导读:本文包含了矢功率谱论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:功率,故障诊断,向量,神经网络,机械,信息,数据。
矢功率谱论文文献综述
杨春燕,云康,杜文辽[1]（2013）在《矢功率谱与蚁群神经网络结合在机械故障诊断中的应用研究》一文中研究指出针对传统功率谱信号源不足以及BP神经网络收敛速度慢且容易陷入局部极小等问题,提出矢功率谱和蚁群神经网络相结合的故障诊断方法,该方法是:提取矢功率谱的8个频段能量特征,并输入到蚁群神经网络分类器进行故障识别,通过实际训练结果和实验结果对比可知,蚁群神经网络能有效地提高收敛速度,网络迭代次数明显改善,故障识别率提高,将蚁群神经网络应用于机械故障诊断是有效的。(本文来源于《现代制造工程》期刊2013年06期）
杨春燕,吴超,李宏伟[2]（2012）在《基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法》一文中研究指出提出基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法,该方法把转子的2个截面信息分别以矢功率谱进行数据层融合,提取矢功率谱的特征输入到径向基概率神经网络分类器进行故障识别,最后把两截面诊断结果输入D-S证据理论融合中心进行决策层融合.实验结果表明,该方法可降低故障诊断的不确定性,并提高故障决策准确率.(本文来源于《郑州轻工业学院学报(自然科学版)》期刊2012年04期）
李凌均,孔维峰,李朋勇,李卫鹏[3]（2011）在《矢功率谱与支持向量数据描述相结合在故障诊断中的应用研究》一文中研究指出与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。为了解决智能监测和故障诊断中故障样本缺乏的问题,提出一种矢功率谱与支持向量数据描述(support vectordata description,SVDD)相结合的单分类方法。将该方法应用于转子试验台模拟的故障诊断中,实验结果表明,该方法是有效的。(本文来源于《机械设计与制造》期刊2011年01期）
李志农,卢纪富,潘玉娜,曾宇冬[4]（2010）在《基于矢功率谱-AIS的旋转机械故障识别方法研究》一文中研究指出结合矢功率谱分析技术和人工免疫系统,提出一种新的机械故障模式识别方法,它以矢功率谱分析为特征提取工具,以aiNet网络为数据压缩工具,以支持向量机为分类器。该方法成功地应用到旋转机械故障诊断中,实验结果表明,该方法是可行和有效的。(本文来源于《机械强度》期刊2010年04期）
杨春燕,朱茹敏,吴超[5]（2010）在《矢功率谱与概率神经网络结合在旋转机械故障诊断中的应用研究》一文中研究指出与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面,而概率神经网络学习速度快、收敛性好,基于此,结合矢功率谱和概率神经网络,提出一种故障诊断的新方法,该方法是以矢功率谱作为特征输入到概率神经网络分类器进行故障识别,并应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。(本文来源于《现代制造工程》期刊2010年02期）
王丽雅,韩捷,陈磊[6]（2007）在《基于信息融合的短时矢功率谱分析方法》一文中研究指出研究了基于信息融合的旋转机械短时矢功率谱分析方法。根据单通道信号处理的不足,本文提出把全矢谱技术与短时傅里叶变换相结合,建立矢量信号的短时矢功率谱概念,导出其计算公式,阐述其图谱表达,并将其应用于实际故障诊断系统中。研究表明,短时矢功率谱可以对矢量信号的短时能量随频率、时间等的变化过程作出分析,可以应用于旋转机械故障诊断实践中。(本文来源于《机械科学与技术》期刊2007年04期）
李志农,韩捷,潘玉娜,李凌均[7]（2007）在《机械故障矢功率谱—支持向量机识别方法研究》一文中研究指出与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。(本文来源于《计算机工程与应用》期刊2007年08期）
潘玉娜,韩捷,李志农[8]（2007）在《矢功率谱与RBF网络结合在旋转机械故障诊断中的应用》一文中研究指出与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。径向基函数网络具有良好的推广能力和分类能力。基于此,本文结合矢功率谱和径向基函数网络,提出了一种新的故障识别方法,该方法以矢功率谱为特征向量,径向基函数网络为分类器。并以转子裂纹、转子不对中、油膜涡动为例进行实验研究,实验结果表明,该方法是有效的。(本文来源于《机床与液压》期刊2007年01期）
潘玉娜,韩捷,李志农[9]（2006）在《旋转机械诊断中的矢功率谱-模糊C均值聚类方法》一文中研究指出结合矢功率谱和模糊C均值聚类算法,提出了一种新的旋转机械故障识别方法。该方法以矢功率谱为特征向量,以模糊C均值聚类算法为分类器,成功地应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。(本文来源于《汽轮机技术》期刊2006年03期）
矢功率谱论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法,该方法把转子的2个截面信息分别以矢功率谱进行数据层融合,提取矢功率谱的特征输入到径向基概率神经网络分类器进行故障识别,最后把两截面诊断结果输入D-S证据理论融合中心进行决策层融合.实验结果表明,该方法可降低故障诊断的不确定性,并提高故障决策准确率.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
矢功率谱论文参考文献
[1].杨春燕,云康,杜文辽.矢功率谱与蚁群神经网络结合在机械故障诊断中的应用研究[J].现代制造工程.2013
[2].杨春燕,吴超,李宏伟.基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法[J].郑州轻工业学院学报(自然科学版).2012
[3].李凌均,孔维峰,李朋勇,李卫鹏.矢功率谱与支持向量数据描述相结合在故障诊断中的应用研究[J].机械设计与制造.2011
[4].李志农,卢纪富,潘玉娜,曾宇冬.基于矢功率谱-AIS的旋转机械故障识别方法研究[J].机械强度.2010
[5].杨春燕,朱茹敏,吴超.矢功率谱与概率神经网络结合在旋转机械故障诊断中的应用研究[J].现代制造工程.2010
[6].王丽雅,韩捷,陈磊.基于信息融合的短时矢功率谱分析方法[J].机械科学与技术.2007
[7].李志农,韩捷,潘玉娜,李凌均.机械故障矢功率谱—支持向量机识别方法研究[J].计算机工程与应用.2007
[8].潘玉娜,韩捷,李志农.矢功率谱与RBF网络结合在旋转机械故障诊断中的应用[J].机床与液压.2007
[9].潘玉娜,韩捷,李志农.旋转机械诊断中的矢功率谱-模糊C均值聚类方法[J].汽轮机技术.2006
论文知识图
