CN107830996A - 一种飞行器舵面系统故障诊断方法 - Google Patents
一种飞行器舵面系统故障诊断方法 Download PDFInfo
- Publication number
- CN107830996A CN107830996A CN201710933387.XA CN201710933387A CN107830996A CN 107830996 A CN107830996 A CN 107830996A CN 201710933387 A CN201710933387 A CN 201710933387A CN 107830996 A CN107830996 A CN 107830996A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- rudder
- munderover
- imf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种飞行器舵面系统故障诊断方法,该方法以飞行器方向舵的正常状态、松浮状态、损伤状态、卡死状态以及反向状态等典型工况下的输出信号为研究对象,首先将采集到的信号进行集合模态经验分解,获得一系列成分简单相对稳定的固有模态函数(IMF)分量和剩余(RES)分量;然后分别计算各阶分量的能量值并以此构成信号特征矢量;最后以此作为输入信息建立基于后验概率的多分类支持向量机,进而判定飞机舵面系统的故障类型。本方法可以有效地应用于舵面系统的故障诊断中,并有较高的准确率。
Description
技术领域
本发明涉及一种飞行器舵面系统故障诊断方法,尤其涉及一种基于EEMD-SVM组合模型的飞行器舵面系统故障诊断方法。
背景技术
飞行器舵面系统是飞行器正常工作的重要部件,频繁的控制任务使舵面的执行机构成为最容易发生故障的部分,而执行机构性能的改变直接影响飞行控制策略以及控制指令,影响操纵者的分析和决策,因此对舵面系统的故障进行及时的检测和诊断就显得非常重要。舵面执行机构常见的故障类型主要有结构性损伤、飞车饱和、卡死、损伤(部分失效)、松浮、反向、噪声干扰等,其发生故障后,会给系统的输出带来附加扰动和不确定性,导致非平稳输出信号在时域和频域上的变化。
目前飞行器故障诊断主要有两种方法,一种是将D-S算法和神经网络信息融合技术对输出信息进行融合,用于舵面的损伤状态检测,但该方法利用模式匹配只能分析相同模式的损伤程度,对没有经过学习训练的样本不具有很好识别能力。另外一种利用小波包分析和支持向量机相结合的方法,对舵面执行机构的结构性损伤进行特征提取和识别诊断,但是其利用小波包分析提取到的不同频段的能量特征明显集中在高频噪声区,而且小波包分析更加适合于频率信息丰富的振动信号,对低频输出信号的区分不十分明显,尤其是难以识别执行机构的正常状态和损伤状态。
发明内容
发明目的:本发明针对上述背景技术的不足,提供了一种基于EEMD-SVM组合模型的飞行器舵面系统故障诊断方法,能识别执行机构的不同状态。
技术方案:本发明所述的一种飞行器舵面系统故障诊断方法,包括以下步骤:
(1)针对飞行器方向舵的不同状态采集信号;
(2)将采集到的信号进行集合模态经验分解,获得一系列成分简单相对稳定的固有模态函数分量和剩余分量;
(3)分别计算各分量的能量值并以此构成信号特征矢量;
(4)将步骤(3)得到的特征矢量作为输入信息建立基于后验概率的多分类支持向量机,进而判定飞机舵面系统的故障类型。
其中步骤(1)中所述飞行器方向舵的不同状态主要包括正常状态、松浮状态、损伤状态、卡死状态以及反向状态。
所述步骤(2)包括以下步骤:
(21)在原始信号x(t)中多次加入幅值具有均值为0、标准差为常数的白噪声ni(t),则第i次加入高斯白噪声的信号xi(t)为:
xi(t)=x(t)+ni(t);
(22)对xi(t)进行EEMD分解得到IMF分量cij(t)与一个余项ri(t),其中cij(t)表示第i次加入高斯白噪声后分解所得到的第j个IMF;
(23)重复步骤(21)和步骤(22)共N次,将上述对应的IMF进行总体平均,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF为:
其中cj(t)表示对原始信号进行EEMD分解得到的第j个IMF分量,经过EEMD分解的最终结果为:
其中,r(t)为最终的残余分量。
所述步骤(3)包括通过以下公式获得:
其中n为分解后各阶IMF分量中的信号点数,k为IMF分量的数目。
所述步骤(4)包括以下步骤:
(41)建立10个“一对一”的二分类支持向量机(SVM1~SVM10),对于单个二分类器,假设这两种故障类别的标签为y=±1,其对应的特征向量x=[x1,x2,...,xn],其后验概率表示为:
p(y|x)=(p(y)p(x|y))/(p(x));
(42)对于多个分类器的问题,则需要建立多分类器的后验概率组合,假定测试样本x属于第i类,那么其隶属的后验概率为:
式中pij(i,j|x)为二分类器中x隶属于第i类的后验概率,最后利用10个二分类器构建多分类机,然后再利用多分类机输出的后验概率进行组合,得到基于后验概率的多分类机诊断模型。
有益效果:与现有技术相比,本发明的有益效果:1、利用EEMD算法自适应地将信号分解为具有真实意义的本征模态函数,消除了小波包分解对频域划分的不确定性问题,避免了EMD分解的模态混频现象;2、利用基于后验概率的支持向量机分类方法,避免了标准支持向量机绝对的划分,更接近于实际;3、对舵面故障的5种典型工况的识别可以看出,该方法能够不依赖精确的数学模型,仅根据系统的输出信号分析出系统故障类型并达到较高的准确率。
附图说明
图1为本发明诊断方法的流程图;
图2为方向舵输出信号表现形式;
图3为方向舵系统5种状态下的故障特征向量分布;
图4为多分类SVM结构图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
首先建立无人机仿真模型并多次采集其在某高度平飞状态下的方向舵在正常状态、松浮状态、损伤状态、卡死状态以及反向状模式下的输出信号,然后利用EEMD算法对信号数据进行分解,得到一系列对应的IMF分量和一个RES分量,EEMD方法根据信号本身的特点自适应地将不同频段内的固有成分分解到不同的IMF中后,直接计算各模态函数对应信号的分立能量作为特征向量,最后以此作为输入信息建立基于后验概率的多分类支持向量机,进而判定飞机舵面系统的故障类型,其具体诊断过程如图1所示。
图2显示了方向舵系统在正常和几种典型故障模式下的数据表现形式。
多次仿真采样,最终得到无人机方向舵系统在5种状态下的数据各80组,对信号进行EEMD算法分解后,按照步骤(3)提取特征向量;然后随机选取60组样本数据对建立的多分类支持向量机进行训练,并将余下的作为测试样本输入分类机模型进行故障模式识别。
针对核函数直接影响二分类支持向量机的分类效果,本实施例选择RBF核函数:
