在采样数据个数为p~m的情况下,最大熵谱估计可直接由已知的有限自相关数据表示。这些结果与Fourier意义下的功率谱密度估计有很大的不同。     

基于信息熵的连续属性自动聚类算法

基于信息熵的有关理论，提出了一种新的连续属性的自动聚类算法。首先介绍了Shannon熵的概念及其两个重要的定理，基于信息的不确定测度，提出了一种Shannon熵的准则函数φ，并且指出了该准则函数必须满足的6条原则。其次，基于该准则函数，引出了一种针对单个连续属性自动聚类的FUSINTER算法。由于实际信息系统中有多个连续属性，这主需要对多个连续属性分别使用FUSINTER算法进行离散，并且要求最终保证整个信息系统离散是相容的和一致的，而且各个属性拥有较少的分割区间。最后，本文以干线飞机外形参数的变化趋势与其更新换代的关系来说明文中提出的属性离散化过程，并展示了该聚类算法的有效性。本文提出的方法可以用于机器学习或数据挖掘的数据前处理。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

一种MED最优滤波长度选择新方法及其应用

最小熵解卷积（MED）是旋转机械故障诊断领域广泛应用的有效方法,它可以从噪声中提取微弱的故障冲击成分。然而它的有效性依赖于滤波长度的选取,目前,针对MED滤波长度的自动选取并没有明确有效的方法,往往需要人为经验选择。因此,在MED的算法基础上,通过结合自相关函数,提出了一种MED最优滤波长度选择的新方法,该方法构建了一个能量判定标准来衡量输出信号的周期性,从而自适应地确定MED的最优的滤波长度以提升微弱故障信号中的周期脉冲成分,避免MED方法容易出现最大化单一随机脉冲现象的发生。该方法应用于滚动轴承故障微弱冲击特征提取,并利用两个实例进行了有效性验证：基于辛辛那提试验中心的滚动轴承全寿命疲劳加速试验;带机匣的航空发动机转子试验器模拟远离轴承振动源的故障试验。结果表明,所提方法可以消除传递路径影响,提升微弱冲击周期性特征,并且与最大相关峭度解卷积（MCKD）方法相比,诊断结果更具优势。