CN108776801A - 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 - Google Patents
一种基于欠定盲源分离的模拟电路早期故障特征提取方法 Download PDFInfo
- Publication number
- CN108776801A CN108776801A CN201810343076.2A CN201810343076A CN108776801A CN 108776801 A CN108776801 A CN 108776801A CN 201810343076 A CN201810343076 A CN 201810343076A CN 108776801 A CN108776801 A CN 108776801A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- analog circuit
- vector
- source
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于欠定盲源分离的模拟电路早期故障特征提取方法,具体步骤如下:(1)针对不同测试电路选择不同的测试节点,并输入相应的测试激励,采集电路测试点信号构成观察信号矩阵X(t);(2)利用短时傅里叶变换将时域的观察信号X(t)转换为时频域信号;(3)在时频域中,通过模糊C均值聚类算法估计出混合矩阵A;(4)利用步骤三得到的混合矩阵A,通过加权最小L1范数法得到源信号在时频域的估计值,再将其转换到时域,得到恢复的源信号S(t);(5)针对步骤四所得的源信号S(t)计算其中每一个源信号的峭度,构成特征向量。本发明可以有效、准确地提取模拟电路早期故障的特征,提高早期故障特征的可辨识度,对后续电路故障诊断具有十分重要的作用。
Description
技术领域
本发明涉及模拟电路早期故障特征提取技术,尤其是涉及一种基于欠定盲源分离的模拟 电路早期故障特征提取方法。
背景技术
随着科学技术的发展,电子系统的结构和功能日趋复杂,电路测试与诊断难度持续增长。 相关资料统计显示,目前数模混合电路在电子设备中的比例已经超过60%,而其中不足20% 的模拟电路出现故障的概率却高达80%,远远超出数字电路发生故障的概率。近年来,伴随 着集成电路技术的快速发展,电路生产和诊断的成本持续上涨。在数模混合集成电路中,仅 仅占集成芯片面积5%左右的模拟电路部分,诊断时间却可以占到整个芯片测试时间的 80~90%,诊断成本更是高达总测试费用的95%。
模拟电路故障一般分为硬故障和软故障,软故障主要是由于元件值与标称值的偏离,导 致电路性能的严重退化。模拟电路早期故障可以被作为是一种弱软故障,此时电路性能开始 下降但尚未完全失效。如果不能及时检测到模拟电路早期故障,性能退化将导致电子系统失 效甚至造成巨大损失,因此对模拟电路早期故障的诊断十分重要。由于受到噪声干扰,模拟 电路早期故障信号具有低幅值、低信噪比的特征。另外实际电路中,可以选择的测试点往往 十分有限,这些因素都导致很难直接从电路测试点采集的信号中提取模拟电路早期故障的特 征。
盲源分离是指在源信号数目和混合过程等先验信息未知的情况下,仅根据观测信号来估 计源信号的过程。利用盲源分离,可以从复杂的测试点信号中分离出源信号,从而更好地提 取模拟电路早期故障的特征。大多数盲源分离方法要求观察信号的数量不少于源信号的数量, 然而在实际的模拟电路早期故障诊断中这一条件很难满足。
发明内容
有鉴于此,本发明提供了一种利用欠定盲源分离算法,对模拟电路早期故障进行特征提 取的方法。通过采集电路测试点信号作为观察信号,利用模糊C均值聚类算法和加权最小L1 范数法,分别估计混合矩阵和恢复源信号,再采用峭度这一特征信息来提取模拟电路早期故 障相应的故障特征。
为达到上述目的,本发明提出了一种基于欠定盲源分离的模拟电路早期故障特征提取方 法,所述方法包括以下步骤:
1)针对不同的测试电路选择不同的测试节点,并根据电路的特性输入相应的测试激励, 使用AD采样设备采集电路测试点信号构成观察信号矩阵X(t);
2)利用短时傅里叶变换(STFT)将时域的观察信号X(t)转换为时频域信号,提高信号 的稀疏性;
3)在时频域中,通过模糊C均值聚类算法估计出混合矩阵A;
4)利用步骤三得到的混合矩阵A,通过加权最小L1范数法得到源信号在时频域的估计 值,再将其转换到时域,得到恢复的源信号S(t);
5)针对步骤四所得的源信号S(t)计算其中每一个源信号的峭度,构成特征向量,从而完 成故障空间到特征空间的映射。
与现有技术相比,本发明的有益效果为:
本发明基于稀疏分量分析的欠定盲源分离算法实现,克服了模拟电路早期故障信号幅值 低、信噪比低的问题。利用模糊C均值聚类算法估计混合矩阵,可以不受观察信号数量的限 制。通过加权最小L1范数法恢复源信号,提高了源信号恢复的准确度。采用峭度作为特征信 息,能够提供电路输出响应非高斯的信息,具有很好的实用性。本发明可以有效、准确地提 取模拟电路早期故障的特征,提高模拟电路早期故障特征的可辨识度,对后续电路故障诊断 具有十分重要的作用。
下面结合附图对本发明作进一步的说明。
附图说明
为了使本发明的目的、优点和技术方案更加清楚,下面将结合附图对本发明的具体实施 方式做进一步详尽的说明,其中:
图1为本发明所述基于欠定盲源分离的模拟电路早期故障特征提取方法流程图;
图2为加权最小L1范数法流程图。
具体实施方式
下面将结合附图对本发明作进一步的详细阐述:
模拟电路早期故障信号具有低幅值、低信噪比的特点,从电路测试点采集的信号往往是 多个未知源信号的混合信号,这些因素导致很难直接从测试点采集的信号中提取早期故障的 特征。盲源分离作为一种信号处理的方法,被广泛应用于状态监测和故障诊断领域。本发明 采用一种基于欠定盲源分离的模拟电路早期故障特征提取方法,将电路测试点采集的信号作 为观察信号,利用模糊C均值聚类算法估计混合矩阵,再用加权最小L1范数法恢复源信号。 然后计算分离出来的源信号的峭度值,从而构成特征向量。以下是具体的实施步骤:
