简介：对工业噪声污染日益增长的了解与比较严格的标准的出现使得噪声成了电机研究的重要课题。本项工作是对噪声源的识别与减轻噪声技术的目前水平述评，它向读者指出了过去对噪声识别与减轻技术所作的相关研究。本文也描述了现行标准与实践以及文献中的一些强化这些标准的建议，本文概述了噪声减轻的研究中所出现的一些未来方向。

简介：针对低信噪比下雷达信号难于识别的问题,提出了基于三维熵特征的雷达信号识别算法。通过提取不同雷达信号的香农熵、指数熵、奇异谱熵特征,利用神经网络分类器,达到对雷达信号进行识别的目的。仿真结果表明,基于三维熵特征的雷达信号识别算法具有较好的抗噪性能,即使在较低的信噪比下,仍具有较好的类内聚集度和类间分离度,可以实现低信噪比对不同的雷达信号进行识别的目的。

简介：介绍了采用图像处理和模式识别的方法对一幅半导体芯片的图像进行焊盘的识别和定位。这一技术可以广泛应用于微电子行业中的芯片封装技术，它的核心是实现了对未封装的半导体芯片上的焊盘进行识别并定位的视觉机器。给出了用计算机对算法进行仿真后的实验结果。

简介：将分支前馈神经网络（BFNN）运用于数字字符的模式识别问题中,其某些性能优于标准反向传播（BP）网络。BFNN的隐层神经元与输出神经元之间为分组对应关系,采用的学习算法与标准BP算法类似。BFNN可以根据样本的可分性构建最适宜的网络结构。在对大规模、分类复杂的样本进行识别时,性能优于标准BP网络。

简介：将Hilbert-Huang变换（HHT）算法和Prony算法相结合进行电力系统低频振荡模式识别。利用HHT算法对实测信号进行经验模态分解,使之分解成处于不同频率的固有模态函数（IMF）;然后根据Hilbert变换,分析IMF分量的频率和相位,提取出含主导低频振荡模式的IMF;利用Prony算法对含低频振荡模式的IMF进行分析,提取出低频振荡模态参数,准确识别低频振荡模态。通过算例分析,证明了该方法可提高模态识别的精确性,验证了提取低频振荡模态参数的有效性。

简介：本文给出了作业工业高压感应电动机故障识别用诊断工具和技术的工况监测方法之概要。为确定电动机数据，保护和工况监测方法，维护原理和不同类型故障之间的关系。用统计方法登录和处理了共有6135机组运行年龄，483台电动机新的运行经验数据。为确定故障起动因子，促进因子和根本原因，而进一步分析了各种类型的故障。其结果与前一次调研结果-“1985年IEEE关于工商设施的大型电动机可靠性调研报告”作了比较，在本次调研中，电动机范围为100至1300kW，其中47%在100至500kW之间。

简介：提出了基于核主元分析（KPCA）和支持向量机（SVM）相结合的齿轮箱齿轮故障识别方法。采用振动信号初始特征空间的内积核函数,将初始特征空间中的非线性问题转换成高维特征空间中的线性问题。通过主元分析对映射到高维空间中的数据信息进行处理,得到初始特征的非线性主元,实现对高维特征参数进行降维。再结合SVM良好的分类能力,结果表明,KPCA和SVM相结合的分类性能在齿轮箱故障诊断方面有更好的效果。