基于LCD與流形學習的監(jiān)測數(shù)據(jù)分析研究.pdf

1、隨著計算機技術與人工智能的發(fā)展，特征提取作為完整模式識別系統(tǒng)中的重要環(huán)節(jié)，已引起越來越多的重視。在面對高復雜度、非平穩(wěn)信號時，選擇合適的特征識別方法是能否挖掘有效信息的關鍵。由于提取到的高維特征空間中存在著相關性和冗余信息，利用流形學習這種非線性降維的機器學習方法可以達到維數(shù)簡約的目的，挖掘原始數(shù)據(jù)的內(nèi)在本質(zhì)，實現(xiàn)數(shù)據(jù)的可視化。本文以列車走行部故障診斷與雷達輻射源信號識別為背景，探討特征提取與降維在基于監(jiān)測數(shù)據(jù)的信號處理領域的應用，并開

2、展了以下研究工作:
　　1.論文采用局部特征尺度分解(LCD)與信息熵結合的特征提取方法，以軸承故障標準數(shù)據(jù)集為研究對象，對信號數(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LCD分解方法的不足，提出一種利用噪聲輔助改進的集合局部特征尺度分解(ELCD)方法，仿真驗證改進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，采用流形學習的LLTSA算法對原始高維向量進行降維，然后運用Fisher比率分別對LLTSA降維前后的特征進行評價。實驗結果表明:降維后特征對分類的貢獻率更大，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相結合的特征分析方法，橫向減振器部分故障工況識別率更高。
　　3.針對不同雷達輻射源由于調(diào)制方式

4、不同和噪聲影響引起瞬時頻率變化中統(tǒng)計參數(shù)的差異，開展了基于ELCD和流形學習的雷達信號識別方法研究。首先，對輻射源信號做多重相位差分法求時頻曲線，并制定調(diào)制識別的層次決策分類器模型識別信號的調(diào)制類型;然后，對雷達信號進行ELCD分解并提取Renyi熵，將調(diào)制識別結果、Renyi熵和PDW參數(shù)組成特征向量;最后，采用S-ISOMAP降維處理，對降維后的特征采用SVM分類識別。實驗表明:1）所提取的特征能有效描述不同信號的脈內(nèi)調(diào)變規(guī)律，總體