【自适应稀疏度量方法和RQAM】疏度测量、RQAM特征、AWSPT和基于AWSPT的稀疏度测量研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

这是一份关于一些经典和新的稀疏度量方法（包括峰度、基尼指数、负熵、Lp/Lq范数、p-q均值、GI2、GI3、广义基尼指数、Box-cox稀疏度量等）。还介绍了自适应稀疏度量方法和RQAM统计特征等更多功能。

这些是稀疏性度量、自适应加权信号预处理技术、自适应稀疏性度量和 RQAM 特征的代码。以基于西安大轴承数据集2-3的图解作为实现示例。

论文[1]是对稀疏性措施的理论研究，并在论文[1]中给出了新的框架RQAM。论文 [2]是一种相关的新方法，它使稀疏性措施能够同时实现明确的早期故障检测和单调退化评估。论文 [3-4] 是使用 RQAM 生成的新的稀疏性度量。我相信通过使用 RQAM 可以轻松生成新的稀疏性度量。

值得指出的是，已经有新的期刊论文发表，其技术路线/基础与作品高度相关[1]和[2]。在这些已发表的论文中开发了一些新的稀疏性度量和RUL预测方法。

[1] 侯斌，王丹，夏涛，王彦，赵彦，徐国强，机器状态监测准算术方法研究，机械系统信号处理. 151 （2021） 107451. Redirecting

[2] 侯斌，王丹，王彦，闫彤，彭志， K.-L.Tsui，用于机器健康监测的自适应加权信号预处理技术，IEEE Trans. Instrum。测量 70 （2021） 1–11。Adaptive Weighted Signal Preprocessing Technique for Machine Health Monitoring | IEEE Journals & Magazine | IEEE Xplore

[3] 侯斌，王丹，闫彤，王彦，彭志， K.-L.Tsui，基尼指数II.和III.：两种新的稀疏性措施及其在机器状态监测中的应用，IEEE/ASME Trans.机电一体化。4435 (2021) 1–1.Gini Indices II and III: Two new Sparsity Measures and Their Applications to Machine Condition Monitoring | IEEE Journals & Magazine | IEEE Xplore

[4] 侯斌，王丹，夏彤， L. Xi， Z. Peng， K. Tsui，广义基尼指数：用于机器状态监测的Box-Cox稀疏性测量的补充稀疏性措施，机械系统信号过程。 169 （2022） 108751. Redirecting

📚2 运行结果

部分代码：

FeatureVect(:,i) = RQAMfeature(SE,HealthySignal); % % It returns the adaptive
% SM feature vector whose length =11 and RQAM feature whose length is
% also 12. So, FeatureVect(1:12,i) is adaptive SM feature vector,
% FeatureVect(13:end,i) is RQAM feature vector

end
%% Plot SM features for machine condition monitoring
figure,
for i = 1:12
subplot(3,4,i), plot(SparMeaVect(i,:))
end

%% Adaptive SM features for machine condition monitoring
figure,
for i = 1:12
subplot(3,4,i), plot(FeatureVect(i,:))
end

%% RQAM features for machine condition monitoring
figure,
for i = 1:11
subplot(3,4,i), plot(FeatureVect(12+i,:))
end