k(xi,xj)=exp(-||xi-x||2/2σ2)
并利用10折交叉验证算法对所有SVM分类器进行参数寻优保证最终的分类效果。作为对比,这里同时使用基于EMD分解的多分类算法进行仿真,诊断结果如表1所示,该算法能够较好地区分出方向舵系统的状态,验证了算法的有效性。
表1 基于EEMD的多分类模型诊断效果
由表1可以看出,EMD多分类方法的分类效果稍差,这与信号分解出的IMF分量数目不同和模态混叠现象有直接的关系,而利用EEMD多分类法对方向舵信号的分解较为彻底,因而在故障多分类中具有较好的识别效果。
为比较小波包分解-多分类算法和EEMD-多分类分解算法对分类性能的影响,分别随机取不同数量的信号样本进行特征提取和多分类机的训练,然后对剩余测试样本进行识别分类;同时为说明EEMD-多分类算法相比人工神经网络,更加适应小样本分类情况,利用两种算法对同种方法提取的不同样本组的特征向量进行测试识别。最终通过对比仿真得到以下分类结果,如表2所示。
表2 不同诊断算法下的分类性能比较
结果表明,由于输出信号的频谱范围有限,小波包分解-多分类算法不能有效地进行方向舵信号的特征提取,对故障类型的识别效果较差;使用神经网络算法对测试样本的故障类别具有较高的平均识别率,但由于样本数量的限制没法到达很好的效果,而本文采用的EEMD-后验概率的支持向量机分类算法对于小规模样本也有较好的识别效果,从而证明了方法的有效性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种飞行器舵面系统故障诊断方法,其特征在于,包括以下步骤:
(1)针对飞行器方向舵的不同状态采集信号;
(2)将采集到的信号进行集合模态经验分解,获得一系列成分简单相对稳定的固有模态函数分量和剩余分量;
(3)分别计算各分量的能量值并以此构成信号特征矢量;
(4)将步骤(3)得到的特征矢量作为输入信息建立基于后验概率的多分类支持向量机,进而判定飞机舵面系统的故障类型。
2.根据权利要求1所述的一种飞行器舵面系统故障诊断方法,所述步骤(1)中所述飞行器方向舵的不同状态主要包括正常状态、松浮状态、损伤状态、卡死状态以及反向状态。
3.根据权利要求1所述的一种飞行器舵面系统故障诊断方法,其特征在于,所述步骤(2)包括以下步骤:
(21)在原始信号x(t)中多次加入幅值具有均值为0、标准差为常数的白噪声ni(t),则第i次加入高斯白噪声的信号xi(t)为:
xi(t)=x(t)+ni(t);
(22)对xi(t)进行EEMD分解得到IMF分量cij(t)与一个余项ri(t),其中cij(t)表示第i次加入高斯白噪声后分解所得到的第j个IMF;
(23)重复步骤(21)和步骤(22)共N次,将上述对应的IMF进行总体平均,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF为:
<mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中cj(t)表示对原始信号进行EEMD分解得到的第j个IMF分量,经过EEMD分解的最终结果为:
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,r(t)为最终的残余分量。
4.根据权利要求1所述的一种飞行器舵面系统故障诊断方法,其特征在于,所述步骤(3)通过以下公式获得:
<mrow>
<msub>
<mi>E</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mo>&Integral;</mo>
<mo>|</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>T</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>E</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>E</mi>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>E</mi>
<msub>
<mi>s</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>E</mi>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
</msub>
<mo>&rsqb;</mo>
</mrow>
其中n为分解后各阶IMF分量中的信号点数,k为IMF分量的数目。
5.根据权利要求1所述的一种飞行器舵面系统故障诊断方法,其特征在于,所述步骤(4)包括以下步骤:
(41)建立10个“一对一”的二分类支持向量机(SVM1~SVM10),对于单个二分类器,假设这两种故障类别的标签为y=±1,其对应的特征向量x=[x1,x2,...,xn],其后验概率表示为:
p(y|x)=(p(y)p(x|y))/(p(x));
(42)对于多个分类器的问题,则需要建立多分类器的后验概率组合,假定测试样本x属于第i类,那么其隶属的后验概率为:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
式中pij(i,j|x)为二分类器中x隶属于第i类的后验概率,最后利用10个二分类器构建多分类机,然后再利用多分类机输出的后验概率进行组合,得到基于后验概率的多分类机诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933387.XA CN107830996B (zh) | 2017-10-10 | 2017-10-10 | 一种飞行器舵面系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933387.XA CN107830996B (zh) | 2017-10-10 | 2017-10-10 | 一种飞行器舵面系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107830996A true CN107830996A (zh) | 2018-03-23 |
CN107830996B CN107830996B (zh) | 2020-11-03 |
Family
ID=61647529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710933387.XA Active CN107830996B (zh) | 2017-10-10 | 2017-10-10 | 一种飞行器舵面系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107830996B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN111737848A (zh) * | 2020-05-12 | 2020-10-02 | 南京航空航天大学 | 基于时域应变信号分解的起重机械主梁结构裂纹识别方法 |
