一、复合ICA-SVM机械状态模式分类（论文文献综述）
张龙,彭小明,熊国良,王良,黄婧,胡俊锋[1]（2021）在《基于MSE与PSO-SVM的机车轮对轴承智能诊断方法》文中研究表明针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵（Multiscale Entropy,MSE）和粒子群优化支持向量机（PSO-SVM）的机车轮对轴承故障识别方法。计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度。收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本。实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵（Multiscale Approximate Entropy,MAE）和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM。本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法。
王瑞琦[2]（2020）在《基于深度特征提取的间歇过程微小故障诊断方法研究》文中进行了进一步梳理随着现代工业发展,作为其组成部分之一的间歇过程在现代工业中所占地位越来越重要,实现间歇过程精确有效的故障诊断对于提高产品质量、保证生产安全至关重要。微小故障具有幅值低,易被噪声掩盖,极难被检测与诊断等特点,广泛存在于间歇过程的工业生产中,一个行之有效的间歇过程微小故障诊断方法在现代显得十分重要。针对间歇过程微小故障数据的强非线性、高维性、幅值小和易被噪声掩盖等特性,本文提出基于深度特征提取与机器学习方法结合的智能故障诊断模型。本论文主要内容如下:（1）基于机器学习方法的间歇过程微小故障诊断针对间歇过程微小故障数据的强非线性,高维性以及幅值低,易被噪声掩盖,难以诊断等特性,分析传统统计建模监测方法的不足,将适用于非线性问题的机器学习方法SVM,ELM,ANN引入间歇过程微小故障诊断中,建立基于机器学习方法的故障诊断模型,利用青霉素发酵过程数据进行验证,为后续研究做铺垫。（2）基于KECA特征提取与IGWO-KELM的间歇过程微小故障诊断方法在单一机器学习方法效果不佳的前提下,提出智能特征提取方法结合机器学习方法的故障诊断模型。通过使用KECA算法进行数据的特征提取,获得关键特征;选择KELM作为分类器,使用改进后的GWO算法在KELM模型训练过程中进行智能参数选择,在多个阶段建立最优故障诊断模型,在青霉素发酵数据上验证方法的可行性。（3）基于深层时序特征的间歇过程微小故障诊断方法针对间歇过程数据在本质上是一种多变量时间序列的特点,改进特征提取方法,选择对时间序列具有优秀处理能力的LSTM网络作为特征提取方法,结合AE网络进行改进,使网络具有数据去噪与更深层次的特征提取能力,在网络的特征输出端使用Softmax函数进行分类,利用青霉素发酵数据进行验证,证明基于深层时序特征提取方法的有效性与优越性。（4）基于时空融合特征的间歇过程微小故障诊断方法为深入探究深度学习方法在间歇过程微小故障诊断中的应用,获得效果更佳的诊断模型,综合考虑间歇过程数据所具有的单变量时序特性与多变量耦合的空间特性,引入LSTM网络对其进行时间维度上的特征提取,结合CNN网络在空间维度上进行特征提取,两个网络并行运算并在输出端通过一个卷积核融合层进行智能融合,提出基于时空融合特征的间歇过程微小故障诊断模型,为间歇过程微小故障诊断提供了一种可行且具有研究意义的方法。
王妍[3]（2019）在《基于声发射技术的航空发动机冲击物智能识别方法研究》文中研究表明航空发动机作为提供飞行动力的核心部件,长时间工作在自然环境中,容易遭受外来物冲击,在遭受外来物冲击后,需要根据损伤程度不同制定维修计划。为了节约成本和提高效率,需要借助在线状态监测方法和智能识别手段对冲击物类型进行识别,根据冲击物类型采取应对措施,避免事故的产生。针对航空发动机在遭受冲击时,局部结构会出现早期损伤的特点,本文提出使用声发射监测手段进行冲击信号的实时监测。以平板冲击实验和某型真实发动机一级动叶的冲击实验为基础,结合支持向量机和神经网络等智能识别手段,开展了航空发动机冲击物识别的研究。并且针对不同样本数据的特点,对智能识别模型的参数进行优化,以提高冲击物类型的识别精度。通过实验发现,利用声发射特征参数和信号的时、频域参数可以在一定程度上识别冲击物类型。平板实验中,发现不同冲击物激发的信号特征差别较大,应用独立元分析方法优化支持向量机的输入矩阵,经过交叉验证优化参数,冲击物识别的正确率可达80%。航空发动机实验中,发现由于航空发动机结构复杂,难以提取声发射信号的独立成分,故采用粒子群算法对支持向量机的参数进行优化,冲击物识别的正确率达到64.7%。为进一步提高冲击物识别精度,提出基于径向基函数的神经网络冲击物识别方法,识别正确率可达98.1%,可作为航空发动机冲击物类型的判别依据。对比两种冲击物智能识别模型,为航空发动机冲击物的识别提供了数据支持,为智能识别方法的优化提供了新思路,为建立航空发动机在线故障诊断云平台提供了新思路。
吕宏政,陈仁文,张祥,崔雨川[4]（2019）在《基于VMD交叉样本熵的旋翼桨叶故障诊断方法》文中提出针对旋翼桨叶常见的故障类型,提出了一种新的故障诊断模型。该模型首先对经无线测控系统采集的加速度信号进行变分模态分解,得到一系列不同频段上的模态分量。随后计算相同模态,不同传感器之间的交叉样本熵,最后将交叉样本熵作为特征向量代入经帝国竞争算法优化的支持向量机中进行故障分类。实验结果表明,基于交叉样本熵的特征具有较高的区分度,采用该模型对不同位置、不同大小的故障进行诊断时,总分类精度为98.67%,证明了提出的故障诊断模型的有效性。
