基于复合特征规则库的多源POI融合方法

多源POI融合是指将不同来源的POI数据集成为一个统一、准确且全面的数据库。POI数据作为国家地理信息公共服务平台(天地图)的重要数据资源之一,如何有效融合其他多种POI数据源,使天地图POI数据现势性、准确性及丰富性不断提高,是天地图建设的关键技术之一。当前有关POI数据融合方法的研究在测绘、地理信息系统及大数据和人工智能领域都受到了广泛关注,并取得了一定进展。但由于POI文本类属性的复杂性与多样性,在实际工程应用时如何有效判断POI的属性相似度仍面临挑战。针对天地图POI数据快速更新的迫切需要,以及当前多源POI数据融合方法存在的不足,本文提出一种基于复合特征规则库的多源POI融合方法,为天地图的数据更新与母库建设提供技术支撑。

大型调相机转子气隙偏心故障的复合特征分析

在“强直弱交”的大电网背景下,具备动态无功支撑能力的调相机愈发重要,其运行的安全稳定成为未来研究的重点。由于制造、安装、运行等原因,调相机转子气隙偏心故障频发,危害严重。文章以调相机转子气隙偏心故障为研究对象,推导了偏心前后气隙磁密、转子不平衡磁拉力以及定子环流这些复合特征的变化规律,发现偏心后气隙磁密产生偶次谐波,造成转子振动,定子并联支路产生环流,且静态偏心与动态偏心在转子振动频次与支路环流上差异明显,同时以某300 Mvar大型调相机结构参数为依据,利用Ansoft软件建立了有限元模型,仿真验证了故障复合特征分析的正确性,为调相机故障诊断与安全稳定运行提供借鉴和指导。

基于复合特征的非侵入式电力负荷识别方法研究

目前电器种类迅速增多,各类电器的负荷特征相似度随之提高,难以准确辨识。针对这一现状,提出了一种基于复合特征的非侵入式电力负荷识别方法。该方法对传统单目标函数进行了改进优化,并且基于电器功率和正交电流谐波特征,进一步建立了基于遗传算法的复合特征目标函数模型,通过遗传迭代多目标寻优获得最优个体,实现精确的负荷识别。实验结果表明,所提出的基于复合特征的非侵入式电力负荷识别方法识别准确率较高,可以满足实际应用需求。

基于振动信号复合特征向量的配电变压器机械故障检测技术研究

为诊断配电变压器机械故障,提出基于振动信号复合特征向量的检测方法。针对使用单个特征量在识别故障时的信息不完整性,采集了振动信号中波形特征量和能量特征量组成复合特征向量,并使用主成分分析法将高维的复合特征向量优化得到主成分特征向量,最后利用深度置信网络对其进行配电变压器状态识别。研究结果表明:复合特征向量可以准确反映配电变压器的机械故障,使用主成分分析法的优化方法可以有效提高机器识别的工作效率,基于振动信号复合特征向量的检测方法可以实现变压器机械故障的检测。

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换(FFT)方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足,提出了集小波分析、模糊理论和径向基函数神经网络(RBFNN)优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪,提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化,提取关系型征兆;然后将这2种特征组合,形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明,该方法能够全面准确地提取水电机组稳定性状态特征,在水电机组故障诊断上具有一定的可行性和有效性。

基于风量-风压复合特征的通风系统阻变型故障诊断

为了避免风量单一特征进行故障位置诊断的不适定性,提出基于风量-风压复合特征的故障位置诊断方法,实现特征信息的多维互补,提高故障位置诊断的准确度。利用蒙特卡洛方法生成大致满足实际故障风阻值分布的故障仿真样本,为了避免不同变量之间不同量纲、不同数量级造成的数据损失,对原始风量、风压数据进行标准化处理,并分别以风量单一特征、风压单一特征、风量-风压复合特征作为支持向量机(SVM)的输入,构建通风系统阻变型故障位置诊断模型。通过故障模拟实验研究表明:风量、风压单一特征进行故障位置诊断的准确度分别为89.80%,90.34%,风量-风压复合特征进行故障位置诊断的准确度为98.23%,说明风量-风压复合特征进行故障诊断可以消除风量、风压单一特征进行故障诊断的不适定性,提高故障诊断的准确度。

基于复合特征的P2P业务识别系统的研究与实现

着重分析了P2P流量统计特征,根据不同应用的流量模式和实验结果,提出了一种基于流统计特征的P2P识别方法.这种方法不需要对数据报文载荷信息进行检查,因此不受数据是否加密的限制,扩大了P2P识别的范围.论文将基于流统计特征的识别方法与端口法、有效载荷特征串识别法等结合起来,构成复合的P2P流量识别系统.实验数据证明,该系统不仅能识别出更多的P2P应用,而且还具有较高的识别率和较低的误报率和漏报率,应用到实际网络中效果良好.

