基于多特征融合时差网络的带式输送机区域违规行为识别

现有的煤矿井下带式输送机区域违规行为(如攀爬、跨越、倚靠带式输送机等)识别方法对特征提取不充分、难以考虑到行为时间差异,导致违规行为识别准确率不高。针对该问题,基于ResNet50模型,提出了一种基于多特征融合时差网络(MFFTDN)的带式输送机区域违规行为识别方法,将多特征融合和时间差分进行结合,对不同时间段的行为进行多特征融合。首先在原始模型ResNet50的第2和第3阶段引入短期多特征融合(STMFF)模块,将来自多个连续帧的时间和特征拼接在一起,再对融合后的特征进行时间差分计算,即相邻帧的特征差值,以在短期内捕捉局部动作变化。然后在原始模型ResNet50的第4阶段引入长期多特征融合(LTMFF)模块,将来自连续帧的短期多特征拼接在一起,再对相邻时间点的特征进行时间差分计算,以获取行为的长期多特征。最后将融合后的特征进行分类,输出识别结果。实验结果表明:①该方法的平均精度和准确率较原始模型ResNet50分别提高了8.18%和8.47%,说明同时引入STMFF和LTMFF模块能够有效提取到不同时间段的多特征信息。②该方法在自建煤矿井下带式输送机区域违规行为数据集上的准确率为89.62%,平均精度为89.30%,模型的参数量为197.2×10^(6)。③Grad−CAM热力图显示,该方法能够更有效地关注到违规行为的关键区域,精确捕捉到井下带式输送机区域的违规行为。

基于多特征融合的高机动多目标低截获概率跟踪技术

在多目标跟踪过程中,目标的高机动特性使得传统采用固定运动模型或交互式多模型的目标跟踪算法很难实时精确匹配目标运动模型,从而引起高机动目标的低跟踪精度问题。针对这一问题,本文提出一种基于目标运动状态模型自适应更新的高机动多目标跟踪算法。在多目标跟踪过程中,该算法采用多特征聚类融合算法进行目标运动模型估计,并根据各目标跟踪波动参数进行状态转移矩阵决策更新,同时利用联合概率数据关联实现多机动目标状态转移矩阵自适应更新的关联跟踪,从而解决了传统多目标跟踪算法因目标运动模型失配引起的低跟踪精度问题。在目标跟踪算法的传感器选择上,无源传感器不对外辐射能量,具有较好的低截获概率性能,但其跟踪精度有限,常不能满足多目标高跟踪精度的要求。雷达作为有源传感器,具有较高的跟踪精度。但由于雷达对外辐射信号,容易被防御方截获。针对这一问题,本文提出了一种无源传感器目标跟踪为主,有源雷达间歇跟踪为辅的多传感器协同管理目标跟踪算法。该算法通过对目标跟踪本征堆积误差的判断进行传感器的最优分配,并根据波动参数的大小进行状态转移矩阵决策更新。仿真结果验证了本文所提出的多传感器协同的高机动目标跟踪算法在满足高机动目标跟踪精度的条件下可以有效的提升雷达低截获概率性能。

多特征融合的无人艇视觉目标长时相关鲁棒跟踪

[目的]针对显著海浪遮挡、相机剧烈晃动引起的无人艇视觉目标跟踪脱靶问题,提出一种基于多特征融合的长时相关鲁棒跟踪算法。[方法]首先,采用多特征融合技术,增强目标特征表达,提高目标模型鲁棒性;其次,利用高维特征降维和响应图子网格插值,提高目标跟踪的效率与精度;然后,设计水面目标重识别机制,解决目标完全脱离视野时的稳定跟踪问题;最后,采用多个代表性视频数据集进行验证和比较分析。[结果]实验结果表明,相较于传统的长时相关跟踪算法,平均成功率提升15.7%,平均距离精度指标提升30.3%,F-Score指标提升7.0%。[结论]所提算法能够处理恶劣海况下的目标脱靶问题,对于提升无人船艇及海洋机器人智能感知能力,具有重要技术支撑意义。