袁浩东[5]（2018）在《基于稀疏表征及字典学习的故障诊断方法研究》文中研究指明随着科学技术的飞速发展,现代机械设备越来越大型化、高速化、重载化和智能化,而这些设备的运行工况却越来越复杂和苛刻,因此要求其具有很高的运行可靠性。如果机械设备中某些关键部件发生了故障,不但会造成企业和国家的巨大经济损失,严重时甚至会导致人员伤亡和环境污染并造成恶劣的社会影响。因此机械设备的状态监测和故障诊断对保障企业的经济效益和工人的安全意义重大。本文以稀疏表征理论和字典学习方法为基础,以滚动轴承、齿轮和转子等旋转机械关键零部件为研究对象,其中字典学习方法以K-SVD算法为基础,围绕着基于K-SVD算法的字典学习以及稀疏表征方法开展了四个方面的研究:基于移不变K-SVD字典学习的微弱故障特征提取;基于移不变K-SVD字典学习的单通道复合故障分析;基于K-SVD和改进LLC算法的局部约束稀疏特征提取;基于时频图像和K-SVD判别式字典学习的智能诊断。本文的主要研究内容如下所示:（1）针对信号中存在周期性重复出现的特征模式的问题,提出了一种基于移不变K-SVD字典学习的机械故障信号特征提取方法。该方法主要包括两大步即多个故障特征模式学习和最优潜在成分的选择,能够有效地提取出机械故障信号中周期性重复出现的故障特征。通过仿真和实验分析,并与基于K-SVD字典学习和小波字典匹配追踪的信号特征提取方法进行了对比,验证了所述方法的有效性。（2）针对机械复合故障,提出了一种基于移不变K-SVD字典学习和自适应聚类的单通道盲源分离方法。该方法先用移不变K-SVD字典学习方法对单通道复合故障信号进行自适应学习得到一组基函数及对应的潜在成分,然后根据潜在成分的结构相似性进行聚类分析并使用最小类类间相关系数均值来确定最佳聚类数目,最终实现不同故障源信号的分离。通过滚动轴承复合故障的仿真和实验分析,验证了该方法的有效性。（3）为了使不同状态信号具有更好的可区分性,从而提高故障诊断准确率,在局部约束线性编码（LLC）算法的基础上,提出了一种基于K-SVD字典学习和改进LLC稀疏编码的局部约束稀疏特征提取方法。该方法首先使用时域和频域等特征提取方法提取机械振动信号的特征并将其作为初始特征,之后进行每类K-SVD字典学习获得包含各个状态类别的过完备字典,然后利用改进LLC算法得到基于改进LLC稀疏编码的局部约束稀疏特征,最后将改进LLC稀疏编码作为特征向量,利用改进PSO算法优化的SVM对机械故障进行诊断。通过滚动轴承单一故障和复合故障试验,对所述方法的可行性和有效性进行了验证。（4）机械振动信号的时频图蕴含着丰富的特征信息,为实现时频特征的自动分类识别,提出了一种基于机械振动信号时频图和判别式字典学习的故障诊断方法。该方法首先对机械振动信号进行小波变换以获得小波时频图,然后采用灰度共生矩阵提取小波时频图的纹理特征,最后利用基于判别式K-SVD字典学习的标签一致K-SVD（LC-KSVD）算法实现故障的智能诊断。通过滚动轴承故障和转子故障的诊断,验证了该方法的有效性。
俞啸[6]（2017）在《数据驱动的滚动轴承故障特征分析与诊断方法研究》文中研究表明滚动轴承作为旋转机械设备的关键部件,一旦发生故障会严重影响机械设备的安全稳定运行。振动信号的时频分析是实现滚动轴承故障特征分析的有效手段,但经时频分析得到的初始特征集中存在冗余和干扰信息,需要从中选取出故障状态敏感的特征;信号特征空间维数较高,需要利用降维方法得到状态表达能力更强的低维特征空间;传统模式识别方法难以适应高维特征空间与状态空间之间复杂的映射关系,深度学习方法具有高维特征自适应分析能力,适合于故障状态高维特征空间的智能分析,相关的应用研究处于起步阶段。针对以上问题开展研究工作。（1）研究基于集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）的振动信号时频分析方法,利用EEMD将振动信号分解为本征模态函数（Intrinsic Mode Function,IMF）,获取振动信号的希尔伯特边际谱（Hilbert marginal spectrum,HMS）,HMS中蕴涵了振动信号的频率分布情况,提出将HMS作为故障诊断模型的初始特征。为了减少HMS中的冗余和干扰信息,降低输入空间维数,提出基于滑动窗口和兰德指数的HMS故障状态特征频率带提取方法WMSC（Window Marginal Spectrum Clustering）,完成HMS中敏感故障特征频率带的选取。建立基于SVM的滚动轴承故障诊断模型HMS-WMSC-SVM,轴承故障实验台振动信号分析结果表明该模型可以获得较高的轴承故障状态识别准确率,并且具有较强的噪声抑制能力。（2）进一步研究振动信号EEMD分析方法,针对IMFs、Hilbert包络谱（Hilbert Envelope Spectrum,HES）及HMS信号统计参数,开展故障模式识别方法的研究。提出了基于调整的兰德指数（Adjusted Rand Index,ARI）与标准差（Standard Deviation,STD）的特征选择方法FSASR（Features Selection by Adjusted Rand Index and Standard Deviation Ratio）,FSASR采用ARI与STD的比值作为统计参数状态敏感度评价指标,实现统计参数故障状态敏感度的量化分析。针对高维特征空间的数据冗余问题,在LFDA（Local Fisher Discriminant Analysis,LFDA）方法的基础上提出了一种支撑边界局部Fisher判别分析（SM-LFDA）方法,使得高维统计特征空间的低维映射具备更高的故障状态表达能力。结合支持向量机（Support Vector Machine,SVM）、K最近邻算法（K-Nearest Neighbor,KNN）、集成方法（Ensemble Method）三种常用的模式识别方法,建立滚动轴承故障诊断模型,轴承故障实验台振动信号分析结果表明FSASR方法能够有效筛选出故障敏感特征,SM-LFDA方法可以提高基于EEMD的故障诊断模型状态识别准确率。（3）研究基于最大重叠离散小波包变换（Maximum overlap discrete wavelet package transform,MODWPT）的振动信号时频分析方法,对MODWPT分解后的小波包节点进行单支重构,得到不同频率范围的重构信号,计算单支重构信号及其HES的统计参数作为故障状态的初始特征,利用提出的FSASR方法完成故障敏感特征的选取。研究无监督流行学习方法邻域保持嵌入（Neighborhood preserving embedding,NPE）,提出加入类别信息的监督NPE方法SNPEL,在此基础,结合SVM、KNN和EM三种模式识别方法,建立滚动轴承故障诊断模型。实验结果进一步表明了FSASR方法能够有效筛选出故障敏感特征,SNPEL方法可以提高基于MODWPT的故障诊断模型状态识别准确率。（4）通过多种降维方法与模式识别方法的实验分析可知,降维方法可以得到高维特征空间的低维表示,模式识别方法可以实现故障状态的判识,但是不同的降维方法和模式识别方法对不同类型的特征空间分析能力表现不一。利用深度学习方法在高维数据处理和非线性数据分析方面的优势,研究基于深度置信网络（Deep Belief Networks,DBN）的故障状态识别方法,在基于EEMD和MODWPT的振动信号分析、统计参数分析及敏感特征选取方法FSASR的基础上,分别建立EEMD-FSASR-DBN和MODWPT-FSASR-DBN故障状态识别模型。实验分析结果表明基于DBN的滚动轴承故障诊断模型可以有效提高故障状态识别准确率,并且对FSASR方法适应能力较强。综上所述,本文提出了WMSC和FSASR方法,以减少时频分析后的初始特征空间中的干扰和冗余信息;提出了SM-LDA和SNPEL方法,以提升低维映射空间的状态表达能力;建立基于DBN的故障状态识别模型,提高模式识别方法对特征空间的适应能力,形成了完整的基于数据驱动的滚动轴承故障特征分析与诊断方法体系。实验分析结果表明,本文提出的方法可以有效提高故障状态识别准确率,并具有较强的适应能力。