1、针对不同的测试电路选择不同的测试节点,并根据电路的特性输入相应的测试激励, 使用AD采样设备采集电路测试点信号构成观察信号矩阵X(t),信号的混合可以表示成下面 的式子:
X(t)=A×S(t) (1)
其中,X(t)表示m个观察信号构成的矩阵,S(t)表示n个源信号构成的矩阵,A是m×n 的混合矩阵,当m小于n时,源信号分离的过程被称为欠定盲源分离。
2、利用短时傅里叶变换(STFT)将时域的观察信号X(t)转换为时频域信号,提高信号 的稀疏性。短时傅里叶变换(STFT)的表达式如下所示:
X(t,f)=∫x(t)m(τ-t)e-j2πfτdτ (2)
其中,m(τ-t)是窗函数,本发明使用矩形窗,x(t)是时域信号,X(t,f)代表转换后的时 频信号。
3、在时频域中,通过模糊C均值聚类算法估计出混合矩阵A。具体过程为:
(1)在时频域中,计算在每个频率下所有观察信号频率能量的总和E(f),并找出能量 峰值对应的频率fk。能量和E(f)的公式如下所示:
其中,R(Xi(t,f)和I(Xi(t,f)分别代表观察信号的实部和虚部,m为观察信号数目。
(2)利用模糊C均值聚类算法找到观察信号在频率fk下散点图上簇的聚类中心,由这 些簇的中心构造方向向量,作为混合矩阵的一列,最后得到整个混合矩阵A。混合矩阵的列 数代表估计的源信号的个数。模糊C均值聚类算法具体说明如下:
令D={d1,d2,...,dl}为一组待分类的数据集,对数据集中任意一个样本,模糊C均值聚类 算法都会生成一个隶属度向量。令uij=ui(dj)∈[0,1]为隶属度向量中的元素,表示数据集D中 的第j个样本隶属于第i个分类的隶属度。同一类中所有样本的隶属度之和恒为1。模糊C均 值聚类的目标就是最小化下面的目标函数
其中,vi是第i类的聚类中心,w∈[1,∞)是加权指数,所有样本的隶属度向量可以构成一个c×l 的矩阵。聚类中心vi和样本的隶属度uij由下面的式(5)和式(6)分别得到:
4、利用步骤三得到的混合矩阵A,通过加权最小L1范数法得到源信号在时频域的估计 值,再将其转换到时域,得到恢复的源信号S(t)。图2为加权最小L1范数法流程图,以两个 观察信号的情况为例,具体步骤如下:
(1)令ai为混合矩阵A的列向量,x(t)为任一时刻t观察信号合成的向量。用式(7)和式 (8)分别计算观察信号向量x(t)的方向角θ(t)和混合矩阵列向量ai的方向角αi;
θ(t)=arctan(x1(t)/x2(t)) (7)
αi=arctan(a1i/a2i),i=1,...,n (8)
其中,x1(t)、x2(t)、a1i和a2i分别代表x(t)和ai的坐标。
(2)计算方向角θ(t)和αi之间的绝对差Δθ,并将Δθ和阈值γ进行比较以得到合适的向 量x(t)的潜在分解项。阈值γ应该略小于混合矩阵相邻列向量方向角之间的绝对差的最大值。 如果Δθ≤γ,则把对应的列向量ai作为向量x(t)的一个潜在分解项;
(3)向量x(t)所有的潜在分解项为Aj={a1,...,aj|1,...,j∈(1,...,n),j≤n},从Aj中选择两个向量构成矩阵Bk(最多可以构成个),并且只有分别在向量x(t)方向之上和之下的向量组合可以被选用。然后用式(9)计算所有可能解
(4)由式(10)和式(11)分别计算每个可能解S(k)(t)相应的L1范数Jk和加权系数qk;
(5)叠加加权系数qk和可能解S(k)(t)的乘积就可以得到源信号在t时刻的估计值
(6)重复上述步骤(1)到步骤(5)可以得到所有采样时刻源信号的估计值。
5、针对步骤四所得的源信号S(t)计算其中每一个源信号的峭度,构成特征向量,从而完 成故障空间到特征空间的映射。具体过程如下:
峭度又称峰度,是反应随机变量分布的4阶累积量,可以很好地应用于模拟电路故障诊 断方面。峭度可以记做:
Ks=E{s4(t)}-3E2{s2(t)} (13)
电路中元件值偏离正常值越大,电路的非高斯信号峭度的绝对值也越大。
Claims (5)
1.一种基于欠定盲源分离的模拟电路早期故障特征提取方法,其特征在于,包括以下步骤:
步骤一:针对不同的测试电路选择不同的测试节点,并根据电路的特性输入相应的测试激励,使用AD采样设备采集电路测试点信号构成观察信号矩阵X(t);
步骤二:利用短时傅里叶变换(STFT)将时域的观察信号X(t)转换为时频域信号,提高信号的稀疏性;
步骤三:在时频域中,通过模糊C均值聚类算法估计出混合矩阵A;
步骤四:利用步骤三得到的混合矩阵A,通过加权最小L1范数法得到源信号在时频域的估计值,再将其转换到时域,得到恢复的源信号S(t);
步骤五:针对步骤四所得的源信号S(t)计算其中每一个源信号的峭度,构成特征向量,从而完成故障空间到特征空间的映射。
2.根据权利要求1所述的一种基于欠定盲源分离的模拟电路早期故障特征提取方法,其特征在于:所述步骤二的具体过程为:
从电路测试点采集的信号需要通过短时傅里叶变换(STFT)提高信号的稀疏性,以便进行欠定盲源分离,短时傅里叶变换(STFT)可以表示为X(t,f)=∫x(t)m(τ-t)e-j2πfτdτ,其中,m(τ-t)是窗函数,本发明使用矩形窗,x(t)是时域信号,X(t,f)代表转换后的时频信号。
3.根据权利要求1所述的一种基于欠定盲源分离的模拟电路早期故障特征提取方法,其特征在于:所述步骤三的具体过程为:
(1)在时频域中,计算在每个频率下所有观察信号频率能量的总和E(f),并找出能量峰值对应的频率fk,能量和E(f)的公式如下所示:
其中,R(Xi(t,f)和I(Xi(t,f)分别代表观察信号的实部和虚部,m为观察信号数目;
