基于多细节特征层的三维激光点云建筑物模型构建方法研究

近年来,许多学者针对不同类型的建筑物建模提出了诸多有益的解决方案,但是针对老旧住宅型居民楼建筑物的快速建模方法研究较少。为此,本文提出了一种基于多细节特征层的三维激光点云数据建筑物快速建模方法,首先,在获取建筑物点云原始数据后,经过点云去噪与归一化处理,计算尺度信息并提取特征参数;其次,在此基础上进行点云高程切片,将切片后的分块点云分别进行边缘拟合与边界确定,并通过层级间的连接关系,构建数字化模型表面;最后,拼接模型表面并进行优化,构建整个建筑物数字化模型,并以某老旧小区住宅楼为实际样例进行测试。结果表明,该方法能较好地完成建模任务,所构建模型的精细化程度达到了工程实际应用要求,在三维点云建筑物建模领域有较好的推广价值和借鉴意义。

极端条件下基于特征层面信号融合的电励磁双凸极电机匝间短路故障诊断

电励磁双凸极电机(WFDSM)具有结构简单、可靠性高等优点,适用于航空航天等环境恶劣领域。当发生小匝数短路故障时,由于其电流、振动等信号不会产生明显的变化,难以用传统的检测手段区分。因此,该文提出一种基于特征层面多源信号融合和改进神经网络的WFDSM匝间短路故障诊断方法,用于诊断极端环境下WFDSM早期匝间短路故障。首先,对电流信号进行经验模态分解,获得本征模态函数,同时对振动信号进行小波包变换,并对分解后的各个频段提取峭度和裕度特征,同时计算能量占比;然后,将上述特征矩阵处理后输入改进卷积神经网络训练模型中;最后,通过实验表明,采取特征融合的计算方法诊断准确率可达98%,较数据层面和结果层面的融合计算方法准确率有明显的提升,并且对极端运行环境下的噪声,该方法具有很强的抗干扰能力。

电力电子电路多源特征层融合故障诊断方法

设计了一种多源信息特征层融合的故障诊断方法,应用在电力电子电路的诊断过程中。选择待测电路的节点电压和重要支路电流作为融合对象,利用小波变换和主成分分析对数据进行预处理和特征提取,采用间隔交叉的方式将电压特征矢量和电流特征矢量联合形成特征矢量,通过神经网络对联合特征矢量进行推理分类,得到故障诊断结果。以Buck-Boost电路为诊断实例,对比分析了选择不同特征融合对象对故障诊断结果的影响,实验结果证明该方法可以明显提高电路诊断率。

应用D-S证据理论的雷达工作模式特征层融合识别

日趋复杂的战场电磁环境对雷达工作模式识别提出了更高的要求,针对传统单平台工作模式识别方法的局限性,提出了一种在多平台协同背景下基于Dempster-Shafer(D-S)证据理论的雷达工作模式特征层融合识别算法。该算法运用隶属度函数获得基本信任赋值,根据Dempster合成规则,首先对多平台侦收的同一参数数据进行多平台参数内融合,然后进行参数间融合获得合成信任度,最后依据工作模式判定规则识别雷达工作模式。通过仿真实验,多平台融合识别算法的识别率较单平台识别方法平均提高了27%,实验结果说明融合识别方法有效地提高了识别性能。

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前 ,其他的目标检测算法都需要知道有确定类别标记的样本 ,而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖 ,但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合 ,再进行分割、提取异常点 ,其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理 ,取得了较好的结果。

塔克拉玛干沙漠腹地特征层风场特征

利用CFL-03边界层风廓线雷达,在塔中开展了边界层风场探测研究,根据2010年4月1日至2010年11月30日连续的边界层风场探测资料,分析了塔克拉玛干沙漠腹地大气边界层850 hPa、700 hPa和500 hPa特征层风场时空分布特征。结果表明,塔中地区850 hPa特征层主导风向为偏东风,风速年变化较小;700 hPa特征层风速6月最大,9月最小,6、8、9月主导风向为偏东风,其余月份为偏西风。500 hPa特征层风速9月最小,11月最大;6、9月主导风向为偏东风,其余月份为偏西风。

增强典型相关分析及其在多模态生物特征识别特征层融合中的应用

提出了增强典型相关分析(ECCA)的概念,并将ECCA用于多模态生物特征的特征层融合.ECCA不仅保持了CCA的本质特征,而且利用了类别信息,能够找到两个特征空间对分类更有意义的投影方向.开集测试表明,ECCA用于特征层融合时,可以获得比广义典型相关分析、串行融合、并行融合特征层融合算法和加法规则、乘法规则等分数层融合算法更好的性能.

基于特征层融合的模拟电路故障诊断方法

为了提高模拟电路软故障诊断精度,提出了基于特征层融合的模拟电路故障诊断方法。通过小波变换的频带能量和AR模型的系数生成故障的初始特征,利用线性判别分析提取特征,降低特征向量的维数,结合mRMR原则与支持向量机构成的组合特征选择方法,对降维后特征进行最优选择,输入到训练好的支持向量机多分类器中进行分类,从而降低特征的冗余,提高故障诊断的精度。以某车辆电压调节电路为例进行仿真分析,实验结果表明,该方法有很好的诊断能力。

特征层双模态生物识别算法容侵能力评测方法

相较于单模态生物识别技术,多模态生物识别技术具有更优的适用性、安全性和可靠性,成为目前生物识别技术发展的趋势。在多模态生物识别4种融合层次中,特征层融合能够提取更多的区分性信息,消除特征的冗余,在理论上可达到最佳识别效果。然而,特征层多模态生物识别算法的安全性很少被关注。目前,多模态生物识别技术的研究多集中在双模态生物识别算法上,引入入侵容忍概念,定义了容侵能力度量,提出了容侵能力评测方法,评价特征层双模态生物识别算法的容侵能力,并对典型特征层双模态生物识别算法的安全性进行了评测。

TM和SAR遥感图象特征层融合分类方法的研究

针对空间遥感ＴＭ图象和ＳＡＲ图象信息的特征层融合应用于地物分类，提出了一种结合Ｍａｒｋｏｖ随机场和ＢＰ神经网络模型的多源遥感图象迭代分类方法。该分类方法与现有的基于Ｍａｒｋｏｖ模型的分类器相比具有无须假设条件概率密度函数模型的优点；与ＢＰ神经网络分类器相比，由于其考虑了类别标号的空间相关性，提高了分类精度；有别于传统的上下文分类器：它是通过迭代过程来实现分类的。

特征层位约束速度建模在HS地区的应用

HS地区位于准噶尔盆地北缘山前带戈壁砾石区,地表起伏较大,地下构造复杂,速度建模困难.层析速度建模是叠前深度偏移常用的建模方法之一,但是对于构造特别复杂,地震资料信噪比低的山前带地区,仅仅依靠层析反演是不能解决精确建模的问题的.通过构建特征层位的方法,将具有相同或相近波场特性的地层划分成组,通过特征层位约束可以大大提高层析反演的效率,有效改善速度建模的精度.实际资料的处理结果也体现了这种方法的可行性和有效性.

基于多参数和特征层融合的化学品燃爆状态辨识方法

作为化学品燃爆特性检测关键环节的燃爆状态辨识过程,目前仅以人眼或单一传感器辨识的手段进行,存在人工辨识受主观影响大、单一传感器适用范围窄的缺点,难以取得精确的辨识结果。提出引入多传感器、利用模糊神经网络系统(FNNS)对检测数据作特征层融合,以快速准确辨识燃爆状态的实验方法。结合模糊逻辑推理及RBF神经网络优势,在多层拓扑结构基础上建立了火焰光、热强度及其梯度与目标状态间特定的泛函映射。实验结果表明:该方法有效互补特征信息,提高检测装置的鲁棒性和状态辨识结果的置信度,错误率优于0.1%,使得燃爆特性的描述更加准确。

