基于补体免疫聚类的电力设备红外图像目标提取算法

针对电力设备红外检测中,由于背景复杂,痕迹重叠而难以有效提取目标电力设备这一问题,提出一种补体免疫聚类目标提取算法。算法参考免疫系统中补体系统作用机理,建立多个电力设备模板图像库,通过模板与图像的匹配度来确定目标区域的轮廓和位置。对图像进行k-means聚类处理,给每一个像素点赋予新的特征值,重新确定聚类中心,完成对目标区域图像的提取,并证明该算法的收敛性。通过对实验结果的定性定量分析进一步证实该算法的有效性。

最优可免域补体免疫网络边带模糊红外目标提取算法

针对边带模糊红外图像目标区域与背景区域特征差别较小、目标边缘模糊等问题,以生物免疫系统中先天性免疫、适应性免疫与补体系统的相互作用为参考,提出了一种最优可免域补体免疫网络边带模糊红外目标的提取算法,通过设计补体免疫分类器,提取深度模糊手部红外图像类别特征及方向特征,实现对深度模糊红外图像目标区域的准确提取。实验结果的定性及定量分析证明所提算法相较于其他传统算法,提取到的目标更加准确、有效。

基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。

基于补体免疫的模糊红外图像目标提取

模糊红外图像的本质是一类矩阵,这类矩阵混杂着待提取的目标元素和待处理的背景元素,其中每一个元素的像素数值十分接近,以像素数值大小作为提取标准的目标提取算法已无法满足需求。基于生物先天性免疫、适应性免疫与补体系统间相互作用的机理,提出了模糊红外图像的目标提取算法。对待提取元素进行希尔伯特变换,在泛函空间内对矩阵中每一个元素赋予新的特征,以目标元素和模糊区域的欧氏距离作为目标区域的判定依据,实现对模糊红外图像目标区域的准确提取。经实验分析,与经典模糊图像目标提取算法相比,所提算法提取目标区域完整,轮廓清晰,准确率(ACC)至少提高了4%,证明了该方法的有效性和可行性。