吕景伟[7]（2016）在《基于ICA-SVM模型的水泥磨机减速机故障诊断研究》文中进行了进一步梳理粉磨系统在“三磨一烧”的水泥的生产过程中占有非常重要的地位,立式辊磨机（以下简称立磨）集破碎、粉磨、烘干于一体,是一种综合性很高的粉磨装置,因其流程简单、能耗低、占地少、粉磨效率高等优点,目前被广泛地应用于现代新型干法水泥生产线上。减速机不仅是立磨的动力传递单元还是物料、磨盘、辊磨的支撑体,因其长期工作在高温、多尘、重载、大转矩、强冲击的环境下,发生故障的概率较高。为了保证设备安全、稳定、高效地运行,有必要对磨机减速机的故障诊断进行研究。基于以上目的,本文以立磨减速机为研究对象,以“特征提取—模式分类”的诊断方法为工具,以实现减速机故障诊断为目标,主要进行以下工作:（1）阐述研究立磨减速机故障诊断的意义;了解与立磨减速机故障诊断相关领域的研究现状及发展方向,综合分析对比各种故障诊断方法的优缺点,结合水泥生产线的现场情况选择适合用于减速机故障诊断的方法。（2）研究立磨减速机主要零部件齿轮、轴承、轴的振动机理、振动模型、失效形式及原因和典型故障信号特征。（3）采用独立分量分析（Independent component analysis,ICA）为特征提取的方法。详细的介绍ICA的原理、实现算法、不同情况下的源数估计问题以及基于奇异值的特征提取方法。本文分别在源数估计问题和特征提取方法上提出改进和创新,提出基于邻近奇异值比值的源数估计方法和基于ICA奇异值分解的特征提取方法,实验证明效果很好。（4）选用理论基础比较完善的,基于结构风险最小化而设计的支持向量机（support vector machine,SVM）作为故障识别的分类器,在介绍完SVM的分类原理之后,利用SVM成功的实现不同故障模式下的分类。（5）设计两个实验分别验证“ICA-SVM故障诊断模型”的可行性和推广性,在证明该模型可行性和推广性效果都较好的基础上,在立磨减速机进行试用,试用效果良好。
郭志明[8]（2015）在《基于近红外光谱及成像的苹果品质无损检测方法和装置研究》文中提出我国是世界上最大的苹果生产和消费国,苹果在我国现代农业中占有举足轻重的地位。随着国际贸易竞争的加剧和苹果消费由外观品质转向更注重内部品质的需求,迫切需要产后品质与安全商品化处理技术,特别是快速无损、可在线的检测技术和方法。研究苹果内在品质和安全品质的无损检测方法,开发主要品质指标快速、高精度、无损伤、可在线、智能化的检测系统,对于保障苹果品质、减少产后损失、实现苹果加工增值、增强我国苹果的国际竞争力具有重要意义。本研究以苹果为研究对象,利用近红外光谱分析技术、高光谱成像技术和多信息融合技术对苹果的品质进行快速无损检测研究。从检测机理、关键技术与方法、系统研制三个方面开展研究,论文的主要研究内容如下：1.探析了光在苹果组织中的有效穿透深度和散射分布规律,分析了苹果组织的质地特性。根据研究需要,设计了光传输特性试验平台,研究苹果组织对光的衰减作用以及光在苹果组织散射的分布规律。利用最小二乘拟合的方法计算得出了苹果组织各波长下的有效穿透深度,同时分析了果皮对苹果光穿透深度的影响。采用曲线拟合的方法,解析苹果组织空间分辨的衰减规律,表征光传输散射特性。通过仪器表征的方法量化描述质地特性,结果客观准确,建立了苹果的质地测试方法,分析了质地测试曲线的变化和质地各统计量的含义和计算方法,比较了苹果不同测试部位的质地差异。为苹果品质的无损检测机理和检测系统设计提供理论依据。2.提出了一种高光谱图像的光强度校正方法,建立了苹果各内部品质的高光谱图像预测模型。利用高光谱图像高空间分辨率和光谱分辨率的特性,分析了感兴趣区域形状和大小对苹果品质检测模型的影响。圆形感兴趣区域横向最大选择150个像素点时得到的模型结果最好,校正集和预测集相关系数分别为0.9305和0.9232。针对苹果表面曲率变化引起的高光谱图像的亮度不均,利用提出的光强度校正方法,绘制了苹果可溶性固形物含量的空间分布图,实现品质指标的可视化预测。采用用联合区间偏最小二乘法优选子区间组合的建模方法,比较了可见-短波近红外高光谱图像和长波近红外高光谱图像的预测效果,分别建立了苹果可溶性固形物含量、表皮硬度、果肉平均坚实度和有效酸度等内部品质的分析模型,最优模型的预测相关系数分别为0.9228、0.7543、0.8543和0.8487。感兴趣区域优选、光强度校正方法和波段比较为高光谱成像技术的进一步应用提供方法参考。3.研究将蚁群优化算法启发式全局搜索机制应用于优选特征光谱,建立稳健精简的品质定量分析模型。近红外光谱的特征变量优选是一个组合优化问题,自适应蚁群优化算法的全局性、离散性和概率选择等特点对近红外光谱非常适用。研究尝试利用蚁群算法启发式全局搜索的特点,结合蒙特卡罗轮盘赌随机选择机制,选择苹果可溶性固形物含量的近红外光谱特征波长,然后用偏最小二乘法建立不同产地苹果可溶性固形物含量混合分析模型,以提高近红外光谱预测模型的稳健性和适用性。采用蚁群优化算法选择的22个波数点建立的偏最小二乘模型,其预测集相关系数为0.9708,预测均方根误差为0.5144,与全光谱偏最小二乘模型和遗传偏最小二乘模型相比,蚁群优化算法选择的波长数最少,且模型预测能力最强。研究结果表明,蚁群优化算法可以有效选择近红外光谱特征波长,简化模型,提高计算效率,增强模型的稳健性。4.提出了近红外光谱可溶性固形物含量模型的颜色补偿方法。颜色引起的光谱扰动会引起光谱吸收位置的偏移,进而影响品质预测模型的准确性。本研究提出了苹果可溶性固形物模型的颜色补偿方法,采用特征波长提取和潜变量提取,融合颜色空间参数,建立线性或非线性回归模型。同时比较了短波近红外和长波近红外两个波段可溶性固形物的颜色补偿模型预测效果。对于颜色补偿的可溶性固形物模型,对SWNIR波段,siPLS-SPA、 PCA-ANN和ICA-SVM三种方法建立的颜色补偿模型,预测精度均有显着性提高。对LWNIR波段,颜色补偿对苹果可溶性固形物模型的提升能力有限,预测精度的变化不显着。其中ICA-SVM方法获得了性能最优可溶性固形物的颜色补偿模型,对SWNIR波段,预测集样本相关系数为0.9398,对LWNIR波段,预测集相关系数为0.9455。为保证内部品质检测的精度和稳定性,颜色作为补偿因子可以有效提高品质检测的性能。5.构建了苹果品质近红外漫反射在线检测系统,建立了在线检测模型。采用搭建的苹果品质近红外漫反射在线检测系统,优化采集参数,获取了苹果漫反射光谱。针对在线获取光谱强度的变化,提出光谱强度标准化校正方法。