针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。

超声相控阵全聚焦成像算法作为一种后处理成像技术,虽然具有成像精度高、灵活性好的优势,但由于数据量大、计算时间长等问题,该项技术的实际工业应用受到了极大限制。针对该算法的不足,这里提出了基于均匀稀疏矩阵的全聚焦成像算法,通过减少矩阵数据量来提高成像效率。结果表明相较于传统全聚焦成像算法,基于均匀稀疏矩阵的全聚焦成像算法极大的压缩了数据规模,计算速度同比提高约38%,为全聚焦快速成像提供了一种参考方法。

r级联分类器同时提取双目图像中的人脸,将其提取到的局部人脸左右并联制作成数据集;然后把“shortcut”思想引入到残差块中提高特征的利用率,最后改进了具有注意力机制的SENet模块在SE-ResNet神经网络中的位置。利用实验室采集的图像数据进行验证,结果表明该实验测试集的平均准确率达到了98.62%,较ResNet34网络测试集的平均准确率提升2.07%,本实验对因为光线和角度变化的人脸活体检测有较好的鲁棒性。

针对支持向量机中单尺度高斯核算法存在局部风险的问题,提出一种基于核排列的多尺度高斯核算法。利用核排列这一度量标准来选择高斯核函数的尺度,并把多个弱分类器聚集成一个强分类器得到多尺度高斯核,从而构造支持向量机模型。利用UCI数据集Iris Plants、 Wine Recognition等仿真实验结果表明:所提出的基于核排列的多尺度高斯核算法比传统的单尺度高斯核算法具有更高的分类准确率。

针对风力发电机组SCADA监测数据海量、高维、复杂的特点,提出一种基于流形半监督K均值聚类的风力发电机组故障诊断方法。对风力发电机组SCADA数据进行分析,提取风力发电机组状态参量组成特征数据集,优化了传统K均值聚类算法,以流形距离作为相似性度量,对SCADA数据进行半监督K均值聚类分析。实验结果表明:改进的算法比传统K均值聚类算法能更有效识别风力发电机的状态。

贮箱是大型机械设备中必不可少的部分,其内部铁屑、焊渣等多余物检测的问题有待解决。为实现贮箱内多余物的智能检测,通过时间反转原理的聚焦算法,利用LabVIEW和MATLAB联合编程,设计集数据采集、分析、处理及声发射源定位于一体的LabVIEW软件平台贮箱多余物检测系统。该系统可以有效判断贮箱内多余物的有无及定位,将声发射源的定位以强度图显示。经过多次试验,定位误差控制在5%以内,满足工程需要。

对粗制甲醇的化学转化过程进行了研究，针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题，为了更好地预测甲醇产率，提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理，采用将基本核函数进行相加的规则来组合多核函数，进而，建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明，对比传统支持向量回归机模型，所提出的加法规则的多核学习模型的甲醇转化率预测精度更优，可以更好地指导甲醇合成。

为了解决最小二乘支持向量机对于选择核函数盲目性的问题，将核度量标准核极化和多核学习引入最小二乘支持向量机中，提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数，再根据多核学习原理组合多核函数，然后，建立多核最小二乘支持向量机模型，并进行模型的学习训练和预测。UCI数据上的试验结果表明，所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。

为了提高粒子群算法的稳定性，改善陷入局部最优的弊端，提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析。然后找到粒子群算法收敛的约束条件，进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算予扰动项，其对粒子施加扰动，能够有效的抑制算法陷入局部最优问题，使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证，实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能，与标准粒子群算法相比，改进后的粒子群算法收敛精度高、鲁棒性强。

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作：一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。