基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

快速CV双水平集算法的人脑MR图像分割

针对CV模型的多水平集算法需要较高的数值稳定性以及曲线演化速度慢的缺点,根据人脑MR图像的特征,提出一种快速CV双水平集算法,统计被2条曲线划分成4类的直方图,构造符号矩阵,依次将直方图上的点放入其他类中,根据能量的变化更改该点对应点的符号,得到粗分割结果,并对粗分割结果进行优化。对MR图像进行的分割实验表明,其分割效果更好,速度有大幅度的提高。

一种新的基于CV模型的图像分割算法

CV模型是一种重要的图像分割模型,本文针对其收敛速度慢、效率低的缺点提出一种求解CV模型的新方法。首先将CV模型的能量泛函改写成与原来有相同稳定解的总变分公式形式,然后使用对偶公式法求总变分公式的极小值,再在其中引入一速度项以加快模型的收敛速度。新方法一方面克服了梯度下降法要求时间步长小、迭代次数多的缺点,经过较少次的迭代就能收敛,减少了迭代计算的次数;另一方面,引入的速度项能够减少每次迭代的时间,从而缩短求解模型的时间。速度项的引入同时减少了对梯度的依赖,增强了抗噪性。另外,可以通过调节速度项得到不同数目的同质区域,以适应相同图像不同分割任务的需求。实验结果表明本文方法是有效的。

基于CV和LBF模型结合的图像分割算法研究与实现

CV模型和LBF模型是两个著名的图像分割模型,然而它们有各自的缺点。CV模型不能处理灰度不均图像,而LBF模型虽然能处理灰度不均图像,但对活动轮廓的初始化很敏感,且对噪声不具有鲁棒性。为了克服上述缺点,首先对图像进行预处理,然后在得到新的图像的基础上提出与LBF类似的模型,同时将其与CV模型结合,得到全局和局部活动轮廓模型。实验结果表明,所提模型不仅能处理灰度不均匀图像,同时减弱了活动轮廓对初始化的敏感性,并且提升了对噪声的鲁棒性。

基于凸优化的自适应CV模型

针对CV模型分割精度不高、分割速度缓慢和易陷于局部最优等缺点,提出了一种新的基于凸优化的自适应CV模型。首先,引入了自适应权重项,对拟合中心的计算采用加权平均,提高了拟合中心计算的准确性;然后,在模型中加入了凸优化技术,以获取模型的全局最优解;最后,采用了Split Bregman方法进行快速求解,有效地提高了分割效率。实验结果表明,基于凸优化的自适应CV模型有效地提高了分割精度和效率,对初始化也具有较好的鲁棒性。

基于Otsu和改进CV模型的SAR图像水域分割算法

图像分割是SAR图像处理中基本而关键的技术之一,也是影响SAR图像自动解译性能的一个重要步骤。由于受相干斑噪声影响严重,SAR图像分割一直是一个公认的难题。针对Otsu算法对SAR图像分割精度不高以及CV模型对初始条件敏感和演化效率低等问题,本文提出了一种融合分割算法。采用快速一维Otsu算法对图像进行粗分割,分别将得到的水体区域和水体轮廓作为CV模型的分割区域和初始条件,降低了CV模型的场景复杂度,提高了分割速度,减弱了CV模型对初始条件的敏感性。利用图像边缘强度信息代替CV模型中的Dirac项,改进了CV模型的偏微分方程,使分割算法更好地适应SAR图像的同时提高了CV模型的收敛速度。实验结果表明,融合分割算法具有分割边界定位准确、运行高效、无需设置初始条件等优点。

一种结合区域梯度的自适应CV模型

针对多相CV(Chan-Vese)模型中计算复杂度高、对初始轮廓选取位置敏感、分割不精确等问题,在区域梯度算法的基础上,引入自适应权重项对拟合中心进行加权计算。给出一种改进的自适应CV模型。实验表明,与多相CV模型相比较,新的自适应CV模型具有对初始轮廓选取位置具有更好的鲁棒性。

