一种邻域粒谱聚类方法

谱聚类是一种无监督学习的聚类方法,其具有能够收敛至全局最优且适用于任意形状样本空间的优点.然而,传统方法构造的相似矩阵有时难以准确反映出数据之间的近似关系,从而导致聚类结果不佳.粒计算技术能够很好地解决这一问题.通过将数据邻域粒化,从粒子的视角重新衡量数据之间的近似关系,提出了一种基于邻域粒的谱聚类方法.首先,将样本的单一属性通过邻域粒化的方式形成邻域粒子;然后,将属于同一样本的粒子组合构造成粒子向量;接着,利用定义的2种邻域粒距离公式,对构造出的粒向量进行距离度量,并通过径向基函数生成相似矩阵,从而进行谱聚类;最后,使用UCI数据集进行验证,将谱聚类算法与邻域粒结合,从邻域参数和邻域粒向量的距离度量方式2个方面进行性能测试,并与传统聚类算法进行对比.实验结果表明,基于邻域粒构造的相似矩阵在谱聚类中是可行且有效的.

基于自适应局部邻域条件下的点云匹配

为了应对传统迭代最近点(ICP)算法在处理复杂点云空间特征时,面临噪声干扰和数据缺失等问题导致收敛速度缓慢、配准精度不高以及鲁棒性较差等问题,本文提出了一种基于自适应局部邻域条件下的点云匹配算法。首先,采用体素网格滤波对数据进行预处理,根据不同半径邻域内邻近点的分布情况,定义邻域表面的弯曲程度,在此基础上,充分考虑到法向量分布和邻域曲率特征,从而得到更精确的特征点提取;其次,通过运用最小二乘曲面拟合方法,进一步提取出邻域曲率变化最为显著的特征点,采用快速点特征直方图(FPFH)对特征点进行描述,并通过设定距离阈值的采样一致性算法来匹配相似的特征点对,计算出关键的坐标转换参数,完成初始配准。最后,利用线性最小二乘优化点到面的ICP算法,以实现更精确的配准结果。通过一系列实验对比发现相较于现有的几种配准算法(ICP,SAC-IA+ICP,K4PCS+ICP),在存在噪声干扰和数据缺失的情况下,所提方法的配准准确度平均提高45%,配准速度平均提高38%,充分验证了该方法在应对大数据量、低重叠率点云配准方面具备出色的稳健性能。

基于邻域粗糙集优化支持向量机的备件分类研究

针对现有备件分类中存在的备件种类繁多、属性复杂多样及分类标注不统一等问题,文中提出了一种基于邻域粗糙集的支持向量机(NRS-SVM)的多准则备件分类方法。首先,基于历史数据使用邻域粗糙集理论对备件属性进行约简,再将约简后的属性及数据输入支持向量机算法训练分类模型,最后可以将训练好的模型对真实的备件集进行分类。该方法对一家卷烟厂的实际备件数据进行试验验证,结果表明:基于邻域粗糙集的支持向量机在Z企业备件分类中具有高的分类准确率和优秀的泛化能力,验证了所提方法的有效性和优越性,从而更好地支持备件的管理。

IMRPE和AO-SVM在往复压缩机故障识别中的应用

针对常规故障诊断方法不适用于提取往复压缩机声音信号的故障特征,导致往复压缩机的故障识别精度不高的问题,提出了基于改进多尺度反向排列熵(IMRPE)、t-分布邻域嵌入(t-SNE)和天鹰优化器(AO)优化支持向量机(SVM)的往复压缩机故障诊断方法。首先,采用具有优异特征表达性能的IMRPE方法来提取往复压缩机声音信号的故障信息,构建了反映样本故障特征属性的故障特征向量;然后,利用t-SNE方法对故障特征进行了特征降维处理,以降低故障特征维数和去除冗余特征,从而获得了低维的敏感特征;最后,利用AO方法对SVM的惩罚系数和核参数进行了自适应搜索,从而建立了结构参数最优的分类器,并将低维的敏感故障特征输入至AO-SVM分类器中,进行了训练和分类,依据测试样本的输出标签完成了样本的故障识别;以往复压缩机声音信号故障数据为对象开展了研究,并评估了IMRPE-t-SNE-AO-SVM方法的有效性和稳定性。研究结果表明:IMRPE-t-SNE-AO-SVM方法的故障识别精度达到了97%,不仅能够用于准确且稳定地识别往复压缩机的故障类型,提高故障识别的精度,而且在准确率和稳定性方面优于其它对比方法。