采用遗传算法、连续投影算法和蚁群优化算法等特征变量提取方法分别优化可溶性固形物含量在线检测模型,建立了高效的短波近红外光谱苹果品质在线检测系统。该系统与基于全光谱模型的系统相比较,特征变量提取方法具有可以有效减少建模所用变量数、提高苹果在线可溶性固形物含量检测模型的预测能力和运算速度,增强模型稳健性的优点。蚁群优化算法建立的苹果在线检测模型最优,模型的预测集相关系数和预测均方根误差分别为0.9358和0.2619。研究结果表明,近红外光谱结合特征变量提取方法可以建立高效的苹果品质在线检测系统,在产业化应用方面具有很好的应用前景。6.建立了苹果内在组分与隐性缺陷的多指标同步检测方法,开发了苹果品质透射光谱在线检测系统。对检测系统软硬件采用模块化设计,通过优化系统参数以提升在线透射光谱质量、降低热损伤和机械损伤、提高检测系统适应性。利用在线获取的透射光谱数据,采用逐步多元线性回归提取特征波长建立了苹果可溶性固形物的在线检测模型,经独立样本集验证,预测相关系数为0.8764,可见建立的苹果可溶性固形物在线模型是可靠的、稳定的；采用线性判别分析建立了苹果腐心病的判别模型,预测时总体识别率为90.14%,可见透射光谱的缺陷在线检测是有效的。研究苹果内在组分和内部隐性缺陷的多指标同步检测方法,为水果品质的无损检测技术和装备提供理论依据和方法参考。本论文为苹果品质的快速无损检测技术与方法提供新的思路,研究成果对推动无损检测技术实用化具有促进作用,对提高我国在水果产业的检测水平有着积极的意义。
谢小敏[9]（2015）在《水下图像分割和典型目标特征提取及识别技术研究》文中研究说明水下图像在军事以及民用领域都有重要的应用,因此开展水下图像特征提取和识别技术研究具有实际价值和意义。水下目标识别过程通常由水下图像预处理、图像分割、特征提取以及目标识别四部分组成。对于水下光学视觉系统,由于水体对光的吸收以及散射效应,导致获得的图像出现对比度低、噪声严重、灰度不均等现象,这些极大影响了后续的图像分割以及特征提取目标识别等工作。水下典型特征的目标一般是人造目标,如水雷、鱼雷、潜艇及管道等,纹理特征比较弱,但具有典型的形状特征。本文以基于活动轮廓模型的图像分割方法以及支持向量机的分类器设计为主要研究内容,以具有典型特征的水下人造目标为研究对象,围绕水下图像预处理、图像分割、特征提取以及分类器设计等方面进行研究,开展的工作和取得的成果主要有以下几个方面:（1）介绍了光学视觉识别系统模型及水下成像特点,比较并选择适用于水下图像增强以及滤波算法:针对水下图像出现光照不均问题,利用去除背景的校正方法以及自适应直方图方法进行校正可以取得好的效果,采用灰度变换提高图像对比度;针对水下图像受噪声影响质量下降的情况,采用自适应字典学习的K-SVD算法可以有效去除图像噪声,同时保护好目标细节特征。（2）基于水平集理论的图像目标分割方法研究:提出一种指定目标分割的活动轮廓模型,该模型的能量泛函仅利用了演化曲线内部的统计信息特征,因而能够提取出具有和初始曲线指定的目标同灰度的同类目标;针对经典CV模型易受噪声影响的特点,提出一种基于局部区域活动轮廓模型的水平集方法,利用像素点所在邻域的平均灰度值来代替该像素点的灰度值,以局部灰度均值与全局灰度均值之间的差异建立能量泛函,通过水平集方法并采用高斯平滑方法进行规则化以避免其重新初始化,同时将二相模型扩展至多相模型以分割多目标;针对水下图像等易出现灰度不均的现象以及改善LIF模型对初始曲线的鲁棒性,将局部灰度信息与全局灰度信息加权组合构建混合信息的拟合图像,以其与原始图像之间的差异建立能量泛函,新模型既能够有效的分割灰度不均图像,且不依赖于初始轮廓曲线又对噪声具有良好的鲁棒性。（3）水下典型目标特征提取技术研究:针对水下典型目标的形状特征构造了具有平移、缩放和旋转不变性的组合矩,由基于区域的NMI、改进的Hu相对矩以及仿射不变矩组成;引入主成分分析法以及独立成分分析法消除形状特征向量信息间的冗余,实现特征降维与优化;利用Solidworks软件仿真两组四类目标,一组是四类具有简单形状的椭球、圆柱、球以及立方体,另一组为复杂的潜艇、鱼雷、水雷以及立方体模型,通过不同视角、方位得到目标剪影图像,仿真结果验证了组合不变矩对形状特征的处理能力以及PCA/ICA方法的特征选择优化能力。（4）基于支持向量机的目标识别技术研究:针对规则化双投影支持向量机（RPTSVM）中判别与训练不一致的情况,提出一种改进的双投影支持向量机（IPTSVM）,并将其扩展至非线性模型;利用递归方法寻找多个投影轴可以进一步强化本文模型的性能;引入高效的双坐标下降法求解相应的对偶方程以提高效率;仿真实验结果说明本文模型较经典的双子支持向量机（TWSVM）、非平行平面支持向量机（NHSVM）、RPTSVM方法在大多数样本的分类性能较好,应用至水下目标的仿真数据也验证了其作为识别系统分类器的有效性。（5）水下典型目标特征识别系统实验研究:建立水下典型特征目标识别系统的硬件平台,在LabVIEW IMAQ VISON以及Matlab软件开发环境下编写目标识别软件;通过水池实验,利用摄像机获取四类不同形状特征的目标样本图像验证图像预处理中的增强算法性能,基于K-SVD算法的去噪能力、三种基于活动轮廓模型的分割方法、组合矩的特征提取能力以及双投影支持向量机的分类识别能力,实验初步验证了算法的有效性以及系统的可行性。
张志华,梁胜杰,尹曰建,钟强晖[10]（2015）在《基于SVM的双层圆柱壳体机械振动噪声数据特征提取方法比较》文中研究指明鉴于某双层圆柱壳体的机械振动噪声数据结构复杂、维数较高,工程上不宜直接分析,文章提出先对其进行特征提取后再进一步分析的思路,可有效简化数据结构,提高数据分析的准确度。选择工程上常用的主成分分析法（PCA）、核主成分分析法（KPCA）与独立成分分析法（ICA）对文中高维机械振动噪声数据进行特征提取。利用支持向量机（SVM）的分类识别能力,对经特征提取后不同工况下的噪声数据进行分类识别。依据正确识别率大小比较三种方法的特征提取效果,以选择针对某双层圆柱壳体机械振动噪声数据合适的特征提取方法。结论可为深入分析某双层圆柱壳体机械振动噪声数据的规律特点打下良好基础。
二、复合ICA-SVM机械状态模式分类（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、复合ICA-SVM机械状态模式分类（论文提纲范文）
（1）基于MSE与PSO-SVM的机车轮对轴承智能诊断方法（论文提纲范文）
| 1 多尺度熵(MSE) |
| 1.1 样本熵算法 |
| 1.2 多尺度熵算法 |
| 1.3 仿真实验 |
| 2 故障诊断方法模型 |
| 2.1 PSO-SVM算法的实现步骤 |
| 2.2 所提故障诊断方法流程 |
| 3 实验研究 |
| 3.1 实验数据来源与介绍 |
| 3.2 特征提取 |
| 3.3 PSO-SVM建立和训练 |
