10.13465/j.cnki.jvs.2016.04.018
基于改进判别字典学习的故障诊断方法
近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用 K 奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用 K 奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明:该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。
稀疏编码、字典学习、经验模态分解、故障诊断
TH165.3;TH133.3
国家自然科学基金资助项目50875056;黑龙江省教育厅科学技术研究项目12521058
2016-04-14(万方平台首次上网日期,不代表论文的发表时间)
共5页
110-114