(2)利用模糊C均值聚类算法找到观察信号在频率fk下散点图上簇的聚类中心,由这些簇的中心构造方向向量,作为混合矩阵的一列,最后得到整个混合矩阵A。
4.根据权利要求1所述的一种基于欠定盲源分离的模拟电路早期故障特征提取方法,其特征在于:所述步骤四的具体过程为:
(1)分别计算观察信号向量x(t)的方向角θ(t)和混合矩阵列向量ai的方向角αi;
(2)计算方向角θ(t)和αi之间的绝对差Δθ,令阈值γ应该略小于混合矩阵相邻列向量方向角之间绝对差的最大值,如果Δθ≤γ,则把对应的列向量ai作为向量x(t)的一个潜在分解项;
(3)从所有潜在分解项中选择分别在向量x(t)方向之上和之下的向量组合构成矩阵Bk,然后计算所有可能解
(4)由式(2)和式(3)分别计算每个可能解S(k)(t)相应的L1范数Jk和加权系数qk;
(5)叠加加权系数qk和可能解S(k)(t)的乘积就可以得到源信号在t时刻的估计值重复(1)到(5)可以得到所有采样时刻源信号的估计值。
5.根据权利要求1所述的一种基于欠定盲源分离的模拟电路早期故障特征提取方法,其特征在于:所述步骤五的具体过程为:
计算分离出来的源信号的峭度Ks=E{s4(t)}-3E2{s2(t)},构成模拟电路早期故障的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343076.2A CN108776801A (zh) | 2018-04-17 | 2018-04-17 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343076.2A CN108776801A (zh) | 2018-04-17 | 2018-04-17 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108776801A true CN108776801A (zh) | 2018-11-09 |
Family
ID=64033958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810343076.2A Pending CN108776801A (zh) | 2018-04-17 | 2018-04-17 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108776801A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN110487911A (zh) * | 2019-08-19 | 2019-11-22 | 重庆大学 | 基于盲源分离的压力容器声发射信号检测的方法 |
CN111241904A (zh) * | 2019-11-04 | 2020-06-05 | 北京理工大学 | 一种基于盲源分离技术的欠定情况下运行模态识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN101533068A (zh) * | 2009-04-08 | 2009-09-16 | 南京航空航天大学 | 基于dagsvc的模拟电路故障诊断方法 |
CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
CN104007234A (zh) * | 2014-05-16 | 2014-08-27 | 重庆大学 | 一种基于欠定盲源分离的混合气体成分识别方法 |
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CN104215456A (zh) * | 2014-08-20 | 2014-12-17 | 昆明理工大学 | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN106096562A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
CN107301434A (zh) * | 2017-07-28 | 2017-10-27 | 西安交通大学 | 基于同步压缩短时傅里叶变换的盲分离混合矩阵估计方法 |
-
2018
- 2018-04-17 CN CN201810343076.2A patent/CN108776801A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN101533068A (zh) * | 2009-04-08 | 2009-09-16 | 南京航空航天大学 | 基于dagsvc的模拟电路故障诊断方法 |
CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
CN104007234A (zh) * | 2014-05-16 | 2014-08-27 | 重庆大学 | 一种基于欠定盲源分离的混合气体成分识别方法 |
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CN104215456A (zh) * | 2014-08-20 | 2014-12-17 | 昆明理工大学 | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN106096562A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
CN107301434A (zh) * | 2017-07-28 | 2017-10-27 | 西安交通大学 | 基于同步压缩短时傅里叶变换的盲分离混合矩阵估计方法 |
Non-Patent Citations (5)
