-
公开(公告)号：CN104848883B
公开(公告)日：2017-10-17
申请号：CN201510140186.5
申请日：2015-03-27
Applicant: 重庆大学
IPC: G01D18/00
Abstract: 本发明公开了一种基于稀疏表示的传感器噪声与故障的判别方法。具体方法步骤如下：一、通过历史数据建立同时含有正常信号、噪声和故障样本对应的过完备原子库；二、基于某一类的未知样本可以被该类的若干样本在相应子空间有效地进行线性表示这一假设，将传感器采集到的混合信号用构造的字典稀疏表示，即从过完备原子库中找出与待分解信号最为匹配的原子通过线性重构得到一个新的表示方式；三、通过线性重构的样本计算重构误差，求出利用每种噪声故障样本数据集对新样本进行重构的误差；四、采用同类故障样本数据和同类噪声样本数据进行训练计算相应的重构误差值；五、通过计算重构误差实现噪声和故障判别。
-
Patent Agency Ranking
公开(公告)号：CN104867116A
公开(公告)日：2015-08-26
申请号：CN201510190609.4
申请日：2015-04-21
Applicant: 重庆大学
IPC: G06T5/00
Abstract: 该发明提供了一种基于MCA和字典学习的车牌超分辨率重构方法，把车牌图像视为结构部分和纹理部分的线性组合，利用高、低分辨率字典对低分辨率的车牌图像进行超分辨率重构。具体步骤如下：步骤一：将低分辨率测试车牌图像插值到与目标高分辨率图像相同尺寸，采用MCA算法把插值图像分解成纹理部分和结构部分；步骤二：低分辨率图像通过KSVD方法得到低分辨率字典和稀疏系数，利用系数和高分辨率图像计算高分辨率字典。步骤三：利用高、低分辨率字典对分块后的低分辨率图像进行超分辨率重建，合并重建后的图像块得到高分辨率图像的纹理部分，与插值图像结构部分相加，即得到高分辨率图像。本发明重构得到的车牌图像能够较好地保持图像的边缘、纹理信息。
-
公开(公告)号：CN104848883A
公开(公告)日：2015-08-19
申请号：CN201510140186.5
申请日：2015-03-27
Applicant: 重庆大学
IPC: G01D18/00
Abstract: 本发明公开了一种基于稀疏表示的传感器噪声与故障的判别方法。具体方法步骤如下：一、通过历史数据建立同时含有正常信号、噪声和故障样本对应的过完备原子库；二、基于某一类的未知样本可以被该类的若干样本在相应子空间有效地进行线性表示这一假设，将传感器采集到的混合信号用构造的字典稀疏表示，即从过完备原子库中找出与待分解信号最为匹配的原子通过线性重构得到一个新的表示方式；三、通过线性重构的样本计算重构误差，求出利用每种噪声故障样本数据集对新样本进行重构的误差；四、采用同类故障样本数据和同类噪声样本数据进行训练计算相应的重构误差值；五、通过计算重构误差实现噪声和故障判别。
-
公开(公告)号：CN104865956A
公开(公告)日：2015-08-26
申请号：CN201510138292.X
申请日：2015-03-27
Applicant: 重庆大学
IPC: G05B23/02
CPC classification number: G05B23/0218
Abstract: 该发明提供了一种基于贝叶斯网络的复杂系统中传感器故障诊断方法，在复杂系统中构建传感器监测模型，并将动态贝叶斯网络模型应用于复杂系统传感器故障诊断中。具体方法步骤如下：一、根据各传感器特点建立复杂系统中单个传感器动态模型S(I,q)；二、建立面向复杂系统的贝叶斯网络模型；三、选取非线性观测器σ(I,q)，构建子系统估计模型，获取传感器残差；四、估计残差阈值，确定观测节点参数的先验概率分布；五、对贝叶斯网络结构与参数进行更新调整，构建新的贝叶斯模型；六、根据贝叶斯网络实现复杂系统传感器故障诊断。本发明在贝叶斯网络基础上进行扩展，针对复杂系统，在信息不完备条件下的复杂系统故障诊断具有明显优势。
-
公开(公告)号：CN103927761A
公开(公告)日：2014-07-16
申请号：CN201410186314.5
申请日：2014-05-05
Applicant: 重庆大学
Abstract: 该发明提供了一种基于稀疏分解理论的用于实现对故障微弱信号的特征提取的方法，旨在将稀疏分解算法应用在故障微弱信号领域。具体方法步骤如下：一、通过历史数据建立与故障微弱信号对应的过完备原子库，采用原子库集合划分方法，将过完备库看成一个集合，确定原子的时频参数尺度，频率，相位，得到故障微弱信号的特征原子库；二、将快速傅里叶变换算法与OMP稀疏分解结合，得到描述信号特征的一系列原子参数；三、作SPCA稀疏主分量分析对故障信号特征作优化提取。本发明基于原子库集合划分和FFT的信号稀疏分解OMP算法有效降低稀疏分解算法的复杂度，提高信号稀疏分解的速度以及信号稀疏分解的效果，实现了信号特征的优化提取。
-
公开(公告)号：CN104865956B
公开(公告)日：2017-07-07
申请号：CN201510138292.X
申请日：2015-03-27
Applicant: 重庆大学
IPC: G05B23/02
Abstract: 该发明提供了一种基于贝叶斯网络的复杂系统中传感器故障诊断方法，在复杂系统中构建传感器监测模型，并将动态贝叶斯网络模型应用于复杂系统传感器故障诊断中。具体方法步骤如下：一、根据各传感器特点建立复杂系统中单个传感器动态模型S(I,q)；二、建立面向复杂系统的贝叶斯网络模型；三、选取非线性观测器σ(I,q)，构建子系统估计模型，获取传感器残差；四、估计残差阈值，确定观测节点参数的先验概率分布；五、对贝叶斯网络结构与参数进行更新调整，构建新的贝叶斯模型；六、根据贝叶斯网络实现复杂系统传感器故障诊断。本发明在贝叶斯网络基础上进行扩展，针对复杂系统，在信息不完备条件下的复杂系统故障诊断具有明显优势。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