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题,以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构,获取数据点最近邻,并通过邻域点拟合出微切平面的方法,计算出点云数据的法向量。利用法向量夹角大小关系,选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索,从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法,对非特征点进行数据精简,最后,合并特征点云与非特征点云,实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理,结果表明:相比于其他两种方法,所提方法更好地保留了模型边界以及孔洞邻域特征数据点,其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。

利用邻域特征点相关性的点云配准算法

针对经典ICP进行点云配准容易陷入局部最优且处理时间长、精度低的问题,本文提出一种利用邻域提取特征点进行配准的优化算法。首先,通过邻域特征计算法向量和曲率特征从待匹配数据中选取特征点,通过特征点匹配得到配准平移和旋转参数,并利用配准参数对待匹配数据进行初始配准,然后,通过ICP算法对数据进行精细配准。试验证明,在利用特征点进行初始配准的基础上,解决了经典ICP算法容易陷入局部最优的问题,且具有良好的配准精度和运行效率。

多级索引框及移动向量联合的接触网提取方法

电气化铁道接触网的非接触式检测研究对保障铁道的安全运营具有重要意义,检测工作需要大量的精确接触网点云数据支持,目前存在接触网部件间不易分割导致难以提供精确接触网点云数据支持的问题。针对该问题,本文提出了多级索引及移动向量联合的接触网提取方法。首先利用多级索引框简化铁道场景数据;然后通过轨迹线构建提取通道获取支柱底部中心点集,以计算沿轨移动向量;最后进行二级索引框的姿态调整,实现接触网的准确提取。本文设计了参数分析与对比试验,在10 km铁道场景中进行试验分析。结果表明,本文算法对接触网提取的查准率、查全率、F1均在约99%,均优于参照算法,表明本文算法能够适应复杂场景。

融合ResNet与支持向量机的葡萄园冠层图像叶片覆盖度分类

在视觉感知的基础上,实现作物智能喷洒作业管理是智慧农业重要的组成部分。针对葡萄园智能喷洒作业的需要,本研究构建了一种融合残差网络(ResNet)和支持向量机模型的葡萄园冠层图像叶片覆盖度分类方法。在对葡萄园冠层图像数据集进行数据增强的基础上,利用不同卷积层数的ResNet模型(ResNet-18、ResNet-34和ResNet-50)提取图像特征向量,结合近邻成分分析(NCA)算法及不同分类模型(Cubic SVM、RBF SVM、Linear SVM、DT、BT、Bayes、KNN、RF),筛选出最优葡萄园冠层图像叶片覆盖度分类方法。结果表明:残差网络模型卷积层数的增加,有利于提高模型的分类精度;葡萄园冠层图像叶片覆盖度适宜的分类方法是利用ResNet-18、ResNet-34和ResNet-50各提取1000个特征向量,进一步利用NCA算法筛选出1000个权重值较大的特征向量,并利用Cubic SVM模型进行分类。该方法较好实现了模型训练时间和分类精度的平衡,既能大幅减少冗余的特征向量,缩短训练时间,还可以保证模型的分类精度。该方法下模型的分类准确率、精确率、召回率分别达98.32%、97.41%、98.73%。本研究建立的葡萄园冠层图像叶片覆盖度分类方法为智慧化的果园管理提供了有效的技术支持。

基于自适应邻域大小的点云去噪法

针对目前常用点云去噪方法在去噪过程中容易产生过度滤波或滤波不足的现象,提出了一种基于自适应邻域大小的点云去噪法。利用统计滤波去除大尺度噪声,并用主成分分析法求出点云法向量,再通过3个特征值构建局部邻域信息熵函数,依据邻域熵值最小原则判断最优邻域和对应邻域下的法向量,最后通过双边滤波算法进行滤波去噪。实验结果表明,与传统双边滤波算法相比,该方法不仅能达到较好去噪效果,还可保留点云特征,避免过度光顺现象产生。

基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析

为提高电站机组主轴故障诊断效率,设计一种WPD-tSNE-SVM组合模型,采用小波包混合特征与支持向量机(SVM)对电站机组轴承开展故障诊断。研究结果表明:采用t分布式邻域嵌入方法降维数据呈现规律分布特征,说明小波包混合特征提取方法能够满足有效性。非线性SVM多故障分类器能够满足小波包混合特征的精确故障分析,各分类器都可以实现小波包混合特征集的高效分类,以径向基核函数设置的非线性SVM诊断方式达到了更高的准确率,从而为之后的维护保养过程提供参考价值,促进维护效率的进一步提升,有效保障电站机组主轴处于稳定运行状态。根据该方法诊断主轴轴承运行故障,为后续维护保养提供指导意义,获得更高的维护效率,确保电站机组主轴运行稳定性。

基于混合VNS-SVR模型的高校学生成绩预测

学生成绩是评价高校教学质量的重要因素,利用学习分析技术挖掘高校学生成绩的影响因素并对学生成绩进行预测,是教师优化教学方法的关键。首先利用所采集高校学生的基本信息、兴趣表现、课堂表现及课外表现的学习行为特征,使用支持向量回归(SVR)构建学习成绩预测模型。其次,设计了变邻域搜索算法(VNS)对支持向量回归的参数进行优化。最后,将变邻域搜索算法-支持向量回归(VNS-SVR)模型应用于某高校学生数学成绩数据,并与SVR、GS-SVR、GA-SVR和FA-SVR等模型进行对比,验证了所提模型的有效性。

基于纹理特征融合的指纹活性检测方法

针对当前指纹识别系统容易遭受伪造指纹欺骗攻击的问题,提出一种基于纹理特征融合的指纹活性检测算法。通过设计边缘纹理增强(ETE)和对称差分统计(SDS)2种脊线纹理特征描述算子来表示真假指纹的显著性纹理,前者用来提取指纹图像脊线的方向纹理信息,后者用来描述邻域内脊线的频率纹理信息。首先,利用感兴趣区域(ROI)提取算法对指纹图像进行预处理,以消除指纹图像中背景空白噪声的干扰;然后,利用ETE和SDS分别提取指纹的脊线纹理特征;接着,统计上述2类特征的直方图,描述真假指纹的纹理特征;最后,将生成的特征输入支持向量机(SVM)中进行训练和测试。在LiveDet 2011指纹数据集的测试中,分别使用Biometrika、Italdata、Sagem 3种传感器,且与Best、韦伯局部描述算子(WLD)、局部相位量化(LPQ)和局部二值模式(LBP)4种指纹检测算法进行了比较,该文算法的检测性能优于其余方法,能够完成当前的活性检测任务。LiveDet 2013数据集使用Biometrika、Italdata和Swipe 3种传感器,通过与WLD、不变梯度直方图(HIG)、统一局部二值模式(ULBP)、深度表征结构优化(DRAO)和Winner 5种指纹活性检测方法对比,该文算法的指纹活性检测准确率有一定的提升。

基于邻域向量内积局部对比度图像增强的光学元件损伤检测

为了解决局域对比度方法(LCM)无法检测局部亮区损伤目标和分离效率低的问题,本文提出了基于邻域向量内积局部对比度图像增强的光学元件损伤目标检测方法。首先,将图像中的每一个点的3×3邻域生成一个9维邻域向量,并将邻域内的最大值扩展成一个9维度极值向量,计算邻域向量与极值向量的内积;其次,计算每个像素的邻域向量内积对比度值(NVDC);然后,计算每个像素的邻域向量内积局部对比度,即在一个较大的区域内(5×5)搜索当前像素所有邻域向量内积对比度的最大值,作为当前像素的邻域向量内积局部对比度值(NVDLC);最后,对NVDLC图像进行二值化和目标分离。实验结果表明,通过本文的增强方法使得损伤图像的信噪比从3.775提高到12.445,损伤目标信号得到极大的增强。在经过邻域向量内积局部对比度方法图像增强后,能够直接使用自适应阈值公式将小于2 pixel的损伤目标从背景中分离出来,满足了弱对比度损伤目标检测对于精度和效率的要求。

基于邻域向量主成分分析图像增强的弱小损伤目标检测方法

提出了基于邻域向量主成分分析(NVPCA)图像增强的弱小损伤目标检测方法.该方法将损伤图像中的每个像素和它的8邻域像素看作一个列向量参加运算,由每个像素生成的所有列向量构建一个9维的数据立方体,通过PCA变换后中间像素和邻域像素之间不相关,消除小目标和邻域像素之间的相关性,这样9维数据立方体的主要信息将集中在第一维,则变换后的第一维数据为NVPCA图像.另外,使用局域对比度法对NVPCA图像再一次进行处理后,获得了较好的图像增强效果.最后,使用区域增长法将损伤目标从背景中分离出来.实验结果表明,该方法能够检测损伤大小为1个像素和处于局部亮区的损伤目标,满足了在线光学元件损伤检测光学系统对于损伤目标精度的要求.

