检索结果-内蒙古大学图书馆

生物医学工程学杂志 2015年第4期32卷 751-756页

作者：席敏朱国魂桂林电子科技大学计算机科学与工程学院桂林541004 桂林电子科技大学自动化与控制学院桂林541004 南昆士兰大学CSBi研究中心

脑电图是人脑神经元动态活动的综合表现形式，可以用来研究癫痫的脑部病理变化。本文引入多尺度排列熵（MPE）的概念，将其应用于癫痫患者和健康人的脑电图特征提取，并将所有特征参数送入支持向量机（SVM）进行分类。实验结果表明，在... 详细信息

脑电图是人脑神经元动态活动的综合表现形式，可以用来研究癫痫的脑部病理变化。本文引入多尺度排列熵（MPE）的概念，将其应用于癫痫患者和健康人的脑电图特征提取，并将所有特征参数送入支持向量机（SVM）进行分类。实验结果表明，在区分癫痫患者和健康人的脑电图时平均分类精度达100％，癫痫发作间期和发作期的平均分类精度为99．58％。与同时输入的1—5个单尺度排列熵（PE）对比分析发现，MPE比PE更能反映癫痫脑电图多尺度上的特征，能更好、更稳定地实现癫痫预测。

关键词：癫痫脑电图多尺度排列熵支持向量机

来源：评论

学校读者我要写书评

暂无评论

脑电信号的多尺度排列熵分析

引用

物理学报 2014年第7期63卷 419-425页

作者：姚文坡刘铁兵戴加飞王俊南京军区南京总医院南京210002 南京邮电大学图像处理与图像通信江苏省重点实验室南京210003

本文利用多尺度排列熵对正常脑电信号和癫痫脑电信号进行了详细的分析和比较,研究了脑电图信号多尺度排列熵值和年龄的关系以及尺度因子对多尺度排列熵值的影响.通过对处于各个年龄段的22组正常人和22组患有癫痫人群的脑电图进行多尺度... 详细信息

本文利用多尺度排列熵对正常脑电信号和癫痫脑电信号进行了详细的分析和比较,研究了脑电图信号多尺度排列熵值和年龄的关系以及尺度因子对多尺度排列熵值的影响.通过对处于各个年龄段的22组正常人和22组患有癫痫人群的脑电图进行多尺度排列熵分析,发现在相同年龄段的人群中,正常脑电信号的多尺度排列熵值要高于癫痫脑电信号,熵值平均高出约0.19,约7.9%.另外,在尺度因子小于15的情况下,对于在30到35的年龄段正常人群,其多尺度排列熵值最大,随着年龄段的增大或降低熵值都一定程度的降低.结果证明,多尺度排列熵可以成功区分正常脑电信号和癫痫脑电信号,并且熵值可以正确地反映人体大脑发育的一般过程.

关键词：多尺度排列熵非线性分析脑电图癫痫

来源：评论

学校读者我要写书评

暂无评论

多尺度排列熵及其在滚动轴承故障诊断中的应用

引用

中国机械工程 2013年第19期24卷 2641-2646页

作者：郑近德程军圣杨宇湖南大学汽车车身先进设计制造国家重点实验室长沙410082

引入多尺度排列熵(MPE)的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法... 详细信息

引入多尺度排列熵(MPE)的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。

关键词：排列熵多尺度排列熵滚动轴承故障诊断支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于变分模态分解与多尺度排列熵的生物组织变性识别

引用

物理学报 2019年第2期68卷 259-267页

作者：刘备胡伟鹏邹孝丁亚军钱盛友湖南师范大学物理与电子科学学院长沙410081

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声... 详细信息

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.

关键词：高强度聚焦超声变分模态分解功率谱信息熵多尺度排列熵

来源：评论

学校读者我要写书评

暂无评论

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

引用

振动与冲击 2019年第12期38卷 225-230页

作者：陈哲李亚安西北工业大学航海学院

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、... 详细信息

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法.

关键词：多尺度排列熵复杂度舰船辐射噪声集合经验模态分解特征提取

来源：评论

学校读者我要写书评

暂无评论

基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

引用

交通运输工程学报 2019年第5期19卷 106-115页

作者：车畅畅王华伟倪晓梅付强南京航空航天大学民航学院

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性... 详细信息

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性能退化起始点;构建了包含多变量的长短时记忆神经网络模型,将多个状态参数代入到模型中得到对应的剩余寿命;将变点后的航空发动机多状态参数和剩余寿命作为样本,代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测;通过综合航空发动机状态参数变点分析方法和时间序列预测模型,得到最终的剩余寿命预测结果。研究结果表明:多尺度排列熵算法能够及时监控各个状态参数的变化,当发现状态参数异常时,排列熵的值会发生跳变,从而有助于及时发现故障征兆;长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选,充分保留了有效信息用于时间序列预测;多变量长短时记忆神经网络能够对多状态参数进行同步分析,并且将状态参数直接与剩余寿命相对应,提高了模型效率;通过多尺度排列熵算法和长短时记忆神经网络模型的结合,能够考虑到航空发动机的多退化模式,得到更符合实际退化过程的剩余寿命预测结果;经过算例分析,提出方法的剩余寿命预测的均方根误差为5.3,与长短时记忆神经网络、反向传播神经网络和支持向量机相比,误差分别降低了63%、72%和78%。