基于tSNE多特征融合的JTC轨旁设备故障检测

无绝缘轨道电路(Jointless Track Circuit,JTC)的轨旁设备在室外长期运营过程中,其可靠性会逐渐降低,进而给列车行车安全带来严重威胁。以轨道电路读取器(Track Circuit Reader,TCR)感应电压为基础,针对JTC故障诊断研究中轨旁设备故障类型复杂和故障特征提取不充分等问题,提出一种基于t分布随机邻域嵌入(t-distribution Stochastic Neighbor Embedding,tSNE)多特征融合的JTC轨旁设备故障检测模型。首先,根据不同轨旁设备故障对TCR感应电压信号的影响,分析各轨旁设备的故障特性。其次,提取TCR感应电压信号的方差、有效值、峰值因子等幅值域特征,以及排列熵、散布熵特征构成原始故障特征集。为了去除其中的冗余信息,得到具有较高判别性的融合流形特征,利用tSNE算法进行特征融合。最后输入深度残差网络(Deep Residual Network,DRN)得到故障检测混淆矩阵,实现轨旁设备故障定位。实验结果表明:tSNE算法融合后的特征在异类和同类故障样本之间分别有较大的类间间距和较小的类内间距,相比主成分分析(Principal Component Analysis, PCA)、随机相似性嵌入(Stochastic Proximity Embedding, SPE)、随机邻域嵌入(Stochastic Neighbor Embedding,SNE)算法具有更优的融合特征提取效果。此外,结合DRN可以有效识别多种轨旁设备故障,达到98.28%的故障检测准确率。通过现场信号进行实例验证,结果表明该故障检测模型能满足铁路现场对室外设备进行故障定位的实际需求。

电压信号多特征融合检测串联故障电弧

串联故障电弧具有产生的随机性以及发生时电路电流减小等特点,传统保护装置难以识别。当前对串联故障电弧的检测大多对电流信号进行分析,但其容易受负载影响,识别时容易误判。因此,提出一种基于电压信号多特征识别电弧故障的方法,对实验采集的电压数据进行深入分析,利用余弦相似度、Pearson相关系数和Hausdorff距离对采集到的电源端电压和负载端电压波形相似度进行分析,并通过两电压差计算出线路电压,利用时域分析提取特征。对不同采集频率进行实验分析,选取最优采集频率。最后,通过学习向量化(Learning Vector Quantization,LVQ)神经网络对上述多特征融合进行检测。不同类型的负载试验表明,该方法对故障识别准确率可达96%以上。

数模联动的多特征工件加工能耗预测方法研究

在实际切削加工过程中材料去除率是不断变化的,现有将其视为恒量的能耗建模方法难以实现能耗准确预测。为了提高切削过程能耗预测精度,提出了一种基于材料去除率的数模联动加工能耗预测方法。首先,基于切削过程刀具与工件的接触关系分析了切入、完全切入和切出阶段材料去除率变化规律,并对相应的加工能耗特性进行了分析;其次,提出了数据驱动的刀具切入,切出阶段加工能耗预测方法,以及模型驱动的完全切入阶段加工能耗预测方法,实现加工过程能耗准确预测;最后,利用实验案例验证了所提模型及方法的有效性,为今后研究能耗预测精度奠定了基础。

基于ELM的超声多特征融合螺栓应力测量方法

针对传统超声波螺栓应力测量中存在的非线性和不适定性问题,提出一种基于极限学习机(ELM)的超声多特征融合螺栓应力测量方法。首先基于声弹性理论和散射理论,根据超声回波信号提取声时差及瑞利散射范围内多晶体材料中纵波的衰减系数等超声波特征参数。然后通过向量降维选择声时差、衰减系数和有效受力长度作为模型输入特征向量,建立了基于ELM的超声多特征融合螺栓应力测量模型。搭建螺栓轴向应力超声波测量实验平台,对不同材料和规格的螺栓进行螺栓应力的测量,并对比了使用传统的超声测量方法的测量结果,验证了传统超声检测方法的局限性。对比了ELM与其他机器学习方法包括BP、支持向量回归(SVR)的测量结果和精度。结果表明,提出的方法有效克服了传统超声测量方法的不足,能实现不同材料不同规格的螺栓应力测量,并且测量精度更高(平均相对误差为3.86%),泛化能力更好。