| 3.4 方法对比 |
| 4 结论 |
（2）基于深度特征提取的间歇过程微小故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 间歇过程故障诊断研究现状 |
| 1.2.2 微小故障诊断方法研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 间歇过程研究对象以及机器学习方法的应用 |
| 2.1 引言 |
| 2.2 青霉素发酵过程与软件仿真 |
| 2.3 机器学习方法简介 |
| 2.3.1 支持向量机 |
| 2.3.2 极限学习机及其改进 |
| 2.3.3 人工神经网络 |
| 2.4 基于机器学习方法的间歇过程微小故障诊断研究 |
| 2.4.1 数据来源 |
| 2.4.2 仿真实验 |
| 2.5 本章小结 |
| 第3章 基于KECA特征提取与IGWO-KELM的间歇过程微小故障诊断 |
| 3.1 引言 |
| 3.2 基于核熵成分分析的特征提取 |
| 3.3 基于KECA-IGWO-KELM的诊断模型 |
| 3.3.1 灰狼优化算法原理 |
| 3.3.2 算法的不足与改进 |
| 3.3.3 构建故障诊断模型 |
| 3.4 模型仿真实验研究 |
| 3.4.1 数据预处理 |
| 3.4.2 模型有效性验证 |
| 3.4.3 模型对比验证 |
| 3.5 本章小结 |
| 第4章 基于深层时序特征提取的间歇过程微小故障诊断 |
| 4.1 引言 |
| 4.2 自编码网络与长短期记忆网络 |
| 4.2.1 自编码网络及其变体 |
| 4.2.2 长短期记忆网络 |
| 4.3 基于DAE-LSTM-SAE的深层时序特征提取模型 |
| 4.4 模型仿真实验研究 |
| 4.4.1 数据来源 |
| 4.4.2 模型有效性验证 |
| 4.4.3 模型优化研究 |
| 4.4.4 模型稳定性研究 |
| 4.4.5 对比实验验证 |
| 4.5 本章小结 |
| 第5章 基于时空融合特征提取的间歇过程微小故障诊断 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 卷积层 |
| 5.2.2 池化层 |
| 5.3 基于时空融合特征的模型搭建 |
| 5.4 模型仿真实验研究 |
| 5.4.1 模型优化研究 |
| 5.4.2 模型稳定性分析 |
| 5.4.3 对比实验验证 |
| 5.5 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
（3）基于声发射技术的航空发动机冲击物智能识别方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题来源及主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 1.3.3 论文结构安排 |
| 第二章 基于声发射的冲击物信号检测技术研究 |
| 2.1 冲击实验所用声发射监测系统的研究 |
| 2.2 识别外来冲击物声发射分析方法研究 |
| 2.2.1 声发射信号的类型 |
| 2.2.2 声发射信号的特征参数 |
| 2.2.3 声发射波的传播 |
| 2.3 冲击产生的AE信号处理方法研究 |
| 2.3.1 冲击产生AE信号的时域分析 |
| 2.3.2 冲击产生声发射信号的频谱分析 |
| 2.4 人工智能识别方法技术基础 |
| 2.4.1 径向基函数神经网络 |
| 2.4.2 支持向量机方法 |
| 2.4.3 独立成分分析 |
| 2.5 本章小结 |
| 第三章 基于声发射的外物冲击平板识别方法研究 |
| 3.1 基于声发射监测的平板冲击实验 |
| 3.1.1 冲击物选择方案 |
| 3.1.2 传感器布置方案及参数设置 |
| 3.1.3 传感器的选择 |
| 3.2 时域分析 |
| 3.2.1 平板实验的声发射信号时域波形分析 |
| 3.2.2 平板实验的声发射特征参数分析 |
| 3.3 频谱分析 |
| 3.4 基于ICA-SVM的智能识别分析 |
| 3.4.1 基于ICA的平板冲击信号声发射特征参数提取 |
| 3.4.2 SVM样本训练及测试 |
| 3.5 本章小结 |
| 第四章 基于声发射的外物冲击航空发动机叶片识别方法研究 |
| 4.1 基于声发射监测的航空发动机冲击实验 |
| 4.1.1 冲击物选择方案 |
| 4.1.2 传感器布置方案及参数设置 |
| 4.1.3 传感器的选择 |
| 4.2 时域分析 |
| 4.2.1 航空发动机实验的声发射信号时域波形分析 |
| 4.2.2 航空发动机实验的声发射信号特征参数分析 |
| 4.3 频谱分析 |
| 4.4 基于PSO优化的ICA-SVM的冲击物识别分析 |
| 4.4.1 基于ICA的航空发动机冲击信号声发射特征参数提取 |
| 4.4.2 SVM样本训练及测试 |
| 4.5 基于RBF-NN的航空发动机冲击物识别方法研究 |
| 4.5.1 神经网络的预处理 |
| 4.5.2 RBFNN训练流程 |
| 4.6 SVM与RBFNN的对比 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 全文展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（4）基于VMD交叉样本熵的旋翼桨叶故障诊断方法（论文提纲范文）
| 0 引言 |
| 1 变分模态分解 |
| 2 交叉样本熵 |
| 3 帝国竞争算法优化的SVM |
| 4 旋翼桨叶故障诊断 |
| 5 实验设置与结果分析 |
| 5.1 故障桨叶类型 |
| 5.2 无线测控系统 |
| 5.3 数据处理及结果分析 |
| 6 结论 |
（5）基于稀疏表征及字典学习的故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题来源 |
| 1.1.2 课题意义 |
| 1.2 机械故障诊断国内外研究现状 |
| 1.2.1 机械故障特征提取方法 |
| 1.2.2 机械故障智能诊断方法 |
| 1.3 稀疏表征与字典学习方法及其在机械故障诊断中的应用研究现状 |
| 1.4 主要工作与总体框架 |
| 第二章 信号稀疏表征及字典学习基本理论 |
| 2.1 引言 |
| 2.2 稀疏表征基本理论 |
| 2.2.1 信号稀疏表征 |
| 2.2.2 过完备字典 |
| 2.2.3 稀疏性度量 |
| 2.3 稀疏系数求解算法 |
| 2.3.1 基追踪 |
| 2.3.2 匹配追踪 |
| 2.3.3 正交匹配追踪 |
| 2.4 字典学习算法 |
| 2.4.1 K-means算法 |
