基于BP神经网络的缝纫工序状态识别

为了在缝纫过程中对产品进行监测识别，提高缝纫产品质量，课题组提出了一种基于 BP神经网络的缝纫工序状态识别方法。首先采集正常工况下缝纫机伺服电机驱动电流信号，将采集到的信号进行时域、频域分析，从中提取出缝纫工序状态相关性较好的几个特征量，将其组成敏感特征向量；然后搭建BP神经网络进行训练学习来识别多种未知工序状态。实验表明该方法能够准确识别分类缝纫工序状态，实现了远程工作状态监测。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点，提出采用三层BP小波神经网络构造故障诊断模型，对油泵进行故障监测和诊断。该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理，对油泵多种常见故障取得了满意的诊断效果，不仅具有特征自动提取以及较强的自学习和自适应功能，而且操作维护简便。研究结果表明：信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径；对油库安全维护与故障诊断具有重要意义。     

AVMD Kriging砂轮寿命周期磨削性能在线监测方法

为了对砂轮寿命周期磨削性能进行特征提取与智能识别，课题组提出了一种改进的变分模态分解算法与Kriging模型相结合的砂轮寿命周期磨削性能识别方法AVMD Kriging。首先，通过人工鱼群算法和包络熵适应度函数来优化VMD，以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题；再利用皮尔逊相关系数选取与原始信号相关性最高的本征模态函数并计算其样本熵值组成特征向量，将其输入Kriging模型进行砂轮寿命周期磨削性能识别；最后利用实验采集的声发射数据，将提出的AVMD Kriging方法与传统的KNN模型、Tree模型进行对比。结果表明：AVMD Kriging方法的识别准确率优于KNN模型和Tree模型，能有效提高砂轮寿命周期磨削性能的识别准确率，同时具有较好的泛化能力和鲁棒性。     

过程信号的前馈-反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法 ,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求 ,在其他学者研究的基础上 ,基于前馈 -反馈型神经网络模型 ,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性     

神经网络用于通信信号分类识别研究

介绍了将神经网络方法应用于通信信号的分选和识别的初步研究结果；选择了二值自适应共振（ＡＲＴ１）神经网络完成对输入信号的分类，确定输入信号类型是否已被网络存储，发现新出现的信号并标记；再采用多层前馈误差反向传播（ＢＰ）神经网络完成每一标记信号的识别，即识别该信号类型。比较了神经网络分类识别器和树形分类器的性能，并给出了计算机模拟结果。结果表明，基于神经网络的分类识别器的性能远优于传统技术分类器。     

基于概率神经网络和K-means算法的纳税评估

纳税评估工作是一项难于建立准确数学模型的复杂系统,同时又是一个典型的模式识别问题。用神经网络方法进行纳税评估有其独特的优越性。运用PNN算法很大程度地依赖于训练样本对象的选取。选取的这些样本能否反映总体的信息特征决定了分类器的识别效果。文章运用K-means算法对纳税人信息样本进行聚类,找出聚类中心点,以此为基础来选择样本作为PNN的训练样本,从而达到对PNN算法的优化。研究结果表明这种改进后的PNN算法分类效果好,对于纳税评估有其应用价值。     

基于切削温度分析的刀具磨损状态研究

为了解刀具在切削时的实际状况,课题组提出了基于切削温度的刀具状态实时监测的方案。[JP2]采用仿真与试验相结合相验证的方法,对刀具在新刀、早期磨损、严重磨损以及失效4种状态下的切削温度进行分析。通过试验采集刀具磨损及失效的温度信号数据,建立了基于最小模糊度的隶属度函数优化模型,用于诊断刀具加工过程中的磨损及失效状态。应用结果表明,该方法可以实现对刀具磨损及失效状态的实时监测,对提高机床的加工效率及加工精度具有重要意义。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于铣削声音信号的刀具状态实验研究

为了更加准确、有效对铣刀磨损状态进行监测,笔者提出以铣削声音为监测信号的方案,搭建基于铣削声音信号 的刀具状态监测平台,设计了基于LabVIEW的实验数据采集分析系统软件平台,并通过小波变换对实验结果进行了论 证。实验结果表明,在1.5～2．O kHz,2.5~4.5 kHz频率范围内,铣削声音信号与刀具磨损有很好的相关性;切削参数的 变化也会对声音信号产生影响,其中主轴转速的影响最为明显。方案验证了用声音信号监测刀具状态是切实可行的,为 刀具状态的监测提供了新的思路与方法。     

