- 年份
- 2020(1)
- 2018(1)
- 核心收录
- 中国科学引文数据库(CSCD)(2)
- 中国科技论文与引文数据库(CSTPCD)(2)
- 北京大学中文核心期刊目录(北大核心)(2)
- 刊名
- 物理学报(1)
- 计量学报(1)
- 作者单位
- 燕山大学(2)
- 语种
- 汉语(2)
- 关键词
- 自适应无参经验小波变换(2)
- 峭度指标(1)
- 故障诊断(1)
- 滚动轴承(1)
- 脑机接口(1)
- 计量学(1)
- 运动想象(1)
- 选择集成分类模型(1)
- 更多...
- 作者
- 何群(1)
- 姚希峰(1)
- 李继猛(1)
- 李铭(1)
- 杜硕(1)
- 王慧(1)
- 王煜文(1)
- 谢平(1)
- 陈晓玲(1)
- 更多...
相关度
- 相关度
- 发表时间
每页显示10条
- 每页显示10条
- 每页显示20条
- 每页显示30条
已找到 2 条结果
- 基于改进的自适应无参经验小波变换的滚动轴承故障诊断北大核心CSCDCSTPCD摘要:为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法.首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征.仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换.
- 基于自适应无参经验小波变换和选择集成
分类模型的运动想象北大核心CSCDCSTPCD摘要:运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方…查看全部>>