关键词：航空发动机剩余寿命预测性能退化变点长短时记忆神经网络多尺度排列熵

来源：评论

学校读者我要写书评

暂无评论

EWT多尺度排列熵与GG聚类的轴承故障辨识方法

引用

振动．测试与诊断 2019年第2期39卷 416-423,451页

作者：赵荣珍李霁蒲邓林峰兰州理工大学机电工程学院兰州730050

针对滚动轴承故障信号具有非线性、非平稳性特点导致的故障类别难以辨识问题,提出一种基于经验小波变换、多尺度排列熵、GG(Gath-Geva,简称GG)聚类算法相结合的故障诊断方法。首先,采用经验小波变换对滚动轴承的原始信号进行分解、得到... 详细信息

针对滚动轴承故障信号具有非线性、非平稳性特点导致的故障类别难以辨识问题,提出一种基于经验小波变换、多尺度排列熵、GG(Gath-Geva,简称GG)聚类算法相结合的故障诊断方法。首先,采用经验小波变换对滚动轴承的原始信号进行分解、得到若干个固有模态分量,初步提取滚动轴承的状态特征值;其次,通过相关性分析选择最优模态分量,并在多个尺度下计算其排列熵值;最后,运用主成分分析对高维熵值特征向量进行可视化降维、并输入到GG聚类算法中,实现对滚动轴承的故障辨识。与其他模式组合方法进行比较的结果表明,本研究提出的故障辨识方法具有聚类结果的类内紧致性更好的优点。

关键词：经验小波变换多尺度排列熵相关性分析 GG聚类

来源：评论

学校读者我要写书评

暂无评论

基于多尺度排列熵的铣削颤振在线监测方法

引用

机械工程学报 2015年第9期51卷 206-212页

作者：任静波孙根正陈冰罗明西北工业大学现代设计与集成制造技术教育部重点实验室西安710072

排列熵是系统复杂性和规则性的一种测度,具有概念简单、稳健和计算速度快等优点。考虑到单尺度排列熵在反映铣削力信号特征方面的不足,通过试验分析提出基于单尺度排列熵和尺度4排列熵作指标的铣削颤振在线检测方法。通过试验验证,所提... 详细信息

排列熵是系统复杂性和规则性的一种测度,具有概念简单、稳健和计算速度快等优点。考虑到单尺度排列熵在反映铣削力信号特征方面的不足,通过试验分析提出基于单尺度排列熵和尺度4排列熵作指标的铣削颤振在线检测方法。通过试验验证,所提出的方法能有效地检测铣削颤振。同时基于多尺度排列熵的方法对于铣削力信号采集过程中的噪声、工艺参数变化等不敏感,因此这种方法适用于实际工业生产中的在线铣削颤振监测。

关键词：铣削颤振多尺度排列熵在线监测

来源：评论

学校读者我要写书评

暂无评论

GA-VMD与多尺度排列熵结合的GNSS坐标时序降噪方法

引用

武汉大学学报（信息科学版） 2023年第9期48卷 1425-1434页

作者：陈祥杨志强田镇杨兵梁沛长安大学地质工程与测绘学院陕西西安710064

为了精确剔除全球导航卫星系统(global navigation satellite system,GNSS)坐标时间序列中的噪声,提出一种联合遗传算法(genetic algorithm,GA)和变分模态分解(variational mode decomposition,VMD)的降噪方法 GA-VMD。该方法首先利用GA优化VMD参数,然后引入多尺度排列熵(multi-scale permutation entropy,MPE)作为噪声分量的筛选标准,最后将剩余分量重构得到降噪后的信号。通过仿真信号和实测数据的降噪实例,并与小波降噪(wavelet denoising,WD)、经验模态分解(empirical mode decomposition,EMD)等方法对比,分析GA-VMD的降噪效果。实验结果表明:对于仿真信号而言,GA-VMD方法相较于WD、EMD方法,信噪比分别提高了5.18 dB和2.91 dB,互相关系数分别提高了0.05和0.02;对于实测数据而言,GA-VMD方法对测站的速度不确定度和闪烁噪声的平均改正率分别为79.89%和84.46%,优于其他两种方法。分析表明,GA-VMD方法能够有效减少GNSS坐标时序的噪声,提高其精度。

关键词：遗传算法变分模态分解多尺度排列熵全球导航卫星系统坐标时间序列降噪

来源：评论

学校读者我要写书评

暂无评论

基于改进多尺度排列熵的列车轴箱轴承诊断方法研究

引用

铁道学报 2020年第1期42卷 33-39页

作者：李永健宋浩刘吉华张卫华熊庆五邑大学轨道交通学院广东江门529020 西华大学汽车测控与安全四川省重点实验室四川成都610039 西南交通大学牵引动力国家重点实验室四川成都610031 西华大学汽车与交通学院四川成都610039

多尺度排列熵作为非线性方法,被广泛应用于时间序列复杂性和随机性的评估之中。由于粗粒化过程中的缺陷会导致熵值精度低、稳定性差,提出了改进多尺度排列熵。通过仿真信号与传统多尺度排列熵方法比较发现,在不同尺度下改进多尺度排列... 详细信息

多尺度排列熵作为非线性方法,被广泛应用于时间序列复杂性和随机性的评估之中。由于粗粒化过程中的缺陷会导致熵值精度低、稳定性差,提出了改进多尺度排列熵。通过仿真信号与传统多尺度排列熵方法比较发现,在不同尺度下改进多尺度排列熵方法估计的熵值结果更加稳定,且误差减小。结合马氏距离特征选择与遗传算法优化的支持矢量机模式识别算法,提出了一种智能化的轴承故障诊断方法。通过列车轴箱轴承实验数据进行验证,结果表明该方法可准确识别出不同类型的故障轴承。

关键词：多尺度排列熵马氏距离特征提取支持矢量机故障诊断

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：