强干扰下复杂系统的独立源识别方法

被引：4

作者：

焦卫东 ^{[1
]}

杨世锡 ^{[1
]}

钱苏翔 ^{[2
]}

严拱标 ^{[1
]}

机构：

[1] 浙江大学机械工程系

[2] 嘉兴学院机电工程学院

来源：

机械工程学报 | 2006年 / 09期

基金：

浙江省自然科学基金;

关键词：

主分量分析; 独立分量分析; 最大相关准则; 源识别;

D O I：

暂无

中图分类号：

TB535 [振动和噪声的控制及其利用];

学科分类号：

摘要：

为了识别强干扰环境下复杂系统的独立源信号,利用主分量分析(PCA)的主投影方向辨识能力,以及独立分量分析(ICA)的冗余取消与盲源分离特性,提出一种基于复合PCA-ICA神经网络的独立源识别方法。ICA与PCA的有机结合使两者优势得到充分发挥,隐藏于多通道传感观测中的独立源波形得以分离。借助基于快速傅里叶变换与最大相关分析准则的自适应分析校正,消除ICA估计源的盲不确定性,准确地估计源波形及其混合参数,从而实现独立源信号的识别。仿真试验结果证明该方法的有效性,也表明它在复杂系统源识别方面具有较大的应用潜力。

引用

页码：149 / 153

页数：5

共 7 条

[1]

基于独立分量分析的旋转机械故障诊断方法研究.[D].焦卫东.浙江大学.2003, 02

[2]

Simplified neuron model as a principal component analyzer.[J].Erkki Oja.Journal of Mathematical Biology.1982, 3

[3] 独立分量分析基网络应用于旋转机械故障特征抽取与分类 [J].

杨世锡 ;

焦卫东 ;

吴昭同 .

机械工程学报, 2004, (03) :45-49

[4] 噪声源识别的近场声全息方法和数值仿真分析 [J].

于飞 ;

陈剑 ;

周广林 ;

陈心昭 .

振动工程学报, 2003, (03) :85-89

[5]

声强技术及其在汽车工程中的应用.[M].蒋孝煜;连小珉[著];.清华大学出版社.2001,

[6]

神经网络理论与应用.[M].徐秉铮等编著.华南理工大学出版社.1994,

[7]

工程噪声和振动分析基础.[M].(澳)诺顿(Norton;M.P.)著;盛元生等译;.航空工业出版社.1993,

← 1 →