多特征融合的无人艇视觉小目标鲁棒跟踪

[目的]针对低特征分辨率、相似环境信息引起的无人艇视觉小目标跟踪混淆问题,提出一种多特征融合的连续卷积算子跟踪算法。[方法]首先,采用双三次插值技术,提高多特征图分辨率,实现亚像素级定位;其次,利用特征投影和生成样本空间,提高目标跟踪的效率,避免滤波器过拟合;最后,设计高置信度模型更新策略,解决相似环境信息对滤波器的干扰问题。[结果]结果表明:相较于传统的连续卷积算子跟踪算法,平均成功率提升17.4%,平均距离精度指标提升17.8%,期望平均覆盖率提升5.1%。[结论]该算法法能够处理海洋环境下的小目标跟踪混淆问题,为提升无人艇及海洋机器人的智能感知能力,提供关键技术支撑。

不均衡小样本下多特征优化选择的生命体触电故障识别方法

针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时域上提取能够反映波形动态变化特性的23个特征量,并利用高斯核Fisher判别分析(GKFDA)与最大信息系数(MIC)法从中选择最优表达特征组;最后,提出基于遗忘因子的在线顺序极限学习机(FOS-ELM)算法实现生命体触电行为的鉴别。实验结果表明,所提方法利用不均衡小样本触电数据集就可以训练出一个优秀的分类模型,诊断准确率可达98.75%,诊断时间仅为1.33 ms。其优良的性能结合在线增量式学习分类器设计,使得模型具备新知识学习能力,具有极好的工程应用前景。

基于多特征重构的三维目标反演算法

为了解决基于深度学习的三维反演方法中存在的内存占用大、训练耗时久的问题,提出基于多特征重构的三维目标反演算法.通过特征分解提取目标的水平区域、中心深度、垂直厚度和剩余密度4类特征,实现对三维模型的压缩,降低内存占用.设计多特征重构反演网络(MRNet),通过不同的Decoder实现对目标4类特征的预测,利用4类特征重构三维模型,实现对三维目标的反演.在网络输入端引入梯度联合实现对目标边界信息的增强.在跨层连接处引入CA注意力机制,实现对Decoder预测功能的分化,优化反演效果.模拟实验结果显示,MRNet的局部相对准确度相对于3D U-Net提升了30%以上,达到88.91%,每轮训练时间仅为3D U-Net的1/13.将MRNet应用于Vinton盐丘地区,较准确地得到了盖岩的分布情况,验证了MRNet具备一定的泛化性.

双分支复频谱下多特征聚合的轻量化语音增强方法

针对目前多种改进的卷积循环网络(CRN)在单掩蔽或单映射的编解码结构下提取特征单一、捕获全局特征不强、参数量较大等问题,提出一种多特征聚合卷积模块与高效Transformer融合注意力机制结合的复频谱联合掩蔽和映射的单通道语音增强高效网络。在编解码层设计一种双分支门控协作单元(DGCU),提取复频谱多层次特征后交互、聚合以弥补特征提取单一问题;中间层设计一种通道时频注意力融合模块,聚焦语音的时频、空间局部细节特征。最后在THCHS30数据集上进行消融和对比实验,实验结果表明,该网络以最低参数量、较低计算量实现了轻量化,在匹配和不匹配噪声下PESQ分别提升了10.5%~50.6%、16.3%~94.5%,客观、主观指标都优于其他对比的网络模型,表现出较高的降噪性能和网络泛化能力。

基于偏移注意力机制和多特征融合的点云分类

三维点云由于受到雾、雨和雪等自然天气条件的影响较小而受到了广泛的关注,在交通、能源和医疗等多个领域得到了广泛的应用,其中点云分类旨在划分三维点云数据的类别,为不同领域决策者提供信息,实现解决方案的制订,对自动驾驶、故障诊断和医学影像分析等具有重要意义。点云分类的应用前景广阔,但目前仍面临着诸多挑战。由于点云的无序性、稀疏性和有限性等特点,传统的图像处理和计算机视觉方法难以直接应用于点云数据分析,直接利用卷积神经网络不能有效提取点云特征,部分模型的特征提取不够充分,局部和全局的信息未能有效的利用,可能丢失重要特征信息。针对上述问题,提出一种实现点云的局部和全局特征相结合的多特征融合模块,并结合偏移注意力机制嵌入多特征融合模块实现较深层次点云特征的提取,同时引入残差结构充分利用浅层提取的特征,防止网络过深导致浅层特征丢失。在ModelNet40和ScanObjectNN分类数据集上进行训练和测试,并对实验进行了消融研究和部分数据可视化。实验结果发现该模型在ModelNet40上的分类总体准确率为93.6%,与PointNet、LDGCNN和PCT等模型相比,分类总体准确率分别提高了4.4、0.7和0.4个百分点;在ScanObjectNN上的分类总体准确率为83.7%,与PointNet++和DGCNN相比,分类总体准确率分别提高了5.8和5.6个百分点,具有较高的准确率和鲁棒性。

混合注意力与多特征交互的去雾算法

为解决目前深度学习去雾算法在处理非均匀雾天图像时无法有效利用多尺度特征,导致复原出的图像产生颜色失真、细节恢复不完整等问题,提出了混合注意力与多特征交互的图像去雾算法。首先,利用编码模块提取不同尺度的特征;其次,构造混合注意力模块,从全局角度对图像雾气进行感知,并利用通道注意力机制对不同雾浓度分配权重;然后,设计多特征交互模块,实现不同尺度特征间的信息交换,有效利用低分辨率特征中的语义信息,同时保留了高分辨率特征的空间细节与颜色信息,并利用门控融合模块聚合不同尺度的特征;最后,解码模块对融合后的特征进行重构,得到无雾图像。实验结果表明,运用本文提出的算法恢复的去雾图像不仅主观上颜色自然、细节清晰,而且在客观指标上也优于现有的主流算法。该研究结果可为深度学习去雾研究与应用提供新的方案。

基于双通道多特征融合的发电设备绿色节能控制方法研究

以往的发电设备绿色节能控制方法由于仅提取发电设备运行状态的功率特征,导致方法的控制效果较差。因此,设计了基于双通道多特征融合的发电设备绿色节能控制方法。首先,分析双通道多特征融合基本原理,利用传感器获取大量发电设备运行状态数据,并对数据进行优化处理,以分析发电设备运行状态与能耗之间的关系。其次,构建发电设备运行状态数学模型,从中提取发电设备运行状态多个特征信息,并利用双通道结构对提取的特征信息进行融合。然后,设计双通道多特征融合控制策略,以融合提取的数据特征。最后,计算对应的控制参数,通过计算发电设备运行过程中的能耗阈值,制定对应的电力设备绿色节能控制策略。试验结果表明,与以往的发电设备绿色节能控制方法相比,所提方法在实际应用中节能效益最高可达44.5%。该方法具有节能效益高、易于操作和维护、实时性好和灵活性高等特点,在发电设备绿色节能控制领域具有广阔的应用前景。

基于Vision Transformer的虹膜——人脸多特征融合识别研究

为了提高生物特征识别系统的准确性和鲁棒性,本文研究基于计算机视觉的虹膜—人脸多特征融合识别方法。本文对面部图像中虹膜区域进行提取以及预处理,采用对比度增强和归一化操作,加强了特征提取的一致性,提升了图像质量。为了获取丰富的深度特征,本文使用Vision Transformer模型对预处理后的虹膜和面部图像进行特征提取。利用多头注意力机制将虹膜和面部的多模态特征信息进行融合,再利用全连接层进行分类识别。试验结果表明,该方法识别性能优秀,识别准确性显著提升。