| 2.4.2 最大似然估计法 |
| 2.4.3 最佳方向法 |
| 2.4.4 移不变字典学习算法 |
| 2.4.5 K-SVD算法 |
| 2.5 本章小结 |
| 第三章 基于移不变K-SVD字典学习的机械故障信号特征提取 |
| 3.1 引言 |
| 3.2 基于K-SVD字典学习的机械故障特征提取方法 |
| 3.3 基于移不变K-SVD字典学习的机械故障特征提取方法 |
| 3.3.1 移不变K-SVD字典学习算法 |
| 3.3.2 基于移不变K-SVD字典学习的机械故障特征提取方法 |
| 3.4 基于移不变K-SVD字典学习的滚动轴承故障仿真信号分析 |
| 3.4.1 滚动轴承运动特征 |
| 3.4.2 滚动轴承故障模型 |
| 3.4.3 滚动轴承故障仿真信号分析 |
| 3.5 滚动轴承加速疲劳实验 |
| 3.5.1 实验设备 |
| 3.5.2 实验数据分析 |
| 3.6 齿轮故障实验数据分析 |
| 3.7 本章小结 |
| 第四章 基于移不变K-SVD字典学习的单通道复合故障分析 |
| 4.1 引言 |
| 4.2 基于移不变K-SVD字典学习的单通道盲源分离方法 |
| 4.2.1 单通道盲源分离与移不变K-SVD字典学习 |
| 4.2.2 自适应聚类 |
| 4.2.3 算法流程 |
| 4.3 仿真分析 |
| 4.3.1 滚动轴承复合故障仿真分析 |
| 4.3.2 加噪信号分析 |
| 4.4 滚动轴承复合故障实验分析 |
| 4.4.1 实验设备描述 |
| 4.4.2 滚动轴承外圈和内圈复合故障 |
| 4.4.3 滚动轴承外圈和滚动体复合故障 |
| 4.4.4 滚动轴承外圈、内圈和滚动体复合故障 |
| 4.5 本章小结 |
| 第五章 基于改进LLC稀疏编码的局部约束稀疏特征提取 |
| 5.1 引言 |
| 5.2 基于K-SVD字典学习和OMP算法的稀疏编码 |
| 5.2.1 初始特征提取 |
| 5.2.2 基于OMP算法的稀疏编码 |
| 5.3 基于改进LLC算法的稀疏编码 |
| 5.3.1 LLC算法 |
| 5.3.2 基于自适应基数目和加权基的改进LLC算法 |
| 5.4 基于改进LLC稀疏编码和优化SVM的诊断方法 |
| 5.4.1 支持向量机 |
| 5.4.2 基于改进粒子群优化算法优化的SVM |
| 5.4.3 基于改进LLC稀疏编码和优化SVM的诊断流程 |
| 5.5 实验一:滚动轴承单一故障实验 |
| 5.5.1 实验设备描述 |
| 5.5.2 轴承振动信号的时域波形及包络谱 |
| 5.5.3 基于改进LLC稀疏编码的局部约束稀疏特征提取 |
| 5.5.4 诊断结果分析 |
| 5.6 实验二:滚动轴承复合故障诊断实验 |
| 5.6.1 实验数据描述 |
| 5.6.2 基于改进LLC稀疏编码的局部约束稀疏特征提取 |
| 5.6.3 诊断结果分析 |
| 5.7 本章小结 |
| 第六章 基于时频图像和判别式字典学习的机械故障诊断方法 |
| 6.1 引言 |
| 6.2 旋转机械振动信号时频图像构造方法 |
| 6.3 基于灰度共生矩阵的图像特征提取 |
| 6.4 基于时频图像和判别式字典学习的机械故障诊断方法 |
| 6.4.1 基于稀疏表征重构误差的模式分类方法 |
| 6.4.2 基于判别式字典学习的模式分类方法 |
| 6.4.3 基于时频图像和判别式字典学习的故障诊断流程 |
| 6.5 滚动轴承故障实验数据分析 |
| 6.5.1 实验数据描述 |
| 6.5.2 振动信号时频图像 |
| 6.5.3 基于灰度共生矩阵的时频图像特征提取 |
| 6.5.4 诊断结果分析 |
| 6.6 转子系统故障实验 |
| 6.6.1 实验设备描述 |
| 6.6.2 振动信号时频图像 |
| 6.6.3 基于灰度共生矩阵的时频图像特征提取 |
| 6.6.4 诊断结果分析 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文清单 |
| 攻读博士学位期间参与科研项目情况 |
（6）数据驱动的滚动轴承故障特征分析与诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与创新之处 |
| 2 基于EEMD和特征频带选择的故障状态智能识别方法 |
| 2.1 引言 |
| 2.2 EMD |
| 2.3 EEMD |
| 2.4 Hilbert包络谱与边际谱 |
| 2.5 特征频带选择方法 |
| 2.6 支持向量机 |
| 2.7 基于特征频带选择的故障诊断模型 |
| 2.8 实验验证 |
| 2.9 本章小结 |
| 3 基于EEMD和改进LFDA的故障状态智能识别方法 |
| 3.1 引言 |
| 3.2 故障敏感特征选择方法 |
| 3.3 基于改进LFDA的特征降维方法 |
| 3.4 故障模式识别方法 |
| 3.5 基于EEMD和SM-LFDA的故障状态识别框架 |
| 3.6 实验分析 |
| 3.7 本章小结 |
| 4 第四章基于MODWPT和改进NPE的故障状态智能识别方法 |
| 4.1 引言 |
| 4.2 小波基本理论分析 |
| 4.3 基于类别标签的监督NPE方法 |
| 4.4 基于MODWPT和改进NPE的故障状态识别框架 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 5 基于深信度网络的故障状态智能识别方法 |
| 5.1 引言 |
| 5.2 深度学习 |
| 5.3 深度置信网络 |
| 5.4 受限玻尔兹曼机RBM |
| 5.5 基于深度置信网络的故障状态识别框架 |
| 5.6 实验分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于ICA-SVM模型的水泥磨机减速机故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景 |
| 1.3 课题研究意义 |
| 1.4 相关领域综述及研究现状 |
| 1.4.1 减速机故障诊断研究现状 |
| 1.4.2 故障特征提取的研究现状 |
| 1.4.3 故障模式识别的研究现状 |
| 1.5 主要研究内容 |
| 第2章 减速机故障机理与失效形式 |
| 2.1 齿轮故障特性分析 |
| 2.1.1 齿轮振动机理 |
| 2.1.2 齿轮故障信号调制分析 |
| 2.1.3 齿轮典型故障形式及其信号特征 |
| 2.2 滚动轴承故障特性分析 |
| 2.2.1 滚动轴承主要失效形式及原因 |
| 2.2.2 轴承故障频率计算 |
| 2.2.3 轴承故障机理 |
| 2.3 轴故障特性分析 |
| 2.3.1 轴典型故障形式及原因分析 |