Title |
---|
HAIJIAN ZHANG等: "Estimation of underdetermined mixingmatrix with unknown number of overlapped sources in short-time Fourier transform domain", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
KAN LIFENG等: "Improved frequency domain blind deconvolution algorithm in acoustic fault feature extraction of bearing", 《2016 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》 * |
吴军彪等: "基于盲源分离技术的故障特征信号分离方法", 《机械强度》 * |
宋知用编著: "《MATLAB数字信号处理85个实用案例精讲 入门到进阶》", 30 November 2016, 北京航空航天大学出版社 * |
李宏坤: "利用稀疏盲源分离方法的叶片裂纹特征提取", 《振动工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN109656738B (zh) * | 2018-11-28 | 2021-01-15 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN110487911A (zh) * | 2019-08-19 | 2019-11-22 | 重庆大学 | 基于盲源分离的压力容器声发射信号检测的方法 |
CN111241904A (zh) * | 2019-11-04 | 2020-06-05 | 北京理工大学 | 一种基于盲源分离技术的欠定情况下运行模态识别方法 |
CN111241904B (zh) * | 2019-11-04 | 2021-09-17 | 北京理工大学 | 一种基于盲源分离技术的欠定情况下运行模态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10539613B2 (en) | Analog circuit fault diagnosis method using single testable node | |
EP3696566A1 (en) | System and method for identification of an airborne object | |
Guo et al. | AEnet: Automatic picking of P-wave first arrivals using deep learning | |
CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
Dong et al. | Discriminant models of blasts and seismic events in mine seismology | |
CN107727395B (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
Zanetti et al. | Rayleigh-rice mixture parameter estimation via EM algorithm for change detection in multispectral images | |
CN106896306B (zh) | 一种gis振荡冲击耐压试验用信号去噪方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN109858509A (zh) | 基于多层随机神经网络单分类器异常检测方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN108776801A (zh) | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN103617427A (zh) | 极化sar图像分类方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
Delaunoy et al. | Lightning-fast gravitational wave parameter inference through neural amortization | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
CN103455825B (zh) | 基于邻域聚类核的sar图像变化检测方法 | |
CN110738259B (zh) | 一种基于Deep DPCA-SVM的故障检测方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 | |
CN113920375A (zh) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 | |
CN102194106A (zh) | 一种用于门禁系统中的人脸识别方法 | |
CN106908774A (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN102445650B (zh) | 基于盲信号分离算法的电路故障诊断方法 |
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 |