CN113483764A (zh) * | 2021-07-07 | 2021-10-08 | 哈尔滨工业大学 | 一种基于在线传感的智能飞行器任务路径规划方法 |
CN114313307A (zh) * | 2022-01-26 | 2022-04-12 | 北京北航天宇长鹰无人机科技有限公司 | 一种基于机器学习的无人机的舵面故障报警方法及装置 |
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859146A (zh) * | 2010-07-16 | 2010-10-13 | 哈尔滨工业大学 | 一种基于预测滤波和经验模态分解的卫星故障预测方法 |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
US20170158303A1 (en) * | 2015-12-03 | 2017-06-08 | Oliver Michaelis | Method and apparatus for control of sailing and motor vessels |
CN107036808A (zh) * | 2017-04-11 | 2017-08-11 | 浙江大学 | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 |
-
2017
- 2017-10-10 CN CN201710933387.XA patent/CN107830996B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859146A (zh) * | 2010-07-16 | 2010-10-13 | 哈尔滨工业大学 | 一种基于预测滤波和经验模态分解的卫星故障预测方法 |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
US20170158303A1 (en) * | 2015-12-03 | 2017-06-08 | Oliver Michaelis | Method and apparatus for control of sailing and motor vessels |
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
CN107036808A (zh) * | 2017-04-11 | 2017-08-11 | 浙江大学 | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
HONGPENG MENG: "Fault Diagnosis Based on Dynamic SVM", 《2016 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE (CGNCC)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN111737848A (zh) * | 2020-05-12 | 2020-10-02 | 南京航空航天大学 | 基于时域应变信号分解的起重机械主梁结构裂纹识别方法 |
CN113483764A (zh) * | 2021-07-07 | 2021-10-08 | 哈尔滨工业大学 | 一种基于在线传感的智能飞行器任务路径规划方法 |
CN114313307A (zh) * | 2022-01-26 | 2022-04-12 | 北京北航天宇长鹰无人机科技有限公司 | 一种基于机器学习的无人机的舵面故障报警方法及装置 |
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
CN117171681B (zh) * | 2023-11-03 | 2024-01-30 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107830996B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107830996A (zh) | 一种飞行器舵面系统故障诊断方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN104156736B (zh) | 基于sae和idl的极化sar图像分类方法 | |
CN104392071B (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
CN110132598A (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN103489009B (zh) | 基于自适应修正神经网络的模式识别方法 | |
CN107657279A (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
CN106127747A (zh) | 基于深度学习的汽车表面损伤分类方法及装置 | |
CN106971194A (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN107622272A (zh) | 一种图像分类方法及装置 | |
CN109324604A (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN102298646B (zh) | 一种主观文本和客观文本分类方法及装置 | |
CN104794368A (zh) | 基于foa-mksvm的滚动轴承故障分类方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN105354587A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
Uluturk et al. | Recognition of leaves based on morphological features derived from two half-regions | |
CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN103927550B (zh) | 一种手写体数字识别方法及系统 | |
CN107682109A (zh) | 一种适用于无人机通信系统的干扰信号分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |