基于HHT的绝缘子泄漏电流分析及放电状态分类识别

泄漏电流是污秽绝缘子在线监测参数,能动态地反映绝缘子表面的放电状态。文中开展了瓷绝缘子人工污秽放电试验,利用Hilbert-Huang变换分析了不同污闪阶段的泄漏电流固有模态函数分量、Hilbert边际谱与时频熵,从时频域及波形细节提取了15个特征量,使用主成分分析法与最小二乘支持向量机分类器对污秽放电状态进行识别。结果表明:起始放电阶段与闪络阶段的泄漏电流固有模态函数分量较多;泄漏电流的Hilbert边际谱上频率主要分布在0~150 Hz、200~250 Hz范围内;闪络前泄漏电流的时频熵值总是大于闪络后的;当训练样本数为测试样本数5倍及以上时,分类器的综合评判准确率可达99%,准确实现了污秽放电状态的分类识别。文中研究结果可为建立绝缘子污闪预警系统提供依据。

基于CNN的作物分类识别图像获取平台研究进展

基于机器视觉的作物精准分类识别是农业自动化、智能化作业的前提。在作物图像分类识别任务中,卷积神经网络(CNN)是当前应用最广泛的算法之一。作物表型特征及生长环境的复杂性,决定作物图像获取平台的多样性。通过分析2020—2022年国内外基于CNN的作物分类识别研究,图像获取平台可划分为通用平台和自建平台两大类:通用平台硬件产品成熟、部署方便,但要做好设备选型和环境搭建;自建平台分为固定式和移动式,能高效获取试验数据,但硬件集成较为复杂。详细对比分析各类平台的优缺点及适用范围。作物图像获取平台的未来趋势包括:高通量、高效率、自动化的通用图像获取装置,集成多种传感器的多模态数据采集与融合应用,自带运算处理的智能摄像头等,更精细化的图像获取平台将有效支撑作物表型的深入研究。

教师课堂管理行为多模态解码:行为特征、分类识别与时序发展

教师课堂管理行为的智能评估与精准诊断是数智时代教师素养提升和教育实践变革的关键抓手。研究采用多模态数据融合分析法,深度解码了教师课堂管理行为的模式及其特征。为精确捕获和量化教师课堂管理表现,构建了一个四维分析模型,涵盖了9项一级指标和24项二级指标,通过加权融合多模态数据,实现了对教师课堂管理行为的定量评价。研究结果表明:教师课堂管理行为可归纳为教师中心型、常规稳定型及灵活适应型。教师课堂管理行为特征可总结为自我管理一致性、学生管理弹性、内容聚焦性与环境管理恒常性四个维度。时序分析揭示了教师在教学进程中管理行为的动态演变,从初始的引导学生到赋权学生,连续的策略优化映射出教师专业能力的逐渐展现和对课堂生态的灵活适应。研究深化了对教师课堂管理行为的认识与理解,为未来教师课堂管理行为的评估与优化提供了一种新的分析框架和实证基础。

改进模糊推理分类器进行木材树种近红外光谱开集分类识别研究

开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。

基于改进YOLOX的猕猴桃分类识别与空间定位

复杂自然环境下果实的快速、准确识别和定位是猕猴桃机械臂采摘的关键和难点。面向猕猴桃实时采摘应用,开展了基于深度学习的猕猴桃分类识别算法、空间定位模型构建和机械臂采摘实验研究。优选Anchor_Free的一阶段YOLOX算法模型,并通过引入注意力机制、调整通道数、增加特征融合、堆叠特征融合对该模型特征融合环节加以改进,提高了非结构化环境下猕猴桃果实的分类识别精度。实验数据表明,改进YOLOX算法对独立果实、树叶遮挡、树干遮挡、果实重叠的平均精度(AP)分别提升至99.38%、98.43%、93.82%和92.98%,平均精度均值(mAP)达到96.15%,其平均F1值提升至94.24%,且在640×640分辨率下每幅图像的平均检测时间为0.019 s。进一步地,利用图像深度信息对识别目标进行三维空间位置求解,并经物理实验验证,实验中果实定位坐标误差≤3.3%。算法在识别率、检测时间和定位误差3方面取得了较优的综合性能,满足猕猴桃机械臂采摘中果实的实时识别及定位需求。

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题有重大作用,准确的害虫分类识别为虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。

基于深度学习的光纤微震信号分类识别的研究

微震监测技术可实时、精确给出岩体破裂或失稳的空间位置,已成为煤与瓦斯突出、隧道岩爆等灾害预警的重要手段之一。针对地下工程中环境复杂,信号微弱难以有效辨别的问题,提出了一种将卷积神经网络与Transformer结合(T_CNN)的微震信号识别方法。利用光纤加速度传感器采集西部某隧道工程中的6种信号,将信号经过带通滤波降噪和傅里叶变换后输入模型进行训练和验证。利用模型中的卷积神经网络进行特征提取,基于Transformer对重点信息进行聚焦,通过多层感知机得出最终多分类结果。结果表明,基于T_CNN模型分类准确率达到98.09%,且收敛速度更快。相较于目前先进的残差神经网络来说,其准确率提高了6.2%,精确率、召回率、F1分数分别提高了0.036、0.023和0.033,证实了该算法在实际工程应用中的优越性。此外,将光纤微震信号经过特征变换后输入到模型中,光纤微震信号的能量也能得到较为准确的估算,进一步验证了该模型具有良好的应用前景。

基于混合策略改进ASO-LSSVM的风险驾驶行为分类识别

为解决现有智能算法在优化支持向量机识别风险驾驶行为过程中收敛速率缓慢和误差较大的问题。首先,采用Tent映射取代原子搜索优化算法(ASO)种群初始化随机设置的方式,增加原子种群多样性和质量;其次,使用逐维小孔成像反向学习与柯西变异混合机制,提高原子个体择优位置的多样性,克服ASO算法易陷入局部最优和过早收敛的问题;最后,通过引入自适应变螺旋搜寻策略改进原子个体位置更新过程,以提升ASO算法的全局搜索能力,实现全局搜索和局部开发间关系的有效平衡,缓解ASO算法易陷入局部最优和收敛精度不足的问题。以上海北横通道出口匝道车辆轨迹数据为输入,使用混合策略改进ASO算法寻优求解最小二乘支持向量机(LSSVM)参数,构建基于混合策略改进原子搜索优化最小二乘支持向量机IASO-LSSVM的快速路出口匝道风险驾驶行为分类识别模型。数值仿真实验结果表明:IASO算法在12个基准测试函数数值仿真结果的平均值、标准差、最佳适应度和最差适应度等方面均更接近最佳优化值。IASO-LSSVM模型相较于ASO-LSSVM和LSSVM等模型的风险驾驶行为分类识别结果误差指标正确率、精确率、召回率和F1值分别增加11.5~24.5、14.1~29.0、15.1~28.6和14.7~31.2个百分点,且在不同类型风险驾驶行为识别结果中误差变化范围最小。IASO算法参数寻优求解精度和收敛速率优于ASO算法,且IASO-LSSVM模型可用于不同类型风险驾驶行为精准识别,可为车辆行驶轨迹状态合理判别,制定风险驾驶行为预警防控措施提供数据支撑与理论依据。

水声目标的MFCC特征提取与分类识别

水声目标识别技术在水下信息处理中起着非常重要的作用,从辐射噪声中提取水声目标的有效特征一直都是水声目标识别技术的难点所在。提出了一种利用水声目标辐射噪声的梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)作为目标特征提取的方法。通过对辐射噪声信号进行梅尔频率滤波得到目标噪声信号的MFCC特征,它模拟了人耳对不同频率的声音具有不同感知能力的听觉非线性效应,因此具有良好的识别效果。通过对实际水声目标的辐射噪声进行测试实验,提取目标噪声信号的MFCC特征向量,并运用K近邻算法对其进行分类识别,实验结果显示MFCC特征提取与分类识别算法对水声目标的识别率达到85%以上。

利用深度森林进行船舶类型分类识别

针对船舶轨迹特征单一、分类的船型有限和利用AIS数据对海上船舶类型分类识别的研究比较欠缺等问题,提出一种基于深度森林(Deep Forest)的船舶类型分类识别方法。首先,该方法提取船舶轨迹段的16个运动特征,提高船舶特征的多样性和辨识度;其次,利用随机森林的重采样技术和特征选取的随机性,构造随机森林作为个体学习器,增强类型分类的鲁棒性;最后,对4个森林集成并串联构成具有自适应迭代层数能力的深度森林,从深度上加强表征学习,提升泛化能力。实验表明,该方法适用于小规模数据集的船舶类型分类识别,对游艇和其他类型的船舶分类效果显著,能够有效提升货船和油轮的分类精度,分类时效性好,并且随着样本库的扩展和模型的优化存在提升空间。

基于DOCnet的强对流天气分类识别

强对流天气对人民生命财产有严重威胁,精确识别强对流天气有益于更好地预测强对流天气。为了解决传统机器学习方法忽视不同强对流天气在雷达图上的不同形状表达和传统机器学习方法计算量大等问题,提出一种基于DOCnet的多类强对流天气分类识别方法。该网络使用深度倍频卷积分别提取雷达图像的高频特征和低频特征,在去除低频特征图中冗余空间减少参数量的同时,增大了提取低频特征图和高频特征图卷积层的感受野,能充分提取雷达图的图像特征,提高模型对强对流天气的分类准确度。通过泛洪法训练模型,提高了模型泛化能力。在风暴事件图像(SEVIR)数据的测试集中,DOCnet模型对强降水、雷暴大风、冰雹、龙卷风4类强对流天气分类的平均命中率为90.54%,平均临界成功指数为81.2%,平均空报比率为11.9%。与基线模型相比,DOCnet的命中率提高了15.02个百分点;与表现最好的MobileNetV2相比,DOCnet的命中率高出5.87%。实验结果表明,DOCnet能够有效提高强对流天气分类效果。

通信干扰信号分类识别方法综述

通信干扰信号的分类识别作为通信抗干扰的前提和基础,被广泛运用于无线通信和通信电子战等诸多领域。从通信干扰信号分类识别的基本原理出发,将分类识别方法分为基于人工特征提取(Manual Feature Extraction,MFE)和自动特征学习(Automatic Feature Learning,AFL)两大类进行介绍。系统阐述了两类方法的区别,并对比分析了不同方法的特点和性能。最后,分析了该领域面临的挑战,并对未来的研究方向进行了展望。

基于新型柔性触觉传感器的摩尔斯电码分类识别研究

触觉是人类与外界联系的重要方式,在人机交互系统中赋予机器人触觉感知能力具有重要意义。基于聚偏氟乙烯(Polyvinylidene fluoride,PVDF)的压电特性、利用3D打印技术、设计并制备了一种具有高灵敏度(15.02 mV/N)的新型压电式柔性触觉传感器。通过在传感器表面轻敲“0~9”数字的摩尔斯电码,采集3000组传感器输出的4000维电压时序信号作为实验样本集。在此基础上构建具有强大特征提取能力的卷积神经网络(Convolutional Neural Network,CNN)与门控循环单元(Gated Recurrent Unit,GRU)的融合网络模型CNN-GRU,用以实现对数字“0~9”摩尔斯电码的识别,其平均识别准确率为98.17%。实验结果表明,所研究的新型柔性触觉传感器能够准确感知并区分不同摩尔斯电码的敲击模式,具有优良时序记忆能力的CNN-GRU模型能够很好地应用于柔性触觉传感器不同接触模式的分类识别。

基于改进K-最近邻算法的变电站设备分类识别方法研究

针对变电站设备三维点云数据采集缺陷造成的场景重建精度低、效率差等问题,在对识别过程进行分析的基础上,提出了一种结合K-最近邻分类算法和改进粒子群算的变电站设备分类识别方法。使用改进的粒子群优化算法来优化K-最近邻分类器的输入权重,提高了设备的分类识别精度。通过仿真进行对比分析,验证该方法的优越性。结果表明,采用该方法的分类识别效果显著,训练准确率达到100%,测试准确率达到99%,与传统识别方法相比,识别准确率从97%提高到99%,平均识别时间从85.81 s降低到0.19 s。该方法解决了变电站设备三维点云数据采集缺陷造成的场景重建精度低、效率差、识别率低等问题,有效提高了变电站设备的分类识别效果,具有良好的实用价值和可操作性。

基于卷积神经网络焊管缺陷分类识别

针对常规涡流检测阻抗平面分析法无法对不锈钢焊管缺陷种类进行识别的问题,提出了一种基于涡流检测技术结合机器学习对不锈钢焊管缺陷进行分类识别的有效方法。首先对提取到的涡流信号进行短时傅里叶变换,将原始涡流信号转换成二维时频图;再将二维时频图输入到VGG-16和GoogLeNet两种神经网络训练模型的输入层中。结果表明:VGG-16和GoogLeNet两种神经网络训练模型能成功识别不锈管焊管的缺陷,且VGG-16模型在0.01的学习率下的整体分类精度高于GoogLeNet模型。

基于改进极限学习机的雷电过电压分类识别

以雷电过电压波形的特征信号为输入量,雷电过电压类型为输出量,采用改进粒子群算法(IPSO)对极限学习机(ELM)的权值和偏置值进行优化,建立了基于IPSO-SVM的雷电过电压分类识别模型。采用雷电过电压仿真获取250例实验数据进行仿真分析,其中200例作为训练数据,50例作为测试数据。测试结果表明:PSO-SVM模型准确率为98%,高于PSO-ELM、PSO-SVM和ELM等模型,具有良好的分类性能。

基于Swin-Transformer的岩石自动分类识别

地质勘探领域中,岩石准确识别对于资源评估、勘探定位以及环境保护等方面具有重要意义。然而,传统岩石识别方法依赖于地质学家的观察和经验,存在效率低、主观性强和对专家经验依赖等问题。为了解决以上问题,提出了一种基于Swin-Transformer的岩石自动分类识别算法。该算法通过引入分阶段的注意力机制,将图像分割成不同的块,利用窗口化注意力机制使得每个图像块只与其附近的块进行交互,从而显著降低了计算和内存消耗。实验结果表明,与当前流行的分类模型如ResNet和EfficientNet相比,提出的模型在分类识别效率和准确率上都有显著提高,Top-1准确率达到91.3%,Top-5准确率可达到98.56%。不仅提高了岩石识别的准确性和效率,且通过自动化处理流程,减少了对人工干预的依赖,为地质学研究和工程应用提供了有力支持。

基于路面图像分类识别的路噪主动控制方法研究

传统的吸声、隔声以及减震等降噪方法应用会导致车辆的重量也随之增加,且对低频率噪声降噪的效果并不理想,噪声主动控制技术能够在长波长的低频降噪中发挥不错的作用。对此,噪声主动控制技术应用比较广泛。本文研究基于路面图像分类识别的路噪主动控制方法应用,通过多种传感器应用,对车辆前方路面进行感知,识别前方路面,识别路面信息后输入到路噪主动控制算法中,为降低噪声,促进车辆智能化水平提升提供一些思路和参考。

多源荧光光谱数据融合下的淡水浮游植物分类识别方法

淡水浮游植物分类识别过程中,主要采用单一的荧光光谱数据进行特征提取,所得特征信息较为片面,分类识别结果的F1分数偏低。为此,以多源荧光光谱数据融合为前提,提出一种新型淡水浮游植物分类识别方法。采用局部线性嵌入算法对多源荧光光谱数据进行降维处理,再通过小波分解算法提取光谱特征信息。运用独立成分分析算法标记出有效的特征信息,依托于多源荧光光谱数据融合原理结合有效特征得到全面的光谱特征信息。将光谱特征输入可解决多分类问题的支持向量机模型,生成淡水浮游植物分类识别结果。实验结果显示,在噪声比例为40%时,文中设计的分类识别方法的分类识别结果F1分数依旧为0.95,与其他两种方法相比提高了14.74%和18.95%,分类结果更加准确。

配网超声波带电检测技术及缺陷分类识别方法

在对配网进行带电检测的环节中,常规的方法对于开关柜等复杂设备的处理效果不佳,因此,提出配网超声波带电检测技术及缺陷分类识别方法。首先,计算超声波带电检测的均值,进一步构造音频中循环放电处的特征向量,分析音频数据的重复性特征,完成配网缺陷基础信息数据的处理,提取数据特征。然后,在此基础上,建立缺陷分类数据库,构建仿真模型,调整训练规则,消除二次回路缺陷信号中的噪声。最后,通过最优超平面即可实现缺陷分类识别。结果表明,该方法的精确度为98.7%,在各样本上的表现都较为稳定,可以提升配网超声波技术的检测效果。