基于向量相似度的多模型局部建模方法研究

针对一类仅使用大批历史数据结构未知的非线性工业过程,根据数据驱动及局部建模的基本思想,提出一种基于局部模型算法的在线多模型辨识策略。从向量相似的角度提出了一种新的选择数据信息(即建模邻域的确定)的方法,有效提高了获得当前时刻系统最佳局部模型的数据精确度。给出了权值选定的适合度标准及带宽h选择的快速方法。最后对算法进行了特性分析及仿真研究,并与其他局部建模算法的计算结果进行比较,验证了本文辨识算法的有效性。

基于邻域彩色变化矢量场的图像边缘检测技术研究

首先进行了边缘检测系统结构设计,建立了图像邻域彩色变化矢量场的数理模型,提出了用图像邻域彩色变化方向锐度描述图像边缘,进而应用模糊聚类自适应检测边缘。实验表明:与基于梯度的边缘检测技术相比,该方法在噪声抑制以及边缘准确定位上均取得了好的效果,是一种应用广泛的优秀边缘检测算法。

基于邻域粗糙集的支持向量机分类方法研究

针对支持向量机方法对高维大规模数据无法直接处理和对异常样本敏感的问题,提出了一种基于邻域粗糙集模型的改进支持向量机。该算法从两个方面对训练样本集进行预处理:一方面利用邻域粗糙集模型中对象邻域的上、下近似,寻找两种类别的交界部分,从而减小问题规模;然后通过对交界部分样本进行混淆度分析,剔除那些混杂在另一类样本中的异常样本或噪声数据。另一方面利用属性重要性度量对样本集进行属性约简与属性加权处理。基于合成数据集与标准数据集的有关实验证实了该算法的有效性。

一种基于同步动力学模型的网络社团发现方法

提出一种基于建模同步动力学行为的Kuramoto模型的网络社团发现算法SYN.该方法首先将网络中节点对象按照链接密度关系进行排序,每一个节点对象用一个一维坐标值表示,从而将网络数据矢量化.在聚类过程中,采用同步聚类原理对一个局部邻域内的对象实现同步,最终同步到一起的节点形成一个社团.通过不断扩大节点同步的邻域半径,可以得到不同分辨率的多种社团划分结果.结合社团模块度函数,可以自动选择最佳聚类结果.方法不依赖于任何数据分布假设,可以检测出任意数量、大小和形状的社团.在大量人工合成数据集和真实数据集上的实验结果表明其聚类准确率较高.

小波能量差分布和SVM结合的PQD识别

提出了小波能量差分布和支持向量机(Support Vector Machine,SVM)相结合的电能质量扰动(Power Quality Distur-bance,PQD)识别方法。该方法用小波变换对PQD信号进行分析,提取信号各层暂态能量与标准信号的能量之差和扰动持续时间为特征向量,组成训练样本和测试样本;使用基于邻域粗糙集模型对训练样本集进行预处理,剔除噪声和异常样本;使用具有二元树结构的SVM对PQD样本进行训练,实现PQD的识别。测试结果表明,该方法可以实现7种PQD的识别,准确率高(平均可达97%),抗噪声能力强,辨识速度快,适用于PQD识别系统。

基于邻域粗糙集与支持向量机的大型风机齿轮箱故障诊断

大型风机的齿轮箱故障诊断是保证风机正常、稳定运行,避免突发性事故的有效手段。针对大型风机齿轮箱振动进行实时监测,对其振动情况进行分析、诊断。对采集的信号采用时域方法进行研究,获取时域指标属性,运用邻域粗糙集约简知识对各个信息属性进行约简,再结合支持向量机进行样本训练,并对待测数据进行故障诊断。