2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于稀疏性非负矩阵分解和支持向量机的时频图像识别

蔡蕾 朱永生

蔡蕾, 朱永生. 基于稀疏性非负矩阵分解和支持向量机的时频图像识别. 自动化学报, 2009, 35(10): 1272-1277. doi: 10.3724/SP.J.1004.2009.01272
引用本文: 蔡蕾, 朱永生. 基于稀疏性非负矩阵分解和支持向量机的时频图像识别. 自动化学报, 2009, 35(10): 1272-1277. doi: 10.3724/SP.J.1004.2009.01272
CAI Lei, ZHU Yong-Sheng. Time-frequency Spectra Recognition Based on Sparse Non-negative Matrix Factorization and Support Vector Machine. ACTA AUTOMATICA SINICA, 2009, 35(10): 1272-1277. doi: 10.3724/SP.J.1004.2009.01272
Citation: CAI Lei, ZHU Yong-Sheng. Time-frequency Spectra Recognition Based on Sparse Non-negative Matrix Factorization and Support Vector Machine. ACTA AUTOMATICA SINICA, 2009, 35(10): 1272-1277. doi: 10.3724/SP.J.1004.2009.01272

基于稀疏性非负矩阵分解和支持向量机的时频图像识别

doi: 10.3724/SP.J.1004.2009.01272
详细信息
    通讯作者:

    蔡蕾

  • 中图分类号: TP39

Time-frequency Spectra Recognition Based on Sparse Non-negative Matrix Factorization and Support Vector Machine

More Information
    Corresponding author: CAI Lei
  • 摘要: 针对机械故障诊断领域对反映设备运行状态的图像识别困难以及选择和提取敏感特征困难的问题, 将基于图像的机械设备运行状态判别问题当作图像的识别问题来处理, 提出使用稀疏性非负矩阵分解(Sparse non-negative matrix factorization, SNMF)和支持向量机(Support vector machine, SVM)对时频图像进行识别进而判断机器运行状态, 从而避免特征的选择和提取. 稀疏性非负矩阵分解在对时频图像进行大规模压缩的同时, 能够很好地保留图像的隐含特征, 从而大大减少自动识别时频图像的计算复杂度, 并有效地提高支持向量机的识别精度. 此外, 本文还对影响识别率的稀疏性非负矩阵分解的各参数进行了讨论. 实验结果表明, 该方法对时频处理方法依赖性低, 在大多数情况下都能获得较传统方法高的识别率.
  • 加载中
计量
  • 文章访问数:  2037
  • HTML全文浏览量:  49
  • PDF下载量:  1217
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-06-03
  • 修回日期:  2009-01-05
  • 刊出日期:  2009-10-20

目录

    /

    返回文章
    返回