基于介中心性及K-shell的脑网络核心节点评价方法

在对基于核磁共振成像技术重构得到的人脑结构网络的研究中,核心节点的识别是对全脑网络特性展开研究的基础,具有重要意义。给出了一种基于K-shell和介中心性的核心节点评价方法,首先使用以节点局部重要性为标准的度中心性、邻近中心性和介中心性三个中心性评价方法分别对人脑结构网络中的节点重要性展开评估和分析;接着利用以节点全局地位为标准的K-shell分解法对人脑结构网络的核心节点展开分析。实验结果显示,由于同时兼顾了脑网络节点的整体特性和局部特性,该方法能够更全面和准确地识别核心脑区节点。     

基于Lorenz系统切换混沌同步的保密通讯

该文提出利用Lorenz系统切换混沌同步实施保密通讯的方法。构建了有一定关联的两个Lorenz混沌系统,并通过选择器在系统间随机切换;用同一种控制方法既能实现不同Lorenz系统的混沌同步,又能实现相同Lorenz系统的混沌同步;发送系统可以在Lorenz混沌系统间随机转换,传输信道中混沌调制信号也随之不断变化;接收系统将混沌调制信号解调后,即可获取有用信号。由于发送系统的可选择性,导致保密信号的多样性和随机性,因此该保密通讯方法具有更好的保密性能。     

改进SVD算法的转子系统轴心轨迹快速提纯研究EI北大核心CSCD

为实现转子系统轴心轨迹的快速提纯,提出一种改进的奇异值分解(improved singular value decomposition,ISVD)算法。首先,构建一种奇异值差异比(singular value difference ratio,SVDR)的评判指标来确定矩阵行数,对Hankel矩阵的结构进行优化;其次,利用奇异值与频率的数量关系筛选有效分量,对有效分量进行重构得到特征信号;然后,将降噪提纯后的特征信号合成轴心轨迹,实现轴心轨迹的提纯;最后,利用仿真和实测信号对所提方法进行分析。试验结果表明,与最大维数法相比,在SVDR确定的矩阵结构下,奇异值分解的降噪性能保持不变,但分解的时间缩短了90.18%,提高了计算效率。     

基于改进相对样本熵和BIGRU的滚动轴承退化分析北大核心

针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距离只考虑状态向量之间的最大元素差异的问题,提出了通过组合绝对值、最大值、最小值来识别状态向量间元素差异范围;其次,再对样本熵求均值得到改进后的RSE;最后,将改进RSE作为性能退化指标输入到BIGRU中完成轴承退化趋势预测。实验结果表明,所提出的改进RSE健康指标很好地克服了轴承退化过程中的随机波动现象,具有更好的单调趋势;且与LSTM、GRU预测模型相比,BIGRU有着更高的预测准确性。