| 2.3.2 轴故障机理分析 |
| 2.4 振动监测标准 |
| 2.5 本章小结 |
| 第3章 基于ICA故障特征提取 |
| 3.1 独立分量分析简介 |
| 3.2 盲源信号分离的预处理方法 |
| 3.2.1 去均值处理 |
| 3.2.2 白化处理 |
| 3.2.3 降维处理 |
| 3.3 盲源分离算法 |
| 3.4 信号源数估计 |
| 3.4.1 超定情况下源数估计 |
| 3.4.1.1 SVD方法基本原理 |
| 3.4.1.2 奇异值分布法 |
| 3.4.1.3 信息论准则法 |
| 3.4.2 欠定、适定情况下源数估计 |
| 3.4.3 源数估计实现过程 |
| 3.4.4 仿真实验 |
| 3.5 特征提取 |
| 3.5.1 基于包络矩阵奇异值分解的特征提取方法 |
| 3.5.2 基于分离矩阵奇异值分解的特征值提取方法 |
| 3.5.3 基于独立分量奇异值分解的特征值提取方法 |
| 3.6 模型可行性实验(一) |
| 3.6.1 基于包络矩特征值的提取 |
| 3.6.2 基于分离矩阵特征值的提取 |
| 3.6.3 基于独立分量特征值的提取 |
| 3.7 本章小结 |
| 第4章 基于SVM故障模式识别 |
| 4.1 支持向量机的理论基础 |
| 4.1.1 机器学习 |
| 4.1.2 经验风险最小化原则 |
| 4.1.3 VC维和推广性的界介绍 |
| 4.1.4 结构风险最小化原则 |
| 4.2 支持向量机 |
| 4.2.1 线性可分 |
| 4.2.2 线性不可分 |
| 4.2.3 非线性可分 |
| 4.2.4 核函数 |
| 4.3 多分类支持向量机 |
| 4.3.1 1对多(1-a-r)方法 |
| 4.3.2 1对1(1-a-1)方法 |
| 4.3.3 层次多值分类 |
| 4.4 SVM分类模型的建立 |
| 4.5 模型可行性实验(二) |
| 4.6 本章小结 |
| 第5章 磨机减速机故障诊断 |
| 5.1 模型推广性实验 |
| 5.2 立磨减速机应用实验 |
| 5.2.1 测点的布置 |
| 5.2.2 立磨减速机故障诊断 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
（8）基于近红外光谱及成像的苹果品质无损检测方法和装置研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.1.1 苹果产业发展现状 |
| 1.1.2 苹果产业问题分析与技术需求 |
| 1.2 农产品品质安全无损检测技术概述 |
| 1.3 水果品质的近红外光谱检测技术 |
| 1.3.1 水果品质近红外光谱采集方式与处理方法 |
| 1.3.2 水果品质便携式光谱检测方法 |
| 1.3.3 水果品质模型的鲁棒性与影响因素 |
| 1.3.4 水果采摘期和货架期的近红外评价方法 |
| 1.3.5 水果品质近红外检测发展趋势与问题分析 |
| 1.4 水果内部品质在线检测系统及行业分析 |
| 1.5 水果品质的高光谱成像检测技术 |
| 1.6 研究目标、研究内容及技术路线 |
| 1.6.1 课题来源 |
| 1.6.2 研究目标 |
| 1.6.3 研究内容 |
| 1.6.4 技术路线 |
| 1.7 本章小结 |
| 第二章 苹果组织光传输特性和质地分析研究 |
| 2.1 引言 |
| 2.2 苹果组织光传输特性 |
| 2.2.1 空间分辨光谱 |
| 2.2.2 光传输特性试验平台搭建 |
| 2.2.3 苹果组织中光的有效穿透深度 |
| 2.2.4 苹果中光散射分布规律 |
| 2.3 苹果质地特性分析 |
| 2.3.1 质地剖面分析 |
| 2.3.2 苹果质地测试方法 |
| 2.3.3 苹果不同部位质地差异分析 |
| 2.4 本章小结 |
| 第三章 苹果内部品质的高光谱成像关键检测技术研究 |
| 3.1 引言 |
| 3.2 高光谱成像系统搭设与校正 |
| 3.2.1 高光谱成像工作原理 |
| 3.2.2 高光谱成像采集硬件系统搭建 |
| 3.2.3 高光谱成像系统探测器波长校准 |
| 3.2.4 高光谱图像获取与校正 |
| 3.3 高光谱图像感兴趣区域对苹果品质模型的影响 |
| 3.3.1 试验材料与方法 |
| 3.3.2 高光谱图像感兴趣区域选择 |
| 3.3.3 光谱分析与预处理 |
| 3.3.4 感兴趣区域优化可溶性固形物模型 |
| 3.4 苹果可溶性固形物的高光谱图像可视化预测 |
| 3.4.1 苹果可溶性固形物分布预测的意义 |
| 3.4.2 高光谱图像光强度校正 |
| 3.4.3 苹果可溶性固形物分布预测 |
| 3.5 不同高光谱图像光谱波段的苹果品质预测 |
| 3.5.1 苹果内部品质检测与分布统计 |
| 3.5.2 长波近红外高光谱成像预测苹果有效酸度 |
| 3.5.3 高光谱图像不同波段苹果多品质指标预测性能比较 |
| 3.6 本章小结 |
| 第四章 蚁群优化算法的特征光谱选择方法研究 |
| 4.1 引言 |
| 4.2 蚁群优化算法基本原理 |
| 4.2.1 算法基本描述 |
| 4.2.2 更新协作机制 |
| 4.2.3 目标函数选取 |
| 4.2.4 算法流程 |
| 4.3 试验结果与分析 |
| 4.3.1 试验材料与方法 |
| 4.3.2 光谱采集与标准值测定 |
| 4.3.3 蚁群优化特征波长选择 |
| 4.3.4 蚁群优化算法与遗传算法比较 |
| 4.4 本章小结 |
| 第五章 近红外光谱可溶性固形物模型的颜色补偿方法研究 |
| 5.1 引言 |
| 5.2 试验材料与方法 |
| 5.2.1 试验方案 |
| 5.2.2 独立分量分析 |
| 5.2.3 人工神经网络 |
| 5.2.4 支持向量回归 |
| 5.2.5 多传感信息融合 |
| 5.3 结果与讨论 |
| 5.3.1 联合区间偏最小二乘模型 |
| 5.3.2 特征波长的颜色补偿模型 |
| 5.3.3 PCA-ANN可溶性固形物补偿模型 |
| 5.3.4 ICA-ANN可溶性固形物补偿模型 |
| 5.3.5 PCA-SVM可溶性固形物补偿模型 |
| 5.3.6 ICA-SVM可溶性固形物补偿模型 |
| 5.3.7 颜色补偿结果评价与波段比较 |
| 5.4 本章小结 |
| 第六章 苹果品质近红外漫反射在线检测系统 |
| 6.1 引言 |
| 6.2 苹果品质近红外漫反射在线检测系统设计 |
| 6.2.1 硬件系统设计 |
| 6.2.2 软件系统设计 |
| 6.3 苹果可溶性固形物在线检测模型优化 |
| 6.3.1 光谱标准化处理 |
| 6.3.2 特征变量选取 |
| 6.3.3 模型结果比较 |
