针对滚动轴承常见故障,提出利用网格搜索(GS)优化序列最小支持向量机(SM-SVM)的故障诊断方法.首先,对提取的滚动轴承振动信号进行预处理,并对其分别提取峭度指标、偏度系数、方均根值等时域统计量和小波包分解节点能量等特征,并对特征向量进行归一化和PCA降维处理.其次,利用GS算法对SM-SVM的核函数参数和惩罚因子进行优化,以提高滚动轴承故障模式识别的正确率.最后,利用MATLAB LIBSVM工具箱对滚动轴承不同故障进行模式识别,并将本方法与SM-SVM和LS-SVM方法进行了比较.结果发现,改进方法的模式识别正确率比原方法的高出5%.

针对纯电动汽车驱动模式单一及模式切换操作复杂,提出基于车速、加速度及电池SOC值,通过模糊控制自动识别驱动模式策略。为了解决在复杂路况和环境下纯电动汽车动力性不足的问题,提出基于自适应模糊神经系统(ANFIS)的转矩补偿模型,对基础MAP转矩进行一定程度转矩补偿。通过Simulink/Cruise联合仿真,驱动控制策略可以有效识别驾驶员操作意图选择相应驱动模式给予合适的转矩补偿,提高纯电动汽车动力性能;此外,驱动控制策略可以很大程度增加纯电动汽车续航里程,提高经济性能。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。

依据Dempster-Shafer理论,分析了超声检测中信息融合的方法以及分类决策策略,并对信息融合系统的工作原理做了研究,在此基础上进行了基于信息融合的缺陷分类与识别的初步试验研究.实验结果表明,该方法是有效的.

针对人脸检测的特点,深入分析了基于Haar-Like小波特征和AdaBoost算法构造强分类器的人脸检测算法,并将此算法应用于ORL人脸库。在VisualC＋＋6.0平台下,首先利用AdaBoost算法训练得到用于人脸检测的强分类器,然后利用该分类器进行人脸检测。实验表明,提出的算法在保证检测精度的同时,极大的提高了人脸检测速度,且受光照变化影响小。

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的，给出了一种RBF网络增量学习算法。算法首先对初始数据集进行聚类得到初始的RBF网络结构，然后采用GAP—RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习。RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响，增强了其增量学习的稳健性。IRIS数据集和雷达实测数据集仿真实验表明，算法具有较好的增量学习能力。

为了能够提高单筒冲气式减振器模式识别的准确率,深入地研究了模糊神经网络在其中的应用。首先,建立了神经网络模型;然后,研究了模糊神经网络模式识别的方法;最后,对单筒冲气式减振器的故障模式进行了识别,识别结果表明,模糊神经网络具有较高的模式识别能力。

对电液伺服阀故障进行准确快速诊断十分重要.以喷嘴挡板式电液伺服阀为研究对象,分析伺服阀特性曲线与故障的关系,提出基于特性曲线的伺服阀故障诊断方法.通过实验提取一些常见故障模式的特性曲线,运用BP神经网络,实现了电液伺服阀的故障诊断和模式识别.运用的神经网络结构简单,训练次数少,识别准确率较高,是一种实用可行的电液伺服阀故障诊断方法.

分析电液伺服阀静态特性与状态模式之间的映射关系介绍基于BP神经网络的模式识别方法以此为基础开发了具有伺服阀静态特性测试与状态模式识别功能的智能试验系统并进行了实验研究.