焦衛(wèi)東　楊世錫　吳昭同

摘要：神經(jīng)網(wǎng)絡、特別是基于無導師學習的自組織映射(SOM)網(wǎng)絡是一種優(yōu)良的模式聚類與識別方法，而獨立分量分析(ICA)則是一個強有力的非高斯數(shù)據(jù)分析工具。其中，基于特征矩陣聯(lián)合近似對角化的JADE算法是一種魯棒且數(shù)值穩(wěn)定的代數(shù)ICA方法，特別適合用于多變量特征抽取。本文首先利用JAl)E進行不同機械狀態(tài)模式(包括正常和齒輪點蝕故障狀態(tài))的特征提取，隨后以此訓練某一典型神經(jīng)網(wǎng)絡(如多層感知器、徑向基網(wǎng)絡或自組織映射網(wǎng)絡)，以實現(xiàn)模式的最終分類。借助ICA及基于殘余互信息(RMI)的二次特征抽取策略，隱藏于多通道振動觀測中的高階特征得以有效提取，從而實現(xiàn)機械狀態(tài)模式的準確識別。對照分類實驗結果表明，基于ICA—SOM分類方法不僅具有較好的故障模式分類能力，且實現(xiàn)簡單，在機器健康狀況監(jiān)測中有較大的應用潛力。

關鍵詞：獨立分量分析；殘余互信息；多層感知器；徑向基函數(shù)網(wǎng)絡；自組織映射；特征矩陣聯(lián)合近似對角化

中圖分類號：TN912．3

文獻標識碼：A

文章編號：1003—6199(2003)02—063—05