-
公开(公告)号：CN114997216A
公开(公告)日：2022-09-02
申请号：CN202210526887.2
申请日：2022-05-16
Applicant: 电子科技大学
Abstract: 本发明属于轴承故障识别领域，具体提供一种基于张量多模态特征高阶匹配的轴承故障识别方法，用以对轴承振动多属性信号进行故障状态分析。本发明利用张量数据，根据实际应用场景中不同阶所代表属性之间的联系将各个阶分为不同的阶组，对张量进行多模态奇异值分解；对检测对象求其特征空间中的特征张量，对特征张量使用张量距离进行高阶匹配，进而判定其多属性，完成轴承故障的识别。本发明提供的多模态奇异值分解方法能够更加有效地将多个属性在分解中通过多模乘运算关联起来，能够更加充分地获取数据之间多个模态的联系，与基于张量距离的高阶匹配方法结合起来能够更加充分地利用信号的多属性特征，获得更好的故障状态识别效果。
-
公开(公告)号：CN114841888B
公开(公告)日：2023-03-28
申请号：CN202210526890.4
申请日：2022-05-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于低秩张量环分解和因子先验的视觉数据补全方法，该方法针对传统的基于张量分解的数据补全算法依赖初始秩选择而导致恢复结果缺乏稳定性与有效性的问题，设计了分层的张量分解模型，同时实现张量环分解和补全，对于第一层，通过张量环分解将不完全张量表示为一系列的三阶因子；对于第二层，使用变换张量核范数来表示因子的低秩约束，并且结合图正则化的因子先验来限制每个因子的自由度；本发明同时利用因子空间的低秩结构和先验信息，一方面使得模型具有隐式的秩调整，可以提高模型对秩选择的鲁棒性，从而减轻了搜索最优初始秩的负担，另一方面充分利用张量数据的潜在信息，进一步提高补全性能。
-
公开(公告)号：CN114841888A
公开(公告)日：2022-08-02
申请号：CN202210526890.4
申请日：2022-05-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于低秩张量环分解和因子先验的视觉数据补全方法，该方法针对传统的基于张量分解的数据补全算法依赖初始秩选择而导致恢复结果缺乏稳定性与有效性的问题，设计了分层的张量分解模型，同时实现张量环分解和补全，对于第一层，通过张量环分解将不完全张量表示为一系列的三阶因子；对于第二层，使用变换张量核范数来表示因子的低秩约束，并且结合图正则化的因子先验来限制每个因子的自由度；本发明同时利用因子空间的低秩结构和先验信息，一方面使得模型具有隐式的秩调整，可以提高模型对秩选择的鲁棒性，从而减轻了搜索最优初始秩的负担，另一方面充分利用张量数据的潜在信息，进一步提高补全性能。
-
公开(公告)号：CN114997216B
公开(公告)日：2024-08-16
申请号：CN202210526887.2
申请日：2022-05-16
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F18/24 , G06F18/23
Abstract: 本发明属于轴承故障识别领域，具体提供一种基于张量多模态特征高阶匹配的轴承故障识别方法，用以对轴承振动多属性信号进行故障状态分析。本发明利用张量数据，根据实际应用场景中不同阶所代表属性之间的联系将各个阶分为不同的阶组，对张量进行多模态奇异值分解；对检测对象求其特征空间中的特征张量，对特征张量使用张量距离进行高阶匹配，进而判定其多属性，完成轴承故障的识别。本发明提供的多模态奇异值分解方法能够更加有效地将多个属性在分解中通过多模乘运算关联起来，能够更加充分地获取数据之间多个模态的联系，与基于张量距离的高阶匹配方法结合起来能够更加充分地利用信号的多属性特征，获得更好的故障状态识别效果。
-
-
-
Search Results
4
records
(took 0.018 seconds)