基于多特征融合过滤的对话文本摘要生成研究

原始对话中存在的较多无用信息会干扰模型对重要信息的关注。为此,提出一种基于多特征融合过滤的对话摘要模型,通过自适应地融合多种语义特征来过滤无用信息,实现更加准确的摘要生成。在对话摘要数据集CSDS上的实验结果表明,与先进的BART、MV-BART和BART(DALL)等模型相比,该方法在ROUGE分数上最高可提升2.89%。

基于多特征的深度神经网络混合推荐模型研究

近年来,深度学习广泛应用于推荐系统领域,并受到了极大的欢迎。然而,将混合推荐与深度学习技术相结合的研究还处于起步阶段。将深度学习技术应用于混合推荐,设计了一个基于多特征的深度神经网络混合推荐模型(MFDH),通过将深度学习技术和多层感知机技术相结合,从多角度自动学习用户和项目之间的交互,更全面地反映出用户的偏好。在两个不同的公开数据集上进行了实验,结果证明,该模型相比基线模型有较高的推荐质量。

基于多特征增强融合的交流接触器状态表征

准确掌握交流接触器的运行状态是实现交流接触器智能化的基础,为此提出了一种基于多特征增强融合的状态表征方法。首先针对交流接触器特征参数非线性、非平稳、随机变化、趋势性不明显但符合一定统计特性的特点,利用Wasserstein概率距离进行特征变换得到趋势性较强的初态特征;然后以多属性初态特征参数为驱动,考虑参数间强耦合的特点,利用自编码器神经网络进行特征压缩提取,剔除冗余信息,保留有用信息;在此基础上,以压缩提取特征为输入,通过自组织映射神经网络来实现多维特征的竞争性融合输出,得到交流接触器运行状态的综合健康指标,实现交流接触器状态的定量表征。最后,结合实测数据验证了所提方法的有效性,并与其他2种方法相比较,结果表明:所提方法得到的健康指标趋势性、单调性和鲁棒性相比其他2种方法分别至少提高了4%、24%和5%,研究可为下一步研究交流接触器的精准控制和智能化提供参考。

基于多特征融合自编码器的无监督地震相分类研究

地震相分类是地震数据解释中的一个重要步骤,是地震数据与沉积相的连接工具.为了提高地震相分类精度和减少对有限人工标签的依赖,本文提出了一种基于多特征融合自编码器的无监督地震相分类方法.首先,提出了一种混合卷积和变分编码的多特征融合自编码器,实现了地震数据中表征地震相的大量隐含特征提取.其次基于非负矩阵分解和K均值聚类实现了主特征分量分解和地震相聚类.实际地震数据应用结果和指标分析表明,本文方法提取的隐含特征趋于正态分布,且主特征分量中蕴含了不同地震相类别的响应,从而可以获得更准确的地震相分类结果.在渤海湾盆地东营凹陷古近系沙河街组湖相沉积中,清晰划分出了六类沉积微相的边界,有利于揭示三角洲沉积环境演变.

我国人工智能政策新词发现与演化研究——一个多特征融合的算法

[目的/意义]作为中文分词的基础研究,新词发现是研究政策创新和扩散的重要技术方法。本文通过改进新词发现算法优化了政策文本分词不准确的问题,并构建词库以支持人工智能政策的演化研究。[方法/过程]提出多特征融合新词发现算法MFF,实现了对人工智能政策新词的挖掘,从新词角度对人工智能政策的创新、延续和扩散进行演化分析。[结果/结论]实验结果证明,本文提出的多特征融合新词发现算法MFF能够有效提升分词效果,丰富领域词库;人工智能政策新词出现的时序变化反映了不同阶段政策关注的重点发展领域,揭示了中央和地方政府在政策创新、延续、扩散和演化方面的特点。