基于熵权法和组合隶属函数的雷达质量评估方法研究

为较好地评价雷达质量状况,针对雷达系统的功能特性和评估需求,区分监测数据、履历数据和环境数据,构建了雷达质量评估的三层指标体系。为反映监测数据因素的客观性,采用熵权法确定测试数据指标权重。为避免单一隶属函数可能会出现隶属度突变的问题,运用组合隶属函数的方法进行评价。该方法首先计算各指标在不同隶属函数条件下的评价信息,而后对每种隶属函数的评判情况进行组合优化,以增加评估结果的可信度。通过定性分析和定量计算,对某型雷达的质量状态进行了模糊综合评判,验证了该评估算法的有效性,对雷达系统操作应用和维修保障具有一定的参考价值。     

基于CSO-SVM的轴承健康状态评估研究

支持向量机是基于统计学理论的机器学习算法,在解决高维、局部极值和结构选择问题中具有优势,广泛应用于数据发掘中。但是其核宽度和惩罚因子的选择直接关系到支持向量机分类结果。针对上述问题,可采取优化算法对该参数进行优化,达到提高支持向量机的分类精度的目的。鸡群优化算法是近年新提出来的一种全局优化算法,具备结构清晰,全局搜索能力优等优点,在优化问题中得到广泛应用。基于此,提出一种基于鸡群优化的支持向量机模型（CSO-SVM）的健康状态评估方法,并应用在轴承健康状态评估领域中。结果表明,基于CSO-SVM的轴承健康状态评估精度达到97%,明显优于基于传统机器学习模型的健康状态模型的评估精度,具有更好的健康状态识别效果。     

基于GASA-BP-BiLSTM的轴承故障预测研究北大核心

基于BP神经网络收敛速度慢,在预测时易陷入局部极小值陷阱的问题,提出一种基于GASA-BP的预测方法,GA和SA协同优化BP神经网络,使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式,BiLSTM充分考虑了时间序列数据前后节点之间的相关性,有效提取信号中的时间特征,具有更优秀的分类能力。基于此,提出一种基于GASA-BP-BiLSTM的故障预测模型,并应用于轴承的故障预测中,该模型不仅能够预测出轴承中是否存在故障,还能检测出潜在的故障类型,兼具了预测和故障诊断的优点。