基于熵和局部邻域信息的高斯约束CV模型

基于曲线演化的Chan-Vese(CV)模型常常不能准确分割非均匀性且结构复杂的医学图像.针对此缺点,文中提出了一种基于熵和局部邻域信息的高斯约束CV模型,作者利用熵构造内部和外部区域能量的权值系数,加强了对曲线演化的控制;同时将曲线上各点的局部邻域信息引入到曲线演化过程中,提高了分割的准确性,并降低了区域内灰度不均匀等因素对曲线演化的影响;高斯约束保证了曲线演化过程中的稳定性、光滑性,同时不需要曲线周长约束项和重复初始化.利用Circular Hough变换对左心室壁内、外膜进行初始定位,避免了人工设置初始轮廓,减少了曲线向目标轮廓演化时间和初始轮廓位置敏感性对分割结果的影响.作者对心脏MR图像的左心室内、外膜进行了分割.结果表明文中方法能够快速准确地分割左心室壁内、外膜,抗干扰能力强,鲁棒性好.

改进CV模型在高分辨率遥感影像分割中的应用

针对遥感图像的特点及分割要求给出了一种CV简化模型,并对改进模型的正确性进行了实验验证。实验结果表明,该方法不但提高了运算速度,而且能够得到连续封闭的目标地物矢量数据,因此可方便地利用分割边界的几何特征实现地物目标的精确识别。

基于快速FCM算法的多目标分割CV模型

Chan-Vese(CV)模型是基于水平集方法演化不依赖图像梯度的算法,能很好地处理拓扑变化和弱边界,但对于目标和背景对比度低的边界以及多目标区域分割效果较差。针对上述问题提出一种基于快速模糊F均值(FCM)算法和邻域模板改进的CV模型。利用快速FCM算法提取图像特征信息,采用邻域模板阈值法对不同的目标区域分别处理,准确控制了轮廓线的分裂,能够分割出更多的目标区域。

利用改进CV模型连续水平集算法的核磁共振乳腺图像分割

针对核磁共振乳腺图像边界弱、信息量大、信噪比低的问题,提出一种基于改进Chan-Vese(CV)模型的连续水平集分割算法。该算法利用B样条基函数将传统离散水平集函数表示成连续形式,用解决B样条空间的变分问题代替水平集函数更新的计算问题;通过引入转移Heaviside函数,构造α-CV模型作为能量函数模型。实验结果表明,与传统CV模型离散水平集方法相比,该算法可以避免局部极小值的现象,提高分割精度,有效抑制噪声,分割迭代次数降低了101数量级,并且可以准确、稳定地实现低信噪比、弱边界的核磁共振乳腺图像分割。

基于局部统计信息的快速CV模型MR图像分割

Chan-Vese(CV)模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振(MR)图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。

基于KL距离加权和局部邻域信息的CV模型

本文提出了基于Kullback-Leibler(KL)距离加权和局部邻域信息的Chen-Vese(CV)模型.引入KL距离作为内外部局部区域能量的权值系数;计算曲线附近点的局部邻域能量之和作为模型的内部能量,从而提高对边缘的检测性能,并降低区域内灰度不均匀等因素对曲线进化的影响.验证实验采用大量实际临床数据,结果表明该算法能准确地分割医学图像,且能量函数有较好的收敛性.

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型(简称CV模型)的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明:改进后的模型能较大提高分割的准确性及效率。

基于CV模型的X射线脉冲星位置误差估计

受观测设备限制以及脉冲星自行的影响,X射线脉冲星的星表位置存在一定误差,基于现有测量手段很难大幅度提高星表精度。建立了基于地球卫星测量脉冲星位置误差的模型,在考虑脉冲星位置误差自行影响基础上,采用CV模型,提出了一种新的脉冲星位置误差测量方法。仿真结果表明,该方法能够高精度的估计出X射线脉冲星的星表位置误差,可以满足高精度脉冲星导航的需求,研究结果对建立精确的X射线脉冲星星表具有一定理论参考价值。