基于PCA-BP神经网络的审计风险识别研究

审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,提出了一种基于PCA-BP神经网络的审计风险识别模型。选取33项指标建立风险识别指标体系,使用PCA方法对训练集数据进行降维处理,将特征值大于1的主成分作为神经网络的输入向量,构造PCA-BP神经网络。选用124家A股上市公司作为研究样本进行实证研究。结果表明:模型平均识别准确率达到90.04%,高于传统BP神经网络模型,计算速度快、识别率高和适用范围广,能有效识别审计风险。     

模糊自动机在电磁波识别中的应用

研制了一个模糊处理和神经网络相结合的自动机,使用模糊技术从未处理的电磁信号波纹图像中处理模糊几何特征属性,进行波纹分类与识别。当使用模糊自动机(FA)进行识别紊乱波纹时,这些模糊几何特征是最好的。而对这些模糊几何特征的辨识,使用FA是很好的。     

牵引供电系统电弧故障的自适应继电保护

对牵引供电系统高阻电弧故障模型进行了详细分析,建立了电弧故障仿真模型,并对电弧故障信号特征进行了讨论。在此基础上,提出了一种基于神经网络的自适应多参量继电保护方法,为复杂故障的自适应保护提供了一条新的途径     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

基于模糊聚类-模糊模式识别的复合材料高温机械性能评价

将模糊聚类和模糊模式识别相结合的识别方法应用于具有多模糊特征变量的复合材料高温机械性能的识别中。对给定特征的复合材料进行模糊分类,建立群体模式。通过模糊模式识别在模式库中对检验样本进行匹配,实现对未知材料的聚类识别。结果表明:对于多因子相关的复合材料性能,两种方法的结合是有效可行的,可以满足经济性和准确性的要求。     

多线性调频信号参数估计及DSP实现

为实现多线性调频信号参数的快速准确估计,运用模糊函数和Radon变换的性质,提出以信号分数阶自相关实现模糊函数快速计算,并对分数阶自相关进行Radon变换,结合自适应滤波的方法来估计多线性调频信号的调频斜率,在C6701 EVM板上的仿真实验表明,算法在低信噪比下具有优良的参数估计性能,计算效率高。     

模糊CMAC神经网络用于单输入输出非线性系统的鲁棒自适应反馈线性化

在已知名义系统的基础上,将模糊ＣＭＡＣ（小脑模型关联控制器）神经网络用于一类状态反馈可线性化的单输入单输出（ＳＩＳＯ）连续时间非线性系统的鲁棒自适应反馈线性化,使系统获得要求的跟踪性能．在很弱的假设条件下,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为ＵＵＢ（均匀最终有界）．     

微细钻头折断的小波识别法

本文提出了一种基于小波分析的微小钻头折断的在线监测方法,得出微小钻头折断时的力信号呈现大幅度增长的趋势,并利用小波分解代替传统的傅立叶变换进行信号分析,来准确识别钻头的正常钻削与破损状态,从而获取钻头折断的预报,实验结果证明了该方法的有效性。     

通信信号调制识别方法研究

通信信号调制识别的主要目的是进行信号监测及处理。该项技术常用于频率管理、通信对抗等领域。用小波分析和神经网络理论针对非稳定、大信噪比(SNR)变化的通信信号进行了有效的特征提取和分类，实现了通信信号调制样式的分类识别，使识别正确率得到了明显改善。计算机模拟结果证明了此方法的可行性。     

异构集群中非结构化大数据检测方法

传统的非结构化大数据检测方法只分析数据的统计特征、缺少对其中模糊闭频繁项集特征的识别,易出现监测结果不理想的问题。为了提高对异构集群中非结构化大数据的检索识别能力,提出一种基于模糊闭频繁项集特征挖掘的异构集群中非结构化大数据检测方法。分析异构集群中非结构化大数据的统计特征信息,并采用大数据信息融合方法对其进行状态监测和特征识别,从中提取非结构化大数据的模糊闭频繁项集特征量;利用支持向量机模型对非结构化大数据检测进行分类处理,根据不同大数据的分类属性进行自动检测识别,提高对异构集群中非结构化大数据检测的准确率和监测过程抗干扰能力。实验结果表明:采用该方法对异构集群中非结构化大数据检测的准确性和检测精度较高,具有很强的应用优势。