对Gabor时频变换在模态参数辨识中的应用进行了探讨,将基于Gabor系数展开的时频滤波方法作为参数辨识的前处理手段之一,该方法对于平稳、非平稳信号都适用。根据信号在时频域内的分布特征,可以直接观测系统的频率分布情况、模态密集程度、能量聚集性、各通道响应信号所含特征量的多少等信息,从而对响应信号的特征构成进行初步判断,并通过剔除、截取等操作实现对响应信号的滤波,更有利于模态参数的辨识。

针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ　Ｅｘｔｒｅｍｅ　Ｌｅａｒｎｉｎｇ　Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码