基于LCD與流形學(xué)習(xí)的監(jiān)測(cè)數(shù)據(jù)分析研究.pdf

1、隨著計(jì)算機(jī)技術(shù)與人工智能的發(fā)展，特征提取作為完整模式識(shí)別系統(tǒng)中的重要環(huán)節(jié)，已引起越來(lái)越多的重視。在面對(duì)高復(fù)雜度、非平穩(wěn)信號(hào)時(shí)，選擇合適的特征識(shí)別方法是能否挖掘有效信息的關(guān)鍵。由于提取到的高維特征空間中存在著相關(guān)性和冗余信息，利用流形學(xué)習(xí)這種非線性降維的機(jī)器學(xué)習(xí)方法可以達(dá)到維數(shù)簡(jiǎn)約的目的，挖掘原始數(shù)據(jù)的內(nèi)在本質(zhì)，實(shí)現(xiàn)數(shù)據(jù)的可視化。本文以列車走行部故障診斷與雷達(dá)輻射源信號(hào)識(shí)別為背景，探討特征提取與降維在基于監(jiān)測(cè)數(shù)據(jù)的信號(hào)處理領(lǐng)域的應(yīng)用，并開(kāi)

2、展了以下研究工作:
　　1.論文采用局部特征尺度分解(LCD)與信息熵結(jié)合的特征提取方法，以軸承故障標(biāo)準(zhǔn)數(shù)據(jù)集為研究對(duì)象，對(duì)信號(hào)數(shù)據(jù)做LCD分解并提取ISC分量的多種信息熵特征組成故障特征向量，仿真驗(yàn)證了LCD信息熵特征在故障特征提取分析的有效性和可行性。
　　2.針對(duì)LCD分解方法的不足，提出一種利用噪聲輔助改進(jìn)的集合局部特征尺度分解(ELCD)方法，仿真驗(yàn)證改進(jìn)的算法能有效抑制模態(tài)混疊現(xiàn)象并具有高效的算法效率。針對(duì)走行部

3、橫向減振器部分失效工況數(shù)據(jù)，提取ELCD分解多種信息熵組成特征向量。由于原始特征向量包含有大量的冗余信息，采用流形學(xué)習(xí)的LLTSA算法對(duì)原始高維向量進(jìn)行降維，然后運(yùn)用Fisher比率分別對(duì)LLTSA降維前后的特征進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明:降維后特征對(duì)分類的貢獻(xiàn)率更大，即LLTSA降維算法能夠在最大程度保留本質(zhì)特征，采用ELCD和LLTSA相結(jié)合的特征分析方法，橫向減振器部分故障工況識(shí)別率更高。
　　3.針對(duì)不同雷達(dá)輻射源由于調(diào)制方式

4、不同和噪聲影響引起瞬時(shí)頻率變化中統(tǒng)計(jì)參數(shù)的差異，開(kāi)展了基于ELCD和流形學(xué)習(xí)的雷達(dá)信號(hào)識(shí)別方法研究。首先，對(duì)輻射源信號(hào)做多重相位差分法求時(shí)頻曲線，并制定調(diào)制識(shí)別的層次決策分類器模型識(shí)別信號(hào)的調(diào)制類型;然后，對(duì)雷達(dá)信號(hào)進(jìn)行ELCD分解并提取Renyi熵，將調(diào)制識(shí)別結(jié)果、Renyi熵和PDW參數(shù)組成特征向量;最后，采用S-ISOMAP降維處理，對(duì)降維后的特征采用SVM分類識(shí)別。實(shí)驗(yàn)表明:1）所提取的特征能有效描述不同信號(hào)的脈內(nèi)調(diào)變規(guī)律，總體