指纹与指静脉的特征层动态加权融合识别

结合指纹与指静脉两种生物特征的优点进行多模态特征识别,提出一种特征层动态加权融合匹配算法。在图像预处理的基础上分别提取两模式源的有效特征矢量,根据近邻消除和特殊区域保留原则对特征矢量进行降维;从待识别特征角度对特征点集的相对质量进行评价,根据对双模态特征优和差的分类引入动态加权策略,提高质量较好特征所占权重,削弱低质量及伪特征对识别结果的影响,实现了特征层特征自适应优化融合。在FVC2000公开指纹库和指静脉自建数据库上的测试取得了98.9%的识别率,较指纹、指静脉单模态识别分别提高了6.6%和9.6%,较匹配层加权平均融合识别提高了5.4%。

一种用于特征层融合识别的回弹全局自适应动量BP算法

针对特征层融合识别中全局自适应BP算法存在的收敛速度慢、学习不稳定等问题,基于对动量BP算法的详细分析,提出了一种新的全局自适应BP算法——回弹全局自适应动量BP算法(RGMOBP),该算法具有在误差增大时进行权值回弹并减小学习步长以保证权值的调节功能、使误差减小的特点。仿真结果表明:RGMOBP在学习性能上优于其它已有经典全局算法,是一种简单有效的神经网络特征层融合识别算法。

输电线路覆冰状态下信息融合模型特征层的分类方法研究

以输电线路覆冰的状态监测为背景,研究此背景下信息融合模型特征层的分类方法。探讨分析了BP神经网络和支持向量机解决问题的可行性,在实验室条件下用两种算法实现了信息融合模型特征层的分类并作了比较总结。

基于SVM特征层融合的集成性身份识别模型

多生物特征融合识别是提高身份识别性能的有效方法,提出一种基于特征层融合的识别模型。以人脸与虹膜为例,首先对这两种图像分别进行预处理,然后对人脸采用PCA、Fisherface方法,对虹膜采用小波变换、多通道Gabor滤波方法,进行特征提取得到各自的初始特征向量,由此生成融合特征向量,最后利用SVM对融合特征向量进行分类,实现特征层融合识别。仿真实验结果表明,同等条件下,该融合方法的识别效果优于常见识别方法。

基于特征层融合和随机投影的行为识别算法

提出一种基于特征层融合和随机投影的行为识别算法;该方法提取视频序列的时空梯度特征和Gabor特征;然后进行特征层融合,得到分类能力更强的特征,有效地表征人体行为;同时,使用随机投影对融合后的特征进行降维;最后,为了解决主题模型参数估计迭代复杂的问题,将贝叶斯参数估计法应用于LDA(latent dirichlet allocation)主题模型中,对视频中的行为进行分类。在公开的KTH和Weizmann数据集上进行了实验,结果表明方法不仅比单一局部时空特征描述符识别性能好,而且在相同实验设置下,也优于其他基本分类器。

一种基于二代Curvelet和2D Log-Gabor滤波器的多模特征层融合识别方法

针对单模生物特征识别在实际应用中易受干扰、识别率低且无法达到零错误识别的问题,提出一种基于二代Curvelet和2DLog-Gabor滤波器的人脸与虹膜特征层融合识别算法.该方法利用二代曲波变换提取人脸特征,用2DLog-Gabor幅值法提取虹膜特征,通过PCA降维单模特征向量,在特征层进行融合,通过SVM分类识别融合特征向量.在ORL人脸库和CISIA虹膜库构成的多模生物特征库上进行测试.实验结果表明:该算法正确识别率能达到100%,较单模人脸、单模虹膜识别方法的识别率均提高3.33%,为多模生物特征识别提供了一种有效模型.

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。

基于特征层融合与BP神经网络的人脸表情识别研究

针对图像处理中人脸表情识别率不高的问题,提出了一种基于特征层融合和神经网络的人脸表情识别方法。利用PCA对原图像进行特征降维处理得到维数较低的表情图像特征,再从粗到细策略对特征进行融合,最后采用神经网络的BP反向传播算法对训练集和验证集经多次迭代后训练好人脸表情模型。将收集到的表情数据进行实验仿真对比表明:本文提出方法与常用的分类算法相比,人脸表情识别率在本文提到的表情数据库上取得更好的效果。