采用复合特征提取和SVM的三电平STATCOM故障诊断方法

针对中点钳位式三电平静止同步补偿器(STATCOM)功率开关管的开路故障诊断问题,提出了一种复合故障特征提取技术。通过分析三电平STATACOM功率开关管开路故障后输出电流的变化规律,在小波包能量谱特征提取法的基础上,加入归一化平均电流特征提取法,计算一个周期内三相电流的归一化平均值,从而得到频域和时域两方面故障信号指标,构造故障特征向量;采用支持向量机对故障进行分类,通过改变负载来获取训练样本进而采用网格搜索法训练支持向量机。分别采用Matlab离线仿真和d SPACE实时仿真对所提算法进行验证,实验结果表明,与单一小波包能量谱特征提取技术相比,采用复合特征提取技术,故障诊断的准确度分别提高了38. 88%和49. 43%,诊断时间缩短了7. 38%和6. 61%。

利用复合特征对电磁辐射监测进行模式识别的冲击地压预测研究

如何从电磁辐射监测数据中预测冲击地压危险性,一直是冲击地压预测领域研究的重点。目前,运用较多的有临界指标法、综合指数法、指标变化偏差法等,但这些方法都只注重数据的表面变化,忽视了隐藏及蕴含在监测时序中许多有助于识别冲击地压危险的特征和有用信息,模式识别方法通过提取监测时序中的时域、频域及小波域特征构成复合特征向量,以欧氏距离测度作为类内类间可分离性判据对特征向量进行压缩变换,运用Fisher准则构造冲击危险性识别的模式识别器,识别器用压缩后的特征向量进行训练学习,得到识别器的结构参数:权向量和分界值(阈值)后,即可成为性能稳定的冲击地压危险性预测的模式识别系统,运用该系统就能实现对其他样本的预测识别。通过对检验样本的预测表明,预测精度要优于临界指标法等传统预测方法。

利用复合特征进行模式识别的探雷研究

根据对探地雷达回波信号的分析,提出了一种利用复合特征训练神经网络并用其进行地雷探测的新方法.整个过程包括有预处理、特征提取及神经网络分类三个步骤.在特征提取的过程中,选取时域、频域、小波域能量及其统计量,以及Welch功率谱密度估计作为地下埋设目标的特征,在此基础上使用WILKS准则采用逐步判别的方法抽取关键特征,从而降低特征维数并将特征送入神经网络训练.使用地雷目标与其相近物体的数据进行对比试验和神经网络测试,结果表明,使用复合特征训练的神经网络可有效地将地雷与其他干扰物分开,提高了地雷的探测率,同时降低了虚警率.

严复经济思想的复合特征及其意义

严复学贯中西 ,在近代中西文化激烈碰撞的历史时期形成了其具有鲜明复合特征的经济思想。他推崇放任自由 ,但主张一定范围的国家干预 ;他认同“重农” ,但反对“抑末” ;他赞成“崇俭” ,又主张“积极消费”。今天看来 ,这些思想不仅具有历史意义 。

基于点线复合特征的图像十字架检测算法研究

通过对两类样本的详细地分析,本文提出并设计了基于关键点特征的十字架提取检测算法,实验证明了该算法对第一类样本是有效的;在此基础上,分析了该算法对第二类样本的不适用情况,提出了改进算法,即基于点线复合特征的十字架提取检测算法,经试验,该算法运行速度快,成功率高,对两类样本适用性较好。

基于复合特征的GIS振动信号特征提取方法

对GIS的振动信号进行分析可以及时有效的发现设备中存在的故障。在GIS设备的故障诊断中,特征提取是最为关键的步骤,文中针对单一种类的特征提取方法提取到的特征容易缺乏特异性这一缺点,提出了基于复合特征的GIS振动信号特征提取方法。首先将奇异值分解和基于总体最小二乘准则的旋转不变技术这两种时频法结合起来对振动信号中具有明确物理意义的特征量进行提取,对于没有明确物理意义的特征量,通过数据序列法中的变分模态分解和多重分形来对其进行提取;然后将这两种特征量组合得到新的特征量,并将该方法与单一的特征提取方法的分类效果进行了对比,文中提出的方法得到了更高的识别率,更具有优越性。

红外目标图像的复合特征跟踪算法

红外目标图像跟踪系统中应用单一特征跟踪算法,易造成跟踪点漂移和目标丢失。提出目标图像的复合特征跟踪算法,综合利用目标图像的灰度特征和点特征,联合灰度特征的易用性和点特征的空间不变性,分别克服单一特征易受光照、噪声干扰,以及实时性较差等方面的不足。提出了复合特征联合匹配的算法流程和权值分配策略,通过仿真试验对比三种方法的目标跟踪性能,证明了该算法的有效性。

基于复合特征的复制粘贴伪造图像盲检测

提出了一种基于复合图像特征的复制粘贴伪造图像盲检测算法。复合图像特征由一维特征矩、二维特征矩、马尔科夫特征组成,从时空、局部和全局综合提取图像特征描述,提高了图像特征描述符的表示能力。本文所提的伪造图像盲检测算法基于复合图像特征,分析图像块间的相似度,搜索复制粘贴伪造区域。通过哥伦比亚大学伪造图像数据集的测试结果表明,在灰度值变化明显和细节轮廓清晰的图像中,所提算法能达到比较理想的检测效果,准确率较高。

基于最大熵模型下复合特征模板的产品属性挖掘研究

最大熵模型是产品属性挖掘研究领域的一个热点。通过对产品属性挖掘,构造最大熵模型复合特征模板的两对主要影响因素(词形与词性、中心词与非中心词),探讨它们对最终挖掘结果的影响,得到在其他条件基本相同的情况下,词性关系加入对挖掘效果的影响要优于词形关系;中心词关系加入提升查准率降低查全率,非中心词则相反,但二者综合效果相差不大,选用情况取决于实验目的。

基于U型网络复合特征的视网膜血管分割方法

视网膜血管自动分割是实现糖尿病、心血管疾病,以及多种眼科疾病自助诊断的关键步骤。血管末端消失、血管与视盘相混淆是导致分割准确率下降的主要原因。针对此类问题,提出一种基于"编码器-解码器"的复合特征视网膜血管分割方法。将U-Net的对称结构与HRNet保持高分辨率表征的方法相结合,构建复合特征提取融合模块,使神经网络充分捕捉图像中的浅层信息,提高视网膜分割准确率。在公开DRIVE数据集上进行实验,模型在测试集上的准确率、特异性、灵敏度、AUROC和AUCPR分别达到0.953 7、0.984 6、0.764 4、0.983 0、0.923 9。实验结果表明,相对于目前主流的视网膜血管分割方法,所提方法表现出了一定的优势。

基于瓶颈复合特征的声学模型建立方法

针对梅尔频率倒谱系数(MFCC)语音特征不能有效反映连续帧之间有效信息的问题,基于深度神经网络相关性和紧凑性特征,提出一种融合神经网瓶颈特征与MFCC特征的复合特征构造方法,提高语音的表征能力和建模能力。从语音数据中提取MFCC特征作为输入数据,将MFCC特征和BN特征进行串接得到新的复合特征,并进行GMM-HMM声学建模。在TIMIT数据库上的实验结果表明,与单一的瓶颈特征和深度神经网络后验特征相比,该方法识别率明显提升。

基于复合特征提取的大功率逆变器状态识别方法研究

本文针对城市轨道列车大功率逆变器中IGBT开路故障问题,提出了一种基于复合特征提取的状态识别方法。以大功率逆变器输出端的三相电流作为切入点,对其信号的时域和频域特征进行提取,综合两者建立新的复合特征向量组,并运用自组织特征映射神经网络(Self-Organizing Feature Map)实现故障状态识别。结果表明:相比于传统的小波分析特征提取方法和单一的EEMD分析特征提取方法,该方法训练次数更少,时间更短,对故障的识别比传统方法准确率更高。

基于复合特征参数的睡眠分期算法设计与仿真

针对单一特征值无法准确区分不同时期脑电信号的问题,提出一种基于复合特征参数的睡眠分期识别算法。该算法应用带通滤波器对原始脑电信号进行预处理,提取4种节律波;然后分别利用自回归模型和样本熵求出各个节律波的自回归系数和样本熵值,结合计算得到的能量特征和信源熵值,组成复合特征参数;最后使用支持向量机实现睡眠自动分期。Matlab仿真结果表明,该方法相较于基于自回归系数单一特征值的睡眠分期算法,其准确率提高了5.63%。