基于红外与可见光图像信息融合的绝缘子污秽等级识别

绝缘子污秽等级的准确识别是污闪防治的有效途径。红外和可见光图像分别表征了污秽绝缘子的表面温度和色彩分布,可从不同角度反映绝缘子的污秽状态,该文提出了基于红外和可见光图像信息融合的绝缘子污秽等级识别方法。建立并求解了湿污绝缘子发热数学模型,得到了绝缘子表面温度分布;通过实验获取绝缘子红外及可见光图像,经图像分割后,提取了绝缘子盘面红外与可见光特征并用Fisher判别法进行选择;将选出的特征与环境湿度、照度组合成为特征向量,并使用贝叶斯决策理论对其进行特征级信息融合,识别绝缘子污秽等级;最后对现场样本进行了识别。实验结果显示,图像信息融合提高了绝缘子污秽等级识别准确率,现场测试结果准确,为准确识别现场绝缘子污秽等级提供了新方法。

多传感器数据融合的数学方法研究

为了有效融合多个传感器的测量数据,得到准确的融合结果,综合对比了基于关系矩阵应用综合支持度的数据融合方法、基于Bayes理论的数据融合方法和基于分批估计理论的分组融合方法.提出了分批数的大小和与其他测量数据偏差比较大的数据的分配方式决定了分组融合方法融合结果的准确性,详细分析了不同分批数对融合结果的具体影响,提出了有效的数据分配方法.实例计算结果表明,合适的分批数以及对偏差比较大数据的合理分配可以有效地提高融合结果的准确性,对提高测量系统的测量准确性有很好的促进意义.

高空间分辨率影像和多光谱影像融合的研究

从卫星影像的成像过程出发 ,揭示了卫星影像所含信息的物理内涵 ,从频率域特性出发得出了高空间分辨率影像和多光谱影像可以融合的物理基础 ,为寻找一种较好的融合方法提供了理论依据。

基于Bayes理论的测试性数据融合评估技术

针对目前高可靠性产品测试性评估验证面临的样本量不足的问题,提出一种基于Bayes理论的内外场数据融合评估技术,并给出详细的内外场测试性数据收集方法及原则,利用某产品的试验数据对该方法进行了验证。该方法工程应用性强,可作为高可靠性产品测试性评估的依据。

信息规律智能融合与它的智能融合内-分离

函数P-集合(function packet sets)是把函数概念引入到P-集合(packet sets)内改进P-集合得到的一个动态信息规律模型。函数P-集合是由函数内P-集合S珚F(function internal packet set S珚F)与函数外P-集合SF(function outer packet set SF)构成的函数集合对;或者,(S珚F,SF)是函数P-集合。P-推理(packet reasoning)是由P-集合得到的一个动态推理,P-推理由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成。把函数引入到P-推理中,改进P-推理,给出P-信息规律推理;把函数内P-集合与内P-信息规律推理交叉、渗透,给出内P-信息规律智能融合与内P-信息规律智能融合内-分离研究。给出:内P-信息规律智能融合的内P-信息规律推理生成,内P-信息规律智能融合与属性合取扩展定理,内P-信息规律智能融合的内-分离与还原,内P-信息规律智能融合的内-分离与未知信息规律发现-应用。

一个几何问题的代数思考

文章以一道几何问题的三种解题思路为依托,融合正弦定理、塞瓦定理、三角函数、导数应用等几何、代数、微积分内容为一体,反对解题思路的割裂,体现数学的关联性,为数学的综合应用提供思路。

关于非齐次A-调和方程很弱解的合并问题

本文使用Hodge分解理论 ,讨论了一类非齐次A 调和方程 -divA(x , u) =B(x ,u ,Du)很弱解的合并问题 .

P-集合的动态边界特征与信息动态融合生成

利用P-集合的动态特征与信息动态融合交叉,证明了信息动态融合的属性补-删定理,提出了边界动态度与信息融合系数概念,证明了边界动态度-信息融合系数定理,得到了信息动态融合具有的属性合取范式扩展-收缩的动态逻辑特征,讨论了P-集合的边界特征与信息动态融合关系。

信息动态融合识别与P-增广矩阵关系

P-集合是一个具有动态特征的数学集合模型,它是由内P-集合X^(F)与外P-集合X^(F)构成的集合对;P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构,它是由内P-增广矩阵A^(F)与外P-增广矩阵A^(F)构成的矩阵对.将P-集合与P-增广矩阵交叉应用研究,得到信息动态融合与它的生成,给出信息动态融合发现-识别与P-增广矩阵分离系数定理,以及信息动态融合识别准则,最后利用这些理论与结果给出应用.

