| 本人最近准备硕士开题，大致方向是滚动轴承故障诊断或是状态评估，众所周知大致步骤是：信号处理——特征提取——模式识别。本来想把工作重点放在信号处理和特征提取上，大概方向是时频分析，因为本人是信号与信息处理方向，但是看了好多国内外论文，发现许多信号处理的理论都已经非常成熟，并且各种改进也很多，例如小波变换、希尔伯特-黄（HHT）变换，WVD，短时傅里叶变换等等，实在找不到可以下手的创新点。虽然对于识别说来特征提取是很关的一部分，分类结果好坏直接由特征提取决定，有的时候特征提取的不好，即使再好的分类算法也不一定会得到好的效果。 个人观点：目前对于信号处理的手段发展已经比较缓慢了，而且各种研究的内容也很多，想要有巨大的突破，除非有新的信号处理方法，比如从小波变换到HHT，本人认为就是一个很大的进步，虽然小波变换相对于短时傅里叶变换对窗口可调，但是一旦小波基选定，分解结果也就相对固定，而EMD方法的分解是根据数据进行的自适应分解，无需选定固定的基函数，相比于小波来说就是很大的突破，虽然EMD方法还有很多问题，比如模态混叠、端点效应等问题，但是从理论提出的98年至今，各种改进方法不断提出，虽然不能从根本上消除这些问题，但是极大的提高了分解精度。 基于以上个人的思考，决定把工总重点放在后面的模式识别并寻找创新点，近些年比较热门的当然是统计学习理论-支持向量机，由于前期花了大量的时间在信号处理方面，所以关于模式识别的文章看的比较少，而且体会不深，最近看到基于信息融合的故障诊断也是很好的研究方向，苦于模式识别的好多基础理论都未学过，相比于学了5年的信号来说却是陌生，不知道大家有什么看法？是继续研究信号处理（特征提取）还是模式识别，另外个人还有个小私心，就是相比研究信号理论模式识别可能更容易找工作一些。以上仅是本人个人的观点，如果有不准确或是不对的地方希望大家多多交流，和谐社会，文明用语，谢谢！ |
GMT+8, 2024-11-25 19:17 , Processed in 0.041416 second(s), 15 queries , Gzip On.
Powered by Discuz! X3.4
Copyright © 2001-2021, Tencent Cloud.
