量子模糊形态学联想记忆网络及在齿轮振动信号

来源：量子电子学报 【在线投稿】栏目：期刊导读时间：2021-03-18

针对传统模糊形态学联想记忆网络(FMAM)不能自适应选择结构元素的形状和大小,在对样本进行分类时存在错分问题,以量子的叠加、坍塌性质为基础,提出量子模糊形态学联想记忆网络(QFMAM),用量子位系统构造结构元素,量子位概率代表相应的隶属度,获取具有自适应特性的结构元素,在分类前先对样本进行处理从而降低无用干扰信息对分类精度的影响。利用QFMAM分别对仿真数据和齿轮箱台架实验信号进行分类,并与FMAM、支持向量机(SVM)、朴素贝叶斯分类器(NBC)的分类性能作比较,验证了提出的QFMAM训练效率高、学习能力强、分类精度高,是一种很好用的智能分类器。