| 6.4 本章小结 |
| 第七章 苹果内在品质与隐性缺陷透射光谱在线检测技术研究 |
| 7.1 引言 |
| 7.2 苹果内在品质透射光谱在线检测硬件系统 |
| 7.2.1 光源选型与光源套件设计 |
| 7.2.2 光纤选型及设计 |
| 7.2.3 光电传感器和信号控制器 |
| 7.2.4 传送装置及信号干扰问题 |
| 7.2.5 硬件系统整体设计 |
| 7.3 苹果内在品质透射光谱在线检测软件开发 |
| 7.4 苹果品质透射光谱在线检测模型构建 |
| 7.5 苹果隐性缺陷判别模型 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 8.1 论文的主要结论 |
| 8.2 论文创新点 |
| 8.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）水下图像分割和典型目标特征提取及识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关理论方法的研究现状 |
| 1.2.1 水下视觉技术研究现状 |
| 1.2.2 水平集图像分割方法研究现状 |
| 1.2.3 支持向量机分类器研究现状 |
| 1.3 论文的组织结构 |
| 2 水下视觉系统组成及图像预处理技术研究 |
| 2.1 视觉系统整体架构及成像特点分析 |
| 2.1.1 水下视觉系统的整体框架 |
| 2.1.2 水的光学特性 |
| 2.1.3 水下图像光学成像模型 |
| 2.1.4 水下图像的成像特点 |
| 2.2 水下图像增强 |
| 2.2.1 图像灰度变换 |
| 2.2.2 直方图处理 |
| 2.2.3 仿真结果分析 |
| 2.3 水下图像去噪 |
| 2.3.1 图像质量评价 |
| 2.3.2 传统图像去噪算法 |
| 2.3.3 基于稀疏表示与字典学习图像去噪 |
| 2.3.4 仿真结果分析 |
| 2.4 本章小结 |
| 3 基于水平集理论的图像分割方法研究 |
| 3.1 水平集方法 |
| 3.1.1 水平集方法的表达 |
| 3.1.2 水平集的初始化和重新初始化 |
| 3.2 经典水平集图像分割算法 |
| 3.2.1 CV模型 |
| 3.2.2 RSF模型 |
| 3.2.3 LGIF模型 |
| 3.3 指定目标水平集分割算法 |
| 3.3.1 能量泛函模型建立 |
| 3.3.2 梯度下降法解目标函数 |
| 3.3.3 仿真结果与分析 |
| 3.4 利用局部信息的水平集算法分割噪声图像 |
| 3.4.1 两相模型的建立 |
| 3.4.2 四相模型的建立 |
| 3.4.3 模型求解实现 |
| 3.4.4 仿真结果分析 |
| 3.5 利用混合信息的水平集分割光照不均图像 |
| 3.5.1 LIF模型 |
| 3.5.2 两相模型的建立 |
| 3.5.3 模型功能的实现 |
| 3.5.4 仿真结果分析 |
| 3.6 本章小结 |
| 4 水下典型目标特征提取技术研究 |
| 4.1 基于形状特征的水下目标特征提取 |
| 4.1.1 几何矩 |
| 4.1.2 归一化转动向量 |
| 4.1.3 Hu不变矩 |
| 4.1.4 仿射不变矩 |
| 4.2 基于主成分分析的水下典型目标特征提取 |
| 4.2.1 特征选择的预处理 |
| 4.2.2 主成分分析PCA |
| 4.2.3 独立成分分析ICA |
| 4.3 典型目标特征提取仿真验证 |
| 4.4 本章小结 |
| 5 基于支持向量机的目标识别技术研究 |
| 5.1 支持向量机 |
| 5.1.1 线性支持向量机SVM |
| 5.1.2 非线性支持向量机SVM |
| 5.2 基于双子投影支持向量机分类器设计 |
| 5.2.1 双子支持向量机分类器TWSVM |
| 5.2.2 NHSVM方法 |
| 5.2.3 规则化双子投影支持向量机RPTSVM |
| 5.2.4 改进的双子投影支持向量机IPTSVM |
| 5.3 仿真结果与分析 |
| 5.3.1 模拟情况 |
| 5.3.2 UCI数据库 |
| 5.3.3 DNC数据库 |
| 5.3.4 水下典型特征目标分类 |
| 5.4 本章小结 |
| 6 水下典型目标特征识别系统实验研究 |
| 6.1 视觉系统组成 |
| 6.1.1 硬件实现 |
| 6.1.2 软件实现 |
| 6.2 实验内容与结果分析 |
| 6.2.1 水下目标图像及预处理实验 |
| 6.2.2 水下目标图像分割实验 |
| 6.2.3 水下四类目标识别实验 |
| 6.3 本章小结 |
| 7 总结 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于SVM的双层圆柱壳体机械振动噪声数据特征提取方法比较（论文提纲范文）
| 0 引言 |
| 1 特征提取方法介绍 |
| 1.1 PCA方法 |
| 1.2 KPCA方法 |
| 1.3 ICA方法 |
| 2 某双层圆柱壳体机械振动噪声数据 |
| 2.1 机械振动试验 |
| 2.2 数据预处理 |
| 3 特征提取主元选择 |
| 4 特征提取效果分析 |
| 4.1 分类方法 |
| 4.2 结果分析 |
| 5 结论 |
四、复合ICA-SVM机械状态模式分类（论文参考文献）
- [1]基于MSE与PSO-SVM的机车轮对轴承智能诊断方法[J]. 张龙,彭小明,熊国良,王良,黄婧,胡俊锋. 铁道科学与工程学报, 2021(09)
- [2]基于深度特征提取的间歇过程微小故障诊断方法研究[D]. 王瑞琦. 西南交通大学, 2020(07)
- [3]基于声发射技术的航空发动机冲击物智能识别方法研究[D]. 王妍. 北京化工大学, 2019(06)
- [4]基于VMD交叉样本熵的旋翼桨叶故障诊断方法[J]. 吕宏政,陈仁文,张祥,崔雨川. 电子测量技术, 2019(09)
- [5]基于稀疏表征及字典学习的故障诊断方法研究[D]. 袁浩东. 上海交通大学, 2018
- [6]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸. 中国矿业大学, 2017(04)
- [7]基于ICA-SVM模型的水泥磨机减速机故障诊断研究[D]. 吕景伟. 武汉理工大学, 2016(05)
- [8]基于近红外光谱及成像的苹果品质无损检测方法和装置研究[D]. 郭志明. 中国农业大学, 2015(07)
- [9]水下图像分割和典型目标特征提取及识别技术研究[D]. 谢小敏. 南京理工大学, 2015(06)
- [10]基于SVM的双层圆柱壳体机械振动噪声数据特征提取方法比较[J]. 张志华,梁胜杰,尹曰建,钟强晖. 船舶力学, 2015(Z1)