摘要：为了有效地解决非线性特征提取中存在的鉴别效率和样本外问题,最大限度地保持观测信息,并进一步提高相关方法的降维性能,将核学习的方法应用到判别随机近邻嵌入分析方法中,提出一种核判别随机近邻嵌入分析方法.通过引入核函数,将原空间中的样本映射到高维核空间中,构建了用于反映同类和异类数据间相似度的联合概率表达式;在此基础上,引入线性投影矩阵生成对应子空间数据;最后在类内Kullback-Leiber(KL)散度最小和类间KL散度最大的准则下建立目标泛函.该方法突出了异类样本间的特征差异,使样本变得线性可分,从而提高了分类性能.在COIL-20图像库和ORL,Yale经典人脸库上进行实验,验证了文中方法的分类鉴别能力.

摘要：针对轴承故障信号比较微弱的特点,提出了一种基于耦合隐马尔可夫模型(coupled hidden Markov model,简称CHMM)的轴承故障诊断方法。首先,根据轴承传动结构特点,设计能够监测轴承振动状态的传感器网络;其次,通过非线性特征提取方法获取能够反映轴承健康状态的少数关键特征,利用传感信号的矢量量化代替提取其频域微弱特征的方法,可有效提高故障诊断效率和准确率;然后,在多通道信息融合中引入隐马尔可夫模型,采用左右型齐次隐马尔可夫链实现故障诊断;最后,通过对各种轴承故障状态构建其对应的耦合隐马尔可夫模型的方式,实现对轴承故障类型的辨识。试验结果表明,该方法能够有效地实现对轴承故障类型的识别。

摘要：针对发动机复合故障具有非线性和重叠性特征,使故障诊断精度过低的问题,引入了一种有监督的局部切空间变换(SLTSA)特征提取,结合支持向量机分类器的故障诊断算法。并且给出了影响SLTSA算法性能的降维维数、近邻数和监督参数选取原则,利用人工智能的方法对参数组合进行优化选取。仿真结果表明,SLTSA算法能够有效的提取发动机复合故障中反映故障的非线性特征,提高故障诊断的精度,达到95.46%。该方法能有效提取发动机复合故障特征,为准确的诊断故障提供依据。