具有量化和丢包率的网络控制系统的事件触发控制

基于能量密度的损伤识别方法为振动筛横梁故障的在线诊断提供了可能,以PCI-6023E板块作为硬件,labview图形化编程语言为软件,实现了裂纹梁的故障诊断系统设计,并通过试验验证了此方法的可行性。

针对局部二值模式（local binary pattern，LBP）描述信息单一以及对噪声敏感的问题，提出一种多尺度自适应阈值局部三值模式（multi-scale adaptive local ternary pattern，MSALTP）编码算法。MSALTP首先将原始图像放大；其次将图像平均划分成几个区域，并计算像素的均值；然后计算每个区域中心像素与均值的偏差；最后提取ALTP特征，将结果统计特征直方图实现图像分类。实验表明提出的算法识别率比目前较好的抗噪声算法在不同的噪声下识别率有较大提高。

针对传统控制理论的缺陷，提出了PID神经元网络及其控制系统，并介绍了其研究和应用。

基于otsu算法的 自适应阈值分割 图像分割类别

此演示展示了信号数据示例的完整深度学习工作流程。 我们展示了如何准备、建模和部署基于深度学习 LSTM 的分类算法来识别机械空气压缩机的状况或输出。 我们展示了如何执行深度学习工作流程的以下部分的示例： 第 1 部分 - 数据准备第 2 部分 - 建模第 3 部分 - 部署 该演示是作为 MATLAB 项目实现的，需要您打开该项目才能运行它。 该项目将管理您需要的所有路径和快捷方式。 第一次运行项目时还需要一个重要的数据副本。 第 1 部分 - 数据准备本示例说明如何提取将用作LSTM深度学习网络输入的声学特征集。 跑步： 打开 MATLAB 项目 Aircompressorclassification.prj 打开并运行 Part01_DataPreparation.mlx 第 2 部分 - 建模此示例展示了如何训练 LSTM 网络对包括健康和不健康信号的多种操作模式进行分类

在分布式传感器网络中，各个子网往往具有不同的辨识框架，此时经典的证据理论无法处理。针对这一问题，提出一种动态辨识框下的证据融合理论和条件更新理论的故障检测方法。首先获取最新的观测证据，提出采用模糊隶属度函数作为信任转换的桥梁，完成动态辨识框架下的信任测度；然后利用新来证据的信任测度对已有的证据进行更新，以此进行各个观测区域的故障检测；最后通过构造两个传感器子网S1和S2的分布式检测与识别系统对所提方法进行验证，结果显示该方法在处理动态辨识框架和故障检测方面的有效性。

自适应阈值FAST特征点检测算法的FPGA实现.pdf

数据驱动PCA、ICA和KICA故障检测仿真研究

用于故障检测电路BDD算法的实现，基于linux系统，需要移植，安装readme操作，并make生成可执行文件