基于KFCM和改进CV模型的海面溢油SAR图像分割

图像分割是合成孔径雷达(synthetic aperture radar,SAR)图像海面溢油检测的关键步骤之一,将核模糊C均值(kernel fuzzy C-means,KFCM)聚类方法及Chan-Vese(CV)模型应用于海面溢油SAR图像分割,为了解决单一KFCM方法分割精度不够高,及传统CV模型对初始条件敏感和收敛速度低的问题,提出了一种基于KFCM和改进CV模型的海面溢油SAR图像分割方法。首先利用KFCM算法将海面溢油SAR图像从原始样本空间映射到高维特征空间,得到聚类结果;然后将其作为CV模型的初始条件,以降低CV模型对初始条件的敏感性,并利用图像边缘强度取代传统CV模型中的Dirac函数,以提高模型的收敛速度和对不同SAR图像的适应性。大量实验结果表明,所提出的基于KFCM和改进CV模型的海面溢油SAR图像分割方法具有分割精度高、运算速度快的优点。

基于改进CV模型的煤矿井下早期火灾图像分割

煤矿井下早期火灾图像中火焰区域、火焰余辉及非火焰高灰度干扰区域三者的灰度值十分接近,利用传统的Chan-Vese(CV)模型很难将火焰区域精确地提取出来。针对这一问题,提出了一种改进的CV模型以实现煤矿井下早期火灾图像的精确分割。在计算目标和背景区域拟合中心时,引入自适应权值进行加权平均,充分考虑了像素点灰度值与拟合中心的差异,并据此确定该点对拟合中心的贡献度,更加精确地计算目标和背景区域的拟合中心;为了加速模型的演化,引入曲线内外区域像素的中值绝对差,替换模型中的内外区域能量系数,提高模型分割效率。最终达到快速提取早期火灾图像中火焰区域的目的。大量实验结果表明,与现有的Otsu算法、CV模型、引入能量权重的CV模型、引入梯度信息的CV模型以及两种类似提出模型的CV模型相比,利用改进CV模型对煤矿井下早期火灾图像,能取得更好的分割效果,并且满足实时性要求。

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.

融合形状先验的向量CV模型图像分割算法

Chan等人提出的向量CV模型尽管解决了传统CV模型无法分割向量值图像的问题,但是向量CV模型对于含有噪声或遮挡物等复杂的图像,无法正确分割目标。针对此问题提出一种融合形状先验向量CV模型。其能量泛函主要包含形状先验项、图像区域信息项以及距离正则项。此能量函数使得主动轮廓和形状先验位置相近时停止演化。该模型所用形状模板可以与目标形状仿射不同,使得算法更加灵活。该模型对含噪以及目标遮挡的图像具有很好的分割效果。

雾天网联车辆跟驰模型构建及行为影响分析

网联车辆(Connected Vehicle,CV)已从微观驾驶行为方面被证实其能有效改善雾天交通安全,但鲜有建立微观跟驰模型来模拟CV车辆在雾天的跟驰轨迹。本文根据雾天CV车辆的交通信息获取模式和跟驰行为特征,在雾天智能驾驶人模型的基础上,构建考虑车头时距因子、遵守因子和权重因子的雾天网联车辆智能驾驶人模型(Fog-related Intelligent Driver Model of Connected Vehicle,FIDMCV)。为评价FIDMCV模型的有效性及评估CV车辆在雾天的交通影响,选取累计碰撞时间倒数和交通量作为分析指标,并建立不同CV车辆渗透率和领车减速度的数值仿真场景。在进行数值仿真前,针对关键参数遵守因子和车头时距因子的取值进行敏感性分析。仿真结果表明:随着CV车辆渗透率的增加,混合交通流能更有效地改善雾天交通安全,但会导致雾天车辆跟驰间距增加,从而减少道路交通量,降低交通效率。CV车辆在高风险场景下(6 m·s^(-2)减速度)的碰撞时间倒数值减少比例为14.3%,在中低风险(4 m·s^(-2)和2 m·s^(-2)减速度)场景中为5.6%和6.3%,因此CV车辆在高风险场景下的交通安全改善作用更显著。本文提出的FIDMCV模型能有效再现雾天CV车辆的交通安全改善作用和跟驰间距增加特征,可用作雾天CV车辆的微观仿真工具。