基于模式增长的嵌入式频繁子树挖掘算法研究

针对传统挖掘算法会输出大规模频繁子树且其中包含较多冗余信息,使事物表达不够清晰完整,降低后续操作效率的问题,提出基于模式增长的嵌入式频繁子树挖掘算法。定义标签树,并分析挖掘任务,根据模式增长的基本性质,扫描森林数据库,建立与频繁子树模式对应的投影库,确定模式增长过程,设立增长框架。提出融合压缩思想,采用深度优化方式遍历所有子树的节点,构建融合压缩树,实现数据清理。基于数据清理结果组建拓扑序列,制定树与森林的拓扑编码,输入数据库与最小支持度数值,结合覆盖定理对频繁子树队列进行裁剪,完成挖掘。仿真结果表明,上述方法挖掘的数据信息更加丰富完整,挖掘效率更高。

内P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF构成的元素集合对,或者(XF珔,XF)是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。

内逆P-信息智能融合与属性析取扩展关系

逆P-集合是由内逆P-集合与外逆P-集合共同构成的动态模型。逆P-推理是由逆P-集合生成的动态推理,它由内逆P-推理与外逆P-推理共同构成。利用内逆P-集合与内逆P-推理交叉、渗透,给出内逆P-信息智能融合生成与它的属性特征、信息智能融合度与信息智能融合系数概念、外-信息智能融合环定理与融合度-融合系数定理,最后给出内逆P-信息智能融合与它的属性析取扩展结构与属性析取扩展定理。

外逆P-信息智能融合与属性析取收缩关系

利用外逆P-集合与外逆P-推理相互交叉、嫁接,给出外逆P-信息智能融合生成及其属性特征,给出信息智能融合度与信息智能融合系数概念,给出内-信息智能融合环定理与融合度-融合系数定理,给出外逆P-信息智能融合与它的属性析取收缩结构与属性析取收缩定理。

外P-信息融合和它的属性合取特征

P-集合(packet sets)是由内P-集合X^F(internal packet set X^F)与外P-集合X^F(outer packet set X^F)构成的集合对;或者,(X^F,X^F)是P-集合.利用外P-集合,给出外P-信息融合生成,外P-信息融合补充生成与外P-信息融合度量概念;给出外P-信息融合生成定理,外P-信息融合依赖定理;给出外P-信息融合还原定理;给出外P-信息融合的属性合取定理与属性合取压缩定理;给出属性合取压缩外P-信息融合发现原理.

函数逆P-集合与信息规律融合

利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。

属性内-融合与数据融合挖掘

属性融合是潜藏在P-集合内的一个重要的应用特性,P-集合的动态特性来自P-集合的属性融合。利用内P-集合的结构与动态特性,给出属性内-融合概念、结构和定理,最后给出在属性内-融合条件下的数据融合挖掘和数据融合挖掘准则与数据融合挖掘-筛选的应用。

逆P-集合与信息智能融合挖掘-发现

逆P-集合是一个新的动态数学模型,它是把动态特性引入到有限普通集合X内,改进有限普通集合X被提出的。逆P-集合是由内逆P-集合珔XF与外逆P-集合珔X珔F构成的元素集合对。或者,(珔XF,珔X珔F)是逆P-集合,逆P-集合具有动态特性。在一定的条件下,逆P-集合被还原成有限普通集合。逆P-集合具有P-集合相反的动态特性。逆P-推理是逆P-集合生成的一个动态推理。利用逆P-集合,逆P-推理,本文给出信息智能融合生成,信息智能融合度概念,给出信息智能融合挖掘-发现与信息智能融合挖掘-发现定理,给出挖掘-发现准则。最后,利用这些结果给出信息智能融合挖掘-发现的应用。

P-信息智能动态融合与信息规律状态智能识别

利用函数P-集合,给出P-信息规律融合的概念及其智能动态融合。提出函数P-集合生成的信息规律融合概念,给出在P-信息规律推理条件下的P-信息规律智能动态融合生成与智能融合定理。利用这些理论结果,给出P-信息规律智能动态融合在信息规律状态智能识别的应用。